Pavement temperature is a critical factor in winter road maintenance as it directly affects operational decisions related to de-icing, antiicing, and other safety measures. Accurate forecasting of pavement temperature enables road agencies to optimize maintenance strategies, reduce operational costs, and improve roadway safety outcomes. This study proposes a novel machine-learning algorithm, termed LSTMCNN, which integrates convolutional neural networks (CNNs) with long short-term memory (LSTM) networks for pavement temperature prediction. The proposed model enables the LSTM component to capture sequential dependencies, whereas the CNN component extracts local and spatial features embedded in time-series temperature records. Therefore, the proposed model can effectively identify long-range temporal relationships while uncovering localized or spatial features within the dataset. The input data—comprising pavement, atmospheric, and soil temperatures—were obtained at the entrance of a tunnel where a multivehicle pile-up due to black ice had occurred previously. The proposed LSTM-CNN model achieved an average prediction error of 0.61 ℃ and was benchmarked against other well-established machine-learning models, including Transformer and standalone LSTM architectures. The results show that the proposed algorithm delivers statistically superior predictive performance. The LSTM-CNN approach offers significant potential for enhancing the efficiency and effectiveness of winter road maintenance operations.

The optimal design of steel plate girders has traditionally relied on meta-heuristic techniques, such as Genetic Algorithms (GA), to handle discrete design variables and complex non-linear constraints, including shear buckling and section classification. However, these methods suffer from high computational costs as they require repetitive re-optimization for every new load condition. To address this limitation, this study proposes a highly efficient Sequential Multi-Agent Reinforcement Learning (MARL) framework based on the Agent-Environment Cycle (AEC) architecture. Unlike parallel one-shot approaches, the proposed model effectively learns the dependencies between design variables by determining them sequentially. Furthermore, to maximize cost efficiency during the inference phase, we introduce an Adaptive Inference Chain combined with a deterministic DCR-based Shrink-Refine algorithm. Experimental results on 100 diverse load cases demonstrate that the proposed method achieves an average cost reduction of 8.2% compared to the GA baseline while maintaining 100% feasibility. With an inference time reduced to approximately 76 ms, the model demonstrates significant potential for real-time automated design. Additionally, an in-depth analysis of cases where the Demand-Capacity Ratio (DCR) fell short of the target clarifies the exploration limits within the discrete design space and validates the robustness of the algorithm.

Fixed parameters in metaheuristics like Differential evolution (DE) limit truss optimization efficiency. This study proposes a PS-QDE(Phased strategy Q-Learning DE) algorithm that uses Q-learning to dynamically adapt parameters. A novel "Strategy switching factor" is also introduced to adjust the exploration-exploitation balance based on convergence. The PS-QDE algorithm was validated on four truss optimization problems (10-bar to 200-bar) with frequency constraints. Results show PS-QDE provides more stable convergence and superior or competitive optimal solutions compared to standard DE.

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 K-컬처 팬덤이 자기주도 한국어 학습 문화를 어떻게 형성하고 확산시키는지를 분석한다. 그리 고 K-팝, K-드라마, K-영화 세 장르를 분석 대상으로 삼아 국내외 선행 연구와 공개된 팬덤 담론·온라인 학습 콘텐츠를 결합한 질적 사례 분석을 수행하였다. K-컬처의 세계적 확산은 그간 외국어 학습 동기 연구가 다루지 못했던 새로운 학습 주체, 즉 문화적·정동적 동기에 이끌려 한국어를 배우는 글로벌 팬덤 이라는 집단을 부상시켰다. 본 연구는 부르디외(Bourdieu)의 장(field)·자본 이론, 젠킨스(Jenkins)의 참여 문화론, 놀스(Knowles)의 자기주도학습(SDL) 이론, 바바(Bhabha)와 크레이디(Kraidy)의 문화혼종성 개념 을 통합하여 팬덤 기반 한국어 학습의 구조와 메커니즘을 규명한다. 네 이론은 각각 동기·보상 구조, 공동체·생산 양식, 학습 과정·주도성, 정체성·문화 결합이라는 네 분석 축에 대응하며, 본 연구는 이를 하나의 통합 분석 틀로 구성하였다. 분석을 통해 K-컬처 팬덤의 한국어 학습이 단순한 외국어 습득이 아니라 문화적 정체성 실천, 공동체 소속감 형성, 문화자본 축적이 결합한 복합적 과정임을 확인하였다. 팬덤 공동체는 디지털 플랫폼을 매개로 자생적 학습 생태계를 만들어내며, 팬 번역, 자막 제작, 학습 콘텐 츠 생산이라는 집단적 실천을 통해 자기 조직형 학습 거버넌스를 형성한다. 장르별로는 K-팝이 발음·구 어체, K-드라마가 화용론·상황별 의사소통, K-영화가 사회·문화적 어휘 해석에서 각기 다른 학습 효과 를 낳는다. 이 분석을 토대로 본 연구는 K-컬처 콘텐츠의 한국어 교육 자원화 방안, 팬덤 학습 공동체와 제도 교육의 연계 전략, 문화 감수성을 내재화한 한국어 교육 모델을 제안한다.

본 연구는 2022 개정 과학과 교육과정에 기반하여 과학학습 종합역량의 개념과 구조를 정립하고, 초·중·고등학 생의 인지적·정의적 역량을 통합적으로 진단할 수 있는 과학학습 종합역량 진단 도구를 개발하는 것을 목적으로 한다. 이를 위해 2022 개정 과학과 교육과정, PISA 과학 평가틀, NGSS, EU 핵심역량 프레임워크, CASEL 사회정서역량 모델 등 국내외 교육과정 및 선행연구를 분석하였다. 또한 현직 과학 교사 15명을 대상으로 초점집단 심층면담(FGI)을 실시하고, 과학교육 및 교육과정·평가 전문가 12명을 대상으로 델파이 조사를 수행하여 현장 요구와 전문가 의견을 수 렴하였다. 분석 결과 과학학습 종합역량을 통합성, 맥락성, 실천성, 발달성의 원리에 기반하여 “학생이 과학적 지식과 개념을 이해하고 탐구적 사고와 문제 해결을 수행하며 사회적·윤리적 맥락에서 책임 있는 판단과 행동을 실천할 수 있 는 총체적 능력”으로 정의하고, 지식·이해, 과정·기능, 가치·태도의 세 영역과 총 16개 하위요인 체계로 구조화하였다. 진단 도구는 초등학교 6학년, 중학교 3학년, 고등학교 1학년을 대상으로 총 92문항(지식·이해 27문항, 과정·기능 35문 항, 가치·태도 30문항)으로 구성하였다. 지식·이해 영역은 Bloom의 인지적 위계를 반영한 Level 기반 구조로 설계하였 으며, 과정·기능 및 가치·태도 영역은 공통 Anchor 문항과 학교급별 차별화 문항을 병행 설계하여 발달 연속척도 (vertical scaling) 구축이 가능하도록 하였다. 전문가 타당도 검증 결과 모든 문항에서 높은 타당도가 확인되었으며, 334 명을 대상으로 한 예비조사에서 지식·이해 영역의 문항-전체 상관(corrected item-total correlation)은 모든 문항에서 0.30 이상으로 나타났다. 또한 Cronbach’s α 계수는 과정·기능 영역에서 0 .87- 0.91, 가치·태도 영역에서 0.85-0.90으로 나타나 진단 도구의 신뢰도가 확보되었다. 본 연구는 2022 개정 과학과 교육과정의 역량 범주를 국제적 역량 프레임워 크와 정렬하여 지식·이해, 탐구 과정, 가치·태도를 통합적으로 진단할 수 있는 발달 연속형 과학학습 역량 평가 틀을 제시하였다는 점에서 학문적·실천적 의의를 지닌다. 향후 전국 단위 대규모 조사를 통한 구성 타당도 검증과 문항반응 이론(IRT) 기반 도구 정교화, 그리고 플랫폼 연계를 통한 컴퓨터 기반 평가(CBT) 체제 구축이 요구된다.

본 연구는 프렌치매리골드(Tagetes patula L.)의 개화 과정 을 영상 기반으로 정량화하고, 이를 바탕으로 개화 진행률을 예측할 수 있는 딥러닝 모델을 제안하고자 하였다. 실험은 완 전제어형 식물공장에서 수경재배 조건하에 수행되었으며, 개 화 초기부터 만개에 이르기까지 1시간 간격으로 정면 이미지 를 촬영하여 시계열 이미지 데이터셋을 구축하였다. 각 식물 체의 이미지는 시간순으로 정렬된 연속 이미지 5장을 하나의 시퀀스로 구성하고, 마지막 시점의 개화율을 예측하는 회귀 문제로 모델을 학습하였다. 제안한 모델은 CNN 기반 특징 추 출기와 LSTM 기반 RNN을 결합한 CNN+RNN 하이브리드 구조로, 시간에 따른 개화 과정을 효과적으로 반영하도록 설계 되었다. 비교 실험에는 BasicCNN, ResNet18, MobileNetV2, EfficientNetB0 모델을 포함하였으며, 동일한 데이터셋과 조 건에서 성능을 비교하였다. 실험 결과, 제안한 CNN+RNN 모델은 평균제곱오차(MSE) 0.0006, 평균절대오차(MAE) 0.0196, 결정계수(R2) 0.993을 기록하며, 다른 모델들에 비해 데이터에 대한 매우 높은 적합도를 나타냈다. 이러한 결과는 제안된 모델이 시간에 따른 시각적 변화를 효과적으로 반영함 을 시사하며, 화훼 작물의 자동 개화 모니터링 및 생육 단계 분 석을 위한 기반 기술을 활용될 수 있음을 보여준다.

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.