교과서에 쓰인 과학 용어 네트워크를 구축하여, 네트워크의 구조, 관련 정보 및 연관 관계를 분석하기 위하여 핵심용어를 도출하였다. 본 연구에서는 과학, 생물1 및 생물2 교과서 각 과목별로 출판사 세 곳을 선정하고 각각의 교과서에서 추출한 용어들을 노드로, 한 문장 안에 있는 과학 용어를 링크로 연결하여 네트워크를 구축하였다. 모든 교과서의 과학 용어 네트워크는 척도 없는(scale-free) 네트워크의 특성을 보여주었다. 복잡한 (complex) 네트워크에서 가중치가 낮은 것부터 제거하는 방법인 k-core 알고리즘을 적용하여 핵심 (core) 네트워크를 구축하였는데, 몇 개의 모듈이 연결되는 형태를 보여주었다. 과학교과서의 경우에는 물리, 화학, 생물, 지구과학 분야별로 크게 네 개의 모듈을 형성하였고, 생물1과 생물2 교과서는 각단원별로 용어들이 모여 있는 특성을 지닌 네트워크를 나타냈다. 본 연구에서 복잡한 네트워크에서 핵심네트워크를 구축하여 유용한 정보를 도출할 수 있는 가능성을 제시하였다.
교과서에 쓰인 과학 용어 네트워크를 구축하여, 네트워크의 구조, 관련 정보 및 연관 관계를 분석하기 위하여 핵심용어를 도출하였다. 본 연구에서는 과학, 생물1 및 생물2 교과서 각 과목별로 출판사 세 곳을 선정하고 각각의 교과서에서 추출한 용어들을 노드로, 한 문장 안에 있는 과학 용어를 링크로 연결하여 네트워크를 구축하였다. 모든 교과서의 과학 용어 네트워크는 척도 없는(scale-free) 네트워크의 특성을 보여주었다. 복잡한 (complex) 네트워크에서 가중치가 낮은 것부터 제거하는 방법인 k-core 알고리즘을 적용하여 핵심 (core) 네트워크를 구축하였는데, 몇 개의 모듈이 연결되는 형태를 보여주었다. 과학교과서의 경우에는 물리, 화학, 생물, 지구과학 분야별로 크게 네 개의 모듈을 형성하였고, 생물1과 생물2 교과서는 각단원별로 용어들이 모여 있는 특성을 지닌 네트워크를 나타냈다. 본 연구에서 복잡한 네트워크에서 핵심네트워크를 구축하여 유용한 정보를 도출할 수 있는 가능성을 제시하였다.
We extracted core terms by constructing scientific item networks from textbooks, analyzing their structures, and investigating the connected information and their relationships. For this research, we chose three high-school textbooks from different publishers for each three subjects, i.e, Science, B...
We extracted core terms by constructing scientific item networks from textbooks, analyzing their structures, and investigating the connected information and their relationships. For this research, we chose three high-school textbooks from different publishers for each three subjects, i.e, Science, Biology I and Biology II, to construct networks by linking scientific items in each sentence, where used items were regarded as nodes. Scientific item networks from all textbooks showed scare-free character. When core networks were established by applying k-core algorithm which is one of generally used methods for removing lesser weighted nodes and links from complex network, they showed the modular structure. Science textbooks formed four main modules of physics, chemistry, biology and earth science, while Biology I and Biology II textbooks revealed core networks composed of more detailed specific items in each field. These findings demonstrate the structural characteristics of networks in textbooks, and suggest core scientific items helpful for students' understanding of concept in Science and Biology.
We extracted core terms by constructing scientific item networks from textbooks, analyzing their structures, and investigating the connected information and their relationships. For this research, we chose three high-school textbooks from different publishers for each three subjects, i.e, Science, Biology I and Biology II, to construct networks by linking scientific items in each sentence, where used items were regarded as nodes. Scientific item networks from all textbooks showed scare-free character. When core networks were established by applying k-core algorithm which is one of generally used methods for removing lesser weighted nodes and links from complex network, they showed the modular structure. Science textbooks formed four main modules of physics, chemistry, biology and earth science, while Biology I and Biology II textbooks revealed core networks composed of more detailed specific items in each field. These findings demonstrate the structural characteristics of networks in textbooks, and suggest core scientific items helpful for students' understanding of concept in Science and Biology.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
왜냐하면 k-core 알고리즘을 사용하여 가중치가 낮은 것을 제거하는 방법 내에는 링크수뿐만 아니라 다른 용어와의 상관관계를 중시하는 뭉침계수, 모듈을 형성하는 인자, 그리고 모듈과 모듈을 연결하는 인자까지 포함하기 때문이다. 따라서 본 연구에서는 구조 네트워크로부터 정보를 얻을 수 있는 정보 네트워크를 형상화하여 유용한 정보를 얻고자 하였다. 이러한 시도는 앞으로 복잡한 네트워크에 숨겨진 정보를 얻을 수 있는 가능성을 제시하고 있다
본 연구에서는 복잡한 네트워크 중에서 비교적 가중치가 낮은 연결고리를 단계별로 제거시킴으로서 단순하지만 중요한 핵심(core) 네트워크를 구축하고자 하였다. 이를 위해서 Ignacio[14]등이 개발한 k-core 알고리즘을 바탕으로 구축한 파이엑(Pajek) 프로그램을 이용하여 k값이 1부터 차례로 적용하여 각 교과서의 핵심 네트워크를 구축하였다[그림 3-5].
앞에서 살펴본 바와 같이 각 과목 3종의 교과서의 네트워크 특성이 비교적 비슷하고 앞으로 진행될 연구 결과도 비슷하기 때문에, 우리는 과학은 디딤돌 교과서, 생물1은 중앙교과서, 생물2는 대한교과서를 중심으로 알아보고자 한다. 특별한 언급이 없다면 다른 모든 교과서도 같은 특성을 보여준다는 것을 의미하며 연구 진행 중 상이한 부분이 있으면 그 시점에 언급할 것이다.
가설 설정
복잡계 네트워크의 구조적 특성을 통해서 얻을 수 있는 정보는 한계가 있다. 복잡한 네트워크를 가중치가 낮은 링크를 점진적으로 제거하여 중요한 핵심 네트워크를 만든다면, 복잡계 네트워크에서는 발견되지 않는 유용한 정보를 얻을 수 있을 것으로 가정하고 이를 위해 k-core 알고리즘을 도입하였다[14].
제안 방법
K-core 알고리즘을 사용하여 복잡한 네트워크를 핵심 네트워크로 전환하여 핵심 과학 용어 네트워크를 구축하였다. 구축한 과학, 생물1, 및 생물2로부터 핵심 과학 용어를 추출하였는데, 이는 연결수가 많은 것부터 연결수가 낮은 것까지 일렬로 나열하여 일정한 링크수 이상을 가지는 용어를 추출하는 것과는 다르다.
따라서 과학, 생물1, 생물2 교과서 모두 파이엑 프로그램을 사용하여 k-core 값을 증가시켜가면서 네트워크의 크기를 줄여나갔다. 가중치가 낮은 용어가 제거되고 남은 가중치가 높은 핵심용어 분포를 구분하기 위해 싸이토스케이프(Cytoscape) 프로그램 (http://www.cytoscape.org/)을 사용하여 시각화 하였다.
고등학교 과학, 생물1, 및 생물2 교과서에 서술된 과학용어 네트워크를 구축하여 구조적 특성을 분석하였다. 과학교과서 용어의 빈도수 분포를 살펴보면, 물, 몸, 빛, 및 에너지와 같이 반복적으로 많이 사용되는 용어가 소수 있으며 사용되는 횟수가 극소수인 용어가 많이 있는 전형적인 척도 없는 네트워크 특성을 보여주었다[그림 2].
교과서 네트워크도 사회네트워크[15]나 소설에 등장하는 인물 네트워크[12]와 마찬가지로 척도 없는 네트워크의 특성을 보여주는지를 확인하기 위하여 연결수 누적 분포 함수를 측정하였다[그림 2]. 그림에서 x축은 연결수를 보여주며 y축은 인물 누적 분포수를 의미한다.
현재 학생들이 공부하는데 가장 쉽게 접하는 자료는 학교에서 사용하는 교과서이다. 교과서들을 출판사별로 또는 다른 나라의 교과서나 교육과정의 각 차수에 따라서 내용을 비교. 분석을 하는데 각 단원이 교과서 내에서 차지하고 있는 분량을 페이지수를 사용하여 비교하는 방법이나 단원들이 추가되거나 삭제되는 것을 비교하는 방법을 이용하여 좀 더 나은 교과서를 만들고자 하는 노력을 하고 있다[1].
본 논문에서는 과학, 생물1, 생물2 교과서에 쓰인 과학 용어들을 추출하여, 이 용어를 노드로 하고 한 문장 내에 함께 사용된 과학 용어를 연결하는 링크로 하여 과학용어 네트워크를 구축하였다. 구축한 네트워크를 통해서 구조를 분석하여 과학교과서의 서술방법을 알아 볼 수 있으며, 전체적으로 다양하게 과학을 접할 수 있도록 개념을 형성해주는데 쓰이는 용어들의 적절성도 알아보았다. 또한 중요하다고 생각되는 핵심(core)과학 용어를 도출하였는데, 이 용어들은 앞으로 교과서를 서술하는데 있어서 참고할 수 있는 중요한 정보로 활용할 수 있을 것이다.
네트워크로 만들기 위해서 한 문장 내에서 함께 나온 과학 용어는 서로 연관이 있다고 간주하고 각각의 용어를 서로 연결 (상호작용)해 주었다. 네트워크에서 하나의 용어가 다른 하나의 용어와 상호작용을 하게 되면 그 링크가 하나의 선을 이루도록 하였고, 하나의 용어가 어떤 다른 용어와도 상호작용하지 않으면 이 링크에 대해서는 연결선이 그려지지 않게 하는 방법으로 네트워크를 구축하였다.
K-core 알고리즘은 가중치가 낮은 링크를 제거하기 때문에 남아있는 네트워크의 핵심용어는 가중치가 매우 높은 중심 과학용어로 볼 수 있다. 따라서 교과서 핵심 네트워크에서 핵심 과학용어 네트워크의 노드에 실제 과학용어를 부여하여 교과서 핵심 과학용어 네트워크로 전환한 후 핵심 과학용어를 추출하였다. 과학 금성교과서 핵심용어 178개, 과학 디딤돌교과서 핵심용어 147개, 과학 중앙 교과서 핵심용어 180개를 추출하였으며, 생물1 금성교과서 핵심용어 142개, 생물1 대한 교과서 핵심용어 180개, 생물1 중앙교과서 핵심용어 157개를, 생물2 금성교과서 핵심용어 156개, 생물2 대한교과서 핵심용어 151개, 생물2 중앙교과서 핵심용어 146개를 각각 추출하였다[부록].
본 논문에서는 과학, 생물1, 생물2 교과서에 쓰인 과학 용어들을 추출하여, 이 용어를 노드로 하고 한 문장 내에 함께 사용된 과학 용어를 연결하는 링크로 하여 과학용어 네트워크를 구축하였다. 구축한 네트워크를 통해서 구조를 분석하여 과학교과서의 서술방법을 알아 볼 수 있으며, 전체적으로 다양하게 과학을 접할 수 있도록 개념을 형성해주는데 쓰이는 용어들의 적절성도 알아보았다.
따라서 전체 네트워크에서 상호작용 하는 모든 용어들 중 가장 큰 네트워크를 형성하지 않고 부분적으로 몇 개 연결되어 있는 일부 용어들은 제거하였다. 이들을 제거하고 만든 네트워크를 largest 네트워크라고 명명하였고, 본 논문에서는 largest 네트워크에서 사용된 용어들을 분석을 하였다[표 1].
대상 데이터
본 연구에서는 분석에 쓰일 용어를 추출하는데 고등학교 과정에서 배우는 과학, 생물1, 생물2 교과서를 대상으로 하였다. 각 과목별로 7차 교육과정에 의거해 출판된 교과서 8종 중 임의로 3종을 정하여 사용하였다. 과학은 금성, 디딤돌, 중앙 출판사 교과서를, 생물1 및 2는 금성, 대한, 중앙 출판사 교과서를 각각 사용하였다.
각 과목별로 7차 교육과정에 의거해 출판된 교과서 8종 중 임의로 3종을 정하여 사용하였다. 과학은 금성, 디딤돌, 중앙 출판사 교과서를, 생물1 및 2는 금성, 대한, 중앙 출판사 교과서를 각각 사용하였다.
네트워크의 구축은 복잡계 네트워크 분석 프로그램 파이엑(Pajek)(http://vlado.fmf.uni-lj.si/pub/networks/pajek/)을 사용하였다. 네트워크로 만들기 위해서 한 문장 내에서 함께 나온 과학 용어는 서로 연관이 있다고 간주하고 각각의 용어를 서로 연결 (상호작용)해 주었다.
본 연구에서는 분석에 쓰일 용어를 추출하는데 고등학교 과정에서 배우는 과학, 생물1, 생물2 교과서를 대상으로 하였다. 각 과목별로 7차 교육과정에 의거해 출판된 교과서 8종 중 임의로 3종을 정하여 사용하였다.
이론/모형
그래프 이론에서 복잡한 그래프를 단순화 시키는 방법인 k-core 알고리즘[14]을 바탕으로 만든 파이엑(Pajek)프로그램을 사용하여 복잡한 네트워크를 분석하였다. K-core 알고리즘은 네트워크의 노드들이 k 이상의 링크수를 가지는 노드들로 구성된 네트워크로, 이 네트워크가 형성될 때까지 링크수가 k 이하인 노드를 제거하는 과정을 반복하게 된다.
본 연구에서는 복잡한 네트워크 중에서 비교적 가중치가 낮은 연결고리를 단계별로 제거시킴으로서 단순하지만 중요한 핵심(core) 네트워크를 구축하고자 하였다. 이를 위해서 Ignacio[14]등이 개발한 k-core 알고리즘을 바탕으로 구축한 파이엑(Pajek) 프로그램을 이용하여 k값이 1부터 차례로 적용하여 각 교과서의 핵심 네트워크를 구축하였다[그림 3-5]. 과학, 생물1, 및 생물2 교과서 모두 k-core값이 증가함에 과학용어들이 서로 더욱 뭉쳐서 모듈(module)을 형성하는 경향을 보여주었다[그림 3-5].
성능/효과
따라서 교과서 핵심 네트워크에서 핵심 과학용어 네트워크의 노드에 실제 과학용어를 부여하여 교과서 핵심 과학용어 네트워크로 전환한 후 핵심 과학용어를 추출하였다. 과학 금성교과서 핵심용어 178개, 과학 디딤돌교과서 핵심용어 147개, 과학 중앙 교과서 핵심용어 180개를 추출하였으며, 생물1 금성교과서 핵심용어 142개, 생물1 대한 교과서 핵심용어 180개, 생물1 중앙교과서 핵심용어 157개를, 생물2 금성교과서 핵심용어 156개, 생물2 대한교과서 핵심용어 151개, 생물2 중앙교과서 핵심용어 146개를 각각 추출하였다[부록]. 이들은 과학과 생물을 이해하는데 핵심 용어로써 중요한 자료로 활용할 수 있을 것이다.
그러므로 전체 네트워크에서 k 값이 작은 노드일수록 가중치가 낮아 먼저 제거된다. 따라서 과학, 생물1, 생물2 교과서 모두 파이엑 프로그램을 사용하여 k-core 값을 증가시켜가면서 네트워크의 크기를 줄여나갔다. 가중치가 낮은 용어가 제거되고 남은 가중치가 높은 핵심용어 분포를 구분하기 위해 싸이토스케이프(Cytoscape) 프로그램 (http://www.
먼저 세 과목 교과서를 구성하고 있는 네트워크의 노드(과학용어) 수와 평균 연결계수는 과학에서 생물1, 생물2로 갈수록 증가하는 것을 보여주고 있다. 이는 과학은 초보적 과학지식을 다루는 것에 반해, 생물1은 과학에 비해 전문적인 생물 용어를 다루고 생물2에서는 생물1에 비해 더 전문적인 용어를 다루고 있기 때문에 용어의 수가 증가하고 이들 용어 간의 상관관계도 더 복잡하기 때문인 것으로 판단된다.
후속연구
따라서 네트워크에 대한 개념을 교과서에 적용하여, 단순히 단원의 유무나 분량으로 비교하는 것이 아니고 교과서를 서술하는데 사용된 용어들 간의 상관관계를 분석해봄으로서 학생들이 공부하는데 도움이 되는 용어들을 선별할 수 있다. 나아가서 교과서가 어떤 방향으로 서술되어야 효과적으로 개념을 습득하는데 도움을 주는지 까지를 제시해 줄 수 있을 것으로 기대된다.
구축한 네트워크를 통해서 구조를 분석하여 과학교과서의 서술방법을 알아 볼 수 있으며, 전체적으로 다양하게 과학을 접할 수 있도록 개념을 형성해주는데 쓰이는 용어들의 적절성도 알아보았다. 또한 중요하다고 생각되는 핵심(core)과학 용어를 도출하였는데, 이 용어들은 앞으로 교과서를 서술하는데 있어서 참고할 수 있는 중요한 정보로 활용할 수 있을 것이다.
따라서 고등학생들이 본 연구 부록에서 제시한 핵심 용어를 충분히 이해한다면, 고등학교 수준에서의 과학과 생물을 이해하는데 충분하다고 본다. 아울러 본 연구에서 제시한 이들 용어들을 데이터베이스화 한다면 과학 교과서 및 생물 교과서 네트워크를 바탕으로 상관관계를 분석하여 다양한 학습 분야에 모델로 활용할 수 있을 것으로 기대한다.
질의응답
핵심어
질문
논문에서 추출한 답변
네트워크는 어떤 구조를 말하는가?
네트워크는 노드라고 부르는 점과 그들 사이를 연결하는 링크(연결선)로 이루어진 하나의 기하학적 구조이다. 자연현상이나 사회현상에서도 이들 현상들을 구성하고 있는 요소들과 관계를 보여주는 네트워크에 관한 연구가 최근에 많이 이루어지고 있다.
K-core 알고리즘은 어떤 네트워크인가?
그래프 이론에서 복잡한 그래프를 단순화 시키는 방법인 k-core 알고리즘[14]을 바탕으로 만든 파이엑(Pajek)프로그램을 사용하여 복잡한 네트워크를 분석하였다. K-core 알고리즘은 네트워크의 노드들이 k 이상의 링크수를 가지는 노드들로 구성된 네트워크로, 이 네트워크가 형성될 때까지 링크수가 k 이하인 노드를 제거하는 과정을 반복하게 된다. 그러므로 전체 네트워크에서 k 값이 작은 노드일수록 가중치가 낮아 먼저 제거된다.
교과서에 쓰인 과학 용어 네트워크를 구축하여 네트워크의 구조, 관련 정보 및 연관관계를 분석 한 본 연구의 결과를 요약하면?
복잡한 (complex) 네트워크에서 가중치가 낮은 것부터 제거하는 방법인 k-core 알고리즘을 적용하여 핵심 (core) 네트워크를 구축하였는데, 몇 개의 모듈이 연결되는 형태를 보여주었다. 과학교과서의 경우에는 물리, 화학, 생물, 지구과학 분야별로 크게 네 개의 모듈을 형성하였고, 생물1과 생물2 교과서는 각단원별로 용어들이 모여 있는 특성을 지닌 네트워크를 나타냈다. 본 연구에서 복잡한 네트워크에서 핵심네트워크를 구축하여 유용한 정보를 도출할 수 있는 가능성을 제시하였다.
참고문헌 (15)
안영은, “한국과 미국의 고등학교 생물교과서 비교분석-물질대사 단원을 중심으로-”, 경희대학교 교육대학원 생물교육전공 석사학위논문, 2007.
R. A. Hill and R. I. M. Dunbar, "Social network size in humans," Human Nature, Vol.14, No.1, pp.53-72, 2003.
D. Liben-Nowell and J. Kleinberg, "Tracing information flow on a global scale using internet chain-letter data," Proc. Nat'l. Acad. Sci., Vol.105, No.12, pp.4633-4638.
H. Jeong, B. Tombor, R. Albert, Z. N. Oltvai, and A.L. Barabaasi, "The large-scale organization of metabolic networks," Nature, Vol.407, No.6804, pp.651-654, 2000.
J. W. Ryu, H. Y. Kim, T. H. Kang, J. S. Yoo, and J. S. Chung, "Prediction of unannotated proteins from a protein interaction network filtered by using localization and domains in yeast," J. Kor. Phys. Soc. Vol.51, No.5, pp.1805-1811, 2007.
Y. K. Lee, M. H. Yeo, T. H. Kang, J. S. Kim, and H. Y. Kim, "Identification of diseasomal proteins from atopy-related disease network," J. Kor. Conten. Assoc. Vol.9, No.4, pp.114-120, 2009.
R. Albert, H. Jeong, and A.-L. Barabaasi, "Internet: Diameter of the world-wide web,"Nature, Vol.401, No.6749, pp.130-131, 1999.
S. Kim, "Complex network analysis in literature: Togi," Sae Mulli, Vol.50, No.4, pp.267-271, 2005.
Y. K. Lee, H. I. Shin, J. E. Ku, and H. Y. Kim, "Analysis of network dynamics from the Romance of the three kingdoms," J. Kor. Conten. Assoc. Vol.9, No.4, pp.364-371, 2009.
C. N. Yoon and S. K. Han, "Network structure of physics-knowledge networks," Sae Mullli, Vol.53, No.5, pp.436-442, 2006.
J. Ignacio, A. Hamelin, L. Dall'Asta, A. Barrat, and A. Vespignani, "K-core decomposition of internet graphs: Hierarchies, self-similarity and measurement biases," Networks Hetero. Media, Vol.3, No.2, pp.371-393, 2008.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.