- 권한신청
- P-ISSN1013-0799
- E-ISSN2586-2073
- KCI
초록
이 연구는 현재 운영되고 있는 KOLIS-NET의 두 가지 핵심 시스템인 ‘KOLIS-NET 클라이언트 통합형 시스템’과 ‘KOLIS-NET 일반이용자 검색용 시스템’의 품질 수준을 유용성과 사용성의 평가기준을 적용하여 평가하고 개선과제를 제시한 것이다. ‘KOLIS-NET 클라이언트 통합형’ 시스템의 경우 업무 프로세스별 시스템의 유용성 평가로서, 검색성과 사용 용이성, 사용자 지원성을 주된 평가 항목으로 설정하였으며, 각각의 평가 항목에 대해 연구팀과 실제 업무를 하고 있는 사서들 간의 브레인스토밍 기법과 심층면담 기법을 통해 평가결과를 도출하였다. 한편 ‘일반이용자 검색용 시스템’에 대한 평가는 시스템 사용의 편이성 관점에서 진행되었으며, 다양한 사용성 평가 방법 중에서 인지평가 방법을 사용하였다. 마지막으로 도출된 문제점과 개선 과제를 화면 재설계, 용어 표준화, 기능 개선, 신규 기능의 네 가지로 범주화하여 제시하였다.
Abstract
This study aims to evaluate KOLIS-NET system by usefulness testing of ‘KOLIS-NET client integrated system’ and by usability testing of ‘KOLIS-NET web site’. For evaluating the usefulness of the system, we used searching, ease of use, customer support as criteria, and used brainstorming and in-depth interview as evaluation method. On the other hand, for usability testing of the web site, we used cognitive walkthrough. Evaluation results are categorized and represented as page redesign, term consistency, function improvement and new functionality.
초록
인터넷 정보검색과정에서 가장 보편적으로 사용되고 있는 검색방법은 키워드 검색이다. 키워드 검색은 정확률과 재현율의 관점에서 여러가지 단점을 지니고 있다. 이러한 키워드 검색의 단점을 보완해 줄 수 있는 장치로서 다수의 웹 포털에서 디렉토리 검색서비스를 제공하고 있다. 검색포털에서 제공하고 있는 디렉토리 서비스는 포털별로 상이한 분류체계를 사용하는 이유로 이용자에게 불편을 주고 있으며, 이러한 불편의 해소를 위해 디렉토리 서비스간 통합검색을 제공하는 중개 게이트웨이의 구축필요성이 제기되고 있다. 이에 따라 이 연구에서는 네이버, 야후, 엠파스 등 국내 주요 포털의 디렉토리 서비스를 대상으로 통합검색을 제공하는 중개 게이트웨이의 모형을 구축하고 그 성능을 평가하였다.
Abstract
The most widely used information searching method in the current internet environment is the keyword-based one, which has certain limitations in terms of precision and recall. Most major internet portals provide directory-based searching as a means to complement these limitations. However, that they adopt different classification schemes brings significant inconvenience to the users, and it consequently suggests a need to develop mapping gateway to provide cross-portal, or cross-directory information searching. In this context, this study attempts to develop a prototype system of intermediary gateway for integrated search, using the directory services of three major portals, Naver, Yahoo and Empas, and test its performance.
초록
본 연구에서는 대학 도서관들이 이용자들에게 제공하는 여러 가지 기능들을 조사하고 그 가치를 측정하였다. 이용자들의 판단을 중시하는 연구의 수행을 위해 구체적인 대학 도서관의 이용요인이나 기능이 될 수 있는 상황이나 조건들은 이용자들이 직접 설정하고 그 중요도 평가를 설문조사방법으로 수집하였다. 수집된 자료의 분석은 크게 세 단계로 나누어 시행하였다. 첫째, 측정변수들의 관련성 및 독특성, 그리고 통계적 중요도에 따른 요인을 영역별로 나누기 위해 요인분석을 실시하였다. 둘째, 연구모형을 도출하기 위해 이분 로지스틱 회귀분석(binary logistic regression)을 실시하여 판별력 향상을 검정하였다. 세 번째 분석에서는 연구모형의 독립변수들에 대해 집단간 평균차이 분석을 실시하여 집단별 변수값 등 부가적인 설명을 하였다. 분석결과, 이용자들이 대학 도서관을 활용하는 목적 뿐만 아니라 이용자들에게 끼치는 지식이나 정보 그리고 도서관 시설들을 설명하는 데에는 도서요인, 경쟁 및 효율요인, 그리고 지불(무료)요인 등이 있음이 밝혀졌다. 또한 본 연구에서는 전자도서관 기능과 지불요인과의 상관성도 통계적으로 유의하게 나타났다.
Abstract
This paper examines the values of various library functions according to users' points of view. To execute this study, the several 'circumstance', related variables and 'condition' variables that lead to factors or functions of academic libraries were measured.Analysis was carried out in three stages. In the first, factor analysis was used on the three multi variable dimensions to ensure that the groups of variables loaded significantly and uniquely on the respective dimensions. The second phase of analysis involved the use of binary logistic regression analysis to complete research models. In the third phase, t-test was used to identify significant differences in the independent variables for additional explanation of the models. Books, competition & effectiveness and fee verses free (fee-free hereafter) are the three main factors that distinguish not only the purpose of using an academic library but also the degree of influence on knowledge, information and library facilities for the users. In addition, the fee-free factor related to digital library facilities was also uncovered.
초록
본 연구는 실재 시스템 환경에서 문헌 분류를 위해 범주화 기법을 적용할 경우, 범주화 성능이 어느 정도이며, 적정한 문헌범주화 성능의 달성을 위하여 분류기 학습에 필요한 범주당 가장 이상적인 학습문헌집합의 규모는 무엇인가를 파악하기 위하여 kNN 분류기를 사용하여 실험하였다. 실험문헌집단으로15만 여건의 실제 서비스되는 데이터베이스에서 2,556건 이상의 문헌을 가진 8개 범주를 선정하였다. 이들을 대상으로 범주당 학습문헌수 20개(Tr20)에서 2,000개(Tr2000)까지 단계별로 증가시키며 8개 학습문헌집합 규모를 갖도록 하위문헌집단을 구성한 후, 학습문헌집합 규모에 따른 하위문헌집단 간 범주화 성능을 비교하였다. 8개 하위문헌집단의 거시평균 성능은 F1 값 30%로 선행연구에서 발견된 kNN 분류기의 일반적인 성능에 미치지 못하는 낮은 성능을 보였다. 실험을 수행한 8개 대상문헌집단 중 학습문헌수가 100개인 Tr100 문헌집단이 F1 값 31%로 비용대 효과면에서 분류기 학습에 필요한 최적정의 실험문헌집합수로 판단되었다. 또한, 실험문헌집단에 부여된 주제범주 정확도를 수작업 재분류를 통하여 확인한 후, 이들의 범주별 범주화 성능과 관련성을 기반으로 위 결론의 신빙성을 높였다.
Abstract
This paper examines a level of categorization performance in a reallife collection of abstract articles in the fields of science and technology, and tests the optimal size of documents per category in a training set using a kNN classifier. The corpus is built by choosing categories that hold more than 2,556 documents first, and then 2,556 documents per category are randomly selected. It is further divided into eight subsets of different size of training documents: each set is randomly selected to build training documents ranging from 20 documents (Tr20) to 2,000 documents (Tr2000) per category. The categorization performances of the 8 subsets are compared. The average performance of the eight subsets is 30% in F1 measure which is relatively poor compared to the findings of previous studies. The experimental results suggest that among the eight subsets the Tr100 appears to be the most optimal size for training a kNN classifier. In addition, the correctness of subject categories assigned to the training sets is probed by manually reclassifying the training sets in order to support the above conclusion by establishing a relation between and the correctness and categorization performance.
초록
문헌범주화에서는 학습문헌집합에 부여된 주제범주의 정확성이 일정 수준을 가진다고 가정한다. 그러나, 이는 실제 문헌집단에 대한 지식이 없이 이루어진 가정이다. 본 연구는 실제 문헌집단에서 기 부여된 주제범주의 정확성의 수준을 알아보고, 학습문헌집합에 기 부여된 주제범주의 정확도와 문헌범주화 성능과의 관계를 확인하려고 시도하였다. 특히, 학습문헌집합에 부여된 주제범주의 질을 수작업 재색인을 통하여 향상시킴으로써 어느 정도까지 범주화 성능을 향상시킬 수 있는가를 파악하고자 하였다. 이를 위하여 과학기술분야의 1,150 초록 레코드 1,150건을 전문가 집단을 활용하여 재색인한 후, 15개의 중복문헌을 제거하고 907개의 학습문헌집합과 227개의 실험문헌집합으로 나누었다. 이들을 초기문헌집단, Recat-1, Recat-2의 재 색인 이전과 이후 문헌집단의 범주화 성능을 kNN 분류기를 이용하여 비교하였다. 초기문헌집단의 범주부여 평균 정확성은 16%였으며, 이 문헌집단의 범주화 성능은 F1값으로 17%였다. 반면, 주제범주의 정확성을 향상시킨 Recat-1 집단은 F1값 61%로 초기문헌집단의 성능을 3.6배나 향상시켰다.
Abstract
In text categorization a certain level of correctness of labels assigned to training documents is assumed without solid knowledge on that of real-world collections. Our research attempts to explore the quality of pre-assigned subject categories in a real-world collection, and to identify the relationship between the quality of category assignment in training set and text categorization performance. Particularly, we are interested in to what extent the performance can be improved by enhancing the quality (i.e., correctness) of category assignment in training documents. A collection of 1,150 abstracts in computer science is re-classified by an expert group, and divided into 907 training documents and 227 test documents (15 duplicates are removed). The performances of before and after re-classification groups, called Initial set and Recat-1/Recat-2 sets respectively, are compared using a kNN classifier. The average correctness of subject categories in the Initial set is 16%, and the categorization performance with the Initial set shows 17% in F1 value. On the other hand, the Recat-1 set scores F1 value of 61%, which is 3.6 times higher than that of the Initial set.