빅데이터를 활용한 대학구조개혁 평가의 키워드 및 토픽 분석

Abstract

컴퓨터 하드웨어 및 소프트웨어의 기술적 발전과 다양한 정보 채널이 폭발적으로 늘어나면서 이로 인해 생성, 축적되는 빅데이터의 분석 및 활용에 대한 관심이 증대되고 있다. 사회과학 분야에서는 특히 텍스트 마이닝(text mining) 기법을 활용한 텍스트 빅데이터(text bigdata) 분석이 주목받고 있다. 이 연구는 대학구조개혁 평가에 대한 교육부 문서 및 신문 기사 텍스트 빅데이터를 활용해 자동화된 텍스트 빅데이터 분석 기법(automated text bigdata analytics)을 적용하여, 대학구조개혁 평가 정책에 대한 키워드(keyword) 및 토픽(topic) 분석을 목적으로 한다. 이 연구의 연구 문제는 다음과 같다.

첫째, 대학구조개혁 평가에 대한 교육부 문서와 대학전문지 및 종합일간지 기사에 나타난 주요 키워드들은 무엇이며, 어떠한 공통점과 차이점이 나타나는가? 둘째, 대학구조개혁 평가에 대한 교육부 문서와 대학전문지 및 종합일간지 기사에 나타난 토픽들은 무엇이며, 어떠한 공통점과 차이점이 나타나는가? 셋째, 대학구조개혁 평가에 대한 교육부 문서와 대학전문지 및 종합일간지 기사에서 추출된 토픽들은 시간의 흐름에 따라 어떻게 변화하며, 관심이 증가하는 토픽들과 감소하는 토픽들은 무엇인가?

이러한 연구문제를 해결하기 위하여 대학구조개혁 평가 정책이 가시화된 2013년 8월 13일부터 하위 등급 대학을 대상으로 하는 맞춤형 컨설팅의 최종 실행 점검 결과가 발표된 2016년 9월 15일까지, 44개 교육부 문서와 대학전문지(교수신문, 한국대학신문, 대학저널)의 511개 기사, 발행부수 상위 20개 종합일간지(경향신문, 국민일보, 내일신문, 동아일보, 매일경제, 머니투데이, 문화일보, 서울경제, 서울신문, 세계일보, 아시아경제, 이데일리, 전자신문, 조선일보, 중앙일보, 파이낸셜뉴스, 한겨레, 한국경제, 한국일보, 헤럴드경제)의 1,579개 기사를 수집하여 연구 자료로 활용하였다. 텍스트 마이닝의 기초 분석인 단어 빈도(term frequency) 및 TF-IDF(Term Frequency-Inverse Document Frequency, 단어 빈도-역문서 빈도)가중치를 활용한 키워드 분석을 수행하였고, 잠재 디리클레 할당 알고리즘(Latent Dirichlet Allocation algorithm) 기반의 토픽 모델링(topic modeling)을 적용한 토픽 분석을 수행하였다. 연구의 주요 결과는 다음과 같다. 첫째, 대학구조개혁 평가에 대한 교육부 문서와 신문 기사에서 사용하는 키워드를 분석한 결과, 결과, 발표, 정부, 사업, 지원 등 일부 단어들만 공통적으로 사용빈도가 높은 것으로 나타났고, 교육부와 대학전문지, 종합일간지 간에 많이 나타나는 단어에 차이가 있는 것으로 나타났다. 중요도가 높은 키워드 분석 결과 세 자료 모두에서 공통적인 단어가 분명하게 드러나지 않아, 대학구조개혁 평가에 대해 중요하게 언급되는 키워드가 서로 다른 것을 확인할 수 있었다. 둘째, 대학구조개혁 평가에 대한 교육부 문서와 신문 기사에 나타난 토픽을 분석한 결과, 교육부 문서에서는 10개(①경쟁력 확보, ②변화요구, ③추진방법 및 절차, ④감축·차등, ⑤평가지표, ⑥정책지원, ⑦결과연계, ⑧하위그룹, ⑨대학지원, ⑩대학교육의 질 제고), 대학전문지 기사에서는 24개(①평가필요성, ②지표검토, ③의견수렴, ④법안, ⑤감축·차등, ⑥평가지표, ⑦지속관리, ⑧재정부족, ⑨하위그룹, ⑩학사강화, ⑪발전노력, ⑫교육과정 개선, ⑬책임요구, ⑭논란·의혹, ⑮지적·비판, ⑯책임자의지, ⑰입시영향 분석, ⑱대학정보 홍보, ⑲취업·창업 홍보, ⑳특성화사업 홍보, ㉑사업선정 홍보, ㉒우수인증 홍보, ㉓프로그램 홍보, ㉔입시 홍보), 종합일간지 기사에서는 36개의 토픽(①국가발전전략, ②경쟁력확보, ③대학변화요구, ④인구감소, ⑤시행준비, ⑥법안, ⑦의견수렴, ⑧평가방식, ⑨평가지표, ⑩등급별 감축 및 제한, ⑪교육과정 개선 및 전환, ⑫하위그룹 조치, ⑬재정지원 제한, ⑭국가장학금, ⑮대입 지원 시 고려, ⑯학사개편, ⑰발전목표 제시, ⑱정원조정계획 수립, ⑲학점개편 반발, ⑳구성원의 반발, ㉑평가과정 반발, ㉒대학 및 학원 책임 논란, ㉓하위그룹 혼란, ㉔지방대 캠퍼스 반발, ㉕재정정책 비판, ㉖입시결과 영향 , ㉗사업선정 홍보, ㉘세계화 홍보, ㉙특성화사업 홍보, ㉚프로그램 홍보, ㉛전형방식 홍보, ㉜취업·창업 홍보, ㉝총장인터뷰 홍보, ㉞여자 대학, ㉟국정감사·야당, ㊱대통령·정부)이 추출되었다. 위계적 군집분석 수행 결과, 교육부 문서의 10개 토픽은 3개의 토픽항목(정책 내용 및 추진 방법, 대학 발전 방향, 대학 변화 유도), 대학전문지 기사의 24개 토픽은 5개 항목(대학 홍보, 대학의 발전 노력, 대학 상황의 특징 및 대학 변화, 평가 관련 논란, 평가 방식 및 결과), 종합일간지 기사의 36개 토픽은 7개 항목(대학 발전 노력 및 홍보, 평가 배경 및 대학 발전 방향, 평가 관련 의견 및 논란, 정부 의지 및 법안, 평가 방식 및 결과 활용, 평가와 대학입시, 하위그룹 대학)으로 분류되었다. 대학구조개혁 평가의 필요성과 하위그룹에 대한 조치, 평가지표, 등급별 정원감축 및 재정지원 제한, 평가 추진 방법 및 절차의 다섯 가지 토픽만이 세 문서에서 공통적으로 나타났고, 대학의 변화, 대학의 입장이나 혼란, 법안, 입시결과 영향 및 대학 홍보 관련 토픽 등 다수의 토픽들은 대학전문지 기사와 종합일간지 기사에서만 나타났다. 대학의 재정부족과 대학의 변화 노력에 관련한 일부 토픽은 대학전문지 기사에서만 나타났고, 대학구조개혁 평가에 대한 비판과 반발을 세부적으로 다룬 토픽들과 국가장학금, 여자대학, 정부관련 토픽은 특징적으로 종합일간지 기사에서만 나타나 세 문서 간 유사점과 차이점을 확인하였다. 셋째, 교육부 문서와 신문 기사에서 나타난 토픽이 대학구조개혁 평가 정책 실행의 시간 흐름에 따라 어떻게 변화하는지 살펴본 결과, 세 문서에서 공통적으로 나타난 대학구조개혁 평가 방식 및 결과 활용과 관련된 토픽들에 대한 관심도는 감소하는 반면, 신문 기사에서만 나타난 대학 홍보 토픽들, 대학전문지 기사에서만 나타난 대학의 발전노력과 관련된 토픽들과 종합일간지 기사에서만 나타난 하위그룹 대학과 대학입시 관련 토픽들은 관심도가 증가하는 것으로 분석되어, 관심의 변화 경향 차이를 확인하였다.

이 연구는 빅데이터를 활용하여 주요 교육정책에 대한 키워드 및 토픽 분석을 새롭게 시도하였다는 점에서 의의를 찾을 수 있으며, 이 연구에서 사용한 빅데이터 분석 기법들은 향후 다양한 교육정책 연구에서도 활용될 수 있을 것이다. 아울러 추후 연구를 통해 빅데이터 분석 기법 자체를 더욱 정교하게 발전시키기 위한 노력도 병행되어야 할 것이다.