인터넷은 전통적인 미디어를 대체하고 주요 뉴스 미디어 플랫폼 중 하나가 되었습니다. 인터넷 소스의 뉴스는 접근성이 좋고 편리하기 때문에 기존 뉴스 소스에 비해 빠르고 간단하게 이동할 수 있습니다. 그러나 가짜 뉴 스가 대량으로 발생하고 정치적, 상업적 이유로 온라인 커뮤니티에 퍼지면서 확인되지 않은 소식통으로부터 입수한 모든 언론 보도가 진짜인 것은 아니다. 가짜 뉴스는 이론적으로나 의도적으로 독자들을 속이거나 잘못 알릴 수 있다. 왜냐하면 사람들은 오프라인 커뮤니티에 영향을 미칠 수 있는 어떤 정보에도 쉽게 얽히게 되기 때문이다. 일부 수동 웹사이트는 정보가 사실인지 확인하도록 설계되어 있지만 온라인, 특히 웹에서 빠르게 확 산되는 정보의 양은 확장되지 않습니다. 이 문제를 해결하기 위해 자동 팩트체크 어플리케이션은 확장성과 자 동화의 요건에 대응하도록 설계되었습니다. 그러나 현재 애플리케이션 방법에는 기계 학습 분류 모델 성능을 개선하기 위해 가짜 뉴스 특징을 식별하는 포괄적인 다차원 데이터 세트가 없다. 이 문제를 해결하기 위해 본 연구논문에서는 사용자가 기사의 제목을 입력하면 데이터를 분류하는 Formb 챗봇을 제안했다. 이 연구 작업 에서 데이터 집합의 분류는 반복 신경망(RNN)과 장기 단기 기억(LSTM) 모델을 사용하여 수행되었다. 가짜 및 실제 뉴스 데이터 세트는 사전 처리되어 모델을 교육하는 데 사용됩니다. 저장된 모델은 지정된 입력 텍스트 의 신뢰성을 확인하기 위해 불일치 서버에 배포됩니다. Disconsid API는 python 파일을 chatbot으로 실행할 수 있는 액세스를 제공합니다. 분석 측면에서, 제안된 모델은 96.77%의 정확도로 CNN와 같은 기존 뉴럴 네트 워크 모델을 능가한다.

곤충은 주변환경에 적응하며 발육과 번식을 통해 진화하여 왔다. 온도발육모형을 이용하여 곤충과 응애 분류군별 공통고유최적온도, 발육 최적온도, 산란최적온도를 산출하기 위해 112편의 논문에서 응애류 14종, 딱정벌레목 8종, 파리목 5종, 노린재목 31종, 벌목 7종, 나비목 18종, 메뚜기목 1목, 다듬이벌레목 5종, 총채벌레목 5종의 온도발육과 산란자료를 분석하였다. 분석을 통하여 총채벌레목을 제외하고 공통고유최적온 도는 발육최적온도보다는 산란최적온도와 차이가 적었다. 본 종설을 통해 공통고유최적온도는 발육최적온도보다는 산란최적온도와 밀접한 관계 가 있을 가능성이 높음을 제안하였다.

본 연구는 치유농업 산업의 분류체계 구축을 통해 치유농업 산업의 범위에 근거한 현황을 분석하여 향후 치유농업 정책수립에 활용하고자 수행하였다. 분류체계는 한국표준산업분류체계를 기반으로 하였으며, 치유농업 산업의 개념과 특징을 반영하여 특수분류체계를 구성하였다. 이러한 분류체계를 통해 치유농장을 대상으로 운영 및 경영 현황을 조사함으로써 국내 치유농업의 산업적 구성과 비중을 분석하였다. 국내 치유농장의 사업 비중은 전체 매출액 중 치유농업 산업이 47.8%, 투입재 산업 40.4%, 파생 산업은 11.9%를 차지하였다. 소분류기준 매출액이 가장 많은 분야는 공동체 서비스 교육, 정신적 재활치료, 치유농업 농산물 재배업 순이었다. 치유농장의 81.1%가 치유농업 운영을 위해 시설을 건설하였는데 그 종류로는 조경 및 공원, 녹지 조성이 77.9%로 가장 많았다. 한편 매출액이나 종사자 규모로 살펴본 결과, 국내 치유농장은 매우 영세하게 운영되는 것으로 나타났다. 본 조사 결과, 현재까지 치유농업 산업이 정부 주도의 사업으로써 도입되고 있는 수준이라는 점에서 산업 현황자료로서 한계점을 가지고 있다고 본다. 그러나 향후 치유농업의 효율적인 사업경영을 위한 정책 마련의 기초자료로서 유용하게 활용될 수 있으리라 여겨지며, 한편 치유농업법에 따른 정기적 실태조사 추진의 방법적 기반을 마련했다고 평가된다.

본 연구는 메꽃과 6종의 식물에 대해 신속하고 비파괴적으로 분류하기 위해 근적외선 (Vis-NIR) 스펙트럼을 이용하였고 데이터의 전처리와 머신러닝 기술을 적용하였다. 전국적으로 분포하는 메꽃과 6종에 대해 야외에서 휴대용 분광기를 이용하여 판별하였다. 식물의 잎의 표면에서 400~1,075 nm의 근적외선 스펙트럼 (1.5 nm)을 수집하였 다. 수집된 스펙트럼 데이터는 3가지의 전처리와 raw데이터를 이용하였고 4종류의 머신러닝 모델을 적용하여 높은 판별 정확도를 확인하였다. 전처리와 머신러닝 모델의 조합을 통해 분석된 판별의 정확도는 43~99%의 범위로 분석되었고, standard normal variate 전처리와 support vector machine 머신러닝 모델의 조합에서 판별 정확도가 98.6% 로 가장 높게 나타났다. 본 연구에서 수집된 스펙트럼은 식물의 성장단계, 다양한 측정 지역 및 잎에서의 측정 위치 등과 같은 요인과 더불어 데이터 분석을 위한 조건으로 최 적의 전처리와 머신러닝 기술을 적용한다면 메꽃과 식물의 야외에서의 정확한 분류가 가능하고 이들 식물의 효과적인 관리와 모니터링에 활용할 수 있을 것으로 판단되었다.

목적 : 본 연구는 한국표준산업분류에 따라 산재환자의 작업능력평가 세부항목 실시 데이터를 분석하여 업종별 직장복귀프로그램의 기초자료를 제시하는데 있다. 연구방법 : 후향적 코호트 조사 연구로 근로복지공단 소속병원의 전자의무기록을 활용하여 2018년 1월부터 2020년 12월까지 작업능력평가를 실시한 2,145명의 산재환자의 기초분석과 한국표준산업분류에 따라 건설업, 제조업, 전문ㆍ기술업, 시설 관리 및 서비스업, 운송업, 보건업 및 사회복지 서비스업으로 분류한 후 대상자들에게 시행된 작업능력평가 세부항목의 수행 빈도 차이를 분석하였다. 결과 : 작업능력평가에 참여한 대상자는 남성 1,798명(83.8%), 여성 347명(16.2%)이었으며, 연령대는 50-59세가 790명(36.8%)으로 가장 많았다. 산재 요양시작 이후 평균8.83 ± 5.32개월 시점에 평가가 이루어졌다. 제조업 692명(32.3%), 건설업 642명(29.9%), 전문ㆍ기술업 308명(14.4%)이 대부분이었고 손상 부위는 하지 손상이 736명(34.3%)으로 가장 많았다. 작업능력평가 시 포함된 세부 평가항목 중 어깨높이에서 밀기ㆍ당기기, 작업장 이동에서 걷기, 기어가기, 자세유지평가에서 무릎 꿇기 작업을 제외한 모든 항목에서 직업에 따라 유의한 차이가 있었다. 특히, 건설업에서 들기와 옮기기의 수행 빈도가 높았고, 가장 무거운 무게까지 평가를 했으며, 제조업에서는 자세유지평가 빈도가 높았다. 결론 : 본 연구에서 작업능력평가에 참여한 산재환자의 동향과 한국표준산업분류에 따라 실시되는 작업능력평가 세부항목 차이를 확인하여 임상에서 참고할 수 있는 기초자료를 제시하였다.

백한우는 한우에서 유래되었으며, 모색과 망막에 색소가 전혀 없는 전형적인 알비노 증상을 보인다. 본 연구는 mtDNA D-loop 영역 전체 서열에 기초하여 백한우의 모계유전특성을 분석하기 위해 수행하였다. 백한우에서 특이적으로 나타나는 TYR 유전자 exon 2 영역의 염기변이를 PCR-RFLP 분석을 통해 확인하였다. 이 결과를 통해서 본 연구에서 공시한 32두 모두 백한우임을 확인하였다. 백한우 32두에 대한 mtDNA D-loop 영역 전체 서열을 이용하여 염기변이 및 유전적 다양성을 확인하였다. A, T, C, G 염기 각각의 빈도는 32.8, 28.9, 24.4 및 13.9%, GC 함량은 38.3%로 확인되었으며, 이러한 빈도는 타 소품종들과 유사하였다. 또한 9개의 다형부위가 확인되었고, 6개의 haplotype으로 분류되었다. haplotype 다양성지수는 0.651, 염기변이율은 0.00181로 확인되었으며, 기존에 보고된 다른 소품종들보다 낮은 수치를 보였다. 염기변이 양상 비교 및 계통유전학적 분석 결과, 백한우에서 나타난 6개의 haplotype은 T1 및 T3 haplogroup으로 분류되었으며, 특히 5개 haplotype이 T3 haplogroup에 포함되었다. 본 연구의 결과는 백한우의 보존, 관리 및 활용을 위한 중요한 자료로 활용될 수 있을 것으로 사료된다.

교정시설의 과밀화 수용, 개별교정처우, 출소 후 재범예방 등을 위해서 수형자 분류 지표에 대한 논의는 지난 10여 년간 꾸준히 논의되어 온 주제이다. 현 교정본부에서는 교정재범예측지표를 활용하여 수형자의 가석방심사를 비롯하여 개벌적인 교정처우와 프로그램참여 등을 수행하고 있다. 수형자 분류는 수용시설에서 범죄성에 대한 억제와 재사회화를 위한 프로그램 설계 및 운영하는데 있어서 가장 중요한 도입단계라 볼 수 있다. 수형자의 재범억제와 성공적인 재사회화를 위해서 수형자 분류와 관련된 지표를 활용하고자 한다면, 이 지표에 대한 과학적 근거를 바탕으로 한 효과성 및 타당성 등의 평가가 뒷받침 되어야 한다. 우선 이 연구에서는 수형자 분류 지표에 대한 효과성을 검증하기 앞서 탐색적 연구를 수행하고자 하였다. 현재 국내 수형자 재범위험성 평가 도구를 파악하고, 내용 및 각 요인들을 살펴보았다. 다음으로 국내외 수형자 또는 범죄자의 위험성 등을 분류할 수 있는 평가도구를 자세히 살펴보았다. 마지막으로 개별처우, 수형자 분류 등의 중요성이 강조되어야 하는지를 뒷받침 할 수 있는 국내외 선행연 구를 검토하였다. 이 연구를 통해 현재 국내에서 수행되고 있는 수형자 분류와 관련된 지표를 살펴보고, 분산된 관련 자료들을 정리하여 추후 실증연구를 진행할 수 있는 근거자료로 활용하고자 하였다.

목적 : 본 연구는 델파이 기법을 사용하여 지역사회 임상에서 치매환자의 중증도를 파악하기 위한 포괄적인 인지기능을 평가할 수 있는 항목을 개발하고자 한다. 연구방법 : 지역사회 치매환자의 중증도 파악을 위한 예비문항 구성과 치매 전문가 패널 21명을 대상으로 3회에 걸쳐 델파이 조사를 실시하였다. 예비문항 구성은 문헌고찰을 통한 항목을 수집하였다. 1차 조사에서는 수집된 항목에 대한 폐쇄형과 개방형 문항으로 전문가 패널들의 의견을 수집하였다. 2차, 3차 조사에서는 항목에 대한 내용타당도(Content Validity Ratio; CVR)를 조사하고, 최종 항목은 CVR, 수렴 도, 합의도 기준을 모두 만족하는 항목을 선정하여 도출하였다. 결과 : 문헌고찰을 통해 지역사회 임상에서 치매환자의 임상적인 기능을 평가할 수 있는 예비 평가항목의 하위영역 5개, 문항 59개를 도출하였다. 1차 델파이 결과에서 3개 항목 삭제, 16개 항목이 추가되어 68 개 항목이 선정되었다. 2차 델파이 결과에서는 내용타당도 비율 .42 미만인 항목 3개가 있었으나 문헌 고찰과 연구자 간의 합의를 통해 3차 델파이 조사에 포함시켰다. 3차 델파이 결과, 수렴도 .50 이상과 합의도 .75 미만인 항목 9개를 삭제하여 총 59개 항목을 선정하였다. 최종 델파이 결과, 각 항목에 대한 내용타당도는 .89, 안정도는 .12, 수렴도는 .43, 합의도는 .81로 높게 분석되었다. 결론 : 본 연구를 통해 작업치료사가 지역사회에 거주하고 있는 치매환자의 중증도를 파악하기 위하여 임상적인 치매 기능평가를 할 수 있는 항목들을 개발하고 평가항목에 대한 내용타당도를 검증하였다. 지역 사회 작업치료 종사자가 치매환자의 치매 기능을 임상적으로 파악하고 중증도에 따라 적절한 중재를 제공하기 위한 기초자료로 활용되기를 기대한다.

The sensory stimulation of a cosmetic product has been deemed to be an ancillary aspect until a decade ago. That point of view has drastically changed on different levels in just a decade. Nowadays cosmetic formulators should unavoidably meet the needs of consumers who want sensory satisfaction, although they do not have much time for new product development. The selection of new products from candidate products largely depend on the panel of human sensory experts. As new product development cycle time decreases, the formulators wanted to find systematic tools that are required to filter candidate products into a short list. Traditional statistical analysis on most physical property tests for the products including tribology tests and rheology tests, do not give any sound foundation for filtering candidate products. In this paper, we suggest a deep learning-based analysis method to identify hand cream products by raw electric signals from tribological sliding test. We compare the result of the deep learning-based method using raw data as input with the results of several machine learning-based analysis methods using manually extracted features as input. Among them, ResNet that is a deep learning model proved to be the best method to identify hand cream used in the test. According to our search in the scientific reported papers, this is the first attempt for predicting test cosmetic product with only raw time-series friction data without any manual feature extraction. Automatic product identification capability without manually extracted features can be used to narrow down the list of the newly developed candidate products.

Recently, transfer learning techniques with a base convolutional neural network (CNN) model have widely gained acceptance in early detection and classification of crop diseases to increase agricultural productivity with reducing disease spread. The transfer learning techniques based classifiers generally achieve over 90% of classification accuracy for crop diseases using dataset of crop leaf images (e.g., PlantVillage dataset), but they have ability to classify only the pre-trained diseases. This paper provides with an evaluation scheme on selecting an effective base CNN model for crop disease transfer learning with regard to the accuracy of trained target crops as well as of untrained target crops. First, we present transfer learning models called CDC (crop disease classification) architecture including widely used base (pre-trained) CNN models. We evaluate each performance of seven base CNN models for four untrained crops. The results of performance evaluation show that the DenseNet201 is one of the best base CNN models.

This research examines deep learning based image recognition models for beef sirloin classification. The sirloin of beef can be classified as the upper sirloin, the lower sirloin, and the ribeye, whereas during the distribution process they are often simply unified into the sirloin region. In this work, for detailed classification of beef sirloin regions we develop a model that can learn image information in a reasonable computation time using the MobileNet algorithm. In addition, to increase the accuracy of the model we introduce data augmentation methods as well, which amplifies the image data collected during the distribution process. This data augmentation enables to consider a larger size of training data set by which the accuracy of the model can be significantly improved. The data generated during the data proliferation process was tested using the MobileNet algorithm, where the test data set was obtained from the distribution processes in the real-world practice. Through the computational experiences we confirm that the accuracy of the suggested model is up to 83%. We expect that the classification model of this study can contribute to providing a more accurate and detailed information exchange between suppliers and consumers during the distribution process of beef sirloin.

Metal three-dimensional (3D) printing is an important emerging processing method in powder metallurgy. There are many successful applications of additive manufacturing. However, processing parameters such as laser power and scan speed must be manually optimized despite the development of artificial intelligence. Automatic calibration using information in an additive manufacturing database is desirable. In this study, 15 commercial pure titanium samples are processed under different conditions, and the 3D pore structures are characterized by X-ray tomography. These samples are easily classified into three categories, unmelted, well melted, or overmelted, depending on the laser energy density. Using more than 10,000 projected images for each category, convolutional neural networks are applied, and almost perfect classification of these samples is obtained. This result demonstrates that machine learning methods based on X-ray tomography can be helpful to automatically identify more suitable processing parameters.