sfex tistory blog

​

1. 구글에서 (app design) 좋은 디자인 검색

2. 필요한 이미지 찾기

Unsplash: https://unsplash.com/https://unsplash.com/

​

3. 이미지 편집

Canva:https://www.canva.com/ https://www.canva.com/

​

4. 아이콘 준비

Icons8:https://icons8.com/ https://icons8.com/

​

5. 앱 개발 시작

https://x.thunkable.com/

​

app inventor 소개

[참고] https://blog.naver.com/lymj1234/221640377293

​

- 구글에서 쉽게 안드로이드 앱을 만들 수 있도록 2010년 앱인벤터를 개발해 무료로 제공

- 현재는 MIT 미디어랩에서 지원 및 계발을 계속해서 2014년 현재 '앱 인벤터 2.0' 버전을 내놓았습니다.

- 앱 인벤터(App Inventor)는 컴포넌트들을 배치하여 화면 디자인을 하고 프로그래밍은 (MIT 스크래치 블록코딩기술)블록들을 연결하면 완성됨

- 웹 개발환경이라서 PC에 프로그램 설치 필요없음. 회원 가입하면 바로 시작

​

​

앱인벤터 종류

[참고] https://blog.naver.com/nicelsh0/221780220725

- http://ai2.appinventor.mit.edu/

- http://appybuilder.com/

- https://www.kodular.io/

- https://thunkable.com/

- https://casagbic.com/

​

​

앱인벤터 강좌

​

https://www.youtube.com/playlist?list=PL9mhQYIlKEhebVLlrpeK0iy5rIXCwzCT5

- 글자를 컴퓨터로 처리하기 위해서는 숫자로 변환해야 한다. 인코딩

- 각자 의미를 가지는 단어들을 그 의미가 사라지지 않도록 적절한 (차원)공간을 찾고 그 공간에 단어를 배치하는 것이 임베딩

- (차원)공간에 배치되면 그 위치 정보가 벡터

- 적절한 (차원)공간을 찾았다면 인접(의미가 비슷), 벡터 연산([왕] - [남자] + [왕비] = [여자]) 등 의미를 가지게 됨

[출처] https://blog.naver.com/2feelus/221985553891

​

인공신경망(딥러닝)의 Embedding 이란 무엇일까? (1/3) | 작성자 IDEO

​

Deep Learning에서 자주 등장하는 Embedding에 대해서 알아보도록 하겠습니다. (원글이 존재합니다)

​

Embedding을 위키피디아에서 찾아보면 다음과 같이 정의 되어있습니다.

​

'수학에서 embedding(혹은 imbedding)이란 하나의 사례안에 포함된 수학적 구조의 한 예로,

모집단의 성격을 보존하면서도 모집단과는 다른 형태의 소집단으로 매핑(mappig) 되는 것' 이라고 볼수 있습니다.

​

만약에 부모집단의 형태나 성격을 잘 보존할수 있는 소집단이 만들어 질수 있다면, 공간과 계산량이 적어져서 효율적인 계산이 이루어지는 효과를 얻을수 있을 것입니다.

​

인공 신경망에서의 Embedding은 어떤 의미를 가질까요?

​

인공신경망은 최근 몇년간 이미지 분석부터 자연어 처리및 시계열 예측까지 그 활용범위가 크게 확장되어왔습니다.

이중 큰 성공사례중 하나가 바로 embedding이라고 할수 있는데요, 그것은 바로 이름 성별 지역등의 분리된 이산변수(discrete variable)가 연속적인 벡터로 표현될수 있도록 했다는 점입니다. deep learning이 embedding기법이 만들어지면서 자연어 번역이나 범주(category)형 변수에 vector화가 가능하게 된것이죠.

​

이 글에서는 인공신경망의 임베딩에 대해서 설명하고, 왜 우리가 그것들을 사용하고 싶은지 어떻게 학습될수 있는지를 배워보려고 합니다.

​

위키피디아의 모든 책들을 Vector화 할수 있을까?

이글에서는 책 추천 시스템을 만들기 위해서, 위키피디아상의 모든 책들을 벡터로 만들어 볼겁니다. 이 시도를 통해서 어떻게 Embedding이 되는지 볼거에요.

​

Embeddings

​

임베딩은 이산된(범주형의)값을 연속적인 숫자로 구성된 벡터로 만드는것으로 볼 수 있습니다.

특히 인공신경망에서는 임베딩은 원래 차원보다 저차원의 벡터로 만드는 것을 의미하는데요, 원래 차원은 매우많은 범주형 변수들로 구성되어있고 이것들이 학습방식을 통해 저차원으로 대응되게 됩니다. (인근에 모여있는 것들끼리 그룹화)

인공신경망의 임베딩은 수천 수만개의 고차원 변수들을 몇백개의 저차원 변수로 만들어 주고, 또한 변형된 저차원 공간에서도 충분히 카테고리형 의미를 내재하기 때문에 유용합니다. (차원축소)

​

인공 신경망의 임베딩은 3가지의 주요 용도가 있습니다.

​

1. 가장 가까운 이웃정보를 찾도록 해준다. 이것이 유저의 관심사나 클러스터 카테고리에 대해서 추천을 하도록 도와줍니다.

​

2. 머신러닝의 지도식학습(Supervised Learning)의 입력값으로 임베딩을 사용할 수 있습니다.

​

3. 카테고리간의 개념과 관련도를 시각화 해주는 용도로 사용합니다.

​

​

책 추천 프로젝트관점에서 볼때, 임베딩 방식으로 37,000개의 책서평을 각각 50짜리 벡터로 만드는 것입니다.

더우기 임베딩이 학습되면서 책들은 유사한 책들끼리 임베딩 공간상에서 서로 가까이 위치 되게 됩니다.

​

One Hot Encoding의 한계

​

One Hot encoding 이란 하나의 범주형 데이터를 하나의 공간에 할당하는 것입니다. 주 절차는 특정 카테고리를 Vector상의 여러 공간중 하나에 할당하는 것이지요. 카테고리에 포함되면 1로 표시하고 포함되지 않으면 0으로 표시합니다. 이런 One Hot 방식은 두가지의 큰 단점이 있습니다.

​

1. 높은 카디널리티 (High-cardinality) 변수 : 카테고리성 변수가 범위가 너무 큰경우. 이런 값이 벡터로 변환되면 차원 관리가 어렵다.

​

2. 대응된 값이 완전히 무식방 방식으로 연결 : 비슷한 카테고리라고 할지라도, 벡터공간상에 전혀 관련성이 없이 위치된다.

​

첫번째 문제는 많이 알려져 있다. 각각의 카테고리가 추가될때마다 우리는 하나의 one-hot 방식으로 encoding된 vector공간하나를 추가해야 한다.

책이 37,000개면 37,000차원의 백터가 필요하다. 어떤 ML머신도 이렇게 큰 벡터를 학습하기는 어렵다.

​

두번째 문제 또한 제한적인 셩격이 있다 : one-hot 인코딩은 벡터공간상에 서로 다른 개체정보를 가까지 위치시킬수가 없다. 만약 벡터간의 유사도를

cosine 거리를 통해 확인한다면, one-hot방식에서는 항상 유사도가 0이 나오게 될것이다.

​

​

One-hot encoding 방식에서는 "전쟁과 평화"와 "안네 카레리나"(모두 톨스토이 작품)는 "전쟁과 평화"와 "은하수를 여행하는 히치하이커를 위한 가이드"보다 가깝게 위치할수 가 없다.

​

# One Hot Encoding Categoricals

books = ["War and Peace", "Anna Karenina",

"The Hitchhiker's Guide to the Galaxy"]

books_encoded = [[1, 0, 0],

[0, 1, 0],

[0, 0, 1]]

Similarity (dot product) between First and Second = 0

Similarity (dot product) between Second and Third = 0

Similarity (dot product) between First and Third = 0

​

이상적으로는 아래처럼 가까운 책들끼리 유사도가 높게 나와야겠죠.

# Idealized Representation of Embedding

books = ["War and Peace", "Anna Karenina",

"The Hitchhiker's Guide to the Galaxy"]

books_encoded_ideal = [[0.53, 0.85],

[0.60, 0.80],

[-0.78, -0.62]]

Similarity (dot product) between First and Second = 0.99

Similarity (dot product) between Second and Third = -0.94

Similarity (dot product) between First and Third = -0.97

​

다음 시간에는 One-hot encoding의 관련성 부족을 극복하기 위해, 위키피디아의 책과 링크정보를 이용해 Book Embedding을 만드는 과정을 살펴보도록 하겠습니다.

​

[출처 1] https://kh-kim.gitbook.io/natural-language-processing-with-pytorch/00-cover-5/02-dimension-reduction

[출처 2] https://medium.com/qandastudy/mathpresso-%EB%A8%B8%EC%8B%A0-%EB%9F%AC%EB%8B%9D-%EC%8A%A4%ED%84%B0%EB%94%94-15-%EC%B0%A8%EC%9B%90-%EC%B6%95%EC%86%8C-dimensionality-reduction-76b13460506f

​

​

차원의 저주(Curse of dimensionality)

​

차원이 증가하면 그것을 표현하기 위한(그 공간을 가득 채우기 위한) 데이터 양이 기하급수적으로 증가한다는 것입니다.

데이터가 부족하면 대부분 공간이 비어있는 희소성 문제가 발생. 그리고 대부분 데이터들이 뚝뚝 떨어져 있어서 군집화가 어려움.

​

​

차원 축소

​

높은 차원에서 데이터를 표현하는 과정에서 희소성 문제가 많이 나타남. 따라서 같은 정보를 표현할 때는 더 낮은 차원을 사용하는 것이 중요합니다.

​

데이터의 의미를 제대로 표현하는 특징을 추려내는 것

​

대부분의 상황에서 차원의 크기는 특징의 개수를 나타내고

특징(feature)이 너무 많으면 학습이 어렵기 때문에 더 좋은 특징만 가지고 사용하겠다는 것입니다.

​

​

주성분 분석 (PCA)

​

대표적인 차원 축소 방법으로는 주성분 분석principal component analysis(PCA)이 있습니다.

이와 같이 고차원high-dimension의 데이터를 더 낮은 차원으로 표현할 수 있습니다. 주로 특잇값 분해singular value decomposition(SVD)를 통해 주성분을 분석할 수 있습니다. 이때 축소를 위한 주성분은 다음과 같은 조건을 만족합니다.

고차원에서 주어진 데이터들을 임의의 주성분 고차원 평면(초평면)hyperplane에 투사했을 때 투사점들 사이가 서로 최대한 멀어져야 합니다. 즉, 투사점들의 분산이 최대가 되도록 합니다.

또한, 고차원 평면으로 투사할 때 원래 벡터와 고차원 평면상의 투사된 거리가 최소가 되어야 합니다. ???

​

​

주성분분석은 데이터의 분포를 가장 잘 표현하는 성분을 찾아주는 것입니다.

위의 그림에서 x, y 축보다 화살표방향의 두 축이 이 데이터를 더 잘 표현하는 것(주성분)을 알 수 있습니다.

주성분은 통계학적으로 데이터들의 분산이 가장 큰 방향 벡터를 말합니다.

(분산 - 데이터가 평균에서 얼마나 떨어져 있는가를 의미)

​

주성분 분석을 통해 고차원의 데이터를 더 낮은 차원으로 효과적으로 압축할 수 있습니다. 하지만 앞에서 언급했듯이 실제 데이터(점)의 위치와 고차원 평면에 투사된 점의 거리가 생길 수 밖에 없습니다. 이는 곧 정보의 손실을 의미합니다. 특히 주성분은 직선 또는 평면이므로, 이러한 손실은 불가피하게 나타납니다. 이 과정에서 너무 많은 정보가 손실된다면 효율적으로 정보를 학습하거나 복구할 수 없습니다. 따라서 높은 차원에 표현된 정보를 지나치게 낮은 차원으로 축소하여 표현하기는 어렵습니다. 특히 데이터가 비선형적으로 구성될수록 더욱 어려워집니다.

​

​

매니폴드 가설

​

이때 하나의 가설을 통해 차원 축소에 더 효율적으로 접근해볼 수 있습니다. 높은 차원에 존재하는 데이터들의 경우, 실제로는 해당 데이터들을 아우르는 낮은 차원의 다양체manifold 역시 존재한다는 매니폴드 가설manifold hypothesis입니다.

​

​

이와 같이 3차원 공간에 분포한 데이터를 아우르는 소용돌이 모양의 구부려진 2차원 매니폴드가 존재할 수도 있습니다. 이런 매니폴드를 찾아 2차원 평면에 데이터 포인트들을 맵핑할 수 있겠지요. 그러한 매니폴드를 찾을 수 있다면 앞서 살펴본 주성분 분석처럼 데이터를 고차원 평면에 선형적으로 투사하며 생긴 손실을 최소화할 수 있을 것입니다.

​

​

매니폴드 가설에 따르면 또 하나의 흥미로운 특징이 있습니다. 앞서 그림에서 볼 수 있듯이, 고차원상에서 가까운 거리에 있던 데이터 포인트들일지라도, 매니폴드를 보다 저차원 공간으로 맵핑하면 오히려 거리가 멀어질 수 있다는 것입니다. 그리고 저차원의 공간상에서 가까운 점끼리는 실제로도 비슷한 특징feature을 갖는다(군집화 가능하다)는 것입니다. 즉, 저차원의 각 공간의 차원축은 고차원에서 비선형적으로 표현될 것이며, 데이터의 특징을 각각 표현하게 될 것입니다.

예를 들어 다음 그림과 같이 MNIST 데이터를 2차원의 숨겨진 저차원low-dimensional latent space에 표현한다고 가정합니다. 빨간색으로 표시된 각 샘플은 2차원 공간에서는 사람이 인지하는 특징과 비슷한 특징을 갖는 위치와 관계에 있겠지만, 원래의 데이터 차원인 784차원의 고차원 공간에서는 전혀 다른 거리와 관계를 지닐 것입니다.

​

​

​

딥러닝이 잘 동작한 이유

​

아마도 딥러닝이 훌륭한 성능을 내는 이유를 여기서 찾을 수 있을 것입니다. 대부분의 경우 딥러닝이 문제를 풀기 위해 차원 축소를 수행하는 과정은, 데이터가 존재하는 고차원상에서 매니폴드를 찾는 과정입니다. 주성분 분석(PCA)과 같이 다른 선형적인 방식에 비해 딥러닝은 비선형적인 방식으로 차원 축소를 수행하며, 그 과정에서 해당 문제를 가장 잘 해결하기 위한 매니폴드를 자연스럽게 찾아냅니다. 이것이 바로 딥러닝이 그토록 성공적으로 동작하는 이유일 것으로 예상합니다.

​

오토인코더

​

자연어 처리에서 단어를 표현하기 위한 차원 축소를 본격적으로 다루기에 앞서, 오토인코더autoencoder에 관해 이야기해보겠습니다. 오토인코더는 다음과 같은 구조를 가진 딥러닝 모델 입니다.

고차원의 샘플 벡터를 입력으로 받아 매니폴드를 찾고, 저차원으로 축소하는 인코더를 거쳐 병목bottle-neck 구간에서의 숨겨진hidden 벡터로 표현합니다. 그리고 디코더는 저차원의 벡터를 받아, 다시 원래 입력 샘플이 존재하던 고차원으로 데이터를 복원하는 작업을 수행합니다. 복원된 데이터는 고차원 상의 매니폴드 위에 위치하게 될 겁니다.

이때 고차원의 벡터를 저차원으로 압축한 후 다시 복원하는 과정에서, 오토인코더는 병목의 차원이 매우 낮기 때문에 복원에 필요한 정보만 남기고 필요 없는 정보는 버려야 합니다. 좁은 병목구간을 통과하기 위해서는 복원에 필요 없는 정보부터 버려질 것입니다. 따라서 이 구조의 모델을 훈련할 때는 복원된 데이터와 실제 입력 데이터 사이의 차이를 최소화하도록 손실 함수를 구성합니다.

하지만 고차원에서 저차원으로 데이터를 표현하면서 손실이 따를 수 있으므로, 훈련이 완료된 모델일지라도 복원된 데이터는 실제 입력과 차이가 있을 수 있습니다.

오토인코더를 사용하여 이전 장에서 TF-IDF 등을 활용해 계산한 희소 단어 특징 벡터를 입력으로 넣고 같은 출력값을 갖도록 훈련했을 때, 오토인코더의 병목 계층 결괏값을 덴스 단어 임베딩 벡터로 사용할 수 있을 것입니다.

​

​

단어 임베딩

​

대표적인 word2vec, word2vec의 단점을 보완한 GloVe

​

[출처] https://eda-ai-lab.tistory.com/428

​

임베딩 기법들

· One Hot Encoding

· TF-IDF

· LSA

· Word2Vec

· Glove

· FastText

​

One Hot Encoding

· 개념 : 각 단어에 Index를 부여하는 방식으로 표현하는 단어의 Index에 1을 넣고 그렇지 않은 곳 에는 0을 넣는 방법

· 장점 : 사용하기 매우 쉬움. pandas의 get_dummies함수나 sklearn의 preprocessing.OneHotEncoder을 사용하면 됨

· 단점 : 단어의 의미를 전혀 이해하지 못함. 단어의 개수가 많아지면 차원의 길이가 매우 커지는 문제가 생기고 Sparse 하게(대부분 0으로 채워지는) 벡터가 구성됨.

​

TF-IDF

· 개념 : 단어의 빈도와 역 문서의 빈도를 사용하여 단어에 가중치를 부여하는 방식

· 장점 : 어떤 단어가 중요한 단어인지 직관적인 해석이 가능.

· 단점 : 문맥에 대한 고려를 해주지 않음 (단어의 의미가 포함되지 않음)

​

LSA

· 개념 : 기존의 원핫인코딩이나 TF-IDF의 경우 단어의 의미를 고려하지 못하는 단점을 해결한 방법

· 장점 : 단어의 잠재적인 의미를 고려

· 단점 : 새로운 정보에 대한 업데이트가 어렵고 단어-문서 간의 유사도를 계산하기 어려움 (차원이 축소되어서 단어 간의 의미 파악이 힘듦. 후에 Glove에서 이를 지적하고 해결)

​

Word2Vec

· 개념 : 기존의 원핫인코딩이나 TF-IDF의 경우 단어의 의미를 고려하지 못하는 단점을 해결한 방법으로 중심 단어와 주변 단어 간의 관계를 통해서 임베딩 하는 방법

· 방법

· CBOW : 주변에 있는 단어들을 가지고, 중간에 있는 단어들을 예측하는 방법

· Skip-Gram : 중심의 단어로 주변에 있는 단어들을 예측하는 방법

· 장점 : 단어들의 유사도를 계산하기에 임베딩 된 벡터 자체가 단어의 의미를 포함함. (Dense Representation이기에 적은 차원으로 대상을 표현할 수 있고 일반화 능력을 갖추고 있음). 온라인 방식으로 모델에 데이터가 공급될 수 있으며 전처리가 거의 필요하지 않으므로 메모리가 거의 필요하지 않음

· 단점 : 사용자가 지정한 윈도우(주변 단어 몇 개만 볼지) 내에서만 학습/분석이 이뤄지기 때문에 말뭉치 전체의 공기 정보(co-occurrence)는 반영되기 어려움(Glove에서 지적한 단점). 데이터가 충분히 많아야 학습이 잘 됨(아래와 같이 데이터가 적은 경우 학습이 잘 안 됨). 카테고리 수가 너무 많으면(어휘가 많으면) softmax함수를 사용하면 모델을 학습하기가 매우 어려움, 이를 해결하기 위해 negative sampling 같은 방법이 도입

​

Glove

· 개념 : LSA, Word2Vec의 문제점을 개선한 모델로 “임베딩 된 단어 벡터 간 유사도 측정을 수월하게 하면서도 말뭉치 전체의 통계 정보를 좀 더 잘 반영”

· 방식 : Co-occurrence 가 있는 두 단어의 단어 벡터를 이용하여 co-occurrence 값을 예측하는 regression 문제를 품

· 장점 : 벡터 공간에서 하위 선형 관계를 포착하도록 단어 벡터를 적용 보통 Word2Vec보다 성능이 좋음. 단어와 단어보다는 단어 쌍과 단어 쌍 사이의 관계를 고려하여 단어 벡터에 좀 더 실용적인 의미 추가. "the"와 같은 무의미한 stop words에 가중치를 낮게 줌

· 단점 : 계산 복잡성이 높고 메모리를 많이 필요로 함. 특히, 동시 발생 행렬과 관련된 하이퍼 파라미터를 변경하는 경우 행렬을 다시 재구성해야 하므로 시간이 많이 걸림. 반대 단어 쌍을 분리하는 방법. 예를 들어, "양호한"및 "나쁜"은 일반적으로 벡터 공간에서 서로 매우 가깝게 위치하므로 정서 분석과 같은 NLP 작업에서 단어 벡터의 성능이 제한(Word2Vec도 동일한 문제를 안고 있음)

​

FastText

· 개념 : Facebook에서 개발한 word embeddings과 text classification 용도의 라이브러리로 294개의 언어에 대해 학습된 모델을 가지고 있음. (Word2vec이 영어에만 잘되는 것에 비해 FastText는 많은 언어에 대해서도 잘된다는 장점이 있음). 기본적인 모델은 Word2vec의 확장판으로 구성 단어에 대한 벡터를 생성(포함된 문자의 하위 문자열로 구성된 벡터로 만들어짐, 이를 통해 word2Vec은 어휘가 없는 단어를 볼 경우 아무것도 모르지만, fast Text는 어느 정도 모방을 함)

· 장점 : n-grams에서도 유연함. 어휘가 없는 단어를 볼 경우 아무것도 모르지만, fast Text는 어느정도 모방을 함. 동시 등장 정보를 보존

· 단점 : Supervised learning으로 학습하는데 많은 양의 데이터가 필요.

- 주로 사용하는 단어를 통해 심리와 사고 방식을 개선할 수 있다.

· 관찰력을 키우기 위해 '주목'이란 단어를 붙이면 된다.

· 문제를 파고들어 해결하려면 '왜'라는 단어를 붙이면 된다.

· 편안함 마음을 위해 '괜찮아'라고 말하면 된다.

· 조급한 마음이 들면 '지겨움은 좋은 신호다 대부분이 여기서 좌절할 것이다'.

· 무슨 일을 '시작하려니 막막하다 좋은 신호다 그 일에 관해 조금 더 조사해보자'.

· 책을 읽을 때 '글이 눈에 안들어오면 좋은 신호다 한문장 한단어씩 천천히 읽어보자'.

· 교통체증으로 '답답하면 좋은 신호다' 천천히 간다고 생각하고 마음을 비울 시간이다. 조만간 씽씽 달리게 될 것이다.

· 돈을 쓰는 이 순간 '가지고 있음'을 '충만하게' 느끼자.(더 해빙)

[출처] https://m.blog.naver.com/vinci22c/221054134092

[Vinci] 생각기술 : 메타인지 능력 키우는 간단한 방법

​

단어와 심리의 상관관계...

단어를 통해 심리를 알 수 있다!

​

나는 이걸 이렇게도 생각한다.

​

단어를 통해 심리를 바꿀 수 있다!

​

사용하는 단어를 통해 심리를 알 수 있다는 것은... 다른 단어를 사용하면, 그에 따라 심리가 달라질 가능성이 높다는 의미가 될 것이다. 내가 주로 사용할 단어를 선택하는 것... 그것은 내 마음을 경영하는 좋은 방법이 될 수 있다. 감정에 있어서도, 실력에 있어서도 그러하다. 내가 쓰는 단어는 내 마음을 좌우하기에... 내가 쓰는 단어를 현명하게 선택함으로써, 내 마음을 더욱 행복하게 혹은 더욱 성공적으로 만들 수 있다.

​

난 이것이 메타인지 능력을 키우는데에도 쓰일 수 있다고 생각한다.

​

관찰하고 있는 나를 관찰해보는 것....

내가 어떤 생각 과정을 거쳐 이런 결론을 내리게 된 것인지를 관찰해보는 것...

내가 이걸 지금 아는지 또는 실은 모르면서 아는 척하는 건지를 살펴보는 것... 모르면 왜 모르는지를 생각해보는 것...

나의 감정을 단지 느끼기만 하는 게 아니라 관찰해보고 생각해보는 것...

무의식적으로 튀어나오는 나의 감정을 내 가치관으로써 평가해보는 것...

​

이런 것들이 메타인지라 할 수 있다.

​

메타인지는 학습능력을 키우는데에도... 행복한 삶을 사는데에도... 자기주도적인 삶을 사는데에도... 소중한 가치를 가지고 있는 중요한 것이다.

​

메타인지 능력은 어떻게 키울 수 있을까?

​

이에 도움이 되는 것 중 하나는... 단어이다. 말할 때든 글쓸 때든, 관찰할 때든 생각할 때든... 어떤 단어를 많이 사용하는지에 따라서, 메타인지 능력이 달라질 수 있다는 것이다.

​

이것이 효과적인 이유는... 단순함 때문이다. 무언가를 실용적으로 잘 쓰기 위해서는... 간단한 것이 좋다. 그 내부적인 원리는 복잡하더라도, 행동 지침은 간단해야 한다. 복잡한 것은 실용성이 떨어진다. 전자기기도 그렇지 않던가. 전문가용 전자기기라면, 복잡해도 괜찮겠지만... 대중들이 널리 쓰는 전자기기라면, 사용이 단순해야 한다. 뇌영상 촬영기기라면, 복잡해도 괜찮겠지만... 스마트폰은 사용이 단순해야 한다.

​

'특정 단어를 많이 사용해보자!' 이것은 단순한 지침이기 때문에, 메타인지 능력을 키우는 사소하지만 효과적인 방법이 될 수 있다. 그렇다면 메타인지 능력을 키우기 위해 어떤 단어를 많이 사용해야 하는 걸까?

​

그 대표적인 단어는...

​

'주목'이다.

​

이런 말을 자주 쓰면 된다.

​

'주목된다'

'주목해보자'

​

사실 주목이라는 단어가... 그리 일상적인 단어는 아니다. 구어보다는 문어에 주로 등장하는 단어이고... 어릴 적 학교에서 선생님이 교실의 소란을 잠재우고 수업을 시작하기 위해 '자 여기 주목!' 이 정도만 구어로 쓰이는 정도이다. 문어로도 그다지 자주 쓰이진 않는다. '귀추가 주목된다' 이런 관용적 표현이 있고... 칸이 주목한 천재감독! 이런 정도로 쓰인다. 그리고 주목이란 단어의 쓰임이 분산되는 것이... '주의'라는 단어가 있기 때문이다. 주의를 기울이다! 라고 하지... 주목을 기울이다! 라고 하지 않는다. 주의력이라 하지, 주목력이라 하지 않는다. 그러나 사실 다 같은 의미이다. 주의나, 주목이나... attention 이다.

​

내가 생각하기에... '주목'은 인지심리의 가장 핵심적인 단어이다. 때문에 인지를 인지하는 것... 메타인지에 있어서도 핵심적인 단어라 생각한다. '주목'이란 단어를 자주 사용함으로써 메타인지 능력을 키울 수 있다.

​

명상도 그런 것 아니겠는가. 호흡에 주목해야 한다. 그리고 내가 호흡에 주목하고 있는지를 관찰해야 한다. 그리고 그 주목을 내 마음으로 옮겨서, 내 마음을 살펴봐야 한다. 그리고 내가 무엇에 주목하고 있는지를 관찰해야 한다. 그러면서 내 마음에 어떤 감정이 요동치고 있는지에 주목하여 이를 관찰해야 한다. 그럼으로써 내 마음에 대한 주도성을 갖게 될 수 있는데... 이런 과정이 곧 메타인지라 할 수 있다. 그리고 명상의 핵심은 호흡이 아니라, 주목이다.

​

그런데 문제가 있다. 일상적인 대화에 있어서... '주목'이란 단어를 쓰는 건 어색한 경우가 많다는 것이다.

​

'와 저기 귀걸이 좀 봐!'

​

이렇게 말하는 게 일상적이다.

​

'와 저기 귀걸이에 좀 주목해봐!'

​

라고 말하는 건 어색하다. 즉 일상어에 있어서는... '주목'이란 단어가 생략되어 있다. 내 생각엔... 대화에 있어 어색한데 굳이 쓰는 건 그리 좋지 않은 것 같다.

​

그보다는 글을 쓸 때나... 혹은 내심으로 관찰하거나 사색할 때... 그럴 때 '주목'이란 단어를 자주 사용하면 된다.

​

'이 뮤직비디오의 빨간 색에 주목해보자!'

​

이렇게 내심으로 말하고... 관찰해보는 것이다.

​

'이 서비스의 사회적 가치에 주목해보자!'

​

이렇게 내심으로 말하고... 생각해보는 것이다.

​

나의 경우... 블로그에 '주목'이란 단어를 사용한 글이... 600개가 넘는다. 글쓸 때... 습관적으로 주목이란 단어가 자주 사용되도록 하면 좋다.

​

일기에도... 메모에도... 주목이란 단어를 쓰면 좋다.

​

나의 경우 책을 읽을 때에 노트북이나 스마트폰에 메모하는 경우가 많은데, 이때 주목이란 단어를 꽤 자주 쓰곤 한다. 이를테면 이런 거다.

​

'

£. 후각피질이 척수로부터 먼 곳에 있다는 점이 주목된다. 이건 어떤 의미가 있는 것일까? 한편 설치류나 인간이나... 후각망울의 크기가 비슷하다는 점도 주목할만하다. 이 정도 크기는 있어야 육상에서 기본적인 후각분석이 가능한 것인가... 하는 생각도 든다.

​

£. 사람의 주목은 차이를 향할 가능성이 높다. 맥락을 통해 차이를 보여주는 것은 주목할 확률을 높일 것이다.

'

​

학생들이 시험 준비를 함에 있어서... 미리 과목별 계획을 짤 때에도... '이 점에 주목할 것!' 이라 적어둘 수 있을 것이다. 어떤 문제를 풀었는데 틀렸다고 해보자. 그렇다면... 빨간펜으로 이렇게 적어놓을 수 있을 것이다. '다음에 이런 문제를 접할 때에는... 이 부분에 주목할 것!'

​

풀이 속도를 높이기 위해 이렇게 적을 수도 있을 것이다. '습관적으로 이 부분에 먼저 주목하게 되는데, 그래서 시간을 허비하게 되는데, 다음에는 저 부분부터 주목해야겠다!' 암기 효율을 높이기 위해 기출문제를 살펴보면서, '교과서 볼 때에 이런 부분에 주목할 것!' 이라 적어놓을 수도 있을 것이다.

​

자신의 주목을 전략적으로 관리함으로써, 학습 능력을 키우는 것이다.

​

학생들이 어디에 주목해야 하는지를 알며 + 학생들이 지금 이 순간 어디에 주목하고 있는지를 디테일하게 알아야 한다. 그래야 효과적인 피드백을 학생들에게 주면서 학습력을 개선시킬 수 있다. 그래야 효과적인 피드백을 선생님 자신에게 주면서 강의력을 개선시킬 수 있다.

​

주목이란 무엇일까?

​

비유적으로 말하자면, 이는 '정신적인 에너지'이다. 에너지를 관리하기 위해서는... 에너지에 이름을 붙여 자주 불러줘야 한다. 한편 이렇게도 말할 수 있다. '주목은 인지자원'이다. 경영의 기본은 '자원'이다. 관리적인 측면에서도, 전략적인 측면에서도... 결국 자원이다. 경영은 자원을 자원으로 바꾸는 활동이다. 그리고 이는 자기 자신을 경영함에 있어서도 마찬가지다. 인지자원을 살피는 것이 중요하며, 이를 유도하는 것은 그 자원에 이름을 붙이고, 그 이름을 자주 사용하는 것이다.

​

주목을 물리적으로 말하자면, 이는 '전류'이다. 주목은 전류다. 신경세포의 전류... 그것이 주목이라 할 수 있다. 무언가에 주목한다는 것은... 그 무언가에 전류를 많이 사용함을 의미한다. 무언가에 주목하면, 그 부분에 해당하는 두뇌 신경활동이 활발해지는데, 그건 물리적으로 전류가 증폭되는 것을 의미한다. 감정의 효과 중 중요한 것도 여기에 있다. 감정은 무언가에 전류를 증폭시켜, 이를 주목하게 만든다. 호기심은 새로운 것에 주목하게 만들고, 분노는 타인의 잘못에 주목하게 만든다. 의식의 중요한 능력도 여기에 있다. 의식은 주목을 통제할 수 있다. 물론 그 크기에 한계는 있지만, 의식은 어디에 의식적인 주목을 기울일지를 선택할 수 있다.(과연? 자유의지는 있는가?)

​

다만 메타인지가 잘 되지 않고 있는 경우... 자신이 무엇에 주목하고 있는지를 살피지 않는 경우... 그걸 정말 의식적인 것이라 말할 수 있는지는 의문이다. 의식적인 주목이 반복되면, 그중 상당 부분은 무의식화되어 자동적으로 주목하게 되는데... 메타인지 능력이 부족하면, 이는 대부분 환경이 선택한 것이지 내 의지가 자유로써 선택한 것이라 보기 힘들 것이다. 그건 자기주도성이 떨어진다는 것을 의미한다. 내가 내 삶의 주인이 되기 위해서는... 내가 나의 진정한 주인이 되기 위해서는... 중요한 것이 메타인지이고... 메타인지에서 중요한 것은 주목이며, 이를 위해 간단한 실천지침은 '주목'이란 단어를 관찰할 때나 생각할 때나... 말할 때나 글쓸 때나... 자주 사용하는 것이다.

​

'주목'이란 단어를 자주 사용하는 것은... 메타인지 능력 이외에 또 다른 효과가 있는데... 그건... 감성지능 즉 EQ를 높인다는 것이다. 자기자신에 대한 것은 메타인지 능력과 겹치는 것이고... 타인에 대한 것도 그러하다.

​

타인의 감정을 이해하는데 있어 중요한 것은 공감능력만이 아니다. 타인이 무엇에 주목하고 있는지를 살피는 것... 그것이 너무나 중요하다. 그래야 타인의 감정을 세심하게 이해할 수 있기 때문이다. 아기를 키운다는 것도 그 기본은... 지금 이 순간 아기가 무엇에 주목하고 있는지를 살피는 것... 그것이 아니던가. 그래야 말 못하는 아기의 불편을 세심하게 이해하고 해결해줄 수 있을 것이다.

​

이는 일상에서 사람들과 소통할 때뿐만 아니라... 즉 일상적 가치뿐만 아니라, 상업적 가치도 크다.

​

사람들이 무엇에 주목하고 있는지를 살피는 것... 무엇에 습관적으로 주목하게 되는지를 살피는 것... 무엇에 주목하게 될 지를 예측하는 것... 이것은 상업적인 가치가 크다. 사람들이 주목하지 않는 것에서는 자원을 아끼고, 사람들이 주목하는 것에 자원을 집중 투자하는 것이... 상업적 전략의 기본이라 할 수 있는데... 그러려면 먼저 사람들의 주목을 살펴야 한다. 고객의 주목을 살펴야 한다. 거래란 것도 상대방이 무엇에 주목하고 있는지를 살피는 게 기본 아니던가. 사회적인 갈등을 조정하는 것도 마찬가지이다. 각자 무엇에 주목하고 있는지를 살펴야 하며, 각자 무엇을 얼마나 소중하게 생각하는지를 살펴야 한다.

​

이해관계를 살핀다는 것은... 숫자적인 득실을 따지는 것만이 아니다. 사람들의 주목과 가치관을 살피는 것... 그 심리적인 것이 이해관계에 있어 매우 중요한 부분이다. 이를 잘 알아야 더욱 잘 설득할 수 있고, 더욱 좋은 해결책을 만들 수가 있다. 이는 뭐 대단히 거창한 것뿐만 아니라, 일상에서 일어나는 사소한 갈등에 있어서도 마찬가지다. 주목과 가치관을 살펴야 한다.

​

주목에 대한 이해를 돕고 그 가치를 어필하기 위해 여러 이야기를 했지만, 실천적으로는 단순하게 이것 하나면 충분하다.

​

'주목'이란 단어를 많이 사용해보자!

​

이는 메타인지 능력을 키워줄 것이다.

[보너스] Sequence to Sequence Learning(Attention)