실제세계에서 데이터 수집의 비용과 한계를 고려할 때, 시뮬레이션 생성 환경은 데이터 생성 과 다양한 시도에 있어 효율적인 대안이다. 이 연구에서는 Unity ML Agent를 로그라이크 장 르에 적합한 강화학습 모델로 구현하였다. 간단한 게임에Agent를 이식하고, 이 Agent가 적을 인식하고 대응하는 과정을 코드로 작성하였다. 초기 모델은 조준사격의 한계를 보였으나 RayPerceptionSensor-Component2D를 통해 Agent의 센서 정보를 직접 제공함으로써, Agent가 적을 감지하고 조준 사격을 하는 능력을 관찰할 수 있었다. 결과적으로, 개선된 모델 은 평균3.81배 향상된 성능을 보여주었으며, 이는 Unity ML Agent가 로그라이크 장르에서 강화학습을 통한 데이터 수집이 가능함을 입증한다.

목적: 본 연구는 학습과정에서 보일 수 있는 심리적인 특성과 성격적인 요인을 진단할 수 있는 U&I 학습성격유형검 사를 이용하여 학습성격에 따른 시기능훈련 전·후 향상도를 알아보고자 하였다. 방법 : 안과질환 및 전신질환이 없는 성인 남녀 34명을 대상으로 학습성격유형을 분류하고 양안시검사 결과에 따라 적합한 시기능훈련 도구를 적합한 선정하여 시기능훈련을 실시하였다. 결과 : 학습성격유형과 시기능훈련을 상관 분석한 결과 행동형은 음성상대조절력과 양의 상관관계를 보였으며 규범형은 원거리 양성융합버전스 회복점과 양의 상관관계를 보였다. 탐구형은 양성상대조절력과 음의 상관관계를 보였고 이상형은 음성상대조절력과는 양의 상관관계, 근거리 양성융합버전스 흐린점은 음의 상관관계를 보였다. 학 습성격유형에 따른 시기능훈련 효과를 분석한 결과 융합용이성에서 규범형이 이상형보다 시기능훈련 전·후 융합 용이성의 효과가 유의하게 증가하였다. 결론 : 학습성격유형에 따른 시기능훈련 효과에 차이가 있음을 확인할 수 있었으며 그에 맞는 훈련법을 고안한 다면 더 체계적인 시기능훈련 방법을 적용할 수 있을 것으로 사료된다.

Deep learning-based computer vision anomaly detection algorithms are widely utilized in various fields. Especially in the manufacturing industry, the difficulty in collecting abnormal data compared to normal data, and the challenge of defining all potential abnormalities in advance, have led to an increasing demand for unsupervised learning methods that rely on normal data. In this study, we conducted a comparative analysis of deep learning-based unsupervised learning algorithms that define and detect abnormalities that can occur when transparent contact lenses are immersed in liquid solution. We validated and applied the unsupervised learning algorithms used in this study to the existing anomaly detection benchmark dataset, MvTecAD. The existing anomaly detection benchmark dataset primarily consists of solid objects, whereas in our study, we compared unsupervised learning-based algorithms in experiments judging the shape and presence of lenses submerged in liquid. Among the algorithms analyzed, EfficientAD showed an AUROC and F1-score of 0.97 in image-level tests. However, the F1-score decreased to 0.18 in pixel-level tests, making it challenging to determine the locations where abnormalities occurred. Despite this, EfficientAD demonstrated excellent performance in image-level tests classifying normal and abnormal instances, suggesting that with the collection and training of large-scale data in real industrial settings, it is expected to exhibit even better performance.

본 연구는 챗GPT를 대학 교양영어 수업의 학습 도구로 활용하는 효과 적인 수업구성을 하는 것을 목표로 하고 있다. 구체적인 논의는 다음의 네 가지이다. 첫째, 교육계에서 챗GPT 사용에 관해 찬반 논쟁이 있음에 도 불구하고 생성형 AI가 교육계에 큰 변화를 가져올 것이라는 점에는 거의 이견이 없다. 둘째, 챗GPT를 사용함에 있어서 발생 가능한 문제점 을 팩트 체크의 부재, 지적 재산권의 문제, 문해력 저하로 정리하였다. 학습에서 챗GPT를 도구로 사용하기에 앞서서 이러한 문제점들을 학습자 들에게 반드시 인식시키는 교과과정을 만들어야 할 것이다. 셋째, 교육현 장에서 챗GPT를 사용하기 위해서 학습자에게 선제적으로 인식시켜야 할 점은 생성형 AI가 학습의 도구로서의 역할을 하며, 학습자가 인공지능에 의존하는 것이 아니라 인공지능과 협업을 한다는 것이다. 넷째, 학습능력 이 매우 상이한 학생집단을 대상으로 챗GPT를 학습도구로 사용하기 위 해서는 그룹별 협업을 통한 활동이 중요하다. 그룹원들의 다양한 질문을 인공지능에 주입하여 다채로운 결괏값을 얻어 지식을 창조적으로 (재)생 산할 수 있기 때문이다. 본 연구의 의의는 연구에서 제시하는 수업구성 을 실제 수업에 적용하여 또 다른 연구물을 도출할 수 있다는 점이다.

본 연구는 인성역량이 학업지속성에 영향을 미치는지 그리고 이들 관계가 회복탄력성에 따라 다르게 조절되는지 살펴보았다. 이와 더불어 학업지속성에 대한 인성역량들의 상대적 기여도를 검증하였다. 그 결과, 자기이해, 공감능력, 공정성, 협동심, 그리고 인권의식이 높을수록 학업지속성이 높았다. 특히, 협동 심은 학업지속성을 가장 잘 예측하는 변인이었다(약 6.2% 설명). 이들 결과는 협동심에 중점을 둔 인성교육이 학업지속성 향상에 중요한 역할을 할 수 있다 는 것을 시사한다. 조절효과와 관련하여, 회복탄력성이 높을 때는 자기이해가 높을수록 학업지속성이 증가한 반면, 회복탄력성이 낮을 때는 학업지속성은 자 기이해 수준에 따라 다르지 않았다. 이 결과는 높은 수준의 회복탄력성은 학 업지속성에 대한 자기이해의 효과를 극대화 할 수 있다는 것을 보여준 다. 본 연구 결과는 학습지속성 향상을 위한 인성교육 프로그램 개발에 도움이 될 것이다.

이 연구는 창의적 교실 환경이 자기 조절학습과 학습 효능감을 매개로 학업성취도에 미치는 영향을 확인하기 위한 목적에서 수행되었다. 이를 위해 한국아동패널의 14차 조사의 원시 자료를 활용하였고, 주요 변인에 관하여 누락 응답이 없는 593개 자료를 연구 대상으로 선정하여 SPSS 26.0 및 AMOS 26.0 프로그램을 활용하여 구조 방정식 모형으로 검증하 였다. 분석 결과, 중학생의 창의적 교실 환경 인식, 자기 조절학습, 학습 효능감, 학업성취도 간에는 모두 정적으로 유의미한 상관관계가 있었다. 또 창의적 교실 환경 인식과 학업성취도의 관계를 자기 조절학습과 학습 효능감이 유의하게 매개하는 것으로 나타났다. 즉, 중학생이 수업 시 교 실 환경을 더 창의적이라 인식할수록 자기 조절학습이 촉진되며 이는 학 습 효능감을 증진함으로써 결과적으로 학업성취도가 높아지도록 만들 수 있음이 확인되었다. 이를 토대로 한국의 공교육이 중학생의 학업성취도 증진을 위해 조성해야 할 교실 환경의 중요성 및 나아가야 할 방향에 대 해 제언하였다.

이 연구의 목적은 기술이 매개하는 비대면 교육 환경에서 학습자의 즉시성이 수업 중 긍정적 정서경험에 미치는 영향성을 확인하는 데 있다. 구체적으로, 수업 중에 경험하는 사회적 실재감이 즉시성과 긍정적 정서 경험 간의 관계 를 매개할 것으로 보았고, 즉시성과 사회적 실재감 간의 관계는 개개인의 기술준비도에 의해 조절될 것으로 예측하 였다. 이를 위하여 비대면 수업에 참여한 경험이 있는 대학생 500여 명을 대상으로 설문조사를 시행하였다. 분석 결과, 즉시성과 긍정적 정서 경험 간의 관계는 사회적 실재감에 의해 완전매개 되었다. 즉, 즉시성이 높은 학생들은 비대면 수업 중에 더 높은 사회적 실재감을 경험했고, 그 결과 부정적인 정서에 비해 긍정적인 정서를 더 많이 경험 하는 경향성을 보인 것이다. 또한 즉시성과 사회적 실재감 간의 관계는 기술준비도에 의해 조절되었다. 본 연구는 교수자의 즉시성이 학습자에게 미치는 긍정적 영향에 관한 기존 연구와 달리, 학습자 자신의 즉시성도 학습 과정에 긍정적 영향이 있음을 증명했다는 점에서 의의를 지닌다. 그 뿐 아니라 팬데믹 이후 변화된 학습자의 참여도와 만족 도 등을 예측하기 위하여 학습자의 커뮤니케이션 능력의 변화를 확인하는 것도 중요한 요인이 될 수 있음을 보인 결과라 하겠다.

정보통신 기술의 발전과 스마트 기기의 확산으로 스마트러닝이 보편화되었으며 이에 따라 스마트러닝 관련 연구가 활발하게 이루어지고 있으며 연구 성과가 축적되고 있다. 이에 기존의 스마트러닝 연구 중에 서 상관계수 결과를 포함한 논문을 대상으로 메타분석을 실시하여 스마트러닝의 효과크기를 분석하였다. 이 과정에서 선행연구 결과를 검토하여 스마트러닝 특성요인으로 동기유발, 시스템, 콘텐츠, 서비스로 유 목화하고, 결과변수로는 만족도, 성과, 태도를 정의하였다. 메타분석 결과 스마트러닝 전체 관점뿐 아니라 각 특성요인인 동기유발, 시스템, 콘텐츠, 서비스 모든 측면에서 스마트러닝의 효과크기는 유의하게 중간 정도 수준으로 나타났다. 유일하게 유의하지 않은 것으로 나타난 성과에 대한 콘텐츠의 효과크기를 제외 하고는 만족도, 성과, 태도 모든 측면에서 스마트러닝 각 특성요인의 효과크기가 유의하게 중간 정도 수준으로 나타났다. 연구 대상에 따른 효과크기 측면에서는 직장인이 가장 높은 효과를 유의하게 보였다. 표본수에 따른 효과크기 측면에서는 300명에서 999명까지가 유의하게 가장 높게 나타났다. 본 논문이 시도한 스마트러닝 메타분석은 시의성으로나 확장된 연구 대상 논문 수 측면에서 의의를 찾을 수 있으며 수많은 스마트러닝 특성요인과 결과변수를 유목화하고 분류한 뒤 이에 대한 효과크기를 측정하였다는 데에 의의가 있다. 각 연구자들의 시각과 필요에 따라 다양한 표현을 동원한 스마트러닝 특성요인과 결과변수를 본 연구의 연구자들이 종합적인 관점에서 분류한 것은 향후 스마트러닝 연구를 위한 하나의 새로운 밑거름이 될 수 있다.

도로의 포장 상태의 노후화나 관리미흡으로 인하여 시민의 사유 재산 중 주요한 요소인 자동차 등의 손상이나 자동차 사고 로 이어질 수 있어 큰 사회적 비용이 발생할 뿐 아니라, 시민들의 불편과 불만을 초래할 수 있다. 최근 도로 포장의 경우 포트홀 발생 건수와 그에 따른 민원 및 소송 건수가 증가해 행정력 및 예산이 낭비되고 있으며, 서울시의 경우 포장도로 노후화 추이가 증가함에 따라 유 지 관리 비용 또한 증가하고 있다. SOC 시설물 안전성 강화에 대한 사회적 요구는 지속적으로 증가하고 있어 한정된 예산의 효율적 활용을 위한 첨단 유지관리기술 도입이 시급하다.

Existing reinforced concrete buildings with seismically deficient column details affect the overall behavior depending on the failure type of column. This study aims to develop and validate a machine learning-based prediction model for the column failure modes (shear, flexure-shear, and flexure failure modes). For this purpose, artificial neural network (ANN), K-nearest neighbor (KNN), decision tree (DT), and random forest (RF) models were used, considering previously collected experimental data. Using four machine learning methodologies, we developed a classification learning model that can predict the column failure modes in terms of the input variables using concrete compressive strength, steel yield strength, axial load ratio, height-to-dept aspect ratio, longitudinal reinforcement ratio, and transverse reinforcement ratio. The performance of each machine learning model was compared and verified by calculating accuracy, precision, recall, F1-Score, and ROC. Based on the performance measurements of the classification model, the RF model represents the highest average value of the classification model performance measurements among the considered learning methods, and it can conservatively predict the shear failure mode. Thus, the RF model can rapidly predict the column failure modes with simple column details.

본 연구는 한국어 학습자들이 자신들의 언어학습 신념이 그들의 전반 적인 언어학습과 새로운 환경에 적응하는 것에 어떠한 관계가 있는지를 찾기 위함이 목적이다. 여섯 명의 한국대학교에 재학 중인 외국인 유학 생들을 대상으로 그들의 언어학습 신념에 대한 인터뷰가 진행되었다. Horwitz의 BALLI 문항을 기반으로 한 반구조적 인터뷰가 진행되었으며, 그들의 답변은 외국어 능력, 언어학습의 어려움, 언어학습의 본성, 학습 과 소통전략, 동기와 기대 등의 주제를 기반으로 비슷한 패턴을 보이는 항목별로 구분되어졌다. 연구 결과는 외국인 유학생들은 그들의 한국어 실력이 향상될수록 자신감을 가졌으며, 그들은 문화에 대한 학습이 언어 학습에 중요한 부분이라는 것을 인지했다. 또한, 가장 효과적인 학습법은 실제적인 상황과 사람들과 어울리는 것을 꼽았으며, 그들은 대학 졸업 이후에도 한국에 남아 있기를 희망했다.

The government is implementing a policy to expand eco-friendly energy as a power source. However, the output of new and renewable energy is not constant. It is difficult to stably adjust the power supply to the power demand in the power system. Therefore, the government predicts day-ahead the amount of renewable energy generation to cope with the output volatility caused by the expansion of renewable energy. It is a system that pays a settlement amount if it transitions within a certain error rate the next day. In this paper, Machine Learning was used to study the prediction of power generation within the error rate.

본 연구는 중국 유학생의 학습참여 동기가 학습몰입으로 연결되는 인과관계와 학습동기와 학습몰입 사이에서 자기효 능감의 매개효과를 검증하였다. 연구의 대상은 S시에서 거주하는 중국유학생을 대상으로 2023년 10월 1일부터 10월 31 일까지 자료 수집한 198부를 분석에 활용하였다. 수집된 자 료는 SPSS 25.0을 활용하여 빈도분석, 기술통계, 상관관계, 위 계적 회귀분석을 실시하였다. 연구결과, 첫째, 중국유학생의 학습동기는 자기효능감과 학습몰입에 정의 영향을 미치는 것 으로 확인되었다. 둘째, 중국유학생의 학습동기와 학습몰입의 관계에서 자기효능감의 매개효과를 확인하였다. 이중 학습몰 입의 하위요인인 감성몰입만이 자기효능감의 관계에서 매개 효과가 있는 것으로 밝혀졌다. 이는 중국유학생의 학습동기 는 자기효능감을 증진하여 학습몰입을 높인다는 것을 의미한 다. 이를 통해 중국유학생의 학습몰입을 높일 수 있는 대학 교육에서의 실무적 시사점을 제시하였다는 점에서 의의가 있 다.

This study aimed to explore the impact of AI image generators on the affective factors of college-level English learners and the correlations among these factors. During a four-week instructional period, 65 participants were asked to use Midjourney as an AI tool for their user experiences. Affective factors including interest, confidence, and participation were measured through pre- and post-surveys. Using Jamovi for analysis, significant improvements were discovered across all affective factors. Noteworthy improvements occurred in confidence, indicating a favorable impact by AI-generated images on English learning. Additionally, correlation analysis demonstrated significant positive relationships between interest and confidence, as well as confidence and participation. This confirms the interconnected nature of these affective elements in the learning process. The findings suggest that the educational use of image-generating AI tools can beneficially influence English learners’ affective domains. The study calls for further investigation into the pedagogical applications of image AI to foster a more interactive, engaged, and self-assured attitude towards language learning.

PURPOSES : This study develops a model that can estimate travel speed of each movement flow using deep-learning-based probe vehicles at urban intersections. METHODS : Current technologies cannot determine average travel speeds for all vehicles passing through a specific real-world area under obseravation. A virtual simulation environment was established to collect information on all vehicles. A model estimate turning speeds was developed by deep learning using probe vehicles sampled during information processing time. The speed estimation model was divided into straight and left-turn models, developed as fully-offset, non-offset, and integrated models. RESULTS : For fully-offset models, speed estimation for both straight and left-turn models achieved MAPE within 10%. For non-offset models, straight models using data drawn from four or more probe vehicles achieved a MAPE of less than 15%. The MAPE for left turns was approximately 20%. CONCLUSIONS : Using probe-vehicle data(PVD), a deep learning model was developed to estimate speeds each movement flow. This, confirmed the viability of real-time signal control information processing using a small number of probe vehicles.

PURPOSES : To enhance the accuracy of predicting the compressive strength of practical concrete mixtures, this study aimed to develop a machine learning model by utilizing the most commonly employed curing age, specifically, the 28-day curing period. The training dataset consisted of concrete mixture sample data at this curing age, along with samples subjected to a total load not exceeding 2,350 kg. The objective was to train a machine learning model to create a more practical predictive model suitable for real-world applications. METHODS : Three machine learning models—random forest, gradient boosting, and AdaBoost—were selected. Subsequently, the prepared dataset was used to train the selected models. Model 1 was trained using concrete sample data from the 28th curing day, followed by a comprehensive analysis of the results. For Model 2, training was conducted using data from the 28th day of curing, focusing specifically on instances where the total load was 2,350 kg or less. The results were systematically analyzed to determine the most suitable machine learning model for predicting the compressive strength of concrete. RESULTS : The machine learning model trained on concrete sample data from the 28th day of curing with a total weight of 2,350 kg or less exhibited higher accuracy than the model trained on weight-unrestricted data from the 28th day of curing. The models were evaluated in terms of accuracy, with the gradient boosting, AdaBoost, and random forest models demonstrating high accuracy, in that order. CONCLUSIONS : Machine learning models trained using concrete mix data based on practical and real-world scenarios demonstrated a higher accuracy than models trained on impractical concrete mix data. This case illustrates the significance of not only the quantity but also the quality of the data during the machine learning training process. Excluding outliers from the data appears to result in better accuracy for machine learning models. This underscores the importance of using high-quality and practical mixed concrete data for reliable and accurate model training.

PURPOSES : In this study, an optimal model for compressive strength prediction was derived by learning and directly comparing several machine learning models based on the same data. METHODS : Approximately 478 pieces of concrete compressive strength data were obtained to compare the performance of the machine learning models. In addition, five machine learning models were trained based on the obtained data. The performance of the learned model was compared using three performance indicators. Finally, the performance of the model trained using additional data was reviewed. RESULTS : As a result of comparing the performance of machine learning models, the XGB(eXtra Gradient Boost) model showed the best performance. In addition, as a result of the verification based on additional data, highly reliable results can be obtained if the XGB model is used to predict the compressive strength of concrete. CONCLUSIONS : If a concrete strength prediction model is derived based on a machine learning model, a highly reliable model can be derived.

본 연구는 대학 창의융합수업에서 Appreciative Inquiry 교수학습방법을 적용한 후 창의융합역량 학습 성과 효과를 분석하는 것을 목적으로 하였다. 이를 위하여 창의융합교육을 위한 창의융합역량 학습성과 평가도구를 개발하고 이를 타당화하였다. 이후, 경기도 소재 G 대학교 경영대학원에서 교육경영 교과목을 수강하는 대학원생 12명을 대상으로 교수학습 방법을 적용한 창의융합교육을 실시하고 창의융합역량 학 습성과 효과를 분석하였다. 연구결과, 팀기반 Appreciative Inquiry 교수학습 방법이 학습자의 창의융합역 량 학습성과 증진에 유의미한 역할을 하였다. 학습자-학습자간, 교수자-학습자간 평가로 실시한 학습성 과 평가에서 Appreciative Inquiry의 4D 활동이 혁신적 사고, 다양한 아이디어, 경험의 결합, 협력적 태도 역량 증진에 효과적인 것으로 분석하였다. 이를 통해 창의융합교육에서 학습자의 적극적인 참여와 협업을 바탕으로 긍정적인 분위기의 아이디어 발산과 공유의 팀기반 교수학습 방법이 창의융합역량 학습성과에 효과가 있다 결론을 도출하였다.

This study deeply discusses the development status of e-learning in basic music education in China, and summarizes the characteristics and development of music education course content, resources, evaluation and certification in the three countries through comparative analysis with e-learning platforms in South Korea and the United States, revealing the development trends and differences of global online music teaching. In the strategic analysis part, it is pointed out that, firstly, the development of basic music online teaching needs to be combined with online and offline hybrid teaching to promote the development of music education. Secondly, while learning from the advanced experience of e-learning in other countries, we should pay attention to innovative education methods、 expand the subject content. Finally, we should pay attention to the cultivation of students' learning ability to facilitate the establishment of an efficient learning model. The innovation of this paper lies in the comprehensive and in-depth research and comparison of the characteristics and case analysis of e-learning in music education in China, and at the same time, combined with the experience of South Korea and the United States, the implementation conditions and strategies for the situation in China are proposed, which provides strong theoretical support and practical guidance for the development of e-learning in music education in China based on the practical experience of different countries, and provides specific suggestions for further optimizing the practice of online music teaching.

Recently, there has been an increasing attempt to replace defect detection inspections in the manufacturing industry using deep learning techniques. However, obtaining substantial high-quality labeled data to enhance the performance of deep learning models entails economic and temporal constraints. As a solution for this problem, semi-supervised learning, using a limited amount of labeled data, has been gaining traction. This study assesses the effectiveness of semi-supervised learning in the defect detection process of manufacturing using the MixMatch algorithm. The MixMatch algorithm incorporates three dominant paradigms in the semi-supervised field: Consistency regularization, Entropy minimization, and Generic regularization. The performance of semi-supervised learning based on the MixMatch algorithm was compared with that of supervised learning using defect image data from the metal casting process. For the experiments, the ratio of labeled data was adjusted to 5%, 10%, 25%, and 50% of the total data. At a labeled data ratio of 5%, semi-supervised learning achieved a classification accuracy of 90.19%, outperforming supervised learning by approximately 22%p. At a 10% ratio, it surpassed supervised learning by around 8%p, achieving a 92.89% accuracy. These results demonstrate that semi-supervised learning can achieve significant outcomes even with a very limited amount of labeled data, suggesting its invaluable application in real-world research and industrial settings where labeled data is limited.