FirstCut
수능 1등급컷 예측 · 자기채점 1,000명이면 ±2점 이내
Dirichlet-Multinomial 베이지안 모델 + 5개년 15회 시험 검증. 데이터가 모이는 즉시 예측, 수능 당일 저녁까지 기다리지 않습니다.
몇 명의 데이터가 있으면 될까요?
과목을 고르고 슬라이더를 움직여 보세요. 데이터가 늘어날수록 오차가 줄어듭니다.
예측 오차 (MAE)
--
업계 1위 대비
--
예측 시점
데이터 모이는 즉시
평가원 공식 표준점수 데이터 · 5개년 15회 시험 백테스트
쏠림이 있을 때는 어떻게 될까요?
실제로는 성적이 높은 학생이 자기채점을 더 많이 제출합니다. 무작위 표본(random) vs 쏠린 표본(mixed_bias)의 오차를 비교해 보세요.
쏠림 보정 자동화는 별도 트랙. 위 차트는 보정 없는 raw 비교
가장 중요한 상위 등급이 가장 정확합니다
편향이 있는 실제 상황에서도, 관심이 높은 1~2등급의 예측이 가장 정확합니다.
평가원 공식 표준점수 데이터 기준 · 단위: 표준점수 ±점
더 정확하게 만들 수 있습니다
과목마다 점수 분포의 모양이 다릅니다. 이 모양을 파악할 수 있으면, 쏠림이 있어도 오차를 크게 줄일 수 있습니다.
쏠림 없을 때
±1점
현재 검증 완료
쏠림 있을 때
±3점
보정 없는 상태
쏠림 + 자동 보정
±1점대
실제 데이터 결합 시
2026학년도 수능 국어 영역 원점수 분포 기반 시뮬레이션 (카드를 눌러보세요)
5개년 전 과목 데이터를 분석한 결과, 점수 분포의 특성만 파악하면 예측 정확도가 크게 올라가는 것을 확인했습니다.
자기채점 서비스를 운영하시면 어떤 학생이 언제 제출하는지 패턴이 자동으로 쌓이고, 이를 기반으로 쏠림 보정이 자동 적용됩니다.
직접 테스트해보기
예시 데이터로 바로 체험하거나, 직접 데이터를 업로드해보세요.
기존 방식과 비교하면
| 업계 1위 | FirstCut | |
|---|---|---|
| 예측 시점 | 수능 당일 저녁 | 데이터가 모이는 즉시 |
| 예측 정확도 | 2~3점 오차 | ±2점 이내 (1,000명 기준) |
| 근거 | 자체 특허 | 5개년 15회 시험 검증 Dirichlet-Multinomial 베이지안 추론 |
| 과목 | 주요 과목 | 국/수/탐 10개 |