자동화 머신러닝을 활용한 교사의 직무만족도 예측모형 및 영향변수 탐색

Exploration of Predictive Model and Influential Variables for Teachers’Job Satisfaction using Automated Machine Learning

본 연구의 목적은 서울교원종단연구 2020의 1차년도 자료를 활용하여 교사의 직무만족도 예측모형 및 영향변수를 탐색하는 것이다. 이를 위해 전처리 과정을 거친 242개의 설명변수를 분석에 사용하였다. 주요 연구 결과는 다음과 같다. 첫째, 자동화 머신러닝 기법을 적용했을 때 Light Gradient Boosting Machine에서 교사의 직무만족도 예측성능이 가장 우수하게 나타났다. 둘째, 설명 가능한 인공지능 기법에 해당하는 SHAP 지수를 기준으로 교사의 직무만족도 주요 영향변수를 도출했을 때 상위 20개의 설명변수는 개인 특성, 교사의 질, 학교 특성, 정책 및 제도 영역에 포함된 것으로 나타났다. 이 중에서 정년 재직 예상 여부, 창의성, 학교경영 참여, 현재 근무하고 있는 학교급(초등학교 여부), 교원 정책 및 제도에 대한 실행도(학교업무 정상화)는 본 연구를 통해 새롭게 교사의 직무만족도 주요 영향변수로 도출되었다. 마지막으로, 연구 결과에 기초하여 교사의 직무만족도 제고를 위한 다각적인 시사점과 후속연구를 위한 제언을 제시하였다.

The purpose of this study is to explore the predictive model and influential variables for teachers’ job satisfaction using first-year data from the Seoul Education Longitudinal Study of Teachers (SELST) 2020. For this purpose, 242 explanatory variables, processed through a preprocessing stage, were used for the analysis. The key findings are as follows. First, when applying Automated Machine Learning (AutoML) techniques, the light gradient boosting machine showed the best performance in predicting teachers' job satisfaction. Second, when the key influential variables of teachers' job satisfaction were derived based on the SHAP index, an explainable AI technique, the top 20 explanatory variables were found to be included in the areas of personal characteristics, teacher quality, school characteristics, and policies and systems. Among these, retirement expectation status, creativity, participation in school management, the current school level (elementary school status), and implementation of teacher policies and systems (normalization of school work) were newly identified as the key influential variables of teachers' job satisfaction through this study. Finally, based on the study findings, multifaceted implications for enhancing teachers' overall job satisfaction and suggestions for future studies were provided.