본 연구의 연구 프레임워크(framework)는 <Figure 1>과 같이 데이터 수집, 전처리, 키워드 분석, 네트워크 분석, 감성 분석 및 토픽모델링으로 구성된다.

Figure 1. 
Study Framework

본 연구에서는 학생들의 의견을 반영할 수 있다고 판단된 여섯 개의 플랫폼을 선정하였다. 최근 산업공학의 전 분야가 데이터 기반 의사결정으로 진화하며 트렌드가 변화함을 확인하였다. 따라서, 본 연구는 산업공학과의 최근 트렌드 변화를 확인하기 위해 2019-2021년 동안 검색 키워드를 기반으로 한 게시글 제목, 본문 및 댓글을 수집하였으며, 총 데이터 개수는 8,186개이다. 분석에 활용한 최종 데이터 형식은 <Table 1>과 같으며, 수집한 데이터의 검색 키워드, 플랫폼 특성 및 수집한 총 데이터 개수는 <Table 2>에 나타내었다.

수집된 텍스트 데이터 전처리 과정은 다음과 같다. Konlpy 패키지의 Okt 형태소 분석기를 사용하였으며, 한국어를 제외한 특수 문자(?,!,@), 영어 등은 제거하였다. 감성 분석 및 토픽모델링에서는 맞춤법 교정, 띄어쓰기를 추가로 진행하였다. 키워드 분석, 네트워크 분석에서는 ‘명사’만 추출하였고, 불용어 처리를 진행하였다. 불용어 처리 과정은 다음과 같다. 수집된 데이터 내 거의 모든 단어들과 동시출현을 보인 ‘산업’, ‘공학’은 특정 주제를 대표할 수 없어 불용어로 처리하였다. ‘대학교’, ‘학원’ 등 광고글에 포함된 주요 키워드 및 그 외 관련 없는 단어들도 추가 불용어로 처리하였다.

Text Rank란 Page Rank에 착안하여 한 문장 내에서의 동시 출현 빈도를 통해 중요도가 높은 단어를 추출하는 알고리즘이다. 본 논문에서는, 빈도 및 Text Rank를 기반으로 중요 키워드를 추출하고 이를 Word Cloud로 시각화하였다. 이를 통해 산업공학의 주요 관심 분야를 찾아내고, 플랫폼 특성 및 연도별 핵심 키워드를 비교 분석하였다.

동시출현 네트워크는 특정 텍스트 단위에서 공동으로 출현한 단어의 집합적 상호 연결을 표현하는 방식이다. 이러한 동시출현 단어분석을 통해 특정 주제 영역이 독립적으로 다루고 있는 분야, 공유하고 있는 분야, 시기에 따른 변화 추이를 분석할 수 있다(Liu et al., 2012). 데이터 전처리 과정을 통해 추출된 명사를 대상으로 동시출현 행렬을 생성하였다. 생성된 동시출현 단어를 대상으로 Gephi 0.9.2 버전을 사용하여 네트워크 클러스터링 분석 및 시각화 분석을 진행하였다. 먼저, Gephi의 Modularity Class(node)를 활용해 그룹을 생성하였다. 생성된 그룹을 기반으로 네트워크 분석을 진행하였다. 네트워크 클러스터링은 총 두 번 진행하였다. 먼저, 전체 형성된 동시출현 행렬을 기반으로 클러스터링을 진행해 총 12개의 그룹으로 분류하였다. 그중 15% 이하에 해당하며 산업공학과 무관한 내용에 해당하는 그룹을 제외한 나머지 3개 클러스터를 대상으로 네트워크 메인 클러스터링 결과 분석을 진행하였다. 두 번째 클러스터링은 3개의 메인 그룹에 해당하는 키워드만을 대상으로 다시 23개의 그룹으로 분류하였다. 이 중 1% 이하, 광고성 키워드가 대다수인 그룹을 제외한 나머지 12개의 그룹을 대상으로 네트워크 서브 클러스터링 결과 분석을 진행하였다.

‘산업공학 분야’에 대한 세부적인 분석을 위해 감성 분석과 토픽모델링을 진행하였다. 이를 위한 네트워크 클러스터링 결과 기반의 데이터 추출 작업은 다음과 같다. 먼저, 3개의 메인 그룹 중 ‘산업공학 분야’에 해당하는 2개 그룹에 대해서만 분석을 진행하였다. 이를 위해, 연도별로 2개 그룹에 해당하는 키워드들을 포함하는 문장만 추출하였다. 추출된 데이터를 활용한 감성 분석을 통해 산업공학 분야의 긍정/부정 결과의 연도별 추이를 분석하였다. 본 논문에서는, Pororo 감성 분석 모델을 활용하였다. Pororo란, 카카오브레인에서 개발한 요약, 감성 분석 등의 자연어 태스크를 간단하게 수행할 수 있는 라이브러리로, Pororo의 3가지 감성 분석 모델 중 네이버 영화 리뷰 데이터로 fine-tuning시킨 모델을 활용하였다(Heo et al., 2021). 연도별 ‘산업공학 분야’에 대한 긍정/부정 반응 분석을 위해 감성 분석 결과를 기반으로 토픽모델링을 수행하였다. 토픽모델링은 잠재 디리클레 할당(LDA)을 활용하였으며, 잠재 디리클레 할당(LDA)은 적정 토픽의 개수를 직접 결정해야 한다는 특징이 있다.

실험 내용은 다음과 같다. 감성 분석 결과를 바탕으로 연도별 긍정/부정을 총 6개의 카테고리로 분류하여 각각 잠재 디리클레 할당(LDA)을 진행하였다. 적정 토픽의 개수는 서브 클러스터링의 결과를 기반으로 결정하였다. 토픽모델링 결과 선정된 토픽의 주요 키워드 및 문장을 통해 ‘산업공학 분야’에 대한 긍정/부정 반응을 분석하였다.

‘오르비’는 수험생들의 입시 관련 정보 공유 및 소통 커뮤니티이며, ‘잡코리아’ 및 ‘네이버 카페(독취사, 스펙업)’는 취업준비생들의 정보 공유 및 소통 커뮤니티이다. 이는 각각 수험생과 취업준비생을 대표하는 플랫폼에 해당한다. 따라서, 해당 플랫폼들의 키워드 분석 결과를 통해 산업공학에 대한 수험생과 취업준비생의 인식을 비교·분석하였다. 분석 결과는 <Figure 2>, <Figure 3>과 같다.

Figure 2. 
Orbi WordCloud

Figure 3. 
Naver-Cafe and JobKorea WordCloud

키워드 분석 결과 수험생들의 경우 입시와 관련된 키워드가 산업공학과 관련된 키워드보다 상대적으로 많이 등장하였다. 또한, ‘생산’, ‘품질’ 등의 ‘전통 산업공학’과 관련된 키워드에 비해 ‘IT’와 관련된 키워드의 등장 빈도가 높았다. 따라서, 수험생들의 경우 ‘전통 산업공학’보다는 ‘IT’에 대한 관심도가 더 높았다. 하지만, 취업준비생들의 경우 ‘전통 산업공학 분야’에 대한 관심도가 높았다.

연도별 산업공학에 관한 관심 분야 및 키워드 변화 분석을 위해 전체 플랫폼에 대해 연도별 키워드 분석을 진행하였으며 결과는 <Figure 4>, <Figure 5>, <Figure 6>과 같다.

Figure 4. 
2019 Word Cloud

Figure 5. 
2020 Word Cloud

Figure 6. 
2021 Word Cloud

키워드 분석 결과 3개년 모두 ‘전통 산업공학’, ‘IT’에 대한 관심이 지속되었다. 2019년과 2020년에 비해 2021년에는 ‘생산’, ‘품질’ 등 ‘전통 산업공학’과 관련된 키워드의 빈도가 낮아졌다. 또한, 3개년 모두 ‘IT’와 관련된 키워드가 꾸준히 등장하였으며, 2021년에는 ‘인공지능’과 같은 새로운 키워드가 등장하였다.

동시등장 행렬 기반 네트워크 분석은 산업공학의 관심 분야를 파악하는 데 유용하다. 2019년부터 2021년 동안의 네트워크는 419개의 키워드가 총 12,021번 관계를 맺는다. 메인 클러스터링 결과 도출된 그룹 중 최종 선정된 3개의 그룹은 <Figure 7>과 같으며, 각각 ‘IT’, ‘전통 산업공학’, ‘산업공학 목표’ 그룹으로 명명하였다. <Table 3>은 기본적인 노드와 링크의 수의 정보를 담은 네트워크의 통계적 분석 결과이다. 이외에도 가중치가 반영된 노드끼리의 연결 수, 그래프의 밀도 등의 옵션 정보와 그에 따른 값을 보여주고 있다.

Figure 7. 
Main Group Network

‘IT’그룹에서 PageRank 값 기반 메인 키워드는 데이터, 프로그래밍, 연구, 컴퓨터, 개발, 반도체 등에 해당한다. 언급한 키워드 이외에도 생명공학, 화학공학, 반도체 등 타 학문도 산업공학의 IT 분야와 연계되어 있다는 것을 의미한다. ‘전통 산업공학’그룹에서 PageRank 값 기반 메인 키워드는 생산, 관리, 품질, 안전, 기사, 효율, 설계 등에 해당한다. 이와 같은 키워드는 전통 산업공학 분야에 해당하는 것이다. ‘산업공학 목표’그룹에서 PageRank 값 기반 메인 키워드는 기술, 산업혁명, 미래, 융합, 인재양성, 교육 등에 해당한다. 이는 키워드 간의 조합을 고려해볼 때, 산업공학이 추구하는 방향 및 목표의 내용을 담고 있다.

도출된 세 가지 메인 그룹에 대해, 각각 세부적으로 토픽을 나누어 키워드를 분석하고자 서브 네트워크 클러스터링을 진행했다. 2019년부터 2021년 동안의 서브 네트워크는 335개의 키워드가 총 7,623번 관계를 맺는다. 서브 클러스터링 결과 총 12개로 분류한 그룹의 결과는 <Figure 8>이며, 그래프 분석의 수치적 결과는 <Table 4>이다. 12개 그룹의 명칭은 위의 <Table 5>와 같다. 각 그룹 내 가중치가 반영된 중심성이 높은 상위 10개의 키워드를 살펴보면, <Table 6>과 같다.

Figure 8. 
Sub-group Network

메인 그룹 내에서 가장 높은 비율을 차지하는 서브 그룹은, IT는 ‘SW 개발’, ‘전통 산업공학’은 ‘생산관리 및 품질’, ‘산업공학 목표’는 ‘기술 발전’에 해당한다. 첫 번째, ‘SW 개발’ 그룹의 가중치 중심성이 높은 키워드는 개발 > 연구 > 전문가 > 컴퓨터 > 소프트웨어 순이다. 키워드 간 조합을 보면, 컴퓨터 공학과 관련된 분야가 산업공학에서도 주요 분야로 등장하고 있다는 것을 의미한다. 두 번째, ‘생산관리 및 품질’그룹의 가중치 중심성이 높은 키워드는 관리 > 생산 > 안전 > 기사 > 품질 순이다. 키워드 간 조합을 보면, 생산관리, 제조 공정 과정에 대한 관심도가 높다는 것을 의미한다. 세 번째, ‘기술 발전’그룹의 가중치 중심성이 높은 키워드는 기술 > 한국 > 발전 > 핵심 > 국가 순이다. 키워드 간 조합을 보면, 한국의 핵심기술 발전을 위한 연구에 관심이 있는 것을 의미한다.

메인 그룹에 속하는 서브 그룹의 비율은 <Figure 9>와 같다. 첫 번째, ‘IT’그룹 내 서브 그룹의 높은 비율은 SW 개발 > 데이터 연계 학문 > 데이터 분석 > 4차산업혁명(스마트시티) 순이다. ‘IT’그룹은 타 학문과의 연계를 통한 개발 및 분석이 주요 키워드로 구성되었다.

Figure 9. 
Sub Group Ratio in Main Group

두 번째, ‘전통 산업공학’ 그룹 내 서브 그룹의 높은 비율은 생산관리 및 품질 > 효율 설계 > 스마트팩토리 > 비용 절감 순이다. ‘전통 산업공학’ 그룹은 생산 및 품질관리에 효율적인 프로세스 설계를 통한 비용 절감을 목표로 하는 주요 키워드로 구성되었다. 세 번째 ‘산업공학 목표’ 그룹 내 서브 그룹의 높은 비율은 기술 발전 > 경제·사회 > 미래 융합 > 인재양성 교육이다. ‘산업공학 목표’ 그룹에서는 4차산업혁명, 융합, 혁신 등을 목표로 인재양성 교육을 통한 기술, 사회의 발전 추구를 목표로 하는 주요 키워드로 구성되었다.

메인, 서브 클러스터의 결과를 종합했을 때, 3개의 메인 그룹 중에서 ‘IT’, ’전통 산업공학’ 그룹은 데이터, 개발, 분석, 생산 및 품질관리 등 산업공학의 교육 및 진출 분야에 해당한다. 따라서, 본 연구에서는 두 그룹을 ‘산업공학 분야’로 새롭게 설정하였으며, 감성 분석과 토픽모델링을 활용해 ‘산업공학 분야’에 대한 구체적인 의견에 대해 분석하였다.

감성 분석에 활용한 연도별 데이터의 총수는 2021, 2020, 2019 순으로 많았으며, 분석 결과는 <Figure 10>과 같다. 3개년 모두 부정보다 긍정의 빈도가 높았으며, 2021년의 경우, 부정에 비해 긍정 반응의 빈도가 2배 이상 높았다. 이는, 과거에 비해 2021년에 대해 ‘산업공학 분야’에 대한 긍정적인 인식이 증가했음을 의미한다.

Figure 10. 
Result of sentiment analysis

연도별 긍부정 데이터에 대해 토픽모델링을 진행하였으며, 모델링 결과를 바탕으로 토픽별 주요 키워드와 문장을 분석하여 ‘산업공학 분야’에 해당하는 주요 토픽을 선정하였다. 전체 토픽 중 해당 ‘산업공학 분야’가 차지하는 비율을 통해 파악한 연도별 ‘산업공학 분야’에 대한 긍부정 반응의 변화율은 <Figure 11>과 같다. ‘전통 산업공학’에 대한 긍정/부정 반응은 3년간 거의 비슷하게 나타났다. 이에 반해, ‘IT’의 경우 3개년 동안 긍정 반응이 5배 이상 증가했다.

Figure 11. 
Change of Sentiment Rate of the Industrial Engineering Areas

<Figure 12>는 연도별 긍부정 반응 빈도의 총합을 통해 파악한 연도별 ‘산업공학 분야’에 대한 관심도 추이이다. 3개년 모두 ‘전통 산업공학’에 비해 ‘IT’의 관심도가 높은 것을 확인했다. 또한, 앞서 키워드 분석 결과를 통해 2021년에 ‘인공지능’과 같은 새로운 키워드가 등장하는 것을 확인했다. 따라서, 꾸준히 산업공학의 ‘IT’에 대한 관심도는 높으며, 매년 이슈로 떠오르는 키워드는 다르다고 할 수 있다.

Figure 12. 
Change of rate of the Industrial Engineering areas

토픽모델링 결과 ‘산업공학 분야’에 해당하는 주요 토픽의 주제는 <Table 7>과 같다. 토픽의 주제는 토픽별 주요 키워드 및 문장 분석을 통해 선정하였으며, 연도 및 긍부정 반응에 따라 총 12개의 카테고리로 분류하였다.

먼저, ‘산업공학의 진출 분야’와 관련된 주요 토픽 내용은 다음과 같다. 2019년, 2020년에는 ‘전통 산업공학’이 ‘산업공학의 주요 진출 분야’ 인식이 뚜렷했지만, 2021년에는 ‘IT’가 ‘산업공학의 주요 진출 분야’라는 인식이 등장하여 변화를 보였다. 이를 통해, 최근 3년 동안 ‘IT’가 산업공학의 주요 분야로 떠오르고 있음을 파악했다.

‘산업공학의 취업’과 관련된 주요 토픽 내용으로는, ‘전통 산업공학’의 경우 ‘취업이 잘 안 되는 분야’, ‘취업 시 관련 자격증의 중요성’이 3개년 모두 부정 반응으로 등장했다. 반면, ‘IT’의 경우 ‘석사 이상의 학력 필요’에 대한 인식이 3개년 연속 등장하여 IT 관련 직업의 대부분은 석사 이상의 전문지식을 갖춘 인재를 요구하고 있다는 것을 알 수 있다. 이처럼 ‘전통 산업공학’과 ‘IT’ 분야는 취업을 위한 역량에서 관점의 차이를 보이고 있다. ‘산업공학 학문의 특성’과 관련된 주요 토픽 내용은 다음과 같다. 최근 산업공학의 ‘IT 분야’는 경영학 뿐만 아니라 기계, 화학 등 다양한 분야와 연계될 수 있는 융합 학문으로 자리 잡고 있으며, ‘데이터 사이언스, 인공지능 학과와의 연관성’도 높아지고 있다. 또한, 여러 분야를 배우는 산업공학의 특성에 대해 ‘IT’의 경우 ‘전문성이 떨어지는 분야’라는 부정적인 인식으로 전문성을 주장할 수 없지만, 동시에 ‘프로그래밍 능력의 중요성’, ‘데이터 분석의 중요성’도 함께 등장한 것으로 보아 IT 관련 역량에 대한 전문성을 중요하게 인식하고 있음을 알 수 있다. 하지만, ‘전통 산업공학’의 경우 ‘다양한 분야 학습 가능’하다는 긍정적인 인식으로 등장하였으며, 2020년, 2021년에는 ‘학문의 추상성’이라는 인식이 등장하였다. 이는 산업공학 진학을 희망하는 학생들이 산업공학과의 진출 분야 및 학습 과목에 대한 인식이 부족하다고 할 수 있다.

마지막으로, <Table 8>을 통해 최근 3년간 ‘IT 분야’에 대한 관점 변화를 살펴볼 수 있다. 이를 통해, 산업공학의 ‘IT 분야’가 시간의 흐름에 따라 빠르게 변화하고, 산업공학과에서 차지하는 비율이 높아지고 있음을 파악하였다.