2017-1 여름방학 논문스터디 4차(20170712) - 편집 역사

Shanmei: /* 그 외 */

2017-07-13T14:58:12Z

‎그 외

Hiblue: /* 참가자 */

2017-07-13T14:55:55Z

‎참가자

Hiblue: /* 온톨로지와 머신리더블 데이터 */

2017-07-13T14:54:43Z

‎온톨로지와 머신리더블 데이터

2017년 7월 13일 (목) 14:44에 Shanmei님의 편집

2017-07-13T14:44:37Z

Shanmei: /* 온톨로지와 머신리더블 데이터 */

2017-07-13T14:37:54Z

‎온톨로지와 머신리더블 데이터

2017년 7월 13일 (목) 14:37에 Shanmei님의 편집

2017-07-13T14:37:16Z

Hiblue: /* 자료 */

2017-07-12T09:50:33Z

‎자료

Hiblue: /* 자료 */

2017-07-12T09:50:25Z

‎자료

2017년 7월 12일 (수) 09:48에 Hiblue님의 편집

2017-07-12T09:48:30Z

Hiblue: /* 토론 내용 */

2017-07-12T09:47:14Z

‎토론 내용

@@ 37번째 줄: / 37번째 줄: @@
 *아직까지 고전용어 시소러스는 보완점이 많지만 (시소러스 검색과 원문검색이 연결되지 않는 점, 동음이의어 검색의 불편.) 고전 데이터베이스에서는 유의미한 결과를 도출할 수 있을 것으로 보인다.
-*'''"정보시스템의 지능이라고 이야기할 수 있는 기계적 판단의 모든 근거는 사람에 의해 주어져야 한다"''' ->기계가독형 데이터를 만들려면 자료를 제작하는 콘텐츠 제작자의 자료에 대한 이해가 선행되어야 한다. 이와 같은 사항은 어느 분야에도 적용될 수 있으므로 디지털인문학자가 역할을 수행하기 위해서는 다양한 분야에 폭넓은 지식을 습득해야 한다.
+*'''"정보시스템의 지능이라고 이야기할 수 있는 기계적 판단의 모든 근거는 사람에 의해 주어져야 한다"''' ->기계가독형 데이터를 만들려면 자료를 제작하는 콘텐츠 제작자의 자료에 대한 이해가 선행되어야 한다. 이와 같은 사항은 어느 분야에도 적용될 수 있으므로 디지털인문학자가 역할을 수행하기 위해서는 다양한 분야에서 폭넓은 지식을 습득해야 한다.
 *지식 컨텐츠에서의 온톨로지는 백과사전식 정렬, 부분적인 이해에서 벗어나 맥락을 포함하는 단위로 구상하고 사용자의 수준과 관심도에 맞춰 자료를 개시할 수 있는 방안이 필요하다.
 <br/>
 ==주석==
 <references/>
 [[분류:2017-1 여름방학 논문스터디]]

@@ 8번째 줄: / 8번째 줄: @@
 * 김현규(인문정보학과 석사1차)
 * 이혜영(인문정보학과 석사1차)
 ==토론 내용==

@@ 26번째 줄: / 26번째 줄: @@
 **A : 사업의 산출물이라는 부분에 초점을 두면 '''사업의 1차적인 목적'''은 기계가 읽을 수 있는 자료를 만드는 것이지만 그에 따른 결과는 연구자가 되는 것이다.
 **Q : 그렇다면 완벽하게 설계된 머신리더블 데이터가 일반 사용자도 쉽게 접근할 수 있는 방식으로 연결이 되는가, 즉 기계가 읽을 수 있는 자료와 사람이 읽을 수 있는 자료로 연결이 되는가?
-**A : 김바로선생님의 의견에 따르면 모호성을 최대한 배제하고 기계가 읽을 수 있을 정도로 미세한 부분까지 쪼개고 쪼개서 데이터베이스를 구축하면 재조합 즉, 사람이 읽을 수 있을 형태로 재구축할 수 있으므로(이것은 ux의 문제이다.) 기계가독형 데이터도 사람이 볼 수 있는 데이터로 전환이 가능할 것이다. (린제이 선생님의 석사 학위 논문 참고).
+**A : 김바로선생님의 의견에 따르면 모호성을 최대한 배제하고 기계가 읽을 수 있을 정도로 미세한 부분까지 쪼개고 쪼개서 데이터베이스를 구축하면 재조합 즉, 사람이 읽을 수 있을 형태로 재구축할 수 있으므로(이것은 ux의 문제이다.) 기계가독형 데이터도 사람이 볼 수 있는 데이터로 전환이 가능할 것이다. (린지 선생님의 석사 학위 논문 참고).
 *온톨로지와 시소러스의 차이 <pre>온톨로지가 시소러스와 다른 점의 하나는 시소러스에 비해 개념 관계를 보다 세분하여 차별화할 수 있는 구조를 갖추고 있다는 점이다. 온톨로지는 개념 간의 관계와 용어 간의 관계를 분리하여 해당 주제 영역을 파악할 수 있는 구조를 갖추고 있다. 이를 통해 인간의 이해 구조를 더 잘 반영할 수 있으므로 시소러스에 비해 개념 간의 관계를 보다 정확하고 분명하게 만든다. 또한 주제 영역 내에서 일관성 있고 명확하게 각각의 개념을 정의하고, 개념 간의 관계를 구조화함으로써 해당 주제 영역의 특성을 보다 더 분명하게 반영할 수 있도록 해준다. 온톨로지가 시소러스와 구별되는 또 다른 특성은 일반화 혹은 상호운영성의 규칙을 적용함으로써 구조화된 지식으로부터 새로운 지식을 추론할 수 있다는 점이다. 추론을 통해 새롭게 덧붙여지는 지식은 지능적인 정보 처리에 적용될 경우 많은 역할을 할 수 있다. -출처 : 시소러스 기반 온톨로지에 관한 연구], 김영만- </pre>

@@ 28번째 줄: / 28번째 줄: @@
 **A : 김바로선생님의 의견에 따르면 모호성을 최대한 배제하고 기계가 읽을 수 있을 정도로 미세한 부분까지 쪼개고 쪼개서 데이터베이스를 구축하면 재조합 즉, 사람이 읽을 수 있을 형태로 재구축할 수 있으므로(이것은 ux의 문제이다.) 기계가독형 데이터도 사람이 볼 수 있는 데이터로 전환이 가능할 것이다. (린제이 선생님의 석사 학위 논문 참고).
-*온톨로지와 시소러스의 차이 <pre>온톨로지가 시소러스와 다른 점의 하나는 시소러스에 비해 개념 관계를 보다 세분하여 차별화할 수 있는 구조를 갖추고 있다는 점이다. 온톨로지는 개념 간의 관계와 용어 간의 관계를 분리하여 해당 주제 영역을 파악할 수 있는 구조를 갖추고 있다. 이를 통해 인간의 이해 구조를 더 잘 반영할 수 있으므로 시소러스에 비해 개념 간의 관계를 보다 정확하고 분명하게 만든다. 또한 주제 영역 내에서 일관성 있고 명확하게 각각의 개념을 정의하고, 개념 간의 관계를 구조화함으로써 해당 주제 영역의 특성을 보다 더 분명하게 반영할 수 있도록 해준다. 온톨로지가 시소러스와 구별되는 또 다른 특성은 일반화 혹은 상호운영성의 규칙을 적용함으로써 구조화된 지식으로부터 새로운 지식을 추론할 수 있다는 점이다. 추론을 통해 새롭게 덧붙여지는 지식은 지능적인 정보 처리에 적용될 경우 많은 역할을 할 수 있다.</pre>
+*온톨로지와 시소러스의 차이 <pre>온톨로지가 시소러스와 다른 점의 하나는 시소러스에 비해 개념 관계를 보다 세분하여 차별화할 수 있는 구조를 갖추고 있다는 점이다. 온톨로지는 개념 간의 관계와 용어 간의 관계를 분리하여 해당 주제 영역을 파악할 수 있는 구조를 갖추고 있다. 이를 통해 인간의 이해 구조를 더 잘 반영할 수 있으므로 시소러스에 비해 개념 간의 관계를 보다 정확하고 분명하게 만든다. 또한 주제 영역 내에서 일관성 있고 명확하게 각각의 개념을 정의하고, 개념 간의 관계를 구조화함으로써 해당 주제 영역의 특성을 보다 더 분명하게 반영할 수 있도록 해준다. 온톨로지가 시소러스와 구별되는 또 다른 특성은 일반화 혹은 상호운영성의 규칙을 적용함으로써 구조화된 지식으로부터 새로운 지식을 추론할 수 있다는 점이다. 추론을 통해 새롭게 덧붙여지는 지식은 지능적인 정보 처리에 적용될 경우 많은 역할을 할 수 있다. -출처 : 시소러스 기반 온톨로지에 관한 연구], 김영만- </pre>
 *고전데이터베이스에 있어서는 머신리더블 데이터=>휴먼리더블 데이터의 전환이 가능하지만 일반적인 지식에 대해 이와 같은 방식을 적용할 수 있을 것인가?
 **고전 데이터베이스를 이용하는 사람들의 유형은 크게 두 가지이다. 1. 사료로서 연구자들에게 이용되거나 2. 번역의 참고자료로 활용되거나. 이와 같이 기계가독형 자료는 방대한 데이터에서 세부적인 부분을 찾아낼 수 있기 때문에 위와 같이 전체적인 맥락 파악보다는 부분적으로 자료를 활용하는 고전에서는 유용하게 사용할 수 있다. 그러나 전체적인 관계를 이해해야 하는 분야, 총체적으로 파악하는 분야에서 맥락을 파악하는 분야에서 기계가독형 자료를 어떻게 구상해야 할 것인가의 문제는 우리가 앞으로 고민해야 할 문제이다.

@@ 27번째 줄: / 27번째 줄: @@
 **Q : 그렇다면 완벽하게 설계된 머신리더블 데이터가 일반 사용자도 쉽게 접근할 수 있는 방식으로 연결이 되는가, 즉 기계가 읽을 수 있는 자료와 사람이 읽을 수 있는 자료로 연결이 되는가?
 **A : 김바로선생님의 의견에 따르면 모호성을 최대한 배제하고 기계가 읽을 수 있을 정도로 미세한 부분까지 쪼개고 쪼개서 데이터베이스를 구축하면 재조합 즉, 사람이 읽을 수 있을 형태로 재구축할 수 있으므로(이것은 ux의 문제이다.) 기계가독형 데이터도 사람이 볼 수 있는 데이터로 전환이 가능할 것이다. (린제이 선생님의 석사 학위 논문 참고).
-*온톨로지와 시소러스 <pre>온톨로지가 시소러스와 다른 점의 하나는 시소러스에 비해 개념 관계를 보다 세분하여 차별화할 수 있는 구조를 갖추고 있다는 점이다. 온톨로지는 개념 간의 관계와 용어 간의 관계를 분리하여 해당 주제 영역을 파악할 수 있는 구조를 갖추고 있다. 이를 통해 인간의 이해 구조를 더 잘 반영할 수 있으므로 시소러스에 비해 개념 간의 관계를 보다 정확하고 분명하게 만든다. 또한 주제 영역 내에서 일관성 있고 명확하게 각각의 개념을 정의하고, 개념 간의 관계를 구조화함으로써 해당 주제 영역의 특성을 보다 더 분명하게 반영할 수 있도록 해준다. 온톨로지가 시소러스와 구별되는 또 다른 특성은 일반화 혹은 상호운영성의 규칙을 적용함으로써 구조화된 지식으로부터 새로운 지식을 추론할 수 있다는 점이다. 추론을 통해 새롭게 덧붙여지는 지식은 지능적인 정보 처리에 적용될 경우 많은 역할을 할 수 있다.</pre>
 *고전데이터베이스에 있어서는 머신리더블 데이터=>휴먼리더블 데이터의 전환이 가능하지만 일반적인 지식에 대해 이와 같은 방식을 적용할 수 있을 것인가?
 **고전 데이터베이스를 이용하는 사람들의 유형은 크게 두 가지이다. 1. 사료로서 연구자들에게 이용되거나 2. 번역의 참고자료로 활용되거나. 이와 같이 기계가독형 자료는 방대한 데이터에서 세부적인 부분을 찾아낼 수 있기 때문에 위와 같이 전체적인 맥락 파악보다는 부분적으로 자료를 활용하는 고전에서는 유용하게 사용할 수 있다. 그러나 전체적인 관계를 이해해야 하는 분야, 총체적으로 파악하는 분야에서 맥락을 파악하는 분야에서 기계가독형 자료를 어떻게 구상해야 할 것인가의 문제는 우리가 앞으로 고민해야 할 문제이다.
 <br/>
 ====그 외====
 *온톨로지와 시소러스가 다른 이유는 분류체계의 차이가 있기 때문이다. 시소러스에서 유의어, 하의어로 분류하는 것으로는 전체적인 맥락을 파악할수 없으므로 맥락을 조금 더 반영하기 위한 노력의 결과물이 온톨로지일 것이다.

@@ 2번째 줄: / 2번째 줄: @@
 * [http://www.dbpia.co.kr/Journal/ArticleDetail/NODE01767592 한국 고전적 전산화의 발전방향], 김현
 * [http://thesaurus.itkc.or.kr/ 한국고전종합DB 시소러스], 한국고전번역원
-* [[http://home.skku.edu/~ymko/pubdata/06%20thesaurus.pdf 시소러스 기반 온톨로지에 관한 연구], 김영만
+* [http://home.skku.edu/~ymko/pubdata/06%20thesaurus.pdf 시소러스 기반 온톨로지에 관한 연구], 김영만
 ==참가자==