A new technology has provided the nation, industry, society, and people with innovative and useful functions. National economy and society has been improved through this technology innovation. Despite the benefit of technology innovation, however, since technology society was sufficiently mature, th...
A new technology has provided the nation, industry, society, and people with innovative and useful functions. National economy and society has been improved through this technology innovation. Despite the benefit of technology innovation, however, since technology society was sufficiently mature, the unintended side effect and negative impact of new technology on society and human beings has been highlighted. Thus, it is important to investigate a risk of new technology for the future society. Recently, the risks of the new technology are being suggested through a large amount of social data such as news articles and report contents. These data can be used as effective sources for quantitatively and systematically forecasting social risks of new technology. In this respect, this paper aims to propose a data-driven process for forecasting and assessing social risks of future new technology using the text mining, 4M(Man, Machine, Media, and Management) framework, and analytic hierarchy process (AHP). First, social risk factors are forecasted based on social risk keywords extracted by the text mining of documents containing social risk information of new technology. Second, the social risk keywords are classified into the 4M causes to identify the degree of risk causes. Finally, the AHP is applied to assess impact of social risk factors and 4M causes based on social risk keywords. The proposed approach is helpful for technology engineers, safety managers, and policy makers to consider social risks of new technology and their impact.
A new technology has provided the nation, industry, society, and people with innovative and useful functions. National economy and society has been improved through this technology innovation. Despite the benefit of technology innovation, however, since technology society was sufficiently mature, the unintended side effect and negative impact of new technology on society and human beings has been highlighted. Thus, it is important to investigate a risk of new technology for the future society. Recently, the risks of the new technology are being suggested through a large amount of social data such as news articles and report contents. These data can be used as effective sources for quantitatively and systematically forecasting social risks of new technology. In this respect, this paper aims to propose a data-driven process for forecasting and assessing social risks of future new technology using the text mining, 4M(Man, Machine, Media, and Management) framework, and analytic hierarchy process (AHP). First, social risk factors are forecasted based on social risk keywords extracted by the text mining of documents containing social risk information of new technology. Second, the social risk keywords are classified into the 4M causes to identify the degree of risk causes. Finally, the AHP is applied to assess impact of social risk factors and 4M causes based on social risk keywords. The proposed approach is helpful for technology engineers, safety managers, and policy makers to consider social risks of new technology and their impact.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
다양한 위험요인 평가 기법 중 신기술에 대한 예측위험요인은 데이터의 부족으로 인해 순수한 정량기법으로 평가하기 어렵다. 따라서 정성적이면서도 정량적인 분석이 가능한 AHP 분석을 활용하고자 한다. AHP는 목적을 평가하기 위한 기준요인들을 계층화시켜 쌍대비교(pairwise comparison)한다는 점에서 보다 체계적으로 분석목표을 평가할 수 있는 방법론으로 위험성 평가에 주로 사용되고 있다13-14).
본 연구는 미래 신기술의 사회적 위험성을 서술하거나 정리한 웹 문서들의 텍스트 데이터에 기반하여 Fig. 1과 같이 미래 신기술의 사회적 위험성 평가를 공학적이고 정량적인 방법으로 제시한다. 우선 첫 번째 단계로 앞에서 제시한 사회적 위험성 콘텐츠를 포함하거나 포함할 가능성이 높은 정책보고서와 신문기사와 같은 비정형 데이터를 수집한다.
본 연구는 미래 신기술이 도입될 때 사회에 미칠 위험성에 대한 보고서 및 신문기사 등의 텍스트 데이터 분석을 통해 보다 알고리즘과 정량화에 기반한 위험예측 및 위험성 평가를 수행하였다. 기존에 일부 한정된 설문 위주의 분석이 아닌 다양한 전문가와 의견 제시자의 전자․웹 문서 데이터를 수집하여 집단지성 기반의 위험요인을 예측하는데 기여하였다.
. 본 연구에서는 사회적 위험 키워드를 통해 4M 측면에서 위험원인을 제시하여, 4M 중 가장 위험성이 높은 원인을 개략적으로 제시하고 확인한다.
본 분석 방법론의 최대 기여점 중 하나는 AHP를 통해 위험원인과 위험요인을 평가할 때, 데이터 분석으로 도출된 사회적 위험 키워드들을 가이드라인으로 제공하여 중요도를 근거에 기반해 객관적으로 평가할 수 있도록 지원했다는 점이다. 이를 통해 도출된 사회적 위험요인과 위험원인의 중요도에 따라 본연구에서는 오남용과 정보매체의 위험원인을 관리하고, 정보보안과 관련한 위험요인을 제거해야한다는 결과를 제시하였다.
이와 같이 구체적인 요인 수준의 정량적 분석을 위해 본 연구에서는 미래 신기술의 위험성을 보고하거나 예측하는 문서 데이터를 활용하고자 한다. 최근 신기술의 사회적 위험성을 미리 예측하는 결과물로서 정책보고서 혹은 뉴스, 신문기사들이 다양하고 유용한 콘텐츠를 제공하고 있다.
가설 설정
이와 같은 기여점에도 불구하고 본 연구는 데이터 기반의 위험성 평가를 위한 초기 연구로서 향후 연구가 필요하다. 첫째, 데이터의 부족이다. 텍스트 데이터분석은 기본적으로 대용량의 빅데이터를 기반으로 해야 보다 양질의 키워드를 추출할 수 있다.
제안 방법
그 중 문서에 나온 키워드가 나왔는지 여부의 binary 빈도 수(문서에 나왔으면 빈도에 관련없이 1, 나오지 않으면 0)를 이용하여, 빈도수 상위 50개의 키워드로 132개의 문서를 k-means 클러스터링 분석하였다. 클러스터링 개수 k의 기준은 CCC(Cubic Clustering Criterion)를 활용하여 CCC 값이 최고가 되는 5개로 선택하였으며, Table 3와 같이 구조화하였다.
본 연구는 미래 신기술이 도입될 때 사회에 미칠 위험성에 대한 보고서 및 신문기사 등의 텍스트 데이터 분석을 통해 보다 알고리즘과 정량화에 기반한 위험예측 및 위험성 평가를 수행하였다. 기존에 일부 한정된 설문 위주의 분석이 아닌 다양한 전문가와 의견 제시자의 전자․웹 문서 데이터를 수집하여 집단지성 기반의 위험요인을 예측하는데 기여하였다. 또한 위험요인예측을 위해 사용한 비정형 문서 데이터 분석이 가능한 텍스트마이닝 방법에 더해 위험원인 분석을 위해 전통적인 안전관리기법 중 하나인 4M을 활용하였다.
이를 통해 텍스트마이닝의 결과인 위험 키워드들을 사고원인 4M에 맞추어 어떤 위험원인들이 제시될 수 있는지 확인하였다. 기존의 4M의 프레임을 주고 전문가가 직접 위험원인을 적은 것이 아닌 데이터에서 추출된 유의미한 위험요인 키워드들에서 위험원인을 도출하였다. 이 결과는 안전관리자에게 해석을 용이하게하고, 통찰력을 줄 수 있을 것으로 기대된다.
우선 첫 번째 단계로 앞에서 제시한 사회적 위험성 콘텐츠를 포함하거나 포함할 가능성이 높은 정책보고서와 신문기사와 같은 비정형 데이터를 수집한다. 두 번째로 수집한 정책보고서와 신문뉴스의 키워드를 텍스트마이닝을 사용하여 도출하여, 도출된 키워드를 클러스터링을 통해 위험요인으로 예측하고, 위험원인을 4M 분류에 맞춰 제시 한다. 마지막으로 도출된 AHP를 사용하여 위험원인들에 대한 위험요인의 사회적 위험성을 평가한다.
위험원인은 크게 인적, 물적, 그리고 관리적 측면으로 구분되며, 4M의 경우 이에 대해 체계적으로 나눌 수있는 틀을 제공하고 있다. 따라서 4M에 맞추어 사회적위험 키워드들을 분류하여, 위험원인을 제시한다.
이 결과는 안전관리자에게 해석을 용이하게하고, 통찰력을 줄 수 있을 것으로 기대된다. 또한 AHP 평가를 수행하여 위험요인들과 원인들의 영향력을 평가하였다. 본 분석 방법론의 최대 기여점 중 하나는 AHP를 통해 위험원인과 위험요인을 평가할 때, 데이터 분석으로 도출된 사회적 위험 키워드들을 가이드라인으로 제공하여 중요도를 근거에 기반해 객관적으로 평가할 수 있도록 지원했다는 점이다.
두 번째로 수집한 정책보고서와 신문뉴스의 키워드를 텍스트마이닝을 사용하여 도출하여, 도출된 키워드를 클러스터링을 통해 위험요인으로 예측하고, 위험원인을 4M 분류에 맞춰 제시 한다. 마지막으로 도출된 AHP를 사용하여 위험원인들에 대한 위험요인의 사회적 위험성을 평가한다.
둘째, 키워드로 도출된 사회적 위험요인을 안전관리의 위험원인분석에서 사용되는 4M(Man, Machine, Media, Management)의 위험원인9)에 분류한다. 마지막으로, 4M의 세부원인이 사회적 위험성에 미치는 영향력을 분류된 텍스트마이닝에서 도출된 위험요인에 근거하여 계층분석과정(AHP: Analytic Hierarchy Process)을 활용해 위험성을 평가한다10). 결과적으로 다양한 위험요인 키워드를 담고 있는 문서 데이터를 활용하여 위험요인을 예측하고 위험원인을 구조화하여 평가하는 일련의 데이터 분석 기반 위험성 평가 체계를 구축할 것이다.
마지막으로, 드론의 위험요인을 위험원인 측면에서 AHP를 통해 평가하여, 사회적 위험성을 제시한다. 위에서 분류된 위험원인들이 사회적 위험성에 미치는 영향과, 각 위험원인들이 사회적 위험요인에 미치는 영향을 고려하여 각각의 원인들과 사회적 위험요인의 가중치를 도출한다.
AHP는 목적을 평가하기 위한 기준요인들을 계층화시켜 쌍대비교(pairwise comparison)한다는 점에서 보다 체계적으로 분석목표을 평가할 수 있는 방법론으로 위험성 평가에 주로 사용되고 있다13-14). 본 연구에서는 사회적위험 키워드들을 바탕으로 사회적 위험원인과 위험요인을 AHP로 평가한다.
본 연구에서는 신기술과 관련하여 드론을 사례분석으로 제시한다. 드론은 현재 국방, 물류, 재난 등에 활용방안이 활발히 모색 중이며, 우리나라 역시 최근 국가 미래성장동력 중 하나로 선정되기도 하였다.
또한 위험요인예측을 위해 사용한 비정형 문서 데이터 분석이 가능한 텍스트마이닝 방법에 더해 위험원인 분석을 위해 전통적인 안전관리기법 중 하나인 4M을 활용하였다. 이를 통해 텍스트마이닝의 결과인 위험 키워드들을 사고원인 4M에 맞추어 어떤 위험원인들이 제시될 수 있는지 확인하였다. 기존의 4M의 프레임을 주고 전문가가 직접 위험원인을 적은 것이 아닌 데이터에서 추출된 유의미한 위험요인 키워드들에서 위험원인을 도출하였다.
이를 반영하여 본 연구의 수행단계는 크게 세 가지로 이루어진다. 첫째, 미래 신기술과 관련한 사회적 위험을 추출하기 위해 기술보고서, 뉴스, 컨설팅 보고서등으로부터 텍스트마이닝을 활용하여 키워드를 추출한다. 둘째, 키워드로 도출된 사회적 위험요인을 안전관리의 위험원인분석에서 사용되는 4M(Man, Machine, Media, Management)의 위험원인9)에 분류한다.
대상 데이터
텍스트 데이터분석은 기본적으로 대용량의 빅데이터를 기반으로 해야 보다 양질의 키워드를 추출할 수 있다. 그러나 본연구는 제안연구의 사례분석 차원으로 200개 정도의텍스트 문서만을 이용해 위험요인을 예측하였다. 따라서 후속연구로 정책보고서나 신문기사 외의 보다 많은 사회요인 텍스트를 포함한 데이터 유형을 활용하고, 고차원의 정보 처리 알고리즘을 활용하여 다양한 사회적 위험 요인 키워드를 도출해야 한다.
문서의 수집은 자동적으로 수집하는 crawling 코드를 사용할 수도 있고, 수동으로 직접 수집할 수도 있다. 본 연구는 일부 HTML 문서는 파이썬(Python) 기반의 crawling 코드를 이용하여 자동으로 수집하였고, 자동으로 수집하기 어려운 pdf나 워드 형태의 문서는 수동으로 수집하였다.
1과 같이 미래 신기술의 사회적 위험성 평가를 공학적이고 정량적인 방법으로 제시한다. 우선 첫 번째 단계로 앞에서 제시한 사회적 위험성 콘텐츠를 포함하거나 포함할 가능성이 높은 정책보고서와 신문기사와 같은 비정형 데이터를 수집한다. 두 번째로 수집한 정책보고서와 신문뉴스의 키워드를 텍스트마이닝을 사용하여 도출하여, 도출된 키워드를 클러스터링을 통해 위험요인으로 예측하고, 위험원인을 4M 분류에 맞춰 제시 한다.
위험성 평가를 위해 신기술의 대상을 선정하여 관련 문서를 수집한다. 관련 문서인 정책보고서나 신문기사등은 pdf 파일이나 워드 파일, 또는 웹 HTML 문서로 제공된다.
2와 같이 검색되었다. 이 중에서 본 연구에서 제시하는 방법론의 적합성을 사례분석하는 차원에서 1페이지에서 20페이지까지 200개의 게시물을 웹 crawling을 이용하거나 수동으로 직접 수집하였다.
평가는 드론기술에 관련한 ICT 연구자, ICT 기술경제·정책 평가전문가, 안전공학 전문가 등 다양한 분야의 전문가 20명에게 의뢰하였다.
이론/모형
특히, ICT 관련 대부분은 한국전자통신연구원(ETRI) 소속의 전문가들에게 의뢰하여 드론의 최신 기술 및 정책방향이 반영되도록 하였다. AHP의 집단평가(group decision) 방법을 위해 기하평균법을 사용했으며, 소프트웨어로는 Expert Choice 11 version을 활용하였다.
기존에 일부 한정된 설문 위주의 분석이 아닌 다양한 전문가와 의견 제시자의 전자․웹 문서 데이터를 수집하여 집단지성 기반의 위험요인을 예측하는데 기여하였다. 또한 위험요인예측을 위해 사용한 비정형 문서 데이터 분석이 가능한 텍스트마이닝 방법에 더해 위험원인 분석을 위해 전통적인 안전관리기법 중 하나인 4M을 활용하였다. 이를 통해 텍스트마이닝의 결과인 위험 키워드들을 사고원인 4M에 맞추어 어떤 위험원인들이 제시될 수 있는지 확인하였다.
두 번째로는 4M 프레임워크의 확장이다. 본 연구는 가장 널리 그리고 유용하게 쓰이는 위험원인 분석 방법론 중 하나인 4M에 의존하여 수행되었다. 그러나 최근에는 4M 이외의 더 다양한 근본적 원인들을 제시하는 틀이 제시되고 있다.
그 중 문서에 나온 키워드가 나왔는지 여부의 binary 빈도 수(문서에 나왔으면 빈도에 관련없이 1, 나오지 않으면 0)를 이용하여, 빈도수 상위 50개의 키워드로 132개의 문서를 k-means 클러스터링 분석하였다. 클러스터링 개수 k의 기준은 CCC(Cubic Clustering Criterion)를 활용하여 CCC 값이 최고가 되는 5개로 선택하였으며, Table 3와 같이 구조화하였다. 결과적으로 5개의 위험요인을 정성적으로 다시 세 가지의 위험요인으로 정리하였다.
성능/효과
드론이나 관리체제 보다는 인간의 오용이나 드론이 처리하고 수집할 수 있는 정보매체들이 미래 사회에 위험원인들로 지목되었다. 각 위험요인들의 위험원인들과의 관련성을 살펴보면, 운영적 위험성의 경우는 불안전한 행동(0.634), 기능불량(0.481)에 가장 큰 영향을 받는 것으로 나타났다. 보안 위험성은 오남용(0.
그 결과, 기본적으로 위험원인들 중에 가장 큰 영향력을 미치는 원인은 정보매체(0.318)와 오남용(0.208)으로 나타났다. 드론이나 관리체제 보다는 인간의 오용이나 드론이 처리하고 수집할 수 있는 정보매체들이 미래 사회에 위험원인들로 지목되었다.
첫째, 운영적(Operation) 위험요인으로 충돌(Collision)과 공해(Pollution)를 포함한다. 둘째, 보안(Security)도 사회적 위험요인으로 해킹과 사생활과 관련한 위험요인들이 도출되었다. 셋째, 국방(National defence)과 관련하여 테러요인들 역시 사회적 위험으로 다양한 키워드들이 추출되었다.
466)에 기인한 위험요인으로 드러났다. 마지막으로 국방 위험성은 잘못된 설계(0.429), 충격매체(0.537)의 위험원인으로부터 도출된다고 분석되었다. 결과적으로 전체적으로는 보안 위험성이 미래드론 사용에 있어서 가장 심각한 위험요인이며, 이에 대한 미래 사회대책이 필요하다.
위에서 수집한 200개의 문서 중 일부 사용 불가능한자료(웹 호환 불가, 텍스트 깨짐 현상)를 제외하고 약 132개의 문서를 R 프로그램을 사용하여 텍스트마이닝을 수행한 결과, 키워드는 500개 이상이 도출되었다. Table 2는 도출된 사회적 위험 키워드 중의 일부를 제시한 표이다.
특히, 데이터 기반 사회적 위험성 평가는 사회적 위험 키워드들을 위험원인에 제시함으로써, 실질적인 가이드라인 없이 위험원인을 평가했던 기존 연구의 한계점을 극복할 수 있다는 강점이 있다. 즉, 불안전한 행동과 오남용을 단순히 위험원인의 용어로만 평가하는 것이 아니라, 불안전한 행동의 사회적 위험 키워드와 오남용의 사회적 위험 키워드를 데이터 분석 결과로 제시하여 보다 객관적인 평가를 수행할 수 있다. 예를 들어, 드론 추락, 방전, 배달 사고들로 인한 불안전한 행동이 물리적 공격, 사생활 촬영, 도난 등으로 인한 오남용보다 어느 정도 위험할지에 대한 구체적 근거를 제시하고 평가할 수 있는 것이다.
후속연구
마지막으로, 4M의 세부원인이 사회적 위험성에 미치는 영향력을 분류된 텍스트마이닝에서 도출된 위험요인에 근거하여 계층분석과정(AHP: Analytic Hierarchy Process)을 활용해 위험성을 평가한다10). 결과적으로 다양한 위험요인 키워드를 담고 있는 문서 데이터를 활용하여 위험요인을 예측하고 위험원인을 구조화하여 평가하는 일련의 데이터 분석 기반 위험성 평가 체계를 구축할 것이다.
537)의 위험원인으로부터 도출된다고 분석되었다. 결과적으로 전체적으로는 보안 위험성이 미래드론 사용에 있어서 가장 심각한 위험요인이며, 이에 대한 미래 사회대책이 필요하다.
그러나 본연구는 제안연구의 사례분석 차원으로 200개 정도의텍스트 문서만을 이용해 위험요인을 예측하였다. 따라서 후속연구로 정책보고서나 신문기사 외의 보다 많은 사회요인 텍스트를 포함한 데이터 유형을 활용하고, 고차원의 정보 처리 알고리즘을 활용하여 다양한 사회적 위험 요인 키워드를 도출해야 한다. 두 번째로는 4M 프레임워크의 확장이다.
이처럼 위험원인을 4M 보다 세분화하면 사회적 위험 키워드를 통해 구체적인 위험원인을 제시하기에 용이할 것이다. 마지막으로, AHP평가 방법에 있어, 키워드의 빈도를 활용하는 데이터기반의 보다 정량적인 평가 방법을 개발하는 것도 향후 연구로 고려된다. 텍스트마이닝으로 도출된 사회적위험 키워드 빈도수나 다른 키워드 지표(동시단어 빈도 등)를 활용하여 위험요인을 평가한다면, 전문가의 AHP 수행과는 다른 결과와 함께 부가적인 평가비교정보를 제공하리라 기대된다.
기존의 4M의 프레임을 주고 전문가가 직접 위험원인을 적은 것이 아닌 데이터에서 추출된 유의미한 위험요인 키워드들에서 위험원인을 도출하였다. 이 결과는 안전관리자에게 해석을 용이하게하고, 통찰력을 줄 수 있을 것으로 기대된다. 또한 AHP 평가를 수행하여 위험요인들과 원인들의 영향력을 평가하였다.
이와 같은 기여점에도 불구하고 본 연구는 데이터 기반의 위험성 평가를 위한 초기 연구로서 향후 연구가 필요하다. 첫째, 데이터의 부족이다.
마지막으로, AHP평가 방법에 있어, 키워드의 빈도를 활용하는 데이터기반의 보다 정량적인 평가 방법을 개발하는 것도 향후 연구로 고려된다. 텍스트마이닝으로 도출된 사회적위험 키워드 빈도수나 다른 키워드 지표(동시단어 빈도 등)를 활용하여 위험요인을 평가한다면, 전문가의 AHP 수행과는 다른 결과와 함께 부가적인 평가비교정보를 제공하리라 기대된다.
질의응답
핵심어
질문
논문에서 추출한 답변
안전관리의 위험원인분석 4M은 무엇인가?
첫째, 미래 신기술과 관련한 사회적 위험을 추출하기 위해 기술보고서, 뉴스, 컨설팅 보고서등으로부터 텍스트마이닝을 활용하여 키워드를 추출한다. 둘째, 키워드로 도출된 사회적 위험요인을 안전관리의 위험원인분석에서 사용되는 4M(Man, Machine, Media, Management)의 위험원인9)에 분류한다. 마지막으로, 4M의 세부원인이 사회적 위험성에 미치는 영향력을 분류된 텍스트마이닝에서 도출된 위험요인에 근거하여 계층분석과정(AHP: Analytic Hierarchy Process)을 활용해 위험성을 평가한다10).
STEEP은 무엇을 의미하는가?
최근 미래 거시환경 분석 과정에서 STEEP 방법론이 활용되고 있는 것도 이와 같은 기술자, 사회과학자, 환경과학자들의 의견을 다양하게 반영하기 위해서이다11). STEEP는 사회(Society), 기술(Technology), 경제(Economics), 환경(Ecology), 정책(Policy)을 동시에 반영하는 프레임으로 Table 1과 같이 일반적인 기준을 제시할 수 있다. 본 연구에서는 “사회적”의 의미를 넓게 사용하는 차원에서 사회, 환경, 정책과 관련된 요인들을 주요 요인으로 포함한다.
기술진보의 역기능의 예로는 무엇이 있는가?
실제로 지금까지 기술진보의 순기능에만 초점을 맞추어 많은 부분 역기능을 무시하는 경향이 존재하였다. 예를 들어, 자동차의 개발은 교통사고라는 위험을 가져오고, IT 기술의 발전은 개인정보를 침해했으며, 원자력발전소는 환경을 오염시킬 수 있는 잠재원인으로 지목되고 있다. 따라서 기술개발 수준이 성숙되고, 인간 삶의 진보가 어느 정도 만족하게 이루어진 현재 시점에서, 경제성장과 사회발전을 위해 역기능을 제어하는 방식을 되돌아 볼 필요가 있다3).
참고문헌 (15)
A. R. Kohler and C. Som, "Risk Preventative Innovation Strategies for Emerging Technologies: The Cases of Nano-textiles and Smart-textiles", Technovation, Vol. 34, No. 8, pp. 420-430, 2014.
R. E. Alcock and J. Busrsby, "Risk Migration and Scientific Advance: The Case of Flame-Retardant Compounds", Risk Analysis, Vol. 26, No. 2, pp. 369-381, 2006.
T. Assmuth, M. Hilden and C. Benighaus, "Integrated Risk Assessment and Risk Governance as Socio-political Phenomena: A Synthetic View of the Challenges", Science of the Total Environment, Vol. 408, pp. 3943-3953, 2010.
D. Sarpong and M. Maclean, "Scenario Thinking: A Practice-Based Approach for the Identification of Opportunities for Innovation", Futures, Vol. 43, No. 10, pp. 1154-1163, 2011.
S. H. Choi, "The Detection Model of Disaster Issues based on the Risk Degree of Social Media Contents", Journal of the Korean Society of Safety, Vol. 31, No. 6, pp. 121-128, 2016.
KOSHA, "4M Risk Assessment Technique", 2011.
T. L. Saaty, "The Analytic Hierarchy Process", McGraw-Hill, New York, NY, 1980.
C. Durst, M. Durst, T. Kolonko, A. Neef and F. Greif, "A Holistic Approach to Strategic Foresight: A Foresight Support System for the German Federal Armed Forces", Technological Forecasting and Social Change, Vol. 97, No. 3, pp. 91-104, 2015.
R. Kostoff, D. Toothman, H. Eberhart and J. Humenik, "Textmining Using Database Tomography and Bibliometrics: A Review", Technological Forecasting and Social Change, Vol. 68, No. 3, pp. 223-252, 2001.
A. Kokangul, U. Polat and C. Dagsuyu, "A New Approximation for Risk Assessment Using the AHP and Fine Kinney Methodologies", Safety Science, Vol. 91, pp.24-32, 2017.
J. Lee, I. Han and S. R. Chang, "A Study on the Risk Level of Work Types in Urban Railway Construction", Journal of the Korean Society of Safety, Vol. 31, No. 2, pp. 98-103, 2016.
N. J. Kim, S. E. Lee and H. J. Kim, "Related Laws and Performance Criteria for Public Service Drones for Disaster Safety", Journal of the Korean Society of Safety, Vol. 31, No. 4, pp. 150-155, 2016.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.