• Journal of the Korean Chemical Society
• /
• v.66 no.6
• /
• pp.472-492
• /
• 2022

The purpose of this study was to investigate secondary science teachers' PCK components and subcomponents that are specific to online and offline learning environment. Data collection consisted of survey, class observation, and individual interviews of twelve science teachers. This study used a theoretical framework of PCK for deductive data analysis and articulated codes and themes through the following inductive analysis. Data analysis revealed that each of PCK components showed different specificity to the online and offline learning environment. And subcomponents of each PCK component were different according to the specificity of the online and offline learning environment. Teaching orientation toward science had a specific orientation for the online learning environment, i.e., 'learning science concept' and 'lecture centered instruction.' Knowledge of the science curriculum had online-offline mixed learning environment specific knowledge, i.e., 'reorganization of curriculum' and online learning environment specific knowledge, i.e., 'development of learning goal' and 'science curricular materials.' Knowledge of science teaching strategies had online learning environment specific knowledge, i.e., 'topic-specific strategy', 'subject-specific strategy', and 'interaction strategy' and COVID-19 offline learning environment specific knowledge, i.e., 'topic-specific strategy' and 'interaction strategy'. Knowledge of student science understanding had online learning environment specific knowledge, i.e., 'student preconception', 'student learning difficulty', 'student motivation and interest', and 'student diversity' and COVID-19 offline learning environment specific knowledge, i.e., student learning difficulty'. Knowledge of science assessment had online-offline mixed learning environment specific knowledge and online learning environment specific knowledge, i.e., assessment contents and assessment methods for each.

• Journal of Digital Convergence
• /
• v.8 no.4
• /
• pp.151-164
• /
• 2010

This study utilized SPSS and AMOS program to research a process of learning satisfaction of learners, who used Ubiquitous Living English Experience Learning Center. The following results were found ; First, there was a positive correlation between learning setting and learning interest, between learning setting and learning satisfaction, between confidence and learning interest, between confidence and learning satisfaction, and between learning interest and learning satisfaction. Second, the process of the research model was meaningful in various ways: learning setting ${\rightarrow}$ confidence, learning setting ${\rightarrow}$ learning interest, learning setting ${\rightarrow}$ learning satisfaction, confidence ${\rightarrow}$ learning satisfaction, learning interest ${\rightarrow}$ learning satisfaction. Finally, learning setting had a direct influence upon learning interest and learning satisfaction.

• Proceedings of the Korean Information Science Society Conference
• /
• 2003.10a
• /
• pp.136-138
• /
• 2003

로봇이나 가상 캐릭터와 같은 지능형 에이전트가 자율적으로 살아가기 위해서는 주어진 환경을 인식하고, 그에 맞는 최적의 행동을 선택하는 능력을 가지고 있어야 한다. 본 논문은 이러한 지능형 에이전트를 구현하기 위하여, 외부 환경에 적응하면서 최적의 행동을 배우고 선택하는 방법을 연구하였다. 본 논문에서 제안한 방식은 강화 학습을 이용한 행동기반 학습 방법과 기호 학습을 이용한 인지 학습 방법을 통합한 방식으로 다음과 같은 특징을 가진다. 첫째, 외부 환경의 적응성을 수행하기 위하여 강화 학습을 이용하였으며. 이는 지능형 에이전트가 변화하는 환경에 대한 유연성을 가지도록 하였다. 둘째. 경험들에서 귀납적 기계학습과 연관 규칙을 이용하여 규칙을 추출하여 에이전트의 목적에 맞는 환경 요인을 학습함으로 주어진 환경에서 보다 빠르게, 확장된 환경에서 보다 효율적으로 행동을 선택을 하도록 하였다. 제안한 통합방식은 기존의 강화 학습만을 고려한 학습 알고리즘에 비하여 학습 속도를 향상 시킬수 있으며, 기호 학습만을 고려한 학습 알고리즘에 비하여 환경에 유연성을 가지고 행동을 적용할 수 있는 장점을 가진다.

• Proceedings of the Korea Information Processing Society Conference
• /
• 2021.11a
• /
• pp.910-913
• /
• 2021

Successor representation (SR) 은 두뇌 내 해마의 공간 세포가 인지맵을 구성하여 환경을 학습하고, 이를 활용하여 변화하는 환경에서 유연하게 최적 전략을 수립하는 기전을 모사한 강화학습 방법이다. 특히, 학습한 환경 정보를 활용, 환경 구조 안에서 목표가 변화할 때 강인하게 대응하여 일반 model-free 강화학습에 비해 빠르게 보상 변화에 적응하고 최적 전략을 찾는 것으로 알려져 있다. 본 논문에서는 SR 기반 강화학습 알고리즘이 보상의 변화와 더불어 환경 구조, 특히 환경의 상태 천이 확률이 변화하여 보상의 변화를 유발하는 상황에서 어떠한 성능을 보이는 지 확인하였다. 벤치마크 알고리즘으로 SR 의 특성을 목적 기반 강화학습으로 통합한 SR-Dyna 를 사용하였고, 환경 상태 천이 불확실성과 보상 변화가 동시에 나타나는 2-stage 마르코프 의사결정 과제를 실험 환경으로 사용하였다. 시뮬레이션 결과, SR-Dyna 는 환경 내 상태 천이 확률 변화에 따른 보상 변화에는 적절히 대응하지 못하는 결과를 보였다. 본 결과를 통해 두뇌의 강화학습과 알고리즘 강화학습의 차이를 이해하여, 환경 변화에 강인한 강화학습 알고리즘 설계를 기대할 수 있다.

• Proceedings of the Korean Institute of Navigation and Port Research Conference
• /
• 2019.05a
• /
• pp.3-4
• /
• 2019

본 논문에서는 복잡한 해상교통 환경 하에서도 해양 안전을 도모할 수 있는 강화학습 기반 지능형 선박 항해 에이전트 개발의 사전단계로서 기존의 강화학습 환경을 분석하였다. 강화학습 기반 접근법은 선박 항해 에이전트 스스로가 복잡하고 동적인 해상교통 환경을 이해하고 주어진 목표를 달성할 수 있도록 도와주는데, 이를 위해서는 에이전트 자신을 제외한 모든 사항들이 정의되는 환경을 보다 정확하고 효과적으로 개발하는 것이 매우 중요하다. 실제 해상교통 환경은 학습 환경으로의 모델링 및 에이전트 학습의 난이도가 매우 높은 환경으로 학습환경이 가질 수 있는 여러 속성들을 적절히 설정하여 선박 항해 에이전트의 활용 목적에 맞는 가성비 높은 환경을 구축하는 것이 바람직하다.

• Journal of Korea Society of Industrial Information Systems
• /
• v.26 no.4
• /
• pp.11-18
• /
• 2021

We propose a method that combines learning in a virtual environment and a real environment for indoor autonomous driving through reinforcement learning. In case of learning only in the real environment, it takes about 80 hours, but in case of learning in both the real and virtual environments, it takes 40 hours. There is an advantage in that it is possible to obtain optimized parameters through various experiments through fast learning while learning in a virtual environment and a real environment in parallel. After configuring a virtual environment using indoor hallway images, prior learning was carried out on the desktop, and learning in the real environment was conducted by connecting various sensors based on Jetson Xavier. In addition, in order to solve the accuracy problem according to the repeated texture of the indoor corridor environment, it was possible to determine the corridor wall object and increase the accuracy by learning the feature point detection that emphasizes the lower line of the corridor wall. As the learning progresses, the experimental vehicle drives based on the center of the corridor in an indoor corridor environment and moves through an average of 70 steering commands.

• Proceedings of the Korea Water Resources Association Conference
• /
• 2022.05a
• /
• pp.366-366
• /
• 2022

유역의 하천유량과 같은 수문 시계열을 모의 또는 예측하기 위한 수문 모델링에서 최근 기계 학습 방법을 활용한 연구가 활발하게 적용되고 있는 추세이다. 이러한 데이터 기반 모델링 접근법은 입출력 자료에서 관찰된 패턴을 학습하며, 특히, 장단기기억(Long Short-Term Memory, LSTM) 네트워크는 많은 연구에서 수문 시계열 예측에 대한 적용성이 검증되었으나, 장기간의 고품질 관측자료를 활용할 때 더 나은 예측성능을 보인다. 그러나 우리나라의 경우 장기간 관측된 고품질의 하천유량 자료를 확보하기 어려운 실정이다. 따라서 본 연구에서는 LSTM 네트워크의 학습 시 가용한 모든 유역의 자료를 통합하여 학습시켰을 때 하천유량 예측성능을 개선할 수 있는지 판단해보고자 하였다. 이를 위해, 우리나라 13개 댐 유역을 대상으로 대상 유역의 자료만을 학습한 모델의 예측성능과 모든 유역의 자료를 학습한 모델의 예측성능을 비교해 보았다. 학습은 2001년부터 2010년까지 기상자료(강우, 최저·최고·평균기온, 상대습도, 이슬점, 풍속, 잠재증발산)를 이용하였으며, 2011년부터 2020년에 대해 테스트 되었다. 다지점 통합학습을 통해 테스트 기간에 대해 예측된 각 유역의 일 하천유량의 KGE 중앙값이 0.74로 단일지점 학습을 통해 예측된 KGE(0.72)보다 다소 개선된 결과를 보여주었다. 다지점 통합학습이 하천유량 예측에 큰 개선을 달성하지는 못하였으며, 추가적인 가용 자료 확보와 LSTM 구성의 개선을 통해 추가적인 연구가 필요할 것으로 판단된다.

• Proceedings of the Korea Information Processing Society Conference
• /
• 2011.04a
• /
• pp.1108-1111
• /
• 2011

최근 E-러닝 발전과 함께 U-러닝에 대한 관심이 집중되고 있으며 이와 관련된 다양한 관련 표준들이 채택되고 있다. 기존의 E-러닝 관련 기술들이 웹에 기반한 학습을 지향하였다면 U-러닝에서는 다양한 환경에서 학습자가 학습의 맥락을 이어가며 학습을 하는 것으로서 언제, 어디서나, 누구나 학습을 진행하여 생활의 학습화를 지원할 기술을 필요로 한다. 즉, U-러닝에서는 다양한 사용 환경에서 학습이 이루어지므로 사용 환경에 적합한 학습이 이루어져야 하고, 이를 위해 사용 환경 맞춤형 콘텐츠 적응화 기술이 필요하다. 크게 사용 환경 맞춤형 콘텐츠 적응화 기술은 다양한 단말기 정보를 포함한 사용 환경 정보를 표현할 수 있는 기술과 사용자의 사용 환경 정보를 분석하는 기술, 사용 환경에 적합한 콘텐츠를 구성하는 기술로 구성된다. 이에 본 연구에서는 지식서비스 USN 산업원천 기술개발 과제의 세부과제인 'U-러닝 환경 표준 및 표준 명세 개발 및 검증' 과제에서 콘텐츠 적응화를 위해 연구 개발된 사용 환경 정보를 표현하는 U-러닝 프로파일에 대하여 소개한다.

• Proceedings of the Korean Information Science Society Conference
• /
• 2006.10b
• /
• pp.393-396
• /
• 2006

강화학습은 환경과 상호작용하는 과정을 통하여 목표를 이루기 위한 전략을 학습하는 방법으로써 에이전트의 학습방법으로 많이 사용한다. 독립적인 에이전트가 아닌 상호 의사소통이 가능한 다중 에이전트 환경에서 에이전트의 학습정보를 서로 검색 및 공유가 가능하다면 환경이 거대하더라도 기존의 강화학습 보다 빠르게 학습이 이루어질 것이다. 하지만 아직 다중 에이전트 환경에서 학습 방법에 대한 연구가 미흡하여 학습정보의 검색과 공유에 대해 다양한 방법들이 요구되고 있다. 본 논문에서는 대상 에이전트 학습 정보와 주변 에이전트들의 학습 정보 사이에 편집거리를 비교하여 유사한 에이전트를 찾고 그 에이전트 정보를 강화학습 사전정보로 사용함으로써 학습속도를 향상시킨 ED+Q-Learning 시스템을 제안한다.

• Proceedings of the Korea Inteligent Information System Society Conference
• /
• 2005.11a
• /
• pp.205-210
• /
• 2005

유비쿼터스 컴퓨링과 네트워킹 환경이 준비됨에 따라 교육 분야에서도 새로운 환경에 적합한 교육학습 시스템에 대한 준비가 필요하다. 특히 유비쿼터스 컴퓨팅 환경에서는 단순히 새로운 기술을 교육학습 분야에 적용하는 것이 아니라 사고방식과 대상을 바꾸는 패러다임의 전환이 필요하다. 분야에서는 유비쿼터스 환경을 단계적으로 적용하여야 한다. 기존의 e-learning에서는 지능시스템이 교육학습 분야에 적용될 수 있는 부분이 한정되어 있었다. 그러나 유비쿼터스 맞춤형 학습 시스템을 구축할 수 있는 기본 환경이 제공하기 위하여 유비퀴터스 환경의 하부 단위에서 증강현실(augmented reality) 기술, 지능형 학습 기술들을 도출하고 적용 방법을 제안한다.