머신러닝 기반의 교육청 민원 관리시스템 모델에 관한 연구 = A Study on a Machine Learning-Based Complaint Management System Model for Educational Offices

다국어 초록 (Multilingual Abstract)

Today, with the rapid advancement of digital technology and the growing influence of information and communication technology (ICT), the public administration sector is undergoing a fundamental transformation. In particular, the widespread use of social media and online communities has enabled individuals to instantly amplify their voices across society. This phenomenon has significantly impacted civil complaint administration, shifting traditional document-based complaint reception systems toward web- and mobile-based digital platforms.
Especially in the public education sector, there is an urgent need for an automated response system that can efficiently collect and analyze diverse complaints from multiple online channels, assess their severity and urgency, and enable real-time intervention. However, the current complaint handling systems in educational offices remain largely manual and reactive. Most rely on human monitors or external contractors who irregularly review posts on portals, social networks, and online communities. Such approaches are insufficient for timely and accurate response, particularly when negative public sentiment spreads rapidly.
To address this issue, this study proposes a machine learning-based complaint management system tailored to the needs of local education offices. The system automatically collects education-related content from portals and social media using web crawling techniques, preprocesses the unstructured data using natural language processing (NLP), and performs sentiment analysis to quantify the emotional polarity and intensity of each complaint.
Beyond simple keyword monitoring, the system extracts semantic and emotional insights from text data and classifies complaints by priority. It also provides real-time alerts for urgent issues, allowing administrators to respond quickly through an intuitive dashboard interface. Furthermore, by continuously accumulating and learning from analyzed data, the system enhances its prediction accuracy over time and enables proactive complaint management.
This system is designed not only to respond to complaints but also to serve as a valuable resource for policy planning and service improvement by predicting potential public discontent. Future enhancements may include AI-based chatbots for automatic responses, integration with news sentiment monitoring, and cross-agency collaboration tools.
Ultimately, this research aims to transform complaint management in the education sector from a qualitative, reactive process into a quantitative, automated, and proactive system. This transition will contribute to improved administrative efficiency, higher public trust, and better-quality education services in the digital era.

국문 초록 (Abstract)

문서의 핵심 내용을 자동으로 요 약 뉴스 기사 한 문단으로 요약 문장 유사도 분석 두 문장이 의미상 얼마나 유사한 지 계산 ‘오늘 날씨 좋아요’≈‘날씨가 맑 네요’ 군집화 (Clustering) 유사한 문서들을 자동으로 묶기 비슷한 리뷰를 그룹핑하여 패 턴 분석 감정 흐름 분석 시간에 따라 감정이 어떻게 변화 하는지 추적 일기나 영화 시나리오에서 기 쁨à슬픔à분노 분석 2.2.2 오피니언 마이닝 오피니언 마이닝(Opinion Mining)은 소셜미디어에 게시된 텍스트 문장을 대상으로 자연어처리(NLP: Natural Language Processing) 기반의 감성 분석 기술을 적용하여, 사용자들의 주관적인 의견과 평가를 체계적으로 분 석하는 기술이다[14,35]. 마케팅 분야에서는 이를 버즈 분석(Buzz Analysis), 또는 입소문 분석이라고도 하며, 주로 소비자들이 특정 상품이 나 서비스에 대해 어떻게 인식하고 있는지를 실시간으로 파악하는 데 활 용된다[8,17]. 최근에는 오피니언 마이닝을 통해 기업의 제품·서비스에 대한 반응을 분 석하는 것은 물론, 정치·사회적 이슈에 대한 국민 여론을 실시간으로 모니 터링하고 대응 전략을 수립하는 데에도 적극적으로 적용되고 있다[19,36]. 2.2.3 소셜 네트워크 분석 한편, SNA(Social Network Analysis)은 다양한 소셜 시스템에서 생성되 는 빅데이터를 바탕으로, 개인 또는 집단의 네트워크 내에서의 영향력, 관 심사, 관계 패턴 등을 정량적으로 분석하는 기법이다[37,38]. 이 분석은 언 어 네트워크 분석, 복잡계 네트워크 분석 등으로도 불리며, 대표적인 기법 으로는 중심성 분석(연결정도 중심성, 매개 중심성, 근접 중심성)과 네트워 크 시각화 분석이 있다[39]. 소셜 네트워크 분석은 그래프 이론에 기반하여 소셜미디어(SNS) 상의 사용자 간 연결 구조 및 연결 강도를 파악하고, 특정 키워드나 이슈에 대 해 영향력 있는 사용자를 식별(Influencer Detection)하며, 이를 바탕으로 기업의 마케팅 전략 수립, 이슈 모니터링, 위기 대응 등 다양한 분야에서 활용되고 있다[12,41]. 2.2.4 빅데이터 분석 기법 빅데이터 분석을 위한 다양한 기법들은 대체로 대규모 데이터 처리에 적 합하도록 통계적·확률적 방법론을 기반으로 설계되어 있다[42]. 이러한 분 석 기법들은 분석 대상 데이터의 특성과 활용 목적에 따라 선택적으로 적 용되며, 대표적인 분석 영역으로는 소셜 미디어 분석, 소셜 네트워크 분석, 시공간 분석, 시각화 분석 등이 있다[7,16]. 빅데이터 분석에 주로 사용되는 기법으로는 분류(Classification), 군집화 (Clustering), 기계학습(Machine Learning), 회귀분석(Regression Analysis), 감성 분석(Sentiment Analysis) 등이 있다[43,44]. 분류는 대표적인 지도학습(Supervised Learning) 기법으로, 미리 라벨링된 훈련 데이터 집합을 학습한 후, 새로운 입력 데이터가 어느 범주(class)에 속하는지를 예측하는 방식이다[5,15]. 예를 들어, 민원 데이터를 ‘긍정/부정’, ‘일반/긴급’ 등의 범주로 미리 분류한 데이터를 기반으로 모델을 훈련시키 고, 이후 실시간 민원에 대한 자동 분류를 수행할 수 있다. 반면, 군집화는 비지도학습(Unsupervised Learning)에 해당하는 기법으 로, 사전에 정해진 레이블 없이 데이터 간의 유사성에 기반하여 자동으로 그룹(클러스터)을 형성한다. 이는 민원 데이터를 유형화하거나, 자연스럽게 발생하는 주제별 이슈를 탐색하는 데 유용하게 활용된다[45,46]. 표 3. 머신러닝 학습유형 분류표 구분 설명 대표 기법 예시 기호적 학습 (Symbolic Learning) 명시적인 규칙을 생성하여 분류 및 예측을 수행함 결정 트리 (Decision Tree), 규칙 기반 시스템 비기호적 학습 ( S u b s y m b o l i c Learning) 복잡한 패턴을 데이터로부터 스스 로 학습함 신경망 (Neural Network), 유전자 알고리즘 (Genetic Algorithm) 확률적 학습 ( P r o b a b i l i s t i c Learning) 확률 기반 모델을 통해 불확실한 데이터에 대한 예측 수행 베이지언 학습 (Bayesian Learning), 은닉 마르코프 모 델 (HMM) 기계학습(Machine Learning)은 인공지능(Artificial Intelligence, AI)의 하 위 분야로, 인간의 학습 과정을 컴퓨터 알고리즘으로 모사하는 방식이다 [20,37]. 빅데이터 분석은 물론, 패턴 인식, 예측 모델링, 텍스트 처리 등 다양한 분야에서 핵심 기술로 활용되고 있다. 기계학습에는 여러 접근 방 식이 존재하며, 대표적으로 다음과 같은 유형으로 분류된다[47,48]. 이러한 다양한 분석 기법들은 민원 분석, 여론 탐지, 긴급 대응 분류 등 공공행정 과 민간 분야에서 점차 중요한 역할을 하고 있으며, 분석 목적에 맞는 알 고리즘 선택과 데이터 전처리 전략이 함께 고려되어야 한다[39,49]. 회귀분석(Regression Analysis)은 통계학에서 널리 사용되는 분석 기법으 로, 특정 현상에 영향을 미치는 독립변수와 그로 인해 영향을 받는 종속변 수 간의 관계를 규명하고자 할 때 활용된다[11,38]. 회귀분석을 통해 변수 간 상관관계를 수치적으로 모델링함으로써, 다양한 현상의 예측 및 인과 분석이 가능하다. 대표적인 방법으로는 하나의 독립변수와 종속변수 간의 관계를 분석하는 단순 회귀분석(Simple Regression)과, 둘 이상의 독립변 수를 활용하여 종속변수에 미치는 영향을 분석하는 다중 회귀분석 (Multiple Regression)이 있다. 이러한 분석은 주로 판매량 예측, 수요 예 측, 시장 반응 분석 등 다양한 변화 예측 모델에 활용된다[37]. 한편, 감성 분석(Sentiment Analysis)은 인간의 자연어 텍스트를 대상으로 긍정·부정·중립 등 감정의 방향성을 자동으로 분석하는 기법으로, 자연어처 리(NLP) 기술에 기반한다[11,14]. 사용자가 작성한 문장에서 주관적 감정이 나 태도를 나타내는 표현을 식별하고 분류함으로써, 여론이나 반응을 정량 적으로 평가할 수 있다[35,39]. 블로그, 트위터, 뉴스 댓글 등 소셜미디어 데이터를 분석하여 기업 제품에 대한 선호도, 브랜드 이미지, 고객 만족도 등을 파악할 때 주로 사용된다[43]. 감성 분석은 특히 오피니언 마이닝 (Opinion Mining)의 핵심 기술로서, 개별적인 의견 속에 포함된 감정의 방 향과 강도를 파악함으로써 실시간 여론 분석, 마케팅 전략 수립, 정책 반응 모니터링 등에 광범위하게 적용되고 있다[14,19].

목차 (Table of Contents)

• 국문초록 ⅰ
• 목 차 ⅳ
• 그림목차 ⅷ
• 도표목차 ⅹ
• 약어표 ⅺ
• 제 1 장 서 론 1
• 11 연구 필요성 및 배경 1
• 12 연구 내용 및 범위 4
• 13 논문의 구성 6
• 제 2 장 관련 연구 7
• 21 데이터 수집 과정 8
• 22 빅데이터 분석 기술 8
• 2.2.1 텍스트 마이닝 10
• 2.2.2 오피니언 마이닝 11
• 2.2.3 소셜 네트워크 분석 11
• 2.2.4 빅데이터 분석기법 12
• 23 웹 크롤링 14
• 231 웹 콘텐츠 마이닝 15
• 2.3.2 셀레니움 라이브러리 16
• 2.3.3 URL 라이브러리 18
• 2.3.4 BeautifulSoup 라이브러리 19
• 235 파이썬 문자열 처리 기능 20
• 236 판다스(Pandas) 라이브러리 21
• 24 감성 분석 23
• 241 머신러닝 25
• 242 비정형 데이터 처리 절차 26
• 243 딥러닝을 통한 감성 분석 28
• 25 텍스트 전처리 31
• 2.6 워드 클라우드 기법(태그 클라우드) 33
• 2.6.1 TF-IDF 기반 시각화 34
• 262 LDA 기반 시각화 34
• 2.7 토픽 모델링 기법 35
• 28 국ž내외 관련연구 고찰 36
• 제 3 장 민원 관리시스템 설계 39
• 3.1 민원 관리 시스템 구성도 40
• 32 감성 분석 모델 아키텍처 41
• 33 데이터 수집 45
• 3.3.1 데이터 수집 프로세스 및 알고리즘 45
• 332 데이터 로드 47
• 333 데이터 분리 48
• 334 데이터 정제 50
• 335 토큰화 및 불용어 제거 51
• 3.3.6 빈도수가 낮은 단어 제거 52
• 337 패딩 54
• 34 감성 분석모델 구축 및 학습 55
• 35 민원 감성 예측 57
• 36 분석 환경 설정 58
• 361 R 설치 58
• 362 Rstudio 설치 58
• 363 Rtools 설치 59
• 364 사용패키지 목록 59
• 3.6.5 데이터 입력 및 경로설정 59
• 3.7 민원 관리를 위한 뉴스 스크랩 기능 60
• 제 4 장 시스템 구현 및 고찰 62
• 41 시스템 환경 및 도구 62
• 42 시스템 기능 구현 62
• 421 플랫폼 63
• 422 데이터 관리 63
• 423 감성 분석 64
• 424 뉴스 스크랩 64
• 425 사용자 관리 64
• 426 환경 설정 64
• 427 관리자 기능 65
• 4.3 민원 관리시스템 설문 평가 및 분석 결과65
• 431 응답자 일반 현황 65
• 432 설문 도구의 신뢰도 분석 68
• 43.3 요인분석의 타당도 검증70
• 4.3.4 요인 수 결정 및 탐색적 요인분석(EFA) 72
• 4.3.5 분석 결과에 따른 시사점 및 개선방향 74
• 제 5 장 결론 76
• 참고문헌 78
• 영문초록 85
• 감사의 글 88
• 부록(설문지) 89