XAI의 공공 인적자원관리 적용연구: 설명가능 머신러닝을 통한 개별공무원의 이직의도 예측과 설명을 중심으로
A Study on the Application of Public Human Resource Management in XAI: Focusing on the Prediction and Explanation of the Turnover Intention of Individual Public Officials through Explanatory Machine Learning
0
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
최근 공무원의 이직률 증가와 그로 인한 정부 조직의 비효율성 문제가 대두되고 있어 여러 논문들에서 공무원의 이직의도를 형성하는 영향요인들의 역학관계를 분석하고, 이직을 어떻게관리할지 연구되었다. 한편 4차 산업혁명이 본격적으로 확산함에 따라 민간기업에서는 인공지능 기술을 인적자원관리의 도구로 도입하고 있으며, 관련 연구 역시 활발하다. 그러나 공공영역과 행정학 연구에서는 상대적으로 이러한 움직임이 더디었다. 따라서 본 연구는 설명가능한인공지능 기반의 공무원 이직의도 예측 모델을 구축하여 공무원 이직 관리의 새로운 방안을 제시하고자 한다. 이를 위해 한국행정연구원의 ‘2023년 공직생활실태조사’ 데이터를 활용하여예측모델을 구축하였다. 또한 구축된 모델을 기반으로 XAI 방법론인 SHAP 분석을 통해 이직의도에 영향을 미치는 다양한 요인들을 시각적으로 설명하였고, 개별 공무원의 이직의도를 예측하고, 개인별로 영향을 미치는 요인을 탐색하였다. 분석결과, 직무만족, 직무스트레스, 상급자의 리더십, 혁신행동 등이 이직의도를 형성하는데 중요한 영향을 미쳤다는 것을 알 수 있었으며, 개인별 예측결과를 통해 개인 맞춤형 인적자원 관리 전략의 가능성을 제시하였다. 또한새로운 기술 적용의 당위를 제시하였을 뿐 아니라 인공지능 기반의 예측 모델이 가진 한계를 제시하고 실제 관리현장에서 발생하는 프라이버시 침해와 같은 윤리적 문제 가능성에 대한 논의를 첨언하며 연구결과의 실제 적용에 있어 신중한 접근이 필요함을 강조하였다.
Abstract
With the recent increase in public sector employee turnover and the resulting inefficiencies in government organizations, numerous studies have analyzed the factors influencing turnover intention and proposed strategies for managing this issue. Meanwhile, as the Fourth Industrial Revolution brings advanced technologies into various industries, artificial intelligence (AI) has been increasingly adopted as a tool for human resource management (HRM) in the business and management fields. However, the public sector and public administration have been slower to embrace these advancements. In response, this study aims to propose a novel approach to managing turnover in the public sector by developing an explainable AI (XAI)-based model for predicting public officials’ turnover intention. Utilizing data from the 2023 Korean Public Service Life Survey, the study applies the XGBoost algorithm, which demonstrated superior predictive performance compared to traditional regression models. Additionally, SHAP (SHapley Additive exPlanations), an XAI technique, was used to visually explain the key factors affecting turnover intention and explore the individual-level predictors of turnover among public officials. The results reveal that job satisfaction, job stress, leadership from supervisors, and innovative behavior significantly contribute to turnover intention, suggesting the potential for personalized HRM strategies. Furthermore, the study not only underscores the importance of adopting new technologies but also discusses the limitations of AI-based prediction models, such as potential privacy and ethical concerns, emphasizing the need for a cautious approach in real-world implementation.