• 한국콘텐츠학회논문지
• /
• 제19권3호
• /
• pp.539-547
• /
• 2019

본 연구의 목적은 팀 프로세스의 작은 세상 구조가 팀 성과에 미치는 영향을 탐색적으로 살펴보는 것이다. 관련 문헌을 고찰하여 팀 프로세스의 작은 세상 구조와 팀 성과 사이의 관계를 이론적으로 논의하였으며, 축구팀의 패스 데이터를 이용하여 실증적으로 분석하였다. 2014년 브라질 월드컵 경기의 패스 데이터를 수집하여 128개의 패스 네트워크를 구성하고 작은 세상을 나타내는 구조적 특성을 측정하였다. 이 과정에서 작은 세상의 정도를 측정하는 데 폭넓게 사용된 작은세상지수(small-world index)의 단점을 극복할 수 있는 새로운 지수를 개발하였다. 그리고 작은 세상 구조와 성과 사이의 관계를 밝히기 위하여 상관분석과 회귀분석을 실시하였다. 분석 결과에 의하면, 팀 프로세스의 군집성은 팀 성과와 지수함수의 관계가 있고 팀 프로세스의 연결성은 팀 성과와 로그함수의 관계가 있는 것으로 나타났다. 결과적으로 팀 프로세스의 작은 세상 구조는 팀 성과에 긍정적인 영향을 미치는 것으로 나타났다. 이론적 논의와 실증적 분석을 통해, 본 연구는 팀 프로세스의 작은 세상 구조가 팀원 사이의 업무 조정과 협업을 촉진하는데 효과적으로 작용하여 팀 성과에 긍정적인 영향을 미친다는 것을 밝혀내었다.

• 응용통계연구
• /
• 제24권2호
• /
• pp.401-409
• /
• 2011

사회네트워크분석(social network analysis)은 l개 연결선을 갖는 n개 노드의 자료를 대상으로 한다. 기본적인 자료기술로서 노드 간 최단거리(shortest distance), 근접 중심성(closeness centrality), 중개 중심성(betweenness centrality) 등을 산출한다. 기존의 사회학적 연구에서 다룬 네트워크는 대개 노드 수 n이 수십 또는 수백 정도였으나 최근에는 그 크기가 수십만 또는 수백만에 이르는 경우가 드물지 않다. 이에 따라 사회네트워크분석에서도 자료 규모성(data scalability)의 이슈가 생겼다. 본 연구에서는 몬테칼로(Monte Carlo) 방법을 활용하여 n = 100,000 규모의 임의 네트워크의 작은 세상(small world) 성질을 실증적으로 탐구하고 그 정도 규모에서의 중개 중심성과 근접 중심성의 산출 방법을 제안하고자 한다.

• 한국지구과학회지
• /
• 제34권2호
• /
• pp.173-186
• /
• 2013

본 연구의 목적은 언어네트워크분석을 이용하여 야외지질학습에서 학생들의 퇴적암에 대한 개념 구조 변화를 알아보기 위한 것이다. 이를 위하여 고등학생 15명을 대상으로 퇴적암에 대한 정의, 분류, 생성과정 및 특징을 묻는 개방형 문항을 개발하였으며, 이 텍스트 자료를 언어네트워크분석법을 통해 분석하였다. 그 결과 첫째, 야외지질학습을 통해 학생들의 퇴적암에 대한 개념 구조는 사전에 비해 사후에 크게 확장되었다. 둘째, 학생들의 개념 구조를 구성하는 하위 클러스터는 서로 긴밀하게 연결되어 있는 '작은 세상 네트워크'를 형성하였다. 셋째, 학생들의 개념 구조의 규모는 수개월이 지난 후 감소하였지만, 하위 클러스터의 연결 상태는 그대로 유지하고 있었다.

• 한국정보과학회:학술대회논문집
• /
• 한국정보과학회 2004년도 가을 학술발표논문집 Vol.31 No.2 (1)
• /
• 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.

• 한국정보과학회:학술대회논문집
• /
• 한국정보과학회 2004년도 봄 학술발표논문집 Vol.31 No.1 (B)
• /
• 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.