- 권한신청
- P-ISSN1013-0799
- E-ISSN2586-2073
- KCI
초록
본 연구는 대학생을 대상으로 정보매체활용에 따른 학습효율성의 차이를 분석하였다. 연구를 위한 설문조사 표본은 모두 106개 이었고, 단순회귀분석결과 컴퓨터활용능력과 정보매체활용에 대하여는 t=2.990(p=0.003), sig=0.05, 정보매체활용과 학습효율성에서는 t=41.758(p=0.000), sig=0.05으로 유의적으로 나타났다. 반면, 컴퓨터활용능력과 학습효율성에 관해서는 t=-1.756(p=0.082), sig=0.05.로 비유의적으로 나타났다. 이에 본 연구는 정보매체를 활용한 수업방식에 있어서 보다 효과적인 교수법에 대한 기초자료를 제시하였다. 아울러 대학에서 다양하게 적용되고 있는 정보매체를 활용한 수업에 고려해야 할 사항들을 제시함으로써 효과적인 정보화교육 및 교수방법에 새로운 방향을 모색하였다.
Abstract
This study analyzed the difference of learning efficiency by using information media applications for undergraduate students. The survey samples for research were 106 and the results showed significant by simple regulation analysis on computer applications and information media applications with t=2.990(p=0.003), sig=0.05 and on information media applications and learning efficiency with t=41.758(p=0.000), sig=0.05. Otherwise, the result showed no significant on computer applications and learning efficiency with t=-1.756(p=0.082), sig=0.05. As a result, this study provided basic materials on more effective teaching methods than a class using information applications. As providing facts to be consider a class using information media this study found to be new directions on effective information education and teaching methods.
초록
본 논문에서는 다중 모델 기계학습 기법을 이용하여 자동 문서 분류의 성능과 신뢰도를 향상시킬 수 있는 연구와 실험 결과를 기술하였다. 기존의 다중 모델 기계 학습법들이 훈련 데이터 또는 학습 알고리즘의 편향에 의한 오류를 극복하고자 한 것인데 비해 본 논문에서 제안한 메타 학습을 이용한 하이브리드 다중 모델 방식은 이 두 가지의 오류 원인을 동시에 해소하고자 하였다. 다양한 문서 집합에 대한 실험 결과. 본 논문에서 제안한 하이브리드 다중 모델 학습법이 전반적으로 기존의 일반 다중모델 학습법들에 비해 높은 성능을 보였으며, 다중 모델의 결합 방식으로서 메타 학습이 투표 방식에 비해 효율적인 것으로 나타났다.
Abstract
Inductive learning and classification techniques have been employed in various research and applications that organize textual data to solve the problem of information access. In this study, we develop hybrid model combination methods which incorporate the concepts and techniques for multiple modeling algorithms to improve the accuracy of text classification, and conduct experiments to evaluate the performances of proposed schemes. Boosted stacking, one of the extended stacking schemes proposed in this study yields higher accuracy relative to the conventional model combination methods and single classifiers.
초록
본 연구는 대학생들이 학습에서 선호하는 정보활용매체를 평가하였다. 즉, 강의를 위한 효율적인 학습방법이 무엇인가를 분석한 것이다. 연구목적을 달성하기 위하여 정보매체와 관련된 이론적 검토와 관련 선행연구를 하였다. 다양한 정보매체를 이용하는 강의를 기준으로 학생들에게 가장 이해도가 높은 학습방법을 분석하였다. 자료수집은 부산시내의 대학생 82명을 대상으로 하였고, 수집된 자료분석을 위하여 명목척도와 등간척도를 이용하였다. 본 연구결과, 첫째, “PPT”를 학습방법을 선호하는 학생들이 IT 및 컴퓨터 활용능력수준에 대한 이해도가 높았다. 둘째, “PPT”학습방법을 “WRT”보다 더 선호하는 것으로 나타났다. 셋째, “PPT”집단이 “WRT”집단에 비해 보다 학습효과에서 효과적인 것으로 나타났다. 마지막으로 두집단 모두 전체평균값은 3.08과 2.95로 수업집중도에는 큰 차이는 보이지 않았다. 그러나 본 연구는 면담에 의한 자료수집이 갖는 한계를 안고 있다. 향후 각 매체에 의한 학습효율성 연구와 정보매체에 의한 다양한 집단간 비교연구가 필요할 것이다.
Abstract
This research evaluated Information Application Mechanism based on university student's preference. In other words, the research content is analyzing what is the most effective learning method for lectures. To obtain this research objective I've done some research in theoretical research and pervious research related to informational mechanism. I also analyzed the degree of understanding in learning-efficiency with students based on lectures using various information mechanisms. For the data gathering I've surveyed 82 students living in Busan, and used the survey sheets to gather data, I made the survey sheet with nominal and interval parts to make the analyzement of data easier. The research result is down below. First, It shows that the students with higher understanding in IT preferred lectures with “PPT”s. Second, The “PPT” preference group thought that the “PPT” teaching method is more effective than other methods. Third, The “WRT” preference group thought that the “WRT” teaching method is more effective than other methods. Forth, Both groups gave each method a 3.08 and 2.95 as a total mean value out on a 1-5 scale showing not much difference. However this research has a research limitation like other researches. In other words, there can be some distortion of information when using the interview method to gather data. The researches from now on will need to organize groups by information mechanisms and research the learning-efficiency with each mechanism.
초록
문헌간 유사도를 자질로 사용하는 분류기에서 미분류 문헌을 학습에 활용하여 분류 성능을 높이는 방안을 모색해보았다. 자동분류를 위해서 다량의 학습문헌을 수작업으로 확보하는 것은 많은 비용이 들기 때문에 미분류 문헌의 활용은 실용적인 면에서 중요하다. 미분류 문헌을 활용하는 준지도학습 알고리즘은 대부분 수작업으로 분류된 문헌을 학습데이터로 삼아서 미분류 문헌을 분류하는 첫 번째 단계와, 수작업으로 분류된 문헌과 자동으로 분류된 문헌을 모두 학습 데이터로 삼아서 분류기를 학습시키는 두 번째 단계로 구성된다. 이 논문에서는 문헌간 유사도 자질을 적용하는 상황을 고려하여 두 가지 준지도학습 알고리즘을 검토하였다. 이중에서 1단계 준지도학습 방식은 미분류 문헌을 문헌유사도 자질 생성에만 활용하므로 간단하며, 2단계 준지도학습 방식은 미분류 문헌을 문헌유사도 자질 생성과 함께 학습 예제로도 활용하는 알고리즘이다. 지지벡터기계와 나이브베이즈 분류기를 이용한 실험 결과, 두 가지 준지도학습 방식 모두 미분류 문헌을 활용하지 않는 지도학습 방식보다 높은 성능을 보이는 것으로 나타났다. 특히 실행효율을 고려한다면 제안된 1단계 준지도학습 방식이 미분류 문헌을 활용하여 분류 성능을 높일 수 있는 좋은 방안이라는 결론을 얻었다
Abstract
This paper studies the problem of classifying documents with labeled and unlabeled learning data, especially with regards to using document similarity features. The problem of using unlabeled data is practically important because in many information systems obtaining training labels is expensive, while large quantities of unlabeled documents are readily available. There are two steps in general semi-supervised learning algorithm. First, it trains a classifier using the available labeled documents, and classifies the unlabeled documents. Then, it trains a new classifier using all the training documents which were labeled either manually or automatically. We suggested two types of semi-supervised learning algorithm with regards to using document similarity features. The one is one step semi-supervised learning which is using unlabeled documents only to generate document similarity features. And the other is two step semi-supervised learning which is using unlabeled documents as learning examples as well as similarity features. Experimental results, obtained using support vector machines and naive Bayes classifier, show that we can get improved performance with small labeled and large unlabeled documents then the performance of supervised learning which uses labeled-only data. When considering the efficiency of a classifier system, the one step semi-supervised learning algorithm which is suggested in this study could be a good solution for improving classification performance with unlabeled documents.
초록
동일한 인명을 갖는 서로 다른 실세계 사람들이 존재하는 현실은 인터넷 세계에서 인명으로 표현된 개체의 신원을 식별해야 하는 문제를 발생시킨다. 상기의 문제가 학술정보 내의 저자명 개체로 제한된 경우를 저자식별이라 부른다. 저자식별은 식별 대상이 되는 저자명 개체 사이의 유사도 즉 저자유사도를 계산하는 단계와 이후 저자명 개체들을 군집화하는 단계로 이루어진다. 저자유사도는 공저자, 논문제목, 게재지정보 등의 저자식별자질들의 자질유사도로부터 계산되는데, 이를 위해 기존에 교사방법과 비교사방법들이 사용되었다. 저자식별된 학습샘플을 사용하는 교사방법은 비교사방법에 비해 다양한 저자식별자질들을 결합하는 최적의 저자유사도함수를 자동학습할 수 있다는 장점이 있다. 그러나, 기존 교사방법 연구에서는 SVM, MEM 등의 일부 기계학습기법만이 시도되었다. 이 논문은 다양한 기계학습기법들이 저자식별에 미치는 성능, 오류, 효율성을 비교하고, 공저자와 논문제목 자질에 대해 자질값 추출 및 자질 유사도 계산을 위한 여러 기법들의 비교분석을 제공한다.
Abstract
In bibliographic data, the use of personal names to indicate authors makes it difficult to specify a particular author since there are numerous authors whose personal names are the same. Resolving same-name author instances into different individuals is called author resolution, which consists of two steps: calculating author similarities and then clustering same-name author instances into different person groups. Author similarities are computed from similarities of author-related bibliographic features such as coauthors, titles of papers, publication information, using supervised or unsupervised methods. Supervised approaches employ machine learning techniques to automatically learn the author similarity function from author-resolved training samples. So far, however, a few machine learning methods have been investigated for author resolution. This paper provides a comparative evaluation of a variety of recent high-performing machine learning techniques on author disambiguation, and compares several methods of processing author disambiguation features such as coauthors and titles of papers.
초록
본 연구에서는 웹, IPTV 등의 콘텐츠 유통망에서의 개인화 추천서비스를 위하여 이용자의 콘텐츠 이용행위와 콘텐츠의 위치정보를 활용한 추천방법을 제안하고 있다. 추천방법의 성능향상을 위하여 이용자 및 콘텐츠 프로파일 생성방법과 함께, 이용자의 콘텐츠 이용행위를 암묵적 이용자 피드백으로서 학습과정에 적용하여 이용자 선호도를 분석하였다. 학습과정에서의 이용자 선호도 분석을 위하여 협업여과추천방법 및 내용기반추천방법을 적용하였다. 또한 보다 정확한 추천을 위한 최종 콘텐츠 추천을 위하여 웹사이트 상의 콘텐츠에 대한 위치정보를 활용한 추천방법을 제안하고 있다. 이를 통하여 보다 효율적이고 정확한 추천 서비스의 제공이 가능할 수 있다.
Abstract
In this paper, we propose user contents using behavior and location information on contents on various channels, such as web, IPTV, for contents distribution. With methods to build user and contents profiles, contents using behavior as an implicit user feedback was applied into machine learning procedure for updating user profiles and contents preference. In machine learning procedure, contents-based and collaborative filtering methods were used to analyze user's contents preference. This study proposes contents location information on web sites for final recommendation contents as well. Finally, we refer to a generalized recommender system for personalization. With those methods, more effective and accurate recommendation service can be possible.
초록
국내 학술회의 논문으로 구성된 문헌집합을 대상으로 기계학습에 기초한 자동분류의 성능에 영향을 미치는 요소들을 검토하였다. 특히 구현이 쉽고 컴퓨터 처리 속도가 빠른 로치오 알고리즘을 사용하여 『한국정보관리학회 학술대회 논문집』의 논문에 주제 범주를 자동 할당하는 분류 성능 측면에서 분류기 생성 방법, 학습집합 규모, 가중치부여 기법, 범주 할당 방법 등 주요 요소들의 특성을 다각적인 실험을 통해 살펴보았다. 결과적으로 분류 환경 및 문헌집합의 특성에 따라 파라미터(β, λ)와 학습집합의 크기(5년 이상)를 적절하게 적용하는 것이 효과적이며, 동등한 성능 수준이라면 보다 단순한 단일 가중치부여 기법을 사용하여 분류의 효율성을 높일 수 있음을 발견하였다. 또한 국내 학술회의 논문의 분류는 특정 논문에 하나 이상의 범주가 부여되는 복수-범주 분류(multi-label classification)가 실제 환경에 부합한다고 할 수 있으므로, 이러한 환경을 고려하여 주요 성능 요소들의 특성에 기초한 최적의 분류 모델을 개발할 필요가 있다.
Abstract
This study examined the factors affecting the performance of automatic classification for the domestic conference papers based on machine learning techniques. In particular, In view of the classification performance that assigning automatically the class labels to the papers in Proceedings of the Conference of Korean Society for Information Management using Rocchio algorithm, I investigated the characteristics of the key factors (classifier formation methods, training set size, weighting schemes, label assigning methods) through the diversified experiments. Consequently, It is more effective that apply proper parameters (β, λ) and training set size (more than 5 years) according to the classification environments and properties of the document set. and If the performance is equivalent, I discovered that the use of the more simple methods (single weighting schemes) is very efficient. Also, because the classification of domestic papers is corresponding with multi-label classification which assigning more than one label to an article, it is necessary to develop the optimum classification model based on the characteristics of the key factors in consideration of this environment.
초록
본 연구는 다양한 지식이 축적되고 공유되며 구성원 간의 관계와 상호작용을 바탕으로 지식이 생산되고 활용되는 공간인 소셜 러닝 커뮤니티에서 학습자의 지식소싱 행위가 지식활용 성과에 어떠한 영향을 미치는지를 실증적으로 분석하는 것을 목적으로 하였다. 이를 위해 한 대학의 사회과학분야 전공수업에 참여한 55명의 학습자들을 대상으로 소셜 러닝 커뮤니티를 구성하고 한 학기의 소셜 러닝 완료 후 설문조사를 통해 자료를 수집하였으며, 다중회귀분석을 사용하여 지식소싱 행위와 지식활용 성과의 영향관계를 규명하였다. 연구 결과, 양자 지식소싱과 문서 지식소싱은 지식재이용과 지식응용에 영향을 미치며, 그룹 지식소싱은 지식응용과 지식혁신에 영향을 미치는 것으로 나타났다. 본 연구의 결과는 소셜 러닝 커뮤니티에서 지식의 이용 목적에 따라 효율적인 지식소싱 행위를 선택하는데 유용할 것으로 기대된다.
Abstract
This research aims to analyze empirically the effects of learners’ knowledge sourcing behavior on the knowledge utilization outcomes in a social learning community. This kind of virtual community is of service to users who not only produce but also share a variety of valuable knowledge which is created based on relationships and interactions among learners. In order to conduct the study, a group of learners was made of 55 undergraduate students who were majoring in social science. The data was collected by online survey at the end of the term and multiple regression methods have been used for empirical analysis. The study shows that dyadic knowledge sourcing and published knowledge sourcing both have significant effects on knowledge reuse and knowledge adaptation. In addition, knowledge adaptation and knowledge innovation were affected by group knowledge sourcing. The research results help to select appropriate knowledge sourcing behavior depending on one’s purpose of knowledge use.
초록
본 연구는 보다 효율적인 정보서비스를 위한 주제화 모형을 개발하고자 하였다. 연구의 결과 및 제시한 주제화 모형의 구성과 특징을 요약하면 다음과 같다.첫째, 대학도서관의 운영 패러다임은 논리성보다는 실용성이 강조되고 있다. 따라서, 대학도서관의 효율적인 공간 활용, 장서 구분 및 서비스를 위해서는 ‘주제화’가 가장 바람직하다.주제화를 적용하기 위해서는 이에 대한 해결이 선행되어야 한다.셋째, 대학도서관의 효율적인 정보서비스를 위한 주제화 모형으로는 ‘광역형 주제화 모형’을 제시할 수 있다. 1) 광역형 주제화의 공간모형은 중앙도서관의 경우 대학생을 위한 ‘학부전용도서관’으로 운영하고, 각각의 주제도서관은 연구를 위주로 하는 교수와 대학원생을 위한 ‘연구도서관’으로 운영하는 방안이다. 2) 광역형 주제화의 장서 모형은 중앙도서관(학부전용도서관)의 경우 학부생들의 과제 및 학습관련 자료를 제공하고, 각각의 주제도서관은 연구를 위한 서지 및 정보제공에 치중하는 방안이다. 기능적 업무담당사서를 배치하고, 주제도서관은 주제담당사서와 기능적 업무담당사서 그리고 주제와 연관이 있는 학과의 대학원생을 조교나 보조학생으로 확보해 서비스를 주제별과 이용자별로 차별화하는 방안이다.
Abstract
Second, the necessity of adopting subject divisional plan is to secure enough subject librarians and large space. These necessities must be fulfiled prior to adopting th e subject divisional plan. rvice of university library is 'wide-area subject divisional plan model'.1) In the case of central library, the space model of wide-area subject divisional plan is programed as undergraduate library for the undergraduate students. And each subject libraries is operated as research 2) In central library, the collection model of wide-area subjec t divisional plan is practiced as ofering reference and general education centered data for undergraduate students' study. And each subject libraries is furnished with research papers, recent journals, and various ma 3) The human resource model of wide-area subject divisional pla n is aplicated by aranging apropriate librarians at the right place. In the case of central library, the reference librarians and librarians who educate the users and take charge of function are set in to hel Subject library needs to secure subject librarians, librarians who take charge of function, and graduate students who are related to the subject as student assistant. T hen it is possible to discriminate reference service by subjects and users.
초록
본 연구는 LDA 토픽 모델과 딥 러닝을 적용한 단어 임베딩 기반의 Doc2Vec 기법을 활용하여 자질을 선정하고 자질집합의 크기와 종류 및 분류 알고리즘에 따른 분류 성능의 차이를 평가하였다. 또한 자질집합의 적절한 크기를 확인하고 문헌의 위치에 따라 종류를 다르게 구성하여 분류에 이용할 때 높은 성능을 나타내는 자질집합이 무엇인지 확인하였다. 마지막으로 딥 러닝을 활용한 실험에서는 학습 횟수와 문맥 추론 정보의 유무에 따른 분류 성능을 비교하였다. 실험문헌집단은 PMC에서 제공하는 생의학 학술문헌을 수집하고 질병 범주 체계에 따라 구분하여 Disease-35083을 구축하였다. 연구를 통하여 가장 높은 성능을 나타낸 자질집합의 종류와 크기를 확인하고 학습 시간에 효율성을 나타냄으로써 자질로의 확장 가능성을 가지는 자질집합을 제시하였다. 또한 딥 러닝과 기존 방법 간의 차이점을 비교하고 분류 환경에 따라 적합한 방법을 제안하였다.
Abstract
This research evaluated differences of classification performance for feature selection methods using LDA topic model and Doc2Vec which is based on word embedding using deep learning, feature corpus sizes and classification algorithms. In addition to find the feature corpus with high performance of classification, an experiment was conducted using feature corpus was composed differently according to the location of the document and by adjusting the size of the feature corpus. Conclusionally, in the experiments using deep learning evaluate training frequency and specifically considered information for context inference. This study constructed biomedical document dataset, Disease-35083 which consisted biomedical scholarly documents provided by PMC and categorized by the disease category. Throughout the study this research verifies which type and size of feature corpus produces the highest performance and, also suggests some feature corpus which carry an extensibility to specific feature by displaying efficiency during the training time. Additionally, this research compares the differences between deep learning and existing method and suggests an appropriate method by classification environment.