Earticle

m명의 레지던트가 n 개 병원에 대한 선호순서(상이 또는 동일 순서 부여 가능, 일부 병원만 지원 가능)를 부여하고, 병원은 지원자에 대한 선호순서를 부여하였을 경우 병원/레지던트 간의 안정된 매칭 결과를 찾는 문제를 병원/레지 던트 문제(HRP)라 한다. HRP에서 선호순서가 동일한(tie) 경우 또는 커플이 지원하는 경우 등의 문제는 다항시간으로 정확한 해를 구하는 알고리즘이 알려져 있지 않은 NP-완전 문제로 분류된 난제이다. 본 논문에서는 레지던트의 일방적 병원 선택권한을 부여한 GSA 알고리즘을 수행하고, 추가적으로 병원이 레지던트를 교체할 권한을 부여하여 최적 해를 찾는 O   복잡도의 알고리즘을 제안하였다. 제안된 알고리즘을 6개의 벤치마킹 데이터에 적용한 결과, 모든 데이터에 대해 최적 해를 구할 수 있음을 보였다.

The problem of finding stable matching results between hospitals/residents is called HRP if  residents give preference for  hospitals(can be given distinct or tie, only some hospitals can apply) and hospitals give preference for applicants. In HRP, problems such as the same preference(tie) or supported by a couple are challenges classified as NP-complete problems with unknown algorithms for exact solutions in polynomial time. This paper performes a GSA algorithm that grants residents one-sided hospital selection authority, and further propose an algorithm of    complexity to find optimal solutions by granting hospitals the authority to exchange residents. As a result of applying the proposed algorithm to 6 benchmarking data, it is shown that the optimal solution can be obtained for all data.

본 연구는 코로나19 팬데믹 이후 급격히 확산된 온라인 수업 환경에서 수업 참여, 기술적 환경, 학습 지원으로 구성된 온라인 수업 경험 요인이 학습 만족도에 미치는 영향을 분석하고, 이 과정에서 자기주도학습과 학습 몰입의 매개 효과를 검증하고자 하였다. 대학생 225명을 대상으로 온라인 설문조사를 실시하고, 구조방정식모형(SEM)을 통해 가설 을 검증하였다. 분석 결과, 수업 참여와 기술적 환경은 자기주도학습과 학습 몰입에 모두 긍정적 영향을 미쳤으며, 학습 지원은 자기주도학습에는 유의미한 영향을 미치지 않았고, 학습 몰입에는 부정적 영향을 미치는 것으로 나타났다. 또한, 자기주도학습과 학습 몰입은 모두 학습 만족도에 정(+)의 영향을 주었으며, 학습 몰입의 영향력이 더 크게 나타났다. 본 연구는 온라인 수업의 질 향상을 위해 수업 참여 촉진, 기술적 인프라 강화, 학습자의 자기주도성과 몰입을 유도하는 전략적 설계의 필요성을 시사한다.

This study investigates the impact of online class experience factors—class participation, technological environment, and learning support—on learning satisfaction in the post-COVID-19 educational landscape, with a focus on the mediating roles of self-directed learning and learning immersion. An online survey was conducted with 225 university students, and hypotheses were tested using structural equation modeling (SEM). The results indicated that both class participation and technological environment positively influenced self-directed learning and learning immersion. In contrast, learning support had no significant effect on self-directed learning and exerted a negative effect on learning immersion. Furthermore, both self-directed learning and learning immersion positively affected learning satisfaction, with learning immersion exhibiting a stronger influence. These findings underscore the importance of promoting active class participation, strengthening technological infrastructure, and designing strategies that foster learners' autonomy and immersive learning experiences to enhance the quality of online education.

본 연구는 청각장애인의 일상생활 안전과 정보 접근성 향상을 위한 CNN 기반 맞춤형 소리 인식 앱을 제안한다. 기존 소리 인식 서비스들이 화재경보기, 초인종, 아기 울음소리 등 제한된 소리만을 감지하는 한계를 극복하기 위해, 사용자가 직접 필요한 소리를 등록하고 인식할 수 있는 기능을 구현하였다. 핵심 기술로는 Flutter 기반 오디오 처리 시스템과 AWS 클라우드 인프라를 활용하여 오디오 데이터를 이미지로 변환 후 CNN 알고리즘으로 분류하는 방식을 적용하였다. 이를 통해 공장 근무자의 기계 고장음, 육아 중인 부모의 아이 울음소리 등 개인별 상황에 맞는 맞춤형 소리 감지가 가능하도록 하였다. 다만, 청각장애인이 소리를 등록하는 과정에서의 제약사항들은 향후 연구를 통해 개선이 필요하다.

This study proposes a CNN-based personalized sound recognition application aimed at enhancing the daily safety and information accessibility of individuals with hearing impairments. To overcome the limitations of existing sound recognition services, which detect only a limited set of sounds such as fire alarms, doorbells, and baby cries, the proposed app enables users to register and recognize custom sounds. The core technologies include an audio processing system based on Flutter and a cloud infrastructure built on AWS. Audio data is converted into images and then classified using a CNN algorithm. This approach allows personalized sound detection tailored to individual needs, such as detecting mechanical failure sounds in factories or a baby’s cry for parents. However, certain limitations remain in the process by which users with hearing impairments register sounds, and these issues need to be addressed in future research.

이 연구는 온라인 음식 배달 플랫폼에서 고객 리뷰 관리를 위한 생성형 인공지능 기반 모델을 개발하였다. 기존 리뷰 시스템은 서비스 제공자의 심리적 부담과 자원 소모 문제를 해결하지 못했음을 지적한다. 제안된 모델은 공정성 이론에 기반하여 보상, 빠른 대응, 유감 표명 등을 반영하였다. 실제 부정적 리뷰와 답글 데이터를 학습한 AI 모델은 고객 만족도, 구전, 재구매 의도 측면에서 인간 답글과 유사한 효과를 보였다. 특히 AI 사용을 명시한 경우 고객 반응이 더 긍정적으로 나타나, 서비스 제공자의 부담을 줄이면서도 효과적인 서비스 회복이 가능함을 시사한다.

This study develops a generative AI-based model for managing customer reviews on online food delivery platforms. It highlights the limitations of existing review systems, which fail to address the psychological burden and resource consumption experienced by service providers. The proposed model incorporates key elements of service recovery—compensation, prompt response, and sincere apology— grounded in fairness theory. Trained on actual negative reviews and provider responses, the generative AI model demonstrated effects on customer satisfaction, word-of-mouth intention, and repurchase intention comparable to human-written replies. Notably, when the use of AI was disclosed, customer responses were more positive, suggesting that the model can facilitate effective service recovery while reducing the workload of service providers.Please write in English.

본 연구에서는 poisoning 기반의 적대적 공격에 초점을 맞추어 실험하였다. Poisoning 기반의 AI 이미지 인식 공격은 모델의 손실 함수의 기울기와 poisoning을 이용하여 입력 이미지를 수정한다. 본 연구에서는 RestNet18 환경 에서 poisoning 기반의 적대적 공격 방법들인 gradient matching, sleeper agent, meta poison, gradient inversion, gradient constrain 기법을 대상으로 공격 실험을 수행하고 성능 검정을 통해 공격의 위험성을 확인한다. 본 연구에서는 적대적 공격 모델 5개를 대상으로 공격 실험을 수행하였고 PSNR, SSIM 등의 성능 지표를 통해 결과를 확인하였다. 연구 결과에서는 실험 결과를 통해 전체 성능 저하를 일으키는 Gradient Matching, 트리거를 통해 오분류 영향을 주는 Sleeper Agent, 일부에 타깃 공격을 하는 Meta Poison, 모델 입력의 프라이버시를 침해하는 Gradient Inversion, 인식 정확도를 크게 저하시키는 Gradient Constrained의 특성을 확인할 수 있다.

This study focused on experiments involving poisoning-based adversarial attacks. Poisoning-based AI image recognition attacks modify input images by utilising the gradient of the model's loss function and poisoning. In this study, we conducted attack experiments targeting poisoning-based adversarial attack methods such as gradient matching, sleeper agent, meta poison, gradient inversion, and gradient constrain in the RestNet18 environment, and verified the risk of attacks through performance evaluation. We performed attack experiments on five adversarial attack models and confirmed the results using performance metrics such as PSNR and SSIM. The experimental results reveal the characteristics of each attack method: Gradient Matching causes overall performance degradation, Sleeper Agent influences misclassification through triggers, Meta Poison targets specific parts of the image, Gradient Inversion compromises the privacy of model inputs, and Gradient Constrained significantly reduces recognition accuracy.