현행 항공교통이용자 분석은 주로 통계적인 분석이 주류를 이루고 있으나, 이동경로, 지역별 이용자 수, 공항접근 소요시간 등 세부적인 사항에 대한 분석이 어렵다는 한계가 있다. 한편 빅데이터 기술 발전과 데이터3법 개정에 따라 빅데이터 기반 교통분석이 활성화되고 있으며, 모바일 통신 데이터는 휴대전화 단말기의 위치를 상세하게 파악할 수 있어 교통분석을 위한 좋은 분석자료가 될 수 있다. 이에 본 연구에서는 기존 항공교통이용자 분석방법의 한계를 극복하기 위해 이동경로 전체를 분석할 수 있는 모바일 통신 데이터를 기반의 교통이용자 O/D(Origin/Destination) 추출 알고리즘을 제시한다. 본 연구에서 제시하는 알고리즘은 각 공항에 공항신호탐지 구역을 설정하고, 해당 구역의 기지국 접속이력을 토대로 항공교통이용자를 추출하고 해당 이용자의 출발지-도착지 경로상의 기지국 접속 데이터를 토대로 이동경로를 추정하는 것이다. 본 연구에서는 2019년 1~12월의 기간을 대상으로 모든 국내 공항에 대하여 국내/국제선 이용자에 대해 O/D를 추출하였다. 또한 추출된 데이터의 검증을 위해 모바일 통신데이터 기반 항공교통 이용자 O/D 데이터와 항공통계데이터에 대해 상관성 분석을 수행하였다. 이를 통해 총량에는 차이가 있으나(국내선 4.1, 국제선 4.6) 상관성 0.99로 상관성이 높아 활용 가능할 것으로 판단되었다. 본 연구에서 제시한 알고리즘은 기존과 다르게 항공교통이용자의 이동행태, 지역별/연령별 비율 등 폭넓고 상세한 분석을 가능하게 하며, 향후 공항관련 정책 마련이나 지역별 시장분석 등 다양한 분야에서 활용할 수 있다.

익스트림 러닝머신은 다양한 방식의 예측 분야에서 주요 분석 방법을 제공하고 있다. 시계열 자료의 복잡한 패턴을 학습하고 잡음이 포함되어 있는 데이터이거나 비선형인 경우에도 최적의 학습을 통하여 정확한 예측을 할 수 있다. 이 연구에서는 온라인 시계열 자료를 분석하는 도구로서 주로 연구되고 있는 기계학습 모형들의 최근 동향들을 기존 알고리즘을 이용한 응용 특성들과 함께 제시한다. 지속적이고 폭발적으로 발생하는 대규모 온라인 데이터를 효율적으로 학습시키기 위해서는 다양하게 진화 가능한 속성에서도 잘 수행될 수 있는 학습 기술이 필요하다. 따라서 이 연구를 통하여 시계열 예측 분야에서 빅데이터가 적용되는 최신 기계 학습 모형에 대한 포괄적인 개요를 살펴보고, 빅데이터에 대한 기계 학습의 주요 과제 중 하나인 온라인 데이터를 학습하는 최신 모형들의 일반적인 특성과 온라인 시계열 자료를 얼마나 효율적으로 학습하고 예측에 활용할 수 있는지에 대하여 논의하고 그 대안을 제시한다.

물류 산업은 기업과 소비자에게 필요한 상품과 자원을 저장하고 운송하기 때문에 우리의 생활과 밀접하게 연관되어 그 중요성은 더욱 더 커지고 있다. 중요성에 커짐에 따라 물류 산업은 혁신과 변화를 통해 효율적이고 지속 가능한 서비스를 제공하기 위해 노력하고 있다. 기술적 혁신과 인공지능을 활용하여 물류 네트워크 최적화, 친환경적인 운송 등 다양한 영역에서 연구와 개선이 이루어지고 있으나 여전히 물류 산업의 일부 측면에서 미흡한 연구가 있다. 특히, 다양한 요소를 고려하여 차량 운반선의 최적화된 선적 계획을 효과적이고 신속하게 계획을 수립하는 것은 다양한 복잡성을 내포하고 있어 이 분야의 연구는 부족한 상태이다. 본 논문에서는 다양한 고려사항과 차량 운반선의 선적 계획 수립 규칙을 반영하여 작업자가 신속하고 효율적으로 선적 계획을 수립할 수 있도록 하는 선·하적 알고리즘에 관하여 연구하였다.

산업 현장에서 발생하는 사고를 방지하기 위해 정책 및 제도적인 변화를 하고 있으나 산업 재해는 계속해서 발생하고 있다. 산업 현장에서의 안전에 관한 사고는 다양한 변수를 생각해야 하는 과제로 이를 해결하고 사고를 최소화하기 위한 연구가 지속적으로 이루어지고 있다. 본 논문에서는 산업 현장에서 사용되는 트랜스포터의 경로 예측에 관한 연구를 진행하였다. 가로 3.4km, 세로 2.3km 트랜스포터 작업환경에서 트랜스포터의 좌표를 PECNet을 통해 학습한 결과 평균오차는 ADE가 1.27m, ADE가 1.13m를 나타냈다. 본 연구를 통해 트랜스포터에 한정하여 경로를 예측할 수 있을 뿐만 아니라 다양한 분야에서의 이동체나 보행자의 이동 경로를 예측할 수 있어 사고를 예방하고 방지하는데 기여할 것으로 생각된다.

2015년 도입된 서울시 공공자전거 '따릉이'는 2022년 연간 이용자 수 4000만 명을 달성하였다. 개인형 이동장치의 일종인 '전동 킥보드' 또한 각종 공유 서비스의 증가로 2020년 이용자 수 100만 명을 돌파하였다. 다만, 이 새로운 교통수단의 주요 통행로인 자전거 도로는 타 교통수단에 비해 도로가 턱없이 부족한 실정이다. 따라서 본 연구에서는 서울시 자전거 안전사고 예방을 위한 자전거 도로 최적 입지 선정 방안을 제안하였다. 입지선정 시 도로 교통의 안전성에 주목하여 자전거 사고 위험도를 반영하고자 하였다. 이에 회귀모델을 통해 자전거 교통사고가 발생할 위험이 높은 지역을 선별하였다. 해당 지역을 클러스터링 분석을 통해 6개의 군집으로 분류하였으며 군집별 변수의 특징을 기반으로 적합한 자전거 도로의 유형을 제안하였다. 본 연구를 통해 서울시의 자전거 전용 도로 및 전용차로의 확충을 비롯한 교통 환경이 개선되기를 기대한다.

클라우드 네이티브(Cloud Native)는 클라우드 환경에서 모든 클라우드 자원을 활용하여 완벽히 작동할 수 있는 기술적 발전 상태(Technical Maturity Level)를 의미한다. 공공부문의 정보자원을 클라우드로 전환하는데 있어 클라우드의 특성을 잘 활용하지 못하고 있는 실정이다. 이에 본 연구에서는 정성적 연구방법인 클라우드 전문가 인터뷰 기법과 정량적인 연구 방법으로 국내·외 관련 기사를 대상으로 텍스트 네트워크 분석을 이용하였다. 이를 통해 국내·외 클라우드 네이티브와 관련된 활용 동향 및 선진국의 클라우드 정책을 분석하였다. 선행연구를 통해 클라우드 네이티브 핵심 구성요소를 알아보고, 기존 연구에서 다루어지지 않은 애자일 방법론의 필요성을 제기하였다. 이러한 핵심 구성요소를 공공부문에서 적용하여 디지털 혁신을 통한 업무혁신에 기여할 것으로 생각된다. 또한, 본 연구에서는 공공부문의 클라우드 네이티브의 확산 방안에 대한 심도 있는 논의를 통해 국내 클라우드 네이티브 활용에 대한 중요한 시사점을 제공하고자 한다.

현재 수산업 종사자의 78%를 차지하고 있는 인력 고령화에 따른 노동력 부족 문제를 해결하기 위해 객체 검출 및 추적 알고리즘을 주요 내용으로 하는 스마트 양식 기술에 대한 연구가 활발히 진행되고 있다. 이러한 기술들은 어류의 크기 분석, 행동 패턴 예측 등의 작업이 가능하여 실시간 모니터링 및 자동화 시스템의 구축이 용이할 것으로 기대된다. 본 연구에서는 양식 시설 외부에 설치된 카메라로부터 수집된 영상 데이터를 기반으로 어류 검출 및 추적 알고리즘을 활용하였다. 수중 조건, 암모니아, pH 농도에 따른 카메라 부식 문제로 인한 높은 유지보수 비용 문제를 극복하는 것을 목표로 하였다. 어류 객체 검출을 위해 YOLOv7 모델을 활용한 실시간 모니터링 시스템의 성능을 분석하였고, 어류의 움직임을 추적하기 위해 SORT 알고리즘을 활용하였다. YOLOv7 훈련 결과 PR Curve 기반의 Recall과 Precision 값의 상충 관계를 밝혀내 조명에 의한 물줄기와 그림자의 오검출을 최소화하였음을 알 수 있다. 어류 추적을 위해 우리는 재식별화를 통해 효과적인 추적을 확인하였다. 이러한 연구 결과는 스마트 양식 산업의 운영 효율성을 높이고 양식 시설의 어류 관리 개선을 용이하게 할 것으로 기대된다.

스마트 플랜트 발전에 있어서 빅데이터 분석과 인공지능은 중요한 역할을 한다. 본 연구에서는 플랜트 데이터를 위한 빅데이터 플랫폼과 인공지능 기반 플랜트 유지 관리를 위한 'AutoML 플랫폼'을 개발하였다. 빅데이터 플랫폼은 하둡, 스파크, 카프카를 활용하여 플랜트에서 발생하는 대용량의 데이터를 수집, 처리, 적재하는 플랫폼이다. AutoML 플랫폼은 설비의 예지보전 및 공정 최적화를 위한 예측 모델을 구축하는 머신러닝 자동화 시스템이다. 위 플랫폼은 기존 플랜트 운영 정보 시스템과의 호환성을 고려하여 데이터 파이프라인을 구성하고, 웹 기반 GUI를 통해 작업자의 접근성과 편의성을 향상하였으며, 데이터 처리와 학습 알고리즘에 사용자 정의 모듈을 탑재하는 기능을 통해 유연성을 증대시켰다. 본 논문은 국내 정유회사의 특정 공정을 대상으로 플랫폼을 실제 운영해보았고, 이를 통해 스마트 플랜트를 위한 효과적인 데이터 활용 플랫폼 사례를 제시한다.

빅데이터/AI 기반 사회로의 변화에 따른 여러 혜택에서 소상공인은 상대적으로 소외될 가능성이 높다. 이를 지원하기 위해 유동인구를 기반으로 핫플레이스를 정의하여 소상공인의 창업 지역 의사 결정을 지원하고자 한다. 다양한 연구를 통해 해당 지역의 인구 규모가 소상공인의 매출에 중요한 영향을 미친다는 사실이 알려져 있다. 본 연구에서는 인천 유동인구 데이터 중 내륙 지방을 추출하여 연구를 진행하였다. 50m 간격의 격자 형태로 이루어진 데이터로 보간을 통해 일 단위로 이미지화 하였다. LOF와 GAM을 이용하여 공간적 이상치 제거 및 보간을 수행하였고, LOESS를 통해 시간적 이상치를 제거 및 보간하였다. 시간적, 공간적 특성을 모두 고려할 수 있는 ConvLSTM을 예측 모델로 사용하였으며, reconstruction error를 기반으로 이상치 탐지를 수행하는 AutoEncoder 구조를 통해 MAPE가 높은 격자가 밀집해 있는 지역을 핫플레이스로 정의하고자 한다.

This study investigates the impact of perceived risk, perceived deception, and negative emotional factors on consumer distrust, dissatisfaction, and boycott intentions towards both YouTubers and products that fail to adequately disclose paid advertisements, commonly referred to as "hidden advertisement." Conducted through an online survey, 306 YouTube viewers from South Korea participated in the study. The findings reveal several key insights. Firstly, perceived deception, perceived risk, and negative emotional factors are identified as contributors to increased consumer distrust and dissatisfaction. Secondly, both consumer distrust and dissatisfaction exhibit positive correlations with boycott intentions towards YouTubers and products. This research seeks to unravel the intricacies of online consumer boycott intentions and aims to elucidate the underlying reasons behind such actions. It is noteworthy that in this context, the ramifications of boycotts extend beyond influencers or YouTubers alone, impacting consumer distrust and dissatisfaction, thereby influencing boycott intentions towards the associated products and exerting a lasting impact on a company's branding efforts.

전 세계적으로 약물 부작용은 주요 사망원인의 상위를 차지하고 있다. 약물 부작용에 대해 효과적으로 대응하기 위해, 능동적인 실시간 분석 기반 약물감시 체계로의 전환과 함께 데이터의 표준화와 품질 향상이 필요하다. 이를 위해, 개별 기관의 데이터를 통합하고 대규모 데이터를 활용하여 약물 부작용 예측의 정확도를 높이는 것이 중요하다. 하지만, 각 기관 간의 데이터 공유는 프라이버시 문제를 야기시키고 각기 다른 데이터 표준 구성도 다르다. 본 연구에서는 이 문제를 해결하기 위해, 개인정보보호 법규에 따라 데이터를 직접 공유하지 않고 모델의 학습 결과를 공유하는 연합학습 방식을 채택한다. 각 기관마다 다른 데이터포맷을 Common Data Model(CDM)을 활용하여 데이터 표준화를 수행하고 데이터의 정확성과 일관성을 확립한다. 또한, 클라우드 기반의 연합학습 환경을 구성하여 보안 및 확장 관리에 효율성을 높이는 약물감시 시스템을 제안한다. 이를 통해 기관 간 데이터의 프라이버시를 보호하면서도, 효과적인 의약품 부작용 모니터링과 예측이 가능하다. 약물 부작용으로 인한 사망률 감소와 의료비용 절감을 목표로 하며, 이를 실현하기 위한 다양한 기술적 접근과 방법론을 탐구한다.

본 연구는 20대와 한국인을 대상으로 한 건강관리 애플리케이션의 음식 이미지 분류 모델을 개선하는 것을 목표로 진행되었다. AI Hub에서 546,194개의 이미지를 수집하여 175개의 음식 클래스를 구성하였으며, ResNet 인공지능 모델을 학습하고 검증하였다. 추가적으로, 실제 촬영한 음식 이미지에 대한 인식 정확도가 상대적으로 낮게 나타나는 원인에 대해 고찰하고, 이를 해결하기 위한 방안으로 모델 성능을 최적화를 위한 다양한 방법을 분석하였다.

인공위성과 IoT를 연결하는 연구가 활발히 진행됨에 따라 통합된 네트워크를 구축되고, 얻어진 빅데이터들은 다양한 분야에서 활용되고 있다. 하지만 통합 네트워크 생태계는 제한된 대기 시간과 낮은 필요 전력 및 다양한 이기종 장치들의 구성 등으로 인해 심각한 보안 문제를 겪고 있다. 이를 해결하기 위해 SDN(Software Defined Networking)을 활용한 위성-IoT 네트워크를 구축하는 연구가 진행되었다. 하지만 기존 SDN에서 발생하는 보안 문제들이 여전히 존재하기 때문에 본 논문에서는 블록체인 기반 SDN 환경을 구현하여 추가적인 문제점을 해결하고자 한다. 블록체인 기반의 SDN 분산 컨트롤러를 운용하고, 블록체인 인증시스템을 통해 IoT 단말 및 노드들을 검증하도록 구현하였다. 본 논문에서는 우리가 개발한 구현의 계획을 제안하고, 향후 연구로 인공지능과의 융합과 위성-IoT 기기에서 얻을 수 있는 빅데이터들을 활용할 수 있는 방안을 제시한다.

지속적인 이커머스 시장의 성장으로 풀필먼트센터가 처리해야 하는 주문량은 증가하였고, 다양한 고객 요구사항은 주문 처리의 복잡성을 높이고 있다. 이러한 추세와 함께 최근 인건비 증가로 인해 풀필먼트센터의 운영 효율성이 기업 경영 관점에서 더욱 중요해지고 있다. 본 연구는 풀필먼트센터의 출고 프로세스 중 포장 작업 영역에 적용 가능한 박스 추천을 중심으로 연구를 수행하였다. 박스 추천을 하기 위해 과거 실적 데이터를 기계학습 모형의 학습 데이터로 사용하였다. 상품 정보, 주문 정보, 포장 정보, 배송 정보 4가지 종류의 데이터를 전처리, 변수 가공 과정을 거쳐 기계학습 모델에 적용하였다. 입력 벡터로는 상품 규격 정보에 해당하는 width, length, height 3가지 특성을 사용하였으며, 상품의 실수 정보를 구간별 정수체계로 변환하는 변수 가공 과정을 통해 입력 벡터의 특성을 추출하였다. 기계학습 모형별 성능을 비교한 결과 GradientBoosting 모델을 적용하였을 경우 21개의 구간으로 상품 규격 정보를 정수로 변환하였을 때 95.2%로 가장 높은 정확도로 예측을 수행함을 확인하였다. 본 연구는 풀필먼트센터에서 잘못된 박스 선택으로 인해 발생하는 물류비용의 증가와 박스 포장 소요 시간의 비효율을 줄이기 위한 방안으로 기계학습 모형을 제시하며, 상품 규격 정보의 특성을 효과적으로 추출하기 위한 변수 가공 처리 방식을 제안한다.

LNG는 인천항의 대표적인 수입화물로 인천항 전체 물동량 증감에 기여도가 상대적으로 높은 편이다. 또한, 국가적 차원에서도 LNG는 도시가스 및 전력발전에 필요한 핵심 자원으로 시장 수요의 변동 요인에 대한 분석과 적합한 수요예측모델의 구축은 LNG 기반 발전 계획 및 국가전력수급기본계획 수립 등에 매우 중요하다. 본 연구에서는 기존 연구들에서 다뤄지는 거시적 연간 자료를 통한 예측과 달리, LNG 운반선이 하역하는 주간별 물동량을 대상으로 주기성을 파악하고, 대내외 변동요인과의 상관관계를 분석한다. LNG 수요 변동요인으로는 주간 데이터의 계절성, 최대전력, 전력 공급예비력 등 전력 수급 데이터 등을 고려하였다. 또한 LNG 수요를 예측하기 위해 자료의 특성을 고려하여 주간단위별 LNG 물동량을 종속변수로 한 시계열 예측과 인공신경망 모형을 통한 예측 후 예측치에 대한 적합성을 검증 및 실적-추정치 간 오차비교를 통해 최적모형을 도출하고자 한다.

준지도 학습(Semi-supervised learning)은 소량의 라벨이 있는 데이터와 다량의 라벨이 없는 데이터를 사용하여 모델을 훈련하는 효과적인 방법이다. 그러나 많은 논문에서 준지도 학습시 하나의 고정된 임계값을 사용하여 각 클래스별 서로 다른 이미지들의 특징별 차이를 고려하지 않고 임의 라벨을 만든다. 본 논문에서는 합성개구 레이더(SAR) 이미지 분류 준지도 학습시 모든 클래스가 하나의 고정된 임계값을 사용하는 대신 각 클래스에 대해 서로 다른 임계값을 적용한다. 모델에 임계값 학습 모듈을 추가하여 임계값을 학습하여 클래스별로 학습되는 차이를 고려하여 클래스별로 서로 다른 임계값을 얻는다. 서로 다른 임계값을 사용한 준지도 학습기반의 SAR 이미지 분류 방법을 적용유무를 비교하여 클래스별 임계값을 사용하는 이점에 대해 고찰하였다.

COVID-19 팬데믹 초기에 한국의 와인시장은 다른 나라들과 마찬가지로 상당히 위축되어 있었다. 하지만 팬데믹 직후 한국의 수입 와인소비는 2020년 한 해 69.6%나 증가하였다. 이는 해외 여행금지로 와인이 국내에서만 소비되고 보복 소비와 홈술로 인해 고가 와인의 판매가 증가한 것에 기인한다. 그러나 코로나가 끝난 2022년부터 한국의 와인시장은 큰 폭으로 다시 위축되기 시작하였다. 그러므로 본 연구는 와인과 관련된 사업자들에게 향후 10년 뒤, 2032년까지 수입와인 시장의 수요예측을 통해 중장기 사업계획 수립에 유용한 정보를 제공하고자 한다. 본 연구는 2020년 1월부터 2023년 9월까지 한국무역협회가 제공한 95개의 시계열 데이터를 사용하였다. 모형의 정확도는 MAPE 값을 기초로 시험하였고, 수입와인의 전체 금액 예측은 ARIMA 모형, 전체 중량의 예측은 Winters 승법 모형을 사용해 계산하였다. 2032년까지 수입 와인시장의 전체 금액을 예측한 ARIMA 모형(MAPE=10.56%)은 와인시장 금액의 규모를 USD $1,023,619, CAGR=6.22%로 예측하였으며, 이는 2023년 대비 101% 증가한 규모이다. 반면에 중량은 Winters 승법모형(MAPE=10.03%)을 사용하여 계산하였으며, 2032년 중량은 64,691,329톤으로 CAGR=-0.61% 하락할 것으로 예측하였고, 이는 2023년 대비 15.12% 성장한 것이다. 결론적으로 한국 수입와인 시장은 최근의 하락세에도 불구하고 꾸준히 성장할 것이며, 고급 와인시장이 이 증가의 대부분을 차지할 것으로 보인다.

온라인 플랫폼을 통한 전자상거래 활성화에 따라 수많은 중소 판매상들은 수익성 향상을 위해 다양한 노력을 기울이고 있다. 이를 위해서는 프로모션이나 이벤트의 범위와 할인 수준, 품목 등에 대한 전략적 의사결정이 매우 중요하다. 본 연구는 중소 전자상거래 판매상들이 효과적인 프로모션 전략을 수립하기 위한 의사결정을 지원하기 위한 도구를 개발하고자 한다. 프로모션의 시행 여부를 판단하기 위해서는 프로모션에 의한 매출 증대 수준을 예측할 수 있어야 한다. 본 연구에서는 다양한 기계학습기법 중 MLP(Multi Layer Perceptron), Gradient Boosting Regression, Random Forest, Linear Regression 모델을 통해 프로모션 시행 후의 매출변화를 예측하기 위한 모델을 개발하였다. 프로모션 데이터가 가진 복잡성과 품목의 특성이 뚜렷한 영향력을 가지는 것으로 확인되었으며, 여러 기법 중 Random Forest 모델과 MLP 모델이 가장 성능이 좋은 것으로 나타났다. 본 연구에서 개발된 방법을 통해 중소 전자상거래 판매상이 시장 변화에 능동적으로 대응하고, 데이터 기반 의사결정을 지원할 수 있을 것이다.

본 연구에선 딥러닝 기반 음성 신호로부터 음성의 특징을 추출하고 분석하여 필터를 생성하고, 생성된 필터를 이용하여 음성 신호로부터 감정을 인식하는 모델을 제안하고 감정 인식 정확도 성능을 평가하였다. 제안한 모델을 사용한 시뮬레이션 결과에 따르면, DNN (Deep Neural Network)과 RNN (Recurrent Neural Network)의 평균 감정인식 정확도는 각각 84.59%와 84.52%으로 매우 비슷한 성능을 나타냈다. 하지만 DNN의 시뮬레이션 소요 시간은 RNN보다 약 44.5% 짧은 시뮬레이션 시간으로 감정을 예측할 수 있는 것을 확인하였다.

스마트시티의 미래를 구축하는 과정에서, 모빌리티와 도로 인프라의 혁신은 중요한 주제 중 하나이다. 특히 오늘날 자율주행 자동차의 보급과 전기자전거, 전동킥보드, 전동휠 등 도로에 등장하는 모빌리티의 종류가 다양해짐에 따라 도로는 기존의 자동차와 보행자를 비롯해 수용해야 할 주체들이 다양해졌으며 각 모빌리티 간의 상충 또한 해결해야 할 문제이다. 완전도로(Complete Street)는 2003년 미국에서 등장한 용어로 보행자, 자전거 이용자, 대중교통 이용자, PM(Personal Mobility) 이용자, 자동차 운전자 등 모든 도로 이용자의 공평한 안전과 편의를 고려한 도로 설계와 운영을 의미한다. 현재 해외 여러 도시에서 완전도로를 구현하고 있으며, 이를 제도화하기 위한 연구도 활발히 진행되고 있다. 그러나 국내에서는 완전도로에 대한 연구와 논의가 부족한 실정이다. 따라서 본 연구는 델파이 (Delphi)기법을 통해 학계 및 실무 전문가들의 의견을 수집 및 분석하여 완전도로 설계에서 고려해야 할 주요 요인들을 정형화하고자 한다. 총 세 차례의 델파이 설문이 진행되며 1차 개방형 설문을 통해 전문가들의 자유로운 답변을 수집하고 이를 키워드 위주로 정리하여 2·3차 폐쇄형 설문을 작성하였다. 2·3차 설문은 총 52개의 문항으로 구성되었으며 설문 결과 52개의 문항 중 34개의 항목이 최종 요인으로 채택되었다.