• 산업진흥연구
• /
• 제1권1호
• /
• pp.51-57
• /
• 2016

본 연구는 학습조직화 사업에서 학습조직 구축수준이 학습조직화 사업 만족도에 미치는 영향과 강한 리더십의 조절효과를 검증하였다. 연구결과 학습조직 구축수준이 학습조직화 사업 만족도에 유의한 영향(p<.001, ${\beta}=.652$)을 미쳤으며 세부 요인별로 자아완성은 지식창출과 이전 및 재무적 성과에, 시스템사고와 팀학습은 학습인프라 구축에, 비전공유는 학습문화 및 활동 팀워크 및 네트워킹 재무적 성과에 영향을 미쳤다. 또한 상사의 강한 리더십에 따라 학습조직 구축수준의 팀학습 요인이 학습조직화 사업 만족도에 미치는 영향이 달라지는 조절효과가 나타났다. 본 연구결과를 통해 학습조직 구축수준이 학습조직화 사업의 만족도에 미치는 영향을 밝힘으로써 학습이론과 실제 사업성과를 연결시켜 인과관계를 분석했으며 성공적인 학습조직 운영을 위한 시사점을 제공한 데 그 의의가 있다.

• 응용통계연구
• /
• 제15권2호
• /
• pp.251-267
• /
• 2002

Kohonen이 제안한 자기조직화 지도(Self Organizing Maps : SOM)는 매우 빠른 신경망 모형이다. 하지만 다른 신경망 모형과 마찬가지로 학습 결과에 대한 명확한 규칙을 제시하지 못할 뿐만 아니라 지역적 최적값으로 빠지는 경우가 종종 있다. 본 논문에서는 이러한 자기조직화 지도의 모형에 대한 설명력을 부여하고 전역 최적값으로 수렴할 수 있는 예측 성능을 갖는 모형으로서 자율학습 신경망에 베이지안 추론을 결합한 자기조직화 지도를 위한 베이지안 학습(Bayesian Learning for Self Organizing Maps ; BLSOM)을 제안한다. 이 방법은 기존의 자기조직화 지도가 지역적 해에 머물러 있는 것에 비해서 언제든지 전역적 해로 수렴함이 실험을 통하여 밝혀졌다.

• 산업진흥연구
• /
• 제1권1호
• /
• pp.65-70
• /
• 2016

본 연구는 학습조직화 사업에서 상사의 강한 리더십이 조직원들의 학습동기에 미치는 영향과 학습조직 구축수준의 조절효과를 검증하였다. 학습조직화 사업에 참여하는 제조업종의 중소기업을 대상으로 설문조사를 실시한 결과 강한 리더십이 학습동기에 유의한 영향(p<.001, ${\beta}=.425$)을 미쳤으며, 강한 리더십의 구성요인 중 비전관련 행동이 학습동기의 구성요인인 과제가치에 유의한 영향을 미쳤다. 또한 학습조직 구축수준에 따라 강한 리더십이 학습동기에 미치는 영향이 달라지는 조절효과가 나타났으며, 학습조직 구축수준의 구성요인 중 자아완성과 팀학습의 조절작용이 확인되었다. 본 연구결과를 통해 강한 리더십과 학습조직 구축수준이 학습조직화 사업에 참여하는 조직원들의 학습동기에 미치는 영향을 밝힘으로써 성공적인 학습조직 운영을 위한 시사점을 제공한 데 그 의의가 있다.

• 한국수학교육학회지시리즈E:수학교육논문집
• /
• 제15권
• /
• pp.161-166
• /
• 2003

본 연구는 학습 구조차트 구성을 통하여 고등학교 수학의 학습내용을 구조적 ${\cdot}$ 체계적으로 조직화시켜 학생들로 하여금 학습 내용의 효과적인 이해와 상호 관련성을 촉진시키고 학습 내용의 조직화 및 구조화 활동이 고등학생들의 학업에 미치는 영향을 조사하는데 그 목적이 있다. 본 연구에 따르면 수학 학업성취도가 상인 학생은 문제풀이시 머릿속에서 차트를 그리게 되고 여러 가지 개념을 나열하여 조작할 수 있는 능력이 생겼으며 문제 유형에 맞춘 학습 보다는 어떤 개념들이 문제풀이에 사용되었으며 이러한 개념들이 어떻게 나열되는지에 대한 학습으로 관심이 전환되었다. 수학학업 성취도가 하인 학생들은 학습 구조차트의 구성에만 만족하는 편이며 선행지식의 부족으로 복합적인 개념의 문제풀이에 있어서는 여전히 어려움을 경험하고 있었다. 성적이 낮은 학생일수록 개념에 대한 구조화와 조직화에 대한 어려움이 많은 것으로 보여 이들 학생들에 대한 장기적인 연구가 필요하다고 본다.

• 한국멀티미디어학회논문지
• /
• 제3권4호
• /
• pp.416-423
• /
• 2000

기존 Kohonen의 자기조직화 지도(self-organizing feature map)는 학습시 많은 입력 패턴이 필요하며 이에 따른 학습 시간 역시 증가하는 단점이 있다. 이러한 단점을 보완하기 위해 B. Bavarian은 위상학적 위치에 따라 각기 다른 학습률(learning rate)을 갖도록 하였으나 자기조직화가 정밀하게 되지 않는 단점을 갖고 있다. 본 논문에서는 자기조직화 지도의 학습시 계산량이 많은 가우시안 함수를 근사곡선(approximate curve)으로 변형하여 수렴속도를 향상시켰고 학습 횟수에 따라 근사곡선의 폭을 동적으로 변화시킴으로써 자기조직화지도의 수렴도를 개선하였다.

• 한국과학교육학회지
• /
• 제20권4호
• /
• pp.519-526
• /
• 2000

본 연구에서는 문제 해결 전략에서 시각적 조직화와 협동학습의 효과를 조사하였다. 고등학교에서 세학급 (N=127)을 선정하여 시각적 조직화를 이용한 문제 해결 전략을 개별적으로 사용하는 집단(SV), 협동학습 환경에서 사용하는 집단(SVC ), 그리고 통제집단으로 배치하였다. 수업 처치 후 객관식 문제 해결력, 전략 수행 능력, 화학 학습에 대한 불안, 수업참여도, 학습 동기를 조사하였다. 연구 결과 객관식 문제 해결력에서는 집단간 차이가 유의미하지 않았으나, 전략 수행 능력에서는 수업 처치의 주효과가 나타났다. SV 집단과 SVC 집단의 점수가 통제 집단보다 높았으며, 특히 하위 영역 중 문제 이해와 관련 법칙 회상에서 높은 점수를 보였다. 수업 참여도와 학습 동기 검사에서도 SV 집단과 SVC 집단의 점수가 통제 집단보다 유의미하게 높았다. 그러나 시각적 조직화를 이용한 문제 해결 전략이 학생들의 화학 학습에 대한 불안을 유의미하게 감소시키지는 못했다.

• 한국컴퓨터정보학회:학술대회논문집
• /
• 한국컴퓨터정보학회 2019년도 제59차 동계학술대회논문집 27권1호
• /
• pp.47-48
• /
• 2019

본 논문에서는 신경망의 일종인 자기조직화지도(Self Organizing Map)을 이용하여 컨트롤러의 순서를 정하는 모델을 제안하였다. 자기조직화지도는 자율 학습에 의한 클러스터링을 수행하는 알고리즘으로써 컨트롤러에 가중치를 부여하고 컨트롤러 간 거리를 계산하여 효율적인 컨트롤러 선택을 목표로 한다.

• 한국컴퓨터정보학회논문지
• /
• 제7권4호
• /
• pp.204-210
• /
• 2002

자기조직화 지도(self-organizing feature map)는 학습시 수렴하기 위하여 많은 입력패턴을 필요로 하는 단점이 있다. 본 논문에서는 자기조직화 지도 학습시 학습률이 일정한 이웃 상호작용 집합을 동적 가우시안 함수로 변환하여 수렴속도와 수렴도를 개선할 수 있는 방법을 제안한다. 제안한 방법은 이웃 상호작용 함수로 사용된 가우시안 함수의 편차와 폭을 학습 회수에 따라 감소하는 동적 성질과 승자 뉴런으로부터의 위상학적 위치에 따라 각기 다른 학습률을 갖도록 하였다. 따라서 본 논문에서는 자기조직화 지도의 수렴속도와 수렴도를 향상시켰다.

• 디지털융복합연구
• /
• 제13권8호
• /
• pp.289-294
• /
• 2015

본 연구는 비교사학습의 대표적인 방법 중 하나인 코호넨의 자기조직화 방법을 기반으로 BCI(Brain-Computer Interface)에 적용 가능한 자율적 기계학습방법을 제안한다. 이를 위해 상호작용 함수를 이용한 학습영역조정방법과 자율적 기계학습규칙을 제안하였다. 학습영역조정과 기계학습은 코호넨의 자기조직화 방법을 기반으로 한 상호작용 함수에 의한 측면제어효과를 이용하였다. 승자 뉴런을 결정하고 난 후 학습 규칙에 따라 뉴런의 연결강도를 조정하고 학습 횟수가 증가함에 따라 학습영역이 점차 감소하여 출력층 뉴런 가중치들의 입력을 향한 유동을 완화시켜 네트워크가 평형 상태(equilibrium state)에 도달하여 학습을 마칠 수 있는 자율적 기계학습을 제안하였다.

• 한국지능시스템학회:학술대회논문집
• /
• 한국퍼지및지능시스템학회 2001년도 춘계학술대회 학술발표 논문집
• /
• pp.73-77
• /
• 2001

본 논문에서는 부분적으로 관측 가능한 환경에서 사전의 모델 정보 없이 확률적인 행동 정책을 학습하는 상태 조직화 강화 학습 모델을 제안한다. 기존의 강화학습은 환경 모델을 사전에 필요로 하고 상태 전체의 관측이 필요하기 때문에 학습 이전에 문제에 대해 알아야 한다는 제약이 있다. 또한 작은 문제에 대해서는 잘 적용되지만 상태의 수가 매우 많고 부분적으로만 관측한 경우가 많은 실제 문제에는 그대로 적용하기가 불가능하다. 이러한 두 가지 단점을 해결하기 위해 본 논문에서는 사전의 모델 정보 없이 부분적인 관측값으로부터 상태와 행동 정책을 동시에 학습해 나가는 강화 학습 모델을 제안하고, 제안된 방법을 부분적으로만 관측이 가능한 미로 탐색 문제에 적용하였다.