KR102191672B1 - 학습 분석 및 인공지능 기반 맞춤형 학습 방법 및 시스템 - Google Patents

Abstract

본 발명의 일예와 관련된 웹, 외부 서버 및 단말과 네트워크를 구축한 교육용 서버를 이용하는, 학습 분석 및 인공지능 기반 맞춤형 학습 방법에 있어서, 사용자가 상기 네트워크를 기초로 제 1 학습을 진행하는 제 1 단계; 상기 교육용 서버에서, 상기 제 1 학습 진행 결과를 수신하는 제 2 단계; 상기 교육용 서버에서, 상기 제 1 학습 진행 결과를 분석하고, 미리 지정한 학습 조건을 만족하지 못하는 상기 사용자의 제 1 취약 요소를 도출하는 제 3 단계; 상기 교육용 서버가, 미리 저장된 복수의 문항 중 상기 제 1 취약 요소와 관련된 적어도 하나의 제 1 문항을 포함하는 제 2 학습을 상기 사용자에게 제공하는 제 4 단계; 상기 교육용 서버에서, 상기 제 2 학습 진행 결과를 수신하는 제 5 단계; 상기 교육용 서버에서, 상기 제 2 학습 진행 결과를 분석하고, 상기 미리 지정한 학습 조건을 만족하지 못하는 제 2 취약 요소를 도출하는 제 6 단계; 상기 교육용 서버에서, 상기 제 2 취약 요소가 상기 제 1 취약 요소와 동일한지 여부를 판단하는 제 7 단계; 및 상기 교육용 서버가 상기 제 2 취약요소가 상기 제 1 취약 요소와 동일한지 여부에 따라 다르게 적용되는 피드백을 상기 사용자에게 제공하는 제 8 단계;를 포함할 수 있다.

Description

학습 분석 및 인공지능 기반 맞춤형 학습 방법 및 시스템 {personalized learning method based on AI(artificial intelligence) and Learner Analysis, and system}

본 발명은 학습 분석 및 인공지능 기반 맞춤형 학습 방법 및 시스템에 관한 것이다.

개인용 컴퓨터, 노트북, 휴대폰 등과 같은 단말기는 다양한 기능을 수행할 수 있도록 구성될 수 있다. 그러한 다양한 기능들의 예로 데이터 및 음성 통신 기능, 카메라를 통해 사진이나 동영상을 촬영하는 기능, 음성 저장 기능, 스피커 시스템을 통한 음악 파일의 재생 기능, 이미지나 비디오의 디스플레이 기능 등이 있다. 일부 단말기는 게임을 실행할 수 있는 추가적 기능을 포함하고, 다른 일부 단말기는 멀티미디어 기기로서 구현되기도 한다. 더욱이 최근의 단말기는 방송이나 멀티캐스트(multicast) 신호를 수신하여 비디오나 텔레비전 프로그램을 시청할 수 있다.

일반적으로 단말기는 이동 가능 여부에 따라 이동 단말기(mobile/portable terminal) 및 고정 단말기(stationary terminal)로 나뉠 수 있다. 다시 이동 단말기는 사용자의 직접 휴대 가능 여부에 따라 휴대(형) 단말기(handheld terminal) 및 거치형 단말기(vehicle mount terminal)로 나뉠 수 있다.

이와 같은 단말기(terminal)는 기능이 다양화됨에 따라 예를 들어, 사진이나 동영상의 촬영, 음악이나 동영상 파일의 재생, 게임, 방송의 수신 등의 복합적인 기능들을 갖춘 멀티미디어 기기(Multimedia player) 형태로 구현되고 있다.

이러한 단말기의 기능 지지 및 증대를 위해, 단말기의 구조적인 부분 및/또는 소프트웨어적인 부분을 개량하는 것이 고려될 수 있다.

이러한 단말을 통해 제공되는 컨텐츠를 기초로 사용자들에 대한 교육이 빈번하게 수행되고 있다.

단, 현재 적용되는 방법 및 시스템에서는 교육 컨텐츠만을 일방향으로 사용자들에게 제공할 뿐이고, 학습 이벤트에 따른 사용자의 피드백을 반영한 교육은 이루어지지 못하다는 문제점이 있다.

예를 들어, 종래의 방법에서는, 언제 로그인하고 로그아웃/타임아웃 했는지. 시험과 평가문항을 어떻게 이용하고 있는지, 자동 채점되는 시험점수는 어떻게 되는지, 오늘의 학습을 얼마나, 어떻게 이용하고 있는지, 어떤 동영상 자료를 어떻게 이용하고 있는지, 교육 중에 어떤 질문이나 태그를 달고 있는지, 어떤 순서로 컨텐츠를 이용하고 있으며, 어떤 자료들을 보고 있는지, 어떤 어플리케이션들을 이용하고 있는지, 적립 현황, 캐릭터 변경, 검색 키워드는 무엇인지 등에 대해 사용자 맞춤형으로 선별된 정보를 제공받는 것은 어렵다는 문제점이 있다.

이러한 개인 맞춤형 학습은 학습자의 능력과 특성에 맞춰, 지능적으로 콘텐츠와 서비스를 제공하여 편리하고 효율적으로 학습 효과를 증대하는 기술이다.

종래 상용화되었던 맞춤형 학습 기술들은 학습 콘텐츠 간의 연계에 의존하거나, 틀린 문제의 개수를 단순하게 세어서 취약한 개념을 진단하는 정도에 그쳐, 학습자의 학습 능력 진단이 정교하지 않은 문제점도 존재하였다.

즉, 개인화된 맞춤형 학습을 제공하고자 하는 경우에도, 정확하지 않은 학습 능력 진단에 근거하게 됨으로써, 맞춤형 학습 시스템의 효율성 및 신뢰성을 확보하지 못하는 한계점이 있어 왔다.

따라서 이를 해결할 수 있는 학습 방법 및 시스템에 대한 니즈가 높아지고 있는 실정이다.

(1) 대한민국 특허청 출원번호 제10-2018-0002730호 (2) 대한민국 특허청 출원번호 제10-2016-0161796호

본 발명은 상기 종래의 문제점을 해소하기 위해, 본 발명은 학습 분석 및 인공지능 기반 맞춤형 학습 방법 및 시스템을 제안하고자 한다.

구체적으로 본 발명은 사용자가 네트워크를 기초로 제 1 학습을 진행하는 경우, 상기 교육용 서버는, 상기 제 1 학습 진행 결과를 수신하고, 상기 제 1 학습 진행 결과를 분석하고, 미리 지정한 학습 조건을 만족하지 못하는 상기 사용자의 제 1 취약 요소를 도출하며, 미리 저장된 복수의 문항 중 상기 제 1 취약 요소와 관련된 적어도 하나의 제 1 문항을 포함하는 제 2 학습을 상기 사용자에게 제공하고, 상기 제 2 학습 진행 결과를 수신하는 경우, 상기 교육용 서버는, 상기 제 2 학습 진행 결과를 분석하고, 상기 미리 지정한 학습 조건을 만족하지 못하는 제 2 취약 요소를 도출하며, 상기 제 2 취약 요소가 상기 제 1 취약 요소와 동일한지 여부를 판단하고, 상기 제 2 취약요소가 상기 제 1 취약 요소와 동일한지 여부에 따라 다르게 적용되는 피드백을 상기 사용자에게 제공하는 학습 분석 및 인공지능 기반 맞춤형 학습 방법 및 시스템을 제안하고자 한다.

다만, 본 발명에서 이루고자 하는 기술적 과제들은 이상에서 언급한 기술적 과제들로 제한되지 않으며, 언급하지 않은 또 다른 기술적 과제들은 아래의 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.

상술한 과제를 실현하기 위한 본 발명의 일예와 관련된 웹, 외부 서버 및 단말과 네트워크를 구축한 교육용 서버를 이용하는, 학습 분석 및 인공지능 기반 맞춤형 학습 방법에 있어서, 사용자가 상기 네트워크를 기초로 제 1 학습을 진행하는 제 1 단계; 상기 교육용 서버에서, 상기 제 1 학습 진행 결과를 수신하는 제 2 단계; 상기 교육용 서버에서, 상기 제 1 학습 진행 결과를 분석하고, 미리 지정한 학습 조건을 만족하지 못하는 상기 사용자의 제 1 취약 요소를 도출하는 제 3 단계; 상기 교육용 서버가, 미리 저장된 복수의 문항 중 상기 제 1 취약 요소와 관련된 적어도 하나의 제 1 문항을 포함하는 제 2 학습을 상기 사용자에게 제공하는 제 4 단계; 상기 교육용 서버에서, 상기 제 2 학습 진행 결과를 수신하는 제 5 단계; 상기 교육용 서버에서, 상기 제 2 학습 진행 결과를 분석하고, 상기 미리 지정한 학습 조건을 만족하지 못하는 제 2 취약 요소를 도출하는 제 6 단계; 상기 교육용 서버에서, 상기 제 2 취약 요소가 상기 제 1 취약 요소와 동일한지 여부를 판단하는 제 7 단계; 및 상기 교육용 서버가 상기 제 2 취약요소가 상기 제 1 취약 요소와 동일한지 여부에 따라 다르게 적용되는 피드백을 상기 사용자에게 제공하는 제 8 단계;를 포함할 수 있다.

또한, 상기 제 8 단계에서, 상기 제 2 취약요소가 상기 제 1 취약 요소와 상이한 경우에는, 상기 교육용 서버가, 미리 저장된 복수의 문항 중 상기 제 2 취약 요소와 관련된 적어도 하나의 제 2 문항을 포함하는 제 3 학습을 상기 사용자에게 제공하고, 상기 제 2 취약요소가 상기 제 1 취약 요소와 동일한 경우에는, 상기 교육용 서버가, 상기 제 3 학습을 상기 사용자에게 제공하지 않고, 상기 제 2 취약요소가 상기 제 1 취약 요소와 동일하다는 정보만을 획득할 수 있다.

또한, 상기 제 8 단계 이후에는, 상기 교육용 서버에서, 상기 사용자가 상기 제 2 학습을 수행하였는지 여부를 판단하는 제 9 단계;를 더 포함할 수 있다.

또한, 상기 제 9 단계에서, 상기 사용자가 상기 제 2 학습을 수행한 경우, 상기 교육용 서버가 상기 제 2 학습 진행 결과를 분석하여, 상기 사용자가 맞춘 문항과 틀린 문항을 구분하는 제 10 단계;를 더 포함할 수 있다.

또한, 상기 제 10 단계에서 틀린 문항이 존재하는 경우, 상기 틀린 문항과 관련된 취약요소가 상기 제 1 취약 요소 및 상기 제 2 취약요소 중 적어도 하나와 동일한지 여부를 판단하는 제 11 단계;를 더 포함할 수 있다.

또한, 상기 틀린 문항과 관련된 취약요소가 상기 제 1 취약 요소 및 상기 제 2 취약요소 중 적어도 하나와 동일한 경우, 상기 교육용 서버가 상기 제 2 학습 및 상기 제 3 학습 중 적어도 하나를 상기 사용자에게 제공하는 제 12-1 단계;를 더 포함할 수 있다.

또한, 상기 제 10 단계에서 틀린 문항이 존재하지 않는 경우, 상기 교육용 서버가, 상기 제 1 취약 요소 및 상기 제 2 취약요소와 연관된 제 3 취약요소를 도출하는 제 11 단계; 및 상기 교육용 서버가, 미리 저장된 복수의 문항 중 상기 제 3 취약 요소와 관련된 적어도 하나의 제 3 문항을 포함하는 제 4 학습을 상기 사용자에게 제공하는 제 12 단계;를 더 포함할 수 있다.

또한, 상기 제 9 단계 이후에는, 상기 교육용 서버에서, 상기 사용자가 상기 제 3 학습을 수행하였는지 여부를 판단하는 제 10 단계;를 더 포함할 수 있다.

또한, 상기 제 10 단계에서, 상기 사용자가 상기 제 3 학습을 수행한 경우, 상기 교육용 서버가 상기 제 3 학습 진행 결과를 분석하여, 상기 사용자가 맞춘 문항과 틀린 문항을 구분하는 제 11 단계;를 더 포함할 수 있다.

또한, 상기 제 11 단계에서 틀린 문항이 존재하는 경우, 상기 틀린 문항과 관련된 취약요소가 상기 제 1 취약 요소 및 상기 제 2 취약요소 중 적어도 하나와 동일한지 여부를 판단하는 제 12 단계; 상기 틀린 문항과 관련된 취약요소가 상기 제 1 취약 요소 및 상기 제 2 취약 요소 중 적어도 하나와 동일한 경우, 상기 교육용 서버가, 미리 저장된 복수의 문항 중 상기 제 1 취약 요소 및 상기 제 2 취약 요소와 관련되고, 상기 제 1 문항 및 상기 제 2 문항과 다른, 제 4 문항을 결정하고, 상기 제 4 문항을 포함하는 제 5 학습을 상기 사용자에게 제공하는 제 13 단계;를 더 포함할 수 있다.

또한, 상기 제 10 단계 이후에는, 상기 교육용 서버가 상기 사용자의 전체 학습과 관련된 결과 레포트를 생성하고, 상기 생성한 레포트를 상기 사용자에게 제공하는 제 11 단계;를 더 포함할 수 있다.

한편, 상술한 과제를 실현하기 위한 본 발명의 다른 일예와 관련된 웹, 외부 서버 및 단말과 네트워크를 구축한 교육용 서버에 있어서, 사용자가 상기 네트워크를 기초로 제 1 학습을 진행하는 경우, 상기 교육용 서버는, 상기 제 1 학습 진행 결과를 수신하고, 상기 제 1 학습 진행 결과를 분석하고, 미리 지정한 학습 조건을 만족하지 못하는 상기 사용자의 제 1 취약 요소를 도출하며, 미리 저장된 복수의 문항 중 상기 제 1 취약 요소와 관련된 적어도 하나의 제 1 문항을 포함하는 제 2 학습을 상기 사용자에게 제공하고, 상기 제 2 학습 진행 결과를 수신하는 경우, 상기 교육용 서버는, 상기 제 2 학습 진행 결과를 분석하고, 상기 미리 지정한 학습 조건을 만족하지 못하는 제 2 취약 요소를 도출하며, 상기 제 2 취약 요소가 상기 제 1 취약 요소와 동일한지 여부를 판단하고, 상기 제 2 취약요소가 상기 제 1 취약 요소와 동일한지 여부에 따라 다르게 적용되는 피드백을 상기 사용자에게 제공할 수 있다.

상기와 같이 구성되는 본 발명의 적어도 하나의 실시예는 인공지능 기반 맞춤형 학습 방법 및 시스템을 제공할 수 있다.

구체적으로 본 발명에 따르면, 빅데이터와 AI 기술을 활용한 교과별 맞춤형 학습 서비스들은 개별 학습자의 취약점을 진단해서 구체적인 처방을 해주고 있으며, 학습성과를 예측해서 효율적인 학습 계획을 수립하고, 흥미를 유발하는 게임적인 요소들을 가미하면서 교과별 학습 서비스의 새로운 표준을 제시할 수 있다.

즉, 본 발명은 교육과정을 넘어서 교과별 개념을 단위 지식으로 세분화 할 수 있는데, 예를 들어 교육과정과 독립적으로 수학의 개념을 더 이상 분해할 수 없는 수천 여개의 단위 지식으로 체계화한 후에, 교육과정의 주제들을 관련된 단위 지식의 묶음으로 연결하여 서비스 유연성 강화를 도모할 수 있다.

또한, 본 발명에 따르면, 취약점 진단을 위한 기준 정보도 단위지식으로 변경할 수 있는데, 기존의 단원평가 성적을 기준으로 취약점을 진단하던 방식에서 보다 세부적인 단위 지식으로 취약점을 분석하면서 상세한 처방이 가능해질 수 있다.

또한, 본 발명에 따르면, 학습 경로를 설계하는 단위도 지식맵으로 표현할 수 있는데, 교육과정의 단원과 주제 순서로 학습하는 것도 가능하지만, 역량기반 교육(Competency-Based Education; CBE)을 위해 단위 지식을 중심으로 학습 경로를 설계하여 개인별로 다른 학습 계획과 분량을 조절할 수 있다.

다음으로, 본 발명에 따르면, 빅데이터와 AI를 이용한 교육 서비스들 통해, 맞춤형 학습 플랫폼(Adaptive Learning Platform)의 구성요소들을 단계적으로 제시할 수 있다.

구체적으로 본 발명에 따르면, 문제풀이 과정을 상세히 분석할 수 있다.

즉, 학습자가 시험지의 문항들을 풀 때마다 풀이 시간, 정/오답, 해설 강의 재생 등 전 과정을 빅데이터로 수집하여 대시보드 형태로 정보 제공하는 것이 가능하다.

현재, 대부분 시스템 로그와 데이터베이스의 메타데이터를 조합하여 분석하는 데이터 마이닝 방식을 적용하고 있으나 본 발명에서는 오답이 발생한 원인, 즉 취약 지식에 대한 분석과 수학을 포함한 교과별 성취도 분석 결과를 제공하는 것이 가능하다.

또한, 본 발명에 따르면, AI의 추론 기능을 통해 학습 성과와 정/오답 제출 가능성을 예측하는 것이 가능하다.

구체적으로, 취약점 분석 결과와 축적된 학습 데이터를 이용해서 정/오답 제출 가능성과 학습 성과를 예측할 수 있다.

또한, AI가 최적화된 학습 경로와 콘텐츠(문항)을 추천할 수 있다.

본 발명에 따르면, 개인별 취약 지식에 대해서는 연속적인 유사 문제와 쌍둥이 문제들로 단기간에 취약점을 극복하는 상호작용형 추천 서비스 제공이 가능하다.

또한, 본 발명에 따르면, 개인별 문제집을 구성할 수 있는 추천 및 출제 기능을 통해 PoD(Print-on-Demand) 서비스를 제공할 수 있다.

또한, 본 발명에 따르면, OCR(Optical Character Recognition) 기술을 이용해서 수식과 문자를 인식하는 인터페이스, 필기 인식을 통해 수식을 표현하는 인터페이스, 그래프를 시뮬레이션하는 서비스 등으로 첨단화하는 것이 가능하다.

구체적으로, 본 발명에서는, 문제를 사진으로 찍어서 검색(OCR)할 수 있다.

즉, 문제집의 인쇄된 문항이나 손으로 필기한 문항을 사진으로 찍으면 AI가 축적된 데이터베이스에서 정답과 문제풀이 과정을 검색해서 실시간으로 제공해주는 서비스 제공이 가능하다.

현재는 인식과 검색 경쟁력에 집중하고 있으며, 예측과 추천 등 맥락적인 서비스 요소는 미흡한 바 본 발명에서는, 필기 인식을 통한 수식 표현 등도 제공할 수 있다.

즉, 복잡한 수식을 터치인터페이스에 필기하면 AI가 인식하여 정규 수식으로 표현 및 실시간 연산을 거쳐 정답을 제시할 수 있다.

또한, 본 발명에서는 직관적인 그래프 시뮬레이션을 제공한다.

구체적으로, 복잡한 함수도 바로 그래프로 표현하고 계수와 변수들을 조절하면서 그래프의 변화를 즉시 확인할 수 있어서 취약점 극복에 효과적이다.

또한, 본 발명은 데이터 수집 체계를 기준으로, 문항 반응 모델을 수립하고, 머신 러닝을 적용하여 성취 수준(역량)에 따라 개인화된 학습 경로와 컨텐츠/자원을 제공하며, 학습자, 교사 및 학부모에 구체적이고 개인화된 피드백(처방)을 제공하고, 학습자의 학습 성과를 진단하여 문제점을 조기에 발견 및 해소할 수 있는 학습 분석 방법 및 시스템을 사용자에게 제공할 수 있다.

또한, 본 발명은 단체 시험 및 개인별 문제에 대한 학습자의 풀이 결과로부터, 학습자의 개념별 이해 여부를 정확하게 진단하고 피드백함으로써, 취약 개념에 대한 파악 및 취약 개념에 대한 학습 콘텐츠 자동 선별 추천이 가능하여, 맞춤형 학습의 효율성 및 신뢰성이 증대되는 효과가 있다.

또한, 본 발명은 온라인 강의 내용을 수강자가 보다 효율적이고 몰입도를 가지면서 온라인 강의에 참여할 수 있도록 하는 동시에 수강 확인 및 몰입도를 산출하여 그에 따른 수강 평가 및 이에 대한 피드백을 제공하여 체계적인 온라인 수강이 일어날 수 있도록 하는 효과가 있다.

다만, 본 발명에서 얻을 수 있는 효과는 이상에서 언급한 효과들로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 아래의 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.

도 1은 본 발명과 관련하여, 초중고 학생들의 사교육비 변화 추이를 설명하는 도면이다.
도 2는 본 발명과 관련하여, 연도별 1인당 월평균 사교육비와 학교급별 1인당 월평균 사교육비를 설명하기 위한 도면이다.
도 3은 본 발명과 관련된 학습 분석 시스템의 블록 구성도(block diagram)를 도시한 것이다.
도 4는 본 발명과 관련된 학습 분석 시스템의 구성 요소 및 서비스를 설명하는 방법을 함께 도시한 것이다.
도 5는 본 발명과 관련하여, 기능 관점에서의 프레임 워크의 일례를 도시한 것이다.
도 6은 본 발명과 관련하여, 시스템 관점에서의 프레임 워크의 일례를 도시한 것이다.
도 7은 본 발명과 관련하여, 문제은행과 지식맵을 구축하는 일례를 도시한 것이다.
도 8은 본 발명과 관련하여, 문제은행과 지식맵을 구축하는 다른 일례를 도시한 것이다.
도 9는 본 발명과 관련하여, 문제은행과 지식맵을 구축하는 또 다른 일례를 도시한 것이다.
도 10은 본 발명과 관련하여, 문항개발 전략과 자동문항생성의 일례를 도시한 것이다.
도 11은 본 발명과 관련하여, 문항개발 전략과 자동문항생성의 다른 일례를 도시한 것이다.
도 12는 본 발명과 관련하여, 맞춤학습환경과 e포트폴리오의 일례를 도시한 것이다.
도 13은 본 발명과 관련하여, 학습 분석과 AI 기반 예측 및 추론의 일례를 도시한 것이다.
도 14는 본 발명과 관련하여, 학습 분석과 AI 기반 예측 및 추론의 다른 일례를 도시한 것이다.
도 15는 본 발명과 관련하여, 학습 분석과 AI 기반 예측 및 추론을 설명하는 순서도의 일례를 도시한 것이다.
도 16은 본 발명과 관련하여, 학습 분석과 AI 기반 예측 및 추론에서 예측 모델의 일례를 도시한 것이다.
도 17은 본 발명과 관련하여, 학습 분석과 AI 기반 예측 및 추론에서 추천 모델의 일례를 도시한 것이다.
도 18은 본 발명과 관련하여, 학습 분석과 AI 기반 예측 및 추론의 구현 일례를 도시한 것이다.

본 발명과 관련된 시장

도 1은 본 발명과 관련하여, 초중고 학생들의 사교육비 변화 추이를 설명하는 도면이다.

도 1을 참조하면, 2017년 사교육비 총액은 약 18조 6000억원으로, 2016년 18조 1000억원에 비해 5620억원(3.1%↑) 증가하였다.

구체적으로, 교과 사교육비 총액은 13조 6000억원이며, 이 중 영어가 5조 4250억원, 수학은 5조 3931억원, 국어는1조2577억원의 순으로 사교육비를 많이 지출하였다.

또한, 월평균 교과 사교육비는 영어 7만9000원(0.5%↑), 수학 7만8000원(3.3%↑), 국어 1만8000원(14.2%↑), 사회·과학은 1만1000원(8.5%↑) 이다.

또한, 과목별 성장 특징은 국어가 14.2%로 상승폭이 가장 컸고, 수학은 3.3%, 영어는 0.5% 각각 증가하였으면, 영어 사교육 시장은 규모 자체는 여전히 크지만 다른 과목에 비해 성장이 정체된 것으로 보이지만, 2018 대학수학능력시험에서 영어만 절대평가로 전환한 풍선효과라는 지적이 있다.

전체 사교육비 지출 규모 중 수학이 차지하는 비중은 약 29%. 따라서 수학 사교육비 총액은 약 5.4조로 볼 수 있다.

한편, 도 4는 본 발명과 관련하여, 연도별 1인당 월평균 사교육비와 학교급별 1인당 월평균 사교육비를 설명하기 위한 도면이다.

도 4를 참조하면, 학교급별 사교육 참여율은 초등학생이 82.3%(2.4%p↑)로 가장 많았고, 중학생 66.4%(2.5%p↑), 고등학생 55.0%(2.6%p↑)순이었다.　

또한, 최근 학생·학부모의 예술·체육 분야에 대한 관심과 학습욕구가 증대해 사교육비 총액 중 예체능 및 취미·교양 사교육이 차지하는 비중이 5년 만에 9%p 상승(2012년 18% → 2017년 27%)했다.

예체능 및 취미·교양의 월평균 사교육비를 학교급별로 보면 초등학생 10만7000원(7000원↑), 중학생 3만5000원(7000원↑), 고등학생 4만5000원(8000원↑)이었다.　

세부 과목별로는 월평균 사교육비가 음악 2만4000원(1000원, 5.3%↑), 미술 1만1000원(1000원, 10.3%↑), 체육 2만8000원(4000원, 17.0%↑), 취미·교양 7000원(2000원, 31.2%↑)이었다.

중학생의 경우 음악(23.3%↑)·미술,(67.0%↑) 고등학생은 체육 및 취미(77.4%↑)·교양(54.9%↑) 1인당 월평균 사교육비가 크게 증가한 것이 눈에 띈다.

교육부는 이같이 사교육비 총액이 전반적으로 확대된 이유로는 예술·체육에 대한 관심 증대로 인한 예체능 및 취미·교양 사교육비의 증가, 취미·교양·재능개발 및 보육 등 사교육 목적의 다양화로 분석된다.

사교육 수강목적으로는 교과의 경우 학교수업 보충·심화(48.8%) > 선행학습(20.9%) > 진학준비(17.0%) > 불안심리(5.2%) > 기타(3.0%) 순으로 선행학습이나 진학준비를 위한 사교육을 보이고 있다.

월평균 소득 700만원 이상 가구의 월평균 사교육비가 45만5000원, 200만원 미만 가구는 9만3000원으로, 사교육 참여율의 경우 월평균 소득 700만원 이상 가구의 참여율은 전년(81.9%) 대비 1.7%p 상승한 83.6%, 200만원 미만 가구는 전년(40.2%) 대비 2.9%p 상승한 43.1%를 보였다.

지역별 지출 규모는 서울(39.0만원), 대구(30.0만원), 경기(28.6만원) 순이며, 전남(15.7만원)이 가장 낮고, 참여율에서도 서울(76.7%)이 가장 높았고, 세종(74.0%), 대구(73.6%) 순이었다.

학습 분석 시스템 및 서비스

먼저, 본 발명과 관련된 학습 분석 방법 및 시스템을 제안하고자 한다.

구체적으로 본 발명은 데이터 수집 체계를 기준으로, 문항 반응 모델을 수립하고, 머신 러닝을 적용하여 성취 수준(역량)에 따라 개인화된 학습 경로와 컨텐츠/자원을 제공하며, 학습자, 교사 및 학부모에 구체적이고 개인화된 피드백(처방)을 제공하고, 학습자의 학습 성과를 진단하여 문제점을 조기에 발견 및 해소할 수 있는 학습 분석 방법 및 시스템을 제안하고자 한다.

이하의 설명에서 사용되는 구성요소에 대한 접미사 "모듈" 및 "부"는 명세서 작성의 용이함만이 고려되어 부여되거나 혼용되는 것으로서, 그 자체로 서로 구별되는 의미 또는 역할을 갖는 것은 아니다.

도 3은 본 발명의 일 실시예와 관련된 학습 분석 시스템의 블록 구성도(block diagram)를 도시한 것이다.

도 3을 참조하면, 학습 분석 시스템(10)은 단말(100)과 서버(200)를 포함할 수 있다.

먼저, 단말(100)은 무선 통신부(110), A/V(Audio/Video) 입력부(120), 사용자 입력부(130), 센싱부(140), 출력부(150), 메모리(160), 인터페이스부(170), 제어부(180) 및 전원 공급부(190) 등을 포함할 수 있다.

단, 도 3에 도시된 구성요소들이 필수적인 것은 아니어서, 그보다 많은 구성요소들을 갖거나 그보다 적은 구성요소들을 갖는 학습 분석 시스템이 구현될 수도 있다.

이하, 상기 구성요소들에 대해 차례로 살펴본다.

무선 통신부(110)는 학습 분석 시스템과 무선 통신 시스템 사이 또는 기기와 기기가 위치한 네트워크 사이의 무선 통신을 가능하게 하는 하나 이상의 모듈을 포함할 수 있다.

예를 들어, 무선 통신부(110)는 이동통신 모듈(112), 무선 인터넷 모듈(113), 근거리 통신 모듈(114) 및 위치정보 모듈(115) 등을 포함할 수 있다.

방송 수신 모듈(111)은 방송 채널을 통하여 외부의 방송 관리 서버로부터 방송 신호 및/또는 방송 관련된 정보를 수신한다.

상기 방송 채널은 위성 채널, 지상파 채널을 포함할 수 있다. 상기 방송 관리 서버는, 방송 신호 및/또는 방송 관련 정보를 생성하여 송신하는 서버 또는 기 생성된 방송 신호 및/또는 방송 관련 정보를 제공받아 단말기에 송신하는 서버를 의미할 수 있다. 상기 방송 신호는, TV 방송 신호, 라디오 방송 신호, 데이터 방송 신호를 포함할 뿐만 아니라, TV 방송 신호 또는 라디오 방송 신호에 데이터 방송 신호가 결합한 형태의 방송 신호도 포함할 수 있다.

상기 방송 관련 정보는, 방송 채널, 방송 프로그램 또는 방송 서비스 제공자에 관련한 정보를 의미할 수 있다. 상기 방송 관련 정보는, 이동통신망을 통하여도 제공될 수 있다. 이러한 경우에는 상기 이동통신 모듈(112)에 의해 수신될 수 있다.

상기 방송 관련 정보는 다양한 형태로 존재할 수 있다. 예를 들어, DMB(Digital Multimedia Broadcasting)의 EPG(Electronic Program Guide) 또는 DVB-H(Digital Video Broadcast-Handheld)의 ESG(Electronic Service Guide) 등의 형태로 존재할 수 있다.

상기 방송 수신 모듈(111)은, 예를 들어, DMB-T(Digital Multimedia Broadcasting-Terrestrial), DMB-S(Digital Multimedia Broadcasting-Satellite), MediaFLO(Media Forward Link Only), DVB-H(Digital Video Broadcast-Handheld), DVB-CBMS, OMA-BCAST, ISDB-T(Integrated Services Digital Broadcast-Terrestrial) 등의 디지털 방송 시스템을 이용하여 디지털 방송 신호를 수신할 수 있다. 물론, 상기 방송 수신 모듈(111)은, 상술한 디지털 방송 시스템뿐만 아니라 다른 방송 시스템에 적합하도록 구성될 수도 있다.

방송 수신 모듈(111)을 통해 수신된 방송 신호 및/또는 방송 관련 정보는 메모리(160)에 저장될 수 있다.

이동통신 모듈(112)은, 이동 통신망 상에서 기지국, 외부의 단말, 서버 중 적어도 하나와 무선 신호를 송수신한다. 상기 무선 신호는, 음성 호 신호, 화상 통화 호 신호 또는 문자/멀티미디어 메시지 송수신에 따른 다양한 형태의 데이터를 포함할 수 있다.

무선 인터넷 모듈(113)은 무선 인터넷 접속을 위한 모듈을 말하는 것으로, 단말(100)에 내장되거나 외장될 수 있다.

상기 무선 인터넷의 기술로는 WLAN(Wireless LAN)(Wi-Fi), Wibro(Wireless broadband), Wimax(World Interoperability for Microwave Access), HSDPA(High Speed Downlink Packet Access) 등이 이용될 수 있다.

근거리 통신 모듈(114)은 근거리 통신을 위한 모듈을 말한다. 상기 근거리 통신(short range communication)의 기술로는 블루투스(Bluetooth), RFID(Radio Frequency Identification), 적외선 통신(IrDA, infrared Data Association), UWB(Ultra-Wideband), ZigBee 등이 이용될 수 있다.

위치 정보 모듈(115)은 단말(100)의 위치를 획득하기 위한 모듈로서, 그의 대표적인 예로는 GPS(Global Position System) 모듈이 있다. 현재 기술에 의하면, 상기 GPS모듈(115)은 3개 이상의 위성으로부터 떨어진 거리 정보와 정확한 시간 정보를 산출한 다음 상기 산출된 정보에 삼각법을 적용함으로써, 위도, 경도, 및 고도에 따른 3차원의 현 위치 정보를 정확히 산출할 수 있다. 현재, 3개의 위성을 이용하여 위치 및 시간 정보를 산출하고, 또다른 1개의 위성을 이용하여 상기 산출된 위치 및 시간 정보의 오차를 수정하는 방법이 널리 사용되고 있다. 또한, GPS 모듈(115)은 현 위치를 실시간으로 계속 산출함으로써 속도 정보를 산출할 수 있다.

도 3을 참조하면, A/V(Audio/Video) 입력부(120)는 오디오 신호 또는 비디오 신호 입력을 위한 것으로, 이에는 카메라(121)와 마이크(122) 등이 포함될 수 있다.

카메라(121)는 촬영 모드에서 이미지 센서에 의해 얻어지는 정지영상 또는 동영상 등의 화상 프레임을 처리하고, 처리된 화상 프레임은 디스플레이부(151)에 표시될 수 있다.

카메라(121)에서 처리된 화상 프레임은 메모리(160)에 저장되거나 무선 통신부(110)를 통하여 외부로 전송될 수 있다.

카메라(121)는 사용 환경에 따라 2개 이상이 구비될 수도 있다.

마이크(122)는 녹음모드, 음성인식 모드 등에서 마이크로폰(Microphone)에 의해 외부의 음향 신호를 입력 받아 전기적인 음성 데이터로 처리한다.

처리된 음성 데이터는 이동통신 모듈(112)을 통하여 이동통신 기지국으로 송신 가능한 형태로 변환되어 출력될 수 있다.

마이크(122)에는 외부의 음향 신호를 입력 받는 과정에서 발생되는 잡음(noise)을 제거하기 위한 다양한 잡음 제거 알고리즘이 구현될 수 있다.

다음으로, 사용자 입력부(130)는 사용자가 학습 분석 시스템의 동작 제어를 위한 입력 데이터를 발생시킨다. 사용자 입력부(130)는 키 패드(key pad) 돔 스위치 (dome switch), 터치 패드(정압/정전), 조그 휠, 조그 스위치 등으로 구성될 수 있다.

센싱부(140)는 학습 분석 시스템의 개폐 상태, 학습 분석 시스템의 위치, 사용자 접촉 유무, 학습 분석 시스템의 방위, 학습 분석 시스템의 가속/감속 등과 같이 학습 분석 시스템의 현 상태를 감지하여 학습 분석 시스템의 동작을 제어하기 위한 센싱 신호를 발생시킨다.

센싱부(140)는 전원 공급부(190)의 전원 공급 여부, 인터페이스부(170)의 외부 기기 결합 여부 등을 센싱할 수도 있다.

한편, 출력부(150)는 시각, 청각 또는 촉각 등과 관련된 출력을 발생시키기 위한 것으로, 이에는 디스플레이부(151), 음향 출력 모듈(152), 알람부(153), 햅틱 모듈(154) 및 프로젝터 모듈(155), 헤드업 디스플레이(head-up display, HUD), 헤드 마운티드 디스플레이(head mounted display, HMD) 등이 포함될 수 있다.

디스플레이부(151)는 학습 분석 시스템에서 처리되는 정보를 표시(출력)한다.

디스플레이부(151)는 액정 디스플레이(liquid crystal display, LCD), 박막 트랜지스터 액정 디스플레이(thin film transistor-liquid crystal display, TFT LCD), 유기 발광 다이오드(organic light-emitting diode, OLED), 플렉시블 디스플레이(flexible display), 3차원 디스플레이(3D display) 중에서 적어도 하나를 포함할 수 있다.

이들 중 일부 디스플레이는 그를 통해 외부를 볼 수 있도록 투명형 또는 광투과형으로 구성될 수 있다. 이는 투명 디스플레이라 호칭될 수 있는데, 상기 투명 디스플레이의 대표적인 예로는 TOLED(Transparant OLED) 등이 있다. 디스플레이부(151)의 후방 구조 또한 광 투과형 구조로 구성될 수 있다. 이러한 구조에 의하여, 사용자는 학습 분석 시스템 바디의 디스플레이부(151)가 차지하는 영역을 통해 학습 분석 시스템 바디의 후방에 위치한 사물을 볼 수 있다.

학습 분석 시스템의 구현 형태에 따라 디스플레이부(151)이 2개 이상 존재할 수 있다. 예를 들어, 학습 분석 시스템에는 복수의 디스플레이부들이 하나의 면에 이격되거나 일체로 배치될 수 있고, 또한 서로 다른 면에 각각 배치될 수도 있다.

디스플레이부(151)와 터치 동작을 감지하는 센서(이하, '터치 센서'라 함)가 상호 레이어 구조를 이루는 경우(이하, '터치 스크린'이라 함)에, 디스플레이부(151)는 출력 장치 이외에 입력 장치로도 사용될 수 있다. 터치 센서는, 예를 들어, 터치 필름, 터치 시트, 터치 패드 등의 형태를 가질 수 있다.

터치 센서는 디스플레이부(151)의 특정 부위에 가해진 압력 또는 디스플레이부(151)의 특정 부위에 발생하는 정전 용량 등의 변화를 전기적인 입력신호로 변환하도록 구성될 수 있다. 터치 센서는 터치 되는 위치 및 면적뿐만 아니라, 터치 시의 압력까지도 검출할 수 있도록 구성될 수 있다.

터치 센서에 대한 터치 입력이 있는 경우, 그에 대응하는 신호(들)는 터치 제어기로 보내진다. 터치 제어기는 그 신호(들)를 처리한 다음 대응하는 데이터를 제어부(180)로 전송한다. 이로써, 제어부(180)는 디스플레이부(151)의 어느 영역이 터치 되었는지 여부 등을 알 수 있게 된다.

상기 근접 센서(141)는 상기 터치스크린에 의해 감싸지는 학습 분석 시스템의 내부 영역 또는 상기 터치 스크린의 근처에 배치될 수 있다. 상기 근접 센서는 소정의 검출면에 접근하는 물체, 혹은 근방에 존재하는 물체의 유무를 전자계의 힘 또는 적외선을 이용하여 기계적 접촉이 없이 검출하는 센서를 말한다. 근접 센서는 접촉식 센서보다는 그 수명이 길며 그 활용도 또한 높다.

상기 근접 센서의 예로는 투과형 광전 센서, 직접 반사형 광전 센서, 미러 반사형 광전 센서, 고주파 발진형 근접 센서, 정전용량형 근접 센서, 자기형 근접 센서, 적외선 근접 센서 등이 있다. 상기 터치스크린이 정전식인 경우에는 상기 포인터의 근접에 따른 전계의 변화로 상기 포인터의 근접을 검출하도록 구성된다. 이 경우 상기 터치 스크린(터치 센서)은 근접 센서로 분류될 수도 있다.

이하에서는 설명의 편의를 위해, 상기 터치스크린 상에 포인터가 접촉되지 않으면서 근접되어 상기 포인터가 상기 터치스크린 상에 위치함이 인식되도록 하는 행위를 "근접 터치(proximity touch)"라고 칭하고, 상기 터치스크린 상에 포인터가 실제로 접촉되는 행위를 "접촉 터치(contact touch)"라고 칭한다. 상기 터치스크린 상에서 포인터로 근접 터치가 되는 위치라 함은, 상기 포인터가 근접 터치될 때 상기 포인터가 상기 터치스크린에 대해 수직으로 대응되는 위치를 의미한다.

상기 근접센서는, 근접 터치와, 근접 터치 패턴(예를 들어, 근접 터치 거리, 근접 터치 방향, 근접 터치 속도, 근접 터치 시간, 근접 터치 위치, 근접 터치 이동 상태 등)을 감지한다. 상기 감지된 근접 터치 동작 및 근접 터치 패턴에 상응하는 정보는 터치 스크린상에 출력될 수 있다.

음향 출력 모듈(152)은 녹음 모드, 음성인식 모드, 방송수신 모드 등에서 무선 통신부(110)로부터 수신되거나 메모리(160)에 저장된 오디오 데이터를 출력할 수 있다.

음향 출력 모듈(152)은 학습 분석 시스템에서 수행되는 기능과 관련된 음향 신호를 출력하기도 한다. 이러한 음향 출력 모듈(152)에는 리시버(Receiver), 스피커(speaker), 버저(Buzzer) 등이 포함될 수 있다.

알람부(153)는 학습 분석 시스템의 이벤트 발생을 알리기 위한 신호를 출력한다.

알람부(153)는 비디오 신호나 오디오 신호 이외에 다른 형태, 예를 들어 진동으로 이벤트 발생을 알리기 위한 신호를 출력할 수도 있다.

상기 비디오 신호나 오디오 신호는 디스플레이부(151)나 음성 출력 모듈(152)을 통해서도 출력될 수 있어서, 그들(151,152)은 알람부(153)의 일부로 분류될 수도 있다.

햅틱 모듈(haptic module)(154)은 사용자가 느낄 수 있는 다양한 촉각 효과를 발생시킨다. 햅틱 모듈(154)이 발생시키는 촉각 효과의 대표적인 예로는 진동이 있다. 햅택 모듈(154)이 발생하는 진동의 세기와 패턴 등은 제어 가능하다.

예를 들어, 서로 다른 진동을 합성하여 출력하거나 순차적으로 출력할 수도 있다.

햅틱 모듈(154)은, 진동 외에도, 접촉 피부면에 대해 수직 운동하는 핀 배열, 분사구나 흡입구를 통한 공기의 분사력이나 흡입력, 피부 표면에 대한 스침, 전극(eletrode)의 접촉, 정전기력 등의 자극에 의한 효과와, 흡열이나 발열 가능한 소자를 이용한 냉온감 재현에 의한 효과 등 다양한 촉각 효과를 발생시킬 수 있다.

햅틱 모듈(154)은 직접적인 접촉을 통해 촉각 효과의 전달할 수 있을 뿐만 아니라, 사용자가 손가락이나 팔 등의 근 감각을 통해 촉각 효과를 느낄 수 있도록 구현할 수도 있다. 햅틱 모듈(154)은 학습 분석 시스템의 구성 태양에 따라 2개 이상이 구비될 수 있다.

프로젝터 모듈(155)은, 학습 분석 시스템을 이용하여 이미지 프로젝트(project) 기능을 수행하기 위한 구성요소로서, 제어부(180)의 제어 신호에 따라 디스플레이부(151)상에 디스플레이되는 영상과 동일하거나 적어도 일부가 다른 영상을 외부 스크린 또는 벽에 디스플레이할 수 있다.

구체적으로, 프로젝터 모듈(155)은, 영상을 외부로 출력하기 위한 빛(일 예로서, 레이저 광)을 발생시키는 광원(미도시), 광원에 의해 발생한 빛을 이용하여 외부로 출력할 영상을 생성하기 위한 영상 생성 수단 (미도시), 및 영상을 일정 초점 거리에서 외부로 확대 출력하기 위한 렌즈(미도시)를 포함할 수 있다. 또한, 프로젝터 모듈(155)은, 렌즈 또는 모듈 전체를 기계적으로 움직여 영상 투사 방향을 조절할 수 있는 장치(미도시)를 포함할 수 있다.

프로젝터 모듈(155)은 디스플레이 수단의 소자 종류에 따라 CRT(Cathode Ray Tube) 모듈, LCD(Liquid Crystal Display) 모듈 및 DLP(Digital Light Processing) 모듈 등으로 나뉠 수 있다. 특히, DLP 모듈은, 광원에서 발생한 빛이 DMD(Digital Micromirror Device) 칩에 반사됨으로써 생성된 영상을 확대 투사하는 방식으로 프로젝터 모듈(151)의 소형화에 유리할 수 있다.

바람직하게, 프로젝터 모듈(155)은, 학습 분석 시스템의 측면, 정면 또는 배면에 길이 방향으로 구비될 수 있다. 물론, 프로젝터 모듈(155)은, 필요에 따라 학습 분석 시스템의 어느 위치에라도 구비될 수 있음은 당연하다.

또한, 헤드업 디스플레이(head-up display, HUD, 156)는 차량 등에서 차량 현재 속도, 연료 잔량, 내비게이션 길안내 정보 등을 운전자 바로 앞 유리창 부분에 그래픽 이미지로 투영해주는 장치를 의미한다.

또한, 헤드 마운티드 디스플레이(head mounted display, HMD, 157)는 가상 현실(Virtual reality) 정보를 출력할 수 있는 대표적인 장치이다.

가상 현실(Virtual reality)이란 컴퓨터를 통해 어떤 특정한 환경이나 상황을 입체감있는 3D 컨텐츠로 제작하여, 그 3D 컨텐츠를 사용하는 사람이 마치 실제 주변 상황, 환경과 상호작용하고 있는 것처럼 만들어 주는 인간-컴퓨터 사이의 인터페이스 등을 총칭한다.

일반적으로 사람이 지각하는 입체감은 관찰하는 물체의 위치에 따른 수정체의 두께 변화 정도, 양쪽 눈과 대상물과의 각도 차이, 그리고 좌우 눈에 보이는 대상물의 위치 및 형태의 차이, 대상물의 운동에 따라 생기는 시차, 그 밖에 각종 심리 및 기억에 의한 효과 등이 복합적으로 작용하여 생긴다.

그 중 사람이 입체감을 느끼는 가장 중요한 요인은, 사람의 두 눈이 가로 방향으로 약 6.5㎝가량 떨어져 있음으로써, 나타나게 되는 양안 시차(binocular disparity)이다. 즉, 양안 시차에 의해 대상물에 대한 각도 차이를 가지고 바라보게 되고, 이 차이로 인해 각각의 눈에 들어오는 이미지가 서로 다른 상을 갖게 되며 이 두 영상이 망막을 통해 뇌로 전달되면 뇌는 이 두 개의 정보를 정확히 서로 융합하여 본래의 3D 입체 영상을 느낄 수 있는 것이다.

이러한 입체감있는 3D 컨텐츠들은 이미 여러 미디어 분야에 두루 이용되어 소비자들로부터 호평을 받아오고 있다. 예를 들어 3D 영화, 3D 게임 및 체험 디스플레이와 같은 것들이 대표적이다.

이와 같이 가상 현실 기술 3D 컨텐츠들의 보편화와 더불어, 더욱 몰입도 높은 가상 현실 서비스를 제공할 수 있는 기술의 개발이 다각적으로 요구되고 있다.

일반적으로 이미지 디스플레이 장치는 눈과 매우 근접한 위치에서 발생하는 영상광을 정밀한 광학 장치를 이용하여 먼 거리에 가상의 대형화면이 구성될 수 있도록 초점을 형성함으로써 사용자로 하여금 확대된 허상을 볼 수 있도록 하는 화상 표시 장치를 말한다.

또한, 이미지 디스플레이 장치는, 주위 환경은 볼 수 없고 디스플레이 소자에서 발산된 영상광만을 볼 수 있는 밀폐형(See-close)과, 윈도우를 통해 주위 환경을 볼 수 있으면서도 디스플레이 소자에서 발산된 영상광을 동시에 볼 수 있는 투과식(See-through)으로 나뉠 수 있다.

본 발명에 따른 헤드 마운티드 디스플레이(head mounted display, HMD, 157)란 안경처럼 머리에 착용하여 멀티미디어 컨텐츠를 제공받을 수 있도록 하는 각종디지털 디바이스를 말한다. 디지털 디바이스의 경량화 및 소량화 추세에 따라, 다양한 웨어러블 컴퓨터(Wearable Computer)가 개발되고 있으며, HMD 또한 널리 사용되고 있다. HMD(157)는 단순한 디스플레이 기능을 넘어 증강 현실 기술, N 스크린 기술 등과 조합되어 유저에게 다양한 편의를 제공할 수 있다.

예를 들어, HMD(157)에 마이크와 스피커가 장착되는 경우, 유저는 HMD(157)를 착용한 상태에서, 전화 통화를 수행할 수 있다. 또한, 예를 들어, HMD(157)에 원적외선 카메라(122)가 장착되는 경우, 유저는 HMD(157)를 착용한 상태에서, 유저가 원하는 방향의 이미지를 캡쳐할 수 있다.

또한, 메모리부(160)는 제어부(180)의 처리 및 제어를 위한 프로그램이 저장될 수도 있고, 입/출력되는 데이터들(예를 들어, 메시지, 오디오, 정지영상, 동영상 등)의 임시 저장을 위한 기능을 수행할 수도 있다. 상기 메모리부(160)에는 상기 데이터들 각각에 대한 사용 빈도도 함께 저장될 수 있다. 또한, 상기 메모리부(160)에는 상기 터치스크린 상의 터치 입력시 출력되는 다양한 패턴의 진동 및 음향에 관한 데이터를 저장할 수 있다.

메모리(160)는 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예를 들어 SD 또는 XD 메모리 등), 램(Random Access Memory, RAM), SRAM(Static Random Access Memory), 롬(Read-Only Memory, ROM), EEPROM(Electrically Erasable Programmable Read-Only Memory), PROM(Programmable Read-Only Memory), 자기 메모리, 자기 디스크, 광디스크 중 적어도 하나의 타입의 저장매체를 포함할 수 있다. 학습 분석 시스템은 인터넷(internet)상에서 상기 메모리(160)의 저장 기능을 수행하는 웹 스토리지(web storage)와 관련되어 동작할 수도 있다.

인터페이스부(170)는 학습 분석 시스템에 연결되는 모든 외부기기와의 통로 역할을 한다. 인터페이스부(170)는 외부 기기로부터 데이터를 전송받거나, 전원을 공급받아 학습 분석 시스템 내부의 각 구성 요소에 전달하거나, 학습 분석 시스템 내부의 데이터가 외부 기기로 전송되도록 한다. 예를 들어, 유/무선 헤드셋 포트, 외부 충전기 포트, 유/무선 데이터 포트, 메모리 카드(memory card) 포트, 식별 모듈이 구비된 장치를 연결하는 포트, 오디오 I/O(Input/Output) 포트, 비디오 I/O(Input/Output) 포트, 이어폰 포트 등이 인터페이스부(170)에 포함될 수 있다.

식별 모듈은 학습 분석 시스템의 사용 권한을 인증하기 위한 각종 정보를 저장한 칩으로서, 사용자 인증 모듈(User Identify Module, UIM), 가입자 인증 모듈(Subscriber Identify Module, SIM), 범용 사용자 인증 모듈(Universal Subscriber Identity Module, USIM) 등을 포함할 수 있다. 식별 모듈이 구비된 장치(이하 '식별 장치')는, 스마트 카드(smart card) 형식으로 제작될 수 있다. 따라서 식별 장치는 포트를 통하여 학습 분석 시스템과 연결될 수 있다.

상기 인터페이스부는 학습 분석 시스템이 외부 크래들(cradle)과 연결될 때 상기 크래들로부터의 전원이 상기 학습 분석 시스템에 공급되는 통로가 되거나, 사용자에 의해 상기 크래들에서 입력되는 각종 명령 신호가 상기 이동기기로 전달되는 통로가 될 수 있다. 상기 크래들로부터 입력되는 각종 명령 신호 또는 상기 전원은 상기 이동기기가 상기 크래들에 정확히 장착되었음을 인지하기 위한 신호로 동작될 수도 있다.

제어부(controller, 180)는 통상적으로 학습 분석 시스템의 전반적인 동작을 제어한다.

제어부(180)는 데이터 수집/저장부(181), 데이터 분석부(182) 및 대시보드부(183) 등을 포함할 수 있다.

여기서 수집/저장부(181)는, 문항과 코스 정보 메타데이터를 수집하고, Caliper 데이터 변환에 필요한 메타데이터를 저장하며, 분석 성능 향상을 위한 파일을 Merge하고, 분석이 필요한 다른 서비스가 들어오면 새로운 스트림을 생성하는 등의 기능을 제공한다.

또한, 데이터 분석부(182)는 Caliper Data로부터 데이터 카탈로그를 생성하고, 데이터 ETL 작업 후 Redshift로 삽입하며, 일/주/월 단위로 데이터를 분석하는 증의 기능을 제공한다.

또한, 대시보드부(183)는 디스플레이부(151)와 연동하여 사용자에게 교육 관련 컨텐츠 제공 및 피드백 생성을 위한 정보를 제공하는 기능을 제공한다.

상기 데이터 수집/저장부(181), 데이터 분석부(182) 및 대시보드부(183)의 기능에 대해서는 도 4를 참조하여 보다 구체적으로 후술한다.

한편, 전원 공급부(190)는 제어부(180)의 제어에 의해 외부의 전원, 내부의 전원을 인가 받아 각 구성요소들의 동작에 필요한 전원을 공급한다.

여기에 설명되는 다양한 실시예는 예를 들어, 소프트웨어, 하드웨어 또는 이들의 조합된 것을 이용하여 컴퓨터 또는 이와 유사한 장치로 읽을 수 있는 기록매체 내에서 구현될 수 있다.

하드웨어적인 구현에 의하면, 여기에 설명되는 실시예는 ASICs (application specific integrated circuits), DSPs (digital signal processors), DSPDs (digital signal processing devices), PLDs (programmable logic devices), FPGAs (field programmable gate arrays, 프로세서(processors), 제어기(controllers), 마이크로 컨트롤러(micro-controllers), 마이크로 프로세서(microprocessors), 기타 기능 수행을 위한 전기적인 유닛 중 적어도 하나를 이용하여 구현될 수 있다. 일부의 경우에 본 명세서에서 설명되는 실시예들이 제어부(180) 자체로 구현될 수 있다.

소프트웨어적인 구현에 의하면, 본 명세서에서 설명되는 절차 및 기능과 같은 실시예들은 별도의 소프트웨어 모듈들로 구현될 수 있다. 상기 소프트웨어 모듈들 각각은 본 명세서에서 설명되는 하나 이상의 기능 및 작동을 수행할 수 있다. 적절한 프로그램 언어로 쓰여진 소프트웨어 어플리케이션으로 소프트웨어 코드가 구현될 수 있다. 상기 소프트웨어 코드는 메모리(160)에 저장되고, 제어부(180)에 의해 실행될 수 있다.

또한, 서버(200)는 데이터 베이스를 구축하여, 단말(100)과 정보를 교환할 수 있다.

이때, 서버(200)와 단말(100) 간에는 근거리 통신 또는 원거리 통신이 적용될 수 있다.

여기서 이용될 수 있는 상기 무선 통신 기술로는 WLAN(Wireless LAN)(Wi-Fi), Wibro(Wireless broadband), Wimax(World Interoperability for Microwave Access), HSDPA(High Speed Downlink Packet Access) 등이 이용될 수 있다.

또한, 근거리 통신(short range communication)의 기술로는 블루투스(Bluetooth), RFID(Radio Frequency Identification), 적외선 통신(IrDA, infrared Data Association), UWB(Ultra-Wideband), ZigBee 등이 이용될 수 있다.

도 4는 본 발명에 따른 학습 분석 시스템의 구성 요소 및 서비스를 설명하는 방법을 함께 도시한 것이다.

도 4를 참조하면, 서버(200), 데이터 수집/저장부(181), 데이터 분석부(182) 및 대시보드부(183) 등이 수행하는 서비스 플로우가 구체적으로 도시된다.

먼저, 서버(200)는 데이터 베이스를 구축할 수 있다(S10)

다음으로, 데이터 수집/저장부(181)의 EC2(Batch Server)는 일 단위 배치 작업으로서, 문항과 코스 정보 메타데이터를 수집하게 된다(S11).

또한, 데이터 수집/저장부(181)의 RDS(Aurora)는 Caliper 데이터 변환에 필요한 메타데이터를 저장한다(S12).

또한, API Gateway(210)로부터 데이터 수집/저장부(181)의 Kinesis는 Home-Learn Lambda Stream을 생성하는데, 즉, 분석이 필요한 다른 서비스가 들어오면 새로운 스트림을 생성한다(S14).

또한, Lambda는 Store_Raw_Data 기능을 제공하는데, Raw Data를 저장하고, 필요한 경우, 이벤트 발생 시간을 교정하는 역할을 한다(S15).

또한, S3(Data Lake)는 hl-analyticsraw-data를 수집하고(S16), Lambda로 전달하게 된다(S17).

이후, Lambda는 데이터 수집/저장부(181)의 RDS(Aurora)와 교류하고, 지속적인 Lambda 함수 호출 실패시 SQS로 자료를 전달하게 된다(S18).

또한, S3(hl-analyticsraw-data)를 통해, JSON 파일 인 Caliper 데이터를 저장한다(S19).

또한, S3(hl-analyticsraw-data)는 EC2와 자료를 교환하고, EC2는 분석 성능 향상을

위한 파일을 Merge한다(S20). 예를 들어, 10분 단위로 파일의 Merge가 수행될 수 있다.

또한, Lambda와 연계하여, S3(hl-analyticsraw-data)는 이미지/긴 텍스트 데이터가 들어오는 경우, 이미지/텍스트 파일로 저장하는 기능을 제공한다(S21).

또한, Lambda와 연계하여, S3(hl-analyticsraw-data)는 변환에 실패한 raw data를 저장하는 것도 가능하다(임시 bucket, S22)).

이후, 실행에 관련된 모니터링(S23), SNS 알림 서비스(S24), Slack(S25)의 과정이 순차적으로 수행될 수 있다.

한편, 데이터 분석부(182)는 Glue가 (1) Caliper Data로부터 데이터 카탈로그를 생성하고(예를 들어, 3시간 단위), (2) 데이터 ETL 작업 후 Redshift로 삽입(예를 들어, 1일 단위 / 6시간 단위)하는 기능을 제공한다(S26).

또한, Redshift(Data Warehouse)는 Athena에 대해 웹에서 데이터 조회가 가능하도록 할 수 있다(S27, S28).

또한, Step Functions인 Lambda는 Redshift(Data Warehouse)와 통신하고, 일/주/월 단위 데이터를 분석함으로써, 배치 작업을 수행한다(S29).

이후, RDS(MySQL)가 분석하는 데이터베이스(DB)로서의 역할을 제공한다(S30).

나아가 대시보드부(183)는 디스플레이부(151)와 연동하여 동작하는데, 먼저, 대시보드 DB인 RDS (MySQL)로 데이터가 전달되고(S31), EC2 (WAS)가 이를 통신하여 수신 및 피드백하며(S32), 웹인 EC2와 이에 대한 데이터를 통신하게 된다(S33).

인공지능 기반 맞춤형 학습 방법 및 시스템

현재 단말을 통해 제공되는 컨텐츠를 기초로 사용자들에 대한 교육이 빈번하게 수행되고 있다.

단, 현재 적용되는 방법 및 시스템에서는 교육 컨텐츠만을 일방향으로 사용자들에게 제공할 뿐이고, 학습 이벤트에 따른 사용자의 피드백을 반영한 교육은 이루어지지 못하다는 문제점이 있다.

예를 들어, 종래의 방법에서는, 언제 로그인하고 로그아웃/타임아웃 했는지. 시험과 평가문항을 어떻게 이용하고 있는지, 자동 채점되는 시험점수는 어떻게 되는지, 오늘의 학습을 얼마나, 어떻게 이용하고 있는지, 어떤 동영상 자료를 어떻게 이용하고 있는지, 교육 중에 어떤 질문이나 태그를 달고 있는지, 어떤 순서로 컨텐츠를 이용하고 있으며, 어떤 자료들을 보고 있는지, 어떤 어플리케이션들을 이용하고 있는지, 적립 현황, 캐릭터 변경, 검색 키워드는 무엇인지 등에 대해 사용자 맞춤형으로 선별된 정보를 제공받는 것은 어렵다는 문제점이 있다.

이러한 개인 맞춤형 학습은 학습자의 능력과 특성에 맞춰, 지능적으로 콘텐츠와 서비스를 제공하여 편리하고 효율적으로 학습 효과를 증대하는 기술이다.

종래 상용화되었던 맞춤형 학습 기술들은 학습 콘텐츠 간의 연계에 의존하거나, 틀린 문제의 개수를 단순하게 세어서 취약한 개념을 진단하는 정도에 그쳐, 학습자의 학습 능력 진단이 정교하지 않은 문제점도 존재하였다.

즉, 개인화된 맞춤형 학습을 제공하고자 하는 경우에도, 정확하지 않은 학습 능력 진단에 근거하게 됨으로써, 맞춤형 학습 시스템의 효율성 및 신뢰성을 확보하지 못하는 한계점이 있어 왔다.

따라서 이를 해결할 수 있는 학습 방법 및 시스템에 대한 니즈가 높아지고 있는 실정이다.

본 발명은 상기 종래의 문제점을 해소하기 위해, 본 발명은 인공지능 기반 맞춤형 학습 방법 및 시스템을 제안하고자 한다.

본 발명이 제공하는 인공지능 기반 맞춤형 학습 방법은 다음과 같이 구분 가능하다.

1. 콘텐츠

2. 서비스

3. 빅데이터

4. AI(인공지능)

먼저 콘텐츠는, (1) 지식맵을 기반으로 한 문제은행, (2) 교육과정의 단원별 내용을 대표할 수 있는 평가문항, (3) 학습자가 구성할 수 있는 '내가 만든 문제집(Print on Demand)' 등으로 나눠볼 수 있다.

여기서 (1) 지식맵 기반 문제은행은, (단위 지식 수준의) 교육과정을 더 이상 쪼갤 수 없는 수준으로 상세화 한 지식맵 개발 및 국가별 교육과정과의 연계, 대표 문항 및 유사 문항을 문제은행에 등록 및 검수, 서비스 기능별 시험지 구성 기능 (수동 및 자동), 문항의 텍스트 및 수식 검색 기능 (수동 및 자동) 등을 포함한다.

다음으로, (2) 대표 문항 개발은, 이해 수준을 측정할 수 있는 교과, 학년, 난이도 별 교육과정을 대표할 수 있는 평가문항 및 검증, AI가 기계적으로 생성할 수 있는 유사 문항 개발 및 검증, 교과별 기본적인 개념 및 대표 문항에 대한 (정오답) 해설 강의 등을 포함한다.

또한, (3) 학습자가 구성할 수 있는 '내가 만든 문제집(POD)'은, 내가 풀어본 문제들과 찜(큐레이션된) 한 문제들로 구성된 나만의 (디지털) 문제집 생성, 정답과 해설 포함 옵션을 포함한 레이아웃 자동 조정 기능과 프린트 옵션 설정 기능 등을 포함한다.

다음으로, 서비스는 (1) 내 학습 스타일(적성과 학습 성향 진단), (2) 도전 교과(수학, 국어, 영어, 과학 등) 정복(학습 기간과 목표 설정), (3) 학습 포트폴리오 (4) DIY(Do It Yourself) 학습 등으로 나누어 볼 수 있다.

먼저, (1) 내 학습 스타일(적성과 학습 성향 진단)은, 수학, 영어, 국어, 과학 등 교과별 이해도 및 실력 측정을 위한 사전 테스트(Pre-Test), 교과별 적성이나 친밀도를 진단할 수 있는 (심리/적성) 검사, 학습 스타일에 대한 진단을 통해 편안하고 편리한 학습 에이전트 유형과 학습자에게 배정하는 기능/과정 등을 포함한다.

다음으로, (2) 도전 교과 정복(학습 기간과 목표 설정)은, 시험 대비 또는 단기간에 교과별 실력을 향상하기 위해 학습 기간과 도달하고 싶은 목표 설정, 학습 기간 내에 목표를 달성하기 위한 최적화된 학습 경로 및 문항/자료 구성 등을 포함한다.

또한, (3) 학습 포트폴리오는, 교과별 지식맵에 게임적 요소를 가미해서 학습자가 도전할 수 있는 학습 지도 제공, 수학, 영어, 국어, 과학 등 교과별 실력이 향상될 때 마다 (특정 수준에 도달할 때 마다) 배지를 부여해서 역량 인증, 일, 주, 월별로 교과별 실력이 향상되는 과정과 교과별 실력이 향상될 때 기대할 수 있는 미래직업들을 한 눈에 볼 수 있는 e포트폴리오 제공하는 것을 포함한다.

또한, (4) DIY 학습은, 학생이 주체가 되어 본인이 효과적으로 이해한 개념이나 문제풀이/해설 강의, 학생들이 직접 묻고 답하는 교과별 문제 및 해당 문제와 관련된 (일상의) 현상들을 포함한다.

한편, 빅데이터는, (1) 이벤트 기반 수집체계, (2) 학습 분석 등으로 구분해볼 수 있다.

먼저, (1) 이벤트 기반 수집체계는, 시험 및 문제풀이 전 과정을 학습 이벤트 형식으로 설계하여 데이터 수집체계 개발을 통해, 홈런 초등(100)의 'AI 생활기록부’에서 정의한 이벤트 외에 추가적인 신규 이벤트도 수집하고, 웹과 모바일에서 끊김없이 학습 이벤트를 수집하는 API 개발 및 적용이 가능하다.

또한, 홈런 초등(100)과 홈런 중등(300)의 학습기에도 적용 가능한 API 개발 및 제공이 가능하다.

다음으로, (2) 학습 분석은, 학습 시간, 서비스 이용 패턴, 또래그룹 대비 성적 등 통계적 분석 정보 제공, 오답의 원인, 즉 취약 지식에 대한 분석 결과 및 맞춤형 (처방적) 학습 경로 제공, 심리/적성 검사 결과와 학습 분석 결과를 연계해서 e포트폴리오 서비스로 전달하는 것 등이 가능하다.

한편, AI(인공지능)은, (1) 자동 문항 생성기(Automatic Item Generator), (2) 학습 튜터(추론과 가이드 기능), (3) 학습 큐레이터(추론과 추천 기능), (4) 학습 지원용 챗봇(추론과 상담 기능) 등으로 구분해 볼 수 있다.

먼저, (1) 자동 문항 생성기(Automatic Item Generator)는, 대표 문항을 기준으로 설정 조건에 따라 자동으로 쌍둥이 문항 생성, 학습자의 취약 지식에 대해 ’인공지능과 문제 겨루기’ 기능으로 게임적 요소 제공 등을 포함한다.

다음으로, (2) 학습 튜터(추론과 가이드 기능)는, 머신러닝으로 학습자의 취약 지식을 추론하고 학습성과를 예측하여 학습 과정의 효율성을 제고할 수 있는 인공지능 에이전트(AI 학습 튜터) 제공, 학습 성향과 성격에 따라 AI 튜터의 스타일을 다르게 적용 (학습 네비게이션 기능)하는 것이 가능하다.

또한, (3) 학습 큐레이터(추론과 추천 기능)는, 교과별로 학습자가 설정한 학습 기간과 도달하고 싶은 목표를 입력 값으로 최적의 학습 과정과 문항 세트, (내외부) 학습자료들을 자동으로 큐레이션 하는 추론 엔진을 이용할 수 있다.

이를 통해, 학습 큐레이터가 생성한 학습 전 과정은 AI 학습 튜터가 리드하며 관리한다.

또한, (4) 학습지원용 챗봇(추론과 상담 기능)은, 교과별 서비스 이용에 관한 FAQ 및 효과적인 서비스 이용 팁을 챗봇이 실시간으로 상담하고, 홈런/스쿨링 교사의 학습 상담 가이드의 주요 내용을 챗봇으로 학습자에게 상담하는 것을 포함한다.

이를 통해, 본 발명은 차별화된 콘텐츠 서비스와 새로운 빅데이터 AI를 제공하게 된다.

즉, 콘텐츠부터 다르게 수준별 맞춤학습을 위한 교과별 지식맵을 개발하고, 고품질의 대표 문항으로 K-12(초1~고3) 전학년의 학습자에게 완벽 대응이 가능하다.

또한, 도형과 그래프를 조작해보는 시뮬레이션 제공이 가능하고, 내가 풀어본 문제들로 구성된 나만의 문제집 (PoD) 을 구성할 수 있다.

또한, 본 발명은 색다른 서비스로서, 교과별 강약점 지능과 학습 스타일에 따른 맞춤형 학습 계획 수립이 가능하고, 학습 기간과 목표를 스스로 설정하면 자동으로 학습 계획이 생성된다.

또한, 목표 역량에 도달하면 배지를 부여하고, e포트폴리오로 확인하는 교과별 '나의 학습 성장기’를 만들 수 있고, 또래학습으로 교과별 학습을 정복하는 DIY 서비스를 제공할 수 있다.

또한, 본 발명은 차원이 다른 빅데이터로서, 홈런 초등(100)에서 검증된 이벤트 방식의 빅데이터 수집 체계를 적용하고, 성적, 습관, 행동, 적성을 한 눈에 보여주는 학습 분석을 제안할 수 있다.

또한, 본 발명은 제대로 된 AI로서, 쌍둥이 문제를 자동으로 생성하는 AI (AIG)를 적용하고, 취약점을 분석해서 학습성과를 예측하고, 효율적인 학습을 유도하는 AI 튜터(가이드) 를 적용할 수 있다.

또한, 학습 기간, 수준, 목표에 따라서 실시간으로 조절되는 학습 과정이 적용되고, 또래들의 비슷한 교과별 약점에 대한 고민과 어려움은 AI 챗봇으로 해결하는 것이 가능하다.

한편, 도 5는 본 발명과 관련하여, 기능 관점에서의 프레임 워크의 일례를 도시한 것이다.

도 5를 참조하면, 본 발명이 제안하는 서비스는, 맞춤형 학습 플랫폼(Adaptive Learning Platform)형태의 교과별 독립형 학습 서비스이고, 홈런 초등(100)과 홈런 중등(300)에 임베딩하는 형태로 서비스 연계가 가능하다.

구체적으로, 도 5를 참조하면, 본 발명에 따른 Adaptive Learning Platform(ALP, 1000)은 학습분석(1100), AI 추론(1200), 콘텐츠(1300), 서비스(1400), 데이터 수집(1500) 등을 포함한다.

여기서 학습분석(1100)은, (1) 기본 대시보드로서, 이용 현황, 학습 패턴, 문제풀이습관, 사용 추이 변화 등을 표시한다.

또한, (2) 성취 수준 분석으로, 성적 추이 변화, 정오답 원인, 취약지식 진단 등을 제시한다.

또한, (3) 교과별 적성 검사 및 학습 스타일 진단 결과를 표시할 수 있다/

다음으로, AI 추론(1200)은, (1) 자동문항생성기가 쌍둥이 문항을 생성하고, (2) AI 튜터가 문항 정답 예측, 적정 문항 추천, 학습 성과 예측, 학습 경로 추천 등을 수행한다.

또한, (3) AI 큐레이터가 시험대비 단기 속성 과정 설정을 수행하고, (4) AI 교과상담 챗봇이 활용된다.

다음으로, 콘텐츠(1300)는, 교과별 지식맵/교과과정 연계, 문제은행, 도형/그래프 조작, 내가 만든 문제집 등이 적용된다.

또한, 서비스(1400)는, 사전 테스트(교과별 실력 및 적성), 학습 기간/목표 설정 (시험대비), 학습 포트폴리오, DIY 학습(또래학습) 등이 적용된다.

또한, 데이터 수집(1500)은, (1) 학습 이벤트(IMS Caliper), (2) 비학습 이벤트(xAPI)가 적용되고, (3) 데이터베이스로서, 사용자 정보, 설정 프로파일, 문제은행, 메타데이터, LCMS(Learning Content Management System) 정보, LMS(Learning Management System) 정보, 진단검사 정보 등이 활용된다.

또한, 써드파티 학습용 소프트웨어를 학습플랫폼에 설치하지 않고 원격에서 사용자 인증 및 실행이 되도록 제어하는 국제 표준인 LTI(310)에 따라 홈런 초등(100)과 홈런 중등(300)에 임베딩하는 형태로 서비스 연계가 가능하다.

한편, 도 6은 본 발명과 관련하여, 시스템 관점에서의 프레임 워크의 일례를 도시한 것이다.

도 6을 참조하면, 본 발명에 따른 인공지능 기반 맞춤형 학습 서비스(1000)는 반응형 웹으로 N-디바이스 환경을 지원하고, 학습기 프로파일로 홈런 초등과 스쿨링홈런 중등에 임베딩할 수도 있다.

도 6을 참조하면, 웹(1), 태블릿(2), 모바일폰(3), 홈런 초등 서비스(100), 홈런 중등(300) 등이 도시된다.

여기서 반응형 웹 인터페이스(4)를 통해, 본 발명에 따른 인공지능 기반 맞춤형 학습 서비스(1000)는 웹(1), 태블릿(2), 모바일폰(3)과 상호 반응한다.

특히, 웹(1)은 콘텐츠/서비스를 인공지능 기반 맞춤형 학습 서비스(1000)로부터 제공받고, 이벤트/데이터를 인공지능 기반 맞춤형 학습 서비스(1000)로 제공한다.

또한, 학습기 프로파일 인터페이스(311)와 학습 도구 상호운용성(Learning Tools Interoperability, LTI) 서비스를 통해, 본 발명에 따른 인공지능 기반 맞춤형 학습 서비스(1000)는 홈런 초등 서비스(100), 홈런 중등(300)과 상호 반응한다.

한편, 본 발명에 따른 인공지능 기반 맞춤형 학습 서비스(1000)는 학습 분석영역(1100), AI 처리 영역(1200), 콘텐츠 처리 영역(1300), 서비스 처리 영역(1400) 등을 포함한다.

도 6을 참조하면, 학습 분석영역(1100)은 데이터 수집(1101), 데이터 저장(Data Lake, 1102), 데이터 가공(Data Mart, 1103), 데이터 분석(1104), 대시보드(1106), 데이터베이스(transaction, 1105) 등의 과정을 거친다.

또한, AI 처리 영역(1200)은 학습 에이전트(AI 튜터, 1201), 교과상담 챗봇(1202), 학습 추천(큐레이션, 1203), 검색엔진(1204), 시각지능 처리부(1205), 추론엔진(1206) 등의 과정을 거친다.

여기서 학습 분석영역(1100)과 AI 처리 영역(1200) 간에는 AI 데이터 학습이 적용된다.

다음으로, 콘텐츠 처리 영역(1300)은, 문제은행(1301), AIG(1302), 영상자료(1303), 학습자료(1304), 지식맵(1305), 교육과정/성취기준(1306)의 과정을 거친다.

또한, 서비스 처리 영역은(1400)은, 사전 테스트(1401), DIY 학습(또래학습, 1402)), 개인학습환경(시험대비 등, 1403), 학습 포트폴리오(1404) 등의 과정을 거친다.

여기서 AI 처리 영역(1200)과 콘텐츠 처리 영역(1300) 간에는 AI 데이터 태깅이 적용될 수 있다.

또한, 학습 분석 영역(1100)과 서비스 처리 영역(1400) 간에는 콘텐츠/데이터 제공이 수행될 수 있다.

이를 통해, 본 발명에서는 빅데이터 및 AI를 교육에 효율적으로 접목시키는 것이 가능하다.

구체적인 내용은 다음과 같다.

- 이벤트 기반 빅데이터 분석

- 학습 성향과 습관 기반의 패턴 분석

- 지식맵을 활용한 상세한 취약점 분석

- 학습 성과/정오답 예측

- 취약 지식 예측

- 학습 포기 위험도 예측

- OCR/시각지능을 이용한 검색

- 적성과 성격에 따른 학습 계획 추천

- 학습자가 설정한 시간과 목표에 따른 최적 학습 일정/분량 추천

- 인공지능이 생성하는 자동문항

또한, 본 발명에서는 역량 기반 교육(CBE)를 구현할 수 있다.

구체적인 내용은 다음과 같다.

- 교과별 지식들을 온전히 습득하면 배지를 발급해서 역량을 인증(소셜네트워크에 공개도 가능하며, 오픈배지 백팩으로 포트폴리오 관리)

- 성취 수준에 따라 단기, 중기, 장기 교과별 공부 로드맵을 제시(학년/학기에 따른 학습으로 매핑도 가능하지만 교과별 역량 강화를 권장)

- 적성과 교과별 성취 수준에 따라 미래 직업들을 추천해서 학습 동기를 부여하고 또한 영재 코스(수학, 과학, 수학과학융합 영재 코스 등) 형태의 서비스로 확대

- 글로벌 교육과정/성취기준을 LOD(Linked Open Data)로 연결해서 글로벌향 역량기반교육(Competency-Based Eeducation)으로 추진

또한, 본 발명에서는 소셜러닝(또래학습)을 구현할 수 있다.

구체적인 내용은 다음과 같다.

- 내가 이해한 개념/지식을 강의영상으로 제작/공유/피드백(‘강의하는 아이들’의 효과적인 학습법)

- 스스로 만들어보는 학습 문제와 해법(예, DIY 방식으로 수학문제와 일상의 문제를 스스로 해결하는 또래학습)

- 교과 관련 분야별 커뮤니티 조성(코딩, 수학, 과학, 수학/과학 융합 등 분야별 영재 육성을 위한 커뮤니티)

- 진로/진학 고민을 AI와 함께 나누면서 아이와 AI가 함께 성장하는 성장일기(아이들이 함께 AI를 학습시켜서 또래 조력자로 발전시키는 과정)

이하에서는, 본 발명이 제안하는 서비스(1000) 상의 주요 기능을 나누어 각각 구체적으로 설명한다.

문제은행과 지식맵을 구축 방법 및 시스템

본 실시예는 본 발명에 따른 인공지능 기반 맞춤형 학습 콘텐츠 부문에 해당하는 것이다.

문제은행과 지식맵의 구축은, 기본적으로 문제은행과 지식맵을 보유한 상용 제품을 도입하여 지식맵을 서비스 목적에 맞게 최적화 하는 것이다.

이러한 서비스는, 글로벌향 서비스 개발을 위해 교육과정과 성취기준을 다국어체제로 입력할 수 있도록 확장될 수 있다.

도 7은 본 발명과 관련하여, 문제은행과 지식맵을 구축하는 일례를 도시한 것이다.

도 7의 (a)를 참조하면, 홈화면(1610), 지식맵 관리(1620), 서비스 관리(1630), 콘텐츠 관리(1640), 검수리포트(1650), 환경설정(1660) 등의 문제은행 시스템 기능 구성 예시(1600)가 도시된다.

구체적인 순서로서, 도 7의 (b)를 참조하면, 지식맵 관리 -> 글로벌 교육과정 관리 -> 출처(교재) 등록 -> 문항 저작/생성 -> 문항 등록/연결 -> 문항 검수 -> 시험지 구성 등의 과정이 적용될 수 있다.

한편, 도 8은 본 발명과 관련하여, 문제은행과 지식맵을 구축하는 다른 일례를 도시한 것이다.

도 8에 도시된 것과 같이, 일반화된 워크플로우를 도입하여 신속하게 문항 등록과 생성 과정이 적용될 수 있다.

또한, 성취기준 등록을 위한 메타데이터 요소 추가와 다국어 입력체계, 자동문항생성기를 연계할 수도 있다.

한편, 도 9는 본 발명과 관련하여, 문제은행과 지식맵을 구축하는 또 다른 일례를 도시한 것이다.

도 9에는 수학 교육과정에 대한 지식맵의 예시가 도시된다.

도 9에 도시된 것과 같이, 지식맵을 기준으로 취약점 분석과 취약 지식을 집중적으로 해결하기 위한 개인별 학습 경로를 추천하는 방식이 적용될 수 있다.

문항개발 전략과 자동문항생성 방법 및 시스템

본 발명에 따른 문항 개발 및 자동문항 생성 서비스는, 자동문항 생성을 위해 내용이 검증된 대표 문항을 서비스 학년별로 외부 전문가 집단을 통해 개발할 수 있다.

또한, 자동문항생성 이론을 효과적으로 구현하기 위해 자연어처리와 온톨로지 기술을 적용할 수 있다.

구체적으로, 개정된 교육과정과 성취 기준을 기초로, 수학, 영어, 국어, 과학 등과 관련된 평가 기준을 도출하고, 이를 기초로 문항 및 알고리듬을 개발하는 것이 가능하다.

개정된 교육과정과 성취 기준으로는, 교과별 핵심 역량, 학습자의 정의적 측면, 실생활 중심의 통계 내용, 학습 부담 경감 실현 등이 포함될 수 있다.

또한, 평가 기준으로는 교육과정의 성취기준을 실제 평가의 상황에서 준거로 사용하기에 적합하도록 재구성한 평가준거 성취기준을 활용하고, 모든 평가준거 성취기준 각각에 대하여 상/중/하의 평가기준 활용이 가능하다.

또한, 문항 및 알고리듬 개발은 학년, 학년군에 따라 평가준거 성취기준간 및 평가 기준간 위계 유지한 문항 개발과 대표 문항 중심의 아이템 모델링을 통한 문항 자동 생성기를 적용할 수 있다.

도 10은 본 발명과 관련하여, 문항개발 전략과 자동문항생성의 일례를 도시한 것이다.

도 10을 참조하면, 대표문항은 난이도 상, 중상, 중, 중하, 하 등 다섯 단계에 맞춰서 평가문항과 성취기준의 학습 태그와 평가기준에 기반하여 문항 차원 설계의 예시가 도시된다.

이를 통해, 문항과 문항 사이의 관계 최적화로 수준별 개인화 문항 개발이 가능하다.

결국, 문항개발 및 자동문항 생성기를 통해, (1) 문항 정답률 (2) 문항 변별도 (3) 문항 반응률 등의 정보를 사용자에게 제공하는 것이 가능하다.

먼저, (1) 문항 정답률과 관련하여, 어떤 문항에 정답을 한 응시자들의 백분율(%)로 표시하고, 목표한 난이도, 곤란도 달성을 점검하며, 문한의 난이도를 넓게 퍼지게 하여 능력이 높은 수준의 피험자에게는 도전적인 문항을 생성하고, 정답률 50~60%(예시값) 목표 설정이 가능하다.

다음으로, (2) 문항 변별도와 관련하여, 해당 문항이 측정하려는 능력의 상, 하위 집단을 잘 변별하는지를 점검하고, 상위 집단의 정답자 수가 하위집단의 정답자 수보다 많도록 조장하고, 변별도 0.2(예시값) 이상 목표를 설정할 수 있다.

또한, (3) 문항 반응률과 관련하여, 문항의 답지에 대한 반응의 분포 상태를 점검하고, 피험자의 그릇된 이해와 해석에 관한 진단의 기준을 적용하며, 선다형 문항 제작에 적용하고, 40%(예시값) 이하로 목표를 설정하는 것이 가능하다.

또한, 본 발명에서는 쌍둥이 문항 생성기가 적용될 수 있다.

도 11은 본 발명과 관련하여, 문항개발 전략과 자동문항생성의 다른 일례를 도시한 것이다.

도 11에 제시된 것과 같이, 검증된 대표 문항들을 기준으로 생성된 쌍둥이 문항들을 문제은행으로 등록하여 활용하는 것이 가능하다.

소셜 러닝 방법 및 시스템

본 발명에 따른 소셜 러닝 서비는, 내가 이해한 개념과 문제들을 스스로 강의하는 과정을 통해 자기지식화 하고, 아이들의 언어로 또래학습 유도하는 것이다.

EBS 다큐 ‘학교란 무엇인가?’에 소개된 상위 1% 아이들의 학습법에도 소개된 설명할 줄 아는 아이 만들기!에 소개된 것과 같이, 상위 1% 아이들은 자기가 무엇을 모르는지 알고 있다는 점이 가장 큰 차이이므로, 인공지능 기반 맞춤형 학습 (1000)는 메타인지를 높이기 위한 서비스를 제공하고자 한다.

구체적으로, 본 발명에 따르면, 일상생활 속 수학 문제와 시험에 출제된 기출문제들을 참고해서 스스로 만들어서 같이 풀어보는 수학 DIY 학습이 가능할 수 있다.

또한, 아이들뿐 아니라 성인들(멘토)도 같이 참여하는 커뮤니티 문화를 통해 코딩, 수학, 수학/과학 융합 인재를 육성하는 것이 가능하다.

결국, 학교공부(특히 교과 학습)를 왜 배워야 하는지에 대한 동기 부여를 해줄 수 있는 방법과 영재교육으로 유도할 수 있는 심화 학습 요인들을 내재한 서비스를 제공할 수 있게 된다.

맞춤학습환경과 e포트폴리오

다음으로, 본 발명에 따르면, 맞춤학습환경과 e포트폴리오 구축 서비스가 제공될 수 있다.

도 12는 본 발명과 관련하여, 맞춤학습환경과 e포트폴리오의 일례를 도시한 것이다.

도 12에 도시된 것과 같이, 이는 개인 맞춤형 학습환경을 소셜네트워크와 연결해서 성취감을 높이고, 포트폴리오 관리를 통해 성장 기록을 보존한 것이다.

도 12를 참조하면, 소셜 네트워크(2010)를 기초로 교과별 내 학습 스타일(2020), 교과별 도전 학습 정복(2030), 내가 만든 문제집(PoD, 2040), DIY 학습(2050) 등이 공유될 수 있다.

구체적으로, 내 학습 스타일(2020)은, 교과별 실력 사전 테스트, 교과별 적성 검사, 학습 스타일 검사 등을 포함할 수 있다.

다음으로, 교과별 도전 학습 정복(2030)은, 시험대비 학습 시간과 도달 목표 설정을 포함할 수 있다.

또한, 내가 만든 문제집(PoD, 2040)은, 내가 풀어본 문제, 내가 찜한 문제 등을 포함할 수 있다.

또한, 내 DIY 학습(2050)은 내 강의 영상, 내가 만든 학습 문제 등을 포함한다.

이를 통해, 내 학습 환경(개인화 영역, 2060)을 설정하고, e포트폴리오(2070)를 구축할 수 있다. 이때, 미래 직업정보(2080)도 함께 제공받을 수 있다.

내 학습 환경(개인화 영역, 2060)는 학습자 프로파일, 학습분석 대시보드, 내 역량 (배지 백팩), 시험 대비 공부방, 교과별 나의 전국 랭킹, 온라인 문제집, 내 문제집 인쇄, 내가 올린 강의 목록, 내가 만든 학습 문제, 조회수, 평점 조회 등을 포함할 수 있다.

또한, e포트폴리오(2070)는 교과별 전체 학습지도 중 나의 현재 위치, 오픈 배지 백팩, 교과별 나의 학습 성장기록(일, 주, 월별 성장기록), 교과별 내 실력/관심도로 본 미래 직업은? 등을 포함할 수 있다.

또한, 본 발명에 따르면, 단위 기능별 맞춤학습환경 기능과 e포트폴리오 기능 설계도 가능하다.

학습 분석과 AI 기반 예측 및 추론 방법 및 시스템

다음으로 본 발명이 제안하는 학습 분석과 AI 기반 예측 및 추론 방법에 대해 설명한다.

도 13은 본 발명과 관련하여, 학습 분석과 AI 기반 예측 및 추론의 일례를 도시한 것이다.

도 13을 참조하면, 본 발명이 제안하는 인공지능 기반 맞춤형 학습 (1000)에서 학습분석과 AI는 “분석-예측-추천”으로 구성된 일련의 과정으로 수행된다.

즉, 학습분석 분야에서 여러차례 검증된 협업필터링과 로지스틱회귀 모델을 연계한 머신러닝 기술을 통해 추천하는 방식이 적용될 수 있다.

도 13의 (a)를 참조하면, 학습 패턴/특성 분석으로서, 학습자의 패턴과 특성, 학습 성과와 정답, 오답 등 결과 데이터를 활용한 현황 분석이 가능하다.

또한, 도 13의 (b)를 참조하면, 시험/문항 분석으로서, 학습 분석을 기반으로 시험과 문항 난이도와 특성을 연계한 예측 분석이 가능하다.

또한, 도13의 (c)를 참조하면, 학습 추천으로서, 학습자 분류 및 회귀 모델을 활용한 최적의 학습 경로 및 자원 추천이 가능하다.

도 13의 (a) 및 (b)를 통해, 학습자 프로파일 생성, 학습 현황에 관한 대시보드 분석, 적성과 관심도를 반영한 성과 예측, 문항별 정/오답 예측, 유사 문항 클러스터링 등의 서비스가 제공될 수 있다.

또한, 도 13의 (b) 및 (c)를 통해, 학습자 수준별 학습 경로 설계/추천, 학습자 수준별 문항 및 학습자료 추천, 학습 스타일/성향에 따른 또래강의/문제 추천, 적성과 수학 실력을 감안한 미래직업 추천 등의 서비스가 제공될 수 있다.

한편, 도 14는 본 발명과 관련하여, 학습 분석과 AI 기반 예측 및 추론의 다른 일례를 도시한 것이다.

도 14는, 기본적인 개념학습을 거쳐 수준별 문항풀이와 취약지식을 집중적으로 해결하는 효율적인 학습 프로세스를 나타낸 것으로, 홈런 중등(300)에서 수준별 맞춤형 수학 서비스를 기획하는 과정에서 기획한 학습 프로세스를 예로 든 것이다.

도 14를 참조하면, 기본학습(2110)에서 시작하여 “유형 학습 + 취약 유형 강의 + 쌍둥이 문항” 단계(2120), AI 추천 맞춤문항(2130), “취약 유형 강의 + 유사 문항” 단계(2040) 및 피드백 단계(2050)를 수행한다.

구체적으로, 기본학습(2110)에서는, 학습자의 이전 학습 결과에 따라 상이한 내용이 적용되고, “유형 학습 + 취약 유형 강의 + 쌍둥이 문항” 단계(2120)에서 취약 A가 밝혀진 경우, AI 추천 맞춤학습으로 기본학습 결과에 따른 취약 유형 1차 처방이 이루어진다.

이후, “취약 유형 강의 + 유사 문항” 단계(2040)에서 취약 B가 밝혀진 경우, 맞춤 학습 결과에 따른 취약 유형 2차 처방을 내리고, 이에 따른 피드백 단계(2050)가 수행된다.

도 15는 본 발명과 관련하여, 학습 분석과 AI 기반 예측 및 추론을 설명하는 순서도의 일례를 도시한 것이다.

도 15를 참조하면, 기본적인 개념학습을 거쳐 수준별 문항풀이와 취약지식을 집중적으로 해결하는 효율적인 학습 프로세스가 도시된다.

도 15의 (a) 를 참조하면 가장 먼저, 기본 학습 단계(S100)가 진행된다.

이후, 취약 유형이 발견되었는지 여부를 확인하는 단계(S110)가 수행된다.

만약, 취약 유형이 발견된 경우, 취약 부분 A에 대해 학습을 수행하는 단계(S140)가 수행되고, 취약 유형이 없는 경우에는 AI 추천 맞춤 학습을 수행(S120)한다.

AI 추천 맞춤 학습을 수행(S120)한 이후, 취약 유형이 발견되었는지 여부를 확인하는 단계(S130)가 다시 수행된다.

취약 유형이 없는 경우에는 바로 피드백 단계(S160)로 들어간다.

만약, 취약 유형이 있는 경우에는, S110 단계에서 발견한 취약 유형과 동일한 유형인지 여부를 판단한다(S150).

다른 유형인 경우에는 피드백 단계(S160)로 진입하나 동일한 유형인 경우에는 취약 유형을 보완하기 위한 B 학습을 수행(S170) 한 후에 피드백 단계(S160)로 진입한다.

또한, 도 15의 (b)를 참조하면, 피드백 단계(S160)로 진입 이후에 취약 A에 대한 학습을 수행하였는지 확인하는 단계(S170)가 수행된다.

학습 A를 수행한 경우, 문제를 맞추었는지를 확인하는 단계(S180)가 진행되고, 맞춘 경우에는 취약 유형과 유사한 문항에 대해 확인하는 단계(S190)를 거친다.

만약, 맞추지 못한 경우에는 대표 문항을 다시 푸는 단계(S200)를 수행하고, 취약 유형과 유사한 문항에 대해 확인하는 단계(S190)를 거친다.

만약, S170 단계에서 A 학습을 수행하지 않은 경우에는, B 학습을 수행하였는지를 한번 더 확인한다(S210).

학습 B를 수행한 경우, 문제를 맞추었는지를 확인하는 단계(S240)가 진행되고, 맞춘 경우에는 취약 유형과 유사한 문항에 대해 확인하는 단계(S190)를 거친다.

만약, 맞추지 못한 경우에는 대표 문항을 다시 푸는 단계(S200)를 거쳐, 취약 유형과 유사한 문항에 대해 확인하는 단계(S190)를 거친다.

만약, S210 단계에서 B 학습을 수행하지 않은 경우에는, 리포트를 출력하고(S220), 이어서 다음 개념에 대해 학습을 진행한다(S230).

만약, 위약 유형 유사 문항을 확인하는 단계(S190)까지 모두 통과한 경우에는, 학습을 종료하고, 리포트를 출력한다(S260).

한편, 도 16은 본 발명과 관련하여, 학습 분석과 AI 기반 예측 및 추론에서 예측 모델의 일례를 도시한 것이다.

도 16에 도시된 것과 같이, 학습 성과를 미리 예측하여 서비스 이탈뿐만 아니라 수학을 포기하지 않도록 즉각적인 대안을 제시할 수 있다.

즉, 본 발명에서는, 유사한 그룹에 속해 있었던 또래의 취약점 극복기 추천 및 게임적 요소를 이용한 인공지능과 문제 겨루기 제시 등 실시간 대응이 가능하다.

또한, 도 17은 본 발명과 관련하여, 학습 분석과 AI 기반 예측 및 추론에서 추천 모델의 일례를 도시한 것이다.

도 17의 (a)는 규칙 기반에 따른 정적 학습 경로를 나타내고, (b)는 머신러닝 기반의 동적 학습 경로가 도시된다.

도 17을 참조하면, 미리 정의된 학습 경로(과정)을 따라가는 것이 아니라 각 상황과 문항별로 다음 학습 과정이 동적으로 변경할 수 있다.

즉, 취약 지식은 개인별로 다르고 수해력의 차이에 따라 더 적거나 많은 문제풀이 분량과 스킬이 요구될 수 있으므로 예측과 추천이 밀접히 연결할 수 있다.

구체적으로, 학습자별로 목표 점수가 상이하고, 목표 점수에 도달하기 위한 최단 학습결로가 다르므로, 학습자의 현재 점수, 목표점수, 취약유형 등을 고려하여 최단 동선으로 목표위치에 도달할 수 있도록 문제를 추천한다.

이후, 취약유형에 따라 맞춤 콘텐츠 제공을 통해 학습효율을 높이고, 학습경로를 가속화 하며, 최적화된 학습 커리큘럼을 제공할 수 있다.

또한, 본 발명에 따른 서비스는, 학습 에이전트로서 AI 튜터는 추론한 학습자의 취약 지식과 학습 성과를 기준으로 설계된 학습 경로와 자원을 학습자가 능동적으로 수행할 수 있도록 조력자 역할 수행할 수 있다.

즉, 학습 성향과 성격에 따라 AI 튜터의 스타일을 다르게 적용할 수 있다(학습 네비게이션 기능).

도 18은 본 발명과 관련하여, 학습 분석과 AI 기반 예측 및 추론의 구현 일례를 도시한 것이다.

도 18을 참조하면, 본 발명에 따른 인공지능 기반 맞춤형 학습 서비스(1000) 는 기본적으로 무인 시스템으로 운영되므로 서비스 이용 문의 및 교과 상담을 챗봇이 수행하고, 고객상담센터를 주간에 운영하면서 챗봇이 핸드오버 한 질의와 감성적 대응이 필요한 고객에 대한 대응은 기존 방식대로 수행할 수 있다.

본 발명에 따른 효과

상기와 같이 구성되는 본 발명의 적어도 하나의 실시예는 인공지능 기반 맞춤형 학습 방법 및 시스템을 제공할 수 있다.

구체적으로 본 발명에 따르면, 빅데이터와 AI 기술을 활용한 교과별 맞춤형 학습 서비스들은 개별 학습자의 취약점을 진단해서 구체적인 처방을 해주고 있으며, 학습성과를 예측해서 효율적인 학습 계획을 수립하고, 흥미를 유발하는 게임적인 요소들을 가미하면서 교과별 학습 서비스의 새로운 표준을 제시할 수 있다.

즉, 본 발명은 교육과정을 넘어서 교과별 개념을 단위 지식으로 세분화 할 수 있는데, 예를 들어 교육과정과 독립적으로 수학의 개념을 더 이상 분해할 수 없는 수천 여개의 단위 지식으로 체계화한 후에, 교육과정의 주제들을 관련된 단위 지식의 묶음으로 연결하여 서비스 유연성 강화를 도모할 수 있다.

또한, 본 발명에 따르면, 취약점 진단을 위한 기준 정보도 단위지식으로 변경할 수 있는데, 기존의 단원평가 성적을 기준으로 취약점을 진단하던 방식에서 보다 세부적인 단위 지식으로 취약점을 분석하면서 상세한 처방이 가능해질 수 있다.

또한, 본 발명에 따르면, 학습 경로를 설계하는 단위도 지식맵으로 표현할 수 있는데, 교육과정의 단원과 주제 순서로 학습하는 것도 가능하지만, 역량기반 교육(Competency-Based Education; CBE)을 위해 단위 지식을 중심으로 학습 경로를 설계하여 개인별로 다른 학습 계획과 분량을 조절할 수 있다.

다음으로, 본 발명에 따르면, 빅데이터와 AI를 이용한 교육 서비스들 통해, 맞춤형 학습 플랫폼(Adaptive Learning Platform)의 구성요소들을 단계적으로 제시할 수 있다.

구체적으로 본 발명에 따르면, 문제풀이 과정을 상세히 분석할 수 있다.

즉, 학습자가 시험지의 문항들을 풀 때마다 풀이 시간, 정/오답, 해설 강의 재생 등 전 과정을 빅데이터로 수집하여 대시보드 형태로 정보 제공하는 것이 가능하다.

현재, 대부분 시스템 로그와 데이터베이스의 메타데이터를 조합하여 분석하는 데이터 마이닝 방식을 적용하고 있으나 본 발명에서는 오답이 발생한 원인, 즉 취약 지식에 대한 분석과 교과별 성취도 분석 결과를 제공하는 것이 가능하다.

또한, 본 발명에 따르면, AI의 추론 기능을 통해 학습 성과와 정/오답 제출 가능성을 예측하는 것이 가능하다.

구체적으로, 취약점 분석 결과와 축적된 학습 데이터를 이용해서 정/오답 제출 가능성과 학습 성과를 예측할 수 있다.

또한, AI가 최적화된 학습 경로와 콘텐츠(문항)을 추천할 수 있다.

본 발명에 따르면, 개인별 취약 지식에 대해서는 연속적인 유사 문제와 쌍둥이 문제들로 단기간에 취약점을 극복하는 상호작용형 추천 서비스 제공이 가능하다.

또한, 본 발명에 따르면, 개인별 문제집을 구성할 수 있는 추천 및 출제 기능을 통해 PoD(Print-on-Demand) 서비스를 제공할 수 있다.

또한, 본 발명에 따르면, OCR(Optical Character Recognition) 기술을 이용해서 수식과 문자를 인식하는 인터페이스, 필기 인식을 통해 수식을 표현하는 인터페이스, 그래프를 시뮬레이션하는 서비스 등으로 첨단화하는 것이 가능하다.

구체적으로, 본 발명에서는, 문제를 사진으로 찍어서 검색(OCR)할 수 있다.

즉, 문제집의 인쇄된 문항이나 손으로 필기한 문항을 사진으로 찍으면 AI가 축적된 데이터베이스에서 정답과 문제풀이 과정을 검색해서 실시간으로 제공해주는 서비스 제공이 가능하다.

현재는 인식과 검색 경쟁력에 집중하고 있으며, 예측과 추천 등 맥락적인 서비스 요소는 미흡한 바 본 발명에서는, 필기 인식을 통한 수식 표현 등도 제공할 수 있다.

즉, 복잡한 수식을 터치인터페이스에 필기하면 AI가 인식하여 정규 수식으로 표현 및 실시간 연산을 거쳐 정답을 제시할 수 있다.

또한, 본 발명에서는 직관적인 그래프 시뮬레이션을 제공한다.

구체적으로, 복잡한 함수도 바로 그래프로 표현하고 계수와 변수들을 조절하면서 그래프의 변화를 즉시 확인할 수 있어서 취약점 극복에 효과적이다.

또한, 본 발명은 데이터 수집 체계를 기준으로, 문항 반응 모델을 수립하고, 머신 러닝을 적용하여 성취 수준(역량)에 따라 개인화된 학습 경로와 컨텐츠/자원을 제공하며, 학습자, 교사 및 학부모에 구체적이고 개인화된 피드백(처방)을 제공하고, 학습자의 학습 성과를 진단하여 문제점을 조기에 발견 및 해소할 수 있는 학습 분석 방법 및 시스템을 사용자에게 제공할 수 있다.

또한, 본 발명은 단체 시험 및 개인별 문제에 대한 학습자의 풀이 결과로부터, 학습자의 개념별 이해 여부를 정확하게 진단하고 피드백함으로써, 취약 개념에 대한 파악 및 취약 개념에 대한 학습 콘텐츠 자동 선별 추천이 가능하여, 맞춤형 학습의 효율성 및 신뢰성이 증대되는 효과가 있다.

또한, 본 발명은 온라인 강의 내용을 수강자가 보다 효율적이고 몰입도를 가지면서 온라인 강의에 참여할 수 있도록 하는 동시에 수강 확인 및 몰입도를 산출하여 그에 따른 수강 평가 및 이에 대한 피드백을 제공하여 체계적인 온라인 수강이 일어날 수 있도록 하는 효과가 있다.

다만, 본 발명에서 얻을 수 있는 효과는 이상에서 언급한 효과들로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 아래의 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.

또한, 본 발명의 일실시예에 의하면, 전술한 방법은, 프로그램이 기록된 매체에 프로세서가 읽을 수 있는 코드로서 구현하는 것이 가능하다. 프로세서가 읽을 수 있는 매체의 예로는, ROM, RAM, CD-ROM, 자기 테이프, 플로피 디스크, 광 데이터 저장장치 등이 있으며, 캐리어 웨이브(예를 들어, 인터넷을 통한 전송)의 형태로 구현되는 것도 포함한다.

상기와 같이 설명된 방법 및 시스템은 상기 설명된 실시예들의 구성과 방법이 한정되게 적용될 수 있는 것이 아니라, 상기 실시예들은 다양한 변형이 이루어질 수 있도록 각 실시예들의 전부 또는 일부가 선택적으로 조합되어 구성될 수도 있다.

Claims (12)

1. 웹, 외부 서버 및 단말과 네트워크를 구축한 교육용 서버에 있어서,
   사용자가 상기 네트워크 상의 웹, 외부 서버 및 단말 중 적어도 하나를 기초로 제 1 학습을 진행하는 경우, 상기 교육용 서버는,
   상기 제 1 학습 진행 결과를 수신하고,
   상기 제 1 학습 진행 결과를 분석하고, 미리 지정한 학습 조건을 만족하지 못하는 상기 사용자의 제 1 취약 요소를 도출하며,
   미리 저장된 복수의 문항 중 상기 제 1 취약 요소와 관련된 적어도 하나의 제 1 문항을 포함하는 제 2 학습을 상기 사용자에게 제공하고,
   상기 제 2 학습 진행 결과를 수신하는 경우,
   상기 교육용 서버는,
   상기 제 2 학습 진행 결과를 분석하고, 상기 미리 지정한 학습 조건을 만족하지 못하는 제 2 취약 요소를 도출하며,
   상기 제 2 취약 요소가 상기 제 1 취약 요소와 동일한지 여부를 판단하고,
   상기 제 2 취약요소가 상기 제 1 취약 요소와 동일한지 여부에 따라 다르게 적용되는 피드백을 상기 사용자에게 제공하며,
   
   상기 제 2 취약요소가 상기 제 1 취약 요소와 상이한 경우, 상기 교육용 서버는,
   미리 저장된 복수의 문항 중 상기 제 2 취약 요소와 관련된 적어도 하나의 제 2 문항을 포함하는 제 3 학습을 상기 사용자에게 제공하고,
   
   상기 제 2 취약요소가 상기 제 1 취약 요소와 동일한 경우, 상기 교육용 서버는,
   상기 제 3 학습을 상기 사용자에게 제공하지 않고, 상기 제 2 취약요소가 상기 제 1 취약 요소와 동일하다는 정보만을 획득하며,
   
   상기 교육용 서버는,
   상기 사용자가 상기 제 2 학습을 수행하였는지 여부를 판단하고,
   
   상기 사용자가 상기 제 2 학습을 수행한 경우, 상기 교육용 서버는,
   상기 제 2 학습 진행 결과를 분석하여, 상기 사용자가 맞춘 문항과 틀린 문항을 구분하며,
   
   상기 틀린 문항이 존재하는 경우, 상기 교육용 서버는,
   상기 틀린 문항과 관련된 취약요소가 상기 제 1 취약 요소 및 상기 제 2 취약요소 중 적어도 하나와 동일한지 여부를 판단하고,
   
   상기 틀린 문항과 관련된 취약요소가 상기 제 1 취약 요소 및 상기 제 2 취약요소 중 적어도 하나와 동일한 경우, 상기 교육용 서버는,
   상기 제 2 학습 및 상기 제 3 학습 중 적어도 하나를 상기 사용자에게 제공하며,
   
   상기 틀린 문항이 존재하지 않는 경우, 상기 교육용 서버는,
   상기 제 1 취약 요소 및 상기 제 2 취약요소와 연관된 제 3 취약요소를 도출하고,
   미리 저장된 복수의 문항 중 상기 제 3 취약 요소와 관련된 적어도 하나의 제 3 문항을 포함하는 제 4 학습을 상기 사용자에게 제공하며,
   
   상기 교육용 서버는,
   상기 사용자가 상기 제 3 학습을 수행하였는지 여부를 판단하고,
   
   상기 사용자가 상기 제 3 학습을 수행한 경우, 상기 교육용 서버는,
   상기 제 3 학습 진행 결과를 분석하여, 상기 사용자가 맞춘 문항과 틀린 문항을 구분하며,
   
   상기 틀린 문항이 존재하는 경우, 상기 교육용 서버는,
   상기 틀린 문항과 관련된 취약요소가 상기 제 1 취약 요소 및 상기 제 2 취약요소 중 적어도 하나와 동일한지 여부를 판단하고,
   
   상기 틀린 문항과 관련된 취약요소가 상기 제 1 취약 요소 및 상기 제 2 취약 요소 중 적어도 하나와 동일한 경우, 상기 교육용 서버는,
   미리 저장된 복수의 문항 중 상기 제 1 취약 요소 및 상기 제 2 취약 요소와 관련되고, 상기 제 1 문항 및 상기 제 2 문항과 다른, 제 4 문항을 결정하고, 상기 제 4 문항을 포함하는 제 5 학습을 상기 사용자에게 제공하며,
   
   상기 교육용 서버는,
   상기 사용자의 전체 학습과 관련된 결과 레포트를 생성하고, 상기 생성한 결과 레포트를 상기 사용자에게 제공하고,
   
   상기 결과 레포트는, 상기 사용자의 전체 학습과 관련된 학습 성과 정보, 학습 취약점 극복 정보 및 학습 계획 정보를 포함하며,
   
   상기 학습 성과 정보는, 상기 복수의 문항과 관련된 상기 사용자의 풀이 시간, 정답률, 오답률, 해설 강의 재생 여부 및 상기 해설 강의 재생의 반복 횟수를 포함하고,
   
   상기 학습 취약점 극복 정보는,
   상기 복수의 문항 중 오답률이 미리 지정된 수치 이상의 약점 문항과 관련된 미리 지정된 복수의 보완 문항 정보를 포함하며,
   
   상기 교육용 서버는, 상기 미리 지정된 복수의 보완 문항 정보를 상기 사용자에게 연속적으로 제공하여, 상기 사용자의 추가 학습을 진행하고,
   
   상기 학습 계획 정보는,
   상기 학습 성과 정보를 기반으로, 상기 사용자에 대해 맞춤형으로 결정된 학습 대상 및 학습 시간 정보를 포함하고,
   
   상기 복수의 문항 중 상기 사용자가 카메라를 통해 촬영한 제 5 문항 이미지를 수신하는 경우, 상기 교육용 서버는,
   OCR(Optical Character Recognition) 기술을 기반으로, 상기 문항 이미지를 통해 상기 제 5 문항을 파악하고,
   상기 제 5 문항과 관련하여 미리 지정된 해설 정보를 상기 사용자에 제공하는 것을 특징으로 하는 학습분석 및 인공지능 기반 맞춤형 학습 방법을 위한 교육용 서버.
2. 삭제
3. 삭제
4. 삭제
5. 삭제
6. 삭제
7. 삭제
8. 삭제
9. 삭제
10. 삭제
11. 삭제
12. 삭제

Images