- 권한신청
- P-ISSN1013-0799
- E-ISSN2586-2073
- KCI
초록
본 연구에서는 대학도서관이 직면하고 있는 전자저널의 오픈액세스로 인해 발생한 기존 전자저널 구독방식에 미치는 문제점들을 파악하고, 이를 해결할 수 있도록 오픈액세스 기반의 구독을 위한 운영모델을 제안하였다. 제안한 운영모델은 구독모델, 체계, 정책, 운영의 네 가지 개념을 현실에 맞게 해석한 모델로 전자저널의 합리적 구독을 전제로 하여 오픈액세스를 적용한 것이다. 국가지원, 통괄적 운영, 오픈액세스 기반 모델, 협력체계 구축을 주요 내용으로 하여 구현하였고 특히 국가지원체계로 안정적이고 지속적 학술정보 확보가 필요하다는 점을 강조하였다. 제안된 운영모델은 국내 오픈액세스 연구과 실현을 위한 기초 자료로 이용될 수 있을 것이다.
Abstract
In this study, we investigated the problems of existing e-journal subscriptions caused by open access of e-journals faced by university libraries. To solve these problems, we proposed an operational model for open access based subscription. The proposed operational model, which adapts the four concepts of subscription model, system, policy, and operation interpreted according to reality, applies open access on the premise of rational subscription of electronic journals. The proposed operational model was constructed based on national support, comprehensive operation, open access based model, and cooperation system. In particular, it emphasized the need for stable and continuous access to scholarly information through national support policy. The proposed operational model can be used as a basic data for the realization and research of open access in the domestic environment.
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.