• 제목/요약/키워드: 엠러닝

검색결과 4건 처리시간 0.018초

외국어로서의 한국어 학습을 위한 엠러닝 시스템에 관한 연구 (A Study on M-learning System for Korean as a Foreign Language)

  • 이형인;박현근;이상문
    • 한국컴퓨터정보학회:학술대회논문집
    • /
    • 한국컴퓨터정보학회 2015년도 제51차 동계학술대회논문집 23권1호
    • /
    • pp.329-330
    • /
    • 2015
  • 최근 한류의 유행과 결혼 이주여성 등의 증가로 인해 다양한 첨단 미디어를 통하여 세계 각국에서 외국어로서의 한국어를 배우려는 학습자의 수가 증가하고 있다. 교수자와 학습자간의 교육환경은 다양한 학습미디어의 발전에 따라 학습자가 수동적인 자세에서 벗어나 능동적인 학습 방법으로 진화되고 있다. 특히 다양한 멀티미디어 기기와 관련 기술들의 발전은 기존의 교육방법론적 환경에서 벗어나, 새로운 기술에 기반을 둔 학습자 중심의 교육방법의 개선과 제시에는 현실적으로 고려해야하는 여러 사항과 문제점이 존재한다. 따라서 이 논문에서는 최신 기술에 기반을 둔 모바일을 이용한 엠러닝(M-Learning) 기반의 한국어교육 콘텐츠관리를 위한 시스템을 제안하고자 한다.

  • PDF

r-Learning과 교육정보화 정책 (r-Learning and Educational Information Policies)

  • 이종연
    • 한국융합학회논문지
    • /
    • 제1권1호
    • /
    • pp.1-15
    • /
    • 2010
  • 교육이란 사회적 변화를 예측하고 우리 사회가 필요로 하는 인재를 길러내야 할 책무성을 띠고 있으며, 이러한 사회적 변화에 따라 교육은 능동적으로 변해야 한다. 이러한 국내 교육변화에 대한 관심은 지난 1995년 교육과학기술부 교육개혁위원회의 '5 31 교육개혁안'을 통해 구체화된 바 있다. 따라서 본 논문은 교육정보화 정책의 3단계 방향과 교육정보화의 핵심 기술인 이러닝과 유러닝 기술을 검토할 것이다. 또한 이러닝은 콘텐츠 전달 매체에 따라 엠러닝(m-learning), 티러닝(t-learning), 유러닝(u-learning), 알러닝(r-learning), game-based learning 등으로 나눌 수 있다. 본 논문은 이 중 새로운 콘텐츠 전달 방법인 알러닝의 개념을 소개하고 유러닝과의 차이점을 비교하여 검토한다.

딥러닝을 활용한 BIM 객체정보기반의 벽마감 구조틀 부재 수량 예측모델에 관한 연구 (A Study on the Prediction Model of the Total Quantity of the Wall Finishing Structure Member Based on BIM Object Information Using Deep Learning)

  • 박도윤;윤석헌
    • 한국건축시공학회:학술대회논문집
    • /
    • 한국건축시공학회 2022년도 봄 학술논문 발표대회
    • /
    • pp.123-124
    • /
    • 2022
  • The work of modeling and calculating the quantity of detailed parts requires a lot of time and effort. However, The information of BIM Model can be used to predict the amount of uncreated parts with Deep Learning. In this study, Deep Learning was used to predict the total length of the member of frame that was not created. As a result, it was confirmed that the error rate was inside or outside 3%. And predicting other components in this way will increase productivity in Architectural field.

  • PDF

어텐션 메커니즘 기반 Long-Short Term Memory Network를 이용한 EEG 신호 기반의 감정 분류 기법 (Emotion Classification based on EEG signals with LSTM deep learning method)

  • 김유민;최아영
    • 한국산업정보학회논문지
    • /
    • 제26권1호
    • /
    • pp.1-10
    • /
    • 2021
  • 본 연구에서는 EEG 신호를 기반으로 감정 인식에 유용한 딥러닝 기법을 제안한다. 감정이 시간에 따라 변화하는 특성을 반영하기 위해 Long-Short Term Memory 네트워크를 사용하였다. 또한, 특정 시점의 감정적 상태가 전체 감정 상태에 영향을 미친다는 이론을 기반으로 특정 순간의 감정 상태에 가중치를 주기 위해 어텐션 메커니즘을 적용했다. EEG 신호는 DEAP 데이터베이스를 사용하였으며, 감정은 긍정과 부정의 정도를 나타내는 정서가(Valence)와 감정의 정도를 나타내는 각성(Arousal) 모델을 사용하였다. 실험 결과 정서가(Valence)와 각성(Arousal)을 2단계(낮음, 높음)로 나누었을 때 분석 정확도는 정서가(Valence)의 경우 90.1%, 각성(Arousal)의 경우 88.1%이다. 낮음, 중간, 높음의 3단계로 감정을 구분한 경우 정서가(Valence)는 83.5%, 각성(Arousal)은 82.5%의 정확도를 보였다.