ML 기반 가중 회귀 모델과 적응형 알고리즘을 통한 개인 맞춤형 IQ 테스트 구현

Context

기존 IQ 테스트의 정적 문항 구조로 인해 사용자 수준과 무관한 동일 문항이 제공되는 한계 발생. 반복 응시 시 정답 암기로 인한 측정 신뢰도 저하 및 개인별 인지 능력을 정밀하게 반영하지 못하는 설계 결함 존재.

Technical Solution

• Profile-Aware Adaptive Selection: 연령, 교육 수준, 직업군을 입력값으로 하여 문항 난이도 타겟(1~5단계)을 동적으로 계산하는 알고리즘 설계
• Domain-Specific Weighting: STEM 직군 여부를 판별하는 isStem() 헬퍼 함수를 통해 수리, 패턴, 논리 영역의 문항 가중치를 차등 부여하는 로직 적용
• Multi-feature ML Regression: 단순 정답률 기반 채점이 아닌 응답 시간, 문항 난이도 등 7가지 특성을 반영한 가중 회귀 모델로 정밀한 점수 산출
• Client-Side State Management: 서버 및 데이터베이스 없이 localStorage를 활용하여 세션 이력과 사용자 데이터를 관리하는 서버리스 구조 채택
• Dynamic Question Bank: 6개 인지 영역, 147개 문항에 난이도 및 연령 제한 메타데이터를 부여하여 사용자 프로필에 최적화된 문항셋 추출

Key Takeaway

사용자 특성에 따른 동적 난이도 조절(Adaptive Difficulty)과 다차원 가중치 모델을 결합하여 데이터 측정의 정밀도를 높이는 설계 전략.