머신러닝 기반 군 장병 등급분류모델 개발 : 기존 분류체계의 한계와 보완 가능성을 중심으로 = Development of a Machine Learning Based Classification Model for Military Personnel : Focusing on the limitations and complementary possibilities of the Existing classification system

국문 초록 (Abstract)

국방혁신 4.0은 인구 감소와 안보환경 변화에 대응하기 위해 AI 기반 핵심 첨단 전력 확보를 중점 과제로 제시하며, 국방부는 이를 국방운영, 무기체계, 전장지휘의 세 영역으로 구분하여 추진하고 있다. 이 중 국방운영 분야는 인사·군수·병영·행정 등 군사 작전 지원 및 부대 관리 전반을 지능화하는 것을 목표로 하며, 스마트 인재관리 시스템, 군수 예측모델, 국방 생성형 AI(GeDAI)와 같은 사례가 대표적이다. 이러한 흐름 속에서 군 장병 복무적응도 평가와 관리는 국방운영의 핵심 과제로, AI를 활용한 과학적 접근의 필요성이 커지고 있다.
현행 병영문화혁신가이드북 기반의 등급 분류체계는 장병을 ‘등급제외–배려–도움’으로 구분하고, 이에 따라 면담 횟수, 기록 관리, 보고 체계 등 관리 방법이 달라진다. 그러나 기준 상의 지표는 단순히 이진화된 지표로 현실을 충분히 반영하기 어렵다. 지휘관들은 각자의 경험과 직관을 바탕으로 추가적인 요인을 고려하여 판단하고 있으며, 그 책임은 전적으로 지휘관에게 집중된다. 특히 다수의 병력을 관리하거나, 경험이 부족한 초임 간부가 제한된 시간 안에 기준표만으로 분류를 수행하기는 쉽지 않으며 관리 누락이나 과잉 대응의 문제가 발생할 수 있다.
본 연구는 이러한 한계를 보완하기 위해 8개 부대 지휘관 16명으로부터 수집한 270건의 평가 데이터를 활용하여 군 장병 복무적응도 예측 분류모형을 개발하였다. 기존 기준표를 단순 이진화하여 학습한 모델과 연구 간 새롭게 세분화한 요인을 반영한 모델을 비교하기 위해 다층 퍼셉트론(MLP), 랜덤 포레스트(RF), 다항 로지스틱 회귀, 스태킹 앙상블 등 다양한 알고리즘을 적용하였다. 분석 결과, 기존 기준표 기반 모델은 ‘등급제외’ 범주에서는 높은 정확도를 보였으나, 위험도가 큰 ‘배려’와 ‘도움’ 범주에서는 성능이 저하되었다. 반면, 세분화된 요인을 반영한 보완 모델은 성능이 유의미하게 개선되었으며, 특히 스태킹 앙상블은 약 90%의 정확도를 기록하며 가장 우수한 성능을 나타냈다. 또한, SHAP 분석을 통해 정신과 진료 경험, 복무적응도 검사 점수, 건강 문제, 자살 관련 요인이 분류 결과에 큰 영향을 미치는 핵심 변수임을 확인하였다.
따라서 본 연구는 현행 등급 분류체계의 한계를 실증적으로 보여주고, 이에 대한 보완의 필요성을 제시한다. 이는 지휘관의 주관적 판단에 의존하던 관리 방식을 보완하여, 초임 간부나 대규모 병력을 관리하는 부대에서도 객관적이고 일관된 인사관리 지원을 가능하게 한다는 점에서 의의가 크다. 나아가 본 연구는 국방혁신 4.0이 제시한 국방운영 분야 지능화 과제와 연계되며, 향후 더 많은 데이터를 축적하고 변수 가중치를 정교화한다면, 군 인사관리의 과학화를 위한 AI 기반 지원체계로 발전할 수 있을 것이다.

목차 (Table of Contents)

• 목 차
• 제1장 서 론 1
• 1.1. 연구 배경 및 필요성 1
• 1.2. 연구 목적 3
• 제2장 이론적 배경 및 관련 연구 6
• 2.1. 군 장병 복무적응도와 등급 분류체계 6
• 2.2. 국방 AI 정책 및 기술 동향 분석 9
• 2.3. 머신러닝 기반 분류모형 연구 동향 14
• 제3장 연구 방법 및 결과 22
• 3.1. 연구 절차 및 설계 22
• 3.2. 데이터 수집 및 전처리 25
• 3.3. 분류모델 개요 30
• 3.4. 기존 기준표 기반 모델 36
• 3.5. 수정 모델 39
• 제4장 결 론 45
• 참고문헌 47
• Abstract 53