PURPOSES : This study aims to understand the characteristics of accidents involving autonomous vehicles and derive the causes of accidents from road spatial information through autonomous vehicle accident reports. METHODS : For this study, autonomous vehicle accident reports collected and managed by the CA DMV were used as data sources. In addition, spatial characteristics and geometric data for accident locations were extracted by Google maps. Based on the collected data, the study conducted general statistics, text embedding, and cross-analysis to understand the overall characteristics of autonomous vehicle accidents and their relationship with road spatial features. RESULTS : The analysis results for characteristics of autonomous vehicle accidents, applying statistical analysis and text embedding techniques, reveal that the damages caused by autonomous vehicle accidents are often minor, and approximately half of the accidents are triggered by other vehicles. It is noteworthy that accidents where autonomous vehicles are at fault are not uncommon, and when the cause of the accident is within the autonomous vehicle, the accident risk can increase. The accident analysis results using spatial data showed that the severity of accidents increases when on-street parking is present, when dedicated lanes for bicycles and buses exist, and when bus stops are present. CONCLUSIONS : Through this study, geometric and spatial elements that appear to have an impact on autonomous driving systems have been identified. The findings of this study are expected to serve as foundational data for improving the safety of autonomous vehicle operations in the future.

The construction industry stands out for its higher incidence of accidents in comparison to other sectors. A causal analysis of the accidents is necessary for effective prevention. In this study, we propose a data-driven causal analysis to find significant factors of fatal construction accidents. We collected 14,318 cases of structured and text data of construction accidents from the Construction Safety Management Integrated Information (CSI). For the variables in the collected dataset, we first analyze their patterns and correlations with fatal construction accidents by statistical analysis. In addition, machine learning algorithms are employed to develop a classification model for fatal accidents. The integration of SHAP (SHapley Additive exPlanations) allows for the identification of root causes driving fatal incidents. As a result, the outcome reveals the significant factors and keywords wielding notable influence over fatal accidents within construction contexts.

매년 해양활동이 증가하며 해양사고 발생빈도가 높아지고 있다. 이에 따라 해양안전을 위한 각종 연구 활동과 정책이 실행되고 있다. 하지만 이러한 노력에도 불구하고 매년 해양사고가 증가하고 있어 이들의 실효성에 대한 문제가 제기되고 있다. 문헌연구 결과에 따르면, 통계연보를 활용한 선행연구는 통계제공항목 간 비교를 통해 두드러지는 항목에 대한 예방책을 제시하고 있다. 2000년대 이후에는 대형 해양사고가 반복적으로 발생하면서 '사고대응'에 대한 사례연구(case study)가 진행되고 있다. 국내 해양안전을 위한 정책수립 연구과정에서 통계연보나 사고사례를 주 자료로 활용하고 있으나 현재 자료는 사후결과 요약정도의 수준이다. 따라서 본 연구에서는 해양 사고 사례분석 및 개선방안 관련 문헌연구를 통해 현행 해양관련 연구와 정책의 한계를 탐색하였다. 또한 자료 활용 한계를 개선하기 위한 방안의 일환으로 선박사고 상황보고서 속성분석, 텍스트 마이닝을 통해 해양사고 정보 분류체계인 온톨로지(ontology)를 수정 보완하였다. 해당 항목은 ‘신고자, 신고수단, 구조세력, 대응 조치사항, 대응취약성, 적재물, 유류유출경위, 피해유형, 사고처리결과’이며, 이 항목 들은 분류체계 표준용어를 활용해 향후 지속적으로 수집 활용할 수 있다. 마지막으로 온톨로지를 실질적으로 활용하기 위한 데이터 수집 및 품질확보 방안을 제시했다. 결과적으로 현재 해양안전이 직면한 문제를 명확히 파악하고 ‘품질이 확보된 충분한 정보’를 활용한다면 보다 다양한 연구와 실효성 있는 정책 실현이 가능할 것이다.

해양사고 감소를 위해 다양한 연구들이 수행되어 왔다. 그에 비해 준해양사고에 대한 연구는 미미한 수준에 그치고 있다.준해 양사고는 건수가 많은 대신 내용이 정성적이기 때문에 분석하기에는 현실적인 어려움이 있었다. 하지만 해양사고 감소를 위해서는 준해 양사고의 정량적인 분석이 필요하다. 이번 논문의 목적은 준해양사고 경향을 예측하고 해양사고를 감소시키기 위해 빅데이터 기법을 적용하여 준해양사고 데이터를 정량적으로 분석하는 것이다. 이를 위해 10,000여건의 준해양사고 보고서를 전처리 작업을 통해 통일된 양식 으로 정리하였다. 전처리된 데이터에 대해서 1차적으로, 텍스트마이닝 기법을 적용하여 항해 중 준해양사고 발생원인에 대한 주요 키워드를 도출하였다. 주요 키워드에 대해 2차로 시계열 및 클러스터 분석을 통해 발생할 수 있는 준해양사고 상황에 대한 경향 예측을 도출 하였다. 이번 연구에서는 정성적 자료인 준해양사고 보고서를 빅데이터 기법을 활용하여 정량화된 데이터로 전환할 수 있고, 이를 통해 통계적 분석이 가능함을 확인하였다. 또한 빅데이터 기법을 통해 차 후 발생할 수 있는 준해양사고에 대한 객관적인 경향을 파악함으로써 예방 대책에 대한 정보 제공이 가능함을 확인할 수 있었다.

본 연구의 목적은 새로운 사고의 위기가 국내 해양안전에 미치는 영향을 분석하기 위함이다. 새로운 사고 위기는 세계 해상운송에서 새롭거나 드물게 또는 예측하지 못한 사건들로부터 유추한 것으로 사전 연구에서 46명의 전문가를 통해서 식별한 것이다. 새로운 해양사고의 위기를 식별하기 위하여 해양안전심판원(KMST)의 통계 데이터를 계산에 사용하였고, IMO의 공식안정성평가기법인 위기지수(RI) = 빈도지수(FI) + 심각성지수(SI)의 개념을 계산에 적용하였다. 통계적인 사고 데이터로부터 FI와 SI의 가중치를 계산한 후 가장 순위가 높은 시나리오를 식별하고 새로운 사고 위기와 시나리오 사이의 관계를 분석하였다. 분석 결과, 가장 순위가 높은 시나리오의 근본적인 원인은 “첨단기술 개발”이었고, 그 결과 “화물 작업 시간 단축”이 발생하는 것으로 나타났다. 이러한 결과는 사전 연구에서 46명의 전문가에 의해 식별한 “영업 경쟁” 및 “선원 문제” 등과 차이가 있음을 보였다.

본 연구에서는 국내의 공시된 545종의 위험유해물질의 국제 해상운송위험물 코드를 포함한 다양한 물질 고유번호들을 수집하고 물질정보와 위험성에 대해 조사한 후, 이미 개발된 미국, 일본, 유럽형 데이터베이스를 참고하여, 해상 운송되는 국내 HNS의 물질정보와 폭발성과 부식성을 포함한 거동특성에 대한 자료를 취합한 한국형 위험유해물질 데이터베이스를 구축하였다. 또한 기존 육상 환경위주의 위험유해물질의 데이터베이스의 문제점과 혼합물 위험유해물질의 물질정보의 부재를 포함한 해결해야할 문제점을 보고하였다. 해양유출사고에 대비한 데이터베이스의 구조를 국내 해양환경에 맞는 기본모델을 구축하고 추후 확장 데이터베이스 구성에 대한 개선안을 제시하였다.

새롭게 개정된 2015 교육과정에서 정보 교과는 중학교에서 필수 교과로 지정되어 학생들의 컴퓨팅 사고력과 협력적 문제 해결력을 개발하도록 장려한다. 이에 따라 많은 연구자들이 관련 연구들을 진행하고 있다. 여러 간행물들, 연구 논문들 및 교사들의 인식을 검토한 결과 컴퓨팅 사고 수업에서 알고리즘 및 코딩에 중점을 두고 있었다. 컴퓨팅 사고는 컴퓨터를 사용하여 문제를 해결 하는데 필수적인 사고 과정이다. 그러나 사고력 활동이 미리 구조화된 문제에 의해 제약받는 측면이 많이 있음을 관찰할 수 있었다. 본 연구에서는 이러한 문제를 해결하기 위해 구조화되지 않은 열린 문제를 제공함으로써 데이터 활용 능력(data literacy)을 강조한 문제해결 수업을 제안하였다. 또한 데이터 활용 능력 강조 수업이 기존의 구조화된 문제를 활용한 수업에 비하여 학습동기와 학업성취도에 통계적으로 유의한 효과가 있음을 검증하였다. 따라서 컴퓨팅 사고 기반의 문제해결 수업에서 미리 구조화된 문제를 프로그래밍 하는데 초점을 맞춘 수업보다 데이터 활용 능력을 증진하는 문제해결 활동을 활용한 수업이 보다 효과적임을 밝힐 수 있었다.