KR101781415B1 - 학습능력관리 장치 및 방법, 클라우드 컴퓨팅 서비스 장치 및 클라우드 컴퓨팅을 이용한 학습능력관리 방법 - Google Patents

Abstract

본 발명의 실시예는 학습능력관리 장치 및 방법, 클라우드 컴퓨팅 서비스 장치 및 클라우드 컴퓨팅을 이용한 학습능력관리 방법에 관한 것이다. 본 발명의 실시예에 따른 학습능력관리 장치는 단말기의 학습자에게 제공한 문제에 대한 문제풀이의 결과를 수신하고, 상기 문제풀이 이전까지 수행한 상기 문제의 각 문항에 포함되는 단원별 토픽에 대한 이전 이해도 진단치가 있는 경우, 상기 이전 이해도 진단치와 상기 문제풀이의 결과 간 가중치를 부여하여 산출되는 새로운 이해도 진단치가 복수의 이해도 구간 중 어느 구간에 해당되는지를 판별하는 이해도 구간 판별부; 및 상기 이해도 구간 판별부의 판별 결과, 상기 새로운 이해도 진단치가 상기 토픽을 상기 학습자가 숙지하고 상기 문항을 풀었는지 알 수 없는 구간에 존재하는 경우, 상기 학습자의 상기 토픽에 대한 이해도를 재판별하여 상기 새로운 이해도 진단치를 업데이트하도록 하는 진단 수행부를 포함하는 것을 특징으로 한다.

Description

학습능력관리 장치 및 방법, 클라우드 컴퓨팅 서비스 장치 및 클라우드 컴퓨팅을 이용한 학습능력관리 방법{Apparatus and Method for Managing Learning Ability, Apparatus for Providing Cloud Computing Service and Method for Managing Learning Ability by Using Cloud Computing}

본 발명의 실시예는 학습능력관리 장치 및 방법, 클라우드 컴퓨팅 서비스 장치 및 클라우드 컴퓨팅을 이용한 학습능력관리 방법에 관한 것이다. 더 상세하게는 이전의 문제풀이 정보를 바탕으로 현재의 문제풀이 결과들 중 학습자 실수에 의한 오답 입력이 있거나 모르는 문제를 운으로 맞춘 경우를 구분해 해당 경우들을 제외함으로써 더욱 정확히 학습자의 학력 수준을 진단하고 그 수준에 적당한 학습 콘텐츠를 제공할 수 있는 학습능력 관리 장치 및 방법, 클라우드 컴퓨팅 서비스 장치 및 클라우드 컴퓨팅을 이용한 학습능력관리 방법에 관한 것이다.

이하의 부분에서 기술되는 내용은 본 발명의 실시예와 관련되는 배경 정보를 제공할 뿐 종래기술을 구성하는 것이 아님을 밝혀둔다.

최근 인터넷과 컴퓨터 활용에 따른 다양한 주변환경의 변화를 통하여 우리의 교육환경은 빠르게 변화하고 있다. 특히, 다양한 교육매체의 발달로 학습자는 보다 폭넓은 학습 방법을 선택하고 이용할 수 있게 되었는데, 그 중 인터넷을 통한 교육서비스는 시간적, 공간적 제약을 극복하고 저비용의 교육이 가능하다는 이점 때문에 각광받는 교수 학습 수단 중 하나로 자리매김하게 되었다.

이러한 경향에 부응하여 e-러닝 관련 기술이 급속히 발달하게 되었고, 이제는 제한된 인적·물적 자원으로 오프라인 교육에서는 불가능했던 맞춤형 교육서비스도 가능하게 되었다. 예컨대, 학습자의 개성과 능력에 따라 세분화된 수준별 학습을 제공함으로써 과거의 획일적인 교육 방법에서 탈피하여 학습자의 개인 역량에 따른 교육 콘텐츠를 제공할 수 있게 되었다.

이와 같은 결과는 문제 풀이를 통하여 학습자의 학습 이해 정도를 진단하고 그 수준에 맞는 학습 자료를 추천해주는 방식에서 기인한다고 볼 수 있다. 특히 문제 풀이가 중요한 수학 과목을 중심으로 이러한 서비스들이 이미 존재하고 있는데, 기존의 진단 방법은 단원별로 문제를 출제하고, 그 채점 결과를 합산해 점수 기반으로 단원의 이해도를 판단하는 것이 대부분이다. 다만 이 경우에는 진단의 단위가 단원이라는 큰 단위로 이루어지기 때문에 학습자가 단원의 일부 특정 내용에 대한 지식이 부족하더라도 전체 단원에 대해서 학습을 해야 하는 단점이 있다.

이러한 문제 때문에 문제 풀이 방식의 학습 서비스들은 진단/추천 정보의 정확도를 높이기 위하여 단순한 점수 정보뿐만 아니라 학습 토픽별 상세 진단 정보까지 제공하는 방향으로 진화하고 있다. 즉, 하나의 문제가 실제로 어떠한 학습 토픽에 대한 것인지 혹은 여러 학습 토픽의 조합인 경우에는 관련 토픽들은 어떠한 것들인지에 대해서 분석하여, 해당 문제를 맞추거나 틀리는 것에 따라서 해당 토픽별 이해도를 산출하여 학습자에게 제시할 수 있는 단계에까지 이르게 된 것이다.

예를 들어서 학습 토픽 T1, T2, T3가 있고 문제 P1, P2, P3가 있을 때, P1은 T1, T2에 대한 지식을 필요로 하고, P2는 T2, T3를, 그리고 P3는 T1, T3에 대한 지식을 필요로 한다고 하면, 만약 학습자가 P1은 맞았는데 P2, P3는 틀렸을 경우를 가정하자. 이 경우 진단 방법 중 하나로 문제풀이 결과를 방정식화하는 방법이 있을 수 있다. 위의 경우에는 3개의 방정식 T1·T2 = 1, T2·T3 = 0, T1·T3 = 0으로 표현이 가능하다. 이 방정식을 풀이하면 학습자는 토픽 T1, T2는 알지만, 토픽 T3에 대해서는 모른다고 상세하게 판단을 할 수 있다.

그러나, 만약 학습자가 P1, P2는 맞추고 P3를 틀렸을 경우에는 방정식이 T1·T2 = 1, T2·T3 = 0, T1·T3 = 0이 나오고 실제 해를 구할 수 없게 된다. T2의 경우에는 알고 있다고 판별할 수 있지만, T1, T3의 경우에는 이해하고 있는지 여부를 판단할 수 없다. 실제 테스트에서는 학습자가 실수로 아는 문제를 틀릴 수도 있고, 운으로 모르는 문제를 맞출 수도 있기 때문에 그런 경우에는 토픽에 대한 이해도 진단 결과에 오류가 발생할 가능성도 있다.

이와 같이 종래의 진단/추천 방법들은 문제를 상세히 구분하여 진단하기 때문에 학습자가 실수로 문제를 틀리거나 운으로 문제를 맞출 경우 해당 토픽의 진단 결과에 직접적으로 영향을 주게 된다. 특히 토픽을 세분화할수록 단위 토픽을 커버하는 문제의 절대 수는 감소하기 때문에 학습자의 실수에 의한 오판 확률이 더 증가하게 되며, 반면에 단순 점수로 학습 성과를 판단하는 경우에는 몇 문제 정도의 오차는 점수에 영향이 적지만, 정확한 진단 결과는 얻을 수 없는 문제점이 있다.

본 발명의 실시예는 토픽에 대한 학습자의 이해도를 세분화하고, 세분화한 값의 계산에 최근 문제풀이 결과뿐 아니라 이전의 결과들을 모두 감안하여 문제풀이 상의 오류에 의한 잘못된 진단 확률을 줄이려는 학습능력관리 장치 및 방법, 클라우드 컴퓨팅 서비스 장치 및 클라우드 컴퓨팅을 이용한 학습능력관리 방법을 제공함에 그 목적이 있다.

본 발명의 실시예에 따른 학습능력관리 장치는 단말기의 학습자에게 제공한 문제에 대한 문제풀이의 결과를 수신하고, 상기 문제풀이 이전까지 수행한 상기 문제의 각 문항에 포함되는 단원별 토픽(topic)에 대한 이전 이해도 진단치가 있는 경우, 상기 이전 이해도 진단치와 상기 문제풀이의 결과 간 가중치를 부여하여 산출되는 새로운 이해도 진단치가 복수의 이해도 구간 중 어느 구간에 해당되는지를 판별하는 이해도 구간 판별부; 및 상기 이해도 구간 판별부의 판별 결과, 상기 새로운 이해도 진단치가 상기 토픽을 상기 학습자가 숙지하고 상기 문항을 풀었는지 알 수 없는 구간에 존재하는 경우, 상기 학습자의 상기 토픽에 대한 이해도를 재판별하여 상기 새로운 이해도 진단치를 업데이트하도록 하는 진단 수행부를 포함하는 것을 특징으로 한다.

본 발명의 실시예에 따른 클라우드 컴퓨팅 서비스 장치는 임의의 학습 애플리케이션을 이용해 서비스를 제공하기 위한 애플리케이션 정보를 생성하고, 상기 애플리케이션을 이용하기 위한 단말기의 온라인 접속시 상기 애플리케이션 정보를 제공하는 애플리케이션 정보 처리부; 상기 단말기의 학습자가 상기 애플리케이션 정보로부터 선택한 상기 학습 애플리케이션을 이용해 상기 단말기의 학습자에게 제공한 문제에 대한 문제풀이의 결과를 수신하고, 상기 문제풀이 이전까지 수행한 상기 문제의 각 문항에 포함되는 단원별 토픽에 대한 이전 이해도 진단치가 있는 경우, 상기 이전 이해도 진단치와 상기 문제풀이의 결과 간 가중치를 부여하여 산출되는 새로운 이해도 진단치가 복수의 이해도 구간 중 어느 구간에 해당되는지를 판별하는 이해도 구간 판별부; 및 상기 이해도 구간 판별부의 판별 결과, 상기 새로운 이해도 진단치가 상기 토픽을 상기 학습자가 숙지하고 상기 문항을 풀었는지 알 수 없는 구간에 존재하는 경우, 상기 학습자의 상기 토픽에 대한 이해도를 재판별하여 상기 새로운 이해도 진단치를 업데이트하도록 하는 진단 수행부를 포함하는 것을 특징으로 한다.

또한 본 발명의 실시예에 따른 학습능력관리 방법은 단말기의 학습자에게 제공한 문제에 대한 문제풀이의 결과를 수신하는 단계; 상기 문제풀이의 이전까지 수행한 상기 문제의 각 문항에 포함되는 단원별 토픽에 대한 이전 이해도 진단치가 있는 경우, 상기 이전 이해도 진단치와 상기 문제풀이의 결과 간 가중치를 부여하는 단계; 상기 가중치를 부여하여 산출되는 새로운 이해도 진단치가 복수의 이해도 구간 중 어느 구간에 해당되는지를 판별하는 단계; 상기 이해도 진단치가 상기 이해도 구간 중 상기 토픽을 상기 학습자가 숙지하고 상기 문항을 풀었는지 알 수 없는 구간에 있는 경우, 상기 학습자의 상기 토픽에 대한 이해도를 재판별하는 단계; 및 재판별 결과에 따라 상기 이전 이해도 진단치를 업데이트하는 단계를 포함하는 것을 특징으로 한다.

본 발명의 실시예에 따른 클라우드 컴퓨팅을 이용한 학습능력관리 방법은 임의의 학습 애플리케이션을 이용해 서비스를 제공하기 위한 애플리케이션 정보를 생성하고, 상기 애플리케이션을 이용하기 위한 단말기의 온라인 접속시 상기 애플리케이션 정보를 제공하는 단계; 상기 단말기의 학습자가 상기 애플리케이션 정보로부터 선택한 상기 학습 애플리케이션을 이용해 상기 단말기의 학습자에게 제공한 문제에 대한 문제풀이의 결과를 수신하는 단계; 상기 문제풀이 이전까지 수행한 상기 문제의 각 문항에 포함되는 단원별 토픽에 대한 이전 이해도 진단치가 있는 경우, 상기 이전 이해도 진단치와 상기 문제풀이의 결과 간 가중치를 부여하는 단계; 상기 가중치를 부여하여 산출되는 새로운 이해도 진단치가 복수의 이해도 구간 중 어느 구간에 해당되는지를 판별하는 단계; 판별 결과, 상기 새로운 이해도 진단치가 상기 토픽을 상기 학습자가 숙지하고 상기 문항을 풀었는지 알 수 없는 구간에 존재하는 경우, 상기 학습자의 상기 토픽에 대한 이해도를 재판별하는 단계; 및 재판결 결과에 따라 상기 새로운 이해도 진단치를 업데이트하는 단계를 포함하는 것을 특징으로 한다.

본 발명의 실시예에 따르면, 이전 학습 이력을 반영하여 학습자의 이해도를 측정함으로써 실수로 틀린 문제나 운으로 맞춘 문제 등에 의한 진단 오류를 최소화할 수 있게 되고, 나아가 이해도를 구분하여 이전에 확실히 진단된 토픽보다는 불확실한 토픽들에 진단의 초점을 맞춤으로써 더욱 단순한 계산으로도 훨씬 더 정확한 진단이 가능하게 될 것이다.

도 1은 본 발명의 제1 실시예에 따른 학습능력관리 시스템을 나타내는 도면,
도 2는 도 1의 학습능력관리 장치의 구조를 나타내는 블록다이어그램,
도 3은 도 2의 이해도 구간 판별부에서 판별되는 이해도 구간을 세분화하여 나타내는 도면,
도 4는 도 2의 진단 수행부의 진단 과정을 도식화한 도면,
도 5는 도 1의 장치의 학습능력관리 방법을 나타내는 도면,
도 6은 도 5의 오류 판별 과정을 구체적으로 나타내는 흐름도,
도 7은 본 발명의 제2 실시예에 따른 클라우드 컴퓨팅을 이용한 학습능력관리 시스템을 나타내는 도면,
도 8은 도 7의 클라우드 컴퓨팅 서비스 장치의 구조를 나타내는 블록다이어그램이다.

이하, 도면을 참조하여 본 발명의 실시예에 대하여 상세히 설명한다.

도 1은 본 발명의 제1 실시예에 따른 학습능력관리 시스템을 나타내는 도면이고, 도 2는 도 1의 학습능력관리 장치의 구조를 나타내는 블록다이어그램이다. 또한, 도 3은 도 2의 이해도 구간 판별부에서 판별되는 이해도 구간을 세분화하여 나타내는 도면이며, 도 4는 도 2의 진단 수행부의 진단 과정을 도식화한 도면이다.

도 1 내지 도 4에 도시된 바와 같이, 본 발명의 실시예에 따른 학습능력관리 시스템은 통신망(110) 및 학습능력관리 장치(120)를 포함하며, 단말기(100)를 더 포함할 수 있다.

여기서, 단말기(100)는 다양한 유무선 환경에 적용될 수 있으며, 예컨대 수학 또한 영어 등의 문제 풀이를 위한 웹 애플리케이션을 포함할 수 있다. 단말기(100)는 단말기의 형태별로 구분되는 PDA(Personal Digital Assistant), 셀룰러폰, 스마트폰 등과, 통신 방식별로 구분되는 PCS(Personal Communication Service)폰, GSM(Global System for Mobile)폰, W-CDMA(Wideband CDMA)폰, CDMA-2000폰, MBS(Mobile Broadband System)폰 등을 모두 포함할 수 있다. 여기서, MBS폰은 현재 논의되고 있는 차세대 시스템에서 사용될 단말기이다. 또한, 본 발명의 실시예에 따른 단말기(100)는 데스크탑 컴퓨터, 랩탑 컴퓨터, 넷북 및 태블릿 PC, 클라우드 컴퓨팅 환경 하에 사용될 수 있는 클라우드 단말기 등을 더 포함할 수 있다. 여기서, 클라우드 단말기란 클라우드 컴퓨팅 환경 하에 적용되는 최소한의 하드웨어 및 소프트웨어 자원을 갖는 단말기로서, 구름과 같이 무형의 형태를 갖는 소프트웨어 등의 컴퓨팅 자원을 클라우드 컴퓨팅 서비스 장치로부터 제공받을 수 있게 된다.

단말기(100)는 인터넷 접속 프로토콜인 무선 애플리케이션(WAP: Wireless Application Protocol), HTTP 프로토콜을 사용하는 HTML에 기반한 MIE(Microsoft Internet Explorer), 핸드헬드 디바이스 트랜스포트 프로토콜(HDPT: Handheld Device Transport Protocol), NTT DoKoMo사의 i-Mode 또는 특정 통신사의 무선 인터넷 접속용 브라우저를 이용해 통신망(110)을 경유하여 인터넷에 접속한다. 단말기(100)에서 사용하는 인터넷 접속 프로토콜 중에서, MIE는 HTML을 약간 변형시켜 축약하는 m-HTML을 사용하고, i-Mode의 경우에는 HTML의 서브세트인 콤팩트 HTML(c-HTML)이라는 언어를 사용한다. 최근의 스마트폰과 같은 단말기(100)는 더욱 빠른 무선 인터넷을 제공하기 위하여 아이폰용인 오페라미니(Opera Mini)와 같은 특정 통신사의 무선 인터넷 접속용 브라우저를 사용하거나, 이와 연계해 단말기(100)에 근거리 통신망인 와이파이(WiFi) 및 와이브로(WiBro) 등도 함께 사용함으로써 무선 초고속 인터넷을 제공하고 있다.

통신망(110)은 유무선 통신망을 모두 포함하며, 예컨대 무선통신망으로서 기지국 제어기, 기지국 전송기 및/또는 중계기 등을 포함한다. 여기서, 기지국 제어기는 지지국 전송기와 교환국간 신호를 중계하는 역할을 한다. 통신망(110)은 동기식 및 비동기식을 모두 지원한다. 따라서 동기식인 경우 송신 및 수신 기지국 전송기는 BTS(Base Station Transmission System), 송신 및 수신 기지국 제어기는 BSC(Base Station Controller)가 될 것이고, 비동기식인 경우 송신 및 수신 기지국 전송기는 RTS(Radio Tranceiver Subsystem), 송신 및 수신 기지국 제어기는 RNC(Radio Network Controller)가 될 것이다. 물론 본 발명의 실시예에 따른 통신망(110)은 이에 한정되는 것이 아니며, CDMA 망이 아닌 GSM 망 및 향후 구현될 차세대 이동통신 시스템의 접속망으로서 가령 클라우드 컴퓨팅 환경 하의 클라우드 컴퓨팅망 등에 사용될 수 있는 것을 통칭하는 것이다.

학습능력관리 장치(120)는 가령 영어, 수학 등의 과목에 대한 학습능력을 진단하기 위한 장치로서, 이전의 문제풀이 정보를 바탕으로 문제풀이 결과들 중 학습자 실수에 의한 오답 입력이나 모르는 문제를 운으로 맞춘 경우를 구분해 해당 경우의 수들을 제외함으로써 더욱 정확하게 학습자의 학력 수준을 진단한다. 이를 위하여 학습능력관리 장치(120)는 토픽에 대한 학습자의 이해도를 단순히 안다 또는 모른다 정도의 이분법적인 구분이 아니라, 전체 이해도를 '1'이라 할 때 0(완전히 모름)과 1(완벽히 앎) 사이에 임의의 실수 값을 갖는 확률 값으로 세분화하고 그 값의 계산에 최근 문제풀이 결과뿐 아니라 이전의 결과들을 모두 감안하여 계산함으로써 문제풀이 상의 오류, 예를 들어 학습자 실수에 의한 오답 입력이나 운으로 맞춘 문제에 의한 잘못된 진단 확률을 줄이게 된다. 이를 위해 학습능력관리 장치(120)는 확률 값의 계산 방법으로서 기본적으로 최근의 문제풀이 결과에 비중을 두는 가중합(weighted sum) 방법을 이용할 수 있다.

좀더 구체적으로 살펴보면, 학습능력관리 장치(120)는 도 2에 도시된 바와 같이 트래픽 처리부(200) 및 오류 진단부(210)를 포함하며, 여기서 오류 진단부(210)는 이해도 구간 판별부(211) 및 진단 수행부(213)를 포함할 수 있다.

트래픽 처리부(200)는 제어부(미도시) 및 인터페이스부를 포함할 수 있는데, 제어부는 학습능력관리 장치(120)에서 처리되는 신호 또는 데이터 전반을 제어하고, 인터페이스부는 통신망(110)과 상호 연동할 수 있도록 인터페이스 역할을 수행한다. 인터페이스부는 그 과정에서 정보 변환 등의 과정을 수행할 수 있다.

오류 진단부(210)의 이해도 구간 판별부(211)는 예를 들어, 정답 확인부(미도시), 가중치 부여부(미도시) 및 토픽 분석부(미도시)의 일부 또는 전부를 포함하거나 독립적으로 구성되는 정답 확인부, 가중치 부여부 및 토픽 분석부에 상호 연동할 수 있으며, 이를 통해 각 토픽들이 이해도 구간 중 어느 구간에 속하는지를 판별할 수 있다. 여기서, 정답 확인부는 단말기(100)에서 제공한 문제 풀이에 대한 정답 확인 결과를 얻으며, 가중치 부여부는 문제풀이 회차와 같은 특정 변수의 고려 여부에 따라 서로 다른 가중치를 부여한다. 예컨대 이전까지의 이해도 진단치보다는 최근의 문제풀이 결과에 가중치를 더 부여할 수 있다. 또한 토픽 분석부는 예를 들어 문제가 형성된 패턴을 분석하여 문제의 문항마다 어떠한 토픽으로 이루어졌는지를 분석할 수 있고, 학습능력관리 장치(120)의 DB(120a)에 출제 문제에 대한 토픽 정보를 별도 저장하고 있다면 이를 활용하는 것도 얼마든지 가능할 수 있다.

이해도 구간 판별부(211)는 가중치 조절을 위하여 1) 현재의 문제 풀이가 몇 번째인지를 나타내는 문제풀이 회차, 2) 해당 토픽에 대한 문서나 동영상 같은 학습 콘텐츠의 시청은 얼마나 있었는지, 또는 3) 이전 진단 이후로 시간적으로 얼마의 시간이 경과하였는지 등의 변수를 고려할 수 있다. 다시 말해, 이해도 구간 판별부(211)는 가령 3가지 변수에 해당되는지를 판별한 후 판별 결과에 따라 최근 문제풀이 결과와 이전 이해도 진단치 간 가중치를 서로 다르게 부여하는 것이다. 여기서, 문제풀이 회차는 한번 문제풀이 사이트에 접속하여 해당 토픽에 대한 문제풀이를 수행한 것을 하나의 회차로 정의한다.

예를 들어, 이전까지의 이해도 진단치를 Up, 최근의 문제풀이 결과를 S, 새로운 이해도를 Un이라 가정하면, 관계식은 <수학식 1>과 같이 나타내어질 수 있다.

이때, S 값은 문제풀이가 정답인 경우 1, 오답인 경우 0이고, α는 최근 문제풀이에 대한 가중치이다.

가령 위의 1) 및 2)의 경우에는 해당 토픽에 대한 추가적인 지식을 습득하였기 때문에 이전의 진단 결과와는 구분하여 최근의 학습 결과 쪽에 더 가중치를 주고, 3)의 경우에는 이전의 진단 결과가 시간에 따라서 불확실성이 더 커지기 때문에 이전의 결과에 대하여 가중치를 줄인다.

이런 기준 이외에도 현재 평가 결과에 따라서도 가중치의 양을 변화시켜 줄 수 있다. 즉 위의 1), 2)의 경우 실제로는 학습이 추가로 진행된 상태이기 때문에 학습자의 이해도 역시 증가했을 것이라 추측할 수 있다. 따라서, 해당 토픽에 대하여 문제풀이가 틀렸을 경우에도 사용자의 오류 답안 입력 가능성이 상대적으로 크다. 이에 따라 그 경우는 가중치를 줄인다. 반면 3)의 경우에는 학습 이해도가 감소했을 가능성이 많은데, 실제로는 그 반대로 이해도가 증가한 결과를 보였다면 그 경우에 대해서도 역시 가중치를 줄인다. 반대로 예측된 결과가 나왔을 경우에는 최근의 문제풀이를 신뢰할 수 있기 때문에 현재 결과에 더 가중치를 주어 계산한다.

이렇게 계산된 이해도 정보는 단순히 그 값 자체만으로 이용하기보다는 도 3에 도시된 바와 같이 다시 구간을 나누어 이전의 경향으로 봐서 '확실히 앎'과 '확실히 모름'과 같이 이해도 값이 어느 정도 확신을 가질 수 있는 구간에 있는 경우와, '모름' 또는 '앎'과 같이 이해 여부에 대한 확률적 판단은 가능하지만 어느 정도 오류가 있을 수 있는 구간으로 구분된다. 이해도를 '1'이라 할 때, 각 구간은 '0'과의 사이에 Tn, Tna, Tka, Tk의 임계치(threshold)를 통해 구분될 수 있다.

한편, 진단 수행부(213)는 이해도 구간 판별부(211)의 판별 결과에 따라 2개의 단계를 통해 학습자의 이해도를 정밀하게 측정할 수 있다. 다시 말해, 첫 번째 단계에서는 이해도 구간 판별부(211)에서의 판별 결과에 따라 '모름' 또는 '앎'과 같이 이해도 판정이 불확실한 구간의 토픽들에 대한 진단을 위해 이미 확실히 이해도를 판명하고 있다고 생각되는 토픽에 대해서는 이전의 이해도 결과를 적용한 채로 나머지 토픽에 대한 이해 여부만을 구한다. 이와 같이 이미 확실한 토픽에 대한 정보를 제외함으로써 진단의 복잡도가 훨씬 줄어들게 되고, 이미 확실한 구간에 있는 이해도 정보에 발생하는 오류에 의한 진단 오류를 줄일 수 있는 장점을 가지게 된다. 그리고, 두 번째 단계에서는 위의 첫 번째 단계에서 제외했던 각 토픽들, 즉 이해도 판정이 확실한 토픽들이 문제풀이 후에도 실제로 그 구간에 여전히 존재하는지를 확인한다. 존재하는 경우, 첫 번째 단계에서 새로 획득한 불확실 구간 토픽에 대한 이해도 정보를 바탕으로 역으로 검증을 하는 것이다.

예를 들어, 도 4를 참조하여 두 단계의 구체적인 방법으로써 방정식을 이용한 이해도 측정 방식에 적용하면 다음과 같다. 가령 이전의 학습 이력에 의해서 T1이 학습자가 확실히 이해하고 있는 토픽이라 하자. 만약 학습자가 문제 1(P1), 문제 2(P2)는 맞추고 문제 3(P3)은 틀릴 경우 이전에 구했던 방정식에서 T1에 해당하는 내용은 제외한다. 이를 위해 <수학식 2>에서와 같이 이전에 구했던 방정식에 T1 = 1을 대입하여 <수학식 3>과 같이 방정식을 단순화한다.

그 결과, <수학식 3>에서와 같이 T2 = 1을 얻을 수 있고, 반면 T3의 값은 문제 2(P2)에서는 1, 문제 3(P3)에서는 0으로 나온다. 이때 T3의 경우에는 이미 이해도 값을 확률적인 개념으로 확장하여 T3 = 0.5로 계산해 넣음으로써 이전의 이해도와 가중합을 통하여 새로운 이해도를 측정하게 된다. 이렇게 계산된 이해도가 '모름' 구간에 있을 경우 두 번째 문제(P2)는 실제로 문제 해결에 필요한 모든 토픽 지식을 갖지 않은 상태에서 운으로 맞추었다는 진단이 나온다. 즉 문제풀이를 통해 특정 토픽에 대하여 정확히 알고 문제를 푼 것이 아니라는 결론이 된다.

이런 식으로 불확실한 구간의 이해도를 다 측정한 후에 진단 수행부(213)는 <수학식 2>의 원 방정식에 그 이해도 값, 예를 들어 T2 및 T3의 값을 대입하여 원 방정식을 확실한 토픽 변수만의 식으로 다시 구한다. 가령, 대입 후 T1 = 1이라는 해를 얻었다고 하자. 그 값을 가지고 T1의 이해도를 가중합을 이용하여 업데이트한다. 예제의 경우에는 가정했던 결과와 동일한 결과를 보여주고 있지만, 그렇지 않고 만약 가정과 다른 값, 예컨대 T1 = 0의 결과로 나왔다면 이는 학습자가 실수로 해당 토픽에 대한 문제를 틀렸다는 것을 의미한다. 이 결과는 실제로 학습자가 해당 토픽에 대한 이해도가 떨어졌다는 것을 의미할 수 있는데, 이는 위의 가중합을 통한 T1의 보정 과정 즉 업데이트에 의해 판별이 가능하게 된 것이다.

도 5는 도 1의 장치의 학습능력관리 방법을 나타내는 도면이다.

도 5를 도 1 및 도 3과 함께 참조하면, 학습능력관리 장치(120)는 먼저 단말기(100)의 학습자에게 제공한 문제에 대한 문제풀이의 결과를 수신한다(S501). 문제풀이의 결과 수신 후 학습능력관리 장치(120)는 최근의 문제풀이 결과를 산출하는 과정을 더 수행할 수 있다. 여기서, 문제풀이의 결과 산출은 문제에 대한 답이 맞았는지 혹은 틀렸는지를 확인하는 정답 확인 과정을 의미할 수 있다.

이어 학습능력관리 장치(120)는 최근의 문제풀이 결과와, 최근의 문제풀이 이전까지 수행한 문제풀이의 이해도 진단치가 있다면 그 이전 이해도 진단치 간 가중치를 얼마로 부여할지를 결정하게 된다(S503). 여기서, 가중치 부여란 실질적으로 최근의 문제풀이 결과에 가중치를 높게 부여하는 것이지만 그 값을 조절하기 위하여 단말기(100)의 학습자가 문제풀이 사이트에 접속하여 몇 번의 문제풀이를 수행하였는지, 해당 토픽에 대한 학습 콘텐츠를 시청한 적은 있는지, 또는 이전 진단 이후로 시간적으로 얼마나 많은 시간이 경과 하였는지 등을 고려할 수 있다.

그리고 학습능력관리 장치(120)는 최근의 문제풀이 결과와 이전의 진단 이해도 간 가중치를 부여해 산출되는 새로운 이해도 진단치가 복수의 이해도 구간 중 어느 정도 확신을 가질 수 있는 구간에 있는지 또는 어느 정도 오류가 있을 수 있는 구간에 있는지를 판단한다(S505). 예를 들어, 전체 이해도 값을 '1'이라 하고, 이해도 구간을 '확실히 모름', '모름', '앎', '확실히 앎'의 4개 구간으로 나누었을 때, 새로운 이해도 값이 '0.9'로 계산되었다면 학습능력관리 장치(120)는 학습자가 최근의 문제풀이 결과 해당 문제들의 토픽을 정확히 이해하고 문제를 풀이한 것으로 판단할 수 있다. 여기서, '확실히 앎'의 임계값은 '0.8'로 가정한 것이다.

만약, 새로운 이해도 값이 도 3에서 볼 때 어느 정도 오류가 있을 수 있는 구간 즉 '모름' 또는 '앎'의 구간에 있는 경우, 학습능력관리 장치(120)는 해당 오류, 예를 들어 문제의 답을 운으로 맞추었는지 또는 실수로 틀렸는지에 대한 분석을 수행할 수 있다(S507).

그리고 분석 과정을 수행한 결과, 문제의 답을 운으로 맞추었거나 실수로 틀린 것으로 판별되면 학습능력관리 장치(120)는 관련되는 토픽 또는 문제에 대한 이전 이해도의 진단치를 업데이트하게 된다(S509). 다시 말해, 이해도 진단의 업데이트시 문제의 답을 운으로 맞추거나 실수로 틀린 경우는 배제시키는 것이다.

도 6은 도 5의 오류 판별 과정을 구체적으로 나타내는 흐름도이다.

도 6을 도 1 및 도 5와 함께 참조하면, 학습능력관리 장치(120)는 학습자가 문제의 답을 운으로 맞추었는지를 판단하기 위하여, 문제풀이 결과를 토픽에 대하여 방정식화한다(S601). 이와 관련해서는 도 4 및 <수학식 3>을 참조하여 설명한 바 있는데, 다시 살펴보면 문제 1(P1)은 T1·T2 = 1, 문제 2(P2)는 T2·T3 = 1, 그리고 문제 3(P3)은 T1·T3 = 0으로 나타낼 수 있다.

이어 학습능력관리 장치(120)는 확실한 구간에 있는 토픽에 대한 이해도 값을 대입한다(S603). 예를 들어, T1이 '확실히 앎'의 구간에 있었다면 T1에 1의 값을 대입하여 위의 방정식을 단순화하는 것이다. 그 결과 위의 방정식에서 문제 1(P1)은 T2 = 1, 문제 2(P2)는 T2·T3 = 1, 그리고 문제 3(P3)은 T3 = 0으로 나타내어 진다. 이와 관련하여 만약, S601 단계에서 제1 내지 제3 문제(P1 ~ P3)가 복수의 제1 내지 제5 토픽(T1 ~ T5)들로 방정식이 이루어졌다면 본 단계에서 확실한 구간에 있는 복수의 토픽에 대한 값을 대입하는 것도 얼마든지 가능할 수 있다. 가령, T1 = 1, T3 = 1의 값을 대입할 수도 있을 것이다.

그리고 학습능력관리 장치(120)는 단순화한 나머지 방정식에 대하여 토픽 이해도 값 혹은 해를 계산한다(S605). 위의 S603 단계에서 T2 및 T3의 해는 각각 1과 0임을 알았고, 위의 방정식에서 문제 2(P2)의 경우 T2 및 T3의 값을 반영하는 경우 오류가 발생하므로 이미 이해도 값을 확률적인 개념으로 확장하여 T3 = 0.5로 계산해 넣는다.

이후, 학습능력관리 장치(120)는 각 토픽에 대한 현재의 문제풀이 결과와 이전의 이해도 간 가중합을 계산하여 처음의 이해도 구간을 구분하기 위해 계산된 이전 이해도 값을 새로운 이해도로 업데이트하게 된다(S607).

만약, 새로운 이해도를 측정한 결과 복수의 이해도 구간 중 '모름' 또는 '앎'과 같이 여전히 오류 구간에 있다고 판단된 경우, 학습능력관리 장치(120)는 해당 문제를 틀린 것이 실수에 의해 틀린 것인지를 추가적으로 판단할 수 있다. 이를 위해 위의 S601 내지 S605 단계에서 새로이 획득한 불확실 구간 토픽에 대한 이해도 정보를 바탕으로 역으로 검증을 수행하게 된다(S609 ~ S613).

좀더 살펴보면, 불확실한 구간의 이해도를 다 측정한 후, 학습능력관리 장치(120)는 확실한 구간에 있는 토픽의 방정식을 도출해 내기 위하여 원 방정식, 즉 T1·T2 = 1, T2·T3 = 1, T1·T3 = 0의 식에 해 즉 S605 단계에서 구한 T2 및 T3의 값을 각각 대입한다(S609).

그리고 학습능력관리 장치(120)는 방정식을 풀어 확실한 구간에 있는 토픽의 해를 계산해 낸다(S611).

이후 학습능력관리 장치(120)는 각 토픽에 대한 가중합을 계산하여 위의 S607 단계에서 업데이트한 이해도를 다시 업데이트하게 된다(S613). 예를 들어, S603 단계에서 대입한 확실한 구간에 있는 토픽의 값이 T = 1이었고, S611 단계에서 계산해 낸 T1 = 0으로 서로 다른 경우, T1에 대한 가중합을 계산하여 이해도를 새로이 업데이트하게 되는 것이다.

도 7은 본 발명의 제2 실시예에 따른 클라우드 컴퓨팅을 이용한 학습능력관리 시스템을 나타내는 도면이다.

도 7에 도시된 바와 같이, 본 발명의 제2 실시예에 따른 클라우드 컴퓨팅을 이용한 학습능력관리 시스템은 통신망(710), 클라우드 컴퓨팅 서비스 장치(720)를 포함하며, 단말기(700) 및 클라우드 제공자(730)를 더 포함할 수 있다.

본 발명의 제2 실시예에 따른 단말기(700)는 본 발명의 제1 실시예에서와 마찬가지로 스마트폰 등과 같은 휴대폰을 비롯하여 데스크탑 컴퓨터, 랩탑 컴퓨터, 넷북, 태블릿 PC 및 클라우드 단말기 등을 포함할 수 있다. 여기서, 클라우드 단말기란 클라우드 컴퓨팅 환경하에 적용되는 최소한의 하드웨어 및 소프트웨어 자원을 가짐으로써 인터넷 접속과 기본적인 연산 기능만을 수행할 수 있는 단말기이다.

본 발명의 제2 실시예에 따른 단말기(700)는 구름과 같이 무형의 형태로 존재하는 소프트웨어 등의 컴퓨팅 자원, 예컨대 특정 학습 애플리케이션을 클라우드 컴퓨팅 서비스 장치(720)로부터 제공받아 구동 후 관련 정보를 처리하여 해당 정보를 클라우드 컴퓨팅 서비스 장치(720)로 다시 제공해 데이터를 저장 및 관리하도록 하거나, 또는 클라우드 컴퓨팅 서비스 장치(720)에서 해당 학습 애플리케이션을 구동하고 단말기(700)는 해당 결과만을 제공받아 처리하여 클라우드 컴퓨팅 서비스 장치(720)가 데이터를 저장 및 관리하도록 하는 방식으로 이루어질 수 있다.

가령, 단말기(700)가 웹 브라우저를 이용하여 클라우드 컴퓨팅 서비스 장치(720)에 접속하여 서비스 카탈로그의 일종으로서 특정 학습 애플리케이션에 대한 목록을 제공받는 경우, 목록에서 선택되는 특정 학습 애플리케이션을 이용해 단말기(700)와 클라우드 컴퓨팅 서비스 장치(720) 간 동작이 진행될 수 있다. 이의 과정에서 단말기(700)는 자신이 요청한 정보를 클라우드 컴퓨팅 서비스 장치(720)로부터 제공받아 처리하며, 클라우드 컴퓨팅 서비스 장치(720)는 단말기(700)가 요청한 정보를 제공하고 단말기(700)가 처리한 정보를 다시 제공받아 저장하는 읽기/쓰기 기능을 수행하게 된다.

통신망(710)은 유무선 통신망을 모두 포함하며, 예컨대 무선통신망으로서 기지국 제어기, 기지국 전송기 및/또는 중계기 등의 네트워크 장치를 포함한다. 여기서, 기지국 제어기는 지지국 전송기와 교환국간 신호를 중계하는 역할을 한다. 통신망(710)은 동기식 및 비동기식을 모두 지원한다. 따라서 동기식인 경우 송신 및 수신 기지국 전송기는 BTS, 송신 및 수신 기지국 제어기는 BSC가 될 것이고, 비동기식인 경우 송신 및 수신 기지국 전송기는 RTS, 송신 및 수신 기지국 제어기는 RNC가 될 것이다. 물론 본 발명의 제2 실시예에 따른 통신망(710)은 이에 한정되는 것이 아니며, CDMA 망이 아닌 GSM 망 및 클라우드 통신망과 같이 향후 구현될 차세대 이동통신 시스템의 접속망에 사용될 수 있는 것을 통칭하는 것이라 할 수 있다.

클라우드 컴퓨팅 서비스 장치(720)는 무형의 형태로 존재하는 소프트웨어 등의 컴퓨팅 자원을 저장하고 관리하는 장치로서, 예를 들어 단말기(700)의 요청이 있는 특정 학습 애플리케이션을 단말기(700)로 제공함으로써 처리되는 애플리케이션 관련 정보를 제공받아 저장 및 관리하거나, 클라우드 컴퓨팅 서비스 장치(720)는 단말기(700)의 요청시 내부에서 특정 학습 애플리케이션을 구동한 후 단말기(700)에서 요청하는 애플리케이션 관련 정보를 처리하고, 처리 결과를 저장 및 관리할 수도 있다. 이의 과정에서 클라우드 컴퓨팅 서비스 장치(720)는 단말기(700)의 학습자가 수행한 현재의 문제풀이에 대한 결과와 현재의 문제풀이 이전까지 계산된 이전 이해도 진단치 간 서로 다른 가중치를 부여하고, 가중치 부여를 통해 산출한 새로운 이해도 값이 진단 오류를 가질 수 있는 구간에 있는 경우 문제의 세부 토픽을 학습자가 제대로 이해하고 문제를 풀이하였는지를 구별하게 된다.

또한 클라우드 컴퓨팅 서비스 장치(720)는 가상 편성(Virtual Organization) 기술을 이용해 통신망(710)을 경유하여 클라우드 제공자(730)와 접속하고, 클라우드 제공자(730)가 제공하는 자원(resource)을 등록할 수 있다. 이를 통해 개발자들은 특정 학습 애플리케이션 등을 처음부터 개발하지 않고, 서비스 제공자 즉 클라우드 컴퓨팅 서비스 장치(720)에서 제공하는 API(Application Programming Interface)를 통해 신속하게 애플리케이션을 개발할 수 있고, 이때 클라우드 컴퓨팅 서비스 장치(720)에서는 클라우드 제공자(730)를 관리하게 된다. 여기서, API는 운영체제와 응용프로그램 사이의 통신에 사용되는 언어나 메시지 형식을 말한다.

지금까지의 내용을 제외한 기타 본 발명의 제2 실시예에 따른 단말기(700), 클라우드 컴퓨팅 서비스 장치(720)는 도 1을 참조한 본 발명의 제1 실시예에 따른 단말기(100), 학습능력관리 장치(120)의 내용과 크게 다르지 않으므로 그 내용들로 대신하며 더 이상의 설명은 생략한다.

도 8은 도 7의 클라우드 컴퓨팅 서비스 장치의 구조를 나타낸 블록다이어그램이다.

도 8을 도 7과 함께 참조하면, 클라우드 컴퓨팅 서비스 장치(720)는 트래픽 처리부(800) 및 오류 진단부(810)를 포함할 수 있다. 여기서 트래픽 처리부(800)는 제어부(미도시) 및 인터페이스부(미도시)를 포함할 수 있는데, 제어부는 클라우드 컴퓨팅 서비스 장치(720)에서 처리되는 신호 또는 데이터 전반을 제어하는 역할을 수행하며, 인터페이스부는 통신망(710) 및 DB(720a)와 상호 연동할 수 있도록 인터페이스 역할을 수행한다. 그 과정에서 가령 인터페이스부는 정보 변환 등의 기능을 추가적으로 수행할 수 있다.

오류 진단부(810)는 애플리케이션 정보 처리부(811), 이해도 구간 판별부(813) 및 진단 수행부(815)를 포함할 수 있다. 이러한 애플리케이션 정보 처리부(811), 이해도 구간 판별부(813) 및 진단 수행부(815)는 트래픽 처리부(800), 더 정확하게는 제어부의 제어 하에 정보를 처리하게 된다.

애플리케이션 정보 처리부(811)는 클라우드 컴퓨팅 서비스 장치(720)에서 제공하는 API를 통해 클라우드 제공자(730)가 신속하게 개발하는 다양한 애플리케이션의 등록 과정을 수행한다. 이의 과정에서 애플리케이션 정보 처리부(811)는 예를 들어 애플리케이션에 대한 등급을 설정하거나 가격을 결정할 수 있고, 등급 및 가격 등을 포함하는 목록을 생성할 수 있다. 이후 단말기(700)가 웹 브라우저를 통해 클라우드 컴퓨팅 서비스 장치(720)에 온라인 접속하여 예컨대 특정 서비스를 이용하기 위한 애플리케이션을 요청하는 경우, 트래픽 처리부(800)의 제어 하에 해당 목록을 제공해 줄 수 있을 것이다.

이와 같은 점 이외에 기타 본 발명의 제2 실시예에 따른 이해도 구간 판별부(813) 및 진단 수행부(815)는 도 2를 참조하여 설명한 이해도 구간 판별부(211) 및 진단 수행부(213)의 내용과 다르지 않으므로 그 내용들로 대신하며 더 이상의 설명은 생략하도록 한다.

한편, 별도의 도면으로 나타내지는 않았지만 클라우드 컴퓨팅을 이용한 학습능력관리 방법은 도 5 및 도 6을 참조하여 설명한 학습능력관리 방법과 비교하여 간략하게 살펴보면, 도 7 및 도 8의 클라우드 컴퓨팅 서비스 장치(720)는 단말기(700)에서 특정 애플리케이션 서비스의 요청시 해당 애플리케이션을 선택할 수 있도록 하는 가령 목록을 제공해 주는 단계를 포함할 수 있다.

그리고 클라우드 컴퓨팅 서비스 장치(720)는 목록에서 선택된 특정 애플리케이션에 대한 정보를 제공받아 해당 애플리케이션을 구동하고, 단말기(700)와 이루어진 처리 정보 및 특정 애플리케이션에 대한 사용 정보를 DB(720a)에 저장한다.

이후 단말기(700)가 해당 애플리케이션을 재사용하고자 할 때, 클라우드 컴퓨팅 서비스 장치(720)는 DB(720a)의 검색 등을 통해 해당 애플리케이션을 재구동하는 절차를 진행하여 학습능력관리를 수행할 수 있을 것이다.

이와 같은 점을 제외하면 본 발명의 제2 실시예에 따른 클라우드 컴퓨팅을 이용한 학습능력관리 방법은 도 5 및 도 6을 참조하여 설명한 학습능력관리 방법과 크게 다르지 않으므로 그 내용들로 대신하며 더 이상의 설명은 생략하도록 한다.

이상에서, 본 발명의 실시예를 구성하는 모든 구성 요소들이 하나로 결합하거나 결합하여 동작하는 것으로 설명하였다고 해서, 본 발명이 반드시 그 실시예에 한정되는 것은 아니다. 즉, 본 발명의 목적 범위 안에서 그 모든 구성 요소들이 하나 이상으로 선택적으로 결합하여 동작할 수 있으며, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 발명의 본질적인 특성을 벗어나지 않는 범위에서 다양한 수정 및 변형이 가능할 것이다. 따라서, 본 발명에 개시된 실시예들은 본 발명의 기술사상을 한정하려는 것이 아니라 설명하기 위한 것이므로 이러한 실시예에 의하여 본 발명의 기술사상의 범위가 한정되는 것은 아니다. 본 발명의 보호범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술사상은 본 발명의 권리범위에 포함된다 할 것이다.

본 발명의 실시예는 학습능력관리 장치 및 방법, 클라우드 컴퓨팅 서비스 장치 및 클라우드 컴퓨팅을 이용한 학습능력관리 방법에 적용 가능한 것으로서, 본 발명의 실시예에 따르면, 이전 학습 이력을 반영하여 학습자의 이해도를 측정함으로써 실수로 틀린 문제나 운으로 맞춘 문제 등에 의한 진단 오류를 최소화할 수 있게 되고, 나아가 이해도를 구분하여 이전에 확실히 진단된 토픽보다는 불확실한 토픽들에 진단의 초점을 맞춤으로써 더욱 단순한 계산으로도 훨씬 더 정확한 진단이 가능하게 될 것이다.

100, 700: 단말기 110, 710: 통신망
120: 학습능력관리 장치 200, 800: 트래픽 처리부
210, 810: 오류 진단부 211, 813: 이해도 구간 판별부
213, 815: 진단 수행부 720: 클라우드 컴퓨팅 서비스 장치
730: 클라우드 제공자 811: 애플리케이션 정보 처리부

Claims (13)

1. 단말기로 전송한 문제에 대한 문제풀이 결과(S)를 상기 단말기로부터 수신하고, 상기 문제풀이 결과(S)를 수신하기 전까지 수행한 상기 문제의 각 문항에 포함되는 단원별 토픽(topic)에 대한 이전 이해도 진단치(Up)가 존재하는 경우, 상기 이전 이해도 진단치(Up), 상기 문제풀이 결과(S) 및 가중치(a)를 기반으로 새로운 이해도 진단치(Un)를 산출하고, 상기 새로운 이해도 진단치(Un)가 복수의 이해도 구간 중 어느 구간에 해당되는지를 판별하는 이해도 구간 판별부; 및
   판별 결과, 상기 복수의 이해도 구간 중 상기 새로운 이해도 진단치(Un)에 해당하는 구간이 학습자 숙지가 불확실한 구간에 존재하는 경우, 상기 문제풀이 결과를 토픽에 대하여 방정식화하고, 상기 방정식에 복수의 이해도 구간 중 학습자 숙지가 확실한 구간에 있는 토픽에 대한 이해도 값을 대입하여 상기 방정식을 단순화한 후 각 토픽에 대한 현재의 문제풀이 결과와 이전의 이해도 진단치(Up) 간 가중합을 계산하여 처음의 이해도 구간을 구분하기 위해 계산된 이전 이해도 진단치를 새로운 이해도 진단치(Up)로 업데이트하여 학습자가 상기 문제의 답을 운으로 맞추었는지를 판단하는 진단 수행부
   를 포함하는 것을 특징으로 하는 학습능력관리 장치.
2. 제1항에 있어서,
   상기 학습능력관리 장치는,
   상기 문제풀이 결과(S)를 이용하여 상기 문항의 정답 여부를 확인하는 정답 확인부;
   상기 문항에 포함되는 단원별 토픽을 분석하는 토픽 분석부; 및
   상기 가중치(a)를 부여하는 가중치 부여부
   를 더 포함하는 것을 특징으로 하는 학습능력관리 장치.
3. 삭제
4. [청구항 4은(는) 설정등록료 납부시 포기되었습니다.]

   제1항에 있어서,
   상기 이해도 구간은 상기 단원별 토픽을 '확실히 모름', '모름', '앎', '확실히 앎'의 구간으로 구분되며,
   상기 '모름' 및 상기 '앎'의 구간은 상기 토픽을 학습자가 숙지하고 상기 문항을 풀었는지 알 수 없는 구간에 해당되는 것을 특징으로 하는 학습능력관리 장치.
5. 삭제
6. 이해도 구간 판별부에서 단말기로 전송한 문제에 대응하는 문제풀이 결과(S)를 상기 단말기로부터 수신하는 단계;
   상기 이해도 구간 판별부에서 상기 문제풀이 결과(S)를 수신하기 전까지 수행한 상기 문제의 각 문항에 포함되는 단원별 토픽에 대한 이전 이해도 진단치(Up)가 존재하는 경우, 상기 이전 이해도 진단치(Up), 상기 문제풀이 결과(S) 및 가중치(a)를 기반으로 새로운 이해도 진단치(Un)를 산출하는 단계;
   상기 이해도 구간 판별부에서 상기 새로운 이해도 진단치(Un)가 복수의 이해도 구간 중 어느 구간에 해당되는지를 판별하는 단계;
   진단 수행부에서 상기 복수의 이해도 구간 중 상기 새로운 이해도 진단치(Un)에 해당하는 구간이 학습자 숙지가 불확실한 구간에 존재하는 경우, 상기 문제풀이 결과를 토픽에 대하여 방정식화하는 단계;
   상기 진단 수행부에서 상기 방정식에 복수의 이해도 구간 중 학습자 숙지가 확실한 구간에 있는 토픽에 대한 이해도 값을 대입하여 상기 방정식을 단순화하는 단계;
   상기 진단 수행부에서 각 토픽에 대한 현재의 문제풀이 결과와 이전의 이해도 진단치(Up) 간 가중합을 계산하여 처음의 이해도 구간을 구분하기 위해 계산된 이전 이해도 진단치를 새로운 이해도 진단치(Up)로 업데이트하는 단계
   를 포함하는 것을 특징으로 하는 학습능력관리 방법.
7. 제6항에 있어서,
   상기 새로운 이해도 진단치(Un)는,
   상기 이전 이해도 진단치를 Up, 상기 문제풀이 결과를 S, 상기 가중치를 α라 할 때, 방정식
   Un = (1 - α)·Up + α·S
   (여기서, S 값은 문제풀이가 정답인 경우 1, 오답인 경우 0이 됨)
   을 만족하는 것을 특징으로 하는 학습능력관리 방법.
8. 제6항에 있어서,
   상기 새로운 이해도 진단치(Un)를 산출하는 단계는,
   상기 이해도 구간 판별부에서 상기 이전 이해도 진단치(Up)보다 상기 문제풀이 결과(S)에 가중치(a)를 더 높게 부여하는 것을 특징으로 하는 학습능력관리 방법.
9. 삭제
10. 제6항에 있어서,
    상기 문제풀이 결과를 토픽에 대하여 방정식화하는 단계는,
    상기 진단 수행부에서 나머지 토픽에 대한 가중합을 계산하여 업데이트한 새로운 이해도 값이 상기 토픽을 숙지하고 상기 문항을 풀었는지 알 수 없는 구간에 계속 존재하는 경우, 상기 나머지 토픽에 대한 해를 상기 방정식에 대입하여 상기 확실한 구간의 토픽에 대한 해를 역으로 검증하는 단계를 더 포함하는 것을 특징으로 하는 학습능력 관리 방법.
11. 제10항에 있어서,
    상기 확실한 구간의 토픽에 대한 해를 역으로 검증하는 단계는,
    상기 진단 수행부에서 상기 나머지 토픽에 대한 해를 상기 방정식에 대입하는 단계;
    상기 진단 수행부에서 상기 방정식을 풀어 상기 확실한 구간의 토픽에 대한 해를 계산하는 단계; 및
    상기 진단 수행부에서 상기 확실한 구간의 토픽에 대한 가중합을 계산하여 이해도 값을 업데이트하는 단계
    를 포함하는 것을 특징으로 하는 학습능력관리 방법.
12. 제11항에 있어서,
    상기 확실한 구간의 토픽에 대한 가중합을 계산하여 이해도 값을 업데이트하는 단계는,
    상기 진단 수행부에서 상기 확실한 구간에 있는 토픽에 대한 이해도 값과 상기 확실한 구간에 있는 토픽의 해가 서로 일치하지 않을 때, 상기 가중합을 계산하여 이해도 값을 업데이트하는 것을 특징으로 하는 학습능력관리 방법.
13. 삭제

Images