- 권한신청
- P-ISSN1013-0799
- E-ISSN2586-2073
- KCI
초록
본 연구는 미국의 대학, 대학도서관 및 디지털 인문학 센터의 디지털 인문학 교육 프로그램에 대한 사례를 조사한 것이다. 연구의 결과 대학 중심의 교육 프로그램은 타 학과와 연계하여 인문학 및 디지털 기술의 관련된 강좌를 전반적으로 수강할 수 있도록 하는 프로그램을 운영하고 있는 것으로 분석되었다. 또한 디지털 인문학 교육 프로그램은 완전한 학위 과정으로 운영하기 보다는 대학원 수료증 과정으로 운영되며, 이수를 위해서는 사전에 문헌정보학 및 인문학의 대학원 학위를 필수로 요구하는 기관이 대부분인 것으로 조사되었다. 디지털 인문학 센터는 인문학 전공자의 연구지원을 위해 대학 및 대학도서관과 연계하여 대학 내의 교수진 및 박사 후 연구원 등을 중심으로 교육 프로그램을 운영하고 있으며, 프로그램의 유형은 워크숍 또는 수료증 과정이었다. 한편, 대학도서관의 교육 프로그램은 대학의 모든 전공의 학생 및 연구자를 대상으로 연구지원의 형식으로 운영하고 있으며, 교육 프로그램의 내용은 이론 중심보다는 디지털 프로젝트를 위한 실습에 중점을 두고 있어 대학도서관은 가장 다양한 이용자를 대상으로 실용적인 디지털 인문학 프로그램을 운영하고 있는 것으로 파악되었다. 디지털 리터러시의 역량을 키우고 디지털 기술을 기반으로 한 연구를 수행할 수 있도록 지원하는 것은 대학도서관의 새로운 역할이 되었고 이를 위하여 도서관이 디지털 인문학 교육에 있어 중심적인 역할을 수행해야 하는 것은 분명하다. 또한 이러한 프로그램을 운영하기 위한 전문가를 양성하기 위하여 문헌정보학과에서 디지털 인문학 교육도 함께 검토되어야 할 것이다.
Abstract
This study examines cases of digital humanities education programs at universities, university libraries and digital humanities centers in the United States. As a result of the research, it was analyzed that the university-centered education program operates in conjunction with other departments to take courses related to humanities and digital technology in general. The digital humanities education program is not operated as a full degree program, but most programs are operated as graduate certificate programs, and it is required to require a graduate degree in library and information science and humanities in advance. Most of the digital humanities centers run educational programs centered on faculty and postdoctoral researchers in universities in connection with universities and university libraries to support the humanities scholars. Lastly, the university's digital humanities education program is operated in the form of research support for students and researchers of all majors. In addition, the content of the educational program focused on the practice for digital projects rather than theory. Empowering digital literacy and supporting digital technology-based research has become a new role for university libraries, which requires libraries to play a central role in digital humanities education.
초록
본 연구에서는 KISTI 콘텐츠 큐레이션 센터의 업무를 중심으로 콘텐츠 라이프 사이클에 맞는 큐레이션 모델인 KISTI CLCM을 개발하였다. 이를 위해 앞서 개발된 모델 DCC, DCC&U, UC3, DCN 모델 등을 살펴보고, 디지털 큐레이션 센터의 업무와 연결되는 모델들의 장점을 도출하였다. KISTI 콘텐츠 큐레이션 센터의 업무담당자들과의 집단 면담을 통해 센터에서 다루는 콘텐츠의 특징을 파악하고 현 업무의 성취정도를 확인하였다. 또한 본 연구에서는 UC3 모델을 기반으로 KISTI 콘텐츠 큐레이션 웨이브를 개발하여 이용자 중심의 서비스를 발굴하고 디지털 자원에 새로운 가치를 추가하여 활용성을 높일 수 있는 방안을 제시하였다.
Abstract
This study developed KISTI CLCM, a curation model suitable for the content life cycle, focusing on the KISTI Content Curation Center. For developing the KISTI Curation Model, the previously developed models DCC, DCC&U, UC3 and DCN models were reviewed and the advantages of the models connected to the mission and tasks of the digital curation center were derived. Interviews with staffs of the KISTI Content Curation Center identified the characteristics of the content and identified the level of achievement of the current task. In addition, this study proposed to enhance usability by developing KISTI content curation waves based on the UC3 model to discover user-centered services and add new values to digital resources.
초록
대표적인 앙상블 기법으로서 랜덤포레스트(RF)를 문헌정보학 분야의 학술지 논문에 대한 자동분류에 적용하였다. 특히, 국내 학술지 논문에 주제 범주를 자동 할당하는 분류 성능 측면에서 트리 수, 자질선정, 학습집합 크기 등 주요 요소들에 대한 다각적인 실험을 수행하였다. 이를 통해, 실제 환경의 불균형 데이터세트(imbalanced dataset)에 대하여 랜덤포레스트(RF)의 성능을 최적화할 수 있는 방안을 모색하였다. 결과적으로 국내 학술지 논문의 자동분류에서 랜덤포레스트(RF)는 트리 수 구간 100〜1000(C)과 카이제곱통계량(CHI)으로 선정한 소규모의 자질집합(10%), 대부분의 학습집합(9〜10년)을 사용하는 경우에 가장 좋은 분류 성능을 기대할 수 있는 것으로 나타났다.
Abstract
Random Forest (RF), a representative ensemble technique, was applied to automatic classification of journal articles in the field of library and information science. Especially, I performed various experiments on the main factors such as tree number, feature selection, and learning set size in terms of classification performance that automatically assigns class labels to domestic journals. Through this, I explored ways to optimize the performance of random forests (RF) for imbalanced datasets in real environments. Consequently, for the automatic classification of domestic journal articles, Random Forest (RF) can be expected to have the best classification performance when using tree number interval 100〜1000(C), small feature set (10%) based on chi-square statistic (CHI), and most learning sets (9-10 years).