AI 모델을 활용한 조선후기 음관(蔭官)의 본관 추정 = Inference of Ancestral Origins (Bon-gwan) of Late Joseon Dynasty Eumgwan Officials Using AI Models and the Construction of Data for Digital History

국문 초록 (Abstract)

역사학은 과거의 기록을 통해 과거를 재구성하는 학문이지만, 기록의 누락, 기록물의 훼손 및 분실로 인하여 역사(歷史)에는 공백이 존재한다. 이에 역사학자들은 역사적 사실을 밝혀내기 위하여, 사료 비판, 교차 검증, 논리 추론이라는 역사학 방법론을 통해 당시 시대상을 이해해 왔다. 본 연구에서는 이러한 역사적 공백을 보완하고 추론하는 새로운 방법으로 인공지능(AI) 모델을 활용하는 것을 시도하였다.
조선후기 음관(蔭官)의 정보 일부를 입력했을 때, 해당 인물의 본관이 어디인지를 추정하기 위하여 AI 모델을 활용하였다. 이를 위해 한국학중앙연구원에서 구축한 음관 데이터를 기반으로, 정형화된 데이터셋을 구성하였다. 그리고 학습 과정에서 데이터의 변수를 다양하게 조합하여 실험함으로써 본관 추정에 영향을 미치는 인물의 어떤 정보가 무엇인지 분석하였다. 학습에는 LightGBM, XGBoost, CatBoost 등 의사결정나무 의 부스팅 계열 AI 모델을 활용하였다. 이는 단순한 예측 모델 구축을 넘어, 사료의 결손으로 인한 역사적 공백을 데이터 기반으로 추론하는 새로운 방법론을 제시한다는 점에서 학문적 의의를 지닌다.

다국어 초록 (Multilingual Abstract)

History is a discipline that reconstructs the past on the basis of surviving records, yet those records inevitably contain gaps arising from omissions, damage, and loss. To elucidate key aspects of historical reality, historians have traditionally relied on source criticism, cross-checking of materials, and logical inference to reconstruct the world of a given period. This study explores the use of AI models as a new means of supplementing and inferring such historical gaps.
Focusing on late Joseon eumgwan ( ) officials, we employ AI models to infer 蔭官 an individual’s bon’gwan (clan origin) from partial information about that person.
Using the eumgwan dataset compiled by the Academy of Korean Studies, we construct a structured dataset through a series of preprocessing steps, and then experimentally vary combinations of input variables during training to identify which types of personal information most strongly influence bon’gwan prediction.
For model training, we adopt decision-tree-based gradient boosting algorithms, including LightGBM, XGBoost, and CatBoost. Beyond the mere construction of a prediction model, it has scholarly significance in that it proposes a new data-driven framework for inferring historical realities in the face of lacunae created by the deficiencies of the surviving sources.

목차 (Table of Contents)

• I. 서론 1
• 1. 연구배경 1
• 2. 관련 연구 2
• 3. 연구목적 5
• II. 연구방법 7
• 1. 문제정의 7
• 2. 데이터의 개요 및 탐색적 데이터 분석 8
• 3. 데이터 전처리 12
• 가. 데이터 구분: 인물, 관직, 친척 12
• 나. 데이터 인코딩 방법 14
• 다. 중복 데이터 처리 17
• 4. 방법론: 의사결정나무 모델과 앙상블 기법 19
• 5. 성능평가 22
• III. 실험 및 결과 24
• 1. 통합 데이터 단일 모델 실험 24
• 가. 통합 데이터의 특징 24
• 나. 실험 및 결과 25
• 2. 유형별 데이터 단일 모델 실험 26
• 가. 인물 정보 데이터를 활용한 본관 추정 26
• 나. 관직 정보 데이터를 활용한 본관 추정 29
• 다. 친척 정보 데이터를 활용한 본관 추정 31
• 3. 유형별 데이터를 활용한 앙상블 실험 33
• 가. 유형별 데이터 학습과 앙상블 학습의 결과 비교 33
• 나. 최적의 데이터 조합과 모델 선정 34
• 4. 임계값 조정 실험 36
• IV. 결론 39
• 참고문헌 42