Earticle

본 연구에서는 보안과 범죄 예방 강화의 하나로 공공 CCTV와 보안 카메라의 영상 데이터를 사용하여 주거 및 공용 공간에서 이상행동을 탐지하기 위한 AI 학습 데이터 세트의 구축과 이를 활용한 모델을 시범 개발하 였다. AI 학습 데이터 세트와 모델은 민간 기업의 AI 기술 발전과 AI 프로젝트 개발을 촉진하기 위해 설계되었다. 데이터 세트 구축 시 비디오 프레임에서 특징을 추출하기 위하여 ResNet50을, JSON 파일에서 스켈레톤 포인트를 처리하기 위하여 3D-CNN을 사용하여 모듈화 하였다. 이 데이터를 사전에 정의된 이상행동에 따라 Labeling 하였 다. 또한 GridCV를 사용하여 SVM 분류기와 비디오 시퀀스 처리를 위한 GRU를 활용하였다. 모델의 학습 성능 평가에서는 주요 정확도(main accuracy)가 지속해서 향상되었으며, 상세 손실(detailed loss) 또한 감소하는 추세 를 보였다. 이를 바탕으로 학습된 모델은 주어진 비디오 시퀀스에서 나타나는 행동의 범주를 예측할 수 있다. 본 연구에서 구축된 AI 학습 데이터 세트와 모델 시범 개발로 즉각적인 이상행동 감지를 통한 범죄예방 및 범인 검 거를 위해 인공지능 학습에 필요한 데이터 확보, 구축 및 배포하여 민간기업의 AI 기술 발전 및 인공지능 사업의 발전을 도모하고자 이상행동 탐지 기능 개발의 실용성에 대한 귀중한 인사이트를 제공하여 공공 안전 분야에서 AI 애플리케이션의 발전에 기여할 것으로 기대된다.

This study presents the construction of an AI learning dataset and the prototypical development of a model for detecting anomalous behaviors in residential and public spaces, as part of an effort to enhance security and crime prevention. The AI learning dataset and model were designed to stimulate the advancement of AI technology and the development of AI projects in private companies. During the dataset construction, ResNet50 was modularized to extract features from video frames, and 3D-CNN was used to process skeleton points from JSON files. This data was then labeled according to predefined anomalous behaviors. Furthermore, GridCV was employed to utilize the SVM classifier and GRUs for processing video sequences The learning performance evaluation of the model demonstrated a continuous improvement in main accuracy and a decreasing trend in detailed loss.. The trained model can predict the category of behavior appearing in a given video sequence. The AI learning dataset and model prototyped in this study provide valuable insights into the practicality of developing anomaly detection functions. It is expected to contribute to the advancement of AI applications in the field of public safety by securing, constructing, and distributing data necessary for AI learning for immediate anomaly detection, crime prevention, and offender apprehension.

최근 발생하고 있는 기후변화는 전세계적으로 많은 피해를 발생시키고 있다. 한반도의 기존 강우형태는 장시간에 걸친 강우와 발생기간을 예측할 수 있었으나, 기후 변화로 인한 강우 형태의 변화는 기존에 마련한 위기대응방안이 무용한 상황을 만들고 있다. 2022년 8월 집중호우로 인해 서울·경기·강원·충남 등 10개 지자체가 특별재난지역으로 우선 선포되었다. 도시화에 따른 불투수면적의 증가와 건물의 지하 공간의 활용 증가하고 있는 가운데 기후 변화로 인한 집중호우는 도심지 내 하수관로 설계용량을 초과하 는 경우가 빈번해지고 있으며, 범위는 국부적이지만 피해의 규모는 커지는 사례들이 증가하고 있다. 도시침수는 다양한 조건에 의해 침수범위가 결정되며 불시에 일어나는 침수의 형태로 인해 신속한 침수상황 인지 및 위기대응이 필요하다. 이를 위하여 AI기반 영상분석 기술을 통해 전국에 분포되어 있는 CCTV를 활용하여 침수상황을 상시 모니터링 할 수 있는 시스템 구축이 필요하며, 정형화된 IoT기반 실시간 계측센서 데이터와 비정형 데이터인 CCTV영상을 분석하고 연계한 새로운 형태의 도시침수 모니터링 기술이 필요하다.

Recently, climate change has caused a lot of damage worldwide. Existing rainfall patterns on the Korean Peninsula could predict long-term rainfall patterns and periods, but changes in rainfall patterns due to climate change made crisis response measures useless. Due to heavy rain in August 2022, 10 local governments, including Seoul, Gyeonggi, Gangwon, and Chungnam, were declared as special disaster areas for the first time. As the impermeable area increases due to urbanization and the use of the underground space of buildings increases, the design capacity of sewage pipes is often exceeded, and the scope is local but the damage scale is increasing. Urban floods require rapid situational awareness and crisis response. To this end, it is necessary to establish a system that can monitor the flood situation at all times using CCTV distributed across the country through AI-based image analysis technology, and a new type of urban flood monitoring technology that analyzes and links it based on standardized IoT unstructured data such as real-time measurement sensor data and CCTV images is required.

While AI technologies have transformed the processes adopted by language learners to produce and revise academic writing, more approaches are needed to promote understanding of text patterns and linguistic features of GenAI texts so learners can engage with language skill development and maintain control as novice authors of academic texts. The current study presents a fusion of corpus methods (embedded in a free Windows/macOS tool), facilitating researchers, teachers and students in hands-on, interactive, comparative analysis of essays created by students and essays on the same topics created through GenAI tools. To demonstrate the feasibility of the approach, we analysed 2003 university level argumentative essays on 26 topics, alongside 546 AI-generated essays (21 essays per topic), focussing on four essays from one randomly selected topic for exemplification. The methods highlight notable strengths of AI-generated texts, including broad vocabulary profiles, balance between maintaining lexical focus and avoiding repetition, and rich collocational relations. By visually representing the roles of vocabulary items in text-level contexts, the tool provides a new approach for English for Academic Purposes teachers and students to engage with data patterns in the texts they have produced with and without GenAI, with potential to aid detection, identification, reflection and ultimately production.

본 연구는 2022년 진행된 ‘한국 전통 수묵화 화풍별 제작 테이터’ 인공지능(AI) 학습용 데이터 구축사업과 2023년 진행된 ‘한국 전통 수묵 채색화 제작 데이터’ 인공지 능(AI) 학습용 데이터 구축사업, 2024년 진행된 ‘한국 전통 민화 분야 구축’을 중심으 로 한국화 AI의 등장과 현황을 파악하고 미래를 전망하는 것을 목적으로 한다. 그림에 관한 인공지능 학습의 경우 화풍 또는 화목에 따른 특유의 기법, 스타일, 색채 등이 밀 접하게 연관되어야 한다. 혁신적 기술이 회화의 새로운 창의적 도구가 된 것처럼 새로 운 예술의 시작점이며 인간만의 고유한 예술적 가치와 역할을 재발견할 수 있는 공생 의 기회이기도 하다. 이미지 생성 AI는 선천적 재능이나 전문적인 예술교육 없이도 누 구나 창작에 참여할 수 있게 하며, 텍스트 입력만으로 자신의 생각을 이미지로 구현할 수 있게 되었다. 이를 ‘예술의 민주화(democratization)’라고 한다. 앞으로 저작권 문제를 해결해 나가고, 인공지능 데이터를 통한 상품개발, 교육 개발이 이루어진다면 한국화를 알리고 전 세계인이 함께 즐기는 문화를 만들 수 있다고 생각된다. 또한 그동 안의 성과를 정리함으로써 한국화 AI가 창조적 문화예술로 자리매김할 수 있는지 가능 성을 알아보는데 이 연구의 의의가 있다.

This study aims to understand the emergence and current status of Korean painting AI and forecast its future, focusing on the "AI learning data construction project for Korean traditional ink painting styles" (2022), the "AI learning data construction project for Korean traditional ink and color painting" (2023), and the "Korean traditional Minhwa (folk painting) field construction" (2024). For AI learning related to paintings, the unique techniques, styles, and colors associated with specific painting styles or subjects must be closely integrated. Just as innovative technology has become a new creative tool for painting, this marks the beginning of a new art form and a symbiotic opportunity to rediscover humanity's unique artistic value and role. Image-generating AI allows anyone to participate in creation without innate talent or specialized art education, enabling them to realize their thoughts as images simply by inputting text. This is referred to as the "democratization of art." It is believed that by resolving copyright issues and developing products and educational materials through AI data, we can promote Korean painting and create a culture that people worldwide can enjoy together. Furthermore, this research is significant in that it consolidates past achievements to explore the potential for Korean painting AI to establish itself as a creative cultural art.

최근 전세계적으로 사회 모든 분야에서 인공지능 학습용 데이터에 관한 선행연구를 기반으로, 인공지능 학습용 데이터의 가치를 높이고 고품질 데이터를 확보하고자 하는 움직임이 늘고 있다. 따라서, 고품질 데이터를 확보하기 위한 구축사업에서는 품질관리가 매우 중요하다. 이에, 본 논문에서는 인공지능 학습용 데이터를 구축할 시 고품질 데이터 확보를 위한 품질관리와 그에 따른 구축공정별 개선방안을 제시하였다. 특히, 인공지능 학습을 위해 구축되 는 비정형데이터는 데이터 품질의 80% 이상이 구축과정에서 결정된다. 본 논문에서는 비정형데이터 이미지/영상 데이터에 대한 품질검사를 통해 구축단계에서의 획득, data cleaning, labeling 모델에서 발생된 검사절차 및 문제 요소를 해결함으로써 고품질 데이터 확보 방안을 제시하였으며, 제시한 방안을 토대로 인공지능 학습용 데이터 구 축에 참여하는 연구단체와 사업자들에게 데이터의 품질편차를 극복하기 위한 대안이 될 것으로 기대된다.

Recently, there is an increasing movement to increase the value of AI learning data and to secure high-quality data based on previous research on AI learning data in all areas of society. Therefore, quality management is very important in construction projects to secure high-quality data. In this paper, quality management to secure high-quality data when building AI learning data and improvement plans for each construction process are presented. In particular, more than 80% of the data quality of unstructured data built for AI learning is determined during the construction process. In this paper, we performed quality inspection of image/video data. In addition, we identified inspection procedures and problem elements that occurred in the construction phases of acquisition, data cleaning, labeling, and models, and suggested ways to secure high-quality data by solving them. Through this, it is expected that it will be an alternative to overcome the quality deviation of data for research groups and operators participating in the construction of AI learning data.

본 연구는 데이터의 품질이 인공지능(AI) 성능에 미치는 영향을 검토한다. 이를 위해, 데이터 특성변수(Feature)의 유사도와 클래스(Class) 구성의 불균형을 고려한 모의실험(Simulation)을 통해 라벨링 오류 수준이 인공지능의 성능에 미치 는 영향을 비교 분석하였다. 그 결과, 특성변수 간 유사성이 높은 데이터에서는 특성 변수 간 유사성이 낮은 데이터에 비해 라 벨링 정확도에 더 민감하게 반응하였으며, 클래스 불균형이 증가함에 따라 인공지능 정확도가 급격히 감소되는 경향을 관찰 하였다. 이는 인공지능 학습데이터의 품질평가 기준 및 관련 연구를 위한 기초자료가 될 것이다.

The study investigates the impact of data quality on the performance of artificial intelligence (AI). To this end, the impact of labeling error levels on the performance of artificial intelligence was compared and analyzed through simulation, taking into account the similarity of data features and the imbalance of class composition. As a result, data with high similarity between characteristic variables were found to be more sensitive to labeling accuracy than data with low similarity between characteristic variables. It was observed that artificial intelligence accuracy tended to decrease rapidly as class imbalance increased. This will serve as the fundamental data for evaluating the quality criteria and conducting related research on artificial intelligence learning data.

국가기반시설이나 대형 건축물에 대한 안전관리는 사람이 접근하기 어려운 상태라서, 위험 사항을 판단하기 매우어렵다. 본 연구는 이러한 시설물에 드론을 이용한 사진 촬영과 촬영 현장에서 위험 상태를 제시하는 AI 서비스를 개발하고 있다. 국가 기반시설이나 대형건축물에 대한 6종류의 결함 유형을 정의하고 유형별 사진 촬용한 데이터 세트를 개발하고 이를 기반으로 균열 탐지 AI 서비스를 개발하는 것으로 진행하였다. 개발된 AI 서비스는 SOC 안전관리에 활용할 수 있을 것이다.

본 연구는 정부에서 수집한 데이터의 밸런스 수준을 분석하여 데이터 밸런스의 필요성을 보여주고, 데이터 밸런스를 위하여 어떤 노력이 필요한지에 대하여 논하는 것이다. 도로 위 차량 인식 데이터를 밸런스 분석한 결과, 7,500장의 다양성이 필요했음에도 유의미한 데이터는 231장(3.08%)일 뿐 나머지는 모두 중복 데이터의 나열이었다. 즉 7,500장이면 충분한 데이터를 굳이 5만 장이나 모았음에도, 231장의 역할밖에 하지 못했다는 의미이다. 이는 편향된 인공지능이 만들어질 가능성이 크다는 것이다. 물론 하나의 사례일 수 있지만, 문제는 이것이 하나의 독특한 사례인지 정부 또는 공공기관이 제공하는 모든 데이터의 공통된 문제인지를 확인하는 그 어떤 노력도 없었다는점이다. 즉 디지털 전환 시대의 가장 기본이 되어야 할 데이터가 쓸만한 데이터인지 모른채 정책을 추진하고 있다는 것이다. 주요 산업에 대한 인공지능 기술 도입은 사회적으로 너무나 중요하면서 근본적인 변화이기 때문에, 절대로 개별 기업의 기술적 노력만으로 이루어질 수가 없다. 정부 또는 공공기관이 필요한 기준을 마련하고 최소한의 인프라를 제공해야만 신기술과 관련된 사회적 안정성은 물론 개별 기업들의 경쟁력도 확보될 수 있다. 무엇보다 데이터의 다양성을평가할 수 있는 객관적인 기준과 그것을 측정할 수 있는 기술을 개발하여 보급해야 한다.

This study shows the need of data balance by analysis the balance of data collected by the government. As a result of analysis of vehicle recognition data, only 231(3.08%) were significant data, even though 7,500 pieces of diversity were required, and the rest were all listed in the overlapping data. This means that biased artificial intelligence is highly likely to be created. The introduction of artificial intelligence technology is too important and fundamental a change, it cannot be achieved only by the technical efforts of individual companies in quality. Only when the government or public institutions provide necessary standards and provide minimum infrastructure can the competitiveness of companies as well as social stability related to new technologies be secured.

본 연구는 고등학교 학생들의 데이터 리터러시를 함양할 수 있는 머신러닝 기반 AI 융합 수업 모형과 수업 설계 원리를 개발하고, 그에 따른 상세 지침을 개발하는 것을 목적으로 하였다. 이를 위해 선행 문헌 연구를 통해 머신러닝을 기반으로 한 수업 모형과 설계 원리 및 상세 지침을 개발하고, 서울 소재 상업계열 특성화고등학교 학생 15명에게 적용하여 실행하였다. 연구 결과 학생들의 데이터 리터러시가 통계적으로 유의미(p< .001)하게 향 상되었으므로 본 연구의 수업 모형이 학습자의 데이터 리터러시 향상에 긍정적인 영향을 주었음을 확인할 수 있었 고, 앞으로 관련 연구로 이어지길 기대한다.

The purpose of this study is to develop a machine learning-based AI convergence class model and class design principles that can foster data literacy in high school students, and to develop detailed guidelines accordingly. We developed a machine learning-based teaching model, design principles, and detailed guidelines through research on prior literature, and applied them to 15 students at a specialized high school in Seoul. As a result of the study, students' data literacy improved statistically significantly (p<.001), so we confirmed that the model of this study has a positive effect on improving learners' data literacy, and it is expected that it will lead to related research in the future.

학교폭력은 사회적 문제로 인식되고 있으며 이를 예방하기 위한 다양한 노력도 함께 이루어지고 있다. 본 연 구에서는 학생들 상호 간의 친밀도, 대화 빈도 및 모둠 선호도 데이터를 분석함으로써 교우 관계를 파악하고 이 를 통해 궁극적으로 학교폭력을 예방할 수 있는 시스템을 개발하였다. 리커트 척도 설문을 활용하여 학급 내 학 생들과의 친밀도, 대화 빈도 및 모둠 선호도를 각각 수치화하였고, 설문 데이터는 K-means 알고리즘을 활용하 여 적정한 개수의 클러스터로 군집화 및 시각화하였다. 담임교사는 학급 내 학생들 간의 친밀도, 대화 빈도 및 모둠 선호도 분석 데이터를 그래프의 형태로 시각적으로 확인하고, 이를 근거로 특정 그룹의 학생 개별 상담 및 학급 운영 등 학교폭력 예방을 위한 참고 자료로 활용 가능하다. 데이터 분석 결과는 기존에 교사가 학생 관찰 등의 방법으로 정성적으로 파악하고 있던 교우 관계와 상당 부분 일치하였고, 이는 본 데이터 분석 시스템이 담 임교사의 학급 내 교우 관계 파악을 위한 정량적 근거 자료로 유의미하게 활용될 수 있음을 의미한다. 한계점은 학생들의 주관적인 기준으로 인해 설문 결과가 왜곡될 수 있는 점이다. 본 연구가 담임교사의 학급 내 교우 관 계 파악 및 학교폭력 예방 노력에 실질적인 도움을 제공하며 학교폭력 예방에 기여하기를 기대한다.

School violence has long been recognized as a social problem, and various efforts have been made to prevent it. In this study, we propose a system that can prevent school violence by analyzing data on the frequency of conversations between students, friendship and preference to be in the same group. This data was quantified using a Likert scale questionnaire, and also grouped into the appropriate number of clusters using the K-means algorithm. Additionally, the homeroom teacher observed the frequency and nature of conversations between students, and targeted specific individuals or groups for counseling and intervention, with the aim of reducing school violence. Data analysis revealed that the teachers’ qualitative observations were consistent with the quantified data based on student questionnaires, and therefore applicable as quantitative data towards the identification and understanding of student relationships within the classroom. The study has potential limitations. The data used is subjective and based on peer evaluations which can be inconsistent as the students may use different criteria to evaluate one another. It is expected that this study will help homeroom teachers in their efforts to prevent school violence by understanding the relationships between students within the classroom.

본 연구는 영화 개봉 전 활용 가능한 정적 데이터를 기반으로 AI 및 기계 학습(Machine Learning, ML) 기법을 활용한 영화 흥행 예측 모델을 제안하고, 이를 기존 베이스라인 모델과 비교하여 성능을 평가하였다. 2013년부터 2024년까지 수집된 KOBIS 데이터를 활용하여 배우, 감독, 배급사, 장르별 기술 통계와 상호작용 파생변수를 생성하였으며, RFECV(Recursive Feature Elimination with Cross- Validation)를 통해 주요 변수를 선별하였다. 또한, AutoML 기법을 적용하여 데이터셋에 최적화된 모델을 학습하고, 네이버 검색어 트렌드 데이터를 추가적으로 반영하여 예측 성능을 향상시켰다. 실험 결과, 최종 제안모델은 베이스라인 모델 및 기존 연구모델을 뛰어넘는 성능을 보였으며, F1-Macro 및 AHPR-Bingo를 활용한 평가 척도에서 높은 정확도를 기록하였다. 특히, 상호작용 파생변수는 모델 성능 개선에 기여하는 주요 변수로 나타났으며, 정적 데이터를 활용한 예측 모델이 영화 산업 내 의사결정 과정에서 유의미한 도구로 작용할 수 있음을 입증하였다. 본 연구는 정적 데이터만을 활용한 영화 흥행 예측 모델을 제안함으로써 학술적 및 실무적 기여를 제공한다. 연구 결과는 영화 제작사와 배급사가 개봉 전 전략적 의사결정을 지원하는 데 유용한 프레임워크를 제공하며, 향후 연구는 동적 데이터를 포함한 확장된 모델 개발 및 다양한 데이터셋 적용을 통해 본 연구를 보완할 수 있을 것으로 기대된다.

This study proposes a box office prediction model utilizing AI and machine learning (ML) techniques based on static data available before a film’s release and evaluates its performance by comparing it with existing baseline models. Using KOBIS data collected from 2013 to 2024, we generated descriptive statistics and interaction-derived variables for actors, directors, distributors, and genres. Key features were selected using Recursive Feature Elimination with Cross-Validation (RFECV). Additionally, an AutoML approach was applied to train an optimized model for the dataset, and Naver search trend data was incorporated to enhance predictive performance. Experimental results demonstrated that the proposed model outperformed both baseline and existing research models, achieving high accuracy based on F1-Macro and AHPR-Bingo evaluation metrics. Notably, interaction-derived variables were identified as key contributors to model performance improvement, confirming that prediction models based on static data can serve as valuable tools in the decision-making processes of the film industry. This study makes both academic and practical contributions by presenting a box office prediction model solely based on static data. The findings provide a useful framework for film producers and distributors to support strategic decision-making before release. Future research can extend this study by incorporating dynamic data and applying the model to diverse datasets for further validation and enhancement.

본고의 목표는 데이터 편향 인식 교육에서 기계학습 플랫폼의 사용을 제안하는 것이다. 학습자들이 인공지능 데이터 및 시스템을 다루거나 인공지능윤리 요소 중 데이터 편향에 의한 피해를 방지하고자 할 때 인지할 수 있 는 역량을 배양할 수 있다. 구체적으로, 머신러닝포키즈를 활용해 데이터편향 학습을 하는 방법을 AI야구심판 사례를 통해 제시한다. 학습자는 구체적 주제선정, 선행연구 검토, 기계학습 플랫폼에서 편향/비편향 데이터의 입력 및 테스트 데이터 구성, 기계학습의 결과 비교, 결과를 통해 얻을 수 있는 데이터 편향에 대한 함의를 제시 한다. 이러한 과정을 통해서 학습자는 인공지능 데이터 편향이 최소화되어야 한다는 점과 데이터 수집 및 선정 이 사회에 미치는 영향을 체험적으로 배울 수 있다. 이 학습방법은 문제기반의 자기주도 학습의 용이성, 코딩교 육과의 결합가능성, 그리고 인문사회적 주제와 인공지능 리터러시와 결합을 추동한다는 의의를 가진다.

The goal of this paper is to propose the use of machine learning platforms in education to train learners to recognize data biases. Learners can cultivate the ability to recognize when learners deal with AI data and systems when they want to prevent damage caused by data bias. Specifically, this paper presents a method of data bias education using MachineLearningforKids, focusing on the case of AI baseball referee. Learners take the steps of selecting a specific topic, reviewing prior research, inputting biased/unbiased data on a machine learning platform, composing test data, comparing the results of machine learning, and present implications. Learners can learn that AI data bias should be minimized and the impact of data collection and selection on society. This learning method has the significance of promoting the ease of problem-based self-directed learning, the possibility of combining with coding education, and the combination of humanities and social topics with artificial intelligence literacy.

최근 전 세계적으로 기업의 지속 가능한 경영이 중요한 이슈로 부상하면서 ESG 경영의 중요성 이 강조되고 있다. 본 연구는 재무 데이터를 활용한 ESG 등급 예측 모형을 개발하여 기업들이 효율 적이고 객관적으로 ESG 경영을 수행할 수 있도록 지원하고자 한다. 이를 위해 다양한 머신러닝 기법 을 적용하여 한국 상장 기업의 재무 데이터를 바탕으로 ESG 등급을 예측하고, 그 성과를 비교 분석 하였다. 연구 결과, XGBoost 모델이 가장 높은 예측 성능을 보였으며, 이를 통해 ESG 등급을 보다 정확하게 예측할 수 있음을 확인하였다. 또한, SHAP 기법을 적용하여 ESG 등급에 영향을 미치는 주 요 요인들을 분석함으로써 예측 결과의 해석 가능성을 높였다. 본 연구는 ESG 등급 예측에 있어 정 량적 접근의 유용성을 입증하였으며, 기업들이 ESG 경영 전략을 보다 효과적으로 수립하는 데 기여 할 수 있을 것으로 기대된다. 나아가, 이 연구는 투자자들에게도 신뢰성 있는 ESG 관련 정보를 제공 함으로써 ESG 경영이 강화될 수 있는 중요한 기초 자료를 제공할 수 있다.

As sustainable management has become a significant global issue, the importance of ESG (Environmental, Social, and Governance) management is increasingly emphasized. This study aims to support companies in efficiently and objectively implementing ESG management by developing an ESG rating prediction model based on financial data. Various machine learning techniques were applied to predict the ESG ratings of Korean listed companies using their financial data, and the performance of these models was comparatively analyzed. The results indicate that the XGBoost model exhibited the highest predictive performance, confirming its ability to accurately forecast ESG ratings. Additionally, by applying the SHAP method, the study analyzed the key factors influencing ESG ratings, thereby enhancing the interpretability of the prediction results. This study demonstrates the usefulness of a quantitative approach to ESG rating prediction and is expected to assist companies in more effectively formulating ESG management strategies. Furthermore, the research provides reliable ESG-related information to investors, offering a crucial foundation for strengthening ESG management.

This study proposes a systematic methodology for evaluating Korean-Chinese translation quality using AI-HUB's ‘Broadcasting Content Korean-Chinese Translation Parallel Corpus Data’. While machine translation technology has advanced significantly, research on Korean-Chinese translation characteristics remains insufficient, particularly for domains featuring extensive colloquial expressions and cultural contexts such as broadcasting content. This research selected 10,000 sentences through stratified sampling from 1.2 million sentences and evaluated translation quality using BLEU, METEOR, and TER metrics. The analysis revealed that translation quality varied significantly by genre and sentence length. Educational programs achieved the highest BLEU score of 0.467, while reality variety shows recorded the lowest at 0.371. Translation quality declined sharply as sentence length increased, from 0.518 for short sentences to 0.287 for long sentences. Error analysis identified colloquial expression mistranslations (32%), demonstrative errors (21%), and literal translations of idioms (18%) as major challenges. The methodology established reproducibility through publicly available resources (AI-HUB data, Naver Papago API, Python/NLTK), while findings suggest that educational content shows higher translation reliability compared to entertainment programs requiring careful post-editing. This study is significant as the first systematic evaluation of Korean-Chinese translation quality in the broadcasting content domain, providing specific directions for improving translation of colloquial expressions and cultural context that are characteristic of Chinese language translation.

Artificial intelligence (AI) is the primary force driving digital transformation in sectors across the globe. In this paper, the contributions of AI technologies to the development of service innovation are investigated. These technologies enable informed choices in service provision through the analysis of data, they improve company processes, and they create individuality in the customer experiences. The research highlights a few key AI methods such as machine learning and deep learning that raise predictive capabilities and help to be the first to adapt services in the stress of a fast-changing business environment. Furthermore, the paper presents the problems of data protection, algorithm bias, and integration issues that organizations have to tackle to benefit from the use of AI. The basis of this research is the critical analysis of existing literature followed by presented practical examples of companies that show how innovation in service delivery has been influenced by AI. Also, the research provides companies that want to take the lead in the digital age with suggestions.

최근 들어 컴퓨터 비전 분야에서 딥러닝 기법이 발전함에 따라 방송 동영상을 인공지능(AI) 기반의 자동화된 동영상 내용분석을 도입하려는 시도가 늘어나고 있다. 특히 요약, 자막 달기, 영상 생성, 자동 태깅, 분류, 검색 등 방송 제작, 편집, 유통 등 전 과정의 과업이 딥러닝의 과업과 일치해 향후방송 분야에서 AI의 활용도가 매우 높을 것으로 전망된다. 딥러닝 기반으로 방송 동영상을 내용분석하기 위한 고성능 딥러닝 모델의 개발을 위해서는 우선 모델을 학습시킬 수 있는 양질의 학습데이터를 충분히 확보해야 한다. 이 연구에서는 한국지능정보사회진흥원(NIA)이 AI허브에 공개한 방송 동영상 활용 AI학습데이터 7종을 AI허브상에 공개된 문서를 통해 설계 측면에서 분석하고 특히 클래스를 중심으로 표준화 방안을 모색했다. 2022년 10월 현재 AI허브에서는 영상이미지 비디오 분야에서 KBS, MBN, EBS, SBS, 매일경제TV, YTN, OBS, tvN, 매일경제신문(유튜브) 등 9개방송사에서 수집된 드라마, 보도, 교양, 예능, 영화, 유튜브 등의 동영상을 활용해 총 21,804시간분량의 AI학습데이터 7종을 구축해 공개하고 있다. 학습데이터 구축 규모는 객체 129,514,816개(바운딩박스 기준), 행동 124,521개(클립 기준), 상황 3,136,345개(클립 기준), 인물 22,099개(바운딩박스 및 키포인트 기준), 숏 6만 개(키숏 기준) 등 총 1억 3288만 개에 육박한다. 본 연구에서는 다양한 과업을 객체, 행동, 상황으로 정리하고, 원천데이터, 어노테이션 데이터의 포맷과 클래스를 표준화했다. 객체, 행동 클래스는 다양한 분류 체계를 대/중/소분류로 단일화한 뒤, 명칭을표준화했다. 상황은 객체, 행동, 시간, 장소, 내용(지면), 감정의 조합으로 보고 세부 단위별로 표준화했다. 이에 따라 객체 28/212/1338개, 행동 18/56/353개, 상황은 감정 8, 내용 8/55, 시간2/10개, 장소 25/92개의 표준화된 클래스를 도출했다. 표준화 결과에 따라 벤치마크 데이터세트를기준으로 바운딩박스가 4,000개 이상인 객체 클래스는 477개, 클립 수 300개 이상인 행동 클래스는 41개였다. AI허브 방송 동영상 데이터세트의 표준화는 통합DB 개발의 토대가 될 수 있으며, 효율적인 추가 구축 및 재구축을 가능하게 하고, 구축된 학습데이터의 활용도를 높임으로써 딥러닝 기반 방송 동영상 분석 모델 개발과 방송 분야의 AI 전환에 기여할 것으로 기대된다.

With the recent development of deep learning techniques in the field of computer vision, more attempts are being made to introduce automated video content analysis based on artificial intelligence (AI). AI is expected to be highly utilized in the broadcasting field in the future as the tasks of production, editing, and distribution. To develop a high-performance deep learning model for the content analysis of broadcast videos based on deep learning, it is necessary to get enough qualified learning data to learn the model. In this study, seven types of AI learning data using broadcasting videos released by the Korea Intelligence Information Society Agency (NIA) on AI Hub were analyzed in terms of design and sought standardization measures, especially focusing on classes. As of October 2022, AI Hub has established and released seven types of AI learning data worth a total of 10,895 hours using videos from nine broadcasters, including KBS, MBN, EBS, SBS, Maeil Economy TV, YTN, OBS, tvN, and Maeil Bussiness Newspaper. The size of the learning data construction is close to 132.88 million, including 129,514,816 objects (based on bounding boxes), 124,521 behaviors (based on clips), 3,136,345 situations (based on clips), 22,099 people (based on bounding boxes and key points), and 60,000 shots (based on key shots). In this study, various tasks were organized into objects, actions, and situations, and the format and class of source data and annotation data were standardized. Object and behavior classes into 3-level categorization, and then standardized their names. The situation was viewed as a combination of objects, actions, times, places, content, and emotions, and standardized by detailed units. Accordingly, we derived standardized classes of 28/212/1338 objects, 18/56/353 behaviors, 8/55 emotions, 8/55 content, 2/10 hours, and 25/92 places. According to the standardization results, there were 477 object classes with more than 4,000 bounding boxes and 41 behavioral classes with more than 300 clips. The standardization of AI hub broadcast video datasets can be useful to develop an integrated broadcasting database, to manage datasets efficiently. This study also contributes to the development of deep learning-based broadcast video analysis models and AI transformation in the broadcasting field.

AI 기술이 고등교육에 점차 깊이 통합됨에 따라, 본 연구는 사용자의 개인화 학습 AI 수용의도와 개인 학습 데이터제공의도를 결정하는 구조적 메커니즘을 규명하는 것을 목적으로 한다. 본 연구는 프라이버시 계산 이론(Privacy Calculus Theory)과 FATE(Fairness, Accountability, Transparency, Ethics) 프레임워크를 기반으로, AI 특성이 사용자의지각된 이익과 위험을 거쳐 행동 의도에 미치는 영향을 분석하였다. 이를 위해 한국 내 대학교 및 대학원에 재학중인 중국인 유학생을 대상으로 설문조사를 실시하였으며, 228부의 유효 표본을 PLS-SEM으로 검증하였다. 분석결과 첫째, 공정성, 책무성, 투명성은 지각된 이익을 유의하게 향상시킨 반면, 윤리성의 영향은 유의하지 않았다. 둘째, 투명성만이 지각된 위험을 감소시키는 유일한 특성으로 확인되었다. 셋째, 지각된 이익은 개인화 학습 AI 수용의도와데이터 제공의도에 강력한 정(+)의 영향을, 지각된 위험은 부(-)의 영향을 미쳤다. 이러한 흥미로운 결과는 타문화환경의 학습자 집단이 AI 수용을 결정할 때, 추상적인 윤리성보다 실질적인 효용과 명확하고 통제 가능한 데이터처리 방식을 최우선 기준으로 삼는다는 점을 시사한다. 사용자들은 프라이버시 위험을 인지함에도 불구하고, 맞춤형학습의 기대 이익이 압도적으로 크기 때문에 AI 시스템에 기꺼이 데이터를 제공하는 이중 매개적 계산 메커니즘을보였다. 본 연구는 기존 기술 수용 연구가 간과했던 프라이버시 딜레마를 FATE 프레임워크와 결합하여 타문화 학습자맥락에서 실증하였다는 구체적인 학술적 기여를 지닌다. 나아가, AI 설계자가 명확한 데이터 인터페이스와 이익중심의 전략을 구축하도록 돕는 실무적 가이드라인을 제공한다.

As artificial intelligence (AI) deeply integrated into higher education, this study investigates the structural mechanisms determining users' intention to adopt personalized learning AI and provide personal learning data. Drawing on Privacy Calculus Theory and the FATE framework, we analyzed how AI characteristics influence behavioral intentions through perceived benefits and risks. Data from 228 Chinese international students in South Korea were empirically validated using PLS-SEM. Results showed that Fairness, Accountability, and Transparency significantly enhanced perceived benefits, while Ethics did not. Second, Transparency uniquely reduced perceived risks. Third, perceived benefits strongly positively influenced both adoption and data provision intentions, whereas perceived risks exerted negative effects. These interesting findings suggest that cross-cultural learners prioritize practical utility and clear, controllable data processing over abstract ethics. Despite recognizing privacy risks, users exhibited a dual-mediated calculus mechanism, willingly providing data because the anticipated benefits of personalized learning were overwhelmingly large. This study contributes academically by integrating the FATE framework with the privacy dilemma?often overlooked in technology acceptance research?within a cross-cultural context. Practically, it provides guidelines for AI designers to build clear data interfaces and benefit-centered strategies.

In this study, the accuracy of the assembly rate of fine aggregate and the cleavage rate of coarse aggregate was analyzed using the constructed learning data. As a result, it was possible to predict the distribution of assembly rate for fine aggregate through a simple sample collection image, showing an accuracy of 96%. The classification of the aggregates could be confirmed by analyzing the fracture shape of the gravel, showing an accuracy of 97%.

In this study, as the demand for tourism increases in Korea-China relations, the need for tourism vocabulary learning is increasing when using apps and machine translation. Therefore, in order to construct basic data necessary for learning tourism Chinese vocabulary, the type of N-gram vocabulary was analyzed based on a native Chinese corpus on the AI-Hub platform. As a result of the analysis, in the 2-gram, many high-frequency vocabulary bundles similar to the types appearing in general-purpose Chinese learning contents appeared. The characteristic of the 3-gram vocabulary bundle is that adverbs occupy a large proportion in the tourist Chinese vocabulary list. The characteristic of the 4-gram vocabulary bundle is that it can be used as an independent expression as a lot of professional vocabulary appears and syllables grow. Next, tourism Chinese vocabulary was categorized, classified into verb phrases and noun phrases, and analyzed through frequency of use and example sentences. The verb phrase is a type of 'pronoun + auxiliary verb + verb', and includes 我 想 去, 我 想 买, and 你 能 告诉. In addition, auxiliary verb 能 often appears in dialogues. The noun phrase was categorized into 'investigation + noun' and 'association + noun', and the biggest feature is that vocabulary bundles that include professional vocabulary 飞机, 着陆, 登机, 航班, and 预 settings appear frequently in 4-gram.