Earticle

본 연구는 뉴스 감성 분석과 주식 가격 데이터를 결합하여 주식 가격 움직임을 예측하는 방법에 관한 연구이다. 본 연구에서는 LDA, 랜덤 포레스트, 로지스틱 회귀, SVM, XGBoost 등 다양한 머신러닝 모델과 소프트 보팅 앙상블 모델을 사용하여 이 들의 주가 예측 성능을 평가한다. 실험 결과 소프트 보팅 앙상블 방법은 독립적으로 동작하는 개별 모델들 보다 우수한 성능을 나타내었으며 0.78의 정확도, 0.73의 정밀도, 0.87의 재현율, 0.88의 AUC를 달성하였다. LDA 모델 역시 0.83의 정확도, 0.84의 정밀도, 0.84의 재현 율, 0.84의 AUC를 보여 의미 있는 결과를 나타내었다. 이는 LDA에서 사용하는 뉴스 주제 추출이 의미 있는 정보를 제공하였음을 의미한다. 본 연구 결과는 뉴스 감성 분석과 머신러닝을 통합한 방법이 주식 가격 예측을 개선할 수 있는 잠재력을 보여 주고 있으 며 , 이는 투자자와 금융 전문가에게 이점을 제공할 수 있다. 향후 연구 방향은 본 연구 결과에 고급 자연어 처리 기술을 추가한 동적 앙상블 모델을 개발하는 것이다.

This study investigates using news sentiment analysis combined with stock price data to predict stock price movements. It explores various machine learning models, including LDA, Random Forest, Logistic Regression, SVM, and XGBoost, as well as a soft voting ensemble model. The results show the soft voting ensemble outperformed individual models, achieving 0.78 accuracy, 0.73 precision, 0.87 recall, and 0.88 AUC. The LDA model also showed promising results, with 0.83 accuracy, 0.84 precision, 0.84 recall, and 0.84 AUC, suggesting news topic extraction can provide valuable insights. The findings highlight the potential of integrating news sentiment analysis and machine learning for improved stock price forecasting, which can benefit investors and financial professionals. Future research directions include exploring advanced NLP techniques, incorporating additional data sources, and developing dynamic ensemble models.

최근 기계학습과 이를 지원하는 인프라의 발달로 인해 고성능의 예측을 보다 조기에 실행함으로써 조기 개입을 통한 효과성 증대 가 기대되고 있다. 그러나 여전히 다양한 신규 기술을 활용한 예측 모델 개발과 실제 교육 환경에의 적용 노력이 필요하다. 본 연구 에서는 실제 교육 데이터를 활용하여 분류 모델을 생성하고, XAI 기법을 적용해 대학생의 학업성취도 예측 및 영향요인을 분석한 다. GBM, Random Forest, GLM, FNN, Stacked Ensemble 등 5가지 모델은 H2O AutoML을 통해 자동 하이퍼파라미터 튜닝을 거쳤으 며, 최종 분류 모델은 95% 이상의 높은 AUCPR을 나타냈다. 이후 가장 높은 성능의 모델을 선택하여 순열 중요도, ALE, SHAP, iBreakdown 등 다양한 XAI 기법을 적용해 생성된 모델을 해석했다. 설명을 위해 단일 기법을 적용한 기존 연구들과는 달리 본 연구 는 교육 분야에서 발생하는 각기 다른 요구들에 대응할 수 있도록 다양한 XAI 기법을 적용하고 그 활용방안을 제시한다는 점에서 실용적인 중요성을 갖는다.

Recent advances in machine learning and its infrastructure have raised expectations for improving effectiveness through early intervention from accurate predictions. However, further efforts are needed to develop predictive models using new techniques and applying them in real educational settings. This study involves creating various classification models, assessing their performance, and selecting the best model for applying Explainable Artificial Intelligence (XAI) techniques, to aid understanding and use in educational contexts. Five models including GBM, Random Forest, GLM, FNN, and Stacked Ensemble are created, all fine-tuned using H2O AutoML. The best model achieved an impressive AUCPR of over 95%. Based on the best model, we applied various XAI techniques such as Permutation Importance, ALE, SHAP, and iBreakdown. This study has practical significance in that it applies various XAI techniques and suggests ways to utilize them to respond to different needs arising in the field of education.

본 연구에서는 인공지능(AI) 시대에 맞춰 AI 디지털교과서를 적용하여 맞춤형 융합교육을 할 수 있는 교수학습모형을 개발하고 이 에 맞는 수업내용을 재구성하여 효과성을 분석하는 것을 목표로 한다. 본 논문에서 제안하는 교수학습모형은 백워드 설계 기반의 AI 교수학습모형으로 분석, 사전평가, 수업활동, 결과정리의 네 단계로 구성되어 향후 AI 디지털교과서를 적용할 수 있도록 개발하 였다. 개발된 교수학습모형에 맞게 수업내용을 재구성하여 실제 학생들에게 적용하여 효과성을 검증하였다. 초등학교 3학년부터 6 학년까지 고르게 적용하였으며, 효과성 분석은 인지적 영역, 사회적 영역 및 정의적 영역으로 나누어 수행하였다. 그 결과 학생들의 문제해결능력, 자기주도적 학습능력 및 창의력이 크게 향상되었다는 결과를 얻을 수 있었으며, 의사소통능력과 협업능력도 크게 향 상되었다는 결론을 얻을 수 있었다. 또한 학생들의 수업에 임하는 집중도가 높아지면서 학습에 대한 자신감도 크게 향상된다는 것 도 알 수 있었다. 향후 AI 디지털교과서를 활용하여 융합교육을 수행하게 되면 학생들에게 실질적인 맞춤형 학습을 제공하면서 만 족도와 학습능력이 크게 향상될 수 있다는 결론을 얻을 수 있었다.

This paper aims to develop a teaching-learning model that can provide customized convergence education by applying AI digital textbooks in line with the artificial intelligence (AI) era. The proposed teaching-learning model is an AI teaching-learning model based on backward design . It was developed to apply AI digital textbooks, consisting of four stages: analysis, preliminary evaluation, instructional activities, and result reorganization. The content of the class was reorganized according to the developed teaching-learning model and applied to actual students to verify the effectiveness. It was evenly applied from the 3rd to 6th grades of elementary school, and the effectiveness analysis was performed by dividing it into cognitive, social, and affective areas. As a result, it was found that the students' problem-solving ability, self-directed learning ability, and creativity were greatly improved, and it was concluded that their communication and collaboration skills were also greatly improved. Also, as students' concentration in class increased, their confidence in learning also improved significantly. It could be concluded that if convergence education is conducted using AI digital textbooks in the future, satisfaction and learning ability could be greatly improved with practical customized learning.

본 연구는 장애아동 및 청소년의 인공지능(AI) 기반 재활 중재에 대한 체계적 고찰이다. 데이터 베이스는 RISS, KISS, DBpia, PubMed를 사용하여 2000년부터 2024년 현재까지 발표된 국내외 학술논문을 검색하였다. 검색 결과 총 230편의 논문 중에 배제기 준에 해당하는 216편을 제외하고 총 14편을 최종적으로 선정하였다. 본 연구에서 선정된 14편의 논문은 무작위 두 집단 실험연구는 2편, 비 무작위 두 집단 실험연구는 1편, 한 그룹 실험연구는 1편, 단일사례연구는 8편, 설문연구가 1편, 질적 연구가 1편이었다. 인 공지능 기반 재활중재방법으로 인공지능 스피커, 인공지능 기반 로봇, 인공지능 기반 게임과 디지털 아트 앱이 사용되었다. 연구 결 과와 효과는 전반적인 언어능력의 향상, 인공지능 로봇 활동에 대한 만족도와 돌봄 효과, 인지기능의 향상, 일상생활활동 향상, 운 동기능과 심폐기능 향상, 심리적 기능에 효과가 있었다. 이를 통해 장애아동 및 청소년의 재활 중재 분야에서 인공지능 적용의 현황 을 파악하고, 향후 인공지능의 재활 중재 활용방안과 연구의 방향에 대해 기초자료를 제공하고자 한다.

This study is a systematic review of AI-based rehabilitation interventions for children and adolescents with disabilities. The databases used for the search include RISS, KISS, DBpia, and PubMed, covering scholarly articles published from 2000 to the present. Out of a total of 230 articles found, 216 were excluded based on the exclusion criteria, leaving 14 articles for final selection. The 14 selected articles included 2 randomized controlled trials, 1 non-randomized controlled trial, 1 one-group, 8 single-case studies, 1 survey study, and 1 qualitative study. AI-based rehabilitation methods used in these studies included AI speakers, AI-based robots, AI-based games, and digital art apps. The results and effects of the studies showed improvements in various areas, including overall language skills, satisfaction with and caregiving effects of AI robot activities, cognitive functions, daily living activities, motor and cardiopulmonary functions, and psychological functions. Through this, we aim to understand the current status of artificial intelligence application in the field of rehabilitation intervention for disabled children and adolescents and provide basic data on future use of artificial intelligence rehabilitation intervention and the direction of research.

이 연구는 한 대학에서 의료인공지능 융합인재 양성을 목적으로 운영중인 의료인공지능 마이크로디그리 교육과정에 대한 학생대상 만족도조사와 전문가대상 자문의견조사 결과를 분석하여 향후 의료인공지능 교육과정의 개선을 위한 시사점을 탐색하는 것을 목적 으로 한다. 조사는 2022년과 2023년에 학생과 전문가를 대상으로 실시되었다. 조사문항별 학생 응답결과가 빈도분석되고, 카이제곱 검정방법에 의해서 응답자 전공특성에 따른 응답차이가 검정되었다. 전문가 의견은 범주화 후 그 내용이 분석되었다. 분석결과는 의료AI정보학, 바이오통계와빅데이터, 바이오데이터마이닝 과목의 만족도가 높았고, 2개 년도에서 공통적으로 자연과학 및 공학 분 야 과목인 자료구조개론의 만족도가 낮았다. 이공/인문사회 전공보다 의학/바이오헬스 전공 학생들에서 2022년 기계학습개론, 2023 년 정보시각화, 인간-컴퓨터상호작용의 이해 등 3개 과목 선호 정도가 통계적으로 유의하게 낮았다. 학생의 과목개선 요구사항으로 실습과목과 기초과목 추가개설의 의견이 많았고, 전문가 자문의견에서도 소프트웨어와 데이터분석 기초과목의 추가개설이 권고되 었다. 일부 자연과학 및 공학 분야 과목들에 대한 낮은 선호도는 의학/바이오헬스 전공학생들의 이들 과목 이수를 위한 기초 학업 수행능력 부족 때문인 것으로 해석되었다. 의학과 공학 융합인재의 양성을 위해서 영역별로 일정 수 이상의 학점 취득을 강제하는 제도 수립이 제안되었다.

This study aims to enhance medical AI education programs by analyzing student satisfaction and expert feedback on the Medical AI micro-degree program. Surveys were conducted among students and experts in 2022 and 2023. Student responses were analyzed for frequency, and differences by major were tested using chi-square analysis. Expert responses were categorized and then analyzed. High satisfaction was reported for Biomedical Informatics for AI, Biostatistics and Big Data, and Biodata Mining courses. Negative responses were noted for Introduction to Data Structures in both years. Medical/bio-health majors had low preferences for Introduction to Machine Learning, Information Visualization and Understanding of Human-Computer Interaction. Students and experts highlighted the need for more practical and basic courses in software/data analysis. The low preference for some science/engineering courses suggests a lack of foundational academic skills among medical/bio-health majors. To cultivate interdisciplinary talents, a system mandating credits in medical AI courses across various fields is proposed.

현대사회는 모든 정보가 디지털화되고 있으므로 개인 정보의 보호가 무척이나 중요한 이슈다. 특히 미디어 산업의 폭발적 성장으로 인해 비디오에 촬영된 인물의 익명화는 매우 중대한 문제가 되었다. 전통적인 방법은 블러링이나 픽셀화를 사용하고, 최신 기술들 은 생성적 적대 신경망(GAN)을 활용하여 비디오에 촬영된 얼굴을 다시 그리는 방법으로 익명화를 달성한다. 우리는 훨씬 작은 모델 을 활용하여 실시간 연산을 통해 비디오에 촬영된 인물의 신체 전부를 익명화하는 방법을 제안한다. 기존 방법은 인물의 피부색, 의복, 소지품, 체형 등 얼굴 이외의 개인 식별 정보를 제거하는 것이 어려웠으나, 우리의 방법은 영상 내에서 이러한 정보를 모두 지울 수 있다. 또한 자세 인식 알고리즘을 활용하여 인물의 위치, 움직임, 자세 등의 정보는 표현할 수 있다. 이 알고리즘은 다양한 산업 현장에 설치된 CCTV나 IP 카메라에 적용되어 실시간으로 동작할 수 있으므로, 전신 익명화 기술의 보급에 기여할 수 있을 것이다.

In the contemporary digital era, protection of personal information has become a paramount issue. The exponential growth of the media industry has heightened concerns regarding the anonymization of individuals captured in video footage. Traditional methods, such as blurring or pixelation, are commonly employed, while recent advancements have introduced generative adversarial networks (GANs) to redraw faces in videos. In this study, we propose a novel approach that employs a significantly smaller model to achieve real-time full-body anonymization of individuals in videos. Unlike conventional techniques that often fail to effectively remove personal identification information—such as skin color, clothing, accessories, and body shape—our method successfully eradicates all such details. Furthermore, by leveraging pose estimation algorithms, our approach accurately represents information regarding individuals' positions, movements, and postures. This algorithm can be seamlessly integrated into CCTV or IP camera systems installed in various industrial settings, functioning in real-time and thus facilitating the widespread adoption of full-body anonymization technology.

인공지능 교육에 대한 요구가 높아지고 있는 가운데, 초등학교에서의 인공지능교육의 필요성과 중요성이 커지고 있다. 현재 초등 학교 인공지능 교육은 주로 방과 후 활동이나 창의 체험 프로그램을 통해 이루어지고 있으며, 이를 주로 전문강사들이 담당하고 있 다. 이 연구는 이러한 전문강사들이 인공지능 수업을 진행하기 위해 갖추어야 할 교수역량에 대한 교육적 요구를 분석하고자 하였 다. 이를 위해 인공지능 교육에 참여한 184명의 초등학교 전문강사로부터 설문조사를 통해 자료를 수집하였으며, 자료 분석 결과 인공지능 교수역량에 대한 중요도와 보유도 간의 차이를 확인하였다. 연구 결과, 전문강사들은 인공지능 교육의 실습 지식에 중점 을 두고 있지만, 내용 지식 습득과 수업 실행 관련 역량 강화를 위한 필요성을 인식하고 있음을 알 수 있었다. 이 연구는 초등학교 인공지능 교육의 균형 있는 발전을 위해 전문강사들에게 체계적이고 지속적인 교육 프로그램과 지원 체계가 필요하다는 것을 시사 한다. 이를 통해 전문강사들이 초등학교에서 교사들을 지원하여 효과적으로 인공지능 교육을 수행하고, 초등학생들에게 보다 유익 한 학습 경험을 제공할 수 있을 것이다.

As the demand for artificial intelligence education increases, the need and importance of AI education in elementary schools are also growing. Currently, AI education in elementary schools is primarily conducted through after-school activities and creative experience programs, which are managed by specialist instructors. This study aims to analyze the educational needs of these specialist instructors regarding the teaching competencies required to conduct AI lessons. A survey was conducted with 184 elementary school specialist instructors participating in AI education, and the analysis revealed differences between the perceived importance and the actual possession of AI teaching competencies. The results indicate that while these instructors focus on practical knowledge related to AI education, they also recognize the need to enhance their content knowledge and teaching execution skills. This study suggests that systematic and continuous educational programs and support systems are necessary for the balanced development of AI education in elementary schools. By doing so, specialist instructors can effectively support teachers in delivering AI education and provide elementary students with more beneficial learning experiences.

본 연구는 인공지능 기반 에듀테크와 디지털 교과서의 도입이 활발한 교육 현장에서, 교강사들의 인공지능에 대한 인식을 파악하 고, 인간-인공지능 협력을 지원하는 교육 방향과 수업 구성 요소를 제시하는 것을 목표로 한다. 이를 위해 교강사 100명을 대상으 로 인식 조사를 실시하였으며, 조사 문항은 인공지능 협력, 직업, 교육, 협력 요소, 미래 인식 등 5개 영역으로 구성되었다. 응답은 빈도분석과 기술 통계를 통해 분석되었으며, 배경 변인별 인식 차이를 확인하기 위해 t검정과 분산분석을 실시했다. 연구 결과, 교 강사들은 인간-인공지능 협력에 대해 긍정적인 인식을 보였고, 이를 경쟁 대상이 아닌 협력 파트너로 인식하고 있었다. 성별, 직업, 전공, 교육 경력, SW 연수 이력에 따라 유의미한 인식 차이가 나타났으며, 인공지능 교육의 방향성 설정 필요성을 확인했다. 또한, 인공지능 협력 교육, 이해 교육, 윤리 교육의 중요성을 인식하고 있었고, 협력 교육의 중요한 요소로 공동 목표, 전문성, 상호이해, 의사소통, 역할분담을 꼽았다. 연구는 인공지능 교육의 방향성과 프로그램 개발에 기여할 수 있을 것으로 기대된다.

This study aims to assess instructors' perceptions of artificial intelligence (AI) in educational settings where AI-based edtech, courseware, and digital textbooks are increasingly being introduced. The goal is to suggest educational directions and key components of instruction that support human-AI collaboration. A survey was conducted with 100 instructors, covering five areas: perceptions of AI collaboration, perceptions of AI and jobs, perceptions of AI collaboration education, perceptions of AI collaboration elements, and perceptions of AI and the future. Responses were analyzed using frequency analysis and descriptive statistics, and independent sample t-tests and one-way ANOVA were conducted to identify perception differences based on background variables. The results showed that instructors generally had a positive perception of human-AI collaboration, viewing AI not as a competitor but as a tool and partner for collaboration. Significant differences in perceptions were observed based on gender, occupation, major, teaching experience, and AI training history, highlighting the need to establish clear directions for AI education. Additionally, instructors strongly recognized the necessity of education on AI collaboration, understanding AI, and AI ethics. When identifying key components for AI collaboration education, they prioritized shared goals, expertise, mutual understanding, communication, and role distribution in that order. This study is expected to contribute to the development of appropriate AI education programs and the establishment of educational directions as AI education continues to expand.