앱티핏(aptifit) — AI 학과 적성검사 서비스 설계·개발·운영

문제 — 채점의 정답 데이터가 존재하지 않았다

적성검사를 만드는 일의 병목은 문항이 아니라 채점 기준이었다.

학과 적성검사를 만들려면 두 가지가 필요하다. 하나는 학생에게 물어볼 문항이고, 다른 하나는 어떤 응답 패턴이 어떤 학과에 적합한지를 알려 주는 기준값이다. 앞의 것은 만들 수 있었다. 서울대학교 한국인적자원연구센터가 2년 4개월(2022.09~2024.12)에 걸쳐 139개 학문 분야의 프로파일 DB를 구축하고, 그로부터 4,134개 문항이 나왔다.

문제는 뒤의 것이었다. 139개 학과에 대해 각 문항의 '전형적인 응답'이 몇 점인지를 알아야 학생 응답과의 거리를 잴 수 있는데, 그 데이터가 없었다. 이론적으로 가능한 방법은 학과별 전문가가 4,134개 문항을 직접 푸는 것이다. 학과 수를 곱하면 응답해야 하는 문항이 139 × 4,134 규모가 되고, 학과마다 여러 명의 판정자를 두면 그 배수만큼 늘어난다. 현실적으로 불가능한 규모였다.

두 번째 문제는 검사 시간이었다. 4,134개 문항을 전부 제시하면 응답 부하가 커져 검사 자체가 성립하지 않는다. 실제 대학 현장에서 쓰이려면 20분 이내여야 했다. 즉 일부 문항만 물어보고도 전체를 푼 것과 비슷한 정확도로 채점해야 한다는 제약이 함께 붙었다.

이 두 제약 — 정답 데이터의 부재와 응답 문항 수의 상한 — 을 동시에 푸는 것이 이 프로젝트의 기술적 과제였고, 그 해법이 특허가 되었다.

서비스 개요 — 앱티핏은 무엇을 하는가

aptifit = Aptitude(적성) + Fit(맞춤). 139개 학과 중 1~5순위를 5대 적성요소에 근거해 찾아 준다.

앱티핏은 학생이 20분 이내의 개인맞춤형 검사에 응답하면, AI가 전국 4년제 대학 139개 학과 중 적성에 맞는 학과를 1순위부터 5순위까지 추천하고, 5대 적성요소의 강·약점 해설, 희망학과와의 비교, 커리어 로드맵까지 담은 결과지를 웹과 PDF로 제공하는 서비스다.

세 가지 기반 기술

• 139개 학과별 AI 페르소나 — 서울대·연세대·고려대 등 주요 30개 대학 139개 학과의 교수진과 학부생·대학원생 300여 명이 참여해 개발한 학과 프로파일을 학습시킨, 학과별 전공·적성 정보를 모두 보유한 학과 인공지능.
• 4,134개 문항 DB에서의 개인 맞춤 문항 추천 — 응답을 보고 다음 문항을 고르는 적응형 검사. 학과 단위·인접 학과의 차이를 식별하고 학과별 문항 수를 맞춰 응답 문항 수를 최소화한다.
• 신경망 딥러닝 알고리즘 — 학생이 입력한 데이터에서 그 학생만의 중요 특징을 추출하고, 300만 개 데이터베이스를 기반으로 적성을 분석·예측한다. 적은 응답만으로도 신속한 추천이 가능하다.

대학에서의 활용 방식

특허 방법 ① — 학과별 페르소나 언어 모델로 표준 응답 DB를 만든다 (S100–S200)

사람이 4,134개 문항을 푸는 대신, 학과가 된 언어 모델이 푼다.

특허 「학과 적성 검사 방법, 장치, 및 기록 매체」(제10-2882843호)의 첫 두 단계는 정답 데이터 부재 문제를 정면으로 다룬다.

S100 · 학과별 페르소나 언어 모델 생성

학과별 프로파일 데이터는 계열 · 학과 · 적성요소 · 세부항목 · 내용 · 가중치의 구조를 갖는다. 이 구조화된 데이터를 질문–응답 쌍 형태로 전처리해 언어 모델을 파인튜닝하면, 학과마다 "그 학과의 전형적 특성을 가진" 페르소나 언어 모델이 만들어진다. 139개 학과 각각에 대해 하나의 페르소나가 생긴다.

S200 · 페르소나가 RAG로 모든 문항에 응답 → 학과별 표준 응답 DB

생성된 페르소나는 자신의 프로파일에서 코사인 유사도 기반 검색(RAG)으로 문항과 관련된 정보를 찾아, 검사 문항에 1~7점 척도로 응답한다. 이 응답을 모으면 학과별 표준 응답 데이터가 된다.

이 단계의 의미는 분명하다. 전문가가 직접 문항을 풀어 학과별 DB를 구축하던 과정을 모델 생성으로 대체한 것이다. 139개 학과 × 4,134개 문항 규모의 기준값을 사람의 응답 노동 없이 만들 수 있고, 프로파일이 갱신되면 표준 응답도 다시 생성할 수 있다.

특허 방법 ② — 라운드 기반 적응형 출제와 오토인코더 응답 추정 (S300)

일부만 묻고, 나머지는 추정한다. 라운드를 거듭할수록 후보 학과가 좁아진다.

S300은 검사 시간 제약을 푸는 단계다. 전체 문항을 한 번에 제시하지 않고 라운드 단위로 나누어 제시한다.

• 1라운드는 수검자의 현재 학과·희망 학과, 희망 직업과 관련된 문항으로 시작한다. 즉 첫 라운드는 사전 정보에서 얻을 수 있는 가장 강한 신호부터 확인한다.
• 응답을 받으면 오토인코더가 같은 적성요소 내에서 아직 제시되지 않은 문항의 응답을 추정한다.
• 실제 응답과 추정 응답을 합쳐 코사인 유사도로 139개 학과의 표준 응답과 비교하고, 유사도 상위 n개 학과에 해당하는 문항을 다음 라운드에 제시한다.
• 라운드를 거듭할수록 후보 학과가 좁혀지고, 남은 후보들 사이를 구분하는 데 정보량이 큰 문항이 우선 제시된다.

이 구조의 핵심은 추정을 채점의 보조가 아니라 출제의 근거로 쓴다는 점이다. 미출제 문항의 응답을 추정해 두면, 아직 묻지 않은 영역에 대해서도 학과와의 거리를 계산할 수 있고, 그래서 "다음에 무엇을 물어야 후보가 가장 잘 갈라지는가"를 판단할 수 있다.

S400–S500 · 최종 추정과 학과 추천

검사가 끝나면 제시되지 않은 나머지 문항의 응답을 모두 추정한다. 실제 응답과 추정 응답을 학과별 표준 응답과 비교해 유사도 상위 m개 학과와 일치율(%)을 제공한다. 결과 문구 — 학과 소개, 적성요소 분석, 커리어 로드맵, 희망학과 비교 — 는 프로파일 데이터와 페르소나 언어 모델이 생성한다.

발명의 효과

1. 수백~수천 문항의 표준 응답을 사람 대신 페르소나 언어 모델이 생성하므로 효율적이고 정교한 DB 구축이 가능하다.
2. 모든 문항에 응답하지 않아도 응답 추정으로 결과를 도출하므로, 정확도를 유지하면서 검사 시간을 획기적으로 단축한다.
3. 정량 수치(일치율·요소별 점수)와 정성 해설(강점·약점·진로 제안)을 함께 제공한다.

특허 명세서 원문 — 배경기술의 세 한계와 청구항 10개 구조

출원 명세서(LPA240066_출원_명세서_v5.0_final.docx)는 슬라이드보다 훨씬 구체적인데, 기존 본문에는 반영되어 있지 않았다.

특허 「학과 적성 검사 방법, 장치, 및 기록 매체」의 출원 명세서 원문은 발명이 겨냥한 문제를 세 갈래로 명시한다. 이 세 문장이 본문에서 말한 '정답 데이터의 부재'와 '문항 수 상한'의 원래 진술이다.

• 실제 학과 공부와의 연관성 부족 — 기존 검사는 흥미나 성격 유형 분석에 그쳐, 특정 학과에 흥미가 높아도 그 학과가 요구하는 학업 능력·사고방식과 맞지 않을 수 있다.
• 고정 문항(지류 검사)의 한계 — 문항 수가 제한적이면 개인 특성을 반영하지 못하고, 반대로 수백 개 문항을 제한 시간에 답하게 하면 즉흥적 응답을 유도해 정확도가 떨어진다.
• 결과 해석의 전문가 의존 — 결과가 점수나 등급으로만 제공되어 강점·약점을 구체적으로 파악하기 어렵고, 활용 방법에 대한 안내가 부족하다.

여기에 더해 '관련 전문가 등이 직접 문항을 푸는 방식으로 수동으로 학과별 데이터베이스를 구축해야 한다는 불편함'이 해결 과제로 명시되어 있다.

청구항 구조

청구항은 총 10개이고, 독립항이 3개다.

도면 목록

본문에서 인용한 도 3(순서도) 외에 다음 도면들이 명세서에 포함되어 있다. 결과지 여섯 영역이 특허 도면과 1:1로 대응한다는 점을 보여 주는 목록이다.

특허 실시예의 구체 값 — 척도 라벨, 데이터 필드, 라운드별 문항 수

명세서에는 슬라이드에 없는 수치와 필드 정의가 그대로 적혀 있다. 이 사이트에서 생략해서는 안 되는 부분이다.

1~7점 척도의 문항별 라벨

페르소나 언어 모델이 각 문항에 부여하는 점수는 단순한 1~7 정수가 아니라 라벨이 붙은 리커트 척도다.

프로파일 데이터와 검사 문항 데이터의 필드

학과별로 각 적성 요소마다 미리 정해진 수의 문항이 존재하며, 명세서의 실시예에서 그 수는 5다. 139개 학과 × 5개 적성 요소 × 5문항이 문항 DB의 기본 골격이라는 뜻이다.

질문–응답 쌍 전처리의 실제 예

'질문–응답 쌍으로 전처리한다'가 무엇인지 명세서는 예시로 못박아 두었다. 기계공학 학과의 핵심 역량 데이터가 "설계 능력", "문제 해결 능력", "수학적 사고"로 존재할 때 다음처럼 변환해 파인 튜닝에 넣는다.

질문: 기계공학 학과에서 중요한 핵심 역량은 무엇인가요?
응답: 기계공학 학과의 핵심 역량으로는 설계 능력, 문제 해결 능력, 및 수학적 사고가 있습니다.

페르소나는 '자기 학과 문항'만 푸는 것이 아니다

표준 응답 DB의 구조를 이해하는 데 결정적인 문장이 있다. S220에서 각 페르소나가 응답하는 문항은 모든 학과에 대한 검사 문항이다. 즉 기계공학 페르소나(PLM1)가 기계공학 문항뿐 아니라 국어교육 문항에도 응답하고, 국어교육 페르소나(PLM2)도 마찬가지다. 그 결과 학과 × 전체 문항 크기의 응답 행렬이 만들어지고, 수검자 응답 벡터를 어떤 문항 조합으로 잘라도 코사인 유사도 비교가 성립한다.

라운드별 문항 수와 화면 실시예

• 제1 라운드 27문항, 제2 라운드 17문항, 제3 라운드 27문항 (도 9b~9d의 마지막 문항이 각각 Q27 · Q17 · Q27이다).
• 각 라운드 화면 상단에는 그 라운드의 적성 요소와 설명이 표시된다 — 제1 라운드 "역량 1", 제2 라운드 "역량 2"(역량 요소의 두 번째 라운드라는 의미), 제3 라운드 "흥미".
• 라운드의 모든 문항에 응답을 마치면 하단에 '이전'·'다음' 버튼이 생성되고, '이전'을 누르면 그 라운드 문항이 처음부터 다시 제시된다.
• 상위 n개 학과 선정의 예시도 구체적이다 — 유사도 상위로 "기계공학"과 "로봇공학"이 선정되면 제2 라운드에서 그 두 학과의 문항 중 일부를 제시한다.

검사 전 입력 정보 (도 9a)

1라운드 문항이 어떻게 결정되는지의 근거다. 수검자는 검사 시작 전에 학교 · 학년 · 희망 학과 · 희망 직업(및 현재 학과)을 입력하고, 희망 학과는 DB의 프로파일 데이터에 존재하는 학과 중에서 선택하도록 제시된다. 이 입력이 이후 제시 문항과 결과 문구 양쪽에 연결된다.

RAG 유사도 평가 기법

명세서는 검색된 정보의 적합도를 평가하는 방법으로 벡터 공간 모델(Vector Space Model), 문서 임베딩(Document Embedding), TF-IDF 기반 통계적 가중치 평가, 딥러닝 기반 의미적 유사도 평가(Neural Semantic Similarity)를 열거한다. 언어 모델의 기반 아키텍처로는 Transformer · GPT · BERT를 언급한다.

결과 형식 (도 10a~10e)의 원문 정의

• 도 10a 순위 정보 — 순위, 학과, 학과를 나타내는 그림, 학과 설명. 좌우 화살표로 다른 순위 학과를 열람한다.
• 도 10b 선택한 학과의 소개 — 학과 설명, 인재상, 심화 분야, 커리큘럼.
• 도 10c 적성 요소 분석 — 5대 요소 버튼을 누르면 세부 결과가 열리고, 프로파일의 '세부 항목' 또는 문항 데이터의 '범주'별로 정량화된 수치(수검자의 유사도·적합도)가 제시된다.
• 도 10d 커리어 로드맵 — 학과와 연관된 직업 및 직업 정보.
• 도 10e 희망 학과와 적성 학과 비교 — 학과별 일치율(유사도·적합도)과 설명.

모든 화면의 문구는 학과별 프로파일 데이터 및/또는 학과별 페르소나 언어 모델에 기초해 생성된다고 반복해 명시되어 있다.

명세서에서 서비스로 — 특허가 값을 정해 두지 않은 자리들

라운드 수, 남길 후보 학과 수, 라운드마다 물을 문항 수. 명세서는 이것들을 자연수로만 남겨 둔다.

특허 명세서는 방법을 정의하지만 값을 정하지 않는다. 청구항은 “응답 유사도가 높은 상위 n개 학과”, “상위 m개 학과”라고만 쓰고 n과 m을 자연수로 둔다. 라운드도 제1·제2·제3 라운드를 예시하며 그 수를 제한하지 않고, 각 라운드에 몇 문항을 제시하는지도 실시예의 예시일 뿐이다. 방법을 서비스로 옮기는 일은 이 열린 자리를 전부 채우는 일이었다.

고르기 어려운 것은 각 값이 아니라 값들 사이의 상충이었다. 후보를 빨리 좁히면 물어야 할 문항은 줄지만, 초반 응답 몇 개의 편차로 잘려 나간 학과는 이후 라운드에서 다시 후보로 올라오기 어렵다. 반대로 늦게 좁히면 라운드마다 물을 문항이 계열 전체에 퍼져 20분이라는 상한을 넘긴다. 명세서가 발명의 효과로 적은 ‘검사의 정확도를 유지하면서도 수검자가 검사에 임하는 시간을 획기적으로 단축’은, 구현에서는 이 두 실패 사이의 폭을 찾는 일이었다.

라운드의 순서도 정해야 했다. 명세서는 첫 라운드를 수검자의 현재 학과·희망 학과·희망 직업과 연관된 문항으로 시작할 수 있다고 하고, 다른 대목에서는 첫 라운드를 ‘역량’ 문항으로 예시한다. 실제 서비스는 뒤쪽을 택했다. 사전 정보는 후보 학과의 초기 순위에 쓰고, 라운드는 응답 부담이 낮은 요소부터 시작해 교과 지식을 묻는 문항을 뒤로 옮겼다. 일반 문항 라운드가 끝날 때 중간 추천을 보여 주는 화면은 처음에는 넣었다가 걷어냈다. 검사 흐름이 끊기지 않는 쪽이 낫다고 봤기 때문이다.

이 값들은 서비스 코드를 쓰면서 정한 것이 아니다. 적응형 로직만 떼어낸 별도 프로토타입에서 먼저 합성 응답으로 후보 축소가 수렴하는지 확인하고, 이어 실제 검사 세션 하나를 처음부터 끝까지 따라가며 결과가 어디서 어긋나는지 보았다. 그 결과 라운드는 아홉 개로, 마지막 단계까지 남기는 후보 학과는 여덟 개로 정했다.

응답 추정 — 오토인코더를 무엇으로 학습시킬 것인가

채점의 정답 데이터가 없었던 것과 같은 문제가, 추정 모델의 학습 데이터에서 한 번 더 나왔다.

명세서에서 오토인코더는 입력을 압축된 잠재 변수로 바꾸고 다시 복원하면서 데이터의 잠재적 특징을 추출하는 아키텍처로 설명된다. 방법 안에서의 역할은 앞 절에서 본 그대로다. 다만 명세서는 이 모델을 어떤 데이터로 학습시키는지는 말하지 않는다. 복원 오차를 최소화하도록 학습된다는 정의만 있다.

그것이 실제로 문제였다. 이 모델은 수검자의 응답 패턴을 배워야 하는데, 서비스를 시작하기 전에는 수검 응답이 없다. 전문가 응답을 학과별 페르소나로 대체했던 것과 같은 부재가 한 층 아래에서 다시 나온 것이다. 초기 모델은 학과별 표준 응답에서 파생한 합성 응답 — 한 학과에 뚜렷하게 치우친 응답, 두세 학과에 걸친 응답, 아직 방향이 없는 응답 — 으로 학습시키고, 실제 세션이 쌓인 뒤에 다시 확인했다.

복원 오차만 줄이도록 학습시킨 첫 모델은 어떤 응답을 넣어도 비슷한 결과를 냈다. 모든 학과의 평균으로 수렴한 것이다. 이것은 학습 설정의 문제가 아니라 목표를 잘못 세운 문제였다. 응답을 그대로 복원하는 문제가 아니라 139개 학과 중 어디에 가까운지를 고르는 문제로 다시 정식화하고 학습 목표를 바꾸자 해소되었다. 복원 자체를 버린 것은 아니다. 미제시 문항의 추정 응답은 그대로 유사도 비교에 쓰지만, 모델이 최적화하는 대상을 ‘응답을 얼마나 똑같이 되돌리는가’에서 ‘어느 학과에 가까운가’로 옮긴 것이다.

실제 세션을 따라가며 찾은 결함은 대개 신호를 잃는 쪽이었다. 학과 문항에 7점을 준 응답, 즉 수검자가 준 가장 강한 신호가 추정 입력에 들어가지 않아 그 학과가 후보 상위로 거의 올라오지 않던 경우가 있었다. 후보가 여덟 개로 좁혀진 뒤에도 확률이 139개 학과 전체에 퍼져 후보들 사이의 차이가 드러나지 않던 경우가 있었다. 특정 계열의 문항에 반복해서 낮은 점수를 준 수검자에게, 아직 응답이 없는 같은 계열의 다른 학과가 상위로 올라오던 경우도 있었다. 세 가지 모두 결국 하나의 질문이었다. 응답이 말하고 있는 것이 계산에 반영되고 있는가.

시스템 구성 — 기다릴 수 있는 것과 기다릴 수 없는 것

단말기 · 검사와 채점 · 추정 모델 추론 · 결과 문구 생성. 앞의 셋은 응답 중에 끝나야 하고, 마지막은 그럴 수 없다.

명세서의 장치 구성은 서버·단말기·데이터베이스, 그리고 프로세서·메모리·통신 인터페이스 수준으로만 기재된다. 실제 서비스는 이 구성을 네 구간으로 나누어 만들었다.

넷을 나눈 기준은 하나다. ①~③은 수검자가 화면 앞에서 기다리는 시간 안에 끝나야 하고, ④는 그럴 수 없다. 결과지 한 부는 65개 항목·50쪽 규모이고, 그 문구는 학과별·적성요소별로 각각 따로 생성된다. 검사 완료 요청 안에서 이것을 기다리면 요청이 끝나지 않는다. 그래서 검사가 끝나는 시점에는 생성해야 할 문구 목록만 만들어 넘기고, 화면에는 결과를 준비하고 있음을 알리고, 생성이 모두 끝난 검사에만 결과지를 내려주도록 했다.

운영 중에 가장 자주 바뀌는 것은 이 마지막 구간이다. 명세서도 결과 문구가 학과별 프로파일 데이터 및/또는 페르소나 언어 모델에 기초해 생성된다고만 하고 문구 자체는 정하지 않는다. 그래서 문구의 본문과 모델 설정은 코드가 아니라 데이터베이스에 두어, 문장 하나를 고치는 일이 배포를 필요로 하지 않게 했다.

하나의 방법, 여러 수검자 — 갈라지는 것과 갈라지지 않는 것

명세서는 검사 문항이 검사의 종류 또는 수검자에 따라 구별될 수 있다고 적는다. 실서비스에서 그 구별은 다섯 갈래가 되었다.

명세서는 검사 문항 데이터의 “검사 문항” 필드가 같은 데이터 안에서도 검사의 종류 또는 수검자에 따라 구별될 수 있다고 적고, 대학생·일반인용 문항과 고등학생용 문항이 별도로 존재할 수 있다고 예시한다. 실제 서비스에서 이 구별은 초등·중학·고등·대학, 그리고 기관 맞춤의 다섯 갈래가 되었다. 학교급이 내려가도 추천 대상은 같은 139개 학과다. 다만 대학생에게는 전공 선택의 근거로, 초·중학생에게는 진로 탐색의 방향으로 제시하고, 학교급에 따라 제외하는 학과와 결과지 문구가 달라진다.

갈라지는 것은 문항만이 아니다. 학교급에 따라 추천 대상에서 빼는 학과가 있고, 초·중학생 검사는 추정에 쓰는 계산 경로를 따로 두었고, 결과지 문구도 초등 버전이 따로 있다. 반대로 갈라지지 않는 것도 분명하다. 라운드 진행, 미제시 문항의 응답 추정, 표준 응답과의 유사도 비교, 일치율 산출 — 특허가 개시한 방법 자체는 모든 검사 종류에서 같다.

그래서 공통 로직은 한 번만 두고 학교급별로는 달라지는 부분만 덧붙이는 구조로 만들었다. 처음에는 도입 기관 한 곳을 위한 검사 유형을 따로 두었으나 이후 범용 맞춤 유형으로 합쳤다. 검사 종류가 늘어난 것은 도입 기관의 요구에서 온 변화였지만, 늘어난 뒤에도 채점 방법은 하나로 남았다.

결과지 — 65개 항목 · 50쪽, 여섯 영역

적성학과 순위부터 커리어 로드맵까지, 정량 수치와 AI가 작성한 정성 해설을 한 결과지에 함께 담는다.

결과지는 웹과 PDF 두 형태로 제공되며 여섯 영역으로 구성된다. 아래 화면은 모두 실제 서비스 결과지다.

03 적성요소 분석 화면이 이 서비스의 성격을 가장 잘 보여 준다. 위쪽 막대그래프는 응답을 환산한 정량 점수이고, 아래 강점·약점·결론 3단 분석은 LLM이 생성한 정성 해설이다. 정량 채점(ML)과 정성 해석(LLM)이 한 화면에 결합되어 있으며, 요소별로 어떤 문구를 생성할지는 코드가 아니라 설정으로 선언해 둔다.

04 비교 영역은 A~F 아코디언으로 펼쳐진다. A 일치율 비교 / B 두 학과 차이 / C 어울리는 점 / D 고민할 점 / E 융합인재 성장법 / F 융합 진로 제안이며, F에서는 두 전공을 융합한 구체적 직업을 제안한다.

결과지 화면 전문 — 비교 A~F와 요소별 다섯 탭

실제 캡처 20장 중 9장이 인용되지 않았고, 화면에 보이는 구체 수치도 빠졌다. 캡처의 값을 함께 적어야 정량·정성 결합이 눈에 들어온다.

캡처는 모두 실제 서비스 결과지이며 2배율 고해상도다. 화면에 실제로 찍혀 있는 값을 함께 적으면 파이프라인의 출력이 어떤 형태인지가 분명해진다.

발표용 슬라이드 구성도 이 세 장을 축으로 잡았다 — ① 01 요약 차트로 "검사의 최종 출력은 학과 일치율"(여기에 139개 페르소나 비교라는 한 줄), ② 03 5대 요소로 "정량 채점(ML) + 정성 해석(LLM)이 한 화면에", ③ 04-F 또는 06으로 "개인화의 깊이: 희망학과 × 적성학과 융합 진로까지".

결과 프로파일의 계보 — 정량 점수와 정성 해설을 함께 쓰는 형식

같은 연구센터의 기존 진단 프로파일도 T점수 표와 문장 해설을 한 페이지에 병치하는 구조였다.

앱티핏 결과지의 "정량 표 + 정성 해설" 형식은 새로 만든 것이 아니라, 서울대학교 한국인적자원연구센터가 축적해 온 개인별 진단 프로파일의 형식을 계승한 것이다. 함께 검토한 개인별 프로파일 샘플(학교장 역량 진단검사)은 다음과 같은 구조를 갖는다.

• 역량모형의 계층화 — 기초역량 4개 상위역량 · 8개 세부역량, 직무역량 4개 상위역량 · 14개 세부역량으로 나뉘고, 각 역량마다 정의 문장이 붙는다.
• 준거 비교형 점수 표 — 나의 점수 / 준거집단 전체평균 / 상위 20% 점수 / 해석을 한 표에 나란히 둔다. 예: 기초역량 82.5, 직무역량 81.6, 총점 82.1 (준거집단 평균 80.0, 상위 20% 86.3 → "보통").
• 다섯 단계 해석 기준 — 90점 이상 매우 우수 / 85~90 우수 / 80~85 보통 / 75~80 미흡 / 75점 미만 매우 미흡.
• 응답 신뢰성 지표 — 과장응답 점수를 별도로 산출해 60점 미만 양호 / 60~80 보통 / 80점 이상 주의로 해석하며, 점수가 높을수록 사회적으로 바람직하게 과장 응답한 가능성이 높다고 안내한다.
• 점수마다 붙는 해설 문단 — "기초역량 중 학생중심사고는 81.8점으로 '보통' 수준입니다… 준거집단 평균점수보다 높으나 상위 20% 점수보다는 낮게 나타났습니다" 형식으로, 수치·역량 정의·준거 비교를 한 문단에 엮는다.

앱티핏에서 달라진 지점은 이 해설 문단을 사람이 쓰지 않는다는 것이다. 학과별 페르소나 언어 모델과 DB에 저장된 프롬프트가 개인 응답에 맞춰 문단을 생성하고, 그 결과가 65개 항목·50쪽 분량으로 확장된다. 형식은 물려받고, 생산 방식을 자동화한 셈이다.

학문프로파일 DB — 이 모든 것의 원천 데이터

서울대학교 한국인적자원연구센터가 2년 4개월에 걸쳐 만든 139개 분야 학문 프로파일이 페르소나의 학습 데이터다.

회사는 서울대학교 교원창업 승인(2023년 10월) 기업이며, 서울대학교 기술지주회사 자회사로 설립(2024.05)되었고 중소벤처기업부 벤처기업·기업부설연구소 인증(2024.07)을 받았다. 연구 엔진은 서울대학교 한국인적자원연구센터로, 2005년 교육부 정책중점연구소로 설립되어 20년간 인재·역량·적성·전문성·창업을 연구해 왔다. 임직원은 2025년 11월 기준 총 16명(박사 2, 석사 7, 학사 7)이다.

성과 — 9개 대학 도입과 현장 반응

2024년 10월 서울대를 시작으로 9개 대학의 신입생·재학생 진단에 활용되고 있다.

대학생 후기

제게 맞는 전공으로 짐작했던 학과를 확인할 수 있어서 향후 대학생활 설계에 도움이 되었습니다.

현재 제가 선택한 전공이 상위 순위에 있어서 안심이 되었고, 직업정보까지 제시되어 만족스러웠습니다.

의외의 전공이 추천되었는데 생각해 보니 관심과 흥미가 있었던 분야여서 여러 가지 가능성을 생각하게 되었습니다.

학과에 대한 개요나 흥미 말고도 지식, 역량 등에 대해 세부적으로 분석해 주어 도움이 되었습니다.

대학 관계자 후기

다른 검사보다 상당히 내용이 많고 충실해서 상담에 많이 도움이 될 것 같습니다.

취업과 관련된 정보도 많고, 본인이 희망했던 전공과 비교를 통해 학생들이 본인도 몰랐던 부분에 대해 알게 되는 것이 의미 있었습니다.

무전공이나 자율전공에 꼭 필요한 서비스입니다.

회사·연구 조직과 소개자료 수치의 출처

소개자료의 대표 수치(정확도 95%, 300만 개 DB)와 조직 정보가 uncertain에만 있고 본문에는 없다. 근거를 밝혀 본문에 쓰는 편이 낫다.

소개자료가 제시한 성능 수치와 그 조건

회사와 연구 조직

• 사명 앱티마이저(APTIMIZER) = Aptitude + Maximizer.
• 대표이사 오헌석 — 현 서울대학교 교육학과 교수, 서울대 교육연구소 소장. 특허 발명자 목록의 첫 번째 이름이기도 하다.
• 서울대학교 교원창업 승인(2023.10) → 서울대학교 기술지주회사 자회사 설립(2024.05) → 중소벤처기업부 벤처기업·기업부설연구소 인증(2024.07).
• 임직원 2025년 11월 기준 총 16명(박사 2 · 석사 7 · 학사 7).
• 연구 엔진은 서울대학교 한국인적자원연구센터(센터장 오헌석 교수) — 2005년 교육부 정책중점연구소로 설립, 20년간 인재·역량·적성·전문성·창업 연구.

검사 외 제공 항목

• AI ACE(Aptitude Career Education) 과정 — 앱티핏 진단 워크숍과, 앱티핏을 활용한 진로상담·지도 교육 과정을 대학에 함께 제공할 수 있다.
• 부가 서비스의 요약 PDF(2쪽)에는 학과 적성 적합도 순위와 계열 적성 및 적성학과 전공적성 프로파일이 담긴다.
• 기존 콘텐츠에서 빠진 대학 관계자 후기 한 줄: "진단 결과에 대해 학생들이 흥미로워 하네요."

결과지 화면 모아 보기

다섯 적성요소 탭, 희망학과 비교 전체 펼침, 그리고 결과지 한 장 전체.

결과지는 항목마다 “점수 → 해석 → 그래서 무엇을 하면 되는지”가 한 묶음으로 붙는다. 아래는 다섯 적성요소 탭을 차례로 펼친 화면과, 희망학과와의 비교를 모두 펼친 화면, 그리고 결과지 한 장 전체다. 모두 실제로 발급된 결과지에서 그대로 캡처했다.