軍 보고서 등장 문장과 관련 법령 간 비교 시스템 구축 방안 연구

정지인; 김민태; 김우주

추천

검색

질문

자료유형: 학술저널

저자정보: 정지인 (연세대학교) 김민태 (연세대학교) 김우주 (연세대학교)

저널정보: 한국지능정보시스템학회 지능정보연구 지능정보연구 제26권 제3호

발행연도: 2020.9

수록면: 109 - 125 (17page)

이용수

📌

연구주제

📖

연구배경

🔬

연구방법

🏆

연구결과

이 논문의 연구 히스토리 (2)

2021

방위사업 관련 軍 보고서 등장 문장의 위법 위험 여부 판단 시스템 구축 방안 연구

정지인 산업공학과 2021.01 학위논문

2020

軍 보고서 등장 문장과 관련 법령 간 비교 시스템 구축 방안 연구

정지인 , 김민태 , 김우주 지능정보연구 2020.09 학술저널

이 논문의 후속연구가 궁금하신가요?
연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
이 논문의 연구 히스토리 확인하기

초록· 키워드

오류제보하기

軍에서 방위력개선사업(이하 방위사업)은 매우 투명하고 효율적으로 이루어져야 함에도, 방위사업 관련 법 및 규정의 과도한 다양화로 많은 실무자들이 원활한 방위사업 추진에 어려움을 겪고 있다. 한편, 방위사업 관련 실무자들이 각종 문서에서 다루는 법령 문장은 문장 내에서 표현 하나만 잘못되더라도 심각한 문제를 유발하는 특징을 가지고 있으나, 이를 실시간으로 바로잡기 위한 문장 비교 시스템 구축에 대한 노력은 미미했다. 따라서 본 논문에서는 Siamese Network 기반의 자연어 처리(NLP) 분야 인공 신경망 모델을 이용하여 軍의 방위사업 관련 문서에서 등장할 가능성이 높은 문장과 이와 관련된 법령 조항의 유사도를 비교하여 위법 위험 여부를 판단ㆍ분류하고, 그 결과를 사용자에게 인지시켜 주는 ‘軍 보고서 등장 문장과 관련 법령 간 비교 시스템’ 구축 방안을 제안하려고 한다. 직접 제작한 데이터 셋인 母문장(실제 법령에 등장하는 문장)과 子문장(母문장에서 파생시킨 변형 문장) 3,442쌍을 사용하여 다양한 인공 신경망 모델(Bi-LSTM, Self-Attention, D_Bi-LSTM)을 학습시켰으며 1 : 1 문장 유사도 비교 실험을 통해 성능 평가를 수행한 결과, 상당히 높은 정확도로 子문장의 母문장 대비 위법 위험 여부를 분류할 수 있었다. 또한, 모델 학습에 사용한 子문장 데이터는 법령 문장을 일정 규칙에 따라 변형한 형태이기 때문에 母ㆍ子문장 데이터만으로 학습시킨 모델이 실제 軍 보고서에 등장하는 문장을 효과적으로 분류한다고 판단하기에는 제한된다는 단점을 보완하기 위해, 실제 軍 보고서에 등장하는 형태에 보다 더 가깝고 母문장과 연관된 새로운 문장 120문장을 추가로 작성하여 모델의 성능을 평가해본 결과, 母ㆍ子문장 데이터만으로 학습시킨 모델로도 일정 수준 이상의 성능을 확인 할 수 있었다. 결과적으로 본 연구를 통해 방위사업 관련 軍 보고서에서 등장하는 여러 특정 문장들이 각각 어느 관련 법령의 어느 조항과 가장 유사한지 살펴보고, 해당 조항과의 유사도 비교를 통해 위법 위험 여부를 판단하는 ‘실시간 軍 문서와 관련 법령 간 자동화 비교 시스템’의 구축 가능성을 확인할 수 있었다.

The Ministry of National Defense is pushing for the Defense Acquisition Program to build strong defense capabilities, and it spends more than 10 trillion won annually on defense improvement. As the Defense Acquisition Program is directly related to the security of the nation as well as the lives and property of the people, it must be carried out very transparently and efficiently by experts. However, the excessive diversification of laws and regulations related to the Defense Acquisition Program has made it challenging for many working-level officials to carry out the Defense Acquisition Program smoothly. It is even known that many people realize that there are related regulations that they were unaware of until they push ahead with their work. In addition, the statutory statements related to the Defense Acquisition Program have the tendency to cause serious issues even if only a single expression is wrong within the sentence. Despite this, efforts to establish a sentence comparison system to correct this issue in real time have been minimal. Therefore, this paper tries to propose a “Comparison System between the Statement of Military Reports and Related Laws” implementation plan that uses the Siamese Network-based artificial neural network, a model in the field of natural language processing (NLP), to observe the similarity between sentences that are likely to appear in the Defense Acquisition Program related documents and those from related statutory provisions to determine and classify the risk of illegality and to make users aware of the consequences. Various artificial neural network models (Bi-LSTM, Self-Attention, D_Bi-LSTM) were studied using 3,442 pairs of “Original Sentence”(described in actual statutes) and “Edited Sentence”(edited sentences derived from “Original Sentence”). Among many Defense Acquisition Program related statutes, DEFENSE ACQUISITION PROGRAM ACT, ENFORCEMENT RULE OF THE DEFENSE ACQUISITION PROGRAM ACT, and ENFORCEMENT DECREE OF THE DEFENSE ACQUISITION PROGRAM ACT were selected. Furthermore, “Original Sentence” has the 83 provisions that actually appear in the Act. “Original Sentence” has the main 83 clauses most accessible to working-level officials in their work. “Edited Sentence” is comprised of 30 to 50 similar sentences that are likely to appear modified in the county report for each clause(“Original Sentence”). During the creation of the edited sentences, the original sentences were modified using 12 certain rules, and these sentences were produced in proportion to the number of such rules, as it was the case for the original sentences. After conducting 1 : 1 sentence similarity performance evaluation experiments, it was possible to classify each “Edited Sentence” as legal or illegal with considerable accuracy. In addition, the “Edited Sentence” dataset used to train the neural network models contains a variety of actual statutory statements(“Original Sentence”), which are characterized by the 12 rules. On the other hand, the models are not able to effectively classify other sentences, which appear in actual military reports, when only the “Original Sentence” and “Edited Sentence” dataset have been fed to them. The dataset is not ample enough for the model to recognize other incoming new sentences. Hence, the performance of the model was reassessed by writing an additional 120 new sentences that have better resemblance to those in the actual military report and still have association with the original sentences. Thereafter, we were able to check that the models’ performances surpassed a certain level even when they were trained merely with “Original Sentence” and “Edited Sentence” data. If sufficient model learning is achieved through the improvement and expansion of the full set of learning data with the addition of the actual report appearance sentences, the models will be able to better classify other sentences coming from military reports as legal or illegal. Based on the experimental results, this study confirms the possibility and value of building "Real-Time Automated Comparison System Between Military Documents and Related Laws". The research conducted in this experiment can verify which specific clause, of several that appear in related law clause is most similar to the sentence that appears in the Defense Acquisition Program-related military reports. This helps determine whether the contents in the military report sentences are at the risk of illegality when they are compared with those in the law clauses.

#방위력개선사업 #방위사업 #문장 유사도 비교 #자연어 처리 #Siamese Network #Self-Attention #Defence Acquisition Program #Sentence Similarity #Natural Language Processing

참고문헌 (15)

참고문헌 신청

Bahdanau, D., K. H. Cho, Y. Bengio, “Neural Machine Translation by Jointly Learning to Align and Translate,” ICLR(2015).

Bromley, J., I. Guyon, Y. Lecun, E. Sackinger, R. Shah, “Signature Verification using a Siamese Time Delay Neural Network,” International Journal of Pattern Recognition and Artificial Intelligence, Vol.7, No.4(1994).

Han, H., S. Choi, “An Artificial Neural Network Approach for the Prediction of Unlawful Company in Defense Procurement,” Journal of the Military Operations Research Society of Korea, Vol.37, No.1(2011).

Hochreiter, S., J. Schmidhuber, “Long Short-Term Memory,” Neural Computation, Vol.9, No.8 (1997).

Kim, M., H. Han, S. Choi, “A Study on the EAC Estimation of Defense Acquisition Project using Artificial Neural Network,” Journal of Korea Management Engineers Society, Vol. 16, No.3(2011).

함께 읽어보면 좋을 논문

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

이 논문의 저자 정보

정지인

소속기관 연세대학교 일반대학원 작업치료학과

주요연구분야 공학 > 산업공학 의약학 > 임상의학 > 작업치료학

논문수 5 이용수 178

김민태

소속기관 창원대학교

주요연구분야 공학 > 산업공학 공학 > 컴퓨터학

논문수 16 이용수 4,120

김우주

소속기관 연세대학교

주요연구분야 공학 > 컴퓨터학 TOP 10% 공학 > 산업공학 TOP 0.5%

논문수 171 이용수 20,620

이 논문과 함께 이용한 논문

Siamese Attention LSTM Network를 이용한 문장 ↔ 관련법령 비교 시스템 구축 방안 연구

정지인 , 김민태 , 김우주 한국지능정보시스템학회 학술대회논문집 2020 .06

구문분석기법을 이용한 문서표절탐지 알고리즘의 개발

박상욱 , 김정윤 , 이태훈 외 3명 한국컴퓨터교육학회 학술발표대회논문집 2013 .02

한국어 문장 표절 유형을 고려한 유사 문장 판별

지혜성 , 조준희 , 임희석 컴퓨터교육학회 논문지 2010 .11

문단 간 유사도와 로지스틱 회귀 분류를 통한 기사 내 부적합 문단 검출 시스템

김규완 , 신현주 , 김선진 외 2명 한국정보과학회 학술발표논문집 2017 .12

유의어 사전을 이용한 문서 내 표절 구간 탐색 시스템 개발

송광호 , 민지홍 , 이가영 외 1명 한국정보과학회 학술발표논문집 2014 .12

최근 본 자료

전체보기

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

이 논문의 연구 히스토리 (2)

초록· 키워드

AI 요약

연구주제

연구배경

연구방법

연구결과

주요내용

목차

참고문헌 (15)

함께 읽어보면 좋을 논문

이 논문의 저자 정보

이 논문과 함께 이용한 논문

최근 본 자료

댓글(0)