Governments around the world are enacting laws mandating explainable traceability when using AI(Artificial Intelligence) to solve real-world problems. HAI(Human-Centric Artificial Intelligence) is an approach that induces human decision-making through Human-AI collaboration. This research presents a case study that implements the Human-AI collaboration to achieve explainable traceability in governmental data analysis. The Human-AI collaboration explored in this study performs AI inferences for generating labels, followed by AI interpretation to make results more explainable and traceable. The study utilized an example dataset from the Ministry of Oceans and Fisheries to reproduce the Human-AI collaboration process used in actual policy-making, in which the Ministry of Science and ICT utilized R&D PIE(R&D Platform for Investment and Evaluation) to build a government investment portfolio.

This paper discusses the limitations of the current practices of English reading assessment in the Korean educational context based on the concept of 'cognitive validity.' It then introduces the Evidence-centered Design (ECD) model as a framework that can guide English teachers and test developers in developing a reading assessment. The paper illustrates how the framework can be applied to the assessment formats and practices widely used in Korean middle and high schools. The ECD framework can help English teachers reconsider reading assessment practices commonly implemented in Korea. The framework contributes to enabling them to focus on the three critical, interrelated questions: what ability to measure with what task(s), how to score students' responses, and how to interpret the test results. Teachers' conscious application of the ECD framework would lead to a more valid and theoretically more sound reading assessment. Such an assessment is expected to align better with teaching and eventually bring a positive washback in English language learning.

지난 12월 10일 데이터기반행정법 시행으로 데이터시대의 증거기반정책으로서의 데이터기반정책이 본격화되고 있다. 본 논문은 증거기반정책 법을 시행한 미국의 사례, 디지털경제법을 기초로 공공데이터를 정책에 적극적으로 활용하고 있는 영국의 사례를 비교·분석하고 우리나라 데이터기반행정법의 지속적 발전을 위한 함의를 제시하는 것을 목적으로 하였다. 미국의 증거기반정책법은 연방정부의 평가계획과 밀접 관련이 있는 ‘증거구축활동’과 관련하여 전략계획과 평가계획, 증거구축을 위한 평가관 및 통계관, 데이터자문위원회 등을 규정하고 있다. 또한 동법은 연 방정부가 생산하는 공공데이터의 활용과 관련하여 OPEN 정부데이터법 을 다뤄 개방데이터계획을 포함한 전략적 정보자원관리계획, 기관의 데이터 목록, 연방정부 데이터 자산의 대국민 단일 창구, 데이터 사용과 보호, 제공, 생산과 관련된 모범사례를 선정하고 기관 간 데이터 공유 협정을 촉진하는 위원회 등을 규정하며, 학습 지향의 정부조직의 구축을 목적으로 하여, ‘정책평가’와 ‘정책질문’을 중시한다. 영국의 행정데이터연구는 공공데이터를 활용한 정책연구 네트워크로 접근하고 있다. 행정데이 터연구는 2012년 재무부의 빅데이터 계획의 일환으로 출발하였고, 개정 된 2017년 디지털경제법은 연구자들이 안전한 방식으로 정부 데이터에 접근하는 법적 근거를 제공하고 있어, 행정데이터를 연구자가 활용할 수 있도록 한다는 명확한 목적을 가지고 있다. 행정데이터연구는 정부와 학계를 연결하는 다리 역할을 하며, 학계와의 파트너십을 중심으로 내부 거버넌스 및 정부와의 적극적인 협력을 중시하고 있다. 영국은 공공데이 터의 중요성에 대하여 인식하고, 통계기관이 데이터 허브 기능을 수행하 고 있다. 이러한 각국의 데이터기반정책 관련 법·제도 분석을 토대로 한국의 데이터기반행정법의 역할과 향후 방향성에 일정한 함의를 제시하였다.

본 연구의 목적은 중학교 영재 학생들이 수행한 증거 기반 추론의 특징을 조사하는 것이었다. 연구를 위한 자료는 수도권에 위치한 한 대학교의 영재 교육원에서 중학교 영재 학생들이 비대면 방식으로 진행한 탐구 과제를 통해 수집되었다. 학생들에게 수성의 최대 이각을 관측한 자료를 제공하고 이 자료를 이용하여 수성의 공전 궤도를 작도하게 하였다. 또, 작도 전에 수성의 궤도에 대한 자신의 가설을 진술하게 하였으며 작도 결과를 증거로 삼아 수성 궤도의 모양을 추론하게 하였다. 학생들이 제출한 보고서의 내용을 분석하여 수성의 공전 궤도 모양에 관한 판단 유형을 5가지로 분류하고 가설 및 증거에 관한 추론 유형을 4가지로 분류한 후, 판단 유형에 따른 증거 기반 추론의 특징을 정리하였다. 분석 결과를 토대로, 증거 기반 추론에서는 증거에 대한 적절한 해석이 중요하고, 이론과 증거의 조화가 핵심적인 역할을 하며, 복수의 가설을 상정하는 것이 유리할 수 있음을 논의하였고, 지구과학 교육을 위한 시사점을 제안하였다.

범죄는 유형마다 원인이 다르기에 범죄유형별 교정프로그램도 달라야 하며 재사회화 준비, 그리고 그에 대한 최종 평가 기준도 달라야 한다. 그러나 안타깝게도 현재의 가석방 심사기준을 살펴보면 가석방이 그 범죄 원인이나 재범위험성을 합리적으로 평가하지 못하는 것이 아니라, 여전히 형기단축의 차원에서 호혜적으로 진행되는 절차로 보인다. 범죄유형이나 원인에 대한 평가가 부재한 채 가석방 결정이 이루어지기 때문이다. 본 연구는 가석방 결정에 범죄유형이 고려되는지 검증하기 위하여 총 477건의 보호 관찰 대상자들의 정보를 수집하였다. 수집자료는 보호관찰 사안조사서이고, 그 안에서 개인적 요인, 법적 요인, 범죄유형, 교도소 생활요인 등을 선별하여 독립변수로 사용 하였다. 종속변수는 잔형기간과 잔형비율을 활용하였다. 분석방법은 위계적 회귀분석 방식을 활용하였다. 결과에 따르면 잔형비율을 중심으로 분석하였을 때, 심리와 건상 상태가 안 좋은 수형자들이 상대적으로 빠른 비율로 가석방되었고, 잔형기간을 중심으로 살펴보았을 때에는 법원에서 선고한 형량이 높은 수형자가 빨리 가석방 되었다. 두 종속변수에서 중복적으로 유의미한 변수는 벌횟수였고, 벌횟수가 적을수록 빨리 가석방되었다. 결과에 대한 더욱 심층있는 논의와 정책적 함의는 본문을 통해 논의하 도록 한다.

This paper presents a probabilistic head tracking method, mainly applicable to face recognition and human robot interaction, which can robustly track human head against various variations such as pose/scale change, illumination change, and background clutters. Compared to conventional particle filter based approaches, the proposed method can effectively track a human head by regularizing the sample space and sequentially weighting multiple visual cues, in the prediction and observation stages, respectively. Experimental results show the robustness of the proposed method, and it is worthy to be mentioned that some proposed probabilistic framework could be easily applied to other object tracking problems.