KR100531432B1 - 기억과 이해능력의 ｉｎｐｕｔ 지수와, 논리와 평가능력의 ｏｕｔｐｕｔ 지수를 고려한 심층적 영재 판별과영재성 패턴 분석 및 영재 지수화 방법 - Google Patents

Abstract

본 발명은 기억과 이해능력의 input 지수, 논리와 평가 능력의 output 지수를 고려한 심층적 영재 판별과 영재성 패턴 분석 및 영재 지수화 방법에 관한 것이다. 특히, 영재 판별을 위한 다양한 영역(기억,이해,논리,평가)들의 검사 수행 결과를 근간으로 영재를 판별하고, 부족한 영재 능력을 진단하여 영재아의 영재 교육 방향을 제시하기 위한 방법론을 개발하고, 이를 이용한 영재 판별 시스템을 개발하기 위한 기술에 관한 것이다.

본 발명에 의하면, 영재 판별을 위한 영재 검사 결과의 각 영역에 대한 표준화된 점수를 사전 처리하는 제 1단계와; 상기 사전처리 후 각 영역의 표준화된 점수를 전체 영역으로 군집 분석하는 제 2단계와; 상기 군집분석 후 영재 지수를 산출하는 제 3단계와; 상기 산출된 영재 지수를 바탕으로 영재성을 해석하는 제 4단계를 포함하는 것을 특징으로 한다.

따라서, 본 발명에서는 영역 특성에 따라 다양한 그룹으로 나누고, 단순 합계가 아닌 각 영역들의 가중치가 고려된 지수를 산출한다. 이는 영재 판별 후에도 어떤 특성이 강하고 약한지를 비교하여 영재 교육에 활용할 수 있다.

Description

기억과 이해능력의 ｉｎｐｕｔ 지수와, 논리와 평가 능력의 ｏｕｔｐｕｔ 지수를 고려한 심층적 영재 판별과 영재성 패턴 분석 및 영재 지수화 방법{Method for identifying network structure of giftedness, anlayizing giftedness pattern, and generating giftedness quotients based on the INPUT capability of memorization and cognition and on the OUTPUT capability of logic and evaluation}

본 발명은 기억과 이해능력의 input 지수, 논리와 평가 능력의 output 지수를 고려한 심층적 영재 판별과 영재성 패턴 분석 및 영재 지수화 방법에 관한 것이다. 특히, 영재 판별을 위한 다양한 영역(기억,이해,논리,평가)들의 검사 수행 결과를 근간으로 영재를 판별하고, 부족한 영재 능력을 진단하여 영재아의 영재 교육 방향을 제시하기 위한 방법론을 개발하고, 이를 이용한 영재 판별 시스템을 개발하기 위한 기술에 관한 것이다.

본 발명이 속하는 기술 분야는 다음과 같다.

1) 영재를 어떤 영재그룹에 포함되고, 그 특성이 어떻고, 얼마의 능력을 갖는 지를 판별하는 영재 판별 기술

2) 영재 판별 검사의 영역별/전체 영역에 대한 영재 지수화하는 기술

3) 영재 특성에 따라 그룹화 하고, 각 그룹의 특성을 규명하는 기술

4) 영재 판별 시스템 기술

이러한 영재 판별도구 개발 분야에서의 종래 기술 및 문제점을 나열하면 다음과 같다.

첫째, 지능 지수(IQ)와 영재 판별 지수는 단순한 지수로 동일그룹 내에서 평균 분산을 이용한 위치 파악이 전부이고, 다양한 특성을 고려하지 못하였다.

둘째, 다양한 영역의 영재 판별 검사의 결과를 종합적으로 분석하는 방법이 비효율적이었다. 즉, 단순한 합을 이용하거나 주관에 의존하였다.

본 발명에서 이루고자 하는 과제는 다음과 같다.

1) 다양한 영역의 영재 판별 검사 결과를 종합적으로 평가할 수 있는 방법을 개발한다.

현재는 각 영역별 영재 판별 검사 결과를 산출하여 단순히 합을 구하여 판단하거나, 주관적 판단에 의거한 비교 등으로 이루어지는 방법을, 각 영역의 점수를 종합적으로 분석하여 평가할 수 있는 방법을 개발한다.

2) 영재의 종합적 평가를 위한 영재 지수 산출시 각 영역의 가중치를 고려하여 산출한다.

이를 위하여 각 영역의 가중치를 찾고, 이를 가중치가 고려된 합으로 고려함으로써 영재 지수를 구한다.

3) 단순 영재 지수만을 산출하는 것이 아니라 영역별 강점과 단점 등을 파악할 수 있도록 영재 특성 분석 및 영재 그룹 분류를 가능하게 한다.

또한, 영재를 능력에 따라 분류하고 각 영재 그룹의 특성을 파악함으로써 어떤 능력이 뛰어나고 어떤 능력이 부족한지를 파악할 수 있도록 하여 영재 교육의 지침을 제공한다.

4) 각 영역에 대해 세부 영역 레벨에서의 분석을 통해 보다 영역내의 특성을 자세히 파악할 수 있도록 한다.

이러한 분석과정을 세부 영역 레벨까지 세분화 함으로써 더욱 세밀한 분석이 가능해 진다.

5) 이러한 영재 판별 도구를 이용하여 영재 판별 시스템을 구현하는 방법을 개발한다.

이러한 분석 방법을 시스템화함으로써 다양한 학생들이 영재 판별 과정을 쉽게 빠르게 행할 수 있도록 한다.

따라서, 본 발명은 상기한 문제점을 해결하기 위한 것으로서 본 발명은 영재 판별을 위한 다양한 영역들의 검사 수행 결과를 근간으로 영재를 판별하고 부족한 영재 능력을 진단하여 영재아의 영재 교육 방향을 제시하기 위한 방법론을 제공하는데 그 목적이 있다.

상기한 본 발명의 목적을 달성하기 위한 기술적 사상으로써 본 발명은

영재 판별을 위한 영재 검사 결과의 각 영역에 대한 표준화된 점수를 사전 처리하는 제 1단계와;

상기 사전처리 후 각 영역의 표준화된 점수를 전체 영역으로 군집 분석하는 제 2단계와;

상기 군집분석 후 영재 지수를 산출하는 제 3단계와;

상기 산출된 영재 지수를 바탕으로 영재성을 해석하는 제 4단계를 포함하는 것을 특징으로 하는 심층적 영재 판별과 영재성 패턴 분석 및 영재 지수화 방법을 제공한다.

이하, 본 발명의 실시 예에 대한 구성 및 그 작용을 첨부한 도면을 참조하면서 상세히 설명하기로 한다.

본 발명은 크게 두 부분으로 나누어진다. 도 1에서 설명할 검사 결과를 분석하여 영재 그룹을 나누고 각 영재 그룹의 특성을 정의하며 영재 지수화하는 모델 생성부분과; 도 2에서 설명할 생성된 모델을 이용하여 새로운 학생들이 영재 판별 검사를 받을 경우 검사 결과를 토대로 영재 진단을 하는 영재 판별 시스템으로 나뉘어진다.

먼저, 도 1에서와 같이 영재 그룹을 나누고 각 그룹의 특성을 파악하며, 영재 지수를 만드는 모델을 만드는 부분이다. 이러한 모델을 만드는 과정은 다음과 같다.

첫 단계(110)는 영역별 점수 사전 처리과정이다. 이 단계에서는 영재 판별을 위한 영재 검사 결과를 표준화하는 과정으로 검사 결과를 0과 1사이 값으로 변환하는 과정이다. 영재 판별을 위한 영재 검사는 크게 기억력 영역, 이해력 영역, 논리력 영역, 평가력 영역으로 나뉜다.

또한, 각 영역은 다시 세분화 되는데 기억력 영역의 경우 위치 기억, 그림 기억, 표정 기억의 3개 세부영역으로, 이해력 영역은 언어이해, 도형이해, 수이해, 상황이해, 공간이해의 5개 세부영역으로, 논리력 영역은 결과유추, 모양공간, 집합완성, 경우의 수, 도형조합, 도형분류, 자리찾기, 암호해독, 다른그림의 9개 세부영역으로, 평가력 영역은 함축, 체계, 모양, 분류, 관계, 단위의 6개 세부 영역으로 나누어진다. 영재 검사 결과는 각 세부 영역별 점수와 영역별 점수로 나누어 계산한다.

각 영역별 세부 영역별 점수 데이터는 전체영역 군집분석(120)과 영역별 군집분석(130)으로 나누어 분석되어진다. 전체영역 군집분석(120)은 기억력 영역, 이해력 영역, 논리력 영역, 평가력 영역의 4개 영역을 종합적으로 분석하는 것으로 4개 영역을 기준으로 성질이 비슷한 학생들을 그룹화하고, 각 그룹의 특성을 분석하는 것이다. 따라서 본 분석에는 기억력 영역, 이해력 영역, 논리력 영역, 평가력 영역의 표준화된 점수가 분석에 사용된다.

영역별 군집분석(130)은 각 4개의 영역에 대해 세부적인 분석이 이루어지는 단계로 각 영역의 세부 영역들에 대해 성질이 비슷한 학생들을 그룹화하고, 각 그룹의 특성을 분석하는 것이다.

전체영역 군집분석(120)과 영역별 군집분석(130)은 그 대상이 전체인지 각 영역인지의 차이만이 존재하고, 분석 방법은 동일하기 때문에 전체영역 군집분석(120) 중심으로 설명한다.

먼저, 군집분석을 위해서 학생들의 각 영역별 표준 점수들을 k-means나 SOM과 같은 클러스터링(clustering) 방법을 이용하여 몇 개의 군집으로 나눈다. 도 3은 clustering(121)후에 얻어진 결과를 보여준다. 도 3(a)는 각 군집의 기억력 영역, 이해력 영역, 논리력 영역, 평가력 영역의 평균값을 보여주고, 각 군집들의 영역별 값들은 레이더 차트(radar chart)를 통해 보여주고, 도 3(b)는 기억력 영역의 세부영역인 위치기억, 그림 기억, 표정 기억의 각 군집별 평균값 및 그들의 레이더 차트(radar chart)를 통해 보여 준다.

clustering(121)이 이루어지고 나면, 그 결과를 분석하고 그룹(band)화 하는 단계(122)를 시행한다. 이를 위해서 도 3의 내용을 보고, 각 그룹의 영역별 값들이 어떻게 이루어져 있는지를 파악하고 각 그룹을 밴드화 하여야 한다.

여기서, 그룹화란 각 군집들이 다른 군집보다 4개 영역에 대해 다 뛰어난 성질을 가지도록 재그룹화 하는 것이다. 이 이유는 각 군집들은 어떤 특성을 가지고 있을 뿐 그들간의 비교우위에 있는 것이 아니기 때문에 각 군집에 속한 데이터들을 비교할 수 없다. 따라서 모든 성향에서 우수한 것들끼리 군집들이 재그룹화하게 되면 그룹내의 데이터를 비교할 수 있게 된다.

도 4는 이러한 그룹화 과정을 보여준다. 도 4(a)의 경우 1그룹은 다른 그룹들에 비해 월등히 뛰어나고, 2,3 그룹은 평가력 부분이 차이가 있을 뿐(도 3은 군집2와 군집3의 평가력 값을 비교할 경우) 거의 유사하게 값이 분포되어 있고, 4,5 그룹은 그 값들이 타 그룹에 비해 떨어진다. 이 경우는 각 그룹의 군집들이 영역들이 값의 분포가 교차되지 않는다. 그러나 도 3(b)의 경우를 보면 그림 기억 영역에서 군집 4의 값이 군집 3의 값보다 크게 나타나 교차가 발생한다. 따라서 도 4(b)에서 3,4 그룹에는 교차가 발생한다.

각 그룹(band)의 결과 해석을 위해서 Band 분포화(123)단계를 수행한다. 도 5와 같이 각 Band에 대해 분포를 작성한다. 도 5는 Band 1 즉, 도 4(a)의 1그룹의 분포를 보여준다. 각 분포는 평균, 표준편차를 구하고, 해당 Band에 대한 전체 대비 퍼센트, 표준변환점수 평균값을 구한다. 표준변환점수 평균값은 0과 1사이의 표준값을 실제 값으로 변환하는 것으로 이 점수는 (평균 ×총 문항수)로 구한다.

이 분포화를 통해 해당 band의 특성을 정의하게 된다. 이러한 과정은 영역별 군집 분석에서 동일하게 적용된다.

전체 영역 군집분석(120)과 영역별 군집분석(130)후, 영역별 영재 지수(140)단계를 수행하게 된다. 영역별 영재 지수(140)는 각 세부 영역별 점수에 세부 영역에 대한 가중치가 고려된 지수값으로, 영역별 영재 지수는 어떤 band에 속하고, 어떤 특성을 지니는 지를 설명한다.

이 지수 산출을 위해서 영역별 신경망(Neural Network) 모형(141)을 작성한다. 도 6의 모듈(module) 1과 같이 설계한다. Input은 각 세부 영역별 표준값(세부영역별 맞은 개수/세부영역 총합)과 output은 각 영역별 clustering 결과 그룹을 바이너리 인덱스(binary index)(예를 들어 2번 cluster는 01000으로 표시)표시한 값과 영역별 표준화 점수(영역별 맞은 개수/영역별 총합)를 사용하여 학습한다. 이 학습 모형으로부터 어느 band의 어느 위치에 있는지와 어떤 특성을 지니는 지를 설명하게 된다.

이 모형으로부터 영역별 점수 산출(142)을 하게 된다. 이 영역별 점수(기억력 영역, 이해력 영역, 논리력 영역, 평가력 영역)는 전체 영역을 고려한 영재 지수를 산출하는 영재 지수 산출(150)을 설계한다. 영재 지수 산출은 영재지수 산출 신경망 모형(151)단계를 통해 영재 지수 산출(152)을 하게 된다.

영재지수 산출 신경망 모형(151)단계는 기억력 영역, 이해력 영역, 논리력 영역, 평가력 영역의 영역별 표준화 점수(영역별 맞은 개수/영역별 총합)를 입력으로 하고, 전체 clustering 결과 그룹을 바이너리 인덱스(binary index)로 표시한 값과 표준화된 전체 점수(전체 맞은 개수/전체총합)를 사용하여 학습한 모형을 만드는 단계다. 이 단계는 도 5의 모듈(module) 2와 같이 각 영역값을 영역의 가중치를 고려하여 어느 band내 어디에 위치하고, 그 특성이 무엇인지를 설명하는 영재 지수를 추출하는 과정이다. 이 과정을 통해 영재 지수를 산출하게 된다(152).

이렇게 설계된 모형은 도 5와 같이 두 모듈이 결합되어 세부영역 모듈 데이터로부터 세부영역의 영역 점수를 구하게 되고, 그 결과를 전체 영재 지수를 산출하도록 설계한다. 이러한 모델의 설계는 새로운 학생들이 영재 판별 검사 후 영재 판별을 위한 모형으로 사용하기 위한 것이다. 이는 도 2에서 자세히 설명한다.

영재 지수와 영역별 영재 지수는 영재성 해석(160, 170)에 이용된다. 도 7과 같이 영재성 해석(160)은 영재 지수로부터 어느 cluster에 속하고, 어떤 값을 갖는지에 대한 정보를 이용하여 Band를 찾고, Band내의 자신의 위치를 찾게 된다. 즉, 도면 Band 내 위치는 (영재 지수 - Band 평균)/표준편차 로부터 얻어지고, 이 값을 통해 상위 몇 %에 위치하는 지를 알 수 있게 된다. 또한 cluster를 통해 해당 클러스트의 속성을 찾게 된다.

예를 들어, 어떤 학생이 신경망 모델을 통한 영재 지수값이 (0.9951, 0.0051, 0.0, -0.0001, 0.0) cluster 값과 0.739의 지수값이 나왔다면 이 학생은 1번 Cluster에 속하게 되고, 1번 cluster는 도 4(a)를 보면 1번 band에 속하는 것을 알 수 있다. 그리고 지수 0.739를 도면 7의 수식에 대입하면 그 학생 1번 band의 어느 위치에 있는 지를 알 수 있게 되는 것이다. 이 결과 해석을 통해 각 학생들이 어떤 영재 그룹(Band)에 속하게 되고, 그 band 내에 어떤 특성을 가지고 있고, 영재 그룹내에서 어느 정도의 우수성을 지니는 지를 파악할 수 있다.

영재판별 검사를 분석하여 영재 그룹을 나누고 각 그룹의 특성을 파악하며, 영재 지수를 만드는 모델에 대해 설명하였다.

이 모델 작업이 끝나면 영재 판별 시스템을 설계할 수 있다. 본 발명의 다른 부분이 영재 판별 시스템에 대해서 설명한다.

도 2는 영재 판별 시스템에 대한 것이다. 사용자가 로그인(210)을 하게 되면 사용자에게 영재 판별 검사 문제를 데이터베이스(221)로부터 불러와 보여주게 되고, 사용자는 그 문제를 풀게 된다(220). 문제 풀이가 끝나면 해당 문제의 정답을 체크하게 되고(230), 검사 결과는 각 영역별 세부 영역별로 0과 1사이의 표준 점수로 변환되어 전체영역에 대한 영재지수 산출(240)와 영역별 표준 점수 산출(250)에 입력되어 진다.

영재지수 산출(240)와 영역별 표준점수 산출(250)에는 도 6의 신경망 모델이 사용된다. 세부 영역별 표준 점수가 입력되면 신경망 모델의 module 1은 세부 영역별 cluster와 영역 표준 점수를 산출하고, 영역 표준 점수는 신경망 모델의 module 2의 입력으로 보내져 전체 영역에 대한 영재 지수와 cluster(특성 그룹)을 산출하게 된다. 산출 결과는 영재 판정 및 영역별 비교(260)을 통해 각 학생들의 영재 여부와 어떤 영역에 강점을 가지고, 어떤 영역에 약점을 지니는 지에 대한 영재 특성을 파악하게 된다.

이상에서와 같이 본 발명에 의하면, 영재판별 검사를 분석하여 영재 그룹을 나누고 각 그룹의 특성을 파악하며, 영재 지수를 만드는 모델과 이를 시스템화한 영재 판별 시스템으로써 이러한 영재 판별 시스템은 다음과 같은 효과를 가진다.

첫째, 기존의 IQ와 같은 영재 지수는 단순히 맞은 개수를 합산하여 동일그룹 내에서 평균 분산을 이용한 위치파악이 전부였으나, 본 발명에서는 특성에 따라 다양한 그룹으로 나누고, 단순 합계가 아닌 각 영역들의 가중치가 고려된 지수를 산출한다. 따라서 영재 판별 후에도 어떤 특성이 강하고 약한지를 비교하여 영재 교육에 활용할 수 있다.

둘째, 또한 학생들의 영재 판별에도 모든 영역에 대해 타 영재보다 우수한 인재를 선발할 수 있다.

세째, 본 발명에 의한 영재성 판별 시스템은 많은 학생들이 온라인(on-line)/오프라인(off-line)을 통하여 손쉽고 빠른 시간안에 영재성 평가를 받을 수 있다.

도 1은 본 발명에 따른 영재 판별을 위해 영재 지수를 개발하고 영재 특성을 분석하는 과정을 나타낸 도면이다.

도 2는 영재 판별 모델을 이용한 영재 판별 시스템의 구성도이다.

도 3은 영역별 검사 결과를 군집화한 결과와 그 결과를 레이더 차트(radar chart)를 통해 나타낸 도면이다.

도 4는 영역별 검사 결과를 군집화 할 결과를 그룹(band)화하는 과정을 나타낸 그래프이다.

도 5는 각 그룹(Band)의 분포화를 통해 그룹의 특성을 정의하는 과정을 나타낸 그래프이다.

도 6은 영재 지수를 산출하는 신경망(neural network) 모형을 나타낸 도면이다.

도 7은 영재 지수를 이용하여 영재성 해석 과정을 나타낸 그래프이다.

Claims (8)

1. 영재 판별을 위한 기억력과 이해력 영역의 input 지수와, 논리력과 평가력 영역의 output 지수가 포함된 영재검사 결과의 각 영역에 대한 표준화된 점수를 사전 처리하는 제 1단계와;

   상기 사전처리 후 각 영역의 표준화된 점수를 전체 영역으로 군집 분석하는 제 2단계와;

   상기 군집분석 후 영재 지수를 산출하는 제 3단계와;

   상기 산출된 영재 지수를 바탕으로 영재성을 해석하는 제 4단계를 포함하는 것을 특징으로 하는 심층적 영재 판별과 영재성 패턴 분석 및 영재 지수화 방법.
2. 영재 판별을 위한 기억력과 이해력 영역의 input 지수와, 논리력과 평가력 영역의 output 지수가 포함된 영재 검사 결과의 각 영역에 대한 표준화된 점수를 사전 처리하는 제 1단계와;

   상기 사전처리 후 각 영역의 표준화된 점수를 영역별로 군집 분석하는 제 2단계와;

   상기 군집분석 후 영역별 영재 지수를 산출하는 제 3단계와;

   상기 산출된 영역별 영재 지수를 바탕으로 영역별 영재성을 해석하는 제 4단계를 포함하는 것을 특징으로 하는 심층적 영재 판별과 영재성 패턴 분석 및 영재 지수화 방법.
3. 삭제
4. 청구항 1 또는 청구항 2에 있어서, 상기 제 2단계의 전체영역 및 영역별 군집 분석에는

   영재 판별 검사의 각 영역에 대해 비슷한 특성을 갖는 군집을 찾기 위한 클러스터링(clustering) 단계와;

   상기 결과를 분석하여 각 영역에서 다른 군집보다 우수하도록 군집을 재구성하기 위한 그룹(band)화 단계; 및

   상기 각 그룹의 특성을 분석하기 위한 그룹별 분포화 단계를 더 포함하는 것을 특징으로 하는 심층적 영재 판별과 영재성 패턴 분석 및 영재 지수화 방법.
5. 청구항 1 또는 청구항 2에 있어서, 상기 제 3단계에서의 영역별 영재지수 및 영재 지수 산출은 영역별 또는 영재지수 산출 신경망(Neural Network) 모형을 설계한 후, 상기 모형을 통해 영역별 점수 또는 영재 지수를 산출하는 것을 특징으로 하는 심층적 영재 판별과 영재성 패턴 분석 및 영재 지수화 방법.
6. 청구항 1 또는 청구항 2에 있어서, 상기 제 4단계에서 영역별 영재성 및 영재성 해석은 영역별 점수 또는 영재 지수로부터 어느 클러스터에 속하고, 어떤 값을 갖는지에 대한 정보를 이용하여 그룹을 찾아내고, 상기 그룹내의 자신의 위치를 파악하는 것을 특징으로 하는 심층적 영재 판별과 영재성 패턴 분석 및 영재 지수화 방법.
7. 사용자가 영재판별 시스템에 접속하여 로그-인하는 단계와;

   상기 영재판별 시스템에서 제공된 영재 판별 검사를 위한 문제 풀이를 하는 단계와;

   상기 문제 풀이에 대한 해당 문제의 정답을 체크하는 단계와;

   신경망(Nueral Network) 모델을 이용하되 세부 영역별 표준 점수가 입력되면 신경망 모델의 제 1모듈을 이용하여 세부 영역별 클러스터와 영역 표준 점수를 산출하고, 상기 산출된 영역 표준 점수를 이용하여 신경망 모델의 제 2모듈에서 전체 영역에 대한 영재 지수와 클러스터(특성 그룹)을 산출하는 단계와;

   상기 산출 결과를 바탕으로 영재를 판정하고, 영역별로 비교하는 단계를 포함하는 것을 특징으로 하는 심층적 영재 판별과 영재성 패턴 분석 및 영재 지수화 방법.
8. 삭제