• The Journal of the Korea Contents Association
• /
• v.19 no.3
• /
• pp.539-547
• /
• 2019

This study investigated the effect of small-world structure in team processes on team performance. I discussed the theoretical relationship between small-world structure in team processes and team performance and analyzed the relationship using pass data of soccer teams. I constructed the 128 pass networks from the pass data of the 2014 FIFA World Cup and then measured the structural features indicating small-world structure of the networks. Correlation analysis and regression analysis were performed in order to examine the strength and direction of the relationship. According to the results, the clustering has an exponential relationship with team performance and the connectivity has a log-function relationship with team performance. Finally, I found the positive effect of small-world structure in team processes on team performance. Through theoretical discussion and empirical analysis, this study found that small-world structure in team processes increase team performance by facilitating task coordination and collaboration between team members.

• The Korean Journal of Applied Statistics
• /
• v.24 no.2
• /
• pp.401-409
• /
• 2011

From a social network of n nodes connected by l lines, one may produce centrality measures such as closeness, betweenness and so on. In the past, the magnitude of n was around 1,000 or 10,000 at most. Nowadays, some networks have 10,000, 100,000 or even more than that. Thus, the scalability issue needs the attention of researchers. In this short paper, we explore random networks of the size around n = 100,000 by Monte-Carlo method and propose Monte-Carlo algorithms of computing closeness and betweenness centrality measures to study the small world properties of social networks.

• Journal of the Korean earth science society
• /
• v.34 no.2
• /
• pp.173-186
• /
• 2013

The purpose of the study was to investigate the change of students' conceptual structures about sedimentary rocks through the field trip. A semantic network analysis method was utilized to assess the change. An open-ended questionnaire was developed to assess high school students' knowledge of sedimentary rock including its definition, classification, formation process, and characteristics. Fifteen high school students participated in the field trip of this study. The text data were analyzed using the semantic network analysis method. Results are as follows. First, high school students' conceptual structures about sedimentary rocks were more expanded after the field trip. Second, students' conceptual structures formed a 'small world network' by combining the sub-clusters. Third, the size of students' conceptual structures was decreased after a few month of field trip. Nonetheless, the connection among the clusters remained the same.

• Proceedings of the Korean Information Science Society Conference
• /
• 2004.10a
• /
• pp.232-234
• /
• 2004

강화 학습(Reinforcement Learning)을 실제 문제에 적용하는 데 있어 가장 큰 문제는 차원성의 저주(Curse of dimensionality)이다. 문제가 커짐에 따라 목적을 이루기 위해서 더 않은 단계의 판단이 필요하고 이에 따라 문제의 해결이 지수적으로 어려워지게 된다. 이를 해결하기 위칠 문제를 여러 단계로 나누어 단계별로 학습하는 계층적 강화 학습(Hierarchical Reinforcement Learning)이 제시된 바 있다. 하지만 대부분의 계층적 강화 학습 방법들은 사전에 문제의 구조를 아는 것을 전제로 하며 큰 사이즈의 문제를 간단히 표현할 방법을 제시하지 않는다. 따라서 이들 방법들도 실제적인 문제에 바로 적용하기에는 적합하지 않다. 이러한 문제점들을 해결하기 위해 복잡계 네트워크(Complex Network)가 갖는 작은 세상 성질(Small world Property)에 착안하여 자기조직화 하는 생장 네트워크(Self organizing growing network)를 기반으로 한 환경 표현 모델이 제안된 바 있다. 이러한 모델에서는 문제 크기가 커지더라도 네트워크의 사이즈가 크게 커지지 않기 때문에 문제의 난이도가 크기에 따라 크게 증가하지 않을 것을 기대할 수 있다. 본 논문에서는 이러한 환경 모델을 사용한 강화 학습 알고리즘을 구현하고 실험을 통하여 각 모델이 강화 학습의 문제 사이즈에 따른 성능에 끼치는 영향에 대해 알아보았다.

• Proceedings of the Korean Information Science Society Conference
• /
• 2004.04b
• /
• pp.622-624
• /
• 2004

강화 학습(Reinforcement Learning)을 실제 문제에 적용하는 데 있어 가장 큰 문제는 차원성의 저주(Curse of dimensionality)였다 문제가 커짐에 따라 목적을 이루기 위해서 더 많은 단계의 판단이 필요하고 이에 따라 문제의 해결이 지수적으로 어려워지게 된다. 이를 해결하기 위해 문제를 여러 단계로 나누어 단계별로 학습하는 계층적 강화 학습(Hierarchical Reinforcement Learning)이 제시된 바 있다 하지만 대부분의 계층적 강화 학습 방법들은 사전에 문제의 구조를 아는 것을 전제로 하며 큰 사이즈의 문제를 간단히 표현할 방법을 제시하지 않는다. 따라서 이들 방법들도 실제적인 문제에 바로 적용하기에는 적합하지 않다. 최근 이루어진 복잡계 네트워크(Complex Network)에 대한 연구에 착안하여 본 논문은 자기조직화하는 생장 네트워크(Self organizing growing network)를 기반으로 한 간단한 환경 표현 모델을 사용하는 강화 학습 알고리즘을 제안한다 네트웍은 복잡계 네트웍이 갖는 성질들을 유지하도록 자기 조직화되고, 노드들 간의 거리는 작은 세상 성질(Small World Property)에 따라 전체 네트웍의 큰 사이즈에 비해 짧게 유지된다. 즉 판단해야할 단계의 수가 적게 유지되기 때문에 이 방법으로 차원성의 저주를 피할 수 있다.