국내 주요 사회기반시설의 70% 이상이 철근콘크리트 구조물로 구성되어 있다. 최근 다양한 사회적ㆍ환경적 변화로 인한 내하력 저하 및 노후화 진행이 발생됨에 따라 섬유강화 복합소재(FRP)를 활용한 유지보수 수요 및 비용이 급격히 증가되 고 있다. 이에 따라 보다 경제적이고 효율적으로 FRP 보강재를 활용함에 있어서 성능을 예측할 수 있는 방법이 요구된다. 본 연구에서는 CFRPㆍBFRP 복합재료를 실험 대상으로 선정하고 성능을 결정하는 주요 인자인 섬유/수지 함침률을 54.3%, 43.9%, 39% 3가지로 분류하여 성능을 평가하고 이를 활용하여 FRP의 성능을 예측할 수 있는 모델식을 개발하고자 하였다. 매개변수에 따른 성능평가 결과, 두 섬유 모두 함침률이 낮아질수록 재료성능 또한 감소되는 것이 확인되었으며, 특히 BFRP의 경우 39%의 함침률에서 감소폭이 CFRP 대비 더 큰 것으로 나타났다. 실험 결과와 기존의 예측 모델식과의 성능 비교를 통해 약 15%의 오 차가 나타나는 것을 확인하였으며, 이에 따른 보정계수를 산정하여 예측 모델식을 재정립하였다.

세계 4대 실명질환 중 하나인 연령관련 황반변성(Age-related Macular Degeneration, ARMD)에 관한 실험 모델 논문을 검토하면서, ARMD 예방과 치료를 위해 앞으로 나아가야 할 방향을 제시하고자 한다. ARMD 관련 한 전반적인 논문을 세포실험(in vitro)과 동물실험(in vivo)으로 나누어서 점검하고, 현재 진행하고 있는 연구와 한계점에 대해서 살펴보았다. ARMD 발병기전을 연구하고 이를 치료하기 위한 다양한 연구가 진행중이지만, 현재 까지 ARMD를 치료할 수 있는 명확한 치료제는 존재하지 않는다. ARMD 발병기전에 대한 지속적인 연구가 필요 하고, ARMD 치료와 예방을 위해 활용할 수 있는 천연물 후보물질 발굴이 필요하다고 사료된다.

This study intends to present a traffic node-based and link-based accident prediction models using XGBoost which is very excellent in performance among machine learning models, and to develop those models with sustainability and scalability. Also, we intend to present those models which predict the number of annual traffic accidents based on road types, weather conditions, and traffic information using XGBoost. To this end, data sets were constructed by collecting and preprocessing traffic accident information, road information, weather information, and traffic information. The SHAP method was used to identify the variables affecting the number of traffic accidents. The five main variables of the traffic node-based accident prediction model were snow cover, precipitation, the number of entering lanes and connected links, and slow speed. Otherwise, those of the traffic link-based accident prediction model were snow cover, precipitation, the number of lanes, road length, and slow speed. As the evaluation results of those models, the RMSE values of those models were each 0.2035 and 0.2107. In this study, only data from Sejong City were used to our models, but ours can be applied to all regions where traffic nodes and links are constructed. Therefore, our prediction models can be extended to a wider range.

본 논문에서는 최근 가상환경을 통해 이용자간 실시간 상호작용이 용이한 것은 물론 온라인 콘텐츠도 쉽게 제공할 수 있는 메타버스(Metaverse) 플랫폼의 등장에 주목하고, 현재 교육 분야에 주로 활용되고 있는 주요 메타버스 플랫폼의 교육적 활용 상황 분석과 전문가 인터뷰 등을 통해 향후 사이버대학 교육에 활용하기 적합한 메타버스 기반의 교육 플랫폼을 제안한다. 본 연구를 통해 현재 교육 분야에 주로 활용되고 있는 주 요 메타버스 플랫폼의 경우에는 정규 학습관리 시스템을 지원하지 못하는 것이 가장 큰 한계로 분석되었으 며, 전문가 인터뷰를 통해서는 교수자 및 학습자 모두가 새로운 환경에 대한 거부감을 최소화하고 학습자들 의 지속적인 활용이 가능하도록 사용성 및 편의성 등이 고려되어 메타버스 기반의 원격 교육 플랫폼이 설 계가 이루어져야 할 것으로 도출되었다. 그밖에 AR/VR 등의 실험, 체험 중심의 학습기회 강화와 학습자들 간의 커뮤니케이션 및 협업 활동을 장려할 수 있는 기능이 확보될 경우 학습성과를 높일 수 있을 것으로 분석되었다. 분석된 요구사항 및 기능 제안 등을 토대로 본 연구에서는 기존의 사이버대학 원격 교육을 그 대로 지원하면서 메타버스 환경을 새롭게 지원하기 위한 사이트 뷰 관리 기능, 메타버스 관리 기능, AR/VR 콘텐츠 관리 기능 등이 추가된 메타버스 기반의 사이버대학 원격 교육 플랫폼 모델(MOEP4CU)을 제안한다.

PURPOSES : In this study, model-agnostic methods are applied for interpreting machine learning models, such as the feature global effect, the importance of a feature, the joint effects of features, and explaining individual predictions. METHODS : Model-agnostic global interpretation techniques, such as partial dependence plot (PDP), accumulated local effect (ALE), feature interaction (H-statistics), and permutation feature importance, were applied to describe the average behavior of a machine learning model. Moreover, local model-agnostic interpretation methods, individual conditional expectation curves (ICE), local surrogate models (LIME), and Shapley values were used to explain individual predictions. RESULTS : As global interpretations, PDP and ALE-Plot demonstrated the relationship between a feature and the prediction of a machine learning model, where the feature interaction estimated whether one feature depended on the other feature, and the permutation feature importance measured the importance of a feature. For local interpretations, ICE exhibited how changing a feature changes the interested instance’s prediction, LIME explained the relationship between a feature and the instance’s prediction by replacing the machine model with a locally interpretable model, and Shapley values presented how to fairly contribute to the instance’s prediction among the features. CONCLUSIONS : Model-agnostic methods contribute to understanding the general relationship between features and a prediction or debut a model from the global and/or local perspective, securing the reliability of the learning model.