[BDAI Inside] ep3. '어제의 경험'을 '오늘의 확신'으로 바꾸는 법
1. 수천 명의 행동이 만드는 '교육 생태계'
BDAI 12기는 단순한 교육 과정을 넘어, 상당한 규모의 전체 학회원과 수십 개의 세부 분반이 유기적으로 얽힌 거대 생태계입니다. 우리는 학회원 개개인의 성실도뿐만 아니라, 그들이 속한 '분반'이라는 환경이 이탈에 미치는 영향력을 포착해야 했습니다.
분석 단위: 개별 학회원.
계층 구조: 학회원이 소속된 전체 교육 분반.
핵심 질문: 과거 11기의 약 98%에 달하는 높은 잔존율은 현재 12기의 변동성을 어디까지 설명해줄 수 있는가?
2. 11기 데이터의 재발견: '경험'이라는 이름의 사전 정보(Prior)
베이지안 모델의 가장 큰 매력은 과거의 지표를 '사전 정보(Prior)'로 사용할 수 있다는 점입니다. 우리는 11기의 활동 패턴을 정교하게 분석하여 모델의 기초로 삼았습니다.
Anchor: 11기 분석 결과에서 도출된 지표를 12기 모델의 '사전 믿음'으로 주입했습니다.
지식의 전이: 이는 12기 데이터가 충분히 쌓이기 전이라도, 선배 기수가 보여준 '학습 관성'을 바탕으로 모델이 합리적인 예측을 시작할 수 있게 돕는 경험적 가이드가 됩니다.
3. 분반별 이질성: '평균의 함정'을 시각화하다
데이터를 뜯어보니 놀라운 사실이 발견되었습니다. 12기 특정 시점의 전체 출석률은 약 66% 수준이었지만, 분반별로 들여다보니 그 차이가 극명했습니다.
극단적 격차: 어떤 분반은 출석률이 약 6%에 불과한 반면, 어떤 분반은 90%를 유지하고 있었습니다.
계층 모형의 필연성: 만약 우리가 모든 분반을 하나로 뭉뚱그려 분석했다면, 위태로운 분반의 신호를 전체 평균이라는 수치 뒤로 숨겨버리는 치명적인 실수를 범했을 것입니다.
4. 인사이트: 데이터로 그리는 '선제적 위기 관리'
우리는 과거의 '지식'과 현재의 '현실'을 결합하여, 각 분반이 가진 고유한 특성을 인정하는 계층적 접근을 택했습니다. 이를 통해 얻은 성과는 명확합니다.
단순히 데이터를 하나로 모아 분석했을 때보다 예측의 정교함을 비약적으로 향상시켰습니다.
이는 분반별 운영 차이가 결과에 얼마나 큰 영향을 주는지 수리적으로 증명한 결과입니다.
또한 과거의 높은 기대치에만 매몰되지 않고, 현재 학회원들이 보내는 신호를 즉각적으로 반영하여 사후 확률을 현실적으로 업데이트(Update)했습니다.
