머신러닝 기반 실용무용 실기전형 지원자의 입시 시점 무용 경력 수준 관련 경험 구조 탐색

본 연구는 실용무용 실기전형 지원자의 입시 시점 무용 경력 수준을 구분하는 입시 준비 행동 및 경험 요인을 탐색하는 데 목적이 있다. 이를 위해 2025년 9월부터 12월까지 수집된 수도권 A 대학교 실용무용 실기전형 지원자 807명(N=807)의 설문 데이터를 2차 자료로 활용하였다. 무용 경력 수준은 선행연구의 경력 구분 기준을 참고하여 3년 이하 집단(Short), 4년 이상 집단(Long)으로 구분하였다. 분석 전 불필요 변수 제거, 가족 구성 변수 재구성, 파생변수 생성, 원-핫 인코딩, 수치형 변수 표준화 등의 전처리를 실시하였으며, 데이터 누수를 방지하기 위해 집단 구분 기준으로 사용된 무용 경력 기간 변수는 분석 변수에서 제외하였다. 또한 학습용 자료와 검증용 자료를 7:3으로 층화 분할하고, 클래스 불균형 보정을 위해 학습 데이터에 한하여 SMOTE를 적용하였다. 분석에는 머신러닝 기반 지도 학습 방법을 활용하였으며, 랜덤포레스트(Random Forest) 변수 중요도 분석과 Mann-Whitney U 검정, 카이제곱 검정을 함께 적용하였다. 연구 결과, 공연 횟수, 시험장 이동 시간, 모의면접 경험, 입시 준비 기간, 대회 수상 경험 등이 입시 시점 무용 경력 수준 집단을 구분하는 주요 변수로 나타났다. 또한 파생변수를 포함한 분석에서는 Mobility_Challenge와 Preparation_Performance가 주요 변수로 확인되어, 단일 경험보다 공연 참여, 이동 특성, 입시 준비 경험이 결합된 구조가 집단 구분과 관련될 가능성을 보여주었다. 본 연구는 특정 대학 실기전형 지원자 자료를 활용한 탐색적 연구이므로 전체 실용무용 전공자에게 일반화하는 데에는 주의가 필요하며, 분석 결과는 인과관계가 아닌 연관성 수준에서 해석되어야 한다. 그럼에도 본 연구는 실용무용 전공 진입 이전 단계의 입시 준비 경험 구조를 머신러닝 기반으로 탐색하였다는 점에서 의의가 있다.

This study aimed to explore admission preparation behaviors and experiential factors that distinguish dance experience levels at the time of entrance examinations among applicants for a practical dance performance-based admission screening. Survey data from 807 applicants (N = 807) to the practical dance program at University A in the Seoul metropolitan area, collected between September and December 2025, were used as secondary data. Based on career classification criteria suggested in previous studies, applicants were categorized into a Short group (three years or less of dance experience) and a Long group (four years or more of dance experience). Prior to analysis, data preprocessing procedures were conducted, including the removal of unnecessary variables, reconstruction of family composition variables, generation of derived variables, one-hot encoding of categorical variables, and standardization of numerical variables. To prevent data leakage, the dance experience duration variable used for group classification was excluded from the predictor variables. The dataset was divided into training and validation sets using a 7:3 stratified split, and SMOTE was applied only to the training data to address class imbalance. Machine learning–based supervised learning methods were employed, and Random Forest feature importance analysis was conducted alongside the Mann–Whitney U test and chi-square test. The results indicated that the number of performances, travel time to the examination site, mock interview experience, entrance examination preparation period, and competition award experience were major variables distinguishing dance experience level groups at the time of entrance examinations. Furthermore, analyses including derived variables identified Mobility_Challenge and Preparation_Performance as important variables, suggesting that group classification may be associated with combined structures of performance participation, mobility characteristics, and admission preparation experiences rather than with single experiences alone. As this study was an exploratory analysis based on applicants to a single university, caution is required when generalizing the findings to all practical dance majors, and the results should be interpreted as associations rather than causal relationships. Nevertheless, this study is meaningful in that it explored the structure of admission preparation experiences prior to entering a practical dance major using a machine learning–based approach.

Keywords:

키워드: