사회복지 현장과 검정 시험(사회복지사 1급, 공무원 등)에서 가장 중요하게 다루어지는 파트 중 하나가 바로 사회복지조사론의 욕구조사, 평가조사, 그리고 자료분석의 기초인데요. 오늘은 사회복지학 전공자와 수험생들이 개념을 명확히 잡고, 복지 현장의 실무 역량을 강화할 수 있도록 써 보고자 합니다.
PART 1. Chapter 11: 욕구조사와 평가조사
[1] 욕구조사의 핵심 개념 (1~5번)
Q01. 브래드쇼(Bradshaw)의 욕구 유형 중, 전문가나 행정가가 사회적 기준에 따라 정의한 욕구를 ‘인지적 욕구(Felt Need)’라고 한다.
- 정답: X
- 상세 해설: 전문가, 법률, 전문가 집단의 학술적 기준이나 합의에 의해 설정된 욕구는 ‘규범적 욕구(Normative Need)’입니다. ‘인지적 욕구(Felt Need)’는 당사자가 스스로 느끼는 욕구를 의미하며, 이 인지적 욕구가 행동으로 표현되면 ‘표출적 욕구(Expressed Need)’가 됩니다. 따라서 규범적 욕구와 인지적 욕구의 정의를 구분하는 것이 매우 중요합니다.
Q02. 델파이 기법(Delphi Technique)은 전문가 집단을 한자리에 모아 자유로운 분위기 속에서 대면 토론을 진행함으로써 아이디어를 도출하는 방식이다.
- 정답: X
- 상세 해설: 델파이 기법은 전문가들의 익명성(Anonymity)을 보장한 상태에서 여러 차례의 우편이나 이메일 설문(비대면)을 반복 수행하여 의견을 수렴하고 합의를 도출하는 조사 방법입니다. 한자리에 모여 자유롭게 대면 토론하는 기법은 ‘브레인스토밍(Brainstorming)’ 또는 ‘명목집단기법(Nominal Group Technique)’ 등에 해당합니다. 델파이는 권위 있는 특정 인물의 주도나 집단 동조 압력(Groupthink)을 방지하기 위해 익명성을 엄격히 유지한다는 특징이 있습니다.
Q03. 지역사회 욕구조사 방법 중 ‘주요 정보제공자 조사(Key Informant Survey)’는 비용이 적게 들고 신속하게 자료를 수집할 수 있으나, 정보제공자의 편향된 시각이 반영될 수 있다는 단점이 있다.
- 정답: O
- 상세 해설: 주요 정보제공자 조사는 지역사회의 공무원, 복지관장, 통·리장, 지역 활동가 등 현장을 잘 아는 인물들로부터 데이터를 얻으므로 시간과 비용 측면에서 매우 효율적입니다. 그러나 정보제공자 개인의 정치적·이념적·표면적 시각에 따라 표적 집단의 실제 욕구가 왜곡되거나 특정 계층의 목소리가 누락될 위험이 존재합니다.
Q04. 서베이 조사(Survey)를 통한 욕구조사는 표본의 대표성이 높아서 지역사회 전체 주민의 욕구를 일반화하기에 유리하다.
- 정답: O
- 상세 해설: 주민 설문조사(서베이)는 확률표출 설계를 바탕으로 일정 규모 이상의 표본을 추출할 수 있으므로, 결과의 통계적 일반화(Generalization) 가능성이 가장 높습니다. 다만, 미응답률 문제, 설문지 작성 비용 및 시간 소요가 크다는 단점이 함께 존재합니다.
Q05. 2차 자료 분석(Secondary Data Analysis)은 통계청, 한국보건사회연구원 등의 기존 공공 데이터셋을 재분석하는 것으로, 자료 수집의 신뢰성과 경제성이 높지만 연구 목적에 딱 맞는 변수가 부족할 수 있다.
- 정답: O
- 상세 해설: 국가승인통계나 복지 데이터베이스 등 이미 구축된 2차 자료는 시간과 비용을 획기적으로 절약해 줍니다. 하지만 원자료 수집 목적과 현재 연구 목적 간의 불일치로 인해 특정 세부 변수가 포함되어 있지 않거나, 구체적인 측정 문항이 부족할 수 있다는 한계가 있습니다.
[심화학습 1] 2026년 최신 법령 및 제도 반영: 복지 사각지대 발굴 및 지역사회 통합돌봄(Community Care) 욕구사정 체계
1. 사회보장급여법 및 AI 기반 복지 사각지대 발굴 시스템의 고도화 (2026년 기준)
- 2026년 최신 변화: 정부는 「사회보장급여의 이용·제공 및 수급권자 발굴에 관한 법률」 개정을 통해 건강보험료 체납, 수도·전기 단속 정보뿐만 아니라 대중교통 이용 데이터, 고독사 위험 가구 전력 사용 패턴, 금융 채무 연체 빅데이터 등 총 45종 이상의 위기 징후 데이터를 연계·통합 분석하고 있습니다.
- 욕구조사의 변화: 과거의 단편적인 서면 조사 방식에서 벗어나, ‘행복e음(사회보장정보시스템)’ 및 ‘복지로’ 데이터 연동형 지능형 욕구사정 도구를 활용합니다. 이를 통해 클라이언트가 직접 신청하기 전이라도 인공지능 알고리즘이 복지 위기 가구를 선제적으로 탐지하여 지역사회 맞춤형 서비스(긴급복지, 기초생활보장, 주거·돌봄 지원)로 연결하는 능동적 욕구조사 체계가 안착되었습니다.
2. 「돌봄통합지원법(지역사회 돌봄통합지원에 관한 법률)」 시행과 종합 욕구사정(Comprehensive Assessment)
- 통합적 욕구사정 기준: 2026년부터 전면 적용되는 돌봄통합지원법에 따라 노인, 장애인, 정신질환자 등 돌봄이 필요한 대상자에 대해 보건의료·간호·재활·돌봄·주거·일상생활 지원이 다학제적으로 결합된 단일 욕구사정 도구가 도입되었습니다.
- 전문가 참여: 의사, 간호사, 사회복지사, 작업치료사 등이 함께 참여하는 ‘통합돌봄지원단’이 표준화된 욕구사정 지표를 활용하여 개인별 맞춤형 실행계획(Care Plan)을 수립하도록 법제화되었습니다.
[2] 평가조사의 핵심 개념 (6~10번)
Q06. 프로그램 진행 도중 혹은 운영 과정에서 문제점을 진단하고 환류(Feedback)를 받아 프로그램을 수정·보완하기 위해 실시하는 평가를 ‘총괄평가(Summative Evaluation)’라고 한다.
- 정답: X
- 상세 해설: 프로그램 실행 도중에 효율성과 효과성을 극대화하기 위해 과정을 점검하고 수정·개선 목적으로 수행하는 평가는 ‘형성평가(Formative Evaluation)’ 또는 ‘과정평가(Process Evaluation)’입니다. 반면, ‘총괄평가(Summative Evaluation)’는 프로그램이 완료된 후 프로그램의 계속 추진 여부, 중단, 확대, 전파 등을 결정하기 위해 최종 성과와 영향을 종합 평가하는 것입니다.
Q07. 비용-편익 분석(Cost-Benefit Analysis)은 프로그램의 투입 비용과 산출 성과를 모두 ‘음식물 수량’, ‘서비스 횟수’ 등 실물 단위(화폐 단위가 아닌)로 측정한 평가 방법이다.
- 정답: X
- 상세 해설: 비용-편익 분석(CBA)은 투입 비용뿐만 아니라 프로그램의 모든 결과(성과)까지도 모두 ‘화폐 단위(금액, W)’로 환산하여 평가하는 기법입니다. 성과를 화폐로 환산하기 어려울 때, 성과를 실물 단위(예: 취업자 수, 자살 감소율, 학업성적 상승폭 등)로 측정하고 비용만 화폐 단위로 비교하는 기법은 ‘비용-효과 분석(Cost-Effectiveness Analysis)’입니다.
Q08. 프로그램 논리모델(Logic Model)의 기본 구성 요소 순서는 ‘투입(Inputs) → 활동(Activities) → 산출(Outputs) → 성과(Outcomes)’로 체계화된다.
- 정답: O
- 상세 해설: 논리모델은 인과적 흐름에 따라 작성됩니다. 인적·물적 자원을 의미하는 투입, 서비스 제공 행위인 활동, 활동의 직접적 결과물(참여자 수, 제공 횟수 등)인 산출, 그리고 대상자의 행동·태도·삶의 질 변화를 뜻하는 성과(단기/중기/장기)로 구성됩니다.
Q09. 성과평가(Outcome Evaluation)는 클라이언트의 삶이나 태도에 나타난 실질적인 변화를 측정하는 평가로, 단지 제공된 서비스의 양(量)만을 측정하는 산출평가와 구별된다.
- 정답: O
- 상세 해설: ‘산출(Output)’은 “교육을 10회 실시했다”, “도시락을 100명에게 전달했다”와 같은 단순 실적이며, ‘성과(Outcome)’는 “자존감이 20% 향상되었다”, “영양 상태가 개선되었다”와 같이 클라이언트에게 발생한 실질적 이득과 변화를 의미합니다.
Q10. 메타분석(Meta-Analysis)은 동일하거나 유사한 주제로 수행된 다수의 독립적인 개별 연구 결과들을 통계적으로 통합하여 분석하는 평가조사 기법이다.
- 정답: O
- 상세 해설: 메타분석은 개별 양적 연구들의 효과크기(Effect Size)를 종합하여, 특정 사회복지 개입 프로그램이 전반적으로 얼마나 유효한지를 객관적으로 검증하는 정량적 통합 연구 방법입니다.
PART 2. Chapter 12: 자료분석의 기초
[1] 통계분석의 예비절차 및 통계학 기초 (11~15번)
Q11. 코딩(Coding)은 설문지나 수집된 자료의 응답 내용을 통계 프로그램이 인식할 수 있는 숫자나 기호로 변환하는 작업이다.
- 정답: O
- 상세 해설: 자료 입력의 첫 단계인 코딩은 문자 형태의 응답(예: 남성=1, 여성=2 / 매우 불만족=1 ~ 매우 만족=5)을 컴퓨터 데이터 패키지(SPSS 등)에 입력 가능한 수치형 변수로 범주화하여 부여하는 작업입니다.
Q12. 측정 척도 중에서 ‘비율척도(Ratio Scale)’는 절대적 의미의 숫자 ‘0(Absolute Zero Point)’을 포함하고 있어, 가감승제(더하기, 빼기, 곱하기, 나누기) 비율 계산이 모두 가능하다.
- 정답: O
- 상세 해설: 비율척도는 명목, 서열, 등간척도의 모든 특성을 포함하며, 실제 아무것도 존재하지 않음을 뜻하는 절대 0점이 존재합니다. 예컨대 소득, 소지한 자산, 연령, 가족 수 등이 비율척도에 해당하여 “소득이 2배 많다”와 같은 비례 연산이 성립합니다.
Q13. 모집단 전체의 특성을 파악하기 위해 표본 집단에서 수집한 데이터를 바탕으로 모집단의 모수(Parameter)를 추정하거나 가설을 검증하는 통계 기법을 ‘기술통계(Descriptive Statistics)’라고 한다.
- 정답: X
- 상세 해설: 표본 자료를 통해 모집단의 특성을 모형화하고 추론하며 가설을 검증하는 통계는 ‘추론통계(Inferential Statistics)’입니다. 수집된 자료 자체의 특성을 요약, 정리, 표현(빈도, 평균, 표준편차 등)하는 통계 기법이 바로 ‘기술통계(Descriptive Statistics)’입니다.
Q14. 가설검정에서 실제로는 귀무가설(Null Hypothesis)이 참(True)임에도 불구하고, 이를 잘못 기각하여 대립가설을 채택하는 오류를 ‘제2종 오류(Type II Error)’라고 한다.
- 정답: X
- 상세 해설: 귀무가설이 참인데 잘못 기각하는 오류는 ‘제1종 오류(Type I Error, \alpha 오류)’입니다. 반대로, 실제로는 귀무가설이 거짓(False)인데 이를 기각하지 못하고 채택해버리는 오류가 ‘제2종 오류(Type II Error, \beta 오류)’입니다.
Q15. 정규분포(Normal Distribution)에서 평균, 중앙값(최빈값), 최빈값은 모두 중앙의 한 점에서 일치하는 대칭적 종 모양의 형태를 띤다.
- 정답: O
- 상세 해설: 이상적인 정규분포 곡선은 중앙값을 기준으로 좌우가 완벽히 대칭을 이루며, 이때 중심경향치인 평균값(Mean), 중앙값(Median), 최빈값(Mode)의 수치가 모두 동일합니다.
[2] 통계기법 및 SPSS 통계프로그램 (16~20번)
Q16. 교차분석(Chi-Square Test, X의 제곱)은 두 변수가 모두 명목척도이거나 서열척도인 범주형 변수일 때, 두 변수 간의 상호 독립성이나 관련성을 검증하는 분석 방법이다.
- 정답: O
- 상세 해설: 교차분석은 “성별(남/여)”과 “복지정책 찬반 여부(찬성/반대)”처럼 범주형 자료 간의 교차표를 작성하고, 관선 빈도와 기대 빈도 간의 차이를 검증하여 두 변수의 관련성 유무를 판별할 때 사용하는 비모수 통계 기법입니다.
Q17. 두 집단의 평균 차이를 비교할 때, 독립변수가 ‘성별(남/여)’과 같은 2개 범주의 명목변수이고 종속변수가 ‘삶의 만족도(등간/비율척도)’인 경우 사용할 분석 방법은 ‘일원배치 분산분석(One-way ANOVA)’이다.
- 정답: X
- 상세 해설: 비교하고자 하는 집단이 ‘2개(예: 남/여)’일 때는 ‘독립표본 t-검정(Independent Samples t-test)’을 사용합니다. 집단이 ‘3개 이상(예: 20대, 40대, 60대 이상)’일 때 비로소 ‘분산분석(ANOVA)’을 적용합니다.
Q18. 상관분석(Correlation Analysis)에서 피어슨 상관계수(r) 값이 -0.85로 나왔다면, 두 변수 사이에는 매우 강한 음(-)의 선형 상관관계가 존재한다고 해석할 수 있다.
- 정답: O
- 상세 해설: 피어슨 상관계수 r은 -1.0에서 +1.0 사이의 값을 가집니다. 부호(-)는 한 변수가 증가할 때 다른 변수는 감소하는 역방향 관계를 의미하며, 절댓값이 1에 가까울수록 관련성의 정도가 강합니다. 0.85는 절대 수치가 매우 높으므로 강력한 음의 상관관계입니다.
Q19. 다중회귀분석(Multiple Regression)에서 독립변수들 간에 지나치게 높은 상관관계가 존재하여 회귀계수 추정의 신뢰성을 떨어뜨리는 현상을 ‘다공선성(Multicollinearity, 다중공선성)’이라고 하며, 이를 확인하기 위해 VIF(분산팽창지수) 수치를 점검한다.
- 정답: O
- 상세 해설: 다중공선성이 발생하면 통계 결과가 왜곡됩니다. SPSS 출력 결과에서 VIF(Variance Inflation Factor) 값이 보통 10 이상이거나 공차한계(Tolerance)가 0.1 이하이면 다중공선성 문제가 존재하는 것으로 판단하여 해당 변수를 제거하거나 통합 조치합니다.
Q20. SPSS 통계 프로그램에서 상관분석이나 회귀분석을 실시할 때 출력되는 유의확률(p-value)이 연구자가 설정한 유의수준 a = 0.05보다 작으면(p < 0.05), 영가설(귀무가설)을 채택하고 연구가설을 기각한다.
- 정답: X
- 상세 해설: 유의확률 p값이 유의수준 0.05보다 작다는 것(p < 0.05)은 영가설(귀무가설)이 일어날 확률이 5% 미만으로 매우 희박하다는 뜻입니다. 따라서 영가설을 기각(Reject)하고, 연구자가 주장하고자 하는 연구가설(대립가설)을 채택(Accept)하여 통계적으로 유의미한 차이나 영향력이 있다고 결론짓습니다.
[심화학습 2] 2026년 사회복지 실무와 데이터 기반 행정: SPSS와 빅데이터 분석의 접목
1. 근거기반실천(Evidence-Based Practice, EBP) 강화를 위한 패키지 프로그램 활용
- 현장 실무에서는 클라이언트 대상 프로그램의 성과를 객관적으로 증명하기 위해 단순 기술통계를 넘어 사전-사후 대응표본 t-검정(Paired t-test) 및 다중회귀분석을 필수로 활용하고 있습니다.
- 2026년 복지 현장은 단순 직관이나 감정에 의존하는 사업 계획을 탈피하고, SPSS, R, Python 등을 통해 수집된 데이터를 직접 코딩 및 분석하여 성과 수치(p-value, 효과크기 등)를 공공기관 및 후원 재단 제출 보고서에 필수적으로 수록하도록 표준화되었습니다.
2. 개인정보 보호와 연구윤리의 강화 (2026 개인정보보호법 가이드라인 반영)
- 자료 분석 예비절차에서 가장 강조되는 것은 ‘익명화(Anonymization)’ 및 ‘가명처리(Pseudonymization)’입니다.
- 클라이언트의 주민등록번호, 성명, 상세 주소 등 식별 가능한 개인정보는 SPSS 코딩 전 단계에서 가명화 식별 코드로 변환해야 하며, 분석 후 출력 데이터 보관 시 암호화 조치를 필수적으로 이행해야 하는 법적·윤리적 기준이 엄격히 적용됩니다.
PART 3. [실제 공부 경험담] 사회복지조사론 노베이스 탈출기
저도 처음에 사회복지학을 공부하기 시작할 때 정말 막막했던 사람 중 한 명입니다. 솔직히 말해서 저는 학창 시절부터 수학이나 통계 쪽은 쳐다보지도 않았던 완전 문과였거든요. “사회복지학은 사람을 돕는 따뜻한 학문이니까 마음과 정성만 있으면 되겠지?”라는 천진난만한 생각으로 공부를 시작했습니다. 그런데 이게 웬걸요. 1학년 때 교재를 딱 펴고 ‘사회복지조사론’이라는 과목을 마주하는 순간 걱정거리가 생기는 느낌이었죠.
처음 교재를 펼쳤을 때 제일 좌절했던 파트가 바로 이번에 정리한 Chapter 11 욕구조사와 평가조사, 그리고 Chapter 12 자료분석의 기초 부분이었습니다. 무슨 이발소 만화도 아닌데 브래드쇼의 욕구 유형이 나오고, 델파이 기법이니 명목집단기법이니 하는 낯선 단어가 마구 쏟아지더라고요. 게다가 자료분석 파트로 넘어가니까 피어슨 상관계수, p값, p가 0.05보다 작은지 큰지, 제1종 오류, 제2종 오류, ANOVA 분석… 정말 한글로 쓰여 있는데도 무슨 소리인지 몇 번이고 반복해서 읽어봐야 눈에 들어왔어요. “내가 통계학을 배우려고 사회복지학과에 왔나?” 하는 생각이 들면서 책을 던져버리고 싶었던 적이 한두 번이 아니었습니다.
특히 통계 용어가 저를 너무 힘들게 했습니다. 처음에 p-value(유의확률)라는 개념이 전혀 안 잡혔어요. 선생님이나 인강 교수님이 “p값이 0.05보다 작으면 귀무가설을 기각합니다!”라고 외치시는데, 솔직히 속으로 ‘귀무가설은 또 뭐고 대립가설은 뭔데? 기각을 왜 하는데?’ 하면서 머릿속이 새하얘졌습니다. p가 작은 게 왜 좋은 건지, 왜 0.05라는 숫자가 기준이 되는지조차 이해가 안 되니까 조사론 공부하는 날만 되면 머리가 지끈지끈 아프고 딴짓만 하게 되더라고요.
그러다가 이대로는 도저히 시험도 못 보고 졸업도 못 하겠다 싶어서 공부 방법을 완전히 바꾸기로 결심했습니다. 제가 선택한 방법은 무작정 어려운 통계 공식을 외우는 게 아니라, 아주 기초적인 OX 퀴즈를 직접 만들어서 반복해서 풀어보는 것이었습니다.
우선 Chapter 11의 욕구조사랑 평가조사는 현실의 예시를 떠올리면서 공부했습니다. 예를 들어 “내가 만약 우리 동네 노인복지관 사회복지사라면?”이라는 상황을 설정해 보는 거죠. 우리 동네 어르신들이 진짜 필요로 하는 게 뭔지 알아보려면 사람들을 일일이 찾아가서 물어봐야 하나(서베이), 아니면 동네 이장님이나 통장님한테 먼저 물어봐야 하나(주요 정보제공자 조사), 그것도 아니면 무기명 편지로 전문가들한테 의견을 물어볼까(델파이 기법) 하는 식으로 머릿속으로 드라마를 쓰듯이 정리했습니다. 이렇게 현실 문제랑 연결하니까 헷갈리던 브래드쇼의 규범적 욕구, 인지적 욕구, 표출적 욕구 개념도 단번에 머릿속에 들어오더라고요.
그리고 가장 두려웠던 Chapter 12 통계 부분은 진짜 고등학생 수준으로 쉬운 노트를 하나 만들었습니다. 제 나름대로 단어를 아주 쉬운 말로 바꿨어요. 예를 들면,
- 귀무가설(영가설): “아무런 일도 일어나지 않았다”, “효과가 하나도 없다”라고 고집 부리는 꽝인 가설!
- 연구가설(대립가설): “우리가 만든 복지 프로그램이 진짜 효과가 있다!”라고 내가 증명하고 싶은 가설!
- 유의확률(p값): 귀무가설이 맞다고 우길 확률. 그러니까 이 p값이 0.05(5%)보다 엄청 작아야 “에이, 귀무가설 너 틀렸네!” 하고 쫓아내버리고(기각), 내 연구가설을 채택할 수 있는 거죠!
이렇게 나만의 아주 마이너하고 쉬운 말로 노트에 일기를 쓰듯이 개념을 풀어서 적기 시작했습니다. 그리고 SPSS 통계 프로그램 파트는 유튜브나 무료 강의에 나오는 컴퓨터 화면을 보면서 직접 눌러보는 연습을 했습니다. 직접 설문지 10개 정도를 가짜로 만들어서 엑셀이랑 SPSS에 숫자 ‘1’, ‘2’로 코딩해 입력해보고, 메뉴에서 ‘분석 -> 평균비교 -> 독립표본 t-검정’을 눌러보니까 출력 결과창에 나오는 표가 무섭지 않게 느껴지더라고요. 아, VIF 수치가 10 넘으면 변수들끼리 너무 친해서 문제가 생기는 거구나(다중공선성), 독립변수 집단이 남/여 2개면 t-검정이고, 20대/40대/60대 3개 이상이면 ANOVA를 쓰는 거구나 하는 게 눈으로 보이니까 비로소 이해가 팍 되기 시작했습니다.
시험 한 달 전부터는 매일 밤마다 책상에 앉아서 제가 만든 OX 퀴즈 20개를 틀린 문제 위주로 계속 오답 노트를 만들었습니다. 틀린 문항은 왜 틀렸는지 해설을 손으로 직접 적으면서 암기했습니다. 참 신기하게도 처음에는 20개 중에 8개 맞던 게, 일주일 지나니까 15개 맞고, 시험 직전에는 20개 다 맞을 정도로 눈에 익숙해졌습니다.
결과는 어떻게 되었을까요? 그렇게나 저를 괴롭히고 두렵게 만들었던 사회복지조사론 과목에서 당당하게 고득점을 받고 합격했습니다! 조사론 점수가 기대 이상으로 잘 나와서 전체 평균 점수를 훨씬 올려주는 효자 과목이 되었답니다.
사회복지조사론을 처음 공부하시면서 통계 용어나 조사 기법 때문에 멘붕이 오신 분들께 꼭 말씀드리고 싶어요. 절대 처음부터 포기하지 마세요! 아무리 어렵고 외계어 같은 학술 용어라도, 아주 쉬운 예시와 OX 퀴즈로 잘게 쪼개서 하나씩 씹어 먹다 보면 어느 순간 머릿속에서 체계가 딱 잡히는 시점이 오더라고요. 이 블로그에 정리해 둔 20개 OX 퀴즈와 심화학습 내용을 천천히 읽어보시면서 여러 번 반복해 보세요. 저 같은 완전 수학/통계 노베이스도 해냈으니까 여러분은 훨씬 더 쉽게 합격하실 수 있을 겁니다. 모두 힘내시고 좋은 결과 얻으시길 진심으로 응원합니다!