텍스트 마이닝이란 “텍스트 형태의 데이터를 수학적 알고리즘에 기초하여 수집·처리·분석·요약하는 연구 기법들을 통칭하는 용어(Beak, 2017)”이다. 텍스트 마이닝이란 비정형 데이터에 대한 마이닝 과정으로, “Mining”이라는 단어의 어원에서도 알 수 있듯이 다량의 텍스트 데이터 속에 감춰진 유용한 정보와 의미들을 채굴하고 발굴하는 과정을 의미한다(Kim & Kim, 2019a). 데이터는 형태에 따라 정형 데이터와 비정형 데이터로 구분되며, 정형 데이터를 이용한 마이닝을 데이터 마이닝, 비정형 데이터를 이용한 마이닝을 텍스트 마이닝이라고 한다(Julia & David, 2017). 정형 데이터는 숫자로 대표되는 연산 가능한 형태의 데이터를 의미하는 것으로 비교적 명확한 구조와 규칙이 정의되어 있어 객관적이며, 통계 분석이 용이하다. 반면 텍스트로 대표되는 비정형 데이터는 구조가 일정하지 않고, 규범적 형식을 준수하지 않아 분석이 어려운 특징을 지닌다 (Gandomi & Haider, 2015).

텍스트 마이닝이란 자연어 처리(Natural Language Processing, NLP) 기술을 활용하여 비정형 데이터를 대상으로 유용한 정보를 추출, 가공하는 기법이다. 기존의 딥 러닝(Deep Learning), 머신 러닝(Machine Learning), 데이터 마이닝(Data Mining) 등과 같은 기법이 정형 데이터만을 다루었다면 텍스트 마이닝(Text Mining), 소셜 네트워크 분석(사회 연결망 분석, Social Network Analysis)은 비정형 데이터를 대상으로 한다. 그중에서도 텍스트 네트워크 분석(Text Network Analysis)은 텍스트 마이닝과 소셜 네트워크 분석이 결합된 형태로 텍스트 데이터를 추출할 뿐만 아니라 추출된 데이터를 정량적인 관점에서 분석하고 연구자가 질적으로 재구성할 수 있다는 점에서 공학 분야는 물론 인문, 사회과학, 예체능 분야에서도 널리 사용되고 있다(Seo, 2019). 텍스트 마이닝이 텍스트 네트워크 분석 내 양적 내용분석을 담당한다면, 소셜 네트워크 분석은 사회 연결망 내 개인이나 집단 간의 정량적인 상관관계를 산출한다. 이때 밀도(Density), 중심성(Centrality), 집중도(Centralization) 등이 주요 개념 및 지표로 활용된다(Scott, 2000).

텍스트 마이닝을 통해 도출되는 키워드들은 수백 개에서 수천 개에 이르는데 유사한 패턴을 갖는 복수의 키워드들을 그룹화하기 위해 몇 가지 분석기법을 사용한다. 그 중 가장 대표적인 분석 방법이 CONCOR(Convergence of Iterated Correlations) 분석이다. CONCOR 분석은 인접행렬을 데이터로 활용하여 구조적 등위성을 통해 연결관계의 형태가 유사한 것을 피어슨 상관관계분석을 통해 군집화하는 기법이다(Lorrain & White, 1971).

텍스트 마이닝을 활용한 연구는 2011년 이후 꾸준히 증가하였으나, 산업공학, 컴퓨터공학 등 상위 7개 학회가 전체 논문의 50% 이상을 차지할 만큼 일부 학술 분야에 국한되어 사용되었다(Kim et al., 2016). 그러나 최근 교육, 예술체육, 사회과학 분야에서도 텍스트 마이닝 기법을 적용한 연구들이 활발하게 전개되고 있다.

Kim & Kim(2017)의 ‘텍스트 마이닝을 이용한 온라인 리뷰의 호텔 선택속성 분석’을 살펴보면 R프로그램을 활용하여 온라인 여행 커뮤니티인 ‘Tripadvisor’에서 데이터를 크롤링하여 7,220개의 온라인 리뷰를 분석하였다. 이후 UCINET6 Netdraw 프로그램을 이용하여 중심성을 파악하고 시각화하였다. 이를 통해 소비자들의 실제 후기를 바탕으로 호텔 선택 시 가중치를 두는 선택속성 간의 구조적 관계를 규명하고자 하였다.

Kim & Kim(2019b)의 ‘텍스트 마이닝을 통한 국내 전시회의 관람 동기 분석 연구’를 살펴보면 문헌연구를 통해 전시 관람 동기 및 관람객의 만족·행동 의도를 살펴보고, 텍스트 마이닝 을 활용한 전시 관람 동기를 분석하였다. 이후 UCINET6 Netdraw 프로그램을 활용하여 분석 결과를 시각화하였으며, 수집된 데이터를 대상으로 빈도분석을 실시하였다. 따라서 기존의 설문조사 방식이 아닌 소셜 미디어를 활용한 텍스트 마이닝 분석을 통해 관람객 실제 반응을 통계적으로 파악하고자 하였다.

Kim & Seo(2020)의 ‘텍스트 마이닝을 활용한 국외 현대무용 연구 트렌드 변화 분석’을 살펴보면 국내 현대무용 분야의 체계화된 학문적 이론 구축 및 공연시장 활성화를 위해 국외 현대무용 연구 트렌드를 분석하였다. 이에 30년간 WOS에 축적된 현대무용 국외 학술자료를 1~3기로 나누어 연구 트렌드를 탐색하였다. 연구방법으로는 빈도분석, TF-IDF분석, 토픽모델링분석, 네트워크분석을 활용하였으며, 과거 연구주제를 통해 미래 연구주제를 예측하고자 하였다.

Kim(2019)의 ‘인문학을 위한 신문 빅 데이터와 텍스트 마이닝’을 살펴보면 1946년부터 2014년까지 동아일보의 신문 빅데이터 분석을 통해 어휘 사용 빈도 분석, 통계적 키워드 분석, 공기어 네트워크 분석, 토픽 모델링, 어휘 의미 변화 탐지의 다섯가지 항목을 분석하였다. 그 결과 텍스트 마이닝을 활용한 연구가 기존의 정성적, 정량적 방법론을 넘어서는 대규모의 텍스트 자원에 두루 적용할 수 있다는 점에서 4차 산업혁명 시대 인문학의 외연을 확장하기 위한 추가 연구의 필요성을 제시하였다.

이처럼 텍스트 마이닝을 활용한 연구는 신문기사 및 SNS, 온라인 리뷰 분석 등 마케팅과 관련된 분야에서 활발하게 사용되었으나, 점차 그 범위가 학술적 영역으로 확대되었다. 이에 미용 분야 또한 시대·사회적 변화에 조응할 필요성이 있음을 시사하고, 텍스트 마이닝을 활용한 빅데이터 분석을 실시함으로써 미용교육의 미래 연구 방향을 제시하고자 한다.

본 연구에서는 미용교육 연구 동향을 살펴보기 위해 2022년 10월 15일 한국학술지인용색인(KCI)에서 미용교육 주제어를 검색해 분석에 필요한 데이터를 수집하였다. 검색된 국내학술 논문은 총 562편이었으며, 이 중 중복된 논문과 본 연구 목적에 부합되지 않는 논문은 연구자 간 논의를 통해 제외하고 2003년부터 2022년까지 총 309편을 최종 분석 대상으로 선정하였다<Fig. 1>.

논문제목, 초록, 키워드를 포함한 서지정보가 요약된 엑셀을 다운로드하고, 요약 정보에 포함되어 있지 않은 정보는 본문을 참고하여 작성하였다. 서지정보 내 영어, 중국어, 일본어 등 다국어로 표기된 정보는 한국교육학술정보원에서 운영하는 학술연구정보서비스(RISS)에서 제공하는 다국어 번역 서비스를 이 용하여 한국어로 통일해 사용하였다.

데이터 클리닝은 1차로 수집된 자료를 분석에 적합한 형태로 가공하는 것으로 다음과 같은 절차를 통해 수행되었다.

첫째, 1차로 수집된 자료는 ‘텍스톰(TEXTOM)’ 프로그램을 활용하여 데이터 정제 작업을 수행하였다. 분석기는 사전(Dictionary) 정보를 기반으로 어휘를 분석하는 ‘MeCab’을 활용하였다. 이후 정제된 키워드 중 특별한 의미를 갖지 않는 의존명사(예: 것, 등)를 삭제하고, 띄어쓰기(예: 블렌디, 드, 러닝 → 블렌디드러닝)와 조사 삭제(예: 방, 후 → 방과후) 등으로 인해 훼손된 단어를 사용자 사전을 구축해 수정하였다.

둘째, 위 과정을 통해 1차적으로 정제된 데이터는 연구자 간 논의를 통해 N-gram 분석과 워드트리(Word Tree) 결과를 바탕으로 데이터 표준화 작업을 실시하였다<Table 2>.

텍스트 마이닝 단계에서는 전처리가 완료된 키워드에서 TF(Term Frequency), TF-IDF(Term Frequency-Inverse Document Frequency)를 산출하였다. TF는 해당 단어가 문서 내에서 얼마나 많은 빈도로 나타나는지에 대한 값이며, TF-IDF는 특정 단어가 문서 내에서 얼마나 중요한 단어인지를 나타내는 값이다(Qaiser & Ali, 2018).

본 연구에서는 상위 200위 이내의 키워드를 대상으로 TF, TF-IDF 값을 산출하였다.

네트워크 분석은 키워드를 노드(Node)로 사용하여 노드 간의 관계를 분석해 숨겨진 의미를 파악하는 기법이다. 네트워크 분석은 키워드 간의 전체적인 구조뿐만 아니라 전체 구조 속에서 특정 키워드의 위치와 역할을 분석할 수 있다. 또한 데이터 자체로 값을 추출하기 때문에 연구자의 주관이나 편견이 개입될 여지를 최소화할 수 있다(Garton et al., 1997).

본 연구에서는 텍스톰 프로그램을 활용하여 상위 200위 이내의 키워드를 대상으로 1-mode Network Matrix를 구성하였다. 구성된 매트릭스는 UCINET6 프로그램에 입력하여 네트워크 분석을 실시하였으며, 주요 키워드 간 연결 구조를 파악하고 연결중심성(Degree Centrality), 근접중심성(Closeness Centrality), 매개중심성(Betweenness Centrality), 위세중심성(Eigenvector Centrality)을 분석하여 관계의 강도를 계량화하였다.

CONCOR 분석은 주체 간 관계 패턴 도출을 위해 상관관계 값을 이용하는 대표적인 구조적 등위성 측정 방법이다. 구조적 등위성이란 네트워크 내에서 다른 주체들과 직접적인 관계는 없으나, 동일한 관계 패턴을 가지는 경우를 의미한다(Back & Moon, 2021).

본 연구에서는 유사한 특성을 가진 키워드를 중심으로 클러스터(군집)를 도출하기 위해 UCINET6 Netdraw 프로그램을 활용하여 CONCOR 분석을 실시하였다.

본 연구에서는 네트워크 분석 및 CONCOR 분석을 위해 매트릭스 생성에 필요한 키워드 분석을 실시하였다. 키워드 분석은 한국학술지인용색인(KCI)에서 ‘미용교육’ 주제어를 검색해 논문의 제목, 키워드, 초록을 취합하여 두 차례 정제 후 TF(빈도), TF-IDF(문서 내 중요도)가 높은 상위 200위 이내의 키워드를 산출하였다. 단, 지면 관계상 상위 20위 이내의 키워드만 제시하였다<Table 3>.

분석 결과 TF(단어빈도)가 높은 단어는 교육 1841회, 미용 1682회, 만족도 1046회, 연구 957회, 대학 562회, 영향 528회, 학습 521회, 교육과정 512회, 전공 466회, 분석 454회 등의 순으로 나타났다. 반면 TF-IDF(문서 내 중요도)가 높은 단어는 학습 617.7099, 만족도 614.8249, 교육과정 518.7021, 수업 517.6433, 전공 506.4385, 교과 484.0265, 대학 465.8692, 피부 미용 449.3954, 학생 426.8769, 교육 420.8799 등의 순으로 나타났다.

TF는 문서 내 특정 단어가 얼마나 자주 등장하는지 나타내는 단순 출현 빈도로 중요도에 비례하는 경향을 보이나, 해당 단어가 상투어로 사용되어 반복 카운팅 되는 등 오류를 최소화하기 위해 특정 단어의 문서 내 실질적 중요도를 나타내는 TFIDF을 함께 분석하였다. 그 결과 미용교육 연구에서는 교육과정 및 학습 만족도에 관한 연구가 주를 이루고 있으며, 학제의 측면에 있어서는 대학 교육, 전공의 측면에 있어서는 피부미용과 관련된 연구가 활발하게 수행되고 있음을 확인하였다. 이를 워드클라우드로 시각화하여 나타낸 결과는 <Fig. 2>와 같다.

키워드 분석 결과를 대상으로 주요 키워드 간 중심성을 산출하기 위해 네트워크 분석을 실시하였다. TEXTOM 프로그램을 통해 분석된 200개의 키워드를 매트릭스로 변환 후 UCINET6 Netdraw프로그램을 활용하여 네트워크 분석 및 시각화를 실시하였다. 그 결과 200개의 노드(Node) 사이 34,670개의 연결선(Edge)이 나타났다<Fig. 3>. 네트워크 분석 결과를 토대로 노 의 크기와 연결선의 굵기를 가시화하고 키워드 간 구체적인 상관관계 파악을 위해 지면상에 표기된 상위 20위 이내의 키워드로 분석한 결과를 함께 제시하였다<Fig. 4>.

사각형의 블록(Node)은 주요 키워드와 출현 빈도에 따른 크기를 나타내며, 두 키워드를 잇는 선(Edge)의 굵기는 동시 출현 빈도에 비례한다. 네트워크를 기반으로 주요 키워드의 중심성을 산출하여 상호 간의 미치는 영향을 분석한 결과는 <Table 4>와 같다.

중심성을 분석한 결과 ‘미용’, ‘교육’, ‘만족도’, ‘연구’가 모든 결과에서 상윗값을 차지하고 있는 것으로 나타났다. 이는 해당 키워드들이 다른 단어들과 밀접하게 연관되어 다양한 의미를 구성하고 있음을 나타낸다. 모든 중심성에서 공통적으로 나타난 상위 키워드 4개를 제외한 각각의 중심성을 살펴보면 다음과 같다.

첫째, 연결중심성은 한 노드에 연결된 모든 엣지의 개수로 특정 네트워크 내에서 연결중심성이 높은 단어는 다른 키워드들과 활발한 관계를 맺으며 연구되고 있음을 의미한다. 본 연구에서는 ‘전공’, ‘대학’, ‘영향’, ‘교육과정’, ‘학습’ 등이 다른 키워드들과 높은 연결성을 보이고 있는 것으로 나타났다. 이를 통해 해당 단어들이 다른 노드들과 얼마나 많은 관계를 맺고 있는지, 얼마나 많은 관계에 관여하고 있는지를 알 수 있다.

둘째, 근접중심성의 경우 1위부터 10위까지는 0.665, 11위에서부터 20위까지는 0.663으로 구간별 같은 값이 도출되어 유의미한 결과를 얻지 못하였다. 연결중심성이 직접적으로 연결된 노드의 개수를 파악한다면, 근접중심성은 직·간접적으로 연결된 모든 노드 간의 거리를 반영하여 한 노드가 다른 노드까지 도달하는 거리가 짧을수록 중요한 노드라는 가정을 기저에 두고 있다(Bea et al., 2010). 근접중심성은 중앙집권적이거나 매개적이지는 않지만 전파의 확산을 돕는 노드를 의미한다(Kim, 2020b). 즉, 모든 노드들과 연결된 거리의 합이 가장 작은 노드가 근접중심성이 높게 나타나는데 일반적으로 근접중심성이 높을수록 중요한 노드를 의미하며, 다른 노드들로부터 자유롭고 의존성이 약하다(Park, 2022).

셋째, 매개중심성 또한 1위부터 125위까지 같은 값이 도출되어 유의미한 결과를 얻지 못하였다. 매개중심성이란 네트워크 내에서 어디에 위치하고 있는지 나타내는 지표로 한 노드가 다른 노드 사이에 위치하는 정도를 나타낸다. 즉, 매개중심성이 높은 노드는 핵심 노드들 사이에서 매개자, 중재자 역할을 수행하므로 이를 통해 해당 노드의 영향력을 파악할 수 있다. 일반적으로 매개중심성은 노드와 노드 사이를 최단 거리로 연결하는 위치에 있는 노드를 의미한다. 그러나 매개역할을 하는 노드(최단 거리 경로)가 여러 개일 경우 각각의 노드가 가지는 매개중심성은 낮아지게 된다(Kim, 2020b).

넷째, 위세중심성은 한 노드와 연결된 다른 노드들이 네트워크 내에서 얼마나 중요한지 파악하는 지표로 본 연구에서는 ‘전공’, ‘대학’. ‘영향’, ‘교육과정’. ‘분석’ 등의 순으로 나타났다. 위세중심성이 높을 경우 연결 정도가 적다 하더라도 높은 영향력을 가지며, 반대로 연결 정도는 높지만 위세중심성이 낮을 경우 네트워크 내의 실질적인 영향력은 낮다고 볼 수 있다. 따라서 본 연구에서는 앞서 살펴본 연결중심성이 높은 단어(‘전공’, ‘대학’, ‘영향’, ‘교육과정’, ‘학습’)와 위세중심성이 높은 단어가 일치되는 양상을 보임으로 해당 단어들이 네트워크 내에서 높은 영향력을 가지고 있음을 알 수 있다.

네트워크 분석 및 시각화 결과를 토대로 주요 단어들의 군집 식별 및 상관관계 파악을 위해 CONCOR 분석을 실시하였다. 미용교육 연구의 CONCOR 분석 결과 5개의 중심 군집과 3개의 소규모 군집을 형성하였다<Fig. 5>.

군집별 항목이 10개 미만인 경우 소규모 군집으로 분류하였다. 이후 연구자 간 논의를 통해 소규모 군집을 제외하고 미용 교육 연구에 있어 유의미한 연관성이 있다고 판단되는 5개의 군집에 군집명을 부여하였다. 첫째, ‘미용실’, ‘학원’, ‘경영’, ‘조직’, ‘직원’, ‘업무’, ‘커뮤니케이션’, ‘인간관계’, ‘재교육’, ‘훈련’ 등의 키워드를 포함하는 첫 번째 군집(Fig. 5의 좌 상단)을 ‘비정규 미용 교육’으로 명명하였다. 둘째, ‘교사’, ‘교수법’, ‘학습’, ‘수업’, ‘학업성취도’, ‘실기’, ‘실습’, ‘문항’, ‘루브릭’, ‘효과성’ 등의 키워드를 포함하는 두 번째 군집(Fig. 5의 좌 하단)을 ‘미용교육 교수·학습 및 평가’로 명명하였다. 셋째, ‘디지털’, ‘온라인’, ‘사이버’, ‘노인’, ‘졸업’, ‘취득’, ‘교양’, ‘학과’, ‘교과’, ‘개설’ 등의 키워드를 포함하는 세 번째 군집(Fig. 5의 중 상단)을 ‘융합 미용교육’으로 명명하였다. 넷째, ‘대학’, ‘대학생’, ‘교수’, ‘전공’, ‘셀프리더십’, ‘효능감’, ‘동기’, ‘산업체’, ‘중국’, ‘서울’ 등의 키워드를 포함하는 네 번째 군집(Fig. 5의 우 상단)을 ‘고등 미용교육’으로 명명하였다. 다섯째, ‘고등학교’, ‘고등학생’, ‘융합’, ‘역량’, ‘시험’, ‘평가’, ‘국가직무능력표준’, ‘현장실습’, ‘자격증’, ‘진로준비행동’ 등의 키워드를 포함하는 다섯 번째 군집(Fig. 5의 우 하단)을 ‘중등 미용교육’으로 명명하였다. 상기의 내용을 표로 정리하면 <Table 5>와 같다.

첫째, ‘비정규 미용 교육’의 경우 학교 교육 즉, 정규 교육과 구분되는 학원, 평생교육, 재교육 등으로 대표되는 비정규 교육과 관련된 키워드들이 도출되었다. 이는 과거 미용 교육이 1980년대 말까지 여성들을 대상으로 한 직업교육의 형태로 미용학원과 미용고등기술학교에서 실시된 것에 따른 영향으로(Kang & Choi, 2012) 나머지 네 군집과 다른 특징을 보인다. 둘째, ‘미용교육 교수·학습 및 평가’의 경우 일반적인 교육영역의 키워드가 모두 반영되어 있는 군집으로 미용교육의 특성 상 실기 및 실습과 관련된 연구가 활발하게 수행되고 있음을 확인하였다. 그 결과 이러한 현장중심의 과정평가, 즉 수행평가와 관련된 키워드들이 함께 도출되고 있는 것으로 나타났다. 셋째, ‘융합 미용교육’의 경우 4차 산업혁명 및 코로나바이러스감염증, 기후환경 변화, 학령인구감소 등 급변하는 사회에 대응하기 위한 교육 키워드들이 도출되었다. 넷째, ‘고등 미용교육’의 경우 ‘셀프리더십’, ‘효능감’, ‘동기’ 등 교육의 정의적 영역과 관련된 키워드들이 다수 도출되었으며 국가와 지역에 관련된 키워드들이 나타났다. 우리나라의 미용 관련 대학은 총 121개교로 수도권에 39개교가 위치하고 있는 것으로 나타났으며(Heo et al., 2022), 한국교육개발원(KESS)의 2022년 고등교육 국내 외국인 유학생 현황을 살펴보면 전체 유학생의 40%가 중국 유학생인 것으로 나타났다(KESS, 2023.01.27.). 반면 다섯째, ‘중등 미용교육’의 경우 앞서 살펴본 고등 미용교육과 달리 ‘시험’이나 ‘평가’ 등 인지적 영역과 관련된 키워드들이 도출되었으며, 국가수준 교육과정 개정에 따른 핵심 키워드들이 함께 등장하고 있는 것으로 나타났다. 박근혜 정부는 산업현장과 교육현장 간의 미스매치를 해소하기 위해 국가직무능력표준 (NCS)을 교육분야 국정과제로 설정하고 고교 직업교육과정에 도입하였다(Policy Briefing, 2023.01.27.). 그 결과 2009개정 교육과정 내 보통교과와 전문교과로 구분되어 있던 교과체제는 NCS 기반 고교 직업교육과정 내 공통교과, 기초교과 및 실무 교과로 개편되었다(Lee & Lim, 2016). 이후 2015 개정 교육과정에서는 2009 개정 교육과정을 기초로 미래사회가 요구하는 핵심역량을 갖춘 ‘창의융합형 인재’를 제시하였다(KICE, 2023.01.27.). 이처럼 중등 미용교육은 규정된 학제와 교육 강령에 따라 진행되는 정규 교육으로 국가 수준 교육과정과 밀접하게 연관되어 있음을 알 수 있다.

오늘날 미용교육은 K-beaty의 비약적 성장에 힘입어 전문화 된 학문으로 자리매김하고 있다. 그러나 관련 산업의 급속한 양적 성장에 비해 질적 성장은 더디게 진행되고 있는 실정이다(Kim & Chang, 2019). 따라서 본 연구에서는 텍스트 마이닝을 활용한 미용교육의 연구 동향을 파악하고, 이를 통해 미래 연구 방향을 제시하고자 한다. 현대 사회의 급속한 변화에 적응하기 위해서는 학령기 학생뿐만 아니라 졸업생, 직장인, 은퇴자 등 다양한 유형의 학습자들이 각자의 미래를 대비할 수 있는 교육이 필요하다. 그러나 본 연구 결과 현재 미용교육에 관한 연구에서는 재교육을 포함한 평생교육에 대한 사회적 관심과 수요가 증대되고 있음에도 불구하고 학령기 학생을 대상으로 한 중등교육 및 고등교육 중심의 연구가 주를 이루고 있는 것으로 나타났다.

오늘날 평생교육은 국가 차원의 지원을 바탕으로 국민 일부의 시혜적 복지에서 국민 모두의 실질적인 권리로 전환되고 있다. 이에 따라 평생학습 상시 플랫폼으로써의 대학의 역할이 매우 중요해지고 있으나(Policy Briefing, 2023.01.29.), 현재까지 미용 분야의 재교육에 관한 연구는 실태 및 현황, 만족도에 관한 연구가 주를 이루고 있으며(Lee & Park, 2017), 평생교육에 관한 연구는 매우 미미한 실정이다. 또한 그 대상이 사설 교육기관 및 미용실 등 비정규 교육에 관한 연구가 주를 이루고 있음을 확인하였다. 따라서 미용 분야 또한 비정규 교육을 넘어선 정규 교육으로써의 재교육 및 평생교육 활용 방안 모색이 요구된다.