학위논문 내용을 설명함으로써 연구 역량과 전공 지식 깊이를 확인합니다. 복잡한 연구를 명확하게 전달하는 능력을 평가합니다.
이 질문 뒤에 면접관이 확인하려는 것은 따로 있습니다.
학위논문의 주제는 소비자 리뷰 데이터를 활용한 감성 분석이었습니다. 온라인 리뷰가 구매 결정에 미치는 영향을 분석하고 싶었고, 자연어 처리 기법을 활용해 긍정·부정 감성을 자동 분류하는 모델을 구축했습니다. 약 3만 건의 리뷰 데이터를 수집하여 전처리하고, 여러 분류 알고리즘을 비교 테스트했습니다.
가장 어려웠던 것은 중립적 표현을 감성으로 구분하는 것이었습니다. 맥락에 따라 같은 단어가 긍정으로도 부정으로도 쓰이는 경우가 많아서, 규칙 기반 방식의 한계를 직접 경험했습니다. 데이터의 노이즈가 모델 성능에 얼마나 큰 영향을 주는지를 그때 처음 실감했습니다. 연구를 통해 데이터 정제의 중요성을 체득했습니다.
논문 주제는 공급망 내 재고 수준이 납기 지연에 미치는 영향 분석이었습니다. 실제 제조 데이터를 기반으로 재고 변동성과 납기 편차 사이의 상관관계를 수치화했어요. 지도 교수님 추천으로 협력 기업의 데이터를 일부 제공받아 분석할 수 있었는데, 현장 데이터가 이론과 다른 패턴을 보이는 경우가 많아서 흥미로웠습니다. 이론적으로는 재고가 충분하면 납기가 안정된다고 했지만, 실제 데이터에서는 과잉 재고가 오히려 비용을 증가시키는 패턴이 나왔어요.
이상적인 모델이 현실에서 왜 작동하지 않는지를 직접 분석한 경험이 됐습니다. 실무에서 데이터를 어떻게 해석해야 하는지 배운 계기였어요.
논문을 쓰면서 데이터 수집 단계에서 가장 큰 어려움을 겪었습니다. 연구에 필요한 데이터를 공개 데이터셋에서 구하려 했는데, 원하는 조건에 맞는 데이터가 없었어요. 그래서 직접 설문을 설계하고 300건 이상을 수집하는 방향으로 전환했습니다. 시간이 예상보다 세 배 이상 걸렸지만, 그 과정에서 데이터 설계가 분석 결과에 얼마나 큰 영향을 주는지를 배웠어요. 처음엔 좌절스러웠는데, 직접 수집한 데이터라 분석에서 더 자신 있게 해석할 수 있었습니다.
계획대로 되지 않을 때 방법을 바꾸는 유연함이 연구에서도 필요하다는 걸 배웠어요. 그 경험이 실무에서도 적용될 것 같습니다.
답변에서 흔히 빠지는 것들 — 빠져 있으면 꼬리질문이 깊어집니다.
이 질문에 이어 일진머티리얼즈 일반 연구개발 면접관이 던질 가능성이 높은 후속 질문.
이 페이지의 질문·답변·꼬리질문은 유사 직군 채용 시장의 공개된 면접 후기·커뮤니티 게시물을 분석해 구성한 학습 자료입니다. 특정 회사가 실제로 이 질문을 출제했다는 것을 보장하지 않으며, 모든 예시는 우문현답이 직접 작성한 창작물입니다. 해당 회사의 공식 입장과는 무관합니다. 회사 측의 정정 요청이 있을 경우 24시간 이내에 응답·수정합니다.