지휘관 평가와 머신러닝 알고리즘을 활용한 군 장병 복무적응도 예측 분류모형 개발 = Development of a Predictive Classification Model for Military Personnel Adaptability Using Commander Evaluation and Machine Learning Algorithms

국문 초록 (Abstract)

복무 적응도에 따른 용사의 등급 분류는 병력 관리에 있어 핵심적인 요소로, 군은 전입 신병은 물론 실무부대 용사들을 대상으로 이를 평가하기 위해 지속적인 노력을 기울이고 있다. 그러나 현재 활용되고 있는병영문화혁신가이드북의 등급 분류 기준은 평가 항목 간의 중요도를 반영하지 못하며, 일부 항목은 일정 기간의 관찰이 필요하여 전입 신병에게는 적용이 어렵다는 한계가 있다. 본 연구는 이러한 구조적 문제점을 지적하고 이를 보완하고자 실무 부대 유형을 고려해 16명의 지휘관 평가 데이터를 수집하여 예측 모델을 학습하였다. 다층 퍼셉트론, 랜덤 포레스트, 다항 로지스틱 회귀, 스태킹앙상블 등 다양한 머신러닝 및 딥러닝 알고리즘을 적용한 결과, 기존 기준표 기반의 모델은 성능에 제한이있었으나 주요 요인을 선별하고 가중치를 부여하자 예측 정확도가 향상되었다. 비록 본 연구는 탐색적 성격을 띠고 있으나, 현행 등급 분류 체계의 개선 필요성을 제기하였으며, 향후 실증 자료를 기반으로 간소화되면서도 정교한 예측 모델 개발 가능성을 확인했다는 점에서 의의가 있다

다국어 초록 (Multilingual Abstract)

Classifying military personnel based on their adaptability to service is a critical component of force management. The military has made continued efforts to assess both newly assigned recruits and personnel in active units. However, the current classification criteria presented in the Barracks Culture Innovation Guidebook fail to reflect the relative importance of evaluation attributes and include items that require prolonged observation, making them unsuitable for new recruits.
This study addresses these structural limitations by developing a predictive classification model trained on evaluation data from 16 commanders, taking into account the characteristics of operational units.
Various machine learning and deep learning algorithms—including multilayer perceptron, random forest, multinomial logistic regression, and stacking ensemble—were applied. Models based solely on existing criteria showed limited performance, but incorporating key factors and assigning appropriate weights led to improved predictive accuracy.
Although exploratory in nature, this study highlights the need for improvement in the current classification system and demonstrates the potential for developing a simplified yet sophisticated predictive model based on empirical data.