KR102022415B1 - 암기학습 데이터를 활용한 단어 인지상태 정량화와 스마트기기 학습 및 스케줄링 장치 및 방법 - Google Patents

암기학습 데이터를 활용한 단어 인지상태 정량화와 스마트기기 학습 및 스케줄링 장치 및 방법 Download PDF

Info

Publication number
KR102022415B1
KR102022415B1 KR1020170105882A KR20170105882A KR102022415B1 KR 102022415 B1 KR102022415 B1 KR 102022415B1 KR 1020170105882 A KR1020170105882 A KR 1020170105882A KR 20170105882 A KR20170105882 A KR 20170105882A KR 102022415 B1 KR102022415 B1 KR 102022415B1
Authority
KR
South Korea
Prior art keywords
learning
memorization
score
cognitive
learning data
Prior art date
Application number
KR1020170105882A
Other languages
English (en)
Other versions
KR20190006409A (ko
Inventor
박윤규
구기운
김건희
Original Assignee
박윤규
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 박윤규 filed Critical 박윤규
Publication of KR20190006409A publication Critical patent/KR20190006409A/ko
Application granted granted Critical
Publication of KR102022415B1 publication Critical patent/KR102022415B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/20—Education
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/44—Arrangements for executing specific programs
    • G—PHYSICS
    • G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
    • G09B—EDUCATIONAL OR DEMONSTRATION APPLIANCES; APPLIANCES FOR TEACHING, OR COMMUNICATING WITH, THE BLIND, DEAF OR MUTE; MODELS; PLANETARIA; GLOBES; MAPS; DIAGRAMS
    • G09B5/00—Electrically-operated educational appliances
    • G09B5/02—Electrically-operated educational appliances with visual presentation of the material to be studied, e.g. using film strip

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Educational Technology (AREA)
  • Educational Administration (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Electrically Operated Instructional Devices (AREA)

Abstract

본 발명은 아는 것과 모르는 것을 구분하여 효과적으로 공부하는 학습법인 메타인지 학습법을 암기 영역에 적용하기 위한 암기학습 데이터를 활용한 단어 인지상태 정량화와 스마트기기 학습 및 스케줄링 장치 및 방법을 제공하기 위한 것으로서, 암기 앱을 통한 사용자의 문제 풀이 과정을 통해 축적된 학습데이터를 수집하는 학습데이터 수집부와, 상기 학습데이터 수집부에서 수집된 학습데이터를 기 저장된 점수 테이블과 비교/분석하여 사용자 별 표준화된 점수 테이블을 생성하는 메타데이터 생성부와, 상기 메타데이터 생성부에서 생성된 표준화된 점수 테이블과 상기 학습데이터 수집부에서 수집된 학습데이터와의 매칭을 통해 개인의 인지상태를 점수화한 인지점수를 산출하는 인지 평가부와, 시간의 흐름에 따른 망각률에 관한 망각 곡선 도출식과 경과시간을 망각 곡선에 적용하여 단어의 개별 기억 잔존률을 산출하는 망각 평가부와, 상기 산출된 인지점부 및 기억 잔존률을 곱한 최종적인 암기점수를 산출하는 기억정보 산출부와, 상기 기억정보 산출부에서 산출된 암기점수를 바탕으로 오답선택지를 분석하고, 유사 집단군의 오답패턴을 비교하여 집단군 분류(Clustering)를 통해 생성된 유사 오답패턴을 상기 인지 평가부에 전달하여 인지점수에 적용시키는 집단군 생성부와, 상기 기억정보 산출부에서 산출된 암기점수별로 분류(Sorting)하고, 상기 집단군 생성부에서 생성된 유사 오답패턴을 기반으로 상기 암기점수별로 분류된 단어 컨텐츠의 순위를 정렬하여 암기 앱에 재노출시키는 학습 컨텐츠 생성부를 포함하여 구성되는데 있다.

Description

암기학습 데이터를 활용한 단어 인지상태 정량화와 스마트기기 학습 및 스케줄링 장치 및 방법{Learning and Scheduling Apparatus and Method of Word Recognition State Quantification and Smart Devices using Memorizing Learning Data}
본 발명은 암기 앱을 통해 얻어진 사용자 학습데이터를 토대로 암기 상태를 점수화 한 후 분류 과정을 거쳐 점수에 따라 단어를 암기 앱에 재노출시키는 암기학습 데이터를 활용한 단어 인지상태 정량화와 스마트기기 학습 및 스케줄링 장치 및 방법에 관한 것이다.
암기 학습에 대한 학습자들의 전통적 니즈가 꾸준히 지속되어온 결과 스마트 러닝의 등장과 더불어 여러 가지 암기 앱들이 등장하기 시작했다. 그러나 해당 앱들의 대부분이 “XX교육에서 선정한 필수 영단어”, “XXVOCA 시리즈”와 같이 유명 교육 출판사의 브랜딩 어필을 통한 마케팅 측면에 주력을 쏟거나, 혹은 Gamification 기능과 접목한 학습자 친화적 UI 개발에만 몰두한 나머지 암기학습 중에서도 컨텐츠 측면의 발전만이 주로 이루어져왔다.
따라서 나날이 성장하는 스마트 시장의 기술 고도화에도 불구하고, 현재 이루어지는 학습자들의 암기학습 행태는 그저 외울 단어를 스마트폰을 통해 조금 더 쉽게 접할 수 있는 수준일 뿐, 단어들을 종이에 빽빽이 써가면서 외우는 이른 바 “깜지”와 같은 아날로그적인 방식에서 크게 벗어나지 못하고 있다. 이는 암기 자체에 소요되는 시간이 필요이상으로 많아지게 된다는 고전적인 문제를 명쾌히 해결해주지 못하며, 결과적으로 학습의 전체적 효율성을 크게 저하시키는 현상을 초래한다.
특히, 종래 암기 앱들의 기술 발전 양상은 많은 양의 어휘 컨텐츠를 입력하고 서버에서 암기 앱에 최적의 단계로 전송하는 기술 혹은 웹 기반 앱을 이용해 실시간으로 단어들을 전송하는 것과 같은 컨텐츠 중심적인 부문에만 치우쳐있는 반면, 암기 학습의 세부적인 솔루션 측면의 기술 개발은 세밀하게 연구되지 않은 상태이다.
대중적으로 널리 알려져 있는 단어 관련 그림 및 사진 등을 이용하여 암기하는 학습법인 “이미지 연상법”을 활용한 암기 앱들이 있으나, 단순히 관련된 화면을 노출시키거나 발음을 들려주는 정도에 그쳐 있으며 이미지를 활용하기 어려운 추상적 단어의 경우에는 적용에 일정한 한계가 존재한다.
이외에도 학교나 학원 등의 교육시설에서 현재 활용하고 있는 암기상태 확인 시스템은 단어 받아쓰기 혹은 빈칸 넣기와 같은 단순 단어문제풀이에 의한 정/오답 체크 수준에 머물러있어 개인적 특성 및 상황별 변수 등의 세부적인 고려가 병행되지 않고 있다.
기존에 개발된 암기학습 시스템은 출판사가 제작한 E-Book이나, 이미지가 포함되어있는 컨텐츠에 초점이 맞추어져 있다. 때문에 암기 학습을 해야 하는 대상에는 많은 진전이 있었으나, 암기 학습을 어떻게 제공해야 하는 가에는 기초적인 수준에 머물러 있는 것이 현실이다.
등록특허공보 제10-1455688호 (등록일자 2014.10.22) 등록특허공보 제10-1339318호 (등록일자 2013.12.03)
따라서 본 발명은 상기와 같은 문제점을 해결하기 위해 안출한 것으로서, 본 발명은 아는 것과 모르는 것을 구분하여 효과적으로 공부하는 학습법인 메타인지 학습법을 암기 영역에 적용하기 위한 암기학습 데이터를 활용한 단어 인지상태 정량화와 스마트기기 학습 및 스케줄링 장치 및 방법을 제공하는데 그 목적이 있다.
이는 곧 외워야 할 단어만을 선별적으로 학습하는 것을 의미하며, 이를 위해서는 외워야 할 단어와 외우지 않아도 되는 단어를 구분하는 인지상태의 정량적 선별과정이 선행되어야 한다. 즉, 학습자의 암기상태를 “정량화”할 수 있는 기술과, 더 나아가 정량화된 점수를 토대로 학습자에게 맞춤형 암기 학습을 직접 “스케줄링”까지 해줄 수 있는 암기학습 시스템이 요구된다. 이에 본 발명은 학습자의 암기상태를 수치화하기 위해 단어 암기 앱을 학습 데이터 수집 수단으로 활용하였으며, 시간의 경과에 따라 희미해지는 기억 상태를 고려하기 위해 에빙하우스의 망각곡선 이론을 활용하였다. 이를 통해 암기상태를 정량적 수치인 점수로서 도출하며, 도출된 점수를 분류하여 학습자에게 암기가 필요한 단어를 선별적으로 걸러내어 암기 앱에 재노출 시켜줌으로써 메타인지 학습법을 활용한 효과적인 개인별 암기 학습 스케줄을 제시해줄 수 있다.
본 발명의 다른 목적들은 이상에서 언급한 목적으로 제한되지 않으며, 언급되지 않은 또 다른 목적들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.
상기와 같은 목적을 달성하기 위한 본 발명에 따른 암기학습 데이터를 활용한 단어 인지상태 정량화와 스마트기기 학습 및 스케줄링 장치의 특징은 암기 앱을 통한 사용자의 문제 풀이 과정을 통해 축적된 학습데이터를 수집하는 학습데이터 수집부와, 상기 학습데이터 수집부에서 수집된 학습데이터를 기 저장된 점수 테이블과 비교/분석하여 사용자 별 표준화된 점수 테이블을 생성하는 메타데이터 생성부와, 상기 메타데이터 생성부에서 생성된 표준화된 점수 테이블과 상기 학습데이터 수집부에서 수집된 학습데이터와의 매칭을 통해 개인의 인지상태를 점수화한 인지점수를 산출하는 인지 평가부와, 시간의 흐름에 따른 망각률에 관한 망각 곡선 도출식과 경과시간을 망각 곡선에 적용하여 단어의 개별 기억 잔존률을 산출하는 망각 평가부와, 상기 산출된 인지점부 및 기억 잔존률을 곱한 최종적인 암기점수를 산출하는 기억정보 산출부와, 상기 기억정보 산출부에서 산출된 암기점수를 바탕으로 오답선택지를 분석하고, 유사 집단군의 오답패턴을 비교하여 집단군 분류(Clustering)를 통해 생성된 유사 오답패턴을 상기 인지 평가부에 전달하여 인지점수에 적용시키는 집단군 생성부와, 상기 기억정보 산출부에서 산출된 암기점수별로 분류(Sorting)하고, 상기 집단군 생성부에서 생성된 유사 오답패턴을 기반으로 상기 암기점수별로 분류된 단어 컨텐츠의 순위를 정렬하여 암기 앱에 재노출시키는 학습 컨텐츠 생성부를 포함하여 구성되는데 있다.
바람직하게 상기 학습데이터 수집부는 암기 앱을 이용하는 사용자에게 각기 다른 유형의 문제풀이 학습 환경을 제공한 후 각 유형별 암기점수에 관여하는 항목을 선별적으로 추출하여 학습 데이터를 수집하는 것을 특징으로 한다.
바람직하게 상기 항목은 사용자가 문제를 푸는데 소요한 “풀이시간”과, 풀이 과정에서 본인의 정답 확신도에 따라 체크하는 “확신도 버튼(배팅)” 및 “클릭 시간”과, 직전 3회차까지의 정답/오답 여부를 포함하는 것을 특징으로 한다.
바람직하게 상기 인지 평가부에서 산출하는 인지점수는 사용자가 암기 앱을 사용하면서 생성하는 사용자 별 개인화된 점수 테이블의 메타데이터들을 기반으로 하여 실제 개인의 인지상태를 점수화한 것을 특징으로 한다.
바람직하게 상기 인지 평가부는 정답/오답 여부, 풀이 시간 등 인지점수와 유의미한 상관관계를 지니는 항목(Factor)들을 선별한 후 점수 부여를 위한 표준 테이블을 생성하여 실제 사용자로부터 수집된 메타데이터와 매칭하여 인지점수를 산출하는 것을 특징으로 한다.
바람직하게 상기 망각 평가부는 수식
Figure 112017080966146-pat00001
를 이용하여 단어의 개별 기억 잔존률을 산출하며, 이때, 상기
Figure 112017080966146-pat00002
는 기억 잔존도, 상기
Figure 112017080966146-pat00003
는 경과시간, 상기 a, b, c는 회차별 망각 상수를 나타내며, 상기 망각 상수 설정을 위한
Figure 112017080966146-pat00004
값의 기준은 0, 24, 168인 것을 특징으로 한다.
바람직하게 상기 집단군 생성부는 상기 기억정보 산출부에서 산출된 암기점수를 바탕으로 오답선택지를 분석하는 오답선택 기록 분석부와, 상기 오답선택 기록 분석부에서 분석된 오답선택지의 결과를 유사 집단군의 오답패턴과 비교하여 집단군 분류(Clustering)를 통해 유사 오답패턴을 도출하는 유사오답패턴 도출부와, 상기 유사오답패턴 도출부에서 도출한 유사 오답패턴을 적용하여 학습 컨텐츠 생성부에서 암기점수별로 정렬된 컨텐츠의 순위를 재정렬하는 맞춤형 컨텐츠 추천부를 포함하여 구성되는 것을 특징으로 한다.
상기와 같은 목적을 달성하기 위한 본 발명에 따른 암기학습 데이터를 활용한 단어 인지상태 정량화와 스마트기기 학습 및 스케줄링 방법의 특징은 (A) 학습데이터 수집부를 통해 암기 앱을 이용하는 사용자에게 각기 다른 유형의 문제풀이 학습 환경을 제공한 후 각 유형별 암기점수에 관여하는 항목을 선별적으로 추출하여 학습 데이터를 수집하는 단계와, (B) 메타데이터 생성부를 통해 기 저장된 점수 테이블과 학습자의 학습데이터를 비교/분석하여 사용자 별 표준화된 점수 테이블을 생성하는 단계와, (C) 인지 평가부를 통해 상기 생성된 표준화된 점수 테이블과 상기 수집된 학습데이터와의 매칭을 통해 개인의 인지상태를 점수화한 인지점수를 산출하는 단계와, (D) 망각 평가부를 통해 시간의 흐름에 따른 망각률에 관한 망각 곡선 도출식과 경과시간을 망각 곡선에 적용하여 단어의 개별 기억 잔존률을 산출하는 단계와, (E) 기억정보 산출부를 통해 상기 산출된 인지점부 및 기억 잔존률을 곱한 최종적인 암기점수를 산출하는 단계와, (F) 집단군 생성부를 통해 상기 산출된 최종 암기점수를 바탕으로 오답선택지를 분석하고, 유사 집단군의 오답패턴을 비교하여 집단군 분류(Clustering)를 통해 생성된 유사 오답패턴을 생성하는 단계와, (G) 학습 컨텐츠 생성부를 통해 상기 산출된 암기점수별로 분류(Sorting)하고, 상기 생성된 유사 오답패턴을 기반으로 상기 암기점수별로 분류된 단어 컨텐츠의 순위를 재정렬하여 추천되는 맞춤형 컨텐츠를 암기 앱에 재노출시키는 단계를 포함하여 이루어지는데 있다.
바람직하게 상기 항목은 사용자의 인지 척도를 세부적으로 판별하기 위한 학습모드 및 확신도 버튼을 포함하는 인지 관여 요소들인 것을 특징으로 한다.
바람직하게 상기 항목은 사용자가 문제를 푸는데 소요한 “풀이시간”과, 풀이 과정에서 본인의 정답 확신도에 따라 체크하는 “확신도 버튼(배팅)” 및 “클릭 시간”과, 직전 3회차까지의 정답/오답 여부인 것을 특징으로 한다.
바람직하게 상기 (B) 단계는 학습 모드별 구분, 보기 클릭시간 혹은 버튼 클릭 방식을 통한 확신도 구분, 문제 풀이시간, 직전 정/오답 데이터, 현재 학습 정/오답 데이터 중 적어도 하나 이상을 암기점수 항목(Factor)으로 선별한 후, 각 항목별로 최소/최대 풀이시간, 최소/최대 부여점수, 직전학습기록 별 반영 계수를 지정하여 표준화된 점수 테이블을 생성하는 것을 특징으로 한다.
바람직하게 상기 인지점수는 사용자가 암기 앱을 사용하면서 생성하는 사용자 별 개인화된 점수 테이블의 메타데이터들을 기반으로 하여 실제 개인의 인지상태를 점수화하는 것을 특징으로 한다.
바람직하게 상기 인지점수는 정답/오답 여부, 풀이 시간 등 인지점수와 유의미한 상관관계를 지니는 항목(Factor)들을 선별하는 단계와, 상기 선별된 항목들을 기반으로 점수 부여를 위한 표준화된 점수 테이블을 생성하는 단계와, 상기 생성된 표준화된 점수 테이블을 실제 사용자로부터 수집된 메타데이터와 매칭하여 인지점수를 산출하는 단계를 포함하여 이루어지는 것을 특징으로 한다.
바람직하게 상기 (D) 단계는 (D1) 에빙하우스의 망각곡선인 이차 곡선 그래프를 기반으로 사용자가 학습한 단어가 시간 경과에 따라 어느 정도 남아있는지를 계산하는 “기억 잔존률”을 계산하는 단계와, (D2) 상기 도출된 각 회차별 망각곡선 계산식에 사용자로부터 수집된 메타데이터에서 단어 별 노출회차(학습회차) 및 학습 종료시간(경과시간)을 대입하여 단어 개별 기억 잔존률을 계산하는 것을 특징으로 한다.
바람직하게 상기 (D1) 단계는 이차 곡선 그래프를 기반으로 하여 회차 당 망각 기준점 3가지 및 이에 해당하는 기억 잔존률을 사전에 설정한 후(기준시점 3가지 : 노출직후, 노출후 1일, 노출후 7일) 이에 맞는 각 회차별 기억 잔존률 계산식 및 그래프를 도출하는 것을 특징으로 한다.
바람직하게 상기 (F) 단계는 각 단어별 세부 메타(품사, 용례, 소속 단어장, 빈도수, 평균 오답률 등)별 구분 섹터를 나눈 후, 사용자들의 프로필(지역별, 직업별, 나이별 구분 등)별 구분 섹터와 매칭하는 단계와, 각 구분 섹터별 집단군 분류(Clustering)를 실시하여 유사 집단군의 오답패턴을 생성하는 단계를 포함하여 이루어지는 것을 특징으로 한다.
이상에서 설명한 바와 같은 본 발명에 따른 암기학습 데이터를 활용한 단어 인지상태 정량화와 스마트기기 학습 및 스케줄링 장치 및 방법은 암기 앱을 사용하는 과정에서 생성된 학습데이터를 수집한 후, 학습자가 학습한 단어별 암기상태를 개인화된 점수 테이블 및 경과시간에 따른 망각률을 고려한 “점수”의 형태로 정량화하여 학습해야 할 단어를 해당 점수에 따라 노출시킴으로써 암기에 소요되는 총 시간과 반복 학습 횟수를 줄이는 맞춤형 암기학습을 유도한다.
이로써 학습자들은 스마트 기기를 통해 실시간으로 반영되는 자신의 단어별 암기상태를 점검할 수 있으며, 더 나아가 시간이 지남에 따라 망각할 우려가 있는 단어 역시 알맞은 시간대에 자동적으로 노출이 된다. 본 발명을 통해 교육 관련시장 종사자들은 보다 더 개인화되고 체계적인 암기학습 솔루션을 담당 학습자들에게 제시할 수 있으며, 학습자들은 기존에 행해져 온 단순 단어 반복 암기와 복습과 같이 지루하고 쉽게 체감할 수 없던 아날로그적 암기방식을 벗어나 짧은 시간 내에도 효과적으로 자신의 특성에 맞춘 맞춤형 암기 학습을 진행할 수 있게 된다.
도 1 은 본 발명의 실시예에 따른 암기학습 데이터를 활용한 단어 인지상태 정량화와 스마트기기 학습 및 스케줄링 장치의 구성을 나타낸 블록도
도 2 는 도 1에서 집단군 생성부의 구성을 상세히 나타낸 블록도
도 3 은 본 발명의 실시예에 따른 암기학습 데이터를 활용한 단어 인지상태 정량화와 스마트기기 학습 및 스케줄링 방법을 설명하기 위한 흐름도
도 4 는 도 3에서 인지 평가부에서 이용되는 항목을 나타낸 도면
도 5는 도 3에서 망각 평가부에서 이용되는 에빙하우스의 망각곡선을 나타낸 그래프
본 발명의 다른 목적, 특성 및 이점들은 첨부한 도면을 참조한 실시예들의 상세한 설명을 통해 명백해질 것이다.
본 발명에 따른 암기학습 데이터를 활용한 단어 인지상태 정량화와 스마트기기 학습 및 스케줄링 장치 및 방법의 바람직한 실시예에 대하여 첨부한 도면을 참조하여 설명하면 다음과 같다. 그러나 본 발명은 이하에서 개시되는 실시예에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시예는 본 발명의 개시가 완전하도록하며 통상의 지식을 가진자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이다. 따라서 본 명세서에 기재된 실시예와 도면에 도시된 구성은 본 발명의 가장 바람직한 일 실시예에 불과할 뿐이고 본 발명의 기술적 사상을 모두 대변하는 것은 아니므로, 본 출원시점에 있어서 이들을 대체할 수 있는 다양한 균등물과 변형예들이 있을 수 있음을 이해하여야 한다.
도 1 은 본 발명의 실시예에 따른 암기학습 데이터를 활용한 단어 인지상태 정량화와 스마트기기 학습 및 스케줄링 장치의 구성을 나타낸 블록도이다.
도 1에서 도시하고 있는 것과 같이, 암기 앱을 통한 사용자의 문제 풀이 과정을 통해 축적된 학습데이터를 수집하는 학습데이터 수집부(100)와, 상기 학습데이터 수집부(100)에서 수집된 학습데이터를 기 저장된 점수 테이블과 비교/분석하여 사용자 별 표준화된 점수 테이블을 생성하는 메타데이터 생성부(200)와, 상기 메타데이터 생성부(200)에서 생성된 표준화된 점수 테이블과 상기 학습데이터 수집부(100)에서 수집된 학습데이터와의 매칭을 통해 개인의 인지상태를 점수화한 인지점수를 산출하는 인지 평가부(300)와, 시간의 흐름에 따른 망각률에 관한 망각 곡선 도출식과 경과시간을 망각 곡선에 적용하여 단어의 개별 기억 잔존률을 산출하는 망각 평가부(400)와, 상기 산출된 인지점부 및 기억 잔존률을 곱한 최종적인 암기점수를 산출하는 기억정보 산출부(500)와, 상기 기억정보 산출부(500)에서 산출된 암기점수를 바탕으로 오답선택지를 분석하고, 유사 집단군의 오답패턴을 비교하여 집단군 분류(Clustering)를 통해 생성된 유사 오답패턴을 상기 인지 평가부(300)에 전달하여 인지점수에 적용시키는 집단군 생성부(600)와, 상기 기억정보 산출부(500)에서 산출된 암기점수별로 분류(Sorting)하고, 상기 집단군 생성부(600)에서 생성된 유사 오답패턴을 기반으로 상기 암기점수별로 분류된 단어 컨텐츠의 순위를 정렬하여 암기 앱에 재노출시키는 학습 컨텐츠 생성부(700)로 구성된다.
상기 학습데이터 수집부(100)는 암기 앱을 이용하는 사용자에게 각기 다른 유형의 문제풀이 학습 환경을 제공한 후 각 유형별 암기점수에 관여하는 항목을 선별적으로 추출하여 학습 데이터를 수집한다. 이때, 상기 항목은 사용자가 문제를 푸는데 소요한 “풀이시간”과, 풀이 과정에서 본인의 정답 확신도에 따라 체크하는 “확신도 버튼(배팅)” 및 “클릭 시간”과, 직전 3회차까지의 정답/오답 여부가 있다.
상기 인지 평가부(300)에서 산출하는 인지점수는 사용자가 암기 앱을 사용하면서 생성하는 사용자 별 개인화된 점수 테이블의 메타데이터들을 기반으로 하여 실제 개인의 인지상태를 점수화하는 것으로, 정답/오답 여부, 풀이 시간 등 인지점수와 유의미한 상관관계를 지니는 항목(Factor)들을 선별한 후 점수 부여를 위한 표준 테이블을 생성하여 실제 사용자로부터 수집된 메타데이터와 매칭하여 인지점수를 산출한다. 상기 주요 수집 항목으로는 사용자가 문제를 푸는데 소요한 “풀이시간”과, 풀이 과정에서 본인의 정답 확신도에 따라 체크하는 “확신도 버튼(배팅)” 및 “클릭 시간”과, 직전 3회차까지의 정답/오답 여부가 있다.
상기 망각 평가부(400)는 사용자에게 노출된 단어가 시간이 지남에 따라 기억 속에서 사라지는 망각현상을 기억점수에 반영하기 위하여 “기억은 시간흐름의 제곱에 반비례한다”는 에빙하우스의 망각곡선이론에 따라 고안한 망각 계산식으로 다음 수학식 1과 같다.
Figure 112017080966146-pat00005
이때, 상기
Figure 112017080966146-pat00006
는 기억 잔존도, 상기
Figure 112017080966146-pat00007
는 경과시간, 상기 a, b, c는 회차별 망각 상수를 나타낸다. 그리고 상기 망각 상수 설정을 위한
Figure 112017080966146-pat00008
값의 기준은 0, 24, 168이다.
상기 수학식 1과 같이, 상기 망각 평가부(400)에서는 메타데이터를 통해 수집된 “당 회차 노출시각”과 “다음 회차 노출시각(다음 회차가 없을 경우 현재 시각)”사이의 경과시간을 대입하여 기억 잔존률(기억이 남아있는 정도)을 계산한다.
상기 집단군 생성부(600)는 도 2에서 도시하고 있는 것과 같이, 상기 기억정보 산출부(500)에서 산출된 암기점수를 바탕으로 오답선택지를 분석하는 오답선택 기록 분석부(610)와, 상기 오답선택 기록 분석부(610)에서 분석된 오답선택지의 결과를 유사 집단군의 오답패턴과 비교하여 집단군 분류(Clustering)를 통해 유사 오답패턴을 도출하는 유사오답패턴 도출부(620)와, 상기 유사오답패턴 도출부(620)에서 도출한 유사 오답패턴을 적용하여 학습 컨텐츠 생성부(700)에서 암기점수별로 정렬된 컨텐츠의 순위를 재정렬하는 맞춤형 컨텐츠 추천부(630)로 구성된다.
이와 같이 구성된 본 발명에 따른 암기학습 데이터를 활용한 단어 인지상태 정량화와 스마트기기 학습 및 스케줄링 장치의 동작을 첨부한 도면을 참조하여 상세히 설명하면 다음과 같다. 도 1 또는 도 2와 동일한 참조부호는 동일한 기능을 수행하는 동일한 부재를 지칭한다.
도 3 은 본 발명의 실시예에 따른 암기학습 데이터를 활용한 단어 인지상태 정량화와 스마트기기 학습 및 스케줄링 방법을 설명하기 위한 흐름도이다.
도 3을 참조하여 설명하면, 먼저 학습데이터 수집부(100)를 통해 암기 앱을 이용하는 사용자에게 각기 다른 유형의 문제풀이 학습 환경을 제공한 후 각 유형별 암기점수에 관여하는 항목을 선별적으로 추출하여 학습 데이터를 수집한다(S10).
이때, 상기 암기점수에 관여하는 항목은 사용자의 인지 척도를 세부적으로 판별하기 위한 다양한 학습모드 및 확신도 버튼 등의 인지 관여 요소들로서, 사용자가 문제를 푸는데 소요한 “풀이시간”과, 풀이 과정에서 본인의 정답 확신도에 따라 체크하는 “확신도 버튼(배팅)” 및 “클릭 시간”과, 직전 3회차까지의 정답/오답 여부가 있다.
이어, 메타데이터 생성부(200)를 통해 학습 모드별 구분, 보기 클릭시간 혹은 버튼 클릭 방식을 통한 확신도 구분, 문제 풀이시간, 직전 정/오답 데이터, 현재 학습 정/오답 데이터를 암기점수 항목(Factor)으로 선별한 후, 각 항목(Factor)별로 최소/최대 풀이시간, 최소/최대 부여점수, 직전학습기록 별 반영 계수 등을 지정하여 표준화된 점수 테이블을 생성한다(S20).
그리고 인지 평가부(300)를 통해 상기 생성된 표준화된 점수 테이블과 상기 수집된 학습데이터와의 매칭을 통해 개인의 인지상태를 점수화한 인지점수를 산출한다(S30).
이때, 상기 인지점수는 사용자가 암기 앱을 사용하면서 생성하는 사용자 별 개인화된 점수 테이블의 메타데이터들을 기반으로 하여 실제 개인의 인지상태를 점수화하는 것으로, 정답/오답 여부, 풀이 시간 등 인지점수와 유의미한 상관관계를 지니는 항목(Factor)들을 선별한 후 점수 부여를 위한 표준화된 점수 테이블을 생성하여 실제 사용자로부터 수집된 메타데이터와 매칭하여 인지점수를 산출한다.
그리고 상기 주요 수집 항목으로는 도 4에서 도시하고 있는 것과 같이, 사용자가 문제를 푸는데 소요한 “풀이시간”과, 풀이 과정에서 본인의 정답 확신도에 따라 체크하는 “확신도 버튼(배팅)” 및 “클릭 시간”과, 직전 3회차까지의 정답/오답 여부가 있다.
상기 풀이시간은 사용자의 문제 풀이시간에 따라 점수를 부여하는 항목으로 기본적으로 주어지는 최소점수에 시간이 흘러갈수록 부여되는 부가점수를 합산하는 방식이며, 문제 유형별 난이도에 따라 최소부여점수가 다르게 부여된다. 고른 선택지가 정답일 경우에는 풀이 시간이 오래 걸릴수록 정답에 대한 인지도가 상대적으로 낮다는 전제를 기반으로 시간 흐름에 따라 부가점수가 100에서부터 감소하는 우하향 그래프를 가지며, 고른 선택지가 오답일 경우에는 반대로 풀이 시간이 오래 걸릴수록 정답에 대한 인지도가 상대적으로 높다는 전제를 기반으로 시간 흐름에 따른 부가점수가 0에서부터 증가하는 우상향 그래프를 가진다. 실시예로서, 풀이시간 범위는 0.8~30(s)이고, 최소 부여점수는 25~40점, 부가점수는 60~75점으로 한다.
상기 배팅은 사용자가 확실히 아는 단어문제일 경우, 4지선단 모드에서는 답을 “길게(롱클릭)”누르거나, 이외 모드에서는 “배팅버튼”을 누르게 함으로써 정답을 맞힐 경우 주어지는 보상을 더욱 많이 부여해주는 일종의 게임화(Gamification) 요소이다. 이를 통해 사용자가 단어에 대해 가졌던 확신도를 체크할 수 있다. 배팅형식이 롱클릭인 학습모드는 앞선 시간과 유사한 로직으로 계산하며, 버튼 형태인 학습모드는 버튼 클릭 유무와 정/오답 경우의 수에 대응하는 표준화된 점수 테이블로부터 점수를 추출한다. 실시예로서, 롱클릭 범위는 0~0.5(s)이고, 구분점수는 100점/60점/40점/20점으로 한다.
상기 직전학습기록은 직전 3회차까지의 정답/오답 여부를 경우에 수에 따라 나누어 각 상황에 대응하는 계수를 산정한 표준화된 점수 테이블 기반으로 하여 실제 사용자의 직전 학습기록에 따라 표준화된 점수 테이블 상에서 상황에 맞는 계수를 호출한 후 인지점수에 곱한다. 이는 단일 회차만의 메타 데이터를 통해 점수를 산출할 시, 이전 학습상황으로부터 비롯되는 변수를 고려하지 않아 생길 수 있는 점수의 과대변동(폭) 및 그로 말미암은 인지점수 자체의 신뢰성이 하락하는 것을 방지하기 위하여 수집하는 항목이다.
다음 표 1 내지 표 4에서 인지 평가부(300)를 통해 인지점수를 산출한 실시예를 나타내고 있다. 표 1 및 표 2는 정답/오답 순서변화에 따른 점수변화를 나타내고, 표 3 및 표 4는 동일 조건의 회차별 순서 변화에 따른 점수변화를 나타내고 있다.
회차 구분 풀이시간 확신도 이해도 신뢰도 인지점수
1 정답 2.5s X3 90.4 0.97 87.69
2 오답 2.5s X3 57.6 0.97 55.87
회차 구분 풀이시간 확신도 이해도 신뢰도 인지점수
1 오답 2.5s X3 36 0.97 34.92
2 정답 2.5s X3 79.6 0.97 77.87
회차 구분 풀이시간 확신도 이해도 신뢰도 인지점수
1 정답 5s X3 78.4 0.95 74.48
2 정답 2.5s X1 97.6 0.97 94.67
회차 구분 풀이시간 확신도 이해도 신뢰도 인지점수
1 정답 2.5s X1 87.28 0.97 84.62
2 정답 5s X3 90.4 0.95 85.88
상기 표 1은 1회차에서 풀이시간은 205초가 걸렸으며 3배수 버튼을 클릭한 상태이다. 첫 회차임에도 불구하고 어느 정도 단어에 대한 암기상태가 있다고 판단하여 87.69를 인지지점수로 산출하였으나, 2회차에 같은 풀이시간 및 배수 버튼을 클릭하였음에도 오답을 선택하여 결과적으로 출제 단어에 대한 암기상태가 완벽하지 않다고 판단, 약 31점이 하락한 55.87점을 인지점수로 산출된다.
상기 표 2는 표 1에서 정답/오답 순서를 바꾼 결과이다. 1회차에서 빠른 풀이시잔 및 높은 배수 버튼을 선택하였음에도 풀이 결과가 오답이므로 출제 단어에 대한 암기상태가 미흡하다고 판단하여 34.92를 인지점수로 산출하였으나, 2회차에서는 같은 풀이시간 및 배수 버튼으로 정답을 골라냈기에 출제 단어의 암기 상태가 많이 향상되었다고 판단, 약 42점 가량이 상승한 77.87점을 인지점수로 산출된다.
상기 표 3은 1회차에서 3배수 버튼을 클릭하여 정답을 맞혔으나, 풀이시간이 5초가 걸렸기에, 출제 단어에 대한 학습이 제대로 되어있지 않다고 판단하여 인지점수가 74.48로 낮게 산출된다. 그러나 2회차 학습에서는 비록 1배수 버튼을 클릭하였을지라도 풀이시간이 2.1초로 이전보다 2.38배 빠른 속도로 정답을 택하였으며, 동시에 직전 기록이 정답이었던 점을 고려했을 때, 출제 단어에 대한 학습이 비교적 확실히 되었다 판단하여 인지점수가 94.67로 큰 폭으로 증가된다.
상기 표 4는 표 3과 동일한 조건이지만, 순서를 바꾼 결과이다. 1회차에서는 풀이시간 2.1초에 1배수 버튼을 클릭하여 인지점수가 84.62로 산출되었다. 2회차에서는 3배수 버튼을 클릭하였으나 풀이시간이 5초로 직전보다 58% 감소하여 이전보다 암기율이 크게 향상되지는 못하였다고 판단, 1.26점이 오른 85.88점을 인지점수로 산출된다.
표 1 내지 표 4에서 나타내고 있는 것과 같이, 정답을 고른 경우일지라도 높은 난이도의 학습모드에서 풀었을수록, 문제 풀이시간이 짧을수록, 확신도가 높을수록, 직전학습기록의 정답 횟수가 많을수록 상대적으로 많은 인지점수를 획득하게 되는 방식으로, 단순 정답/오답 구분을 넘어 실제 사용자가 해당 단어를 어느 정도 수준으로 정확히 인지하는지를 판별하는 데에 그 목적이 있다.
이어, 망각 평가부(400)를 통해 시간의 흐름에 따른 망각률에 관한 망각 곡선 도출식과 경과시간을 망각 곡선에 적용하여 단어의 개별 기억 잔존률을 산출한다(S40).
상기 S40 단계를 좀 더 상세히 설명하면, 먼저 도 5에서 도시하고 있는 에빙하우스의 망각곡선인 이차 곡선 그래프를 기반으로 사용자가 학습한 단어가 시간 경과에 따라 어느 정도 남아있는지를 계산하는 “기억 잔존률”을 계산한다. 즉, 도 5(b)에서 도시하고 있는 것과 같이, 이차 곡선 그래프를 기반으로 하여 회차 당 망각 기준점 3가지 및 이에 해당하는 기억 잔존률을 사전에 설정한 후(기준시점 3가지 : 노출직후, 노출후 1일, 노출후 7일) 이에 맞는 각 회차별 기억 잔존률 계산식 및 그래프를 도출한다. 상기 각 회차별 기억 잔존률 계산식은 상기 수학식 1로 나타낼 수 있다.
이어, 상기 도출된 각 회차별 망각곡선 계산식에 사용자로부터 수집된 메타데이터에서 단어 별 노출회차(학습회차) 및 학습 종료시간(경과시간)을 대입한 후, 단어 개별 기억 잔존률을 계산한다.
다음으로, 기억정보 산출부(500)를 통해 상기 산출된 인지점부 및 기억 잔존률을 곱한 최종적인 암기점수를 산출한다(S50). 표 5에서 최종적인 암기점수를 산출한 결과를 나타내고 있다.
회차 인지점수 누적 인지점수 경과시간(h) 기억 잔존률 기억점수
1 88.7 88.7 1 75% 66.525
2 93.8 160.325 1 83% 132.8
표 5에서 나타내고 있는 것과 같이, 인지점수가 높게 도출되었더라도, 시간이 흐르면서 기억 잔존률에 의해 인지점수가 낮아지게 되며 일정 수준 이상 인지점수가 하락하게 되면 재노출 되어야 할 단어 목록에 포함된다.
이는 종래의 애매모호했던 “복습”에 관한 부분을 정량화된 기억 점수를 통해 기술적인 해결책을 제시해주어 단어 총량을 무턱대로 반복 암기하던 기존의 암기학습법에서 벗어나 “필요한 단어”만을 “집중적으로”학습할 수 있게 해준다.
이어, 집단군 생성부(600)를 통해 상기 산출된 최종 암기점수를 바탕으로 오답선택지를 분석하고, 유사 집단군의 오답패턴을 비교하여 집단군 분류(Clustering)를 통해 생성된 유사 오답패턴을 생성한다(S60).
이때, 상기 집단군 분석(Clustering) 기술로는 바람직하게 K-means Clustering(이하 “Clustering”라 칭함)을 이용하며, 이를 위해 먼저 각 단어별 세부 메타(품사, 용례, 소속 단어장, 빈도수, 평균 오답률 등)별 구분 섹터를 나눈 후, 사용자들의 프로필(지역별, 직업별, 나이별 구분 등)별 구분 섹터와 매칭한다.
이후 각 구분 섹터별 Clustering을 실시하여 유사 집단군의 오답패턴을 생성한다. 예로서, “군집 A는 17세~19세의 인원으로 구성되어 있으며 오답 유형으로는 부사의 형태변형 문제 오답률이 80%이며, 접두어 en이 붙은 단어들의 오답률이 75%,
그리고 학습 컨텐츠 생성부(700)를 통해 상기 산출된 암기점수별로 분류(Sorting)하고, 상기 생성된 유사 오답패턴을 기반으로 상기 암기점수별로 분류된 단어 컨텐츠의 순위를 재정렬하여 추천되는 맞춤형 컨텐츠를 암기 앱에 재노출시킨다(S70).
이처럼 암기 앱에 재노출되는 단어 컨텐츠는 사용자가 선택한 오답을 중심으로 집단군을 설정하여 유사 오답패턴을 도출한 후, 결과적으로 상기 오답패턴에 의거하여 사용자의 오답률이 높은 컨텐츠들을 예측하여 선별한 후 맞춤형 컨텐츠로서 추천해 주게 된다.
상기 정렬 과정을 통해 배열된 단어들을 학습자에게 노출시켜 외워야 할 단어들을 우선적으로 학습시킴으로써 아는 것과 모르는 것을 구분하여 효율적으로 학습하는 메타인지 학습법을 기술로 구현할 수 있게 된다. 이로써 학습자는 본인의 현 학습상황 및 개인적 특성에 고려하여 생성되는 맞춤형 암기학습 스케줄에 따라 효율적으로 암기를 진행할 수 있으며 이는 “이미지 연상법”과 같은 종래의 암기학습 솔루션으로는 해결할 수 없었던 직전학습과 지속적으로 연관되는 유기적이고 체계적인 암기학습이 가능하도록 해준다.
실시예
실시예로서, 문제풀이 학습 앱으로의 활용 방안을 설명한다.
상기 기술 설명은 암기 학습을 기준으로 작성되었으나 향후 학습 모드 추가 개발, 점수판 Factor 추가 등의 개선작업을 거쳐 자사가 출시중인 문제풀이 학습 앱에도 유사한 방식으로 적용할 계획이다. 문제풀이 학습 관련 인지 척도 관여 Factor에 관한 변경 및 추가 가설은 다음과 같다.
먼저, 가) 문제 보기 소거기능 추가 및 소거 내역 데이터를 수집한다.
이는 정답이 아닌 보기를 하나씩 지워가면서 푸는 오프라인 상 학습 습관을 가정하여, 실제 문제풀이 학습 앱 사용 시에도 사용자가 문제풀이 과정에서 보기를 하나씩 소거하거나 다시 되돌릴 수 있는 기능 추가하며, 이를 통해 사용자가 소거했던 보기 내역, 소거했다가 다시 되돌린 보기 내역, 보기를 소거한 순서 등의 데이터를 수집한 뒤 각각을 인지 척도 관여 항목으로 설정하여 점수판에 추가한다.
다음으로, 나) 사용자가 밑줄 친 문장 구문 분석 데이터를 수집한다.
이는 문제 풀이과정에서 본문 문장에 밑줄을 긋거나 동그라미를 긋는 등 문제 위에 직접 채킹하며 푸는 오프라인 상 학습 습관을 가정하여, 실제 문제풀이 학습 앱 사용 시에도 사용자가 본문 위에 터치기능을 활용하여 표시를 하며 문제를 풀 수 있는 기능 추가하며, 사용자가 밑줄 친 문장/구문에 대한 데이터를 수집한 뒤, 문장구조분석기능(NLP처리)을 활용하여 밑줄 친 문장/구문 별 공통 요소를 도출하고 이를 정답/오답데이터와 비교하여 각각 인지 척도 관여 항목으로 설정하여 점수판에 추가한다.
다음으로, 다) 표준화된 점수 테이블 생성 및 인지점수를 산출한다.
이는 인지 척도 관여 Factor, 문제 풀이시간, 문제 유형, 보기 소거 내역, Touch Feedback(본문상 필기한 문장), 정답/오답, 직전학습기록, 확신도 버튼 등의 문제풀이용 항목 추가 및 항목별 수식을 할당한다. 또한 학습 메타 데이터와의 조회 및 인지점수를 산출하고, 이하 과정은 암기학습의 예에 준한다.
상기에서 설명한 본 발명의 기술적 사상은 바람직한 실시예에서 구체적으로 기술되었으나, 상기한 실시예는 그 설명을 위한 것이며 그 제한을 위한 것이 아님을 주의하여야 한다. 또한, 본 발명의 기술적 분야의 통상의 지식을 가진자라면 본 발명의 기술적 사상의 범위 내에서 다양한 실시예가 가능함을 이해할 수 있을 것이다. 따라서 본 발명의 진정한 기술적 보호 범위는 첨부된 특허청구범위의 기술적 사상에 의해 정해져야 할 것이다.

Claims (16)

  1. 암기 앱을 통한 사용자의 문제 풀이 과정을 통해 축적된 학습데이터를 수집하는 학습데이터 수집부와,
    상기 학습데이터 수집부에서 수집된 학습데이터를 기 저장된 점수 테이블과 비교/분석하여 사용자 별 표준화된 점수 테이블을 생성하는 메타데이터 생성부와,
    상기 메타데이터 생성부에서 생성된 표준화된 점수 테이블과 상기 학습데이터 수집부에서 수집된 학습데이터와의 매칭을 통해 개인의 인지상태를 점수화한 인지점수를 산출하는 인지 평가부와,
    시간의 흐름에 따른 망각률에 관한 망각 곡선 도출식과 경과시간을 망각 곡선에 적용하여 단어의 개별 기억 잔존률을 산출하는 망각 평가부와,
    상기 산출된 인지점부 및 기억 잔존률을 곱한 최종적인 암기점수를 산출하는 기억정보 산출부와,
    상기 기억정보 산출부에서 산출된 암기점수를 바탕으로 오답선택지를 분석하고, 유사 집단군의 오답패턴을 비교하여 집단군 분류(Clustering)를 통해 생성된 유사 오답패턴을 상기 인지 평가부에 전달하여 인지점수에 적용시키는 집단군 생성부와,
    상기 기억정보 산출부에서 산출된 암기점수별로 분류(Sorting)하고, 상기 집단군 생성부에서 생성된 유사 오답패턴을 기반으로 상기 암기점수별로 분류된 단어 컨텐츠의 순위를 정렬하여 암기 앱에 재노출시키는 학습 컨텐츠 생성부를 포함하고,
    상기 망각 평가부는 수식
    Figure 112018079807105-pat00018
    를 이용하여 단어의 개별 기억 잔존률을 산출하며,
    이때, 상기
    Figure 112018079807105-pat00019
    는 기억 잔존도, 상기
    Figure 112018079807105-pat00020
    는 경과시간, 상기 a, b, c는 회차별 망각 상수를 나타내며, 상기 망각 상수 설정을 위한
    Figure 112018079807105-pat00021
    값의 기준은 0, 24, 168이고,
    상기 메타데이터 생성부는 학습 모드별 구분, 보기 클릭시간 혹은 버튼 클릭 방식을 통한 확신도 구분, 문제 풀이시간, 직전 정/오답 데이터, 현재 학습 정/오답 데이터 중 적어도 하나 이상을 암기점수 항목(Factor)으로 선별한 후, 각 항목별로 최소/최대 풀이시간, 최소/최대 부여점수, 직전학습기록 별 반영 계수를 지정하여 표준화된 점수 테이블을 생성하고,
    상기 직전학습기록은 단일 회차만의 메타 데이터를 통해 점수를 산출할 시, 이전 학습상황으로부터 비롯되는 변수를 고려하지 않아 생길 수 있는 점수의 과대변동(폭) 및 그로 말미암은 인지점수 자체의 신뢰성이 하락하는 것을 방지하기 위하여 직전 3회차까지의 정답/오답 여부를 경우에 수에 따라 나누어 각 상황에 대응하는 계수를 산정한 표준화된 점수 테이블 기반으로 하여 실제 사용자의 직전 학습기록에 따라 표준화된 점수 테이블 상에서 상황에 맞는 계수를 호출한 후 인지점수에 곱하는 것을 특징으로 하는 암기학습 데이터를 활용한 단어 인지상태 정량화와 스마트기기 학습 및 스케줄링 장치.
  2. 제 1 항에 있어서,
    상기 학습데이터 수집부는 암기 앱을 이용하는 사용자에게 각기 다른 유형의 문제풀이 학습 환경을 제공한 후 각 유형별 암기점수에 관여하는 항목을 선별적으로 추출하여 학습 데이터를 수집하는 것을 특징으로 하는 암기학습 데이터를 활용한 단어 인지상태 정량화와 스마트기기 학습 및 스케줄링 장치.
  3. 제 2 항에 있어서,
    상기 항목은 사용자가 문제를 푸는데 소요한 “풀이시간”과, 풀이 과정에서 본인의 정답 확신도에 따라 체크하는 “확신도 버튼(배팅)” 및 “클릭 시간”과, 직전 3회차까지의 정답/오답 여부를 포함하는 것을 특징으로 하는 암기학습 데이터를 활용한 단어 인지상태 정량화와 스마트기기 학습 및 스케줄링 장치.
  4. 제 1 항에 있어서,
    상기 인지 평가부에서 산출하는 인지점수는 사용자가 암기 앱을 사용하면서 생성하는 사용자 별 개인화된 점수 테이블의 메타데이터들을 기반으로 하여 실제 개인의 인지상태를 점수화한 것을 특징으로 하는 암기학습 데이터를 활용한 단어 인지상태 정량화와 스마트기기 학습 및 스케줄링 장치.
  5. 제 4 항에 있어서,
    상기 인지 평가부는 정답/오답 여부, 풀이 시간으로 구성된 인지점수와 유의미한 상관관계를 지니는 항목(Factor)들을 선별한 후 점수 부여를 위한 표준 테이블을 생성하여 실제 사용자로부터 수집된 메타데이터와 매칭하여 인지점수를 산출하는 것을 특징으로 하는 암기학습 데이터를 활용한 단어 인지상태 정량화와 스마트기기 학습 및 스케줄링 장치.
  6. 삭제
  7. 제 1 항에 있어서, 상기 집단군 생성부는
    상기 기억정보 산출부에서 산출된 암기점수를 바탕으로 오답선택지를 분석하는 오답선택 기록 분석부와,
    상기 오답선택 기록 분석부에서 분석된 오답선택지의 결과를 유사 집단군의 오답패턴과 비교하여 집단군 분류(Clustering)를 통해 유사 오답패턴을 도출하는 유사오답패턴 도출부와,
    상기 유사오답패턴 도출부에서 도출한 유사 오답패턴을 적용하여 학습 컨텐츠 생성부에서 암기점수별로 정렬된 컨텐츠의 순위를 재정렬하는 맞춤형 컨텐츠 추천부를 포함하여 구성되는 것을 특징으로 하는 암기학습 데이터를 활용한 단어 인지상태 정량화와 스마트기기 학습 및 스케줄링 장치.
  8. (A) 학습데이터 수집부를 통해 암기 앱을 이용하는 사용자에게 각기 다른 유형의 문제풀이 학습 환경을 제공한 후 각 유형별 암기점수에 관여하는 항목을 선별적으로 추출하여 학습 데이터를 수집하는 단계와,
    (B) 메타데이터 생성부를 통해 기 저장된 점수 테이블과 학습자의 학습데이터를 비교/분석하여 사용자 별 표준화된 점수 테이블을 생성하는 단계와,
    (C) 인지 평가부를 통해 상기 생성된 표준화된 점수 테이블과 상기 수집된 학습데이터와의 매칭을 통해 개인의 인지상태를 점수화한 인지점수를 산출하는 단계와,
    (D) 망각 평가부를 통해 시간의 흐름에 따른 망각률에 관한 망각 곡선 도출식과 경과시간을 망각 곡선에 적용하여 단어의 개별 기억 잔존률을 산출하는 단계와,
    (E) 기억정보 산출부를 통해 상기 산출된 인지점부 및 기억 잔존률을 곱한 최종적인 암기점수를 산출하는 단계와,
    (F) 집단군 생성부를 통해 상기 산출된 최종 암기점수를 바탕으로 오답선택지를 분석하고, 유사 집단군의 오답패턴을 비교하여 집단군 분류(Clustering)를 통해 생성된 유사 오답패턴을 생성하는 단계와,
    (G) 학습 컨텐츠 생성부를 통해 상기 산출된 암기점수별로 분류(Sorting)하고, 상기 생성된 유사 오답패턴을 기반으로 상기 암기점수별로 분류된 단어 컨텐츠의 순위를 재정렬하여 추천되는 맞춤형 컨텐츠를 암기 앱에 재노출시키는 단계를 포함하고,
    상기 망각 평가부는 수식
    Figure 112018079807105-pat00022
    를 이용하여 단어의 개별 기억 잔존률을 산출하며,
    이때, 상기
    Figure 112018079807105-pat00023
    는 기억 잔존도, 상기
    Figure 112018079807105-pat00024
    는 경과시간, 상기 a, b, c는 회차별 망각 상수를 나타내며, 상기 망각 상수 설정을 위한
    Figure 112018079807105-pat00025
    값의 기준은 0, 24, 168이고,
    상기 메타데이터 생성부는 학습 모드별 구분, 보기 클릭시간 혹은 버튼 클릭 방식을 통한 확신도 구분, 문제 풀이시간, 직전 정/오답 데이터, 현재 학습 정/오답 데이터 중 적어도 하나 이상을 암기점수 항목(Factor)으로 선별한 후, 각 항목별로 최소/최대 풀이시간, 최소/최대 부여점수, 직전학습기록 별 반영 계수를 지정하여 표준화된 점수 테이블을 생성하고,
    상기 직전학습기록은 단일 회차만의 메타 데이터를 통해 점수를 산출할 시, 이전 학습상황으로부터 비롯되는 변수를 고려하지 않아 생길 수 있는 점수의 과대변동(폭) 및 그로 말미암은 인지점수 자체의 신뢰성이 하락하는 것을 방지하기 위하여 직전 3회차까지의 정답/오답 여부를 경우에 수에 따라 나누어 각 상황에 대응하는 계수를 산정한 표준화된 점수 테이블 기반으로 하여 실제 사용자의 직전 학습기록에 따라 표준화된 점수 테이블 상에서 상황에 맞는 계수를 호출한 후 인지점수에 곱하는 것을 특징으로 하는 암기학습 데이터를 활용한 단어 인지상태 정량화와 스마트기기 학습 및 스케줄링 방법.
  9. 제 8 항에 있어서,
    상기 항목은 사용자의 인지 척도를 세부적으로 판별하기 위한 학습모드 및 확신도 버튼을 포함하는 인지 관여 요소들인 것을 특징으로 하는 암기학습 데이터를 활용한 단어 인지상태 정량화와 스마트기기 학습 및 스케줄링 방법.
  10. 제 9 항에 있어서,
    상기 항목은 사용자가 문제를 푸는데 소요한 “풀이시간”과, 풀이 과정에서 본인의 정답 확신도에 따라 체크하는 “확신도 버튼(배팅)” 및 “클릭 시간”과, 직전 3회차까지의 정답/오답 여부인 것을 특징으로 하는 암기학습 데이터를 활용한 단어 인지상태 정량화와 스마트기기 학습 및 스케줄링 방법.
  11. 삭제
  12. 제 8 항에 있어서,
    상기 인지점수는 사용자가 암기 앱을 사용하면서 생성하는 사용자 별 개인화된 점수 테이블의 메타데이터들을 기반으로 하여 실제 개인의 인지상태를 점수화하는 것을 특징으로 하는 암기학습 데이터를 활용한 단어 인지상태 정량화와 스마트기기 학습 및 스케줄링 방법.
  13. 제 8 항에 있어서,
    상기 인지점수는 정답/오답 여부, 풀이 시간으로 구성되는 인지점수와 유의미한 상관관계를 지니는 항목(Factor)들을 선별하는 단계와,
    상기 선별된 항목들을 기반으로 점수 부여를 위한 표준화된 점수 테이블을 생성하는 단계와,
    상기 생성된 표준화된 점수 테이블을 실제 사용자로부터 수집된 메타데이터와 매칭하여 인지점수를 산출하는 단계를 포함하여 이루어지는 것을 특징으로 하는 암기학습 데이터를 활용한 단어 인지상태 정량화와 스마트기기 학습 및 스케줄링 방법.
  14. 제 8 항에 있어서, 상기 (D) 단계는
    (D1) 에빙하우스의 망각곡선인 이차 곡선 그래프를 기반으로 사용자가 학습한 단어가 시간 경과에 따라 어느 정도 남아있는지를 계산하는 “기억 잔존률”을 계산하는 단계와,
    (D2) 상기 도출된 각 회차별 망각곡선 계산식에 사용자로부터 수집된 메타데이터에서 단어 별 노출회차(학습회차) 및 학습 종료시간(경과시간)을 대입하여 단어 개별 기억 잔존률을 계산하는 것을 특징으로 하는 암기학습 데이터를 활용한 단어 인지상태 정량화와 스마트기기 학습 및 스케줄링 방법.
  15. 제 14 항에 있어서,
    상기 (D1) 단계는 이차 곡선 그래프를 기반으로 하여 회차 당 망각 기준점 3가지 및 이에 해당하는 기억 잔존률을 사전에 설정한 후(기준시점 3가지 : 노출직후, 노출후 1일, 노출후 7일) 이에 맞는 각 회차별 기억 잔존률 계산식 및 그래프를 도출하는 것을 특징으로 하는 암기학습 데이터를 활용한 단어 인지상태 정량화와 스마트기기 학습 및 스케줄링 방법.
  16. 제 8 항에 있어서, 상기 (F) 단계는
    각 단어별 세부 메타(품사, 용례, 소속 단어장, 빈도수, 평균 오답률)별 구분 섹터를 나눈 후, 사용자들의 프로필(지역별, 직업별, 나이별 구분)별 구분 섹터와 매칭하는 단계와,
    각 구분 섹터별 집단군 분류(Clustering)를 실시하여 유사 집단군의 오답패턴을 생성하는 단계를 포함하여 이루어지는 것을 특징으로 하는 암기학습 데이터를 활용한 단어 인지상태 정량화와 스마트기기 학습 및 스케줄링 방법.
KR1020170105882A 2017-07-10 2017-08-22 암기학습 데이터를 활용한 단어 인지상태 정량화와 스마트기기 학습 및 스케줄링 장치 및 방법 KR102022415B1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020170087116 2017-07-10
KR20170087116 2017-07-10

Publications (2)

Publication Number Publication Date
KR20190006409A KR20190006409A (ko) 2019-01-18
KR102022415B1 true KR102022415B1 (ko) 2019-09-18

Family

ID=65323602

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020170105882A KR102022415B1 (ko) 2017-07-10 2017-08-22 암기학습 데이터를 활용한 단어 인지상태 정량화와 스마트기기 학습 및 스케줄링 장치 및 방법

Country Status (1)

Country Link
KR (1) KR102022415B1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102357496B1 (ko) * 2021-03-09 2022-02-08 권기철 장기 기억 제공방법 및 이를 수행하기 위한 시스템

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102237118B1 (ko) * 2019-05-09 2021-04-08 (주)해피마인드 뇌과학 기반 학습 기억 방법 및 시스템 그리고 기록 매체
CN111861374B (zh) * 2020-06-19 2024-02-13 北京国音红杉树教育科技有限公司 一种外语复习机制及装置
CN111861373B (zh) * 2020-06-19 2024-02-23 北京国音红杉树教育科技有限公司 一种智能默写中的复习时间计算方法及电子设备
CN111861814B (zh) * 2020-06-19 2024-01-16 北京国音红杉树教育科技有限公司 一种字母语言听写学习中记忆水平的评估方法及系统
KR20220155673A (ko) * 2021-05-17 2022-11-24 김성태 메타인지능력 평가방법 및 이를 위한 평가시스템
KR102507874B1 (ko) * 2022-07-12 2023-03-07 이정윤 기억 데이터에 기반한 학습 플랫폼 지원 시스템 및 그 동작 방법
KR102552374B1 (ko) * 2023-01-26 2023-07-06 윤현영 인공지능 기반 메타인지 영단어 학습 플랫폼 운용 서버 및 그 동작 방법

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2015022081A (ja) * 2013-07-17 2015-02-02 株式会社シーティーイー 記憶学習を支援する装置および方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101339318B1 (ko) 2011-06-22 2013-12-09 (주)넥스트앱스 암기학습방법 및 이러한 방법을 수행하는 암기학습시스템
KR20130045207A (ko) * 2011-10-24 2013-05-03 이재권 반복 학습 시스템 및 그 제공 방법
KR101471052B1 (ko) * 2014-01-29 2014-12-09 금훈섭 반복학습장치 및 방법
KR101455688B1 (ko) 2014-03-19 2014-11-04 주식회사 넥스트코어 스마트 기기에서의 색 속성을 이용한 암기학습방법
KR101642577B1 (ko) * 2014-07-15 2016-07-27 한양대학교 산학협력단 효과적인 학습 독려와 가이드 및 학습 전략 수립 서비스 제공을 위한 스마트 개인화 학습 가이드 방법 및 시스템

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2015022081A (ja) * 2013-07-17 2015-02-02 株式会社シーティーイー 記憶学習を支援する装置および方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102357496B1 (ko) * 2021-03-09 2022-02-08 권기철 장기 기억 제공방법 및 이를 수행하기 위한 시스템

Also Published As

Publication number Publication date
KR20190006409A (ko) 2019-01-18

Similar Documents

Publication Publication Date Title
KR102022415B1 (ko) 암기학습 데이터를 활용한 단어 인지상태 정량화와 스마트기기 학습 및 스케줄링 장치 및 방법
US10373279B2 (en) Dynamic knowledge level adaptation of e-learning datagraph structures
Caire et al. Visual notation design 2.0: Towards user comprehensible requirements engineering notations
CN109523194B (zh) 汉语阅读能力测评方法、装置及可读存储介质
Pollitt et al. Calibrating graded assessments: Rasch partial credit analysis of performance in writing
Kulkarni et al. Scaling short-answer grading by combining peer assessment with algorithmic scoring
CN110362671B (zh) 题目推荐方法、设备和存储介质
US20070031801A1 (en) Patterned response system and method
JP2022008867A (ja) 学習効率に基づいて個人カスタマイズ型教育コンテンツを提供するための機械学習方法、装置及びコンピュータプログラム
US20090202969A1 (en) Customized learning and assessment of student based on psychometric models
Kardan et al. Providing adaptive support in an interactive simulation for learning: An experimental evaluation
CN111651676B (zh) 基于能力模型进行职业推荐的方法、装置、设备和介质
WO2022170985A1 (zh) 选题方法、装置、计算机设备和存储介质
Olney et al. Assessing Computer Literacy of Adults with Low Literacy Skills.
US20220020283A1 (en) System and method for generating diagnostic assessment question papers and evaluating their quality
Tack et al. Human and automated CEFR-based grading of short answers
JP2018205354A (ja) 学習支援装置、学習支援システム及びプログラム
US10424217B1 (en) Systems and methods for ability-appropriate text generation
Salmela et al. Lexize: A test to quickly assess vocabulary knowledge in Finnish
Luukkainen et al. Aspa: A static analyser to support learning and continuous feedback on programming courses. an empirical validation
WO2020074067A1 (en) Automatic language proficiency level determination
JP2010243662A (ja) リメディアル教育支援システム、リメディアル教育支援方法、およびメディアル教育支援プログラム
González‐López et al. Lexical analysis of student research drafts in computing
JP2018155871A (ja) 学習支援端末、学習支援サーバ、学習支援システム、学習支援方法、および学習支援プログラム
EP4336477A1 (en) Method for guiding reading and writing skill improvement, and device therefor

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant