[논문]교과 연계 진로 탐색을 위한 인공지능 기반 고교 선택교과 및 대학 학과 추천 시스템

백진헌; 김하연; 권기원

doi:10.3745/ktsde.2021.10.1.35

교과 연계 진로 탐색을 위한 인공지능 기반 고교 선택교과 및 대학 학과 추천 시스템
Artificial Intelligence-Based High School Course and University Major Recommendation System for Course-Related Career Exploration 원문보기

정보처리학회논문지. KIPS transactions on software and data engineering. 소프트웨어 및 데이터 공학, v.10 no.1, 2021년, pp.35 - 44

백진헌 (한국과학기술원 인공지능대학원) , 김하연 (서울대학교 국어교육과) , 권기원 (한국방송통신대학교 이러닝학과)

초록
AI-Helper

4차 산업 혁명 시대의 도래에 따라 직업 환경의 변화가 가속화되고 있으며, 이와 함께 교육의 패러다임이 자유학기제와 고교학점제에 바탕을 둔 진로교육을 중심으로 변화하고 있다. 하지만, 학생들의 자율적인 진로 탐색을 지향하는 자유학기제 및 고교학점제의 정책적 목표와 달리, 진로교육 콘텐츠의 개발과 이용에 있어 교사 및 학생들의 한계가 존재하고, 이를 뒷받침할 에듀테크 기술 연구 역시 상대적으로 부족한 실정이다. 따라서 본 연구는, 교육 현장에서의 진로교육 실태를 바탕으로, 에듀테크 기술이 교과연계 진로교육과 관련해 갖춰야 할 요구조건을 세 가지로 정의하였다. 다음으로 데이터 기반 인공지능 기술을 통해, 진로탐색용 탐구주제와 고교 과목, 그리고 대학에서 수학 가능한 전공을 아우를 수 있는 데이터 시스템 및 인공지능 추천 모델을 제안하였다. 마지막으로 실험을 통해, 셋 인코딩-디코딩 기반 인공지능 추천 모델이 진로교육 콘텐츠 추천에서 만족할 만한 성능을 보이는 것을 확인하였고, 교육 현장에서의 실제 적용 결과 또한 만족스럽다는 것을 확인하였다.

Abstract ▼ AI-Helper

Recent advances in the 4th Industrial Revolution have accelerated the change of the working environment, such that the paradigm of education has been shifted in accordance with career education including the free semester system and the high school credit system. While the purpose of those systems is students' self-motivated career exploration, educational limitations for teachers and students exist due to the rapid change of the information on education. Also, education technology research to tackle these limitations is relatively insufficient. To this end, this study first defines three requirements that education technologies for the career education system should consider. Then, through data-driven artificial intelligence technology, this study proposes a data system and an artificial intelligence recommendation model that incorporates the topics for career exploration, courses, and majors in one scheme. Finally, this study demonstrates that the set-based artificial intelligence model shows satisfactory performances on recommending career education contents such as courses and majors, and further confirms that the actual application of this system in the educational field is acceptable.

주제어

표/그림 (7)

그림 Fig. 1. Response Result of Question 1
그림 Fig. 2. Response Result of Question 2
그림 Fig. 3. Response Result of Question 3
그림 Fig. 4. Response Result of Question 4
그림 Fig. 5. Wordcolud: Response Result of Question 5
표 Table 1. Dataset Statistics for Soft and Hard Problems
표 Table 2. 10-fold Cross Validation Results for Random Guess Baseline and our Models for Soft and Hard Problems with an Accuracy (Standard Deviation) as an Evaluation Metric

AI 본문요약
AI-Helper

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

문제 정의

첫 번째(A. Soft Problem)는 1) 교과연계 진로탐구 주제, 2) 고교 교과 분류 내 과목, 3) 전공(소계열)의 유기적 관계를 인공지능 모델이추론할 수 있는지 살펴본다. 두 번째(B.
다만 난이도의 적절성의 경우 다른 항목에 비해 다소 낮은 점수를 보였는데, 그 원인을 파악하고자 추가적으로 인터뷰를 실시하였다. 그 결과 ‘개념이 생소해서 다소 어려웠다’, ‘관련 보조자료가 있으면 좀 더 도움이 될 것 같다’, ‘(과학 과목의 경우) 문과 학생이라 조금 어려웠다’ 등의 의견이 두드러졌다.
또한, 학생의 진로 탐구를 돕기 위해서는, 학생 본인이 이수한 교과를 바탕으로 세부 전공을 추천하거나, 관심 있는 세부전공을 뒷받침하는 선택교과를 추천해주는 모델이 필요하다. 따라서 본 연구에서 데이터 기반 인공지능 모델로서 해결하고자 하는 문제는, 고교 과정에서 이수할 수 있는 선택교과와, 고교 과정을 마치고 수학 가능한 세부 전공에 대한 명확한 정보 제공이라고 할 수 있다.
본 연구는 교과연계 진로교육 콘텐츠의 개발을 위해, 교과 콘텐츠(선택교과 내 단원)와 진로 콘텐츠(세부전공), 그리고 이를 아우르는 교과 연계 진로 콘텐츠의 유기적인 연결점을 인공지능 기술을 통해 찾고자 한다. 이러한 인공지능 기술을 구현하기 위해서는, 교과 콘텐츠와 진로 콘텐츠를 임베딩 공간에서 벡터 표현으로 잘 표현할 수 있어야 한다.
본 연구는 진로교육 중심의 교육 패러다임 변화에 따라, 학생들의 자율적인 진로탐색을 지향하는 자유학기제와 고교학점제의 정책적 목표를 바탕으로, 교과연계 진로교육을 향한 에듀테크 기술이 추구해야 하는 요구조건 세 가지를 정의했다. 그다음, 데이터 기반 기술을 통해 진로 탐구 주제와 고교 과목및 수학 가능한 세부 전공을 아우르는 데이터 시스템 및 인공지능 추천 모델을 제안했다.
본 연구에서는 앞서 소개한 것처럼, A. Soft Problem(교과연계 진로탐구 주제, 고교 교과 분류 내 과목, 전공 3가지콘텐츠의 유기적 관계)과 B. Hard Problem(교과연계 진로탐구 주제, 고교 교과 과목 내 단원, 전공 3가지 콘텐츠의 유기적 관계) 문제를 인공지능 모델이 이해하고, 이에 따른 콘텐츠 추천이 가능한지 살펴보기 위해 다음과 같은 두 가지 문제 각각에 대한 실험을 정의하였다.
이는 평생직장의 개념이 사라지고 있는 4차 산업 혁명 시대에, 문·이과를 초월한 폭넓은 학습, 다양하고 구체적인 진로 체험을 바탕으로 학생들의 진로 개척 역량을 강화하기 위함이다. 이를 통해 변하는 직업 환경에 유연하게 적응할 수 있는 창의적·융합적 인재를 양성하고자 한다.

가설 설정

2. 교과수업에서 진로탐색 활동 시 누구의 도움을 받고 있나요(Fig. 2)? (복수 응답 가능)
4. 교과수업에서 진로탐색 활동을 준비할 때 어떤 것이 가장 어렵나요(Fig. 4)?

제안 방법

전공과의 관련성, 2) 과목과의 관련성, 3)단원과의 관련성, 4)난이도의 적절성, 5)재이용 의사를 5점 만점의 리커트 척도로 평가하도록 하였다. 설문 결과는 아래와 같다.
2) 확보된 데이터로부터 진로탐색 활동을 돕는 콘텐츠 개발 및 추천 인공지능 모델을 소개한다.
A. Soft Problem A 문제를 인공지능 모델이 이해한 다음, 그에 따른 진로 탐구 콘텐츠(선택교과 또는 세부전공) 추천이가능한지 알아보기 위해, 첫 번째로 (A. Task #1. Major Recommendation), 고교 교과 분류 내 과목이 주어졌을때, 전공(소계열) 추천이 가능한지 살펴본다. 두 번째로 (A.
B. Hard Problem 앞서 정의한 A 문제에 대한 두 가지 Task #1, #2와 유사하게, B 문제를 인공지능 모델이 이해한다음, 그에 따른 진로 탐구 콘텐츠(선택교과 또는 세부전공) 추천이 가능한지 알아보기 위해, 첫 번째로 (B. Task #1. Major Recommendation), 고교 교과 과목 내 단원이 주어졌을때, 전공(소계열) 추천이 가능한지 살펴본다. 두 번째로 (B.
교사 대상 현장 조사 먼저 학교 현장에서 진로·진학 지도교사 대상 현장 조사 경험이 있는 국내 고등학교 교사 8명을 대상으로 교육 방법 및 콘텐츠 개발에 대한 심층 인터뷰를 하였다. 교사 한 명당 약 20분의 시간이 소요되었으며, 인터뷰 결과 교사들이 진로·진학 지도에서 겪는 공통적 어려움 혹은 문제점은 크게 세 가지로 정리되었다.
그다음, 데이터 기반 기술을 통해 진로 탐구 주제와 고교 과목및 수학 가능한 세부 전공을 아우르는 데이터 시스템 및 인공지능 추천 모델을 제안했다. 마지막으로 실험을 통해, 제안한인공지능 모델이 진로교육 콘텐츠 추천에 있어 만족할 만한 성능을 보이는 것을 확인하였으며, 사용자 측면에 있어 교육 현장에서의 실제 적용 결과가 만족스럽다는 것도 확인하였다.
정의한다. 다음으로 콘텐츠의 정확성, 다각화와 균일성 확보(요건 2, 3)가 가능한 데이터 수집 방법을 소개한다.
데이터 수집 및 검수 방법 앞서 정의한 시스템 개발 요건에 따라, 진로 탐색 콘텐츠 개발의 소스를 다각화하고, 정확성과 균질성을 확보하기 위하여 데이터는 다음과 같은 과정에 따라 수집 및 검수 되었다.
Major Recommendation), 고교 교과 분류 내 과목이 주어졌을때, 전공(소계열) 추천이 가능한지 살펴본다. 두 번째로 (A. Task #2. Lecture Recommendation), 전공(소계열)이 주어졌을 때 고교 교과 분류 내 과목 추천이 가능한지 살펴본다.
Major Recommendation), 고교 교과 과목 내 단원이 주어졌을때, 전공(소계열) 추천이 가능한지 살펴본다. 두 번째로 (B. Task #2. Lecture Recommendation), 전공(소계열이) 주어졌을 때 고교 교과 과목 내 단원 추천이 가능한지 살펴본다. A 문제와 B 문제의 차이점은, A 문제는 고교 교과 분류 내과목을 바탕으로 진로탐구 주제를 설정하고, B 문제는 과목내에 있는 단원을 바탕으로 진로탐구 주제를 설정하는 것이다.
이에 따라본 연구는 앞서 설명한 맞춤형 진로교육의 핵심 목표를 달성하기 위해 첫째, 전국의 고등학교 교사 8명과 고등학생 1, 527명에 대한 인터뷰와 설문조사를 바탕으로, 실제 진로교육 현장에서 필요한 데이터 시스템 개발 요건을 정의한다. 둘째, 정의된 시스템 개발 요건을 바탕으로, 교과연계 진로교육 콘텐츠를 효과적·효율적으로 제공하기 위한 인공지능 모델을 개발한다. 인공지능 모델은 교과 및 진로 콘텐츠를 입력으로 받아, 이를 셋 기반으로 벡터 공간에 임베딩 한 다음[8], 학생들이 선호할만한 교과연계 진로 정보를 추천하는 모델이다.
2) Permutation Invariance: 교과 연계 진로 탐구 주제와 관련된 교과 콘텐츠와 진로 콘텐츠의 나열 순서에 따라, 탐구 주제가 지향하는 궁극적 목표는 변하지 않는다. 따라서 두 특성을 모두 만족하는, 콘텐츠 개발 및 추천을 위한 인공지능 모델로서 본 연구에서는 셋 표현 모델을 사용한다.
인공지능 모델은 교과 및 진로 콘텐츠를 입력으로 받아, 이를 셋 기반으로 벡터 공간에 임베딩 한 다음[8], 학생들이 선호할만한 교과연계 진로 정보를 추천하는 모델이다. 마지막으로 인공지능 모델이 제공하는 콘텐츠 추천 정확도에 대한 정량적· 정성적 성능과 함께 실제 교육 현장에서의 만족도를 확인한다. 본 연구의 기여를 세 가지로 요약하면 다음과 같다.
인코더와 디코더로는 각각 2개의 feed-forward layer를 사용하였으며, 인코더의 pooling 함수로는 sum operation을 사용했다. 마지막으로, 모델 성능의 정량적 평가는, 모델이 예측한 N개의 값 중 Top-n개의항목이, 실제로 예측 해야 할 n개의 항목과 일치하는지를 바탕으로 두는 accuracy 기반 평가 방식을 사용했다.
모델 구조적 측면에서 본 연구의 인공지능 모델은 셋 기반의 인코딩-디코딩 모델로, 진로 탐구 주제를 바탕으로 파생되는 고교 선택교과 및 수학 가능한 세부 전공을 벡터 공간에 표현하였다. 하지만 이뿐만 아니라 진로 탐구 주제 텍스트 그 자체도 자연어 기술을 이용하여 인코딩한 다음, 고교 선택교과 또는 수학 가능한 세부 전공을 추천함에 있어 보조 정보로 활용할 수 있다.
본 연구에서 개발한 추천 시스템의 활용성을 검증하고자, 교육 현장의 학생 300명을 대상으로 콘텐츠를 이용하도록 한 후 설문 조사 및 인터뷰를 실시하였다. 이때 교육 정보 접근성이 비교적 높은 수도권과, 접근성이 다소 낮은 지방권 학생 간에 만족도 차이를 보일 수 있다고 판단하여, 전국 고등학생의 현장 반응을 두루 검증하고자 온라인 학습커뮤니티에서 대상자를 지원 받았다.
또한 는 non-linear activation function을 나타낸다. 본 연구에서는 위와 같은 premutation equivalent layer들을 쌓아 _, _ 셋을 인코딩할 것이다. 예를 들어, 인코딩 함수 을 _와 같이 세 개의 __permutation equivalent layer를 쌓아 표현할 수 있다.
3%)이 일반 인문계고등학교 학생이다. 설문지는 총 5문항이며, 이분형 질문, 체크리스트형 질문, 서열형 질문 등을 활용하였다. 각 질문에 대한 응답 결과를 분석하면 아래와 같다.
시스템 제안에 앞서, 실제 진로교육 현장에서 교사와 학생들이 겪고 있는 교과연계 진로교육의 어려움을 파악하고자 인터뷰와 설문조사를 실시하였다.
이는 선택교과 집합 _을 입력으로 받아 세부전공 집합 _을 출력으로 추천할 수 있으며, 반대로 세부전공 집합 _을 입력으로 받아 선택교과 집합 _을 추천할수 있게 한다. 이를 위해 우리는 셋 기반의 인코딩 함수 의아웃풋인 을 입력으로 받은 다음, MLP와 같은 continuous function을 사용한 디코딩 함수인 을 통해 추천하고자 하는 집합을 예측한다. 이는 다음과 같이 정의된다:
3, 모델 각 layer의 hidden size는 64로 구성했다. 인코더와 디코더로는 각각 2개의 feed-forward layer를 사용하였으며, 인코더의 pooling 함수로는 sum operation을 사용했다. 마지막으로, 모델 성능의 정량적 평가는, 모델이 예측한 N개의 값 중 Top-n개의항목이, 실제로 예측 해야 할 n개의 항목과 일치하는지를 바탕으로 두는 accuracy 기반 평가 방식을 사용했다.
학생 대상 현장 조사 다음으로, 전국 고등학생 1,645명을 무작위로 추출, 교과수업에서의 진로 및 진학 탐색 활동에서 겪고 있는 어려움에 대하여 설문조사를 실시하였다. 응답자는 1학년 588명, 2학년 691명, 3학년 366명으로 구성되었으며, 이 중 1, 419명(86.
￭ 콘텐츠 추천에 대하여, 제안한 데이터 시스템 및 인공지능 모델의 정량적·정성적 성능을 확인하고, 사용 측면에서 실제 교육 현장에서의 결과를 확인한다.
￭ 현장 조사를 통해 정의한 시스템 개발 요건을 바탕으로, 맞춤형으로 교과연계 진로 콘텐츠를 개발 및 제공할 수 있는 데이터 시스템 및 인공지능 모델을 제안한다.

대상 데이터

따라서 보다 정확한 실험환경 구현 및 평가를 위해 K-Fold Cross Validation을 사용한다. K-Fold Cross Validation에서, K 값은 10으로 두었으며, 학습 데이터의 10%를 평가 데이터로 사용했다. 모델을 최적화하기 위해 Adam Optimizer[29]를 사용하였고, 각실험 Fold마다 300번의 iteration을 거치며 학습을 진행했다.
응답자는 1학년 588명, 2학년 691명, 3학년 366명으로 구성되었으며, 이 중 1, 419명(86.3%)이 일반 인문계고등학교 학생이다. 설문지는 총 5문항이며, 이분형 질문, 체크리스트형 질문, 서열형 질문 등을 활용하였다.
Soft Problem A 문제를 위한 데이터는 1) 교과연계진로탐구 주제, 2) 고교 교과 분류 내 과목 45개, 3) 전공(소계열) 138개의 조합으로 구성된다. 해당 문제를 위한 1), 2), 3)의 조합으로 1, 027개의 데이터를 수집했으며, 교과연계 진로탐구 주제당 평균적으로 6.53개의 고교 교과 내 과목이 있고, 6.71개의 전공(소계열)이 존재한다.
Hard Problem B 문제를 위한 데이터는 1) 교과연계진로탐구 주제, 2) 고교 교과 분류 내 과목 211개, 3) 전공(소계열) 138개의 조합으로 구성된다. 해당 문제를 위한 1), 2), 3)의 조합으로 871개의 데이터를 수집했으며, 교과연계 진로탐구 주제당 평균적으로 6.78개의 고교 교과 분류 내 단원이있고, 5.55개의 전공(소계열)이 존재한다.

이론/모형

비해 상대적으로 적은 편이다. 따라서 보다 정확한 실험환경 구현 및 평가를 위해 K-Fold Cross Validation을 사용한다. K-Fold Cross Validation에서, K 값은 10으로 두었으며, 학습 데이터의 10%를 평가 데이터로 사용했다.
K-Fold Cross Validation에서, K 값은 10으로 두었으며, 학습 데이터의 10%를 평가 데이터로 사용했다. 모델을 최적화하기 위해 Adam Optimizer[29]를 사용하였고, 각실험 Fold마다 300번의 iteration을 거치며 학습을 진행했다. Learning rate 값은 0.
데이터 내 교과 분류 첫째로, 고등학생이 이수 가능한 단원은 다음과 같이 [교과 > 교과 내 과목 > 과목 내 단원 > 단원 내 학습요소]로 분류할 수 있다. 분류 기준은 2015 개정 교육과정을 따랐으며[25], 본 연구는 3단계인 교과, 교과 내 과목, 과목 내 단원으로 연구 범위를 제한하였다. 단원 내 학습요소를 포함하는 4단계 분석은 추후 연구로 남긴다.
을 예측하는 것이다. 이러한 예측 모델을 구성하는 함수인 와 을 학습하기 위해, 본 연구는 손실함수 로서 cross-entropy loss를 사용한다. cross- entropy loss는 negative log likelihood를 최소화하는 방향으로 학습이 되며, 다음과 같이 정의된다:

성능/효과

먼저 두 콘텐츠의 특징을 살펴보면 다음과 같다. 1) Varying Cardinality: 교과 연계 진로 탐구 주제와 관련된 교과 콘텐츠와 진로 콘텐츠의 개수는 N개로 고정하여 정의할 수 없으며, 그 길이가 탐구 주제에 따라 가변한다. 2) Permutation Invariance: 교과 연계 진로 탐구 주제와 관련된 교과 콘텐츠와 진로 콘텐츠의 나열 순서에 따라, 탐구 주제가 지향하는 궁극적 목표는 변하지 않는다.
1) Varying Cardinality: 교과 연계 진로 탐구 주제와 관련된 교과 콘텐츠와 진로 콘텐츠의 개수는 N개로 고정하여 정의할 수 없으며, 그 길이가 탐구 주제에 따라 가변한다. 2) Permutation Invariance: 교과 연계 진로 탐구 주제와 관련된 교과 콘텐츠와 진로 콘텐츠의 나열 순서에 따라, 탐구 주제가 지향하는 궁극적 목표는 변하지 않는다. 따라서 두 특성을 모두 만족하는, 콘텐츠 개발 및 추천을 위한 인공지능 모델로서 본 연구에서는 셋 표현 모델을 사용한다.
하지만 Task #1. Major Recommendation에서 알 수 있듯이, 45개의 교과 정보만을 사용하는 것보다, 세분화된 211개의 단원 정보를 사용하는 것이 세부전공 추천 성능을 높이는 것을 확인하였다.
결과적으로, 의 원소가 가지는 값을 바탕으로, 추천하고자 하는 집합 셋의 원소들을 예측할 수 있다.
그다음, 데이터 기반 기술을 통해 진로 탐구 주제와 고교 과목및 수학 가능한 세부 전공을 아우르는 데이터 시스템 및 인공지능 추천 모델을 제안했다. 마지막으로 실험을 통해, 제안한인공지능 모델이 진로교육 콘텐츠 추천에 있어 만족할 만한 성능을 보이는 것을 확인하였으며, 사용자 측면에 있어 교육 현장에서의 실제 적용 결과가 만족스럽다는 것도 확인하였다.
설문 결과 희망 전공과의 관련성, 과목과의 관련성, 단원과의 관련성, 재이용 의사 모두 4점 이상의 높은 점수를 받았다. 특히 재이용 의사에서 가장 높은 점수를 받은 것은 본 연구에서 개발한 추천 시스템의 현장 활용 가능성이 매우 높음을 시사한다.
셋 기반의 인코딩-디코딩 구조를 바탕으로 설계한, 진로 콘텐츠 추천 인공지능 모델의 성능이 Table 2와 같이 random guess 성능을 압도적으로 뛰어넘은 것을 확인하였다. 더 나아가, Task #2.
셋 기반의 인코딩; Set-based Encoding 집합의 원소를포함하는 문제는 반드시 permutation invariant property 성질을 만족해야 한다. 이 의미는 주어진 집합의 원소 순서가바뀔지라도, target value의 값은 변하지 않아야 한다는 것이다.
특히 재이용 의사에서 가장 높은 점수를 받은 것은 본 연구에서 개발한 추천 시스템의 현장 활용 가능성이 매우 높음을 시사한다. 한편 전반적으로 지방 고등학교 학생의 만족도가 특히 높게 나타났는데, 이는 본 연구에서 개발한 추천 시스템이 수도권과 지방권의 정보 격차를 해소하는 데에도 기여할 수 있음을 암시한다.
특히 재이용 의사에서 가장 높은 점수를 받은 것은 본 연구에서 개발한 추천 시스템의 현장 활용 가능성이 매우 높음을 시사한다. 한편 전반적으로 지방 고등학교 학생의 만족도가 특히 높게 나타났는데, 이는 본 연구에서 개발한 추천 시스템이 수도권과 지방권의 정보 격차를 해소하는 데에도 기여할 수 있음을 암시한다.
모델이 보인 정성적 실험결과를 나타낸다. 해당 실험 결과처럼 실제 값과 유사하거나, 실제 값보다 더 탐구 주제에 어울리는 값을 모델이 예측하는 것을 확인할 수 있다.

후속연구

다시 말해, 진로탐구 콘텐츠 개발의 효율성을 높이고, 학생의 선택교과 또는 세부전공 선택을 도울 뿐만 아니라, 교사의 진로·진학 지도를 돕기 위해서는, 선택교과를 바탕으로 이루어지는 세부 전공의 추천과 세부전공을 바탕으로 이루어지는 선택교과의 추천이 가능한 인공지능 모델이 필요하다.
가능해진다. 또한 학생 측면에서 교과 관련 진로 정보가 부족하여 발생했던 제한적 탐색 범위를 본 데이터 기반 인공지능 모델을 통해넓힐 수 있을 것이라 기대한다.
그런데 이는 학생들이 교과서나 인터넷 검색만으로 쉽게 접하기 어려운 진로 탐색 콘텐츠를 제공함에 따른 결과로서, 오히려 깊이있고 실질적인 맞춤형 진로교육을 지향하는 본 추천 시스템의 본질을 보여준다고 해석할 수 있다. 한편 이러한 난이도의 문제는 교사의 보충 설명이나 보조자료제공 등을 통해 보완할 수 있을 것으로 기대한다.

참고문헌 (29)

J. Y. Choi et al., "This is the 4th industrial revolution," Maeil Business News, 2017.
Ministry of Education, "A Plan for the Implementation of the Free Semester System in Middle School," 2016.
Samcheok Office of Education, The Concept of Free School Year System [Internet], http://www.kwsche.go.kr/sub/info.do?m020601.
Korean Educational Development Institute, Introduction of High School Credit System [Internet], https://www.hscredit.kr/common/menu/html/900900001/detailPotal.do.
N. Kim, H. Lee, Y. Lee, Y. Jeong, and Y. Cho, "Analysis of experiences and effects of high school teachers' subjects-related career education classes using grounded theory," The Study of Career Education, Vol.31, No.2, pp.27-50, 2018.
E. Hyeon, "The Effect of Free Semester Creative Career Education Program on Media Convergence Design," NRF KRM(Korean Research Memory), 2015.
J. Lee, M. Park, M. So, and S. Ahn, "Corona19 and Education: Focusing on the Life and Perception of School Members," Gyeonggi Institute of Education, pp.162-168, 2020.
M. Zaheer, S. Kottur, S. Ravanbakhsh, B. Poczos, R. Salakhutdinov, and A. J. Smola "Deep Sets," in Proceedings of Advances in Neural Information Processing Systems, pp.3391-3401, 2017.
Free-Semester Website [Internet], www.ggoomggi.go.kr.
J. Kim, "A Study on Changes to Students Academic Records according to Their Satisfaction with the Free Semester System before and after Its Implementation (2015-2017)," The Journal of Learner-Centered Curriculum and Instruction, Vol.18, No.18, pp.293-316, 2018.

상세보기
S. Lee and S. Baek, "Exploring the Possibility of Expanding the Choice of High School Credit System," The Journal of Korean Teacher Education, Vol.36, No.2, pp.49-73, 2019.
G. Park, Y. Joo, and I. Lee, "An analysis on the role of school members for stable settlement of the High School Credit System," Journal of Research in Education, Vol.32, No.4, pp.87-113, 2019.
Y. Kim and A. Choi, "Teacher Perception and Practice on Free Semester Science Assessment," Journal of the Korean Association for Science Education, Vol.39, No.1, pp.143-160, 2019.

원문보기 상세보기
J. Seo and S. Shin, "A Case Study on the Effectiveness of Major-friendly Contents in Software Education for the Non-majors," Journal of Digital Convergence, Vol.18 No.5, pp.55-63, 2020.

원문보기 상세보기
H. Seo and S. Kyun, "An analysis of research published in Korean Journal with the theme of 'education & AI', using semantic network analysis," Asia-pacific Journal of Multimedia Services Convergent with Art, Humanities, and Sociology, Vol.9 No.11, pp.209-217, 2019.
W. Shin and D. Shin, "A Study on the Application of Artificial Intelligence in Elementary Science Education," Elementary Science Education, Vol.39, No1, pp.117-132, 2020.
B. Shi, S. Bai, Z. Zhou, and X. Bai, "DeepPano: Deep Panoramic Representation for 3-D Shape Recognition," IEEE Signal Processing Letters, Vol.22, No.12, pp.2339-2343, 2015.

상세보기
C. R. Qi, H. Su, K. Mo, and L. J. Guibas, "PointNet: Deep Learning on Point Sets for 3D Classification and Segmentation," IEEE Conference on Computer Vision and Pattern Recognition, pp.77-85, 2017.
P. Achlioptas, O. Diamanti, I. Mitliagkas, and L. J. Guibas, "Learning Representations and Generative Models for 3D Point Clouds," Proceedings of the 35th International Conference on Machine Learning, pp.40-49, 2018.
L. Yi, W. Zhao, H. Wang, M. Sung, and L. J. Guibas, "GSPN: Generative Shape Proposal Network for 3D Instance Segmentation in Point Cloud," IEEE Conference on Computer Vision and Pattern Recognition, 2019, pp.3947-3956.
Y. Lee and S. Choi, "Gradient-Based Meta-Learning with Learned Layerwise Metric and Subspace," Proceedings of the 35th International Conference on Machine Learning, pp.2933-2942, 2018.
J. Snell, K. Swersky, and R. S. Zemel, "Prototypical Networks for Few-shot Learning," Advances in Neural Information Processing Systems, pp.4077-4087, 2017.
A. Vaswani, N. Shazeer, N. Parmar, J. Uszkoreit, L. Jones, A. N. Gomez, L. Kaiser, and I. Polosukhin, "Attention is All you Need," Advances in Neural Information Processing Systems, pp.5998-6008, 2017.
J. Lee, Y. Lee, J. Kim, A. R. Kosiorek, S. Choi, and Y. W. Teh, "Set Transformer: A Framework for Attention-based Permutation-Invariant Neural Networks," Proceedings of the 35th International Conference on Machine Learning, pp.3744-3753, 2019.
National Curriculum Information Center, 2015 Curriculum [Internet], https://ncic.re.kr/.
Higher Education in Korea, Standard Classification System [Internet], https://www.academyinfo.go.kr/mjrinfo/mjrinfo0460/doInit.do.
O. Russakovsky, J. Deng, H. Su, J. Krause, S. Satheesh, S. Ma, Z. Huang, A. Karpathy, A. Khosla, M. S. Bernstein, A. C. Berg, and F. Li, "ImageNet Large Scale Visual Recognition Challenge," International Journal of Computer Vision, Vol.115 No.3, pp.211-252, 2015.

상세보기
J. Devlin, M. Chang, K. Lee, and K. Toutanova, "BERT: Pretraining of Deep Bidirectional Transformers for Language Understanding," Proceedings of the 2019 Conference of the North American Chapter of the Association for Computational Linguistics: Human Language Technologies, pp.4171-4186, 2019.
D. P. Kingma and J. Ba, "Adam: A Method for Stochastic Optimization," 3rd International Conference on Learning Representations, 2015.

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