• 대한의용생체공학회:의공학회지
• /
• 제27권5호
• /
• pp.203-209
• /
• 2006

The aim of this study is to investigate the feasibility of ex vivo MR diffusion tensor imaging technique in order to observe the diffusion-contrast characteristics of human gastric tissues. On normal and pathologic gastric tissues, which have been fixed in a polycarbonate plastic tube filled with 10% formalin solution, laboratory made 3D diffusion tensor Turbo FLASH pulse sequence was used to obtain high resolution MR images with voxel size of $0.5{\times}0.5{\times}0.5mm^3\;using\;64{\times}32{\times}32mm^3$ field of view in conjunction with an acquisition matrix of $128{\times}64{\times}64$. Diffusion weighted- gradient pulses were employed with b values of 0 and $600s/mm^2$ in 6 orientations. The sequence was implemented on a clinical 3.0-T MRI scanner(Siemens, Erlangen, Germany) with a home-made quadrature-typed birdcage Tx/Rx rf coil for small specimen. Diffusion tensor values in each pixel were calculated using linear algebra and singular value decomposition(SVD) algorithm. Apparent diffusion coefficient(ADC) and fractional anisotropy(FA) map were also obtained from diffusion tensor data to compare pixel intensities between normal and abnormal gastric tissues. The processing software was developed by authors using Visual C++(Microsoft, WA, U.S.A.) and mathematical/statistical library of GNUwin32(Free Software Foundation). This study shows that 3D diffusion tensor Turbo FLASH sequence is useful to resolve fine micro-structures of gastric tissue and both ADC and FA values in normal gastric tissue are higher than those in abnormal tissue. Authors expect that this study also represents another possibility of gastric carcinoma detection by visualizing diffusion characteristics of proton spins in the gastric tissues.

• 한국수학교육학회지시리즈A:수학교육
• /
• 제63권2호
• /
• pp.123-138
• /
• 2024

본 연구는 S대학 <인공지능을 위한 기초수학[Math4AI]> 강좌의 교수·학습과정에서 맞춤형 챗GPT를 개발하여 활용한 경험을 공유한다. 연구진은 ① 먼저 강좌 맞춤형 챗GPT (https://math4ai.solgitmath.com/)를 개발하였다. 이때 챗GPT가 부정확한 정보를 주지 않도록 수년간의 해당 강좌 주요 데이터(교재, 실습실, 토론 기록, 코드 등)를 우선적으로 학습하는 챗GPT의 기능을 적용하였다. ② 학생들이 교재를 스스로 학습하다 궁금한 부분이 생기면, 맞춤형 챗GPT 인터페이스를 통해 자연어로 수학 용어, 정리, 예제, 열린 문제 번호, 핵심어 등을 질문하여 도움을 얻을 수 있도록 하였다. 그러면 챗GPT는 관련된 주요 문제나 용어, 그리고 이전 학생들의 토론에 기반한 몇 가지 샘플 답안 또는 토론 내용과 함께 사용되었던 코드 샘플을 제공한다. ③ 학생들이 챗GPT를 통해 얻은 내용을 스스로 윤문하여 공유하고, 상호 토론하면서, 교재에서 제시하는 주요 개념과 열린 문제의 대부분을 이해하도록 하였다. ④ 학기 말에는 그간 본인이 얻은 열린 문제들에 대한 학습기록을 모아 PBL (Problem-Based Learning) 보고서로 제출하고, 발표하여 강좌를 수료하도록 하였다. 이러한 방식은 학생들이 학습을 포기하지 않고 한 단계 앞으로 더 나아갈 추진력과 동기를 주며, 궁극적으로 각각의 문제를 스스로 해결하는 자기 주도적 학습을 도울 수 있다. 또한 학생들 각자의 수준에 맞추어 실시간으로 최적화된 조언을 제시하므로 강좌뿐만 아니라 대학수학교육 전반에 대한 학생별 맞춤형 교육(personalized education)을 제공할 수 있다. 즉, 학생들이 담당교수(또는 조교)와 AI 조교의 도움으로 실시간 답변과 효과적인 조언을 받을 수 있게 됨을 의미한다. 이는 양질의 조교 부족에 대한 고민을 추가 비용 없이 획기적으로 해결할 수 있다. 본 연구는 강좌의 교수·학습과정에 교재 맞춤형 챗GPT를 접목한 것으로, 인공지능(AI) 기술을 기타 대학수학 과목들(미적분학, 선형대수학, 이산수학, 공학수학, 기초통계학 등)과 초·중·고 수학교육에 적용할 수 있는 새로운 방법을 제시한다. 특히 AI 기술을 적용하여 이전 수강생들의 학습기록(열린 문제 풀이, 토론 자료, 코드 등)을 참고하며, 각자 실습한 결과를 공유 및 상호 토론하여 문제를 해결하는 방식은, 다양한 전공의 학생들이 내용을 더 효과적으로 이해하고, 본인 전공 관련 문제 해결 능력을 향상시키는 데 획기적인 도움을 줄 것으로 예상된다. 또한 교재 맞춤형 챗GPT와 함께 자기주도적인 학습을 경험토록 하는 교수학습 방법은 평생 교육(lifelong learning, extension school, extension college, extended college) 또는 평생학습의 관점에서 중요하다.