- 권한신청
- P-ISSN1013-0799
- E-ISSN2586-2073
- KCI
초록
본 연구는 정규 과목으로서 정보이용교육을 수강하는 대학생들을 대상으로 이들의 컴퓨터활용능력과 도서관 관련 지식이 이용빈도와 정보활용능력에 어떠한 영향을 미치는지를 조사하고, 이용빈도와 정보활용능력은 어떠한 상관관계가 있는지를 분석하여 보다 나은 정보이용교육의 수업 방향을 제시하고자 함을 목적으로 하였다. 서울경기지역 소재 7개 대학의 8개 수업 수강생들을 대상으로 자료를 수집하였으며, 가설검증을 통해 변인들의 상관관계를 분석하였다. 정보이용교육의 중요성에 대한 대학당국의 인식과 더불어 향후의 정보이용교육은 도서관자료를 이용한 학술정보활용 중심으로 이루어져야 할 것임을 제안하였다.
Abstract
The purpose of this study is to reveal how undergraduate students' computer literacy and library knowledge can affect their frequency of library material use and information literacy, and analyze the correlations between frequency of library material use and information literacy. Data were collected by distributing questionnaires to students of 7 universities in 8 credit-given user education courses, and correlations with variables were analyzed through hypothesis testing. It was suggested that with strong support of university administration, user education should be taught by using more of scholarly library material.
초록
이 연구에서는 문헌 및 질의의 내용을 대표하는 주제어의 중의성 해소를 위해 대표적인 지도학습 모형인 나이브 베이즈 분류기와 비지도학습 모형인 EM 알고리즘을 각각 적용하여 검색 실험을 수행한 다음, 주제어의 중의성 해소를 통해 검색 성능의 향상을 가져올 수 있는지를 평가하였다. 실험문헌 집단은 약 12만 건에 달하는 한국어 신문기사로 구성하였으며, 중의성 해소 대상 단어로는 한국어 동형이의어 9개를 선정하였다. 검색 실험에는 각 중의성 단어를 포함하는 18개의 질의를 사용하였다. 중의성 해소 실험 결과 나이브 베이즈 분류기는 최적의 조건에서 평균 92%의 정확률을 보였으며, EM 알고리즘은 최적의 조건에서 평균 67% 수준의 클러스터링 성능을 보였다. 중의성 해소 알고리즘을 통합한 의미기반 검색에서는 나이브 베이즈 분류기 통합 검색이 약 39.6%의 정확률을 보였고, EM 알고리즘 통합 검색이 약 36%의 정확률을 보였다. 중의성 해소 모형을 적용하지 않은 베이스라인 검색의 정확률 37%와 비교하면 나이브 베이즈 통합 검색은 약 7.4%의 성능 향상률을 보인 반면 EM 알고리즘 통합 검색은 약 3%의 성능 저하율을 보였다.
Abstract
This paper presents a semantic vector space retrieval model incorporating a word sense disambiguation algorithm in an attempt to improve retrieval effectiveness. Nine Korean homonyms are selected for the sense disambiguation and retrieval experiments. The total of approximately 120,000 news articles comprise the raw test collection and 18 queries including homonyms as query words are used for the retrieval experiments. A Naive Bayes classifier and EM algorithm representing supervised and unsupervised learning algorithms respectively are used for the disambiguation process. The Naive Bayes classifier achieved 92% disambiguation accuracy, while the clustering performance of the EM algorithm is 67% on the average. The retrieval effectiveness of the semantic vector space model incorporating the Naive Bayes classifier showed 39.6% precision achieving about 7.4% improvement. However, the retrieval effectiveness of the EM algorithm-based semantic retrieval is 3% lower than the baseline retrieval without disambiguation. It is worth noting that the performances of disambiguation and retrieval depend on the distribution patterns of homonyms to be disambiguated as well as the characteristics of queries.