본문 바로가기
KERD
논문KCI 등재

전통 통계분석기법과 머신러닝을 활용한 대졸자의 진로상태 분류 예측모델 비교분석

Comparative Analysis of the Prediction Model for College Graduates’ Career Status Using Classic Statistical Methods and Machine Learning Algorithms

박성열|이대영
한국취업진로학회 (Korean Employment and Career Association)|2024.03|취업진로연구 (Journal of Employment and Career)|제14권 제1호|pp. 109-145|DOI 10.35273/jec.2024.14.1.005

3

조회

0

다운로드

0

인용

0

참고문헌

키워드

머신러닝Machine LearningPrediction Model예측모델대졸한국교육종단연구Classification Model분류예측모델Career StatusCollege Graduates’ Career

초록

이 연구는 급변하는 현대사회에 개인들의 끊임없는 진로선택과 결정에 있어 개별 맞춤형 방향성을 제시해주고, 대학 측면에서는 필요 인재 확보에 대한 가이드라인 제공과 대학 수요자들의 취업 및 진로개발 지원에 정확한 진로방향 예측을 통해 질적 향상을 모색함으로써 대학의 미래 경쟁력 제고에 기여하고자 하는 현실적인 필요성에서 출발하였다. 이를 위해 대졸자의 진로상태 분류 예측모델을 개발하고, 주요 예측변인의 특징을 분석함으로써 청년의 진로상태에 가장 중요하게 작용하는 요인이 무엇인지 알아보는 것으로 연구목적을 설정하였다. 연구목적에 따라 먼저 집단을 학력을 기준으로 구직 및 취업자, 대학원 진학자로 나누었다. 다음으로 그들의 진로상태를 분류하는 예측모델 구현을 통해 어떠한 변인들이 대졸자의 진로상태 예측에 영향을 미치는지 알아보기 위해 로지스틱 회귀분석과 판별분석을 활용하여 전통적 통계기법 예측모델을 구현하였다. 마찬가지로 머신러닝 예측모델을 구현하기 위해 의사결정나무, 서포트벡터머신, 랜덤포레스트, XGboost 알고리즘을 활용하였다. 분석결과 구현된 모델 중에서 서포트벡터머신 예측모델이 82.12%의 예측률로 가장 뛰어난 것으로 나타나 서포트벡터머신 알고리즘으로 구현한 예측모델을 최종 예측모델로 결정하였다. 결정된 최종 모델에서 대졸 후 진로상태를 예측하는 주요 요인은 개인 특성요인이었다. 더불어 개인 환경요인 중에서도 사회적 자본에 해당하는 변인들이 모든 머신러닝 예측모델에서도 최상위 예측변인으로 도출되었던 만큼 대졸자의 진로에 있어 사회적 자본에 대한 중요성이 재차 검증될 필요가 있다. 해당 예측모델을 실무적인 측면에서 활용한다면 누가 대학 또는 대학원에 진학할 확률이 높은지 예측할 수 있다. 따라서 이들을 대상으로 상위 교육기관 진학과 관련한 맞춤형 가이드라인을 설계하는 데 도움이 될 수 있다. 뿐만 아니라, 대학생 중에서 진로결정 상태가 아닌 학생들에게 해당 예측모형을 활용한다면 이들의 진로상태를 예측할 수 있고, 이를 바탕으로 예상되는 졸업 후 진로에 대한 설명 및 조언 등 맞춤형 진로 설계 가이드라인을 제시해줄 수 있을 것이다.

Abstract

The study focused on developing a predictive model for classifying college graduates’ career status and finding out which factors affect most importantly the young adults’ career status by analyzing the characteristics of major predictive factors. Based on the purpose of the study, the group was divided into two groups(g1: job seekers or the employed, g2: graduate students) in accordance with the characteristics of the data. Next, to find out which variables affect the prediction of college graduates’ career status through creating a prediction model, not only were classic statistical models created using logistic regression and discriminant analysis, but machine learning models were also made using the Decision Tree, Support Vector Machine(SVM), Random forest, and XGboost algorithms. In a consequence of the analysis, the SVM prediction models turned out to be the best prediction rates(82.12%). Therefore, the final predictive model was decided to SVM model, and it was analyzed to the main predictive variables from the SVM model. Thus, the top predictive variable was the number of people who could call for the help belonging to personal environmental factors. It means personal feature factors were the key factors predicting college graduates’ career status. Therefore, it is necessary to examine how personal feature factors(intelligence, values, competencies) affect their careers. Furthermore, the importance of social relationships in college graduates’ careers needs to be reexamined as social relationships were the key factors in all the machine learning models.

참고문헌 (42)

  1. 고문정, "누가 온라인 뉴스에 댓글을 작성하거나 뉴스를 공유하는가?", 사이버 커뮤니케이션 학보, 35(1), pp.5~51 (2018)
  2. 디지털 인재양성 종합방안, "교육부", ~ (2022)
  3. 김성국, "머신러닝을 활용한 취업 예측 모델 설계 : D대학교 졸업생을 중심으로", 실천공학교수법, 14(1), pp.61~74 (2022)
  4. 김영식, "머신러닝 기법을 활용한 사교육 참여 예측 모형 탐색", 교육재정경제연구, 28(3), pp.29~52 (2019)
  5. 김재희, "공학교육 정책수립을 위한 빅데이터 분석 시스템 설계", 박사, pp.2020
  6. 남나라, "혼합효과 랜덤 포레스트 기법을 활용한 중학생의 학업성취도 예측 요인 분석", 박사, pp.2021
  7. 2020 한국교육종단연구 한국교육종단연구2005(Ⅻ): 조사개요보고서, "박경호", 한국교육개발원, ~, pp.TR 2020-86 (2020)
  8. 박신영, "대학생의 미래 직업 결정 예측변수 탐색 : 고등학교 시기의 변인을 중심으로", 학습자중심교과교육연구, 22(5), pp.473~490 (2022)
  9. 박원우, "설문조사에서 불성실 응답의 탐지방법과 제거의효과", 경영학연구, 49(2), pp.331~364 (2020)
  10. 박정, ""머신러닝을 활용한 서울시 중학생 진로성숙도 예측 요인 탐색"", 한국빅데이터학회지, 5(2), pp.155~170 (2020)
  11. 박혜진, "온라인 학습자의 중도탈락 예측 요인 탐색 : 랜덤 포레스트를 적용하여", 교육공학연구, 38(1), pp.297~332 (2022)
  12. 신종호, "학습분석 기반 대학 신입생 대상 학습부진 위험학생 조기예측 모델 개발 및 군집별특성 분석", 한국교육공학회, 35(2), pp.425~454 (2019)
  13. 기계학습(Machine Learning)기반 사회보장빅데이터 분석 및 예측모형 연구, "오미애", 한국보건사회연구원, ~ (2017)
  14. 왕정원, "대학 및 개인 특성이 취업여부에 미치는 영향 분석", 지방교육경영, 23(1), pp.25~39 (2020)
  15. 이동훈, "머신러닝 기법을 활용한 대졸 구직자 취업 예측모델에 관한 연구", 情報시스템硏究, 29(2), pp.287~306 (2020)
  16. 이지원, "성인의 생애주기별 진로적응과업에 대한 개념도 연구", 한국심리학회지 : 상담 및 심리치료, 26(4), pp.1073~1108 (2014)
  17. 이현림, "직업발달론의 개설적 고찰", 학생생활연구, 8, pp.17~24 (1973), 영남대학교 학생생활연구소
  18. 이현림, "현대진로상담" (2003), 학지사
  19. 임옥진, "대학생의 직업결정에 영향을 미치는 요인 분석", 교육학논총, 33(2), pp.19~49 (2012)
  20. 장용식, "머신러닝을 활용한 R 데이터 분석" (2020), ㈜생능출판사
  21. 장윤숙, "진로적응력, 사회적지원, 학교생활만족도, 전공관련성, 학업적자기효능감, 직업탐색활동기반 대학생 진로결정 판별예측분석", 박사, pp.2019
  22. 조민호, "데이터 분석 전문가를 위한 R 데이터 분석" (2019), 정보문화사
  23. 홍유정, "기초학력 미달 학생 예측을 위한 심층인공신경망 모형의 활용", 교육평가연구, 34(4), pp.615~647 (2021)
  24. 황수진, "머신러닝을 활용한 중학생의 학업성취 예측", 박사, pp.2022
  25. 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)
  26. Breiman, L., "Bagging predictors", Machine learning, 24(2), pp.123~140 (1996)
  27. 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)
  28. Cortes, C., "Support-vector networks", Mach Learn, 20, pp.273~297 (1995)
  29. Ginzberg, E., "Restatement of the theory of occupational choice", Vocational Guidance Quarterly, 20, pp.169~176 (1972)
  30. Gottfredson, L. S., "Circumscription and comprise: A developmental theory of occupational aspirations", Journal of Counseling Psychology, 28, pp.545~579 (1981)
  31. Gottfredson, L. S., "Career choice and development", pp.85~148 (2002), Jossey-Bass
  32. Herr, E. L., "Career guidance and counseling through the life span: Systematic approaches" (1996), Harper Collins
  33. Holland, J. L., "A theory of vocational choice", Journal of Counseling Psychology, 6(2), pp.35~45 (1959)
  34. James, G., "An Introduction to Statistical Learning: with Applications in R" (2013), Springer Science & Business Media
  35. Jones, L. K., "Multiple subtypes among vocationally undecided college students : A model and assessment instrument", Journal of counseling psychology, 27, pp.469~477 (1980)
  36. Krumboltz, J. D., "Social learning and career decision making" (1979), Carroll Press
  37. Lantz, B., "R을 활용한 머신러닝" (2020), 에이콘출판주식회사
  38. Parsons, F., "Choosing a vocation" (1909), Houghton Mifflin Company
  39. Roe, A., "Early determinants of vocational choice", Journal of counseling Psychology, 4(3), pp.212~217 (1957)
  40. Super, D. E., "The psychology of careers (Vol.1)" (1957), Harper & Row
  41. Tolbert, E. L., "Stability of kindergarten childrens’ career aspiration", Psychological Reports, 68, pp.1378~ (1980)
  42. Global education monitoring report: Migration, displacement and education: building bridges, not walls, "UNESCO", UNESCO, ~ (2019)

관련 논문AI추천

머신러닝 기법을 이용한 대졸자 취업예측 모형민인식, 최필선한국직업능력연구원 · 직업능력개발연구2018 · 제21권 제1호머신러닝 기반 청년의 진로상태 예측모델 개발박성열, 이대영한국농·산업교육학회 · 농업교육과 인적자원개발2023 · 제55권 제3호머신러닝을 활용한 취업 예측 모델 설계: D대학교 졸업생을 중심으로김성국, 오창헌한국실천공학교육학회 · 실천공학교육논문지2022 · 제14권 제1호대졸 청년의 정규직 여부, 임금 및 직무만족도 예측변인 탐색 : 2-3년제와 4년제 졸업생 비교박소영, 정혜원한국직업능력연구원 · 직업능력개발연구2020 · 제23권 제3호머신러닝 기반 대학생 중도탈락 예측 모델 구현 방안노윤정한국융합신호처리학회 · 융합신호처리학회 논문지2024 · 제25권 제2호대학생의 진로결정에 미치는 대학교육 예측요인 탐색윤지영, 허은정(사)한국대학교육협의회 · 고등교육2025 · 제8권 제2호

이 간행물의 다른 논문 (6건)

디자인계열 전문대생의 취업준비행동과 취업준비장벽에 관한 연구이현민, 정선정, 이순행pp. 1-38대학생의 디자인 사고 특성이 학습 동기와 스트레스 관리를 통해 취업 의도에 미치는 영향노혜영, 이신복, 엄요한pp. 39-60중장년층의 경력몰입, 고용가능성, 경력만족, 삶의만족 간의 구조적 관계김민규, 이종찬pp. 61-84진로탐색 프로그램이 제3국 출생 북한이탈주민 자녀의 진로결정자기효능감과 진로의사결정수준에 미치는 영향김봉환, 김하영pp. 85-107장애인의 직업유지에 영향을 미치는 요인이혜경pp. 147-168
원문 보기