🔢 수학

Analysis of Artificial Intelligence in Education Systems Based on an Advanced Fuzzy Decision-Making Model

본 연구는 불확실성 조건 하에서 교육 시스템을 강화하기 위한 인공지능 도구들을 효과적으로 평가하고 순위를 매기기 위해 복합 구간 값 q-rung 오소페어 퍼지 집합 연산자를 활용한 새로운 다기준 집단 의사결정 프레임워크를 제안한다.

원저자: Noor Rehman, Abbas Ali, Zabihullah Movaheedi, Mohsin Sajjad, Kaleem Ullah

게시일 2026-10-20

📖 4 분 읽기🧠 심층 분석

CC BY 4.0

원저자: Noor Rehman, Abbas Ali, Zabihullah Movaheedi, Mohsin Sajjad, Kaleem Ullah

원본 논문은 CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

현대 사회에서 결정은 결코 흑백논리로 나뉘지 않습니다. 학교 이사회가 새로운 소프트웨어를 선택할 때나, 의사가 치료 옵션을 저울질할 때, 혹은 투자자가 포트폴리오를 고를 때, 가용 가능한 정보는 종종 무질서하거나 불완전하며 모순적입니다. 전통적인 수학은 정밀한 숫자를 요구하기 때문에 이러한 종류의 모호함을 다루는 데 어려움을 겪습니다. 인간의 판단에 담긴 회색 지대를 처리하기 위해, 수학자들은 퍼지 논리(fuzzy logic)라고 불리는 분야를 개발했습니다. 퍼지 논리는 "예"와 "아니오" 사이의 선택을 강요하는 대신, 어떤 것이 부분적으로 참이거나 부분적으로 거짓일 수 있음을 인정하며 진리의 정도를 허용합니다. 시간이 흐르면서 이 개념은 데이터가 시간에 따라 변하거나 전문가가 서로 다른 값 사이에서 망설이는 상황을 포함하여, 훨씬 더 복잡한 불확확성의 층위를 다룰 수 있도록 진화했습니다. 이 수학적 도구 상자는 확실성이 사치이고 미묘한 차이가 규칙인 현실 세계를 항해하는 데 필수적입니다.

파키스탄과 아프가니스탄 대학의 연구진은 이제 이 도구 상자를 더욱 발전시켜, 혼란스럽거나 상충하는 정보에 직면했을 때 더 나은 결정을 내릴 수 있도록 돕는 새로운 방법을 만들어냈습니다. 그들의 연구는 특정 과제, 즉 의견이 단지 모호할 뿐만 아니라 두 가지 서로 다른 유형의 불확실성을 동시에 지니고 있을 때 어떻게 그 의견들을 처리할 것인가에 초점을 맞추고 있습니다. 한 전문가가 신기술에 대해 설명하는 상황을 상상해 보십시오. 그들은 기술의 잠재력에 대해서는 확신(긍정적 견해)을 느끼면서도, 동시에 그 위험성에 대해서는 우려(부정적 견해)를 느낄 수 있습니다. 게다가 그들의 확신은 변동할 수 있으며, 혹은 단일한 숫자가 아닌 범위를 통해 자신의 느낌을 표현할 수도 있습니다. 연구진은 이 모든 층위—긍정, 부정, 범위, 그리고 변동성—를 하나의 관리 가능한 프레임워크로 포착하는 정교한 시스템을 개발했습니다. 그들은 이 프레임워크를 "복합 구간값 q-랭 오소페어 퍼지 집합(complex interval-valued q-rung orthopair fuzzy set)"이라고 부릅니다. 쉽게 말해, 이는 복잡하고 망설임이 섞인 변화무쌍한 인간의 판단을 컴퓨터가 미세한 세부 사항을 놓치지 않고 처리할 수 있는 형식으로 패키징하는 방법입니다.

연구의 핵심은 이러한 복잡한 의견들을 섞어 하나의 명확한 권고안을 만들어내는 '블렌더' 역할을 하는 새로운 수학적 규칙, 즉 "연산자(operators)"를 만드는 것입니다. 블렌더가 재료를 섞어 매끄러운 음료를 만드는 것과 마찬가지로, 이 새로운 연산자들은 판단들을 혼합하여 단 하나의 명확한 권고를 만들어냅니다. 연구진은 두 가지 주요 유형의 믹서를 설계했는데, 하나는 의견을 평균 내는 방식(산술 평균)이고 다른 하나는 의견을 서로 곱하는 방식(기하 평균)입니다. 연구진은 이 믹서들이 신뢰할 수 있다는 것을 증명했습니다. 즉, 이 믹서들은 불가능하거나 모순된 결과를 내놓지 않으며, 입력 데이터가 약간 변하더라도 일관되게 작동합니다. 이들의 창조물을 테스트하기 위해 연구진은 매우 실용적인 문제, 즉 교육 시스템을 위한 최적의 인공지능 도구를 선택하는 문제에 이를 적용했습니다.

연구진은 전문가가 다섯 가지 유형의 AI 도구(적응형 학습 플랫폼, 교육용 챗봇, 자동 채점 시스템, 언어 학습 앱, 지능형 튜터링 시스템)를 평가하는 시나리오를 설정했습니다. 전문가는 다섯 가지 기준, 즉 비용 효율성, 적응성, 학습 표준과의 부합성, 피드백 메커니즘, 그리고 설계의 연구 기반 여부를 바탕으로 각 도구를 평가했습니다. 전문가의 판단은 단순한 점수가 아니었습니다. 그것은 불확실성과 망설임을 반영하는 복잡한 값의 범위였습니다. 예를 들어, 전문가는 어떤 도구가 비용 효율성은 "다소" 높지만 적응성은 "매우" 높다고 느낄 수 있으며, 정확한 효과의 정도는 특정 범위 내에서 변동할 수 있습니다.

연구진은 이 새로운 수학적 믹서를 사용하여 이 무질서한 데이터를 처리했습니다. 그 결과, 자동 채점 시스템이 1위로 선정되었고, 지능형 튜터링 시스템, 언어 학습 앱이 그 뒤를 이었으며, 나머지 도구들은 낮은 순위를 기록했습니다. 이 방법의 타당성을 확보하기 위해 연구진은 결과값을 여러 기존 수학적 기법들과 비교했습니다. 그들은 일부 오래된 방식들이 순위를 매내지 못하거나 다른 결과를 내놓는 반면, 자신들의 새로운 접근 방식은 일관되적으로 자동 채점 시스템을 최선의 선택지로 식별해 낸다는 것을 발견했습니다. 이러한 일관성은 연구진이 수학적 설정을 조정하여 결과가 뒤집히는지 확인하기 위해 파라미터를 변경했을 때도 유지되었습니다. 이러한 조정을 거쳐도 최선의 선택이 동일하게 유지되었다는 사실은 이 방법이 견고하고 안정적임을 시사합니다.

또한 이 연구는 왜 이 새로운 접근 방식이 필요한지를 강조했습니다. 연구진은 더 단순한 형태의 불확실성을 다루는 기존 방식들이 현실 세계의 시나리오에서 발견되는 복잡한 2차원 데이터를 마주했을 때 종종 무너진다는 것을 보여주었습니다. 전문가의 망설임이나 긍정적/부정적 견해의 이중적 성격이 가진 깊이를 온전히 포착하지 못함으로써, 기존 방식들은 덜 정확한 결정을 내릴 수 있습니다. 반면, 새로운 프레임워크는 그 모든 정보를 보존함으로써 더 미묘하고 신뢰할 수 있는 결과를 도출합니다. 연구진은 이 방법이 교육뿐만 아니라 금융 리스크 평가, 투자 선택, 의료 평가와 같이 결정이 어려운 다른 분야에서도 잘 작동함을 입증했습니다.

궁극적으로, 이 연구는 불확실한 세상을 바라보는 더 강력한 렌즈를 제공합니다. 이는 인간 전문가의 복잡하고 상충하며 망설임이 섞인 의견을 명확하고 실행 가능한 경로로 전환하는 방법을 제시합니다. 정보를 집계하는 도구를 정교화함으로써, 연구진은 의사 결정자들이 현대 생활의 복잡성을 헤쳐 나갈 수 있는 더 나은 방법을 제공했으며, 최종적인 선택이 단순히 가장 쉬운 부분만이 아니라 가용한 모든 증거의 무게를 온전히 반영하도록 보장했습니다.

기술 요약: 고급 퍼지 의사결정 모델에 기반한 교육 시스템 내 인공지능 분석

문제 제기
본 논문은 복잡하고 불확실한 환경 내에서의 다기준 의사결정(Multi-Attribute Decision-Making, MADM)에 내재된 과제를 다루며, 특히 교육 시스템 내 인공지능(AI) 도구의 평가에 초점을 맞춘다. 전통적인 의사결정 모델은 종종 불충분한 수치 데이터에 의존하거나, 실제 시나리오에 존재하는 모호성, 망설임, 그리고 2차원 정보의 전체 스펙트럼을 포착하는 데 실패한다. 표준 퍼지 집합(FS)부터 직관형 퍼지 집합(IFS), 피타고라스 퍼지 집합(PFS), 그리고 심지어 복소 직관형(CIFS) 또는 복소 피타고라스(CIVPFS) 집합에 이르는 기존의 퍼지 집합 이론들은 한계를 지니고 있다. 구체적으로, 이들은 소속도와 비소속도의 합(또는 그 제곱의 합)이 1을 초 exceed하거나, 구간값 데이터와 복소 위상 항(주기성)을 단일 프레임워크 내에서 동시에 표현할 수 없을 때 어려움을 겪는다. 저자들은 대수적 유연성을 갖춘 복소 구간값 q-렁 직교 퍼지 집합(Complex Interval-Valued q-Rung Orthopair Fuzzy Sets, CIV q-ROFS)을 처리할 수 있는 연산 법칙 및 집계 연산자에 관한 문헌상의 공백을 식별하였다.

방법론
본 연구는 CIV q-ROFS에 적용되는 **대수적 복소 구간값 연산 법칙(Algebraic Complex Interval-Valued Operational Laws)**에 기반한 새로운 수학적 프레임워크를 제안한다. 방법론은 다음과 같은 기술적 단계를 거친다:

이론적 기초: 저자들은 각 요소가 실수 및 허수 성분(위상 항)을 모두 가진 구간값 소속도와 비소속도를 포함하도록 하여 기존 모델을 확장한 CIV q-ROFS를 정의한다. 이를 통해 소속도와 비소속도의 $q$ 차 거듭제곱 합이 1을 초과하지 않는 2차원 데이터를 표현할 수 있게 한다.
연산 법칙: 직접 합, 직접 곱, 스칼라 곱을 포함하여 CIV q-ROF 수(CIV q-ROFNs)를 위한 새로운 대수적 연산 법칙이 확립된다. 이 법칙들은 데이터의 구간 및 복소 성분을 처리하면서 $q$ -렁 직교 제약을 유지하도록 설계되었다.
집계 연산자: 이러한 연산 법칙을 바탕으로 네 가지 새로운 집계 연산자가 개발된다:
- 복소 구간값 q-렁 직교 퍼지 가중 산술 평균(CIV q-ROFWAM).
- 복소 구간값 q-렁 직교 퍼지 순서 가중 산술 평균(CIV q-ROFOWAM).
- 복소 구간값 q-렁 직교 퍼지 가중 기하 평균(CIV q-ROFWGM).
- 복소 구간값 q-렁 직교 퍼지 순서 가중 기하 평균(CIV q-ROFOWGM).
  본 논문은 이 연산자들이 **유계성(boundedness), 항등성(idempotency), 단조성(monotonicity)**과 같은 필수적인 속성을 만족함을 수학적으로 증명한다.
의사결정 프레임워크: 단계별 MADM 알고리즘이 구축된다. 이는 결정 행렬의 정규화(비용 속성을 이익 속성으로 변환), 제안된 연산자를 사용한 전문가 의견의 집계, 점수 및 정확도 값 계산, 그리고 대안의 순위 산정 과정을 포함한다.
사례 연구 적용: 본 프레임워크는 교육 분야의 5가지 AI 도구(적응형 학습 플랫폼, 교육용 챗봇, 자동 채점 시스템, 언어 학습 앱, 지능형 튜터링 시스템)를 5가지 기준(비용 효율성, 적응성/호환성, 표준 통합성, 피드백 메커니즘, 연구 기반 설계)에 따라 평가하는 실질적인 문제에 적용된다.

주요 기여
본 논문은 다음과 같은 주요 기여를 주장한다:

새로운 연산 법칙: 기존 모델(CIVIFS, CIVPFS)을 일반화하고 더 넓은 범위의 불확실성 표현을 허용하는 CIV q-ROFS에 특화된 대수적 연산 법칙의 도입.
새로운 집계 연산자: CIV q-ROF 환경 내에서 가중 및 순서 가중 산술 및 기하 평균 연산자의 개발. 이 연산자들은 의사결정자가 파라미터 $q$ (렁 파라미터)와 $\lambda$ (일반화 파라미터)를 조정함으로써 특정 퍼지 값에 대한 집중도를 조절할 수 있게 한다.
이론적 견고성: 제안된 연산자가 CIV q-ROF 구조를 보존하고 유계성 및 단조성과 같은 기본 속성을 충족함을 입증하는 엄격한 수학적 증명.
비교 분석: 제안된 방법이 기존 기술(Xu & Chen, Nayagam et al., Garg 등의 연구 포함)과 비교하여 일관되고 신뢰할 수 있는 순위를 생성함을 입상적으로 보여주며, IVIFS 또는 IVPFS의 제약을 초과하는 데이터를 처리하는 데 있어 더 큰 유연성을 제공함.

결과
교육 분야의 AI 도구 적용 결과:

$q=8$ 및 $\lambda=1$ 인 파라미터로 CIV q-ROFWAM 연산자를 사용했을 때, 대안의 순위는 다음과 같다: 자동 채점 시스템( $P_3$ ) $\succ$ 언어 학습 앱( $P_4$ ) $\succ$ 지능형 튜터링 시스템( $P_5$ ) $\succ$ 적응형 학습 플랫폼( $P_1$ ) $\succ$ 교육용 챗봇( $P_2$ ).
파라미터 $q$ $q$ 와 $\lambda$ $λ$ 를 변화시켜 민감도 분석을 수행하였다. 결과는 순위가 파라미터 $q$ $q$ 에 민감함을 나타낸다:
- $q=7$ 및 $q=8$ (단, $\lambda=1$ )일 때, 순위는 $P_3 \succ P_4 \succ P_5 \succ P_1 \succ P_2$ 이다.
- $q=9, 10, 12, 15, 18, 20, 23, 25$ (단, $\lambda=1$ )일 때, 순위는 $P_3 \succ P_5 \succ P_4 \succ P_1 \succ P_2$ 로 바뀐다.
- 모든 테스트 시나리오에서 $P_3$ (자동 채점 시스템)가 최적의 대안으로 유지된다.
비교 표는 기존 방법들(예: 표준 TOPSIS 또는 특정 AHP 변형)이 데이터 제약으로 인해 순위를 다르게 생성하거나 특정 대안의 순위를 매기는 데 실패하는 반면, 제안된 방법은 복잡한 구간값 데이터를 성공적으로 처리하고 확정적인 순위를 생성함을 보여준다. 다만 $P_4$ 와 $P_5$ 의 구체적인 순서는 선택된 $q$ 값에 따라 달라진다.

의의 및 주장
저자들은 제안된 모델이 높은 불확실성과 2차원 데이터를 특징으로 하는 환경에서 더 유연하고, 신뢰할 수 있으며, 정확한 접근 방식을 제공한다고 주장한다.

모호성 처리: 본 모델은 데이터 제약(제곱 또는 $q$ 차 거듭제곱의 합)이 단순한 모델에서 위반될 때, 기존의 구간값 직관형 또는 피타고라스 퍼지 환경보다 모호성을 더 효과적으로 처리한다고 주장한다.
의사결정자의 자율성: 파라미터 $q$ 와 $\lambda$ 를 도입함으로써, 이 방법은 $q$ 값에 따른 $P_4$ 와 $P_5$ 의 순위 변화에서 입증된 바와 같이, 의사결정자가 자신의 특정 위험 선호도(낙관주의 vs 비관주의)에 맞춰 집계 과정을 조정할 수 있는 더 큰 통제권을 제공한다.
실무 적용 가능성: 본 연구는 교육 부문 사례 연구를 통해 방법의 타당성을 검증하며, 다양한 전문가 판단을 통합하는 능력을 입증한다. 저자들은 이 프레임워크가 금융 리스크 평가, 의료 폐기물 관리, 재생 에너지 선택과 같은 다른 영역에도 적용 가능하다고 제안하지만, 본 논문의 주요 검증은 교육적 AI 맥락에 국한되어 있다.

본 논문은 대수적 복소 구간값 연산 법칙과 CIV q-ROFS 집계 연산자의 통합이 전통적인 퍼지 집합이 불충분한 복잡한 MADM 문제를 해결하기 위한 강력한 이론적 토대를 제공한다고 결론짓는다.

유사한 논문