지식정보화시대가 시작되면서 멘토링은 인재 발굴 및 관리를 위한 효율적인 방법으로 인식되고 있다. 멘토링 효과를 높이기 위한 요소는 여러 가지이다. 그 중 멘토와 멘티를 매칭하는 요소는 멘토링 시스템에서 핵심이라 할 수 있다. 기존 e-멘토링 시스템의 매칭은 대부분 개인 정보를 충분히 활용하지 못하고 관리자에 의해 일괄적으로 처리되는데, 이는 멘토링 효과에 부정적인 영향을 미칠 수 있다. 본 논문에서는 중 고등학생을 대상으로 개인선호도를 입력받아 매칭 항목으로 결정하고 이를 기반으로 가장 적절한 멘토/멘티를 매칭시키는 개인선호도기반의 멘토/멘티 추천 알고리즘을 제안한다. 또한, 본 논문에서는 기존의 알고리즘과 함께 제안한 알고리즘을 정교성, 일치성, 다양성 측면에서 분석하여 제안한 알고리즘의 효율성을 증명한다.
지식정보화시대가 시작되면서 멘토링은 인재 발굴 및 관리를 위한 효율적인 방법으로 인식되고 있다. 멘토링 효과를 높이기 위한 요소는 여러 가지이다. 그 중 멘토와 멘티를 매칭하는 요소는 멘토링 시스템에서 핵심이라 할 수 있다. 기존 e-멘토링 시스템의 매칭은 대부분 개인 정보를 충분히 활용하지 못하고 관리자에 의해 일괄적으로 처리되는데, 이는 멘토링 효과에 부정적인 영향을 미칠 수 있다. 본 논문에서는 중 고등학생을 대상으로 개인선호도를 입력받아 매칭 항목으로 결정하고 이를 기반으로 가장 적절한 멘토/멘티를 매칭시키는 개인선호도기반의 멘토/멘티 추천 알고리즘을 제안한다. 또한, 본 논문에서는 기존의 알고리즘과 함께 제안한 알고리즘을 정교성, 일치성, 다양성 측면에서 분석하여 제안한 알고리즘의 효율성을 증명한다.
In advance of Knowledge Information Society, mentoring is becoming an efficient method for developing and managing human resources. There are several factors to improve the effect of mentoring. Among them, a matching mechanism that connects a mentee and a mentor is the most important in mentoring. I...
In advance of Knowledge Information Society, mentoring is becoming an efficient method for developing and managing human resources. There are several factors to improve the effect of mentoring. Among them, a matching mechanism that connects a mentee and a mentor is the most important in mentoring. In the existing e-mentoring systems, administrators rarely consider personal data. They match suitable mentors for mentees in a mandatory way, which reflects bad effects in the e-mentoring. In this paper, we propose new recommendation algorithms for matching by analyzing personal preferences for secondary school students to improve the effects of the mentoring. In addition, we compare our algorithms with the existing algorithms in terms of elaborateness, accordance, and diversity in order to prove the effectiveness of the proposed algorithms.
In advance of Knowledge Information Society, mentoring is becoming an efficient method for developing and managing human resources. There are several factors to improve the effect of mentoring. Among them, a matching mechanism that connects a mentee and a mentor is the most important in mentoring. In the existing e-mentoring systems, administrators rarely consider personal data. They match suitable mentors for mentees in a mandatory way, which reflects bad effects in the e-mentoring. In this paper, we propose new recommendation algorithms for matching by analyzing personal preferences for secondary school students to improve the effects of the mentoring. In addition, we compare our algorithms with the existing algorithms in terms of elaborateness, accordance, and diversity in order to prove the effectiveness of the proposed algorithms.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
매칭 방법은 그 기준을 무엇으로 하느냐에 따라 매우 다양하다. e-멘토링 시스템에서 어떤 매칭 방법들이 사용되는지 살펴보자.
이는 여러 가지 문제를 야기할 수 있다. 따라서, 매칭을 자동화하여 신속하고 정확한 매칭이 이루어지도록 방법을 제안한 것이다.
따라 다양하다. 본 논문에서는 멘토/멘티 개인의 선호도를 기반으로 한 매칭이 되고, 제안하는 추천 알고리즘과 기존의 추천 알고리즘을 비교하기 위하여 멘토/멘티를 대상으로 매칭 항목들의 순위를 조사하였다. 전체적인 설문 항목은 기존 매칭 시스템에서 매칭기준으로 이용되는 항목과 멘토의 자격을 갖는 교사를 대상으로 포커스 그룹 인터뷰[2]를 바탕으로 선정하였다.
본 논문에서는 멘토링의 만족도를 높이기 위해 멘토/멘티의 개인선호도를 고려한 멘토/멘티 추천 알고리즘을 설계하고 구현하였다. 현재 대부분의 시스템이 관리자가 멘토/멘티의 프로파일을 바탕으로 일률적으로 매칭을 진행한다.
제안한다. 본 논문은 e-멘토링 시스템에서 매칭에 대한 효율성을 높이는데 목적이 있다. 이를 위해 여러 멘토링 시스템에서 매칭이 어떻게 이루어지고 있는지 사례를 분석한.
본 논문은 중등학교 e-멘토링 시스템에서 메칭을 위해 멘티와 멘토@ 선호도를 조사하고, 양쪽의 요구사항을 반영한 멘토/멘티 추천 알고리즘을 제안한다. 본 논문은 e-멘토링 시스템에서 매칭에 대한 효율성을 높이는데 목적이 있다.
가설 설정
즉, 멘티와 멘토에 해당하는 조사대상자들이 중요하다고 선정한 매칭 항목을 기존의 알고리즘에 적용한다. 또한, 모든 알고리즘은 가장 높은 매칭 점수를 받는 멘티와 멘토를 매칭시킬 수 있도록 추천한다고 가정한다.
본 논문에서 가정하고 있는 매칭의 절차는 다음 <그림 3>과 같다. 알고리즘에 의해 멘토/멘티 추천을 하면 관리자가 최종 선별하여 멘토/멘티에게 한명의 멘토를 추천하는 것을 가정한다.
제안 방법
5가지 알고리즘들을 정교성, 일치성, 다양성 측면에서 비교해 본 결과를 정리하면와같다.
Amne 제안한 알고리즘의 효율성을 분석하기 위해서 멘토넷 알고리즘을 재구성한 것이다. 매 칭 항목은<표 5>과 같다.
알고리즘을 위해 중. 고등학생 및 교사 등을 대상으로 설문 조사를 실시하였다. 이를 통해 우선 멘토인 교사와 멘티인 중 .
이를 통해 우선 멘토인 교사와 멘티인 중 . 고등학생에게 매칭이 얼마만큼 중요한 요소인지를 분석하였다. 또한, 매칭을 위한 항목을 추출하였다.
또한, 멘토는 교사와 대학생, 멘티는 중 . 고등학생을 대상으로 설문조사를 실시하여 매칭의 중요도를 파악한다. 기존 매칭을 위한 추천 알고리즘의 장.
다양성을 조사하기 위해서 우선, 각 알고리즘별로 멘토에 대한 최소값과 최대값을 비교하여 어느 정도 차이가 있는지를 살펴보았다. <표 11>과 같이 Ae5p가 가장 큰 표준편차를 가지는 것으로 나타났다.
기존 매칭을 위한 추천 알고리즘의 장. 단圣을고려하고 설문지 분석 자료를 바탕으로 매%을위한 멘토/멘티 추천 앝고리즘을 제안한다. 마지막으로, 제안한 알고리즘을 기존의 알고리즘과 함께 정교성, 일치성, 다양성 측면에서 분석을 실시하여 제안한 알고리즘의 효율성을 증명한다.
고등학생에게 매칭이 얼마만큼 중요한 요소인지를 분석하였다. 또한, 매칭을 위한 항목을 추출하였다. 자동 매칭을 위한 세가지 추천 알고리즘을 제안하였고 기존의 두 가지 매칭을 위한 추천 알고리즘과 비교 .
향후 본 논문의 결과를 바탕으로 실제 멘토링을 진행해보고 알고리즘의 만족도를 알아보는 연구를 진행할 예정이다. 또한, 본 논문에서는 매칭 항목에 대한가중치 점수를 기존의 알고리즘에서 채택했던 방식으로 부여하였다. 실제 정확한 가중치를 찾아내는 연구도 역시 중요한 연구라 하겠다.
또한, 일반적인 추천 방식과 멘토링 시스템에서 매칭을 위한 추천 방식을 비교한다.
본 논문에서 채택한 방식은 내용기반과 인구통계학적 방식을 혼합한 기법으로 간주된다. 하지만, 기존의 추천 알고리즘과 멘토링에서 매칭을 위한 추천 알고리즘은 다음과 같은 차이를 가진다.
전체적인 설문 항목은 기존 매칭 시스템에서 매칭기준으로 이용되는 항목과 멘토의 자격을 갖는 교사를 대상으로 포커스 그룹 인터뷰[2]를 바탕으로 선정하였다. 선정된 항목은 성별, 멘토링 목적, 학력, 경력, 전공, 나이, 성격 등이다. 매칭 기준이 되는 항목에 대해 교차 분석을 실시한 결과, 순위가<표 4>와 같이 나타났다.
우선, 멘티와 매칭되는 멘토가 멘티의 선호하는 항목에 얼마나 일치하는지 알아보기 위해 각 멘티 /에 대해서, 최고 점수를 받은, 명의 멘토들이 멘티의 매칭 항목 중 각각 몇 개의 항목과 일치하는지 항목의 수를 평균으로 구한다. 알고리즘별로 실제로 어느 정도 일치하는지 측정할 필요.
이 장에서는 개인선호도 기반의 3가지 추천 알고리즘을 제안한 후, 기존의 알고리즘과 함께 제안한 알고리즘의 효율성에 대해서 분석한다. 본 논문에서 가정하고 있는 매칭의 절차는 다음 <그림 3>과 같다.
이 절에서는 2장에서 소개한 멘토넷과 비서직 멘토링 시스템의 매칭을 위한 추천 알고리즘들을 제안한 알고리즘들과 함께 비교, 분석한다. 기존의 알고리즘과 제안한 알고리즘은 유사한 매칭 항목별 가중치를 사용하기 때문에 비교.
이 절에서는 개인선호도 기반의 3가지 멘토/멘티 추천 알고리즘을 제안한다. 제안하는 알고리즘은 연구 [19]를 기반으로 한다.
본 논문은 e-멘토링 시스템에서 매칭에 대한 효율성을 높이는데 목적이 있다. 이를 위해 여러 멘토링 시스템에서 매칭이 어떻게 이루어지고 있는지 사례를 분석한.다.
또한, 매칭을 위한 항목을 추출하였다. 자동 매칭을 위한 세가지 추천 알고리즘을 제안하였고 기존의 두 가지 매칭을 위한 추천 알고리즘과 비교 . 분석하였다.
중 - 고등학생 멘티들과 교사 및 대학생인 멘토들이 중요하게 생각하는 멘토링 시스템 구성 요소는 무엇인지 알아보기 위해 본 논문에서 연구 [9]에서 제시한 구성요소를 바탕으로 컨조인트분석을 실시하였다. 설문 조사대상자는<표 2> 와 같으며 사전에 조사 대상자들에게 e-멘토링 시스템에 대한 충분한 이해가 되도록 멘토링 자료를 주고 예시를 들어 설명하였다.
대상 데이터
후원자 등 선배 여성인 멘토와 여고생, 여대생. 성인 여성인 멘티를 대상으로 한다[11]. 매칭은 멘티, 멘토 신청 정보를 바탕으로경력, 희망 분야, 지역, 나이를 고려하여 관리자가 일대일 또는 그룹으로 연결해준다.
본 논문에서는 멘토/멘티 개인의 선호도를 기반으로 한 매칭이 되고, 제안하는 추천 알고리즘과 기존의 추천 알고리즘을 비교하기 위하여 멘토/멘티를 대상으로 매칭 항목들의 순위를 조사하였다. 전체적인 설문 항목은 기존 매칭 시스템에서 매칭기준으로 이용되는 항목과 멘토의 자격을 갖는 교사를 대상으로 포커스 그룹 인터뷰[2]를 바탕으로 선정하였다. 선정된 항목은 성별, 멘토링 목적, 학력, 경력, 전공, 나이, 성격 등이다.
데이터처리
기존의 알고리즘과 제안한 알고리즘은 유사한 매칭 항목별 가중치를 사용하기 때문에 비교. 분석이가능하다.
다음은 각 알고리즘별로 멘티들이 각 멘토를 제대로 차이를 두어 선별할 수 있게 해주는지를 살피기 위해 멘토 점수를 토대로 이원 분산분석을 실시하였다. 그 결과<표 12>와 같이 모든 알고리즘들은 제대로 멘토를 선별하였다.
3장에서는 멘토와 멘티의 선호도를 조사한다、이를 바탕으로 4장에서 개인 선호도 기반의 추천 알고리즘을 제안한다. 제안한 알고리즘과 기존의 알고리즘을 비교. 분석한다.
이론/모형
멘토와 매칭이 가능하면 추천을 완료하나, 그렇지 않으면 다음 점수가 높은 멘토를 추천하게 된다. 본 논문에서 추천을 위한 가중치 점수는 기존의 연구[24]에서 사용하고 있는 가중치를 사용하였고, 우선순위에 따라 차등 부여 하였다. 1순위는 40, 2 순위는 30, 3 순위는 25, 4순위는 6점으로 각각 부여하였다.
추천 알고리즘을 제안한다. 제안하는 알고리즘은 연구 [19]를 기반으로 한다. 하지만, 알고리즘의 가중치와 알고리즘의 분석방법에 차이를 가진다.
성능/효과
분석하였다. 그 결과 개인선호도를 반영하는 매칭 알고리즘에서 비교 항목수가 많을수록 멘티와 매칭되는 멘토의 수가 줄어들어 관리자의 역할 부담을 줄일 수 있게 되었다. 그리고 멘티나 멘토 한쪽의 선호도만 고려한 알고리즘보다 양쪽의 선호도를 고려한 알고리즘이 멘티, 멘토의 선호도 항목 간 일치도가 높게 나타났다.
그 결과 개인선호도를 반영하는 매칭 알고리즘에서 비교 항목수가 많을수록 멘티와 매칭되는 멘토의 수가 줄어들어 관리자의 역할 부담을 줄일 수 있게 되었다. 그리고 멘티나 멘토 한쪽의 선호도만 고려한 알고리즘보다 양쪽의 선호도를 고려한 알고리즘이 멘티, 멘토의 선호도 항목 간 일치도가 높게 나타났다.
<표 9>와 같이 멘티의 선호도와 매칭된 멘토의 일치하는 항목 수인 일치도에 대한 평균 E, 를 보면 멘토/덴티의 개인선호도를 반영한 Aeo4p가 가장 높았다. 또한, Amn의 일치도는 매칭 항목의 개수가 같은 Ae5p보다 높았으나 일치 값의 평균을 살펴보면, 비교항목이 4인 Ae 4p보다 떨어짐을 알 수 있.다.
단圣을고려하고 설문지 분석 자료를 바탕으로 매%을위한 멘토/멘티 추천 앝고리즘을 제안한다. 마지막으로, 제안한 알고리즘을 기존의 알고리즘과 함께 정교성, 일치성, 다양성 측면에서 분석을 실시하여 제안한 알고리즘의 효율성을 증명한다.
반면, 일치갔 평균은 Ae5p가 가장 높게 나타났다. 실험 결과 모든 알고리즘에서 멘티의 멘토에 대한 일치도에 비해 멘토의 멘티에 대한 일치도가 높게 나타났다. 일치값 평 균에 대 해<표 10>과 같이 As 를 제외한 나머지 알고리즘에서 멘토는 멘티들에 대해 유사한 값을 부여한 반면, <표 9>와 같이멘티는 멘토들에 대해서 많은 차이를 가졌다.
이 표를 보면 멘토/멘티 양쪽의 선호도가 반영된 알고리즘일수록, 개인선호도 항목의 비교개수가 많은 알고리즘일수록 정교성, 일치성, 다양성이 높게 나타났다.
후속연구
본 논문에서는 멘토링을 직접 실시하여 알고리즘에 대한 멘토/멘티의 반응은 살피지 못하였다. 향후 본 논문의 결과를 바탕으로 실제 멘토링을 진행해보고 알고리즘의 만족도를 알아보는 연구를 진행할 예정이다. 또한, 본 논문에서는 매칭 항목에 대한가중치 점수를 기존의 알고리즘에서 채택했던 방식으로 부여하였다.
실제 정확한 가중치를 찾아내는 연구도 역시 중요한 연구라 하겠다. 향후에는 매칭 항목의 선별뿐만 아니라 매칭을 가장 성공적으로 이끌 수 있는. 가중치를 발견하는 인구를 진행할 예정이다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.