• 한국과학교육학회지
• /
• 제25권5호
• /
• pp.563-570
• /
• 2005

이 연구는 중학생들의 과학 지식의 본성에 대한 이해와 개념 이해 및 학습 젼략 사이의 관계를 조사하였다. 인천 지역의 중학교 1학년 162명을 대상으로 과학 지식의 본성 검사와 학습 전략 검사를 실시하였다. 밀도에 대한 컴퓨터 보조 수업 후 개념 검사를 실시했다. 연구 결과, 학생들의 개념 이해와 심층적 및 피상적 학습 전략은 과학 지식의 본성에 대한 이해와 유의미한 상관이 있었다. 학생들의 복합적인 학습 전략의 유형을 확인하기 위해 군집분석을 실시하였다. 그 결과, '심층적 전략 점수는 높고, 피상적 전략 점수는 낮은 집단(군집 1)', '심층적 전략 점수는 낮고, 피상적 전략 점수는 높은 집단(군집 2)', '심층적, 피상적 전략 점수가 모두 높은 집단(군집 3)'으로 구분 되었다. 일원 변량 분석 결과, 과학 지식의 본성 검사와 개념 검사 모두에서 군집 3의 점수가 다른 군집들 보다 유의미하게 높았다. 또한 개념 검사에서는 군집1이 군집2에 비해 보다 높은 성적을 보였다. 이에 대한 교육학적 함의를 논의하였다.

• 한국과학교육학회지
• /
• 제17권4호
• /
• pp.415-423
• /
• 1997

The purposes of this study were to investigate the intercorrelations among various motivational patterns and learning strategies and to examine the differences in motivation and strategy usage in terms of students' science achievement level, gender, and grade. A questionnaire on achievement goal, self-efficacy, self-concept of ability, expectancy, value, causal attributions, and learning strategies was administered to 360 junior high/high school students (178 males, 182 females). Students who adopted performance-oriented goal tended not to be task oriented. Task-oriented students had high levels of self-efficacy, high self-concept of ability, and expectancies for future performance in science. They also valued science and attributed thier failures to the lack of effort. However, performance-oriented students evaluated their ability negatively, did not value science, and attributed thier failures to uncontrollable causes. With respect to learning strategy, task-oriented students tended to use deep-level strategy, whereas performance-oriented students tended to use surface-level strategy and not to use deep-level strategy. High-achieving students, boys, and junior high school students were more task-oriented, evaluated their ability more positively, and valued science more than low-achieving students, girls, and high school students, respectively. High-achieving students and boys also used deep-level strategy more than each of their counterparts. However, no significant difference in learning strategy was found between junior high school students and high school students. Educational implications of these findings are discussed.

• 한국융합학회논문지
• /
• 제12권4호
• /
• pp.249-258
• /
• 2021

최근 암호화폐거래소로 투자자들이 몰리면서 비트코인 가격이 급등락하고 있다. 본 연구의 목적은 딥러닝 모형을 이용하여 비트코인의 가격을 예측하고, 투자전략을 통해 비트코인의 수익성이 있는지를 분석하는 것이다. 비선형성과 장기기억 특성을 보이는 비트코인 가격 예측모형으로는 LSTM을 활용하며, 예측 가격을 입력변수로 하는 이동평균선 교차전략의 수익성을 분석하였다. 2013년부터 2021년까지의 LSTM 예측 가격을 이용한 비트코인 이동평균선 교차전략의 투자 성과는 단순 시장가격을 이용한 이동평균선 교차전략과 벤치마크전략 Buy & Hold 보다 각각 5.5%와 46% 이상의 수익률 개선 효과를 보여주었다. 최근 데이터까지 확장하여 분석한 본 연구의 결과는 기존의 연구들과 마찬가지로 암호화폐 시장의 비효율성(inefficiency)을 지지하고 있으며, 비트코인 투자자들에게는 딥러닝 모형을 이용한 투자전략의 실전 활용 가능성을 보여주었다. 향후 연구에서는 다양한 딥러닝 모형들의 성과 비교를 통해 최적의 예측모형을 개발하고 비트코인 투자전략의 수익성을 개선할 필요가 있다.

• 한국과학교육학회지
• /
• 제26권2호
• /
• pp.232-238
• /
• 2006

본 연구는 260명의 중학생을 대상으로 과학 성취도와 동기적 학습 환경, 성취 목적, 학습 전략 사이의 영향을 경로분석을 통해 조사하였다. 분석 결과, 심층적 학습 전략만이 과학 성취도에 직접적인 영향을 미치는 것으로 나타났다. 과학 교사에 의한 학습 장려와 동료 학생들의 자기 발전 추구는 과제 지향 목적에 영향을 미치고, 이는 심층적 학습 전략을 거쳐 과학 성취도에 긍정적 영향을 미쳤다. 동료 학생들의 자기발전 추구와 상대적 비교 추구는 심층적 학습 전략을 경유하여 과학 성취도에 영향을 주기도 하였다. 또한 동료 학생에 의한 상대적 비교 추구는 수행 지향 목적에 영향을 주고 이는 심층적 학습 전략을 거쳐 과학 성취도에 영향을 주었다. 이는 과학 성취도가 학습 전략과는 직접적 경로를 가지고 있으며, 동기적 학습 환경이나 성취 목적과는 간접적 경로를 가지고 있음을 보여준다. 본 연구 결과는 인지적 요인뿐만 아니라 동기적 요인에도 관심을 기울이는 것이 과학 성취도를 향상시키는 데에 효과적이라는 점을 시사한다.

• International Journal of Advanced Culture Technology
• /
• 제7권4호
• /
• pp.295-301
• /
• 2019

Since the third artificial intelligence boom was triggered by deep learning, it has been 10 years. It is time to analyze and discuss the research trends of deep learning for the stable development of AI. In this regard, this study systematically analyzes the trends of research on deep learning over the past 10 years. We collected research literature on deep learning and performed LDA based topic modeling analysis. We analyzed trends by topic over 10 years. We have also identified differences among the major research countries, China, the United States, South Korea, and United Kingdom. The results of this study will provide insights into research direction on deep learning in the future, and provide implications for the stable development strategy of deep learning.

• Nuclear Engineering and Technology
• /
• 제55권2호
• /
• pp.475-483
• /
• 2023

The high-flux advanced neutron application reactor (HANARO) is a multi-purpose research reactor at the Korea Atomic Energy Research Institute (KAERI). HANARO has been used in scientific and industrial research and developments. Therefore, stable operation is necessary for national science and industrial prospects. This study proposed an anomaly detection system based on deep learning, that supports the stable operation of HANARO. The proposed system collects multiple sensor data, displays system information, analyzes status, and performs anomaly detection using deep autoencoder. The system comprises communication, visualization, and anomaly-detection modules, and the prototype system is implemented on site in 2021. Finally, an analysis of the historical data and synthetic anomalies was conducted to verify the overall system; simulation results based on the historical data show that 12 cases out of 19 abnormal events can be detected in advance or on time by the deep learning AD model.

• 지능정보연구
• /
• 제29권1호
• /
• pp.377-396
• /
• 2023

암호화폐시장이 지속해서 성장함에 따라 하나의 새로운 금융시장으로 발전하였다. 이러한 암호화폐시장에 관한 투자전략 연구의 필요성 또한 대두되고 있다. 본 연구에서는 단기매매전략과 딥러닝을 결합한 암호화폐 투자 방법론에 대해 실증분석을 진행하였다. 투자 대상의 암호화폐를 이더리움으로 설정하고, 과거 데이터를 기반으로 최적의 파라미터를 찾아 이를 활용하여 실험 모델의 투자 성과를 분석하였다. 실험 모델은 변동성돌파전략, LSTM(Long Short Term Memory)모델, 이동평균 교차 전략, 그리고 단일 모델들을 결합한 결합 모델이다. 변동성돌파전략은 일 단위로 변동성이 크게 상승할 때 매수하고 당일 종가에 매도하는 단기매매전략이며, LSTM모델은 시계열 데이터에 적합한 딥러닝 모델인 LSTM을 활용하여 얻은 예측 종가를 이용한 매매방법이다. 이동평균 교차 전략은 단기 이동평균선이 교차할 때 매매를 결정하는 방법이다. 결합 모델은 변동성돌파전략의 매수 조건과 변동성돌파전략의 목표 매수가보다 LSTM의 예측 종가가 큰 경우 매수하는 조건이 동시에 만족하면 매수하는 규칙이다. 결합 모델은 변동성돌파전략과 LSTM모델의 파생 변수를 활용해 매수 조건에 AND와 OR를 사용하여 만든 매매 규칙이다. 실험 결과, 단일 모델보다 결합 모델에서 투자 성과가 우수함을 확인하였다. 특히, 데일리 트레이딩과 매수 후 보유의 누적수익률은 -50%이하인 것에 비해 결합 모델은 +11.35%의 높은 누적수익률을 달성하여 하락이 지속되던 투자 기간에도 기술적으로 방어하며 수익을 낼 수 있음을 확인하였다. 본 연구는 기존의 딥러닝기반 암호화폐 가격 예측에서 나아가 변동성이 큰 암호화폐시장에서 딥러닝과 단기매매전략을 결합하여 투자 성과를 개선하였다는 점에서 학술적 의의가 있으며, 실제 투자 시 적용 가능성을 보여주었다는 점에서 실무적 의의가 있다.

• 한국인터넷방송통신학회논문지
• /
• 제24권1호
• /
• pp.175-180
• /
• 2024

본 논문에서는 딥러닝 기반의 주의환기 보상전략 시스템이 발달장애인의 데이터 라벨링 작업 생산성에 미치는 효과를 분석하였다. 연구 결과, 중재가 적용된 후 연구대상자 모두 자율작업 대비 작업 생산성에서 유의미한 향상이 관찰되었다. 특히 인공지능 기반의 중재가 적용되었을 때, 직무지도원 중재에 비해 상당한 향상을 보였다. 이러한 결과는 인공지능 기술이 발달장애인의 데이터 라벨링 작업 생산성 향상에 긍정적인 영향을 미칠 수 있음을 의미한다. 본 연구는 발달장애인의 데이터 라벨링 작업에 인공지능 기술을 접목한 최초의 연구이며, 발달장애인의 직업훈련과 작업 생산성 증진을 위한 딥러닝 기술의 적용 가능성을 탐색하는 데 중요한 시사점을 제공하리라 본다.

• KEPCO Journal on Electric Power and Energy
• /
• 제7권2호
• /
• pp.323-328
• /
• 2021

Diagnostic models are required. Data augmentation is one of the best ways to improve deep learning performance. Traditional augmentation techniques that modify image brightness or spatial information are difficult to achieve great results. To overcome this, a generative adversarial network (GAN) technology that generates virtual data to increase deep learning performance has emerged. GAN can create realistic-looking fake images by competitive learning two networks, a generator that creates fakes and a discriminator that determines whether images are real or fake made by the generator. GAN is being used in computer vision, IT solutions, and medical imaging fields. It is essential to secure additional learning data to advance deep learning-based fault diagnosis solutions in the power industry where facilities are strictly maintained more than other industries. In this paper, we propose a method for generating power facility images using GAN and a strategy for improving performance when only used a small amount of data. Finally, we analyze the performance of the augmented image to see if it could be utilized for the deep learning-based diagnosis system or not.

• 한국멀티미디어학회논문지
• /
• 제20권5호
• /
• pp.769-781
• /
• 2017

Deep learning networks like Convolutional Neural Networks (CNNs) show successful performances in many computer vision applications such as image classification, object detection, and so on. For implementation of deep learning networks in embedded system with limited processing power and memory, deep learning network may need to be simplified. However, simplified deep learning network cannot learn every possible scene. One realistic strategy for embedded deep learning network is to construct a simplified deep learning network model optimized for the scene images of the installation place. Then, automatic training will be necessitated for commercialization. In this paper, as an intermediate step toward automatic training under fisheye camera environments, we study more precise human localization in fisheye images, and propose an accurate human localization method, Automatic Ground-Truth Labelling Method (AGTLM). AGTLM first localizes candidate human object bounding boxes by utilizing GoogLeNet-LSTM approach, and after reassurance process by GoogLeNet-based CNN network, finally refines them more correctly and precisely(tightly) by applying saliency object detection technique. The performance improvement of the proposed human localization method, AGTLM with respect to accuracy and tightness is shown through several experiments.