KR101291333B1

KR101291333B1 - learning system based on game dynamics and method for the same

Info

Publication number: KR101291333B1
Application number: KR1020110056176A
Authority: KR
Inventors: 조민희
Original assignee: (주) 프라이스톤스
Priority date: 2011-06-10
Filing date: 2011-06-10
Publication date: 2013-07-30
Also published as: KR20120136948A

Abstract

컴퓨터를 이용하는 학습 시스템이 제시된다. 제시된 학습 시스템은 미리 정해진 보상(appointed reward), 성과의 측정 가능성(measurable achievement), 자기 과시(show off)와 같은 게임 동특성(game dynamics)을 학습에 적용한다. 이를 위해 학습 이벤트에 계량화된 평가를 적용하고, 학습 진척도를 정량화된 수치로 목표치와 대비하여 실시간으로 갱신하여 표시한다. 또한 목표하는 성과를 달성하였을 경우 제공되는 보상을 명확히 하고, 보상을 받기 위해서는 어느 정도 학습을 진행하여야 할지 정량화시켜 제시한다. 또 학습 면에서 동일한 관심사를 가진 그룹 내 학습 참가자들이 성과를 공유하거나 성과 산출을 연대하는 것을 통해 협업하도록 유도함으로서 학습 효과를 높인다.
A learning system using a computer is presented. The presented learning system applies game dynamics to learning, such as appointed rewards, measurable achievements, and show off. To this end, quantified assessments are applied to learning events, and the progress of learning is quantified and displayed in real-time against the target. It also clarifies the rewards provided when the target outcomes are achieved, and quantifies and suggests how much learning should be conducted to receive the rewards. It also enhances learning by encouraging learners in groups with the same interests in learning to collaborate through sharing outcomes or solidifying outcomes.

Description

Learning system based on game dynamics and method for the same

본 발명은 학습 기술에 관련한 것으로, 특히 컴퓨터를 이용하는 학습 시스템에 관한 것이다.TECHNICAL FIELD The present invention relates to learning technology, and more particularly, to a learning system using a computer.

사회학자들은 많은 사람들이 게임에 중독될 정도로 게임이 매력적인 이유에 대해 분석하였다. 이러한 게임의 특성들은 흔히 게임 동특성(game dynamics)이라고 불린다. 게임 동특성 중에 하나는 미리 정해진 보상(appointed reward)이다. 일정한 게임 포인트를 쌓아올린 참가자는 사회적인 지위나 특별한 아이템을 획득할 것이 확정되어 있다. 게임은 이러한 확정된 보상이 있기 때문에 게이머는 시간과 노력을 투입하게 된다. 또다른 동특성 중에 성과의 측정 가능성(measurable achievement)이 있다. 현실 세계와는 달리 실시간으로 측정 가능한 성과들은 사이버 게임 공간을 매력적인 것으로 만든다. 또 동특성 중에 자기 과시(show off)가 있다. 이러한 성과들은 사이버 공간 상에서 참가하는 게임 참가자들에게 모두 공개되기 때문에 더 높은 성과를 달성하기 위해 노력하게 된다. Sociologists have analyzed why games are so attractive that many people are addicted to them. These game characteristics are often called game dynamics. One of the game dynamics is a predetermined reward. Participants who have accumulated certain game points are determined to obtain social status or special items. Games have this determined reward, so gamers spend their time and effort. Another dynamic is measurable achievement. Unlike the real world, real-time measurable achievements make cybergame spaces attractive. Another dynamic feature is show off. Since these achievements are open to all game participants participating in cyberspace, they will strive to achieve higher outcomes.

이러한 게임에 비해 컴퓨터를 이용한 학습은 참여자들에게 중독성을 불러 일으키는 경우가 드물다.
Compared to such games, computer learning rarely adds addictiveness to participants.

게임 동특성을 반영한 새로운 학습 시스템이 제안된다. 제시된 학습 시스템은 학습에 대한 동기를 유발하고 학습 행동을 지속하도록 유인을 제시함으로써 학습 효과를 높인다. A new learning system that reflects game dynamics is proposed. The proposed learning system enhances the learning effect by suggesting incentives to motivate learning and continue learning behavior.

또한 학습 면에서 동일한 관심사를 가진 그룹 내 학습 참가자들의 협업과 연대감을 통해 학습 효과를 높인다.
In addition, the learning effect is enhanced through collaboration and solidarity among learning participants in the group who have the same interests in learning.

제시된 학습 시스템은 학습 이벤트에 계량화된 평가를 적용하고, 학습 진척도를 정량화된 수치로 목표치와 대비하여 실시간으로 갱신하여 표시한다.The proposed learning system applies quantified assessments to learning events and updates and displays learning progress in real time against quantitative figures.

또한 목표하는 성과를 달성하였을 경우 제공되는 보상을 명확히 하고, 보상을 받기 위해서는 어느 정도 학습을 진행하여야 할지 정량화시켜 제시한다. It also clarifies the rewards provided when the target outcomes are achieved, and quantifies and suggests how much learning should be conducted to receive the rewards.

또 학습 면에서 동일한 관심사를 가진 그룹 내 학습 참가자들이 성과를 공유하거나 성과 산출을 연대하는 것을 통해 협업하도록 유도함으로서 학습 효과를 높인다.
It also enhances learning by encouraging learners in groups with the same interests in learning to collaborate through sharing outcomes or solidifying outcomes.

학습 진척도가 정량화된 수치로 평가되어 학습 행동에 대한 평가가 객관화된다. 또한 실시간으로 학습 진척도가 보상을 받기 위해 달성해야 하는 성과 목표치와 함께 대비되어 제시됨으로써 지속적인 학습 행동에 대한 유인이 제공된다. 그룹 내 학습 참가자들의 계량화된 학습 진척도가 게시됨으로써 경쟁과 자기 과시 욕구가 만족되고 이에 따라 학습 동기가 제공된다. 그룹 간의 경쟁을 통해 그룹 내 학습 참가자들은 연대감을 갖게 되고 학습에 있어서 협업을 가능하게 한다.
Learning progress is assessed as a quantified figure, and assessment of learning behavior is objectified. In addition, real-time learning progress is presented along with performance targets that must be achieved to be rewarded, providing incentives for continuous learning behavior. The quantitative progress of learning in the group is posted so that competition and self-discipline needs are met, thereby providing learning motivation. Competition between groups creates a sense of solidarity among learning participants in the group and enables collaboration in learning.

도 1은 일 실시예에 따른 학습 시스템이 적용되는 전체 시스템의 개략적인 구성을 도시한다.
도 2는 일 실시예에 따른 학습 시스템의 전체적인 구성을 개략적으로 도시한다.
도 3a는 클라이언트 단말기에 표시되는 화면 레이아웃의 한 예를 도시한다.
도 3b는 클라이언트 단말기에 표시되는 화면 레이아웃의 또다른 예를 도시한다.
도 4는 일 실시예에 따른 컴퓨터에서 실행 가능한 프로그램으로 구현된 학습 방법을 개략적으로 도시한 흐름도이다.1 illustrates a schematic configuration of an entire system to which a learning system according to an embodiment is applied.
2 schematically illustrates an overall configuration of a learning system according to an embodiment.
3A shows an example of the screen layout displayed on the client terminal.
3B shows another example of the screen layout displayed on the client terminal.
4 is a flowchart schematically illustrating a learning method implemented as a program executable on a computer, according to an exemplary embodiment.

전술한, 그리고 추가적인 발명의 양상들은 후술하는 실시예들을 통해 더욱 명확해질 것이다. 이하, 첨부된 도면을 참조하여 기술되는 실시예들을 통해 본 발명을 당업자가 용이하게 이해하고 재현할 수 있도록 상세히 기술하기로 한다.The foregoing and further aspects of the invention will become apparent from the following examples. Hereinafter, the present invention will be described in detail with reference to the accompanying drawings so that those skilled in the art can easily understand and reproduce the present invention.

관련된 공지 기능 또는 구성에 대한 구체적인 설명이 요지를 불필요하게 흐릴 수 있다고 보여지는 경우에는 생략될 것이다. 또 명세서 전반에 걸쳐 사용되는 용어들은 발명이나 실시예에서 해당 구성의 기능이나 형상, 결합 관계 등을 고려하여 선택된 용어들로, 명확한 정의가 제시되지 않은 경우에 그 의미는 일반적인 단어의 의미나 명세서 기재 전반을 기초로 해석된다. Detailed descriptions of related known functions or configurations will be omitted when they are shown to unnecessarily obscure the subject matter. In addition, terms used throughout the specification are terms selected in consideration of a function, a shape, a coupling relationship, etc. of a corresponding structure in the invention or the embodiment. When a clear definition is not given, the meaning is a meaning of a general word or a description. Interpreted on the basis of first half.

도 1은 일 실시예에 따른 학습 시스템이 적용되는 전체 시스템의 개략적인 구성을 도시한다. 일 실시예에 따른 학습 시스템(10)은 하나 혹은 다수의 서버 컴퓨터에 구현된다. 이 학습 시스템은 네트워크(30)에 연결된다. 네트워크(30)는 유선 인터넷, 무선 인터넷 혹은 이 둘의 복합 네트워크일 수 있다. 학습 참가자의 클라이언트는 네트워크를 통해 학습 시스템(10)에 접속된다. 1 illustrates a schematic configuration of an entire system to which a learning system according to an embodiment is applied. Learning system 10 according to one embodiment is implemented in one or more server computers. This learning system is connected to the network 30. The network 30 may be a wired internet, a wireless internet, or a combination of both. The client of the learning participant is connected to the learning system 10 via a network.

일 실시예에 있어서, 학습 시스템(10)은 학습 참가자들의 클라이언트들을 그룹들(50,70)로 나누어 관리한다. 학습 참가자들의 클라이언트들(51,53,55,57, 71,73,75)은 개인용 컴퓨터(57)일 수도 있고, 스마트폰과 같은 이동통신 단말기들(53,55,71,73,75)일 수 있다. In one embodiment, the learning system 10 divides and manages the clients of the learning participants into groups 50 and 70. The clients 51, 53, 55, 57, 71, 73, 75 of the learning participants may be personal computers 57 or mobile communication terminals 53, 55, 71, 73, 75, such as smartphones. Can be.

일 실시예에 있어서 각 학습 참가자들은 정량화된 학습 성과가 타 학습 참가자들의 학습 성과와 함께 표시된 화면을 통해 학습 컨텐츠를 제공받고 학습을 진행한다. 각 학습 그룹(50,70) 내의 학습 참가자들간에 메신저를 통해 통신이 가능하다. 일 실시예에 있어서, 학습 참가자들은 그룹의 성과에 연대하여 개인의 성과를 부여받고 그에 따른 보상을 받을 수 있다. 학습 참가자들은 공동의 학습 성과를 달성하기 위해 상호간에 협업할 수 있다. In one embodiment, each learning participant is provided with learning contents through a screen in which quantified learning results are displayed along with learning outcomes of other learning participants, and proceed with learning. Communication between learning participants in each learning group 50, 70 is possible through a messenger. In one embodiment, the learning participants may be given personal rewards and rewards according to the group's performance. Participants can collaborate with each other to achieve joint learning outcomes.

도 2는 일 실시예에 따른 학습 시스템의 전체적인 구성을 개략적으로 도시한다. 도면을 참조하여 일 실시예에 따른 학습 시스템 및 학습 방법을 설명한다. 도시된 바와 같이, 학습 시스템은 각종 데이터베이스들(910,930,950,970)과, 학습 처리부(100), 학습 관리부(300)를 포함하여 구성될 수 있다. 도 2에서 각 블럭으로 표시된 구성들은 컴퓨터의 프로세서에 의해 실행되며, 메모리에 저장되는 프로그램 코드로 구현된다. 2 schematically illustrates an overall configuration of a learning system according to an embodiment. A learning system and a learning method according to an embodiment will be described with reference to the drawings. As shown, the learning system may include various databases 910, 930, 950, and 970, a learning processor 100, and a learning manager 300. Components shown in each block in FIG. 2 are executed by a processor of a computer and are implemented by program code stored in a memory.

학습 컨텐츠 데이터베이스(910)는 학습 컨텐츠를 저장한다. 이러한 학습 컨텐츠는 관리자에 의해, 또는 학습 참가자에 의해 갱신될 수 있다. 학습 컨텐츠 데이터베이스(910)는 각각의 학습 컨텐츠에 포함된 오브젝트에 대해 학습 이벤트별로 부여된 목표 포인트를 정의할 수 있다. 예를 들어 영어 학습의 경우 학습 컨텐츠는 한편의 영문 에세이일 수 있다. 오브젝트는 영문 에세이의 문장을 구성하는 단어일 수 있다. 또다른 예로 수학 과목의 학습인 경우 학습 컨텐츠는 수학적인 이론의 설명과 관련 문제들이 정리된 단원별 컨텐츠일 수 있다. 이 경우 오브젝트는 하나의 수학적 정의, 수학적 성질일 수 있다. The learning content database 910 stores learning content. Such learning content may be updated by an administrator or by a learning participant. The learning content database 910 may define a target point assigned to each learning event for an object included in each learning content. For example, in the case of learning English, the learning content may be an English essay. The object may be a word constituting a sentence of an English essay. As another example, in the case of learning mathematics, the learning content may be unit content in which explanation of mathematical theory and related problems are arranged. In this case, the object may be a mathematical definition, a mathematical property.

학습 이벤트는 학습 참가자의 학습 행동을 특성별로 구분한 것이다. 예를 들어 영어 학습의 경우 학습 이벤트는 오브젝트인 단어의 읽기, 쓰기, 말하기 이벤트들이 될 수 있다. 또다른 예로 수학 학습의 경우 수학적 성질의 읽기, 쓰기, 말하기, 관련 문제 풀기가 될 수 있다. 일 양상에 따르면, 각각의 학습 컨텐츠에 포함된 오브젝트에 대해 학습 이벤트별로 부여된 목표 포인트를 정의할 수 있다. 예를 들어 아래에 3개의 단어에 대해 학습 이벤트별로 부여된 목표 포인트의 정의를 예시한다. A learning event is a breakdown of learning participants' learning behaviors by characteristics. For example, in the case of learning English, a learning event may be reading, writing, or speaking events of an object word. In another example, mathematics learning can be reading, writing, speaking, or solving problems with mathematical properties. According to an aspect, a target point granted for each learning event may be defined for an object included in each learning content. For example, the definition of the target points given for each learning event for the three words below.

(학습 이벤트별 학습 목표 포인트의 정의)(Definition of learning target point according to learning event) 오브젝트Object 읽기read 말하기speaking 쓰기writing aquariumaquarium 1010 77 33 insomniainsomnia 1010 33 33 hibernationhibernation 1010 33 55

위 표에 따르면, 'insomnia'란 단어는 읽기 10회,말하기 3회, 쓰기 3회를 마치면 학습의 한 단계가 완료되는 것으로 목표 포인트가 정의된다. According to the table above, the word 'insomnia' is defined as a goal point that completes one step of learning after completing 10 readings, 3 talking and 3 writings.

학습 처리부(100)는 할당된 컨텐츠를 학습 참가자에게 제공하고 학습 컨텐츠에 포함된 오브젝트에 대해 학습 참가자가 반응하는 학습 이벤트의 로그를 관리하면서 학습을 진행한다. 일 실시예에 있어서 학습 처리부(100)는 학습 참가자에게 할당된 컨텐츠를 제공하는 컨텐츠 제공부(110)를 포함한다. 학습계획 데이터베이스(970)는 학습 참가자별로 학습 스케쥴 및 각 스케쥴별 학습 컨텐츠를 관리한다. 학습 계획 데이터베이스(970)로부터 학습 참가자가 다음에 학습할 컨텐츠를 선택할 수 있다. 학습 컨텐츠의 할당은 관리자가 입력할 수도 있고, 학습 경과나 컨텐츠의 특성을 분석하여 자동으로 할당되도록 할 수도 있다. The learning processor 100 performs the learning while providing the assigned content to the learning participant and managing a log of the learning event in which the learning participant responds to the object included in the learning content. In one embodiment, the learning processing unit 100 includes a content providing unit 110 for providing content assigned to a learning participant. The learning plan database 970 manages a learning schedule for each learning participant and learning content for each schedule. From the lesson plan database 970, a learning participant can select content to learn next. The assignment of learning content may be input by an administrator, or may be automatically assigned by analyzing learning progress or characteristics of the content.

추가적으로 학습 처리부(100)는 컨텐츠에 대한 학습 이벤트가 입력되면 해당 이벤트가 발생한 컨텐츠 부분에서 오브젝트를 식별하는 오브젝트 식별부(130)와, 식별된 오브젝트에 대해 발생한 학습 이벤트의 로그를 저장하는 로그 관리부(150)를 포함할 수 있다. In addition, when the learning event for the content is input, the learning processing unit 100 may include an object identification unit 130 that identifies an object in a content portion in which the corresponding event occurs, and a log management unit that stores a log of the learning event generated for the identified object ( 150).

일 실시예로 영어 학습에 있어서, 오브젝트 식별부(130)는 포터 스테밍(Porter Stemming)을 통해 오브젝트를 식별한다. 문장에 있어서 스테밍(stemming)은 정보처리에서 파생어들을 기본형 혹은 원형으로 매핑하는 과정이다. 스테밍을 통해 메모리 저장공간이 절약될 뿐 아니라 검색 속도도 빨라진다. 스테밍은 파생어 혹은 관련어를 유일한 단어로 매핑시키면 족하고, 그 유일한 단어가 반드시 기본형 혹은 원형일 필요는 없다. 그러나 본 발명은 이에 한정되지 않으며, 다양한 스테밍 알고리즘 중 하나가 될 수 있다. 한글의 경우 최단 경로법을 이용한 형태소 분석이 적용될 수 있다. 또다른 예로 수학 학습의 경우 오브젝트 식별부(130)는 하나의 학습 단위가 될 수 있는 수학적 성질을 구별하는 과정일 수 있다. In one embodiment, in English learning, the object identification unit 130 identifies the object through porter stemming. Stemming in sentences is the process of mapping derivatives to primitives or prototypes in information processing. Stemming not only saves memory space, but also speeds up searches. Stemming is enough to map derivatives or related words to unique words, and those unique words do not necessarily have to be primitive or prototype. However, the present invention is not limited thereto and may be one of various stemming algorithms. For Hangul, morphological analysis using the shortest path method can be applied. As another example, in the case of mathematics learning, the object identification unit 130 may be a process of distinguishing mathematical properties that may be one learning unit.

로그 관리부(150)는 오브젝트 식별부(130)에서 식별된 오브젝트별로 학습 이벤트의 로그를 저장한다. 학습 참가자 및 이벤트가 발생한 시각 정보가 오브젝트별로 저장된다. The log manager 150 stores a log of the learning event for each object identified by the object identifier 130. The learner participant and the time at which the event occurred are stored for each object.

또다른 실시예에 있어서, 학습 관리부(300)는 학습 이벤트의 로그를 분석하여 오브젝트에 대해 학습 이벤트별 목표 학습 포인트가 달성되었는지를 체크함으로써 학습 성과를 정량적으로 평가하는 진척 관리부(310)를 포함할 수 있다. 학습 성과는 각 단계별로 산정될 수 있다. 해당 학습 단계의 학습 목표 포인트가 달성된 오브젝트들을 조사하여, 더 이상 학습할 오브젝트가 없다면 해당 단계의 학습이 완료될 수 있다. 그러나 컨텐츠별로 학습 성과를 산정할 수도 있다. 해당 컨텐츠에 포함된 모든 오브젝트들에 대해 목표 학습 포인트가 달성되면 그 컨텐츠는 해당 단계의 학습이 완료된 것으로 처리될 수 있다.
In another embodiment, the learning management unit 300 may include a progress management unit 310 for analyzing the log of the learning event to check whether the target learning point for each learning event has been achieved for the object to quantitatively evaluate the learning outcome. Can be. Learning outcomes can be estimated at each level. The objects of which the learning target points of the corresponding learning step are achieved may be examined, and if the object is no longer to be learned, the learning of the corresponding step may be completed. However, you can also calculate learning outcomes by content. When the target learning point is achieved for all objects included in the content, the content may be treated as having completed the learning of the corresponding step.

(학습 이벤트별 학습 목표 포인트 및 현재 학습 포인트)(Learning goal point and current learning point by learning event) 읽기read 말하기speaking 쓰기writing 오브젝트Object 목표goal 획득Obtain 목표goal 획득Obtain 목표goal 획득Obtain aquariumaquarium 1010 99 77 77 33 3232 insomniainsomnia 1010 88 33 33 33 44 hibernationhibernation 1010 1010 33 22 55 44

또다른 실시예에 있어서, 학습 관리부(300)는 진척 관리부(310)에서 평가된 성과에 따라 학습 참가자에게 보상을 처리하는 학습 보상부(330)를 더 포함할 수 있다. 보상은 예를 들면 학습 참가자의 아바타에 부여되는 특별한 악세서리일 수 있다. 또다른 예로 보상은 그룹에 속한 타 학습 참가자들의 화면에 리스트되는 최고 득점 랭킹에 등재되는 처리일 수 있다. In another embodiment, the learning management unit 300 may further include a learning compensation unit 330 for processing a reward to the learning participant according to the outcome evaluated by the progress management unit 310. The reward can be, for example, a special accessory conferred on the learner's avatar. As another example, the reward may be a process that is registered in the highest scoring ranking listed on the screen of other learning participants in the group.

또다른 실시예에 따른 학습 시스템은 학습 참가자의 클라이언트에서 학습 처리부의 학습 컨텐츠 제공과 학습 이벤트 체크가 이루어지는 학습 진행구획(710)과, 진척관리부(310)에서 계산되는 자신의 현재 학습 성과치와, 선택적으로 그룹 내 타 학습 참가자의 학습 성과치 및 학습 보상부에서 보상이 주어지는 학습 성과 목표치가 표시되는 성과 표시 구획(730, 750)의 표시 및 입력을 처리하는 유저 인터페이스부(700)를 더 포함할 수 있다. The learning system according to another embodiment includes a learning progress block 710 in which learning content providing and learning event check are performed in a client of a learning participant, and a current learning result value calculated by the progress management unit 310, Optionally, the user interface unit 700 may further include a user interface unit 700 for processing the display and input of the performance display sections 730 and 750 in which the learning performance targets of other learning participants in the group and the learning performance target values to which the reward is given in the learning reward unit are displayed. Can be.

도 3a는 클라이언트 단말기에 표시되는 화면 레이아웃의 한 예를 도시한다. 학습 진행 구획(710)은 학습 컨텐츠가 표시되고, 예를 들면 그 컨텐츠에서 학습하는 단어들을 클릭함으로써 읽기 학습 이벤트가 인식되는 영역이다. 구획(730)은 현재 컨텐츠에서 목표 학습 오브젝트 수가 40개인데, 학습 참가자가 현재 학습한 오브젝트수가 32개임을 나타내고 있다. 또한 구획(750)은 그룹 내 학습 참가자들의 랭킹이다. 이 랭킹은 오브젝트들의 목표 학습 포인트를 달성하고 이를 통해 학습을 완료한 컨텐츠들에 따라 부여되는 스코어, 예를 들면 오브젝트들의 수에 따라 결정된다. 3A shows an example of the screen layout displayed on the client terminal. The learning progress section 710 is an area in which learning content is displayed, for example, a reading learning event is recognized by clicking words learned from the content. The partition 730 indicates that the number of target learning objects is 40 in the current content, and that the number of objects currently learned by the learning participant is 32. Section 750 is also a ranking of learning participants in the group. This ranking is determined according to the number of objects, for example, a score that is awarded according to the contents of achieving the target learning points of the objects and thereby completing the learning.

또다른 실시예에 따르면, 학습 보상부(330)는 그룹 내 학습 참가자들의 학습 성과치를 종합적으로 평가하여 그룹 내 학습 참가자들의 보상을 제공하는 그룹 보상부를 포함할 수 있다. 그룹 내 학습 참가자들의 성과를 상호간에 연대시킴으로써 그룹 내의 학습에 협조도를 높일 수 있다. 또한 그룹 간의 경쟁을 통해 유대감을 높이고 학습 의욕도 높일 수 있다. 이때, 유저 인터페이스부(700)는 추가로 자신이 속한 그룹의 종합 성과치 및 타 그룹의 종합 성과치의 표시를 제어할 수 있다. According to another exemplary embodiment, the learning reward unit 330 may include a group compensation unit that comprehensively evaluates learning outcomes of the learning participants in the group to provide compensation of the learning participants in the group. By collaborating with each other on the outcomes of the learning participants in the group, it is possible to increase cooperation in the learning in the group. In addition, competition among groups can increase bonds and increase motivation. In this case, the user interface 700 may further control the display of the comprehensive performance value of the group to which the user belongs and the comprehensive performance value of the other group.

도 3b는 클라이언트 단말기에 표시되는 화면 레이아웃의 또다른 예를 도시한다. 도 3a에 도시된 예에 비해, 그룹의 현재 종합 성과치 및 목표 종합 성과치를 표시한 화면 구획(740)이 추가되었다. 또 구획(750')은 그룹들의 평균 혹은 총합 스코어의 랭킹이다. 3B shows another example of the screen layout displayed on the client terminal. Compared to the example shown in FIG. 3A, a screen section 740 has been added that displays the group's current composite performance and target composite performance. Partition 750 'is also a ranking of the mean or total score of the groups.

또다른 실시예에 따른 학습 시스템은 그룹 내 학습 참가자들간의 메시지 송수신을 처리하는 그룹 메신저(710)를 더 포함할 수 있다. 그룹 메신저(710)는 동일한 그룹에 속한 학습 참가자들간에 안정적이고 지속적인 통신을 가능하게 한다. 그러나 여기에 한정되는 것은 아니며 타 그룹에 속한 학습 참가자들도 메신저의 상대방으로 등록되도록 할 수 있다. The learning system according to another exemplary embodiment may further include a group messenger 710 that processes message transmission and reception between learning participants in the group. The group messenger 710 enables stable and continuous communication between learning participants belonging to the same group. However, the present invention is not limited thereto, and learners belonging to other groups may be registered as counterparts of the messenger.

또다른 실시예에 따르면, 학습 시스템은 컨텐츠에 포함된 오브젝트들을 통해 컨텐츠 간의 유사도를 분석하고 그에 따라 유사한 컨텐츠를 추출하여 다음 학습 컨텐츠로 할당하는 컨텐츠 분석부(510)를 더 포함할 수 있다. 컨텐츠에 포함된 오브젝트들로부터 문서의 키워드들이 선택되고, 이들 키워드 중 문서들을 가장 잘 구별시키는 기저(base) 들이 선택된다. 이러한 기저들의 벡터공간(vector space)에서 각 문서들은 하나의 점으로 표시되고, 문서들간의 상관성은 거리 개념으로 표시될 수 있다. 이러한 데이터마이닝 분석을 통해 문서들간의 관련성이 계량화될 수 있고 관련성이 높은 컨텐츠들을 파악할 수 있다. 하나의 컨텐츠를 학습하고 나면, 그 학습 참가자에게 학습 완료한 컨텐츠와 적절한 관련성을 가진 컨텐츠를 할당할 수 있다. According to another embodiment, the learning system may further include a content analyzer 510 which analyzes the similarity between the contents through the objects included in the contents, and extracts the similar contents and assigns the similar contents to the next learning contents. Keywords of the document are selected from the objects included in the content, and the bases of the keywords that best distinguish the documents are selected. In the basis of the vector space, each document may be represented by a single point, and the correlation between the documents may be represented by a distance concept. Through this data mining analysis, the relevance between documents can be quantified and relevant contents can be identified. After learning one piece of content, the learning participant can be assigned content that is appropriately related to the completed content.

또다른 실시예에 따르면, 학습 시스템은 학습 참가자들이 오브젝트들에 대해 달성한 학습 이벤트들의 분포를 통해 학습 참가자들의 행동 패턴을 분석하여 비슷한 패턴을 가진 타 학습 참가자가 학습한 패턴에 따라 다음 학습 컨텐츠를 할당하는 행태 분석부(530)를 더 포함할 수 있다. 일 예에 있어서, 행태 분석부(530)는 학습 참가자들의 오브젝트들에 대한 학습 이벤트 반응횟수 행렬을 데이터 마이닝 기법을 통해 분석한다. 학습 참가자들이 획득한 학습 이벤트별/학습 참가자별/학습 오브젝트별 학습 포인트를 누적하여 행렬 형태로 표현할 수 있다. 예를 들어 학습 이벤트 중 '쓰기' 이벤트에 대해 이러한 행렬은 다음과 같이 표현될 수 있다. According to another embodiment, the learning system analyzes the behavioral patterns of the learning participants through the distribution of the learning events that the learning participants have achieved for the objects, and then applies the next learning content according to the learning patterns of other learning participants with similar patterns. The behavior analysis unit 530 may be further included. In one example, the behavior analyzer 530 analyzes the learning event response frequency matrix for the objects of the learning participants through a data mining technique. Learning points for each learning event / learning participant / learning object acquired by the learning participants may be accumulated and expressed in a matrix form. For example, for a 'write' event among learning events, such a matrix may be expressed as follows.

쓰기writing 오브젝트 1Object 1 오브젝트 2Object 2 오브젝트 3Object 3 오브젝트 4Object 4 ...... 오브젝트 mObject m 학습참가자 1Participants 1 1One 33 1212 1One ...... 1One 학습참가자 2Participant 2 1010 44 ...... 22 학습참가자 3Participant 3 22 33 1One ...... 44 학습참가자 4Participant 4 1One 1One 33 ...... 1One ...... ...... ...... ...... ...... ...... ...... 학습참가자 nParticipant n 33 33 66 22

이 행렬은 싸이즈가 매우 커지만 많은 부분이 '0'으로 채워진 성긴(sparse) 행렬이다. 따라서 유일치분해(Singular Value Decomposition(SVD))를 이용하여 Matrix의 크기를 유용한 형태로 축소하여 코사인 유사도(Cosine Similarity)를 이용해 학습 참가자 행태의 유사도를 계산하고 이를 바탕으로 유사한 행태를 가진 타 학습 참가자의 학습 패턴을 찾아 그 학습 패턴을 채우기 위해 현 학습 참가자가 더 학습 해야할 추천 오브젝트들을 찾아낸다. 이러한 오브젝트들을 포함하여 다음 학습 컨텐츠로 적합한 컨텐츠가 선택될 수 있다. This matrix is very sparse, but it is a sparse matrix filled with many '0's. Therefore, by using Singular Value Decomposition (SVD), the size of the matrix is reduced to a useful form, and cosine similarity is used to calculate the similarity of the learner's behavior and other learners with similar behavior. Find the learning pattern of the class and find the recommended objects that the current participant needs to learn more to fill the learning pattern. Including these objects, content suitable for the next learning content may be selected.

이 과정에서 학습 진척도가 높은 학습 참가자의 경우 찾아낸 추천 오브젝트, 예를 들면 영어 단어가 이미 알고 있는 단어일 가능성이 존재하며 이는 사용자의 학습 진척도 수준에 비해 많은 사람이 알고 있는 단어일 경우 이런 가능성이 커진다. 반대로 학습 진척도에 비해 추천 단어의 일반적인 사용 빈도가 낮은 경우 모르는 단어일 가능성이 높아진다. 또한 비슷한 행동 패턴을 가진 학습 참가자의 경우에 추천된 값이 동의어사전(thesaurus)에 있는 값이거나 비슷한 문장 패턴을 지닌 경우 학습 참가자에게 또 다른 대체 단어(paraphrase)를 제공 할 수 있다. 이런 분석을 바탕으로 단어를 단순히 다음 학습으로써 추천을 하는 것이 아닌 미리 알고 있는 단어 체크, 새로운 다음 학습 추천, 비슷한 패턴의 단어, 숙어 및 문장 구조 사용의 추천이 가능해진다.In this process, it is possible that learners with high learning progress may find the recommended object, for example, an English word, which is already known, and this is more likely if the word is known by many people compared to the level of progress of the user. . On the contrary, if the general use of the suggested word is low compared to the progress of learning, the word is more likely to be unknown. In addition, in the case of a learner with a similar behavior pattern, if the recommended value is a value in a thesaurus or a similar sentence pattern, the learner may provide another paraphrase. Based on this analysis, rather than simply recommending a word as the next lesson, it is possible to check a known word in advance, to recommend a new next lesson, or to recommend similar patterns of words, idioms, and sentence structures.

추천 알고리즘은 단순히 위에 언급된 방식뿐이 아니라 경우에 따라 다양한 알고리즘이 사용 가능하다. 예를 들어 사용자를 여러 그룹으로 묶기 위하여 유일해 행렬(SVM)에 커널(kernel) 함수를 적용하여 비선형적인 학습 참가자의 분류(classification)를 적용할 수 있다. 이를 통해 비슷한 학습 참가자들끼리의 그룹을 형성하여 서로 학습에 대한 추천을 유도할 수 있다. The recommendation algorithm is not only the above-mentioned method, but various algorithms may be used in some cases. For example, in order to group users into groups, a nonlinear learning classifier can be applied by applying a kernel function to a unique matrix (SVM). Through this, groups of similar learning participants can be formed to induce recommendations for learning from each other.

일 실시예에 있어서, 학습 시스템(10)에 접속하는 학습 참가자의 클라이언트(51,...,55, 71,...,75)는 모바일 단말기일 수 있다. 모바일 단말기는 접근성이 좋아 반복 학습이 중요한 영어 학습 등에 장점이 있다. 예를 들어 학습 컨텐츠는 영어 문장이고, 학습 이벤트는 읽기, 말하기 및 쓰기를 포함할 수 있다. In one embodiment, the clients 51,... 55, 71,... 75 of the learning participants connecting to the learning system 10 may be mobile terminals. Mobile terminals have advantages in learning English, which is important for repetitive learning. For example, the learning content may be English sentences, and the learning event may include reading, speaking, and writing.

도 4는 일 실시예에 따른 컴퓨터에서 실행 가능한 프로그램으로 구현된 학습 방법을 개략적으로 도시한 흐름도이다. 컴퓨터 프로세서는 네트워크를 통해 접속되는 학습 참가자의 클라이언트에게 게임 동특성에 기초한 학습을 제공하는 학습 방법이 구현된 프로그램을 실행한다. 4 is a flowchart schematically illustrating a learning method implemented as a program executable on a computer, according to an exemplary embodiment. The computer processor executes a program in which a learning method is implemented that provides learning based on game dynamics to a client of a learning participant connected through a network.

일 실시예에 따른 컴퓨터에서 실행 가능한 학습 방법은 학습 처리부(100)가 처리하는 학습 처리 단계(S110, S130, S150)와, 진척 관리부(310)가 처리하는 진척 관리 단계(S200)와, 학습 보상부(330)가 처리하는 학습 보상 단계(S300)를 순차적으로 포함한다. 이들 각 단계의 동작은 도 2를 참조하여 설명된 실시예에 있어서 대응하는 구성에 상응하므로 상세한 설명은 생략한다. The learning method executable in the computer according to an embodiment includes the learning processing steps S110, S130, and S150 processed by the learning processing unit 100, the progress management step S200 processed by the progress managing unit 310, and the learning reward. The learning unit 330 sequentially processes the learning reward step (S300). Operation of each of these steps corresponds to the corresponding configuration in the embodiment described with reference to FIG.

이러한 학습 처리 단계, 진척 관리 단계, 학습 보상 단계와 병행하여, 일 실시예에 따른 학습 방법은 학습 참가자의 클라이언트에서 학습 처리 단계의 학습 컨텐츠 제공과 학습 이벤트 체크가 이루어지는 학습 진행구획과, 진척관리 단계에서 계산되는 자신의 현재 학습 성과치와, 선택적으로 그룹 내 타 학습 참가자의 학습 성과치 및 학습 보상 단계에서 보상이 주어지는 학습 성과 목표치가 표시되는 성과 표시 구획의 표시 및 입력을 처리하는 사용자 인터페이스를 제어하는 단계를 더 포함할 수 있다. In parallel with the learning processing step, progress management step, and learning reward step, the learning method according to an embodiment includes a learning progress block in which learning content is provided in the learning processing step and learning event checks are performed in a client of a learning participant, and a progress management step is performed. Controls the user interface to handle the display and input of the Performance Indicators pane, which displays your current learning outcomes, which are computed from, and, optionally, the learning outcomes of other learners in the group, and the learning outcome targets that you are rewarded at the learning reward stage. It may further comprise the step.

또다른 실시예에 따르면, 학습 방법은 컨텐츠에 포함된 오브젝트들을 통해 컨텐츠 간의 유사도를 분석하고 그에 따라 유사한 컨텐츠를 추출하여 다음 학습 컨텐츠로 할당하는 컨텐츠 분석 단계(S510)를 더 포함할 수 있다. 컨텐츠 분석 단계(S510)의 구체적인 동작은 도 2를 참조하여 설명된 컨텐츠 분석부(510)의 동작과 유사하다. According to another embodiment, the learning method may further include a content analysis step (S510) of analyzing similarities between the contents through the objects included in the contents, and extracting the similar contents and assigning the similar contents to the next learning contents. The detailed operation of the content analysis step S510 is similar to the operation of the content analyzer 510 described with reference to FIG. 2.

또다른 실시예에 따르면, 학습 방법은 학습 참가자들이 오브젝트들에 대해 달성한 학습 이벤트들의 분포를 통해 학습 참가자들의 행동 패턴을 분석하여 비슷한 패턴을 가진 타 학습 참가자가 학습한 패턴에 따라 다음 학습 컨텐츠를 할당하는 행태 분석 단계(S530)를 더 포함할 수 있다. 행태 분석 단계(S530)의 구체적인 동작은 도 2를 참조하여 설명된 행태 분석부(530)의 동작과 유사하다.According to another embodiment, the learning method analyzes the behavioral patterns of the learning participants through the distribution of the learning events that the learning participants have achieved for the objects, and then learns the next learning content according to the learning patterns of other learning participants with similar patterns. It may further include the behavior analysis step (S530) to assign. The detailed operation of the behavior analysis step S530 is similar to that of the behavior analysis unit 530 described with reference to FIG. 2.

본 발명은 첨부된 도면에 의해 참조되는 바람직한 실시예를 중심으로 기술되었지만, 이러한 기재로부터 자명하게 도출 가능한 많은 자명한 변형예들을 포괄한다. 특허청구범위는 이러한 자명한 변형예들을 포괄하도록 의도되었다.
Although the present invention has been described with reference to the preferred embodiments, which are referenced by the accompanying drawings, it encompasses many obvious modifications that can be apparently derived from this description. The claims are intended to cover such obvious variations.

100 : 학습 처리부 110 : 컨텐츠 제공부
130 : 오브젝트 식별부 150 : 로그 관리부
300 : 학습 관리부 310 : 진척 관리부
330 : 학습 보상부 500 : 컨텐츠 추천부
510 : 컨텐츠 분석부 530 : 행태 분석부
700 : 유저 인터페이스부
910 : 학습 컨텐츠 DB 930 : 학습 로그 DB
950 : 성과관리 DB 970 : 학습계획 DB100: learning processing unit 110: content providing unit
130: object identification unit 150: log management unit
300: learning management unit 310: progress management unit
330: learning reward unit 500: content recommendation unit
510: content analysis unit 530: behavior analysis unit
700: user interface unit
910: learning content DB 930: learning log DB
950: Performance Management DB 970: Learning Plan DB

Claims

delete

A computer-implemented learning system for providing learning based on game dynamics to clients of learning participants connected via a network, the system comprising:
A learning content database that defines a target point assigned to each learning event for the learning content and the object included in each learning content;
A learning processor configured to provide the assigned content to the learning participant and perform the learning while managing a log of the learning event in which the learning participant reacts to the object included in the learning content;
A progress management unit for analyzing the log of the learning event to quantitatively evaluate the learning outcome by checking whether the target learning point for each learning event has been achieved for the object;
A learning reward unit for processing a reward to a learning participant according to the outcome evaluated by the progress management unit;
Learning progress block that provides learning contents of learning processing part and learning event check in client of learning participant, current learning result value calculated by progress management part, optionally learning result value and learning reward part of other learning participant in group A user interface unit configured to display and input a performance display section in which a learning performance target value to which a reward is given is displayed;
Learning system comprising a.

The method of claim 2, wherein the learning reward unit:
A learning system including a group compensation unit for comprehensively evaluating the learning outcomes of the learning participants in the group to provide a reward for the learning participants in the group.

The learning system of claim 3, wherein the user interface unit further controls display of a comprehensive performance value of a group to which the user belongs and a comprehensive performance value of another group.

The system of claim 2, wherein the learning system is:
And a group messenger that handles transmission and reception of messages between learning participants in the group.

The system of claim 2, wherein the learning system is:
And a content analyzer configured to analyze the similarity between the contents through the objects included in the contents, and extract similar contents and allocate the similar contents to the next learning contents.

The system of claim 2, wherein the learning system is:
A behavior analysis unit for analyzing the behavior pattern of the learning participants through the distribution of the learning events achieved by the learning participants for the objects to allocate the next learning content according to the learning pattern of other learning participants having a similar pattern; Learning system.

The method of claim 7, wherein the behavior analysis unit:
Learning system for analyzing learning event response frequency matrix of learning participants' objects through data mining technique.

The method of claim 2, wherein the learning processing unit:
A content providing unit providing content assigned to the learning participant,
When the learning event for the content is input, the object identification unit for identifying the object in the content portion where the event occurs;
A learning system comprising a log manager that stores a log of learning events that occur for the identified objects.

The learning system of claim 9, wherein the object identification unit identifies an object through porter stemming.

The learning system of any one of claims 2 to 10, wherein the client of the learning participant accessing the learning system is a mobile terminal.

The learning system of any one of claims 2 to 10, wherein the learning content is an English sentence and the learning event comprises reading, speaking, and writing.

delete

A computer-implemented learning method for providing learning based on game dynamics to a client of a learning participant connected via a network, the method comprising:
A learning processing step of providing the assigned content to the learning participant and conducting the learning while managing a log of the learning event in which the learning participant responds to an object included in the learning content;
A progress management step of quantitatively evaluating learning outcomes by analyzing a log of learning events and checking whether a target learning point for each learning event has been achieved for the object;
A learning reward step of processing a reward to the learning participant according to the evaluated outcome;
Learning progress block that provides learning contents in learning processing stage and learning event check in client of learning participant, own current learning performance value calculated in progress management step, and optionally learning performance value and learning of other learning participants in group Controlling a user interface for processing display and input of a performance display section in which a learning performance target value to which a reward is given is displayed in a compensation step;
Learning method executable on a computer comprising a.

The method of claim 14, wherein the learning method is:
Content analysis step of analyzing the similarity between the content through the objects included in the content and accordingly extracts the similar content to assign the next learning content; Computer learning executable method further comprising.

The method of claim 14, wherein the learning method is:
A behavior analysis step of analyzing the behavior pattern of the learning participants through the distribution of the learning events achieved by the learning participants for the objects to allocate the next learning content according to the learning pattern of other learning participants having a similar pattern; Learning methods that can run on your computer.

The method of claim 16, wherein the behavior analysis step is:
A computer-implemented learning method that analyzes the learning event response matrix for learning participants' objects using data mining techniques.

The method of claim 14, wherein the learning processing step is:
A content providing step of providing content assigned to the learning participant;
An object identification step of identifying an object in the content portion in which the corresponding learning event occurs when a learning event for the content is input;
A learning method executable on a computer comprising a log management step of storing a log of learning events that occur for the identified objects.

19. A method as claimed in claim 18, wherein the object identification step identifies the object via porter stemming.

20. The computer-implemented learning method of any one of claims 14-19, wherein the learning content is an English sentence and the learning event comprises reading, speaking, and writing.