꿈의 직업을 향한 길, 문자열 매칭과 의사결정 나무가 제안하다

초록

본 논문은 고등학교 및 대학 졸업생의 현재 학력을 바탕으로 목표 직업에 도달하기 위한 경력 경로를 제안하는 모델을 제시한다. LinkedIn 및 설문조사를 통해 수집한 다양한 전문가의 경력 데이터를 기반으로, 퍼지 문자열 매칭(Fuzzy String Matching) 알고리즘을 사용해 사용자의 목표 직업과 데이터를 비교하고, 의사결정 트리 로직을 적용하여 개인화된 학사-석사-박사 진로 경로를 제안한다.

상세 분석

이 연구의 기술적 핵심은 ‘퍼지 문자열 매칭(Fuzzywuzzy 라이브러리 활용)‘과 ‘규칙 기반 의사결정 트리’의 결합에 있다. 먼저, 사용자가 입력한 목표 직업명(예: “Software Engineer”)과 데이터셋 내 ‘Work Position’ 필드를 비교한다. 이때 정확한 일치가 아닌 유사도 기반 매칭을 수행하는데, 두 가지 방식을 사용한다: 1) ‘Simple Ratio’: 두 문자열의 전체적인 유사도를 퍼센트로 계산(100%가 완전 일치). 2) ‘Partial Ratio’: 길이가 다른 문자열(예: “Developer” vs “Software Developer”)에서 짧은 문자열 길이만큼의 가장 유사한 부분 문자열을 찾아 비교한다. Simple Ratio에서 60% 이상, Partial Ratio에서 80% 이상의 유사도를 보이는 데이터 행을 후보로 선정한다.

의사결정 트리 로직은 사용자의 ‘현재 교육 상태’라는 단일 변수에 기반한다. 현재 상태가 “고등학교"라면 데이터 후보로부터 학사, 석사, 박사 정보 전체를 제안 경로에 포함시키고, “학사"라면 석사와 박사 정보만 포함시킨다. 이는 모델의 핵심 가정(석사 이상은 진로가 결정되었다고 가정)에 따른 것이다. 최종 결과는 유사도가 높은 순으로 정렬되어 사용자에게 제시된다.

이 모델의 주요 통찰 및 한계점은 다음과 같다. 강점은 복잡한 머신러닝 모델이 아닌 비교적 단순한 규칙과 문자열 매칭으로 실용적인 결과를 도출한 점이다. 제안된 경로(예: 소프트웨어 엔지니어 -> 컴퓨터 과학 석사)는 현실적이고 직관적이다. 그러나 한계점도 명확하다. 첫째, 경로 제안의 핵심 로직이 단순한 조건문(if-else) 수준이며, 진정한 의미의 ‘의사결정 트리 학습 모델’이 적용된 것은 아니다. 둘째, 데이터의 질과 양에 크게 의존한다. LinkedIn 프로필과 설문조사 데이터는 표준화되지 않았고, 선택 편향(selection bias)이 존재할 수 있다. 셋째, 대학의 명성, 지역, 인턴십, 개인 기술 등 경력 성공에 영향을 미치는 핵심 요소들을 고려하지 않았다. 논문에서도 지적했듯이, 대학 랭킹 반영 및 인턴십 데이터 통합은 필수적인 개선 사항이다. 결론적으로, 이 모델은 규칙 기반 자동화 시스템의 프로토타입으로서 의미가 있으나, 보다 정교한 추천을 위해서는 더 풍부한 피처(feature)와 진보된 추천 알고리즘(협업 필터링, 콘텐츠 기반 필터링 등)의 도입이 필요하다.