시대적 필요와 사회적 요구에 따라 데이터 과학 분야의 전문가로 성장할 수 있는 학생을 선발하기 위한 입학 평가 체계의 구성은 중요하다. 본 연구는 융·복합 역량을 갖춘 인재 선발의 중요성을 고려하여 데이터 과학 분야 대학원 입학 평가 체계를 분석하고, 시사점을 도출하기 위한 목적에서 진행되었다. 목적 달성을 위해 전 세계 대학원 데이터 과학자 과정을 대상으로 총 7개국 22개 대학원을 선정하였다. 선정된 대학원들을 지원 자격, 입학 전 필요 기술, 입학 조건, 선발 방법별로 분석하였다. 분석 결과, 지원 자격은 '최소 학사학위 소지자 또는 학사과정 전공과 관계없이 입학 지원 가능한 학교(63.6%)', 입학 전 필요 기술은 '교육과정 이수에 필요한 입학 전 기술을 명시한 학교(63.6%)', 입학 조건은 '별도 입학 조건이 따로 명시되어 있지 않은 학교(81.8%)', 선발 방법은 '서류 심사로만 학생을 선발하는 학교(68.2%)'가 가장 많았다. 이상을 토대로 본 연구는 데이터 과학자 과정의 결과를 정리하고, 입학 평가를 객관화하기 위한 시사점을 제시하였다.
시대적 필요와 사회적 요구에 따라 데이터 과학 분야의 전문가로 성장할 수 있는 학생을 선발하기 위한 입학 평가 체계의 구성은 중요하다. 본 연구는 융·복합 역량을 갖춘 인재 선발의 중요성을 고려하여 데이터 과학 분야 대학원 입학 평가 체계를 분석하고, 시사점을 도출하기 위한 목적에서 진행되었다. 목적 달성을 위해 전 세계 대학원 데이터 과학자 과정을 대상으로 총 7개국 22개 대학원을 선정하였다. 선정된 대학원들을 지원 자격, 입학 전 필요 기술, 입학 조건, 선발 방법별로 분석하였다. 분석 결과, 지원 자격은 '최소 학사학위 소지자 또는 학사과정 전공과 관계없이 입학 지원 가능한 학교(63.6%)', 입학 전 필요 기술은 '교육과정 이수에 필요한 입학 전 기술을 명시한 학교(63.6%)', 입학 조건은 '별도 입학 조건이 따로 명시되어 있지 않은 학교(81.8%)', 선발 방법은 '서류 심사로만 학생을 선발하는 학교(68.2%)'가 가장 많았다. 이상을 토대로 본 연구는 데이터 과학자 과정의 결과를 정리하고, 입학 평가를 객관화하기 위한 시사점을 제시하였다.
Organizing entrance evaluation system for selecting students who can become expert in data science field according to need of the age and social demand is important. This study was conducted for the purpose of analyzing data science field graduate school entrance evaluation system and deriving impli...
Organizing entrance evaluation system for selecting students who can become expert in data science field according to need of the age and social demand is important. This study was conducted for the purpose of analyzing data science field graduate school entrance evaluation system and deriving implications after taking into account the importance of talents possessing convergence competency. For this aim, a total of 22 graduate schools in 7 countries have been selected targeting data scientist postgraduate program around the world. The selected graduate schools have been analyzed based on qualifications, necessary skills prior to entrance, entrance conditions, and selection methods. As a result of the analysis, 'graduate school which I can apply for regardless of possessing undergraduate degree or undergraduate major (63.6 percent)' in qualifications category, 'graduate school which mentioned skills required in completing master's degree prior to entrance (63.6 percent)' in skills required prior to entrance category, 'graduate school which does not mention separate entrance condition (81.8 percent)' in entrance conditions category, and 'graduate school selecting students merely based on document screening (68.2 percent)' in selection methods category took the highest portion. Based on the above, this study summarized the results of the data scientist process and suggested implications for objectifying admission evaluation.
Organizing entrance evaluation system for selecting students who can become expert in data science field according to need of the age and social demand is important. This study was conducted for the purpose of analyzing data science field graduate school entrance evaluation system and deriving implications after taking into account the importance of talents possessing convergence competency. For this aim, a total of 22 graduate schools in 7 countries have been selected targeting data scientist postgraduate program around the world. The selected graduate schools have been analyzed based on qualifications, necessary skills prior to entrance, entrance conditions, and selection methods. As a result of the analysis, 'graduate school which I can apply for regardless of possessing undergraduate degree or undergraduate major (63.6 percent)' in qualifications category, 'graduate school which mentioned skills required in completing master's degree prior to entrance (63.6 percent)' in skills required prior to entrance category, 'graduate school which does not mention separate entrance condition (81.8 percent)' in entrance conditions category, and 'graduate school selecting students merely based on document screening (68.2 percent)' in selection methods category took the highest portion. Based on the above, this study summarized the results of the data scientist process and suggested implications for objectifying admission evaluation.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
따라서 본 연구는 대학의 컴퓨터 과학 및 데이터 과학의 관점으로 범위를 한정하고, 대학원 입학에 진행되는 평가 체계를 분석하고자 하였다. 분석을 토대로 데이터 과학자 과정의 입학을 위한 평가 체계에 대한 시사점을 도출하기 위한 목적으로 진행되었다.
데이터 과학자는 하나의 정보가 아닌 개인이 경험하고 사회를 통해 상호 성장해 가는 생명, 사회, 기계적 측면의 모든 정보를 적절한 맥락 속에서 분석하고 예측하는 일을 한다[45][46][47]. 본 연구는 7개국 22개 대학원의 데이터 과학자 양성을 위한 입학 평가 현황을 분석하고 논의하였다. 따라서 향후에는 본 연구의 논의를 토대로 보다 구체적인 입학 평가 체계를 구성하고 타당화해 가야 할 것이다.
본 연구는 데이터 과학자를 양성하는 대학원 입학과 관련한 평가 체계 분석을 통해 입학 평가 체계 구성의 시사점을 제공하기 위한 목적에서 진행되었다. 7개국 22개 대학원의 일반 현황은 [표 6]과 같다.
본 연구는 역량 있는 인재 선발의 중요성을 고려하여 대학원 데이터 과학자 과정의 입학 평가 체계를 분석하고, 시사점을 제공하기 위한 목적으로 진행되었다. 목적 달성을 위해 전 세계 7개국 22개 대학원을 대상으로 컴퓨터 과학 분야 대학원생 요구 역량, 분석 대상 대학원의 일반적 현황 및 대학원 입학과 관련한 평가 체계를 분석하였다.
본 연구는 입학 평가 체계가 역량 있는 인재로의 성장 가능성을 잘 식별할 수 있도록 구성되어야 하는 중요성을 고려하였다[8]. 대학원 입학 등과 관련된 연구는 종합적인 입학 기준[9][10][11], GRE, GMAT, 대학 성적 등 특정 입학 평가 도구[12][13] 등으로 구분할 수 있다.
더불어 데이터 과학자 과정 지원자나 입학자 대상의 평가를 위한 평가 문항 개발, 타 분야의 대학원 입학을 위한 평가 체계 분석 등의 연구가 계속되어야 할 것이다. 본 연구는 최근 각 분야에서 필요로 하는 데이터 과학자를 양성하기 위한 발판이 되는 데이터 과학자 대학원 과정과 관련된 내용을 분석하고 시사점을 제안했다는 데 의의가 있다.
목적 달성을 위해 전 세계 7개국 22개 대학원을 대상으로 컴퓨터 과학 분야 대학원생 요구 역량, 분석 대상 대학원의 일반적 현황 및 대학원 입학과 관련한 평가 체계를 분석하였다. 본 연구의 관련 연구 분석 및 대학원의 입학 평가 체계에 대한 분석 결과를 토대로 논의하기 위해 [표 11]을 제시하였다. 즉, [표 11]은 연구 결과를 정리하고, 논의하기 위한 관점으로 구성되었다.
본 연구의 목적은 데이터 과학자를 양성하는 대학원의 입학을 위해 어떤 평가 체계를 갖추어야 하는지에 대한 시사점을 제공하기 위한 것이다. 목적 달성을 위한 연구의 절차는 다음과 같이 진행되었다.
따라서 본 연구는 대학의 컴퓨터 과학 및 데이터 과학의 관점으로 범위를 한정하고, 대학원 입학에 진행되는 평가 체계를 분석하고자 하였다. 분석을 토대로 데이터 과학자 과정의 입학을 위한 평가 체계에 대한 시사점을 도출하기 위한 목적으로 진행되었다. 본 연구에서 다루는 입학 평가 체계에 대한 논의를 통해 교육과정을 통한 역량 증진의 가능성을 높이는데 기여할 수 있을 것이다.
이에 본 연구는 대학원 입학 관련 역량을 ‘특정 역량을 요구하는 일을 수행하는데, 교육적, 직업적 측면에서 지식, 기술, 태도를 활용할 수 있는 능력’이라고 정의하고자 한다.
관련 연구 분석 결과를 토대로 본 연구는 대상 대학원들을 분석할 분석 틀을 구성하였다. 이전의 연구는 입학 프로세스(process)가 효과적이고 공정한 의사 결정에 따를 수 있도록 설계하는 것을 목적으로, 품질 경영 시스템과 의사결정 관점에서 입학 프로세스의 품질 향상에 집중했다면, 본 연구는 역량 향상을 위해 요구되는 관점을 고려하여 입학에 대한 평가 체계를 구성하기 위한 방안을 마련하고자 하였다.
가설 설정
석사학위 과정은 고급 전문직 양성 및 재교육 기능이 강한 반면, 박사학위 과정은 학자 양성이 목적인 경우가 많다[40][41]. 따라서 각 학제에 따라 요구되는 역량이 다를 것을 상정하였다. 교육목표는 역량에 대한 학습 성과 평가의 준거가 될 수 있으며[31], 수업연한은 학생들이 목표로 하는 역량을 갖출 수 있는 기간과 관련이 있음을 고려하였다[42].
제안 방법
관련 연구 분석 결과를 토대로 본 연구는 대상 대학원들을 분석할 분석 틀을 구성하였다. 이전의 연구는 입학 프로세스(process)가 효과적이고 공정한 의사 결정에 따를 수 있도록 설계하는 것을 목적으로, 품질 경영 시스템과 의사결정 관점에서 입학 프로세스의 품질 향상에 집중했다면, 본 연구는 역량 향상을 위해 요구되는 관점을 고려하여 입학에 대한 평가 체계를 구성하기 위한 방안을 마련하고자 하였다.
타 전공 학생의 경우, 대학원 입학을 제한하지 않고, 입학한 이후에 해당 지식을 습득하도록 할 수 있다. 구체적으로 선수내용을 이수한 경우, 바로 대학원 과정을 진행하도록 하거나 대학원 과정에서 해당 지식을 이수해야 졸업할 수 있도록 하는 방법을 구안한다.
데이터 과학 분야 대학원 입학 평가 체계를 분석하기 위하여 대학원생에게 요구되는 역량을 중심으로 대학원 등의 평가 체계를 분석하고, 데이터 과학자 과정에 대한 연구를 논의하였다.
분석 결과, 각 대학원에서 제공하는 정보들 중 데이터 과학자 과정의 특징을 공통적으로 설명하는 지원 자격, 입학 조건, 입학 전 필요 기술, 선발 방법을 분석 범주로 구성하였다. 도출된 분석 범주의 세부적인 분석 내용은 공개 자료를 분석한 후, 귀납적으로 분류하였다. 분류된 자료는 SPSS를 이용하여 빈도 분석을 실시하였다.
본 연구는 역량 있는 인재 선발의 중요성을 고려하여 대학원 데이터 과학자 과정의 입학 평가 체계를 분석하고, 시사점을 제공하기 위한 목적으로 진행되었다. 목적 달성을 위해 전 세계 7개국 22개 대학원을 대상으로 컴퓨터 과학 분야 대학원생 요구 역량, 분석 대상 대학원의 일반적 현황 및 대학원 입학과 관련한 평가 체계를 분석하였다. 본 연구의 관련 연구 분석 및 대학원의 입학 평가 체계에 대한 분석 결과를 토대로 논의하기 위해 [표 11]을 제시하였다.
이들의 연구는 대학원 입학생의 선발에서 무엇을 고려해야 하는지에 대한 기준보다는 대학원 교육과정에서 무엇을 가르쳐야 하는지에 대한 시사점을 제공한다고 할 수 있다. 본 연구는 데이터 과학의 근간이 되는 컴퓨터 관련 개념이나 이론, 통계적인 측면을 포함하였다. 데이터를 다루는 분야이기 때문에 컴퓨터 과학에서 중요하게 고려되는 데이터베이스나 데이터 프로세싱 등을 고려하였다.
본 연구는 분석 틀 구성을 위해 분석 기준을 범주화하였다. 즉, 대학원에서 입학 지원자에게 제공하고 있는 공통 정보를 탐색하고, 모든 학교에서 제공하고 있는 정보에 근거하였다.
즉, 대학원에서 입학 지원자에게 제공하고 있는 공통 정보를 탐색하고, 모든 학교에서 제공하고 있는 정보에 근거하였다. 분석 결과, 각 대학원에서 제공하는 정보들 중 데이터 과학자 과정의 특징을 공통적으로 설명하는 지원 자격, 입학 조건, 입학 전 필요 기술, 선발 방법을 분석 범주로 구성하였다. 도출된 분석 범주의 세부적인 분석 내용은 공개 자료를 분석한 후, 귀납적으로 분류하였다.
본 연구는 분석 틀 구성을 위해 분석 기준을 범주화하였다. 즉, 대학원에서 입학 지원자에게 제공하고 있는 공통 정보를 탐색하고, 모든 학교에서 제공하고 있는 정보에 근거하였다. 분석 결과, 각 대학원에서 제공하는 정보들 중 데이터 과학자 과정의 특징을 공통적으로 설명하는 지원 자격, 입학 조건, 입학 전 필요 기술, 선발 방법을 분석 범주로 구성하였다.
분석한 연구를 정리하면, 입학 도구 타당성에 관한 연구가 주로 이루어졌으며, 입학 프로세스에 대한 전체적인 논의가 부족함을 지적하였다. 즉, 체계성이 부족한 대학원 입학 시스템의 폐쇄성과 모호함을 지적하고, 데이터 기반 접근법의 사용을 주장하였다.
평가 체계는 대학교 교육 전반에 관한 평가 연구와 대학원 입학을 위한 평가를 고려하였다. 평가와 관련된 연구를 진행하면서, 체계(體系)라는 단어를 사용하였다. 체계는 ‘system’으로서 ‘일정한 원리에 따라서 낱낱의 부분이 짜임새 있게 조직되어 통일된 전체’를 의미한다[32].
홍콩과 중국은 ‘한 국가 두 시스템(one country, two systems)’으로서 교육 시스템이 서로 독립적으로 운영되고 있어서 별개의 국가로 분석하였다[37].
대상 데이터
1단계: 본 연구는 미국, 영국(United Kingdom), 캐나다, 호주, 스위스, 홍콩, 싱가포르, 중국, 한국, 일본 등 전 세계 10개 주요 국가를 선정하였다. 홍콩과 중국은 2개 국가로 구분되었다.
1차 분석 결과, QS TOP Universities에서는 12개교가 선정되었다. DSD의 대학은 27개교이다.
2차 분석에서는 DSD 중에 QS와 유사한 형태로 오프라인 수업의 비율이 높은 대학 등을 토대로 최종 10개의 대학원을 선정하였다.
3단계: 2단계까지를 통해 선정된 30개 대학원을 대상으로 학교 웹 사이트에서 제공하는 내용을 통해 1차 분석을 진행하였다. 분석 결과, [표 4]와 같은 기준에 해당하는 경우는 분석 대상에서 제외하였다.
구체적으로 QS World University Rankings 2019 postgraduate by Subject: Computer Science & Information, QS Asia University Rankings 2019에 등록된 대학원 기준, 순위 관계없이 단순임의추출로 국가별 3곳, 총 30개의 대학원을 선정하였다.
분석 대상은 미국이 13개교로 가장 많으며, 한국 3개교, 호주 2개교 순이고, 나머지 국가는 각 1개교씩이다.
목적 달성을 위한 연구의 절차는 다음과 같이 진행되었다. 연구의 모집단은 전세계 데이터 과학자 과정이 설치된 대학원으로 다음의 절차에 따라 표집하였다(2019년 12월 기준).
즉, 2단계에서 QS TOP Universities에 등록된 대학원을 추출한 것과 별개로 DSD의 30 Best Master’s in Data Science Degree Programs 2018 선정 대학원을 추가하였다.
데이터처리
도출된 분석 범주의 세부적인 분석 내용은 공개 자료를 분석한 후, 귀납적으로 분류하였다. 분류된 자료는 SPSS를 이용하여 빈도 분석을 실시하였다.
이론/모형
컴퓨터 과학 분야를 포함하여, 일반적인 대학원생이 갖춰야 할 역량을 제시한 연구(2007)[24], 기업이 대학원 졸업생이 취득하기를 요구하는 역량을 제시한 연구(2013)[25]를 개인이 일반적으로 갖춰야 할 역량(World Economic Forum[26], OECD DeCeCo[27]), 일본, 유럽연합의 컴퓨터 및 공학교육 석사학위 교육과정 인증제도(JABEE[28], EUR-ACE)[29]) 인증평가 기준에 제시된 프로그램 학습성과, 호주 AMS의 공학 고등교육 프로그램 인증 관리 시스템의 전문 엔지니어를 위한 역량기준(Competency Standard for the Professional Engineer)[30]을 분석하였다. 컴퓨터 과학 분야 대학생원생에게 요구 되는 역량을 정리하면 [표1]과 같다.
성능/효과
연구의 결과를 토대로 분석하고 논의한 본 연구는 다양한 분야에서 협업할 수 있는 융·복합적 역량을 갖춘 데이터 과학자로 성장하는 데 도움이 되는 평가 체계를 구성할 필요가 있다는 것이었다. 관련 연구 분석을 통해 대학원생이 갖추어야 할 기본 역량으로 제시되었던 문제해결 역량, 협업 능력, 도구 활용/지식과 이해, 자율적 행동, 커뮤니케이션 기술, 공학과 사회, 의사결정과 판단 등 7가지 역량은 교육목표의 준거로 활용은 가능할 것으로 판단된다.
분석 결과, 공인 대학교 성적증명서(Official college transcripts, 예: GPA), 추천서(Recommendation), 학업계획서(Statement of Academic Purpose), 외국 학생의 경우 GRE scores, TOEFL 등 서류 심사로만 학생을 선발하는 대학원이 15개교(68.2%)로 가장 많았다. 서류 심사 및 인터뷰로 학생을 선발하는 대학원은 2개교(9.
분석 결과, 문제해결 역량, 협업 능력, 도구 활용/지식과 이해 등은 6개의 연구, 자율적 행동, 커뮤니케이션 기술, 공학과 사회 등은 5개의 연구에서 컴퓨터 과학 분야의 대학원생들에게 요구되는 역량으로 도출되었다. 특히 문제해결 역량이나 도구를 활용하는 것 등은 컴퓨터과학이나 데이터 과학뿐 아니라 모든 분야에서 중요하게 고려되는 역량이다.
이상을 토대로 할 때, 대학원에서 서류 심사만으로 학생을 선발하고 있었으며, 다양한 평가 방법을 활용하지는 않는 것으로 해석할 수 있다.
후속연구
따라서 향후에는 본 연구의 논의를 토대로 보다 구체적인 입학 평가 체계를 구성하고 타당화해 가야 할 것이다. 더불어 데이터 과학자 과정 지원자나 입학자 대상의 평가를 위한 평가 문항 개발, 타 분야의 대학원 입학을 위한 평가 체계 분석 등의 연구가 계속되어야 할 것이다. 본 연구는 최근 각 분야에서 필요로 하는 데이터 과학자를 양성하기 위한 발판이 되는 데이터 과학자 대학원 과정과 관련된 내용을 분석하고 시사점을 제안했다는 데 의의가 있다.
본 연구는 7개국 22개 대학원의 데이터 과학자 양성을 위한 입학 평가 현황을 분석하고 논의하였다. 따라서 향후에는 본 연구의 논의를 토대로 보다 구체적인 입학 평가 체계를 구성하고 타당화해 가야 할 것이다. 더불어 데이터 과학자 과정 지원자나 입학자 대상의 평가를 위한 평가 문항 개발, 타 분야의 대학원 입학을 위한 평가 체계 분석 등의 연구가 계속되어야 할 것이다.
분석을 토대로 데이터 과학자 과정의 입학을 위한 평가 체계에 대한 시사점을 도출하기 위한 목적으로 진행되었다. 본 연구에서 다루는 입학 평가 체계에 대한 논의를 통해 교육과정을 통한 역량 증진의 가능성을 높이는데 기여할 수 있을 것이다.
연구의 결과를 토대로 분석하고 논의한 본 연구는 다양한 분야에서 협업할 수 있는 융·복합적 역량을 갖춘 데이터 과학자로 성장하는 데 도움이 되는 평가 체계를 구성할 필요가 있다는 것이었다.
하나의 학문 분야에 대한 전문가를 양성하는 일반적 대학원 과정과 달리 데이터 과학이 갖는 학문의 다양성을 고려하여 ‘선발 방법’에 ‘과정 수학에 필요한 기술의 평가’를 함께 활용한다면, 전문성을 갖춘 데이터 과학자를 체계적으로 양성하는 데 도움이 될 것으로 판단된다.
필요 지식이나 능력에 대한 지원은 ‘학습 지원 시스템’을 활용하여 학생들이 맞춤형 학습을 통해 데이터 과학자로 성장할 수 있도록 지원할 필요가 있다. 학습 지원 시스템을 통해 평가-피드백-학습 지원의 선순환이 이루어지는 입학 평가 체계를 구성할 수 있다면, 데이터 과학자의 역량을 향상하는 데 도움이 될 것으로 판단된다.
질의응답
핵심어
질문
논문에서 추출한 답변
데이터 과학은 무엇인가?
데이터 과학(Data Science)은 통계학, 수학, 프로그래밍, 컴퓨터 과학, 도메인 전문성 등 여러 학문의 개념, 방법 등이 데이터(data)를 통해 특정 문제를 중심으로 활용되는 융·복합 학문이라 할 수 있다[5]. 융·복합 학문의 관점에서 데이터 과학은 현대사회의 복잡한 문제에 대처하기 위해 이전에 없던 관점으로 다양한 학문적 역량을 활용하기 때문에 문제 해결의 새로운 방법론을 제시할 수 있다[6].
역량(competency)의 정의는 무엇인가?
역량(competency)은 학자나 기관에 따라 조금씩 다르게 정의되었으나, 다음과 같이 정리할 수 있다. 첫째, 역량은 특정 직업 활동의 효과적 수행, 기대하는 표준에 따른 기능과 관련된 구체적인 개념이다[18][19][20]. 둘째, 역량은 응용지식(the applied knowledge), 성과를 내기 위한 기술의 표현, 태도와 관련된 관찰 가능한 행동이 필요충분조건이다[21][22]. 즉, 역량은 일반적인 지식, 기능, 태도에서 특정 일(task)을 수행하기 위하여 기대되는 특정된 일부가 종합된 능력이라 할 수 있다. 이에 본 연구는 대학원 입학 관련 역량을 ‘특정 역량을 요구하는 일을 수행하는데, 교육적, 직업적 측면에서 지식, 기술, 태도를 활용할 수 있는 능력’이라고 정의하고자 한다.
4차 산업혁명 이후 세계는 어떻게 변화하고 있는가?
4차 산업혁명의 키워드 이후 세계는 데이터·정보 시대로 개편되고 있다[1][2]. 2005년과 2010년 사이에 데이터 기반 의사결정(Data-Driven Decision-Making) 채택률이 증가했으며, 지속적으로 증가할 예정이다[3].
참고문헌 (47)
BSA. What's the Big Deal with Data? BSA The Software Alliance.
Lizhe Wang, Rajiv Ranjan. (2015). Processing distributed internet of things data in clouds. IEEE Cloud Computing, 2(1), 76-80.
James Manyika, Michael Chui, Brad Brown, Jacques Bughin, Richard Dobbs, Charles Roxburgh, Angela Hung Byers. (2011). Big data: The next frontier for innovation, competition, and productivity. Competition & Productivity, 1-143.
Peter Bruce, Andrew Bruce. (2017). Practical Statistics for Data Scientists: 50 Essential Concepts. O'Reilly Media, Inc.
정철민 (2014). 학문 융복합 현상에 대한 교육학적 고찰. 교육철학, 54, 143-166.
강지혜.이병길.권승아 (2019). 대학 역량기반 교육과정에서 교육목표-교육과정-평가의 유기적인 연계를 위한 설계 전략의 탐색. 교육공학연구, 35(2), 527-549.
Austin Waters, Risto Miikkulainen. (2014). GRADE: Machine-Learning Support for Graduate Admissions. AI Magazine. 35(1), 64-75.
Julie R. Posselt. (2014). Toward Inclusive Excellence in Graduate Education: Constructing Merit and Diversity in PhD Admissions. American Journal of Education, 120(4), 481-514.
Marenda A. Wilson, Max A. Odem, Taylor Walters, Anthony L. DePass, Andrew J. Bean. (2019). A model for holistic review in graduate admissions that decouples the gre from race, ethnicity, and gender. CBE Life Sciences Education, 18(1), 18:ar7,1-18:ar7,12.
Bryan J. Pestaa, John Fuerstb, Emil O.W. Kirkegaardb, Brent Papaleoc. (2019). Does intelligence explain national score variance on graduate admissions exams?, Intelligence, 73, 8-15.
Rachel E. Scherr, Monica Plisch, Kara E. Gray, Geoff Potvin, Theodore Hodapp. (2017). Fixed and growth mindsets in physics graduate admissions. Physical Review Physics Education Research, 13(2), 020133-1-020133-12.
Julie R. Posselt. (2018). Rigor and Support in Racialized Learning Environments: The Case of Graduate Education. New Directions for Higher Education, 2018(181), 59-70.
Christa Boske, Chinasa Elue. (2017). Are You Qualified to Be a Member of This "Elite Group"? A School Leadership Preparation Program Examines the Extent "Diverse" Candidates Are Admitted to Graduate School. Journal of Cases in Educational Leadership, 20(2), 145-162.
Rex Pjesky, Angela Spaulding, Janet Wood. (2019). Factors Determining Attendance in Graduate Programs: Differences in Admitted and Enrolled Students. Research in Higher Education Journal, 36.
Ronald M. Epstein, Edward M. Hundert. (2002). Defining and assessing professional competence. Journal of the American Medical Association, 287(2), 226-235.
Genevieve Bassellier, Blaize Horner Reich, Izak Benbasat. (2001). Information Technology Competence of Business Managers: A Definition and Research Model. Journal of Management Information Systems, 17(4), 159-182.
OECD. (2002). Definition and selection of competences( DeSeCo):theoretical and conceptual foundations: strategy paper.
Yuanjing Wilcox, Jean A. King. (2013). A professional grounding and history of the development and formal use of evaluator competencies. Canadian Journal of Program Evaluation, 28(3), 1-28.
Boriss Misnevs, Irina Yatskiv. (2016). Data Science: Professional Requirements and Competence Evaluation. Baltic Journal of Modern Computing, 4(3), 441-453.
Catherine Manathunga, Paul Lant, George Mellick. (2007). Developing professional researchers: research students' graduate attributes. Studies in Continuing Education, 29(1), 19-36.
Mercedes Teijeiro, Paolo Rungo, M Jesus Freire. (2013). Graduate competencies and employability: The impact of matching firms' needs and personal attainments. Economics of Education Review, 34, 286-295.
World Economic Forum. (2016). The 10 skills you need to thrive in the Fourth Industrial Revolution. https://www.wefo rum.org/agenda/2016/01/the-10-skills-you-need-to-thrive-i n-the-fourth-industrial-revolution.
OECD. Definition and Selection of Competencies (DeSeCo). https://www.oecd.org/education/skills-beyond-school/defin itionandselectionofcompetenciesdeseco.htm.
ENAEE. EUR-ACE ${(R)}$ Framework Standards and Guidelines. https://www.enaee.eu/eur -ace-system/standards- and-guidelines.
AMS. Accreditation Management System 2019. https://www.engineersaustralia.org.au/About-Us/Accreditation/AMS-2019.
이영호 (2015). 법학전문대학원 졸업생에게 요구되는 핵심역량. 성균관법학, 27(4), 427-452.
표준국어대사전
김동연 (2018). NCS 기반 전문대학 교육과정을 효과적으로 운영하기 위한 평가 체계 및 평가 도구 개발. 교원교육, 34(4), 1-16.
Larry J. McKenzie, Michael S. Trevisan, Denny C. Davis, Steven W. Beyerlein. (2004). Capstone design courses and assessment: A national study. ASEE Annual Conference Proceedings, 1545-1562.
Judith Zimmermann, Alina von Davier, Hans Rudolf Heinimann. (2017). Adaptive admissions process for effective and fair graduate admission. The International Journal of Educational Management, 31(4), 540-558.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.