KR100877583B1 - 학습 스타일 진단 시스템 및 그 진단 방법 - Google Patents

학습 스타일 진단 시스템 및 그 진단 방법 Download PDF

Info

Publication number
KR100877583B1
KR100877583B1 KR1020060067497A KR20060067497A KR100877583B1 KR 100877583 B1 KR100877583 B1 KR 100877583B1 KR 1020060067497 A KR1020060067497 A KR 1020060067497A KR 20060067497 A KR20060067497 A KR 20060067497A KR 100877583 B1 KR100877583 B1 KR 100877583B1
Authority
KR
South Korea
Prior art keywords
learning
learner
learning style
style
data
Prior art date
Application number
KR1020060067497A
Other languages
English (en)
Other versions
KR20080008066A (ko
Inventor
김용세
차현진
박선희
윤태복
정영모
Original Assignee
성균관대학교산학협력단
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 성균관대학교산학협력단 filed Critical 성균관대학교산학협력단
Priority to KR1020060067497A priority Critical patent/KR100877583B1/ko
Publication of KR20080008066A publication Critical patent/KR20080008066A/ko
Application granted granted Critical
Publication of KR100877583B1 publication Critical patent/KR100877583B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/20—Education
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Health & Medical Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Educational Technology (AREA)
  • Educational Administration (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Electrically Operated Instructional Devices (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

학습자의 학습 스타일을 인지하여 학습자에 맞는 학습전략을 세우고 적절한 학습 서비스를 제공하기 위한 학습 스타일 진단 시스템 및 그 진단 방법에 관한 것으로, 학습자의 학습 스타일을 조사하는 설문을 상기 시스템에 접속하는 다수의 학습자에게 제공하여 상기 다수의 학습자의 학습 스타일별 선호도 데이터를 수신하는 조사수단, 상기 데이터베이스에 저장된 학습 콘텐츠를 상기 다수의 학습자에게 제공하여 상기 다수의 학습자의 학습자 데이터를 수신하는 학습수단, 상기 조사수단 및 상기 학습수단으로 수신되는 데이터를 전처리하여 상기 다수의 학습자의 학습패턴을 추출하는 전처리수단, 상기 학습패턴에 따라 학습 스타일별 규칙을 추출하여 상기 데이터베이스에 저장하는 규칙추출수단, 상기 학습수단을 통해 수신되는 상기 학습자 데이터를 상기 학습 스타일별 규칙에 매칭시켜 상기 시스템에 접속하는 다수의 학습자의 학습 스타일을 진단하는 진단수단을 포함하는 구성을 마련한다.
상기와 같은 학습 스타일 진단 시스템 및 그 진단 방법을 이용하는 것에 의해, 학습자의 학습과정에서 발생하는 학습시스템 위에서의 행위 데이터를 기반으로 학습자의 학습 스타일을 파악할 수 있다.
온라인 학습, 이러닝, 학습 성향, 학습 스타일 진단, 맞춤형 학습, ILS

Description

학습 스타일 진단 시스템 및 그 진단 방법{Diagnosis System of Learning Style and Method Thereof}
도 1은 본 발명에 따른 학습 스타일 진단 시스템을 도시한 블록도,
도 2는 본 발명의 일실시예에 따른 학습 스타일 진단 방법을 설명하는 흐름도,
도 3은 본 발명의 일실시예에 따른 학습 스타일 진단 동작을 설명하는 구성도,
도 4는 본 발명의 일실시예에 따른 학습 스타일 관점에 따른 서양 건축양식 학습용 교육 콘텐츠 인터페이스의 일부분을 도시한 도면,
도 5는 본 발명의 일실시예에 따른 학습 스타일별 규칙을 추출하는 과정을 설명하는 도면,
도 6은 본 발명의 일실시예에 따른 학습 스타일별 속성을 나타내는 도면.
* 도면의 주요 부분에 대한 부호의 설명 *
10: 클라이언트 20: 학습 스타일 진단 시스템
30: 데이터베이스 200: 서버
201: 조사수단 202: 학습수단
203: 전처리수단 204: 규칙추출수단
205: 진단수단 206: 제어수단
본 발명은 지능형 학습 시스템(Intelligent Tutoring System, 이하 'ITS'라 한다)에 관한 것으로, 특히 이러닝(e-Learning)과 같은 학습시에 개인의 선호도와 요구사항에 따라 다른 학습 환경을 제공해주기 위해 학습자의 학습 스타일(Style)을 인지하여 학습자에 맞는 학습전략을 세우고 적절한 학습 서비스를 제공하기 위한 학습 스타일 진단 시스템 및 그 진단 방법에 관한 것이다.
이러닝 및 교육용 소프트웨어의 이용에 있어서 학습자의 학습 스타일 진단은 매우 유용하다. 본 발명에서는 학습 스타일을 설문을 기반으로 하여 다수의 사용자에 대한 교육용 소프트웨어 인터페이스 사용 행태를 수집하고, 의사결정트리(Decision Tree)를 이용하여 학습 스타일을 모델링(Modeling)한 후, 이를 기반으로 새로운 학습자의 인터페이스 사용 행태를 분석하고 학습 스타일을 진단한다. 상기 학습 스타일의 모델은 다수의 표본 학습자로부터 구성되며 새로운 학습자에 대한 학습 스타일 진단시에 사용한다.
오늘날 디지털 매체의 발달과 함께 교육부분에 있어서도 이러닝과 같은 전자매체를 통한 교육이 상용화되고 있다. 이러한 이러닝은 학습자의 측면에서는 시간과 공간의 제약을 받지 않는다는 장점을 지니며, 교수자의 측면에서는 전자기술을 이용한 다양한 학습매체를 제작하여 교수에 이용하고 제작한 자료를 재활용할 수 있는 등의 장점을 갖는다. 현재에도 이러닝은 그 기능 및 효과 등 다양한 면에서 더욱 발전하고 있는 추세이다.
이와 같이 사이버(Cyber)교육 기술의 일례가 대한민국 특허 등록공보 제0404432호(2003.10.23 등록, 일대일 개인학습지도가 가능한 사이버교육 시스템 및 그 방법)에 개시되어 있다.
상기 대한민국 특허 등록공보 제0404432호에 개시된 기술은 사이버교육 서버와 다수의 사용자 단말기가 네트워크망을 통해 상호 연계되어 사용자로 하여금 사이버학습 과정에 참여할 수 있도록 하는 사이버교육 시스템에 있어서 상기 사용자 단말기는 상기 사이버교육 서버에서 제공되는 정보를 출력하고 사이버학습 과정에 참여하는데 필요한 정보를 입력하기 위한 입/출력 수단, 상기 사용자 단말기를 네트워크망을 통해 상기 사이버교육 서버와 연계시키기 위해 데이터를 변환하여 전송하거나 수신하는 통신 인터페이스, 상기 사이버교육 서버에서 제공되는 학습사이트를 사용자가 웹(Web)상에서 검색하여 이용할 수 있도록 하는 웹브라우저(Web Browser)를 포함하며, 상기 사이버교육 서버는 상기 사이버교육 서버를 네트워크망을 통해 다수의 사용자 단말기와 연계시키기 위해 학습데이터를 변환하여 전송하거나 수신하는 통신 인터페이스, 회원관리 모듈과 코스(Course)관리 모듈과 학습진도관리 모듈과 게시판관리 모듈을 포함하는 서버처리장치, 회원정보와 코스정보와 학습내용 및 학습지도정보와 게시판정보를 포함하는 사이버학습 정보를 데이터베이스 화하여 상기 서버처리장치가 요구하는 정보를 독출하여 제공하는 데이터베이스 서버, 웹상에서 사용자에게 표시될 상기 학습사이트를 구축하여 제공하는 웹 프로그램(Program)으로 구성되며, 사용자를 역할별로 사용모드(관리자, 교사, 학생, 학부모 모드)를 달리하여 관리하여 관리자가 학습코스를 등록하고 교사가 코스를 재구성하여 강의할 학습내용을 편집 등재하며, 학생은 코스를 검색하여 학습할 코스를 선택하여 수강신청하여 코스내용을 학습하고, 교사는 학생이 학습한 내용을 평가하여 관리하고 수강 학생들의 학습상황에 대한 통계를 산출하며, 학생은 상기 진도관리된 내용을 확인하여 필요에 따라 학습내용을 질문할 수 있는 일대일 개인학습지도가 가능한 사이버교육 시스템 및 그 방법에 대해 기재되어 있다.
또, 학습 자료 제공 기술의 일례가 대한민국 특허 등록공보 제0582279호(2006.05.15 등록, 컴퓨터를 이용한 학습 자료 제공 방법)에 개시되어 있다.
상기 대한민국 특허 등록공보 제0582279호에 개시된 기술은 서버가 학습 자료와 상기 학습 자료에 관련된 문제를 맵핑(Mapping)시켜 데이터베이스에 저장하는 자료구축단계, 상기 서버가 상기 학습 자료 제공시에 문제풀이의 전 과정마다 학습자가 어떤 방식으로 문제를 풀 것인지에 대해 학습자로부터 문제 유형을 선택받는 문제유형 입력단계, 인터넷을 통한 학습자의 학습 요구에 따라 상기 서버가 상기 학습 자료를 상기 인터넷을 통해 학습자의 단말로 제공하는 학습자료 제공단계, 상기 서버가 상기 제공된 학습 자료에 대해 학습자가 선택한 해당 유형의 문제를 상기 인터넷을 통해 상기 학습자의 단말로 제공하는 문제출제단계, 상기 서버가 상기 문제에 대한 학습자의 풀이 과정상의 정오를 판독하여 그 결과를 상기 인터넷을 통해 상기 학습자의 단말로 알려 주되, 학습자의 요구에 따라 상기 문제에 대한 유형 분석과 핵심어 확인 및 여러 단계의 풀이 방법 및 분석 자료를 제시하고 올바른 선택시까지 피드백(Feedback) 형태로 반복해서 되돌아가 틀린 부분을 알려 주는 단계로 이루어지며, 학습자의 문제풀이에 대한 사고력을 보다 한 차원 높게 발전시켜 학습자들의 학습에 대한 흥미를 유발시킴은 물론 학습자들에게 커다란 자신감을 심어줄 수 있어 학습자의 문제풀이 학습 능력을 향상시키는 컴퓨터를 이용한 학습 자료 제공 방법에 대해 기재되어 있다.
그러나 상기 대한민국 특허 공보들에 개시된 기술에 있어서는 학습자의 학습 스타일보다는 학습 콘텐츠(Contents)에 중심을 두어 학습자에게 맞는 학습 전략을 적절히 세우는 과정이 부족한 문제가 있었다.
또, 학습자의 학습 스타일이 아닌 학습자의 학습 성취도와 같은 이해도에 따라 단순히 학습 진도나 내용이 제공되었기 때문에 학습 효율의 증대시키는데 한계가 있는 문제가 있었다.
본 발명의 목적은 상술한 바와 같은 문제점을 해결하기 위한 것으로서, 학습자의 학습과정에서 발생하는 데이터를 기반으로 학습자의 학습 스타일을 파악하는 학습 스타일 진단 시스템 및 그 진단 방법을 제공하는 것이다.
본 발명의 다른 목적은 학습자의 학습 스타일에 맞는 학습 환경을 제공하여 학습자의 학습 효율을 증대시킬 수 있도록 지원하는 학습 스타일 진단 시스템 및 그 진단 방법을 제공하는 것이다.
본 발명의 다른 목적은 다양한 성향을 가진 학습자를 모델링함으로써 학습자들이 가지고 있는 학습 스타일에 대한 통계적 분석이 가능한 학습 스타일 진단 시스템 및 그 진단 방법을 제공하는 것이다.
상기 목적을 달성하기 위해 본 발명에 따른 학습 스타일 진단 시스템은 네트워크를 통해 학습자의 클라이언트와 연결되어 있고 데이터베이스를 구비하는 시스템으로 학습자의 학습스타일을 진단하는 시스템에 있어서, 학습자의 학습 스타일별 선호도를 조사하는 설문을 상기 시스템에 접속하는 다수의 학습자에게 제공하여 상기 다수의 학습자의 학습 스타일별 선호도 데이터를 수신하는 조사수단; 상기 데이터베이스에 저장된 학습 콘텐츠를 상기 다수의 학습자에게 제공하여, 상기 학습자가 상기 학습 콘텐츠를 이용하는 방식을 기록한 학습자 데이터를 수신하는 학습수단; 상기 학습 스타일별 선호도 데이터 및 상기 학습자 데이터를 전처리하고, 상기 학습자 데이터로부터 상기 다수의 학습자의 학습패턴을 추출하는 전처리수단; 상기 학습 스타일별 선호도 데이터 및 상기 학습패턴으로 부터, 의사결정트리(decision tree)를 이용하여, 학습패턴으로 학습스타일을 도출할 수 있는 학습 스타일별 규칙을 추출하여 상기 데이터베이스에 저장하는 규칙추출수단; 상기 학습수단을 통해 수신되는 학습자의 학습자 데이터를 전처리하고, 상기 전처리된 학습자 데이터로부터 상기 학습자의 학습패턴을 추출하고, 상기 학습패턴을 상기 학습 스타일별 규칙에 적용시켜 상기 학습자의 학습 스타일을 도출하는 진단수단을 포함하는 것을 특징으로 한다.
삭제
또, 본 발명에 따른 학습 스타일 진단 시스템에 있어서, 상기 학습 스타일은 통합적 학습 스타일(Global) 또는 순차적 학습 스타일(Sequential) 중의 어느 하 나, 시각적 학습 스타일(Visual) 또는 언어적 학습 스타일(Auditory) 중의 어느 하나, 감각적 학습 스타일(Sensing) 또는 직관적 학습 스타일(Intuitive) 중의 어느 하나, 활동적 학습 스타일(Active) 또는 숙고적 학습 스타일(Reflective) 중의 어느 하나를 포함하는 것을 특징으로 한다.
또, 본 발명에 따른 학습 스타일 진단 시스템에 있어서, 상기 학습 스타일별 선호는 정수값인 것을 특징으로 한다.
삭제
또, 본 발명에 따른 학습 스타일 진단 시스템에 있어서, 상기 학습자 데이터는 마우스 클릭정보, 스크롤바 사용시간, 학습 경로 정보, 상세정보 활용시간, 컨텐츠 선택 정보, 선택한 문제의 종류, 질의 방식, 주어진 퀴즈에 대한 시도횟수와 정답률을 포함하는 학습자 행위 정보 중의 어느 하나를 포함하는 것을 특징으로 한다.
또, 본 발명에 따른 학습 스타일 진단 시스템에 있어서, 상기 전처리수단은 상기 학습자 데이터를 상기 데이터베이스에 정의된 학습 스타일별 속성에 매칭시켜, 학습스타일별 속성과 속성값으로 구성된 학습자의 학습패턴을 추출하는 것을 특징으로 한다.
또, 상기 목적을 달성하기 위해 본 발명에 따른 학습 스타일 진단 방법은 네트워크를 통해 학습자의 클라이언트와 연결되어 있고 데이터베이스를 구비하는 시스템으로 다수의 학습자의 학습 스타일을 진단하는 방법에 있어서, (a) 상기 시스템에 접속하는 다수의 학습자로부터 수신 받은 요청이 훈련 요청인지 학습 스타일 진단 요청인지의 여부를 판단하는 단계, (b) 상기 (a) 단계에서 훈련 요청으로 판단되는 경우, 다음 단계 (b1) 내지 단계 (b4)를 수행하는 단계, (b1) 학습 스타일별 선호도를 조사하는 설문을 상기 클라이언트로 전송하고 학습스타일별 선호도 데이터를 수신하는 단계, (b2) 상기 데이터베이스에 저장된 학습 콘텐츠를 상기 클라이언트로 전송하고 학습 콘텐츠가 이용되는 방식을 기록한 학습자 데이터를 수신하는 단계, (b3) 상기 학습 스타일별 선호도 데이터와 상기 학습자 데이터를 전처리하고, 상기 학습자 데이터로부터 학습자의 학습패턴을 추출하는 단계, (b4) 상기 학습스타일별 선호도 데이터와 상기 학습패턴으로부터, 의사결정트리(decision tree)를 이용하여, 학습패턴으로 학습스타일을 도출할 수 있는 학습 스타일별 규칙을 추출하여 상기 데이터베이스에 저장하는 단계, (c) 상기 (a) 단계에서 학습 스타일 진단 요청으로 판단되는 경우, 다음 단계 (c1) 내지 단계 (c3)를 수행하는 단계, (c1) 상기 데이터베이스에 저장된 학습 콘텐츠를 상기 클라이언트로 전송하고 학습 콘텐츠가 이용되는 방식을 기록한 학습자 데이터를 수신하는 단계, (c2) 상기 학습자 데이터를 전처리하여 학습자의 학습패턴을 추출하는 단계, (c3) 상기 학습패턴을 상기 학습 스타일별 규칙에 적용시켜 상기 학습자의 학습 스타일을 추출하는 단계를 포함하는 것을 특징으로 한다.
삭제
삭제
삭제
또, 본 발명에 따른 학습 스타일 진단 방법에 있어서, 상기 (b3) 단계에서 상기 학습 스타일별 선호도가 미리 지정된 임계치 이하일 경우 상기 학습 스타일별 선호도는 상기 훈련 요청 또는 상기 진단 요청을 처리하는데 이용되지 않는 것을 특징으로 한다.
삭제
삭제
또, 본 발명에 따른 학습 스타일 진단 방법에 있어서, 상기 학습 스타일은 통합적 학습 스타일(Global) 또는 순차적 학습 스타일(Sequential) 중의 어느 하나, 시각적 학습 스타일(Visual) 또는 언어적 학습 스타일(Auditory) 중의 어느 하나, 감각적 학습 스타일(Sensing) 또는 직관적 학습 스타일(Intuitive) 중의 어느 하나, 활동적 학습 스타일(Active) 또는 숙고적 학습 스타일(Reflective) 중의 어느 하나를 포함하는 것을 특징으로 한다.
삭제
또, 본 발명에 따른 학습 스타일 진단 방법에 있어서, 상기 학습자 데이터는 마우스 클릭정보, 스크롤바 사용시간, 학습 경로 정보, 상세정보 활용시간, 컨텐츠 선택 정보, 선택한 문제의 종류, 질의 방식, 주어진 퀴즈에 대한 시도횟수와 정답률을 포함하는 학습자 행위 정보 중의 어느 하나를 포함하는 것을 특징으로 한다.
또, 본 발명에 따른 학습 스타일 진단 방법에 있어서, 상기 학습 스타일별 선호도는 정수값인 것을 특징으로 한다.
이하, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 본 발명을 용이하게 실시할 수 있을 정도로 상세히 설명하기 위하여, 본 발명의 가장 바람직한 실시 예를 첨부한 도면을 참조하여 상세하게 설명한다. 또한, 본 발명을 설명하는데 있어서 동일 부분은 동일 부호를 붙이고, 그 반복 설명은 생략한다.
본 발명에서는 학습자로부터 수집된 데이터를 분석하여 Felder &　Silverman 이 제시한 학습 스타일에 근거한 학습자의 학습 스타일을 추출하고, 학습자 성향을 알아보기 위하여 예측의 대표적인 방법인 의사결정트리를 사용한다. 의사결정트리 를 적용하여 얻은 분석 결과를 통해 각각의 학습자에게 맞는 학습 스타일을 진단하며, 의사결정트리에서 얻은 학습 스타일 진단 모델은 향후에 학습자의 학습 스타일을 파악하는데 사용할 수 있으며, ITS에서 학습자 성향 분석 모듈로도 고려해 볼 수 있다.
본 발명에 대한 구체적인 설명에 앞서 본 발명에서 사용된 Felder &　Silverman이 제시한 ILS(Index of Learning Style, 학습 스타일 검사)에 대해 설명한다. ILS는 Felder & Silverman이 제시한 학습자의 학습 스타일 경향지수로서, 온라인 설문지를 통해 4가지 학습 스타일로 측정한다. 학습자들은 정보를 받아들이고 처리하는 방식에서 다른 선호도와 스타일을 가지고 있다. Felder & Silverman은 정보를 이해하는 차원에서 통합적 학습 스타일(Global)과 순차적 학습 스타일(Sequential), 정보 습득하는 차원에서 시각적 학습 스타일(Visual)과 언어적 학습 스타일(Auditory), 정보를 인지하는 차원에서 감각적 학습 스타일(Sensing)과 직관적 학습 스타일(Intuitive), 그리고 정보를 활용하는 차원에서 활동적 학습 스타일(Active)과 숙고적 학습 스타일(Reflective)로 4가지 영역에서 학습 스타일을 분류한다.
표 1은 ILS에 따른 학습 스타일에 관한 구체적인 설명이다.
학습 스타일 설명
통합적 학습 스타일(Global) 전체 개요, 관련성, 문맥 등을 통하여 정보를 이해하는 스타일로서 발산적 사고와 정보 통합에 더 익숙한 스타일이다
순차적 학습 스타일(Sequential) 학습 자료에 제시된 순서대로 학습하면서 이해하는 스타일로서 수렴적 사고와 정보 분석에 더 익숙한 스타일이다
시각적 학습 스타일(Visual) 그림, 심볼(Symbol), 다이어그램(Diagram) 등 시각적인(Visual) 매체를 통해 정보를 습득하는 스타일로서 그림, 데모(Demo) 등을 통해 본 것을 잘 기억하며 실습 동영상을 통해 더 잘 이해하는 경향이 있다
언어적 학습 스타일(Auditory) 소리, 단어, 문자 등 언어적인(Auditory) 매체를 통해 정보를 습특하는 스타일로서 학습을 통해 들은 것, 말한 것을 좀 더 잘 기억하고 토론을 통해 많은 것을 얻는 경향이 있다
감각적 학습 스타일(Sensing) 감각 기관을 통해 직접적으로 관찰하고 수집하여 정보를 인지하는 스타일로서 학습의 세부 내용을 주의깊게 공부하며, 구체적인 정보로 구성된 학습자료를 활용할 때 효과적인 경향이 있다
직관적 학습 스타일(Intuitive) 간접적으로 사색, 고찰, 추론, 상상, 직감 등을 통해 정보를 인지하는 스타일로서 어떤 상징화된 것을 다루는데 익숙하며, 추상화된 개념을 해석하는 것을 잘하는 경향이 있다
활동적 학습 스타일(Active) 적극적이고 활동적으로 정보를 처리하는 경향을 가지므로 토론하고 설명하고 테스트하는 등의 실험적인 상황에서 학습이 더 잘 이루어지는 경향이 있다
숙고적 학습 스타일(Reflective) 습득한 지식과 정보를 숙고하고 내부적으로 그 정보를 처리하는 경향이 있다
ILS는 표 1에서와 같은 학습 스타일을 정수값으로 표현하는데, 이때 이 학습 스타일 경향지수를 본 발명에서는 학습 선호도(Level of Preference, 이하 'LoP'라 한다)라고 한다. 학습 선호도는 1, 3, 5, 7, 9, 11의 6개 정수값으로서, 학습자의 학습 스타일 경향을 분류한다. 예를 들어, 통합적 학습 스타일(Global)의 학습 성향을 갖는 학습자가 2명이고 각각 선호도 값이 9와 1이라고 한다면, 선호도 값이 9인 학습자는 선호도 값이 1인 학습자에 비해 통합적 학습 스타일(Global)의 성향을 강하게 가지고 있는 학습자라고 볼 수 있다. 이렇게 선호도 값이 비교적 높은값을 가지고 있는 학습자는 해당 학습 성향이 강한 학습자로 분류할 수 있으며, 반대로 선호도 값이 낮은 학습자는 학습 성향을 분류하기에 불분명하다고 볼 수 있다. 이는 반대의 학습 성향도 어느 정도 갖고 있다고 볼 수 있기 때문이다.
도 1은 본 발명에 따른 학습 스타일 진단 시스템을 도시한 블록도이다.
도 1에서 도시한 바와 같이, 클라이언트(10)와 네트워크를 통해 연결된 본 발명에 따른 학습 스타일 진단 시스템(20)은 통상의 컴퓨팅 기능을 갖춘 서버(200)와 데이터베이스(30)로 구성된다. 서버(200)는 학습자의 학습 스타일 진단에 필요한 규칙을 축적하여 데이터베이스(30)에 저장하고, 축적된 규칙들을 이용하여 진단을 받고자 하는 학습자의 학습 스타일을 진단하는 기능을 수행한다. 이러한 서버(200)는 학습자의 학습 스타일(학습 스타일별 선호도를 의미함)을 조사하는 설문을 클라이언트(10)를 통해 시스템(20)에 접속하는 학습자에게 제공하여 학습자의 학습 스타일별 선호도 데이터를 수신하는 조사수단(201), 데이터베이스(30)에 저장된 학습 콘텐츠를 학습자에게 제공하여 학습자의 학습자 데이터를 수신하는 학습수단(202), 조사수단(201) 및 학습수단(202)으로 수신되는 데이터를 전처리(Preprocessing)하여 학습자의 학습패턴(Learning Pattern)을 추출하는 전처리수단(203), 학습패턴에 따라 학습 스타일별 규칙을 추출하여 데이터베이스(30)에 저장하는 규칙추출수단(204), 조사수단(201) 및 학습수단(202)을 통해 수신되는 데이터를 데이터베이스(30)에 저장된 학습 스타일별 규칙에 매칭(Matching)시켜 클라이언트(10)를 이용하는 다수의 학습자의 학습 스타일을 진단하는 진단수단(205), 그리고 조사수단(201), 학습수단(202), 전처리수단(203), 규칙추출수단(204), 진단수단(205)을 비롯하여 학습 스타일 진단 시스템(200)의 내부를 제어하는 제어수단(206)을 구비한다.
도 1에 도시된 조사수단(201)은 클라이언트(10)에게 ILS 온라인 설문을 제공하여 통합적 학습 스타일(Global) 또는 순차적 학습 스타일(Sequential), 시각적 학습 스타일(Visual) 또는 언어적 학습 스타일(Auditory), 감각적 학습 스타일(Sensing) 또는 직관적 학습 스타일(Intuitive), 활동적 학습 스타일(Active) 또는 숙고적 학습 스타일(Reflective)로 분류되는 학습 스타일별 선호도 데이터를 수신한다. 학습 스타일별 선호도 데이터는 학습자의 학습 스타일 경향을 나타내는 정수값으로서, 이에 대한 설명은 이미 언급하였으므로 여기서는 생략한다.
학습 스타일의 진단을 위해서는 학습자 스타일별 선호도 데이터 외에 학습자가 학습해나가는 경향에 대한 학습자 데이터도 필요하다. 이는 학습수단(202)을 통해 수집되는데, 학습수단(202)이 클라이언트(10)에게 제공한 학습 콘텐츠에 대해서 클라이언트(10)가 어떠한 방식으로 이용하는지에 대한 기록 데이터이다. 예를 들어, 학습자가 서양의 건축양식 학습용 교육 콘텐츠를 학습하는 경우 학습수단(202)이 클라이언트(10)에게 제공하는 인터페이스(Interface)에는 건축양식을 학습하기 위한 학습내용, 퀴즈, 의견 공유, 테스트 등이 포함되어 있다. 이때, 시간, 학습 경로 정보, 클릭 정보, 상세정보 활용시간, 컨텐츠 선택 정보, 선택한 문제의 종류, 질의 방식, 주어진 퀴즈를 풀기 위한 시도횟수, 정답률 등에 대한 기록인 사용자 행위 정보가 바로 학습자 데이터이다. 데이터 형식은 XML(EXtensible Markup Language)이 주로 이용되며, 다른 형식의 데이터로도 가능함은 물론이다.
또, 전처리수단(203)은 조사수단(201)을 통해 수신된 임계치 이상의 학습 스타일별 선호도 값을 통해 학습자가 각각의 학습 스타일에 대해 갖고 있는 경향을 파악한다. 이러한 선호도가 파악되면 학습수단(202)으로 수신되는 데이터를 데이터베이스(30)에 정의된 학습 스타일별 속성(Attribute)에 매칭시켜 학습자의 학습패턴을 추출한다. 즉, 학습패턴은 학습자 데이터(학습수단으로 수신되는 데이터)를 분석에 사용할 수 있도록 가공하여 추출한 것으로서, 가공처리한 학습자 데이터로 볼 수 있다(따라서 이하 설명에서 학습패턴과 학습자 데이터를 혼용하여 사용한다). 상기 학습 스타일별 선호도 데이터 및 상기 추출된 학습패턴은 규칙추출수단(204)에 의해 학습 스타일별 규칙으로 다시 추출된다. 이렇게 학습자의 성향을 분석하기 위해 규칙추출수단(204)은 학습 스타일별 규칙을 의사결정트리를 이용하여 추출한다. 의사결정트리는 데이터마이닝 중 예측과 분류를 위해 가장 많이 사용되는 방법으로 데이터마이닝 분야에서 통상으로 사용되는 공지 기술이므로 구체적 설시는 생략한다. 이와 같이, 조사수단(201)을 통해 수집된 학습자의 XML 데이터는 학습자의 성향을 분석하기 위해 의사 결정 트리에 사용되는데, 이를 적용하기 전에 적절한 가공처리를 해야 한다. 이는 학습자에게서 수집한 학습 데이터는 학습 스타일별로 무작위로 섞여있기 때문이다.
다음에 본 발명에 따른 학습 스타일 진단 방법에 대해 도 2 내지 도 3에 따라 설명한다.
도 2는 본 발명의 일실시예에 따른 학습 스타일 진단 방법을 설명하는 흐름도이다.
도 2에서 도시한 바와 같이, 진단 시스템(20)이 클라이언트(10)를 통해 접속한 학습자로부터 서비스 요청을 수신하면(ST2010), 제어수단(206)은 상기 요청이 훈련 요청인지 학습 스타일 진단 요청인지의 여부를 판단한다(ST2020). ST2020 단계에서 훈련 요청으로 판단되면 진단 시스템(20)은 학습 스타일 진단에 사용되는 규칙을 축적하여 데이터베이스(30)에 저장하고, 진단 요청으로 판단되면 학습자의 학습 스타일을 진단한다. 즉, 학습자의 학습 스타일을 진단하기 위해서는 학습 스타일별 규칙이 사전에 축적되어 있어야 하며, 진단시에는 축적된 규칙들을 이용한다.
먼저, 훈련 과정은 다음과 같다.
ST2020 단계에서 클라이언트(10)로부터 수신된 요청이 훈련 요청으로 판단되어 훈련 과정을 수행한다. 조사수단(201)은 훈련 요청에 따라 학습자의 학습 스타일을 조사하는 설문을 클라이언트(10)로 전송하고(ST2030), 클라이언트(10)로부터 설문 결과를 수신한다(ST2031). 다음으로, 학습수단(202)이 데이터베이스(30)에 저장된 학습 콘텐츠를 클라이언트(10)로 전송하고(ST2040a) 클라이언트(10)로부터 학습자 데이터를 수신한다(ST2041a). 클라이언트(10)에게 학습 콘텐츠를 제공하고, 학습자가 학습 콘텐츠를 이용하여 진행된 데이터를 수집하는 기술은 본 분야에서 통상으로 사용되는 공지 기술이므로 구체적 설시는 생략한다. 전처리수단(203)은 ST2031 단계 및 ST2041a 단계에서 수신되는 데이터를 전처리하여 학습자의 학습패턴을 추출한다(ST2050). ST2050 단계는 크게 2단계로 수행되는데, 우선 ST2031 단계에서 수신된 설문 결과를 통해 학습 스타일별 선호도를 파악한다. 이때, 파악된 학습 스타일별 선호도가 미리 지정된 임계치 이하일 경우에는 분석자료로 이용하지 않는다. 다음으로, 파악된 학습 스타일별 선호도에 따라 ST2041a 단계에서 수신된 학습자 데이터를 데이터베이스(30)에 정의된 학습 스타일별 속성에 매칭시켜 학습자의 학습패턴을 추출한다. 즉, 선호도에 대한 전처리 과정과 학습자 데이터에 대한 전처리 과정으로 진행된다. ST2050 단계에서 추출된 학습패턴을 데이터베이스(30)에 저장된다. ST2050 단계가 완료된 후에는 규칙수단(204)이 의사결정트리를 이용하여 추출된 학습패턴에 따라 학습 스타일별 규칙을 추출하여(ST2060) 데이터베이스(30)에 저장한다(ST20ST61). 이러한 훈련과정은 다수의 학습자에 대해 이루어지며, ST2030 단계 내지 ST20ST61 단계의 반복을 통해 학습 스타일별 규칙을 축적한다. 추출된 규칙은 새로운 학습자의 학습 과정에서 발생한 성향에 대하여 진단할 수 있는 도구로 사용하며, 다른 학습 스타일(통합적 학습 스타일 대 순차적 학습 스타일, 감각적 학습 스타일 대 직관적 학습 스타일, 시각적 학습 스타일 대 언어적 학습 스타일, 활동적 학습 스타일 대 숙고적 학습 스타일)에 대해서도 전처리 과정과 의사결정트리를 통해 규칙을 추출한다.
다음으로, 학습 스타일 진단 과정에 대해 설명한다.
ST2020 단계에서 클라이언트(10)로부터 수신된 요청이 진단 요청으로 판단되어 진단 과정을 수행한다. 학습수단(202)이 데이터베이스(30)에 저장된 학습 콘텐츠를 클라이언트(10)로 전송하고(ST2040b) 클라이언트(10)로부터 학습자 데이터를 수신한다(ST2041b). 전처리수단(203)은 ST2041b 단계에서 수신된 데이터를 전처리하여 학습자의 학습패턴을 추출한다(ST2050b). 진단수단(205)은 ST2050b 단계에서 추출된 학습패턴을 데이터베이스(30)에 저장된 학습 스타일별 규칙에 매칭시켜 클라이언트(10)를 이용하는 학습자의 학습 스타일을 진단한다(ST2070).
도 3은 본 발명의 일실시예에 따른 학습 스타일 진단 동작을 설명하는 구성도이다.
도 3a에서 도시한 바와 같이, 학습 스타일 진단 시스템(20)은 클라이언트(10)인 표본 학습자에 대해 훈련 과정을 수행하고, 또다른 클라이언트(10)인 새학습자에 대해 진단 과정을 수행한다. 먼저, 훈련 과정을 살펴보면 다음과 같다. 표본 학습자(10)에게 학습 스타일 설문(300)을 제공하고, 설문 결과를 통해 얻어진 학습자의 학습 스타일별 선호도를 전처리한다(ST400). 학습 스타일 설문(300) 외에도 학습 콘텐츠(500)를 제공하여 표본 학습자(10)에 의해 이용된 학습 콘텐츠(500)의 이용기록인 XML 데이터를 수집한다. 수집된 학습자 데이터 역시 전처리한다(ST600). 이제, 전처리된 학습 선호도 및 학습자 데이터를 의사결정트리에 적용하여 학습 스타일별 규칙을 추출한다(ST700). 이상의 과정이 훈련 과정이며, 이는 다양한 표본 학습자(10)에 대해 반복수행하면서 데이터베이스(30)에 축적한다. 다음으로, 진단 과정을 살펴보면 다음과 같다. 새 학습자(10)에게 학습 콘텐츠(500)를 제공하여 새 학습자(10)에 의해 이용된 학습 콘텐츠(500)의 이용기록인 XML 데이터를 수집한다. 수집된 학습자 데이터는 전처리된(ST600) 후, 학습 스타일 진단 시스템(20)의 진단수단(205)에 의해 학습 스타일 진단에 이용된다(ST800).
학습 선호도의 전처리(ST400) 동작은 도 3b에서 도시한 바와 같다. 우선, 조사수단(201)에 의해 수신되어 데이터베이스(30)에 저장된 학습 스타일 데이터를 로딩(Loading)한다(ST410). 학습 스타일 데이터는 학습 스타일별 선호도 데이터이며, 이는 미리 지정된 임계치와 비교한다(ST420). 선호도 값이 임계치보다 작을 경우에는 모호한 데이터이므로 분석에 이용하지 않으며, 다른 학습 스타일에 대한 선호도 값을 선택하여(ST440) 다시 임계치와 비교한다. 모든 학습 스타일에 대해 선호도 값을 비교한(ST430) 후, 임계치 이상의 선호도들에 대해서만 전처리 데이터를 데이터베이스(30)에 저장한다(ST450).
또, 학습자 데이터의 전처리(ST600) 동작을 도 3c에 따라 더욱 구체적으로 설명한다. 학습수단(202)에 의해 수신되어 데이터베이스(30)에 저장된 XML 형태의 학습자 데이터를 로딩한다(STST610). 로딩된 데이터는 파싱(Parsing)된(STST620) 후, 각각의 학습 스타일별로 전처리한다(STST631, STST632, STST633, STST634). 전처리된 데이터는 데이터베이스(30)에 저장한다(STST640).
또, 의사결정트리를 이용하여 학습 스타일별 규칙을 추출하는(ST700) 동작을 도 3d에 따라 더욱 상세하게 설명한다. 전처리수단(203)에 의해 처리되어 데이터베이스(30)에 저장된 전처리 데이터를 로딩한다(ST710). 로딩된 데이터는 그 속성 및 스타일에 대해 파싱된(ST720) 후, 의사결정트리에 의해 학습 스타일별 규칙 추출 훈련에 이용된다(ST730, ST740). 규칙추출수단(204)은 학습 스타일별 규칙을 추출하고(ST750), 이를 데이터베이스(30)에 저장한다(ST760).
본 발명에 따른 학습 스타일 진단을 위한 훈련 방법에 대해 70명의 학습자에 대한 데이터를 수집하였고, 학습자에게 서양 건축양식 학습을 위한 교육 콘텐츠를 제공한다고 가정하여 설명하면 다음과 같다.
우선, 진단 시스템(20)은 학습자(10)로부터 서비스 요청을 수신하고(ST2010), 판단결과(ST2020) 상기 요청은 훈련 요청이다. 훈련 요청에 따라 조사수단(201)은 학습자(10)에게 ILS 온라인 설문을 제공하고(ST2030), 설문 결과를 수신한다(ST2031). 조사수단(201)은 수신된 설문 결과를 분석하여 학습 스타일별 선호도 값을 알아낸다. 이후, 학습수단(202)은 학습자(10)에게 학습자 성향 수집을 위한 서양 건축양식 학습용 교육 콘텐츠를 제공하고(ST2040a), 이를 수신한 학습자(10)는 상기 교육 콘텐츠를 학습한다. 학습자(10)에게 제공된 콘텐츠의 인터페이스에는 건축양식 학습, 퀴즈, 생각 나눔, 테스트 등의 수행 기능이 포함된다. 학습자(10)는 이러한 인터페이스를 이용하여 학습을 진행하고, 콘텐츠를 이용하는 학습자의 데이터인 시간, 이동 및 학습을 위한 버튼 클릭(Button Click) 등은 XML 데이터로 기록된다. 기록된 데이터는 학습수단(202)을 통해 수신되고(ST2041a), 추후의 성향 분석을 위해 의사 결정 트리에 적용하기 전에 적절히 전처리를 수행한다(ST2050). 이는, 학습자(10)로부터 수집된 학습 데이터가 학습 스타일별로 무작위로 섞여있기 때문이다. 전처리수단(203)의 가공처리는 다음과 같이 진행된다.
첫 번째, 조사수단(201)에서 ILS 온라인 설문지를 통해 학습 스타일별로 파악한 선호도 값이 3 이하라면, 해당 데이터는 분석에서 제외한다. 이 데이터는 학습 성향을 분류하기에 앞서 언급한 바와 같이 상반된 학습 성향도 가질 수 있는 모호한 데이터이기 때문이다.
두 번째, 의사결정트리의 입력값으로서 학습수단(202)이 학습자(10)로부터 얻은 학습 데이터에 포함된 마우스 클릭정보, 시간, 스크롤 바 사용시간, 주어진 퀴즈에 대한 시도횟수와 정답률 등을 이용한 속성을 정의한다. 정의한 속성에 따라 학습과정에서 발생한 학습자의 패턴을 추출한다.
학습자(10)의 훈련 과정에서 수집된 XML 데이터는 위에서 정의한 바와 같이 전처리과정을 거친 후에, 의사결정트리를 이용하여 학습 스타일별 규칙을 추출하여(ST2060) 데이터베이스(30)에 저장한다(ST20ST61).
도 4는 본 발명의 일실시예에 따른 학습 스타일 관점에 따른 서양 건축양식 학습용 교육 콘텐츠 인터페이스의 일부분을 도시한 도면이다.
본 발명에 따른 학습 스타일 진단 방법에서는 학습 스타일에 따른 학습 콘텐츠의 인터페이스를 도 4에서 도시한 바와 같이 구성하여 학습자의 학습 스타일을 판단하는데 사용한다.
- 통합적 학습 스타일(Global)과 순차적 학습 스타일(Sequential): 정보를 이해할 때 학습자의 선호도에 의해 교육 콘텐츠를 선택하는지, 교육 전문가가 의도하는 학습 순서에 따라 학습하는지를 알아보기 위하여 개요보기 버튼, 목차를 통한 이동버튼, 항목이동 화살표 버튼 등으로 인터페이스를 구성한다.
- 시각적 학습 스타일(Visual)과 언어적 학습 스타일(Auditory): 정보를 습득할 때 그림 위주의 설명을 선호하는지, 텍스트(Text) 위주의 설명을 더 선호하는지를 알아보기 위하여 그림 위주의 학습설명버튼과 텍스트 위주의 학습설명버튼 등으로 인터페이스를 구성한다.
- 감각적 학습 스타일(Sensing)과 직관적 학습 스타일(Intuitive): 정보를 인지할 때 주의깊게 문제를 풀어나가는 경향이 있는지, 직관적으로 문제를 풀어나가는 경향이 있는지를 알아보기 위하여, 퀴즈 풀기와 부가 학습 등으로 인터페이스를 구성한다.
- 활동적 학습 스타일(Active)과 숙고적 학습 스타일(Reflective): 정보를 활용할 때 적극적이고 활동적으로 참여하는지, 내성적으로 숙고하고 그 정보를 처리하는지를 알아보기 위하여 선생님께 질문하기 버튼, 의견달기 버튼, 의견보기 버튼 등으로 인터페이스를 구성한다.
도 5는 본 발명의 일실시예에 따른 학습 스타일별 규칙을 추출하는 과정을 설명하는 도면이고, 도 6은 본 발명의 일실시예에 따른 학습 스타일별 속성을 나타내는 도면이다. 특히, 도 5a는 본 발명의 일실시예에 따른 학습 과정에서 수집된 데이터를 분석하여 얻은 의사 결정 트리 모형을 도시한 도면이고, 도 5b는 본 발명의 일실시예에 따른 의사 결정 트리를 통하여 얻은 규칙을 나타내는 도면이다.
도 5에서 도시한 바와 같이, 시각적 학습 스타일(Visual) 대 언어적 학습 스타일(Auditory)에 대해 프로그래밍 언어를 사용하여 얻어낸 IF 구조의 규칙인 학습 스타일별 규칙을 추출한다. 즉, 규칙추출수단(204)은 전처리수단(203)을 통해 추출된 학습자의 학습패턴을 의사결정트리에 적용하여 학습 스타일별 규칙을 추출한다. 도 5에 도시된 OptionalTxtTime 값을 지정된 값인 332.5와 비교하여(ST61) OptionalTxtTime 값이 332.5보다 작다고 판단되는 경우 학습패턴을 시각적 학습 스타일(Visual)로 판단한다(ST62). 이때, OptionalTxtTime 값은 학습자가 텍스트 중심의 컨텐츠를 이동하기 위한 선택적(Optional) 버튼을 이용한 후 그 컨텐츠에서 공부한 시간을 이용하는 시간을 나타내는 속성으로서, 기준값을 332.5으로 지정하여 기준값보다 작을 경우 부가설명으로서 텍스트 중심의 컨텐츠를 덜 선호하는 경향이 있다고 판단되어 시각적 학습 스타일(Visual) 경향을 가진 것으로 판단하고(ST62), 반대로 기준값보다 클 경우 이미지(Image) 중심의 컨텐츠보다 텍스트 중심의 컨텐츠를 더 선호하는 경향이 있다고 판단되어 다른 판단을 위한 예측과정을 계속 진행한다. 이후 규칙 추출을 위해 OptionalImgTime 값을 지정된 값인 127.0과 비교하여(ST63) OptionalImgTime 값이 127.0보다 작다고 판단되는 경우, 다시 RelevantImgButton 값을 지정된 값인 18.5와 비교한다(ST64). 비교결과 RelevantImgButton 값이 18.5보다 작다고 판단되면 학습패턴을 언어적 학습 스타일(Auditory)로 판단한다(ST65). 단계 (ST64)에서 RelevantImgButton 값이 18.5보다 크다고 판단되는 경우에는 다시 TravelTableTxtButton 값을 지정된 값인 2.5와 비교하고(ST66), 비교결과 TravelTableTxtButton 값이 2.5보다 작다고 판단되는 경우 학습패턴을 시각적 학습 스타일(Visual)로 판단한다(ST67). 반대로, 단계 (ST66)에서의 비교결과가 TravelTableTxtButton 값이 2.5보다 크다고 판단되는 경우에는 학습패턴을 언어적 학습 스타일(Auditory)로 판단한다(ST68). 또한, 단계 (ST63)에서 OptionalImgTime 값이 127.0보다 크다고 판단되는 경우 학습패턴을 시각적 학습 스타일(Visual)로 판단한다(ST69). 각각의 단계에서 사용된 OptionalTxtTime, OptionalImgTime, RelevantImgButton, TravelTableTxtButton은 학습 스타일별 규칙을 추출하기 위해 사용되는 학습패턴의 속성들로서, 도 6에서 도시한 바와 같다.
전처리수단(203)은 학습수단(202)으로 수신되는 데이터를 도 5에서 도시한 바와 같이 데이터베이스(30)에 정의된 학습 스타일별 속성에 매칭시켜 학습자의 학습패턴을 추출한다. 속성(Attribute)은 학습자의 학습 스타일을 알아내기 위한 것으로서, 교육 전문가에 의해 학습 스타일 영역별로 정의된다. 학습자가 서양 건축양식 학습용 교육 콘텐츠를 사용하고 수집된 데이터는 정의된 속성에 따라 추상화시킨다. 예를 들어, 감각적 학습 스타일(Sensing) 대 직관적 학습 스타일(Intuitive)의 "SN_1_MenuDetail"의 속성은 메뉴에서 자세히 보기 버튼을 클릭한 수를 말하는데, 이는 정보를 인지하는 과정에서 얼마만큼 주의 깊게 자세히 학습하는가를 판가름하는 척도를 나타내는 속성이다. 이와 같이 각각의 스타일은 통합적 학습 스타일 대 순차적 학습 스타일은 12개, 시각적 학습 스타일 대 언어적 학습 스타일은 22개, 감각적 학습 스타일 대 직관적 학습 스타일은 12개, 활동적 학습 스타일 대 숙고적 학습 스타일은 12개 속성으로 정의하여 수집된 사용자의 데이터를 전처리 기준으로 사용한다. 이러한 학습 스타일별 속성은 도 6의 예시에 한정되는 것은 아니며, 서비스 제공자에 의해 다양하게 변경가능한 것은 물론이다.
이상, 본 발명자에 의해서 이루어진 발명은 상기 실시 예에 따라 구체적으로 설명하였지만, 본 발명은 상기 실시 예에 한정되는 것은 아니고, 그 요지를 이탈하지 않는 범위에서 여러 가지로 변경 가능한 것은 물론이다.
즉, 상기 실시예에 있어서는 학습자의 학습 스타일을 진단하는 예에 대해 설명하였지만, 이에 한정되는 것은 아니며 학습자의 성향에 맞추어 서비스를 제공하는 모든 분야에서 실현할 수 있음은 물론이다. 예를 들어, 본 발명에 따른 학습 진단 시스템 및 방법을 이용하여 학습자의 학습 스타일을 진단한 후, 진단된 학습 스타일에 따라 콘텐츠를 제공하는 서비스가 가능하다. 이때, 서비스의 제공과 함께 학습자의 학습 스타일 진단이 이루어져 학습자의 학습 스타일에 대한 정보를 계속 갱신함으로써 변화하는 학습 스타일에 대해서도 지속적인 지능형 맞춤 서비스가 가능해진다.
상술한 바와 같이, 본 발명에 따른 학습 스타일 진단 시스템 및 그 진단 방법에 의하면, 학습자의 학습과정에서 발생하는 학습시스템 위에서의 행위 데이터를 기반으로 학습자의 학습 스타일을 파악할 수 있다는 효과가 얻어진다.
또, 본 발명에 따른 학습 스타일 진단 시스템 및 그 진단 방법에 의하면, 학습자의 학습 스타일에 맞는 학습 환경을 제공하여 학습자의 학습 효율을 높일 수 있다는 효과도 얻어진다.
또, 본 발명에 따른 학습 스타일 진단 시스템 및 그 진단 방법에 의하면, 학습자들의 다양한 학습 스타일에 대한 통계적 분석이 유용하다 효과도 얻어진다.

Claims (18)

  1. 네트워크를 통해 학습자의 클라이언트와 연결되어 있고 데이터베이스를 구비하는 시스템으로 학습자의 학습스타일을 진단하는 시스템에 있어서,
    학습자의 학습 스타일별 선호도를 조사하는 설문을 상기 시스템에 접속하는 다수의 학습자에게 제공하여 상기 다수의 학습자의 학습 스타일별 선호도 데이터를 수신하는 조사수단,
    상기 데이터베이스에 저장된 학습 콘텐츠를 상기 다수의 학습자에게 제공하여, 상기 학습자가 상기 학습 콘텐츠를 이용하는 방식을 기록한 학습자 데이터를 수신하는 학습수단,
    상기 학습 스타일별 선호도 데이터 및 상기 학습자 데이터를 전처리하고, 상기 학습자 데이터로부터 상기 다수의 학습자의 학습패턴을 추출하는 전처리수단,
    상기 학습 스타일별 선호도 데이터 및 상기 학습패턴으로 부터, 의사결정트리(decision tree)를 이용하여, 학습패턴으로 학습스타일을 도출할 수 있는 학습 스타일별 규칙을 추출하여 상기 데이터베이스에 저장하는 규칙추출수단,
    상기 학습수단을 통해 수신되는 학습자의 학습자 데이터를 전처리하고, 상기 전처리된 학습자 데이터로부터 상기 학습자의 학습패턴을 추출하고, 상기 학습패턴을 상기 학습 스타일별 규칙에 적용시켜 상기 학습자의 학습 스타일을 도출하는 진단수단을 포함하는 것을 특징으로 하는 학습 스타일 진단 시스템.
  2. 삭제
  3. 제 1 항에 있어서,
    상기 학습 스타일은 통합적 학습 스타일(Global) 또는 순차적 학습 스타일(Sequential) 중의 어느 하나, 시각적 학습 스타일(Visual) 또는 언어적 학습 스타일(Auditory) 중의 어느 하나, 감각적 학습 스타일(Sensing) 또는 직관적 학습 스타일(Intuitive) 중의 어느 하나, 활동적 학습 스타일(Active) 또는 숙고적 학습 스타일(Reflective) 중의 어느 하나를 포함하는 것을 특징으로 하는 학습 스타일 진단 시스템.
  4. 제 1 항에 있어서,
    상기 학습 스타일별 선호도는 정수값인 것을 특징으로 하는 학습 스타일 진단 시스템.
  5. 삭제
  6. 제 1 항에 있어서,
    상기 학습자 데이터는 마우스 클릭정보, 스크롤바 사용시간, 학습 경로 정보, 상세정보 활용시간, 컨텐츠 선택 정보, 선택한 문제의 종류, 질의 방식, 주어진 퀴즈에 대한 시도횟수와 정답률을 포함하는 학습자 행위 정보 중 어느 하나를 포함하는 것을 특징으로 하는 학습 스타일 진단 시스템.
  7. 제 1 항에 있어서,
    상기 전처리수단은 상기 학습자 데이터를 상기 데이터베이스에 정의된 학습 스타일별 속성에 매칭시켜, 학습스타일별 속성과 속성값으로 구성된 학습자의 학습패턴을 추출하는 것을 특징으로 하는 학습 스타일 진단 시스템.
  8. 네트워크를 통해 학습자의 클라이언트와 연결되어 있고 데이터베이스를 구비하는 시스템으로 학습자의 학습 스타일을 진단하는 방법에 있어서,
    (a) 상기 시스템에 접속하는 다수의 학습자로부터 수신받은 요청이 훈련 요청인지 학습 스타일 진단 요청인지의 여부를 판단하는 단계,
    (b) 상기 (a) 단계에서 훈련 요청으로 판단되는 경우, 다음 단계 (b1) 내지 단계 (b4)를 수행하는 단계,
    (b1) 학습 스타일별 선호도를 조사하는 설문을 상기 클라이언트로 전송하고 학습스타일별 선호도 데이터를 수신하는 단계,
    (b2) 상기 데이터베이스에 저장된 학습 콘텐츠를 상기 클라이언트로 전송하고 학습 콘텐츠가 이용되는 방식을 기록한 학습자 데이터를 수신하는 단계,
    (b3) 상기 학습 스타일별 선호도 데이터와 상기 학습자 데이터를 전처리하고, 상기 학습자 데이터로부터 학습자의 학습패턴을 추출하는 단계,
    (b4) 상기 학습스타일별 선호도 데이터와 상기 학습패턴으로부터, 의사결정트리(decision tree)를 이용하여, 학습패턴으로 학습스타일을 도출할 수 있는 학습 스타일별 규칙을 추출하여 상기 데이터베이스에 저장하는 단계,
    (c) 상기 (a) 단계에서 학습 스타일 진단 요청으로 판단되는 경우, 다음 단계 (c1) 내지 단계 (c3)를 수행하는 단계,
    (c1) 상기 데이터베이스에 저장된 학습 콘텐츠를 상기 클라이언트로 전송하고 학습 콘텐츠가 이용되는 방식을 기록한 학습자 데이터를 수신하는 단계,
    (c2) 상기 학습자 데이터를 전처리하여 학습자의 학습패턴을 추출하는 단계,
    (c3) 상기 학습패턴을 상기 학습 스타일별 규칙에 적용시켜 상기 학습자의 학습 스타일을 추출하는 단계;
    를 포함하는 것을 특징으로 하는 학습 스타일 진단 방법.
  9. 삭제
  10. 삭제
  11. 삭제
  12. 제 8 항에 있어서,
    상기 (b3) 단계에서 상기 학습 스타일별 선호도가 미리 지정된 임계치이하일 경우 상기 학습 스타일별 선호도는 상기 훈련 요청 또는 상기 진단 요청을 처리하는데 이용되지 않는 것을 특징으로 하는 학습 스타일 진단 방법.
  13. 삭제
  14. 삭제
  15. 제 8 항 또는 제 12 항 중 어느 한 항에 있어서,
    상기 학습 스타일은 통합적 학습 스타일(Global) 또는 순차적 학습 스타일(Sequential) 중의 어느 하나, 시각적 학습 스타일(Visual) 또는 언어적 학습 스타일(Auditory) 중의 어느 하나, 감각적 학습 스타일(Sensing) 또는 직관적 학습 스타일(Intuitive) 중의 어느 하나, 활동적 학습 스타일(Active) 또는 숙고적 학습 스타일(Reflective) 중의 어느 하나를 포함하는 것을 특징으로 하는 학습 스타일 진단 방법.
  16. 삭제
  17. 제 8항에 있어서,
    상기 학습자 데이터는 마우스 클릭정보, 스크롤바 사용시간, 학습 경로 정보, 상세정보 활용시간, 컨텐츠 선택 정보, 선택한 문제의 종류, 질의 방식, 주어진 퀴즈에 대한 시도횟수와 정답률을 포함하는 학습자 행위 정보 중의 어느 하나를 포함하는 것을 특징으로 하는 학습 스타일 진단 방법.
  18. 제 8 항 또는 제 12 항에 있어서,
    상기 학습 스타일별 선호도는 정수값인 것을 특징으로 하는 학습 스타일 진단 방법.
KR1020060067497A 2006-07-19 2006-07-19 학습 스타일 진단 시스템 및 그 진단 방법 KR100877583B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020060067497A KR100877583B1 (ko) 2006-07-19 2006-07-19 학습 스타일 진단 시스템 및 그 진단 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020060067497A KR100877583B1 (ko) 2006-07-19 2006-07-19 학습 스타일 진단 시스템 및 그 진단 방법

Publications (2)

Publication Number Publication Date
KR20080008066A KR20080008066A (ko) 2008-01-23
KR100877583B1 true KR100877583B1 (ko) 2009-01-07

Family

ID=39221075

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020060067497A KR100877583B1 (ko) 2006-07-19 2006-07-19 학습 스타일 진단 시스템 및 그 진단 방법

Country Status (1)

Country Link
KR (1) KR100877583B1 (ko)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101228816B1 (ko) * 2011-05-20 2013-01-31 한국과학기술원 학습자의 학습스타일을 기반으로 한 학습컨텐츠 평가 제공 방법 및 시스템
TW201317954A (zh) * 2011-10-26 2013-05-01 Inst Information Industry 學習診斷與動態學習資源推薦的方法及系統
KR101382132B1 (ko) * 2011-11-11 2014-04-07 와이즈멘토 유한회사 학습 패턴 평가 시스템
KR101640867B1 (ko) * 2014-11-24 2016-07-19 김영한 기계학습 기반 학습자 맞춤형 학습과정 제공 방법 및 학습자 맞춤형 학습 시스템
KR102116435B1 (ko) * 2018-04-27 2020-05-28 (주)웅진씽크빅 학습자의 학습 습관 정보 제공방법
KR102269837B1 (ko) * 2018-07-18 2021-06-28 주식회사 퍼센트 사용자 맞춤형 학습 컨텐츠 제공 방법 및 이를 실행하는 서버
CN109213863B (zh) * 2018-08-21 2022-05-24 北京航空航天大学 一种基于学习风格的自适应推荐方法及系统
KR20200103146A (ko) 2019-02-11 2020-09-02 (주)자이네스 온톨로지 기반의 지식맵을 활용한 인공지능 학습진단 시스템
KR102235488B1 (ko) * 2019-04-30 2021-04-02 이화여자대학교 산학협력단 온라인 학습 환경에서 학습자의 시각 행동을 활용한 학습 유형 진단 장치 및 방법

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20040021212A (ko) * 2002-09-03 2004-03-10 한국과학기술원 학습자 특성을 고려한 개인화 학습을 지원하는 학습환경관리시스템
JP2006064880A (ja) * 2004-08-25 2006-03-09 M Planning:Kk 個性別教育情報作成システム、記録媒体及びプログラム

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20040021212A (ko) * 2002-09-03 2004-03-10 한국과학기술원 학습자 특성을 고려한 개인화 학습을 지원하는 학습환경관리시스템
JP2006064880A (ja) * 2004-08-25 2006-03-09 M Planning:Kk 個性別教育情報作成システム、記録媒体及びプログラム

Also Published As

Publication number Publication date
KR20080008066A (ko) 2008-01-23

Similar Documents

Publication Publication Date Title
KR100877583B1 (ko) 학습 스타일 진단 시스템 및 그 진단 방법
Randolph A guide to writing the dissertation literature review
Truong Integrating learning styles and adaptive e-learning system: Current developments, problems and opportunities
Long Inside the “black box”: Methodological issues in classroom research on language learning
Kotsiantis et al. Using learning analytics to identify successful learners in a blended learning course
US20020182573A1 (en) Education methods and systems based on behavioral profiles
Al-Azawei et al. State of the art of learning styles-based adaptive educational hypermedia systems (LS-BAEHSs)
US20120107789A1 (en) Learning environment with user defined content
Henze Adaptive hyperbooks: Adaptation for project-based learning resources
US20140045162A1 (en) Device of Structuring Learning Contents, Learning-Content Selection Support System and Support Method Using the Device
CN113886567A (zh) 一种基于知识图谱的教学方法及系统
KR20110079252A (ko) 온라인 강의를 위한 학습관리 시스템 및 그 방법
CN110189238A (zh) 辅助学习的方法、装置、介质以及电子设备
CN115310520A (zh) 融合多特征的深度知识追踪方法及习题推荐方法
Schanzer et al. Integrated data science for secondary schools: Design and assessment of a curriculum
Rozenszajn et al. What do they really think? the repertory grid technique as an educational research tool for revealing tacit cognitive structures
CN115081965B (zh) 一种学情大数据分析系统及学情服务器
Jormanainen Supporting teachers in unpredictable robotics learning environments
Brown et al. A methodology for preprocessing structured big data in the behavioral sciences
Shute et al. DNA—Uncorking the bottleneck in knowledge elicitation and organization
Poitras et al. Mining the edublogosphere to enhance teacher professional development
TW201348988A (zh) 自我評量回饋的影音學習方法及其系統
CN115129971A (zh) 基于能力评估数据的课程推荐方法、设备及可读存储介质
Mori et al. Data-oriented learning system of statistics based on analysis scenario/story (DoLStat)
Rodríguez et al. Application of learning analytics for sequential patterns detection associated with moments of distraction in students in e‐learning platforms

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E90F Notification of reason for final refusal
E90F Notification of reason for final refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant
FPAY Annual fee payment

Payment date: 20121101

Year of fee payment: 5

FPAY Annual fee payment

Payment date: 20131007

Year of fee payment: 6

FPAY Annual fee payment

Payment date: 20150116

Year of fee payment: 7

FPAY Annual fee payment

Payment date: 20151127

Year of fee payment: 8

FPAY Annual fee payment

Payment date: 20170222

Year of fee payment: 9

LAPS Lapse due to unpaid annual fee