본 연구는 초등학생의 골연령에 따라 군집화 시켜 각 군집 그룹의 체격, 체력 및 골성숙도를 분석하고 자료 분석을 통해 초등학생들의 균형적인 발달을 위한 기초자료를 제공하는 데 있다. 연구대상은 8세∼13세에 해당하는 2243명을 대상으로 하였으며 골성숙도 산출을 위해 X-ray필름을 촬영한 후 TW3 방법 점수 환산표에 적용시켜 골성숙도를 산출했다. 신장계(Hanebio, Korea, 2021)와 Inbody 270 (Biospace, Korea, 2019)를 사용하여 총 2개의 체격 요소를 측정하였으며, 체력은 근력(악력), 평형성(외발 서기), 민첩성(플랫테핑), 순발력(제자리멀리뛰기), 유연성(좌전굴), 근지구력(윗몸일으키기), 심폐지구력(셔 틀런)으로 총 7개 체력 요소의 종목을 측정하였다. 자료처리 방법은 SPSS PC/Program(Version 26.0)과 Britics Studio Tool을 이용하여 K-Means 클러스터링 기법, 교차분석, 일원변량분석(One-Way ANOVA) 을 실시하였으며, p< .05 수준에서 유의한 것으로 간주하였다. 본 연구의 결과는 다음과 같다. 첫째, 미숙, 보통, 조숙의 3가지 골성숙도를 사용하여 군집화한 결과, 군집 1(미숙)은 근력, 평형성, 민첩성에서 높게 나 타났다. 군집 2(보통)는 유연성에서 낮게 나타났으며, 군집 3(조숙)은 근력에서 높게 나타났다. 둘째, 초등 학생의 개인특성별 군집화에 따른 체격 차이를 분석한 결과, 신장, 체중, 체지방률 모두 군집 3(조숙)이 높 게 나타났다. 셋째, 초등학생의 개인특성별 군집화에 따른 체력 차이를 분석한 결과, 악력검사(좌, 우)는 군 집 3(조숙)이 높게 나타났고 외발서기의 경우 군집 1(미숙)이 높게 나타났으며, 제자리멀리뛰기의 경우 군 집 3(조숙)이 높게 나타났다.
본 연구는 D 대학을 중심으로 DEU-GRIT 검사를 활용하여 대학 신입생의 대학 생활 적응 특성을 분석하는데 그 목적이 있다. 이를 위해, 대학 신입생의 성별과 전공 분야에 따른 대학 생활 적응 수준의 차이를 살펴보고, 대학 생활 적응의 중요한 영역인 학업, 사회, 정서, 진로 적응의 수준을 기반으로 군집화된 대학 신입생의 대학 생활 적응 특성을 살펴보았다. 그리고 DEU-GRIT 검사 규준을 바탕으로 대학 신입생 중 적응에 어려움을 겪는 하위 규준집단을 따로 분류하여 이들의 대학 생활 적응 특성도 살펴보았다. 그 결과, 정서 적응 수준에서 남학생이 여학생에 비해 높은 것으로 나타났으며, 학업 적응과 정서 적응 수준에서 과학기술 전공 분야 학생이 인문사회 전공 분야 학생에 비해 높은 것으로 나타났다. 또한, 대학 생활 적응의 4개 영역 수준을 기준으로 군집 분석을 한 결과, 군집 1은 모든 영역의 적응 수준이 높았지만, 군집 3은 모든 영역의 적응 수준이 낮은 것으로 나타났다. 그리고 군집 2는 정서 적응 수준이 높았지만, 군집 4는 정서 적응 수준이 낮은 것으로 나타났다. 한편, DEU-GRIT 검사의 하위 규준집단에서는 학업 적응과 사회 적응 수준이 남학생보다 여학생에게서 높았으며, 대학 생활 적응 전체 및 학업 적응과 정서 적응 수준이 인문사회 전공 분야 학생보다 과학기술 전공 분야 학생에게서 높은 것으로 나타났다. 또한, 하위 규준집단의 대학 생활 적응의 4개 영역 수준을 기준으로 군집 분석 한 결과, 하위 규준집단 군집 1은 정서 적응 수준이 높았으며, 하위 규준집단 군집 2는 정서 및 진로 적응 수준은 낮고 학업 및 사회 적응 수준은 높은 것으로 나타났다. 그리고 하위 규준집단 군집 3은 모든 영역 수준이 낮았으며, 하위 규준집단 군집 4는 사회 및 정서 적응 수준이 낮고 학업 및 진로 적응 수준이 높은 것으로 나타났다. 이는 대학 신입생의 사회 및 정서 적응 측면에서 성별에 따라 맞춤화된 심리상담 프로그램의 개입이 필요하며, 전공 분야에 따라서는 취업 전망에 대한 기대의 높고 낮음에 따른 상대적 정서 개입의 필요성을 시사한다. 또한, 하위 규준집단의 대학 생활에서 정서 및 사회 적응은 대학 생활 적응의 보호 요인으로 작용할 가능성이 있어 이에 대한 구체적인 개입 방안을 고민할 필요가 있음도 시사한다.
In this paper, we consider curriculum mining as an application of process mining in the domain of education. The basic objective of the curriculum mining is to construct a registration pattern model by using logs of registration data. However, subject registration patterns of students are very unstructured and complicated, called a spaghetti model, because it has a lot of different cases and high diversity of behaviors. In general, it is typically difficult to develop and analyze registration patterns. In the literature, there was an effort to handle this issue by using clustering based on the features of students and behaviors. However, it is not easy to obtain them in general since they are private and qualitative. Therefore, in this paper, we propose a new framework of curriculum mining applying K-means clustering based on subject attributes to solve the problems caused by unstructured process model obtained. Specifically, we divide subject’s attribute data into two parts : categorical and numerical data. Categorical attribute has subject name, class classification, and research field, while numerical attribute has ABEEK goal and semester information. In case of categorical attribute, we suggest a method to quantify them by using binarization. The number of clusters used for K-means clustering, we applied Elbow method using R-squared value representing the variance ratio that can be explained by the number of clusters. The performance of the suggested method was verified by using a log of student registration data from an ‘A university’ in terms of the simplicity and fitness, which are the typical performance measure of obtained process model in process mining.
As Internet has been wildly spreaded and it's technique is advanced, the use of computers has been routinized and almost data are stored in computers. Accordingly, many companies and researchers have tried to find the relations in these tremendous data and the one way is to use clustering algorithm which is used to find out similar data set in the entire data set and to discover the common properties. In early period, clustering algorithm was performed based on a main memory of a computer and PAM(Partitioning Around Medoids) was representative, which can be complemented k-means algorithm defeat. PAM performs clustering by using the medoid of data instead of means. PAM works well in small data set but it is difficult to apply it to large data set. Therefore, CLARA(Clutering LARge Application) shows up to be used in large data set. This algorithm samples data from large data set and applies PAM to the sample data. CLARA has limits caused by the fixed samples in each clustering stage and has a problem that if the good mediod is not sampled then the result of the clustering becomes not good. CLARANS(Clustering Large Application based upon Randomized Search) overcomes these problems by drawing a sample with some randomness. This algorithm executes clustering using k mediod set extracted in the processing of clustering in each stage. The main objective is to compare and analyze the algorithms which are popularly used for the clustering of big data.
효율적인 악취관리를 위해서는 민원지역에서 발생한 악취를 분류하고, 그 악취원을 분 석해야 한다. 이를 위해서는 민원지역에서 발생한 악취를 나타낼 수 있는 악취대표패턴과 악취원의 냄새가 필요하다. 이에 본 논문에서는 민원지역의 악취분류를 위해 k-mean 알고리즘을 이용하여 악취데이 터에 대한 군집화를 수행하였다. 그 결과 생성된 악취대표패턴과 미리 측정된 악취원별 냄새와의 유사도를 비교하여 악취에 대한 분류를 수행하였다. 또한, 대기 중에서 여러 악 취가 섞였을 경우를 고려하여 non-negative least square를 이용하여 해당 악취에 대해 책임 이 있는 하나 이상의 악취원과 기여도를 추적하였다. 이러한 본 연구의 성과는 악취 관련 민원해결에 기여할 것으로 사료된다.