12개 미래 행성 중
지금 나와 맞아 보이는 곳은 어디일까?

채점 방식

도메인 적합도 = (응답 강도 × 문항 가중치)의 합 ÷ 그 도메인이 받을 수 있는 최대 합. 0~100%로 정규화하므로 문항 수가 많은 도메인이 유리해지지 않는다.

• 선택한 보기의 가중치를 그대로 더한다(계수 1).
• 보기 순서 k(0~2) → 계수 k/2
• 보기 순서 k(0~4) → 계수 k/4

학년급마다 12개 도메인의 최대 획득 가능 점수를 동일하게 설계했다(초등 8 / 중등 8 / 고등 10). 무작위 응답 20,000회 시뮬레이션으로 12개 행성이 골고루 1위가 되는지 확인했습니다(build/_sim_quiz.py).

한계

• 이 도구는 표준화된 심리검사가 아닙니다. 신뢰도·타당도 검증 절차를 거치지 않았습니다.
• 결과는 지금 이 순간의 관심을 비추는 거울입니다. 며칠 뒤에 하면 달라질 수 있고, 그래도 괜찮습니다.
• 적합도가 낮게 나온 분야를 못 한다는 뜻이 아닙니다. 아직 만나 보지 않았을 뿐입니다.
• 진로 결정의 근거로 단독 사용하지 말고, 활동·인터뷰·체험과 함께 쓰세요.

채점 순서

1. 1. 입력된 검사만 모은다. 하나도 없으면 채점하지 않는다.
2. 2. weights.riasec / weights.aptitude / weights.kInterest 의 각 행에 domainBalance 를 곱한 뒤 12분야 합=1 로 정규화한다(columnNormalize). 합이 0인 행(음악능력)은 건너뛰고, noDiscrimination 행(창의력)은 균등값 1/12 로 둔다.
3. 3. 흥미 검사(elem-interest, h-interest): v[d] = 1.0 × Rn[top1][d] + 0.6 × Rn[top2][d]. T점수를 입력했다면 6유형 전부에 대해 max(0, (T-50)/14) 를 계수로 써서 v[d] = Σ_t 계수[t] × Rn[t][d] 로 대체한다(계수 합이 0이면 순위 방식으로 되돌린다).
4. 4. K형(k-interest): v[d] = 1.0 × Kn[top1][d] + 0.6 × Kn[top2][d].
5. 5. 적성(aptitude): v[d] = Σ_f level(f) × An[f][d]. level 은 매우높음 1.0 / 높음 0.7, 그 밖은 0. 음악능력은 행 합이 0이라 자동으로 빠지며, 선택되었을 경우 meta.aptitude[음악능력].lowEvidenceNote 를 화면에 띄운다.
6. 6. 각 검사 벡터 v 를 합=1 로 다시 정규화한다(검사 간 크기 차이 제거). 합이 0이면 그 검사는 버린다.
7. 7. instrumentWeight 를 곱해 더한다. 실제로 입력된 검사들의 가중치 합으로 다시 나눈다(가중치 재분배) — 검사를 1개만 넣어도 3개를 넣어도 총합이 1이 된다.
8. 8. 가치관(values)은 점수에 넣지 않는다. 학생이 고른 상위 3가치로 valueRoleHints 를 조회해, 추천된 분야마다 '그 가치를 살릴 수 있는 역할 아키타입'을 보여 준다.
9. 9. 동점 처리: fit = base + (fnv1a(slug + inputKey) % 4096) / 4096 × 1e-6. 슬러그 해시 지터로 동점을 공정하게 가른다(assets/diagnose.js 와 동일 규칙).
10. 10. 표시값: lo = 최하위 base, hi = 최상위 base, spread = hi - lo. spread < 0.02 이면 flat 으로 보고 퍼센트를 아예 감춘 뒤 '먼저 둘러볼 곳' 으로만 제시한다. 아니면 disp = 0.35 + 0.61 × (base - lo) / spread → 35~96%.
11. 11. spread 가 0.02 이상 0.15 미만이면 narrow 로 보고 '분야 사이 차이가 크지 않아요' 주의 문구를 함께 띄운다.
12. 12. 결과 화면에는 항상 meta.disclaimer 와 meta.ethics 인용을 함께 보여 준다. 상위 분야마다 roles 6개를 모두 노출해, 어떤 흥미유형의 학생도 자기 진입로를 찾을 수 있게 한다.

weights 의 각 행(RIASEC 유형 1개 / 적성요인 1개 / K형 흥미영역 1개)에 대해 n[행][d] = weight[행][d] × domainBalance[표][d] 를 구한 뒤, 그 행의 12분야 합이 1이 되도록 나눈다. 합이 0인 행(음악능력)은 기여 0으로 두고 건너뛴다. noDiscrimination 행(창의력)은 보정도 정규화도 하지 않고 12분야 균등값 1/12 을 쓴다 — 변별력이 없는 행에서 보정계수가 없는 신호를 만들어 내는 것을 막기 위해서다.

파이썬 참조 구현 build/_sim_careernet.py 와 화면 구현 assets/careernet.js 의 결과 숫자는 같습니다.

한계

• 이 매핑은 커리어넷 검사 결과를 12개 미래 신산업 분야로 '번역'해 보는 탐색 도구일 뿐, 새로운 검사가 아닙니다. 점수가 낮게 나온 분야가 '너에게 맞지 않는 분야'라는 뜻은 결코 아닙니다.
• RIASEC 가중치의 1차 근거는 미국 O*NET 직업별 흥미코드입니다. 한국의 직무 구성·채용 관행·산업 구조와 다를 수 있고, O*NET 자체도 미국 재직자 표본에 기반한 추정치입니다.
• 실측 데이터만 그대로 쓰면 예술형(A)·사회형(S)·진취형(E) 학생에게 '맞는 미래 산업이 없다'는 잘못된 신호가 갑니다. 그래서 유형별 열 정규화, 분야별 형평 보정(domainBalance), 분야마다 6개 역할 진입로를 적용했습니다. 이 표의 숫자는 순수 실측이 아니라 '실측 + 형평 보정'입니다.
• 직업적성검사는 숫자가 아니라 5등급 라벨로 나오고, 직업흥미검사(H)의 점수 체계는 공개 자료로 확인하지 못했습니다. 그래서 상위 유형·영역 선택만으로 결과가 나오도록 설계했고, 정밀도에는 분명한 한계가 있습니다.
• 직업가치관검사 결과는 분야 점수에 넣지 않습니다. 어떤 가치가 어떤 산업에서 더 잘 실현되는지에 대한 공식 매핑 자료를 확인하지 못했기 때문입니다. 가치는 '어떤 역할로 살릴 수 있는지'를 보여 주는 데만 씁니다.
• 진로개발역량검사(초등 고학년)는 '무엇에 흥미·적성이 있는가'가 아니라 '진로를 스스로 준비하는 힘'을 보는 검사이므로 분야 매칭에 쓰지 않습니다. 준비도가 낮다고 특정 산업에 안 맞는 것이 아닙니다.
• 커리어넷 오픈API로는 과거 검사 결과를 가져올 수 없고 비회원 결과는 저장되지도 않습니다. 모든 값은 학생이 결과지를 보고 직접 옮겨 적은 것이므로, 옮겨 적는 과정에서 오류가 생길 수 있습니다.
• 저학년 캐릭터 6종(뚝딱이·탐험이·멋쟁이·친절이·씩씩이·성실이)과 RIASEC의 대응관계는 공개 자료로 확인되지 않았습니다. 자동 변환하지 않고 캐릭터 설명만 보여 줍니다.