KR101068937B1 - 기능성 게임의 개인화된 학습경로 생성방법 - Google Patents

Abstract

본 발명은 기능성 게임의 개인화된 학습경로 생성방법에 관한 것이다. 본 발명에 따른 기능성 게임의 개인화된 학습경로 생성방법은, (a) 기능성 게임에 요청되는 학습요소 및 상기 학습요소 간의 관계에 기초하여 학습능력에 관한 평가모델을 생성하는 단계; (b) 사용자정보와 목표정보를 상기 평가모델에 투영하는 단계; (c) 상기 사용자정보가 투영된 제1모델과 상기 목표정보가 투영된 제2모델을 차원감소시켜 단순화하는 단계; (d) 단순화된 상기 제1모델과 상기 제2모델을 비교하는 단계; (e) 상기 제1모델에서 상기 제2모델에 이르는 개인화된 최적학습경로를 생성하는 단계; 및 (f) 상기 최적학습경로에 따라 학습을 수행하는 단계를 포함한다.

이에 따라, 사용자의 학습능력을 표준화된 기준으로 평가하여 개인화된 학습경로를 설정함으로써 사용자의 능력에 따라 적응적으로 게임을 학습하도록 하여 학습효과를 높일 수 있다. 또한, 동일한 학습기준 제공이 개인 간의 학습 성향 및 상황의 다름에 의해 발생되는 학습효과의 차이를 최소화할 수 있다.

기능성 게임, 평가모델

Description

기능성 게임의 개인화된 학습경로 생성방법{Personalized Studying Path Generating Method in Serious Game}

본 발명은 기능성 게임의 개인화된 학습경로 생성방법에 관한 것으로, 보다 구체적으로는 기능성 게임에 있어서 사용자의 학습능력의 평가 및 학습경로의 마련에 관한 것이다.

최근 게임의 오락성 요소에 교육, 의료, 훈련 등 다양한 기능을 접목시킨 기능성 게임(Serious Game)에 대한 관심이 대두되고 있다.

현대 사회가 복잡해지고 기술변화의 속도가 빨라지면서 교육시장과 재교육 시장이 확대되고 있는 추세에 있고 그 주기 또한 짧아지고 있어, 기능성 게임은 요구변화에 유연한 기술로 평가될 수 있다.

기능성 게임은 아직 산업 초기단계로서 성장가능성이 매우 높은 분야로 평가되며, 현재 정부와 많은 기업에서 막대한 연구 투자를 하고 있다. 특히, 최근 닌텐도社의 "Wii" 와 "DS"의 성공은 기능성 게임의 성장가능성을 보여준 좋은 예라 할 수 있다.

한편, 기능성 게임은 목표기능의 성취도 향상 측면에서 효과가 입증된 바 있다. 현재 기능성 게임에 대한 연구는 학습 몰입을 위한 그래픽가속 기술, 인터페이스 기술 등에 관한 분야에서 연구가 활발히 이루어지고 있다.

그러나, 기능성 게임은 특정 기능을 개발 훈련하기 위한 목적으로 제작되는데 비해, 사용자 개인의 학습능력을 평가 또는 측정하여 개인화된 학습경로를 제시하기 위한 연구는 아직 미진하다. 물론, 게임수행 후 일정 점수가 매겨지는 경우가 있지만 이는 표준화된 기준이 아니기 때문에 해당 점수만으로는 사용자의 학습능력을 평가하기는 어렵다.

현재 사용자의 학습능력의 측정 및 평가에 대해서는 전문가 집단의 수작업과 사용자의 오프라인 설문조사에 의존하고 있는 실정이다.

이러한 유통 및 소비과정에 존재하는 수동적인 측정 시스템은 기능성 게임의 높은 효용성을 저해하는 요소로 지적된다. 또한, 예측되는 개인 및 기업의 기능성 게임의 수요를 고려할 때, 기능성 게임의 질적 향상 및 적용 분야 확대를 위해 자동화된 개인화된 학습경로 설정 및 학습효과 측정기술이 절실히 요구된다고 할 수 있다.

따라서, 본 발명의 목적은 사용자의 학습능력을 표준화된 기준으로 평가하여 개인화된 학습경로를 설정함으로써 사용자의 능력에 따라 적응적으로 게임을 학습하도록 하여 학습효과를 높이기 위함이다. 그리하여, 동일한 학습기준 제공이 개인 간의 학습 성향 및 상황의 다름에 의해 발생되는 학습효과의 차이를 최소화하기 위함이다.

상기 목적은 본 발명에 따라, 기능성 게임의 개인화된 학습경로 생성방법에 있어서, (a) 기능성 게임에 요청되는 학습요소 및 상기 학습요소 간의 관계에 기초하여 학습능력에 관한 평가모델을 생성하는 단계; (b) 사용자정보와 목표정보를 상기 평가모델에 투영하는 단계; (c) 상기 사용자정보가 투영된 제1모델과 상기 목표정보가 투영된 제2모델을 차원감소시켜 단순화하는 단계; (d) 단순화된 상기 제1모델과 상기 제2모델을 비교하는 단계; (e) 상기 제1모델에서 상기 제2모델에 이르는 개인화된 최적학습경로를 생성하는 단계; 및 (f) 상기 최적학습경로에 따라 학습을 수행하는 단계를 포함하는 것을 특징으로 하는 기능성 게임의 개인화된 학습경로 생성방법에 의해 달성될 수 있다.

또한, 상기 기능성 게임의 학습방법은, (g) 상기 학습을 수행한 결과데이터가 임계범위를 벗어난 경우 상기 결과데이터를 상기 사용자정보에 업데이트하여 상기 평가모델에 투영한 후 상기 (c) 단계 내지 상기 (f) 단계를 다시 수행하여 상기 최적학습경로를 갱신하는 단계를 더 포함할 수 있다.

그리고, 상기 평가모델은 상기 학습능력의 이산적 측정기준으로서, 상기 학 습요소를 표준화한 후 기계적 학습과정을 통해 고유공간(Eigenspace)으로 생성될 수 있다.

한편, 상기 사용자정보는 상기 사용자의 신체능력정보 및 환경정보를 포함할 수 있다.

그리고, 상기 (c) 단계는 PCA(Principal Component Analysis) 또는 CCA(Curvilinear Component Analysis)의 저차수변환 방법을 이용하여 저차원으로 변환할 수 있다.

아울러, 상기 (d) 단계는 상기 제1모델과 상기 제2모델 간의 차이값이 높은 곳을 중심으로 특징점의 위치를 결정하는 단계; 및 상기 특징점의 위치에서 변화 에너지의 양과 방향을 측정하여 두 모델 간의 유사포인트를 매칭하는 단계를 포함할 수 있다.

또한, 상기 (e) 단계는 상기 유사포인트를 기준으로 상기 제1모델과 상기 제2모델 사이의 중간변화과정을 추적하여 다단계의 상기 최적학습경로를 생성할 수 있다.

한편, 상기 목적은 본 발명에 따라, 기능성 게임의 개인화된 학습경로 생성방법에 있어서, (a) 기능성 게임에 요청되는 학습요소 및 상기 학습요소 간의 관계에 기초하여 학습능력에 관한 평가모델을 생성하는 단계; (b) 목표학습능력에 관한 목표정보를 상기 평가모델에 투영하여 목표모델을 생성하는 단계; (c) 사용자정보를 상기 평가모델에 투영하여 사용자모델을 생성하는 단계; (d) 상기 목표모델과 상기 사용자모델을 단순화시켜 각각 목표맵과 사용자맵으로 생성하는 단계; (e) 상 기 목표맵과 상기 사용자맵을 비교하는 단계; (f) 상기 사용자맵에서 상기 목표맵에 이르는 개인화된 최적학습경로를 생성하는 단계; 및 (g) 상기 최적학습경로에 따라 학습을 수행하는 단계를 포함하는 것을 특징으로 하는 기능성 게임의 개인화된 학습경로 생성방법에 의해 달성될 수 있다.

이상 설명한 바와 같이, 본 발명에 따르면, 사용자의 학습능력을 표준화된 기준으로 평가하여 개인화된 학습경로를 설정함으로써 사용자의 능력에 따라 적응적으로 게임을 학습하도록 하여 학습효과를 높일 수 있다. 또한, 동일한 학습기준 제공이 개인 간의 학습 성향 및 상황의 다름에 의해 발생되는 학습효과의 차이를 최소화할 수 있다.

이하, 도면을 참조하여 본 발명의 구체적인 실시예들에 대해 설명하기로 한다.

도 1은 본 발명의 일 실시예에 따른 기능성 게임의 개인화된 학습경로 생성방법을 설명하기 위한 흐름도이다.

도 1을 참조하면, 본 실시예에 따른 기능성 게임의 개인화된 학습경로 생성방법은 기능성 게임에 요청되는 학습요소('기능요소'라고도 함) 및 학습요소 간의 관계에 기초하여 평가모델을 생성한다(S10).

개인 간의 학습성향과 환경의 상이함에 의해 발생되는 학습 효과의 차이를 최소화하기 위해서는 개인 정보를 분석하고 개인의 학습상태를 이산적으로 측정할 수 있는 기준을 마련해야 한다. 본 발명에서는 이러한 기준을 마련하기 위해 각 기능성 게임별로 그 게임에 포함된 기능요소의 데이터를 분석하여 평가모델(Serious Criteria)을 생성한다.

평가모델은 기능성 게임에 사용되는 사용자정보의 이산적 측정기준이 되는 고유공간(EigenSpace)으로서, 기능성 게임별로 요구되는 학습요소들 간의 관계성을 기준으로 기계학습과정을 통해 구성된다.

도 2는 본 발명의 일 실시예에 따른 평가모델 생성과정을 개념적으로 도시한 그림이다. 도 2에 도시된 바와 같이, 기능성 게임에 포함된 학습요소들을 독립적으로 클러스터링하여 정규화한 후(Elements Normalization by Field-Independent Clustering), 비감독학습 부스팅(Unsupervised Boosting)에 의한 기계학습을 통해 평가모델을 생성하게 된다. 여기서, 평가모델은 기능성 게임의 제작에서 고려된 요청학습요소들을 기초로 각 게임별로 독자적인 형태로 생성된다. 왜냐하면, 기능성 게임마다 요구되는 기능적 요소가 상이하기 때문이다.

이하, 수학 교육 목적의 기능성 게임에 대해 평가모델을 생성하는 과정을 예로 하여 평가모델 생성방법을 설명한다.

게임의 학습요소

전체 게임은 복수 개의 수학이론의 학습을 위해 여러 개의 단원으로 구성된다. 게임의 각 단원은 몇 가지 기준에 의해 정의되며, 예컨대, 단원의 정의의 예로서 {기초학문계통 List, 이전 연관단원 List, 이후 연관단원 List, 난이도}를 들 수 있다.

예컨대, 10학년 수학의 '행렬의 연산' 단원의 예를 들면, {(기초학문계통: 선형대수, 대수학, 해석학, ...,), (이전 연관단원: 일차방정식, 행렬, ...), (이후 연관단원: 행렬의 연립방정식, 벡터공간과 행렬,...), (난이도: 상)} 로 정의될 수 있다.

학습요소의 정규화

기능성 게임은 복수 개의 섹션으로 나눠지며, 각 섹션은 기본형태를 기초로 정의되고 그에 따라 구현된다. 위의 수학교육 목적의 기능성 게임의 경우 복수 개의 섹션은 단원이 되며, 정의는 전술한 바와 같이 정의될 수 있다.

정의 내의 각 요소들의 항목 수 및 각 요소의 세부 리스트의 길이는 상황에 따라 차이가 발생하기 때문에, 이와 같은 차이를 일관된 규격으로 정규화하는 과정이 필요하다. 정규화의 목적은 게임의 정의 요소를 기본 데이터로 하는 학습과정을 위한 전처리 과정으로 볼 수 있다.

정규화 적용 방법은 예컨대, 표준 정규화 또는 제로 패딩(Zero Padding) 정규화 기법이 사용될 수 있다. 표준 정규화 기법을 사용할 경우 세부 리스트의 길이 및 항목 수의 평균치를 기준으로 각 기준의 틀에 맞게 데이터를 평균 기준으로 정규화하게 된다. 반면, 제로 패딩 정규화 기법을 사용할 경우, 세부 리스트의 길이 및 항목 수 중 최대치를 기준으로 하여, 데이터의 공백이 생기는 곳을 '0'으로 채워 넣어서 정규화를 수행한다.

기계학습-평가모델 생성

기능성 게임의 학습요소를 정규화한 후, 부스팅(Boosting) 방식의 기계학습을 통해 평가모델이 생성된다. 부스팅 방식은 단순한 형태의 특징을 기초로 단순 특징 검출기들의 조합을 통해 강한 검출기를 생성해내는 학습 알고리즘이다. 예컨대, 부스팅계열의 알고리즘들 중 관계성을 고려한 고유공간 생성에 적합하다고 판단되는 아다부스트(AdaBoost)를 기본으로 하여 평가모델 생성에 맞게 변형하여 사용할 수 있다.

위 기법은 비감독학습(Unsupervised) 형태로 정규화된 게임의 구성 정의데이터를 입력받아 학습하며, 최종적으로 일반적인 부스팅 학습 알고리즘 결과물과 흡사한 형태가 도출될 수 있다. 적용 가능한 형태로는 단순한 특징을 판단하는 약한 분류기(Weak Classifier)들의 연속적인 조합인 강한 분류기(Strong Classifier)이다.

평가모델 생성에 있어서, 기계학습 단계에서 도출된 강한 분류기를 구성하는 약한 분류기 각각을 데이터를 투영하는 공간축의 하나로 고려한다. 한 개의 약한 분류기의 한가지 특징에 대한 분류 기준이자 그 특징 속성의 정의자체로도 판단될 수 있다. 즉, 약한 분류기들의 연속은 기능성 게임의 데이터를 투영하는 다차원의 평가모델로 볼 수 있다.

평가모델 투영

기능성 게임에 대한 평가모델이 생성되면, 사용자정보와 목표정보를 각각 평 가모델에 투영한다(S11). 여기서, 사용자정보는 예컨대, 사용자의 현재의 신체능력정보(예컨대, 시력, 인지반응속도, 집중력 등), 환경정보(위치, 시간, 누적 학습기록 등) 및 학습능력정보를 포함하며, 게임의 속성에 따라 요구되는 사용자정보는 다양한 형태로 존재할 수 있다. 이러한 사용자정보는 최초에는 사용자가 입력한 정보 및/또는 테스트 게임을 통해 얻은 정보와 같은 초기정보에 기초할 수 있으며, 이후에는 사용자의 학습이력정보에 따라 업데이트 된다. 예컨대, 전술한 수학 교육 목적의 기능성 게임의 경우 사용자의 초기정보는 주어진 학습과정을 이수하려는 사용자의 기본 수학 능력을 측정한 데이터로서 기존 학년에 연관된 일부 단원에 대해서는 이해도가 높지 않을 수 있다.

한편, 목표정보는 사용자가 학습을 통해 도달하고자 하는 수준의 능력에 관한 정보를 의미하며, 숙련자 정보라고 할 수 있다. 예컨대, 전술한 수학 교육 목적의 기능성 게임의 경우 주어진 학습과정을 목표기준치 이상으로 달성한 사용자의 학습결과 데이터로서, 기존 학년에서 연관된 모든 단원에 대한 이해도가 동일하게 높다는 가정이 포함될 수 있다.

도 3은 본 발명의 일 실시예에 따라 사용자정보와 목표정보를 평가모델에 투영하는 것을 도식화한 것이다. 도 3을 참조하면, 사용자정보와 목표정보가 평가모델에 투영되어 표현되는 것을 볼 수 있다. 본 발명에서는 사용자정보의 평가모델 투영을 통해 사용자의 학습능력을 표준적 평가를 할 수 있다는 점에서 큰 의의가 있다.

여기서, 사용자정보를 평가모델에 투영한 것을 제1모델(사용자모델이라고도 함), 목표정보를 평가모델에 투영한 것을 제2모델(목표모델이라고도 함)이라 하자.

평가모델에 투영된 데이터는 도 2에 도시된 바와 같이, 다차원의 형태를 갖는다. 다차원 형태의 데이터는 비교연산이 용이하지 않기 때문에, 본 발명에서는 다차원 데이터의 차원을 감소시켜 단순화한다(S12).

단순화

도 4는 본 발명의 일 실시예에 따라 제1모델과 제2모델을 단순화하여 맵으로 구성한 것으로 도식화한 것이다. 도 4에서는 다차원의 모델을 2차원의 데이터로 단순화시킨 것을 도시하였다.

전술한 수학교육 목적의 기능성 게임을 예시로 든다면, 평가모델의 공간 축들은 각 단원의 기준이 되는 학습요소(예, 합연산, 곱연산, 1차방정식, 1차미분 등)들이다. 이 학습요소들 간에 투영된 데이터의 손실을 최소로 하는 것을 충족시키는 범위 내에서 서로 하나의 축으로 통합되고 전체적으로는 차원 축소가 일어나게 된다.

차원을 감소하는 것은 정보의 손실을 최소화하면서도 효율적인 계산 복잡도를 유지하기 위한 것으로, 성능이 입증된 저차수변환 알고리즘 예컨대, PCA(Principal Component Analysis), CCA(Curvilinear Component Analysis) 등의 알고리즘을 통해 수행한다.

예컨대, CCA 알고리즘의 경우 전체적 데이터의 경향보다 지역적 정보의 손실 을 최소화하는 것에 초점이 맞춰진 알고리즘이므로 본 발명에 적용하기에 매우 적합하다고 볼 수 있다.

물론, 다른 차수 감소 알고리즘을 사용할 수도 있다. 이러한 차원감소를 통해 가공된 제1모델과 제2모델의 데이터를 각각 사용자정보 맵과 목표정보 맵이라 부르기로 한다.

차원 감소는 2차원까지 감소하는 것이 바람직하다. 이 경우, 2차원의 한 점은 그것의 위치값(x좌표, y좌표)과 변수자체가 저장하는 자체값을 통해 여러 기준 속성을 내포하게 된다.

맵 비교

단순화 작업 후에는 두 맵을 비교하여 유사점과 차이점을 추출한다(S13).

개인의 정보가 개별적으로 존재할 경우에는 사람에 의한 수동분석만이 가능하지만, 본 발명에서는 동일 규격의 공간에 투영됨으로써 비교측정이 가능해진다. 또한, 저차원으로 변환된 사용자정보 맵과 목표정보 맵은 고차원의 상태보다 상대적으로 적은 계산량을 통해 비교 연산이 가능해진다.

우선, 양 맵으로부터 그래프의 변화도를 기준으로 차이값이 높은 곳을 중심으로 특징점 위치를 정한다. 각 맵에서 각 위치에서의 변화 에너지의 양과 그 방향을 측정할 수 있다. 이렇게 도출된 특징점으로부터 두 맵을 비교하여 유사포인트를 찾게 된다. 유사포인트를 먼저 찾는 이유는 둘 다 보유한 공통된 속성에 대한 것보다는 불일치 되는 요소들을 고려한 학습 과정을 도출하기 위함이다.

구체적으로, 두 맵을 비교하기 위해 기준 비교단위를 설정한다. 예컨대, 3*3 총 9개의 픽셀을 하나의 블록 단위로 설정할 수 있다. 여기서, 블록의 크기는 더 크게 설정할 수 있으나, 블록의 크기가 커질수록 맵이 단순화되기 때문에 적정한 크기를 설정하는 것이 좋다.

다음으로, 비교 후보군을 선택하게 된다. 예컨대, 블록의 각각 맵의 가로 세로 방향으로 마스크하여 블록의 가운데 픽셀과 주변 픽셀들 간의 차이값을 구하고 절대값을 취한 뒤 최대값을 선택한다. 이때, 중심 픽셀을 기준으로 한 방향 정보도 함께 저장한다. 그리고, 전체 맵에서 각 블록별 최대치가 전체 분포에서 임계치보다 작은 것은 제거한다. 여기서, 임계치는 경우에 따라 달리 설정할 수 있으며, 예컨대, 상위 10%를 기준으로 정할 수 있다.

다음으로, 유사 포인트를 매칭하는데, 두 개의 맵을 비교 후보군들의 절대값과 방향값을 고려하여 유사 포인트끼리 매칭시킨다.

개인화된 최적학습경로 생성

매칭 후, 개인화된 최적학습경로를 생성한다(S14). 도 5는 두 맵의 비교를 통해 개인화된 최적학습경로를 생성하는 것을 도식화한 그림이다.

사용자정보 맵과 목표정보 맵은 각각 학습경로의 시작과 끝을 의미한다. 두 맵에서 계산된 유사 포인트는 시작과 끝 사이의 중간과정을 도출하는 기준이 된다. 즉, 본 단계에서는 사용자정보 맵이 목표정보 맵과 거의 동일해질 수 있는 형태까지의 변화과정을 추적하는 과정이다.

본 발명에서는 중간경로를 생성하기 위한 것으로 "Shape Transformation" 알고리즘을 적용할 수 있다. 이 알고리즘은 컴퓨터 그래픽스 분야에서 상이한 두 물체 간의 최적의 변화 과정을 도출하기 위해 사용되는 것으로, 본 발명의 변화과정 추적에 적합하다.

중간경로가 생성되면, 중간경로 각 단계에 적합한 학습 데이터들을 수집하여 하나의 개인화된 최적학습경로를 생성한다. 예컨대, 중간경로의 각 단계는 그 단계를 넘어가기 위해 요구되는 학습 결과 데이터가 있을 것이다. 본 발명에서는 이에 적합한 교육 데이터들을 일괄 수집하여 하나의 개인화된 학습 경로를 생성하게 된다. 여기서, 개인화된 학습경로 생성은 사용자정보 맵에 의해 중간 학습단계의 길이나 학습순서의 차이를 나타낼 수 있다.

도 5를 보면, 사용자정보 맵과 목표정보 맵 사이에 4개의 중간경로(학습경로)가 생성된 것을 볼 수 있다. 여기서, 중간경로를 생성하기 위한 변화과정의 추적은 최단 거리의 과정이 나오는 최단 변화 단계를 찾는 것이 바람직하지만, 다른 기준이 있다면 그 기준을 적용할 수도 있다.

이와 같은 과정을 거쳐 기능성 게임에 필요한 최소 기능요소들과의 조건충족 결과 계산을 통해 최적 학습경로를 생성하면, 사용자에게 개인화된 최적학습경로를 학습에 제공한다(S15).

사용자는 자신에게 맞춰진 개인화된 학습경로를 통해 기능성 게임의 학습 경로 안의 모든 과정을 학습하게 되고, 각 학습경로에서 발생되는 학습 결과데이터가 임시사용자정보로 누적 저장된다. 사용자가 이 학습경로를 전부 학습하게 되면, 최단거리로 목표정보에 이를 수 있게 된다.

최적학습경로 갱신

본 발명에서는 각 단계에서의 사용자의 학습결과데이터에 기초하여 사용자에게 제공된 학습경로가 적합한지 여부를 평가한다(S16). 사용자의 결과데이터가 각 단계별로 요구되는 임계치를 벗어나면 사용자가 생성한 최적학습경로를 제대로 따라가지 못하고 있다는 것이므로, 학습경로를 수정할 필요가 있다. 여기서, 임계치는 각 게임별로 지정된 적정한 오차범위에 따라 달리 설정될 수 있다.

구체적으로, 본 발명에서는 각 단계에서 사용자의 학습결과데이터가 임계치를 벗어나게 되면(S16), 학습결과데이터에 기초하여 사용자정보를 갱신한다(S17). 그리고, 갱신된 사용자정보를 평가모델에 투영, 단순화를 통해 사용자정보 맵을 갱신한 후, 목표정보 맵과의 비교 과정을 거쳐 개인화된 최적학습경로를 새롭게 생성하게 된다(S17,S12~S14). 학습이 종료되기 전까지(S18), 사용자가 개인화된 학습경로를 모두 수행하기 전까지 일련의 과정은 반복하여 수행된다.

본 발명에서는 초기의 사용자정보 및 학습상태 데이터를 고유공간을 기준으로 이산화함으로써 이를 통해 개인화 학습경로를 생성하는 동시에 단계별 학습상태의 측정을 자동으로 실행할 수 있다. 여기서, 학습상태는 개인 간의 차이에 의해 발생하는 변화성을 지닌 요소이므로 각 단계별로 숙련상태와의 임계치 비교를 통해 학습경로를 갱신하게 된다.

이와 같이, 본 발명에 따르면 현재 개인의 상태를 고려하여 개인화된 학습경로를 자동으로 생성하고, 학습상태를 중간에 점검하여 이를 기초로 현재의 상태를 자동으로 분석할 수 있어, 기능성 게임을 통해 개인의 특색에 맞게 학습하는데 효과적이다.

또한, 본 발명은 표준화된 평가기준을 제시할 뿐만 아니라 사용자의 데이터를 평가모델의 투영을 통해 학습능력을 측정할 수 있게 해 준다. 이러한 학습능력 측정은 산술화된 수치의 측정만이 아니라, 학습의 숙련정보, 숙련에 요구되는 시간 및 과정을 예측할 수 있음을 의미한다. 본 발명의 이러한 효과는 기능성 게임을 다양한 분야게 적용하게 하는 핵심 요소가 될 것이다.

본 발명은 특히 기업체의 직업 교육 및 효율적인 인적 자원 관리를 체계적으로 진행할 수 있게 하므로 인적 자원에 대한 활용목적, 예측, 그룹핑 등을 가능하게 해 준다.

한편, 본 발명의 다른 실시예에 따르면, 도 1에서 목표정보를 평가모델에 투영하여 목표모델을 생성하는 것을 우선 수행하여 이를 저장한 후, 각 사용자에 대해 이를 목표모델로 적용하여 학습경로를 생성하도록 할 수도 있을 것이다.

전술한 본 발명은 기능성 게임에 범용으로 적용할 수 있는 소프트웨어 알고리즘으로 구현 가능하며, 해당 알고리즘이 저장된 메모리, 해당 알고리즘이 실행되는 프로세서 등을 포함하는 장치에 의해서도 구현 가능하다.

특히, 본 발명은 기능성 게임을 지원하는 게임기, 핸드폰, PDA 및 PC 등 다양한 기기들에 적용될 수 있다.

비록 본 발명의 몇몇 실시예들이 도시되고 설명되었지만, 본 발명이 속하는 기술분야의 통상의 지식을 가진 당업자라면 본 발명의 원칙이나 정신에서 벗어나지 않으면서 본 실시예를 변형할 수 있음을 알 수 있을 것이다. 발명의 범위는 첨부된 청구항과 그 균등물에 의해 정해질 것이다.

도 1은 본 발명의 일 실시예에 따른 기능성 게임의 개인화된 학습경로 생성방법을 설명하기 위한 흐름도이다.

도 2는 본 발명의 일 실시예에 따른 평가모델 생성과정을 개념적으로 도시한 그림이다.

도 3은 본 발명의 일 실시예에 따라 사용자정보와 목표정보를 평가모델에 투영하는 것을 도식화한 것이다.

도 4는 본 발명의 일 실시예에 따라 제1모델과 제2모델을 단순화하여 맵으로 구성한 것으로 도식화한 것이다.

도 5는 두 맵의 비교를 통해 개인화된 최적학습경로를 생성하는 것을 도식화한 그림이다.

Claims (8)

1. 기능성 게임의 개인화된 학습경로 생성방법에 있어서,

   (a) 기능성 게임을 지원하는 게임기가 상기 기능성 게임에 요청되는 학습요소 및 상기 학습요소 간의 관계에 기초하여 학습능력에 관한 다차원의 평가모델을 생성하는 단계;

   (b) 상기 게임기가 사용자정보와 목표정보를 상기 평가모델에 투영하는 단계;

   (c) 상기 게임기가 상기 사용자정보가 투영된 제1모델과 상기 목표정보가 투영된 제2모델을 차원감소시켜 단순화하는 단계;

   (d) 상기 게임기가 단순화된 상기 제1모델과 상기 제2모델을 비교하는 단계;

   (e) 상기 게임기가 상기 제1모델과 상기 제2모델 사이의 중간변화과정을 추적하여 개인화된 다단계의 최적학습경로를 생성하는 단계; 및

   (f) 상기 게임기가 상기 최적학습경로에 따른 데이터를 제공하여 학습을 수행하도록 하는 단계를 포함하는 것을 특징으로 하는 기능성 게임의 개인화된 학습경로 생성방법.
2. 제1항에 있어서,

   상기 기능성 게임의 개인화된 학습경로 생성방법은,

   (g) 상기 게임기가 상기 학습을 수행한 결과데이터가 임계범위를 벗어난 경우 상기 결과데이터를 상기 사용자정보에 업데이트하여 상기 평가모델에 투영한 후 상기 (c) 단계 내지 상기 (f) 단계를 다시 수행하여 상기 최적학습경로를 갱신하는 단계를 더 포함하는 것을 특징으로 하는 기능성 게임의 개인화된 학습경로 생성방법.
3. 삭제
4. 제1항에 있어서,

   상기 사용자정보는 상기 사용자의 신체능력정보 및 환경정보를 포함하는 것을 특징으로 하는 기능성 게임의 개인화된 학습경로 생성방법.
5. 제1항에 있어서,

   상기 (c) 단계는 PCA(Principal Component Analysis) 또는 CCA(Curvilinear Component Analysis)의 저차수변환 방법을 이용하여 저차원으로 변환하는 것을 특징으로 하는 기능성 게임의 개인화된 학습경로 생성방법.
6. 제1항에 있어서,

   상기 (d) 단계는 상기 게임기가 상기 제1모델과 상기 제2모델 각각에서 특징점의 위치를 결정하는 단계; 및

   상기 게임기가 상기 특징점의 위치에서 변화 에너지의 양과 방향을 측정하여 두 모델 간의 유사포인트를 매칭하는 단계를 포함하는 것을 특징으로 하는 기능성 게임의 개인화된 학습경로 생성방법.
7. 제6항에 있어서,

   상기 (e) 단계는 상기 유사포인트를 기준으로 상기 제1모델과 상기 제2모델 사이의 상기 중간변화과정을 추적하는 것을 특징으로 하는 기능성 게임의 개인화된 학습경로 생성방법.
8. 기능성 게임의 개인화된 학습경로 생성방법에 있어서,

   (a) 기능성 게임을 지원하는 게임기가 기능성 게임에 요청되는 학습요소 및 상기 학습요소 간의 관계에 기초하여 학습능력에 관한 다차원의 평가모델을 생성하는 단계;

   (b) 상기 게임기가 목표학습능력에 관한 목표정보를 상기 평가모델에 투영하여 목표모델을 생성하는 단계;

   (c) 상기 게임기가 사용자정보를 상기 평가모델에 투영하여 사용자모델을 생성하는 단계;

   (d) 상기 게임기가 상기 목표모델과 상기 사용자모델을 단순화시켜 각각 목표맵과 사용자맵으로 생성하는 단계;

   (e) 상기 게임기가 상기 목표맵과 상기 사용자맵을 비교하는 단계;

   (f) 상기 게임기가 상기 사용자맵에서 상기 목표맵에 이르는 중간변화과정을 추적하여 개인화된 다단계의 최적학습경로를 생성하는 단계; 및

   (g) 상기 게임기가 상기 최적학습경로에 따른 데이터를 제공하여 학습을 수행하도록 하는 단계를 포함하는 것을 특징으로 하는 기능성 게임의 개인화된 학습경로 생성방법.

Images