ScholarWorks@성균관대학교

초록

본 연구는 기존 선행연구와 차별화하여, 반사실적 조합(counterfactual instances)을 기반으로 예측 모델의 공정성을 정량적으로 평가하고, 그 원인을 민감 속성 중심의 설명 가능한기여도 분석을 통해 식별하고자 하였다. 특히, 단순히 예측 결과의 불평등을 측정하는 데 그치지 않고, 모델이 특정 민감 속성 변화에 따라 예측을 반전(Flip)시키는지를 분석하고, 그 경계 근처에서 민감 속성이 어떤 기여를 하는지를 Counterfactual SHAP 및 iBreakDown 기반 설명 가능한 인공지능 기법으로 시각화 및 설명하였다. 이는 고등교육 정책 수립 및 조기 이탈 대응에 있어 데이터 기반 알고리즘의 책임성과 신뢰성을 높이는 정량적 근거로 활용될 수 있다. 실험에서는 대학생의 학업 성취 수준(졸업, 중도탈락, 재학)을 예측하는 AutoML 기반 머신러닝 모델 중 Stacked Ensemble이 가장 높은 예측력을 보여 기준 모델로 활용되었으며, 민감 속성으로 부모의 학력 및 직업을 설정하였다. 상위 조합(top-n=3)과 20개 샘플을 대상으로 한 반사실적 데이터 실험에서 Flip 발생률은 16.9%로 측정되었으며, 특히 ‘아버지의 학력’이 예측 반전에 큰 영향을 주는 것으로 나타났다. 더불어 SHAP 및 iBreakDown 기법을 활용한 분석 결과, 해당 속성의 상대적 기여도가 타 속성보다 약 1.5배 이상 높은 영향력을 보이며 예측 반전에 결정적 역할을 하는 것으로 확인되었다. 이러한 결과는 학습 알고리즘의 편향 원인을 추론하고 공정성을 개선하기 위한 실질적 분석 도구로 활용 가능함을 시사한다.

키워드