‘음악 감상과 비평’은 분석적인 음악 감상을 통한 학생들의 사고의 확장과 풍부한 감수성 경험 의 확대라는 두 가지 축을 함축하는 교과이다. 그러나 일반 선택 과목 이외로서의 기능을 하는 진 로 선택 교과의 성격상 본 교과와 연관된 교수⋅학습 방법에 대한 연구는 다소 미흡하였다. 나아 가 현재 2015 개정 교육과정에 근거해 활용되고 있는 교과서를 통해 음악 비평 방법에 대한 학습 체계의 부재를 확인하기도 하였다. 이에 본 연구는 감상과 비평 수업을 진행하는 데 있어 단계적 교수⋅학습 체계의 필요성에 주목하고, 다양한 학자들의 논의를 검토하여 단계적 교수⋅학습의 원리를 도출하였다. 특히, 나선형 교육과정을 계승한 스완윅(Swanwick)과 틸만(Tillman)의 음악적 발달(Musical Development) 모델을 토대로 본 연구는 단계적인 음악 비평 학습모형을 개발하였 다. 이 모형은 네 가지의 음악 비평 학습 단계와 각 단계의 비평 요소 및 내용을 함께 제시하고 있으며, 나선형으로 구현되어 시각적으로도 효과적인 형태를 띤다. 본 연구는 단계적인 음악 비평 학습모형과 더불어 그를 적용한 단계적 음악 비평의 절차와 수업 계획을 제시하고 있다. 또한, 이 모형을 수업 현장에 적용하는 데 있어 교수⋅학습의 맥락에서 고려되어야 할 점을 제안한다.

This paper studies the relationship between learning orientation and incremental innovation(process innovation, operational innovation, and service innovation), and the moderating effect of tenure in tele-communication service sector. Based on the responses from 241 employees, the results of multiple regression analysis show that learning orientation have positive relationships with process innovation, operational innovation, and service innovation. The results of moderating analysis showed that longer tenure employees have more positive relationships with all incremental innovation factors(process innovation, operational innovation, and service innovation) than short tenure employees.

스테레오 정합에 직렬 유전자 알고리즘 적용의 일반적인 문제를 해결하기 위한 두 가지 방법을 제안한다. 먼저, 메모리 소비와 탐색의 비효율성 문제를 줄이기 위한 간소화된 개체군기반 증가 학습전략을 채택하고, 넓은 영역의 일관성 있는 변이들을 얻기 위한 변이 연속성을 위해 이웃한 화소간의 거리를 제어하는 구조를 삽입하였다. 또한 저사양 하드웨어 환경에서 사용될 수 있는 확률벡터를 위해 프로그램이 가능한 하드웨어인 GPU에서 수행될 수 있는 새로운 병렬 모델을 제안한다. 제안된 알고리즘을 CPU와 GPU에서 실험을 통해 수행 및 검증하였다. 실험결과에서 제안된 알고리즘이 이완처리를 포함한 전통적인 BMA 방법과 이를 수정한 버전보다 실행속도 및 안정성에 있어 보다 우수한 성능을 보였으며, GPU를 활용을 위한 제안된 방식의 계산시간이 보다 큰 영상에서 매우 효과적임을 보여준다.

In face recognition, learning speed of face is very important since the system should be trained again whenever the size of dataset increases. In existing methods, training time increases rapidly with the increase of data, which leads to the difficulty of training with a large dataset. To overcome this problem, we propose SVDD (Support Vector Domain Description)-based learning method that can learn a dataset of face rapidly and incrementally. In experimental results, we show that the training speed of the proposed method is much faster than those of other methods. Moreover, it is shown that our face recognition system can improve the accuracy gradually by learning faces incrementally at real environments with illumination changes.