본 연구의 목적은 천문영역에서 STAD 모형의 협동학습이 고등학생들의 학업 성취도와 과학적 태도에 미치는 영향을 밝히는데 있다. 본 연구의 또 다른 목적은 천문영역에 있어서 향상 점수에 근거한 협동 학습과 교사 주도로 수업이 이루어지는 전통적 학습 사이의 영향을 비교해 보는 것이다. 본 연구는 인천시 소재 일반계 고등학교 1학년 남학생 2개 반을 대상으로 하였다. 협동학습 집단의 학생들은 협동학습 방법으로 주당 4시간씩 4주 동안 수업을 받았다. 협동학습을 받는 동안에 학생들은 매주 ‘태양계 탐사와 별’ 단원에 대한 형성 평가를 받았다. 그 결과, 위의 두 가지 접근 방법은 학생들의 천문학적 지식에 있어서 상당히 다른 영향을 주었으며, 학생들이 전통적인 학습방법보다는 협동적인 학습방법에 보다 긍정적인 과학적 태도를 취하는 것을 보여주고 있다. 결론적으로 협동 학습은 천문학적 지식의 학습과 과학적 태도에 있어서 전통적인 학습보다 보다 효과적이고 긍정적인 것으로 나타났다.

This study aims at giving effective suggestions for future Earth Science Education by making a theoretical teaching-learning model for inquiry science. The main subject of this study is to establish the learning system, educational goal and guide theory of Earth Science Education. Through above mentioned, following suggestions are presented: (1) The experiments and observations should be more emphasized than lectures in Earth Science Education. (2) It is necessary to retrain Earth Science teachers in order to improve their ability to guide the student's experiments. (3) Well designed laboratory equipments and kids of good quality and resonable price should be supplied. (4) Every teacher should work on positive line, extending the range of information through participating in the Korean Earth Science Education society, Earth Science meetings and various science education seminars.

Radioactive wastes, including used nuclear fuel and decommissioning wastes, have been treated using molten salts. Electrochemical sensors are one of the options for in-situ process monitoring using molten salts. However, in order to use electrochemical sensors in molten salt, the surface area must be known. This is because the surface area affects the current of the electrode. Previous studies have used a variety of methods to determine the electrode surface area in molten salts. One method of calculating the electrode surface area is to use the reduction current peak difference between electrodes with known length differences. The method is based on the reduction peak and has the benefit of providing long-term in-situ monitoring of surfaces immersed in molten salt. A number of assumptions have been made regarding this method, including that there is no mass transport by migration or convection; the reaction is reversible and limited by diffusion; the chemical activity of the deposit should be unity; and species should follow linear diffusion. For the purpose of overcoming these limitations, a variety of machine learning algorithms were applied to different voltammogram datasets in order to calculate the surface area. Voltammogram datasets were collected from multiarray electrodes, comprising a multiarray holder, two tungsten rods (1 mm diameter) working electrodes, a quasi-reference electrode, and a counter electrode. The multiarray electrode holder was connected to the auto vertical translator, which uses a servo motor, for changing the height of the rod in the molten salts. To make big and diverse data for training machine learning models, various concentrations of corrosion products (Cr, Fe) and fission products (Eu, Sm) in NaCl-MgCl2 eutectic salts were used as electrolyte; electrolyte temperatures were 500, 525, 550, 575, and 600°C. This study will demonstrate the potential of utilizing machine learning based electrochemical in situ monitoring in molten salt processing.

Surveillance plays a crucial role in safeguards. Reviewing surveillance data requires a significant number of inspection manpower. As the number of surveillance cameras increases, the demand for such manpower is expected to grow even more. Recently, in the field of security, there has been a development of deep learning models that automatically detect abnormal events from video images, and their usage is expanding. In this study, we used an AutoEncoder-based semi-supervised learning model, which can detect unexpected abnormal events, to detect anomalies in the UCSDped2 dataset and in simulating safeguards-related event videos taken at Dry Mockup facility of KAERI. To improve the model performance, we transformed the video images into two parts: the appearance part, which are sequences of video image frames, and the motion part, which are the pixel value differences of consecutive video frames. In addition, we added memory module to the bottle neck of the AutoEncoder model, and skip connection to enhance the model performance. To evaluate the model performance, we proposed a new evaluation index, which is adequate to the video images of safeguards surveillance in addition to the widely used AUC (Area Under the ROC Curve).

In this study, the positions of Cs-137 gamma ray source are estimated from the plastic scintillating fiber bundle sensor with length of 5 m, using machine learning data analysis. Seven strands of plastic scintillating fibers are bundled by black shrink tube and two photomultiplier tubes are used as a gamma ray sensing and light measuring devices, respectively. The dose rate of Cs-137 used in this study is 6 μSv·h−1. For the machine learning modeling, Keras framework in a Python environment is used. The algorithm chosen to construct machine learning model is regression with 15,000 number of nodes in each hidden layer. The pulse-shaped signals measured by photomultiplier tubes are saved as discrete digits and each pulse data consists of 1,024 number of them. Measurements are conducted separately to create machine learning data used in training and test processes. Measurement times were different for obtaining training and test data which were 1 minute and 5 seconds, respectively. It is because sufficient number of data are needed in case of training data, while the measurement time of test data implies the actual measuring time. The machine learning model is designated to estimate the source positions using the information about time difference of the pulses which are created simultaneously by the interaction of gamma ray and plastic scintillating fiber sensor. To evaluate whether the double-trained machine learning model shows enhancement in accuracy of source position estimation, the reference model is constructed using training data with one-time learning process. The double-trained machine learning model is designed to construct first model and create a second training data using the training error and predetermined coefficient. The second training data are used to construct a final model. Both reference model and double-trained models constructed with different coefficients are evaluated with test data. The evaluation result shows that the average values calculated for all measured position in each model are different from 7.21 to 1.44 cm. As a result, by constructing the double-trained machine learning model, the final accuracy shows 80% of improvement ratio. Further study will be conducted to evaluate whether the double-trained machine learning model is applicable to other data obtained from measurement of gamma ray sources with different energy and set a methodology to find optimal coefficient.

일본의 영토 도발 행위는 점점 심해지고 아직 해결점을 찾지 못하고 있는 것이 현실이며, 이러한 도발 행위는 교육 분야에서도 진행되고 있다. 이에 영토교육의 필요성이나 방향성에 관한 연구가 지속적으로 이루어져 왔다. 영토교육의 선행연구를 토대로 영토교육의 방향성을 살펴보면 첫째, 영토교육은 인지적 영역의 교육 외에 정의적·기능적 영역의 교육이 수반되어 세 가지 영역의 조화가 필요하다. 둘째, 배타적 민족주의에 비롯된 감정적인 측면의 교육에서 초국가적 차원의 지리적 사고력과 분석력의 배양과 공존과 번영을 위한 문제해결력을 기르는 방향으로 가야 한다. 셋째, 영토교육이 실제 수업에서 어떤 내용으로 어떻게 가르칠 것이냐에 대한 교수-학습모형 개발이 무엇보다 필요하다. 본 연구에서 2015 사회과 교육과정 고등학교 한국지리의 내용 체계와 2015 개정 교육 과정 고등학교 한국지리 3종의 교과서를 분석하여 독도교육 교수-학습 모형을 구안하였다. 이 모형에 따라 실제 수업에서 실현될 수 있는 지식·이해 중심의 교수-학습 지도안, 가치·태도 중심의 교수-학습 지도안, 기능·실천 중심의 교수-학습 지도안을 개발하여 제 안하였다. 지식·가치·기능이라는 영역별 분류에 따라, 각 교수-학습 지도안마다 중점적으 로 배양하고자 하는 영역을 중심으로 지도안을 설계하였다. 하지만, 모든 교수-학습 지도 안에서 추구하는 점은 같다. 배타적인 민족주의적 감성에 의한 교육이 아닌, 객관적 자료를 통한 지리적 분석력과 비판력을 기르고, 초국가적 차원의 의사결정력과 문제해결력을 기르는 데 중점을 두었다.

본 연구에서는 잠재성장모형을 적용하여 청소년의 학업성취도 발달궤적에서 개인차를 검증하고, 자기조절학습전략이 학업성취도의 발달궤적에 미치는 영향을 분석하였다. 연구자료는 한국교 육개발원의 『한국교육종단연구2013』 패널 데이터 2차년도(2014)∼5차년도(2017년) 4년간 6,033명 으로부터 수집한 자료이다. 주요 연구결과는 다음과 같다. 첫째, 청소년의 학업성취도 발달에 개인 차가 있었다. 청소년기에 나타나는 학업성취도 발달패턴은 동일하지 않았으며, 학생들의 개인차에 따라 발달의 양상이 달라졌다. 둘째, 청소년의 자기조절학습전략이 학업성취도의 발달궤적에 미치는 영향을 분석하였는데, 자기효능감은 학업성취도에 정적 영향을 미쳤으며, 학년이 올라갈수록 지속해서도 정적 영향을 미쳤다. 인지조절전략은 학업성취도에 유의미한 영향을 미치지 못하였다. 행동조절전략은 학업성취도에 부적 영향을 미쳤다. 한편, 학년이 올라갈수록 학업성취도 향상에는 아무런 영향을 미치지 못했다. 이와 같은 연구결과는 청소년의 학업성취도를 향상하기 위하여 효과적인 자기조절학습전략을 가르칠 수 있는 체계적인 교육프로그램의 마련이 필요함을 시사한다.

딥러닝 모델은 주어진 학습용 데이터에서 탐지하고자 하는 물체의 특징을 추출하기 때문에, 딥러닝 모델 학습을 위한 학습용 데이터 구축은 매우 중요하다. 본 연구에서는 균열을 탐지하는 딥러닝 모델의 성능을 향상시키기 위해, 실제 콘크리트 구조물이나 아스팔트 도로 표면에서 자주 발견될 수 있는 나뭇가지, 거미줄, 전선 등을 학습 데이터에 자동으로 포함시키고, negative 영역으로 분류하는 알고리즘을 개발하였다. 제안된 알고리즘을 사용하여 학습된 딥러닝 모델을 실제 도로 표면에 발생한 균열 탐지에 적용하여 실제 균열 탐지에 사용될 수 있음을 보였다.

최근 사회기반시설(SOC)의 증가와 노후화에 따라 기존의 인력중심의 육안검사를 기반으로 한 안전점검은 경제성과 안전성, 효율성 면에서 한계를 가지고 있다. 본 연구에서는 육안점검의 한계를 개선하기 위해 딥러닝 모델 기반 물체를 탐지하는 기술을 활용하여 터널 콘크리트 균열을 자동으로 탐지하는 기술을 개발하였으며, 이를 실제 터널 영상에 적용하여 그 성능을 검증하였다.

Last few years, many researches on deep learning-based crack detection model have been reported in order to develop an efficient structure inspection method. While developing crack detection deep learning model, many research results reported the importance of the training data. Since most of the research results only qualitatively discussed the importance of training data, this study examine the influence of the training data by experiment, especially in the case of negative samples such as construction joint, spider web and concrete blocks.

본 연구는 물리적 수리·수문모형의 적용이 제한적인 감조하천에서의 수위예측을 목적으로 하고 있으며, 이를 위해 한강 잠수교를 대상으로 딥러닝 오픈소스 소프트웨어 라이브러리인 TensorFlow를 활용하여 LSTM 모형을 구성하고 2011년부터 2017년까지의 10분 단위의 잠수교 수위, 팔당 댐 방류량과 한강하구 강화대교지점의 예측조위 자료를 이용하여 모형학습(2011~2016) 및 수위예측(2017)을 수행하였다. 모형 매개변수는 민감도 분석을 통해 은닉층의 개수는 6개, 학습속도는 0.01, 학습횟수는 3000번로 결정하였으며, 모형 학습 시 학습정보의 시간적 양을 결정하는 중요한 매개변수인 시퀀스길이는 1시간, 3시간, 6시간으로 변화시키며 모의하였다. 최종적으로 선행시간에 따른 모의 예측능력을 평가하기 위해 LSTM 모형의 예측 선행시간을 6개(1 ~ 24시간)로 구분하여 실측수위와 예측수위와의 비교·분석을 수행한 결과, LSTM 모형의 최적의 성능을 내 는 결과는 시퀀스길이를 1시간으로 하였을 때로 분석되었으며, 특히 선행시간 1시간에 대한 예측정확도는 RMSE는 0.065 m, NSE는 0.99로 실 측수위에 매우 근접한 예측 결과를 나타내었다. 또한 시퀀스길이에 상관없이 선행시간이 길어질수록 모형의 예측 정확도는 2017년 전기간에 걸쳐 평균적으로 RMSE 0.08 m에서 0.28 m로 오차가 증가하였으며, NSE는 0.99에서 0.74로 감소하였다.

한국형 e-Navigation의 내항성 안전 모듈은 운항 중인 선박을 실시간으로 모니터링하고 내항성의 이상 상태를 사전에 경고함으로써 선박의 안정성을 확보하는 선내 원격 모니터링 서비스 중 하나이다. 일반적으로 선박설계를 위한 내항성능은 주어진 조건에서 선체 운동 시뮬레이션을 수행하여 평가하여 왔다. 하지만 운항 중 선박의 내항성능을 실시간으로 평가하기 위해 이러한 시뮬레이션을 실제 운항조건에 맞추어 수행하는 것은 계산시간의 한계로 인해 현실적이지 않다. 본 연구에서는 기계학습 기반의 근사모델을 활용하여 선박의 내항성능 평가 요소들 중 하나인 횡동요 운동특성을 합리적으로 보다 빠르게 예측하는 방법을 소개하고자 한다. 다양한 학습 기법과 데이터의 샘플링 조건을 적용하여, 얻어진 근사모델의 결과와 운동해석 결과의 오차가 거의 1% 내로 일치함을 보였다. 따라서 이러한 방법을 활용하면 선박의 실시간 내항 성능을 평가하는데 효율적으로 사용할 수 있을 것으로 판단된다.