• 서비스연구
• /
• 제7권1호
• /
• pp.1-14
• /
• 2017

1970년대 유통근대화정책에서 비롯되어 1990년대 서비스무역시대의 시작에 따른 경쟁력강화정책, 외환위기 당시의 구조조정정책, 21세기 이후의 서비스전문인력 양성과 서비스 R&D, 정책의 부침에서 최근 박근혜정부의 서비스발전정책에 이르기까지의 정책발전을 정책변동 이론의 주요 모델인 정책흐름모형과 정책내러티브의 틀 속에서 바라보았다. 지식기반의 확충에 따라 차원에서 서비스정책내러티브는 발전하여 왔으나 이명박 정부 이후 정책창의 닫힘이라는 현상이 서비스정책의 후퇴와 실패를 가져왔다고 진단한다. 정책창이 닫히는 주된 원인은 보수정당의 집권에 따라 산업화 시대의 자본-노동의 대립이라는 낡은 정책갈등이 격화되었기 때문에 탈산업화 담론인 서비스정책내러티브가 채택되기 어려워지기 때문으로 보인다. 성공적 서비스 발전 정책을 위한 정책창을 열기 위해서는 단순한 서비스내러티브의 추구를 넘어서 서비스패러다임으로의 전환을 도모해야 한다.

• 디지털융복합연구
• /
• 제18권10호
• /
• pp.239-252
• /
• 2020

본 연구자들은 텍스트 마이닝을 활용하여 SUV 선호 증가의 요인을 탐색하고자 한다. 온라인 자동차 커뮤니티인 보배드림에서 2005년부터 2019년까지 작성된 SUV 관련 게시글 32,679개를 수집한 후, LDA 토픽모델링 기법을 적용하였다. 분석 결과, SUV 담화에서 주요한 토픽으로 등장한 '안전'이 범죄로부터 개인의 위험에 주목한 기존 연구와 달리 교통사고 및 고속주행 상황에서의 안전을 의미하는 것으로 드러났다. 한국 사회의 SUV 소비는 개인이 운전하면서 느끼는 불안과 위험에 대한 대비 수단을 의미한다고 볼 수 있다는 것이다. 또한, 이와 같은 위험 인식 저변에는 불평등 증대로 인해 감소하는 타인에 대한 신뢰가 작동한다고 할 수 있다.

• 폴리머
• /
• 제38권6호
• /
• pp.735-743
• /
• 2014

폴리프로필렌의 분자량 및 분자량 분포를 예측하기 위해 레오메터, 고유점도측정기 및 MI(melt index) 기기 등을 이용하여 유변 물성을 측정하였고, 분자구조해석에는 GPC가 사용되었다. 기존에 사용되어온 동적진동측정을 이용한 교차 모듈러스에서 결정된 유변학적 PI(다분산 지표)와 변형된 Carreau 모델을 이용하여 계산된 분포 폭 매개변수(distribution broadness parameter)를 분자량 분포와의 관계를 비교해보았다. 유변학적 PI의 경우 이론적 근거가 부족하고, 압출에 의해 재 생성된 폴리프로필렌 시료에 대해서는 분자량 분포와 잘 일치하지만 반응기에서 중합된 시료 즉, 분자량 분포가 넓거나 다른 경우 잘 일치하지 않는다는 보고가 지배적인데 비해 분포 폭 매개변수는 폴리프로필렌의 전단담화의 정도를 직접적으로 측정하는 것으로 분자량 분포를 잘 예측할 수 있음을 알았다.

• 대한토목학회논문집
• /
• 제33권5호
• /
• pp.1897-1905
• /
• 2013

항복응력, 점성과 같은 유변학적 특성은 토석류의 유변성을 결정하는 주요 매개변수이다. 본 연구에서는 다양한 액성지수와 모래함량을 가지는 세립토를 대상으로 유변측정 시험을 수행하였다. 이를 통해 전단응력-전단변형률속도 관계, 액성지수와 점성 및 항복응력 관계, 체적농도와 점성 및 항복응력 관계 등과 같은 다양한 분석을 통해 모래함량을 달리하는 흙에 대한 유변학적 특성을 파악하였다. 유변측정 시험 결과로부터 세립토의 유동곡선 특성은 전단변형률속도가 점차 커짐에 따라 곡선의 기울기가 감소하는 전형적인 전단담화(shear thinning)의 거동 형태를 나타냄을 알 수 있다. 동일한 모래함량을 갖는 시료에서 액성지수가 증가함에 따라 항복응력과 점성은 감소하는 경향을 보이며, 동일 액성지수 상태에서 모래함량이 커짐에 따라 항복응력과 점성 모두 증가하는 것으로 나타났다. 항복응력과 점성은 약간의 함수비 증가에도 크게 감소함을 알수 있다. 체적농도($C_v$)가 증가함에 따라 항복응력과 점성은 증가하는 경향을 나타낸다. 회귀분석을 통해 임의의 체적농도($C_v$)에 대한 항복응력과 점성의 계수 ${\alpha}_1$, ${\alpha}_2$, ${\beta}_1$, ${\beta}_2$를 산정하였다.

• 한국과학교육학회지
• /
• 제38권2호
• /
• pp.219-234
• /
• 2018

본 연구에서는 국내 교육학 연구에서 거의 사용되지 않던 머신 러닝 기술을 과학 교육 연구에 접목하여, 학생들의 과학 논변 활동에서 나타나는 논변의 구성 요소를 분석하는 과정을 자동화할 수 있는 가능성을 탐색해보았다. 학습 데이터로는 Toulmin이 제안하였던 틀에 따라 학생들의 과학 논변 구성 요소를 코딩한 국내 선행 문헌 18건을 수합하고 정리하여 990개의 문장을 추출하였으며, 테스트 데이터로는 실제 교실 환경에서 발화된 과학 논변 전사 데이터를 사용하여 483개의 문장을 추출하고 연구자들이 사전 코딩을 수행하였다. Python의 'KoNLPy' 패키지와 '꼬꼬마(Kkma)' 모듈을 사용한 한국어 자연어 처리(Natural Language Processing, NLP)를 통해 개별 논변을 구성하는 단어와 형태소를 분석하였으며, 연구자 2인과 국어교육 석사학위 소지자 1인의 검토 과정을 거쳤다. 총 1,473개의 문장에 대한 논변-형태소:품사 행렬을 만든 후에 다섯 가지 방법으로 머신 러닝을 수행하고 생성된 예측 모델과 연구자의 사전 코딩을 비교한 결과, 개별 문장의 형태소만을 고려하였을 때에는 k-최근접 이웃 알고리즘(KNN)이 약 54%의 일치도(${\kappa}=0.22$)를 보임으로써 가장 우수하였다. 직전 문장이 어떻게 코딩되어 있는지에 관한 정보가 주어졌을 때, k-최근접 이웃 알고리즘(KNN)이 약 55%의 일치도(${\kappa}=0.24$)를 보였으며 다른 머신 러닝 기법에서도 전반적으로 일치도가 상승하였다. 더 나아가, 본 연구의 결과는 과학 논변 활동의 분석에서 개별문장을 고려하는 단순한 방법이 어느 정도 유용함과 동시에, 담화의 맥락을 고려하는 것 또한 필요함을 데이터에 기반하여 보여주었다. 또한 머신 러닝을 통해 교실에서 한국어로 이루어진 과학 논변 활동을 분석하여 연구자와 교사들에게 유용하게 사용될 수 있는 가능성을 보여준다.