This study optimizes three machine learning models—Decision Tree, Random Forest (RF), and Gradient Boosting—to classify concrete structure types (C2, C3, C4, and C5) using information from a building register. Although the initial models achieved high overall accuracy, the minority class C5 exhibited relatively low performance due to class imbalance and inherent complexity. To address this, an exhaustive grid search over discrete parameter candidates was performed, and a class-weighting strategy was integrated into the RF model to prioritize accurate classification of the minority class. The optimized RF model preserved a high overall accuracy of 94% while markedly improving C5 recall from 0.81 to 0.86 and its F1-score from 0.85 to 0.87. These results demonstrate that strategic hyperparameter tuning with class weights can effectively enhance classification reliability for rare structural types. Future research should include feature importance analysis to refine data configurations and the expansion of minority class samples to further improve model robustness in practical applications.

본 연구는 자기결정성이론(Self-Determination Theory)을 이론적 토대로 하 여, 사교육 독서지도사의 코칭학습이 초·중·고등학생의 독서동기와 학습성과에 미치는 구조적 관계를 검증하고자 하였다. 코칭학습의 자기결정요인(자율성, 유 능성, 관계성)을 독립변수로, 독서동기(내재적동기, 외재적동기, 무동기)를 매개 변수로, 학습성과를 종속변수로 설정하였다. 사교육기관에서 활동하는 독서지 도사 111명을 대상으로 수집한 자료를 부분최소제곱 구조방정식 모형 (PLS-SEM)을 활용하여 분석하였다. 연구결과, 자율성은 내재적동기를 높이고, 무동기를 감소시키는 것으로 나타났으며, 유능성은 외재적동기를 강화하는 경 향을 보였다. 내재적동기와 외재적동기는 학습성과를 향상시키는 반면, 무동기 는 학습성과를 낮추는 것으로 확인되었다. 또한 자율성은 학습성과에 직접적인 영향을 미쳤으며, 내재적동기를 매개로 부분매개 효과가 나타났다. 반면 외재적 동기를 통한 간접효과는 유의하지 않았다. 이러한 결과는 독서코칭 맥락에서 자 율성 지지가 내재적동기를 촉진하여 학습성과를 향상시키는 핵심 기제로 작용 함을 시사한다. 본 연구는 독서지도사를 학습자의 기본심리욕구를 지원하는 코 치적 촉진자로 재정의하고, 독서지도 현장에서 자율성 기반 코칭 설계를 위한 실질적 근거를 제공하고자 한다.

본 연구는 서울남부교도소 2년제 학점은행제 패션비즈니스 직업훈련 과정에서 운영 된 오프라인 기반 자기주도학습 지원시스템이 직업훈련생의 학습성취와 교수효율성에 미친 변화를 분석하였다. 교정시설은 인터넷 사용이 제한되어 학습자료 탐색, 진도 점 검, 형성평가 및 피드백 운영에 제약이 크므로, 본 연구는 이를 보완하기 위한 연구자 가 개발한 오프라인 기반 자기주도학습 지원시스템 적용 사례를 검토하였다. 연구는 혼합연구 설계로 수행하였다. 질적 자료는 2025년 1월부터 12월까지의 교 육일지, 성찰 기록, 교수자 1인 및 학습자 15인 전원 면담 자료를 활용하였다. 양적 자료는 2025년 3월, 7월, 12월에 실시한 오프라인 컴퓨터 기반 평가 결과이다. 결론적으로 오프라인 기반 자기주도학습 지원시스템은 인터넷이 차단된 교정시설에 서도 학습자료 접근, 반복학습, 진도관리, 형성평가, 개별 피드백을 가능하게 한 오프 라인 디지털 학습지원 모델이었다. 다만 단일기관, 소표본, 단일집단 반복측정 설계라 는 한계가 있으므로, 결과는 인과효과의 확정보다는 제한된 환경에서 확인된 교육적 변화의 사례로 해석할 필요가 있다.

Injection-molded products frequently exhibit localized surface defects such as weld lines, flow marks, scratches, bubbles, and burn marks due to variations in material flow, mold temperature, and cooling conditions. Conventional visual inspection is highly dependent on operator experience, while rule-based machine vision methods are limited under variations in lighting and surface texture. This study proposes a deep learning–based defect detection model using YOLOv8 combined with a novel Defect-Aware Augmentation technique designed to enhance robustness for small, local defect regions. The proposed augmentation pipeline includes geometric transformations, optical perturbations, local defect patch synthesis, and diffusion-based synthetic defect generation. Experiments were conducted on a custom dataset of 5,000 images (3,000 normal and 2,000 defective). Results show that the proposed model achieves significant improvements over baseline models, obtaining 95% precision, 90% recall, and 0.96 mAP@0.5, outperforming the default YOLOv8 model by 7%p in mAP. Ablation studies verify that defect-aware augmentation is the dominant factor contributing to the performance gain. The proposed system demonstrates high applicability for automated quality inspection in injectionmolding production lines.

This study proposes a deep learning–based predictive maintenance model for condition monitoring and remaining useful life (RUL) estimation of a 1 kW brushless DC (BLDC) motor. Multi-sensor signals, including vibration (10 kHz), current (20 kHz), and surface temperature (10 Hz), were acquired under six health conditions: normal, bearing outer race fault (BPFO), bearing inner race fault (BPFI), unbalance, misalignment, and stator insulation degradation. To jointly exploit spatial patterns and temporal degradation behaviors, a hybrid CNN–LSTM model with a multi-task learning framework was developed to perform 6-class fault classification and RUL regression simultaneously. Experimental results on the constructed BLDC motor dataset show that the proposed model achieves a classification accuracy of 95.8%, outperforming conventional SVM and 1D-CNN baselines (85.2% and 90.7%, respectively). In addition, the proposed method significantly reduces RUL prediction error, yielding an RMSE of 9.6 and an MAE of 6.8, which corresponds to approximately 39% improvement over a single LSTM-based regression model. These results demonstrate that the proposed CNN– LSTM multi-sensor fusion framework is effective for intelligent condition monitoring and predictive maintenance of BLDC motor systems, and it can be extended to a wide range of rotating machinery applications.

정책 학습(policy learning)에 관한 상당수의 연구는 다양한 영향력 집단의 역학 관계가 정책 입안과 실행을 형성해 온 분권화된 시스템을 바탕으로 그 개념을 정립해 왔다. 이러한 분석은 대개 변화를 도모하기 위한, 특히 정책 개선을 위한 다양한 행위자들 사이의 권력 관계에 초점을 맞춘다. 본 논문은 상대적으로 위계적(hierarchical)이고 중앙집권적인 맥락 에서의 정책 학습 분석을 통해 이러한 기존의 관점에 새로운 시각을 더한다. 이 논문은 국가 및 지역 수준에서 중국 교육 부문의 ‘쌍감(雙減, double reduction)’ 정책의 수립과 실행에 저자가 직접 참여한 경험을 바탕으로 한다. 특히 두 가지 정책 학습 사례에 초점을 맞춘다. 첫째는 초기 정책 및 후속 정책을 고안하 기 위한 하향식(top-down) 학습이었고, 둘째는 기존 정책을 개선하기 위한 상향식(bottom-up) 학습이었다. 이러한 대조는 다양한 정책 행위자들이 학습을 다르게 인식할 수 있으며, 서로 다른 목적을 위해 학습한다는 것을 보여준다. 또한 정책 학습이 항상 선형적이거나 과학적인 것은 아니며, 학습이 언제나 정책 개선으로 직결되지는 않는다는 점을 시사한다. 아 울러 중앙·지방의 정책결정자, 싱크탱크 및 대학의 전문가, 그리고 여러 지역과 변화하는 시대 상황 속 일반 대중 간의 상호작용이 정책학습에 긍정적으로든 부정적으로든 영향을 미칠 수 있음을 덧붙인다.

전 세계적인 물 부족 심화로 상수관망의 효율적 운영 및 유지보수(O&M) 중요성이 커지고 있다. 특히 정확한 수압 예측은 잠재적 문제의 사전 감지와 대응에 필수적이다. 이에 본 연구는 전처리된 데이터를 활용하여 현장 적용성이 높은 수압 예측 모델을 개발하는 것을 목표로 하였다. 이를 위해 8개 블록시스템(DMA)의 10분 단위 시계열 데이터와 4종류의 딥러닝 모델(LSTM, GRU, CNN-LSTM, CNN-GRU)을 활용하였으며, optuna를 통해 하이퍼파라미터를 최적화하고 배치 정규화 등을 적용해 학습 안정성을 확보하였다. 평가 결과, CNN-GRU 모델이 가장 우수한 성능을 나타냈다. 해당 모델을 기반으로 입력 조건에 따른 성능을 비교한 결과, 단변수 대비 다변수 입력 조건에서 예측 정확도가 향상됨을 확인하였다. 또한, 10분 선행 시점에서 최고 신뢰도(R2 0.9678, RMSE 0.0375)를 기록했으며, 지속성 모델의 성능이 점진적으로 하락하여 상대적인 저점을 형성하는 7시간 및 17시간 선행 시점에서 CNN-GRU 모델은 지속성 모델 대비 RMSE 기준 각각 48.0% 및 42.1%의 오차 개선을 달성하였다. 결론적으로, 본 연구에서 제안하는 전처리 및 하이퍼파라미터 통합 최적화 프로세스는 DMA별로 상이한 운영 환경에서도 안정적인 예측 성능을 확보할 수 있음을 입증하였다. 이는 현장 엔지니어의 데이터 분석 및 의사결정을 지원함으로써, 상수관망의 안정적인 운영과 유지보수 효율성 향상에 기여할 수 있을 것으로 기대된다.

Background: Contemporary higher education requires interdisciplinary problem- solving competencies in addition to discipline-specific expertise. Integrating physical therapy, early childhood education, and digital urban construction may offer a novel approach to designing inclusive, safe, and developmentally appropriate spaces. Objectives: To evaluate the effects of a one-day Cross-Problem-Based Learning (Cross-PBL) workshop on teacher-student relationships, learning outcomes, and physical function in university students. Design: Pilot study. Methods: Six healthy male university students (19-23 years; two from each discipline) participated in a 3-hour intensive workshop. Plantar pressure analysis, questionnaires on teacher-student relationships and learning motivation, and reflective reports were collected before and after the workshop. Quantitative data were analyzed using the Wilcoxon signed-rank test (P<.05), and qualitative responses were analyzed descriptively. Results: No statistically significant changes were found in plantar pressure distribution (P>.05). However, tendencies toward change were observed in right foot anterior-posterior load distribution (P=.140) and primary sway axis during eyes-closed standing (P=.157). Questionnaire scores showed ceiling effects (5.0/5.0 pre- and post-workshop), whereas qualitative responses indicated improved teacher-student relationships, enhanced learning motivation, increased body awareness, and greater interdisciplinary understanding. Conclusion: Cross-PBL workshops may strengthen educational relationships, motivation, and interdisciplinary understanding, although short-term physical changes were limited.

This study develops a Skip-Connected Temporal Contextual Deep Learning (SC-TCDL) model to forecast monthly inbound foreign tourist arrivals to South Korea, targeting demand volatility and structural shocks such as COVID-19 while supporting planning-oriented decision making. SC-TCDL adopts a dual-stream architecture that disentangles inputs by function: an LSTM branch encodes a 12-month rolling history of arrivals with calendar indicators, while an encoder-only Transformer processes forward-looking exogenous variables with positional encodings. The LSTM temporal representation is injected into the Transformer and fused with the Transformer output via an MLP through skip connections. COVID-period distortion (Mar 2020 Dec 2023) is addressed by virtual demand restoration using a counterfactual LSTM trained on pre-pandemic data. Probabilistic forecasts are generated via Monte Carlo Dropout. Using monthly data (Feb 2013 Apr 2025), SC-TCDL outperforms SARIMA, vanilla LSTM, and a Transformer on the test period (May 2024 Apr 2025), achieving MAE 78,626, RMSE 94,019, and MAPE 6.94%, reducing MAE by 30.5% relative to SARIMA, 28.3% relative to vanilla LSTM, and 24.9% relative to the Transformer, with statistically significant improvements by Wilcoxon signed-rank tests. By structurally separating temporal and contextual learning while enabling controlled fusion and uncertainty quantification, SC-TCDL offers a robust framework for tourism demand forecasting in shock-prone environments.

자기공명영상(MRI)은 연부조직의 대조도가 우수하여 신경 및 근골격계 이상을 평가하는 데 탁월한 진단 도구로 활 용되고 있다. 특히 요천추 신경총과 같은 복잡한 신경 구조의 정밀한 영상화에 적합하여 임상 진단 과정에서 중요한 역할을 담당한다. 기존에 사용된 SPACE 3D, STIR, 그리고 최근에는 딥러닝 재구성 기법 등 다양한 MRI 기법이 도입되어 영상 화질 향상과 검사 효율성을 동시에 개선하고 있다. 본 연구에서는 조영제 주입 후 요천추 신경총 MRI 검사에서 얇은 슬라이스 두께로 획득한 SPACE 3D T2 STIR 기법과 딥러닝 TSE T2 STIR 기법을 비교하여, 요천추 신경총 영상에 유용한 MRI 기법을 알아보고자 하였다. 요천추 신경총 병변이 의심되는 20명의 환자를 대상으로 하 여 SPACE 3D T2 STIR 기법과 DL TSE T2 STIR 기법을 적용해 관상면 영상을 획득한 후, 신호대잡음비, 대조대 잡음비, 검사 시간 및 영상의 질을 정량적·정성적 방법으로 분석하였다. 그 결과, 기법 간 통계적으로 유의한 차이 가 확인되었으며, 특히 DL 기법은 검사 시간 단축과 우수한 대조도를 제공하였다. 환자의 임상 상태와 촬영 여건을 고려하여 적절한 기법을 선택한다면, 요천추 신경총 MRI 진단에 최적화된 영상 품질을 확보할 수 있을 것으로 사료 된다.

본 연구는 다양한 천연염재로 염색조건을 달리하여 염색한 견직물로 준비된 동일색조의 2-배색 100종에 대하여 주관적 색채감성 요인구조를 규명하고, 동일색조 유형과 유/무채색 색조, 물리적 색채특성 및 배색변인의 객관적 변 인들이 색채감성요인에 미치는 영향을 분석하였으며, 인공지능 기계학습 기반의 Random Forest를 이용하여 색채감 성요인 예측모델을 제안하였다. 연구 결과로서 천연염색 견직물의 동일색조 2-배색에 대한 색채감성요인으로 ‘유쾌 함’, ‘클래식’, ‘소프트’, ‘모던’의 4개 감성이 추출되었는데, 각 요인은 단색의 물리적 색채특성, 동일배색 유형, 유채 색/무채색, 정량적 배색 변인을 포함한 객관적 색채 변인으로부터 유의한 영향을 받음이 확인되었다. Random Forest 를 이용하여 동일색조 2-배색의 색채감성요인 별로 수립한 예측 모델에서 요인 ‘유쾌함’과 ‘소프트’ 예측모델의 예측 성능이 가장 우수하였으며, 색채감성요인 예측 모델에서 변수 중요도와 대체선형모델의 구조를 통해 요인 ‘유쾌함’ 은 색채 밝기 관련 변인, 요인 ‘소프트’는 색채 진하기 관련 변인의 영향력이 가장 큰 것으로 파악되었다. 또한 실험 값과 예측값 간 높은 상관성을 확인함으로써, 인공지능 기계학습 알고리즘 Random Forest를 천연염색직물의 색채감 성예측에 활용할 수 있을 것으로 기대되었다.

AI-driven automation for structural design has been actively studied in structural engineering. In particular, reinforcement learning (RL) has attracted attention as a framework in which an agent interacts with an environment to autonomously search for optimal design solutions in complex design spaces. This study proposes an automated design model for rectangular reinforced-concrete (RC) columns based on a multi-agent Double Deep Q-Network (Double DQN). Extending prior RL-based automation developed for RC beam design to column members, the proposed environment explicitly incorporates key column-specific behaviors, including axial force–bending moment (P–M) interaction and moment magnification due to column buckling. Four agents independently determine the section width (b), section depth (h), number of longitudinal bars (n), and bar size. The reward function combines (i) penalty terms for violations of ACI 318-19 design constraints and (ii) an economic reward defined relative to an approximate optimal cost predicted by a quadratic regression model. After training for approximately 10,000 episodes, the proposed multi-agent Double DQN consistently generated ACI-compliant column designs across all test load cases and produced solutions with improved cost efficiency compared with the approximate optimal baseline. These results demonstrate the feasibility and practical potential of multi-agent RL for automated RC column section design.