인간 행동 인식(HAR)은 헬스케어, 웰빙 및 일상 모니터링 응용 분야에서 중요성이 점점 더 커지고 있으며, 이 중 식사 및 음용과 같은 섭취 행동을 감지하는 것은 식습관과 만성 질환 관리에 대한 실행 가능한 통찰을 제공할 수 있습니다. 그러나 HAR 시스템은 미세하거나 데이터가 부족한 소수 클래스에서 성능이 저하되는 경우가 많아 실제 식단 모니터링에서의 활용성이 제한됩니다. 본 연구는 스마트워치의 가속도계, 자이로스코프, 지자기 센서 데이터로부터 변별력 있는 시간적 패턴을 포착하도록 설계된 양방향 GRU 레이어, 멀티헤드 어텐션, 잔차 연결을 포함하는 합성곱 아키텍처인 CABiGRU를 기반으로 합니다. CABiGRU의 일반화 성능을 향상시키고 소수 클래스의 과소적합을 줄이기 위해, 확산 모델을 사용하여 합성 센서 데이터 윈도우를 활용하고 2단계 학습 전략을 채택합니다. 즉, 합성 데이터로 CABiGRU를 사전학습한 후 실제 데이터로 미세조정을 수행합니다. DEO(음용/식사/기타) 데이터셋에서 제안된 파이프라인은 90.6%의 균형 정확도(balanced accuracy)를 달성하여 강력한 지도학습 기준선 대비 성능을 향상시켰으며, 섭취 행동 인식에 대한 확산 기반 합성 사전학습의 이점을 보여주고 불균형 클래스를 다루는 데 있어 진전을 나타냅니다. 이러한 결과는 확산 모델로 생성된 데이터와 표적화된 미세조정을 결합하는 것이 식습관 행동의 강건한 인식을 향상시켜, 헬스케어 및 영양 모니터링 환경에서 보다 신뢰성 있는 배포를 지원함을 시사합니다.
기여: 본 논문에서는 코드형 커리큘럼(Curriculum as Code) 패러다임에 기반한 6단계 AI 보조 교수 설계 아키텍처를 제시하며, 생성형 AI(Generative AI)를 LaTeX 및 Python과 통합하여 STEM 교육을 위한 재현 가능하고 시각적으로 일관되며 기술적으로 정밀한 교육 자료 생성을 자동화합니다. 배경: 능동적 학습(active learning)을 위한 맞춤형 교육 자료를 제작하는 것은 교수자에게 과도한 업무 부담을 줍니다. 표준 프레젠테이션 도구는 기술적 콘텐츠에 대한 강력한 지원이 부족하며, 현재의 AI 애플리케이션은 종종 환각(hallucination)을 일으키고 교수 저작 과정을 정형화하지 못해 엄밀한 학술적 설계에 활용하는 데 한계가 있습니다. 기대 성과: 본 프레임워크는 준비 시간을 줄이는 동시에 수학적 정확성, 기관의 시각적 정체성 준수, 그리고 명시적 규칙을 통한 교수자의 암묵적 교수학적 지식 보존을 보장하는 것을 목표로 합니다. 애플리케이션 설계: 제안된 솔루션은 임시방편적인(ad-hoc) 프롬프트 엔지니어링을 체계적인 워크플로우로 대체하는 6단계 파이프라인으로 구성되며, 텍스트 기반 인터페이스와 코드 기반 생성(슬라이드용 LaTeX/Beamer, 그림용 Python)을 활용하고 교수학적 제약 조건, 맥락적 보정, 자동화된 검토 주기의 제어를 받습니다. 주요 결과: 프로젝트 기반 학습(Project-Based Learning) 환경에서 1년에 걸쳐 8개 모듈과 28개 프로젝트 맥락을 통해 검증한 결과, 본 아키텍처는 교수자의 업무 부담을 크게 줄였습니다. 생성된 자료는 독립적인 동료 평가를 거쳐 6명의 서로 다른 교수진에 의해 배포됨으로써 단일 저자를 넘어선 확장성을 확인했습니다. 600건 이상의 자발적인 학생 평가를 기반으로 해당 자료는 10점 만점에 8.5점에서 9.9점에 이르는 높은 품질 평가를 받았습니다. 결과는 높은 재현성, 최소화된 환각, 지속적인 교수학적 및 시각적 충실도를 보여주며, 광범위한 STEM 교육 애플리케이션에 대한 실용성을 시사합니다.