분류일관성 (Classification Consistency)
쉽게 풀면
같은 주제의 자료라면 누가 언제 분류하더라도 같은 번호가 나오는 정도를 말하며, 분류가 얼마나 안정적인지를 나타낸다.
왜 중요한가
분류일관성은 여러 분류자가 같은 자료에 같은 기호를 부여하는 정도로, 이것이 낮으면 이용자가 같은 주제를 여러 위치에서 찾아야 합니다. 협동목록에서 다른 기관의 분류기호를 그대로 받아 쓸 수 있는지 판단하는 근거이기도 합니다. 분류일관성이 낮은 상태로 협동목록에 참여하면, 다른 기관이 이미 부여한 분류기호를 그대로 받아 쓸 수 있는지 신뢰하기 어려워져 결국 각 기관이 같은 자료를 다시 분류해야 하는 중복 작업이 늘어납니다.
논문에서는 이렇게 쓰입니다
여러 명의 분류자가 같은 자료를 분류한 결과를 비교해 분류일관성을 수치로 측정했다는 점을 설명한 문장이다.
이 예문은 분류일관성이 낮을 경우 자료 검색과 배가의 효율성이 직접적으로 떨어진다는 실무적 함의를 보여준다.
조금 더 깊게 보면
분류자 간 일관성(inter-indexer)과 같은 분류자의 시간에 따른 일관성(intra-indexer)을 구분해 측정해야 하며, 두 값 모두 완전에 이르지 못한다는 것이 반복된 연구 결과입니다. 기호가 일치하지 않아도 계층상 인접한 경우를 부분 일치로 볼지에 따라 측정치가 크게 달라집니다. 완전히 같은 기호가 아니더라도 같은 상위 계층 안에 놓였다면 부분적으로 일치한다고 볼지, 아니면 기호가 정확히 같아야만 일치로 볼지에 따라 같은 실험 데이터에서도 산출되는 일관성 수치가 크게 달라집니다.
주의할 점
분류일관성은 분류규정이 명확할수록 높아지지만, 복합주제 자료의 경우 분류자의 주관적 판단이 개입할 여지가 커 완전한 일관성 확보는 어렵다는 점에 유의해야 한다. 분류일관성 개념은 사람이 수행하는 수작업 분류뿐 아니라 자동분류 시스템의 성능을 사람의 판단과 비교해 평가할 때도 기준으로 쓰이며, 이 경우 자동분류 결과가 사람 분류자 간 일관성 수준을 넘어서기는 어렵다는 점이 흔히 확인된다. 따라서 자동분류 도입의 목표를 사람보다 완벽한 일관성이 아니라 사람 분류자 간 편차 수준의 재현으로 잡는 것이 현실적이다.