과학고 정보 수업용 소논문 예시

Ⅰ. 연구 동기와 문제 정의

학교 주변 도로는 등교와 하교 시간에 학생, 차량, 버스, 자전거가 동시에 이동하는 공간이다. 횡단보도와 신호등이 충분히 설치되어 있어도 사고 이력이 잦거나 제한속도가 높은 도로는 학생에게 위험할 수 있다. 반대로 사고 이력만으로 위험을 판단하면 보행 안전시설의 개선 효과를 충분히 반영하지 못할 수 있다.

따라서 본 연구는 여러 공공데이터를 하나의 지표로 결합하여 학교 주변 보행 안전 지수를 설계하고, 위험 등급을 분류하는 알고리즘을 제안한다.

Ⅱ. 공공데이터 출처와 변수 설명

실제 수업에서는 공공데이터포털, 교통사고분석시스템, 지자체 교통안전시설 데이터, 어린이보호구역 현황, 도로명주소 또는 도로 정보 데이터를 CSV 또는 API로 수집할 수 있다. 본 예시는 수업용 샘플 CSV 구조를 기준으로 작성하였다.

※ 학생 개인의 이동 경로, 얼굴, 전화번호, 실명 위치 기록은 수집하지 않는다. 분석 단위는 도로 구간 또는 시설 지점으로 설정한다.

Ⅲ. 데이터 전처리 및 분석 알고리즘

1. 전처리 절차

• CSV 또는 API 응답의 변수명을 통일한다.
• 결측치는 0, 평균, 또는 분석 제외 중 하나로 처리하고 그 이유를 기록한다.
• 학교 반경 300m, 500m, 1km 등 분석 범위를 명확히 정한다.
• 시설 수와 사고 수처럼 단위가 다른 변수는 0~1 범위로 정규화한다.

2. 보행 안전 지수 산식 예시

점수가 높을수록 상대적으로 안전한 구간으로 해석한다. 다만 이 지수는 절대적 안전을 보장하는 값이 아니라, 여러 지점을 비교하기 위한 수업용 분석 지표이다.

3. 위험 등급 분류

Ⅳ. 분석 결과와 시각화 예시

Ⅴ. 정보 윤리, 한계, 개선 방향

1. 정보 윤리

• 학생 개인의 실제 이동 경로나 위치 기록을 수집하지 않는다.
• 사고 데이터는 특정 개인이나 차량을 식별하지 않는 집계 자료만 사용한다.
• 안전 지수 결과를 특정 지역에 대한 낙인으로 사용하지 않고, 개선 제안의 근거로 활용한다.

2. 연구의 한계

3. 개선 방향

• Folium을 활용해 지점별 안전 등급을 지도에 표시한다.
• 시간대별 사고 자료가 있다면 등교·하교 시간 위험도를 따로 계산한다.
• 랜덤포레스트 등 지도학습 모델을 사용해 사고 발생 가능성 예측으로 확장한다.
• 실제 현장 관찰 결과와 공공데이터 분석 결과를 비교하여 지수의 타당성을 검토한다.

Ⅵ. 예시 코드

아래 코드는 수업용 샘플 CSV인 public_data_topic_11.csv를 가정한다. 실제 공공데이터를 사용할 때는 열 이름을 데이터에 맞게 수정한다.

import pandas as pd
import matplotlib.pyplot as plt

# 수업용 샘플 CSV 예시 열:
# place, crosswalk_count, signal_count, school_zone,
# accident_count, severe_accident_count, speed_limit, lane_count

df = pd.read_csv('public_data_topic_11.csv')

print('데이터 미리보기')
print(df.head())
print('\n데이터 정보')
print(df.info())
print('\n결측치 확인')
print(df.isnull().sum())

# 필요한 숫자형 열의 결측치를 0으로 처리한다.
# 실제 연구에서는 결측 원인을 먼저 확인한 뒤 처리 방법을 정해야 한다.
num_cols = [
    'crosswalk_count', 'signal_count', 'school_zone',
    'accident_count', 'severe_accident_count',
    'speed_limit', 'lane_count'
]
for col in num_cols:
    df[col] = df[col].fillna(0)

# 0~1 정규화 함수
def normalize(series):
    min_v = series.min()
    max_v = series.max()
    if max_v == min_v:
        return series * 0
    return (series - min_v) / (max_v - min_v)

# 시설 관련 변수: 많을수록 안전 점수 증가
facility_score = (
    10 * normalize(df['crosswalk_count']) +
    12 * normalize(df['signal_count']) +
    8 * df['school_zone']
)

# 위험 관련 변수: 많을수록 안전 점수 감소
risk_score = (
    15 * normalize(df['accident_count']) +
    20 * normalize(df['severe_accident_count']) +
    10 * normalize(df['speed_limit']) +
    5 * normalize(df['lane_count'])
)

# 최종 보행 안전 지수
df['safety_index'] = 100 + facility_score - risk_score

def classify(score):
    if score >= 90:
        return '안전'
    if score >= 75:
        return '주의'
    return '위험'

df['risk_level'] = df['safety_index'].apply(classify)

print('\n보행 안전 지수 결과')
print(df[['place', 'safety_index', 'risk_level']].sort_values('safety_index'))

# 시각화
plt.rcParams['font.family'] = 'Malgun Gothic'
plt.rcParams['axes.unicode_minus'] = False

result = df.sort_values('safety_index')
plt.figure(figsize=(10, 5))
plt.bar(result['place'], result['safety_index'])
plt.axhline(90, linestyle='--', label='안전 기준')
plt.axhline(75, linestyle='--', label='주의 기준')
plt.title('학교 주변 보행 안전 지수')
plt.xlabel('분석 지점')
plt.ylabel('보행 안전 지수')
plt.xticks(rotation=30, ha='right')
plt.legend()
plt.tight_layout()
plt.show()

# CSV 저장
df.to_csv('school_pedestrian_safety_index_result.csv', index=False, encoding='utf-8-sig')
print('결과 파일 저장 완료: school_pedestrian_safety_index_result.csv')

Ⅶ. 과목별 세부특기사항 작성 관점

참고문헌 작성 예시

1. 공공데이터포털, 교통안전시설 및 도로 관련 공공데이터.
2. 도로교통공단, 교통사고분석시스템 관련 통계 자료.
3. 행정안전부, 어린이보호구역 및 생활안전 관련 공개 자료.
4. Scikit-learn Developers, Machine Learning in Python Documentation.
5. Pandas Development Team, pandas Documentation.

※ 실제 소논문에는 사용한 데이터셋의 정확한 제목, 제공 기관, 내려받은 날짜, URL을 기록한다.