- 권한신청
- P-ISSN1013-0799
- E-ISSN2586-2073
- KCI
초록
본 연구는 선행연구의 연구결과를 데이터로 간주하여 통계분석하는 메타분석방법을 사용하여 사서의 직무만족에 영향을 미치는 요인을 연구하였다. 선행연구 27편으로부터 집단변수로는 남녀성별과 결혼유무, 종속변수로는 전체직무만족도와 7개 하위변수(직무자체, 급여, 승진, 감독, 근무환경, 사회적 인식, 자아실현)가 선정되어 분석되었다. 분석결과 남녀간 사회적 인식과, 승진, 감독, 근무환경의 효과크기는 유의한 차이를 보였으나, 감독과 근무환경의 효과크기만 동질적인 것으로 분석되었다. 이질적으로 분석된 사회적 인식과 승진에 대해서는 랜덤효과분석을 추가로 수행한 결과 승진의 효과크기만 유의한 차이를 보였다. 결혼여부에서는 직무자체와 급여, 자아실현의 효과크기가 유의한 차이를 보였으나, 이질적으로 판명된 직무자체의 효과크기는 랜덤효과분석에서 유의한 차이를 보이지 못하였다. 연구시기(2000년전후)는 중재변수가 되지 못한 것으로 분석되었다.
Abstract
This study conducted meta-analysis of librarians' job satisfaction using the Hedges & Olkin's Effect Size Model. Sex and Marrage as group variables, and Total Satisfaction and 7 sub-variables(Work Itself, Salary, Promotion, Supervision, Working Conditions, Social Recognition, Self-actualization) as dependent variables were selected from 27 studies. The effect sizes between men and women were significantly different on Supervision, Working conditions, Promotion, and Social Recognition, of which first two were homogeneous. But the difference of Social Recognition was not significant in Random Effect Model. The effect sizes difference between married and unmarried were significant on Self Recognition, Salary, and Work Itself. However the difference of Work Itself was not significant in Random Effect Model. Study Year could not be a moderator.
초록
문헌정보학 분야의 국내 학술지 논문으로 구성된 문헌집합을 대상으로 기계학습에 기초한 자동분류의 성능에 영향을 미치는 요소들을 검토하였다. 특히, 「정보관리학회지」에 수록된 논문에 주제 범주를 자동 할당하는 분류 성능 측면에서 용어 가중치부여 기법, 학습집합 크기, 분류 알고리즘, 범주 할당 방법 등 주요 요소들의 특성을 다각적인 실험을 통해 살펴보았다. 결과적으로 분류 환경 및 문헌집합의 특성에 따라 각 요소를 적절하게 적용하는 것이 효과적이며, 보다 단순한 모델의 사용으로 상당히 좋은 수준의 성능을 도출할 수 있었다. 또한, 국내 학술지 논문의 분류는 특정 논문에 하나 이상의 범주를 할당하는 복수-범주 분류(multi-label classification)가 실제 환경에 부합한다고 할 수 있다. 따라서 이러한 환경을 고려하여 단순하고 빠른 분류 알고리즘과 소규모의 학습집합을 사용하는 최적의 분류 모델을 제안하였다.
Abstract
This study examined the factors affecting the performance of automatic classification based on machine learning for domestic journal articles in the field of LIS. In particular, In view of the classification performance that assigning automatically the class labels to the articles in 「Journal of the Korean Society for Information Management」, I investigated the characteristics of the key factors(weighting schemes, training set size, classification algorithms, label assigning methods) through the diversified experiments. Consequently, It is effective to apply each element appropriately according to the classification environment and the characteristics of the document set, and a fairly good performance can be obtained by using a simpler model. In addition, the classification of domestic journals can be considered as a multi-label classification that assigns more than one category to a specific article. Therefore, I proposed an optimal classification model using simple and fast classification algorithm and small learning set considering this environment.
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.