KR101836206B1 - 개인 맞춤형 교육 컨텐츠를 제공하는 방법, 장치 및 컴퓨터 프로그램 - Google Patents

개인 맞춤형 교육 컨텐츠를 제공하는 방법, 장치 및 컴퓨터 프로그램 Download PDF

Info

Publication number
KR101836206B1
KR101836206B1 KR1020160140115A KR20160140115A KR101836206B1 KR 101836206 B1 KR101836206 B1 KR 101836206B1 KR 1020160140115 A KR1020160140115 A KR 1020160140115A KR 20160140115 A KR20160140115 A KR 20160140115A KR 101836206 B1 KR101836206 B1 KR 101836206B1
Authority
KR
South Korea
Prior art keywords
user
problem
degree
conceptual
understanding
Prior art date
Application number
KR1020160140115A
Other languages
English (en)
Inventor
허재위
차영민
서창호
이강욱
Original Assignee
(주)뤼이드
한국과학기술원
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 (주)뤼이드, 한국과학기술원 filed Critical (주)뤼이드
Priority to KR1020160140115A priority Critical patent/KR101836206B1/ko
Application granted granted Critical
Publication of KR101836206B1 publication Critical patent/KR101836206B1/ko

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06QDATA PROCESSING SYSTEMS OR METHODS, SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL, SUPERVISORY OR FORECASTING PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL, SUPERVISORY OR FORECASTING PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00Commerce, e.g. shopping or e-commerce
    • G06Q30/02Marketing, e.g. market research and analysis, surveying, promotions, advertising, buyer profiling, customer management or rewards; Price estimation or determination
    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06QDATA PROCESSING SYSTEMS OR METHODS, SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL, SUPERVISORY OR FORECASTING PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL, SUPERVISORY OR FORECASTING PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00Commerce, e.g. shopping or e-commerce
    • G06Q30/02Marketing, e.g. market research and analysis, surveying, promotions, advertising, buyer profiling, customer management or rewards; Price estimation or determination
    • G06Q30/0207Discounts or incentives, e.g. coupons, rebates, offers or upsales
    • G06Q30/0224Discounts or incentives, e.g. coupons, rebates, offers or upsales based on user history
    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06QDATA PROCESSING SYSTEMS OR METHODS, SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL, SUPERVISORY OR FORECASTING PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL, SUPERVISORY OR FORECASTING PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/10Services
    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06QDATA PROCESSING SYSTEMS OR METHODS, SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL, SUPERVISORY OR FORECASTING PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL, SUPERVISORY OR FORECASTING PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/10Services
    • G06Q50/20Education

Abstract

본 발명은 전자 장치가 개인 맞춤형 교육 컨텐츠를 제공하는 방법에 대한 것으로, 사용자의 문제 풀이 결과 데이터를 수집하는 a 단계; 상기 결과 데이터의 일부를 이용하여 사용자별 적어도 하나 이상의 개념에 대한 이해도 L 및 문제별 상기 개념에 대한 구성도 R을 추정하는 b 단계; 상기 사용자의 상기 문제에 대한 이해도 X을 추정하고, 상기 이해도를 이용하여 상기 사용자가 상기 문제를 맞출 확률 P를 추정하는 c 단계를 포함하는 것을 특징으로 한다.

Description

개인 맞춤형 교육 컨텐츠를 제공하는 방법, 장치 및 컴퓨터 프로그램 {METHOD, APPARATUS AND COMPUTER PROGRAM FOR PROVIDING PERSONALIZED EDUCATIONAL CONTENTS}

본 발명은 학습 데이터를 분석하고 사용자 맞춤형 교육 컨텐츠를 제공하는 방법에 대한 것이다. 보다 구체적으로 본 발명은 사용자의 문제 풀이 결과 데이터를 분석하여, 사용자가 풀어보지 않은 문제를 맞출 확률을 추정하는 방법에 대한 발명이다.

지금까지 교육 컨텐츠는 일반적으로 패키지로 제공되어 왔다. 예를 들어 종이에 기록되는 문제집은 권당 최소 700문제가 수록되어 있으며, 온라인 또는 오프라인 강의 역시 1-2 시간 단위로 최소 한달간 공부할 양을 묶어서 한번에 판매된다.

그러나 교육을 받는 학생들 입장에서는 개별적으로 취약한 단원과 취약한 문제 유형이 모두 상이하기 때문에 패키지 형태보다는 개인 맞춤형 컨텐츠에 대한 니즈가 존재한다. 자신이 취약한 단원의 취약한 문제 유형만을 골라서 학습하는 것이 문제집의 7백 문제 전체를 푸는 것보다 훨씬 효율적이기 때문이다.

그러나 피교육자인 학생들 스스로 자신의 취약점을 파악하는 것은 매우 어렵다. 나아가 학원, 출판사 등 종래의 교육 업계에서도 주관적 경험과 직관에 의존하여 학생 및 문제들을 분석하기 때문에 개별 학생들에게 최적화된 문제를 제공하는 것을 쉽지 않다.

이와 같이 종래의 교육 환경에서는 피교육자가 가장 효율적으로 학습 결과를 낼 수 있는 개인 맞춤형 컨텐츠를 제공하는 것이 쉽지 않으며, 학생들은 패키지 형태의 교육 컨텐츠에 대해 성취감과 흥미를 금방 잃게 되는 문제가 발생한다.

본 발명은 상기와 같은 문제를 해결하는 것을 목적으로 한다. 보다 구체적으로 본 발명은, 학습 데이터를 분석하여 문제의 개념 구성도, 사용자의 개념별 이해도를 추정하고, 사용자가 풀어보지 않은 문제에 대한 정답 확률을 계산하여 사용자 맞춤형 문제를 제공하는 방법 및 장치를 제공하는 것을 목적으로 한다.

본 발명의 실시예를 따르는 전자 장치가 개인 맞춤형 교육 컨텐츠를 제공하는 방법은, 사용자의 문제 풀이 결과 데이터를 수집하는 a 단계; 상기 결과 데이터의 일부를 이용하여 사용자별 적어도 하나 이상의 개념에 대한 이해도 L 및 문제별 상기 개념에 대한 구성도 R을 추정하는 b 단계; 상기 사용자의 상기 문제에 대한 이해도 X을 추정하고, 상기 이해도를 이용하여 상기 사용자가 상기 문제를 맞출 확률 P를 추정하는 c 단계를 포함하는 것을 특징으로 한다.

본 발명에 따르면, 문제 및/또는 사용자의 분석을 위한 별도의 개념을 정의할 필요 없이 사용자와 문제 간의 상호 관계가 낮은 계수 행렬로 분석되며, 개별 사용자에 대한 개별 문제의 정답 확률이 높은 신뢰도로 추정되는 효과가 있다.

도 1는 본 발명의 실시예를 따라 사용자 맞춤형 문제를 추천하는 방법을 설명하기 위한 순서도
도 2는 문제 이해도와 문제 정답 확률 사이의 관계를 충분히 큰 데이터로 실험한 결과를 도시한 그래프
도 3은 본 발명의 실시예를 따라 사용자의 개념 이해도 L, 문제의 개념 구성도 R을 추정하는 방법을 설명하기 위한 도면

본 발명은 이하에 기재되는 실시예들의 설명 내용에 한정되는 것은 아니며, 본 발명의 기술적 요지를 벗어나지 않는 범위 내에서 다양한 변형이 가해질 수 있음은 자명하다. 그리고 실시예를 설명함에 있어서 본 발명이 속하는 기술 분야에 널리 알려져 있고 본 발명의 기술적 요지와 직접적으로 관련이 없는 기술 내용에 대해서는 설명을 생략한다.

한편, 첨부된 도면에서 동일한 구성요소는 동일한 부호로 표현된다. 그리고 첨부 도면에 있어서 일부 구성요소는 과장되거나 생략되거나 개략적으로 도시될 수도 있다. 이는 본 발명의 요지와 관련이 없는 불필요한 설명을 생략함으로써 본 발명의 요지를 명확히 설명하기 위함이다.

사용자 맞춤형 문제를 제공하기 위해 종래에는 학생이 특정 문제를 맞았는지 틀렸는지를 고려하여 학생의 수준을 평가하고 학습의 수준에 부합하다고 평가되는 문제를 추천하는 방식을 취해왔다.

예를 들어 어떤 학생이 영어 과목에서 “동사의 시제”를 주제로 하는 문제를 자주 틀리는 경우, 해당 학생은 “동사의 시제”에 취약한 것으로 보아, 동사의 시제를 주제로 하는 다른 문제를 추천하는 것이다.

이와 같은 방법은 문제와 사용자를 분석하기 위해 해당 과목의 개념들을 전문가에 의해 수작업으로 정의하는 과정이 요구된다.

종래의 방법을 따르면, 해당 과목을 구성하는 개념들을 전문가가 개별적으로 미리 정의하고, 해당 과목에 대한 각 문제가 어떤 개념을 포함하고 있는지 전문가가 개별적으로 판단하여 태깅한다. 이후 각 사용자가 특정 개념에 대해 태깅된 문제들을 풀어본 결과 정보를 토대로 학습자의 실력이 분석하는 것이다.

예를 들어 사용자가 1번 문제를 틀렸는데, 1번 문제에 전치사와 동명사가 태깅되어 있는 경우, 해당 사용자는 전치사와 동명사에 대한 이해도가 떨어지는 것으로 분석하는 것이다.

그러나 위와 같은 방법은 태그 정보가 사람의 주관에 의존하는 문제점이 있다. 사람의 주관이 개입되지 않고 수학적으로 생성된 태그 정보들이 수학적으로 문제에 부여되는 것이 아니기 때문에 결과 데이터에 대한 신뢰도가 높지 않다.

상기 문제를 해결하기 위해서는 사용자와 문제 간의 상호 관계를 학습 결과 데이터 분석을 통해 수학적으로 모델링하는 것이 필요하다.

본 발명은 이를 위해 사용자와 문제 사이의 상호관계를 낮은 계수 행렬을 통해 수학적으로 연결하고, 학습 결과 데이터를 분석하여 상호 관계를 업데이트하며, 이를 기반으로 사용자가 아직 풀지 않은 문제에 대한 정답 확률을 계산하는 알고리즘을 제안하고자 한다.

도 1는 본 발명의 실시예를 따르는 데이터 분석 시스템이 사용자 맞춤형 문제를 추천하는 방법을 설명하기 위한 순서도이다.

단계 110에서 서비스 서버는 사용자의 객관식 문제 풀이 결과 데이터를 수집할 수 있다.

상기 문제 풀이 결과 데이터는 서비스 서버가 시중에 나와 있는 각종 문제들에 대한 데이터베이스를 구축하고, 사용자가 해당 문제들을 푼 결과를 수집하는 방식으로 수집할 수 있다. 상기 문제 데이터베이스는 듣기 평가 문제를 포함하고, 텍스트, 이미지, 오디오, 및/또는 동영상 형태일 수 있다.

본 발명의 실시예를 따르는 서비스 서버는 사용자의 객관식 문제 풀이 결과 데이터 세트 Y를 사용자, 문제, 결과에 대한 리스트 형태로 구성할 수 있다. 예를 들어 Y (i, j)는 사용자 i가 문제 j를 푼 결과를 의미하며, 본 발명의 실시예를 따르면 정답인 경우 1, 오답인 경우 0의 값이 부여될 수 있다.

본 발명의 실시예를 따르면 상기 Y가 충분한 크기이면, 개념을 별도로 정의하지 않고, Y로부터 사용자의 개념 이해도 L, 문제의 개념 구성도 R를 추정할 수 있다. (단계 120)
L (i, c)는 사용자 i의 개념 c에 대한 이해도를 의미하며, R(j, c)는 문제 j가 개념 c를 포함하는 정도를 의미할 수 있다. 이때 본 발명의 실시예를 따르면 상기 L의 각 원소는 0에서 1 사이의 값을 가지며, R의 각 행의 원소들의 합은 1이 될 수 있다.

삭제

예를 들어 L의 1번째 행의 값이 [0, 0, 1, 0.5, 1] 인 경우, 이는 1번 사용자가 1, 2번째 개념은 전혀 이해하지 못하고, 3번째 및 5번째 개념은 완벽히 이해하고, 그리고 4번째 개념은 절반만큼 이해한 것으로 해석될 것이다.

예를 들어 R의 1번째 행의 값이 [0, 0.2, 0.5, 0.3, 0]이라 할 때, 1번 문제는 2번 개념이 20% 정도 포함, 3번 개념이 50% 정도 포함, 4번 개념이 30% 정도 포함된 것으로 해석될 것이다.

본 발명의 실시예를 따라 결과 데이터로부터 사용자의 개념 이해도 L, 문제의 개념 포함도 R를 추정하는 보다 구체적인 방법은 첨부된 도 3을 참고하여 후술된다.

한편 본 발명의 실시예를 따르는 데이터 분석 시스템은, L과 R이 충분한 신뢰도로 추정되면 사용자와 문제 사이의 상호 관계를 낮은 계수 행렬을 통해 수학적으로 연결할 수 있다.
예를 들어 서비스 서버는 분석 대상 전체 사용자 수가 n, 분석 대상 전체 문제 개수가 m인 경우, 해당 과목을 구성하는 미지의 개념의 개수를 r로 상정하면, 사용자의 개념별 이해도 행렬 L을 n by r 행렬로 정의하고, 문제의 개념별 포함 정도에 대한 행렬 R을 m by r 행렬로 정의할 수 있다. 이 경우, L을 R의 전치행렬 RT과 연결하면, 개념 또는 개념의 개수를 별도로 정의하지 않고 사용자와 문제의 상호 관계를 분석할 수 있다.

삭제

즉, 사용자별 문제 이해도 행렬 X는 아래의 수학식과 같이 L과 R의 전치행렬의 곱 (

Figure 112017107513469-pat00001
으로 표현될 수 있다. (단계 130)

Figure 112016104235545-pat00002

이를 적용하면 L의 1번째 행의 값이 [0, 0, 1, 0.5, 1], R의 1번째 행의 값이 [0, 0.2, 0.5, 0.3, 0]인 위의 예에서, 사용자 1이 문제 1에 대한 이해도 X(1,1)은

Figure 112016104235545-pat00003
와 같이 계산될 수 있다. 즉, 사용자 1은 문제 1을 65퍼센트 이해하는 것으로 추정될 수 있다.

그러나 사용자가 특정 문제에 대한 이해도와 특정 문제를 맞출 확률은 동일하다고 할 수 없다. 위의 예에서 사용자 1이 문제 1을 65 퍼센트 이해한다면, 문제 1을 실제로 풀었을 때 정답일 확률은 어느 정도인 것인가

이를 위해 본 발명은 심리학, 인지과학, 교육학 등에 사용되는 문항 반응 이론 (Item Response Theory)의 방법론을 도입하였다. 문항 반응 이론은 평가 문항들에 대한 응답을 이용하여, 피험자의 특성, 예를 들어 인지 능력, 물리적 능력, 기술, 지식, 태도, 인격 특징이나 평가 문항의 난이도를 측정하기 위한 검사 이론이다.

본 발명에 따르면, 문항 반응 이론 중 Reckase 및 McKinely가 고안한 M2PL (multidimensional two-parameter logistic) 잠재적 특성 이론 (Latent Trait Model)이 X와 P 사이의 관계를 분석하기 위해 적용되었다.

상기 이론을 적용하여 충분히 큰 데이터를 사용하여 실험한 결과 문제 이해도 X 와 문제를 맞출 확률 P은 리니어하지 않으며, 도 2과 같은 형태의 결과가 관측되었다.

도 2은 문제 이해도 X와 문제를 맞출 확률 P를 충분히 큰 데이터를 사용하여 실험한 결과에 대한 2차원 그래프로, X축은 이해도, Y축은 정답을 확률을 의미한다.

도 2에 예시된 그래프를 설명할 수 있는 함수를 종래의 수학적 방법을 이용하여 계산하면, 사용자가 문제를 맞출 확률 P를 추정하기 위한 함수

Figure 112017107513469-pat00004
를 아래의 수학식 2와 같이 도출할 수 있다. 다시 말하면, 문제 정답 확률 P는 함수
Figure 112017107513469-pat00005
에 문제 이해도 X를 적용하면 계산될 수 있다.
Figure 112017107513469-pat00006

삭제

삭제

사용자 1의 문제 1에 대한 이해도가 65퍼센트인 위의 예에서, 사용자 1이 문제 1를 맞출 확률은

Figure 112016104235545-pat00007
와 같이 계산되어 86%에 해당한다. 즉, 사용자 1은 개념 2, 4는 전혀 이해하지 못하고, 개념 3을 완전히 이해하며, 문제 1은 개념 2가 20%, 개념 3을 50%, 개념 4가 30%로 구성된 문제인데, 위의 공식에 의하면 사용자 1이 문제 1을 풀게 되면 86퍼센트의 확률로 정답일 것으로 추정될 수 있다.

단계 150에서 데이터 분석 시스템은 사용자의 문제에 대한 정답 확률을 이용하여 사용자 맞춤형 문제를 추천할 수 있다.

예를 들어 서비스 서버는 문제 데이터베이스 세트 중 사용자가 이미 풀어본 문제를 제외하고, 나머지 문제들을 특정 사용자에 대한 확률 P가 낮은 순서대로 정렬하여 해당 사용자에 대한 추천 문제 리스트를 작성하고 이를 제공할 수 있다.

다시 말하면, 사용자 i에게 문제를 추천하는 알고리즘은 행렬 P의 i번째 행을 값이 작은 것부터 차례대로 정렬하고, 해당 문제 번호를 순차적으로 리스트 업 하고, 기존에 푼 문제를 제외한 순서로 문제 풀이를 추천하는 방식으로 동작할 수 있다.

본 발명의 다른 실시예를 따르면, 서비스 서버는 사용자가 이미 풀어본 문제라도 해당 문제에 대한 해당 사용자의 정답 확률 P가 임계값 이하인 경우, 상기 문제를 추천 문제 리스트에 포함시킬 수 있다.

이에 따르면 특정 사용자가 특정 문제를 풀었을 때 정답일 확률은 사용자마다 상이하며, 문제마다 상이하기 때문에 사용자에게 보다 최적화된 문제가 추천될 수 있는 효과가 있다.

예를 들어 행렬 P의 1번 행의 값이 [0.3, 0.4, 0.1, 0.9, 0.7]인 경우 사용자 1이 문제 1, 2, 3, 4, 5를 맞출 확률이 각각 30%, 40%, 10%, 90%, 70%인 것으로 해석될 것이다. 서비스 서버는 문제 3, 1, 2, 5, 4의 순서로 우선순위를 부여한 문제 추천 리스트를 사용자에게 제공할 수 있다. 이때 문제 5번을 사용자 1이 이미 풀었다면 서비스 서버는 문제 5번은 제외하고 문제 추천 리스트를 작성할 수 있다.
도 3은 본 발명의 실시예를 따라 사용자의 개념 이해도 L, 문제의 개념 구성도 R을 추정하는 방법을 설명하기 위한 도면이다. 도 3은 도 1의 단계 120에 대한 보다 구체적인 내용을 설명하기 위한 것으로, 확률적 그래디언트 알고리즘을 기반으로 사용자 i의 개념 이해도 Li 및 문제 j의 개념 구성도 Rj를 추정하는 과정을 도시하고 있다.
단계 310에서 본 발명의 실시예를 따르는 데이터 분석 시스템은 사용자 i의 개념 이해도 Li, 문제 j의 개념 구성도 Rj의 초기 값을 임의의 값으로 부여할 수 있다. 예를 들어 데이터 분석 시스템은 사용자 i의 임의의 개념 이해도 Li의 초기값 및 문제 j의 임의의 개념 구성도 Rj의 초기값을 0 내지 1 사이의 임의의 값으로 부여할 수 있다.
나아가 문제 풀이 결과 데이터를 각각의 사용자 i, 각각의 문제 j에 대해 정답인 경우 1, 오답인 경우 0으로 val를 설정한 리스트를 생성할 수 있다. 예를 들어 사용자별 문제 풀이 결과 데이터 세트를 유저 i가 문제 j를 풀었을 때 정답인 경우 (i, j, 1), 오답인 경우 (i, j, 0)인 형태의 리스트로 변환할 수 있다.
이후 데이터 분석 시스템은 문제 풀이 결과 리스트의 데이터를 랜덤하게 하나씩 로딩할 수 있다. (단계 320)
단계 330에서 데이터분석 시스템은 해당 시점의 사용자 i의 개념 이해도 개념 이해도 Li, 문제 j의 개념 구성도 Rj를 적용하여 특정 사용자 i가 특정 문제 j를 맞출 확률 P(i,j)의 임시값 tmp 를 계산할 수 있다.
이는 해당 시점의 사용자 i의 개념 이해도 Li, 문제 j의 개념 구성도 Rj를 적용하여 계산한 확률 P(i,j), 즉 특정 사용자 i가 특정 문제 j를 맞출 확률과 해당 사용자 i의 해당 문제 j에 대한 실제 문제 풀이 결과값인 val (정답인 경우 1, 오답인 경우 0) 사이의 차이를 이용하여 L 및 R을 업데이트하기 위한 것이다.
선택한 데이터가 (i, j, val)인 경우, 데이터 분석 시스템은 해당 시점의 Li( 사용자 i의 개념 이해도), Rj(문제 j의 개념 구성도)를 이용하여 사용자 i가 문제 j를 맞출 확률의 임시값 tmp (

Figure 112017107513469-pat00024
)를 계산할 수 있다.
예를 들어 선택한 데이터가 (1, 1, 0)인 경우, 사용자 1이 문제 1을 풀어서 틀렸다는 의미이다. 그런데 해당 시점의 L1, R1 를 이용하여 계산한 결과, 사용자 1이 문제 1을 푼다면 86퍼센트의 확률로 맞을 것이라는, 즉 P=0.86인 결과가 나왔다면, L1, R1은 데이터 (1, 1, 0) 를 반영하여 업데이트 될 필요가 있다.
이를 위해 본 발명의 실시예를 따르는 데이터 분석 시스템은 사용자 i가 문제 j를 맞출 확률의 임시값 tmp 및 사용자 i가 문제 j를 실제 풀이한 데이터인 val의 차이를 이용하여 선택한 데이터 (i, j, val)에 대한 근사 그래디언트 grad 를 계산할 수 있다. (단계 340) 이는 아래의 공식을 이용하여 계산될 수 있다.

삭제

삭제

삭제

삭제

삭제

삭제

삭제

삭제

grad

Figure 112017107513469-pat00009

나아가, grad와 함께 해당 사용자가 푼 문제의 개수 ui, 해당 문제가 풀린 횟수 vj를 반영하여 아래와 같은 공식에 따라 사용자 i의 개념 이해도 Li, 문제 j의 개념 구성도 Rj를 을 업데이트할 수 있다. (단계 350)

삭제

Figure 112016104235545-pat00010
:
Figure 112016104235545-pat00011

Figure 112017107513469-pat00012
:
Figure 112017107513469-pat00013

이때, 상기 mu는 상기 수식의 성능을 좌우하는 파라미터로 종래의 기술에 따라 실험에 의해 선택되며, 상기 step은 상기 수식이 새로운 데이터를 받아들이는 속도에 대한 파라미터로 종래의 기술에 따라 실험에 의해 선택할 수 있다.

삭제

본 발명의 실시예를 따르면, 전체 데이터에 대한 이와 같은 과정을 반복하고, 모든 데이터가 반영되면 다시 랜덤하게 리스트를 섞어서 상기 과정을 충분히 반복하면 L, R을 신뢰도 있게 추정할 수 있다. (단계 360)

본 명세서와 도면에 게시된 본 발명의 실시 예들은 본 발명의 기술 내용을 쉽게 설명하고 본 발명의 이해를 돕기 위해 특정 예를 제시한 것뿐이며, 본 발명의 범위를 한정하고자 하는 것은 아니다. 여기에 게시된 실시 예들 이외에도 본 발명의 기술적 사상에 바탕을 둔 다른 변형 예들이 실시 가능하다는 것은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에게 자명한 것이다.

Claims (6)

  1. 서비스 서버에서 개인 맞춤형 교육 컨텐츠를 제공하는 방법에 있어서,
    상기 서비스 서버가 특정 과목에 대한 문제 데이터베이스를 생성하고, 상기 문제를 사용자 디바이스에 제공하여, 사용자의 문제 풀이 결과 데이터를 수집하는 a 단계;
    상기 서비스 서버에서, 상기 과목을 구성하는 개념을 정의하지 않고, 상기 사용자의 개념 이해도 및 상기 문제의 개념 포함도를 추정하고, 상기 사용자의 상기 문제에 대한 이해도를 상기 사용자의 개념 이해도 및 상기 문제의 개념 포함도를 이용하여 계산하는 b 단계; 및
    상기 이해도를 이용하여 상기 사용자가 상기 문제를 맞출 확률을 추정하는 c 단계를 포함하며,
    상기 b 단계는,
    상기 사용자의 수가 n, 상기 문제의 수가 m인 경우, 상기 개념의 개수를 r로 설정하고, 상기 사용자의 개념 이해도를 n by r 행렬로 정의하고, 상기 문제의 개념 포함도를 m by r 행렬로 정의하는 단계; 및
    상기 사용자의 상기 문제에 대한 이해도를, 상기 사용자의 개념 이해도의 행렬과 상기 문제의 개념 포함도의 전치 행렬의 곱으로 계산하는 단계를 포함하며,
    상기 c 단계는,
    상기 사용자가 상기 문제를 맞출 확률을, 상기 사용자의 상기 문제에 대한 이해도 행렬의 각 원소 x에 함수 φ를 적용하여 계산하는 단계를 포함하며,
    상기 함수 φ는 하기 공식을 따르는 것을 특징으로 하는 맞춤형 교육 컨텐츠 제공 방법.
    Figure 112017107513469-pat00025
  2. 제 1항에 있어서, 상기 b 단계는,
    상기 사용자의 개념 이해도 L 및 상기 문제의 개념 포함도 R를 임의의 값으로 부여하는 단계;
    상기 사용자의 문제 풀이 결과 데이터에 정답인 경우 1, 오답인 경우 0으로 값 val을 부여하여 사용자 i, 문제 j, 풀이 결과 값 val에 대한 리스트를 작성하는 단계;
    상기 리스트를 하나씩 로딩하며, 사용자 i의 문제 j에 대한 풀이 결과 값 val와 상기 L 및 상기 R을 이용하여 계산한 상기 사용자 i의 상기 문제 j를 맞출 확률 tmp를 비교하는 단계;
    상기 val과 상기 tmp의 차이를 이용하여 로딩된 데이터에 대한 근사 그래디언트를 계산하고, 상기 근사 그래디언트, 상기 사용자 i가 푼 문제의 개수 및 상기 문제 j가 풀린 횟수를 이용하여 상기 사용자의 개념 이해도 및 상기 문제의 개념 구성도를 업데이트하는 단계를 포함하는 것을 특징으로 하는 맞춤형 교육 컨텐츠 제공 방법.
  3. 제 2항에 있어서,
    상기 b 단계는,
    상기 사용자의 개념 이해도 행렬의 각 원소는 0에서 1사이의 값을 가지며, 상기 문제의 개념 포함도 행렬의 각 행의 원소 값의 합은 1인 것을 특징으로 하는 맞춤형 교육 컨텐츠 제공 방법.
  4. 삭제
  5. 제 3항에 있어서,
    상기 사용자가 이미 푼 문제를 제외하고, 나머지 문제들을 확률 P가 낮은 순서대로 정렬하여 상기 사용자에게 추천하는 단계를 더 포함하는 것을 특징으로 하는 맞춤형 교육 컨텐츠 제공 방법.
  6. 삭제
KR1020160140115A 2016-10-26 2016-10-26 개인 맞춤형 교육 컨텐츠를 제공하는 방법, 장치 및 컴퓨터 프로그램 KR101836206B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020160140115A KR101836206B1 (ko) 2016-10-26 2016-10-26 개인 맞춤형 교육 컨텐츠를 제공하는 방법, 장치 및 컴퓨터 프로그램

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020160140115A KR101836206B1 (ko) 2016-10-26 2016-10-26 개인 맞춤형 교육 컨텐츠를 제공하는 방법, 장치 및 컴퓨터 프로그램
PCT/KR2017/005916 WO2018079968A1 (ko) 2016-10-26 2017-06-07 개인 맞춤형 교육 컨텐츠를 제공하는 방법, 장치 및 컴퓨터 프로그램

Publications (1)

Publication Number Publication Date
KR101836206B1 true KR101836206B1 (ko) 2018-04-19

Family

ID=62023784

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020160140115A KR101836206B1 (ko) 2016-10-26 2016-10-26 개인 맞춤형 교육 컨텐츠를 제공하는 방법, 장치 및 컴퓨터 프로그램

Country Status (2)

Country Link
KR (1) KR101836206B1 (ko)
WO (1) WO2018079968A1 (ko)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2016018323A (ja) * 2014-07-07 2016-02-01 日本電信電話株式会社 パラメータ推定方法、装置、及びプログラム

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100941049B1 (ko) * 2007-07-09 2010-02-05 김중일 온라인 교육 시스템 및 방법
KR20120113571A (ko) * 2011-04-05 2012-10-15 주식회사 유비온 생체신호를 이용한 실시간 보충학습 컨텐츠 선정 방법
KR20150076901A (ko) * 2013-12-27 2015-07-07 주식회사 케이티 교육 서비스 제공 방법 및 그 시스템
KR20150102476A (ko) * 2014-02-28 2015-09-07 안명훈 자기 완성형 학습을 위한 개인 맞춤형 스마트 교육 방법

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2016018323A (ja) * 2014-07-07 2016-02-01 日本電信電話株式会社 パラメータ推定方法、装置、及びプログラム

Also Published As

Publication number Publication date
WO2018079968A1 (ko) 2018-05-03

Similar Documents

Publication Publication Date Title
Powell Evaluation research: An overview
Aloe et al. Classroom management self-efficacy and burnout: A multivariate meta-analysis
Muijs Doing quantitative research in education with SPSS
Pardos et al. Affective states and state tests: Investigating how affect throughout the school year predicts end of year learning outcomes
Rabbitt et al. Practice and drop-out effects during a 17-year longitudinal study of cognitive aging
Bernard et al. A meta-analysis of blended learning and technology use in higher education: From the general to the applied
US6341267B1 (en) Methods, systems and apparatuses for matching individuals with behavioral requirements and for managing providers of services to evaluate or increase individuals' behavioral capabilities
Martínez et al. Classroom assessment practices, teacher judgments, and student achievement in mathematics: Evidence from the ECLS
Frey et al. An NCME instructional module on booklet designs in large‐scale assessments of student achievement: Theory and practice
Chan Preservice Teachers' Epistemological Beliefs and Conceptions about Teaching and Learning: Cultural Implications for Research in Teacher Education.
Teo et al. Explaining the intention to use technology among student teachers: An application of the Theory of Planned Behavior (TPB)
Newman et al. Content validity using a mixed methods approach: Its application and development through the use of a table of specifications methodology
Kotsiantis Use of machine learning techniques for educational proposes: a decision support system for forecasting students’ grades
Cox et al. Working with missing data in higher education research: A primer and real-world example
Kolb et al. Experiential learning theory: Previous research and new directions
Lesik Do developmental mathematics programs have a causal impact on student retention? An application of discrete-time survival and regression-discontinuity analysis
van Deursen et al. Information and strategic Internet skills of secondary students: A performance test
Claessens et al. Academic content, student learning, and the persistence of preschool effects
Ellaway et al. Developing the role of big data and analytics in health professional education
Hogarth The challenge of representative design in psychology and economics
Wijaya et al. Opportunity-to-learn context-based tasks provided by mathematics textbooks
von Davier Statistical models for test equating, scaling, and linking
Sun et al. Direction-setting school leadership practices: A meta-analytical review of evidence about their influence
Pardos et al. Affective States and State Tests: Investigating How Affect and Engagement during the School Year Predict End-of-Year Learning Outcomes.
Vasconcelos et al. Inspiration and fixation: Questions, methods, findings, and challenges

Legal Events

Date Code Title Description
GRNT Written decision to grant