http://chineseinput.net/에서 pinyin(병음)방식으로 중국어를 변환할 수 있습니다.
변환된 중국어를 복사하여 사용하시면 됩니다.
- 中文 을 입력하시려면 zhongwen을 입력하시고 space를누르시면됩니다.
- 北京 을 입력하시려면 beijing을 입력하시고 space를 누르시면 됩니다.
RISS 인기검색어
- 검색키워드
- 저자 : 권혜정 ( Hyejung Kwon ) (검색결과 4 건)
- 무료
- 기관 내 무료
- 유료
-
권혜정 ( Hyejung Kwon ),전미현 ( Mihyun Jeon ),배태웅 ( Tae-woong Bae ),김규태 ( Gyu-tae Kim ) 한국정보처리학회 2017 한국정보처리학회 학술대회논문집 Vol.24 No.2
대학 내 기관별 웹페이지의 방문자 패턴을 분류하고, 하이퍼링크에 따른 네트워크 분석을 통해 방문자수와의 연관성을 연구하였다. 웹페이지 언어에 따라 영문 홈페이지는 공통적으로 낮은 방문 패턴을 보였으며, 단과대학이 개별 학과에 비해 높은 방문자수를 보였다. 웹페이지 하이퍼링크의 중심도(Centrality) 분석에서는 사이중심도(Betweenness centrality)를 정도(degree)로 정규화한 값이 방문자수의 상한 값에 대응되는 현상이 발견되었다. 홍보효과를 위해 홈페이지 내용, 구조 설계뿐만 아니라 웹 상에 적절한 노출 전략도 도움이 됨을 알 수 있었다.
-
전미현 ( Mihyeon Jeon ),권혜정 ( Hyejung Kwon ),황자희 ( Jahee Hwang ),김규태 ( Gyu-tae Kim ),조형준 ( Cho Hyungjun ) 한국정보처리학회 2018 정보처리학회논문지. 소프트웨어 및 데이터 공학 Vol.7 No.4
대학 내 기관별 웹페이지의 방문자 패턴을 분류하고, 하이퍼링크에 따른 네트워크 분석을 통해 방문자수와의 연관성을 연구하였다. 웹페이지 언어에 따라 영문 홈페이지는 국문홈페이지 방문자수와 선형적인 연관관계를 가졌으나 낮은 비율의 방문패턴을 보였으며, 단과대학이 개별학과에 비해 높은 방문자수를 보였다. 웹페이지 하이퍼링크의 중심성(Centrality) 분석에서는 사이 중심성(Betweenness centrality)을 정도(degree)로 정규화한 값이 방문자수의 상한 값에 대응되는 현상이 발견되었다. 홍보효과를 위해 홈페이지 내용, 구조 설계뿐만 아니라 웹상에 적절한 노출 전략도 도움이 됨을 알 수 있었다. The visitors’ patterns of the homepages in university were classified and analyzed with the network analysis based on the hyperlinks. The numbers of visits to English web-pages were proportional to those of Korean with much less counts. The larger count of visits was confirmed for the case of colleges than the departments, showing the upper boundary of visits from the plot with the Betweenness centrality normalized by the degree. For the better visibility, well-designed hyperlinks with the proper public relations were suggested based on the quantitative analysis of visitors’ count.
-
-
대학의 AI 기반 맞춤형 강의 추천 시스템 개발 및 실제 적용 사례 연구: K 대학을 중심으로
이진숙 ( Jinsook Lee ),문기범 ( Kibum Moon ),한수연 ( Suyeon Han ),이수강 ( Sukang Lee ),권혜정 ( Hyejung Kwon ),한재호 ( Jaeho Han ),김규태 ( Gyutae Kim ) 한국교육공학회 2021 교육공학연구 Vol.37 No.2
본 연구는 대학혁신을 위한 인공지능 기반의 적응형 학습인 AI 기반 교양 강의 추천 시스템을 래피드 프로토타입 모형에 기반하여 개발하고, 실제 교내 포털 시스템에 적용하여 이용 결과를 분석하는 것에 목적을 두었다. 해당 서비스는 2020년 7월 교내 포털 시스템에 적용하였다. 추천 기능에 이용된 알고리즘은 사용자 기반 협업 필터링과 수강 이력 기반 통계 알고리즘을 이용하였으며, 각 모델당 21개의 교양 강의를 추천하였다. 서비스 만족도 설문조사를 진행한 결과, 782명의 응답을 수집하였고 협업 필터링 알고리즘보다 통계 기반 알고리즘의 만족도가 유의미하게 높은 것을 확인하였다. 그러나 실제 사후 추적 조사 결과, 2020년 2학기 희망 강의로 등록된 강의 내역과 실제 수강 내역에서 추천된 강의를 분석했을 때 협업 필터링 알고리즘의 Recall@21이 각각 약 37%와 43%로 통계 기반 알고리즘의 결과인 18%와 14%에 비해 높은 것으로 나타났다. 또한, 학생들은 교양 강의를 선택할 때 흥미 및 관심사를 가장 우선순위로 고려하였으며, 강의 제목의 모호함 때문에 강의에 대한 키워드가 가장 필요한 정보라고 응답하였다. 더불어 설문 응답자들은 원하는 강의와 원하는 수업 방식을 추천 결과에 직접 반영하고자 하는 요구를 확인하였다. 본 연구가 국내 대학 교육 실정에 맞는 인공지능 기반의 맞춤형 강의 추천 시스템을 개발하고 학습자에게 맞춤형 교육 정보를 제공하고자 할 때 기초자료로 기여할 수 있기를 기대한다. This paper outlines the development process of an AI-based elective course recommendation system on the basis of rapid prototype methodology (RP), from algorithm modeling to development of a user interface and follow-up survey. The algorithms used to produce recommendations employed either user-based collaborative filtering or a class history-based statistical model, incorporating students’ course ratings and course enrollment history data. The system was implemented on the campus portal website in July 2020, and a satisfaction survey was conducted. Our results, based on 782 responses, demonstrated that the statistical-based model had significantly higher satisfaction than the collaborative filtering model. However, a follow-up survey based on course wish list and course registration data found that Recall@21 for the collaborative filtering model was about 37% and 43%, respectively, compared with 18% and 14%, respectively, for the statistical-based model. Thus, we found a difference between satisfaction with the recommended list and actual course behavior. In their responses, students regarded their academic interests as the top priority when choosing elective courses, and noted that keywords, capable of fully describing the lectures, were vital information due to ambiguous course titles. This study is expected to contribute to the further development and real application of AI-based recommendation systems in Korean higher education institutions.
ScienceON연관 검색어 추천
이 검색어로 많이 본 자료
활용도 높은 자료
