Q-Sat AI: Machine Learning-Based Decision Support for Data Saturation in Qualitative Studies
Created by
- Haebom
Category
Empty
저자
Hasan Tutar, Caner Erden, Umit \c{S}enturk
개요
본 연구는 질적 연구의 표본 크기 결정을 보다 객관적으로 만들기 위해 머신 러닝(ML) 기반의 새로운 체계적인 모델을 제시합니다. 사례 연구, 근거 이론, 현상학, 내러티브 연구, 민족지학 연구 등 5가지 질적 연구 접근 방식을 기반으로 한 데이터 세트를 활용하여 앙상블 학습 모델을 개발했습니다. 연구 범위, 정보력, 연구자 역량 등 10가지 중요한 매개변수를 사용하여 입력 특징으로 활용했습니다. 다양한 ML 알고리즘을 훈련하고 비교한 결과, K-최근접 이웃(KNN), 그래디언트 부스팅(GB), 랜덤 포레스트(RF), XGBoost, 의사 결정 트리(DT) 알고리즘이 가장 높은 설명력을 보였습니다(Test R2 ~ 0.85). 본 연구는 질적 연구자, 저널 심사자 및 논문 지도 교수를 위한 의사 결정 지원 시스템 역할을 하는 웹 기반 계산 응용 프로그램의 개념적 프레임워크를 제안하며, 증거 기반의 체계적인 의사 결정을 통해 표본 크기 정당성을 표준화하고 투명성을 강화하며 질적 연구의 인식론적 기초를 강화하는 것을 목표로 합니다.
시사점, 한계점
•
머신 러닝 모델을 활용하여 질적 연구의 표본 크기 결정을 객관화하고, 데이터 포화라는 주관적인 기준을 대체할 수 있는 방법을 제시함.
•
다양한 질적 연구 방법론(사례 연구, 근거 이론 등)에 적용 가능한 모델을 개발하여 방법론적 적용 범위를 넓힘.
•
연구 설계 유형 및 정보력과 같은 핵심 요소의 중요성을 정량적으로 확인하여 질적 연구 방법론의 이론적 가정을 뒷받침함.
•
웹 기반 의사 결정 지원 시스템의 개념적 프레임워크를 제시하여 실질적인 활용 가능성을 제시함.
•
데이터 세트가 5가지 연구 접근법으로 제한되어 있어 다른 질적 연구 방법론으로의 일반화에 한계가 있을 수 있음.
•
모델의 정확도(R2 ~ 0.85)가 높지만, 여전히 불확실성이 존재하며 추가적인 검증이 필요함.
•
10가지 매개변수 외에 다른 중요한 요소를 고려하지 못했을 수 있음.
