• 한국수학교육학회지시리즈A:수학교육
• /
• 제63권2호
• /
• pp.335-350
• /
• 2024

인공지능 활용 수학수업 지원시스템에 대한 교사의 사용 의도는, 인공지능을 활용하지 않은 전통적인 수학수업 환경에서 구현하기 어려웠던 다양한 수학학습 기회를 제공하는 데 핵심적인 역할을 한다. 본 연구는 초등교사의 인공지능 활용 수학수업 지원시스템 사용 의도에 영향을 미치는 요인을 탐색하고, 요인 간의 구조적 관계를 분석하는 데 목표를 두었다. 이를 위해 기술 수용 모델을 적용하여 인공지능 활용 수학수업 지원시스템의 하나인 <똑똑! 수학탐험대>에 대한 초등교사 215명의 태도와 사용 의도에의 영향 요인 간 관계를 분석하였다. 주요 변수는 수학 학습에 대한 지각된 유용성, 지각된 인공지능 사용 용이성, 그리고 인공지능 활용에 대한 태도였다. 연구 결과, 수학 학습에 대한 지각된 유용성과 지각된 인공지능 사용 용이성이 교사들의 <똑똑! 수학탐험대>에 대한 긍정적인 태도에 영향을 미치고, 긍정적인 태도가 <똑똑! 수학탐험대> 사용 의도에 유의미한 영향을 미치는 것으로 나타났다. 이러한 결과는 교사가 인공지능을 활용한 수학학습의 효과와 인공지능 사용 용이성에 대해 긍정적으로 인식하도록 돕는 것이 인공지능 활용 수학수업 지원시스템을 현장에 효과적으로 도입하여 수학수업과 수학학습을 지원하는 데 핵심임을 시사한다.

• 한국수학교육학회지시리즈A:수학교육
• /
• 제63권2호
• /
• pp.255-272
• /
• 2024

본 연구의 주요 목적은 인공지능 사고를 함양할 수 있는 수학 융합 수업을 설계하고 이를 적용함으로써 나타나는 초등학생들의 인공지능 사고를 분석하는 것이다. 이를 위해 미국의 AI4K12 Initiative가 개발한 인공지능 빅 아이디어의 학습목표(Learning Objective) 및 지속적 이해(Enduring Understanding)와 2015 개정 초등학교 수학과 교육과정 성취기준을 연계하여 인공지능 사고 함양을 위한 수학 융합 수업을 설계 및 실시하였다. 수학적 내용 수업 2개, 수학적 과정 수업 2개로, 수학적 내용 수업은 인공지능 빅 아이디어의 Perception-Processing, Learning-Nature of Learning과 연계하였으며 수학적 과정 수업은 Representation & Reasoning-Search, Representation & Reasoning-Reasoning과 연계하였다. 설계한 수업 중 Learning-Nature of Learning을 제외한 세 개의 수업을 대상 학년에 맞추어 K 초등학교 5학년 두 학급, 6학년 한 학급에 적용하였다. 수업 중 학생 담화 및 활동지, 수업 관찰 자료를 수집하였으며, 이를 컴퓨팅 사고 분류 체계를 기반으로 인공지능 사고 구성 요소를 추가하여 구성한 인공지능 사고 분석틀을 사용하여 분석하였다. 연구 결과, 인공지능 빅 아이디어가 인공지능 사고 함양을 위한 수학 융합 수업 설계 시 준거로서 기능할 수 있고 이를 통해 초등학생들에게도 인공지능 교육이 가능함을 확인할 수 있었다. 수학 융합 수업은 학생들의 다양한 인공지능 사고를 촉진할 수 있었는데, 구체적으로 수업 과정에서 데이터, 모델링과 시뮬레이션, 컴퓨팅 문제해결, 인공지능 사고 요소가 다양하게 나타난 것에 비해 시스템 사고 요소가 나타나는 빈도수는 상대적으로 적었다. 또한 입체도형 및 공간감각 등의 수학적 내용 요소와 수학 교과역량에 해당하는 수학적 과정 요소의 성취를 보여주었다. 요컨대 인공지능 빅 아이디어를 기반으로 한 수학 융합 수업은 초등학생들의 인공지능 개념 및 원리 이해와 수학적 내용 요소의 이해 및 과정 요소의 강화에 도움이 된다고 할 수 있다. 더욱이 학생들은 수업 중 기존 문제해결 방법의 구조적 일관성을 유지한 채 이를 새로운 문제해결로 확장하는 모습을 보여주었는데, 이러한 반응을 통해 인공지능 사고의 전이 가능성을 확인할 수 있었다. 본 연구 결과에 기초하여, 대상 학년과 빅 아이디어의 하위 요소를 확장함으로써 초등학생들의 다양한 인공지능 사고 요소를 함양하려는 수학 수업 설계를 통한 교수학적 노력 및 지속적인 연구가 필요하다.

• Asia pacific journal of information systems
• /
• 제24권2호
• /
• pp.233-253
• /
• 2014

Can the stock market really be predicted? Stock market prediction has attracted much attention from many fields including business, economics, statistics, and mathematics. Early research on stock market prediction was based on random walk theory (RWT) and the efficient market hypothesis (EMH). According to the EMH, stock market are largely driven by new information rather than present and past prices. Since it is unpredictable, stock market will follow a random walk. Even though these theories, Schumaker [2010] asserted that people keep trying to predict the stock market by using artificial intelligence, statistical estimates, and mathematical models. Mathematical approaches include Percolation Methods, Log-Periodic Oscillations and Wavelet Transforms to model future prices. Examples of artificial intelligence approaches that deals with optimization and machine learning are Genetic Algorithms, Support Vector Machines (SVM) and Neural Networks. Statistical approaches typically predicts the future by using past stock market data. Recently, financial engineers have started to predict the stock prices movement pattern by using the SNS data. SNS is the place where peoples opinions and ideas are freely flow and affect others' beliefs on certain things. Through word-of-mouth in SNS, people share product usage experiences, subjective feelings, and commonly accompanying sentiment or mood with others. An increasing number of empirical analyses of sentiment and mood are based on textual collections of public user generated data on the web. The Opinion mining is one domain of the data mining fields extracting public opinions exposed in SNS by utilizing data mining. There have been many studies on the issues of opinion mining from Web sources such as product reviews, forum posts and blogs. In relation to this literatures, we are trying to understand the effects of SNS exposures of firms on stock prices in Korea. Similarly to Bollen et al. [2011], we empirically analyze the impact of SNS exposures on stock return rates. We use Social Metrics by Daum Soft, an SNS big data analysis company in Korea. Social Metrics provides trends and public opinions in Twitter and blogs by using natural language process and analysis tools. It collects the sentences circulated in the Twitter in real time, and breaks down these sentences into the word units and then extracts keywords. In this study, we classify firms' exposures in SNS into two groups: positive and negative. To test the correlation and causation relationship between SNS exposures and stock price returns, we first collect 252 firms' stock prices and KRX100 index in the Korea Stock Exchange (KRX) from May 25, 2012 to September 1, 2012. We also gather the public attitudes (positive, negative) about these firms from Social Metrics over the same period of time. We conduct regression analysis between stock prices and the number of SNS exposures. Having checked the correlation between the two variables, we perform Granger causality test to see the causation direction between the two variables. The research result is that the number of total SNS exposures is positively related with stock market returns. The number of positive mentions of has also positive relationship with stock market returns. Contrarily, the number of negative mentions has negative relationship with stock market returns, but this relationship is statistically not significant. This means that the impact of positive mentions is statistically bigger than the impact of negative mentions. We also investigate whether the impacts are moderated by industry type and firm's size. We find that the SNS exposures impacts are bigger for IT firms than for non-IT firms, and bigger for small sized firms than for large sized firms. The results of Granger causality test shows change of stock price return is caused by SNS exposures, while the causation of the other way round is not significant. Therefore the correlation relationship between SNS exposures and stock prices has uni-direction causality. The more a firm is exposed in SNS, the more is the stock price likely to increase, while stock price changes may not cause more SNS mentions.

• 응용통계연구
• /
• 제33권6호
• /
• pp.753-762
• /
• 2020

본 연구는 대한민국 육군이 선도적으로 도입하고자 노력하고 있는 AI 면접체계의 자료를 통합 비교차 다중 분위수 회귀나무 모형(unified non-crossing multiple quantile tree; UNQRT)을 활용하여 분석한 것이다. 분위수 회귀가 일반적인 선형회귀에 비하여 많은 장점을 가지지만, 선형성 가정은 여전히 많은 현실 문제해결에 있어 지나치게 강한 가정이다. 선형성을 완화한 모형의 하나인 기존 나무모형 기반의 분위수 회귀는 추정된 분위수 함수별로 교차하는 문제와 분위수별로 나무모형을 제시하여 해석력을 저하시키는 문제가 있다. 통합 비교차 다중 분위수회귀나무 모형은 비교차 제약식을 부여한 상태로 다중 분위수 함수를 동시에 추정함으로서 분위수 함수의 교차 문제를 해결하며, 극단 분위수에서 안정된 결과를 기대할 수 있고, 하나의 통합된 나무모형을 제시하여 우수한 해석력이 있다. 본 연구에서는 통합 비교차 다중 분위수회귀나무 모형을 활용하여 육군 AI 면접체계의 결과와 기존 인사자료간 관계를 충분히 탐색하여 의미있는 다양한 결과를 도출하였다.

• 한국수학교육학회지시리즈E:수학교육논문집
• /
• 제37권2호
• /
• pp.233-256
• /
• 2023

이 연구는 수학교육에서의 ChatGPT의 활용 방안 도출을 위한 기초 연구로서 국가수준 학업성취도 평가 및 대학수학능력시험 문제에 대한 ChatGPT의 응답을 분석하였다. ChatGPT는 생성형 인공지능 모델로서 여러 분야에서 주목 받고 있으며, 교육계에서도 ChatGPT 활용 방안에 대한 요구의 목소리가 높아지고 있다. 이에 이 연구에서는 3개년 국가수준 학업성취도 평가 및 대학수학능력시험 문제에 대한 ChatGPT 3.5의 응답에 대해서 정답률, 풀이 과정의 정확도, 오류 유형을 분류하여 분석하였다. ChatGPT의 국가수준 학업성취도 평가 문제 및 대학수학능력시험 문제의 정답률은 각각 37.1%, 15.97%로 나타났다. ChatGPT의 풀이 과정의 정확도는 5점 만점으로 산출하였을 때, 국가수준 학업성취도 평가는 3.44점, 대학수학능력시험은 2.49점으로 산출되었다. ChatGPT의 수학 문제를 풀이하는 데 나타나는 오류 유형은 절차적 오류와 기능적 오류로 나뉘었다. 절차적 오류는 다음 단계로의 식을 연결 짓는 과정이나 계산상의 오류를 가리키며, 기능적 오류는 ChatGPT가 텍스트를 인식, 판단, 출력하는 과정에서 발생하는 오류였다. 이러한 분석은 정답률만이 ChatGPT의 수학적 성능을 판단하는 기준이 되어서는 안 되며, 풀이 과정의 정확도나 오류유형까지도 복합적으로 고려해야 함을 시사한다.