KR102040506B1

KR102040506B1 - 개인별 맞춤형 학습량 예측 시스템 및 방법

Info

Publication number: KR102040506B1
Application number: KR1020180135206A
Authority: KR
Inventors: 강호준
Original assignee: 주식회사 대교
Priority date: 2018-11-06
Filing date: 2018-11-06
Publication date: 2019-11-05

Abstract

학생 단말에 설치되어 디지털 학습 교재를 이용한 자기주도학습을 제공하기 위한 학생용 응용 프로그램(Application program)과 네트워크를 통해 연동되며, 자기주도학습 서비스 운영을 담당하는 운영 서버;를 포함하여 구축되는 시스템으로서, 상기 운영 서버는, 상기 학생용 응용 프로그램을 통해 자기주도학습을 수행하는 학습자의 학습 분석 결과에 근거하여 개인별 맞춤형 학습이 이루어질 수 있도록 상기 디지털 학습 교재의 학습 내용의 구성을 조정하고, 해당 학습자가 차후 수행할 학습 내용에 관한 학습량 예측을 수행하는 것을 특징으로 하는, 개인별 맞춤형 학습 제공 시스템이 개시된다. 본 발명의 실시예에 의하면, 자기주도 학습의 지속성 및 효과를 높이기 위해서는 학습자 자신이 학습 효과를 시각적으로 인지할 수 있도록 함과 아울러, 향후 자신이 학습해야 할 학습량을 결정하는 과정에서도 이전의 학습 효과를 반영하여 해당 학습자에 적합하게 조절 및 예측할 수 있다.

Description

개인별 맞춤형 학습량 예측 시스템 및 방법{INDIVIDUALLY COSTOMIZED LEARNING WORKLOAD PREDICTION SYSTEM AND METHOD}

본 발명은 자기 주도 학습 시스템 및 방법에 관한 것으로서, 보다 구체적으로는 개인별 맞춤형 학습량 예측 시스템 및 방법에 관한 것이다.

최근 다양한 보고서들에 따르면 향후 교육 시장의 패러다임은 스마트 러닝(Smart Learning)으로 변화될 것을 예고하고 있다. 한국산업기술진흥원(KIAT)의 보고서("미국 거점산업기술 정책분석보고_스마트 기기 보급에 따른 교육 시장의 변화")에 따르면 향후 교육 시장은 1990년대 이전의 오프라인 교육 방식에서 인터넷의 보급에 따라 온라인 상에서 이루어지는 이러닝(e-learning) 방식을 넘어서, 온라인/모바일 기술 기반의 교육과 오프라인 상의 면대면(face to face) 교육을 혼합한 오프라인-온라인 통합형의 Blended type의 스마트 러닝으로 진화할 것이라고 예측하고 있다.

또한 교육과학기술부의 2011년 대통령 보고 자료("인재대국으로 가는 길_스마트 교육 추진전략")에 따르면, 스마트 러닝을 다음과 같이 정의하고 있다. 즉, 해당 보고 자료에 따를 때, 스마트 러닝에 요구되는 핵심적 속성들로서 자기주도(S : Self-directed), 흥미유도(M : Motivated), 개인 수준 맞춤형(A : Adaptive), 풍부한 콘텐츠(R : Resource free), 다양한 IT 기술(모바일 기술, 클라우드 컴퓨팅 기술, 빅데이터 처리 기술 등)과의 기술 융합(T : Technology embedded)을 들고 있는 것이다.

상술한 바와 같은 스마트 러닝의 기술 경향에 따른 다양한 스마트 러닝 표방 기술들이 선보여지고 있으나, 기존의 학습 모델들은 학습자에게 제공되는 다양하고 풍부한 콘텐츠에도 불구하고 개인 수준 맞춤형의 자기주도 학습이 이루어질 수 있을 정도의 동기 또는 흥미를 유도하지 못하고 있는 실정이다.

특히, 수학 교육/학습과 관련하여서는 많이 풀어 볼수록 또한 꾸준하게 학습할수록 그 학습 효과가 높아지게 됨에도 불구하고, 수학과 관련된 디지털화된 학습 교재 및 콘텐츠는 넘쳐나는 반면, 학습자가 꾸준히 학습할 수 있는 동기 부여 또는 흥미 유도를 하지 못하고 있기 때문에, 많은 회원들이 수학 학습을 그만두고 포기하는 사례들이 빈번하게 일어나고 있다. 이는 오프라인 교재로 공부할 경우 지급된 교재에 수록되어 있는 문제 중 해당 학습자가 완전히 학습한 학습 유형의 문제들도 다른 학습자들과 똑같이 계속 반복 학습하여야 하는 것과 같이, 디지털화된 수학 학습 콘텐츠가 개인 수준 맞춤형으로 구성되지 못하고 있는 점과 아울러, 자신이 이전에 했던 학습에 대한 학습 효과(즉, 학습 향상 정도)가 시각적으로 보여지지 않아 금방 흥미를 잃어버리고 싫증을 내기 쉽기 때문이다.

따라서 자기주도 학습의 지속성 및 효과를 높이기 위해서는 학습자 자신이 학습 효과를 시각적으로 인지할 수 있도록 함과 아울러, 향후 자신이 학습해야 할 학습량(즉, 학습 문제수 및 학습 시간) 또한 이전의 학습 효과를 반영하여 해당 학습자에 적합하게 조절 및 예측되는 것이 필요하다고 할 것이다.

본 발명은 자기주도 학습의 지속성 및 효과를 높이기 위해서는 학습자 자신이 학습 효과를 시각적으로 인지할 수 있도록 함과 아울러, 향후 자신이 학습해야 할 학습량을 결정하는 과정에서도 이전의 학습 효과를 반영하여 해당 학습자에 적합하게 조절 및 예측할 수 있는 시스템 및 방법을 제공하기 위한 것이다.

본 발명의 일 측면에 따르면, 학생 단말에 설치되어 디지털 학습 교재를 이용한 자기주도학습을 제공하기 위한 학생용 응용 프로그램(Application program)과 네트워크를 통해 연동되며, 자기주도학습 서비스 운영을 담당하는 운영 서버;를 포함하여 구축되는 시스템으로서, 상기 운영 서버는, 상기 학생용 응용 프로그램을 통해 자기주도학습을 수행하는 학습자의 학습 분석 결과에 근거하여 개인별 맞춤형 학습이 이루어질 수 있도록 상기 디지털 학습 교재의 학습 내용의 구성을 조정하고, 해당 학습자가 차후 수행할 학습 내용에 관한 학습량 예측을 수행하는 것을 특징으로 하는, 개인별 맞춤형 학습 제공 시스템이 개시된다.

여기서, 상기 디지털 학습 교재는, 학습자의 학습 수준(level)에 맞춰 학습이 필요한 학습 단원 내의 학습 내용을 1일 권장 학습량에 맞춰 복수 개로 나눠 구성한 레슨(lesson) 단위의 자기주도학습이 이루어지도록 하는 기본 구성 체계를 가질 수 있다. 또한 여기서, 각 레슨 단위의 자기주도학습은 최소학습단위로서의 하나 이상의 학습 라운드 내에서의 유형별 문항 풀이에 의해 이루어질 수 있다.

이 경우, 상기 운영 서버는, 상기 레슨 단위의 자기주도학습을 위한 디지털 학습 교재를 개인별 맞춤형으로 구성함에 있어서, 이전 학습 라운드의 해당 학습자의 학습 결과에 따라 이전 학습 라운드에서 사전 지정된 완전학습 기준을 통과한 문제 유형에 대해서는 다음 학습 라운드의 문항 출제에서 제외하고, 상기 완전학습 기준을 통과하지 못한 취약 문제 유형에 대해서만 다음 학습 라운드의 문항 출제를 통한 반복 학습이 이루어질 수 있도록 할 수 있다.

또한 여기서, 상기 운영 서버는, 문제 유형별 완전학습 기준으로서, 각 유형별 완전학습 목표 정답율의 만족여부에 따른 사전 지정된 정확성 기준 및 각 유형별 완전학습 목표 문제풀이속도 만족여부에 따른 사전 지정된 신속성 기준을 동시 적용하여 유형별 완전학습 기준의 통과여부를 판단할 수 있다.

이때, 상기 운영 서버는, 상기 정확성 기준 및 상기 신속성 기준 각각의 만족 및 불만족 여부에 따른 복습 문항 수 결정 비율을 사전에 정의해둔 복습 문항 수 결정 기준 테이블을 이용하여, 완전학습 기준을 미통과한 문제 유형에 관한 다음 학습 라운드에서의 복습 문항 수를 산출할 수 있다.

또한 여기서, 상기 운영 서버는, 상기 레슨 단위의 학습을 시작하기 이전에, 해당 레슨에서 학습하게 될 문제 유형들을 매트릭스 형태로 가시화하여 표출한 학습 매트릭스를 생성하여 학습 화면 상에 표시할 수 있다. 또한 이때, 상기 레슨 단위의 학습이 완료된 이후에, 상기 학습 매트릭스 상에 표출된 문제 유형들 중 해당 학습 완료 후 완전학습된 문제 유형들에 대해서는 색상 또는 농도를 달리하여 완전학습된 문제 유형임을 학습자에게 가시화하여 보여줄 수 있다.

또한 여기서, 상기 운영 서버는, 상기 레슨 단위의 학습을 시작하기 이전에, 해당 레슨의 학습에서 예상되는 예상 학습 라운드 수 및 이를 위해 소요될 것으로 예상되는 예상 학습 시간을 사전 지정된 기준에 따라 예측하고, 그 예측 결과로서 예상 학습 라운드 수 및 예상 학습 시간을 가시화하여 해당 학습자에게 사전 안내할 수 있다.

또한 여기서, 상기 운영 서버는, 상기 디지털 학습 교재를 통한 학습을 처음 진행하는 신입 회원인 경우, 상기 신입 회원의 나이, 학년, 또는 학력 진단 평가 결과에 따라 동일 수준인 것으로 평가되는 타 학습자의 해당 레슨의 평균 학습 라운드 수 및 평균 학습 시간을 상기 예상 학습 라운드 수 및 예상 학습 시간으로 예측할 수 있다.

또한, 상기 운영 서버는, 상기 디지털 학습 교재를 통한 학습 데이터가 존재하는 기존 회원인 경우로서, 신규 학습 단원 내의 첫 레슨을 시작하는 학습자의 경우, 이전 학습 단원에서 최근에 수행한 소정 개수의 레슨의 평균 학습 라운드 수 및 평균 학습 시간을 상기 예상 학습 라운드 수 및 예상 학습 시간으로 예측할 수 있다.

또한 여기서, 상기 운영 서버는, 상기 디지털 학습 교재를 통한 학습 데이터가 존재하는 기존 회원인 경우로서, 학습 단원 내의 첫 레슨이 아닌 중간 레슨을 시작하는 학습자의 경우, 해당 학습 단원 내의 이전 레슨 중에서 최근 수행한 소정 개수의 레슨의 학습 결과 데이터에 근거하여 상기 예상 학습 라운드 수 및 예상 학습 시간에 관한 예측을 수행하되,

상기 소정 개수의 레슨의 학습 결과 중에서 학습 순서 상 더 최근에 수행한 레슨의 학습 결과에 대하여 더 높은 가중치를 부여하는 방식의 사전 지정된 가중치를 적용하고, 최근 수행된 각 레슨 내의 학습 라운드 수를 고려하였을 때 학습 라운드를 진행할 때마다 각 문제 유형별 정확성 및 신속성이 얼마만큼씩 향상되었는지에 관한 라운드 당 실력 향상도를 함께 반영하여, 상기 예상 학습 라운드 수 및 예상 학습 시간을 예측할 수 있다.

또한 여기서, 상기 운영 서버는, 차후 수행될 레슨의 예상 학습 라운드 수 및 예상 학습 시간을 예측하는 과정에서, 차후 수행될 레슨에 포함될 각 문제 유형들 중,

이전 레슨들에 기 포함되어 있던 각 문제 유형들의 유형별 정확성 및 신속성에 상기 가중치가 반영된 값에 근거하여 차후 수행될 레슨에서의 해당 각 문제 유형들의 포함/불포함 여부 및 포함시키는 경우의 출제 문항 수를 상기 완전학습 기준에 따라 결정함으로써 해당 문제 유형들의 문제 풀이에 소요될 예상 소요 시간을 산출하고,

이전 레슨들에 포함되지 않았던 신규 문제 유형들의 유형별 정확성 및 신속성은 상기 이전 레슨들에 기 포함되어 있던 각 문제 유형들의 유형별 정확성 및 신속성에 상기 가중치를 반영한 값들의 각 평균값들로 예상하여 해당 문제 풀이에 소요될 예상 소요 시간을 산출하며,

상기 차후 수행될 레슨에 포함될 각 문제 유형들에 대하여, 상기 각 문제 유형별 라운드 당 실력 향상도를 적용한 결과를 반복 수행함으로써 상기 완전학습 기준에 따라 최종적으로 예상되는 예상 학습 라운드 수를 산출할 수 있다.

본 발명의 실시예에 따른 개인별 맞춤형 학습량 예측 시스템 및 방법에 의하면, 자기주도 학습의 지속성 및 효과를 높이기 위해서는 학습자 자신이 학습 효과를 시각적으로 인지할 수 있도록 함과 아울러, 향후 자신이 학습해야 할 학습량을 결정하는 과정에서도 이전의 학습 효과를 반영하여 해당 학습자에 적합하게 조절 및 예측할 수 있는 효과가 있다.

도 1은 본 발명의 실시예에 따른 개인별 맞춤형 학습량 예측 방법을 구현하는 전체 시스템을 개념적으로 도시한 도면.
도 2는 본 발명의 실시예에 따른 개인별 맞춤형 학습량 예측 방법에 적용되는 학습 체계를 설명하기 위한 도면.
도 3은 본 발명의 실시예에 따른 개인별 맞춤형 학습량 예측 방법에 적용되는 학력 진단 평가 방식를 설명하기 위한 도면.
도 4는 본 발명의 실시예에 따른 개인별 맞춤형 학습량 예측 방법에 적용되는 학습 프로세스를 설명하기 위한 도면.
도 5는 본 발명의 실시예에 따른 개인별 맞춤형 학습량 예측 방법에 적용되는 완전학습 모델을 설명하기 위한 도면.
도 6은 본 발명의 실시예에 따른 개인별 맞춤형 학습량 예측 방법에 적용되는 학습 진행 방식을 설명하기 위한 도면.
도 7은 본 발명의 실시예에 따른 개인별 맞춤형 학습량 예측 방법에 적용되는 완전학습의 기준을 설명하기 위한 도면.
도 8은 본 발명의 실시예에 따른 개인별 맞춤형 학습량 예측 방법에 적용되는 완전학습 매트릭스를 설명하기 위한 도면.
도 9는 도 8의 완전학습 매트릭스의 예시.
도 10은 본 발명의 실시예에 따른 개인별 맞춤형 학습량 예측 방법에 적용되는 복습 문항 수 결정 기준을 설명하기 위한 도면.
도 11은 도 10의 복습 문항 수 결정의 예시.
도 12는 본 발명의 실시예에 따른 개인별 맞춤형 학습량 예측 방법에 적용되는 라운드별 학습량 및 학습 시간 결정에 관한 예시.
도 13은 본 발명의 실시예에 따른 개인별 맞춤형 학습량 예측 방법에 적용되는 회원별 학습량 예측 시스템 적용 기준을 설명하기 위한 도면.
도 14 및 도 15는 본 발명의 실시예에 따른 개인별 맞춤형 학습량 예측 방법에 적용되는 학습량 예측 기준 알고리즘을 설명하기 위한 도면.
도 16 및 도 17은 본 발명의 실시예에 따른 개인별 맞춤형 학습량 예측 방법에 적용되는 학습량 예측의 예시.
도 18은 도 14 ~ 도 17에 따른 학습량 예측의 적용 결과를 예시한 도면.

본 발명은 다양한 변환을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고 상세한 설명에 상세하게 설명하고자 한다. 그러나, 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변환, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.

본 발명을 설명함에 있어서, 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 본 명세서의 설명 과정에서 이용되는 숫자(예를 들어, 제1, 제2 등)는 하나의 구성요소를 다른 구성요소와 구분하기 위한 식별기호에 불과하다.

또한, 명세서 전체에서, 일 구성요소가 다른 구성요소와 "연결된다" 거나 "접속된다" 등으로 언급된 때에는, 상기 일 구성요소가 상기 다른 구성요소와 직접 연결되거나 또는 직접 접속될 수도 있지만, 특별히 반대되는 기재가 존재하지 않는 이상, 중간에 또 다른 구성요소를 매개하여 연결되거나 또는 접속될 수도 있다고 이해되어야 할 것이다. 또한, 명세서 전체에서, 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다.

이하, 첨부된 도면들을 참조하여 본 발명의 실시예를 상세히 설명한다.

도 1은 본 발명의 실시예에 따른 개인별 맞춤형 학습량 예측 방법을 구현하는 전체 시스템을 개념적으로 도시한 도면이다.

도 1을 참조하면, 본 발명의 실시예에 개인별 맞춤형 학습량 예측 방법을 구현하는 자기주도 학습 시스템은, 복수의 학생 단말(100-1, 100-2, … 100-n, 이하 도면번호 100으로 통칭함); 적어도 하나의 교사 단말(200); 학생 단말(100)과 교사 단말(200) 간을 무선 또는 유선 방식으로 연동시키며, 본 발명의 실시예에 따른 자기주도학습을 제공하기 위해 회원 DB(Database), 학습 콘텐츠 DB 등을 포함하거나 해당 DB들와 연동하여 구동되는 서비스 운영 서버(300)(이하 운영 서버로 간략 명명함)를 포함하여 구현될 수 있다.

여기서, 학생 단말(100)로는 휴대형 모바일 단말기(예를 들어, 태블릿 PC 등)가 이용될 수 있으며, 학생 단말(100)은 자기주도학습이 이루어지는 학습 공간(예를 들어, 댁 내 또는 러닝센터 등)에서 해당 학생이 자신의 진도 및 계획에 맞춰 자기주도학습을 진행하려고 할 때 사용되는 단말기이거나 또는 러닝센터에 상주하여 해당 학생들을 지도하는 교사로부터 해당 학생에게 지급(불출)되는 단말기일 수 있다.

또한 학생 단말(100)에는 본 발명의 실시예에 따른 개인별 맞춤형 학습량 예측 방법 및 자기주도학습 제공방법을 구현한 응용 프로그램이 설치될 수 있다. 본 명세서의 설명 과정에서 설명의 편의 및 집중을 위하여 본 발명의 실시예에 따른 개인별 맞춤형 학습량 예측 방법 및 자기주도학습 제공방법이 구현된 애플리케이션 프로그램을 '학생용 학습 앱'이라 간략히 명명하기로 한다. 이때, 학생용 학습 앱은 모바일 앱(App)으로 구현될 수도 있고 웹(Web) 버전으로 구현될 수도 있다. 다만, 본 명세서에서는 설명의 편의 및 집중을 위해, 학생용 학습 앱이 모바일 앱으로 구현되는 경우를 중심으로 설명하기로 한다.

위와 유사하게, 교사 단말(200) 또한 휴대형 모바일 단말기가 이용될 수 있으며, 교사 단말(200)은 교사별로 각각 지급되거나, 러닝센터 내의 특정 학습 공간 별로 지도 교사가 상주 위치할 데스크(Desk) 또는 공간에 상시 배치될 수 있다. 이에 따라, 교사도 교사 단말(200) 내에 설치된 교사용 앱(모바일 앱)을 구동하거나 또는 교사용 웹(Web)에 접속하여 학생들의 학습 상황을 실시간 모니터링할 수 있게 된다. 이상에서 설명한 내용들은 후술할 도 3 ~ 도 8의 학생용 성장판 앱 및 도 9 ~ 도 14의 교사용 성장판 웹에 관한 구체적 설명들로부터 보다 명확히 이해될 수 있을 것이다.

또한 이상에서는 러닝센터에 방문한 학생에게 학생용 학습 앱이 설치된 휴대형 모바일 단말기가 불출되는 케이스를 주로 설명하였지만, 학생용 학습 앱을 활용한다는 가정하에서 학생 단말(100)은 해당 학생이 소지하고 있는 자신의 휴대형 모바일 단말기가 그대로 이용될 수도 있고, 경우에 따라서는 학습 공간의 각각의 자리에 고정 설치될 통신 단말기(PC 등)이 이용되어도 무방함은 자명하다. 이러한 점은 교사 단말(200)의 경우에도 마찬가지라 할 것이다.

운영 서버(300)는 학생용 학습 앱을 통해 수집되는 각종 데이터들(예를 들어, 각 학생의 진도별 학습 데이터, 학습 시간 데이터, 앱 사용/등록 데이터 등등)을 저장하고, 각 학생들에 관한 모니터링이 가능하도록 교사용 웹과 해당 데이터들을 연동 및 가시화시키며, 다양한 학습 콘텐츠의 제공 및 회원 관리, 본 발명의 실시예에 따른 개인별 맞춤형 학습량 예측 등을 수행하는 역할을 한다. 도 1의 개념도에서는 서비스 운영을 위해 단 1개의 운영 서버가 운용되는 것과 같이 도시하였지만, 이는 도면 도시의 편의를 위한 것에 불과하며, 시스템 설계 방식에 따라서 다양한 변형이 가능함은 자명하다. 예를 들어, 운영 서버(300)의 역할 및 기능에 따라 필요한 경우 회원 DB 서버, 학습 콘텐츠 DB 서버, 관리 서버 등과 같이 세분화되어 운용될 수도 있을 것이다.

또한 본 발명의 실시예에 따른 자기주도학습은 학생용 학습 앱의 앱 화면 상에서 직접 제공되는 온라인 콘텐츠들에 기반하여 문제를 풀고 이에 관한 답안 또한 해당 앱 화면 상에 직접 입력하는 방식으로 진행되는 것일 수 있다. 학습 콘텐츠 자체는 오프라인 콘텐츠(문제집 등)를 이용하고 이에 관한 답안 또는 학습 관련 질문에 대한 응답을 해당 앱 화면 상에 입력하는 방식으로 진행될 수도 있다. 또한 본 명세서에서는 학생들이 러닝센터에 직접 방문하여 자기주도학습을 진행하는 경우를 중심으로 설명하겠지만, 본 발명의 실시예에 따른 자기주도학습 제공방법은 반드시 러닝센터에 방문하여 학습을 진행하는 경우로 제한되는 것은 아님을 먼저 명확히 해둔다. 즉, 본 발명의 핵심적 특징들 중 대부분은 굳이 장소적 제한을 둘 필요가 없는 것임을 당업자(본 기술분야의 통상의 지식을 가진 자)라면 쉽게 이해할 수 있을 것이다. 예를 들어, 본 발명의 실시예에 따른 개인별 맞춤형 학습량 예측 방법 및 자기주도학습 제공방법이 구현된 모바일 앱을 이용하되, 학생들 각각의 자신의 집에서 또는 학교에서 자유롭게 자기주도적인 학습을 진행할 수 있을 것이기 때문이다.

이상에서는 도 1을 참조하여 자기주도 학습이 이루어지는 환경 및 전체 시스템에 관하여 주로 설명하였는 바, 이하에서는 도 2 ~ 도 18을 참조하여 본 발명의 실시예에 따른 개인 맞춤형 학습량 예측 시스템 및 방법에 관하여 구체적으로 설명하기로 한다. 도 2 ~ 도 18에 따라 설명될 개인 맞춤형 학습량 예측 방법은 도 1의 서비스 운영 서버(300)에 의해 수행되게 된다. 또한 본 발명의 실시예에 따른 개인 맞춤형 학습량 예측 방법은 학습 과목의 종류/속성과 무관하게 적용 가능한 기술임은 분명하나, 본 명세서에서는 발명의 설명의 편의 및 집중을 위해서 수학 과목에 대한 디지털 학습 콘텐츠인 경우를 예로 들어 본 발명을 설명하기로 한다.

도 2를 참조할 때, 본 발명에서의 디지털 학습 교재는 학습 체계를 레벨 > 단원 > 레슨 > 라운드 > 유형 > 문항으로 세분화하여 설계하고 있다. 예를 들어, 디지털 수학 교재를 가정하면, '레벨'은 학습 순서를 나타내는 숫자와 학습 내용을 포괄하는 개념(즉, 핵심 개념)으로 이루어지도록 한다. 즉, 한 '레벨'을 하나의 핵심 개념으로 구성하고, 종전 체계에서 학습량이 많은 과정은 2 ~ 3개의 레벨로 나누어 편성하고, 유사한 개념은 이어서 학습할 수 있도록 통합할 수 있다. 이에 따라, 본 발명의 실시예에 따른 디지털 수학 교재에 의할 때, 동일 학습 과정에 여러 개의 개념이 존재하는 경우 각 '레벨' 별 1개의 핵심 개념으로 모듈화시킴으로써 레벨 별로 명확하고 직관적인 목표 제시가 가능하다.

또한, '단원'은 한 레벨의 학습 내용을 수 범위나 개념에 따라 분류하되 종전 체계에서 학습량이 적은 단원은 유사성에 따라 앞뒤 단원과 통합하여 구성할 수 있다. '레슨'은 1일 학습량(예를 들어, 기존의 0.5 세트)을 기준으로 1개 레슨으로 구성하고, '라운드'는 '레슨'의 최소 학습 단위로 구성한다. 각 '레슨'은 도입 - 전개 - 활용의 순서로 구성하되, 전개 부분은 '라운드'로 나누고 이전 학습 결과에 따라 최대 4 라운드까지 복습 학습을 하도록 구성할 수 있다(도 5 동시 참조).

또한 본 발명의 실시예에 따른 디지털 학습 교재의 학습 프로세스는 도 4에 도시된 바와 같이, 디지털 학력 진단 평가를 실시한 결과에 근거하여 해당 학습자가 학습할 출발점(도 4의 예시에서는 레벨 4를 의미함)을 결정하고, 디지털 학습 교재를 이용한 학습이 실제 이루어지는 경우, 각 단원이 끝날 때마다 단원 평가를 시행하고 해당 레벨의 마지막 단원 평가가 끝났을 때 레벨 평가를 시행함으로써 각 단원 및 레벨의 학습을 정리할 기회를 제공하며, 레벨 평가에 통과한 경우 그 다음 레벨의 학습으로 진입하는 방식으로 이루어지게 된다. 이러한 단원 평가, 레벨 평가를 이용하면 해당 학습자의 학습 정확성 및 신속성의 향상도를 분석하는 것이 가능하며, 또한 학습자 간 비교 분석도 가능하게 된다. 또한 이때, 단원 평가, 레벨 평가를 통과할 때마다 그 단원 또는 레벨을 마스터하였음을 인증하는 카드(본 명세서에서는 이를 마스터리 카드라 명명함) 등을 발급함으로써, 해당 학습자에게 학습 효과를 가시화하여 보여줌과 아울러 보상 또는 동기 부여를 제공할 수 있을 것이다.

또한 여기서, 학력 진단 평가를 통한 해당 학습자의 학습 출발점의 결정 방식은 도 3에 예시된 바와 같이, 해당 학습자의 자기 학년 수준을 반영한 소정 레벨 내의 단원 별 몇 개의 테스트 문항(5~10 문항 내외)을 풀게 하고 그 채점 결과에 따라, 해당 학습자가 잘하는 마지막 단원을 그 출발점으로 결정하는 방식이 이용될 수 있다. 즉, 이와 같은 디지털 학력 진단 방식에 의할 때, 제시 문항 별 표준 테스트 시간의 적용으로 해당 학습자의 단원별 정확한 완전학습 여부 파악을 통해 학습 시작 단원(즉, 출발점)을 선정할 수 있다. 또한 이때, 디지털 학력 진단 평가는 단원별 평가 결과(정/오답 및 풀이시간)에 따라 자동적으로 난이도가 낮은 문제 또는 높은 문항이 샘플링되어 또는 랜덤 추출되어 제시되는 방식에 의해 시행될 수 있다. 물론, 상술한 학력 진단 평가 방식은 다양한 변형이 가능하며, 예를 들어 사전에 셋팅된 문항 및 개수의 진단 평가 문제들을 이용하여 학력 진단 평가를 시행하는 방식도 가능함은 물론이다.

또한 본 발명의 실시예에 따른 디지털 학습 교재는 도 5 ~ 도 7에 예시된 바와 같은 보다 효율적인 완전학습 모델이 적용된다.

도 5 및 도 6에 도시된 바와 같이 본 발명의 실시예에 따른 디지털 학습 교재에서의 학습 모델에서는 완전학습 단위가 유형별/레슨별로 정의되며, 레슨 단위로 완전학습이 이루어진 이후에야 비로소 다음 레슨을 학습하게 되는 진도 결정 방식으로서, 레슨 단위의 순차적 완전학습이 이루어지므로 뒤로 갈수록 학습자가 체감하는 체감 난이도가 낮아지는 장점이 있다. 또한 해당 레슨 내에서 본 학습(즉, 1 라운드)이 진행된 이후 복습 라운드가 시행되는 과정에서 앞선 라운드에서 완전학습된 유형의 문항은 제거하고 연습이 필요한 취약 유형의 문항만이 추출되어 제시되도록 구성되기 때문에, 숙달된 문제를 반복하여 풀어야 하는 비효율성 문제가 개선됨과 아울러 학습 부담 경감, 학습 시간 단축이 이루어질 수 있는 장점이 있다.

이때, 복습 라운드는 2 라운드부터 시작되어 최대 4 라운드까지 진행될 수 있으나, 만일 본 학습에 해당하는 1 라운드에서 소정의 완전학습 기준을 통과한 경우라면 복습 라운드는 진행될 필요가 없다. 마찬가지로 2 라운드의 복습 라운드의 시행 결과 완전학습 기준을 통과하였다면 2 라운드에서 해당 레슨이 종료되는 것이며 더 이상의 복습 라운드는 진행될 필요가 없음은 물론이다.

여기서, 완전학습 기준을 통과하였는지에 관한 평가는, 풀이 문항의 정/오답 채점을 통해 문제 유형별로 사전 지정된 목표 점수 이상 또는 목표 정답율 이상을 달성하였는지 정확성 체크와, 사전 지정된 문제 풀이 목표 시간 내에 문제 풀이가 완료되었는지를 확인하는 신속성 체크에 의할 수 있다. 이에 관한 구체적 예시가 도 7에 도시되고 있다. 이때, 정확성 체크는 실제 문제 풀이가 이루어지는 '전개' 부분의 전체 문항을 대상으로 이루어질 수 있다. 또한 신속성 체크는 '전개' 부분의 마지막 페이지를 해당 레슨의 유형별 완전학습 여부 확인을 위한 평가 문항으로 구성하여 각 유형별 평가 문항의 문제 풀이 시간을 측정함으로써 이루어질 수 있다.

또한 본 발명의 실시예에서는 도 8 및 도 9에 예시된 바와 같이, 각 단원에서 학습할 내용(즉, '유형')을 구조화하여 매트릭스 형태로 가시화하여 나타냄으로써, 레슨 학습 전에는 학습할 유형을 쉽게 확인할 수 있게 하고, 레슨 학습 이후에는 유형별 완전학습 정도를 색상 또는 농도를 달리하여 시각화 표출하여 자신의 학습 수준을 쉽게 확인할 수 있도록 할 수 있다.

또한 본 발명의 실시예에서는 복습 라운드가 진행될 때의 복습 문항 수도 항상 일정 개수의 문항으로 고정 셋팅되는 방식이 아니라, 사전 지정된 복습 문항 수 결정 기준을 도입함으로써, 이전의 학습 라운드의 학습 결과(즉, 정확성(정답율) 및 신속성)를 반영하여 다음 라운드에서의 복습 문항 수를 유동적으로 결정하는 방식을 적용할 수 있다. 이에 관한 전반적 내용은 도 12를 통해 확인할 수 있으며, 그 구체적 예시는 도 11을 통해 확인할 수 있다.

도 11을 참조할 때, 이전의 학습 라운드인 1 라운드에서 제출되었던 문제 유형들 중 유형별 완전학습 기준을 통과한 문제 유형들(본 예에서는 1+4, 4+4 임)은 다음 라운드인 2 라운드에는 포함시키지 않되, 정확성 및 신속성 중 어느 하나라도 완전학습 기준을 통과하지 못한 문제 유형들(본 예에서는 2+4, 3+4, 5+4 임)에 대해서는 도 10에 도시된 기준을 적용하여 다음 라운드의 복습 문항 수를 결정하고 있다.

즉, 도 11에 의할 때, '2+4' 유형의 경우 신속성 기준은 통과하였지만 정확성 기준인 정답율 100%에는 못 미치는 83% 정답율을 보이고 있는 바, 도 10의 기준에 의할 때 복습 문항 수 결정 비율은 이전 라운드의 해당 유형의 문항 수의 60%가 적용되어, 다음 라운드에서 복습하게 될 해당 유형의 문항 수는 4개(이전 라운드 해당 유형 문항 수 6개에 복습 문항 수 결정 비율 60%을 적용하였을 때의 값인 3.6의 반올림된 값)가 된다. 이와 마찬가지 방식으로, '3+4' 유형의 경우 정확성 기준은 통과하였지만 신속성 기준을 모두 통과하지 못하고 있는 바, 다음 라운드에서 복습하게 될 해당 유형의 문항 수는 4개(이전 라운드의 해당 유형 문항 수 6개에 복습 문항 수 결정 비율 60%를 적용한 값인 3.6의 반올림된 값)가 된다. 또한, '5+4' 유형의 경우 정확성 기준 및 신속성 기준을 모두 통과하지 못하고 있고 정답률은 67%에 해당하는 바, 다음 라운드에서 복습하게 될 해당 유형의 문항 수는 6개(이전 라운드의 해당 유형 문항 수 6개에 복습 문항 수 결정 비율 100%를 적용한 값)가 된다.

또한, 본 발명의 실시예에서는, 오프라인 교재와 달리 교재를 미리 훑어 볼 수 없는 디지털 학습 교재의 단점을 보완함과 아울러, 해당 학습자가 향후 학습에서의 학습량을 미리 확인할 수 있도록 해당 학습자만의 맞춤형 학습량 예측이 이루어질 수 있다. 이에 관한 방법론에 관해서는 도 13 ~ 도 18을 참조하여 상세히 설명하기로 한다.

본 발명의 실시예에 의할 때, 학습자 개인별로 집중력 있는 학습 및 학습 스트레스 예방을 위해 레슨 학습 전에 예상 학습 라운드 수 및 예상 학습 시간에 관한 학습량 예측 결과를 가시화하여 학습자에게 제시할 수 있다.

도 13을 참조할 때, 이전 학습 데이터가 없는 경우에는 해당 학습자의 나이(학년) 또는/및 앞서 설명한 학력 진단 평가에 따라 결정된 해당 학습자의 학습 출발점을 기준으로 동일 수준의 다른 학습자들의 해당 레슨의 평균 라운드 수 및 평균 학습 시간을 예상 라운드 수 및 예상 학습 시간으로 결정(예측)할 수 있다.

이와 달리, 이전 학습 데이터가 있는 경우에는 그 학습 데이터에 기반하여 예상 라운드 수 및 예상 학습 시간을 예측할 수 있다. 일 예로, 단원별 첫 레슨을 수행할 학습자의 경우에는 이전 레벨 및 단원에서의 최근 3개 레슨의 평균 라운드 수 및 그 때의 평균 학습 시간을 예상 라운드 수 및 예상 학습 시간으로 예측할 수 있다.

다른 예로, 해당 레벨 및 단원에서의 중간 레슨을 수행하는 학습자의 경우에는 해당 레벨 및 단원에 따른 기존 학습 레슨에서 수행한 각 문제 유형별 정답률(즉, 정확성) 및 문제 풀이 시간(즉, 신속성)에 관한 데이터에 기반하여 차후 수행할 레슨에서의 예상 라운드 수 및 예상 학습 시간을 예측해내는 방식이 적용될 수 있다. 즉, 본 발명의 실시예에 따른 학습량 예측 기준 알고리즘에 의하면, 해당 단원의 최근 수행한 몇 개의 레슨(본 예에서는 최근 3개 레슨)에서의 학습 결과를 이용하여, 다음번에 수행할 레슨에서의 예상 라운드 수 및 예상 학습 시간을 예측한다. 그 방식은 크게 다음과 같은 기준에 의할 수 있다.

첫째로, 최근에 학습한 레슨의 학습 결과일수록 보다 많은 가중치를 반영하여 예상 라운드 수 및 예상 학습 시간의 예측에 활용할 수 있다. 일 예로, 최근 3개 레슨 중, 가장 먼저 수행한 레슨의 경우 가중치 0.2를, 중간에 수행한 레슨의 경우 가중치 0.3을, 가장 최근에 수행한 레슨의 경우 가중치 0.5를 적용하는 방법이 이용될 수 있다(도 13 ~ 도 15 참조).

둘째로, 차후 수행할 레슨의 복습량(즉, 본 학습인 라운드 1을 제외한, 복습 라운드인 라운드 2 ~ 라운드 4에서 어디까지 복습 라운드로 진행할 지 여부)을 예측하는 과정에서는 이전 학습 데이터에 기반할 때 각 라운드가 진행될 때마다 해당 학습자가 얼마만큼의 실력 향상이 발생하였는지에 관한 실력 향상도 정보(즉, 정답률 향상 및 문제 풀이 속도 향상)를 반영할 수 있다. 이에 관한 구체적 방법론(즉, 기준 및 예시)가 도 14 ~ 도 18에 상세히 제시되고 있다.

도 16에 예시된 '2+4' 문제 유형의 경우를 참조하면, 최근 수행한 3개 레슨 학습 결과에서, 레슨 1에서 총 2개의 라운드(즉, 본 학습의 1개 라운드와 복습 학습의 1개 라운드를 의미함)가 진행되었고 그때 정답율은 90%, 평균 문제 풀이 속도는 1.8초였고, 레슨 2에서 총 1개의 라운드(즉, 본 학습만)가 진행되었고 그때 정답율은 100%, 문제 풀이 속도는 1.6초였으며, 레슨 3에서 총 1개의 라운드(즉, 본 학습만)가 진행되었고 그때 정답율은 100%, 문제 풀이 속도는 1.5초였다. 즉,

따라서, 도 14의 기준에 의할 때, '2+4' 문제 유형의 경우, 최근 3개 레슨 학습 결과를 종합하면, ⅰ) 가중치가 적용된 유형별 정답율(W_A)은 98%(즉, 90%*0.2+100%*0.3+100%*0.5)이 되고, ⅱ) 가중치가 적용된 유형별 문제 풀이 속도(W_V)는 1.59초(즉, 1.8*0.2+1.6*0.3+1.5*0.5)가 되고, ⅲ) 라운드 당 정답율 향상도(IA/R)는 2.5%(즉, (100%-90%)/4)가 되고, ⅳ) 라운드 당 문제 풀이 속도 향상도(IV/R)는 -0.075초(즉, 0.075초씩 빨라짐을 의미, (1.5-1.8)/4)가 된다.

위와 같은 방식으로 최근 수행한 3개의 레슨 학습에서의 각 유형 별로 W_A, W_V, IA/R, IV/R를 계산한 결과가 도 16의 우측 테이블에 제시되고 있다. 이때, 각 유형별 W_A 및 W_V는 차후 수행될 레슨의 1 라운드 학습에서 해당 유형의 문제가 다시 출제되는 경우에 각 유형별로의 예상 정답율 및 예상 문제 풀이 시간으로 간주(예측)될 수 있다. 그리고 각 유형별 IA/R 및 IV/R은 차수 수행될 레슨에서 복습 라운드가 진행되는 과정에서 해당 유형의 문항이 다시 출제되어야 하는 경우, 그때마다의 라운드 당 정답율 향상도 및 문제 풀이 속도 향상도를 반영함으로써, 복습 라운드에 해당 유형의 문항을 다시 출제하여야 하는지 아니면 완전학습된 것으로 가정하여 제외시켜야 하는지에 관한 예측과, 해당 유형의 문항이 다시 출제되는 경우 그 문항의 풀이 시간을 어떻게 예측하여야 하는지에 관한 결정을 할 때 활용될 수 있다(도 15 및 도 17 참조).

또한 도 16의 우측 테이블을 참조할 때, 최근 3개의 레슨 학습에서의 각 유형별 가중치 적용한 정답율(W_A) 및 가중치 적용한 문제 풀이 속도(W_V)의 각각의 평균은 84% 및 2.1초로 계산된다. 이에 의할 때, 차후 수행할 레슨에서 새롭게 출제될 문제 유형인 '13+4'의 정답율 및 문제 풀이 속도는 위에서 계산된 84% 및 2.1초로 기본적으로 셋팅(예측)될 수 있다(도 17 참조). 이는 새로운 유형의 문제가 출제되더라도 기본적으로 '4의 덧셈'이라는 단원은 동일하므로, 기존 문제 유형들을 학습하는 과정에서 학습자에게 어느 정도의 익숙함이 생겼을 것임에 좀 더 비중을 두어 예측을 수행한 예이다.

물론 이와 같은 방식과는 조금 상이한 방식으로서, 도 15에 도시된 바와 같이, 차후 수행할 레슨에서 새롭게 출제될 문제 유형(P8 참조)에 관한 정답율 및 문제 풀이 속도의 예상 수치는 이전 수행된 문제 유형들의 최초 학습 라운드(즉, 각각의 레슨에서의 1 라운드만)의 정답율 평균 및 그 최초 학습 라운드에서의 문제 풀이 속도의 평균으로 셋팅(예측)될 수도 있을 것이다. 이는 새로운 유형의 문제가 출제되었을 때 학습자가 느끼게 되는 생소함에 좀 더 비중을 두어 예측을 수행한 예가 될 것이다.

상술한 방법론들을 적용하면, 차후 수행할 레슨의 예상 라운드 수 및 예상 학습 시간이 예측될 수 있으며, 이는 도 18에 도시된 좌측 도면에서와 같이 학습자에게 가시화되어 제시될 수 있게 된다.

상술한 본 발명에 따른 개인별 맞춤형 학습량 예측 방법은 컴퓨터로 읽을 수 있는 기록 매체에 컴퓨터가 읽을 수 있는 코드로서 구현되는 것이 가능하다. 컴퓨터가 읽을 수 있는 기록매체로는 컴퓨터 시스템에 의하여 해독될 수 있는 데이터가 저장된 모든 종류의 기록 매체를 포함한다. 예를 들어, ROM(Read Only Memory), RAM(Random Access Memory), 자기 테이프, 자기 디스크, 플래쉬 메모리, 광 데이터 저장장치 등이 있을 수 있다. 또한, 컴퓨터가 읽을 수 있는 기록매체는 컴퓨터 통신망으로 연결된 컴퓨터 시스템에 분산되어, 분산방식으로 읽을 수 있는 코드로서 저장되고 실행될 수 있다.

이상에서는 본 발명의 실시예를 참조하여 설명하였지만, 해당 기술 분야에서 통상의 지식을 가진 자라면 하기의 특허 청구의 범위에 기재된 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 쉽게 이해할 수 있을 것이다.

Claims

학생 단말에 설치되어 디지털 학습 교재를 이용한 자기주도학습을 제공하기 위한 학생용 응용 프로그램(Application program)과 네트워크를 통해 연동되며, 상기 학생용 응용 프로그램을 통해 자기주도학습을 수행하는 학습자의 학습 분석 결과에 근거하여 개인별 맞춤형 학습이 이루어질 수 있도록 상기 디지털 학습 교재의 학습 내용의 구성을 조정하는 운영 서버;를 포함하여 구축되는 시스템으로서,
상기 디지털 학습 교재는, 학습자의 학습 수준(level)에 맞춰 학습이 필요한 학습 단원 내의 학습 내용을 복수 개로 나눠 구성한 레슨(lesson) 단위의 자기주도학습이 이루어지도록 하는 기본 구성 체계를 갖되-여기서, 각 레슨 단위의 자기주도학습은 최소학습단위로서의 하나 이상의 학습 라운드 내에서의 유형별 문제 풀이에 의해 이루어짐-,
상기 운영 서버는,
상기 레슨 단위의 자기주도학습을 위한 디지털 학습 교재를 개인별 맞춤형으로 구성함에 있어서, 이전 학습 라운드의 해당 학습자의 학습 결과에 따라 이전 학습 라운드에서 사전 지정된 완전학습 기준을 통과한 문제 유형에 대해서는 다음 학습 라운드의 문제 출제에서 제외하고, 상기 완전학습 기준을 통과하지 못한 취약 문제 유형에 대해서만 다음 학습 라운드의 문제 출제를 통한 반복 학습이 이루어질 수 있도록 하되,
학습 라운드 내에서의 문제 유형별 완전학습 기준으로서, 각 문제 유형별로 사전 지정된 완전학습 목표 정답율의 만족여부에 따른 정확성 기준 및 각 문제 유형별로 사전 지정된 완전학습 목표 문제풀이속도 만족여부에 따른 신속성 기준을 동시 적용하여, 각 문제 유형별 완전학습 기준의 통과여부를 판단하고,
상기 정확성 기준 및 상기 신속성 기준 각각의 만족 및 불만족 여부에 따른 복습 문항 수 결정 비율을 사전에 정의해둔 복습 문항 수 결정 기준 테이블을 이용하여, 완전학습 기준을 미통과한 문제 유형에 관한 다음 학습 라운드에서의 복습 문항 수를 산출하며,
상기 레슨 단위의 학습을 시작하기 이전에, 해당 레슨의 학습에서 예상되는 예상 학습 라운드 수 및 이를 위해 소요될 것으로 예상되는 예상 학습 시간을 사전 지정된 기준에 따라 예측하고, 그 예측 결과로서 예상 학습 라운드 수 및 예상 학습 시간을 가시화하여 해당 학습자에게 사전 안내하되,
상기 해당 학습 단원 내의 차후 수행될 레슨의 예상 학습 라운드 수 및 예상 학습 시간을 예측함에 있어서,
해당 학습 단원 내의 이전 레슨 중에서 최근 수행한 소정 개수의 레슨의 학습 결과 데이터에 근거하여, 상기 소정 개수의 레슨의 학습 결과 중에서 학습 순서 상 더 최근에 수행한 레슨의 학습 결과에 대하여 더 높은 가중치를 부여하는 방식의 사전 지정된 가중치를 적용하고, 최근 수행된 각 레슨 내의 학습 라운드 수를 고려하였을 때 학습 라운드를 진행할 때마다 각 문제 유형별 정확성 및 신속성이 각각 얼마만큼씩 향상되었는지에 관한 라운드 당 실력 향상도를 함께 반영하여, 차후 수행될 레슨의 예상 학습 라운드 수 및 예상 학습 시간을 사전 지정된 예측 기준에 따라 예측하되,
차후 수행될 레슨에, 상기 최근 수행한 소정 개수의 이전 레슨들에 기 포함되어 있던 문제 유형들 중 적어도 하나가 포함되는 경우, 해당 문제 유형별 정확성 및 신속성에 상기 가중치를 반영한 값을 기준으로 상기 문제 유형별 라운드 당 실력 향상도를 함께 적용하였을 때, 상기 문제 유형별 완전학습 기준을 달성하는데 필요한 문제 유형별로의 복습 문항 수 및 예상 라운드 수, 이에 따른 예상 문제 풀이 소요 시간을 산출하고,
차후 수행될 레슨에, 상기 이전 레슨들에 포함되지 않았던 신규 문제 유형이 포함되는 경우, 신규 문제 유형의 문제 유형별 정확성 및 신속성은 상기 최근 수행한 소정 개수의 이전 레슨들에 기 포함되어 있던 문제 유형들이 각각 첫 번째 출제되었던 학습 라운드에서의 문제 유형별 정확성 및 신속성의 평균값 또는 상기 최근 수행한 소정 개수의 이전 레슨들에 기 포함되어 있던 각 문제 유형들의 문제 유형별 정확성 및 신속성에 상기 가중치를 반영한 값들의 평균값으로 예측되고, 상기 예측된 신규 문제 유형의 문제 유형별 정확성 및 신속성을 기준으로 문제 유형별 라운드 당 실력 향상도를 고려하였을 때, 상기 문제 유형별 완전학습 기준을 달성하는데 필요한 문제 유형별로의 복습 문항 수 및 예상 라운드 수, 이에 따른 예상 문제 풀이 소요 시간을 산출함으로써,
차후 수행될 레슨 전체에 대한 예상 학습 라운드 수 및 예상 학습 시간을 예측하는 것을 특징으로 하는, 개인별 맞춤형 학습 제공 시스템.
삭제
삭제
제1항에 있어서,
상기 운영 서버는,
상기 레슨 단위의 학습을 시작하기 이전에, 해당 레슨에서 학습하게 될 문제 유형들을 매트릭스 형태로 가시화하여 표출한 학습 매트릭스를 생성하여 학습 화면 상에 표시하되,
상기 레슨 단위의 학습이 완료된 이후에, 상기 학습 매트릭스 상에 표출된 문제 유형들 중 해당 학습 완료 후 완전학습된 문제 유형들에 대해서는 색상 또는 농도를 달리하여 완전학습된 문제 유형임을 학습자에게 가시화하여 보여주는 것을 특징으로 하는, 개인별 맞춤형 학습 제공 시스템.
삭제
제1항에 있어서,
상기 운영 서버는,
상기 디지털 학습 교재를 통한 학습을 처음 진행하는 신입 회원인 경우, 상기 신입 회원의 나이, 학년, 또는 학력 진단 평가 결과에 따라 동일 수준인 것으로 평가되는 타 학습자의 해당 레슨의 평균 학습 라운드 수 및 평균 학습 시간을 상기 예상 학습 라운드 수 및 예상 학습 시간으로 예측하고,
상기 디지털 학습 교재를 통한 학습 데이터가 존재하는 기존 회원인 경우로서, 신규 학습 단원 내의 첫 레슨을 시작하는 학습자의 경우, 이전 학습 단원에서 최근에 수행한 소정 개수의 레슨의 평균 학습 라운드 수 및 평균 학습 시간을 상기 예상 학습 라운드 수 및 예상 학습 시간으로 예측하는 것을 특징으로 하는, 개인별 맞춤형 학습 제공 시스템.
삭제
삭제