- 권한신청
- P-ISSN1013-0799
- E-ISSN2586-2073
- KCI
초록
공공도서관에서 제공하는 향토정보서비스는 낮은 이용률을 나타내고 있으며, 대부분 열람 및 대출형태의 제한적인 서비스를 제공한다. 본 연구는 이러한 문제점을 해결하고 이용자의 정보 요구를 반영하는 새로운 향토정보서비스를 제안하고자, 모바일 어플리케이션 (이하 앱)인 LibPass (Library와 Pass의 합성어)를 개발하였다. LibPass는 향토자원의 특성들이 LibPass의 콘텐츠로 구성되어 이용자가 모바일 앱을 통해 지역의 문화관광자원에 대한 정보탐색을 한 곳에서 간편하게 할 수 있도록 설계되었다. 즉, 관광자원에 대한 소개는 물론이고, 그 이용을 위한 숙박시설, 체험프로그램, 그리고 특화도서관에 대한 정보를 제공함으로써, 향토자원에 대한 효율적인 정보서비스를 도모하고자 했다. 무엇보다도 이 서비스는 국립중앙도서관에서 발행하는 카드로 일원화되어 제공되므로 전국 어디서나 사용이 편리하고, 공공기관의 다양한 콘텐츠를 활용하여 신뢰성과 최신성을 확보하였다. 선행연구를 바탕으로 모바일 관광정보서비스의 품질 평가 요인들을 도출하였으며, 또한 기존의 관광정보서비스 앱을 분석하여 LibPass 앱의 개체들을 구성하고 논리적 개체 관계 모델을 기반으로 프로토타입을 개발하였다. 이 모델은 도서관의 향토정보서비스 이용률을 증가시키고, 더 나아가 이용자 친화적인 앱을 통해 도서관에 대한 긍정적인 인식을 높이는 데 기여할 수 있다.
Abstract
There has been low use of local information services that public libraries provide, and most of those services are limited only through in-house reading or checkout. Motivated by these issues, the study has developed a mobile application (app, hereafter) entitled as LibPass (a combination of Library and Pass) to propose new local information services that reflect the information needs of users. Regarding the design of LibPass, contents of LibPass are composed of the characteristics of local resources so that users can easily search for information about local culture and tour resources through mobile app. That is, it aims to provide efficient information services on local resources by providing information on accommodations, outdoor programs, and specialized libraries, as well as introducing tour resources. Above all, the services are provided with a single card issued by the National Library of Korea and is convenient to use anywhere in the country. It not only secures reliability and currency by utilizing various contents developed by public institutions, but also provides functions to facilitate specialized services for the local information of libraries. Based on the previous research, the present study derives the factors of quality evaluation of mobile tour information services; it constructs objects of LibPass application by analyzing existing applications and develops the prototype based on logical entity relationship model. This model can contribute to the increased use of local information services and, promotes the public’s positive perception of the libraries through user-friendly applications.
초록
본 연구는 단행본, 학술지, 보고서 등 다양한 종류의 발간물로 구성된 연구보고서의 참고문헌 데이터베이스를 효율적으로 구축하기 위한 것으로 딥러닝 언어 모델을 이용하여 참고문헌의 자동추출 성능을 비교 분석하고자 한다. 연구보고서는 학술지와는 다르게 기관마다 양식이 상이하여 참고문헌 자동추출에 어려움이 있다. 본 연구에서는 참고문헌 자동추출에 널리 사용되는 연구인 메타데이터 추출과 더불어 참고문헌과 참고문헌이 아닌 문구가 섞여 있는 환경에서 참고문헌만을 분리해내는 원문 분리 연구를 통해 이 문제를 해결하였다. 자동 추출 모델을 구축하기 위해 특정 연구기관의 연구보고서 내 참고문헌셋, 학술지 유형의 참고문헌셋, 학술지 참고문헌과 비참고문헌 문구를 병합한 데이터셋을 구성했고, 딥러닝 언어 모델인 RoBERTa+CRF와 ChatGPT를 학습시켜 메타데이터 추출과 자료유형 구분 및 원문 분리 성능을 측정하였다. 그 결과 F1-score 기준 메타데이터 추출 최대 95.41%, 자료유형 구분 및 원문 분리 최대 98.91% 성능을 달성하는 등 유의미한 결과를 얻었다. 이를 통해 비참고문헌 문구가 포함된 연구보고서의 참고문헌 추출에 대한 딥러닝 언어 모델과 데이터셋 유형별 참고문헌 구축 방향을 제안하였다.
Abstract
The purpose of this study is to assess the effectiveness of using deep learning language models to extract references automatically and create a reference database for research reports in an efficient manner. Unlike academic journals, research reports present difficulties in automatically extracting references due to variations in formatting across institutions. In this study, we addressed this issue by introducing the task of separating references from non-reference phrases, in addition to the commonly used metadata extraction task for reference extraction. The study employed datasets that included various types of references, such as those from research reports of a particular institution, academic journals, and a combination of academic journal references and non-reference texts. Two deep learning language models, namely RoBERTa+CRF and ChatGPT, were compared to evaluate their performance in automatic extraction. They were used to extract metadata, categorize data types, and separate original text. The research findings showed that the deep learning language models were highly effective, achieving maximum F1-scores of 95.41% for metadata extraction and 98.91% for categorization of data types and separation of the original text. These results provide valuable insights into the use of deep learning language models and different types of datasets for constructing reference databases for research reports including both reference and non-reference texts.