그래픽 워크플로우를 활용한 텍스트 코딩이 필요 없는 AI 융합교육 교육자료 개발:데이터 분석 플랫폼 KNIME을 통하여
Development of No-Code AI Convergence Education Teaching Material Using Graphical Workflow:KNIME-a Data Analysis Platform
0
조회
0
다운로드
5
인용
0
참고문헌
키워드
초록
2022 개정 교육과정은 디지털 소양 강화를 중점으로 하여 AI 교육을 강조하고 있다. 본 연구에서는 Konstanz Information Miner(KNIME)의 워크플로우를 기반으로 진자의 위치를 예측하는 활동의 AI 융합교육 교육자료를 개발하였다. 간단한 용수철 진자 실험을 통해 데이터셋을 구성하고 다층 퍼셉트론을 사용하여 예측 모델을 구축하였다. 연구 결과 다층 퍼셉트론 모델의 예측값은 평균 제곱근 오차 0.01을 보였다. 본문에 다층 퍼셉트론 모델을 실행하는 전체 과정이 있어 쉽게 따라 할 수 있게 하였다. 학습자는 기계학습을 실행하는 과정에서 실험을 통해 직접 데이터셋을 구성하고 처리하는 과정을 수행한다. 본 교육자료가 교육 현장에서 교과 속 문제를 발견하고 해결하는 과정을 돕고 AI 융합교육을 위한 교육자료로써 교과, 창의적 체험활동, 동아리, R&E 등에 활용되기를 기대한다.
Abstract
The 2022 revised curriculum emphasizes Artificial Intelligence education in light of strengthening digital literacy. In this study, based on the workflow of Konstanz Information Miner(KNIME), educational materials for machine learning were developed to predict the position of a pendulum. A dataset was constructed through a simple spring pendulum experiment and a prediction model was built using a multilayer perceptron. As a result, the root mean square error for the pendulum position predicted by the multilayer perceptron model was evaluated as 0.01. And the whole process of running the multi-layer perceptron model was introduced. In the process of machine learning, readers can directly perform the process of constructing and processing datasets through experiments. This educational material will help to understand the process of discovering and solving problems in the educational field, and is expected to be useful as educational material for AI convergence education for subjects, creative experience activities, clubs, and R&E.
참고문헌 (39)
- 강남화, "고등학교 물리학 Ⅱ" (2018), 천재교육
- 고욱희, "Excel VBA를 이용한 비선형 진자의 동력학적 특성 연구", 현장과학교육, 9(1), pp.60~71 (2015), 한국현장과학교육학회[DOI]
- 과학·수학·정보·융합 교육 종합계획, "교육부", ~ (2020)
- "2015", ~
- 교육부, "개정 교육과정 총론 주요 사항", ~ (2022)
- "2022", ~
- 김성진, "고등학교 물리학 Ⅱ" (2018), 미래엔
- 김영민, "고등학교 물리학 Ⅱ" (2018), 교학사
- 설문규, "워터폴 모델을 적용한 앱 인벤터 프로그래밍 교재개발 연구", 정보교육학회논문지, 17(4), pp.409~419 (2013), 한국정보교육학회[DOI]
- 손원성, "인공지능(AI) 교육 플랫폼을 활용한 SW교육 수업안 개발 : 초등학교 고학년을 중심으로", 정보교육학회논문지, 24(5), pp.453~462 (2020), 한국정보교육학회[DOI]
- 손정우, "고등학교 물리학 Ⅱ" (2018), 비상교육
- 신원섭, "운동과 에너지에서 인공지능 융합 과학교육의 가능성 탐색 연구", 에너지기후변화교육, 10(1), pp.73~86 (2020), 에너지기후변화교육학회[DOI]
- 신원섭, "초등 생물분류 학습에서 인공지능 융합교육의 적용 사례 연구", 초등과학교육, 39(2), pp.284~295 (2020), 한국초등과학교육학회[DOI]
- 신은혜, "과학 교사의 과학·AI융합교육 실천 동기와 인식", 현장과학교육, 16(3), pp.396~410 (2022), 한국현장과학교육학회[DOI]
- 이소율, "예비교사를 위한 머신러닝 활용 물질의 상태 분류에 대한 융합교육 프로그램의 효과 분석", 융합정보논문지, 12(5), pp.139~149 (2022), 중소기업융합학회[DOI]
- 이재득, "투자와 수출 및 환율의 고용에 대한 의사결정 나무, 랜덤 포레스트와 그래디언트 부스팅 머신러닝 모형 예측", 무역학회지, 46(2), pp.281~299 (2021), 한국무역학회[DOI]
- 이재호, "AI 융합 교육이 초등학생의 AI 인식에 미치는 영향", 정보교육학회논문지, 25(3), pp.483~490 (2021), 한국정보교육학회[DOI]
- 이재호, "초등 AI 융합교육 프로그램의 교육 효과성 분석", 정보교육학회논문지, 25(3), pp.471~481 (2021), 한국정보교육학회[DOI]
- 채승철, "인공지능 융합교육을 위한 데이터 기반 교육자료 개발: 감쇠진동을 중심으로", 현장과학교육, 15(2), pp.121~134 (2021), 한국현장과학교육학회[DOI]
- 전승배, "머신러닝을 이용한 해양수질 등급 추정", 대한공간정보학회지, 28(4), pp.145~152 (2020), 대한공간정보학회[DOI]
- 조연순, "문제중심학습(PBL)의 이론적 기초 : 지식관과 교육적 가치", 교육학연구, 41(3), pp.571~600 (2003), 한국교육학회
- 조헌국, "과학영재교육에서의 머신러닝 활용 튜토리얼 : 서울 지역 일별 기온 변화 데이터를 중심으로", 과학영재교육, 13(3), pp.133~149 (2021), 한국과학영재교육학회
- 진향곤, "국내 벚꽃 개화 및 단풍 시기에 대한 공간예측", 응용통계연구, 30(3), pp.417~426 (2017), 한국통계학회
- 초·중등 인공지능(AI)교육 학교 적용 방안 연구 연구보고서(SW·AI), "한국과학창의재단", 123~124 (2022)
- 한미영, "데이터 기반 과학 탐구 사례 연구", 현장과학교육, 16(2), pp.165~178 (2022), 한국현장과학교육학회[DOI]
- 허경, "엔트리를 활용한 초등 데이터 과학 교육 사례 연구", 정보교육학회논문지, 24(5), pp.473~481 (2020), 한국정보교육학회[DOI]
- 홍지연, "초등학생의 데이터 리터러시 함양을 위한 AI 데이터 과학 교육 프로그램 개발", 정보교육학회논문지, 24(6), pp.633~641 (2020), 한국정보교육학회[DOI]
- Alexander F, "KNIME for reproducible cross-domain analysis of life science data", Journal of Biotechnology, 261, pp.149~156 (2017)
- Berthold MR, "KNIME-the Konstanz information miner : version 2. 0 and beyond", AcM SIGKDD explorations Newsletter, 11(1), pp.26~31 (2009)
- Durairaj M, "Prediction of heart disease using back propagation MLP algorithm", International Journal of Scientific & Technology Research, 4(8), pp.235~239 (2015)
- Emadi M, "Movement prediction using an MLP without internal feedback", IEEE International Conference on Systems, Man and Cybernetics, 1(6), pp.5975~5979 (2004)
- Hemlata, "Experimental Evaluation of Open Source Data Mining Tools: R, Rapid Miner and KNIME", International Journal of Innovative Technology and Exploring Engineering, 9(1) (2019)
- Huber-Carol C, "Risk analysis : survival data analysis vs machine learning application to alzheimer prediction", Comptes Rendus Mecanique, 347(11), pp.817~830 (2019)
- Kalantary S, "MLR and ANN approaches for prediction of synthetic", natural nanofibers diameter in the environmental and medical applications, 2020, pp.10(1), 1~10
- "KNIME software" (2022)[URL]
- Ribeiro MHDM, "Short-term forecasting COVID-19 cumulative confirmed cases : Perspectives for Brazil", Chaos, Solitons & Fractals, 135, pp.109853~ (2020)
- Riedmiller M, "A direct adaptive method for faster backpropagation learning : the RPROP algorithm", IEEE International Conference on Neural Networks, 1, pp.586~591 (1993)
- Torp L, "Problems as possibilities: Problem-based learning for K-12 education" (1998), Ascd
- Xiao Q, "Prediction of pilling of polyester–cotton blended woven fabric using artificial neural network models", Journal of Engineered Fibers and Fabrics, 15, pp.1558925019900152~ (2020)