Ⅰ. 서 론

1. 연구의 필요성

신규간호사는 졸업과 동시에 임상 현장에 투입되어 간호사로서의 역할 전환을 경험하게 되며(Yıldız & Ergün, 2020), 이 과정에서 전문지식을 갖추고 빠르게 변화하는 의료상황에 적응해야 하는 등 다양한 역량이 요구된다. 그러나 실제 임상 현장은 다양한 상황과 복잡성이 존재하여, 신규 간호사들은 지식과 기술 부족, 교대근무, 업무와 관련된 심리적 부담 등 다양한 요인으로 인해 임상 적응에 어려움을 겪는다 (See, Koh, Baladram, & Shorey, 2023;Kisanuki, Takase, & Yamamoto, 2024). 이러한 어려움은 국내 신규간호사의 높은 사직률로 이어지고 있는데, 사직 사유 중 가장 높은 비율을 차지하는 것은 업무 부적응으로(Hospital Nurses Association, 2025), 이는 단순히 지식과 기술 부족에서 비롯된 것이 아니라 개인의 비인지적 특성과 부서 및 업무 간의 불일치에서 기인할 수 있다. 비인지적 특성은 지식이나 기술과 같은 인지적 능력과 구별되는 개인적 특성으로 동기, 행동, 태도, 성격 등을 포함하는 개념이다(Brunello & Schlotter, 2011). 실제로, 신규간호사의 지식, 기술과 같은 인지적 측면뿐만 아니라 간호사 개인의 태도, 성격과 같은 개인적 특성이 실제 임상에서의 효과적인 역할전환과 적응에 중요한 요인으로 작용한다(Baharum et al., 2023).

신규간호사의 성공적인 역할 전환과 임상 적응을 지원하기 위해, 의료기관에서는 교육전담간호사 제도 운영, 프리셉터십 강화, 희망부서 배치 등의 다양한 조직 차원의 노력이 이루어지고 있다(Kim, 2021;Kwon, Cho, Cho, Yi, & Kim, 2019). 이 중에서도 신규간호사가 희망하는 부서에 배치하는 제도는 자신이 선호하거나 자신의 역량에 적합하다고 느끼는 부서에 배치될 수 있도록 함으로써, 직무 만족도를 높이고 이직률을 낮추는 데 긍정적인 효과가 있는 것으로 나타났다(Kim, 2021). 그러나 신규간호사의 경우 부서 배치 이전 보통 2주에서 1개월 정도의 교육을 받은 후 임상 현장에 투입되어(Ernawaty, Hariati, & Saleh, 2024) 다양한 부서와 역할을 경험할 기회가 제한적이다. 따라서 부서별로 간호사 직무에 요구되는 개인적 특성을 탐색하는 과정은 학부 교육과정 단계에서부터 선행될 필요가 있다.

개인의 특성과 직무와의 적합성은 직무 수행과 직무 만족도에 중요한 영향을 미친다(Edwards & Shipp, 2007). 최근 연구에서는 비인지적 특성이 직무 스트레스, 임상 적응에 유의미한 영향을 미친다고 보고하고 있다(Kim & Park, 2024;Sunagawa, Yada, Odachi, & Adachi, 2022). 이는 개인이 가진 특성이 실제 임상 적응 과정에서 중요한 변수로 작용함을 시사한다. 더 나아가, 임상 현장의 다양한 부서들은 업무 강도(Kim et al., 2024) 등에서 서로 다른 특성을 지니고 있어, 어떤 부서에 배치되는가에 따라 직무 적응의 정도가 달라질 수 있다. 따라서 간호대학생 시기부터 간호사 직무에 요구되는 개인적 특성을 탐색하고 적합성을 인지하는 과정은 임상 현장에서 적응과 직무만족도 향상을 위해 필요하다.

최근 인공지능(Artificial intelligence, AI)의 발달은 방대한 데이터를 기반으로 현실적이고 맞춤화된 시나리오를 생성하는 것을 가능하게 한다(Glauberman et al., 2023). 더불어, 생성형 AI가 학습자의 자기주도적 사고와 진로 탐색을 촉진한다는 선행연구 결과(Holmes, Bialik, & Fadel, 2019)와 같이, 생성형 AI는 간호대학생의 진로교육 및 전문직 정체성 형성에 기여할 수 있는 잠재력을 가지고 있다(Wang et al., 2023). 그러나 생성형 AI는 일관되지 않은 응답 정확도와 학습자의 인지 상태에 대한 개인화가 부족하다는 한계점도 지적되고 있다 (Zapata-Rivera et al., 2024). 이러한 점을 고려할 때, 생성형 AI를 활용해 적성검사를 개발할 경우에는 단순히 AI가 제공하는 문항을 그대로 활용하기 보다, 간호사 직무에 요구되는 역량을 사전에 분석하고 임상 현장의 실재감 있는 상황을 반영하여 검사 문항을 구성할 필요가 있다.

이에 본 연구에서는 이러한 한계를 보완한 생성형 AI기반 맞춤형 적성검사 시스템을 개발하였다. 본 연구에서 개발한 ‘A4 에이전트(Agent)’는 생성형 AI를 기반으로 임상 상황을 반영한 시나리오를 자동으로 생성하고, 간호사 직무에 요구되는 역량을 사전 분석한 후, 사용자의 응답을 종합하여 직무를 추천하는 일련의 과정을 자동으로 수행하도록 설계된 적성검사 시스템을 의미한다. 이를 통해 간호대학생들이 개인적 특성과 직무 적합성을 탐색함으로써, 부서 배치 및 진로 선택에 활용할 수 있는 기초자료를 제공하는 데 목적이 있다.

2. 연구의 목적

본 연구의 목적은 간호대학생을 위한 생성형 AI 기반 적성검사 에이전트 개발하고, 이를 적용하여 간호대학생과 임상간호사를 대상으로 개인적 특성을 기반으로 제시된 직무에 대한 응답자의 지각된 적합성을 평가하는 것이다.

Ⅱ. 연구방법

1. 연구설계

본 연구는 간호대학생을 위한 적성검사 에이전트를 개발하고, 간호사와 간호대학생을 대상으로 개인적 특성을 기반으로 제시된 직무에 대한 응답자의 지각된 적합성을 조사한 탐색적 연구이다.

2. 맞춤형 적성검사 프로그램 개발

본 연구에서는 생성형 AI 기반 적성검사 에이전트 A4(Adaptive Aptitude Assessment by AI for Nursing Students)를 개발하였다(Hong et al., 2025). A4는 간호 직무 수행에 필요한 주요 개인적 특성(예: 성격적 성향, 직무 선호도, 가치관 등)을 기반으로 적성검사 문항에 응답하도록 한 뒤, 그 결과를 요약·제시하는 에이전트이다. AI 기반 에이전트란 사용자를 대신하거나 보조하여, 자율적으로 특정 목표를 수행하는 AI 시스템을 의미한다(National Research Council for Economics Humanities and Social Sciences, 2025). A4 개발을 위해, 생성형 AI 프롬프트 작성법 교육을 이수한 연구자 2인이 ChatGPT-4를 활용하여, 간호사 직무를 분류하고 간호사 직무를 수행하기 위해 요구되는 특성을 도출하였다. 결과의 정확도를 높이기 위하여 프롬프트와 도출 결과는 모두 영문으로 입력하고 생성되도록 하였다. 이후 영문 결과를 국문으로 번역하도록 하였으며, 연구진이 번역 결과를 검토하였다. 또한 검사에 더 적합한 내용이 생성될 수 있도록 검사의 목적과 활용 대상을 프롬프트에 포함하였다. 도출된 직무별로 각각의 특성이 어느 정도 필요한지 ‘매우 낮음’ 1점에서 ‘매우 높음’ 5점의 척도로 매핑하여 간호사를 대상으로 도출된 내용이 타당한지 타당도 조사를 시행하였다. 또한 각 특성에 대해 상반된 선호를 나타낼 수 있는 문항을 개발한 후, 개인적 특성이 해당 직무에 얼마나 부합하는지 분석하도록 구조화하였다. 개발된 문항을 프롬프트로 작성하여 알고리즘화 한 후, Collective AI on the Foundation AI (CAFA) 플랫폼(Choi, Kim, & Yoon, 2012) 기반의 A4 에이전트를 구축하였다 [부록 1].

1) ChatGPT-4 기반 임상 시나리오 생성 및 간호사 직무 분류에 따른 특성 도출

임상 시나리오와 간호사 직무 및 해당 직무 수행을 위해 요구되는 개인적 특성은 ChatGPT-4를 통해 생성하였다. 임상 시나리오는 적성 검사 문항에 활용하기 위해 개발하였으며, 부서 선택에 따라 부서의 상황이 시나리오에 자동적으로 반영되도록 설계하였다. 또한 동일한 문항 구조를 유지한 채 다양한 임상 상황으로 변형될 수 있도록 구성하였다. 임상 시나리오 생성을 위한 프롬프트는 ‘Create a common nursing scenario. The scenario is for a nursing aptitude test to explore traits in situations such as managing patient care, handling emergencies, or interacting with patient families. The setting of the scenario should correspond to the nursing role selected by the examinee as the role they believe best fits their aptitude’이다.

간호대학생은 졸업 이후 주로 병원에서 근무하는 간호사로 진출하게 되며(Shin, Song, Song, & Kim, 2024), 다양한 부서와 다양한 대상자별로 직무를 수행할 수 있다. 이에 본 연구에서는 병원 내 부서 및 대상자별로 간호사 직무를 도출하였다. ChatGPT-4를 활용하여 신규간호사가 배치될 수 있는 부서를 중심으로 간호사 직무를 구분하도록 하였으며, 직무가 잘 구분되었는지 확인하기 위하여 각 직무의 주요 업무와 환자, 업무 환경 등의 내용의 설명을 포함하도록 하였다. 간호사 직무를 도출하기 위한 프롬프트는 ‘Classify the main nursing roles typically found in hospitals where newly graduated nurses are employed, such as general wards, intensive care units, operating rooms, emergency rooms, pediatric units, obstetrics and gynecology units, psychiatric units, and outpatient clinics. For each role, provide a concise description of the main responsibilities, patient population, and typical work environment.’이다. 도출된 직무는 일반병동 간호사, 중환자실 간호사, 수술실 간호사, 응급실 간호사, 소아과 또는 소아중환자실 간호사, 산부인과 간호사, 정신과 간호사, 외래 간호사를 포함한 8개 직무이다. 각 직무 수행에 대한 설명은 간호학 교수 1인을 포함한 5년 이상의 임상경험이 있는 연구자 4인이 독립적으로 내용을 검토하였으며, 내용의 타당성과 실제 업무와의 부합성을 검토하여 도출된 8개 직무를 확정하였다. 이후 8개 영역에서의 간호사 직무를 수행하기 위해 필요한 특성을 도출하였다. 직무 수행에 필요한 특성은 도출된 8개 간호사 직무와 설명을 포함하였으며, ‘Given the following descriptions of major hospital nursing roles, identify the key personal and professional traits required to perform each role effectively. For each attribute, provide a brief explanation and specify the role(s) in which the attribute is essential.’라는 내용의 프롬프트를 작성하였다. 즉, 8개 간호사 직무를 수행하기 위해 필요한 개인적 특성과 각 특성에 대한 설명, 해당 특성이 필수적으로 요구되는 직무가 생성되도록 하였다. 도출된 개인적 특성들은 모든 간호사 직무 수행에 공통적으로 요구되지만, 각 특성이 특히 중요한 직무를 구분함으로써 직무별로 핵심적으로 요구되는 개인적 특성을 식별하고자 하였으며, 이를 적성검사 결과의 해석 및 분석의 기초자료로 활용하고 자 하였다. 직무 도출과 같이 개인적 특성 또한 5년 이상의 임상경험이 있는 연구진 4인이 독립적으로 내용을 검토하였으며, 다음 10개의 특성으로 확정하였다. 최종적으로 도출된 간호사 직무 수행에 필요한 개인적 특성들은 공감(compassion), 회복력(resilience), 세심함(attention to detail), 의사결정 능력(decision-making ability), 의사소통 기술(communication skills), 리더십(leadership), 체력(physical stamina), 비판적 사고(critical thinking), 옹호(advocacy), 적응성(adaptation)의 총10개로 도출되었다.

2) 직무 수행에 요구되는 개인적 특성 매핑

간호사 직무별로 도출된 직무를 수행하기 위해 필요한 개인적 특성의 필요 정도를 ‘매우 낮음’에서 ‘매우 높음’까지 5점 척도로 매핑하였다. 직무별로 요구되는 개인적 특성이 상이하므로, 도출된 매핑 결과는 참여자의 개인적 특성과 비교·분석하여 적합한 간호사 직무를 추천하는 기준으로 활용되었다. 간호사 직무별로 요구되는 개인적 특성의 중요도(히트맵)는 [Figure 1]와 같다. 히트맵 분석을 통해 도출된 개인적 특성 기반 직무 매칭 결과를 바탕으로, 응답자에게 제시된 직무에 대해 응답자가 지각한 적합성을 나타낸 것이다.

3) 간호사 직무와 직무 수행에 요구되는 개인적 특성에 대한 타당도 평가

본 연구에서는 간호사 직무의 특성과 해당 직무 수행에 요구되는 특성, 직무와 특성의 매핑 결과는 1차적으로 간호학 교수, 임상경력 7년 이상의 간호사 경력을 가진 연구자 2인이 검토하였으며, 상급종합병원 및 종합병원에 근무 중인 간호사 16인을 대상으로 내용 타당도(content validity) 조사를 시행하였다. 내용 타당도 조사는 내·외과 병동, 중환자실, 응급실, 수술실, 산부인과 병동, 소아과 병동, 정신과 병동, 외래 부서 등 다양한 부서에서 근무하는 간호사를 대상으로 실시하였다. 참여 간호사들의 임상경력은 5년에서 26년까지로, 다양한 직무 분야와 경력을 대표하도록 선정하였다. 내용 타당도 평가는 총 두 가지 영역에 대해 실시되었다. 첫째, 각 간호사 직무에 대한 정의가 타당한지 확인하였다. 둘째, 각 개인적 특성에 대한 설명과 직무와의 매핑 결과에 대해 타당성을 조사하였다. 각 항목에 대해 타당하다고 응답한 전문가의 비율을 산출하여 문항 수준의 내용타당도 지수(item-level Content Validity Index, I-CVI)를 계산하였고, I-CVI가 0.80 이상일 경우 해당 항목은 내용 타당도가 확보된 것으로 간주하였다(Polit & Beck, 2006). 평가 결과 각 문항별로 ‘타당하다 (3점), ’매우 타당하다’ (4점)으로 응답한 전문가의 비율을 계산한 I-CVI는 모두 0.80 이상으로 적성검사를 위한 직무별 개인적 특성이 타당한 것으로 확인되었다.

4) 직무 수행에 요구되는 개인적 특성에 대한 문 항 개발

맞춤형 적성검사는 타당화된 직무 수행에 요구되는 개인적 특성(공감, 회복력, 세심함, 의사결정 능력, 의사소통 기술, 리더십, 체력, 비판적 사고, 옹호, 적응성)에 대해 양극화된 10개의 문항을 제시하고, 이에 대한 응답 결과를 직무-특성 매핑 결과와 비교·분석하여 참여자에게 가장 적합한 간호사 직무를 제시하는 방식으로 구성하였다. 양극화 문항은 해당 특성에 대해 상반된 선호나 특성을 드러낼 수 있도록 구성하였다. 이 문항들은 긍정적 또는 부정적인 평가를 유도하기보다, 서로 다른 업무나 행동 양식에 대한 선호나 특성을 반영함으로써 특정 특성이 참여자의 성향에 부합하는지를 판별할 수 있다.

5) 맞춤형 적성검사 에이전트 구현

도출된 간호사 직무 및 개인적 특성을 기반으로 CAFA 플랫폼을 활용하여 프롬프트를 설계하고 이를 적용하여 적성검사 에이전트를 개발하였다. 본 플랫폼은 생성형 AI를 활용하여 에이전트를 개발하고 배포 및 관리할 수 있도록 하는 AI 엔지니어링 플랫폼으로(Choi, Kim, & Yoon, 2012), 온톨로지 모형을 기반으로 생성이 가능하다(Choi, 2024). 온톨로지는 특정 도메인의 개념, 속성, 관계를 정의하고 연결한 지식 체계로(Gruber, 1993), AI가 체계적으로 정보를 이해하고 처리할 수 있도록 하는 구조화된 표현 방식이다. 본 연구에서는 ChatGPT-4를 통해 도출된 간호사 직무, 각 직무 수행에 필요한 개인적 특성 매핑 결과를 기반으로 온톨로지 모형을 구성하였고, 이후 간호전문가가 최종적으로 검증하였다. 이러한 온톨로지 모형은 생성형 AI가 정보를 명확하게 인식하고 분석할 수 있도록 계층적 구조로 설계하였다. 예를 들어 ‘중환자실 간호사 – 의사결정력 필요’, ‘소아과 간호사 – 공감능력 필요’와 같이 직무와 특성 간 관계를 명확히 표현하도록 불릿 형태로 작성하였다. 구축된 온톨로지 모형은 이후 AI 학습 및 분석의 기본 틀로 활용되었다. 연구팀이 설계한 플랫폼 내에서 참여자는 10개의 문항에 응답하고, 시스템은 그 응답을 온톨로지 모형에 저장된 직무–개인적 특성 연결 구조와 비교하여 분석하였다. 이를 통해 응답자의 특성과 각 직무 수행에 필요한 개인적 특성 간의 유사도를 평가하고, 생성형 AI가 가장 적합한 직무를 자동으로 추천하도록 설계하였다. 이러한 절차는 온톨로지 모형과 유기적으로 연동되었으며, 연구팀은 각 단계에서 생성될 내용과 분석 흐름을 직접 설계 및 검증하였다.

CAFA 플랫폼을 활용한 적성검사 에이전트의 알고리즘은 [Figure 2]와 같다. CAFA 플랫폼에서 적성검사 시작 시 참여자가 자신에게 맞는 직무를 선택하도록 하고, 선택된 직무에 따라 생성형 AI는 사전에 설계된 프롬프트를 기반으로 직무에 해당하는 임상 시나리오를 생성하였다. 참여자는 제시된 임상 상황에서 담당간호사라고 가정하고, 각각의 특성의 양극화 질문에 대해 자신의 특성과 더 부합하는 응답지를 선택하도록 구현하였다. 참여자의 응답이 완료되면, 생성형 AI는 응답 패턴을 분석하여 개인적 특성을 평가하고, 사전에 구조화된 직무수행에 요구되는 개인적 특성과의 매칭을 통해 가장 적합한 직무를 도출하도록 설계되었다. 이를 위해 간호사 직무별로 요구되는 개인적 특성과 매핑 결과를 학습 가능하도록 구조화하여 입력하였으며, 해당 정보를 기반으로 적합 직무를 도출하도록 프롬프트를 작성하였다. 또한 생성형 AI는 확률 기반 생성 모델이므로, 동일한 프롬프트와 조건을 유지한 상태에서도 결과가 달라질 수 있다. 이를 보완하기 위해 CAFA 플랫폼 내에서 세 차례에 걸쳐 반복 응답을 생성하고, 이를 종합하여 최종 결과를 도출하였다. 각 응답은 내용의 일관성과 정확성을 중심으로 비교·분석 하였으며, 공통된 결과를 중심으로 통합하였다. 이후 연구진이 독립적으로 검토하여 국문의 표현이나 의미의 차이가 있는 부분을 조정하고, 최종적으로 일치된 내용을 확정하였다. 이러한 과정을 통해 응답 결과의 신뢰도와 타당도를 높이고자 하였다. 최종적으로 개발된 적성검사 에이전트의 예시화면은 부록 2에 제시하였다(Agent URL: https://ai. cafalab.com/C33DF213-3F32-47FB-B6AA-7 1C29EA20511).

3. 맞춤형 적성검사 에이전트 적용

1) 연구대상

본 연구에서는 전국의 간호대학생과 병원에서 근무하는 간호사를 편의표집 하였다. 간호대학생은 전국의 간호대학생, 간호사는 전국의 병원급 이상의 료기관에 근무하는 간호사를 대상으로 하였다. 휴학 중인 간호대학생이나 휴직 중인 간호사는 제외하였다. 연구 목적과 참여 절차가 포함된 모집문건을 온라인(학과 게시판, 이메일 등)으로 배포하였으며, 연구 참여에 관심을 보이고 자발적으로 참여에 동의한 대상자가 온라인으로 설문에 응답하였다. 연구대상자 수산출을 위해 G*power 3.1.9.6. 프로그램을 이용하였고, 독립표본 t-test 양측검정 기준 유의수준 .05, 검정력 .80, 중간 수준의 효과크기 .50을 적용하여 128명이 산출되었다. 탈락률 10%를 고려하여 간호대학생 71명, 간호사 71명의 총 142명의 대상자가 산출되었으며, 최종적으로 간호대학생 71명, 간호사 65명으로 구성된 총 136명이 연구에 참여하였다. 자료 수집은 2025년 4월 8일부터 2025년 5월 27일까지 진행하였다.

2) 연구도구

참여자는 에이전트가 제시한 검사 결과를 확인한 후, 해당 결과가 자신의 개인적 특성과 직무적합성을 얼마나 잘 반영한다고 생각하는지를 Likert 4점 척도(1점=전혀 그렇지 않다, 4점=매우 그렇다)로 평가하였다. 또한 검사 결과가 오류 없이 제시되는 지 확인하기 위해 검사 결과 내용을 모두 복사하여 응답하도록 하였다. 일반적 특성으로는 나이와 성별, 재학 중인 학교 또는 근무 중인 기관의 지역, 간 호대학생의 경우 학년과 원하는 부서, 간호사의 경우 근무 중인 의료기관 종별 종류, 부서를 조사 항목에 포함하였다.

3) 자료 분석

수집된 자료는 SPSS/WIN 29.0 프로그램을 활용하여 분석하였다. 대상자의 일반적 특성은 실수와 백분율 및 평균과 표준편차로 분석하였다. 간호대학생과 간호사간 적성검사 결과의 차이는 t-test를 이용하여 분석하였다.

4. 윤리적 고려

본 연구는 연구진이 속한 대학의 기관생명윤리 위원회(IRB No. 202410-0017-01)의 승인 후 연구를 진행하였다. 연구대상자에게 연구의 목적 및 방법, 참여절차 등의 연구참여 설명문을 포함한 연구 설명문을 전달하고 연구 참여에 동의할 경우 온라인 설문조사에 참여할 수 있도록 하였다. 또한 연구대상자 자신의 의사에 따라 언제든 조사를 종료 할 수 있으며, 중도에 철회한 조사 자료는 연구에 활용되지 않음을 알렸다. 조사 완료 후에는 휴대폰 번호 수집에 동의한 대상자에게 소정의 사례를 제공하였다.

Ⅲ. 연구결과

1. 간호대학생과 간호사의 일반적 특성

연구대상자의 일반적 특성은 Table 1과 같다. 간호대학생의 연령은 18세에서 35세까지로 평균 22.23±3.54세였으며, 여학생이 전체의 90.1%를 차지하였다. 학년별로는 4학년이 24명(33.8%), 3학년이 22명(31.0%), 1학년 14명(19.7%), 2학년 11명(15.5%) 순으로 참여하였다. 지역별로는 서울 소재 대학 재학생이 23명(32.4%)으로 가장 많았고, 이어서 전라도 19명(26.8%), 경상도 11(15.5%), 경기도 10명(14.1%), 충청도 8명(11.3%) 순이었다. 희망부서는 중환자실이 15명(21.1%)으로 가장 많았고, 이어서 소아과 또는 소아중환자실 14명(19.7%), 일반병동 13명(18.3%), 응급실 12명(16.9%) 순이었다. 수술실과 정신과 병동은 각각 5명(7.1%)이 희망하였으며, 산부인과 병동과 외래 진료부서는 각각 2 명(2.8%)이었다. 기타 부서를 선택한 학생은 3명(4.2%)이었다. 본 연구에서 개발한 적성검사를 통해 도출된 간호학생들의 직무 분야는 일반병동이 29명(40.8%)으로 가장 많았으며, 이어서 중환자실 20명(28.2%), 소아과 또는 소아중환자실 8명(11.3%), 응급실 7명(9.9%) 정신과 병동 3명(4.2%), 수술실 1명(1.4%) 순으로 나타났다. 중환자실과 응급실이 동시에 적합하다고 도출된 경우는 2명(2.8%), 중환 자실과 일반병동이 동시에 적합하다고 도출된 경우는 1명(1.4%)이었다.

간호사의 연령은 24세에서 46세 사이였으며, 평균 연령은 31.29±5.30세였다. 여성이 95.4%로 대부분을 차지하였고, 근무기관 유형은 상급종합병원이 43명(66.2%), 종합병원이 19명(29.2%), 병원이 3명(4.6%)이었다. 근무지역은 서울이 57명(87.7%)으로 가장 많았고, 그 외 지역은 전라도와 충청도 각각 2명(3.1%), 경기도 3명(4.6%), 강원도 1명(1.5%) 순 이었다. 근무 부서는 일반병동 18명(27.7%), 응급실과 산부인과 병동 각각 11명(16.9%), 중환자실 9명(13.8%), 외래 6명(9.2%), 소아과 또는 소아중환자실 5명(7.7%), 정신과 2명(3.1%), 기타 3명(4.6%)으로 나타났다. 본 연구에서 개발한 적성검사를 통해 도출된 간호사들의 직무 분야는 일반병동이 28명(43.1%)으로 가장 많았으며, 이어서 중환자실이 13명(20.0%) 소아과 또는 소아중환자실이 12명(18.5%), 응급실 6명(9.2%), 정신과 병동 4명(6.1%), 산부인과 병동 2명(3.1%) 순으로 나타났다.

2. 개인-직무 적합성 정도

연구대상자의 개인적 특성과 직무의 적합성은 “적성검사 결과가 자신의 특성을 잘 반영한다고 생각하십니까?”라는 문항을 통해 측정하였다. 간호대학생의 경우 ‘그렇다’고 응답한 비율이 44명(62.0%), ‘매우 그렇다’가 13명(18.3%), ‘그렇지 않다’가 14명(19.7%) 이었으며, ‘전혀 아니다’는 없었다. 반면 간호사는 ‘그렇다’ 39명(60.0%), ‘매우 그렇다’ 6명(9.2%), ‘그렇지 않다’ 17명(26.2%), ‘전혀 그렇지 않다’가 3명(4.6%)으로 나타났다<Table 2>. 지각된 개인-직무 적합성에 대한 평균 점수는 간호대학생이 2.99±0.62점으로, 간호사 2.74±0.69점에 비해 유의하게 높았다. 독립표본 t-test 결과, 두 집단 간 차이는 통계적으로 유의하였다(t=2.19, p=.030).

Ⅳ. 논 의

본 연구는 간호대학생을 위한 생성형 AI 기반의 적성검사 에이전트를 개발하고 간호사와 간호대학생을 대상으로 개인적 특성을 기반으로 제시된 직무에 대한 응답자의 지각된 적합성을 탐색하기 위해 수행되었다. 병원 내 주요 부서별 간호사 직무와 그 수행에 요구되는 개인적 특성을 ChatGPT-4를 활용하여 도출하였고, 직무–특성 간 매핑 결과를 온톨로지 형태로 구조화하여 CAFA 플랫폼(Choi, Kim, & Yoon, 2012) 내에서 생성형 AI가 학습할 수 있도록 설계하였다. 참여자는 CAFA 플랫폼을 통해 생성한 직무별 시나리오를 기반으로 문항에 응답하였으며, 시스템은 응답자의 특성과 직무 간의 유사도를 분석하여 적합한 직무를 추천하도록 구현하였다. 이러한 과정은 생성형 AI가 온톨로지 기반 구조화를 통해 보다 정확하고 지식 기반적인 문항과 시나리오를 생성하도록 한 점에서 기술적 의의가 있다(Choi, 2024).

이러한 온톨로지 절차를 통해 생성형 AI는 간호사 직무 및 개인적 특성과 연계한 문항을 생성하였고, 참여자는 자신이 선택한 직무에 해당하는 임상 상황이 반영된 시나리오를 통해 검사에 참여하였다. 시나리오 기반 학습이 학습자의 몰입과 학습효과를 높인다는 선행연구 결과(Martins et al., 2023)와 같이, 본 연구에서는 임상상황을 반영한 시나리오를 기반으로 적성검사를 시행하여, 학습자가 실제적인 상황에서 필요한 특성과 직무에 대한 이해를 도울 수 있도록 시나리오 기반 프로그램을 설계하였다는 점에서 개인화된 진로지도 학습 환경 구축을 위한 기반이 될 수 있다.

본 연구에서 개발한 맞춤형 적성검사 에이전트가 개인적 특성과 직무적합성을 잘 반영한다고 응답한 간호대학생과 임상간호사는 과반수 이상의 대상자가 자신의 특성을 잘 반영한다고 응답하였다. 이는 본 적성검사가 단순한 선별 도구를 넘어, 참여자가 자신의 특성과 직무 간의 관계를 성찰하도록 유도하는 도구로 기능했음을 시사한다. 실제로 검사 문항은 직무 수행에 필요한 10개 개인적 특성과 연계되어 있으며, 참여자는 자신이 선택한 직무 시나리오 속에서 각 특성에 대한 선호를 판단하였다. 이러한 주관적 판단 과정은 참여자 스스로 개인적 특성과 직무 적합성을 탐색하도록 하는 구조적 장치로 작용 하였다. 이는 Savickas (2005)가 제시한 경력구성 이론(Career Construction Theory)에서 강조하는 ‘자기이해와 직무 맥락의 통합적 탐색 과정’을 반영하는 것으로 볼 수 있다. 더 나아가, 생성형 AI 기반 시뮬레이션이 학습자의 자기주도적 사고와 진로 탐색을 촉진한다는 연구(Holmes, Bialik, & Fadel, 2019) 및 자기 성찰이 전문직 정체성 형성의 핵심 요인이라는 보고(Wang et al., 2023)와 일치한다. 따라서 본 연구에서 개발된 적성검사 에이전트는 참여자의 자기 성찰과 진로 탐색을 유도하며, 간호전문직 정체성 발달을 지원할 수 있는 교육적 잠재력을 지닌다고 볼 수 있다.

그러나 임상간호사에 비해 간호대학생이 검사 결과가 자신의 특성과 직무적합성을 더 잘 반영한다고 응답하였다. 이는 간호대학생이 간접적인 상황을 중심으로 검사에 참여하여 결과를 비교적 긍정적으로 받아들인 반면, 임상간호사는 실제 경험에 기반해 검사 내용을 보다 비판적으로 평가했기 때문으로 보인다. 또한 적성검사 에이전트가 일반적인 직무 상황을 중심으로 구성되어 임상 현장의 세부 전문영역 이나 복잡한 업무 맥락을 충분히 반영하지 못한 점도 간호사의 낮은 수용도에 영향을 미쳤을 가능성이 있다. 임상간호사의 경우 실제적인 임상 경험을 바탕으로 검사 결과가 자신의 특성과 직무 특성을 얼마나 잘 반영하는지를 판단하므로 검사 결과에 대해 상대적으로 비판적으로 받아들이거나 수용도가 낮을 수 있으며, 실질적인 경험 수준의 차이에 따라 해석적인 차이가 나타날 수 있다(Ozdemir, 2019). 따라서 적성검사 에이전트 활용 시 응답자의 직무 관련 경험을 고려하여 검사 결과를 해석하고 임상경험과 전문영역 등을 고려한 시나리오 구성 등의 설계가 필요하다.

본 연구에서 개발한 적성검사 에이전트는 간호대학생이 자신의 특성을 인식하고, 이를 간호사 직무 특성과 연계하여 진로를 탐색하도록 지원하기 위해 설계되었다. 과반수 이상의 참여자가 본 검사가 자신의 특성을 잘 반영한다고 응답하였으며, 이는 전통적인 적성검사가 주로 선발이나 배치 목적에 활용된 것과 달리(Savickas, 2005), 개인의 자기이해와 진로 탐색을 촉진하는 평가 도구로 활용될 수 있음을 시사한다. 이러한 결과는 진로 탐색을 학습과 경험의 과정으로 본 Krumboltz (2009)의 사회학습이론과도 맥락을 같이한다. 본 연구는 생성형 AI 기반 임상 시나리오를 제시하여 사용자가 다양한 직무 상황에서 취할 행동을 선택하도록 함으로써, 현실적인 직무 적합성을 평가할 수 있는 에이전트를 개발하였다는 점에서 의의가 있다. 이는 생성형 AI 기반 시나리오가 학습자의 몰입과 문제해결력을 향상시킨다는 Chang & Su (2025)의 연구 결과와도 일치한다. 따라서 본 적성검사 에이전트는 자신의 개인적 특성과 직무 간의 적합성을 성찰하고 진로 방향성을 탐색할 수 있도록 돕는 진로지원 도구로서의 시사점을 가진다.

본 연구에서 개발한 적성검사 에이전트는 생성형 AI 기반 문항 생성의 특성상 동일 조건에서도 응답이 달라질 수 있는 확률적 변동성이 존재하므로 문항의 일관성과 재현성이 완전히 보장되기 어렵다. 이에 따라 전통적인 신뢰도·타당도 검증 방식의 적용에는 한계가 있으며, 본 연구는 참여자의 수용성과 주관적 적합도 중심으로 결과를 해석했다는 점에서 신중한 접근이 필요하다. 또한 본 도구는 일반적인 간호 직무 상황을 중심으로 설계되어, 특정 임상 영역이나 경력 수준에 따른 세부 역량 차이를 완전히 반영하지는 못했다. 따라서 본 연구의 결과는 본 적성검사 에이전트의 활용 가능성과 인식 수준을 탐색하는 범위에서 해석되어야 한다. 그러나 본 연구는 생성형 AI를 간호교육 맥락에 적용한 초기 시도로서, 기술적 구현 가능성과 교육적 활용 방향을 구 체화하였다는 점에서 의의가 있다. 향후 연구에서는 본 시스템이 간호대학생의 직무 만족도, 임상 적응, 진로 지속성 등에 미치는 장기적 영향을 분석하고, 다양한 문화·조직적 맥락에서의 일반화 가능성을 검증할 필요가 있다.

Ⅴ. 결론 및 제언

본 연구는 생성형 AI를 기반으로 간호대학생을 위한 적성검사 에이전트를 개발하고, 개인의 특성에 맞는 적성 탐색과 진로 설계를 지원하는 새로운 도구로서의 가능성을 제시하였다. 간호대학생은 적성 검사 결과가 자신의 특성을 잘 반영한다고 인식하였으며, 이는 생성형 AI를 활용한 적응형 검사가 간호 교육에서 개인화된 진로지도에 실질적으로 활용될 수 있음을 시사한다. 특히 생성형 AI 기반 임상 시나리오를 활용한 평가 방식은 간호대학생의 간호사 직무에 대한 이해도 및 실제감을 높이고, 진로교육 및 실습 오리엔테이션의 보조 도구로 활용될 수 있을 것이다. 그러나 본 연구는 검사 도구의 신뢰도 및 타당도를 체계적으로 검증하지 않은 한계를 지닌다. 따라서 개발된 에이전트의 신뢰성과 타당성을 확보하고 교육적 효과를 확대하기 위해 다음과 같은 후속 연구를 제언한다. 첫째, 개발된 적성검사 에이전트에 대한 심리측정학적 검증 연구가 필요하다. 향후 연구에서는 검사-재검사 신뢰도, 동시 타당도, 예측 타당도 등 체계적인 통계적 검증을 통해 검사 도구로서의 안정성과 정확성을 확보해야 한다. 둘째, 에이전트의 기능 고도화 및 확장을 위한 연구가 필요하다. 적성검사 결과 분석의 정확도를 높이기 위해 ‘사고의 연쇄(Chain-of-Thought)’, ‘전문가 역할 부여’와 같은 정교한 프롬프트를 적용하고, 그 효과를 검증하는 연구가 필요하다. 또한, 현재 8개 직무에 한정된 분석 대상을 전문간호사, 보건교사, 연구간호사, 산업간호사 등 보다 다양한 간호 분야로 확대하는 것이 필요하다.