KR102314007B1 - 인공지능을 이용한 사용자 맞춤형 강의 제공 시스템 - Google Patents

Abstract

인공지능을 이용한 사용자 맞춤형 강의 제공 시스템이 제공된다. 본 발명의 일 실시예에 따른 강의 제공 시스템은 서버와 사용자가 이용하는 사용자 단말을 포함하는 시스템으로서, 상기 서버는 정보 처리부, 통신부 및 복수의 학습 영역에 대한 복수의 객관식 문제와 상기 복수의 학습 영역에 대한 복수의 동영상 강의를 저장하는 메모리부를 포함하고, 상기 사용자 단말은 상기 서버에서 제공하는 정보를 표시하거나 입력을 제공받는 인터페이스부 및 상기 통신부와 연결되는 네트워크부를 포함한다.

Description

인공지능을 이용한 사용자 맞춤형 강의 제공 시스템{SYSTEM FOR PROVIDING USER CUSTOMIZING LECTURE USING ARTIFICIAL INTELLIGENCE}

본 발명은 인공지능을 이용한 사용자 맞춤형 강의 제공 시스템에 대한 것이다.

종래에는 학교나 학원에 강사가 특정 교율을 진행하는 오프라인 교육이 주된 교육의 형태였다. 그러나 최근에는 네트워크 기술의 발달과 모바일 기기의 다양화로 온라인 교육이 별다른 어려움 없이 수행할 수 있게 되었다. 기존에는 일 방향으로 즉, 강사가 수강생에게 일방적으로 정보를 전달하는 방식이었다면, 최근에는 수강생이 다양한 입력 수단을 통해 질문을 하거나 테스트를 보는 것도 기술적으로 가능하게 되었다. 이러한 기술 들에 대해서는 대한민국등록특허 10-2020-0003650 등에 개시되어 있다.

최근에는 인공지능 기술의 발달로 인해 분석 기술의 정확성 등이 개선되고 있으며, 이러한 기술들이 온라인 강의와 결합되어 새로운 형태의 온라인 교육 시스템들이 등장하고 있다.

본 발명이 해결하고자 하는 과제는 인공지능을 이용해 사용자 맞춤형 강의를 제공하는 것이다.

본 발명이 해결하고자 하는 다른 과제는 사용자에 따라 최적화된 온라인 강의를 제공하는 것이다.

본 발명이 해결하고자 하는 다른 과제는 학습 자료를 확장시키기 용이한 강의 제공 시스템을 제공하는 것이다.

본 발명이 해결하고자 하는 다른 과제는 최소의 시간으로 최대의 효과를 낼 수 있는 온라인 강의를 제공하는 것이다.

상기 과제를 해결하기 위한 본 발명의 일 실시예에 따른 인공지능을 이용한 사용자 맞춤형 강의 제공 시스템은 서버와 사용자가 이용하는 사용자 단말에 의해 수행되는 시스템으로서, 상기 서버는 정보 처리부, 통신부 및 학습 영역 및 난이도가 지정된 복수의 객관식 문제와 상기 복수의 객관식 문제에 대응되도록 학습 영역과 난이도가 지정된 복수의 동영상 강의를 저장하는 메모리부를 포함하고, 상기 사용자 단말은 상기 서버에서 제공하는 정보를 표시하거나 입력을 제공받는 인터페이스부 및 상기 통신부와 연결되는 네트워크부를 포함하되, 상기 서버가 상기 복수의 객관식 문제 중 일부를 선택하여 예비 평가를 생성하고, 상기 사용자는 상기 사용자 단말을 통해 상기 예비 평가에 대한 답을 입력하되, 상기 정보 처리부는 상기 예비 평가에 대한 결과를 기초로 상기 복수의 동영상 강의 중 일부를 선택하여 강의 세트를 생성하고, 상기 강의 세트를 상기 사용자 단말에 제공하되, 상기 메모리부에 상기 학습 영역 및 상기 난이도가 지정되지 않은 객관식 문제가 저장되면,

상기 정보 처리부는 상기 메모리부에 저장되는 제1 뉴럴 네트워크 및 제2 뉴럴 네트워크를 실행하되,

상기 제1 뉴럴 네트워크는 상기 학습 영역이 지정되지 않은 객관식 문제가 입력되면 상기 학습 영역이 지정된 상기 객관식 문제를 출력하여 상기 메모리부에 저장하고,

상기 제2 뉴럴 네트워크는 상기 난이도가 지정되지 않은 객관식 문제가 입력되면, 상기 난이도가 지정된 상기 객관식 문제를 출력하여 상기 메모리부에 저장하고,

상기 메모리부에 상기 학습 영역 및 상기 난이도가 지정되지 않은 동영상 강의가 저장되면,

상기 정보 처리부는 상기 메모리부에 저장되는 제3 뉴럴 네트워크 및 제4 뉴럴 네트워크를 실행하되,

상기 제3 뉴럴 네트워크는 상기 학습 영역이 지정되지 않은 동영상 강의가 입력되면, 상기 학습 영역이 지정된 상기 동영상 강의를 출력하여 상기 메모리부에 저장하고,

상기 제4 뉴럴 네트워크는 상기 난이도가 지정되지 않은 동영상 강의가 입력되면, 상기 난이도가 지정된 상기 동영상 강의를 츨력하여 상기 메모리부에 저장하되,

상기 메모리부는 상기 학습 영역이 지정된 복수의 객관식 문제를 포함하는 제1 학습 데이터 세트, 상기 난이도가 지정된 복수의 객관식 문제를 포함하는 제2 학습 데이터 세트, 상기 학습 영역이 지정된 복수의 동영상 강의를 포함하는 제3 학습 데이터 세트 및 상기 난이도가 지정된 복수의 동영상 강의를 포함하는 제4 학습 데이터 세트를 저장하며, 상기 제1 뉴럴 네트워크는 상기 제1 학습 데이터 세트로 학습된 모델이고, 상기 제2 뉴럴 네트워크는 상기 제2 학습 데이터 세트로 학습된 모델이고, 상기 제3 뉴럴 네트워크는 상기 제3 학습 데이터 세트로 학습된 모델이고, 상기 제4 뉴럴 네트워크는 상기 제4 학습 데이터 세트로 학습된 모델이되, 상기 정보 처리부는 상기 사용자 단말이 상기 강의 세트의 수강을 완료하면, 상기 메모리부에 저장되고, 상기 강의 세트에 포함되는 상기 동영상 강의와 동일한 학습 영역과 동일한 난이도를 갖는 복수의 객관식 문제 중 일부를 선택하여 결과 평가를 생성하고, 상기 결과 평가를 상기 사용자 단말에 제공하되, 상기 인터페이스부는 상기 사용자가 설정 시간을 입력하는 인터페이스를 포함하고, 상기 사용자가 상기 사용자 단말을 통해 상기 설정 시간을 입력하면, 상기 정보 처리부는 상기 설정 시간에 맞춰 상기 강의 세트를 생성한다.

또한, 상기 학습 영역 및 상기 난이도가 지정되지 않은 동영상 강의는 복수의 구간을 포함하고,

상기 학습 영역이 지정되지 않은 상기 동영상 강의가 상기 제3 뉴럴 네트워크에 입력되면, 상기 제3 뉴럴 네트워크는 상기 복수의 구간 각각의 학습 영역이 지정된 상기 동영상 강의를 출력하고,

상기 난이도가 지정되지 않은 상기 동영상 강의가 상기 제4 뉴럴 네트워크에 입력되면, 상기 제4 뉴럴 네트워크는 상기 복수의 구간 각각의 난이도가 지정된 상기 동영상 강의를 출력할 수 있다.

또한, 상기 서버는 이미지 분석부를 더 포함하고, 상기 학습 영역과 상기 난이도가 지정되지 않은 상기 동영상 강의가 상기 메모리부에 저장되면, 상기 이미지 분석부는 상기 동영상 강의가 포함하는 복수의 프레임 중 적어도 하나를 선택하여 상기 정보 처리부에 제공하되, 상기 이미지 분석부가 선택한 상기 프레임은 텍스트 정보를 포함할 수 있다.

본 발명의 실시예들에 의하면 사용자에게 최적화된 온라인 학습 강의를 제공할 수 있다.

또한, 최소의 시간으로 최대의 학습 효율을 달성할 수 있다.

또한, 온라인 강의 수강 시간을 단축하여 사용자의 시간을 절약할 수 있다.

또한, 학습 자료를 손쉽게 업데이트해서 강의의 재료를 풍성하게 할 수 있다.

본 발명에 따른 효과는 이상에서 예시된 내용에 의해 제한되지 않으며, 더욱 다양한 효과들이 본 명세서 내에 포함되어 있다.

도 1은 본 발명의 일 실시예에 따른 인공지능을 이용한 사용자 맞춤형 강의 제공 시스템을 설명하기 위한 개략도이다.
도 2는 본 발명의 일 실시예에 따른 인공지능을 이용한 사용자 맞춤형 강의 제공 시스템의 동작 방식을 보여주는 흐름도이다.
도 3은 본 발명의 일 실시예에 따른 인공지능을 이용한 사용자 맞춤형 강의 제공 시스템을 설명하기 위한 개략도이다.
도 4는 본 명의 일 실시예가 포함하는 인공 신경망을 나타낸 개략도이다.
도 5는 본 발명의 일 실시예를 설명하기 위한 개략도이다.
도 6은 본 발명의 일 실시예를 설명하기 위한 개략도이다.
도 7은 본 발명의 일 실시예를 설명하기 위한 개략도이다.
도 8은 본 발명의 다른 실시예를 설명하기 위한 개략도이다.

본 발명의 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 것이며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하며, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다.

구성(elements) 또는 층이 다른 소자 또는 층의 "위(on)" 또는 "상(on)"으로 지칭되는 것은 다른 구성 또는 층의 바로 위뿐만 아니라 중간에 다른 층 또는 다른 구성을 개재한 경우를 모두 포함한다. 반면, 구성이 "직접 위(directly on)" 또는 "바로 위"로 지칭되는 것은 중간에 다른 구성 또는 층을 개재하지 않은 것을 나타낸다.

공간적으로 상대적인 용어인 "아래(below)", "아래(beneath)", "하부(lower)", "위(above)", "위(on)", "상(on)", "상부(upper)" 등은 도면에 도시되어 있는 바와 같이 하나의 구성 또는 구성 요소들과 다른 구성 또는 구성 요소들과의 상관관계를 용이하게 기술하기 위해 사용될 수 있다. 공간적으로 상대적인 용어는 도면에 도시되어 있는 방향에 더하여 사용 시 또는 동작 시 구성의 서로 다른 방향을 포함하는 용어로 이해되어야 한다. 예를 들면, 도면에 도시되어 있는 구성을 뒤집을 경우, 다른 구성의 "아래"로 기술된 구성은 다른 구성의 "위"에 놓여질 수 있다. 또한 도면을 기준으로 다른 구성의 "좌측"에 위치하는 것으로 기술된 구성은 시점에 따라 다른 구성의 "우측"에 위치할 수도 있다. 따라서, 예시적인 용어인 "아래"는 아래와 위의 방향을 모두 포함할 수 있다. 구성은 다른 방향으로도 배향될 수 있으며, 이 경우 공간적으로 상대적인 용어들은 배향에 따라 해석될 수 있다.

비록 제1, 제2 등이 다양한 구성요소들을 서술하기 위해서 사용되나, 이들 구성요소들은 이들 용어에 의해 제한되지 않음은 물론이다. 이들 용어들은 단지 하나의 구성요소를 다른 구성요소와 구별하기 위하여 사용하는 것이다. 따라서, 이하에서 언급되는 제1 구성요소는 본 발명의 기술적 사상 내에서 제2 구성요소일 수도 있음은 물론이다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 또한 "포함하다" 또는 "가지다" 등의 용어는 명세서 상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는다.

명세서 전체를 통하여 동일하거나 유사한 부분에 대해서는 동일한 도면 부호를 사용한다.

이하, 도면을 참조하여 본 발명의 실시예들에 대하여 설명한다.

도 1은 본 발명의 일 실시예에 따른 인공지능을 이용한 사용자 맞춤형 강의 제공 시스템을 설명하기 위한 개략도이다.

일 실시에에서 인공지능을 이용한 사용자 맞춤형 강의 제공 시스템은 서버(100)와 사용자 단말(200)을 포함할 수 있다. 즉, 서버(100)와 사용자 단말(200)에 의해 후술하는 각 구성이 수행될 수 있다.

일 실시예에서 서버(100)는 정보 처리부(110), 통신부(120) 및 메모리부(130)를 포함할 수 있다.

정보 처리부(110)는 본 발명의 몇몇 실시예에 따른 맞춤형 강의 제공 시스템을 총괄적으로 관리할 수 있다. 이를 위해 정보 처리부(110)는 각 구성으로부터 구동에 필요한 데이터 및/또는 신호를 제공받거나, 각 구성을 구동하기 위해 필요한 데이터 및/또는 신호를 제공할 수 있다.

이와 같은 기능을 수행하기 위해 정보 처리부(110)는 전적으로 하드웨어이거나 또는 부분적으로 하드웨어이고 부분적으로 소프트웨어일 수 있다. 즉, 제어부는 특정 형식 및 내용의 데이터를 전자통신 방식으로 주고받기 위한 장치 및 이에 관련된 소프트웨어를 통칭하는 개념으로 이해될 수 있다.

예를 들어, 하드웨어는 CPU 또는 다른 프로세서를 포함하는 데이터 처리 기기를 포함할 수 있다.

또한, 소프트웨어는 객체(object), 실행파일(executable), 실행 스레드(thread of execution), 프로그램(program) 등을 포함할 수 있다.

일 실시예에서 정보 처리부(110)는 적어도 하나의 프로세서를 포함할 수 있다. 프로세서는 하나 이상의 코어로 구성될 수 있으며, 컴퓨팅 장치의 중앙 처리 장치(CPU, Central Processing Unit), 범용 그래픽 처리 장치(GPGPU: General Purpose Graphics Processing Unit), 텐서 처리 장치(TPU: Tensor Processing Unit) 등의 데이터 분석, 딥러닝을 위한 프로세서를 포함할 수 있다.

통신부(120)는 정보 처리부(110)와 후술하는 각 구성 또는 서버(100)와 외부 서버, 다른 컴퓨팅 장치 또는 모바일 기기를 무선 및/또는 유선으로 연결할 수 있다.

또한, 통신부(120)는 사용자 단말(200)과의 무선 연결을 제공할 수 있다.

본 명세서에서 '연결'이라 함은 두 개의 구성이 서로 데이터 및/또는 신호를 주고받을 수 있는 상태를 의미할 수 있다.

일 실시예에서 통신부(120)는 유선 통신을 지원하기 위한 유선 통신 모듈 및/또는 무선 통신을 지원하기 위한 무선 통신 모듈을 포함할 수 있다.

유선 통신 모듈은 예컨대, 유선 통신을 위한 기술표준들 또는 통신 방식(이더넷(Ehternet), PLC(Power Line Communication), 홈 PNA, IEEE 1394 등)에 따라 구축된 유선 통신망에서 타 서버, 기지국, AP(access point) 중 적어도 하나와 유선 신호를 송수신하기 위한 통신 인터페이스를 포함할 수 있다.

무선 통신 모듈은, 무선 통신을 위한 기술표준들 또는 통신방식(예를 들어, WLAN(Wireless LAN), Wi-Fi(Wireless-Fidelity), DLNA(Digital Living Network Alliance), GSM(Global System for Mobile communication), CDMA(Code Division MultiAccess), WCDMA(Wideband CDMA), LTE(Long Term Evolution), LTE-A(Long Term Evolution-Advanced) 등)에 따라 구축된 무선 통신망에서 기지국, AP(Access Point) 및 중계기 중 적어도 하나와 무선 신호를 송수신하기 위한 통신 인터페이스를 포함할 수 있다. 다만, 이는 예시적인 것으로, 통신부(120)의 구성이 이에 제한되는 것은 아니다. 즉, 데이터 송수신을 가능하게 하는 수단이라면, 통신부(120)로 채택될 수 있다.

메모리부(130)는 서버(100)에서 필요로하는 데이터를 저장할 수 있다.

일 실시예에서 메모리부(130)는 내장 메모리를 포함할 수 있다. 보다 구체적으로, 메모리부(130)는 휘발성 메모리(예를 들면, DRAM(dynamic RAM), SRAM(static RAM), SDRAM(synchronous dynamic RAM) 등) 또는 비휘발성 메모리(non-volatile Memory, 예를 들면, OTPROM(one time programmable ROM), PROM(programmable ROM), EPROM(erasable and programmable ROM), EEPROM(electrically erasable and programmable ROM), mask ROM, flash ROM, NAND flash memory, NOR flash memory 등), SSD(Solid State Drive) 중 적어도 하나를 포함할 수 있다.

한편, 메모리부(130)는 일 실시예로 외장 메모리를 포함할 수 있다. 보다 구체적으로, 메모리부(130)는 flash drive, 예를 들면, CF(compact flash), SD(secure digital), Micro-SD(micro secure digital), Mini-SD(mini secure digital), xD(extreme digital) 또는 Memory Stick 등을 더 포함할 수 있다.

메모리부(130)은 정보 처리부(110)의 판단에 기초가 되는 정보를 저장할 수 있다. 메모리부(130)에 의해 저장되는 정보는 기 입력된 정보이거나, 통신부(120)을 이용하여 사용자 단말(200)이나 외부의 다른 서버, 컴퓨팅 장치로부터 제공받은 정보일 수 있다.

일 실시예에서 메모리부(130)는 복수의 DB를 포함할 수 있다. 메모리부(130)가 저장하는 DB의 모든 데이터는 후술하는 학습 데이터 세트(600)로 활용될 수 있다.

메모리부(130)는 서버(100)가 사용자 단말(200)에 제공하는 동영상, 복수의 객관식 문제, 텍스트 또는 이들이 조합된 형태의 정보를 DB로 분류하여 저장할 수 있다.

일 실시예에서 서버(100)는 사용자 단말(200)과 연결될 수 있다.

일 실시예에서 사용자 단말(200)은 데스크탑, 랩탑, 노트북 등의 컴퓨팅 장치이거나, 휴대가 가능한 모바일 기기(스마트폰 등)일 수 있다.

다만, 이는 예시적인 것으로 사용자 단말(200)의 종류가 이에 제한되는 것은 아니다. 즉, 사용자 단말(200) 서버와 연결이 가능한 모든 종류의 동영상 재생 장치를 포함하는 것으로 이해될 수 있다.

일 실시예에서 사용자 단말(200)은 인터페이스부(210), 제어부(220), 네트워크부(230), 표시부(240), 저장부(250), 입력부(260)를 포함할 수 있다.

제어부(220)는 사용자 단말(200)을 총괄적으로 제어할 수 있다. 이를 위해 제어부(220)는 각 구성으로부터 구동에 필요한 데이터 및/또는 신호를 제공받거나, 각 구성을 구동하기 위해 필요한 데이터 및/또는 신호를 제공할 수 있다.

이와 같은 기능을 수행하기 위해 제어부(220)는 전적으로 하드웨어이거나 또는 부분적으로 하드웨어이고 부분적으로 소프트웨어일 수 있다. 즉, 제어부는 특정 형식 및 내용의 데이터를 전자통신 방식으로 주고받기 위한 장치 및 이에 관련된 소프트웨어를 통칭하는 개념으로 이해될 수 있다.

예를 들어, 하드웨어는 CPU 또는 다른 프로세서를 포함하는 데이터 처리 기기를 포함할 수 있다.

또한, 소프트웨어는 객체(object), 실행파일(executable), 실행 스레드(thread of execution), 프로그램(program) 등을 포함할 수 있다.

일 실시예에서 제어부(220)는 적어도 하나의 프로세서를 포함할 수 있다. 프로세서는 하나 이상의 코어로 구성될 수 있으며, 컴퓨팅 장치의 중앙 처리 장치(CPU, Central Processing Unit), 범용 그래픽 처리 장치(GPGPU: General Purpose Graphics Processing Unit), 텐서 처리 장치(TPU: Tensor Processing Unit) 등의 데이터 분석, 딥러닝을 위한 프로세서를 포함할 수 있다.

네트워크부(230)는 제어부(220)와 후술하는 각 구성 또는 서버(100)와 외부 서버, 다른 컴퓨팅 장치 또는 모바일 기기를 무선 및/또는 유선으로 연결할 수 있다.

또한, 네트워크부(230)는 서버(100)와의 무선 연결을 제공할 수 있다.

일 실시예에서 네트워크부(230)는 유선 통신을 지원하기 위한 유선 통신 모듈 및/또는 무선 통신을 지원하기 위한 무선 통신 모듈을 포함할 수 있다.

유선 통신 모듈은 예컨대, 유선 통신을 위한 기술표준들 또는 통신 방식(이더넷(Ehternet), PLC(Power Line Communication), 홈 PNA, IEEE 1394 등)에 따라 구축된 유선 통신망에서 타 서버, 기지국, AP(access point) 중 적어도 하나와 유선 신호를 송수신하기 위한 통신 인터페이스를 포함할 수 있다.

무선 통신 모듈은, 무선 통신을 위한 기술표준들 또는 통신방식(예를 들어, WLAN(Wireless LAN), Wi-Fi(Wireless-Fidelity), DLNA(Digital Living Network Alliance), GSM(Global System for Mobile communication), CDMA(Code Division MultiAccess), WCDMA(Wideband CDMA), LTE(Long Term Evolution), LTE-A(Long Term Evolution-Advanced) 등)에 따라 구축된 무선 통신망에서 기지국, AP(Access Point) 및 중계기 중 적어도 하나와 무선 신호를 송수신하기 위한 통신 인터페이스를 포함할 수 있다. 다만, 이는 예시적인 것으로, 네트워크부(230)의 구성이 이에 제한되는 것은 아니다. 즉, 데이터 송수신을 가능하게 하는 수단이라면, 네트워크부(230)로 채택될 수 있다.

저장부(250)는 사용자 단말(200)에서 처리하는 데이터를 저장할 수 있다.

일 실시예에서 저장부(250)는 내장 메모리를 포함할 수 있다. 보다 구체적으로, 저장부(250)는 휘발성 메모리(예를 들면, DRAM(dynamic RAM), SRAM(static RAM), SDRAM(synchronous dynamic RAM) 등) 또는 비휘발성 메모리(non-volatile Memory, 예를 들면, OTPROM(one time programmable ROM), PROM(programmable ROM), EPROM(erasable and programmable ROM), EEPROM(electrically erasable and programmable ROM), mask ROM, flash ROM, NAND flash memory, NOR flash memory 등), SSD(Solid State Drive) 중 적어도 하나를 포함할 수 있다.

한편, 저장부(250)는 일 실시예로 외장 메모리를 포함할 수 있다. 보다 구체적으로, 저장부(250)는 flash drive, 예를 들면, CF(compact flash), SD(secure digital), Micro-SD(micro secure digital), Mini-SD(mini secure digital), xD(extreme digital) 또는 Memory Stick 등을 더 포함할 수 있다.

저장부(250)는 제어부(220)의 판단에 기초가 되는 정보를 저장할 수 있다. 저장부(250)에 의해 저장되는 정보는 기 입력된 정보이거나, 네트워크부(230)를 이용하여 서버(100)나 외부의 다른 서버 또는 다른 컴퓨팅 장치로부터 제공받은 정보일 수 있다.

인터페이스부(210)는 사용자 인터 페이스를 제공할 수 있다. 즉, 인터페이스부(210)는 저장부(250)에 의해 저장되어 제어부(220)에 의해 수행되는 프로그램이나 어플리케이션일 수 있다.

일 실시예에서 인터페이스부(210)는 서버(100)로부터 제공받거나, 외부 기관(앱 스토어 등)으로부터 다운로드 받아 설치될 수 있다.

또한, 인터페이스부(210)는 다양한 선택 입력을 제공하거나 제공받을 수 있다. 이에 더하여 인터페이스부(210)는 정보 처리부(110)의 결과값을 기초로 제공된 데이터를 사용자 단말(200)에 제공할 수 있다. 이에 대한 구체적인 설명은 뒤에서 자세히 하기로 한다.

표시부(240)는 인터페이스부(210)에서 제공하는 정보를 사용자에게 표시할 수 있다. 이를 위해 표시부(240)는 적어도 하나의 디스플레이 장치를 포함할 수 있다. 일 실시예에서 디스플레이 장치는 액정 표시 장치 또는 유기 발광 표시 장치일 수 있다. 다만, 이에 제한되는 것은 아니며, 사용자 인터페이스 또는 동영상을 표시할 수 있는 디스플레이 장치라면 표시부(240)로 이용될 수 있다. 즉, 소프트웨어 형태의 인터페이스부(210)가 하드웨어인 표시부(240)를 통해 표시될 수 있다.

입력부(260)는 사용자로부터 입력을 제공받을 수 있다. 일 실시예에서 입력부(260)는 마우스, 키보드, 터치 패드 또는 터치 스크린일 수 있다. 입력부(260)가 터치 스크린인 경우, 입력부(260)는 전술한 표시부(240)와 일체로 형성될 수 있다.

위 열거한 입력부(260)의 종류는 예시로서, 입력부(260)가 이에 제한되는 것은 아니다. 즉, 사용자 선택를 반영할 수 있는 입력 수단이라면, 입력부(260)로 이용될 수 있다.

도 2는 본 발명의 일 실시예에 따른 인공지능을 이용한 사용자 맞춤형 강의 제공 시스템의 동작 방식을 보여주는 흐름도이다.

도 2를 참조하면, 서버(100)는 사용자 단말(200)에 예비 평가를 제공할 수 있다. (S10) 예비 평가는 복수의 객관식 문제를 포함할 수 있다. 예비 평가에 제공되는 복수의 객관식 문제는 후술하는 뉴럴 네트워크(500)를 학습하는데 사용되는 학습 데이터 세트(600)에 포함된 문제일 수 있다. 이에 대한 설명은 뒤에서 자세히 하기로 한다.

예비 평가는 인터페이스부(210)를 통해 사용자에게 제공될 수 있다. 사용자는 입력부(260)를 이용해 답을 입력할 수 있다.

사용자가 입력을 마치면, 예비 평가 결과가 서버(100)에 제공될 수 있다. (S21) 서버(100)는 예비 평가 결과를 분석할 수 있다(S11). 일 실시예에서 결과 분석은 정보 처리부(110)에 의해 수행될 수 있다. 예비 평가 결과를 통해 정보 처리부(110)는 사용자의 학업 성취도를 평가할 수 있다. 일 실시예에서 학업 성취도는 각각의 학습 영역에 대응하여 수치 상으로 표현되거나, 등급(상중하) 등으로 표현될 수 있다.

다시 말하면, 예비 평가 결과는 학습 영역과 점수 또는 학습 영역과 난이도(사용자에게 학습이 요구되는)가 매칭된 형태로 표현될 수 있다.

예컨대, A영역-80점, B영역-50점, C-영역-40점 또는 A 영역-상, B 영역- 중, C 영역- 하 와 같은 식으로 표현될 수 있다.

도 3을 참조하여 뉴럴 네트워크(500)에 대해 설명하기로 한다.

도 3은 본 발명의 일 실시예에 따른 인공지능을 이용한 사용자 맞춤형 강의 제공 시스템을 설명하기 위한 개략도이다.

도 3을 참조하면, 뉴럴 네트워크(500)는 학습 데이터 세트(600)에 의해 학습된 모델일 수 있다. 일 실시예에서 뉴럴 네트워크(500)는 메모리부(130)에 저장되어 정보 처리부(110)에 의해 실행될 수 있다.

일 실시예에서 뉴럴 네트워크(500)는 학습 데이터 세트(600)를 기초로 기계 학습을 수행할 수 있다. 이에 더하여 뉴럴 네트워크(500)는 여러 비선형 변환기법의 조합을 통해 높은 수준의 추상화(abstraction, 다량의 데이터나 복잡한 자료들 속에서 핵심적인 내용 또는 기능을 요약하는 작업)를 시도하는 기계학습 알고리즘의 집합인 심층학습(deep learning)을 이용하여 구축된 분석 모델을 포함할 수 있다.

즉, 뉴럴 네트워크(500)는 적어도 하나의 딥 뉴럴 네트워크(DNN, Deep Neural Network)를 포함할 수 있다.

설명의 편의를 위해 복수의 뉴럴 네트워크를 기능에 따라 제1 뉴럴 네트워크, 제2 뉴럴 네트워크, 제3 뉴럴 네트워크 ... 제n 뉴럴 네트워크로 표현하기로 한다. 각 뉴럴 네트워크의 입력값, 출력값 및 학습 데이터 세트(600)에 대해서는 뒤에서 자세히 설명하기로 한다.

이하에서는 도 4를 참조하여 설명하기로 한다.

도 4는 본 명의 일 실시예가 포함하는 인공 신경망을 나타낸 개략도이다.

설명의 편의를 위해 용어를 정리하기로 한다. 본 명세서에서 '신경망', '네트워크 함수' 및 '뉴럴 네트워크'는 동일한 의미로 사용될 수 있다. 신경망은 일반적으로 '노드'라 지칭될 수 있는 상호연결된 계산 단위들의 집합으로 구성될 수 있다. 이러한 '노드'는 '뉴런(Neuron)'으로 지칭될 수도 있다. 신경망은 적어도 하나 이상의 노드를 포함하여 구성될 수 있다. 신경망들을 구성하는 노드들은 하나 이상의 '링크'에 의해 상호 연결될 수 있다.

신경망 내에서, 링크를 통해 연결된 하나 이상의 노드들은 상대적으로 입력 노드 및 출력 노드의 관계를 형성할 수 있다. 입력 노드 및 출력 노드의 개념은 상대적인 것으로서 하나의 노드에 대하여 출력 노드 관계에 있는 임의의 노드는 다른 노드와의 관계에서 입력 노드 관계에 있을 수 있으며, 그 역도 성립할 수 있다. 전술한 바와 같이 입력 노드 대 출력 노드 관계는 링크를 중심으로 생성될 수 있다. 하나의 입력 노드에 하나 이상의 출력 노드가 링크를 통해 연결될 수 있으며, 그 역도 성립할 수 있다.

하나의 링크를 통해 연결된 입력 노드 및 출력 노드 관계에서, 출력 노드는 입력 노드에 입력된 데이터에 기초하여 그 값이 결정될 수 있다. 여기서 입력 노드와 출력 노드를 상호 연결하는 가중치(weight)를 가질 수 있다. 가중치는 가변적일 수 있으며, 신경망이 원하는 기능을 수행하기 위해, 사용자 또는 알고리즘에 의해 가변될 수 있다. 예를 들어, 하나의 출력 노드에 하나 이상의 입력 노드가 각각의 링크에 의해 상호 연결된 경우, 출력 노드는 상기 출력 노드와 연결된 입력 노드들에 입력된 값들 및 각각의 입력 노드들에 대응하는 링크에 설정된 가중치에 기초하여 출력 노드 값을 결정할 수 있다.

전술한 바와 같이 신경망은 하나 이상의 노드들이 하나 이상의 링크를 통해 상호연결되어 신경망 내에서 입력 노드 및 출력 노드 관계를 형성한다. 신경망 내에서 노드들과 링크들의 개수 및 노드들과 링크들 사이의 연관관계, 링크들 각각에 부여된 가중치의 값에 따라 신경망의 특성이 결정될 수 있다. 예를 들어, 동일한 개수의 노드 및 링크들이 존재하고, 링크들 사이의 가중치 값이 상이한 두 신경망이 존재하는 경우, 두 개의 신경망들은 서로 상이한 것으로 인식될 수 있다.

도 4에 도시된 바와 같이 신경망은 하나 이상의 노드들을 포함하여 구성될 수 있다. 신경망을 구성하는 노드들 중 일부는, 최초 입력 노드로부터 거리들에 기초하여 하나의 레이어(layer)를 구성할 수 있다. 예를 들어, 최초 입력 노드로부터 거리가 n인 노드들의 집합은, n 레이어를 구성할 수 있다. 최초 입력 노드로부터 거리는 최초 입력 노드로부터 해당 노드까지 도달하기 위해 거쳐야하는 링크들의 최소 개수에 의해 정의될 수 있다. 그러나 이러한 레이어의 정의는 설명을 위한 임의적인 것으로서, 신경망 내에서 레이어의 차수는 전술한 것과 상이한 방법으로 정의될 수도 있다. 예컨대, 노드들의 레이어는 최종 출력 노드로부터의 거리에 의해 정의될 수도 있다.

최초 입력 노드는 신경망 내의 노드들 중 다른 노드들과의 관계에서 링크를 거치지 않고 데이터가 직접 입력되는 하나 이상의 노드들을 의미할 수 있다. 또는 신경망 네트워크 내에서 링크를 기준으로 한 노드 간의 관계에 있어서, 링크로 연결된 다른 입력 노드를 가지지 않는 노드들을 의미할 수 있다.

이와 유사하게, 최종 출력 노드는 신경망 내의 노드들 중 다른 노드들과의 관계에서 출력 노드를 가지지 않는 하나 이상의 노드들을 의미할 수 있다.

히든 노드는 최초 입력 노드 및 최후 출력 노드가 아닌 신경망을 구성하는 노드들을 의미할 수 있다.

딥 뉴럴 네트워크는 입력 레이어와 출력 레이어 외에 복수의 히든 레이어를 포함하는 신경망을 의미할 수 있다. 딥 뉴럴 네트워크를 이용하면 데이터의 잠재적인 구조(Latent Structrue)를 파악할 수 있다. 즉, 사진, 글, 비디오, 음성, 음악의 잠재적인 구조(예를 들어, 어떤 물체가 사진에 있는지, 글의 내용과 감정이 무엇인지, 음성의 내용과 감정이 무엇인지, 정답과 오답 간의 거리가 얼마인지 등)을 파악할 수 있다. 일 실시예에서 딥 뉴럴 네트워크는 컨벌루셔널 뉴럴 네트워크(CNN: Convolutional Neural Network), 리커런트 뉴럴 네트워크(RNN: Recurrent Neural Network), 제한 볼츠만 머신(RBM: Restricted Boltzmann Machine), 심층 신뢰 네트워크(DBN: Deep Belief Network), Q 네트워크, U 네트워크 및 샴 네트워크로 이루어진 군에서 선택된 하나 이상을 포함할 수 있다.

도 5는 본 발명의 일 실시예를 설명하기 위한 개략도이다.

도 5는 본 발명의 몇몇 실시예에 다른 뉴럴 네트워크에 의한 출력값을 예시한다.

도 5를 참조하면, 학습 데이터 세트(600)는 복수의 객관식 문제를 포함할 수 있다.

일 실시예에서 학습 데이터 세트(600)는 메모리부(130)에 DB 형태로 저장될 수 있다. 학습 데이터 세트(600)는 정보처리부(110)에서 처리된 결과값이거나, 통신부(120)를 통해 외부에서 처리되어 저장된 정보이거나, 메모리부(130)에 기 저장된 정보일 수 있다.

일 실시예에서 학습 데이터 세트(600)는 복수의 객관식 문제를 포함할 수 있다. 각 객관식 문제는 메타데이터인 난이도 및/또는 학습 영역이 지정된 형태로 존재할 수 있다.

즉, 도 5에 도시된 바와 같이 학습 데이터 세트(600)에 포함되는 객관식 문제는 난이도 및/또는 학습 영역이 지정된 객관식 문제일 수 있다.

일 실시예에서 뉴럴 네트워크(500)는 교사 학습(Supervised learning), 비교사 학습(Unsupervised learning) 및 반교사 학습(semi supervised learning) 중 적어도 하나의 방식으로 학습될 수 있다. 뉴럴 네트워크(500)의 학습은 출력의 오류를 최소화하기 위한 것이다. 뉴럴 네트워크(500)의 학습은 반복적으로 학습 데이터(600)를 뉴럴 네트워크(500)에 입력시키고, 학습 데이터(600)에 대한 뉴럴 네트워크(500)의 출력과 타겟의 에러를 계산하고, 에러를 줄이기 위한 방향으로 뉴럴 네트워크(500)의 에러를 뉴럴 네트워크(500)의 출력 레이어에서부터 입력 레이어 방향으로 역전파하여 뉴럴 네트워크(500)의 각 노드의 가중치를 업데이트 하는 과정이다.

교사 학습의 경우 각각의 학습 데이터에 정답이 라벨링되어 있는 학습 데이터를 사용하며, 비교사 학습의 경우는 각각의 학습 데이터에 정답이 라벨링되어 있지 않을 수 있다. 예컨대, 데이터 분류에 관한 교사 학습의 경우, 학습 데이터는 학습 데이터 각각에 카테고리가 라벨링된 데이터일 수 있다. 라벨링된 학습 데이터가 뉴럴 네트워크에 입력되고, 뉴럴 네트워크의 출력과 학습 데이터의 라벨을 비교하여 오차(error)가 계산될 수 있다. 계산된 오차는 뉴럴 네트워크에서 역방향으로 역전파 되며, 역전파에 따라 뉴럴 네트워크의 각 레이어의 각 노드들의 연결 가중치가 업데이트 될 수 있다. 업데이트 되는 각 노드의 연결 가중치는 학습률(Learning rate)에 따라 변화량이 결정될 수 있다. 입력 데이터에 대한 뉴럴 네트워크의 계산과 에러의 역전파는 학습 사이클(epoch)을 구성할 수 있다. 학습률은 뉴럴 네트워크의 학습 사이클의 반복 횟수에 따라 상이하게 적용될 수 있다. 예를 들어 뉴럴 네트워크의 학습 초기에는 높은 학습률을 사용하여 뉴럴 네트워크가 빠르게 일정 수준의 성능을 확보하도록 하여 효율성을 높이고, 학습 후기에는 낮은 학습률을 사용하여 정확도를 높일 수 있다.

본 명세서에서 학습 영역은 어떤 분야 또는 일정한 학습 커리큘럼을 일정한 기준으로 분류한 영역일 수 있다.

일 실시예에서 학습 영역은 하나의 과목이거나 분야일 수 있다. 예컨대, 수학, 과학, 국어 등으로 분류된 영역일 수 있다.

일 실시예에서 학습 영역은 하나의 과목에서 단원별로 분리된 것일 수 있다. 예컨대, 수학에서 미적분, 집합 등으로 분류된 영역일 수 있다.

위에서 열거했지만, 학습 영역은 학문의 분야가 제한되지 않는다. 즉, 어떤한 지식도 일정한 기준에 따라 분류되면 본 명세서의 '학습 영역'으로 지칭될 수 있다.

이하에서는 정보 처리부(110)에 의해 실행되고, 메모리부(130)에 저장되는 각각의 뉴럴 네트워크에 대해 구체적으로 설명하기로 한다.

일 실시예에서 메타 데이터인 학습 영역의 지정은 해당 분야의 전문가 등이 지정하여 저장할 수 있다. 즉, 학습 데이터 세트(600)가 포함하는 복수의 문제는 학습 영역이 지정된 문제일 수 있다.

학습 영역이 지정되지 않은 문제는 학습된 제1 뉴럴 네트워크가 지정할 수 있다.

일 실시예에서 제1 뉴럴 네트워크는 학습 영역이 지정되지 않은 객관식 문제가 입력되면, 학습 영역이 지정된 객관식 문제를 출력할 수 있다.

즉, 학습 영역이 지정된 복수의 문제들(특정 학습 영역이 라벨링된)(이를 제1 학습 데이터 세트로 지칭할 수 있다.)로 학습된 제1 뉴럴 네트워크가 메모리부(130)에 저장되고, 정보 처리부(110)에 의해 실행되어 학습 영역이 지정되지 않은 문제들의 학습 영역을 지정할 수 있다. 뉴럴 네트워크(500)는 학습된 내용을 기초로 문제의 맥락 또는 유사도를 판단하여 학습 영역을 지정하여 문제와 결합시킬 수 있다.

구체적으로, 학습된 제1 뉴럴 네트워크에 학습 영역이 지정되지 않은 A문제가 입력되면, 제1 뉴럴 네트워크는 'A 문제-a 영역' 형태, 즉, 메타데이터가 결합된 형태로 출력할 수 있다.

각 문제의 난이도도 이와 마찬가지의 방식으로 지정될 수 있다. 즉, 각 난이도가 메타 데이터 형태로 객관식 문제와 결합될 수 있다. 난이도는 상중하 형태로 표현되거나 일정한 범위를 갖는 수치로 표현될 수 있다. 다만 이는 예시적인 것으로 난이도의 표현 방법이 제한되는 것은 아니다.

난이도의 출력은 제2 뉴럴 네트워크에 의해 수행될 수 있다. 제2 뉴럴 네트워크는 제1 뉴럴 네트워크와 마찬가지로 메모리부(130)에 저장되어 정보 처리부(110)에 의해 실행될 수 있다. 제2 뉴럴 네트워크는 제2 학습 데이터 세트에 의해 학습된 모델일 수 있다. 일 실시예에서 제2 학습 데이터 세트는 난이도가 지정된 복수의 객관식 문제를 포함할 수 있다.

일 실시예에서 제2 뉴럴 네트워크는 난이도가 지정되지 않은 객관식 문제가 입력되면, 난이도가 지정된 객관식 문제를 출력할 수 있다.

예컨대, 난이도가 지정되지 않은 제1 문제가 입력되면, 제2 뉴럴 네트워크는 '제1 문제- 상'과 같은 형태로 메타 데이터인 난이도를 결합시켜 출력할 수 있다.

또한, 제1 뉴럴 네트워크 및 제2 뉴럴 네트워크에 입력되어 출력된 객관식 문제는 도 5에 도시된 바와 같이 '문제-학습 영역- 난이도'와 같이 문제와 학습 영역과 난이도가 결합된 형태를 가질 수 있다.

. 즉, 제1 뉴럴 네트워크와 제2 뉴럴 네트워크를 거친 최종 출력값인 데이터는 도 5에 도시된 바와 같이 문제-학습영역-난이도가 결합된 형태, 예컨대, 제1 문제-A 영역-상, 제2 문제-B영역- 중과 같은 형태의 결합 데이터로 존재할 수 있다.

즉, 제2 뉴럴 네트워크는 난이도가 지정된 복수의 객관식 문제(제2 학습 데이터 세트)들로 학습된 모델일 수 있다. 즉, 난이도가 라벨링된 학습 데이터 세트(600)로 교사학습 될 수 있다.

난이도가 지정된 복수의 객관식 문제들로 학습된 제2 뉴럴 네트워크는 객관식 문제의 맥락 또는 유사도를 판단하여 문제의 난이도를 판단하고, 이를 객관식 문제와 결합시켜 출력할 수 있다. 또한, 난이도가 지정되어 출력된 객관식 문제는 다시 메모리부(130)에 저장되고, 메모리부(130)에 저장된 문제는 예비 평가나 결과 평가 시에 활용될 수 있다.

이와 같이 시스템을 구성하는 경우 다음과 같은 효과가 있다. 즉, 외부의 서버에서 학습 영역 및 난이도가 지정되지 않은 문제를 메모리부(130)에 저장하고, 해당 문제를 제1 뉴럴 네트워크 및 제2 뉴럴 네트워크에 입력시켜 난이도 및 학습 영역을 결합시킬 수 있다. 이렇게 난이도 및 학습 영역이 지정된 객관식 문제는 학습 자료로서 다시 활용될 수 있다.

즉, 새로운 학습 자료를 업데이트 하는 경우에 따로 난이도나 학습 영역을 지정할 필요없이 이를 바로 예비평가나 결과평가의 재료로 활용할 수 있다. 이를 통해 예비평가나 결과평가에 활용할 수 있는 자료가 늘어나고 이는 학습자에게 더욱 최적화된 시험을 제공할 수 있다.

일 실시예에서 메모리부(130)는 학습 데이터 세트(600)에 더하여 필요한 분야의 객관식 문제를 수집할 수 있다. 복수의 문제는 메모리부(130)에 기 저장되거나, 통신부(120)를 통해 다른 장치로부터 제공받거나, 정보처리부(110)에 의해 생성된 문제일 수 있다.

또한, 메모리부(130)에 저장된 문제들 중 앞서 말한 방식으로 뉴럴 네트워크(500)에 의해 메타 데이터가 지정된 문제들은 학습 데이터 세트(600)로 사용될 수 있다.

기존에 학습 데이터 세트(600)에 포함되지 않은 정보인 경우, 정보 처리부(110)는 신규 카테고리를 생성하고, 이를 뉴럴 네트워크(500)의 학습에 사용할 수 있다.

일 실시예에서 메모리부(130)에 저장된 복수의 객관식 문제는 예비평가나 결과평가에 활용될 수 있다. 다시 말하면, 난이도와 학습 영역이 지정된 복수의 객관식 문제들은 예비 평가의 문항으로 제공되거나, 예비 평가의 결과를 기초로 하여 판단된 학습자의 성적을 기초로 이에 맞는 결과평가를 제공하는 데 활용될 수 있다.

일 실시예에서 정보 처리부(110)는 앞서 설명한 예비 평가를 제공할 수 있다. 정보 처리부(110)는 메모리부(130)에 저장된 복수의 문제들 중 적어도 일부를 선택하여 예비 평가를 생성할 수 있다.

예비 평가가 제공되면, 시험 대상자는 사용자 단말(200)을 통해 예비 평가를 수행할 수 있다. 구체적으로 인터페이스부(210)가 예비 평가를 치르기 위한 사용자 인터페이스를 제공할 수 있다.

일 실시예에서 온라인 강의의 커리 큘럽이 A 영역, B 영역 및 C 영역으로 분류된 학습 영역을 포함하는 경우, 예비 평가는 A 영역과 관련된(혹은 A 영역을 메타 데이터로 갖는) n개 문제, B 영역과 관련된 m개 문제, C 영역과 관련된 r개 문제를 포함할 수 있다. (n,m,r 은 정수)

예비 평가에 대한 입력이 종료되면, 서버(100)는 예비 평가 결과를 분석할 수 있다.

구체적으로 정보 처리부(110)는 예비 평가에 대한 사용자 입력을 기초로 사용자의 해당 영역에 대한 이해도, 각 영역에서 필요한 학습의 정도, 필요한 학습의 난이도 등을 수치화하여 결정할 수 있다.

예비 평가 결과를 통해 정보 처리부(110)는 사용자의 학업 성취도를 평가할 수 있다. 일 실시예에서 학업 성취도는 각각의 학습 영역에 대응하여 수치 상으로 표현되거나, 등급(상중하) 등으로 표현될 수 있다.

다시 말하면, 학습 영역과 점수 또는 학습 영역과 학습이 필요한 난이도가 매치된 형태로 표현될 수 있다.

예컨대, A영역-80점, B영역-50점, C-영역-40점 또는 A 영역-상, B 영역- 중, C 영역- 하 와 같은 식으로 표현될 수 있다.

정보 처리부(110)는 예비 평가 결과를 기초로 사용자에게 필요한 강의를 선택하여 제공할 수 있다. 구체적으로, 예비 평가 결과에 대응한 학습 영역과 대응하는 등급에 맞춘 난이도를 갖는 강의를 제공할 수 있다.

예컨대, A 영역-상, B 영역- 중, C 영역- 하의 성적을 갖는 사용자에겐 이에 대응되도록 A 영역-상, B 영역- 중, C 영역- 하의 메타데이터를 갖는 동영상 강의를 제공할 수 있다. 이에 더하여, A 영역-상, B 영역- 중, C 영역- 하의 성적을 갖는 사용자에게 A 영역-상, B 영역- 중, C 영역- 하의 메타데이터를 갖는 객관식 문제를 결과 평가로서 제공할 수 있다. 즉, 학습 영역과 성취도(난이도에 대응)가 대응하는 동영상 강의나 객관식 문제를 제공할 수 있다.

초기 상태에서는 예비 평가 결과(수치화된 이해도, 필요한 학습 내용, 필요한 난이도 등)에 기초하여 해당 분야 전문가들이 제시한 일정한 기준값을 토대로 필요한 강의, 강의의 부분 및 난이도 등을 조정할 수 있다. 즉, 수치화된 예비 평가 결과와 이에 대응한 전문가들의 지정된 기준(예컨대, 해당 학습 영역에 대해 90점 이상이면 생략, 30점 이하면 난이도 하로 지정하는 등)을 토대로 추천 강의를 생성할 수 있다. 또한, 앞서 설명한 바와 같이 사용자의 학업 성취도가 각 학습영역에 대응하여 A 영역-상, B 영역-중, C 영역-하와 같이 나오는 경우, 정보 처리부(110)는 이에 대응하도록 A-영역-상을 메타 데이터로 갖는 동영상 강의, B영역-중을 메타데이터로 갖는 동영상 강의, C 영역-하를 메타데이터로 갖는 동영상 강의를 제공할 수 있다. 즉, 예비 평가 결과에 대응되는 동영상 강의나 객관식 문제를 후술하는 바와 같이 제공할 수 있다.

이를 위해 메모리부(130)는 복수의 동영상 강의를 저장할 수 있다. 복수의 동영상 강의는 각 강의 별로 메타 데이터인 학습 영역과 난이도가 결합된 형태로 저장될 수 있다.

일 실시예에서 메모리부(130)는 메타 데이터인 학습 영역과 난이도가 지정된 복수의 동영상 강의를 포함할 수 있다. 복수의 동영상 강의는 학습 데이터 세트(600)로 활용될 수 있다.

학습 데이터 세트(600)에 포함되는 동영상 강의는 해당 분야의 전문가 집단이 학습 영역 및/또는 난이도를 지정한 동영상 강의일 수 있다.

일 실시예에서 메모리부(130)에는 학습 영역 및/또는 난이도가 지정되지 않은 동영상 강의가 저장될 수 있다. 이러한 동영상 강의는 통신부를 통해 외부 서버로부터 제공받거나 사용자가 별도로 저장한 것일 수 있다.

일 실시예에서 제3 뉴럴 네트워크는 메모리부(130)에 저장되어, 정보 처리부(110)에 의해 실행될 수 있다.

제3 뉴럴 네트워크는 정보 처리부(110)에 의해 학습 영역이 지정되지 않은 동영상 강의가 입력되면, 학습 영역이 지정된 동영상 강의를 출력할 수 있다. 다시 말하면, 제3 뉴럴 네트워크는 학습 영역이 지정되지 않은 동영상 강의의 학습 영역을 지정하여 출력할 수 있다. 그 출력값은 동영상 강의에 메타 데이터인 학습 영역이 결합된 형태일 수 있다.

이를 위해 제3 뉴럴 네트워크는 학습 영역이 지정된 동영상 강의를 학습 데이터 세트로 하여 학습된 모델일 수 있다. 다시 말하면, 제3 학습 데이터 세트는 학습 영역이 지정된 복수의 동영상 강의를 포함할 수 있고, 제3 뉴럴 네트워크는 제3 학습 데이터 세트로 학습된 모델일 수 있다.

일 실시예에서 제4 뉴럴 네트워크는 메모리부(130)에 저장되어, 정보 처리부(110)에 의해 실행될 수 있다.

제4 뉴럴 네트워크는 난이도가 지정되지 않은 동영상 강의가 입력되면, 난이도가 지정된 동영상 강의를 출력할 수 있다. 다시 말하면, 제4 뉴럴 네트워크는 난이도가 지정되지 않은 동영상 강의의 난이도를 지정하여 출력할 수 있다. 그 출력값은 동영상 강의에 메타 데이터인 난이도가 결합된 형태일 수 있다. 제4 뉴럴 네트워크는 난이도가 지정된 복수의 동영상 강의를 포함하는 제4 학습 데이터 세트로 학습된 모델일 수 있다.

제3 뉴럴 네트워크 및 제4 뉴럴 네트워크의 입력값과 출력값에 대해 더욱 구체적으로 설명하기로 한다.

일 실시예에서 서버(100)는 이미지 분석부(140)를 더 포함할 수 있다. 설명의 편의를 위해 이미지 분석부(140)를 별개의 구성으로 표현하였지만, 다른 실시예에서 이미지 분석부(140)는 정보 처리부(110)에 포함되는 하위구성일 수도 있다.

동영상 강의는 복수의 프레임으로 이루어질 수 있다. 이미지 분석부(140)는 동영상 강의가 갖는 복수의 프레임 중 일부 또는 복수의 프레임 중 적어도 하나를 선택하여 이를 정보 처리부(110)에 제공할 수 있다.

일 실시예에서 제3 뉴럴 네트워크 또는 제4 뉴럴 네트워크에 입력되는 동영상 강의는 이미지 분석부(140)에 의해 가공되거나 선별되어 입력될 수 있다.

일 실시예에서 이미지 분석부(140)는 동영상 강의 중 이미지나 텍스트가 존재하는 프레임을 선택하여 제3 뉴럴 네트워크 및/또는 제4 뉴럴 네트워크에 입력할 수 있다. 제3 뉴럴 네트워크 및/또는 제4 뉴럴 네트워크는 해당 프레임에 존재하는 이미지나 텍스트에 대해 맥락, 유사도를 분석하거나 해당 프레임을 추상화하는 방식으로 분석하여 이에 대한 결과 값을 출력할 수 있다.

즉, 동영상 강의에 포함된 프레임을 이용하여 프레임 중에 포함된 이미지나 텍스트 정보를 이용해 해당 강의의 학습 영역과 난이도를 지정할 수 있다. 제3 뉴럴 네트워크와 제4 뉴럴 네트워크에 입력된 동영상 강의의 출력값은 도 6과 같이 동영상 강의-학습영역-난이도가 결합된 형태일 수 있다.

제3 뉴럴 네트워크 및 제4 뉴럴 네트워크에 입력되어 출력된 최종 결과값은 도 6에 도시된 바와 같이 동영상 강의-학습 영역- 난이도가 결합된 형태일 수 있다.

도 7은 본 발명의 일 실시예를 설명하기 위한 개략도이다.

상술한 바와 같이 사용자에게 적합한 온라인 강의를 제공하기 위해 메모리부(130)에는 복수의 동영상 강의가 저장될 수 있다. 동영상 강의는 광의로 해석되며 VOD 서비스와 같은 형태를 포함할 수 있다. 동영상 강의는 사용자 단말(200)에 다운로드되거나, 스트리밍 형태로 제공될 수 있다. 이 경우, 사용자는 사용자 단말(200)의 인터페이스부(210)를 통해 서버(100)가 제공하는 동영상 강의를 수강할 수 있다.

일 실시예에서 메모리부(130)에는 예비 평가 결과에 대응되도록 A 영역에 대한 강의, B 영역에 대한 강의 및 C 영역에 대한 강의가 저장될 수 있다.

또한, 일 실시예에서 각 영역에 대한 강의는 난이도에 따라 복수개 준비될 수 있다. 도 7은 난이도를 상중하로 나눠 3개의 강의가 준비되는 것으로 예시하였지만, 난이도의 표현 및 강의의 개수가 이에 제한되는 것은 아니다.

정보 처리부(110)는 예비 평가 결과에 기초하여 사용자에게 적합한 동영상 강의를 제공할 수 있다. 즉 예비 평가 결과를 기초로 메모리부(130)에 저장된 복수의 동영상 강의 중 일부를 선택하여 강의 세트를 생성할 수 있다.

구체적으로, 해당 영역에 대한 이해도가 낮은 사용자에게는 낮은 난이도의 강의를 제공하고, 해당 영역에 대한 이해도가 높은 사용자에게는 높은 난의도의 강의를 제공할 수 있다, 또한, 해당 영역에 대한 이해도가 일정 기준 이상이어서 해당 영역에 대한 강의를 생략할 수 있는 경우에는 해당 영역에 대한 강의를 ?고 나머지 영역에 대한 강의만을 제공할 수 있다.

예컨대, 정보 처리부(110)는 예비 평가 결과에 기초하여 A 영역-중, B 영역-생략, C 영역-상 과 같은 판단을 하여 필요한 강의 세트를 생성하고 이를 사용자 단말(200)에 제공할 수 있다. 정보 처리부(110)가 위와 같은 판단을 한 후, 정보 처리부(110)는 판단 결과에 기초하여 A 영역-중, B 영역-생략, C 영역-상의 메타 데이터와 결합된 동영상 강의를 제공할 수 있다.

이와 같이 예비 평가 결과를 토대로 사용자에게 적합한 강의를 제공하는 경우, 사용자 수준에 맞는 학습을 통해 학습 효율을 향상시킬 수 있다. 또한, 불필요한 학습을 생략함으로써, 사용자의 시간을 절약할 수 있다.

도 8은 본 발명의 다른 실시예를 설명하기 위한 개략도이다.

앞서 설명한 바와 같이 학습 영역은 특정 과목일 수도 있지만, 특정 과목 안의 소단원일 수도 있다.

이 경우, 하나의 동영상 강의에는 복수 영역에 대한 내용이 포함될 수 있다.

이 경우 동영상 강의의 각 구간에는 메타 데이터가 포함될 수 있다. 예컨대, 동영상 구간의 각 구간은 구간-난이도-학습 영역이 결합된 형태의 데이터로 존재할 수 있다.

이 경우, 정보 처리부(110)는 예비 평가 결과를 기초로 하나의 동영상에서 필요한 내용을 추출하여 사용자에게 제공할 수 있다. 예컨대, 정보 처리부(110)가 A 영역에 적합한 학습 난이도는 상, B는 생략 가능, C는 하라고 판단한 경우, 정보 처리부(110)는 동영상 각 구간의 메타 데이터를 기초로 A-상, C-하와 관련된 강의만을 잘라 사용자에게 제공할 수 있다. (B는 생략), 즉. 동일한 메타 데이터(학습영역 및 난이도)를 갖는 구간의 동영상 강의만을 사용자에게 제공할 수 있다.

이와 같이 하나의 동영상을 복수의 구간으로 나누고 인공지능으로 판단하여 필요한 부분만을 제공하는 경우, 최소의 시간으로 최대의 효율을 갖는 온라인 학습을 제공할 수 있다.

일 실시예에서 동영상 각 구간의 메타 데이터는 기 설정되어 지정될 수 있다. 즉, 해당 분야의 전문가 등이 동영상을 복수의 구간으로 쪼개고 각 구간에 난이도나 학습 영역을 메타 데이터로 결합시킬 수 있다.

일 실시예에서 제5 뉴럴 네트워크는 메타 데이터(난이도 및/또는 학습 영역)이 지정된 학습 데이터 세트로 학습된 모델일 수 있다.

이렇게 학습된 뉴럴 네트워크(500)는 다음과 같이 이용될 수 있다. 메타 데이터가 지정되지 않은 신규 강의가 메모리부(130)에 저장되면, 정보 처리부는 이를 제5 뉴럴 네트워크에 입력할 수 있다. 제5 뉴럴 네트워크는 새롭게 저장된 동영상 강의의 메타 데이터를 지정할 수 있다. 즉, 메타 데이터가 지정되지 않은 동영상 강의가 입력되면, 메타 데이터를 지정한 동영상 강의를 출력할 수 있다. 즉, 신규 강의의 맥락이나 이미지의 유사성 등을 기초로 신규 강의의 메타 데이터(학습 영역, 난이도 등)을 지정할 수 있다.

메타 데이터가 지정된 신규 강의는 메모리부(130)에 다시 저장되며, 정보 처리부(110)가 생성하는 추천 강의 세트에 포함될 수 있다.

일 실시예에서 정보 처리부(110)는 이미지 분석부(140)에 의해 가공된 동영상 강의를 제5 뉴럴 네트워크에 입력할 수 있다.

구체적으로, 이미지 분석부(140)는 동영상 강의의 복수의 프레임 중 일부 또는 복수의 프레임 중 적어도 하나를 선택하여 정보 처리부(110)에 제공하고, 정보 처리부(110)는 이를 제5 뉴럴 네트워크에 입력할 수 있다.

일 실시예에서 이미지 분석부(140)는 프레임 중 이미지 및/또는 텍스트 정보를 포함한 프레임을 선택할 수 있다. 이미지 및/또는 텍스트 정보를 포함하는 프레임이 제5 뉴럴 네트워크로 입력되면, 제5 뉴럴 네트워크는 해당 이미지 및/또는 텍스트 정보의 맥락, 유사도 등을 기초로 이를 분석하여 해당 동영상 강의의 구간의 메타데이터(학습영역 및/또는 난이도)를 지정하여 출력할 수 있다.

다시 도 3을 참조하면, 추천 강의 생성 이후에 정보 처리부(110)는 결과 평가를 제공할 수 있다. 일 실시예에서 결과 평가는 예비 평가의 결과를 토대로 정보 처리부(110)가 평가한 학업자의 성적을 기초로 제공될 수 있다. 예컨대, 예비 평가의 결과 성적이 A 영역-중, B 영역-하, C 영역-상 인 경우, 정보 처리부는 메모리부(130)에 저장된 복수의 객관식 문제 중에 대응되는 메타데이터(학습영역 및 난이도)를 갖는 문제들 중에서 임의로 선택하여 결과 평가를 제공할 수 있다.

다시 말하면, 강의 세트에 포함되는 동영상 강의와 동일한 학습 영역과 동일한 난이도를 갖는 복수의 객관식 문제 중 일부를 선택하여 결과 평가를 생성하고 이를 사용자 단말에 제공할 수 있다.

다시 도 2를 참조하면, 사용자 단말(200)을 통해 사용자는 결과 평가에 대한 입력을 제공할 수 있다. 결과 평가의 결과는 서버에 제공될 수 있다. 정보 처리부(110)는 결과 평가의 결과를 분석할 수 있다. 구체적으로, 예비 평가와 마찬 가지의 방식으로 각 영역의 이해도, 필요한 학습의 정도 및 난이도 등을 수치화하여 분석할 수 있다. 분석된 정보는 학습 데이터 세트(600)에 포함되어 뉴럴 네트워크(500)를 통해 학습될 수 있다. 또한, 분석된 정보는 예비 평가의 결과와 비교될 수 있다. 즉, 동일한 영역에서 학습이 어느 정도 효과가 있었는지 확인할 수 있다. (해당 영역에서 예비 평가와 결과 평가의 점수 차이 등을 기초로) 정보 처리부(110)는 전후 결과 차이를 기초로 예비 평가를 기초로 추천한 추천 강의가 적합했는지 여부를 판단할 수 있다. 결과 평가에 대한 학습을 통해 뉴럴 네트워크(500)의 판단 가중치가 조정될 수 있다. 즉, 예비 평가 결과에 그에 따른 강의 선택 그리고 그 결과인 결과 평가의 결과를 기초로 입력 노드와 출력 노드를 연결하는 가중치를 조정할 수 있다. 이런식으로 가중치 조정이 반복되면, 더욱 더 최적화되고 정교하게 동영상 강의를 선택하여 사용자에게 제공할 수 있다. 즉, 결과 평가 결과를 기초로 예비 평가 결과에 대한 판단이 적합했는지, 더 좋은 선택은 없었는지, 잘못된 선택은 없었는 지 확인함으로써 판단의 정확성을 향상시킬 수 있다.

이에 더하여 정보 처리부(110)는 사용자 단말에 복습 강의를 제공할 수 있다. 복습 강의는 추천 강의와 동일한 로직으로 생성될 수 있다. 복습 강의는 결과 평가 결과를 기초로 생성될 수 있다. 결과 평가 결과를 기초로 특정 영역의 온라인 강의를 앞서 도 7 또는 도 8에서 설명한 방식으로 편집하여 사용자 단말(200)로 제공할 수 있다.

이와 같이 예비 평가 결과를 기초로 한 분석 결과를 결과 평가 결과를 기초로 조정함으로써, 정보 처리부(110)의 분석 신뢰성을 향상시킬 수 있다. 또한, 결과 평가 결과를 기초로 복습 강의를 제공함으로써, 부족한 부분을 더욱 확실하게 보완하여 전반적인 학습 효율을 향상시킬 수 있다.

일 실시예에서 사용자 단말(200)을 통해 사용자는 설정 시간을 입력할 수 있다. 사용자 단말(200)이 설정 시간을 입력하는 경우, 정보 처리부(110)는 설정 시간 내에서 추천 강의를 생성할 수 있다. 예컨대, 사용자 단말(200)에서 설정 시간을 4시간으로 설정하는 경우, 정보 처리부(110)는 추천 강의에 우선 순위를 부여해 우선 순위가 높은 상위 4시간 강의를 편집하여 제공할 수 있다. 우선 순위의 설정은 사용자가 설정 입력한 것(심화학습 선호, 또는 중간 난이도 선호, 특정 영역에 대한 관심사 입력 등)을 기준으로 판단하거나, 정보 처리부(110)가 사용자의 예비 평가 결과 및/또는 결과 평가 결과를 기초로 성취도, 이해도 등을 고려하여 제공할 수 있다.

이를 위해 사용자 단말(200)의 인터페이스부(210)는 설정 시간을 입력하는 인터페이스를 제공할 수 있다. 이와 같이 시간이 고정되고, 고정된 시간 범위 내에서 최적화된 동영상 강의를 제공하는 경우, 시간 대비 학습 효율을 향상시킬 수 있다. 일정 시간을 의무적으로 학습해야하는 학생의 경우, 정해진 시간 안에서 가장 효율적인 학습을 수행하는 것이 유리하다. 이와 같이 설정 시간을 지정하고, 지정 시간에 맞춰 학습 영역 및 난이도를 최적화한 동영상 강의를 제공하는 경우, 사용자의 학습 효율을 향상시킬 수 있다.

본 명세서에서 '~부(部)' 또는 '~모듈' 이란 하드웨어에 의해 실현되는 유닛, 소프트웨어에 실현되는 유닛 또는 부분적으로 하드웨어에 의해 실현되고, 부분적으로 소프트웨어에 의해 실현되는 유닛을 모두 포함하는 개념으로 이해될 수 있다.

또한, 1개의 유닛이 2개 이상의 하드웨어 및/또는 소프트웨어에 의해 실현될 수도 있고, 2개 이상의 유닛이 1개의 하드웨어 및/또는 소프트웨어에 의해 실현될 수도 있다.

또한, '~부(部)' 또는 '~모듈' 은 하드웨어나 소프트웨어에 한정되는 의미는 아니며, '~부(部)' 또는 '~모듈' 은 어드레싱 할 수 있는 저장 매체에 있도록 구성될 수도 있고, 하나 또는 그 이상의 프로세서들을 재생시키도록 구성될수도 있다. 따라서, 일 예로 '~부(部)' 또는 '~모듈' 은 소프트웨어 구성요소, 객체 지향 소프트웨어 구성요소, 클래스 구성요소 및 태스크 구성요소들과 같은 구성요소와 프로세스, 함수, 속성, 프로시저, 서브루틴, 프로그램 코드의 세그먼트, 드라이버, 펌웨어, 마이크로코드, 회로, 데이터, 데이터베이스, 데이터 구조, 테이블, 어레이 및 변수들을 포함하는 것으로 이해될 수 있다.

또한, 구성요소들과 '~부(部)' 또는 '~모듈' 들 안에서 제공되는 기능은 더 작은 수의 구성요소들 및 '~부(部)' 또는 '~모듈' 들로 결합되거나, 분리될 수 있다. 이에 더하여, 구성요소 및 '~부(部)' 또는 '~모듈' 은 디바이스의 하나 이상의 프로세서(CPU, GPU 등을 포함한다.)를 재생시키도록 구현될 수도 있다.

이상에서 본 발명의 실시예를 중심으로 설명하였으나 이는 단지 예시일 뿐 본 발명을 한정하는 것이 아니며, 본 발명이 속하는 분야의 통상의 지식을 가진 자라면 본 발명의 실시예의 본질적인 특성을 벗어나지 않는 범위에서 이상에 예시되지 않은 여러 가지의 변형과 응용이 가능함을 알 수 있을 것이다. 예를 들어, 본 발명의 실시예에 구체적으로 나타난 각 구성 요소는 변형하여 실시할 수 있다. 그리고 이러한 변형과 응용에 관계된 차이점들은 첨부된 청구 범위에서 규정하는 본 발명의 범위에 포함되는 것으로 해석되어야 할 것이다.

100: 서버
110: 정보 처리부
120: 통신부
130: 메모리부
200: 사용자 단말
210: 인터페이스부
220: 제어부
230: 네트워크부
240: 표시부
250: 저장부
260; 입력부

Claims (3)

1. 서버와 사용자가 이용하는 사용자 단말을 포함하는 시스템으로서,
   상기 서버는 정보 처리부;
   통신부; 및
   학습 영역 및 난이도가 지정된 복수의 객관식 문제와 상기 복수의 객관식 문제에 대응되도록 학습 영역과 난이도가 지정된 복수의 동영상 강의를 저장하는 메모리부를 포함하고,
   상기 사용자 단말은 상기 서버에서 제공하는 정보를 표시하거나 입력을 제공받는 인터페이스부; 및
   상기 통신부와 연결되는 네트워크부를 포함하되,
   상기 서버가 상기 복수의 객관식 문제 중 일부를 선택하여 예비 평가를 생성하고, 상기 사용자는 상기 사용자 단말을 통해 상기 예비 평가에 대한 답을 입력하되,
   상기 정보 처리부는 상기 예비 평가에 대한 결과를 기초로 상기 복수의 동영상 강의 중 일부를 선택하여 강의 세트를 생성하고, 상기 강의 세트를 상기 사용자 단말에 제공하되,
   상기 메모리부에 상기 학습 영역 및 상기 난이도가 지정되지 않은 객관식 문제가 저장되고,
   상기 정보 처리부는 상기 학습 영역이 지정되지 않은 객관식 문제가 입력되면, 상기 학습 영역이 지정된 상기 객관식 문제를 출력하여 상기 메모리부에 저장하고,
   상기 정보 처리부는 상기 난이도가 지정되지 않은 객관식 문제가 입력되면, 상기 난이도가 지정된 상기 객관식 문제를 출력하여 상기 메모리부에 저장하고,
   상기 메모리부에 상기 학습 영역 및 상기 난이도가 지정되지 않은 동영상 강의가 저장되고,
   상기 정보 처리부는 상기 학습 영역이 지정되지 않은 동영상 강의가 입력되면, 상기 학습 영역이 지정된 상기 동영상 강의를 출력하여 상기 메모리부에 저장하고,
   상기 정보 처리부는 상기 난이도가 지정되지 않은 동영상 강의가 입력되면, 상기 난이도가 지정된 상기 동영상 강의를 츨력하여 상기 메모리부에 저장하되,
   상기 메모리부는 상기 학습 영역이 지정된 복수의 객관식 문제를 포함하는 제1 학습 데이터 세트;
   상기 난이도가 지정된 복수의 객관식 문제를 포함하는 제2 학습 데이터 세트;
   상기 학습 영역이 지정된 복수의 동영상 강의를 포함하는 제3 학습 데이터 세트; 및
   상기 난이도가 지정된 복수의 동영상 강의를 포함하는 제4 학습 데이터 세트를 저장하되,
   상기 정보 처리부는 상기 제1 학습 데이터 세트, 상기 제2 학습 데이터 세트, 상기 제3 학습 데이터 세트 및 상기 제4 학습 데이터 세트로 기계 학습된 모델을 포함하고,
   상기 정보 처리부는 상기 사용자 단말이 상기 강의 세트의 수강을 완료하면, 상기 메모리부에 저장되고, 상기 강의 세트에 포함되는 상기 동영상 강의와 동일한 학습 영역과 동일한 난이도를 갖는 복수의 객관식 문제 중 일부를 선택하여 결과 평가를 생성하고, 상기 결과 평가를 상기 사용자 단말에 제공하며,
   상기 인터페이스부는 상기 사용자가 설정 시간을 입력하는 인터페이스를 포함하고, 상기 사용자가 상기 사용자 단말을 통해 상기 설정 시간을 입력하면, 상기 정보 처리부는 상기 설정 시간에 맞춰 상기 강의 세트를 생성하되,
   상기 서버는 이미지 분석부를 더 포함하고,
   상기 학습 영역과 상기 난이도가 지정되지 않은 상기 동영상 강의가 상기 메모리부에 저장되면, 상기 이미지 분석부는 상기 동영상 강의가 포함하는 복수의 프레임 중 적어도 하나를 선택하여 상기 정보 처리부에 제공하되, 상기 이미지 분석부가 선택한 상기 프레임은 텍스트 정보를 포함하고,
   상기 학습 영역 및 상기 난이도가 지정되지 않은 동영상 강의는 복수의 구간을 포함하며,
   상기 학습 영역이 지정되지 않은 상기 동영상 강의가 상기 정보 처리부에 입력되면, 상기 정보 처리부는 상기 복수의 구간 각각의 학습 영역이 지정된 상기 동영상 강의를 출력하고,
   상기 난이도가 지정되지 않은 상기 동영상 강의가 상기 정보 처리부에 입력되면, 상기 정보 처리부는 상기 복수의 구간 각각의 난이도가 지정된 상기 동영상 강의를 출력하는 인공지능을 이용한 사용자 맞춤형 강의 제공 시스템.
   
   
   
   
2. 삭제
3. 삭제

Images