05. 학위논문 서론 작성법

서론이란 무엇인가

서론의 역할

독자(심사위원)가 가장 먼저 읽는 부분 — 첫인상이 논문 전체 평가를 좌우한다.
본문을 읽을지 말지를 5분 안에 결정하게 만드는 관문이다.
“왜 이 연구가 필요한가”를 설득하는 곳이지, “무엇을 했는가”를 보고하는 곳이 아니다.

서론에서 반드시 답해야 할 5가지 질문

[1] 무엇이 문제인가?        → 현장의 문제 / 학문적 공백
[2] 왜 지금 연구해야 하는가? → 시의성 / 필요성
[3] 선행연구는 어디까지 왔나? → 지금까지의 성과와 한계
[4] 내 연구는 무엇을 다른가?  → 기존 연구와의 차별점
[5] 무엇을 어떻게 할 것인가?  → 연구 목적과 방법 요약

학술지 논문 서론 vs 학위논문 서론

구분	학술지 논문 서론	학위논문 서론
분량	1-2쪽 (전체의 10% 내외)	5-15쪽 (전체의 10-15%)
구성	하나의 ‘서론’ 장으로 통합	필요성·목적·가설·용어정의·제한점 등 절(section)로 분리
깊이	핵심 공백만 빠르게 제시	맥락 설명 + 공백 + 기여를 단계적·충분히 전개
독자	같은 분야 전문가	지도교수·심사위원(일부는 인접 분야)
문체	압축적·단정적	설명적·논증적(맥락 설명 많음)
인용	핵심 문헌 중심	선행연구를 폭넓게 인용해 “분야를 충분히 이해했다”는 증명

학위논문 서론의 표준 구조

전체 구성

제1장 서론

  제1절 연구의 필요성           ← 왜 중요한가 (맥락 + 문제 제기)
  제2절 연구의 목적             ← 무엇을 하려는가
  제3절 연구 문제 (또는 가설)    ← 무엇을 검증·추정하는가
  제4절 연구의 제한점           ← 범위와 한계 명시
  제5절 용어의 정의             ← 조작적 정의 (선택)

학교·학과별로 “제한점”과 “용어의 정의”의 위치는 달라질 수 있으므로 소속 대학 양식을 우선 확인한다. 일부 대학은 “연구의 의의”를 별도 절로 요구하기도 한다.

석사 vs 박사 논문 서론의 차이

구분	석사논문	박사논문
연구 공백 규모	작은 공백 채우기 (특정 리그·특정 지표)	분야의 구조적 공백 제기 (방법론·패러다임 수준)
기여의 범위	실무적·방법론적 적용	이론적·방법론적 확장 + 실무 적용
선행연구 리뷰 깊이	국내 위주 + 핵심 해외 문헌	국내외 망라 + 이론 계보 추적
분량	5-8쪽 내외	10-20쪽 내외
RQ 개수	2-3개	3-5개 (또는 연구 주제별 묶음)
문체 톤	”~하고자 한다” (수행 의지)	“~을 규명하였다/제시한다” (학문적 기여 선언)

연구의 필요성

가장 중요하고 가장 길며 가장 많이 고쳐 쓰는 절이다. 심사위원이 서론에서 읽는 시간의 대부분을 여기에 쓴다.

학위논문의 ‘필요성’은 학술지와 다르다

학술지 논문은 서론 전체가 1-2쪽이라 필요성도 5-6 문단이면 충분하다.
학위논문은 ‘연구의 필요성’만 3-8쪽, 15-25 문단에 달하는 경우가 많다.
즉 “배경 → 현황 → 문제 → 한계 → 필요”의 단순 직선 구조로는 분량이 나오지 않는다.
대신 여러 하위 주제를 돌아가며 같은 구조를 반복하는 ‘나선형(spiral)’ 구조가 표준이다.

나선형 구조 (Spiral Structure)

학위논문 필요성은 보통 아래와 같이 3개 층(layer)이 나선형으로 쌓인다.

┌───────────────────────────────────────────────────────┐
│  [1층] 거시 맥락                                        │
│   큰 분야의 중요성·성장·산업적 가치                       │
│   (배경 → 문제 → 한계)                                  │
└───────────────────────────────────────────────────────┘
                         ↓
┌───────────────────────────────────────────────────────┐
│  [2층] 주제 맥락 (하위 주제 A, B, C… 각각 반복)          │
│                                                        │
│   주제 A (예: 데이터 유형)                               │
│     현황 → 문제 → 선행연구 → 한계                        │
│                                                        │
│   주제 B (예: 방법론 발전)                               │
│     현황 → 문제 → 선행연구 → 한계                        │
│                                                        │
│   주제 C (예: 연구 대상 리그의 특수성)                   │
│     현황 → 문제 → 선행연구 → 한계                        │
└───────────────────────────────────────────────────────┘
                         ↓
┌───────────────────────────────────────────────────────┐
│  [3층] 본 연구의 위치 (종합)                             │
│   위의 모든 한계를 묶어 "따라서 본 연구가 필요하다"       │
└───────────────────────────────────────────────────────┘

핵심 원리는 2층에서 “현황 → 문제 → 선행연구 → 한계”의 소주기(sub-cycle)를 주제 수만큼 반복하는 것이다. 각 주기는 서로 다른 각도에서 공백을 파고들어, 결국 “하나의 틈새”로 수렴한다.

주제(2층) 선정 방법

어떤 주제로 2층을 구성할지는 연구 주제에 따라 다르지만, 스포츠 경기분석에서는 아래 조합이 많이 쓰인다.

조합	주제 A	주제 B	주제 C	예시 연구
데이터 중심	데이터 유형의 확장	데이터 세분화와 분석의 미시화	국내 데이터 접근성 한계	트래킹 데이터 활용 연구
방법론 중심	전통 통계의 한계	머신러닝/딥러닝의 부상	해석가능성 문제	예측 모형 비교 연구
대상 중심	해외 리그 연구 동향	국내 리그 연구 축적	리그 간 특성 차이	K리그·KBL 승패 예측
지표 중심	집계 지표 전통	고급 지표의 등장	맥락 의존성 문제	xG·행동가치 연구
적용 중심	사후 분석의 성숙	실시간 분석의 수요	의사결정 지원의 공백	실시간 예측 모형

선택 기준은 세 주제가 모두 하나의 공백을 가리키도록 하는 것이다. 주제는 다르지만 결론은 같은 방향(“따라서 본 연구가 필요하다”)으로 수렴해야 한다.

실제 학위논문에서의 흐름

┌─────────────────────────────────────────────┐
│ 문단 1  최근 스포츠 분석은 ~                   │
│ 문단 2  특히 축구는 득점 희소성 때문에 ~       │
│ 문단 3  그러나 이러한 성장에도 불구하고 ~      │  ← 거시
├─────────────────────────────────────────────┤
│ 문단 4  먼저 데이터 측면에서 살펴보면 ~        │
│ 문단 5  이벤트 데이터는 ~                     │
│ 문단 6  그러나 국내 연구는 ~                  │  ← 주제 A
│ 문단 7  특히 ~은 충분히 다루지 못하였다        │     (데이터)
├─────────────────────────────────────────────┤
│ 문단 8  한편 방법론 측면에서도 ~               │
│ 문단 9  머신러닝 기법의 도입은 ~              │  ← 주제 B
│ 문단 10 그러나 예측 정확도에만 치중하여 ~      │     (방법론)
│ 문단 11 해석가능성과 ~                        │
├─────────────────────────────────────────────┤
│ 문단 12 또한 국내 K리그 경기의 특수성은 ~     │
│ 문단 13 해외 리그와 달리 ~                    │  ← 주제 C
│ 문단 14 그러나 국내 맥락을 반영한 ~           │     (리그 특성)
│ 문단 15 이러한 한계는 ~                       │
├─────────────────────────────────────────────┤
│ 문단 16 종합하면, 선행연구는 ~ 세 측면에서    │
│ 문단 17 첫째, ~ / 둘째, ~ / 셋째, ~           │  ← 종합
│ 문단 18 따라서 본 연구는 ~                    │
│ 문단 19 이를 위해 ~ 데이터와 ~ 방법을 ~       │  ← 본 연구
│ 문단 20 본 연구의 기여는 다음과 같다           │
└─────────────────────────────────────────────┘

반복을 지루하지 않게 만드는 법

같은 “현황 → 한계” 구조를 여러 번 반복하는 것이 학위논문 필요성의 본질이지만, 단순 반복이면 지루해진다. 아래 기법으로 변화를 준다.

[1] 관점을 바꾼다
    주제 A — 데이터 관점
    주제 B — 방법론 관점
    주제 C — 적용 관점
    → 같은 "현황→한계" 구조라도 시선이 달라서 지루하지 않음

[2] 시간 축을 다르게 쓴다
    주제 A — 최근 10년 흐름
    주제 B — 2020년 이후 급변한 부분
    주제 C — 현재 시점의 현장 요구
    → 시간대가 다르면 같은 구조도 새롭게 읽힘

[3] 공간/규모 축을 다르게 쓴다
    주제 A — 해외 연구 (EPL, NBA)
    주제 B — 국내 연구 (K리그, KBL)
    주제 C — 본 연구 대상의 특수성
    → 지역·규모 대비로 자연스러운 좁혀가기

[4] 문단 연결어를 다양화한다
    "먼저", "한편", "또한", "나아가", "이와 달리",
    "특히", "이러한 맥락에서", "여기에 더하여"
    → 같은 "그러나"만 반복하지 말 것

좋은 예시 vs 나쁜 예시

❌ 나쁜 예시 (5 문단만, 학술지 스타일):
"스포츠 분석이 중요해지고 있다. K리그에 관한 연구도 많아졌다.
그러나 아직 부족한 점이 있다. 선행연구는 이런저런 한계가 있다.
따라서 본 연구가 필요하다."

→ 학위논문으로는 분량 부족, 공백 불명확, 깊이 없음.
  심사위원이 "왜 이 연구가 필요한지 모르겠다"고 지적할 확률 높음.

✓ 좋은 예시 (나선형 구조, 일부 발췌):

[문단 1] 최근 스포츠 분석 분야에서는 이벤트 데이터와 트래킹
데이터의 확산으로 경기력 분석의 정밀도가 빠르게 향상되고 있다
(Kovalchik, 2023). 특히 축구는 ~

[문단 2] 축구는 90분간 평균 2-3골에 불과한 득점 희소성 때문에,
최종 결과만으로는 경기력을 평가하기 어렵다. 이러한 특성은 ~

[문단 3] 그러나 이러한 분석 기술의 발전에도 불구하고, 국내
연구와 현장 적용 사이에는 여전히 상당한 간극이 존재한다.

[문단 4] 먼저 데이터 측면에서 살펴보면, 국내 K리그 분석은
대부분 공식 기록지의 팀 단위 집계 지표에 의존하고 있다. 최형준
(2022)은 ~을 보고하였고, 강명수 등(2023)은 ~을 확인하였다.

[문단 5] 이러한 연구들은 지표 간 관계와 예측 성능을 확인했다는
점에서 의의가 있다. 그러나 ~

[문단 6] 특히 기존 국내 연구는 시즌 종료 후 집계 데이터에 기반한
사후 분석에 머무르고 있어, 경기 진행 중 시점별 변화를 포착하지
못한다. 이는 ~

[문단 7] 또한 홈/원정, 상대 전력 등 맥락 요인이 주요 지표의
영향력을 어떻게 변화시키는지에 대한 분석은 찾아보기 어렵다.
이러한 맥락 민감성의 부재는 ~

[문단 8] 한편 방법론 측면에서도 유사한 한계가 관찰된다. 최근
국내 연구는 머신러닝 기법을 도입하여 ~ (주제 B 시작)

... (이런 식으로 주제 B, 주제 C가 각각 4 문단씩 전개) ...

[문단 16] 종합하면, 국내 K리그 경기 분석 연구는 (1) 시점별
동적 변화 포착의 부족, (2) 맥락 요인 반영의 미흡, (3) 예측과
해석의 단절이라는 세 가지 한계를 공통적으로 가진다.

[문단 17] 따라서 본 연구는 ~

연구의 목적

필요성과 목적의 차이

구분	필요성	목적
답하는 질문	”왜 해야 하는가?"	"무엇을 하려는가?”
주어	학계/현장/사회	본 연구
문장 예시	”~에 대한 연구가 필요하다"	"본 연구의 목적은 ~이다”

목적 진술에 포함될 4가지 요소

[1] 종속변수(DV)   → 승패, 득점, 평점, 가치 등
[2] 분석 단위      → 경기, 팀, 선수, 포제션, 랠리, 투구
[3] 적용 범위      → 리그, 시즌, 성별, 수준
[4] 산출물         → 모델, 지표, 시스템, 전략 인사이트

목적 문장 템플릿

본 연구의 목적은 [리그/시즌]의 [분석 단위]를 대상으로
[데이터/방법]을 활용하여 [종속변수]를 [설명/예측/비교]하고,
[산출물]을 제시하는 것이다.

연구 목적의 계층 구조

학위논문은 목적을 대목적(주목적) + 세부목적으로 나누는 경우가 많다.

대목적:
  K리그1 경기의 팀별 승패결정요인을 규명하고 예측 모형을 구축한다.

세부목적:
  1. K리그1 팀별 핵심 경기력 지표를 도출한다.
  2. 지표별로 승패에 미치는 영향력을 통계적으로 분석한다.
  3. 머신러닝 기법을 활용해 경기 결과 예측 모형을 구축하고 성능을
     평가한다.

세부목적은 연구 문제(RQ)와 1:1 대응되도록 설계하는 것이 안전하다.
세부목적 수 = 본문 결과 장의 절 수와 일치시키면 정합성이 확보된다.

연구 문제 (또는 연구 가설)

연구 문제 vs 연구 가설

구분	연구 문제 (RQ)	연구 가설 (H)
형식	의문문	평서문 (방향성 포함)
사용	탐색적/기술적 연구	검증형 연구
예시	”포지션에 따라 스프린트 속도에 차이가 있는가?"	"공격수는 수비수보다 스프린트 속도가 빠를 것이다”

양적 연구(통계·ML)에서는 연구 가설이 일반적이다.
탐색적·방법론 중심 연구에서는 연구 문제가 자연스럽다.
혼용도 가능하다. RQ를 먼저 제시하고, 각 RQ에 대응하는 H를 덧붙이는 방식이다.

좋은 연구 가설의 조건

[1] 검증 가능성    → 데이터로 확인할 수 있는가?
[2] 방향성         → 어떻게 다를 것인지 구체적인가?
[3] 근거           → 선행연구/이론적 배경이 있는가?
[4] 범위의 명확성  → 누구·언제·어디서의 가설인지 명시되는가?

가설 진술 예시

✓ 좋은 가설:
"가설 1. K리그1 2024 시즌에서, 경기당 패스 성공률이 높은 팀은
         낮은 팀에 비해 승리확률이 유의하게 높을 것이다."

→ 대상(K리그1 2024), 변수(패스 성공률 → 승리확률),
  방향성(높음 → 높음), 검증 방법 암시(통계 유의성) 명확

❌ 나쁜 가설:
"가설 1. 패스를 잘하는 팀이 이길 것이다."

→ 대상 불명확, "잘한다"의 조작적 정의 없음, 검증 불가능

RQ 개수는 석사논문이면 2-3개가 안정적이고(너무 많으면 깊이 부족), 박사논문이면 3-5개(각 논문 장과 대응)가 일반적이다. RQ 개수 = 결과 장의 절 수 = 세부 목적 수, 이 셋을 일치시키면 논문 전체 정합성이 확보된다.

연구의 제한점 (연구 범위)

제한점이란

연구를 수행할 때 의도적으로 한정한 범위 + 어쩔 수 없이 생긴 한계이다.
결과 해석 시 “이 범위를 벗어나면 일반화할 수 없다”는 경계선이다.
제한점을 명시하지 않으면 심사위원이 “이것도 다뤄야지!”라며 지적 사항을 늘리게 된다.

제한점에 포함할 항목

항목	예시
시간적 범위	”2024 시즌(2024.02~12)에 한정”
공간적 범위	”K리그1 1부 리그 경기만 분석”
대상 범위	”리그 전체 12개 팀 / 22세 이상 선수만”
데이터 범위	”공식 경기 기록만 사용, 부상/선수 컨디션 제외”
방법적 한계	”이벤트 데이터만 사용, 트래킹 데이터는 접근 불가”
변수 제약	”팀 단위 분석으로 개인 기여도는 반영하지 못함”

제한점은 “~하지 못했다”보다는 “~에 한정하였다”로 표현한다. 변명이 아니라 합리적 경계 설정임을 보이는 것이 요점이다.

용어의 정의 (조작적 정의)

왜 필요한가

같은 용어라도 연구자마다 다르게 쓸 수 있다 (예: “어시스트”의 정의가 데이터 벤더마다 다름).
측정 가능한 형태로 정의해야 재현성이 확보된다.
심사위원이 “이 연구에서 X가 무엇인지” 명확히 이해하도록 돕는다.

정의 대상은 연구의 핵심 변수, 분야에서 모호하게 쓰이는 용어, 본 연구에서 특별히 좁혀서 쓰는 용어이다.

정의 형식

좋은 조작적 정의의 3요소:
  (1) 개념적 정의: 용어가 의미하는 바
  (2) 조작적 정의: 본 연구에서 측정하는 방식
  (3) 측정 단위/범위: 구체적 수치

예시:
  "경기력 지표 (Performance Index)"

  [개념적 정의]
    경기에서 팀 또는 선수의 수행 수준을 정량화한 종합 지표

  [조작적 정의]
    본 연구에서는 K리그1 공식 기록지에 제공되는 슈팅, 패스 성공률,
    태클 성공률, 볼 점유율, 파울 수 등 5개 지표를 표준화(z-score)한
    후 평균한 값으로 정의한다.

  [측정 단위/범위]
    -3 ~ +3 범위의 표준화 점수

작성 전략

작성 순서 (집필 순서 ≠ 제시 순서)

실제 집필은 제시 순서와 다르게 하는 것이 효율적이다.

집필 순서 (추천):
  [1] 연구 목적         ← 가장 명확하게 쓸 수 있음
  [2] 연구 문제/가설    ← 목적에서 자연스럽게 파생
  [3] 용어의 정의       ← 핵심 변수가 정해졌으니 정의 가능
  [4] 연구의 제한점     ← 범위도 함께 확정
  [5] 연구의 필요성     ← 가장 오래 걸리고 여러 번 고쳐 씀

  ※ 필요성은 본문을 다 쓴 뒤 다시 손보는 경우가 많음

시제

대상	시제	예시
이미 존재하는 사실	현재형	”축구는 득점이 희소한 종목이다”
선행연구의 결과	과거형	”김철수(2022)는 ~을 보고하였다”
본 연구의 목적 (학위논문)	“~하고자 한다"	"본 연구는 ~을 규명하고자 한다”
본 연구의 목적 (완성본)	현재형	”본 연구는 ~을 분석한다”
제한점	과거형	”본 연구는 K리그1에 한정하였다”

인용의 밀도

학위논문 서론은 거의 모든 주장에 인용이 붙어야 한다.

❌ 나쁜 예 (주장만 있음):
"축구는 득점이 희소한 종목이라 기대득점(xG) 지표가 중요하다."

✓ 좋은 예 (인용 뒷받침):
"축구는 90분간 평균 2-3골 수준으로 득점이 희소한 종목이며,
이러한 희소성 때문에 최종 득점보다 '슈팅의 질'을 평가하는
기대득점(expected goals, xG) 지표가 전술 분석의 핵심으로
자리잡고 있다(Mead et al., 2023)."

단락 구성의 원칙 (PEEL)

좋은 서론 단락은 PEEL 구조를 따른다.

P (Point)      — 주제 문장 (이 단락에서 말하고자 하는 핵심)
E (Evidence)   — 근거 (선행연구 인용, 데이터)
E (Explanation)— 설명 (왜 중요한가, 어떻게 연결되는가)
L (Link)       — 다음 단락으로의 연결 (또는 본 연구 필요성으로)

예시 단락 (PEEL 분석)

[P] 국내 프로축구 분석 연구는 최근 머신러닝 기법의 도입으로
   빠르게 발전하고 있다.

[E] 최형준(2022)은 EPL 26개 지표를 활용해 로지스틱 회귀,
   판별분석, 신경망, XGBoost 등을 비교한 결과 XGBoost가
   가장 높은 예측 성능을 보였다고 보고하였다.
   강명수 등(2023)은 국제 A매치 데이터에 kNN, RF, ANN, SVM을
   적용하여 변수 설계에 따라 최적 모델이 달라짐을 확인하였다.

[EX] 이러한 연구들은 머신러닝이 기존 통계 모형 대비 예측력을
    향상시킬 수 있음을 보여주지만, 모델 성능이 데이터 특성과
    변수 구성에 크게 의존한다는 점도 함께 드러낸다.

[L] 그러나 기존 국내 연구는 대부분 팀 단위 집계 지표에 머무르고
   있어, 경기 진행 중 시점별로 변화하는 동적 상황을 반영하지
   못한다는 한계가 있다.

스포츠 경기분석 서론의 문제 설정 패턴

분야 특성상 서론에서 자주 쓰이는 “문제 제기 프레임”을 정리한다. 자신의 연구에 맞는 프레임을 골라 변형하면 필요성 작성이 빨라진다.

”데이터는 세분화되었지만 분석은 집계 중심” 프레임

최근 이벤트/트래킹 데이터로 미시 정보가 가능해졌다.
그러나 국내 연구는 여전히 팀 단위 집계 지표 위주이다.
따라서 시공간/시계열 특성을 활용하는 분석이 필요하다.

”예측은 정확하지만 설명이 부족” 프레임

머신러닝/딥러닝으로 예측 정확도는 크게 향상되었다.
그러나 ‘왜 그렇게 예측되었는가’에 대한 설명이 부족하다.
코치·선수가 활용 가능한 해석가능 모형이 필요하다.

”지표 정의의 불일치” 프레임

동일 용어(어시스트, 포제션 등)가 연구·벤더마다 다르게 정의된다.
이는 연구 결과의 비교·재현을 어렵게 한다.
본 연구는 조작적 정의를 명확히 하여 재현성을 확보한다.

”실시간 적용의 어려움” 프레임

기존 예측 연구는 시즌 종료 후 집계 데이터를 사용한다.
경기 진행 중 실시간 의사결정 지원은 제한적이다.
시점별로 관측 가능한 변수만 사용하는 예측 프레임이 필요하다.

”국내 데이터·리그의 특수성” 프레임

해외 연구는 주로 EPL·NBA·MLB 등 해외 리그 기반이다.
국내 리그(K리그·KBL·KBO·V-리그)는 데이터 환경과 경기 스타일이 다르다.
국내 환경에 맞는 분석·모형 개발이 필요하다.

”맥락 요인의 부재” 프레임

기존 연구는 지표 자체의 영향만 분석한다.
그러나 홈/원정, 상대 전력, 경기 시점 등 맥락에 따라 지표의 의미가 달라진다.
맥락 요인을 포함한 분석이 필요하다.

단락별 작성 템플릿

아래 템플릿을 복사해서 자신의 연구로 치환하며 쓴다. [ ] 안은 반드시 본인 연구로 교체할 항목이다.

필요성 1단락 (배경)

최근 [스포츠 분야: 예 프로축구]에서는 [데이터 유형: 예 이벤트
데이터]의 확산과 [방법: 예 머신러닝]의 발전으로 경기력 분석
연구가 빠르게 성장하고 있다. 특히 [핵심 이슈: 예 경기당 슈팅의
질을 평가하는 xG 지표]는 기존 집계 기록이 포착하지 못했던
[새로운 관점: 예 슈팅 상황의 맥락]을 정량화하여 전술 설계와
선수 평가의 새로운 기준을 제공하고 있다([인용]).

필요성 2단락 (현황)

국내에서도 [연구 대상: 예 K리그1]을 대상으로 한 경기력 분석
연구가 꾸준히 축적되어 왔다. [선행연구 A]는 [방법]을 활용하여
[결과]를 보고하였으며, [선행연구 B]는 [방법]으로 [결과]를
제시하였다. [선행연구 C] 역시 [방법]을 통해 [결과]를 확인한
바 있다.

필요성 3단락 (문제 제기)

그러나 기존 국내 연구는 다음과 같은 한계를 가진다. 첫째,
[한계 1: 예 대부분 팀 단위 집계 지표에 머무르고 있어 경기
시점별 동적 변화를 반영하지 못한다]. 둘째, [한계 2: 예 홈/원정,
상대 수준 등 맥락 요인이 충분히 고려되지 않았다]. 셋째,
[한계 3: 예 모델 성능 보고에 치중하여 전술적 해석이 부족하다].

필요성 4단락 (본 연구 필요성)

따라서 본 연구는 [데이터: 예 K리그1 2024 시즌 이벤트 데이터]를
활용하여 [접근: 예 경기 시점별 맥락 요인을 포함한 예측 모형]을
구축하고, [기여: 예 지표별 영향력의 상황 의존성을 정량화]하고자
한다. 이는 [학문적 기여: 예 국내 축구 분석 연구의 맥락 민감성
논의를 확장]하고, [실무적 기여: 예 현장 코치의 시점별 의사결정을
지원]하는 데 의의가 있을 것이다.

목적

본 연구의 목적은 [리그/시즌: 예 K리그1 2024 시즌]의 [분석 단위:
예 팀 경기]를 대상으로, [데이터/방법: 예 이벤트 데이터와 로지스틱
회귀·머신러닝]을 활용하여 [종속변수: 예 경기 승패]를 [설명/예측:
예 예측]하는 것이다.

구체적인 세부 목적은 다음과 같다.
  첫째, [세부 목적 1]
  둘째, [세부 목적 2]
  셋째, [세부 목적 3]

연구 문제·가설

본 연구에서는 위의 목적을 달성하기 위해 다음과 같은 연구 문제를
설정하였다.

  연구문제 1. [RQ1]
  연구문제 2. [RQ2]
  연구문제 3. [RQ3]

각 연구 문제에 대응하는 연구 가설은 다음과 같다.

  가설 1. [근거]에 근거하여, [가설 내용].
  가설 2. ...
  가설 3. ...

제한점

본 연구는 다음과 같은 범위와 한계를 가진다.

  첫째, 본 연구는 [시간 범위: 예 2024 시즌 정규리그]에 한정하였으며,
  플레이오프와 국제 대회는 제외하였다.

  둘째, 분석 대상은 [공간/대상 범위: 예 K리그1 12개 팀의 경기]로
  한정하였다.

  셋째, 사용 데이터는 [데이터 범위: 예 공식 경기 기록과 Opta
  이벤트 데이터]로 제한하였으며, 선수 개인의 신체 조건이나 부상
  이력 등은 포함하지 않았다.

  넷째, [방법적 한계: 예 본 연구는 통계 모형과 머신러닝에 국한하며,
  딥러닝·비디오 분석은 후속 연구에서 다룬다].

용어의 정의

본 연구에서 사용하는 주요 용어를 다음과 같이 정의한다.

  가. [용어 1]
    [개념적 정의]. 본 연구에서는 [조작적 정의]로 측정하였다.

  나. [용어 2]
    [개념적 정의]. 본 연구에서는 [조작적 정의]로 측정하였다.

  다. [용어 3]
    ...