머신러닝 당뇨 판별 탐구, 2~3학년 꼬리물기 연계 설계: 계열별 4대 확장 트랙

과적합·블랙박스·단순 지표라는 1학년 탐구의 한계를 AI, 의생명, 보건행정, 교차융합 계열별 후속 질문과 세특·면접 준비로 연결하는 실전 설계안입니다.

탐구가이드 편집팀발행 2026-09-09수정 2026-09-09

1학년 때 진행한 머신러닝 기반 당뇨 환자 판별 탐구는 교과서 속 기본 통계 및 인공지능 기초 개념을 실생활 보건 데이터에 접목한 훌륭한 출발점입니다. 학생부 기반 평가에서는 단발성 탐구의 결과만큼 1학년 탐구 결론부에 남겨 둔 한계점과 물음표(Bridge)가 2~3학년의 깊이 있는 꼬리물기 연계 탐구로 확장되는 과정도 중요하게 살펴볼 수 있습니다.

2028학년도 대입 및 고교학점제의 방향을 고려해, 지원하고자 하는 희망 진로·계열에 따라 2~3학년 때 이 주제를 어떻게 독창적이고 학술적으로 고도화할 수 있는지 4대 핵심 확장 트랙과 세특 작성 프레임으로 정리합니다. 대학별 평가 방식과 학교별 개설 과목은 다를 수 있으므로 실제 적용 전에는 대학 모집요강과 학교 교육과정 편제표를 확인해야 합니다.

1. 1학년 탐구의 한계 도출과 2~3학년 Bridge 연결

1학년 때 PIMA 인디언 당뇨 데이터셋 등으로 단순 분류(Binary Classification) 모델을 만들었다면, 결론부에서 다음과 같은 세 가지 학술적 오차와 한계를 스스로 직시하고 2~3학년 후속 탐구의 이정표로 삼아야 합니다.

데이터의 통계적 한계: 고교생 수준에서 사용한 데이터셋의 표본 규모와 특정 집단 편향, 그리고 충분히 제어하지 못한 과적합(Overfitting) 가능성입니다.

블랙박스 모델의 한계: AI가 당뇨 여부를 판단했더라도 그 임상적 근거와 수치적 이유를 충분히 설명하지 못할 수 있습니다.

단순 지표의 한계: 혈당·BMI 수치 나열을 넘어선 의학적·생화학적 메커니즘, 즉 인슐린 저항성과 합병증 발병 기작에 관한 분석이 부족할 수 있습니다.

2. 계열 및 전공별 2~3학년 심화 확장 트랙

트랙 A. AI·소프트웨어·데이터사이언스 계열

핵심 확장 키워드: 수리적 모델링, 과적합(Overfitting) 제어, 설명 가능한 AI(XAI)

확장 탐구 주제: 의료 데이터 분류 시 발생하는 과적합 극복을 위한 손실함수 수리적 유도 및 XAI(SHAP/LIME) 알고리즘 기반 당뇨 진단 모델 구현

수학·정보 교과 연계: 대수, 미적분Ⅱ, 인공지능 수학 등 실제 이수 과목과 연계하여 1학년 때 사용한 분류 알고리즘의 경사하강법(Gradient Descent)과 손실함수(Loss Function) 공식을 직접 수리적으로 유도합니다.

한계 극복 행동(Action): 특정 변수 간 상관관계로 발생하는 다중공선성과 과적합을 줄이기 위해 L1/L2 규제(Regularization)를 추가 적용하고, SHAP(Shapley Additive exPlanations) 또는 LIME 기법을 도입하여 AI가 당뇨 판단 시 어떤 특성(Feature)에 가중치를 두었는지 시각화합니다. 모델의 예측은 의료진의 진단을 대체하는 결과가 아니라 학습용 데이터 분석으로 한정해 해석합니다.

트랙 B. 의약학·생명과학 계열

핵심 확장 키워드: 바이오마커, 당뇨병성 합병증 기작, 정밀의료

확장 탐구 주제: 단순 혈당 지표를 넘어선 당뇨병성 신증(Nephropathy) 조기 진단용 바이오마커 수치 분석 및 인슐린 저항성 기작 고찰

생명과학 교과 연계: 세포와 물질대사, 생물의 유전 등 실제 이수 과목에서 배운 내용을 바탕으로, 단순히 당뇨 여부를 판별하는 것을 넘어 대표적 합병증인 미세혈관 질환과 당뇨병성 신증으로 확장합니다.

학술적 고도화: 혈중 당화혈색소(HbA1c) 외에 미세알부민뇨, C-펩타이드, 인슐린 수용체 결함 메커니즘 등을 문헌에서 확인하고 분석 변수 후보로 검토합니다. 공개 데이터에 실제 변수가 포함되어 있는지, 각 지표가 어떤 임상적 조건에서 해석되는지 확인한 뒤 정밀의료(Precision Medicine) 관점에서 데이터의 타당성을 검증합니다.

트랙 C. 보건행정·상경·사회과학 계열

핵심 확장 키워드: 알고리즘 편향성, 의료 불평등, 헬스케어 정책

확장 탐구 주제: AI 진단 알고리즘의 데이터 편향성이 초래하는 의료 불평등 구조 분석 및 디지털 헬스케어 가이드라인 제언

사회·융합 교과 연계: 사회문제 탐구, 금융과 경제생활, 윤리문제 탐구 등 실제 이수 과목과 연결하여 특정 계층이나 인종에 치우친 학습 데이터가 초래할 알고리즘 편향성을 인문사회학적 관점에서 비판합니다.

정책적 대안 제언: 가능한 범위에서 델파이 기법 또는 텍스트 마이닝 기법을 활용하여 AI 원격 진단 도입 시 소외될 수 있는 디지털 취약계층의 의료 접근성 문제와 사회적 비용의 딜레마를 고찰하고, 근거에 기반한 법적·정책적 규제 대안을 서술합니다.

트랙 D. 문·이과 교차융합(STS 및 데이터 실증)

핵심 확장 키워드: 이과적 구현, 문과적 윤리·규제, 공공 보건 캠페인

확장 탐구 주제: 공공 보건 빅데이터(KOSIS 등) 기반 지역별 당뇨 발병률 수리 모델링 및 보건 정책 포스터·캠페인 기획

구체적 실천 전략: 공공데이터 포털의 오픈 데이터를 파이썬이나 통계 프로그램으로 재가공하여 지역별·소득 수준별 당뇨 관련 지표의 상관관계를 수리적으로 실증합니다. 상관관계를 곧바로 인과관계로 해석하지 않도록 한계를 밝힌 뒤, 인문계열 학생들과 협업하여 학내·지역사회 건강 불평등 완화 캠페인과 카드뉴스를 직접 제작합니다.

3. 심층 면접 Level 1~3 대비와 세특 기재 프레임

이렇게 설계된 연계 탐구는 대학 구술면접에서 이어질 수 있는 단계별 꼬리질문에 답하는 구체적인 근거가 됩니다.

Level 1: 최초 진위성 검증
“당뇨 예측 모델에 사용한 손실함수의 정의와 과적합의 수리적 개념을 설명해 보세요.”
대응: 1~2학년 때 직접 계산하고 정리한 경사하강법 및 L1/L2 규제 원리로 답변합니다.

Level 2: 심화 추론 및 한계 분석
“1학년 탐구 시 발생한 오차 데이터의 원인은 무엇이며, 2학년 때 이를 어떤 연산 기법으로 보완했나요?”
대응: 표본 편향성과 과적합 가능성을 분석하고, 변수 재설계와 SHAP 기법으로 보완한 행동(Action)을 진술합니다.

Level 3: 융합적 개념 전이 및 윤리
“지원자가 만든 AI 모델이 의료진의 판단을 대체할 때 발생할 수 있는 윤리적·사회적 위험은 무엇인가요?”
대응: 기술적 낙관론을 경계하고 설명 가능한 AI(XAI)의 필요성, 데이터 대표성, 의료 불평등 방지책을 함께 제언합니다.

4. 1학년 보고서 결론부 Bridge 추천 문장

본 탐구를 통해 머신러닝 알고리즘으로 당뇨 환자 판별의 기초적 수치 모델을 구축했으나, 학습 데이터의 한정성으로 인한 과적합(Overfitting) 가능성과 AI 판단 근거의 미비(Black-box)라는 한계를 자각함. 이 학술적 물음표를 해결하기 위해 차기 학기 인공지능 수학 및 세포와 물질대사 관련 과목을 이수하며, 손실함수의 수리적 유도와 바이오마커 데이터를 추가 결합하는 심화 후속 연계 탐구를 수행할 것을 계획함.

핵심 포인트

1학년 결론부에 데이터·설명 가능성·의학적 기작의 한계 남기기
희망 계열에 맞는 확장 트랙 하나를 중심으로 설계하기
교과목에서 배운 개념을 후속 탐구의 분석 도구로 사용하기
모델 예측을 의료 진단으로 과장하지 않고 데이터 범위를 명시하기
한계 발견과 보완 행동을 면접 답변의 근거로 기록하기

탐구보고서 흐름

1학년 모델과 사용 데이터 재검토
표본 편향·과적합·블랙박스·지표 한계 도출
희망 계열별 확장 트랙 선택
관련 교과 개념과 후속 방법론 연결
추가 분석·문헌 검토·정책 제안 수행
한계와 다음 질문을 Bridge로 기록

세특 연결 포인트

1학년 탐구의 통계적·설명적 한계를 스스로 발견함
희망 진로에 맞춰 교과 개념과 후속 방법론을 연결함
L1/L2 규제·XAI·바이오마커·공공데이터 등 구체적인 보완 행동을 수행함
기술의 임상적 한계와 의료 불평등 문제까지 성찰함

서류기반면접 예상 질문

당뇨 예측 모델에 사용한 손실함수와 과적합의 개념을 설명해 보세요.
1학년 탐구의 가장 큰 데이터 한계는 무엇이었나요?
2~3학년 후속 탐구에서 어떤 방법으로 그 한계를 보완했나요?
AI 예측과 의료진의 임상 진단은 어떻게 구분해야 하나요?

꼬리질문 대비

L1 규제와 L2 규제는 모델에 어떤 차이를 만들 수 있나요?
SHAP 또는 LIME 결과가 곧 인과관계를 뜻하지 않는 이유는 무엇인가요?
바이오마커 변수를 추가할 때 데이터 타당성을 어떻게 확인했나요?
특정 집단에 치우친 데이터가 의료 불평등으로 이어지는 경로를 설명해 보세요.

자주 하는 실수

1학년과 같은 분류 모델을 데이터만 바꿔 반복하는 것
SHAP 값이나 상관관계를 임상적 인과관계로 단정하는 것
공개 데이터에 없는 바이오마커를 실제 분석한 것처럼 서술하는 것
희망 계열과 무관하게 네 트랙을 모두 얕게 나열하는 것
모델의 예측을 의료진의 진단처럼 표현하는 것

체크리스트

1학년 탐구의 한계를 세 가지 이상 구체적으로 적었는가
희망 계열에 맞는 대표 확장 트랙을 골랐는가
실제 이수 과목의 개념과 후속 방법론을 연결했는가
사용 데이터에 필요한 변수가 실제로 포함되어 있는지 확인했는가
상관과 인과, 예측과 진단을 구분했는가
결론부에 다음 탐구를 예고하는 Bridge 문장을 넣었는가

#머신러닝#당뇨#꼬리물기탐구#연계탐구#설명가능한AI#의생명#세특#면접대비

운영자 안내

이 글은 일반 교육 정보이며 특정 대학 합격·학생부 평가·면접 결과를 보장하지 않습니다. 학교와 대학의 공식 안내를 함께 확인해 주세요.