This study quantitatively analyzes the inter-sectoral linkages of emerging security based on the network of Sustainable Development Goals (SDGs) in North Korea's Voluntary National Review Report (VNR) using Social Network Analysis (SNA). As a result of the analysis, North Korea's overall linkage score for each emerging security sector was high in the following order: health security (7.8), environmental security (5.9), food security (5.4), and energy security (4.0). This refers to the degree of interconnectivity with other security sectors. The ranking of security with high connectivity by the emerging security sector is as follows. Food security was in the order of environment > health > energy security, health security was in the order of environment > food security, energy security was in the order of health > environment > food security, and environmental security was highly connected in the order of health > energy > food security. This quantitative analysis indicates the importance of emerging security sectors and the need for mutual linkage in North Korea's SDGs implementation strategy. This will help set priorities for future cooperation in emerging security areas between North and South Korea and seeking organic linkage plans for each security sector.

Engineering design involves making numerous decisions as the design process. These decisions can be broadly categorized into selection decisions and compromise decisions. The outcomes of these decisions heavily depend on the designer's intentions, highlighting the need to systematically and accurately incorporate the designer's intentions. The Analytic Hierarchy Process (AHP) is a design technique that systematically reflects the designer's intentions by hierarchically analyzing and evaluating ambiguous decision problems. Therefore, in this study, effective optimal structure designs that maximally reflect the designer's intentions were confirmed by introducing AHP (Analytic Hierarchy Process) and Neural Network into the foundational decision-making process of engineering design.

본 연구에서는 빅데이터를 통해 교사의 융합교육역량에 대한 사회적 인식을 살펴봄으로써 교사의 융합 교육역량 증진 방안 마련을 위한 기초자료를 제공하는데 목적이 있었다. 본 연구목적을 달성하기 위해 Textom에서 제공하는 빅데이터를 활용하여 􍾧교사 + 융합교육 + 역량􍾨을 키워드로 rawDATA를 수집하였 다. 수집된 데이터는 1차􌝆2차 정제과정을 마친 데이터들 중 빈도분석 결과를 바탕으로 200개 핵심 키워드 를 선정하였으며, 이를 1-모드 매트릭스 데이터 셋으로 변환하여 키워드 네트워크 분석을 실시하였다. 연 구결과는 다음과 같다: 첫째, 빈도분석에서는 교육, 인공지능, 강화, 연수, 수업이 가장 빈번하게 출현하는 것으로 나타났다. 둘째, 전체 네트워크 분석에서는 교육, 학생, 연수, 강화, 대상이 모든 중심성에서 높게 나타났다. 셋째, 에고 네트워크 분석에서는 교사, 융합교육, 역량을 중심으로 다양하게 논의되고 있음을 확 인할 수 있었다. 이러한 결과를 바탕으로 교사의 융합교육역량과 관련된 후속연구 및 증진방안에 대해 제 언하였다.

The purpose of this study is to identify the major peacekeeping activities that the Korean armed forces has performed from the past to the present. To do this, we collected 692 press releases from the National Defense Daily over the past 20 years and performed topic modeling and social network analysis. As a result of topic modeling analysis, 112 major keywords and 8 topics were derived, and as a result of examining the Korean armed forces's peacekeeping activities based on the topics, 6 major activities and 2 related matters were identified. The six major activities were 'Northeast Asian defense cooperation', 'multinational force activities', 'civil operations', 'defense diplomacy', 'ceasefire monitoring group', and 'pro-Korean activities', and 'general troop deployment' related to troop deployment in general. Next, social network analysis was performed to examine the relationship between keywords and major keywords related to topic decision, and the keywords ‘overseas’, ‘dispatch’, and ‘high level’ were derived as key words in the network. This study is meaningful in that it first examined the topic of the Korean armed forces's peacekeeping activities over the past 20 years by applying big data techniques based on the National Defense Daily, an unstructured document. In addition, it is expected that the derived topics can be used as a basis for exploring the direction of development of Korea's peacekeeping activities in the future.

본 논문에서는 대규모 실시간 매칭의 생존 게임에서 플레이를 위한 유저들의 소셜 관계에 대해 연구한다. 특 히 “사전 팀 구성”을 통한 자의적인 팀 구성이 어떤 방식으로 유저들을 연결하는 지 연구하고자 한다. 다수 의 사람 간 집단 역학에서 나타나는 특성이나 패턴에 대한 조사를 중심으로 하였으며, 개인의 특성은 보조적 인 수단으로만 사용된다. 이번 연구에서는 게임을 플레이하는 유저들의 익명화 된 대규모 데이터를 활용하며 이에 대한 간소화된 집계 방법을 제안한다. 데이터 세트에는 사전 팀 구성에 관한 11,259만 줄의 속성이 포 함되어 있으며, 데이터에서 우리는 250만개의 노드와 1,182만개의 무방향 에지가 있는 협업 네트워크를 구성 하여 대규모 게임 내 협동 네트워크를 만듭니다. 연결 정도, 경로 길이, 클러스터링 및 소속 하위 컴포넌트의 크기 등 네트워크에 관한 수치를 통해 게임내 소셜 활동에 대한 이해를 높이고자 한다. 본 논문에서는 다음 의 두가지 특성을 중심으로 결론을 제시한다. 첫째, 네트워크 내에는 대규모로 연결된 2개(전체의 44% 및 2%)와 나머지의 파편화된 하위 컴포넌트로 구성 되어있다. 이 대규모 컴포넌트 중 작은 쪽은 한국 유저로만 구성되어 있다. 둘째, 컴포넌트 크기 별 평균 연결 거리와 군집화 계수, k-core를 확인함으로써 기타 다른 네 트워크 대비 이웃 간 연결이 강하면서 전체적으로는 비교적 멀리 떨어져 있음을 확인한다.

본 연구는 네트워크 이상 감지 및 예측을 위해 벡터 자기회귀(VAR) 모델의 사용을 비교 분석한다. VAR 모 델에 대한 간략한 개요를 제공하고 네트워크 이상 체크로 사용 가능한 두 가지 버전을 검토하며 두 종류의 VAR 모델을 통한 경험적인 평가를 제시한다. VAR-Filtered moving-common-AR 모델이 단일 노드 이상 감지 성능에서 우수하며, VAR-Adaptive Learning 버전은 몇 개의 노드 간 이상을 효과적으로 식별하는 데 특히 효 과적이며 두 가지 주요VAR 모델의 전반적인 성능 차이에 대한 근본적인 이유도 분석한다. 각 기술의 장단점 을 개요로 제공하고 성능 향상을 위한 제안도 제시하고자 한다.

Effects-Based Operations (EBO) refers to a process for achieving strategic goals by focusing on effects rather than attrition-based destruction. For a successful implementation of EBO, identifying key nodes in an adversary network is crucial in the process of EBO. In this study, we suggest a network-based approach that combines network centrality and optimization to select the most influential nodes. First, we analyze the adversary’s network structure to identify the node influence using degree and betweenness centrality. Degree centrality refers to the extent of direct links of a node to other nodes, and betweenness centrality refers to the extent to which a node lies between the paths connecting other nodes of a network together. Based on the centrality results, we then suggest an optimization model in which we minimize the sum of the main effects of the adversary by identifying the most influential nodes under the dynamic nature of the adversary network structure. Our results show that key node identification based on our optimization model outperforms simple centrality-based node identification in terms of decreasing the entire network value. We expect that these results can provide insight not only to military field for selecting key targets, but also to other multidisciplinary areas in identifying key nodes when they are interacting to each other in a network.

해상교통관제센터(VTS)의 관제사는 구역 내 교통 상황을 빠르고 정확하게 파악하여 관제가 필요한 선박에게 정보를 제공하는 역할을 수행한다. 그러나 교통량이 급격히 증가하는 경우 관제사의 업무 부하로 인해 관제 공백이 발생하기도 한다. 이러한 이유에서 관 제사의 업무 부하를 줄이고, 일관성 있는 관제 정보를 제공할 수 있는 관제 지원 기술의 개발이 필요한 실정이며, 본 논문에서는 구역 내 이상 운항 선박을 자동으로 식별하는 모델을 제안하였다. 제안하는 이상 운항 식별 모델은 규칙 기반 모델, 위치 기반 모델, 맥락 기반 모 델로 구성되며, 대상 해역의 교통 특성에 최적화된 교통 네트워크 모델을 사용하는 특징이 있다. 구현된 모델은 시범센터(대산항 VTS)에 서 수집되는 실해역 데이터를 적용하여 실험을 수행하였다. 실험을 통해 실해역의 다양한 이상 운항 상황이 자동으로 식별됨을 확인하였 고, 전문가 평가를 통해 식별 결과를 검증하였다.

이 연구는 위성사진을 활용하여 건설지점의 기대풍속을 예측하기 위한 인공신경망 방법론을 제안한다. 제안된 방법은 기존 의 엔지니어의 판단을 대체하여, Auto-Encoder를 사용해 지형적 특성을 정량화하고, 이를 바탕으로 대상지점과 유사한 지역의 관측소 풍속 데이터를 선형 조합해 기대 풍속을 예측한다. 또한, 머신러닝과 인공신경망을 활용한 종단간 풍속 예측 모델을 제안하고, 성능을 비교 분석하였다. 그 결과 관측소의 풍속 데이터의 선형 조합보다는 종단간 모델을 구성하는 방법이 더 높은 정확도를 보였으며, 특히 Graph Neural Network (GNN)이 Multi-Layer Perceptron (MLP)에 비해 상당히 우수한 예측 성능을 나타내었다.

목적: 본 연구는 남성 척수손상 환자들을 대상으로 사회연결망 분석을 활용하여 작업연결망의 구조를 분석하는 데 목적이 있다. 연구방법: 연구대상은 남성 척수손상 환자 12명이다. 대상자들의 작업연결망 구조는 사회연결망 분석을 활용하였 으며, 연결망 분포에 대한 지표와 중심성에 대한 지표로 구분하여 분석하였다. 연결망 분포에 대한 지표는 밀도, 평균 연결정도, 평균 거리, 포괄성, 고립노드를 분석하였다. 중심성에 대한 지표는 연결정도 중심성과 매개 중심성을 분석하였다. 일상생활 활동의 항목은 지역사회 건강조사 활동항목을 활용하여 조사하였으며, 활동에 대한 강도는 만족도로 설정하였고, 10점 척도로 조사하여 적용하였다. 결과: 연결망 특성에서 밀도는 60%, 평균 연결정도는 8.40, 평균 거리 1.40, 포괄성 100%, 고립노드 0으로 나타났다. 중심성 분석 결과 내향 연결정도 중심성과 외향 연결정도 중심성 모두 참여활동, 개인건강관리, 교제활동의 순으로 높게 나타났다. 매개 중심성 분석 결과 개인건강관리, 교제활동, 여가활동 순으로 높게 나타났다. 결론: 본 연구에서는 사회연결망 분석을 활용하여 척수손상 환자들의 작업수행에 대한 구조와 그 특성을 파악하였다. 본 연구에서 분석한 결과는 척수손상 환자들의 일상 속에서 만족감을 지니며 수행하고 있는 작업수행의 구조를 의미한다. 이에, 본 연구결과는 척수손상 환자들이 자신의 일상을 더욱 의미 있게 구성하고, 작업수행에 적극적으로 참여할 수 있는 근거로서 활용할 수 있는 중요한 의미와 가치를 지니며, 임상적으로 의미를 지닌다. 이에, 본 연구 결과는 척수손상 환자들의 재활과정에서 작업수행에 대한 참여를 확대하고, 영역별 확장을 유도할 수 있는 기초자료로서 활용할 수 있을 것으로 판단된다.

본 연구의 목적은 재료분야 국내 공동특허의 공동 출원인 정보를 이용하여 연구협력 네트워크의 구조, 특징, 진화를 탐구하는 것이다. 이를 위해 재료 기술분야(금속, 세라믹, 고분자 등 6개 기술분야) 및 혁신주체(산업계, 학계, 연구계)의 네트워크 구조 및 동태를 정량적으로 분석하며, 2010년∼2021년까지 한국의 공동특허 데이터를 활용하여 소셜 네트워크 분석(SNA)을 사용한다. 분석결과, 재료분야는 세부기술별로 네트워크의 차별점이 존재하며, 산업계, 학계, 연구계 등 혁신주체별 협력 강도의 명백한 단계별 특성을 가진다. 연구협력 네트워크의 규모는 점차 확장되어 ‘작은 세계’ 구조를 보여주고 있다. 본 연구를 통해 재료 정책 관점에서 지금까지 시행된 재료분야 산학연 협력 정책의 효과를 파악하는데 정책적 시사점을 제공함과 동시에, 보다 효과적인 재료 혁신주체 간의 네트워크를 구축하기 위한 근거 기반의 정책 수립에 도움이 될 수 있다.

A new annual dose evaluation system called E-DOSE has been developed. The system is based on the methodology of the previous version, K-DOSE60, which uses the dose evaluation methods of the International Commission on Radiological Protection (ICRP-60). However, E-DOSE is coded in ABAP to be compatible with the KHNP’s enterprise resource planning (ERP) system, SAP. This allows E-DOSE to use the real-time data from SAP, which minimizes the need for user intervention. The socio-environmental data, which was previously managed by the staff of each plant sites, can now managed in the system in a centralized manner. This is a significant improvement over the previous system, as it reduces the risk of errors and makes it easier to track and manage data. The system also automatically generates the reports required by regulations. EDOSE is expected to minimize the occurrence of human errors in preparing and managing the input data. This is because the system uses the data from SAP, which is less prone to errors than manually entered data. Additionally, the automatic generation of reports reduces the risk of errors in report preparation. E-DOSE is also expected to improve work efficiency. This is because the system automates many of the tasks involved in annual dose evaluation, such as data entry, calculation, and report generation. Overall, E-DOSE is a significant improvement over the previous annual dose evaluation system. It is more efficient, accurate, and user-friendly.

Conducting a TSPA (Total System Performance Assessment) of the entire spent nuclear fuel disposal system, which includes thousands of disposal holes and their geological surroundings over many thousands of years, is a challenging task. Typically, the TSPA relies on significant efforts involving numerous parts and finite elements, making it computationally demanding. To streamline this process and enhance efficiency, our study introduces a surrogate model built upon the widely recognized U-network machine learning framework. This surrogate model serves as a bridge, correcting the results from a detailed numerical model with a large number of small-sized elements into a simplified one with fewer and large-sized elements. This approach will significantly cut down on computation time while preserving accuracy comparable to those achieved through the detailed numerical model.

증산은 적정 관수 관리에 중요한 역할을 하므로 수분 스트레스에 취약한 토마토와 같은 작물의 관개 수요에 대한 지식이 필요하다. 관수량을 결정하는 한 가지 방법은 증산량을 측정하는 것인데, 이는 환경이나 생육 수준의 영향을 받는다. 본 연구는 분단위 데이터를 통해 수학적 모델과 딥러닝 모델을 활용하여 토마토의 증발량을 추정하 고 적합한 모델을 찾는 것을 목표로 한다. 라이시미터 데이터는 1분 간격으로 배지무게 변화를 측정함으로써 증산 량을 직접 측정했다. 피어슨 상관관계는 관찰된 환경 변수가 작물 증산과 유의미한 상관관계가 있음을 보여주었다. 온실온도와 태양복사는 증산량과 양의 상관관계를 보인 반면, 상대습도는 음의 상관관계를 보였다. 다중 선형 회귀 (MLR), 다항 회귀 모델, 인공 신경망(ANN), Long short-term memory(LSTM), Gated Recurrent Unit(GRU) 모델을 구 축하고 정확도를 비교했다. 모든 모델은 테스트 데이터 세트에서 0.770－0.948 범위의 R2 값과 0.495mm/min－ 1.038mm/min의 RMSE로 증산을 잠재적으로 추정하였다. 딥러닝 모델은 수학적 모델보다 성능이 뛰어났다. GRU 는 0.948의 R2 및 0.495mm/min의 RMSE로 테스트 데이터에서 최고의 성능을 보여주었다. LSTM과 ANN은 R2 값이 각각 0.946과 0.944, RMSE가 각각 0.504m/min과 0.511로 그 뒤를 이었다. GRU 모델은 단기 예측에서 우수한 성능 을 보였고 LSTM은 장기 예측에서 우수한 성능을 보였지만 대규모 데이터 셋을 사용한 추가 검증이 필요하다. FAO56 Penman-Monteith(PM) 방정식과 비교하여 PM은 MLR 및 다항식 모델 2차 및 3차보다 RMSE가 0.598mm/min으로 낮지만 분단위 증산의 변동성을 포착하는 데 있어 모든 모델 중에서 가장 성능이 낮다. 따라서 본 연구 결과는 온실 내 토마토 증산을 단기적으로 추정하기 위해 GRU 및 LSTM 모델을 권장한다.