머신러닝을 활용한 군특성화고 전문병 선발 예측 및 특성 탐색

김성일; 이장희

doi:10.18032/kaaba.2023.36.7.1173

추천

검색

질문

자료유형: 학술저널

저자정보: 김성일 (한국기술교육대학교) 이장희 (한국기술교육대학교)

저널정보: 대한경영학회 대한경영학회지 대한경영학회지 제36권 제7호

발행연도: 2023.7

수록면: 1,173 - 1,191 (19page)

DOI: 10.18032/kaaba.2023.36.7.1173

이용수

📌

연구주제

📖

연구배경

🔬

연구방법

🏆

연구결과

초록· 키워드

오류제보하기

군특성화고 정책은 양질의 군인적자원을 수급하기 위해 도입된 정책으로 학·군(學軍) 협력을 기반으로 하는 국방인적자원관리(Military HRM)의 성격을 지닌다. 이에 본 연구는 머신러닝을 활용하여 군특성화고 정책이 내재한 인적자원개발의 측면을 실증적으로 분석하고 전문병 선발 예측 모델과 중요 변수를 제시한다.
이를 위해 국내 군특성화고등학교 A학교의 졸업생 850여 명의 교육 및 진로 데이터의 전처리를 수행하여 50여개의 투입변수를 최종적으로 획득하였다. ‘전문병 선발’을 타겟변수로 선정하여 과대 표집을 통해 타겟변수의 클래스 불균형을 해소한 후 머신러닝의 예측모델을 훈련하였다.
전문병 선발을 정확하게 예측할 수 있는 최적 모델 수립을 위해 Random Forest, XGBoost, LightGBM, SVM, Logistic과 같은 5개 머신러닝 알고리즘을 타겟변수 클래스가 불균형한 원천 데이터와 과대표집을 시행한 과대 표집데이터에 모두 적용하여 총 10개의 모델을 훈련하였다. 모델 훈련 과정에서 층화 k-Fold 교차검증을 함께 수행하여 과적합을 예방하였고 최적 모델을 구현하는 데 적합한 초매개변수를 탐색하였다.
훈련 결과 Random Forest 알고리즘으로 훈련한 모델의 예측 성능이 원천 데이터 및 과대표집 데이터로 훈련한 모든 경우에서 가장 우수하였다. AUC값을 기준으로 할 때 원천 데이터로 훈련한 Random Forest(RF) 모델 성능은 0.76에 근사했고 과대표집 데이터로 훈련한 Random Forest 모델(RF_over) 성능은 0.85 수준으로 향상했다. 투입변수 중요도를 평가한 결과 50여 개 투입변수 중‘면허_취득/미취득’, ‘전공기능사’ 등 전공 전문성과 관련된 변수가‘전문병 선발’여부에 가장 큰 영향을 미친 것으로 나타났다.
추가적으로 모델의 편향성을 점검하기 위해 원천 데이터와 과대표집 데이터를 무작위로 표집하여 평가를 실시한 결과 RF와 RF_over 두 모델의 AUC 값이 모두 0.5에 수렴하는 결과를 보였다. 이는 훈련한 머신러닝 모델이 특정 변수에 의존하지 않으면서 상당한 수준의 성능을 보이는 것으로 이해할 수 있다.
본 연구의 결과는 머신러닝을 활용한 군특성화고 연구의 가능성을 제시할 뿐 아니라 실제 교육현장에서 군특성화고 정책의 효과성에 기여하는 요소를 특정할 수 있음을 보여준다. 이러한 결과는 군특 전문병의 원활한 선발과 수급을 위해 전공 전문성 및 교육훈련을 강화한 인적자원관리의 필요성을 제기한다. 또한 이를 통해 머신러닝을 활용한 인사이트 획득과 데이터에 기반한 전사적 국방인적자원관리의 가능성을 모색할 수 있을 것으로 기대한다.

The study uses machine learning to present a predictive model and important variables for military trainee selection in Military Specialized High School (MSHS). To this end, the education and career data of 850 graduates from a MSHS were analyzed using machine learning algorithms based on Python. For the data, ‘trainee selection’ was selected as the target variable, and about 50 input variables were composed.
In order to establish an optimal model that can accurately predict trainee selection, five machine learning algorithms such as Random Forest, XGBoost, LightGBM, SVM, and Logistic are applied to both the original data with imbalanced target variable classes and the over-sampled balanced data. To mitigate over-fitting during the model training process, we employed stratified 5-fold cross-validation. Additionally, we searched suitable hyper-parameters, thereby implementing the optimal model.
Following the training process, the random forest algorithm exhibited the highest prediction performance among all the models trained. The random forest model trained with the original imbalanced data achieved commendable AUC score of approximately 0.76. The performance of the random forest model trained with the oversampling imbalanced data showed significant improvement, reaching AUC score of 0.85. As a result of evaluating the importance of input variables, it was found that among 50 input variables, variables related to specialized major qualifications, such as ‘Engineer license_acquisition/non-acquisition’ and ‘crafts licenses’, had the greatest impact on whether or not to select trainees.
The results of this study not only suggest the possibility of machine learning application research on MSHSs, but also show that the factors contributing to the effectiveness of MSHS policies in the educational field can be specified. Therefore, machine learning can be used as a meaningful methodology to promote an empirical understanding of research and policy on MSHSs.

#군특성화고 #인적자원관리 #전문병 선발 #예측모델 #머신러닝 #Military Specialized High-school #Human Resource Management #Military Trainee Selection #Prediction Model #Machine Learning

참고문헌 (0)

참고문헌 신청

참고문헌이 DBpia에서 서비스 중이라면, [참고문헌 신청]을 통해 등록해보세요

이 논문의 저자 정보

김성일

소속기관 한국기술교육대학교

주요연구분야 사회과학 > 경영학 사회과학 > 교육학

논문수 2 이용수 143

이장희

소속기관 한국기술교육대학교

주요연구분야 사회과학 > 경영학 사회과학 > 교육학

논문수 19 이용수 2,350

이 논문과 함께 이용한 논문

랜덤 포레스트 기반 서울시 노인보호구역 입지선정 방안

박지연 , 장윤진 , 김태헌 외 2명 대한공간정보학회 학술대회 2023 .12

랜덤 포레스트 모델을 활용한 균열 진단 연구

김경수 , 이현아 한국자동차공학회 추계학술대회 및 전시회 2023 .11

폐수처리 공정에서의 기계학습 및 심층학습 알고리즘의 성능 비교

김재일 , 이효섭 , 장진욱 외 3명 대한환경공학회지 2023 .12

이수식 TBM 데이터와 랜덤포레스트를 이용한 일축압축강도 분류 예측에 관한 연구

강태호 , 최순욱 , 이철호 외 1명 터널과 지하공간 2023 .12

기계 학습을 기반으로 한 뉴스 제목의 감정 분석 연구

우위항 , 친정 , 최염 외 1명 Proceedings of KIIT Conference 2023 .11

최근 본 자료

전체보기

UCI(KEPA) : I410-ECN-0102-2023-324-001915925

구분	그룹	데이터 항목
AI 학습용 데이터	원문	원문 PDF 파일
AI 학습용 데이터	원문 + 메타 (기본/상세)	원문 PDF 파일 및 서지정보 CSV
대량 구매용 데이터	B2B 구독 방식	특정 자료 한정으로 원문 접근 권한 부여
대량 구매용 데이터	URL 전달 방식	바로 PDF 뷰어를 열람할 수 있는 URL 제공

구분	그룹	데이터 항목
AI 학습용 데이터	기본 메타	발행기관명, 간행물명, 권호명, 권(vol), 호(issue), 통권, 발행연도, 발행월, 논문명, 저자명, 시작페이지, 종료페이지, 전체페이지, 상세페이지URL
상세 메타 데이터	발행기관 메타	발행기관 이명, 영문명, 창립연도, 홈페이지URL, 발행기관 소개
	간행물 메타	부제목, 간행물 유형, ISSN, ISBN, 최초발행연도, 폐간연도, 간행빈도, 발행주기, 등재사항, 이용수, 피인용수, 권호수, 논문수, 표지이미지
	논문 메타	작성 언어, 부제목, 대등제목, 목차, 키워드, 초록, 이미지, 참고문헌, 이용수, 피인용수, 논문활용도, DBpia통합주제분류, KDC분류, DDC분류, 한국연구재단분류, UCI, DOI
	저자 메타	소속기관, 소속부서, 직급, 연구분야, 연구키워드, 이용수, 피인용수, 저자 논문활용도

구분	그룹	데이터 항목
※ 결합형/맞춤형 메타 데이터는 신청 내용에 따라 다양하게 제공 가능
이용순위 정보	주제분야별 많이 이용된 논문	“인문학”에서 많이 이용된 논문 TOP100
	이용기관별 많이 이용된 논문	“중고등학교”에서 많이 이용된 논문 TOP100
	세부기관별 많이 이용된 논문	“서울대학교”에서 많이 이용된 논문 TOP100
	키워드별 많이 이용된 논문	“Chat GPT”에서 많이 이용된 논문 TOP100
키워드 정보	많이 이용된 키워드	특정기간/분야/저널 내 많이 이용된 키워드
	많이 발행된 키워드	특정기간/분야/저널 내 많이 발행된 키워드
	많이 검색된 키워드	특정기간/분야/저널 내 많이 검색된 키워드
	연구 트렌드 키워드	특정 키워드 연관 연구동향 분석 데이터 키워드

논문 기본 정보

초록· 키워드

AI 요약

연구주제

연구배경

연구방법

연구결과

주요내용

목차

참고문헌 (0)

이 논문의 저자 정보

이 논문과 함께 이용한 논문

최근 본 자료

댓글(0)