Consultation Management Model based on Behavior Classification of Special-Needs Students = 특수학생들의 행동 분류 기반의 상담관리 모델

다국어 초록 (Multilingual Abstract)

Unlike behaviors that are generally known, information regarding unspecific behaviors is insufficient. For an education or guidance regarding the unspecific behaviors, collection and management of data regarding the unspecific behaviors of special-needs students are needed. In this paper, a consultation management model based on behavior classification of special-needs students using machine learning is proposed. It collects data by photographing the behavior of special students in real time, analyzes the behavior pattern, composes a data set, and trains it in the suggestion system. It is possible to improve the accuracy by comparing the behavior of special students photographed later into the suggestion system and analyzing the results by comparing it with the existing data again. The test has been performed by arbitrarily applying unspecific behaviors that are not stored in the database, and the forecast model has accurately classified and grouped the input data. Also, it has been verified that it is possible to accurately distinguish and classify the behaviors through the feature data of the behaviors even if there are some errors in the input process.

국문 초록 (Abstract)

일반적으로 알려져 있는 행동에 비해 일반적으로 알려져 있지 않은 불특정 행동들에 대한 자료들은 부족한 실정이다. 특수학생들의 불특정 행동들에 대한 교육이나 지도를 위한 데이터 수집 및 관리가 필요하다. 본 논문에서는 기계 학습을 이용한 웹 기반의 특수학생 상담관리 모델을 제안한다. 실시간으로 특수학생들의 행동을 촬영하여 데이터를 수집하고, 행동패턴을 분석하여 데이터 셋을 구성하고 제안 시스템에 학습시킨다. 추후에 촬영되는 특수학생들의 행동을 제안시스템에 입력 및 분석을 통하여 기존 데이터와 비교하여 나온 결과를 다시 학습하여 정확도를 향상 시킬 수 있다. 데이터베이스에 저장되어 있지 않은 불특정 행동들을 임의로 행하여 테스트를 진행하였으며 예측 모델은 입력 데이터를 통해 정확하게 분류 및 그룹화 하였다. 또한 진입 과정에서 약간의 오차가 있더라도 행동의 특징 데이터를 통해 행동을 정확하게 구분 및 분류하는 것이 가능하다는 것을 확인 할 수 있었다.

참고문헌 (Reference)

1 정여진, "딥러닝 프레임워크의 비교: 티아노, 텐서플로, CNTK를 중심으로" 한국지능정보시스템학회 23 (23): 1-17, 2017

2 설승환, "기두부와 단 분리 시 조각의 식별을 위한 합성곱 신경망 구조 설계" 한국정보기술학회 16 (16): 81-89, 2018

3 김정민, "개별차원의 긍정적 행동지원이 중증 자폐성 장애중학생의 특수학급에서의 수업참여행동에 미치는 영향" 한국특수교육학회 49 (49): 45-67, 2014

4 Albawi, S., "Understanding of a convolutional neural network" 1-6, 2017

5 Abadi, M., "TensorFlow: learning functions at scale" 1-1, 2016

6 Ladislav Rampasek, "TensorFlow: Biology’s Gateway to Deep Learning?" Elsevier BV 2 (2): 12-14, 2016

7 Pierangelo, R., "Teaching students with autism spectrum" Corwin Press 2008

8 Anderson, N. A., "Preservice teachers' observations of cooperating teachers and peers while participating in an early field experience" 32 (32): 97-117, 2005

9 Lin, M., "Network in network"

10 Alex Krizhevsky, "ImageNet classification with deep convolutional neural networks" Association for Computing Machinery (ACM) 60 (60): 84-90, 2017

11 Zigmond, N. P, "Handbook of special education" 160-172, 2017

12 Szegedy, C, "Going deeper with convolutions" 1-9, 2015

13 Bluche, T., "Feature extraction with convolutional neural networks for handwritten word recognition" IEEE 285-289, 2013

14 Vishnu, A., "Distributed tensorflow with MPI"

15 Yann LeCun, "Deep learning" Springer Science and Business Media LLC 521 (521): 436-444, 2015