KR102245286B1 - 학습 문항 추천 장치 및 그 방법 - Google Patents

Abstract

본 발명은 학습 문항을 학습자 맞춤형으로 추천하는 장치 및 그 방법에 관한 것이다.
본 발명에 따른 학습 문항 추천 장치는 맞춤형 학습 데이터를 저장 관리하고, 학습 개념에 대한 이해도 추정 결과와 학습 문항 추천 프로그램이 저장된 테이터베이스 및 학습 문항 추천 프로그램을 실행시키는 프로세서를 포함하되, 프로세서는 학습 개념에 대한 이해도 추정 결과와 학습 개념과 연관된 문항의 문항 파라미터를 고려하여 학습 문항을 선별하여 추천하는 것을 특징으로 한다.

Description

학습 문항 추천 장치 및 그 방법{APPARATUS AND METHOD FOR LEARNING ITEM RECOMMENDATION}

본 발명은 학습 문항을 학습자 맞춤형으로 추천하는 장치 및 그 방법에 관한 것이다.

개인 맞춤형 학습은 학습자의 학습 이력을 바탕으로 학습자에게 지능적으로 학습 콘텐츠를 제공하여, 학습 효과를 향상시키는 기술이다.

종래 기술에 따른 인지진단모델을 이용한 맞춤형 학습 제공 기술은 학습자의 학습 능력에 대한 개념별 이해도 추정 결과에 의존하여 맞춤식 교육을 제공하는데, 이는 이해도가 낮은 개념에 대한 보충 학습 콘텐츠 추천 등에 국한될 뿐이어서, 맞춤형 학습 시스템의 효율성을 더욱 증대시키는 것에 대한 니즈가 있다.
(특허문헌 1) KR10-1586829 B

본 발명은 전술한 문제점을 해결하기 위하여 제안된 것으로, 개념별 이해도 추정 결과와 문항 파라미터의 추정 정보를 활용하여, 학습자의 수준에 맞는 학습 문항을 선별하여 추천함으로써 학습 효율을 증대시키는 것이 가능한 학습 문항 추천 장치 및 그 방법을 제공하는 데 그 목적이 있다.

본 발명에 따른 학습 문항 추천 장치는 맞춤형 학습 데이터를 저장 관리하고, 학습 개념에 대한 이해도 추정 결과와 학습 문항 추천 프로그램이 저장된 테이터베이스 및 학습 문항 추천 프로그램을 실행시키는 프로세서를 포함하되, 프로세서는 학습 개념에 대한 이해도 추정 결과와 학습 개념과 연관된 문항의 문항 파라미터를 고려하여 학습 문항을 선별하여 추천하는 것을 특징으로 한다.

본 발명에 따른 학습 문항 추천 방법은 학습 대상 개념에 대한 선택 정보를 수신하는 단계와, 학습 대상 개념의 이해도 추정치와 기설정 수치를 비교하는 단계 및 비교 결과에 따라, 학습 대상 개념과 연관된 문항의 문항 파라미터를 고려하여 선별된 학습 문항을 추천하는 단계를 포함하는 것을 특징으로 한다.

본 발명에 따른 학습 문항 추천 시스템은 학습자에게 맞춤형 학습에 관한 콘텐츠를 제공하는 학습자 단말 및 학습자의 개념별 이해도와 문항 파라미터를 고려하여 학습 문항을 선별하고, 이를 학습자 단말로 전송하여 추천하는 서버를 포함하는 것을 특징으로 한다.

본 발명의 실시예에 따른 학습 문항 추천 장치 및 방법은 학습자의 개념별 이해도 및 문항 파라미터를 고려하여 최적화된 학습 문항을 제공하는 것이 가능하여, 학습자의 학습 효과를 극대화시키는 것이 가능한 효과가 있다.

본 발명의 효과는 이상에서 언급한 것들에 한정되지 않으며, 언급되지 아니한 다른 효과들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.

도 1은 본 발명의 실시예에 따른 학습 문항 추천 시스템의 구조를 나타내는 도면이다.
도 2는 본 발명의 실시예에 따른 학습 문항 추천 방법을 나타내는 순서도이다.

본 발명의 전술한 목적 및 그 이외의 목적과 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다.

그러나 본 발명은 이하에서 개시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 이하의 실시예들은 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 목적, 구성 및 효과를 용이하게 알려주기 위해 제공되는 것일 뿐으로서, 본 발명의 권리범위는 청구항의 기재에 의해 정의된다.

한편, 본 명세서에서 사용된 용어는 실시예들을 설명하기 위한 것이며 본 발명을 제한하고자 하는 것은 아니다. 본 명세서에서, 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함한다. 명세서에서 사용되는 "포함한다(comprises)" 및/또는 "포함하는(comprising)"은 언급된 구성소자, 단계, 동작 및/또는 소자가 하나 이상의 다른 구성소자, 단계, 동작 및/또는 소자의 존재 또는 추가됨을 배제하지 않는다.

이하에서는, 당업자의 이해를 돕기 위하여 본 발명이 제안된 배경에 대하여 먼저 서술하고, 본 발명의 실시예에 대하여 서술하기로 한다.

종래 기술에 따르면, 학습자의 학습 이력을 바탕으로 학습자에게 지능적으로 학습 콘텐츠를 제공하여, 학습 효과를 향상시키고자 하는 다양한 방식이 제안되었는데, 이러한 종래의 맞춤형 학습 기술들은 학습자의 시험 결과로부터 평균, 표준편차 등의 단순한 통계 자료를 이용하여 학습 능력을 진단하는 정도에 그쳐, 정교함이 떨어지는 문제점이 있다.

이렇듯 학습자의 능력을 진단하기 위하여 단순히 통계 자료에만 의존하였던 방식이 개선되어, 인지진단모델의 적용이 제안되었고, 그에 따라 학습자의 능력을 보다 객관적이고 정확하게 추정하는 것이 가능하게 되었다.

인지진단모델은 학습자의 학습 능력을 개념들로 세분화하여 이해도를 추정하는 방식을 제안하고 있어, 개별 학습자의 개념별 장단점 파악 및 그 결과에 따른 맞춤식 교육 제공이 가능하다.

그런데, 인지진단모델을 활용한 맞춤형 학습 기술은 이해도가 낮은 개념에 대한 보충 학습 콘텐츠 추천 기능에 국한되는 한계가 있다.

DINA(deterministic input, noisy "and" gate) 모델은 대표적인 인지진단모델로서, 단체 시험 정보로부터 학습자들이 각 개념에 대하여 숙달하였는지 여부를 추정한다.

이 때, DINA 모델은 학습자가 문제와 연관된 모든 개념을 알고 있어야 해당 문제를 풀 잠재적 능력을 가진다고 가정하고, 학습자가 문제를 풀 잠재적 능력이 있음에도 불구하고 실수해서 틀릴 확률(slip rate)과, 반대로 잠재적 능력이 없음에도 불구하고 찍어서 맞출 확률(guess rate)이 존재한다고 가정한다.

이러한 두 노이즈는 각 문제가 가지는 고유의 변수, 즉 문항 파라미터(item parameter)로 정의된다.

DINA 모델은 전술한 가정 하에서 학습자의 개념별 이해도와 문항 파라미터를 EM(Expectation-maximization) 알고리즘 또는 MCMC(Markov Chain Monte Carlo) 방법으로 구현하여 동시에 추정한다.

그런데, 종래의 DINA 모델을 활용한 맞춤형 학습 제공 기술은 개념별 이해도 추정 결과만을 활용하고 있을 뿐, 맞춤형 학습에 활용 가능한 문항 파라미터 추정 결과에 대하여는 중점적으로 고려치 못하고 있는 바, 본 발명에서는 개념별 이해도와 문항 파라미터의 추정 정보를 모두 활용하여 학습 문항을 추천하는 장치 및 그 방법에 대하여 제안한다.

본 발명의 실시예에 대하여 상세히 설명하기에 앞서, 학습 개념 및 학습 능력에 대하여 정의한다.

학습 개념(attributes)은 학습 능력을 세분화하여 사전에 정의되는 것으로, 예컨대 분수의 뺄셈 능력 테스트에서는 정수를 가분수로 바꾸기, 가분수에서 정수를 분리하기, 통분하기 등의 개념들이 포함된다.

일반적으로 학습 능력을 하나의 변수로 표현할 때 연속 변수(continuous variable)로 정의하고, 다수의 개념들로 세분화하여 표현할 때 이산 변수(discrete variables)로 정의되는데, 각 개념을 이해하고 있는지 없는지에 대한 두 상태를 각각 1과 0의 숫자로 나타낸다.

도 1은 본 발명의 실시예에 따른 학습 문항 추천 시스템의 구조를 나타내는 도면이다.

본 발명에 따른 학습 문항 추천 장치는 맞춤형 학습 데이터를 저장 관리하고, 학습 개념에 대한 이해도 추정 결과와 학습 문항 추천 프로그램이 저장된 테이터베이스(220) 및 학습 문항 추천 프로그램을 실행시키는 프로세서(230)를 포함하되, 프로세서(230)는 학습 개념에 대한 이해도 추정 결과 및 학습 개념과 연관된 문항의 문항 파라미터를 고려하여 학습 문항을 선별하여 추천한다.

도 1을 참조하면, 서버(200)의 데이터베이스(220)는 학습 문항 추천을 위해 필요한 정보들의 저장소로서, 구체적으로 교육 콘텐츠 DB(221), 학습자 DB(222), 개념 DB(223), 문항 DB(224), 시험 DB(225) 및 응답 DB(226)를 포함하여 구성된다.

교육 콘텐츠 DB(221)에는 진단 평가 텍스트 문제 풀이 동영상, 개념별 강의 동영상 및 문제별 강의 동영상이 저장되고, 개념 DB(222)에는 개념 리스트, 학습자 개념별 이해도, 개념-문제 매칭, 개념 구조도가 저장되고, 문항 DB(223)에는 문제 은행, 문항-개념 매칭, 문항 파라미터, 정답이 저장되고, 학습자 DB(225)에는 개인 정보, 학습 이력 및 학습 정보가 저장되며, 응답 DB(226)에는 응답 이력, 단체 시험 정보, 단체 시험 응답, 개인별 문제 풀이 응답이 저장된다.

데이터베이스(220)는 상호 N:N의 관계로 연계된 교육 컨텐츠 DB(221), 문항 DB(223) 및 개념 DB(222)를 포함하며, 상호 연계된 교육 콘텐츠 DB, 문항 DB 및 개념 DB와 연계된 학습자 DB(225) 및 시험 DB(224)를 포함하는 것이다.

본 발명의 실시예에 따른 학습 문항 추천 장치는 개념들에 대한 학습자의 이해 여부 추정 결과인 개념별 이해도 추정 결과를 이용하여 학습 문항을 선별, 추천하게 되는데, 이러한 개념별 이해도는 진실값(ground truth)를 알 수 없으므로, 확률적으로 추정하여 0 내지 1 사이의 실수 값으로 표현된다(즉, binary vector가 아니다).

개념-문항 간의 연관 정보는 Q-행렬로서, 문항의 수를 J개, 개념수를 K라고 할 때

크기의 이진행렬이며, Q행렬의 원소(q_jk)는 해당 개념과 문항의 연관성이 있으면 1의 값을, 연관성이 없으면 0의 값을 가진다. 즉, 문항 j를 푸는데 개념 k의 지식이 필요한지 여부를 나타내며, 1이면 해당 개념이 필요한 것을 나타내고, 0이면 해당 개념이 필요하지 않은 것을 나타낸다.

본 발명의 실시예에 따른 문항 파라미터는 학습자가 해당 문제를 풀 잠재적 능력이 있음에도 불구하고 실수해서 틀릴 확률과, 학습자가 해당 문제를 풀 잠재적 능력이 없음에도 불구하고 찍어서 맞출 확률로서, 0 내지 1 범위 내에서 실수 값을 가진다.

구체적으로, 각 문항 파라미터는 아래 [수학식 1] 및 [수학식 2]에 의해 정의된다.

해당 문제를 풀 잠재적 능력이 없음에도 불구하고 찍어서 맞출 확률(guess 값)을 정의하는 수학식 1에서, I _jl ⁽⁰⁾는 문제 j를 풀기 위해 필요한 능력들 중 적어도 한 개 이상의 개념이 부족한 학습자의 평균 수이고, R_jl ⁽⁰⁾는 I _jl ⁽⁰⁾ 의 학습자 중에서 문제 j를 맞은 학습자의 평균 수이다.

해당 문제를 풀 잠재적 능력이 있음에도 불구하고 실수로 틀릴 확률(slip 값)을 정의하는 수학식 2에서, I _jl ⁽¹⁾ 는 문제 j를 풀기 위해 필요한 능력 모두를 가지고 있는 학습자의 평균 수이고,R_jl ⁽¹⁾ 는 I _jl ⁽¹⁾ 의 학습자중에서 문제 j를 맞은 학습자의 평균 수이다.

본 발명의 실시예에 따른 프로세서(230)는 학습 개념 선택 정보를 수신하여, 해당 학습 개념에 대한 이해도 추정 결과가 존재하지 않는 경우 진단 평가를 실시하여 개념 이해도를 추정한다.

이 때, 학습 개념 선택 정보는 학습자 단말(100)로부터 수신되는 것으로 도시하였으나, 관리자 단말(미도시)에 의해 선택되는 것 역시 가능하다.

프로세서(230)는 개념 이해도 추정 결과(과거에 추정한 개념 이해도 또는 진단평가 실시를 통해 추정한 개념 이해도)와 기설정 수치(예: 0.5)를 비교하여, 학습 개념에 대한 이해도 값이 기설정 수치(0.5) 이상이면 해당 개념에 대해 이해하고 있다고 판단하고, 학습 개념에 대한 이해도 값이 기설정 수치 미만이면 해당 개념에 대해 이해하고 있지 못한 것으로 판단한다.

이 때, 기설정 수치는 관리자 단말에 의해 그 설정이 변경되는 것이 가능하다. 예컨대, 개념 이해도가 80% 이상인 학습자에 대하여 심화학습 과정을 제공하고자 하는 경우, 기설정 수치를 0.8로 조정하는 것이 가능하다.

본 발명의 실시예에 따른 프로세서(230)는 학습 개념에 대한 이해도 값이 기설정 수치 이상인 경우, 심화학습 과정을 제공하기 위하여, 해당 학습자의 잠재적 응답 벡터의 값이 1임에도 불구하고 실수해서 틀릴 확률(slip 값)이 높은 순서대로 학습 문항을 선별하여 추천한다.

즉, 학습 개념을 어느정도 이해하고 있는 학습자에게 심화 학습 문항을 제공하여, 학습 개념을 마스터하도록 하는 효과가 있다.

본 발명의 실시예에 따른 프로세서(230)는 학습 개념에 대한 이해도 값이 기설정 수치 미만인 경우, 보충학습 과정을 제공하기 위하여, 해당 학습자의 잠재적 응답 벡터의 값이 0임에도 불구하고 찍어서 맞출 확률(guess 값)이 낮은 순서대로 학습 문항을 선별하여 추천한다.

즉, 학습 개념을 이해하고 있지 못한 학습자에게는 찍어서 맞출 확률(guess 값)이 낮은 순서대로 학습 문항을 선별하여 추천함으로써, 해당 개념에 대한 이해도에 대한 재추정을 보다 정확하게 수행하는 것이 가능한 효과가 있다.

guess 값이 높은 문항이란, 문항을 풀 능력이 없는 학습자가 찍어서 맞출 확률이 높은 문제로서, 아직 개념을 이해하고 있지 않은 학습자가 보충 학습 과정에서 이러한 guess 값이 높은 문항에 대해 응답하고 그 결과를 누적하게 되면, 개념 이해도 변화를 재추정하는데 신뢰성이 떨어지게 되는 바, 본 발명은 이러한 문제점을 해결한다.

또한, slip값이 낮은 문항이란, 문항을 풀 능력이 있는 학습자들이 풀 때 실수로 틀릴 확률이 적은 문항으로서, 해당 개념을 이해한 학습자들이 심화학습을 수행함에 있어 우선순위가 떨어지는 학습 문항으로 보아 선별에서 제외시키는 것이다.

본 발명에 따르면, 서버(200)는 선별되어 추천된 학습 문항에 대한 응답을 학습자 단말(100)로부터 수신하여, 해당 학습자의 개념별 이해도를 재추정한다.

즉, 서버(200)는 선별된 학습 문항으로 이루어진 피드백 학습(심화학습, 보충학습)을 구성하여 학습자 단말(100)로 제공하고, 학습자가 해당 학습 문항에 대해 응답하면 학습자의 개념별 이해도를 재추정함으로써 다음 학습 콘텐츠를 구성하는데 활용한다.

본 발명에 따르면, 문항 파라미터(slip 값, guess 값)과 선택된 개념에 대한 이해도를 이용하여 학습 문항을 선별하여 추천함으로써, 해당 개념에 대해 이해하고 있는 학습자들에게는 심화학습을 위한 학습 문항을 선별 추천하고, 해당 개념에 대해 이해하고 있지 못한 학습자들에게는 보충학습을 위한 학습 문항을 선별 추천함으로써, 학습 효과를 극대화하는 것이 가능하다.

도 2는 본 발명의 실시예에 따른 학습 문항 추천 방법을 나타내는 순서도이다.

본 발명에 따른 학습 문항 추천 방법은 학습 대상 개념에 대한 선택 정보를 수신하는 단계(S100)와, 학습 대상 개념의 이해도 추정치와 기설정 수치를 비교하는 단계(S300) 및 비교 결과에 따라, 학습 대상 개념과 연관된 문항의 문항 파라미터를 고려하여 선별된 학습 문항을 추천하는 단계(S450)를 포함하는 것을 특징으로 한다.

본 발명의 실시예에 따르면, 학습 개념의 이해도 추정 결과가 존재하는지 여부를 확인하는 단계(S150)가 더 포함되며, S150 단계에서 학습 개념의 이해도 추정 결과가 존재하지 않는 것으로 확인되면, 해당 개념에 대한 진단 평가를 실시하고(S200), 학습자의 개념 이해도를 추정한다(S250).

S300 단계는 선택된 학습 대상 개념에 대한 학습자의 이해도 값이 기설정 수치(예: 0.5)이상인지 여부를 확인하는 단계로서, 이해도 값이 기설정 수치 이상인 경우 S400 단계가 후속하여 수행되고, 이해도 값이 기설정 수치 미만인 경우 S350 단계가 후속하여 수행된다.

S350단계는 학습 대상 개념의 이해도 추정치가 기설정 수치 미만인 경우, 보충학습과정을 위한 학습 문항을 선별하여 추천하되, 찍어서 맞출 확률이 낮은 순서대로 학습 문항을 선별하여 추천한다.

이 때, 찍어서 맞출 확률은 전술한 [수학식 1]에서와 같이, 해당 문제를 풀기 위해 필요한 능력들 중 적어도 한 개 이상의 개념이 부족한 학습 자 중에서 해당 문제를 맞춘 학습자의 평균 수를, 해당 문제를 풀기 위해 필요한 능력들 중 적어도 한 개 이상의 개념이 부족한 학습자의 평균 수로 나눈 값이다.

S400 단계는 학습 대상 개념의 이해도 추정치가 기설정 수치 이상인 경우, 심화학습과정을 위한 학습 문항을 선별하여 추천하되, 실수로 틀릴 확률이 높은 순서대로 학습 문항을 선별하여 추천한다.

이 때, 실수로 틀릴 확률은 전술한 [수학식 2]에서와 같이, 해당 문제를 풀기 위해 필요한 능력 모두를 가지고 있는 학습자의 평균 수를 해당 문제를 맞춘 학습자의 평균 수로 차연산한 값을, 해당 문제를 풀기 위해 필요한 능력 모두를 가지고 있는 학습자의 평균 수로 나눈 값이다.

S450 단계는 전술한 보충학습 과정 또는 심화학습과정 진행을 위해 선별되어 추천된 학습 문항을 포함하는 개념별 피드백 학습을 구성하여 제공하는 단계이고, S500 단계는 학습 문항에 대한 학습자의 응답을 기반으로 선택된 학습 대상 개념에 대한 이해도를 재추정하는 과정이다.

즉, 본 발명에 따르면 보충학습 과정을 위해서 찍어서 맞출 확률이 낮은 학습 문항을 선별하여 추천함으로써 개념 이해도 재추정의 신뢰성을 높이는 것이 가능하고, 심화학습 과정을 위해서 실수로 틀릴 확률이 높은 학습 문항을 선별하여 추천함으로써 선택된 학습 개념을 완전히 마스터하고 실수로 틀리는 경우가 적어지도록 해당 학습자를 트레이닝하는 것이 가능한 효과가 있다.

학습자 단말 또는 관리자 단말에서 학습 종료에 대한 요청이 있는지 확인하여(S550), 요청이 있으면 해당 과정은 종료되고, 학습 종료에 대한 요청이 없는 경우 S100 단계로 회귀하게 된다.

이제까지 본 발명의 실시예들을 중심으로 살펴보았다. 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자는 본 발명이 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 변형된 형태로 구현될 수 있음을 이해할 수 있을 것이다. 그러므로 개시된 실시예들은 한정적인 관점이 아니라 설명적인 관점에서 고려되어야 한다. 본 발명의 범위는 전술한 설명이 아니라 특허청구범위에 나타나 있으며, 그와 동등한 범위 내에 있는 모든 차이점은 본 발명에 포함된 것으로 해석되어야 할 것이다.

100: 학습자 단말 200: 서버
210: 통신 인터페이스 220: 데이터베이스
221: 교육 콘텐츠 DB 222: 개념 DB
223: 문항 DB 224: 시험 DB
225: 학습자 DB 226: 응답 DB
230: 프로세서

Claims (16)

1. 맞춤형 학습 데이터를 저장 관리하고, 학습 개념에 대한 이해도 추정 결과와 학습 문항 추천 프로그램이 저장된 데이터베이스; 및
   상기 학습 문항 추천 프로그램을 실행시키는 프로세서를 포함하되,
   상기 프로세서는 상기 학습 개념에 대한 이해도 추정 결과와 상기 학습 개념과 연관된 문항의 문항 파라미터를 고려하여 학습 문항을 선별하여 추천하고,
   상기 프로세서는 상기 학습 개념에 대한 이해도 추정 결과가 기설정 수치 미만인 경우, 보충학습 과정을 제공하기 위하여, 해당 학습자의 잠재적 응답 벡터의 값이 0임에도 불구하고 찍어서 맞출 확률이 낮은 순서대로 학습 문항을 선별하여 추천하되, 상기 찍어서 맞출 확률은 [수학식 1]에 따라 정의되고,
   [수학식 1]
   

   

   
   (여기서, I_jl ⁽⁰⁾는 문제 j를 풀기 위해 필요한 개념 중 적어도 한 개 이상의 개념이 부족한 학습자의 평균 수이고, R_jl ⁽⁰⁾는 I_jl ⁽⁰⁾ 의 학습자 중에서 문제 j를 맞은 학습자의 평균 수),
   상기 프로세서는 상기 학습 개념에 대한 이해도 추정 결과가 기설정 수치 이상인 경우, 심화학습 과정을 제공하기 위하여, 해당 학습자의 잠재적 응답 벡터의 값이 1임에도 불구하고 실수해서 틀릴 확률이 높은 순서대로 학습 문항을 선별하여 추천하되, 상기 실수해서 틀릴 확률은 [수학식 2]에 따라 정의되는 것
   [수학식 2]
   

   

   
   (여기서, I_jl ⁽¹⁾ 는 문제 j를 풀기 위해 필요한 개념 모두를 가지고 있는 학습자의 평균 수이고,R_jl ⁽¹⁾ 는 I_jl ⁽¹⁾ 의 학습자중에서 문제 j를 맞은 학습자의 평균 수)
   인 학습 문항 추천 장치.
   
2. 제1항에 있어서,
   상기 데이터베이스는 상호 연계된 문제 DB, 개념 DB 및 학습자 DB를 포함하는 것
   인 학습 문항 추천 장치.
   
3. 제1항에 있어서,
   상기 프로세서는 학습 개념 선택 정보를 수신하여, 해당 학습 개념에 대한 이해도 추정 결과가 존재하지 않는 경우 진단 평가를 실시하여 개념 이해도를 추정하는 것
   인 학습 문항 추천 장치.
   
4. 삭제
5. 삭제
6. 삭제
7. 삭제
8. 제1항에 있어서,
   상기 프로세서는 추천된 학습 문항에 대한 응답으로부터 학습자의 개념별 이해도를 재추정하여 갱신하는 것
   인 학습 문항 추천 장치.
9. 삭제
10. 삭제
11. 삭제
12. 삭제
13. 삭제
14. 삭제
15. 삭제
16. 삭제

Images