KR102304681B1 - System for calculating study achievement and determining course class - Google Patents
System for calculating study achievement and determining course class Download PDFInfo
- Publication number
- KR102304681B1 KR102304681B1 KR1020190111256A KR20190111256A KR102304681B1 KR 102304681 B1 KR102304681 B1 KR 102304681B1 KR 1020190111256 A KR1020190111256 A KR 1020190111256A KR 20190111256 A KR20190111256 A KR 20190111256A KR 102304681 B1 KR102304681 B1 KR 102304681B1
- Authority
- KR
- South Korea
- Prior art keywords
- class
- student
- achievement
- module
- subject
- Prior art date
Links
- 238000004364 calculation method Methods 0.000 claims abstract description 47
- 230000006872 improvement Effects 0.000 claims abstract description 25
- 238000013528 artificial neural network Methods 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 12
- 238000010801 machine learning Methods 0.000 claims description 6
- 238000013135 deep learning Methods 0.000 claims description 5
- 238000000034 method Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000002787 reinforcement Effects 0.000 description 2
- 230000019771 cognition Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000000306 recurrent effect Effects 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2457—Query processing with adaptation to user needs
- G06F16/24578—Query processing with adaptation to user needs using ranking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Databases & Information Systems (AREA)
- Marketing (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Educational Administration (AREA)
- Educational Technology (AREA)
- Molecular Biology (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Life Sciences & Earth Sciences (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Electrically Operated Instructional Devices (AREA)
Abstract
본 발명의 일 실시예에 따른 학업성취도 산출 및 클래스 결정 시스템은 과목 및 수준에 따른 복수 개의 클래스를 운영하는 학원에서의 학생의 학업 성취도 산출 및 클래스 결정 시스템에 관한 것으로, 상기 학생의 전국 모의고사의 각 과목별 석차를 전달받은 입력모듈; 상기 전국 모의고사의 각 과목별 석차에 기초하여 상기 학원 전체 및 상기 클래스 내에서의 석차를 산출하는 석차 산출모듈; 상기 입력모듈 및 석차 산출모듈로부터 전달받은 데이터에 기초하여 상기 학생의 성적향상 성취도를 산출하는 성적향상 성취도 산출모듈; 및 상기 성적향상 성취도 산출모듈에서 산출된 상기 학생의 과목별 성적향상 성취도에 기초하여 상기 학생의 향후 과목별 클래스를 결정하는 클래스 결정모듈;을 포함한다.The academic achievement calculation and class determination system according to an embodiment of the present invention relates to a student's academic achievement calculation and class determination system at an academy that operates a plurality of classes according to subjects and levels, and each of the students' national mock exams an input module that has received a ranking for each subject; a rank calculation module for calculating ranks in the entire academy and in the classes based on ranks for each subject of the national mock test; a grade improvement achievement calculation module for calculating the grade improvement achievement grade of the student based on the data received from the input module and the rank calculation module; and a class determination module configured to determine a future class for each subject of the student on the basis of the student's achievement level for each subject calculated by the grade improvement achievement calculation module.
Description
본 발명은 학업성취도 산출 및 클래스 결정 시스템에 관한 것으로, 구체적으로는 과목 및 수준에 따른 복수 개의 클래스를 운영하는 학원에서의 학생의 학업 성취도 산출 및 클래스 결정 시스템에 관한 것이다.The present invention relates to a system for calculating academic achievement and determining a class, and more particularly, to a system for calculating and determining a student's academic achievement in an academy that operates a plurality of classes according to subjects and levels.
수험생들은 자신의 현재 실력을 확인하기 위하여 모의고사를 주기적으로 치루게되며, 모의고사의 성적에 기초하여 실력이 부족한 과목을 파악한 후 향후 공부방법에 대한 계획을 수립한다.Candidates take mock exams periodically to check their current ability, and based on the results of the mock exam, they identify subjects in which they lack skills and plan for future study methods.
전국단위로 실시되는 모의고사의 경우, 전국 석차 및 백분율의 확인이 가능하며, 이에 기초하여 자신이 속해있는 학원 내에서도 석차 및 백분율의 산출이 가능하다. In the case of a national mock test, it is possible to check the national rank and percentage, and based on this, it is possible to calculate the rank and percentage even within the academy to which one belongs.
일반적인 학원은 각 과목별 복수 개의 클래스를 운영하고 있는데, 이러한 클래스는 학생들의 실력을 기준으로 구분되며, 예를 들어 어느 하나의 과목에 대한 클래스를 A반, B반, C반으로 구분될 수 있으며, 여기에서 A반은 심화반, B반은 보통반, C반은 기초반 등으로 지정될 수 있을 것이다.A general academy operates multiple classes for each subject, and these classes are classified based on the students' ability. , Here, Class A may be designated as an advanced class, Class B as an ordinary class, Class C as a basic class, etc.
심화반격인 A반의 경우는 다른 클래스 대비 심화된 수업의 진행 및 심화 문제의 풀이가 진행되어 보다 많은 시간이 투입되며, 수학 과목을 예로 설명해보면 A반의 경우 올림피아드 기출 및 기출예상 문제와 같은 심화문제를 다루기 때문에 문제풀이에 투입되는 시간이 적지 않게 된다. In the case of Class A, which is an intensive counterattack, more time is invested because of the progress of advanced classes and solving of advanced problems compared to other classes. Therefore, a lot of time is devoted to problem solving.
또한 학생들은 자신의 실력을 고려하여 클래스를 변경할 수 있는데, 구체적으로 모의고사 이후에 해당 모의고자의 성적에 기초하여 클래스를 변경하게 된다. In addition, students can change classes in consideration of their abilities. Specifically, after the mock exam, the class is changed based on the performance of the mock exam.
한편, 개인의 과목별 성취도는 학생마다 차이가 있으며, 예를 들면 A 학생의 모의고사 성적이 수학 3등급, 국어 1등급, 영어 4등급으로 결정되는 경우 A 학생의 부족한 과목과 실력이 충분한 과목이 무엇인지를 파악할 수 있게 된다.On the other hand, individual achievement for each subject varies from student to student. cognition can be identified.
실력이 충분한 과목이라도 실제 수능시험때 실수를 하지 않기 위해서는 충분한 학습이 필요하며, 실력이 부족한 과목은 충분한 실력으로 끌어올리기 위하여 충분한 학습이 필요하다.Even in subjects with sufficient ability, sufficient learning is required to avoid making mistakes during the actual CSAT, and subjects with insufficient ability require sufficient learning to raise them to sufficient ability.
한편, 학생들은 공부시간을 배분할 때 이성보다는 감성적으로 공부시간을 배분하는 경향이 있는데, 이는 당사자인 학생이 현 상황으로 객관적으로 파악하기 보다는 주관이 개입되어 계획을 수립하는 경향이 높기 때문에 이성적으로 공부계획을 수립하는데 한계가 있다.On the other hand, when allocating study time, students tend to allocate study time emotionally rather than rationally. There are limits to making a plan.
학생들은 자연스럽게 자신이 잘하는 과목에 공부시간을 많이 투입하려 하는 경향이 있으며, 이는 어려운 과목에 많은 공부시간을 투입하게 되면 진도가 더디게 되고 이로 인하여 다른 과목진행에 장애가 되기 때문이다.Students naturally tend to devote a lot of study time to subjects they are good at, because if they spend a lot of study time in difficult subjects, progress will be slow and this will hinder the progress of other subjects.
따라서 학생들의 과목별 클래스 및 공부시간 등의 공부계획을 합리적이고 효과적으로 수립하기 위한 시스템 및 방법이 요구되는 상황이다. Therefore, there is a need for a system and method for rationally and effectively establishing study plans such as classes and study time for each subject.
한편, 하기선행기술문헌은 무선 단말기를 이용한 학원 관리 및 교재 주문 시스템에 대한 내용만 개시하고 있을 뿐 본 발명의 기술적 요지는 개시하고 있지 않다.On the other hand, the following prior art document discloses only the contents of the school management and textbook ordering system using a wireless terminal, but does not disclose the technical gist of the present invention.
본 발명의 일 실시예에 따른 학업성취도 산출 및 클래스 결정 시스템은 전술한 문제점을 해결하기 위하여 다음과 같은 해결과제를 목적으로 한다.The academic achievement calculation and class determination system according to an embodiment of the present invention aims to solve the following problems in order to solve the above-described problems.
학생의 현재 상황을 고려하여 학생의 학업성취도를 파악하고, 이에 기초하여 클래스 결정, 공부시간 배분 등의 공부 계획을 객관적이고 합리적으로 수립할 수 있는 시스템을 제공하는 것이다. It is to provide a system that can objectively and rationally establish a study plan such as class determination and study time allocation based on the student's academic achievement in consideration of the student's current situation.
본 발명의 해결과제는 이상에서 언급된 것들에 한정되지 않으며, 언급되지 아니한 다른 해결과제들은 아래의 기재로부터 당해 기술분야에 있어서의 통상의 지식을 가진 자에게 명확하게 이해되어 질 수 있을 것이다.The problems to be solved of the present invention are not limited to those mentioned above, and other problems not mentioned will be clearly understood by those of ordinary skill in the art from the following description.
본 발명의 일 실시예에 따른 학업성취도 산출 및 클래스 결정 시스템은 과목 및 수준에 따른 복수 개의 클래스를 운영하는 학원에서의 학생의 학업 성취도 산출 및 클래스 결정 시스템에 관한 것으로, 상기 학생의 전국 모의고사의 각 과목별 석차를 전달받은 입력모듈; 상기 전국 모의고사의 각 과목별 석차에 기초하여 상기 학원 전체 및 상기 클래스 내에서의 석차를 산출하는 석차 산출모듈; 상기 입력모듈 및 석차 산출모듈로부터 전달받은 데이터에 기초하여 상기 학생의 성적향상 성취도를 산출하는 성적향상 성취도 산출모듈; 및 상기 성적향상 성취도 산출모듈에서 산출된 상기 학생의 과목별 성적향상 성취도에 기초하여 상기 학생의 향후 과목별 클래스를 결정하는 클래스 결정모듈;을 포함한다.The academic achievement calculation and class determination system according to an embodiment of the present invention relates to a student academic achievement calculation and class determination system at an academy that operates a plurality of classes according to subjects and levels, and each of the students' national mock exams an input module that has received a ranking for each subject; a rank calculation module for calculating ranks in the entire academy and in the classes based on ranks for each subject of the national mock test; a grade improvement achievement calculation module for calculating the grade improvement achievement grade of the student based on the data received from the input module and the rank calculation module; and a class determination module configured to determine a future class for each subject of the student based on the student's achievement level for each subject calculated by the grade improvement achievement calculation module.
상기 성적향상 성취도 산출모듈은, 상기 입력모듈 및 석차 산출모듈로부터 전달받은 데이터, 학생이 속한 현재 클래스의 난이도, 학생이 속한 현재 클래스에서의 해당 과목의 공부투입시간, 상기 학생이 속한 현재의 클래스 내의 다른 학생들의 전국 모의고사의 각 과목별 석차, 상기 학생이 속한 현재의 클래스 내의 다른 학생들의 학원 전체의 석차 및 클래스 내에서의 석차를 포함하는 제1 특징데이터에 기초하여 상기 학생의 성적향상 성취도를 산출하는 것이 바람직하다.The grade improvement achievement calculation module includes data received from the input module and the rank calculation module, the difficulty of the current class to which the student belongs, the study input time of the subject in the current class to which the student belongs, and Based on the first characteristic data including the ranking of each subject in the national mock test of other students, the overall ranking of other students in the current class to which the student belongs, and the ranking within the class, the student's grades of improvement are calculated. It is preferable to do
상기 성적향상 성취도 산출모듈 및 클래스 결정모듈은 미리 설정된 알고리즘에 기초하여 상기 학생의 성취도 및 과목별 클래스를 결정하는 것이 바람직하다.It is preferable that the grade improvement achievement calculation module and the class determination module determine the student's achievement level and the class for each subject based on a preset algorithm.
상기 알고리즘은 신경망 네트워크로 구성된 딥러닝 알고리즘으로 구현되되, 상기 신경망 네트워크는, 상기 제1 특징데이터를 입력받는 입력층; 상기 입력층으로부터 상기 제1 특징데이터를 전달받되, 복수 개의 노드를 포함하도록 구성된 적어도 하나의 개의 은닉층; 및 상기 은닉층의 연산 결과에 기초하여 상기 학생의 성취도 및 과목별 클래스를 결정하는 출력층;을 포함하고, 상기 노드에는 상기 노드로 전달되는 입력인자 및 상기 노드에서 출력되는 출력인자 간의 상관관계인 함수가 정의되고, 상기 함수는 가중치 및 바이어스를 포함하는 것이 바람직하다. The algorithm is implemented as a deep learning algorithm composed of a neural network, wherein the neural network includes: an input layer for receiving the first characteristic data; at least one hidden layer configured to receive the first feature data from the input layer and include a plurality of nodes; and an output layer that determines the student's achievement level and class for each subject based on the operation result of the hidden layer, wherein the node has a function that is a correlation between the input factor transmitted to the node and the output factor output from the node is defined and the function preferably includes a weight and a bias.
상기 학원 학생들의 성적향상 성취도 변동 사항, 클래스 변동 사항, 전국 모의고사의 각 과목별 석차, 학원 내에서의 석차, 클래스 내에서의 석차를 포함하는 빅데이터가 저장된 저장모듈;을 더 포함하고, 상기 가중치 및 바이어스는 상기 저장모듈에 저장된 빅데이터를 트레이닝 데이터로 활용하여 신경망 네트워크 상에서 수행되는 머신러닝을 통하여 결정되는 것이 바람직하다.A storage module in which big data is stored including changes in grades and achievements of students of the academy, changes in classes, ranks for each subject of the national mock test, ranks within the academy, and ranks within the class; further comprising, the weights and bias is preferably determined through machine learning performed on a neural network using big data stored in the storage module as training data.
상기 가중치 및 바이어스을 결정하기 위한 트레이닝 데이터를 생성하는 트레이닝 데이터 생성모듈;을 더 포함하고, 상기 트레이닝 데이터 생성모듈은, 상기 제1 특징데이터를 전달받아 미리 학습된 판별기준에 기초하여 상기 학생의 상기 학생의 성취도 및 과목별 클래스를 결정하는 판별부; 및 상기 제1 특징데이터와 대응되는 제2 특징데이터를 생성하는 생성부;를 포함하고, 상기 판별장치는 생성적 대립 네트워크(Generative Adversarial Network: GAN)를 이용한 학습을 통하여 상기 판별기준을 생성하는 것이 바람직하다.Further comprising; a training data generation module for generating training data for determining the weight and bias, wherein the training data generation module receives the first characteristic data and receives the first characteristic data and based on a previously learned discrimination criterion, the student of the student a determination unit that determines the achievement and class of each subject; and a generator for generating second feature data corresponding to the first feature data, wherein the discrimination device generates the discrimination criterion through learning using a generative adversarial network (GAN). desirable.
상기 판별장치는 상기 제1 특징데이터 및 제2 특징데이터를 구분할 수 있도록 학습되고, 상기 생성장치는 상기 판별장치가 상기 제1 특징데이터 및 제2 특징데이터를 구분할 수 없도록 학습되어 상기 제2 특징데이터를 생성하는 것이 바람직하다.The discrimination device is trained to distinguish the first characteristic data and the second characteristic data, and the generation device is trained so that the discrimination device cannot distinguish the first characteristic data and the second characteristic data, and the second characteristic data It is preferable to create
본 발명의 일 실시예에 따른 학업성취도 산출 및 클래스 결정 시스템은 해당 학생의 전국 모의고사 성적, 학원 내의 석차, 클래스 내의 석차, 클래스의 난이도 및 클래스에서의 공부 투입시간 등의 입력인자들을 활용하여 학생의 성적향상 성취도를 파악하고, 나아가 향후 클래스를 결정함으로써 보다 정확하고 효율적인 학생의 공부계획의 수립이 가능하다는 효과가 있다. The academic achievement calculation and class determination system according to an embodiment of the present invention utilizes input factors such as the student's national mock test scores, rank within the academy, rank within the class, the difficulty of the class, and the time spent studying in the class. It has the effect that it is possible to establish a more accurate and efficient student's study plan by grasping the achievement of grade improvement and further determining the class in the future.
본 발명의 효과는 이상에서 언급된 것들에 한정되지 않으며, 언급되지 아니한 다른 효과들은 아래의 기재로부터 당해 기술분야에 있어서의 통상의 지식을 가진 자에게 명확하게 이해되어질 수 있을 것이다.Effects of the present invention are not limited to those mentioned above, and other effects not mentioned will be clearly understood by those of ordinary skill in the art from the following description.
도 1은 본 발명의 일 실시예에 따른 학업성취도 산출 및 클래스 결정 시스템을 간략히 도시한 블록도이다.
도 2는 본 발명의 일 실시예에 따른 학업성취도 산출 및 클래스 결정 시스템에서 사용되는 신경망 네트워크를 간략히 도시한 도면이다.
도 3 및 도 4는 본 발명의 일 실시예에 따른 학업성취도 산출 및 클래스 결정 시스템에서 트레이닝 데이터 생성모듈을 설명하기 위한 도면이다. 1 is a block diagram schematically illustrating a system for calculating academic achievement and determining a class according to an embodiment of the present invention.
2 is a diagram schematically illustrating a neural network used in a system for calculating academic achievement and determining a class according to an embodiment of the present invention.
3 and 4 are diagrams for explaining a training data generation module in the academic achievement calculation and class determination system according to an embodiment of the present invention.
첨부된 도면을 참조하여 본 발명에 따른 바람직한 실시예를 상세히 설명하되, 도면 부호에 관계없이 동일하거나 유사한 구성 요소는 동일한 참조 번호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. A preferred embodiment according to the present invention will be described in detail with reference to the accompanying drawings, but the same or similar components are assigned the same reference numerals regardless of reference numerals, and overlapping descriptions thereof will be omitted.
또한, 본 발명을 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 첨부된 도면은 본 발명의 사상을 쉽게 이해할 수 있도록 하기 위한 것일 뿐, 첨부된 도면에 의해 본 발명의 사상이 제한되는 것으로 해석되어서는 아니 됨을 유의해야 한다.In addition, in the description of the present invention, if it is determined that a detailed description of a related known technology may obscure the gist of the present invention, the detailed description thereof will be omitted. In addition, it should be noted that the accompanying drawings are only for easy understanding of the spirit of the present invention, and should not be construed as limiting the spirit of the present invention by the accompanying drawings.
이하 도 1 내지 도 4를 참조하여 본 발명의 일 실시예에 따른 학업성취도 산출 및 클래스 결정 시스템에 대하여 설명하도록 한다. Hereinafter, an academic achievement calculation and class determination system according to an embodiment of the present invention will be described with reference to FIGS. 1 to 4 .
본 발명의 일 실시예에 따른 학업성취도 산출 및 클래스 결정 시스템은 과목 및 수준에 따른 복수 개의 클래스를 운영하는 학원에서의 학생의 학업 성취도 산출 및 클래스 결정 시스템에 관한 것으로 도 1에 도시된 바와 같이 크게 입력모듈(100), 석차 산출모듈(200), 성적향상 성취도 산출모듈(300), 클래스 결정모듈(400) 및 저장모듈(500)을 포함하도록 구성된다.The academic achievement calculation and class determination system according to an embodiment of the present invention relates to a student academic achievement calculation and class determination system at an academy that operates a plurality of classes according to subjects and levels, and as shown in FIG. It is configured to include an
입력모듈(100)은 학생의 전국 모의고사의 각 과목별 석차 및 백분율를 전달받는 구성이며, 석차 산출모듈(200)은 입력모듈(100)로부터 전달받은 학생의 전국 모의고사의 각 과목별 석차 및 백분율에 기초하여 학원 전체 및 클래스 내에서의 석차 및 백분율을 산출하는 기능을 수행하는 구성이다.The
성적향상 성취도 산출모듈(300)은 상술한 입력모듈(100) 및 석차 산출모듈(200)로부터 전달받은 데이터에 기초하여 학생의 성적향상 성취도를 산출하는 기능을 수행하고, 클래스 결정모듈(400)은 성적향상 성취도 산출모듈(300)에서 산출된 학생의 과목별 성적향상 성취도에 기초하여 학생의 향후 과목별 클래스를 결정하는 기능을 수행한다. The grade improvement
특히, 성적향상 성취도 산출모듈(300)은 제1 특징데이터에 기초하여 학생의 성적향상 성취도를 산출할 수 있는데, 여기에서 제1 특징데이터란 입력모듈(100) 및 석차 산출모듈(200)로부터 전달받은 데이터, 학생이 속한 현재 클래스의 난이도, 학생이 속한 현재 클래스에서의 해당 과목의 공부투입시간, 학생이 속한 현재 클래스 내의 다른 학생들의 전국 모의고사의 각 과목별 석차, 학생이 속한 현재 클래스 내의 다른 학생들의 학원 전체/클래스 내에서의 석차를 포함한다.In particular, the grade improvement
즉, 상술한 제1 특징데이터를 입력 파라미터로 하여 해당 입력 파라미터별 가중치가 적용된 알고리즘을 통하여 학생의 성적향상 성취도를 산출하고, 이에 기초하여 학생의 과목별 클래스를 결정할 수 있다.That is, by using the above-described first characteristic data as an input parameter, the student's grade-improving achievement is calculated through an algorithm to which a weight for each input parameter is applied, and based on this, the student's class for each subject can be determined.
특히, 본 발명의 일 실시예에 따른 학업성취도 산출 및 클래스 결정 시스템에서는 상술한 알고리즘을 도 2에 도시된 바와 같이 신경망 네트워크(10)로 구성된 딥러닝(Deep Learning) 알고리즘으로 구현함으로써 좀 더 정교하고 효과적인 학생의 성적향상 성취도 산출 및 클래스를 결정할 수 있다. In particular, in the academic achievement calculation and class determination system according to an embodiment of the present invention, the above-described algorithm is implemented as a deep learning algorithm composed of a
이러한 신경망 네트워크(10)는 도 2에 도시된 바와 같이 입력층(11), 은닉층(12) 및 출력층(13)을 포함하도록 구성된다.The
입력층(11)은 상술한 제1 특징데이터, 즉 입력변수를 입력받는 기능을 수행하며, 은닉층(12)은 입력층(11)으로부터 제1 특징데이터를 전달받아 연산을 수행한다.The
은닉층(12)은 복수 개로 구비되는 것이 바람직하며, 각 은닉층(12)은 도 2에 도시된 바와 같이 복수 개의 노드(Node)를 포함한다. The
각 노드에는 해당 노드로 전달되는 입력인자 및 해당 노드에서 출력되는 출력인자 간의 상관관계인 선형 또는 비선형 함수가 정의되고, 상기 함수는 가중치(Weight) 및 바이어스(Bias)를 포함하도록 구성된다. A linear or nonlinear function that is a correlation between an input factor transmitted to a corresponding node and an output factor output from the node is defined at each node, and the function is configured to include a weight and a bias.
예를 들어, 해당 노드에서의 입력인자를 x라 정의하고, 해당 노드에서의 출력인자를 y라 정의할 때, 해당 노드에서 정의된 함수는 "y=w*x+b"로 정의될 수 있으며, 여기에서 w는 가중치(weight)를 의미하고, b는 바이어스(bias)를 의미한다.For example, when the input factor at the node is defined as x and the output factor at the node is defined as y, the function defined at the node can be defined as “y=w*x+b” and , where w denotes a weight, and b denotes a bias.
이러한 딥러닝 알고리즘의 경우 머신러닝(Machine Learning)을 통하여 최적의 가중치 및 바이어스를 생성하고, 이를 활용하여 정확한 학업성취도 산출 및 클래스 결정이 가능하게 되는데, 이에 대한 자세한 내용은 후술하도록 한다.In the case of such a deep learning algorithm, optimal weights and biases are generated through machine learning, and by using them, accurate academic achievement calculation and class determination are possible, which will be described in detail later.
출력층(13)은 은닉층의 연산 결과에 기초하여 학생의 성취도 및 과목별 클래스를 결정하는 기능을 수행한다. The
한편, 본 발명의 일 실시예에 따른 학업성취도 산출 및 클래스 결정 시스템의 저장모듈(500)은 학원 학생들의 성적향상 성취도 변동 사항, 클래스 변동 사항, 전국 모의고사의 각 과목별 석차, 학원 내에서의 석차, 클래스 내에서의 석차를 포함하는 빅데이터를 저장하는 구성이다. On the other hand, the
즉, 상술한 신경망 네트워크(10)에 포함된 각 노드의 가중치 및 바이어스는 저장모듈(500)에 저장된 빅데이터를 트레이닝 데이터(Traing Data)로 활용하여 신경망 네트워크(10) 상에서 수행되는 머신러닝을 통하여 결정된다. That is, the weight and bias of each node included in the above-described
한편, 머신러닝에서 필요한 것은 무엇보다도 많은 데이터를 이용하여 학습을 수행하는 것이이며, 데이터를 확보하기 위해서는 수많은 데이터들 중에서 학습에 적합한 데이터를 선정하고 이를 학습의 결과값과 연결시키는 것이 필요하다. On the other hand, what is required in machine learning is to perform learning using a lot of data above all else.
딥러닝은 이러한 학습에 기반한 기술이며, 수많은 데이터에 기반한 지도 학습 방식으로 컨볼루셔널 신경망(CNN, Convolutional Neural Network)이나 재귀신경망(RNN, Reccurrent Neural Network) 등이 있다.Deep learning is a technology based on such learning, and there are convolutional neural networks (CNNs) and recurrent neural networks (RNNs) as supervised learning methods based on numerous data.
그러나 상술한 지도학습 방식의 경우 수많은 정답에 대한 정보 데이터를 필요로 하기 때문에 적용이 쉽지 않으므로, 저장모듈(500) 내에 신경망 네트워크(10)의 학습을 위한 데이터가 충분히 트레이닝 데이터가 구비되어 있지 않을 경우에 머신러닝이 제대로 수행되지 않아 정교한 가중치 및 바이어스의 산출이 어려울 수 있다는 문제점이 있다. However, in the case of the above-described supervised learning method, it is not easy to apply because it requires information data for a large number of correct answers. There is a problem that the calculation of sophisticated weights and biases may be difficult because machine learning is not performed properly.
따라서 레이블링 데이터 없이 잰행하는 비지도 학습 기술에 대한 관심이 증가하고 있으며, 상술한 문제점을 극복하기 위하여 본 발명의 일 실시예에 따른 학업성취도 산출 및 클래스 결정 시스템에서는 정답에 대한 정보를 제공하지 않으면서 진짜 같은 데이터를 생성하는 기술인 생성적 대립 네트워크(Generative Adversarial Network: GAN)를 이용한 학습을 통하여 학업성취도 산출 및 클래스를 결정할 수 있다. Therefore, interest in unsupervised learning techniques performed without labeling data is increasing, and in order to overcome the above-described problems, the academic achievement calculation and class determination system according to an embodiment of the present invention does not provide information on correct answers. Through learning using a generative adversarial network (GAN), a technology that generates realistic data, it is possible to calculate academic achievement and determine classes.
이러한 생성적 대립 네트워크의 경우 데이터를 생성하여 진짜 데이터와 구별할 수 없게 만들기 위해서는 데이터를 모조품으로 만들어야 하는 역할(생성기)과 이 데이터가 모조품인지 아닌지를 구별하는 역할(판별기)가 주어져야 한다.In the case of such a generative adversarial network, in order to generate data and make it indistinguishable from the real data, a role of making the data a imitation (generator) and a role of distinguishing whether the data is a counterfeit or not (discriminator) must be given.
이러한 생성적 대립 네트워크에 대하여 좀 더 구체적으로 살펴보면, 도 3에 도시된 바와 같이 생성기(Generator)(1), 데이터베이스(DB)(2) 및 판별기(Discriminator)(3)로 구성되어 있으며, 구체적으로 생성기(1) 및 판별기(2)는 신경망으로 구성된 네트워크이다. Looking at this generative adversarial network in more detail, as shown in Fig. 3, it is composed of a generator (1), a database (DB) (2), and a discriminator (3). The generator (1) and the discriminator (2) are networks composed of neural networks.
판별기(3)는 데이터베이스(2) 또는 생성기(1)로부터 데이터를 입력받으며, 이들 데이터 중에서 데이터베이스(2)에서 제공하는 데이터(data_real)와 생성기(10)로부터 제공된 데이터(data_fake)를 판별하도록 학습한다.The
반면, 생성기(1)는 판별기(3)에게 제공하는 데이터(data_fake)가 data_real로 판별되도록 학습하며, 즉 판별기(3)가 data_fake를 data_real로 판단하도록 생성기(1)가 학습한다. On the other hand, the
두 개의 신경망 학습기(판별기와 생성기)의 학습 방향을 정리해보면, 판별기(3)는 실제 데이터와 생성기(1)에 의해 생성된 데이터를 구분하도록 학습하고, 생성기(1)는 판별기(3)가 구분할 수 없는 데이터를 생성하도록 학습한다. Summarizing the learning directions of the two neural network learners (discriminator and generator), the
상기와 같이 반복된 학습에 의하여 생성기(1)는 데이터베이스(2)에 저장된 실제 데이터에 유사한 데이터들을 생성할 수 있고, 이로 인하여 판별기는 생성기(1)가 생성한 다량의 학습 데이터(Training Data)를 확보할 수 있으므로 정교한 결과물의 산출이 가능하게 된다. By repeated learning as described above, the
본 발명의 일 실시예에 따른 학업성취도 산출 및 클래스 결정 시스템에서는 상술한 가중치 및 바이어스를 결정하기 위한 트레이닝 데이터를 생성하는 트레이닝 데이터 생성모듈을 더 포함할 수 있으며, 이러한 트레이닝 데이터 생성모듈은 생성적 대립 네트워크가 적용되는데 이에 대하여 도 4를 참조하여 좀 더 상세히 설명하도록 한다. The academic achievement calculation and class determination system according to an embodiment of the present invention may further include a training data generation module for generating training data for determining the above-described weights and biases, and such a training data generation module is a generative confrontation A network is applied, which will be described in more detail with reference to FIG. 4 .
트레이닝 데이터 생성모듈은 도 4에 도시된 바와 같이 생성부(22)에는 랜덤한 노이즈 데이터(Input_Z)가 입력되는데, 좀 더 신속하고 빠른 강화학습의 수행을 위하여 초기에는 노이즈 데이터(Input_Z)와 저장모듈(400)에 저장된 종래의 제1 특징데이터(Real_Data)를 조합하여 생성부(22)에 입력할 수 있으며, 이를 통하여 생성부(22)는 다변화된 다수의 특징데이터인 제2 특징데이터를 생성할 수 있다.In the training data generation module, random noise data (Input_Z) is input to the
판별부(21)는 상술한 신경망 네트워크(10)일 수 있으며, 입력된 제1 특징데이터(Real_Data) 및 제2 특징데이터(Fake_Data)를 전달받고 이들에 대한 진위를 판단하여 Fake/Real의 결과를 산출하게 되며, 이 결과는 생성부(22)에 제공되어 생성부(22)가 학습할 수 있도록 한다.The determining
즉, 생성부(22)는 판별부(21)의 진위 판단에 기초하여 판별부(21)가 진짜 데이터로 판별하도록 신경망을 개선하며, 결국 생성부(22)의 학습이 지속될수록 생성부(22)는 판별부(21)가 진짜 데이터라고 판별하도록 신경망을 개선하게 되는 것이다.That is, the generating
상기 내용을 정리해보면 판별부(21)는 제1 특징데이터 및 제2 특징데이터를 구분할 수 있도록 학습되고, 생성부(22)은 판별부(21)이 제1 특징데이터 및 제2 특징데이터를 구분할 수 없도록 학습되어 제2 특징데이터를 생성하게 된다.Summarizing the above, the determining
상기와 같은 과정을 통하여 판별부(21)는 학업성취도 산출 및 클래스 결정을 좀 더 정확하게 수행할 수 있게 되며, 판별부(21)와 생성부(22)의 생성적 대립 네트워크를 이용한 강화학습을 통하여 판별부(21)의 충분한 학습이 완료된 이후에는 생성부(22)를 제거할 수 있다.Through the above process, the
본 명세서에서 설명되는 실시예와 첨부된 도면은 본 발명에 포함되는 기술적 사상의 일부를 예시적으로 설명하는 것에 불과하다. 따라서 본 명세서에 개시된 실시예들은 본 발명의 기술적 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이므로, 이러한 실시예에 의하여 본 발명의 기술 사상의 범위가 한정되는 것이 아님은 자명하다. 본 발명의 명세서 및 도면에 포함된 기술적 사상의 범위 내에서 당해 기술분야에 있어서의 통상의 지식을 가진 자가 용이하게 유추할 수 있는 변형 예와 구체적인 실시예는 모두 본 발명의 권리범위에 포함되는 것으로 해석되어야 할 것이다. The embodiments described in this specification and the accompanying drawings are merely illustrative of some of the technical ideas included in the present invention. Therefore, since the embodiments disclosed in the present specification are for explanation rather than limitation of the technical spirit of the present invention, it is obvious that the scope of the technical spirit of the present invention is not limited by these embodiments. Modifications and specific embodiments that can be easily inferred by a person of ordinary skill in the art within the scope of the technical idea included in the specification and drawings of the present invention are included in the scope of the present invention. will have to be interpreted.
100: 입력모듈
200: 석차 산출모듈
300: 성적향상 성취도 산출모듈
400: 클래스 결정모듈
500: 저장모듈100: input module
200: order calculation module
300: performance improvement achievement calculation module
400: class determination module
500: storage module
Claims (5)
상기 학생의 전국 모의고사의 각 과목별 석차를 전달받은 입력모듈;
상기 전국 모의고사의 각 과목별 석차에 기초하여 상기 학원 전체 및 상기 클래스 내에서의 석차를 산출하는 석차 산출모듈;
상기 입력모듈 및 석차 산출모듈로부터 전달받은 데이터에 기초하여 상기 학생의 성적향상 성취도를 산출하는 성적향상 성취도 산출모듈; 및
상기 성적향상 성취도 산출모듈에서 산출된 상기 학생의 과목별 성적향상 성취도에 기초하여 상기 학생의 향후 과목별 클래스를 결정하는 클래스 결정모듈을 포함하고,
상기 성적향상 성취도 산출모듈은, 상기 입력모듈 및 석차 산출모듈로부터 전달받은 데이터, 학생이 속한 현재 클래스의 난이도, 학생이 속한 현재 클래스에서의 해당 과목의 공부투입시간, 상기 학생이 속한 현재의 클래스 내의 다른 학생들의 전국 모의고사의 각 과목별 석차, 상기 학생이 속한 현재의 클래스 내의 다른 학생들의 학원 전체의 석차 및 클래스 내에서의 석차를 포함하는 제1 특징데이터에 기초하여 상기 학생의 성적향상 성취도를 산출하고,
상기 성적향상 성취도 산출모듈 및 클래스 결정모듈은,
미리 설정된 알고리즘에 기초하여 상기 학생의 성취도 및 과목별 클래스를 결정하되,
상기 알고리즘은 신경망 네트워크로 구성된 딥러닝 알고리즘으로 구현되되, 상기 신경망 네트워크는,
상기 제1 특징데이터를 입력받는 입력층;
상기 입력층으로부터 상기 제1 특징데이터를 전달받되, 복수 개의 노드를 포함하도록 구성된 적어도 하나의 개의 은닉층; 및
상기 은닉층의 연산 결과에 기초하여 상기 학생의 성취도 및 과목별 클래스를 결정하는 출력층을 포함하고,
상기 노드에는 상기 노드로 전달되는 입력인자 및 상기 노드에서 출력되는 출력인자 간의 상관관계인 함수가 정의되고, 상기 함수는 가중치 및 바이어스를 포함하며,
상기 학원 학생들의 성적향상 성취도 변동 사항, 클래스 변동 사항, 전국 모의고사의 각 과목별 석차, 학원 내에서의 석차, 클래스 내에서의 석차를 포함하는 빅데이터가 저장된 저장모듈을 더 포함하고,
상기 가중치 및 바이어스는,
상기 저장모듈에 저장된 빅데이터를 트레이닝 데이터로 활용하여 신경망 네트워크 상에서 수행되는 머신러닝을 통하여 결정되되,
랜덤한 노이즈 데이터와 상기 저장모듈에 저장된 상기 빅데이터의 조합 또는 상기 노이즈 데이터만이 입력되어 다변화된 제2 특징데이터가 생성되는 생성부; 및
입력된 상기 제1 특징데이터 및 상기 제2 특징데이터를 전달받아 진위를 판단하여 결과를 산출한 결과값을 상기 생성부에 전달하는 판별부로 이루어져 상기 트레이닝 데이터를 생성하는 트레이닝 데이터 생성모듈을 더 포함하는 학업성취도 산출 및 클래스 결정시스템. In the system for calculating the academic achievement and class determination of students at an academy that operates a plurality of classes according to subjects and levels,
an input module that receives the ranking for each subject of the national mock test of the student;
a rank calculation module for calculating ranks in the entire academy and in the classes based on ranks for each subject of the national mock test;
a grade improvement achievement calculation module for calculating the grade improvement achievement grade of the student based on the data received from the input module and the rank calculation module; and
and a class determination module for determining a class for each subject in the future based on the student's achievement level for each subject calculated by the grade improvement achievement calculation module;
The grade improvement achievement calculation module includes the data received from the input module and the rank calculation module, the difficulty of the current class to which the student belongs, the study input time of the subject in the current class to which the student belongs, and within the current class to which the student belongs. Based on the first characteristic data including the ranking of each subject in the national mock test of other students, the overall ranking of other students in the current class to which the student belongs, and the ranking within the class, the student's grades of performance improvement are calculated do,
The grade improvement achievement calculation module and class determination module,
Determining the student's achievement and subject-specific class based on a preset algorithm,
The algorithm is implemented as a deep learning algorithm composed of a neural network, wherein the neural network is
an input layer receiving the first characteristic data;
at least one hidden layer configured to receive the first feature data from the input layer and include a plurality of nodes; and
and an output layer that determines the student's achievement level and class for each subject based on the operation result of the hidden layer,
A function that is a correlation between an input factor transmitted to the node and an output factor output from the node is defined in the node, and the function includes a weight and a bias;
Further comprising a storage module storing big data including changes in the achievement of the academy students, class changes, ranks for each subject of the national mock test, ranks within the academy, ranks within the class,
The weight and bias are
It is determined through machine learning performed on a neural network by using the big data stored in the storage module as training data,
a generator for generating diversified second characteristic data by inputting a combination of random noise data and the big data stored in the storage module or only the noise data; and
Further comprising a training data generation module comprising a determination unit that receives the input first characteristic data and the second characteristic data, determines authenticity, and transmits the calculated result to the generation unit to generate the training data Academic achievement calculation and class determination system.
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020190099919 | 2019-08-14 | ||
| KR20190099919 | 2019-08-14 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20210020718A KR20210020718A (en) | 2021-02-24 |
| KR102304681B1 true KR102304681B1 (en) | 2021-09-24 |
Family
ID=74689316
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020190111256A KR102304681B1 (en) | 2019-08-14 | 2019-09-09 | System for calculating study achievement and determining course class |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102304681B1 (en) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116342335B (en) * | 2023-02-03 | 2023-11-14 | 武汉博奥鹏程教育科技有限公司 | Course recommendation method and device |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101471052B1 (en) * | 2014-01-29 | 2014-12-09 | 금훈섭 | Repetition Learning system and its method |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20030075065A (en) | 2002-03-15 | 2003-09-22 | 주식회사 대양이앤씨 | Textbook manufacturing system on demand |
| KR20100060555A (en) * | 2008-11-27 | 2010-06-07 | 상지대학교산학협력단 | Virtual university using rfid technology and artificial intelligence |
| KR20130049433A (en) * | 2011-11-04 | 2013-05-14 | 두산동아 주식회사 | Distance education system and method for editing learning contents by stages in digital textbook |
| KR20130115493A (en) * | 2012-04-12 | 2013-10-22 | 강도희 | Clic method for improving academic reports using internet |
| KR20170138184A (en) * | 2016-06-07 | 2017-12-15 | 신동명 | Management system of the institution for Positive learning and etc.. |
-
2019
- 2019-09-09 KR KR1020190111256A patent/KR102304681B1/en active IP Right Grant
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101471052B1 (en) * | 2014-01-29 | 2014-12-09 | 금훈섭 | Repetition Learning system and its method |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20210020718A (en) | 2021-02-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109903617B (en) | Personalized exercise method and system | |
| Babić | Machine learning methods in predicting the student academic motivation | |
| Rosen et al. | The effects of adaptive learning in a massive open online course on learners' skill development | |
| De Marsico et al. | Supporting mediated peer-evaluation to grade answers to open-ended questions | |
| Intisar et al. | Classification of online judge programmers based on rule extraction from self organizing feature map | |
| CN108172051A (en) | A kind of PE Teaching method and apparatus | |
| Martínez et al. | The use of online learning environments in higher education as a response to the confinement caused by COVID-19 | |
| Hidayati et al. | Effectiveness problem based learning and scientific approach to improve higher order thinking skills | |
| KR102304681B1 (en) | System for calculating study achievement and determining course class | |
| Kola | Technology teacher trainees’ lesson planning approach in south africa: room for improvement | |
| Rushkin et al. | Adaptive Assessment Experiment in a HarvardX MOOC. | |
| Ruipérez-Valiente et al. | The affordances of multivariate elo-based learner modeling in game-based assessment | |
| CN110427325A (en) | Online testing method and device | |
| Jenhani et al. | Course learning outcome performance improvement: a remedial action classification based approach | |
| Shi | Deep Learning for College English Education Evaluation | |
| Li et al. | Research on the big data analysis of MOOCs in a flipped classroom based on attention mechanism in deep learning model | |
| Hare et al. | Optimize student learning via random forest-based adaptive narrative game | |
| Simjanoska et al. | Intelligent modelling for predicting students' final grades | |
| Fernandes et al. | Unleashing the Potential of Reinforcement Learning for Enhanced Personalized Education | |
| KR102304683B1 (en) | Learning management system | |
| CN110533336A (en) | A kind of instructional decisions matching process and device | |
| Faraco et al. | Adaptivity in a learning companion system | |
| Koong et al. | The learning effectiveness analysis of JAVA programming with automatic grading system | |
| Jurenoks | Adaptive e-learning system based on student activity skills in Moolde system | |
| KR20200020490A (en) | Private education institution assessment system |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |