■ 모형 선택 시 변수 정의의 명확성 관심과제 수 자체를 독립 변수로 삼을 경우, “관심도”와 “지원 성공” 사이의 인과관계를 추정하기 어려운 점이 있습니다. 관심과제에 저장된 공고가 많다는 것은 단순히 탐색 활동이 활발함을 의미할 뿐, 실제 지원 의도나 능력과는 별개일 수 있기 때문입니다. 따라서 공고 수를 직접적인 예측 변수로 쓰기보다는, 저장된 공고에 대한 활용 빈도나 실제 지원 시점의 행동 데이터를 함께 수집해 보완하는 것이 필요합니다. ■ 추천 이유·적합도 점수 활용의 장점과 보완점 추천 이유의 구체성과 적합도 점수를 매개 변수로 설정하면 AI 평가가 실제 선정에 미치는 영향을 파악할 수 있어 설계가 더 타당합니다. 다만, 적합도 점수와 선정 가능성 사이에 다중공선성이 발생할 가능성이 있으니, 두 변수를 별도로 검증하거나 차원 축소 기법을 적용해 보아야 합니다. 또한, 추천 이유의 구체성을 정량화하는 기준을 명확히 정의하고 코딩 규칙을 마련하면 신뢰도가 높아집니다. 다음 단계에서는 변수 측정 방안을 구체화하고 파일럿 데이터를 통해 모델 적합성을 검증해 보시기 바랍니다.