• 한국문헌정보학회지
• /
• 제57권3호
• /
• pp.325-350
• /
• 2023

본 연구는 바이오 분야 연구데이터플랫폼인 K-BDS를 대상으로, 연구데이터 메타데이터의 품질이 연구데이터플랫폼의 활성화에 미치는 영향 및 이 관계에서 연구데이터플랫폼 이용에 관한 동기부여 요인의 매개효과를 밝히고자 하였다. 먼저 세 변인 간 구조적 관계를 구조방정식모형, 부트스트랩을 통해 분석하였으며 분석 결과, 연구자가 메타데이터의 품질에 대해 중요하다고 생각할수록 연구데이터플랫폼 이용의 동기부여 정도, 그리고 플랫폼의 활성화 의도가 높아지는 것으로 나타났다. 또한 동기부여 요인의 매개효과도 확인되었다. 추가적으로 각 변인의 하위요인간의 세부적인 구조를 회귀분석과 Sobel test를 통해 파악하였다. 그 결과 바이오 분야의 연구데이터 공유의 활성화를 위해서는 검색가능성을, 연구데이터 재이용의 활성화를 위해서는 발견가능성을 높이는 것이 가장 효과적이며, 인용가능성은 플랫폼의 활성화에 영향을 미치지 않는 것으로 나타났다. 따라서 플랫폼을 활성화하기 위해서는 우선적으로 메타데이터 품질을 향상시킴으로써 시스템적인 지원을 충분히 하는 것이 중요하며, 이를 통해 플랫폼에 대한 신뢰를 높이고 인용에 대한 혜택을 제도적으로 정착시켜 갈 필요가 있다는 시사점을 얻을 수 있다.

• 지능정보연구
• /
• 제29권2호
• /
• pp.241-265
• /
• 2023

기업의 부실 예측 모델은 기업의 재무 상태를 객관적으로 모니터링하는 데 필수적인 도구 역할을 한다. 적시에 경고하고 대응 조치를 용이하게 하며 파산 위험을 완화하고 성과를 개선하기 위한 효과적인 관리 전략을 수립할 수 있도록 지원한다. 투자자와 금융 기관은 금융 손실을 최소화하기 위해 부실 예측 모델을 이용한다. 기업 부실 예측을 위한 인공지능(AI) 기술 활용에 대한 관심이 높아지면서 이 분야에 대한 광범위한 연구가 진행되고 있다. 해석 가능성과 신뢰성이 강조되며 기업 부실 예측에서 설명 가능한 AI 모델에 대한 수요가 증가하고 있다. 널리 채택된 SHAP(SHapley Additive exPlanations) 기법은 유망한 성능을 보여주었으나 변수 수에 따른 계산 비용, 처리 시간, 확장성 문제 등의 한계가 있다. 이 연구는 전체 데이터 세트를 사용하는 대신 부트스트랩 된 데이터 하위 집합에서 SHAP 값을 평균화하여 변수 수를 줄이는 새로운 변수 선택 접근법을 소개한다. 이 기술은 뛰어난 예측 성능을 유지하면서 계산 효율을 향상시키는 것을 목표로 한다. 해석 가능성이 높은 선택된 변수를 사용하여 랜덤 포레스트, XGBoost 및 C5.0 모델을 훈련하여 분류 결과를 얻고자 한다. 분류 결과는 고성능 모델 설계를 목표로 soft voting을 통해 생성된 앙상블 모델의 분류 정확성과 비교한다. 이 연구는 1,698개 한국 경공업 기업의 데이터를 활용하고 부트스트래핑을 사용하여 고유한 데이터 그룹을 생성한다. 로지스틱 회귀 분석은 각 데이터 그룹의 SHAP 값을 계산하는 데 사용되며, SHAP 값 평균은 최종 SHAP 값을 도출하기 위해 계산된다. 제안된 모델은 해석 가능성을 향상시키고 우수한 예측 성능을 달성하는 것을 목표로 한다.