딥러닝의 이미지 인식에 근거한 베이지안 이미지 교수 모델 (Bayesian Teaching Model of image Based on Image Recognition by Deep Learning)

서지정보

· 발행기관 : 새한철학회
· 수록지 정보 : 철학논총 / 102권 / 4호 / 271 ~ 296페이지
· 저자명 : 은은숙

초록

본고는 딥러닝의 이미지 인식 원리와 유아의 이미지 인식 원리를 종합하면서, 이미지-개념 학습을 위한 새로운 교수학습모델, 즉 “베이지안 구조구성주의 교수학습모델”(Bayesian Structure-constructivist Teaching-learning Model: BSTM)을 제안한다. 달리 말하면, 기계학습 원리와 인간학습 원리를 비교함으로써 얻게 되는 시너지 효과를 바탕으로, 유아들의 이미지-개념 학습을 위한 새로운 교수 모델을 구성하는 것을 목표로 한다. 이런 맥락에서 본고는 전체적으로 3가지 차원에서 논의된다. 첫째, 아동의 이미지 학습에 대한 역사적 중요 이론인 “대상 전체론적 가설”, “분류학적 가설”, “배타적 가설”, “기본 수준 범주 가설” 등을 역사 비판적 관점에서 검토한다. 둘째, 컴퓨터 공학에서 전개된 머신러닝의 이미지 학습 원리 및 그 구조의 역사적 변형들에 대해서 비판적으로 분석하면서, 특히 딥러닝의 교육 인식론적 의미를 도출한다. 셋째, 선행하는 논의들을 토대로 이미지와 개념을 연결시키는 학습, 즉 단어학습을 위한 필자의 고유한 이론인 구조구성주의 개념교수모델을 제안한다. 이때 필자는 피아제의 명제논리학적 학습 가설, 즉 논리-수학적 구조를 중시하는 기존의 피아제 학파의 학습 가설과 최근의 베이지안 학습 이론에서 강조된 확률론적 추론 가설, 특히 “교육학적 추론 가설”을 동시에 포함할 수 있는 교수학습모델의 구조 및 주요 지향점들을 제안한다.

영어초록

This article tries to introduce a new teaching-learning model for image-conception, synthesizing a Bayesian framework for parsing images in machine learning and the important theories of children's word learning. In this context, this article consists of three parts. First, I try to analyze from the history-critical view point the important theories such as "the whole object assumption", "taxonomic assumption", "mutual exclusivity assumption", "the basic level category assumption" and "associationist model". Second, I try to analyze the structure and principle of parsing images in deep learning, elucidating the pedagogical-epistemological meaning of the Bayesian framework which works as a core algorithm. In conclusion, I try to describe the Bayesian teaching-learning model which is constructed on the one hand by linking the traditional theories of children's word learning and the machine learning, and on the other by synthesizing the various deductive assumption and the empirical assumption such as the associationist model about word learning.

참고자료

· 없음