Determinants of Starting Salaries for Filipino Graduates: An Explainable Machine Learning Approach
본 연구는 크라우드소싱 설문 데이터를 활용한 설명 가능한 머신러닝 접근법을 통해 직무 역할과 산업군이 필리핀 대졸자의 초임 결정에 있어 기관의 명성보다 훨씬 더 중요한 주요 결정 요인임을 입증하며, 이는 진로 지도 및 정책 수립 시 부문별 특정 기술을 우선시할 필요가 있음을 시사한다.
원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기
필리핀에서는 상당수의 대졸자들이 일자리를 찾지 못하고 있으며, 이는 강의실에서 보낸 시간과 노동 시장의 현실 사이의 극명한 괴리를 만들어내고 있습니다. 취업에 성공한 이들에게는 그들이 받는 초봉이 자신의 특정 배경을 경제가 얼마나 가치 있게 여기는지 보여주는 명확한 신호 역할을 합니다. 전통적으로 연구자들은 마치 학교 동창회에서 인원 파악을 하듯, 얼마나 많은 졸업생이 고용되었고 평균 급여가 얼마인지를 단순히 집계하여 이러한 결과를 추적해 왔습니다. 하지만 이러한 수치는 무엇이 일어났는지는 말해주지만, 왜 일어났는지 또는 다음 세대의 학생들에게는 어떤 일이 일어날지는 말해주지 않습니다. 급여의 진정한 동인을 이해하기 위해서는 단순한 평균치를 넘어, 어떤 구체적인 요인들이 실제로 급여를 올리거나 내리는지를 살펴봐야 합니다.
필리핀 대학교(University of the Philippines)의 연구팀은 현대적인 컴퓨터 학습 기법을 독특한 데이터 세트에 적용하여 이 질문에 대한 답을 찾고자 했습니다. 그들은 약 3,000명의 필리핀 졸업생들의 첫 직장에 관한 정보를 수집한 크라우드 소싱 설문조사인 "First Pay"의 응답을 분석했습니다. 이 데이터는 오픈 온라인 양식을 통해 수집되었기 때문에, 직함이 매우 다양한 방식으로 작성되어 있고 기업 규모나 위치와 같은 중요한 세부 정보가 누락되는 등 정돈되지 않고 구조화되지 않은 상태였습니다. 연구진은 이 노이즈가 섞인 정보를 하나의 퍼즐로 취급하였으며, 교육, 성별, 직무 세부 사항을 바탕으로 졸업생이 어느 급여 구간에 속할지를 예측하기 위해 머신러닝을 사용했습니다. 그들의 목표는 단순히 예측을 하는 것뿐만 아니라, 설명 가능한 인공지능(explainable artificial intelligence)이라는 방법을 사용하여 컴퓨터가 결정을 내릴 때 정확히 어떤 정보에 의존했는지를 이해하는 것이었습니다.
연구 결과, 현지 노동 시장에 대한 명확하고도 다소 놀라운 진실이 드러났습니다. 그것은 바로 졸업생이 진입하는 구체적인 직무 역할과 산업군이 대학의 명성보다 훨씬 더 중요하다는 점입니다. 연구진이 데이터를 분석하도록 컴퓨터를 작동시켰을 때, 컴퓨터는 학교의 명성은 지속적으로 무시한 채 그 사람이 실제로 무엇을 하는지와 어디서 일하는지에 거의 전적으로 집중했습니다. 예를 들어, 컴퓨터는 광업이나 경영과 같은 특정 분야에서 일하는 졸업생이 사립대나 국립대 졸업 여부와 상관없이 건설업이나 사무직 종사자보다 훨씬 더 높은 급여를 받을 가능성이 높다는 것을 학습했습니다. 이 발견은 매우 강력하여 세 가지 다른 방식의 데이터 테스트 과정에서도 일관되게 나타났으며, 이는 노동 시장이 학위의 브랜드 네임보다는 기능적 기술과 산업 부문의 일치성을 훨씬 더 보상한다는 것을 시사합니다.
연구진은 이 결과가 우연이 아님을 확인하기 위해 여러 가지 방식으로 접근 방식을 테스트했습니다. 첫째, 예측을 분해하여 어떤 입력값이 가장 많이 기여했는지 확인하는 기법을 사용하여 직함과 산업명이 주요 동인임을 확인했습니다. 둘째, 고급 언어 도구를 사용하여 직무 설명의 복잡한 텍스트를 읽는 컴퓨터의 능력을 개선하려 시도했으나, 컴퓨터는 여전히 직업과 산업을 묘사하는 특정 단어들에 가장 크게 의존한다는 것을 발견했습니다. 마지막으로, 컴퓨터가 단순히 키워드를 매칭하는 것이 아니라 급여 범위의 경제적 의미를 추론할 수 있도록 문제를 재구성해 보았습니다. 더욱 정교한 추론 방식에도 불구하고, 컴퓨터는 여전히 직무 역할과 산업의 원시 텍스트에 크게 의존했습니다. 이러한 다양한 방법론 간의 일관성은 직무 역할과 산업의 지배력이 특정 컴퓨터 모델의 산물이 아니라 데이터 자체의 실제 특징임을 시사합니다.
또한 연구진은 정확한 급여를 예측하기 어려운 이유가 컴퓨팅 파워의 부족 때문이 아니라 데이터 자체의 한계 때문이라는 점을 발견했습니다. 설문조사가 자기 보고 방식에 의존했고 기업 규모나 경력과 같은 세부 정보가 부족했기 때문에, 컴퓨터가 결과를 예측하는 데에는 자연스러운 한계치가 존재했습니다. 특히 많은 유형의 직업이 급여 측면에서 중위권 급여대에 겹쳐 있는 경우 데이터는 매우 모호했습니다. 연구진은 급여를 보다 넓고 경제적으로 의미 있는 범주로 그룹화하는 것이 컴퓨터의 정확도를 높인다는 것을 발견했지만, 근본적인 교훈은 동일했습니다. 즉, 졸업생이 걷는 구체적인 경로가 그들이 나온 학교보다 더 중요하다는 것입니다.
궁극적으로 이 연구는 필리핀의 진로 지도와 교육 정책이 초점을 전환해야 함을 시사합니다. 대학의 명성을 강조하는 대신, 학생들의 기술을 가치가 높은 특정 산업 및 역할에 맞추도록 돕는 방향으로 나아가야 한다는 증거가 제시되었습니다. 이 연구는 데이터가 불완전했을지라도, 노동 시장이 졸업생이 어디에서 공부했는지보다 무엇을 하는지를 훨씬 더 가치 있게 여린다는 것을 보여줄 만큼 신호는 명확했습니다. 고용률에 대한 단순한 설명을 넘어 급여를 결정짓는 동인에 대한 심층적이고 데이터에 기반한 이해로 나아감으로써, 이 연구는 복잡한 필리핀 노동 시장을 헤쳐 나가는 졸업생, 교육자, 그리고 정책 입안자들에게 더 명확한 지도를 제공합니다.
연구 분야의 논문에 파묻히고 계신가요?
연구 키워드에 맞는 최신 논문의 일일 다이제스트를 받아보세요 — 기술 요약 포함, 당신의 언어로.