Earticle

기존 교사 주도형 교육 방식은 개별 학습자의 수준과 필요를 충분히 반영하지 못하며, 맞춤형 학습 지원이 부족하다. 인공지능 기술을 활용 하면 학습자의 패턴을 분석하고 최적화된 교육 콘텐츠를 제공할 수 있어, 자기주도적 학습을 촉진할 수 있다. 본 논문은 인공지능 기반의 LLM을 이용한 맞춤형 학습 지원 서비스를 개발한다. 본 시스템은 ChatGPT를 이용한 자동 문제 생성 및 채점, BERT 모델을 통한 유사 문 제 추천, GPT와 BERT 모델을 혼합한 유사 문제 생성으로 구성된다. 이를 활용하여, 기존의 교사 주도형 교육 방식의 한계를 극복하고, 더 나아가 학생 개인별 학업성취도를 고려한 맞춤형 학습 환경을 조성하는 데 중점을 두었다. 검증 실험을 위해, 개발한 BERT 기반 문제 추천 시스템과 기존 ChatGPT 기반 문제 추천 모델을 비교하였고, 학교 수업에 적용하여 효과성을 분석하였다. 실험 결과, BERT 모델의 유사도 점수는 0.99, ChatGPT 모델의 유사도 점수는 0.90으로 나타났다. 또한, BERT 기반 문제 추천을 받은 학습자의 평균 점수는 88점, ChatGPT 기반 문제 추천을 받은 학습자의 평균 점수는 77점으로, BERT 모델이 학습 성취도 향상에 더 효과적인 것으로 분석되었다. 만족 도 조사 결과, 학습자의 80% 이상이 추천된 문제가 학습 목표에 부합하며, 자기주도적 학습에 도움이 되었다고 응답하였다. 본 연구를 통 해, 개발된 맞춤형 학습 지원 시스템이 학생들의 개별 학습 수준을 고려한 효과적인 교육 환경을 제공할 수 있을 것으로 기대된다.

The existing teacher-centered education method does not sufficiently reflect individual learners' levels and needs and lacks personalized learning support. Artificial intelligence technology enables the analysis of learners' patterns and the delivery of optimized educational content, thereby fostering self-directed learning. This study presents a personalized learning support system utilizing an AI-based Large Language Model (LLM). The system consists of automatic problem generation and grading using ChatGPT, similar problem recommendations through a BERT model, and similar problem generation by combining GPT and BERT models. By leveraging these technologies, this study seeks to address the limitations of traditional teacher- centered education and establish a personalized learning environment tailored to individual students' academic performance. To validate the system, we compared the developed BERT-based problem recommendation system with an existing GPT-based model and assessed its effectiveness through implementation in school classrooms. The experimental results showed that the BERT model achieved a similarity score of 0.99, while the GPT model scored 0.90. Additionally, learners who received BERT-based problem recommendations had an average score of 88, whereas those who received GPT-based recommendations had an average score of 77, indicating that the BERT model is more effective in enhancing learning achievement. According to the satisfaction survey, over 80% of learners responded that the recommended problems aligned with their learning objectives and supported self-directed learning. This study suggests that the developed personalized learning support system can offer an effective educational environment tailored to students' individual learning needs.

PurposeThis study aimed to classify self-care patterns among Korean adults with prediabetes using an unsupervised machine learning approach. The classification was grounded in Orem’s Self-Care Theory, focusing on self-care demands, self-care agencies, and self-care behaviors. MethodsA secondary data analysis was conducted using the 2023 Korea National Health and Nutrition Examination Survey. Variables were selected and categorized according to the theoretical components of Orem’s model. Principal component analysis was applied for dimensionality reduction, followed by K-means clustering to identify distinct self-care pattern groups. All variables were standardized using min-max normalization. Group differences were examined using analysis of variance and the chi-square test. ResultsThree self-care pattern groups were identified: the high self-care performance group, the latent self-care risk group, and the self-care vulnerable group. These groups exhibited distinct profiles across self-care demands, agencies, and behaviors. Significant intergroup differences were also observed in education level, income, health literacy, fasting blood glucose, and hemoglobin A1c levels. ConclusionSelf-care patterns among adults with prediabetes can be effectively classified through unsupervised learning techniques. The findings highlight the importance of developing tailored nursing interventions that consider multidimensional self-care profiles. This study underscores the applicability of Orem’s Self-Care Theory and demonstrates the potential of machine learning in identifying at-risk subgroups for early intervention.

Background Pressure pain hypersensitivity (PPH) is used to measure pain sensitivity in deep tissues, but factors contributing to PPH remain unclear. Abnormal neck and scapula posture are thought to play a role in shoulder pain. Traditional statistical methods like logistic regression have limitations in capturing complex relationships, while machine learning (ML) can model nonlinear relationships effectively. Purpose The purpose of the present study was to develop, evaluate, and compare the predictive performance of ML models and logistic regression for classifying food service workers (FWs) with and without PPH based on postural analysis data. Study design Cross sectional study. Methods FWs (n=150) meeting specific criteria were assessed for PPH and underwent postural analysis. ML algorithms (logistic regression, neural network, random forest, gradient boosting, decision tree, and support vector machine) were used for classification. Model performance was evaluated using the area under the curve (AUC), accuracy, recall, precision, and F1 score. Feature importance was assessed. Results Gradient boosting exhibited the best performance (AUC: 0.867) in classifying PPH, followed by random forest (AUC: 0.822) in the test dataset. Logistic regression performed less effectively (AUC: 0.613). For feature importance analysis, scapular downward rotation ratio, forward head posture, BMI and rounded shoulder angle were the top four important predictors of PPH in gradient boosting model. Conclusions Gradient boosting, along with identified predictors, offers promise for early intervention and risk assessment tools in addressing musculoskeletal pain in food service workers.

본 연구의 목적은 탄소 소재 수출기업에서 기업가 정신, 경영자 역량, 학습 지향성이 마케팅 성과에 영향을 미치는지를 조사하는 데 있다. 탄소 소재 수출기업에 대한 설문조사를 통해 94개의 응답이 확보되었다. 이후 이러한 응답에 대한 분석이 이루어졌으며, 이를 바 탕으로 가설이 검정 되었다. 가설검정의 결과는 다음과 같다. 첫째, 탄소 소재 수출기업의 관점에서 기업가 정신의 차원 중 혁신성과 위 험감수성은 학습 지향성의 두 차원인 학습몰입과 개방성에 유의한 영향을 주었다. 그러나 진취성은 학습 지향성 요인들에 유의미한 영 향을 주지는 않았다. 둘째, 탄소 소재 수출기업의 경영자 역량 차원 중 자원역량은 학습 지향성의 두 차원인 학습몰입과 개방성 모두에 유의미한 영향을 주었다. 반면, 직무역량은 두 차원에 모두에 유의미한 영향을 주지 않았다. 또한, 리더십은 개방성에만 유의미한 영향 을 주었다. 셋째, 개방성은 혁신성과 비재무적 성과 사이의 관계를 긍정적으로 매개하였다. 또한 개방성은 위험감수성과 비재무적 성 과 간의 관계를 긍정적으로 매개하였다. 본 연구의 결과는 정부가 탄소 소재 수출기업에 대한 지원 방안을 개발하는 데 있어 정책적 시 사점을 제시한다. 또한, 향후 탄소 소재 수출기업의 마케팅 성과에 대한 연구 기반을 마련하는 데 효과적인 모델을 제시할 것으로 기대 된다.

The purpose of the present study is to investigate whether entrepreneurship, managerial competence, and learning orientation influence the marketing performance of carbon-material exporters in Korea. An empirical analysis was performed based on data collected from a survey. From the survey, we obtained 94 responses. Based on an analysis of the responses, we tested hypotheses. The results of hypothesis tests are as follows. First, from the perspective of carbon-material exporters, innovativeness and risk-taking among entrepreneurship dimensions had significant effects on learning commitment and openness, which are dimensions of learning orientation. Nonenthess, proactiveness had a significant effect only on learning commitment. Second, from the perspective of the competence of carbon-material exporters, resource competence had significant effects on both learning commitment and openness, the two dimensions of learning orientation. Nevertheless, job competence insignificantly affect both dimensions. In addition, leadership only had a significant effect on openness. Third, openness positively mediated the relationship between innovation and non-financial performance. In addition, openness positively mediated the relationship between risk sensitivity and non-financial performance. The results of the study could present an effective model for the Korean government to develop policies supporting carbon-material expoerters and could provide a basis for future studies on the marketing performance of carbon-material exporters .

Nowadays, social media has evolved into a powerful networked ecosystem in which governments and citizens publicly debate economic and political issues. This holds true for the pros and cons of Indonesia’s ore nickel export restriction to Europe, which we aim to investigate further in this paper. Using Twitter as a dependable channel for conducting sentiment analysis, we have gathered 7070 tweets data for further processing using two sentiment analysis approaches, namely Support Vector Machine (SVM) and Long Short Term Memory (LSTM). Model construction stage has shown that Bidirectional LSTM performed better than LSTM and SVM kernels, with accuracy of 91%. The LSTM comes second and The SVM Radial Basis Function comes third in terms of best model, with 88% and 83% accuracies, respectively. In terms of sentiments, most Indonesians believe that the nickel ore provision will have a positive impact on the mining industry in Indonesia. However, a small number of Indonesian citizens contradict this policy due to fears of a trade dispute that could potentially harm Indonesia’s bilateral relations with the EU. Hence, this study contributes to the advancement of measuring public opinions through big data tools by identifying Bidirectional LSTM as the optimal model for the dataset.

The global population is increasing rapidly because of increasing urbanization and such increasing urbanization directs the up-growing need of urban safety and preventions. This urbanization is also responsible for two things that is increased job opportunities and increased the crime rates. In this era technology has gone far more forward in a positive way. By making use of these technologies such as machine learning, artificial intelligence and big data we presented an approach through which crime pattern analysis is done. We have used apache spark (scala-programming) and machine learning algorithm for predictive crime pattern analysis. The data that we have used is a real-world data set based on Chicago city of United State of America. Our main goal of work is to define a predictive crime analysis which shows top crime patterns related to the top community areas of Chicago city.

본 연구는 폐경 여성의 이상지질혈증 예측을 위한 머신러닝 모델을 비교하는 것을 목적으로 수행하였다. 국민건강영양조사 제9기 1차 자료를 활용하였으며, 결측 값을 제외한 폐경 여성 1,115명의 데이터를 분석하였다. 이상지질혈증은 고콜레스테롤혈증 또는 고중성지방혈증 중 하나에 해당하는 경우로 정의하 였다. 대상자의 특성은 IBM SPSS 25.0을 이용해 기술통계 및 교차분석으로 수행하였으며, 머신러닝 분석은 Orange 3.35 프로그램을 활용하여 로지스틱 회귀분석, 랜덤 포레스트, 그래디언트 부스팅 모델을 적용하였다. 연구 결과 대상자의 54%가 이상지질혈증을 보유하였으며, 랜덤 포레스트 모델이 정밀도 0.85, 재현율 0.82 으로 가장 우수한 성능을 보였다. 그래디언트 부스팅 모델은 AUC 0.89로 이상지질혈증 유무를 효과적으로 구분하는 모델임을 확인하였다. 주요 예측 요인은 직업, 나이, 비만, 만성질환 가족력, 모유수유 경험 등이었다. 본 연구는 랜덤 포레스트 모델과 그래디언트 부스팅 모델이 폐경 여성의 이상지 질혈증을 예측하는 데 유용한 도구가 될 수 있음을 제언하며, 폐경 여성 건강문제 해결을 위한 기초자료로 의미가 있다.

This study compared machine learning models for predicting dyslipidemia in postmenopausal women using data from the first yaer of the 9th Korea National Health and Nutrition Examination Survey. A total of 1,115 postmenopausal women were analyzed after excluding missing values. Participant characteristics were analyzed using SPSS 25.0, while machine learning analysis was conducted with the Orange 3.35 program, applying logistic regression, random forest, and gradient boosting models. Among the participants, 54 percent had dyslipidemia. The random forest model demonstrated the highest performance, achieving a precision of 0.85 and a recall of 0.82, while the gradient boosting model had the highest AUC of 0.89, indicating strong classification capability. Key predictive factors included occupation, age, obesity, family history of chronic diseases, and breastfeeding history. This study suggests that random forest and gradient boosting models can effectively predict dyslipidemia in postmenopausal women, providing essential data for addressing health concerns in this population.

Purpose: This study aimed to develop a fall prediction model for community-dwelling older adults usingmachine learning. Methods: The present study was conducted with a secondary data analysis thatused data from the 2020 national survey of older Koreans. Among 10,097 participants, data 177 wereexcluded due to incompleteness and 9,920 were included in the final analysis. Because of data imbalance,upsampling was performed to increase the number of individuals who fell. Forty-five independentvariables for fall prediction were selected based on the fall risk factors from previous studies andunivariate statistical analysis. The data were split into training and testing sets at an 80:20 ratio. Threemachine learning algorithms?logistic regression, random forest, and artificial neural network?wereused to develop a fall prediction model. Results: The random forest model outperformed the others,with an area under the curve of .91, accuracy of .94, precision of .94, recall of .74, and F1 score of .83. An analysis of feature importance revealed that satisfaction with health condition, visual difficulty, instrumentalactivities of daily living, performance of 400m walk, and cognitive ability were the top fivefeatures for fall prediction. Conclusion: The fall prediction model developed using machine learningdemonstrated high model performance, implying its suitability for use as a primary screening tool forfall risk. Subjective satisfaction with one’s health should be considered as an important factor in predictingfalls in community-dwelling older adults. It is necessary for community health nurses to reinforcepositive health awareness by continuous disease management and physical function improvementfor older adults to prevent falls.

최근, 인공지능 관련 연구가 스포츠와 같은 다양한 산업에서 활발하게 진행되고 있으며, 스포츠 분야의 빅 데이터 분석 기술을 빠르게 발전하고 있다. 특히 야구는 매년 특정 선수의 성적이 크게 요동치기 때문에 내년 경기 결과를 예측하기 어렵다. 이번 연구는 KBO(Korea Baseball Organization) 정규시즌에서 생성된 타자의 데이터를 바탕으로 머신러닝 알고리즘을 적용해 타자의 OPS(On-base Plus Slugging)를 예측하는 모델을 제안하기 위한 것 이다. OPS는 타자의 출루율과 장타율을 바탕으로 정확도와 장타력을 측정하는 지수다. 1982~2020년 KBO 정규시 즌 타자의 데이터를 바탕으로 타자의 OPS에 영향을 미치는 변수의 상관 분석을 통해 장타율, 출루율, 타율, 홈런, 타점, 득점 변수 등 총 6개의 변수를 추출하였다. 이번 연구에서 사용된 XGBoost(Extreme Gradient Boosting) 예 측기법은 머신러닝을 통해 타자의 OPS를 예측하는 모델을 통해 최고의 OPS 예측 성능을 보여주었다.

Recently, research on artificial intelligence has been actively conducted in various industries such as sports, and Big Data analysis technologies in the sports field are rapidly developing. In particular, baseball is difficult to predict next year's game results because certain players' performance fluctuates significantly every year. The purpose of this study is to propose a model that predicts the OPS(On-base Plus Sluging) of batters by applying machine learning algorithms based on the data of batters generated in the KBO(Korea Baseball Organization) regular season. OPS is an index that measures accuracy and slugging power based on batter's on-base percentage and slugging percentage. A total of six variables were extracted, including slugging percentage, on-base percentage, batting average, home run, RBI, and scoring variables, through correlation analysis of variables affecting batters' OPS in the 1982-2020 KBO regular season. The XGBoost(eXtreme Gradient Boosting) prediction technique used in this study showed the best OPS prediction performance through a model that predicts OPS of others through machine learning.

본 연구는 의료 데이터 분석에서 단순모형과 복잡모형의 방법론적 우수성을 비교하였다. 두 모형의 우수성 비교를 위한 실증분석을 위해 피 마 인디언 당뇨(Pima Indians Diabetes) 자료를 사용해 0값을 결측으로 처리하고 중앙값 대치·표준화를 거친 뒤 70:30 분할 및 동일 전처리 파 이프라인으로 로지스틱 회귀(단순), 랜덤포레스트, 다층퍼셉트론(MLP)을 학습·평가하였다. 두 모형의 성능평가를 위해서는 임계값 의존 지표 (정확도, 민감도, 특이도, 정밀도(PPV), 음성예측도, 조화평균(F1), 균형정확도, 매튜스 상관계수(MCC))와 임계값 무관·보정 지표(ROC-AUC, PR-AUC, Brier(↓), 보정 절편/기울기, Hosmer-Lemeshow(HL), 임상 순이득(DCA))를 적용하였다. 실증분석 결과, 로지스틱 회귀는 정확도 0.7662, 민감도 0.7160, F1 0.6824, 균형정확도 0.7547, MCC 0.4995로 전반적으로 가장 견조했으며 ROC-AUC 역시 0.8365로 최고였다. 반면 랜덤포레스트는 특이도 0.8733과 PPV 0.6885로 확증 성능이 우수했고, 보정 품질에서도 Brier 0.1594, 보정 절편 0.1356, 기울기 0.9914, HL p=0.7606으로 이상적 수준에 근접했다. 다층퍼셉트론은 동일 조건에서 상대적으로 열세를 보였다. 한편 DCA 차원에서는 전 구간 공통으로 모형 간 격차는 크지 않되, 임계값 선택에 따라 승자가 바뀌었다(0.10: 랜덤포레스트, 0.20~0.30: 로지스틱 회귀). 따라서 실제 적용 시 목표 pt 와 FN/FP 비용구조를 먼저 정하고, 그 범위에서 순이득이 가장 큰 모형-컷오프 조합을 선택하는 것이 합리적이다. 종합하자면, 특정 모형의 방 법론적 우수성은 절대적이지 않고 상대적이며, 분석목적에 따라 선택이 필요하다. 구체적으로 선별(미탐 최소화)이 목표일 때는 로지스틱 회 귀가 적합하며, 확증(위양성 최소화)이나 확률 기반 의사결정에는 보정이 우수한 랜덤포레스트가 적합하다. 따라서 분석모형의 최적 선택은 유병률·FN/FP 비용·임계확률을 반영한 DCA와 함께 이뤄져야 한다.

This study compared the methodological superiority of simple models and complex models in medical data analysis. For an empirical analysis to compare the superiority of the two model classes, we used the Pima Indians Diabetes dataset, treated zeros as missing, performed median imputation and standardization, split the data 70:30, and trained/evaluated logistic regression (simple), random forest, and multilayer perceptron (MLP) under an identical preprocessing pipeline. For performance evaluation of the two model classes, we applied threshold-dependent metrics (accuracy, sensitivity, precision, specificity, F1, balanced accuracy, MCC) and threshold-independent and calibration metrics (ROC-AUC, PR-AUC, Brier, calibration intercept/slope, Hosmer–Lemeshow, clinical net benefit (DCA)). In the empirical results, logistic regression was overall the most robust, with accuracy 0.7662, sensitivity 0.7160, F1 0.6824, balanced accuracy 0.7547, and MCC 0.4995, and also achieved the highest ROC-AUC of 0.8365. By contrast, random forest showed superior rule-in performance with specificity 0.8733 and PPV 0.6885, and was close to an ideal level in calibration quality, with Brier 0.1594, calibration intercept 0.1356, slope 0.9914, and HL p=0.7606. The MLP was relatively inferior under the same conditions. Meanwhile, in the DCA dimension, the gaps between models were not large across the range, but the winner changed with the choice of threshold (0.10: random forest; 0.20–0.30: logistic regression). Therefore, in practical application, it is reasonable to first specify the target pt and the FN/FP cost structure, and then choose the model–cutoff combination that yields the largest net benefit within that range. In sum, the methodological superiority of a given model is not absolute but relative, and selection should depend on the analytic objective. Specifically, when the goal is screening (minimizing missed positives), logistic regression is appropriate, whereas for rule-in (minimizing false positives) or probability-based decision making, random forest with superior calibration is suitable. The optimal choice of analysis model should be made together with DCA that reflects prevalence, FN/FP costs, and the threshold probability.

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.

Background : Cross-reactivity and hypersensitivity to β-lactam antibiotics significantly limit their use. This study aimed to analyze cutaneous adverse reaction patterns associated with cefoxitin and cephalothin, which share R1 side chain chemical structures, using machine learning techniques applied to the Korea Adverse Event Reporting System Database (KAERS DB). The goal was to establish evidence for safer antibiotic use. Methods : We utilized KAERS DB data from January 2018 to December 2022. The dataset was divided into dermatological adverse events and others, with 2018-2019 data serving as the training set and 2020-2022 data as the test set. Eight machine learning models were developed to predict cutaneous adverse reaction risks. Model performance was evaluated using accuracy and Area under the Receiver Operating Characteristic Curve (AUC) on both training and test sets. Statistical analyses were performed using Python 3.7.6. Results : In the training dataset, most models achieved high accuracy (0.986), with Bagging Classifier and Extra Trees Classifier demonstrating excellent performance (AUC 0.974). The test dataset also showed high accuracy (0.998) across models, but AUC scores varied. AdaBoost Classifier (AUC 0.812), Random Forest Classifier (AUC 0.786), and MLP Classifier (AUC 0.736) performed particularly well. Conclusion : This study employed machine learning techniques to classify cutaneous adverse reactions associated with second-generation (cefoxitin) and first-generation (cephalothin) cephalosporins, which have relatively high adverse event risks, and to predict potential cutaneous reactions in new cases. The models incorporated cross-reactivity possibilities based on cephalosporin chemical structures and demonstrated high predictive accuracy. These findings are expected to contribute to the development of safer antibiotic use guidelines based on scientific evidence.

기업에서는 우수 인력의 유출을 방지하고 장기근속을 유도하기 위해 퇴직에 영향을 미치는 요 인을 연구한다. 관련된 대부분의 연구는 퇴직자의 주관적 의견에 영향을 받는 설문조사 기반 데이터 를 수집하여 분석하거나 국외에서 사용되는 제한된 데이터를 사용하였다. 본 연구에서는 국내 금융IT 기업 채용 전형 과정에서 활용되는 인성평가 데이터 및 재직 중 기록되는 인사평가, HR데이터 등 객 관적 데이터를 기반으로 퇴직에 영향을 미치는 요인을 분석하였다. 변수 선택 및 초모수 최적화 과정 을 거쳐 다양한 기계학습 모델들의 성능을 비교 후 예측 성능이 우수한 최적의 퇴직자 예측 모델을 개 발하였다. 또한 특성 중요도 분석을 통하여 조기 퇴직에 영향을 미치는 주요 요인을 알 수 있었다. 이 를 활용하여 체계적인 인사 정책을 수립하고 우수 인력 유지를 위한 관리 노력을 효과적으로 수행한 다면 퇴직을 예방하고 장기근속을 유도할 수 있을 것으로 기대된다.

Many companies study factors that affect retirement in order to prevent outflow of excellent personnel and induce long-term employment. Most of the related studies collected and analyzed survey-based data influenced by the subjective opinions of retirees, or used limited data used abroad. In this study, factors affecting retirement were analyzed based on objective data such as personality evaluation data used in recruitment process of domestic financial IT companies and personnel evaluation and HR data recorded during employment. After comparing the performance of various machine learning models through variable selection and hyperparameter optimization, an optimal retiree prediction model with excellent predictive performance was developed. In addi- tion, through the feature importance analysis, the main factors affecting early retirement were identified. Using this, it is expected that if a systematic personnel policy is established and man- agement efforts to maintain excellent personnel are effectively carried out, it will be possible to prevent retirement and induce long-term service.

본 연구의 목적은 도토기 생산지 판별에 있어서 머신러닝 기법의 적용 가능성을 확인하 는 것이다. 한국과 중국의 전통 백자 태토의 화학성분을 분석한 데이터 732개를 수집하였고, 다양한 머신러닝 알고리즘을 적용하여 생산국가 판별 모델을 개발하였다. 개발된 모델을 146개 테스트 시료에 적용한 결과, 통계적 분석법인 principal component analysis-linear discriminant analysis 모델에서는 87.7%의 예측 정확도를 얻었지만, 머신러닝 기법인 decision tree, K-nearest neighbor, support vector machine 모델에서는 각각 96.6%, 98.6%, 99.3%의 비교적 높은 예측 정확 도를 얻을 수 있었다. 아울러 특성 중요도 분석을 통해, 복잡한 데이터 구조의 분류 성능이 우수한 머신러닝 기법에서 공통적으로 rubidium을 생산지 판별에 가장 중요한 변수로 활용하고 있음을 확인하였다. 이러한 결과는 머신러닝 기법이 한국과 중국의 백자 생산지 판별에 효과적 으로 활용될 수 있음을 보여주었다.

The objective of this study is to investigate the applicability of machine learning techniques in discriminating the production origins of pottery. 732 data sets analyzing the chemical composition of traditional white porcelain from Korea and China were collected, and models for determining the production country were developed by applying various machine learning algorithms. Upon applying these models to 146 test samples, the statistical analysis, principal component analysis-line discriminant analysis yielded a prediction accuracy of 87.7%, while machine learning techniques such as decision tree, K-nearest neighbor, and support vector machine models demonstrated relatively high prediction accuracies of 96.6%, 98.6%, and 99.3%, respectively. Additionally, feature importance analysis confirmed that rubidium is consistently the most critical variable for determining the origin in machine learning techniques that exhibit superior performance in classifying complex data structures. These findings underscore the potential of machine learning techniques in effectively discerning the production origins of white porcelain from Korea and China.

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 KOSPI 시장에 상장된 주식을 대상으로 일별 시가, 종가, 저가, 고가를 포함한 총 26 개의 기술적 지표를 바탕으로 주가 패턴을 클러스터화하고, 데이터 시각화를 통하여 각 패턴의 유형 을 분석하는 것을 목적으로 한다. 따라서 향후 26개의 주가 특성치가 주어졌을 때 현재 주가 패턴이 어떤 클러스터에 속하고 해당 클러스터의 속성이 무엇인지 파악함으로써 주식 매매 의사결정에 도움 을 주고자 한다. 클러스터링의 방법론은 자기조직화지도(Self Organizing Map)를 이용하고 총 실험 기간은 481일의 영업일을 대상으로 한다. 10개의 클러스터 중, 각 클러스터에 평균 약 48일 정도로 분류가 되었으며 각 그룹에 대한 대표적인 결과를 방사형 차트로 시각화한 결과, 동일한 그룹에 속한 방사형 차트는 매우 유사한 형태를 나타냄을 확인할 수 있다. 더불어 각 그룹의 패턴들이 갖는 의미 를 분석하기 위해서 각 패턴의 발생이후 향후 주가의 움직임을 분석한 결과, 특정 패턴 이후에 주가 가 상승, 하락 그리고 급락하는 모습을 발견할 수 있다. 본 연구에서 제안하는 방사형 차트를 활용한 데이터 시각화와 클러스터별 패턴이 갖는 의미 등은 향후 인공신경망과 같은 기계 학습 기법을 이용 하여 정량적인 주식 매매 전략을 취하는데 참고가 되는 연구라 사료된다.

This study aims to cluster the stock price patterns based on 26 technical indicators including daily open price, closing price, low price and high price for the stocks listed in the KOSPI, and to analyze the patterns within each cluster through data visualization. Therefore, when 26 technical indicators are given, our method can make a trading decision by judging the cluster that the current price pattern belongs to. We uses Self Organizing Map with 10 clusters and the total experiment period is 481. In order to visualize the representative pattern for each cluster, we adopt a radar charts. Radar charts that belong to the same group exhibit a very similar form. In addition, to analyze the meaning of the patterns of each cluster, we analyze the movements of stock prices between patterns. As a result, we can find that the stock price rises, falls or crashes after a specific pattern. The data visualization using radar chart and the analysis of each cluster pattern proposed in this study are considered to be a reference for a quantitative stock trading strategy by using machine learning techniques such as artificial neural network.