본 연구에서는 Python3.8 프로그램, Jupyter Notebook 툴, Janome 형태소 분석 엔진 등을 이용하여 인공지능의 자연어처리 기술을 바탕으로 한 텍스트마이닝 분석을 실시하였다. 지금까지 시도되지 않은 개정 이전과 이후의 N1 기출 문자・어휘를 대상으로 전체별・파트별 ...

본 연구에서는 Python3.8 프로그램, Jupyter Notebook 툴, Janome 형태소 분석 엔진 등을 이용하여 인공지능의 자연어처리 기술을 바탕으로 한 텍스트마이닝 분석을 실시하였다. 지금까지 시도되지 않은 개정 이전과 이후의 N1 기출 문자・어휘를 대상으로 전체별・파트별 키워드 및 형태소를 추출하고, 문제패턴과 트렌드를 밝혔다. 이하 결과는 다음과 같다.
(1) 1990년-2019년까지 30년간 40회분의 기출어를 추출해 본 결과, 총 1704개의 단어 중, 재출현(2-4회) 핵심어는 217개, 재출현 비율은 약 13%로 나타났다. (2) 개정 이후에서는 32개의 재출현 핵심어(2-3회)가 등장하였다.
(3) N1에 있어서는 2회 이상 출현 된 핵심어의 특성 및 경향은 문제3 유의어 선택 파트에서 중점적으로 나타나고 있다. 풍부한 어휘력 확보를 위해 3-4개 콜로케이션 패턴(1,2급연계)의 프레젠테이션 교수법이 효과적이라 할 수 있을 것이다.
(4) ‘읽기’와 ‘정확한 의미 파악’을 중시하는 ‘怠る’, ‘覆す’, ‘練る’와 같은 ‘이음이의어’와 ‘동음이의어’ 동사가 핵심 문제로 등장한다는 점이다. (5) ‘張り合う=競い合う＝競争する=争う=競う’와 같이 2급-1급의 연어・이음동의어의 패턴 형태, (6) ‘음・훈독(重箱読み․湯桶読み)・숙자훈 명사와 ‘配’, ‘発’
와 같은 한자 명사 읽기 문제’의 빈출 형태가 나타나고 있는데, 이러한 특성을 전제로 학습 포인트를 두는 것이 바람직하다 할 수 있다.
(7) 품사별 빈도와 학습에 있어서는 1)명사-동사-형용동사(전체 80.7%), 2)부사-형용사-외래어(전체 18.3%)의 ‘2가지 카테고리’를 중심으로 중요성이 가장 높은 부분부터 진행해 가는 것을 제안해 볼 수 있다. 이러한 인공지능적 방법론을 바탕으로 출현 키워드 및 품사, 문제의 특성과 경향을 파악하고, 정보 예측 및 콜로케이션․연관어 학습 방법을 통해 학습효과와 능률을 향상시킬 수 있을 것으로 판단된다.

The aims of this study are to (i) extract keywords of the JLPT Level 1 test characters and vocabulary (1990-2019, 40 times), and (ii) analyze morpheme and exam patterns and trends by utilizing Python3.8 program, based on text mining technic.
A total ...

The aims of this study are to (i) extract keywords of the JLPT Level 1 test characters and vocabulary (1990-2019, 40 times), and (ii) analyze morpheme and exam patterns and trends by utilizing Python3.8 program, based on text mining technic.
A total of 1704 words were extracted before and after the revision, of which 217 keywords were reappeared, and the reappearance rate was about 13%. After the revision, 32 reappearance keywords appeared(2-3 times). As a result, in the JLPT level 1, characteristics and trends such as (1) collocations in span of three to five (level 1,2), (2) 217 patterned reappearance keywords with high probability of reappearance (before and after revision) and 32 keywords (after revision), (3) heteronym/homonym/synonym verbs, (4) Kanji nouns of the onyomi and kunyomi(jubako yomi/yutoyomi)/the Japanese reading of the Chinese character are emerging.

본 연구에서는 Python3.8 프로그램, Jupyter Notebook 툴, Janome 형태소 분석 엔진 등을 이용하여 인공지능의 자연어처리 기술을 바탕으로 한 텍스트마이닝 분석을 실시하였다. 지금까지 시도되지 않은 개정 이전과 이후의 N1 기출 문자․어휘를 대상으로 전체별․파트별 ...

본 연구에서는 Python3.8 프로그램, Jupyter Notebook 툴, Janome 형태소 분석 엔진 등을 이용하여 인공지능의 자연어처리 기술을 바탕으로 한 텍스트마이닝 분석을 실시하였다. 지금까지 시도되지 않은 개정 이전과 이후의 N1 기출 문자․어휘를 대상으로 전체별․파트별 키워드 및 형태소를 추출하고, 문제패턴과 트렌드를 밝혔다. 이하 결과는 다음과 같다.
첫째, 1990년-2019년까지 30년간 40회분의 기출어를 추출해 본 결과, 총 1704개의 단어 중, 재출현(2-4회) 핵심어는 217개, 재출현 비율은 약 13%로 나타났다. 둘째, 개정 이후에서는 32개의 재출현 핵심어(2-3회)가 등장하였다.
셋째, N1에 있어서는 2회 이상 출현 된 핵심어의 특성 및 경향은 문제3 유의어 선택 파트에서 중점적으로 나타나고 있다. 풍부한 어휘력 확보를 위해 3-4개 콜로케이션 패턴(1,2급연계)의 프레젠테이션 교수법이 효과적이라 할 수 있을 것이다.
넷째, ‘읽기’와 ‘정확한 의미 파악’을 중시하는 ‘怠る’, ‘覆す’, ‘練る’와 같은 ‘이음이의어’와 ‘동음이의어’ 동사가 핵심 문제로 등장한다는 점이다. 다섯째, ‘張り合う=競い合う＝競争する=争う=競う’와 같이 2급-1급의 연어・이음동의어의 패턴 형태가 출현하고, 여섯째, ‘음・훈독(重箱読み․湯桶読み)・숙자훈 명사’와 ‘配’, ‘発’와 같은 한자 명사 읽기 문제’의 빈출 형태가 나타나고 있는데, 이러한 특성을 전제로 학습 포인트를 두는 것이 바람직하다 할 수 있다.
일곱째, 품사별 빈도와 학습에 있어서는 1)명사-동사-형용동사(전체 80.7%), 2)부사-형용사-외래어(전체 18.3%)의 ‘2가지 카테고리’를 중심으로 중요성이 가장 높은 부분부터 진행해 가는 것을 제안해 볼 수 있다. 이러한 인공지능적 방법론을 바탕으로 출현 키워드 및 품사, 문제의 특성과 경향을 파악하고, 정보 예측 및 콜로케이션・연관어 학습 방법을 통해 학습효과와 능률을 향상시킬 수 있을 것으로 판단된다.

1. 연구결과
(1) 1990년-2019년까지 30년간 40회분의 기출어를 추출해 본 결과, 총 1704개의 단어 중, 재출현(2-4회) 핵심어는 217개, 재출현 비율은 약 13%로 나타났다. (2) 개정 이후에서는 32개의 재출현 핵심어(2-3회)가 등장하였고, (3) 2회 이상 출현 된 핵심어의 ...

1. 연구결과
(1) 1990년-2019년까지 30년간 40회분의 기출어를 추출해 본 결과, 총 1704개의 단어 중, 재출현(2-4회) 핵심어는 217개, 재출현 비율은 약 13%로 나타났다. (2) 개정 이후에서는 32개의 재출현 핵심어(2-3회)가 등장하였고, (3) 2회 이상 출현 된 핵심어의 특성 및 경향은 문제3 유의어 선택 파트에서 중점적으로 나타나고 있다. 풍부한 어휘력 확보를 위해 3-4개 콜로케이션 패턴(1,2급연계)의 프레젠테이션 교수법이 효과적이라 할 수 있을 것이다. 그리고 (4) ‘읽기’와 ‘정확한 의미 파악’을 ‘이음이의어’와 ‘동음이의어’ 동사가 핵심 문제로 등장한다는 점, (5) 2급-1급의 연어・이음동의어의 패턴 형태, (6) ‘음・훈독(重箱読み․湯桶読み)・숙자훈 명사’의 빈출 형태가 나타나고 있는데, 이러한 특성을 전제로 학습 포인트를 두는 것이 효과적이다.
(7) 품사별 빈도와 학습에 있어서는 1)명사-동사-형용동사(전체 80.7%), 2)부사-형용사-외래어(전체 18.3%)의 ‘2가지 카테고리’를 중심으로 중요성이 가장 높은 부분부터 진행해 가는 것을 제안해 볼 수 있다. 이러한 인공지능적 방법론을 바탕으로 출현 키워드 및 품사, 문제의 특성과 경향을 파악하고, 정보 예측 및 콜로케이션・연관어 학습 방법을 통해 학습효과와 능률을 향상시킬 수 있을 것으로 판단된다.

2. 연구결과 활용계획
2.1 후속연구와의 연계
텍스트 마이닝은 다량의 데이터를 이용하여 키워드 추출과 패턴 파악을 통해 미래 예측을 가능케 하는 강점이 있다. 향후에는 2급의 개정이전과 이후의 문자어휘 내용을 다루어 보겠다. 또 텍스트 마이닝 분석에 훨씬 더 효과적이며 많은 양을 다룰 수 있는 1, 2, 3급의 독해파트 분석 연구를 단계적으로 시도하고, 점차적으로 확장해 나가는 방법을 통해 지금까지 파악되지 못했던 결과를 밝히고, 미래예측을 시도해 보도록 하겠다.
2.2 수업 자료 활용
현재 기업의 개발 분야에 있어서는 이공계 출신의 개발자뿐만 아니라 자연어 처리 능력을 겸비한 언어학자에게도 개방되고 있다. 한국의 언어대학(원)에서는 AI 등장으로 인한 패러다임의 변화 속에서 언어 데이터 분석 및 통계, 자연어 처리, 인공신경망 기계번역 등 ICT교육 과목이 편성되고 있다. AI 시대에 있어 문화이해 능력과 기계 활용능력, 언어 능력 등의 능력을 겸비할 수 있는 융복합 전문가 양성에 초점을 맞춘 멀티 교육이 실시되고 있는데, 이러한 수업에 있어서 본고는 첫째로, ICT교육 및 교과목 등에서 융합교육의 선행자료의 표본으로 제시가 가능할 것이다. 둘째로, 본고에서 수집한 데이터의 Python 분석 내용과 분석표, 시각화 자료 등의 연구 방법 및 결과를 일본어 시험 과목에서 실질적인 강의 자료로 활용할 예정이다. 셋째로, 아카이빙을 통해 교육적 자료로 확산, 배포하여 이공계 및 인문학-일본어 수업에 있어서 언어 공학 교육의 연계 효과를 한층 제고 해 갈 계획이다. 넷째, 본 연구의 디지털화를 모색하고, 추후 후속연구를 완성하여 교육자 및 학습자들에게 이러닝교재로 활용됨으로써 비용 절감과 자기주도 학습, 정보・자원 공유, 맞춤형 학습의 용이성・편리성 등을 제공할 계획이다.
2.3 언어 공학 교육 및 교재 개발 공동 연구
4차 혁명시대에 있어 빅데이터 과학자의 부족과 양성은 각국의 중요한 이슈가 되고 있다. 이러한 가운데, 일본 등 해외에서는 언어교육학자와 공학자 간의 공동연구가 추진되고, 프로그램이 개발되고 있다. 본 연구에서는 인문과 이공계간의 융합연구를 시도하고 있는데, 향후에는 국내뿐만 아니라 가입한 해외-일본 학회에서 후속연구 발표를 실시할 계획이다. 또 국제 레벨의 공동 협력 연구로 발전시켜 나갈 수 있도록 일본 정부의 공동연구지원 기금의 언어 공학 파트 분야에 지원을 시도할 계획이다.
한편 미국, 일본, 한국 등에서는 2011년부터 초중고 디지털 교과서 정책 전환을 표방해 왔다. 일본의 경우 전국적으로 52.6％가 디지털 교과서를 사용하고 있는데, 이러한 디지털 교과서는 전 세계적으로 더욱 확대될 것으로 예측된다. 상기에서 언급하였듯이 국내외 연구 발표를 통해 공동연구 협력을 구축하고, 단계적으로 언어능력 시험의 교재개발-디지털 교과서 공동 제작과 보급에 대처해 나갈 수 있을 것이다.