- 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
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.