Taxonomy와 Folksonomy
지식을 chunk화 시켜서 저장을 시키는 뇌의 특성상 무언가를 빨리 받아들이려면 배우고자 하는 지식에 대한 체계화된 범주를 먼저 보거나 만드는 것이 중요하다. 그래서 어릴적부터 많이 듣던 마인드맵이, 흩어져 있는 지식을 하나씩 그려봄으로써 지식을 체계화할 수 있는 것 때문에 효율적인 학습 측면에서 중요하다. 또한 사람이 텍스트나 음성을 이해하는 속도와 대조하여 이미지를 이해하는 속도는 현저하게 차이가 나는데 간략한 예시는 다음과 같다.
인공지능이란 머신러닝과 딥러닝으로 구성되어 있고 머신러닝은 지도학습, 비지도학습, 강화학습으로 이루어져 있다. 또한 지도학습에는 분류와 회귀가 있으며 비지도학습에는 차원축소와 클러스터링이 있다.
혹시 머릿속에 한 번에 이해가 되는가? 이미 해당 지식에 대해 알고 있는 사람은 비교적 쉽게 이해할 수 있으나 일반적으로 처음 접하는 사람에게 있어서는 이러한 서술적인 텍스트는 별 도움이 되지 않는다. 그보다 오히려 아래와 같이 마인드맵과 같은 시각적인 그림이 있다면 이해하는 속도는 현저히 빨라지게 된다.
텍스트보다 위의 그림이 훨씬 잘 이해 되는 것을 느낄 수 있을 것이다. 이에 따라 배우는 속도는 어떻게 지식을 습득하느냐에 달려 있다. 그래서 사람들은 이러한 분류 체계를 만드는 것을 중요하게 느끼고 있으며 이를 만든다. 보통 배우고자하는 지식을 한눈에 보기 위해서는 예컨데 다음과 같은 키워드를 사용하면 구글에 검색하면 체계화되어 정리된 지식을 볼 수 있을 것이다.
- The map of [Keyword]
- [Keyword] Cheat Sheet
하지만 이러한 키워드를 사용해도 잘 나오는 경우도 있으나 만족스럽지 못한 경우가 있는데 이는 분류체계에도 한계점이 존재하기 때문이다.
분류법에는 크게 텍소노미와 폭소노미가 있는데 텍소노미의 경우 특징이 트리형의 위계적 구조로 분류해둔 것을 의미하며 쉽게 생각할 경우 운영체제의 디렉터리와 같다고 생각하면 될 것이다. 하지만 이러한 텍소노미의 단점은 다음과 같다.
1. 계층구조나 트리구조 전체를 파악하고 있지 못할 경우 찾고자 하는 지식(데이터)이 어느 계층에 속하는지 찾기가 쉽지 않다.
2. 하나의 지식(데이터)이 두가지 이상의 카테고리나 계층에 속할 때 처리의 어려움이 있다.
폭소노미의 경우 태그에 의한 분류법으로 집단적으로 분류하는 방법을 의미한다. 텍소노미에서 사용하던 디렉터리대신 태그에 따라 나누는 분류 체계로 사람들에 의해 나뉘어지는게 특징이다. 흔히 생각하면 인스타그램의 해시태그를 통해 원하는 키워드와 관련된 정보만 볼 수 있게 하는 것이 폭소노미의 분류법을 적용한 것이다.
폭소노미는 비록 텍소노미에 비해 체계적이지는 않으나, 별도의 트리구조 전체를 파악하지 않아도 되고, 필요한 부분만 체계를 만들어나가기 때문에 원하는 지식(데이터에) 접근이 쉽다는 장점이 있다.