L2 영어 교과서를‘학습’한 신경망 언어 모델의 통사적 일반화 양상 :Syntactic Generalization Aspects of Neural Network Language Models 'Learned' L2 English Textbooks

구건우

추천

검색

자료유형: 학위논문

저자정보: 구건우 (동국대학교, 동국대학교 교육대학원)

지도교수: 박명관

발행연도: 2021

저작권: 동국대학교 논문은 저작권에 의해 보호받습니다.

이용수8

이 논문의 연구 히스토리 (4)

2023

영어권 아동 도서의 일반 상식 평가 -신경망 언어 모델을 활용하여-

구건우 , 이재민 , 김유희 철학∙사상∙문화 2023.01 학술저널

2022

'부정극어 허가 처리 평가: 영어 교과서를 학습한 신경망 언어 모델을 활용하여

구건우 , 이재민 , 박명관 언어와 정보사회 2022.07 학술저널

L2 영어 교과서를 ‘학습’한 L2-신경망 언어 모델의 문법 일반화 양상

구건우 , 박명관 현대문법연구 2022.03 학술저널

2021

L2 영어 교과서를‘학습’한 신경망 언어 모델의 통사적 일반화 양상

구건우 영어교육전공 2021.01 학위논문

이 논문의 후속연구가 궁금하신가요?
연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
이 논문의 연구 히스토리 확인하기

초록· 키워드

오류제보하기

본 논문은 한국인 영어학습자의 환경에서 구축된 K-영어 코퍼스(국내에서 출판된 2009년 및 2015년 개정 초·중·고등학교 영어 교과서에서 수집된 790만 단어로 구축)를 사용하여 교과서에 사용된 문장의 통사 구성 즉 어떤 언어 현상을 갖추고 있는가를 언어 모델을 통해 확인하려 한다. 구체적으로, 신경망 언어 모델의 일환인 LSTM(Long short-term memory)과 GPT 2(Generation Pre-trained Transfomer2)를 학습시키고 구동하여 교과서 코퍼스를 활용한 전 산언어학적 접근으로 영어 교과서를 평가하여 교과서를 구성하는 데 있어서 도움이 되고자 한다.

Today, society in the 21st century is drawing science development and change from education based on the Fourth Industrial Revolution. In the revised 2015 curriculum, the Ministry of Education emphasized artificial intelligence and software education, reflecting coding education using computer programs as a curriculum. In addition, the Ministry of Education is demanding AI education from schools in the curriculum starting in 2021. In particular, AI-based training methods are essential in recent unexpected non-face-to-face learning environments such as Corona Pendemic. The method of analyzing English textbooks using neural network language models that we attempt in this paper can also be said to be an appropriate analytical
model for the AI era. Modern English education uses a variety of teaching methods to
contribute to improving learners'' English proficiency. Moving away from the past memorization methods of memorizing grammar and syntax, the current English education focuses on free communication
like native speakers as the ultimate goal. In Korea, an environment of English as a foreign language (EFL), it
can be said that the success of English learning depends on what standards we use to learn English. English textbooks are the most important learning materials and standards in the field of English
education in Korea. This is because the material that specifically verifies the method and contents of education is an English textbook. In particular, teachers in charge of English are highly dependent on
English textbooks, so it is important that the contents and methods of education are presented in a balanced manner for learning English education. In this regard, various evaluations have been conducted on
the appropriateness of sentence composition in English textbooks and what linguistic resources are included, and recently, analysis methods using Natural Language Processing(NLP) methods have drawn
attention in English textbook analysis. Natural language processing is a field of artificial intelligence that
studies human language phenomena so that they can be described using computers and works on inputs given in natural language. Since the 1950s, natural language processing methods have developed
in machine learning techniques utilizing corpus data, and deep learning techniques required for natural language processing have been actively applied to educational environments. Therefore, evaluating English textbooks using natural language processing is an appropriate analysis method for the artificial intelligence era. This analysis allows us to observe the contents of existing English textbooks with a new perspective This paper uses the K-English corpus(built-in 7.9 million words collected from revised elementary, middle, and high school English textbooks published in Korea in 2009 and 2015) to identify the syntactic composition of sentences used in textbooks, i.e., what language phenomena they have. Specifically, we want to train and drive neural network language models LSTM(Long-term memory) and GPT2(Generation Pre-trained Transformer2), part of the natural language processing system, to evaluate English textbooks with a computational linguistic approach using a textbook corpus to make use of teachers'' teaching choices.

#교과서 분석 #영어교육 #언어 모델 #LSTM #GPT2 #언어적 지식

제1장 서 론 1
1.1 연구의 목적 및 필요성 1
제2장 선행 연구 3
2.1 코퍼스 언어학 3
2.2 코퍼스 기반 영어 교과서의 양적 평가에 선행 연구 4
2.3 본 연구 방법: 언어 모델 기반 연구 10
2.3.1 LSTM 모델 10
2.3.2 GPT2 모델 14
2.3.3 언어 모델을 활용한 언어 현상의 선행 연구 16
제3장 실험 및 결과: 언어 모델 기반 연구 25
3.1 실험 내용 및 방법 25
3.1.1 언어 모델 25
(1). LSTM 26
(2). GPT2 26
3.1.2 실험 참여자 26
3.1.3 실험 자료 27
3.1.4 실험 절차 31
3.2 실험 결과 32
3.2.1 영어학습자와 L2 영어 교과서 코퍼스를 학습한 모델의 정답률 32
3.2.2 L2 영어 교과서 코퍼스가 함의하고 있는 언어적 자원 비교 34
1. 외현적 대용 현상 / 비 외현적 대용 관계지식 in L2 35
2. 통사 의존관계 지식 in L2 36
3. 통사 형태 의존관계 지식 in L2 37
4. 어휘 지식 / 어휘의미론 지식 in L2 38
3.2.3 영어 모국어 화자와 L1 코퍼스를 학습한 모델의 정답률 39
3.2.4 L1 코퍼스가 함의하고 있는 언어적 자원 비교 44
1. 외현적 대용 현상 / 비 외현적 대용 관계지식 in L1 44
2. 통사 의존관계 지식 in L1 45
3. 통사 형태 의존관계 지식 in L1 46
4. 어휘 지식 / 어휘의미론 지식 in L1 47
3.2.5 L1과 L2 코퍼스에 의한 12가지 언어 현상의 비교 48
1. 언어 현상 Anaphor_agreement의 모델 분석 50
2. 언어 현상 Argument_structure의 모델 분석 52
3. 언어 현상 Binding의 모델 분석 53
4. 언어 현상 Control_raising의 모델 분석 55
5. 언어 현상 Determiner_noun_agreement의 모델 분석 56
6. 언어 현상 Ellipsis의 모델 분석 58
7. 언어 현상 Filler_gap_dependency의 모델 분석 59
8. 언어 현상 Irregular_forms의 모델 분석 60
9. 언어 현상 Island_effects의 모델 분석 62
10. 언어 현상 NPI_licensing의 모델 분석 64
11. 언어 현상 Quantifier의 모델 분석 65
12. 언어 현상 Subject_verb_agreement의 모델 분석 66
제4장 정답률의 상관관계 68
4.1 12 현상의 영어학습자와 L2-언어 모델들의 상관관계 68
4.2 12 현상의 영어 모국어 화자와 L1-언어 모델들의 상관관계 72
4.3 영어 모국어 화자와 L2-언어 모델들의 상관관계 76
4.4 L1과 L2 전체 상관관계 78
제5장 결론 및 제언 80
참 고 문 헌 82
ABSTRACT 84

최근 본 자료

전체보기

구분	그룹	데이터 항목
AI 학습용 데이터	원문	원문 PDF 파일
AI 학습용 데이터	원문 + 메타 (기본/상세)	원문 PDF 파일 및 서지정보 CSV
대량 구매용 데이터	B2B 구독 방식	특정 자료 한정으로 원문 접근 권한 부여
대량 구매용 데이터	URL 전달 방식	바로 PDF 뷰어를 열람할 수 있는 URL 제공

구분	그룹	데이터 항목
AI 학습용 데이터	기본 메타	발행기관명, 간행물명, 권호명, 권(vol), 호(issue), 통권, 발행연도, 발행월, 논문명, 저자명, 시작페이지, 종료페이지, 전체페이지, 상세페이지URL
상세 메타 데이터	발행기관 메타	발행기관 이명, 영문명, 창립연도, 홈페이지URL, 발행기관 소개
	간행물 메타	부제목, 간행물 유형, ISSN, ISBN, 최초발행연도, 폐간연도, 간행빈도, 발행주기, 등재사항, 이용수, 피인용수, 권호수, 논문수, 표지이미지
	논문 메타	작성 언어, 부제목, 대등제목, 목차, 키워드, 초록, 이미지, 참고문헌, 이용수, 피인용수, 논문활용도, DBpia통합주제분류, KDC분류, DDC분류, 한국연구재단분류, UCI, DOI
	저자 메타	소속기관, 소속부서, 직급, 연구분야, 연구키워드, 이용수, 피인용수, 저자 논문활용도

구분	그룹	데이터 항목
※ 결합형/맞춤형 메타 데이터는 신청 내용에 따라 다양하게 제공 가능
이용순위 정보	주제분야별 많이 이용된 논문	“인문학”에서 많이 이용된 논문 TOP100
	이용기관별 많이 이용된 논문	“중고등학교”에서 많이 이용된 논문 TOP100
	세부기관별 많이 이용된 논문	“서울대학교”에서 많이 이용된 논문 TOP100
	키워드별 많이 이용된 논문	“Chat GPT”에서 많이 이용된 논문 TOP100
키워드 정보	많이 이용된 키워드	특정기간/분야/저널 내 많이 이용된 키워드
	많이 발행된 키워드	특정기간/분야/저널 내 많이 발행된 키워드
	많이 검색된 키워드	특정기간/분야/저널 내 많이 검색된 키워드
	연구 트렌드 키워드	특정 키워드 연관 연구동향 분석 데이터 키워드

논문 기본 정보

이 논문의 연구 히스토리 (4)

초록· 키워드

목차

최근 본 자료

댓글(0)