[강의] 실감미디어 UX를 적용한 CE 속성 도출

Weekly content


대학원 시절 알았으면 좋았을 것들

  • 질문은 처음 생각한 것의 절반 크기로

    • 큰 질문보다 끝낼 수 있는 질문이 훨씬 중요

  • 논문은 다 끝난 뒤 쓰는 게 아니라, 쓰면서 설계가 좋아지는 것

    • 서론 초안과 방법론 초안을 빨리 써보는 습관이 중요

  • 폴더 정리, 파일명 규칙, 분석 로그, 코드 정리, 자주 쓰는 프롬프트 등은 초반에

    • 나중에 기억이 아니라 기록이 연구를 살릴 수 있음

  • 지도교수와의 미팅은 ’질문 3개 + 선택지 2개 + 내 추천안 1개’로.

    • “어떻게 할까요?” 는 되려 편하게 가는 길이 아님

  • 완벽한 하루보다 반복 가능한 한 주 (Daily Grinding)

    • 대학원은 스퍼트보다 마라톤


한 번에 통과하는 IRB

  • IRB가 보는 것

    • 연구 목적

    • 연구 대상자

    • 모집 방식

    • 동의 절차

    • 예상 위험과 불편

    • 보상

    • 개인정보/민감정보 처리

    • 데이터 저장·폐기 방식


  • 연구계획서의 기본 문장 구조

    • 누가, 어떤 절차에 참여하고,
    • 어떤 위험이 있고,
    • 그 위험을 어떻게 줄이며,
    • 수집된 자료를 어떻게 관리하는가


  • 자주 막히는 포인트

    • 예상치 못한 행정 포인트 (생각보다 오래 걸리고 반려 많음)

    • 모집 공고는 자율 참여처럼 보이는데 실제로는 권력관계가 있는 경우

    • 이름, 학번, 이메일 등 불필요한 식별정보를 과하게 받는 경우

    • 데이터 보관 계획이 너무 모호한 경우

    • 철회 가능성, 중도 중단 절차가 빠진 경우

    • 보상이 지나치게 커서 사실상 압박이 되는 경우


논문의 구성: 서론-문헌고찰-방법론-결과-토론-결론

Chapter 답하는 질문 핵심 역할
서론 왜 이 연구가 중요한가? 문제 제기, 연구 질문, 기여
문헌고찰(2장) 지금까지 무엇이 알려져 있고 무엇이 비어 있는가? 선행연구 정리, gap 제시, 이론적 위치 잡기
방법론 그 질문을 어떻게 검증했는가? 자료, 표본, 설계, 변수, 절차, 분석전략
결과 실제로 무엇이 나왔는가? 해석보다 사실 보고 중심
토론 이 결과가 무엇을 의미하는가? 이론적 의미 (2장에서 다룬 내용들이 결과와 함께 다시 다루어져야 함), 실무적 함의, 한계
결론 결국 무엇을 남기는가? 가장 짧고 강한 take-away


Conjoint 실험 설문 설계

콘조인트는 “중요한 변수를 다 넣는 방법”이 아니라 “선택의 trade-off를 설계하는 방법”

  • 속성(attribute): 선택 대상을 구성하는 차원
  • 수준(level): 각 속성이 가질 수 있는 값
  • 프로파일(profile/card): 여러 속성 수준이 조합된 하나의 대안
  • choice task: 응답자가 여러 대안 중 하나를 고르는 문제


“대학원생이 선호하는 연구방법 워크숍 프로그램”

속성과 수준을 예로 들면:

  • 수업 방식: 대면 / 온라인 / 하이브리드

  • 수업 길이: 2주 / 4주 / 8주

  • 비용: 무료 / 5만원 / 10만원

  • 제공 내용: 이론 중심 / 실습 중심 / 논문 작성 중심

이 경우 가능한 전체 조합은 3 × 3 × 3 × 3 = 81개 프로파일. 이걸 다 보여줄 수 없으므로 fractional/orthogonal design으로 줄이는 것. conjoint::caFactorialDesign()는 full or fractional factorial design을 만들고 orthogonal design도 반환할 수 있음.


# install.packages("conjoint")
library(conjoint)
Warning: package 'conjoint' was built under R version 4.4.3
# 속성 수준 정의
profiles <- expand.grid(
  Mode   = c("Face", "Online", "Hybrid"),
  Length = c("2weeks", "4weeks", "8weeks"),
  Cost   = c("Free", "50k", "100k"),
  Focus  = c("Theory", "Practice", "Writing")
)

# 전체 조합 확인
nrow(profiles)   # 81
[1] 81
head(profiles)
    Mode Length Cost  Focus
1   Face 2weeks Free Theory
2 Online 2weeks Free Theory
3 Hybrid 2weeks Free Theory
4   Face 4weeks Free Theory
5 Online 4weeks Free Theory
6 Hybrid 4weeks Free Theory
# 직교/축약 설계 생성
set.seed(123)
design_orth <- caFactorialDesign(profiles, type = "orthogonal")

design_orth
     Mode Length Cost    Focus
5  Online 4weeks Free   Theory
10   Face 2weeks  50k   Theory
27 Hybrid 8weeks 100k   Theory
34   Face 8weeks Free Practice
42 Hybrid 4weeks  50k Practice
47 Online 2weeks 100k Practice
57 Hybrid 2weeks Free  Writing
71 Online 8weeks  50k  Writing
76   Face 4weeks 100k  Writing
nrow(design_orth)
[1] 9


AlgDesign::optFederov()는 Federov exchange algorithm을 이용해 exact/approximate optimal design을 계산

# install.packages("AlgDesign")
library(AlgDesign)
Warning: package 'AlgDesign' was built under R version 4.4.3
cand <- gen.factorial(levels = c(3,3,3,3),
                      factors = "all",
                      varNames = c("Mode", "Length", "Cost", "Focus"))

head(cand)
  Mode Length Cost Focus
1    1      1    1     1
2    2      1    1     1
3    3      1    1     1
4    1      2    1     1
5    2      2    1     1
6    3      2    1     1
nrow(cand)  # 81
[1] 81
set.seed(123)
des_opt <- optFederov(~ Mode + Length + Cost + Focus,
                      data = cand,
                      nTrials = 12)

des_opt$design
   Mode Length Cost Focus
6     3      2    1     1
12    3      1    2     1
16    1      3    2     1
19    1      1    3     1
23    2      2    3     1
28    1      1    1     2
38    2      1    2     2
49    1      2    3     2
54    3      3    3     2
62    2      3    1     3
67    1      2    2     3
75    3      1    3     3


카드 배치 원칙

  1. 한 응답자에게 너무 많은 카드를 주지 말 것

  2. choice set당 대안 수를 일정하게 유지할 것

  3. 순서를 랜덤화하거나 버전을 나눌 것

  4. 지배적(dominant) 카드만 반복되지 않게 점검할 것

  5. 파일럿으로 인지 부담을 확인할 것


12개 카드를 4개 choice task로 나누기

design_cards <- des_opt$design

design_cards$card_id <- 1:nrow(design_cards)

design_cards
   Mode Length Cost Focus card_id
6     3      2    1     1       1
12    3      1    2     1       2
16    1      3    2     1       3
19    1      1    3     1       4
23    2      2    3     1       5
28    1      1    1     2       6
38    2      1    2     2       7
49    1      2    3     2       8
54    3      3    3     2       9
62    2      3    1     3      10
67    1      2    2     3      11
75    3      1    3     3      12
# 단순 예시: 3개씩 묶어서 4개 task 생성
design_cards$task <- rep(1:4, each = 3)

design_cards
   Mode Length Cost Focus card_id task
6     3      2    1     1       1    1
12    3      1    2     1       2    1
16    1      3    2     1       3    1
19    1      1    3     1       4    2
23    2      2    3     1       5    2
28    1      1    1     2       6    2
38    2      1    2     2       7    3
49    1      2    3     2       8    3
54    3      3    3     2       9    3
62    2      3    1     3      10    4
67    1      2    2     3      11    4
75    3      1    3     3      12    4