지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
논문 기본 정보
- 자료유형
- 학술저널
- 저자정보
- 발행연도
- 2023.12
- 수록면
- 701 - 725 (25page)
- DOI
- 10.15753/aje.2023.12.24.4.701
이용수
초록· 키워드
오류제보하기
본 연구는 기계학습을 활용하여 전문병으로 입대한 군특성화고 졸업생의 진로 이행 경로를 예측하고 예측 모형의 특성을 탐색하는 XAI(설명 가능한 인공지능) 기반의 예측 분석을 시도하였다. 연구 수행을 위해 A군특성화고등학교 졸업생의 프로파일 데이터를 수집하였고, 이 중 군특 전문병으로 입대한 460여 명을 별도로 추려내어 진로 현황를 정리하였다. 그리고 전문하사로 진급한 경우와 반대로 이탈한 경우를 나타내는 이진변수를 구성한 후 이를 예측분석의 타겟변수로 지정하였다. 이외의 교육 데이터 및 진로 데이터는 전처리를 거쳐 모두 투입변수로 사용하였다. 타겟변수의 데이터 불균형을 감안하여 과대표집으로 불균형을 해소한 데이터 세트를 추가로 생성하였고 기계학습 모형 훈련에는 타겟 변수가 불균형한 원천 데이터와 불균형을 해소한 과대표집 데이터를 모두 활용하였다. 예측을 수행할 기계학습 모형으로 Random Forest, Light GBM, XGBoost, 선형/비선형 SVM, Logistic Regression, Naive Bayesian 등 7개를 선정했고 원천 데이터와 과대표집 데이터를 모두 활용하여 총 14개의 분류기를 생성하였다. AUC로 예측 성능을 비교한 결과 원천 데이터로 훈련한 경우엔 XGBoost 모형이 66%로 가장 뛰어난 성능을 기록했고, 과대표집 데이터의 경우엔 Random Forest 모형이 87%로 가장 뛰어난 성능을 기록했다. 추가적으로 두 분류기에 대해 성능의 공정성 및 신뢰도 점검을 수행하였고 모두 공정성과 신뢰도를 구비했음을 확인할 수 있었다. 최종 선발한 두 챔피언 모형에 대해 XAI 분석을 수행한 결과 공통적으로 ‘전공기능사’ 등 특성화 전공 전문성을 대변하는 교육 변수의 중요도가 두드러졌다. 이후 결론에서는 본 연구 결과의 학술적 의의와 한계점을 기술하고 실무적 관점에서의 활용 방안을 제시하였다.
목차
논문 요약
Ⅰ. 서론
Ⅱ. 선행 연구
Ⅲ. 연구 방법
Ⅳ. 분석 결과
Ⅴ. 결론 및 제언
참고문헌
Abstract
참고문헌 (0)
참고문헌 신청이 논문의 저자 정보
이 논문과 함께 이용한 논문
최근 본 자료
댓글(0)
0
UCI(KEPA) : I410-151-24-02-089280879