Analysis System of School Life Records Based on Data Mining for College Entrance

데이터 마이닝 기반 대학입시를 위한 학교생활기록부 분석시스템

Abstract

The Korean curriculum and admission system have evolved through numerous changes. Currently, the nation's college entrance rate stands at nearly 70 percent, and it is the highest among OECD members. Amid this environment, the importance of school life records is increasing among students who are interested in going to college and who have the highest percentage in the nation's education system. Happiness is not the order of grades, but I can find my future and happiness at the same time through active school life. Through the analysis system of school life records, you can find interests and career paths suitable for yourself, and analyze and supplement factors suitable for the university and department you want to go to, so that you can take a step further in successful advancement. Each item in the school records is divided into three categories to analyze the necessary and unnecessary words. By visualizing and numericalizing the analyzed data, an analysis system is established that can be supplemented in school life. An analysis system through data mining can be utilized by concisely summarizing sentences of different elements and extracting words by applying the multi-topic minutes summary system using word frequency and similarity analysis as an existing prior study.

대한민국 교육과정과 입시제도는 수많은 변화들을 통해 진화해 왔다. 현재 우리나라 대학진학률이 약 70%에 육박하고 있고, OECD회원국 중 가장 높다. 이러한 환경 속에 대학진학에 관심이 높고 또한 우리나라 교육제도에서 가장 비율이 높은 수시전형 중 학생부종합전형에 필요한 학교생활기록부의 중요성을 높아져가고 있다. 행복은 성적순이 아니지만 적극적인 학교생활을 통해 나의 미래와 행복을 동시에 찾을 수 있다. 학교생활기록부 분석시스템을 통해 자신에게 맞는 흥미와 진로를 찾을 수 있고, 가고자하는 대학, 학과에 맞는 요소들을 분석하고 보완하여 성공적인 진학에 한발 더 나아갈 수 있다. 학교생활기록부의 각 항목을 3가지로 분리시켜 필요 단어와 불필요한 단어들을 구분해 분석한다. 분석한 데이터를 시각화&수치화 하여 학교생활에서 보완할 수 있는 분석시스템을 구축한다. 기존 선행연구로 단어빈도와 유사도 분석을 이용한 다중주제 회의록 요약시스템을 응용하여 다른 요소의 문장을 간결하게 요약하고 단어를 추출함으로써 데이터 마이닝을 통한 분석시스템을 활용할 수 있다.

Ⅰ. 서론

대한민국 교육과정과 입시제도는 수많은 변화들을 통해 진화해왔다. 1940년대 대학별 단독 시험제를 시작으로 시험제도의 교육과정들이 뿌리내리기 시작했다. 이후 대입 예비고사·본고사, 대입학력고사, 현재 대학수학능력시험까지 우리나라 교육의 진학과 입시를 평가하는 요소로 나타내고 있다. 2000년대 중반까지 대학 입시의 강력한 힘으로 작용하는 대학수학능력시험이 2008년 입학사정관제가 도입되면서 점점 약화되기 시작하였다. 이후 입학사정관제를 통해 학생 개개인의 학교생활 기록부의 중요성이 증대되었고, 대학 입시제도의 평가요소들이 달라지기 시작하였다. 현재 우리나라 대학진학률이 약 70%에 육박하고 있고, OECD회원국 중 가장 높다. 우리나라 대입제도 70%를 차지하고 있는 수시전형의 학생부종합전형에 필요한 학교생활 기록부를 분석하여 변별력을 높이기 위해 분석시스템을 구축한다. 학교생활기록부 분석시스템을 이용하여 현재 내가 가고자 하는 대학, 학과에 맞는 키워드를 분석하고 보완하여 좀 더 질 높은 학교생활을 할 수 있도록 도와준다. 자연어로 이루어진 비구조화 자료(학교생활 기록부)에서 필요한 정보를 얻어내기 위해 구조화 데이터로 변환 한 후 분석하는 텍스트마이닝 기법인 word2vec 모델을 활용한다[1]. 또한 데이터 마이닝 기법들 중 하나의 토픽 모델링을 통해 비구조화된 텍스트를 자료들의 뭉치로부터 의미 있는 주제(토픽)들을 추출해주는 확률 모델 알고리즘을 사용하여 기존의 전통적 텍스트 분석 방법들에 비해 귀납적으로 적용된다[2]. 본 논문에서는 word2vec모델을 학교생활 기록부에 적용하여 각 단어의 벡터 공간에서 거리를 계산하고 요소별 중요도를 심층적으로 학습한다. 학습한 단어의 벡터값을 이용해 유사단어를 출력하고 한국어 데이터를 좀 더 효과적으로 모델링하기 위해 토픽 모델링 적용하여 학교생활 기록부에 단어의 벡터값을 이용해 유사 단어를 출력하고 자동으로 문장을 분류한다. 제안하는 방식을 통해 입증하고자 하는 바는 아래와 같다.

첫째, 단어 임베딩 방식의 벡터 표현을 통해 의미가 비슷한 단어끼리 벡터 공간상 비슷한 위치에 놓일 수 있는지 시각적으로 확인하고, 이와 같은데이터 처리방식이 학교 생활기록부 분석시스템에 어떠한 영향을 미치는지 분석한다[3].

둘째, 학교생활 기록부를 자연어 처리, 불용어 처리하여 명사 단어를 word2vec모델과 wordcloud 방식을 이용하여 그래프로 시각화한다.

셋째, 시각화된 데이터를 기반으로 학교생활기록부에서 필요한 3가지 항목으로 나누어 토픽 모델링의 방식을 이용해 주제별, 요소별 수치화한다. 이를 통해 견고한 단어 분류와 수치화된 분석시스템을 구축한다.

Ⅱ. 관련 연구

현대사회의 빠른 발전으로 소셜미디어와 스마트폰의 등장으로 방대한 데이터들이 쏟아지고 있다. 무분별한 데이터 확산으로 인해 산업 전반에 분석기술은 종요하게 여기지기 시작했다. 쏟아져 나오는데이터를 분석· 이용하여 부가가치를 창출하고 결과를 분석하는 기술을 빅 데이터(Big Data)라고 한다[4]. 이러한 빅 데이터는 중·고등학교의 학생들에게도 학교생활기록부의 문서를 통해 적용이 되고 있다. 다양한 대입제도를 통해 학교생활기록부의 구성요소들이 학생들의 특성에 맞게 세밀해지고 구체적으로 기록되어지고 있다. 그로 인해 학교생활기록부의 방대한 양의 데이터를 파악하기엔 오랜 시간이 걸린다. 하지만 학교생활기록부를 분석하는데 텍스트 마이닝 등의 분석기법을 사용한 연구는 미흡한 상태이다. 따라서 본 논문에서는 텍스트마이닝 기법을 활용한 학교생활 기록부 분석시스템을 구축하여 활용할 수 있도록 한다. 본 논문에서는 데이터의 형태에 따라 여러 가지 분석 기법 중 데이터 마이닝(Data Mining) 분석 기법을 이용하여 효율적인 학교생활기록부 분석시스템을 구축한다. 데이터 마이닝의 종류에는 텍스트 마이닝, 웹 데이터 마이닝, 공간 데이터마이닝 등이 있다 [1-31]. 그중 텍스트 마이닝의 경우, 분석대상은 문서, 웹 상자의 문자와 같은 텍스트로써 단어들의 의미를 파악하여 효과적으로 분석·분류해주는 기법이다[5]. 또한 텍스트 데이터에 대한 분석을 통해 유의미한 정보를 얻기 위한 분석을 텍스트 마이닝(Text Mining)이라고 한다. 텍스트마이닝의 word2vec 모델에서는 문서 내에서 주위 단어의 분포가 가까운 단어일수록 결과로 산출되는 벡터값이 유사해지며 [6], 산출된 단어 표상의 값이 비슷한 단어는 의미가 유사한 것으로 간주 된다[2]. 같은 의미를 지니는 단어들이 유사한 벡터값을 지니는 것이 실험을 통해 보고되었다[7]. 사례로는  본 연구의 선행연구인 단어 빈도와 유사도 분석을 이용한 다중주 제 회의록 요약시스템을 바탕으로 단어빈도와 단어 간의 유사도 분석을 통해 문장을 분리하고 다양한 주제로 진행되는 토의와 토론에 대한 의사결정 결론을 도출한다. 이를 통해 효율적인 문서 요약 방법과 유사한 회의록 요약 방법을 개선하였다. 또한 Joshi et al. (2015)은 E-Commerce 분야에서 word2vec을 통한 학습자질이 개체명 인식 모델의 성능을 향상 시킬 수 있다는 것을 보고하였는데, eBay의 핸드폰, 구두, 시계, 의류분류 내 자료를 바탕으로 개체명 인식 실험을 수행하였다. 그 결과, 모든 분류의 자료에서 word2vec로 학습된 벡터 기반 학습자질을 사용하였을 때 개체명 인식 모델의 성능이 향상되었다 [5]. 토픽 모델링 기법은 기존의 텍스트 분석과는 달리 선험적 이론에 기초한 사전적 코딩 범주의 투입을 요구하지 않으며, 전통적인 가까이서 읽기의 방법으로는 방대한 양의 텍스트 뭉치에서 유의미한 토픽들을 자동적으로 산출해준다[8]. 또한 테스트의 분석 이전에 사전적 지식을 요구하지 않으며, 문서를 어휘의 자루(bag or words)로 가정하여 어휘들의 관계 속에서 잠재적 의미구조를 포착하고 한글 자연어처리과정의 안정성이 높이면서 문서 분석시스템에 활용도가 높다[2].

Ⅲ. 학교생활 기록부 분석시스템 구조 및 설계

1. 분석시스템 구조

[그림 1]은 제안하는 학교생활기록부 분석시스템의 순서도를 보여준다. 본 논문에서 제안하는 시스템은 학교생활 기록부 문서를 기반으로 학생 개인마다 특성과 활동들을 알기 위해 텍스트 마이닝 도구인 파이썬의 Word2vec와 LDA 토픽 모델링 패키지를 사용하였다. 모든 문장을 자연어 처리, 불용어 처리 후 분류된 단어 중 최대 빈도 단어 순서대로 주제별로 항목을 분류 시켜 그래프로 시각화하였다.

그림 1. 분석시스템 순서도

2.자연어 처리

자연어 처리(Natural Language Processing, NLP)는 사람의 언어를 컴퓨터 프로그램이 이해할 수 있도록 하는 연구 분야이다. 컴퓨터와 사람의 언어 사이의 상호작용에 대해 자연스럽게 말하는 언어, 즉 자연어를 형태 분석과 의미분석, 문서 분석 등의 과정을 통해 컴퓨터가 처리하여 변환시키고 이를 통해 사람의 편의성에 입각해 표, 그래프, 음성 또는 그래픽 등으로 생성하는 작업 전반을 일컫는다[9]. 자연어 처리 기술의 분석처리 과정에는 전처리(띄어쓰기, 문장 분할, 철자 오류관리), 형태소 분석(품 사 태깅, 미등록 어 추정), 고정밀 구문 분석, 의미 분석과 같은 구조분석을 바탕으로 한 담화 분석, 정보 요약, 문서분류 기술 등이 있다[9]. 형태소 분석(Morphological Analysis)이란 실제 문장에서 하나의 단어가 여러 가지 형태로 변형되어 사용된다. 예시로 ‘하는’, ‘해서’, ‘하니’ 같은 단어들이 모두 ‘하다’라는 하나의 단어로 볼 수 있다. 이렇게 일반적인 형태로 분석하면 단어의 수를 줄여 분석의 효율성을 높일 수 있게 된다. 형태소 분석에 있어 한국어는 조사와 복합명사 등을 분리하기 어려워 상대적으로 힘든 언어라고 할 수 있다[8].

그림 2. 자연어 분석 처리 과정

2.1 벡터 공간 모델

벡터 공간 모델(VSMs: Vector Space Models)은 단어를 벡터화하여 연속적인 벡터 공간 안에 표현하고 의미론적으로 비슷한 단어들이 서로 가까운 곳에 있도록 하는 방법이다 [10]. 또한 정보 필터링, 문서 내에서의 정보검색, 색인과 유사도를 계산하기 위한 수학모델로서, 다차원 선형 공간에서의 벡터 정보를 이용하여 자연어를 포함한 문서의 중요도를 분석하고 단어의 벡터 표현을 word-embeddings라고 한다. 벡터 공간 모델은 모두 분포 가설(Distributional Hypothesis)에 입각한다[6]. 예시로[그림3] 의문서집합(Corpus)의 A1, A2, A3, A4, A5의 5개의 문서를 벡터 공간에 표현한다. 주요 단어 ‘대학’과 ‘전공’을 2차원 벡터 공간에 표현할 때 A1 문서는 ‘대학’ 단어만 표현되어 ‘대학’ 축과 나란한 벡터로 표현되고, A1, A2 문서는 ‘전공’ 축과 나란한 벡터로 표현되고, A5 문서는 ‘대학’ 단어가 2번, ‘전공’ 단어가 1번 있으므로 대각선 위치인(1, 2) 위치의 벡터로 표현된다[6].

그림 3. 벡터공간 모델의 개념

2.2 Word2vec

Word2vec은 Word-Embedding를 위한 하나의 방법이다. 많은 양의 텍스트 데이터, 텍스트 코퍼스를 입력 받아 주어진 텍스트에서 벡터집합을 생성한다[15]. Word2vec 방법론은 신경 연결망 기법에 기반을 둔 방식을 통해 단어들의 의미를 특정 차원의 벡터 값으로 계산, 표현하는 비지도 학습기법이다. 두 가지 모델로 CBOW(Contiunous Bag-of-Word)와 Skip-gram 모델이다[7]. [그림 4] 을 통해 w(t)를 입력 단어로 정했을 때, 입력 단어를 기준으로 주위 지정된 범위 내의 단어들을 예측하는 기법이다. Word2vec 모델에서는 주위 단어의 분포가 가까운 단어일수록 결과로 산출되는 벡터 값이 유사해진다[11].

그림 4. CBOW 모델과 Skip-gram 모델의 구조

Mikolov et al.(2013)에서는 Skip-gram 기법을 <식 1> 의식은 평균 log 확률을 최대화시키는 계산을 수행하도록 작성되었다고 설명하고 있다 [7].

\(\frac{1}{T} \sum_{t=1}^{T} \sum_{-c \leq j \leq \atop j \neq 0} \log p\left(w_{t+j} \mid w_{t}\right)\)       (1)

Skip-gram 모델은 단어 주변의 단어들을 예측하는 신경망 모델로, 간단한 신경망 훈련을 통해 은닉층에서의 가중치를 학습 시켜 단어 벡터를 얻는다. 윈도우 사이즈(window-size)를 지정할 수 있는데, 해당 단어를 중심으로 주변 단어를 몇 개까지 학습하는지 나타내는 변수이다. [그림 5]는 Skip-gram 과정을 통한 문장 분석의 예시이다. [그림5] 를 통해 “나는 충북대학교 전자 정보공학과를 다니면서 파이썬을 배웠다” 예시 문장을 사용해 학습 샘플로 적용해본다. 윈도우 사이즈 3로 설정되었을 때, 해당 문장의 단어 앞뒤로 3개의 단어와 함께 학습한다. 이때 조사나 어미를 제거한다. 학습 후 특정단어를 입력하는 모든 단어들이 입력값과 얼마나 가까운지 확률로 출력하게 되어 많이 학습될수록 더 높은 확률을 출력값을 갖게 된다. 예를 들어 입력 값이 ‘전자정보공학과’일 때, 출력단어 ‘충북대학교’와 ‘배웠다’ 단어 중에서는 ‘충북대학교’ 단어가 윈도우 사이즈에 포함되어 더 높은 확률값을 출력할 것이다. [그림 6]은 그에 대한 word2vec 모델 신경망 학습구조 그림이다[12].

그림 5. Skip-gram 과정을 통한 문장 분석의 예

그림 6. Word2vec 모델 신경망 학습구조

2.3 LDA 토픽모델링

텍스트 마이닝 분석에서 가장 많이 활용되고 있는 LDA(Latent Dirichlet Allocation)는 기존의 LSA(Latent Semantic Analysis) Deerwester(1990)와 PLSA(Probabilistic Latent Semantic Analysis) Huang(2008) 등의 약점을 보완한 방법으로 문서 집단 내에 잠재되어 있는 주제(Topic)들을 추출할 수 있게 하는 생성확률모델(Generative probabilistic model)이다[13]. 또한 구조화되지 않은 방대한 문헌 집단에서 주제를 찾아내기 위한 알고리즘으로, 맥락과 관련된 단서들을 이용하여 의미를 가진 단어들을 클러스터링하여 주제를 추론하는 모델이다[13]. LDA는 문서 내 여러 주제 중 각 주제에 속할 확률분포와 특정 단어가 주제에 속할 확률분포를 깁스 샘플링(Gibbs Sampling)을 통해 구하고, 이미 관찰된 변수 (observed variable)를 통해 확률을 계산하고 토픽을 생성하는 사후 추론 방법이다. 단어 벡터는 집합을 문서 벡터로 표현될 수 있고 벡터간의 코사인(Cosin) 각으로 유사도를 계산한다. 토픽 모델은 사서(narative), 구 문법(syntax) 등 한 문서 내에서 단어의 동시발생(co-occurence)하는가를 측정한다[10]. [그림 7]은 LDA 알고리즘을 통한 문서생성 과정을 보여준다. [그림7] 에서 α와 β은 전체 문서에서 동일하게 적용되는 파라미터(매개 변수)이다. α에 의해 문서별 토픽의 비율(θ)이 결정되고 β에 의해서 토픽별 단어의 분포(Φ_k)가 결정된다. θ에 의해 단어별 토픽 할당(Z)이 결정된다. 단어의 토픽들을 나타내는 Z_d,i값과 토픽별 단어 분포를 나타내는 Φ_k값에 의해 단어 W_d,i가 결정된다.

그림 7. LDA 알고리즘을 통한 문서생성 과정

\(p\left(z_{d, i}=j \mid z_{-i}, w\right)=\frac{n_{d, k}+\alpha_{j}}{\sum K_{i=1}\left(n_{d, i}+\alpha_{i}\right)} \times \frac{v_{k, w_{d, n}}+\beta_{w_{d, n}}}{\sum V_{j=1} v_{k, j}+\beta_{j}}=A B\)       (2)

[표 1] LDA 모델 수식 정리 표를 보면 A는 d번째 문서가 j번째 토픽과 맺고 있는 연관성 강도를 나타낸다. B는 d번째 문서의 n번째 단어 (w_d,n)가 j번째 토픽을 맺고 있는 연관성의 강도를 나타낸다.

표 1. LDA 모델 수식 정리표

Ⅳ. 학교생활 기록부 분석시스템 구현

본 논문에서는 학교생활 기록부 문서를 명사(nouns) 형태로 분석하고 이를 토대로 word2vec 모델 skip-gram 알고리즘, LDA 토픽 모델링을 이용하여 학습한 데이터를 활용해 학교생활기록부문서에서 학생의 특성과 희망하는 진학 목표에 대해 분석한다.

1. 시스템 환경 및 데이터

본 연구를 위하여 사용된 시스템의 구현 환경은 다음과 같다. 윈도우10과 리눅스 환경에서 C 언어 기반으로 개발된 파이썬 3.7.5 언어를 사용하였다. 원활한 연구를 위해 한국어 분석 도구 라이브러리 KoNLPy패키지 사용해 문장 분리, 토큰화, 정규화, 품사 태깅까지 한꺼번에 수행하였다. 또한 Gensim 패키지의 word2vec 모델을 사용하였다.[9]

시스템에 사용된 데이터는 충청북도 청주시 소재 일반계 고등학교 졸업생의 학교생활 기록부 4개의 데이터를 샘플 데이터로 사용하였다. 데이터는 2015년 기준으로 학교생활기록부 작성 지침에 따라 작성되었다. 시스템 분석의 신뢰도를 높이기 위해 학교생활기록부의 총 10가지 항목 중 3가지 항목만 분석한다. 다음 항목들은 [표 2]를 참고한다

표2. 학교생활 기록부 분석시스템 데이터 활용 항목

학교생활 기록부의 3가지 항목(창의적 체험활동 상황, 교과학습발달상황, 행동 특성 및 종합의견)에서 학생의 특성과 진학 목표를 가장 뚜렷이 확인할 수 있다[6]. 3가지 항목의 모든 데이터를 명사(nouns) 형태의 단어로 추출하여 빈도수를 확인한다. 명사(nouns) 형태로 추출하기 위해서 KoNLPy의 Okt, Counter, matplotlib, pytagcloud, wordcloud 모듈을 활용해 데이터를 분석하였다[14]. [그림 8] 에서는 모듈 이용해 명사(nouns) 형태로 불용어 처리, 단어 추출, 빈도수 분석을 위한 소스코드 과정이다. 처리 과정에서 중요한 한국어 자연어 처리를 위해 형태소 분석기로 Okt(Open Korea Text), Counter 모듈을 사용해 학교생활기록부를 분석한다. 문서 전체의 단어, 명사(nouns)로 추출도 중요하지만 불필요한 단어를 제거하는 부분도 중요하다. ‘은’, ‘임’, ‘나’, ‘등’, ‘알’, ‘함’ 등 조사 및 한 글자 단어와 ‘학년’, ‘번호’, ‘학기’, ‘관련’, ‘고등학교’, ‘대해’, ‘내용’, ‘위해’ 등 불필요 중복단어, 불용어(명사(nouns)는 아니지만 단어로 인식하는 단어) 제거도구로는 파이썬 프로그램 NLTK 패키지의 stopword를 사용하였다[15]. 또한 if 문과 for 문을 사용하여 데이터 분석을 원만히 진행하였다.

그림 8. Konlpy 패키지 모듈 처리 과정 소스 코드

[그림 9]는 Okt 모듈을 활용한 처리 과정 및 결과를 보여준다. [그림 9] 소스 코드를 사용해[표 2] 학교생활기록부 4가지 항목의 부분을 데이터 분석한 예시이다.

그림 9. Okt 모듈을 활용한 처리 과정 및 결과

분석한 핵심 단어를 시각화하기 위해 wordcloud 패키지를 이용한다. 해당 문서에서 중요 단어들을 직관적으로 파악할 수 있도록 핵심 단어를 시각적으로 돋보이게 하고 단어의 크기에 따라 빈도수를 표현하는 기법이다. 주로 방대한 양의 데이터를 분석할 때 특정 정보를 도출하기 위해 활용한다. 학교에 다니는 학생이라면 모두 학교생활기록부를 가지고 있다. 학생마다 데이터의 양이 다르기 때문에 진학과정에서 학교생활기록부의 중요성이 나타난다. 이러한 학교생활기록부는 평균적으로 6500자의 데이터 중 명사단어 추출 단어는 1800자의 데이터로 집계되었다. 수많은 단어 중 빈도수를 나타내기 위해 Counter 모듈을 통해 [그림 10]은 15번 중복 이상 단어 중 가장 많이 나타나는 최대 빈도 단어를 그래프로 시각화한 결과이다.

그림 10. 그래프 시각화

[그림 11]은 학교 생활기록부를 wordcloud를 통해 한눈에 보기 간편하게 시각화한 결과를 보여준다. ‘지리’가 가장 많은 빈도로 나타났고 그 다음으로는 ‘생각’, ‘사회’, ‘이해’, ‘역사’, ‘공부’ 등 큰 글자 순으로 빈도수가 표현되었다. 본 논문에서 제안하는 분석시스템은 학교생활기록부를 단어 분석과정을 거쳐 최대 빈도 단어와 wordcloud 시각화를 표현하고 LDA 토픽모델링으로 4개의 학교 생활기록부의 주제를 출력하기 위해 LDA 모델의 변수를 선정한다. 정확한 토픽 데이터를 얻기 위해서는 처리된 텍스트의 데이터 품질, 토픽의 다양성, 토픽 모델링 알고리즘, 알고리즘에 공급된 주제 수, 알고리즘 튜닝 파라미터로 정해진다. 토픽 모델에 필요한 사전과 코퍼스를 생성한다. 사전을 만들고 bag-of-words 코퍼스로 변환하여 필요한 사전과 코퍼스를 생성 및 저장한다. LDA에서 데이터를 3가지 항목으로 찾도록 요청한다.

그림 11. 최대빈도 단어 수와 wordcloud 시각화

[그림 12]는 학교생활 기록부의 3가지 항목(창의적 체험활동 상황, 교과학습 발달상황, 행동 특성 및 종합의견)에 대한 데이터의 모델링 된 가장 최적화된 단어선정이다.

그림 12. 토픽 모델 생성 소스 코드 및 결과 값

[표 3] 학교생활 기록부 3가지 항목을 Topic1 (창의적 체험활동 상황), Topic2 (교과학습 발달상황), Topic3 (행동특성 및 종합의견)으로 선택하여 전체의 단어 개수만큼 길이를 표현한다. 각 Topic에서 [그림 5] LDA 알고리즘을 통한 문서 생성과정을 살펴보면 Φ_k는 k번째 토픽에 해당하는 벡터이다. Φ_k의 각 요소는 확률이므로 [표 3] 열의 모든 요소의 합은 1이 된다. 학생1의 Topic1의 가장 많이 언급된 핵심 단어는 ‘관심’, Topic2는 ‘열정’, Topic3는 ‘노력’으로 나타난다. 이외의 단어 빈도수를 통해 각 Topic에 보완해야 할 핵심단어들을 생각해 볼 수 있다.

표 3. 높은 빈도 단어의 Topic 수치표

[표 4]는 4명의 학생의 학교생활 기록부 3가지 항목을 [표 3] 추출된 단어를 항목마다 수치화한 것이다. 학생1의 경우 Topic1, 2, 3중 Topic3가 높은 수치로 핵심단어들이 표현된다. [표3] 과 동일하게 Φ_k는 d번째 문서가 가진 토픽 비중의 나타내는 벡터이다. 전체 토픽 개수 K만큼의 길이를 가진다. 또한 Φ_k는 확률이므로 [표 4]의 행의 모든 요소의 합은 1이 된다. LDA 기법을 사용해 쉽고 빠르게 구현이 가능하고 Topic 별 단어의 잠재적 의미를 이끌어낼 수 있다.

표 4. 학교생활기록부 전체 Topic 수치표

Ⅴ. 결론

본 논문에서는 현재 교육 분야에서 관심도가 높은 학교생활기록부를 데이터 마이닝 기반기법들을 이용해 연구하였다. 방대한 양의 데이터를 word2vec 모델과 LDA 토픽 모델링 과정을 통해 특정 단어 추출, wordcloud 시각화, 토픽 수치화로 분석하였다. 학교생활기록부 분석시스템을 기반으로 학교생활기록부의 가장 중요한 3가지 항목(창의적 체험활동 상황, 교과학습 발달상황, 행동 특성 및 종합의견)의 데이터를 간편하게 볼 수 있도록 구현하였다. 실제 학생부종합전형의 정성적 평가 기준에 도움이 될 수 있는 학교생활기록부를 정량적인 평가를 실시한 것이다. 학년별로 분석시스템을 통해 자신의 학교생활기록부를 확인한다면 자신에게 부족한 활동요소와 나에게 필요한 문장 또는 단어들을 보완하고 학교생활 충실도를 올릴 수 있을 것이다. 또한 학생의 적성(흥미, 성격, 능력)을 파악하는 데 있어 도움이 될 것이라 생각한다. 결과적으로 학교생활기록부 분석시스템을 통해 자기 이해와 진로탐색이 필요한 학생, 전략적인 학습계획이 필요한 학생, 진학을 체계적으로 준비하는 학생 등 다양한 학생들에게 도움을 줄 수 있다. 데이터 마이닝 기법 이외에도 더 세심하고 견고한 분석시스템을 구축하기 위해서는 수많은 데이터 자료(학교생활기록부)가 필요할 것으로 보인다. 데이터 자료의 접근 권한은 개인정보 보안 문제로 본인이외의 부모님, 해당 선생님에게만 접근이 가능하여 데이터 수집의 어려움을 겪을 수 있다. 향후 연구과제로서 추가적인 데이터 자료수집과 불용어 처리 과정의 고급화, LDA 토픽 수 증가가 필요하다고 생각된다.