• 한국수학교육학회지시리즈A:수학교육
• /
• 제62권3호
• /
• pp.435-455
• /
• 2023

본 연구는 수학 교육 분야에서 중요한 영향을 미치는 논문을 판별하고 분석하기 위한 설명가능한 인공지능(XAI) 모델을 개발하였다. 29개 국내외 수학교육 학술지의 논문 메타정보를 활용하여 수학교육 학술연구 네트워크를 구축하였다. 구축된 네트워크는 '논문과 다른 논문의 인용 네트워크', '논문과 저자 네트워크', '논문과 학술지 네트워크', '공동 저자 네트워크', '저자와 소속기관 네트워크' 등 총 5개의 세부 네트워크로 구성되었다. 랜덤포레스트 기계학습 모델을 사용하여 네트워크 내의 개별 논문의 영향력을 평가하였으며, SHAP을 이용해 영향력 있는 논문의 판별 기준을 분석하였다. '논문 네트워크 PageRank', '논문당 인용횟수의 변화량', '총 인용횟수', '저자의 h-index 변화량', '학술지의 논문당 인용횟수' 등이 중요한 판별 요인으로 나타났다. 국내와 국외 수학교육 연구의 판별 패턴을 비교 분석한 결과, 국내 연구에서는 '공동 저자 네트워크 PageRank'의 중요성이 도드라졌다. 본 연구의 XAI 모델은 논문의 영향력 판별 도구로써 연구자에게 논문 작성 시 전략적인 방향성을 제공할 수 있게 해준다. 논문 네트워크 확장, 학술대회 발표, 공동 저술 활동을 통한 저자 네트워크 활성화 등이 논문의 영향력 증진에 크게 기여한다는 결과를 얻었다. 이를 통해 연구자는 학계에서 자신의 연구가 어떠한 평가 기준에 따라 어떻게 인식되고 있는지, 그리고 그 평가에 기여하는 주요 요인이 무엇인지를 명확히 파악할 수 있을 것이다. 본 연구는 설명가능한 인공지능을 활용하여 전통적으로 많은 시간과 비용이 필요하던 수학교육 논문의 영향력 평가 방식을 혁신하였다. 이 방법은 수학교육 연구 뿐만 아니라 다른 학문 분야에서도 활용될 수 있으며, 연구활동의 효율성과 효과성을 향상시킬 것으로 기대된다.

• 한국환경생태학회지
• /
• 제38권2호
• /
• pp.204-216
• /
• 2024

생태계서비스 상쇄 효과(Trade-off) 규명과 같이 서비스 간 상호관계를 측정하는 것은 한정된 환경자원을 관리하는 측면에서 매우 중요하다. 이에, 본 연구에서는 약 30여 년간 토지 피복이 변화함에 따라 파생된 생태계서비스 우세경향 및 증감을 파악하고, 시간의 경과에 따라 발생한 생태계서비스 상호 간 관계 변화를 추적하였다. 이를 통해 토지 피복 변화와 생태계서비스 변화 간의 관계 및 지역마다 상이한 서비스 변화의 특성을 규명하였다. 연구는 생태계서비스 평가 모델인 InVEST Model을 주로 활용하였고, 평가결과를 0-1사이로 표준화한 후 차원축소기법 중 하나인 주성분 분석을 거쳐 시계열변화를 관찰하고 서비스 상호 간 관계를 파악하였다. 연구 결과, 시가화 지역 면적은 1989년에서 2019년 사이 급격하게 증가했으며, 산림은 2009년에서 2019년 사이 크게 증가하는 양상을 나타냈다. 1989년에서 2019년 사이에 생태계서비스 공급량에 있어 전국적으로 수량 공급은 13.9% 감소, 질소 저류는 10.5% 감소, 인 저류는 2.6% 증가, 탄소 저장은 0.9% 감소, 대기정화는 1.2% 증가, 서식처 질은 3.4% 감소하였다. 우리나라는 지난 30여 년간 시가화 지역이 증가하고, 농경지가 감소하며, 산림이 증가하는 동안 인 저류 기능과 서식처 질 사이에 상쇄 효과를 보였다. 본 연구는 우리나라의 환경관리 정책이 도시화로 인해 하락한 생태계 질을 향상시키고 생태계서비스를 극대화하는데 기여했다는 결론을 도출하였다. 이러한 연구 결과는 정책결정자들이 지속 가능한 자연환경 보전과 생태계 서비스 제공에 중점을 둔 조림 정책을 수립하고 추진하는 데 도움을 줄 수 있다.

• 농업과학연구
• /
• 제30권1호
• /
• pp.31-40
• /
• 2003

충남 금산군에 위치하고 있는 고려인삼포장에 대하여 구성 모암별로 각각 흑운모화강암지역 및 천매암지역으로 분류하여 모암에 함유되어 있는 전이원소의 특성과 해당 모암별 풍화토양 및 인삼 묘포토양의 물리적 및 화학적 특성을 분석하였다. 본 고려인삼재배지에서 흑운모화강암지역의 토양은 풍화토양 및 묘포토양 공히 사질식토(Sandy clay)로 구성되어 있었으며, 천매암토양은 중식토(Heavy clay) 내지 미사질식토(Silty clay)로 구성되어 있었다. 흑운모화강암 풍화토양의 용적비중은 $1.21{\sim}1.32g/cm^3$이었고, 천매암 풍화토양은 $1.26{\sim}1.38g/cm^3$이었고, 인삼 묘포토양은 흑운모화강암토양은 $1.02{\sim}1.10g/cm^3$이었으며, 천매암 묘포토양은 $0.98{\sim}1.17g/cm^3$로 전체적으로 풍화토양보다 낮았는데, 이는 경작을 위한 토층의 경운 때문으로 사료된다. 흑운모화강암 풍화토양의 pH는 4.80이었고, 천매암 풍화토양은 5.34로 산성암인 화강암에서 더 낮게 나타났다. 흑운모화강암 묘포토양 pH는 2년 생지역이 4.39, 4년생지역이 4.40이었고, 천매암묘 포토양은 2년생지역이 5.24, 4년생지역이 5.34로 나타났으며, 이는 풍화토양의 pH 변화가 묘포토양의 pH 변화와 일치하였다. 유기물함량은 흑운모화강암 풍화토양(0.24%)보다 천매암 풍화토양(1.02%)이 높았으며, 흑운모화강암 묘포토양은 2년생지역이 0.87%, 4년생지역이 1.52%이었고, 천매암토양은 2년생지역이 2.06%, 4년생지역이 2.96%으로 천매암토양의 유기물함량이 더 높게 나타났다. 전질소 함량은 흑운모화강암 풍화토양은 259.43ppm이었고, 천매암 풍화토양은 657.22ppm이었으며, 묘포 토양은 흑운모화강암지역은 2년생지역이 588.04ppm, 4년생지역이 657.22ppm이었고, 천매암 지역은 2년생지역이 1037.72ppm, 4년생지역이 1227.96ppm이었다. 또한 질산태질소 및 암모니아 태질소의 함량은 흑운모화강암 풍화토양에서 미량 및 5.98ppm이었고, 천매암 풍화토양은 6.73ppm 및 9.94ppm이었다. 묘포토양의 경우 흑운모화강암토양은 각각 2년생지역이 223.09ppm, 26.96ppm이었고, 4년생지역이 19.46ppm, 8.23ppm이었으며, 천매암토양의 2년생지역이 각각 14.22ppm, 16.84ppm이었고, 4년생지역이 306.93ppm, 34.21ppm이었다. 이는 비료의 종류에 따라 차이가 생기지만 암모니아 태질소의 산화로 인한 질산태 질소 성분이 더 많이 축적된 것으로 나타났다. 인산함량은 흑운모화강암 및 천매암 풍화토양에서 14.41ppm 및 38.60ppm이었으며, 묘포토양은 흑운모화강암지역은 2년생지역이 46.89ppm, 4년생지역이 102.44ppm이었고, 천매암지역은 2년생지역이 147.04ppm, 4년생지역이 342.97ppm이었다. 토양 중 양이온치환용량은 흑운모화강암 풍화토양이 12.34me/100g이었고, 천매암 풍화토양이 15.40me/100g이었다. 흑운모화강암 묘포토양은 2년생지역이 15.80me/100g, 4년생지역이 7.70me/100g이었고, 천매암지역은 2년생지역이 12.14me/100g, 4년생지역이 12.83me/100g이었다. 치환성양이온($K^+$, $Ca^{2+}$, $Mg^{2+}$, $Na^+$)은 모두 풍화토양내 함량보다 묘포토양의 함량이 더 높았다. $SO_4{^2-}$ 함량은 모암별 풍화토양의 함량(화강암: 5.98ppm, 천매암: 9.94ppm)이 묘포토양(흑운모화강암 2년: 26.96ppm, 4년: 8.23ppm, 천매암 2년: 16.84ppm, 4년: 64.21ppm)에 비해 모두 낮았다.$Cl^-$ 은 풍화토양내에는 두 모암지역 모두 미량으로 존재하였으며, 묘포토양(흑운모화강암 2년: 39.06ppm, 4년: 273.43ppm, 천매암 2년: 66.41ppm, 4년: 406.24ppm)은 비료성분의 투입으로 풍화토양보다 함량이 높아진 것으로 사료된다.

• 지능정보연구
• /
• 제26권3호
• /
• pp.149-169
• /
• 2020

현 정부의 주요 국책사업 중 하나인 도시재생 뉴딜사업은 매년 100 곳씩, 5년간 500곳을대상으로 50조를 투자하여 낙후된 지역을 개발하는 것으로 언론과 지자체의 높은 이목이 집중되고 있다. 그러나, 현재 이 사업모델은 면적 규모에 따라 "우리동네 살리기, 주거정비지원형, 일반근린형, 중심시가지형, 경제기반형" 등 다섯 가지로 나뉘어 추진되어 그 지역 본래의 특성을 반영하지 못하고 있다. 국내 도시재생 성공 키워드는 "주민 참여", "지역특화" "부처협업", "민관협력"이다. 성공 키워드에 따르면 지자체에서 정부에게 도시재생 사업을 제안할 때 지역주민, 민간기업의 도움과 함께 도시의 특성을 정확히 이해하고 도시의 특성에 어울리는 방향으로 사업을 추진하는 것이 가장 중요하다는 것을 알 수 있다. 또한 도시재생 사업 후 발생하는 부작용 중 하나인 젠트리피케이션 문제를 고려하면 그 지역 특성에 맞는 도시재생 유형을 선정하여 추진하는 것이 중요하다. 이에 본 연구는 '도시재생 뉴딜 사업' 방법론의 한계점을 보완하기 위해, 기존 서울시가 지역 특성에 기반하여 추진하고 있는 "2025 서울시 도시재생 전략계획"의 도시재생 유형을 참고하여 도시재생 사업지에 맞는 도시재생 유형을 추천하는 시스템을 머신러닝 알고리즘을 활용하여 제안하고자 한다. 서울시 도시재생 유형은 "저이용저개발, 쇠퇴낙후, 노후주거, 역사문화자원 특화" 네 가지로 분류된다 (Shon and Park, 2017). 지역 특성을 파악하기 위해 총 4가지 도시재생 유형에 대해 사업이 진행된 22개의 지역에 대한 뉴스 미디어 10만여건의 텍스트 데이터를 수집하였다. 수집된 텍스트를 이용하여 도시재생 유형에 따른 지역별 주요 키워드를 도출하고 토픽모델링을 수행하여 유형별 차이가 있는 지 탐색해 보았다. 다음 단계로 주어진 텍스트를 기반으로 도시재생 유형을 추천하는 추천시스템 구축을 위해 텍스트 데이터를 벡터로 변환하여 머신러닝 분류모델을 개발하였고, 이를 검증한 결과 97% 정확도를 보였다. 따라서 본 연구에서 제안하는 추천 시스템은 도시재생 사업을 진행하는 과정에서 신규 사업지의 지역 특성에 기반한 도시재생 유형을 추천할 수 있을 것으로 기대된다.