본 연구는 챗GPT를 대학 교양영어 수업의 학습 도구로 활용하는 효과 적인 수업구성을 하는 것을 목표로 하고 있다. 구체적인 논의는 다음의 네 가지이다. 첫째, 교육계에서 챗GPT 사용에 관해 찬반 논쟁이 있음에 도 불구하고 생성형 AI가 교육계에 큰 변화를 가져올 것이라는 점에는 거의 이견이 없다. 둘째, 챗GPT를 사용함에 있어서 발생 가능한 문제점 을 팩트 체크의 부재, 지적 재산권의 문제, 문해력 저하로 정리하였다. 학습에서 챗GPT를 도구로 사용하기에 앞서서 이러한 문제점들을 학습자 들에게 반드시 인식시키는 교과과정을 만들어야 할 것이다. 셋째, 교육현 장에서 챗GPT를 사용하기 위해서 학습자에게 선제적으로 인식시켜야 할 점은 생성형 AI가 학습의 도구로서의 역할을 하며, 학습자가 인공지능에 의존하는 것이 아니라 인공지능과 협업을 한다는 것이다. 넷째, 학습능력 이 매우 상이한 학생집단을 대상으로 챗GPT를 학습도구로 사용하기 위 해서는 그룹별 협업을 통한 활동이 중요하다. 그룹원들의 다양한 질문을 인공지능에 주입하여 다채로운 결괏값을 얻어 지식을 창조적으로 (재)생 산할 수 있기 때문이다. 본 연구의 의의는 연구에서 제시하는 수업구성 을 실제 수업에 적용하여 또 다른 연구물을 도출할 수 있다는 점이다.

Existing reinforced concrete buildings with seismically deficient column details affect the overall behavior depending on the failure type of column. This study aims to develop and validate a machine learning-based prediction model for the column failure modes (shear, flexure-shear, and flexure failure modes). For this purpose, artificial neural network (ANN), K-nearest neighbor (KNN), decision tree (DT), and random forest (RF) models were used, considering previously collected experimental data. Using four machine learning methodologies, we developed a classification learning model that can predict the column failure modes in terms of the input variables using concrete compressive strength, steel yield strength, axial load ratio, height-to-dept aspect ratio, longitudinal reinforcement ratio, and transverse reinforcement ratio. The performance of each machine learning model was compared and verified by calculating accuracy, precision, recall, F1-Score, and ROC. Based on the performance measurements of the classification model, the RF model represents the highest average value of the classification model performance measurements among the considered learning methods, and it can conservatively predict the shear failure mode. Thus, the RF model can rapidly predict the column failure modes with simple column details.

본 연구는 대학 창의융합수업에서 Appreciative Inquiry 교수학습방법을 적용한 후 창의융합역량 학습 성과 효과를 분석하는 것을 목적으로 하였다. 이를 위하여 창의융합교육을 위한 창의융합역량 학습성과 평가도구를 개발하고 이를 타당화하였다. 이후, 경기도 소재 G 대학교 경영대학원에서 교육경영 교과목을 수강하는 대학원생 12명을 대상으로 교수학습 방법을 적용한 창의융합교육을 실시하고 창의융합역량 학 습성과 효과를 분석하였다. 연구결과, 팀기반 Appreciative Inquiry 교수학습 방법이 학습자의 창의융합역 량 학습성과 증진에 유의미한 역할을 하였다. 학습자-학습자간, 교수자-학습자간 평가로 실시한 학습성 과 평가에서 Appreciative Inquiry의 4D 활동이 혁신적 사고, 다양한 아이디어, 경험의 결합, 협력적 태도 역량 증진에 효과적인 것으로 분석하였다. 이를 통해 창의융합교육에서 학습자의 적극적인 참여와 협업을 바탕으로 긍정적인 분위기의 아이디어 발산과 공유의 팀기반 교수학습 방법이 창의융합역량 학습성과에 효과가 있다 결론을 도출하였다.

Nuclear Material Accountancy (NMA) system quantitatively evaluates whether nuclear material is diverted or not. Material balance is evaluated based on nuclear material measurements based on this system and these processes are based on statistical techniques. Therefore, it is possible to evaluate the performance based on modeling and simulation technique from the development stage. In the performance evaluation, several diversion scenarios are established, nuclear material diversion is attempted in a virtual simulation environment according to these scenarios, and the detection probability is evaluated. Therefore, one of the important things is to derive vulnerable diversion scenario in advance. However, in actual facilities, it is not easy to manually derive weak scenario because there are numerous factors that affect detection performance. In this study, reinforcement learning has been applied to automatically derive vulnerable diversion scenarios from virtual NMA system. Reinforcement learning trains agents to take optimal actions in a virtual environment, and based on this, it is possible to develop an agent that attempt to divert nuclear materials according to optimal weak scenario in the NMA system. A somewhat simple NMA system model has been considered to confirm the applicability of reinforcement learning in this study. The simple model performs 10 consecutive material balance evaluations per year and has the characteristic of increasing MUF uncertainty according to balance period. The expected vulnerable diversion scenario is a case where the amount of diverted nuclear material increases in proportion to the size of the MUF uncertainty, and total amount of diverted nuclear material was assumed to be 8 kg, which corresponds to one significant quantity of plutonium. Virtual NMA system model (environment) and a divertor (agent) attempting to divert nuclear material were modeled to apply reinforcement learning. The agent is designed to receive a negative reward if an action attempting to divert is detected by the NMA system. Reinforcement learning automatically trains the agent to receive the maximum reward, and through this, the weakest diversion scenario can be derived. As a result of the study, it was confirmed that the agent was trained to attempt to divert nuclear material in a direction with a low detection probability in this system model. Through these results, it is found that it was possible to sufficiently derive weak scenarios based on reinforcement learning. This technique considered in this study can suggest methods to derive and supplement weak diversion scenarios in NMA system in advance. However, in order to apply this technology smoothly, there are still issues to be solved, and further research will be needed in the future.

Fouling is an inevitable problem in membrane water treatment plant. It can be measured by trans-membrane pressure (TMP) in the constant flux operation, and chemical cleaning is carried out when TMP reaches a critical value. An early fouilng alarm is defined as warning the critical TMP value appearance in advance. The alarming method was developed using one of machine learning algorithms, decision tree, and applied to a ceramic microfiltration (MF) pilot plant. First, the decision tree model that classifies the normal/abnormal state of the filtration cycle of the ceramic MF pilot plant was developed and it was then used to make the early fouling alarm method. The accuracy of the classification model was up to 96.2% and the time for the early warning was when abnormal cycles occurred three times in a row. The early fouling alram can expect reaching a limit TMP in advance (e.g., 15-174 hours). By adopting TMP increasing rate and backwash efficiency as machine learning variables, the model accuracy and the reliability of the early fouling alarm method were increased, respectively.

기후변화 영향으로 이상고수온, 태풍, 홍수, 가뭄 등 재난 및 안전 관리기술은 지속적으로 고도화를 요구받고 있으며, 특히 해 수면 온도는 한반도 주변에서 발생되는 여름철 적조 발생과 동해안 냉수대 출현, 소멸 등에 영향을 신속하게 분석할 수 있는 중요한 인자 이다. 따라서, 본 연구에서는 해수면 온도 자료를 해양 이상현상 및 연구에 적극 활용되기 위해 통계적 방법과 딥러닝 알고리즘을 적용하 여 예측성능을 평가하였다. 예측에 사용된 해수면 수온자료는 흑산도 조위관측소의 2018년부터 2022년까지 자료이며, 기존 통계적 ARIMA 방법과 Long Short-Term Memory(LSTM), Gated Recurrent Unit(GRU)을 사용하였고, LSTM의 성능을 더욱 향상할 수 있는 Sequence-to-Sequence(s2s) 구조에 Attention 기법을 추가한 Attention Long Short-Term Memory (LSTM)기법을 사용하여 예측 성능 평가를 진행하 였다. 평가 결과 Attention LSTM 모델이 타 모델과 비교하여 더 좋은 성능을 보였으며, Hyper parameter 튜닝을 통해 해수면 수온 성능을 개 선할 수 있었다.

A machine learning-based algorithms have used for constructing species distribution models (SDMs), but their performances depend on the selection of backgrounds. This study attempted to develop a noble method for selecting backgrounds in machine-learning SDMs. Two machine-learning based SDMs (MaxEnt, and Random Forest) were employed with an example species (Spodoptera litura), and different background selection methods (random sampling, biased sampling, and ensemble sampling by using CLIMEX) were tested with multiple performance metrics (TSS, Kappa, F1-score). As a result, the model with ensemble sampling predicted the widest occurrence areas with the highest performance, suggesting the potential application of the developed method for enhancing a machine-learning SDM.

본 연구에서는 T2 터보 스핀 에코 지방 포화 기법 중 딥러닝 기반 T2 터보 스핀 에코 Dixon 기법에서 지방분율에 대한 분석을 통해 정확한 지방 포화가 이루어지는지 알아보고자 하였다. 이에 미국 방사선학회 인증 팬텀을 기준 팬텀으로 설정 하고, 액체 지방 팬텀을 이용하여 일반 T2 지방 포화 기법들과 딥러닝 기반 T2 Dixon 기법의 지방분율을 정량적으로 분석 하였다. 연구 방법은 기준 팬텀 3시 방향에 지방 함유율이 0, 10, 20, 30%인 액체 지방 팬텀을 고정하고, 기법별 액체 지방 팬텀 중심부의 신호강도 값을 도출하였다. 그리고 측정된 값을 지방분율 공식을 이용하여 수치화하였다. 연구 결과 각각의 액체 지방 팬텀의 지방분율 측정에서 T2 Dixon 딥러닝 기법과 Dixon 기법이 다른 일반 지방 포화 기법들과 비교해 기준 지방분율에 가장 근접하였다. 그리고 두 기법 간 통계적 차이는 없어 딥러닝 영상 재구성이 지방 포화에 영향을 미치 지 않음을 알 수 있었다. 따라서 딥러닝 기반 T2 터보 스핀 에코 Dixon 기법은 정확한 지방분율로 지방 포화를 할 수 있어 그 유용성이 있다고 생각한다.

고성능 콘크리트(HPC) 압축강도는 추가적인 시멘트질 재료의 사용으로 인해 예측하기 어렵고, 개선된 예측 모델의 개발이 필수적 이다. 따라서, 본 연구의 목적은 배깅과 스태킹을 결합한 앙상블 기법을 사용하여 HPC 압축강도 예측 모델을 개발하는 것이다. 이 논 문의 핵심적 기여는 기존 앙상블 기법인 배깅과 스태킹을 통합하여 새로운 앙상블 기법을 제시하고, 단일 기계학습 모델의 문제점을 해결하여 모델 예측 성능을 높이고자 한다. 단일 기계학습법으로 비선형 회귀분석, 서포트 벡터 머신, 인공신경망, 가우시안 프로세스 회귀를 사용하고, 앙상블 기법으로 배깅, 스태킹을 이용하였다. 결과적으로 본 연구에서 제안된 모델이 단일 기계학습 모델, 배깅 및 스태킹 모델보다 높은 정확도를 보였다. 이는 대표적인 4가지 성능 지표 비교를 통해 확인하였고, 제안된 방법의 유효성을 검증하였다.

본 논문은 초등학교 현장에서 교사와 학생들에게 계몽편의 내용 중 자연 현상의 음양론과 천지인 삼원의 효율적인 교수학습 방안을 현대에 알맞은 교 수법으로 제시하려고 한다. 이에 본 연구에서는 초등학생을 교육대상으로 음 양오행과 천지인 삼원의 체계적인 수업 설계를 구성하고 교수학습 방안을 제 시하여 교사에게는 교수법을, 학생들에게는 노래와 그림을 통해 음양오행을 쉽게 이해하도록 하는 학습 방안 연구를 목적으로 한다. 본 연구의 구성은 교안과 노래 악보, 율동 설명, 유튜브(YouTube) QR코드와 URL, 그림자료로 시각적, 청각적 교육이 가능하도록 하였다. 음양오행과 천지 인 삼원의 이론적 설명과 학교 교육에서 음양오행과 천지인 삼원을 쉽게 지 도하기 위한 효율적인 교수학습모형을 초등학교 교수법에 맞추어 질적인 교 수학습 방안을 제시하였다. 수업마다 활용할 수 있는 노래악보와 율동설명이 있으며, 음원과 율동이 유튜브에 업로드 되어 URL을 클릭하거나 QR코드를 핸드폰으로 찍으면 바로 볼 수 있도록 구성하였다. 또한 각 주제에 맞는 그 림들은 지도하는 교사와 수업을 받는 학생들 모두에게 교육적 가치가 있다 고 본다. 음양오행 관련 가사를 만들고, 노래 반주에 맞추어 8곡의 음반을 제작하였 다. 8곡 중 5곡은 율동 동영상을 촬영하여 초등학생들이 신체 활동을 통해 학 습 주제를 몸으로 익힐 수 있도록 유튜브(YouTube)에 업로드 하였으며, 나머 지 3곡은 그림을 보며 노래하도록 유튜브(YouTube)에 업로드 하였다. 유튜브 (YouTube) QR코드와 URL을 논문에 넣었으며, 유튜브 URL은 클릭하면 바로 연 결되고, QR코드는 핸드폰을 사용하여 QR코드스캔으로 사진 찍으면 웹브라우 저로 바로 연결이 되어 터치만 하면 유튜브(YouTube) 동영상을 시청할 수 있 도록 하였다. 본 연구를 통해 동양적 철학에 내재 되어 있는 역사나 사상, 철학적인 내용 들이 교육과정에 반영되고 학습자의 습득이 용이하도록 설계되어 전통문화와 의 연계적인 교육 체계가 운영될 수 있기를 바란다.

Purpose: This study examined the effect of the blended learning method during self-practice of transfusion therapy on nursing students’ academic achievement in transfusion therapy, confidence in performing transfusion therapy, self-directed learning ability, and satisfaction with self-practice. Methods: The study design was a non-equivalent control group pretestposttest quasi-experimental design. The participants were 75 nursing students divided into two groups: 38 in the experiment group and 37 in the control group. The blended learning method, combined with face-to-face and online learning, was applied to the experimental group’s self-practice from October 12 to 30, 2020. For the control group’s self-practice, face-to-face learning without online learning was employed. Results: The experimental group showed significantly better academic achievement than the control group. There were no significant differences in confidence in performance, self-directed learning ability, and satisfaction with self-practice between the two groups. Conclusion: This study showed that the blended learning method combined with face-to-face learning and online learning in self-practice significantly affected academic achievement. Further studies are needed to identify effective online learning methods for nursing practice.

해운 시황을 예측하는 것은 중요한 문제이다. 투자 방식의 결정, 선대 편성 방법, 운임 등을 결정하기 위한 판단 근거가 되며 이는 기업의 이익과 생존에 큰 영향을 미치기 때문이다. 이를 위해 본 연구에서는 기계학습 모델인 장단기 메모리 및 간소화된 장단기 메모리 구조의 Gated Recurrent Units를 활용하여 컨테이너선의 해상운임 예측 모델을 제안한다. 운임 예측 대상은 중국 컨테이너 운임지수 (CCFI)이며, 2003년 3월부터 2020년 5월까지의 CCFI 데이터를 학습에 사용하였다. 각 모델에 따라 2020년 6월 이후의 CCFI를 예측한 후 실 제 CCFI와 비교, 분석하였다. 실험 모델은 하이퍼 파라메터의 설정에 따라 총 6개의 모델을 설계하였다. 또한 전통적인 분석 방법과의 성 능을 비교하기 위해 ARIMA 모델도 실험에 추가하였다. 최적 모델은 두 가지 방법에 따라 선정하였다. 첫 번째 방법으로 각 모델을 10회 반복 실험하여 얻은 RMSE의 평균값이 가장 작은 모델을 선정하는 것이다. 두 번째 방법으로는 모든 실험에서 가장 낮은 RMSE를 기록한 모델을 선정하는 것이다. 실험 결과 전통적 시계열 예측모델인 ARIMA 모델과 비교하여 딥러닝 모델의 정확도를 입증하였으며, 정확한 예측모델을 통해 운임 변동의 위험관리 능력을 제고시키는데 기여했다. 반면 코로나19와 같은 외부 효과에 따른 운임의 급격한 변화상황이 발생한 경우, 예측모델의 정확도가 감소하는 한계점을 나타냈다. 제안된 모델 중 GRU1 모델이 두 가지 평가 방법 모두에서 가장 낮은 RMSE(69.55, 49.35)를 기록하며 최적 모델로 선정되었다.

본 연구는 운항선의 운항 빅데이터를 활용하여 머신러닝 기법의 선박 마력 예측에 관한 것이다. 현재 신조선에는 ISO15016법을 이용하여 외부환경 요인에 대하여 수식을 통해 저항을 예측하나 관련 계산식이 복잡하고 요구하는 입력변수들이 많아 운항하는 실선 적 용에 많은 시간과 비용이 필요하다. 본 연구에서는 최근 예측, 인식 등에서 우수한 성능을 보이는 SVM(Support Vector Machine) 알고리즘을 이용하여 우수한 성능의 선박 출력 예측이 가능한 모델을 제안한다. 제안 예측 모델은 실선 운항 빅데이터만 확보된다면 ISO15016법 대비 우수한 성능의 예측이 가능한 장점이 있다. 본 연구에서는 178K 벌크캐리어의 운항 DATA를 활용하여 ISO15016 기법과 본 연구에서 제안 하는 SVM 알고리즘 기반의 마력해석법을 비교하여 ISO15016의 단점인 선박 모델 데이터 준비 부분을 줄이고 부정확한 마력 예측 성능을 개선하였다.