본문 바로가기
KERD
논문KCI 등재

머신러닝 기반 청년의 진로상태 예측모델 개발

Development of Prediction Model for Career Status of Young Adults Using Machine Learning

이대영|박성열
한국농·산업교육학회 (The Korean Society for Agricultural Education and Human Resource Development)|2023.09|농업교육과 인적자원개발 (Journal of Agricultural Education and Human Resource Development)|제55권 제3호|pp. 49-78|DOI 10.23840/agehrd.2023.55.3.49

0

조회

0

다운로드

2

인용

0

참고문헌

키워드

머신러닝랜덤포레스트machine learning의사결정나무random forestXGboost한국교육종단연구청년 진로young adults careerKorean Educational Longitudinal studyeecision tree
주제분류교육학

초록

이 연구는 청년의 진로상태 여부를 예측하는 모형을 개발한 뒤, 해당 모형에서 진로상태를 예측하는 주요 변인이 무엇인지 구명하고, 미취업자, 취업자 및 구직자, 대학생 이상 집단 간 어떤 차이가 있는지 분석하는 데 목적이 있다. 이를 위해 2020년에 수집된 2005한국교육종단연구 12차연도 데이터를 활용하였고, 응답유형에 따라 집단 수준을 미취업자, 취업 및 구직자, 대학생 이상 집단으로 설정하였다. 사용된 머신러닝 알고리즘은 의사결정나무 모델, 랜덤포레스트, XGBoost였으며, 모델 구현결과 랜덤포레스트 알고리즘이 청년의 진로상태를 가장 우수히 예측(90.23%)하는 것으로 나타났다. 해당 모델에서 도출된 중요도 상위 10개 변인은 ‘이성교제 시간’,‘삶의 질 만족도’,‘사회적관계_도움’,‘생산적 시간’,‘일상시간’,‘시민의식_적극참여’,‘사회적관계_친구’,‘시민의식_법규준수’,‘취업준비노력’,‘진로성숙도_계획수립형’으로 도출되었다. 특히 ‘이성교제 시간’변인은 다른 변인에 비해 중요도가 매우 높았으며, 여타모델에서도 집단을 분류하는 가장 중요한 변인으로 나타났다. ‘삶의 질 만족도’,‘사회적관계_친구’변인 또한 모든 모델에서 주요 변인으로 나타났다. 그러나 해당 변인들에 대한 실증적인 연구는 아직 많지 않으므로‘시간활용’,‘삶의 질 만족’,‘시민의식’등의 변인이 진로와 관련하여 어떠한 연관성이 있는지 밝히는 후속 연구와 함께, 시간활용도 청년들의 진로설계나 진로상담에 활용될 필요가 있음을 제안한다.

Abstract

This study intends to develop a prediction model for the career status of young adults, investigate primary factors predicting their career status of the model, and identify the difference between the career groups. To do this, Korean Education Longitudinal Study 2005(KELS 2005) 12th data collected in 2020 was used, and the group was separated into the level of the unemployed, the employed or the job seeker, and the higher education students by responding types. The algorithms used in machine learning were the decision tree, random forest, and XGBoost. As a result, it was found that the random forest model was the best algorithm for predicting the current job status of adults(90.23%). Furthermore, the top 10 prediction variables extracted in this model were ‘dating time’, ‘life quality satisfaction’, ‘social relationship_help’, ‘productive time’, ‘daily time’, ‘citizenship_participation’, ‘social relationship_friends’, ‘citizenship_compliance’, ‘job preparation efforts’, and ‘career maturity_planning’. Especially the ‘dating time’ was the extremely important variable compared to the other variables to the point where the primary variable to divide into groups in every other model. And the ‘life quality satisfaction’ and ‘social relationship_friends’ also were primary variables to divide into groups in every other model. Therefore, an additional study was recommended for identifying relationships between time management, life quality satisfaction, citizenship, and career because few studies have proceeded.

참고문헌 (54)

  1. 강영배, "청소년의 진로탄력성이 주관적 행복감에 미치는 영향에서 시민의식, 공동체 의식의 매개효과", 청소년복지연구, 24(3), pp.61~89 (2022), 한국청소년복지학회
  2. 김미림, "랜덤 포레스트를 활용한 대학생의 최초 취업 사교육 참여 시점별 특성 분석", 교육연구논총, 40(1), pp.1~33 (2019), 교육연구소[DOI]
  3. 김은미, "성인학습자의 진로결정 자기효능감이 행복한 삶에 미치는 영향: 성격강점과 감사의 매개효과", 한국융합학회논문지, 11(2), pp.93~100 (2020), 한국융합학회[DOI]
  4. 김성국, "머신러닝을 활용한 취업 예측 모델 설계: D대학교 졸업생을 중심으로", 실천공학교육논문지, 14(1), pp.61~74 (2022), 한국실천공학교육학회
  5. 김진성, "빅데이터 분석을 위한 R 프로그래밍" (2021), 도서출판 가메
  6. 남기성, "취업자의 시간대별 행위자비율 변화에 대한 연구", Journal of The Korean Data Analysis Society, 7(6), pp.2081~2092 (2005), 한국자료분석학회
  7. 문승태, "고등학생들의 진로결정에 영향을 미치는 심리적 요인에 관한 연구－충남 지역 고등학교 3학년을 대상으로－", 농업교육과 인적자원개발, 34(2), pp.48~59 (2002), 한국농·산업교육학회
  8. 박관숙, "청소년 자원봉사의 이타성과 이기성, 진로성숙도, 시민의식에 관한 연구", 한국시민윤리학회보, 25(2), pp.117~136 (2012), 한국시민윤리학회
  9. 박미현, "머신러닝 분류기법을 적용한 중학생의 학습 부진 예측모형 개발연구: 대구교육종단자료를 중심으로", 교육공학연구, 37(3), pp.627~648 (2021), 한국교육공학회[DOI]
  10. 박성열, "SAS와 교육통계 처리 및 분석" (2010), 창지사
  11. 박소영, "랜덤 포레스트를 활용한 고등학생의 진로개발역량 예측변수 탐색", 열린교육연구, 29(1), pp.239~265 (2021), 한국열린교육학회[DOI]
  12. 박원우, "설문조사에서 불성실 응답의 탐지방법과 제거의 효과", 경영학연구, 49(2), pp.331~364 (2020), 한국경영학회[DOI]
  13. 박윤희, "대학생의 진로결정 자기효능감과 진로성숙도가 취업불안에 미치는 영향", 進路敎育硏究, 30(2), pp.41~61 (2017), 한국진로교육학회
  14. 박혜진, "온라인 학습자의 중도탈락 예측 요인 탐색: 랜덤 포레스트를 적용하여", 교육공학연구, 38(1), pp.297~332 (2022), 한국교육공학회[DOI]
  15. 송승원, "초기 성인기 진로독립성 변화 유형 및 영향 요인 분석", 한국교육, 49(2), pp.37~63 (2022), 한국교육개발원[DOI]
  16. 신혜정, "임상자료를 이용한 나무구조 분류모형의 성능 비교", 보건정보통계학회지, 41(1), pp.135~146 (2016), 한국보건정보통계학회[DOI]
  17. 한국 청소년 패널조사(KYPS) Ⅶ: 고등학교 졸업 후 진로 유형에 영향을미치는 요인, "안선영", 한국청소년정책연구원, ~ (2009)
  18. 기계학습(Machine Learning) 기반 사회보장 빅데이터 분석 및 예측모형 연구, "오미애", 한국보건사회연구원, ~ (2017)
  19. 이기정, "랜덤 포레스트를 활용한 장애인 취업 예측 모형: 취업 여부 및 정규직 취업을 중심으로", 장애와 고용, 29(3), pp.145~165 (2019), 한국장애인고용공단 고용개발원[DOI]
  20. 이수진, "대학생 진로미결정 관련변인에 대한 국내연구 메타분석", 취업진로연구, 11(2), pp.59~80 (2021), 한국취업진로학회[DOI]
  21. 이영주, "자기결정성이론에 기반한 성인 진로결정 동기의 측정과 동기 유형 구분", 한국심리학회지: 산업 및 조직, 33(4), pp.431~459 (2020), 한국산업및조직심리학회[DOI]
  22. 이유민, "대학생의 자아탄력성 및 진로결정 자기효능감이 진로성숙도에 미치는 영향", 석사, 교육학과 교육학전공, pp.2014
  23. 이은정, "랜덤 포레스트를 활용한 4년제 대학 중도탈락률 예측 요인 탐색: 대학 수준 결정요인을 중심으로", 교육공학연구, 36(1), pp.191~219 (2020), 한국교육공학회[DOI]
  24. 이재희, "청소년이 지각한 심리적 독립과 진로결정 자기효능감이진로성숙도에 미치는 영향", 가정과삶의질연구, 31(5), pp.19~32 (2013), 가정과삶의질학회
  25. 이정옥, "대학생의 성인애착과 진로결정자기효능감의 관계에서 회복탄력성의 매개효과", 미래청소년학회지, 18(4), pp.1~24 (2021), 미래를 여는 청소년학회[DOI]
  26. 이종현, "머신러닝을 활용한 중학교 수학 기초학력 미달 비율 예측모형 탐구", 교육공학연구, 37(1), pp.95~129 (2021), 한국교육공학회[DOI]
  27. 조아미, "청소년의 직업결정 유형과 직업결정에 영향을 미치는 요인", 제1회 한국교육고용패널 학술대회 자료집, pp.799~816 (2005)
  28. 유진은, "랜덤 포레스트: 의사결정나무의 대안으로서의 데이터 마이닝 기법", 교육평가연구, 28(2), pp.427~448 (2015), 한국교육평가학회
  29. 유채은, "대학생의 성인애착, 진로장벽, 성취동기가 진로결정수준 및 진로포부에 미치는 영향", 학습자중심교과교육연구, 12(4), pp.143~166 (2012), 학습자중심교과교육학회
  30. 윤수경, "대학생의 취업성과 영향 요인 분석", 한국직업교육학회, 38(5), pp.23~46 (2014)
  31. 윤혜준, "삶의 만족도와 직업적 특성의 관계: 성별의 조절효과 검증", 직업교육연구, 38(5), pp.23~46 (2019), 한국직업교육학회[DOI]
  32. 차승은, "취업남녀의 시간부족인식과 시간활용: 1999년과 2009년의 생활시간자료 비교", 가족자원경영과 정책, 15(3), pp.131~151 (2011), 한국가족자원경영학회
  33. 최인희, "대학원생의 특징 및 대학원 진학 영향 요인 분석: 한국교육종단연구 자료를 중심으로", 열린교육연구, 28(4), pp.23~43 (2020), 한국열린교육학회[DOI]
  34. 2020 한국교육종단연구2005(Ⅻ): 조사개요보고서, "한국교육개발원", 한국교육개발원, ~ (2020)
  35. Agrawal, A., "SCUT: Multi-class imbalanced data classification using SMOTE and cluster-based undersampling", 7th International Joint Conference on Knowledge Discovery, Knowledge Engineering and Knowledge Management(IC3K), pp.226~234 (2015)
  36. Blau, P. M., "The American Occupational Structure" (1967), John Wiley
  37. Bowles, S., "Schooling in capitalist America" (1976), Basic Books
  38. Breiman, L., "Bagging predictors", Machine learning, 24(2), pp.123~140 (1996)
  39. Breiman, L., "Random Forests", Machine Learning, 45(1), pp.5~32 (2001)
  40. Chen, T., "XGBoost: A Scalable Tree Boosting System", Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining(KDD '16), pp.785~794 (2016)
  41. "xgboost: Extreme Gradient Boosting" (2023)[URL]
  42. Erikson, E. H., "Identity youth and crisis" (1968), W. W. Norton & Company
  43. "scutr: Balancing Multiclass Datasets for Classification Tasks" (2021)[URL]
  44. Granovetter, M. S., "Getting a Job: A Study of Contacts and Careers" (1974), Harvard University Press
  45. Hair, J. F., "Multivariate Data Analysis: A Global Perspective" (2010), Pearson Education
  46. Havighurst, R, "Developmental Tasks and Education" (1952), McKay
  47. Lantz, B., "R을 활용한 머신러닝" (2020), 에이콘출판주식회사
  48. Liaw, A., "Classification and Regression by randomForest", R News, 2(3), pp.18~22 (2023)
  49. Lopez, F. G., "Predictors of career indecision in three racial", ethnic groups of college women, 2006, pp.33(1), 29~46
  50. Osipow, S. H., "Assessing Career Indecision", Journal of Vocational Behavior, 55(1), pp.147~154 (1999)
  51. Reuning, K., "Valid vs. Invalid Straightlining: The Complex Relationship Between Straightlining and Data Quality", Survey Research Methods, 14(5), pp.435~459 (2020)
  52. Super, D. E., "The psychology of careers (Vol.1)" (1957), Harper & Row
  53. "rpart: Recursive Partitioning and Regression Trees. R package version 4.1.16" (2022)[URL]
  54. Van Hulse, J., "Experimental perspectives on learning from imbalanced data", Proceedings of the International Conference on Machine Learning(ICML), pp.935~942 (2007)

관련 논문AI추천

머신러닝을 활용한 서울시 중학생 진로성숙도 예측 요인 탐색박정사)한국빅데이터학회 · 한국빅데이터학회 학회지2020 · 제5권 제2호전통 통계분석기법과 머신러닝을 활용한 대졸자의 진로상태 분류 예측모델 비교분석박성열, 이대영한국취업진로학회 · 취업진로연구2024 · 제14권 제1호머신러닝 기법을 이용한 대졸자 취업예측 모형민인식, 최필선한국직업능력연구원 · 직업능력개발연구2018 · 제21권 제1호랜덤 포레스트를 활용한 청년층의 정규직 첫 직장 영향요인 탐색이찬, 유승완한국취업진로학회 · 취업진로연구2025 · 제15권 제4호머신러닝을 활용한 고등학교 유형별 진로성숙도 예측요인 탐색박찬호, 이강빈사범대학부속중등교육연구소 · 중등교육연구2025 · 제73권 제3호랜덤 포레스트를 활용한 고등학생의 진로개발역량 예측변수 탐색박소영, 정혜원한국열린교육학회 · 열린교육연구2021 · 제29권 제1호

이 간행물의 다른 논문 (4건)

고용서비스 전문인력 대상 이러닝 교육 프로그램 평가체계 개발김민희, 박은규pp. 1-25자료포락분석과 맘퀴스트 생산성분석을 활용한 폴리텍대학의 운영 효율성 분석이영민, 방미현pp. 27-47대학생 자녀-부모 진로 일치도 척도 타당화이영광, 임소현pp. 79-100키워드 네트워크 및 지적구조 분석을 통한 개인 맞춤형 학습 연구동향 분석송선일, 정보영pp. 101-124
원문 보기