• 한국방사선학회논문지
• /
• 제18권3호
• /
• pp.203-212
• /
• 2024

동물병원 방사선사를 위한 대학 방사선학과 교육과정을 개발에 기초자료로 사용 하고자 동물병원전문와 방사선학과 재학생들을 대상으로 설문조사를 실시하였다. 동물병원전문가 20명을 대상으로 기본정보와 방사선검사 교육 이수, 방사선검사 실시 경험, 동물케어 및 동물 해부 생리학 교육 이수, 방사선 안전관리 교육 이수, 방사선 생물학 교육 이수에 대해서, 방사선학과 재학생 171명을 대상으로 기본정보와 취업진로 분야, 동물병원 인식 분야, 동물병원 관련 학과 환경에 대해 온라인 설문조사를 실시하였다. 설문조사 결과는 엑셀에 정량적으로 입력 후 SPSS ver. 26.0 을 사용하여 분석하였다. 재학생 의 평균 나이는 22.6세 이었고, 전체 171명 중 남자 92명이었고 여자는 79명이었다. 취업진로 분야에서 전체 대상자의 62.6%가 의료기관 취업전망이 좋다고 응답하였고, 의료기관 외 취업 희망에서는 동물병원이 83명으로 가장 높았다. 동물병원 취업을 희망한다고 응답한 83명 중 64명이 동물을 좋아해서, 47명이 발전 가능성이 높아서 동물병원 취업을 희망하였다. 동물병원 발전 가능성이 있다고 응답한 159명 중 96.2% 반려동물증가로 인한다고 응답하였다. 동물병원 관련 학과 환경에서는 94.7% 관련 기자재가 없다고 응답하였고, 학과에 동물케어 교과목 72.5%, 해부생리 82.5%로 개설이 필요하다고 응답하였다. 76.6% 동물관련 교과목이 개설되면 수강 의사가 있다고 응답하였다. 동물병원전문가 전체 대상자 20명 중에 4명이 동물에 대한 방사선 검사 경험이 없었고, 방사선사 2명, 기타 2명 이었다. 동물방사선 검사에 대한 교육을 받지 않은 자는 7명 이었고, 방사선사 2명은 동물 케어와 동물 해부생리에 대한 교육을 받지 않았다. 본 연구는 향후 동물병원에 취업하는 방사선사를 위한 방사선학과 교육과정 개발에 도움이 될 것으로 사료된다.

• 지능정보연구
• /
• 제24권2호
• /
• pp.111-124
• /
• 2018

본 연구는 만성질환 중의 하나인 고지혈증 유병을 예측하는 분류모형을 개발하고자 한다. 이를 위해 SVM과 meta-learning 알고리즘을 이용하여 성과를 비교하였다. 또한 각 알고리즘에서 성과를 향상시키기 위해 변수선정 방법을 통해 유의한 변수만을 선정하여 투입하여 분석하였고 이 결과 역시 각각 성과를 비교하였다. 본 연구목적을 달성하기 위해 한국의료패널 2012년 자료를 이용하였고, 변수 선정을 위해 세 가지 방법을 사용하였다. 먼저 단계적 회귀분석(stepwise regression)을 실시하였다. 둘째, 의사결정나무(decision tree) 알고리즘을 사용하였다. 마지막으로 유전자 알고리즘을 사용하여 변수를 선정하였다. 한편, 이렇게 선정된 변수를 기준으로 SVM, meta-learning 알고리즘 등을 이용하여 고지혈증 환자분류 예측모형을 비교하였고, TP rate, precision 등을 사용하여 분류 성과를 비교분석하였다. 이에 대한 분석결과는 다음과 같다. 첫째, 모든 변수를 투입하여 분류한 결과 SVM의 정확도는 88.4%, 인공신경망의 정확도는 86.7%로 SVM의 정확도가 좀 더 높았다. 둘째, stepwise를 통해 선정된 변수만을 투입하여 분류한 결과 전체 변수를 투입하였을 때보다 각각 정확도가 약간 높았다. 셋째, 의사결정나무에 의해 선정된 변수 3개만을 투입하였을 때 인공신경망의 정확도가 SVM보다 높았다. 유전자 알고리즘을 통해 선정된 변수를 투입하여 분류한 결과 SVM은 88.5%, 인공신경망은 87.9%의 분류 정확도를 보여 주었다. 마지막으로, 본 연구에서 제안하는 meta-learning 알고리즘인 스태킹(stacking)을 적용한 결과로서, SVM과 MLP의 예측결과를 메타 분류기인 SVM의 입력변수로 사용하여 예측한 결과, 고지혈증 분류 정확도가 meta-learning 알고리즘 중에서는 가장 높은 것으로 나타났다.

• 지능정보연구
• /
• 제26권2호
• /
• pp.105-129
• /
• 2020

본 연구는 부도위험 예측을 위해 K-IFRS가 본격적으로 적용된 2012년부터 2018년까지의 기업데이터를 이용한다. 부도위험의 학습을 위해, 기존의 대부분 선행연구들이 부도발생 여부를 기준으로 사용했던 것과 다르게, 본 연구에서는 머튼 모형을 토대로 각 기업의 시가총액과 주가 변동성을 이용하여 부도위험을 산정했으며, 이를 통해 기존 방법론의 한계로 지적되어오던 부도사건 희소성에 따른 데이터 불균형 문제와 정상기업 내에서 존재하는 부도위험 차이 반영 문제를 해소할 수 있도록 하였다. 또한, 시장의 평가가 반영된 시가총액 및 주가 변동성을 기반으로 부도위험을 도출하되, 부도위험과 매칭될 입력데이터로는 비상장 기업에서 활용될 수 있는 기업 정보만을 활용하여 학습을 수행함으로써, 포스트 팬데믹 시대에서 주가 정보가 존재하지 않는 비상장 기업에게도 시장의 판단을 모사하여 부도위험을 적절하게 도출할 수 있도록 하였다. 기업의 부도위험 정보가 시장에서 매우 광범위하게 활용되고 있고, 부도위험 차이에 대한 민감도가 높다는 점에서 부도위험 산출 시 안정적이고 신뢰성 높은 평가방법론이 요구된다. 최근 머신러닝을 활용하여 기업의 부도위험을 예측하는 연구가 활발하게 이루어지고 있으나, 대부분 단일 모델을 기반으로 예측을 수행한다는 점에서 필연적인 모델 편향 문제가 존재하고, 이는 실무에서 활용하기 어려운 요인으로 작용하고 있다. 이에, 본 연구에서는 다양한 머신러닝 모델을 서브모델로 하는 스태킹 앙상블 기법을 활용하여 개별 모델이 갖는 편향을 경감시킬 수 있도록 하였다. 이를 통해 부도위험과 다양한 기업정보들 간의 복잡한 비선형적 관계들을 포착할 수 있으며, 산출에 소요되는 시간이 적다는 머신러닝 기반 부도위험 예측모델의 장점을 극대화할 수 있다. 본 연구가 기존 머신러닝 기반 모델의 한계를 극복 및 개선함으로써 실무에서의 활용도를 높일 수 있는 자료로 활용되기를 바라며, 머신러닝 기반 부도위험 예측 모형의 도입 기준 정립 및 정책적 활용에도 기여할 수 있기를 희망한다.