[논문 리뷰] An Automated Compatibility Prediction Engine using DISC Theory Based Classification and Neural Networks

Chandrasekaran Anirudh Bhardwaj, Megha Mishra외 1명|arXiv (Cornell University)|2017. 09. 02.

Mental Health Research Topics참고 문헌 9인용 수 6

한 줄 요약

이 논문은 성격 분류에 DISC 이론을 활용하고, 다층 퍼셉트론 신경망을 훈련시켜 신규 입사자와 소속된 관리자 간의 심리적 호환성을 예측하는 자동 호환성 예측 엔진을 제안한다. 모델은 정의된 데이터 파이프라인을 통해 성격 특성을 처리하여 정확한 호환성 인덱싱을 위한 적응형 학습을 구현하며, 조직 환경에서의 프로토타입 구현을 통해 검증된다.

ABSTRACT

Traditionally psychometric tests were used for profiling incoming workers. These methods use DISC profiling method to classify people into distinct personality types, which are further used to predict if a person may be a possible fit to the organizational culture. This concept is taken further by introducing a novel technique to predict if a particular pair of an incoming worker and the manager being assigned are compatible at a psychological scale. This is done using multilayer perceptron neural network which can be adaptively trained to showcase the true nature of the compatibility index. The proposed prototype model is used to quantify the relevant attributes, use them to train the prediction engine, and to define the data pipeline required for it.

연구 동기 및 목표

• 성격 프로파일링을 활용하여 직원과 관리자 간의 심리적 호환성을 자동으로 예측하는 시스템을 개발하는 것.
• 조직적 맥락에서 개인의 성격 유형을 분류하는 기초로 DISC 이론을 통합하는 것.
• 성격 특성 기반으로 호환성을 정량화하는 훈련 가능한 신경망 모델을 설계하는 것.
• 성격 및 호환성 데이터 수집, 처리, 훈련을 지원하는 확장 가능한 데이터 파이프라인을 구축하는 것.

제안 방법

• 개인의 성격 특성은 DISC 이론 프레임워크를 사용하여 분류되며, 이는 우세성, 영향력, 안정성, 준수성 중 하나의 유형으로 할당된다.
• 성격 프로파일은 기계학습 모델에 입력하기 위한 행동 차원을 나타내는 수치적 특성 벡터로 인코딩된다.
• 라벨이 부여된 호환성 데이터를 기반으로 다층 퍼셉트론(MLP) 신경망이 훈련되어 성격 프로파일과 호환성 결과 간의 매핑을 학습한다.
• 예측 오차를 최소화하고 정확도를 향상시키기 위해 역전파를 사용하여 모델을 적응형으로 훈련시킨다.
• 실제 구현을 위해 표준화된 데이터 수집, 전처리 및 모델 훈련을 위한 데이터 파이프라인을 정의한다.
• 모델의 타당성과 성능을 입증하기 위해 시뮬레이션된 조직 환경에서 프로토타입을 구현하여 검증한다.

실험 결과

연구 질문

• RQ1 DISC 기반 성격 분류가 조직적 호환성 예측을 위한 개인의 행동 특성을 효과적으로 표현할 수 있는가?
• RQ2 다층 퍼셉트론 신경망이 성격 프로파일 기반으로 직원과 관리자 간의 호환성을 얼마나 정확하게 예측할 수 있는가?
• RQ3 적응형 훈련이 호환성 예측 모델의 성능 및 일반화 능력에 어떤 영향을 미치는가?
• RQ4 HR 시스템에서 실시간 또는 배치 기반 호환성 예측을 지원하기 위해 확장 가능한 데이터 파이프라인을 어떻게 설계할 수 있는가?

주요 결과

• 제안된 모델은 신경망 처리에 적합한 수치적 특성으로 DISC 성격 유형을 성공적으로 매핑한다.
• 다층 퍼셉트론은 라벨이 부여된 훈련 데이터에서 호환성 패턴을 효과적으로 학습한다.
• 역전파를 통한 적응형 훈련은 반복 과정을 거치며 모델 정확도를 향상시킨다.
• 프로토타입 구현을 통해 DISC 이론과 신경망을 조직적 호환성 예측에 통합하는 것이 타당함을 확인한다.
• 정의된 데이터 파이프라인은 일관된 데이터 처리를 가능하게 하여 예측 엔진의 재현성과 확장성을 지원한다.
• ICRTESM-2017에서의 프로토타입 검증과 국제공학·기술·과학연구학회지에 게재된 결과를 통해 시스템은 측정 가능한 성능을 달성한다.