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.

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.

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.

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.

병충해의 조기 발견과 이에 따른 신속한 조치는 농업 생산성 유지와 생태계 보전에 있어 핵심적인 요소이다. 그러나 병충해 발생 초 기 단계에서는 일반적인 카메라나 센서를 통해 식생의 미세한 변화를 관측하는 데 한계가 있다. 이러한 한계를 극복하기 위해 초분광 모듈을 활용하여 파장대별 식물 데이터를 정밀하게 관측하고, 이를 딥러닝 모델에 적용함으로써 가로수 식생의 건강 상태를 판별하고 병충해 발생 여부를 조기에 확인할 수 있다. 이와 같은 방법을 통해 병충해에 대한 선제적 대응이 가능해지며, 결과적으로 피해의 확 산을 효과적으로 방지할 수 있다. 이러한 접근 방식은 농업 및 생태학 분야에서 식물의 건강 상태를 지속적으로 모니터링하고 보전하 기 위한 기술로 활발히 연구되고 있다.

The application of machine learning in concrete technology has expanded rapidly, yet its reliability is often constrained by limited experimental data, heterogeneous testing conditions, and inconsistencies across published studies. This study investigates the integration of machine learning and synthetic data augmentation to predict the compressive strength of concrete incorporating biochar as a partial replacement for cement. An experimental dataset was compiled from peer-reviewed journal articles indexed in Web of Science, focusing on biochar-modified concrete mixtures. Input variables included cement content, fine and coarse aggregates, biochar dosage, water to binder ratio, superplasticizer content, and curing age, with compressive strength as the target variable. Extreme Gradient Boosting was adopted due to its strong performance on nonlinear tabular data. Model performance was evaluated using the mean absolute error (MAE), mean squared error (MSE), and coefficient of determination (R²), alongside five-fold cross-validation. Hyperparameter optimization was performed using Optuna. To address data scarcity, a synthetic dataset of 1000 samples was generated using ChatGPT. the large language model approach relied solely on natural language prompts. Only feature definitions and the target variable were provided, without exposing the original data or implementing data generation algorithms. Three modeling strategies were examined. First, model trained and tested solely on experimental data achieved a testing R² of approximately 0.91. Second, model trained on synthetic data and evaluated exclusively on experimental data showed reduced generalization, achieving a testing R² of about 0.42, indicating pronounced domain shift effects. Third, synthetic and experimental data were combined through data augmentation and jointly modeled, a testing R² of 0.93 was achieved. The result showed that the use of LLMs for augmentation improved the performance of the model.

국내 노후 교량의 증가에 따라 유지관리 비용과 사회적 피해가 지속적으로 확대되고 있으며, 특히 포트홀 발생으로 인한 피해 보상액 또한 최근 증가하는 추세를 보이고 있다. 교량 포장 구조에서 포트홀은 아스팔트 포장과 콘크리트 바닥판 사이 계면의 박리로부터 구조적으로 시작된다. 차량 제동 및 가속에 따른 수평 하중, 수분 침투, 층간 차등 팽창 등은 계면에 인 장응력을 유발하여 결합 상태를 약화시키며, 이는 표면 균열로 진전되어 최종적으로 포트홀로 이어진다. 따라서 계면 박리는 포트홀 발생의 구조적 전조증상으로 볼 수 있다. 하지만 기존의 육안 점검은 표면 손상 중심의 평가에 국한되어 계면 박리 와 같은 내부 구조 상태를 직접적으로 파악하는 데 한계가 있다. 최근에는 구조물 내부 상태를 평가하기 위해 다양한 NDT 기법의 활용이 증가하고 있으나, 탄성파 기반의 IE(Impact-Echo) 및 UT(Ultrasonic Testing) 기법은 아스팔트와 같은 다공성 재료 내부에서 신호 감쇠가 발생하여 적용에 제약이 있다. 반면, 전자기파를 활용하는 GPR(Ground Penetrating Radar)은 포 장 내부 및 계면 상태 평가에 적합하나, 신호 해석 과정에서 전문가의 경험에 의존하는 주관적 한계가 존재한다. 이에 본 연구에서는 GPR 데이터를 기반으로 계면 박리 유무를 자동으로 분류하고, 이를 통해 포트홀 발생 위험 지점을 예측하는 딥 러닝 기반 프레임워크를 제안하였다. ResNet-50을 백본으로 하는 2-stage 전이학습 기법을 적용하였으며, 1단계에서는 3,708 개의 시험체 데이터를 활용하여 기초 분류 모델을 구축하고, 2단계에서는 28,890개의 실교량 데이터를 추가 학습하여 현장 조건에 대한 일반화 성능을 향상시켰다. 그 결과, 제안된 모델은 전체 정확도 85.2%와 weighted F1-score 0.8493의 성능을 나 타내었다. 본 연구에서 제안한 방법은 포트홀 발생 이전 단계에서 내부 계면 박리를 탐지할 수 있는 기술적 기반을 제시하 였으며, 이를 통해 선제적 유지관리 전략 수립과 교통 안전성 향상, 유지관리 비용 및 피해 보상액 감소에 기여할 수 있을 것으로 판단된다.

본 연구는 항만물류 분야의 산업 설비에 대한 머신러닝 기반 예지정비 시스템 개발을 목적으로 수행되었다. UCI Repository의 Dataset을 활용하여 10,000개의 데이터 포인트를 분석하였으며, 설비 고장 발생 여부를 예측하는 이진 분류와 고장 유형을 분류하는 다중 클래스 분류 과제를 수행하였다. 데이터 전처리 과정에서 클래스 불균형 문제 해결을 위해 SMOTE 기법을 적용하였고, StandardScaler를 이 용한 정규화를 수행하였다. 주성분 분석을 통해 온도 변수, 기계 출력, 공구 마모가 주요 예측 변수로 확인되었다. 로지스틱 회귀, K-최근 접 이웃, 서포트 벡터 머신, 랜덤 포레스트, XGBoost 등 다섯 가지 머신러닝 알고리즘을 적용하여 성능을 비교하였다. 분석 결과, KNN은 상대적으로 낮은 성능을 보였으나 빠른 응답속도를 제공하였고, XGBoost가 모두에서 최고 성능을 보였으며, 이진 분류에서 F1 점수 0.958, 다중 클래스 분류에서 0.989를 달성하였다.

This study examines Kule-based reactive expressions, which remain relatively underdescribed in Korean as a Foreign Language (KFL) education. It adopts a mixed methodology combining spoken corpus analysis, a Discourse Completion Task (DCT) administered to KFL learners, and a survey of native-speaking KFL teachers. The corpus analysis reveals that some frequent expressions are absent from or only marginally addressed in existing works, raising questions about current lexicographic practices. The DCT results show inconsistent learner responses, indicating limited awareness of distinctions among these expressions and a strong reliance on implicit auditory input. Teacher survey data further point to the absence of a shared pedagogical framework regarding instructional timing and methods. Overall, the findings suggest that despite their key role in managing reactions in spoken Korean interaction, Kule-based formulas remain peripheral in KFL classrooms. This research therefore highlights the need for context-sensitive descriptions, multimodal teaching and learning materials, and empirically grounded pedagogical resources.

이 논문에서는 강화학습 기반 제어기와 전통적인 제어기를 동일한 조건에서 비교함으로써 구조 진동 제어 문제에서 강화학습 제 어기의 성능 특성과 한계를 규명하는 것을 목적으로 한다. 가장 단순한 비선형 제어로서 단자유도 가변 강성 시스템을 대상으로 심층 결정적 정책 경사(DDPG) 기반의 강화 학습 제어기를 설계하고, bang-bang 제어 및 제한 최적 제어와의 성능 비교를 수행하였다. 자유 진동 및 El Centro 지진 가속도에 의한 강제 진동 조건에서 공칭 성능과 센서 잡음이 존재하는 경우의 강인 성능을 분석하였다. 그 결 과, 강화학습 제어기는 자유 진동 조건에서 우수한 강인 성능을 보였으나, 강제 진동 제어에서는 기존 제어기를 일관되게 상회하지는 못하였다. 이 연구는 동일한 보상 함수와 시스템 조건 하에서 강화학습 기반 진동 제어의 실질적 기여와 적용상의 한계를 기초적으로 제시하였다.

상수관로의 노후화는 수질 안전성 저하와 수자원 손실, 유지보수 비용 증가 등의 문제를 야기하며, 이에 따라 지중 매설관의 상태를 신속하고 정확하게 진단할 수 있는 기술의 중요성이 커지고 있다. 특히 내시경 영상을 활용한 관로 점검은 가장 보편적인 방식으로 자리 잡았으나, 판독자의 숙련도에 따라 해석 편차가 발생하고, 대량 데이터의 신속한 처리에는 한계가 있다. 이러한 배경에서 본 연구는 관종⋅관경⋅용도 등 상수관 메타데이터를 모델에 통합하고, 관로 내 결함의 존재 여부와 유형, 크기를 동시에 예측할 수 있는 다중과제 학습(Multi-task Learning) 기반 인공지능 모델을 제안한다. 제안한 모델은 두 개의 예측 헤드를 통해 결함 판별과 정량적 분류를 병행하도록 설계되었으며, SHAP 기반 분석을 통해 모델의 판단 근거가 상수관로의 실제 결함 특성과 일치함을 확인하였다. 이러한 접근은 수작업 판독의 부담을 경감하고, 관로 상태 기록의 표준화 및 정량화를 통해 예방 중심의 유지관리 전략 수립을 효과적으로 지원할 수 있다.

본 연구는 성인 느린학습자의 사회적 의사소통과 고등교육의 학습지원 경 험을 심층적으로 분석하여 사회적 관계와 교육 환경에서의 어려움 및 지원 요구를 파악하는 데 목적이 있다. 경상북도에 거주하는 성인 느린학습자 9명 을 대상으로 적응적 인터뷰를 진행하였다. 분석 결과, 총 4개의 상위범주와 11개의 하위범주, 24개의 의미단위가 도출되었다. 사회적 의사소통 영역에서 는 대화 개시, 주제 유지의 어려움, 타인과의 농담 해석의 제한, 반복적인 의사소통 실패로 인한 부정적인 자기 인식이 나타났으며, 이러한 부분에서 사회적 관계 형성을 위한 지원과 느린학습자 인식 개선의 요구를 보였다. 고등교육의 학습 경험에서는 전문 용어와 추상적 설명에 대한 수업의 어려움, 질문하기에 대한 심리적 부담, 구체적이고 단계적인 설명 요구가 나타났다. 이러한 어려움은 진로 탐색과 직업 적응, 직장 내 관계 형성의 어려움으로까 지 이어지는 것으로 나타났다. 연구 결과를 통해 본 연구가 성인 느린학습자 의 사회적 및 학습적 어려움을 이해하고 이들의 사회 참여 및 고등교육 지원 을 위한 기초자료로 활용되기를 기대한다.

본 연구는 성인학습자의 자기주도학습능력이 학업지속의향에 미치는 영향과 이 관계에서 학교소속감이 수행하는 매개효과를 규명하고자 수행 되었다. 직장과 가정 그리고 학업의 다중 역할을 수행하는 성인학습자는 학업 중단 위험이 상대적으로 높기 때문에, 학업 지속을 예측하는 핵심 요인을 파악하는 것은 실천적 및 정책적 측면에서 중요한 과제이다. 연 구대상은 대학에 재학 중인 성인학습자 102명이며, 자기주도학습능력과 학교소속감 그리고 학업지속의향을 측정한 후 기술통계, 상관분석, 회귀 분석, 매개효과 분석을 실시하였다. 매개효과는 Baron & Kenny(1986) 의 절차와 Sobel 검정, 그리고 95% 신뢰구간의 부트스트래핑을 활용하 여 분석하였다. 연구결과, 첫째, 자기주도학습능력은 학업지속의향에 유 의한 정적 영향을 미쳤다. 둘째, 자기주도학습능력은 학교소속감에 유의 한 영향을 미쳤으며, 셋째, 학교소속감 또한 학업지속의향에 유의한 영향 을 미쳤다. 마지막으로 학교소속감은 자기주도학습능력과 학업지속의향 의 관계를 부분 매개하는 것으로 나타났다. 본 연구는 성인학습자의 학 업 지속에 있어 인지적 및 동기적 요인과 사회심리적 요인의 통합적 역 할을 규명하였다는 점에서 이론적 기여를 지니며, 성인학습자의 소속감 증진 프로그램, 상담·멘토링 체계 구축, 평생교육 정책 설계 등 실천적 시사점을 제공한다.