Journal of Korean Elementary Science Education (한국초등과학교육학회지:초등과학교육)

The Korean Elementary Science Education Society (한국초등과학교육학회)
권호 표지
DOI QR코드

DOI QR Code

Analysis of Trends in Science Gifted Education Using Topic Modeling

토픽 모델링을 활용한 과학영재교육 연구동향 분석

  • Received : 2021.01.26
  • Accepted : 2021.04.30
  • Published : 2021.08.31
Download PDF
⟨ Previous Next ⟩

Abstract

The purpose of this study is to examine the trends of science gifted education-related research for the last 5 years using LDA topic modeling. To achieve the purpose of the study, 2,404 keywords of 292 domestic academic papers were analyzed using RISS, KISS, and DBpia. The main results were as follows. First, the number of researches in science gifted education has been decreasing since 2019. In the science gifted education research, the top 10 keywords were 'students', 'program', 'elementary school', 'class', 'creativity', 'gifted education', 'awareness', 'teacher', 'education', and 'activity'. Second, as a result of topic modeling analysis, 10 topics were derived. Research topics mainly conducted in science gifted education for the past five years are 'Affective characteristics of science gifted students', 'Characteristics of science gifted students in middle school', 'Development and application of science gifted education programs', 'Education programs of science gifted high school', 'Cognitive characteristics of science gifted students', 'Policy of science gifted education', 'Science gifted students and creativity', 'Research conducting education by science gifted students', 'Academic and career choice of science gifted students', 'Science concept of science gifted Students'. In the past, the proportion of specific topics was relatively high, but the proportion between topics does not differ significantly as 2019 approaches. Therefore, it can be confirmed that the more recent it comes, the more research is being conducted evenly without being biased toward one subject.

본 연구의 목적은 LDA 토픽모델링을 활용하여 최근 5년간의 과학영재교육 관련 연구의 동향을 살펴보는 것이다. 보편적으로 이용되는 국내 학술 데이터 RISS, KISS, DBpia를 선정하여 국내 학술논문 292편을 수집해 2,404개의 키워드를 분석하였다. 주요 분석 결과는 다음과 같다. 첫째, 최근 과학영재교육 연구물 수는 2019년에 이르기까지 그 수가 줄어들고 있으며, 과학 영재교육 관련 연구에서 상위 10개의 주제어는 '학생', '프로그램', '초등', '수업', '창의성', '영재교육', '인식', '교사', '교육', '활동'으로 나타났다. 둘째, 토픽모델링 분석 결과로는 총 10개의 토픽이 도출되었다. 최근 5년간 과학 영재교육에서 주로 이루어진 연구주제는 '과학 영재학생의 정의적 특성', '중등 과학 영재학생의 특성', '과학영재교육 프로그램의 개발 및 적용', '과학고와 과학영재고의 교육활동', '과학 영재학생의 인지적 특성', '과학영재교육 정책', '과학영재학생과 창의성', '과학영재학생들의 연구수행교육', '과학영재학생의 학업과 진로선택', '과학 영재학생의 과학 개념'으로 나타났다. 과거에는 특정 토픽의 비중이 상대적으로 높게 나타났으나, 2019년으로 올수록 토픽 간 비중이 크게 차이가 나지 않는다. 따라서 최근으로 올수록 연구가 한 주제에 치우치지 않고 고루 진행되고 있다는 것을 확인할 수 있었다.

Keywords

References

  1. 강경희(2010). 과학영재교육 관련 국내 연구 동향. 한국과학교육학회지, 30(1), 54-67. https://doi.org/10.14697/jkase.2010.30.1.054
  2. 권언근, 김윤경(2009). 우리나라 과학영재교육 관련 논문의 주제 분석: 1980년부터 2008년까지. 과학영재교육, 1(2), 63-76.
  3. 김갑철, 노현종(2019). 토픽모델링을 활용한 국내 지역지리교육 연구 동향 분석. 사회과교육, 58(4), 49-67.
  4. 김근형, 오성열(2009). 온라인 고객리뷰 분석을 통한 시장세분화에 텍스트마이닝 기술을 적용하기 위한 방법론. 한국콘텐츠학회논문지, 9(8), 272-284. https://doi.org/10.5392/JKCA.2009.9.8.272
  5. 김성근, 조혁준, 강주영(2016). 학술연구에서의 텍스트 마이닝 활용 현황 및 주요 분석기법. 정보기술아키텍처연구, 13(2), 317-329.
  6. 김수현, 이영준, 신진영, 박기영(2019). 경제 분석을 위한 텍스트 마이닝. 한국은행.
  7. 김재우, 김동진(2019). 텍스트 마이닝을 활용한 사회과 연구 동향 분석: 2000년대 이후의 학술 논문을 중심으로. 시민교육연구, 51(2), 35-70. https://doi.org/10.35557/TRCE.51.2.201906.002
  8. 김주아(2019). 2019 영재교육 통계연보(SM2020-01). 한국교육개발원.
  9. 김진모, 전영욱(2005). 외국의 인적자원개발 연구동향. Andragogy Today, 8(4), 1-37.
  10. 김창식, 곽기영, 윤혜진(2017). 관광분야 연구동향 분석: 토픽모델링과 시계열분석을 중심으로. 관광레저연구, 29(12), 25-39.
  11. 박경진, 류춘렬, 최진수, 김희목(2017). 텍스트 네트워크 분석을 활용한 과학영재교육 언론동향 분석. 영재교육연구, 27(3), 387-403. https://doi.org/10.9722/JGTE.2017.27.3.387
  12. 박자현, 송민(2013). 토픽모델링을 활용한 국내 문헌정보학 연구동향 분석. 정보관리학회지, 30(1), 7-32. https://doi.org/10.3743/KOSIM.2013.30.1.007
  13. 배상진, 박철균(2003). 텍스트마이닝 기법의 기술정보분석 적용 가능성 연구. 한국기술혁신학회 학술대회 발표논문집, 75-88.
  14. 서혜애(2004). 과학적 창의성과 과학영재교육의 방향. 영재교육연구, 14(1), 65-89.
  15. 손유진(2017). 빅데이터 기반 토픽모델링과 의미연결망 분석을 활용한 유아 사교육 쟁점 분석 연구. 한국연구재단 연구성과물, https://www.krm.or.kr/krmts/link.html?dbGubun=SD&m201_id=10077668&res=y
  16. 양승준, 이보연, 김희웅(2016). 토픽모델링 기반 행복과 불행 이슈 분석 및 행복 증진 방안 연구. 지식경영연구, 17(2), 165-185. https://doi.org/10.15813/kmr.2016.17.2.007
  17. 영재교육진흥법(2000).
  18. 유정옥(2019). 텍스트마이닝을 이용한 청소년의 성고민 분석. 한국보건정보통계학회지, 44(2), 181-188.
  19. 육동인(2017). 텍스트 마이닝을 활용한 직업학 연구동향분석. 한국산학기술학회 논문지, 18(9), 366-376.
  20. 윤진아, 서혜애(2016). 2010년부터 2015년까지 국내 과학영재교육의 연구동향 분석: 문헌분석 대 사회네트워크 분석. 과학교육연구지, 40(3), 267-286. https://doi.org/10.21796/jse.2016.40.3.267
  21. 이정석, 김용권(2016). KERIS를 활용한 과학영재교육에서의 STEAM 교육 관련 연구동향 분석. 대한지구과학교육학회지, 9(2), 152-162. https://doi.org/10.15523/JKSESE.2016.9.2.152
  22. 정철우, 김재준(2012). 텍스트마이닝을 활용한 건설분야 트랜드 분석. 한국디지털건축인테리어학회 논문집, 12(2), 53-60.
  23. 최호성(2016). 한국 영재교육의 위기 현상 진단과 해결방안. 영재교육연구, 26(3), 493-514. https://doi.org/10.9722/JGTE.2016.26.3.493
  24. 황서이, 황동열(2018). 토픽모델링과 의미연결망 분석을 통한 예술경영 연구동향 분석. 예술경영연구, 47, 5-29.
  25. Arun, R., Suresh, V., Veni Madhavan, C. E., & Narasimha Murthy, M. N. (2010). On finding the natural number of topics with latent dirichlet allocation: Some observations. PAKDD 2010: Advances in Knowledge Discovery and Data Mining, 391-402.
  26. Blei, D. M., & Lafferty, J. D. (2007). A correlated topic model of science. The Annals of Applied Statistics, 1(1), 17-35. https://doi.org/10.1214/07-AOAS114
  27. Blei, D., Ng, A., & Jordan, M. (2003). Latent dirichlet allocation. Journal of Machine Learning Research, 3, 993-1022.
  28. Deveaud, R. E., Eric, S., & Patrice, B. (2014). Accurate and effective latent concept modeling for ad hoc information retrieval. Document Numerique, 17(1), 61-84. https://doi.org/10.3166/dn.17.1.61-84
  29. Gatti, C. J., Brooks, J. D., & Nurre, S. G. (2015). A historical analysis of the field of or/ms using topic models. arXiv preprintarXiv:1510.05154.
  30. Griffiths, T. L., & Steyvers, M. (2004). Finding scientific topics. Proceedings of the National Academy of Sciences, 101(suppl1), 5228-5235. https://doi.org/10.1073/pnas.0307752101
  31. Yang, H. L., Chang, T. W., & Choi, Y. R. (2018). Exploring the research trend of smart factory with topic modeling. Sustainability, 10(8), 1-1. https://doi.org/10.3390/su10020001
  32. Juan, C., Tian, X., Jintao, Li., Yongdong, Z., & Sheng, T. (2009). A density-based method for adaptive LDA model selection. Neurocomputing, 72(7-9), 1775-1781. https://doi.org/10.1016/j.neucom.2008.06.011
  33. Sun, L., & Yin, Y. (2017). Discovering themes and trends in transportation research using topic modeling. Transportation Research Part C: Emerging Technologies, 77, 49-66. https://doi.org/10.1016/j.trc.2017.01.013
  34. Tan, A. H. (1999). Text mining: The state of the art and the challenges. Proceedings of the Pacific Asia Conf on Knowledge Discovery and Data Mining PAKDD'99 workshop on Knowledge Discovery from Advanced Databases, 8, 1-6.
  35. Taylor, C. (2005). Moving international advertising research forward. Journal of Advertising, 34(1), 7-16. https://doi.org/10.1080/00913367.2005.10639187
  36. Zou, C. (2018). Analyzing research trends on drug safety using topic modeling. Expert Opinion on Drug Safety, 17(6), 629-636. https://doi.org/10.1080/14740338.2018.1458838