KR101584314B1 - 가상 교육 훈련 시스템에서 실시간으로 발생하는 학습자 상황 정보를 추론하기 위한 온톨로지 추론 교육 방법, 이를 이용한 시스템 및 컴퓨터 판독 가능한 기록 매체 - Google Patents

가상 교육 훈련 시스템에서 실시간으로 발생하는 학습자 상황 정보를 추론하기 위한 온톨로지 추론 교육 방법, 이를 이용한 시스템 및 컴퓨터 판독 가능한 기록 매체 Download PDF

Info

Publication number
KR101584314B1
KR101584314B1 KR1020130059879A KR20130059879A KR101584314B1 KR 101584314 B1 KR101584314 B1 KR 101584314B1 KR 1020130059879 A KR1020130059879 A KR 1020130059879A KR 20130059879 A KR20130059879 A KR 20130059879A KR 101584314 B1 KR101584314 B1 KR 101584314B1
Authority
KR
South Korea
Prior art keywords
learner
fact
ontology
reasoning
inference
Prior art date
Application number
KR1020130059879A
Other languages
English (en)
Other versions
KR20140139344A (ko
Inventor
김준태
박길식
박대성
Original Assignee
테크빌닷컴 주식회사
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 테크빌닷컴 주식회사 filed Critical 테크빌닷컴 주식회사
Priority to KR1020130059879A priority Critical patent/KR101584314B1/ko
Publication of KR20140139344A publication Critical patent/KR20140139344A/ko
Application granted granted Critical
Publication of KR101584314B1 publication Critical patent/KR101584314B1/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
    • G06Q50/205—Education administration or guidance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/30—Circuit design
    • G06F30/32—Circuit design at the digital level
    • G06F30/33—Design verification, e.g. functional simulation or model checking

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Educational Technology (AREA)
  • Computer Hardware Design (AREA)
  • Educational Administration (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Primary Health Care (AREA)
  • Marketing (AREA)
  • Human Resources & Organizations (AREA)
  • General Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

본 발명은 가상 교육 훈련 시스템에서 실시간으로 발생하는 학습자 상황 정보를 추론하기 위한 온톨로지 추론 방법에 있어서, (a) 학습자 상황 정보를 온톨로지 언어(OWL) 형식의 상황 정보로 변환하는 단계, (b) 미리 정의된 사실 템플릿을 기초로 상기 온톨로지 언어 형식의 상황 정보로부터 추론 가능한 사실로 변환하여 Rule Base에 저장하는 단계, (c) 상기 Rule Base에 저장된 사실을 사전에 정의된 추론 규칙과 매칭하여 추론하여 추론 결과를 도출하는 단계, 및 (d) 상기 도출된 추론 결과를 가상 교육 훈련 시스템으로 전달하여 실행하게 하는 단계를 포함하는 방법을 개시한다. 이에 의하면, 가상 훈련 시스템에서 실시간으로 발생하는 학습자 상황 정보를 처리하도록 함으로써 다양한 학습자에게 개인화된 학습 과정을 추천할 수 있으며, 추론 기술을 통해 다양한 지능형 e-training 어플리케이션의 구축이 가능하고, 이를 통해 e-training 서비스 시장을 확대할 수 있다.

Description

가상 교육 훈련 시스템에서 실시간으로 발생하는 학습자 상황 정보를 추론하기 위한 온톨로지 추론 교육 방법, 이를 이용한 시스템 및 컴퓨터 판독 가능한 기록 매체{METHOD, SYSTEM AND COMPUTER-READABLE RECORDING MEDIUM FOR INFERRING THE SITUATION OF LEARNER WHICH OCCURS IN REAL TIME DURING VIRTUAL TRAINING SYSTEM BY USING ONTOLOGY INFERENCE ENGINE}
본 발명은 가상 교육 훈련 시스템에서 실시간으로 발생하는 학습자 상황 정보를 추론하기 위한 온톨로지 추론 교육 방법, 이를 이용한 시스템 및 컴퓨터 판독 가능한 기록 매체에 관한 것으로, 자동차 정비 훈련과 같은 상황에서 학습자의 동작에 따라 학습자의 수준을 추론하여 적절한 학습 계획 제시할 수 있는 개인화된 e-learning 구현 방법, 이를 이용한 시스템 및 컴퓨터 판독 가능한 기록 매체에 관한 것이다.
최근 e-training 기술을 이용한 교육훈련 시스템에 대한 관심이 증폭되면서, 다양한 학습 컨텐츠들이 연구 개발되고 있다. 국내의 일부 자동차 정비 훈련 현장에도 e-Learning 시스템이 사용되고 있지만, 빠르게 발전되고 있는 자동차 정비 기술 수준에 맞춰 교육하는데 어려움이 있다. 앞으로는 학습자의 다양한 상황 정보를 인지하여 그에 맞는 지능형 서비스를 제공하는 역할이 중요시 될 것이다.
상황 정보는 학습자 선호하는 학습방법, 선수학습 여부, 학습 수준 등과 같은 정보들을 포함한다. 지능형 서비스는 학습자의 현재 상태를 파악하여 가장 적절한 학습 과정을 제공하는 것을 의미한다. 하지만, 기초 배경 지식이 전혀 없는 학습자의 경우에는 여러 가지 방법으로 교육훈련 시스템을 적용하여도 기초 배경 지식을 적절하게 쌓는데에 한계가 있었다.
따라서, 지능형 에이전트 기반의 가상 훈련 시스템이 학습자에게 지능형 서비스를 제공하기 위해서는 학습자의 상황 정보를 정형화된 형식으로 표현해야 하고, 의미를 추론할 수 있어야 한다.
현재 가상 훈련 시스템에서 실행되는 추론 엔진은 개발되지 않은 실정이다. 따라서 자체적으로 추론 기능을 수행할 수 있도록 하는 추론 엔진이 필요한 실정이다.
본 발명은 상술한 문제점을 모두 해결하는 것을 그 목적으로 한다.
또한 본 발명은 가상 훈련 시스템에서 실시간으로 발생하는 다량의 상황 정보를 추론 엔진이 사용하는 사실(fact)로 자동 변환하여 추론 규칙에 따라 추론할 수 있는 온톨로지 추론 교육 시스템 및 그 방법을 제공하는 것을 목적으로 한다.
상기 목적을 달성하기 위한 본 발명의 대표적인 구성은 다음과 같다.
본 발명의 일 태양에 따르면, 가상 교육 훈련 시스템에서 실시간으로 발생하는 학습자 상황 정보를 추론하기 위한 온톨로지 추론 방법에 있어서, (a) 학습자 상황 정보를 온톨로지 언어(OWL) 형식의 상황 정보로 변환하는 단계, (b) 미리 정의된 사실 템플릿을 기초로 상기 온톨로지 언어 형식의 상황 정보로부터 추론 가능한 사실로 변환하여 Rule Base에 저장하는 단계, (c) 상기 Rule Base에 저장된 사실을 사전에 정의된 추론 규칙과 매칭하여 추론하여 추론 결과를 도출하는 단계, 및 (d) 상기 도출된 추론 결과를 가상 교육 훈련 시스템으로 전달하여 실행하게 하는 단계를 포함하는 방법을 개시한다.
본 발명의 다른 태양에 따르면, 가상 교육 훈련 시스템에서 실시간으로 발생하는 학습자 상황 정보를 추론하기 위한 온톨로지 추론 교육 시스템에 있어서, 학습자 상황 정보를 온톨로지 언어(OWL) 형식의 상황 정보로 변환하는 온톨로지 작성부, 미리 정의된 사실 템플릿을 기초로 상기 온톨로지 언어 형식의 상황 정보로부터 추론 가능한 사실로 변환하여 Rule Base에 저장하는 사실 변환부, 상기 Rule Base에 저장된 사실을 사전에 정의된 추론 규칙과 매칭하여 추론하여 추론 결과를 도출하는 온톨로지 추론부, 및 상기 도출된 추론 결과를 가상 교육 훈련 시스템으로 전달하여 실행하게 하는 실행부를 포함하는 시스템을 개시한다.
이 외에도, 본 발명을 구현하기 위한 다른 방법, 및 상기 방법을 실행하기 위한 컴퓨터 판독 가능한 기록 매체가 더 제공된다.
본 발명에 따른 온톨로지 추론 교육 시스템에 의하면, 가상 훈련 시스템에서 실시간으로 발생하는 학습자 상황 정보를 처리하도록 함으로써 다양한 학습자에게 개인화된 학습 과정을 추천할 수 있으며, 추론 기술을 통해 다양한 지능형 e-training 어플리케이션의 구축이 가능하고, 이를 통해 e-training 서비스 시장을 확대할 수 있는 효과가 있다.
도 1은 본 발명에 따른 온톨로지 추론 교육 시스템에 대한 개략도이다.
도 2는 본 발명에 따른 온톨로지 추론 교육 시스템의 구체적인 블록도이다.
도 3은 본 발명에 따른 전방향 추론에 관한 예시도이다.
도 4는 본 발명에 따른 후방향 추론에 관한 예시도이다.
후술하는 본 발명에 대한 상세한 설명은, 본 발명이 실시될 수 있는 특정 실시예를 예시로서 도시하는 첨부 도면을 참조한다. 이들 실시예는 당업자가 본 발명을 실시할 수 있기에 충분하도록 상세히 설명된다. 본 발명의 다양한 실시예는 서로 다르지만 상호 배타적일 필요는 없음이 이해되어야 한다. 예를 들어, 여기에 기재되어 있는 특정 형상, 구조 및 특성은 일 실시예에 관련하여 본 발명의 정신 및 범위를 벗어나지 않으면서 다른 실시예로 구현될 수 있다. 또한, 각각의 개시된 실시예 내의 개별 구성요소의 위치 또는 배치는 본 발명의 정신 및 범위를 벗어나지 않으면서 변경될 수 있음이 이해되어야 한다. 따라서, 후술하는 상세한 설명은 한정적인 의미로서 취하려는 것이 아니며, 본 발명의 범위는, 적절하게 설명된다면, 그 청구항들이 주장하는 것과 균등한 모든 범위와 더불어 첨부된 청구항에 의해서만 한정된다. 도면에서 유사한 참조부호는 여러 측면에 걸쳐서 동일하거나 유사한 기능을 지칭한다.
이하에서는, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 본 발명을 용이하게 실시할 수 있도록 하기 위하여, 본 발명의 바람직한 실시예들에 관하여 첨부된 도면을 참조하여 상세히 설명하기로 한다.
도 1은 본 발명에 따른 온톨로지 추론 교육 시스템에 대한 개략도이다.
도 1을 참조하면, 온톨로지 추론 교육 시스템(100)은 가상 훈련 시스템(110), 온톨로지 적용부(120), Rule Base(130)를 포함할 수 있다. 구체적으로, 가상 훈련 시스템(110)은 온톨로지 적용부(120)의 지원을 받아 학습자가 가상 환경에서 훈련을 받을 수 있도록 하고, 온톨로지 적용부(120)는 Rule Base(130)에 저장되어 있는 다양한 사실을 추론 규칙과 매칭하여 학습자의 현 상태로부터 다음 상태를 추론할 수 있도록 한다.
여기서, 온톨로지 적용부(120)는 후술할 온톨로지 작성부(121), 사실 변환부(122), 온톨로지 추론부(123) 및 실행부(124)를 포함할 수 있다.
구체적으로, 본 발명에 따른 온톨로지 추론 교육 시스템(100)은 가상 훈련 시스템(110)에서 실시간으로 발생하는 상황 정보를 추론하며, 상황 정보를 온톨로지 형식으로 변환하는 온톨로지 작성부(121), 미리 정의된 사실 템플릿을 기초로 온톨로지 형식의 상황 정보로부터 추론 가능한 사실로 변환하여 Rule Base(130)에 저장하는 사실 변환부(122), Rule Base(130)에 저장된 사실을 사전에 정의된 추론 규칙과 매칭하여 추론하는 온톨로지 추론부(123), 추론 결과를 가상 훈련 시스템(110)으로 전달하여 실행하게 하는 실행부(124)를 포함할 수 있다.
구체적으로, e-training과 같은 가상 교육 훈련 시스템에서 실시간으로 발생하는 학습자 상황 정보를 추론하기 위한 온톨로지 추론 교육 시스템(100)에 있어서, 온톨로지 작성부(121)는 학습자 상황 정보를 온톨로지 언어(OWL) 형식의 상황 정보로 변환하는 기능을 수행할 수 있고, 사실 변환부(122)는 미리 정의된 사실 템플릿을 기초로 온톨로지 형식의 상황 정보로부터 추론 가능한 사실로 변환하여 Rule Base(130)에 저장하는 기능을 수행할 수 있으며, 온톨로지 추론부(123)는 Rule Base(130)에 저장된 사실을 사전에 정의된 추론 규칙과 매칭하여 추론하는 기능을 수행할 수 있고, 실행부(124)는 추론 결과를 가상 훈련 시스템(110)으로 전달하여 실행하게 하는 기능을 수행할 수 있다.
여기서, 상기 학습자의 상황 정보에 대한 예시를 들면 다음과 같다.
가령, 현재 학습 과정이 '멀티미터를 이용한 배터리 전압 점검'이고, 이전 학습 과정이 '멀티미터 도구 사용하기'이며, 조작 오류 횟수가 '3회'인 경우를 상기 학습자의 상황 정보라고 생각해 보자.
온톨로지 작성부(121)는 상기 기술된 학습자 상황 정보를 OWL 형식의 상황 정보로 변환할 수 있으며, 이와 같이 OWL 형식의 상황 정보로 변환된 구문은 다음과 같다.
참고로, '학습 과정'에 대해 '현재 학습 과정' 및 '이전 학습 과정'은 원소 관계, '현재 학습 과정'과 '멀티미터를 이용한 배터리 전압 점검' 관계도 원소 관계, '이전 학습 과정'과 '멀티미터 도구 사용하기' 관계도 원소 관계, '멀티미터를 이용한 배터리 전압 점검'과 '3회'는 '조작 오류 횟수'라는 속성 관계로 표현될 수 있는데, 이와 같은 원소 관계와 속성 관계 등을 바탕으로 온톨로지를 구축하게 되며, 이와 같이 구축된 온톨로지 주소는 아래와 같이 표시할 수 있다. 참고로, 아래의 온톨로지 주소는 이름 공간을 정의한 것이므로 실제 주소가 아님을 밝혀둔다.
http://www.semanticweb.org/ontologies/2013/4/carMaintenace.owl#courseOwl>
http://www.semanticweb.org/ontologies/2013/4/carMaintenace.owl#traineeOwl>
http://www.semanticweb.org/ontologies/2013/4/carMaintenace.owl#courseErrorOwl>
한편, 사실 변환부(122)가 상기와 같은 온톨로지 형식의 상황 정보로부터 추론 가능한 사실로 변환하기 위하여 필요로 되는 사실 템플릿에 대해 알아보면 다음과 같다. 가령, 미리 정의된 사실 템플릿은 다음과 같다.
(deftemplate CourseTemplate
(slot course)
(slot trainee)
(slot numError)
)
이때, slot이란 변수처럼 값을 저장하기 위한 저장소이다. 여기서, 상기 course에는 학습 중인 과정에 대한 내용이 들어갈 것이고, trainee에는 훈련자에 대한 정보가, numError에는 과정 수행중 발생된 에러의 수가 저장될 것이다.
이와 같은 사실 템플릿을 기초로 하여 사실 변환부(122)에 의하여 사실로 변환된 온톨로지의 내용은 다음과 같다.
(deffacts convertedCourse
(CourseTemplate (course currCourse)
(trainee currTrainee)
(numError currNumError)
))
이에 대하여 예시를 들면,
gildong,Hong이라는 학습자가 Battery점검 과정을 수행중이고, 현재까지 에러의 수가 3개라면,
(course BatteryCheck)
(trainee gildong,Hong)
(numError 3)
이와 같은 형태로 변환될 수 있을 것이다.
참고로, 상기 예에서 템플릿에 정의되어 있는 course, trainee, numError는 데이터를 저장하기 위한 틀에 불과하며, 실제 데이터를 저장하기 위해서는 course타입의 currCourse와 같은 변수가 있어야 할 것이다. 따라서, 가령, 훈련자 ‘홍길동’이 장비 중에 ‘멀티미터’를 선택하여, 조작을 수행하였는데 오류 횟수가 ‘3’회 발생되는 경우에, 교육 훈련 현장에서 발생되는 상황 정보는
Course 멀티미터사용
curTrainee 홍길동
numError 3
와 같은 문장처럼, 추론이 가능한 형태인 사실(fact)로 변환이 될 것이다.
이렇게 변환된 fact(사실)은, 온톨로지 추론부(123)에 의하여, 미리 정의된 rule(규칙)에 따라 추론이 수행될 수 있으며, 이에 대해서는 이하에서 살펴본다.
아래의 예문에서는, 현재 훈련자가 과정 수행 중 발생한 오류의 횟수가 3회를 초과한 경우에 현재 과정을 다시 이수하도록 하기 위해, 다음 과정으로 현재 과정을 추천하고 있는 것을 보여준다.
(defrule NextCourse
?currCourseFact <- (course ?currCourse)
?currTraineeFact <- (trainee ?curTrainee)
?currNumErrorFact <- (numError ?curNumError&:(> ?curNumError 3)
=>
(retract ?nextCourseFact)
(assert(nextCourse ?currCourse))
이와 같이, OWL(Web Ontology Language) 온톨로지는 가상 훈련 시스템에서 학습자의 상황 정보를 정형화된 형식으로 표현하는데 사용된다. 온톨로지 추론 엔진은 온톨로지로 표현된 학습자의 상황 정보의 의미를 추론함으로써 가상 훈련 시스템이 지능형 서비스를 제공하는데 배경이 된다.
한편, JESS는 Java로 작성된 전문가 시스템 프로그램을 위한 추론 엔진으로서, 추론에 기반이 되는 사실, 사실 정의를 위한 탬플릿, 규칙 및 질의를 정의하기 위한 함수를 제공하며, Rete 알고리즘을 사용하여 전방향 추론 및 후방향 추론을 수행할 수 있다.
가령, 규칙 및 질의를 정의하기 위한 함수로 JESS 에서는 defrule함수를 제공할 수 있다. 온톨로지 추론부(123)는 defrule 함수를 이용하여 사실(fact)들을 추론하게 되며, 추론 결과가 새로운 사실(fact)가 되어 재추론이 되기도 할 것이다.
여기서, 전방향 추론은 현재의 상황이나 사실의 집합에서 목표하는 상태 또는 원하는 결과를 도출하는 추론 방법이며, 후방향 추론은 목표나 결론이 현재 상태 또는 기존의 사실로부터 유도해 낼 수 있는지 확인하기 위해, 실행문에서 조건문 방향으로(역으로) 진행하는 추론방식이다.
구체적으로, 전방향 추론은 if~then 형식의 규칙에서 if 부분인 전건부를 만족하는 사실들이 존재하면 후건부인 then 부분의 사실들로 수정하면서 목표로 나아가는 방식이며, 후방향 추론은 규칙의 then 부분인 후건부에 목표를 정해두고 전건부인 if 부분의 사실들이 참인지를 알아보는 방식인데 이 때 전건부가 참인지 모를 경우에는 이를 부목표인 후건부로 정하고 이에 대한 전건부가 참인지를 반복하는 방식이다.
도 3을 참조로 하면, 전방향 추론의 경우, 학습자가 홍길동이고, 현재과정이 배터리점검이며, 오류횟수가 2회인 사실들이 존재하면, 다음 과정으로서 암전류 점검이라는 목표로 나아가는 방식을 말한다.
그리고, 도 4를 참조로 하면, 후방향 추론의 경우, 다음 과정으로서 암전류 점검을 목표로 정해두고 전건부인 사실들(학습자가 홍길동이고, 현재과정이 배터리점검이며, 오류횟수가 2회라는 사실들)이 참인지를 알아보는 방식을 말한다.
한편, 전방향 추론 똔든 후방향 추론을 수행하기 위한 Rete 알고리즘은 규칙(rule) engine에서 규칙을 더 빠른 속도로 패턴 매칭하기 위한 그래프 기반의 알고리즘을 의미한다. 이때, 규칙이라는 것은 보통 if~then 문으로 구성된 형태를 말하며, 이때 if문에 해당하는 내용이 조건문이 되고, then문이 실행문이 될 것이다.
여기서, 패턴 매칭이라는 것은 사실(fact)에 부합되는 규칙(rule)의 조건문을 비교하는 과정이라고 할 수 있다. Rete 알고리즘은 규칙의 조건문 부분을 그래프의 노드들로 구성해서 관리하게 되고 조건문에 매칭된 결과들을 그래프 노드들로 관리해 나가기 때문에 패턴 매칭이 빠르다는 장점이 있다. 만약, 그래프 구성이 없다면 사실에 부합되는 규칙들을 모두 순차적으로 검사해야 하기 때문에 메모리가 많이 필요하게 될 것이다.
배터리 +단자와 -단자간 전압 측정을 예로 들어, 사실과 패턴, 규칙을 설명하면 다음 예시와 같다.
사실(fact)
(batteryplus 10v))
(batteryminus 3v)
패턴 : ?x, ?y 변수가 포함된 형태 조건문에 매칭될 수 있는 요소
(batteryplus ?x)
(batteryminus ?y)
규칙(rule)
(defrule (batteryplus ?x)
(batteryminus ?y)
=>
(assert (batteryVolt (- ?x ?y)))
여기서, (batteryplus 10v)는 사실(fact)로서 저장되는 정보로 배터리의 +단자의 전압이 10v라는 의미이며, (batteryminus 3v)는 사실(fact)로서 저장되는 정보로 배터리의 -단자의 전압이 3v라는 의미이다.
예를 들어 훈련자가 ‘멀티미터’장비를 통해 배터리 +단자와 ―단자간 사이의 전압을 측정한 전압값이 각각 batteryplus 10v, batteryminus 3v라고 가정했을 때, 추론 엔진은 이 사실과 매칭되는 rule을 찾게 된다.
위 룰에 batteryplus 10v，batteryminus 3v가 매칭되므로 (batteryplus 10v)과 (batteryminus 3v)가 사실(fact)로 들어가게 되고, 결국에는 10v ­3v의 결과인 7v값이 계산되어 batteryVolt 7v 라는 새로운 사실이 저장될 것이다.
이와 같은 상기 추론 규칙은 학습자의 상황 정보가 갖는 속성 관계, 개념 정의 및 관계, 학습자의 상황 정보를 추론하기 위해 작성될 수 있을 것이다.
이상 설명된 본 발명에 따른 실시예들은 다양한 컴퓨터 구성요소를 통하여 수행될 수 있는 프로그램 명령어의 형태로 구현되어 컴퓨터 판독 추천한 기록 매체에 기록될 수 있다. 상기 컴퓨터 판독 추천한 기록 매체는 프로그램 명령어, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 컴퓨터 판독 추천한 기록 매체에 기록되는 프로그램 명령어는 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 분야의 당업자에게 공지되어 사용 추천한 것일 수도 있다. 컴퓨터 판독 추천한 기록 매체의 예에는, 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM, DVD와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 ROM, RAM, 플래시 메모리 등과 같은 프로그램 명령어를 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령어의 예에는, 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드도 포함된다. 상기 하드웨어 장치는 본 발명에 따른 처리를 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상에서 본 발명이 구체적인 구성요소 등과 같은 특정 사항들과 한정된 실시예 및 도면에 의해 설명되었으나, 이는 본 발명의 보다 전반적인 이해를 돕기 위해서 제공된 것일 뿐, 본 발명이 상기 실시예들에 한정되는 것은 아니며, 본 발명이 속하는 기술분야에서 통상적인 지식을 가진 자라면 이러한 기재로부터 다양한 수정 및 변형을 꾀할 수 있다.
따라서, 본 발명의 사상은 상기 설명된 실시예에 국한되어 정해져서는 아니 되며, 후술하는 특허청구범위뿐만 아니라 이 특허청구범위와 균등하게 또는 등가적으로 변형된 모든 것들은 본 발명의 사상의 범주에 속한다고 할 것이다.

Claims (13)

  1. 가상 교육 훈련 시스템에서 실시간으로 발생하는 학습자 상황 정보를 추론하기 위한 온톨로지 추론 방법에 있어서,
    (a) 학습자 상황 정보를 온톨로지 언어(OWL) 형식의 상황 정보로 변환하는 단계,
    (b) 미리 정의된 사실 템플릿을 기초로 상기 온톨로지 언어 형식의 상황 정보로부터 추론 가능한 사실로 변환하여 Rule Base에 저장하는 단계,
    (c) 상기 Rule Base에 저장된 사실을 사전에 정의된 추론 규칙과 매칭하여 추론하여 추론 결과를 도출하는 단계, 및
    (d) 상기 도출된 추론 결과를 가상 교육 훈련 시스템으로 전달하여 실행하게 하는 단계
    를 포함하며,
    상기 (b) 단계 및 상기 (c) 단계에서,
    상기 Rule Base에 저장된 사실은, 해당 학습자에 대한 정보, 상기 해당 학습자가 수행하고 있는 소정 과정에 대한 정보, 및 상기 해당 학습자가 상기 소정 과정을 수행 중에 범한 에러의 수에 대한 정보를 포함하며,
    상기 (d) 단계는,
    상기 해당 학습자가 상기 소정 과정을 수행 중에 범한 에러의 수가 기설정된 수를 초과하는 경우, 다음 과정으로 상기 소정 과정을 추천하는 것을 특징으로 하는 방법.
  2. 삭제
  3. 삭제
  4. 제 1 항에 있어서,
    상기 (c) 단계에서,
    상기 추론 규칙은 JESS 추론 규칙으로 작성된 것을 특징으로 하는 방법.
  5. 제 4 항에 있어서,
    상기 (c) 단계는,
    defrule 함수를 사용하여 사실을 추론하는 것을 특징으로 하는 방법.
  6. 제 1 항에 있어서,
    상기 (c) 단계는,
    상기 추론 결과가 새로운 사실이 되어 재추론을 수행하는 단계를 포함하는 것을 특징으로 하는 방법.
  7. 가상 교육 훈련 시스템에서 실시간으로 발생하는 학습자 상황 정보를 추론하기 위한 온톨로지 추론 교육 시스템에 있어서,
    학습자 상황 정보를 온톨로지 언어(OWL) 형식의 상황 정보로 변환하는 온톨로지 작성부,
    미리 정의된 사실 템플릿을 기초로 상기 온톨로지 언어 형식의 상황 정보로부터 추론 가능한 사실로 변환하여 Rule Base에 저장하는 사실 변환부,
    상기 Rule Base에 저장된 사실을 사전에 정의된 추론 규칙과 매칭하여 추론하여 추론 결과를 도출하는 온톨로지 추론부, 및
    상기 도출된 추론 결과를 가상 교육 훈련 시스템으로 전달하여 실행하게 하는 실행부
    를 포함하며,
    상기 Rule Base에 저장된 사실은, 해당 학습자에 대한 정보, 상기 해당 학습자가 수행하고 있는 소정 과정에 대한 정보, 및 상기 해당 학습자가 상기 소정 과정을 수행 중에 범한 에러의 수에 대한 정보를 포함하며,
    상기 실행부는,
    상기 해당 학습자가 상기 소정 과정을 수행 중에 범한 에러의 수가 기설정된 수를 초과하는 경우, 다음 과정으로 상기 소정 과정을 추천하는 것을 특징으로 하는 시스템.
  8. 삭제
  9. 삭제
  10. 제 7 항에 있어서,
    상기 추론 규칙은 JESS 추론 규칙으로 작성된 것을 특징으로 하는 시스템.
  11. 제 10 항에 있어서,
    상기 온톨로지 추론부는,
    defrule 함수를 사용하여 사실을 추론하는 것을 특징으로 하는 시스템.
  12. 제 7 항에 있어서,
    상기 온톨로지 추론부는,
    상기 추론 결과를 새로운 사실로 하여 재추론을 수행하는 것을 특징으로 하는 시스템.
  13. 제 1 항 및 제 4 항 내지 제 6 항 중 어느 한 항에 따른 방법을 실행하기 위한 컴퓨터 프로그램을 기록한 컴퓨터 판독 가능한 기록 매체.
KR1020130059879A 2013-05-27 2013-05-27 가상 교육 훈련 시스템에서 실시간으로 발생하는 학습자 상황 정보를 추론하기 위한 온톨로지 추론 교육 방법, 이를 이용한 시스템 및 컴퓨터 판독 가능한 기록 매체 KR101584314B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020130059879A KR101584314B1 (ko) 2013-05-27 2013-05-27 가상 교육 훈련 시스템에서 실시간으로 발생하는 학습자 상황 정보를 추론하기 위한 온톨로지 추론 교육 방법, 이를 이용한 시스템 및 컴퓨터 판독 가능한 기록 매체

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020130059879A KR101584314B1 (ko) 2013-05-27 2013-05-27 가상 교육 훈련 시스템에서 실시간으로 발생하는 학습자 상황 정보를 추론하기 위한 온톨로지 추론 교육 방법, 이를 이용한 시스템 및 컴퓨터 판독 가능한 기록 매체

Publications (2)

Publication Number Publication Date
KR20140139344A KR20140139344A (ko) 2014-12-05
KR101584314B1 true KR101584314B1 (ko) 2016-01-22

Family

ID=52459384

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020130059879A KR101584314B1 (ko) 2013-05-27 2013-05-27 가상 교육 훈련 시스템에서 실시간으로 발생하는 학습자 상황 정보를 추론하기 위한 온톨로지 추론 교육 방법, 이를 이용한 시스템 및 컴퓨터 판독 가능한 기록 매체

Country Status (1)

Country Link
KR (1) KR101584314B1 (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20210116905A (ko) 2020-03-18 2021-09-28 숭실대학교산학협력단 클라우드 컴퓨팅 환경에서 분산 테이블 구조를 활용한 OWL-Horst 온톨로지 추론 방법 및 장치
US11501576B2 (en) 2020-06-01 2022-11-15 Electronics And Telecommunications Research Institute Wearable device, virtual content providing device, and virtual content providing method

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101872806B1 (ko) 2016-12-15 2018-06-29 고등기술연구원연구조합 가상현실 기반 조업자의 안전훈련 시스템
KR20190043823A (ko) 2017-10-19 2019-04-29 고등기술연구원연구조합 가상현실 환경에서의 지식기반 조업자의 안전훈련 시스템 및 방법
KR101975782B1 (ko) * 2018-12-07 2019-05-08 주식회사 클래스팅 인공지능 기반 학습자 맞춤형 수준 향상 시스템

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101091592B1 (ko) 2010-08-17 2011-12-13 숭실대학교산학협력단 모바일 기반의 온톨로지 추론 시스템 및 그 방법

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20110019277A (ko) * 2009-08-19 2011-02-25 한남대학교 산학협력단 지능적 학습 컨텐츠 제공을 위한 u-러닝 시스템과 방법

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101091592B1 (ko) 2010-08-17 2011-12-13 숭실대학교산학협력단 모바일 기반의 온톨로지 추론 시스템 및 그 방법

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
박길식, 박성철, 김준태, 박대성, "자동차 정비 e-training 시스템을 위한 온톨로지 기반 로직 시뮬레이터 설계", 한국지능정보시스템학회 학술대회논문집, 2012년 12월, pp 218-222

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20210116905A (ko) 2020-03-18 2021-09-28 숭실대학교산학협력단 클라우드 컴퓨팅 환경에서 분산 테이블 구조를 활용한 OWL-Horst 온톨로지 추론 방법 및 장치
US11501576B2 (en) 2020-06-01 2022-11-15 Electronics And Telecommunications Research Institute Wearable device, virtual content providing device, and virtual content providing method

Also Published As

Publication number Publication date
KR20140139344A (ko) 2014-12-05

Similar Documents

Publication Publication Date Title
KR101584314B1 (ko) 가상 교육 훈련 시스템에서 실시간으로 발생하는 학습자 상황 정보를 추론하기 위한 온톨로지 추론 교육 방법, 이를 이용한 시스템 및 컴퓨터 판독 가능한 기록 매체
KR20200052444A (ko) 신경망을 이용하여 예측 결과를 출력하는 방법, 신경망을 생성하는 방법 및 그 장치들
Xu et al. Transformation-based diagnosis of student programs for programming tutoring systems
US20200118013A1 (en) Abductive inference apparatus, abductive inference method, and computer-readable recording medium
US20170212928A1 (en) Cognitive decision making based on dynamic model composition
Barreiros et al. Softlearn: A process mining platform for the discovery of learning paths
Sawarkar et al. Predicting bug estimation time for newly reported bug using machine learning algorithms
Zhang et al. Detecting SMART Model Cognitive Operations in Mathematical Problem-Solving Process.
US11693921B2 (en) Data preparation for artificial intelligence models
US20160267393A1 (en) Method of construction and selection of probalistic graphical models
Taraghi et al. Bayesian modelling of student misconceptions in the one-digit multiplication with probabilistic programming
Ade-Ibijola et al. Introducing Code Adviser: A DFA-driven electronic programming tutor
Ivančević et al. Adaptive testing in programming courses based on educational data mining techniques
Stamper et al. Hierarchical Concept Map Generation from Course Data
Austin et al. Ontology‐enabled validation of connectivity relationships in a home theater system
Rashid et al. Machine learning and software quality prediction: as an expert system
Hua et al. Concept Learning in Engineering based on Refinement Operator.
CN117290856B (zh) 基于软件自动化测试技术的智能测试管理系统
Alzoubi et al. Predicting students’ performance and problem solving behavior from iList log data
Khosravifar et al. Dynamic peer-to-peer amplifier system used in agent-based intelligent tutoring system
Niharika et al. Story Point Estimation Using Machine Learning for Agile Projects
Beek et al. Diagnosis and assessment
Forrester Learning the Arabic Plural: The Case for Minority Default Mappings in Connectionist Networks. Neil Forrester Department of Experimental Psychology University of Oxford
Berr et al. Educational Data Analysis using Generative AI.
US20210312229A1 (en) Selecting unlabeled data objects to be processed

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for 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: 20191015

Year of fee payment: 5