|
이퍼텍스트에서 구조도를 제시하는 것이라고 가정하고, 하이퍼텍스트의 구조가 전문가의 의미론적 구조를 반영하고 하이퍼텍스트가 그것을 구조도로 제시하게 되면 쉽게 구조적 지식을 학습자가 습득하게 될 것이라고 예언했다. 그러나 그
|
|
|
하이퍼미디어 시스템속의 학습자는 과거의 지혜는 물론 현재의 지식과 경험을 십분 이용하여 현재와 미래의 문제해결에 이용할 수 있을 것이다.
참고문헌
김미량(1998), 하이퍼텍스트 학습체제에서의 상호작용 증진전략 연구, 박사학위논문,
|
|
|
상을 여러 가지 시각에서 분석하고 이해할 수 있게 되고, 따라서 학습자 스스로의 지식의 구성이 가능할 수 있다(Spiro & Jehng, 1990; Spiro, et. al. 1991). 그러나 하이퍼텍스트를 좀 더 구조화하자는 주장이나 적절한 학습 안내를 제공하자는 주장은
|
|
|
하이퍼텍스트 환경에서의 학습 효과, 서울대학교
◎ 정세영(2009), 구성주의의 인지적 도제 학습 방법을 활용한 관악 지도방법 연구, 경원대학교
◎ 정종진 외 1명(2002), 기대-가치모형에 근거한 인지적 동기변인과 초등학생의 학업성취와의 상
|
|
|
텍스트, 삼지원, 2000,
이예경, 하이퍼텍스트 프로그램에서의 메뉴유형에 관한 연구, 서울대학교 대학원 석사학위 논문, 1997
정인성·나일주, 컴퓨터를 이용한 학습에 하이퍼텍스트의 도입가능성 고찰, 행정과 전산, 1989
장수정, 인지적 융통성
|
|
 |
학습자가 문학작품을 읽고 해석한다는 것은 다양한 요인들이 복잡하게 얽혀 이루어지는 사고의 과정이다. 이 사고의 과정은 학습자가 문학 텍스트의 의미를 학습자의 차원에서 새롭게 구성해 나가는 과정이며 이런 과정을 통해 학습자의 문
|
|
|
텍스트의 의미구성 과정………………………………63
IV. 맥락 중심 문학교육의 원리 …………………………………………………73
1. 학습자의 맥락화에 대한 탐구……………………………………………73
2. 학습자와 수용맥락 간의 상호
|
|
|
학습의 효과를 최대한 얻을 수 있는 다양한 학습 내
용이나 교수법의 개선을 추구하여 학력 수준에 맞는 수업을 진행시킬 필요가 있다.
.
.
. 第1章 서론
第1節 연구의 목적
第2節 연구의 내용 및 방법
第2章 문학텍스트의 교육적 가치
|
|
|
텍스트를 비판적으로 읽기 위해 학습 과정에 포함시켜야하는 활동을 살펴보면 다음과 같다.
① 텍스트를 왜 읽는지를 인식한다.
② 텍스트의 아이디어들에 대한 질문을 제기하며 자신이 이미 알고 있는 사실과 연관시킨다.
③ 낯선 어휘들의
|
|
|
텍스트 기반의 XML 데이터는 Web 환경에서의 보안상 문제점을 가지고 있다. HTTP 프로토콜을 이용한 XML 데이터 통신은 그 데이터의 내용을 손쉽게 볼 수 있고 조작을 할 수도 있다. 일반적인 웹 환경에서의 SSL을 이용한 보안 통신을 하더라도 MITM(
|
|
 |
하이퍼파라미터 조정, 결과 해석까지 전 주기를 경험할 수 있었습니다. 대학원에 진학해서는 기계학습 이론과 딥러닝 구조에 대한 심도 있는 학습을 통해 연구 기반을 다지고, 인간 중심의 윤리적이고 실용적인 인공지능 연구를 수행하고 싶
|
|
 |
하이퍼텍스트가 개인의 관심사(關心事)나 단체의 업무, 홍보의 내용을 다양하게 제공하는 홈페이지와, 통신판매(通信販賣)를 이용하여 물건을 구매할 수 있는 인터넷의 상점이나 점포인 인터넷 쇼핑몰을 만들기도 했습니다.
저는 언제 어디
|
|
|
학습을 진행했습니다. 성능 개선을 위해 하이퍼파라미터 튜닝과 평가 지표 분석에 주력했습니다. 팀원들과 긴밀히 소통하며 연구 방향을 공유했고, 결과 발표 준비도 함께 진행해 프로젝트 성공에 기여했습니다.
Q8. 보안 분야에서 AI를 활용
|
|
 |
니다.
이를 극복하기 위해 체계적인 학습과 실험을 통해 문제를 단계적으로 해결할 것입니다. 예를 들어, 교차 검증(Cross-validation)을 통해 모델의 성능을 안정적으로 평가하고, 하이퍼파라미터 튜닝을 통해 모델을 최적화하는 방식으로 접근할
|
|
 |
학습에 필요한 데이터를 빠르게 확보할 수 있었고, 기존 데이터셋의 부족한 부분을 보완할 수 있었습니다. 또한, 데이터셋 변경 후에는 새로운 데이터를 기반으로 다시 모델을 학습시키면서 예측 정확도를 기존보다 25% 이상 향상시켰습니다.
|
|
메뉴펼치기
