$\require{mediawiki-texvc}$

연합인증

연합인증 가입 기관의 연구자들은 소속기관의 인증정보(ID와 암호)를 이용해 다른 대학, 연구기관, 서비스 공급자의 다양한 온라인 자원과 연구 데이터를 이용할 수 있습니다.

이는 여행자가 자국에서 발행 받은 여권으로 세계 각국을 자유롭게 여행할 수 있는 것과 같습니다.

연합인증으로 이용이 가능한 서비스는 NTIS, DataON, Edison, Kafe, Webinar 등이 있습니다.

한번의 인증절차만으로 연합인증 가입 서비스에 추가 로그인 없이 이용이 가능합니다.

다만, 연합인증을 위해서는 최초 1회만 인증 절차가 필요합니다. (회원이 아닐 경우 회원 가입이 필요합니다.)

연합인증 절차는 다음과 같습니다.

최초이용시에는
ScienceON에 로그인 → 연합인증 서비스 접속 → 로그인 (본인 확인 또는 회원가입) → 서비스 이용

그 이후에는
ScienceON 로그인 → 연합인증 서비스 접속 → 서비스 이용

연합인증을 활용하시면 KISTI가 제공하는 다양한 서비스를 편리하게 이용하실 수 있습니다.

[국내논문] 뉴스 빅데이터를 통해 검토한 대학교육의 토픽 분석
A Topic Analysis of College Education Using Big Data of News Articles 원문보기

디지털융복합연구 = Journal of digital convergence, v.19 no.12, 2021년, pp.11 - 20  

양지연 (금오공과대학교 응용수학과) ,  구정호 (금오공과대학교 경영학과)

초록
AI-Helper 아이콘AI-Helper

본 연구는 신문기사 빅데이터를 통해 대학교육 관련 보도의 토픽을 추출하고, 토픽별 특징 및 신문사별 보도양상을 분석한다. 2016년-2021년 상반기 주요 중앙지와 지역지의 기사를 빅카인즈를 통해 추출하였고, 잠재디리슐레할당을 이용하여 총 9개의 토픽을 발견하였다. 토픽1과 토픽3은 교육에 대한 대학지원사업에 관련된 것이나 토픽3은 지역대학에 초점이 맞추어져 있다. 토픽2는 코로나19 이후 대학교육, 토픽4는 교수-학습법, 토픽5는 정부정책, 토픽6은 고교교육기여대학 지원사업, 토픽7은 대학교육 비전, 토픽8은 국제화, 토픽9는 입시 등을 논하고 있다. 조선일보, 경향신문, 한겨레는 코로나19 이후 강의, 정부정책 관련, 대학교육에 대한 기사와 논평을 많이 보도한 반면 동아일보, 중앙일보, 한라일보, 부산일보, 대전일보, 경인일보는 대학지원사업, 고교교육기여대학 지원사업 등 광고·홍보성 기사가 상대적으로 많았다. 2016년부터의 관련기사를 신문사별 뿐 아니라, COVID-19 발생 전후로도 분석하여 관련 보도의 토픽 차이를 살펴볼 수 있었다. 사회적으로 주요 관심 사항인 대학교육이 언론에 어떻게 보도되고 있는지 확인함으로써 미래의 대학교육 정책 방향과 미디어의 순기능과 역기능 등 언론의 역할에 대해 고찰할 필요가 있음을 시사한다.

Abstract ▼ AI-Helper 아이콘AI-Helper

This study extracts topics related to university education through newspaper articles and analyzes the characteristics of each topic and the reporting patterns of each newspaper. The 9 topics were discovered using LDA. Topic 1 and Topic 3 are related to university support projects for education, but...

Keyword

#대학교육   #신문기사   #토픽모델링   #잠재디리슐레할당   #텍스트마이닝  

표/그림 (5)

참고문헌 (25)

  1. S. Noh. (2021). A Analysis of Issues Related to Artificial Intelligence Based on Topic Modeling. Journal of Digital Convergence, 18(5), 75-87. DOI : doi.org/10.14400/JDC.2020.18.5.075 

    원문보기 상세보기 crossref

  2. J. Ki & S. Ahn. (2020) Application of Sentiment Analysis and Topic Modeling on Rural Solar PV Issues: Comparison of News Articles and Blog Posts. Journal of Digital Convergence, 18(9), 17-27. DOI : doi.org/10.14400/JDC.2020.18.9.017 

    원문보기 상세보기 crossref

  3. S. S. Lee, I. Yoo & J. Kim (2020). An analysis of public perception on Artificial Intelligence(AI) education using Big Data: Based on News articles and Twitter. Journal of Digital Convergence, 18(6), 9-16. DOI : doi.org/10.14400/JDC.2020.8.6.009 

    crossref

  4. S. M. Kim. (2020). Analysis of Press Articles in Korean Media on Online Education related to COVID-19. Journal of Digital Contents Society, 21(6), 1091-1100. DOI: https://doi.org/10.9728/dcs.2020.21.6.1091 

    상세보기 crossref

  5. S. M. Heo & J. Y. Yang. (2021). A Convergence Study on the Topic and Sentiment of COVID19 Research in Korea Using Text Analysis. Journal of the Korea Convergence Society, 12(4), 31-42. DOI : dx.doi.org/10.15207/JKCS.2021.12.4.031 

    원문보기 상세보기 crossref

  6. S. Yoon, S. Jung & Y. A. Kim. (2021). Trend Analysis of Corona Virus(COVID-19) based on Social Media, Journal of Korea Academia- Industrial cooperation Society, 22(5), 317-324. DOI : 10.5762/KAIS.2021.22.5.317 

    원문보기 상세보기 crossref

  7. I. S. Park. (2021). Analysis of press articles in Korean media on education policy of the Ministry of Education related to COVID-19. Teaching Practicum Research, 3(1), 10-21. http://www.riss.kr/link?idA107781888 

  8. S. M. Kim. (2020). Analysis of Press Articles in Korean Media on Online Education related to COVID-19. Journal of Digital Contents Society, 21(6), 1091-1100. DOI: https://doi.org/10.9728/dcs.2020.21.6.1091 

    상세보기 crossref

  9. J. Kim, H. S. Na & K. H. Park. (2021). Topic Modeling of Profit Adjustment Research Trend in Korean Accounting. Journal of Digital Convergence, 19(1), 125-139. DOI : doi.org/10.14400/JDC.2021.19.1.125 

    원문보기 상세보기 crossref

  10. S. M. Kim & Y. J. Kim. (2020). Research Trend Analysis on Living Lab Using Text Mining. Journal of Digital Convergence, 18(8), 37-48. DOI : doi.org/10.14400/JDC.2020.18.8.037 

    원문보기 상세보기 crossref

  11. S. K. Park, H. J. Lee & B. G. Lee (2021) Exploring Social Issues of On-demand Delivery Platform Participants. Journal of Digital Convergence, 19(7), 79-85. DOI : doi.org/10.14400/JDC.2021.19.7.079 

    원문보기 상세보기 crossref

  12. S. M. Lee & S. G. Hong. (2020). Policy agenda proposals from text mining analysis of patents and news articles. Journal of Digital Convergence, 18(3), 1-12. DOI : doi.org/10.14400/JDC.2020.18.3.001 

    원문보기 상세보기 crossref

  13. M. J. Kim (2020). Analyzing the Trend of Wearable Keywordsusing Text-mining Methodology. Journal of Digital Convergence , 18(9), 181-190. DOI : doi.org/10.14400/JDC.2020.18.9.190 

    crossref

  14. M. S. Shon, M. J. Im & K. H. Park (2021). A Study on Consumer perception changes of online education before and after COVID-19 using text mining. Journal of Digital Convergence, 19(1), 29-43. DOI : doi.org/10.14400/JDC.2021.19.1.029 

    원문보기 상세보기 crossref

  15. BIG KINDS, News Bigdata & Analysis. Korea Press Foundation. https://www.bigkinds.or.kr 

  16. D. M. Blei, A. Y. Ng & M. I. Jordan. (2003). Latent dirichlet allocation, The Journal of Machine Learning Research, 3, 993-1022. https://dl.acm.org/doi/10.5555/944919.944937 

    crossref

  17. S. M. Heo & J. Y. Yang. (2020). Analysis of Research Topics and Trends on COVID-19 in Korea Using Latent Dirichlet Allocation. Journal of The Korea Society of Computer and Information, 25(12), 83-91. DOI : 10.9708/jksci.2020.25.12.083 

    원문보기 상세보기 crossref

  18. M. L. Jockers & R. Thalken. (2014). Text analysis with R for students of literature,. New York: Springer. DOI : 10.1007/978-3-319-03164-4 

  19. J. Cao, T. Xia, J. Li, Y. Zhang, & S. Tang. (2009). A density-based method for adaptive lda model selection, Neurocomputing, 72(7), 1775-1781. DOI: 10.1016/j.neucom.2008.06.011 

    상세보기 crossref

  20. R. Arun, V. Suresh, C. V. Madhavan, & M. N. Murthy. (2010). On finding the natural number of topics with latent dirichlet allocation: Some observations, Pacific-Asia Conference on Knowledge Discovery and Data Mining, Part I, 391-402. DOI : 10.1007/978-3-642-13657-3_43 

    상세보기 crossref

  21. T. L. Griffiths & M. Steyvers. (2004). Finding scientific topics. Proceedings of the National academy of Sciences. 101, suppl 1, 5228-5235. DOI: 10.1073/pnas.0307752101 

    상세보기 crossref

  22. R. Deveaud, E. SanJuan, & P. Bellot. (2014). Accurate and effective latent concept modeling for ad hoc information retrieval. Document numerique. 17(1), 61-84. DOI: 10.3166/DN.17.1.61-84 

    crossref

  23. KOSIS KOrean Statistical Information Service Statistics Korea, https://kosis.kr/statHtml/statHt ml.do?orgId101&tblIdDT_1YL21181 

  24. C. Sievert & K. Shirley. (2014). LDAvis: A method for visualizing and interpreting topics. Conference: Workshop on Interactive Language Learning, Visualization, and Interfaces at the Association for Computational Linguistics. 63-70. DOI:10.13140/2.1.1394.3043 

    crossref

  25. KESS, Korean Educational Statistics Service, https://kess.kedi.re.kr 

저자의 다른 논문 :

관련 콘텐츠

오픈액세스(OA) 유형

FREE

Free Access. 출판사/학술단체 등이 허락한 무료 공개 사이트를 통해 자유로운 이용이 가능한 논문

이 논문과 함께 이용한 콘텐츠

저작권 관리 안내
섹션별 컨텐츠 바로가기

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

AI-Helper 아이콘
AI-Helper
안녕하세요, AI-Helper입니다. 좌측 "선택된 텍스트"에서 텍스트를 선택하여 요약, 번역, 용어설명을 실행하세요.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.

선택된 텍스트

맨위로