벌점회귀모형을 활용한 중학생의 진로미결정 관련 변수 탐색

A Study on Exploring Variables Related to Middle School Students’ Career Indecision using Penalized Regression Model

본 연구의 목적은 기계학습 기법과 대용량 자료를 활용하여 중학생의 진로미결정에 관련되는 변수들을 종합적으로 탐색하는 데 있었다. 이를 위해 기계학습 기법 중 변수 선택에 강점을 가지고 다중공선성의 문제 해결이 가능한 Elastic Net 벌점회귀모형과 대용량 자료인 KCYPS 2018 데이터를 활용하였다. 분석결과 중학생의 진로미결정 확률에 영향을 미치는 변수로 최종 선택된 변수는 총 244개 중 41개로 나타났다. 그 중 진로미결정 확률을 높이는 것으로 예측된 변수는 17개(‘아무리 공부해도 내가 지금보다 더 잘할 수는 없다고 생각할수록, 장래가 희망적이지 않은 것 같다고 생각할수록’ 등), 진로미결정 확률을 낮추는 것으로 예측된 변수는 24개(‘주말 독서 시간을 많이 가질수록, 내가 하고 있는 공부의 의미와 목적을 분명히 알수록’ 등)로 나타났다. 본 연구는 벌점회귀모형을 활용하여 200개가 넘는 변수를 한 모형에 투입하고, 중학생의 진로미결정에 영향을 미치는 변수 가운데 기존 연구에서 다루지 못했던 변수나 새로운 변수들(‘향후 목표하는 학업 수준이 높을수록, 가족이나 친구들과 함께 있는 것보다 스마트폰을 사용하고 있는 것이 더 즐거울수록 진로미결정 확률을 높이는 것’ 등)을 확인했다는 데 연구의 의의가 있다. 향후 본 연구 결과를 보완할 수 있도록 벌점회귀모형의 통계적 추론을 추가한 연구를 후속 연구로 제안하였다.

The purpose of this study was to comprehensively explore variables related to middle school students’ career indecision using machine learning techniques and large-scale data. To achieve this, the Elastic Net penalized regression model, which excels in variable selection and can address multicollinearity issues, was employed along with the extensive KCYPS 2018 dataset. Among a total of 244 variables, 41 variables were ultimately selected as influencing the probability of middle school students’ career indecision. Among these, 17 variables were predicted to increase the probability of career indecision, while 24 variables were predicted to decrease it. Variables such as leisure time, academic fervor, academic fatigue, educational level, frequency of career conversations, self-esteem, depression, introverted personality, and smartphone dependence showed relevance. This study is significant in utilizing the penalized regression model to incorporate over 200 variables into one model, identifying previously unexplored or new variables related to middle school students’ career indecision. The study suggests further research involving statistical inference with the penalized regression model for subsequent analysis.