Earticle

연구배경: 본 연구는 치위생과 학생을 대상으로 AI기반 Quizlet 학습이 학업성취도와 학습만족도에 미치는 효과를 분석하고, 학습 관련 요인 간 상관관계를 파악하여 AI 학습의 교육적 활용 가능성을 탐색하고자 하였다. 연구방법: 본 연구는 비동등성 대조군 사전-사후 설계를 기반으로 하였으며, D지역 Y대학교 치위생과 1학년 재학생 중 치의학용어 교과목을 수강한 81명을 대상으로 실시되었다. 중재군(40명)에는 AI 기반 Quizlet 학습을, 비중재군(41명)에는 전통적 강의 중심 학습을 8주간 적용하였다. 학업성취도는 중간기말 평가 점수를 통해 측정하였고, 학습만족도는 5개 영역(흥미, 반복학습, 자기점검, 장기학습, 학습효과 및 만족)으로 구성된 설문지를 통해 측정하였다. 수집된 자료는 SPSS 26.0을 활용하여 t-검정, 상관분석, 공분산분석을 실시하였다. 연구결과: 중재군은 학업성취도와 학습만족도에서 비중재군보다 유의하게 높은 점수를 보였으며, 특히 자기점검과 장기학습 영역에서 큰 효과가 나타났다(Hedgesʼ g=1.04 이상). 학습 관련 요인 간 상관분석 결과, 반복학습, 자기점검, 학습습관, 만족도 간 유의한 정적 상관관계가 확인되었다(r=0.95 이상). 결론: AI 기반 Quizlet 학습은 치위생과 학생의 학업성과 및 학습경험 향상에 효과적인 전략으로 확인되었으며, 반복학습과 피드백 기반 자기점검을 중심으로 한 자기주도학습 체계를 강화하는 데 기여하였다. 치위생 교육 현장에서는 AI 기반 학습도구를 활용한 지능형 교수설계 적용이 교육의 효과성과 학습자의 임상 준비도 향상에 유의한 기여를 할 수 있을 것이다.

Background: This study aimed to investigate the effects of AI-based Quizlet learning on academic achievement and learning satisfaction among dental hygiene students. Furthermore, it examined the correlations among key learning-related factors to explore the educational potential of AI-integrated learning environments in health sciences education. Methods: A quasi-experimental pretest–posttest non-equivalent control group design was employed. Participants were 81 first-year dental hygiene students enrolled in a Dental Terminology course at Y University in D City. The experimental group (n = 40) received AI-based Quizlet learning for eight weeks, while the control group (n = 41) received traditional lecture-based instruction. Academic achievement was measured by midterm and final exam scores, and learning satisfaction was assessed using a revised questionnaire comprising five domains: interest, repeated learning, self-check, learning habits and longterm learning, and perceived usefulness and satisfaction. Data were analyzed using SPSS 26.0 with t-tests, ANCOVA, and Pearson’s correlation analysis. Results: The experimental group showed significantly greater improvements in both academic achievementand learning satisfaction compared to the control group, with particularly large effects in the self-check and long-term learning domains (Hedges’ g> 1.04). Strong positive correlations were observed among repeated learning, self-check, learning habits, and satisfaction (r > 0.95), suggesting a strong interrelationship among self-regulated learning factors in the AI learning environment. Conclusion: AI-based Quizlet learning effectively enhanced academic performance and learning satisfaction by promoting self-regulated learning strategies such as repeated review and self-assessment. These findingssupport the educational value of integrating intelligent AI feedback systems and personalized learning pathways into dental hygiene curricula to improve learning outcomes and clinical readiness.

최근 인공지능(AI) 기술의 발전은 교육 분야 전반에 걸쳐 혁신적인 변화를 가져오고 있으며, 특히 AI 디지털교과서의 도입은 교육의 패러다임을 변화시켜 대학 교육생태계에도 영향을 미치고 있다. 본 연구는 문헌연구 방법을 통하여 2025년부터 단계적으로 시행되는 초·중등학교의 AI 디지털교과서 도입이 초래할 대학 교 육생태계의 변화와 과제 탐구에 목적이 있다. AI 디지털교과서 도입의 변화를 교육 방법, 학습경험, 교수자 역할과 평가 방식을 중심으로 분석한 결과, AI 디지털교 과서는 다음과 같은 변화를 초래함을 확인하였다. 첫째, 개인화 학습과 데이터 기반 교수법이 활성화되며, 학습 효율성과 학생 중심 교육이 강화된다. 둘째, 학습자 의 주도성과 몰입도가 증대되며, 맞춤형 학습콘텐츠와 실시간 피드백이 이를 촉진한다. 셋째, 교수자의 역할은 데이터 분석 전문가이자 학습 코치로 변화할 것이며 실시간 평가와 개인화된 피드백 시스템을 활용한 정교한 학습 성과 측정이 가능해진다. 결과적으로 AI 디지털교과서의 도입은 대학 교육생태계를 변화하는 촉매제 역할을 한다. 따라서 AI 기반 학습으로의 전환에 대비하여 교육생태계 재정립과 역할 변화에 따른 과제를 탐구하고, AI 기반 교육의 발전이 학습자 중심의 교육 혁 신으로 이어질 수 있도록 지속적인 연구와 정책적 노력이 필요하다고 제언한다. 본 연구는 대학이 교육생태계의 변화에 적극적으로 대응하고, 새로운 교육 모델을 모색하는 실천적 적용을 위한 근거를 마련하고자 하였으나 문헌 분석 중심의 탐색적 연구로써 이론적 타당성을 검증해줄 실증적 데이터가 부족하다는 한계를 지닌 다. 따라서 향후 AI 디지털교과서의 효과와 영향 등을 실증적으로 다양하게 검토하는 후속 연구가 필요하다.

the introduction of AI digital textbooks is changing the paradigm of education and affecting the university education ecosystem. The purpose of this study is to explore the changes and tasks of the university education ecosystem that will be brought about by the introduction of AI digital textbooks in elementary and secondary schools, which will be implemented step by step from 2025, through literature research methods. As a result of analyzing the changes in the introduction of AI digital textbooks focusing on education methods, learning experiences, instructor roles, and evaluation methods, it was confirmed that AI digital textbooks brought about the following changes. First, personalized learning and data-based teaching methods are activated, and learning efficiency and student-centered education are strengthened. Second, learner's initiative and immersion are increased, and customized learning contents and real-time feedback promote this. Third, the role of the instructor will change to a data analysis expert and learning coach, and it will be possible to measure sophisticated learning outcomes using real-time evaluation and personalized feedback systems. As a result, the introduction of AI digital textbooks serves as a catalyst for changing the university education ecosystem. Therefore, in preparation for the transition to AI-based learning, this study suggest that continuous research and policy efforts are needed to explore the challenges of the re-establishment of the educational ecosystem and changes in roles and to ensure that the development of AI-based education can lead to learner-centered educational innovation. Although this study attempted to provide a basis for practical application for universities to actively respond to changes in the educational ecosystem and seek new educational models, it has limitations that there is a lack of empirical data to verify theoretical validity through exploratory research centered on literature analysis. Therefore, a follow-up study is needed to empirically examine the effects and effects of AI digital textbooks in various ways in the future.

Predicting link quality before establishing communication between transmitter and receiver enhances channel selection. With the advancements in artificial intelligence, prediction is now possible for complex environments such as riverside, maritime and polar regions. This paper evaluates Wi-Fi and LoRa radios, utilizing Received Signal Strength Indicator (RSSI) to understand link quality in riverside environments. The proposed approach compares traditional regression techniques with advanced deep learning models. Error metrics such as Root Mean Squared Error (RMSE), Mean Squared Error (MSE), and Mean Absolute Error (MAE), assess performance. The results demonstrate that ST-LSTM-CNN consistently surpasses other models for Native AI for Non-Terrestrial Networks (NTN).

Accurate classification of public policy is essential for effective policy analysis, design, comparison, and formulation across countries. However, manual classification by policy experts can lead to inconsistencies and human errors, highlighting the need for a more reliable and efficient approach. This study proposes a deep learning-based model to support policy classification using artificial intelligence. Leveraging Korean policy datasets, comprising administrative data (1988–2018), legislative data (1987–2018), and media data (1988–2020), previously curated by experts, we developed an AI model for automated policy classification based on the KoBERT language model. Designed as a supplementary tool for policy experts, this model enhances classification consistency, reduces decision-making time, and improves overall productivity. Moreover, the model enables the classification, comparison, and evaluation of diverse policies at both local and national levels, offering valuable support for strategic public policy development. The proposed model achieved a Top-1 accuracy of 62.4% and a Top-3 accuracy of 71.6%, outperforming traditional baselines and demonstrating its practical potential for real-world policy analysis.

Heart disease is a major cause of mortality in the world that is in dire need of accurate, interpretable predictive measures that could be utilized to manage it proactively. The writer of this paper proposes an Explainable AI (XAI) Ensemble Machine Learning model to predict heart disease using an 1,025 patient record dataset. To achieve methodological rigor and generalization, 5- Fold Stratified Cross-Validation (CV) was used to evaluate all models, such as LightGBM and Random Forest. LightGBM model was stable and better in performance as it had Mean CV Accuracy of ±0.9620 ±0.0178. Integration of XAI (SHAP/LIME) is the means of creating clinical trust; analysis has confirmed maximum heart rate (thalach) and type of chest pain (cp) as medically significant characteristics. This framework supports the sustainable smart city healthcare through a highly transparent decision-support system, which manages the resources in optimizing scalable public health programs.

최근, 여러 분야에서의 AI가 빠르게 성장하였고 게임에서도 큰 발전이 있었다. 게임 AI에 대한 접근 방법은 여러 가지가 있다. 먼저 지도 학습 기반 접근 방법은 게임 플레이 데이터에서 학습하고, 플레이 행동을 흉내 낸다. 그러나, 지도 학습 기반 접근 방법은 입력 자질을 선형 조합하므로, 복잡한 문제에는 성능 향상에 한계 가 있다. 선형 조합에 따른 성능 한계를 개선하기 위해, 딥 뉴럴 네트워크 기반 접근방법은 지역적 특성 및 전역적 특성을 개별적으로 각각 표현하기 위해 둘 이상의 뉴럴 네트워크를 사용한다. 그러나 딥 뉴럴 네트워 크 기반 접근방법은 충분한 학습 집합이 필요하다. 학습 집합을 준비해야 하는 부담을 줄이기 위해서, 강화 학습 기반 접근 방식은 Agent가 먼저 Action을 하고 이에 따른 보상을 분석하여 학습한다. 즉, 이 접근방법 은 Agent가 최대 보상을 받도록 학습한다. 본 논문에서는 강화 학습을 통해 여러 게임에서 학습하는 AI를 제 안한다. 제안하는 AI 모델은 개별 게임에서 Local Agent가 플레이하고, 여러 Local Agent에서 Global Agent 를 학습한다. 실험 결과, 한 게임에서 학습한 Agent는 학습했던 게임에서는 우수한 성능을 보여주었지만, 새 로운 게임에서는 성능이 떨어졌다. 반면에, 두 게임에서 학습한 제안하는 Agent는 학습한 게임과 새로운 게 임 모두에서 잘 적응했다.

Recently, AI Technologies have grown rapidly in various fields including game. There are many approaches to game AI. First, the supervised learning-based approaches are learned from the game play data, and mimic a series of the playing behavior. However, there are limitations in the complicated games due to the linear combination of input features. In order to solve these limitations by the linear combination, the deep neural network-based approaches utilizes more than two neural networks to represent the local characteristics and the global characteristics respectively. Still, these approaches require the enough training data. Without any already prepared training data, the reinforcement learning based approaches can be learned from the relations between the agent action and its reward in the environment, and aimed at that the agent obtains the maximum reward. In this paper, we propose a single AI trained from multi-games by the reinforcement learning. In the proposed AI model, every local agent plays each single game, while the global agent is learned from all local agents. Experimental results show that the agent learned from multi-games is adjusted well on both the training game and a new game, while the agent learned from a single game achieves good performance at only the training game.

간세포암 환자에서 TACE 치료 반응은 환자의 개별적인 특성에 따라 달라지므로, 치료 효과를 정확히 예측하는 것은 여전히 중요한 도전 과제로 남아 있다. 이에 본 연구에서는 다양한 머신러닝 알고리즘(Logistic Regression, Linear Support Vector Machine, Random Forest, XGBoost)을 활용하여 TACE 치료 반응을 예측하는 모델을 개발하고, 이들의 성능을 비교하여 가장 우수한 모델을 도출하고자 하였다. 나이, 성별, BMI, 간염 바이러스, 간경변증, 문맥 고혈 압, 생체표지자, CBCT, DAP을 독립변수로, 치료 완전반응을 종속변수로 설정하여 예측 모델을 개발하였다. 성능 평가 결과, 선형 모델 중에서는 Logistic Regression이 가장 높은 성능을 보였으며, 비선형 모델에서는 Random Forest가 재현율(82.12%)에서 높은 값을 나타냈다. 그러나 XGBoost는 정확도(78.57%), 정밀도(81.43%), F1 점수(81.71%)에서 더 높은 성능을 보여 종합적으로 가장 우수한 예측력을 보였다. 이러한 결과는 XGBoost 모델이 복잡한 임상 데이터를 효과적으로 처리할 수 있으며, 향후 TACE 치료 계획 수립에 유용하게 활용될 것으로 사료된다.

Treatment response to TACE (Transarterial chemoembolization) in patients with HCC (Hepatocellular carcinoma) varies depending on individual patient variables, making accurate prediction of treatment outcomes a significant challenge. Therefore, this study aimed to develop Prediction models for treatment response using various machine learning algorithms, including Logistic Regression, Linear Support Vector Machine, Random Forest, and XGBoost, and to compare their performance to identify the most effective model. The Prediction models were developed using independent variables such as age, sex, BMI (Body Mass Index), hepatitis virus, liver cirrhosis, portal hypertension, biomarker, CBCT (Cone Beam Computed Tomography), and DAP (Dose Area Product), with complete treatment response set as the dependent variable. Performance evaluation showed that Logistic Regression had the highest performance among linear models, while Random Forest demonstrated superior recall (82.12%) among nonlinear models. However, XGBoost outperformed other models in terms of accuracy (78.57%), precision (81.43%), and F1 score (81.71%), demonstrating the best overall predictive performance. These results suggest that the XGBoost model can effectively handle complex clinical data and may be useful in supporting future TACE treatment planning.

본 연구에서는 지방량을 측정하는 Fat-amount 검사에서 FBP(Filtered back projection), IR(Iterative Reconstruction)과 함께 DLIR 기법을 이용하여 영상을 재구성한 후 HU(Hounsfield unit), VFA(Visceral Fat Area), SFA(Subcutaneous Fat Area), V/S(Visceral-Subcutaneous Fat Ratio), SD(Standard Deviation)을 비교하여 DLIR의 유용성을 평가했다. 지방의 정량적 측정에서는 FBP, ASIR-V와 DLIR이 통계적으로 유의한 차이 없는 결과를 도출할 수 있었고, 오히려 SD은 DLIR에서 낮아져 Fat의 정량적 측정은 동일하면서, 영상의 질을 높일 수 있는 임상적 으로 충분히 가치 있는 기법이라고 보여진다. 타 검사에 비해 큰 단점으로 지목되고 있는 방사선량을 줄이는 데에 있어 충분한 가지가 있다고 사료된다.

In this study, in ‘CT Fat-amount’ to measure the amount of fat, the image was reconstructed using the DLIR technique along with FBP (Filtered back projection) and IR (Iterative Reconstruction), and then HU (Hounsfield unit), VFA (Visceral Fat Area), and SFA The usefulness of DLIR was evaluated by comparing (Subcutaneous Fat Area), V/S (Visceral-Subcutaneous Fat Ratio), and SD (Standard Deviation). In the quantitative measurement of fat, FBP, ASIR-V, and DLIR were able to produce results with no statistically significant difference. Rather, the SD was lower in DLIR, so the quantitative measurement of fat was the same, but the quality of the image could be improved clinically. It appears to be a worthwhile technique. It is believed that there are sufficient ways to reduce the radiation dose, which is considered a major disadvantage compared to other tests.

본 연구는 신입 간호대학생들이 해부학 학습에서 겪는 인지적 부담과 제한된 개념 통합 시간을 보완하기 위해 생성형 AI와 멘토–멘티 기반 동료학습을 결합한 학습공동체를 개발·운영하고, 그 학습경험을 탐색하는 데 목적이 있다. 8주간 프로그램에는 1학년 4명과 2학년 멘토 2명이 참여하였으며, 수집된 자료는 귀납적 내용분석 으로 분석되었다. 분석 결과, 동료 지지는 학습 동기를 강화하였고, 생성형 AI는 용어 정리, 문제 생성, 즉각적 피드백을 통해 개념 이해를 촉진하였으며, 지속적 참여는 학습습관과 학업 자신감을 향상시키는 것으로 나타났다. 본 프로그램은 인지적 부담을 줄이고 기초 해부학 학습을 강화하는 데 효과적이었다. 향후 연구에서는 이 AI 지원 학습공동체 모형을 생리학·병리학·약리학 등 다른 기초간호학 교과목으로 확장하여 적용성을 검증하고, 학습 성과 의 장기적 지속 여부를 확인하는 종단 연구가 필요하다.

This study developed an AI-supported mentor–mentee learning community to reduce cognitive burden and improve anatomy learning among first-year nursing students. Four first-year students and two second-year mentors participated in an eight-week program, and data were analyzed using inductive content analysis. Peer support increased motivation, AI enhanced conceptual understanding, and consistent participation improved study habits and confidence. The model effectively strengthened foundational learning. Future research should apply this model to other basic nursing courses and evaluate its long-term effects.

본 연구의 목적은 생성형 AI 확산과 AI 디지털교과서(AIDT) 정책 도입 이후 변화된 AI 교육과 AI 피드백에 대한 사회적 인식 구조를 분석하고, 이를 바탕으로 AI 학습경험 설계를 위한 시사점을 탐색하는 데 있다. 이를 위해 Google Trends와 Sometrend를 활용하여 2022년 10월부터 2025년 9월까지의 언급량, 연관어 및 감성어를 비교·분석하였다. 분석 결과, AI 교육은 AI 관련 정책 및 공교육 확산과 함께 학습 효율성, 성장 가능성, 미래 역량을 지향하는 인식 구조로 이동하는 경향을 보인 반면, AI 피드백은 정확성, 신뢰성, 심리적 부담과 같은 복합적인 경험 요소가 중요한 평가 기준으로 부각되는 양상을 보였다. 또한 AI 기반 학습 담론은 정책 및 시스템 중심의 논의에서 점차 학습자 경험과 상호작용 중심의 논의로 확장되는 경향이 나타났다. 이를 바탕으로 AI 학습경험 설계 시 고려할 수 있는 주요 관점을 기능·효과, 접근성·가치, 신뢰·위험·부담의 세 가지 측면에서 정리하였다. 구체적으로 성장 중심의 학습 구조, 접근성 중심 인터페이스, 신뢰성과 정서적 안정성을 고려한 UX 설계에 대한 시사점을 제안하였다. 본 연구는 AI 교육과 AI 피드백에 대한 대중 인식 구조를 분석하고, 이를 바탕으로 AI 학습경험 설계를 위한 탐색적 시사점을 제시하였다는 점에서 의의를 가진다.

The purpose of this study is to analyze the changing social perception structure of AI education and AI feedback following the expansion of generative AI and the introduction of the AI Digital Textbook (AIDT) policy, and to explore implications for designing AI-based learning experiences. To achieve this, Google Trends and Sometrend were utilized to comparatively analyze mention volume, associated terms, and sentiment-related expressions from October 2022 to September 2025. The findings indicate that AI education has increasingly been associated with learning efficiency, growth potential, and future competency development alongside policy expansion in public education. In contrast, AI feedback was more closely related to factors such as accuracy, reliability, and psychological burden. In addition, AI-based learning discourse showed a tendency to expand from policy- and system-centered discussions toward learner experience and interaction-oriented perspectives. Based on these findings, this study organized key perspectives for AI learning experience design into three dimensions: functionality and effectiveness, accessibility and value, and trust, risk, and psychological burden. Specifically, implications were proposed regarding growth-oriented learning structures, accessibility-focusedinterfaces, and UX design strategies that consider reliability and emotional stability.

인공지능과 분석기술의 고도화로 교육 환경에서 개별학습자를 위한 맞춤형 수업의 설계와 적용 가능성이 대두 되고 있으나 인공지능 맞춤형 교육 및 융합 교육은 일부 교과에서 한정적으로 이루어지며 직접적인 시도 역시 미 약하다고 볼 수 있다. 본 연구에서는 초등학교 음악교육에서 인공지능 융합 프로그램을 설계하여 적용하고 학생들 의 학습유형과 흥미유형에 따른 효과를 분석하였다. 프로그램 적용 결과, 인공지능 도구를 활용하여 학습한 집단은 자기특성 이해역량, 사회적 역량, 실천 역량, 의사결정 역량에서 보다 긍정적이고 통계적으로 유의미한 변화가 있었 으며 이 결과는 학습자의 세부적인 학습유형 및 흥미유형에 따라 차이가 있었다. 학습자 맞춤형 수업을 위해 개별 학습자의 세분화된 유형을 고려한다면 인공지능 융합 교육의 효과성과 더불어 미래 세대에게 필요한 역량의 효율 적인 향상을 기대할 수 있을 것이다.

With the advancement of artificial intelligence and analysis technology, the possibility of designing and applying customized classes for individual learners in the educational environment is emerging, but artificial intelligence customized education and convergence education are limited to some subjects, and direct attempts can also be considered weak. In this study, we designed and applied an artificial intelligence convergence program in elementary school music education and analyzed the effects according to students' learning and interest types. As a result of applying the program, the group that learned using artificial intelligence tools had more positive and statistically significant changes in self-characteristic understanding ability, social competency, practical competency, and decision-making competency, and these results were consistent with the learner's detailed learning type and interest type. There was a difference depending on. If we consider the detailed types of individual learners for learner-tailored classes, we can expect the effectiveness of artificial intelligence convergence education and efficient improvement of the capabilities required for future generations.

This study confirms the effect of high school students’ digital literacy competence on their intention to use EduTech in AI-based learning environments, with a particular focus on the mediating role of self-directed learning competence, as emphasized in the 2022 revised curriculum. Data from 308 vocational high school students were analyzed using statistical methods, including Structural Equation Modeling (SEM) and bootstrapping. Results indicate significant positive correlations among digital literacy, self-directed learning competence, and the intention to adopt EduTech. The study emphasizes the significant role of self-directed learning competence as a mediating factor in the relationship between digital literacy competence and the intention to adopt EduTech. The findings suggest that fostering self-directed learning is crucial for enhancing students’ adaptability and effective use of technology in AI-based learning environments.

본 연구의 목적은 AI 기반 맞춤형 학습 플랫폼 '광주아이온'을 실제 초등학교 수업에 적용한 교사들의 경험을 심층분석하여 그 교육적 가능성과 한계점을 탐색하는 데 있다. 이를 위해 연구자 본인의 자기성찰적 사례 연구, 동료 교사 3인과의 심층 인터뷰, 학생 반응 자료 등을 통합하여 질적 분석을 수행하였다. 연구 결과, '광주아이온'의 장점으로는 (1) 통합 로그인을 통한 접근 편의성, (2) 수업자료 공유 및 피드백 과정의 효율성, (3) 유료 에듀테크 서비스무상 제공을 통한 교육기회 형평성, (4) 게임화 및 시각화 도구를 활용한 학생의 흥미 유발 등이 있었다. 반면, 한계점으로는 (1) 일부 도구의 기능적 불완전성 및 기술적 오류, (2) 자동화로 인한 교사 역할 축소 우려, (3) 교사의 디지털 역량에 따른 활용 격차, (4) 저학년의 디지털 소양 부족으로 인한 수업 적응 어려움 등이 나타났다. 결론적으로 '광주아이온'은 교육 효율성과 학생 참여를 높이는 잠재력을 지녔으나, 기술 안정성을 확보하고 교육의 본질을 고려한 플랫폼 개선이 요구된다. 본 연구는 향후 AI 기반 플랫폼의 효과적 활용을 위해 플랫폼 개선과 동시에 교사연수, 학생 디지털 리터러시 교육 등의 정책적 지원 필요성을 제언한다.

The purpose of this study is to explore the educational possibilities and limitations of the AI-based learning platform 'Gwangju AI-ON' by analyzing the in-depth experiences of elementary school teachers who have applied it in their classrooms. For this purpose, a qualitative analysis was conducted, integrating the researcher's self-reflective case study, in-depth interviews with three fellow teachers, and student response data. The results showed that the strengths of 'Gwangju AI-ON' included (1) ease of access through Single Sign-On (SSO), (2) efficiency in sharing class materials and providing feedback, (3) equity in educational opportunities through free access to paid EdTech services, and (4) stimulation of student interest using gamification and visualization tools. Conversely, limitations identified were (1) functional imperfections and technical errors in some tools, (2) concerns about the reduction of the teacher's role due to automation, (3) a gap in utilization based on teachers' digital competency, and (4) difficulties in adaptation for younger students with insufficient digital literacy. In conclusion, while 'Gwangju AI-ON' has the potential to enhance educational efficiency and student engagement, platform improvements are required, considering technical stability and the essence of education. This study suggests the necessity of teacher training, student digital literacy education, and policy support for the successful integration of AI-based platforms in the educational field.

본 연구는 인공지능(AI) 기반 학습 경험 플랫폼(LXP)이 경영대학 학생의 코딩 교육 성취도에 미치는 영향을 실증적으로 분석하였다. 연구를 위해 2022년부터 2024년까지 H대학교 경영대학 1학년 학생들을 대상으로 전통적 대면 강의, AI 도구의 부분적 활용, 그리고 AI LXP 및 AI 튜터 기능을 통합한 전면 활용 단계를 비교하는 종단적 사례연구를 수행하였다. 사전 점수를 공변량으로 설정한 공변량 분석(ANCOVA) 결과, 체계적인 프롬프트 엔지니어링 교육과 실시간 학습 지원 플랫폼을 결합한 2024년 집단의 성취도가 이전연도 대비 통계적으로 유의미하게 향상 되었음을 확인하였다. 이는 단순한 AI 도입보다 학습자의 리터러시 역량을 강화하고 지능형 플랫폼을 통해 즉각적인 피드백을 제공하는 것이 성취도 향상의 핵심 동인임을 시사한다. 본 연구의 결과는 AI 시대 비전공자 대상 코딩 교육을 위한 맞춤형 학습 환경 구축과 교수자의 역할 변화 등 교육 패러다임 전환의 필요성을 구체적으로 제시한다.

This study empirically analyzes the impact of AI-based Learning Experience Platforms (LXP) on the coding education achievement of business school students. A longitudinal case study was conducted from 2022 to 2024 at H University, comparing three distinct phases: traditional face-to-face instruction, partial instrumental use of AI, and full integration of AI LXP and AI tutor functions. According to the Analysis of Covariance (ANCOVA) results, using pre-test scores as a covariate, the 2024 group—which combined systematic prompt engineering education with a real-time learning support platform—showed a statistically significant increase in achievement compared to the 2022 and 2023 groups. These findings suggest that enhancing learners' AI literacy and providing immediate feedback through intelligent platforms are the primary drivers of improved performance, rather than the mere introduction of technology. This research underscores the necessity of a pedagogical shift, including the construction of personalized learning environments and changes in the role of instructors for non-major coding education in the AI era.

연구목적: 본 연구는 발전소에서 반복 발생하는 중대재해(SIF: 떨어짐, 끼임, 부딪힘) 예방을 위해 딥러 닝 기반 AI CCTV 관제시스템을 구축하고 효과를 실증적으로 검증하는데 있다. 연구방법: 2018~2022 년 안전사고 데이터와 2023~2025년 탐지율 성능데이터를 활용하여 기술통계, 추세분석, 이중차분 (DiD), 이벤트 스터디 모형으로 AI도입 전후 효과를 분석한다. 연구결과: 중대재해는 전체 사고의 46.8%를 차지하였으며, 도입부서의 안전모 탐지율은 23.78%→97.56%, 쓰러짐은 37.79%→87.79%로 향상되었다. DiD 분석결과, AI 도입 효과( +0.368(p<0.01)가 확인되었고, 이벤트 스터디 분석에서도 효 과가 점차 강화되고 내재화됨을 입증하였다. 결론: 안전사고 통계와 AI 성능데이터 결합을 통해 사고예 방효과를 계량적으로 입증하였고, AI CCTV 감시체계는 인력중심 감시한계를 극복하고 안전관리를 사 후 대응에서 사전 예방중심으로 전환해야함을 보여준다. 이러한 스마트 안전관리체계는 고위험 현장 의 중대재해 예방에 기여할 것이다.

Purpose: This study aims to empirically verify the effectiveness of a deep learning–based AI CCTV control system in preventing recurring serious industrial accidents(SIFs: falls, entrapments, and collisions) at power plants. Method: Industrial accident data from 2018–2022 and AI CCTV detection performance data from 2023–2025 were analyzed. Descriptive statistics, trend analysis, Difference-in- Differences(DiD), and event study models were applied to assess pre- and post-adoption effects. Result: SIFs accounted for 46.8% of all industrial accidents. After AI CCTV implementation, helmet detection improved from 23.78% to 97.56%, and fall detection from 37.79% to 87.79%. The DiD analysis showed a significant adoption effect of +0.368(p<0.01). Event study analysis further confirmed that the preventive effects gradually strengthened and became institutionalized. Conclusion: By integrating accident statistics with AI performance data, this study quantitatively demonstrated the accident prevention effect of AI CCTV. The system overcame the limitations of human-centered monitoring and shifted safety management from reactive response to proactive prevention. This smart safety management system will help prevent serious accidents in high-risk sites.

본 연구는 2023년 2학기와 2024년 1학기 데이터 과학과 수학을 융합한 교과목과 이공계 학생들을 대상으로 한 대학수학 교과목에서 AI 기반 학습시스템인 UntactEdu 를 활용한 사례를 통하여 향후 교양 수학교육에서 AI를 활용한 수업 운영에 관련 하여 고려할 점들과 그 방향성에 관한 제언을 서술하였다. 본 연구에서 AI 기반 학습시스템 UntactEdu를 활용하여 과제와 평가를 시행하 였다. 학업 성취도가 학기 초 진단평가보다 높은 결과를 보였다. UntactEdu를 통 하여 실시간 학습 상태 확인과 즉각적인 피드백을 통하여 학습효과가 높아졌다. 학 습자들이 AI 기반 학습시스템으로 학습하면서 수학 문제 해결에서 두려움을 갖지 않고 자신감을 가질 수 있도록 동기부여에도 기여하였다. 학습자의 만족도 조사에 서도 UntactEdu 활용 수업이 교과 내용 이해와 자기 주도학습에 도움이 되었다는 긍정적인 평가를 받았다. AI 기반 학습시스템이 수학교육에서 학생들의 학습 성과 를 향상시키고 학습 경험을 풍부하게 하며 학습 동기와 만족도를 높이는 데 기여 함을 보여주었다. 향후 AI 학습시스템의 기술적 발전과 교수자의 지속적인 노력을 통해 학습자 몰 입도와 흥미를 더울 높일 수 있을 것으로 기대된다. 또한, AI 기반 학습시스템 활용의 학습 성과와 요인에 관한 후속 연구를 통해 교육적 효과를 더욱 검증할 필요 가 있다. 이를 통해, 수학교육의 질적 향상과 학생들의 학습 경험 개선을 기대할 수 있을 것이다.

Through the use of UntactEdu, an AI-based learning system, in college mathematics courses for students of data science and mathematics in the second semester of 2023 and the first semester of 2024, this study described the points to consider and suggestions on the direction of AI-based class operation in liberal arts mathematics education. In this study, assignments and evaluations were conducted using the AI-based learning system UntactEdu. Academic achievement showed higher results than diagnostic evaluation at the beginning of the semester. Through UntactEdu, the learning effect increased through real-time learning status check and immediate feedback. While learning with an AI-based learning system, it also contributed to motivation for learners to have confidence without fear in solving math problems. In the survey of learners’ satisfaction, the class using UntactEdu received positive evaluation that it was helpful in understanding the content of the subject and self-directed learning. It has been shown that the AI-based learning system contributes to improving students’ learning outcomes, enriching learning experiences, and increasing learning motivation and satisfaction in mathematics education. In the future, it is expected to increase learner immersion and interest through technological development of AI learning system and continuous efforts of instructors. In addition, it is necessary to further verify the educational effect through follow-up research on learning outcomes and factors using AI-based learning system. Through this, it will be expected to improve the quality of mathematics education and improve the learning experience of students.

본 연구는 체화학습의 핵심 원리를 추출하여 AI 기반 체화학습 프로그램을 개발하고 적용하였으며, 학생들의 협력적 태도, 정서적 학습 태도, 반응적 교수의 효과성과 한계에 미치는 영향을 탐구하였다. 연구 결과, AI 기반 체화학습은 기존의 체화학습과 달리 학생들의 신체 움직임과 디지털 기술이 실시간으로 연결되는 새로운 학습 환경을 제공하였다. 이는 기존의 단순한 움직임 중심의 체화 학습과 차별화된 경험을 제공하며, 학생들의 높은 만족도와 긍정적인 학습 태도를 이끌어냈다. 특히 프로그램이 진행되면서 학생들은 점진적으로 협력적 태도를 보였으며, 창의력, 도전 정신, 컴퓨팅 사고력과 같은 핵심 역량이 강화되기도 하였다. 또한, 체화학습의 핵심 원리 중 하나인 반응적 교수법은 학생들의 자기주도적 문제해결 능력을 키우는 것으로 나타났으나 개인 모니터링의 어려움이 개선이 필요한 영역으로 확인되었다. 본 연구는 기술 통합 체화학습에 대한 실증적 연구로서 의의가 있으며, AI 기반 체화학습의 교육적 잠재력을 입증하였다.

This study extracted the core principles of embodied learning, developed and applied an AI-based embodied learning program, and explored the effects on students' collaborative attitudes, affective learning attitudes, and the effectiveness and limitations of responsive teaching. The results of the study showed that AI-based embodied learning provided a new learning environment in which students' physical movements and digital technology were connected in real time, unlike traditional embodied learning. This provided a differentiated experience from the traditional simple movement-based embodied learning and led to high student satisfaction and positive learning attitudes. In particular, as the program progressed, students gradually became more collaborative, and their core competencies such as creativity, challenge, and computational thinking were strengthened. In addition, the responsive teaching method, one of the core principles of embodied learning, was found to enhance students' self-directed problem-solving skills, but the difficulty of personal monitoring was identified as an area for improvement. This study is significant as an empirical study of technology-integrated embodied learning and demonstrates the educational potential of AI-based embodied learning.

2024년 기준 이주배경학생 수는 193,814명으로 전년 대비 7% 증가하였으나, 이들을 위한 교육에 관한 지원은 아직 미흡한 실정이다. 모국어가 아닌 언어를 이용하여 여러 교과를 학습할 때, 단어의 뜻을 파악하고 문장의 의 미를 이해하는 과정은 중요하다. 최근 초·중등학교에서 인공지능 디지털교과서(AIDT)의 도입이 현실로 다가왔 다. 만일, AIDT가 이주배경학생의 학습을 도울 수 있는 단어학습 도우미를 제공한다면, 교육적 소외를 줄일 수 있다. 본 연구에서는 이주배경학생의 한국어 이해를 돕기 위해 AI 디지털교과서 내 단어를 쉽게 이해할 수 있도 록 돕는 단어학습 도우미를 개발하였다. 본 연구에서 개발한 시스템은 학생들이 교과서의 단어를 쉬운 언어로 재구성한 정의와 학생의 모국어로 번역된 정의를 제공한다. 또한, 교과서에서 단어를 선택하면 해당 단어를 활용 한 예시 문장과 예시 문장에 대한 설명을 제시한다. 또한, 이주배경학생의 비율이 높은 베트남, 중국, 필리핀, 일 본어를 포함한 다양한 언어 지원을 통해 학생들의 한국어 이해 및 소외감 없이 자신의 문화와 언어가 존중받는 환경을 조성할 수 있어 교육 효과를 향상시킬 수 있다.

As of 2024, the number of students with migrant backgrounds in South Korea has reached 193,814, marking a 7% increase compared to the previous year. However, support for their education remains insufficient. Understanding the meanings of words and the context of sentences is essential when learning various subjects in a non-native language. Recently, the introduction of AI Digital Textbooks (AIDT) in primary and secondary schools has become a reality. If AIDT provides a vocabulary learning assistant to support the learning of students with migrant backgrounds, it could help reduce educational marginalization. This research developed a vocabulary learning assistant within AI Digital Textbooks to help Korean language understanding for students with migrant backgrounds. The system provides students with simplified definitions of textbook vocabulary and translations into their native languages. Additionally, when students select a word from the textbook, the system presents example sentences using the word and contextual explanations. Moreover, by supporting multiple languages, including Vietnamese, Chinese, Filipino, and Japanese—languages common among students with migrant backgrounds—the system can improve students’ understanding of Korean and foster an inclusive environment where their cultures and languages are respected. This approach enhances educational effectiveness and reduces feelings of alienation.

Injection-molded products frequently exhibit localized surface defects such as weld lines, flow marks, scratches, bubbles, and burn marks due to variations in material flow, mold temperature, and cooling conditions. Conventional visual inspection is highly dependent on operator experience, while rule-based machine vision methods are limited under variations in lighting and surface texture. This study proposes a deep learning–based defect detection model using YOLOv8 combined with a novel Defect-Aware Augmentation technique designed to enhance robustness for small, local defect regions. The proposed augmentation pipeline includes geometric transformations, optical perturbations, local defect patch synthesis, and diffusion-based synthetic defect generation. Experiments were conducted on a custom dataset of 5,000 images (3,000 normal and 2,000 defective). Results show that the proposed model achieves significant improvements over baseline models, obtaining 95% precision, 90% recall, and 0.96 mAP@0.5, outperforming the default YOLOv8 model by 7%p in mAP. Ablation studies verify that defect-aware augmentation is the dominant factor contributing to the performance gain. The proposed system demonstrates high applicability for automated quality inspection in injection- molding production lines.

본 연구의 목적은 2015년부터 2025년까지 국내 대학교육을 대상으로 수행된 인공지능 기반 적응형 학습 관 련 학술논문을 주제별로 고찰하여 연구 동향과 교육적 효과를 분석하는 것이다. Arksey와 O’Malley가 제시하고 Levac 등이 보완한 5단계 주제범위 문헌고찰 방법론을 적용하였으며, PRISMA-ScR 지침에 따라 연구를 수행하였 다. 국내 데이터베이스인 RISS, DBpia, KISS, KCI에서 ‘인공지능’, ‘적응형 학습’, ‘맞춤형 학습’, ‘대학’, ‘고등교육’ 등의 주요어를 조합하여 2015–2025년 사이 게재된 논문을 검색한 결과, 총 220편 중 선정 기준을 충족한 12편이 최종 분석 대상이 되었다. 선정된 연구의 주요 학습성과로는 학업성취, 학습동기, 학습몰입, 자기주도학습능력, 디 지털 리터러시, 학업 자기효능감 등이 보고되었고, 대부분의 연구에서 AI 기반 적응형 학습이 학업성취를 유의하 게 향상시키는 것으로 나타났다. 결론적으로 AI 기반 적응형 학습은 국내 대학교육에서 학업성취와 정의적·메타인 지적 학습성과를 동시에 향상시킬 수 있는 유망한 교수학습 전략이며, 저성취 학습자 지원에 효과적이다.

This study analyzed research trends and educational effects by conducting a scoping review of academic papers on artificial intelligence (AI)-based adaptive learning implemented in Korean higher education between 2015 and 2025. The five-stage thematic scoping review methodology proposed by Arksey and O’Malley and refined by Levac et al. was applied, in accordance with the PRISMA-ScR guidelines. Academic articles published between 2015 to 2025 were identified in searches of four Korean databases (RISS, DBpia, KISS, and KCI) using combinations of the keywords ‘artificial intelligence’, ‘adaptive learning’, ‘personalized learning’, ’university’, and ‘higher education’. Of the 220 records initially retrieved, 12 studies met the predefined inclusion criteria and were included in the final analysis. The principal learning outcomes most frequently reported in these studies were academic achievement, learning motivation, learning flow, self-directed learning ability, digital literacy, and academic self-efficacy. Across most studies, AI-based adaptive learning was associated with statistically significant improvements in academic performance. Overall, the findings indicate that AI-based adaptive learning is a promising pedagogical strategy in Korean university education, with the potential to enhance both academic achievement and metacognitive learning outcomes, particularly for students with lower prior academic achievement.