KR102237881B1 - 딥러닝 기반으로 구성된 대학 학과별 표준 모델 및 인공 지능을 이용한 입시 합격 가이드 제공 방법 및 서버 - Google Patents
딥러닝 기반으로 구성된 대학 학과별 표준 모델 및 인공 지능을 이용한 입시 합격 가이드 제공 방법 및 서버 Download PDFInfo
- Publication number
- KR102237881B1 KR102237881B1 KR1020180155802A KR20180155802A KR102237881B1 KR 102237881 B1 KR102237881 B1 KR 102237881B1 KR 1020180155802 A KR1020180155802 A KR 1020180155802A KR 20180155802 A KR20180155802 A KR 20180155802A KR 102237881 B1 KR102237881 B1 KR 102237881B1
- Authority
- KR
- South Korea
- Prior art keywords
- information
- student
- database
- entrance examination
- university
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 33
- 230000005477 standard model Effects 0.000 claims abstract description 63
- 238000013135 deep learning Methods 0.000 claims abstract description 15
- 238000011161 development Methods 0.000 claims description 18
- 238000003012 network analysis Methods 0.000 claims description 10
- 238000012552 review Methods 0.000 claims description 7
- 230000009193 crawling Effects 0.000 claims description 4
- 238000002360 preparation method Methods 0.000 claims description 4
- 239000000463 material Substances 0.000 claims description 3
- 238000013473 artificial intelligence Methods 0.000 abstract description 7
- 238000004891 communication Methods 0.000 description 19
- 230000000694 effects Effects 0.000 description 19
- 238000011156 evaluation Methods 0.000 description 18
- 230000006870 function Effects 0.000 description 14
- 230000008569 process Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 8
- 238000010295 mobile communication Methods 0.000 description 6
- 238000012216 screening Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 230000003542 behavioural effect Effects 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 239000002131 composite material Substances 0.000 description 4
- 238000000605 extraction Methods 0.000 description 3
- 230000014509 gene expression Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000012797 qualification Methods 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008450 motivation Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000007115 recruitment Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/20—Education
- G06Q50/205—Education administration or guidance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/951—Indexing; Web crawling techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Educational Technology (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Human Resources & Organizations (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Economics (AREA)
- Biomedical Technology (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
본 발명은 딥러닝 기반으로 구성된 대학 학과별 표준 모델 및 인공 지능을 이용하여 입시생의 단말 장치로 입시 합격 가이드를 제공하는 서버 및 방법에 관한 것으로, 본 발명의 일 실시예에 의한 서버는, 대학생 정보를 획득하고, 상기 대학생 정보를 기초로 하여 합격생 표준 모델을 산출하는 대학생 정보 관리부, 입시생 정보를 획득하고 상기 입시생 정보를 분석하여 기 설정된 카테고리 별 데이터베이스를 생성하는 입시생 정보 관리부 및 상기 입시생 정보로부터 획득되는 상기 입시생의 현재 역량을 수치로 나타낸 값과 상기 합격생 표준 모델의 역량을 수치로 나타낸 값 간의 차이를 나타내는 갭 값을 산출하고, 상기 갭 값을 참조로 하여 상기 입시생에게 상기 입시 합격 가이드를 제공하는 입시 정보 제공부를 포함할 수 있다.
Description
본 발명은 딥러닝 기반으로 구성된 대학 학과별 표준 모델 및 인공 지능을 이용한 입시 합격 가이드 제공 방법 및 서버에 관한 것이다.
일반적으로, 입시 준비생들(예를 들어 고등학교 3학년 학생들)이 진학하고자 하는 대학들은 정시(수학능력평가)와 수시(학생부전형)을 중심으로 내신성적과 논술시험, 면접구술시험, 학생부 정보(예를 들어, 학년별 교과성적, 봉사, 창의적체험활동 등의 비교과 활동)과 같은 다양한 형태의 입학 전형을 통해 원하는 학생들을 선발하고 있으며, 각 대학의 입시 전형은 각 학교의 특성을 반영시킬 수 있도록 서로 다르게 구성된다.
특히, 수학능력평가시험에 따른 입학전형(정시)와 달리 내신성적과 학교생활기록부(이하 학생부) 중심의 수시전형에서 입시 준비생들은 자신의 원하는 진로 또는 전공분야 탐색과 자신에게 적합한 대학 및 학과 진학을 위하여 각 학교 및 학과 별 입학전형 및 합격사례를 일일이 찾아 분석하는데 불필요하게 많은 시간을 소모해야 하는 문제가 있으며, 학생에 대한 평가 또한 상대적인 정성평가로 이루어지므로 선생님들의 지도 및 학생들의 입시 준비에 어려움이 크다.
본 발명은 상술한 문제점을 모두 해결하는 것을 그 목적으로 한다.
또한, 본 발명은 입시생에게 적합한 입시 가이드 정보를 제공하는 것을 다른 목적으로 한다.
또한, 본 발명은 딥러닝 기반의 키워드 추출과 하위 카테고리 그룹화 과정을 통해 학생부종합전형 평가기반의 대학 학과별 합격생 표준 모델을 구성하는 것을 다른 목적으로 한다.
또한, 본 발명은 인공지능을 활용하여, 학생부종합전형 평가기반의 대학 학과별 합격생 표준 모델 대비 입시생에게 부족한 항목에 대한 정보를 정확하게 제공하여 대학 합격률을 높이는 것을 다른 목적으로 한다.
상기 목적을 달성하기 위한 본 발명의 대표적인 구성은 다음과 같다.
본 발명의 일 실시예에 의한, 딥러닝 기반으로 구성된 대학 학과별 표준 모델 및 인공 지능을 이용하여 입시생의 단말 장치로 입시 합격 가이드를 제공하는 서버는, 대학생 정보를 획득하고, 상기 대학생 정보를 기초로 하여 합격생 표준 모델을 산출하는 대학생 정보 관리부, 입시생 정보를 획득하고 상기 입시생 정보를 분석하여 기 설정된 카테고리 별 데이터베이스를 생성하는 입시생 정보 관리부 및 상기 입시생 정보로부터 획득되는 상기 입시생의 현재 역량을 수치로 나타낸 값과 상기 합격생 표준 모델의 역량을 수치로 나타낸 값 간의 차이를 나타내는 갭 값을 산출하고, 상기 갭 값을 참조로 하여 상기 입시생에게 상기 입시 합격 가이드를 제공하는 입시 정보 제공부를 포함할 수 있다.
또한, 본 발명의 다른 실시예에 의한, 딥러닝 기반으로 구성된 대학 학과별 표준 모델 및 인공 지능을 이용하여 입시생의 단말 장치로 입시 합격 가이드를 제공하는 방법은, 대학생 정보를 획득하는 단계, 상기 대학생 정보를 기초로 하여 합격생 표준 모델을 산출하는 단계, 입시생 정보를 획득하는 단계, 상기 입시생 정보를 분석하여 기 설정된 카테고리 별 데이터베이스를 생성하는 단계, 상기 입시생 정보로부터 획득되는 상기 입시생의 현재 역량을 수치로 나타낸 값과 상기 합격생 표준 모델의 역량을 수치로 나타낸 값 간의 차이를 나타내는 갭 값을 산출하는 단계 및 상기 갭 값을 참조로 하여 상기 입시생에게 상기 입시 합격 가이드를 제공하는 단계를 포함할 수 있다.
이 외에도, 본 발명을 구현하기 위한 다른 방법, 다른 시스템 및 상기 방법을 실행하기 위한 컴퓨터 프로그램을 기록하는 컴퓨터 판독 가능한 기록 매체가 더 제공된다.
본 발명에 의하면 입시생에게 적합한 입시 가이드 정보를 제공할 수 있다.
본 발명에 의하면, 딥러닝 기반의 키워드 추출과 하위 카테고리 그룹화 과정을 통해 학생부종합전형 평가기반의 대학 학과별 합격생 표준 모델을 구성할 수 있다.
본 발명에 의하면, 인공지능을 활용하여, 학생부종합전형 평가기반의 대학 학과별 합격생 표준 모델 대비 입시생에게 부족한 항목에 대한 정보를 정확하게 제공하여 대학 합격률을 높일 수 있다.
도 1은 본 발명의 일 실시예에 따라 입시생에게 전공 및 대학 학과를 추천하고 입시 가이드를 제공하기 위한 전체 시스템의 개략적인 구성을 나타내는 도면이다.
도 2는 본 발명의 일 실시예에 따른 서버의 내부 구성을 상세하게 도시하는 도면이다.
도 3은 본 발명의 일 실시예에 따른 대학생 정보 관리부에서 대학생의 정보를 획득하고 관리하는 과정을 설명하기 위한 순서도이다.
도 4 내지 도 8은 본 발명의 일 실시예에 따른 기준에 따라 분류된 대학생 정보가 분석되어 카테고리 별 데이터베이스가 생성되는 것을 예시적으로 설명하기 위한 도면이다.
도 9는 본 발명의 일 실시예에 따라 생성된 전공별 표준 모델 및 대학 학과 별 표준 모델을 예시적으로 설명하기 위한 도면이다.
도 10 및 도 11은 본 발명의 일 실시예에 따른 입시생 정보 관리부에서 입시생의 정보를 획득하고 관리하는 과정을 예시적으로 설명하기 위한 도면이다.
도 12 및 도 13은 본 발명의 일 실시예에 따른 입시 정보 제공부에서 입시생에게 입시 관련 정보를 제공하는 과정을 예시적으로 설명하기 위한 도면이다.
도 14는 본 발명의 실시예에 따른, 컴퓨팅 장치를 나타내는 도면이다.
도 2는 본 발명의 일 실시예에 따른 서버의 내부 구성을 상세하게 도시하는 도면이다.
도 3은 본 발명의 일 실시예에 따른 대학생 정보 관리부에서 대학생의 정보를 획득하고 관리하는 과정을 설명하기 위한 순서도이다.
도 4 내지 도 8은 본 발명의 일 실시예에 따른 기준에 따라 분류된 대학생 정보가 분석되어 카테고리 별 데이터베이스가 생성되는 것을 예시적으로 설명하기 위한 도면이다.
도 9는 본 발명의 일 실시예에 따라 생성된 전공별 표준 모델 및 대학 학과 별 표준 모델을 예시적으로 설명하기 위한 도면이다.
도 10 및 도 11은 본 발명의 일 실시예에 따른 입시생 정보 관리부에서 입시생의 정보를 획득하고 관리하는 과정을 예시적으로 설명하기 위한 도면이다.
도 12 및 도 13은 본 발명의 일 실시예에 따른 입시 정보 제공부에서 입시생에게 입시 관련 정보를 제공하는 과정을 예시적으로 설명하기 위한 도면이다.
도 14는 본 발명의 실시예에 따른, 컴퓨팅 장치를 나타내는 도면이다.
아래에서는 첨부한 도면을 참고로 하여 본 발명의 실시예에 대하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
본 명세서에서, 동일한 구성요소에 대해서 중복된 설명은 생략한다.
또한 본 명세서에서, 어떤 구성요소가 다른 구성요소에 '연결되어' 있다거나 '접속되어' 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에 본 명세서에서, 어떤 구성요소가 다른 구성요소에 '직접 연결되어' 있다거나 '직접 접속되어' 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다.
또한, 본 명세서에서 사용되는 용어는 단지 특정한 실시예를 설명하기 위해 사용되는 것으로써, 본 발명을 한정하려는 의도로 사용되는 것이 아니다.
또한 본 명세서에서, 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함할 수 있다.
또한 본 명세서에서, '포함하다' 또는 '가지다' 등의 용어는 명세서에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품, 또는 이들을 조합한 것이 존재함을 지정하려는 것일 뿐, 하나 또는 그 이상의 다른 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 할 것이다.
또한 본 명세서에서, '및/또는' 이라는 용어는 복수의 기재된 항목들의 조합 또는 복수의 기재된 항목들 중의 어느 항목을 포함한다. 본 명세서에서, 'A 또는 B'는, 'A', 'B', 또는 'A와 B 모두'를 포함할 수 있다.
또한 본 명세서에서, 본 발명의 요지를 흐리게 할 수 있는 공지 기능 및 구성에 대한 상세한 설명은 생략될 것이다.
도 1은 본 발명의 일 실시예에 따라 입시생에게 전공과 대학 학과를 추천하고 입시 가이드를 제공하기 위한 전체 시스템의 개략적인 구성을 나타내는 도면이다.
도 1에 도시된 바와 같이, 본 발명의 일 실시예에 따른 전체 시스템은 통신망(100), 서버(200) 및 사용자의 단말 장치(300)를 포함하여 구성될 수 있다.
먼저, 본 발명의 일 실시예에 따른 통신망(100)은 데이터 송수신 서비스가 가능한 대형 통신망의 고속 기간 망일 수 있으며, 인터넷(Internet) 또는 고속의 멀티미디어 서비스를 제공하기 위한 와이파이(Wi-Fi), 와이기그(WiGig), 와이브로(Wireless Broadband Internet, Wibro), 와이맥스(World Interoperability for Microwave Access, Wimax) 등을 포함하는 차세대 무선망일 수 있다.
상기 인터넷은 TCP/IP 프로토콜 및 그 상위계층에 존재하는 여러 서비스, 즉 HTTP(Hyper Text Transfer Protocol), Telnet, FTP(File Transfer Protocol), DNS(Domain Name System), SMTP(Simple Mail Transfer Protocol), SNMP(Simple Network Management Protocol), NFS(Network File Service), NIS(Network Information Service) 등을 제공하는 전 세계적인 개방형 컴퓨터 네트워크 구조를 의미할 수 있으며, 사용자 단말 장치(300)가 서버(200)에 접속될 수 있게 하는 환경을 제공할 수 있다.
한편, 상기 인터넷은 유선 또는 무선 인터넷일 수도 있고, 이외에도 유선 공중망, 무선 이동 통신망, 또는 휴대 인터넷 등과 통합된 코어망 일 수도 있다.
만약, 통신망(100)이 이동 통신망일 경우 동기식 이동 통신망일 수도 있고, 비동기식 이동 통신망일 수도 있다. 상기 비동기식 이동 통신망의 실시 예로서, WCDMA(Wideband Code Division Multiple Access) 방식의 통신망을 들 수 있다. 이 경우 도면에 도시되진 않았지만, 상기 이동 통신망은 예컨대, RNC(Radio Network Controller) 등을 포함할 수 있다. 한편, 상기 WCDMA망을 일 예로 들었지만, 3G LTE망, 4G망, 5G망 등 차세대 통신망, 그 밖의 IP를 기반으로 한 IP 망일 수 있다.
다음으로, 본 발명의 일 실시예에 따른 서버(200)는 통신망(100)을 통하여 사용자의 단말 장치(300)로부터 사용자(예를 들어, 대학생 또는 입시생)의 정보를 수신하고, 수신한 정보를 분석하여 사용자의 단말 장치(300; 예를 들어, 입시생의 단말 장치)로 추천 대학 또는 추천 학과에 대한 정보를 제공하며, 추천 대학 또는 추천 학과에 합격할 수 있도록 하는 입시 합격 가이드를 제공하는 기능을 수행할 수 있다.
본 발명에 따른 서버(200)의 구성과 기능에 관하여는 아래의 상세한 설명을 통하여 자세하게 알아보기로 한다.
한편, 본 발명의 일 실시예에 따른 사용자 단말 장치(300)는 서버(200)에 접속한 후 통신할 수 있는 기능을 포함하는 디지털 기기로서, 데스크탑 컴퓨터, 노트북 컴퓨터, 워크스테이션, PDA, 웹 패드, 이동 전화기 등과 같이 메모리 수단을 구비하고 마이크로 프로세서를 탑재하여 연산 능력을 갖춘 디지털 기기라면 얼마든지 본 발명에 따른 사용자 단말 장치(300)로서 채택될 수 있다.
특히, 사용자 단말 장치(300)에는 서버(200)가 제공하는, 사용자의 정보를 입력할 수 있는 사용자 인터페이스를 제공받을 수 있도록 하는 브라우저(browser) 관련 프로그램이 포함되어 있을 수 있다.
이하에서는, 본 발명에 따른 서버의 내부 구성과 각 구성요소의 기능에 대하여 살펴보기로 한다.
도 2는 본 발명의 일 실시예에 따른 서버의 내부 구성을 상세하게 도시하는 도면이다.
도 2에 도시된 바와 같이, 본 발명의 일 실시예에 따른 서버(200)는 대학생 정보 관리부(210), 입시생 정보 관리부(220), 입시 정보 제공부(230), 데이터베이스(240), 통신부(250) 및 제어부(260)를 포함하여 구성될 수 있다. 본 발명의 일 실시예에 따르면, 여 대학생 정보 관리부(210), 입시생 정보 관리부(220), 입시 정보 제공부(230), 데이터베이스(240), 통신부(250) 및 제어부(260)는 그 중 적어도 일부가 사용자 단말 장치(300)와 통신하는 프로그램 모듈일 수 있다. 이러한 프로그램 모듈은 운영 시스템, 응용 프로그램 모듈 또는 기타 프로그램 모듈의 형태로 서버(200)에 포함될 수 있고, 물리적으로는 여러 가지 공지의 기억 장치에 저장될 수 있다. 또한, 이러한 프로그램 모듈은 서버(200)와 통신 가능한 원격 기억 장치에 저장될 수도 있다. 한편, 이러한 프로그램 모듈은 본 발명에 따라 후술할 특정 업무를 수행하거나 특정 추상 데이터 유형을 실행하는 루틴, 서브루틴, 프로그램, 오브젝트, 컴포넌트, 데이터 구조 등을 포괄하지만, 이에 제한되지는 않는다.
본 발명의 일 실시예에 따른 대학생 정보 관리부(210)는 대학생의 정보를 획득하고 이를 관리하는 기능을 수행할 수 있다. 여기서 대학생은 현재 대학교에 재학 중인 재학생일수도 있고 졸업한 졸업생일 수도 있다. 본 발명의 일 실시예에 따라 대학생 정보를 획득하고 이를 이용하여 전공별 표준 모델 및 각 대학 학과별 표준 모델을 포함하는 합격생 표준 모델을 생성하는 과정은 이하에서 도 3 내지 도 9를 더 참조로 하여 설명하도록 한다.
도 3은 본 발명의 일 실시예에 따른 대학생 정보 관리부에서 대학생의 정보를 획득하고 관리하는 과정을 설명하기 위한 순서도이다.
도 2 및 도 3을 참조하면, 먼저, 대학생 정보 관리부(210)는 대학생의 정보를 획득할 수 있다(S310). 이 때, 대학생 정보 관리부(210)는 사용자 단말 장치(300)로 대학생 정보 입력을 위한 사용자 인터페이스를 제공하고, 사용자 단말 장치(300)로부터 대학생의 정보를 획득할 수 있다. 또는, 대학생 정보 관리부(210)는 대학교로부터 대학생 정보를 제공받을 수도 있다.
대학생 정보 관리부(210)가 획득하는 대학생 정보는, 대학생이 대학교에 입학하기 위하여 제출한 자료 및 이와 관련된 정보 전반을 의미할 수 있으며, 예를 들어, 학교생활기록부, 교과 외 교육사항에 대한 정보, 고등학교 졸업 후 수행한 전공 관련 경력 또는 경험 내용에 대한 정보, 입시준비 시 대학교에 제출한 자기소개서, 입시 준비 시 대학교에 제출한 교사 추천서, 입시 면접 후기에 대한 정보 등을 포함할 수 있다.
대학생 정보가 획득되면, 대학생 정보 관리부(210)는 획득된 대학생 정보를 소정의 기준에 따라 분류할 수 있으며, 구체적으로, 획득된 대학생 정보를 학교생활기록부 항목, 자기소개서 항목, 면접후기 항목 및 교사추천서 항목 별로 분류할 수 있다(S320).
대학생 정보가 상기 소정의 기준에 따라 분류되면, 대학생 정보 관리부(210)는 분류된 데이터를 분석하여 기 설정된 카테고리 별 데이터베이스를 생성할 수 있으며, 상기 기 설정된 카테고리 별 데이터베이스는 학업역량 데이터베이스, 전공적합성 데이터베이스, 인성 데이터베이스 및 발전가능성 데이터베이스를 포함할 수 있다(S330).
여기서, 학업역량은 학업성취도, 학업태도, 학업의지, 탐구활동 등을 고려하여 설정된 카테고리이고, 전공적합성은 전공관련 교과목 이수 및 성취도, 전공에 대한 관심과 이해도, 전공 관련 활동 및 경험 등을 고려하여 설정된 카테고리일 수 있다. 또한, 인성은 협업 능력, 나눔과 배려, 소통 능력, 도덕성, 성실성 등을 고려하여 설정된 카테고리이고, 발전가능성은 자기 주도성, 경험의 다양성, 리더십, 창의적 문제해결 등을 고려하여 설정된 카테고리일 수 있다.
대학생 정보 관리부(210)가 분류된 데이터를 이용하여 기 설정된 카테고리 별 데이터베이스를 생성하는 과정은 이하에서 도 4 내지 8을 더 참조하여 구체적으로 설명하도록 한다.
도 4 내지 도 8은 본 발명의 일 실시예에 따른 기준에 따라 분류된 대학생 정보가 분석되어 카테고리 별 데이터베이스가 생성되는 것을 예시적으로 설명하기 위한 도면이다.
도 4를 참조하면, 자기소개서, 교사추천서 및 학교생활기록부 정보를 분석하여 학업역량 데이터베이스를 생성할 수 있으며, 분석 시 고려되는 평가항목은 학업성취도, 학업태도와 학업의지, 지적 호기심, 자기주도적 학습능력 및 탐구능력을 포함할 수 있다.
보다 구체적으로, 대학생 정보 중 자기소개서의 1번 및 2번 항목, 교사추천서의 1번 및 3목 항목, 학교생활기록부의 수상경력, 창의적체험활동상황, 교과학습발달상황, 독서활동상황, 행동특성 및 종합의견에 대한 정보를 기초로 학업역량 데이터베이스가 생성될 수 있다.
다음으로, 자기소개서, 교사추천서 및 학교생활기록부 정보를 분석하여 전공적합성 데이터베이스를 생성할 수 있으며, 분석 시 고려되는 평가항목은 적성과 소질, 전공에 대한 관심과 이해도, 전공 관련 교과목 이수, 진로 탐색 노력, 전공 관련 활동 경험을 포함할 수 있다.
보다 구체적으로, 대학생 정보 중 자기소개서의 1번, 2번 및 4번 항목, 교사추천서의 1번, 2번 및 3번 항목, 학교생활기록부의 수상경력, 진로희망사항, 자격증 및 인증 취득상황, 창의적체험활동상황, 교과학습발달상황, 독서활동상황, 행동특성 및 종합의견에 대한 정보를 기초로 전공적합성 데이터베이스가 생성될 수 있다.
다음으로, 자기소개서, 교사추천서 및 학교생활기록부 정보를 분석하여 인성 데이터베이스를 생성할 수 있으며, 분석 시 고려되는 평가항목은 나눔과 배려 실천, 팀워크와 협력, 리더십, 도덕성과 품성, 성실성 및 대인관계와 의사소통능력을 포함할 수 있다.
보다 구체적으로, 대학생 정보 중 자기소개서의 2번 및 3번 항목, 교사추천서의 2번 및 3번 항목, 학교생활기록부의 수상경력, 출결사항, 창의적 체험활동상황, 행동특성 및 종합의견에 대한 정보를 기초로 인성 데이터베이스가 생성될 수 있다.
마지막으로, 자기소개서, 교사추천서 및 학교생활기록부 정보를 분석하여 발전가능성 데이터베이스를 생성할 수 있으며, 분석 시 고려되는 평가항목은 자기주도성, 도전정신, 창의성, 문제해결능력, 환경극복능력, 문화적 소양, 경험의 다양성을 포함할 수 있다.
보다 구체적으로, 대학생 정보 중 자기소개서의 1번 내지 4번 항목, 교사추천서의 1번, 2번 및 3번 항목, 학교생활기록부의 학적사항, 진로희망사항, 수상경력, 자격증 및 인증취득상황, 창의적 체험활동상황, 교과학습발달상황, 독서활동상황, 행동특성 및 종합의견에 대한 정보를 기초로 발전가능성 데이터베이스가 생성될 수 있다.
여기서 자기소개서의 각 항목은 모든 대학 입시에 공통적으로 적용되도록 기 설정된 것일 수 있으며, 예를 들어 ‘고등학교 재학기간 중 학업에 기울인 노력과 학습 경험을 통해 배우고 느낀 점’, ‘고등학교 재학기간 중 본인이 의미를 두고 노력했던 교내 활동을 통해 배우고 느낀 점’, ‘학교생활 중 배려, 나눔, 협력, 갈등 관리 등을 실천한 사례를 들고, 그 과정을 통해 배우고 느낀 점’, ‘해당 모집단위에 지원하게 된 동기와 지원하기 위해 노력한 과정이나 해당 학교가 지원자를 선발하여야 하는 이유’등일 수 있다.
또한, 교사추천서의 각 항목은 모든 대학 입시에 공통적으로 적용되도록 기 설정된 것일 수 있다.
대학생 정보 관리부(210)는 분류된 대학생 정보에 대하여, 데이터를 군집화하거나 분류하는 기술인 크롤링(crawling) 또는/및 딥러닝 기반의 시맨틱 네트워크 분석(semantic network analysis) 기법을 적용하여 상술한 데이터베이스를 생성할 수 있다. 여기서, 크롤링은 복수의 컴퓨터에 분산 저장되어 있는 문서를 수집하여 검색 대상의 색인으로 포함시키는 기술일 수 있다. 또한, 딥러닝 기반의 시맨틱 네트워크 분석은 단어추출 및 형태소분석으로 장문의 텍스트에서 키워드를 추출하고, 중요도 및 단어 간의 관계를 기반으로 한 네트워크 분석을 수행하고, 기계학습 토픽 모델링기법을 이용하여 하위 주제파악, 하위 주제간 연결관계구성 및 분류, 워드클라우드기반의 시각화를 통해 데이터 검증 및 확인하는 기술일 수 있다.
데이터 분석을 위한 키워드, 중요도, 단어 간 연결관계는 도 5 내지 도 8에 도시된 세부평가항목 리스트, 배점, 각 세부평가항목의 정의, 평가내용 등을 참조하여 설정될 수 있다.
대학생 정보 관리부(210)는 카테고리 별 데이터베이스가 생성되면, 생성된 데이터베이스를 분석하여 전공 별 표준 모델과 각 대학 학과 별 합격생 표준 모델을 생성할 수 있다(S340). 구체적으로, 대학생 정보 관리부(210)는 카테고리 별 데이터베이스에 저장된 데이터를 대학교, 전공, 학과를 기준으로 그룹화하고 여기에 딥러닝 기반의 시맨틱 네트워크 분석 기법을 적용하여, 전공 별 표준 모델과 각 대학의 학과 별 표준 모델을 생성할 수 있다.
본 발명의 일 실시예에 따라 생성된 전공 별 표준 모델과 각 대학의 학과 별 표준 모델은 이하에서 도 9를 참조로 하여 설명하도록 한다.
도 9는 본 발명의 일 실시예에 따라 생성된 전공별 표준 모델 및 대학 학과 별 표준 모델을 예시적으로 설명하기 위한 도면이다. 도 9에서는 설명의 편의를 위하여 건축공학과의 표준 모델과, 경일대학교 건축공학과의 표준 모델을 예시적으로 도시하였다.
도 9를 참조하면, 전공별 표준모델 및 각 대학 학과별 표준모델은 기 설정된 학업역량 표준종합점수, 전공적합성 표준종합점수, 인성 평균종합점수, 및 발전가능성 표준종합점수를 기초로 하여 생성될 수 있다. 여기서 전공별 표준모델을 생성하기 위하여 기 설정되는 학업역량 표준종합점수, 전공적합성 표준종합점수, 인성 평균종합점수, 및 발전가능성 표준종합점수는, 각 대학 학과별 표준모델을 생성하기 위하여 기 설정되는 학업역량 표준종합점수, 전공적합성 표준종합점수, 인성 평균종합점수, 및 발전가능성 표준종합점수와 상이할 수 있다.
또는, 여기서 전공별 표준모델을 생성하기 위하여 분석되는 데이터와 각 대학 학과별 표준모델을 생성하기 위하여 분석되는 데이터가 서로 상이할 수 있다. 예를 들어, 전공별 표준모델을 생성하기 위하여 분석되는 데이터는 전체 대학생 정보에 관한 것이고, 경일대학교 학과별 표준모델을 생성하기 위하여 분석되는 데이터는 경일대학교의 재학생 또는 졸업생 정보에 관한 것일 수 있다.
학업역량 표준종합점수는 학업성취도 종합점수, 학업태도와 학업의지 표준점수, 탐구활동 표준점수를 기초로 하여 생성될 수 있으며, 전공적합성 표준종합점수는 전공관련 교과목이수 및 성취도 표준점수, 전공에 대한 관심과 이해 표준점수, 전공관련 활동과 경험 표준점수를 기초로 하여 생성될 수 있다. 또한, 인성 평균종합점수는 협업 능력 표준점수, 나눔과 배려 표준점수, 소통 능력 표준점수, 도덕성 표준점수, 성실성 표준점수를 기초로 하여 생성될 수 있으며, 발전가능성 표준종합점수는 자기주도성 표준점수, 경험의 다양성 표준점수, 리더십 표준점수 및 창의적 문제해결력 표준점수를 기초로 하여 생성될 수 있다.
대학생 정보 관리부(210)는 대학생 정보가 새롭게 입력될 때마다 도 3을 참조로 하여 상술한 단계 S320, 단계 S330 및 단계 S340를 반복하여 표준 모델에 대한 정보를 지속적으로 업데이트할 수 있다.
다음으로, 본 발명의 일 실시예에 따른 입시생 정보 관리부(220)는 입시생의 정보를 획득하고 이를 관리하는 기능을 수행할 수 있다. 본 발명의 일 실시예에 따른 입시생 정보 관리부(220)의 구체적인 기능에 관하여는 이하에서 도 10 및 도 11을 참조로 하여 구체적으로 설명하도록 한다.
도 10 및 도 11은 본 발명의 일 실시예에 따른 입시생 정보 관리부에서 입시생의 정보를 획득하고 관리하는 과정을 예시적으로 설명하기 위한 도면이다.
도 2, 도 10 및 도 11을 참조하면, 먼저 입시생 정보 관리부(220)는 입시생의 정보를 획득할 수 있다(S1010). 여기서 입시생은 대학 진학을 준비하는 학생을 의미할 수 있으며, 예를 들어 고등학생일 수 있다. 입시생 정보 관리부(220)는 사용자 단말 장치(300)로 입시생 정보 입력을 위한 사용자 인터페이스를 제공하고, 사용자 단말 장치(300)로부터 입시생의 정보를 획득할 수 있다. 또는, 입시생 정보 관리부(220)는 입시생 정보를 보유하고 있는 고등학교 및/또는 기타 기관이나 선생님으로부터 입시생 정보를 제공받을 수도 있다.
입시생 정보 관리부(220)에서 획득하는 입시생 정보는 고등학교 학교생활기록부에 기재된 정보, 입시생이 작성한 것으로서 입시생의 적성 등이 개시된 자기소개서, 면접 답변 준비자료, 교사 추천서 등을 포함할 수 있다.
입시생 정보가 획득되면, 입시생 정보 관리부(220)는 획득된 입시생 정보를 소정의 기준에 따라 분류할 수 있으며, 구체적으로 획득된 입시생 정보를 학교생활기록부 항목과 자기소개서 항목으로 분류할 수 있다(S1020). 여기서 학교생활기록부 항목은 학적사항, 출결사항, 수상경력, 자격증 및 인증취득 사항, 진로희망사항, 창의적체험활동, 교과학습, 독서활동, 행동특성 및 종합의견의 세부항목으로 분류될 수 있다.
입시생 정보가 상기 소정의 기준에 따라 분류되면, 입시생 정보 관리부(220)는 분류된 데이터를 분석하여 기 설정된 카테고리 별 데이터베이스를 생성할 수 있으며, 상기 기 설정된 카테고리 별 데이터베이스는 학업역량 데이터베이스, 전공적합성 데이터베이스, 인성 데이터베이스 및 발전가능성 데이터베이스를 포함할 수 있다(S1030).
여기서, 학업역량은 학업성취도, 학업태도, 학업의지, 탐구활동 등을 고려하여 설정된 카테고리이고, 전공적합성은 전공관련 교과목 이수 및 성취도, 전공에 대한 관심과 이해도, 전공 관련 활동 및 경험 등을 고려하여 설정된 카테고리일 수 있다. 또한, 인성은 협업 능력, 나눔과 배려, 소통 능력, 도덕성, 성실성 등을 고려하여 설정된 카테고리이고, 발전가능성은 자기 주도성, 경험의 다양성, 리더십, 창의적 문제해결 등을 고려하여 설정된 카테고리일 수 있다.
다음으로, 본 발명의 일 실시예에 따른 입시 정보 제공부(230)는 입시생 정보 관리부(220)에서 생성한 데이터베이스를 기초로 하여 입시생에게 적절한 전공, 대학, 학과 정보를 추천하고, 추천 대학 및 추천 학과에 적합한 입시 가이드 정보를 제공할 수 있다. 입시 정보 제공부(230)의 구체적인 기능에 관하여는 이하에서 도 12 및 도 13을 참조로 하여 구체적으로 설명하도록 한다.
도 12 및 도 13은 본 발명의 일 실시예에 따른 입시 정보 제공부에서 입시생에게 입시 관련 정보를 제공하는 과정을 예시적으로 설명하기 위한 도면이다.
도 12를 참조하면, 입시 정보 제공부(230)는 입시 정보 관리부에서 생성된 데이터베이스를, 대학생 정보 관리부(210)에서 생성한 전공별 합격생 표준모델 및 대학 학과별 표준모델과 비교할 수 있다(S1210).
다음으로, 입시 정보 제공부(230)는, 입시생의 현재 역량을 수치로 나타낸 값과, 합격생 표준 모델을 수치로 나타낸 값 간의 차이를 나타내는 갭 값을 산출할 수 있다(S1220). 본 발명의 일 실시예에 따른 갭 값은 아래의 [수학식 1]과 [수학식 2]를 이용하여 산출될 수 있다.
[수학식 1]에서 Abilityn 는 지원자 S의 역량을 수치로 나타낸 것일 수 있으며, 이하에서는 이를 지원자 S의 역량평가점수로 지칭하도록 한다. 또한, [수학식 1]에서 Wn은 항목 n에 대한 가중치를 의미하고, Sn은 지원 수험생의 항목 n에 대한 점수를 의미할 수 있다. 한편, 항목 n은 도 5 내지 도 8에 개시된 세부평가항목 중 어느 하나를 의미할 수 있다.
[수학식 1]
[수학식 2]에서 GAPn,u,d 은 항목 n, 대학 u, 학과 d에 있어서, 지원 수험생의 역량평가점수와 표준 모델의 역량평가점수 간 차이인 갭 값을 의미하는 것이다. 갭 값 GAPn,u,d 은 [수학식 2]와 같이 항목 n, 대학 u, 학과 d 합격자에 대한 가중치 값인 Wn,u,d, 항목 n, 대학 u, 학과 d 합격자의 점수인 An,u,d, 지원 수험생의 항목n에 대한 점수인 Sn 을 참조로 하여 산출될 수 있다.
[수학식 2]
입시 정보 제공부(230)는 입시생 정보, 산출된 갭 값, 전공별 요구역량, 각 대학 학과별 요구역량 정보를 참조로 하여 입시 가이드 정보를 제공할 수 있다. 도 9 및 도 13을 참조하면, 전공별 요구 역량, 각 대학 학과별 요구 역량을 나타내는 기준 항목은 전공별 표준 모델 및 각 대학 학과별 표준 모델을 생성하기 위한 기준 항목과 동일할 수 있다.
도 12 및 도 13을 참조하면, 입시 정보 제공부(230)는 입시생 정보, 산출된 갭 값, 전공별 요구역량, 각 대학 학과별 요구역량 정보를 참조로 하여, 입시생에게 적절한 전공을 추천하고 적어도 하나 이상의 특정 대학의 학과를 추천할 수 있다(S1230).
입시생은 입시 정보 제공부(230)에서 추천한 전공 정보, 특정 대학의 학과에 대한 정보를 확인하고 목표 대학 및 학과를 선택할 수 있다. 입시생으로부터 입시생이 설정한 입시 목표(예를 들어, A 대학의 B 학과) 정보를 획득하면 합격 가능성 여부를 분석하여 분석된 정보를 제공할 수 있다(S1240).
입시 정보 제공부(230)는 인공지능(Artificial Intelligence, AI) 기반의 협력 필터(Collaborative Filtering, CF), 인공신경망(Recurrent Neural Network, RNN) 및 적응형학습(adaptive learning)을 이용하여 개인 별 맞춤형 정보를 제공할 수 있다. 한편, 개인 별 맞춤형 정보에는, 입시생이 설정한 목표 달성 가능성 여부, 현재 입시생에게 부족한 항목에 대한 정보 등이 포함될 수 있다.
또한, 입시 정보 제공부(230)는 입시생에게 적합한 대학 재학생 또는 졸업생을 탐색하고, 탐색된 대학 재학생 또는 졸업생에 대한 정보를 입시생에게 제공할 수 있다. 즉, 본 발명의 일 실시예에 따른 서버(200)는 입시생과 대학생을 연결하여 1:1 입시 멘토링 서비스를 제공할 수 있다.
입시 정보 제공부(230)는 입시생 정보가 입력될 때마다 도 10 및 도 12를 참조로 하여 상술한 단계 S1020, 단계 S1030, 단계 S1210, 단계 S1220, 및 단계 S1240을 반복하여, 입시생이 설정한 목표 달성 가능성 여부, 현재 입시생에게 부족한 항목에 대한 정보를 지속적으로 업데이트 할 수 있다.
다음으로, 본 발명의 일 실시예에 따른 데이터베이스(240)에는, 대학생 정보, 입시생 정보 등이 등이 저장될 수 있다. 비록 도 2에서 데이터베이스(240)가 서버(200)에 포함되어 구성되는 것으로 도시되어 있지만, 본 발명을 구현하는 당업자의 필요에 따라, 데이터베이스(240)는 서버(200)와 별개로 구성될 수도 있다. 또한, 도 2에는 하나의 데이터베이스(240)만이 도시되어 있지만 본 발명이 이에 제한되는 것은 아니며, 본 발명을 구현하는 당업자의 필요에 따라 데이터베이스(240)는 복수 개 구비될 수 있다. 한편, 본 발명에서의 데이터베이스(240)는, 컴퓨터 판독 가능한 기록 매체를 포함하는 개념으로서, 협의의 데이터베이스뿐만 아니라 파일 시스템에 기반을 둔 데이터 기록 등을 포함하는 광의의 데이터베이스일 수도 있으며, 단순한 로그의 집합이라도 이를 검색하여 데이터를 추출할 수 있다면 본 발명에서의 데이터베이스(240)가 될 수 있다.
다음으로, 본 발명의 일 실시예에 따른 통신부(250)는 대학생 정보 관리부(210), 입시생 정보 관리부(220), 입시 정보 제공부(230) 및 데이터베이스(240) 로부터의/로의 데이터 송수신이 가능하도록 하는 기능을 수행할 수 있다. 또한, 통신부(250)는 서버(200) 내 구성과 사용자 단말 장치(300) 간 데이터 송수신이 가능하도록 하는 기능을 수행할 수도 있다.
마지막으로, 본 발명의 일 실시예에 따른 제어부(260)는 대학생 정보 관리부(210), 입시생 정보 관리부(220), 입시 정보 제공부(230), 데이터베이스(240) 및 통신부(250) 간의 데이터의 흐름을 제어하는 기능을 수행할 수 있다. 즉, 본 발명에 따른 제어부(270)는 서버(200)의 외부로부터의/로의 데이터 흐름 또는 서버의 각 구성요소 간의 데이터 흐름을 제어함으로써, 대학생 정보 관리부(210), 입시생 정보 관리부(220), 입시 정보 제공부(230), 데이터베이스(240) 및 통신부(250)에서 각각 고유 기능을 수행하도록 제어할 수 있다.
도 14는 본 발명의 실시예에 따른, 컴퓨팅 장치를 나타내는 도면이다. 도 14의 컴퓨팅 장치(TN100)는 본 명세서에서 기술된 장치(예, 서버(200) 등) 일 수 있다.
도 14의 실시예에서, 컴퓨팅 장치(TN100)는 적어도 하나의 프로세서(TN110), 송수신 장치(TN120), 및 메모리(TN130)를 포함할 수 있다. 또한, 컴퓨팅 장치(TN100)는 저장 장치(TN140), 입력 인터페이스 장치(TN150), 출력 인터페이스 장치(TN160) 등을 더 포함할 수 있다. 컴퓨팅 장치(TN100)에 포함된 구성 요소들은 버스(bus)(TN170)에 의해 연결되어 서로 통신을 수행할 수 있다.
프로세서(TN110)는 메모리(TN130) 및 저장 장치(TN140) 중에서 적어도 하나에 저장된 프로그램 명령(program command)을 실행할 수 있다. 프로세서(TN110)는 중앙 처리 장치(CPU: central processing unit), 그래픽 처리 장치(GPU: graphics processing unit), 또는 본 발명의 실시예에 따른 방법들이 수행되는 전용의 프로세서를 의미할 수 있다. 프로세서(TN110)는 본 발명의 실시예와 관련하여 기술된 절차, 기능, 및 방법 등을 구현하도록 구성될 수 있다. 프로세서(TN110)는 컴퓨팅 장치(TN100)의 각 구성 요소를 제어할 수 있다.
메모리(TN130) 및 저장 장치(TN140) 각각은 프로세서(TN110)의 동작과 관련된 다양한 정보를 저장할 수 있다. 메모리(TN130) 및 저장 장치(TN140) 각각은 휘발성 저장 매체 및 비휘발성 저장 매체 중에서 적어도 하나로 구성될 수 있다. 예를 들어, 메모리(TN130)는 읽기 전용 메모리(ROM: read only memory) 및 랜덤 액세스 메모리(RAM: random access memory) 중에서 적어도 하나로 구성될 수 있다.
송수신 장치(TN120)는 유선 신호 또는 무선 신호를 송신 또는 수신할 수 있다. 송수신 장치(TN120)는 네트워크에 연결되어 통신을 수행할 수 있다.
이상 설명된 본 발명에 따른 실시예들은 다양한 컴퓨터 구성요소를 통하여 수행될 수 있는 프로그램 명령어의 형태로 구현되어 컴퓨터 판독 가능한 기록 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능한 기록 매체는 프로그램 명령어, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 컴퓨터 판독 가능한 기록 매체에 기록되는 프로그램 명령어는 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 분야의 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능한 기록 매체의 예에는, 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM, DVD와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 ROM, RAM, 플래시 메모리 등과 같은 프로그램 명령어를 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령어의 예에는, 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드도 포함된다. 상기 하드웨어 장치는 본 발명에 따른 처리를 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
한편, 본 발명의 실시예는 지금까지 설명한 장치 및/또는 방법을 통해서만 구현되는 것은 아니며, 본 발명의 실시예의 구성에 대응하는 기능을 실현하는 프로그램 또는 그 프로그램이 기록된 기록 매체를 통해 구현될 수도 있으며, 이러한 구현은 상술한 실시예의 기재로부터 본 발명이 속하는 기술 분야의 통상의 기술자라면 쉽게 구현할 수 있는 것이다.
이상에서 본 발명의 실시예에 대하여 상세하게 설명하였지만 본 발명의 권리범위는 이에 한정되는 것은 아니고 다음의 청구범위에서 정의하고 있는 본 발명의 기본 개념을 이용한 통상의 기술자의 여러 변형 및 개량 형태 또한 본 발명의 권리범위에 속하는 것이다.
100: 통신망 200: 서버
210: 대학생 정보 관리부 220: 입시생 정보 관리부
230: 입시 정보 제공부 240: 데이터베이스
250: 통신부 300: 사용자 단말 장치
210: 대학생 정보 관리부 220: 입시생 정보 관리부
230: 입시 정보 제공부 240: 데이터베이스
250: 통신부 300: 사용자 단말 장치
Claims (12)
- 입시생의 단말 장치로 상기 입시생에 대응하는 입시 합격 가이드를 제공하는 서버에 있어서,
대학교에 현재 재학 중인 재학생을 대상으로 대학생 정보를 획득하고, 상기 대학생 정보를 기초로 하여 합격생 표준 모델을 산출하는 대학생 정보 관리부;
입시생 정보를 획득하고 상기 입시생 정보를 분석하여 기 설정된 카테고리 별 데이터베이스를 생성하는 입시생 정보 관리부; 및
상기 입시생 정보로부터 획득되는 상기 입시생의 현재 역량을 수치로 나타낸 값과 상기 합격생 표준 모델의 역량을 수치로 나타낸 값 간의 차이를 나타내는 갭 값을 산출하고, 상기 갭 값을 참조로 하여 상기 입시생에게 상기 입시 합격 가이드를 제공하는 입시 정보 제공부;를 포함하고,
상기 대학생 정보는, 고등학교 학교생활기록부에 기재된 정보, 교과 외 교육사항에 대한 정보, 입시 당시 상기 대학생이 대학교에 제출한 자기소개서, 교사 추천서, 입시 면접 후기에 대한 정보, 및 상기 대학생의 전공과 관련된 경력 사항 또는 경험 내용에 대한 정보를 모두 포함하며,
상기 입시생 정보는, 학교생활기록부에 기재된 정보, 입시생이 작성한 자기소개서에 기재된 정보, 면접 답변 준비자료에 기재된 정보 및 교사 추천서에 기재된 정보를 모두 포함하고,
상기 대학생 정보 관리부는 상기 획득한 대학생 정보를, 학교생활기록부 항목, 자기소개서 항목, 면접후기 항목 및 교사추천서 항목 별로 분류하며,
상기 대학생 정보 관리부는, 딥러닝 기반의 시맨틱 네트워크 분석기법을 이용하여, 상기 학교생활기록부 항목, 상기 자기소개서 항목, 상기 면접후기 항목 및 상기 교사추천서 항목 별로 분류된 상기 대학생 정보를 분석함으로써, 상기 대학생에 대한 학업역량 데이터베이스, 전공적합 데이터베이스, 인성 데이터베이스 및 발전가능성 데이터베이스를 생성하고,
상기 대학생 정보 관리부는, 키워드를 추출하는 상기 딥러닝 기반의 시맨틱 네트워크 분석기법을 이용하여 상기 대학생에 대한 상기 학업역량 데이터베이스, 상기 전공적합 데이터베이스, 상기 인성 데이터베이스 및 상기 발전가능성 데이터베이스를 분석함으로써, 상기 합격생 표준 모델을 생성하며,
상기 대학생 정보 관리부는 전공별 표준 모델 및 대학 학과별 표준 모델을 포함하는 상기 합격생 표준 모델을 산출하며,
상기 전공별 표준 모델을 생성하기 위해 분석되는 데이터는 전체 대학생 정보에 관한 것이고,
상기 대학 학과별 표준 모델을 생성하기 위해 분석되는 데이터는 특정 대학교의 대학생 정보에 관한 것이며,
상기 기 설정된 카테고리 별 데이터베이스는 학업역량 데이터베이스, 전공적합 데이터베이스, 인성 데이터베이스 및 발전가능성 데이터베이스를 포함하고,
상기 입시생 정보 관리부는, 크롤링 및 딥러닝 기반의 시맨틱 네트워크 분석기법 중 적어도 어느 하나를 이용하여 상기 입시생 정보를 분류하고, 데이터베이스화하며, 분석하고,
상기 입시 정보 제공부는 상기 입시생 정보 관리부에서 생성된 데이터베이스를 상기 대학생 정보 관리부에서 생성한 상기 전공별 표준 모델 및 상기 대학 학과별 표준 모델과 비교하며,
상기 입시 정보 제공부는 상기 입시생 정보, 상기 갭 값, 전공별 요구역량, 대학 학과별 요구역량을 참조로 하여 상기 입시생에게 전공, 대학, 학과 정보를 추천하며, 상기 입시 합격 가이드 정보를 제공하는 것을 특징으로 하는 서버. - 삭제
- 삭제
- 삭제
- 삭제
- 삭제
- 삭제
- 삭제
- 삭제
- 삭제
- 삭제
- 입시생의 단말 장치로 상기 입시생에 대응하는 입시 합격 가이드를 제공하는 방법에 있어서,
서버에서, 대학교에 현재 재학 중인 재학생을 대상으로 대학생 정보를 획득하는 단계;
상기 서버에서, 상기 대학생 정보를 기초로 하여 합격생 표준 모델을 산출하는 단계;
상기 서버에서, 입시생 정보를 획득하는 단계;
상기 서버에서, 상기 입시생 정보를 분석하여 기 설정된 카테고리 별 데이터베이스를 생성하는 단계;
상기 서버에서, 상기 입시생 정보로부터 획득되는 상기 입시생의 현재 역량을 수치로 나타낸 값과 상기 합격생 표준 모델의 역량을 수치로 나타낸 값 간의 차이를 나타내는 갭 값을 산출하는 단계; 및
상기 서버에서, 상기 갭 값을 참조로 하여 상기 입시생에게 상기 입시 합격 가이드를 제공하는 단계;를 포함하고,
상기 대학생 정보는, 고등학교 학교생활기록부에 기재된 정보, 교과 외 교육사항에 대한 정보, 입시 당시 상기 대학생이 대학교에 제출한 자기소개서, 교사 추천서, 입시 면접 후기에 대한 정보, 및 상기 대학생의 전공과 관련된 경력 사항 또는 경험 내용에 대한 정보를 모두 포함하며,
상기 입시생 정보는, 학교생활기록부에 기재된 정보, 입시생이 작성한 자기소개서에 기재된 정보, 면접 답변 준비자료에 기재된 정보 및 교사 추천서에 기재된 정보를 모두 포함하고,
상기 서버의 대학생 정보 관리부에서, 상기 획득한 대학생 정보를, 학교생활기록부 항목, 자기소개서 항목, 면접후기 항목 및 교사추천서 항목 별로 분류하는 단계,
상기 대학생 정보 관리부에서, 딥러닝 기반의 시맨틱 네트워크 분석기법을 이용하여, 상기 학교생활기록부 항목, 상기 자기소개서 항목, 상기 면접후기 항목 및 상기 교사추천서 항목 별로 분류된 상기 대학생 정보를 분석함으로써, 상기 대학생에 대한 학업역량 데이터베이스, 전공적합 데이터베이스, 인성 데이터베이스 및 발전가능성 데이터베이스를 생성하는 단계,
상기 대학생 정보 관리부에서, 키워드를 추출하는 상기 딥러닝 기반의 시맨틱 네트워크 분석기법을 이용하여 상기 대학생에 대한 상기 학업역량 데이터베이스, 상기 전공적합 데이터베이스, 상기 인성 데이터베이스 및 상기 발전가능성 데이터베이스를 분석함으로써, 상기 합격생 표준 모델을 생성하는 단계,
상기 대학생 정보 관리부에서, 전공별 표준 모델 및 대학 학과별 표준 모델을 포함하는 상기 합격생 표준 모델을 산출하는 단계,
상기 전공별 표준 모델을 생성하기 위해 분석되는 데이터는 전체 대학생 정보에 관한 것이고,
상기 대학 학과별 표준 모델을 생성하기 위해 분석되는 데이터는 특정 대학교의 대학생 정보에 관한 것이며,
상기 기 설정된 카테고리 별 데이터베이스는 학업역량 데이터베이스, 전공적합 데이터베이스, 인성 데이터베이스 및 발전가능성 데이터베이스를 포함하고,
상기 서버의 입시생 정보 관리부에서, 크롤링 및 딥러닝 기반의 시맨틱 네트워크 분석기법 중 적어도 어느 하나를 이용하여 상기 입시생 정보를 분류하고, 데이터베이스화하며, 분석하는 단계,
상기 서버의 입시 정보 제공부에서, 상기 입시생 정보 관리부에서 생성된 데이터베이스를 상기 대학생 정보 관리부에서 생성한 상기 전공별 표준 모델 및 상기 대학 학과별 표준 모델과 비교하는 단계를 더 포함하고,
상기 입시 정보 제공부에서, 상기 입시생 정보, 상기 갭 값, 전공별 요구역량, 대학 학과별 요구역량을 참조로 하여 상기 입시생에게 전공, 대학, 학과 정보를 추천하며, 상기 입시 합격 가이드 정보를 제공하는 것을 특징으로 하는 방법.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020180155802A KR102237881B1 (ko) | 2018-12-06 | 2018-12-06 | 딥러닝 기반으로 구성된 대학 학과별 표준 모델 및 인공 지능을 이용한 입시 합격 가이드 제공 방법 및 서버 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020180155802A KR102237881B1 (ko) | 2018-12-06 | 2018-12-06 | 딥러닝 기반으로 구성된 대학 학과별 표준 모델 및 인공 지능을 이용한 입시 합격 가이드 제공 방법 및 서버 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20200071878A KR20200071878A (ko) | 2020-06-22 |
| KR102237881B1 true KR102237881B1 (ko) | 2021-04-08 |
Family
ID=71142292
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020180155802A KR102237881B1 (ko) | 2018-12-06 | 2018-12-06 | 딥러닝 기반으로 구성된 대학 학과별 표준 모델 및 인공 지능을 이용한 입시 합격 가이드 제공 방법 및 서버 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102237881B1 (ko) |
Families Citing this family (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102708139B1 (ko) * | 2020-11-19 | 2024-09-23 | 주식회사 씨팩토리 | 대상자의 재능을 고려한 모의 입시 시뮬레이션 방법 |
| KR102666653B1 (ko) | 2021-02-25 | 2024-05-20 | 메이저맵 주식회사 | 개인역량에 기반한 학과 추천 서비스 시스템 및 방법 |
| KR102439511B1 (ko) * | 2021-10-12 | 2022-09-02 | (주)에듀에이아이 | 학교생활기록부의 평가정보 결정 장치 및 방법 |
| KR102619082B1 (ko) * | 2021-10-27 | 2023-12-28 | 주식회사 컬리지니에이아이 | 수상 정보 및 활동 정보에 따라 합격 가능성을 예측하는 평가 방법 및 이를 포함하는 전자 장치 |
| US12106682B2 (en) | 2021-10-27 | 2024-10-01 | Collegenie AI | Control method of electronic device for providing evaluation information of essay and college acceptance probability |
| KR102711470B1 (ko) * | 2021-10-28 | 2024-10-04 | 주식회사 아이알에스소프트코리아 | 학습 관리 시스템 및 그의 학습 정보 제공 방법 |
| KR102677115B1 (ko) * | 2021-11-04 | 2024-06-21 | 김준호 | 포트폴리오 분석을 통한 교육기관 매칭 시스템 및 방법 |
| KR20230080892A (ko) | 2021-11-30 | 2023-06-07 | 메이저맵 주식회사 | 인지역량게임을 활용한 학과추천 및 진로추천 시스템 |
| KR102671618B1 (ko) * | 2022-02-23 | 2024-06-03 | 박경호 | 딥러닝에 기반한 교육 목적의 사용자 맞춤형 면접 피드백 제공 방법 및 시스템 |
| KR102669643B1 (ko) * | 2023-04-13 | 2024-05-29 | 주식회사 에이치와이교육 | 진학 가이드 시스템 및 방법 |
| KR102650477B1 (ko) * | 2023-04-13 | 2024-03-22 | 주식회사 에이치와이교육 | 진학 가이드 시스템 및 방법 |
| KR102627731B1 (ko) * | 2023-09-18 | 2024-01-24 | 이동근 | 학생의 학업성취를 위한 맞춤형 학습방향 설정 서비스 제공 장치 및 방법 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20090089654A (ko) * | 2008-02-19 | 2009-08-24 | 신재광 | 온라인을 통한 진학 관리 시스템 |
| KR101641419B1 (ko) * | 2014-08-06 | 2016-07-21 | 주식회사 하이드 | 일자리 매칭 서비스 제공 시스템 및 방법 |
| KR20160072629A (ko) | 2014-12-15 | 2016-06-23 | 이대성 | 고교 입시를 위한 모의 지원 및 진학 지도 시스템 및 방법 |
| KR20160135451A (ko) * | 2015-05-18 | 2016-11-28 | 와이즈멘토 유한회사 | 학과계열 선정 시스템 및 그 방법 |
| KR20180102785A (ko) * | 2017-03-08 | 2018-09-18 | 김동희 | 빅데이터 기반의 맞춤형 진학 정보 서비스 제공 방법 |
-
2018
- 2018-12-06 KR KR1020180155802A patent/KR102237881B1/ko active IP Right Grant
Also Published As
| Publication number | Publication date |
|---|---|
| KR20200071878A (ko) | 2020-06-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102237881B1 (ko) | 딥러닝 기반으로 구성된 대학 학과별 표준 모델 및 인공 지능을 이용한 입시 합격 가이드 제공 방법 및 서버 | |
| Tavakoli et al. | The evolution of the web and netnography in tourism: A systematic review | |
| Haider et al. | Invisible search and online search engines: The ubiquity of search in everyday life | |
| Araújo et al. | How does physical education and health respond to the growing influence in media and digital technologies? An analysis of curriculum in Brazil, Australia and New Zealand | |
| Maton | Cumulative and segmented learning: Exploring the role of curriculum structures in knowledge‐building | |
| US20210390871A1 (en) | Systems and methods for autonomous creation of personalized, self-updating curricula | |
| KR102314150B1 (ko) | 딥러닝 기반 직업별 직무역량 표준화 및 인공지능을 이용한 취업 준비 가이드 제공 방법 및 서버 | |
| US8483606B2 (en) | Automatic determination of user alignments and recommendations for electronic resources | |
| Marín Juarros et al. | Research results of two personal learning environments experiments in a higher education institution | |
| Fearnley | Mind mapping in qualitative data analysis: Managing interview data in interdisciplinary and multi‐sited research projects | |
| US20100255455A1 (en) | Adaptive Assessment | |
| Clarke | Virtual learning environments in teacher education: A journal, a journey | |
| KR20140004024A (ko) | 사용자 맞춤형 도서 관리 시스템 및 방법 | |
| KR102462412B1 (ko) | 멘토링 플랫폼 제공 시스템 및 그 방법 | |
| Austen et al. | Digital capability and teaching excellence: an integrative review exploring what infrastructure and strategies are necessary to support effective use of technology enabled learning (TEL) | |
| Xu et al. | The design of personalized learning resource recommendation system for ideological and political courses | |
| Dunne | How do they research? An ethnographic study of final year undergraduate research behavior in an Irish university | |
| Kehinde et al. | Assessment of Nigerian university library web sites/web pages | |
| van Arnhem et al. | Augmented reality for discovery and instruction | |
| Tomić et al. | Crowdsourcing transcription of historical manuscripts: Citizen science as a force of revealing historical evidence from croatian glagolitic manuscripts | |
| US20120190000A1 (en) | Learning Asset Technology Integration Support Tool | |
| Kavashev | Heutagogical design principles for online learning: a scoping review | |
| Devanandan et al. | ICT embedded education and research: A hand guide for teachers and researchers | |
| KR20210112941A (ko) | 실습도구 및 실습장소를 구비한 협업 지점과 연계된 예체능 매칭 서비스 제공 시스템 | |
| Bessagnet et al. | Using E-collaboration to improve management education: Three Scenarios |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PA0109 | Patent application |
Patent event code: PA01091R01D Comment text: Patent Application Patent event date: 20181206 |
|
| PA0201 | Request for examination | ||
| E902 | Notification of reason for refusal | ||
| PE0902 | Notice of grounds for rejection |
Comment text: Notification of reason for refusal Patent event date: 20200612 Patent event code: PE09021S01D |
|
| PG1501 | Laying open of application | ||
| AMND | Amendment | ||
| E601 | Decision to refuse application | ||
| PE0601 | Decision on rejection of patent |
Patent event date: 20201223 Comment text: Decision to Refuse Application Patent event code: PE06012S01D Patent event date: 20200612 Comment text: Notification of reason for refusal Patent event code: PE06011S01I |
|
| AMND | Amendment | ||
| PX0901 | Re-examination |
Patent event code: PX09011S01I Patent event date: 20201223 Comment text: Decision to Refuse Application Patent event code: PX09012R01I Patent event date: 20200811 Comment text: Amendment to Specification, etc. |
|
| PX0701 | Decision of registration after re-examination |
Patent event date: 20210329 Comment text: Decision to Grant Registration Patent event code: PX07013S01D Patent event date: 20210222 Comment text: Amendment to Specification, etc. Patent event code: PX07012R01I Patent event date: 20201223 Comment text: Decision to Refuse Application Patent event code: PX07011S01I Patent event date: 20200811 Comment text: Amendment to Specification, etc. Patent event code: PX07012R01I |
|
| X701 | Decision to grant (after re-examination) | ||
| PR0701 | Registration of establishment |
Comment text: Registration of Establishment Patent event date: 20210402 Patent event code: PR07011E01D |
|
| PR1002 | Payment of registration fee |
Payment date: 20210405 End annual number: 3 Start annual number: 1 |
|
| PG1601 | Publication of registration | ||
| PR1001 | Payment of annual fee |
Payment date: 20240328 Start annual number: 4 End annual number: 4 |