This study explores modern portfolio theory by integrating the Black-Litterman portfolio with time-series clustering, specificially emphasizing K-shape clustering methodology. K-shape clustering enables grouping time-series data effectively, enhancing the ability to plan and manage investments in stock markets when combined with the Black-Litterman portfolio. Based on the patterns of stock markets, the objective is to understand the relationship between past market data and planning future investment strategies through backtesting. Additionally, by examining diverse learning and investment periods, it is identified optimal strategies to boost portfolio returns while efficiently managing associated risks. For comparative analysis, traditional Markowitz portfolio is also assessed in conjunction with clustering techniques utilizing K-Means and K-Means with Dynamic Time Warping. It is suggested that the combination of K-shape and the Black-Litterman model significantly enhances portfolio optimization in the stock market, providing valuable insights for making stable portfolio investment decisions. The achieved sharpe ratio of 0.722 indicates a significantly higher performance when compared to other benchmarks, underlining the effectiveness of the K-shape and Black-Litterman integration in portfolio optimization.

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.

이 글은 연구소 기반 집단 연구군의 DB 구축 현황과 쟁점을 확인하고자 기 획된 것으로, 연구소 기반 집단 연구군 중에서도 인문한국플러스(HK+)지원사 업단의 사업 성과를 중심으로 논의하였다. 대학 부설 연구소의 경우 집단 연구 과제를 수주하여 연구를 진행하는데, 이 글에서는 인문한국플러스(HK+)지원사 업을 진행하고 있는 연구소를 연구대상으로 삼아 인문학연구의 사회적 확산이 라는 취지에 맞춰 연구가 어떠한 방향으로 전개되고 있는지 살피는 동시에 이 들 연구소에서 진행하고 있는 DB 구축 현황을 중점적으로 검토해보았다. 이에 2장에서는 먼저 집단 연구군 인문한국플러스(HK+)지원사업단을 전체 적으로 개관하는 동시에 DB 구축 양상을 검토하였다. 이어서 3장에서는 DB 구축 양상을 세 가지 형태로 구분하여 논의하였는데, 첫 번째로는 인문기초학문 분야의 아젠다 중심 DB 구축 양상을 분석하였다. 인문기초학문분야의 연구를 수행하는 연구소의 경우 대부분 문학, 역사, 철학 등의 기초 인문학 연구 역량 을 강화하는 데 초점을 맞추고 있으므로 각 연구소에서 상정한 아젠다(Agenda) 를 중심으로 DB를 구축하고 있음을 확인하였다. 두 번째로는 인문한국플러스 (HK+)지원사업을 수행하는 연구소들 가운데 연구 필요에 의해 그리고 학문에 대한 기여를 목적으로 자체적으로 디지털 사전을 편찬해 데이터를 시각화하고 있음을 확인하였다. 개인연구군에서 해결할 수 없는 방대한 자료의 집대성, 그 중에서도 가장 많은 시간과 공력을 요구하는 디지털 사전 편찬이라는 작업이 연구소 기반 집단연구군에 의해 시도되고 또 결과물로 도출되었다는 점에서 의 미가 있다고 생각된다. 세 번째로는 해외지역분야의 DB 구축 양상을 살피는 동 시에 해외 자료 수집이 가지는 의미에 대해서도 논의하였다. 이에 해외 지역학 중심의 연구가 진행되고 있으며, 문화, 정치, 경제, 사회 등의 제 분야를 망라하 여 해외 지역학 그 자체에 관심을 두고 자료를 수집함으로써 우리 학계에서 용 이한 연구가 가능하도록 DB를 구축하고 있음을 확인하였다. 이 글은 각 연구소에서 구상하고 또 시행하고 있는 인문한국플러스(HK+) 지원사업 가운데 DB관련 대표 성과를 예시로 제시하면서 향후 디지털 인문 학이 나아가야 할 방향을 그려보고자 한 것이다. DB의 경우 학문의 발전에 이바지할 수 있는 기본 토대 자료임에도 불구하고 연구소 중심 사업 성과가 종합적으로 제시된 바 없으므로 이 글에서는 DB 성과를 중심으로 분석해 발 전 방향성을 모색하고자 하였다. 주제어: 인문한국플러스(HK+)지원사업, 집단 연구군, 연구소, 데이터베이 스, 아젠다, 디지털 인문학.

‘지역사회 계속거주(AIP: Aging in Place)’는 자율적이고 독립적인 노년의 삶을 원하는 노인들의 욕구 와 노인시설 운영비용 부담을 줄이고자 하는 정부의 필요성이 부합되면서 인구 고령화에 대처하는 새로운 패러다임으로서 주목받으며 활발히 논의되고 있다. AIP에 관한 국내외의 다양한 연구들은 AIP가 노년기의 삶의 질에 긍정적인 영향을 미치고 있음을 주장하는데, 이는 노인이 자립적으로 생활할 수 있는 사회환경이 제공되었을 때 가능하다. 본 연구는 사람이 살아가는데 가장 기본적인 필수 의료와 임종기 완화의료 및 돌봄 등의 실태를 점검하고 AIP 관련 정책의 현행 법령과 제도를 살펴봄으로써, 국가와 지방정부의 책무는 무엇이며 향후 그 책무를 충실히 이행하기 위한 실효적 방안들은 무엇인지에 관하여 제언한다.

This study selected two labor-intensive processes in harsh environments among domestic food production processes. It analyzed their improvement effectiveness using 3-dimensional (3D) simulation. The selected processes were the “frozen storage source transfer and dismantling process” (Case 1) and the “heavily loaded box transfer process” (Case 2). The layout, process sequence, man-hours, and output of each process were measured during a visit to a real food manufacturing factory. Based on the data measured, the 3D simulation model was visually analyzed to evaluate the operational processes. The number of workers, work rate, and throughput were also used as comparison and verification indicators before and after the improvement. The throughput of Case 1 and Case 2 increased by 44.8% and 69.7%, respectively, compared to the previous one, while the utilization rate showed high values despite the decrease, confirming that the actual selected process alone is a high-fatigue and high-risk process for workers. As a result of this study, it was determined that 3D simulation can provide a visual comparison to assess whether the actual process improvement has been accurately designed and implemented. Additionally, it was confirmed that preliminary verification of the process improvement is achievable.

인공지능은 4차 산업혁명의 프레임이 소개된 이후 점차 보편적인 기술로 자리를 잡아가고 있으며, 인공지능 관련 특허 출원도 크게 증가하고 있다. 최근에는 특허 생태계가 출원 건수 위주의 양적 경쟁에서 고품질의 특허 확보라는 질적 경쟁으로 패러다임이 변화되면서, 저품질 특허로 인한 비용 손실에 관심이 높아지고 있다. 이러한 배경으로 본 연구에서는 머신러닝과 Doc2Vec 알고리즘을 활용하여 특허 품질을 예측하는 방법을 제안하고자 한다. 본 연구를 위해 WIPO에서 정의한 CPC 코드를 활용하여 미국 특허청(USPTO)에 등록된 인공지능 관련 특허 데이터를 추출하였고, 이를 통해 정형 데이터 기반 19개 변수, 비정형 데이터 기반 7개 변수를 개발하였다. 특히, 새롭게 제안하는 Doc2Vec 알고리즘을 이용한 제목과 초록 텍스트 유사도 변수는 고품질 특허를 예측하는데 영향을 미칠 것으로 판단된다. 이에 유사도 변수의 효과를 확인하기 위해 유사도 변수를 포함한 앙상블 기반 머신러닝 모델과 포함하지 않은 모델을 개발하여 비교하였다. 실험 결과, 유사도 변수를 포함한 모델이 AUC 0.013, f1-score 0.025가 높게 나타나 더 우수한 성능을 보였다. 이는 유사도 변수가 고품질 특허 예측에 기여한다는 것을 시사한다. 또한, SHAP을 이용하여 블랙박스 형태의 머신러닝 변수 영향도를 설명하였다. 본 연구를 통해 핵심 기술 분야인 인공지능과 같은 영역에서 특허의 품질을 예측하고, 고품질 특허 개발을 장려함으로써 사회적 가치를 실현하는 데 기여할 수 있을 것으로 기대한다.