KR102316980B1 - 사용자 맞춤형 문제 제공 장치 및 이의 실행 방법 - Google Patents

사용자 맞춤형 문제 제공 장치 및 이의 실행 방법 Download PDF

Info

Publication number
KR102316980B1
KR102316980B1 KR1020200156194A KR20200156194A KR102316980B1 KR 102316980 B1 KR102316980 B1 KR 102316980B1 KR 1020200156194 A KR1020200156194 A KR 1020200156194A KR 20200156194 A KR20200156194 A KR 20200156194A KR 102316980 B1 KR102316980 B1 KR 102316980B1
Authority
KR
South Korea
Prior art keywords
knowledge level
correct answer
student
probability
skill
Prior art date
Application number
KR1020200156194A
Other languages
English (en)
Inventor
판카즈 아가르왈
운봉영
Original Assignee
태그하이브 주식회사
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 태그하이브 주식회사 filed Critical 태그하이브 주식회사
Priority to KR1020200156194A priority Critical patent/KR102316980B1/ko
Application granted granted Critical
Publication of KR102316980B1 publication Critical patent/KR102316980B1/ko

Links

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
    • G06N7/005—

Landscapes

  • Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Primary Health Care (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Educational Administration (AREA)
  • Marketing (AREA)
  • Educational Technology (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Electrically Operated Instructional Devices (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

본 발명의 일 실시예에 따른 사용자 맞춤형 문제 제공 장치는 학생 정보 데이터 및 문제 정보 데이터를 수신하면, 상기 학생 정보 데이터 및 상기 문제 정보 데이터를 이용하여 각각의 문제에 대한 정답 확률 및 보기 선택 확률을 예측하는 정답 확률 예측부, 상기 보기 선택 확률에 따라 해당 문제의 타입을 결정하는 문제 타입 분류부, 사용자에 의해 문제가 요청되면, 학생 정보 데이터를 기초로 산출된 학생의 정답 확률에 따라 특정 확률 이하의 문제를 필수 문제로 추출한 후, 필수 문제 중 특정 개수만큼 문제를 추천 문제로 추출하여 제공하는 문제 추천부 및 상기 추출 문제를 푼후의 실력 변위 및 필수 문제 중 미리 추천된 추천 문제를 제외한 문제 중 특정 개수의 추천 문제를 이용하여 해당 문제의 타입을 다시 분류하는 실시간 타입 재분류부를 포함한다.

Description

사용자 맞춤형 문제 제공 장치 및 이의 실행 방법{APPARATUS FOR PROVIDING QUESTION PERSONALIZED USER AND METHOD PERFORMING THEREOF}
본 발명은 사용자 맞춤형 문제 제공 장치 및 이의 실행 방법에 관한 것으로, 보다 상세하게는 학생 실력을 기초로 해당 챕터 문제 셋의 예측 정답 확률을 산출하고 이에 따라 예측 정답 확률이 낮은 문제를 제시하여 학생이 꼭 풀어야 하는 문제부터 제시할 수 있도록 하는 사용자 맞춤형 문제 제공 장치 및 이의 실행 방법에 관한 것이다.
통상적으로, 교육 제공 방법은, 학원이나 방문 등을 통한 오프라인 교육 또는 이러닝(E-learning)과 같은 ICT(Information and Communication Technology)를 활용하여 학습할 수 있는 온라인 교육으로 나눌 수 있다.
이러한 교육 방법들은, 다수의 학습자(또는 사용자)에게 제공되기 위해 일반적으로 평균 학습자의 수준에 맞춰진 학습자료와 학습 서비스를 제공한다.
예를 들어, 학원 교육의 경우, 개개인의 학업 수준과는 상관없이 다수의 학습자들을 대상으로 하여 동일한 교육 내용을 제공하는 경우가 대부분이기 때문에, 개개인의 학업수준 또는 각 학교별로 출제되는 시험의 경향이나 난이도 수준에 맞는 학습을 제공 받기 어렵다.
또한, 오프라인 교육의 경우에는 학습자(또는 사용자)가 학습 서비스를 제공받기 위해서는 학원으로 이동해야 하기 때문에, 그에 따른 상당한 시간과 노력이 소요된다.
근래에 들어, ICT의 발달로 인해 오프라인 교육의 문제점을 해결할 수 있는 온라인 교육의 제공이 보편화되었다. 예를 들어, 이러닝(E-learning)은, 학습자(또는 사용자)가 학습자 단말기를 통해 원하는 시간과 장소에서 학습할 수 있으며, 학습내용에 대한 예상문제를 풀어볼 수 있는 환경을 제공한다.
또한, 학습자가 학습방법과 학습진도에 대해 결정할 수 있기 때문에, 시간과 장소에 구애되지 않고, 수준별 학습이 가능하다.
성향 또는 개인별 취약점에 맞춘 학습자료 및 학습 서비스 제공하는 것에는 한계가 있다. 국가수준 학업성취도 평가에서도 보여지듯이, 각 학교마다 학생들의 평균 학업수준이 다르며, 학교별로 출제되는 시험문제의 난이도와 유형이 다르다.
교사는 학생들의 평균 학업수준 및 환경 그리고, 동료 교사들의 성향을 고려하여 시험문제를 출제하기 때문에, 각 학교의 기출문제는 그 학교만의 고유한 성향을 갖게 된다.
따라서, 이와 같이 각 학교별 시험문제 출제 성향이 모두 다르기 때문에, 각 학교별로 출제되는 시험의 난이도 또는 출제 유형에 맞는 예상문제나 학습 서비스를 제공하기 어렵다. 또한, 학습자들 각각이 가지고 있는 취약점이 각기 다르기 때문에, 기존의 온라인 교육을 통해서는 학습 효율을 개선시키는데 어려움이 있다.
위에서 설명한 바와 같이 정형화된 교육 제공 방법들은 학습자(또는 사용자)에게 개별화된 학습 서비스를 제공하는데 어려움이 있다. 따라서, 기존 교육 제공 방법들의 문제점들을 극복하고, 학습자의 학습 효율을 향상시킬 수 있는 사용자 맞춤형 예상 문제를 제공할 필요성이 있다.
한국등록특허 제10-2213481호는 사용자 맞춤형 컨텐츠를 제공하기 위한 방법, 장치 및 컴퓨터 프로그램에 관한 것으로, 사용자 문제 풀이 결과 데이터를 기계학습 프레임워크에 적용하여 문제 또는 사용자를 분석할 수 있어 수학적으로 사용자 및 문제를 정밀하게 분석할 수 있다는 내용이 개시되어 있다. 하지만, 상기의 문제점을 해결하기 위한 방안이 개시되어 있지 않다.
본 발명은 학생 실력을 기초로 해당 챕터 문제 셋의 예측 정답 확률을 산출하고 이에 따라 예측 정답 확률이 낮은 문제를 제시하여 학생이 꼭 풀어야 하는 문제부터 제시할 수 있도록 하는 사용자 맞춤형 문제 제공 장치 및 이의 실행 방법을 제공하는 것을 목적으로 한다.
본 발명의 목적들은 이상에서 언급한 목적으로 제한되지 않으며, 언급되지 않은 본 발명의 다른 목적 및 장점들은 하기의 설명에 의해서 이해될 수 있고, 본 발명의 실시예에 의해 보다 분명하게 이해될 것이다. 또한, 본 발명의 목적 및 장점들은 특허 청구 범위에 나타낸 수단 및 그 조합에 의해 실현될 수 있음을 쉽게 알 수 있을 것이다.
이러한 목적을 달성하기 위한 사용자 맞춤형 문제 제공 장치는 학생 정보 데이터 및 문제 정보 데이터를 수신하면, 상기 학생 정보 데이터 및 상기 문제 정보 데이터를 이용하여 각각의 문제에 대한 정답 확률 및 보기 선택 확률을 예측하는 정답 확률 예측부, 상기 보기 선택 확률에 따라 해당 문제의 타입을 결정하는 문제 타입 분류부, 사용자에 의해 문제가 요청되면, 학생 정보 데이터를 기초로 산출된 학생의 정답 확률에 따라 특정 확률 이하의 문제를 필수 문제로 추출한 후, 필수 문제 중 특정 개수만큼 문제를 추천 문제로 추출하여 제공하는 문제 추천부 및 상기 추출 문제를 푼후의 실력 변위 및 필수 문제 중 미리 추천된 추천 문제를 제외한 문제 중 특정 개수의 추천 문제를 이용하여 해당 문제의 타입을 다시 분류하는 실시간 타입 재분류부를 포함한다.
또한 이러한 목적을 달성하기 위한 사용자 맞춤형 문제 제공 장치에서 실행되는 사용자 맞춤형 문제 제공 방법은 학생 정보 데이터 및 문제 정보 데이터를 수신하면, 상기 학생 정보 데이터 및 상기 문제 정보 데이터를 이용하여 각각의 문제에 대한 정답 확률 및 보기 선택 확률을 예측하는 단계, 상기 보기 선택 확률에 따라 해당 문제의 타입을 결정하는 단계, 사용자에 의해 문제가 요청되면, 학생 정보 데이터를 기초로 산출된 학생의 정답 확률에 따라 특정 확률 이하의 문제를 필수 문제로 추출한 후, 필수 문제 중 특정 개수만큼 문제를 추천 문제로 추출하여 제공하는 단계 및 상기 추출 문제를 푼후의 실력 변위 및 필수 문제 중 미리 추천된 추천 문제를 제외한 문제 중 특정 개수의 추천 문제를 이용하여 해당 문제의 타입을 다시 분류하는 단계를 포함한다.
전술한 바와 같은 본 발명에 의하면, 학생 실력을 기초로 해당 챕터 문제 셋의 예측 정답 확률을 산출하고 이에 따라 예측 정답 확률이 낮은 문제를 제시하여 학생이 꼭 풀어야 하는 문제부터 제시할 수 있다는 장점이 있다.
도 1은 본 발명의 일 실시예에 따른 사용자 맞춤형 문제 제공 시스템을 설명하기 위한 네트워크 구성도이다.
도 2는 본 발명의 일 실시예에 따른 사용자 맞춤형 문제 제공 장치를 설명하기 위한 네트워크 구성도이다.
도 3은 본 발명에 따른 사용자 맞춤형 문제 제공 방법의 일 실시예를 설명하기 위한 흐름도이다.
도 4 및 도 5는 도 3의 실행 과정을 설명하기 위한 예시도이다.
전술한 목적, 특징 및 장점은 첨부된 도면을 참조하여 상세하게 후술되며, 이에 따라 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 본 발명의 기술적 사상을 용이하게 실시할 수 있을 것이다. 본 발명을 설명함에 있어서 본 발명과 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 상세한 설명을 생략한다. 이하, 첨부된 도면을 참조하여 본 발명에 따른 바람직한 실시예를 상세히 설명하기로 한다. 도면에서 동일한 참조부호는 동일 또는 유사한 구성요소를 가리키는 것으로 사용된다.
본 명세서에서 사용된 용어 중 “지식 수준(Knowledge level)”은 선행 요구 지식을 의미한다.
본 명세서에서 사용된 용어 중 “스킬”은 챕터 내의 서브 챕터를 숫자로 변환한 정보를 의미한다.
도 1은 본 발명의 일 실시예에 따른 사용자 맞춤형 문제 제공 시스템을 설명하기 위한 네트워크 구성도이다.
도 1을 참조하면, 사용자 맞춤형 문제 제공 시스템은 사용자 맞춤형 문제 제공 장치(100), 문제 난이도 업데이트 장치(200) 및 문제 스킬 업데이트 장치(300)를 포함한다.
사용자 맞춤형 문제 제공 장치(100)는 학생 정보 데이터 및 문제 정보 데이터를 수신하면, 학생 정보 데이터 및 문제 정보 데이터를 이용하여 각각의 문제에 대한 정답 확률 및 보기 선택 확률을 예측한다. 이때, 학생 정보 데이터는 학생의 지식 수준 등을 포함하고, 문제 정보 데이터는 문제의 난이도, 스킬 등을 포함할 수 있다. 이때, 문제의 난이도 및 스킬은 해당 문제를 맞춘 학생의 지식 수준 및 해당 문제를 맞추지 못한 학생의 지식 수준에 따라 결정된다.
먼저, 사용자 맞춤형 문제 제공 장치(100)는 학생의 지식 수준, 문제의 난이도 및 문제의 스킬에 따라 정답 확률을 예측할 수 있다.
즉, 사용자 맞춤형 문제 제공 장치(100)는 문제를 푼 학생 중 정답을 맞춘 학생의 평균 지식 수준, 정답을 맞추지 못한 학생의 평균 지식 수준 및 학생의 지식 수준을 이용하여 정답 확률을 예측할 수 있다.
일 실시예에서, 사용자 맞춤형 문제 제공 장치(100)는 문제를 푼 학생 중 정답을 맞춘 학생의 평균 지식 수준 및 학생의 지식 수준을 비교하여 제1 차이 지식 수준에 따라 정답 확률을 높게 예측할 수 있다.
상기의 실시예에서, 사용자 맞춤형 문제 제공 장치(100)는 제1 차이 지식 수준이 특정 수준 이하이면, 정답을 맞추지 못한 학생의 평균 지식 수준 및 학생의 지식 수준을 비교하여 제2 차이 지식 수준을 산출한 후, 제1 차이 지식 수준 및 제2 차이 지식 수준에 따라 정답 확률을 예측할 수 있다.
이와 같은 이유는, 제1 차이 지식 수준이 특정 수준 이하인 경우 학생이 해당 문제의 정답을 맞출 확률이 낮기 때문에 정답을 맞추지 못한 학생의 평균 지식 수준과 다시 한번 비교하여 제2 지식 수준을 산출하는 것이다.
그 후, 사용자 맞춤형 문제 제공 장치(100)는 제1 차이 지식 수준 및 제2 차이 지식 수준을 비교하여 제3 차이 지식 수준에 따라 학생의 정답 확률을 예측할 수 있다.
일 실시예에서, 사용자 맞춤형 문제 제공 장치(100)는 제1 차이 지식 수준 및 제2 차이 지식 수준을 비교하여 제3 차이 지식 수준이 특정 수준 이하이면, 제1 차이 지식 수준 및 제2 차이 지식 수준의 평균 지식 수준에 따라 학생의 정답 확률을 예측할 수 있다.
다른 일 실시예에서, 사용자 맞춤형 문제 제공 장치(100)는 제1 차이 지식 수준 및 제2 차이 지식 수준을 비교하여 제3 차이 지식 수준이 특정 수준 이상이면, 제1 차이 지식 수준 및 제2 차이 지식 수준 중 어느 하나의 지식 수준에 따라 학생의 정답 확률을 예측할 수 있다.
즉, 사용자 맞춤형 문제 제공 장치(100)는 제1 차이 지식 수준 및 제2 차이 지식 수준 중 작은 값에 해당하는 지식 수준에 따라 학생의 정답 확률을 예측할 수 있다.
한편, 문제에 할당된 난이도는 문제 난이도 업데이트 장치(200)에 의해 업데이트될 수 있고, 문제에 할당된 스킬은 문제 스킬 업데이트 장치(300)에 의해 업데이트될 수 있다.
따라서, 사용자 맞춤형 문제 제공 장치(100)는 문제에 할당된 난이도 및 스킬이 업데이트될 때마다 상기의 과정을 반복하여 수행함으로써 학생의 정답 확률을 다시 예측할 수 있다.
상기와 같이 사용자 맞춤형 문제 제공 장치(100)는 사용자에 의해 문제가 요청되면, 학생 정보 데이터를 기초로 산출된 학생의 정답 확률에 따라 특정 확률 이하의 문제를 필수 문제로 추출한 후, 필수 문제 중 특정 개수만큼 문제를 추천 문제로 추출하여 제공할 수 있다. 예를 들어, 사용자 맞춤형 문제 제공 장치(100)는 필수 문제 M개를 추출한 후, 필수 문제 M개 중 N개의 추천 문제를 추출하여 제공할 수 있다.
또한, 사용자 맞춤형 문제 제공 장치(100)는 학생의 지식 수준, 문제의 난이도 및 문제의 스킬에 따라 보기 선택 확률을 예측할 수 있다.
즉, 사용자 맞춤형 문제 제공 장치(100)는 문제를 푼 학생 중 정답을 맞춘 학생의 정답 선택 변경 횟수 및 정답을 맞추지 못한 학생의 정답 선택 변경 횟수에 따라 해당 문제의 보기 선택 확률을 예측할 수 있다.
상기와 같이, 사용자 맞춤형 문제 제공 장치(100)는 보기 선택 확률을 예측한 후 해당 문제의 타입을 결정한다. 이때, 타입은 헷 갈리는 문제 및 모르는 문제를 포함한다.
일 실시예에서, 사용자 맞춤형 문제 제공 장치(100)는 문제의 보기 선택 확률 및 정답 확률을 비교하여 해당 문제의 타입을 제1 타입(즉, 헷 갈리는 문제) 또는 제2 타입(즉, 모르는 문제)로 결정한다.
즉, 사용자 맞춤형 문제 제공 장치(100)는 그래프 상에 문제의 보기 선택 확률 및 정답 확률을 각각 표시한 후, 보기 선택 확률 및 정답 확률 사이의 차이 값에 따라 해당 문제의 타입을 제1 타입(즉, 헷 갈리는 문제) 또는 제2 타입(즉, 모르는 문제)로 결정할 수 있다.
일 실시예에서, 사용자 맞춤형 문제 제공 장치(100)는 보기 선택 확률 및 정답 확률 사이의 차이 값이 특정 값 이하이면 해당 문제의 타입을 제1 타입(즉, 헷 갈리는 문제)으로 결정할 수 있다.
다른 일 실시예에서, 사용자 맞춤형 문제 제공 장치(100)는 보기 선택 확률 및 정답 확률 사이의 차이 값이 특정 값 이상이면 해당 문제의 타입을 제 2 타입(즉, 모르는 문제)로 결정할 수 있다.
그런 다음, 사용자 맞춤형 문제 제공 장치(100)는 추출 문제를 푼후의 실력 변위 및 필수 문제 중 미리 추천된 추천 문제를 제외한 문제 중 특정 개수의 추천 문제를 이용하여 해당 문제의 타입을 다시 분류한다.
일 실시예에서, 사용자 맞춤형 문제 제공 장치(100)는 추출 문제에 미리 할당된 난이도 및 스킬과 추출 문제를 푼 후에 발생된 실력 변위를 이용하여 해당 문제의 타입을 다시 분류한다.
예를 들어, 사용자 맞춤형 문제 제공 장치(100)는 N개의 추출 문제에 미리 할당된 난이도 및 스킬과 N개의 추출 문제를 푼 후에 발생된 실력 변위를 이용하여 해당 문제의 타입을 제1 타입(즉, 헷 갈리는 문제) 또는 제2 타입(즉, 모르는 문제)로 다시 분류한다.
문제 난이도 업데이트 장치(200)는 특정 문제를 이전에 풀었던 사용자 리스트를 이용하여 문제에 미리 할당된 난이도를 업데이트한다.
이를 위해, 문제 난이도 업데이트 장치(200)는 정답자 리스트 상에 있는 사용자의 지식 수준을 이용하여 정답자 지식 수준 리스트를 생성하고, 오답지 리스트 상에 있는 사용자의 지식 수준을 이용하여 오답자 지식 수준 리스트를 생성한다.
또한, 문제 난이도 업데이트 장치(200)는 정답자 지식 수준 리스트 중 상위부터 특정 비율의 정답자 및 하위부터 특정 비율을 정답자를 삭제한 후 나머지 정답자의 지식 수준을 이용하여 정답자 평균 지식 수준을 산출한다.
이와 같이 상위부터 특정 비율의 정답자 및 하위부터 특정 비율의 정답자를 삭제하는 이유는 낮은 지식 수준의 사용자 및 높은 지식 수준의 사용자에게 쉬운 문제가 제공된 경우를 제외하고 일반적인 정답자 평균 지식 수준을 산출하기 위해서이다.
또한, 문제 난이도 업데이트 장치(200)는 오답자 지식 수준 리스트 중 상위부터 특정 비율의 오답자 및 하위부터 특정 비율을 오답자를 삭제한 후 나머지 오답자의 지식 수준을 이용하여 오답지 평균 지식 수준을 산출한다.
이와 같이 상위부터 특정 비율의 오답자 및 하위부터 특정 비율의 오답자를 삭제하는 이유는 낮은 지식 수준의 사용자 및 높은 지식 수준의 사용자에게 쉬운 문제가 제공된 경우를 제외하고 일반적인 정답자 평균 지식 수준을 산출하기 위해서이다.
그런 다음, 문제 난이도 업데이트 장치(200)는 정답자 평균 지식 수준 및 오답자 평균 지식 수준을 이용하여 새로운 난이도를 산출하여 문제에 할당된 난이도를 할당할 수 있다.
즉, 문제 난이도 업데이트 장치(200)는 정답자 평균 지식 수준에는 오답률(1-정답률)이 곱해지고, 오답자 평균 지식 수준에는 정답률이 곱하는 역의 형태를 만들어 정답률이 높은 경우 정답자 평균 지식 수준을 적게 반영하고 정답률이 낮은 경우 정답자 평균 지식 수준을 크게 반영하여 해당 문제의 새로운 난이도를 업데이트한다.
문제 스킬 업데이트 장치(300)는 문제에 미리 할당된 스킬을 업데이트한다.
일 실시예에서, 문제 스킬 업데이트 장치(300)는 챕터에 대한 문제를 푼 학생에 대해서 특정 개수 이상의 문제를 풀고 정답률이 특정 비율 이상인 학생을 추출하여 학생 리스트를 생성한 후, 학생 리스트 및 문제 각각에 대한 스킬 리스트를 이용하여 학생 매트릭스를 생성한다.
다른 일 실시예에서, 문제 스킬 업데이트 장치(300)는 챕터에 대한 문제 중 학생에 의해 풀려진 특정 개수의 문제를 추출하여 문제 리스트를 생성한 후, 문제 리스트 및 문제 각각에 대한 스킬 리스트를 이용하여 문제 매트릭스를 생성한다.
또 다른 일 실시예에서, 문제 스킬 업데이트 장치(300)는 학생 매트릭스를 생성할 때 참조된 학생 각각이 문제 매트릭스를 생성할 때 참조된 문제를 풀었을 때의 결과를 추출하여 결과 리스트를 생성하고, 학생 리스트 및 결과 리스트를 이용하여 정답 매트릭스를 생성한다.
또 다른 일 실시예에서, 문제 스킬 업데이트 장치(300)는 문제 매트릭스와 동일한 형태, 즉 문제 리스트 및 문제 각각에 대한 스킬 리스트로 구현되지만 문제 당 모든 스킬의 초기 값은 합이 1인 랜덤 값이 각각 부여된다. 즉, 데이터 셋 생성 장치(100)는 문제 리스트 및 문제 각각에 대한 랜덤 값이 부여된 스킬 리스트을 이용하여 랜덤 스킬 컨셉 매트릭스를 생성한다.
그런 다음, 문제 스킬 업데이트 장치(300)는 정답 매트릭스를 기초로 예측된 정답을 맞출 확률을 학습시켜 최적의 랜덤 스킬 컨셉 매트릭스를 생성한다.
문제 스킬 업데이트 장치(300)는 최적의 랜덤 스킬 컨셉 매트릭스 및 랜덤 스킬 컨셉 매트릭스를 비교하여 기존 문제에 스킬이 적합하게 라벨링되었는지 여부를 판단한다.
이를 위해, 문제 스킬 업데이트 장치(300)는 최적의 랜덤 스킬 컨셉 매트릭스 중 문제에 라벨링된 스킬 및 최적의 랜덤 스킬 컨셉 매트릭스 중 문제의 스킬이 동일한지 여부를 판단하고, 판단 결과에 따라 기존 문제에 스킬이 적합하게 라벨링되었는지 여부를 판단한다.
도 2는 본 발명의 일 실시예에 따른 사용자 맞춤형 문제 제공 장치를 설명하기 위한 네트워크 구성도이다.
도 2를 참조하면, 사용자 맞춤형 문제 제공 장치(100)는 정답 확률 예측부(110), 문제 타입 분류부(120), 문제 추천부(130) 및 실시간 타입 재분류부(140)를 포함한다.
정답 확률 예측부(110)는 학생 정보 데이터 및 문제 정보 데이터를 수신하면, 학생 정보 데이터 및 문제 정보 데이터를 이용하여 각각의 문제에 대한 정답 확률 및 보기 선택 확률을 예측한다. 이때, 학생 정보 데이터는 학생의 지식 수준 등을 포함하고, 문제 정보 데이터는 문제의 난이도, 스킬 등을 포함할 수 있다.
먼저, 정답 확률 예측부(110)는 학생의 지식 수준, 문제의 난이도 및 문제의 스킬에 따라 정답 확률 및 보기 선택 확률을 예측할 수 있다.
즉, 정답 확률 예측부(110)는 문제를 푼 학생 중 정답을 맞춘 학생의 평균 지식 수준, 정답을 맞추지 못한 학생의 평균 지식 수준 및 학생의 지식 수준을 이용하여 정답 확률을 예측할 수 있다.
일 실시예에서, 정답 확률 예측부(110)는 문제를 푼 학생 중 정답을 맞춘 학생의 평균 지식 수준 및 학생의 지식 수준을 비교하여 제1 차이 지식 수준에 따라 정답 확률을 높게 예측할 수 있다.
상기의 실시예에서, 정답 확률 예측부(110)는 제1 차이 지식 수준이 특정 수준 이하이면, 정답을 맞추지 못한 학생의 평균 지식 수준 및 학생의 지식 수준을 비교하여 제2 차이 지식 수준을 산출한 후, 제1 차이 지식 수준 및 제2 차이 지식 수준에 따라 정답 확률을 예측할 수 있다.
이와 같은 이유는, 제1 차이 지식 수준이 특정 수준 이하인 경우 학생이 해당 문제의 정답을 맞출 확률이 낮기 때문에 정답을 맞추지 못한 학생의 평균 지식 수준과 다시 한번 비교하여 제2 지식 수준을 산출하는 것이다.
그 후, 정답 확률 예측부(110)는 제1 차이 지식 수준 및 제2 차이 지식 수준을 비교하여 제3 차이 지식 수준에 따라 학생의 정답 확률을 예측할 수 있다.
일 실시예에서, 정답 확률 예측부(110)는 제1 차이 지식 수준 및 제2 차이 지식 수준을 비교하여 제3 차이 지식 수준이 특정 수준 이하이면, 제1 차이 지식 수준 및 제2 차이 지식 수준의 평균 지식 수준에 따라 학생의 정답 확률을 예측할 수 있다.
다른 일 실시예에서, 정답 확률 예측부(110)는 제1 차이 지식 수준 및 제2 차이 지식 수준을 비교하여 제3 차이 지식 수준이 특정 수준 이상이면, 제1 차이 지식 수준 및 제2 차이 지식 수준 중 어느 하나의 지식 수준에 따라 학생의 정답 확률을 예측할 수 있다.
즉, 정답 확률 예측부(110)는 제1 차이 지식 수준 및 제2 차이 지식 수준 중 작은 값에 해당하는 지식 수준에 따라 학생의 정답 확률을 예측할 수 있다.
한편, 문제에 할당된 난이도는 문제 난이도 업데이트 장치(200)에 의해 업데이트될 수 있고, 문제에 할당된 스킬은 문제 스킬 업데이트 장치(300)에 의해 업데이트될 수 있다.
따라서, 정답 확률 예측부(110)는 문제에 할당된 난이도 및 스킬이 업데이트될 때마다 상기의 과정을 반복하여 수행함으로써 학생의 정답 확률을 다시 예측할 수 있다.
또한, 정답 확률 예측부(110)는 학생의 지식 수준, 문제의 난이도 및 문제의 스킬에 따라 보기 선택 확률을 예측할 수 있다.
즉, 정답 확률 예측부(110)는 문제를 푼 학생 중 정답을 맞춘 학생의 정답 선택 변경 횟수 및 정답을 맞추지 못한 학생의 정답 선택 변경 횟수에 따라 해당 문제의 보기 선택 확률을 예측할 수 있다.
문제 타입 분류부(120)는 보기 선택 확률에 따라 해당 문제의 타입을 결정한다.
상기와 같이, 문제 타입 분류부(120)는 보기 선택 확률을 예측한 후 해당 문제의 타입을 결정한다. 이때, 타입은 헷 갈리는 문제 및 모르는 문제를 포함한다.
일 실시예에서, 문제 타입 분류부(120)는 문제의 보기 선택 확률 및 정답 확률을 비교하여 해당 문제의 타입을 제1 타입(즉, 헷 갈리는 문제) 또는 제2 타입(즉, 모르는 문제)로 결정한다.
즉, 문제 타입 분류부(120)는 그래프 상에 문제의 보기 선택 확률 및 정답 확률을 각각 표시한 후, 보기 선택 확률 및 정답 확률 사이의 차이 값에 따라 해당 문제의 타입을 제1 타입(즉, 헷 갈리는 문제) 또는 제2 타입(즉, 모르는 문제)로 결정할 수 있다.
일 실시예에서, 문제 타입 분류부(120)는 보기 선택 확률 및 정답 확률 사이의 차이 값이 특정 값 이하이면 해당 문제의 타입을 제1 타입(즉, 헷 갈리는 문제)으로 결정할 수 있다.
다른 일 실시예에서, 문제 타입 분류부(120)는 보기 선택 확률 및 정답 확률 사이의 차이 값이 특정 값 이상이면 해당 문제의 타입을 제 2 타입(즉, 모르는 문제)로 결정할 수 있다.
문제 추천부(130)는 사용자에 의해 문제가 요청되면, 학생 정보 데이터를 기초로 산출된 학생의 정답 확률에 따라 특정 확률 이하의 문제를 필수 문제로 추출한 후, 필수 문제 중 특정 개수만큼 문제를 추천 문제로 추출하여 제공할 수 있다. 예를 들어, 정답 확률 예측 장치(100)는 필수 문제 M개를 추출한 후, 필수 문제 M개 중 N개의 추천 문제를 추출하여 제공할 수 있다.
즉, 문제 추천부(130)는 사용자에 의해 문제가 요청되면, 학생 정보 데이터를 기초로 산출된 학생의 정답 확률이 낮은 문제를 추출하여 제공함으로써 학생이 꼭 풀어야 하는 문제부터 제시할 수 있도록 한다. 하지만, 문제 추천부(130)가 학생의 정답 확률이 낮은 문제를 추출하여 제공하더라도 사용자가 해당 문제를 맞추는 경우 실력 변위가 발생할 수 있다. 이때, 사용자가 추출 문제를 푼 후에 각 추출 문제의 정답 유무에 따라 실력 변위가 발생하게 되는데, 실력 변위는 문제에 미리 할당된 스킬에 따라 저장된다.
따라서, 실시간 타입 재분류부(140)는 추출 문제를 푼 후의 실력 변위 및 필수 문제 중 미리 추천된 추천 문제를 제외한 문제 중 특정 개수의 추천 문제를 이용하여 해당 문제의 타입을 다시 분류한다.
일 실시예에서, 실시간 타입 재분류부(140)는 추출 문제에 미리 할당된 난이도 및 스킬과 추출 문제를 푼 후에 발생된 실력 변위를 이용하여 해당 문제의 타입을 다시 분류한다.
예를 들어, 실시간 타입 재분류부(140)는 N개의 추출 문제에 미리 할당된 난이도 및 스킬과 N개의 추출 문제를 푼 후에 발생된 실력 변위를 이용하여 해당 문제의 타입을 제1 타입(즉, 헷 갈리는 문제) 또는 제2 타입(즉, 모르는 문제)로 다시 분류한다.
도 3은 본 발명에 따른 사용자 맞춤형 문제 제공 방법의 일 실시예를 설명하기 위한 흐름도이다. 도 4 및 도 5는 도 3의 실행 과정을 설명하기 위한 예시도이다.
도 3을 참조하면, 사용자 맞춤형 문제 제공 장치(100)는 학생 정보 데이터 및 문제 정보 데이터를 수신하면, 상기 학생 정보 데이터 및 상기 문제 정보 데이터를 이용하여 각각의 문제에 대한 정답 확률 및 보기 선택 확률을 예측한다(단계 S310).
이때, 학생 정보 데이터는 학생의 지식 수준 등을 포함하고, 문제 정보 데이터는 문제의 난이도, 스킬 등을 포함할 수 있다. 이때, 문제의 난이도 및 스킬은 해당 문제를 맞춘 학생의 지식 수준 및 해당 문제를 맞추지 못한 학생의 지식 수준에 따라 결정된다.
단계 S310에 대한 일 실시예에서, 사용자 맞춤형 문제 제공 장치(100)는 학생의 지식 수준, 문제의 난이도 및 문제의 스킬에 따라 정답 확률을 예측할 수 있다.
즉, 사용자 맞춤형 문제 제공 장치(100)는 문제를 푼 학생 중 정답을 맞춘 학생의 평균 지식 수준, 정답을 맞추지 못한 학생의 평균 지식 수준 및 학생의 지식 수준을 이용하여 정답 확률을 예측할 수 있다.
단계 S310에 대한 다른 일 실시예에서, 사용자 맞춤형 문제 제공 장치(100)는 학생의 지식 수준, 문제의 난이도 및 문제의 스킬에 따라 보기 선택 확률을 예측할 수 있다.
즉, 사용자 맞춤형 문제 제공 장치(100)는 문제를 푼 학생 중 정답을 맞춘 학생의 정답 선택 변경 횟수 및 정답을 맞추지 못한 학생의 정답 선택 변경 횟수에 따라 해당 문제의 보기 선택 확률을 예측할 수 있다.
사용자 맞춤형 문제 제공 장치(100)는 상기 보기 선택 확률에 따라 해당 문제의 타입을 결정한다(단계 S320). 이때, 타입은 제1 타입(즉, 헷 갈리는 문제) 및 제2 타입(즉, 모르는 문제)를 포함한다.
단계 S320에 대한 일 실시예에서, 사용자 맞춤형 문제 제공 장치(100)는 문제의 보기 선택 확률 및 정답 확률을 비교하여 해당 문제의 타입을 제1 타입(즉, 헷 갈리는 문제) 또는 제2 타입(즉, 모르는 문제)로 결정한다.
사용자 맞춤형 문제 제공 장치(100)는 사용자에 의해 문제가 요청되면, 학생 정보 데이터를 기초로 산출된 학생의 정답 확률에 따라 특정 확률 이하의 문제를 필수 문제로 추출한 후, 필수 문제 중 특정 개수만큼 문제를 추천 문제로 추출하여 제공한다(단계 S330). 예를 들어, 사용자 맞춤형 문제 제공 장치(100)는 도 4와 같은 추천 문제를 추출하여 제공한다.
사용자 맞춤형 문제 제공 장치(100)는 상기 추출 문제를 푼후의 실력 변위 및 필수 문제 중 미리 추천된 추천 문제를 제외한 문제 중 특정 개수의 추천 문제를 이용하여 해당 문제의 타입을 다시 분류한다(단계 S340).
예를 들어, 도 5와 같이 사용자 맞춤형 문제 제공 장치(100)는 추출 문제를 푼후의 실력 변위 및 필수 문제 중 미리 추천된 추천 문제를 제외한 문제 중 특정 개수의 추천 문제를 이용하여 해당 문제의 타입을 다시 분류할 수 있다.
한정된 실시예와 도면에 의해 설명되었으나, 본 발명은 상기의 실시예에 한정되는 것은 아니며, 이는 본 발명이 속하는 분야에서 통상의 지식을 가진 자라면 이러한 기재로부터 다양한 수정 및 변형이 가능하다. 따라서, 본 발명 사상은 아래에 기재된 특허청구범위에 의해서만 파악되어야 하고, 이의 균등 또는 등가적 변형 모두는 본 발명 사상의 범주에 속한다고 할 것이다.
100: 사용자 맞춤형 문제 제공 장치,
110: 정답 확률 예측부,
120: 문제 타입 분류부,
130: 문제 추천부,
140: 실시간 타입 재분류부,
200: 문제 난이도 업데이트 장치,
300: 문제 스킬 업데이트 장치

Claims (2)

  1. 문제를 푼 학생 중 정답을 맞춘 학생의 평균 지식 수준 및 학생의 지식 수준을 비교하여 제1 차이 지식 수준을 산출하고 상기 제1 차이 지식 수준이 특정 수준 이하이면, 상기 정답을 맞추지 못한 학생의 평균 지식 수준 및 학생의 지식 수준을 비교하여 제2 차이 지식 수준을 산출하고, 상기 제1 차이 지식 수준 및 제2 차이 지식 수준을 비교하여 제3 차이 지식 수준을 산출하고, 상기 제3 차이 지식 수준이 특정 수준 이하이면 제1 차이 지식 수준 및 제2 차이 지식 수준의 평균 지식 수준에 따라 학생의 정답 확률을 예측하고, 상기 제3 차이 지식 수준이 특정 수준 이상이면 상기 제1 차이 지식 수준 및 상기 제2 차이 지식 수준 중 어느 하나의 지식 수준에 따라 상기 학생의 정답 확률을 예측하고, 상기 문제를 푼 학생 중 정답을 맞춘 학생의 정답 선택 변경 횟수 및 정답을 맞추지 못한 학생의 정답 선택 변경 횟수에 따라 해당 문제의 보기 선택 확률을 예측하고, 그래프 상에 문제의 보기 선택 확률 및 정답 확률을 각각 표시한 후, 상기 보기 선택 확률 및 상기 정답 확률 사이의 차이 값이 특정 값 이하이면 해당 문제의 타입을 헷 갈리는 문제로 결정하고, 상기 보기 선택 확률 및 상기 정답 확률 사이의 차이 값이 특정 값 이상이면 해당 문제의 타입을 모르는 문제로 결정하고, 문제가 요청되면 해당 학생에 대한 학생 정보 데이터를 기초로 산출된 학생의 정답 확률에 따라 특정 확률 이하의 문제를 필수 문제로 추출한 후, 상기 필수 문제 중 특정 개수만큼 문제를 추천 문제로 추출하여 제공하고, 상기 추출 문제에 미리 할당된 난이도 및 스킬과 상기 추출 문제를 푼 후에 발생된 실력 변위를 이용하여 해당 문제의 타입을 헷 갈리는 문제 또는 모르는 문제로 다시 분류하는 사용자 맞춤형 문제 제공 장치;
    정답자 리스트 상에 있는 사용자의 지식 수준을 이용하여 정답자 지식 수준 리스트를 생성하고, 오답자 리스트 상에 있는 사용자의 지식 수준을 이용하여 오답자 지식 수준 리스트를 생성하고, 상기 정답자 지식 수준 리스트 중 상위부터 특정 비율의 정답자 및 하위부터 특정 비율의 정답자를 삭제한 후 나머지 정답자의 지식 수준을 이용하여 정답자 평균 지식 수준을 산출하고, 상기 오답자 지식 수준 리스트 중 상위부터 특정 비율의 오답자 및 하위부터 특정 비율의 오답자를 삭제한 후 나머지 오답자의 지식 수준을 이용하여 오답자 평균 지식 수준을 산출하고, 상기 정답자 평균 지식 수준 및 상기 오답자 평균 지식 수준을 이용하여 새로운 난이도를 산출하여 상기 문제에 할당된 난이도를 업데이트하는 문제 난이도 업데이트 장치; 및
    챕터에 대한 문제를 푼 학생에 대해서 특정 개수 이상의 문제를 풀고 정답률이 특정 비율 이상인 학생을 추출하여 학생 리스트를 생성한 후, 학생 리스트 및 문제 각각에 대한 스킬 리스트를 이용하여 학생 매트릭스를 생성하고, 챕터에 대한 문제 중 학생에 의해 풀려진 특정 개수의 문제를 추출하여 문제 리스트를 생성한 후, 상기 문제 리스트 및 문제 각각에 대한 스킬 리스트를 이용하여 문제 매트릭스를 생성하고, 상기 학생 매트릭스를 생성할 때 참조된 학생 각각이 문제 매트릭스를 생성할 때 참조된 문제를 풀었을 때의 결과를 추출하여 결과 리스트를 생성하고, 학생 리스트 및 결과 리스트를 이용하여 정답 매트릭스를 생성하고, 문제 리스트 및 문제 각각에 대한 랜덤 값이 부여된 스킬 리스트을 이용하여 랜덤 스킬 컨셉 매트릭스를 생성하고, 상기 정답 매트릭스를 기초로 예측된 정답을 맞출 확률을 학습시켜 다른 랜덤 스킬 컨셉 매트릭스를 생성하고, 상기 다른 랜덤 스킬 컨셉 매트릭스 및 상기 랜덤 스킬 컨셉 매트릭스를 비교하여 기존 문제에 알맞은 스킬이 라벨링되었는지 여부를 판단하는 문제 스킬 업데이트 장치를 포함하고,
    상기 실력 변위는 사용자가 상기 추출 문제를 푼 후에 상기 추출 문제 각각의 정답 유무에 따라 발생하게 되며, 해당 문제에 미리 할당된 스킬에 따라 결정되는 것을 특징으로 하는
    사용자 맞춤형 문제 제공 시스템.
  2. 사용자 맞춤형 문제 제공 장치가 문제를 푼 학생 중 정답을 맞춘 학생의 평균 지식 수준 및 학생의 지식 수준을 비교하여 제1 차이 지식 수준을 산출하고 상기 제1 차이 지식 수준이 특정 수준 이하이면, 정답을 맞추지 못한 학생의 평균 지식 수준 및 학생의 지식 수준을 비교하여 제2 차이 지식 수준을 산출하는 단계;
    상기 사용자 맞춤형 문제 제공 장치가 제1 차이 지식 수준 및 제2 차이 지식 수준을 비교하여 제3 차이 지식 수준을 산출하고, 상기 제3 차이 지식 수준이 특정 수준 이하이면 제1 차이 지식 수준 및 제2 차이 지식 수준의 평균 지식 수준에 따라 학생의 정답 확률을 예측하고, 상기 제3 차이 지식 수준이 특정 수준 이상이면 상기 제1 차이 지식 수준 및 상기 제2 차이 지식 수준 중 어느 하나의 지식 수준에 따라 상기 학생의 정답 확률을 예측하는 단계;
    상기 사용자 맞춤형 문제 제공 장치가 상기 문제를 푼 학생 중 정답을 맞춘 학생의 정답 선택 변경 횟수 및 정답을 맞추지 못한 학생의 정답 선택 변경 횟수에 따라 해당 문제의 보기 선택 확률을 예측하고, 그래프 상에 문제의 보기 선택 확률 및 정답 확률을 각각 표시한 후, 상기 보기 선택 확률 및 상기 정답 확률 사이의 차이 값이 특정 값 이하이면 해당 문제의 타입을 헷 갈리는 문제로 결정하는 단계;
    상기 사용자 맞춤형 문제 제공 장치가 상기 보기 선택 확률 및 상기 정답 확률 사이의 차이 값이 특정 값 이상이면 해당 문제의 타입을 모르는 문제로 결정하고, 문제가 요청되면 해당 학생에 대한 학생 정보 데이터를 기초로 산출된 학생의 정답 확률에 따라 특정 확률 이하의 문제를 필수 문제로 추출한 후, 상기 필수 문제 중 특정 개수만큼 문제를 추천 문제로 추출하여 제공하는 단계; 및
    상기 사용자 맞춤형 문제 제공 장치가 상기 추출 문제에 미리 할당된 난이도 및 스킬과 상기 추출 문제를 푼 후에 발생된 실력 변위를 이용하여 해당 문제의 타입을 헷 갈리는 문제 또는 모르는 문제로 다시 분류하는 단계를 포함하고,
    문제 난이도 업데이트 장치가 정답자 리스트 상에 있는 사용자의 지식 수준을 이용하여 정답자 지식 수준 리스트를 생성하고, 오답자 리스트 상에 있는 사용자의 지식 수준을 이용하여 오답자 지식 수준 리스트를 생성하는 단계;
    상기 문제 난이도 업데이트 장치가 상기 정답자 지식 수준 리스트 중 상위부터 특정 비율의 정답자 및 하위부터 특정 비율의 정답자를 삭제한 후 나머지 정답자의 지식 수준을 이용하여 정답자 평균 지식 수준을 산출하는 단계; 및
    상기 문제 난이도 업데이트 장치가 상기 오답자 지식 수준 리스트 중 상위부터 특정 비율의 오답자 및 하위부터 특정 비율의 오답자를 삭제한 후 나머지 오답자의 지식 수준을 이용하여 오답자 평균 지식 수준을 산출하고, 상기 정답자 평균 지식 수준 및 상기 오답자 평균 지식 수준을 이용하여 새로운 난이도를 산출하여 상기 문제에 할당된 난이도를 업데이트하는 단계를 더 포함하고,
    문제 스킬 업데이트 장치가 챕터에 대한 문제를 푼 학생에 대해서 특정 개수 이상의 문제를 풀고 정답률이 특정 비율 이상인 학생을 추출하여 학생 리스트를 생성하는 단계;
    상기 문제 스킬 업데이트 장치가 학생 리스트 및 문제 각각에 대한 스킬 리스트를 이용하여 학생 매트릭스를 생성하고, 챕터에 대한 문제 중 학생에 의해 풀려진 특정 개수의 문제를 추출하여 문제 리스트를 생성한 후, 상기 문제 리스트 및 문제 각각에 대한 스킬 리스트를 이용하여 문제 매트릭스를 생성하는 단계;
    상기 문제 스킬 업데이트 장치가 상기 학생 매트릭스를 생성할 때 참조된 학생 각각이 문제 매트릭스를 생성할 때 참조된 문제를 풀었을 때의 결과를 추출하여 결과 리스트를 생성하는 단계;
    상기 문제 스킬 업데이트 장치가 학생 리스트 및 결과 리스트를 이용하여 정답 매트릭스를 생성하고, 문제 리스트 및 문제 각각에 대한 랜덤 값이 부여된 스킬 리스트을 이용하여 랜덤 스킬 컨셉 매트릭스를 생성하는 단계; 및
    상기 문제 스킬 업데이트 장치가 상기 정답 매트릭스를 기초로 예측된 정답을 맞출 확률을 학습시켜 다른 랜덤 스킬 컨셉 매트릭스를 생성하고, 상기 다른 랜덤 스킬 컨셉 매트릭스 및 상기 랜덤 스킬 컨셉 매트릭스를 비교하여 기존 문제에 알맞은 스킬이 라벨링되었는지 여부를 판단하는 단계를 더 포함하고,
    상기 실력 변위는
    사용자가 상기 추출 문제를 푼 후에 각 추출 문제의 정답 유무에 따라 발생하게 되며, 해당 문제에 미리 할당된 스킬에 따라 결정되는 것을 특징으로 하는
    사용자 맞춤형 문제 제공 방법.
KR1020200156194A 2020-11-20 2020-11-20 사용자 맞춤형 문제 제공 장치 및 이의 실행 방법 KR102316980B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200156194A KR102316980B1 (ko) 2020-11-20 2020-11-20 사용자 맞춤형 문제 제공 장치 및 이의 실행 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200156194A KR102316980B1 (ko) 2020-11-20 2020-11-20 사용자 맞춤형 문제 제공 장치 및 이의 실행 방법

Publications (1)

Publication Number Publication Date
KR102316980B1 true KR102316980B1 (ko) 2021-10-27

Family

ID=78287082

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200156194A KR102316980B1 (ko) 2020-11-20 2020-11-20 사용자 맞춤형 문제 제공 장치 및 이의 실행 방법

Country Status (1)

Country Link
KR (1) KR102316980B1 (ko)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102506688B1 (ko) * 2022-01-28 2023-03-06 주식회사 우로테스트 복수의 문항 중 최적의 문항을 선택하는 전자 장치의 제어 방법
KR102518474B1 (ko) 2022-07-21 2023-04-05 주식회사 튜링 사용자의 실력을 업데이트하는 기법
KR20240012712A (ko) 2022-07-21 2024-01-30 주식회사 튜링 문제를 맞힐 확률에 기반하여 사용자의 실력을 업데이트하는 기법
KR20240012714A (ko) 2022-07-21 2024-01-30 주식회사 튜링 사용자의 실력을 업데이트하는 기법
KR20240012715A (ko) 2022-07-21 2024-01-30 주식회사 튜링 한 개의 단원과 관련된 문제를 풀이한 사용자의 실력을 업데이트하는 기법
KR20240012717A (ko) 2022-07-21 2024-01-30 주식회사 튜링 복수의 단원과 관련된 문제를 풀이한 사용자의 실력을 업데이트하는 기법

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20120039963A (ko) * 2010-10-18 2012-04-26 에스케이 텔레콤주식회사 학습 난이도 조정 방법과 그를 위한 시스템, 장치, 단말기
KR20190049627A (ko) * 2019-01-04 2019-05-09 (주)뤼이드 기계학습 프레임워크의 분석 결과를 해석하는 방법, 장치 및 컴퓨터 프로그램
KR102015075B1 (ko) * 2018-10-16 2019-08-27 (주)뤼이드 학습 효율을 기반으로 개인 맞춤형 교육 컨텐츠를 제공하기 위한 기계학습 방법, 장치 및 컴퓨터 프로그램
KR20200098830A (ko) * 2019-02-13 2020-08-21 주식회사 메디오피아테크 문제 난이도 조정 방법 및 문제 난이도 조정 서버

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20120039963A (ko) * 2010-10-18 2012-04-26 에스케이 텔레콤주식회사 학습 난이도 조정 방법과 그를 위한 시스템, 장치, 단말기
KR102015075B1 (ko) * 2018-10-16 2019-08-27 (주)뤼이드 학습 효율을 기반으로 개인 맞춤형 교육 컨텐츠를 제공하기 위한 기계학습 방법, 장치 및 컴퓨터 프로그램
KR20190049627A (ko) * 2019-01-04 2019-05-09 (주)뤼이드 기계학습 프레임워크의 분석 결과를 해석하는 방법, 장치 및 컴퓨터 프로그램
KR20200098830A (ko) * 2019-02-13 2020-08-21 주식회사 메디오피아테크 문제 난이도 조정 방법 및 문제 난이도 조정 서버

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102506688B1 (ko) * 2022-01-28 2023-03-06 주식회사 우로테스트 복수의 문항 중 최적의 문항을 선택하는 전자 장치의 제어 방법
KR102518474B1 (ko) 2022-07-21 2023-04-05 주식회사 튜링 사용자의 실력을 업데이트하는 기법
KR20240012712A (ko) 2022-07-21 2024-01-30 주식회사 튜링 문제를 맞힐 확률에 기반하여 사용자의 실력을 업데이트하는 기법
KR20240012714A (ko) 2022-07-21 2024-01-30 주식회사 튜링 사용자의 실력을 업데이트하는 기법
KR20240012715A (ko) 2022-07-21 2024-01-30 주식회사 튜링 한 개의 단원과 관련된 문제를 풀이한 사용자의 실력을 업데이트하는 기법
KR20240013026A (ko) 2022-07-21 2024-01-30 주식회사 튜링 사용자의 실력을 업데이트하는 기법
KR20240012717A (ko) 2022-07-21 2024-01-30 주식회사 튜링 복수의 단원과 관련된 문제를 풀이한 사용자의 실력을 업데이트하는 기법

Similar Documents

Publication Publication Date Title
KR102316980B1 (ko) 사용자 맞춤형 문제 제공 장치 및 이의 실행 방법
Moulding et al. Pre-service teachers' sense of efficacy: Relationship to academic ability, student teaching placement characteristics, and mentor support
Goldstein et al. Class Size and Educational Achievement: a review of methodology with particular reference to study design [1]
US6554618B1 (en) Managed integrated teaching providing individualized instruction
KR100786786B1 (ko) 문제은행과 동영상 강의가 연동된 온라인 교육방법
CN110389969A (zh) 提供定制的学习内容的系统和方法
Asari et al. Improving Teacher Pedagogic Competences in Remote Areas through Lesson Study Activity.
US20090061408A1 (en) Device and method for evaluating learning
KR20000030514A (ko) 인터넷을 이용한 맞춤 학습시스템 및 맞춤 학습방법
US20180174476A1 (en) User generated content within an online education platform
Azizah et al. Implementation of video learning media in Islamic Religious Education subjects for Elementary School Students
Eglington et al. How to optimize student learning using student models that adapt rapidly to individual differences
Kulaglić et al. Influence of learning styles on improving efficiency of adaptive educational hypermedia systems
Son et al. Exploring elementary preservice teachers’ responsive teaching in mathematics through an artificial intelligence-based Chatbot
Pahrudin et al. Assessing moodle-assisted e-learning for students’ concept understanding and critical thinking skills in algebra
Son et al. Designing clicker questions to stimulate transfer.
Tienson-Tseng Best practices in summative assessment
Yalçin Teacher Behaviours Explaining Turkish and Dutch Students' Mathematic Achievements.
Huiting et al. Influences of learning styles on learner satisfaction in E-learning environment
Randel Impacts of Edmentum's Exact Path on Student Reading Achievement.
KR20010104115A (ko) 인터넷 기반 교육 방법
Danylyuk et al. The Role of Digital Technologies in Building Foreign Language Competencies of Future Specialists
Ismail et al. An Analysis on Learning Condition in Developing Listening Comprehension Model by Using Social Media for English Students
Rini et al. Mathematics teachers’ perception of learning models associated with high school students’ critical thinking skills
Rzepka et al. An Online Controlled Experiment Design to Support the Transformation of Digital Learning towards Adaptive Learning Platforms.

Legal Events

Date Code Title Description
GRNT Written decision to grant