Given the hazards posed by black ice, it is crucial to investigate the conditions that contribute to its formation. Two ensemble machinelearning algorithms, Random Forest (RF) and Extreme Gradient Boosting (XGBoost), were employed to forecast the occurrence of black ice using atmospheric data. Additionally, explainable artificial intelligence techniques, including Feature Importance (FI) and partial dependence Plot (PDP), were utilized to identify atmospheric conditions that significantly increase the likelihood of black ice formation. The machinelearning algorithms achieved a forecasting accuracy of 90%, demonstrating reliable performance. FI analysis revealed distinct key predictors between the algorithms: relative humidity was the most critical for RF, whereas wind speed was paramount for XGBoost. The PDP analysis identified the specific atmospheric conditions under which black ice was likely to form. This study provides detailed insights into the atmospheric precursors of frost/fog-induced black ice formation. These findings enable road managers to implement proactive winter road maintenance strategies, such as optimizing anti-icing patrol routes and displaying warnings on various message signs, thereby enhancing road safety.

This study aims to demonstrate the integration of character education with content and language integrated learning (CLIL) and evaluate its effects on the English language learning and character development of young learners who use EFL. Eight participants received character-integrated CLIL instruction over 16 class sessions. Employing a mixed-method approach, this study collected qualitative data primarily through observations, interviews, portfolios, self-assessments, and peerassessments, complemented by quantitative data from English tests and questionnaires. Findings revealed that character-integrated CLIL significantly enhanced learners’ oral language skills, confidence, and engagement in learning English. Additionally, it facilitated simultaneous development of language proficiency and subject knowledge, while promoting acquisition of positive character traits. The learner-centered environment supported by teacher scaffolding and authentic materials allowed learners to apply their knowledge to real-life situations. These results provide educators with a model for effectively integrating character education into language learning. They also highlight the broader potential of CLIL to foster holistic learner development.

This longitudinal study used data from the Busan Educational Longitudinal Study (BELS) to identify growth profiles of English class self-efficacy (ECS) over three years and their associations with English class comprehension, engagement, and achievement. A middle school student sample from 2016 to 2018 BELS comprised 3,038 students (1,394 females and 1,644 males) from 56 middle schools in South Korea. Using a personcentered approach with Mplus 8.4, a higher-order growth mixture modeling (GMM) yielded three distinct growth trajectories of ECS: 82.8% of initially high and slowly decreasing (HSD) group, 9.7% of intermediate high and decreasing (IHD) group, and 7.5% of low but increasing (LI) group growth profiles. Results indicated that English class comprehension, engagement, and achievement showed statistically significant mean differences across each growth profile of ECS. The identified ECS growth profiles can be used to tailor intervention measures. Empirical findings are discussed in terms of pedagogical implications in applied language learning and teaching practices and further research.

This study explored factors affecting variability in second language (L2) learning motivation among Korean university students and how they appraised their L2 learning experience. In this study, 85 undergraduate students majoring in English or English education from three universities in Seoul, South Korea, reflected on their past English learning experience. They drew a motigraph and wrote a retrospective reflection essay covering their English learning that spanned over ten years. Researchers divided participants into two groups: a high variability (HV) group and a low variability (LV) group. Data were analyzed using open, axial, and selective coding. Findings suggest thncontextual factors such as the learning method, atmosphere, and situation were main (de)motivational factors for the HV group. In contrast, the LV group was (de)motivated by intrapersonal factors, including the learning context appraisal. These results imply that visualizing long and short-term goals and positive appraisal of the L2 learning experience can help L2 learners maintain a stable pattern in L2 learning motivation.

본 연구는 딥러닝 영상 재구성 기법을 적용한 8개의 뇌질환군의 감마나이프 수술 계획용 자기공명영상(magnetic resonance imaging, MRI)의 유용성을 알아보고자 하였다. 연구 방법은 전이성 뇌종양, 뇌동정맥 기형, 수막종, 뇌하수체선종, 삼차신경통, 청신경초종, 맥락얼기 유두종, 해면상 혈관종, 총 8개의 질병을 진단받은 사람들의 T2 강조 영상(T2 weighted imaging, T2WI), 조영증강 T1 강조영상(contrast enhancement T1 weighted imaging, CE-T1WI)의 방법으로 검사한 MRI 영상을 SwiftMR을 이용하여 딥러닝 영상 재구성 기법인 디노이징(denoising)과 초해상도(super resolution)가 적용된 영상을 획득하였다. 이에 대한 성능 평가는 최대 신호대잡음비(peak signal to noise ratio, PSNR), 구조적 유사도(structural similarity index measure, SSIM), 감마나이프 방사선수술(gamma knife radiosurgery, GKRS)의 좌표계로 평가하였다. 그 결과, 원본영상을 기반으로 영상 품질이 개선된 영상의 PSNR과 SSIM은 높은 수치를 나타냄으로써 MRI 영상의 재구성이 문제없이 이루어졌고, GKRS의 수술 좌표계 또한 변화를 보이지 않았다. 결론적으로 딥러닝 영상 재구성 기법은 영상 품질 향상과 영상 보존에서 뛰어난 성능을 보임과 동시에 좌표계도 변화를 보이지 않아서, 딥러닝 영상 재구성 기법은 감마나이프 수술 계획에 유용하게 사용할 수 있는 기법임을 확인하였다.

This study explored how teachers could provide support to enhance students’ out-ofclass mobile-assisted language learning (MALL) engagement. We interviewed five Korean English teachers who used Class Card, a focal technology of this study, for their students’ self-directed vocabulary learning. Additionally, students of the interviewed teachers completed a survey on their perceptions of teacher support and MALL engagement. This study has three major findings. First, the teachers adopted either a proactive or a passive approach to promoting students’ out-of-class MALL engagement, which was influenced by their beliefs about whether teachers or students should be responsible for learning beyond the classroom. Second, all teachers provided orientation and behavioral support to enhance out-of-class MALL engagement, although the consistency and intensity in providing this support varied between proactive and passive teachers. Finally, students who perceived higher levels of teacher support reported greater out-of-class MALL engagement. We discuss the importance of classroom-based teacher support to enhance MALL engagement beyond the classroom as pedagogical implications.

에듀테크 시대에 접어들면서 디지털 기술을 활용한 학습 방식이 점점 확대되고 있으며, 특히 모바일 기반 애플리케이션 을 활용한 학습이 적극적으로 도입되고 있다. 이러한 학습 방식은 학습자의 참여도를 높이고, 흥미를 유발하며, 학습 효율성 향상에 긍정적인 영향을 미치고 것으로 보고되고 있다. 본 연구는 자기공명영상학 학습에서 모바일 기반 애플리 케이션 사용에 대한 학습자들의 인식, 학습 효과, 학습 만족도를 알아보고자 하였다. 대구시 소재 S 대학교 자기공명영 상학을 수강한 2, 3학년 학생 70명을 대상으로 2024년 11월 24일부터 29일까지 수업 후 모바일 애플리케이션을 활용한 퀴즈 활동을 시행하였다. 연구 결과, 애플리케이션 활용에 대한 학습자들의 인식 평균 점수는 4.58±0.66, 학습 효과는 4.61±0.62, 학습 만족도는 4.58±0.65로 나타났다. 또한, 애플리케이션 활용 전후 비교 분석에서 인식 (활용 전 3.62±0.97, 활용 후 4.58±0.66), 학습 효과(활용 전 3.60±0.92, 활용 후 4.61±0.62), 학습 만족도(활용 전 3.64±0.93, 활용 후 4.58±0.65) 모두 통계적으로 유의한 차이가 있었다(p<0.05). 이러한 결과는 자기공명영상학 교육에서 모바일 애플리케이션 기반 학습이 학습자의 참여도, 이해도, 만족도를 높이는 데 효과적임을 시사한다. 따라서 자기공명영상학뿐만 아니라 다양한 전공 분야에서도 애플리케이션 기반 학습이 유용한 교육 도구로 활용될 수 있으며, 향후 교육 및 임상 실습 현장에서 적용 가능한 기초자료로 활용될 수 있을 것 기대된다.

본 연구 목적은 평생교육 참여동기가 삶의 질에 미치는 영향 과 학습몰입의 매개효과를 검증하는 데 있다. 연구 대상은 서울 시 D 구, N 구에 소재한 평생교육기관의 학습자 230명을 대상 으로 실시하였다. 연구 자료는 총 230부 중 불성실하게 답변한 11부를 제외한 219부를 수집하여 연구분석에 활용하였다. 분석 방법으로는 SPSS 23.0 통계 프로그램을 활용하여 신뢰도 분석 과 요인분석, 빈도분석, 상관분석, 기술통계, 회귀분석을 실시하 였다. 연구 결과는 다음과 같다. 첫째, 평생교육 참여동기의 하위 요인 중에서 활동지향, 목표지향이 삶의 질에 통계적으로 유의미 한 정(+)의 영향을 미치는 것으로 나타났으나, 학습지향은 영향 을 미치지 못하는 것으로 나타났다. 둘째, 평생교육 참여동기가 삶의 질에 미치는 영향에 대한 학습몰입은 부분매개효과를 보이 는 것으로 나타났다. 본 연구는 평생교육 학습자의 삶의 질에 참 여동기의 하위 요인 중 활동지향, 목표지향와 학습몰입이 주요 변인들을 밝혀냄으로써, 평생교육 학습자의 삶의 질 증진에 중요 함을 확인되었다. 또한 평생교육기관에서는 학습자가 요구하는 목표지향과 활동지향적인 교육프로그램을 개발 및 보급이 필요하 다. 이러한 결과는 학습자의 삶의 질 증진을 위한 실천적 개입 방안 마련의 기초자료가 될 것으로 사료된다.

Automated structural design methods for reinforced concrete (RC) beam members have been widely studied with various techniques to date. Recently, artificial intelligence has been actively applied to various engineering fields. In this study, machine learning (ML) is adopted to make automated structural design model for RC beam members. Among various machine learning methods, a supervised learning was selected. When a supervised learning is applied to development of ML-based prediction model, datasets for training and test are required. Therefore, the datasets for rectangular and t-shaped RC beams was constructed by commercial structural design software of MIDAS. Five supervised learning algorithms, such as Decision Tree (DT), Random Forest (RF), K-Nearest Neighbor (KNN), Artificial Neural Networks (ANN), eXtreme Gradient Boosting (XGBoost) were used to develop the automated structural design model. Design moment (Mu), design shear force (Vu), beam length, uniform load (wu) were used for inputs of structural design model. Width and height of the designed section, diameter of top and bottom bars, number of top and bottom bars, diameter of stirrup bar were selected for outputs of structural design model. Performance evaluation of the developed structural design models was conducted using metrics sush as root mean square error (RMSE), mean square error (MSE), mean absolute error (MAE), and coefficient of determination (R2). This study presented that random forest provides the best structural design results for both rectangular and t-shaped RC beams.

본 연구는 생성형 AI의 일종인 GPTs를 활용하여 중국어 회화 교육의 혁신적인 방안을 제시하였다. 특히 실시간 피드백과 개별화된 학습 환경을 통해 학습자의 자 기주도적 학습을 효과적으로 지원하는 방안을 탐구하였다. GPTs의 음성 분석 및 피 드백 기능은 발음, 성조, 억양과 같은 음성학적 요소의 교정에서 뛰어난 효과를 보였 으며, 학습자들은 실시간 피드백을 통해 자신의 오류를 즉각적으로 인지하고 수정할 수 있었다. 교재와의 연계성을 강화하고 실제적인 의사소통 상황을 반영한 GPTs 기 반 학습 시스템은 교실 수업과 자기주도학습의 효과적인 통합을 이끌어냈으며, 이를 통해 교수자의 역할이 지식 전달자에서 학습 촉진자로 변화하면서 중국어 회화 교육 의 새로운 가능성을 제시하였다.

병충해의 조기 발견과 그에 따른 조치의 중요성은 농업 및 생태계 보전에 있어서 핵심적이다. 그러나 초기에는 일반적인 카메라나 센 서로는 변화의 정도를 관측하기 어렵다. 이러한 한계를 극복하기 위해 초분광 모듈을 활용하여 파장대별 식물 데이터를 관측함으로써, 딥러닝 모델을 통해 가로수 식생의 건강 상태를 판별, 병충해 여부를 초기에 확인 가능하다. 이를 통해 조기에 병충해에 대해 조치함 으로써 더 큰 피해를 방지할 수 있다. 이러한 접근 방식은 농업 및 생태학 분야에서 식물의 건강을 모니터링하고 보전하는 데 적극적 으로 연구되고 있다.

This study aims to investigate the impact of topic familiarity and vocabulary learning tasks on vocabulary acquisition in an ESP (English for Specific Purposes) setting, focusing on 16 adult learners with varying proficiency levels (A1-B1), all training to be cooks. Participants worked with six cooking recipes, three on familiar topics and three on unfamiliar topics, with 30 target words assigned to one of three tasks: word list, flashcards, or fill-in-the-gaps. Immediate and delayed post-tests (three weeks later) were administered using the Vocabulary Knowledge Scale (VKS). Despite the small sample size, significant differences in retention are noted across proficiency levels and task types over time. Results from repeated-measures ANOVAs showed that topic familiarity alone did not significantly impact vocabulary acquisition. However, the interaction between topic familiarity and task type was significant, as were the effects of task types and proficiency levels individually. The interaction between task type and proficiency level also showed a significant effect on vocabulary learning. Participants generally performed better with the fill-in-the-gaps method, but these effects decreased over time. The study highlights the importance of considering both proficiency levels and task types for effective vocabulary instruction.

YouGlish, an emerging online learning platform, offers learners repeated exposure to native pronunciation in authentic contexts, providing valuable opportunities to improve their articulation of words and phrases. This study investigates the impact of a structured instructional module incorporated into YouGlish on enhancing pronunciation and intonation through shadowing practice. A total of 67 college students participated, completing four assignments using YouGlish with either a structured module (n = 30) or without a module (n = 37). The results revealed significantly better performance in word/phrase accent accuracy (t (65) = 4.36, p < .001), and intonation (t (65) = 3.94, p < .001) in the group using the structured module compared to the unstructured group. Additionally, feedback collected via questionnaires indicated that students using the module reported more positive experiences, highlighting increased usability, perceived effectiveness, and confidence in their language skills. These findings suggest that the teacher’s role in integrating multimedia resources such as YouGlish is critical to optimizing its effectiveness in language learning.

선박에는 단열을 위한 발포제가 적용된다. 기존의 발포제에는 지구온난화물질인 수소불화탄소(HFC)를 다량 포함하고 있는 문제점이 있으며, 우리나라는 몬트리올 의정서의 ‘키칼리 개정서’를 채택함에 따라 HFC를 ‘24년부터 ’45년까지 기준 수량의 80% 감 축하기로 결정되었다. 이에, 메틸포메이트 원료는 지구온난화지수가 0(HFC는 960~1,430)으로 향후 친환경발포제로 높은 기대를 갖고 있다. 하지만, 메틸포메이트 발포제의 성능은 원료의 순도 및 주변환경에 높은 영향을 받음으로 각 공정환경에 대한 정확한 분류가 필요하다. 이에, 본 논문에서는 주변환경(온도)과 메틸포메이트 순도에 따라, 총 4개의 케이스를 만들었다. 각 케이스에 대해서 10,010 장의 이미지를 학습하고, 이를 구글넷(GoogLeNet)알고리즘을 이용하여 분류하였다. 분류결과 정확도는 96.8%를 갖고, F1-Score는 0.969 를 갖는 것으로 계산하였다.

This study aims to see if task-based flipped learning (TBFL) can be effective in developing university students’ self-regulated learning. The specific research question is: Does TBFL have a positive impact on learners’ self-regulated learning attitude in cognitive, motivational, and behavioral domains? The research took place at a university English class where a total of 12 students participated for 15 weeks in the fall semester of the year 2023. In order to answer the research question, the self-regulated learning attitude inventory was used along with focus-group interviews and class observation. Due to the limited number of participants, frequency analysis was made for the quantitative data. Major findings were revealed as follows: Firstly, a high level of self-regulated learning attitude was found in all factors in the cognitive domain except for ‘Planning and Monitoring.’ Secondly, positive responses shown in the entire factors in the motivational domain led to greater interest and self-efficacy. Lastly, in the behavioral domain, positive responses were revealed except for ‘Time Management & Environment Setting,’ which seems to be related to the problems found in the cognitive domain’s ‘Planning and Monitoring.’

본 연구는 성장 단계별 돼지의 평균 사료 섭취량을 추정하고, 각 매개변수 간의 상관분석을 통해 변수를 선별한 후, 기계학습 기반 회귀분석을 통해 돼지의 사료 섭취량(FI)을 예측하는 모델을 만들고자 한다. 본 실험은 2023년 9월 14일부터 2023년 12월 15일까지 93일 동안 진행하였다. 사료는 09:00와 17:00 하루에 2회 제공하였으며, 제공된 사료의 양은 돼지의 평균 체중의 5%를 지급하였다. 돼지의 몸무게(PBW)는 매일 09:00에 이동식 돈형기를 사용하여 측정하였다. 축산환경관리시스템(LEMS) 센서를 이용하여, 돈사 내 온도(RT), 상대습도(RH), NH3를 5분 간격으로 수집하였다. 성장 단계를 3단계로 나누었으며, 각 GS1, GS2 및 GS3으로 명명하였다. 각 성장 단계별 평균 사료 섭취량과 표준편차를 구하여, 유의미성과 성장 단계별 사료 섭취의 경향을 분석하였다. 각 모델의 성능평가( , RMSE, MAPE) 시 8:2의 비율로 데이터를 분할하여, 정확도 검증을 수행하였다. 연구 결과 성장 단계별 돼지의 사료 섭취량에 유의미한 차이(p < 0.05)가 있음과 돼지가 성장할수록 일정한 양의 사료를 섭취하는 것을 확인하였다. 또한 각 변수의 상관분석 시 FI와 PBW에서 강한 상관관계가 나타났으며(R > 0.94), 각 모델의 성능평가 결과 RFR 모델이 가장 높은 정확성(  = 0.959, RMSE = 195.9, MAPE = 5.739)을 보였다.

기후 변화로 인해 해수면 상승과 폭풍해일 발생 빈도가 증가하면서, 해안 지역에서의 재난 위험이 심화되고 있다. 본 연구는 NOAA의 GFS(Global Forecast System) 모델과 일본 기상청의 JMA-MSM(Japan Meteorological Agency Meso-Scale Model) 데이터를 기반으로 딥 러닝 기술을 활용하여 폭풍해일 예측 알고리즘을 개발하고, 두 모델에서 제공하는 대기 데이터를 입력 변수로 사용하여 예측 성능을 비 교하는 것을 목표로 한다. CNN(Convolutional Neural Network), LSTM(Long Short-Term Memory), Attention 메커니즘을 결합한 모델을 설계하고, 조위관측소의 관측 자료를 학습 데이터로 사용하였다. 과거 한반도에 직접적인 영향을 미쳤던 네 개의 태풍 사례를 통해 모델 성능을 검 증한 결과, JMA-MSM 기반 모델이 GFS 기반 모델에 비해 서해, 남해, 동해에서 각각 평균 RMSE를 0.34cm, 0.73cm, 1.86cm, MAPE를 0.15%, 0.36%, 0.68% 개선하였다. 이는 JMA-MSM의 고해상도 자료가 지역적 기상 변화를 정밀하게 반영했기 때문으로 분석된다. 본 연구는 해안 재난 대비를 위한 폭풍해일 예측의 효율성을 높이고, 추가 기상 데이터를 활용한 향후 연구의 기반 제공이 기대된다.

Purpose: This study aimed to examine the impact of resilience and learning agility on organizational commitment among nurses who experienced job rotation. Methods: This descriptive correlational study was conducted with a convenience sample of 180 nurses who experienced job rotation within one year at a university hospital in C city. Data were collected from July to August 2022. A total of 176 valid responses were analyzed using scales measuring organizational commitment, resilience, and learning agility. Data analysis included descriptive statistics, Pearson's correlation coefficients, and multiple regression using the SPSS 27.0 program. Results: The results demonstrated that resilience emerged as the most significant predictor of organizational commitment among nurses who experienced job rotation, followed by satisfaction with their current department and the reason for departmental change. Conclusion: The results indicate that resilience significantly influences organizational commitment among job-rotated nurses. Future research should focus on developing and implementing programs to enhance resilience among nurses who experience job rotation, thereby improving their organizational commitment.

Galaxy evolution studies require the measurement of the physical properties of galaxies at different redshifts. In this work, we build supervised machine learning models to predict the redshift and physical properties (gas-phase metallicity, stellar mass, and star formation rate) of star-forming galaxies from the broad-band and medium-band photometry covering optical to near-infrared wavelengths, and present an evaluation of the model performance. Using 55 magnitudes and colors as input features, the optimized model can predict the galaxy redshift with an accuracy of σ(Δz/1+z) = 0.008 for a redshift range of z < 0.4. The gas-phase metallicity [12 + log(O/H)], stellar mass [log(Mstar)], and star formation rate [log(SFR)] can be predicted with the accuracies of σNMAD = 0.081, 0.068, and 0.19 dex, respectively. When magnitude errors are included, the scatter in the predicted values increases, and the range of predicted values decreases, leading to biased predictions. Near-infrared magnitudes and colors (H, K, and H −K), along with optical colors in the blue wavelengths (m425–m450), are found to play important roles in the parameter prediction. Additionally, the number of input features is critical for ensuring good performance of the machine learning model. These results align with the underlying scaling relations between physical parameters for star-forming galaxies, demonstrating the potential of using medium-band surveys to study galaxy scaling relations with large sample of galaxies.