KR102194441B1 - 학습자의 학습내용에 대한 망각 관리 방법 및 시스템 - Google Patents

Abstract

학습자의 학습내용에 대한 망각 관리 방법 및 시스템이 제시된다. 본 발명에서 제안하는 학습자의 학습내용에 대한 망각 관리 시스템은 학습자가 시스템에 입장하면 빅데이터베이스부를 조회하여 학습자의 현재 상황을 검토한 후 학습자의 학습내용에 대한 망각 관리 프로세스를 제어하는 유닛 프로세스, 학습자에게 제공할 학습섹션과 평가섹션을 선정하는 섹션 선정부, 자료 보관부에서 선택된 학습섹션과 평가섹션에서 학습자의 각 섹션에 대한 레벨에 기초하여 해당 레벨의 문제 및 동영상을 호출하여 학습자에게 제공하는 지속성 프로세스부, 제공된 학습섹션의 문제 및 동영상과 평가섹션의 문제가 학습자에 의해 이행된 후, 각 섹션의 망각곡선그래프의 개형을 빅데이터베이스부에 망각곡선을 업데이트하는 섹션 망각곡선 업데이트부 및 학습자가 이행한 평가섹션의 문제에 기초하여 해당 섹션의 측정치를 업데이트하는 섹션 측정치 업데이트부를 포함한다.

Description

학습자의 학습내용에 대한 망각 관리 방법 및 시스템{Method and System for forgetness management of Learning Material}

본 발명은 특정 과목의 모든 개념들의 활용이 학습자의 머리 안에 언제나 상주하도록 관리 하는 학습자의 학습내용에 대한 망각 관리 방법 및 장치에 관한 것이다.

본 발명은 학습자의 학습 자료에 대한 망각을 관리할 수 있는 시스템으로서 이를 위한 조건은 다음과 같다. 어떤 과목이나 종목이든 해당 과목의 범위를 작은 섹션으로 나누고 각 섹션마다 레벨을 설정하여 문제와 학습 영상을 등록한 경우 학습자의 망각을 관리하고자 한다.

학습자의 학습 상태를 평가하고, 이 측정치를 기준으로 망각예측치를 정의하고, 학습자의 체감 난이도에 따라 망각곡선을 추출하여 이를 활용해 학습자를 관리하고자 한다.

한국 등록특허공보 10-1904455호(2018.09.27.)

본 발명이 이루고자 하는 기술적 과제는 학습자의 학습 상태를 평가하고, 측정치를 기준으로 망각예측치를 정의하고, 학습자의 체감 난이도에 따라 망각곡선을 추출하여 학습자를 관리하고자 한다. 이와 같이 합리적이고 일관성 있는 정책을 바탕으로 학습자의 반복학습을 유도함으로써 학습자의 학습에 대한 망각을 관리할 수 있는 신뢰할만한 방법 및 장치를 제공하고자 한다.

일 측면에 있어서, 본 발명에서 제안하는 학습자의 학습내용에 대한 망각 관리 시스템은 학습자가 시스템에 입장하면 빅데이터베이스부를 조회하여 학습자의 현재 상황을 검토한 후 학습자의 학습내용에 대한 망각 관리 프로세스를 제어하는 유닛 프로세스, 학습자에게 제공할 학습섹션과 평가섹션을 선정하는 섹션 선정부, 자료 보관부에서 선택된 학습섹션과 평가섹션에서 학습자의 각 섹션에 대한 레벨에 기초하여 해당 레벨의 문제 및 동영상을 호출하여 학습자에게 제공하는 지속성 프로세스부, 제공된 학습섹션의 문제 및 동영상과 평가섹션의 문제가 학습자에 의해 이행된 후, 각 섹션의 망각곡선그래프의 개형을 빅데이터베이스부에 망각곡선을 업데이트하는 섹션 망각곡선 업데이트부 및 학습자가 이행한 평가섹션의 문제에 기초하여 해당 섹션의 측정치를 업데이트하는 섹션 측정치 업데이트부를 포함한다.

섹션 선정부는 빅데이터베이스부의 섹션선정 데이터베이스부를 조회하여 마지막 유닛 프로세스가 실행됐을 시, 학습자를 평가했던 평가섹션이 무엇인지 조회하고, 학습자의 마지막 평가 과정에서 추가 학습이 필요한 부분에 해당하는 학습섹션이 선정한다.

섹션 선정부는 학습자를 평가할 목적으로 선정되는 학습자 평가용 섹션 및 망각곡선을 업데이트할 목적으로 선정되는 망각곡선업데이트용 섹션을 포함하는 평가섹션을 선정한다.

지속성 프로세스부는 선정된 평가섹션과 학습섹션에 기초하여 자료 보관부로부터 평가문제, 학습문제 및 동영상을 호출하고, 학습자의 학습 태도, 해당 시기 학습자의 상황에 따라 평가섹션과 학습섹션의 절대량을 결정하여 필요한 자료량을 선정한다.

본 발명에서 제안하는 학습자의 학습내용에 대한 망각 관리 시스템은 빅데이터베이스부를 더 포함하고, 빅데이터베이스부는 학습자가 평가섹션에서 평가를 받는 것과 학습섹션에서 학습하면서 풀게 되는 모든 문제의 이력이 저장되는 풀이이력 데이터베이스부, 섹션선정부가 학습자에게 과거 제공한 평가섹션과 해당 섹션에 대한 정보가 저장되는 섹션선정 데이터베이스부, 등록된 모든 학습자에 대한 개별 섹션의 망각곡선의 위치에 대한 정보가 저장되는 개별망각측정치 데이터베이스부, 개별 섹션의 망각곡선에 대한 정보가 저장되는 섹션망각곡선 데이터베이스부, 학습자가 평가문제에 따라 받은 평가의 결과를 바탕으로 분석된 측정치가 섹션 별로 저장되는 섹션측정치 데이터베이스부 및 학습자가 유닛 프로세스를 수행한 이력이 저장되는 지속성 데이터베이스부를 포함한다.

학습자의 방에 설치된 망각의 램프는 와이파이를 통해 인터넷 및 서버의 데이터베이스와 연결되고, 해당 학습자에게 학습이 필요한 부분이 있다고 판단되는 경우 망각의 램프를 통해 학습자에게 신호를 나타내어 망각 관리 시스템을 통해 학습을 수행하도록 유도한다.

또 다른 일 측면에 있어서, 본 발명에서 제안하는 학습자의 학습내용에 대한 망각 관리 방법은 유닛 프로세스를 통해 학습자가 시스템에 입장하면 빅데이터베이스부를 조회하여 학습자의 현재 상황을 검토한 후 학습자의 학습내용에 대한 망각 관리 프로세스를 제어하는 단계, 섹션 선정부를 통해 학습자에게 제공할 학습섹션과 평가섹션을 선정하는 단계, 자료 보관부에서 선택된 학습섹션과 평가섹션에서 학습자의 각 섹션에 대한 레벨에 기초하여 지속성 프로세스부를 통해 해당 레벨의 문제 및 동영상을 호출하여 학습자에게 제공하는 단계, 제공된 학습섹션의 문제 및 동영상과 평가섹션의 문제가 학습자에 의해 이행된 후, 섹션 망각곡선 업데이트부를 통해 각 섹션의 망각곡선그래프의 개형을 빅데이터베이스부에 망각곡선을 업데이트하는 단계 및 학습자가 이행한 평가섹션의 문제에 기초하여 섹션 측정치 업데이트부를 통해 해당 섹션의 측정치를 업데이트하는 단계를 포함한다.

일 측면에 있어서, 본 발명에서 제안하는 학습자의 학습내용에 대한 망각 관리 시스템은 학습자가 시스템에 입장하면 빅데이터베이스부를 조회하여 학습자의 현재 상황을 검토한 후 학습자의 학습내용에 대한 망각 관리 프로세스를 제어하는 유닛 프로세스, 학습자에게 제공할 학습섹션과 평가섹션을 선정하는 섹션 선정부, 자료 보관부에서 선택된 학습섹션과 평가섹션에서 학습자의 각 섹션에 대한 레벨에 기초하여 해당 레벨의 문제 및 동영상을 호출하여 학습자에게 제공하는 지속성 프로세스부, 제공된 학습섹션의 문제 및 동영상과 평가섹션의 문제가 학습자에 의해 이행된 후, 각 섹션의 망각곡선그래프의 개형을 빅데이터베이스부에 망각곡선을 업데이트하는 섹션 망각곡선 업데이트부 및 학습자가 이행한 평가섹션의 문제에 기초하여 해당 섹션의 측정치를 업데이트하는 섹션 측정치 업데이트부를 포함한다.

섹션 선정부는 빅데이터베이스부의 섹션선정 데이터베이스부를 조회하여 마지막 유닛 프로세스가 실행됐을 시, 학습자를 평가했던 평가섹션이 무엇인지 조회하고, 학습자의 마지막 평가 과정에서 추가 학습이 필요한 부분에 해당하는 학습섹션이 선정한다.

섹션 선정부는 학습자를 평가할 목적으로 선정되는 학습자 평가용 섹션 및 망각곡선을 업데이트할 목적으로 선정되는 망각곡선업데이트용 섹션을 포함하는 평가섹션을 선정한다.

지속성 프로세스부는 선정된 평가섹션과 학습섹션에 기초하여 자료 보관부로부터 평가문제, 학습문제 및 동영상을 호출하고, 학습자의 학습 태도, 해당 시기 학습자의 상황에 따라 평가섹션과 학습섹션의 절대량을 결정하여 필요한 자료량을 선정한다.

본 발명에서 제안하는 학습자의 학습내용에 대한 망각 관리 시스템은 빅데이터베이스부를 더 포함하고, 빅데이터베이스부는 학습자가 평가섹션에서 평가를 받는 것과 학습섹션에서 학습하면서 풀게 되는 모든 문제의 이력이 저장되는 풀이이력 데이터베이스부, 섹션선정부가 학습자에게 과거 제공한 평가섹션과 해당 섹션에 대한 정보가 저장되는 섹션선정 데이터베이스부, 등록된 모든 학습자에 대한 개별 섹션의 망각곡선의 위치에 대한 정보가 저장되는 개별망각측정치 데이터베이스부, 개별 섹션의 망각곡선에 대한 정보가 저장되는 섹션망각곡선 데이터베이스부, 학습자가 평가문제에 따라 받은 평가의 결과를 바탕으로 분석된 측정치가 섹션 별로 저장되는 섹션측정치 데이터베이스부 및 학습자가 유닛 프로세스를 수행한 이력이 저장되는 지속성 데이터베이스부를 포함한다.

학습자의 방에 설치된 망각의 램프는 와이파이를 통해 인터넷 및 서버의 데이터베이스와 연결되고, 해당 학습자에게 학습이 필요한 부분이 있다고 판단되는 경우 망각의 램프를 통해 학습자에게 신호를 나타내어 망각 관리 시스템을 통해 학습을 수행하도록 유도한다.

또 다른 일 측면에 있어서, 본 발명에서 제안하는 학습자의 학습내용에 대한 망각 관리 방법은 유닛 프로세스를 통해 학습자가 시스템에 입장하면 빅데이터베이스부를 조회하여 학습자의 현재 상황을 검토한 후 학습자의 학습내용에 대한 망각 관리 프로세스를 제어하는 단계, 섹션 선정부를 통해 학습자에게 제공할 학습섹션과 평가섹션을 선정하는 단계, 자료 보관부에서 선택된 학습섹션과 평가섹션에서 학습자의 각 섹션에 대한 레벨에 기초하여 지속성 프로세스부를 통해 해당 레벨의 문제 및 동영상을 호출하여 학습자에게 제공하는 단계, 제공된 학습섹션의 문제 및 동영상과 평가섹션의 문제가 학습자에 의해 이행된 후, 섹션 망각곡선 업데이트부를 통해 각 섹션의 망각곡선그래프의 개형을 빅데이터베이스부에 망각곡선을 업데이트하는 단계 및 학습자가 이행한 평가섹션의 문제에 기초하여 섹션 측정치 업데이트부를 통해 해당 섹션의 측정치를 업데이트하는 단계를 포함한다.

도 1은 본 발명의 일 실시예에 따른 학습자의 학습내용에 대한 망각 관리 시스템을 나타내는 도면이다.
도 2는 본 발명의 일 실시예에 따른 학습자의 학습내용에 대한 망각 관리 방법을 설명하기 위한 흐름도이다.
도 3은 본 발명의 일 실시예에 따른 디스플레이에 제공되는 평가자료 및 학습자료를 나타내는 도면이다.
도 4는 본 발명의 일 실시예에 따른 망각관리 시스템의 관리 과정을 나타내는 도면이다.
도 5는 본 발명의 일 실시예에 따른 망각관리 시스템의 관리 과정 중 학습자가 맞추는 문제에 대한 네 가지 상황을 나타내는 도면이다.
도 6은 본 발명의 일 실시예에 따른 망각관리 시스템의 측정치를 나타내는 그래프이다.
도 7은 본 발명의 일 실시예에 따른 문제풀이 과정을 나타내는 도면이다.
도 8은 본 발명의 일 실시예에 따른 망각곡선을 생성하는 과정을 나타내는 도면이다.
도 9는 본 발명의 일 실시예에 따른 UTD를 나타내는 도면이다.
도 10은 본 발명의 일 실시예에 따른 망각결정 기울기를 이용하여 구한 망각결정 그래프이다.
도 11은 본 발명의 일 실시예에 따른 망각곡선 일부를 구하는 과정을 나타내는 도면이다.
도 12는 본 발명의 일 실시예에 따른 퍼지 제어부(Fuzzy controer)를 나타내는 도면이다.
도 13은 본 발명의 일 실시예에 따른 퍼지 제어의 멤버십 함수를 설명하기 위한 도면이다.
도 14는 본 발명의 일 실시예에 따른 출력값을 구하는 과정을 설명하기 위한 도면이다.
도 15는 본 발명의 일 실시예에 따른 TMPV 업데이트 과정을 설명하기 위한 도면이다.
도 16은 본 발명의 일 실시예에 따른 퍼지 제어부를 사용하여 iMPV 구하는 과정을 설명하기 위한 도면이다.
도 17은 본 발명의 일 실시예에 따른 룰 베이스는 나타내는 도면이다.
도 18은 본 발명의 일 실시예에 따른 언어값의 소속 확률을 나타내는 도면이다.
도 19는 본 발명의 일 실시예에 따른 각 룰에 의해서 신뢰도를 구하기 위한 비퍼지화 방식을 설명하기 위한 도면이다.

본 발명은 학습자의 학습 자료에 대한 망각을 관리할 수 있는 시스템으로서 이를 위한 조건은 다음과 같다. 어떤 과목이나 종목이든 해당 과목의 범위를 작은 섹션으로 나누고 각 섹션마다 레벨을 설정하여 문제와 학습 영상을 등록한 경우 학습자의 망각을 관리할 수 있는 시스템이다.

이 시스템은 과목을 학습할 수 있는 단위로 나누고(이를 섹션(section)이라고 함) 각 섹션을 다시 10개의 레벨로 나눈다. 학습자는 모든 섹션마다 특정 레벨이 할당된다. 이와 같이 각 섹션의 레벨을 기준으로 학습자의 학습 상태를 평가하며 이 측정치를 기준으로 망각예측치를 정의하여 일정수준 이상의 망각예측치가 되면 학습자의 집안에 설치된 망각램프를 이용하여 학습자에게 알림을 제공하게 된다. 이 망각예측치가 시간에 따라서 얼마나 빠르게 떨어지는지에 대한 속도는 각 섹션마다 정의된 개별 망각곡선을 통해서 정해지게 된다. 이 망각곡선의 개형은 또한 섹션마다 다르며 그 개형은 시스템에 접속하는 모든 학습자에 대해서 해당 섹션을 통해 느끼는 체감 난이도를 반영하도록 디자인 되었다. 즉 학습자의 체감 난이도가 큰 경우 망각 곡선의 기울기의 절대값을 크게 했으며 체감 난이도가 작은 경우 망각 곡선의 기울기의 절대값을 작게 하였다. 이는 망각곡선의 기울기의 절대값이 크면 망각 예측치가 빠르게 하락하기 때문에 망각 램프를 통해서 학습자를 더 자주 오도록 유도하였으며 망각곡선의 기울기의 절대값이 작다면 반대로 망각 예측치가 느리게 하락하기 때문에 학습자를 덜 호출하게 된다. 이러한 망각곡선이 어떻게 체감 난이도를 추출하여 만들어 지는지는 후술되었다. 이러한 망각곡선을 활용해 학습자를 관리하는 것은 합리적이고 일관성 있는 정책을 바탕으로 학습자의 반복학습을 유도함으로써 학습자의 학습에 대한 망각을 관리할 수 있는 신뢰할만한 툴을 제공한다.

학생의 방에는 와이파이와 연결된 망각의 램프가 설치되어 있다. 망각의 램프는 와이파이를 통해 인터넷과 연결되어 있고 또한 서버의 데이터베이스와 연결되어 있다. 시간이 지나면서 시스템에서 해당 학생의 학습이 필요한 부분이 있다고 판단되면 망각의 램프가 켜지고 학생에게 신호하여 시스템에 접속하여 학습 하도록 유도한다. 이하, 본 발명의 실시 예를 첨부된 도면을 참조하여 상세하게 설명한다.

도 1은 본 발명의 일 실시예에 따른 학습자의 학습내용에 대한 망각 관리 시스템을 나타내는 도면이다.

제안하는 학습자의 학습내용에 대한 망각 관리 시스템은 프로세스부(110), 자료 보관부(130), 빅데이터베이스부(130)를 포함한다.

프로세스부(110)는 유닛 프로세스부(111), 섹션 선정부(112), 지속성 프로세스부(113), 섹션 망각곡선 업데이트부(114), 섹션 측정치 업데이트부(115)를 포함한다.

빅데이터베이스부(120)는 풀이 이력 데이터베이스부(121), 섹션 선정 데이터베이스부(122), 망각 측정치 데이터베이스부(123), 섹션 측정치 데이터베이스부(124), 지속성 데이터베이스부(125), 섹션 망각 곡선 데이터베이스부(126)를 포함한다.

유닛 프로세스(111)가 실행되면 빅데이터베이스부(120)를 조회하여 학생의 현재 상황을 검토한 후 평가가 필요한 섹션과 학습할 섹션을 선정한다. 더욱 상세하게는 빅데이터베이스부(120)의 섹션 선정 데이터베이스부(122)를 조회하여 마지막 유닛 프로세스(111)가 실행됐을 시, 학습자를 평가하였던 평가섹션이 무엇인지 조회한다. 이는 프로세스부(110)의 섹션 선정부(112)를 통해서 이루어지며 이 프로세스를 통해 학습자의 마지막 평가 과정에서 미진한 부분에 대한 학습할 섹션이 선정된다. 동시에 평가섹션은 두 가지 종류가 선택이 된다. 하나는 학습자를 평가할 목적으로 선정되는 학습자 평가용 섹션이며 다른 하나는 앞으로 후술할 망각곡선을 업데이트할 목적으로 섹션을 선정하게 된다. 학습자 평가용 섹션이 선정될 때는 빅데이터베이스부(120)의 망각 측정치 데이터베이스부(123)를 참조하여 학습자에게 평가가 필요한 섹션을 선정하게 되고, 망각 곡선 업데이트용 섹션을 선정할 때는 빅데이터베이스부(120)의 섹션 망각곡선 데이터베이스부(126)를 참조하여 업데이트할 필요가 있는 섹션을 선정하게 된다.

이렇게 선정된 평가섹션과 학습섹션을 바탕으로 자료 보관부(130)에서 평가 문제(132)와 강의영상 및 학습 문제(133)가 호출된다. 이 때 지속성 프로세스부(113)를 통해서 적당한 자료량이 선정되게 된다. 다시 말해, 평가섹션과 학습섹션의 절대량이 결정된다. 이는 사용자의 학습 태도나 해당 시기 학습자의 상황에 따라 달라지게 된다.

이렇게 제공된 학습섹션의 문제와 강의영상 그리고 평가섹션의 문제들은 학생에 의해서 이행되고, 그 결과들은 프로세스부(110)를 통해 분석되어 빅데이터베이스부(120)에 업데이트되게 된다. 더욱 상세하게는, 학습자의 평가섹션과 학습섹션에 대해서 프로세스 종료형태가 파악이 된다. 그 종류는 후술될 것이며 종료형태는 빅데이터베이스부(120)의 지속성 데이터베이스부(125)에 저장된다. 학습 결과 그리고 평가결과는 빅데이터베이스부(120)의 풀이이력 데이터베이스부(121)에 저장이 된다.

평가섹션의 학습자 평가용섹션의 문제풀이 결과를 바탕으로 프로세스부(110)의 섹션 측정치 업데이트부(115)를 통해 빅데이터베이스부(120)의 섹션 측정치 데이터베이스부(124)를 업데이트하게 된다. 평가섹션의 망각곡선 업데이트용 섹션을 통해서 선정된 문제들의 풀이 결과는 프로세스부(110)의 섹션 망각곡선 업데이트부(114)를 통해 빅데이터베이스부(120)의 섹션 망각곡선 데이터베이스부(126)를 업데이트하게 된다.

자료 보관부(130)는 과목섹션닝(131), 각 섹션에 부여된 레벨 별 강의영상 및 학습문제(133), 그리고 각 섹션에 부여된 평가문제(132) 등으로 구성된다.

어떤 과목이든 해당 시험문제를 분석하여 하나의 아이디어로 구분하거나 혹은 그 과목들을 구성하는 기본개념들로 구분하여 복수 개의 섹션으로 구분한다. 이를 섹션닝이라고 한다. 이렇게 분석된 각각의 섹션(section)은 하나의 공식일 수 있고, 개념일 수 있으며, 분석가의 주관적인 해석방향일 수 있다. 각 섹션은 1단계 부터 10단계 까지 레벨이 부여되고, 각 레벨에는 동영상이 적어도 1개 저장되어 있어 하나의 섹션은 동영상이 10개 이상 등록되어 있다. 이 동영상은 각 섹션에 해당하는 레벨을 지니고 있다. 예를 들어, 특정 섹션의 동영상1은 레벨이 1이고 동영상2는 레벨이 2이고, ... 동영상 10은 레벨이 10 등이 부여되도록 한다. 레벨1의 동영상1 은 가장 기초적인 강의로서 해당 섹션을 설명하는 가장 기본적인 내용이 포함된다. 레벨2의 동영상2는 동영상 1보다는 더 응용된 영상이다. 이렇게 각각의 섹션은 레벨 1부터 레벨 10까지 10개의 레벨이 나누어져 있으며 각 레벨에는 동영상이 적어도 한 개 할당되어 있다. 그러나 여기서 할당된 레벨은 학생들이 느끼는 체감 난이도와는 다른 개념이다. 레벨은 이 시스템을 주관자가 임의로 부여하고 난이도별로 제공하겠지만 그것이 언제나 학습자들의 체감 난이도와 같지는 않을 것이다.

각 섹션의 각 레벨에는 문제가 할당되어 있고 이 문제는 평가 문제와 학습문제 두 가지로 구분된다. 평가문제는 학습자가 어떤 섹션의 어떤 레벨인지 평가할 때 쓰이는 문제이며, 학습문제는 해당 섹션의 해당 레벨을 학습시키기 위해서 필요한 문제다.

이렇게 하나의 과목을 분석하여 나누어진 각각의 섹션닝, 그리고 각 섹션을 10개의 레벨로 구분, 그렇게 구분된 레벨에 등록된 적어도 하나이상의 강의영상, 또한 상기 레벨에 할당된 하나 이상의 평가 문제와 하나 이상의 학습문제들로 구성된 데이터베이스를 자료 보관부(130)라고 한다.

프로세스부(110)는 유닛 프로세스부(111), 섹션 선정부(112), 지속성 프로세스부(113), 섹션 망각곡선 업데이트부(114), 섹션 측정치 업데이트부(115)로 구성된다. 섹션 선정부(112)는 유닛 프로세스(111)가 실행되면서 해당 학생이 학습할 학습섹션과 해당 학생이 평가 받아야 하는 평가섹션이 선택이 된다. 평가섹션은 다시 학습자평가용 섹션과 망각 곡선업데이트용 섹션이 구분되어 선택이 된다.

섹션 망각곡선 업데이트부(114)는 각 섹션의 망각곡선그래프의 개형을 업데이트하는 프로세스다. 섹션 측정치 업데이트부(115)는 학습자가 평가섹션의 평가 문제들을 바탕으로 해당 섹션의 측정치를 업데이트하는 프로세스다.

지속성 프로세스(113)는 학생의 학습 형태를 파악하여 유닛 프로세스(111)에서 섹션 선정부(112)를 통해 선정하는 평가 문제와 학습문제 등의 양을 조정하는 프로세스다.

빅데이터베이스부(120)는 풀이이력 데이터베이스부(121), 섹션선정 데이터베이스부(122), 망각 측정치 데이터베이스부(123), 섹션 측정치 데이터베이스부(125), 지속성 데이터베이스부(125), 섹션 망각 곡선 데이터베이스부(126) 등으로 구성된다.

풀이이력 데이터베이스부(121)는 학습자가 평가섹션에서 평가를 받는 것과 학습섹션에서 학습하면서 풀게 되는 모든 문제의 이력이 저장되는 데이터베이스다. 섹션선정 데이터베이스부(122)는 상기 프로세스부의 섹션선정부가 학습자에게 과거 제공한 평가섹션과 해당 섹션에 대한 정보가 저장되어 있다. 망각 측정치 데이터베이스부(123)는 등록된 모든 학습자에 대한 개별 섹션의 망각곡선의 위치에 대한 정보가 저장되어 있다. 섹션 망각곡선 데이터베이스부(126)는 개별 섹션의 망각곡선에 대한 정보가 저장되어 있다. 섹션 측정치 데이터베이스부(124)는 학습자가 평가문제에 따라 받은 평가의 결과를 바탕으로 분석된 측정치가 섹션 별로 저장되어 있다. 지속성 데이터베이스부(125)는 학생이 유닛 프로세스를 수행한 이력이 포함되어 있다.

도 2는 본 발명의 일 실시예에 따른 학습자의 학습내용에 대한 망각 관리 방법을 설명하기 위한 흐름도이다.

제안하는 학습자의 학습내용에 대한 망각 관리 방법은 유닛 프로세스를 통해 학습자가 시스템에 입장하면 빅데이터베이스부를 조회하여 학습자의 현재 상황을 검토한 후 학습자의 학습내용에 대한 망각 관리 프로세스를 제어한다. 망각 관리 프로세스는 섹션 선정부를 통해 학습자에게 제공할 학습섹션과 평가섹션을 선정한다(210). 그리고, 자료 보관부에서 선택된 학습섹션과 평가섹션에서 학습자의 각 섹션에 대한 레벨에 기초하여 지속성 프로세스부를 통해 해당 레벨의 문제 및 동영상을 호출하여 학습자에게 제공한다(220). 제공된 학습섹션의 문제 및 동영상과 평가섹션의 문제가 학습자에 의해 이행(230)된 후, 평가 및 학습결과를 분석한다(240). 이후, 섹션 망각곡선 업데이트부를 통해 각 섹션의 망각곡선그래프의 개형을 빅데이터베이스부에 망각곡선을 업데이트하고, 학습자가 이행한 평가섹션의 문제에 기초하여 섹션 측정치 업데이트부를 통해 해당 섹션의 측정치를 업데이트한다.

학습자가 시스템에 입장하면 유닛 프로세스가 실행된다. 유닛 프로세스는 프로세스부를 통해 학습자에게 제공할 학습할 섹션과 평가섹션 등을 선정하고, 자료 보관부에서 기 선택된 학습섹션과 평가섹션에서 학습자의 각 섹션에 대한 레벨을 바탕으로 해당 레벨의 맞는 문제와 영상들을 가져와 학습자에게 제공한다. 학습자의 학습과 평가가 끝나게 되면 유닛 프로세스는 그 결과를 분석하여 빅데이터베이스부를 업데이트한다. 이와 같은 과정 전체를 주관하는 프로세스가 유닛 프로세스이다.

도 3은 본 발명의 일 실시예에 따른 디스플레이에 제공되는 평가자료 및 학습자료를 나타내는 도면이다.

본 발명의 실시예에 따르면, 학습자가 유닛 프로세스에 의해서 제공되는 평가자료와 학습자료를 받아서 볼 때는 도 3과 같은 디스플레이를 통해서 제공된다. 문제는 객관식이며 3개의 보기와 그 보기 안에 답이 없을 때 선택할 수 있는 '답이 없다' 그리고 문제 풀이를 포기하는 '모르겠다' 선택지 등 총 5개의 선택지를 갖는다. 학습자가 참여한 모든 평가와 학습한 문제들은 빅데이터베이스부의 풀이이력 데이터베이스부에 저장된다. 학습문제를 마주할 때는 문제와 함께 비디오가 제공되지만 평가문제가 제공될 시에는 비디오는 사라진다.

학습자가 시스템에 접속하여 시작 버튼을 눌러 유닛 프로세스를 시작한다. 유닛 프로세스는 프로세스부의 지속성프로세스를 호출하여 빅데이터베이스부의 지속성 데이터베이스부를 참조하여 해당 유닛 프로세스가 생산할 학습섹션 및 평가섹션의 양을 구하며 프로세스부의 섹션 선정부는 학습할 섹션과 평가할 섹션을 선정한다. 이 학습자료와 평가자료가 학습자에 의해서 수행되면 종료의 패턴을 세가지 경우로 구분할 수 있다. 첫 번째는 완료버튼을 눌러 완료되는 경우, 이 때 유닛 프로세스는 사용자에게 다시 한번 새로운 유닛 프로세스를 생산할 것인지 묻고 계속 한다고 하면 새로운 유닛 프로세스를 생산하고 그만 한다고 하면 모든 프로세스가 종료된다. 두 번째는 포기 버튼을 눌러 완료가 되는 경우, 모든 프로세스가 종료가 된다. 세 번째는 타임아웃상태로 완료가 되는 경우, 모든 프로세스가 종료가 된다. 세가지 완료상태는 프로세스부의 지속성 프로세스를 통해서 빅데이터부의 지속성 데이터베이스부에 기록하게 되고, 이후 유닛 프로세스가 생성될 때, 학습자료양과 평가자료양을 결정할 때 참조되게 된다.

도 4는 본 발명의 일 실시예에 따른 망각관리 시스템의 관리 과정을 나타내는 도면이다.

도 4는 학습자가 학습을 통해 지식을 얻은 후 시간이 지남에 따라 발생하는 망각을 본 발명의 망각관리 시스템이 관리하는 과정이다. 유닛 프로세스가 프로세스부의 섹션 선정부를 호출하여 평가자료를 선택할 때는 N개의 섹션 평가용 문제와 M개의 망각곡선업데이트용 문제를 선택하게 된다. 섹션평가용 문제는 학생이 평가 받아야 하는 섹션의 문제들이 선택이 되지만 M개의 망각곡선업데이트용 문제들은 학생을 겨냥하기 보다 시스템의 망각곡선을 완성하고 업데이트하는데 쓰이는 문제다.

섹션 평가용 문제를 통한 학습자평가(410)는 유닛 프로세스가 프로세스부의 섹션 선정부를 호출하여 평가자료를 선택하게 되는데 이때 N개의 평가용 섹션이 추천되게 된다. 각 섹션에 학습자의 현재 레벨의 상하 1단계 즉 모두 두 개 레벨의 평가 문제들이 학습자를 평가하기 위해서 선택된다. 이때 학습자가 맞추는 문제에 대하여 도 5에 나타낸 네 가지 상황이 발생할 수 있다.

도 5는 본 발명의 일 실시예에 따른 망각관리 시스템의 관리 과정 중 학습자가 맞추는 문제에 대한 네 가지 상황을 나타내는 도면이다.

도 5의 (가)는 과목에 대한 모든 섹션닝을 나타낸다. 섹셔닝된 개수는 그 목적에 따라 달라질 수 있다. 도 5의 (나)는 각 섹션의 10단계 레벨을 의미하고 파랑색 점은 기존 측정치를 나타낸다. 만약 k번째 섹션에 대한 학습자의 측정치가 m이라고 하자 그리고 만약 k번째 섹션이 평가섹션으로 추가되었다면 평가 문제로서 m-1 번째 레벨과 m+1번째 레벨의 문제가 선택되게 된다. 도 5의 (다)는 그 선택된 문제에 대해 나올 수 있는 학습자의 평가 결과이다. 첫 번째 두 번째의 경우 m 단계에서 m+1단계로 진급한 것으로 하고, 세 번째의 경우 m단계에서 m-1단계로 하락했으며 네 번째의 경우 m-2단계로 하락한다. 최종 결과는 빅데이터베이스부의 섹션 측정치 데이터베이스부에 기록된다.

이렇게 특정 섹션의 학습자에 대한 평가가 완료가 되면 프로세스부의 섹션 망각곡선 업데이트부를 통해 빅데이터베이스부의 망각측정치 데이터베이스부가 업데이트 되어 학습자의 해당 섹션의 망각예측치가 해당 섹션의 측정치와 같게 된다. 그리고 시간에 따른 망각의 정도가 망각곡선을 따라 계산되게 된다.

도 6은 본 발명의 일 실시예에 따른 망각관리 시스템의 측정치를 나타내는 그래프이다.

도 6에서 검은색 점은 학습자가 3일전 k번째 섹션에 대한 측정치다. 망각 예측치는 평가 직후, 측정치와 일치하게 되며 시간이 지남(도 4의 단계(420))에 따라 망각곡선을 따라서 수치가 낮아지게 된다. 도 6에서 줄무늬 점은 k번째 섹션의 망각 예측치로서 마지막 평가일로부터 3일이 되는 시점에 커브에 대응하는 y축의 값으로 정의된다. 이 때, 각 섹션마다 역치가 존재하여 망각예측치가 역치를 넘어가면 역치점에서부터 망각 예측치사이의 차이를 초과치라고 한다. 이 때 이를

라고 한다. 이 때 TSE는 다음과 같이 정의된다.

여기서 M은 전체 섹션의 개수다. 시간이 지남에 따라 TSE가 특정 역치를 넘어가면(도 4의 단계(430)) 망각의 램프가 켜지게 되고(도 4의 단계(440)) 학습자는 학습할 것을 권유 받게 된다.

망각곡선은 특정 섹션에 대해 그 섹션을 학습완료 했을 때, 시간이 지남에 따라서 학습자의 망각의 속도를 표현해 내야 한다. 본 발명에서 이 망각의 속도가 해당 섹션의 레벨을 구성하는 문제들의 체감 난이도에서 기인 하다고 보았기 때문에 해당 섹션의 문제들을 풀면서 느껴지는 실제 난이도를 측정할 필요가 있었다. 그렇기 때문에 이 문제를 푸는 것은 학습자의 입장에서 중요한 문제로 취급되지 않을 가능성이 있다. 왜냐하면 학습자 일반의 체감 난이도를 측정하려는 의도이기 때문에 학습자 자신들과는 상관 없다고 느낄 수 있기 때문이다. 이를 위해서 본 시스템은 학습자가 풀게 되는 문제가 해당 섹션의 체감난이도를 구하기 위해서 출제되는 문제인지, 아니면 해당섹션에 대한 해당 학생의 측정치를 구하기 위한 문제인지를 구별 못하게 해야 한다. 그래서 유닛 프로세스에 의한 평가섹션 선정 시 해당 섹션의 체감 난이도를 선정하는 문제를 학습자에 대한 해당 섹션을 평가하는 문제와 같이 제공하여 해당 섹션에 대한 평가를 진행하였다.

그러나 학습자의 문제풀이 결과를 통해 체감 난이도를 구하는데 있어서 학습자의 문제풀이에 대한 신뢰문제가 발생할 수 있다. 비록 유닛 프로세스가 망각곡선을 업데이트하는 문제들을 제공할 때 해당 문제가 학습자의 측정치를 업데이트 하는 문제인지 망각곡선을 위한 해당 섹션의 문제의 체감 난이도를 구하기 위한 문제인지 구분하지 못하도록 했을 지라도, 학습자가 여전히 진지하게 학습에 임하지 않을 가능성이 계속 남아 있다. 진지하지 않은 학습자란 문제를 풀어야 한다는 압박감에 단순히 문제를 찍으려는 경우, 충분한 주의를 기울이지 못한 주의력 결핍에 의한 잘못된 답을 기입하는 경우를 포함한다. 이들의 평가가 많으면 많을 수록 학습자 평가에 의한 체감 난이도 산정은 잘 못되어질 수 있다. 우리는 이와 같은 '진지하지 못한' 학습자에 의한 잘못된 평가를 극복하기 위해서 에러율과 참여율을 이용한 퍼지 제어부(fuzzy controller)를 활용한다. 퍼지 제어부와 참여율에 대해서는 후술되며 여기서는 에러율에 대해서 언급한다.

도 7은 본 발명의 일 실시예에 따른 문제풀이 과정을 나타내는 도면이다.

도 7을 참조하면, 학습자들이 마주하는 문제풀이는 5개의 선택지가 있고 이 중 3개는 정답이 있을 수도 있고 없을 수도 있는 보기가 있고, 1개의 답이없다 버튼, 그리고 1개의 모르겠다 버튼이 있다. 에러율은 학습자의 최근 풀이가 저장된 빅데이터베이스부의 문제풀이이력데이터베이스를 통해 다음과 같이 정해진다.

NIncorrect는 다음 세가지 경우다.

1. 학습자가 문제를 보고 실제로 모른다고 느끼고 모른다고 했을 경우.

2. 학습자가 문제를 풀었는데 그 답이 보기에 없어서 답이 없다 버튼을 누르면서 틀렸을 경우(즉, 학습자는 안다고 느꼈으나 실제로는 모르는 경우).

3. 학습자가 문제를 풀었는데 답을 누르지 않고 보기를 눌러 틀렸을 때 즉 역시 학습자는 답을 안다고 느꼈으나 실제로는 그렇지 않은 경우.

이 때, NWrong은 NIncorret의 세가지 경우 중에 첫 번째와 두 번째 경우로서 학습자가 해당 문제를 안다고 확신하고 틀린 경우에 해당한다. 즉 Error Rate는 학습자가 문제를 푸는 성향을 나타내는 것으로서 ER이 높으면 높을 수록 부주의하게 문제를 해석하고 신뢰가 떨어짐을 의미한다.

본 발명에서는 신뢰를 측정하는 척도로서 참여율을 포함시켰다. 참여율은 학습자가 시스템에 등록되어서 방문한 횟수, 등록 후 현재까지의 시간, 섹션 별 평가 및 학습 빈도 등을 바탕으로 가중치를 부여하여 산정하게 된다. 에러율과 참여율에 의한 신뢰도의 측정은 앞으로 후술할 퍼지 제어부의 룰 베이스(rule base)를 통해서 나타나 있다.

도 8은 본 발명의 일 실시예에 따른 망각곡선을 생성하는 과정을 나타내는 도면이다.

유닛 프로세스에 의한 학습자 평가가 이루어지면 다음 네 가지 과정을 통해서 망각곡선이 만들어진다. 첫 번째는 UTD(Upper Triangle Diagram)를 생성하여(810) i_rav를 구한다. 두 번째 해당 섹션을 바탕으로 i_rav를 그려 망각결정 기울기(Forgetness Descisive Slope, FDS)를 정하여 망각결정 그래프 (Forgetness Descisive Graph, FDG)를 완성한다(820). 세 번째는 특정 레벨에서 해당 레벨보다 한 단계 낮은 레벨의 NLEV(Next Level Evaluation Value)를 선정하여 망각결정 그래프에 적용하고 TDV(Time Distance Value)를 결정한다(830). 네 번째 모든 레벨의 TDV를 연결하여 망각곡선을 완성한다(840).

도 9는 본 발명의 일 실시예에 따른 UTD를 나타내는 도면이다.

UDT 에서 검은색 점은 LLEV(Low Level Evaluation Value)이다. 도 9에서 점A가 LLEV를 나타낸다. 점A는 다음과 같은 의미를 나타낸다. 해당 섹션의 0.9레벨을 가진 학습자가 0.5 의 문제를 풀었을 때의 난이도, 즉 LLEV는 학습자들의 에러율과 참여율을 바탕으로 체감 난이도를 표현한다. 도 9에서 B는 7레벨의 해당하는 LLEV 를 나타내는데 이 7번째 해당하는 LLEV값들의 평균에 가중치를 부여하여 i_rav값을 산출하게 된다. LLEV가 산출되는 과정은 퍼지 제어부를 활용하며 앞으로 자세하게 후술된다.

도 10은 본 발명의 일 실시예에 따른 망각결정 기울기를 이용하여 구한 망각결정 그래프이다.

망각 결정 기울기 FDS 는 i_rav의 값에 의해서 다음과 같은 식에 의해 정해진다.

이 식은 i_rav 값에 의해서 정해지는 FDS가 최하값이 LSL이 되고, 최고의 값이 HSL값이 되도록 1차 함수를 이용하여 조정한 간단한 식이다.

UDT 그림에서 C의 안에 들어있는 LLEV 즉 해당 레벨 값에서 한단계 낮은 레벨의 정답률을 NLEV라고 한다. 이 NLEV를 FDG에 대입해서 나오는 시간을 i_TDV(i_th Time Distance Value)라고 한다.

마지막으로 모든 i_TDV를 결정하여 망각곡선을 완성한다. 망각곡선은 각 레벨에 해당하는 10개의 점(Forgetness Curve Point, FCP)을 9개의 i_TDV를 통해 연결함으로써 완성된다.

도 11은 본 발명의 일 실시예에 따른 망각곡선 일부를 구하는 과정을 나타내는 도면이다.

도 11에서 점 A는 10_FCP로서 10_TDV를 구하여 망각곡선 일부를 구하는 방식을 보여준다. B는 10_TDV로서 레벨 10의 NLEV 값을 구하여 FDG에 대입한 후 구한값이다. 도 11의 점 C는 10_TDV에 의해서 생긴 망각곡선의 9_FCP이다. 선 D는 10_FCP와 9FCP를 이은 선이다. 이렇게 동일한 과정으로 10_FCP부터 1_FCP까지 이어가며 망각곡선을 만든다.

망각 곡선의 개형은 시간에 따라 망각 예측치가 측정치에 분리되는 속도를 정한다. 평가가 이루어진 직후에는 측정치와 망각 예측치가 일치한다. 그리고 시간이 지남에 따라 망각곡선을 따라서 망각예측치가 분리되게 된다. 이 때, 망각곡선의 기울기가 가파르면 해당 레벨에서 망각의 정도가 심해 빠르게 망각예측치가 떨어지고, 완만하다면 해당 레벨에서 망각 예측치가 느리게 떨어진다. 이때 측정치와 망각 예측치의 이격이 일정수준 이상 벌어지게 되면 초과치가 발생하게 된다. 이 때 구분된 모든 섹션의 초과치의 산술평균을 TSE라고 하며 이 TSE를 기준으로 학생이 학습해야 하는 콜을 망각의 램프를 통해 보낼 수 있다.

각 섹션의 개별 망각 곡선의 개형은 실제 해당 섹션의 학습자가 체감하는 난이도를 반영해야 학생의 복습 시점을 합리적으로 유도할 수 있다. 그래서 망각 곡선을 만드는 4단계는 다음의 두 가지 특징을 가지고 있다.

첫 번째, 각 섹션 별 망각의 정도가 다름을 전제한다. 망각곡선의 모양은 각 섹션이 서로 독립적으로 만들어 지게 되었다. 서로 다른 섹션은 서로 다른 망각의 정도를 가지고 있기 때문에 독립적인 망각곡선의 개형을 가진다. 두 번째, 망각곡선의 개형은 해당 섹션의 망각의 정도를 예측해야 하는 만큼 해당 섹션의 해당 레벨에 대한 학습자들의 실제 문제풀이 체감 난이도를 투영하였다. 이를 위해서 학생들의 문제풀이 이력을 바탕으로 자주 틀리는 레벨은 망각의 정도가 빠르게 진행되어서 학습자가 되도록 자주 복습이 진행되도록 유도했으며 반대로 한번 지식을 쌓아뒀을 때, 오래 기억하게 되는 섹션은 망각 곡선의 기울기를 완만하게 하여 소모적인 복습을 줄이고자 하였다.

이를 위해서 우리는 FDG를 고안하였다. 망각 곡선의 y축은 레벨로서 서로 같은 간격으로 떨어져있다. 이 때 망각곡선의 기울기를 결정하는 것은 현재 레벨에서의 점이 다음 레벨에서의 점과 얼마나 떨어져 있느냐 즉 i_TDV 로 결정되게 된다. 이 i_TDV는 FDG에 의해서 결정되게 되고, 이 FDG의 기울기 FDS는 다시 UTD로부터 결정되게 된다. 즉 UTD의 i_rav 는 i 번째 레벨의 섹션이 체감상 얼마나 어렵냐에 대한 척도다. 체감 난이도가 높다면 i_rav의 값이 작아지게 되고 FDS도 작아진다. 작은 FDS의 값은 큰 FDS값보다 같은 NLEV의 값에 대해서 짧은 i_TDV를 제공하므로 망각곡선의 기울기가 가파라지게 되면서 학생들의 학습 회전률을 빠르게 유도한다.

이 때 망각곡선의 개형이 UTD를 통해 사용자의 체감 난이도를 투영하는 만큼 UTD를 구해지는 i_rav는 가장 중요한 파라미터 중에 하나라고 할 수 있다. 학생들의 체감 난이도를 나타내는 i_rav는 위의 UDT 그림에서 i번째 행의 모든 LLEV를 대표하는 값이다. 이 i_rav는 다음과 같이 구해진다.

분모의 i를 나누어 주는 이유는 다음과 같다. i가 클수록 관리되어야 하는 섹션의 개수는 늘어나게 된다. 이 섹션의 개수가 늘어날 수록 관리되어야 하는 섹션의 개수는 늘어난다. i를 분모로 둠으로서 i가 틀수록 i_rav를 의도적으로 낮추면서 FDS를 낮추어 망각곡선의 기울기를 줄인다. 결국 망각곡선의 기울기는 낮아지게 되므로 해당 난이도에서 학생들의 학습 회전률을 높게 만드는 효과가 나오도록 했다. 이 때 ki는 파라미터가 의도대로 진행되도록 넣은 보정 파라미터다. 이 파라미터를 결정하는 것은 실제로 알고리즘을 돌리면서 학생들의 실질적인 학습 로드를 보고 결정되도록 한다. 이 각 섹션의 LLEV를 구하는 방법에 대해서 접근한 방식은 퍼지 제어(Fuzzy Control) 방식을 이용했다.

퍼지 제어부(Fuzzy controller)(1200)는 제어 시스템에 적용되는 방법으로서 전문가의 지식을 시스템에 투영하여 시스템을 운영한다. 이 방식은 수학적으로 시스템을 해석하는 PID 제어와 비교된다. 퍼지 제어와 PID 제어를 비교하는 방식으로 바다의 크루즈 선을 일정한 속력으로 유지하는 예가 많이 사용된다. 바다위의 크루즈 선이 일정한 속력으로 달리기 위해서는 바람과 파도에 의한 예기치 않은 저항에 대한 고려를 해주어야 한다. 현재 알려진 크루즈의 바람과 파도에 의한 저항의 데이터를 바탕으로 크루즈선의 엔진의 출력을 당장 얼마로 넣어야 하느냐의 문제다.

제어 시스템에서 기대하는 크루즈선의 이상 속력을 sp(set point) 라고 하자. 그리고 크루선의 현재 속력을 v 라고 한다. 그럼 에러율 e(t)를 다음과 같이 정의할 수 있다.

PID 제어는 세가지 컨트롤 알고리즘을 쓸 수 있다. 이 세가지 알고리즘을 'Proportional, Integral, Derivative' 라고 한다. Proportional은 e값이 양수라면 크루즈의 엔진출력도 양으로 크게 가동한다. 반대로 e 값이 음수라면 크루주의 엔진 출력도 음으로 가동한다. 그러나 이렇게 Proportional한 방식만 쓰게 된다면 e가 0인 상황에서 모멘텀이 여전히 존재하기 때문에 에러가 발생할 수 밖에 없다. 그래서 Integral과 Derivative가 함께 계산되어야 한다.

Integral은 Proportional이 진행되는 동안 발생하는 e의 에러 누적값을 고려하며 Derivative는 Proportional방식을 하는 동안 현재의 속도를 고려하여 e를 줄이는 역할을 한다.

반면 퍼지 제어는 같은 문제를 풀 때, 룰-베이스(rule-base)를 통해 전문가의 지식을 시스템에 투영시킨다.

이 룰-베이스는 다음의 형식을 띈다.

전문가가 룰-베이스를 통해 지식을 시스템에 투영할 때는 변수에 대한 언어 값(linguistic value)(또는 Fuzzy set) 로 전환시켜야 한다. 예를 들어 e가 실험적으로 -5에서 +5로 변한다고 하자. 그러면 이렇게 가능한 e에 대해서 언어 값, 즉 언어적인 설명을 해야 한다. 예를 들어 eNeg(e가 마이너스다), eZero(e가 0 이다.), ePos(e가 플러스다)로 정의할 수 있다. 마찬가지로 엔진을 가동하는 방식도 언어적인 설명으로 만들 수 있다. aNeg(엔진가동을 줄여라), aZero(엔진을 현재상태로 유지하라), aPos(엔진가동을 늘려라).이 때 룰 베이스는 다음과 같이 나눌 수 있다.

즉 입력값과 출력값을 언어적으로 해석하고 이를 룰 베이스로 만들면서 전문가의 지식을 투영할 수 있는 것이다. 여기까지 간단하게 PID 제어와 퍼지 제어의 차이점을 기술하고 구체적인 설명은 뒤에서 진행하겠다. 많은 경우 PID 제어 방식을 사용하기 위해서는 시스템이 수학적으로 정의될 수 있는 시스템이 되어야 한다. 그러나 실제 어플리케이션들에서는 수학적으로 정의될 수 있는 시스템은 많지 않다. 또한, PID는 계산량이 많기 때문에 높은 수준의 컴퓨터 시스템을 요구하는 반면, 퍼지 제어는 상대적으로 계산 비용이 적게 든다.

LLEV의 본래 의미는 학습자가 특정섹션의 특정 레벨 즉 예를 들어 학습자가 레벨 5 상태일 때, 레벨 3의 문제를 푸는데 얼마나 많은 정답률을 가지느냐를 나타내는 변수다. 즉, 간단하게 LLEV는 특정 섹션에 대해 특정 레벨의 학생이 그 특정레벨 미만의 레벨의 문제들을 풀면서 맞히는 정답률이라 할 수가 있다. 그러나 이러한 방식은 학습자가 성실히 문제에 임했을 때를 전제한 경우다. 학습자는 그들의 상황에 따라서 건성으로 문제를 풀 수 있는 경우가 존재하며 또한 문제를 찍어서 맞추는 경우도 존재한다. 이 경우 LLEV는 제대로 된 체감 난이도를 얻어올 수 없는 것이다.

우리는 학생들의 풀이 성향을 바탕으로 LLEV를 측정해야 한다. 어떤 학생이 문제에 임하는 태도가 모르는 문제에 대해서 찍는 스타일 인지, 모르겠다로 표현을 하는 스타일인지의 척도로서 우리는 위에서 학습자에 대한 풀이 신뢰도를 정의했다. 즉, 풀이 신뢰도를 고려하여 학습자가 LLEV에 기여하는 정도를 다르게 주어야 하고 이 지점에서 우리는 다양한 풀이 신뢰도에 대해서 어떻게 LLEV를 부여할 것인지에 대해 경험적인 지식을 룰 베이스를 작성하여 퍼지 제어부를 사용할 수 있다.

도 12는 본 발명의 일 실시예에 따른 퍼지 제어부(Fuzzy controller)를 나타내는 도면이다.

퍼지 제어부는 궁극적으로는 주어진 입력값을 통해 룰 베이스(rule base)(1230)의 룰을 적용하여 적당한 출력값을 내놓는 과정이다. 이 과정에는 세가지 단계(step)으로 나뉜다. 첫 번째는 퍼지화 단계(Fuzzification step)(1210), 두 번째는 추론 단계(inference step)(1220), 마지막으로는 비퍼지화 단계(Defuzzification step)(1240).

퍼지화 단계(1210)는 간단하게 이야기 하면 입력 가변(Input Variable)이 입력 퍼지 세트(input Fuzzy set)로 대응되는 과정이다. 입력 가변이 한 개(iv0) 있는데 iv0가 .8 이라고 하자. 이 때 다음과 같은 멤버십 함수(membership function)을 정의할 수 있다.

도 13은 본 발명의 일 실시예에 따른 퍼지 제어의 멤버십 함수를 설명하기 위한 도면이다.

퍼지화란 입력으로 정확한 (crisp) 즉 0.8인 값에서 입력 퍼지 세트로 대응하는 과정에서 그 대응 되는 정도를 확률로써 (Fuzzy) 할당하는 과정을 말한다. 도 13a에서 Low , Mid, High의 함수를 멤버십 함수(membership function)이라고 하며 iv0는 이 함수들에 의해서 Low, Mid, High 의 입력 퍼지 세트에 소속된다. 예를 들어 그림에서 0.8이라는 정확한 iv0의 값은 Low, Mid, High 라는 입력 퍼지 세트에 확률을 가지고 할당된다. 즉, 0.8이 Low 커브와 만나는 지점은 없으므로 Low 집합에는 전혀 소속되지 않는다. 그러나 Mid와 High 커브와는 만나므로 이때 각자 함수에서의 y값 즉, Mid set에는 0.3 정도 소속되어 있고, High에는 0.7정도로 소속되어 있는 것을 나타낸다. 즉, 이렇게 기존에 정확하게 정의되었던 iv0의 값이 퍼지 세트에 의해서 확률을 가지고 할당시키는 과정을 퍼지화라고 한다.

추론 단계에서는 퍼지화의 결과를 통해서 룰 베이스의 룰이 선정된다. 룰 베이스는 전문가의 경험을 바탕으로 세울 수 있다. 먼저 출력값의 멤버십 함수를 정해야 한다.

도 13b는 출력값의 멤버십 함수로서, 출력 퍼지 세트는 세가지 종류가 있다고 해보자. 이때 룰 베이스를 선정한다면 다음과 같은 룰 베이스가 있다.

예를 들어 입력값이 0.8이면 Mid 로 0.3, High로 0.7로써 퍼지화된다. 룰 베이스에서 해당되는 룰은 2번과 3번이 된다. 이때 2번 룰의 확실성은 0.3, 3번 룰의 확실성은 0.7이다. 이와같이 퍼지화의 결과에 의해서 룰 베이스의 룰과 그 확실성이 선정되는 것을 추론 단계라고 한다.

비퍼지화 단계에서는 추론 단계에서 얻어진 룰에 대해 crisp한 출력값을 얻어내는 과정을 비퍼지화 라고 한다. 추론 단계에 의해서 얻어진 각각의 룰의 확실성과 출력값의 멤버십 함수를 바탕으로 출력값을 얻어내는 것은 여러 가지 방식이 존재한다. 가장 널리 쓰이는 것은 무게 중심점 방법(Center of Gravity Method)이다. 이는 출력 퍼지 세트의 멤버십 함수를 이용한다. 첫 번째로 각 룰에 속한 출력값의 멤버십 함수에 해당 룰의 확실성 선을 긋는다. 두 번째로 확실성과 멤버십 함수가 만드는 사다리꼴의 넓이를 각각 구한다. 이를 s0, s1이라고 하면 세 번째 s0, s1을 이용하여 출력값을 다음의 공식에 따라 구한다.

도 14는 본 발명의 일 실시예에 따른 출력값을 구하는 과정을 설명하기 위한 도면이다.

도 14는 각 룰의 출력값 멤버십 함수에 확실성 라인(certainty line)을 긋고 생기는 두 개의 사다리꼴을 나타낸다. 이 때 생기는 넓이는 s0, s1이라 했을 때, 출력값은 위의 공식에 의해서 정해진다. 이 경우 출력값은 -5.12로 줘야 한다.

본 발명의 실시예에 따른 퍼지 제어를 쓰는 방식은, LLEV의 결정은 학습자의 특정 섹션의 망각곡선을 결정하는 과정의 기본적인 파라미터다. FDG는 사용자의 현단계에서 한단계 낮은 레벨에 대한 망각곡선의 기울기를 결정하는 그래프이고 이 FDG를 결정하는 요소들이 LLEV이다. 그래서 LLEV를 결정하는 방식이 망각곡선을 결정한다고 볼 수 있다.

LLEV의 측정은 이를 측정하는 과정에서 참여하는 사람들에 대한 신뢰도를 고려해야 한다. 이 LLEV는 등록된 문제에 대한 학습자의 체감 난이도를 반영하도록 되어 있다. 그러나 이 LLEV를 측정하는 과정에 모든 학습자의 참여가 '진지하다' 라고 가정할 수는 없다. 이 LLEV의 측정은 문제를 진지하게 풀 준비가 되어 있는 사람을 대상으로 하는 것이 아니다.

원하는 기준은 두 가지가 있다. 첫 번째 이 서비스를 이용하는 사람들을 대상으로 할 것. 즉, 이 망각곡선을 만들기 위해 추가적으로 사람들을 선별하지 않을 것인데 이는 그 과정에서 추가적인 비용이 발생하기 때문이다. 두 번째는 항상 최신의 결과를 반영해야 한다는 것이다. 만약 망각곡선을 만들기 위해서 추가적으로 선별하여 사람을 뽑아 제작한다면 그 과정에서 최신의 결과를 담보할 수 없을 것이다. 구 버전과 새로운 버전의 간격이 짧으면 짧을 수록 비용이 증가함은 물론이다. 이와 같은 이유로 LLEV의 측정은 서비스를 이용하는 랜덤의 사람들의 풀이 결과를 바탕으로 이루어져야 할텐데, 이 상황에서 우리는 그러나 단순한 LLEV측정으로 그것의 신뢰도를 담보할 수가 없다. 왜냐면 이 과정에서 참여하는 학생들의 '진지함'이 언제나 담보된 것이 아니기 때문이다.

LLEV 측정의 신뢰도를 위해서 다음과 같은 가정을 하였다.

1. 진지하게 LLEV 의 측정에 임하는 사람의 수가 LLEV를 측정하는 과정에서 많으면 많을수록 LLEV의 측정은 신뢰도를 가진다.

2. LLEV의 측정의 신뢰도가 낮은 사람들이라고 할지라도 이들의 수가 충분히 많으면 그 측정의 결과를 어느 정도 신뢰할 수 있다.

첫 번째 가정의 경우 자명한 결론으로 학습자를 선별하여 LLEV 측정을 하는 것과 같다.

두 번째 가정의 경우 LLEV 측정의 신뢰도가 낮은 사람들로 구성되었다 하더라도 최선의 결과를 도출하기 위해서 세운 가정이다.

도 15는 본 발명의 일 실시예에 따른 TMPV 업데이트 과정을 설명하기 위한 도면이다.

이를 구현하기 위해서 다음 두 가지 변수를 설정하였다. 하나는 맨 파원 값(Man Power Value)이고, 다른 하나는 기여값(Contribution Value)이다. 위의 그림에서 LMPV 는 제한된 MPV 로서 목표로 하는 MPV값을 말한다. 이 값이 높으면 높을 수록 더 많은 인력을 통해서 LLEV를 산출하게 된다.

TMPV 값은 총 MPV 로서 현재 섹션의 LLEV 산출이 진행되고 있는 동안 '채워진' MPV를 의미한다. TMPV값을 LMPV값과 비교(1510)하여, 이 TMPV 가 LMPV 값이 될 때의 CV는 LLEV 가 되고 LLEV산출 프로세스는 종료(1521)하게 된다.

TMPV 가 LMPV 값 이상이 아닌 경우, 학습자는 랜덤으로 선발이 된다(1522). 즉 현재 시스템에 접속하여 문제를 풀고 있는 학습자가 대상이 된다. 따로 학습자를 선별하는 과정을 없앰으로써 빠르게 LLEV를 산출하도록 하였다.

이 학습자를 통해서 문제를 풀기 전에 이 학습자의 MPV를 산출한다. 이를 iMPV 라고 한다. 이는 퍼지 제어(1530)를 통해서 학습자의 에러율(Error rate)과 참여도를 바탕으로 측정이 된다. iMPV를 구하는 단계(1540)에서, iMPV는 학습자를 시스템이 얼마나 신뢰하느냐의 척도로서 0과 1사이의 값을 가진다. 신뢰를 하지 못하는 수준의 학습자의 iMPV의 값이 낮게 설정이 된다. TMPV의 없데이트 방식이 TMPV+iMPV 이기 때문에 iMPV값이 낮을 경우 TMPV값의 상승률은 낮게 된다. 이는 시스템이 LMPV 값에 TMPV가 도달할 때까지 계속되기 때문에 더 많은 학습자를 테스트를 하는 결과를 가져오게 된다.

반대로 iMPV가 커서 신뢰가 높을 경우 TMPV의 상승률은 더 커지게 되고 시스템은 그 만큼 LLEV를 산출하는데 사용하는 학습자의 수를 적게 유지할 수 있다. iMPV를 통해서 CV값을 업데이트 한다. 문제풀이 과정(1550)에서, 문제를 틀리거나 모르겠다를 선택할 경우(1562) CV에 대한 기여는 없지만 맞았을 경우 iMPV에서 LMPV를 나눈값을 기존 CV에 더해서 CV를 업데이트 하게 된다(1561). 문제를 틀리거나 모르겠다를 선택할 경우(1562)에는 TMPV를 업데이트한다(1570). 이 때 LMPV는 설정한 한계 사용자로서 iMPV를 이 LMPV으로 나누지 않으면 CV가 1을 초과하는 상황이 발생한다. CV를 0에서 1로 정규화 했기 때문에 LMPV으로 나눠줘야 한다. CV값을 업데이트 할 때, 학습자가 문제를 맞은 경우 1을 부과하고 모르거나 틀린경우 0을 부과한다. 예를 들어, LMPV=30으로 정했다고 하자. 이 때 모든 참여자가 완전 신뢰할만하고 모든 문제를 맞췄다면 이들 각자의 iMPV는 모두 1이며 각자가 CV에 기여하는 정도는 1*(iMPV) 이다. 모든 참여자의 iMPV가 1이고 LMPV=30이기 때문에 30명이 테스트에 참여하면 프로세스는 종료되게 된다. 이때 최종 산출되는 누적 iMPV 는 30이 된다. LMPV를 사용하여 정규화하면 CV값이 나오고 1이 된다.

도 16은 본 발명의 일 실시예에 따른 퍼지 제어부를 사용하여 iMPV 구하는 과정을 설명하기 위한 도면이다.

퍼지 제어부를 사용하여 iMPV 구하기 위해서 두 가지 값이 사용된다. 하나는 개별 학습자의 에러율이고 다른 하나는 개별 학습자의 참여도다.

퍼지화 단계에서 에러율(Error rate, ER)을 도 16a의 세 가지(상, 중, 하)의 퍼지 세트로 만들고 그의 멤버십 함수 을 정의한다.

참여도(Participation Value, PV) 는 시스템에 학생이 얼마나 많은 시간을 소비했느냐의 척도다. 도 16b는 PV의 퍼지 세트와 멤버십 함수이다.

이상의 ER과 PV는 입력값다. 퍼지 제어부의 출력값은 iMPV로서 iMPV의 퍼지 세트와 멤버십 함수는 도 16c와 같다.

도 17은 본 발명의 일 실시예에 따른 룰 베이스는 나타내는 도면이다.

예를 들어 ER=0.7 이고 참여도가 10 이라고 하자. ER 의 언어값의 소속 확률은 도 18과 같이 정해진다.

도 18은 본 발명의 일 실시예에 따른 언어값의 소속 확률을 나타내는 도면이다.

도 18a는 ER 의 언어값의 소속 확률이다.

도 18b는 참여도의 언어값의 소속 확률이다.

입력 가변에 의하여 적용되는 룰은 룰 베이스에서 다음의 네 가지다

도 19는 본 발명의 일 실시예에 따른 각 룰에 의해서 신뢰도를 구하기 위한 비퍼지화 방식을 설명하기 위한 도면이다.

무게중심(Center of Gravity, COG) 방식으로 신뢰도를 구하면 iMPV는 0.2936 이 나온다. 도 19에서 s1, s2, s3, s4는 각각 rule1, rule2, rule3, rule4에 의한 출력 멤버십 함수의 색칠된 도형의 넓이를 나타낸다. 이 넓이들은 COG를 계산하는데 사용되었다.

이상에서 설명된 장치는 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPA(field programmable array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다.　 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다.　 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다.　 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다.　 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.

소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다.　 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치에 구체화(embody)될 수 있다.　 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.

실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다.　 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다.　 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다.　 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다.　 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다.　

이상과 같이 실시예들이 비록 한정된 실시예와 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다.　 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.

그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.

Claims (10)

1. 학습자가 시스템에 입장하면 빅데이터베이스부를 조회하여 학습자의 현재 상황을 검토한 후 학습자의 학습내용에 대한 망각 관리 프로세스를 제어하는 유닛 프로세스;
   학습자에게 제공할 학습섹션과 평가섹션을 선정하는 섹션 선정부;
   자료 보관부에서 선택된 학습섹션과 평가섹션에서 학습자의 각 섹션에 대한 레벨에 기초하여 해당 레벨의 문제 및 동영상을 호출하여 학습자에게 제공하는 지속성 프로세스부;
   제공된 학습섹션의 문제 및 동영상과 평가섹션의 문제가 학습자에 의해 이행된 후, 각 섹션의 망각곡선그래프의 개형을 빅데이터베이스부에 업데이트하는 섹션 망각곡선 업데이트부;
   학습자가 이행한 평가섹션의 문제에 기초하여 해당 섹션의 측정치를 업데이트하는 섹션 측정치 업데이트부; 및
   빅데이터베이스부를 포함하고,
   빅데이터베이스부는,
   학습자가 평가섹션에서 평가를 받는 것과 학습섹션에서 학습하면서 풀게 되는 모든 문제의 이력이 저장되는 풀이이력 데이터베이스부;
   섹션 선정부가 학습자에게 과거 제공한 평가섹션과 해당 섹션에 대한 정보가 저장되는 섹션선정 데이터베이스부;
   등록된 모든 학습자에 대한 개별 섹션의 망각곡선의 위치에 대한 정보가 저장되는 개별망각측정치 데이터베이스부;
   개별 섹션의 망각곡선에 대한 정보가 저장되는 섹션망각곡선 데이터베이스부;
   학습자가 평가문제에 따라 받은 평가의 결과를 바탕으로 분석된 측정치가 섹션 별로 저장되는 섹션측정치 데이터베이스부; 및
   학습자가 유닛 프로세스를 수행한 이력이 저장되는 지속성 데이터베이스부를 포함하며,
   섹션 망각곡선 업데이트부는,
   UTD(Upper Triangle Diagram)를 생성하여 i_rav를 구하고 -상기 i_rav는 학습자의 에러율과 참여율에 기초하여 체감 난이도를 표현하는 LLEV(Low Level Evaluation Value) 값들의 평균에 가중치를 부여하여 산출됨-, 해당 섹션에 기초하여 i_rav를 그려 망각결정 기울기(Forgetness Descisive Slope; FDS)를 정하고, 망각결정 그래프(Forgetness Descisive Graph; FDG)를 완성하며, 미리 정해진 레벨보다 한 단계 낮은 레벨의 NLEV(Next Level Evaluation Value)를 선정하여 망각결정 그래프에 적용하고 TDV(Time Distance Value)를 결정하며, 모든 레벨의 TDV를 연결하여 망각곡선을 완성하는
   학습자의 학습내용에 대한 망각 관리 시스템.
2. 제1항에 있어서,
   섹션 선정부는,
   빅데이터베이스부의 섹션선정 데이터베이스부를 조회하여 마지막 유닛 프로세스가 실행됐을 시, 학습자를 평가했던 평가섹션이 무엇인지 조회하고,
   학습자의 마지막 평가 과정에서 추가 학습이 필요한 부분에 해당하는 학습섹션이 선정하는
   학습자의 학습내용에 대한 망각 관리 시스템.
3. 제1항에 있어서,
   섹션 선정부는,
   학습자를 평가할 목적으로 선정되는 학습자 평가용 섹션 및 망각곡선을 업데이트할 목적으로 선정되는 망각곡선업데이트용 섹션을 포함하는 평가섹션을 선정하는
   학습자의 학습내용에 대한 망각 관리 시스템.
4. 제1항에 있어서,
   지속성 프로세스부는,
   선정된 평가섹션과 학습섹션에 기초하여 자료 보관부로부터 평가문제, 학습문제 및 동영상을 호출하고, 학습자의 학습 태도, 해당 시기 학습자의 상황에 따라 평가섹션과 학습섹션의 절대량을 결정하여 필요한 자료량을 선정하는
   학습자의 학습내용에 대한 망각 관리 시스템.
5. 삭제
6. 제1항에 있어서,
   학습자의 방에 설치된 망각의 램프는 와이파이를 통해 인터넷 및 서버의 데이터베이스와 연결되고, 해당 학습자에게 학습이 필요한 부분이 있다고 판단되는 경우 망각의 램프를 통해 학습자에게 신호를 나타내어 망각 관리 시스템을 통해 학습을 수행하도록 유도하는
   학습자의 학습내용에 대한 망각 관리 시스템
7. 유닛 프로세스를 통해 학습자가 시스템에 입장하면 빅데이터베이스부를 조회하여 학습자의 현재 상황을 검토한 후 학습자의 학습내용에 대한 망각 관리 프로세스를 제어하는 단계;
   섹션 선정부를 통해 학습자에게 제공할 학습섹션과 평가섹션을 선정하는 단계;
   자료 보관부에서 선택된 학습섹션과 평가섹션에서 학습자의 각 섹션에 대한 레벨에 기초하여 지속성 프로세스부를 통해 해당 레벨의 문제 및 동영상을 호출하여 학습자에게 제공하는 단계;
   제공된 학습섹션의 문제 및 동영상과 평가섹션의 문제가 학습자에 의해 이행된 후, 섹션 망각곡선 업데이트부를 통해 각 섹션의 망각곡선그래프의 개형을 빅데이터베이스부에 업데이트하는 단계; 및
   학습자가 이행한 평가섹션의 문제에 기초하여 섹션 측정치 업데이트부를 통해 해당 섹션의 측정치를 업데이트하는 단계
   를 포함하고,
   제공된 학습섹션의 문제 및 동영상과 평가섹션의 문제가 학습자에 의해 이행된 후, 섹션 망각곡선 업데이트부를 통해 각 섹션의 망각곡선그래프의 개형을 빅데이터베이스부에 업데이트하는 단계는,
   학습자가 평가섹션에서 평가를 받는 것과 학습섹션에서 학습하면서 풀게 되는 모든 문제의 이력을 풀이이력 데이터베이스부에 저장하고,
   섹션 선정부가 학습자에게 과거 제공한 평가섹션과 해당 섹션에 대한 정보를 섹션선정 데이터베이스부에 저장하고,
   등록된 모든 학습자에 대한 개별 섹션의 망각곡선의 위치에 대한 정보를 개별망각측정치 데이터베이스부에 저장하고,
   개별 섹션의 망각곡선에 대한 정보를 섹션망각곡선 데이터베이스부에 저장하고,
   학습자가 평가문제에 따라 받은 평가의 결과를 바탕으로 분석된 측정치를 섹션 별로 섹션측정치 데이터베이스부에 저장하고,
   학습자가 유닛 프로세스를 수행한 이력을 지속성 데이터베이스부에 저장하며,
   UTD(Upper Triangle Diagram)를 생성하여 i_rav를 구하고 -상기 i_rav는 학습자의 에러율과 참여율에 기초하여 체감 난이도를 표현하는 LLEV(Low Level Evaluation Value) 값들의 평균에 가중치를 부여하여 산출됨-, 해당 섹션에 기초하여 i_rav를 그려 망각결정 기울기(Forgetness Descisive Slope; FDS)를 정하고, 망각결정 그래프(Forgetness Descisive Graph; FDG)를 완성하며, 미리 정해진 레벨보다 한 단계 낮은 레벨의 NLEV(Next Level Evaluation Value)를 선정하여 망각결정 그래프에 적용하고 TDV(Time Distance Value)를 결정하며, 모든 레벨의 TDV를 연결하여 망각곡선을 완성하는
   학습자의 학습내용에 대한 망각 관리 방법.
8. 제7항에 있어서,
   섹션 선정부를 통해 학습자에게 제공할 학습섹션과 평가섹션을 선정하는 단계는,
   빅데이터베이스부의 섹션선정 데이터베이스부를 조회하여 마지막 유닛 프로세스가 실행됐을 시, 학습자를 평가했던 평가섹션이 무엇인지 조회하고,
   학습자의 마지막 평가 과정에서 추가 학습이 필요한 부분에 해당하는 학습섹션이 선정하는
   학습자의 학습내용에 대한 망각 관리 방법.
9. 제7항에 있어서,
   섹션 선정부를 통해 학습자에게 제공할 학습섹션과 평가섹션을 선정하는 단계는,
   학습자를 평가할 목적으로 선정되는 학습자 평가용 섹션 및 망각곡선을 업데이트할 목적으로 선정되는 망각곡선업데이트용 섹션을 포함하는 평가섹션을 선정하는
   학습자의 학습내용에 대한 망각 관리 방법.
10. 제7항에 있어서,
    자료 보관부에서 선택된 학습섹션과 평가섹션에서 학습자의 각 섹션에 대한 레벨에 기초하여 지속성 프로세스부를 통해 해당 레벨의 문제 및 동영상을 호출하여 학습자에게 제공하는 단계는,
    선정된 평가섹션과 학습섹션에 기초하여 자료 보관부로부터 평가문제, 학습문제 및 동영상을 호출하고, 학습자의 학습 태도, 해당 시기 학습자의 상황에 따라 평가섹션과 학습섹션의 절대량을 결정하여 필요한 자료량을 선정하는
    학습자의 학습내용에 대한 망각 관리 방법.

Images