연구를 하다 보면 두 집단을 비교해야 하는 경우가 많다.

예를 들어 다음과 같은 질문

“남성과 여성의 만족도 평균은 차이가 있을까?”
“20대와 30대의 스트레스 점수는 다를까?”
“교육 전과 교육 후의 점수는 실제로 향상되었을까?”
“실험군과 대조군의 평균 차이는 통계적으로 의미가 있을까?”

 

이처럼 두 그룹의 평균 차이를 비교할 때 사용하는 대표적인 통계분석 방법이 바로 t-test이다.

 

t-test는 초보 연구자들이 가장 많이 접하는 기본 분석 방법이지만, 막상 논문에 적용하려고 하면 헷갈리는 부분이 많다.

 

 

---

1. t-test란 무엇인가?

t-test는 두 집단의 평균이 통계적으로 유의하게 다른지를 확인하는 분석 방법이다.

쉽게 말하면 다음과 같은 질문에 답하기 위한 방법이다.

“두 그룹의 평균 차이가 우연히 생긴 차이일까, 아니면 실제로 의미 있는 차이일까?”

 

예를 들어 연구자가 남성과 여성의 학습만족도 평균을 비교했다고 가정해 보자!

 

남성 평균 점수: 3.8점
여성 평균 점수: 4.2점

 

겉으로 보면 여성의 평균 점수가 더 높다.
하지만 이 차이가 단순한 우연인지, 실제로 통계적으로 의미 있는 차이인지는 별도로 확인해야 한다.

이때 사용하는 분석이 바로 t-test이다.

---

2. t-test는 언제 사용할까?

t-test는 기본적으로 다음 조건에서 사용한다.

 

첫째, 비교하려는 집단이 2개여야 한다.
둘째, 비교하려는 값이 평균이어야 한다.
셋째, 종속변수가 숫자로 측정된 연속형 자료여야 한다.

 

예를 들어 다음과 같은 연구 질문에 t-test를 사용할 수 있다.

 

< 연구 질문사용 가능 여부 >

남성과 여성의 만족도 평균 차이가 있는가?	가능
실험군과 대조군의 검사 점수 차이가 있는가?	가능
교육 전과 교육 후의 자신감 점수가 달라졌는가?	가능
20대와 30대의 스트레스 평균이 다른가?	가능
성별에 따라 찬성·반대 비율이 다른가?	부적절
세 연령대의 평균 차이가 있는가?	부적절

 

중요한 점은 t-test는 평균 차이를 보는 분석이라는 것이다.
비율 차이, 빈도 차이, 세 집단 이상의 평균 차이를 볼 때는 다른 분석 방법을 사용해야 한다.

---

3. 독립표본 t-test와 대응표본 t-test의 차이

t-test는 크게 두 가지로 나눌 수 있다.

3-1. 독립표본 t-test

독립표본 t-test는 서로 다른 두 집단의 평균을 비교할 때 사용한다.

 

예를 들면 다음과 같다.

 

남성 vs 여성
실험군 vs 대조군
20대 vs 30대
전공자 vs 비전공자
수도권 거주자 vs 비수도권 거주자

 

이 경우 두 집단은 서로 독립적이다.
즉, 남성 집단에 속한 사람이 여성 집단에 동시에 속하지 않는다.

 

예시 연구 질문은 다음과 같다.

성별에 따라 학습만족도 평균에 차이가 있는가?

 

이 경우 독립변수는 성별이고, 종속변수는 학습만족도 점수이다.
성별은 남성·여성이라는 두 집단으로 나뉘고, 학습만족도는 숫자로 측정된 평균값이므로 독립표본 t-test를 사용할 수 있다.

---

3-2. 대응표본 t-test

대응표본 t-test는 같은 대상에게서 두 번 측정한 평균을 비교할 때 사용한다.

 

예를 들면 다음과 같다.

 

교육 전 vs 교육 후
프로그램 참여 전 vs 참여 후
상담 전 vs 상담 후
운동 전 vs 운동 후
치료 전 vs 치료 후

 

이 경우 두 값은 서로 독립된 집단이 아니라, 같은 사람에게서 반복 측정된 값이다.

 

예시 연구 질문은 다음과 같다.

AI 글쓰기 교육 전후로 연구자의 논문 작성 자신감에 차이가 있는가?

 

이 경우 같은 연구자들에게 교육 전 자신감 점수와 교육 후 자신감 점수를 측정한다.
따라서 대응표본 t-test를 사용하는 것이 적절하다.

---

4. t-test 사용 전 확인해야 할 조건

t-test를 사용하기 전에는 몇 가지 조건을 확인해야 한다.

4-1. 비교 집단이 2개인가?

t-test는 기본적으로 두 집단을 비교할 때 사용한다.

만약, 연령대를 20대, 30대, 40대처럼 세 집단 이상으로 나눈다면 t-test가 아니라 ANOVA, 즉 분산분석을 고려해야 한다.

 

예를 들어 다음과 같다.

 

20대 vs 30대 → t-test 가능
20대 vs 30대 vs 40대 → ANOVA 고려

---

4-2. 종속변수가 연속형 자료인가?

t-test는 평균을 비교하는 분석이다.

따라서 종속변수는 숫자로 측정된 연속형 자료여야 한다.

 

예를 들면 다음과 같다.

 

만족도 점수
스트레스 점수
시험 점수
소득
키
몸무게
검사 수치
자신감 점수

 

반대로 성별, 직업, 찬성·반대, 이용 여부처럼 범주형 자료를 비교할 때는 t-test가 적절하지 않다.

---

4-3. 정규성을 확인했는가?

t-test는 기본적으로 각 집단의 자료가 정규분포에 가깝다는 가정을 바탕으로 한다.

표본 수가 충분히 크면 크게 문제 되지 않는 경우도 있지만, 표본 수가 작다면 정규성 검토가 중요하다.

 

정규성은 보통 다음 방법으로 확인한다.

 

Shapiro-Wilk 검정
Kolmogorov-Smirnov 검정
왜도와 첨도 확인
히스토그램 확인
Q-Q plot 확인

 

초보 연구자라면 통계 프로그램에서 제공하는 정규성 검정 결과를 먼저 확인하면 된다.

---

4-4. 등분산성을 확인했는가?

독립표본 t-test에서는 두 집단의 분산이 비슷한지도 확인해야 하는데, 이를 등분산성이라고 한다.

 

보통 SPSS에서는 Levene의 등분산 검정 결과를 함께 제공한다.

Levene 검정의 유의확률이 .05 이상이면 등분산을 가정한 결과를 본다.
Levene 검정의 유의확률이 .05 미만이면 등분산을 가정하지 않은 결과를 본다.

초보 연구자가 SPSS 결과표를 볼 때 가장 자주 헷갈리는 부분이 바로 이 지점이다.

---

5. t-test 결과는 어떻게 해석할까?

t-test 결과에서 가장 많이 보는 값은 p값이다.

p값은 보통 유의확률 또는 Sig.로 표시된다.

 

일반적으로 p값이 .05보다 작으면 두 집단의 평균 차이가 통계적으로 유의하다고 해석한다.

예를 들어 다음과 같은 결과가 있다고 가정해 보자!

 

남성 평균: 3.70
여성 평균: 4.10
t값: -2.45
p값: .016

 

이 경우 p값 .016은 .05보다 작다.
따라서 남성과 여성의 평균 차이는 통계적으로 유의하다고 볼 수 있다.

논문에서는 다음처럼 표현할 수 있다.

성별에 따른 학습만족도 차이를 분석한 결과, 여성의 평균 점수가 남성보다 높았으며, 이 차이는 통계적으로 유의하였다(t=-2.45, p<.05).

 

반대로 p값이 .05보다 크다면 통계적으로 유의한 차이가 없다고 해석한다.

예를 들어 p값이 .231이라면 다음처럼 작성할 수 있다.

성별에 따른 학습만족도 평균 차이는 통계적으로 유의하지 않았다(p>.05).

---

6. t-test에서 자주 하는 실수

초보 연구자들이 t-test를 사용할 때 자주 하는 실수는 다음과 같다.

6-1. 세 집단 이상인데 t-test를 사용하는 경우

t-test는 두 집단 비교를 위한 분석이다.

세 집단 이상을 비교하면서 t-test를 반복해서 사용하는 것은 적절하지 않을 수 있다.

예를 들어 20대, 30대, 40대의 평균을 비교하고 싶다면 t-test가 아니라 ANOVA를 사용하는 것이 일반적이다.

---

6-2. 평균이 아니라 비율을 비교하는 경우

t-test는 평균 차이를 보는 분석이다.

성별에 따른 찬성·반대 비율, 이용 여부 차이, 선택 비율 차이 등을 분석할 때는 카이제곱 검정이 더 적절할 수 있다.

예를 들어 “남성과 여성의 AI 도구 사용 여부에 차이가 있는가?”는 평균 비교가 아니라 범주형 자료 비교에 가깝다.

---

6-3. p값만 보고 결론을 내리는 경우

p값이 중요하긴 하지만, p값만 보고 결론을 내리면 부족하다.
논문에서는 평균, 표준편차, t값, p값을 함께 제시하는 것이 좋다.

또한 단순히 유의하다·유의하지 않다만 적는 것이 아니라, 어느 집단의 평균이 더 높은지도 함께 설명해야 한다.

---

6-4. 독립표본과 대응표본을 혼동하는 경우

서로 다른 두 집단이면 독립표본 t-test이다.
같은 대상의 전후 비교이면 대응표본 t-test이다.

이 차이를 헷갈리면 분석 자체가 잘못될 수 있다.

 

쉽게 기억하면 다음과 같다.

다른 사람끼리 비교하면 독립표본 t-test
같은 사람의 전후를 비교하면 대응표본 t-test

---

7. 연구 논문에서 t-test 결과 작성 예시

논문에서는 t-test 결과를 보통 다음과 같이 작성한다.

예시 1. 성별에 따른 만족도 차이

성별에 따른 학습만족도 차이를 확인하기 위해 독립표본 t-test를 실시하였다. 분석 결과, 남성의 평균은 3.72점, 여성의 평균은 4.15점으로 나타났으며, 두 집단 간 차이는 통계적으로 유의하였다(t=-2.31, p<.05). 따라서 여성 집단의 학습만족도가 남성 집단보다 유의하게 높은 것으로 해석할 수 있다.

예시 2. 교육 전후 자신감 차이

AI 활용 교육 전후의 논문 작성 자신감 차이를 확인하기 위해 대응표본 t-test를 실시하였다. 분석 결과, 교육 전 평균은 2.95점, 교육 후 평균은 4.10점으로 나타났으며, 이 차이는 통계적으로 유의하였다(t=-5.42, p<.001). 이는 AI 활용 교육이 연구자의 논문 작성 자신감 향상에 긍정적인 영향을 미쳤을 가능성을 보여준다.

---

8. t-test 선택 기준 정리

t-test를 선택할 때는 다음 기준을 기억하면 쉽다.

 

< 상황적절한 분석 >

남성과 여성의 평균 비교	독립표본 t-test
실험군과 대조군의 평균 비교	독립표본 t-test
20대와 30대의 평균 비교	독립표본 t-test
교육 전후 평균 비교	대응표본 t-test
프로그램 참여 전후 평균 비교	대응표본 t-test
세 집단 이상의 평균 비교	ANOVA
성별에 따른 이용 여부 차이	카이제곱 검정

---

t-test는 2그룹 평균 비교의 기본 분석이다.

t-test는 연구방법론에서 가장 기본적이면서도 자주 사용되는 분석 방법이다.
특히 성별, 연령별, 실험군·대조군처럼 두 그룹을 비교할 때 많이 활용된다.

 

핵심은 간단하다.

t-test는 두 집단의 평균 차이가 통계적으로 유의한지 확인하는 분석이다.

 

초보 연구자라면 다음 세 가지를 먼저 확인하면 된다.

 

첫째, 비교 집단이 2개인가?
둘째, 비교하려는 값이 평균인가?
셋째, 독립된 두 집단인가, 같은 대상의 전후 비교인가?

 

이 세 가지를 구분할 수 있다면 t-test를 훨씬 쉽게 이해할 수 있다.

논문 작성 시에는 p값만 보는 것이 아니라 평균, 표준편차, t값, 유의확률을 함께 제시하고, 분석 결과가 연구 질문에 어떤 의미를 갖는지 해석하는 것이 중요하다.

t-test는 어렵게 느껴질 수 있지만, “두 그룹의 평균 차이를 확인하는 방법”이라고 생각하면 훨씬 쉽게 접근할 수 있다.

"키가 크면 발도 크다", "공부 시간이 길수록 성적이 높다"

우리는 일상에서 두 가지 현상이 함께 움직이는 것을 자주 목격한다.

이처럼 두 변수 사이의 관계를 수치로 측정하고 분석하는 것이 바로 상관관계 분석이다.

 

1. 상관관계 분석이란 무엇인가?

 

상관관계(Correlation)란 두 변수가 서로 어떤 방향으로, 얼마나 강하게 연관되어 움직이는지를 나타내는 통계적 개념이다.

 

예를 들어,

 

- 운동량이 늘어날수록 체지방률이 낮아진다면 → 부적(음) 상관관계

- 학습 시간이 늘어날수록 시험 점수도 높아진다면 → 정적(양) 상관관계

- 신발 사이즈와 지능지수 사이에 아무 관련이 없다면 → 무상관

 

이 관계를 수치 하나로 표현한 것이 상관계수(Correlation Coefficient)이다.

가장 널리 쓰이는 것은 피어슨 상관계수(Pearson's r)로, -1에서 +1 사이의 값을 가진다.

 

* 중요한 주의사항 : 상관관계는 인과관계(causation)가 아니다.

두 변수가 함께 움직인다고 해서 하나가 다른 하나를 '일으킨다'고 말할 수는 없다.

아이스크림 판매량과 익사 사고 건수는 여름에 함께 증가하지만, 아이스크림이 익사를 유발하는 것은 아니다.

두 변수 모두 '더위'라는 제3의 변수에 의해 영향을 받을 뿐이다.

 

 

 

2. 상관관계 분석의 기준은 어떻게 될까요?

 

강도 해석(Cohen, 1988 기준)

절댓값 범위	해석
0.00 ~ 0.19	매우 약한 상관
0.20 ~ 0.39	약한 상관
0.40 ~ 0.59	보통 상관
0.60 ~ 0.79	강한 상관
0.80 ~ 1.00	매우 강한 상관

 

예시로 r = -0.72라면 "강한 부적 상관관계가 있다"고 해석한다.

 

* 통계적 유의성(p-value) : 상관계수의 강도만큼이나 중요한 것이 통계적 유의성이다.

아무리 r값이 높아 보여도, p-value가 0.05보다 크다면 그 결과는 우연에 의한 것일 수 있다.

 

- p < 0.05 → 통계적으로 유의미함 (95% 신뢰 수준)

- p < 0.01 → 더욱 강력한 통계적 유의성

- p ≥ 0.05 → 유의미하지 않음, 해석에 주의 필요

 

* 어떤 상관계수를 쓸까?

데이터의 성격에 따라 적합한 상관계수가 다르다.

 

- 피어슨(Pearson's r): 두 변수 모두 연속형이고 정규분포를 따를 때

- 스피어만(Spearman's ρ): 서열 척도이거나 정규분포를 벗어날 때

- 켄달(Kendall's τ): 소표본이거나 동점이 많을 때

 

---

3. 상관관계 분석이 필요한 이유

* 가설 검증의 출발점 : 연구는 대부분 "A와 B는 관련이 있을 것이다"는 가설에서 시작한다.

상관관계 분석은 이 가설을 검증하는 가장 기초적이고 직관적인 방법이다.

회귀분석, 구조방정식 같은 복잡한 통계 모형을 적용하기 전에 변수들 간의 기초 관계를 먼저 파악하는 것이 연구의 올바른  순서이다.

 

* 변수 선택과 모형 설계 : 연구에서 분석할 변수를 선택할 때, 상관관계 분석은 중요한 판단 기준을 제공한다.

 

- 독립변수와 종속변수 사이에 충분한 상관이 없다면, 그 변수는 설명력이 없을 가능성이 높다.

- 독립변수들 사이의 상관이 너무 높다면(r > 0.8), 다중공선성 문제가 발생할 수 있어서 회귀분석 등의 결과를 왜곡시킬 수 있다.

 

* 실무와 정책에서의 활용 : 상관관계 분석은 학술 연구만의 도구가 아니다.

- 마케팅 : 광고 노출 횟수와 구매 전환율의 관계

- 의료 : 특정 생활습관과 질병 발생률의 관계

- 교육 : 수업 참여도와 학업 성취도의 관계

- 경제 : 금리 변동과 소비 지출의 관계

 

이처럼 두 현상 사이의 패턴을 파악함으로써, 개입하고 예측하고 정책을 설계하는 데 중요한 근거를 마련할 수 있다.

 

---

 

# 상관관계 분석은 복잡한 현실 세계의 관계를 하나의 숫자로 요약하는 강력한 도구이다.

그러나 그 숫자를 올바르게 읽기 위해서는 방향, 강도, 유의성, 그리고 인과관계와의 구분을 항상 염두에 두어야 한다.

 

 

* 참고: Cohen, J. (1988). Statistical power analysis for the behavioral sciences (2nd ed.). Lawrence Erlbaum Associates.

연구에서 통계분석을 진행 할 때 기본적으로 진행하는 몇가지 분석들이 있다. 

그 중 하나는 신뢰도 분석이다. 

 

 

 

1. 신뢰도란 무엇인가?

신뢰도(Reliability)는 측정 도구(설문 문항 등)가 동일한 개념을 얼마나 일관되게 측정하는지를 나타내는 지표이다.

 

명칭	설명
신뢰도 (Reliability)	가장 일반적인 명칭
내적 일관성 (Internal Consistency)	문항 간 일관성을 의미
크론바흐 알파 (Cronbach's α)	가장 널리 쓰이는 신뢰도 계수 명칭
알파 계수 (Alpha Coefficient)	Cronbach's α의 다른 표현

 

> 사회과학 연구에서는 주로 "Cronbach's α(알파) 계수"로 신뢰도를 표현한다.

 

---

 

2. 신뢰도 분석은 왜 필요할까?

 

필요성	내용
측정 일관성 확보	같은 개념을 묻는 문항들이 실제로 같은 방향을 측정하는지 확인
연구 타당성 확보	신뢰도가 낮으면 분석 결과 자체를 신뢰할 수 없음
문항의 적절성 검토	불필요하거나 일관성을 저해하는 문항을 제거하는 근거 제공
학문적 보고 기준 충족	논문·연구보고서에서 측정 도구의 질을 증명하는 필수 절차
변수 간 분석의 신뢰성	회귀분석, 구조방정식 등 후속 분석의 전제 조건

 

 

3. 신뢰도(Cronbach's α) 의 기준은 어떻게 될까?

 

α 값	평가	해석
α ≥ 0.90	매우 우수 (Excellent)	매우 높은 내적 일관성
0.80 ≤ α < 0.90	좋음 (Good)	충분히 신뢰할 수 있는 수준
0.70 ≤ α < 0.80	수용 가능 (Acceptable)	사회과학 연구에서 일반적으로 허용
0.60 ≤ α < 0.70	의심스러움 (Questionable)	보완 필요, 조건부 수용
α < 0.60	미수용 (Unacceptable)	해당 변수 측정 도구 재검토 필요

 

 

 

* 핵심 기준 요약

 

사회과학 연구의 최소 기준: α ≥ 0.70

일반적으로 권장되는 기준: α ≥ 0.80

탐색적 연구에서의 허용 기준: α ≥ 0.60

 

 

* 참고 : George & Mallery(2003), Nunnally(1978) 등의 기준이 학계에서 가장 많이 인용된다. 연구 분야나 학술지에 따라 기준이 다소 다를 수 있으므로, 해당 분야의 관행을 확인하는 것이 중요하다.

연구에서 통계분석을 진행 할 때 기본적으로 진행하는 몇가지 분석들이 있다. 

그 중 하나는 왜도, 첨도 분석이다. 

 

1. 왜도(Skewness)란 무엇인가?

- 왜도(歪度)는 데이터 분포의 비대칭성(좌우로 치우친 정도)을 나타내는 지표입니다. 쉽게 말해 "정규분포(종 모양)에 비해 한쪽 꼬리가 얼마나 긴가?"를 보여준다.

 

* 왜도 = 0: 완벽한 좌우 대칭이다. (정규분포)

* 왜도 > 0 (양의 왜도 / 오른쪽으로 긴 꼬리): 데이터가 왼쪽에 몰려 있고, 오른쪽으로 길게 꼬리가 늘어진 형태이다. 평균이 중앙값보다 큰 경우가 많다. (예: 소득 분포, 대부분의 사람은 평범하지만 극소수의 고소득자가 오른쪽에 위치함)

* 왜도 < 0 (음의 왜도 / 왼쪽으로 긴 꼬리): 데이터가 오른쪽에 몰려 있고, 왼쪽으로 길게 꼬리가 늘어진 형태이다. (예: 난이도가 아주 쉬운 시험의 점수 분포, 대부분 고득점이지만 일부가 낮은 점수를 받음)

 

 

2. 첨도(Kurtosis)란 무엇인?

- 첨도(尖度)는 데이터 분포의 뾰족한 정도(중심에 얼마나 몰려 있는가)와 꼬리의 두께를 나타내는 지표이다.

 

* 첨도 = 0 (또는 기준에 따라 3): 기준이 되는 정규분포의 뾰족함이다.

    (엑셀이나 SPSS 등 통계 프로그램에서는 정규분포를 0으로 맞추는 '초과 첨도'를 주로 사용한다.)

* 첨도 > 0 (정규분포보다 뾰족함): 중앙에 데이터가 아주 빽빽하게 모여 있어 정 정점 부위가 뾰족하고, 양쪽 꼬리가 두꺼운 형태이다. (극단적인 예외 값이 존재할 가능성이 높음)

* 첨도 < 0 (정규분포보다 완만함): 정점 부위가 뭉툭하고 평평한 형태를 띱니다. 데이터가 중심에 모이지 않고 넓게 퍼져 있음을 의미한다.

 

 

 

3. 왜도와 첨도는 왜 연구에서 필요할까?

통계 분석을 활용하는 연구(특히 석·박사 학위논문이나 학술지 투고 논문)에서 왜도와 첨도를 반드시 확인해야 하는 이유

 

① '정규성 가정' 검정 (가장 중요한 이유)대부분의 계량적 연구에서 사용하는 주요 통계 분석 방법(t-test, ANOVA, 회귀분석 등)은 "수집된 데이터가 정규분포를 따른다"는 정규성 가정(Normality Assumption)을 전제로 한다.

 

- 데이터가 정규성을 만족해야만 분석 결과의 신뢰성을 보장할 수 있다. 학계에서 통용되는 일반적인 기준에 따르면, 왜도의 절대값이 2 미만, 첨도의 절대값이 4~7 미만(학자나 문헌에 따라 조금씩 기준은 다름)이면 정규성을 크게 벗어나지 않는 것으로 보고 모수 통계 분석을 진행할 수 있다.

 

② 데이터의 이상치(Outlier) 확인첨도가 지나치게 높다면, 이는 데이터 중심부에만 사람이 몰려 있는 게 아니라 양쪽 끝(꼬리)에 아주 극단적인 값(이상치)들이 존재한다는 강력한 신호이다. 이러한 이상치는 연구 전체의 평균을 왜곡할 수 있으므로, 왜도와 첨도를 통해 데이터 정제(Cleaning)가 필요한지 판단할 수 있다.

 

정(+)의 영향, 부(-)의 영향, 기각 결과를 어떻게 써야 할까?

 

논문에서 경로분석을 처음 해보면 헷갈리는 부분 중 하나가 바로 결과 해석이다.

SPSS, SmartPLS, R 등의 분석 도구를 통해서 회귀분석을 하면 결과표에 숫자와 유의확률이 나온다.

그런데 문제는 그 다음이다.

 

이 결과를 논문 문장으로 어떻게 써야 하는지 막막해진다.

특히 초보연구자들은 아래와 같은 고민을 많이 한다.

 

정(+)의 영향은 뭐라고 써야 하지?
부(-)의 영향은 나쁜 결과인가?
기각이면 연구가 실패한 건가?

 

하지만 너무 어렵게 생각할 필요는 없다.

경로분석은 결국 “A가 B에 어떤 방향으로 영향을 주는가”를 보는 과정이다.

쉽게 말하면 아래와 같다.

 

A가 커질수록 B도 커지는가?
A가 커질수록 B는 줄어드는가?
아니면 영향이 없는가?

 

이 세 가지를 확인하는 것이 핵심이다.

 

 

---

1. 정(+)의 영향을 미치는 결과

A가 증가하면 B도 함께 증가하는 경우

정(+)의 영향은 가장 많이 나오는 결과다.

 

쉽게 말하면 하나가 높아질수록 다른 것도 같이 높아진다는 의미다.

예를 들어 설명해보자.

AI 활용 능력이 높아질수록 연구 만족도가 높아졌다.

이 경우 AI 활용 능력과 연구 만족도는 정(+)의 관계라고 볼 수 있다.

쉽게 말하면 AI를 잘 활용하는 사람일수록 연구 만족도도 높다는 뜻이다.

---

이해하는 쉬운 예시

공부 시간이 늘어날수록 시험 점수가 올라간다.

운동을 많이 할수록 체력이 좋아진다.

친절한 서비스가 많을수록 고객 만족도가 높아진다.

이런 구조가 모두 정(+)의 영향이다.

---

논문에서 실제로 쓰는 문장

① AI 활용 능력은 연구 만족도에 정(+)의 영향을 미치는 것으로 나타났다.

② AI 활용 수준이 높아질수록 연구 만족도도 함께 증가하는 것으로 확인되었다.

③ 분석 결과, AI 활용 능력은 연구 만족도를 향상시키는 요인으로 나타났다.

---

 

2. 부(-)의 영향을 미치는 결과

A가 증가하면 B는 감소하는 경우

부(-)의 영향이라고 해서 무조건 나쁜 결과는 아니다.

 

많은 초보연구자들이 부(-)라는 단어 때문에 실패했다고 오해한다.

하지만 부(-)는 단순히 방향이 반대라는 의미다.

예를 들어보자.

연구 스트레스가 높아질수록 연구 만족도는 낮아졌다.

이 경우 스트레스는 만족도를 감소시키는 방향으로 영향을 준 것이다.

---

이해하는 쉬운 예시

스마트폰 사용 시간이 많아질수록 집중력은 떨어진다.

피로가 많아질수록 운동 능력은 감소한다.

대기 시간이 길어질수록 고객 만족도는 낮아진다.

이런 구조가 부(-)의 영향이다.

---

논문에서 실제로 쓰는 문장

① 연구 스트레스는 연구 만족도에 부(-)의 영향을 미치는 것으로 나타났다.

② 스트레스 수준이 높아질수록 연구 만족도는 감소하는 것으로 확인되었다.

③ 분석 결과, 연구 스트레스는 만족도를 저해하는 요인으로 나타났다.

---

 

 

3. 기각의 결과

영향이 없는 경우

초보연구자들이 가장 당황하는 결과가 바로 기각이다.

하지만 기각이 나왔다고 해서 연구가 실패한 것은 아니다.

 

기각은 단순히 “예상했던 영향이 통계적으로 확인되지 않았다”는 의미다.

즉, 영향이 아예 없다고 단정하는 것이 아니라, 이번 연구에서는 유의한 결과가 확인되지 않았다는 뜻이다.

---

이해하는 쉬운 예시

예상하기로는 게임 시간이 많으면 성적이 떨어질 줄 알았다.

그런데 실제 분석해보니 큰 차이가 없었다.

이 경우 가설은 기각된다.

---

논문에서 실제로 쓰는 문장

① AI 활용 능력은 연구 몰입에 유의한 영향을 미치지 않는 것으로 나타났다.

② 분석 결과, 연구 스트레스와 연구 성과 간의 관계는 통계적으로 유의하지 않았다.

③ 해당 가설은 유의한 결과가 나타나지 않아 기각되었다.

---

기각이라고 해서 실패한 연구는 아니다.

오히려 기각 결과는 새로운 의미를 만들기도 한다.

왜 예상과 다른 결과가 나왔는지 해석하는 과정에서 연구의 가치가 생기기도 한다.

실제로 논문에서는 모든 가설이 채택되는 것보다 일부 기각이 있는 경우가 더 자연스럽게 보이기도 한다.

억지로 모든 결과를 맞추려고 하는 것이 오히려 더 위험할 수 있다.

 

단, 기각의 결과로 새로운 의미를 만들기는 하지만,

전체 채택과 기각의 비율을 구분하여 채택 70%, 기각 30% 정도 나온다면 아주 좋은 결과라 할 수 있다. 

어서와! 학술지는 처음이지

처음 논문을 쓰기 시작하면 많이 보고 듣는 단어가 양적 연구와 질적 연구다.

하지만 처음 들으면 이름부터 어렵게 느껴진다.

사실 아주 쉽게 생각하면 된다.

 

양적 연구는 숫자로 결과를 설명하는 연구이고, 질적 연구는 사람의 생각과 경험을 깊게 이해하는 연구다.

 

 

---

1. 양적 연구는 숫자로 결과를 분석하는 연구다.

양적 연구는 의견이나 행동을 숫자로 정리해서 분석하는 방법이다.

 

예를 들어 학생 100명에게 AI를 얼마나 사용하는지 설문조사를 했다고 생각해보자.

그리고 AI를 많이 사용하는 학생들이 시험 점수도 높은지 통계로 분석할 수 있다.

이렇게 숫자와 그래프를 사용해서 결과를 설명하는 방식이 양적 연구다.

 

그래서 양적연구에서는 설문조사와 통계분석을 많이 사용한다.

장점은 많은 사람 데이터를 한 번에 비교할 수 있다는 점이다.

 

하지만 왜 그런 생각을 했는지, 어떤 감정을 느꼈는지까지는 숫자만으로 자세히 알기 어려운 경우도 있다.

---

2. 질적 연구는 사람 생각과 경험을 이해하는 연구다.

질적 연구는 숫자보다 사람 이야기를 더 중요하게 생각하는 연구다.

 

예를 들어 학생들이 AI를 사용하면서 어떤 고민을 하는지 알고 싶다고 생각해보자.

이때는 설문조사보다 직접 인터뷰를 하는 것이 더 도움이 될 수 있다.

학생 한 명 한 명 이야기를 들으면서 어떤 경험을 했는지 깊게 이해하는 것이다.

이런 방식이 질적 연구다.

 

질적 연구는 사람 감정과 생각을 자세히 이해할 수 있다는 장점이 있다.

하지만 사람 수가 적을 수 있기 때문에 모든 사람에게 똑같이 적용하기는 어려운 경우도 있다.

---

3. 중요한 것은 어떤 연구가 더 좋은지가 아니다!

많은 학생들이 궁금해한다.

 

양적 연구가 더 좋은가요?
질적 연구가 더 좋은가요?

 

하지만 실제로는 어떤 방법이 더 뛰어난지가 중요한 것이 아니다.

 

더 중요한 것은 내가 알고 싶은 문제에 어떤 방법이 더 잘 맞는지다.

 

예를 들어 많은 학생들의 평균 의견을 알고 싶다면 양적 연구가 더 잘 맞을 수 있다.

반대로 학생들이 왜 그런 생각을 하는지 깊게 이해하고 싶다면 질적 연구가 더 잘 맞을 수 있다.

또 최근에는 두 방법을 함께 사용하는 경우도 많다.

 

예를 들어 먼저 설문조사를 하고, 이후 인터뷰를 추가로 진행하는 방식이다.

결국 좋은 연구자는 어려운 통계만 잘하는 사람이 아니다.

 

내 연구 질문에 가장 잘 맞는 방법을 선택할 수 있는 사람이다.

논문은 단순히 숫자를 계산하는 작업이 아니라, 문제를 가장 잘 설명할 수 있는 방법을 찾는 과정에 더 가깝다.

 

 

 

* 내용 출처 : 어서와 학술지는 처음이지_데이터를 활용한 학술논문(2025). 이채현, 허성일, 서재이, 피채희, 최정일. 도서출판 청람.

어서와! 논문은 처음이지

처음 통계분석을 배우면 가장 많이 듣는 단어가 있다.

바로 p-value와 t-value다.

 

하지만 많은 학생들은 숫자만 외울 뿐, 실제 의미는 잘 이해하지 못하는 경우가 많다.

특히 논문을 처음 쓰는 학생들은 p값이 0.05보다 작으면 유의하다 정도로만 외우는 경우도 많다.

 

하지만 통계는 단순 계산이 아니라 결과를 얼마나 믿을 수 있는지를 설명하는 과정에 가깝다.

그래서 숫자의 의미를 이해하는 것이 중요하다.

 

 

---

1. p-value는 결과를 얼마나 믿을 수 있는지를 보여주는 숫자다.

쉽게 말하면 p값은 우연히 이런 결과가 나올 가능성이 얼마나 되는지를 의미(우연히 발생할 확률)한다.

 

예를 들어 어떤 학생이 새로운 공부법을 사용한 뒤 시험 점수가 크게 올랐다고 가정해보자.

이때 정말 공부법 효과 때문인지, 아니면 그냥 우연히 점수가 오른 것인지 확인해야 한다.

바로 이 가능성을 계산하는 것이 p-value다.

 

보통 논문에서는 아래 기준을 많이 사용한다.

• p < 0.05
  → 결과가 우연일 가능성이 5% 이하
  → 약 95% 정도 신뢰 가능
• p < 0.01
  → 결과가 우연일 가능성이 1% 이하
  → 약 99% 정도 신뢰 가능
• p < 0.001
  → 결과가 우연일 가능성이 0.1% 이하
  → 매우 강한 신뢰 수준

즉, p값이 작을수록 연구 결과를 더 신뢰할 가능성이 높아진다.

그래서 논문에서는 보통 p값이 0.05보다 작으면 통계적으로 유의하다라고 표현한다.

---

2. t-value는 차이가 얼마나 큰지를 보여주는 숫자다.

많은 학생들이 p값만 중요하다고 생각한다.

하지만 실제 통계에서는 t값도 매우 중요하다.

 

t-value는 두 집단 차이가 얼마나 큰지를 계산하는 값(흩어짐(분산)과 표본 크기)이다.

예를 들어 AI를 사용한 학생 그룹과 사용하지 않은 학생 그룹의 시험 점수를 비교한다고 생각해보자.

두 그룹 점수 차이가 크면 t값도 커질 가능성이 높다.

즉, t값은 결과 차이가 얼마나 뚜렷한지를 보여주는 숫자에 가깝다.

 

보통은 t값이 크고 p값이 작을수록 결과 신뢰성이 높아진다.

하지만 숫자가 크다고 무조건 좋은 연구는 아니다.

데이터 수집 과정과 연구 설계가 함께 중요하다.

---

3. 왜 통계 결과를 맹신하면 위험할까

많은 학생들이 p값만 보고 연구 결과를 판단하려고 한다.

 

하지만 실제 연구에서는 숫자만으로 모든 것을 설명할 수는 없다.

예를 들어 p값이 0.05보다 작더라도 표본 수가 너무 적거나 데이터 자체가 잘못되었다면 연구 결과 신뢰성은 낮아질 수 있다.

또 최근에는 AI를 이용해 통계 결과를 자동으로 분석하는 경우도 늘어나고 있다.

 

하지만 AI 역시 잘못된 데이터를 입력하면 잘못된 결과를 만들 수 있다.

그래서 연구자는 단순히 숫자만 보는 것이 아니라 왜 이런 결과가 나왔는지 함께 해석해야 한다.

결국 연구자는 통계 프로그램을 잘 다루는 사람만이 아니다.

 

숫자의 의미를 이해하고, 결과를 비판적으로 해석할 수 있는 사람이다.

통계는 단순 계산이 아니라 연구 결과를 얼마나 신뢰할 수 있는지를 설명하는 언어에 가깝기 때문이다.

 

 

 

* 내용 출처 : 어서와 논문은 처음이지_Alice의 단계별 고급통계분석(2023). 이채현, 이종섭, 김영대, 최정일. 도서출판 청람