액티브러닝 기반 딥러닝을 이용한 학습콘텐츠 자동분류 모델 = Automatic Classification Model of Learning Contents Using Deep Learning Based on Active Learning
저자
발행사항
대전 : 목원대학교 대학원, 2021
학위논문사항
학위논문(박사)-- 목원대학교 대학원 : 지능정보융합학과 2021. 6
발행연도
2021
작성언어
한국어
주제어
발행국(도시)
대전
형태사항
98 ; 26 cm
일반주기명
지도교수: 고대식
UCI식별코드
I804:25006-200000503534
소장기관
최근 비대면 교육시스템은 사회적으로도 필수적인 인프라로 부상하였으며, 특히 공무원 교육의 경우 인사·직무정보에 따른 개인별 맞춤형 학습에 대한 필요성이 더욱 대두되고 있다. 또한 교육시스템은 한정된 공급체계의 콘텐츠 제공 방식에서 벗어나 국내·외 연구기관 및 민간의 최신 자료 등 다양한 정책 자료를 연계하고 학습자가 관심 있거나 직무와 관련된 학습콘텐츠를 직접 제작하고 유용한 학습 자료를 발굴하여 동료와 공유할 수 있도록 하는 등 콘텐츠 공급자로서의 역할도 병행하게 되었다.
콘텐츠에 대한 최근 분류 및 레이블링 관련 기술은 사람의 개입을 최소화하고 데이터를 생성하는 기법들이 주를 이루고 있으며, 머신러닝을 이용한 준지도 학습(Self-supervised Learning)형태의 학습콘텐츠 자동분류 모델이 연구되고 있다.
이에 본 논문은 이러한 개인화 맞춤 학습 플랫폼을 구축하기 위해 액티브러닝(Active Learning) 기반의 딥러닝을 이용하여 학습콘텐츠를 자동 분류하는 기법을 연구·분석하였다.
액티브러닝은 모델 학습에 필요한 데이터를 준비할 때 모델이 분류하기 어려운 데이터 등 특징적인 초기데이터를 선별하여 학습하게 함으로써 적은 훈련시간으로 더 좋은 성능의 모델을 만들기 위한 방법론이다.
즉, 사전에 레이블링된 데이터를 활용하여 모델을 학습하고, 학습된 모델을 통해서 레이블링되지 않은 데이터를 선별하고 사람이 직접 레이블링한다. 새로 레이블링된 데이터를 기존 데이터 셋과 합친 후 목표 성능에 도달할 때까지 반복하여 실행한다. 이때 학습데이터를 선별하는 접근법이 액티브러닝의 핵심인데, 대표적인 접근법으로 모델이 분류하기 어려운 불확실성(Uncertainty)접근법과 데이터의 실제 분포와 유사하도록 데이터를 선별하는 다양성(Diversity)접근법이 있다.
본 논문에서 제안한 액티브러닝의 성능을 검증하기 위해 공무원 학습플랫폼의 학습콘텐츠 정보로부터 메타데이터를 24,227건 생성하여 학습데이터로 확보하였다.
액티브러닝의 학습콘텐츠 분류성능을 확인하기 위한 실험에서 기준(Baseline)을 확보하기 위해 BERT 기반 딥러닝을 이용하는 텍스트 분류 모델에 무작위로 데이터를 선택하는 Random Sampling 방식으로 실험을 진행하였다.
실험을 통해, SVM과 같은 머신러닝 기반 텍스트 분류모델에 비해 액티브러닝이 적용된 BERT 기반 딥러닝을 이용한 텍스트 분류 모델의 성능이 높은 것을 알 수 있었다.
다음으로 액티브러닝 모델의 학습콘텐츠 성능을 확인하기 위하여 학습데이터 선별방법인 Uncertainty 접근법과 다양성 접근법 중 하나인 Core-set 접근법 방식을 적용하여 실험을 진행하였다.
실험결과를 통해 동일한 학습콘텐츠 분류 정확도 성능을 확보하기 위하여 필요한 레이블링된 학습데이터 수가 Core-set 접근법을 적용한 액티브러닝이 Uncertainty 접근법을 적용한 액티브 러닝에 비하여 7% 적다는 것을 확인하였다. Core-set 접근법을 적용한 액티브러닝 방식은 90.7%의 학습콘텐츠 분류 정확도를 달성하기 위하여 1,200건의 데이터만 레이블링하여도 학습콘텐츠를 분류할 수 있기 때문에 전체데이터를 16,842건을 분류하기 위한 시간(80시간)에 비해 1,200건(7시간 추정)으로 커다란 시간 절감이 가능함을 확인하였다.
그러므로, 본 논문에서 제안한 방법이 액티브러닝 기반의 딥러닝을 이용한 효율적이고 정확한 학습콘텐츠 자동분류가 가능하다는 것을 실험결과를 통해 확인되었으며, 제안 방법을 개인화 학습플랫폼에 적용할 경우 맞춤형 학습서비스에 핵심적인 기능으로 활용될 것으로 기대된다.
분석정보
서지정보 내보내기(Export)
닫기소장기관 정보
닫기권호소장정보
닫기오류접수
닫기오류 접수 확인
닫기음성서비스 신청
닫기음성서비스 신청 확인
닫기이용약관
닫기학술연구정보서비스 이용약관 (2017년 1월 1일 ~ 현재 적용)
학술연구정보서비스(이하 RISS)는 정보주체의 자유와 권리 보호를 위해 「개인정보 보호법」 및 관계 법령이 정한 바를 준수하여, 적법하게 개인정보를 처리하고 안전하게 관리하고 있습니다. 이에 「개인정보 보호법」 제30조에 따라 정보주체에게 개인정보 처리에 관한 절차 및 기준을 안내하고, 이와 관련한 고충을 신속하고 원활하게 처리할 수 있도록 하기 위하여 다음과 같이 개인정보 처리방침을 수립·공개합니다.
주요 개인정보 처리 표시(라벨링)
목 차
3년
또는 회원탈퇴시까지5년
(「전자상거래 등에서의 소비자보호에 관한3년
(「전자상거래 등에서의 소비자보호에 관한2년
이상(개인정보보호위원회 : 개인정보의 안전성 확보조치 기준)개인정보파일의 명칭 | 운영근거 / 처리목적 | 개인정보파일에 기록되는 개인정보의 항목 | 보유기간 | |
---|---|---|---|---|
학술연구정보서비스 이용자 가입정보 파일 | 한국교육학술정보원법 | 필수 | ID, 비밀번호, 성명, 생년월일, 신분(직업구분), 이메일, 소속분야, 웹진메일 수신동의 여부 | 3년 또는 탈퇴시 |
선택 | 소속기관명, 소속도서관명, 학과/부서명, 학번/직원번호, 휴대전화, 주소 |
구분 | 담당자 | 연락처 |
---|---|---|
KERIS 개인정보 보호책임자 | 정보보호본부 김태우 | - 이메일 : lsy@keris.or.kr - 전화번호 : 053-714-0439 - 팩스번호 : 053-714-0195 |
KERIS 개인정보 보호담당자 | 개인정보보호부 이상엽 | |
RISS 개인정보 보호책임자 | 대학학술본부 장금연 | - 이메일 : giltizen@keris.or.kr - 전화번호 : 053-714-0149 - 팩스번호 : 053-714-0194 |
RISS 개인정보 보호담당자 | 학술진흥부 길원진 |
자동로그아웃 안내
닫기인증오류 안내
닫기귀하께서는 휴면계정 전환 후 1년동안 회원정보 수집 및 이용에 대한
재동의를 하지 않으신 관계로 개인정보가 삭제되었습니다.
(참조 : RISS 이용약관 및 개인정보처리방침)
신규회원으로 가입하여 이용 부탁 드리며, 추가 문의는 고객센터로 연락 바랍니다.
- 기존 아이디 재사용 불가
휴면계정 안내
RISS는 [표준개인정보 보호지침]에 따라 2년을 주기로 개인정보 수집·이용에 관하여 (재)동의를 받고 있으며, (재)동의를 하지 않을 경우, 휴면계정으로 전환됩니다.
(※ 휴면계정은 원문이용 및 복사/대출 서비스를 이용할 수 없습니다.)
휴면계정으로 전환된 후 1년간 회원정보 수집·이용에 대한 재동의를 하지 않을 경우, RISS에서 자동탈퇴 및 개인정보가 삭제처리 됩니다.
고객센터 1599-3122
ARS번호+1번(회원가입 및 정보수정)