Earticle

본 연구는 오프라인 중심 대학에서 이러닝에 참여하는 학생들의 학습 시간 로그를 분석함 으로써 대학 이러닝 운영을 위한 학사제도 설계에 시사점을 제공하는 것을 목적으로 한다. 이를 위해 오프라인 중심 대학인 H대학의 이러닝 학습자 3,441명을 연구 대상으로 선정하고 한 학기간 학습한 시간에 대한 로그를 학습객체 단위로 시각별, 요일별로 분석하였으며 결 과는 다음과 같다. 첫째, 학습 시각에 따른 학습량은 오후 11시에서 오전 1시 사이에 최대, 오전 3시부터 오전 7시 사이에 최소인 것으로 나타났으며, 학습량의 변화에 따라 온라인 과 정 학습 시각을 오전 1시부터 10시까지의 소강기, 오전 10시부터 오후 8시까지의 유지기, 오 후 8시부터 오전 1시까지의 활성기로 구분할 수 있다. 둘째, 학습 요일에 따른 학습량은 토 요일과 일요일에 최대, 금요일에 최소로 나타났다.

This paper is intended as an investigation of learning pattern of students who participate in e-learning course of off-line university. An e-learning course of H university was selected and the learning time of every 3,441 students were analysed by learning object unit. The results were as follow : First, time series learning pattern was observed. Around 12 AM the total amount of learning raised to the peak. It gradually declined and fall right down to the lowest point at 5 AM. From 11 AM to 6 PM the total amount of learning remained steady. Based on this result e-learning time was divided in 3 sections; null section(from 1 AM to 10 AM), maintained section(from 10 AM to 8 PM) and vitalized section(from 8 PM to 1 AM). Second, e-learning was vitalized on Saturday and Sunday. the total amount of learning was maximized on Sunday and minimized on Friday. These results lead to the conclusion that e-learning service and management time need to be adjusted.

This article reports the results of an investigation into Iranian EFL learners’ perceived use of language learning strategies (LLSs) overall, the six strategy categories (memory, cognitive, compensation, metacognitive, affective, and social) as well as the 50 individual strategies appearing in Oxford's (1990) Strategy Inventory for Language Learning (SILL). Participants were 220 female and male English major university students who filled out the SILL. Results of the study showed that Iranian EFL learners were “medium” strategy users overall while with regard to strategy categories they used metacognitive strategies with a high frequency; cognitive, compensation, and affective strategies with a medium frequency, and memory and social strategies with a low frequency. With respect to individual strategies, two strategies—items 38 (metacognitive) and 42 (affective)—were used with the highest frequency and significantly different from a large number of other strategies; whereas items 6 (memory), 14 (cognitive), 19 (cognitive), 43 (affective), and 48 (social) were the least frequently used strategies and significantly different from a large number of other strategies.

비만은 세계보건기구에서 질병으로 규정하고 있으며, 신체 내외부적인 영향을 나타낸다. 본 연구는 머신러닝을 이용 하여 생활패턴에 따른 비만도를 예측하고자 한다. 머신러닝에 이용한 데이터는 오픈데이터를 사용하였으며, 머신러닝 모델은 구글 코랩, 파이썬을 이용하고 모델 구성은 Light Gradient Boosting Machine, Extreme Gradient Boosting, Decision Tree Classifier, K Neighbors Classifier, Naive bayes 총 5개의 모델로 구성하였다. 각 모델 성능 평가 지표는 정확도, area under curve, 재현율, 정밀도, F1-score로 평가하였다. 해당 데이터를 활용한 5개 모델 중 Light Gradient Boosting Machine이 모든 지표에서 성능이 가장 우수 했으며, 지표에 대한 결과는 정확도 0.9601, area under curve 0.9981, 재현율 0.9601, 정밀도 0.9611, F1 score 0.9601이었다. 본 연구를 통해 기본적인 생활 패턴에 따른 비만도 예측을 통해 비만에 대한 사전 예방이 가능할 것으로 사료된다.

Obesity is defined as a disease by the World Health Organization and indicates internal and external influences on the body. This study aims to predict obesity according to lifestyle patterns using machine learning. The data used for machine learning used open data, and the machine learning model used Google Colab and Python. The model configuration consisted of a total of five models: Light Gradient Boosting Machine, Extreme Gradient Boosting, Decision Tree Classifier, K Neighbors Classifier, and Naive Bayes. The performance evaluation indices for each model were accuracy, area under curve, recall, precision, and F1-score. Among the five models using the data, Light Gradient Boosting Machine showed the best performance in all indices, and the results for the indices were accuracy 0.9601, area under curve 0.9981, recall 0.9601, precision 0.9611, and F1-score 0.9601. Through this study, it is believed that it will be possible to prevent obesity in advance by predicting obesity according to basic lifestyle patterns.

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.

This paper examines the effects of a corpus-based English learning among Korean high school students. The subjects studied six vocabularies and six pattern grammars over a period of six weeks. The experimental group did collaborative activities with the materials extracted from the COBUILD corpus, while the control group was given the teacher's explanation in a traditional way of language teaching. As a result, the experimental group outperformed the control group and the experimental group got more progress in the area of vocabulary than in that of patten grammar. Also, the corpus-based learning was more effective to high-level students than to low-level students. In the survey, students answered that a corpus-based language learning facilitated noticing and identifying the target form and encouraged them to participate in learning more actively.

두 입력 패턴간의 유사도를 측정하는 문제는 패턴인식 시스템의 핵심적인 요소에 해당한다. 특히 K-근접 이웃 분류 기와 같은 거리 기반 패턴 분류기를 사용하는 경우, 거리함수는 전체 시스템의 성능을 좌우 하는 중요한 역할을 한 다. 본 논문에서는 기존의 정해진 거리함수를 사용하는 대신 학습을 통하여 주어진 문제와 데이터의 분포 특성에 맞 게 최적화된 거리함수를 획득하는 방법을 제안한다. 특히 여러 개의 클래스로 이루어진 패 턴인식 문제에서 나타나는 데이터의 분포를 변형 분포와 클래스 분포의 두 가지 관점에서 고찰함으로써, 이로부터 각 각 얻어진 거리함수를 결 합한 새로운 거리함수를 제안한다. 제안하는 거리함수는 변형 분포나 클래스 분포만을 고려 한 기존의 방법에 비해 인식기의 성능을 향상시킬 수 있음을 실험을 통하여 입증하였다.

Measuring the similarity between two input patterns is one of the essential parts for pattern recognition systems. The performance of a pattern recognition system with a distance- based classifier such as K-nearest neighbor method is greatly dependent on its distance function. In this paper, we propose a learning method to optimize a distance function for the given problem and data set instead of using a fixed distance function. An optimized distance function can be obtained by combining two distance functions based on class distribution and variation distribution. The computational experiments show that the proposed distance function can achieve better performance in pattern recognition problems compared to the conventional methods.

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 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.

수요예측은 제품에 대한 수요량을 예측해 자원을 관리하기 위한 방법으로, 기업의 노동력과 예산 관리에 영향을 미 친다. 이러한 이유로 수요예측 모델의 성능 향상을 위한 연구가 주목을 받고 있다. 본 연구에서는 수요예측 성능 향 상을 위해 품목의 수요 패턴을 분석해 4가지 유형으로 구분하고, 각 유형에 적합한 모델을 제안한다. 성능 비교를 위해 사용한 데이터는 대한민국 공군 T-50 단일 기종의 수리 부속 품목의 분기 별 수요 데이터이다. 품목의 수요 패턴은 수요발생구간(average demand interval, ADI)과 변동 계수(coefficient of variation, CV)를 사용해 네 가지 smooth, lumpy, intermittent, erratic으로 구분하며 다양한 알고리즘으로 구현한 수요예측 모델의 성 능을 비교하기 위해 5가지 기계학습 알고리즘과 2 가지 딥러닝 알고리즘을 사용해 수요예측 모델을 구현한다. 기계 학습 알고리즘 중에는 앙상블 알고리즘인 random forest regression, adaboost, extra trees regression, bagging, gradient boosting regression 과 딥러닝 알고리즘인 long-short term memory(LSTM), deep neural network(DNN)을 사용한다. 수요 패턴에 따른 네 가지 유형에 적합한 모델을 선정해 수요예측 결과를 도 출한 경우가 일관된 모델을 사용한 경우에 비해 품목 정확도가 0.61%, 수량 정확도가 0.09 우수한 것을 확인할 수 있다. 제안하는 모델을 적용한다면 전문가의 효율적인 수요 관리가 이루어질 수 있을 것으로 기대한다.

Demand forecasting is a way to manage resources by forecasting demands for products, so it has direct impacts on corporate resources and budget management. Based on these reasons, research on improving forecasting performances of demand forecasting models. In this research, 4 demand patterns for items were analyzed to improve demand prediction performance, and the optimal model was proposed. The data used to compare the performance were the demand data from each quarter for maintenance items for a T-50 aircraft of Republic of Korea air force. First, the demand patterns for the items adopted average demand interval(ADI) and coefficient of variation(CV) and were categorized into smooth, lumpy, intermittent, and erratic items. In this research, to compare the performance of demand forecasting models derived from different algorithms, 5 types of machine learning algorithms and 2 types of deep learning algorithms were used to construct demand forecasting models. In machine learning algorithms, there are ensemble learning such as random forest regression, adaboost, extra trees regression, bagging, gradient boosting regression and deep learning algorithm such as long-short term memory(LSTM) and deep neural network(DNN). We can confirm that item accuracy is 0.61% and quantity accuracy is 0.09% better than that of consistent models when the demand forecast results are derived by selecting models suitable for four types according to demand patterns. We expect that efficient demand management by experts will be achieved if the application of the proposed model.

Colleges and universities should make full use of modern information technology to improve the teaching mode based on computer aided English teaching mode. The new teaching model should be based on modern information technology, especially network technology, so that English teaching is not subject to the restrictions of time and place, and toward the development of personalized, autonomous learning. In this paper, we analyze network topology structure and put forward an improved RTRL learning algorithm. Based on the empirical analysis, the result shows that with the increase of teaching time, the result of the experimental class is more obvious, so that the new teaching model promotes the improvement of students' autonomous learning ability. In conclusion, cultivating students' autonomous learning ability in a new and diversified foreign language teaching environment has become the core of College English teaching reform.

스마트 그리드는 전기 공급 업체와 소비자 간의 양방향 통신을 가능하게 하는 새로운 패러다임이다. 기존 방법은 단기 의존성을 처리하는 데만 유용하기 때문에 비선형 전력 수요 패턴의 모델링과 관련해서는 상당 부분 취약하다. 또한 기존 방법은 순전히 기록 데이터 기반이기 때문에 특성상 정적이고 스마트 미터기 오작동, 잡음과 같은 이상값이 상당 부분 포함되어 있어서 예측 성능이 매우 미흡하다. 이에 본 연구에서는 두 가지 기본 모델로서 하나는 모수 통계의 대표 적인 회귀 학습 모델과 다른 하나는 전형적인 비모수 통계적 접근이라 할 수 있는 KNN 학습 모델로 시작해서 스마트 미터 데이터와 같은 시계열 데이터의 경우에 샘플 데이터의 독립성이라는 측면을 고려하면, 오히려 비모수적 접근 방식 인 KNN 학습에 의한 성능이 본 연구의 실험 결과 확인된다.

Smart grid is a new paradigm that enables two-way communication between electricity suppliers and consumers. Existing methods are largely weak when it comes to modeling nonlinear power demand patterns, as they are only useful for handling short-term dependencies. Additionally, because existing methods are purely based on historical data, they are static in nature and contain a significant amount of outliers such as smart meter malfunctions and noise, so their prediction performance is very poor. Accordingly, in this study, we start with two basic models, one is a regression learning model that is representative of parametric statistics and the other is a KNN learning model that can be considered a typical non-parametric statistical approach. In the case of time series data such as smart meter data, we start with the independence of sample data. Considering this aspect, the performance of KNN learning, which is a non-parametric approach, is confirmed by the experimental results of this study

자동화된 스마트 그리드의 등장은 이러한 문제에 대응을 위한 필수적인 장치가 되고 있으며 스마트 그리드 기반 사회로의 진전을 가져오고 있다. 스마트 그리드는 전기 공급 업체와 소비자 간의 양방향 통신을 가능하게 하는 새로운 패러다임이다. 스마트 그리드는 전력 그리드를 보다 안정적이고 신뢰할 수 있으며 효율적이고 안전하게 만들기 위한 엔 지니어의 이니셔티브로 인해 등장했다. 스마트 그리드는 전력 소비자가 전력 사용에서 더 큰 역할을 할 수 있는 기회를 창출하고 전력을 현명하고 효율적으로 사용하도록 동기를 부여한다. 이에 본 연구에서는 기계 학습을 통한 전력 수요 관리에 중점을 둔다. 기계 학습을 사용한 수요 예측과 관련하여 현재 다양한 기계 학습 모델이 소개되어 적용되고 있는 데 이에 관한 체계적인 접근이 요구되고 있다. 특히 GP 학습 모델의 경우에 일반 소비 예측 및 데이터의 가시화와 관련 해서 다른 학습 모델보다 장점이 있지만, 스마트 미터 데이터의 예측과 관련해서는 데이터 독립성에 강한 영향을 받는다.

The emergence of the automated smart grid has become an essential device for responding to these problems and is bringing progress toward a smart grid-based society. Smart grid is a new paradigm that enables two-way communication between electricity suppliers and consumers. Smart grids have emerged due to engineers' initiatives to make the power grid more stable, reliable, efficient and safe. Smart grids create opportunities for electricity consumers to play a greater role in electricity use and motivate them to use electricity wisely and efficiently. Therefore, this study focuses on power demand management through machine learning. In relation to demand forecasting using machine learning, various machine learning models are currently introduced and applied, and a systematic approach is required. In particular, the GP learning model has advantages over other learning models in terms of general consumption prediction and data visualization, but is strongly influenced by data independence when it comes to prediction of smart meter data.

패턴 선택은 주어진 전체 학습 패턴으로부터 일부 유용한 패턴들을 추출하여 학습에 이용하는 방법이다. 분류 문제에서 유용한 학습패턴은 클래스들 간의 분류경계에 근접하거나 클래스의 중심 부근에 속한 패턴을 정상패턴이라고 한다. 이러한 패턴 중에서 노이즈 패턴이 포함된다면 분류 모델의 성능을 저하시킨다. 제안하는 방법은 노이즈를 제거하는 일종의 전처리 작업으로서 기존의 샘플링 방법을 사용하지 않고, 비감독 학습을 도입하여 노이즈 데이터를 제거한다. 그 결과 선택된 데이터로 학습할 경우, 학습 데이터 수 감소로 인한 계산 시간 단축 및 메모리 공간 절약의 효과 그리고 클래스 불균형 문제에서 불균형 비율을 감소시키는 효과가 있다. 제안하는 방법의 효율성을 알아보기 위하여 인공 데이터와 실제 문제에 적용하였다. 적용 결과 breast cancer 데이터는 전체 데이터수의 54%를 제거하였어도 정확률, 재현율, F1 값이 모두 향상되었다.

Pattern selection algorithms are to select some useful patterns from all learning patterns and use them as training patters. Useful pattern is a pattern that contributes much to the learning. For classification problems, useful patters are those near class boundary or class center. Noise patterns will decrease the performance of classification model. In this paper, we propose a pre-processing technique to eliminate those noise patterns. This is based on un-supervised learning technique, which is different from traditional sampling techniques. We will have several benefits when model is learned from useful patterns only: decrease in both computation time and space requirements while learning as well as the decrease of class imbalance. To show the effectiveness of proposed techniques, we applied it to one synthetic data set and two real-world benchmark data sets. For the breast cancer case, we achieved the increase of all of precision, recall, and F1 values even if data set is reduced to less than 50%.

소프트웨어 요구사항 분석은 성공적인 소프트웨어 프로젝트를 위해 필수적 요소이다. 특히 불완전한 요구사항 은 소프트웨어 프로젝트 실패의 가장 큰 원인으로 꼽힌다. 불완전한 요구사항은 소프트웨어 개발 시 개발자에게 이해 부족을 야기할 뿐 아니라, 소프트웨어 검증 시 에도 모호한 기준을 제공함으로써, 개발 후반부에 납기일 연기 및 비용 증가의 원인이 된다. 요구사항 패턴은 이러한 문제를 극복하는데 도움을 줄 수 있다. 요구사항 패턴은 요구사항 작성과 검토 시 참조모델이 될 뿐 아니라, 검증 기준이 될 수 있으며, 작성자가 누락한 부분을 보완해 줄 수 있다. 이와 더불 어 요구사항 작성의 경험이 적은 작성자는 요구사항 패턴을 통해 더 쉽고, 빠르고 정확하게 요구사항을 작성할 수 있 다. 본 논문에서는 다양한 요구사항의 시나리오를 통해 공통된 요구사항 시나리오를 추출하는 기법을 제안한다. 그리고 제안한 기법의 가시성 검증을 위해 여덟 개의 프로젝트에서 추출한 83개의 소프트웨어 시나리오를 통해 54개의 시나리 오 패턴을 추출하고 이 패턴을 이용하여 누락된 행위를 찾는 과정을 사례연구를 통해 보여준다.

Software requirement analysis is necessary for successful software development project. Specially, incomplete requirement is the most influential causes of software project failure. Incomplete requirement can bring late delay and over budget because of the misunderstanding and ambiguous criteria for project validation. Software requirement patterns can help writing more complete requirement. These can be a reference model and standards when author writing or validating software requirement. Furthermore, when a novice writes the software scenario, the requirement patterns can be one of the guideline. In this paper proposes an automatic approach to identifying software scenario patterns from various software scenarios. In this paper, we gathered 83 scenarios from eight industrial systems, and show how to extract 54 scenario patterns and how to find omitted action of the scenario using extracted patterns for the feasibility of the approach.

이 연구의 목적은 과학고등학교 학생들이 일정기간의 지속적인 학습프로그램 경험을 통해 그들의 가설지식 생성능력과 설명경향이 생물학자와 비교하여 어떻게 달라지는지 그 변화 양상을 분석하고 규명해 보는 것이다. 연구를 위하여 남부권 소재 과학고등학교 학생 14명과 생물학자 7인을 선정하였다. 학생들의 경우, 7명씩 실험집단과 비교집단으로 나누고 실험집단은 12주에 걸쳐 주 1회씩 생물학 가설에 관련된 지식생성형 학습프로그램을, 비교집단은 지식수용형 학습프로그램을 경험하게 하였다. 학습의 전과 후에 미리 제작된 생명현상에 관한 측정과제로 생성한 가설에 대한 설명경향과 가설생성능력을 파악하였다. 연구결과는 다음과 같다. 1) 과학고등학교 학생들은 두 집단 모두 사전-사후 변화 없이 설명대상을 분할하지 않고 가설을 생성하며, 2) 실험집단의 경우 사후에는 다차원적 설명자를 사용하는 변화를 보이나 비교집단은 그렇지 못했다. 3) 또한 실험집단은 사후에 현상적 설명자 뿐만 아니라 생물학자들처럼 이론적 설명자를 사용하는 빈도가 증가되는 것으로 나타났으며, 4) 설명자의 유사도 역시 증가된다. 이러한 결과는 지속적인 지식생성형 학습프로그램의 경험을 통해 학생들의 가설설명경향이 과학자와 유사한 형태로 변화되어갈 수 있고, 지식수용형 학습의 경험만으로는 학생들의 가설설명경향 및 가설생성능력의 변화를 유도하기 어렵다는 것을 시사해 주고 있다.

This study was investigated changing patterns of the science highschool students' hypothesis explanation pattern and hypothesis generation ability of before and after the sustainable experience of biological knowledge-generation learning program in comparison with biologists'. In this study, we selected 14 science highschool students and 7 biologist. Then, we divided them two groups - the experiential group (n=7) and control group (n=7). The experiential group was experienced biological knowledge-generation learning program for 12 weeks (1 topic per week). In contrast, the control group was experienced biological knowledge-acceptance learning program for same time. Before and after the learning program, students in both group were tested their hypothesis explanation pattern and hypothesis generation ability. The results were as follows: 1) 1) in experimental group, multi-level explicans was frequently used in their hypothesis after the learning program but it was not used in control group, 2) also in experimental group, not only phenomenal hypothesis explican but also theoretical hypothesis explican was frequently used in their hypothesis after the learning program and its degree of likeness was increasing too. Therefore sustainable experience of knowledge-generation learning program can be changed students' hypothesis explanation pattern and hypothesis generation ability to the similar forms of biologists'.

본 논문에서는 상황인지 시스템의 상황정보를 사용자 행동패턴 단위로 인식하여 사용자의 평균패턴과 비교하여 위치를 예측하고 새로운 행동 패턴이 입력될 경우 자가 학습하는 알고리즘을 제안한다. 과거 상황정보 3가지와 현재 상황정보 1가지를 연결하여 상황정보들 간의 상호 관계의미를 지닌 행동 패턴 단위로 데이터베이스에 저장시켜 사용자의 이전 상황과 현재 상황을 평균 패턴으로 검색하여 검색된 평균 패턴들 중에 가중치가 높은 상위 4가지 패턴을 예측한다. 만일, 예측 되지 않은 경우 사용자의 평균 패턴이 시행착오 학습 작업된다. 제안된 Average pattern - Trial and Error Learning기법을 이용한 위치 예측 알고리즘은 트레이닝된 상황에서 평균적으로 95.67% 예측이 성공하였다. 이 방식은 행동패턴 단위를 사용하여 사용자의 평균 패턴을 분석하여 예측 정확도를 높이고, 데이터베이스 탐색 시 유동적인 단위보다 탐색 시간이 감소되며, 기존의 없는 행동패턴에 대해서는 탐색 없이 학습이 되어 한정된 시간 내에 사용자가 원하는 서비스 해주어야 할 실시간 시스템에서의 예측시간을 확정해준다.

In this paper, we propose a context-aware system to predict one’s location in behavior patterns of users. If a new behavior pattern is entered, the system runs a perceptual learning process. While running, the system uses the past three statuses and the current status information and obtains a relationship with the link. The relationship is an average pattern, which is stored and referred in a database system. The proposed system predicts the top four patterns having a high weight value among the average patterns. We suggest an algorithm by making an average pattern and using the trial-error learning method. The system offers a suitable service by considering user’s characteristics and recognizing user’s average pattern in context-aware environments. However, this paper uses just the user’s location data. Even though the system uses the average patterns and trial-error learning for the various variables of context information, the real-time response will be stable and rapid. The proposed scheme has a tendency for the accuracy of prediction to gradually enhance getting the average patterns to increase and the trial-error learning times to decrease. This algorithm will improve the accuracy and reliability of prediction for the incremental context information by incorporating various context information data and provide optimum services to users by suggesting an intellectual reasoning and prediction method based on hierarchical context information.

In many decision making systems, rule-based approaches are used to solve complex problems in the areas of pattern analysis and computer vision. In this paper, we present methods for generating fuzzy IF-THEN rules automatically from training data for pattern classification and high-level computer vision. The rules are generated by construction minimal approximate fuzzy aggregation networks and then training the networks using gradient descent methods. The training data that represent features are treated as linguistic variables that appear in the antecedent clauses of the rules. Methods to generate the corresponding linguistic labels(values) and their membership functions are presented. In addition, an inference procedure is employed to deduce conclusions from information presented to our rule-base. Two experimental results involving synthetic and real are given.