개념
잠재 프로파일 분석
영어 페이지의 자동 번역이며, 아직 원어민의 검수를 받지 않았습니다.
잠재 프로파일 분석(Latent Profile Analysis, LPA) — 각 사례가 여러 변수로 동시에 기술될 때, 표본을 관측되지 않은 하위 집단(프로파일)으로 분류하는 사람 중심(person-centered) 방법입니다. 이것은 혼합 모형 모델링(mixture-modeling) 계열의 연속 지표 구성원이며, 그 형제인 **잠재 계층 분석(Latent Class Analysis, LCA)**은 같은 논리를 범주형 지표에 적용합니다. 둘 다 변수 중심 모형, 즉 교육에서의 AI 연구를 지배하는 모형과는 다른 질문을 던집니다. "평균적으로 X가 Y를 얼마나 예측하는가"가 아니라 "그 평균 속에 어떤 종류의 학습자, 교사, 관리자가 숨어 있는가"입니다. 이 지식 기반에서 이 방법은 하나의 AI 도구가 하위 집단에 따라 매우 다르게 작용한다는 것을 보여 줍니다. 가나 학부생들 사이의 다섯 가지 윤리 인식 프로파일, 우크라이나 교육 관리자들 사이의 여섯 가지 준비 유형, 타이완 예비교사들 사이의 네 가지 생성 AI 수용 프로파일입니다.
생각해 볼 질문들
- 한 연구가 학생들의 AI에 대한 평균 편안함이 5점 만점에 3.8점이라고 보고합니다. 한 집단은 열광적이고 다른 집단은 조용히 저항한다면, 그 평균은 무엇을 감출 수 있습니까?
- LPA는 연속 점수를 모형화하고, LCA는 범주를 모형화합니다. 인터뷰 응답을 "과도한 의존 언급: 예/아니요"로 코딩한다면, 둘 중 무엇이 필요합니까?
- 다섯 프로파일 해법이 엔트로피 0.816을 보고합니다. 네 프로파일의 경쟁 해법은 0.929를 기록하지만 데이터를 덜 풍부하게 기술합니다. 어느 것을 발표하겠습니까?
- 프로파일은 서술적이지 인과적이지 않습니다. "저항하는 회의론자(Resistant Skeptics)" 프로파일이 사용 용이성은 높지만 도입 의도는 낮게 나타난다면, 그것은 무엇을 지지하며 무엇을 지지하지 않습니까?
들어가며
교육에서의 AI에 관한 증거의 대부분은 변수 중심입니다. 그것은 평균적 관계를 추정하며, 평균은 동질성을 전제합니다. 사람 중심 방법은 대신 사람을 분석 단위로 삼고 표본 안에 얼마나 많은 구별되는 속성 구성이 존재하는지를 묻습니다. LPA는 그 계열에 속하며, 여기서 그 효과는 학습자 다양성을 수사적 주장에서 측정 가능한 발견으로 전환한다는 데 있습니다. 즉 편안한 표본 평균에도 불구하고 윤리 인식 프로파일이 26.1퍼센트에서 4.5퍼센트까지 퍼져 있을 때, 차별화는 더 이상 설계 선호가 아닙니다.
이 방법이 하는 일, 그리고 올바른 도구일 때
LPA는 표본이 각각 지표에 고유한 평균과 분산을 가진 하위 집단들의 혼합에서 추출되었다고 가정합니다. 연구자는 지표와 집단의 수를 제공하며, 알고리즘은 각 사례의 소속 확률을 추정하고 가장 높은 확률로 할당하며, 집단별 평균 프로파일, 프로파일별 규모, 그리고 사례들이 얼마나 깔끔하게 분리되는지에 대한 요약을 돌려줍니다. 계열의 어느 구성원을 쓸지는 연구 질문이 아니라 지표를 따릅니다.
- LCA — 범주형 지표. Becker와 동료들은 물리학 학생 1,189명의 개방형 응답에서 코딩된 응답 범주들을 지표 변수로 변환하고 두 계층을 유지했습니다. 실용적 사용자(Pragmatic Users, 70퍼센트)와 회의적인 비사용자(Skeptical Non-Users, 30퍼센트)입니다. 언급되지 않은 주제가 "지지 없음"으로 세어지기 때문에, 저자들은 분석 데이터프레임에서 영과잉(zero-inflation)을 표시합니다.
- LPA — 연속 지표, 예컨대 척도 점수와 구성 평균. Chen과 동료들은 타이완 예비교사 128명을 다섯 TAM/UTAUT2 구성으로 프로파일링했고, Acquah와 동료들은 가나 학부생 509명을 세 가지 윤리 인식 차원으로 프로파일링했으며, Schweder와 동료들은 학생 2,464명을 동기적 욕구 충족으로 프로파일링했습니다.
- 잠재 (프로파일) 전이 분석은 이 계열을 시간 위로 확장하여, 각 시점(wave)별 프로파일과 그 사이를 이동할 확률을 추정합니다. Liang과 동료들은 1년에 걸쳐 학생 2,086명의 AI 학습 동기를 추적했고, Wu는 일본어 학습자 457명을 세 시점에 걸쳐 추적했으며, 부적응 프로파일이 26.48퍼센트에서 17.74퍼센트로 줄었습니다.
일반적 군집화(k-means와 위계적 군집화)는 같은 사람 중심 의도를 추구하지만, 확률 모형을 추정하는 대신 기하학적 거리로 사례들을 분할합니다. 질문이 하위 집단에 관한 것 — 당신의 표본 집합 수준에서 "학습자"가 허구인지, 그리고 하위 집단들이 수준뿐 아니라 형태에서도 다른지 — 일 때 LPA나 LCA에 손을 뻗으세요. 평균 처치 효과(average treatment effect)가 필요할 때는 손을 뻗지 마세요. 적응형 튜터의 무작위 대조 시험 안에서 다섯 프로파일 해법은 사후 검사 차이를 예측했지만(부분 η² = .27), 조건 × 프로파일 상호작용은 발견하지 못했습니다(ps ≥ .198).
말뭉치가 이 방법을 쓰는 방식
세 가지 용법이 되풀이됩니다.
- 설계에 앞서 이질성을 확립하기. Kremen과 동료들의 우크라이나 교육 관리자 395명에 대한 설문조사는 "그 관리자"가 허구임을 보이기 위해 사람 중심 LCA를 사용했습니다. 역량 제약형(Competency-constrained, 25.6퍼센트, 의지는 있으나 숙련되지 않음)부터 장벽 없는 회의론자(Barrier-free skeptics, 가장 높은 준비도이나 74퍼센트가 AI 불신)까지 여섯 유형이 이어지며, 저자들은 이것을 차별화된 훈련에 대한 요구로 읽습니다.
- 안정성 점검으로서의 시스템 간 일치. Fang과 Jin(2026)은 49개 교육 시스템에 걸친 교사 40,680명으로부터 네 가지 신념 프로파일을 유지했으며(무관심 6.13%부터 절제된 지지(Measured Endorsement) 56.29%까지), 일치 기준(reference)을 바꾸어도 분류 일치도는 99.62%에 머물렀습니다. 한편 효용(utility)은 49개 시스템 모두에서 프로파일들을 동일하게 정렬한 반면, 위험(risk)은 그렇지 않았습니다.
- 총괄 평균이 감추는 하위 집단을 되찾기. Acquah와 동료들은 매우 높은 종합적 윤리 인식(Comprehensive Very High, 26.1퍼센트)부터 낮은 윤리 인식(Low Ethical Awareness, 4.5퍼센트, 선행(beneficence) 2.06)까지 다섯 가지 윤리 인식 프로파일을 유지했는데, 이 폭은 표본의 4분의 1을 겨우 넘는 데서 20분의 1 미만으로 뻗어 있습니다. Chen과 동료들은 저항하는 회의론자들이 인지된 사용 용이성은 높지만 행동 의도는 매우 낮게 보고한다는 것을 발견했습니다. 이는 사용 용이성/의도 역설이 평균 수준 모형에게는 보이지 않는다는 말뭉치에서 가장 분명한 실증입니다.
- 수준이 아니라 교정(calibration)의 프로파일링. 교사 AI 리터러시 연구는 자기보고와 객관적 측정 사이의 일치에 LPA를 적용하여 여섯 가지 프로파일을 산출했습니다. 과대평가, 과소평가, 일치, 그리고 AI 리터러시 경험이 없는 교사들에게 집중된 낮음/낮음 집단입니다. 여기서 프로파일은 점수 구간이 아니라 여러 도구에 걸친 하나의 패턴을 기술합니다.
프로파일은 이어서 독립변수로 쓰입니다. 예비교사들 사이에서 학문 영역이 소속을 형성했으며(Cramér's V = 0.532, STEM 학생들은 기술 개척자(Technology Pioneers)에 집중), 소속은 말뭉치의 다른 곳에서 이후의 자기효능감, 소진, AI 불안을 예측했습니다.
프로파일의 수를 고르기
어떤 단일 통계량도 해법을 선택하지 않습니다. 이 말뭉치는 유지를 여러 기준을 함께 보고 내리는 판단으로 다룹니다.
- 정보 기준(BIC, AIC). 낮을수록 대체로 좋지만, 단조적 감소는 승자가 아니라 문제의 신호입니다. 우크라이나 관리자 연구에서는 2계층부터 6계층까지 BIC가 단조적으로 감소하여 명확한 최솟값이 없었고, 저자들은 그 증거에 따라 자신들의 6계층 해법을 탐색적이라고 부릅니다.
- 엔트로피. 분류 확실성의 요약으로, 1에 가까울수록 더 깔끔한 할당을 뜻합니다. Chen과 동료들은 네 프로파일에 0.985를 보고하고, Acquah와 동료들은 다섯 프로파일에 0.816, 네 프로파일에 0.929를 보고하며 스스로 더 안정적인 묶음을 위해 통합을 제안합니다.
- 해석 가능성과 프로파일 규모. AI 신뢰 프로파일링 연구는 Calinski–Harabasz 지수가 둘을 선호했음에도 세 군집을 유지했는데, 셋이 해석 가능했기 때문이며, 실루엣 계수 0.288이 약하거나 경계선상의 분리를 신호로 삼는다고 지적합니다. Chen과 동료들은 자신들의 가장 작은 프로파일(128사례 중 14.06퍼센트)이 불안정할 수 있다고 경고하고, 가나 연구의 가장 작은 프로파일은 학생 23명만을 담고 있어 저자들이 병합을 제안합니다.
- 재표본추출 아래의 안정성. 부트스트랩 안정성은 프로파일들이 새로운 표본에서 되풀이될지에 대한 정직한 점검입니다. 우크라이나 6계층 해법에서 평균 조정 랜드 지수(adjusted Rand index)는 0.385이었으나 AI 신뢰 연구에서는 100회 무작위 초기화에 걸쳐 0.989였습니다. — 명목상 같은 설계, 매우 다른 증거적 무게.
- **부트스트랩 우도비 검정(BLRT)**과 Lo–Mendell–Rubin 검정은 더 넓은 혼합 모형 모델링 문헌에서 BIC와 엔트로피의 표준적 짝이지만, 이 지식 기반의 프로파일 연구들은 그것들을 보고하지 않습니다. 어떤 페이지가 BIC와 엔트로피만 보고한다면, 계층 수를 잠정적인 것으로 취급하세요.
- 이 말뭉치가 달리는 빠뜨리는 우도비 점검. Song et al. (2026)은 경영학 학생 379명으로부터 네 프로파일(엔트로피 0.824)을 유지하고 Lo–Mendell–Rubin 결정을 보고했습니다. 넷에서 유의하고(p = 0.035), 다섯에서 유의하지 않았습니다(p = 0.376).
- 경쟁 해법과 우도비 검정으로 방어된 유지. Suriá-Martínez et al. (2026)은 네 프로파일 해법이 학생 102명에게 약간 더 잘 맞았으나 유의미하게 개선되지 않았고 가장 작은 계층을 12.7퍼센트에 남겨 두었다고 보고하여, 수치상 더 잘 맞는 모형 대신 세 프로파일(엔트로피 .89)을 유지합니다. 지는 해법과 그것을 실격시킨 이유를 보고하는 것이, 유지된 계층 수를 독자가 점검할 수 있는 판단으로 만드는 것입니다. 이 연구의 목적에 맞춰 만든 12문항 AI 사용 측정은 — 저자들이 예비적이라고 부르는 별도 표본 85명에 걸쳐 타당화되었으며 — 그 증거의 다른 경계를 표시합니다.
비교를 보고하고 승자만 보고하지 마세요. "우리는 다섯 프로파일을 유지했다"고 말하면서 경쟁 해법, 엔트로피 값, 가장 작은 프로파일의 규모 없이 끝나는 페이지는 독자에게 그 선택을 판단할 어떤 방법도 주지 않습니다.
결과를 읽고 보고하기, 그리고 잘못되기 쉬운 곳
프로파일을 수준뿐 아니라 형태로 읽으세요. 가나 연구에서 프로파일들은 자율성, 선행, 공정성의 구성에서 차이를 보입니다. 즉 가장 큰 프로파일은 강한 자율성 지지를 더 낮은 선행과 짝지으며, 따라서 두 프로파일이 비슷한 전체 수준에 놓이면서도 다른 교수를 요구할 수 있습니다.
네 가지 주의가 있으며, 각각 출처 페이지에 명시되어 있습니다.
- 프로파일은 서술적입니다. 그것들은 누가 표본 안에 있는지를 말하지 왜인지를 말하지 않으며, 횡단 설계는 안정성이나 이동을 보일 수 없습니다(예비교사, 가나, 물리학 연구들). 오직 종단 분석들 — 1년에 걸친 전이 연구와 Wu의 세 시점 — 만이 이동에 관한 주장을 지지하며, 그곳에서도 이동은 연관이지 개입 효과가 아닙니다.
- 소속은 추정되지 관측되지 않습니다. 사례들은 가장 높은 사후 확률로 할당되므로, 경계 근처의 개인들은 실제 불확실성을 가지고 분류됩니다. 낮은 엔트로피와 약한 실루엣 값은 경계를 부드러운 것으로 읽어야 한다는 뜻입니다.
- 지표 선택이 답을 규정합니다. 프로파일은 모형에 들어가는 변수가 무엇이냐에 전적으로 의존하므로, 연구가 결코 측정하지 않은 이질성은 그것이 찾아 낼 수 없는 이질성입니다. 가나 연구는 배경 변수로 성(gender)만 수집했고, 따라서 소속을 예측하는 것이 무엇인지 말할 수 없습니다.
- 탐지된 이질성은 탐지된 인과가 아닙니다. 튜터 시험의 프로파일 × 조건 귀무 결과가 그 상기입니다. 시험 안에서 결과를 프로파일링하는 것은 처치의 중재 검정(moderation test)이 아닙니다.
교육에서의 AI에 대한 시사점
- 개입을 권고하기에 앞서 이질성을 측정하라. 이 말뭉치의 프로파일들은 되풀이하여 표본의 4분의 1 이상을 헤드라인 평균 아래에 놓습니다. 평균이 아니라 실제로 존재하는 프로파일들을 위해 설계하세요.
- 산출물이 차별화일 때는 사람 중심 방법을 선호하라. 예비교사 연구와 관리자 연구 모두 그 전환을 자신들의 방법론적 기여로 제시하는데, 평균적 예측변수들은 차별화된 지원을 정당화하는 구성을 드러낼 수 없기 때문입니다.
- 유지 증거를 전부 보고하라. BIC/AIC 비교, 엔트로피, 프로파일 규모, 안정성 점검을 발표하고, 계층 수가 탐색적일 때는 분명히 말하세요.
- 프로파일을 진단으로 대하고 라벨로 대하지 마라. 프로파일은 추정된 경계를 가진 연구 구성이므로, 개인을 이름 붙은 범주에 할당하는 도구는 어떤 측정 도구의 주의를 함께 나릅니다. 그리고 학습자 집단에 걸친 차등 효과는 어떤 하위 집단 분석의 면밀한 검토를 요구합니다.
연결된 개념
연결된 문서
- Beyond Positive or Negative: Latent Profiles of University Students’ AI Attitude and Their Career-Development Correlates — 경영학 학생 379명의 네 가지 AI 태도 프로파일에 대한 Lo–Mendell–Rubin 유지 증거
- Profiles and Transitions of Psychological Adaptation in AI-Assisted Japanese Language Learning — 심리적 적응의 세 시점 잠재 프로파일 전이 분석
- From disengaged to self-determined: a latent transition analysis of students' AI learning motivation — 1년에 걸친 세 가지 동기 프로파일의 잠재 전이 분석
- Psychological Profiles Associated with Trust in Artificial Intelligence Among University Students: A Machine Learning Clustering Approach — k-means 프로파일, 실루엣과 Calinski–Harabasz의 불일치, ARI 0.989
- Uncovering adoption personas for generative AI in higher education: a clustering-based segmentation approach — 네 가지 GenAI 도입 페르소나로의 위계적 및 k-means 군집화
- Teachers’ AI Belief Profiles and Their Associations with AI Use, Pedagogical Applications, and Barriers: A Person-Centered Analysis of TALIS 2024 — 49개 시스템의 교사 40,680명으로부터의 네 가지 교사 AI 신념 프로파일, 일치 안정성 포함