머신러닝 기술을 활용한 증강현실 퍼팅 학습에 관한 연구 : 숙련도에 따른 변화 중심으로

Abstract

퍼팅 과제는 다양한 패턴의 개인차가 존재하며 올바른 인지-수행 능력에 따라 수행 수준이 결정된다. 개인차는 곧 고유감각 요인이며, 이를 고려하여 어떻게 학습시켜야 성공적인 퍼팅이 가능한지에 관한 연구가 필요하다. 본 연구의 목적은 개인차를 고려한 머신러닝 프로그램을 활용하여 증강현실 피드백을 적용한 집단과 자기조절 피드백(self-controlled feedback) 을 활용한 일반 퍼팅 훈련 집단과의 비교를 통해 효율적인 퍼팅 학습법을 제시하는 데 있다. 연구에 참여한 대상은 만 20세에서 40세 사이의 성인 36명으로 숙련자(핸디캡 10 이하, 구력 3년 이상) 18명과 비숙련자(핸디캡 30 이상, 구력 2년 이내) 18명으로 구성하였다. 숙련자 또는 비숙련자에서 9명씩 머신러닝 집단과 자기조절 집단으로 나누었다(4그룹). 연구참여자들 은 거리(1m, 2.5m 3.5m)와 방향(홀컵 기준 12가지)에 따라 퍼팅 과제를 수행하였다. 사전검사 데이터를 바탕으로 머신러닝 집단은 개인차를 고려하여 개인별 퍼팅 템포 및 스윙 크기에 대한 시각 및 청각 피드백을 받았으며 자기조절 집단은 성공률과 오차범위에 대한 피드백을 받았다. 3회의 학습 과정 뒤 사후 검사를 실시하였으며, 48시간이 지난 뒤 파지 검사를 시행하였다. 퍼팅 학습 변화를 확인하기 위해 성공률, 오차범위(MRE), 퍼터 헤드의 움직임(임팩트 각도, 속도, 템포, 크기)을 확인하여 평균과 표준편차를 산출하여 비교 분석하였다. 그 결과는 다음과 같다. 첫째, 퍼팅 성공률은 머신러닝을 적용한 숙련자 집단에서 효과적으로 나타났다. 오차범위에서는 머신러닝을 적용한 비숙련자와 숙련자 집단 모두에서 자기조절 집단보다 효과적으로 나타났다. 퍼터 헤드의 움직임에서는 임팩트 각도의 일관성을 살펴본 결과 머신러닝 비숙련자 집단에서 효과적으로 나타났으며, 자기조절 집단은 효과가 나타나지 않았다. 퍼팅 속도의 일관성에서는 자기조절 집단은 효과가 나타나지 않았으며 머신러닝 집단은 숙련자, 비숙련자 모두 향상된 결과가 나타났다. 템포의 일관성에서는 개인별 성공한 퍼팅을 기준으로 템포의 표준편차를 통해 확인한 결과 머신러닝 집단이 크게 향상되었다. 비숙련자의 경우 일관성이 약 20% 향상되었으며, 숙련자는 약15% 향상되었다. 백스윙과 팔로스루의 스윙크기 일관성에서는 자기조절 집단은 통계적으로 유의하진 않았으나 향상된 경향성을 가져왔고 머신러닝 집단은 숙련자, 비숙련자 모두 일관성이 향상되었다.종합하면 본 연구는 개인의 고유감각 중 내적템포(internal tempo) 요인을 머신러닝 프로그램을 활용하여 인지-수행 부하가 높은 거리X경사 퍼팅수행 상황에 적용하였다. 퍼팅 과제의 특성상 개인 고유감각을 고려하여 일관성을 키우는 학습을 통해 학습효과를 확인하였다. 이를 통해 실제 현장에서 연구 결과를 적용하여 퍼팅 학습에 활용할 수 있을 것이며, 숙련도에 따른 결과를 통해 범주화를 하고자 하였다.

There are various patterns of individual differences in the putting task, and the performance level is determined according to the correct cognitive ability and performance ability. Individual difference is a proprioceptive factor, and it is necessary to study how to learn how to putt successfully. The purpose of this study is to suggest an efficient putting learning method through comparison between a group applying augmented reality feedback using a machine learning program considering individual differences and a general putting training group using self-controlled feedback. The subjects who participated in the study were 36 adults between the ages of 20 and 40, 18 expert (handicap less than 10, experience more than 3 years) and 18 novice(handicap more than 30, experience less than 2 years). 9 participants were divided into a machine learning group and a self-controlled group (4 groups). Participants performed putting tasks according to the distance (1m, 2.5m, 3.5m) and direction (12 hole cup standards). Based on the pretest data, the machine learning group received visual and auditory feedback on individual putting tempo and swing size in consideration of individual differences, and the self-adjustment group received feedback on the success rate and mean radial error. A post-test was conducted after the learning process three times, and a gripping test was conducted after 48 hours. To confirm the change in putting learning, the success rate, mean radial error (MRE), and putter head movement (impact angle, speed, tempo) were checked, and the average and standard deviation were calculated and analyzed for comparison. The results are as follow. First, the putting success rate was effectively shown in the expert group to which machine learning was applied. In the mean radial error, both the novice and expert groups to which machine learning was applied appeared more effective than the self-controlled group. As a result of examining the consistency of the impact angle in the movement of the putter head, it appeared effective in the machine learning novice group, but did not appear in the self-adjustment group. Regarding the consistency of putting speed, the self-controlled group showed no effect, and the machine learning group showed improved results for both expert and novice. In the consistency of tempo, the machine learning group improved significantly as a result of checking the standard deviation of tempo based on individual successful putting. Consistency improved by about 20% for the novice, and about 15% for the expert. Regarding the consistency of the swing size of the backswing and follow-through, the self-controlled group showed an improved tendency, although it was not statistically significant, and the machine learning group showed improved consistency for both the expert and novice. In summary, this study applied the proprioceptive (internal tempo) factor considering individual differences to the distance x incline putting performance situation with high cognitive-performance load using a machine learning program. Due to the nature of the putting task, the learning effect was confirmed through learning to develop consistency in consideration of individual unique senses. Through this, it will be possible to apply the research results in the actual field and use them for putting learning, and we tried to categorize them through the results according to the level of proficiency.