본 연구는 간호대학 신입생을 대상으로 그릿, 성장마인드셋, 학업적 자기효능감이 자기 주도학습에 미치는 영향을 확인하고자 하였다. 최근 의료 환경의 급변과 복잡성 증가에 따 라 간호대학생의 자기주도학습 역량은 중요한 교육 목표로 부각되고 있다. 이에 따라 심리 적 요인들과 자기주도학습 간의 관계를 파악하여 교육적 개입의 근거자료를 마련하고자 하 였다. J시 소재 간호대학 신입생 180명을 대상으로 구조화된 설문조사를 실시하고, SPSS/WIN 27.0 프로그램을 이용하여 기술통계, 상관분석, 다중회귀분석을 실시하였다. 그릿 (r = .74), 성장마인드셋(r = .46), 학업적 자기효능감(r = .73)은 자기주도학습과 유의한 정적 상관관계를 보였다. 회귀분석 결과, 그릿(β = .49, p < .001)과 학업적 자기효능감(β = .48, p < .001)이 자기주도학습에 유의한 영향을 미치며, 설명력은 71.0%로 나타났다. 반면 성장마인드셋은 통계적으로 유의한 영향을 미치지 않았다. 간호대학 신입생의 자기주도학 습 능력은 임상 환경에서 효과적으로 대처할 수 있는 필수 역량으로 그릿과 학업적 자기효 능감이 자기주도학습 역량을 크게 증진시키는 것으로 나타났다. 따라서 간호대학생의 자기 주도학습 역량 강화를 위해 그릿과 학업적 자기효능감을 증진하는 교육 프로그램 개발이 필요하다.

목적 : 본 연구는 지역사회 거주 장애 노인을 대상으로 개인-환경 간 상호작용을 반영한 거주 적합성(Livability) 평가에 기반하여 결정 트리 기반 머신러닝 알고리즘의 결과를 활용하여 가정환경 수정 중재를 제공하고 효과성을 검증하고자 하 였다. 연구방법 : 연구참여자는 지역사회 거주 장애 노인 9명이었으며, 중재는 총 4회기(주 1회, 40분)로 구성되었다. 거주 적합 성(Livability Scale), 작업수행능력(COPM), 목표성취(GAS), 삶의 질(WHOQOL-BREF)은 사전, 사후, 추적의 세 시점 에서 평가되었으며, 추적 평가는 중재 종료 3개월 후에 실시되었다. 중재는 Livability Scale을 활용하여 결정 트리 기반 머신러닝 알고리즘(Random Forest)을 활용한 변수 중요도(feature importance)로 거주 부적합 항목을 식별하여 중재의 우선순위로 활용하였다. 분석은 세 시점에서 반복측정된 자료를 SPSS 26.0을 사용하여 Friedman 검정 및 Bonferroni 사후 비교를 통해 분석하였다. 결과 : 분석 결과, 거주 적합성의 환경, 작업, 수행 영역과 작업수행능력, 목표성취도, 삶의 질의 하위 영역에서 통계적으 로 유의미한 향상이 나타났다. COPM 만족도는 모든 시점에서 유의하게 증가하여 중재 효과의 지속 가능성을 확인하였다. 결론 : 가정환경 수정에서 개인–환경 상호작용을 반영한 정량적 평가와 머신러닝 기반의 예측 모형을 활용하여 중재의 실 효성을 높일 수 있는 실증적 근거를 제공한다. 이를 통해 장애 노인을 포함한 다양한 취약계층을 위한 맞춤형 주거 중재 및 정책 개발에 기초자료로 활용될 수 있을 것이다.

This study proposes a methodology for predicting the physical properties such as the density of polymer composites, including asphalt binders, and evaluates its feasibility by identifying the quantitative relationship between the structure and properties of individual polymers. To this end, features are constructed using molecular dynamics (MD) simulation results and descriptor calculation tools. This study investigates the changes in the calculated density depending on the characteristics of the training dataset and analyzes the feature characteristics across datasets to identify key features. In this study, 2,415 hydrocarbon and binder-derived polymer molecules were analyzed using MD simulations and 2,790 chemical descriptors generated using alvaDesc. The features were pre-processed using correlation filtering, PCA, and recursive feature elimination. The XGBoost models were trained using k-fold cross-validation and Optuna optimization. SHAP analysis was used to interpret feature contributions. The variables influencing the density prediction differed between the hydrocarbon and binder groups. However, the hydrogen atom count (H), van der Waals energy, and descriptors such as SpMAD_EA_LboR consistently had a strong impact. The trained models achieved high accuracy (R² > 0.99) across different datasets, and the SHAP results revealed that the edge adjacency, topological, and 3D geometrical descriptors were critical. In terms of predictive accuracy and interpretability, the integrated MDQSPR framework demonstrated high reliability for estimating the properties of individual binder polymers. This approach contributed to a molecular-level understanding and facilitated the development of ecofriendly and efficient modifiers for asphalt binders.

As demand grows for electric vehicles and advanced mobility technologies, developing materials for permanent magnets has become increasingly essential. Among them, SmCo-based permanent magnets are gaining attention due to their superior thermal stability compared to conventional NdFeB magnets, making them promising candidates for high-temperature motor applications. However, optimizing the magnetic properties of SmCo alloys remains challenging due to their complex phase structures and elemental interactions. In this study, we develop and optimize machine learning (ML) models to predict the saturation magnetization of SmCo permanent magnets using only composition-based descriptors. A dataset comprising various SmCo alloys was analyzed, with features extracted using Matminer and Pymatgen modules. We applied Random Forest (RF), eXtreme Gradient Boosting (XGB), and Support Vector Regression (SVR) models and compared their regression performance using R2 score and Root-mean-squared-error (RMSE). The RF model demonstrated the best generalization and prediction accuracy. To identify the most influential features, we used permutation feature importance. Further, we refined the feature set using a genetic algorithm (GA), ultimately selecting 9 key features that yielded the highest model performance (R2 = 0.963, RMSE = 4.22 emu/g). This study highlights the potential of combining machine learning with genetic optimization to accelerate the design of high-performance, thermally stable SmCo permanent magnets.

이 연구는 국내 네팔 유학생을 대상으로 한국어 학습에 대한 기대, 가 치, 비용을 분석하여 이들의 학습 동기를 파악하고, 한국어 교육 과정에 시사점을 도출하는 데 목적이 있다. 이를 위하여 영어트랙 네팔 유학생 을 대상으로 설문조사와 TF-IDF 분석을 실시한 결과, 이들은 한국어 학 습을 학문적·직업적 성공을 위한 중요한 도구로 인식하며, 특히 외적 가 치를 가장 높게 평가하는 것으로 나타났다. 또한 한국어 학습에 할애되 는 기회비용이 학습 기대나 가치에 영향을 주고 있음을 확인하였다. 연 구 결과를 바탕으로 본고에서는 학습자의 실질적 요구와 취업 연계성 반 영, 자기효능감을 높일 수 있는 다층적 평가와 지속 가능한 한국어 학습 지원 체계 마련 등을 제안하였다.

이 연구는 국내 네팔 유학생을 대상으로 한국어 학습에 대한 기대, 가 치, 비용을 분석하여 이들의 학습 동기를 파악하고, 한국어 교육 과정에 시사점을 도출하는 데 목적이 있다. 이를 위하여 영어트랙 네팔 유학생 을 대상으로 설문조사와 TF-IDF 분석을 실시한 결과, 이들은 한국어 학 습을 학문적·직업적 성공을 위한 중요한 도구로 인식하며, 특히 외적 가 치를 가장 높게 평가하는 것으로 나타났다. 또한 한국어 학습에 할애되 는 기회비용이 학습 기대나 가치에 영향을 주고 있음을 확인하였다. 연 구 결과를 바탕으로 본고에서는 학습자의 실질적 요구와 취업 연계성 반 영, 자기효능감을 높일 수 있는 다층적 평가와 지속 가능한 한국어 학습 지원 체계 마련 등을 제안하였다.

본 연구의 목적은 성인학습자의 평생학습 참여동기와 행복감 관계에서 성장 마인드셋과 사회적 자본의 매개효과를 살펴보는데 있다. 이를 위해 평생학습을 수강하고 있는 성인학습자 196명을 대상으로 2024년 10월 21∼31일까지 실시하였다. 설문자료는 SPSS 프로그램을 이용하여 빈도 분석, 기술통계, 신뢰도 검증, 상관분석, 중다회귀분석을 실시하였다. 연 구결과는 다음과 같다. 첫째, 성인학습자의 평생학습 참여동기, 성장 마 인드셋, 사회적 자본은 행복감에 유의미한 긍정적인 영향을 미치는 것으 로 나타났다. 둘째, 평생학습 참여동기와 행복감 관계에서 성장 마인드셋 과 사회적 자본은 부분매개변수로 유의미한 효과가 확인되었다. 이러한 결과는 성인학습자들이 평생학습에 참여하는 동기는 다양하지만 이를 통 해 형성된 성장 마인드셋과 사회적 자본은 삶에 대한 행복감을 증진할 수 있음을 의미한다.

Background: The integration of gamification in education necessitates understanding the relationship between learner characteristics and educational outcomes. Methods: This study explores the correlation between Bartle’s player types (Achiever, Explorer, Socializer, Killer) and Reid’s perceptual learning styles (Visual, Auditory, Tactile, Kinesthetic) among 343 South Korean nursing students. Results: Socializer was the most common player type (34.7%), and Auditory learning was the most preferred style (31.7%). Significant correlations were found, such as Achievers aligning with Auditory styles and Explorers with Kinesthetic styles. Conclusion: These results emphasize the need for gamification-based nursing education programs tailored to diverse learner profiles, offering a pathway to enhance engagement and learning outcomes.

High-entropy alloys (HEAs) exhibit complex phase formation behavior, challenging conventional predictive methods. This study presents a machine learning (ML) framework for phase prediction in HEAs, using a curated dataset of 648 experimentally characterized compositions and features derived from thermodynamic and electronic descriptors. Three classifiers—random forest, gradient boosting, and CatBoost—were trained and validated through cross-validation and testing. Gradient boosting achieved the highest accuracy, and valence electron concentration (VEC), atomic size mismatch (δ), and enthalpy of mixing (ΔHmix) were identified as the most influential features. The model predictions were experimentally verified using a non-equiatomic Al30Cu17.5Fe17.5Cr17.5Mn17.5 alloy and the equiatomic Cantor alloy (CoCrFeMnNi), both of which showed strong agreement with predicted phase structures. The results demonstrate that combining physically informed feature engineering with ML enables accurate and generalizable phase prediction, supporting accelerated HEA design.

This study proposes a weighted ensemble deep learning framework for accurately predicting the State of Health (SOH) of lithium-ion batteries. Three distinct model architectures—CNN-LSTM, Transformer-LSTM, and CEEMDAN-BiGRU—are combined using a normalized inverse RMSE-based weighting scheme to enhance predictive performance. Unlike conventional approaches using fixed hyperparameter settings, this study employs Bayesian Optimization via Optuna to automatically tune key hyperparameters such as time steps (range: 10-35) and hidden units (range: 32-128). To ensure robustness and reproducibility, ten independent runs were conducted with different random seeds. Experimental evaluations were performed using the NASA Ames B0047 cell discharge dataset. The ensemble model achieved an average RMSE of 0.01381 with a standard deviation of ±0.00190, outperforming the best single model (CEEMDAN-BiGRU, average RMSE: 0.01487) in both accuracy and stability. Additionally, the ensemble's average inference time of 3.83 seconds demonstrates its practical feasibility for real-time Battery Management System (BMS) integration. The proposed framework effectively leverages complementary model characteristics and automated optimization strategies to provide accurate and stable SOH predictions for lithium-ion batteries.

본 연구는 환경 요인을 바탕으로 절화용 국화 생장 예측을 위한 최적의 모델을 개발하는 것을 목표로 하였다. 이를 위해 13개의 모델(Linear Regression, Lasso Regression, Ridge Regression, ElasticNet Regression, K-Nearest Neighbors (KNN), Support Vector Regression (SVR), Neural Network, Decision Tree, Random Forest, XGBoost, AdaBoost, CatBoost, Stacking)의 성능을 R2, MAE, RMSE를 평가 지표 로 비교하였다. 단일 모델 중에서는 Decision Tree가 가장 우수한 성능을 보였으며, R2값은 0.90에서 0.91 사이였다. 앙 상블 모델 중에서는 CatBoost가 가장 높은 성능을 보였으며 (R2=0.90~0.92) Random Forest와 XGBoost 또한 유사한 성 능을 보였다. 전체적으로 트리 기반 앙상블 모델이 국화 생장 예측에 적합한 모델로 나타났다.

Fault detection in electromechanical systems plays a significant role in product quality and manufacturing efficiency during the transition to smart manufacturing. Because collecting a sufficient number of datasets under faulty conditions of the system is challenging in practical industrial sites, unsupervised fault detection methods are mainly used. Although fault datasets accumulate during machine operation, it is not straightforward to utilize the information it contains for fault detection after the deep learning model has been trained in an unsupervised manner. However, the information in fault datasets is expected to significantly contribute to fault detection. In this regard, this study aims to validate the effectiveness of the transition from unsupervised to supervised learning as fault datasets gradually accumulate through continuous machine operation. We also focus on experimentally analyzing how changes in the learning paradigm of the deep learning model and the output representation affect fault detection performance. The results demonstrate that, with a small number of fault datasets, a supervised model with continuous outputs as a regression problem showed better fault detection performance than the original model with one-hot encoded outputs (as a classification problem).