• 한국지구과학회지
• /
• 제39권3호
• /
• pp.260-274
• /
• 2018

이 연구에서는 학습 발달과정을 탐색을 통해 계절의 변화에 대한 교육과정과 교수 계열을 제안하고자 하였다. 학습 발달과정을 알아보기 위해 Wilson (2005)이 제안한 '구인 모델링 방식'의 4가지 단계(구인특화, 평가 문항 개발, 평가 결과 기술, 측정 모델)를 적용하였다. 구인특화 단계에서는 계절의 변화의 하부 구인으로 '계절에 따른 그림자의 길이', '계절에 따른 별자리의 위치', '남반구와 북반구의 계절', '계절에 따른 태양의 일주운동', '계절의 원인과 현상'을 설정하였으며, 선행 연구 결과를 바탕으로 각 하부 구인의 하위 정착점인 수준 1에서 상위 정착점인 수준 4까지를 나타낸 구인구성도를 작성하였다. 평가 문항 개발 단계에서는 구인구성도를 토대로 C-E (choose and explain) 형태의 문항 3개, CR (constructed response) 형태의 문항 2개로 구성된 총 5개의 평가 문항을 개발하였으며, 초, 중, 고등학교 학생 383명을 대상으로 적용하였다. 평가 결과 기술 단계에서는 평가 문항에 대한 학생 응답 결과를 구인구성도를 토대로 범주화하는 과정을 거쳤으며, 이 범주들을 학생 능력에 따라 4수준으로 분류하고 1-4점의 점수를 부여하였다. 측정 모델 단계에서는 Rasch 모델의 부분점수 모형을 적용하여 학생들의 응답 결과를 통해 작성한 학습 발달의 경로가 선행 연구를 기반으로 작성한 구인구성도와 일치하는지 비교하였다. 이를 통해 구인구성도를 수정함으로써 최종적으로 계절의 변화에 대한 가설적인 학습 발달과정을 작성하였다. 최종적으로, 연구 결과를 바탕으로 계절 변화에 대한 교육 과정 개정 방향과 효과적인 교수 계열을 제안하였다.

• 한국지구과학회지
• /
• 제41권3호
• /
• pp.291-306
• /
• 2020

이 연구에서는 다층 서답형 문항을 이용하여 태양계 구조에 대한 학습 발달과정을 개발하고 그 타당성을 검증하고자 하였다. 이를 위해 Wilson(2005)이 제안한 구인 모델링 방식을 적용하여 '태양계 구성원', '태양계 행성의 크기와 거리의 경향성', '태양계 모델링'을 발달 변인(progress variables)으로 설정하고 각각에 대한 다층 서답형 문항을 개발하여 검사지로 구성하였다. 개발된 문항을 초등학교 5학년 150명을 대상으로 '태양계와 별' 단원 수업의 사전 및 사후에 적용하였다. 평가 결과를 기술하기 위해 각각의 평가 문항에 대한 학생 응답을 범주화 하는 과정을 거쳤으며, 이범주들을 구인별로 5개 수준으로 분류하였다. Rasch 모델의 부분점수 모형을 적용하여 작성된 Wright map을 분석함으로써 학생들의 응답 결과를 기반으로 작성된 학습 발달과정의 수준이 적절한지 검토하였다. 또한, 수업 전후 학생들의 수준 변화를 추적함으로써 학습 발달과정에서 설정한 가설적인 경로의 타당성을 검증하였다. 연구 결과는 다음과 같다: 다층 서답형 문항을 이용한 상향식 연구방법으로 초등학교에 적용할 수 있는 태양계 구조에 대한 경험적 학습 발달과정을 정교하게 설정할 수 있었다. 그리고 학습 발달과정의 구인 타당도가 높게 나타나며 학생들의 발달이 학습 발달과정을 따라 변화하는 것으로 나타났다.

• 디지털융복합연구
• /
• 제20권1호
• /
• pp.309-316
• /
• 2022

본 연구는 비대면 시대 유튜브 이러닝 고도화 서비스 방안에 관한 연구이다. 문헌 조사와 선행연구를 통해서 교육 변화의 동향에 관하여 고찰하였고, 온라인 설문과 심층 인터뷰를 통해 개선 방안을 제안하였다. 연구 방법은 2021년 10월 15일부터 28일까지 총 14일간 유튜브로 학습 경험이 있는 MZ세대 90명을 대상으로 허니콤 모델과 리커트 5점 척도를 기반으로 1차 온라인 설문을 진행하였고, 설문에서 유튜브를 통한 학습 빈도가 높다고 응답한 6명을 대상으로 2차 심층 인터뷰를 진행하였다. 실험 결과 사용자들은 학습 목적에 따라 개선점이 있다고 생각하고 있었으며, 공통으로 문제를 느끼고 있는 요소들을 도출할 수 있었다. 또한, 추가 질문을 통해 새로운 유튜브 학습 플랫폼을 제안하였다. 본 연구를 통해 포스트 비대면 시대에 대응할 수 있는 유튜브 이러닝 서비스 참고자료 활용을 기대한다.

• 지능정보연구
• /
• 제21권3호
• /
• pp.79-99
• /
• 2015

부도 예측은 회계와 재무 분야에서 꾸준히 연구되고 있는 분야이다. 초기에는 주로 다중판별분석(multiple discriminant analysis)와 로짓 분석(logit analysis)과 같은 통계적 방법을 이용하였으나, 1990년대 이후에는 경영 분야의 분류 문제를 위해 많은 연구자들이 인공신경망(back-propagation neural network), 사계기반추론(case-based reasoning), 서포트 벡터 머신(support vector machine) 등과 같은 인공지능을 통한 접근법을 이용하여 통계적 방법보다 분류 성과 측면에서 우수함을 입증해왔다. 기존의 기업의 부도에 관한 연구에서 많은 연구자들이 재무비율을 이용하여 부도 예측 모형을 구축하는 것에 초점을 맞추어왔다. 부도예측에 관한 연구가 꾸준히 진행되고 있는 반면, 부도의 세부적인 유형을 예측하여 제시하는 것에 대한 연구는 미흡한 실정이었다. 따라서 본 연구에서는 수익성, 안정성, 활동성 지표를 중심으로 국내 비외감 건설업 기업들의 부도 여부뿐만 아니라 부도의 세부적인 유형까지 예측 가능한 모형을 개발하고자 한다. 본 연구에서는 부도 유형을 예측하기 위해 두 개의 인공신경망 모형을 결합한 하이브리드 접근법을 제안하였다. 첫 번째 인공신경망 모형은 부도예측을 위한 역전파 인공신경망을 이용한 모형이며, 두 번째 인공신경망 모형은 부도 데이터를 몇 개의 유형으로 분류하는 자기조직화지도(self-organizing map)을 이용한 모형이다. 실험 결과를 통해 정의된 5개의 부도 유형인 심각한 부도(severe bankruptcy), 안정성 부족(lack of stability), 활동성 부족(lack of activity), 수익성 부족(lack of profitability), 회생 가능한 부도(recoverable bankruptcy)는 재무 비율에 따라 유형별로 상이한 특성을 갖는 것을 확인할 수 있었다. 본 연구 결과를 통해 신용 평가 분야의 연구자와 실무자들이 기업의 부도의 유형에 대한 유용한 정보를 얻을 것으로 기대한다.

• 한국수학교육학회지시리즈E:수학교육논문집
• /
• 제36권3호
• /
• pp.313-334
• /
• 2022

본 연구는 학교 밖 청소년을 대상으로 한 수학중심 융합인재교육을 통한 수학학습의 특성을 분석하는 연구이다. 수학교육의 사각지대에 있는 학교 밖 청소년들에게 융합인재 교육의 기회를 제공하고 미래사회에 필요한 인재를 양성하기 위한 필요성으로 출발하였다. 이에 본 연구에서는 수학과 음악의 융합인재교육을 통해 학교 밖 청소년들의 수학학습의 특성이 어떻게 변화될 수 있는지 고찰하기 위한 목적으로 수행되었다. 이를 위해 ○○광역시 학교 밖 청소년 지원센터에서 고등학교 졸업 검정고시 수학 학습반을 수강하고 있는 학교 밖 청소년을 연구 대상으로 선정하였고, 수학-음악 융합인재교육을 위한 자료 개발 및 수업적용, 적용결과에 대한 자료 분석을 순차적으로 진행하였다. 학교 밖 청소년을 대상으로 검정고시와 연계한 수학과 음악 융합인재교육을 실시한 결과, 학교 밖 청소년들에게서 수학에 대한 정의적 영역 및 문제풀이 전략의 긍정적 변화를 살펴볼 수 있었다. 또한, 학교 밖 청소년들의 수학학습 발전가능성을 확인할 수 있었다. 본 연구를 기점으로 학교 밖 청소년들을 위한 수학중심 융합인재교육 프로그램의 개발 및 다양한 유형의 학생을 대상으로 하는 수학중심 융합인재교육에 대한 연구가 활성화되기를 기대한다.

• 지능정보연구
• /
• 제18권2호
• /
• pp.29-45
• /
• 2012

회사채 신용등급은 투자자의 입장에서는 수익률 결정의 중요한 요소이며 기업의 입장에서는 자본비용 및 기업 가치와 관련된 중요한 재무의사결정사항으로 정교한 신용등급 예측 모형의 개발은 재무 및 회계 분야에서 오랫동안 전통적인 연구 주제가 되어왔다. 그러나, 회사채 신용등급 예측 모형의 성과와 관련된 가장 중요한 문제는 등급별 데이터의 불균형 문제이다. 예측 문제에 있어서 데이터 불균형(Data imbalance) 은 사용되는 표본이 특정 범주에 편중되었을 때 나타난다. 데이터 불균형이 심화됨에 따라 범주 사이의 분류경계영역이 왜곡되므로 분류자의 학습성과가 저하되게 된다. 본 연구에서는 데이터 불균형 문제가 존재하는 다분류 문제를 효과적으로 해결하기 위한 다분류 기하평균 부스팅 기법 (Multiclass Geometric Mean-based Boosting MGM-Boost)을 제안하고자 한다. MGM-Boost 알고리즘은 부스팅 알고리즘에 기하평균 개념을 도입한 것으로 오분류된 표본에 대한 학습을 강화할 수 있으며 불균형 분포를 보이는 각 범주의 예측정확도를 동시에 고려한 학습이 가능하다는 장점이 있다. 회사채 신용등급 예측문제를 활용하여 MGM-Boost의 성과를 검증한 결과 SVM 및 AdaBoost 기법과 비교하여 통계적으로 유의적인 성과개선 효과를 보여주었으며 데이터 불균형 하에서도 벤치마킹 모형과 비교하여 견고한 학습성과를 나타냈다.