고등학생의 진로적응력 주요 예측변수 탐색: XGBoost 및 SHAP 적용

Exploring the Major Predictors of Career Adaptability in High School Students: Application of XGBoost and SHAP

본 연구는 변화에 적응하기 위한 미래 역량인 진로적응력에 주목하여 고등학생의 진로적응력을 예측하는 주요 변수를 탐색하였다. 이를 위해 한국청소년정책연구원의 KCYPS 2018 중1 코호트의 5차년도(2022년) 자료에 예측성과에서 우수하다고 보고된 XGBoost (eXtreme Gradient Boosting)와 설명 가능한 인공지능인 SHAP(SHapley Addictive exPlanations)를 적용하여, 예측 모델을 구축하고 예측변수의 기여도를 평가하였다. 주요 연구 결과는 다음과 같다. 첫째, 고등학생 진로적응력에 XGBoost의 예측성과가 다른 머신러닝 기법과 비교해 상대적으로 좋은 것으로 나타났다. 둘째, SHAP을 통해 예측 기여도가 높은 상위 5%인 변수를 확인한 결과, 학업무기력, 그릿, 부모 양육태도, 교내 공식 동아리 참여 횟수, 친구관계, 주의집중, 스마트폰 의존도, 여가시간(TV 시청, 친구들과 노는 시간), 학업열의, 자아존중감이 주요 예측변수로 도출되었다. 본 연구 결과를 바탕으로 고등학생 진로적응력 함양 방안 모색 및 교육학 분야에서의 머신러닝 및 설명 가능한 인공지능 기법 결합의 적용가능성을 논의하였다.

This study was designed to explore the major predictors of career adaptability in high school students, with the aim of discussing their implications for fostering career readiness. To achieve this, XGBoost, a predictive model with strong performance, was applied to the 5th wave data (11th graders) of the Korean Children & Youth Panel Survey (KCYPS) 2018. Additionally, SHapley Additive exPlanations (SHAP), an explainable artificial intelligence (XAI) technique, was utilized to assess the contribution of major predictors and to explore the relationships between career adaptability and these predictors. The main results are as follows. First, the XGBoost model demonstrated higher predictive performance for high school students' career adaptability compared to other methods. Second, through SHAP analysis, the top 5% of variables with the highest predictive contributions were identified. The key predictors of career adaptability included academic disengagement, grit, parental attitudes, participation in official school clubs, friendship quality, attention span, smartphone dependency, leisure time (watching , time spent with friends), academic enthusiasm, and self-esteem. Based on these findings, implications for enhancing career adaptability among high school students are discussed, along with suggestions for future research directions in the application of machine learning and explainable AI techniques in the field of education.