선발 과정에서 부적격자를 합격시킨 결과에 해당하는 것은?

선발 오류는 실제로는 부적격인 사람을 뽑은 잘못된 합격과, 적격자를 떨어뜨린 잘못된 불합격으로 나뉜다. 앞의 경우는 채용 후 성과 부진으로 드러난다.

선발 과정에서의 판정 결과는 ‘실제 적격 여부’와 ‘판정 결과’의 조합으로 네 가지 경우가 나뉩니다. 이 문제는 그중에서도 부적격자를 합격시킨 경우를 묻고 있습니다. 부적격자는 합격시키면 안 되는 사람인데 합격 판정이 내려졌으므로, 이는 판정의 오류에 해당합니다. 따라서 정답은 4번 잘못된 합격 판정입니다.

선발 판정의 네 가지 결과 유형

선발 도구나 면접, 서류 심사 등 어떤 방식을 사용하든 최종 판정은 다음 네 가지 중 하나로 귀결됩니다.

| 구분 | 실제 적격자 | 실제 부적격자 |
|---|---|---|
| 합격 판정 | 올바른 합격(정답) | 잘못된 합격(오류) |
| 불합격 판정 | 잘못된 불합격(오류) | 올바른 불합격(정답) |

여기서 ‘잘못된 합격’은 선발 과정이 부적격자를 걸러내지 못한 경우입니다. 보건행정 실무에서는 채용 이후의 직무 수행 능력 저하, 재교육 비용, 조직 내부의 업무 부담 증가 등으로 이어질 수 있어 선발 도구의 타당도와 신뢰도를 높이는 근거가 됩니다.

채용 과정에서 판정 오류가 발생하는 맥락

채용 담당자의 판단은 지원자의 객관적 자격만으로 이루어지지 않습니다. 근거 자료 ^[1]은 지원자가 소셜미디어에 공유한 콘텐츠가 채용 담당자의 평가에 영향을 미친다는 점을 실험적으로 확인했습니다. 즉, 직무와 직접 관련 없는 개인적 정보가 평가에 개입하면 실제 직무 적격성과 무관하게 합격 판정이 내려질 수 있습니다. 이는 부적격자가 합격하는 오류의 한 경로입니다.

또한 근거 자료 ^[3]과 ^[4]는 연령이나 성별 같은 인구학적 특성이 채용 추천에 영향을 미친다는 점을 보여줍니다. 특히 ^[4]는 동일한 자격을 갖춘 지원자라도 연령과 성별에 따라 디지털 역량에 대한 인식이 달라질 수 있음을 보고합니다. 이러한 고정관념 기반 편향은 평가의 정확성을 떨어뜨려 잘못된 합격 판정의 가능성을 높입니다.

알고리즘 및 대규모 언어모델 도입과 판정 오류

최근 채용 과정에 대규모 언어모델(LLM)이 도입되면서 판정의 일관성을 높이려는 시도가 늘고 있습니다. 그러나 근거 자료 ^[2]는 LLM이 언어를 매개로 한 상호작용을 통해 평가의 해석적 층위에 영향을 미친다고 지적합니다. 알고리즘이라고 해서 오류가 자동으로 제거되는 것은 아니며, 훈련 데이터에 내재된 편향이 판정에 반영되면 부적격자를 합격시키는 오류가 오히려 체계적으로 발생할 수 있습니다.

보건행정 관점에서의 함의

보건의료조직에서의 선발 오류는 단순한 인사 문제에 그치지 않습니다. 부적격자가 환자 안전, 의료정보 관리, 보험청구 등 민감한 업무에 배치될 경우 조직 전체의 리스크로 확대될 수 있습니다. 따라서 선발 과정은 직무 분석에 기반한 평가 기준을 명확히 하고, 평가자의 주관적 편향을 줄이는 구조화된 면접과 다단계 평가를 적용하는 것이 중요합니다. 판정 결과를 ‘올바른 합격’, ‘잘못된 합격’, ‘올바른 불합격’, ‘잘못된 불합격’으로 구분해 모니터링하는 것은 선발 도구의 타당도를 평가하는 기본적인 틀이 됩니다.