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.

본 연구는 고령중국어 학습자의 신체적, 인지적, 사회·환경적 및 고령자 외국어 학 습의 방면에서 학습자의 특성과 심리요인을 분석하고, 설문과 인터뷰를 통한 중국어 학습자의 학습현황을 통하여 수업설계의 기초가 되도록 하였다. 또한 수업설계의 활 용도를 검증하기 위하여 실제 수업을 진행하고 분석을 실시하였다. 다만 설문과 인 터뷰인원의 제한성으로 인해 연구의 한계성이 존재하지만 수업에서 학습자의 심리를 고려한 수업은 학습의 지속성과 학습자의 소속감을 향상시킨다는 긍정적인 결론을 도출하였다. 중국어 학습이 언어기능향상의 목적 외에도 고령학습자에게 노년기를 함께 보낼 수 있는 상호 보완적인 기능을 담당할 수 있도록 하는 것에 본 연구의 의 의를 두고자 한다.

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.

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.

본 연구는 ESG 교육과 평생교육의 연계성을 텍스트마이닝으로 실증 분석하고 통합교육 프레임워크 를 탐색한다. 2016~2025년 상반기 국내 학술 DB 372편을 대상으로 TF-IDF, 네트워크분석, LDA 토 픽모델링을 적용하였다. 연구결과, 평생교육 키워드는 23.1% 논문에 출현(명시적 연계 제한적)이지만 매개중심성 3위(0.145)로 ESG 영역(환경·사회·지배구조)을 연결하는 중개 허브 역할을 확인하였다. 4 개 토픽 중 평생교육 통합(18.5%)이 독립 도출되었다. 키워드 네트워크는 기업교육(57.3%) 중심 속 평생교육의 지역사회 연계 가능성을 보여준다. 공식·비공식 학습 융합, 학습자중심 시스템, 지역 네트 워크, 지속가능성 역량을 핵심으로 하는 미래지향적 통합 프레임워크를 제안한다. 초기 단계이나 개념 적으로 견고한 연계성을 확인, 지속가능 교육 생태계 정책 통합을 제언한다.

The loss of soil available nutrients may affect soil quality and crop growth. Biochar can form a multi-level fixed network because of its rich pore structure and surface functional groups, which can effectively fix available nutrients in soil and maintain nutrient utilization rate. Because it is difficult to directly prepare biochar materials with good adsorption characteristics through experimental results. This study employed an XGBoost machine learning prediction model to determine the optimal nutrient-rich biochar preparation conditions. The R2 value ranged from 0.97 to 0.99. The results indicated that specific surface area was the primary factor influencing ammonium nitrogen adsorption, with a feature importance of 56.13%. Production conditions (hydrothermal temperature and time) significantly affected the adsorption of nitrate nitrogen and available phosphorus, with feature importances of 75.91% and 81.54%, respectively. Mean pore diameter was negatively correlated with potassium ion adsorption characteristics. Biochar prepared under hydrothermal conditions at 202.50–251.25 °C for 3 h exhibited favorable adsorption characteristics for multiple soil available nutrients. This study provides new insights into biochar’s application in the field of soil nutrient adsorption through data analysis. It is helpful to avoid the waste in the process of energy utilization from biomass to biochar.

Based on a carbon emission inventory of China’s cement industry, this study evaluates the performance of six machine learning models—ridge regression (RR), polynomial regression (PR), random forest (RF), support vector machine (SVR), gradient boosted regression tree (GBRT), and feed-forward neural network (FNN)—in predicting carbon emissions. Model accuracy, feature importance, and residual distributions were analyzed. Results show that clinker production and coal consumption are the dominant factors, contributing 83.7% and 11.95% to emissions, respectively. PR and FNN achieved the best performance with R2 values up to 0.99 and lowest mean square errors (0.11 and 1.82). Their mechanisms were further adapted to improve the generalization of other models. Spatial analysis revealed that North, South, and Southwest China are major emission regions. Using the optimal model, emissions in 2035 are projected to reach 519.14 million tonnes. This study offers technical insights for model optimization and supports low-carbon policymaking in the cement industry.

본 연구는 인공지능(AI) 기반 말하기 연습이 외국어로서의 한국어 (KFL) 학습자의 말하기 불안감과 정서적 발달에 미치는 영향을 분석함으 로써, AI 도구가 학습자의 정서적 요인에 미치는 교육적 의미를 탐색하 였다. 양적·질적 혼합연구 방법을 사용하여 설문조사 결과와 심층 인터 뷰 자료를 종합적으로 분석하였다. 통계분석 결과, 전반적으로 말하기 불 안이 감소하는 경향을 보였으나, 통계적으로 유의한 차이는 한 문항에서 만 확인되었다. 그러나, 질적 분석에서는 인터뷰에 참가한 모든 학습자가 AI와의 상호작용을 통해 말하기에 대한 자신감과 편안함이 향상되었다고 보고하였으며, 이는 AI 기반 연습 환경이 학습자에게 심리적 안정감과 언어 사용의 부담 완화라는 긍정적 경험을 제공했음을 보여준다. AI 기 반 말하기 연습은 완전한 의사소통 능력의 습득을 대체하기보다는, 학습 자가 인간과의 실제 상호작용으로 나아가기 위한 초기 단계의 스캐폴드 역할을 수행하는 것으로 이해할 수 있다. 연구의 한계로는 소규모 표본, 짧은 개입 기간, 그리고 연구 결과의 일반화 가능성 제한이 있다.

This study proposes a surrogate model framework that integrates finite element analysis and deep learning to rapidly estimate equivalent material properties of patterned sheets. Conventional homogenization methods can only be applied after the pattern geometry has been finalized, requiring additional modeling and simulation. In contrast, the proposed approach establishes a surrogate model in advance, enabling the immediate estimation of equivalent material properties once the pattern geometry is defined. A dataset of 5,000 cases was generated using simulations, and Bayesian hyperparameter optimization was applied to improve model performance. The surrogate model achieved R² values above 0.99 for all target properties, confirming high internal consistency. Experimental validation with patterned STS304 specimens yielded meaningful results, with all errors remaining within 15%, which demonstrates the reliability of the proposed surrogate model despite minor deviations caused by fabrication imperfections and limited training data. Despite these limitations, the proposed system enables instant estimation of equivalent properties from pattern geometries, offering significant reduction in computational cost and design time. This approach enhances design reliability and provides a practical tool for the application of patterned materials in industrial engineering.

최근 국민 삶의질 향상, 인구구조 변화 등에 따라 관광수요가 증가하고 관광활동 또한 다양화되고 있다. 특히 국가어항은 단순 한 어업 활동의 거점을 넘어 지역 경제, 관광, 문화까지 아우르는 복합 기능 공간으로 활용되고 있다. 본 연구는 부산 기장군에 위치한 대 변항을 대상으로 관광수요를 예측함으로써 정책적 활용이 가능한 기초자료를 제공하고자 한다. 2015년부터 2024년까지의 월별 위치 기반 방문객수를 입력 데이터로 설정하여 시계열 예측을 수행하였다. 연구방법론으로 전통적인 통계방법인 SARIMA를 기준으로 예측 정확도 를 향상시키기 위해 Hybrid model을 활용하였다. 특히 기존의 선형적 방법과 비선형 방법을 결합한 Hybrid model을 제안하고자 한다. 시계 열 구조적 분해방법인 STL 기법과 비구조적 잔차 제거 방법인 DAE 분석을 수행하였다. 즉 Trend와 Seasonal을 분해하는 STL과 머신 러닝 기반의 DAE를 활용하여 분해하고, 설명되지 않은 잔차를 대상으로 딥 러닝을 통해 예측함으로써 선형과 비선형 방법을 결합하여 예측 정확도를 제고하고자 한다. 분석결과, 연구진이 제안한 모델로 STL와 DAE를 활용하여 2중 분해하고 LSTM과 Attention을 결합한 Hybrid deep learning model이 가장 예측 정확도가 높았다. 향후 관광수요 예측에서는 분해와 잔차 기반의 노이즈 제거 과정을 거친 후, 딥 러닝 기 법을 결합하는 것이 정확성 측면에서 효과적인 방법임을 확인하였다. 본 연구는 연안 국가어항의 미래 관광수요를 전망함으로써, 관광추 세를 반영한 지속가능한 수요 대응 전략 수립 및 정책 의사결정에 기여할 수 있을 것으로 기대된다.

Cordycepin is the principal bioactive compound produced by Cordyceps militaris and exhibits diverse pharmacological properties. However, cordycepin production is highly sensitive to cultivation conditions, leading to substantially variable production amounts and challenges in process optimization. An interpretable machine learning framework was established in this study to predict the cordycepin produced by C. militaris cultivated on Pinus densiflora sawdust. Three key cultivation parameters—input weight, growth weight, and particle size—were quantified using submerged mycelial culture. The cordycepin content was measured via high-performance liquid chromatography. Four predictive models (random forest, support vector machine, XGBoost, and artificial neural network) were optimized through a randomized hyperparameter search and evaluated using internal validation and Tropsha’s external quantitative structure-activity relationship criteria. The validation accuracy of XGBoost was the highest (root mean square error = 42.67 μg/mL), whereas the external performance of random forest was the most reliable (R² = 0.898). Shapley additive explanations revealed that input weight most strongly influenced cordycepin production, followed by growth weight and particle size, with distinct nonlinear and interaction-driven effects among the cultivation variables. Kernel density and dependence analyses confirmed the occurrence of multimodal production regimes associated with the substrate loading and particle size characteristics. Finally, the best-performing model was deployed through a streamlit-based graphical user interface, enabling the real-time prediction of cordycepin concentration with a 95% confidence interval. The results collectively demonstrate the utility of interpretable AI-driven modeling for unveiling complex biological responses, providing a practical decision-support tool for optimizing cordycepin production in fungal biotechnologies.

Underwater sonar image classification is essential for maritime surveillance, autonomous navigation, and underwater target identification, where optical sensing is often restricted by turbidity and light attenuation. To enhance the robustness of sonar-based perception under such challenging conditions, this study proposes a metric-enhanced Vision Transformer (ViT) framework that integrates Siamese-based representation alignment with distance-regularized classification. In the first stage, a Siamese pre-training strategy is employed to align embeddings of positive pairs, encouraging directionally consistent representations that improve class separability even under severe noise and viewpoint variations. In the second stage, the pretrained ViT encoder is frozen, and five classifiers—Linear, Cosine, Proxy, and their Mahalanobis-regularized variants—are systematically evaluated to investigate the effect of embedding normalization and distributional alignment. Experimental results on the UATD dataset demonstrate that the Siamese-trained ViT produces more stable and discriminative features than both ResNet-50 and standard ViT-S. Among the classifiers, the Mahalanobis-regularized cosine classifier achieves the highest, showing significant reductions in misclassification between visually similar classes such as cube and square cage. Overall, the proposed approach highlights the effectiveness of combining ViT with metric learning and covariance-aware distance normalization for underwater sonar image recognition. The results suggest that metric-enhanced transformers offer a robust and generalizable foundation for sonar-based perception in real maritime environments.

This study verified the moderating effects of personality types (Ego-States) on the relationship between Training Attitude (TA), Training Environment (TE), and Training Performance (TP) among Work-Learning Dual program apprentices. Drawing from Transactional Analysis, personality types were classified into five Ego-States: Critical Parent (CP), Nurturing Parent (NP), Adult (A), Free Child (FC), and Adapted Child (AC). An analysis of 354 apprentices revealed significant differences in TP scores. The FC and A types demonstrated the highest performance (mean scores of 4.11 and 4.05 out of 5, respectively), whereas the CP and NP types recorded lower scores (3.25 and 3.30, respectively). Regarding the moderating effects, TA was found to have a significant effect on TP at the 5% significance level, and the interaction term between TA and personality type also showed a significant effect on TP at the 5% level. Consequently, personality type was identified as a quasi-moderator for TA. Specifically, the positive effect of TA was weakened for the AC type but strengthened for the FC type. In the case of TE, the analysis indicated no significant direct effect on TP at the 5% significance level. However, the interaction term between TE and personality type significantly influenced TP at the 5% level, thereby confirming personality type as a pure moderator for TE. This significant impact was observed specifically for the A and AC types. These findings demonstrate that the pathway to high training performance is not uniform. The results strongly suggest the need for differentiated training management and instructional design tailored to the specific personality profiles of apprentices to maximize program effectiveness.

본 연구 논문은 학생들의 문화적 기원, 그 다양성, 그리고 학습 양식 간 의 연관성을 탐구한다. 연구의 목적은 서로 다른 문화적 배경을 지닌 학생들이 다양한 학습 활동과 교수 전략에 어떻게 접근하고 참여하는지를 더욱 심층적으로 밝히는 데 있다. 개인의 가치관, 태도, 학습 선호도는 문화적 요인에 크게 영향을 받는다. 교사는 문화적 다양성이 학습 패턴에 어떤 방식으로 작용하는지를 이해함으로써 보다 효과적 이고 포용적인 교육 기법을 개발할 수 있다. 연구 결과는 문화적 환경이 학생들의 선 호 학습 방식, 인지적 접근법, 그리고 교육 자료와의 상호작용에 어떤 영향을 미치는 지를 보여준다. 또한, 문화적으로 관련성 있는 내용의 통합과 문화적 적응이 학생들의 학습 경험을 어떻게 향상시킬 수 있는지도 고찰한다. 본 연구의 결과는 교육과정 개 발, 교사 교육, 그리고 교육 정책 수립에 중요한 시사점을 제공한다.

As the unmanned aerial vehicle industry grows, unexplained multirotor crashes continue to increase, and existing preventive maintenance methods have limitations in managing multirotor safety. Safety must be the top priority in multi-copter operations. To address this, real-time monitoring of the multi-copter's flight status during operation is required, along with anomaly detection and immediate response based on flight log information. However, limitations exist in processing anomaly data for each flight control log, necessitating the development of standardized technology to overcome this challenge. In this paper we propose a standardized process for collecting multi-copter flight control logs in real time, classifying the log information by message sets, and extracting key defect detection indicators contained in each message set. Furthermore, the extracted defect detection indicators were validated using various supervised learning models. In our experimental results, we collected flight logs from a multi-copter equipped with a defective propeller and conducted experiments using three defect detection models. The results show an accuracy rate of 0.99. This is the F1-score for the defect detection rate.

Defect detection in manufacturing processes is a critical requirement for ensuring product reliability and maintaining production stability. As smart manufacturing environments continue to advance, the need for precise and robust vision-based inspection methods has become increasingly significant. This study proposes a hybrid defect analysis framework that integrates YOLOv5-based defect candidate detection with an Attention U-Net–based segmentation module. Experiments conducted on chromate-coated industrial images demonstrate that the proposed framework achieves an accuracy of 0.97, precision of 0.91, recall of 0.89, F1-score of 0.93, and IoU of 0.88, exhibiting stable performance even for small defects and irregular boundaries. The combination of region- of-interest extraction and attention-enhanced pixel-level segmentation improves both computational efficiency and boundary reconstruction quality. The findings extend the applicability of attention-based segmentation to industrial defect inspection and provide practical insights for deploying deep learning–based quality monitoring systems in automated manufacturing environments.

This mixed-methods study explores perceptual learning style preferences among Korean and Uzbek EFL learners and examines teachers’ interpretations of these preferences. Quantitative data were collected from secondary-level learners in both countries (N= 208) using Reid’s PLSPQ, followed by semi-structured interviews with English teachers (n= 18) to contextualize survey patterns. The PLSPQ was selected for its modality-based structure and comparability with current EFL research, and teacher interviews were added to triangulate self-report. Independent-samples t-tests showed that Uzbek learners reported significantly higher preferences across all six modalities, with no group differences on visual. These higher scores are interpreted as context-responsive tendencies rather than indicators of superior ability, with Uzbek patterns linked to smaller classes, limited private tutoring, early instruction prior to full literacy, and movement-based activities in resource-limited schools. In contrast, narrower preference profiles among Korean learners align with exam-oriented, text-focused instruction, larger classes, and classroom norms of deference. While this study contributes a cross-context perspective on learning style preferences, its findings are limited by reliance on self-report and the absence of factor analytic validation of the PLSPQ. Future research should include psychometric testing and behavioral measures. Overall, results underscore the value of inclusive, multimodal pedagogy and learner metacognitive awareness.