$\require{mediawiki-texvc}$
  • 검색어에 아래의 연산자를 사용하시면 더 정확한 검색결과를 얻을 수 있습니다.
  • 검색연산자
검색도움말
검색연산자 기능 검색시 예
() 우선순위가 가장 높은 연산자 예1) (나노 (기계 | machine))
공백 두 개의 검색어(식)을 모두 포함하고 있는 문서 검색 예1) (나노 기계)
예2) 나노 장영실
| 두 개의 검색어(식) 중 하나 이상 포함하고 있는 문서 검색 예1) (줄기세포 | 면역)
예2) 줄기세포 | 장영실
! NOT 이후에 있는 검색어가 포함된 문서는 제외 예1) (황금 !백금)
예2) !image
* 검색어의 *란에 0개 이상의 임의의 문자가 포함된 문서 검색 예) semi*
"" 따옴표 내의 구문과 완전히 일치하는 문서만 검색 예) "Transform and Quantization"

통합검색

연합인증

연합인증 가입 기관의 연구자들은 소속기관의 인증정보(ID와 암호)를 이용해 다른 대학, 연구기관, 서비스 공급자의 다양한 온라인 자원과 연구 데이터를 이용할 수 있습니다.

이는 여행자가 자국에서 발행 받은 여권으로 세계 각국을 자유롭게 여행할 수 있는 것과 같습니다.

연합인증으로 이용이 가능한 서비스는 NTIS, DataON, Edison 등이 있습니다.

한번의 인증절차만으로 연합인증 가입 서비스에 추가 로그인 없이 이용이 가능합니다.

다만, 연합인증을 위해서는 최초 1회만 인증 절차가 필요합니다. (회원이 아닐 경우 회원 가입이 필요합니다.)

연합인증 절차는 다음과 같습니다.

최초이용시에는
ScienceON에 로그인 → 연합인증 서비스 접속 → 로그인 (본인 확인 또는 회원가입) → 서비스 이용

그 이후에는
ScienceON 로그인 → 연합인증 서비스 접속 → 서비스 이용

연합인증을 활용하시면 KISTI가 제공하는 다양한 서비스를 편리하게 이용하실 수 있습니다.

논문 상세정보

대학원 데이터 과학자 과정 입학 평가 체계 분석

A Study on Entrance Evaluation System for Data Scientist Postgraduate Program

초록
용어

논문에서 용어와 풀이말을 자동 추출한 결과로,
시범 서비스 중입니다.

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.

Abstract

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.

본문요약 

* 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.

    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 연구는 7개국 22개 대학원의 데이터 과학자 양성을 위한 입학 평가 현황을 분석하고 논의하였다.

    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.

    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.

    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].

    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.

  • 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.

    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 연구의 관련 연구 분석 및 대학원의 입학 평가 체계에 대한 분석 결과를 토대로 논의하기 위해 [표 11]을 제시하였다.

    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.

    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.

  • 분석을 토대로 데이터 과학자 과정의 입학을 위한 평가 체계에 대한 시사점을 도출하기 위한 목적으로 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.

    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.

  • 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.

    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
  • 따라서 각 학제에 따라 요구되는 역량이 다를 것을 상정하였다.

    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].

본문요약 정보가 도움이 되었나요?

질의응답 

키워드에 따른 질의응답 제공
핵심어 질문 논문에서 추출한 답변
데이터 과학
데이터 과학은 무엇인가?
통계학, 수학, 프로그래밍, 컴퓨터 과학, 도메인 전문성 등 여러 학문의 개념, 방법 등이 데이터(data)를 통해 특정 문제를 중심으로 활용되는 융·복합 학문

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)
역량(competency)의 정의는 무엇인가?
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.

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
4차 산업혁명 이후 세계는 어떻게 변화하고 있는가?
세계는 데이터·정보 시대로 개편되고 있다

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].

질의응답 정보가 도움이 되었나요?

참고문헌 (47)

  1. 1. BSA. What's the Big Deal with Data? BSA The Software Alliance. 
  2. 2. Lizhe Wang, Rajiv Ranjan. (2015). Processing distributed internet of things data in clouds. IEEE Cloud Computing, 2(1), 76-80. 
  3. 3. Erik Brynjolfsson, Kristina McElheran. (2016). The Rapid Adoption of Data-Driven Decision-Making. American Economic Review, 106(5), 133-139. 
  4. 4. 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. 
  5. 5. Peter Bruce, Andrew Bruce. (2017). Practical Statistics for Data Scientists: 50 Essential Concepts. O'Reilly Media, Inc. 
  6. 6. 정철민 (2014). 학문 융복합 현상에 대한 교육학적 고찰. 교육철학, 54, 143-166. 
  7. 7. 강지혜.이병길.권승아 (2019). 대학 역량기반 교육과정에서 교육목표-교육과정-평가의 유기적인 연계를 위한 설계 전략의 탐색. 교육공학연구, 35(2), 527-549. 
  8. 8. Austin Waters, Risto Miikkulainen. (2014). GRADE: Machine-Learning Support for Graduate Admissions. AI Magazine. 35(1), 64-75. 
  9. 9. Deepa Chari, Geoff Potvin. (2019). Understanding the importance of graduate admissions criteria according to prospective graduate students. Physical Review Physics Education Research, 15(2), 023101-1-023101-6. 
  10. 10. Geoff Potvin, Deepa Chari, Theodore Hodapp. (2017). Investigating approaches to diversity in a national survey of physics doctoral degree programs: The graduate admissions landscape. Physical Review Physics Education Research, 13(2), 020142-1-020142-13. 
  11. 11. 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. 
  12. 12. 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. 
  13. 13. 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. 
  14. 14. 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. 
  15. 15. 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. 
  16. 16. 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. 
  17. 17. 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. 
  18. 18. Ronald M. Epstein, Edward M. Hundert. (2002). Defining and assessing professional competence. Journal of the American Medical Association, 287(2), 226-235. 
  19. 19. 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. 
  20. 20. Robert A. Roe (2002). What makes a competent psychologist?. European Psychologist, 7(3), 192-202. 
  21. 21. OECD. (2002). Definition and selection of competences( DeSeCo):theoretical and conceptual foundations: strategy paper. 
  22. 22. 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. 
  23. 23. Boriss Misnevs, Irina Yatskiv. (2016). Data Science: Professional Requirements and Competence Evaluation. Baltic Journal of Modern Computing, 4(3), 441-453. 
  24. 24. Catherine Manathunga, Paul Lant, George Mellick. (2007). Developing professional researchers: research students' graduate attributes. Studies in Continuing Education, 29(1), 19-36. 
  25. 25. 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. 
  26. 26. 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. 
  27. 27. OECD. Definition and Selection of Competencies (DeSeCo). https://www.oecd.org/education/skills-beyond-school/defin itionandselectionofcompetenciesdeseco.htm. 
  28. 28. JABEE. https://jabee.org/about_jabee/accreditation_system 
  29. 29. ENAEE. EUR-ACE ${(R)}$ Framework Standards and Guidelines. https://www.enaee.eu/eur -ace-system/standards- and-guidelines. 
  30. 30. AMS. Accreditation Management System 2019. https://www.engineersaustralia.org.au/About-Us/Accreditation/AMS-2019. 
  31. 31. 이영호 (2015). 법학전문대학원 졸업생에게 요구되는 핵심역량. 성균관법학, 27(4), 427-452. 
  32. 32. 표준국어대사전 
  33. 33. 김동연 (2018). NCS 기반 전문대학 교육과정을 효과적으로 운영하기 위한 평가 체계 및 평가 도구 개발. 교원교육, 34(4), 1-16. 
  34. 34. 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. 
  35. 35. 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. 
  36. 36. Julie Renee Posselt (2016). Inside Graduate Admissions : Merit, Diversity, and Faculty Gatekeeping. Harvard University Press. 
  37. 37. Danny Gittings (2011). What Will Happen to Hong Kong After 2047?. California Western International Law Journal, 42, 37-61. 
  38. 38. QS TOP Universities. https://www.topuniversities.com/uni versity-rankings. 
  39. 39. Data Science Degree Programs Guide. https://www.datasc iencedegreeprograms.net. 
  40. 40. 신현석.반상진.이석열 (2005). 외국의 대학원 교육체제 분석 연구: 발전적 대학원 교육체제 구상을 위한 정책적 함의. 비교교육연구, 15(2), 53-86. 
  41. 41. 정은경 (2007). 대학원 현대문학전공 교육과정의 현황과 교육방법에 관한 비교 고찰. 어문논집, 55, 353-403. 
  42. 42. 김병주.박승태 (2011). 교사의 핵심역량에 근거한 전문대학 유아교육과 수업연한. 한국교원교육연구, 28(3), 1-28. 
  43. 43. Mike Loukides (2012). What Is Data Science?. O'Reilly Media. 
  44. 44. 정인식 (역) (2014). 데이터 과학자, 무엇을 배울 것인가. 佐藤洋行 외 11인의 デ?タサイエンティスト養成?本. 파주: 제이펍. 
  45. 45. Renato Rosaldo (1981). The Cultural Impact of the Printed Word: A Review Article. Comparative Studies in Society and History, 23(3), 508-513. 
  46. 46. Nate Silver (2012). The Signal and the Noise: Why So Many Predictions Fail-but Some Don't. Penguin Books. 
  47. 47. 이원규 (역) (2018). 기초정보학 : 생명에서 사회로. 西垣通의 基礎情報?. 서울: 고려대학교출판문화원. 

문의하기 

궁금한 사항이나 기타 의견이 있으시면 남겨주세요.

Q&A 등록

원문보기

원문 PDF 다운로드

  • ScienceON :
  • KCI :
  • AccessON :

원문 URL 링크

원문 PDF 파일 및 링크정보가 존재하지 않을 경우 KISTI DDS 시스템에서 제공하는 원문복사서비스를 사용할 수 있습니다. (원문복사서비스 안내 바로 가기)

오픈액세스(OA) 유형

출판사/학술단체 등이 한시적으로 특별한 프로모션 또는 일정기간 경과 후 접근을 허용하여, 출판사/학술단체 등의 사이트에서 이용 가능한 논문

이 논문과 연관된 기능

DOI 인용 스타일

"" 핵심어 질의응답