• 제목/요약/키워드: Resource-based Performance

검색결과 1,553건 처리시간 0.021초

가정과 교사의 창의.인성 교육에 대한 관심과 실행에 대한 인식 - CBAM 모형에 기초하여- (Home Economics teachers' concern on creativity and personality education in Home Economics classes: Based on the concerns based adoption model(CBAM))

  • 이인숙;박미정;채정현
    • 한국가정과교육학회지
    • /
    • 제24권2호
    • /
    • pp.117-134
    • /
    • 2012
  • 본 연구의 목적은 가정과교육에서 창의 인성 교육에 대한 가정과 교사의 관심 단계와 실행 수준, 그리고 실행 실태를 알아보는데 있다. 연구 자료는 전국의 중학교 가정과 교사를 대상으로 체계적 표집과 편의 표집을 하여 우편과 이메일을 통해 설문지를 배포하고 회수된 187부를 최종 분석에 사용하였다. 조사 도구는 주로 Hall(1987)이 개발한 혁신에 대한 교사의 관심도와 실행 수준에 대한 질문지를 수정 보완하여 사용하였고 그 외는 선행연구를 기초하여 개발하였으며 타당도와 신뢰도를 검증하였다. 자료는 SPSS/window(12.0) 프로그램을 이용하여 빈도, 백분율, 평균, 표준편차, t-test, ANOVA를 실시하였다. 본 연구를 통해 밝혀진 결과를 요약하면 다음과 같다. 첫째, 창의 인성 교육에 대한 가정과 교사의 관심 단계는 정보적 관심 단계(85.51)가 가장 높았으며 다음으로 개인적 관심 단계(85.18), 운영적 관심 단계(81.88), 지각적 관심 단계(82.15), 강화적 관심 단계(68.80), 협동적 관심 단계(61.97), 그리고 결과적 관심단계(59.76)의 순으로 나타났다. 둘째, 창의 인성 교육에 대한 가정과 교사의 실행 수준은 기계적 실행 수준(수준 3; 21.4%)이 가장 많았으며, 다음으로 탐색 수준(수준 1; 20.9%), 정교화 수준(수준 5; 17.1%), 사용하지 않는 수준(수준 0; 15.0%), 준비 수준(수준 2; 10.2%), 통합 수준(수준 6; 5.9%), 갱신 수준(수준 7; 4.8%), 일상화 수준(수준 4; 4.8%) 순이었다. 셋째, 창의 인성 교육에 대한 가정과 교사의 실행 실태를 조사한 결과, 반 이상의 가정과 교사(56.1%)는 가정과 수업에서 인성 교육에 치중하고 있으며, 31.0%의 교사는 창의 인성 교육을 모두 실행한다고 응답하였다. 반면 소수의 교사(6.4%)는 창의성 교육을 실행한다고 응답하였고 같은 수의 교사(6.4%)는 창의성과 인성 교육 어느 것도 실행하지 않는다고 응답하였다. 가정과 교사의 창의 인성 교육 요소의 실행 정도를 조사한 결과, 창의 인성 교육 요소의 실행은 평균은 5점 만점에서 3.76이었고 창의성 요소의 평균은 3.59, 인성 요소의 평균은 3.94로 보통보다 높았다. 창의성 교육 요소의 실행 정도에 대해서, 개방성/민감성(3.97)을 가장 많이 실행하였고 다음으로 문제해결능력(3.79), 호기심/흥미(3.73), 비판적 사고(3.68), 논리/분석적 사고(3.63), 문제발견능력(3.61), 독창성(3.57), 유추성(3.47), 유창성/융통성(3.46), 정교성(3.46), 상상력(3.37), 몰입/공감(3.37)의 순으로 실행하였다. 인성 교육 요소는 실천력(4.07)을 가장 많이 실행하였고, 다음으로 협동/배려/공정(4.06), 자기관리능력(4.04), 시민의식(4.04), 진로개발능력(4.03), 환경친화능력(3.95), 책임(감)/소유(3.94), 의사결정능력(3.89), 신뢰/정직/약속(3.88), 자율성(3.86), 글로벌역량(3.55)의 순으로 실행한 것으로 나타났다. 창의 인성 교육을 실행할 때 어려운 점으로, 많은 가정과 교사(64.71%)는 창의 인성 교육을 실행할 수업 자료가 부족한 데 있다고 하였으며, 40.11%의 교사는 창의 인성 교육의 연수 기회가 적은데 있다고 응답하였다. 한편 38.50%의 가정과 교사는 창의 인성 교육에 대한 평가 기준을 설정하거나 평가 도구를 개발하는 것이 어렵다고 응답하였고, 25.67%의 교사는 창의 인성 교육 방법을 모른다고 응답하였다. 창의 인성 교육 실행을 위해서 필요한 지원에 대해서, '창의 인성 교육과 관련된 학생들의 체험활동의 확대'(4.34), '창의성과 인성을 중시하는 가정과 수업 문화 조성'(4.29), '학생 발달 단계에 적합한 창의 인성 교육 내용'(4.27), '창의 인성 교육을 담당할 교수 인력 확보'(4.21), '창의 인성 교육의 개념과 가치 확립'(4.09), '지역 사회 기업 등과 연계한 창의 인성 교육 추진'(3.94)의 순으로 응답하였다.

  • PDF

토픽모델링을 활용한 COVID-19 학술 연구 기반 연구 주제 분류에 관한 연구 (A study on the classification of research topics based on COVID-19 academic research using Topic modeling)

  • 유소연;임규건
    • 지능정보연구
    • /
    • 제28권1호
    • /
    • pp.155-174
    • /
    • 2022
  • 2020년 1월부터 2021년 10월 현재까지 COVID-19(치명적인 호흡기 증후군인 코로나바이러스-2)와 관련된 학술 연구가 500,000편 이상 발표되었다. COVID-19와 관련된 논문의 수가 급격하게 증가함에 따라 의료 전문가와 정책 담당자들이 중요한 연구를 신속하게 찾는 것에 시간적·기술적 제약이 따르고 있다. 따라서 본 연구에서는 LDA와 Word2vec 알고리즘을 사용하여 방대한 문헌의 텍스트 자료로부터 유용한 정보를 추출하는 방안을 제시한다. COVID-19와 관련된 논문에서 검색하고자 하는 키워드와 관련된 논문을 추출하고, 이를 대상으로 세부 주제를 파악하였다. 자료는 Kaggle에 있는 CORD-19 데이터 세트를 활용하였는데, COVID-19 전염병에 대응하기 위해 주요 연구 그룹과 백악관이 준비한 무료 학술 자료로서 매주 자료가 업데이트되고 있다. 연구 방법은 크게 두 가지로 나뉜다. 먼저, 47,110편의 학술 논문의 초록을 대상으로 LDA 토픽 모델링과 Word2vec 연관어 분석을 수행한 후, 도출된 토픽 중 'vaccine'과 관련된 논문 4,555편, 'treatment'와 관련된 논문 5,791편을 추출한다. 두 번째로 추출된 논문을 대상으로 LDA, PCA 차원 축소 후 t-SNE 기법을 사용하여 비슷한 주제를 가진 논문을 군집화하고 산점도로 시각화하였다. 전체 논문을 대상으로 찾을 수 없었던 숨겨진 주제를 키워드에 따라 문헌을 분류하여 토픽 모델링을 수행한 결과 세부 주제를 찾을 수 있었다. 본 연구의 목표는 대량의 문헌에서 키워드를 입력하여 특정 정보에 대한 문헌을 분류할 수 있는 방안을 제시하는 것이다. 본 연구의 목표는 의료 전문가와 정책 담당자들의 소중한 시간과 노력을 줄이고, 신속하게 정보를 얻을 수 있는 방법을 제안하는 것이다. 학술 논문의 초록에서 COVID-19와 관련된 토픽을 발견하고, COVID-19에 대한 새로운 연구 방향을 탐구하도록 도움을 주는 기초자료로 활용될 것으로 기대한다.

전이학습 기반 다중 컨볼류션 신경망 레이어의 활성화 특징과 주성분 분석을 이용한 이미지 분류 방법 (Transfer Learning using Multiple ConvNet Layers Activation Features with Principal Component Analysis for Image Classification)

  • 바트후 ?바자브;주마벡 알리하노브;팡양;고승현;조근식
    • 지능정보연구
    • /
    • 제24권1호
    • /
    • pp.205-225
    • /
    • 2018
  • Convolutional Neural Network (ConvNet)은 시각적 특징의 계층 구조를 분석하고 학습할 수 있는 대표적인 심층 신경망이다. 첫 번째 신경망 모델인 Neocognitron은 80 년대에 처음 소개되었다. 당시 신경망은 대규모 데이터 집합과 계산 능력이 부족하여 학계와 산업계에서 널리 사용되지 않았다. 그러나 2012년 Krizhevsky는 ImageNet ILSVRC (Large Scale Visual Recognition Challenge) 에서 심층 신경망을 사용하여 시각적 인식 문제를 획기적으로 해결하였고 그로 인해 신경망에 대한 사람들의 관심을 다시 불러 일으켰다. 이미지넷 첼린지에서 제공하는 다양한 이미지 데이터와 병렬 컴퓨팅 하드웨어 (GPU)의 발전이 Krizhevsky의 승리의 주요 요인이었다. 그러므로 최근의 딥 컨볼루션 신경망의 성공을 병렬계산을 위한 GPU의 출현과 더불어 ImageNet과 같은 대규모 이미지 데이터의 가용성으로 정의 할 수 있다. 그러나 이러한 요소는 많은 도메인에서 병목 현상이 될 수 있다. 대부분의 도메인에서 ConvNet을 교육하기 위해 대규모 데이터를 수집하려면 많은 노력이 필요하다. 대규모 데이터를 보유하고 있어도 처음부터 ConvNet을 교육하려면 많은 자원과 시간이 소요된다. 이와 같은 문제점은 전이 학습을 사용하면 해결할 수 있다. 전이 학습은 지식을 원본 도메인에서 새 도메인으로 전이하는 방법이다. 전이학습에는 주요한 두 가지 케이스가 있다. 첫 번째는 고정된 특징점 추출기로서의 ConvNet이고, 두번째는 새 데이터에서 ConvNet을 fine-tuning 하는 것이다. 첫 번째 경우, 사전 훈련 된 ConvNet (예: ImageNet)을 사용하여 ConvNet을 통해 이미지의 피드포워드 활성화를 계산하고 특정 레이어에서 활성화 특징점을 추출한다. 두 번째 경우에는 새 데이터에서 ConvNet 분류기를 교체하고 재교육을 한 후에 사전 훈련된 네트워크의 가중치를 백프로퍼게이션으로 fine-tuning 한다. 이 논문에서는 고정된 특징점 추출기를 여러 개의 ConvNet 레이어를 사용하는 것에 중점을 두었다. 그러나 여러 ConvNet 레이어에서 직접 추출된 차원적 복잡성을 가진 특징점을 적용하는 것은 여전히 어려운 문제이다. 우리는 여러 ConvNet 레이어에서 추출한 특징점이 이미지의 다른 특성을 처리한다는 것을 발견했다. 즉, 여러 ConvNet 레이어의 최적의 조합을 찾으면 더 나은 특징점을 얻을 수 있다. 위의 발견을 토대로 이 논문에서는 단일 ConvNet 계층의 특징점 대신에 전이 학습을 위해 여러 ConvNet 계층의 특징점을 사용하도록 제안한다. 본 논문에서 제안하는 방법은 크게 세단계로 이루어져 있다. 먼저 이미지 데이터셋의 이미지를 ConvNet의 입력으로 넣으면 해당 이미지가 사전 훈련된 AlexNet으로 피드포워드 되고 3개의 fully-connected 레이어의 활성화 틀징점이 추출된다. 둘째, 3개의 ConvNet 레이어의 활성화 특징점을 연결하여 여러 개의 ConvNet 레이어의 특징점을 얻는다. 레이어의 활성화 특징점을 연결을 하는 이유는 더 많은 이미지 정보를 얻기 위해서이다. 동일한 이미지를 사용한 3개의 fully-connected 레이어의 특징점이 연결되면 결과 이미지의 특징점의 차원은 4096 + 4096 + 1000이 된다. 그러나 여러 ConvNet 레이어에서 추출 된 특징점은 동일한 ConvNet에서 추출되므로 특징점이 중복되거나 노이즈를 갖는다. 따라서 세 번째 단계로 PCA (Principal Component Analysis)를 사용하여 교육 단계 전에 주요 특징점을 선택한다. 뚜렷한 특징이 얻어지면, 분류기는 이미지를 보다 정확하게 분류 할 수 있고, 전이 학습의 성능을 향상시킬 수 있다. 제안된 방법을 평가하기 위해 특징점 선택 및 차원축소를 위해 PCA를 사용하여 여러 ConvNet 레이어의 특징점과 단일 ConvNet 레이어의 특징점을 비교하고 3개의 표준 데이터 (Caltech-256, VOC07 및 SUN397)로 실험을 수행했다. 실험결과 제안된 방법은 Caltech-256 데이터의 FC7 레이어로 73.9 %의 정확도를 얻었을 때와 비교하여 75.6 %의 정확도를 보였고 VOC07 데이터의 FC8 레이어로 얻은 69.2 %의 정확도와 비교하여 73.1 %의 정확도를 보였으며 SUN397 데이터의 FC7 레이어로 48.7%의 정확도를 얻었을 때와 비교하여 52.2%의 정확도를 보였다. 본 논문에 제안된 방법은 Caltech-256, VOC07 및 SUN397 데이터에서 각각 기존에 제안된 방법과 비교하여 2.8 %, 2.1 % 및 3.1 %의 성능 향상을 보였다.