Claude Code로 적성검사 설계 이해하기
2026.01.28
"같은 문항인데 어떻게 8개 직무가 구분되지?" - 이 질문에서 시작된 AI 적성검사 시스템 분석기
🎯 3줄 요약
간호사 적성검사 A4 시스템을 역분석하여 점수 계산 알고리즘 파악
양극화 10개 문항이 모든 직무에서 동일한데도 8개 직무가 구분되는 핵심 원리 이해
다른 직업군(교사, 개발자 등)에도 적용 가능한 적성검사 설계 프레임워크 도출
📌 배경: 왜 이 작업을 했나요?
논문을 읽다가A4 적성검사를 발견했습니다. ChatGPT-4 기반으로 간호대학생의 적성을 분석하여 8개 간호사 직무를 추천하는 시스템이었죠.
그런데 논문으로는 이해하기 어려운 점을 발견했습니다:
🤔 의문점
- 사용자가 "중환자실"을 선택하든 "소아과"를 선택하든
- 제시되는 10개 문항은 완전히 동일함
- 그런데 어떻게 8개 직무로 구분되는 거지?
이 질문에 답하기 위해 Claude Code를 활용해 시스템을 역분석하기로 했습니다.
🛠️ 사용한 도구
Claude Code (Sonnet 4.5): 문서 및 이미지 분석, 알고리즘 역설계
분석 대상: A4 적성검사 논문 + 실제 시스템 스크린샷 10장
결과물: 점수 계산 알고리즘 + 재사용 가능한 설계 프레임워크
📊 핵심 발견: 점수 계산 메커니즘
1단계: 시스템 구조 파악
Claude Code로 10장의 스크린샷을 분석한 결과, 다음 구조를 발견했습니다:
입력 레이어:
├─ 사용자 선택 직무: 1개 (예: "중환자실")
├─ 시나리오: 선택 직무 기반 생성 (직무마다 다름)
└─ 문항: 10개 (모든 직무에서 동일!) ← 핵심 포인트
처리 레이어:
├─ 10개 응답 수집
└─ 10개 특성 점수 계산
출력 레이어:
├─ 사용자 특성 프로필 (10개 특성 × 0-10점)
└─ 8개 직무 전체에 대한 적합도 계산 ← 선택 직무만이 아님!
2단계: 핵심 알고리즘 발견
질문: 문항이 같은데 어떻게 8개 직무가 구분되나?
답변: 사용자 특성 프로필을 8개 직무 모두와 비교하기 때문!
# 적합도 계산 공식
각 직무 적합도 = Σ(사용자 특성[i] × 직무 요구 가중치[i]) / Σ(직무 요구 가중치)
# 예시: 공감형 학생
사용자 프로필 = {
"공감": 9점,
"의사소통": 8점,
"의사결정": 3점,
"리더십": 2점,
...
}
# 소아과 적합도 계산
소아과 = (공감 9 × 3.0) + (의사소통 8 × 3.0) + ... = 79점
# 중환자실 적합도 계산
중환자실 = (의사결정 3 × 3.0) + (공감 9 × 1.5) + ... = 52점
→ 결과: 소아과 1위, 중환자실 6위
3단계: 직무-특성 매핑 매트릭스
Claude Code가 스크린샷에서 추출한 가중치 체계:
직무 | 핵심 특성 (가중치 3.0) | 보통 특성 (1.5-2.0) | 낮은 특성 (0.5-1.0) |
|---|---|---|---|
소아과 | 공감, 의사소통 | 회복력, 적응성 | 리더십, 비판적 사고 |
중환자실 | 의사결정, 세심함, 회복력 | 비판적 사고, 체력 | 공감 |
수술실 | 세심함, 리더십 | 비판적 사고, 회복력 | 체력, 공감 |
응급실 | 의사결정, 적응성, 회복력 | 비판적 사고, 체력 | 리더십 |
💡 핵심 인사이트
인사이트 1: 시나리오는 점수에 영향 없음
많은 사람이 오해하는 부분:
❌ "중환자실을 선택하면 중환자실 점수가 높게 나온다"
✅ "선택은 시나리오만 결정하고, 점수는 8개 직무 모두와 비교"
중환자실 선택 → 중환자실 시나리오 제시
→ 문항 10개 (모든 직무 동일)
→ 응답 수집
→ 특성 프로필 계산
→ 8개 직무 모두와 비교 ← 중환자실만 비교 X
인사이트 2: 가중치가 핵심
동일한 특성 점수라도 직무별 가중치에 따라 적합도가 달라짐:
예: 공감 9점을 가진 학생
소아과: 공감 9 × 3.0 = 27점 기여
중환자실: 공감 9 × 1.5 = 13.5점 기여
→ 같은 특성인데 직무에 따라 영향력이 2배 차이!
인사이트 3: 재사용 가능한 프레임워크
이 구조는 다른 직업군에도 적용 가능:
🎨 Claude Code 활용 팁
1. 이미지 분석 능력 활용
✅ 좋은 활용법:
- 10장의 스크린샷을 순차적으로 Read
- 각 이미지에서 문항 구조, 응답 형식, 결과 화면 분석
- 시스템 플로우를 역추적
❌ 피해야 할 실수:
- 한 번에 모든 이미지 읽으려고 시도
- 이미지만 보고 알고리즘 추측
- 논문 텍스트와 이미지 교차 검증 없이 진행
2. 구조화된 질문으로 깊이 파기
1차 질문: "적성검사가 어떻게 작동하는지 설명해줘"
→ Claude가 일반적인 설명 제공
2차 질문 (핵심!):
"문항이 같은데 어떻게 8개 직무가 구분되는지 자세히 설명해줘"
→ Claude가 알고리즘 수준으로 깊이 분석
💡 Tip: 표면적 설명에 만족하지 말고
"왜?", "어떻게?"를 반복해서 물어보세요!
3. 단계별 검증 요청
# 1단계: 전체 구조 파악
"시스템 아키텍처를 설명해줘"
# 2단계: 구체적 알고리즘
"점수 계산 공식을 Python 코드로 작성해줘"
# 3단계: 실제 사례 적용
"공감 9점, 의사결정 3점인 학생의
소아과/중환자실 적합도를 계산해봐"
→ 각 단계에서 Claude의 이해도를 확인!
📈 실전 적용: 다른 적성검사 만들기
Claude Code가 도출한 설계 프레임워크를 활용하면:
1단계: 도메인 정의
2단계: 직무-특성 매핑
3단계: AI 문항 생성
4단계: 점수 계산 구현
🏆 성과 정리
정량적 성과
✅ 10장의 스크린샷 → 완전한 점수 계산 알고리즘 도출
✅ 8개 직무 × 10개 특성 가중치 매트릭스 재구성
✅ 재사용 가능한 설계 프레임워크 문서화
정성적 성과
💡 "같은 문항이 다른 결과를 만드는 원리" 이해
💡 AI 적성검사의 핵심은 "가중치 설계"임을 파악
💡 다른 도메인에 적용 가능한 범용 프레임워크 획득
🎓 배운 점
1. AI 도구는 "역분석" 작업에 강력하다
논문만 읽었다면 놓쳤을 세부 메커니즘을 스크린샷 분석으로 파악. Claude Code의 이미지 + 텍스트 통합 분석 능력이 핵심이었습니다.
2. "왜?"를 계속 물어야 깊이 파고든다
처음 답변은 "10개 특성을 측정하여 적합도를 계산합니다" 수준이었지만, "문항이 같은데 어떻게?"라고 재질문하자 알고리즘 수준의 답변을 얻음.
3. 설계 원리는 범용적이다
간호사 적성검사 → 모든 직업군에 적용 가능한 프레임워크로 확장 가능.


![[Claude Code] 한 줄 명령어로 FDA 가이드라인 수집부터 번역까지 - 규제과학 연구원의 AI 자동화기 썸네일](/_next/image?url=https%3A%2F%2Fcdn-beta.gpters.org%2Fexternal%2F4664d896962b3c2465bee374.jpg&w=3840&q=75)
