본 연구에서는 개발한 노벨 엔지니어링 기반 인공지능 교육 프로그램을 초등정보융합영재 학생들에게 적용하고 그 교육적 효과성을 파악하기 위하여 단일집단 사전-사후 실험을 설계하였다. 이를 위하여 실험 처치 이전과 이후에 동일한 융합 태도 검사를 실시하여 변화를 측정하고자 하였으며, 실험 처치로는 15시간 분량의 노벨 엔지니어링 기반 인공지능 교육 프로그램을 개발하여 적용하였다.

본 연구에서는 개발한 노벨 엔지니어링 기반 인공지능 교육 프로그램을 초등정보융합영재 학생들에게 적용하고 그 교육적 효과성을 파악하기 위하여 단일집단 사전-사후 실험을 설계하였다

본 연구에서는 영재 학생의 인공지능 융합교육 방법으로 노벨 엔지니어링을 적용한 교육 프로그램을 개발 및 적용하고 그 교육적 효과성을 확인하고자 하였다. 이를 위하여 15차시 분량의 노벨 엔지니어링 기반 인공지능 교육 프로그램을 개발하고 이를 10명의 초등정보융합영재 학생들에게 적용하였으며 적용 전·후의 융합 태도의 변화를 살펴 교육적 효과성을 확인하였다.

본 연구에서는 영재 학생의 인공지능 융합교육 방법으로 노벨 엔지니어링을 적용한 교육 프로그램을 개발 및 적용하고 그 교육적 효과성을 확인하고자 하였다

최근 인문학적 상상력과 창의력이 결합된 공학 인재의 양성을 위한 인공지능 영재교육 방법론으로 스토리텔링의 중요성이 강조되고 있으며[5], 이에 본 연구에서는 스토리텔링 기반 교수법의 한 종류인 노벨 엔지니어링(Novel Engineering) 기반의 인공지능 영재교육 프로그램을 개발하고 그 교육적 효과성을 검증하고자 한다. 교육부(2020)에서는 정보 기반 인공지능 융합교육의 방법으로 노벨 엔지니어링을 제시하기도 하였으며[6] 관련 연구도 꾸준히 수행되고 있으나[7] 영재학생 대상의 연구는 거의 진행되고 있지 않은 상황이다.

최근 인문학적 상상력과 창의력이 결합된 공학 인재의 양성을 위한 인공지능 영재교육 방법론으로 스토리텔링의 중요성이 강조되고 있으며[5], 이에 본 연구에서는 스토리텔링 기반 교수법의 한 종류인 노벨 엔지니어링(Novel Engineering) 기반의 인공지능 영재교육 프로그램을 개발하고 그 교육적 효과성을 검증하고자 한다

따라서 융합의 측면에서 어느 한쪽이 도구로 사용된다기보다 문학과 공학 두 측면 모두에서 긍정적인 효과를 미친다[10][17][19]. 본 연구의 연구 대상은 초등정보융합영재 학생들로, 융합에 강조점이 있으므로 본 연구에서는 두 스토리텔링 기반 인공지능 교육 기법 중 융합 키워드에 조금 더 강점이 있는 노벨 엔지니어링을 인공지능 교육 프로그램 개발의 방향으로 설정하였다.

본 연구의 연구 대상은 초등정보융합영재 학생들로, 융합에 강조점이 있으므로 본 연구에서는 두 스토리텔링 기반 인공지능 교육 기법 중 융합 키워드에 조금 더 강점이 있는 노벨 엔지니어링을 인공지능 교육 프로그램 개발의 방향으로 설정하였다.

본 연구에는 2023학년도 J 대학교 과학영재교육원 초등부 정보융합트랙 심화 과정 전체 재적인원 11명 중 본 프로그램의 적용 기간에 출석하지 않은 1명의 학생을 제외한 재학생 10명(남 6명, 여 4명)이 참여하였다. 참여자들은 초등학교 6학년 학생들로 기존에 수학, 과학, 발명, 정보 등 전년도에 다양한 영재교육 기본과정을 수료한 학생 중 지원자를 선발하여 전체 100시간의 교육과정이 운영되었으며 본 연구에서 개발한 교육 프로그램은 그 일부로서 편성되었다.

참여자들은 초등학교 6학년 학생들로 기존에 수학, 과학, 발명, 정보 등 전년도에 다양한 영재교육 기본과정을 수료한 학생 중 지원자를 선발하여 전체 100시간의 교육과정이 운영되었으며 본 연구에서 개발한 교육 프로그램은 그 일부로서 편성되었다.

본 연구에서는 개발한 노벨 엔지니어링 기반 인공지능 교육 프로그램을 초등정보융합영재 학생들에게 적용하고 그 교육적 효과성을 파악하기 위하여 단일집단 사전-사후 실험을 설계하였다. 이를 위하여 실험 처치 이전과 이후에 동일한 융합 태도 검사를 실시하여 변화를 측정하고자 하였으며, 실험 처치로는 15시간 분량의 노벨 엔지니어링 기반 인공지능 교육 프로그램을 개발하여 적용하였다. 한편, 사후 검사에는 추가로 만족도 검사를 실시하였다.

이를 위하여 실험 처치 이전과 이후에 동일한 융합 태도 검사를 실시하여 변화를 측정하고자 하였으며, 실험 처치로는 15시간 분량의 노벨 엔지니어링 기반 인공지능 교육 프로그램을 개발하여 적용하였다

본 연구의 교육적 효과성을 측정하기 위한 설문은 연구 참여자를 대상으로 전체 교육 프로그램 적용 전·후에 설문지를 배부하여 회수하는 방식으로 진행하였다. 자유 서술형 문항 2개를 제외한 각 문항에 대한 응답은 리커트 5점 척도(전혀 그렇지 않다(1) ~ 매우 그렇다(5))로 수집되었다.

본 연구의 교육적 효과성을 측정하기 위한 설문은 연구 참여자를 대상으로 전체 교육 프로그램 적용 전·후에 설문지를 배부하여 회수하는 방식으로 진행하였다

초등정보융합영재학생을 위한 노벨 엔지니어링 기반 인공지능 교육 프로그램은 이야기 속에서 문제를 발견하고 해결하는 노벨 엔지니어링의 특성을 고려하여 ‘이야기로 배우는 인공지능’이라는 테마로 설계되었다. 본 연구에서 다루는 인공지능 개념과 원리가 기본적으로 다소 난이도 있기에 학생들이 조금 더 쉽고 재미있게 이해할 수 있도록 피지컬 컴퓨팅 교구인 햄스터 로봇을 활용하였다. 햄스터 로봇을 이용한 소프트웨어 교육이 초등학생 학습자들에게 흥미를 높일 수 있기 때문이다[32].

본 연구에서 다루는 인공지능 개념과 원리가 기본적으로 다소 난이도 있기에 학생들이 조금 더 쉽고 재미있게 이해할 수 있도록 피지컬 컴퓨팅 교구인 햄스터 로봇을 활용하였다

먼저 이야기를 파악하고 내용에서 문제 상황을 포착하여 주인공이 자신의 감정을 이해하고 건강한 방법으로 부정적인 감정을 해소할 수 있도록 하는 것을 해결책으로 설정하였다. 그리고 주인공이 이를 연습하기 위한 방법으로 AI의 감정 파악 원리를 이해하고 감정 분류 모델을 직접 제작해 보았다. 이후 모델을 활용해서 나를 위로해 주는 감정 로봇을 만들고, 스스로 감정을 이해하여 다스릴 수 있도록 보조하는 로봇을 선물하며 주인공에게 줄 편지를 작성하는 것으로 활동을 설계하였다.

그리고 주인공이 이를 연습하기 위한 방법으로 AI의 감정 파악 원리를 이해하고 감정 분류 모델을 직접 제작해 보았다

3주차의 ‘작은 고추가 맵다.’ 프로젝트에서는 이솝우화<사자와 생쥐>를 활용하여 생쥐가 사자에게 은혜를 갚기 위해 함정을 피하는 똑똑한 햄스터 봇을 선물해서 사자가 함정을 잘 피해 다닐 수 있도록 강화학습을 활용하여 로봇을 훈련하는 프로젝트를 설계하였다.

3주차의 ‘작은 고추가 맵다.’ 프로젝트에서는 이솝우화<사자와 생쥐>를 활용하여 생쥐가 사자에게 은혜를 갚기 위해 함정을 피하는 똑똑한 햄스터 봇을 선물해서 사자가 함정을 잘 피해 다닐 수 있도록 강화학습을 활용하여 로봇을 훈련하는 프로젝트를 설계하였다.

본 연구에서 개발된 노벨 엔지니어링 기반 인공지능 교육 프로그램은 J 대학교 부설 과학영재교육원 초등 정보융합영재 심화반 학생 10명을 대상으로 2023년 9월에서 10월 3회에 걸쳐 15시간 동안 적용되었다. 수업 장면 일부는 Fig.

본 연구에서 개발된 노벨 엔지니어링 기반 인공지능 교육 프로그램은 J 대학교 부설 과학영재교육원 초등 정보융합영재 심화반 학생 10명을 대상으로 2023년 9월에서 10월 3회에 걸쳐 15시간 동안 적용되었다

본 연구에서 개발한 교육 프로그램의 교육적 효과성을 확인하기 위하여 실험 처치 전, 후에 사전 검사와 사후 검사로서 동일한 융합 태도 검사를 실시하였다. 분석에 앞서 표본 수가 n = 10으로 정규분포를 만족하는지 확인하기 위하여 하위영역별 Shapiro-Wilk 정규성 검정을 실시하였다.

본 연구에서 개발한 교육 프로그램의 교육적 효과성을 확인하기 위하여 실험 처치 전, 후에 사전 검사와 사후 검사로서 동일한 융합 태도 검사를 실시하였다

이를 위하여 15차시 분량의 노벨 엔지니어링 기반 인공지능 교육 프로그램을 개발하고 이를 10명의 초등정보융합영재 학생들에게 적용하였으며 적용 전·후의 융합 태도의 변화를 살펴 교육적 효과성을 확인하였다

이를 위하여 15차시 분량의 노벨 엔지니어링 기반 인공지능 교육 프로그램을 개발하고 이를 10명의 초등정보융합영재 학생들에게 적용하였으며 적용 전·후의 융합 태도의 변화를 살펴 교육적 효과성을 확인하였다

첫째, 초등정보융합영재 학생들을 대상으로 문학과 공학을 융합한 문제 해결을 경험할 수 있는 15차시 분량의 노벨 엔지니어링 기반 인공지능 교육 프로그램을 개발하였다. 이를 위해 각 수업에서 다룰 인공지능 개념 및 원리를 결정하고 이에 적합한 도서를 선정하여 수업 내용을 구조화하였다.

첫째, 초등정보융합영재 학생들을 대상으로 문학과 공학을 융합한 문제 해결을 경험할 수 있는 15차시 분량의 노벨 엔지니어링 기반 인공지능 교육 프로그램을 개발하였다

첫째, 초등정보융합영재 학생들을 대상으로 문학과 공학을 융합한 문제 해결을 경험할 수 있는 15차시 분량의 노벨 엔지니어링 기반 인공지능 교육 프로그램을 개발하였다. 이를 위해 각 수업에서 다룰 인공지능 개념 및 원리를 결정하고 이에 적합한 도서를 선정하여 수업 내용을 구조화하였다. 전 세계적으로 인문, 사회, 공학의 융합적 접근을 통한 학제 간 연구가 활발한 현 상황에서, 스토리텔링 기법을 적용하면 인문학적 소양을 기반으로 한 상상력과 창의적 사고를 공학 기술과 접목하여 문제를 해결하는 창의적 인재 양성이 가능하다[5]는 점에서 본 연구는 의의가 있다.

이를 위해 각 수업에서 다룰 인공지능 개념 및 원리를 결정하고 이에 적합한 도서를 선정하여 수업 내용을 구조화하였다

본 연구에는 2023학년도 J 대학교 과학영재교육원 초등부 정보융합트랙 심화 과정 전체 재적인원 11명 중 본 프로그램의 적용 기간에 출석하지 않은 1명의 학생을 제외한 재학생 10명(남 6명, 여 4명)이 참여하였다. 참여자들은 초등학교 6학년 학생들로 기존에 수학, 과학, 발명, 정보 등 전년도에 다양한 영재교육 기본과정을 수료한 학생 중 지원자를 선발하여 전체 100시간의 교육과정이 운영되었으며 본 연구에서 개발한 교육 프로그램은 그 일부로서 편성되었다.

본 연구에는 2023학년도 J 대학교 과학영재교육원 초등부 정보융합트랙 심화 과정 전체 재적인원 11명 중 본 프로그램의 적용 기간에 출석하지 않은 1명의 학생을 제외한 재학생 10명(남 6명, 여 4명)이 참여하였다

자유 서술형 문항 2개를 제외한 각 문항에 대한 응답은 리커트 5점 척도(전혀 그렇지 않다(1) ~ 매우 그렇다(5))로 수집되었다. 수집된 응답은 SPSS Statistics V21을 활용하여 기술통계, 대응 표본 t 검정, 신뢰도 분석을 실시하였다.

수집된 응답은 SPSS Statistics V21을 활용하여 기술통계, 대응 표본 t 검정, 신뢰도 분석을 실시하였다.

본 연구에서 개발한 교육 프로그램의 교육적 효과성을 확인하기 위하여 실험 처치 전, 후에 사전 검사와 사후 검사로서 동일한 융합 태도 검사를 실시하였다. 분석에 앞서 표본 수가 n = 10으로 정규분포를 만족하는지 확인하기 위하여 하위영역별 Shapiro-Wilk 정규성 검정을 실시하였다. 그 결과 유의수준 .

분석에 앞서 표본 수가 n = 10으로 정규분포를 만족하는지 확인하기 위하여 하위영역별 Shapiro-Wilk 정규성 검정을 실시하였다

분석에 앞서 표본 수가 n = 10으로 정규분포를 만족하는지 확인하기 위하여 하위영역별 Shapiro-Wilk 정규성 검정을 실시하였다. 그 결과 유의수준 .05에서 전 영역의 사전-사후 검사 점수 차이가 정규분포를 따르는 것으로 확인되어 대응 표본 t 검정을 실시하였다. Shapiro-Wilk 정규성 검정 결과는 Table 4와 같다.

그 결과 유의수준 .05에서 전 영역의 사전-사후 검사 점수 차이가 정규분포를 따르는 것으로 확인되어 대응 표본 t 검정을 실시하였다

본 연구에서 개발한 교육 프로그램의 교육적 효과성을 확인하기 위하여 방담이, 김지영, 윤회정(2019)이 개발한 융합 태도 검사 도구를 활용하였다. 여기서 융합 태도란 ‘융합 교육을 통해 함양될 것으로 기대되는 정서적, 감성적 특성’을 의미하며 [30] 해당 도구는 본 연구에서 지향하는 인문학과 공학의 융합과 연구 대상 학생들이 정보융합 트랙 영재학생들임을 고려하여 선정하였다.

본 연구에서 개발한 교육 프로그램의 교육적 효과성을 확인하기 위하여 방담이, 김지영, 윤회정(2019)이 개발한 융합 태도 검사 도구를 활용하였다

사후 검사에서는 융합 태도 검사 이외에도 전체적인 교육 프로그램의 만족도를 확인하기 위하여 Holsapple & Lee-post(2006)의 학습자 만족도 문항 4개를 추가하였다[31]

사후 검사에서는 융합 태도 검사 이외에도 전체적인 교육 프로그램의 만족도를 확인하기 위하여 Holsapple & Lee-post(2006)의 학습자 만족도 문항 4개를 추가하였다[31]

인공지능 스토리텔링 학습법은 문제 상황을 이야기 형태로 제시하고 인공지능 기술로 해결하는 과정에서 인공지능 알고리즘을 쉽고 자연스럽게 이해할 수 있도록 돕는 교육 방법으로 문제 상황 탐색 – 문제 발견 – 문제 해결 – 알고리즘 정리 – 적용의 단계를 거친다[26]. 이를 본 연구에서 적용하고자 하는 노벨 엔지니어링과 비교해 보면, 인공지능 스토리텔링 학습법은 스토리를 통해 학습자들에게 어려운 인공지능의 개념과 원리를 자연스럽게 이해 및 적용할 수 있도록 한다는 점에서 개념 및 원리 학습에 강점이 있다. 또한 인공지능의 정수라 할 수 있는 알고리즘 자체에 집중한 수업이 가능하다는 점에서 심도 있는 정보교육에 적용하기 좋은 학습법이다.

이를 본 연구에서 적용하고자 하는 노벨 엔지니어링과 비교해 보면, 인공지능 스토리텔링 학습법은 스토리를 통해 학습자들에게 어려운 인공지능의 개념과 원리를 자연스럽게 이해 및 적용할 수 있도록 한다는 점에서 개념 및 원리 학습에 강점이 있다

사전-사후 검사 결과에 대한 대응 표본 t 검정 결과, 전 영역에서 프로그램 적용 전보다 후에 평균이 오른 걸 확인할 수 있었다. 영역별로 살펴보면 다양한 분야에 대한 흥미의 경우 사전 평균 33.

사전-사후 검사 결과에 대한 대응 표본 t 검정 결과, 전 영역에서 프로그램 적용 전보다 후에 평균이 오른 걸 확인할 수 있었다

이러한 변화를 원 검사지에 융합 태도의 측면에서 해석하면 융합 태도 변화의 관점에서 본 연구에서 개발된 노벨 엔지니어링 기반 인공지능 교육 프로그램이 융합 교육을 통해 함양할 수 있는 정서적, 감성적 특성인 융합 태도를 전반적으로 향상시켰음을 유추할 수 있다[30]. 구체적으로 다양한 교과 영역에 대한 관심과 흥미가 향상되었으며, 융합에 대한 가치와 필요성을 인식하여 융합을 실천하려는 의지가 향상되었다.

이러한 변화를 원 검사지에 융합 태도의 측면에서 해석하면 융합 태도 변화의 관점에서 본 연구에서 개발된 노벨 엔지니어링 기반 인공지능 교육 프로그램이 융합 교육을 통해 함양할 수 있는 정서적, 감성적 특성인 융합 태도를 전반적으로 향상시켰음을 유추할 수 있다[30]

이러한 변화를 원 검사지에 융합 태도의 측면에서 해석하면 융합 태도 변화의 관점에서 본 연구에서 개발된 노벨 엔지니어링 기반 인공지능 교육 프로그램이 융합 교육을 통해 함양할 수 있는 정서적, 감성적 특성인 융합 태도를 전반적으로 향상시켰음을 유추할 수 있다[30]. 구체적으로 다양한 교과 영역에 대한 관심과 흥미가 향상되었으며, 융합에 대한 가치와 필요성을 인식하여 융합을 실천하려는 의지가 향상되었다. 다만 융합 교육을 통해 함양할 수 있는 감성적 특성을 의미하는 심미적 감성 영역은 향상이 확인되지 않았다.

구체적으로 다양한 교과 영역에 대한 관심과 흥미가 향상되었으며, 융합에 대한 가치와 필요성을 인식하여 융합을 실천하려는 의지가 향상되었다

둘째, 노벨 엔지니어링 기반 인공지능 융합교육 프로그램은 초등정보융합영재 학생들의 융합 태도 향상에 긍정적 영향을 미친다. 개발한 교육 프로그램의 수업 적용 이전과 이후에 실시된 동일한 융합 태도 검사[30]에서 학습자들의 융합 태도 전 영역의 평균이 상승하였으며, 그중 다양한 분야에 대한 흥미, 융합과제 해결에 대한 의지, 차이에 대한 이해와 수용, 교과융합에 대한 의지 영역에서 통계적으로 유의한 향상을 확인할 수 있었다.

둘째, 노벨 엔지니어링 기반 인공지능 융합교육 프로그램은 초등정보융합영재 학생들의 융합 태도 향상에 긍정적 영향을 미친다

둘째, 노벨 엔지니어링 기반 인공지능 융합교육 프로그램은 초등정보융합영재 학생들의 융합 태도 향상에 긍정적 영향을 미친다. 개발한 교육 프로그램의 수업 적용 이전과 이후에 실시된 동일한 융합 태도 검사[30]에서 학습자들의 융합 태도 전 영역의 평균이 상승하였으며, 그중 다양한 분야에 대한 흥미, 융합과제 해결에 대한 의지, 차이에 대한 이해와 수용, 교과융합에 대한 의지 영역에서 통계적으로 유의한 향상을 확인할 수 있었다. 이는 문학작품을 읽고 등장인물의 문제 상황을 발견하고 해결책을 고안하여 설계 및 수정하고 이야기를 바꾸어 써보는 노벨 엔지니어링의 일련의 과정[7]이 영재 학생의 융합에 대한 태도에 긍정적인 영향을 미쳤음을 시사한다.

개발한 교육 프로그램의 수업 적용 이전과 이후에 실시된 동일한 융합 태도 검사[30]에서 학습자들의 융합 태도 전 영역의 평균이 상승하였으며, 그중 다양한 분야에 대한 흥미, 융합과제 해결에 대한 의지, 차이에 대한 이해와 수용, 교과융합에 대한 의지 영역에서 통계적으로 유의한 향상을 확인할 수 있었다

셋째, 노벨 엔지니어링을 접목하여 영재교육에서 인문학과 공학의 자연스러운 융합을 추구하는 구체적 방법론을 제시하였다. 기존의 융합영재교육은 대부분 STEAM 교육 위주로 진행되고 있다.

셋째, 노벨 엔지니어링을 접목하여 영재교육에서 인문학과 공학의 자연스러운 융합을 추구하는 구체적 방법론을 제시하였다

노벨 엔지니어링과 인공지능 교육을 접목한 기존 연구를 검토한 결과 대부분 수업 개발연구로 전문가 검토를 받아 타당성을 확보하였으나 실제 교육 현장에서 학생들을 대상으로 교육 효과성을 검토해 보지는 않은 한계가 있었다. 현장 적용 연구의 경우 그 사례가 적고 데이터 영역 이외에 인공지능 원리에 대한 현장 적용 연구는 매우 부족하여 노벨 엔지니어링 기반 인공지능 교육 프로그램의 실제 교육적 효과성 검토 연구가 추가로 수행될 필요가 있다.

노벨 엔지니어링과 인공지능 교육을 접목한 기존 연구를 검토한 결과 대부분 수업 개발연구로 전문가 검토를 받아 타당성을 확보하였으나 실제 교육 현장에서 학생들을 대상으로 교육 효과성을 검토해 보지는 않은 한계가 있었다

만족도의 경우 4개 문항으로 제시되었으며 전반적 만족도, 학습경험, 수업 구성, 추천 의향 모든 문항의 평균이 4.9 또는 5.0으로 만점에 가까운 만족도를 보여 개발된 수업 프로그램에 학습자들이 매우 만족하였음을 확인할 수 있었다. 만족도 조사 결과는 Table 6과 같다.

만족도의 경우 4개 문항으로 제시되었으며 전반적 만족도, 학습경험, 수업 구성, 추천 의향 모든 문항의 평균이 4.9 또는 5.0으로 만점에 가까운 만족도를 보여 개발된 수업 프로그램에 학습자들이 매우 만족하였음을 확인할 수 있었다

노벨 엔지니어링과 인공지능 교육을 접목한 기존 연구를 검토한 결과 대부분 수업 개발연구로 전문가 검토를 받아 타당성을 확보하였으나 실제 교육 현장에서 학생들을 대상으로 교육 효과성을 검토해 보지는 않은 한계가 있었다. 현장 적용 연구의 경우 그 사례가 적고 데이터 영역 이외에 인공지능 원리에 대한 현장 적용 연구는 매우 부족하여 노벨 엔지니어링 기반 인공지능 교육 프로그램의 실제 교육적 효과성 검토 연구가 추가로 수행될 필요가 있다.

현장 적용 연구의 경우 그 사례가 적고 데이터 영역 이외에 인공지능 원리에 대한 현장 적용 연구는 매우 부족하여 노벨 엔지니어링 기반 인공지능 교육 프로그램의 실제 교육적 효과성 검토 연구가 추가로 수행될 필요가 있다.

이 영역의 문항들은 ‘나는 예술작품에서 느낀 감정을 다양한 방법으로 표현할 수 있다.’와 같이 예술 영역과 관련된 문항들로, 본 연구에서 개발된 프로그램에 예술적인 측면이 추가적으로 개선될 필요가 있음을 시사한다.

이 영역의 문항들은 ‘나는 예술작품에서 느낀 감정을 다양한 방법으로 표현할 수 있다.’와 같이 예술 영역과 관련된 문항들로, 본 연구에서 개발된 프로그램에 예술적인 측면이 추가적으로 개선될 필요가 있음을 시사한다.

한편 본 연구의 한계점은 영재 학생 대상 연구의 특성상 한계로 일반화 하기 어려운 수의 연구 대상자로 연구가 수행되었다는 점이다. 이에 따라 본 연구의 내용이 일반화되기 위해서는 다양한 환경과 배경의 학습자들을 대상으로 연구가 추가로 수행될 필요가 있다.

한편 본 연구의 한계점은 영재 학생 대상 연구의 특성상 한계로 일반화 하기 어려운 수의 연구 대상자로 연구가 수행되었다는 점이다

한편 본 연구의 한계점은 영재 학생 대상 연구의 특성상 한계로 일반화 하기 어려운 수의 연구 대상자로 연구가 수행되었다는 점이다. 이에 따라 본 연구의 내용이 일반화되기 위해서는 다양한 환경과 배경의 학습자들을 대상으로 연구가 추가로 수행될 필요가 있다. 나아가 후속 연구로서 영재 학생 이외의 일반 학생들을 대상으로 확장한 연구도 수행될 필요가 있다.

이에 따라 본 연구의 내용이 일반화되기 위해서는 다양한 환경과 배경의 학습자들을 대상으로 연구가 추가로 수행될 필요가 있다

이에 따라 본 연구의 내용이 일반화되기 위해서는 다양한 환경과 배경의 학습자들을 대상으로 연구가 추가로 수행될 필요가 있다. 나아가 후속 연구로서 영재 학생 이외의 일반 학생들을 대상으로 확장한 연구도 수행될 필요가 있다.

나아가 후속 연구로서 영재 학생 이외의 일반 학생들을 대상으로 확장한 연구도 수행될 필요가 있다.

첫째, 노벨 엔지니어링 기반의 인공지능 교육에 대한 교육 현장 적용과 효과성 검토 연구가 지속해서 이루어져야 한다. 이는 기존에도 지적된 바 있으나[34] 여전히 노벨 엔지니어링 기반 인공지능 교육의 교육적 효과성에 관한 연구는 충분하지 않은 것으로 분석되었다.

첫째, 노벨 엔지니어링 기반의 인공지능 교육에 대한 교육 현장 적용과 효과성 검토 연구가 지속해서 이루어져야 한다

이는 기존에도 지적된 바 있으나[34] 여전히 노벨 엔지니어링 기반 인공지능 교육의 교육적 효과성에 관한 연구는 충분하지 않은 것으로 분석되었다. 노벨 엔지니어링이 인공지능 융합교육을 위한 의미 있는 교수법으로 제안되는 만큼[6] 현장에의 적용을 위한 추가적인 연구가 진행되어야 할 필요가 있다.

노벨 엔지니어링이 인공지능 융합교육을 위한 의미 있는 교수법으로 제안되는 만큼[6] 현장에의 적용을 위한 추가적인 연구가 진행되어야 할 필요가 있다.

둘째, 영재 학생을 위한 인공지능 교육 연구가 다각도로 이루어질 필요가 있다. 인공지능 핵심 기술에 대한 내용은 정보 영재 학생 대상으로 이루어지는 것이 당연하다.

둘째, 영재 학생을 위한 인공지능 교육 연구가 다각도로 이루어질 필요가 있다

본 연구는 정부가 최근 추진 중인 마이데이터 기반 SW·AI 교육 훈련 프로그램 운영 플랫폼의 체계적인 개발과 활성화를 위해 고려해야 할 사항을 살펴보는 것을 목적으로 한다

본 연구는 정부가 최근 추진 중인 마이데이터 기반 SW·AI 교육 훈련 프로그램 운영 플랫폼의 체계적인 개발과 활성화를 위해 고려해야 할 사항을 살펴보는 것을 목적으로 한다

본 연구는 범정부 차원에서 진행하고 있는 SW·AI 교육 훈련 프로그램을 마이데이터 기반의 플랫폼으로 운영함에 있어 고려해야 할 사항을 도출하는 것을 목표로 하고 있다

본 연구는 범정부 차원에서 진행하고 있는 SW·AI 교육 훈련 프로그램을 마이데이터 기반의 플랫폼으로 운영함에 있어 고려해야 할 사항을 도출하는 것을 목표로 하고 있다

마이데이터 기반 SW·AI 교육 훈련 프로그램 서비스가 존재한다면 이 서비스를 수용할 것인지 여부를 인지된 혜택(Perceived benefit)과 인지된 위협(Perceived risk)의 관점에서 종합적으로 고려하여 사용의도 및 이에 영향을 미치는 선행 요인을 찾고자 하였다

마이데이터 기반 SW·AI 교육 훈련 프로그램 서비스가 존재한다면 이 서비스를 수용할 것인지 여부를 인지된 혜택(Perceived benefit)과 인지된 위협(Perceived risk)의 관점에서 종합적으로 고려하여 사용의도 및 이에 영향을 미치는 선행 요인을 찾고자 하였다

혜택 요인으로는 투명성(Transparency), 자기결정권(Self-Determination)으로 구성하고, 위협 요인으로는 기술적 노력(Technical Effort), 프라이버시 위협(Privacy Threat), 보안성(Security)으로 구성하였다. 또한 혜택 요인과 위협 요인이 수용의도에 영향을 미치는지 여부에 대해 지각된 혜택과 지각된 위협의 매개효과를 검증하고자 하였다.

또한 혜택 요인과 위협 요인이 수용의도에 영향을 미치는지 여부에 대해 지각된 혜택과 지각된 위협의 매개효과를 검증하고자 하였다.

본 연구는 학습 마이데이터 활용하는 교육 서비스에 대한 사용자의 수용 의도에 영향을 미치는 요인을 찾는 것이다. 이를 위해 가치 기반 수용모델을 기반으로 지각된 혜택과 지각된 위협이 서비스의 수용 의도에 영향을 주는지 살펴본다.

본 연구는 학습 마이데이터 활용하는 교육 서비스에 대한 사용자의 수용 의도에 영향을 미치는 요인을 찾는 것이다

본 연구는 학습 마이데이터 활용하는 교육 서비스에 대한 사용자의 수용 의도에 영향을 미치는 요인을 찾는 것이다. 이를 위해 가치 기반 수용모델을 기반으로 지각된 혜택과 지각된 위협이 서비스의 수용 의도에 영향을 주는지 살펴본다. 구체적인 연구 모형은 Fig.

이를 위해 가치 기반 수용모델을 기반으로 지각된 혜택과 지각된 위협이 서비스의 수용 의도에 영향을 주는지 살펴본다

본 연구는 SW·AI 교육 훈련 프로그램 수요자를 대상으로 마이데이터 기반의 SW·AI 교육 훈련 프로그램 연계 방안 마련을 위해 실시하였다

본 연구는 SW·AI 교육 훈련 프로그램 수요자를 대상으로 마이데이터 기반의 SW·AI 교육 훈련 프로그램 연계 방안 마련을 위해 실시하였다

본 연구는 마이데이터 기반의 SW·AI 교육 훈련 프로그램을 구축하기 위한 사전 연구의 성격으로 수요자(교육 훈련 프로그램 대상자)를 대상으로 연구를 진행하였다.

본 연구는 마이데이터 기반의 SW·AI 교육 훈련 프로그램을 구축하기 위한 사전 연구의 성격으로 수요자(교육 훈련 프로그램 대상자)를 대상으로 연구를 진행하였다.

이를 위해, SW·AI 교육 훈련 분야 프로그램에 참여한 경험이 있는 180명을 대상으로 한 설문 분석을 통해, 마이데이터 플랫폼의 수용 의도에 미치는 영향을 요인을 알아보고 이를 토대로 정책적 시사점을 도출한다.

이를 위해, SW·AI 교육 훈련 분야 프로그램에 참여한 경험이 있는 180명을 대상으로 한 설문 분석을 통해, 마이데이터 플랫폼의 수용 의도에 미치는 영향을 요인을 알아보고 이를 토대로 정책적 시사점을 도출한다.

SW·AI 교육 훈련 수요자의 인식 및 요구조사는 마이데이터 기반의 SW·AI 교육 훈련 프로그램 서비스 구축에 대한 인식을 파악하고 기존에 운영되는 프로그램의 현황과 문제점을 파악하기 위해 설문 문항을 새롭게 구성하였다

SW·AI 교육 훈련 수요자의 인식 및 요구조사는 마이데이터 기반의 SW·AI 교육 훈련 프로그램 서비스 구축에 대한 인식을 파악하고 기존에 운영되는 프로그램의 현황과 문제점을 파악하기 위해 설문 문항을 새롭게 구성하였다

SW·AI 교육 훈련 수요자의 인식 및 요구조사는 마이데이터 기반의 SW·AI 교육 훈련 프로그램 서비스 구축에 대한 인식을 파악하고 기존에 운영되는 프로그램의 현황과 문제점을 파악하기 위해 설문 문항을 새롭게 구성하였다. 먼저, 마이데이터 관련 기존 연구를 참조하였으며, 초안 설문 문항을 연구진 3인(컴퓨터교육 전공 교수 2인, 경영정보시스템 전공 교수 1인)이 3회에 걸친 회의를 통해 설문 문항 초안 작성 및 검토를 거쳤으며, 유관 분야 담당 연구원 2인의 검토를 거쳐 확정하였다. 마이데이터 서비스 수용 의도 설문 문항은 8개의 영역(잠재변수)과 각 영역별 4개의 문항씩 총 32개의 설문 문항(측정변수)로 구성하였다.

먼저, 마이데이터 관련 기존 연구를 참조하였으며, 초안 설문 문항을 연구진 3인(컴퓨터교육 전공 교수 2인, 경영정보시스템 전공 교수 1인)이 3회에 걸친 회의를 통해 설문 문항 초안 작성 및 검토를 거쳤으며, 유관 분야 담당 연구원 2인의 검토를 거쳐 확정하였다

마이데이터 서비스 수용 의도 설문 문항은 8개의 영역(잠재변수)과 각 영역별 4개의 문항씩 총 32개의 설문 문항(측정변수)로 구성하였다. 최종적으로 완성된 설문 문항은 담당 부처 및 기관의 협조를 받아 설문조사를 실시하였다.

최종적으로 완성된 설문 문항은 담당 부처 및 기관의 협조를 받아 설문조사를 실시하였다.

본 연구는 SW·AI 교육 훈련 분야의 마이데이터 서비스 수용의도와 추가적인 인터뷰를 통해 주요 플랫폼 구축을 위해 주요 고려사항을 분석하였다

본 연구는 SW·AI 교육 훈련 분야의 마이데이터 서비스 수용의도와 추가적인 인터뷰를 통해 주요 플랫폼 구축을 위해 주요 고려사항을 분석하였다

설문은 SW·AI 교육 훈련 프로그램에 1회 이상 참여한 학습자를 대상으로 하였으며, 온라인 Google 설문조사를 활용해 실시하였다

설문은 SW·AI 교육 훈련 프로그램에 1회 이상 참여한 학습자를 대상으로 하였으며, 온라인 Google 설문조사를 활용해 실시하였다

비밀보장의 원칙은 개인정보보호법에 따랐다. 총 180부의 응답 중 개인정보수집에 동의하고 성실하게 응답한 178부의 설문지를 분석하였다. 최종 응답자의 인구통계학적 분석 결과는 Table 1.

총 180부의 응답 중 개인정보수집에 동의하고 성실하게 응답한 178부의 설문지를 분석하였다

본 연구는 SW·AI 교육 훈련 프로그램 수요자를 대상으로 마이데이터 기반의 SW·AI 교육 훈련 프로그램 연계 방안 마련을 위해 실시하였다. 교육 훈련 수요자를 대상으로 질의 개발 및 설문 응답과 통계 분석 및 종합분석을 수행하였다.

교육 훈련 수요자를 대상으로 질의 개발 및 설문 응답과 통계 분석 및 종합분석을 수행하였다.

연구 모형의 검증을 위한 분석 방법으로 PLS-SEM 방법을 사용하였다. 수집된 데이터를 기반으로 기술 통계 및 측정모형의 타당도와 신뢰도를 확인하고, 구조모형을 검증하여 가설을 검증하였다. 연구모형 검증을 위한 도구로는 SmartPLS 4.

수집된 데이터를 기반으로 기술 통계 및 측정모형의 타당도와 신뢰도를 확인하고, 구조모형을 검증하여 가설을 검증하였다

수집된 데이터를 기반으로 기술 통계 및 측정모형의 타당도와 신뢰도를 확인하고, 구조모형을 검증하여 가설을 검증하였다. 연구모형 검증을 위한 도구로는 SmartPLS 4.0을 사용하여 분석하였다.

연구모형 검증을 위한 도구로는 SmartPLS 4.0을 사용하여 분석하였다.

측정모형의 집중타당도를 검증하기 위하여 확인적 요인분석(Confirmatory Factor Analysis: CFA)를 실시하였다.

측정모형의 집중타당도를 검증하기 위하여 확인적 요인분석(Confirmatory Factor Analysis: CFA)를 실시하였다.

본 연구에서 추가적으로 판별타당성(Discriminant Validity)을 검증하였다. 본 연구에서 사용한 판별타당도는 두 구성개념 간의 AVE값과 상관관계의 제곱 값을 비교하였다[25, 26].

본 연구에서 추가적으로 판별타당성(Discriminant Validity)을 검증하였다

본 연구에서 추가적으로 판별타당성(Discriminant Validity)을 검증하였다. 본 연구에서 사용한 판별타당도는 두 구성개념 간의 AVE값과 상관관계의 제곱 값을 비교하였다[25, 26]. 구성개념관 상관관계표에서 대각선 값은 각 변수에 대한 AVE 값의 제곱근을 의미하고, 대각선 아래 값들은 상관계수 값을 나타낸다.

본 연구에서 사용한 판별타당도는 두 구성개념 간의 AVE값과 상관관계의 제곱 값을 비교하였다[25, 26]

다음으로 PLS-구조모형 분석(PLS-Structural Equation Modeling, PLS-SEM)을 실시하였다. Smart PLS 4.

다음으로 PLS-구조모형 분석(PLS-Structural Equation Modeling, PLS-SEM)을 실시하였다

다음으로 PLS-구조모형 분석(PLS-Structural Equation Modeling, PLS-SEM)을 실시하였다. Smart PLS 4.0을 이용한 구조모형분석을 통해 요인들 간의 인과관계를 검증하였다. 부트스트래핑 리샘플링(Bootstrapping Resampling)을 활용하여 샘플수 178, 부트스트래핑 수 5,000으로 설정하여 분석을 진행하였다.

Smart PLS 4.0을 이용한 구조모형분석을 통해 요인들 간의 인과관계를 검증하였다

0을 이용한 구조모형분석을 통해 요인들 간의 인과관계를 검증하였다. 부트스트래핑 리샘플링(Bootstrapping Resampling)을 활용하여 샘플수 178, 부트스트래핑 수 5,000으로 설정하여 분석을 진행하였다. 구조모형 분석에 대한 결과는 Table 5.

부트스트래핑 리샘플링(Bootstrapping Resampling)을 활용하여 샘플수 178, 부트스트래핑 수 5,000으로 설정하여 분석을 진행하였다

본 연구에서는 마이데이터 기반 교육·훈련 프로그램 도입을 기술수용적 관점뿐만 아니라 가치적 관점에서도 고찰하기 위해 Value-Based Adoption Model(VAM)을 사용하였다[19].

본 연구에서는 마이데이터 기반 교육·훈련 프로그램 도입을 기술수용적 관점뿐만 아니라 가치적 관점에서도 고찰하기 위해 Value-Based Adoption Model(VAM)을 사용하였다[19].

새로운 마이데이터 서비스에 대한 교육 수요자의 수용 여부를 확인하기 위하여, 본 연구는 가치기반 수용 모델(Value-based Adoption Model, VAM)을 기반으로 다음과 같이 연구모형을 설정하였다. 마이데이터 기반 SW·AI 교육 훈련 프로그램 서비스가 존재한다면 이 서비스를 수용할 것인지 여부를 인지된 혜택(Perceived benefit)과 인지된 위협(Perceived risk)의 관점에서 종합적으로 고려하여 사용의도 및 이에 영향을 미치는 선행 요인을 찾고자 하였다.

새로운 마이데이터 서비스에 대한 교육 수요자의 수용 여부를 확인하기 위하여, 본 연구는 가치기반 수용 모델(Value-based Adoption Model, VAM)을 기반으로 다음과 같이 연구모형을 설정하였다

설문지에는 비밀보장의 원칙 고시와 성함, 연락처 등 응답자에 대한 기초정보를 확인할 수 있는 질의가 포함된다. 비밀보장의 원칙은 개인정보보호법에 따랐다. 총 180부의 응답 중 개인정보수집에 동의하고 성실하게 응답한 178부의 설문지를 분석하였다.

비밀보장의 원칙은 개인정보보호법에 따랐다

연구 모형의 검증을 위한 분석 방법으로 PLS-SEM 방법을 사용하였다. 수집된 데이터를 기반으로 기술 통계 및 측정모형의 타당도와 신뢰도를 확인하고, 구조모형을 검증하여 가설을 검증하였다.

연구 모형의 검증을 위한 분석 방법으로 PLS-SEM 방법을 사용하였다

가설을 검증한 결과는 다음과 같다. 첫째, 이익에 해당하는 투명성과 자기 결정권이 지각된 혜택에 미치는 영향을 확인한 결과, 투명성과 자기 결정권 모두 지각된 혜택에 유의미한 영향을 미치는 것으로 나타났다. 따라서 가설 H1(b=0.

첫째, 이익에 해당하는 투명성과 자기 결정권이 지각된 혜택에 미치는 영향을 확인한 결과, 투명성과 자기 결정권 모두 지각된 혜택에 유의미한 영향을 미치는 것으로 나타났다

343) 가설은 채택되었다. 둘째, 위협에 해당하는 기술적 노력과 프라이버시 위협 그리고 보안성이 지각된 위협에 미치는 영향을 확인한 결과, 기술적 노력과 보안성은 지각된 위협에 유의미한 영향을 미치는 것으로 나타났으나 프라이버시 위협은 유의미한 영향을 미치지 않는 것으로 나타났다. 따라서 가설 H3(b=0.

둘째, 위협에 해당하는 기술적 노력과 프라이버시 위협 그리고 보안성이 지각된 위협에 미치는 영향을 확인한 결과, 기술적 노력과 보안성은 지각된 위협에 유의미한 영향을 미치는 것으로 나타났으나 프라이버시 위협은 유의미한 영향을 미치지 않는 것으로 나타났다

251) 가설이 채택되었다. 마지막으로 지각된 혜택과 지각된 위협이 수용 의도에 미치는 영향을 확인한 결과, 지각된 혜택은 수용 의도에 유의미한 영향을 미치지만, 지각된 위협은 수용 의도에 유의미한 영향을 미치지 않는 것으로 나타났다. 따라서 가설 H6(b=0.

마지막으로 지각된 혜택과 지각된 위협이 수용 의도에 미치는 영향을 확인한 결과, 지각된 혜택은 수용 의도에 유의미한 영향을 미치지만, 지각된 위협은 수용 의도에 유의미한 영향을 미치지 않는 것으로 나타났다

먼저, 지각된 혜택에 영향을 미치는 독립변수들인 투명성과 자기결정권 모두 통계적으로 유의한 것으로 나타났으며, 특히 자기결정권이 투명성보다 더 큰 영향력을 보이는 것으로 나타났다. 이는 교육 분야의 마이데이터 서비스에서 개인정보가 개인의 통제하에 관리되는 것을 사람들이 선호한다는 것을 의미한다.

먼저, 지각된 혜택에 영향을 미치는 독립변수들인 투명성과 자기결정권 모두 통계적으로 유의한 것으로 나타났으며, 특히 자기결정권이 투명성보다 더 큰 영향력을 보이는 것으로 나타났다

따라서 SW·AI 교육 훈련 분야 마이데이터 서비스 구축시 투명성과 자기결정권을 보장하는 기능을 마련할 필요가 있다. 둘째, 지각된 위험에는 보안성이 가장 큰 영향을 미치는 변수인 것으로 나타났다. 교육 훈련 이력과 관련한 개인정보를 공유하는 과정에서 마이데이터 서비스의 보안성을 크게 지각하는 것으로 확인되었다.

둘째, 지각된 위험에는 보안성이 가장 큰 영향을 미치는 변수인 것으로 나타났다

둘째, 지각된 위험에는 보안성이 가장 큰 영향을 미치는 변수인 것으로 나타났다. 교육 훈련 이력과 관련한 개인정보를 공유하는 과정에서 마이데이터 서비스의 보안성을 크게 지각하는 것으로 확인되었다. 이러한 결과는 대학생이 개인정보에 대한 유출 우려 인식이 정책이나 법 등에 대한 인식 수준보다 높게 나타났다고 보고한 김주연[27] 연구와 맥락을 같이 한다.

교육 훈련 이력과 관련한 개인정보를 공유하는 과정에서 마이데이터 서비스의 보안성을 크게 지각하는 것으로 확인되었다

따라서 외부에서의 정보 탈취, 인증체계, 오작동을 방지하는 기술의 연구들도 추가적으로 필요할 것으로 보인다. 셋째, 프라이버시 위협이 지각된 위험에 미치는 영향은 통계적으로 유의하지 않은 것으로 나타나 기각되었다. 이는 교육 훈련 분야 마이데이터는 금융이나 건강과 관련한 민감한 정보를 취급하는 분야의 개인정보보다 중요도가 낮은 것에 기인하는 것으로 추측할 수 있으며, 일반적인 개인정보보다 의학[28]이나, 금융[29] 정보에 대한 대학생의 인식 수준이 높다는 연구를 통해서도 확인할 수 있다.

셋째, 프라이버시 위협이 지각된 위험에 미치는 영향은 통계적으로 유의하지 않은 것으로 나타나 기각되었다

이는 교육 훈련 분야 마이데이터는 금융이나 건강과 관련한 민감한 정보를 취급하는 분야의 개인정보보다 중요도가 낮은 것에 기인하는 것으로 추측할 수 있으며, 일반적인 개인정보보다 의학[28]이나, 금융[29] 정보에 대한 대학생의 인식 수준이 높다는 연구를 통해서도 확인할 수 있다. 넷째, 지각된 혜택과 지각된 위험이 수용의도에 미치는 영향을 살펴본 결과, 지각된 위험의 영향은 유의하지 않게 나타나 가설이 기각되었다. 프라이버시 위협이 기각된 이유와 일치하며, 위험보다는 지각된 혜택이 클수록 SW·AI 교육 훈련 분야 마이데이터 서비스를 이용할 의사가 높아진다는 것을 의미한다.

넷째, 지각된 혜택과 지각된 위험이 수용의도에 미치는 영향을 살펴본 결과, 지각된 위험의 영향은 유의하지 않게 나타나 가설이 기각되었다

그러나 교육 분야에서는 마이데이터를 도입한 사례가 여전히 부족한 실정이다. 이에, 마이데이터에 기반한 플랫폼 등을 개발할 때 참고하기 위한 설계 및 운영의 주요 고려 요인을 구체적으로 살펴보는 연구가 필요하다.

이에, 마이데이터에 기반한 플랫폼 등을 개발할 때 참고하기 위한 설계 및 운영의 주요 고려 요인을 구체적으로 살펴보는 연구가 필요하다.

이에, SW·AI 교육 훈련 프로그램의 질을 높이고 수강생들의 성장을 지원하는 방안으로 마이데이터 기반 서비스의 도입을 고려할 필요가 있다.

이에, SW·AI 교육 훈련 프로그램의 질을 높이고 수강생들의 성장을 지원하는 방안으로 마이데이터 기반 서비스의 도입을 고려할 필요가 있다.

이러한 결과는 대학생이 개인정보에 대한 유출 우려 인식이 정책이나 법 등에 대한 인식 수준보다 높게 나타났다고 보고한 김주연[27] 연구와 맥락을 같이 한다. 따라서 외부에서의 정보 탈취, 인증체계, 오작동을 방지하는 기술의 연구들도 추가적으로 필요할 것으로 보인다. 셋째, 프라이버시 위협이 지각된 위험에 미치는 영향은 통계적으로 유의하지 않은 것으로 나타나 기각되었다.

따라서 외부에서의 정보 탈취, 인증체계, 오작동을 방지하는 기술의 연구들도 추가적으로 필요할 것으로 보인다

본 연구는 SW·AI 교육 훈련 분야의 마이데이터 서비스 수용의도와 추가적인 인터뷰를 통해 주요 플랫폼 구축을 위해 주요 고려사항을 분석하였다. 이를 통해 향후 보다 구체적인 플랫폼 구축 및 개발 과정에 기초 자료를 제공할 수 있을 것으로 기대한다. 그러나 본 연구에는 몇 가지 한계가 있다.

이를 통해 향후 보다 구체적인 플랫폼 구축 및 개발 과정에 기초 자료를 제공할 수 있을 것으로 기대한다

둘째, 보안이 위험에 영향을 미치는 선행요인으로 강조 되었지만, 구체적인 기술적 문제에 대한 분석은 충분하지 않았다. 추후 연구에서는 실용적인 보안 솔루션을 찾기 위한 심층적인 연구가 필요하다. 셋째, 연구 참여자의 표본 크기가 제한적이었다.

추후 연구에서는 실용적인 보안 솔루션을 찾기 위한 심층적인 연구가 필요하다

셋째, 연구 참여자의 표본 크기가 제한적이었다. 마지막으로, 향후 연구에서는 수강생의 선호도를 파악하기 위해 수강생을 대상으로 한 추가 인터뷰 등의 정성적인 연구를 진행할 필요가 있다.

마지막으로, 향후 연구에서는 수강생의 선호도를 파악하기 위해 수강생을 대상으로 한 추가 인터뷰 등의 정성적인 연구를 진행할 필요가 있다.

따라서 본 논문에서는 사물인터넷의 센서 기능을 기반으로 병아리 부화 시스템을 설계하고 구현한다. 본 논문은 다음과 같이 구성한다.

따라서 본 논문에서는 사물인터넷의 센서 기능을 기반으로 병아리 부화 시스템을 설계하고 구현한다

본 논문에서는 사물인터넷 기반의 병아리 부화기 시스템을 설계하고 구현하였다. 이 시스템을 구성하는 세 가지 핵심 구성요소는 IoT 부화기, IoT 서버 시스템, 스마트폰 애플리케이션이다.

본 논문에서는 사물인터넷 기반의 병아리 부화기 시스템을 설계하고 구현하였다

(b) Farms Innovators 2450 Digital Air Incubator는 48개의 계란을 부화할 수 있으며, 온도가 97°F 이하 또는 103°F 이상일 때 라이트 플래시로 알려주는 기능이 있다.

(b) Farms Innovators 2450 Digital Air Incubator는 48개의 계란을 부화할 수 있으며, 온도가 97°F 이하 또는 103°F 이상일 때 라이트 플래시로 알려주는 기능이 있다.

그리고 알람 수신 및 긴급 메시지 전송 기능을 제공한다. 본 논문에서 설계하고 개발한 부화기 시스템과 IoT 기반 기술은 향후 IoT 응용 기술 분야에서도 다양하게 활용될 수 있다.

본 논문에서 설계하고 개발한 부화기 시스템과 IoT 기반 기술은 향후 IoT 응용 기술 분야에서도 다양하게 활용될 수 있다.

실제 공장 자동화 환경에서 사용되고 있는 산업용 무선 센서 네트워크는 신뢰성, 실시간성, 에너지 효율, 자원효율 등 다양한 산업응용의 요구사항을 지원해야 하며 이와 관련된 많은 연구가 진행되고 있다. 본 연구에서는 이러한 요구사항들을 지원하기 위한 핵심인 통신 스케줄링 시, 강화학습의 한 형태인 MAB 알고리즘을 활용하여 통신에 활용되지 않는 할당된 무선 자원들을 파악하고 이를 반영한 자원 재할당 및 스케줄링 업데이트를 통해 불필요한 통신을 줄여 전체 네트워크의 에너지 효율 개선을 도모하였다. 실험을 통한 성능평가 결과, 제안 방안은 데이터 전송의 높은 신뢰성을 지원하면서도, 자원 효율 측면에서 기존 기술에 비해 30% 이상 개선된 자원 점유율을 갖는 스케줄링 결과를 보임을 확인하였다.

본 연구에서는 이러한 요구사항들을 지원하기 위한 핵심인 통신 스케줄링 시, 강화학습의 한 형태인 MAB 알고리즘을 활용하여 통신에 활용되지 않는 할당된 무선 자원들을 파악하고 이를 반영한 자원 재할당 및 스케줄링 업데이트를 통해 불필요한 통신을 줄여 전체 네트워크의 에너지 효율 개선을 도모하였다

현대 산업환경은 인공지능, 로봇 기술 등의 발전으로, 이를 활용할 수 있는 적합한 무선 네트워크 기술을 산업에 적용하려는 연구가 진행되고 있다. 특히 산업 IoT는 이동통신망 활용에 적합한 분야로, 향후 본 연구를 확장하여 기존 산업망과 개방형 이동통신망 연동 시나리오를 연구하고 이를 활용한 산업 자동화 환경의 이동성 지원, 자원 및 에너지 효율 등의 네트워크 성능개선 방안에 대해 연구하고자 한다.

특히 산업 IoT는 이동통신망 활용에 적합한 분야로, 향후 본 연구를 확장하여 기존 산업망과 개방형 이동통신망 연동 시나리오를 연구하고 이를 활용한 산업 자동화 환경의 이동성 지원, 자원 및 에너지 효율 등의 네트워크 성능개선 방안에 대해 연구하고자 한다.

이러한 과정에 사용되는 대표적 MAB 알고리즘인 ε-greedy 방식은 일정 확률(ε)로 알려지지 않은 랜덤한 머신(Arm)을 선택하고, 나머지 확률로 알려진 보상(Reward)이 가장 높은 Arm을 선택하는 방식으로 동작한다. 본 논문에서는 IWSN 환경에 MAB 알고리즘을 적용함으로써, 한정된 무선 자원을 효과적으로 활용할 수 있도록 할당하여 스케줄링하고 개선되는 네트워크 성능을 확인하고자 한다.

본 논문에서는 IWSN 환경에 MAB 알고리즘을 적용함으로써, 한정된 무선 자원을 효과적으로 활용할 수 있도록 할당하여 스케줄링하고 개선되는 네트워크 성능을 확인하고자 한다.

정리하자면, 각기 다른 산업응용의 목적 달성을 위해 라우팅 및 스케줄링과 같은 네트워크 관리 측면의 연구들이 진행되고 있으나, 현대적으로 변화하는 산업환경을 효과적으로 지원하기 위해서는 기존 네트워크 기술과 호환을 제공하면서도 자원 효율적인 네트워크 관리 방안이 요구된다. 본 연구에서는 산업환경에서 네트워크 자원 최적화를 위해 RL-MAB을 적용한 자원 할당 및 스케줄링 방식을 제안하여 신뢰성과 실시간성을 지원하면서도 에너지 효율, 자원 효율 등의 네트워크 성능 개선을 도모하고자 한다.

본 연구에서는 산업환경에서 네트워크 자원 최적화를 위해 RL-MAB을 적용한 자원 할당 및 스케줄링 방식을 제안하여 신뢰성과 실시간성을 지원하면서도 에너지 효율, 자원 효율 등의 네트워크 성능 개선을 도모하고자 한다.

본 연구는 IWSN의 산업 데이터 전송에 사용되는 통신 스케줄링 시, 강화학습 기법인 MAB을 적용하여 활용되지 않고 낭비되는 무선 할당 자원을 파악하고 이를 자원 재할당 및 스케줄링 업데이트에 반영함으로써 자원 효율, 에너지 효율 등의 네트워크 성능 개선을 목표로 한다.

본 연구는 IWSN의 산업 데이터 전송에 사용되는 통신 스케줄링 시, 강화학습 기법인 MAB을 적용하여 활용되지 않고 낭비되는 무선 할당 자원을 파악하고 이를 자원 재할당 및 스케줄링 업데이트에 반영함으로써 자원 효율, 에너지 효율 등의 네트워크 성능 개선을 목표로 한다.

강화학습의 대표적 분야로 분류되는 MAB 알고리즘은 환경의 변동성이나 다양한 요구사항을 파악하여 특정 상황에서 적합한 탐색(Exploration)과 활용(Exploitation)의 균형을 찾는 것이 중요하다. 본 연구에서는 다양한 산업장비가 배치되고 한정된 무선자원, 구현의 복잡성 등이 요구되는 IWSN 환경에서 MAB의 대표적 알고리즘인 e-greedy 알고리즘을 적용하고 실험적 접근을 통해 자원할당 및 스케줄링 문제를 최적화하는 것을 목적으로 한다. MAB을 적용하기 위한 기본적인 용어는 다음과 같다.

본 연구에서는 다양한 산업장비가 배치되고 한정된 무선자원, 구현의 복잡성 등이 요구되는 IWSN 환경에서 MAB의 대표적 알고리즘인 e-greedy 알고리즘을 적용하고 실험적 접근을 통해 자원할당 및 스케줄링 문제를 최적화하는 것을 목적으로 한다

본 연구의 목표는 산업용 무선 네트워크에 사용되는 통신 스케줄링 시, 산업응용의 요구사항을 지원하면서도 불필요하게 낭비되는 중복 할당 자원을 줄여나가 전체 네트워크의 에너지 효율을 개선하는 것에 있다. 이에, 산업용 무선 네트워크에서 핵심적으로 요구되는 신뢰성, 실시간성, 자원 효율, 에너지 효율 등을 성능평가 항목으로 분류하고 기존 IWSN과 제안 방안의 스케줄링 방식을 비교 분석하였다.

본 연구의 목표는 산업용 무선 네트워크에 사용되는 통신 스케줄링 시, 산업응용의 요구사항을 지원하면서도 불필요하게 낭비되는 중복 할당 자원을 줄여나가 전체 네트워크의 에너지 효율을 개선하는 것에 있다

본 논문에서는 현대 산업현장에 적용되고 있는 산업용 IoT의 기반 기술인 산업용 무선 네트워크에 대해 다루었다. 실제 공장 자동화 환경에서 사용되고 있는 산업용 무선 센서 네트워크는 신뢰성, 실시간성, 에너지 효율, 자원효율 등 다양한 산업응용의 요구사항을 지원해야 하며 이와 관련된 많은 연구가 진행되고 있다.

본 논문에서는 현대 산업현장에 적용되고 있는 산업용 IoT의 기반 기술인 산업용 무선 네트워크에 대해 다루었다

성능평가는 산업용 IoT의 IEEE 802.15.4e 기반 MAC 계층 프로토콜 시뮬레이터로 널리 사용되고 있는 TSCH-sim[23]을 사용하여 IWSN을 가정한 무선 메시 네트워크 토폴로지를 구축하고 Table 3과 같은 네트워크 환경을 설정하였다.

성능평가는 산업용 IoT의 IEEE 802.15.4e 기반 MAC 계층 프로토콜 시뮬레이터로 널리 사용되고 있는 TSCH-sim[23]을 사용하여 IWSN을 가정한 무선 메시 네트워크 토폴로지를 구축하고 Table 3과 같은 네트워크 환경을 설정하였다.

제안 방안에서는 이러한 스케줄링 규칙을 기반으로 RL-MAB 알고리즘을 적용하고, 네트워크 상황에 따라 사용되지 않는 할당된 중복자원들을 줄여나간다. Table 1은 각 data flow의 활용되지 않는 낭비 자원들을 파악하고 Superframe에 스케줄링 되어야 할 자원 할당량을 업데이트하여 스케줄링에 반영하는 과정을 보여준다.

제안 방안에서는 이러한 스케줄링 규칙을 기반으로 RL-MAB 알고리즘을 적용하고, 네트워크 상황에 따라 사용되지 않는 할당된 중복자원들을 줄여나간다

본 연구의 목표는 산업용 무선 네트워크에 사용되는 통신 스케줄링 시, 산업응용의 요구사항을 지원하면서도 불필요하게 낭비되는 중복 할당 자원을 줄여나가 전체 네트워크의 에너지 효율을 개선하는 것에 있다. 이에, 산업용 무선 네트워크에서 핵심적으로 요구되는 신뢰성, 실시간성, 자원 효율, 에너지 효율 등을 성능평가 항목으로 분류하고 기존 IWSN과 제안 방안의 스케줄링 방식을 비교 분석하였다.

이에, 산업용 무선 네트워크에서 핵심적으로 요구되는 신뢰성, 실시간성, 자원 효율, 에너지 효율 등을 성능평가 항목으로 분류하고 기존 IWSN과 제안 방안의 스케줄링 방식을 비교 분석하였다.

먼저 본 연구에서 주로 해결하고자 하는 산업 네트워크의 자원 효율 측면에서 제안 방안의 성능을 평가하였다.

먼저 본 연구에서 주로 해결하고자 하는 산업 네트워크의 자원 효율 측면에서 제안 방안의 성능을 평가하였다.

Table 4는 각 평가 항목별(자원 효율, 에너지 효율, 신뢰성, 실시간성) 제안 방안의 성능을 기존 기법과 비교하여 요약한 결과를 보여준다. 제안 방안은 IWSN에서의 스케줄링을 위한 자원 할당 시, 강화학습-MAB 알고리즘을 적용하여 기존 중복 자원 할당 정책으로 낭비되는 자원을 줄인다. 성능평가 결과 제안 방안은 슈퍼프레임 스케줄 주기 내 할당되는 자원 점유율을 기존 기법에 비해 약 30% 이상 감소시켜 자원효율을 개선하면서도 높은 전송 성공률을 유지하는 결과를 보여주었다.

제안 방안은 IWSN에서의 스케줄링을 위한 자원 할당 시, 강화학습-MAB 알고리즘을 적용하여 기존 중복 자원 할당 정책으로 낭비되는 자원을 줄인다

이에 본 논문에서는 네트워크 매니저의 통신 스케줄링 시, 고정적으로 할당되는 무선 자원 중 실제 통신에 활용되지 않고 낭비되는 자원을 주기적으로 파악하기 위해 보상 최적화와 관련된 대표적 강화학습의 한 형태인 MAB(Multi-Armed Bandit) 알고리즘을 활용한다. MAB은 한정된 자원에 대해 여러 가지 불확실한 옵션 중 최적으로 분배하는 방법을 선택하는 상황에 효과적으로 사용될 수 있다[12].

이에 본 논문에서는 네트워크 매니저의 통신 스케줄링 시, 고정적으로 할당되는 무선 자원 중 실제 통신에 활용되지 않고 낭비되는 자원을 주기적으로 파악하기 위해 보상 최적화와 관련된 대표적 강화학습의 한 형태인 MAB(Multi-Armed Bandit) 알고리즘을 활용한다

본 연구에서는 이러한 요구사항들을 지원하기 위한 핵심인 통신 스케줄링 시, 강화학습의 한 형태인 MAB 알고리즘을 활용하여 통신에 활용되지 않는 할당된 무선 자원들을 파악하고 이를 반영한 자원 재할당 및 스케줄링 업데이트를 통해 불필요한 통신을 줄여 전체 네트워크의 에너지 효율 개선을 도모하였다. 실험을 통한 성능평가 결과, 제안 방안은 데이터 전송의 높은 신뢰성을 지원하면서도, 자원 효율 측면에서 기존 기술에 비해 30% 이상 개선된 자원 점유율을 갖는 스케줄링 결과를 보임을 확인하였다. 또한, 네트워크 에너지 소모량 및 실시간 전송 지원 측면에서는 산업 장비의 불필요한 통신을 줄임으로써 기존 기법에 비해 각각 21%, 38% 이상의 성능개선을 확인하였다.

실험을 통한 성능평가 결과, 제안 방안은 데이터 전송의 높은 신뢰성을 지원하면서도, 자원 효율 측면에서 기존 기술에 비해 30% 이상 개선된 자원 점유율을 갖는 스케줄링 결과를 보임을 확인하였다

실험을 통한 성능평가 결과, 제안 방안은 데이터 전송의 높은 신뢰성을 지원하면서도, 자원 효율 측면에서 기존 기술에 비해 30% 이상 개선된 자원 점유율을 갖는 스케줄링 결과를 보임을 확인하였다. 또한, 네트워크 에너지 소모량 및 실시간 전송 지원 측면에서는 산업 장비의 불필요한 통신을 줄임으로써 기존 기법에 비해 각각 21%, 38% 이상의 성능개선을 확인하였다. 현대 산업환경은 인공지능, 로봇 기술 등의 발전으로, 이를 활용할 수 있는 적합한 무선 네트워크 기술을 산업에 적용하려는 연구가 진행되고 있다.

또한, 네트워크 에너지 소모량 및 실시간 전송 지원 측면에서는 산업 장비의 불필요한 통신을 줄임으로써 기존 기법에 비해 각각 21%, 38% 이상의 성능개선을 확인하였다

이를 통해 네트워크 매니저가 낭비되는 고정적 할당 자원들을 반영하여 재스케줄링함으로써 각 산업 장비의 통신이 불필요한 유휴 상태에서 에너지 소모 감소를 도모한다. 제안 방안을 통해 신뢰적인 네트워크 환경 제공을 위한 중복성 정책을 유지하면서도 효율적 자원할당을 통한 슈퍼프레임 스케줄링으로 전체 네트워크 에너지 효율을 개선할 수 있다.

제안 방안을 통해 신뢰적인 네트워크 환경 제공을 위한 중복성 정책을 유지하면서도 효율적 자원할당을 통한 슈퍼프레임 스케줄링으로 전체 네트워크 에너지 효율을 개선할 수 있다.

4는 매 슈퍼프레임 스케줄의 주기가 반복될 때마다 할당되는 자원량을 보여준다. 기존 IWSN의 자원 할당량은 고정적인 자원 할당 메커니즘으로 인해 일정하지만, 제안 방안의 경우 강화학습을 통해 활용되지 않는 고정적 자원을 제거함에 따라 주기가 반복될수록 고정적으로 할당되는 자원량이 30% 내외로 감소하며 수렴하는 것을 확인할 수 있다. 즉, 기존 IWSN에 비해 더 낮은 자원 점유율의 통신 스케줄링이 가능함을 보인다.

기존 IWSN의 자원 할당량은 고정적인 자원 할당 메커니즘으로 인해 일정하지만, 제안 방안의 경우 강화학습을 통해 활용되지 않는 고정적 자원을 제거함에 따라 주기가 반복될수록 고정적으로 할당되는 자원량이 30% 내외로 감소하며 수렴하는 것을 확인할 수 있다

제안 방안의 자원 효율적 스케줄링을 통해 실제 활용되지 않는 낭비 자원을 줄임으로써 산업 장비 간 통신이 불필요한 유휴 상태의 에너지 소모를 절약할 수 있다. Fig.

제안 방안의 자원 효율적 스케줄링을 통해 실제 활용되지 않는 낭비 자원을 줄임으로써 산업 장비 간 통신이 불필요한 유휴 상태의 에너지 소모를 절약할 수 있다

6은 네트워크 링크 품질(Link Quality) 및 data flow의 변화에 따른 네트워크 에너지 소모량을 비교한 결과를 보여준다. 링크 품질이 좋지 않을 경우, 재전송 및 대체 경로에서의 재전송이 일어날 확률이 높아 에너지 소모량은 링크 품질이 안 좋을수록 제안 방안과 기존 방법 모두 에너지 소모량이 많음을 확인할 수 있다. 그러나 제안 방안에서는 할당되는 자원의 수를 감소시킴으로써 유휴상태 time-slot이 확보되어, 기존 기법에 비해 각 노드는 약 20% 이상 에너지 소모가 줄어든 것을 확인할 수 있다.

링크 품질이 좋지 않을 경우, 재전송 및 대체 경로에서의 재전송이 일어날 확률이 높아 에너지 소모량은 링크 품질이 안 좋을수록 제안 방안과 기존 방법 모두 에너지 소모량이 많음을 확인할 수 있다

링크 품질이 좋지 않을 경우, 재전송 및 대체 경로에서의 재전송이 일어날 확률이 높아 에너지 소모량은 링크 품질이 안 좋을수록 제안 방안과 기존 방법 모두 에너지 소모량이 많음을 확인할 수 있다. 그러나 제안 방안에서는 할당되는 자원의 수를 감소시킴으로써 유휴상태 time-slot이 확보되어, 기존 기법에 비해 각 노드는 약 20% 이상 에너지 소모가 줄어든 것을 확인할 수 있다. 또한 네트워크 내 data flow가 많아질수록 소모되는 에너지는 많아지지만, 제안 방안은 슈퍼프레임 내 할당되는 자원의 수를 줄임으로써 해당 슬랏에서 소모되는 전력을 줄일 수 있어 기존 IWSN의 스케줄링에 비해 소모되는 전력이 21% 이상 감소함을 확인할 수 있다.

그러나 제안 방안에서는 할당되는 자원의 수를 감소시킴으로써 유휴상태 time-slot이 확보되어, 기존 기법에 비해 각 노드는 약 20% 이상 에너지 소모가 줄어든 것을 확인할 수 있다

그러나 제안 방안에서는 할당되는 자원의 수를 감소시킴으로써 유휴상태 time-slot이 확보되어, 기존 기법에 비해 각 노드는 약 20% 이상 에너지 소모가 줄어든 것을 확인할 수 있다. 또한 네트워크 내 data flow가 많아질수록 소모되는 에너지는 많아지지만, 제안 방안은 슈퍼프레임 내 할당되는 자원의 수를 줄임으로써 해당 슬랏에서 소모되는 전력을 줄일 수 있어 기존 IWSN의 스케줄링에 비해 소모되는 전력이 21% 이상 감소함을 확인할 수 있다.

또한 네트워크 내 data flow가 많아질수록 소모되는 에너지는 많아지지만, 제안 방안은 슈퍼프레임 내 할당되는 자원의 수를 줄임으로써 해당 슬랏에서 소모되는 전력을 줄일 수 있어 기존 IWSN의 스케줄링에 비해 소모되는 전력이 21% 이상 감소함을 확인할 수 있다.

8은 네트워크 링크 품질에 따라 네트워크 내 생성된 데이터들이 End-to-End 경로를 통해 목적지까지 성공적으로 도착하는 평균 전달 성공률(PDR, Packet Delivery Rate) 및 평균 전달 지연 성능을 보여준다. 제안 방안은 더 적은 자원을 사용하면서도 기존 IWSN의 전송 신뢰성을 제공함을 확인할 수 있다. 특히 전달 지연 측면에서, 제안 방안은 낭비되지 않는 무선 자원을 줄임으로써 각 data flow에 대한 스케줄링을 기존 더욱 조밀하게 하여 평균 전달 지연시간이 38% 이상 단축됨을 확인할 수 있다.

제안 방안은 더 적은 자원을 사용하면서도 기존 IWSN의 전송 신뢰성을 제공함을 확인할 수 있다

제안 방안은 더 적은 자원을 사용하면서도 기존 IWSN의 전송 신뢰성을 제공함을 확인할 수 있다. 특히 전달 지연 측면에서, 제안 방안은 낭비되지 않는 무선 자원을 줄임으로써 각 data flow에 대한 스케줄링을 기존 더욱 조밀하게 하여 평균 전달 지연시간이 38% 이상 단축됨을 확인할 수 있다.

특히 전달 지연 측면에서, 제안 방안은 낭비되지 않는 무선 자원을 줄임으로써 각 data flow에 대한 스케줄링을 기존 더욱 조밀하게 하여 평균 전달 지연시간이 38% 이상 단축됨을 확인할 수 있다.

제안 방안은 IWSN에서의 스케줄링을 위한 자원 할당 시, 강화학습-MAB 알고리즘을 적용하여 기존 중복 자원 할당 정책으로 낭비되는 자원을 줄인다. 성능평가 결과 제안 방안은 슈퍼프레임 스케줄 주기 내 할당되는 자원 점유율을 기존 기법에 비해 약 30% 이상 감소시켜 자원효율을 개선하면서도 높은 전송 성공률을 유지하는 결과를 보여주었다. 또한 통신 스케줄 내 자원 점유율의 감소는 산업장비의 불필요한 수신 대기 시간을 줄임으로써 평균 21.

성능평가 결과 제안 방안은 슈퍼프레임 스케줄 주기 내 할당되는 자원 점유율을 기존 기법에 비해 약 30% 이상 감소시켜 자원효율을 개선하면서도 높은 전송 성공률을 유지하는 결과를 보여주었다

성능평가 결과 제안 방안은 슈퍼프레임 스케줄 주기 내 할당되는 자원 점유율을 기존 기법에 비해 약 30% 이상 감소시켜 자원효율을 개선하면서도 높은 전송 성공률을 유지하는 결과를 보여주었다. 또한 통신 스케줄 내 자원 점유율의 감소는 산업장비의 불필요한 수신 대기 시간을 줄임으로써 평균 21.2%의 에너지 소모량이 절약되었으며, 실시간 전송 측면에서도 평균 38.7% 이상의 전달 지연 시간이 개선되었다.

또한 통신 스케줄 내 자원 점유율의 감소는 산업장비의 불필요한 수신 대기 시간을 줄임으로써 평균 21.2%의 에너지 소모량이 절약되었으며, 실시간 전송 측면에서도 평균 38.7% 이상의 전달 지연 시간이 개선되었다.

따라서 본 연구는 노인 대상 신체조성 및 체형분석 이후, 대표적인 전신 근력운동인 스쿼트 운동과 교정 운동을 통해 그 자세에 따라 골격근의 분포를 확인하고, 근감소증 예방을 통한 체형 균형에 어떠한 영향을 미치는지를 분석하여 초고령화시대에서 노인의 다양한 운동프로그램 적용 및 개선을 위한 기초자료로 제공하고자 한다.

따라서 본 연구는 노인 대상 신체조성 및 체형분석 이후, 대표적인 전신 근력운동인 스쿼트 운동과 교정 운동을 통해 그 자세에 따라 골격근의 분포를 확인하고, 근감소증 예방을 통한 체형 균형에 어떠한 영향을 미치는지를 분석하여 초고령화시대에서 노인의 다양한 운동프로그램 적용 및 개선을 위한 기초자료로 제공하고자 한다.

본 연구는 지역사회 노년층 대상 스쿼트 운동과 교정 운동을 통해 그 자세와 체형의 변화에 따라 어떠한 신체조성 및 체형 균형의 결과를 보이는지 프로그램 검증을 위해 실시하였다.

본 연구는 지역사회 노년층 대상 스쿼트 운동과 교정 운동을 통해 그 자세와 체형의 변화에 따라 어떠한 신체조성 및 체형 균형의 결과를 보이는지 프로그램 검증을 위해 실시하였다.

본 연구의 사전검사는 연구대상의 개별 근관절검사를 실시 후 스쿼트 운동과 교정운동을 12주간 주 2회 실시하였으며, 그 연구절차, 운동처치 및 방법은 다음과 같다.

본 연구의 사전검사는 연구대상의 개별 근관절검사를 실시 후 스쿼트 운동과 교정운동을 12주간 주 2회 실시하였으며, 그 연구절차, 운동처치 및 방법은 다음과 같다.

스쿼트 운동은 개인별 신장, 관절의 위치에 따라 정확한 측정을 위하여 동적검사장비(Moti Physio-mini, MG solution, Korea)를 이용하여 체형불균형을 높이와 색상으로 모아레(moire) 방식으로 평면에서 관찰하기 어려운 체형을 심도(depth) 카메라로부터 3D depth 데이터 수집을 통해 중심이동, 무릎각도 변화 등을 측정하였고, 동일한 결과분석을 위해, 양팔을 머리 위로 든 자세로 실시하였으며, 연구 참여시마다 5set(1set, 10repetition), 세트 간 1분 안팎의 휴식시간을 갖고, 발목관절, 고관절, 슬관절의 통증이 없는 상태에서 시작, 점차 정상적인 ROM을 갖도록 유도하였다.

스쿼트 운동은 개인별 신장, 관절의 위치에 따라 정확한 측정을 위하여 동적검사장비(Moti Physio-mini, MG solution, Korea)를 이용하여 체형불균형을 높이와 색상으로 모아레(moire) 방식으로 평면에서 관찰하기 어려운 체형을 심도(depth) 카메라로부터 3D depth 데이터 수집을 통해 중심이동, 무릎각도 변화 등을 측정하였고, 동일한 결과분석을 위해, 양팔을 머리 위로 든 자세로 실시하였으며, 연구 참여시마다 5set(1set, 10repetition), 세트 간 1분 안팎의 휴식시간을 갖고, 발목관절, 고관절, 슬관절의 통증이 없는 상태에서 시작, 점차 정상적인 ROM을 갖도록 유도하였다.

노년층의 ROM, 근력정도를 고려하여 맥켄지 운동과 심부굴곡근 운동, 골반 및 허리운동[23-24]을 응용, 연구대상을 고려한 4개 session(Neck, Pelvic, Spine, Core)으로 구분하여 진행하였으며, 구체적인 프로그램은 <Table 2>와 같다.

노년층의 ROM, 근력정도를 고려하여 맥켄지 운동과 심부굴곡근 운동, 골반 및 허리운동[23-24]을 응용, 연구대상을 고려한 4개 session(Neck, Pelvic, Spine, Core)으로 구분하여 진행하였으며, 구체적인 프로그램은 <Table 2>와 같다.

운동처치는 연구대상의 개별 ROM, 근력향상도 등 운동 적응성을 고려하여 4주마다 개인별 근관절검사를 재측정 후, 운동 강도를 적용하였으며, 최초 사전검사 시, 골격근의 분포, 운동 경험 및 근력정도를 분석한 후, 교정 운동중재를 실시하였다.

운동처치는 연구대상의 개별 ROM, 근력향상도 등 운동 적응성을 고려하여 4주마다 개인별 근관절검사를 재측정 후, 운동 강도를 적용하였으며, 최초 사전검사 시, 골격근의 분포, 운동 경험 및 근력정도를 분석한 후, 교정 운동중재를 실시하였다.

본 실험 1주일 전(Pre), 연구종료일(Post) 체성분 검사(Inbody 620, Biospace, Korea)를 통해 신장, 체중, 골격근량, 체질량지수, 체지방율, 기초대사량을 측정하였다.

본 실험 1주일 전(Pre), 연구종료일(Post) 체성분 검사(Inbody 620, Biospace, Korea)를 통해 신장, 체중, 골격근량, 체질량지수, 체지방율, 기초대사량을 측정하였다.

때문에 본 연구에서는 이러한 한계점을 개별 맞춤형 운동프로그램을 적용하며, 내반슬과 외반슬, 한쪽 무릎의 기울어짐과 하향, 요추의 전·후만의 불균형을 분석 후 거울을 보고 운동을 실시함에 운동 참여자 본인이 자세를 인지하고 수정할 수 있도록 반복·숙달 훈련하였다.

때문에 본 연구에서는 이러한 한계점을 개별 맞춤형 운동프로그램을 적용하며, 내반슬과 외반슬, 한쪽 무릎의 기울어짐과 하향, 요추의 전·후만의 불균형을 분석 후 거울을 보고 운동을 실시함에 운동 참여자 본인이 자세를 인지하고 수정할 수 있도록 반복·숙달 훈련하였다.

본 연구의 대상은 P시 H구 건강증진프로그램 참여 노인 총 40명의 대상이 모집, 이후 적용 프로그램 및 연구계획을 설명하고, 동의를 구한 후, 체성분 검사 및 체형분석을 실시하였다. 사전검사로 부상 방지를 위해 예측 근력을 파악하기 위해 탈구 유발하는 금기 자세를 주의하여 엉덩관절 굽힘, 폄, 벌림의 기본적인 근관절검사(앉았다 일어서기, 한 발 들고 균형잡기, 견관절 분절 검사 등)를 실시[22], 프로그램의 지속참여가 어려울 정도의 ROM 및 통증을 가진 참여자(8명)는 연구에서 제외하고 총 32명이 참여하였으며, 신체적 특성은 <Table 1>과 같다.

본 연구의 대상은 P시 H구 건강증진프로그램 참여 노인 총 40명의 대상이 모집, 이후 적용 프로그램 및 연구계획을 설명하고, 동의를 구한 후, 체성분 검사 및 체형분석을 실시하였다

사전검사로 부상 방지를 위해 예측 근력을 파악하기 위해 탈구 유발하는 금기 자세를 주의하여 엉덩관절 굽힘, 폄, 벌림의 기본적인 근관절검사(앉았다 일어서기, 한 발 들고 균형잡기, 견관절 분절 검사 등)를 실시[22], 프로그램의 지속참여가 어려울 정도의 ROM 및 통증을 가진 참여자(8명)는 연구에서 제외하고 총 32명이 참여하였으며, 신체적 특성은 <Table 1>과 같다.

사전검사로 부상 방지를 위해 예측 근력을 파악하기 위해 탈구 유발하는 금기 자세를 주의하여 엉덩관절 굽힘, 폄, 벌림의 기본적인 근관절검사(앉았다 일어서기, 한 발 들고 균형잡기, 견관절 분절 검사 등)를 실시[22], 프로그램의 지속참여가 어려울 정도의 ROM 및 통증을 가진 참여자(8명)는 연구에서 제외하고 총 32명이 참여하였으며, 신체적 특성은 <Table 1>과 같다.

23.0 프로그램을 이용, 모든 자료는 평균과 표준편차를 산출하였으며, 스쿼트 운동과 교정 운동 참여 전, 후에 따른 신체조성 및 체형 균형에 미치는 영향을 분석하기 위해 paired t-test를 실시, 모든 통계치의 유의수준은 α=.05로 하였다.

23.0 프로그램을 이용, 모든 자료는 평균과 표준편차를 산출하였으며, 스쿼트 운동과 교정 운동 참여 전, 후에 따른 신체조성 및 체형 균형에 미치는 영향을 분석하기 위해 paired t-test를 실시, 모든 통계치의 유의수준은 α=.05로 하였다.

체형 및 균형 검사도 본 실험 1주일 전(Pre), 연구종료일(Post)에 실시하였으며, 정적검사 및 동적검사 모두 모티피지오 검사장비(Moti Physio-mini, MG solution, Korea)를 이용, 전신 엑스레이와 정확도가 검증된 Musculoskeletal Analysis Technology(MAT)로 근골격, 3D Musculoskeletal Model을 통해 분석하였다.

체형 및 균형 검사도 본 실험 1주일 전(Pre), 연구종료일(Post)에 실시하였으며, 정적검사 및 동적검사 모두 모티피지오 검사장비(Moti Physio-mini, MG solution, Korea)를 이용, 전신 엑스레이와 정확도가 검증된 Musculoskeletal Analysis Technology(MAT)로 근골격, 3D Musculoskeletal Model을 통해 분석하였다.

하지만 운동 초보인 노년층에게도 적절한 운동처치와 강도를 통한 장기간의 운동은 본 연구결과와 같이 체형의 변화 및 운동 상황에서의 동적 자세도 매우 긍정적인 영향을 미칠 수 있다는 결과를 도출하였다.

하지만 운동 초보인 노년층에게도 적절한 운동처치와 강도를 통한 장기간의 운동은 본 연구결과와 같이 체형의 변화 및 운동 상황에서의 동적 자세도 매우 긍정적인 영향을 미칠 수 있다는 결과를 도출하였다.

12주간의 운동프로그램 참여 전과 후 신체조성의 변화는 체중과, 체질량지수, 체지방율에서 일부 감소되었으나 스쿼트 운동과 교정 운동프로그램이 체지방과 관련된 지표에 유의한 차이를 보일만큼의 영향을 미치지는 않았다. 반면, 골격근량(p<.

12주간의 운동프로그램 참여 전과 후 신체조성의 변화는 체중과, 체질량지수, 체지방율에서 일부 감소되었으나 스쿼트 운동과 교정 운동프로그램이 체지방과 관련된 지표에 유의한 차이를 보일만큼의 영향을 미치지는 않았다

둘째, 12주간의 운동프로그램 참여 전과 후 자세 균형(정적)의 변화는 전면에서 보이는 척추균형과 우측 다리 내반슬은 정상범위에 가까운 긍정적인 결과를 보였으나 유의한 차이는 없었다.

둘째, 12주간의 운동프로그램 참여 전과 후 자세 균형(정적)의 변화는 전면에서 보이는 척추균형과 우측 다리 내반슬은 정상범위에 가까운 긍정적인 결과를 보였으나 유의한 차이는 없었다.

본 연구에서 12주간의 스쿼트 운동과 교정 운동 프로그램은 참여자의 근육량과 근력을 적절하고 때로는 충분히 자극한 것으로 판단되며, 노인의 근육량 자극을 통한 근력 상승이 근감소증을 예방하고, 노인의 교정운동 수행 후 근육량이 증가 및 근력 또한 향상된 결과를 보인 연구와 일치 하였다[21].

본 연구에서 12주간의 스쿼트 운동과 교정 운동 프로그램은 참여자의 근육량과 근력을 적절하고 때로는 충분히 자극한 것으로 판단되며, 노인의 근육량 자극을 통한 근력 상승이 근감소증을 예방하고, 노인의 교정운동 수행 후 근육량이 증가 및 근력 또한 향상된 결과를 보인 연구와 일치 하였다[21].

특히나 본 연구에서 정적인 자세의 변화는 충분한 준비 운동을 통한 이완상태로 본 운동의 자극을 극대화하였으며, 정리운동의 Foam Roller를 이용한 Stretching과 Massage가 노인의 체형 변화에 유의한 영향을 미치는 것으로 보인다. 즉, 일반적으로 본 운동의 운동 강도와 운동량에만 집중할 것이 아니라, 본 운동 자극을 극대화 할 수 있는 준비·정리운동의 필요성 및 프로그램의 다양성을 살펴보고 현장에서의 적용 및 평가 세분화가 필요하다.

특히나 본 연구에서 정적인 자세의 변화는 충분한 준비 운동을 통한 이완상태로 본 운동의 자극을 극대화하였으며, 정리운동의 Foam Roller를 이용한 Stretching과 Massage가 노인의 체형 변화에 유의한 영향을 미치는 것으로 보인다

본 연구에서도 운동프로그램 전·중·후 지속적인 인터뷰를 실시한 결과, 본 운동만큼 준비운동과 정리운동의 평가가 운동 프로그램 전원에서 긍정적 평가와 높은 만족도를 보였고, 높은 만족도는 높은 프로그램 참여도 및 집중도로 연결되어 전면 어깨의 균형, 골반의 좌우균형, 골반의 한쪽으로 돌아가는 편향성, 좌측 다리 내반슬에서 유의한 긍정적 결과를 나타냈으며, 거북목증후군을 판단할 수 있는 측면 경추 기울기 정도와 흉추 기울기 정도, 골반의 앞, 뒤 기울기에서 긍정적인 유의한 결과를 나타냈다.

본 연구에서도 운동프로그램 전·중·후 지속적인 인터뷰를 실시한 결과, 본 운동만큼 준비운동과 정리운동의 평가가 운동 프로그램 전원에서 긍정적 평가와 높은 만족도를 보였고, 높은 만족도는 높은 프로그램 참여도 및 집중도로 연결되어 전면 어깨의 균형, 골반의 좌우균형, 골반의 한쪽으로 돌아가는 편향성, 좌측 다리 내반슬에서 유의한 긍정적 결과를 나타냈으며, 거북목증후군을 판단할 수 있는 측면 경추 기울기 정도와 흉추 기울기 정도, 골반의 앞, 뒤 기울기에서 긍정적인 유의한 결과를 나타냈다.

셋째, 12주간의 운동프로그램 참여 전과 후 자세 균형(동적)의 변화는 모든 변인에서 스쿼트 운동 시 동적 자세에 따른 전체적인 복합 불균형 지수(p<.001), 과도한 상체의 숙여짐(p<.001), 비정상적인 전만 또는 후만의 허리 형태(p<.01), 한쪽 무릎의 기울어짐(p<.001)과 한쪽 무릎의 하향(p<.01) 자세 모두 운동프로그램 전보다 12주 후 매우 유의한 차이가 나타났다.

셋째, 12주간의 운동프로그램 참여 전과 후 자세 균형(동적)의 변화는 모든 변인에서 스쿼트 운동 시 동적 자세에 따른 전체적인 복합 불균형 지수(p<.001), 과도한 상체의 숙여짐(p<.001), 비정상적인 전만 또는 후만의 허리 형태(p<.01), 한쪽 무릎의 기울어짐(p<.001)과 한쪽 무릎의 하향(p<.01) 자세 모두 운동프로그램 전보다 12주 후 매우 유의한 차이가 나타났다.

첫 1~2주간은 부족한 관절가동범위와 익숙하지 못한 균형감각으로 어려움을 호소하였으나 지속적인 참여로 인해 3주차부터는 급격히 호전되었고, 12주 후 본 연구결과와 같이 매우 유의미한 결과를 확인할 수 있었다.

첫 1~2주간은 부족한 관절가동범위와 익숙하지 못한 균형감각으로 어려움을 호소하였으나 지속적인 참여로 인해 3주차부터는 급격히 호전되었고, 12주 후 본 연구결과와 같이 매우 유의미한 결과를 확인할 수 있었다.

첫째, 12주간의 운동프로그램 참여 전보다 신체조성은 골격근량, 기초대사량에서 12주 후 유의하게 증가하였다.

첫째, 12주간의 운동프로그램 참여 전보다 신체조성은 골격근량, 기초대사량에서 12주 후 유의하게 증가하였다.

둘째, 12주간의 운동프로그램 참여 전보다 정적 자세 균형은 전면 어깨, 골반의 좌우균형, 골반의 편향성, 좌측 다리 내반슬과 측면 경추 기울기와 흉추 기울기, 골반 기울기가 12주 후 유의한 자세 균형을 나타냈다.

둘째, 12주간의 운동프로그램 참여 전보다 정적 자세 균형은 전면 어깨, 골반의 좌우균형, 골반의 편향성, 좌측 다리 내반슬과 측면 경추 기울기와 흉추 기울기, 골반 기울기가 12주 후 유의한 자세 균형을 나타냈다.

셋째, 12주간의 운동프로그램 참여 전보다 동적 자세 균형은 복합 불균형 지수, 과도한 상체의 숙여짐, 비정상적인 허리 전만 또는 후만, 한쪽 무릎의 기울어짐과 하향 모두 12주 후 매우 유의한 자세 균형을 나타냈다.

셋째, 12주간의 운동프로그램 참여 전보다 동적 자세 균형은 복합 불균형 지수, 과도한 상체의 숙여짐, 비정상적인 허리 전만 또는 후만, 한쪽 무릎의 기울어짐과 하향 모두 12주 후 매우 유의한 자세 균형을 나타냈다.

본 연구에서 확인한 바와 같이, 노인 대상 운동프로그램도 무엇을 얼마나 어떻게 제시하느냐에 따라, 또한 제시 후 운동처치를 얼마나 지도 및 보조하느냐에 따라서 노년층에게도 충분한 자세 교정을 통한 체형 균형을 찾을 수 있으며, 현 초고령사회의 인구구조상 맞춤형 노인 운동프로그램에 대한 다양성은 더욱 필요하다 판단된다.

본 연구에서 확인한 바와 같이, 노인 대상 운동프로그램도 무엇을 얼마나 어떻게 제시하느냐에 따라, 또한 제시 후 운동처치를 얼마나 지도 및 보조하느냐에 따라서 노년층에게도 충분한 자세 교정을 통한 체형 균형을 찾을 수 있으며, 현 초고령사회의 인구구조상 맞춤형 노인 운동프로그램에 대한 다양성은 더욱 필요하다 판단된다.

본 연구에서 확인된 변인에 따른 기초 연구를 바탕으로 대상별, 질환별 또는 프로그램의 다양성을 일반 성인에서 노인 프로그램으로 확대를 통해 생리적 변화, 나아가 심리적 변화를 추가 검증해야 할 것이다.

본 연구에서 확인된 변인에 따른 기초 연구를 바탕으로 대상별, 질환별 또는 프로그램의 다양성을 일반 성인에서 노인 프로그램으로 확대를 통해 생리적 변화, 나아가 심리적 변화를 추가 검증해야 할 것이다.

본 연구는 VADAMA 기법이 가지는 지연시간을 개선하기 위해 단말들의 데이터 전송 요청에 대해 NCC의 통제하는 방안을 제안한다. 군용/상용 위성네트워크 표준에서 MF-TDMA의 프레임 구조와 자원할당방안에 대한 관련 연구를 기술하여 VADAMA의 제어메시지 전송으로 인한 지연시간 발생하는 문제를 도출하고 이를 해결하기 위해 제안하는 방안을 기술한다.

본 연구는 VADAMA 기법이 가지는 지연시간을 개선하기 위해 단말들의 데이터 전송 요청에 대해 NCC의 통제하는 방안을 제안한다

본 연구는 VADAMA 기법이 가지는 지연시간을 개선하기 위해 단말들의 데이터 전송 요청에 대해 NCC의 통제하는 방안을 제안한다. 군용/상용 위성네트워크 표준에서 MF-TDMA의 프레임 구조와 자원할당방안에 대한 관련 연구를 기술하여 VADAMA의 제어메시지 전송으로 인한 지연시간 발생하는 문제를 도출하고 이를 해결하기 위해 제안하는 방안을 기술한다. 이후, 기존 기법과 제안하는 방안을 성능을 분석하고 향후 연구방향을 도출하여 결론을 맺는다.

군용/상용 위성네트워크 표준에서 MF-TDMA의 프레임 구조와 자원할당방안에 대한 관련 연구를 기술하여 VADAMA의 제어메시지 전송으로 인한 지연시간 발생하는 문제를 도출하고 이를 해결하기 위해 제안하는 방안을 기술한다

본 논문은 MF-TDMA 위성네트워크에서 VADAMA 기법이 가지는 AROW 채널 충돌로 인한 지연시간을 개선하기 위해 VADAMA-PTR 기법을 제안하였다.

본 논문은 MF-TDMA 위성네트워크에서 VADAMA 기법이 가지는 AROW 채널 충돌로 인한 지연시간을 개선하기 위해 VADAMA-PTR 기법을 제안하였다.

VADAMA-PTR의 성능을 확인하기 위해서 VADAMA 기법과 데이터 전송 지연시간, 데이터 처리율을 바교하였다. DAMA, CFDAMA-RR(Round Robin) 기법의 성능과 비교 분석을 수행하였으며, 최근 CFDAMA의 연구에서 성능 향상을 보인 CFDAMA-CLSTM, CFDAMA-LTSM 기법의 요소를 반영을 위해 Free Allcation 채널 할당 수와 채널이 보유한 자원량의 예측이 500 Frame 초과할 때, 모두 성공한다고 가정하였다. VADAMA-PTR에서는 subnet 구성 방법에 따른 subnet 수를 증가시켜가며 시뮬레이션을 수행했다.

DAMA, CFDAMA-RR(Round Robin) 기법의 성능과 비교 분석을 수행하였으며, 최근 CFDAMA의 연구에서 성능 향상을 보인 CFDAMA-CLSTM, CFDAMA-LTSM 기법의 요소를 반영을 위해 Free Allcation 채널 할당 수와 채널이 보유한 자원량의 예측이 500 Frame 초과할 때, 모두 성공한다고 가정하였다

제안하는 기법은 VADAMA의 단말들이 AROW 채널 충돌 발생 시, 발생건에 대해 전송 요청 메시지를 재전송하지 않고 NCC가 전송을 조정할 수 있도록 한다.

제안하는 기법은 VADAMA의 단말들이 AROW 채널 충돌 발생 시, 발생건에 대해 전송 요청 메시지를 재전송하지 않고 NCC가 전송을 조정할 수 있도록 한다.

제안하는 기법에서는 초기 네트워크에 로그온 시, NCC는 TBTP에 단말들에게 subnet 정보를 제공하여 단말은 subnet 정보와 프레임 번호를 보고 데이터 전송 가능한 프레임이라고 판단될 때, 데이터 전송 요청 건을 보내는 것이다. 이를 통해 다른 subnet에 속한 단말들 간의 AROW 채널 충돌을 원천 차단할 수 있어 이에 따른 지연 시간을 개선할 수 있다.

제안하는 기법에서는 초기 네트워크에 로그온 시, NCC는 TBTP에 단말들에게 subnet 정보를 제공하여 단말은 subnet 정보와 프레임 번호를 보고 데이터 전송 가능한 프레임이라고 판단될 때, 데이터 전송 요청 건을 보내는 것이다

VADAMA-PTR의 성능을 확인하기 위해서 VADAMA 기법과 데이터 전송 지연시간, 데이터 처리율을 바교하였다. DAMA, CFDAMA-RR(Round Robin) 기법의 성능과 비교 분석을 수행하였으며, 최근 CFDAMA의 연구에서 성능 향상을 보인 CFDAMA-CLSTM, CFDAMA-LTSM 기법의 요소를 반영을 위해 Free Allcation 채널 할당 수와 채널이 보유한 자원량의 예측이 500 Frame 초과할 때, 모두 성공한다고 가정하였다.

VADAMA-PTR의 성능을 확인하기 위해서 VADAMA 기법과 데이터 전송 지연시간, 데이터 처리율을 바교하였다

DAMA, CFDAMA-RR(Round Robin) 기법의 성능과 비교 분석을 수행하였으며, 최근 CFDAMA의 연구에서 성능 향상을 보인 CFDAMA-CLSTM, CFDAMA-LTSM 기법의 요소를 반영을 위해 Free Allcation 채널 할당 수와 채널이 보유한 자원량의 예측이 500 Frame 초과할 때, 모두 성공한다고 가정하였다. VADAMA-PTR에서는 subnet 구성 방법에 따른 subnet 수를 증가시켜가며 시뮬레이션을 수행했다. 각 시뮬레이션을 시작할때마다, 모든 단말이 subnet에 임의로 할당되어 네트워크를 수행하였다.

VADAMA-PTR에서는 subnet 구성 방법에 따른 subnet 수를 증가시켜가며 시뮬레이션을 수행했다

시뮬레이션은 VADAMA-PTR의 성능은 subnet 수에 대한 네트워크의 전체적인 영향력을 확인하기 위해서 subnet 수를 순차적으로 증가시켜 각 시뮬레이션 10만회 실시하였다. 네트워크의 트래픽 로드가 전체 자원의 50%를 초과할 때 subnet에 따라 단말이 데이터 전송 요청을 보내도록 하였다.

시뮬레이션은 VADAMA-PTR의 성능은 subnet 수에 대한 네트워크의 전체적인 영향력을 확인하기 위해서 subnet 수를 순차적으로 증가시켜 각 시뮬레이션 10만회 실시하였다

VADAMA의 기본적이 AROW 채널의 허용은 동시에 다수의 채널의 하나의 단말에게 데이터 전송요청을 보내면 데이터 충돌을 감수하여야 했다. 본 논문에서는 모든 단말이 전송 요청을 보내지 말고 subnet을 정의하고 각 subnet이 데이터 전송 요청권을 순서대로 가져, 데이터 전송 요청권을 획득할 때, subnet에 속한 단말들만 데이터 전송 요청을 보내도록 하였다.

본 논문에서는 모든 단말이 전송 요청을 보내지 말고 subnet을 정의하고 각 subnet이 데이터 전송 요청권을 순서대로 가져, 데이터 전송 요청권을 획득할 때, subnet에 속한 단말들만 데이터 전송 요청을 보내도록 하였다.

자원할당 단계에서는 전송 요청 건 메시지 내에 필요 BTU를 확인하여 타임슬롯에 적절하게 배치하는 작업을 수행한다. 타임슬롯 배차는 기준 채널에서 자원을 검색하여 할당이 가능하면 바로 배치하는 First Fit 알고리즘에 따르도록 하였다. 데이터 전송 요청 메시지의 필요 BTU에 충족하는 채널이 존재하면 ‘자원할당 성공’ 상태의 리스트에 저장하고 충족하는 채널이 없으면 ‘자원할당 대기’ 리스트에 저장하도록 하였다.

타임슬롯 배차는 기준 채널에서 자원을 검색하여 할당이 가능하면 바로 배치하는 First Fit 알고리즘에 따르도록 하였다

27ms의 지연시간을 나타내나, 트래픽 로드가 증가하면 할수록, FA 가 사라져 DAMA의 성능에 근접한다. CFDAMA-LTSM, 및 CFDAMA-CLSTM의 경우 FA를 딥러닝 모델이 데이터 전송 요청 단말 수 및 자원량을 예측해서 사용하기에 FA를 단말의 전송 요청 건보다 우선 할당하도록 구현하여FA를 활용하도록 한 결과 시간이 지나면 지날수록 CFDAMA의 성능에 비해 28%의 성능향상을 보였으며, 그 성능은 VADAMA에 근접하였다.

CFDAMA-LTSM, 및 CFDAMA-CLSTM의 경우 FA를 딥러닝 모델이 데이터 전송 요청 단말 수 및 자원량을 예측해서 사용하기에 FA를 단말의 전송 요청 건보다 우선 할당하도록 구현하여FA를 활용하도록 한 결과 시간이 지나면 지날수록 CFDAMA의 성능에 비해 28%의 성능향상을 보였으며, 그 성능은 VADAMA에 근접하였다.

시뮬레이션에서는 subnet 수가 2일 때에는 22%의 성능향상을 보였으나, 하나의 subnet에 많은 단말들이 배정됨으로써 데이터 전송 요청 시, 요청 메시지간의 충돌이 발생하였다. subnet 수가 4일 때, 30개의 단말들이 적절히 분배됨과 동시에 데이터 전송 권한 획득을 위한 지연시간이 가장 적어 기존 VADAMA 대비 지연시간 평균 19.61%, 데이터 처리율은 7.1%의 개선이 있었으나, subnet 수가 8개를 넘어가면서 성능저하가 시작되어 15개가 되었을 때는 기존의 DAMA 보다 성능이 약 2% 떨어지는 것으로 확인되었다.

subnet 수가 4일 때, 30개의 단말들이 적절히 분배됨과 동시에 데이터 전송 권한 획득을 위한 지연시간이 가장 적어 기존 VADAMA 대비 지연시간 평균 19.61%, 데이터 처리율은 7.1%의 개선이 있었으나, subnet 수가 8개를 넘어가면서 성능저하가 시작되어 15개가 되었을 때는 기존의 DAMA 보다 성능이 약 2% 떨어지는 것으로 확인되었다.

VADAMA-PTR의 성능 개선을 확인하기 위해서 MATLAB 환경에서 DAMA, CFDAMA, CFDAMA-Prediction, VADAMA, VADAMA-PTR 기법을 DVB-RCS 표준에 호환되는 파라미터들을 사용하여 구현하였고 데이터 처리율, 지연시간 측면에서 이득이 있음을 확인하였다.

VADAMA-PTR의 성능 개선을 확인하기 위해서 MATLAB 환경에서 DAMA, CFDAMA, CFDAMA-Prediction, VADAMA, VADAMA-PTR 기법을 DVB-RCS 표준에 호환되는 파라미터들을 사용하여 구현하였고 데이터 처리율, 지연시간 측면에서 이득이 있음을 확인하였다.

군용/상용 위성네트워크 표준에서 MF-TDMA의 프레임 구조와 자원할당방안에 대한 관련 연구를 기술하여 VADAMA의 제어메시지 전송으로 인한 지연시간 발생하는 문제를 도출하고 이를 해결하기 위해 제안하는 방안을 기술한다. 이후, 기존 기법과 제안하는 방안을 성능을 분석하고 향후 연구방향을 도출하여 결론을 맺는다.

이후, 기존 기법과 제안하는 방안을 성능을 분석하고 향후 연구방향을 도출하여 결론을 맺는다.

향후, 연구에서는 subnet에 따라 데이터 전송을 하는 경우, 동일한 전송채널에 프레임별로 송수신 단말이 달라지는 특성을 이용해서 Frequency 도약 효과를 내 항재밍 효과를 보이는 네트워크 운영 방안을 창출해낼 수 있을 것으로 사료되며, 필요에 따라 우선순위를 가진 단말이 속한 subnet에 데이터 전송 요청 권한을 우선적으로 할당하는 알고리즘이 연구 된다면 전술네트워크에 적합한 위성 네트워크 자원 할당 방안이 될 것이다.

향후, 연구에서는 subnet에 따라 데이터 전송을 하는 경우, 동일한 전송채널에 프레임별로 송수신 단말이 달라지는 특성을 이용해서 Frequency 도약 효과를 내 항재밍 효과를 보이는 네트워크 운영 방안을 창출해낼 수 있을 것으로 사료되며, 필요에 따라 우선순위를 가진 단말이 속한 subnet에 데이터 전송 요청 권한을 우선적으로 할당하는 알고리즘이 연구 된다면 전술네트워크에 적합한 위성 네트워크 자원 할당 방안이 될 것이다.

본 논문에서는 휴먼 센서 기반의 작업자 동작 시각화 모듈을 설계한다. 휴먼 센서 기반의 작업자 동작 시각화 모듈 그림 3과 같이 3가지 핵심 모듈인 Human Sensor Implementation, Data Set Creation, Visualization으로 구성한다.

본 논문에서는 휴먼 센서 기반의 작업자 동작 시각화 모듈을 설계한다

본 논문에서는 휴먼 센서 기반의 작업자 동작 시각화 모듈을 설계하고 구현하였다. 이 모듈을 구성하는 3가지 핵심 모듈은 Human Sensor Implementation, Data Set Creation, Visualization이다.

본 논문에서는 휴먼 센서 기반의 작업자 동작 시각화 모듈을 설계하고 구현하였다

따라서, 본 논문에서는 휴먼 센서 기반의 작업자 동작 시각화 모듈을 설계하고 구현한다. 이 모듈은 무선형 휴먼센서를 착용한 작업자의 동작 데이터를 수집하고, 수집된 데이터를 활용해 작업자의 동작를 평가할 수 있는 데이터 세트로 변환･저장한다.

따라서, 본 논문에서는 휴먼 센서 기반의 작업자 동작 시각화 모듈을 설계하고 구현한다

이러한 디지털 트랜스포메이션은 산업체 재해를 줄이는 하나의 방법이다. 기계와 로봇에 인공지능과 빅데이터 등의 첨단기술이 접목되면 인간의 신체적 노동력은 물론이고 인간의 인지능력(지식, 이해력, 사고력, 문제 해결력, 창의력 등)까지 넘어설 것이다. 인간의 신체적 능력과 인지적 능력을 넘어설 정도로 디지털 기술의 진보속도가 빨라지면 산업현장에서 요구하는 직무능력과 근로자가 보유한 능력 간의 격차가 커질 것이다.

기계와 로봇에 인공지능과 빅데이터 등의 첨단기술이 접목되면 인간의 신체적 노동력은 물론이고 인간의 인지능력(지식, 이해력, 사고력, 문제 해결력, 창의력 등)까지 넘어설 것이다

본 논문에서는 휴먼 센서 기반의 작업자 동작 시각화 모듈을 설계한다. 휴먼 센서 기반의 작업자 동작 시각화 모듈 그림 3과 같이 3가지 핵심 모듈인 Human Sensor Implementation, Data Set Creation, Visualization으로 구성한다.

휴먼 센서 기반의 작업자 동작 시각화 모듈 그림 3과 같이 3가지 핵심 모듈인 Human Sensor Implementation, Data Set Creation, Visualization으로 구성한다.

동작 평가 및 부하 계산 기능은 동작 데이터 세트를 분석하여 동작의 평가 및 부하를 계산하고, 동작 분석 레포팅 기능을 제공한다. 대용량 처리 및 관리 기능은평가 및 계산 알고리즘 처리 서버 큐 프로그램, 로컬 및 서버 데이터 저장 및 연계 관리 프로그램, 로컬 및 서버 데이터 실시간 통신 프로그램을 설계한다.

대용량 처리 및 관리 기능은평가 및 계산 알고리즘 처리 서버 큐 프로그램, 로컬 및 서버 데이터 저장 및 연계 관리 프로그램, 로컬 및 서버 데이터 실시간 통신 프로그램을 설계한다.

본 논문에서는 현재 가장 많이 사용하는 센서의 단점을 보완한 센서를 사용한다. 고가의 휴면 센서도 산업현장에서 작업자가 착용하면 자세와 동작에 불편함이 많이 발생하고 있다.

본 논문에서는 현재 가장 많이 사용하는 센서의 단점을 보완한 센서를 사용한다

그림 7과 같이 휴먼 센서를 통해 센싱한 작업자의 위치, 스켈레톤 데이터를 수집하여 작업자의 동작과 자세를 분석한다. 그리고 분석 결과를 기반으로 작업자의 동작 Data Set을 생성하고, 안전한 작업 품질 모델을 생성한다. 특히, 작업자의 실내 측위를 위해서는 WiFI 통신 기반의 안드로이드폰을 이용하여 구현한다.

그리고 분석 결과를 기반으로 작업자의 동작 Data Set을 생성하고, 안전한 작업 품질 모델을 생성한다

이 모듈을 구성하는 3가지 핵심 모듈은 Human Sensor Implementation, Data Set Creation, Visualization이다. Human Sensor Implementation은 작업자의 신체 부위에 휴먼 센서를 장착할 위치를 설정하고, 작업자의 동작 데이터를 측정하도록 구현하였다. 이때 휴먼 센서에서 센싱한 작업자의 동작 데이터는 포인트, 스켈레톤, x,y,z 좌표 데이터 등이다.

Human Sensor Implementation은 작업자의 신체 부위에 휴먼 센서를 장착할 위치를 설정하고, 작업자의 동작 데이터를 측정하도록 구현하였다

이때 휴먼 센서에서 센싱한 작업자의 동작 데이터는 포인트, 스켈레톤, x,y,z 좌표 데이터 등이다. Data Set Creation은 동작 데이터 변환･저장 및 근접 실시간 작업자 동작 데이터 세트 생성과 측정 센서 데이터 및 동작 데이터 세트 처리 및 관리 기능을 구현하였다. Visualization은 동작 데이터 세트(Skeleton & Position)를 작업자 3D 모델에 동기화 맵핑하고, 작업자 3D 모델 동작 애니메이션, 작업자 3D 모델과 분석 결과를 조합하여 시각화하도록 구현하였다.

Data Set Creation은 동작 데이터 변환･저장 및 근접 실시간 작업자 동작 데이터 세트 생성과 측정 센서 데이터 및 동작 데이터 세트 처리 및 관리 기능을 구현하였다

Visualization은 동작 데이터 세트(Skeleton & Position)를 작업자 3D 모델에 동기화 맵핑하고, 작업자 3D 모델 동작 애니메이션, 작업자 3D 모델과 분석 결과를 조합하여 시각화하도록 구현하였다

Visualization은 동작 데이터 세트(Skeleton & Position)를 작업자 3D 모델에 동기화 맵핑하고, 작업자 3D 모델 동작 애니메이션, 작업자 3D 모델과 분석 결과를 조합하여 시각화하도록 구현하였다

이 모듈은 무선형 휴먼센서를 착용한 작업자의 동작 데이터를 수집하고, 수집된 데이터를 활용해 작업자의 동작를 평가할 수 있는 데이터 세트로 변환･저장한다. 그리고 실시간으로 작업자의 동작 부하 및 유해 동작을 분석하고, 동시에 원격지에서 3D 모델을 이용하여 실시간으로 작업자의 동작을 확인할 수 있도록 작업자 동작 시각화 모듈을 설계하고 구현한다.

그리고 실시간으로 작업자의 동작 부하 및 유해 동작을 분석하고, 동시에 원격지에서 3D 모델을 이용하여 실시간으로 작업자의 동작을 확인할 수 있도록 작업자 동작 시각화 모듈을 설계하고 구현한다.

그림 4와 같이 작업자의 신체 부위에 휴먼 센서를 장착할 위치를 설정하고, 작업자의 동작 데이터를 측정한다. 휴먼 센서에서 센싱한 작업자의 동작 데이터는 포인트, 스켈레톤, x,y,z 좌표 데이터 등이다. 작업자의 스켈레톤 정보는 그림 6과 같다.

휴먼 센서에서 센싱한 작업자의 동작 데이터는 포인트, 스켈레톤, x,y,z 좌표 데이터 등이다

본 논문에서는 휴먼 센서 기반의 작업자 동작 시각화 모듈을 설계하고 구현하였다. 이 모듈을 구성하는 3가지 핵심 모듈은 Human Sensor Implementation, Data Set Creation, Visualization이다. Human Sensor Implementation은 작업자의 신체 부위에 휴먼 센서를 장착할 위치를 설정하고, 작업자의 동작 데이터를 측정하도록 구현하였다.

이 모듈을 구성하는 3가지 핵심 모듈은 Human Sensor Implementation, Data Set Creation, Visualization이다

고가의 휴면 센서도 산업현장에서 작업자가 착용하면 자세와 동작에 불편함이 많이 발생하고 있다. 따라서 본 논문에서 사용한 센서는 블루투스 통신이 가능한 무선형 소형센서로 착용시 자유로운 작업이 가능하며, 스마트폰을 통해 작업자의 동작 및 위치 데이터를 수집할 수 있도록 구현한다.

따라서 본 논문에서 사용한 센서는 블루투스 통신이 가능한 무선형 소형센서로 착용시 자유로운 작업이 가능하며, 스마트폰을 통해 작업자의 동작 및 위치 데이터를 수집할 수 있도록 구현한다.

Visualization은 동작 데이터 세트(Skeleton & Position)를 작업자 3D 모델에 동기화 맵핑하고, 작업자 3D 모델 동작 애니메이션, 작업자 3D 모델과 분석 결과를 조합하여 시각화하도록 구현하였다. 본 논문에서 설계하고 구현한 휴먼 센서 기반의 작업자 동작 시각화 모듈은 향후 스마트팩토리 분야의 기반 기술로 다양하게 활용될 수 있다.

본 논문에서 설계하고 구현한 휴먼 센서 기반의 작업자 동작 시각화 모듈은 향후 스마트팩토리 분야의 기반 기술로 다양하게 활용될 수 있다.

본 연구는 컴퓨터를 기반으로 한 디지털 기술이 융복합 공연예술에 있어서 어떠한 영향을 미치는지를 국내 공연예술의 시대적 흐름에 따라 분석하였다. 분석한 내용을 바탕으로 공연예술과 기술의 적절한 활용방안과 미래 융복합 공연예술 발전방안을 도출하고자 연구목적을 두었다.

본 연구는 컴퓨터를 기반으로 한 디지털 기술이 융복합 공연예술에 있어서 어떠한 영향을 미치는지를 국내 공연예술의 시대적 흐름에 따라 분석하였다

본 연구는 컴퓨터를 기반으로 한 디지털 기술이 융복합 공연예술에 있어서 어떠한 영향을 미치는지를 국내 공연예술의 시대적 흐름에 따라 분석하였다. 분석한 내용을 바탕으로 공연예술과 기술의 적절한 활용방안과 미래 융복합 공연예술 발전방안을 도출하고자 연구목적을 두었다.

분석한 내용을 바탕으로 공연예술과 기술의 적절한 활용방안과 미래 융복합 공연예술 발전방안을 도출하고자 연구목적을 두었다.

본 연구는 컴퓨터를 기반으로 한 디지털 기술이 융복합 공연예술에 있어서 어떠한 영향을 미치는지를 국내 공연예술의 시대적 흐름에 따라 분석하였다. 분석한 내용을 바탕으로 공연예술과 기술의 적절한 활용방안과 미래 융복합 공연예술 발전방안을 도출하고자 연구목적을 두었다.

본 연구는 컴퓨터를 기반으로 한 디지털 기술이 융복합 공연예술에 있어서 어떠한 영향을 미치는지를 국내 공연예술의 시대적 흐름에 따라 분석하였다

본 연구는 컴퓨터를 기반으로 한 디지털 기술이 융복합 공연예술에 있어서 어떠한 영향을 미치는지를 국내 공연예술의 시대적 흐름에 따라 분석하였다. 분석한 내용을 바탕으로 공연예술과 기술의 적절한 활용방안과 미래 융복합 공연예술 발전방안을 도출하고자 연구목적을 두었다.

분석한 내용을 바탕으로 공연예술과 기술의 적절한 활용방안과 미래 융복합 공연예술 발전방안을 도출하고자 연구목적을 두었다.

이처럼 디지털 기술을 활용한 공연예술은 더욱 다양해지고 전문적이며, 경계를 넘는 상상에서 가능한 일들이 현실로 개발될 것이다. 본 연구에서는 인간이 할 수 있는 창작의 영역, 그리고 표현하는 표현성, 예술성 등을 잃지 않고 지켜나가면서 디지털 및 컴퓨터의 다양한 기술을 적절하게 활용하는 융복합을 제안한다. 이러한 시대적 변화에 대비한 미래의 융복합 공연예술인은 디지털 기술을 활용할 수 있는 무대기술 전문인력, AI와 함께 예술성을 표현할 수 있는 전문 배우, AI를 조작하여 예술을 창작할 수 있는 전문인력의 예술성과 기술성을 복합적으로 갖출 수 있어야 한다.

본 연구에서는 인간이 할 수 있는 창작의 영역, 그리고 표현하는 표현성, 예술성 등을 잃지 않고 지켜나가면서 디지털 및 컴퓨터의 다양한 기술을 적절하게 활용하는 융복합을 제안한다

4차산업, 21세기 디지털 시대, 인공지능(AI) 개발 등, 기술 발전은 예술 분야와 경계가 없는 융복합으로 시도되었으며, 이러한 시도는 예술적 본질을 그대로 유지하면서 새로운 표현기법으로 생성되었다. 따라서 본 연구에서의 융복합 공연예술은 컴퓨터 기술(디지털, AI)을 기반으로 하는 융복합 공연예술로 한정 지었다.

따라서 본 연구에서의 융복합 공연예술은 컴퓨터 기술(디지털, AI)을 기반으로 하는 융복합 공연예술로 한정 지었다.

‘조수미 홀로그램(Hologram) 미니 콘서트- 빛으로 그린 노래’란 타이틀에서 알 수 있듯 조수미가 홀로그램으로 등장하기 때문에 가능하다. 가로 6m 세로 17m 높이 3.6m의 작은 공간에서 열리는 이번 홀로그램 콘서트는 음향 효과와 몰입도를 극대화하기 위해 3D 입체음향 시스템을 채택했다. 프로젝션 맵핑 방식의 미디어아트로 사방의 벽면을 채워 보는 재미를 더했다[24].

가로 6m 세로 17m 높이 3.6m의 작은 공간에서 열리는 이번 홀로그램 콘서트는 음향 효과와 몰입도를 극대화하기 위해 3D 입체음향 시스템을 채택했다

연구결과 도출을 위해 산업혁명 과정의 예술, 4차 산업 혁명, 디지털 기술, 인터넷, AI 등 기술발달에 따른 공연예술의 융복합 활용한 사례들을 정리하여 고찰하였다. 연구 과정을 살펴보면 알 수 있듯이, 산업화시대 이전의 공연예술은 예술 본연의 장르에 많은 비중을 두었다.

연구결과 도출을 위해 산업혁명 과정의 예술, 4차 산업 혁명, 디지털 기술, 인터넷, AI 등 기술발달에 따른 공연예술의 융복합 활용한 사례들을 정리하여 고찰하였다

디지털 기술의 발달이 공연예술에 미치는 가장 큰 영향은 첫째, 체험형 공연예술 발달에 영향을 주었다. 체험형 공연예술은 시각과 청각, 때로는 무대 위의 공연자로서의 상황, 그리고 상상까지도 직접 체험하고 사실적 느낌을 갖을 수 있는 체험형 관람을 의미한다.

디지털 기술의 발달이 공연예술에 미치는 가장 큰 영향은 첫째, 체험형 공연예술 발달에 영향을 주었다

둘째, 디지털 기술은 소통하는 공연예술 발달에 영향을 주었다. 문하나·이재중·박진완(2010)은 디지털 기술이 커뮤니케이션의 변화를 주도했다고 말한다[8].

둘째, 디지털 기술은 소통하는 공연예술 발달에 영향을 주었다

셋째, 디지털 기술은 새로운 표현기법과 자유로운 무대선정으로 새로운 연출기법을 개발할 수 있게 하였다. 디지털 기술은 입체적인 영상물, 홀로그램이나 미디어아트, AR, VR을 활용하여 생동감 있는 표현기법으로 제작되었다.

셋째, 디지털 기술은 새로운 표현기법과 자유로운 무대선정으로 새로운 연출기법을 개발할 수 있게 하였다

본 연구는 《히토 슈타이얼─데이터의 바다》를 연구 대상으로 설정하며, 문헌 연구와 정량적 연구방법론을 통해 해당 전시에 대한 관람 경험을 측정하고, 연구 모형과 가설을 중심으로 데이터 기반 전시의 특성을 탐색하여, 관련 특성이 관람 경험, 전시 이용 태도 및 지속적 행동 의사에 미친 영향력에 대한 주요 시사점을 도출하는 데에 목적을 두고 있다. 또한 학술적 측면에서는 데이터 임베디드 전시의 관람 경험에 대한 이해를 도모하고, 이러한 유형의 전시를 평가할 수 있는 연구 모형 및 주요 변인을 제안하며, 실무적 차원에서는 데이터 사회 문화에 대한 이해 및 성찰을 도모하는 작품 제작 혹은 전시 기획 과정의 주요 고려사항을 제공할 것으로 기대된다.

본 연구는 《히토 슈타이얼─데이터의 바다》를 연구 대상으로 설정하며, 문헌 연구와 정량적 연구방법론을 통해 해당 전시에 대한 관람 경험을 측정하고, 연구 모형과 가설을 중심으로 데이터 기반 전시의 특성을 탐색하여, 관련 특성이 관람 경험, 전시 이용 태도 및 지속적 행동 의사에 미친 영향력에 대한 주요 시사점을 도출하는 데에 목적을 두고 있다

2019년 국립현대미술관 서울관에서 열렸던 《불온한 데이터(2019)》는 인간이 구축해 온 디지털 체계, 첨단 기술과 데이터의 진화 속에서 살고 있는 현대 사회에서 데이터를 가공, 소유, 유통하는 주체와 권력, 데이터에 대한 믿음과 불신, 그리고 이를 둘러싼 위기와 개인의 삶에 미치는 영향력 등에 대한 질문을 제기했다. 이에 상기 전시에서는 디지털 기술의 탐구를 통해 미학적 특징을 발견하고, 반권위적 새로운 시스템을 탐색하며, 탈중앙화를 시도하는 동시대 미술 현장에서 조명되고 있는 국내외 작가들의 실험적인 작품을 소개했다. 또한 전시의 참여 작가들은 데이터를 분류하고 체계화하여 예술 표현의 폭을 넓히거나, 첨단기술을 활용해 창조적 공공재를 확장하는 방식을 모색했다[10].

이에 상기 전시에서는 디지털 기술의 탐구를 통해 미학적 특징을 발견하고, 반권위적 새로운 시스템을 탐색하며, 탈중앙화를 시도하는 동시대 미술 현장에서 조명되고 있는 국내외 작가들의 실험적인 작품을 소개했다

본 연구는 데이터를 통해 현대 사회의 권력 구조와 불평등을 탐구한 《히토 슈타이얼─데이터의 바다》의 관람 경험에 실증적으로 접근, 관람객의 전시 수용을 고찰했다. 상기 전시에 대한 전시만족도와 전시몰입도는 각각 설문 참여자로부터 매우 높게 평가되었다.

본 연구는 데이터를 통해 현대 사회의 권력 구조와 불평등을 탐구한 《히토 슈타이얼─데이터의 바다》의 관람 경험에 실증적으로 접근, 관람객의 전시 수용을 고찰했다

본 연구는 학술적 차원에서 최근 전시 산업에서 확산되고 있는 데이터 임베디드 전시에 대한 관람 경험과 전시 수용에 실증적으로 접근하면서, 실질적인 전시 경험에 대한 평가 방법론을 제안했다. 또한 실무적 차원에서 향후 데이터 임베디드 전시 기획에 대한 주요 고려사항, 사용자 경험을 예측할 수 있는 전시에 대한 이용 태도 및 지속적 의용 의사에 대한 주요 시사점을 제공해주었다.

본 연구는 학술적 차원에서 최근 전시 산업에서 확산되고 있는 데이터 임베디드 전시에 대한 관람 경험과 전시 수용에 실증적으로 접근하면서, 실질적인 전시 경험에 대한 평가 방법론을 제안했다

H1

H1

H2

H2

H3

H3

H4

H4

H5

H5

H6

H6

MOV 피파일(2013)>로 디지털 기술 기반 세상에서 ‘안 보일 수 있는 방법’을 다섯가지로 구분하며, 디지털 가시성에 대한 의문을 제기했다.

MOV 피파일(2013)>로 디지털 기술 기반 세상에서 ‘안 보일 수 있는 방법’을 다섯가지로 구분하며, 디지털 가시성에 대한 의문을 제기했다.

(2018)[15], Chen & Chen(2010)[18]의 ‘Quality-Value-Loyalty Chain in Museums’을 연구 모형으로 차용했다. 연구 모형의 주요 변인은 내적 동기(Intrinsic Motivation, 이하 IM), 인지된 가치(Perceived Value, 이하 PV), 인지된 경험 품질(Perceived Experience Quality, 이하 PEQ), 전시 이용 태도(Attitude toward the Exhibition, 이하 ATE), 전시에 대한 지속적 이용 의사(Intention to Use the Exhibition, 이하 ITUE)로 구성되었으며(Fig. 3), 서술된 연구 문제 및 연구 모형을 바탕으로 여섯 가지의 가설을 설계했다[Table 1].

연구 모형의 주요 변인은 내적 동기(Intrinsic Motivation, 이하 IM), 인지된 가치(Perceived Value, 이하 PV), 인지된 경험 품질(Perceived Experience Quality, 이하 PEQ), 전시 이용 태도(Attitude toward the Exhibition, 이하 ATE), 전시에 대한 지속적 이용 의사(Intention to Use the Exhibition, 이하 ITUE)로 구성되었으며(Fig

설문지 설계의 경우, 일반적으로 전시 관람 경험을 측정하는 데에 사용되는 사용자 참여 척도(User Engagement Scale, 이하 UES)[28], 연구 모델을 구성하는 주요 변인(내적 동기(IM), 인지된 가치(PV), 인지된 경험 품질(PEQ), 전시 이용 태도(ATE), 전시에 대한 지속적 이용 의사(ITUE))의 세부 변인, 그리고 선행 연구[29-31]에서 사용된 관람 유형 관련 설문 문항을 반영한 30개의 선택형 문항 및 리커드 7점 척도 문항으로 구성되었다. 연구팀은 설문조사를 바탕으로 빈도 분석을 수행하고, 상관 분석 및 신뢰구간 유의 확률 검정을 통해 변인 간의 관계성에 대한 가설을 검증했다.

설문지 설계의 경우, 일반적으로 전시 관람 경험을 측정하는 데에 사용되는 사용자 참여 척도(User Engagement Scale, 이하 UES)[28], 연구 모델을 구성하는 주요 변인(내적 동기(IM), 인지된 가치(PV), 인지된 경험 품질(PEQ), 전시 이용 태도(ATE), 전시에 대한 지속적 이용 의사(ITUE))의 세부 변인, 그리고 선행 연구[29-31]에서 사용된 관람 유형 관련 설문 문항을 반영한 30개의 선택형 문항 및 리커드 7점 척도 문항으로 구성되었다

《히토 슈타이얼─데이터의 바다》는 데이터가 가상 세계를 넘어 현실 세계의 다양한 삶의 차원에 깊이 개입하고 있는 현대 사회에 대해 예술적 탐구와 실천을 제시하는 히토 슈타이얼의 대표작 23점으로 구성되었다. 전시는 5개의 조닝으로 구분되었는데, 1부 ‘데이터의 바다’의 경우에는 <태양의 공장(2015)>, <이것이 미래다(2019)>, <소셜심(2020)> 등을 통해 디지털 기술 기반의 데이터 사회를 비평했다.

《히토 슈타이얼─데이터의 바다》는 데이터가 가상 세계를 넘어 현실 세계의 다양한 삶의 차원에 깊이 개입하고 있는 현대 사회에 대해 예술적 탐구와 실천을 제시하는 히토 슈타이얼의 대표작 23점으로 구성되었다

전시는 5개의 조닝으로 구분되었는데, 1부 ‘데이터의 바다’의 경우에는 <태양의 공장(2015)>, <이것이 미래다(2019)>, <소셜심(2020)> 등을 통해 디지털 기술 기반의 데이터 사회를 비평했다

전시는 5개의 조닝으로 구분되었는데, 1부 ‘데이터의 바다’의 경우에는 <태양의 공장(2015)>, <이것이 미래다(2019)>, <소셜심(2020)> 등을 통해 디지털 기술 기반의 데이터 사회를 비평했다

《히토 슈타이얼─데이터의 바다》의 관람 경험에 대해 실증적으로 접근하기 위해, 관람객을 대상으로 온라인 설문조사(2023.06.02.- 2023.06.09.)[27]가 실시되었다. 상기 설문조사는 ㈜LG U+ 통신사의 지원 하에 배포되어 《히토 슈타이얼─데이터의 바다》를 방문한 ㈜LG U+ 통신사의 가입자를 대상으로 진행되었다.

《히토 슈타이얼─데이터의 바다》의 관람 경험에 대해 실증적으로 접근하기 위해, 관람객을 대상으로 온라인 설문조사(2023.06.02.- 2023.06.09.)[27]가 실시되었다

)[27]가 실시되었다. 상기 설문조사는 ㈜LG U+ 통신사의 지원 하에 배포되어 《히토 슈타이얼─데이터의 바다》를 방문한 ㈜LG U+ 통신사의 가입자를 대상으로 진행되었다.

상기 설문조사는 ㈜LG U+ 통신사의 지원 하에 배포되어 《히토 슈타이얼─데이터의 바다》를 방문한 ㈜LG U+ 통신사의 가입자를 대상으로 진행되었다.

설문조사에는 147명의 관람객이 참여했으며, 과반수(59.9%)가 Z세대에 해당했다. 76.

설문조사에는 147명의 관람객이 참여했으며, 과반수(59.9%)가 Z세대에 해당했다

설문지 설계의 경우, 일반적으로 전시 관람 경험을 측정하는 데에 사용되는 사용자 참여 척도(User Engagement Scale, 이하 UES)[28], 연구 모델을 구성하는 주요 변인(내적 동기(IM), 인지된 가치(PV), 인지된 경험 품질(PEQ), 전시 이용 태도(ATE), 전시에 대한 지속적 이용 의사(ITUE))의 세부 변인, 그리고 선행 연구[29-31]에서 사용된 관람 유형 관련 설문 문항을 반영한 30개의 선택형 문항 및 리커드 7점 척도 문항으로 구성되었다. 연구팀은 설문조사를 바탕으로 빈도 분석을 수행하고, 상관 분석 및 신뢰구간 유의 확률 검정을 통해 변인 간의 관계성에 대한 가설을 검증했다.

연구팀은 설문조사를 바탕으로 빈도 분석을 수행하고, 상관 분석 및 신뢰구간 유의 확률 검정을 통해 변인 간의 관계성에 대한 가설을 검증했다.

설문조사를 통해 수집된 데이터를 기반으로 가설 검증을 위해 스피어만 상관계수(Spearman Correlation Coefficient)와 점이연 상관계수(Point-Biserial Correlation Coefficient)를 계산했으며, 이를 통해 유의 수준과 유의 확률을 기반으로 변인 간의 관계를 평가했다(Fig. 4, Fig.

설문조사를 통해 수집된 데이터를 기반으로 가설 검증을 위해 스피어만 상관계수(Spearman Correlation Coefficient)와 점이연 상관계수(Point-Biserial Correlation Coefficient)를 계산했으며, 이를 통해 유의 수준과 유의 확률을 기반으로 변인 간의 관계를 평가했다(Fig

그 가운데 문화유산과 박물관 및 미술관 영역에서 사용되는 연구 모형 HISTOQUAL[14-15] 및 MUSEQUAL[15-17]으로부터 발전한 Chen et al.(2018)[15], Chen & Chen(2010)[18]의 ‘Quality-Value-Loyalty Chain in Museums’을 연구 모형으로 차용했다

그 가운데 문화유산과 박물관 및 미술관 영역에서 사용되는 연구 모형 HISTOQUAL[14-15] 및 MUSEQUAL[15-17]으로부터 발전한 Chen et al.(2018)[15], Chen & Chen(2010)[18]의 ‘Quality-Value-Loyalty Chain in Museums’을 연구 모형으로 차용했다

9%)가 Z세대에 해당했다. 76.9%의 설문참여자는 최근 1년간 4회 이상 전시를 관람했고, 과반수 정도(43.5%)의 설문참여자는 관심을 끄는 전시물을 탐색하길 선호하는 관람 유형적 특성을 보였다. 대다수의 설문참여자(83.

76.9%의 설문참여자는 최근 1년간 4회 이상 전시를 관람했고, 과반수 정도(43.5%)의 설문참여자는 관심을 끄는 전시물을 탐색하길 선호하는 관람 유형적 특성을 보였다

《히토 슈타이얼─데이터의 바다》의 관람 경험에서 가장 두드러지는 가치는 심미적 가치(35.4%)였으며, 유희적 가치(22.4%), 일탈적 가치(20.4%), 교육적 가치(18.4%)의 편차는 크지 않았던 반면 치유적 가치(3.4%)는 상대적으로 매우 낮게 평가되었다. 전시 동선을 이용하는 방식 측면에서 설문참여자의 과반수 이상(54.

《히토 슈타이얼─데이터의 바다》의 관람 경험에서 가장 두드러지는 가치는 심미적 가치(35.4%)였으며, 유희적 가치(22.4%), 일탈적 가치(20.4%), 교육적 가치(18.4%)의 편차는 크지 않았던 반면 치유적 가치(3.4%)는 상대적으로 매우 낮게 평가되었다

전시 이용 태도에 대한 빈도 분석 결과를 살펴보면, 설문참여자는 전시만족도(71.4%)를 상대적으로 높게 평가했는데, 전시 주제 및 기획 의도(50.3%), 작품 구성 방식(42.2%), 디지털 미디어의 고해상도 영상 및 음향 기술(30.6%) 등이 주요 만족 요인으로 작용했다. 앞서 언급한 바와 같이 이 전시에는 다양한 방식의 영상 미디어가 포함되었는데, 과반수 정도(47.

전시 이용 태도에 대한 빈도 분석 결과를 살펴보면, 설문참여자는 전시만족도(71.4%)를 상대적으로 높게 평가했는데, 전시 주제 및 기획 의도(50.3%), 작품 구성 방식(42.2%), 디지털 미디어의 고해상도 영상 및 음향 기술(30.6%) 등이 주요 만족 요인으로 작용했다

H6. 전시 이용 태도 및 전시에 대한 지속적 이용 의사의 점이연 상관 분석 결과, 전시만족도는 부분적으로 유의미한 상관관계를 드러냈다. 작품 및 작가에 대한 정보 탐색(ρ=0.

전시 이용 태도 및 전시에 대한 지속적 이용 의사의 점이연 상관 분석 결과, 전시만족도는 부분적으로 유의미한 상관관계를 드러냈다

가설 검증 내용을 종합해보면, 디지털 미디어에 대한 관심 수준, 전시 작품 혹은 전시 주제에 대한 관심 등은 전시 만족도에 긍정적으로 작용했다. 선행 연구의 결과[29-31]와 동일하게, 전시몰입도는 전시만족도와 유의미한 상관관계를 보였으며, 전시 이용 태도(DOS, DOI, DODUE)는 타인에 대한 전시 추천과 전시 재관람 의사에 유의미한 양(+)의 영향력을 미쳤다.

가설 검증 내용을 종합해보면, 디지털 미디어에 대한 관심 수준, 전시 작품 혹은 전시 주제에 대한 관심 등은 전시 만족도에 긍정적으로 작용했다

본 연구 결과에서 한 가지 주지할 만한 사실은 설문참여자의 68.0%가 전시 환경에서의 사진 촬영, 즉 관람 경험 기록에는 적극적인 태도를 보였지만, 실제로 SNS에 사진 이미지를 공유한 비율은 22.4%에 불과했다는 것이다. 동일한 맥락에서, 사진 촬영 및 SNS 업로드와 전시만족도 간의 상관 분석에서도 유의미한 결과가 도출되지 않았다.

본 연구 결과에서 한 가지 주지할 만한 사실은 설문참여자의 68.0%가 전시 환경에서의 사진 촬영, 즉 관람 경험 기록에는 적극적인 태도를 보였지만, 실제로 SNS에 사진 이미지를 공유한 비율은 22.4%에 불과했다는 것이다

연구팀이 《히토 슈타이얼─데이터의 바다》를 연구 대상으로 설정한 이유는 문화해득력과 예술공학에 대한 심도 있는 이해가 요구되는 전시의 난해한 특성 때문이었으며, 상술한 전시의 특성은 설문조사의 전시난이도에 대한 빈도 분석 결과에서도 입증되었고, 작가의 난해한 주제 표현법, 추상적인 작품 주제나 복잡한 작품 구성 방식은 전시 난이도에 영향을 미쳤다. 특히 전시 난이도가 높다고 느끼는 설문참여자는 전시만족도 및 전시몰입도가 높았을 뿐만 아니라 전시 재관람 의사 및 타인에 대한 전시 추천 의사 또한 높았다는 흥미로운 결과를 보였다.

연구팀이 《히토 슈타이얼─데이터의 바다》를 연구 대상으로 설정한 이유는 문화해득력과 예술공학에 대한 심도 있는 이해가 요구되는 전시의 난해한 특성 때문이었으며, 상술한 전시의 특성은 설문조사의 전시난이도에 대한 빈도 분석 결과에서도 입증되었고, 작가의 난해한 주제 표현법, 추상적인 작품 주제나 복잡한 작품 구성 방식은 전시 난이도에 영향을 미쳤다

본 연구는 《히토 슈타이얼─데이터의 바다》를 연구 대상으로 설정하며, 문헌 연구와 정량적 연구방법론을 통해 해당 전시에 대한 관람 경험을 측정하고, 연구 모형과 가설을 중심으로 데이터 기반 전시의 특성을 탐색하여, 관련 특성이 관람 경험, 전시 이용 태도 및 지속적 행동 의사에 미친 영향력에 대한 주요 시사점을 도출하는 데에 목적을 두고 있다. 또한 학술적 측면에서는 데이터 임베디드 전시의 관람 경험에 대한 이해를 도모하고, 이러한 유형의 전시를 평가할 수 있는 연구 모형 및 주요 변인을 제안하며, 실무적 차원에서는 데이터 사회 문화에 대한 이해 및 성찰을 도모하는 작품 제작 혹은 전시 기획 과정의 주요 고려사항을 제공할 것으로 기대된다.

또한 학술적 측면에서는 데이터 임베디드 전시의 관람 경험에 대한 이해를 도모하고, 이러한 유형의 전시를 평가할 수 있는 연구 모형 및 주요 변인을 제안하며, 실무적 차원에서는 데이터 사회 문화에 대한 이해 및 성찰을 도모하는 작품 제작 혹은 전시 기획 과정의 주요 고려사항을 제공할 것으로 기대된다.

또한 실무적 차원에서 향후 데이터 임베디드 전시 기획에 대한 주요 고려사항, 사용자 경험을 예측할 수 있는 전시에 대한 이용 태도 및 지속적 의용 의사에 대한 주요 시사점을 제공해주었다. 향후 연구팀은 인스타그램을 비롯한 SNS에 게시된 《히토 슈타이얼─데이터의 바다》 관련 빅 데이터를 활용, 작품 선호도를 예측 및 추론할 수 있는 심화 연구를 후속적으로 진행할 예정이다.

향후 연구팀은 인스타그램을 비롯한 SNS에 게시된 《히토 슈타이얼─데이터의 바다》 관련 빅 데이터를 활용, 작품 선호도를 예측 및 추론할 수 있는 심화 연구를 후속적으로 진행할 예정이다.

본 연구에서는 3차원 보행 데이터 기반 BMI 추정 기술의 분류 정확도를 향상시킬 수 있는 방법을 제안했다. 이를 위해서, 먼저 기존 연구에서 BMI 분류 정확도가 낮았던 원인을 규명했다.

본 연구에서는 3차원 보행 데이터 기반 BMI 추정 기술의 분류 정확도를 향상시킬 수 있는 방법을 제안했다

이에 본 연구에서는 움직임 데이터 기반 BMI 추정 기술의 분류 정확도를 향상시킬 수 있는 방법을 연구했다. 본 연구의 주요 기여 포인트는 다음과 같이 요약할 수 있다.

이에 본 연구에서는 움직임 데이터 기반 BMI 추정 기술의 분류 정확도를 향상시킬 수 있는 방법을 연구했다

이에 본 연구에서는 먼저, Andersson et al.이 [9]에서 제시한 3차원 보행 데이터 기반 BMI 분류 기술의 정확도가 낮았던 원인이 Andersson et al.이 적용한 언더샘플링 기법에 있는지 규명하고자 했다. 이를 위해서, [9]에서 사용된 언더샘플링 기법을 포함한 총 3가지의 언더샘플링 기법을 적용해 3차원 보행 데이터 기반 BMI 분류 기술을 평가했다.

이에 본 연구에서는 먼저, Andersson et al.이 [9]에서 제시한 3차원 보행 데이터 기반 BMI 분류 기술의 정확도가 낮았던 원인이 Andersson et al.이 적용한 언더샘플링 기법에 있는지 규명하고자 했다

마지막 세 번째 애블레이션 연구에서는 본 연구에서 제안하는 방법인, 즉 수식 (1), (3)으로부터 구한, 20개의 원소로 구성된 인체 측정학 특징 벡터 AF와 수식 (6), (8), (11), (12)로부터 구한, 4개의 원소로 구성된 시공간적 특징 벡터 SF을 함께 활용해 머신러닝 모델을 훈련하고, BMI를 분류할 수 있게 했다. 표 6은 AF와 SF를 함께 활용했을 때, 언더샘플링 & 오버샘플링 기법 종류와 머신러닝 모델 종류에 따른 성능 평가 결과를 보여준다.

마지막 세 번째 애블레이션 연구에서는 본 연구에서 제안하는 방법인, 즉 수식 (1), (3)으로부터 구한, 20개의 원소로 구성된 인체 측정학 특징 벡터 AF와 수식 (6), (8), (11), (12)로부터 구한, 4개의 원소로 구성된 시공간적 특징 벡터 SF을 함께 활용해 머신러닝 모델을 훈련하고, BMI를 분류할 수 있게 했다

⦁ [9]에서 공개된 움직임 데이터 세트에서 언더샘플링 기법 대신 오버샘플링(Oversampling) 기법을 적용하면, BMI 분류 정확도가 향상되는 것을 확인했다. 3가지 오버샘플링 기법에 대해, 6가지 머신러닝(Machine Learning) 모델에 대한 BMI 분류 성능 평가 결과를 제공한다.

3가지 오버샘플링 기법에 대해, 6가지 머신러닝(Machine Learning) 모델에 대한 BMI 분류 성능 평가 결과를 제공한다.

은 [10]에서 얼굴 이미지에서 추출한 1) 폭 대 높이 비율, 2) 둘레 대 면적 비율, 3) 볼 대 턱 너비 비율의 세 가지 얼굴 특징이 사람의 체중 및 BMI와 높은 상관관계를 갖는다는 것을 보였다. 그리고 이 세 가지 특징을 이용해 사람의 체중과 BMI를 추정할 것을 제안했다. [10]의 연구에서 영감을 받은 Pham et al.

그리고 이 세 가지 특징을 이용해 사람의 체중과 BMI를 추정할 것을 제안했다

은 [13]에서 소셜 미디어에서 수집한 저품질 얼굴 이미지로부터 BMI를 예측하는 방법을 제안했다. 제안 방법에는 합성곱 신경망(Convolutional Neural Network, CNN)이 사용됐으며, CNN의 여섯 번째 완전 연결 계층의 출력이 BMI 예측을 위한 특징으로 활용됐다. 그리고 상기 특징을 활용해 SVR 모델을 훈련하고, 소셜 미디어에서 수집한 얼굴 데이터 세트를 사용하여 훈련된 모델을 평가했다.

제안 방법에는 합성곱 신경망(Convolutional Neural Network, CNN)이 사용됐으며, CNN의 여섯 번째 완전 연결 계층의 출력이 BMI 예측을 위한 특징으로 활용됐다

은 [14]에서 6개의 CNNs을 앙상블(Ensemble)하여, 정면 얼굴 이미지로부터 BMI를 예측하는 방법을 제안했다. 제안된 방법에서 얼굴 이미지는 이마, 좌우 눈, 좌우 볼, 턱의 6가지 패치(Patches)로 분할되며, 분할된 영역마다 CNN이 BMI를 예측할 수 있도록 독립적으로 훈련된다. 그리고 6개의 분할 패치로부터 CNNs이 예측한 BMI 값을 평균하여 최종 BMI 예측값을 얻는다.

제안된 방법에서 얼굴 이미지는 이마, 좌우 눈, 좌우 볼, 턱의 6가지 패치(Patches)로 분할되며, 분할된 영역마다 CNN이 BMI를 예측할 수 있도록 독립적으로 훈련된다

은 [15]에서 전신 실루엣(Silhouette) 이미지로부터 BMI를 예측하는 방법을 제안했다. 제안된 방법에서는 차렷 자세로 서 있는 피험자의 정면 전신 이미지를 촬영하고, 이 이미지를 실루엣 이미지로 변환시킨다. 그다음 실루엣 이미지로부터 피험자의 면적과 신장을 계산하는데, 여기서 면적은 실루엣이 차지하는 픽셀(Pixel) 수로 계산되며 신장은 실루엣에서 가장 높이 위치한 픽셀과 가장 낮게 위치한 픽셀 사이의 거리로 계산된다.

제안된 방법에서는 차렷 자세로 서 있는 피험자의 정면 전신 이미지를 촬영하고, 이 이미지를 실루엣 이미지로 변환시킨다

도 [16]에서 실루엣 이미지로부터 BMI를 분류하는 방법을 제안했다. 제안된 방법에서는 먼저 실루엣 이미지로부터 총 57개의 형상 특징(Shape Features)을 추출한다. 그다음 추출한 특징을 사용해 머신러닝 모델을 훈련하고, BMI를 분류할 수 있게 한다.

제안된 방법에서는 먼저 실루엣 이미지로부터 총 57개의 형상 특징(Shape Features)을 추출한다

그다음 보행 데이터로부터 인체 측정학 특징과 걸음걸이 특징을 추출했다. 또한, 피험자의 몸무게와 신장으로부터 BMI를 계산해 이들을 저체중, 정상체중, 과체중의 세 가지 범주로 구분했다. 그러나 데이터 세트에서 저체중 범주로 분류된 피험자의 수가 너무 적었으며, 대부분은 정상 체중으로 분류됐다.

또한, 피험자의 몸무게와 신장으로부터 BMI를 계산해 이들을 저체중, 정상체중, 과체중의 세 가지 범주로 구분했다

마지막으로, 3차원 보행 데이터 기반 BMI 추정 기술에서 인체 측정학 특징과 시공간적 특징의 유용성을 재입증했다. 이를 위해서, 먼저 3차원 보행 데이터로부터 인체 측정학 특징과 시공간적 특징을 추출하고, 각 특징이 BMI 분류 정확도에 미치는 영향을 애블레이션 연구(Ablation Study)를 통해 확인했다. 실험 결과에 따르면, 모델 훈련 과정에서, 인체 측정학 특징과 시공간적 특징을 각각 단독으로 사용했을 때보다 이 둘을 함께 사용했을 때 SOTA(State-Of-The-Art) 성능을 달성할 수 있었다.

이를 위해서, 먼저 3차원 보행 데이터로부터 인체 측정학 특징과 시공간적 특징을 추출하고, 각 특징이 BMI 분류 정확도에 미치는 영향을 애블레이션 연구(Ablation Study)를 통해 확인했다

그림 1은 본 연구에서 제안하는 3차원 보행 데이터 기반 BMI 분류 방법의 개요를 도식화해 보여준다. 제안하는 방법에서는, 먼저 입력된 3차원 보행 데이터에 대해 인체 측정학 특징 및 시공간적 특징을 추출한다. 그다음 오버샘플링 기법을 적용해 BMI 클래스마다 샘플 수를 균등하게 만들어 클래스 불균형 문제를 해결한다.

제안하는 방법에서는, 먼저 입력된 3차원 보행 데이터에 대해 인체 측정학 특징 및 시공간적 특징을 추출한다

그리고 수식 (6), (8), (11), (12)로부터 구한, 4개의 원소로 구성된 시공간적 특징 벡터를 SF라 하자. 제안하는 방법에서는 AF와 SF를 결합하여(Concatenate) 만든 특징 벡터를 BMI 분류에 활용하며, 이렇게 만들어진 특징 벡터의 차원은 24다.

제안하는 방법에서는 AF와 SF를 결합하여(Concatenate) 만든 특징 벡터를 BMI 분류에 활용하며, 이렇게 만들어진 특징 벡터의 차원은 24다.

본 연구에서는 WHO에서 공시하고 있는 BMI에 따른 비만 단계 구분 기준을 따라, 피험자의 비만 단계를 3단계로 구분했다. 구체적으로는, BMI가 25 미만인 피험자는 ‘정상체중(Normal Weight),’ BMI가 25 이상인 피험자는 ‘과체중(Overweight),’ BMI가 30 이상인 피험자는 ‘비만(Obesity)’으로 구분했다.

본 연구에서는 WHO에서 공시하고 있는 BMI에 따른 비만 단계 구분 기준을 따라, 피험자의 비만 단계를 3단계로 구분했다

전처리(Preprocessing) 과정으로, 3차원 보행 데이터로 부터 추출한 인체 측정학 특징 AF와 시공간적 특징 SF에 대해서 표준화(Standardization)를 수행해, 각 특징을 정규화했다. 또한, 머신러닝 모델의 일반화(Generalization) 성능을 도출하기 위해서, 4-겹 교차 검증(4-Fold Cross Validation)을 수행했다.

전처리(Preprocessing) 과정으로, 3차원 보행 데이터로 부터 추출한 인체 측정학 특징 AF와 시공간적 특징 SF에 대해서 표준화(Standardization)를 수행해, 각 특징을 정규화했다

첫 번째 애블레이션 연구로, 여기서는 수식 (1), (3)으로 부터 구한, 20개의 원소로 구성된 인체 측정학 특징 벡터 AF만을 활용해 머신러닝 모델을 훈련하고, BMI를 분류할 수 있게 했다. 표 4는 AF만을 활용했을 때, 언더샘플링 & 오버샘플링 기법 종류와 머신러닝 모델 종류에 따른 성능 평가 결과를 보여준다.

첫 번째 애블레이션 연구로, 여기서는 수식 (1), (3)으로 부터 구한, 20개의 원소로 구성된 인체 측정학 특징 벡터 AF만을 활용해 머신러닝 모델을 훈련하고, BMI를 분류할 수 있게 했다

두 번째 애블레이션 연구에서는 수식 (6), (8), (11), (12)로부터 구한, 4개의 원소로 구성된 시공간적 특징 벡터 SF만을 활용해 머신러닝 모델을 훈련하고, BMI를 분류할 수 있게 했다. 표 5는 SF만을 활용했을 때, 언더샘플링 & 오버샘플링 기법 종류와 머신러닝 모델 종류에 따른 성능 평가 결과를 보여준다.

두 번째 애블레이션 연구에서는 수식 (6), (8), (11), (12)로부터 구한, 4개의 원소로 구성된 시공간적 특징 벡터 SF만을 활용해 머신러닝 모델을 훈련하고, BMI를 분류할 수 있게 했다

그리고 성별, 나이(유아, 성인 등)에 따라서도 BMI 기준 수치를 달리해 비만을 판정하고 있다. 본 연구에서 사용한 보행 데이터 세트에는 112명의 피험자로부터 수집된 BMI 정보와 보행 데이터가 있다. 112명의 피험자 중에서 남성과 여성은 각각 75명, 37명이다.

본 연구에서 사용한 보행 데이터 세트에는 112명의 피험자로부터 수집된 BMI 정보와 보행 데이터가 있다

본 연구에서 사용한 보행 데이터 세트에는 112명의 피험자로부터 수집된 BMI 정보와 보행 데이터가 있다. 112명의 피험자 중에서 남성과 여성은 각각 75명, 37명이다. 그리고 피험자의 나이는 17세부터 45세까지이며, 평균 나이는 21.

112명의 피험자 중에서 남성과 여성은 각각 75명, 37명이다

제안 방법에는 합성곱 신경망(Convolutional Neural Network, CNN)이 사용됐으며, CNN의 여섯 번째 완전 연결 계층의 출력이 BMI 예측을 위한 특징으로 활용됐다. 그리고 상기 특징을 활용해 SVR 모델을 훈련하고, 소셜 미디어에서 수집한 얼굴 데이터 세트를 사용하여 훈련된 모델을 평가했다. 평가 결과는 제안 기술을 활용하면 저품질 얼굴 이미지로부터 BMI를 예측할 수 있음을 보여주었다.

그리고 상기 특징을 활용해 SVR 모델을 훈련하고, 소셜 미디어에서 수집한 얼굴 데이터 세트를 사용하여 훈련된 모델을 평가했다

은 [19]에서 전신 이미지로부터 BMI를 예측하기 위해서, 어텐션 메커니즘(Attention Mechanism)과 CNN을 결합한 방법을 제안했다. 그리고 제안하는 방법을 평가하기 위해서, 레딧 웹사이트(Reddit Website)로부터 4,190장의 전신 이미지를 수집했다. 수집한 전신 이미지는 모두 정면에서 촬영한 이미지였으며 이를 이용한 실험 결과에 따르면, 어텐션 메커니즘과 CNN을 결합한 방식은 BMI 예측에 관해 3.

그리고 제안하는 방법을 평가하기 위해서, 레딧 웹사이트(Reddit Website)로부터 4,190장의 전신 이미지를 수집했다

제안하는 방법에서 입력으로 사용되는 3차원 보행 데이터는 시계열(Time Series) 데이터로, 프레임(Frame)마다 기록된 데이터는 3차원 인체 골격(Human Skeleton) 모델의 순간 자세(Pose)로 이해할 수 있다. 3차원 인체 골격 모델의 자세는 (x, y, z)좌표로 구성된 M개의 관절로 표현되며, M의 값은 모션 캡처 장비(Motion Capture Device)의 종류 및 버전(Version)에 따라 다를 수 있다.

제안하는 방법에서 입력으로 사용되는 3차원 보행 데이터는 시계열(Time Series) 데이터로, 프레임(Frame)마다 기록된 데이터는 3차원 인체 골격(Human Skeleton) 모델의 순간 자세(Pose)로 이해할 수 있다

본 연구에서 사용한 3차원 보행 데이터 세트는 [9]에서 Andersson et al.이 온라인(Online)상에 공개한 데이터 세트로, 상기 보행 데이터 수집에는 키넥트 버전 1이 사용됐다. 그리고 키넥트 버전 1이 제공하는 3차원 인체 골격 모델의 각 관절 정보는 그림 2에 제시돼 있다.

본 연구에서 사용한 3차원 보행 데이터 세트는 [9]에서 Andersson et al.이 온라인(Online)상에 공개한 데이터 세트로, 상기 보행 데이터 수집에는 키넥트 버전 1이 사용됐다

그 결과 그림 5에서 확인할 수 있듯이 ‘정상 체중’에 해당하는 3차원 보행 데이터는 398개, ‘과체중’에 해당하는 보행 데이터는 130개, ‘비만’에 해당하는 데이터는 35개였다

그 결과 그림 5에서 확인할 수 있듯이 ‘정상 체중’에 해당하는 3차원 보행 데이터는 398개, ‘과체중’에 해당하는 보행 데이터는 130개, ‘비만’에 해당하는 데이터는 35개였다

그리고 검증 과정에 머신러닝 모델의 하이퍼파라미터 튜닝(Hyperparameter Tuning) 과정을 적용해, 검증 과정 동안 최적의 하이퍼파라미터 조합을 찾을 수 있게 했다. 전체 데이터의 80%를 사용하여 4-겹 교차 검증을 수행했으며, 나머지 20%의 데이터는 4-겹 교차 검증 수행 후 하이퍼파라미터 최적화된 최종 머신러닝 모델을 평가하는 데 사용했다[36-52].

전체 데이터의 80%를 사용하여 4-겹 교차 검증을 수행했으며, 나머지 20%의 데이터는 4-겹 교차 검증 수행 후 하이퍼파라미터 최적화된 최종 머신러닝 모델을 평가하는 데 사용했다[36-52].

전처리(Preprocessing) 과정으로, 3차원 보행 데이터로 부터 추출한 인체 측정학 특징 AF와 시공간적 특징 SF에 대해서 표준화(Standardization)를 수행해, 각 특징을 정규화했다. 또한, 머신러닝 모델의 일반화(Generalization) 성능을 도출하기 위해서, 4-겹 교차 검증(4-Fold Cross Validation)을 수행했다. 그리고 검증 과정에 머신러닝 모델의 하이퍼파라미터 튜닝(Hyperparameter Tuning) 과정을 적용해, 검증 과정 동안 최적의 하이퍼파라미터 조합을 찾을 수 있게 했다.

또한, 머신러닝 모델의 일반화(Generalization) 성능을 도출하기 위해서, 4-겹 교차 검증(4-Fold Cross Validation)을 수행했다

이 적용한 언더샘플링 기법에 있는지 규명하고자 했다. 이를 위해서, [9]에서 사용된 언더샘플링 기법을 포함한 총 3가지의 언더샘플링 기법을 적용해 3차원 보행 데이터 기반 BMI 분류 기술을 평가했다. 실험 결과에 따르면, 언더샘플링 기법을 통해 보행 데이터 세트 내 클래스 불균형 문제는 해결됐지만, 다수 클래스에서 샘플이 제거됨에 따라 언더샘플링된 훈련 세트의 총 샘플 수는 큰 폭으로 감소했다.

이를 위해서, [9]에서 사용된 언더샘플링 기법을 포함한 총 3가지의 언더샘플링 기법을 적용해 3차원 보행 데이터 기반 BMI 분류 기술을 평가했다

오버샘플링 기법은 다수 클래스에서 일부 샘플을 제거하는 대신에 새로운 합성 샘플을 생성하여 소수 클래스의 샘플을 보강하는 방식으로 클래스 불균형 문제를 해결한다. 오버샘플링 방식에 따른 BMI 분류 성능 향상 정도를 살펴보기 위해 총 3가지 오버샘플링 방식을 적용 및 평가했다. 머신러닝 모델에 따라 성능 향상 정도는 차이가 있었으나, 오버샘플링 기법을 적용할 경우, 언더샘플링 기법을 적용했을 때보다 성능이 향상되는 것을 확인했다.

오버샘플링 방식에 따른 BMI 분류 성능 향상 정도를 살펴보기 위해 총 3가지 오버샘플링 방식을 적용 및 평가했다

그림 7은 표 5의 언더샘플링 및 오버샘플링 기법과 머신러닝 모델 사이의 조합 중에서 가장 높은 정확도를 달성했던 조합을 추려 막대그래프로 시각화한 결과를 보여준다. AF를 활용하는 애블레이션 연구 1의 결과와 비교했을 때, 전반적으로 낮은 정확도가 정확도를 보였으나, 애블레이션 연구 2에서도 언더샘플링 기법 대신 오버샘플링 기법을 사용하면 더 높은 BMI 분류 정확도를 달성할 수 있음을 확인할 수 있다.

AF를 활용하는 애블레이션 연구 1의 결과와 비교했을 때, 전반적으로 낮은 정확도가 정확도를 보였으나, 애블레이션 연구 2에서도 언더샘플링 기법 대신 오버샘플링 기법을 사용하면 더 높은 BMI 분류 정확도를 달성할 수 있음을 확인할 수 있다.

표 6은 AF와 SF를 함께 활용했을 때, 언더샘플링 & 오버샘플링 기법 종류와 머신러닝 모델 종류에 따른 성능 평가 결과를 보여준다. 표 6의 평가 결과에 따르면, 앞서 애블레이션 연구 1과 2에서의 결과와 유사하게 3가지 언더샘플링 기법이 적용됐을 때보다 3가지 오버샘플링 기법이 적용됐을 때, 6가지 머신러닝 모델 모두에서 BMI 분류 성능이 향상되는 것을 관찰할 수 있었다. 특히, AF만을 사용하거나 SF만을 사용하는 경우와 비교했을 때 AF와 SF을 함께 사용해서 머신러닝 모델을 훈련 및 평가했을 때, BMI 분류에서 SOTA 성능을 달성할 수 있었다.

표 6의 평가 결과에 따르면, 앞서 애블레이션 연구 1과 2에서의 결과와 유사하게 3가지 언더샘플링 기법이 적용됐을 때보다 3가지 오버샘플링 기법이 적용됐을 때, 6가지 머신러닝 모델 모두에서 BMI 분류 성능이 향상되는 것을 관찰할 수 있었다

표 6의 평가 결과에 따르면, 앞서 애블레이션 연구 1과 2에서의 결과와 유사하게 3가지 언더샘플링 기법이 적용됐을 때보다 3가지 오버샘플링 기법이 적용됐을 때, 6가지 머신러닝 모델 모두에서 BMI 분류 성능이 향상되는 것을 관찰할 수 있었다. 특히, AF만을 사용하거나 SF만을 사용하는 경우와 비교했을 때 AF와 SF을 함께 사용해서 머신러닝 모델을 훈련 및 평가했을 때, BMI 분류에서 SOTA 성능을 달성할 수 있었다. 해당 SOTA 성능은 표 6에서 O1이 적용됐을 때, k-NN 모델이 정확도 0.

특히, AF만을 사용하거나 SF만을 사용하는 경우와 비교했을 때 AF와 SF을 함께 사용해서 머신러닝 모델을 훈련 및 평가했을 때, BMI 분류에서 SOTA 성능을 달성할 수 있었다

9027을 달성했다. 이 결과를 토대로 3차원 보행 데이터 기반 BMI 분류 문제에서 AF와 SF를 함께 사용해 머신러닝 모델을 훈련하는 것이 각 특징을 단독으로 사용하는 것보다 훨씬 효과적이라는 것을 알 수 있다. 그림 8은 표 6의 언더샘플링 및 오버샘플링 기법과 머신러닝 모델 사이의 조합 중에서 가장 높은 정확도를 달성했던 조합을 추려 막대그래프로 시각화한 결과를 보여준다.

이 결과를 토대로 3차원 보행 데이터 기반 BMI 분류 문제에서 AF와 SF를 함께 사용해 머신러닝 모델을 훈련하는 것이 각 특징을 단독으로 사용하는 것보다 훨씬 효과적이라는 것을 알 수 있다

그림 8은 표 6의 언더샘플링 및 오버샘플링 기법과 머신러닝 모델 사이의 조합 중에서 가장 높은 정확도를 달성했던 조합을 추려 막대그래프로 시각화한 결과를 보여준다. AF를 활용하는 애블레이션 연구 1 그리고 SF를 활용하는 애블레이션 연구 2의 결과들과 비교했을 때, AF와 SF를 모두 활용하게 될 경우, 오버샘플링 기법들에서 BMI 분류 정확도가 90%를 넘는 것을 확인 수 있다.

AF를 활용하는 애블레이션 연구 1 그리고 SF를 활용하는 애블레이션 연구 2의 결과들과 비교했을 때, AF와 SF를 모두 활용하게 될 경우, 오버샘플링 기법들에서 BMI 분류 정확도가 90%를 넘는 것을 확인 수 있다.

그리고 그 원인은 보행 데이터 세트의 클래스 불균형 문제를 해결하기 위해 언더샘플링 기법을 사용한 것에 있었다. 이에 본 연구에서는 언더샘플링 기법 대신 오버샘플링 기법을 적용해 클래스 불균형 문제를 해결하는 것을 제안했으며, 실험 결과에 따르면 오버샘플링 기법을 적용하면 6가지 머신러닝 모델 모두에서 BMI 추정 성능이 개선되는 것을 확인했다. 또한, 보행 데이터 기반 BMI 추정 기술에서 인체 측정학 특징과 시공간적 특징의 유용성을 재입증했다.

이에 본 연구에서는 언더샘플링 기법 대신 오버샘플링 기법을 적용해 클래스 불균형 문제를 해결하는 것을 제안했으며, 실험 결과에 따르면 오버샘플링 기법을 적용하면 6가지 머신러닝 모델 모두에서 BMI 추정 성능이 개선되는 것을 확인했다

기존 연구에서는 언더샘플링 기법이 적용된 상태에서 인체 측정학 특징과 시공간적 특징의 유용성이 평가됐고, 두 특징을 함께 사용하면 단독으로 사용했을 때보다 BMI 추정 성능이 낮아진다고 보고됐다. 하지만 본 연구 결과에 따르면, 두 특징을 함께 사용하고 상기 오버샘플링 기법을 적용했을 때 BMI 추정 문제에서 92.92%의 정확도로 SOTA 성능을 달성하는 것을 보였다.

하지만 본 연구 결과에 따르면, 두 특징을 함께 사용하고 상기 오버샘플링 기법을 적용했을 때 BMI 추정 문제에서 92.92%의 정확도로 SOTA 성능을 달성하는 것을 보였다.

⦁ [9]에서 제시됐던 BMI 분류 정확도가 약 60%에 불과했던 원인을 규명했다. 본 연구의 조사 결과에 따르면 BMI 분류 정확도가 낮았던 원인은 랜덤 언더샘플링(Random Undersampling) 기법의 사용에서 비롯된 것으로 규명됐다.

본 연구의 조사 결과에 따르면 BMI 분류 정확도가 낮았던 원인은 랜덤 언더샘플링(Random Undersampling) 기법의 사용에서 비롯된 것으로 규명됐다.

⦁ 움직임 데이터 기반 BMI 추정 기술에서 인체 측정학(Anthropometric) 특징과 시공간적(Spatiotemporal) 특징의 유용성을 입증한다. 실험 결과에 따르면, 두 특징을 함께 모델의 입력 특징으로 사용했을 때 92.92%의 BMI 분류 정확도로 가장 우수한 성능을 달성했다.

실험 결과에 따르면, 두 특징을 함께 모델의 입력 특징으로 사용했을 때 92.92%의 BMI 분류 정확도로 가장 우수한 성능을 달성했다.

은 [11]에서 911명의 피험자의 얼굴 이미지를 사용해 [10]에서 제안된 세 가지 얼굴 특징과 BMI 사이의 관계를 평가했다. 평가 결과에 따르면, 세 가지 얼굴 특징뿐만 아니라 눈 크기와 평균 눈썹 높이도 BMI와 관련이 있는 것으로 밝혀졌다. Wen과 Guo는 [12]에서 얼굴 이미지로부터 사람의 BMI를 예측하는 방법을 제안했다.

평가 결과에 따르면, 세 가지 얼굴 특징뿐만 아니라 눈 크기와 평균 눈썹 높이도 BMI와 관련이 있는 것으로 밝혀졌다

그리고 상기 특징을 활용해 SVR 모델을 훈련하고, 소셜 미디어에서 수집한 얼굴 데이터 세트를 사용하여 훈련된 모델을 평가했다. 평가 결과는 제안 기술을 활용하면 저품질 얼굴 이미지로부터 BMI를 예측할 수 있음을 보여주었다.

평가 결과는 제안 기술을 활용하면 저품질 얼굴 이미지로부터 BMI를 예측할 수 있음을 보여주었다.

그다음 추출한 특징을 사용해 머신러닝 모델을 훈련하고, BMI를 분류할 수 있게 한다. 실험에서 평가된 머신러닝 모델은 로지스틱 회귀(Logistic Regression), 베이지안 분류기(Bayesian Classifier), 인공신경망(Artificial Neural Network), 서포트 벡터 머신(Support Vector Machine, SVM)이었으며, 실험 결과에 따르면 4가지 모델 중에서 SVM이 약 72%의 정확도로 가장 우수한 성능을 보였다.

실험에서 평가된 머신러닝 모델은 로지스틱 회귀(Logistic Regression), 베이지안 분류기(Bayesian Classifier), 인공신경망(Artificial Neural Network), 서포트 벡터 머신(Support Vector Machine, SVM)이었으며, 실험 결과에 따르면 4가지 모델 중에서 SVM이 약 72%의 정확도로 가장 우수한 성능을 보였다.

그다음 촬영을 통해 얻은 3개의 이미지를 활용해, CNN이 BMI를 예측할 수 있도록 훈련한다. 실험 결과에 따르면, 제안된 방법은 BMI 예측에 관해 약 3.12의 평균 절대 오차(Mean Absolute Value, MAE)를 달성했다.

실험 결과에 따르면, 제안된 방법은 BMI 예측에 관해 약 3.12의 평균 절대 오차(Mean Absolute Value, MAE)를 달성했다.

그리고 제안하는 방법을 평가하기 위해서, 레딧 웹사이트(Reddit Website)로부터 4,190장의 전신 이미지를 수집했다. 수집한 전신 이미지는 모두 정면에서 촬영한 이미지였으며 이를 이용한 실험 결과에 따르면, 어텐션 메커니즘과 CNN을 결합한 방식은 BMI 예측에 관해 3.85의 MAE를 달성했다.

수집한 전신 이미지는 모두 정면에서 촬영한 이미지였으며 이를 이용한 실험 결과에 따르면, 어텐션 메커니즘과 CNN을 결합한 방식은 BMI 예측에 관해 3.85의 MAE를 달성했다.

그리고 언더샘플링된 특징을 사용해 머신러닝 모델을 훈련하고, BMI를 세 가지 범주 중 하나로 분류할 수 있게 했다. 실험에서는 SVM, k-Nearest Neighbors(k-NN), 다층 퍼셉트론(Multilayer Perceptron, MLP)의 세 가지 머신러닝 모델의 BMI 분류 정확도가 평가됐다. 실험 결과에 따르면, SVM, k-NN, MLP의 BMI 분류 정확도는 각각 53.

실험에서는 SVM, k-Nearest Neighbors(k-NN), 다층 퍼셉트론(Multilayer Perceptron, MLP)의 세 가지 머신러닝 모델의 BMI 분류 정확도가 평가됐다

실험에서는 SVM, k-Nearest Neighbors(k-NN), 다층 퍼셉트론(Multilayer Perceptron, MLP)의 세 가지 머신러닝 모델의 BMI 분류 정확도가 평가됐다. 실험 결과에 따르면, SVM, k-NN, MLP의 BMI 분류 정확도는 각각 53.3%, 51.6%, 60%였다. 세 가지 모델 모두 정확도가 낮았기 때문에 Andersson et al.

실험 결과에 따르면, SVM, k-NN, MLP의 BMI 분류 정확도는 각각 53.3%, 51.6%, 60%였다

이를 위해서, [9]에서 사용된 언더샘플링 기법을 포함한 총 3가지의 언더샘플링 기법을 적용해 3차원 보행 데이터 기반 BMI 분류 기술을 평가했다. 실험 결과에 따르면, 언더샘플링 기법을 통해 보행 데이터 세트 내 클래스 불균형 문제는 해결됐지만, 다수 클래스에서 샘플이 제거됨에 따라 언더샘플링된 훈련 세트의 총 샘플 수는 큰 폭으로 감소했다. 그리고 모든 언더샘플링 기법에 대해 [9]에서 제시된 실험 결과와 유사한, 낮은 BMI 분류 성능을 재현해 확인했다.

실험 결과에 따르면, 언더샘플링 기법을 통해 보행 데이터 세트 내 클래스 불균형 문제는 해결됐지만, 다수 클래스에서 샘플이 제거됨에 따라 언더샘플링된 훈련 세트의 총 샘플 수는 큰 폭으로 감소했다

다음으로 BMI 분류 성능을 향상시킬 수 있는 방법을 연구했다. 연구 결과에 따르면, 오버샘플링 기법을 적용해 데이터 세트 내 클래스 불균형 문제를 해결하는 것이, BMI 분류 성능 향상에 도움이 되는 것을 보였다. 오버샘플링 기법은 다수 클래스에서 일부 샘플을 제거하는 대신에 새로운 합성 샘플을 생성하여 소수 클래스의 샘플을 보강하는 방식으로 클래스 불균형 문제를 해결한다.

연구 결과에 따르면, 오버샘플링 기법을 적용해 데이터 세트 내 클래스 불균형 문제를 해결하는 것이, BMI 분류 성능 향상에 도움이 되는 것을 보였다

오버샘플링 방식에 따른 BMI 분류 성능 향상 정도를 살펴보기 위해 총 3가지 오버샘플링 방식을 적용 및 평가했다. 머신러닝 모델에 따라 성능 향상 정도는 차이가 있었으나, 오버샘플링 기법을 적용할 경우, 언더샘플링 기법을 적용했을 때보다 성능이 향상되는 것을 확인했다.

머신러닝 모델에 따라 성능 향상 정도는 차이가 있었으나, 오버샘플링 기법을 적용할 경우, 언더샘플링 기법을 적용했을 때보다 성능이 향상되는 것을 확인했다.

마지막으로, 3차원 보행 데이터 기반 BMI 추정 기술에서 인체 측정학 특징과 시공간적 특징의 유용성을 재입증했다. 이를 위해서, 먼저 3차원 보행 데이터로부터 인체 측정학 특징과 시공간적 특징을 추출하고, 각 특징이 BMI 분류 정확도에 미치는 영향을 애블레이션 연구(Ablation Study)를 통해 확인했다.

마지막으로, 3차원 보행 데이터 기반 BMI 추정 기술에서 인체 측정학 특징과 시공간적 특징의 유용성을 재입증했다

이를 위해서, 먼저 3차원 보행 데이터로부터 인체 측정학 특징과 시공간적 특징을 추출하고, 각 특징이 BMI 분류 정확도에 미치는 영향을 애블레이션 연구(Ablation Study)를 통해 확인했다. 실험 결과에 따르면, 모델 훈련 과정에서, 인체 측정학 특징과 시공간적 특징을 각각 단독으로 사용했을 때보다 이 둘을 함께 사용했을 때 SOTA(State-Of-The-Art) 성능을 달성할 수 있었다.

실험 결과에 따르면, 모델 훈련 과정에서, 인체 측정학 특징과 시공간적 특징을 각각 단독으로 사용했을 때보다 이 둘을 함께 사용했을 때 SOTA(State-Of-The-Art) 성능을 달성할 수 있었다.

클래스 불균형 문제가 있는 상태에서 앞서 구한 특징 벡터와 BMI 레이블 데이터로 머신러닝 모델을 훈련하면, 소수 클래스에 대한 성능이 저하되는 문제가 발생한다. 따라서 제안하는 방법에서는 모델 훈련 전에 오버샘플링 기법을 적용해 BMI 클래스마다 샘플 수를 균등하게 만들어 클래스 불균형 문제를 해결한다. 그리고 클래스마다 샘플 수가 균형을 이룬 상태에서 머신러닝 모델을 훈련해, BMI를 분류할 수 있게 한다.

따라서 제안하는 방법에서는 모델 훈련 전에 오버샘플링 기법을 적용해 BMI 클래스마다 샘플 수를 균등하게 만들어 클래스 불균형 문제를 해결한다

표 4는 AF만을 활용했을 때, 언더샘플링 & 오버샘플링 기법 종류와 머신러닝 모델 종류에 따른 성능 평가 결과를 보여준다. 표 4의 평가 결과에 따르면, 3가지 언더샘플링 기법이 적용됐을 때보다 3가지 오버샘플링 기법이 적용됐을 때, 6가지 머신러닝 모델 모두에서 BMI 분류 성능이 향상되는 것을 관찰할 수 있었다. [9]에서 Andersson et al.

표 4의 평가 결과에 따르면, 3가지 언더샘플링 기법이 적용됐을 때보다 3가지 오버샘플링 기법이 적용됐을 때, 6가지 머신러닝 모델 모두에서 BMI 분류 성능이 향상되는 것을 관찰할 수 있었다

5221였다. 3가지 언더샘플링 기법 중에서는 U1이 적용됐을 때, k-NN 모델이 정확도 0.7257로 가장 우수한 성능을 보였다. 3가지 오버샘플링 기법 중에서는 O3가 적용됐을 때, RF와 ET 모델이 정확도 0.

3가지 언더샘플링 기법 중에서는 U1이 적용됐을 때, k-NN 모델이 정확도 0.7257로 가장 우수한 성능을 보였다

7257로 가장 우수한 성능을 보였다. 3가지 오버샘플링 기법 중에서는 O3가 적용됐을 때, RF와 ET 모델이 정확도 0.8938로 가장 우수한 성능을 보였다. 그림 6은 표 4의 언더샘플링 및 오버샘플링 기법과 머신러닝 모델 사이의 조합 중에서 가장 높은 정확도를 달성했던 조합을 추려 막대그래프로 시각화한 결과를 보여준다.

3가지 오버샘플링 기법 중에서는 O3가 적용됐을 때, RF와 ET 모델이 정확도 0.8938로 가장 우수한 성능을 보였다

그림 6은 표 4의 언더샘플링 및 오버샘플링 기법과 머신러닝 모델 사이의 조합 중에서 가장 높은 정확도를 달성했던 조합을 추려 막대그래프로 시각화한 결과를 보여준다. 그래프를 통해서 언더샘플링 기법 대신 오버 샘플링 기법을 사용하면 더 높은 BMI 분류 정확도를 달성할 수 있음을 확인할 수 있다.

그래프를 통해서 언더샘플링 기법 대신 오버 샘플링 기법을 사용하면 더 높은 BMI 분류 정확도를 달성할 수 있음을 확인할 수 있다.

표 5는 SF만을 활용했을 때, 언더샘플링 & 오버샘플링 기법 종류와 머신러닝 모델 종류에 따른 성능 평가 결과를 보여준다. 표 5의 평가 결과에 따르면, 애블레이션 연구 1에서의 결과와 유사하게 3가지 언더샘플링 기법이 적용됐을 때보다 3가지 오버샘플링 기법이 적용됐을 때, 6가지 머신러닝 모델 모두에서 BMI 분류 성능이 향상되는 것을 관찰할 수 있었다. 하지만, AF을 사용했을 때와 비교하여 SF만으로 머신러닝 모델을 훈련 및 평가했을 때는 오버샘플링 기법이 적용되더라도 머신러닝 모델의 BMI 성능이 전반적으로 크게 좋지는 않았다.

표 5의 평가 결과에 따르면, 애블레이션 연구 1에서의 결과와 유사하게 3가지 언더샘플링 기법이 적용됐을 때보다 3가지 오버샘플링 기법이 적용됐을 때, 6가지 머신러닝 모델 모두에서 BMI 분류 성능이 향상되는 것을 관찰할 수 있었다

하지만, AF을 사용했을 때와 비교하여 SF만으로 머신러닝 모델을 훈련 및 평가했을 때는 오버샘플링 기법이 적용되더라도 머신러닝 모델의 BMI 성능이 전반적으로 크게 좋지는 않았다. 3가지 언더샘플링 기법 중에서는 U1이 적용됐을 때 GB 모델 그리고 U3가 적용됐을 때 RF 모델이 모두 정확도 0.3982로 가장 우수한 성능을 보였다. 3가지 오버샘플링 기법 중에서는 O1이 적용됐을 때, HGB 모델이 정확도 0.

3가지 언더샘플링 기법 중에서는 U1이 적용됐을 때 GB 모델 그리고 U3가 적용됐을 때 RF 모델이 모두 정확도 0.3982로 가장 우수한 성능을 보였다

안타깝게도, 인종에 관한 정보는 기록돼 있지 않다. 따라서 본 연구의 결과는 다양한 인종과 나이대를 포함하지 못한 데이터 세트를 이용해 도출됐다는 한계점을 갖고 있다. 그리고 이러한 한계점으로 인해 본 연구에서 제안하는 기술을 활용해 특정 인종 및 나이대의 BMI를 추정하는 데에는 제한이 있다.

따라서 본 연구의 결과는 다양한 인종과 나이대를 포함하지 못한 데이터 세트를 이용해 도출됐다는 한계점을 갖고 있다

따라서 본 연구의 결과는 다양한 인종과 나이대를 포함하지 못한 데이터 세트를 이용해 도출됐다는 한계점을 갖고 있다. 그리고 이러한 한계점으로 인해 본 연구에서 제안하는 기술을 활용해 특정 인종 및 나이대의 BMI를 추정하는 데에는 제한이 있다. 따라서 향후 연구에서는 다양한 인종과 나이대에 대해서 남녀 BMI 정보와 보행 데이터 세트를 구축하고, 이를 토대로 제안 방법을 확장해 연구를 이어나가고자 한다.

그리고 이러한 한계점으로 인해 본 연구에서 제안하는 기술을 활용해 특정 인종 및 나이대의 BMI를 추정하는 데에는 제한이 있다

그리고 이러한 한계점으로 인해 본 연구에서 제안하는 기술을 활용해 특정 인종 및 나이대의 BMI를 추정하는 데에는 제한이 있다. 따라서 향후 연구에서는 다양한 인종과 나이대에 대해서 남녀 BMI 정보와 보행 데이터 세트를 구축하고, 이를 토대로 제안 방법을 확장해 연구를 이어나가고자 한다.

따라서 향후 연구에서는 다양한 인종과 나이대에 대해서 남녀 BMI 정보와 보행 데이터 세트를 구축하고, 이를 토대로 제안 방법을 확장해 연구를 이어나가고자 한다.