📄 medicine

Development and validation of a machine learning-based predictive model for work readiness in Chinese vocational nursing students

본 연구는 854명의 중국 직업 간호 학생들의 다기관 데이터를 사용하여 머신러닝 기반의 예측 모델을 개발 및 검증하였으며, 미래 직업 자기 명료성(Future Work Self-Clarity)을 직업 준비도의 주요 예측 요인으로 식별하고, Elastic Net 및 SVM과 같은 알고리즘이 표적 교육적 개입을 가능하게 하기 위해 위험군 학생을 효과적으로 선별할 수 있음을 입증하였다.

원저자: Xixi Du, Lijuan Zhou, Zhen Shi, Dongyang Wang, Guozeng Zhang

게시일 2026-09-02

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Xixi Du, Lijuan Zhou, Zhen Shi, Dongyang Wang, Guozeng Zhang

원본 논문은 CC BY 4.0 (https://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

의료계는 조용하지만 점점 커지는 압박에 직면해 있습니다. 고령화되는 인구를 돌볼 간호사가 단순히 부족하기 때문입니다. 중국에서 이러한 부족 현상은 특히 심각하며, 그 해결책은 종종 직업 간호 프로그램에 입학하는 학생들에게 달려 있습니다. 이 학생들은 신입 간호사의 대다수를 차지하지만, 독특한 장애물에 부딪힙니다. 4년제 대학 프로그램의 동료들과 달리, 이들은 더 짧고 기술 중심적인 과정을 통해 훈련받으며, 종종 이론적 배경이 부족한 상태로 노동 현장에 투입됩니다. 강의실을 넘어, 이들은 점점 더 높은 자격 요건을 요구하는 취업 시장에 맞닥뜨리며, 많은 이들이 병원 생활의 현실에 준비가 덜 되었다고 느끼곤 합니다. 교육자들의 핵심 질문은 단순히 이 학생들이 시험에 통과할 수 있느냐가 아니라, 이들이 정말로 자신감을 가지고 환자를 돌보며 병실에 들어설 준비가 되었는가 하는 것입니다.

이를 답하기 위해, 연구팀은 무엇이 실제로 학생을 실무에 대비하게 만드는지를 이해하고자 했습니다. 그들은 단순한 의학적 지식을 넘어선 개념인 '직무 준비도(work readiness)'에 주목했습니다. 이는 학생의 적응 능력, 자신의 기술에 대한 자신감, 전문적 정체성, 그리고 상황이 잘못되었을 때의 정신적 회복탄력성을 포괄합니다. 이전 연구들이 이러한 요소들을 단순한 통계적 방법으로 하나씩 살펴보았다면, 이 그룹은 전체적인 그림을 보고자 했습니다. 그들은 인간이 놓칠 수 있는 패턴을 찾아내기 위해 데이터로부터 학습하는 컴퓨터 과학의 한 분야인 머신러닝을 활용했습니다. 연구진은 학생들의 배경, 감정, 자기 평가에 관한 방대한 정보를 컴퓨터에 입력함으로써, 졸업 전부터 누가 어려움을 겪고 누가 잘 해낼지를 예측할 수 있는 도구를 구축하고자 했습니다.

연구는 중국 허난성의 4개 대학에서 진행되었으며, 마지막 학년에 재학 중인 854명의 직업 간호 학생들을 대상으로 했습니다. 이 학생들은 단순히 의견을 제출하는 데 그치지 않고, 간호 기술에 대한 자신감, 미래 직업에 대한 명확성, 전문적 정체성, 그리고 좌절을 다루는 방식 등을 측정하는 상세한 설문조사를 완료했습니다. 연구진은 이 데이터를 분석하기 위해 7가지의 서로 다른 컴퓨터 알고리즘을 사용하였으며, 어떤 방법이 학생의 전반적인 직무 준비도 점수를 가장 잘 예측할 수 있는지 테스트했습니다. 목표는 모델이 정확할 뿐만 아니라 이해 가능하여, 교사들이 그 결과를 바탕으로 학생들을 도울 수 있도록 하는 것이었습니다.

결과는 놀라웠습니다. 컴퓨터 모델은 학생의 준비도가 소수의 심리적 요인에 의해 매우 예측 가능하다는 것을 발견했습니다. 가장 강력한 예측 변수는 학생의 연령, 가족 배경, 또는 출신 지역이 아니었습니다. 대신, 단 하나의 가장 중요한 요인은 바로 '미래 직업 자아 명확성(future work self-clarity)'이었습니다. 이는 학생이 미래의 자신을 간호사로서 얼마나 선명하게 그려낼 수 있는지를 측정하는 지표입니다. 자신의 미래 직업을 생생하고 명확하게 그리는 학생들은 현업에 투입될 준비가 훨씬 더 잘 되어 있었습니다. 그 뒤를 바짝 쫓은 것은 자신의 실질적인 기술에 대한 자신감과 전문적 공동체로부터 느끼는 지지였습니다. 컴퓨터 모델은 이러한 내부적, 심리적 요인들이 그 어떤 인구통계학적 세부 사항보다 학생의 준비도를 훨씬 더 많이 설명한다는 것을 보여주었습니다.

하나의 중요한 발견은 모델이 무엇을 배제했는가 하는 점이었습니다. 데이터는 학생의 성별, 연령, 또는 가족 배경이 직무 준비도에 거의 영향을 미치지 않는다는 것을 보여주었습니다. 이는 간호사로서 자신감을 갖추는 데 있어 장벽이 학생이 누구인지에 뿌리를 둔 것이 아니라, 어떻게 지원받고 자신의 잠재력을 어떻게 바라보느냐에 달려 있음을 시사합니다. 이 연구는 배경이 운명을 결정짓는 것이 아니라, 학생의 마음가짐과 그들에게 가용한 자원이 결정한다는 것을 명시적으로 입증했습니다. 이는 교육의 초점을 학생의 배경에 따라 학생을 '교정'하는 것에서, 학생의 자신감과 비전을 구축하는 것으로 전환하는 중요한 구분이 됩니다.

연구진은 또한 모델을 테스트하여 어려움을 겪을 위험이 있는 학생들을 식별할 수 있는지 확인했습니다. 그들은 컴퓨터 프로그램이 높은 정확도로 준비도가 낮은 학생들을 성공적으로 찾아낼 수 있다는 것을 발견했습니다. 실질적인 관점에서 이는 학교가 이러한 도구를 사용하여 조기에 학생들을 선별할 수 있음을 의미합니다. 만약 어떤 학생이 미래에 대한 명확성이 낮거나 기술에 대한 자신감이 낮다면, 교육자는 즉시 개입할 수 있습니다. 연구는 이러한 개입을 위한 구체적인 단계들을 제안합니다: 워크숍을 통해 학생들이 미래의 직업을 시각화하도록 돕고, 기술적 자신감을 쌓기 위한 표적 코칭을 제공하며, 임상 실습의 스트레스를 견딜 수 있도록 회복탄력성 훈련을 제공하는 것입니다.

이 연구는 글로벌 간호사 부족 문제를 해결했다고 주장하거나, 컴퓨터 프로그램이 인간 교사를 대체할 수 있다고 제안한 것이 아닙니다. 연구진은 자신들의 작업이 특정 시점의 스냅샷에 기반하고 있으며, 학생들의 자기 보고가 편향될 수 있음을 주의 깊게 언급했습니다. 또한 데이터가 한 성(province)에서 왔으며, 모델이 보편적으로 작동하는지 확인하기 위해 다른 곳에서도 테스트되어야 함을 인정했습니다. 그러나 그들이 수집한 증거는 새로운 길을 제시하기에 충분히 강력했습니다. 머신러닝을 사용하여 직무 준비도의 심리적 동인을 해독함으로써, 그들은 교육자들에게 명확하고 데이터에 기반한 지도를 제공했습니다.

궁극적으로, 이 연구는 직업 간호 학생들을 위한 흐름을 바꿀 방법을 제시합니다. 이는 학생과 전문가 사이의 격차가 고정된 특성이 아니라, 명확성, 자신감, 그리고 지원에 의해 영향을 받는 가변적인 상태임을 보여줍니다. 이 연구에서 개발된 도구들은 교육자들이 추측에서 벗어나 정밀함으로 나아갈 수 있게 해줍니다. 학생이 실패할 때까지 기다리는 대신, 학교는 이제 학생에게 부족한 구체적인 심리적 요소가 무엇인지 파악하고 필요한 것을 정확히 채워줄 수 있습니다. 모든 간호사가 소중한 세상에서, 학생이 졸업하기도 전에 준비도를 육성할 수 있는 이러한 능력은 단순히 충분한 인력을 넘어 진정으로 준비된 인력을 만드는 차이를 만들어낼 수 있습니다.

기술 요약: 중국 직업 간호 학생의 직무 준비도 예측을 위한 머신러닝 기반 모델의 개발 및 검증

문제 제기
중국은 심각한 간호 인력 부족 문제에 직면해 있으며, 직업 간호 학생들은 국가 전체 간호 등록 인원의 60% 이상을 차지하고 있습니다. 이들은 최전방 돌봄 인력으로서 핵심적인 역할을 수행함에도 불구하고, 빈번하게 불충분한 직무 준비도를 보이며 이는 취업의 어려움과 졸업 후 적응 실패로 이어지고 있습니다. 기존 연구들은 직무 준비도에 영향을 미치는 다양한 인구통계학적, 교육적, 심리적 요인들을 식별해 왔으나, 대개 단일 분석 프레임워크 내의 전통적인 선형 회귀 분석에 의존해 왔습니다. 결과적으로, 위험군 학생을 조기에 선별하여 표적화된 교육적 개입을 촉진할 수 있는, 이론적 근거가 탄탄하고 검증 가능하며 해석 가능한 도구가 부족한 실정입니다.

연구 방법론
본 연구는 중국 허난성 소재 4개 대학의 직업 간호 학생 854명을 대상으로 다기관 단면 조사 설계를 채택하였습니다. 데이터 수집은 2025년 5월에서 8월 사이에 진행되었습니다. 연구에는 세 가지 주요 도구가 사용되었습니다:

간호사 직무 준비도 척도 (WRS-GN-C): 직무 경쟁력, 사회적 능력, 경력 개발, 조직 이해도, 개인적 직무 특성을 평가하는 주요 결과 측정 도구입니다.
간호 전문직 정체성 척도 (NPIS): 전문직 인지, 사회적 기술, 사회적 지지, 좌절 대응, 전문적 성찰을 측정합니다.
미래 직업 자기 명료성 척도 (FWSS): 미래의 직업적 자기 표상에 대한 명확성을 평가합니다.

본 연구는 Python(scikit-learn 1.4)을 사용하여 비교 머신러닝(ML) 파이프라인을 구현했습니다. 두 가지 분석 접근 방식이 채택되었습니다:

연속형 회귀 (Continuous Regression): 연속형 WRS-GN-C 총점을 예측하기 위해 7가지 알고리즘(선형 회귀, Ridge, Elastic Net, Random Forest, Gradient Boosting, SVR, KNN)을 비교했습니다.
이진 분류 (Binary Classification): 참가자들을 표본 중앙값(≤240.5 vs. >240.5)을 기준으로 저준비 및 고준비 그룹으로 계층화했습니다. 7가지 분류 알고리즘(Logistic Regression, Random Forest, Gradient Boosting, SVM, KNN, Decision Tree, MLP)을 비교했습니다.

데이터셋은 훈련 세트와 테스트 세트로 7:3 비율로 분할되었습니다. 모델 성능은 회귀의 경우 $R^2$ , RMSE, MAE를 사용하여, 분류의 경우 AUC-ROC, 정확도(Accuracy), 정밀도(Precision), 재현율(Recall), F1-score를 사용하여 평가되었습니다. 머신러닝의 "블랙박스" 특성을 해결하기 위해, 선형 모델을 위한 표준화 계수와 트리 기반 모델의 특징 중요도 및 해석 가능성을 정량화하기 위한 TreeExplainer 기반의 SHAP(SHapley Additive exPlanations) 값을 통합하여 설명 가능한 AI(XAI) 기법을 적용했습니다.

주요 결과

최적 회귀 모델: Elastic Net 회귀 모델이 $R^2$ 0.705, RMSE 28.14, MAE 21.83으로 가장 높은 예측 성능을 달ien했습니다. 이 모델은 교차 검증 대비 테스트 세트의 $R^2$ 비율이 0.95로 나타나 과적합이 거의 없는 우수한 일반화 능력을 보여주었습니다. 트리 기반 모델들은 다소 낮은 성능을 보였으며, 이는 데이터 구조가 지배적으로 선형적임을 시사합니다.
최적 분류 모델: 위험군 학생 식별을 위해서는 **Support Vector Machine (SVM)**이 가장 높은 AUC-ROC(0.894)를 달성했으며, Random Forest는 가장 높은 재현율(83.6%)을 보여 임상 선별 맥락에서 위음성(False Negative)을 최소화하는 데 더 우수한 선택임을 입증했습니다.
특징 중요도: 두 모델링 접근 방식 모두에서 수정 가능한 심리적 요인이 지배적인 예측 변수로 나타났으며, 인구통계학적 변수는 미미한 분산만을 기여했습니다.
- **미래 직업 자기 명료성 (FWSS)**이 가장 영향력 있는 단일 예측 변수로 나타났습니다 (Elastic Net에서의 표준화된 $|\beta| = 14.51$ , Random Forest에서의 평균 $|SHAP| = 0.062$ ).
- 기술 자신감 ( $|\beta| = 7.76$ )과 전문직 정체성—사회적 지지 ( $|\beta| = 6.91$ )가 그다음으로 중요한 예측 변수로 뒤를 이었습니다.
- SHAP 분석은 주요 심리적 구성 개념에 대한 단조 증가 관계를 확인하였으며, 전통적인 계수 기반 방법으로는 포착할 수 없는 맥락 의존적 효과를 밝혀냈습니다.

주요 기여

방법론적 발전: 본 연구는 단순한 단일 변수 선형 분석을 넘어, 직업 간호 직무 준비도를 위한 최적의 예측 프레임워크를 식별하기 위해 다수의 선형 및 비선형 알고리즘을 체계적으로 비교함으로써 방법론적 진보를 이루었습니다.
해석 가능성: SHAP 값을 표준 회귀 계수와 통합함으로써, 특정 심리적 예측 요인의 계층적 기여도를 정량화하는 투명하고 해석 가능한 모델을 제공하여 의료 교육에서 흔히 발생하는 머신러닝의 "블랙박스" 한계를 해결했습니다.
실행 가능한 목표 식별: 본 연구는 "미래 직업 자기 명료성"을 가장 실행 가능한 중재 목표로 분리해 냈으며, 이는 예측 효용성이 없었던 인구통계학적 요인과 구별됩니다. 이는 초점을 정적인 배경 특성에서 수정 가능한 심리적 구성 개념으로 전환시킵니다.

의의 및 주장
저자들은 개발된 예측 모델이 **정밀 간호 교육(Precision Nursing Education)**을 위한 방법론적 토대를 제공한다고 주장합니다. 본 연구는 직업 간호 학생의 직무 준비도가 수정 가능한 소수의 심리적 요인으로부터 매우 높은 예측 가능성을 가진다고 단언합니다. 구체적으로, 연구 결과는 다음과 같은 단계별 중재 프레임워크의 구현을 지지합니다:

보편적 중재: 미래 직업 자기 명료성을 높이기 위한 경력 시각화 워크숍.
선택적 중 중재: 자기 명료성이나 기술 자신감이 낮은 학생들을 위한 표적 튜터링.
지시적 중재: 다수의 결핍을 가진 고위험군 학생을 위한 집중 지원(예: 회복탄력성 훈련, 동료 지원).

결론적으로, 본 연구는 이러한 데이터 기반의 해석 가능한 모델을 통해 교육자들이 위험군 학생을 선제적으로 선별하고 차별화된 훈련을 실시함으로써, 졸업생의 임상 역량을 향상시키고 글로벌 간호 인력 부족 문제를 완화하는 데 기여할 수 있다고 밝힙니다. 본 연구는 단면적 설계 및 자기 보고식 데이터의 한계를 인정하며, 이러한 발견을 검증하기 위한 향적 종단적 연구 및 인과 추론 연구를 권고합니다.

유사한 논문