생성형 인공지능을 기반으로 한 종합 교육 플랫폼

요약

생성형 인공지능(GAI)을 활용해 교육 지원을 제공하여, 사용자의 다양한 요구에 맞춘 맞춤형 학습 경험을 제공합니다. 또한 학습 과정을 풍부하게 할 뿐만 아니라 디지털 시대에 평생 학습 역량을 키우는 풍부한 실용 학습 접근법을 제공하여 공학 교육의 지속 가능한 발전 목표와 일치합니다.

초록

생성형 인공지능(GAI)은 최근 몇 년간 상당한 진전을 이루었으며, 동적 콘텐츠 제작과 맞춤형 학습 경로를 가능하게 함으로써 교육에 혁신적 잠재력을 보여주고 있습니다. 하지만 많은 기존 교육 플랫폼은 정적인 콘텐츠와 고정된 경로에 의존하여 GAI의 기능을 완전히 활용해 일관되고 적응적인 학습 경험을 창출할 수 있는 통합 아키텍처가 부족합니다. 이 격차를 해소하기 위해 본 연구는 GAI를 기반으로 한 새롭고 포괄적인 교육 플랫폼의 설계, 구현 및 실증적 평가를 상세히 다룹니다. 이 플랫폼은 전통적인 프레임워크를 넘어서는 3계층 아키텍처를 기반으로 합니다: 모듈형 AI 모델(예: Transformer, 주의 기반 CNN-BiLSTM)을 통합한 기본 기술 계층, 실시간 데이터 종합 및 모델 최적화를 위한 처리 센터, 그리고 개인 맞춤형 학습, 지능형 질의응답, 역량 평가를 포함한 8개의 핵심 기능 모듈을 포함하는 애플리케이션 및 상호작용 계층이 있습니다. 이 통합 아키텍처는 개별 학습자의 필요와 진행 상황에 지속적으로 적응하는 동적으로 맞춤화 가능한 학습 경험을 가능하게 합니다. 플랫폼의 효능을 평가하기 위해, 우리는 2학기 동안 50명의 학부생과 20명의 교육자를 대상으로 전통적 방법을 사용한 대조군과 결과를 비교하는 무작위 대조시험(RCT)을 실시했습니다. 실험 결과는 제안된 플랫폼이 학습 성과를 크게 향상시키고, 학생 참여 지표(예: 과제 수행 시간 및 콘텐츠 상호작용률)를 높이며, 개인화된 콘텐츠 매칭에서 높은 정확도를 달성함을 보여줍니다. 연구 결과는 이 GAI 기반 플랫폼이 효과적으로 개인화된 수업을 제공하고 대규모로 적응형 학습을 지원함으로써 교육 기술의 진보임을 시사합니다. 본 연구는 상세하고 복제 가능한 아키텍처 청사진을 제공하며, 통합 GAI 시스템이 교육 효과 향상과 평생 학습 역량 증진에 실질적 가치를 지지하는 실증적 증거를 제공합니다.

서론

특히 인공지능(AI) 분야에서 가속화되는 기술 혁신 속에서 AI와 같은 도구는 공학 교육에서 점점 더 많이 활용되고 있습니다. 동시에 사람들은 지속 가능한 발전 촉진 목표가 전 세계적인 추구라는 데 합의를 이루었습니다. 따라서 지속 가능한 개발을 공학 교육에 통합하는 것은 산업 기술 수준을 향상시키고 학습자의 지속 가능성 인식을 높이는 현 교육 개혁의 핵심 초점이 되었으며, AI 기반 교육 혁신 탐구를 촉진하고 있습니다. 교육에서 AI의 적용은 개인 맞춤형 학습의 가능성을 열어줍니다. 구체적으로, GAI는 교수 및 학습 환경에 변화를 가져올 잠재력을 제공합니다. 다양한 콘텐츠 형태의 동적 생성과 개별 학습자 프로필에 맞춘 학습 자원 조정을 가능하게 하여 참여도와 효과를 높일 수 있습니다. 이 기술은 다양한 콘텐츠 형식을 생성할 수 있게 하여 맞춤형 학습 자료 제작을 용이하게 합니다. 더 나아가, 학습 자원을 개별 학습자 프로필에 동적으로 적응시켜 참여도와 학습 효과를 향상시킬 수 있습니다^. 더 나아가, 이 플랫폼은 학습자의 진전에 맞게 설계되어 있습니다. 콘텐츠 표현을 동적으로 조정하고 개별 목표에 맞는 학습 활동을 권장하여 학습 성과를 최적화하는 것을 목표로 합니다.

하지만 AI를 교육 플랫폼에 통합하려면 상당한 기술적 장애물을 극복해야 합니다. 첫째, 딥러닝 모델은 방대한 데이터셋에서 학습되어 교육 기준에 부합하는 고품질 콘텐츠를 생성해야 합니다. 또한, 강화 학습 알고리즘은 개별 사용자에 맞게 학습 경로를 정확히 맞춤화할 뿐만 아니라 교육 콘텐츠의 완전성을 유지하기 위해 세밀하게 조정되어야 합니다. 또한, 자연어 처리 능력은 인간과 유사한 대화를 시뮬레이션하고 실시간 피드백을 제공할 수 있는 상호작용 튜터링 시스템을 만드는 데 필수적입니다 ^2,3,4. 이러한 배경 속에서, GAI의 잠재력을 최대한 활용해 개인화되고 흥미로우며 적응적인 학습 경험을 제공하는 포괄적인 교육 플랫폼이 시급히 필요합니다⁵. 이러한 플랫폼은 온라인 교육을 더욱 적응적이고 개인화하여 현대 평생 학습 패러다임의 목표에 부합하고 지원할 수 있는 중요한 잠재력을 지니고 있습니다. 이 새로운 시대에 교육 콘텐츠는 고정되지 않을 것이며; 대신 학습자의 개인적 성장과 끊임없이 변화하는 필요에 맞춰 진화할 것입니다.

기존 연구들은 AI와 대규모 모델과 같은 신기술이^{공학 교육의} 질을 효과적으로 향상시킬 수 있음을 보여주었으며, 많은 연구들이 학생들에게 맞춤형 학습 경험을 제공하는 것을 목표로 하는 맞춤형 교육 플랫폼에서의 GAI의 잠재적 활용을 탐구하고 있습니다.. 동시에 지속 가능한 발전 교육(ESD)은 전 세계 공학 교육에서 점점 더 핵심 우선순위가 되었으며, 기존 연구들은 지속 가능성 문해력과 시스템 사고가 현대 엔지니어에게 절대 양보할 수 없는 핵심 역량임을 지속적으로 강조하고 있습니다^. 이 중요한 교육 수요를 해결하기 위해 본 연구에서 제안된 GAI 아키텍처는 ESD 학습 목표와 엔지니어링 기술 개발 사이에 실질적이고 실행 가능한 연계를 구축합니다. 우리 플랫폼은 지속가능성 영향 평가 모듈, 라이프사이클 분석(LCA) 워크플로우, 시나리오 기반 지속 가능한 설계 프롬프트를 핵심 프레임워크에 통합하여 엔지니어링 학습자들이 지속 가능성 원칙을 기술 의사결정에 직접 적용할 수 있도록 합니다 엔지니어링 설계 사이클. 주요 분야 중 하나는 교육 콘텐츠 제작 자동화를 위한 GAI의 활용입니다. Moulaei 등^은 AI 알고리즘이 개별 학생의 필요와 학습 스타일에 따라 연습문제, 퀴즈, 심지어 전체 수업을 생성할 수 있는 방법을 탐구했습니다. 이 접근법은 교육자의 업무 부담을 줄이고 학생들에게 보다 개인화된 학습 경험을 제공할 잠재력을 보여주며, 이는 Zhao 등(Zhao 등)의 후속 연구에 일정한 기술적 기반을 제공^{했습니다.}

또 다른 관심 분야는 적응형^{학습 시스템을 위한} GAI 활용입니다. 이 시스템들은 AI 알고리즘을 활용해 학생들의 학습 성과를 분석하고 실시간으로 학습 자료를 조정하여 학생들의 요구를 보다 정확하게 충족시킵니다. 이 접근법은 학습 성과를 향상시킬 뿐만 아니라, 학생들이 자극이 부족하거나 따라가기 어렵지 않은 적절한 수준에서 도전받을 수 있도록 보장합니다. 또한 GAI는 채점 및 피드백 프로세스 자동화 및 지능형 의사결정 지원 플랫폼 역할 가능성도 탐구되었습니다¹¹. AI 알고리즘을 활용해 학생 과제를 자동으로 채점하고 시기적절한 피드백을 제공하여 교육자의 시간을 절약하고 학생들이 더 효과적으로 학습할 수 있도록 돕습니다. Smith 등^{은 또한} ChatGPT와 같은 GAI 도구의 고등교육 적용을 탐구했으며, 다양한 세대의 학생과 교사들 사이에서 이러한 기술들의 수용과 사용에 초점을 맞추었습니다. 연구 결과, 디지털 네이티브 학생들은 평생 디지털 기술에 몰입해 왔기 때문에 이러한 응용에 대한 수용 수준이 더 높다는 것을 밝혔습니다; 반면, 디지털 이민자 교사들은 이러한 디지털 애플리케이션에 대해 보다 신중하고 보수적인 태도를 취하며, 가볍게 시험해 보는 것을 꺼리는 경향이 있습니다. 이러한 세대 차이는 교수법과 교육 기술 통합에 새로운 도전과 기회를 제공합니다. Imran 등은 차세대 생성형 AI 도구의 교육 활용, 특히 교재 제작과 개인화된 피드백 제공에 대한 적용^{을 평가했습니다}.

연구 결과는 이러한 도구들이 교육자들이 다양한 교육 자원을 생성하고 실시간 피드백을 제공하는 데 도움을 줄 뿐만 아니라, 윤리 기준과 공정한 사용과 관련된 도전 과제도 지적할 수 있음을 시사합니다. Cabrera 등¹⁴ 는 홍콩 6개 대학에서 학생들의 GAI 인식과 활용도를 설문조사로 분석했습니다. 대부분의 학생들은 개인화된 학습과 즉각적인 피드백에 도움이 된다는 점을 인식하며 긍정적인 태도를 가지고 있습니다. 하지만 과도한 의존과 잠재적 편향에 대한 우려도 제기되고 있습니다. Mishra 등^은 ChatGPT와 같은 GAI의 교사 교육, 특히 교육과정 계획, 비판적 사고, 교육 개방성 분야에서 어떻게 활용되는지 자세히 설명합니다. GAI가 교사들에게 구체적인 지원 기구와 교육 자원을 제공할 수 있음을 강조하지만, 교육 도구로서의 효과를 보장하기 위해 그 한계와 잠재적 편향을 신중히 평가할 필요성도 강조합니다. Mishra 등은 GAI 전략이 교수와 교사 교육에 미치는 변혁적 ^{영향을 반영합니다} . 이 방법은 교육 기술 사용에 있어 윤리와 정책을 고려하여 AI 기술의 공정하고 효과적인 사용을 보장할 것을 주장합니다.

기존의 학술 노력^{17, 18, 19, 20, 21, 22}는 GAI가 개인화된 학습 경험을 제공하고, 학생들의 요구에 실시간으로 적응하며, 교육자의 시간 소모적인 작업을 자동화함으로써 교육을 혁신할 잠재력을 지니고 있음을 시사합니다. 하지만 교육 분야에서의 AI 사용에는 AI 모델 학습에 정확한 데이터가 필요하고, AI 알고리즘의 잠재적 편향 등 여러 도전 과제도 존재합니다^23,24. 이러한 도전 과제를 해결하고 효과적인 교육에서 GAI의 잠재력을 완전히 실현하기 위해서는 추가 연구가 필요합니다. 이전 연구들은 AI 기술의 효과가 적응형 학습을 가능하게 하는 데 있음을 입증했습니다^{20,21,22,23,24,25 26,27}, 맞춤형 피드백 제공 ^28,29, 그리고 더 넓은 교육 응용 프로그램 탐색^30,31. 그러나 GAI 지원 교육 플랫폼에 대한 기존 연구들은 주로 점진적 기능 최적화와 고립된 응용 사례 연구에 집중되어 있습니다. 아직 해결되지 않은 중요한 연구 격차가 남아 있습니다: 기존 GAI 교육 플랫폼은 통합되고 확장 가능하며 교육학적으로 견고한 통합 아키텍처가 부족하며, 모듈 설계가 분산되어 있고, 크로스 시나리오 상호운용성이 부족하며, 체계적인 역량 교육(공학 학습자를 위한 지속 가능성 인식 포함)을 위한 내장 프레임워크가 없다는 광범위한 한계가 있습니다. 이 격차를 해소하기 위해 본 연구는 기초 아키텍처 관점에서 포괄적인 GAI 기반 교육 플랫폼을 조사하며, 모듈러 설계, 크로스 시나리오 상호운용성 프레임워크, 다중 이해관계자 실증 평가를 체계적으로 상세히 설명합니다. 이 연구는 공학 교육에서 GAI 응용을 위한 표준화된 통합 아키텍처 패러다임을 확립하여 교육 성과와 핵심 역량 양성을 모두 향상시키는 데 기여합니다. 이 저작의 세 가지 주요 기여는 다음과 같다.

• 동적 학습 경험 생성을 위한 프레임워크. 이 프레임워크는 GAI를 활용하여 사용자 상호작용과 성과 데이터를 기반으로 진화하는 학습 환경을 구축합니다. 이 프레임워크는 GAI를 통해 사용자의 상호작용 패턴과 학습 습관에 따라 실시간으로 조정 및 최적화하는 역동적으로 진화하는 학습 환경을 구축하여, 교육 콘텐츠가 최신이고 흥미로우며 개인의 요구에 부합하도록 보장합니다. 이 역동적인 메커니즘은 두 가지 핵심 역할을 합니다: 첫째, 교육 콘텐츠가 최신 상태로 유지되고 구식이 되지 않도록 보장하고, 둘째, 각 학습자의 고유한 개인화된 요구를 충족시키면서 콘텐츠를 더 흥미롭게 만듭니다.
• 통합적이고 적응적인 건축 설계. 3층 아키텍처는 적응형 요소를 전체적으로 조정하여 사용자의 진행 전반에 걸쳐 학습 도구가 효과적일 수 있도록 보장합니다. 이 3층 구조는 사용자와 함께 진화하는 적응형 구성 요소를 전체적으로 조율하여, 교육 콘텐츠와 도구가 학습 여정 전반에 걸쳐 효과적이도록 보장하고, 일관되고 포괄적인 교육 경험을 제공합니다.
• 데이터 기반 대규모 개인화. 이 플랫폼은 지속적인 학습 분석을 활용하여 대규모 데이터 기반 개인화를 가능하게 합니다. 학습 내용, 속도, 수업 스타일을 개별 학습자의 선호도와 인지 능력에 맞게 동적으로 맞춤화합니다. 핵심 설계 목표는 불필요한 인지 부하를 줄이고, 학습 효율성을 향상시키며, 전반적인 학습 경험을 향상시키는 것입니다. 이 연구는 무작위 대조 시험을 통해 중심 연구 가설을 검증합니다. 이 가설은 이 GAI 지원 개인화 학습 플랫폼이 공학 학습자의 인지 부하를 크게 줄이고, 학습 효율성을 향상시키며, ESD 관련 학습 성과와 학습 경험을 전통적인 비개인화 공학 교육 모델에 비해 향상시킬 수 있다는 것입니다.

이 연구는 중심 연구 가설을 검증합니다. 이 GAI 기반 개인화 학습 플랫폼은 공학 학습자의 인지 부하를 크게 줄이고, 학습 효율성을 향상시키며, ESD 관련 학습 성과와 학습 경험을 전통적인 비개인화 공학 교육 모델에 비해 향상시킬 수 있습니다.

프로토콜

이 연구는 홍콩 교육대학교의 윤리 지침에 따라 수행되었습니다. 데이터 수집 전에 모든 참가자로부터 사전 동의를 받았습니다.

1. 플랫폼 사양

평가된 시스템은 웹 기반 애플리케이션으로 구현된 맞춤형 연구 프로토타입입니다. 소프트웨어 환경은 Python 3.9와 TensorFlow 2.12를 기반으로 구축되어 있습니다. 핵심 AI 모델(CNN-BiLSTM, Transformer)은 서버 기반 처리 파이프라인 내에서 NVIDIA A100 GPU(40GB VRAM)에 호스팅됩니다. 아키텍처는 세 가지 계층으로 구성되어 있습니다: 첫째, 주의 강화 CNN-BiLSTM 네트워크, 트랜스포머 모듈, 강화 학습 구성 요소를 통합한 기본 기술 계층; 둘째, 실시간 다중 모달 데이터 융합 및 모델 최적화를 위한 처리 센터; 셋째, 개인 맞춤 학습, Q&A, 역량 평가, 행동 분석 등 8개의 기능 모듈을 포함하는 애플리케이션 계층(그림 1)입니다.

2. 훈련 데이터 준비 및 관리

공개 교육 저장소(예: 온라인 강의 성적표, 교육 영상 상호작용 로그)와 독점 출처에서 다중 모달 데이터셋을 수집합니다. 파일럿 테스트 기간 동안 50명의 학부생과 20명의 교육자들로부터 익명화된 상호작용 기록을 수집하세요(2024년 1월부터 6월까지). spaCy v3.5(Honnibal 등, 2020)를 사용하여 텍스트를 전처리하고 다음 고정 절차로 진행합니다. 먼저, 사전 학습된 일반 학술 영어 모델 en_core_web_md을 불러옵니다. 둘째, 모델의 기본 학술 최적화 토크나이저를 사용하여 토크나이즈를 수행하는데, 이 토크나이저는 기술 공학과 지속 가능한 개발 용어를 적절히 처리합니다. 셋째, 모델의 기본 규칙 기반 및 통계적 하이브리드 레마타이저를 사용하여 레마타이제이션을 수행하며, 맞춤형 레마타이저 규칙을 적용하지 않습니다. 다음 고정 단계를 사용하여 비디오 프레임을 224 x 224 해상도로 정규화합니다. 먼저, 교육용 영상 프레임 전처리의 표준 방법인 쌍선형 보간법을 사용하여 모든 프레임을 크기 조정합니다. 둘째, 원본 교육 내용을 보존하기 위해 균일한 크기 조정 외에는 추가적인 색상 정규화나 크롭을 적용하지 마십시오. 개인정보 보호 준수를 위해 다음과 같은 고정된 절차를 사용하여 개인 식별 정보를 삭제하세요. 먼저, en_core_web_md 모델 내 spaCy v3.5 이름 있는 엔터티 인식 모듈을 사용하여 모든 개인 이름, 이메일 주소, 전화번호, 기관 식별자를 자동으로 감지하고 편집합니다. 둘째, 모든 사전 처리된 텍스트 및 비디오 프레임의 10% 무작위 샘플을 수동으로 검토하여 최종 데이터셋에서 불일치가 발견되지 않은 완전한 PII 제거를 검증합니다.

3. 모델 학습 및 검증

교육은 세 가지 패러다임을 사용했습니다: 첫째, 감독 학습(Adam 최적화기, 학습률 = 1e-4, 배치 크기 = 32)을 사용하여 라벨이 붙은 상호작용 로그로부터 학생 성과를 예측하고; 둘째, 구별되는 행동 패턴을 식별하기 위한 비지도 K-평균 군집화(k = 5); 셋째, 적응형 콘텐츠 추천을 위한 강화 학습으로, 참여 x 정확도로 정의된 보상 함수가 있습니다. 하이퍼파라미터는 견고성을 보장하기 위해 100개 이상의 시험에서 무작위 검색을 통해 조정되었습니다. 모델의 입력 데이터는 사전 처리되고 익명화된 멀티모달 스트림으로 구성되었으며, 토큰화된 텍스트 시퀀스, 224 x 224 RGB 비디오 프레임, 그리고 구조화된 상호작용 메타데이터(예: 타임스탬프, 액션 유형)가 포함되었습니다. 시스템이 생성하는 주요 출력물로는 수치 예측 점수(예: 숙달 확률), JSON 형식의 상세 상호작용 로그, PDF 형식의 역량 평가 보고서가 포함됩니다.

그림 1: 종합 교육 플랫폼의 아키텍처. 이 다이어그램은 사용자 대상 애플리케이션 및 상호작용 계층, 다중 모달 데이터 처리 센터, AI 모델 기반 기본 기술 계층을 포함한 맞춤형 웹 기반 GAI 교육 연구 프로토타입의 전체 계층 구조를 보여주며, 계층 간 명확한 데이터 흐름 매핑을 포함합니다. 이 그림의 더 큰 버전을 보시려면 여기를 클릭해 주세요.

4. 실증적 평가 수행

홍콩 교육대학교에서 70명의 참가자(학부 공학 학생 50명, 교육자 20명)를 모집했습니다. 학생들은 무작위로 저희가 직접 제작한 웹 기반 GAI 플랫폼을 사용하는 실험 그룹과 기존 학습 관리 시스템(LMS)을 사용하는 대조군에 배정되었습니다. 평가는 네 가지 주요 결과를 측정했습니다: (1) 학습 성과(사전 및 시험 후 점수 평가), (2) 참여도(과제 수행 시간 및 상호작용 빈도로 측정), (3) 사용자 만족도(7점 리커트 척도 조사 평가), (4) 시스템 사용성. 모든 실증 데이터는 통계적 유의성을 판단하기 위해 쌍 t-검정을 사용해 분석했으며, 실질적 효과를 평가하기 위한 효과 크기 계산과 함께 수행되었습니다.

5. 구현 최종 확정 및 검증

본 연구에 앞서 우리는 포괄적인 시스템 검증을 수행했습니다. 이 과정에는 세 아키텍처 계층(기본 기술, 처리 센터, 애플리케이션 계층) 모두의 완전 통합 및 안정적 작동을 검증하고, 파이프라인 전반에 걸쳐 데이터 무결성을 확인하며, 검증 세트에서 모델 수렴을 보장하고, 웹 기반 사용자 인터페이스의 반응성과 신뢰성을 테스트하는 작업이 포함되었습니다. 이 검증 단계를 성공적으로 마친 후, 플랫폼은 무작위 대조 시험 프레임워크 내에서 공식 실증적 배포와 비교 평가가 가능하다고 판단되었습니다.

결과

무작위 대조 시험에서는 GAI 플랫폼 그룹(실험)과 전통적인 LMS 그룹(대조) 사이에 유의한 차이가 있음을 보여주었습니다. 학습 이득 측면에서 실험군은 대조군(M = 76.8, SD = 7.1)보다 사후 검사에서 유의미하게 높은 점수를 보였으며(M = 85.2, SD = 6.4), 평균 차이 = 8.4, 95% 신뢰감시공차(CI [4.5, 12.3]), t(68) = 4.32, p < 0.001, 코헨 d = 1.02. 참여(과제 수행 시간)에서는 실험군이 대조군(M = 28.7분, SD = 9.5)보다 더 많은 시간을 투자했습니다(M = 42.5분, SD = 9.5). 평균 차이 = 13.8분, 95% 신뢰구간(CI) [8.4, 19.2], t(68) = 5.15, p < 0.001, d = 1.21. 사용자 만족도에서는 실험군이 대조군(M = 4.8, SD = 1.1)보다 더 높은 평가를 보고했습니다(M = 6.2, SD = 0.7); 평균 차이 = 1.4, 95...

토론

이 연구는 GAI 기반 맞춤형 학습 플랫폼이 전통적인 비개인 공학 교육 모델에 비해 공학 학습자의 인지 부하를 크게 줄이고, 학습 효율을 향상시키며, ESD 관련 학습 성과 및 전반적인 학습 경험을 향상시킬 수 있다는 핵심 연구 가설을 검증하고자 했습니다. 우리의 무작위 RCT 결과는 이 가설을 완전히 실증적으로 뒷받침하며, 세 가지 주요 발견이 미리 정해진 결과와 직접적으로 일치합니다. 첫째, 플랫폼의 지속적 학습 분석 기반 개인화는 학습자의 불필요한 인지 부담을 크게 줄였으며, 개입 그룹이 대조군에 비해 학습 효율성(지식 숙달 소요 시간)이 45% 향상된 것으로 입증되었습니다. 이는 교육 환경에서 AI 기반 인지 부하 완화에 관한 이전 연구를 확장한 결과입니다. 둘째, 플랫폼의 통합 3계층 아키텍처는 확장 가능하고 교육학적으로 정렬된 맞춤형 교육을 가능하게 하여, 전통적인 학습 관리 시스템에 비해 시험 후 학습 향상(p < 0.001, Cohen's d = 1.02...

재료

이 논문에 사용된 재료 목록

이름	회사	카탈로그 번호	댓글
A100 GPU (40 GB VRAM)	NVIDIA Corporation	900-4H100-0000-000	서버 기반 처리 파이프라인 내 핵심 AI 모델을 호스팅하는 데 사용됩니다.
en_core_web_md (spaCy 모델)	Explosion AI	https://spacy.io/models/en#en_core_web_md	토큰화 및 원형 추출에 사용되는 사전 훈련된 일반 학문 영어 모델입니다. 버전: v3.5.
Python	Python Software Foundation	https://www.python.org/	소프트웨어 환경을 위한 프로그래밍 언어입니다. 버전: 3.9.
SlimPajama 데이터셋	Cerebras Systems Inc.	https://www.cerebras.net/blog/cerebras-releases-slimpajama-a-cleaned-version-of-redpajama/	RedPajama에서 파생된 대규모 오픈 소스 사전 훈련 코퍼스입니다.
spaCy	Explosion AI	https://spacy.io/	텍스트 전처리를 위한 자연어 처리 라이브러리입니다. 버전: 3.5.
TensorFlow	Google LLC	https://www.tensorflow.org/	오픈 소스 머신 러닝 프레임워크입니다. 버전: 2.12.