[논문]인공지능(AI) 스피커에 대한 사회구성 차원의 발달과정 연구: 제품과 시기별 공진화 과정을 중심으로

차현주; 권상희

doi:10.7472/jksii.2021.22.1.109

인공지능(AI) 스피커에 대한 사회구성 차원의 발달과정 연구: 제품과 시기별 공진화 과정을 중심으로
A study of Artificial Intelligence (AI) Speaker's Development Process in Terms of Social Constructivism: Focused on the Products and Periodic Co-revolution Process 원문보기

Journal of Internet Computing and Services = 인터넷정보학회논문지, v.22 no.1, 2021년, pp.109 - 135

차현주 (Media Culture Content Research Institute, Sungkyunkwan University) , 권상희 (Dep of Journalism and Mass Communication, Sungkyunkwan University)

초록
AI-Helper

본 연구는 전통뉴스 보도에 나타난 인공지능(AI)스피커 뉴스 텍스트 분석을 통해 인공지능(AI) 스피커 발달과정을 분류하고 시기별 제품별 특성을 파악하였다. 또한 AI 스피커 사업자 제품별 뉴스 보도와 시기별 뉴스 보도간의 상관관계를 분석하였다. 분석에 사용된 이론적 배경은 뉴스의 프레임과 토픽프레임이다. 분석방법으로는 LDA 방식을 활용한 토픽모델링(Topic Modeling)과 의미연결망분석이 사용되었으며, 추가로 'UCINET'중 QAP분석을 적용하였다. 연구방법은 내용분석 방법으로 2014년부터 2019년까지 AI 스피커 관련 2,710건의 뉴스를 1차로 수집하였고, 2차적으로 Nodexl 알고리즘을 이용하여 토픽프레임을 분석하였다. 분석 결과 첫째, AI 스피커 사업자 유형별 토픽 프레임의 경향은 4개 사업자(통신사업자, 온라인 플랫폼, OS 사업자, IT디바이스 생산업자) 특성에 따라 다르게 나타났다. 구체적으로, 온라인 플랫폼 사업자(구글, 네이버, 아마존, 카카오)와 관련한 프레임은 AI 스피커를 '검색 또는 입력 디바이스'로 사용하는 프레임의 비중이 높았다. 반면 통신 사업자(SKT, KT)는 모회사의 주력 사업인 IPTV, 통신 사업의 '보조 디바이스' 관련한 프레임이 두드러지게 나타났다. 나아가 OS 사업자(MS, 애플)는 '제품의 의인화 및 음성 서비스' 프레임이 두드러지게 보였으며, IT 디바이스 생산업자(삼성)는 '사물인터넷(IoT) 종합지능시스템'과 관련한 프레임이 두드러지게 나타났다. 둘째, AI 스피커 시기별(연도별) 토픽 프레임의 경향은 1기(2014-2016년)에는 AI 기술 중심으로 발달하는 경향을 보였고, 2기(2017-2018년)에는 AI 기술과 이용자 간의 사회적 상호 작용과 관련되어 있었으며, 3기(2019년)에는 AI 기술 중심에서 이용자 중심으로 전환되는 경향을 나타냈다. QAP 분석 결과, AI 스피커 발달에서 사업자별과 시기별 뉴스 프레임이 미디어 담론의 결정요인에 의해 사회적으로 구성되는 것을 알 수 있었다. 본연구의 함의는 AI 스피커 진화는 사업자별, 발달시기별로 모회사 기업의 특성과 이용자 간의 상호작용으로 인한 공진화 과정이 나타냄을 발견할 수 있었다. 따라서 본 연구는 AI 스피커의 향후 전망을 예측하고 그에 따른 방향성을 제시하는 데 중요한 시사점을 제공한다.

Abstract ▼ AI-Helper

his study classified the development process of artificial intelligence (AI) speakers through analysis of the news text of artificial intelligence (AI) speakers shown in traditional news reports, and identified the characteristics of each product by period. The theoretical background used in the analysis are news frames and topic frames. As analysis methods, topic modeling and semantic network analysis using the LDA method were used. The research method was a content analysis method. From 2014 to 2019, 2710 news related to AI speakers were first collected, and secondly, topic frames were analyzed using Nodexl algorithm. The result of this study is that, first, the trend of topic frames by AI speaker provider type was different according to the characteristics of the four operators (communication service provider, online platform, OS provider, and IT device manufacturer). Specifically, online platform operators (Google, Naver, Amazon, Kakao) appeared as a frame that uses AI speakers as'search or input devices'. On the other hand, telecommunications operators (SKT, KT) showed prominent frames for IPTV, which is the parent company's flagship business, and 'auxiliary device' of the telecommunication business. Furthermore, the frame of "personalization of products and voice service" was remarkable for OS operators (MS, Apple), and the frame for IT device manufacturers (Samsung) was "Internet of Things (IoT) Integrated Intelligence System". The econd, result id that the trend of the topic frame by AI speaker development period (by year) showed a tendency to develop around AI technology in the first phase (2014-2016), and in the second phase (2017-2018), the social relationship between AI technology and users It was related to interaction, and in the third phase (2019), there was a trend of shifting from AI technology-centered to user-centered. As a result of QAP analysis, it was found that news frames by business operator and development period in AI speaker development are socially constituted by determinants of media discourse. The implication of this study was that the evolution of AI speakers was found by the characteristics of the parent company and the process of co-evolution due to interactions between users by business operator and development period. The implications of this study are that the results of this study are important indicators for predicting the future prospects of AI speakers and presenting directions accordingly.

주제어

표/그림 (15)

표 (표 1) 음성인식 기술의 발전과정 (Table 1) Development process of speech recognition technology
표 (표 2) 국내외 AI 서비스 디바이스 현황 비교 (Table 2) Comparison of domestic and foreign AI service devices
표 (표 3) 인공지능 스피커 뉴스 수량 (Table 3) Frequency Analysis of AI Speaker News Data
그림 (그림 1) 빅카인즈 접속 후 상세검색 페이지 화면 (Figure 1) Detailed search page screen after accessing BigKines
그림 (그림 2) 연구 프레임 워크 (Figure 2) Overall Research Framework
그림 (그림 3) 아마존 에코 토픽 프레임 (Figure 3) KT Gi Genie Topic Frame
그림 (그림 4) 구글 홈 토픽 프레임 (Figure 2) 구글 홈 Topic Frame
그림 (그림 5) 카카오 미니 토픽 프레임 (Figure 5) 카카오 미니 Topic Frame
그림 (그림 6) SKT 누구 토픽 프레임 (Figure 6) SKT NuGu Topic Frame
그림 (그림 7) MS & 하만카돈 인보크 토픽 프레임 (Figure 7) MS & Harman Kardon Invoke Topic Frame
그림 (그림 8) 애플 홈팟 (Figure 8) Samsung Bixby Topic Frame
그림 (그림 9) 삼성 빅스비 토픽 프레임 (Figure 9) Samsung Bixby Topic Frame
그림 (그림 10) 2014-2015 AI 스피커 토픽 프레임 (Figure 10) 2014-2015 AI Speaker Topic Frame
그림 (그림 11) 2016-2017AI 스피커 토픽 프레임 (Figure 11) 2016-2017AI Speaker Topic Frame
그림 (그림 12) 2018-2019 AI 스피커 토픽 프레임 (Figure 12) 2018-2019 AI Speaker Topic Frame

AI 본문요약
AI-Helper

문제 정의

덧붙여 AI 스피커 사업자 제품별 뉴스 보도와 시기별 뉴스 보도 간의 상관관계를 UCINET’중 QAP 분석을 통해 밝히고 이를 통한 AI 공진화 모형을 실증적으로 기술하고자 한다.
특히 국내 AI 스피커 시장이 초기임을 고려할 때, AI 스피커의 각 제품별 특성에 따른 대중의 반응을 탐색하고 그 발달과정을 살펴보는 것은 큰 의미가 있을 것이다. 이에 본 연구는 AI 스피커의 수용과정에서 사회적으로 공론장 역할을 하는 전통 뉴스 보도에 나타난 AI 스피커를 대상으로 토픽모델링과 의미연결망 분석을 사용하여 제품별과 시기별 AI 스피커의 주요 토픽을 도출하였다. 덧붙여 AI 스피커 사업자 제품별 뉴스 보도와 시기별 뉴스 보도 간의 상관관계를 UCINET’중 QAP 분석을 통해 밝히고 이를 통한 AI 공진화 모형을 실증적으로 기술하고자 한다.

제안 방법

본 연구는 AI 스피커 제품이 시장에 이용되고 그 발달 과정에 따른 뉴스 토픽이 기술적 발달 경로와 이와 관련한 뉴스 보도의 경향을 1) 제품의 토픽모델(topic model)과 2) 연도별 시기별 프레임(frme) 분석을 통하여 인공지능 발달 경향을 분석하였다. 두 영역 간 프레임의 특성을 통하여 인공지능 제품 관련 뉴스와 연도별 토픽을 살펴보면 초기에는 다양화된 형태로 나타남을 알 수 있었다.
이후 프레임 비교를 통해 AI 스피커의 년도별 발달과정을 살펴보았다. 이를 위해 토픽모델링을 활용한 LDA 분석과 의미연결망 분석을 통해 AI 스피커 발달과정에 나타난 기술과 사회의 공진화 과정을 토픽프레임을 도출하여 AI 기술 경향과 이를 수용한 사회적인 뉴스 특성을 파악하였다.

대상 데이터

2014년~2019년간 인공지능과 관련된 보도의 상황을 정확하게 파악하기 위해, 상세검색어는 ‘인공지능 스피커’, 개별 제품(KT 기가지니, SKT NUGU, 구글 홈, 네이버 웨이브, 삼성 빅스비, 아마존 에코, 애플 홈팟, 인보크)들로 입력했다
그리고 인공지능(Artificial Intelligence)과 다름없이 같은 ‘AI’로 약자인 ‘조류인플루엔자(Avian Flu)’과 구별하기 위해 제외하는 단어는 ‘조류인플루엔자’로 입력하였다. 검색 기간은 2014년에서 2019년까지 각자 한해 한해를 입력하였고 2014년 이후 매년 데이터를 수집하였다. 예를 들면, 2014년의 데이터를 수집했을 때 검색 기간은 ‘2014-01-01’에서 ’2014-12-31’로 입력하였다.
다음에 뉴스 데이터를 수집할 언론사 출처가 중앙지 (경향신문, 국민일보, 내일신문, 문화일보, 서울신문, 세계일보, 한겨레, 한국일보를 포함), 경제지(매일경제, 머니 투데이, 서울경제, 아시아경제, 파이낸셜뉴스, 한국경제, 해럴드경제 포함), 방송사(MBC, OBS, SBS, YTN를 포함)과 전문지(디지털타임스, 전자 신문을 포함)를 선택하였다. 검색 버튼을 누르면 검색 결과가 나왔다.
본 연구는 ‘빅카인즈’라는 뉴스 통합 데이터베이스를 이용하여 연구 자료인 뉴스 데이터를 수집하였다
주의해야 할 점은 본 연구의 2019년 데이터 수집은 2019-10-30까지로 한정하였다. 본 연구는 뉴스에 나타난 메시지 간의 토픽 모델링을 활용한 LDA분석과 의미연결망 분석을 위해 앞서 수집한 빅 카인즈(big kinds)의 뉴스 대상으로 데이터를 수집, 정제, 분석하였다. 이후 전체 수집된 다운로드를 클릭하여 해당 연도의 자세한 뉴스 데이터를 분석 가능한 엑셀 파일로 받아 분석에 활용하였다.
본 연구는 ‘빅카인즈’라는 뉴스 통합 데이터베이스를 이용하여 연구 자료인 뉴스 데이터를 수집하였다. 분석을 위한 자료수집 기간은 2013년 1월 1일부터 2019년 10월 30일까지 설정하였다. 빅 카인즈(big kinds)를 통해 2013년에서 2019년까지 수집한 개별 사업자-제품의 뉴스는 2,659건이었으며, 연도별 뉴스는 2,710건이었다(표 3 참조).
분석을 위한 자료수집 기간은 2013년 1월 1일부터 2019년 10월 30일까지 설정하였다. 빅 카인즈(big kinds)를 통해 2013년에서 2019년까지 수집한 개별 사업자-제품의 뉴스는 2,659건이었으며, 연도별 뉴스는 2,710건이었다(표 3 참조). 수집된 뉴스 데이터를 각각의 분석에 활용하였다.
빅 카인즈(big kinds)를 통해 2013년에서 2019년까지 수집한 개별 사업자-제품의 뉴스는 2,659건이었으며, 연도별 뉴스는 2,710건이었다(표 3 참조). 수집된 뉴스 데이터를 각각의 분석에 활용하였다.
이에 본 연구에서는 ‘빅카인즈’라는 뉴스 통합 데이터베이스를 이용하여 연구 자료인 뉴스를 수집하였다.
예를 들면, 2014년의 데이터를 수집했을 때 검색 기간은 ‘2014-01-01’에서 ’2014-12-31’로 입력하였다. 주의해야 할 점은 본 연구의 2019년 데이터 수집은 2019-10-30까지로 한정하였다. 본 연구는 뉴스에 나타난 메시지 간의 토픽 모델링을 활용한 LDA분석과 의미연결망 분석을 위해 앞서 수집한 빅 카인즈(big kinds)의 뉴스 대상으로 데이터를 수집, 정제, 분석하였다.

데이터처리

3단계는 토픽 분석CONCOR(반복 상관관계 수렴)** 분석을 통해 핵심어의 클러스터링(clustering)을 진행하여 단어 그룹을 생성하고, 그 안에서 해당 문서군의 주요 주제들을 도출하는 단계이다. 이 단계에 해당하는 분석 방법의 이론적인 방법론으로는 LDA방법이다.
사업자 유형별 토픽 프레임에 이어 연도별 토픽군집을 세밀하게 나누었다(<그림 10>~<그림 12> 참고). 마지막으로 AI 스피커 사업자 제품별 뉴스 보도와 시기별 뉴스 보도 간의 상관관계를 밝히고 이를 통한 AI 공진화 모형을 통계적으로 실증하였다.
본 연구의 분석 방법으로는 먼저, AI 스피커 관련 제품과 이용 관련 뉴스(Bigkinds DB)를 대상으로 텍스트 처리를 바탕으로 주요 단어의 빈도를 추출하였다. 이어 텍스트 분석을 바탕으로 AI 스피커 발전 단계에 나타난 Keywords를 Nodexl로 분석하고 이를 Matrix 데이터로 연도별 비중 추이를 분석하였다.
이를 위해 NodeXL의 군집화 기능이 있는 Clauset-Newman–Moore 알고리즘을 활용하여 관련 군집을 세밀하게 나누고 프레임을 비교 분석하였다.
본 연구의 분석 방법으로는 먼저, AI 스피커 관련 제품과 이용 관련 뉴스(Bigkinds DB)를 대상으로 텍스트 처리를 바탕으로 주요 단어의 빈도를 추출하였다. 이어 텍스트 분석을 바탕으로 AI 스피커 발전 단계에 나타난 Keywords를 Nodexl로 분석하고 이를 Matrix 데이터로 연도별 비중 추이를 분석하였다.
2단계는 인공지능 스피커 속성들을 더욱 명확하게 파악하기 위해 주요 단어에 대한 데이터 정제 작업이다. 이에 본 연구에서는 핵심어 분석 텍스트마이닝*을 통해 수집된 문서군(KINDS뉴스)에서 출현하는 단어의 빈도수와 TF-IDF 값* 등을 통해 핵심 핵심어를 도출하고 해당 핵심어의 의미를 분석하였다. 이를 위해 모든 단어를 코딩한 다음, 문장 중의 관사, 숫자, 접속사, 접미사, 부호 등을 삭제하였고 이슈와 관련된 명사를 중심으로 단어를 추출하였다.

이론/모형

사업자 유형별 토픽 프레임에 이어 연도별 토픽군집을 분석하기 위해 NodeXL의 군집화 기능인 Clauset-Newman-Moore 알고리즘을 활용하여 연도별 군집을 세밀하게 나누었다. 이후 프레임 비교를 통해 AI 스피커의 년도별 발달과정을 살펴보았다.
3단계는 토픽 분석CONCOR(반복 상관관계 수렴)** 분석을 통해 핵심어의 클러스터링(clustering)을 진행하여 단어 그룹을 생성하고, 그 안에서 해당 문서군의 주요 주제들을 도출하는 단계이다. 이 단계에 해당하는 분석 방법의 이론적인 방법론으로는 LDA방법이다. 이에 본 연구에서는 LDA를 활용하여 지수 값과 시각화된 네트워크 그래프를 통해 확인하였다.

성능/효과

더불어 3) 제품의 프레임은 기수별 상관성 특징이 2014-2016년에는 제품의 기술 중심 토픽으로 나타났다. 2017-2018년에는 AI 스피커의 사회문화적인 토픽 중심으로 보였으며, 2019년에는 AI 스피커 이용에 대한 프레임이 우세한 것으로 나타났다. 이를 통해 AI 스피커는 1기(2014-2016)에는 AI 기술 중심으로 발전하는 경향을 보였으며, 2기(2017년-2018)에는 AI 기술과 이용자의 상호작용으로 AI 스피커가 발달하는 경향을 보였다.
이를 통해 초기 제품의 사회 구성적인 발달 경향이 두드러지게 나타남을 파악할 수 있었다. 더불어 3) 제품의 프레임은 기수별 상관성 특징이 2014-2016년에는 제품의 기술 중심 토픽으로 나타났다. 2017-2018년에는 AI 스피커의 사회문화적인 토픽 중심으로 보였으며, 2019년에는 AI 스피커 이용에 대한 프레임이 우세한 것으로 나타났다.
본 연구는 AI 스피커 제품이 시장에 이용되고 그 발달 과정에 따른 뉴스 토픽이 기술적 발달 경로와 이와 관련한 뉴스 보도의 경향을 1) 제품의 토픽모델(topic model)과 2) 연도별 시기별 프레임(frme) 분석을 통하여 인공지능 발달 경향을 분석하였다. 두 영역 간 프레임의 특성을 통하여 인공지능 제품 관련 뉴스와 연도별 토픽을 살펴보면 초기에는 다양화된 형태로 나타남을 알 수 있었다. 이를 통해 초기 제품의 사회 구성적인 발달 경향이 두드러지게 나타남을 파악할 수 있었다.
끝으로 3기(2019)에는 AI 기술보다는 이용자 중심의 AI 스피커로 발전되는 경향을 나타냈다. 따라서 AI 스피커 발달은 AI 기술과 시장 마케팅 간의 구성주의적인 상관관계가 중요한 역할을 하는 것으로 나타남을 확인하였다. 본 연구결과를 통해 AI 스피커의 제품별 그리고 시기별로 AI 스피커 관련 플랫폼별 전략을 다르게 나타남을 알 수 있었다.
따라서 AI 스피커 발달은 AI 기술과 시장 마케팅 간의 구성주의적인 상관관계가 중요한 역할을 하는 것으로 나타남을 확인하였다. 본 연구결과를 통해 AI 스피커의 제품별 그리고 시기별로 AI 스피커 관련 플랫폼별 전략을 다르게 나타남을 알 수 있었다. 이는 이후 AI 스피커 관련 특허와 기술 개발에도 상호 연관성을 가지고 나타난다고 예측할 수 있다.
2017-2018년에는 AI 스피커의 사회문화적인 토픽 중심으로 보였으며, 2019년에는 AI 스피커 이용에 대한 프레임이 우세한 것으로 나타났다. 이를 통해 AI 스피커는 1기(2014-2016)에는 AI 기술 중심으로 발전하는 경향을 보였으며, 2기(2017년-2018)에는 AI 기술과 이용자의 상호작용으로 AI 스피커가 발달하는 경향을 보였다. 끝으로 3기(2019)에는 AI 기술보다는 이용자 중심의 AI 스피커로 발전되는 경향을 나타냈다.
두 영역 간 프레임의 특성을 통하여 인공지능 제품 관련 뉴스와 연도별 토픽을 살펴보면 초기에는 다양화된 형태로 나타남을 알 수 있었다. 이를 통해 초기 제품의 사회 구성적인 발달 경향이 두드러지게 나타남을 파악할 수 있었다. 더불어 3) 제품의 프레임은 기수별 상관성 특징이 2014-2016년에는 제품의 기술 중심 토픽으로 나타났다.

후속연구

본 연구결과를 통해 AI 스피커에 대한 제품별 시기별 발달과정을 파악하여 관련 산업계에 유용한 시사점을 제공하며 이에 관한 연구들이 활성화되는 계기를 마련할 수 있을 것이다.

참고문헌 (24)

NASS, Clifford, STEUER, Jonathan, TAUBER, Ellen R. "Computers are social actors", In: Proceedings of the SIGCHI conference on Human factors in computing systems, p. 72-78, 1994.
REEVES, Byron. & NASS, Clifford Ivar. "The media equation: How people treat computers, television, and new media like real people and places", England: Cambridge university press, 1996.
Sang Hee, Kweon. "Verification of Digital Media Development Model," Korean Journal of Communication & Information, Vol. 8, no. 2, pp.35-87, 2005.
Sang-Hee, Kweon., Hyeon-Ju, Cha. "A Study on AI Evolution Trend based on Topic Frame Modeling," the Journal of the Korea Digital Content Association, Vol. 20, no. 7, pp.66-85, 2020.
Kim, K., Kim, H. "Analysis of distinctive feature and security of AI personal assistant", Proceeding of the Institute of Electronics Engineers of Korea, pp.486-488, 2017.
Condliffe, J. "In 2016, AI home assistants won our hearts", Online publish: MIT Technology Review, 2016.12.20.https://www.technologyreview.com/2016/12/20/155032/in-2016-ai-home-assistants-won-our-hearts/
Werner, Goertz., Roberta, Cozza.. "Market Trends: VPA Speakers, Worldwide, 2017". Online publish:: Gartner Research, 2017.06.23.https://www.gartner.com/en/documents/3748617/market-trends-vpa-speakers-worldwide-2017
Young-Ju, Han., Sang-Ho, Lee. "Factors Affecting the Intention of Continuous Use of AI Speakers: Focusing on Media Efficacy and Social Presence", Korean Management Consulting Review, Vol. 19, no. 3, pp.83-95, 2019.
Heejun, Lee., Chang-Hoan, Cho., So-yoon Lee. "A Study on Consumers Perception of and Use Motivation of Artificial Intelligence(AI) Speaker", The Korea Contents Society, Vol. 19, no. 3, pp.138-154, 2019.
Ju-Yeoun, Na., Young-Hwan, Pan., Jeong-Yun, Heo. "Classification of Customer Utility for Voice Interactive Function of AI Personal Assistant Services : Based on KANO Model", Design Convergence Study, Vol. 65, no. 16, pp.68-80, 2017.
Gyu-Eun, Jo., Seung-In, Kim. "A study on User Experience of Artificial Intelligence speaker", Journal of the Korea Convergence Society, Vol. 9, no. 8, pp.127-133, 2018.

원문보기 상세보기
Nasmedia. "DIGITAL MEDIA & MARKETING TREND FORECASTING", pp.1-26, 2018.12.10. https://www.nasmedia.co.kr/정기보고서/2018년도-12월-2020-전망_digital-media-marketing-trend/
Ji-seop, Lee., Soo-young, Kang., Seung-joo, Kim. "Study on the AI Speaker Security Evaluations and Countermeasure", Journal of the Korea Institute of Information Security & Cryptology, Vol. 28, no. 6, pp.1523-1537, 2018.

원문보기 상세보기
Gyu-Eun, Jo., Seung-In, Kim. "A study on User Experience of Artificial Intelligence speaker", Journal of the Korea Convergence Society, Vol. 9, no. 8, pp.127-133, 2018.

원문보기 상세보기
Mi-jung, Kwon., Jong-moo, Kim. "An Analysis of Users Attitudes and Satisfaction toward the Motivation of Artificial Intelligence Speaker -Based on the Theory of Diffusion of Innovations-", Society of communication Design, Vol. 65, pp.472-484, 2018.
Heejun, Lee., Chang-Hoan, Cho., So-yoon Lee. "A Study on Consumers Perception of and Use Motivation of Artificial Intelligence(AI) Speaker", The Korea Contents Society, Vol. 19, no. 3, pp.138-154, 2019.
Jin-Myung, Lee., Minji, Jung., Jurae, Lee. "Consumer Perception and Adoption Intention of Artificial Intelligent Speaker: Non-Users Perspective", Korean Society Of Consumer Studies, Vol. 30, no. 2, pp.193-213, 2019.

상세보기
Dong-Hee, Cho., Youn-Joon, Lee. "Factors that Affect User Satisfaction toward Continuous Usage of AI Speakers - Focusing on The Mediation Effect of Emotional Attachment -", Journal of Korea Design Forum, Vol. 24, no. 2, 2019.
Wasserman, Stanley and Faust, Katherine. "Social network analysis: Methods and Application", NY: Cambridge University Press, 1994.
Blei, D. M., Ng, A. Y., & Jordan, M. I. "Latent dirichlet allocation". Journal of machine Learning research, Vol. 3, No. Jan, pp.993-1022, 2003.
Yong-Suk, Hwang., Joon-Oeung, Lee., Dong-Young, Son., Sang-Min, Kim., Kyung-Han, Yu., Se-Jung, Choi., Ik-Hyun, Kim., Dae-Won, Kim., Ryung-Ju., Pak., Yeoung-Min, Baek., Sang-Yuep, Lee., Yun-Taek, Sung. "Journalism Studies on Data Generation", Korea, Seoul: Communication Books, 2017.
Mimno, D., & McCallum, A. "Topic models conditioned on arbitrary features with Dirichlet-multinomial regression", The 24th Conference on Uncertainty in Artificial Intelligence, pp.411-418, 2008.
Ja-Hyun, Park., Min, Song. "A Study on the Research Trends in Library & Information Science in Korea using Topic Modeling", Journal of the Korean Society for Information Management, Vol. 20, no. 1, pp.7-32, 2013.
Clauset, Aaron., E. J. Newman, Cristopher Moore. "Finding community structure in very large networks", Physical. Review. Vol. 70, no, 6. 2004.

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