KR102030149B1 - Method for recommending a customized curriculum and software education system by using the method - Google Patents
Method for recommending a customized curriculum and software education system by using the method Download PDFInfo
- Publication number
- KR102030149B1 KR102030149B1 KR1020180143620A KR20180143620A KR102030149B1 KR 102030149 B1 KR102030149 B1 KR 102030149B1 KR 1020180143620 A KR1020180143620 A KR 1020180143620A KR 20180143620 A KR20180143620 A KR 20180143620A KR 102030149 B1 KR102030149 B1 KR 102030149B1
- Authority
- KR
- South Korea
- Prior art keywords
- user
- curriculum
- data
- customized
- distribution
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims description 32
- 238000009826 distribution Methods 0.000 claims abstract description 44
- 238000004458 analytical method Methods 0.000 claims abstract description 17
- 238000010801 machine learning Methods 0.000 claims abstract description 13
- 238000013075 data extraction Methods 0.000 claims abstract description 12
- 238000012805 post-processing Methods 0.000 claims abstract description 10
- 238000012549 training Methods 0.000 claims description 46
- 230000008569 process Effects 0.000 claims description 10
- 239000000284 extract Substances 0.000 claims description 9
- 239000002131 composite material Substances 0.000 claims description 6
- 230000000877 morphologic effect Effects 0.000 claims description 5
- 238000009825 accumulation Methods 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 238000002716 delivery method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/20—Education
- G06Q50/205—Education administration or guidance
- G06Q50/2057—Career enhancement or continuing education service
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06Q50/01—Social networking
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Educational Technology (AREA)
- Educational Administration (AREA)
- Primary Health Care (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Electrically Operated Instructional Devices (AREA)
Abstract
Description
본 발명은 소프트웨어 코딩 교육을 위한 소프트웨어(SW) 교육용 시스템에 관한 것으로서, 더욱 구체적으로는 소셜 플랫폼을 기반으로 하여 수집한 사용자 정보를 이용하여 사용자에게 가장 적합한 사용자 맞춤형 커리큐럼을 매칭하여 추천할 수 있는 사용자 커리큐럼 추천 방법 및 이를 이용한 사용자 맞춤형 SW 교육용 시스템에 관한 것이다.
본 연구는 중소벤처기업부와 한국산업기술진흥원의 "지역특화산업육성사업(R&D, P0002929)"으로 수행된 연구결과이다. The present invention relates to a software education system for software coding education, and more specifically, a user who can match and recommend a customized curriculum that is most suitable for a user by using user information collected based on a social platform. Curriculum recommendation method and a user-customized SW training system using the same.
This study is the result of research conducted by the Ministry of Small and Medium Venture Business and the Korea Institute of Industrial Technology Promotion "R & D, P0002929".
온라인 소프트웨어 코딩 교육은 콘텐츠에 따라 비주얼 프로그래밍, 텍스트 프로그래밍, 피지컬 컴퓨팅으로 대략 분류할 수 있다. 먼저, 비주얼 프로그래밍은 명령어 기능을 수행하는 코드를 가진 블록을 조함하여 프로그래밍하는 것으로서, 직관적인 그래픽을 사용함으로써 간편하고 사용이 용이한 장점을 가진다. 비주얼 프로그램의 일례로는 스크래치(Scratch), 엔트리(Entry), 코두(Kodu) 등이 포함된다. 다음, 텍스트 프로그래밍은 코드를 작성하여 프로그래밍하는 것으로서, 컴퓨터 구조와 라이브러리를 알아야 프로그래밍이 가능한 단점을 가진다. 텍스트 프로그래밍의 일례로는 파이썬(Python), C, C#, Java 등이 포함된다. 다음, 피지컬 프로그래밍은 하드웨어와 융합되어 프로그래밍하는 것으로서, 소프트웨어를 이용하여 하드웨어를 제어할 수 있는 장점을 가진다. 피지컬 프로그래밍의 일예로는 로봇 프로그래밍, 아두이노(Arduino) 등이 포함된다. Online software coding training can be roughly classified into visual programming, text programming, and physical computing, depending on the content. First of all, visual programming is a combination of programming blocks having code that performs an instruction function, and has an advantage of being simple and easy to use by using intuitive graphics. Examples of visual programs include scratches, entries, kodus, and the like. Next, text programming is programming by writing code, which requires a computer structure and a library to be programmed. Examples of text programming include Python, C, C #, and Java. Next, physical programming is a fusion programming with hardware, and has the advantage of controlling hardware using software. Examples of physical programming include robot programming, Arduino, and the like.
전술한 바와 같은 콘텐츠의 형태에 따라 소프트웨어 코딩 교육의 산출물도 크게 차이가 날 뿐만 아니라 소프트웨어 코딩 교육의 난이도 및 장단점이 서로 다르게 된다. 아울러, 어떤 특정의 콘텐츠가 코딩 교육의 최선이라고 평가할 수 없으며, 사용자의 성향이나 사용자의 목적하는 바에 따라 교육의 효과가 가장 우수한 콘텐츠를 선택하도록 하는 것이 필요하다. According to the type of content described above, the output of the software coding education is not only significantly different, but also the difficulty and the advantages and disadvantages of the software coding education are different. In addition, certain content cannot be judged to be the best of coding education, and it is necessary to select content having the most effective education according to the user's disposition or the user's purpose.
하지만, 온라인 소프트웨어 코딩 교육과 관련된 서비스는 주로 온라인 환경에서 산출물에 대한 디지털화에만 주로 초점이 맞추어져 있어 확장 가능성이 낮은 문제점이 발생한다. However, services related to online software coding education are mainly focused on digitization of outputs in the online environment, which causes problems of low scalability.
한편, 종래에는 학습자인 사용자에게 소프트웨어 코딩 교육을 위한 커리큐럼을 추전하고 제시하기 위하여, 오프라인에서 커리큐럼을 잘 이해하고 있는 교육자가 사용자와 직접 접촉하여 사용자의 성향을 파악 및 분석하며, 분석 결과에 따라 사용자에게 적합한 커리큐럼을 선택하여 추천하게 된다. 이와 같은 종래의 커리큐큐럼 추천 방식은 인적 자원 및 시간이 많이 필요할 뿐만 아니라, 온라인을 통해 커리큐럼을 추천할 수 없는 문제점들이 내재되어 있다. Meanwhile, in order to recommend and present a curriculum for software coding education to a user who is a learner, an educator who understands the curriculum offline is in direct contact with the user to grasp and analyze the user's disposition, and the user according to the analysis result. It is recommended to choose a curriculum that is suitable for you. This conventional curriculum recommendation method requires not only a lot of human resources and time, but also has problems inherent in not being able to recommend curriculum online.
한편, 전술한 문제점들로 인하여, 온라인을 통해, 학습자들에게 적합한 소프트웨어 교육 관련 정보에 대하여 선택 추천하고 개인 맞춤형 서비스를 제공할 수 있는 소프트웨어 교육을 위한 소셜 플랫폼 환경에 대한 요구가 증대되고 있는 실정이다. 이와 관련하여, 기존의 온라인 SW 교육 서비스들이 단순 서비스의 연계만으로 구성되어 정보의 수집, 가공, 전달 과정등을 단순히 디지털화하는 역할만을 수행하고 있는 실정이다. 따라서, 소프트웨어 코딩 교육 환경의 소셜화는 기존의 온라인 SW 교육 서비스를 사회적 관계, 경험, 평판, 추천 등을 기반으로 하여 재구조화하여 정보의 신뢰성과 투명성을 제고하여야 될 필요성이 있다. On the other hand, due to the above-mentioned problems, there is an increasing demand for a social platform environment for software education that can select and recommend appropriate software education-related information to learners and provide personalized services through online. . In this regard, the existing online SW education services are composed of simple services only to perform the role of simply digitizing the information collection, processing, and delivery process. Therefore, socialization of software coding education environment needs to restructure existing online SW education service based on social relations, experience, reputation, recommendation, etc. to enhance the reliability and transparency of information.
전술한 문제점을 해결하기 위한 본 발명의 목적은 소셜 플랫폼을 기반으로 하여 수집한 사용자 정보를 이용하여 소프트웨어 코딩 교육에 대하여 사용자에게 가장 적합한 사용자 맞춤형 커리큐럼을 매칭하여 추천하는 사용자 커리큐럼 추천 방법을 제공하는 것이다. An object of the present invention for solving the above-mentioned problems is to provide a user curriculum recommendation method for matching and recommending a user-customized curriculum best suited to a user for software coding education using user information collected on a social platform. .
본 발명의 다른 목적은 전술한 사용자 커리큐럼 추천 방법을 이용한 사용자 맞춤형 SW 교육용 시스템을 제공하는 것이다. Another object of the present invention is to provide a user-customized SW training system using the user curriculum recommendation method described above.
전술한 기술적 과제를 달성하기 위한 본 발명의 제1 특징에 따른 사용자 맞춤형 SW 교육용 서버는, 온라인을 통해 학습자인 사용자에게 소프트웨어(SW)를 교육시키기 위한 온라인 SW 교육용 서버에 관란 것으로서, 사용자가 상기 SW 교육용 서버에 접속하여 학습한 정보들을 수집하는 사용자 정보 수집부; 및 사전에 데이터베이스에 저장된 커리큐럼 목록을 구비하고, 상기 사용자에 대해 수집한 사용자 수집 정보들 및 상기 커리큐럼 목록을 기반으로 하여, 기계 학습을 이용하여 사용자에게 가장 적합한 커리큐럼을 검출하여 추천하는 커리큐럼 추천부;를 구비하여, 사용자에게 가장 적합한 소프트웨어 교육을 위한 커리큐럼을 추전하여 제공한다. According to the first aspect of the present invention for achieving the above-described technical problem, a user-customized SW training server is related to an online SW training server for training software (SW) to a user who is a learner through online, and the user A user information collecting unit which collects learned information by accessing the educational server; And a curriculum recommender having a curriculum list stored in a database in advance, and detecting and recommending a curriculum most suitable for a user using machine learning based on the user collection information collected for the user and the curriculum list. In addition, the curriculum for software training that is most suitable for the user is provided and provided.
전술한 제1 특징에 따른 사용자 맞춤형 SW 교육용 서버에 있어서, 상기 커리큐럼 추천부는, 상기 사용자 정보 수집부로부터 제공된 사용자에 대한 수집 정보들로부터 글과 단어 속성 데이터를 추출하는 속성 데이터 추출 모듈; 상기 글과 단어 속성 데이터를 이용하여 사용자에 대한 성향셋 분포와 키워드 분포를 추출하는 사용자 관심 성향 분석 모듈; 상기 사용자에 대한 성향셋 분포와 키워드 분포, 및 상기 커리큐럼 목록을 기반으로 하여, 사용자에 대한 사용자 성향셋, 키워드 및 커리큐럼의 3 인자간의 상관 관계 분포를 검출하는 사용자 커리큐럼 매칭 모듈; 신뢰성 데이터 및 상기 커리큐럼 목록을 기반으로 하여 학습하여 사용자의 특성들 및 사용자의 학습 특성을 고려한 커리큐럼 군집 데이터를 추출하는 커리큐럼 추천 모듈; 및 상기 사용자의 특성과 커리큐럼 군집 데이터를 이용하여 학습하여 사용자에게 가장 적합한 커리큐럼을 선택하여 추천하는 후처리 모듈;을 구비하여, 사용자에게 가장 적합한 소프트웨어 교육을 위한 커리큐럼을 추전하여 제공하는 것이 바람직하다. In the user-customized SW training server according to the first aspect, the curriculum recommendation unit comprises: an attribute data extraction module for extracting text and word attribute data from collection information about a user provided from the user information collection unit; A user interest propensity analysis module which extracts a propensity set distribution and a keyword distribution for a user using the text and the word attribute data; A user curriculum matching module for detecting a correlation distribution between three propensity sets of a user, a user set, a keyword, and a curriculum for the user based on the disposition set distribution and the keyword distribution for the user and the curriculum list; A curriculum recommendation module for learning based on the reliability data and the curriculum list and extracting curriculum cluster data in consideration of user characteristics and learning characteristics of the user; And a post-processing module that selects and recommends the most suitable curriculum for the user by learning by using the characteristics of the user and the curriculum cluster data. It is preferable to provide a curriculum for software education that is most suitable for the user.
전술한 제1 특징에 따른 사용자 맞춤형 SW 교육용 서버에 있어서, 상기 속성 데이터 추출 모듈은, 상기 사용자 정보 수집부로부터 제공된 사용자에 대한 수집 정보들로부터 키워드를 추출하여 형태소 분석하여 글과 단어를 선별해내고, 상기 선별된 글과 단어들을 토픽 클러스터링하여 속성과 내용별로 분류하고, 분류된 속성과 내용으로부터 글과 단어 속성 데이터를 추출하는 것이 바람직하다. In the user-customized SW training server according to the first feature described above, the attribute data extraction module extracts keywords from the collected information about the user provided from the user information collecting unit, and forms a sentence and a word by morphological analysis. It is preferable to classify the selected articles and words by topic clustering, and to classify them by attributes and contents, and to extract articles and words attribute data from the classified attributes and contents.
전술한 제1 특징에 따른 사용자 맞춤형 SW 교육용 서버에 있어서, 상기 사용자 관심 성향 분석 모듈은, 상기 속성 데이터 추출 모듈에 의해 추출된 글과 단어 속성 데이터를 입력받고, 입력된 데이터를 이용하여 익스포저 추이를 예측하여 사용자에 대한 성향셋 분포와 키워드 분포를 추출하는 것이 바람직하다. In the user-customized SW training server according to the first feature described above, the user interest disposition analysis module receives the text and the word attribute data extracted by the attribute data extraction module and uses the input data to perform exposure trends. It is preferable to extract the propensity set distribution and the keyword distribution for the user by prediction.
전술한 제1 특징에 따른 사용자 맞춤형 SW 교육용 서버에 있어서, 상기 신뢰성 데이터는, 상기 사용자 커리큐럼 매칭 모듈에 의해 추출된 사용자 성향셋, 키워드 및 커리큐럼 간의 상관 관계 분포들의 축적 데이터들인 것이 바람직하다. In the user-customized SW training server according to the first feature described above, the reliability data is preferably accumulated data of correlation distributions between a user disposition set, a keyword, and a curriculum extracted by the user curriculum matching module.
전술한 제1 특징에 따른 사용자 맞춤형 SW 교육용 서버에 있어서, 상기 후처리 모듈은, 사용자의 특성(U)과 커리큐럼 군집 데이터(V)의 합성곱(U·V)이 입력되고, 입력된 합성곱에 대하여 사용자의 특성과 커리큐럼의 차이를 최소화하는 학습 과정(F)을 통해 사용자에게 가장 적합한 커리큐럼을 최종적으로 선택하여 추천하는 것이 바람직하다. In the user-customized SW training server according to the first feature described above, the post-processing module inputs a composite product (U · V) of a user's characteristic (U) and curriculum cluster data (V), and inputs the combined product. It is desirable to finally select and recommend the most suitable curriculum for the user through the learning process (F) for minimizing the difference between the characteristics of the user and the curriculum.
전술한 제1 특징에 따른 사용자 맞춤형 SW 교육용 서버에 있어서, 상기 커리큐럼 목록은, 소프트웨어 코딩 교육을 위하여 제공되는 커리큐럼들에 대한 목록인 것이 바람직하다. In the user-customized SW training server according to the first feature described above, the curriculum list is preferably a list of curriculum provided for software coding training.
본 발명의 제2 특징에 따른 사용자 맞춤형 SW 교육용 서버에 의한 사용자 맞춤형 커리큐럼 추천 방법은, (a) 커리큐럼 목록을 데이터베이스에 사전 저장하여 마련하고, 사용자에 대해 수집된 사용자 수집 정보들을 입력받는 단계; (b) 상기 입력된 사용자 수집 정보들로부터 글과 단어 속성 데이터를 추출하는 단계; (c) 상기 추출된 글과 단어 속성 데이터를 이용하여, 기계 학습을 통해 사용자에 대한 성향셋 분포와 키워드 분포를 추출하는 단계; (d) 상기 추출된 사용자에 대한 성향셋 분포와 키워드 분포, 및 상기 데이터베이스의 커리큐럼 목록(Y)을 기반으로 하여, 사용자 성향셋, 키워드 및 커리큐럼의 3 인자간의 상관 관계 분포를 검출하는 단계; (e) 신뢰성 데이터(S) 및 상기 데이터베이스에 사전 저장된 커리큐럼 목록(Y)을 이용하여 기계 학습하여 사용자의 특성들(Features)(U) 및 사용자의 학습 특성을 고려한 커리큐럼 군집 데이터(V)들을 추출하는 단계; (f) 사용자의 특성(U)과 커리큐럼 군집 데이터(V)의 합성곱(U·V)에 대하여 사용자의 특성과 커리큐럼의 차이를 최소화하는 학습 과정(F)을 통해 사용자에게 가장 적합한 커리큐럼을 최종적으로 선택하는 단계; 를 구비하여, 사용자의 특성에 가장 적합한 SW 코딩 교육을 위한 커리큐럼을 추천한다. According to a second aspect of the present invention, there is provided a method for recommending a user-customized curriculum by a user-customized SW educational server, comprising: (a) pre-storing a curriculum list in a database and receiving user collection information collected for a user; (b) extracting text and word attribute data from the input user collection information; (c) extracting a propensity set distribution and a keyword distribution for a user through machine learning using the extracted text and word attribute data; (d) detecting a correlation distribution between three propensity sets of a user propensity set, a keyword, and a curriculum based on the extracted propensity set distribution and keyword distribution for the user and the curriculum list (Y) of the database; (e) Machine learning using the reliability data (S) and the curriculum list (Y) previously stored in the database to extract the curriculum cluster data (V) in consideration of the features (U) of the user and the learning characteristics of the user. Doing; (f) The curriculum best suited to the user is ultimately determined through a learning process (F) that minimizes the difference between the user's characteristics and the curriculum with respect to the composite product (U · V) of the user's characteristics (U) and the curriculum cluster data (V). Selecting to; To provide a curriculum for SW coding education that best suits the characteristics of the user.
전술한 제2 특징에 따른 사용자 맞춤형 SW 교육용 서버에 의한 사용자 맞춤형 커리큐럼 추천 방법에 있어서, 상기 (b)단계는, 상기 입력된 사용자 수집 정보들로부터 키워드를 추출하고, 상기 추출된 키워드에 대하여 형태소 분석하여 글과 단어를 선별해내고, 상기 선별된 글과 단어들을 토픽 클러스터링하여 속성과 내용별로 분류하고, 상기 분류된 속성과 내용으로부터 글과 단어 속성 데이터를 추출하는 것이 바람직하다. In the user-customized curriculum recommendation method by the user-customized SW training server according to the above-described second feature, the step (b) extracts a keyword from the input user collection information, and performs morphological analysis on the extracted keyword. It is preferable to sort out the words and words, classify the selected words and words by topic clustering, and classify them by attributes and contents, and extract the words and word attribute data from the classified attributes and contents.
전술한 제2 특징에 따른 사용자 맞춤형 SW 교육용 서버에 의한 사용자 맞춤형 커리큐럼 추천 방법에 있어서, 상기 신뢰성 데이터(S)는 상기 사용자 성향셋, 키워드 및 커리큐럼의 3 인자간의 상관 관계 분포들의 축적 데이터들인 것이 바람직하다. In the user-customized curriculum recommendation method by the user-customized SW training server according to the above-described second feature, the reliability data S is preferably accumulated data of correlation distributions among three factors of the user preference set, a keyword, and a curriculum. Do.
본 발명에 의하여, 사용자에 의해 입력된 데이터들을 수집하고, 이렇게 수집된 정보들을 이용하여 기계 학습함으로써, 사용자의 특성에 가장 적합한 소프트웨어 코딩 교육을 위한 커리큐럼을 매칭하여 추천할 수 있게 된다. 따라서, 본 발명에 의하여, 온라인을 통해, 학습자들에게 적합한 소프트웨어 교육 관련 정보에 대하여 선택 추천하고 개인 맞춤형 서비스를 제공할 수 있는 소프트웨어 교육을 위한 소셜 플랫폼 환경을 제공할 수 있게 된다. According to the present invention, by collecting data input by a user and machine learning using the collected information, it is possible to match and recommend a curriculum for software coding education that is most suitable for a user's characteristics. Therefore, according to the present invention, it is possible to provide a social platform environment for software education through which online students can select and recommend appropriate software education related information and provide personalized services.
또한, 기존의 온라인 SW 교육 서비스들이 단순 서비스의 연계만으로 구성되어 정보의 수집, 가공, 전달 과정등을 단순히 디지털화하는 역할만을 수행하고 있는 실정이나, 본 발명에 따른 시스템에 의해 소프트웨어 코딩 교육 환경의 소셜화를 추구할 수 있게 되며, 이러한 소프트웨어 코딩 교육 환경의 소셜화는 기존의 온라인 SW 교육 서비스를 사회적 관계, 경험, 평판, 추천 등을 기반으로 하여 재구조화하여 정보의 신뢰성과 투명성을 제고할 수 있게 된다. In addition, the existing on-line SW education services are composed of only simple service connection to perform the role of simply digitizing the information collection, processing, and delivery process, but the system of the software coding education environment by the system according to the present invention. The socialization of the software coding education environment can restructure existing online SW education services based on social relations, experience, reputation, and recommendation to enhance the reliability and transparency of information. do.
또한, 본 발명에 따른 시스템에 의해 구현되는 소셜 플랫폼은 사용자 간의 의사 소통 등 교육 활동에서부터 커뮤니티 운영과 개인화 서비스에 이르기까지 학습자와 교수자 등의 온라인 행위의 모든 분야에 소셜화를 가능토록 하는 기반을 제공할 수 있게 된다. In addition, the social platform implemented by the system according to the present invention provides a foundation to enable socialization in all fields of online activities such as learners and instructors, from educational activities such as communication between users to community operations and personalized services. You can do it.
또한, 본 발명에 따른 시스템은 SW/코딩 교육 환경에 소셜 플랫폼을 적용함으로써, 기존의 교육 시스템이 갖는 일방향 정보 전달 방식에서 양방향적/실시간 정보 전달 방식을 변경되고, 그 결과 정보의 공유 및 확산이 용이하게 된다. In addition, the system according to the present invention changes the two-way / real-time information delivery method in the one-way information delivery method of the existing education system by applying a social platform in the SW / coding education environment, as a result of sharing and spreading information It becomes easy.
또한, 본 발명에 따른 시스템은 온라인에서 학습자인 사용자에게 가장 최적의 커리큐럼을 매칭하여 추천함으로써, 기존의 오프라인 추천 방식에 비하여 인적, 물적, 시간적 낭비를 줄일 수 있게 된다.In addition, the system according to the present invention by matching the most optimal curriculum to the user who is a learner online, it is possible to reduce human, material, time waste compared to the existing offline recommendation method.
도 1은 본 발명의 바람직한 실시예에 따른 사용자 맞춤형 SW 교육용 시스템을 전체적으로 도시한 시스템 구성도이다.
도 2는 본 발명의 바람직한 실시예에 따른 사용자 맞춤형 SW 교육용 시스템에 있어서, 사용자 맞춤형 커리큐럼을 추천하기 위한 SW 교육용 서버의 구성을 개략적으로 도시한 블록도이다.
도 3은 본 발명의 바람직한 실시예에 따른 사용자 맞춤형 SW 교육용 시스템에 있어서, SW 교육용 서버의 커리큐럼 추천부에 의하여 수행되는 사용자 맞춤형 커리큐럼 추천 방법을 순차적으로 도시한 흐름도이다. 1 is a system configuration diagram showing the overall user-customized SW training system according to a preferred embodiment of the present invention.
2 is a block diagram schematically illustrating a configuration of a SW training server for recommending a user-customized curriculum in a customized SW training system according to a preferred embodiment of the present invention.
3 is a flowchart sequentially illustrating a user-customized curriculum recommendation method performed by the curriculum recommendation unit of the SW education server in the customized SW training system according to the preferred embodiment of the present invention.
본 발명에 따른 사용자 맞춤형 SW 교육용 시스템은 소셜 플랫폼을 기반으로 하여 수집한 사용자 정보들을 이용하여 사용자에게 가장 적합한 사용자 맞춤형 커리큐럼을 매칭하여 제공함으로써, 사용자로 하여금 가장 최적의 방법으로 소프트웨어 코딩 학습을 할 수 있도록 하는 것을 특징으로 한다. The customized SW educational system according to the present invention can provide the user with the software coding learning in the most optimal way by providing a customized curriculum that is most suitable for the user by using the user information collected on the basis of the social platform. It is characterized by that.
이하, 첨부된 도면을 참조하여 본 발명의 바람직한 실시예에 따른 사용자 맞춤형 SW 교육용 시스템 및 사용자 맞춤형 커리큐럼 추천 방법을 구체적으로 설명한다. Hereinafter, a user-customized SW training system and a user-customized curriculum recommendation method according to preferred embodiments of the present invention will be described in detail with reference to the accompanying drawings.
도 1은 본 발명의 바람직한 실시예에 따른 사용자 맞춤형 SW 교육용 시스템을 전체적으로 도시한 시스템 구성도이다. 1 is a system configuration diagram showing the overall user-customized SW training system according to a preferred embodiment of the present invention.
도 1을 참조하면, 본 발명의 바람직한 실시예에 따른 사용자 맞춤형 SW 교육용 시스템(1)은 소프트웨어(SW) 교육용 서버(10), 학습자인 사용자의 단말기(20)를 포함하고, 상기 SW 교육용 서버는 웹(Web)을 통해 소셜 플랫폼을 제공하고, 상기 사용자는 단말기(20)를 이용하여 소셜 플랫폼에 접속하여 SW 교육용 서버에서 제공하는 소프트웨어 코딩 교육을 받거나 온라인으로 커리큐럼을 추천받고 이에 따른 교육을 받을 수 있게 된다. 그 외, 본 발명에 따른 사용자 맞춤형 SW 교육용 시스템은, Collaboration, 교수자의 코멘트(Comment), 평가(Validate) 등이 병합되어 소셜 플랫폼으로 전달되며, 학습자, 지도자가 등록한 병합된 컨텐츠가 공유되며, 교육 점검 및 확인(Certification)을 수행하게 된다. Referring to Figure 1, the user-customized
이하, 도 2를 참조하여, 본 발명의 바람직한 실시예에 따른 사용자 맞춤형 SW 교육용 시스템의 사용자 맞춤형 커리큐럼을 추천하기 위한 SW 교육용 서버(10)에 대한 구성 및 동작을 구체적으로 설명한다. Hereinafter, with reference to Figure 2, the configuration and operation of the
도 2는 본 발명의 바람직한 실시예에 따른 사용자 맞춤형 SW 교육용 시스템에 있어서, 사용자 맞춤형 커리큐럼을 추천하기 위한 SW 교육용 서버의 구성을 개략적으로 도시한 블록도이다. 도 2를 참조하면, 본 발명에 따른 SW 교육용 서버(10)는, 온라인을 통해 학습자인 사용자에게 소프트웨어(SW)를 교육시키기 위한 온라인 SW 교육용 서버로서, 사용자가 상기 SW 교육용 서버에 접속하여 학습한 정보들을 수집하는 사용자 정보 수집부(100) 및 사용자에게 가장 적합한 커리큐럼을 검출하여 추천하는 커리큐럼 추천부(110)를 구비하여, 사용자에게 가장 적합한 커리큐럼을 추천하는 것을 특징으로 한다. 2 is a block diagram schematically illustrating a configuration of a SW training server for recommending a user-customized curriculum in a customized SW training system according to a preferred embodiment of the present invention. Referring to FIG. 2, the
상기 사용자 정보 수집부(100)는 사용자가 SW 교육용 서버의 웹페이지를 통해 입력하거나 선택한 클릭 데이터, 뷰 데이터, 스크랩 데이터, 작성글 데이터들 중 적어도 하나 이상을 수집하여 저장 및 관리하여, 상기 커리큐럼 추천부(110)에 제공한다. The user
상기 커리큐럼 추천부(110)는 사전에 데이터베이스에 저장된 커리큐럼 목록을 구비하고, 상기 사용자에 대해 수집한 정보들 및 상기 커리큐럼 목록을 이용하여, 기계 학습에 따라 사용자에게 가장 적합한 커리큐럼을 검출하여 추천하는 것을 특징으로 한다. 상기 커리큐럼 추천부(110)는, 속성 데이터 추출 모듈(112), 사용자 관심 성향 분석 모듈(114), 사용자 커리큐럼 매칭 모듈(116), 커리큐럼 추천 모듈(118) 및 후처리 모듈(119)을 구비한다. The
상기 속성 데이터 추출 모듈(112)은 상기 사용자 정보 수집부로부터 제공된 사용자에 대한 수집 정보들로부터 글과 단어 속성 데이터를 추출한다. 상기 속성 데이터 추출 모듈의 동작을 보다 구체적으로 설명하면, 상기 사용자 정보 수집부로부터 제공된 사용자에 대한 수집 정보들로부터 키워드를 추출하여 형태소 분석하여 글과 단어를 선별해내고, 상기 선별된 글과 단어들을 토픽 클러스터링하여 속성과 내용별로 분류하고, 분류된 속성과 내용으로부터 글과 단어 속성 데이터를 추출하게 된다. The attribute
상기 사용자 관심 성향 분석 모듈(114)은 상기 속성 데이터 추출 모듈에 의해 수집 정보로부터 추출된 글과 단어 속성 데이터를 이용하여, 기계 학습을 통해 익스포저 추이를 예측하여 사용자에 대한 성향셋 분포와 키워드 분포를 추출한다. 상기 성향셋(Topic)은 사용자의 행위에 내재된 관심 분야의 군집적 특성을 나타낸다. The user interest
상기 사용자 커리큐럼 매칭 모듈(116)은, 상기 사용자 관심 성향 분석 모듈로부터 추출된 사용자에 대한 성향셋 분포와 키워드 분포, 및 상기 데이터베이스에 사전 저장된 커리큐럼 목록(Y)을 기반으로 하여, 사용자 성향셋, 키워드 및 커리큐럼간의 상관 관계 분포를 검출하여 출력한다. 상기 분포는 인자들간의 차이의 제곱의 합으로 표현되는 상관관계를 나타내는 함수이다. The user
상기 커리큐럼 추천 모듈(118)은, 관계와 관심 데이터를 통해 사용자와 아이템에 내재된 특성(Feature)을 분리해내는 기계 학습 모델을 사용한다. 상기 커리큐럼 추천 모듈(118)은, 신뢰성 데이터(S) 및 상기 데이터베이스에 사전 저장된 커리큐럼 목록(Y)을 입력받고, 기계 학습하여 사용자의 특성들(Features)(U) 및 사용자의 학습 특성을 고려한 커리큐럼 군집 데이터(V)들을 추출하게 된다. 여기서, 상기 신뢰성 데이터(S)는 상기 사용자 커리큐럼 매칭 모듈에 의해 추출된 사용자 성향셋, 키워드 및 커리큐럼 간의 상관 관계 분포들의 축적 데이터들로서, 서비스에서 축적된 데이터 및 타 분석 모델로부터 유도된 데이터(Sparse Matrix)들로 이루어진 경험에 의한 반복 학습 데이터이다. The
상기 후처리 모듈(119)은 사용자의 특성과 커리큐럼의 차이를 최소화시키는 학습 과정으로 이루어지는 사용자-커리큐럼 간의 예측된 관계 데이터(Dense Matrix)(F)로 구성된다. 상기 후처리 모듈(119)은, 사용자의 특성(U)과 커리큐럼 군집 데이터(V)의 합성곱(U·V)이 입력되고, 입력된 합성곱에 대하여 사용자의 특성과 커리큐럼의 차이를 최소화하는 학습 과정(F)을 통해 사용자에게 가장 적합한 커리큐럼을 최종적으로 선택하여 추천하게 된다. 상기 사용자의 특성(U)은 사용자가 아이템을 선택하는데 있어 암묵적으로 고려하는 특성 요소들의 집합을 나타낸다. The
상기 커리큐럼 추천 모듈(118) 및 상기 후처리 모듈(119)에 의해 수행되는 학습 모델의 알고리즘은 수학식 1에 의해 연산될 수 있다.An algorithm of the learning model performed by the
여기서, Yij 는 학습 관심 데이터(2-mode)이며, UiVj T : 예측된 학습 관심 데이터(2-mode)이며, Sii' 는 실제 사용자 신뢰영향 데이터(1-mode)이며, UiUi' T 는 예측된 사용자 신뢰영향 데이터(1-mode)이다. 수학식 1에 표현된 바와 같이, 학습 관심 데이터와 예측된 학습 관심 데이터의 오차가 없어질 때 까지 오차를 피드백하여 기계학습하게 되며, 실제 학습자 신뢰성 데이터와 예측된 신뢰성 데이터의 오차가 없어질 때까지 오차를 피드백하여 기계학습하게 된다. Where Y ij is the learning interest data (2-mode), U i V j T : the predicted learning interest data (2-mode), S ii ' is the actual user confidence influence data (1-mode), and U i U i ' T is the predicted user confidence impact data (1-mode). As expressed in
이하, 본 발명의 바람직한 실시예에 따른 SW 교육용 서버의 커리큐럼 추천부에 의하여 수행되는 사용자 맞춤형 커리큐럼 추천 방법을 순차적으로 설명한다. Hereinafter, a user-customized curriculum recommendation method performed by the curriculum recommendation unit of the SW training server according to an exemplary embodiment of the present invention will be described sequentially.
도 3은 본 발명의 바람직한 실시예에 따른 사용자 맞춤형 SW 교육용 시스템에 있어서, SW 교육용 서버의 커리큐럼 추천부에 의하여 수행되는 사용자 맞춤형 커리큐럼 추천 방법을 순차적으로 도시한 흐름도이다. 3 is a flowchart sequentially illustrating a user-customized curriculum recommendation method performed by the curriculum recommendation unit of the SW education server in the customized SW training system according to the preferred embodiment of the present invention.
도 3을 참조하면, 본 발명에 따른 사용자 맞춤형 커리큐럼 추천 방법은, 먼저 커리큐럼 목록을 데이터베이스에 사전 저장하여 마련하고, 서비스를 통해 사용자에 대해 수집된 사용자 수집 정보들을 입력받는다(단계 300). Referring to FIG. 3, in the user-customized curriculum recommendation method according to the present invention, the curriculum list is pre-stored and prepared in a database, and the user collection information collected for the user is input through the service (step 300).
다음, 상기 입력된 사용자 수집 정보들로부터 키워드를 추출하여 형태소 분석하여 글과 단어를 선별해내고, 상기 선별된 글과 단어들을 토픽 클러스터링하여 속성과 내용별로 분류하고, 분류된 속성과 내용으로부터 글과 단어 속성 데이터를 추출하게 된다(단계 310). Next, keywords and words are extracted from the input user gathering information, and the articles and words are selected, the selected articles and words are clustered by topic, and classified according to attributes and contents. The word attribute data is extracted (step 310).
다음, 상기 추출된 글과 단어 속성 데이터를 이용하여, 기계 학습을 통해 익스포저 추이를 예측하여 사용자에 대한 성향셋 분포와 키워드 분포를 추출하고(단계 320), 상기 추출된 사용자에 대한 성향셋 분포와 키워드 분포, 및 상기 데이터베이스에 사전 저장된 커리큐럼 목록(Y)을 기반으로 하여, 사용자 성향셋, 키워드 및 커리큐럼의 3 인자간의 상관 관계 분포를 검출하여 출력한다(단계 330). Next, by using the extracted text and the word attribute data, the trend of exposure is predicted through machine learning to extract the propensity set distribution and the keyword distribution for the user (step 320), and the propensity set distribution for the extracted user Based on the keyword distribution and the curriculum list Y pre-stored in the database, the correlation distribution between the user propensity set, the keyword, and the three factors of the curriculum is detected and output (step 330).
다음, 신뢰성 데이터(S) 및 상기 데이터베이스에 사전 저장된 커리큐럼 목록(Y)을 이용하여 기계 학습하여 사용자의 특성들(Features)(U) 및 사용자의 학습 특성을 고려한 커리큐럼 군집 데이터(V)들을 추출하게 된다(단계 340). 여기서, 상기 신뢰성 데이터(S)는 상기 사용자 성향셋, 키워드 및 커리큐럼의 3 인자간의 상관 관계 분포들의 축적 데이터들로서, 서비스에서 축적된 데이터 및 타 분석 모델로부터 유도된 데이터(Sparse Matrix)들로 이루어진 경험에 의한 반복 학습 데이터이다. Next, machine learning using the reliability data (S) and the curriculum list (Y) pre-stored in the database to extract the curriculum cluster data (V) in consideration of the features (U) of the user and the learning characteristics of the user. (Step 340). Here, the reliability data (S) is accumulated data of correlation distributions among the three factors of the user propensity set, a keyword, and a curriculum, and an experience consisting of data accumulated in a service and data derived from another analysis model (Sparse Matrix). Iterative learning data by.
다음, 사용자의 특성(U)과 커리큐럼 군집 데이터(V)의 합성곱(U·V)에 대하여 사용자의 특성과 커리큐럼의 차이를 최소화하는 학습 과정(F)을 통해 사용자에게 가장 적합한 커리큐럼을 최종적으로 선택하여 추천하게 된다(단계 350). Next, the curriculum best suited to the user is finally obtained through a learning process (F) for minimizing the difference between the user's characteristic and the curriculum with respect to the composite product (U · V) of the user's characteristic (U) and the curriculum cluster data (V). The selection is recommended (step 350).
전술한 과정을 통해, 본 발명에 따른 SW 교육용 서버는 사용자의 특성에 가장 적합한 SW 코딩 교육을 위한 커리큐럼을 추천할 수 있게 된다. Through the above-described process, the SW training server according to the present invention can recommend a curriculum for SW coding training that is most suitable for a user's characteristics.
이상에서 본 발명에 대하여 그 바람직한 실시예를 중심으로 설명하였으나, 이는 단지 예시일 뿐 본 발명을 한정하는 것이 아니며, 본 발명이 속하는 분야의 통상의 지식을 가진 자라면 본 발명의 본질적인 특성을 벗어나지 않는 범위에서 이상에 예시되지 않은 여러 가지의 변형과 응용이 가능함을 알 수 있을 것이다. 그리고, 이러한 변형과 응용에 관계된 차이점들은 첨부된 청구 범위에서 규정하는 본 발명의 범위에 포함되는 것으로 해석되어야 할 것이다. Although the present invention has been described above with reference to preferred embodiments thereof, this is merely an example and is not intended to limit the present invention, and those skilled in the art do not depart from the essential characteristics of the present invention. It will be appreciated that various modifications and applications which are not illustrated above in the scope are possible. And differences relating to such modifications and applications should be construed as being included in the scope of the invention as defined in the appended claims.
1 : 사용자 맞춤형 SW 교육용 시스템
10 : SW 교육용 서버
20 : 사용자 단말기
100 : 사용자 정보 수집부
110 : 커리큐럼 추천부
112 : 속성 데이터 추출 모듈
114 : 사용자 관심 성향 분석 모듈
116 : 사용자 커리큐럼 매칭 모듈
118 : 커리큐럼 추천 모듈
119 : 후처리 모듈1: customized SW training system
10: SW Educational Server
20: user terminal
100: user information collection unit
110: Curriculum Recommendation
112: attribute data extraction module
114: user interest propensity analysis module
116: User Curriculum Matching Module
118: Curriculum Recommendation Module
119: post-processing module
Claims (10)
사용자가 상기 SW 교육용 서버에 접속하여 학습한 정보들을 수집하는 사용자 정보 수집부; 및
사전에 데이터베이스에 저장된 커리큐럼 목록을 구비하고, 상기 사용자에 대해 수집한 사용자 수집 정보들 및 상기 커리큐럼 목록을 기반으로 하여, 기계 학습을 이용하여 사용자에게 가장 적합한 커리큐럼을 검출하여 추천하는 커리큐럼 추천부;
를 구비하고, 상기 커리큐럼 추천부는,
상기 사용자 정보 수집부로부터 제공된 사용자에 대한 수집 정보들로부터 글과 단어 속성 데이터를 추출하는 속성 데이터 추출 모듈;
상기 글과 단어 속성 데이터를 이용하여 사용자에 대한 성향셋 분포와 키워드 분포를 추출하는 사용자 관심 성향 분석 모듈;
상기 사용자에 대한 성향셋 분포와 키워드 분포, 및 상기 커리큐럼 목록을 기반으로 하여, 사용자에 대한 사용자 성향셋, 키워드 및 커리큐럼의 3 인자간의 상관 관계 분포를 검출하는 사용자 커리큐럼 매칭 모듈;
신뢰성 데이터 및 상기 커리큐럼 목록을 기반으로 하여 학습하여 사용자의 특성들 및 사용자의 학습 특성을 고려한 커리큐럼 군집 데이터를 추출하는 커리큐럼 추천 모듈; 및
상기 사용자의 특성과 커리큐럼 군집 데이터를 이용하여 학습하여 사용자에게 가장 적합한 커리큐럼을 선택하여 추천하는 후처리 모듈;
을 구비하여, 사용자에게 가장 적합한 소프트웨어 교육을 위한 커리큐럼을 추전하여 제공하는 것을 특징으로 하는 사용자 맞춤형 SW 교육용 서버.In the online SW training server for training software (SW) to users who are learners online,
A user information collection unit for collecting information learned by the user accessing the SW education server; And
A curriculum recommender having a curriculum list stored in a database in advance, and detecting and recommending a curriculum most suitable for a user using machine learning based on the user collection information collected for the user and the curriculum list;
Is provided, the curriculum recommendation portion,
An attribute data extraction module for extracting text and word attribute data from collection information of a user provided from the user information collecting unit;
A user interest propensity analysis module which extracts a propensity set distribution and a keyword distribution for a user using the text and the word attribute data;
A user curriculum matching module for detecting a correlation distribution between three propensity sets of a user, a user set, a keyword, and a curriculum for the user based on the disposition set distribution and the keyword distribution for the user and the curriculum list;
A curriculum recommendation module for learning based on the reliability data and the curriculum list and extracting curriculum cluster data in consideration of user characteristics and learning characteristics of the user; And
A post-processing module that learns using the characteristics of the user and the curriculum cluster data and selects and recommends the most suitable curriculum for the user;
The user-customized SW training server, comprising: providing a curriculum for the most suitable software training for the user.
상기 사용자 정보 수집부로부터 제공된 사용자에 대한 수집 정보들로부터 키워드를 추출하여 형태소 분석하여 글과 단어를 선별해내고,
상기 선별된 글과 단어들을 토픽 클러스터링하여 속성과 내용별로 분류하고,
분류된 속성과 내용으로부터 글과 단어 속성 데이터를 추출하는 것을 특징으로 하는 사용자 맞춤형 SW 교육용 서버.The method of claim 1, wherein the attribute data extraction module,
Extract the keywords from the collected information about the user provided from the user information collecting unit to morphological analysis to select the words and words,
The selected articles and words are clustered by topic and classified by attributes and contents.
SW customized education server, characterized in that for extracting text and word attribute data from the classified attributes and content.
상기 속성 데이터 추출 모듈에 의해 추출된 글과 단어 속성 데이터를 입력받고,
입력된 데이터를 이용하여 익스포저 추이를 예측하여 사용자에 대한 성향셋 분포와 키워드 분포를 추출하는 것을 특징으로 하는 사용자 맞춤형 SW 교육용 서버.The method of claim 1, wherein the user interest propensity analysis module,
Receiving the text and word attribute data extracted by the attribute data extraction module;
The user-customized SW educational server for extracting the propensity set distribution and the keyword distribution for the user by predicting the exposure trend using the input data.
상기 사용자 커리큐럼 매칭 모듈에 의해 추출된 사용자 성향셋, 키워드 및 커리큐럼 간의 상관 관계 분포들의 축적 데이터들인 것을 특징으로 하는 사용자 맞춤형 SW 교육용 서버.The method of claim 1, wherein the reliability data,
User-specific SW training server, characterized in that the accumulation data of the correlation distribution between the user disposition set, the keyword and the curriculum extracted by the user curriculum matching module.
사용자의 특성(U)과 커리큐럼 군집 데이터(V)의 합성곱(U·V)이 입력되고, 입력된 합성곱에 대하여 사용자의 특성과 커리큐럼의 차이를 최소화하는 학습 과정(F)을 통해 사용자에게 가장 적합한 커리큐럼을 최종적으로 선택하여 추천하는 것을 특징으로 하는 사용자 맞춤형 SW 교육용 서버.The post-processing module of claim 1,
The composite product (U · V) of the user's characteristics (U) and the curriculum cluster data (V) is input, and the user is presented to the user through a learning process (F) for minimizing the difference between the user's characteristics and the curriculum. Customized SW training server, characterized in that the final selection and recommendation of the most suitable curriculum.
소프트웨어 코딩 교육을 위하여 제공되는 커리큐럼들에 대한 목록인 것을 특징으로 하는 사용자 맞춤형 SW 교육용 서버.The method of claim 1, wherein the curriculum list,
Customizable SW training server, characterized in that the list of curriculum provided for software coding training.
(a) 커리큐럼 목록을 데이터베이스에 사전 저장하여 마련하고, 사용자에 대해 수집된 사용자 수집 정보들을 입력받는 단계;
(b) 상기 입력된 사용자 수집 정보들로부터 글과 단어 속성 데이터를 추출하는 단계;
(c) 상기 추출된 글과 단어 속성 데이터를 이용하여, 기계 학습을 통해 사용자에 대한 성향셋 분포와 키워드 분포를 추출하는 단계;
(d) 상기 추출된 사용자에 대한 성향셋 분포와 키워드 분포, 및 상기 데이터베이스의 커리큐럼 목록(Y)을 기반으로 하여, 사용자 성향셋, 키워드 및 커리큐럼의 3 인자간의 상관 관계 분포를 검출하는 단계;
(e) 신뢰성 데이터(S) 및 상기 데이터베이스에 사전 저장된 커리큐럼 목록(Y)을 이용하여 기계 학습하여 사용자의 특성들(Features)(U) 및 사용자의 학습 특성을 고려한 커리큐럼 군집 데이터(V)들을 추출하는 단계;
(f) 사용자의 특성(U)과 커리큐럼 군집 데이터(V)의 합성곱(U·V)에 대하여 사용자의 특성과 커리큐럼의 차이를 최소화하는 학습 과정(F)을 통해 사용자에게 가장 적합한 커리큐럼을 최종적으로 선택하는 단계;
를 구비하여, 사용자의 특성에 가장 적합한 SW 코딩 교육을 위한 커리큐럼을 추천하는 사용자 맞춤형 커리큐럼 추천 방법. In the customized curriculum recommendation method executed by a customized SW training server having a customized SW training program and database,
(a) pre-storing and preparing a curriculum list in a database, and receiving user collection information collected for a user;
(b) extracting text and word attribute data from the input user collection information;
(c) extracting a propensity set distribution and a keyword distribution for a user through machine learning using the extracted text and word attribute data;
(d) detecting a correlation distribution between three propensity sets of a user propensity set, a keyword, and a curriculum based on the extracted propensity set distribution and keyword distribution for the user and the curriculum list (Y) of the database;
(e) Machine learning using the reliability data (S) and the curriculum list (Y) previously stored in the database to extract the curriculum cluster data (V) in consideration of the features (U) of the user and the learning characteristics of the user. Doing;
(f) The curriculum best suited to the user is ultimately determined through a learning process (F) for minimizing the difference between the user's characteristics and the curriculum with respect to the product of the user's characteristics (U) and the curriculum cluster data (V). Selecting to;
A user-customized curriculum recommendation method comprising: recommending a curriculum for SW coding education most suitable for a user's characteristics.
상기 입력된 사용자 수집 정보들로부터 키워드를 추출하고,
상기 추출된 키워드에 대하여 형태소 분석하여 글과 단어를 선별해내고,
상기 선별된 글과 단어들을 토픽 클러스터링하여 속성과 내용별로 분류하고,
상기 분류된 속성과 내용으로부터 글과 단어 속성 데이터를 추출하는 것을 특징으로 하는 사용자 맞춤형 커리큐럼 추천 방법. According to claim 8, wherein step (b) is,
Extracts a keyword from the input user collection information,
Morphological analysis of the extracted keywords to select text and words,
The selected articles and words are clustered by topic and classified by attributes and contents.
And a text and word attribute data extracted from the classified attributes and contents.
10. The method of claim 8, wherein the reliability data (S) is accumulated data of correlation distributions between three sets of the user disposition set, the keyword, and the curriculum.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020180143620A KR102030149B1 (en) | 2018-11-20 | 2018-11-20 | Method for recommending a customized curriculum and software education system by using the method |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020180143620A KR102030149B1 (en) | 2018-11-20 | 2018-11-20 | Method for recommending a customized curriculum and software education system by using the method |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102030149B1 true KR102030149B1 (en) | 2019-10-08 |
Family
ID=68208640
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020180143620A KR102030149B1 (en) | 2018-11-20 | 2018-11-20 | Method for recommending a customized curriculum and software education system by using the method |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102030149B1 (en) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111027737A (en) * | 2019-10-16 | 2020-04-17 | 平安科技（深圳）有限公司 | Occupational interest prediction method, apparatus, device and storage medium based on big data |
| CN113743645A (en) * | 2021-07-16 | 2021-12-03 | 广东财经大学 | Online education course recommendation method based on path factor fusion |
| KR20220135878A (en) * | 2021-03-31 | 2022-10-07 | 제주대학교 산학협력단 | Artificial Intelligence Coaching Method and System for Providing Customized Educational Curriculum |
| WO2023128530A1 (en) * | 2021-12-30 | 2023-07-06 | (주)유닛컴퍼니 | Coding question recommendation system and coding question recommendation method |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101546927B1 (en) | 2014-05-07 | 2015-08-25 | 김진욱 | Apparatus for educating algorithm with block |
| KR101832742B1 (en) | 2016-03-17 | 2018-03-02 | (주)로보와이즈 | System for learning languages program using smart toy |
| KR101872005B1 (en) * | 2017-06-27 | 2018-06-27 | 주식회사 코딩로봇연구소 | Method of providing programming curriculum |
| KR20180102786A (en) * | 2017-03-08 | 2018-09-18 | 김동희 | Customized learning service providing method based on big data associated with learning |
-
2018
- 2018-11-20 KR KR1020180143620A patent/KR102030149B1/en active IP Right Grant
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101546927B1 (en) | 2014-05-07 | 2015-08-25 | 김진욱 | Apparatus for educating algorithm with block |
| KR101832742B1 (en) | 2016-03-17 | 2018-03-02 | (주)로보와이즈 | System for learning languages program using smart toy |
| KR20180102786A (en) * | 2017-03-08 | 2018-09-18 | 김동희 | Customized learning service providing method based on big data associated with learning |
| KR101872005B1 (en) * | 2017-06-27 | 2018-06-27 | 주식회사 코딩로봇연구소 | Method of providing programming curriculum |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111027737A (en) * | 2019-10-16 | 2020-04-17 | 平安科技（深圳）有限公司 | Occupational interest prediction method, apparatus, device and storage medium based on big data |
| CN111027737B (en) * | 2019-10-16 | 2024-02-09 | 平安科技（深圳）有限公司 | Professional interest prediction method, device, equipment and storage medium based on big data |
| KR20220135878A (en) * | 2021-03-31 | 2022-10-07 | 제주대학교 산학협력단 | Artificial Intelligence Coaching Method and System for Providing Customized Educational Curriculum |
| KR102572168B1 (en) * | 2021-03-31 | 2023-08-28 | 제주대학교 산학협력단 | Artificial Intelligence Coaching Method and System for Providing Customized Educational Curriculum |
| CN113743645A (en) * | 2021-07-16 | 2021-12-03 | 广东财经大学 | Online education course recommendation method based on path factor fusion |
| CN113743645B (en) * | 2021-07-16 | 2024-02-02 | 广东财经大学 | Online education course recommendation method based on path factor fusion |
| WO2023128530A1 (en) * | 2021-12-30 | 2023-07-06 | (주)유닛컴퍼니 | Coding question recommendation system and coding question recommendation method |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111444428B (en) | Information recommendation method and device based on artificial intelligence, electronic equipment and storage medium | |
| CN111737495B (en) | Middle-high-end talent intelligent recommendation system and method based on domain self-classification | |
| KR102030149B1 (en) | Method for recommending a customized curriculum and software education system by using the method | |
| Lima et al. | A polarity analysis framework for Twitter messages | |
| Gonçalves et al. | Comparing and combining sentiment analysis methods | |
| Mitra et al. | Helpfulness of online consumer reviews: A multi-perspective approach | |
| Dash et al. | Personalized ranking of online reviews based on consumer preferences in product features | |
| CN112991017A (en) | Accurate recommendation method for label system based on user comment analysis | |
| Shaheen et al. | Sentiment analysis on mobile phone reviews using supervised learning techniques | |
| Egger et al. | Identifying hidden semantic structures in Instagram data: a topic modelling comparison | |
| CN111309936A (en) | Method for constructing portrait of movie user | |
| CN113010702A (en) | Interactive processing method and device for multimedia information, electronic equipment and storage medium | |
| CN111597446B (en) | Content pushing method and device based on artificial intelligence, server and storage medium | |
| Padó et al. | Who sides with whom? Towards computational construction of discourse networks for political debates | |
| Ullah et al. | An overview of multimodal sentiment analysis research: Opportunities and difficulties | |
| Mukta et al. | Identifying and validating personality traits-based homophilies for an egocentric network | |
| Meddeb et al. | Personalized smart learning recommendation system for arabic users in smart campus | |
| Angamuthu et al. | Integrating multi-criteria decision-making with hybrid deep learning for sentiment analysis in recommender systems | |
| Santhosh et al. | Machine learning based ideal job role fit and career recommendation system | |
| Zhang et al. | Image tweet popularity prediction with convolutional neural network | |
| KR20220013600A (en) | Apparatus and method for processing information related to product in multimedia contents | |
| CN116010696A (en) | News recommendation method, system and medium integrating knowledge graph and long-term interest of user | |
| Kim et al. | Rating and comments mining using TF-IDF and SO-PMI for improved priority ratings | |
| CN114297390A (en) | Aspect category identification method and system under long-tail distribution scene | |
| Norah et al. | An Effective Text Classifier Using Machine Learning for Identifying Tweets’ Polarity Concerning Terrorist Connotation |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |