2027 정시후보대학 만들기
후보대학 비교하고 줄이기
후보를 줄일 때는 합격 가능성뿐 아니라 등록 의사, 전공 만족도, 지역·비용, 변동성까지 같은 표에서 비교합니다.
약 3분넓게 만든 후보를 군별 2~3개로 압축할 때 읽습니다.
32 / 6648%
6. 전년도 입시결과를 같은 정의로 비교한다
전년도 수치에서 반드시 확인할 정의는 다음과 같습니다.
- 최초합격자 기준인지 최종등록자 기준인지
- 평균인지, 50%컷인지, 70%컷인지, 최저점인지
- 대학별 환산점수인지, 평균 백분위인지
- 모집인원과 최종 충원인원
- 전형방법이 올해와 같은지
- 모집단위 통합·분리 또는 군 이동이 있었는지
예를 들어 어디가의 70%컷은 일반적으로 최종등록자를 성적순으로 놓았을 때 70% 지점의 성적입니다. 그 아래 점수의 올해 결과를 일정한 비율로 해석할 수 없으며, 최초합격선이나 올해 예측선과도 다릅니다.
3개년을 볼 때의 순서
- 올해와 전형방법이 같은 연도를 먼저 봅니다.
- 모집인원 증감과 군 이동을 확인합니다.
- 충원합격순위와 충원율을 함께 봅니다.
- 특정 연도의 폭발·펑크를 평균에 묻어 버리지 말고 원인을 표시합니다.
- 소수 모집단위의 컷은 한두 명에 의해 크게 움직일 수 있음을 반영합니다.
7. 합격예측은 ‘점’이 아니라 ‘범위’로 읽는다
예측 서비스 결과를 다음처럼 기록합니다.
| 대학·모집단위 | 서비스 A | 서비스 B | 어디가 과거결과 | 불확실성 요인 | 내부 판단 |
|---|---|---|---|---|---|
| 예시 1 | 적정 | 소신 | 70%컷 상회 | 모집인원 감소 | 소신~적정 |
| 예시 2 | 안정 | 안정 | 3개년 컷 상회 | 변표 미확정 | 안정 |
결과가 다른 이유
- 이용자 표본과 표본의 성적 분포가 다름
- ‘실제지원 희망’ 입력 여부와 허수 제거 방식이 다름
- 수시이월 인원 반영 시점이 다름
- 대학별 변환표준점수·가산점 업데이트 시점이 다름
- 최초합격, 최종합격, 등록 가능성 등 예측 대상이 다름
- 충원 이동을 추정하는 모델이 다름
숫자를 평균하지 말고 왜 다른지를 찾으십시오. 모집인원 미반영이나 점수 산식 오류라면 데이터를 고치고, 순수한 모델 차이라면 더 보수적인 결과까지 감당할 수 있는지 판단합니다.
8. 지원 우선순위를 먼저 정한다
마감일 경쟁률을 보기 전에 후보를 다음처럼 정렬합니다.
- 합격하면 등록할 순서
- 합격 가능성 범위
- 가장 위험한 변수
- 대체 가능한 후보
권장 표기:
- 등록 의사 A: 합격하면 다른 군 결과와 무관하게 우선 등록 고려
- 등록 의사 B: 상위 선호 결과가 없으면 등록
- 등록 의사 C: 진학 공백을 막기 위한 안전장치
- 미지원: 합격해도 다니지 않음
합격해도 다니지 않을 대학을 ‘보험’으로 넣는 것은 전형료와 선택 기회만 소모할 수 있습니다.
삭제 순서
- 지원 자격 미충족
- 합격해도 진학하지 않을 곳
- 지역·비용·일정이 불가능한 곳
- 전형방법이 불리하고 대체 후보가 있는 곳
- 공통 리스크가 너무 큰 곳
최종 후보는 군별 2~3개
원서접수 직전에는 각 군에 다음 후보를 남기는 방식이 실용적입니다.
- 1순위: 가장 선호하는 후보
- 2순위: 결과 변동 시 대체할 후보
- 3순위: 수시이월·경쟁률 변화가 클 때 검토할 후보
마감 경쟁률을 보고 갑자기 처음 보는 대학으로 이동하지 않도록 대체 후보를 사전에 검증합니다.