During the reign of King Sejong in the Joseon Dynasty (1433-1438), the Daegyupyo (large gnomon) was produced. The Daegyupyo, with a crossbar (horizontal bar), was used to observe the length of the gnomon’s shadow cast by the sun passing at the meridian. The shadow of this crossbar can be obtained using a measurable device called the Yeongbu (shadow definer). These Daegyupyo and Yeongbu are described in detail in the “Treatise on Astronomy” of Yuan History or “Celestial Spheres and Globes” of Jega-Yeoksang-Jjp (Collected Discourses on the Astronomy and Calendrical Science of the Chinese Masters). According to Jega-Yeoksang-Jjp, the Yeongbu had a structure similar to a door attached to its frame. A pinhole is located in the center of a copper leaf corresponding to the door of the Yeongbu. The image of the sun’s meridian transit and the shadow of the crossbar through the pinhole are projected onto the surface of the Daegyupyo’s ruler stone. Unlike the width and length of the Yeongbu, the height of the Yeongbu is not recorded. This research analyzed the height of the Yeongbu required to maintain the constant distance from the pinhole to the ruler stone surface. Based on these assumptions, it was estimated that 8 to 13 Yeongbu of different heights would be needed for observations using the Daegyupyo in Seoul. To accommodate the need for Yeongbu of various heights, this study proposed a model for a stackable Yeongbu with an adjustable height.

Given the hazards posed by black ice, it is crucial to investigate the conditions that contribute to its formation. Two ensemble machinelearning algorithms, Random Forest (RF) and Extreme Gradient Boosting (XGBoost), were employed to forecast the occurrence of black ice using atmospheric data. Additionally, explainable artificial intelligence techniques, including Feature Importance (FI) and partial dependence Plot (PDP), were utilized to identify atmospheric conditions that significantly increase the likelihood of black ice formation. The machinelearning algorithms achieved a forecasting accuracy of 90%, demonstrating reliable performance. FI analysis revealed distinct key predictors between the algorithms: relative humidity was the most critical for RF, whereas wind speed was paramount for XGBoost. The PDP analysis identified the specific atmospheric conditions under which black ice was likely to form. This study provides detailed insights into the atmospheric precursors of frost/fog-induced black ice formation. These findings enable road managers to implement proactive winter road maintenance strategies, such as optimizing anti-icing patrol routes and displaying warnings on various message signs, thereby enhancing road safety.

A seismic intensity map, which describes ground motion distribution due to an earthquake, is crucial for disaster evaluation after the event. The ShakeMap system, developed and disseminated by the USGS, is widely used to generate intensity maps in many countries. The system utilizes a semi-variogram model to interpolate the measured intensities at seismic stations spatially. However, the default semi-variogram model embedded in ShakeMap is based on data from high seismic regions, which may not be suitable for the Korean Peninsula, categorized as a low-to-moderate seismic region. To address this discrepancy, this study aims to develop the region-specific semi-variogram model using local records and a region-specific ground motion model (GMM). To achieve this, we followed these steps: 1) collected records from significant earthquake events in South Korea, 2) calculated residuals between the observed intensities and predictions by the GMM, and 3) created semi-variogram models using weighted least squares regression to better fit short separation distances for PGA, PGV, SA0.2, and SA1.0. We compared the developed semi-variogram models with conventional models embedded in ShakeMap. Validation tests showed that the region-specific semi-variogram model reduced the mean squared error of intensity predictions by approximately 3.5% compared to the conventional model.

Reinforced concrete (RC) columns exhibit cyclic damage, such as strength degradation, under cyclic lateral loading, such as earthquakes. Considering the cyclic damage, the nonlinear load-deformation response of RC columns can be simulated using a lumped plasticity model. Based on an experimental database, this study calibrates lumped plasticity model parameters for 371 rectangular and 290 circular RC columns. The model parameters for adequate flexural rigidity, plastic rotation capacity, post-capping rotation capacity, moment strength, and cyclic strength degradation parameter are adjusted to match each experimentally observed load-deformation response. We have developed predictive equations that accurately relate the model parameters to the design characteristics of RC columns through regression analyses, providing a reliable tool for engineers and researchers. To demonstrate their application, the proposed and existing models numerically simulate the earthquake response of a bridge pier in a metropolitan railway bridge. The pier is subjected to several ground motions, increasing intensity until collapse occurs. The proposed lumped plasticity model showed about 41% less vulnerable to collapse.

Truss structures, widely used in engineering, consist of straight members transferring axial forces. Traditional analysis methods like FEM and the Force Method become computationally expensive for large-scale and nonlinear problems. Surrogate models using Artificial Neural Networks (ANNs), particularly Physics-Informed Neural Networks (PINNs), offer alternatives but require extensive training data and computational resources. Variational Quantum Algorithms (VQAs) address these challenges by leveraging quantum circuits for optimization with fewer parameters. Variational Quantum Circuits (VQCs) based on Quantum Neural Networks (QNNs) utilize quantum entanglement and superposition to approximate high-dimensional data efficiently, making them suitable for computationally intensive tasks like surrogate modeling in structural analysis. This study applies QNNs to truss analysis using 6-bar and 10-bar planar trusses, assessing their feasibility. Results indicate that residual-based loss functions enable QNNs to make reliable predictions, with increased layers improving accuracy and a higher Q-bit count contributing to performance, albeit marginally.

Automated structural design methods for reinforced concrete (RC) beam members have been widely studied with various techniques to date. Recently, artificial intelligence has been actively applied to various engineering fields. In this study, machine learning (ML) is adopted to make automated structural design model for RC beam members. Among various machine learning methods, a supervised learning was selected. When a supervised learning is applied to development of ML-based prediction model, datasets for training and test are required. Therefore, the datasets for rectangular and t-shaped RC beams was constructed by commercial structural design software of MIDAS. Five supervised learning algorithms, such as Decision Tree (DT), Random Forest (RF), K-Nearest Neighbor (KNN), Artificial Neural Networks (ANN), eXtreme Gradient Boosting (XGBoost) were used to develop the automated structural design model. Design moment (Mu), design shear force (Vu), beam length, uniform load (wu) were used for inputs of structural design model. Width and height of the designed section, diameter of top and bottom bars, number of top and bottom bars, diameter of stirrup bar were selected for outputs of structural design model. Performance evaluation of the developed structural design models was conducted using metrics sush as root mean square error (RMSE), mean square error (MSE), mean absolute error (MAE), and coefficient of determination (R2). This study presented that random forest provides the best structural design results for both rectangular and t-shaped RC beams.

본 연구의 목적은 통합사회에서 요구되는 역량인 장애감수성을 함양할 수 있는 시민교육으로서의 건강권 교육을 개발하는 것을 목적으로 한다. 연구방법은 이제까지의 장애인식개선을 위한 교육이 비장애인을 대상으 로 한 장애체험 위주의 교육이었다는 문제의식을 기반으로 실행연구를 선택함으로써 건강권 교육 프로그램을 실행하고 평가하였다. 연구결과는 장애의 재해석을 기반으로 한 본 건강권 교육 프로그램은 장애에 대한 단순한 정보 전달이 아닌, 체험과 성찰을 통해 장애를 새롭게 이해하고 장애인에게 공감하는 역량을 형성하는 데 성공적이었다. 융복합 접근의 교육적 결과는 다학제로 구성된 교육과정과 팀티칭 수업이 장애인의 건 강을 사회모델과 의료모델이라는 이분법이 아닌) 다각도로 이해할 수 있 다는 점에서 긍정적이었으나, 교수자의 지속적 상호작용을 통해 연계에 좀 더 노력을 기울일 필요가 있었다. 장애인의 건강하고 풍요로운 삶을 위한 대안을 모색하기 위해서는 다학제간 융복합적 지원이 필요하다. 또 한 장애인의 요구를 수렴하고 전문적인 해결책을 함께 고민할 수 있는 장애인과 비장애인 간 상호작용이 지속적으로 필요하다는 점을 확인할 수 있었다.

This study is a preliminary investigation into a method for updating analytical models using actual vibration measurement data to improve the reliability of the seismic performance evaluations. The research was conducted on 26 models with various parameters, aiming to develop an optimal analytical model that closely matches the natural frequencies of the actual building. By identifying the dynamic characteristics of the target building through vibration measurements taken just before the demolition of the structure, the natural frequency analysis results of the analytical models were compared to the measured data. Based on this comparison, an optimized method for adjusting the parameters of the analytical models was derived. Throughout the analysis, various parameters were adjusted, and the eigenvalue analysis results were corrected by comparing them with vibration measurements. Among the comparative analytical models, the model with the lowest error rate was selected. The results showed that, in all cases, the analytical model with a concrete compressive strength of 16 MPa (based on actual measurements), pin boundary conditions, and an idealized strip footing cross-section had the closest match to the actual building's natural frequencies, with an average error of less than 8%.

Defense Modeling & Simulation (M&S) techniques are used for developing the efficiency and economics of national defense at operational level so that it maintains interoperability and reusability in sustainability for the following process of the war simulation. However, the lack of conceptual models was one cause of limiting the interoperability and reusability in defense M&S areas. In this paper, the Conceptual Model of the Mission Space (CMMS) is studied as preliminary process for the defense M&S. The conceptual modeling framework called CMMS-K (Conceptual Model of the Mission Space-Korea) is suggested using a case example in consideration of the Korean Army specification and characteristics. The practicality of CMMS-K is evaluated through the ontology development for military scenarios. It is expected that the gap between the theoretical approach and the practical perspective of defense M&S can be diminished through the use of these approaches.

This study aims to improve the interpretability and transparency of forecasting results by applying an explainable AI technique to corporate default prediction models. In particular, the research addresses the challenges of data imbalance and the economic cost asymmetry of forecast errors. To tackle these issues, predictive performance was analyzed using the SMOTE-ENN imbalance sampling technique and a cost-sensitive learning approach. The main findings of the study are as follows. First, the four machine learning models used in this study (Logistic Regression, Random Forest, XGBoost, and CatBoost) produced significantly different evaluation results depending on the degree of asymmetry in forecast error costs between imbalance classes and the performance metrics applied. Second, XGBoost and CatBoost showed good predictive performance when considering variations in prediction cost asymmetry and diverse evaluation metrics. In particular, XGBoost showed the smallest gap between the actual default rate and the default judgment rate, highlighting its robustness in handling class imbalance and prediction cost asymmetry. Third, SHAP analysis revealed that total assets, net income to total assets, operating income to total assets, financial liability to total assets, and the retained earnings ratio were the most influential factors in predicting defaults. The significance of this study lies in its comprehensive evaluation of predictive performance of various ML models under class imbalance and cost asymmetry in forecast errors. Additionally, it demonstrates how explainable AI techniques can enhance the transparency and reliability of corporate default prediction models.

This study presents a novel methodology for analyzing disease relationships from a network perspective using Large Language Model (LLM) embeddings. We constructed a disease network based on 4,489 diseases from the International Classification of Diseases (ICD-11) using OpenAI’s text-embedding-3-small model. Network analysis revealed that diseases exhibit small-world characteristics with a high clustering coefficient (0.435) and form 16 major communities. Notably, mental health-related diseases showed high centrality in the network, and a clear inverse relationship was observed between community size and internal density. The embedding-based relationship analysis revealed meaningful patterns of disease relationships, suggesting the potential of this methodology as a novel tool for studying disease associations. Results suggest that mental health conditions play a more central role in disease relationships than previously recognized, and disease communities show distinct organizational patterns. This approach shows promise as a valuable tool for exploring large-scale disease relationships and generating new research hypotheses.

생성형 인공지능의 급속한 발전은 사회 전반에 광범위한 영향을 미치며, 일상생활을 포함한 다양한 분야 에 활용되고 있다. 본 연구에서는 인공지능 기술의 발전 동향을 대규모 언어모델(Large Language Models, LLM)을 중심으로 살펴보고 생성형 인공지능 기반 솔루션이 정치 및 공공 부문의 효율성과 서비스 최적화 에 기여하고 있음을 확인하였다. 본 연구는 미국, 싱가포르, 인도 등의 사례분석을 통해 인공지능 도구가 선거의 확장성과 시민과의 상호작용 개선에 역할 할 수 있다는 것을 주장한다. 동시에, 대규모 언어모델의 실사용 과정에서 제기되는 편향성, 허위정보 확산, 규제 공백 등의 쟁점들을 고찰할 필요가 있음을 지적한 다. 요컨대, 생성형 인공지능은 민주주의 발전과 공공서비스 증진에 대한 가능성을 제공하지만, 기술의 지속 가능하고 적실한 활용을 위해 투명성, 공정성과 책임성을 고려한 사용이 요구된다.

고속도로 2차 사고는 선행 사고(1차 사고) 또는 전방 고장 차량에 의해 교통흐름이 변화된 상황에서 발생하는 사고로, 이에 대한 효과적인 교통안전 관리전략이 필요하다. 그러나 일반사고에 비해 데이터 표본이 부족하여 신뢰성 있는 대응 전략 수립에 어려움이 있다. 본 연구는 고속도로에서 발생하는 2차 사고의 발생 주요 요인을 식별하고 예측하기 위해 BERT(Bidirectional Encoder Representations from Transformers) 기반 텍스트 분석 모델과 전통적 머신러닝 모델 (XGBoost, RandomForest, CatBoost)을 비교하였다. 교통사고 세부기록, 원클릭 속보자료 등 비정형 텍스트 및 정형 데 이터를 수집하고 1차 사고에 관한 시공간적 동적 변수를 통합하여 인공지능 기반의 사고 예측 프레임워크를 구축하였다. 특히, BERT 기반 모델을 통해 교통사고 문맥 정보를 고려하여 단어 삽입 및 대체 기법에 따른 2차사고 데이터 표본을 보완하였다. 또한, 설명가능한 AI(XAI) 기법을 활용하여 주요 사고 요인의 기여도를 시각적으로 해석하고 사고 예방 및 정책 수립에 필요한 정보를 제공하였다. 연구 결과, 제안된 하이브리드 접근법 기반 연구 프레임워크는 높은 정확도의 2 차 사고 발생 가능성 예측에 효과적이며, 교통사고관리시스템의 신뢰성과 효율성 향상에 핵심적인 기여를 할 것으로 기 대된다.

본 연구는 레드오션화된 K-Pop 걸그룹 시장에서 새로운 차별화 전략의 방향성을 모색하고자 했다. 이를 위해 2023년 10월 데뷔한 영파씨 (YOUNG POSSE)의 사례를 ERRC 모델을 통해 분석했다. 연구 방법으로는 내용분석과 심층 인터뷰를 실시했다. 분석 결과, 영파씨는 '제거' 측면에서 걸그룹의 전통적 이미지와 대중적 음악 문법을 과감히 제거했다. '청순함', '귀여움', '섹시함'과 같은 정형화된 콘셉트 대신 '악동 같은', '장난기 넘치 는' 이미지를 구축했으며, 이지 리스닝(Easy-Listening)이나 후크송(Hook Song) 위주의 음악 대신 정통 힙합의 다양한 하위 장르를 실험했다. '감소 ' 측면에서는 음악방송 활동 기간을 6~8주에서 3~4주로 축소하고, SNS 활 동과 이미지 보정을 최소화하는 전략적 선택을 했다. '증가' 측면에서는 멤 버들의 음악 제작 참여도를 획기적으로 높여 데뷔 앨범부터 전원이 작사에 참여했으며, 힙합 문화에 대한 깊이 있는 이해를 바탕으로 한국과 미국의 힙합을 자연스럽게 융합했다. '창조' 측면에서는 '역사적 오마주'라는 독창 적인 음악적 접근법을 개발하고, '스트릿 크레딧(Street Credit)'을 평가 기 준으로 도입했다. 본 연구는 레드오션화 되고 있는 K-Pop 걸그룹 시장에 서 장르적 전문성과 문화적 진정성을 통한 차별화 가능성을 제시했다는 점 에서 의의가 있다.

최근 ChatGPT로 대표되는 인공지능의 급격한 발전은 인공지능 에 대한 낙관과 비관이 엇갈리는 가운데 기독교 선교가 새롭고도 실제적 인 방향을 모색해야 할 필요성을 제기했다. 이를 위해 본 연구는 행위자 -네트워크 이론을 주요 이론적 틀로 활용하여 인공지능을 단순한 도구가 아닌 인간과 상호작용하는 행위자로 인식한다. 이러한 관점에서 현재 인공지능 기술의 최전선에 있는 거대 언어 모델의 기술적 특성과 작동원리를 상세히 분석하여 인공지능이 인간과 맺는 관계에 주목한다. 이러한 이해를 토대로 인공지능과의 선교적 접점을 모색하기 위한 방안은 첫째, 인공지능을 선교 현장으로 인식하는 것, 둘째, 인간에게만 주어진 선교적 삶을 사는 것. 셋째, 인공지능을 선교사역의 협력자로 받아들이는 것, 넷째, 오픈소스 거대 언어 모델을 활용한 선교적 목적의 인공지능을 개발하는 것이다. 본 연구는 인공지능 시대의 기독교 선교 가 단순히 인공지능을 도구로 활용하는 차원을 넘어, 인공지능과의 협력적 관계를 통해 새로운 선교의 지평을 열어가야 함을 제안한다. 이는 데이비드 보쉬가 주장한 것처럼, 선교는 각 시대의 변화에 따라 새로운 패러다임으로 변화되어야 한다는 관점에 기반한다.

본 연구는 2021년부터 2024년까지 수행한 해양치유 리빙랩을 토대로 산업적 초기 단계에 있는 해양치유 프로그램 운영모델의 최적 모형을 제시하는 연구이다. 해양치유 문헌조사와 기술 수요 조사를 통해 주민들의 건강 관련 이슈, 치유프로그램에 대한 니즈 등을 분석하고 이를 토대로 해양치유 프로그램을 개발하고 프로그램 운영모델을 기획하였다. 리빙랩에 적용한 해양치유 프로그램은 자원활용 요법과 전문 해양치유 프로그램인 마린아트테라피, 마린힐링테라피 그리고 지역 특성화 해양치유 프로그램이다. 사용자 맞춤형 해양치유 서비스 제공을 위해 충남 태안(서해안), 전남 완도(남해안), 경북 울진(동해안)에서 5회에 걸쳐 리빙랩을 운영하였으며, 해양치유 리빙랩 참가자들을 대상으로 프로그램 효과성 평가와 만족도 조사를 실시하였다. 리빙랩 운영 결과를 바탕으로 해양치유 운영모델을 고도화하였 으며, 전문가 자문을 거쳐 해양치유 프로그램과 운영모델을 완성하였다. 해양치유 프로그램을 통해 스트레스 경감, 우울감 완화, 근골격 계 통증 완화, 수면의 질 개선, 피부 상태 개선, 체지방 감소와 같은 효과를 기대할 수 있음을 확인하였다. 본 연구에서 제시하고 있는 해 양치유 프로그램 운영모델은 프로그램 운영에 관한 내용으로 한정되어 있으며, 가이드라인 성격이 강하므로 향후 구체적인 치유 목적별 해양치유 프로그램 개발이 필요하다. 또한 해양치유센터 개관을 앞두고 최적 비즈니스 운영 방안을 마련할 때, 지역별 수요와 여건, 시장 환경 변화 등을 탄력적으로 반영하여 종합적인 비즈니스 모델을 개발할 필요가 있다.

본 연구는 중소형 내항여객선의 운항 성능을 효율적으로 평가할 수 있는 실용적인 한국형 성능 평가 모델을 제안한다. 국제 선박성능평가 표준 ISO19030은 대형 선박에 적합한 평가 기준을 제공하지만, 중소형 내항여객선에 적용할 경우 복잡한 절차와 높은 비용 이 발생한다. 문제를 해결하기 위해 엔진성능, 추진성능, 연료효율을 주요 지표로 설정하고, 로그북 데이터와 AIS 항적 데이터를 활용하여 성능 변화를 분석하였다. 실증 분석 결과, 제안된 평가 모델은 중소형 내항여객선에 적합한 실용적 도구로서 유효성이 입증되었으며, ISO19030보다 간단하고 경제적인 대안임이 확인되었다. 상가검사와 유지보수 활동이 성능 회복에 중요한 역할을 한다는 사실이 밝혀졌 고, RPM 조정이 성능 개선에 중요한 요인임도 확인되었다. 조류, 풍향, 화물량 등의 외부 요인을 충분히 반영하지 못한 한계가 있지만, 후 속 연구를 통해 변수들을 고려하면 평가 모델의 신뢰성과 정확성이 높아질 것으로 기대된다.