[논문]데이터 사이언스 교과과정에 대한 연구

이명호

doi:10.14699/kbiblia.2016.27.1.263

[국내논문] 데이터 사이언스 교과과정에 대한 연구
A Study on the Curriculums of Data Science 원문보기

한국비블리아학회지 = Journal of the Korean Biblia Society for Library and Information Science, v.27 no.1, 2016년, pp.263 - 290

초록
AI-Helper

본 연구는 국내외 데이터 사이언티스트(Data Scientist) 양성을 위한 데이터 사이언스(Data Science) 프로그램의 교과과정을 분석하였다. 이를 위해 국내 7개 대학교와 미국의 10개 대학교를 분석하였다. 14개의 데이터 사이언스 과정이 대학원 중심으로 운영되고 있는 것으로 나타났다. Conway의 데이터 사이언스 3대 영역 중 수학 및 통계 지식 영역에 국내는 10% 그리고 미국은 26%가 치중되어 있는 것으로 분석되었다. 강의계획서 분석에서 수업내용 및 평가 방법은 국내외가 유사한 것으로 나타났다. 본 연구 결과는 국내 데이터 사이언스 교과과정 개발에 기초 자료로 활용될 수 있을 것이다.

Abstract ▼ AI-Helper

The purpose of this study is to compare seven data science programs in Korea and ten data science programs in the US. Results show that 14 data science programs are housed in graduate schools. 10% of data science courses in Korea and 26% in the US fall under the Math and Statistics Knowledge area, one of the three areas defined by Conway. The syllabus analysis does not show much differences in terms of class contents and grading. The results of this study can be used to design data science programs that are more effective and well-grounded.

Keyword

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

본 연구에서는 데이터 사이언티스트 양성을 위한 교육 및 교과과정의 개선방안을 제안하기 위해 국내 데이터 사이언스 학위 교과과정과 미국의 데이터 사이언스 학위 교과과정을 비교·분석한다.
데이터 사이언스에 대한 관심과 데이터 사이언티스트에 대한 사회적 수요가 증가하고 있지만 데이터 사이언스 교과과정에 대한 연구는 부족하여 이에 대한 연구가 더 필요하다. 본 연구는 국내외에 증가하고 있는 데이터 사이언스 프로그램에 대한 교과과정을 살펴보고 데이터 사이언스 정의와 관련된 교과 과정이 개설되고 있는지 그리고 어느 교육단위에서 데이터 사이언스 학위를 제공 하고 있는지 살펴보고자 한다. 또한 국내와 미국의 데이터 사이언스 교과과정을 비교하여 국내 데이터 사이언스 교과과정에 대한 개선 방향을 제시하고자 한다.
본 연구는 국내외에 증가하고 있는 데이터 사이언스 프로그램에 대한 교과과정을 살펴보고 데이터 사이언스 정의와 관련된 교과 과정이 개설되고 있는지 그리고 어느 교육단위에서 데이터 사이언스 학위를 제공 하고 있는지 살펴보고자 한다. 또한 국내와 미국의 데이터 사이언스 교과과정을 비교하여 국내 데이터 사이언스 교과과정에 대한 개선 방향을 제시하고자 한다.
이러한 가운데 데이터 사이언티스트를 양성하는 프로그램이 늘어나고 있다. 본 연구는 이러한 데이터 사이언스 프로그램의 교과과목에 대한 국내외 현황을 살펴보았다. 2016년 현재 국내에는 총 7개의 대학/대학원 과정이 있으며 과목 수는 181개의 과정을 제공하고 있다.

제안 방법

구체적인 분석 방안은 다음과 같다. 첫째, 데이터 사이언스 교과과정과 관련된 연구 논문들을 조사함으로써 교과과정과 관련된 연구들의 경향 및 내용들을 분석하였다. 둘째, 2016년 현재 데이터 사이언스(Data Science) 또는 빅데이터(Big Data) 과정을 개설하고 있는 504개 대학 중에서 미국의 10개 대학과 국내 7개 대학의 교과과정 및 학위현황 등을 비교 · 분석하였다.
셋째, 데이터 사이언스 교과과정을 Conway의 데이터 사이언스 정의를 기본으로 한 특정 분야 지식, 수학 및 통계 지식, 해킹 지식 세 개 분야로 구분하여 각 학교의 영역별 분포도에 대하여 비교 · 분석하였다.
영역 범주에 포함시키기 어려운 일부 과목은 기타 영역에 포함시켰다. 넷째, 데이터 사이언스가 설치되어 있는 학과를 조사하여 국내외적인 흐름을 조사하였다.
국내의 경우는 데이터 사이언스 또는 빅데이터 관련 학위를 제공하는 7개 대학을 모두 선정하였다. 연구대상의 학과 홈페이지, 이메일 문의, 문헌조사 등을 통하여 교과과목을 조사하였다. 교과 과목은 학사, 석사, 박사 등 학위 별로 구분하여 자료를 수집하였다.
연구대상의 학과 홈페이지, 이메일 문의, 문헌조사 등을 통하여 교과과목을 조사하였다. 교과 과목은 학사, 석사, 박사 등 학위 별로 구분하여 자료를 수집하였다. <표 2>는 국내 데이터 사이언스 프로그램을 가나다 순으로 정리한 표이다.
[부록 2]는 미국 대학별 그리고 교과과정을 ABC 순으로 정리한 표이다. 데이터 사이언스 교과목에 대한 비교와 함께 연구대상의 과목 중 강의계획서 [부록 3]과 [부록 4]를 분석하였다.
조사된 272 개의 데이터 사이언스 과목을 분류하고자 Conway(2010)의 데이터 사이언스 정의에 따른 세 개의 영역으로 구분하였다. Conway (2010)에 의하면 데이터 사이언스는 수학 및 통계 지식, 해킹 기술, 그리고 특정분야에 대한 지식으로 분류가 된다.
언스 개론 수업 중 홈페이지에 공개되어 있는 강의계획서 [부록 3]과 [부록 4] 내의 수업내용, 수업방법 및 평가방법을 분석하였다. 국내 데이터 사이언스 개론 수업 내용은 데이터 사이언스에 대한 정의, 데이터 시각화, 데이터 보안, 데이터 마이닝 등 다양한 내용이 기술되어 있는 것으로 나타났다.

대상 데이터

둘째, 2016년 현재 데이터 사이언스(Data Science) 또는 빅데이터(Big Data) 과정을 개설하고 있는 504개 대학 중에서 미국의 10개 대학과 국내 7개 대학의 교과과정 및 학위현황 등을 비교 · 분석하였다.
2012년도 빅데이터에 대한 급격한 관심도의 증가는 여러 가지 이유가 있다. 세계적인 연구기관인 Gartner가 매년 발표하는 10개 기술 중 2012년 기술에 빅데이터가 선정되었다(Gartner 2011). 또한 세계경제포럼은 2012년 떠오르는 10대 기술 중 하나로 빅데이터 기술을 선정하였으며 국내에서도 지식경제부에서 2012년도에 10대 핵심기술 하나로 빅데이터를 선정하였다(최윤식 2012).
세계적인 연구기관인 Gartner가 매년 발표하는 10개 기술 중 2012년 기술에 빅데이터가 선정되었다(Gartner 2011). 또한 세계경제포럼은 2012년 떠오르는 10대 기술 중 하나로 빅데이터 기술을 선정하였으며 국내에서도 지식경제부에서 2012년도에 10대 핵심기술 하나로 빅데이터를 선정하였다(최윤식 2012).
미국의 Top 10 대학은 2015년 US News & World Report 에서 제공하는 랭킹을 참조하였다.
연구대상으로 학교 선정은 Data Science Community에 게시되어 있는 504개의(2016년 2월 현재) 데이터 사이언스 프로그램 제공 대학 중 미국의 Top 10 대학을 선정하였다. 미국의 Top 10 대학은 2015년 US News & World Report 에서 제공하는 랭킹을 참조하였다.
미국의 Top 10 대학은 2015년 US News & World Report 에서 제공하는 랭킹을 참조하였다. 국내의 경우는 데이터 사이언스 또는 빅데이터 관련 학위를 제공하는 7개 대학을 모두 선정하였다. 연구대상의 학과 홈페이지, 이메일 문의, 문헌조사 등을 통하여 교과과목을 조사하였다.
2016년 현재 국내에는 총 7개의 대학/대학원 과정이 있으며 과목 수는 181개의 과정을 제공하고 있다. 본 연구를 위해 선정된 미국의 10개 데이터 사이언스 프로그램은 총 91개의 교과과정을 개설하고 있다. Conway의 데이터 사이언스 정의에 의한 세 개의 영역별로 272개 과목을 분류한 결과 국내, 미국 모두 수학 및 통계 지식 영역 과목이 각각 10%, 26%로 가장 많은 교과과정 영역을 차지하고 있다.

성능/효과

언스 개론 수업 중 홈페이지에 공개되어 있는 강의계획서 [부록 3]과 [부록 4] 내의 수업내용, 수업방법 및 평가방법을 분석하였다. 국내 데이터 사이언스 개론 수업 내용은 데이터 사이언스에 대한 정의, 데이터 시각화, 데이터 보안, 데이터 마이닝 등 다양한 내용이 기술되어 있는 것으로 나타났다. 수업 방법은 강의, 토론, 팀프로젝트 등이 사용되고 있는 것을 알 수 있었다.

질의응답

핵심어	질문	논문에서 추출한 답변
	데이터 사이언스의 정의는 무엇인가?	또한 데이터의 90%는 지난 2년간 만들어진 최근 데이터이다 (SINTEF 2013). 이처럼 최근에 만들어진 많은 양의 다양한 데이터는 수집되고 분석이 되어져야 할 필요성을 인식하지만 기존의 방법으로는 데이터의 처리가 어려워지고 있다(Shi, Yu, Zhu, and Tian 2014). 이러한 데이터를 수집, 분석, 처리하는 학문 분야 중 하나가 데이터 사이언스(Data Science)이며, 이는 수학, 통계학, 경영학, 컴퓨터과학, 문헌정보학 등 다양한 학문의 융합이라고 정의되고 있다(Shi et al. 2014). 데이터 사이언스 과정을 통해서 데이터 사이언티스트가 배출이 되는데 데이터 사이언티스트 (Data Scientist)에 대한 긍정적인 전망의 연구는(Davenport and Patil 2012; 이성신, 최재황, 이창수 2013) 데이터 사이언티스트에 대한 사회적 수요 증가로 이어지고 있다(Miller 2013; Provost and Fawcett 2013).
	본 연구에서는 데이터 사이언티스트 양성을 위한 교육 및 교과과정의 개선방안을 제안하기 위해 국내 데이터 사이언스 학위 교과과정과 미국의 데이터 사이언스 학위 교과과정을 비교․ 분석하는데, 이를 위해 어떤 기법을 사용하는가?	본 연구에서는 데이터 사이언티스트 양성을 위한 교육 및 교과과정의 개선방안을 제안하기 위해 국내 데이터 사이언스 학위 교과과정과 미국의 데이터 사이언스 학위 교과과정을 비교․ 분석한다. 이를 위해 문헌조사법과 비교분석법을 사용하고 있다.
	디지털 데이터 생성의 예로 무엇들이 있는가?	2012년 디지털 데이터의 양이 아날로그 데이터양을 앞지르는 것을 시작으로 이제는 측정조차 불가능한 많은 양의 디지털 데이터가 만들어지고 있다. 디지털 데이터 생성의 예는 비행기나 감시카메라 등 각종 센서에서 만들어지는 데이터, 소셜 미디어(Social Media)를 통해 만들어지는 데이터, 웹 데이터 등이 있다. 또한 데이터의 90%는 지난 2년간 만들어진 최근 데이터이다 (SINTEF 2013).

참고문헌 (25)

김희섭, 남권희, 강보라. 2013. 북미지역 iSchool 대학과 L-School의 교육과정 비교분석. "한국문헌정보학회지", 47(4): 295-314. (Kim, Heesop, Kwon Hee Nam, and Bora Kang. 2013. "A Comparative Analysis on Curriculum of iSchools and L-School in North America." Journal of the Korean Society for Library and Information Science, 47(4): 295-314.)

원문보기 상세보기
이성신, 최재황, 이창수. 2013. 한국형 iSchool 탐색. "한국도서관.정보학회지", 44(4): 277-294. (Lee, Seongsin, Jae Hwang Choi, and Changsoo Lee. 2013. "An Exploratory Study On Korean iSchool." Journal of Korea Library and Information Science Society, 44(4): 277-294.)
이재윤. 2015. "데이터 사이언스와 데이터 리터러시". Paper presented at the 제22회 한국정보관리학회 학술대회, 중앙대학교, 서울. (Lee, Jae Yun. 2015. Data science and data literacy. Paper presented at the 22nd Korea Society for Information Management, Seoul.)
장덕현. 2015. iSchool 논의에 대한 비판적 담론분석. "한국도서관.정보학회지", 46(1): 135-154. (Jang, Durk-Hyun. 2015. "iSchool Movement: A Critical Discourse Analysis." Journal of Korea Library and Information Science Society, 46(1): 135-154.)
장윤금. 2011. 문헌정보학 교육의 변화에 관한 국가 간 비교 연구. "한국비블리아학회지", 22(4): 317-340. (Chang, Yunkeum. 2011. "Comparative Study of the Changes in LIS Education in Korea, U.S.A. and Australia." Journal of Korea Biblia Society for Library and Information Science, 22(4): 317-340.)
장윤금. 2014. iSchool 대학의 발전, 교육 및 연구 동향 분석. "한국문헌정보학회지", 48(1): 369-386. (Chang, Yunkeum. 2014. "An Analysis of the Growth, Education and Academic Research Trends of iSchools." Journal of Korean Society for Library and Information Science, 48(1): 369-386.)

원문보기 상세보기
최윤식. 2012. "미래학자의 통찰법". 서울: 김영사. (Choi, Yoon Sik. 2014. Insight into Futures. Seoul: Gimmyoung.)
Ahn, I. J. 2012. "The Specification of Science Education Programs in the Local Public Library: Focusing on the Programs In G-city." International Journal of Knowledge Content Development & Technology, 2(1): 17-35.

원문보기 상세보기
Brynko, B. 2012. "iSchools: shaping the information landscape." Information Today, 29(8): 1.

상세보기
Bussaban, K. and P. Waraporn. 2015. "Preparing Undergraduate Students Majoring in Computer Science and Mathematics with Data Science Perspectives and Awareness in the Age of Big Data." Procedia - Social and Behavioral Sciences, 197: 1443-1446.

상세보기
Chu, H. 2012. "iSchools and Non-iSchools in the USA: An Examination of Their Master's Programs." Education for information, 29(1): 1-17.

상세보기
Cleveland, W. S. 2001. "Data Science: An Action Plan for Expanding the Technical Areas of the Field of Statistics." International Statistical Review, 69(1).

상세보기
Conway, D. 2010. The Data Science Venn Diagram [online]. [cited 2016.1.12]. .
Davenport, T. H. and D. J. Patil. 2012. "Data Scientist: The Sexiest Job of the 21st Century." Harvard Business Review, 90(10): 70-76.

상세보기
Gartner. 2011. Gartner Identifies the Top 10 Strategic Technologies for 2012 [online]. [cited 2016.3.10]. .
Google Trends. 2016. Data Science and Big Data Trends [online]. [cited 2016.1.5]. .
Han, M. K. 2011. "A Study on the Suggestions and Analysis on the Education Programs in the Presidential Libraries." International Journal of Knowledge Content Development & Technology, 1(1): 39-60.

원문보기 상세보기
Jagadish, H. V. 2015. "Big Data and Science: Myths and Reality." Big Data Research, 2(2): 49-52.

상세보기
Lipman, B. 2014. Universities Increasing Programs for Data Scientists [online]. [cited 2016.1.3]. .
Loukides, M. 2010. What is Data Science? [online]. [cited 2016.1.12]. .
Miller, C. C. 2013. "Data Science: The Numbers of Our Lives." The New York Times.
Provost, F. and T. Fawcett. 2013. "Data Science and its Relationship to Big Data and Data-Driven Decision Making." Big Data, 1(1): 51-59.

상세보기
Shi, Y., P. S. Yu, Y. Zhu, and Y. Tian. 2014. "Explore New Field of Data Science Under Big Data Era: Preface for ICDS 2014." Procedia Computer Science, 30: 1-3.

상세보기
SINTEF. 2013. Big Data, for better or worse: 90% of world's data generated over last two years [online]. [cited 2015012.12]. .
Swanstrom, R. 2015. College and University Data Science Degrees [online]. [cited 2015.12.27]. .

저자의 다른 논문 :

활용도 분석정보

상세보기

다운로드

내보내기

활용도 Top5 논문

해당 논문의 주제분야에서 활용도가 높은 상위 5개 콘텐츠를 보여줍니다.
더보기 버튼을 클릭하시면 더 많은 관련자료를 살펴볼 수 있습니다.

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증