• 한국전통조경학회지
• /
• 제37권2호
• /
• pp.74-88
• /
• 2019

본 연구는 우리나라 사찰림의 생태문화적 가치를 평가하는 평가지표를 개발하고, 개발된 사찰림의 평가지표를 삼보사찰의 한 곳인 송광사(승보사찰)에 적용하였다. 브레인스토밍(숲치유 전문가 2인, 불교계 산림전문가 스님 1인, 산림1인, 연구자 포함 6인)을 통하여 문헌연구와 평가지표 초안을 도출하였고, 이후 전문가그룹(1차:32명, 2차:30명) 심층인터뷰(FGI)를 5점 리커트 설문조사방법으로 도출한 최종평가지표 4개 영역 20개 항목을 기초로 실행한 연구 결과는 다음과 같다. 사찰림의 생태문화적 평가지표에 대해 4개 영역 20개 평가항목으로 각각 5점으로 하였으며 역사문화적 가치는 5개 항목으로 총 25점을, 생태적 가치는 5개 항목으로 총 25점, 휴양 관광적 가치는 6개 항목 총 30점, 교육 이용적 가치는4개 항목 총 20점으로 각각 배점하여 총점을 100점으로 하였다. 개발된 평가지표를 연구대상지인 조계산 송광사를 대상으로 적용한 결과, 사찰림의 역사 문화적 가치가 25점 만점에 23점, 생태적 가치는 25점 만점에 21점, 휴양 관광적 가치는 30점 만점에 22점, 교육 이용적 가치는 20점 만점에 16점을 차지하여 총 82점의 결과치가 도출되었다. 이번 연구에 대한 의미는 다음과 같다. 첫째, 최초로 사찰림의 생태문화적 지표를 개발했다는 것에 의미를 가지고, 사찰림의 생태문화적가치에 대한 활용자료가 될 수 있음에 의미를 가진다. 둘째, 사찰림의 생태문화적 평가지표를 가지고 송광사 사찰림을 평가한 결과, 사찰림의 휴양 관광적 가치와 교육 이용적 가치가 매우 낮았다. 이러한 이유에서 사찰림을 국내 최고의 고객으로 인정하는 산림청과 환경부, 문화재청 등은 사찰림의 관광, 휴양, 교육, 이용을 위한 지원을 해야 한다고 할 수 있다. 셋째, 사찰림의 생태문화적 가치에 대한 우수성에 대해 국가적 차원에서 연구하여 사찰림만이 가지는 템플스테이와 치유를 접목한 가칭 "사찰림에서의 치유"와 같은 국가브랜드를 만들어 세계적인 관광산업이 되기를 바란다. 넷째, 사찰림에 대한 법적정의가 없는 현 상황에서 사찰림에 대한 법적정의의 필요성에 대하여 법적정의를 제안하였다. 이러한 사찰림의 정의가 법률적으로 마련되면 사찰림의 생태문화적 가치에 대한 보호 및 활용적 측면에서 국가기관에 전담부서를 조직하고 더 나아가 사찰림을 세계자연문화유산으로도 등재하는데 기초가 될 것으로 판단된다. 다섯째, 이번 연구의 결과로 나온 사찰림에 대한 생태문화적 평가지표를 바탕으로 유네스코 세계문화유산으로 등재된 "산사, 한국의 산지 승원"에 적용해서 각 사찰마다의 특징을 도출하여 사찰의 관리 또는 활용에 기초자료가 될 것이다.

• 한국가정과교육학회지
• /
• 제24권2호
• /
• pp.117-134
• /
• 2012

본 연구의 목적은 가정과교육에서 창의 인성 교육에 대한 가정과 교사의 관심 단계와 실행 수준, 그리고 실행 실태를 알아보는데 있다. 연구 자료는 전국의 중학교 가정과 교사를 대상으로 체계적 표집과 편의 표집을 하여 우편과 이메일을 통해 설문지를 배포하고 회수된 187부를 최종 분석에 사용하였다. 조사 도구는 주로 Hall(1987)이 개발한 혁신에 대한 교사의 관심도와 실행 수준에 대한 질문지를 수정 보완하여 사용하였고 그 외는 선행연구를 기초하여 개발하였으며 타당도와 신뢰도를 검증하였다. 자료는 SPSS/window(12.0) 프로그램을 이용하여 빈도, 백분율, 평균, 표준편차, t-test, ANOVA를 실시하였다. 본 연구를 통해 밝혀진 결과를 요약하면 다음과 같다. 첫째, 창의 인성 교육에 대한 가정과 교사의 관심 단계는 정보적 관심 단계(85.51)가 가장 높았으며 다음으로 개인적 관심 단계(85.18), 운영적 관심 단계(81.88), 지각적 관심 단계(82.15), 강화적 관심 단계(68.80), 협동적 관심 단계(61.97), 그리고 결과적 관심단계(59.76)의 순으로 나타났다. 둘째, 창의 인성 교육에 대한 가정과 교사의 실행 수준은 기계적 실행 수준(수준 3; 21.4%)이 가장 많았으며, 다음으로 탐색 수준(수준 1; 20.9%), 정교화 수준(수준 5; 17.1%), 사용하지 않는 수준(수준 0; 15.0%), 준비 수준(수준 2; 10.2%), 통합 수준(수준 6; 5.9%), 갱신 수준(수준 7; 4.8%), 일상화 수준(수준 4; 4.8%) 순이었다. 셋째, 창의 인성 교육에 대한 가정과 교사의 실행 실태를 조사한 결과, 반 이상의 가정과 교사(56.1%)는 가정과 수업에서 인성 교육에 치중하고 있으며, 31.0%의 교사는 창의 인성 교육을 모두 실행한다고 응답하였다. 반면 소수의 교사(6.4%)는 창의성 교육을 실행한다고 응답하였고 같은 수의 교사(6.4%)는 창의성과 인성 교육 어느 것도 실행하지 않는다고 응답하였다. 가정과 교사의 창의 인성 교육 요소의 실행 정도를 조사한 결과, 창의 인성 교육 요소의 실행은 평균은 5점 만점에서 3.76이었고 창의성 요소의 평균은 3.59, 인성 요소의 평균은 3.94로 보통보다 높았다. 창의성 교육 요소의 실행 정도에 대해서, 개방성/민감성(3.97)을 가장 많이 실행하였고 다음으로 문제해결능력(3.79), 호기심/흥미(3.73), 비판적 사고(3.68), 논리/분석적 사고(3.63), 문제발견능력(3.61), 독창성(3.57), 유추성(3.47), 유창성/융통성(3.46), 정교성(3.46), 상상력(3.37), 몰입/공감(3.37)의 순으로 실행하였다. 인성 교육 요소는 실천력(4.07)을 가장 많이 실행하였고, 다음으로 협동/배려/공정(4.06), 자기관리능력(4.04), 시민의식(4.04), 진로개발능력(4.03), 환경친화능력(3.95), 책임(감)/소유(3.94), 의사결정능력(3.89), 신뢰/정직/약속(3.88), 자율성(3.86), 글로벌역량(3.55)의 순으로 실행한 것으로 나타났다. 창의 인성 교육을 실행할 때 어려운 점으로, 많은 가정과 교사(64.71%)는 창의 인성 교육을 실행할 수업 자료가 부족한 데 있다고 하였으며, 40.11%의 교사는 창의 인성 교육의 연수 기회가 적은데 있다고 응답하였다. 한편 38.50%의 가정과 교사는 창의 인성 교육에 대한 평가 기준을 설정하거나 평가 도구를 개발하는 것이 어렵다고 응답하였고, 25.67%의 교사는 창의 인성 교육 방법을 모른다고 응답하였다. 창의 인성 교육 실행을 위해서 필요한 지원에 대해서, '창의 인성 교육과 관련된 학생들의 체험활동의 확대'(4.34), '창의성과 인성을 중시하는 가정과 수업 문화 조성'(4.29), '학생 발달 단계에 적합한 창의 인성 교육 내용'(4.27), '창의 인성 교육을 담당할 교수 인력 확보'(4.21), '창의 인성 교육의 개념과 가치 확립'(4.09), '지역 사회 기업 등과 연계한 창의 인성 교육 추진'(3.94)의 순으로 응답하였다.

• 지능정보연구
• /
• 제26권4호
• /
• pp.127-148
• /
• 2020

데이터 센터는 컴퓨터 시스템과 관련 구성요소를 수용하기 위한 물리적 환경시설로, 빅데이터, 인공지능 스마트 공장, 웨어러블, 스마트 홈 등 차세대 핵심 산업의 필수 기반기술이다. 특히, 클라우드 컴퓨팅의 성장으로 데이터 센터 인프라의 비례적 확장은 불가피하다. 이러한 데이터 센터 설비의 상태를 모니터링하는 것은 시스템을 유지, 관리하고 장애를 예방하기 위한 방법이다. 설비를 구성하는 일부 요소에 장애가 발생하는 경우 해당 장비뿐 아니라 연결된 다른 장비에도 영향을 미칠 수 있으며, 막대한 손해를 초래할 수 있다. 특히, IT 시설은 상호의존성에 의해 불규칙하고 원인을 알기 어렵다. 데이터 센터 내 장애를 예측하는 선행연구에서는, 장치들이 혼재된 상황임을 가정하지 않고 단일 서버를 단일 상태로 보고 장애를 예측했다. 이에 본 연구에서는, 서버 내부에서 발생하는 장애(Outage A)와 서버 외부에서 발생하는 장애(Outage B)로 데이터 센터 장애를 구분하고, 서버 내에서 발생하는 복합적인 장애 분석에 중점을 두었다. 서버 외부 장애는 전력, 냉각, 사용자 실수 등인데, 이와 같은 장애는 데이터 센터 설비 구축 초기 단계에서 예방이 가능했기 때문에 다양한 솔루션이 개발되고 있는 상황이다. 반면 서버 내 발생하는 장애는 원인 규명이 어려워 아직까지 적절한 예방이 이뤄지지 못하고 있다. 특히 서버 장애가 단일적으로 발생하지 않고, 다른 서버 장애의 원인이 되기도 하고, 다른 서버부터 장애의 원인이 되는 무언가를 받기도 하는 이유다. 즉, 기존 연구들은 서버들 간 영향을 주지 않는 단일 서버인 상태로 가정하고 장애를 분석했다면, 본 연구에서는 서버들 간 영향을 준다고 가정하고 장애 발생 상태를 분석했다. 데이터 센터 내 복합 장애 상황을 정의하기 위해, 데이터 센터 내 존재하는 각 장비별로 장애가 발생한 장애 이력 데이터를 활용했다. 본 연구에서 고려되는 장애는 Network Node Down, Server Down, Windows Activation Services Down, Database Management System Service Down으로 크게 4가지이다. 각 장비별로 발생되는 장애들을 시간 순으로 정렬하고, 특정 장비에서 장애가 발생하였을 때, 발생 시점으로부터 5분 내 특정 장비에서 장애가 발생하였다면 이를 동시에 장애가 발생하였다고 정의하였다. 이렇게 동시에 장애가 발생한 장비들에 대해서 Sequence를 구성한 후, 구성한 Sequence 내에서 동시에 자주 발생하는 장비 5개를 선정하였고, 선정된 장비들이 동시에 장애가 발생된 경우를 시각화를 통해 확인하였다. 장애 분석을 위해 수집된 서버 리소스 정보는 시계열 단위이며 흐름성을 가진다는 점에서 이전 상태를 통해 다음 상태를 예측할 수 있는 딥러닝 알고리즘인 LSTM(Long Short-term Memory)을 사용했다. 또한 단일 서버와 달리 복합장애는 서버별로 장애 발생에 끼치는 수준이 다르다는 점을 감안하여 Hierarchical Attention Network 딥러닝 모델 구조를 활용했다. 본 알고리즘은 장애에 끼치는 영향이 클 수록 해당 서버에 가중치를 주어 예측 정확도를 높이는 방법이다. 연구는 장애유형을 정의하고 분석 대상을 선정하는 것으로 시작하여, 첫 번째 실험에서는 동일한 수집 데이터에 대해 단일 서버 상태와 복합 서버 상태로 가정하고 비교분석하였다. 두 번째 실험은 서버의 임계치를 각각 최적화 하여 복합 서버 상태일 때의 예측 정확도를 향상시켰다. 단일 서버와 다중 서버로 각각 가정한 첫 번째 실험에서 단일 서버로 가정한 경우 실제 장애가 발생했음에도 불구하고 5개 서버 중 3개의 서버에서는 장애가 발생하지 않은것으로 예측했다. 그러나 다중 서버로 가정했을때에는 5개 서버 모두 장애가 발생한 것으로 예측했다. 실험 결과 서버 간 영향이 있을 것이라고 추측한 가설이 입증된 것이다. 연구결과 단일 서버로 가정했을 때 보다 다중 서버로 가정했을 때 예측 성능이 우수함을 확인했다. 특히 서버별 영향이 다를것으로 가정하고 Hierarchical Attention Network 알고리즘을 적용한 것이 분석 효과를 향상시키는 역할을 했다. 또한 각 서버마다 다른 임계치를 적용함으로써 예측 정확도를 향상시킬 수 있었다. 본 연구는 원인 규명이 어려운 장애를 과거 데이터를 통해 예측 가능하게 함을 보였고, 데이터 센터의 서버 내에서 발생하는 장애를 예측할 수 있는 모델을 제시했다. 본 연구결과를 활용하여 장애 발생을 사전에 방지할 수 있을 것으로 기대된다.