[논문]머신러닝을 활용한 취업 예측 모델 설계: D대학교 졸업생을 중심으로

김성국; 오창헌

doi:10.14702/jpee.2022.061

머신러닝을 활용한 취업 예측 모델 설계: D대학교 졸업생을 중심으로
Designing a Employment Prediction Model Using Machine Learning: Focusing on D-University Graduates 원문보기

JPEE : Journal of practical engineering education = 실천공학교육논문지, v.14 no.1, 2022년, pp.61 - 74

김성국 (두원공과대학교 IT융합학부) , 오창헌 (한국기술교육대학교 전기전자통신공학부)

초록
AI-Helper

최근 청년 실업, 특히 대학졸업자의 실업 문제가 사회적 이슈로 대두되고 있다. 대학졸업자의 실업은 범국가적인 문제이기도 하고 대학 차원의 문제이기도 해서 각 대학들은 졸업자들의 취업률을 높이기 위해 많은 노력을 하고 있다. 본 연구는 머신러닝 기법을 활용하여 D대학 졸업생의 취업여부를 예측하는 모델을 제시한다. 사용된 변수는 개인정보, 입학정보, 학사정보 등 최대 138개를 활용하여 분석하였으나 향후 교육과정에 반영하기 위해서는 입학 이후의 데이터만 유효하게 작용하므로 제안할 항목은 학과별/학생별 취업률 향상을 위한 추천 역량으로 한정하였다. 즉, 입학성적 등은 입학 후 개인의 노력에 의해 향상이 불가능한 지표이므로 취업률 예측도를 높이는 용도 등으로만 활용하였다. 본 연구는 대학의 이념, 목표 및 인재상 등이 반영된 D대학교의 핵심역량의 분석을 통한 취업예측 모델을 구현해 보고, 새로운 핵심역량 예측 모델의 도입이 실제 취업에 미치는 영향을 머신러닝을 활용하여 평가하고자 수행되었다. 향후 연구결과를 학과별 교육과정 수립 및 학생 진로 지도 등에 적용하여 취업률을 향상시킬 수 있는 근거를 마련하는데 그 의의가 있다.

Abstract ▼ AI-Helper

Recently, youth unemployment, especially the unemployment problem of university graduates, has emerged as a social problem. Unemployment of university graduates is both a pan-national issue and a university-level issue, and each university is making many efforts to increase the employment rate of graduates. In this study, we present a model that predicts employment availability of D-university graduates by utilizing Machine Learning. The variables used were analyzed using up to 138 personal information, admission information, bachelor's information, etc., but in order to reflect them in the future curriculum, only the data after admission works effectively, so by department / student. The proposal was limited to the recommended ability to improve the separate employment rate. In other words, since admission grades are indicators that cannot be improved due to individual efforts after enrollment, they were used to improve the degree of prediction of employment rate. In this research, we implemented a employment prediction model through analysis of the core ability of D-University, which reflects the university's philosophy, goals, human resources awards, etc., and machined the impact of the introduction of a new core ability prediction model on actual employment. Use learning to evaluate. Carried out. It is significant to establish a basis for improving the employment rate by applying the results of future research to the establishment of curriculums by department and guidance for student careers.

주제어

표/그림 (25)

그림 그림 1. 20대 학력별 실업률 Fig. 1. Unemployment rate by educational background in 20s.
그림 그림 2. D대학 핵심역량 체계도 Fig. 2. D-university core competency system diagram.
표 표 1. D대학교의 핵심역량 정의 Table 1. D-university core competency definition
표 표 2. 변수의 빈도표 Table 2. Variable frequency table
표 표 3. 투입 데이터별 취업자 수와 미취업자 수 Table 3. Number of workers and number of unemployed by input data
표 표 4. 사용된 데이터의 범주 및 항목 Table 4. Data categories and items
그림 그림 3. 로지스틱 회귀 모델의 Confusion matrix와 ROC curve Fig. 3. Logistic regression model Confusion matrix and ROC curve.
표 표 5. 생성된 로지스틱 회귀 모델 평가 결과 Table 5. Logistic regression model evaluation result
그림 그림 4. 결정 트리 모델의 Confusion matrix와 ROC curve Fig. 4. Decision Tree model Confusion matrix and ROC curve.
표 표 6. 생성된 결정 트리 모델 평가 결과 Table 6. Decision Tree model evaluation result
표 표 7. 생성된 랜덤 포레스트 모델 평가 결과 Table 7. Random Forest model evaluation result
그림 그림 5. 랜덤 포레스트 모델의 Confusion matrix와 ROC curve Fig. 5. Random Forest model Confusion matrix and ROC curve.
그림 그림 6. Xgboost 모델의 Confusion matrix와 ROC curve Fig. 6. Xgboost model Confusion matrix and ROC curve.
표 표 8. 생성된 Xgboost 모델 평가 결과 Table 8. Xgboost model evaluation result
그림 그림 7. 인공신경망 모델의 Confusion matrix와 ROC curve. Fig. 7. Neural Network model Confusion matrix and ROC curve.
표 표 9. 생성된 인공신경망 모델 평가 결과 Table 9. Neural Network model evaluation result
그림 그림 8. 앙상블 모델의 Confusion matrix와 ROC curve Fig. 8. Ensemble model Confusion matrix and ROC curve.
표 표 10. 앙상블 모델별 정확도 및 ROC/AUC 결과 Table 10. Accuracy and ROC/AUC results for each Ensemble model
표 표 11. 생성된 앙상블 모델 평가 결과 Table 11. Ensemble model evaluation result
그림 그림 9. 취업 여부 예측 ROC curve. Fig. 9. Employment availability prediction ROC curve.
그림 그림 10. 학과별 취업 여부 예측 변수 중요도 상위 15개 Fig. 10. Top 15 most important variables for predicting employment availability.
표 표 12. 머신러닝 모델별 취업여부 예측 결과 Table 12. Machine learning Employment availability forecast results by model
표 표 13. D대학 취업 예측 모델의 앙상블 실행 결과 Table 13. D-University employment prediction model ensemble execution result
표 표 14. 학생별 취업률 예측 및 취업률 향상을 위한 역량 추천(예시) Table 14. Department employment rate prediction and ability recommendation for employment rate improvement
표 표 15. 학과별 취업률 예측 및 취업률 향상을 위한 역량 추천(예시) Table 15. Department employment rate prediction and ability recommendation for employment rate improvement

참고문헌 (12)

K. S. Choi, "Why is the youth unemployment rate rising?," KDI, KDI Focus, 88, pp. 1-7, December 2017.
DigitalTimes, "OECD youth unemployment fell 4.4% for 10 years, but South Korea rose 0.9%," Sep. 9, 2020 [Online]. Available: http://www.dt.co.kr/contents.html?article_no2020090902109958614001.
Statistics Korea, "Economic activity census," Statistics Korea, 2022.
J. S. Kim, "Big data analysis technology and use cases," Journal of Contents, vol. 12, no. 1, pp. 14-20, 2014.
Y. Yi, S. Lee, and J. Yi, "KB Kookmin Card's marketing activities and use of big data," Korea Business Review, vol. 18, no. 1, pp. 145-176, 2014.
M. J. Park, "A new approach to curriculum development in higher education: competence-based curriculum," The Journal of Curriculum Studies, vol. 26, no. 4, pp. 173-197, December 2008.
M. Jin, Y. Son, and H. Chu, "A study on development plan of K-CESA for college education assessment," The Journal of Educational Administration, vol. 29, no. 4, pp. 461-486, 2011.
S. S. Lee, "Diagnostic studies of the core competency of university entrants: a case study of D Women's University," The Korean Journal of Human Resource Development Quarterly, vol. 16, no. 4, pp. 203-222, 2014.
J. D. Klein, J. M. Spector, B. Grabowski, and de la Teja, "Instructor competencies : standards for face-to-face, online, and blended settings," Information Age Publishing, October 2004.
Center for Teaching and Learning, "Core competence center curriculum development manual," Doowon Technical University, pp. 8-10, September 2018.
M. Oh, H. Choi, S. Kim, J. Chang, J. Jin, and M. Cheon, "Machine learning base with social security big data analysis predictive model research," KIHASA, 2017.
K. Jeong, S. Jang, J. Lee, C. Kim, W. Lee, J. Yun, H. Jang, H. Kim, and B. Kye, "Characterized high school employment rate prediction model development research utilizing machine learning," KERIS, 2020.

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