$\require{mediawiki-texvc}$
  • 검색어에 아래의 연산자를 사용하시면 더 정확한 검색결과를 얻을 수 있습니다.
  • 검색연산자
검색연산자 기능 검색시 예
() 우선순위가 가장 높은 연산자 예1) (나노 (기계 | machine))
공백 두 개의 검색어(식)을 모두 포함하고 있는 문서 검색 예1) (나노 기계)
예2) 나노 장영실
| 두 개의 검색어(식) 중 하나 이상 포함하고 있는 문서 검색 예1) (줄기세포 | 면역)
예2) 줄기세포 | 장영실
! NOT 이후에 있는 검색어가 포함된 문서는 제외 예1) (황금 !백금)
예2) !image
* 검색어의 *란에 0개 이상의 임의의 문자가 포함된 문서 검색 예) semi*
"" 따옴표 내의 구문과 완전히 일치하는 문서만 검색 예) "Transform and Quantization"
쳇봇 이모티콘
안녕하세요!
ScienceON 챗봇입니다.
궁금한 것은 저에게 물어봐주세요.

논문 상세정보

연산지능을 이용한 부진아 영역진단 지원 시스템

Underachievers Realm Decision Support System using Computational Intelligence

초록

본 연구에서는 중학교 국어 교과과정에 있어서 부진아 학생을 위한 부진 영역을 진단을 지원할 수 있는 시스템을 제안하였다. 제안된 시스템을 학교 수업 현장에 적용함으로써 학습부진 학생들의 수준에 맞는 보충${\cdot}$심화학습이 이루어져 학습결손과 학습부진을 최소화하여 교수${\cdot}$학습의 목표를 알성하고 학업성취도를 향상시킬 수 있도록 하였다. 이 시스템에서의 입력은 36가지 변수가 제안된 코딩 기법을 이용하여 시스템을 위하여 학습데이터와 테스트데이터가 인코딩된다. 이 인코딩된 변수의 값들은 시스템의 입력 층의 값이 된다. 은닉 총의 뉴런 수는 학습 데이터를 이용하여 학습한 후 가장 좋은 성능을 보여주는 결과를 이용하여 결정하였다. 출력 층의 뉴런 수는 각 영역에 하나의 뉴런을 할당하여 4개의 뉴런을 사용하였다. 본 시스템을 개발하기 위해 다층 퍼셉트론 구조와 오류 역전파 알고리즘을 사용하였다. 영역진단 지원 시스템을 위해 학습 데이터로써 2,008개를 사용하였고, 테스트를 위하여 380개의 데이터를 사용하여 실험한 후 성능을 평가하였다.

Abstract

In this paper, we proposed the system that supports underachievers realm decision of Korean language curriculum in the middle school. Learning disability and stagnation should be minimized by using and applying the proposed system. The input layer of the system contains 36 variables, which can be specific items in the Koran language curriculum. The variables are encoded with the specific coding schemes. The number of nodes in the hidden layer was determined through a series of learning stage with best result. We assigned 4 neurons, which correspond to one realm of the curriculum to output layer respectively. We used the multilayer perceptron and the error backpropagation algorithm to develope the system. A total of 2,008 data for training and 380 for testing were used for evaluating the performance.

저자의 다른 논문

참고문헌 (14)

  1. 박준회 외, 중학교 학습지진학생지도를 위한 실험적 연구. 서울. 이화 여자대학교 인간발달연구소. 1973 
  2. 경상북도교육연구원. 국민학교 학습부진아 지도자료. 장학자료, 1985 
  3. N. Baba, A New Approach for Finding the Global Minimum of Error Function for Neural Networks, Neural Networks, 2, pp. 367-373, 1989 
  4. P. E. Gill, W. Murray and M. H. Wright, Practical Optimization. London: Academic Press, 1981 
  5. J. S. Jang, c. T. Sun and E. Mizutani, Neurofuzzy and Soft Computing, USA, Prentice Hall, 1997 
  6. 신세호, 학습부진학생의 일반적 특성, 서울, 한국교육개발원.1979 
  7. S. Shigetoshi, F. Toshio, and S. Takanori, A Neural Network Architecture for Incremental Learning, Neorocomputing, 9, pp.111-130, 1995 
  8. T. Kavzoflu, An Investigation of the design and use of feedforward artificial neural networks in the classification of remotely sensed images, School of Geography, University of Nottingham, 2001 
  9. 강원도 교육연구원, 학습부진아에 대한 연구. 서울. 한국요육개발원. 1972 
  10. 이봉익, 학습부진의 원인,진단및 처방적 접근방법. 청주교육대학교 초등교육연구 , 1994 
  11. M. Minsky and S. Papert, Perceptrons, MIT Press, Cambridge, MA, 1969 
  12. 교육인적자원부. 중학교 수준별 보육과정-준비에서 평가까지. 2002 
  13. R. O. Duda, P. E. Hart, and D. G. Strok, Pattern Classification, New York, Wiley, 2001 
  14. F. Rosenblatt, Principles of neurodynamics: perceptron and the theory of brain mechanisms. Spartan, New York, 1962 

이 논문을 인용한 문헌 (0)

  1. 이 논문을 인용한 문헌 없음

원문보기

원문 PDF 다운로드

  • ScienceON :

원문 URL 링크

원문 PDF 파일 및 링크정보가 존재하지 않을 경우 KISTI DDS 시스템에서 제공하는 원문복사서비스를 사용할 수 있습니다. (원문복사서비스 안내 바로 가기)

상세조회 0건 원문조회 0건

이 논문과 연관된 기능

DOI 인용 스타일