- 권한신청
- P-ISSN1013-0799
- E-ISSN2586-2073
- KCI
초록
본 연구는 대학생들의 개인적 특성이 도서관 모바일 이용도와 도서관 모바일 콘텐츠 이용 패턴에 어떤 영향을 미치는지 살펴보았다. 개인적 특성의 변인들로는 대학생의 성별, 전공, 학년, 대학, 인지된 유용성, 개인적 혁신성 및 스마트폰 의존도를 사용하였다. 설문 조사는 두 개의 대학들의 학부생 309명을 대상으로 진행하였다. 조사 결과, 전공, 학년, 인지된 유용성 및 개인적 혁신성은 모바일 이용도에, 그리고 성별, 전공, 대학 및 스마트폰 의존도는 모바일 콘텐츠 이용 패턴에 유의미한 영향을 미쳤다. 끝으로 이러한 연구 결과를 반영하여 효율적인 대학도서관 모바일 구현을 위한 방안들을 제안하였다.
Abstract
This study aims to investigate the influence of undergraduate students’ personal characteristics on the use behaviors of library mobiles and its contents. We used gender, major, grade, university, perceived usefulness, personal innovativeness, and smartphone dependency variables to measure their personal characteristics. We conducted a survey with 309 undergraduate students who belong to two universities. The results showed that the major, grade, perceived usefulness, and innovativeness variables significantly influenced the use frequency of library mobiles, while the gender, major, university, and smartphone dependency ones did the use pattern of library mobile contents. Based on the results, we proposed three methods for constructing an efficient university library mobile.
초록
본 연구는 뇌파측정기술(EEG)의 ERP와 판별분석을 이용하여 이용자 기반의 비디오 키프레임들을 자동으로 추출할 수 있는 방안을 제안하였다. 구체적으로, 20명의 피험자를 대상으로 한 실험을 통해서 이미지 처리 과정을 다섯 개의 정보처리단계들(자극주목, 자극지각, 기억인출, 자극/기억 대조, 적합 판정)로 구분하여 각 단계별로 적합한 뇌파측정기술의 ERP 유형을 제안하여 검증해 보았다. 검증 결과, 각 단계별로 서로 다른 ERP 유형(N100, P200, N400, P3b, P600)을 나타냈다. 또한 세 그룹(적합, 부분적합 및 비적합 프레임)간을 구별할 수 있는 중요한 변수들로는 P3b에서 P7의 양전위 최고값과 FP2의 음전위 최저값의 잠재기로 나타났고, 이러한 변수들을 이용해 판별분석을 수행한 후 적합 및 비적합 프레임들을 분류할 수 있었다.
Abstract
This study proposed a key-frame automatic extraction method for video storyboard surrogates based on users’ cognitive responses, EEG signals and discriminant analysis. Using twenty participants, we examined which ERP pattern is suitable for each step, assuming that there are five image recognition and process steps (stimuli attention, stimuli perception, memory retrieval, stimuli/memory comparison, relevance judgement). As a result, we found that each step has a suitable ERP pattern, such as N100, P200, N400, P3b, and P600. Moreover, we also found that the peak amplitude of left parietal lobe (P7) and the latency of FP2 are important variables in distinguishing among relevant, partial, and non-relevant frames. Using these variables, we conducted a discriminant analysis to classify between relevant and non-relevant frames.