웹 기반 신경심리검사의 타당도를 저해할 수 있는 요인들에 대한 해결책의 일환으로 검사 툴의 인터페이스 디자인을 개선하고자 세 단계를 거쳐 연구를 진행하였다. 연구 1은 곽호완의 웹 기반 신경심리검사 중 주의력 검사 툴의 UI 디자인 문제점을 파악하기 위한 것으로, 전문가에 의한 발견적 시찰법을 실시하였다. 그 결과, 이 검사 툴의 지시 화면, 조사 양식, 과제 화면, 결과 화면 등의 디자인에서 세부적인 사용성 문제점들이 드러났다. 연구 2는 찾아낸 사용성 문제점을 해결하기 위해 웹 기반 주의력 검사에 특화된 11개 디자인 가이드라인을 도출하였다. 이를 토대로 사용자의 작업 흐름에 맞추어 화면 구성과 사이트 구조 등을 최적화하고 재미 요소를 가미하여 검사 툴을 새롭게 디자인 한 다음, JAVA를 이용하여 프로토타입을 개발하였다. 이렇게 구현한 개선 툴(그래픽 툴)이 기존 툴(텍스트 툴)에 비해 더 효과적임을 검증하기 위해, 연구 3에서 사용자들을 대상으로 수행 측정과 설문 조사를 실시하여, 실수 유형과 출현비율 및 UI 만족도를 측정하였다. 수행 측정 결과, 그래픽 툴이 텍스트 툴에 비해 UI 디자인 문제들로 인해 발생하는 사용자 실수 유형과 출현비율이 유의하게 감소하였다. 사후 설문 조사 분석 결과, 텍스트 툴에 비해 그래픽 툴은 전반적인 만족도, 화면, 용어와 시스템 정보, 학습 용이성, 시스템 성능 등의 만족도 측면에서 우수한 것으로 입증되었다.

멀티미디어 학습에서 시공간 작업기억의 용량에 따라 그림 유형과 그림 내용의 효과가 달라지는지를 두 개의 실험에서 알아보았다. 실험 1에서는 영어단어 설명을 단어로만 주는 조건, 동영상과 같이 주는 조건, 그림과 같이 주는 조건을 비교하였다. 단어검사에서 동영상은 시공간 작업기억 용량이 큰 집단에서만 효과가 있었고, 이해검사에서는 단어설명만 주어진 조건에서 가장 수행이 좋았다. 실험 2에서는 동영상의 내용이 미치는 영향을 알아보았다. 단어검사에서는 전형적인 내용을 담은 동영상이 효과가 있었으나, 이해검사에서는 맥락에 적합한 내용의 동영상으로 학습한 집단이 이해 점수가 높았고, 이 경향은 시공간 작업기억 용량이 작은 집단에서 더 두드러지게 나타났다. 두 실험의 결과는 멀티미디어 학습의 효과는 인지부하의 정도에 달려 있다는 인지부하이론과 멀티미디어 학습을 여러 수준의 활동의 결과로 설명한 생성이론의 의해 잘 설명되는 것으로 해석되었다.

본 연구에서는 기능적 자기공명영상 기법을 이용하여, 정상 성인이 한국어 틀린 믿음 과제를 수행하는 동안 활성화되는 뇌 영역을 알아보고자 하였다. 실험 1에서 일차 틀린 믿음 과제를 수행하는 동안 양측 설전소엽과 측두-두정 인접부, 좌반구의 하두정소엽, 후측 대상회, 중전두회 등의 뇌 활성화가 관찰되었다. 실험 2에서 이차 틀린 믿음 과제를 수행하는 동안에는 좌반구의 중전두회와 내전두회와 우반구의 설전소엽, 중전두회, 측두-두정 인접부 영역이 활성화되었다. 이런 결과는 성인이 마음이론 이야기를 이해하는 방식은 보편적임을 시사하는 것이다.

웹과 디지털 라이브러리가 대중화되면서, 사용자들은 이를 정보 조사나 학습 같은 높은 인지부담을 수반하는 작업에 활용하기 시작한다. 그러나 대부분의 검색엔진 및 브라우저는 사용자에게 단순한 질의 기반 검색 및 항해탐색 기능만을 제공하므로 정보를 해석하고 연계하며 통합하는 등의 역할은 사용자에게 전가한다. 본 논문에서는 인간-웹 상호작용을 위한 이단 모델(Two-level M여el)이라고 부르는 개인화된 지식구조를 제안한다. 이 구조는 지식공간과 정보공간으로 구성되어 있으며, 새롭게 지식공간을 구성하고 이를 이용하는 명령(Operation)을 제공한다. 지식 공간은 웹에서 상호작용을 통해 검색된 결과에 대한 개념적인 해석이라고 할 수 있으며, 토픽 및 토픽간의 관계를 통해서 이 지식 공간이 구성된다. 이러한 지식 공간은 정보공간의 정보객체와 연결되어 있어 지식공간으로부터 원하는 정보에 대한 접근이 가능하다. 이 모델에 기반 하여 구현된 시스템을 통해 정보탐색 태스크 중 가장 높은 인지부담을 요구하는 탐험적 검색 환경 아래서의 실험을 수행하여 사용자 인지부담 절감 효과를 확인 할 수 있었으며, 향후 개인의 효과적인 정보 탐색을 위한 가치 있는 메타데이터로서의 활용이 기대된다.

오늘날 웹페이지(Web page)는 많은 정보를 포함하고 있다. 본 논문에서는 정보추출(information extraction) 등에서 유용하게 사용되는 개체명(named entity)을 웹(Web)을 이용하여 영역별로 자동으로 추출하는 집합 확장 시스템을 제안한다. 그 방식은 전체적으로 3단계의 구성을 가진다. 우선 사전을 구축하고자 하는 영역의 몇 개의 원소를 씨앗단어로 이용하여 웹페이지를 검색한다. 다음으로 검색되어진 웹페이지와 씨앗단어 정보를 이용하여 패턴 규칙을 추출한다. 추출된 패턴 규칙을 다시 웹페이지에 적용하여 개체명 후보들을 추출하고 최종적으로 추출된 후보들과 웹페이지 사이의 상호 중요도를 재귀적으로 계산하여 개체명 후보들에 대한 순위를 정하게 된다. 이 방식의 실험은 한국어와 영어로 나누어서 실험을 수행하였고, 한국어는 3개의 영역에서, 영어는 8개의 영역에서 실험을 진행하였다. 그 결과, 한국어에서는 78.72%의 MAP를 얻을 수 있었고, 영어에서는 96.48%의 MAP를 얻었다. 특히, 영어 개체명 인식에서의 성능은 구글에서 제공하고 있는 구글셋의 결과보다도 높은 성능을 보였다.

많은 사용자들의 참여로 구축된 집단 지성을 이용한 지식 검색 서비스에서 사용자가 원하는 답변을 빨리 찾고자 하는 요구가 증가하고 있다. 기존의 연구에서 조회 수, 추천 수, 답변 수와 같은 비텍스트 정보가 답변을 평가하는데 좋은 자질임이 증명되었고, 신뢰도를 추정할 수 있는 여러 종류의 단어 사전을 이용하여 답변의 좋고 나쁨을 평가할 수 있는 연구도 진행되었다. 하지만, 조회 수, 추천 수, 답변 수와 같은 비텍스트 정보는 사용자 조작이 간단하여 지속적으로 관리를 해야 하며, 신뢰도를 추정할 수 있는 단어는 지속적으로 보강되어야 한다. 본 논문에서는 이러한 문제점을 해결하고자 동시출현 자질을 이용한 질문과 답변의 유사성을 활용하여 집단 지성에서 사용자의 활동을 분석하여 사용자의 명성을 평가하는 방법을 제안한다. 사용자의 명성을 계산할 수 있다면 조회 수와 추천 수가 많지 않은 답변의 신뢰도도 비교적 정확하게 추정할 수 있다. 이를 위해 우리는 PageRank 알고리즘을 수정하여 사용자 명성을 계산한다. 네이버 지식iN의 문서로 실험한 결과, 기존 정답 선택률을 보완할 수 있는 결과를 보였다.

일상생활에서 많이 쓰이는 블로그 문서를 분석하는 것은 다양한 웹 응용서비스를 연결할 수 있는 중요한 단초를 제시하므로, 블로그 문서에 담긴 감정을 파악하는 것을 매우 유용한 일이다. 본 논문에서는 블로그 문서에 존재하는 감정을 보다 정확하게 분류하기 위해 부정어 처리와 새로운 단어 가중치의 적용이 성능에 미치는 영향에 대해 탐구한다. 특히, 감정단서(clue)가 내재된 정규화된 부정어 n-gram을 통해 부정어 처리를 고도화하고 말뭉치기반 단어 가중치 계산법(Corpus-specific Term Weighting, CSTW)을 통해 감정 분류 성능향상을 살펴보기로 한다. 검증을 위해 블로그 문서들로 정답 말뭉치를 구축하고 감정 흐름 분석(Enhanced Mood Flow Analysis, EMFA)과 지지벡터기계기반 감정 분류(Support Vector Machine based Mood Classification, SVMMC)의 두 가지 분류기법에 대해 실험을 하였다. 정규화된 부정어 n-gram의 적용은 EMFA에서 점진적인 감정 분류 성능 향상을 보여주었으며, CSTW의 적용은 TF*IDF나 TF에 비해 보다 높은 감정 분류 성능을 나타내었다.

본 논문에서는 한국어 감정 분류에 기반이 되는 감정 자질 추출의 효과적인 추출 방법을 제안하고 평가하여, 그 유용성을 보인다. 한국어 감정 자질 추출은 감정을 지닌 대표적인 어휘로부터 시작하여 확장할 수 있으며, 이와 같이 추출된 감정 자질들은 문서의 감정을 분류하는데 중요한 역할을 한다. 문서 감정 분류에 핵심이 되는 감정 자질의 추출을 위해서는 영어 단어 시소러스 유의어 정보를 이용하여 자질들을 확장하고, 영한사전을 이용하여 확장된 자질들을 번역하여 감정 자질들을 추출하였다. 추출된 한국어 감정 자질들을 평가하기 위하여, 이진 분류 기법인 지지 벡터 기계(Support Vector Machine)를 사용해서 한국어 감정 자질로 표현된 입력문서의 감정을 분류하였다. 실험 결과, 추출된 감정 자질을 사용한 경우가 일반적인 정보 검색에서 사용하는 내용어(Content Word) 기반의 자질을 사용한 경우보다 약 14.1%의 성능 향상을 보였다.