설명가능한 인공지능 기반 비형식학습 효과성 분석 및참여자 추천 애널리틱스: 지속 가능한 평생학습 유도를 위하여
Sustainable Lifelong Learning: Explainable AI-Driven Analytics for Informal Learning Effectiveness and Personalized Recommendations
3
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
디지털 전환과 인공지능의 확산은 4차 산업혁명의 핵심 동력으로서, 사회, 경제 구조 전반에 전례 없는 변화를 이끌고 있다. 특히 저출산과 초고령화, 코로나19 팬데믹 이후의 사회적 가속 변화는 평생학습을 국가적 필수 과제로 부각시켰다. 기존 연구들이 참여 여부나 단편적 효과에 국한된 분석을 제시한 데 반해, 본 연구는 머신러닝과 설명가능한 인공지능을 결합하여 참여자 특성과 결정 요인을 정교하게 규명하고, 맞춤형 학습 추천을 위한 데이터 기반 방법론을 제안하였다. 본 연구는 설명가능한 인공지능으로 비형식학습의 예측, 설명, 추천을 잇는 통합 프레임을 제시한다. 머신러닝 및 딥러닝 등 다중 모델로 학습, 검증, 잠재집단을 분리 평가한 결과, Train에서는 CatBoost(Accuracy 99.01%)가, Validate에서는 XGBoost(Accuracy 92.13%)가 최적 성능을 보였다. SHAP 해석은 효과성이 “얼마나 배웠는가”보다 “왜, 어떻게 배우는가”에좌우됨을 밝혔다: 학습지향성, 생활만족도, 사회적 연결(친목과 사회참여), 직업목표, 학습정보 접근성은 일관된 양(+)의 기여를, 외부지원과 장시간 참여는 상대적으로 음(–)의 기여를 보였다. 12,514명의 미참여자중 63.31%가 고효과 예측군으로 분류되어 개인화 추천의 정책적 실효성을 뒷받침한다. 또한 시기별 비교에서 변수 순위 및 기여 방향의 이동이 확인되어 과거 규칙의 경직된 적용이 성과를 저해할 수 있음을 경고한다. 우리는 데이터 거버넌스, 개인정보 보호, 디지털 격차 완화, 지역 맞춤 거버넌스를 결합한 적응형 평생학습 로드맵을 제안한다.
Abstract
The accelerating wave of digital transformation and artificial intelligence has become a defining force of the Fourth Industrial Revolution, reshaping social and economic systems worldwide. In this context—marked by population aging, declining birth rates, and post-pandemic disruptions—lifelong learning has emerged as a national imperative. Unlike prior studies limited to participation status or partial outcomes, this research integrates machine learning and explainable artificial intelligence (XAI) to uncover the latent determinants of non-formal learning effectiveness and to propose a data-driven framework for personalized learning recommendation. Employing multiple models across distinct datasets for training, validation, and latent groups, CatBoost achieved the highest accuracy in the training phase (99.01%), while XGBoost yielded the best validation performance (92.13%). SHAP-based interpretability revealed that learning effectiveness depends less on how much one learns than on why and how one learns. Key positive drivers—learning orientation, life satisfaction, social connectedness, career motivation, and informational accessibility—contrasted with negative contributions from external financial support and long participation duration, emphasizing intrinsic engagement over extrinsic conditions. Among 12,514 non-participants, 63.31 % were predicted to form a high-effectiveness group, validating the policy relevance of personalized recommendations. Temporal shifts in variable importance further caution against rigidly applying past decision rules to evolving learner populations. The study concludes by proposing an adaptive lifelong-learning roadmap that integrates data governance, privacy protection, digital-divide reduction, and localized co-governance, paving the way toward a sustainable and inclusive learning ecosystem powered by explainable AI.