Earticle

비대면 학습의 일상화와 온라인 교육 환경의 확산에 따라, 수강자의 학습 데이터를 기반으로 학습 패턴과 수강 흐름을 분석하는 연구의 필요성이 증가하고 있다. 본 연구는 네이버 커넥트재단이 운영하는 온라인 교육 플랫폼 부스트코스의 63개 강의에 대한 수강 데이터를 활용하여, 2023년 9월부터 2024년 8월까지 1년간 수강생들의 학습 패턴과 연계 수강 경로를 분석하였다. 수강 요일, 월, 시간대 등 변수 간 관계는 베이지안 네트워크로 분석하였고, 강의 간 연계 흐름은 Chord diagram 및 네트워크 분석 기법을 통해 시각화하였다. 분석 결과, 월요일과 화요일, 1 월과 8월, 오후 시간대에 수강 활동이 집중되었으며, "인공지능", "데이터 과학", "컴퓨터 과학" 분야 간 연계성이 높게 나타났다. 특히 데이터 과학 분야에서 파이썬 강의가 중심 허브로 작용하였다. 본 연구는 학습자의 실제 수 강 데이터를 바탕으로 적응적 학습 경로 설계와 교육과정 개선을 위한 실증적 기초자료를 제공하였다.

As online and blended learning environments expand, analyzing learner behavioral data is becoming essential for developing effective educational strategies. This study explores course-taking patterns and inter-course linkages using actual learning records from Boostcourse, a non-profit online platform by the NAVER Connect Foundation. Based on data from 63 courses offered between September 2023 and August 2024, the study analyzes learner engagement by day, month, and time of day. A Bayesian network was used to identify relationships among variables such as course difficulty, time, and learner activity. Chord diagrams and network visualizations further illustrate transitions across six subject domains. Results show learning activity was concentrated on Mondays, Tuesdays, in January and August, and during afternoon hours. Strong linkages were observed among the domains of Artificial Intelligence, Data Science, and Computer Science, with Python courses serving as key hubs. These findings suggest that learner data can inform the design of adaptive learning paths and contribute to more effective online curriculum development.

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 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.

자동차 보급과 교통 시설 발달로 인한 문제에 대응하여, ADAS와 같은 운전 보조 기술이 주목받고 있다. 최근에는 스마트폰 내장 센서를 사용한 운전패턴 분석 방법론이 개발되었다. 이 연구에서는 레이블 없이 대조학습을 통해 운전패턴의 특징을 학습하고 변화점을 감지하는 새로운 방법을 제안한다. 이 방법은 운전패턴 분류에도 확장 가능하여, 매우 적은 레이블링 데 이터만으로 높은 분류 성능을 달성할 수 있음은 물론 적용 차량이 달라지는 도메인 변화 문제 에 민감하게 반응하지 않아 일반화된 성능을 달성할 수 있다는 장점을 가지고 있다. 또한 본 연구에서는 추후 스마트폰 적용성을 고려하여 6가지 대표적인 경량화 딥러닝 모델에 대해 제 안하는 방법을 적용하고 비교분석하여 추후 스마트폰 기반의 시스템 개발에 활용할 수 있도록 하였다.

This study introduces driving pattern analysis and change detection methods using smartphone sensors, based on contrastive learning. These methods characterize driving patterns without labeled data, allowing accurate classification with minimal labeling. In addition, they are robust to domain changes, such as different vehicle types. The study also examined the applicability of these methods to smartphones by comparing them with six lightweight deep-learning models. This comparison supported the development of smartphone-based driving pattern analysis and assistance systems, utilizing smartphone sensors and contrastive learning to enhance driving safety and efficiency while reducing the need for extensive labeled data. This research offers a promising avenue for addressing contemporary transportation challenges and advancing intelligent transportation systems.

고도화된 정보 시대의 학습은 학습자가 컴퓨터와 인터넷을 통해 정보자원에 접근하여 정보를 자기주도적으로 습득하고 평가하는 활동이라 할 수 있다. 4차 산업혁명 기술에 기반한 온라인 학습 플랫폼의 등장은 구성주의 학습이론에 기반하여 초중등 학습자가 자기주도적으로 정보를 검색하여 학습하는 환경으로 발전하고 있다. 온라 인 학습환경에서 초중등 학습자의 정보검색 능력과 자기주도학습 능력에 대한 기존 연구를 살펴보면, 변인간의 긍정적 관련성이 높은 것으로 분석되었다. 하지만, 이는 특정 교과 수업과 콘텐츠에 국한된 횡단적인 연구로 보 다 확장된 형태의 종단적인 연구를 통해 정보검색 능력과 자기주도학습 능력 간의 관련성을 분석해볼 필요가 있 다. 본 연구에서는 8년 동안 수집된 서울교육종단연구의 패널데이터를 활용하여 정보검색 능력과 정보검색 빈도 의 종단적인 패턴에 따른 자기주도학습 능력의 차이를 밝히고자 한다.

In the advanced information age, learning is an activity in which learners access information resources through computers and Internet to acquire and evaluate information on their own. The emergence of an online learning platform based on the fourth industrial revolution technology is developing into an environment in which elementary and secondary learners learn and study based on constructivism learning theory. In the online learning environment, the researches on the information retrieval ability of the elementary and secondary learners and the self-directed learning ability were found to be highly related. However, it is necessary to analyze the relation between information retrieval ability and self-directed learning ability through a cross-sectional study that is limited to specific curriculum and contents and expands the longitudinal research. In this study, the panel data of the Seoul Education Longitudinal Study collected over 8 years are used to find the difference in self-directed learning ability according to the longitudinal pattern of information retrieval ability and frequency.

본 연구는 e러닝 학습 환경에서 문제 풀이에 대한 전문가와 학습자 사이의 시선 흐름을 비교 분석하여 학습자에게 보다 효율적인 학습 방법을 제시 할 수 있는 데이터를 추출하는 데 목적이 있다. 연구를 위해 빛의 투과율이 적은 장소의 PC에 웹캠을 설치하였고, 학습 화면의 해상도는 $1600{\times}900$로, 3명의 전문가와 5명의 학습자를 통하여 10문항에 대한 시선 추적으로 학습 데이터를 축적하였다. 축적한 데이터를 통하여 고득점 학습자나, 전문가의 학습 방법을 비교하여 유사도를 측정하였고, 유사도에 따라 학습 유형을 추천해 줄 수 있는 가능성을 확인하였다.

본 연구는 e러닝 학습 환경에서 문제 풀이에 대한 전문가와 학습자 사이의 시선 흐름을 비교 분석하여 학습자에게 보다 효율적인 학습 방법을 제시 할 수 있는 데이터를 추출하는 데 목적이 있다. 연구를 위해 빛의 투과율이 적은 장소의 PC에 웹캠을 설치하였고, 학습 화면의 해상도는 $1600{\times}900$로, 3명의 전문가와 5명의 학습자를 통하여 10문항에 대한 시선 추적으로 학습 데이터를 축적하였다. 축적한 데이터를 통하여 고득점 학습자나, 전문가의 학습 방법을 비교하여 유사도를 측정하였고, 유사도에 따라 학습 유형을 추천해 줄 수 있는 가능성을 확인하였다.

학습자 스스로 학습내용, 학습방법, 학습순서 등을 결정하고 재구조화할 수 있는 학습자 통제 환경에서는 학습자의 특성을 고려한 개별화 학습이 가능하다. 본 연구에서는 웹 기반 교수 학습 과정에서 중요시되고 있는 학습자 특성 변인 중에서 학습자의 학습경로 패턴을 Apriori 알고리즘을 이용하여 분석하고, 유사한 학습경로 패턴을 갖는 학습자들로 그룹화하였다. 이를 기반으로 학습자 개인에게 학습경로, 학습내용, 학습매체, 보조학습콘텐츠, 자료제시유형 등을 다차원적으로 제공하기 위한 다차원 학습경로 패턴 분석 시스템을 설계하고 구현하였다. 개발된 시스템에 대하여 만족도 검사를 실시한 결과 보조학습콘텐츠에 대한 만족도가 “매우 만족” 24.5%, “만족” 35.17%로 가장 높게 나타났다. 학습자 수준별로는 하위수준의 학습자에 대한 만족도가 “매우 만족” 20.2%, “만족” 31.2%로 상위수준의 학습자 “매우 만족” 18.4%, “만족” 28.54% 보다 높게 나타났다. 개발된 시스템은 드릴-업, 드릴-다운 등의 OLAP 기술을 이용하여 학습자들에게 다양한 각도로 다차원적으로 의미 있는 정보를 제공할 것으로 기대된다.

In learner-controlled environment where learners can decide and restructure the contents, methods and order of learning by themselves, it is possible to apply individualized learning in consideration of each learner’s characteristics.The present study analyzed learners’ learning path pattern, which is one of learners’ characteristics important in Web-based teaching-learning process, using the Apriori algorithm and grouped learners according to their learning path pattern. Based on the result, we designed and implemented a multi-dimensional learning path pattern analysis system to provide individual learners with learning paths, learning contents, learning media, supplementary learning contents, the pattern of material presentation, etc. multi-dimensionally. According to the result of surveying satisfaction with the developed system, satisfaction with supplementary learning contents was highest (Highly satisfied”24.5%, Satisfied”35.7%). By learners’ level, satisfaction was higher in low-level learners (Highly satisfied”20.2%, Satisfied”31.2%) than in high-level learners (Highly satisfied”18.4%, “Satisfied”28.54%). The developed system is expected to provide learners with multi-dimensionally meaningful information from various angles using OLAP technologies such as drill-up and drill-down.

Objectives This study aimed to explore the internal structure of the Pediatric Weakness Scale (PWS) through factor analysis, classify pediatric weakness patterns using hierarchical clustering, and evaluate a machine-learning-based predictive model for clinical screening. Methods PWS responses from 326 children aged 6-9 years without organic diseases were analyzed. Factor analysis (principal axis factoring and varimax rotation) was used to extract seven latent factors. These factor scores were used for hierarchical cluster analysis (Ward's linkage method and Euclidean distance), resulting in ten clusters each. Cluster characteristics were compared using Multidimensional Fatigue Scale (MFS), Korean Child Behavior Checklist (K-CBCL), Korean version of Children's Eating Behavior Questionnaire (K-CBEQ), respiratory infection history, and growth indices. Machine learning models were trained to predict clusters based on factor scores, and their performance was evaluated using 10-fold cross-validation. Results Seven factors were identified: respiratory health, general condition, ocular health, emotional regulation, gastrointestinal function, nutrition, and sleep-related nervous system sensitivity. Ten distinct clusters were derived: healthy children; severe, moderate, and mild complex weakness; liver-lung weakness; emotional dysregulation - heart weakness; neurosensitive heart weakness; and Spleen, Lung, and Kidney - specific weakness. Among the classifiers, the nonlinear support vector machine achieved the highest accuracy (0.890). Conclusion This study suggests a new classification and prediction model for pediatric weakness based on PWS data. These results support the potential for early screening and personalized health strategies in pediatric care.

본 연구에서는 머신 러닝 기법을 활용하여 공장에서 발생하는 에너지 사용량에 대한 데이터 분석 및 패턴 추출에 대해 다룬다. 통계학이나 기존의 방법들은 몇 가지 물리적 특성을 반영하는 수학적 모델을 구축하는 반면, 머신 러닝을 통한 접근방법은 데이터 학습을 통하여 모델의 계수들을 결정하게 된다. 기존의 방법들은 특정한 구조를 갖는 수학적 모델을 구축해야 한다는 어려움이 있으며 과연 데이터의 특징들을 잘 반영하는지에 대한 의문이 존재했다. 그러나 머신 러닝을 통한 방법은 사람이 구축하기 어려운 작업들을 용이하게 구축한다는 장점을 가지고 있기 때문에 데이터 간의 관계를 파악하기에 더 효율적이라는 장점을 가지고 있다. 공장의 에너지 소비에 직접적으로 영향을 끼치는 요소들이 존재하며 이러한 전력 소비는 시간에 따른 데이터로 나타나게 된다. 각 요소들로부터 발생하는 소비 전력을 계측하고 데이터 베이스를 구축하기 위해 각 요소에 센서를 장착하였다. 취득된 데이터에 대해 전처리 과정 및 통계적인 분석을 거친 뒤, 머신 러닝을 통해 패턴을 분석하는 과정을 거쳤다. 이를 통해 공장에서 발생하는 소비 전력 데이터에 대한 패턴 분석을 진행하였다.

This paper describes the pattern analysis for data of the factory energy consumption by using machine learning method. While usual statistical methods or approaches require specific equations to represent the physical characteristics of the plant, machine learning based approach uses historical data and calculate the result effectively. Although rule-based approach calculates energy usage with the physical equations, it is hard to identify the exact equations that represent the factory's characteristics and hidden variables affecting the results. Whereas the machine learning approach is relatively useful to find the relations quickly between the data. The factory has several components directly affecting to the electricity consumption which are machines, light, computers and indoor systems like HVAC (heating, ventilation and air conditioning). The energy loads from those components are generated in real-time and these data can be shown in time-series. The various sensors were installed in the factory to construct the database by collecting the energy usage data from the components. After preliminary statistical analysis for data mining, time-series clustering techniques are applied to extract the energy load pattern. This research can attributes to develop Factory Energy Management System (FEMS).

본 연구에서는 머신 러닝 기법을 활용하여 공장에서 발생하는 에너지 사용량에 대한 데이터 분석 및 패턴 추출에 대해 다룬다. 통계학이나 기존의 방법들은 몇 가지 물리적 특성을 반영하는 수학적 모델을 구축하는 반면, 머신 러닝을 통한 접근방법은 데이터 학습을 통하여 모델의 계수들을 결정하게 된다. 기존의 방법들은 특정한 구조를 갖는 수학적 모델을 구축해야 한다는 어려움이 있으며 과연 데이터의 특징들을 잘 반영하는지에 대한 의문이 존재했다. 그러나 머신 러닝을 통한 방법은 사람이 구축하기 어려운 작업들을 용이하게 구축한다는 장점을 가지고 있기 때문에 데이터 간의 관계를 파악하기에 더 효율적이라는 장점을 가지고 있다. 공장의 에너지 소비에 직접적으로 영향을 끼치는 요소들이 존재하며 이러한 전력 소비는 시간에 따른 데이터로 나타나게 된다. 각 요소들로부터 발생하는 소비 전력을 계측하고 데이터 베이스를 구축하기 위해 각 요소에 센서를 장착하였다. 취득된 데이터에 대해 전처리 과정 및 통계적인 분석을 거친 뒤, 머신 러닝을 통해 패턴을 분석하는 과정을 거쳤다. 이를 통해 공장에서 발생하는 소비 전력 데이터에 대한 패턴 분석을 진행하였다.

This paper describes the pattern analysis for data of the factory energy consumption by using machine learning method. While usual statistical methods or approaches require specific equations to represent the physical characteristics of the plant, machine learning based approach uses historical data and calculate the result effectively. Although rule-based approach calculates energy usage with the physical equations, it is hard to identify the exact equations that represent the factory’s characteristics and hidden variables affecting the results. Whereas the machine learning approach is relatively useful to find the relations quickly between the data. The factory has several components directly affecting to the electricity consumption which are machines, light, computers and indoor systems like HVAC (heating, ventilation and air conditioning). The energy loads from those components are generated in real-time and these data can be shown in time-series. The various sensors were installed in the factory to construct the database by collecting the energy usage data from the components. After preliminary statistical analysis for data mining, time-series clustering techniques are applied to extract the energy load pattern. This research can attributes to develop Factory Energy Management System (FEMS).

최근 대용량 데이터 처리가 쉬워지면서 기업들은 사용자로부터 생성된 데이터를 필요에 따라 분석해 유용한 시사점을 얻고 있다. 특히 게임 이용자들은 자신의 상황을 다양하게 플레이하고 다른 게임 요소들과 적극적으로 상호작용하여 게임 내 사용자 기반의 데이터가 대량으로 생성된다. 게임 관련 데이터는 사용자가 게임 내 편차, 게임 플레이 패턴, 이상 현상 등을 예측할 수 있도록 하는 등 게임 환경을 개선하기 위한 데이터로 활용된다. 이에 본 연구는 인공지능 기반 사용자 행동 패턴 분석을 위해 게임 데이터를 활용하여 게임 전략을 분석하고 사용자 행동 패턴을 파악하고, 다층 퍼셉트론에 의한 분석을 수행하였다. 게다가, 게임 엔진의 공통점은 모든 다른 게임 장르에서 사용할 수 있는 단일 게임 엔진이 존재하지 않는 이유일 수 있다. 이러한 엔진 설계는 게임 개발 커뮤니티에 많은 이점을 제공할 수 있다. 개발 시간과 비용을 크게 줄일 수 있으며 프로그래머와 설계자가 서로 다른 프로젝트 간에 더 쉽게 이동할 수 있습니다. 그들은 다른 장르의 게임 엔진을 분석함으로써 일반적인 게임 엔진 구성 요소를 찾을 수 있다고 확신하지만, 이것이 필수적인 부분을 배제할 수 있어 게임을 만들 때 적용 가능성과 관련성이 적을 수 있다는 가능성도 고려하고자 한다.

Recently, as large amounts of data become easier to process, companies are using data generated from users to obtain useful implications by analyzing them as needed. In particular, game users play various their situation and actively interact with other game elements, resulting in a large amount of user-based data in games. Game-related data is used as data to improve the game environment, such as allowing users to predict deviations, game play patterns, and anomalies in the game. Accordingly, this research analyzed game strategies using game data, identified user behavior patterns, and conducted analysis using multi-layer perceptron to analyze user behavior patterns. In addition, Game engine commonalities can be the reason that there exists no single game engine capable of being used across all the different game genres. Such an engine design could provide a number of benefits to the game development community. Development time and cost can be significantly reduced, and programmers and designers can more easily be transfered between different projects. They are convinced that general game engine components can be found by analysing game engines across different genres, but they also consider the possibility that this could exclude essential parts, making it less applicable and relevant when making games.

This is a study on how Korean learners use ‘de’ complement, which is classified into ‘potential complement’, ‘degree complement’ and ‘stative complement’. Potential complement written by Korean learners include confusion with modal verbs sentences, auxiliary word errors, confusion with adverb phrases, incorrect use of complements, errors in ‘ba’ phrase, word order errors, and predicate omission or replacement errors. Degree complement written by Korean learners include incorrect use of complements, auxiliary word errors, redicate replacement errors, and confusion with adverb phrases. Stative complement written by Korean learners include auxiliary word errors, incorrect use of complements, errors in sentences with objects, errors in adverbs of degree, descriptive errors, and confusion with adverbial phrases. In order to reduce errors in potential complement, prior learning on resultative complement and directional complement, which are the basis for forming potential complement structure, is necessary. In order to distinguish between potential complement phrases and sentences using modal verbs, it is necessary to practice various situations with contexts such as ability, subjective or objective conditions, and permission. It is also essential to learn that potential complement is not used in ‘ba’ phrase. Since degree complement is not familiar to Korean learners, learners need to learn the detailed characteristics of each form to use what is appropriate for the context. It should also be emphasized that the words that can become term are limited, and in particular, action verb and degree complement cannot be used together. In the case of stative complement, it should be emphasized that the adverb of degree is used when adjective is used as a stative complement. In many cases, ‘de’ complement phrase and adverb phrase are easily confused. However, even if it has the same meaning in Korean, it should be taught that the sentence should be expressed differently depending on where the speaker's meaning is focused, whether it is completed or not, whether it is described or narrated. In addition, in order to minimize errors in response to predicate, word order errors, Chinese character errors, and auxiliary word errors, it is necessary to learn that the Chinese word order is different from that of Korean, to learn words that express correct term, to emphasize the practice of distingguishing auxiliary word connecting attribute, adverbial or complement.

본 연구는 다음과 같은 연구문제를 검증해 보고자 한다. 양적 연구에서는 학습 환경의 유형(웹/ 면대면), CPS 유형(협력적/ 개별적), 그리고 집단 응집성의 정도에 따라 학습자들의 문제해결력과 창의성에 어떤 영향을 주는지를 알아보고자 하였다. 질적 연구로는 각 유형별 즉 학습 환경유형, 집단 응집성 정도, 집단 문제해결력 정도, 집단 창의성 정도에 따라 협력적인 CPS 패턴에 어떤 차이가 있는지를 밝히고자 하였다. 이를 위하여 대학 학부생들을 4개의 집단으로 무선 할당하여 약 5주에 걸친 실험을 실시하였다. 분석 결과를 보면 첫째, 개별적 CPS보다는 협력적 CPS가 웹 기반 환경 및 면대면 환경 모두에서 문제해결력과 창의성에서 효과적인 것으로 나타났다. 둘째로 면대면 환경에서는 집단 응집성이 높은 집단이 문제해결력과 창의성 모두에서 높은 점수를 보였다. 반면에 웹 기반 환경에서는 집단 응집성이 문제해결력과 창의성 모두에 영향을 미치지 못하는 것으로 나타났다. 질적 분석 자료를 보면 대체적으로 문제해결력, 창의성, 및 응집성 모두에서 상인 집단의 경우는 서로의 의견에 비판적인 논의를 하면서도 공유된 의견수렴과정을 거치는 탐구적 토론을 통한 협력적 지식구축이 이루어지고 있었다. 반면에 위 세 영역에서 낮은 점수를 보인 집단들은 비판과 수렴의 과정을 거치기보다는 의견의 나열적 제시가 이루어지는 누적적 토론을 통한 집합적 지식구축이나 때로는 한 사람의 의견에 의해 독단적 지식구축이 이루어지는 패턴을 보여주고 있다. 본 연구는 협력적 CPS에 대한 기초적 연구 자료를 제공해 줄 수 있고 교육현장에서 실천을 위한 시사점을 줄 수 있을 것이다.

The purpose of the study is to investigate the following quantitative and qualitative research questions. In quantitative research, the study tried to identify the effects of types of learning environments(Web and F2F), types of CPS(collaborative and individual), and group cohesiveness on problem solving skills and creativities. In qualitative research, the study tried to find different patterns of collaborative patterns according to types of learning environment, levels of group cohesiveness, levels of group problem solving, group creativities. The subjects were undergraduate students. They were assigned into four groups randomly and the experiment were conducted for five weeks. The results of quantitative study were interesting. First, the collaborative CPS is more effective in problem solving skills both Web and F2F learning environments than individual CPS. Second, the collaborative CPS is more effective also in creativities both Web and F2F learning environments than individual CPS. Third, the groups that has high group cohesiveness show high score in problem solving skills and creativity in F2F learning environment but there is no differences in Web-based learning environment. According to qualitative research data, the groups that has high score in group cohesiveness, problem solving skills and creativities reach collaborative knowledge building through exploratory discussion that means group members negotiate meaning or debate critically but constructively among group members. However, the groups that has low score in group cohesiveness, problem solving skills and creativities show collective knowledge building or dogmatic knowledge building through cumulative or disputative discussion that means group members discuss positively but uncritically or individualized decision making. The study could provide useful resources for studying collaborative CPS and guideline for practice collaborative CPS in education filed.

터치스크린 기반 스마트 기기가 널리 보급 되면서 모바일 환경을 위한 주요 인증 메커니즘으로 그래픽 패스워드 기법 중 하나인 패턴 락 시스템이 등장했다. 사용자가 잠금 해제를 위하여 패턴 락을 사용한 후의 남아있는 패턴 모양의 흔적은 스머지 공격에 취약하다. 이러한 스머지 공격에 대응하기 위하여 TinyLock을 포함한 다양한 패턴 락이 제안되었다. 본 논문에서는 스머지 공격이 발생할 수 있는 환경에서 획득한 스머지 패턴 이미지를 이용하여 기계 학습을 통한 자동화된 스머지 공격의 유효성에 대하여 실험하고 안드로이드 패턴 락과 TinyLock의 안전성에 대하여 비교 분석하였다. 자동화된 스머지 공격에서 높은 공격 성공률을 보였으며 기존에 많이 사용되고 있는 안드로이드 패턴 락이 TinyLock보다 더 안전하지 않음을 검증하였다.

As smart mobile devices having touchscreens are growingly deployed, a pattern lock system, which is one of the graphical password systems, has become a major authentication mechanism. However, a user's unlocking behaviour leaves smudges on a touchscreen and they are vulnerable to the so-called smudge attacks. Smudges can help an adversary guess a secret pattern correctly. Several advanced pattern lock systems, such as TinyLock, have been developed to resist the smudge attacks. In this paper, we study an automated smudge attack that employs machine learning techniques and its effectiveness in comparison to the human-only smudge attacks. We also compare Android pattern lock and TinyLock schemes in terms of security. Our study shows that the automated smudge attacks are significantly advanced to the human-only attacks with regard to a success ratio, and though the TinyLock system is more secure than the Android pattern lock system.

이 논문은 2000년대 이후 급격하게 증가한 한국사회 홈스쿨링 인구에 주목하여, 자퇴를 선택해 홈스쿨링 과정을 지나왔거나 현재 하고 있는 청소년들의 유형과 학습경험에 대한 의미 분석이다. 이를 위해 홈스쿨링 청소년들을 지도해온 모임 지도교사들과 학부모, 그리고 홈스쿨링 청소년들의 내러티브를 통해 이들의 특성과 유형 그리고 새로운 교육현상으로서의 홈스쿨링의 의미를 탐색하였다. 자신에게 맞는 학습내용과 방법을 찾아 학교 밖에서 다양한 학습활동을 영위하는 홈스쿨링 청소년들은 이들의 자퇴와 홈스쿨링 선택을 단순히 학교거부나 부적응이 아닌 한국사회 교육문화에 대한 성찰적 관점에서 새로운 교육문화로 읽어야 함을 시사해주고 있다.

This paper is a qualitative study that analyzes pattern of homeschooing youth and their educational experience who voluntarily excuse themselves from the school system to seek other learning opportunities reflecting a defacto rejection of the standardized Korean school culture. Since 2000, homeschooling give rise to new pattern of education replacing school education, and there has been rapid growing number of homeschooling Youth. This study explore the chacracterictic of homeschooling youth and their learning experience outside school adopting a qualitative perspective. Such studies provide possibilities for a new understanding of homeschooling youth.

본 연구는 주택가격예측모형의 구축을 위해 머신러닝 방법 중 랜덤포레스트, 서포트벡터회귀, 인공신경망모형을 적용하였다. 머신러닝의 대표적인 3개의 예측모형을 토대로 각각의 기본적인 모형과 파라미터를 최적화하여 성능개선을 시킨 모형을 비교분석하여 지역별/주택유형별로 가격예측의 정확도가 높은 모형을 선정하였다. 구축된 모형의 정확도를 평가하기 위해 예측치와 실측치의 상관분석과 평균절대오차, 평균제곱오차의 제곱근을 사용하여 비교분석하였다. 또한 주택가격과 그에 영향을 미치는 변수들이 공간상에서 어떠한 패턴으로 군집되는 성향이 있는지 분석하기 위해 비지도학습의 일환인 K-평균군집 알고리즘을 이용하였다. 이를 통해 주택시장의 하부구조를 파악할 수있고, 군집화되어 있는 변수들의 특성을 파악하여 국지적 주택정책을 적용할 수 있을 것으로 사료된다.

In this study, it applied the machine learning algorithms of RF, SVR, and ANN, representative models of supervised learning to construct the house price prediction model. It selected the model with high accuracy in price prediction by region/house type by optimizing each basic models and parameters, and comparing and analyzing the models improved the performance, based on representative three prediction models of machine learning. In order to evaluate the accuracy of the constructed model, the correlation analysis between predictive value and actual value, MAE(Mean Absolute Error) and RMSE (Root Mean Square Error) were used for comparative analysis. Also, it used the K-means clustering algorithm, a part of unsupervised learning, to analyze the tendency of house price and variables influencing on it to cluster in any pattern in space. Through this, it is considered that it could figure out the sub-structure of the housing market, and apply local housing policies, identifying the characteristics of clustered variables.

트위터(Twitter)는 상대방의 트윗(tweet)에 대해 리트윗(retweet) 또는 응답(reply)하는 방법이 용이하여 손쉬운 의사 전달과 정보 획득의 도구로 활용되고 있다. 최근 들어 이러한 트위터를 다양한 분야에 이용하려는 시도가 있어 왔고, 특히 교육분야에 이용하고자 하는 연구가 진행되어 왔다. 트위터는 교육현장에서 교수자와 학습자간의 의사소통 도구로 활용되거나, 시간과 공간의 제약 없이 학습자들의 협동학습에 활용되어 질 수 있다. 이와 같이 트위터가 다양한 활용 가능성을 가지고 있음에도 불구하고, 실질적인 적용 및 고찰을 통해 그 교육적 효과를 입증하는 연구는 많지 않다. 본 연구에서는 트위터를 대학의 한 학기동안 학생들의 질의 응답도구로 활용하도록 하고 그 활동을 조사, 분석한다. 분석 결과, 트위터 활용을 강제하지 않은 경우 학생들의 트위터 활용도는 낮게 나타난다. 따라서 트위터는 교육적 활용 가능성을 가지고 있지만, 그러한 효과를 나타내기 위해서는 교수자와 학습자간에 적극적인 노력이 필요함을 보인다.

Because Twitter provides an easy way to reweet and reply to other user's tweets, it is used to delivery our opinion to others and get useful information from followers as a useful tool. Recently, there have been many attempts to use Twitter in many application area. Especially, Twitter has been tried to use in education area. Twitter service can be used in educational environments as a communication tool between professor and students and among students without restriction on space and time. Twitter service has good possibility of applying, but there have not been many studies that prove the effectiveness and possibility of the tool as a useful educational tool through experimental studies. In this study, Twitter is used as a tool of the question-and- answer session of the university students during a semester. And the activities are investigated and analyzed. As the results of the analysis, if we do not force the use of Twitter, Twitter utilization of students is low. Thus, we show that Twitter has the potential for educational utilizing, but the aggressive efforts between professor and students are needed to show such effects.

패턴완성(Pattern Completion)은 사용되는 패턴 성분들 사이의 higher-order correlation 정보가 중요한 의미를 가질 수 있는 기계학습 문제 중 하나이다. higher-order correlation은 확률라이브러리모델(Probabilistic Library Model)로 구현되는 hypernetwork 개념을 도입해서 나타낼 수 있다. 하지만 확률라이브러리모델을 사용하여 higher-order 정보를 나타내려할 때 초기라이브러리가 모든 가능한 조합의 원소들을 가지도록 구성하기는 쉽지 않다. 그 대안으로 초기라이브러리 구성 시 학습패턴들을 subsampling하여 적은 숫자의 원소들만으로 higher-order correlation의 근사치를 나타내게 할 수 있다. 본 논문에서는 이와 같이 subsampling이 사용되어 구성된 확률라이브러리모델을 이용한 패턴완성시의 correlation의 order에 따른 효과를 분석하여 본다.

본 연구에서는 지질구조에 대한 모델링기반 학습 프로그램을 개발하고 모델링기반 학습에서 나타나는 논증패턴과 학생들의 정신모형 수준과의 관계를 밝히고자 하였다. 고등학교 2학년 126명을 대상으로 대륙이동설, 해령, 변환단층, 단층의 특징에 대하여 4회의 모델링기반 학습을 실시하였다. 연구대상 중에서 2개 학급은 실험집단으로 모델링기반 학습을 실시하였고 나머지 2개 학급은 비교집단으로 교사중심 설명식 수업을 실시하였다. 모델링기반 학습 후 실험집단과 비교집단의 사후 성취도와 학생들의 정신모형 분포를 정량적으로 비교하였다. 실험집단 중 5개 조의 논증활동을 녹음 전사한 자료에 대하여 본 연구에서 설정한 분석틀을 근거로 정성적으로 분석하였다. 본 연구의 분석틀은 TAP의 5가지 요소와 학생들의 대안개념이 포함되는 요소 5가지 등 총 10가지의 코딩 요소로 구성하였다. 정신모형 유형을 조사한 결과, 실험집단에서 단면 인과모형과 입체형 모형의 비율이 높게 나타난 반면, 비교집단에서는 2차원 모형과 단면 단순모형의 비중이 높게 나타났다. 논증유형을 분석한 결과, 주장의 빈도가 높을수록 논증활동이 성공적으로 이루어졌고 정신모형의 수준이 높게 나타났다. 반박이 제기된 경우, 만든 모형을 다시 관찰하여 자료를 수정하고, 이에 따라 주장을 다시 전개하였다. 이로써 모델링기반 학습에서 모형이 학생들의 논증 과정에 긍정적으로 작용함을 확인할 수 있었다.

This study aims to develop a modeling-based learning program about geologic structures and to reveal the relationship between the argumentation patterns and levels of students' mental models. Participants included 126 second grade high school students in four sessions of modeling-based learning regarding continental drift, oceanic ridges, transform faults, and characteristics of faults. A modeling-based learning program was implemented in two classes of the experimental group, and teacher-centered traditional classes were carried out for the other students in the comparison group. Science achievement scores and the distribution of students' mental models in experimental and comparison groups were quantitatively compared. The video-taped transcripts of five teams' argumentation were qualitatively analyzed based on the analytic framework developed in the study. The analytic framework for coding students' argumentation in the modeling-based learning was composed of five components of TAP and the corresponding components containing alternative concepts. The results suggest that the frequencies of causal two-dimensional model and cubic model were high in the experimental group, while the frequencies of simple two-dimensional model and simple cross sectional model were high in the comparison group. The higher the frequency of claims, an argumentation pattern was proven successful, and the level of mental model was higher. After the rebuttal was suggested, students observed the model again and claimed again according to new data. Therefore, the model could be confirmed as having a positive impact on students' argumentation process.