딥러닝을 활용한 시조의 유형 고찰 : 영남가단과 호남가단의 시조를 중심으로

김성문; 김바로

추천

검색

질문

자료유형: 학술저널

저자정보: 김성문 김바로

저널정보: 인문사회예술융합학회 문화와융합 문화와 융합 제43권 제8호

발행연도: 2021.8

수록면: 185 - 204 (20page)

이용수

📌

연구주제

📖

연구배경

🔬

연구방법

🏆

연구결과

초록· 키워드

오류제보하기

인공지능이 하루가 다르게 비약적으로 발전하고 있다. 이제 그것은 사업 현장이나 공학자의 연구실에만 국한하지 않고, 우리들 생활의 일부가 되어 가고 있다. 문학 연구에서도 갈수록 인공지능의 역할이 중요해 지고 있으며, 시조처럼 오랜 시간에 걸쳐 참여한 다양한 작가와 창작된 많은 작품을 대상으로 하는 분야에서는 점점 그 필요성과 가능성이 입증되고 있다. 그리고 인공지능과 함께 ‘분류’ 또한 생활과 연구를 가리지 않고 자주 활용이 되고 있다. 일상의 많은 부분에 분류가 활용되고 있고, 문학 연구에서도 분류는 매우 중요한 방법론이다. 이에 본고는 인공지능의 딥러닝과 분류의 방법론을 결합하여 시조를 분석해 보고자 시도하였다. 딥러닝 분류 알고리즘을 사용하여 영 호남의 시조 각 299수와 290수를 학습시킨 후에 본격적으로 韓國時調大事典 소재 시조 4,736수를 대상으로, 그 작품의 시조 유형을 분류하였다. 그 결과 3,758수(79.4%)의 작품이두 가단과 밀접한 관련이 있음을 확인할 수 있었다. 이는 두 가단이 갖는 시조문학사적 위상을 확인할 수 있는대목이다. 그리고 영남가단 소속 작가의 작품 299수와 호남가단 소속 작가의 작품 290수를 딥러닝 분석한 결과전자는 281수, 후자는 229수가 각 가단과 관련성이 높다는 결과를 얻었다. 이로 인해 딥러닝을 시조 연구에 활용할 수 있는 가능성을 확인할 수 있었다. 한편, 빈도가 높지는 않았지만, 영남가단의 7수, 호남가단의 35수는 앞과반대되는 결과가 도출되었다. 이는 딥러닝 분류 알고리즘에 포함하지 않은 작가의 교유 관계나 창작 환경 등의차이가 반영된 것으로, 작품 분류에 있어 작품 내적인 특성과 함께 외적인 요인도 아울러 고려해야 함을 시사한다는 점에서 의미 있는 결론이라 할 수 있다. 그 외 두 가단 어디에도 확실하게 속하지 않는 작가들도 확인할 수있었는데, 이 역시 앞과 마찬가지로 작가의 생애나 교유, 관직에 진출하고 물러나 시기 등이 복합적으로 작용한결과로 이해할 수 있었다. 본고는 여전히 고전문학을 인공지능이라는 새로운 방법론으로 살피는 시론적 성격을 벗어나지 못하였다. 앞으로이에 대해 보완해 나가고자 한다.

Artificial intelligence is rapidly developing day by day. Now it is becoming a part of our lives, not just business sites or engineers’ labs. The role of artificial intelligence is becoming increasingly important in literary research, and the necessity and possibility of artificial intelligence is increasingly proven in fields that target a variety of writers and works created over a long period of time, such as the founder. And artificial intelligence, ‘classification’ is often used regardless of life and research. Classification is used in many parts of everyday life, and classification is a very important methodology in literary research. Thus, this study attempted to analyze the Sijo by combining deep learning of artificial intelligence with the methodology of classification. Using a deep learning classification algorithm, 299 and 290 works of Yeongnam and Honam were trained, and 4,736 works of the “Korean Sijo Dictionary” were classified in earnest. As a result, 3,758 works (79.4%) were closely related to the two bands. This shows the status of the two bands in the history of Sijo literature. According to deep learning analysis of 299 works by artists from Yeongnam Gadan and 290 works by artists from Honam Gadan, 281 works for the former and 229 works for the latter were highly related to each band. This confirmed the potential for deep learning to be utilized in the Sijo study. On the other hand, although the frequency was not high, the 7th number of Yeongnam Gadan and 35th number of Honam Gadan were the opposite. This reflects differences in the relationship and creative environment of authors not included in the deep learning classification algorithm, which is a meaningful conclusion in that it suggests that external factors as well as internal characteristics of the work should be considered. Other writers who did not belong to any of the two bands were also able to be understood as a result of a combination of the writer’s life, friendship, and entering and leaving office. This study still remains level of attempt that examines classical literature as a new methodology called artificial intelligence. We will make up for this in the future.

#딥러닝 #시조 #영남가단 #嶺南歌壇 #인공지능(AI) #한국시조대사전 #湖南歌壇 #호남가단 #AI(Artificial intelligence) #Deep Learning #Honam- Gadan #Korean Sijo Dictionary #Sijo #Yeongnam-Gadan

참고문헌 (0)

참고문헌 신청

참고문헌이 DBpia에서 서비스 중이라면, [참고문헌 신청]을 통해 등록해보세요

함께 읽어보면 좋을 논문

논문 유사도에 따라 DBpia 가 추천하는 논문입니다. 함께 보면 좋을 연관 논문을 확인해보세요!

최근 본 자료

전체보기

UCI(KEPA) : I410-151-25-02-091034300

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

초록· 키워드

AI 요약

연구주제

연구배경

연구방법

연구결과

주요내용

목차

참고문헌 (0)

함께 읽어보면 좋을 논문

최근 본 자료

댓글(0)