머신러닝 기법을 활용한 장인적 학습의 예측모형과 영향요인분석
이 글은 장인적 성취, 조직문화, 학습지원환경, 개인요인으로 장인적 학습을 예측하는 머신러닝 모형을 구축한 이호진(2026)을 원문의 절 구성에 따라 정리한다. 조직근로자 1,555명 자료에 세 가지 앙상블기법을 적용한 결과 RandomForest가 가장 우수했고(시험데이터 RMSE=.556, MAPE=8.45%), SHAP 분석에서 일의 수월성(29.64%)과 일에 대한 자긍심(21.66%), 동료의 학습지원(12.74%)이 상위 예측요인으로 나타났다. 일의 수월성은 선형 관계를, 동료의 학습지원과 일에 대한 자긍심은 약 4.5점 이후 기여가 커지는 비선형 관계를 보였다. 저자는 이를 학습과 성취의 순환적 관계를 뒷받침하는 근거로 제시하고 종단자료를 통한 검증을 후속 과제로 남겼다.
서론: 예측 방향을 뒤집은 설계
장인성 이론은 자신의 일 분야에서 숙련을 쌓아 최고의 성취에 이르고, 배운 것을 주변과 공동체로 넓혀 가는 현대적 장인의 특성을 규명한다(장원섭, 2015). 장인성을 장인적 학습, 장인적 성취, 장인적 일하기, 장인적 영향력의 네 영역으로 척도화하면서 실증 검증의 토대가 마련되었다.
척도 개발 이후 실증연구는 주로 장인적 학습을 매개변인으로, 장인적 성취를 결과변인으로 삼았다. 장인적 학습을 예측 대상으로 삼고, 장인성의 다른 구성요소와 조직·개인의 맥락요인이 이를 어떻게 설명하는지 살핀 연구는 드물었다. 선행연구(이호진, 2024)에서는 장인적 학습이 장인적 성취를 예측함을 확인했다. 이 연구는 장인성 모형이 전제하는 학습과 성취의 순환 관계를 확인하고자 예측 방향을 뒤집었다.
세 가지 연구문제는 세 앙상블기법의 예측성능, 예측요인의 상대적 중요도, 예측요인과 장인적 학습 사이의 함수관계다.
이론적 배경: 머신러닝과 세 층위의 예측요인
Yarkoni와 Westfall(2017)을 인용하며 머신러닝을 방법론적 대안으로 소개한다. 회귀분석과 구조방정식모형을 이용한 인과적 설명에 주력해 온 심리·행동과학 연구에서 표본 밖 예측력도 검증할 필요가 있기 때문이다. 트리 기반 앙상블기법은 모형 구조를 사전에 가정하지 않고 변수 간 상호작용과 비선형 관계를 포착한다.
예측요인을 세 층위로 나누었다.
| 층위 | 요인 | 근거로 제시된 논의 |
|---|---|---|
| 장인성 요인 | 장인적 성취(일의 수월성, 일의 성과, 일에 대한 자긍심) | 학습과 성취의 순환 관계(장원섭, 2015). 수월성은 자기효능감과 정교한 자기성찰의 토대가 되고, 성과는 피드백을 통해 경험학습의 성찰을 촉발하며, 자긍심은 긍정 정서의 확장·구축을 통해 탐색과 목표추구를 강화한다 |
| 조직요인 | 조직문화(관계·혁신·과업·위계), 학습지원환경(동료의 학습지원, 학습지원제도) | 무형식학습 연구에서 문화유형별로 상이한 예측 방향이 보고됨. 학습지원환경은 하위요인 수준의 선행 결과가 있음 |
| 개인요인 | 성별, 연령, 학력, 재직연수, 기업규모 | — |
이진희(2023)의 연구에서는 동료의 학습지원이 장인적 학습의 다섯 하위요인 모두와 유의한 정적 관계를 보였고, 학습지원제도는 일부 하위요인과만 유의한 관계를 보였다. 이를 바탕으로 비공식적·관계 기반 지원이 공식적·제도적 지원보다 넓은 범위에서 강한 예측력을 보일 것으로 기대해 두 하위요인을 구분해 투입했다.
장인적 학습과 장인적 성취의 개념적 중복 가능성도 검토했다. 장인성 모형은 두 개념을 시간적 선후관계가 있는 발달 단계로 정의한다. 두 개념 간 상관(.700)이 각 개념의 평균분산추출값의 제곱근(.710, .728)보다 낮아 Fornell과 Larcker(1981)의 기준을 충족했다.
연구방법
분석대상. 모집단은 국내 만 19세 이상 임금근로자다. 장원섭 교수 연구팀에서 장인성 측정도구 개발을 위해 2021년 4~5월 온라인으로 수집한 설문자료를 사용했다. 최초 응답자는 2,531명이었다. 다중허들방식으로 불성실 응답을 제거했다. 1단계 동의·반의 일관성 검정에서 786명, 2단계 한 줄 응답 방식에서 190명을 제외하고 최종 1,555명의 자료를 분석했다.
측정도구. 모든 문항은 7점 척도로 측정했다.
| 구분 | 요인 | 하위요인 | 문항수 | 출처 |
|---|---|---|---|---|
| 결과요인 | 장인적 학습 | 5 | 17 | 장경진 외(2021) |
| 예측요인 | 장인적 성취 | 3 | 20 | 이정아 외(2021) |
| 예측요인 | 조직문화 | 4 | 16 | Cameron & Quinn(2011) |
| 예측요인 | 학습지원환경 | 2 | 8 | 나소영·김진모(2016) |
| 예측요인 | 개인요인 | — | 5 | 성별, 연령, 학력, 재직연수, 기업규모 |
2차요인 구조의 확인적 요인분석에서 표준화 적재치는 .65~.93, 개념신뢰도는 .78~.89, Cronbach’s α는 .74~.89였다.
예측모형과 분석절차. 예측요인을 구성요인 단위(3개 변인)와 하위요인 단위(14개 변인)로 투입한 모형을 비교해 예측성능이 높은 하위요인 단위 모형을 채택했다. 자료를 훈련데이터(80%, n=1,244)와 시험데이터(20%, n=311)로 나누고, 10-fold 교차검증과 RandomizedSearchCV로 초모수를 탐색했다. 모형평가에는 RMSE, MAPE, R²를 썼다. 최적모형에 SHAP을 적용해 예측요인의 중요도를 분석하고, 부분의존도로 선형·비선형 관계를 살폈다.
연구결과
예측모형 성능. 장인적 학습의 표준편차는 .792였고, 세 모형의 시험데이터 RMSE는 .556~.570으로 모두 이보다 작았다. MAPE는 8.45~8.68%로 모두 우수(10% 이하) 수준이었다. RMSE(.556), MAPE(8.45%), R² 등 모든 지표에서 가장 우수한 RandomForest를 최적모형으로 채택했다. 논문에서는 RMSE .556을 장인적 학습의 실제값이 5점일 때 예측값이 대략 4.44~5.56 사이에 나온다는 뜻으로 설명했다.
예측요인 중요도(SHAP).
| 순위 | 변인 | 범주 | SHAP값 | 비율 |
|---|---|---|---|---|
| 1 | 일의 수월성 | 장인적 성취 | .215 | 29.64% |
| 2 | 일에 대한 자긍심 | 장인적 성취 | .157 | 21.66% |
| 3 | 동료의 학습지원 | 학습지원환경 | .092 | 12.74% |
| 4 | 일의 성과 | 장인적 성취 | .069 | 9.53% |
| 5 | 위계문화 | 조직문화 | .035 | 4.86% |
| 6 | 과업문화 | 조직문화 | .032 | 4.43% |
| 7 | 혁신문화 | 조직문화 | .027 | 3.76% |
| 8 | 학습지원제도 | 학습지원환경 | .025 | 3.42% |
| 9 | 관계문화 | 조직문화 | .023 | 3.12% |
| 10~14 | 성별, 기업규모, 학력, 재직연수, 연령 | 개인요인 | .008~.013 | 각 2% 미만 |
상위 네 요인의 누적 비율은 73.6%다. 학습지원제도의 중요도(3.42%)는 동료의 학습지원(12.74%)의 4분의 1 수준이었다.
예측요인과 장인적 학습 간 관계. 부분의존도 분석에서 일의 수월성이 높아질수록 장인적 학습의 예측값은 전 구간에서 선형으로 증가했다. 동료의 학습지원과 일에 대한 자긍심은 약 4.5점을 넘으면 예측 기여도가 급격히 상승하는 비선형(계단식) 패턴을 보였다.
결론 및 제언
논문의 결론은 네 가지다.
첫째, 장인적 성취는 장인적 학습 예측에 가장 크게 기여했다. 논문에서는 이 결과가 학습→성취 방향을 확인한 선행연구와 함께 순환적·상호강화적 관계의 실증 근거를 보완한다고 보았다. 일의 수월성과 일에 대한 자긍심이 일의 성과보다 예측에 크게 기여한 결과는 장인적 학습이 스스로 체득한 숙련과 정서적 자긍심에 밀접하게 관련된다고 해석했다. 다만 방향성과 강도를 확정하려면 종단자료가 필요하다고 덧붙였다.
둘째, 동료의 학습지원이 조직문화보다 큰 예측력을 보인 결과는 장인성 이론이 강조하는 사회적·비공식적 지지의 역할을 뒷받침한다. 이에 동료 간 학습문화 조성을 우선할 것을 제안했다.
셋째, 조직문화의 네 하위요인은 3~5%대의 비슷한 중요도를 보였다. 문화유형보다 구성원이 조직문화를 전반적으로 얼마나 강하게 인식하는지가 작용했을 가능성을 제시했다. 다만 이를 측정하지 않았으므로 후속연구에서 검증할 가설로 남겼다.
넷째, 비선형 관계는 일정 수준의 지지와 경험이 쌓이면 학습 촉진 효과가 나타난다는 뜻으로 해석했다. 이에 임계점 이하의 구성원에게 개입을 집중할 때 효과가 클 수 있다고 보았다.
후속 과제로 장인적 일하기와 장인적 영향력을 포함한 통합적 모형 구성, 인과포레스트 적용, 반복측정 종단자료를 통한 교차지연 효과 검증, 다층분석을 통한 개인수준과 조직수준 효과의 분리, 독립근로자 등 다른 근로형태와의 비교를 제안했다.
논의
같은 자료원을 쓴 최솔 외(2025)의 연구에서는 학습지원환경을 하나의 구인으로 두고 직무재구성을 거쳐 장인적 영향력에 이르는 경로를 구조방정식모형으로 검증했다. 이 연구의 조직문화와 학습지원환경은 개인의 인식을 바탕으로 측정했다. 따라서 조직문화의 중요도는 개인 수준에서 측정한 인식의 예측력을 나타낸다.
관련 선행연구
Putka 외(2018)의 연구에서는 조직연구의 현대적 예측방법을 전통적 회귀 기반 방법과 비교하고, 적용 사례에서 예측성능과 변수가 작동하는 방식을 보여 주었다. Yarkoni와 Westfall(2017)의 논문에서는 과적합, 교차검증, 정규화의 원리를 바탕으로 심리학 연구 평가에서 표본 밖 예측을 더 비중 있게 고려할 것을 제안했다. 이 논문의 시험데이터 분리와 10-fold 교차검증은 예측 중심 접근을 적용한 절차다.
Shmueli(2010)의 논문에서는 인과적 설명과 경험적 예측의 목적과 평가 기준이 다르며, 이 차이가 변수 선택부터 모형 검증까지 이어진다고 논했다. 일의 수월성과 일에 대한 자긍심의 높은 중요도는 예측모형의 특성이고, 학습과 성취의 순환 관계는 장인성 이론의 발달적 설명이다. 이 자료만으로는 순환 관계를 검증할 수 없다.
Lundberg와 Lee(2017)의 논문에서는 개별 예측에서 각 특성의 기여도를 산정하는 SHAP을 제안하고, 가산적 특성 기여도 방법들을 공통된 틀로 묶었다. SHAP 중요도는 학습된 모형의 예측값에 각 변수가 기여한 정도를 나타낸다. 동료의 학습지원(12.74%)과 학습지원제도(3.42%)의 차이는 모형 내 기여도의 차이다. Janzing 외(2020)의 연구에서는 Shapley 값 계산에서 제외된 특성에 부여하는 확률분포를 검토하며 관찰적 조건부 확률과 개입적 확률을 구분했다. 서로 상관된 개념을 다룰 때 두 방식은 같은 변수에도 다른 중요도를 부여한다.
Kapoor와 Narayanan(2023)의 논문에서는 자료 분할과 전처리 절차가 예측성능 보고에 미치는 영향을 정리했다.
참고문헌
- 이호진. (2026). 머신러닝 기법을 활용한 장인적 학습의 예측모형과 영향요인분석: 조직근로자를 중심으로. 인문사회과학연구, 8(4), 1129–1148. https://doi.org/10.62783/SHSS.8.4.65
- Janzing, D., Minorics, L., & Blöbaum, P. (2020). Feature relevance quantification in explainable AI: A causal problem. In S. Chiappa & R. Calandra (Eds.), Proceedings of the twenty third international conference on artificial intelligence and statistics (Vol. 108, pp. 2907–2916). PMLR.
- Kapoor, S., & Narayanan, A. (2023). Leakage and the reproducibility crisis in machine-learning-based science. Patterns, 4(9), Article 100804. https://doi.org/10.1016/j.patter.2023.100804
- Lundberg, S. M., & Lee, S.-I. (2017). A unified approach to interpreting model predictions. In I. Guyon, U. von Luxburg, S. Bengio, H. Wallach, R. Fergus, S. Vishwanathan, & R. Garnett (Eds.), Advances in neural information processing systems (Vol. 30, pp. 4765–4774). Curran Associates.
- Putka, D. J., Beatty, A. S., & Reeder, M. C. (2018). Modern prediction methods: New perspectives on a common problem. Organizational Research Methods, 21(3), 689–732. https://doi.org/10.1177/1094428117697041
- Shmueli, G. (2010). To explain or to predict? Statistical Science, 25(3), 289–310. https://doi.org/10.1214/10-STS330
- Yarkoni, T., & Westfall, J. (2017). Choosing prediction over explanation in psychology: Lessons from machine learning. Perspectives on Psychological Science, 12(6), 1100–1122. https://doi.org/10.1177/1745691617693393
이 글이 다룬 논문 인용하기
이호진 (2026). 머신러닝 기법을 활용한 장인적 학습의 예측모형과 영향요인분석: 조직근로자를 중심으로. 인문사회과학연구, 8(4), 1129-1148.
@article{이호진2026,
author = {이호진},
title = {머신러닝 기법을 활용한 장인적 학습의 예측모형과 영향요인분석: 조직근로자를 중심으로},
journal = {인문사회과학연구},
year = {2026},
volume = {8},
number = {4},
pages = {1129-1148},
doi = {10.62783/SHSS.8.4.65}
}TY - JOUR AU - 이호진 TI - 머신러닝 기법을 활용한 장인적 학습의 예측모형과 영향요인분석: 조직근로자를 중심으로 JO - 인문사회과학연구 VL - 8 IS - 4 SP - 1129 EP - 1148 PY - 2026 DO - 10.62783/SHSS.8.4.65 ER -