[논문]데이터마이닝을 활용한 이직의도와 조직몰입의 결정요인에 대한 연구

최영준; 심원술; 백승현

doi:10.9709/jkss.2014.23.1.021

데이터마이닝을 활용한 이직의도와 조직몰입의 결정요인에 대한 연구
A Study of The Determinants of Turnover Intention and Organizational Commitment by Data Mining 원문보기

한국시뮬레이션학회논문지 = Journal of the Korea Society for Simulation, v.23 no.1, 2014년, pp.21 - 31

최영준 (한양대학교 일반대학원 전략경영학과) , 심원술 (한양대학교 일반대학원 전략경영학과) , 백승현 (한양대학교 일반대학원 전략경영학과)

초록
AI-Helper

본 논문에서는 조직관련 변수들의 연구를 위해 이직의도와 조직몰입을 목표(종속)변수로서 데이터마이닝 시뮬레이션을 실시하여 접근 방법을 찾고 분석결과 도출을 목적으로 하였다. 데이터마이닝 분석방법 중 CART 앙상블 기법을 활용하였다. 자료는 한국직업능력개발원의 인적자본기업패널조사 1차~3차(2005~2009)데이터를 사용하였다. 조직몰입 변수는 다항목 측정 사항에 대해 신뢰성, 단일차원성 검토를 실행 후 합산척도 변수를 생성하여 분석하였다. 본 연구 결과는 다음과 같다. 첫째, 이직의도에 대한 주요 결정요인은 신뢰, 커뮤니케이션, 인재 중시 풍조 아이템으로 나타났다. 둘째, 조직몰입에 대한 주요 결정요인은 신뢰, 근속기간, 혁신, 커뮤니케이션 아이템으로 나타났다. 데이터마이닝 방법의 CART 앙상블 방법으로 Bagging과 Arcing 알고리즘을 적용한 결과 Arc-x4 방법이 매우 높은 결정계수를 나타낸 시나리오를 추출했다. 본 연구에서는 데이터마이닝 방법 중 하나인 CART 앙상블 시뮬레이션을 통해 최대치의 결정계수, 최소치의 오류를 산출한 시나리오 모델을 도출하고 실무적 시사점을 제시하였으며 한계점 및 향후 연구에 대해 논의되었다.

Abstract ▼ AI-Helper

In this article, data mining simulation is applied to find a proper approach and results of analysis for study of variables related to organization. Also, turnover intention and organizational commitment are used as target (dependent) variables in this simulation. Classification and regression tree (CART) with ensemble methods are used in this study for simulation. Human capital corporate panel data of Korea Research Institute for Vocation Education & Training (KRIVET) is used. The panel data is collected in 2005, 2007, and 2009. Organizational commitment variables are analyzed with combined measure variables which are created after investigation of reliability and single dimensionality for multiple-item measurement details. The results of this study are as follows. First, major determinants of turnover intention are trust, communication, and talent management-oriented trend. Second, the main determining factors for organizational commitment are trust, the number of years worked, innovation, communication. CART with ensemble methods has two ensemble CART methods which are CART with Bagging and CART with Arcing. Comparing two methods, CART with Arcing (Arc-x4) extracted scenarios with very high coefficients of determination. In this study, a scenario with maximum coefficient of determinant and minimum error is obtained and practical implications are presented. Using one of data mining methods, CART with ensemble method. Also, the limitation and future research are discussed.

주제어

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

가설 설정

』라고 질문한 문항이다. 둘째, OC_02 항목은 『회사를 떠난다면 많은 것을 잃게 될 것이다.』라고 질문한 문항이다.
본 연구에서 목표변수로 설정된 이직의도는 조건에 대해 한정시킨 “현재보다 더 좋은 조건 제시의 경우”를 가정하는 이직의도 아이템이다.
따라서 종단적 연구모형을 설계하고 분석할 것이다. 셋째, 이직의도와 관련된 주요 예측 아이템을 도출할 것이다. 과거 연구에서 이직의도는 변수들과의 분석 결과에서 통찰력(insight)을 제공하지 못하고 있다.

제안 방법

70 이상으로 모두 양호하게 나타났다. HCCP 데이터의 개별 항목들을 합산척도(summated scales)로 생성하기 위해 각 구성개념(construct) 별 주성분분석(principal component analysis)을 실시하였다. 주성분분석 결과 2007년 조직몰입 변수의 추출제곱합적재값(Extraction sums of squared loadings)은 전체 2.
T개의 부트스트랩 표본에 대해서 분류자 C1····· , CT를 계산한다.
R²가 높을수록 회귀모형은 설명력이 커지며 예측력이 커진다^[15]. 따라서 SPM 분석을 통한 알고리즘별(Bagging, Arc-x4) 결과에서는 결정계수 모델의 정확도를 높이기 위해 RMSE 수치가 최소값인 모델을 선정하였다.
둘째, 조직몰입의 종단적(longitudinal) 연구는 그 양이 충분하지 않다. 따라서 종단적 연구모형을 설계하고 분석할 것이다. 셋째, 이직의도와 관련된 주요 예측 아이템을 도출할 것이다.
본 연구에서는 각 목표변수(Y)의 상대적 중요도 결과를 분석하기 위해 예측변수(Predictors: X_i...X_k, Categorical: X_i...X_k,)를 선택하고 분석되었다. 두 개의 목표변수(TI, OC)는 통합 데이터에서 Y변수에 해당하여 서로의 X변수에서 각각 제거(deleted) 후 분석되었다.
. 본 연구에서는 데이터 앙상블 기법의 ROC그래프 축에 대한 민감도(X)와 1-특이도(Y)를 설정하고 예측 성공 테이블을 선택한 환경 하에서 분석을 실시하였다.
본 연구에서는 앙상블 방법의 Arcing 항목을 선택하고 가지치기 방법에서는 교차타당성 10회 가지치기 검정 방법을 선택하였다. 세부 보고 항목에서는 1차 트리모형, 앙상블 트리모형, 반복사례를 선택한 환경 하에서 분석을 실시하였다.
본 연구에서는 앙상블 방법의 Bagging 항목을 선택하고 가지치기(pruning) 방법에서는 교차타당성(cross-validity) 10회 가지치기 검정 방법을 선택하였다. 세부 보고(report detail) 항목에서는 1차(initial) 트리모형, 앙상블 트리모형, 반복사례를 선택한 환경 하에서 분석을 실시하였다.
포괄 탐색(exhaustive search)을 이용하여 분류변수와 분류집합의 선택을 동시에 결정한다. 분류는 부모노드보다 각각의 자식노드간 불순도의 차이가 뚜렷하게 나타나는 방법을 제안하였다. 즉 범주형 반응변수인 경우 지니 지수, 엔트로피 지수, Twoing 기준을 사용한다.
본 연구에서는 앙상블 방법의 Arcing 항목을 선택하고 가지치기 방법에서는 교차타당성 10회 가지치기 검정 방법을 선택하였다. 세부 보고 항목에서는 1차 트리모형, 앙상블 트리모형, 반복사례를 선택한 환경 하에서 분석을 실시하였다. 또한 Arcing 알고리즘의 여러 가지 종류 중오분류 경향을 개선한 Arc-x4의 방법에 따라 Arcing 분석의 지수(exponent)는 4로 설정하고 분석되었다.
본 연구에서는 앙상블 방법의 Bagging 항목을 선택하고 가지치기(pruning) 방법에서는 교차타당성(cross-validity) 10회 가지치기 검정 방법을 선택하였다. 세부 보고(report detail) 항목에서는 1차(initial) 트리모형, 앙상블 트리모형, 반복사례를 선택한 환경 하에서 분석을 실시하였다.
오분류(misclassification)의 비율을 최소화하기 위해 년도별 데이터에서 각각 결측치(missing data)를 제거하였다. 결측 제거 후 2005년 데이터는 총 77개의 변수에 대한 13101개의 표본이 활용되었다.
지금까지 본 논문에서는 데이터마이닝의 의사결정나무기법 중 CART 앙상블 기법의 알고리즘들을 활용 시뮬레이션 하여 목표변수의 분석을 실시하고 그 과정을 살펴보았다. 일반적으로 과학철학(philosophy of science)인 논리경험주의(logical empiricism)는 경험론(empiricism)과 합리론(rationalism)을 토대로 하는 것으로 볼 수 있다.

대상 데이터

결측 제거 후 2005년 데이터는 총 77개의 변수에 대한 13101개의 표본이 활용되었다. 2007년 데이터는 81개의 변수에 대한 11474 표본, 2009년 데이터는 87개의 변수에 대한 10020 표본이 분석대상으로 사용되었다.
본 연구는 한국직업능력개발원의 인적자본기업패널 「HCCP: Human Capital Corporate Panel, 이하 HCCP)」데이터를 사용하였다. HCCP 데이터는 한국의 기업이 지닌 인력의 양적 ･질적 수준을 파악하고, 기업 내에서 인적자원을 축적해가는 과정과 내용을 파악하기 위하여 한국직업능력개발원 주관으로 2005년부터 수집하였다. 그 후 동일 기업을 격년(2년) 단위로 추적하는 중장기 패널조사로 되었다^[28].
오분류(misclassification)의 비율을 최소화하기 위해 년도별 데이터에서 각각 결측치(missing data)를 제거하였다. 결측 제거 후 2005년 데이터는 총 77개의 변수에 대한 13101개의 표본이 활용되었다. 2007년 데이터는 81개의 변수에 대한 11474 표본, 2009년 데이터는 87개의 변수에 대한 10020 표본이 분석대상으로 사용되었다.
변수 선정 시 훈련데이터를 사용하여 테스트를 실시하고 선정하였다. 종속변수 항목은 Table 3 목표변수(Target Variables)와 같이 구성되어 있다.
본 연구는 한국직업능력개발원의 인적자본기업패널 「HCCP: Human Capital Corporate Panel, 이하 HCCP)」데이터를 사용하였다. HCCP 데이터는 한국의 기업이 지닌 인력의 양적 ･질적 수준을 파악하고, 기업 내에서 인적자원을 축적해가는 과정과 내용을 파악하기 위하여 한국직업능력개발원 주관으로 2005년부터 수집하였다.

데이터처리

본 연구에서 사용한 목표변수에 대한 신뢰성은 크론바흐 알파(cronbach’s α coefficient) 값으로 검증하였다.

이론/모형

이직의도와 조직몰입의 결정요인을 분석하는데 Salford Predictive Modeler (이하 SPM) 7.04 버전을 활용하였다. SPM은 Salford Systems (S/W 개발업체)에서 개발 ･보급하는 상용 소프트웨어로서 데이터 시나리오 예측 분석과 미래사건의 시뮬레이션 용도에 적합하다.

성능/효과

Table 5 결정계수(Coefficient of Determination)는 RMSE 수치가 가장 낮은 값으로 나타난 모형의 결정계수를 보여준다. B모드와 비교하여 A모드의 R² 수치가 모든 모델에서 높게 나타났다(Bagging, Arcing 알고리즘에 대해서는 3.3 앙상블 참고). 이직의도 변수의 2005년을 제외하고 나머지 분석 모델에서는 R² 수치가 모두 .
000으로 매우 양호한 결과가 나타났다. 각 목표변수와 시점에 대한 모델 중 종합적으로 분석결과가 가장 적합한 모델은 목표변수 조직몰입의 2007년으로 A모드에서 R²는 .999, 769개의 노드와 .000의 상대적 오류, RMSE는 .119로 나타났다.
조직몰입과 이직의도와 직결되는 기업의 비용효율성에 대한 시나리오 설계, 개인의 이직 전환비용 혹은 생산성 변동량에 대한 시나리오 설계가 필요하다. 둘째, 데이터마이닝 시뮬레이션에 적합한 하드웨어(분석 데이터규모를 허용할 수 있는)와 분석도구(프로그램)를 사전에 철저히 준비해야 한다. 셋째, 조직관련 변수 설정에서 조직구성원의 몰입이 팀에 해당하는 몰입인지, 조직에 몰입하는 경우인지를 구분하며 연구해야 할 것이다.
인재 중시 풍조와 인적자원개발(교육) 관련 다수의 아이템이 두드러지며 변화했다. 둘째, 조직몰입에 대한 결정요인 주요 아이템은 신뢰, 혁신, 근속기간, 커뮤니케이션 순으로 나타났다. Fig.
본 연구의 2009년 중요도 점수 결과에서 기업들은 위기를 극복하려 이직률을 낮추고 관리하기 위해 인재의 중요성이 부각되고 교육(인적자원개발) 아이템이 높은 중요도 점수로 분석되었다. 따라서 본 연구의 데이터마이닝 시뮬레이션의 직접적인 결과인 각 년도별 결과 아이템과 추세는 간접적 자료인 외부기관 조사자료와 비교분석한 결과 연구의 직접결과와 외부 간접결과들은 연속성을 나타내고 있음을 파악할 수 있다.
본 연구의 2009년 중요도 점수 결과에서 기업들은 위기를 극복하려 이직률을 낮추고 관리하기 위해 인재의 중요성이 부각되고 교육(인적자원개발) 아이템이 높은 중요도 점수로 분석되었다. 따라서 본 연구의 데이터마이닝 시뮬레이션의 직접적인 결과인 각 년도별 결과 아이템과 추세는 간접적 자료인 외부기관 조사자료와 비교분석한 결과 연구의 직접결과와 외부 간접결과들은 연속성을 나타내고 있음을 파악할 수 있다.
따라서 가지치기를 수행할 경우 노드의 수는 줄어들고 상대적 오류 또한 감소한다. 상대적 오류(relative error) 분석 결과에서도 B모드보다 A모드가 모두 낮게 나타났으며 이직의도 변수의 2005년을 제외한 나머지 모델에서는 .001~.000으로 매우 양호한 결과가 나타났다. 각 목표변수와 시점에 대한 모델 중 종합적으로 분석결과가 가장 적합한 모델은 목표변수 조직몰입의 2007년으로 A모드에서 R²는 .
』라고 질문한 문항이다. 셋째, OC_03 항목은 『회사에 충성할 만한 가치가 있다.』라고 문한 문항이다.
둘째, 데이터마이닝의 기법을 활용하고 있으나 대규모 용량의 데이터마이닝 시뮬레이션과 분석 전용 하드웨어를 활용하지 않아 미처 발견하지 못한 기술적 오류가 포함되어 있을 수 있다. 셋째, 조직적 관점에서 데이터베이스의 한계로 측정수준(level of measurement)이 고려되지 않았다. 리더와 조직구성원의 결과 차이, 개인과 그룹(팀, 조직)의 차이, 조직과 조직 간의 차이를 고려하여 분석되지 않았다.
HCCP 데이터의 개별 항목들을 합산척도(summated scales)로 생성하기 위해 각 구성개념(construct) 별 주성분분석(principal component analysis)을 실시하였다. 주성분분석 결과 2007년 조직몰입 변수의 추출제곱합적재값(Extraction sums of squared loadings)은 전체 2.109 분산은 70.317% 설명력을 보였으며 2009년 조직 몰입 변수의 추출제곱합 적재값은 전체 2.165 분산은 72.163% 설명력을 나타내고 있다. 주성분 분석 결과를 통해 하나의 주성분(one principal component)으로 묶이게 되어 단일차원성(unidimensionality)을 충족시킨다.
Table 3에 사용된 목표변수 조직몰입에 대한 각각의 항목은 다음과 같다. 첫째, OC_01 항목은 『나는 이 회사의 문제를 내 문제처럼 느낀다.』라고 질문한 문항이다.
일반적으로 의사결정나무 분석법에서 사용되는 단일 분류자(single classifier)를 통한 분석은 다음과 같은 단점을 갖고 있다. 첫째, 데이터가 조금이라도 변하는 경우 모델이 쉽게 변한다. 둘째, 연속형 변수를 비연속적인 값으로 취급하여 분리의 경계 근방에서 예측오차가 높아질 가능성이 있다.
본 연구의 한계점은 다음과 같다. 첫째, 본 데이터마이닝 시뮬레이션 결과는 2차 자료 데이터의 10000~14000개의 표본을 바탕으로 실시한 분석으로 2차 자료 내용의 이해와 결과 해석에 유의해야 한다. 둘째, 데이터마이닝의 기법을 활용하고 있으나 대규모 용량의 데이터마이닝 시뮬레이션과 분석 전용 하드웨어를 활용하지 않아 미처 발견하지 못한 기술적 오류가 포함되어 있을 수 있다.
본 논문에서 데이터마이닝 시뮬레이션을 통해 제공하는 시사점은 다음과 같다. 첫째, 이직의도에 대한 결정요인은 신뢰, 커뮤니케이션, 인재중시 풍조로 나타났다. 커뮤니케이션 아이템은 2005년부터 점차 확대되는 점수로 나타났으며 신뢰는 다수의 아이템에서 하나의 아이템으로 축소되는 추세가 나타났다.

후속연구

첫째, 본 데이터마이닝 시뮬레이션 결과는 2차 자료 데이터의 10000~14000개의 표본을 바탕으로 실시한 분석으로 2차 자료 내용의 이해와 결과 해석에 유의해야 한다. 둘째, 데이터마이닝의 기법을 활용하고 있으나 대규모 용량의 데이터마이닝 시뮬레이션과 분석 전용 하드웨어를 활용하지 않아 미처 발견하지 못한 기술적 오류가 포함되어 있을 수 있다. 셋째, 조직적 관점에서 데이터베이스의 한계로 측정수준(level of measurement)이 고려되지 않았다.
둘째, 데이터마이닝 시뮬레이션에 적합한 하드웨어(분석 데이터규모를 허용할 수 있는)와 분석도구(프로그램)를 사전에 철저히 준비해야 한다. 셋째, 조직관련 변수 설정에서 조직구성원의 몰입이 팀에 해당하는 몰입인지, 조직에 몰입하는 경우인지를 구분하며 연구해야 할 것이다. 조직 구성원의 이직의도와 기업이 이직에 대비할 수 있는 이직방지 프로그램과 연결되는 연구, 집단적(팀, 그룹)으로 이직하려는 의도와 실제 집단적 이직이 발생하는 과정, 개인들이 이직의도에서 이직행동으로 연결되는 세부과정에 대한 연구를 고려해야 할 것이다.
셋째, 조직관련 변수 설정에서 조직구성원의 몰입이 팀에 해당하는 몰입인지, 조직에 몰입하는 경우인지를 구분하며 연구해야 할 것이다. 조직 구성원의 이직의도와 기업이 이직에 대비할 수 있는 이직방지 프로그램과 연결되는 연구, 집단적(팀, 그룹)으로 이직하려는 의도와 실제 집단적 이직이 발생하는 과정, 개인들이 이직의도에서 이직행동으로 연결되는 세부과정에 대한 연구를 고려해야 할 것이다.
따라서 본 연구의 목적은 다음과 같다. 첫째, 기존 이직 의도 및 조직몰입 연구와 차별화된 데이터 기반 방법으로 조직관련 변수들을 목표로 접근하는 CART 시뮬레이션을 실행할 것이다. 둘째, 조직몰입의 종단적(longitudinal) 연구는 그 양이 충분하지 않다.

질의응답

핵심어	질문	논문에서 추출한 답변
	이직이란 무엇인가?	이직(turnover)이란 고용되어 있던 조직에서 구성원이 그 외부로 분리되어 나가는 것으로 정의되고 있으며(Hom, 2011)[8] Table 1과 같이 외부 관련 요인(External Correlates), 작업관련 요인(Work-related correlates), 개인적 요인 (Personal Correlates)으로 세 개의 요인으로 구분된다. 또한 이직으로 인한 비용은 비싸다[6].
	조직몰입은 어떤 행위적인 형태로 나타나는가?	조직몰입은 다음과 같은 세 가지의 행위적인 형태로 나타난다. 첫째, 조직의 목표와 가치에 대한 강한 신뢰와 수용, 둘째, 조직을 위해 열심히 노력하고자 하는 의지, 셋째, 계속 조직 구성원으로 남고자 하는 강한 욕구이다[21, 22]. 세부 적으로 조직몰입은 조직에 대한 구성원의 헌신으로 계산적(caculative), 정서적(affective), 그리고 규범적(normative) 몰입으로 구분되어 설명된다.
	이직의 요인은 어떻게 구분되는가?	이직(turnover)이란 고용되어 있던 조직에서 구성원이 그 외부로 분리되어 나가는 것으로 정의되고 있으며(Hom, 2011)[8] Table 1과 같이 외부 관련 요인(External Correlates), 작업관련 요인(Work-related correlates), 개인적 요인 (Personal Correlates)으로 세 개의 요인으로 구분된다. 또한 이직으로 인한 비용은 비싸다[6].

참고문헌 (28)

Allen, N. J., Meyer, J. P., "The Measurement and Antecedents of Affective, Continuance and Normative Commitment to The Organization," Journal of Occupational Psychology, Vol.63, No.1, pp. 1-18, 1991.
Breiman, L., "Bagging Predictor", Machine Learning, Vol. 24, No. 2, pp. 123-140, 1996.
Breiman, L., "Arcing Classifiers." The Annals of Statistics, Vol. 26, No. 3, 801-849, 1998.

상세보기
Cotton, J. L, Tuttle, J. M., "Employee Turnover. A Meta-analysis and Review with Implications for Research", Academy of Management Review, Vol. 11, No. 1, pp. 55-70, 1986.

상세보기
Dan Steinberg, Mikhail Golovnya, CART 6.0 User's Guide Salford Systems, San Diego, pp. 10-16, 2007.
Edward E. Lawler III, "The Design of Effective Reward Systems" J. W. Lorsch(Ed), Handbook of Organizational Behavior, Englewood Cliffs, NJ: Prentice Hall, pp. 255-271, 1987.
Freund, Y., Schapire, R., "Experiments with a New Boosting Algorithm. In Machine Learning: Proceedings of the Thirteenth International Conference (L. Saitta, ed..) SF: Morgan Kaufmann, pp. 148-156, 1996.
Hom, P. W., Organizational Exit. In S, Zedeck (Ed), APA handbook of Industrial and Organizational Psychology, Washington, DC: American Psychological Association. pp. 325-375
Jung, Y. H., "The Study of a Variety of Data Mining Techniques to Improve Performance Based on Ensemble Method", Master Thesis, University of Korea, pp. 5, 2009.
Kim, J. H., "Data Mining Case Study Using Decision Tree Analysis", Master Thesis, Ehwa Womans University, pp. 3-5, 1998.
Koo, J. E., "A Comparative Study of Random Forests", Master Thesis, University of Korea, pp. 2-6, 2010.
Lee, C. Y., "A Study on Comparison for The Methods of Decision Tree: Bagging, Arc-x4", MS Thesis, University of Yonsei, pp. 14-15, 2000.
Lee, S. E., "Psychological Empowerment Enterprise that New Employees Aware of The Impact of Employee Turnover on Research" Master Thesis, University of Korea, pp. 9-14, 2012.
Lee, H. Y., Roh, S. C., "Advanced Statistical Analysis for Theory and Practice", 2nd Edition, Moonwoosa, pp.403-405, 2013.
Lee, H. S., "Regression Analysis for Social Science Research" Jypheonjae, pp. 2-6, 2012.
Macy, B. A, P. H. Mirvis, "A Methodology for Assessment of Quality of Work Life and Organizational Effectiveness in Behavior-Economic Terms." Administrative Service Quarterly Vol. 21 pp. 217-26, 1976.
Mobley, W. H. "Employee Turnover: Causes, Consequences, and Control." Reading, Mass.: Addison-Wesley., 1977.
Mobley, W. H., Griffeth, R. W., Hand, H. H., Meglino, B. M. "Review and Conceptual Analysis of the Employee Turnover Process"., Psychological Bulletin, Vol. 86, No. 3, pp. 493-522, 1979.

상세보기
Michael J. A. Berry, Gordon S. Linoff, Data Mining Techniques for Marketing, Sales, and Customer Relationship Management, 2nd Edition, Wiley Publishing, Indianapolis,pp. 20-21, 2004.
Morrow, P. C., "The Theory and Measurement of Work Commitment" London: Jai Press, pp. 71-108, 1993.
Mowday, R. T., Porter, L. W., Steers, R. M., "Employeeorganizational linkages: The psychology of commitment, absenteeism, and turnover. NY: Academic Press., pp. 21-35, 1982.
Porter, L. W., Steers, R. M. "Organizational, Work, and Personal Factors in Employee Turnover and Absenteeism." Psychological Bulletin, Vol. 80, No. 2, pp. 151-176, 1973.

상세보기
Roh, J. S., Baek, S. H., Jeon, S. G., "Analysis of Relative Importance of HR Practice Using Data Mining Method: Focus on Manufacturing Companies", Journal of The Korea Society for Simulation, Vol. 22, No. 3, pp. 55-69, 2013.

원문보기 상세보기
Seo, J. H., "Team Change and Turnover Intentions: The Role of Team and Organizational Commitment" The Korean Journal for Human Resource Development, Vol. 10, No.3, pp.1-21, 2008.
Smith, K. G., Hitt, M. A., "Great Minds in Management -The Process of Theory Development-" Oxford University Press., pp.171-189, 2007.
Su, X. and T. M. Khoshgoftaar, "A Survey of Collaborative Filtering Techniques", Advances in Artificial Intelligence, 2009.
Federation, K. I., "Employment Trends in 2007 and Recruiting Plans of Major Companies Surveyed", The Federation of Korean Industries., 2007.
KRIVET, "Human Capital Corporate Panel 1st-4th Survey - User Guide -", KRIVET, pp. 1-21., 2013.

저자의 다른 논문 :

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증