초록 ▼

□ 연구개요
∘ 지식 설계에서 주로 사용되는 토픽 빈도수 기반 방법은 결과를 시각화하고 해석하는 데 어려움이 있음. TF-IDF는 문서에 자주 등장하는 토픽을 중요한 내용으로 간주하므로 지식체계의 구성 특징상 적합한 방법이 아님. 지식체계의 주제 혹은 전문용어 간 의미적 유사성을 추출해주는 시스템은 국가의 인재양성뿐 아니라 학문적 발전을 위해 중요한 의미가 있음. 본 연구는 기존 연구의 한계를 극복하는 지식 설계가 가능하도록 시맨틱 네트워크 시스템을 개발하기 위한 핵심 모듈 개발 연구를 진행함. 연구세부 목표는 다음과 같음

□ 연구개요
∘ 지식 설계에서 주로 사용되는 토픽 빈도수 기반 방법은 결과를 시각화하고 해석하는 데 어려움이 있음. TF-IDF는 문서에 자주 등장하는 토픽을 중요한 내용으로 간주하므로 지식체계의 구성 특징상 적합한 방법이 아님. 지식체계의 주제 혹은 전문용어 간 의미적 유사성을 추출해주는 시스템은 국가의 인재양성뿐 아니라 학문적 발전을 위해 중요한 의미가 있음. 본 연구는 기존 연구의 한계를 극복하는 지식 설계가 가능하도록 시맨틱 네트워크 시스템을 개발하기 위한 핵심 모듈 개발 연구를 진행함. 연구세부 목표는 다음과 같음
1) 복합 어절 추출을 위한 전문용어 식별기 개발
2) 전문용어 가중치를 적용한 문장 모델 개발
3) 문장 모델을 통한 AI 분야의 주제 간 의미적 유사성 검증
4) Term2Vec 기반의 동적 지식 영역 구성 시스템 개발

□ 연구 목표대비 연구결과
∘ 전문용어 식별 모듈 개발
CS2013(ACM, IEEE 공표 컴퓨터과학 분야 지식체계)에 대한 분석을 시행하였으며, 분석 프레임으로 활용하였음. 프레임을 기준으로 J-17의 전문용어 코퍼스의 형태소 규칙을 일반화하여 전문용어 식별기를 개발하였음
∘ 전문용어 가중치를 적용한 문장 모델 개발
모델별 문장 모델링의 성능을 파악하기 위해 CNN 기반 모델, LSTM(Manhattan LSTM), Attention(Multihead Attention Networks) 모델을 SNLI Corpus Data를 학습시켜 구현하여, 성능을 분석하였으며, 가장 성능이 뛰어난 LSTM(Manhattan LSTM) 모델을을 기반으로 연구를 진행함
∘ 문장 모델을 통한 AI 분야의 주제 간 의미적 유사성 검증
Manhattan LSTM바탕으로 AI 분야의 주제 간 의미적 유사성을 검증함. 검증 대상인 두 개의 문장에 final hidden state의 벡터에 의미적 유사성 수준을 Threshold value에 따라 출력될 수 있도록 개발함. 모델의 성능 검증을 위하여 전문가를 통한 내용 타당도 검증과 검색 엔진을 활용한 색인어 기반 방법을 활용함
∘ 2차년도 : Term2Vec 기반의 동적 지식 영역 구성 시스템 개발
Word2Vec의 전처리 섹션에 N-gram 기반의 전문용어 추출 절차를 적용하는 Term2Vec 방법을 적용하여, 전문용어를 추출하여 임베딩할 수 있는 모듈을 개발함. 결과로 Sparse 한 형태로 의미적으로 해석이 가능한 형태로 클러스터링 된 것을 확인하였음

□ 연구개발성과의 활용 계획 및 기대효과(연구개발결과의 중요성)
∘ CS2013, J-17과 같은 표준 교육과정의 지식체계뿐 아니라 교과서를 비롯한 AI 교육 관련 문서에 포함된 전문용어들이 반영된 지식체계 동적 시스템을 구성할 예정임. 연도별 AI 교육 관련 문헌 수집 및 반영을 통하여 빠르게 변화하며 앞으로 더욱 중요해질 AI교육의 동향을 개발할 시스템을 통하여 파악할 수 있도록 후속연구를 진행할 예정임
∘지식체계 분석과 구축의 방향성을 제시함으로써 컴퓨터과학뿐 아니라 다양한 학문 분야의 지식체계를 구축하는데 기여할 수 있을 것으로 판단됨. 본 연구를 활용하여 구축한 지식체계를 바탕으로 교육과정을 개발하는데 활용할 수 있을것으로 판단되며, 빠르게 변화하는 AI관련 교육 문서들을 분석하여 AI 교육과정을 개발하는데 적용할 수 있을것으로 예상됨

(출처 : 연구결과 요약문 2p)