연구정보시스템 데이터 품질 향상 방안

초록

본 논문은 연구정보시스템(RIS)의 데이터 품질 저하 요인을 체계적으로 분석하고, 데이터 수집·통합·관리 단계에서 발생하는 중복, 누락, 형식 오류, 일관성 결함 등을 해결하기 위한 최신 데이터 정제 기법을 제시한다. RIS의 3계층 아키텍처(데이터 접근, 응용, 프레젠테이션)와 국제 표준 모델(RCD·CERIF)을 기반으로 파싱, 오류 교정, 표준화, 데이터 보강, 매칭·통합, 프로파일링 순서의 정제 프로세스를 설계하고, 실제 사례를 통해 적용 가능성을 검증한다.

상세 분석

연구정보시스템(RIS)은 대학·연구기관이 연구 활동·성과를 메타데이터 형태로 수집·관리하는 핵심 인프라이다. 그러나 RIS는 다수의 내부·외부 데이터 소스(도서관 카탈로그, ORCID, 특허 데이터베이스, 프로젝트 관리 시스템 등)와 연동하면서 데이터 중복, 누락, 형식 불일치, 논리적 모순 등 다양한 품질 결함이 축적된다. 이러한 결함은 검색 정확도 저하, 보고서 자동화 실패, 정책 의사결정 오류 등 실질적인 부정 효과를 초래한다. 논문은 먼저 RIS를 데이터 접근‑응용‑프레젠테이션 3계층으로 모델링하고, 각 계층이 품질 관리에 맡는 역할을 명확히 한다. 데이터 접근 계층은 원천 시스템과의 인터페이스를 담당하므로, 표준화된 메타데이터 스키마(CERIF, RCD)와 연계된 수집 규칙이 필요하다. 응용 계층에서는 정제 로직이 구현되며, 프레젠테이션 계층은 사용자에게 일관된 뷰를 제공한다.

품질 문제는 크게 결측값, 부정확한 입력, 중복 레코드, 비균일 표현, 논리적 모순의 다섯 가지 패턴으로 분류된다. 논문은 이러한 패턴을 식별하기 위한 프로파일링 기법을 강조한다. 프로파일링은 각 속성의 분포·패턴·통계치를 자동 추출해 이상치를 탐지하고, 우선순위 기반 정제 작업을 계획한다.

정제 프로세스는 파싱→교정→표준화→보강→매칭→통합→프로파일링 순으로 정의된다. 파싱 단계에서는 주소·우편번호·날짜 등 복합 필드를 토큰화하고, 사전 기반 토큰 집합을 생성해 형식 오류를 탐지한다. 교정 단계에서는 사전 정의된 규칙(예: ‘St.’→‘Street’)과 머신러닝 기반 오류 감지를 결합해 오탈자를 자동 수정한다. 표준화는 국제 표준 코드(ISO 국가코드, ORCID 등)와 매핑해 데이터 형식을 일관되게 만든다. 보강 단계는 외부 데이터베이스와 연계해 누락된 속성을 채우고, 지리·인구 통계 정보를 추가한다. 매칭 단계에서는 레코드 간 유사도 계산(레벤슈타인, Jaccard 등)과 블로킹 기법을 활용해 중복을 식별·통합한다. 통합 단계에서는 병합 정책(우선순위, 최신성)과 버전 관리가 적용돼 데이터 손실 없이 하나의 통합 레코드가 생성된다. 마지막 프로파일링은 정제 후 품질 지표(완전성, 정확성, 일관성, 최신성)를 재측정해 정제 효과를 검증한다.

실제 사례에서는 논문 저자명, 소속, 프로젝트 번호 등에서 발생한 오탈자·중복·누락을 정제 프로세스에 적용해 오류율을 85% 이상 감소시켰으며, RIS 기반 보고서 자동 생성 시간도 60% 단축되었다. 이러한 결과는 정제 프로세스가 RIS 전반에 걸쳐 재현 가능함을 보여준다.

결론적으로, 논문은 RIS 데이터 품질을 체계적으로 관리하기 위해 1) 표준 메타데이터 모델과 연계된 계층형 아키텍처, 2) 정량적 프로파일링 기반 오류 패턴 식별, 3) 파싱·교정·표준화·보강·매칭·통합·프로파일링의 일관된 워크플로우를 제시한다. 이는 향후 RIS의 자동화·통합·분석 기능을 고도화하고, 연구기관의 의사결정 지원 체계를 강화하는 기반이 된다.