[논문]초등 생물분류 학습에서 인공지능 융합교육의 적용 사례 연구

신원섭

doi:10.15267/keses.2020.39.2.284

초등 생물분류 학습에서 인공지능 융합교육의 적용 사례 연구
A Case Study on Application of Artificial Intelligence Convergence Education in Elementary Biological Classification Learning 원문보기

초등과학교육 = Journal of Korean elementary science education, v.39 no.2, 2020년, pp.284 - 295

Abstract ▼ AI-Helper

The purpose of this study is to explore the possibility of artificial intelligence convergence education (AICE) in elementary biological classification learning. First, the possibility of AICE was analyzed in the field of 2015 revised elementary life science curriculum. The artificial intelligence biological classification (AIBC) education program targeted plant life. The possibility of AICE in the elementary life science curriculum was suggested through the consultation process of three elementary science education experts. The AIBC education program was developed through the review process of elementary education experts. The results of this study are as follows. First, 8(32%) achievement standards were available for AICE in elementary life science. Second, 18(86%) of the 21 items reviewed by the experts for the AIBC education program developed in this study were positively evaluated. Third, in this study, through the analysis of the possibility of AIBC in the elementary life field and the review of the experts, the AIBC education program including teaching and learning models, strategies, and guidance was developed. The results of this study were based on the review of the experts, and as a follow-up study, applied research to elementary students is needed. It is also hoped that various studies on AICE will be conducted not only in the life field but also in science and other fields. Finally, we expect that the results of this study will be applied to bio-classification learning to help students improve classification capabilities and generate classification knowledge.

주제어

표/그림 (7)

표 Table 1. Validity review questions
표 Table 2. Possibility of AICE
표 Table 3. Experts' review results
그림 Fig. 1. AIBC teaching learning model.
표 Table 4. Teaching learning strategy
표 Table 5. AIBC teaching learning instruction of leaves classification
표 Table 5. Continued

AI 본문요약
AI-Helper

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

문제 정의

AIBC 교수학습 모델은 경험학습(Aoun, 2017;Dewey, 1986; Fry & Kolb, 1978)을 바탕으로 각 학습 단계에서 분류과정이 반복적으로 일어나게 함으로써 학생들의 분류 탐구 기능을 향상하고, 분류지식이나 기준을 생성하는 데 도움을 주고자 하였다.
기준으로 인공지능 융합교육의 가능성을 제안하였다. 생물분류 학습에서 인공지능 융합교육의 가능성은 ‘성취기준을 학습하는데 머신러닝과 같은 인공지능을 융합하는 것이 가능한가?’와 ‘현재 초등학생들이 머신러닝을 학습시키는데 사용할 수 있는 자료의 유형은 무엇인가?’의 두 가지 기준으로 분석하였다.
그리고 현장 교사와 초등학생의 수준을 고려한 인공지능 플랫폼을 적용하여 교수학습 모델과 전략, 지도안을 포함한 인공지능 생물분류 교육프로그램을 개발하였다. 이 연구를 통해 생물분류 학습에서 인공지능을 어떻게 활용할 것인지와 교과교육에서 인공지능 융합교육의 방향에 대해 논의하였다.
이 연구에서는 초등 3∼4학년군과 5∼6학년군에서 각각 4개의 성취기준에 대해 인공지능 융합 활동을 제안하였다.
이 연구에서는 초등 생물분류 학습에 적용 가능한 AIBC 교육프로그램을 개발하였다. 2015개정 초등 생명분야에서 인공지능 융합교육의 가능성은 초등과학교육전문가들의 협의과정을 통해 제안하였고, AIBC 교육프로그램은 초등교육전문가들의 타당도 검토과정을 통해 수정․보완하였다.
이 연구의 목적은 초등 생물분류 학습에서 인공지능 융합교육의 가능성을 탐색하는 것이다. 이 연구에서는 먼저 2015개정 초등 생명분야에서 인공지능 융합교육의 가능성을 성취기준을 근거로 분석하였다.

가설 설정

D: AIBC수업을 하는 데 좀 더 자세한 안내가 필요함. 학생들이 교실에서 웹기반 수업을 할 수 있는 교내통신망이나 스마트기기의 확충이 필요함.
E: Machine Learning for Kids는 초등학생들에게 적합한 플랫폼이라고 생각한다. 일단 이 플랫폼에서는 한국어가 제공되고, 조작이 간단하고, 로그인이 필요 없어 학생들의 접근성도 뛰어나다.
E: 학생들이 머신러닝에 대한 사전 이해도가 없다면 AIBC 교육프로그램의 교수학습 곤란도는 높을 것이라고 판단된다.

제안 방법

AIBC 교수학습 모델은 선행연구들(Shin, 2020;Shin & Shin, 2020)에서 제안한 인공지능 융합 과학교육의 모델을 초등학생들의 기초탐구능력 향상과 관련된 선행연구들(Gabel, 1993; Lee, et al., 2012;Lee & Kang, 2012; Shin & Shin, 2014)과 생물분류와 관련된 선행연구들(Cheong et al., 2016; Kim &Kim, 2018; Kwon et al., 2011)을 종합하여 개발하였다.
이 연구에서는 먼저 2015개정 초등 생명분야에서 인공지능 융합교육의 가능성을 성취기준을 근거로 분석하였다. 그리고 현장 교사와 초등학생의 수준을 고려한 인공지능 플랫폼을 적용하여 교수학습 모델과 전략, 지도안을 포함한 인공지능 생물분류 교육프로그램을 개발하였다. 이 연구를 통해 생물분류 학습에서 인공지능을 어떻게 활용할 것인지와 교과교육에서 인공지능 융합교육의 방향에 대해 논의하였다.
학생들의 분류에 대한 사전 지식이 부족할 경우, 분류 기능의 기초 과정을 익히거나, 일상생활의 소재를 대상으로 분류하는 체험과정을 실행할 수 있다. 다음으로 본 학습에서 분류할 대상을 관찰하여 그 특징을 구체적으로 기록한다. 분류 대상의 관찰이 완료되면 소집단 의사소통을 통해 분류대상의 공통점과 차이점을 찾는다.
이는 선행연구(Shin, 2020; Shin & Shin, 2020)에서 현장 교사의 인공지능의 필요성과 교육환경구축에 대한 의견과 일치한다. 따라서 초등교육전문가들의 평가 결과를 종합하여 AIBC의 교수학습 전략과 지도안에서 교사의 역할을 수정․보완하였다. 초등교육전문가들의 검토의견은 아래와 같다.
생물분류 학습에서 인공지능 융합교육의 가능성은 ‘성취기준을 학습하는데 머신러닝과 같은 인공지능을 융합하는 것이 가능한가?’와 ‘현재 초등학생들이 머신러닝을 학습시키는데 사용할 수 있는 자료의 유형은 무엇인가?’의 두 가지 기준으로 분석하였다. 생물분류 학습의 인공지능 융합교육의 가능성 분석에는 초등과학교육전문가 세 명이 참여하였고, 협의과정을 통해 세 명 중에서 두 명 이상이 동일한 의견일 때만 적용 가능성을 제시하였다. 인공지능 융합교육의 가능성이 높을 경우에는‘상’, 적용가능성이 보통일 경우에는 ‘중’, 적용가능성이 비교적 낮을 경우에는 ‘하’ 수준으로 제시하였고, 머신러닝을 학습시킬 수 있는 자료의 유형을 사진, 숫자, 언어로 표시하였다.
셋째, 이 연구에서는 초등 생명분야에서 인공지능 융합교육의 가능성 분석과 초등교육전문가의 검토를 통해 인공지능 생물분류 교육프로그램을 제안하였다. 인공지능 생물분류 교육프로그램은 인공지능 융합 과학 교수학습 모델(Shin, 2020)과 생물 분류과정을 토대로 개발되었고, 이는 생물분류뿐만 아니라, 과학과 다른 분야나 타 교과에서 분류와 관련된 교수학습에 적용할 수 있는 교육프로그램이다.
인공지능 생물분류(Artificial Intelligence Biologi- cal Classification; 이하 AIBC) 교육프로그램은 인공지능 생물분류 교수학습 모델과 전략을 개발하여 인공지능 융합교육의 가능성이 높은 성취기준을 대상으로 지도안을 개발하였다. 이 연구에서 개발한 AIBC 교육프로그램은 초등교육전문가의 검증과정을 통해 수정․보완하였다. 초등교육전문가는 현직 교사 5명으로 과학교육경력은 8년 이상이었고, 모두 인공지능 관련 연수를 이수하였다.
, 2003). 이 연구에서는 리 커트 척도 3점과 4점을 긍정적인 평가로 하여 내용 타당도와 평가자간 일치도 지수를 산출하였다(Shin, 2019; 2020). 이 연구에서 개발한 AIBC 교육프로그램은 초등학생들에게 적용하는 과정을 거치지 않았기 때문에 이 연구의 결과를 일반화하는 데 제한이 있다
이 연구의 목적은 초등 생물분류 학습에서 인공지능 융합교육의 가능성을 탐색하는 것이다. 이 연구에서는 먼저 2015개정 초등 생명분야에서 인공지능 융합교육의 가능성을 성취기준을 근거로 분석하였다. 그리고 현장 교사와 초등학생의 수준을 고려한 인공지능 플랫폼을 적용하여 교수학습 모델과 전략, 지도안을 포함한 인공지능 생물분류 교육프로그램을 개발하였다.
이 연구에서는 선행연구(Shin, 2020)에서 사용한 Machine Learning for Kids(https://machinelearningforkids.co.uk/, 이하 MLFK)를 활용하여 AIBC 교육프로그램을 개발하였다. MLFK는 데이터를 기반으로 머신을 학습시키고, 이 머신을 블록코딩을 활용하여 프로젝트를 구현할 수 있는 프로그램이다(Shin,2020).
인공지능 생물분류(Artificial Intelligence Biologi- cal Classification; 이하 AIBC) 교육프로그램은 인공지능 생물분류 교수학습 모델과 전략을 개발하여 인공지능 융합교육의 가능성이 높은 성취기준을 대상으로 지도안을 개발하였다. 이 연구에서 개발한 AIBC 교육프로그램은 초등교육전문가의 검증과정을 통해 수정․보완하였다.
이 연구에서는 초등 3∼4학년군과 5∼6학년군에서 각각 4개의 성취기준에 대해 인공지능 융합 활동을 제안하였다. 인공지능 융합 활동은 머신러닝의 지도학습이 중심이었고, 범주의 유형은 사진, 숫자, 언어를 제안하였다. 인공지능 융합 활동은 초등과학교육전문가의 협의를 통한 것으로 이 연구 결과를 현장에 적용하는 데 제한적이지만, 초등 생명분야에서 인공지능 융합교육의 방안을 제안하였다는 데 가치가 있다.
초등교육전문가의 AIBC 교육프로그램에 대한 검토 문항은 선행연구(Shin, 2020)의 문항을 이 연구에 적합하게 수정하여 사용하였다(Table 1). 초등교육전문가 타당성 검토 문항은 AIBC 교육프로그램의 적절성(6), 인공지능의 적용(3), 과학과 핵심역량 반영(5), 학생 요구(4), 학습 만족도(3) 영역으로 구성하였고, 총 21개의 문항이다.
초등교육전문가의 검토 결과는 선행연구들(Rubioet al., 2003; Shin & Jang, 2018)에서 활용한 내용타당도지수와 평가자간 일치도지수로 분석하였다.

성능/효과

A: 친구들과 데이터에 대한 논의를 나누고, 인공지능 관련 플랫폼 등을 활용하는 경험은 인공지능의 활용도가 더욱 높아질 미래 사회의 창의적 인재로 발전하는 데 도움이 된다
AIBC 교육프로그램의 과학과 핵심역량 반영영역에서 초등교육전문가의 평균은 3.8 이상이었고, 모두 긍정으로 평가하였다. CVI와 IRA는 모두 1.
AIBC 교육프로그램의 인공지능 적용영역에서 초등교육전문가의 평균은 3.8 이상이었고, 모두 긍정적으로 평가하였다. CVI와 IRA는 모두 1.
AIBC 교육프로그램의 학습 만족도영역에서 초등교육전문가의 평균은 3.6 이상이었고, 모두 긍정적으로 평가하였다. CVI와 IRA는 모두 1.
B: 교육과정 성취기준에 비해 학습 내용의 양은 다소 많다고 느껴지나, 성취기준을 달성하는 데 적합한 프로그램이다. 과제를 세분화하여 안내한다.
C: 교육용으로 설계된 웹기반의 머신러닝 프로그램의 예시로 제시된 워크시트가 유용하고, 분류에 능한 컴퓨터로부터 분류학습 결과가 맞는지 확인할 수 있으므로 적합하다.
8 이상이었고, 모두 긍정적으로 평가하였다. CVI와 IRA는 모두 1.0으로 검토결과의 신뢰도는 매우 높았다. 초등교육전문가들은 생물분류에 인공지능을 적용하는 것을 긍정적으로 평가하였고, 이 연구에서 활용한 MLFK에 대한 적합성을 높게 평가하였다.
두 번째, Thinking 단계에서는 분류기준 정하기, 분류 모델 계획, 분류 범주 유형과 모델 선택, 분류모델 설계 활동을 한다. 분류 기준은 Doing 단계에서 분류 대상의 공통점과 차이점을 근거로 정하도록 하고, 학생들의 수준에 따라 2단 분류에서 다단분류로 발전시키도록 한다.
둘째, 이 연구에서 개발한 인공지능 생물분류 교육프로그램에 대한 초등교육전문가 타당도 검토 21개 문항 중에서 18개(86%) 항목에 긍정적 평가를 받았다. 또한 초등교육전문가들은 초등학생의 생물분류 학습뿐만 아니라, 과학과 핵심역량과 창의적 문제해결력, 인공지능 리터러시를 향상하는 데에도 도움이 될 것이라고 하였다.
첫째, 초등 생명분야에서 인공지능 융합교육이 가능한 성취기준은 8개(32%)였다. 이 연구에서는 초등 3∼4학년군과 5∼6학년군에서 각각 4개의 성취기준에 대해 인공지능 융합 활동을 제안하였다.
0으로 검토결과의 신뢰도는 매우 높았다. 초등교육전문가들은 생물분류에 인공지능을 적용하는 것을 긍정적으로 평가하였고, 이 연구에서 활용한 MLFK에 대한 적합성을 높게 평가하였다. 초등교육전문가들의 검토의견은 아래와 같다.
따라서 초등학생을 대상으로 AIBC 교육프로그램 적용하여 초등학생들의 인공지능 활용 수준을 밝히는 후속연구가 필요하다. 초등교육전문가들의 검토의견을 반영하여 AIBC 지도안에서 MLFK의 안내를 보완하였다. 초등교육전문가들의 검토의견은 아래와 같다.

후속연구

B: AIBC 일련의 과정에서 학생들의 과학과 핵심역량이 개발될 것으로 판단되고, 특히 새로운 상황에 적용하는 과정과 도전하는 단계에서 과학적 문제해결력이 많이 향상될 것이다.
B: Making 과정에서 특히 독창성과 유용성을 향상시킬수 있고, Sharing 과정에서 정교하게 다듬을 수 있으므로 창의적 인재 양성 교육에 매우 도움이 될 것이다.
머신 러닝의 지도학습은 분류 사고과정에서 분류기준의 고안과 선택, 실행과정과 유사한 알고리즘으로 구성되어 있고, 학생들이 머신 러닝을 학습시키고 평가하는 과정에서 분류기능을 향상시킬 수 있다. 따라서 생물분류 학습에 머신러닝을 적용한다면 학생들의 분류기능과 지식을 학습하는 데 효과적일 것이다.
선행연구(Shin,2020)에서는 교사의 인공지능에 대한 이해의 차이가 현장 적용가능성을 평가하는 데 영향을 준다고 하였다. 따라서 초등학생을 대상으로 AIBC 교육프로그램 적용하여 초등학생들의 인공지능 활용 수준을 밝히는 후속연구가 필요하다. 초등교육전문가들의 검토의견을 반영하여 AIBC 지도안에서 MLFK의 안내를 보완하였다.
이 연구에서 개발한 인공지능 생물분류 교육프로그램은 초등교육전문가의 타당도 검토과정만 거쳤기 때문에 초등학생들을 대상으로 한 후속연구를 통해 그 효과성을 검증할 필요가 있다. 마지막으로 이 연구 결과가 생물분류 학습에 적용되어 학생들의 분류 탐구 기능과 분류지식을 생성하는 데 도움이 되기를 기대한다.
인공지능 생물분류 교육프로그램은 인공지능 융합 과학 교수학습 모델(Shin, 2020)과 생물 분류과정을 토대로 개발되었고, 이는 생물분류뿐만 아니라, 과학과 다른 분야나 타 교과에서 분류와 관련된 교수학습에 적용할 수 있는 교육프로그램이다. 이 연구 결과는 초등 교과교육에서 인공지능 융합교육 프로그램을 개발하는 데 중요한 기초 연구로 활용할 수 있을 것이다.
이 연구에서는 리 커트 척도 3점과 4점을 긍정적인 평가로 하여 내용 타당도와 평가자간 일치도 지수를 산출하였다(Shin, 2019; 2020). 이 연구에서 개발한 AIBC 교육프로그램은 초등학생들에게 적용하는 과정을 거치지 않았기 때문에 이 연구의 결과를 일반화하는 데 제한이 있다
이 연구에서 개발한 인공지능 생물분류 교육프로그램은 초등교육전문가의 타당도 검토과정만 거쳤기 때문에 초등학생들을 대상으로 한 후속연구를 통해 그 효과성을 검증할 필요가 있다. 마지막으로 이 연구 결과가 생물분류 학습에 적용되어 학생들의 분류 탐구 기능과 분류지식을 생성하는 데 도움이 되기를 기대한다.
인공지능 융합 활동은 초등과학교육전문가의 협의를 통한 것으로 이 연구 결과를 현장에 적용하는 데 제한적이지만, 초등 생명분야에서 인공지능 융합교육의 방안을 제안하였다는 데 가치가 있다. 이 연구에서 제안한 인공지능 융합 활동은 후속 연구를 통해 그 적합성을 밝힐 필요가 있다.
초등 생명 분야에서 성취기준별 AICE는 초등과학교육전문가들의 협의를 토대로 제안되었기에 연구 결과를 해석하는 데 제한점이 있다. 하지만 현행 초등 생명분야에서 인공지능의 머신러닝을 중심으로 AICE의 가능성을 분석한 것으로, 앞으로 생명분야에서 인공지능 융합교육을 계획하는데 기초연구로서의 가치가 있다.

참고문헌 (39)

Aoun, J. E. (2017). ROBOT-PROOF: Higher education in the age of artificial intelligence, Cambridge, MA: MIT Press.
Cheong, H. I., Park, J. W. & Kim, J. G. (2016). Development of an educational program on the change of biological classification using argumentation. Biology Education, 44(3), 463-476.
Choi, H. D., Yang, I. H. & Kwon, C. S. (2006). Classification activity thoughts of elementary sixth grade pupils about artificial and natural stimulus. Journal of the Korean Association for Science Education, 26(1), 40-48.
Chung, W., Hur, M. & Cha, H. (1991). A study on the concept of plant classification among Korean elementary, middle and high school students. Journal of the Korean Association for Science Education, 11(1), 25-36.
Dewey, J. (1986). Experience and education. In the educational forum, 50(3), 241-252. Taylor & Francis Group.
Fry, R., Kolb, D. (1979). Experiential learning theory and learning experiences in liberal arts education. New Directions for Experiential Learning, 6, 79.
Gabel, D. L. (1993). Introductory science skills. Waveland Press.
Honey J. N. & Paxman H. M. (1986). The importance of taxonomy in biological education at advanced level. Journal of Biological Education, 20(2), 103-111.

상세보기
Hur, M. & Cha, W. (2010). A study on misconception frequency of plant classification and interest rates of elementary and secondary students. Biology Education, 38(1), 1-14.
Jho, H. (2018). Exploration of predictive model for learning outcomes of students in the e-learning environment by using machine learning. Journal of Learner-Centered Curriculum and Instruction, 18(21), 553-572.
Kim, E. K. & Kim J. G. (2018). Development of problembased learning program for high school student using everyday life materials to learn biology classification. School Science Journal, 12(1), 59-74.
Kim, H., Park, B. & Lee, B. (2007). Analysis of the basic inquiry process in Korean science textbooks: Focused on classification, prediction and reasoning. Elementary Science Education, 26(5), 499-508.
Kim, K. (2015). A self-regulated learning model development in computer programming education. Journal of The Korean Association of Information Education, 19(1), 21-30.

원문보기 상세보기
Kim, S., Kim, S. & Kim, H. (2019). Analysis of international educational trends and learning tools for artificial intelligence education. The Korean Association of Computer Education, 23(2), 25-28.
Koh, Y. S. & Kim H. N. (2016). Content analysis of life science area in science textbooks according to Korean elementary curriculum change. Journal of the Korean Association for Science Education, 36(2), 203-219.

원문보기 상세보기
Kwon, Y., Choi, S., Park, Y. & Jeong, J. (2003). Scientific thinking types and processes generated in inductive inquiry by college students. Journal of the Korean Association for Science Education, 23(3), 286-298.
Kwon, Y., Jeong, J., Shin, D., Lee, J., Lee, I. & Byeon, J. (2011). Creation and evaluation of science knowledge. Seoul: Hakjisa.
Kwon, Y., Lee, J. & Lee, I. (2007). Development of the classification ability quotient equation through the analysis of science teachers' classification knowledge generated in the pollen classification task. Secondary Education Research, 55(3), 21-43.
Lee S., Kang, T. & Kim, N. (2004). A study on the conception of the biological classification in the elementary students' grade. Biology Education, 32(1), 16-26.
Lee, E. & Kang, S. (2012). Sub-component extraction of inquiry skills for direct teaching of inquiry skills. Journal of the Korean Association for Science Education, 32(2), 236-264.

원문보기 상세보기
Lee, H. & Kim, Y. (2002). Effective structure of web-based Learning materials for high school biology taxonomy class. Biology Education, 30(2), 147-157.
Lee, H. & Kim, Y. (2002). Effective structure of webbased learning materials for hogh school biology taxonomy class. Biology Education, 30(2), 147-157.
Lee, H. W., Min, B. M., & Son, Y. A. (2012). Development and application of the explicit and reflective learning strategy for enhancement of the elementary school students' basic inquiry skills; -Based on observation and classification-. Journal of the Korean Association for Research in Science Education, 32(1), 95-112.

원문보기 상세보기
Lee, J. H., Kim D. R. & Moon, D. H. (2010). Development of activity-based learning program for understanding of biological classification concept for middle school students. Teacher Education Research, 49(2), 123-150.

상세보기
Lee, S., Kang, T. & Kim, N. (2004). A study on the conception of the biological classification in the elementary students' grade. Biology Education, 32(1), 16-26.
Lim, C. S. (2012). Development of an instructional model for brain-based evolutionary approach to creative problem solving in science. Biology Education, 40(4), 429-452.

상세보기
Ministry of Education. (2015). Science curriculum.
Ministry of Education. (2019). Science 6-2 teacher's guide, Seoul: Visang Education.
Park, K., Yoon, K. S. & Jeon, S. (2011). Development of sequential classification program for arthropods taxonomy. School Science Journal, 5(2), 92-108.
Raschka, S. & Mirjalili, V. (2019). Python machine learning: Machine learning and deep learning with python, scikit-learn, and TensorFlow 2. Packt Publishing Ltd.
Rubio, D. M., Berg-Weger, M., Tebb, S. S., Lee, E. S. & Rauch, S. (2003). Objectifying content validity: Conducting a content validity study in social work research. Social Work Research, 27(2), 94-104.

상세보기
Russell, S. & Bohannon, J. (2015). Artificial intelligence. Fears of an AI pioneer. Science, 349(6245), 252.

상세보기
Shin, W. (2019). Development of energy club program in connection with the curriculum of the 5th and 6th graders in the 2015 revision of elementary school. Energy and Climate Change Education, 9(2), 149-159.
Shin, W. (2020). Exploring the possibility of artificial intelligence science convergence education in energy and life unit. Energy and Climate Change Education, 10(1), 73-86.
Shin, W. S. & Shin, D. H. (2014). The development of intervention program for enhancing elementary sciencepoor students' basic science process skills. - Focus on eye movement analysis -. Journal of the Korean Association for Science Education, 34(8), 795-806.

원문보기 상세보기
Shin, W. S. & Shin, D. H. (2020). A study on the application of artificial intelligence in elementary science education. Elementary Science Education, 39(1), 117-132.
Shin, W. & Jang, K. (2018). The effect of a fairy tale-based energy education program on energy literacy of 6th grade elementary school students. Energy and Climate Change Education, 8(2), 207-218.
Shin, W. & Shin, D. (2020). A study on the application of artificial intelligence in elementary science education. Elementary Science Education, 39(1), 117-132.
Yoo, H. M. & Kim, J. G. (2006). A Study on the biology II textbooks by analysing questions for the college scholastics ability test and the biology teachers' appointment test - Focused on the chapters of taxonomy and ecology -. Biology Education, 34(3), 307-320.

저자의 다른 논문 :

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