KR101629084B1 - Apparatus and method for determining study plan for user - Google Patents

Apparatus and method for determining study plan for user Download PDF

Info

Publication number
KR101629084B1
KR101629084B1 KR1020140092554A KR20140092554A KR101629084B1 KR 101629084 B1 KR101629084 B1 KR 101629084B1 KR 1020140092554 A KR1020140092554 A KR 1020140092554A KR 20140092554 A KR20140092554 A KR 20140092554A KR 101629084 B1 KR101629084 B1 KR 101629084B1
Authority
KR
South Korea
Prior art keywords
user
learning
information
section
prescription
Prior art date
Application number
KR1020140092554A
Other languages
Korean (ko)
Other versions
KR20160011454A (en
Inventor
조일현
Original Assignee
이화여자대학교 산학협력단
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 이화여자대학교 산학협력단 filed Critical 이화여자대학교 산학협력단
Priority to KR1020140092554A priority Critical patent/KR101629084B1/en
Publication of KR20160011454A publication Critical patent/KR20160011454A/en
Application granted granted Critical
Publication of KR101629084B1 publication Critical patent/KR101629084B1/en

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION 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
    • G06Q50/00Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10Services
    • G06Q50/20Education
    • G06Q50/205Education administration or guidance

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Educational Administration (AREA)
  • Educational Technology (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

사용자에 대한 학습 처방 결정 장치 및 방법이 개시된다.
사용자에 대한 학습 처방 결정 방법은 학습용 동영상 콘텐츠의 구간별로 사용자의 구간 행동 정보, 및 사용자의 구간 학습 성과 정보를 수집하는 단계; 상기 구간 행동 정보 및 상기 학습 성과 정보를 사용자의 속성 정보와 매칭하여 사용자들을 군집화하는 단계; 사용자 군집별로 상기 구간 행동 정보, 사용자의 속성 정보 및 상기 학습 성과 정보를 분석하는 단계; 및 사용자 군집별 분석 결과를 기초로 사용자 군집에 포함된 사용자에 대한 학습 처방을 결정하는 단계를 포함할 수 있다.
An apparatus and method for determining a learning prescription for a user is disclosed.
A method of determining a learning prescription for a user includes collecting user's interval behavior information and user's interval learning performance information for each section of the learning video content; Grouping the users by matching the section behavior information and the learning performance information with the attribute information of the user; Analyzing the section behavior information, the user attribute information, and the learning performance information for each user cluster; And determining a learning prescription for a user included in the user community based on the analysis result of each user community.

Figure R1020140092554
Figure R1020140092554

Description

사용자에 대한 학습 처방 결정 장치 및 방법{APPARATUS AND METHOD FOR DETERMINING STUDY PLAN FOR USER}[0001] APPARATUS AND METHOD FOR DETERMINING STUDY PLAN FOR USER [0002]

본 발명은 사용자에 대한 학습 처방 결정 장치 및 방법에 관한 것으로, 보다 상세하게는 학습용 동영상 콘텐츠를 시청하는 사용자의 학습 행동에 따라 사용자의 학습을 위한 학습 처방을 결정하는 장치 및 방법에 관한 것이다. The present invention relates to an apparatus and method for determining a learning prescription for a user, and more particularly, to an apparatus and method for determining a learning prescription for a user's learning according to a learning behavior of a user who watches video content for learning.

IT 기술의 발달에 따라 학습용 동영상 콘텐츠를 이용한 사용자 학습 시스템이 확대되고 있다. With the development of IT technology, user learning system using video contents for learning is expanding.

그러나, 학습용 동영상 콘텐츠는 사용자의 학습 능력에 따라 학습 내용이 변화하지 않으므로, 학습용 동영상 콘텐츠를 이용한 사용자 학습 시스템은 사용자에 최적화된 학습을 하기 어려운 실정이다.However, since the contents of learning video contents do not change according to the learning ability of the user, the user learning system using the learning video contents is difficult to optimize the learning for the user.

또한, 학습용 동영상 콘텐츠는 사용자의 학습을 지도하는 교육자에 의한 오프라인의 강의와 달리 사용자의 의도에 따라 반복하여 재생될 수 있다. 따라서, 사용자는 이해하기 어려운 구간, 또는 흥미도가 높은 구간을 반복하여 재생할 수 있다. Also, unlike offline lectures by the educator who teaches the user's learning, the video content for learning can be repeatedly reproduced according to the user's intention. Therefore, the user can repeatedly reproduce a section that is difficult to understand or a section of high interest.

그러나, 종래의 학습용 동영상 콘텐츠를 이용한 사용자 학습 시스템은 단순히 사용자에게 학습용 동영상 콘텐츠를 제공하고 있으므로, 사용자가 이해하기 어려운 구간, 또는 사용자의 흥미도가 높은 구간을 고려하여 사용자에게 최적화된 학습을 제공할 수 없었다.However, since the user learning system using the conventional learning video contents simply provides the learning video contents to the user, it provides the optimized learning to the user in consideration of the section that the user can not understand or the section in which the user's interest is high I could not.

따라서, 학습용 동영상 콘텐츠를 이용하여 사용자에 최적화된 학습을 제공하는 방법이 요청되고 있다.
[선행문헌]
공개특허 제2008-0082070호
공개특허 제2007-0068083호
Therefore, there is a demand for a method of providing learning optimized for a user using video contents for learning.
[Prior Art]
Published Patent No. 2008-0082070
Published Patent No. 2007-0068083

본 발명은 학습용 동영상 콘텐츠의 구간별 사용자의 행동을 분석하여 사용자에 대한 학습 처방을 결정함으로써, 사용자의 흥미도, 이해 능력에 최적화된 학습 처방을 사용자에게 제공하는 장치 및 방법을 제공할 수 있다.The present invention can provide an apparatus and a method for providing a learning prescription optimized for a user's interest and understanding ability to a user by analyzing a behavior of a user for each section of the learning video content and determining a learning prescription for the user.

그리고, 본 발명은 학습용 동영상 콘텐츠의 구간별 사용자의 행동을 분석하여 학습용 동영상 콘텐츠의 내용, 및 난이도를 수정 또는 삭제함으로써, 사용자의 흥미도, 이해 능력에 최적화된 학습용 동영상 콘텐츠를 사용자에게 제공하는 장치 및 방법을 제공할 수 있다.In addition, the present invention provides a device for providing a user with a learning video content optimized for the user's interest and understanding ability by analyzing the behavior of the user for each section of the learning video content and correcting or deleting the content and difficulty of the learning video content And methods.

또한, 본 발명은 사용자의 속성 정보와 매칭된 구간 행동 정보 및 학습 성과 정보를 군집화하여 사용자 군집들을 생성하고, 사용자 군집별로 사용자의 속성 정보와 매칭된 구간 행동 정보 및 학습 성과 정보를 데이터마이닝하여 사용자의 성적이 발생한 원인 및 사용자의 성적을 예측함으로써, 사용자에게 최적화된 학습 처방을 결정하는 장치 및 방법을 제공할 수 있다.Also, the present invention generates user clusters by grouping the section behavior information and learning performance information matched with the attribute information of the user, and performs data mining of the section behavior information and the learning performance information matched with the attribute information of the user for each user cluster, It is possible to provide an apparatus and a method for predicting the cause of the gradation of the user and the grades of the user, thereby determining the optimum learning prescription for the user.

본 발명의 일실시예에 따른 사용자에 대한 학습 처방 결정 방법은 학습용 동영상 콘텐츠의 구간별로 사용자의 구간 행동 정보, 및 사용자의 구간 학습 성과 정보를 수집하는 단계; 상기 구간 행동 정보 및 상기 학습 성과 정보를 사용자의 속성 정보와 매칭하여 사용자들을 군집화하는 단계; 사용자 군집별로 상기 구간 행동 정보, 사용자의 속성 정보 및 상기 학습 성과 정보를 분석하는 단계; 및 사용자 군집별 분석 결과를 기초로 사용자 군집에 포함된 사용자에 대한 학습 처방을 결정하는 단계를 포함할 수 있다.According to an embodiment of the present invention, there is provided a method of determining a learning prescription for a user, the method comprising: collecting interval behavior information of a user and interval learning performance information of a user for each interval of a learning video content; Grouping the users by matching the section behavior information and the learning performance information with the attribute information of the user; Analyzing the section behavior information, the user attribute information, and the learning performance information for each user cluster; And determining a learning prescription for a user included in the user community based on the analysis result of each user community.

본 발명의 일실시예에 따른 사용자에 대한 학습 처방 결정 방법의 학습용 동영상 콘텐츠의 구간은 학습용 동영상 콘텐츠의 설계 정보에 포함된 학습 내용 및 학습 방법에 따라 구분될 수 있다.The segment of the learning video content of the learning prescription decision method for the user according to the embodiment of the present invention can be classified according to the learning content and the learning method included in the design information of the learning video content.

본 발명의 일실시예에 따른 사용자에 대한 학습 처방 결정 방법의 구간 행동 정보는 사용자가 학습용 동영상 콘텐츠의 구간을 반복 재생한 회수, 사용자가 학습용 동영상 콘텐츠의 구간에서 정지한 위치 및 정지한 회수 중 적어도 하나를 포함할 수 있다.The interval behavior information of the learning prescription decision method for the user according to an embodiment of the present invention includes at least one of the number of times the user repeatedly reproduces the section of the learning video content, the position where the user stopped at the section of the learning video content, One can be included.

본 발명의 일실시예에 따른 사용자에 대한 학습 처방 결정 방법의 사용자의 속성 정보는 사용자의 식별 정보, 사용자의 누적 성적, 사용자의 목표, 사용자의 성격, 사용자의 연령 및 성별 중 적어도 하나를 포함할 수 있다.The attribute information of the user of the learning prescription decision method for the user according to an embodiment of the present invention includes at least one of the identification information of the user, the cumulative score of the user, the goal of the user, the personality of the user, .

본 발명의 일실시예에 따른 사용자에 대한 학습 처방 결정 방법의 분석하는 단계는 상기 구간 행동 정보, 사용자의 속성 정보 및 상기 학습 성과 정보를 분석하여, 상기 학습 성과 정보에 포함된 사용자의 성적이 발생한 원인을 판단할 수 있다.The step of analyzing the learning prescription decision method for the user according to an embodiment of the present invention analyzes the interval behavior information, the attribute information of the user, and the learning performance information to determine whether the user's performance included in the learning performance information The cause can be judged.

본 발명의 일실시예에 따른 사용자에 대한 학습 처방 결정 방법의 학습 처방을 결정하는 단계는 상기 성적이 발생한 원인을 기초로 사용자 군집에 포함된 사용자들이 선호하는 학습 전략 및, 상기 선호하는 학습 전략에 대응하는 지원 전략, 또는 촉진 전략을 결정하여 사용자의 학습을 지도하는 교육자에게 제공할 수 있다.The step of determining a learning prescription of a learning prescription decision method for a user according to an embodiment of the present invention may include determining a learning prescription of a user based on a preferred learning strategy of the users included in the user community, A corresponding support strategy, or a facilitation strategy may be determined and provided to educators who guide the user's learning.

본 발명의 일실시예에 따른 사용자에 대한 학습 처방 결정 방법의 학습 처방을 결정하는 단계는 상기 성적이 발생한 원인을 기초로 사용자 군집에 포함된 사용자에게 제공할 학습용 동영상 콘텐츠의 가이드라인을 결정할 수 있다.The step of determining the learning prescription of the learning prescription decision method for the user according to the embodiment of the present invention can determine the guidelines of the learning video contents to be provided to the user included in the user community based on the cause of the performance .

본 발명의 일실시예에 따른 사용자에 대한 학습 처방 결정 방법의 분석하는 단계는, 사용자 군집 별로 상기 구간 행동 정보 및 사용자의 속성 정보로 상기 학습 성과 정보를 예측하는 예측 모형을 결정할 수 있다.The analyzing of the learning prescription decision method for the user according to an embodiment of the present invention may determine a prediction model for predicting the learning performance information by the section behavior information and the attribute information of the user for each user community.

본 발명의 일실시예에 따른 사용자에 대한 학습 처방 결정 방법의 학습 처방을 결정하는 단계는 사용자 군집에 포함된 다른 사용자들의 평균 행동 정보와 상기 구간 행동 정보 간의 비교 결과 및 상기 예측 모형에 따른 사용자의 예상 성적 중 적어도 하나를 사용자에게 제공할 수 있다.The step of determining the learning prescription of the learning prescription decision method for the user according to an embodiment of the present invention includes comparing the average behavior information of the other users included in the user community with the interval behavior information, And provide at least one of the expected scores to the user.

본 발명의 일실시예에 따른 사용자에 대한 학습 처방 결정 장치는 학습용 동영상 콘텐츠의 구간별로 사용자의 구간 행동 정보, 및 사용자의 구간 학습 성과 정보를 수집하는 정보 수집부; 상기 구간 행동 정보 및 상기 학습 성과 정보를 사용자의 속성 정보와 매칭하여 사용자들을 군집화하는 군집화부; 사용자 군집별로 상기 구간 행동 정보, 사용자의 속성 정보 및 상기 학습 성과 정보를 분석하는 군집별 분석부; 및 사용자 군집별 분석 결과를 기초로 사용자 군집에 포함된 사용자에 대한 학습 처방을 결정하는 학습 처방 결정부를 포함할 수 있다.An apparatus for determining a learning prescription for a user according to an exemplary embodiment of the present invention includes an information collection unit for collecting user's interval behavior information and interval learning performance information for each section of the learning video contents; A clustering unit for clustering users by matching the section behavior information and the learning performance information with attribute information of a user; An analysis unit for analyzing the section behavior information, the attribute information of the user, and the learning performance information for each user community; And a learning prescription deciding unit for deciding a learning prescription for a user included in the user community based on the analysis result of each user community.

본 발명의 일실시예에 따른 사용자에 대한 학습 처방 결정 장치의 학습용 동영상 콘텐츠의 구간은 학습용 동영상 콘텐츠의 설계 정보에 포함된 학습 내용 및 학습 방법에 따라 구분될 수 있다.The segment of the learning video content of the learning prescription decision device for the user according to an embodiment of the present invention can be classified according to the learning content and the learning method included in the design information of the learning video content.

본 발명의 일실시예에 따른 사용자에 대한 학습 처방 결정 장치는 구간 행동 정보는 사용자가 학습용 동영상 콘텐츠의 구간을 반복 재생한 회수, 사용자가 학습용 동영상 콘텐츠의 구간에서 정지한 위치 및 정지한 회수 중 적어도 하나를 포함할 수 있다.The apparatus for determining a learning prescription for a user according to an exemplary embodiment of the present invention is characterized in that the section behavior information includes at least one of a number of times the user repeatedly reproduces the section of the learning video content, a position where the user stops at the section of the learning video content, One can be included.

본 발명의 일실시예에 따른 사용자에 대한 학습 처방 결정 장치의 사용자의 속성 정보는 사용자의 식별 정보, 사용자의 누적 성적, 사용자의 목표, 사용자의 성격, 사용자의 연령 및 성별 중 적어도 하나를 포함할 수 있다.The attribute information of the user of the learning prescription decision device for the user according to an embodiment of the present invention includes at least one of the identification information of the user, the cumulative score of the user, the goal of the user, the personality of the user, .

본 발명의 일실시예에 따른 사용자에 대한 학습 처방 결정 장치의 군집별 분석부는 상기 구간 행동 정보, 사용자의 속성 정보 및 상기 학습 성과 정보를 분석하여, 상기 학습 성과 정보에 포함된 사용자의 성적이 발생한 원인을 판단할 수 있다.According to an embodiment of the present invention, the cluster-specific analysis unit of the learning prescription deciding apparatus analyzes the interval behavior information, the attribute information of the user, and the learning performance information to determine whether the user's performance included in the learning performance information The cause can be judged.

본 발명의 일실시예에 따른 사용자에 대한 학습 처방 결정 장치의 학습 처방 결정부는 상기 성적이 발생한 원인을 기초로 사용자 군집에 포함된 사용자들이 선호하는 학습 전략 및, 상기 선호하는 학습 전략에 대응하는 지원 전략, 또는 촉진 전략을 결정하여 사용자의 학습을 지도하는 교육자에게 제공할 수 있다.The learning and prescribing decision unit of the learning prescription deciding apparatus for a user according to an embodiment of the present invention may include a learning strategy of the users included in the user community based on the cause of the performance and a support corresponding to the preferred learning strategy Strategy, or facilitation strategy to provide educators who guide the user's learning.

본 발명의 일실시예에 따른 사용자에 대한 학습 처방 결정 장치는 학습 처방 결정부는 상기 성적이 발생한 원인을 기초로 사용자 군집에 포함된 사용자에게 제공할 학습용 동영상 콘텐츠의 가이드라인을 결정할 수 있다.In the apparatus for determining a learning prescription for a user according to an embodiment of the present invention, the learning prescription deciding unit may determine a guideline of learning video contents to be provided to a user included in the user community based on the cause of the performance.

본 발명의 일실시예에 따른 사용자에 대한 학습 처방 결정 장치의 군집별 분석부는 사용자 군집 별로 상기 구간 행동 정보 및 사용자의 속성 정보로 상기 학습 성과 정보를 예측하는 예측 모형을 결정할 수 있다.According to an embodiment of the present invention, a cluster-specific analysis unit for a user may determine a prediction model for predicting the learning performance information using the interval behavior information and user attribute information for each user cluster.

본 발명의 일실시예에 따른 사용자에 대한 학습 처방 결정 장치의 학습 처방 결정부는 사용자 군집에 포함된 다른 사용자들의 평균 행동 정보와 상기 구간 행동 정보 간의 비교 결과 및 상기 예측 모형에 따른 사용자의 예상 성적 중 적어도 하나를 사용자에게 제공할 수 있다.The learning prescription deciding unit of the learning prescription deciding apparatus for the user according to an embodiment of the present invention may include a comparison result between the average behavior information of other users included in the user community and the section behavior information and the prediction result of the user according to the prediction model At least one can be provided to the user.

본 발명은 학습용 동영상 콘텐츠의 구간별 사용자의 행동을 분석하여 사용자에 대한 학습 처방을 결정함으로써, 사용자의 흥미도, 이해 능력에 최적화된 학습 처방을 사용자에게 제공할 수 있다.The present invention can provide a user with a learning prescription optimized for the user's interest and understanding ability by analyzing the behavior of the user for each section of the learning video content and determining the learning prescription for the user.

그리고, 본 발명은 학습용 동영상 콘텐츠의 구간별 사용자의 행동을 분석하여 학습용 동영상 콘텐츠의 내용, 및 난이도를 수정 또는 삭제함으로써, 사용자의 흥미도, 이해 능력에 최적화된 학습용 동영상 콘텐츠를 사용자에게 제공할 수 있다. The present invention analyzes the behavior of a user for each section of the learning video content and corrects or eliminates the content and difficulty of the learning video content to provide the user with the video content optimized for the user's interest and understanding ability have.

또한, 본 발명은 사용자의 속성 정보와 매칭된 구간 행동 정보 및 학습 성과 정보를 군집화하여 사용자 군집들을 생성하고, 사용자 군집별로 사용자의 속성 정보와 매칭된 구간 행동 정보 및 학습 성과 정보를 데이터마이닝하여 사용자의 성적이 발생한 원인 및 사용자의 성적을 예측함으로써, 사용자에게 최적화된 학습 처방을 결정할 수 있다. Also, the present invention generates user clusters by grouping the section behavior information and learning performance information matched with the attribute information of the user, and performs data mining of the section behavior information and the learning performance information matched with the attribute information of the user for each user cluster, It is possible to determine the optimum learning prescription for the user by predicting the cause of the performance of the user and the result of the user.

도 1은 본 발명의 일실시예에 따른 사용자에 대한 학습 처방 결정 장치를 나타내는 도면이다.
도 2는 본 발명의 일실시예에 따른 사용자에 대한 학습 처방 결정 장치가 수집한 정보의 일례이다.
도 3은 본 발명의 일실시예에 따른 군집별 분석의 일례이다.
도 4는 본 발명의 일실시예에 예측 모형의 일례이다.
도 5는 본 발명의 일실시예에 따른 사용자에 대한 학습 처방 결정 장치가 결정한 학습 처방의 일례이다.
도 6은 본 발명의 일실시예에 따른 사용자에 대한 학습 처방 결정 방법을 도시한 플로우차트이다.
FIG. 1 is a diagram illustrating a device for determining a learning prescription for a user according to an embodiment of the present invention. Referring to FIG.
2 is an example of information collected by the apparatus for determining a learning prescription for a user according to an embodiment of the present invention.
FIG. 3 is an example of analysis by cluster according to an embodiment of the present invention.
4 is an example of a prediction model in an embodiment of the present invention.
5 is an example of a learning prescription determined by a learning prescription deciding apparatus for a user according to an embodiment of the present invention.
6 is a flowchart illustrating a method of determining a learning prescription for a user according to an embodiment of the present invention.

이하, 본 발명의 실시예를 첨부된 도면을 참조하여 상세하게 설명한다. 본 발명의 일실시예에 따른 사용자에 대한 학습 처방 결정 방법은 사용자에 대한 학습 처방 결정 장치에 의해 수행될 수 있다. DETAILED DESCRIPTION OF THE PREFERRED EMBODIMENTS Hereinafter, embodiments of the present invention will be described in detail with reference to the accompanying drawings. A method for determining a learning prescription for a user according to an embodiment of the present invention may be performed by a learning prescription deciding apparatus for a user.

도 1은 본 발명의 일실시예에 따른 사용자에 대한 학습 처방 결정 장치를 나타내는 도면이다. FIG. 1 is a diagram illustrating a device for determining a learning prescription for a user according to an embodiment of the present invention. Referring to FIG.

도 1을 참고하면, 본 발명의 일실시예에 따른 사용자에 대한 학습 처방 결정 장치(100)는 정보 수집부(110), 군집화부(120), 군집별 분석부(130), 및 학습 처방 결정부(140)를 포함할 수 있다.Referring to FIG. 1, an apparatus 100 for determining a learning prescription for a user according to an embodiment of the present invention includes an information collecting unit 110, a clustering unit 120, a cluster-specific analyzing unit 130, (140). ≪ / RTI >

정보 수집부(110)는 학습용 동영상 콘텐츠의 구간별로 사용자의 구간 행동 정보, 및 사용자의 구간 학습 성과 정보를 수집할 수 있다. The information collecting unit 110 may collect user's interval behavior information and user's interval learning performance information for each section of the learning video content.

이때, 학습용 동영상 콘텐츠의 구간은 학습용 동영상 콘텐츠의 설계 정보에 포함된 학습 내용 및 학습 전략에 따라 구분될 수 있다. 이때, 학습 내용은 학습용 동영상 콘텐츠로 사용자에게 학습 시키고자 하는 개념, 개념의 응용 방법, 사용자의 흥미를 유발할 수 있는 내용 중 적어도 하나를 포함할 수 있다. 또한, 학습 전략은 학습 내용의 사례, 학습 내용의 문제 풀이, 학습 내용의 강의, 학습 내용의 스토리텔링, 학습 내용의 연습 중 적어도 하나를 포함할 수 있다.At this time, the segment of the learning video content may be classified according to the learning contents and the learning strategy included in the design information of the learning video content. In this case, the learning contents may include at least one of a concept to be taught to the user by the learning video contents, an application method of the concept, and contents that can induce the user's interest. In addition, the learning strategy may include at least one of examples of learning contents, problem solving of learning contents, lecture of learning contents, storytelling of learning contents, and practice of learning contents.

예를 들어, 학습용 동영상 콘텐츠가 제1 시간부터 제2 시간까지 제1 개념을 사용자에게 제공하고, 제2 시간부터 제3 시간까지 제1 개념과 다른 제2 개념을 사용자에게 제공할 수 있다. For example, the learning video content may provide the first concept to the user from the first time to the second time, and may provide the user with a second concept that is different from the first concept from the second time to the third time.

이때, 정보 수집부(110)는 제1 시간부터 제2 시간까지 재생되는 학습용 동영상 콘텐츠를 학습용 동영상 콘텐츠의 제1 구간으로 구분하고, 제2 시간부터 제3 시간까지 재생되는 학습용 동영상 콘텐츠를 학습용 동영상 콘텐츠의 제2 구간으로 구분할 수 있다. 즉, 정보 수집부(110)는 학습용 동영상 콘텐츠가 사용자에게 제공하는 학습 내용이 변경되는 시간을 기준으로 동영상의 구간을 구분할 수 있다.At this time, the information collecting unit 110 divides the learning video contents to be played back from the first time to the second time into the first section of the training video content, and stores the training video content, which is played from the second time to the third time, And a second section of the content. That is, the information collecting unit 110 can divide the duration of the moving picture based on the time at which the learning contents provided to the user by the learning moving picture contents are changed.

또한, 학습용 동영상 콘텐츠가 제1 시간부터 제3 시간까지 동일한 개념을 사용자에게 제공하고 있으나, 학습용 동영상 콘텐츠가 제1 시간부터 제2시간까지는 개념의 사례를 사용자에게 제공하고, 제2 시간부터 제3 시간까지는 사용자에게 개념과 관련된 문제 제시 및 문제 풀이를 제공할 수 있다. 이때, 제2 시간은 제1 시간과 제3 시간의 사이의 시간일 수 있다.In addition, although the learning video contents provide the same concept from the first time to the third time, the concept of the learning video content is provided to the user from the first time to the second time, By the time, the user can present the problem and solve the problem related to the concept. At this time, the second time may be the time between the first time and the third time.

이때, 정보 수집부(110)는 제1 시간부터 제2 시간까지 재생되는 학습용 동영상 콘텐츠를 학습용 동영상 콘텐츠의 제1 구간으로 구분하고, 제2 시간부터 제3 시간까지 재생되는 학습용 동영상 콘텐츠를 학습용 동영상 콘텐츠의 제2 구간으로 구분할 수 있다. 즉, 학습용 동영상 콘텐츠가 사용자에게 제공하는 학습 내용이 동일하더라도, 학습용 동영상 콘텐츠의 학습 전략이 변경되는 경우, 정보 수집부(110)는 학습용 동영상 콘텐츠의 학습 전략이 변경되는 시간을 기준으로 동영상의 구간을 구분할 수 있다.At this time, the information collecting unit 110 divides the learning video contents to be played back from the first time to the second time into the first section of the training video content, and stores the training video content, which is played from the second time to the third time, And a second section of the content. That is, in the case where the learning strategy of the learning video content is changed even if the learning content provided by the learning video content is the same, the information collecting unit 110 acquires, .

또한, 구간 행동 정보는 사용자가 학습용 동영상 콘텐츠의 구간을 반복 재생한 회수, 사용자가 학습용 동영상 콘텐츠의 구간에서 정지한 위치 및 정지한 회수 중 적어도 하나를 포함할 수 있다. In addition, the section behavior information may include at least one of the number of times the user repeatedly reproduces the section of the learning moving image content, the position where the user stops the section of the learning moving image content, and the number of times the user stops.

이때, 정보 수집부(110)는 학습용 동영상 콘텐츠의 구간별로 사용자가 학습용 동영상 콘텐츠의 구간을 반복 재생한 회수, 사용자가 학습용 동영상 콘텐츠의 구간에서 정지한 위치 및 정지한 회수 중 적어도 하나를 측정할 수 있다. 예를 들어, 정보 수집부(110)는 동영상 학습 콘텐츠의 재생(Play), 정지(Pause), 및 반복 재생(Replay)과 관련된 사용자의 행동을 측정할 수 있다.At this time, the information collecting unit 110 may measure at least one of the number of times the user repeatedly reproduces the section of the learning video content, the position where the user stops at the section of the learning video content, have. For example, the information collecting unit 110 may measure the user's actions related to Play, Pause, and Replay of the moving picture learning contents.

그리고, 정보 수집부(110)는 측정 결과를 사용자의 구간 행동 정보로 저장할 수 있다. 예를 들어, 구간 행동 정보는 로그 파일 형태로 기록된 행동 변수(behavioral variables)일 수 있다.The information collecting unit 110 may store the measurement result as the interval behavior information of the user. For example, the interval behavior information may be behavioral variables recorded in log file format.

또한, 정보 수집부(110)는 학습용 동영상 콘텐츠의 구간별로 사용자의 성적, 퀴즈 응답 결과, 만족도 설문을 수집할 수 있다. 그리고, 정보 수집부(110)는 수집 결과를 사용자의 구간 학습 성과 정보로 저장할 수 있다. 예를 들어, 사용자의 구간 학습 성과 정보는 학습용 동영상 콘텐츠의 구간별 사용자의 성적, 학습용 동영상 콘텐츠의 구간별 퀴즈 응답 결과, 및 학습용 동영상 콘텐츠의 구간별 만족도 설문 중 적어도 하나를 포함하는 성과 변수 (performance variables)일 수 있다.In addition, the information collecting unit 110 may collect the user's scores, the quiz answer results, and the satisfaction questionnaire for each section of the learning video contents. The information collecting unit 110 may store the collection result as the interval learning performance information of the user. For example, the user's section learning performance information includes a performance variable including at least one of a user's score for each section of the learning video content, a quiz response result for each section of the learning video content, variables.

군집화부(120)는 정보 수집부(110)가 수집한 구간 행동 정보 및 학습 성과 정보를 사용자의 속성 정보와 매칭하여 사용자들을 군집화(clustering)할 수 있다. 이때, 군집화부(120)는 사용자들을 군집화하여 적어도 하나의 사용자가 포함된 사용자 군집(cluster)을 생성할 수 있다. The clustering unit 120 may clusters users by matching the section activity information and the learning performance information collected by the information collection unit 110 with the attribute information of the user. At this time, the clustering unit 120 clusters users to create a user cluster including at least one user.

또한, 사용자의 속성 정보는 사용자의 식별 정보, 사용자의 누적 성적, 사용자의 목표, 사용자의 성격, 사용자의 연령 및 성별 중 적어도 하나를 포함할 수 있다. 예를 들어, 사용자의 속성 정보는 사용자의 개인 ID, 성별, 누적 성적, 연령 중 적어도 하나를 포함하는 속성 변수(attribute variables)일 수 있다.The attribute information of the user may include at least one of the identification information of the user, the cumulative score of the user, the goal of the user, the personality of the user, and the age and sex of the user. For example, the attribute information of the user may be attribute variables including at least one of the user's personal ID, gender, cumulative grade, and age.

그리고, 군집화부(120)는 다양한 군집 분석 기법 중 사용자들을 군집하기 위하여 이용할 군집 분석 기법을 선택할 수 있다. 구체적으로, 군집화부(120)는 다양한 군집 분석 기법으로 사용자들을 군집하여 군집 분석별로 사용자 군집을 생성할 수 있다. 그리고, 군집별 분석부(130)는 군집 분석별 사용자 군집을 분석하여 분석 결과가 가장 좋은 군집 분석 기법을 최적의 군집 분석 기법으로 추출할 수 있다. 그 후, 군집화부(120)는 최적의 군집 분석 기법을 이용하여 사용자들을 군집할 수 있다.The clustering unit 120 may select a cluster analysis technique to be used for clustering users among various cluster analysis techniques. Specifically, the clustering unit 120 can group users by various clustering analysis techniques to generate user clusters by cluster analysis. The cluster analysis unit 130 analyzes the user cluster according to the cluster analysis and extracts the best cluster analysis technique with the optimal cluster analysis technique. Then, the clustering unit 120 can cluster the users using an optimal cluster analysis technique.

군집별 분석부(130)는 군집화부(120)가 생성한 사용자 군집별로 구간 행동 정보, 사용자의 속성 정보 및 학습 성과 정보를 분석할 수 있다.The cluster analysis unit 130 may analyze the segment behavior information, the user attribute information, and the learning performance information for each user cluster generated by the clustering unit 120.

군집별 분석부(130)는 사용자의 구간 행동 정보, 사용자의 속성 정보 및 사용자의 학습 성과 정보를 데이터마이닝하여 사용자의 학습 성과 정보에 포함된 사용자의 성적이 발생한 원인을 판단할 수 있다.The cluster-specific analysis unit 130 can determine the cause of the user's performance included in the user's learning performance information by data mining the user's interval behavior information, the user's attribute information, and the user's learning performance information.

사용자의 구간 행동 정보, 사용자의 속성 정보 및 사용자의 학습 성과 정보와 같은 사용자 특성에 따라 사용자의 학습 성과 정보를 예측하는 예측 모형이 달라질 수 있다. 또한, 사용자에 최적화된 학습 처방을 결정하기 위해서는 사용자의 학습 성과 정보를 예측할 필요가 있다.The prediction model for predicting the learning performance information of the user may be changed according to the user characteristics such as the user's interval behavior information, the user's attribute information, and the user's learning performance information. In addition, it is necessary to predict the learning performance information of the user in order to determine the learning prescription optimized for the user.

따라서, 군집별 분석부(130)는 사용자 군집별로 사용자의 구간 행동 정보 및 사용자의 속성 정보로 사용자의 학습 성과 정보를 예측하는 예측 모형을 결정할 수 있다.Accordingly, the cluster-specific analysis unit 130 can determine a prediction model for predicting the user's learning performance information on user's segment behavior information and user attribute information for each user cluster.

이때, 군집별 분석부(130)는 정규성과 같은 모수 통계 가정 충족 여부에 따라 모수 및 비모수 통계기법을 적용하여 예측 모형을 결정할 수 있다.In this case, the cluster analysis unit 130 can determine the prediction model by applying the parametric and nonparametric statistical methods according to whether or not the parametric statistical assumptions such as normality are satisfied.

학습 처방 결정부(140)는 군집별 분석부(130)가 사용자 군집별로 분석한 분석 결과를 기초로 사용자 군집에 포함된 사용자에 대한 학습 처방을 결정할 수 있다.The learning and prescription decision unit 140 can determine the learning prescription for the user included in the user community based on the analysis result analyzed by the community analysis unit 130 for each user community.

이때, 학습 처방 결정부(140)는 군집별 분석부(130)가 판단한 사용자의 성적이 발생한 원인 및 군집별 분석부(130)가 결정한 예측 모형에 따른 사용자의 예상 성적 중 적어도 하나를 기초로 사용자 군집에 포함된 사용자에 대한 학습 처방을 결정할 수 있다.At this time, the learning and prescribing decision unit 140 may determine the cause of the user's performance determined by the cluster-specific analysis unit 130 and the user's expected score according to the prediction model determined by the analysis unit 130 for each cluster, The user can determine the learning prescription for the users included in the community.

그리고, 학습 처방 결정부(140)는 결정한 학습 처방에 대응하는 전략, 및 정보를 사용자, 사용자의 학부모, 사용자의 학습을 지도하는 교육자, 및 학습용 동영상 콘텐츠를 제작하는 제작자 중 적어도 하나에게 제공할 수 있다.Then, the learning prescription deciding unit 140 can provide the strategy and information corresponding to the determined learning prescription to at least one of the user, the parents of the user, the educator who guides the learning of the user, and the producer who produces the learning video content have.

이때, 학습 처방 결정부(140)는 군집별 분석부(130)가 판단한 사용자의 성적이 발생한 원인 및 군집별 분석부(130)가 결정한 예측 모형에 따른 사용자의 예상 성적 중 적어도 하나를 기초로 사용자 군집에 포함된 사용자들이 선호하는 학습 전략 및, 상기 선호하는 학습 전략에 대응하는 지원 전략, 또는 촉진 전략을 결정하여 사용자의 학습을 지도하는 교육자에게 제공할 수 있다.At this time, the learning and prescribing decision unit 140 may determine the cause of the user's performance determined by the cluster-specific analysis unit 130 and the user's expected score according to the prediction model determined by the analysis unit 130 for each cluster, The user may determine a preferred learning strategy included in the community and a support strategy or promotion strategy corresponding to the preferred learning strategy and provide the instruction to the educator who guides the user's learning.

예를 들어, 학습 처방 결정부(140)는 군집별 분석부(130)가 결정한 예측 모형에 따른 사용자의 예상 성적이 가장 높은 구간의 학습 전략에 따라 사용자들이 선호하는 학습 전략을 결정할 수 있다. 또한, 사용자의 성적이 발생한 원인별로 학습 전략이 설정된 경우, 학습 처방 결정부(140)는 군집별 분석부(130)가 판단한 사용자의 성적이 발생한 원인에 설정된 학습 전략을 결정할 수 있다.For example, the learning and prescribing decision unit 140 can determine the learning strategies preferred by the users according to the learning strategy of the user with the highest expected score according to the prediction model determined by the cluster-specific analysis unit 130. If the learning strategy is set for each cause of the user's performance, the learning and prescription decision unit 140 can determine the learning strategy set for the cause of the user's grade determined by the community-based analysis unit 130.

이때, 학습 전략은 사용자가 학습하는 방법을 결정하는 전략이고, 지원 전략은 학습 전략에 따라 학습하는 사용자를 옆에서 지원해주기 위한 방법을 결정하는 전략일 수 있다. 또한, 촉진 전략은 교육자가 사용자가 학습을 하도록 독려하는 전략일 수 있다. 예를 들어, 학습 전략은 사용자에게 학습시키고자 하는 개념의 강의 타입, 사용자에게 학습시키고자 하는 개념의 사례 설명 타입, 및 사용자에게 학습시키고자 하는 개념과 관련된 문제 풀이 타입 중 적어도 하나를 포함할 수 있다. 또한, 지원 전략은 학부모 리포트를 포함하고, 촉진 전략은 교육자와 사용자 간의 면담, 또는 교육자가 사용자에게 전송하는 독려 메일 중 적어도 하나를 포함할 수 있다. 따라서, 지원 전략이 학부모 리포트인 경우, 교육자는 사용자의 학부모에게 리포트를 요청할 수 있다.At this time, the learning strategy is a strategy for determining how the user learns, and the support strategy may be a strategy for deciding how to support the user who learns according to the learning strategy. In addition, facilitation strategies can be strategies that encourage educators to engage learners. For example, a learning strategy may include at least one of a type of lecture of a concept to be taught to a user, a description type of a concept to be learned by the user, and a problem solving type related to a concept to be learned by the user have. In addition, the support strategy may include a parent report, and the facilitation strategy may include at least one of an interview between the educator and the user, or an encouraging email the educator sends to the user. Therefore, if the support strategy is a parent report, the educator can request a report from the user's parent.

또한, 학습 처방 결정부(140)는 군집별 분석부(130)가 판단한 사용자의 성적이 발생한 원인 및 군집별 분석부(130)가 결정한 예측 모형에 따른 사용자의 예상 성적 중 적어도 하나를 기초로 사용자 군집에 포함된 사용자에게 제공할 학습용 동영상 콘텐츠의 가이드라인을 결정하여 학습용 동영상 콘텐츠를 제작하는 제작자에게 제공할 수 있다.In addition, the learning and prescribing decision unit 140 may determine the cause of the user's performance determined by the cluster-specific analysis unit 130 and the predicted user's performance according to the prediction model determined by the analysis unit 130 for each cluster, A guideline of the learning video content to be provided to the user included in the community can be determined and provided to the producer who produces the learning video content.

예를 들어, 군집별 분석부(130)가 판단한 사용자의 성적이 발생한 원인이 '사용자에게 선행 지식이 있음'이거나, 군집별 분석부(130)가 결정한 예측 모형에 따른 사용자의 예상 성적이 임계값 보다 높은 경우, 사용자는 동영상 콘텐츠의 해당 구간의 학습 필요성이 낮을 수 있다. 따라서, 학습 처방 결정부(140)는 사용자에게 제공할 학습용 동영상 콘텐츠의 가이드 라인을 "최소한의 정보"로 결정함으로써, 사용자가 알고 있는 개념을 설명함에 따른 사용자의 시간 낭비를 최소화할 수 있다.For example, if the cause of the user determined by the cluster-specific analysis unit 130 is 'having prior knowledge of the user', or if the predicted result of the user according to the prediction model determined by the cluster- The user may have a low learning need for the corresponding section of the video content. Therefore, the learning and prescribing decision unit 140 can minimize the time wasted by the user by explaining the concept that the user knows, by determining the guideline of the learning video content to be provided to the user as "minimum information ".

반면, 군집별 분석부(130)가 판단한 사용자의 성적이 발생한 원인이 '기초 학력 부족'이거나, 군집별 분석부(130)가 결정한 예측 모형에 따른 사용자의 예상 성적이 임계값 보다 낮은 경우, 사용자는 동영상 콘텐츠의 해당 구간의 학습 필요성이 높을 수 있다. 따라서, 학습 처방 결정부(140)는 사용자에게 제공할 학습용 동영상 콘텐츠의 가이드 라인을 "기초 학습 콘텐츠 및 연습 문제 추가"로 결정함으로써, 사용자가 해당 구간의 개념을 용이하게 학습하도록 할 수 있다.On the other hand, if the cause of the user's performance determined by the cluster-specific analysis unit 130 is 'lack of basic academic ability', or if the predicted score of the user according to the prediction model determined by the cluster-specific analysis unit 130 is lower than the threshold value, The necessity of learning the relevant section of the video contents may be high. Accordingly, the learning and prescription decision unit 140 can determine the guideline of the learning video content to be provided to the user as "basic learning content and practice problem addition ", allowing the user to easily learn the concept of the corresponding section.

즉, 사용자에 대한 학습 처방 결정 장치(100)는 학습용 동영상 콘텐츠의 구간별 사용자의 행동을 분석하여 학습용 동영상 콘텐츠의 내용, 및 난이도를 수정 또는 삭제함으로써, 사용자의 흥미도, 이해 능력에 최적화된 학습용 동영상 콘텐츠를 사용자에게 제공할 수 있다. That is, the learning prescription deciding apparatus 100 for a user analyzes the behavior of the user for each section of the learning video content and corrects or eliminates the content and difficulty of the learning video content, Video content can be provided to the user.

그리고, 학습 처방 결정부(140)는 사용자 군집에 포함된 다른 사용자들의 평균 행동 정보와 사용자의 구간 행동 정보 간의 비교 결과 및 군집별 분석부(130)가 결정한 예측 모형에 따른 사용자의 예상 성적 중 적어도 하나를 사용자에게 제공할 수 있다.The learning and prescription decision unit 140 determines at least one of the comparison result between the average behavior information of other users included in the user community and the user's interval behavior information and the prediction result of the user according to the prediction model determined by the community- One can be provided to the user.

예를 들어, 학습 처방 결정부(140)는 사용자의 예상 성적을 시각화하여 사용자에게 제공함으로써, 사용자가 자신과 비슷한 다른 사용자에 비하여 어느 정도 성적을 내고 있는지를 인식하도록 할 수 있다. 또한, 학습 처방 결정부(140)는 사용자의 학습 행동을 사용자 군집에 포함된 다른 사용자들의 평균적인 행동과 비교하고, 비교 결과를 예상 성적과 함께 사용자에게 제공함으로써, 사용자가 다른 사용자에 비하여 반복 재생과 같은 학습이 더 필요한 구간을 인식시킬 수 있다.For example, the learning prescription deciding unit 140 may visualize the user's expected score and provide the user with the expected score, thereby allowing the user to recognize to what extent the user is performing compared with other users similar to him / her. In addition, the learning and prescription decision unit 140 compares the learning behavior of the user with the average behavior of other users included in the user community, and provides the comparison result to the user along with the expected performance, Can be recognized.

즉, 학습 처방 결정부(140)는 사용자의 성적 및 행동을 사용자가 비슷한 성향을 가진 다른 사용자들과 비교함으로써, 사용자가 자신의 행동에서 필요한 부분을 인식하도록 하고, 사용자가 자기 주도 학습을 촉진하도록 할 수 있다.That is, the learning and prescribing decision unit 140 compares the user's performance and behavior with other users having a similar tendency so that the user can recognize a necessary part of his / her behavior and prompt the user to promote self-directed learning can do.

또한, 사용자가 자기주도적 학습 능력이 적은 미성년 학습자일 경우, 학습 처방 결정부(140)는 사용자의 학부모에게도 비교 결과 및 사용자의 예상 성적을 피드백 함으로써, 학부모가 사용자의 학습을 위하여 필요한 조치를 취하도록 유도할 수 있다.In addition, when the user is a minor learner with less self-directed learning ability, the learning and prescribing decision unit 140 also feeds the comparison results and the user's expected scores to the user's parents so that the parents take necessary measures for learning the user .

그리고, 학습 처방 결정부(140)는 성적에 따라 분류한 사용자 군집 및 성적이 임계값 이하인 사용자 군집에 포함된 사용자의 성적이 발생한 원인을 학교와 학원과 같은 운영 관리자에게 제공할 수 있다. 이때, 학습 처방 결정부(140)는 성적에 따라 분류한 사용자 군집을 운영 관리자에게 제공함으로써, 운영 관리자가 학생 선발을 위한 기준을 선택하는 것을 도울 수 있다. 또한, 학습 처방 결정부(140)는 성적이 임계값 이하인 사용자 군집에 포함된 사용자의 성적이 발생한 원인을 운영 관리자에게 제공함으로써, 운영 관리자가 성적이 낮은 사용자들을 지원하기 위한 방법을 결정하는 것을 도울 수 있다.The learning and prescribing decision unit 140 may provide the user group classified according to the grade and the cause of the user's grade included in the user group having the grades below the threshold to the operation manager such as the school and the institute. At this time, the learning and prescribing decision unit 140 can help the operating manager to select a criterion for student selection by providing the operating clusters classified according to the grades. The learning and prescribing decision unit 140 also provides the operation manager with the cause of the user's grades included in the user community whose grades are less than or equal to the threshold value, thereby helping the operating manager to determine how to support the users with low grades .

사용자에 대한 학습 처방 결정 장치(100)는 학습용 동영상 콘텐츠의 구간별 사용자의 행동을 분석하여 사용자에 대한 학습 처방을 결정함으로써, 사용자의 흥미도, 이해 능력에 최적화된 학습 처방을 사용자에게 제공할 수 있다. The learning prescription deciding apparatus 100 for a user analyzes a behavior of a user for each section of the learning video contents and determines a learning prescription for the user so that a learning prescription optimized for the user's interest and understanding ability can be provided to the user have.

또한, 사용자에 대한 학습 처방 결정 장치(100)는 사용자의 속성 정보와 매칭된 구간 행동 정보 및 학습 성과 정보를 군집화하여 사용자 군집들을 생성하고, 사용자 군집별로 사용자의 속성 정보와 매칭된 구간 행동 정보 및 학습 성과 정보를 데이터마이닝하여 사용자의 성적이 발생한 원인 및 사용자의 성적을 예측함으로써, 사용자에게 최적화된 학습 처방을 결정할 수 있다. In addition, the learning prescription deciding apparatus 100 for a user generates user clusters by clustering the section behavior information and the learning performance information matched with the user's attribute information, and generates section activity information, which is matched with the attribute information of the user, The learning result information can be data mined to predict the cause of the user's performance and the user's performance, so that the optimum learning prescription can be determined for the user.

도 2는 본 발명의 일실시예에 따른 사용자에 대한 학습 처방 결정 장치가 수집한 정보의 일례이다. 2 is an example of information collected by the apparatus for determining a learning prescription for a user according to an embodiment of the present invention.

학습용 동영상 콘텐츠는 영화나 드라마와 같은 오락을 위한 동영상 콘텐츠와 달리 학습 목표를 달성하기 위하여 제작될 수 있다. 따라서, 학습용 동영상 콘텐츠는 학습 목표의 달성을 위하여 선택된 학습 내용과 학습 전략 및 평가 도구가 상호 연계되도록 개발될 수 있다. Learning video content can be made to achieve learning goals unlike video content for entertainment such as movies and dramas. Therefore, the learning video contents can be developed so that the selected learning contents, learning strategies and evaluation tools are linked with each other to achieve the learning goals.

즉, 학습용 동영상 콘텐츠는 도 2에 도시된 바와 같이 일정 구간별로 학습 내용 및 학습 전략 중 적어도 하나가 다를 수 있다. 따라서, 사용자에 대한 학습 처방 결정 장치(100)는 학습용 동영상 콘텐츠를 설계 정보에 포함된 학습 내용과 학습 전략에 기초하여 복수의 구간으로 구분할 수 있다. 그리고, 사용자에 대한 학습 처방 결정 장치(100)는 도 2에 도시된 바와 같이 학습용 동영상 콘텐츠의 구간별로 사용자의 행동 정보와 학습 성과 정보를 수집함으로써, 학습 내용 및 학습 전략에 대한 사용자의 학습 의욕 및 학습 결과를 판단할 수 있다.That is, as shown in FIG. 2, at least one of the learning content and the learning strategy may be different for each predetermined section of the learning video content. Accordingly, the learning prescription deciding apparatus 100 for a user can divide the learning video contents into a plurality of sections based on learning contents and learning strategies included in the design information. 2, the learning prescription deciding apparatus 100 collects user's behavior information and learning performance information for each section of the learning video contents, thereby enabling the user to learn the learning contents and the learning strategy The learning result can be determined.

이때, 사용자에 대한 학습 처방 결정 장치(100)는 학습용 동영상 콘텐츠의 구간별로 사용자의 행동을 재생, 정지, 반복 재생으로 나누어 로그파일 형태의 행동 변수(behavioral variables)로 기록함으로써, 도 2에 도시된 바와 같은 구간별 시청 빈도, 및 시청 시간을 식별할 수 있다. 또한, 사용자에 대한 학습 처방 결정 장치(100)는 학습용 동영상 콘텐츠의 구간별로 성적, 퀴즈 응답 결과, 만족도 설문 등 성과 변수 (performance variables)를 수집할 수 있다. 그리고, 사용자에 대한 학습 처방 결정 장치(100)는 개인 ID, 성별, 누적 성적, 연령과 같은 속성 변수 (attribute variables)를 행동 변수 및 성과 변수와 결합함으로써 통계 분석용 데이터를 구축하여 사용자의 학습 의욕 및 학습 결과를 판단할 수 있다.At this time, the learning prescription deciding apparatus 100 for a user divides the user's behavior into sections of the learning video contents for reproduction, stop, and repeated reproduction and records them as behavioral variables in the form of a log file, A viewing frequency per section such as a bar, and a viewing time. In addition, the learning prescription deciding apparatus 100 for a user can collect performance variables such as grades, quiz answer results, satisfaction questionnaires, etc. for each section of the learning video contents. Then, the learning prescription deciding apparatus 100 for a user constructs statistical analysis data by combining attribute variables such as personal ID, sex, cumulative grade, and age with action variables and performance variables, And the learning result.

예를 들어, 도 2의 구간 1의 경우, 사용자는 구간 1을 반복하여 시청하였으므로, 사용자에 대한 학습 처방 결정 장치(100)는 사용자가 구간 1에서 학습시키는 개념 1을 이해하기 어려워하거나, 선호하는 것으로 판단할 수 있다.For example, in the case of the interval 1 of FIG. 2, since the user has repeatedly watched the interval 1, the learning prescription deciding apparatus 100 for the user has difficulty understanding the concept 1 that the user learns in the interval 1, .

그리고, 사용자의 성적은 구간 1에서 높게 나왔으므로, 사용자에 대한 학습 처방 결정 장치(100)는 구간 1의 학습 전략이 사용자에게 효과적이라고 판단할 수 있다. 그러나, 사용자의 만족도는 구간 1에서 낮게 나왔으므로, 사용자에 대한 학습 처방 결정 장치(100)는 구간 1의 학습 전략이 사용자에게 효과적이지만, 사용자가 선호하는 방법은 아닌 것으로 판단할 수 있다.Since the user's score is higher in the interval 1, the learning and decision-making apparatus 100 for the user can determine that the learning strategy of the interval 1 is effective for the user. However, since the satisfaction level of the user is low in the interval 1, the learning prescription deciding apparatus 100 for the user can determine that the learning strategy of the interval 1 is effective for the user but is not the method preferred by the user.

따라서, 사용자에 대한 학습 처방 결정 장치(100)는 구간의 학습 전략을 변경하며, 학습 효과가 높으면서 사용자가 선호하는 학습 처방을 결정할 수 있다. Accordingly, the learning prescription deciding apparatus 100 for the user can change the learning strategy of the section, and can determine the learning prescription preferred by the user while the learning effect is high.

또한, 사용자에 대한 학습 처방 결정 장치(100)는 사용자의 속성과 관련된 인구 학적 및 사용자의 과거 성적을 기초로 사용자를 군집화함으로써, 사용자가 사용자와 비슷한 성별, 나이, 성격, 목표, 성적을 가진 다른 사용자들 중에서 어느 정도 수준인지를 판단하여 사용자에게 제공하여 사용자의 학습 욕구를 높일 수 있다.In addition, the learning prescription deciding apparatus 100 for a user groups clusters based on the demographic and past scores of the user in relation to the attributes of the user, so that the user can select the clusters having similar sex, age, personality, It is possible to determine the degree of the level among the users and to provide it to the user so as to increase the learning desire of the user.

도 3은 본 발명의 일실시예에 따른 군집별 분석의 일례이다. FIG. 3 is an example of analysis by cluster according to an embodiment of the present invention.

사용자에 대한 학습 처방 결정 장치(100)의 군집별 분석부(130)는 는 도 3에 도시된 바와 같이 성적과 같은 구간 학습 성과 정보와 시청 시간과 같은 구간 행동 정보, 및 연령과 같은 속성 정보가 유사한 사용자들을 군집화하여 제1 사용자 군집(310)과 제2 사용자 군집(320)를 생성할 수 있다.As shown in FIG. 3, the cluster-by-cluster analyzing unit 130 of the learning prescription deciding apparatus 100 for a user may be provided with information such as interval learning performance information such as a grade, interval behavior information such as viewing time, The first user community 310 and the second user community 320 may be created by clustering similar users.

그리고, 군집별 분석부(130)는 제1 사용자 군집(310)과 제2 사용자 군집(320)을 각각 분석할 수 있다. 이때, 군집별 분석부(130)는 제1 사용자 군집(310)에 포함된 사용자들의 사용자의 성적이 발생한 원인, 제1 사용자 군집(310)에 포함된 사용자들의 예상 성적을 예측하는 예측 모델, 제2 사용자 군집(320)에 포함된 사용자들의 사용자의 성적이 발생한 원인, 및 제2 사용자 군집(320)에 포함된 사용자들의 예상 성적을 예측하는 예측 모델을 결정할 수 있다.The cluster analysis unit 130 may analyze the first user cluster 310 and the second user cluster 320, respectively. In this case, the cluster-specific analysis unit 130 may include a cause model of a user's performance of the users included in the first user community 310, a prediction model for predicting the users' expected performance included in the first user community 310, A prediction model for predicting the cause of the user's performance of the users included in the user community 320 and the prediction results of the users included in the second user community 320 may be determined.

도 4는 본 발명의 일실시예에 따른 예측 모형의 일례이다. 4 is an example of a prediction model according to an embodiment of the present invention.

사용자에 대한 학습 처방 결정 장치(100)의 군집별 분석부(130)는 사용자 군집별로 시청 시간이나 시청 빈도와 같은 행동 변수 및 속성 변수(X)를 이용하여 수능 성적(400)과 같은 성과 변수 (Y)를 예측하는 예측 모형을 결정할 수 있다. 구체적으로, 도 4에서 검은색 원과 해칭이 있는 원은 서로 다른 사용자 군집에 포함된 사용자들이며, 군집별 분석부(130)는 도 4에서 검은색 원으로 표시한 사용자들에 대응하는 예측 모형과 도 4에서 해칭이 있는 원으로 표시한 사용자들에 대응하는 예측 모형을 각각 결정할 수 있다.The grouping analysis unit 130 of the learning prescription deciding apparatus 100 for a user uses a behavior variable and an attribute variable X such as a viewing time and a viewing frequency for each user group to calculate a performance variable Y) can be determined. 4, the circles having the black circles and hatching are users included in different user communities. The analysis unit 130 according to the clusters includes a prediction model corresponding to the users indicated by black circles in FIG. 4, In FIG. 4, prediction models corresponding to users indicated by hatching circles can be respectively determined.

예를 들어, 군집별 분석부(130)는 예측 모형으로 예측한 결과를 정보 수집부(110)가 수집한 구간 학습 성과 정보와 비교함으로써, 예측 모형의 예측 능력을 판단하고, 예측 능력이 가장 높은 예측 모델을 해당 구간의 예측 모델로 결정할 수 있다. For example, the cluster-by-cluster analyzing unit 130 determines the prediction capability of the prediction model by comparing the prediction result with the prediction performance model and the interval learning performance information collected by the information collection unit 110, The prediction model can be determined as a prediction model of the corresponding section.

도 5는 본 발명의 일실시예에 따른 사용자에 대한 학습 처방 결정 장치가 결정한 학습 처방의 일례이다. 5 is an example of a learning prescription determined by a learning prescription deciding apparatus for a user according to an embodiment of the present invention.

사용자에 대한 학습 처방 결정 장치(100)의 학습 처방 결정부(140)는 군집별 분석부(130)가 분석한 사용자의 성적이 발생한 원인을 기초로 사용자에 대한 학습 처방을 결정할 수 있다.The learning prescription deciding unit 140 of the learning prescription deciding apparatus 100 for the user can determine the learning prescription for the user on the basis of the cause of the user's performance analyzed by the clustering analysis unit 130. [

예를 들어, 구간에서 사용자의 성적이 높고, 사용자의 시청 빈도가 많은 경우, 군집별 분석부(130)는 사용자가 구간을 반복 시청함으로써, 성적이 높으므로, 사용자가 구간을 반복 시청할 정도로 자기 조절 능력이 우수하고, 사용자의 성적이 오를 정도로 콘텐츠의 설계가 적절하다고 판단할 수 있다. 이때, 군집별 분석부(130)는 사용자의 성적이 발생한 원인을 A 유형으로 결정할 수 있다. 이때, A 유형은 학습용 동영상 콘텐츠에 의하여 사용자의 성적이 향상되고 있다는 것을 의미할 수 있다. 따라서, A 유형에 대응하는 학습 처방은 지속적으로 사용자의 학습 동기를 고취(stir up)하는 것일 수 있다.For example, when the user's score is high and the user's viewing frequency is high in the interval, the cluster-specific analyzing unit 130 repeatedly watches the user, It can be judged that the design of the content is appropriate enough for the ability to be excellent and the user's score to be improved. At this time, the cluster-specific analysis unit 130 can determine the cause of the user's performance as the A type. At this time, the type A may mean that the user's performance is improved by the learning video contents. Therefore, the learning prescription corresponding to the type A may consistently stir up the learning motivation of the user.

다음으로, 구간에서 사용자의 성적이 발생한 원인이 A 유형인 경우, 학습 처방 결정부(140)는 도 5에 도시된 바와 같이 A 유형에 대응하는 학습 처방을 결정하여 사용자, 사용자의 학습을 지도하는 교육자, 학습용 동영상 콘텐츠를 제작하는 제작자 중 적어도 하나에게 제공할 수 있다.Next, when the cause of the user's performance in the interval is Type A, the learning and prescription decision unit 140 determines a learning prescription corresponding to the type A as shown in FIG. 5 and instructs the learning of the user and the user Educators, and producers who produce video content for learning.

또한, 구간에서 사용자의 성적이 높고, 사용자의 시청 빈도가 적은 경우, 군집별 분석부(130)는 사용자가 구간을 반복 시청하지 않았는데도 성적이 높으므로, 사용자가 구간에서 제공하는 학습 내용에 대한 지식을 미리 보유하고 있거나, 적은 회수의 반복 시청으로 사용자의 성적이 오를 정도로 콘텐츠의 설계가 탁월하다고 판단할 수 있다. 이때, 군집별 분석부(130)는 사용자의 성적이 발생한 원인을 B 유형으로 결정할 수 있다. 이때, B 유형은 사용자가 해당 구간의 학습 내용을 충분히 학습하였다는 것을 의미할 수 있다. 따라서, B 유형에 대응하는 학습 처방은 학습의 대상이 되는 내용을 변경하는 것일 수 있다.In addition, when the user's score is high in the interval and the user's viewing frequency is low, the cluster-specific analyzing unit 130 has a high score even though the user does not repeatedly watch the interval. Therefore, Or it can be judged that the design of the content is excellent enough to improve the user's score with a small number of times of repeated viewing. At this time, the cluster-specific analysis unit 130 can determine the cause of the user's performance as the B type. In this case, the type B may mean that the user has sufficiently learned the contents of the corresponding section. Therefore, the learning prescription corresponding to the B type may be to change the contents to be the learning target.

다음으로, 구간에서 사용자의 성적이 발생한 원인이 B 유형인 경우, 학습 처방 결정부(140)는 도 5에 도시된 바와 같이 B 유형에 대응하는 학습 처방을 결정하여 사용자, 사용자의 학습을 지도하는 교육자, 학습용 동영상 콘텐츠를 제작하는 제작자 중 적어도 하나에게 제공할 수 있다. 이때, 교육자, 또는 제작자는 해당 구간의 내용, 또는 해당 구간을 제공할 사용자를 변경함으로써, 사용자에게 필요한 다른 학습 내용을 제공하도록 할 수 있다.Next, when the cause of the user's performance in the interval is the B type, the learning and prescription deciding unit 140 decides the learning prescription corresponding to the B type as shown in Fig. 5 and instructs the learning of the user and the user Educators, and producers who produce video content for learning. At this time, the educator or the producer can change the user of the section or the user to provide the section, so that the user can provide other learning contents necessary for the user.

그리고, 구간에서 사용자의 성적이 낮고, 사용자의 시청 빈도가 많은 경우, 군집별 분석부(130)는 사용자가 구간을 반복 시청함에도 불구하고 성적이 낮으므로, 사용자가 구간을 반복 시청하여도 학습 내용을 이해하지 못할 정도로 기초 학력이 부족하거나, 사용자에게 충분히 학습을 시키지 못할 정도로 콘텐츠의 설계가 부실하다고 판단할 수 있다. 이때, 군집별 분석부(130)는 사용자의 성적이 발생한 원인을 C 유형으로 결정할 수 있다. 이때, C 유형은 학습용 동영상 콘텐츠에 의하여 사용자의 성적이 향상되지 않는다는 것을 의미할 수 있다. 따라서, C 유형에 대응하는 학습 처방은 해당 구간에 대한 보충 자료를 학습시킴으로써, 사용자의 성적을 높이는 것일 수 있다.When the user's score is low and the user's viewing frequency is high in the interval, the cluster-specific analyzing unit 130 has a low score even though the user repeatedly watches the interval. Therefore, even if the user repeatedly watches the interval, , Or the design of the content may be judged to be inadequate enough that the user can not learn sufficiently. At this time, the cluster-specific analysis unit 130 can determine the cause of the user's performance as the C type. At this time, the C type may mean that the user's performance is not improved by the learning video contents. Therefore, the learning prescription corresponding to the C type may be to enhance the user's score by learning the supplementary data for the corresponding section.

다음으로, 구간에서 사용자의 성적이 발생한 원인이 C 유형 인 경우, 학습 처방 결정부(140)는 도 5에 도시된 바와 같이 C 유형에 대응하는 학습 처방을 결정하여 사용자, 사용자의 학습을 지도하는 교육자, 학습용 동영상 콘텐츠를 제작하는 제작자 중 적어도 하나에게 제공할 수 있다. 이때, 교육자는 학습 처방에 따라 보충 자료를 사용자에게 학습 시킬 수 있고, 제작자는 학습 처방에 따라 학습용 동영상 콘텐츠에 보충 자료를 추가할 수 있다.Next, when the cause of the user's performance in the section is the C type, the learning and prescribing decision unit 140 determines the learning prescription corresponding to the C type as shown in Fig. 5 and instructs the learning of the user and the user Educators, and producers who produce video content for learning. At this time, the educator can learn supplementary materials to the user according to the learning prescription, and the creator can add supplementary materials to the learning video contents according to the learning prescription.

또한, 구간에서 사용자의 성적이 낮고, 사용자의 시청 빈도가 적은 경우, 군집별 분석부(130)는 사용자가 구간을 시청하지 않아서 성적이 낮으므로, 사용자가 구간을 학습을 위하여 해당 구간을 반복 시청할 정도로 학습에 흥미가 저하되어 있거나, 해당 구간의 내용이 타당하지 않다고 판단할 수 있다. 이때, 군집별 분석부(130)는 사용자의 성적이 발생한 원인을 D 유형으로 결정할 수 있다. 이때, D 유형은 사용자가 해당 구간을 시청하도록 유도하지 못하면서 학습용 동영상 콘텐츠에 의하여 사용자의 성적이 향상되지 않는다는 것을 의미할 수 있다. 따라서, D 유형에 대응하는 학습 처방은 해당 구간의 삭제를 검토함으로써, 사용자의 시간 낭비를 최소화하는 것일 수 있다.In addition, when the user's score is low and the user's viewing frequency is low in the interval, the cluster-specific analyzing unit 130 does not view the interval and the score is low, so that the user repeatedly watches the interval , It can be judged that the interest in learning is degraded or the contents of the corresponding section are not valid. At this time, the cluster-specific analysis unit 130 can determine the cause of the user's score as the D type. At this time, the D type may mean that the user's performance is not improved by the learning video contents while the user can not induce the user to watch the corresponding section. Therefore, the learning prescription corresponding to the D type may minimize the waste of the user by examining deletion of the corresponding section.

다음으로, 구간에서 사용자의 성적이 발생한 원인이 D 유형인 경우, 학습 처방 결정부(140)는 도 5에 도시된 바와 같이 D 유형에 대응하는 학습 처방을 결정하여 사용자, 사용자의 학습을 지도하는 교육자, 학습용 동영상 콘텐츠를 제작하는 제작자 중 적어도 하나에게 제공할 수 있다. 이때, 교육자는 해당 구간의 삭제 여부를 검토하고, 검토 결과에 따라 제작자가 학습용 동영상 콘텐츠에서 해당 구간을 삭제하도록 할 수 있다.Next, in the case where the cause of the user's performance in the interval is type D, the learning and prescription decision unit 140 determines a learning prescription corresponding to the type D as shown in FIG. 5 and instructs the learning of the user and the user Educators, and producers who produce video content for learning. At this time, the educator can review whether or not the section is deleted, and allow the author to delete the section from the learning video content according to the review result.

도 6은 본 발명의 일실시예에 따른 사용자에 대한 학습 처방 결정 방법을 도시한 플로우차트이다.6 is a flowchart illustrating a method of determining a learning prescription for a user according to an embodiment of the present invention.

단계(610)에서 정보 수집부(110)는 학습용 동영상 콘텐츠의 구간별로 사용자의 구간 행동 정보, 및 사용자의 구간 학습 성과 정보를 수집할 수 있다. In operation 610, the information collecting unit 110 may collect the section behavior information of the user and the interval learning performance information of the user for each section of the learning video contents.

이때, 정보 수집부(110)는 동영상 학습 콘텐츠의 재생(Play), 정지(Pause), 및 반복 재생(Replay)과 관련된 사용자의 행동을 측정하여 사용자의 구간 행동 정보로 저장할 수 있다. 또한, 정보 수집부(110)는 학습용 동영상 콘텐츠의 구간별로 사용자의 성적, 퀴즈 응답 결과, 만족도 설문을 수집하여 사용자의 구간 학습 성과 정보로 저장할 수 있다. At this time, the information collecting unit 110 may measure the user's actions related to Play, Pause, and Replay of the moving learning content and store the user's activity information. In addition, the information collection unit 110 may collect the user's scores, quiz answer results, and satisfaction questionnaires for each section of the learning video contents, and store the collected results as user's section learning performance information.

단계(620)에서 군집화부(120)는 단계(610)에서 수집한 구간 행동 정보 및 학습 성과 정보를 사용자의 속성 정보와 매칭하여 사용자들을 군집화할 수 있다. 이때, 군집화부(120)는 사용자들을 군집화하여 적어도 하나의 사용자가 포함된 사용자 군집을 생성할 수 있다. In step 620, the clustering unit 120 may group the users by matching the section behavior information and the learning performance information collected in step 610 with the attribute information of the user. At this time, the clustering unit 120 clusters users to create a user community including at least one user.

단계(630)에서 군집별 분석부(130)는 단계(620)에서 생성한 사용자 군집별로 구간 행동 정보, 사용자의 속성 정보 및 학습 성과 정보를 분석할 수 있다. 이때, 군집별 분석부(130)는 사용자의 구간 행동 정보, 사용자의 속성 정보 및 사용자의 학습 성과 정보를 데이터마이닝하여 사용자의 학습 성과 정보에 포함된 사용자의 성적이 발생한 원인을 판단할 수 있다.In step 630, the cluster-specific analysis unit 130 may analyze the interval behavior information, the attribute information of the user, and the learning performance information for each user cluster generated in step 620. At this time, the cluster-specific analysis unit 130 may determine the cause of the user's performance included in the user's learning performance information by data mining the user's interval behavior information, the user's attribute information, and the user's learning performance information.

또한, 군집별 분석부(130)는 단계(620)에서 생성한 사용자 군집별로 사용자의 구간 행동 정보 및 사용자의 속성 정보로 사용자의 학습 성과 정보를 예측하는 예측 모형을 결정할 수 있다.In addition, the cluster-specific analysis unit 130 may determine a prediction model for predicting the learning performance information of the user based on the user's interval behavior information and the user's property information for each user cluster generated in step 620.

단계(640)에서 학습 처방 결정부(140)는 단계(630)에서 사용자 군집별로 분석한 분석 결과를 기초로 사용자 군집에 포함된 사용자에 대한 학습 처방을 결정할 수 있다.In step 640, the learning and prescription decision unit 140 may determine a learning prescription for the user included in the user community based on the analysis result analyzed for each user community in step 630. [

이때, 학습 처방 결정부(140)는 단계(630)에서 판단한 사용자의 성적이 발생한 원인 및 단계(630)에서 결정한 예측 모형에 따른 사용자의 예상 성적 중 적어도 하나를 기초로 사용자 군집에 포함된 사용자에 대한 학습 처방을 결정할 수 있다.At this time, the learning and prescription decision unit 140 determines whether the user included in the user community is included in the user community based on at least one of the cause of the user's performance determined in step 630 and the expected performance of the user based on the prediction model determined in step 630 You can decide on the prescription of the study.

그리고, 학습 처방 결정부(140)는 결정한 학습 처방에 대응하는 전략, 및 정보를 사용자, 사용자의 학부모, 사용자의 학습을 지도하는 교육자, 및 학습용 동영상 콘텐츠를 제작하는 제작자 중 적어도 하나에게 제공할 수 있다.Then, the learning prescription deciding unit 140 can provide the strategy and information corresponding to the determined learning prescription to at least one of the user, the parents of the user, the educator who guides the learning of the user, and the producer who produces the learning video content have.

본 발명은 학습용 동영상 콘텐츠의 구간별 사용자의 행동을 분석하여 사용자에 대한 학습 처방을 결정함으로써, 사용자의 흥미도, 이해 능력에 최적화된 학습 처방을 사용자에게 제공할 수 있다. The present invention can provide a user with a learning prescription optimized for the user's interest and understanding ability by analyzing the behavior of the user for each section of the learning video content and determining the learning prescription for the user.

또한, 본 발명은 학습용 동영상 콘텐츠의 구간별 사용자의 행동을 분석하여 학습용 동영상 콘텐츠의 내용, 및 난이도를 수정 또는 삭제함으로써, 사용자의 흥미도, 이해 능력에 최적화된 학습용 동영상 콘텐츠를 사용자에게 제공할 수 있다. In addition, the present invention analyzes the behavior of the user for each section of the learning video content and corrects or eliminates the content and difficulty of the learning video content to provide the user with the video content optimized for the user's interest and understanding ability have.

그리고, 본 발명은 사용자의 속성 정보와 매칭된 구간 행동 정보 및 학습 성과 정보를 군집화하여 사용자 군집들을 생성하고, 사용자 군집별로 사용자의 속성 정보와 매칭된 구간 행동 정보 및 학습 성과 정보를 데이터마이닝하여 사용자의 성적이 발생한 원인 및 사용자의 성적을 예측함으로써, 사용자에게 최적화된 학습 처방을 결정할 수 있다. The present invention creates user clusters by grouping the section behavior information and the learning performance information matched with the attribute information of the user, and performs data mining on the section behavior information and the learning performance information matched with the attribute information of the user for each user cluster, It is possible to determine the optimum learning prescription for the user by predicting the cause of the performance of the user and the result of the user.

이상과 같이 본 발명은 비록 한정된 실시예와 도면에 의해 설명되었으나, 본 발명은 상기의 실시예에 한정되는 것은 아니며, 본 발명이 속하는 분야에서 통상의 지식을 가진 자라면 이러한 기재로부터 다양한 수정 및 변형이 가능하다.While the invention has been shown and described with reference to certain preferred embodiments thereof, it will be understood by those of ordinary skill in the art that various changes in form and details may be made therein without departing from the spirit and scope of the invention as defined by the appended claims. This is possible.

그러므로, 본 발명의 범위는 설명된 실시예에 국한되어 정해져서는 아니 되며, 후술하는 특허청구범위뿐 아니라 이 특허청구범위와 균등한 것들에 의해 정해져야 한다.Therefore, the scope of the present invention should not be limited to the described embodiments, but should be determined by the equivalents of the claims, as well as the claims.

100: 사용자에 대한 학습 처방 결정 장치
110: 정보 수집부
120: 군집화부
130: 군집별 분석부
140: 학습 처방 결정부
100: a learning prescription decision device for the user
110: Information collecting unit
120: Clustering part
130: Analysis by cluster
140:

Claims (18)

정보 수집부, 군집화부, 군집별 분석부 및 학습 처방 결정부를 포함하는 사용자에 대한 학습 처방 결정 장치가 수행하는 사용자에 대한 학습 처방 결정 방법에 있어서,
상기 정보 수집부가 학습용 동영상 콘텐츠의 구간별로 사용자의 구간 행동 정보, 및 사용자의 구간 학습 성과 정보를 수집하는 단계;
상기 군집화부가 상기 구간 행동 정보 및 상기 학습 성과 정보를 사용자의 속성 정보와 매칭하여 사용자들을 군집화하는 단계;
상기 군집별 분석부가 사용자 군집별로 상기 구간 행동 정보, 사용자의 속성 정보 및 상기 학습 성과 정보를 분석하는 단계; 및
상기 학습 처방 결정부가 사용자 군집별 분석 결과를 기초로 사용자 군집에 포함된 사용자에 대한 학습 처방을 결정하는 단계
를 포함하고,
상기 학습용 동영상 콘텐츠의 구간은,
상기 학습용 동영상 콘텐츠로 사용자에게 학습 시키고자 하는 개념, 개념의 응용 방법, 사용자의 흥미를 유발할 수 있는 내용 중 적어도 하나를 포함하는 학습 내용, 또는 상기 학습 내용의 사례, 학습 내용의 문제 풀이, 학습 내용의 강의, 학습 내용의 스토리텔링, 학습 내용의 연습 중 적어도 하나를 포함하는 학습 전략에 따라 구분되며,
상기 분석하는 단계는,
상기 구간 행동 정보에 포함된 사용자의 시청 빈도 및 상기 학습 성과 정보에 포함된 사용자의 성적을 분석하여, 상기 사용자의 성적이 발생한 원인을 판단하는 사용자에 대한 학습 처방 결정 방법.
A method of determining a learning prescription for a user performed by a learning prescription deciding apparatus for a user including an information collecting unit, a clustering unit, a cluster-specific analyzing unit, and a learning prescription deciding unit,
Collecting section activity information of a user and section learning performance information of a user for each section of learning video contents;
Clustering the users by matching the section behavior information and the learning performance information with the attribute information of the user;
Analyzing the section behavior information, the attribute information of the user, and the learning performance information for each user community; And
A step of determining a learning prescription for a user included in a user community based on an analysis result of each user community,
Lt; / RTI >
Wherein the section of the learning video content comprises:
Learning contents including at least one of the concepts to be taught to the user by the learning video contents, the application methods of the concepts, and contents that can cause the user's interest, or examples of the learning contents, A story of learning contents, and an exercise of learning contents,
Wherein the analyzing comprises:
And analyzing a user's score included in the learning frequency information and the learning performance information included in the interval behavior information to determine a cause of the user's performance.
삭제delete 제1항에 있어서,
상기 구간 행동 정보는,
사용자가 학습용 동영상 콘텐츠의 구간을 반복 재생한 회수, 사용자가 학습용 동영상 콘텐츠의 구간에서 정지한 위치 및 정지한 회수 중 적어도 하나를 포함하는 사용자에 대한 학습 처방 결정 방법.
The method according to claim 1,
The section behavior information includes:
The number of times the user repeatedly reproduces the section of the learning video content, the position at which the user stops at the section of the learning video content, and the number of times the user stops.
제1항에 있어서,
상기 사용자의 속성 정보는,
사용자의 식별 정보, 사용자의 누적 성적, 사용자의 목표, 사용자의 성격, 사용자의 연령 및 성별 중 적어도 하나를 포함하는 사용자에 대한 학습 처방 결정 방법.
The method according to claim 1,
The attribute information of the user,
A method for determining a learning prescription for a user including at least one of a user's identification information, a cumulative score of a user, a goal of a user, a personality of a user, and an age and sex of a user.
삭제delete 제1항에 있어서,
상기 학습 처방을 결정하는 단계는,
상기 학습 처방 결정부가 상기 성적이 발생한 원인을 기초로 사용자 군집에 포함된 사용자들이 선호하는 학습 전략 및, 상기 선호하는 학습 전략에 대응하는 지원 전략, 또는 촉진 전략을 결정하여 사용자의 학습을 지도하는 교육자에게 제공하는 사용자에 대한 학습 처방 결정 방법.
The method according to claim 1,
Wherein the step of determining the learning prescription comprises:
Wherein the learning and prescription decision unit determines a learning strategy preferred by the users included in the user community and a support strategy corresponding to the preferred learning strategy or an acceleration strategy based on the cause of the performance, To determine the learning prescription for the user.
제1항에 있어서,
상기 학습 처방을 결정하는 단계는,
상기 학습 처방 결정부가 상기 성적이 발생한 원인을 기초로 사용자 군집에 포함된 사용자에게 제공할 학습용 동영상 콘텐츠의 가이드라인을 결정하는 사용자에 대한 학습 처방 결정 방법.
The method according to claim 1,
Wherein the step of determining the learning prescription comprises:
Wherein the learning prescription decision unit determines a guideline of the learning video contents to be provided to the user included in the user community based on the cause of the performance.
제1항에 있어서,
상기 분석하는 단계는,
상기 군집별 분석부가 사용자 군집 별로 상기 구간 행동 정보 및 사용자의 속성 정보로 상기 학습 성과 정보를 예측하는 예측 모형을 결정하는 사용자에 대한 학습 처방 결정 방법.
The method according to claim 1,
Wherein the analyzing comprises:
And determining a prediction model for predicting the learning performance information from the section behavior information and the user attribute information for each user community by the cluster-by-analysis unit.
제8항에 있어서,
상기 학습 처방을 결정하는 단계는,
상기 학습 처방 결정부가 사용자 군집에 포함된 다른 사용자들의 평균 행동 정보와 상기 구간 행동 정보 간의 비교 결과 및 상기 예측 모형에 따른 사용자의 예상 성적 중 적어도 하나를 사용자에게 제공하는 사용자에 대한 학습 처방 결정 방법.
9. The method of claim 8,
Wherein the step of determining the learning prescription comprises:
Wherein the learning prescription decision unit provides the user with at least one of a comparison result between the average behavior information of other users included in the user community and the interval behavior information and an expected result of the user according to the prediction model.
학습용 동영상 콘텐츠의 구간별로 사용자의 구간 행동 정보, 및 사용자의 구간 학습 성과 정보를 수집하는 정보 수집부;
상기 구간 행동 정보 및 상기 학습 성과 정보를 사용자의 속성 정보와 매칭하여 사용자들을 군집화하는 군집화부;
사용자 군집별로 상기 구간 행동 정보, 사용자의 속성 정보 및 상기 학습 성과 정보를 분석하는 군집별 분석부; 및
사용자 군집별 분석 결과를 기초로 사용자 군집에 포함된 사용자에 대한 학습 처방을 결정하는 학습 처방 결정부
를 포함하고,
상기 학습용 동영상 콘텐츠의 구간은,
상기 학습용 동영상 콘텐츠로 사용자에게 학습 시키고자 하는 개념, 개념의 응용 방법, 사용자의 흥미를 유발할 수 있는 내용 중 적어도 하나를 포함하는 학습 내용, 또는 상기 학습 내용의 사례, 학습 내용의 문제 풀이, 학습 내용의 강의, 학습 내용의 스토리텔링, 학습 내용의 연습 중 적어도 하나를 포함하는 학습 전략에 따라 구분되며,
상기 군집별 분석부는,
상기 구간 행동 정보에 포함된 사용자의 시청 빈도 및 상기 학습 성과 정보에 포함된 사용자의 성적을 분석하여, 상기 사용자의 성적이 발생한 원인을 판단하는 사용자에 대한 학습 처방 결정 장치.
An information collecting unit for collecting user's interval behavior information and interval learning performance information of a user for each section of the learning video contents;
A clustering unit for clustering users by matching the section behavior information and the learning performance information with attribute information of a user;
An analysis unit for analyzing the section behavior information, the attribute information of the user, and the learning performance information for each user community; And
A learning prescription deciding unit for deciding a learning prescription for a user included in the user community based on the analysis result of each user community,
Lt; / RTI >
Wherein the section of the learning video content comprises:
Learning contents including at least one of the concepts to be taught to the user by the learning video contents, the application methods of the concepts, and contents that can cause the user's interest, or examples of the learning contents, A story of learning contents, and an exercise of learning contents,
The cluster-
And determining a cause of the user's performance by analyzing the user's viewing frequency included in the section behavior information and the user's performance included in the learning performance information.
삭제delete 제10항에 있어서,
상기 구간 행동 정보는,
사용자가 학습용 동영상 콘텐츠의 구간을 반복 재생한 회수, 사용자가 학습용 동영상 콘텐츠의 구간에서 정지한 위치 및 정지한 회수 중 적어도 하나를 포함하는 사용자에 대한 학습 처방 결정 장치.
11. The method of claim 10,
The section behavior information includes:
The number of times the user repeatedly reproduces the section of the learning video content, the position at which the user stops at the section of the learning video content, and the number of times the user stops.
제10항에 있어서,
상기 사용자의 속성 정보는,
사용자의 식별 정보, 사용자의 누적 성적, 사용자의 목표, 사용자의 성격, 사용자의 연령 및 성별 중 적어도 하나를 포함하는 사용자에 대한 학습 처방 결정 장치.
11. The method of claim 10,
The attribute information of the user,
A user's identification information, a cumulative score of a user, a goal of a user, a personality of a user, an age and a gender of a user.
삭제delete 제10항에 있어서,
상기 학습 처방 결정부는,
상기 성적이 발생한 원인을 기초로 사용자 군집에 포함된 사용자들이 선호하는 학습 전략 및, 상기 선호하는 학습 전략에 대응하는 지원 전략, 또는 촉진 전략을 결정하여 사용자의 학습을 지도하는 교육자에게 제공하는 사용자에 대한 학습 처방 결정 장치.
11. The method of claim 10,
Wherein the learning /
A user who determines a learning strategy preferred by the users included in the user community and a support strategy corresponding to the preferred learning strategy or an acceleration strategy based on the cause of the performance, A decision - making device for learning.
제10항에 있어서,
상기 학습 처방 결정부는,
상기 성적이 발생한 원인을 기초로 사용자 군집에 포함된 사용자에게 제공할 학습용 동영상 콘텐츠의 가이드라인을 결정하는 사용자에 대한 학습 처방 결정 장치.
11. The method of claim 10,
Wherein the learning /
And determines a guide line of the learning video contents to be provided to the user included in the user community based on the cause of the performance.
제10항에 있어서,
상기 군집별 분석부는,
사용자 군집 별로 상기 구간 행동 정보 및 사용자의 속성 정보로 상기 학습 성과 정보를 예측하는 예측 모형을 결정하는 사용자에 대한 학습 처방 결정 장치.
11. The method of claim 10,
The cluster-
And determining a prediction model for predicting the learning performance information from the section behavior information and the user attribute information for each user cluster.
제17항에 있어서,
상기 학습 처방 결정부는,
사용자 군집에 포함된 다른 사용자들의 평균 행동 정보와 상기 구간 행동 정보 간의 비교 결과 및 상기 예측 모형에 따른 사용자의 예상 성적 중 적어도 하나를 사용자에게 제공하는 사용자에 대한 학습 처방 결정 장치.
18. The method of claim 17,
Wherein the learning /
And provides at least one of a comparison result between the average behavior information of other users included in the user community and the section behavior information and an expected result of the user according to the prediction model to the user.
KR1020140092554A 2014-07-22 2014-07-22 Apparatus and method for determining study plan for user KR101629084B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020140092554A KR101629084B1 (en) 2014-07-22 2014-07-22 Apparatus and method for determining study plan for user

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020140092554A KR101629084B1 (en) 2014-07-22 2014-07-22 Apparatus and method for determining study plan for user

Publications (2)

Publication Number Publication Date
KR20160011454A KR20160011454A (en) 2016-02-01
KR101629084B1 true KR101629084B1 (en) 2016-06-09

Family

ID=55353996

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020140092554A KR101629084B1 (en) 2014-07-22 2014-07-22 Apparatus and method for determining study plan for user

Country Status (1)

Country Link
KR (1) KR101629084B1 (en)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021029563A1 (en) * 2019-08-12 2021-02-18 주식회사 클래스큐브 Method, system and non-transitory computer-readable recording medium for providing learning information

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102251693B1 (en) * 2019-08-05 2021-05-13 엔터씨스 주식회사 Study data analysis apparatus and method for supporting study using the apparatus
KR102571825B1 (en) * 2020-07-10 2023-08-29 (주)뤼이드 User score prediction method, device, and system for predicting user score through multi-dimensional pairwise comparison
WO2022010151A1 (en) * 2020-07-10 2022-01-13 (주)뤼이드 User score prediction method, apparatus, and system for predicting user score through multidimensional paired comparison
KR102519495B1 (en) * 2022-11-04 2023-04-10 한국직업능력진흥원(주) Customized online video education apparatus through temperament test
KR102605113B1 (en) * 2023-01-11 2023-11-23 주식회사 에이블마인드 Platform server for educating of mathematics

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100816406B1 (en) * 2006-05-30 2008-03-26 이신애 A system and method for ordered education management service using website
KR101143508B1 (en) * 2007-11-06 2012-05-09 숭실대학교산학협력단 Method For Personalized Multi Recommendation Learning
KR20120096659A (en) * 2011-02-23 2012-08-31 한국과학기술원 E-learning system based on virtual peer-group and a method for supplying the same system

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021029563A1 (en) * 2019-08-12 2021-02-18 주식회사 클래스큐브 Method, system and non-transitory computer-readable recording medium for providing learning information
US11804145B2 (en) 2019-08-12 2023-10-31 Classcube Co., Ltd. Method, system and non-transitory computer-readable recording medium for providing learning information

Also Published As

Publication number Publication date
KR20160011454A (en) 2016-02-01

Similar Documents

Publication Publication Date Title
US20210027647A1 (en) Adaptive machine learning system
KR101629084B1 (en) Apparatus and method for determining study plan for user
US11514809B2 (en) Educational and content recommendation management system
US11443648B2 (en) Systems and methods to assist an instructor of a course
US11551570B2 (en) Systems and methods for assessing and improving student competencies
US10339822B2 (en) System and method for automated course individualization via learning behaviors and natural language processing
Daniel Handbook of Research on Methods and Techniques for Studying Virtual Communities: Paradigms and Phenomena: Paradigms and Phenomena
Pappas et al. Investigating students’ use and adoption of with-video assignments: lessons learnt for video-based open educational resources
Dawson et al. Using technology to encourage self-directed learning: The collaborative lecture annotation system
CN109035079B (en) Recorded broadcast course follow-up learning system and method based on Internet
KR102153782B1 (en) Learning value decision method to determine learning value of learners' learning activities
Mirriahi et al. Analytics of learner video use
US20240153395A1 (en) Tracking concepts and presenting content in a learning system
Tzeng et al. MOOC evaluation system based on deep learning
Banihashem et al. Learning analytics for online game-based learning: A systematic literature review
Chorianopoulos et al. Open service for video learning analytics
Kleftodimos et al. Using metrics and cluster analysis for analyzing learner video viewing behaviours in educational videos
Rusak Exploitation of micro-learning for generating personalized learning paths
Van Helvert et al. Observing, coaching and reflecting: Metalogue-a multi-modal tutoring system with metacognitive abilities
KR101857386B1 (en) Method and apparatus of self directed learning induction
Oellers et al. Individual learning paths mastering teachers’ professional vision
Zhang et al. Assessing the impact of recorded lectures on learning effectiveness
Thankachan Adaptive learning
Akçapınar et al. Decoding Video Logs: Unveiling Student Engagement Patterns in Lecture Capture Videos
Piotrkowicz et al. Self-Regulation, Knowledge, Experience: Which User Characteristics are Useful for Predicting Video Engagement?

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
GRNT Written decision to grant
FPAY Annual fee payment

Payment date: 20190404

Year of fee payment: 4