* 해석 과정에서 일부 오류가 있을 수 있으니 원 논문을 참고하여 확인하시기 바랍니다.연구 주제이 논문 *"Knock, Knock. Who's There? The Imagined Audience"*는 사람들이 소통할 때, 특히 소셜 미디어와 같은 공개적인 공간에서 자신들이 상대하고 있는 청중을 직접적으로 인식하지 못할 때, 그들이 상상 속에서 청중을 어떻게 개념화하는지에 대해 탐구합니다. '상상된 청중(Imagined Audience)'은 사람들이 의사소통하는 과정에서 실제로 누구와 소통하는지 정확히 알지 못할 때, 머릿속에서 그려지는 가상의 청중을 의미합니다. 연구는 현대의 소셜 미디어 환경에서 사용자들이 매우 다양한 청중에게 자신의 콘텐츠가 노출될 가능성을 인식하며, 그들이 누구를 청중으로 상정하고 ..

* 해석 과정에서 일부 오류가 있을 수 있으니 원 논문을 참고하여 확인하시기 바랍니다. 연구 주제이 연구는 제한 용량 모델(Limited Capacity Model of Media Message Processing)을 바탕으로 미디어 메시지를 처리하는 동안 발생하는 인지적 부담이 학습 및 정보 이해에 미치는 영향을 분석하는 데 초점을 맞추고 있습니다. 특히, 사용자가 미디어 메시지를 처리할 때 한정된 인지적 자원이 어떻게 배분되고, 이로 인해 중요한 정보가 왜곡되거나 손실될 가능성을 탐구합니다. 연구는 복잡한 정보나 멀티미디어 환경에서 이 인지적 부담이 더 두드러지게 나타나며, 학습에 부정적인 영향을 미친다는 가설을 검증하고자 합니다.논문 요약1. 서론연구 목표: 이 연구는 사람들이 미디어 메시지를 처리..

* 해석 과정에서 일부 오류가 있을 수 있으니 원 논문을 참고하여 확인하시기 바랍니다. 연구 주제   이 연구는 사람들이 웹을 통해 과학 정보를 처리하는 과정이 학습에 미치는 영향을 분석합니다. 특히, Think Aloud Protocols을 사용하여 사람들이 웹을 탐색하면서 실시간으로 사고 과정을 어떻게 전개하는지에 대해 조사합니다. 이를 통해 웹에서의 정보 처리 방식이 학습에 어떻게 연결되는지를 이해하는 데 목적이 있습니다. 논문 개요   1. 서론 - 연구 목표: 이 연구는 사람들이 웹을 통해 정보를 탐색하고 처리하는 과정이 학습에 미치는 영향을 이해하는 것을 목표로 합니다. 웹을 통해 정보를 습득하는 과정에서 발생하는 인지적 부담, 예를 들어 정보 과부하나 방향 감각 상실이 학습의 질에 부정적 영..

* 해석 과정에서 일부 오류가 있을 수 있으니 원 논문을 참고하여 확인하시기 바랍니다. 논문 개요 *The Uses-and-Gratifications Perspective of Media Effects*는 미디어 소비자가 단순한 수동적 수용자가 아니라, 그들이 각기 다른 욕구를 충족하기 위해 능동적으로 미디어를 선택하고 사용하는 방식을 설명하는 이론적 틀을 제시합니다. 이 접근법은 사람들이 미디어를 소비하는 이유와 그 과정에서 얻는 만족감을 중심으로 미디어 효과를 분석합니다. 이 이론은 미디어가 사람들에게 미치는 직접적인 영향보다는, 사람들이 미디어를 어떻게 활용하고 그로부터 어떤 만족을 얻는지에 초점을 맞추고 있습니다.논문 요약 *The Uses-and-Gratifications Perspective*..

* 해석 과정에서 일부 오류가 있을 수 있으니 원 논문을 참고하여 확인하시기 바랍니다. 논문 개요 *Patterns of Involvement in Television Fiction*은 Tamar Liebes와 Elihu Katz가 수행한 연구로, 이스라엘과 미국의 다양한 민족 집단이 드라마 *댈러스(Dallas)*를 어떻게 다르게 받아들이고 해석하는지를 비교 분석한 논문입니다. 연구는 시청자들이 동일한 텔레비전 프로그램을 시청할 때, 그들이 속한 문화적 배경에 따라 프로그램을 각기 다르게 해석하고 반응하는 방식을 탐구했습니다. 논문 요약 이 논문은 드라마 *댈러스*를 시청한 이스라엘과 미국의 다양한 민족 집단을 대상으로, 그들의 참여 방식과 반응을 비교 분석한 연구입니다. 연구는 각 민족 집단이 드라마..

참고 문헌:1. 서강대 AI MBA 데이터마이닝 강의교재 (2023)2. Müller, A. C., & Guido, S. (2016). *Introduction to Machine Learning with Python*. 1st Edition. O’Reilly Media, Inc., Sebastopol, CA. ISBN: 978-1449369415. 부스팅(Boosting)은 여러 약한 학습자(weak learner)를 순차적으로 결합하여 강력한 학습 모델을 만드는 앙상블 기법이다. 각 학습자는 이전 모델이 잘못 예측한 데이터를 보완하도록 학습되며, 점진적으로 성능을 향상시킨다. 대표적인 부스팅 알고리즘에는 AdaBoost, Gradient Boosting, XGBoost, LightGBM, CatBoo..