KR102321194B1 - 언어-관련 장애들의 진단 및 치료를 위한 컴퓨팅 기술들 - Google Patents

Abstract

본 발명은 언어-관련 장애들의 진단 및 치료를 위한 컴퓨팅 기술들에 관한 것이다. 그러한 기술들은 네트워크를 통해 적어도 하나의 컴퓨팅 디바이스에 전달되는 컴퓨터가 생성한 진단 및 컴퓨터가 생성한 치료를 가능하게 한다. 진단 및 치료는 평가 및 치료의 각 단계에서의 정확한 반응들의 세트와 함께, 네트워크를 통해 환자로부터 획득되는 바와 같은, 환자의 생성 및 지각 에러들의 포괄적인 분석을 통해 각 환자에 대해 맞춤화된다.

Description

언어-관련 장애들의 진단 및 치료를 위한 컴퓨팅 기술들{COMPUTING TECHNOLOGIES FOR DIAGNOSIS AND THERAPY OF LANGUAGE-RELATED DISORDERS}

관련 출원들에 대한 상호-참조

본 출원은 2013년 10월 31일에 출원된, 미국 가특허 출원 제61/898,052호에 대한 우선권을 주장하며, 이는 모든 목적을 위해 참조로 본 출원에 완전히 통합된다.

기술분야

일반적으로, 본 발명은 컴퓨팅에 관한 것이다. 보다 상세하게는, 본 발명은 언어-관련 장애들의 진단 및 치료를 위한 컴퓨팅 기술들에 관한 것이다.

본 발명에서, 지식의 문서, 법률 및/또는 사항이 언급되고/되거나 논의되는 경우, 그러한 언급 및/또는 논의는 지식의 문서, 법률 및/또는 사항 및/또는 이들의 임의의 조합이 준거법 규정 하 우선일에 있었고/있었거나, 공중에게 이용가능했고/했거나, 공지되었고/되었거나, 주지관용기술의 부분이었고/이었거나 그 외 종래 기술이 되는 것으로 여겨진다는 자백이 아니고/아니거나; 본 발명이 관심 있는 임의의 문제를 해결하려는 시도에 관련되는 것으로 알려진다. 또한, 어떤 권리도 포기되지 않는다.

언어는 인간 정신 및 의사소통 기능의 많은 부분의 기저를 이룬다. 결과적으로, 언어 수행의 부분을 방해하는 장애는 광범위한 또는 유의미한 악영향들을 지닐 수 있다. 그러한 장애의 몇몇 일반적인 예는 난독증, 특수 언어 장애(SLI), 청각 처리 장애(APD), 실어증, 또는 기타와 같은 언어-관련 장애를 포함한다. 예를 들어, 난독증이 통상적으로 독서 장애로 간주되더라도, 그러한 병태를 갖는 개인들은 보통 다수의 다른 어려움도 경험한다. 그러한 어려움들 중에는 음향 명료도, 주의력, 또는 기억력에 문제들이 있다. 따라서, 난독증이 많은 기본 언어 및 인지 기능에 영향을 미치기 때문에, 그러한 개인들 중 몇몇은 보통 학교에 간신히 들어가고, 특히 막대한 개인 비용이 들 수 있다. 다른 개인들은 보통 학교를 중퇴하고 자아 존중감 또는 다른 심리 사회적 문제들을 겪는다. 그러나, 그러한 언어 장애들의 만연함에도 불구하고, 교사들 또는 치료사들과 같은, 다수의 전문가는 그에 따라 훈련되지 않는다.

존재하는 그러한 문제적 상태는 난독증과 같은, 몇몇 언어-관련 장애가 광범위한 영역의 결손을 커버한다는 사실에 의해 더 악화된다. 그에 따라, 그러한 장애들이 연구 및 평가를 위한 구성으로서 심지어 유용하기까지 한지는 여전히 의심스럽다. 더욱이, 언어-관련 장애들의 많은 기존의 진단 테스트는 각 개인 사용자의 결손(들)에 따른 자가 단계 조절 및 맞춤화를 가능하게 하면서, 큰 그룹들에 대한 관리를 목적으로 계획되지 않는다. 심각하게도, 많은 제공자는 단순히 진단에서 멈추고 진단에 기초하여 발견된 결손들의 심지어 대부분을 다루기 위한 치료를 추천하는 것에 이르지 않는다. 아무리 낙관하여도, 진단에 대한 치료를 연계하는, 몇몇 제공자가 모든 사용자가 특정한 능숙도로 수행하도록 의도되는 사전 설정한 치료 모듈들을 선택하기 위해 평가 결과들을 사용한다.

개입이 그러한 장애들을 치료하는데 유용할 수 있더라도, 현재, 독서 장애를 위한 개입 치료의 상태는 비관적이다. 예를 들어, 중학교들에서의 몇몇 독서 장애 개입은 실망스러운 결과들을 내왔다. 더욱이, Orton-Gillingham 교수법 또는 Orton-Gillingham-기반 교수법들과 같은, 독서 지도의 몇몇 인기있는 방법론은 부분적으로 또는 전체적으로 효능에 대한 충분한 과학적 증거를 보이지 않는다.

본 발명은 상기한 문제들 중 적어도 하나를 적어도 부분적으로 다룬다. 그러나, 본 발명은 다른 기술 영역들에 유용한 것으로 드러날 수 있다. 따라서, 청구항들은 상기한 문제들 중 임의의 문제를 다루는 것에 반드시 제한되는 것이라고 해석되지는 않아야 한다.

하나 이상의 컴퓨터의 시스템은 소프트웨어, 펌웨어, 하드웨어, 또는 이들의 조합이 작동 시 초래되는 시스템 상에 설치되게 하거나 시스템이 동작들 또는 행위들을 수행하게 함으로써 특정한 동작들 또는 행위들을 수행하도록 구성될 수 있다. 하나 이상의 컴퓨터 프로그램은 데이터 처리 장치에 의해 실행될 때, 장치가 동작들 또는 행위들을 수행하게 하는 명령들을 포함함으로써 특정한 동작들 또는 행위들을 수행하도록 구성될 수 있다.

본 발명의 예시적인 실시예는 다음을 포함하는 방법을 포함한다: 다음을 통해 언어-관련 장애를 진단하는 단계: 제1 컴퓨터를 통해 기준들의 제1 세트를 획득하는 단계로서, 상기 기준들의 제1 세트는 마스터 데이터 구조와 비교한 환자 데이터 구조의 제1 분석에 기초하고, 상기 환자 데이터 구조는 실제 환자 과제 반응들의 세트를 포함하고, 상기 마스터 데이터 구조는 셀 생성 데이터의 세트 및 복수의 환자에 대한 예상 환자 과제 반응들의 세트를 포함하는, 상기 기준들의 제1 세트를 획득하는 단계; 상기 제1 컴퓨터를 통해 상기 환자 데이터 구조에 제1 결과를 저장하는 단계로서, 상기 제1 결과는 제2 컴퓨터로부터 수신되고, 상기 제1 결과는 상기 컴퓨터가, 상기 기준들의 제1 세트에 기초하여 제1 진단 쉘을 선택하는 것과, 상기 제1 진단 쉘 및 상기 셀 생성 데이터의 세트에 기초하여 제1 진단 셀을 생성하는 것과, 상기 제2 컴퓨터에 상기 제1 진단 셀을 전달하는 것에 기초하는, 상기 제1 결과를 저장하는 단계; 상기 제1 컴퓨터를 통해 기준들의 제2 세트를 획득하는 단계로서, 상기 기준들의 제2 세트는 상기 마스터 데이터 구조와 비교한, 상기 제1 결과를 포함하는, 상기 환자 데이터 구조의 제2 분석에 기초하는, 상기 제2 세트를 획득하는 단계; 및 상기 제1 컴퓨터를 통해 제2 진단 셀을 생성할지 여부 및 제2 진단 쉘을 선택할지 여부 중 적어도 하나를 결정하는 단계로서, 상기 제2 진단 셀은 상기 제1 진단 쉘에 기초하고, 상기 제1 진단 쉘 및 상기 제2 진단 쉘은 과제 유형이 상이한, 상기 적어도 하나를 결정하는 단계.

본 발명의 예시적인 실시예는 다음을 포함하는 시스템을 포함한다: 다음을 통해 언어-관련 장애의 진단을 가능하게 하는 제1 컴퓨터: 기준들의 제1 세트를 획득하는 동작으로서, 상기 기준들의 제1 세트는 마스터 데이터 구조와 비교한 환자 데이터 구조의 제1 분석에 기초하고, 상기 환자 데이터 구조는 실제 환자 과제 반응들의 세트를 포함하고, 상기 마스터 데이터 구조는 셀 생성 데이터의 세트 및 복수의 환자에 대한 예상 환자 과제 반응들의 세트를 포함하는, 상기 기준들의 제1 세트를 획득하는 동작; 상기 환자 데이터 구조에 제1 결과를 저장하는 동작으로서, 상기 제1 결과는 제2 컴퓨터로부터 수신되고, 상기 제1 결과는 상기 제1 컴퓨터가, 상기 기준들의 제1 세트에 기초하여 제1 진단 쉘을 선택하는 것과, 상기 제1 진단 쉘 및 상기 셀 생성 데이터의 세트에 기초하여 제1 진단 셀을 생성하는 것과, 상기 제2 컴퓨터에 상기 제1 진단 셀을 전달하는 것에 기초하는, 상기 제1 결과를 저장하는 동작; 기준들의 제2 세트를 획득하는 동작으로서, 상기 기준들의 제2 세트는 상기 마스터 데이터 구조와 비교한, 상기 제1 결과를 포함하는, 상기 환자 데이터 구조의 제2 분석에 기초하는, 상기 제2 세트를 획득하는 동작; 제2 진단 셀을 생성할지 여부 및 제2 진단 쉘을 선택할지 여부 중 적어도 하나를 결정하는 동작으로서, 상기 제2 진단 셀은 상기 제1 진단 쉘에 기초하고, 상기 제1 진단 쉘 및 상기 제2 진단 쉘은 과제 유형이 상이한, 상기 적어도 하나를 결정하는 동작.

본 발명의 예시적인 실시예는 하드웨어 처리기를 통해 실행하기 위한 명령들의 세트를 저장하는 비-일시적, 컴퓨터-판독가능 저장 매체를 포함하고, 명령들의 세트는 방법을 구현하도록 하드웨어 처리기에 명령하고, 방법은: 다음을 통해 언어-관련 장애를 진단하는 단계: 제1 컴퓨터를 통해 기준들의 제1 세트를 획득하는 단계로서, 상기 기준들의 제1 세트는 마스터 데이터 구조와 비교한 환자 데이터 구조의 제1 분석에 기초하고, 상기 환자 데이터 구조는 실제 환자 과제 반응들의 세트를 포함하고, 상기 마스터 데이터 구조는 셀 생성 데이터의 세트 및 복수의 환자에 대한 예상 환자 과제 반응들의 세트를 포함하는, 상기 기준들의 제1 세트를 획득하는 단계; 상기 제1 컴퓨터를 통해 상기 환자 데이터 구조에 제1 결과를 저장하는 단계로서, 상기 제1 결과는 제2 컴퓨터로부터 수신되고, 상기 제1 결과는 상기 제1 컴퓨터가, 상기 기준들의 제1 세트에 기초하여 제1 진단 쉘을 선택하는 것과, 상기 제1 진단 쉘 및 상기 셀 생성 데이터의 세트에 기초하여 제1 진단 셀을 생성하는 것과, 상기 제2 컴퓨터에 상기 제1 진단 셀을 전달하는 것에 기초하는, 상기 제1 결과를 저장하는 단계; 상기 제1 컴퓨터를 통해 기준들의 제2 세트를 획득하는 단계로서, 상기 기준들의 제2 세트는 상기 마스터 데이터 구조와 비교한, 상기 제1 결과를 포함하는, 상기 환자 데이터 구조의 제2 분석에 기초하는, 상기 기준들의 제2 세트를 획득하는 단계; 및 상기 제1 컴퓨터를 통해 제2 진단 셀을 생성할지 여부 및 제2 진단 쉘을 선택할지 여부 중 적어도 하나를 결정하는 단계로서, 상기 제2 진단 셀은 상기 제1 진단 쉘에 기초하고, 상기 제1 진단 쉘 및 상기 제2 진단 쉘은 과제 유형이 상이한, 상기 적어도 하나를 결정하는 단계.

첨부 도면들은 본 발명의 예시적인 실시예들을 예시한다. 그러한 도면들은 본 발명을 반드시 제한하는 것이라고 해석되어서는 안 된다. 같은 번호들 및/또는 유사한 넘버링 기법은 전체에 걸쳐 같은 및/또는 유사한 요소들을 나타낼 수 있다.
도 1은 본 발명에 따른 컴퓨터 네트워크 모델의 예시적인 실시예의 개략도를 도시한다.
도 2는 본 발명에 따른 컴퓨터 네트워크 아키텍처의 예시적인 실시예의 개략도를 도시한다.
도 3은 본 발명에 따른 컴퓨터 네트워크 다이어그램의 예시적인 실시예의 개략도를 도시한다.
도 4는 본 발명에 따른 컴퓨터의 예시적인 실시예의 개략도를 도시한다.
도 5는 본 발명에 따른 생성적 모델에 기초한 진단을 위한 프로세스의 예시적인 실시예의 흐름도를 도시한다.
도 6은 본 발명에 따른 생성적 모델에 기초한 치료를 위한 프로세스의 예시적인 실시예의 흐름도를 도시한다.
도 7은 본 발명에 따른 진단을 위한 프로세스의 예시적인 실시예의 흐름도를 도시한다.
도 8은 본 발명에 따른 치료를 위한 프로세스의 예시적인 실시예의 흐름도를 도시한다.
도 9는 본 발명에 따른 진단 및 치료를 위한 예시적인 실시예의 다이어그램을 도시한다.
도 10은 본 발명에 따른 자음들에 대한 음소 식별 진단 쉘 및 셀들의 예시적인 실시예의 다이어그램을 도시한다.
도 11은 본 발명에 따른 모음들에 대한 음소 식별 진단 쉘 및 셀들의 예시적인 실시예의 다이어그램을 도시한다.

본 발명은 이제 본 발명의 예시적인 실시예들이 도시되는, 첨부 도면들을 참조하여 보다 완전히 설명된다. 그러나, 본 발명은 많은 상이한 형태로 구현될 수 있고 반드시 본 출원에서 개시된 예시적인 실시예들로 제한하는 것이라고 해석되지는 않아야 한다. 오히려, 이들 예시적인 실시예는 본 발명이 철저하고 완전하며, 그리고 관련 기술분야에서의 통상의 기술자들에게 본 발명의 개념들을 전달하도록 제공된다.

특정한 예시적인 실시예들에 대하여 설명된 피처들은 다른 예시적인 실시예들에 그리고/또는 이들과 조합되고 서브-조합될 수 있다. 또한, 본 출원에 개시되는 바와 같은, 예시적인 실시예들의 상이한 측면들 및/또는 요소들은 또한 유사한 방식으로도 조합되고 서브-조합될 수 있다. 또한, 개별적이든 그리고/또는 총괄적이든, 몇몇 예시적인 실시예는 더 큰 시스템의 구성요소들일 수 있고, 여기서 다른 절차들이 이들의 애플리케이션보다 우선하고/하거나 이들의 애플리케이션을 다르게 변형할 수 있다. 추가적으로, 다수의 단계가 본 출원에서 개시되는 바와 같은, 예시적인 실시예들 이전, 이후, 그리고/또는 이들과 동시에 요구될 수 있다. 적어도 본 출원에서 개시되는 바와 같은, 임의의 그리고/또는 모든 방법 및/또는 프로세스는 임의의 방식으로 적어도 하나의 엔티티를 통해 적어도 부분적으로 수행될 수 있다.

본 출원에서 사용되는 용어는 직접적 또는 간접적, 완전한 또는 부분적, 일시적 또는 영구적, 행위 또는 무행위를 암시할 수 있다. 예를 들어, 요소가 다른 요소 "상에 있는", "에 연결되는" 또는 "에 결합되는" 것으로서 지칭될 때, 요소는 간접적 및/또는 직접적 변형들을 포함하여, 다른 요소 및/또는 개재되는 요소들 상에 직접 있거나, 연결되거나 또는 결합될 수 있다. 그에 반해, 요소가 다른 요소에 "직접 연결되는" 또는 "직접 결합되는" 것으로서 지칭될 때에는, 어떠한 개재되는 요소도 존재하지 않는다.

용어들 제1, 제2 등이 다양한 요소, 구성요소, 영역, 계층 및/또는 구획을 설명하기 위해 본 출원에서 사용될 수 있더라도, 이들 요소, 구성요소, 영역, 계층 및/또는 구획은 그러한 용어들에 의해 반드시 제한되는 것은 아니어야 한다. 이들 용어는 하나의 요소, 구성요소, 영역, 계층 또는 구획을 다른 요소, 구성요소, 영역, 계층 또는 구획과 구별하기 위해 사용된다. 따라서, 아래에서 논의될 제1 요소, 구성요소, 영역, 계층 또는 구획은 본 발명의 교시 내에서 제2 요소, 구성요소, 영역, 계층 또는 구획으로 칭해질 수 있다.

본 출원에서 사용되는 용어는 특정한 예시적인 실시예들을 설명하기 위함이고 본 발명을 반드시 제한하는 것으로는 의도되지 않는다. 본 출원에서 사용될 때, 단수 형태들은 문맥이 분명하게 다르게 표시하지 않는 한, 또한 복수 형태도 포함하도록 의도된다. 용어들 "구성하다", "포함하다" 및/또는 "구성하는", "포함하는"이 명세서에서 사용될 때, 언급된 피처들, 정수들, 단계들, 동작들, 요소들, 및/또는 구성요소들의 존재를 명시하나, 하나 이상의 다른 피처, 정수, 단계, 동작, 요소, 구성요소 및/또는 이들의 그룹의 존재 또는 추가를 배제하지 않는다.

본 발명의 예시적인 실시예들은 본 발명의 이상적 실시예들(및 중간 구조들)의 예시들에 대하여 본 출원에서 설명된다. 이와 같이, 예를 들어, 기술들 및/또는 공차들을 제조하는 것의 결과로서 예시들의 형태들로부터의 변형들이 예상될 것이다.

다르게 정의되지 않는 한, 본 출원에서 사용되는 모든 용어(기술적 및 과학적 용어들을 포함함)는 본 발명이 속하는 해당 기술분야에서의 통상의 기술자에 의해 통상적으로 이해될 바와 동일한 의미를 갖는다. 상용 사전들에서 정의되는 것들과 같은, 용어들은 관련 기술분야의 문맥에서 이들의 의미와 일치하는 의미를 가지는 것으로 해석되어야 하고 본 출원에서 분명히 그렇게 정의되지 않는 한 이상적 및/또는 너무 형식적 의미로 해석되지 않아야 한다.

더욱이, "~보다 아래", "~보다 하부", "~보다 위", 그리고 "~보다 상부"와 같은 상대적 용어들은 첨부 도면들에서 예시된 바와 같이 다른 요소에 대한 하나의 요소의 관계를 설명하기 위해 본 출원에서 사용될 수 있다. 그러한 상대적 용어들은 첨부 도면들에서 도시된 방향에 추가하여 예시된 기술들의 상이한 방향들을 포괄하도록 의도된다. 예를 들어, 첨부 도면들에서의 디바이스가 반전되었다면, 다른 요소들의 "보다 하부" 측 상에 있는 것으로 설명되는 요소들은 그 후 다른 요소들의 "보다 상부" 측들 상에 배향될 수 있다. 유사하게, 도면들 중 하나에서의 디바이스가 전환된 경우, 다른 요소들 "보다 아래" 또는 "보다 밑"으로서 설명되는 요소들은 그 후 다른 요소들 "보다 위"에 배향될 수 있다. 따라서, 예시적인 용어들 "~보다 아래" 및 "~보다 하부"는 위 그리고 아래의 방향 양자를 포괄할 수 있다.

본 출원에서 사용될 때, 용어 "약" 및/또는 "실질적으로"는 공칭의 값/용어로부터의 +/- 10% 변형을 나타낸다. 그러한 변형은 그러한 변형이 구체적으로 이로서 지칭되든 아니든, 본 출원에서 제공되는 임의의 소정의 값/용어에 항상 포함된다.

임의의 발명들이 참조로 본 출원에 통합되고 그러한 발명들이 본 발명과 부분적으로 그리고/또는 전체적으로 모순된다면, 본 발명은 모순, 및/또는 보다 광범위한 발명, 및/또는 보다 광범위한 용어들의 정의의 정도까지, 제어한다. 그러한 발명들이 부분적으로 그리고/또는 전체적으로 서로 모순된다면, 차후 발명은 모순의 정도까지, 제어한다.

몇몇 실시예에서, 본 발명은 언어-관련 장애들을 갖는 환자들에 대한 개별적 진단 및 치료를 제공하기 위한 컴퓨팅 기술을 가능하게 한다. 기술은 네트워크를 통해 적어도 하나의 컴퓨팅 디바이스에 전달되는 컴퓨터가 생성한 진단 및 컴퓨터가 생성한 치료를 가능하게 한다. 진단 및 치료는 평가 및 치료의 각 레벨에서의 정확한 반응들의 세트와 함께, 네트워크를 통해 환자로부터 획득되는 바와 같은, 환자의 생성 및 지각(reception) 에러들의 포괄적인 분석을 통해 각 환자에 대해 맞춤화된다. 기술은 관련된 환자 모집단에 대해 예상되는 모든 가능한 정확한 및 부정확한 반응의 사전 설정한 매트릭스에 환자의 반응들을 매칭하는 것을 통해 그러한 에러 분석을 수행한다. 이러한 에러 분석은 기술이 환자의 장애의 기저를 이루는 특정한 언어-처리 결손을 효율적으로 그리고 포괄적으로 목표로 삼는 개인 특정 진단 및 치료 셀들을 제공하게 한다. 셀들의 각각은 언어 및/또는 언어 기능의 측면에 중점을 둔 테스트 및/또는 연습 유닛이다. 기술은 학습 분석 컴퓨터 알고리즘 또는 유사한 접근법이 언어-처리 결손들을 교정하는 것에 있어서의 기술의 효능을 모니터링하고 개선하기 위해 채용되는 환자의 정확한 반응들 및 비문법적 생성들을 저장하는 데이터베이스를 더 가능하게 한다. 본 발명은 언어 처리에 관한 것이기 때문에, 본 발명의 범위는 언어에 의해 제공되는 의사소통 및/또는 인지 기능들을 위한 언어 구조들 이상으로 더 확장된다. 언어-관련 장애들의 과학적 이해가 향상됨에 따라, 본 발명은 위기에 처할 식별되는 모집단들을 위한 예방 프로그램으로서의 역할을 또한 할 수 있다. 언어-관련 장애가 난독증, 특수 언어 장애, 청각 처리 장애, 및 실어증 중 적어도 하나를 포함하더라도, 다른 언어-관련 장애들도 또한 포함된다는 것을 주목하자.

몇몇 실시예에서, 본 발명은 환자의 진단 결과들의 사용이 환자의 맞춤화된 치료의 내용을 생성하게 한다. 컴퓨터화된 진단 및 치료 프로그램을 사용하는 것을 통해, 다양한 원격 디바이스에 네트워크 서비스들을 전달하면서, 본 발명은 언어 장애, 난독증, 실어증, 또는 숙련된 기능 보유자들에게 공지된 기타의 것들과 같은, 언어 처리에 영향을 미치는 장애들을 갖는 상당수의 환자에 이르는 것에 있어서 상대적으로 효율적이고 비용 효과가 높다. 필적할만한 이점들을 갖는 클라우드 컴퓨팅 및/또는 다른 네트워크 기술들을 사용하는 것을 통해, 본 발명은 언제라도 복수의 모바일 사용자에 접속가능한 컴퓨터화된 프로그램으로서의 편의를 제공하고, 따라서 프로그램의 효능을 강화한다. 본 발명은 원격 서버들 상에서 프로그램을 실행하는 것 및 이들 상에 적어도 몇몇 환자 데이터를 저장하는 것 양자를 가능하게 하고, 그렇게 함으로써 환자들에 의해 채용될 수 있는 다수의 원격 디바이스를 확장한다.

본 발명은 몇몇 고유한 측면에서 언어-관련 장애들을 진단하고, 평가하며, 그리고 치료하는 것을 목적으로 한다. 첫째로, 몇몇 실시예에서, 본 발명에 기초한 진단은 진단이 각 환자의 언어 기능들 및 구조들에서의 특정한 문제 영역들의 세트를 식별하여, 결정적 모델에 적어도 부분적으로 기초하기 때문에 확정적이다. 평가의 각 레벨은 이전 레벨들의 분석들을 확인하고 검증한다. 현재는, 난독증이 정상적 범위의 지능 지수(IQ)와 완전히 다르게 기능하는 개인에서의 예기치 않은 이상으로 간주되기 때문에, 환자의 난독증이 다양한 영역의 언어적 및 인지 능력을 커버하는 테스트들의 세트를 통해 측정되는 바와 같이, 공지된 난독증에 대해 필적할 만한 확정적 진단 테스트가 존재하지 않는다. 따라서, 난독증을 진단하기 위해, 심리학자는 현재 집행 기능의 신경 심리학적 평가 및 테스트들과 함께, 웩슬러 아동용 지능 검사-IV 통합형(WISC-IV), 웩슬러 개인 성취도 테스트-III(WIAT-III), 보스턴 이름 대기 테스트, Menyuk 문법 이해 테스트, 기억 및 학습의 광 범위 평가-I (WRAML-II), 피보디 회화 어휘 테스트-IV를 시행할 수 있다. 그러한 테스트들은 공인된 전문가들이 운영하기 위해 시간 소모적이고 따라서 대부분 가정에 너무 비용이 많이 든다. 더욱이, 그러한 테스팅에 기초한 진단들은 규범적 데이터에 기초하여, 통상적으로 확률적이다. 과학계의 몇몇 부가 현재 IQ 테스팅이 난독증을 진단하기 위해 불필요하다고 언명하지만, 관련 분야에는 여전히 신뢰할 수 있는 진단 도구가 없다.

둘째로, 몇몇 실시예에서, 본 발명은 개별적된 평가 및 치료의 창출을 가능하게 한다. 개시된 기술이 그녀의 훈련의 모든 단계에서 각 환자의 지각 및 생성 에러들을 분석하고/하거나 다루기 때문에, 본 발명은 보다 확정적 진단 및 효율적 및 효과적 치료를 가능하게 한다. 프로그램은 각 사용자의 기저를 이루는 언어-처리를 다루기 위해 진단 및 치료 셀들을 개별적으로 맞춤화한다. 예를 들어, 환자가 진단 단계 동안의 음소 식별 테스트 동안 /θ/ (“th”) 소리에 에러를 범하면, 문제를 확인하고 그녀의 처리 결손의 보다 미세한 세부 사항들을 획득하기 위해 추가 진단 테스팅 동안의 단어 분할 테스트에 이러한 /θ/ 소리를 갖는 단어들이 포함된다. 이들 세부 사항은 /θ/에 그러한 문제들이 발생하는 소리 환경을 포함할 수 있다. 소리 환경은 단어-첫글자, 단어-중간, 및/또는 단어-말 위치와 같은, 단어에서의 해당 음소의 위치 및/또는 해당 음소에 인접한 소리와 같은, 특정한 음소를 둘러싸는 음운적 상황이다. 예를 들어, 환자는 tee th 와 같은, 단어-말 위치에서의 음소 /θ/에 어려움을 가지나, th ink와 같은, 단어-첫글자 위치에서는 그렇지 않을 수 있다. 그에 반해, 현재는, 많은 임상의는 모든 환자에 균등하게 적용되는, 사전 설정한 진단 테스트들을 사용한다. 게다가, "개인-기반"으로 칭하는 통용되는 방법론들은 단지 사용자들을 이전 수행에 기초하여 보다 높거나 동일한 난이도의 다음 사전 설정한 테스트 및/또는 훈련으로 이동시킨다. 그러한 사전 설정한, 직선적 프로그램은 그러한 프로그램들이 사용자들의 과제 수행 동안 이들에 의해 범해지는 에러들의 패턴들을 분석하고 후속 치료를 발전시키기 위해 분석 결과들을 사용할 수 없기 때문에 프로그램들의 훈련 상황을 "미세-조정"할 수 없으며, 이는 본 발명이 가능하게 한다. 게다가, 본 발명은 "미래-보증" 즉 이에 기초하여 교정하기 위한 새로운 치료 셀들을 생성함으로써 치료의 임의의 스테이지에서의 새롭게 발견된 처리 문제들에 대한 반응을 가능하게 한다. 보다 상세하게는, 진단, 평가, 및/또는 치료가 비-직선적, 생성적 방식으로 본 발명에서 단단히 통합되며, 이는 언어-관련 장애들이 큰 폭의 개인 차이를 갖는 연속체(continuum) 상에서 발생하는 경향이 있기 때문에 중요하다.

셋째로, 몇몇 실시예에서, 본 발명은 언어-처리 결손들 - 에 대한 보상(compensation)이 아닌 - 의 교정(correction)을 가능하게 한다. 보다 상세하게는, 난독증의 치료들은 일반적으로 교정적 접근법들을 이용하는 것들 및 보상적 접근법들을 이용하는 것들로 나눠질 수 있다. 대부분 제공자는 보상적 기술들에 중점을 두고 그에 따라 난독증을 평생 장애로서 통상적으로 받아들인다. 사실, 몇몇 전문가는 난독증을 평생 병태라는 꼬리표를 붙인다. 문제를 교정하려고 시도하는 많지 않은 제공자는 관련된 모집단에 대해 반복가능한 방식으로 성공적으로 아직 그렇게 하지 않았다. 몇몇 인지 과학자는 여전히 기대를 드러내지만, 그러한 목적은 해당 기술분야에서 여전히 달성하기 힘들다. 또한, 몇몇 과학자는 과학적 학습 법인에 의한 패스트 포워드(Fast ForWord)와 같은, 교정적 프로그램들은 이러한 목적을 달성하는 것에 실패했다. 기대와 실현 사이의 이러한 갭의 하나의 이유는 본 발명의 맥락에서 분명하다: 패스트 포워드와 같은, 교정적 프로그램들은 교정적 프로그램들이 사전 설정한 모듈들을 갖는 직선적 모델들에 기초하기 때문에 직접적으로 대부분 개인의 언어-처리 문제들을 다룰 수 없다. 그에 반해, 본 발명은 비-직선적이고 훈련의 모든 스테이지의 각 사용자의 수행에 반응한다. 게다가, 그러한 기존 방법들은 음성 입력을 인위적으로 변형하고 처리 속도에 중점을 두기 위해 비-음성 소리들을 사용한다. 그에 반해, 본 발명은 입력이 더 이상 자연적 음성과 같이 들리지 않는 것과 같은 방식으로 음성 신호들을 디지털 방식으로 바꾸지 않는다. 자연적 음성은 언어 장애들을 갖지 않는 원어민 화자의 구술이고 자연적 환경들에서 인간 상호작용 동안 자연스럽게 생성된다. 그러나, 자연적 음성의 특정한 운율적 특징들은 영유아들과의 상호작용들 또는 흥분적 순간들 동안 과장될 수 있다. 사실, 본 발명은 입력으로서 사용자들이 입력을 분명하게 듣는 것을 돕기 위해 자연적 음성의 운율(즉, 길이, 높이, 강세)를 과장하는 화자들의 라이브 및/또는 녹음된 음성을 사용할 수 있다. 본 발명은 청각 처리 속도에 중점을 둘 뿐만 아니라, 언어의 모든 성분의 사용자의 생성 및 지각을 분석하고 전부는 아니더라도, 어휘(단어) 표상 및 검색을 포함하여, 대부분 다른 기저를 이루는 이슈도 또한 다룬다.

넷째로, 몇몇 실시예에서, 본 발명은 각 사용자의 언어-처리 문제들의 종합적 교정을 가능하게 한다. 난독증과 같은, 그러한 유형의 언어-관련 장애가 지속되는 하나의 이유는 기존 진단, 평가, 및 치료 모델들이 각 개인의 언어 결손의 다수의 측면에 민감하지 않다는 것이다. 대부분 현재 방법론은 기껏해야, 환자의 정확한 반응들을 녹음하고 부정확한 반응들은 폐기한다. 그에 반해, 본 발명은 특정한 어려운 영역들을 식별하는 에러들의 패턴들을 찾기 위해 환자의 부정확한 반응들의 분석을 가능하게 한다. 본 기술은 각 사람에 특정한(또는 고유한) 모든 문제를 목표로 삼고 교정하는 치료를 위한 지침으로서의 역할을 하기 위한 환자의 언어 지각 및 생성 기능들의 모델을 구축하기 위해 에러들의 그러한 패턴들을 사용한다. 본 발명에서, 에러 분석은 환자의 실제 반응들을 목표가 된 정확한 반응들의 세트와 비교하기 위해 사용된다. 예를 들어, 에러 분석은 환자가 대치들을 필요로 하는 문맥들에서 환자의 생략 및 부정확한 대치들에 기초하여, 관사들(the, a, an)을 처리하는 어려움을 갖는다는 것을 드러낼 수 있다. 치료 단계 전체에 걸쳐 이러한 진행중인 에러 분석은 컴퓨터 프로그램이 필요에 따라 계속하여, 수정하면서 치료 및 평가를 업데이트하게 한다. 프로그램의 이들 고유의 강점은 그러한 언어-처리 장애들을 갖는 환자 모집단 및 통상적 모집단의 언어적 행동들 및 출력들의 세트의 막대한 지식에 의거하는, 프로그램의 예측 특징에 의해 가능해진다. 따라서, 본 발명은 현재 읽기 중재의 효과적 표준화된 접근법의 부재를 고려할 때, 개별적, 자료 주도 방법론을 가능하게 한다.

다섯째로, 몇몇 실시예에서, 본 발명은 계속적으로 프로그램 효능을 향상시키기 위해 저장된 환자 반응들의 적어도 하나의 데이터베이스에, IBM 왓슨(Watson), 애플 시리(Apple Siri), 구글 나우(Google Now), 또는 마이크로소프트 코타나(Microsoft Cortana)와 같은, 학습 분석 알고리즘들 및 다른 지능형 데이터 처리 기술들 및/또는 인공 지능(AI) 기술들의 애플리케이션을 가능하게 한다. 본 발명은 누적된 정보의 데이터 마이닝이 예를 들어, 어떤 유형들의 테스트 사항들이 빈번하게 생성되는지 및 어떤 평가 유닛들이 첫 시도 실패들로 인해 반복되는지를 발견하게 한다. 프로그램은 자원들을 가장 빈번하게 사용된 유형들의 테스트들의 내용을 개선하는 것에 그리고 본 출원에서 설명되는 바와 같이, 특정한 치료 셀들의 효과를 향상시키는 것에 집중시키기 위해 이러한 유형의 저장된 정보를 사용한다. 그러한 정보는 본 출원에서 설명되는 바와 같이, 학습 분석 데이터베이스에 저장된다. 예를 들어, 프로그램이 환자의 뇌의 어떤 특정한 기능적 영역들이 영향을 받는지 식별할 수 있기 때문에, 사용자들의 큰 그룹들로부터 이러한 데이터베이스에 수집되는 바와 같은, 그러한 정보는 각 새로운 환자의 경과 진로를 예측하고/하거나, 그녀의 치료 스케줄을 계획하고/하거나, 치료의 지속기간을 추정하기 위해 사용될 수 있다.

몇몇 실시예에서, 본 발명은 양자가 임의의 방식으로, 적어도 하나의 컴퓨터화된 데이터베이스에서 호스팅되는 데이터에 기초하는, 진단 단계 및 치료 단계를 포함하는 컴퓨터 프로그램을 가능하게 한다. 프로그램은 네트워크를 통해 적어도 하나의 데이터베이스와 인터페이싱한다. 진단 단계 및 치료 단계 중 적어도 하나는 직접적으로든 간접적으로든, 언어-관련 장애 임상의의 개입 없이, 전체적으로든 부분적으로든, 발생할 수 있다는 것을 주의하자.

하드웨어 모듈 및/또는 소프트웨어 모듈을 통해 적어도 부분적으로 수행될 수 있는, 진단 단계는 복수의 진단 쉘 및 복수의 진단 셀의 배치를 포함한다. 몇몇 실시예에서, 진단 쉘들 중 적어도 하나는 명령들의 세트, 기능, 절차, 호, 루틴, 서브루틴, 벡터, 알고리즘, 휴리스틱, 파라미터, 기준, 애플릿(applet), 라이브러리, 동작, 커맨드, 모듈, 데이터 구조, 예를 들어, 매트릭스, 큐, 어레이, 스택, 덱, 연결된 리스트, 테이블, 트리, 또는 기타, 클래스, 객체, 노드, 플래그, 영숫자 값, 기호 값, 해시, 파일, 드라이버, 소프트웨어 애플리케이션, 및/또는 이들의 임의의 조합들 및/또는 등가물들 중 적어도 하나를 통해 구현될 수 있다. 진단 쉘들의 각각은 언어 기능의 테스트로서의 역할을 하는 규정된 활동에 대한 절차이다. 그러한 절차는 임의의 테스트 사항들을 포함하지 않는다. 대신에, 테스트는 진단 셀을 통해 전달되며, 이는 테스트 사항의 진단 쉘로의 삽입을 통해 생성된다. 보다 상세하게는, 각 진단 쉘은 테스트의 유형인 한편, 각 진단 셀은 실제적, 특정한 테스트이다. 몇몇 실시예에서, 진단 셀들 중 적어도 하나는 명령들의 세트, 기능, 절차, 호, 루틴, 서브루틴, 벡터, 알고리즘, 휴리스틱, 파라미터, 기준, 애플릿, 라이브러리, 동작, 커맨드, 모듈, 데이터 구조, 예를 들어, 매트릭스, 큐, 어레이, 스택, 덱, 연결된 리스트, 테이블, 트리, 또는 기타, 클래스, 객체, 노드, 플래그, 영숫자 값, 기호 값, 해시, 파일, 드라이버, 소프트웨어 애플리케이션, 및/또는 이들의 임의의 조합들 및/또는 등가물들 중 적어도 하나를 통해 구현될 수 있다. 본 출원에서 설명되는 기술은 내용을 진단 쉘들에 둠으로써 각 환자에 대한 진단 테스트들의 생성을 가능하게 한다. 그에 따라 생성되는 각 테스트가 진단 셀이다. 예를 들어, 진단 쉘이 어휘(단어) 검색을 수반한다면, 프로그램은 명사들을 수반하는 제1 진단 셀 및 동사들을 수반하는 제2 진단 셀을 생성한다. 프로그램은 마스터 매트릭스와 같은, 제1 데이터 구조에서 특정한 사항들 및/또는 특정한 사항들의 세트를 검색하는 것을 통해 진단 셀을 생성한다. 큐, 스택, 덱, 연결된 리스트, 테이블, 트리, 또는 기타와 같은, 다른 유형들의 데이터 구조들이 또한 사용될 수도 있다는 것을 주의하자. 또한, 제1 데이터 구조는 색인이 달린 것 및 탐색가능한 것 중 적어도 하나일 수 있다는 것을 주의하자.

본 발명의 몇몇 실시예는 소리-기호 매칭 진단 쉘을 포함한다. 예를 들어, 그러한 쉘은 환자가 이를테면 물리적이든 그리고/또는 가상적이든, 프로그램을 실행하는 컴퓨터에 결합되는 키보드를 통해, 그리고/또는 이를테면 프로그램을 실행하는 컴퓨터에 결합되는 디스플레이 상에 디스플레이되는 옵션들의 세트에서 선택하는 것을 통해, 이를테면 프로그램을 통한 출력, 들리는 소리 /h/에 대해 h를 타이핑하는 것을 통해, 오디오 녹음 시 환자에 의해 들리는 소리에 매칭하는 것을 통해, 글자 및/또는 문자와 같은, 기호를 입력하게 한다. 그 후 프로그램은 마스터 매트릭스와 같은, 데이터 구조에서의 저장된 정확학 반응들의 세트와 환자의 반응을 대조하고, 필요에 따라, 환자의 정확한 반응들 및 다른 피드백의 전체를 제공한다. 그 후 프로그램은 새로운 진단 셀 및/또는 치료 셀을 생성하기 위해, 마스터 매트릭스와 같은, 데이터 구조에 저장된 바와 같은, 예측된 에러들의 세트에 환자의 부정확한 반응들을 매칭한다.

본 발명의 몇몇 실시예는 어휘 접근(lexical access) 진단 쉘을 포함한다. 예를 들어, 그러한 쉘은 환자가 설정된 시간 제한들 내에, 프로그램을 실행하는 컴퓨터에 결합되는, 마이크로폰에 말함으로써, 또는 물리적이든 그리고/또는 가상적이든, 프로그램을 실행하는 컴퓨터에 결합되는, 키보드를 통해 타이핑함으로써, "B"로 시작되는 단어들과 같은, 지정된 기준에 따라 단어들을 나열하게 한다. 그 후 프로그램은 마스터 매트릭스와 같은, 데이터 구조에서의 정확학 반응들의 세트와 환자의 반응들을 대조하고, 필요에 따라, 환자의 정확한 반응들 및 다른 피드백의 전체를 제공한다. 그 후 프로그램은 환자의 부정확한 반응들을 소리-기반 또는 음율적 에러들, 의미-기반 또는 의미론적 에러들과 같은, 카테고리들의 세트로 분류하고, 새로운 진단 셀 및/또는 치료 셀을 생성하기 위해, 마스터 매트릭스와 같은, 데이터 구조에 저장된 바와 같은, 관련 카테고리에서의 예측된 에러들의 세트에 부정확한 반응들을 매칭한다.

본 발명의 몇몇 실시예는 어휘 검색 진단 쉘을 포함한다. 예를 들어, 그러한 쉘은 환자가 프로그램을 실행하는 컴퓨터에 결합되는, 마이크로폰에 말하는 것 또는 디스플레이 상에 디스플레이되는 옵션들의 리스트/스크린들로부터의 명칭을 선택적으로 활성화/클릭하는 것을 통해, 대상의 이미지가 컴퓨터에 결합되는 디스플레이 상에 디스플레이되는 바와 같은, 대상을 명명하게 한다. 그 후 프로그램은 마스터 매트릭스와 같은, 데이터 구조에서의 저장된 정확학 반응들의 세트와 환자의 반응들을 대조하고, 필요에 따라, 환자의 정확한 반응들 및 다른 피드백의 전체를 제공한다. 그 후 프로그램은 환자의 부정확한 반응들을 소리-기반 또는 음율적 에러들, 의미-기반 또는 의미론적 에러들과 같은, 카테고리들의 세트로 분류하고, 새로운 진단 셀 및/또는 치료 셀을 생성하기 위해, 마스터 매트릭스와 같은, 데이터 구조에 저장된 바와 같은, 관련 카테고리에서의 예측된 에러들의 세트에 부정확한 반응들을 매칭한다.

본 발명의 몇몇 실시예는 음절 구분 진단 쉘을 포함한다. 예를 들어, 그러한 쉘은 환자가 프로그램을 실행하는 컴퓨터에 결합되는 스피커를 통한 청각적 출력이든 그리고/또는 프로그램을 실행하는 컴퓨터에 결합되는 디스플레이를 통한 시각적 출력이든, 단어를 분해하게 한다. 그러한 단어 분해는 이를테면 물리적이든 그리고/또는 가상적이든, 프로그램을 실행하는 컴퓨터에 결합되는 키보드에 타이핑하는 것 및/또는 프로그램을 실행하는 컴퓨터에 결합되는 마이크로폰에 말하는 것을 통해, un- der -stand와 같이, 유효한 단어 내 다수의 각각의 음절을 입력하는 것을 통해 발생한다. 그 후 프로그램은 마스터 매트릭스와 같은, 데이터 구조에 저장된 바와 같은, 정확학 반응들의 세트와 환자의 반응들을 대조하고, 필요에 따라, 환자의 정확한 반응들 및 다른 피드백의 전체를 제공한다. 그 후 프로그램은 새로운 진단 셀 및/또는 치료 셀을 생성하기 위해, 마스터 매트릭스와 같은, 데이터 구조에 저장된 바와 같은, 예측된 에러들의 세트에 부정확한 반응들을 매칭한다.

본 발명의 몇몇 실시예는 단어 분할 진단 쉘을 포함한다. 예를 들어, 그러한 쉘은 환자가 프로그램을 실행하는 컴퓨터에 결합되는 디스플레이 상에 디스플레이되는 단어를 분해하게 한다. 그러한 단어 분해는 이를테면 프로그램을 실행하는 컴퓨터에 결합되는 마이크로폰에 click에 대해 /k l Ι k/과 같이, 유효한 단어의 각각의 소리의 분절음들을 말하는 것을 통해 발생한다. 그 후 프로그램은 마스터 매트릭스와 같은, 데이터 구조에 저장된 바와 같은, 저장된 정확학 반응들의 세트와 환자의 반응들을 대조하고, 필요에 따라, 환자의 정확한 반응들 및 다른 피드백의 전체를 제공한다. 그 후 프로그램은 새로운 진단 셀 및/또는 치료 셀을 생성하기 위해, 마스터 매트릭스와 같은, 데이터 구조에 저장된 바와 같은, 예측된 에러들의 세트에 부정확한 반응들을 매칭한다.

본 발명의 몇몇 실시예는 단어 인식 진단 쉘을 포함한다. 예를 들어, 그러한 쉘은 환자가 녹음된 소리 또는 단어를 듣고/거나 프로그램을 실행하는 컴퓨터에 결합되는 디스플레이 상에 디스플레이되는 기호 또는 단어를 보게 한다. 디스플레이 상에 디스플레이되는 패시지(passage)로부터, 환자는 이를테면 입력 디바이스, 예를 들어 키보드 또는 터치패드를 통해, 하이라이팅하는 것, 또는 이를테면 입력 디바이스, 예를 들어, 마우스를 통해, 그러한 단어들 중 임의의 단어를 클릭하는 것을 통해 언명한 단어에 매칭하거나 해당 소리 및/또는 기호를 갖는 프린트에서의 임의의 단어들을 고른다. 그 후 프로그램은 마스터 매트릭스와 같은, 데이터 구조에 저장된 바와 같은, 정확학 반응들의 세트와 환자의 반응들을 대조하고, 필요에 따라, 환자의 정확한 반응들 및 다른 피드백의 전체를 제공한다. 그 후 프로그램은 새로운 진단 셀 및/또는 치료 셀을 생성하기 위해, 마스터 매트릭스와 같은, 데이터 구조에 저장된 바와 같은, 예측된 에러들의 세트에 부정확한 반응들을 매칭한다.

본 발명의 몇몇 실시예는 음소 식별 진단 쉘을 포함한다. 예를 들어, 그러한 쉘은 환자가 이를테면 프로그램을 실행하는 컴퓨터에 결합되는 디스플레이를 통해, 시각적으로든, 그리고/또는 이를테면 프로그램을 실행하는 컴퓨터에 결합되는 스피커를 통해, 청각적으로든, 출력된 단어들의 문자열로부터 특정한 소리를 포함하는 임의의 단어를 고르게 한다. 그러한 고르기는 물리적이든 그리고/또는 가상적이든, 디스플레이 상의 버튼을 클릭하는 것 또는 마이크로폰에, 선택된 단어를 반복하는 것을 통해 수행된다. 그 후 프로그램은 마스터 매트릭스와 같은, 데이터 구조에 저장된 바와 같은, 정확학 반응들의 세트와 환자의 반응들을 대조하고, 필요에 따라, 환자의 정확한 반응들 및 다른 피드백의 전체를 제공한다. 그 후 프로그램은 새로운 진단 셀 및/또는 치료 셀을 생성하기 위해, 마스터 매트릭스와 같은, 데이터 구조에 저장된 바와 같은, 예측된 에러들의 세트에 환자의 부정확한 반응들을 매칭한다.

본 발명의 몇몇 실시예는 압운(rhyming) 진단 쉘을 포함한다. 예를 들어, 그러한 쉘은 환자가 출력 단어(자극 단어)와 운이 맞는 임의의 단어(반응 단어들)을 고르게 한다. 출력 단어는 이를테면 프로그램을 실행하는 컴퓨터에 결합되는 디스플레이를 통해, 시각적으로든, 그리고/또는 이를테면 프로그램을 실행하는 컴퓨터에 결합되는 스피커를 통해, 청각적으로든, 출력된다. 그러한 고르기는 반응 단어가 나타날 때 물리적이든 그리고/또는 가상적이든, 디스플레이 상의 버튼을 클릭하는 것을 통해 또는 마이크로폰에, 출력 단어(자극 단어)와 운이 맞는 단어를 말하는 것을 통해 수행된다. 그 후 프로그램은 마스터 매트릭스와 같은, 데이터 구조에 저장된 바와 같은, 정확학 반응들의 세트와 환자의 반응들을 대조하고, 필요에 따라, 환자의 정확한 반응들 및 다른 피드백의 전체를 제공한다. 그 후 프로그램은 새로운 진단 셀 및/또는 치료 셀을 생성하기 위해, 마스터 매트릭스와 같은, 데이터 구조에 저장된 바와 같은, 예측된 에러들의 세트에 부정확한 반응들을 매칭한다.

본 발명의 몇몇 실시예는 형태소 인식 진단 쉘을 포함한다. 예를 들어, 그러한 쉘은 환자가 프로그램을 실행하는 컴퓨터에 결합되는 디스플레이 상에 디스플레이되는 임의의 단어에서 발견되는 접사들을, 프로그램을 실행하는 컴퓨터에 결합되는 마우스와 같은, 입력 디바이스로 하이라이팅하고/하거나 프로그램을 실행하는 컴퓨터에 결합되는 키보드로 타이핑하게 한다. 그 후 프로그램은 마스터 매트릭스와 같은, 데이터 구조에 저장된 바와 같은, 정확학 반응들의 세트와 환자의 반응들을 대조하고, 필요에 따라, 환자의 정확한 반응들 및 다른 피드백의 전체를 제공한다. 그 후 프로그램은 새로운 진단 및/또는 치료 셀을 생성하기 위해, 마스터 매트릭스와 같은, 데이터 구조에 저장된 바와 같은, 예측된 에러들의 세트에 부정확한 반응들을 매칭한다.

본 발명의 몇몇 실시예는 빠른 명명 진단 쉘을 포함한다. 예를 들어, 그러한 쉘은 환자가 프로그램을 실행하는 컴퓨터에 결합되는, 마이크로폰에, 프로그램을 실행하는 컴퓨터에 결합되는, 디스플레이 상에 비춰지는 단어를 설정된 시간 제한들 하에 또는 가속 속도들로, 읽게 한다. 단어는 좌에서 우로 한 번에 하나의 글자씩 또는 상이한 색상들 또는 형태들로 몇몇 글자와 같이, 임의의 방식으로 디스플레이할 수 있다. 그 후 프로그램은 마스터 매트릭스와 같은, 데이터 구조에 저장된 바와 같은, 정확학 반응들의 세트와 환자의 반응을 대조하고, 필요에 따라, 목표로 한 속도들의 환자의 정확한 반응들 및 다른 피드백의 전체를 제공한다. 그 후 프로그램은 새로운 진단 셀 및/또는 치료 셀을 생성하기 위해, 마스터 매트릭스와 같은, 데이터 구조에 저장된 바와 같은, 예측된 에러들의 세트에 부정확한 반응들을 매칭한다.

본 발명의 몇몇 실시예는 빠른 처리 진단 쉘을 포함한다. 예를 들어, 그러한 쉘은 환자가 설정된 시간 제한들 하에 또는 가속 속도들로 적어도 하나의 다른 진단 쉘에서 테스트들 중 하나 이상을 수행하게 한다. 그 후 프로그램은 마스터 매트릭스와 같은, 데이터 구조에 저장된 바와 같은, 정확학 반응들의 세트와 환자의 반응을 대조하고, 필요에 따라, 목표로 한 속도들의 환자의 정확한 반응들 및 다른 피드백의 전체를 제공한다. 그 후 프로그램은 새로운 진단 셀 및/또는 치료 셀을 생성하기 위해, 마스터 매트릭스와 같은, 데이터 구조에 저장된 바와 같은, 예측된 에러들의 세트에 부정확한 반응들을 매칭한다.

본 발명의 몇몇 실시예는 읽기 유창성 진단 쉘을 포함한다. 예를 들어, 그러한 쉘은 환자가 프로그램을 실행하는 컴퓨터에 결합되는, 마이크로폰에, 프로그램을 실행하는 컴퓨터에 결합되는, 디스플레이 상에 디스플레이되는 패시지를 읽게 한다. 그 후 프로그램은 필요에 따라, 읽기 에러들을 식별하고 녹음하고 피드백을 제공하기 위해 음성 또는 음향 인식 소프트웨어 또는 라이브 보조기를 사용한다. 라이브 보조는 전화 통화, 화상 회의 세션, 챗, 또는 기타와 같은, 적어도 하나의 방법을 통해 접속될 수 있다. 그 후 프로그램은 임의의 포착된 읽기 에러들을 소리-기반 또는 음율적 에러들, 의미-기반 또는 의미론적 에러들과 같은, 카테고리들의 세트로 분류하고, 새로운 진단 셀 및/또는 치료 셀을 생성하기 위해, 마스터 매트릭스와 같은, 데이터 구조에 저장된 바와 같은, 예측된 에러들의 세트에 환자의 에러들을 매칭한다.

임의의 셀 테스트 또는 셀 과제가 터치스크린 피처, 클리커, 또는 앱과 같은, 새로운 양상 또는 디바이스를 통해 수행될 수 있다는 것을 주의하자. 또한, 임의의 셀 테스트 또는 셀 과제가 하나의 셀에서 반복될 수 있다는 것을 주의하자. 추가적으로, 임의의 셀 테스트 또는 테스트 과제가 연령에 적절한 대화형 게임들로서 설계될 수 있다는 것을 주의하자.

진단 모듈과 별개이든 또는 하나의 모듈로서이든, 하드웨어 모듈 및/또는 소프트웨어 모듈을 통해 적어도 부분적으로 수행될 수 있는, 치료 단계는 복수의 치료 쉘 및 복수의 치료 셀의 배치를 포함한다. 몇몇 실시예에서, 치료 쉘들 중 적어도 하나는 명령들의 세트, 기능, 절차, 호, 루틴, 서브루틴, 벡터, 알고리즘, 휴리스틱, 파라미터, 기준, 애플릿, 라이브러리, 동작, 커맨드, 모듈, 데이터 구조, 예를 들어, 매트릭스, 큐, 어레이, 스택, 덱, 연결된 리스트, 테이블, 트리, 또는 기타, 클래스, 객체, 노드, 플래그, 영숫자 값, 기호 값, 해시, 파일, 드라이버, 소프트웨어 애플리케이션, 및/또는 이들의 임의의 조합들 및/또는 등가물들 중 적어도 하나를 통해 구현될 수 있다. 그러한 실시예들이 치료용 쉘들 중 적어도 하나와 동일하고/하거나 비유사한할 수 있다는 것을 주의하자. 치료 셀들은 진단 쉘들로부터 생성된 진단 셀들과 유사하게 치료 쉘들로부터 생성된다. 몇몇 실시예에서, 치료용 셀들 중 적어도 하나는 명령들의 세트, 기능, 절차, 호, 루틴, 서브루틴, 벡터, 알고리즘, 휴리스틱, 파라미터, 기준, 애플릿, 라이브러리, 동작, 커맨드, 모듈, 데이터 구조, 예를 들어, 매트릭스, 큐, 어레이, 스택, 덱, 연결된 리스트, 테이블, 트리, 또는 기타, 클래스, 객체, 노드, 플래그, 영숫자 값, 기호 값, 해시, 파일, 드라이버, 소프트웨어 애플리케이션, 및/또는 이들의 임의의 조합들 및/또는 등가물들 중 적어도 하나를 통해 구현될 수 있다. 그러한 실시예들은 치료용 셀들 중 적어도 하나와 동일하고/하거나 비유사할 수 있다는 것을 주의하자. 또한, 각 치료 셀은 훈련 유닛 및 평가 유닛을 포함한다. 훈련 유닛은 새로운 드릴을 갖는 연습을 가능하게 하는 한편, 평가 유닛은 이전에 또는 현재 커버되는 측면들에 대한 수행을 평가한다. 그러나, 다른 실시예들에서, 치료 셀들은 진단 쉘들로부터 생성된 진단 셀들과 비유사하게 치료 쉘들로부터 생성된다. 또한, 몇몇 실시예에서, 훈련 유닛들 중 적어도 하나는 명령들의 세트, 기능, 절차, 호, 루틴, 서브루틴, 벡터, 알고리즘, 휴리스틱, 파라미터, 기준, 애플릿, 라이브러리, 동작, 커맨드, 모듈, 데이터 구조, 예를 들어, 매트릭스, 큐, 어레이, 스택, 덱, 연결된 리스트, 테이블, 트리, 또는 기타, 클래스, 객체, 노드, 플래그, 영숫자 값, 기호 값, 해시, 파일, 드라이버, 소프트웨어 애플리케이션, 및/또는 이들의 임의의 조합들 및/또는 등가물들 중 적어도 하나를 통해 구현될 수 있다. 더욱이, 몇몇 실시예에서, 평가 유닛들 중 적어도 하나는 명령들의 세트, 기능, 절차, 호, 루틴, 서브루틴, 벡터, 알고리즘, 휴리스틱, 파라미터, 기준, 애플릿, 라이브러리, 동작, 커맨드, 모듈, 데이터 구조, 예를 들어, 매트릭스, 큐, 어레이, 스택, 덱, 연결된 리스트, 테이블, 트리, 또는 기타, 클래스, 객체, 노드, 플래그, 영숫자 값, 기호 값, 해시, 파일, 드라이버, 소프트웨어 애플리케이션, 및/또는 이들의 임의의 조합들 및/또는 등가물들 중 적어도 하나를 통해 구현될 수 있다. 그러한 실시예들은 훈련 유닛들 중 적어도 하나와 동일하고/하거나 비유사할 수 있다는 것을 주의하자.

본 발명의 몇몇 실시예는 음소 변별 진단 쉘을 포함한다. 예를 들어, 그러한 쉘은 컴퓨터 디스플레이가 pit 및 bit와 같은, 최소의 대립쌍을 제시하게 한다. 오디오 녹음장치는 지정된 속도로 랜덤한 순서로 한 번에 하나의 단어씩 재생한다. 환자는 녹음장치가 다음 단어를 재생하기 전에, 그러한 단어가 언명될 때, 해당 단어를 선택/클릭하거나, 또는 각 단어를 표상하는 화살표 키를 누른다. 그 후 프로그램은 마스터 매트릭스와 같은, 제1 데이터 구조에서의 저장된 정확학 반응들의 세트와 환자의 반응들을 대조하고, 필요에 따라, 환자의 정확한 반응들 및 다른 피드백의 전체를 제공한다. 그 후 프로그램은 새로운 치료 셀들을 생성하기 위해, 마스터 매트릭스와 같은, 제1 데이터 구조에서의 지정된 기준에 환자의 정확한 반응들의 전체를 매칭한다. 치료 단계의 부분으로서, 환자는 그녀의 청각적 처리 속도를 개선하기 위해 가속도들로 다수 회, 동일한 최소 대립쌍을 갖는, 동일한 음소 변별 셀을 거칠 수 있다는 것을 주의하자.

본 발명의 몇몇 실시예는 빠른 단어 인식 치료 쉘을 포함한다. 예를 들어, 그러한 쉘은 컴퓨터 디스플레이가 pit 및 bit와 같은, 최소 대립쌍을 제시하게 한다. 그러한 두 개의 단어 중 하나가 지정된 속도로 랜덤한 순서로 한 번에 하나의 단어씩, 하이라이팅된다. 환자는 새로운 단어가 조명되기 전, 해당 단어가 하이라이팅될 때 마이크로폰에 말함으로써 해당 하이라이팅된 단어를 읽는다. 그 후 프로그램은 마스터 매트릭스와 같은, 제1 데이터 구조에서의 저장된 정확학 반응들의 세트와 환자의 반응들을 대조하고, 필요에 따라, 환자의 정확한 반응들 및 다른 피드백의 전체를 제공한다. 프로그램은 새로운 치료 셀들을 생성하기 위해, 마스터 매트릭스와 같은, 제1 데이터 구조에서의 지정된 기준에 환자의 정확한 반응들의 전체를 매칭한다. 치료 단계의 부분으로서, 환자는 그녀의 읽기 속도를 개선하기 위해 가속도들로 다수 회, 동일한 최소 대립쌍을 갖는, 동일한 빠른 단어 인식 셀을 검토할 수 있다는 것을 주의하자.

본 발명의 몇몇 실시예는 단어 증폭 치료 쉘을 포함한다. 예를 들어, 그러한 쉘은 프로그램이 brick에서의 /br/ 분절음 또는 variety의 음조 곡선과 같은, 단어의 운율적 특징을 연장하고 증폭하는 화자의 오디오 파일 및/또는 비디오 파일을 재생하게 한다. 대안적으로, 그러한 증폭은 라이브 보조 기능 및/또는 애니메이션을 통해 행해진다. 환자는 이를테면 음절 분해들을 표시하기 위해 내리치는 동작을 사용하거나 높이를 표시하기 위해 위 또는 아래로 손사래를 치는, 신체적 제스처들로 또는 이들 없이, 컴퓨터에 포함되든 그리고/도는 이에 결합되든, 마이크로폰에 말함으로써 또는 카메라를 사용함으로써 증폭된 형태의 그녀의 흉내내기를 녹음한다. 프로그램은 마스터 매트릭스와 같은, 제1 데이터 구조에서의 저장된 파라미터들의 세트와 환자의 녹음을 대조하고, 추가로 두 개의 별개의 분절음을 생성하기 위해 길어진 /br/ 자음군들과 같은, 필요에 따른 교정적 또는 평가적 피드백을 제공한다. 환자는 "당신이 help에서의 /l/을 말할 때 당신의 혀의 끝이 어디에 있습니까"와 같이, 논의 중인 단어의 그녀의 조음(articulation)에 대한 일련의 질문에 대답한다. 그 후 프로그램은 마스터 매트릭스와 같은, 제1 데이터 구조에서의 저장된 정확학 반응들의 세트와 환자의 반응들을 대조하고, 필요에 따라, 환자의 정확한 반응들 및 다른 피드백의 전체를 제공한다. 그 후 프로그램은 새로운 치료 셀들을 생성하기 위해, 마스터 매트릭스와 같은, 제1 데이터 구조에서의 지정된 기준에 환자의 정확한 반응들의 전체를 매칭한다.

훈련 유닛에서, 몇몇 실시예에서, 각 치료 셀은 진단 및/또는 치료 동안 환자의 반응에서 식별되는 단지 하나의 특정한 언어-처리 문제에 중점을 둔다. 각 셀은 충분한 연습을 통해 단지 하나의 그러한 문제를 교정하도록 설계되고, 결손이 만족스럽게 다뤄졌다는 것을 확인하기 위해 평가가 뒤따른다. 예를 들어, 환자가 /

/ 소리를 갖는 단어들을 처리하는 어려움을 가진다면, 프로그램은 마스터 매트릭스와 같은, 데이터 구조로부터 이러한 /

/ 음소뿐만 아니라 /

/, /

/와 같은, 음절, s ure, lu sh , 또는 sh um과 같은, 실제 단어 및/또는 의미 없는 단어, 및 This is s urely the best sh ow in town과 같은, 이러한 소리를 포함하는 문장을 포함하는 리스트를 생성한다. 그 후 각 리스트는 상이한 과제들을 지정하는 개별 쉘들에 두어진다. 예를 들어, 하나의 그러한 치료 셀에서, 환자는 이러한 음소의 소리 녹음의 형태로 그녀가 프롬프트를 들을 때마다 /

/를 포함하는 음절 또는 단어를 흉내냄으로써 정확하게 그러한 소리를 발음하는 것을 연습할 수 있다. 대안적으로, 그녀는 프로그램을 실행하는 컴퓨터에 결합되는 디스플레이 상의 프롬프트들에 의해 표시되는 바와 같이 지정된 지속기간 동안 이러한 치찰음(쉿쉿하는 소리) 소리를 길게 하도록 요구될 수 있다. 다른 실시예에서, 프로그램은 기본 진동수의 단어들에서의 기준선이 그녀의 특정한 음성에 대해 설정되었을 때, 그녀의 경구 반응들의 각각의 정확성에 관해 환자 실시간 피드백을 제공하기 위해 음성 또는 음향 인식 소프트웨어를 사용한다. 예를 들어, 환자의 음성 신호는 그녀가 목표에 접근하도록 시도할 때 그녀의 생성 및 목표 형태 간 거리를 표시하는 디스플레이 상의 시각적 큐(cue)로 프로그램에 의해 변환되는 스펙트로그램(성문)으로서 표상된다. 다른 치료 셀에서, 사용자는 이를테면 물리적이든 또는 가상적이든, 입력 디바이스, 예를 들어, 키보드, 터치패드, 마우스, 클릭커, 조이스틱, 또는 터치 스크린을 통해, 디스플레이 상에 디스플레이되는 리스트로부터 그러한 소리를 갖는 단어를, 활성화/클릭할 수 있다. 치료 셀들에서의 과제들은 진단 테스트들을 위해 수행되는 것들을 미러링할 수 있다. 다른 치료 셀들은 다른 지각 및/또는 생성 어려움들을 커버할 수 있다. 과제들은 음성적 특징들에 주의를 기울이는 것에서 전체 텍스트까지의 범위에 이를 수 있다. 총괄적으로, 셀들의 무리는 읽기와 같은 복합 과제들을 커버할 수 있는 한편, 무리에서의 각각의 셀들은 철자법들 및 어휘 습득(수용 어휘력)에 중점을 둘 수 있다.

평가 유닛에서, 몇몇 실시예에서, 치료 셀의 훈련 유닛에서의 충분한 연습 이후, 환자는 해당 동일 셀의 평가 유닛으로 진행한다. 환자는 관련 훈련 유닛에서의 것들과 유사하거나 동일한 테스트 사항들을 갖는 해당 동일 과제를 수행한다. 사용자는 다음 치료 셀로 이동하기 전 이러한 평가를 통과해야 한다. 통과 점수는 각 평가 유닛에 대해, 마스터 매트릭스와 같은, 데이터 구조에서 사전 지정된다. 정확한 및 부정확한 반응들은 환자 매트릭스와 같은, 제2 데이터 구조에 기록되고, 본 출원에서, 마스터 매트릭스와 같은, 제1 데이터 구조를 참조하여 설명된 바와 같은 방식으로 새로운 치료 셀의, 필요한 경우, 컴퓨터-생성을 위해 사용된다. 큐, 스택, 덱, 연결된 리스트, 테이블, 트리, 또는 기타와 같은, 다른 유형들의 데이터 구조들이 또한 사용될 수도 있다는 것을 주의하자. 또한, 제1 데이터 구조 및 제2 데이터 구조는 부모 데이터 구조의 서브세트이고/이거나 부모 데이터 구조일 수 있다. 제1 데이터 구조 및 제2 데이터 구조는 원격이든 또는 서로 로컬이든, 개별 컴퓨터화된 데이터베이스에, 또는 하나의 컴퓨터화된 데이터베이스에 저장될 수 있다. 또한, 제2 데이터 구조는 색인이 달린 것 및 탐색가능한 것 중 적어도 하나일 수 있다는 것을 주의하자.

다른 실시예에서, 평가 유닛은 훈련 유닛과 별개일 수 있거나, 또는 하나보다 많은 평가 유닛이 셀에 훈련 유닛을 동반 또는 그 반대일 수 있거나, 평가 유닛은 훈련 유닛 자체에 통합될 수 있다. 셀들은 또한 이를테면 비디오 또는 웨비나(webinar)를 보는, 연습 유닛들과 같은 다른 유형들의 유닛들, 및 본 출원에서 설명된 바와 같은, 상이한 양식들을 포함할 수 있다. 또 다른 실시예에서, 프로그램은 환자가 그녀의 치료를 재개하기 전, 그녀가 치료 단계에 있는 동안, 필요한 경우 추가 진단 테스팅을 시행할 수 있다.

또 다른 실시예에서, 개시된 기술은 이를테면 진단 단계 및 치료 단계 중 적어도 하나의 진행을 가능하게 하기 위해, 대화형 게임들을 채용할 수 있다. 보다 상세하게는, 치료 셀은 연령에 적절한 대화형 게임의 형태일 수 있으며, 게임은 그녀의 반응들의 에러 분석 후에 각 사용자에 적절한 상이한 내용을 하우징할 수 있는 쉘이다. 예를 들어, 본 출원에서 설명된 바와 같은, 조음 치료 셀은 환자가 목표 소리 또는 단어에 접근하게 유도하기 위해 게임에 적어도 하나의 청각-시각 큐를 사용할 수 있다. 다양한 게임 보상들 또는 페널티들이 환자가 규정된 목표에 이르게 권장하기 위해 포함될 수 있다. 로열티 시스템에 기초하여 작동될 수 있는, 그러한 보상들은 경품들, 현금, 상품들, 서비스들, 항공사 마일, 추가 치료 세션들, 개인적 진단 및/또는 치료 세션, 및 기타와 같이, 교환가능할 수 있다.

마스터 매트릭스와 같은, 제1 데이터 구조는 할당된 테스트들 및 과제들에 대한 예측된 반응들의 목록들의 세트뿐만 아니라 진단 셀 및/또는 치료 셀를 생성하는데 요구되는 정보를 포함한다. 본 출원에서 설명되는 바와 같이, 제1 데이터 구조는 전체적으로든 또는 부분적으로든, 컴퓨터화된 데이터베이스에 구현될 수 있다. 다른 실시예들에서, 제1 데이터 구조는 직접적으로든 그리고/또는 간접적으로든, 임의의 방식으로 서로 원격으로 호스팅되든 그리고/또는 로컬로 호스팅되든, 관계형 데이터베이스 또는 비-관계형 데이터베이스와 같은, 서로 유사하든 또는 비유사하든, 복수의 데이터베이스 중에 구현된다. 제1 데이터 구조는 환자의 컴퓨터 대신, 본 출원에서 설명되는 바와 같은, 이를테면 서버 컴퓨터 상에, 원격으로 호스팅/상주하고, 그에 따라 그러한 상주/호스팅으로 인해 보다 효율적인 콘텐츠 업데이트들을 제공하면서, 환자들과 같은, 최종 사용자들을 위해 보다 융통성을 가능하게 한다. 그러나, 다른 실시예들에서, 제1 데이터 구조는 직접적으로든 그리고/또는 간접적으로든, 전체적으로든 또는 부분적으로든, 환자의 컴퓨터 상에 로컬로 호스팅/상주할 수 있다. 그러한 구성은 컴퓨터화된 데이터베이스와 같은, 중앙 데이터 저장소로부터 직접적으로든 그리고/또는 간접적으로든, 전체적으로든 또는 부분적으로든, 주기적, 이를테면 주별 또는 월별 업데이트를 가능하게 할 수 있다. 예를 들어, 그러한 구성에서, 전체적으로든 또는 부분적으로든, 환자의 컴퓨터 상에 로컬로 호스팅/상주하는 제1 데이터 구조는 환자의 컴퓨터로부터 원격으로 호스팅/상주하는 제1 데이터 구조의 적어도 부분적 카피이다.

몇몇 실시예에서, 제1 데이터 구조는 이를테면 제1 데이터 구조가 데이터베이스일 때, 본 출원에서 설명되는 바와 같이, 전부는 아니더라도, 대부분의 예측된 반응들을 포함하고, 컴퓨터에 데이터를 공급한다. 컴퓨터는 그러한 공급된 데이터에 기초하여 셀 내용 및 쉘들을 총괄/생성하도록 구성된다. 제1 데이터 구조는 프로그램에 따른 진단 셀 및/또는 치료 셀에 기초하여 과제를 수행하는 동안, 언어-처리 문제들을 갖는 소정의 모집단에 의해 이루어지게 예측되는 반응들의 목록들을 포함한다. 그 후, 요구 시, 컴퓨터는 먼저 제1 데이터 구조에 저장하기 위해, 그래프들, 예를 들어, 정점 및/또는 아크를 포함하는 수학적 객체와 같은, 시각적 묘사들로, 부정확한 반응들을 이를테면 음운적, 의미론적, 형태학적, 또는 어휘적, 카테고리들로 분류하고, 형태적>접사들>접두사들과 같이, 하위 분류한다. 제1 데이터 구조는 또한 음소들, 어휘(단어), 구 및/또는 문장 패턴들뿐만 아니라 진단 셀 및/또는 치료 셀을 생성하는데 요구되는 목표 언어의 다른 성분들을 포함할 수 있다. 예를 들어, 목표 언어는 임의의 자연적 언어(즉, 임의의 세계 지역에서의 사람들의 임의의 그룹에 의해 쓰여지는 모국어)일 수 있다.

예를 들어, 도 9를 참조하여 도시되고 설명된 바와 같이, 진단 셀 및/또는 치료 셀에서의 각 자극 사항은 그래프 상의 노드로서 표상되며, 다음 보다 하위 레벨에 연결된 정점들이 실어증을 갖는 환자들과 같은, 관련된 모집단에 의해 이루어지게 예측되는 전부는 아니더라도, 대부분의 가능한 정확한 및 부정확한 반응을 표상한다. 프로그램은 관련된 그래프에서의 동일한 예측된 에러(노드)에 환자의 부정확한 반응을 매칭하고 다음 진단 셀 및/또는 치료 셀을 생성하기 위해 테스트 및/또는 연습 사항들의 적절한 세트를 위치시키도록 그래프 아래로 진행한다. 따라서, 도 9에 예시된 예에 대해, 단어 분할 진단 테스트에서의 자극 사항은 단어 be이다. 그러한 테스트에서, 환자는 단어를 이의 각각의 소리들로 분할해야 한다. 이러한 자극 사항에 대해, 마스터 매트릭스와 같은, 제1 데이터 구조에서의 대응하는 노드는 이의 정확한 반응(/bi/) 및 예측된 부정확한 반응들에 연결된다. 부정확한 반응들은 자연적 언어들의 원리들 및 규칙들, 언어학, 언어 습득 또는 발달의 기저를 이루는 프로세스들, 뿐만 아니라 예외적 언어들(즉, 의사소통 장애들을 갖는 개인들과 같은, 전형적 모집단 외부의 화자들의 언어)을 통제하는 프로세스들의 지식에 의해 예측되는 전부는 아니더라도, 대부분의 가능한 인스턴스를 포함한다. 자극 언어 be의 경우에서, 예측된 부정확한 반응들은 사용자들이 자음 /b/를 생략하거나 이러한 자음 또는 모음 /i/을 대체하는 인스턴스들을 포함한다. 상기에서 최소한 식별된 분야들의 세트로부터의 지식은 /b/가 대체된다면, 치환될 것으로 예상되는 음소는 이들의 음소 유사성으로 인해 /p/ 또는 /d/라고 예측하는 것을 돕는다. 그래프는 또한 다른 가능한 치환들을 가능하게 한다. 또한, /b/가 없는 것과 같은, 환자의 특정한 부정확한 반응은 특정한 컴퓨터 동작(/b/를 갖는 단어들을 생성)을 초래한다. 생성된 단어들은 원하는 소리 조합들을 갖는 사전에서의 실제 단어들 또는 의미 없는 단어들일 수 있다. 환자의 부정확한 반응이 /b/ 대신 /p/와 같은, 치환 에러일 때, 결정적 대비를 갖는 단어들의 적어도 하나의 쌍이 최소 대립쌍 pit /pΙt/ v. bit /bΙt/)과 같이, 컴퓨터 생성된다. 환자의 반응이 하나보다 많은 에러를 포함한다면, 전부는 아니더라도, 대부분, 영향을 받은 그래프 상의 노드들이 활성화되며, 이는 환자가 치료 단계에서 하나보다 많은 단어들의 리스트를 이용하여 연습해야 한다는 것을 의미한다. 단어들의 이러한 리스트가 듣고-따라하기 치료 쉘에 두어질 때, 환자는 그러한 리스트에서의 각 단어를 하나씩 거침으로써 필수 과제를 수행한다. 추가적으로, 전체 테스트가 보통 수 개의 자극 사항을 포함하기 때문에, 그러한 테스트는 환자로부터 하나보다 많은 부정확한 반응을 낼 수 있다. 따라서, 수 개의 그래프가 하나의 테스트 출력으로부터, 마스터 매트릭스와 같은, 제1 데이터 구조에서 활성화될 수 있다. 예를 들어, 빠른 명명 진단 테스트는 수 개의 단어를 수반하는 에러들을 낼 수 있다. 그러한 경우에서, 컴퓨터 구현된 우선순위 결정 알고리즘은 어떤 테스트 또는 연습 사항들의 세트를 다음으로 환자에게 제시할지를 결정한다.

환자 매트릭스와 같은, 제2 데이터 구조는 각 환자와 고유하게 연관된다. 본 출원에서 설명되는 바와 같이, 제2 데이터 구조는 전체적으로든 또는 부분적으로든, 컴퓨터화된 데이터베이스에 구현될 수 있다. 다른 실시예들에서, 제2 데이터 구조는 직접적으로든 그리고/또는 간접적으로든, 임의의 방식으로 서로 원격으로 호스팅되든 그리고/또는 로컬로 호스팅되든, 관계형 데이터베이스 또는 비-관계형 데이터베이스와 같은, 서로 유사하든 또는 비유사하든, 복수의 데이터베이스 중에 구현된다. 제2 데이터 구조는 환자의 컴퓨터 대신, 본 출원에서 설명되는 바와 같은, 이를테면 서버 컴퓨터 상에, 원격으로 호스팅/상주하고, 그에 따라 그러한 상주/호스팅으로 인해 보다 효율적인 콘텐츠 업데이트들을 제공하면서, 환자들과 같은, 최종 사용자들을 위해 보다 융통성을 가능하게 한다. 그러나, 서버 컴퓨터는 제1 데이터 구조 및 제2 데이터 구조를 호스팅할 수 있거나 제1 데이터 구조 및 제2 데이터 구조는 본 출원에서 설명된 바와 같이, 상이한 서버 컴퓨터들 상에 호스팅/거주한다는 것을 주의하자. 또한, 다른 실시예들에서, 제2 데이터 구조는 직접적으로든 그리고/또는 간접적으로든, 전체적으로든 또는 부분적으로든, 환자의 컴퓨터 상에 로컬로 호스팅/상주할 수 있다는 것을 주의하자. 그러한 구성은 컴퓨터화된 데이터베이스와 같은, 중앙 데이터 저장소로부터 직접적으로든 그리고/또는 간접적으로든, 전체적으로든 또는 부분적으로든, 주기적, 이를테면 주별 또는 월별 업데이트를 가능하게 할 수 있다. 예를 들어, 그러한 구성에서, 전체적으로든 또는 부분적으로든, 환자의 컴퓨터 상에 로컬로 호스팅/상주하는 제2 데이터 구조는 환자의 컴퓨터로부터 원격으로 호스팅/상주하는 제2 데이터 구조의 적어도 부분적 카피이다. 추가 실시예들에서, 제1 데이터 구조 및 제2 데이터 구조는 개별적으로 제1 데이터 구조 및 제2 데이터 구조 중 적어도 하나를 참조하여 본 출원에서 설명된 바와 같은 임의의 방식으로 전체적으로 또는 부분적으로 호스팅될 수 있는, 하나의 데이터 구조이다.

제2 데이터 구조는 사용자 식별 번호(ID), 성명, 거주지 주소, 배경, 개인적인지, 환자인지, 사회적인지, 민족, 인종, 또는 기타뿐만 아니라, 진단 및 평가 테스트들에 대한 그녀의 반응들과 같은, 환자 개인 정보를 저장한다. 더욱이, 제2 데이터 구조는 본 출원에서 설명되는 바와 같이, 서비스 요청자 세그먼트를 통해서든, 또는 본 출원에서 설명되는 바와 같이, 서비스 제공자 세그먼트를 통해서든, 컴퓨터를 통해, 동적으로 그리고 자동적으로 업데이트될 수 있다. 그러한 업데이트는 해당 환자로부터의 각 새로운 반응이 컴퓨터를 통해 제1 데이터 구조를 통해 필터링된 후 발생할 수 있다. 또한, 제2 데이터 구조는 프로그램에서의 진단 셀 및/또는 치료 셀을 통해 과제를 수행하는 동안, 특정한 환자에 의해 생성되는 에러들 및 정확한 반응들의 목록을 포함한다. 환자의 에러들은 컴퓨터를 통해, 마스터 매트릭스와 같은, 제1 데이터 구조의 방식에서의 그래프들로, 이를테면 음운적, 의미론적, 형태학적, 또는 어휘적, 카테고리들로 분류되고, 형태적>접사들>접두사들과 같이, 하위 분류된다.

환자의 부정확한 반응이 마스터 매트릭스와 같은, 제1 데이터 구조에서의 그래프들 중 하나 상의 노드 상에 위치될 때, 컴퓨터 구현된 우선순위 결정 알고리즘 및 이러한 그래프의 다음 보다 하위 레벨에 연결된 정점들이 이러한 환자를 위한 다음 진단 셀 및/또는 치료 셀을 결정한다. 환자 매트릭스와 같은, 제2 데이터 구조는 환자가 새로운 에러들을 범하고/하거나 이전에 식별된 문제에 대해 모든 정확한 반응을 제공함에 따라 치료 전체에 걸쳐 계속적으로 업데이트된다. 환자 매트릭스와 같은, 제2 데이터 구조는 환자의 경과를 추적하기 위해 사용되고, 환자는 실시간으로, 스프레드시트 문서, 시각적 묘사 문사, 워드 프로세서 문서, 또는 이들의 임의의 조합들과 같은, 적합한 포맷으로 그녀의 경과 보고에 접근할 수 있다. 환자 매트릭스와 같은, 제2 데이터 구조에서의 적절한 정보가 전체적으로 또는 부분적으로, 프로그램의 효능의 모니터링 및 분석을 위해 학습 분석 데이터베이스에 송신된다.

기술은 학습 분석 컴퓨터 알고리즘 또는 유사한 접근법이 언어-처리 결손들을 교정하는 것에 있어서의 기술의 효능을 모니터링하고 개선하기 위해 채용되는 환자의 정확한 반응들 및 비문법적 생성들을 저장하는 데이터베이스를 통해 더 가능하게 된다. 예를 들어, 프로그램의 효능은 환자 인구 통계, 공통 유형들의 에러들, 예를 들어, 음운적, 형태학적, 어휘적, 의미론적, 또는 구문적 에러들, 상이한 치료 셀의 성공율, 및 기타와 같은, 많은 유용한 정보를 포함하는, 이를테면 제2 데이터 구조(들)를 통해 학습 분석 또는 유사한 접근법들을 사용하여 저장된 환자 데이터를 마이닝함으로써 향상된다. 지정된 기준에 의해 개인 및 그룹 정보를 효율적으로 데이터 관리 및 검색하면 연구 및 치료 향상에 유용한 통찰력이 생긴다. 더욱이, 학습 분석 데이터는 제1 데이터 구조 및 제2 데이터 구조 중 적어도 하나에 대하여 본 출원에서 설명된 바와 같은, 컴퓨터화된 데이터베이스에, 또는 전체적으로든 또는 부분적으로든, 다른 컴퓨터화된 데이터베이스에 저장될 수 있다. 다른 실시예들에서, 학습 분석 데이터는 직접적으로든 그리고/또는 간접적으로든, 임의의 방식으로 서로 원격으로 호스팅되든 그리고/또는 로컬로 호스팅되든, 관계형 데이터베이스 또는 비-관계형 데이터베이스와 같은, 서로 유사하든 또는 비유사하든, 복수의 데이터베이스 중에 구현된다. 학습 분석 데이터는 환자의 컴퓨터 대신, 본 출원에서 설명되는 바와 같은, 이를테면 서버 컴퓨터 상에, 원격으로 호스팅/상주하고, 그에 따라 그러한 상주/호스팅으로 인해 보다 효율적인 콘텐츠 업데이트들을 제공하면서, 환자들과 같은, 최종 사용자들을 위해 보다 융통성을 가능하게 한다. 그러나, 서버 컴퓨터는 학습 분석 데이터, 제1 데이터 구조 및 제2 데이터 구조를 호스팅할 수 있거나 학습 분석 데이터, 제1 데이터 구조 및 제2 데이터 구조는 본 출원에서 설명된 바와 같이, 상이한 서버 컴퓨터들 상에 호스팅/거주한다는 것을 주의하자. 또한, 다른 실시예들에서, 학습 분석 데이터는 직접적으로든 그리고/또는 간접적으로든, 전체적으로든 또는 부분적으로든, 환자의 컴퓨터 상에 로컬로 호스팅/상주할 수 있다는 것을 주의하자. 그러한 구성은 컴퓨터화된 데이터베이스와 같은, 중앙 데이터 저장소로부터 직접적으로든 그리고/또는 간접적으로든, 전체적으로든 또는 부분적으로든, 주기적, 이를테면 주별 또는 월별 업데이트를 가능하게 할 수 있다. 예를 들어, 그러한 구성에서, 전체적으로든 또는 부분적으로든, 환자의 컴퓨터 상에 로컬로 호스팅/상주하는 학습 분석 데이터는 환자의 컴퓨터로부터 원격으로 호스팅/상주하는 학습 분석 데이터의 적어도 부분적 카피이다. 추가 실시예들에서, 학습 분석 데이터, 제1 데이터 구조 및 제2 데이터 구조는 개별적으로 학습 분석 데이터, 제1 데이터 구조 및 제2 데이터 구조 중 적어도 하나를 참조하여 본 출원에서 설명된 바와 같은 임의의 방식으로 전체적으로 또는 부분적으로 호스팅될 수 있는, 하나의 데이터 구조이다.

학습 분석 데이터는 전부는 아니더라도, 대부분의, 게임 재생을 포함하는 환자 수행 이력의 결과를 수집하고 저장하는 백엔드 컴퓨터 인프라스트럭처에서 채용될 수 있다. 백엔드 인프라스트럭처 상에서 실행되는 컴퓨터 구현된 학습 분석 알고리즘은 공통 수행 문제 또는 에러, 적용된 라이브 보조의 진동수, 재생된 게임 및/또는 수행된 과제의 유형의 진동수, 실패들을 반복하는 경향이 있는 게임 또는 과제의 유형, 요일 및 시각으로의 재생 시간, 계속적 재생의 지속 기간, 재생들 간 간격, 환자가 보조를 위해 도움을 요청한 진동수, 및 기타와 같은, 테마들을 결정하기 위해 그러한 결과들을 분석한다. 그러한 알고리즘 분석에 기초하여, 마스터 매트릭스와 같은, 제1 데이터 구조의 변경들이 환자의 경과의 속도 및/또는 효능을 향상시키게 하기 위해 구현될 수 있다. 그러한 변경들은 바로 모든 환자에 새로운 변경들을 야기하기 위해 서버 컴퓨터의 빠른 리부트로 구현될 수 있다. 대안적으로, 그러한 변경들은 서버 컴퓨터의 리부트 없이, 실시간으로, 라이브로 구현될 수 있다.

학습 분석 데이터에 저장된 데이터는 백엔드 컴퓨터 인프라스트럭처 상에서 실행되는 컴퓨터 알고리즘에 의해 분석되거나 빠르게 추세 및/또는 트러블슛을 식별하기 위해 시스템 관리자에 의해 테마들 또는 알고리즘들에 의해 관측될 수 있다. 그러한 알고리즘은 이메일, 텍스트, 챗, 소리, 진동, 시각적 큐, 또는 기타와 같은, 메시지를 통해 시스템 관리자에 트러블 스팟들을 원격으로 경보하도록 설계되어, 본 출원에서 설명된 서비스 제공자 또는 서비스 요청자 기술들 중 정어도 하나의 보다 빠른 또는 실시간 변경들을 가능하게 한다. 유사한 메커니즘들은 즉각적인 또는 추가 주의를 필요로 하는 특정한 환자들을 식별하기 위해 배치될 수 있다.

몇몇 실시예에서, 개시된 기술은 컴퓨터 구현된 에러 분석 알고리즘을 가능하게 한다. 보다 상세하게는, 프로그램은 사전 지정된, 예측된 환자 반응들의 세트와 비교하여 제1 데이터 구조를 통한 테스트 출력을 처리하는 것을 통해 에러 분석 알고리즘을 수행한다. 예를 들어, 환자에게 단어 hunter에서의 접사를 식별하기를 요청하는 질문에 대해, 예측된 반응들은 1) -er(정확), 2) hunt(부정확), 3) 없음(부정확), 4) hunter(부정확), 또는 5) 기타(부정확)를 포함한다. 따라서, 에러 분석 알고리즘은 문제들이 발생할 때 에러들의 패턴들을 식별하고 에러들의 소스들을 추적하기 위해 자연적 언어들의 구조들 및 프로세스들(원리들 및 규칙들)의 지식을 사용하여 학습자의 에러들의 분석을 수반한다. 본 출원에서 설명된 바와 같이, 에러 분석 알고리즘은 환자의 실제 반응들을 목표가 된 정확한 반응들의 세트와 비교하기 위해 사용된다. 예를 들어, 환자의 생성들의 에러 분석은 그녀가 -er(hunt er ), -or(edit or ), 및 - tion(act ion )과 같은 공통 접사들을 인식하는 것에 일관되게 실패한 것을 드러낼 수 있다. 이러한 경우에서, 분석 알고리즘의 결과는 단어 형성 과정(형태적)에 적어도 부분적으로 기초하나; 그러한 에러 분석은 언어의 임의의 성분(음운적, 의미론적, 어휘적, 구문적)을 커버할 수 있고 임의의 규정된 규모에 기초할 수 있다. 에러 분석 알고리즘이 백엔드 컴퓨터 인프라스트럭처 상에서 실행될 수 있다는 것을 주의하자. 또한, 에러 분석 알고리즘이 제2 언어 습득의 분야에서 채택된다는 것을 주의하자.

몇몇 실시예에서, 개시된 기술은 컴퓨터 구현된 우선순위 결정 알고리즘을 가능하게 한다. 보다 상세하게는, 전부는 아니더라도, 대부분의, 마스터 매트릭스와 같은, 제1 데이터 구조에서의 카테고리 및/또는 사항에는 언어에서 출현의 빈도수, 의사소통 기능, 이의 생략 또는 비문법의 영향의 중요성, 및 기타에 기초하여 가중치가 할당된다. 이러한 값은 어떤 진단 또는 치료 사항 또는 셀이 다음으로 제시될지를 결정한다. 우선순위 결정 알고리즘은 관사 the 가 형용사 unimportant가 보다 빈번하게 발생하기 때문에 후자를 넘어서 전자를 선택할 것이다. 우선순위 결정 알고리즘이 백엔드 컴퓨터 인프라스트럭처 상에서 실행될 수 있다는 것을 주의하자.

몇몇 실시예에서, 개시된 기술은 라이브 보조 기능을 가능하게 한다. 보다 상세하게는, 환자가 수 회, 이를테면 두 번의 시도 후 셀의 평가 테스트를 통과할 수 없거나, 환자가 제1 데이터 구조의 내용을 통해 예측되지 않은 반응들을 생성한다면, 라이브 보조는 환자가 다음 스테이지로 진행하는 것을 돕기 위해 개입할 수 있다. 예를 들어, 그러한 라이브 보조는 어드밴스드 음성 인식, 인간-컴퓨터 상호작용, 및/또는 의사소통 능력을 갖는 자동화된 프로그램의 형태를 취한다. 대안적으로, 그러한 라이브 보조는 콜 센터에서와 같이, 살아있는 사람 운영자를 갖는 통신의 형태를 취한다. 예를 들어, 그러한 통신은 이를테면 개시된 기술이 사무실-실험식 환경에서 구현될 때, 전화 통신, 화상회의, 챗, 또는 개인 방문을 포함할 수 있다.

몇몇 실시예에서, 접근의 용이함을 위해, 본 발명은 인터넷-기반 웹사이트 또는 온라인 포털에서의 환자 진단 및/또는 환자 치료를 가능하게 하고 클라우드 서버 상에서 프로그램을 실행한다. 그러나, 그러한 전달 방법은 본 출원에서 설명된 바와 같이, 모바일 앱을 통해, 전체적으로 또는 부분적으로, 보완되고/되거나 보충될 수 있다. 그러한 배치의 하나의 편리함은 환자의 프로필의 상대적으로 간단한 유지보수 및 네트워크를 통한 그녀의 진단 및/또는 치료 프로그램에의 용이한 접근의 허용이다. 상이한 앱들이 상이한 치료 쉘들(과제들)에 대해 개발될 수 있다는 것을 주의하자. 또한, 그러한 배치는 진단 및 치료 중 적어도 하나의 일시적 중단 및 재개를 가능하게 할 수 있다는 것을 주의하자. 따라서, 그러한 기능은 시간의 기간 동안, 이를테면 수 개월 동안 이용될 수 있다.

몇몇 실시예에서, 본 발명은 다수의 양상을 가능하게 한다. 보다 상세하게는, 진단 및/또는 치료 셀들은 비디오, 오디오, 텍스트, 그래픽, 애니메이션, 웹 회의, 또는 새로운 기술들에 의해 가능하게 되는 기타를 포함하는 양상들 중 임의의 야상 또는 조합을 사용할 수 있다. 환자는 음향 명료도 연습들 동안 전방 또는 후방 카메라들, 및 다른 장래 기술들과 같은, 전자 및/또는 물리적 지원들을 채용할 수 있다. 프로그램은 또한 훈련하기 위해 뿐만 아니라 환자로부터의 입력을 수신하고 분석하기 위해 음성 및/또는 음향 인식 소프트웨어를 채용할 수 있다. 생체측정 모니터링 및 피드백은 환자의 수행 및 반응들에 대한 프로그램의 감도, 및 그에 따라 프로그램의 효능을 증가시키기 위해 통합될 수 있다. 이는 주의도 결손들을 갖는 이들에 특히 유용할 수 있다. 감지 시스템들은 눈동자 시선(주의의 초점을 모니터링하기 위함), 맥박 및 깜빡임 속도들(스트레스 및 정신적 피로를 모니터링하기 위함) 및 입술 움직임들(조음을 모니터링하기 위함)을 포함할 수 있는, 생체측정 데이터를 수집하기 위한 프로그램으로 설치될 수 있다. 그러한 센서들은 프로그램에 뿐만 아니라 환자에 생체측정 피드백을 제공할 수 있다. 환자가 순간적인 피드백으로 그러한 정보를 수신할 때, 프로그램-특히 착용가능한 또는 다른 휴대용 디바이스 상에 드러나지 않게 전달되는 경우-그녀의 일상 생활에 매끄럽게 통합되게 될 수 있다. 이러한 실시예에서, 프로그램은 그녀가 그녀의 일상 기능들에 그것들을 수용함에 따라 그녀의 언어 에러들에 실시간 교정들을 제공할 수 있다.

몇몇 실시예에서, 본 발명은 수행 흔적/환자의 수행 이력을 가능하게 한다. 보다 상세하게는, 프로그램은 환자 매트릭스와 같은, 제2 데이터 구조에 환자의 정확한 및 부정확한 반응들을 저장할 뿐만 아니라, 모든 이전에 완료된 진단 및 치료 셀들로부터 그녀의 점수들을 용이하게 접근가능한 포맷으로 디스플레이한다. 환자의 경과 보고는 그녀가 각 셀을 완료함에 따라 계속적으로 업데이트될 수 있다. 프로그램은 환자의 수행 이력 및 발달의 계획된 규정된 진로의 비교를 디스플레이할 수 있다. 이러한 시각적 디스플레이는 환자가 그녀의 규정된 목표-식별된 모든 언어-처리 문제들의 만족스러운 제거-를 향해 노력하는 것을 유지하도록 장려한다.

몇몇 실시예에서, 본 발명은 보상 시스템을 가능하게 한다. 보다 상세하게는, 진단 테스트, 평가 테스트, 및/또는 훈련 연습이 연령에 적절한 대화형 게임들로서 전달될 수 있다. 각 파트에 대한 환자의 수행은 점수가 매겨질 수 있고 환자가 가상 또는 물리적 대상들, 멀티플레이어 게임들 또는 그러한 것들에 대한 보상 시간, 또는 만족스럽게 그녀의 훈련을 완료하려는 노력을 기울이도록 환자에게 동기를 부여하기 위한 인센티브의 다른 형태들로 교환할 수 있는 보상 포인트들로 변환될 수 있다. 로열티 시스템에 기초하여 작동될 수 있는, 그러한 보상들은 경품들, 현금, 상품들, 서비스들, 항공사 마일, 추가 치료 세션들, 개인적 진단 및/또는 치료 세션, 및 기타와 같이, 교환가능할 수 있다는 것을 주의하자.

도 1은 본 발명에 따른 컴퓨터 네트워크 모델의 예시적인 실시예의 개략도를 도시한다. 컴퓨터 네트워크 모델(100)은 네트워크(102), 서버(104), 및 클라이언트(106)를 포함한다. 그러한 분산 동작 모델은 자원/서비스를 제공하는 서버(104), 및 자원/서비스를 요청하는 클라이언트(106) 사이에 과제들/작업부하들을 할당한다. 서버(104) 및 클라이언트(106)는 상이한 컴퓨터들/애플리케이션들을 예시하나, 다른 실시예들에서 서버(104) 및 클라이언트(106)는 하나의 시스템/애플리케이션에 상주한다. 또한, 몇몇 실시예에서, 모델(100)은 다수의 자원을 적은 수의 컴퓨터, 이를테면 서버들(104)에 할당하는 것을 수반하며, 여기서 클라이언트(106)의 복잡도는 얼마나 많은 계산이 컴퓨터들의 수에 분담되는지에 따른다, 즉, 클라이언트들(106)로부터 서버들(104)로 분담되는 보다 많은 계산은 이를테면 네트워크 소스들에 보다 의존적이고 로컬 컴퓨팅 자원들에 덜 의존적인, 보다 가벼운 클라이언트들(106)을 초래한다.

네트워크(102)는 컴퓨터들 및 복수의 통신 채널을 통해 상호연결되는 다른 하드웨어의 집합과 같은, 복수의 노드를 포함하며, 이는 자원들 및/또는 정보의 공유를 가능하게 한다. 그러한 상호연결은 직접 및/또는 간접적일 수 있다. 네트워크(102)는 유선 및/또는 무선일 수 있다. 네트워크(102)는 암호화되든 그리고/또는 복호화되든, 짧고/거나 긴 거리들에 걸친 통신을 가능하게 할 수 있다. 네트워크(102)는 이더넷, 전송 제어 프로토콜(TCP)/인터넷 프로토콜(IP), 및 기타와 같은, 적어도 하나의 인터넷 프로토콜을 통해 작동할 수 있다. 네트워크(102)는 개인 영역 네트워크, 로컬 영역 네트워크, 가정 영역 네트워크, 저장 영역 네트워크, 캠퍼스 영역 네트워크, 백본 네트워크, 도시권 네트워크, 광역 네트워크, 기업 사설 네트워크, 가상 사설 네트워크, 가상 네트워크, 위성 네트워크, 컴퓨터 클라우드 네트워크, 인터넷워크, 셀룰러 네트워크, 및 기타와 같은, 임의의 스케일을 가질 수 있다. 네트워크(102)는 인트라넷 및/또는 엑스트라넷이고/이거나 이를 포함할 수 있다. 네트워크(102)는 인터넷이고/이거나 이를 포함할 수 있다. 네트워크(102)는 네트워크(102)와 동일하든 그리고/또는 상이하든, 서브-네트워크들이든 그리고/또는 별개의 네트워크들이든, 다른 네트워크들을 포함하고/거나 다른 네트워크들과 통신을 가능하게 할 수 있다. 네트워크(102)는 하드웨어 기반이든 그리고/또는 소프트웨어 기반이든, 컴퓨터, 네트워크 인터페이스 카드, 리피터, 허브, 브릿지, 스위치, 익스텐더, 및/또는 방화벽과 같은, 하드웨어를 포함할 수 있다. 네트워크(102)는 본 발명의 내용과의 어떤 관계와도 상관없이, 하나 및/또는 보다 많은 엔티티에 의해 그리고/또는 이를 대신하여, 직접적으로 그리고/또는 간접적으로, 작동될 수 있다.

서버(104)는 하드웨어-기반 및/또는 소프트웨어 기반일 수 있다. 서버(104)는 정적이든 또는 이동성이든, 키오스크, 워크스테이션, 지상이든, 해상이든, 또는 공중에든, 운송 수단, 데스크탑, 랩탑, 태블릿, 이동 전화, 메인프레임, 슈퍼컴퓨터, 서버 팜, 및 기타와 같은, 서버 컴퓨터 상에 직접적으로든 그리고/또는 간접적으로든, 있고/거나 호스팅된다. 서버 컴퓨터는 이용할 수 있는 터치스크린 및/또는 비-터치스크린일 수 있다. 서버 컴퓨터는 다른 컴퓨터 시스템 및/또는 클라우드 컴퓨팅 네트워크를 포함하고/하거나 이의 부분일 수 있다. 서버 컴퓨터는 iOS®Windows®, Android®, Unix®, Linux®및/또는 기타와 같은, 임의의 유형의 운영 체제(OS)를 실행할 수 있다. 서버 컴퓨터는 마우스, 키보드, 전방이든 그리고/또는 후방이든, 카메라, 가속도계, 터치스크린, 생체측정 리더기, 클릭커, 및/또는 마이크로폰과 같은, 입력 디바이스를 직접적으로든 그리고/또는 간접적으로든, 포함하고/하거나 이에 결합될 수 있다. 서버 컴퓨터는 디스플레이, 스피커, 헤드폰, 조이스틱, 비디오게임, 제어기, 진동기, 및/또는 프린터와 같은, 출력 디바이스를 직접적으로든 그리고/또는 간접적으로든, 포함하고/하거나 이에 결합될 수 있다. 몇몇 실시예에서, 입력 디바이스 및 출력 디바이스는 하나의 유닛에 구현될 수 있다. 서버 컴퓨터는 이를테면 글로벌 측위 시스템(GPS), 신호 삼각측량 시스템, 및 기타를 통하는, 글로벌 측위 결정을 위한 회로를 포함할 수 있다. 서버 컴퓨터는 근거리 통신(NFC) 회로를 구비할 수 있다. 서버 컴퓨터는 직접적으로든 그리고/또는 간접적으로든 서버(104)에 데이터를 공급할 수 있는, 관계형 데이터베이스 또는 비-관계형 데이터베이스와 같은, 데이터베이스에, 직접적으로든 그리고/또는 간접적으로든, 호스팅하고/하거나, 실행하고/하거나 결합될 수 있다.

서버(104)는 서버 컴퓨터를 통해, 접촉 및/또는 무접촉을 통해, 이를테면 직접적으로 그리고/또는 간접적으로, 선택적으로 그리고/또는 비선택적으로, 암호화되어 그리고/또는 복호화되어, 유선으로 그리고/또는 무선으로, 네트워크(102)와 통신한다. 그러한 통신은 소프트웨어 애플리케이션, 소프트웨어 모듈, 모바일 앱, 브라우저, 브라우저 확장, OS, 및/또는 이들의 임의의 조합을 통할 수 있다. 예를 들어, 그러한 통신은 하이퍼텍스트 전송 프로토콜 보안(HTTPS)와 같은, 공통 프레임워크/애플리케이션 프로그래밍 인터페이스(API)를 통할 수 있다.

클라이언트(106)는 하드웨어-기반 및/또는 소프트웨어 기반일 수 있다. 클라이언트(106)는 정적이든 또는 이동성이든, 단자, 키오스크, 워크스테이션, 지상이든, 해상이든, 또는 공중에든, 운송 수단, 데스크탑, 랩탑, 태블릿, 이동 전화, 메인프레임, 슈퍼컴퓨터, 서버 팜, 및 기타와 같은, 환자 컴퓨터 상에 직접적으로든 그리고/또는 간접적으로든, 있고/거나 호스팅된다. 환자 컴퓨터는 이용할 수 있는 터치스크린 및/또는 비-터치스크린일 수 있다. 환자 컴퓨터는 다른 컴퓨터 시스템 및/또는 클라우드 컴퓨팅 네트워크를 포함하고/하거나 이의 부분일 수 있다. 환자 컴퓨터는 iOS®, Windows®, Android®, Unix®, Linux®및/또는 기타와 같은, 임의의 유형의 OS를 실행할 수 있다. 환자 컴퓨터는 마우스, 키보드, 전방이든 그리고/또는 후방이든, 카메라, 가속도계, 터치스크린, 생체측정 리더기, 클릭커, 및/또는 마이크로폰과 같은, 입력 디바이스, 및/또는 디스플레이, 스피커, 헤드폰, 조이스틱, 비디오게임, 제어기, 진동기, 및/또는 프린터와 같은, 출력 디바이스를 포함하고/하거나 이에 결합될 수 있다. 몇몇 실시예에서, 입력 디바이스 및 출력 디바이스는 하나의 유닛에 구현될 수 있다. 환자 컴퓨터는 이를테면 GPS, 신호 삼각측량 시스템, 및 기타를 통하는, 글로벌 측위 결정을 위한 회로를 포함할 수 있다. 환자 컴퓨터는 NFC 회로를 구비할 수 있다. 환자 컴퓨터는 직접적으로든 그리고/또는 간접적으로든 환자(106)에 데이터를 공급할 수 있는, 관계형 데이터베이스 또는 비-관계형 데이터베이스와 같은, 데이터베이스에, 직접적으로든 그리고/또는 간접적으로든, 호스팅하고/하거나, 실행하고/하거나 결합될 수 있다.

클라이언트(106)는 환자 컴퓨터를 통해, 접촉 및/또는 무접촉을 통해, 이를테면 직접적으로 그리고/또는 간접적으로, 선택적으로 그리고/또는 비선택적으로, 암호화되어 그리고/또는 복호화되어, 유선으로 그리고/또는 무선으로, 네트워크(102)와 통신한다. 그러한 통신은 소프트웨어 애플리케이션, 소프트웨어 모듈, 모바일 앱, 브라우저, 브라우저 확장, OS, 및/또는 이들의 임의의 조합을 통할 수 있다. 예를 들어, 통신은 HTTPS와 같은, 공통 프레임워크/API를 통할 수 있다.

다른 실시예들에서, 서버(104) 및 클라이언트(106)는 또한 이를테면 하나의 시스템에서 호스팅될 때 또는 서로 로컬 근접할 때, 이를테면 적외선 또는 Bluetooth®와 같은, 단거리 무선 통신 프로토콜을 통해, 서로 직접적으로 통신할 수 있다. 그러한 직접 통신은 접촉 및/또는 무접촉을 통해, 선택적 및/또는 비선택적, 암호화 및/또는 복호화, 유선 및/또는 무선일 수 있다. 클라이언트들(106) 중 많은 클라이언트가 상대적으로 동시에 서버(104)와의 세션들을 개시할 수 있기 때문에, 몇몇 실시예에서, 서버(104)는 동작의 효능, 연속성, 및/또는 리던던시를 위해 부하-균형 기술들 및/또는 시스템 대체 작동 기술들을 채용한다.

다른 컴퓨팅 모델들이 또한 가능하다는 것을 주의하자. 예를 들어, 그러한 모델들은 이를테면 컴퓨터가 단일 시스템으로서 보여질 수 있도록 네트워킹된 컴퓨터들의 세트가 함께 작동하는 컴퓨터 클러스터를 통해, 분산된 컴퓨팅, 또는 피어-투-피어(P2P), 예를 들어 Bit-Torrent®와 같은, 분산적 컴퓨팅을 포함할 수 있다.

도 2는 본 발명에 따른 컴퓨터 네트워크 아키텍처의 예시적인 실시예의 개략도를 도시한다. 컴퓨터 네트워크 아키텍처(200)는 서비스 제공자 세그먼트 및 서비스 요청자 세그먼트와 통신하는 네트워크(202)를 포함한다. 서비스 제공자 세그먼트는 서버 컴퓨터(204) 및 데이터베이스(206)를 포함한다. 서비스 요청자 세그먼트는 워크스테이션 컴퓨터(208), 태블릿 컴퓨터(210), 데스크탑 컴퓨터(212), 랩탑 컴퓨터(214), 및 이동 전화(216)를 포함한다. 아키텍처(200)는 모델(100)에 따라 작동한다. 그러나, 다른 실시예들에서, 아키텍처(200)는 직접 통신, 분산적 컴퓨팅, 분산된 컴퓨팅, 및/또는 이들의 임의의 조합과 같은, 본 출원에서 설명된 바와 같은, 다른 컴퓨팅 모델들에 따라 작동한다. 네트워크(202)는 네트워크(102)에 따라 작동한다. 그러나, 다른 실시예들에서, 네트워크(202)는 본 출원에서 설명된 바와 같이, 다른 네트워크 유형들에 따라 작동한다.

서비스 제공자 세그먼트는 본 발명의 내용과의 어떤 관계와도 상관없이, 구조적으로 그리고/또는 기능적으로 서로 동일하든 그리고/또는 상이하든, 접촉 및/또는 무접촉을 통해, 이를테면 직접적으로 그리고/또는 간접적으로, 유선으로 그리고/또는 무선으로, 선택적으로 그리고/또는 비선택적으로, 암호화되어 그리고/또는 복호화되어, 서로 통신적으로 결합되든 그리고/또는 서로 통신적으로 결합되지 않든, 동기든 그리고/또는 비동기든, 단일 엔티티를 통해 제어되든 그리고/또는 복수의 엔티티를 통해 제어되든, 하나의 서버 컴퓨터(204) 및/또는 하나보다 많은 데이터베이스(206)를 포함할 수 있다. 비슷하게, 서비스 요청자 세그먼트는 본 발명의 내용과의 어떤 관계와도 상관없이, 구조적으로 그리고/또는 기능적으로 서로 동일하든 그리고/또는 상이하든, 접촉 및/또는 무접촉을 통해, 이를테면 직접적으로 그리고/또는 간접적으로, 유선으로 그리고/또는 무선으로, 선택적으로 그리고/또는 비선택적으로, 암호화되어 그리고/또는 복호화되어, 서로 통신적으로 결합되든 그리고/또는 서로 통신적으로 결합되지 않든, 동기든 그리고/또는 비동기든, 단일 엔티티를 통해 제어되든 그리고/또는 복수의 엔티티를 통해 제어되든, 다섯 개보다 적은 및/또는 다섯 개보다 많은 컴퓨터(208, 210, 212, 214, 216)를 포함할 수 있다.

컴퓨터(204)는 접촉 및/또는 무접촉을 통해, 이를테면 직접적으로 그리고/또는 간접적으로, 유선으로 그리고/또는 무선으로, 선택적으로 그리고/또는 비선택적으로, 암호화되어 그리고/또는 복호화되어, 동기든 그리고/또는 비동기든 네트워크(202)와 통신한다. 컴퓨터(204)는 하드웨어 유닛, 이를테면 컴퓨터(204)의 하드웨어 구성요소, 예를 들어, 네트워크 카드를 통해 그러한 통신을 가능하게 한다. 그러나, 다른 실시예들에서, 컴퓨터(204)는 소프트웨어 애플리케이션, 소프트웨어 모듈, 모바일 앱, 브라우저, 브라우저 확장, OS, 및/또는 이들의 임의의 조합과 같은, 소프트웨어 유닛을 통해 그러한 통신을 가능하게 한다. 예를 들어, 통신은 HTTPS와 같은, 공통 프레임워크/API를 통할 수 있다. 서비스 요청자 세그먼트의 크기로 인해, 컴퓨터(204)는 동작의 효능, 연속성, 및/또는 리던던시를 위해 부하-균형 기술들 및/또는 시스템 대체 작동 기술들을 채용한다.

컴퓨터(204)는 컴퓨터(204)가 이를테면 직접적으로 그리고/또는 간접적으로, 유선으로 그리고/또는 무선으로, 선택적으로 그리고/또는 비선택적으로, 암호화되어 그리고/또는 복호화되어, 데이터베이스(206)와 통신하도록 데이터베이스(206)에 작동가능하게 결합된다. 컴퓨터(204)는 하드웨어 유닛, 이를테면 컴퓨터(204)의 하드웨어 구성요소, 예를 들어, 네트워크 카드를 통해 그러한 통신을 가능하게 한다. 그러나, 다른 실시예들에서, 컴퓨터(204)는 소프트웨어 애플리케이션, 소프트웨어 모듈, 모바일 앱, 브라우저, 브라우저 확장, OS, 및/또는 이들의 임의의 조합과 같은, 소프트웨어 유닛을 통해 그러한 통신을 가능하게 한다. 예를 들어, 그러한 통신은 MySQL®, Oracle®, 또는 다른 적합한 시스템들과 같은, 컴퓨터(204) 상에 호스팅되는 데이터베이스 관리 시스템(DBMS)를 통해 채용되는, HTTPS와 같은, 공통 프레임워크/API를 통할 수 있다. 또한, 컴퓨터(204)는 데이터베이스(206)를 로컬로 호스팅하고/하거나 데이터베이스(206)에 원격으로 접근할 수 있다. 대안적으로, 컴퓨터(204) 및 데이터베이스(206)는 하나의 로케일에 있으나, 별개로 구현될 수 있다. 또한, 컴퓨터(204)는 접촉 및/또는 무접촉을 통해, 이를테면 직접적으로 그리고/또는 간접적으로, 유선으로 그리고/또는 무선으로, 선택적으로 그리고/또는 비선택적으로, 암호화되어 그리고/또는 복호화되어, 동기든 그리고/또는 비동기든, 하나보다 많은 데이터베이스(206)를 호스팅하고/하거나 작동가능하게 결합될 수 있는 것을 주의하자. 또한, 데이터베이스(206)는 접촉 및/또는 무접촉을 통해, 이를테면 직접적으로 그리고/또는 간접적으로, 유선으로 그리고/또는 무선으로, 선택적으로 그리고/또는 비선택적으로, 암호화되어 그리고/또는 복호화되어, 동기든 그리고/또는 비동기든, 하나보다 많은 컴퓨터(204) 상에 호스팅될 수 있다는 것을 주의하자.

데이터베이스(206)는 조직화된 데이터의 집합을 포함한다. 데이터는 부울린 및/또는 문자와 같은, 원시 유형이든, 어레이 및/또는 유니언과 같은, 복합 유형이든, 그리고/또는 리스트, 큐, 덱, 스택, 스트링, 트리, 및/또는 그래프와 같은, 추상 데이터 유형이든, 임의의 유형일 수 있다. 데이터는, 임의의 구조, 이를테면 선형 구조, 이를테면 어레이, 맵, 테이블, 매트릭스, 벡터, 및/또는 리스트, 트리 구조, 이를테면 트리, 파고다, 트립(treap), 힙(heap), 및/또는 트라이(trie), 해시 구조, 이를테면 테이블, 리스트, 및/또는 필터, 그래프 구조, 이를테면 그래프, 매트릭스, 스택, 및/또는 다이어그램, 및/또는 이들 중 임의의 구조의 임의의 조합들로 조직화될 수 있다. 조직화된 데이터의 집합은 내용, 이를테면 환자 정보, 언어-관련 장애 쉘 정보, 언어-관련 장애 셀 정보, 환자 매트릭스 정보, 마스터 매트릭스 정보, 분석 정보, 및/또는 다른 관련된 정보를 포함할 수 있다. 데이터베이스(206)는 컴퓨터(204)를 통해, 이를테면 컴퓨터(206) 상에서 실행되는 DBMS를 통해 접근된다. 데이터베이스(206)은 관계형 데이터베이스이나, 다른 데이터베이스 모델들은 포스트-관계형과 같이, 가능하다. 컴퓨터(204) 및 데이터베이스(206)가 서로 별개로 위치되더라도, 다른 실시예들에서, 컴퓨터(204)는 데이터베이스(206)를 호스팅하는 것을 주의하자. 컴퓨터(204) 및 데이터베이스(206)는 단일 액터를 통해 작동되나, 다른 실시예들에서, 컴퓨터(204) 및 데이터베이스(206)는 상이한 액터들을 통해 작동된다는 것을 주의하자. 또한, 데이터베이스(206)는 컴퓨터(204)가 네트워크(202)를 통해 데이터베이스(206)와 통신하도록 네트워크(202)와 통신할 수 있다.

워크스테이션 컴퓨터(208), 태블릿 컴퓨터(210), 데스크탑 컴퓨터(212), 랩탑 컴퓨터(214), 및 이동 전화(216)는 이를테면 직접적으로 그리고/또는 간접적으로, 유선으로 그리고/또는 무선으로, 선택적으로 그리고/또는 비선택적으로, 암호화되어 그리고/또는 복호화되어, 동기로 그리고/또는 비동기로, 요구시 그리고/또는 요구없이, 네트워크(202)와 통신한다. 임의의 결합 방식으로, 워크스테이션 컴퓨터(208), 태블릿 컴퓨터(210), 데스크탑 컴퓨터(212), 랩탑 컴퓨터(214), 및 이동 전화(216)는 워크스테이션 컴퓨터(208), 태블릿 컴퓨터(210), 데스크탑 컴퓨터(212), 랩탑 컴퓨터(214), 및 이동 전화(216), 예를 들어, 송수신기 및/또는 네트워크 카드와 같은, 하드웨어 유닛을 통해 그러한 통신을 가능하게 한다. 다른 실시예들에서, 워크스테이션 컴퓨터(208), 태블릿 컴퓨터(210), 데스크탑 컴퓨터(212), 랩탑 컴퓨터(214), 및 이동 전화(216)는 소프트웨어 애플리케이션, 소프트웨어 모듈, 모바일 앱, 브라우저, 브라우저 확장, OS, 및/또는 이들의 임의의 조합과 같은, 소프트웨어 유닛을 통해 그러한 통신을 가능하게 한다. 예를 들어, 통신은 HTTPS와 같은, 공통 프레임워크/API를 통할 수 있다. 또한, 다른 유형들의 서비스 요청자들은 독립형 카메라, 현금 자동 입출금기(ATM), 암호화된 화폐 마이너, 키오스크, 단자, 착용가능한 컴퓨터, 이를테면 안경 컴퓨터, 주입형 컴퓨터, 또는 다른 적합한 컴퓨팅 디바이스들과 같이 가능하다는 것을 주의하자.

워크스테이션 컴퓨터(208), 태블릿 컴퓨터(210), 데스크탑 컴퓨터(212), 랩탑 컴퓨터(214), 및 이동 전화(216) 중 적어도 두 개는 동일한 방식으로 그리고/또는 상이한 방식으로, 동시에 그리고/또는 비-동시에 네트워크(202)를 통해 통신할 수 있다는 것을 주의하자. 워크스테이션 컴퓨터(208), 태블릿 컴퓨터(210), 데스크탑 컴퓨터(212), 랩탑 컴퓨터(214), 및 이동 전화(216)는 상이한 액터들을 통해 작동되나, 다른 실시예들에서, 워크스테이션 컴퓨터(208), 태블릿 컴퓨터(210), 데스크탑 컴퓨터(212), 랩탑 컴퓨터(214), 및 이동 전화(216) 중 적어도 두 개는 단일 액터를 통해 작동된다는 것을 주의하자.

서비스 제공자 세그먼트는 데이터를 네트워크(202)를 통해 서비스 요청자 세그먼트에 제공한다. 그러한 제공은 푸시 기술(push technology) 및/또는 풀 기술(pull technology)일 수 있다. 예를 들어, 푸시 기술은 서비스 제공자 세그먼트를 통해 이를테면 컴퓨터(204)를 통해, 요청 개시를 가능하게 한다. 결과로서, 주기적으로 업데이트가능한 정보는 컴퓨터(204)를 통해, 이를테면 동기식 회의, 메시징, 및/또는 파일 분배를 통해, 서비스 요청자 세그먼트에 푸시될 수 있다. 또한, 예를 들어, 풀 기술은 서비스 요청자 세그먼트를 통해, 이를테면 이동 전화(216)를 통해, 요청 개시를 가능하게 한다. 결과로서, 정보는 이동 전화(216)를 통해, 이를테면 웹 브라우징 및/또는 웹 피딩(web feeding)을 통해, 서비스 제공자 세그먼트로부터 풀링될 수 있다.

동작의 하나의 모드에서, 이에 기초한 언어-관련 장애 진단 데이터 및/또는 치료 데이터는 네트워크(202)를 통해 서비스 요청자 세그먼트에 서비스 제공자 세그먼트를 통해 제공된다. 예를 들어, 컴퓨터(204)는 언어-관련 장애 환자를 통해 작동될 때, 요구시, 데이터베이스(206)로부터 이동 전화(216)에 진단 데이터 및/또는 치료 데이터를 공급한다. 컴퓨터(204)는 이동 전화(216)로부터 환자 반응들을 수신하고 보다 구체적인 진단 및/또는 치료를 위해 동적으로 그리고 반복적으로 그러한 반응들을 처리한다. 컴퓨터(204) 및/또는 데이터베이스(206)의 운영자는 이를테면 환자 청약을 통해, 그러한 피딩이 어떻게 일어날지를 제어하고/하거나, 이를테면 동적으로 다른 언어-관련 장애 환자들로부터 반복적으로 획득되는 데이터에 기초하여, 진단 데이터 및/또는 치료 데이터를 업데이트할 수 있다.

도 3은 본 발명에 따른 컴퓨터 네트워크 다이어그램의 예시적인 실시예의 개략도를 도시한다. 컴퓨터 네트워크 다이어그램(300)은 네트워크(302), 컴퓨터 시스템(304), 운영자 컴퓨터(306), 및 환자 컴퓨터(308)를 포함한다. 네트워크(302)는 네트워크(202)에 따라 작동하나, 다른 네트워크 유형들은 본 출원에서 설명된 바와 같이, 가능하다. 서비스 제공자 세그먼트는 이를테면 네트워크 기반 언어-관련 장애 진단 및/또는 치료를 위한, 네트워크 기반 원격의료 서비스로서 기능하는, 시스템(304)을 포함한다. 시스템(304)은 본 출원에서 설명된 바와 같이, 네트워크(302)와 통신한다. 워크스테이션 컴퓨터(208), 태블릿 컴퓨터(210), 데스크탑 컴퓨터(212), 랩탑 컴퓨터(214), 및 이동 전화(216) 중 적어도 하나와 같은, 운영자 컴퓨터(308)는, 이를테면 환자 청약을 통해, 이를테면 그러한 피딩이 어떻게 일어날지에 대한 제어, 및/또는 이를테면 동적으로 다른 언어-관련 장애 환자들로부터 반복적으로 획득되는 데이터에 기초한, 진단 데이터 및/또는 치료 데이터를 업데이트를 위해 시스템(304)과 통신할 수 있다. 서비스 요청자 세그먼트는 환자 컴퓨터(308), 이를테면 워크스테이션 컴퓨터(208), 태블릿 컴퓨터(210), 데스크탑 컴퓨터(212), 랩탑 컴퓨터(214), 및 이동 전화(216) 중 적어도 하나를 포함한다. 다른 실시예에서, 운영자 컴퓨터(306) 및 환자 컴퓨터(308)는 단일 컴퓨터이다. 운영자 컴퓨터(306) 및 환자 컴퓨터(308)는 본 출원에서 설명된 바와 같이, 네트워크(302)와 통신한다. 또한, 운영자 컴퓨터(306)는 이를테면 전화 통화, 화상회의, 챗, 또는 기타를 통해, 직접적으로든 또는 간접적으로든, 환자 컴퓨터(308)에, 전체적으로든 또는 부분적으로든, 라이브 보조 기능을 제공하기 위해 구성될 수 있다.

도 4는 본 발명에 따른 컴퓨터의 예시적인 실시예의 개략도를 도시한다. 컴퓨터(400)는 처리기(402), 처리기(402)에 작동가능하게 결합되는 메모리(404), 처리기(402)에 작동가능하게 결합되는 네트워크 통신 유닛(406), 처리기(402)에 작동가능하게 결합되는 카메라(408), 처리기(402)에 작동가능하게 결합되는 디스플레이(410), 처리기(402)에 작동가능하게 결합되는 스피커(412), 처리기(402)에 작동가능하게 결합되는 지리위치 측정 유닛(414), 처리기(402)에 작동가능하게 결합되는 그래픽 유닛(416), 및 처리기(402)에 작동가능하게 결합되는 마이크로폰(418)을 포함한다. 컴퓨터(400)는 처리기(402), 메모리(404), 네트워크 통신 유닛(406), 카메라(408), 디스플레이(410), 스피커(412), 지리위치 측정 유닛(414), 그래픽 유닛(416), 및 마이크로폰(418)에 전력을 제공하는, 전원(420)을 포함한다. 처리기(402), 메모리(404), 네트워크 통신 유닛(406), 카메라(408), 디스플레이(410), 스피커(412), 지리위치 측정 유닛(414), 그래픽 유닛(416), 마이크로폰(418), 및 전원(420) 중 적어도 두 개가 하나의 유닛에 구현되더라도, 처리기(402), 메모리(404), 네트워크 통신 유닛(406), 카메라(408), 디스플레이(410), 스피커(412), 지리위치 측정 유닛(414), 그래픽 유닛(416), 마이크로폰(418), 및 전원(420) 중 적어도 하나는 접적으로 또는 간접적으로, 이를테면 로컬로 또는 원격으로, 독립형일 때 컴퓨터(400)에 작동가능하게 결합될 수 있다. 또한, 다른 실시예들에서, 컴퓨터(400)는 네트워크 통신 유닛(406), 카메라(408), 디스플레이(410), 스피커(412), 지리위치 측정 유닛(414), 그래픽 유닛(416), 및 마이크로폰(418) 중 적어도 하나가 부족하다. 컴퓨터(400)는 입력 유닛이든 그리고/또는 출력 유닛이든, 생체측정 리더기, 클릭커, 진동기, 프린터, 및 기타와 같은, 다른 유닛들을 포함할 수 있다.

처리기(402)는 멀티코어 처리기와 같은, 하드웨어 처리기를 포함한다. 예를 들어, 처리기(402)는 중앙 처리 유닛(CPU)을 포함한다.

메모리(404)는 비-일시적일 수 있는, 컴퓨터-판독가능 저장 매체를 포함한다. 매체는 처리기(402)를 통해 실행하기 위한 소프트웨어 애플리케이션과 같은, 복수의 컴퓨터-판독가능 명령을 저장한다. 명령들은 처리기(402)에 본 출원에서 설명된 바와 같이, 언어-관련 장애의 진단 및/또는 치료를 위한 방법의 수행을 가능하게 하도록 지시한다. 메모리(404)의 몇몇 예는 휘발성 메모리 유닛, 이를테면 랜덤 액세스 메모리(RAM), 또는 비-휘발성 메모리, 이를테면 하드 디스크 드라이브 또는 판독 전용 메모리(ROM)를 포함한다. 예를 들어, 메모리(404)는 플래시 메모리를 포함한다. 메모리(404)는 처리기(402)와 유선 통신한다. 또한, 예를 들어, 메모리(402)는 네트워크 통신 유닛(406), 카메라(408), 디스플레이(410), 스피커(412), 지리위치 측정 유닛(414), 그래픽 유닛(416), 마이크로폰(418), 또는 다른 입력 및/또는 출력 유닛들 중 적어도 하나를 작동하기 위해, 복수의 명령 세트와 같은, 복수의 컴퓨터 판독-가능 명령을 저장한다.

네트워크 통신 유닛(406)은 유선이든 또는 무선이든, 직접이든 또는 간접이든, 컴퓨터 네트워크 통신을 위해 네트워크 인터페이스 제어기를 포함한다. 예를 들어, 네트워크 통신 유닛(406)은 IEEE 802.11 표준과 같은, 전기 전자 학회(IEEE) 802 표준들의 세트로부터 선택되는 적어도 하나의 표준에 기초한 컴퓨터 네트워킹 통신을 위한 하드웨어를 포함한다. 예를 들어, 네트워크 통신 유닛(406)은 IEEE 802.11(g) 표준에 따라 작동되는 무선 네트워크 카드를 포함한다. 네트워크 통신 유닛(406)은 처리기(402)와 유선 통신한다.

카메라(408)는 사진 및/또는 비디오와 같은, 이미지 캡처를 위한 렌즈를 포함한다. 카메라(408)는 메모리(404) 상에 압축된 포맷 또는 압축되지 않은 포맷일 수 있는, 캡처된 시각적 정보를 저장한다. 카메라(408)는 이를테면 이미지 캡처 동안 그리고/또는 그 이후, 디스플레이(410) 상에 이미지 디스플레이를 가능하게 할 수 있다. 카메라(408)는 플래시 조명 유닛을 포함한다. 카메라(408)는 광학 기반이든 소프트웨어 기반이든, 줌을 가능하게 할 수 있다. 카메라(408)는 처리기(402)와 유선 통신한다. 카메라(408)는 또한 이를테면 무선으로, 처리기(402)에 원격으로 결합될 수 있다.

디스플레이(410)는 시각적 및/또는 촉각적 정보를 디스플레이하기 위한 영역을 포함한다. 디스플레이(410)는 전자 시각적 디스플레이, 평면판 디스플레이, 액정 디스플레이(LCD), 및 입체영상 디스플레이 중 적어도 하나를 포함한다. 예를 들어, 디스플레이(410)는 터치-이용 가능한 컴퓨터 모니터를 포함한다. 디스플레이(410)는 처리기(402)와 유선 통신한다. 디스플레이(410)는 또한 이를테면 무선으로, 처리기(402)에 원격으로 결합될 수 있다.

스피커(412)는 전자 오디오 시각적 입력에 반응하여 소리를 제공하는 전기음향 변환기와 같은, 라우드스피커를 포함한다. 예를 들어, 스피커(412)는 동적 스피커이다. 스피커(412)는 처리기(402)와 유선 통신한다. 스피커(412)는 또한 이를테면 무선으로, 처리기(402)에 원격으로 결합될 수 있다.

지리위치 측정 유닛(414)은 GPS 수신기를 포함한다. 지리위치 측정 유닛(414)은 처리기(402)와 통신한다. 이를테면 셀 사이트(cell site) 신호 삼각측량을 통해, 다른 유형들의 지리위치가 가능하다. 지리위치 측정 유닛(414)은 또한 이를테면 무선으로, 처리기(402)에 원격으로 결합될 수 있다.

그래픽 유닛(416)은 이미지 처리를 위한 그래픽 처리 유닛(GPU)을 포함한다. 그래픽 유닛(416)은 그래픽 전용 유닛이나, 다른 실시예들에서, 처리기(402)는 그래픽 유닛(416)과 통합된다. 예를 들어, 그래픽 유닛(416)은 비디오 카드를 포함한다. 그래픽 유닛(416)은 처리 유닛(402)과 통신한다.

마이크로폰(418)은 공기 중 소리를 스피커(412)를 통하는 출력과 같이, 후속 사용을 위한 전기 신호로 변환하도록 작동가능한 음향-전기 변환기/센서를 포함한다. 마이크로폰(418)은 전자기 유도 기반, 정전 용량 변경 기반, 또는 압전 기반일 수 있다. 마이크로폰(418)은 오디오 전력 증폭기로부터 전치 증폭기 업스트림에 결합될 수 있다. 예를 들어, 마이크로폰(418)은 동적 마이크로폰이다. 마이크로폰(418)은 또한 이를테면 무선으로, 처리기(402)에 원격으로 결합될 수 있다.

전원(420)은 컴퓨터(400)에 전력을 공급한다. 전원(420)은 온보드 재충전가능한 배터리, 이를테면 리튬-이온 배터리, 및 온보드 재생가능한 에너지원, 이를테면 광전지 셀, 풍력 발전용 터빈, 및/또는 수력 발전용 터빈 중 적어도 하나를 포함한다. 그러한 전력은 교류 전압기(mains electricity)를, 이를테면 전력 케이블을 통할 수 있다.

컴퓨터(400)는 또한 컴퓨터 키보드, 컴퓨터 마우스, 터치패드, 클릭커, 스캐너, 팩스, 생체측정 리더기, 포인터, 또는 다른 적합한 입력 디바이스들과 같은, 적어도 하나의 입력 디바이스를 포함하고/하거나 이에 작동가능하게 결합될 수 있다는 것을 주의하자. 비슷하게, 컴퓨터(400)는 프린터, 프로젝터, 또는 다른 적합한 출력 디바이스들과 같은, 적어도 하나의 출력 디바이스를 포함하고/하거나 이에 작동가능하게 결합될 수 있다. 또한, 컴퓨터(204), 워크스테이션 컴퓨터(208), 태블릿(210), 데스크탑 컴퓨터(212), 랩탑 컴퓨터(214), 및 이동 전화(216) 중 적어도 하나는 도식으로 나타낸 컴퓨터(400)에 따라 구축될 수 있다.

도 5는 본 발명에 따른 생성적 모델에 기초한 진단을 위한 프로세스의 예시적인 실시예의 흐름도를 도시한다. 서비스 제공자 세그먼트 및 서비스 요청자 세그먼트 중 적어도 하나를 통해 구현되는 컴퓨터외 같은, 프로세스는 복수의 진단 쉘(502, 506, 514)을 채용한다. 프로세스는 복수의 진단 셀(504, 508, 510, 512, 516)을 더 포함한다. 임의의 수의 쉘 또는 셀은 임의의 결합 방식으로 사용될 수 있다는 것을 주의하자. 프로세스는 어떤 프로그램이 작동할 수 있는지에 기초하여, 활성화시킬 제1 진단 쉘(502)(Dx₁, 점선 직사각형에 의해 표상됨)을 선택하기 위해, 마스터 매트릭스와 같은, 제1 데이터 구조, 및 환자 매트릭스와 같은, 제2 데이터 구조에서의 환자 정보를 채용한다. 각 진단 쉘은 소리들을 글자들 또는 기호들에 매칭하는 것과 같이, 환자에 의해 수행될 특정한 과제를 지정한다. 진단 쉘(502)(Dx₁)로부터, 프로그램은 마스터 매트릭스와 같은, 제1 데이터 구조로부터 선택된 정보를, 쉘(502)에 삽입함으로써, 적어도 하나의 내용-특정 테스트 셀(504)(진단 셀들 Dx₁y_{1 -n})을 생성한다. 그러한 컴퓨터화된 생성은 병행, 동시, 실시간, 동시, 배치-처리, 멀티스레드, 또는 비-병행, 비-동시, 및 기타와 같은, 이들의 임의의 부정적 측면들일 수 있다는 것을 주의하자. 예를 들어, 진단 쉘 Dx₁ 이 컴퓨터 디스플레이 상에 도시되는 대상들을 명명하는 과제를 지정한다면, 특정한 진단 셀들 Dx₁y₁, Dx₁y₃, Dx₁y₅ 및 기타는 집안에 흔히 있는 대상들, 도구들, 또는 명칭들이 글자 "B"로 시작하는 물건들과 같은, 상이한 카테고리의 대상들 각각의 명명을 수반할 수 있다. 셀들(504)은 마스터 매트릭스와 같은, 제1 데이터 구조에서의 지정된 기준들의 세트에 기초하여, 이러한 특정한 환자를 위해, 최적인, 이를테면 가장 효과적인 순서로 환자에 대해 시행된다. 셀들(504)은 본 발명이 진단 및 치료를 위해 사전 설정한 시퀀스를 반드시 규정하지는 않기 때문에 비-순차적 순서로 시행될 수 있다.

또한, Dx₁y₁ 뒤에는 Dx₁y₃ 및 Dx₁y₅가 계속된다. 이는 Dx₁y_{1 ,} Dx₁y_{3 ,} 및 Dx₁y₅ 가 사전 정의된 순서로 제공되는 사전 정의된 내용을 갖는 사전 정의된 셀들이라는 것을 반드시 의미하지는 않는다. 더 정확히 말하면, 그러한 셀들은 각 환자의 결과들의 분석에 따라 생성된다. 이와 같이, 프로세스는 다른 환자를 위한 해당 동일한 진단 쉘과 상이한 진단 셀들의 세트, 그것들의 동일한 셀들의 세트의 상이한 순서를 배치하거나, 식별되는 적어도 하나의 기저를 이루는 언어 문제에 따라 그러한 쉘을 모두 스킵할 수 있다.

또한, 프로세스는 진단 셀들(504)(Dx₁y₁, Dx₁y₃, Dx₁y₅₎ 모두의 생성을 가능하게 하나, 환자를 마스터 매트릭스와 같은, 제1 데이터 구조를 통해 동적으로 설정되는 순서로 연속하여 그러한 테스트들을 받는다. 셀들(504)에 기초한 환자의 반응들은 셀(508)(Dx₂y₁)에서의 다음 테스를 생성하기 위해 진단 쉘(506)(Dx₂₎의 자동 선택을 가능하게 한다. 셀(508)(Dx₂y₁)에 대한 환자의 반응들은 추가 테스팅을 위해 또 다른 셀(510)(Dx₂y₂)의 자동 생성을 초래한다. 그 후 셀(510)(Dx₂y₂)에 대한 환자의 결과들은 프로세스가 추가의, 보다 구체적인 테스팅을 위해 다시 쉘(502)을 선택하는 것으로 자동으로 리턴하게 하나, 이번에는 새로운 내용이 진단 셀(512)(Dx₁y₄)을 생성하기 위해, 마스터 매트릭스와 같은, 제1 데이터 구조에서 검색된다. 그녀의 결과들에 기초하여, 그 후 환자는 마스터 매트릭스와 같은, 제1 데이터 구조를 통해 동적으로 설정되는 순서로 다음 진단 쉘(514)(Dx₃) 및 그 후 셀(516)(Dx₃y₂)로 진행한다.

도 6은 본 발명에 따른 생성적 모델에 기초한 치료를 위한 프로세스의 예시적인 실시예의 흐름도를 도시한다. 치료 단계에서의 각 쉘은 훈련 유닛(Tx_{1 -n}) 및 평가 유닛(Ex_{1 -n})을 포함한다. 프로세스는 어떤 프로그램이 실행될 수 있는지에 기초하여, 마스터 매트릭스와 같은, 제1 데이터 구조와 비교하여, 환자 매트릭스와 같은, 제2 데이터 구조를 비교, 분석, 또는 필터링하는 것을 통해, 치료 쉘에 적어도 부분적으로 기초하여 치료를 위한 치료 셀을 생성하기 위해, 먼저 환자 매트릭스와 같은, 제2 데이터 구조에 포함되는 바와 같은, 진단 단계로부터의 환자의 수행 이력을 사용한다. 그 후 이전 치료 셀들 상에서의 환자의 수행은 정보가 환자 매트릭스와 같은, 제2 데이터 구조에 계속적으로 업데이트됨에 따라 시행될 후속 셀들을 결정한다. 치료 단계에서의 셀들은 진단 단계에서와 같은 동일하거나 유사한 방식으로 이들의 대응하는 쉘들로부터 생성된다. 임의의 수의 쉘 또는 셀이 사용될 수 있다는 것을 주의하자.

도 6에 도시된 바와 같이, 프로세스는 한 명의 환자를 위한 치료 단계의 부분을 캡처한다. 그러한 프로세스는 서비스 제공자 세그먼트 및 서비스 요청자 세그먼트 중 적어도 하나를 통해 구현될 수 있다. 예시되는 프로세스의 스테이지에서, 치료 셀(602)(Tx₁y₃Ex₁y₃)은 이를테면 도 1 내지 도 4에서의 컴퓨터 아키텍처를 통해, 시행된다. 다음 셀로 진행하기 위해, 환자는 마스터 매트릭스와 같은, 제1 데이터 구조에 의해 지정되는 기준에 따라 이러한 셀(602)에 포함되는 평가를 통과해야 한다. 환자가 통과한다면, 프로세스는 마스터 매트릭스와 같은, 제1 데이터 구조에서 선택된 내용을 다시 검색하는 것을 통해 쉘 Tx₃Ex₃ 로부터 다음 셀(606)(Tx₃y₂Ex₃y₂)의 생성으로 계속된다. 그러나, 환자가 셀(602)(Tx₁y₃Ex₁y₃)의 평가를 통과하는데 실패한다면, 프로세스는, 블록(604)에 따라, 환자가 통과하는데 요구된 기술을 구축하는 것을 돕기 위해 연습 셀(Px₁y₁)을 생성한다. 반복되는 실패들은 더 많은 연습 셀(Px₁y₃) 또는 다른 치료 셀들(Tx₄y₁Ex₄y₁)을 수반한다. 다른 치료 셀들(Tx₄y₁Ex₄y₁)은 이러한 환자가 원래 치료 셀(Tx₁y₃Ex₁y₃)을 통과하는데 요구되는 기술을 구축하는 것을 돕기 위해 배치될 수 있다_. 환자가 수 회, 이를테면 두 번의 시도 이후 해당 동일한 셀 Tx₁y₃Ex₁y₃을 통과하는데 여전히 실패한다면, 본 출원에서 설명된 바와 같은, 라이브 보조 기능이 호출된다.

환자는 환자 매트릭스와 같은, 제2 데이터 구조와 비교하여 평가될 때, 셀(602)에 기초하여 과제들을 성공적으로 수행할 시 생성된 치료 셀(606)(Tx₃y₂Ex₃y₂)로 진행한다. 유사하게, 환자가 통과한다면, 환자는 생성되는 다음 셀, 셀(608)로 진행한다. 그러나, 환자가 실패한다면, 셀(602)(Tx₁y₃Ex₁y₃)을 수반하는 사이클을 갖는 바와 같은, 유사한 프로세스가 발생한다. 그러나, 상이한 셀들을 갖는 실패들의 상이한 사이클들은 상이한 유형들의 셀들 및 상이한 순서들의 이들의 제시를 수반할 수 있다. 예를 들어, 도 6에서, 셀(602)(Tx₁y₃Ex₁y₃)을 수반하는 실패들의 제1 사이클에 대해, 두 개의 연습 셀(Px₁y₁, Px₁y₃)이 다른 치료 셀(Tx₄y₁Ex₄y₁) 이전에 시행되었다. 프로세스가 식별되는 문제들에 따라, 환자를 돕기 위한 유사하거나 상이한 유형들의 연습 셀들을 배치할 수 있더라도, 셀(606)(Tx₃y₂Ex₃y₂)을 수반하는 실패들의 제2 사이클에 대해, 블록(610)에 따라, 치료 셀(Tx₄y₂Ex₄y₂)은 연습 셀들 이전에 시행되었다. 그러나, 셀(608)은 셀(606)에 기초한 과제의 성공적 통과 시 시행된다. 몇몇 경우에서, 적절하게, 적어도 몇몇 응답이 환자가 다음 치료 셀로 진행하기 이전 마지막으로 동일한 평가를 시도하기 전에 제공된다. 그러나, 다른 경우들에서, 교육용 비디오들 또는 다른 도움들이 적절하게 실패한 시도들에 따라 제공될 수 있다. 또한, 프로세스가 진행함에 따라, 환자의 반응들은 환자가 새로운 치료 셀들을 거칠 때, 환자 매트릭스와 같은, 제2 데이터 구조에 기록된다. 그러한 기록에 기초하여, 프로세스는 마스터 매트릭스와 같은, 제1 데이터 구조로부터의 정보에 기초하여 다음으로 활성화할 셀들의 유형 및 순서를 계속적으로 업데이트하여, 환자의 치료의 변형 및 증대를 가능하게 한다. 따라서 진단 단계 및 치료 단계 중 적어도 하나는 각 환자에 대해 개별화된 진단 및 치료 셀들의 생성에 대해 반응하는, 생성적 모델에 기초한다.

도 7은 본 발명에 따른 진단을 위한 프로세스의 예시적인 실시예의 흐름도를 도시한다. 그러한 프로세스는 적어도 복수의 블록(702-726)을 포함한다. 또한, 그러한 프로세스는 순차적 번호순 및/또는 비-순차적 번호순으로 수행될 수 있다. 프로세스는 도 1 내지 도 4에서와 같은, 본 출원에서 설명된 바와 같은, 컴퓨팅 아키텍처를 통해 수행된다. 국내에서든 그리고/또는 국제적으로든, 프로세스는 수행되고/되거나, 수행을 위해 가능하게 되고/되거나, 서비스 제공자 세그먼트와 같은, 적어도 하나의 액터를 통해 그러한 수행에 도움이 될 수 있다. 예를 들어, 그러한 프로세스는 환자 컴퓨터(308)와 인터페이싱하는 컴퓨터 시스템(304)을 통해 수행될 수 있다.

블록(702)에서, 시스템(304)은 이를테면 마스터 매트릭스와 같은, 제1 데이터 구조와 비교하여, 환자 매트릭스와 같은, 제2 데이터 구조를 비교, 분석, 또는 필터링하는 것을 통해, 제1 필터링 데이터를 획득한다.

블록(704)에서, 시스템(304)은 블록(702)으로부터의 제1 필터링 데이터에 적어도 부분적으로 기초하여 진단 쉘을 선택한다.

블록(706)에서, 시스템(304)은 블록(704)으로부터의 진단 쉘에 적어도 부분적으로 기초하여 진단 셀을 생성한다.

블록(708)에서, 시스템(304)은 블록(706)에서 선택되는 진단 셀을 실행한다. 그러한 실행은 이를테면 환자 컴퓨터(308)와의 네트워크 통신을 통해, 환자 컴퓨터(308)와 인터페이싱하는 것을 포함할 수 있다. 환자 컴퓨터(308)는 환자 입력을 수신하기 위해 진단 셀을 실행한다.

블록(710)에서, 시스템(304)은 환자 매트릭스와 같은, 제2 데이터 구조에 진단 셀의 결과를 저장한다. 동적일 수 있는, 그러한 저장은 실시간으로든 또는 지연 방식으로든, 환자 컴퓨터(308)로부터의 환자 입력의 적어도 몇몇을 수신하는 것에 적어도 부분적으로 기초한다.

블록(712)에서, 시스템(304)은 컴퓨터화된 데이터베이스와 같은, 분석 데이터 구조에 통계들을 저장한다. 동적일 수 있는, 그러한 저장은 제2 데이터 구조에 저장되는 바와 같이, 결과로부터 통계들을 획득하는 것에 적어도 부분적으로 기초한다. 대안적으로, 통계들은 실시간으로든 또는 지연 방식으로든, 환자 컴퓨터(308)로부터의 환자 입력의 적어도 몇몇을 수신하는 것에 적어도 부분적으로 기초하여 획득될 수 있다.

블록(714)에서, 시스템(304)은 이를테면 마스터 매트릭스와 같은, 제1 데이터 구조와 비교하여, 블록(710)에서 업데이트되는 바와 같이, 환자 매트릭스와 같은, 제2 데이터 구조를 비교, 분석, 또는 필터링하는 것을 통해, 제2 필터링 데이터를 획득한다.

블록(716)에서, 시스템(304)은 블록(714)으로부터의 제2 필터링 데이터에 적어도 부분적으로 기초하여 환자 수행을 분석한다. 그러한 분석은 블록(704)으로부터, 해당 동일할 쉘을 사용하는 다른 진단 셀이 요구되는지 결정을 가능하게 한다. 또한, 그러한 분석은 본 출원에서 설명된 바와 같이, 팩터들에 적어도 부분적으로 기초한다.

블록(718)에서, 시스템(304)은 다음 진단 셀의 생성이 발생해야 하는지에 관해 결정한다. 그렇다면, 프로세스는 블록(724)로 진행한다. 그렇지 않으면, 프로세스는 블록(720)으로 진행한다.

블록(720)에서, 시스템(304)은 다음 진단 쉘의 선택이 발생해야 하는지에 관해 결정한다. 그렇다면, 프로세스는 블록(726)으로 진행한다. 그렇지 않으면, 프로세스는 블록(722)으로 진행한다.

블록(722)에서, 시스템(304)은 환자 진단이 완료되는지 결정한다. 그러한 결정은 환자 컴퓨터(308)에의 출력을 포함할 수 있다. 예를 들어, 그러한 출력은 시각적, 청각적, 진동성, 또는 기타일 수 있다.

블록(724)에서, 시스템(304)은 블록(704)으로부터의 진단 쉘에 적어도 부분적으로 기초하여 다음 진단 셀을 생성한다. 그러한 셀의 내용은 마스터 매트릭스와 같은, 제1 데이터 구조에 기초하여 생성된다는 것을 주의하자.

블록(726)에서, 시스템(304)은 활성화할 다음 진단 쉘을 선택한다. 이러한 프로세스는 제1 데이터 구조 및 제2 데이터 구조로부터의 정보가 진단 테스팅 단계가 이러한 환자에 대해 완료됨을 표시할 때까지 요구되는 만큼의 사이클들을 거치며, 여기서 프로세스는 치료 단계로 선택적으로 진행할 수 있다는 것을 주의하자. 또한, 대부분의 단계가 시스템(304)을 통해 수행되기 때문에, 환자 컴퓨터(308)는 다른 백그라운드 과제들을 위한 자원들이 충분하지 않다는 것을 주의하자. 진단 단계는 언제라도 환자를 통해 중지되거나 재개될 수 있다는 것을 주의하자.

도 8은 본 발명에 따른 치료를 위한 프로세스의 예시적인 실시예의 흐름도를 도시한다. 그러한 프로세스는 적어도 복수의 블록(802-826)을 포함한다. 또한, 그러한 프로세스는 순차적 번호순 및/또는 비-순차적 번호순으로 수행될 수 있다. 프로세스는 도 1 내지 도 4에서와 같은, 본 출원에서 설명된 바와 같은, 컴퓨팅 아키텍처를 통해 수행된다. 국내에서든 그리고/또는 국제적으로든, 프로세스는 수행되고/되거나, 수행을 위해 가능하게 되고/되거나, 서비스 제공자 세그먼트와 같은, 적어도 하나의 액터를 통해 그러한 수행에 도움이 될 수 있다. 예를 들어, 그러한 프로세스는 환자 컴퓨터(308)와 인터페이싱하는 컴퓨터 시스템(304)을 통해 수행될 수 있다.

블록(802)에서, 시스템(304)은 이를테면 마스터 매트릭스와 같은, 제1 데이터 구조와 비교하여, 환자 매트릭스와 같은, 제2 데이터 구조를 비교, 분석, 또는 필터링하는 것을 통해, 제1 필터링 데이터를 획득한다.

블록(804)에서, 시스템(304)은 블록(802)으로부터의 제1 필터링 데이터에 적어도 부분적으로 기초하여 치료 쉘을 선택한다.

블록(806)에서, 시스템(304)은 블록(804)으로부터의 치료 쉘에 적어도 부분적으로 기초하여 치료 셀을 생성한다.

블록(808)에서, 시스템(304)은 블록(806)에서 선택되는 치료 셀을 실행한다. 그러한 실행은 이를테면 환자 컴퓨터(308)와의 네트워크 통신을 통해, 환자 컴퓨터(308)와 인터페이싱하는 것을 포함할 수 있다. 환자 컴퓨터(308)는 환자 입력을 수신하기 위해 치료 셀을 실행한다. 예를 들어, 그러한 치료 셀은 Tx_iy_jEx_iy_j일 수 있다.

블록(810)에서, 시스템(304)은 환자 매트릭스와 같은, 제2 데이터 구조에 치료 셀의 결과를 저장한다. 동적일 수 있는, 그러한 저장은 실시간으로든 또는 지연 방식으로든, 환자 컴퓨터(308)로부터의 환자 입력의 적어도 몇몇을 수신하는 것에 적어도 부분적으로 기초한다.

블록(812)에서, 시스템(304)은 컴퓨터화된 데이터베이스와 같은, 분석 데이터 구조에 통계들을 저장한다. 동적일 수 있는, 그러한 저장은 제2 데이터 구조에 저장되는 바와 같이, 결과로부터 통계들을 획득하는 것에 적어도 부분적으로 기초한다. 대안적으로, 통계들은 실시간으로든 또는 지연 방식으로든, 환자 컴퓨터(308)로부터의 환자 입력의 적어도 몇몇을 수신하는 것에 적어도 부분적으로 기초하여 획득될 수 있다.

블록(814)에서, 시스템(304)은 이를테면 마스터 매트릭스와 같은, 제1 데이터 구조와 비교하여, 블록(810)에서 업데이트되는 바와 같이, 환자 매트릭스와 같은, 제2 데이터 구조를 비교, 분석, 또는 필터링하는 것을 통해, 제2 필터링 데이터를 획득한다.

블록(816)에서, 시스템(304)은 블록(814)로부터의 제2 필터링 데이터에 적어도 부분적으로 기초하여 환자 수행을 분석한다. 그러한 분석은 블록(804)으로부터, 해당 동일할 쉘을 사용하는 다른 치료 셀이 요구되는지 결정을 가능하게 한다. 또한, 그러한 분석은 본 출원에서 설명된 바와 같이, 팩터들에 적어도 부분적으로 기초한다. 제2 데이터 구조로 입력되는 새로운 및 이전 정보 양자가 블록(804)에 따라, 동일한 쉘 Tx_iEx_i을 사용하는 다른 치료 셀이 요구되는지 결정하기 위해 제1 데이터 구조를 통해 비교, 분석, 또는 필터링된다는 것을 주의하자.

블록(818)에서, 시스템(304)은 다음 치료 셀의 생성이 발생해야 하는지에 관해 결정한다. 그렇다면, 프로세스는 블록(820)으로 진행한다. 그렇지 않으면, 프로세스는 블록(824)으로 진행한다.

블록(824)에서, 시스템(304)은 다음 치료 쉘의 선택이 발생해야 하는지에 관해 결정한다. 그렇다면, 프로세스는 블록(822)으로 진행한다. 그렇지 않으면, 프로세스는 블록(826)으로 진행한다.

블록(820)에서, 시스템(304)은 블록(804)으로부터의 치료 쉘에 적어도 부분적으로 기초하여 다음 치료 셀을 생성한다. 그러한 셀의 내용은 마스터 매트릭스와 같은, 제1 데이터 구조에 기초하여 생성된다는 것을 주의하자.

블록(822)에서, 시스템(304)은 활성화할 다음 치료 쉘을 선택한다. 이러한 프로세스는 제1 데이터 구조 및 제2 데이터 구조로부터의 정보가 치료 단계가 이러한 환자에 대해 완료됨을 표시할 때까지 요구되는 만큼의 사이클들을 거친다는 것을 주의하자. 또한, 대부분의 단계가 시스템(304)을 통해 수행되기 때문에, 환자 컴퓨터(308)는 다른 백그라운드 과제들을 위한 자원들이 충분하지 않다는 것을 주의하자.

블록(826)에서, 시스템(304)은 적어도 하나의 치료 세션 또는 하나의 치료 행위에 대해, 환자 치료가 완료되는지를 결정한다. 그러한 결정은 환자 컴퓨터(308)에의 출력을 포함할 수 있다. 예를 들어, 그러한 출력은 시각적, 청각적, 진동성, 또는 기타일 수 있다. 치료 단계는 언제라도 환자를 통해 중지되거나 재개될 수 있다는 것을 주의하자.

도 9는 본 발명에 따른 진단 및 치료의 예시적인 실시예의 다이어그램을 도시한다. 단어 분할 진단 테스트에서의 자극 사항은 단어 be이다. 그러한 테스트에서, 환자는 단어를 이의 각각의 소리들로 분할해야 한다. 이러한 자극 사항에 대해, 마스터 매트릭스와 같은, 제1 데이터 구조에서의 대응하는 노드는 이의 정확한 반응(/bi/) 및 예측된 부정확한 반응들에 연결된다. 부정확한 반응들은 자연적 언어들의 원리들 및 규칙들, 언어학, 언어 습득 또는 발달의 기저를 이루는 프로세스들, 뿐만 아니라 예외적 언어들(즉, 의사소통 장애들을 갖는 개인들과 같은, 전형적 모집단 외부의 화자들의 언어)을 통제하는 프로세스들의 지식에 의해 예측되는 전부는 아니더라도, 대부분의 가능한 인스턴스를 포함한다. 자극 언어 be의 경우에서, 예측된 부정확한 반응들은 사용자들이 자음 /b/를 생략하거나 이러한 자음 또는 모음 /i/을 대체하는 인스턴스들을 포함한다. 상기에서 최소한 식별된 분야들의 세트로부터의 지식은 /b/가 대체된다면, 치환될 것으로 예상되는 음소는 이들의 음소 유사성으로 인해 /p/ 또는 /d/라고 예측하는 것을 돕는다. 그래프는 또한 다른 가능한 치환들을 가능하게 한다. 또한, /b/가 없는 것과 같은, 환자의 특정한 부정확한 반응은 특정한 컴퓨터 동작(/b/를 갖는 단어들을 생성)을 초래한다. 생성된 단어들은 원하는 소리 조합들을 갖는 사전에서의 실제 단어들 또는 의미 없는 단어들일 수 있다. 환자의 부정확한 반응이 /b/ 대신 /p/와 같은, 치환 에러일 때, 결정적 대비를 갖는 단어들의 적어도 하나의 쌍이 최소 대립쌍 pit /pΙt/ v. bit /bΙt/과 같이, 컴퓨터 생성된다. 환자의 반응이 하나보다 많은 에러를 포함한다면, 전부는 아니더라도, 대부분, 영향을 받은 그래프 상의 노드들이 활성화되며, 이는 환자가 치료 단계에서 하나보다 많은 단어들의 리스트를 이용하여 연습해야 한다는 것을 의미한다. 단어들의 이러한 리스트가 듣고-따라하기 치료 쉘에 두어질 때, 환자는 그러한 리스트에서의 각 단어를 하나씩 거침으로써 필수 과제를 수행한다. 추가적으로, 전체 테스트가 보통 수 개의 자극 사항을 포함하기 때문에, 그러한 테스트는 환자로부터 하나보다 많은 부정확한 반응을 낼 수 있다. 따라서, 수 개의 그래프가 하나의 테스트 출력으로부터, 마스터 매트릭스와 같은, 제1 데이터 구조에서 활성화될 수 있다. 예를 들어, 빠른 명명 진단 테스트는 수 개의 단어를 수반하는 에러들을 낼 수 있다. 그러한 경우에서, 컴퓨터 구현된 우선순위 결정 알고리즘은 어떤 테스트 또는 연습 사항들의 세트를 다음으로 환자에게 제시할지를 결정한다.

도 10은 본 발명에 따른 자음들에 대한 음소 식별 진단 쉘 및 셀들의 예시적인 실시예의 다이어그램을 도시한다. 그러한 방법론은 본 출원에서 설명된 기술을 통해 구현된다.

이를테면 도 1 내지 도 4의 컴퓨팅 아키텍처에 기초한, 동작의 하나의 모드에서, 진단 단계는 화자, 청자, 독자, 및 필자로서 언어적 정보를 프로세싱하는 환자의 능력의 포괄적인 프로필을 제공하기 위해 구조화된다. 기저를 이루는 구조는 환자가 평가 정확성을 확인해 주기 위해 내장된 메커니즘들을 갖고, 그러한 역할들을 수행하는 것에 있어서 전부는 아니더라도, 대부분의 중요한 언어 성분을 조직적으로 진행하게 하도록 설계된다. 예를 들어, 프로세스는 음소 식별 진단 쉘로 시작된다. 생성되는 제1 음소 식별 진단 셀, 셀 A는 도 10에 도시된 바와 같은, 단어-중간 위치에서의 /b/와 /p/를 구별하는 환자의 능력을 테스트한다. 음소들 /p/ 및 /b/는 유성음의 음성적 특징에 의해 서로 구별된다. 단지 하나의 음성적 특징에 의해 구별되는 단어들의 쌍들은 sta p le 및 sta b le와 같은, 최소 대립쌍들로 칭해진다. 음소 식별 진단 셀 A가 /p/-/b/ 대비를 이용하여 시행될 때, 환자는 임의의 순서로 staple, clamber, 또는 flappy와 같은, /p/ 또는 /b/를 포함하는 단어들의 문자열들을 청취한다. 환자는 단지 /p/를 갖는 단어들을 고르도록 요청된다. 환자가 이러한 셀에서 어떠한 에러도 범하지 않는다면, 프로세스는 pr im, 또는 br im과 같은, 단어-첫 위치에서의 /pr/-/br/ 대비를 갖는 다음 셀 B를 생성한다. 환자가 다시 어떠한 에러도 범하지 않는다면, 프로세스는 시퀀스에서의 다음 음소적 대비, /t/-/d/로 진행한다. 환자가 셀 B에서 에러들을 범한다면, 프로세스는 단어-첫 위치 및 단어-말 위치에서 /p/-/b/를 구별하는 그녀의 능력을 테스트할 뿐만 아니라 단어 중간 위치에서 적어도 하나의 이전 에러를 확인하기 위해 셀들 D-F를 생성한다.

환자가 셀 A에서 에러들을 범한다면 프로세스는 셀 A에서의 에러들을 확인하기 위해 다시 단어-중간 위치에서 /p/-/b/ 대비를 갖는 다음 셀 C를 생성한다. 셀 C로부터, 환자가 어떠한 에러도 범하지 않는다면, 프로세스는 단어-초기 위치에서의 /pr/-/br/을 구별하는 그녀의 능력을 테스트하기 위해 셀 G의 생성을 가능하게 한다. 셀들 B 및 G 양자는 단어-초기 위치에서의 동일한 /pr/-/br/ 대비를 테스트하나 환자가 셀 C에서 에러를 범한다면, 프로세스는 단어-초기 위치에 /pr/-/br/ 대비를 갖는 셀 J를 생성하기 전에 단어-초기 위치 및 단어-말 위치들에 /p/-/b/ 대비를 포함하는 셀들 H 및 I를 먼저 생성하기 때문에 프로세서가 상이한 내용을 갖는 각 셀을 생성한다는 사실을 강조하기 위해 그리고 프로세스를 통하는 환자의 상이한 진로들을 표시하기 위해 상이하게 라벨링된다. 단어-처음 이전에 단어-중간 대비를 제시하는 하나의 이유는 후자가 전자보다 검출하기 보다 어려울 것으로 예상되기 때문이다. 따라서, 환자가 먼저 보다 어려운 과제를 수행할 수 있다면, 보다 쉬운 과제는 반드시 시행될 필요는 없다.

음소 /p/에 관련된 다른 대비들은 p/-/t/( p ip, t ip), /p/-/f/( p it, f it), /p/-/k/( p ick, k ick) 및 /p/ v. Ø(kee p , key)와 같은, 위에서 설명된 바와 동일한 방식으로 포함될 수 있다. 단어-첫 및 단어-말 위치들 양자에서의 /pl/-/bl/( pl ume, bl oom), /pr/-/tr/ ( pr ick, tr ick), /spl/-/sl/ ( spl ay, sl ay)와 같은 자음군들은 보다 많은 진단 셀을 통해 진단 단계로 유사하게 통합될 수 있다.

음소 식별 과제들은 처리 속도의 측정을 통합할 수 있다는 것을 주의하자. 그러한 경우, 빠른 처리 진단 쉘이 사용된다. 음소 식별 과제는 위에서 설명된 바와 같이 유지되나, 이제 환자는 시간 제한 하에서 수행한다. 예를 들어, 환자 청각은 자연적 음성의 통상적으로 빠른 속도에서 음소적 대비를 검출한다. 환자가 이러한 속도에서 대부분의 대비를 검출하는데 실패한다면, 그것들의 동일한 과제들이 분당 60 단어 내지 80 단어와 같은, 보다 느린 속도로 제공된다. 통상적 및 느린 속도들에서의 그녀의 수행들 간 뚜렷한 차이는 처리 속도에 문제를 가리킬 수 있다.

프로세스는 효능을 보장하기 위해 더 고유하게 구조화되어, 중요한 진단 셀들의 제시의 순서를 렌더링한다. 보다 미세한 대비들이 보다 명백한 대비들 이전에 테스팅된다. 예를 들어, 환자가 /o/-/

/ 대비(h o le, h a ll)를 검출할 수 있는 환자가 /o/-/au/ 대비(h o le, h ow l)도 또한 검출할 수 있을 가능성이 있고 그에 따라 보다 쉬운 대비에 대해 반드시 테스트될 필요가 없을 수 있기 때문에 그녀가 전자를 실패한다면 단지 후자에 대해 테스팅된다.

전부는 아니더라도, 진단 셀들로부터의 대부분의 결과는 이후의 치료 셀들의 생성을 위해, 환자 매트릭스와 같은, 제2 데이터 구조에 기록된다. 진단 단계의 이러한 부분은 전부는 아니더라도, 대부분의 언어에서의 음소들 및 음소군들을 커버한다. 그러한 진단의 마지막에, 프로세스는 소리 환경들에서 어떤 음소들 및 음소군들이 문제가 있는지를 명시하는 완전하지 않더라도, 유의미한 환자의 음운적 프로필을 낸다.

진단 셀들은 또한 치료 단계에 통합될 수 있다. 예를 들어, /spr/-/skr/와 같은, 보다 복잡한 자음군들이 이러한 음소에 여전히 남아 있는 문제들이 있는지 보기 위해 /p/에 대한 치료 단계의 마지막에 테스팅될 수 있다.

음소 식별 진단 쉘에서, 프로세스는 소리-기호 매칭 진단 쉘로 진행될 수 있다. 프로세스는 소리-기호 매칭에 대한 셀들을 생성하기 위해 음소 식별 진단 셀들의 결과를 사용할 수 있다. 예를 들어, 환자가 음소 식별 쉘에서 /v/-/w/ 대비에 에러들을 범한다면, 프로세스는 환자에게 기록된 소리들 /v/ 및 /w/를 매칭하는 글자들을, 이를테면 타이핑을 통해, 입력하기를 요청하는 소리-기호 매칭 셀들을 생성할 수 있다. 따라서, 소리-기호 매칭 셀들은 이전에 시행된 음소 식별 셀들의 결과들을 확인하기 위해 사용될 수 있다.

음소 식별 진단 쉘에서, 프로세스는 음절 구분 진단 쉘로 그리고 단어 분할 진단 쉘로 별도로 진행될 수 있다. 이전 음소 식별 테스팅에서 환자에 대해 문제가 있는 것으로 발견된 소리에서, 이들 특정한 음소를 포함하는 임의의 단어들이 음절 구분 진단 셀들에 생성될 수 있다. 예를 들어, 환자가 단어-중간 및 단어-말 위치들에 /p/를 수반하는 음소 식별 셀들에서 에러들을 생성했다면, 음절 구분 진단 셀은 환자가 이러한 단어를 이의 음절들로 분해 시 /p/ 소리를 유지하는지 보기 위해 단어 harpsichord를 포함할 수 있다. 환자가 /p/를 생략한다면, 후속 단어 분할 진단 셀은 mishaps 및 capsized와 같은, 이들 단어에서의 /p/를 갖는 보다 많은 단어를 포함할 수 있다. 그 후 환자는 이들 단어를 개별적 소리들로 분할하도록 요청되어, 그녀의 음소적 능력의 보다 미세한 세부사항을 제공한다. 음절 구분 및 단어 분할 쉘들에서의 이들 과제를 수행 시, 새로운 에러들은 프로그램이 특정한 소리 환경들에 문제가 있는 것으로 처음에 발견되지 않았던 음소들에 대해 다시 임소 식별 셀들을 실행하도록 유발할 수 있다.

다른 유형들의 음운적 테스트들이 또한 압운을 포함하여, 음소 식별로부터 시행될 수 있다. 특히 환자가 음소 식별 쉘에서 모음들에 에러들을 범할 때, 프로세스는 환자가 b ee r v. b ee )와 같은, 음소 식별 쉘에서 이전에 대비된 /

/-/i/를 검출하는데 실패할 때 그녀에게 /

/와 운이 맞는 단어들을 생성하기를 요청하는 것과 같은, 압운 진단 셀들을 생성할 수 있다. 이러한 과제를 수행하기 위해, 그녀는 마이크로폰을 사용하여 그녀의 단어들을 기록하거나, 운이 맞는 단어들의 쌍들을 타이핑하거나, 또는 선택할 수 있다.

소리-기호 매칭에서, 진단 단계는 어휘 접근 및 어휘 검색과 같은 단어-레벨 테스트들로 진행될 수 있다. 음소 식별 및 소리-기호 매칭 진단들의 결과들이 환자가 특정한 소리 환경들에서 음소 /b/를 처리하는 어려움에 직면한다는 것을 시사한다면, 프로세스는 그녀가 설정된 시간 내에 단어-첫, 단어-중간, 또는 단어-말 위치에 /b/ 소리를 갖는 한 많은 단어를, 기록하거나 타이핑함으로써, 생성하기를 요청하는 어휘 접근 진단 셀들을 생성할 수 있다. 프로세스는 먼저 /b/를 갖는 단어들에 접근하는 것이 본질적으로 그리고 자연적으로 문제가 있는지 결정하기 위해 그녀가 시간 제한 내에 생성할 수 있는 다수의 단어를 점수를 매긴다. 그 후 프로세스는 추가 문제들을 검출하고 그녀의 처리 어려움들에 대한 추가적인 세부사항들을 획득하기 위해 저장된 단어들과 그녀의 생성들을 대조한다. 예를 들어, 그녀가 blubber를 blummer로서 철자를 잘못 쓴다면, 그러한 에러는 그녀가 단어-중간 위치에서의 /b/-/m/ 대비에 어려움을 갖는다는 것을 확인해 준다. 그러나, 그녀가 동일 과제에서 bubble의 철자를 정확히 쓴다면, 이러한 결과는 그녀의 문제가 단지 단어가 /r/로 끝날 때 단어-중간 위치에서의 /b/-/m/ 대비에 국한될 수 있다는 것을 시사할 수 있다. 요약하면, 프로세스에서의 후속 진단 셀들은 환자의 처리 문제들에 대해 보다 미세한 세부사항들을 확인하고 낼 수 있다.

어휘 검색 진단 쉘은 어휘 접근 쉘로부터 뒤따르거나 이에 선행할 수 있다. 어휘 접속 쉘에 뒤따를 때, 어휘 검색 진단 셀들은 음성적 레벨에서의 처리 어려움들에 의해 불리하게 영향을 받았던 환자의 심적 어휘(mental lexicon)(뇌에 저장된 단어들의 네트워크)의 부분들을 보다 상세하게 추적하기 위해 사용될 수 있다. 예를 들어, 어휘 검색 진단 셀은 환자에게 스크린 상의 이미지들로부터 대상들 pear, rail, 및 crest를 명명하도록 요구할 수 있다. 환자가 pail, wail, 및 quest로서 그녀의 응답들을 기록한다면, 그러한 결과들은 그녀가 모든 위치에서의 음소 /r/에 어려움을 가진다는 것 뿐만 아니라, /r/을 갖는 그녀의 저장된 단어들 중 어떤 것이 /l/ 및 /w/의 간섭으로 인해 비문법적인지를 시사한다.

이들 단어-레벨 진단 셀에서, 환자는 형태소 인식과 같은 다른 것들로 진행할 수 있다. 예를 들어, 프로세스는 음소 식별, 음절 구분, 및/또는 단어 분할 시 음소 /r/에의 환자의 이전 에러들에 기초하여, 그녀에게 접사 -er을 갖는 단어들을 타이핑하여 입력하기를 요청하는 형태소 인식 진단 셀을 생성한다.

다른 중요한 단어-레벨 테스트는 빠른 명명이다. 예를 들어, 프로세스는 환자가 디스플레이 상에 디스플레이되는 단어들을 그러한 단어들이 나타날 때 읽기를 요청하는 빠른 명명 셀을 생성한다. 사용되는 단어들은 /i/-/I/ 모음들이 beat v. bit와 같은, 이전 진단 셀들에 문제가 있는 것으로 발견되었던 경우 이들 모음을 수반할 수 있다. 빠른 처리 쉘에 통합될 때, 프로세스는 환자가 유창한 읽기를 위해 필요한 속도로 빨리 그리고 자동적으로 단어들을 인식하기를 요청한다.

다른 진단 쉘들은 샘플 진단 쉘 섹션에서 설명된 바와 같이 문장-레벨 및 텍스트-레벨 테스트들을 수반할 수 있다. 또한, 쉘들은 읽기 또는 쓰기를 수반할 수 있다. 또한, 몇몇 진단 셀은 환자의 연령에 민감하나, 다른 셀들은 그렇지 않다. 예를 들어, 전부는 아니더라도, 대부분의 환자는 언어의 음소들의 전체 목록을 습득했을 것으로 예상된다. 그러나, 셀들에서 사용되는 적어도 하나의 단어 연령에 기초하여 선택될 수 있다.

치료 단계에서, 치료 쉘들은 진단 쉘들로서 사용될 수 있고 그 반대도 마찬가지이다. 아래에서 설명될 세 개의 치료 쉘이 해당 분야에 신규하다: 본 출원에서 시행되는 바와 같은 음소 변별, 빠른 단어 인식, 및 단어 증폭.

치료 셀들에 대하여, 진단 단계에서의 음소 식별 쉘을 통해 발견된 문제들은 프로세스가 음소 변별 치료 쉘을 활성화하도록 유도할 수 있다. 음소 변별 쉘에서, 단어들(예를 들어, pleats, bleats)의 최소 대립쌍이 관심있는 음소적 대비(/p/-/b/)를 위해 사용된다. 이들 두 개의 단어는 디스플레이 상에 제시된다. 오디오 기록 장치가 그러한 두 개의 단어를 설정된 속도로 임의로 재생하는 한편 환자는 클릭하는 것 또는 다른 입력 수단에 의해, 시간에 맞춰 해당 지점에서 언명되는 단어를 선택한다. 환자는 60분당 단어(wpm)의 느린 속도로 시작하여 100wpm을 초과하는 점점 더 빠른 속도로 진행할 수 있다. 하나의 목적은 음성 소리들의 청각적 변별을 위해 그리고 유창한 읽기 시 단어들의 자동 인식을 위해 요구되는 속도에 접근하는 것이다.

빠른 단어 인식 쉘에서, 단어들의 최소 대립쌍이 음소 변별 쉘에서와 같이, 관심있는 음소적 대비를 위해 사용된다. 그러한 두 개의 단어는 디스플레이 상에 제시된다. 이 때, 환자는 디스플레이 상에 하이라이팅되는 단어를 말한다. 다시, 환자는 느린 속도로 시작하여 100 wpm을 초과하는 속도들로 진행할 수 있다. 빠른 단어 인식 쉘이 음소 변별 쉘과 관계없이 시행될 수 있거나, 또는 빠른 단어 인식 쉘은 환자가 후자에서 보다 빠른 속도들로 진행하는데 실패할 때 음소 변별 쉘에 뒤따를 수 있다. 제2 시나리오에서, 빠른 단어 인식 쉘은 음소 변별 쉘에 대한 속도의 향상을 제시한다.

단어 증폭 쉘에서, 환자는 억양, 강세 패턴, 및 모음 특질과 같은, 단어 또는 구의 운율적 특징들에 주의를 기울이도록 교시된다. 예를 들어, 환자가 진단 동안 음소 식별 쉘에서의 /pr/ 자음군에 문제들을 나타냈다면, 프로세스는 소리의 분절음을 연장하고 단어, 특히 시작되는 /pr/ 분절음의 음조 곡선을 과장하여 말하는 개인의 비디오 또는 오디오를 재생하는 단어 증폭 셀을 생성할 수 있다. 이는 모성어, 영유아들을 갖는 관리인들이 사용하는 과장된 운율적 패턴을 갖는 언어와 유사할 수 있다. 환자는 그녀의 생성을 기록 및 재생함으로써 또는 그녀의 입술들, 혀, 턱들, 및 기타와 같은, 그녀의 조음 기관들의 위치 및 움직임에 대한 일련의 질문에 대답함으로써 또는 높이 및 연접과 같은, 다양한 청각적 특징에 주의함으로써 이러한 증폭된 패턴을 흉내내도록 요청된다.

치료 쉘들을 활성화하는 하나의 시퀀스는 진단 단계에서 식별된 문제 및 치료 단계에서 발견되는 새로운 문제들에 따른다. 예시하기 위해, 환자가 진단 단계에서 단어-첫 위치에서의 /p/-/b/ 대비에 문제들을 보였다면, 프로세스는 환자가 모델, 연습, 기록에서 보고, /p/ 및 /b/ 음소들에 대한 그녀의 조음을 검토하게 하는 조음 치료 셀을 활성화한다. 다음으로, 프로세스는 오디오 기록장치가 구 또는 문장을 재생할 때 그녀에게 바른 단어(또는 해당 단어와 연관된 이미지)를 선택하기를 요구하는 단어 변별 셀을 그녀에게 제시한다. 이러한 셀은 다섯 개의 구 또는 문장을 재생할 수 있다. 그녀의 정확한 및 부정확한 반응들이 이후 분석을 위해, 환자 매트릭스와 같은, 제2 데이터 구조에 입력된다. 다음으로, 프로세스는 단어-첫 위치에서의 /p/-/b/ 대비를 수반하는 다섯 개의 최소 대립쌍을 갖는 음소 변별 셀을 활성화한다. 이러한 유형의 셀에 대해 위에서 설명된 바와 같이 과제 수행 시 어떠한 에러도 존재하지 않는다면, 환자는 쌍마다 그리고 점점 더 높은 속도들로 이동한다. 그러나, 환자가 이러한 방식으로 진행되는 문제들에 직면한다면, 프로세스는 환자가 두 번째에 장애물을 클리어하는지 보기 위해, 음소 변별로 돌아가기 전 동일한 최소 대비를 수반하는 빠른 단어 인식과 같은, 다른 셀들을 실행할 수 있다. 보다 상세한 큐들을 제공하는 추가적인 조음 치료 셀들과 같은, 다른 셀들이 다른 실패한 시도들에 대해 호출될 수 있거나, 또는 라이브 보조가 이러한 지점에서 호출될 수 있다. 이에 따라, 프로세스는 p가 /f/(ph)로서 발음될 때를 인식하도록 환자를 교시하는 것을 수반하는, /p/에 대한 철자 패턴 셀을 활성화한다. 또한, 프로세스는 글자 p(/p/ 또는 /f/ 소리), 및 단어 /b/를 포함하는 단어들의 빠른 명명하는 것에 있어서 환자를 훈련하고 테스트한다. 프로세스는 빠른 명명 셀에 단어들을 생성하기 위해 단어 변별에서 그리고 다른 곳에서 이전에 범해진 에러를 사용할 수 있다. 환자는 느리게, 단어당 1.0초로 시작하여, 단어당 0.3초에 접근하기 위해 점점 더 빠른 속도들로 진행할 수 있다. 통상적으로 학생들을 등급 4 이상으로 발달시키는 것은 분당 120 내지 180 정확한 단어를 달성하는 것으로 예상된다는 것을 주의하자. 환자가 이러한 목적에 이를 때, 단어-초기 위치에서의 /p/-/b/ 대비를 위한 훈련 단계가 완료되고, 환자는 다음 셀 또는 셀로 진행한다. 환자가 진단 단계 동안 대신 단어-중간 위치에서의 /p/-/b/ 대비에 문제들을 보였다면, 음절 구분 치료 셀이 활성화된다. 이는 음절 구분 치료 셀이 이를테면 flabby(/flæ-bi/) 및 flappy(/flæ-pi/) 간 차이에 중점을 두어, 단어들의 중간에서의 음성적 특징들에 주의를 기울이도록 환자를 훈련하도록 도울 수 있기 때문이다.

도 11은 본 발명에 따른 모음들에 대한 음소 식별 진단 쉘 및 셀들의 예시적인 실시예의 다이어그램을 도시한다. 그러한 방법론은 본 출원에서 설명된 기술을 통해 구현된다. 음소 식별 진단 셀 U는 /

/-/æ/(l e d, l a d)을 구별하는 환자의 능력을 테스트한다. 환자가 어떠한 에러도 범하지 않는다면, 프로세스는 /

/-/

/ 대비(f ai r, or f u r)를 테스트하기 위해 셀 V를 생성한다. 환자가 셀 U에서 에러를 범한다면, 프로세스는 /

/-/æ/ 대비에 문제를 확인하기 위한 셀 W뿐만 아니라 새로운 대비 /

/-/Λ/(b e t, or b u tt)를 테스트하기 위한 X를 생성한다. 환자가 셀 X에서 어떠한 에러도 범하지 않는다면, 그녀는 다음 셀로 진행한다. 그러나 그녀가 셀 X에서 에러를 범한다면, 프로세스는 /

/-/

/ 대비를 테스트하기 위한 셀 Y를 생성한다.

또한, 환자 기반이든 또는 운영자 기반이든, 본 출원에 개시된 임의의 최종 사용자 기반 기술이 흑백이든, 그레이스케일이든, 또는 컬러이든, 임의의 그래픽 유저 인터페이스들을 통해 채용될 수 있다는 것을 주의하자. 예를 들어, 그러한 인터페이스는 윈도우, 메뉴, 아이콘, 제어 유닛/위젯, 또는 탭과 같은, 구조적 요소를 포함할 수 있다. 또한, 예를 들어, 그러한 인터페이스는 커서, 선택 유닛, 또는 조절 핸들과 같은, 상호작용 요소를 포함할 수 있다.

게다가, 몇몇 실시예에서, 컴퓨터(400)는 이를테면 지리위치 측정 유닛(414)을 통해, 자동적으로 환자의 지리위치를 검출하도록 구성될 수 있다. 그러한 검출에 기초하여, 컴퓨터(400)는 해당 지리위치와 연관된 언어 또는 방언에 기초하여, 부분적으로든 또는 전체적으로든, 진단 단계, 및 부분적으로든 또는 전체적으로든, 치료 단계 중 적어도 하나를 적어도 부분적으로 출력하도록 구성될 수 있다. 예를 들어, 컴퓨터(400)가 환자가 프랑스에 있다는 것을 검출한다면, 컴퓨터(400)는 부분적으로든 또는 전체적으로든, 프랑스어에 기초하여, 부분적으로든 또는 전체적으로든, 진단 단계, 및 부분적으로든 또는 전체적으로든, 치료 단계 중 적어도 하나를 적어도 부분적으로 출력한다. 관련된 셀 데이터, 쉘 데이터, 게임 데이터 및 기타가 컴퓨터(400)를 통해, 부분적으로든 또는 전체적으로든, 자동적으로 번역되고/되거나 부분적으로든 또는 전체적으로든, 이미 미리-변역되어 이용가능할 수 있다는 것을 주의하자. 그러한 행위들은 임의의 방식으로 컴퓨터 시스템(304) 및/또는 환자 컴퓨터(308)를 통해 수행될 수 있다는 것을 주의하자. 또한 환자는 이를테면 여행 목적들을 위해, 그러한 피처를, 부분적으로든 또는 전체적으로든, 중단하고/하거나, 부분적으로든 또는 전체적으로든, 디세이블할 수 있다는 것을 주의하자.

추가적으로, 몇몇 실시예에서, 컴퓨터(400)는 이를테면 음성 또는 음향 인식 소프트웨어를 통해, 마이크로폰(418)에 구두로 입력될 때, 자동적으로 환자 언어를 검출하도록 구성될 수 있다. 그 후, 그러한 검출에 기초하여, 컴퓨터(400)는 부분적으로든 또는 전체적으로든, 진단 단계, 및 부분적으로든 또는 전체적으로든, 해당 언어 기반의 치료 중 적어도 하나를 적어도 부분적으로 출력한다.

게다가, 몇몇 실시예에서, 컴퓨터(400)는 부분적으로든 또는 전체적으로든, 진단 단계, 및 부분적으로든 또는 전체적으로든, 치료 단계 중 적어도 하나를 적어도 부분적으로 출력하는 동안 다른 NFC 회로와 상호작용하기 위해 NFC 회로를 적어도 부분적으로 채용하도록 구성될 수 있다. 예를 들어, 셀 과제에 기초하여, 환자는 이를테면 NFC 유닛과 같은, 다른 대상 가까이 흔들거나 이에 터치하는 것을 통해, 컴퓨터(400)를 이동하도록 지시될 수 있다. 그러한 움직임 시, NFC 회로는 컴퓨터(400)에 과제가 수행되었는지, 그리고 그렇다면, 과제가 적절하게 수행되었는지 지시할 수 있다.

또한, 몇몇 실시예에서, 이동 전화(216)와 같은, 컴퓨터(400)는 전체적으로든 또는 부분적으로든, 이를테면 진단 단계 및/또는 치료 단계에 대해, 본 출원에 개시된 기술 중 적어도 몇몇을 적어도 부분적으로 구현하는, 소프트웨어 애플리케이션을 실행하도록 구성될 수 있다. 소프트웨어 애플리케이션은 컴퓨터(400)의 백그라운드에서 묵시적으로 실행될 수 있다. 소프트웨어 애플리케이션은 환자가 그녀의 일상을 시작하고 이를테면 직장, 학교, 가정, 및 기타에서의, 다른 사람들과 대화를 나눌 때 컴퓨터(400)가 마이크로폰(418)을 통해 환자의 반응들을 청취하도록 구성될 수 있다. 그러한 청취는 환자가 이를테면 전화 통화 또는 화상 회의 세션을 수행하는 것을 통해, 컴퓨터(400)를 사용하고 있든, 그리고/또는 환자가 이를테면 컴퓨터(400)가 테이블에 얹혀 있을 때, 컴퓨터(400)를 사용하고 있지 않든 가능하다. 애플리케이션은 환자 외에 백그라운드 잡음들 및/또는 음성들을 자동적으로 필터링하도록 구성될 수 있다. 또한, 사생활을 위해 그리고/또는 데이터 보안 목적들을 위해, 애플리케이션은 또한 미리 사전 설정될 때, 환자 외 백그라운드 잡음들 및/또는 음성들을 자동적으로 삭제하도록 구성될 수 있다. 그러나, 임의의 언어에 대해, 환자를 통해 말해지고 애플리케이션을 통해 기록될 때, 시스템(304)은 이를테면 컴퓨터(400)로부터의 수신 시, 그러한 정보를 처리하고, 이를테면 진단 셀 및/또는 치료 셀을 통해, 전체적으로든 부분적으로든, 진단 단계 및/또는 치료 단계의 제공을 위해 이러한 정보를 이용하도록 구성될 수 있다.

게다가, 몇몇 실시예에서, 컴퓨터(400)는 보청기와 같은, 삽입형, 또는 이를테면 광학적 헤드-마운티드 디스플레이(OHMD)를 갖는, 착용형일 수 있다. 그러한 컴퓨터(400)는 골전도를 위한, 이를테면 소리 청취를 위한 진동기, 또는 조음 분석을 위한 유사한 디바이스를 포함할 수 있다. 예를 들어, 진동기는 턱 뼈가 환자의 내이에 소리를 전도하도록 턱 뼈에 진동 출력을 제공할 수 있다. 대안적으로, 컴퓨터(400)는 환자의 성대들의 진동 및 환자의 구강에서의 공기 흐름의 방식과 같은 특징들을 모니터링함으로써 특정한 소리들의 환자의 조음에 대한 정보를 제공하도록 구성될 수 있다. 따라서, 컴퓨터(400)는 컴퓨터(400)의 지리위치에 기초하여 지리위치 측정 유닛(414)을 통해 선택되는 바와 같은 언어로도, 부분적으로든 또는 전체적으로든, 진단 단계, 및 부분적으로든 또는 전체적으로든, 치료 단계 중 적어도 하나의 적어도 부분적 출력을 제공하도록 구성될 수 있다.

더욱이, 몇몇 실시예에서, 컴퓨터(400)는 안면 코딩이 부분적으로든 또는 전체적으로든, 진단 단계, 및 부분적으로든 또는 전체적으로든, 치료 단계 중 적어도 하나 동안, 이를테면 감정 결정 및 조음 훈련 또는 음성 치료를 위해, 환자들의 안면 외양을 통해 이들의 안면 움직임들을 분류하도록 구성될 수 있다. 그러한 분류는 부분적으로든 또는 전체적으로든, 진단 단계, 및 부분적으로든 또는 전체적으로든, 치료 단계 중 적어도 하나의 향상을 위해 반복적 피드백 루프로서 사용될 수 있다. 예를 들어, 컴퓨터(400)는 부분적으로든 또는 전체적으로든, 진단 단계, 및 부분적으로든 또는 전체적으로든, 치료 단계 중 적어도 하나에의 향상을 위해 반복적 피드백 루프로서 사용하기 위해, 부분적으로든 또는 전체적으로든, 진단 단계, 및 부분적으로든 또는 전체적으로든, 치료 단계 중 적어도 하나에서 환자의 얼굴을 검출하고, 환자의 얼굴의 기하학적 특징을 추출하고, 각 환자 안면 움직임의 일시적 프로필을 생성한 후, 그러한 프로필을 제1 데이터 구조에든 그리고/또는 제2 데이터 구조에든, 이를테면 컴퓨터 시스템(304)에 제공할 수 있다.

또한, 몇몇 실시예에서, 컴퓨터(400)는 삽입형 또는 착용식일 수 있다. 그러한 컴퓨터(400)는 진단 단계 및 치료 단계 중 적어도 하나를 통해 결정되는 바와 같은 언어 처리에 대한 환자의 뇌의 문제 영역들을 식별하고 매핑할 수 있다. 주입형 또는 착용식 디바이스로서, 컴퓨터(400)는 신경 세포들의 활동성을 모니터링하고 진단 단계 및 치료 단계 중 적어도 하나를 통해 프로그램에 의해 매핑되는 기능적 영역들과 뇌의 물리적 영역들의 상관관계를 보여주기 위해 뇌 신호들을 사용할 수 있다. 그 후 그러한 컴퓨터(400)는 치료 단계를 통한 교정 행위를 통해 뇌 회로들을 자극할 수 있다. 그러한 컴퓨터(400)는 치료 셀들로부터의 뇌 활성화 및 환자 출력을 통해 결정되는 바와 같은 뇌 회로의 변화들을 모니터링할 수 있다. 예를 들어, 뇌에서의 활성화된 영역들의 이러한 모니터링은 환자가 치료 동안 그녀의 근사치들로 목적 소리에 이르는 것에 근접하다는 것을 나타낼 수 있다. 그러한 경우, 프로그램은 그녀의 지난 이러한 목적에 이르기 위해 이러한 기회에 그녀의 치료를 심화시키고 안전한 습득을 보장하기 위해 그녀의 훈련을 강화한다.

또한, 몇몇 실시예에서, 컴퓨터(400)는 제2 언어 학습을 위해 구성될 수 있다. 그러한 경우, 마스터 매트릭스와 같은, 제1 데이터 구조는 문제의 언어 또는 방언에 대해 제2 언어 학습자들에 의해 범해질 가능성이 있는 에러들을 예측하도록 구성될 수 있다. 특히 학습자들이 네이티브와 같은 유창함을 목표로 하여 나아가고 있는 경우, 치료 쉘들의 대부분이 유지될 수 있다. 특히 적어도 몇몇 정보가 컴퓨터 시스템(304)을 이용하여 다른 환자들로부터 획득되는 경우, 새로운 진단 및 치료 쉘이 문법, 문장 구성, 및 화용론(문맥 내의 언어 사용)의 보다 많은 성분을 커버하고/하거나 커버하기 위해 업데이트될 수 있다.

또한, 몇몇 실시예에서, 컴퓨터(400)는 환자가 그녀의 네이티브 악센트를 바꾸기 위해 음성 치료를 받는 악센트 변형을 위해 구성될 수 있다. 예를 들어, 개인은 직업적 이유들로 인해 지역적 또는 지탄받는 악센트를 감소시키도록 결심할 수 있다. 그러한 경우, 그녀의 치료는 음소 식별 및 변별 및 단어 증폭에 보다 더 그리고 빠른 단어 인식에는 보다 덜 중점을 둘 것이다. 적절한 치료 셀들은 그러한 프로그램을 위해 선택되는 진단 셀들에 의해 생성되었을 수 있다. 즉, 진단 쉘들은 분절 (소리) 및 운율적 (발음) 레벨들에서 조음을 주로 커버할 것이다. 다른 실시예들에서, 환자는 이를테면 기계 학습 목적들을 위해, 과제 수행 동안 인간과 같은 음성을 생성하는 기계일 수 있다. 그러한 인스턴스들에서, 컴퓨터(400)는 환자-기계가 분적, 운율적, 및 구문적 레벨들에서 자연적 음성에 가깝도록 교정 훈련을 제공하도록 구성될 수 있다.

추가적으로, 출원인들은 본 발명의 기초를 형성하는 직접 전달되는 치료 방법에 대한 연구를 수행했다. 이러한 연구에서의 실험군은 개별화된 훈련 드릴들을 생성하기 위해 각 학생의 상세한, 진행중 언어 인지 프로필들을 사용한 유연한, 자료 주도 방법론을 채택했다. 대조군은 Orton-Gillingham-기반 접근법을 사용했다. 실험군 및 대조군 간 분할 기술의 비교는 전자에서 통계적으로 유의미한 전이 효과들을 그리고 후자에서 약간의 하락을 나타냈다. 실험군에 대해, 음소 인식 및 빠른 자동화된 명명에서의 조합된 훈련은 또한 단어 인식에서의 보다 강력한 수행을 야기했다.

보다 상세하게는, 연구는 본 출원에서 개시된 방법론들에 기초한, 개별화된 접근법을, 중학교에서 고학하는 독자들을 위한 개입에 대한 표준화된 접근법과 비교했다. Orton-Gillingham 원리들에 기초한, 윌슨 읽기 시스템(Wilson Reading System)은 대조군에서 표준화된 접근법으로서의 역할을 했다. 실험군에서 사용된 개별화된 접근법은 각 학생에서 식별된 특정한 읽기 및 언어 처리 문제들을 다루기 위해 창의적 문제 해결법을 사용한 개입의 새로운 형태였다. 본 출원에서 반응성 개입(responsive intervention)이라 칭해지는, 접근법은 훈련을 맞춤화하기 위해 각 학생의 상세한 언어 인지 프로필의 개발을 필요로 했다. 연구 설계는 효능 연구를 위해 국립 읽기 위원회(2000) 및 교육 과학 협회(2013)의 추천 기준들을 따랐다. 결과들은 기존 개입 프로그램의 단점에 대한 확인 및 설명을 더 제공하며, 두 개의 방법 간 분할 기술의 유의미한 영향 차이를 나타냈다.

본 연구의 위치는 1,400이 넘는 등록을 갖는 공립 중학교였으며, 약 260 학생들이 특수 교육에 받았다. 이러한 중학교는 뉴욕주에서의 대부분 중산 내지 중상 소득 지역에 위치되어 있었다. 연구는 2014년 3월 내지 6월에 계속된 현장의 방과후 읽기 프로그램과 함께 수행되었다. 프로그램은 연구 팀에 의해 조직화되고 참여자들에 지역 사회 봉사 활동으로서 제공되었다.

이러한 연구는 원인에 대한 강력을 증거를 제공하는 잘 설계된 실험에 대해 국립 읽기 위원회(2000)의 기준들뿐만 아니라 교육 과학 협회(2013)의 기준들에 따랐다. 읽기 연구들의 국립 읽기 위원회(2000) 메타-분석은 효과 크기들이 한두 개 이하의 음소 인식(PA) 기술들에 대해 초점 및 명시적 교수를 받았을 때 보다 컸다고 결론을 내렸다. 또한, 글자들 및 음소들 양자에 중점을 둔 프로그램들이 단지 하나를 커버한 프로그램들보다 효율적이었다. 본 연구에서, 실험군은 글자들 및 음소들에 추가하여 IPA(국제 음성학 협회) 기호들을 학습했다. 실험군은 단지 PA 기술을 직접적으로 교시했음에 따라 단어들에서의 개별적 소리들(음소 분리)을 인식하는 것을 연습했다. 그러나 프로그램의 마지막 평가는 전이를 결정하기 위해, 다른 PA 기술, 분할을 테스트했다.

국립 읽기 위원회의 검토는 또한 효과들이 학급들 또는 일대일 환경들에 비교하여, 학생들이 작은 그룹들로 교수되었을 때 보다 컸다는 것을 알았다. 교수의 최적의 전체 시간은 5시간 내지 18시간인 것으로 밝혀졌다. 현재 연구에서, 그룹 크기들의 범위는 세션당 평균 7명의 학생에서 10명의 학생에 이르렀다. 교수 시간은 전체 8.25시간에 대해 각 세션마다 평균 35분이 되었다. 내적 타당성을 보장하기 위해, 참여자들은 아래에 설명될 바와 같이 두 개의 그룹으로 임의로 할당되었다. 두 개의 그룹은 카이-제곱 테스트들에 의해 확인되는 바와 같이, (아래에 설명될) 주요한 팩터들에 대해 동등했다. 수업 시간 동안 윌슨 개입을 받고 있었던 학생은 프로그램에서 빠지도록 요청되었고 통계적 분석에 카운팅되지 않았다.

국립 읽기 위원회(2000)는 표준화된 테스트들이 조사 하에서 기술들의 변화들을 검출하는 것에 덜 민감할 수 있기 때문에 학생들이 읽기 개선을 측정하기 위해 실험자 고안 테스트들을 사용했을 때 전이 효과들이 컸다는 것을 발견했다. 본 연구에서 사용된 사전 테스트들 및 사후 테스트들은 분할 능력을 측정하기 위해 저자들에 의해 개발되었다. 개입의 완료 후 일정 시간 훈련하는 장기 효과들을 평가하기 위해 추적 사후 테스트들을 수행하는 것은 프로그램이 학년의 종료 시 종료되었기 때문에 이러한 연구에서 구현될 수 없었다.

참여자들은 방과후 읽기 프로그램에서 득을 볼 수 있는 특수 교육의 학생들로서 학교의 교사들에 의해 추천되었다. 26명의 학생이 방과후 프로그램에 참여했다: 등급 6에서 15명 및 등급 7에서 11명. 참여자들을 대조 및 실험군들에 할당하기 위해, 학생들은 먼저 등급에 의해 나뉘었다. 각 등급의 학생들은 대조 또는 실험군 중 어느 하나에 임의로 할당되었다. 프로그램에 참여한 26명의 학생 중, 18명은 학년의 마지막까지 방과후 세션들에 참석했고 대조 연구에 포함되었다. 각각 9명의 학생(등급 6의 6명, 등급 7의 3명)이 있는, 양 그룹에서 제6 및 제9 학년생의 동등한 분배가 있었다.

대조 연구에서의 모든 학생은 두-부모 가계들이었다. 이들 18명의 학생 중, 5명은 여자였고(대조군에 3명, 실험군에 2명) 13명은 남자였으며(대조군에 6명, 실험군에 7명); 7명은 소수 학생들이었다(대조군에 4명, 실험군에 3명). 대조군의 학생들 중 5명 및 실험군의 6명은 음성-언어 치료 서비스들을 받고 있었다. 연구의 참여자들은 모두 등급 4의 뉴욕주의 영어(ELA) 테스트에서 레벨 1 또는 2 점수를 받았다. 레벨 1은 학생 수행이 이러한 등급 레벨에서 예상되는 영어 지식의 이해 및 기술들을 발휘하지 않는, "표준 이하"로 고려된다(뉴욕주 교육부, 2012). 레벨 2의 수행은 부분적 이해를 발휘한다. 이 이상이 레벨 3("실력 표준 충족") 및 레벨 4("실력 표준 초과")이다. 대조군의 1명의 학생 및 실험군의 1명에 대해, 단지 이들의 ELA 등급 5 점수들이 이용가능했고, 이들 양자는 레벨 2였다. 대조군의 학생들 중 두 명의 ELA 점수들은 이용가능하지 않았다. IQ 점수들은 이들 고학하는 독자들이 이들의 IQ 점수들에 영향을 미칠 수도 있었던, 언어-처리 문제들을 가질 수 있기 때문에 고려되지 않았다. 일련의 카이-제곱 테스트들은 성별, 소수 상태, 음성/언어 치료에의 참여, 등급 레벨, 및 두-/한-부모 가계에 관해 대조 및 실험군들 간 어떠한 유의미한 차이도 보이지 않았다. 대조군의 학생들 중 2명 및 실험군의 3명은 이들의 등급 레벨들에 대한 제한 연령을 넘어, 이들이 등급을 반복했음을 시사했다. 이러한 팩터는 또한 두 개의 그룹 간에 통계적으로 유의미하지 않은 것으로 발견되었다.

대조 및 실험군들을 위한 방과후 세션들은 1주의 중간 휴식을 제외하고 2014년 3월부터 6월까지 매주 화요일마다 45분 동안 계속되었다. 교수 시간은 자리를 잡고 늦은 버스를 탈 준비를 하기 위한 10분을 뺀 후, 35분이었다. 각 그룹은 개별 교실에서 교사에 의해 교수되었다(아래 대조군 및 실험군 참조). 각 교사는 세션들의 75% 동안 보조 교사에 의해 지원되었다. 교사들은 출석 일지들을 유지한 한편, 이들의 보조 교사들은 이들의 그룹들의 각 학생의 참여의 레벨을 기록했다(아래 구현의 충실도 참조). 양 교사는 한 주에 총 한 시간 이하가 걸리는 숙제를 할당했다.

대조군을 가르친 교사는 특수 교육의 이 자체의 교사들 중 지원자들을 스크리닝한, 학교에 의해 수행된 선발 과정을 통해 고용되었다. 선발된 강사는 9년의 교수 경험 및 윌슨 레벨 1 자격을 가졌다.

대조군은 윌슨 읽기 시스템을 엄격히 따랐다. 윌슨 읽기 시스템의 교수 매뉴얼, 규칙 수첩, 및 학생 독자 1 및 2(Instructor Manual, Rules Notebook, and Student Reader One and Two)의 3판을 사용했다. 회사의 웹사이트 상에 설명된 바와 같이, 윌슨 읽기 시스템은 단음절에서 다음절 단어들로 진행하여, 인코딩 및 디코딩 기술들 교수 시 도움되는 단계별 프로그램이다. 그것을 학생들에게 분할을 학습 시 단어들의 소리들을 탭 아웃하도록 요청한다(윌슨 언어 훈련 법인, 2010).

프로그램 동안, 대조군은 폐음절들 및 예외들, 이중 글자들(ee와 같은, 단일 소리들을 형성하는 두-글자 조합들), 융합된 소리들(예를 들어, all, ing), 혼성어 및 분절, 모음들(a, e, i, o, u) 및 자음들에 집중했다. 교사는 연습 및 검토를 가능하게 하는, 조직적으로 새로운 개념들을 도입했다. 수업 활동들은 모두 윌슨 방법에 의해 좌우되었고 단어들에서의 융합된 소리들(b all )과 같은 개념들을 식별하는 것, 글자들(소리들을 표상하는)을 단어들(r-am = ram)로 혼성하는 것, 주어진 단어들로 문장들을 채우는 것, 작성된 문자들에서 구 경계들을 식별하는 것, 주어진 글자들로 단어들을 완성하는 것, 및 간단한 패시지를 읽는 것을 포함했다. 교사는 집에서의 검토를 위해 윌슨 커리큘럼으로부터의 패킷들을 매주 배부했다.

실험군의 교사는 본 출원의 발명자들 중 한 명이었다. 해당 발명자는 대학 레벨에서의 20년이 넘는 교수 경험을 가지나, 비-3차 레벨에는 아무도 없었다. 해당 발명자는 8년이 넘게 일대일 환경들에서 읽기 장애들을 갖는 학생들과 일하였으나, 어떠한 표준화된 접근법으로도 훈련되지 않았다.

실험 개입은 각 학생에게 보이는 언어 문제들에 직접적으로 대응하는 것을 수반했다. 결과적으로, 실험군에서의 개입의 형태 및 속도는 그의 또는 그녀의 어려움들 및 경과에 따라, 각 학생마다 다양했다. 이러한 유형의 반응성 개입을 실행하기 위해, 학생의 언어 능력들 및 약점들의 초기 프로필들이 각 학생의 문제 영역들을 식별하기 위해 저자들에 의해 설계된 일련의 짧은 테스트를 통해 수집되었다. 학생당 15분 이하가 걸리는, 테스트들이 조용한 교실에서 프로그램의 시작 전 일대일로 시행되었다. 테스트들은 기본 음운적 지식을 커버했다. 학생들은 단어들에서의 모음들을 식별하고(beat에서의 /i/), 단어들을 분할하며((/f r e m d/ framed), 단어들을 음절들로 분해하도록(ad-van-tage) 요청되었다.

초기 평가는 각 주마다 학생의 지각 및 생성 에러들의 추가 관찰 및 기록이 뒤따랐다. 이들 데이터 소스는 음소들(자음들 및 모음들), 음운 변동들(예를 들어, 무강세 모음들의 /

/로의 중화), 철바법(철자 패턴들), 형태학 구조들(단어 형성), 및 형태 음운 현상들(예를 들어, /slæpt/ slapped와 같은, 무성 자음들로 끝나는 기본 단어들에서 과거 시제 형태소를 무성음화하는 것)에 각 학생의 문제들에 대한 정보를 포함한 개인 프로필들을 생성하기 위해 사용되었다. 학생의 언어-인지 프로필들은 지각(청취 및 읽기) 및 생성(말하기 및 철자)의 문제들을 포함했다. 프로그램은 단지 3개월 동안 계속되었기 때문에, 실험 수업은 어휘(단어) 연어들, 구들, 문장들, 및 텍스트들과 같은 보다 긴 언어 구조들을 커버하지 않았다. 음운적, 철자, 및 형태적 지식이 읽기 발달의 중요한 요소들이고(Berninger, Abbott, Nagy, & Carlisle, 2010) 직접적으로 교수되어야 한다(Torgesen, 2004)는 것이 해당 분야에서 일반적으로 수용된다.

각 학생의 누적 프로필은 다음 주의 특히 그 또는 그녀를 위한 새로운 드릴들을 생성하기 위해 사용되었다. 실험군의 학생들 중 4명은 조음 문제들 및공기 흐름 및 음성 크기를 제어하는 경험된 어려움을 가졌다. 이들 학생은 필요에 따라 소도구들을 갖고 연습하는, 조음 연습 문제들을 갖는 프로그램으로 시작했다. 예를 들어, 그들은 그들의 입술들의 움직임(입술 벌림 또는 오므림)을 확인하기 위해 휴대용 거울들을 그리고 모음 생성 시 그들의 혀의 위치를 느끼기 위해 막대 사탕을 사용했다. 개인 속도에 관계없이, 전체로서 실험군은 일반적으로 발음들, 음소들의 청각적 변별, 및 음소-문자소(소리-글자) 매핑들 및 철자 패턴들을 학습하기 위한 음성 기호들의 형태로 소리들을 표상하는 것으로부터 진행했다.

프로그램의 후반전에서의 드릴들은 이전에 학습된 철자 패턴들을 포함하는 단어들의 빠른 명명에 중점을 두었다. 빠른 자동화된 명명(RAN)이 30년 넘게 평가 및 연구에서 사용되어 왔더라도(Denckla & Rudel, 1976), 읽기 장애에서 빠른 명명의 실제적 본질 및 역할은 여전히 불확실하다(Elliott & Grigorenko의 연구들의 검토, 2014 참조). RAN은 이러한 연구에서 상이한 목적을 위해 채용되었다: 철자 패턴들을 인식하는 것에 있어서 학생의 에러들을 포착하고 미래 드릴들을 개발하기 위해 수집된 정보를 사용하기 위해. RAN은 전통적으로 글자들, 숫자들, 및 대상 명칭들을 수반했으나, 이러한 연구에서 채틱된 RAN의 버전에서, 참여자들은 MS 파워포인트를 사용하여 미리 규정된 시간에 스크린 상에 비춰지는 단일 단어들을 크게 읽는다. 각 단어 리스트는 평균 40개의 단어를 포함했다. 단어들의 대부분은 rut와 같은, 단음절, 또는 roaster와 같은, 2음절 중 어느 하나였다. 각 리스트에서의 단어들 중 세 개 이하는 happiness와 같은, 두 개보다 많은 음절을 포함했다. 채점자는 테스트 단어들의 정확한 및 부정확한 읽기들을 기록했으며, 이는 그 후 후속 주간들을 위한 새로운 드릴들을 생성하기 위해 사용되었다. 예를 들어, 학생이 sitting을 sighting로서 잘못 읽었을 때, 후속 드릴들은 모음들 /ai/(-ight , - ite , -ie, 등) 및 / I/ (i)에 대한 철자 패턴들을 구별하는 것을 포함했다. 교실에서의 교수는 유사하게 개별화되었다. 수업 시간의 대부분은 일대일 회의, 공동 작업, 및 그룹 작업에 할애되었다. 각 학생은 그의 또는 그녀의 특정한 언어 문제들에 맞춰진 패킷들을 매주 수신했다. 분할 기술은 수업에 직접적으로 그리고 명시적으로 교수되지 않았다는 것을 주의하는 것이 중요하다. 학생의 주간 패킷들은 유사하게 분할 연습 문제들을 포함하지 않았다. 이는 전이 효과들이 발생했는지를 보기 위함이었다.

구현의 충실도는 효능 연구를 위해 IES(교육 과학 협회, 2013)의 교육 연구 및 개발을 위한 공통 가이드라인들에 의거하는 것으로 고려되었다. 대조군에서의 윌슨 방법의 구현의 충실도는 교실 관찰들, 학생 출석 및 참여, 수업 시간 사용, 교수법상 전략들, 및 교재들 및 내용의 조합을 통해 모니터링되었다. 대조군에서의 교사는 윌슨 읽기 시스템 학습 계획안 서식들을 채움으로써 학습 계획들을 준비하여, 교수될 특정한 단어들을 상세히 설명했다. 연구팀은 그녀가 계획안에 가깝게 유지했으며, 단지 변형들이 필요할 때 제2 주까지 교재를 지속했다는 것을 확인했다. 추가적으로, 참가 학교가 아닌 저자의 대학과 관계가 있는, 대조군의 보조 교사는, 대조 학급의 관찰자로서의 역할을 했다. 보조 교사들의 관찰들은 쓰기 시 또는 말하기 동안, 격주로 적어도 한 번 이루어졌다. 보조 교사의 보고들은 교사가 윌슨 읽기 시스템^®--언어의 구조를 체계적으로 그리고 점증적으로 제시하고; 다중 감각 채널들을 통해 개념들을 강화하고; 질문 기법들을 사용하며 학생의 에러들에 대한 피드백을 제공하는--에 근접하게 따랐다는 것을 확인했다. 더욱이, 경험 있는 강사로서, 교사는 학생들을 계속 열중하게 하기 위해 수업 활동 및 속도를 바꿨다.

양 학급들에서의 보조 교사들은 이들의 그룹들의 학생들을 참석률, 가까운 장래의 과제에 대한 주의, 겨사의 질문들에 대한 반응, 및 주의산만성(예를 들어, 휴대폰 사용)에 기초하여 교실에서의 그들의 주의도 및 참여도로 평가했다. 4-포인트 계층 시스템(양호, 평균, 중간, 부족) 상에서, 대조군은 다음 등급들을 받았다: 양호-3, 평균-4, 중간-1, 부족-1. 실험군은 다음 등급들을 받았다: 양호-2, 평균-3, 중간-2, 부족-2.

실험 학급은 구현의 충실도의 용이한 모니터링을 가능하게 하지 않았던 매우 유동적, 유연한 방식을 따랐다. 그럼에도 불구하고, 다음 정보가 매주 훈련 세션들로부터 수집되었다: 학생 참석 및 참여, 그룹의 모든 학생과의 회의에 대한 필기, 및 모든 학생에 대해 개별화된 주간 패킷들의 배부. 수집된 데이터는 각 세션에 참석한 모든 학생이 교사 또는 보조 교사로부터 적어도 한 번 일대일 회의를 받았다는 것을 보였다. 참석한 학생은 또한 개별화된 주간 패킷을 받았다. 양 학급은 동일한 건물에서 동일한 날 동일한 시간에 만나고 종료했다.

동일한 분할 테스트가 방과후 프로그램의 시작 일주일 전(사전 테스트) 및 프로그램의 마지막 주(사후 테스트)에 시행되었다. 분할 테스트는 praise와 같은 몇몇 단음절 단어 및 flower와 같은 2음절 단어들을 포함한 10개의 공통 단어들의 리스트로 이루어졌다. 단어들 중 7개가 사용되는 상위 5,000 가장 빈번한 단어로서 발생한다(Davies & Gardner, 2010). 테스트는 조용한 공간에서 각 학생에 개별적으로 시행되었다. 학생들의 구두 생성은 직접 IPA 음성 기호들로 표기되었으며, 연접들(소리들 간 단절들)이 주의되었다. 필요할 때, 학생들은 표기를 다시 확인하기 위해 문제의 단어들을 분할하도록 요청되었다. 양 그룹의 모든 학생은 동일한 방식으로 동일한 테스트가 시행되었다. 포인트들이 다음과 같이 할당되었다: 0-테스트 단어가 단일 유닛으로 언명되었거나; 학생이 잘못된 소리를 언명했거나; 소리가 단어에서의 잘못된 위치에 있거나; 학생이 소리 대신 글자(예를 들어, /w/ 대신 “더블 U” W)를 말했거나; 또는 학생이 단어를 분할하려는 시도를 포기했다. 1-단일 음소 또는 음소군이 단어에서의 올바른 위치에 주어졌다. (포인트는 이러한 경우에서 학생이 완전히 단어를 분할하지 않았더라도 음소군에 대해 여전히 주어졌다; 그녀의 점수 및 총점의 비교는 그녀의 분할이 완전하지 않았다는 것을 표시한다.)

프로그램의 마지막에 근접하여, 모든 참여자가 단어 인식 시 이들의 속도에 대해 테스트되었다. 36개의 단어가 MS 파워포인트 슬라이드들에 하나씩 배치되고(Calibri 44 포인트 크기 폰트) 0.3초마다(즉, 분당 200개의 단어) 디스플레이하도록 설정되었다. 모든 단어가 anything 및 least와 같이, 당대 미국 영어에서 가장 빈번하게 사용된 단어들 중 상위 1,000에 있었다(Davies & Gardner, 2010). 세 개의 빈 슬라이드는 학생들이 스크린 상에 비치는 단어들의 이들의 빠른 읽기 사이에 중지하게 하기 위해 매 제10 단어마다 분리했다. 테스트는 다른 학생들의 참석 없이 조용한 영역에서 개별적으로 시행되었다. 단지 단어들의 정확한 형태들의 읽기들이 용인되었다. 예를 들어, 학생이 response를 respond로서 읽는 경우 어떠한 포인트도 주어지지 않았다.

분할 테스트들은 학생들에게 구두로 제공하기 위한 정확한 지시들을 포함한 테스트 매뉴얼로부터 시행되었다. 예제가 분할을 명확하게 하기 위해 주어졌다(“예를 들어, ‘cat’은 /k æ t/”입니다). 각 학생은 테스트 단어를 개별 단어들(음소들)로 분할하기 전 올바른 단어가 들렸다는 것을 확인하기 위해 그것을 반복하도록 요청되었다. 학생들은 각 사항을 완료하기 위해 필요한 회수 만큼 주어졌다. 모든 테스트 사항 및 반응에 대해, 테스터들은 우호적이었으나 어떠한 피드백도 제공하지 않았다. RAN 테스트에 대해, 테스터들은 학생들이 스크린 상의 단어들을 읽을 준비가 되었다는 것을 확실히 하기 위해 그들을 체크하였다. 10개의 빈 슬라이드가 학생들에게 준비할 시간을 주기 위해 처음 단어에 선행했다. 테스터들은 정확한 읽기들에 체크 표시를 하기 위해 슬라이드 제시의 순서로 단어 리스트를 사용했다.

본 출원의 발명자들 중 몇몇은 테스터들로서의 역할을 했고 이러한 연구 전 일년 넘게 다른 학생들에 대해 동일한 분할 테스트를 시행하고 점수를 매기기 위해 동일한 프로토콜들을 사용하여 연습해왔다. 평가자 간 신뢰도를 결정하기 위해, 모든 분할 사전 테스트들은 양 저자에 의해 독립적으로 점수가 매겨졌고, 분할 사후 테스트들의 33.3%가 제2 평가자에 의해 점수가 매겨졌다. 평가자 간 신뢰도는 사전 테스트들에 대해 99.4%이고 사후 테스트들에 대해 99.7%였다. 평가자 간 신뢰도는 점수를 매기는 것이 리스트 상의 테스트 단어들의 정확한 읽기들에 체크 표시를 하는 것을 단지 수반했기 때문에 RAN 테스트에 대해 모니터링되지 않았다.

일련의 공분산 분석들(ANCOVA들)이 분할 기술에 대한 개입의 효과를 검토하기 위해 실행되었다. 양 ELA 및 분할 사전 테스트 점수들이 공변인들로서 입력되었다. 표 1은 이들 분석에 대한 조절되지 않은 평균 및 조절된 평균을 나타낸다. 분할 테스트에 대한 ANCOVA는 본 발명의 유의미한 효과를 나타냈다, F(1, 12) = 15.11, p = .002, η² = .557 (표 2 참조). 실험군의 학생들은 이러한 평가에 대해 대조 학생들보다 양호하게 수행했다. 대조군의 두 명의 학생의 분할 점수들은 이들의 ELA 점수들이 이용가능하지 않았기 때문에 계산에 포함되지 않았다. 그러나 사전 테스트 및 사후 테스트에 대한 이들의 수행은 이들의 대조군의 다른 학생들의 점수들의 범위에 들어갔다(사전 테스트: 59 중 20 및 20; 사후 테스트: 59 중 13 및 17).

학생들의 양 그룹은 유사한 조절되지 않은 평균 점수들을 갖고 프로그램을 시작했으나(59 중 25 v. 26) 종료 시 유의미하게 나뉘었다(45 v. 21). 대조군의 4명의 멤버가 실제로 점수의 상당한 하락을 나타냈으며, 이들 중 3명이 20.0%의 감소를 경험했다. 그에 반해, 실험군의 9명 중 5명의 학생이 33.9%의 증가를 나타냈다. 프로그램의 시작 시, 양 그룹은 일반적으로 이들의 사전 테스트 점수들에서 보여진 바와 같이, 단어들을 음소들이 아닌, 음절들로 단지 나눌 수 있었다. 개입 후, 실험군의 모든 학생은 테스트 단어들 중 대부분을 단일 음소들로 분할할 수 있었다. 사후 테스트에서 59 중 40을 초과하는 점수를 받을 수 없었던 단지 실험군의 학생은 프로그램의 중간에 한달 세션을 놓쳤다.

RAN은 실험군의 반응성 개입 프로그램의 부분이었다. 이전에 주의된 바와 같이, RAN은 유창한 읽기를 위해 요구되는 속도로 철자 규칙들의 적용 시 약점들을 검출하기 위해 사용되었다. 개입의 시작 시, 실험군의 모든 학생은 60 분당 단어(wpm)보다 느린 속도들에서도 에러들을 범했고, 이들 중 대부분은 120wpm을 초과하는 과제를 수행할 수 없었다. 통상적으로 등급 4 이상의 학생들을 발달시키는 것은 120-180 분당 정확한 단어들(cwpm; correct words per minute)을 달성할 것으로 예상된다(Shaywitz, 2003, p. 277). 프로그램 두 달, 실험군의 학생들은 120wpm 내지 200wpm 속도들로 수행할 수 있었다. 예를 들어, 1명의 학생이 이전 RAN 평가에서 roosting, toot, rooted, 및 noose에서의 /u/ 소리를 잘못 읽었다. 추가 연습 후, 그는 후속 RAN 테스트 시 200wpm으로 정확하게 단어들 tooting, drooping, loose, 및 croon을 읽을 수 있었다.

프로그램의 마지막에 근접하여, RAN 테스트는 조합된 PA 및 속도 훈련이 단어 인식 시 실험군의 정확도를 개선했는지 보기 위해 양 그룹에 대해 수행되었다. 실험군의 각 학생은 대조군에 대한 31.0%와 비교하여, 200wpm으로 정확하게 테스트 단어들의 평균 44.4%를 읽었다. 보다 중요하게는, 실험군의 9명 중 5명의 학생이 대조군의 단지 1명과 비교할 때 50.0%를 초과하는 점수를 받았다.

그룹별 분할 사후 테스트의 조절되지 않은 평균 및 조절된 평균의 기술 통계학

	조절되지 않은 평균			조절된 평균
군	평균	표준 편차	N	평균	표준 에러	95% 신뢰 구간
						하한	상한
대조	23.2857	10.67262	7	23.667a	3.766	15.461	31.873
실험	45.3333	7.08872	9	45.037a	3.226	38.008	52.065
전체	35.6875	14.14081	16

a. 모델에서 나타나는 공변인들은 다음 값들로 평가된다: ELA 등급 4 점수 = 626.88, 분할 사전 테스트 점수 = 26.2500.

분할 사전 테스트: 피험자들 간 효과들의 테스트들

소스	유형 III 자승화	df	제곱 평균	F	Sig.	부분적 에타 제곱	관측된 파워c
교정된 모델	2112.652b	3	704.217	9.529	.002	.704	.977
인터셉트	.778	1	.778	.011	.920	.001	.051
ELA 등급 4	17.658	1	17.658	.239	.634	.020	.074
분할 사전 테스트	165.954	1	165.954	2.246	.160	.158	.281
군	1116.269	1	1116.269	15.105	.002	.557	.945
에러	886.785	12	73.899
전체	23377.000	16
교정된 전체	2999.438	15

b. R 스퀘어= .704 (조절된 R 스퀘어 = .630)

c. 알파를 사용한 계산 = .05

몇몇 실시예에서, 다양한 기능 또는 행위가 소정의 위치에서 그리고/또는 하나 이상의 장치 또는 시스템의 작동과 관련되어 발생할 수 있다. 몇몇 실시예에서, 주어진 기능 또는 행위의 부분은 제1 디바이스 또는 디바이스에서 수행될 수 있고, 기능 또는 행위의 나머지는 하나 이상의 추가적인 디바이스 또는 위치에서 수행될 수 있다.

몇몇 실시예에서, 장치 또는 시스템은 적어도 하나의 처리기, 및 적어도 하나의 처리기레 의해 실행될 때, 장치 또는 시스템이 본 출원에서 설명된 바와 같은 하나 이상의 방법론적 행위를 수행하게 하는 명령들을 저장하는 메모리를 포함한다. 몇몇 실시예에서, 메모리는 하나 이상의 구조, 메타데이터, 라인, 태그, 블록, 스트링, 또는 다른 적합한 데이터 조직과 같은, 데이터를 저장한다.

해당 기술분야의 통상의 기술자에 의해 인식될 바와 같이, 본 발명의 측면들은 시스템, 방법 또는 컴퓨터 프로그램 제품으로서 구현될 수 있다. 따라서, 본 발명의 측면들은 전체적으로 하드웨어 실시예, 전체적으로 소프트웨어 실시예(펌웨어, 상주 소프트웨어, 마이크로-코드 등을 포함하는) 또는 “회로”, “모듈” 또는 “시스템”으로서 본 출원에서 모두 일반적으로 지칭될 수 있는 소프트웨어 및 하드웨어 측면들을 조합하는 실시예들로서의 형태를 취할 수 있다. 더욱이, 본 발명의 측면들은 그 상에서 구현되는 컴퓨터 판독가능한 프로그램 코드를 갖는 하나 이상의 컴퓨터 판독가능한 매체(들)에 구현되는 컴퓨터 프로그램 제품의 형태를 취할 수 있다.

하나 이상의 컴퓨터 판독가능한 매체(들)의 임의의 조합이 이용될 수 있다. 컴퓨터 판독가능한 매체는 컴퓨터 판독가능한 신호 매체 또는 컴퓨터 판독가능한 저장 매체일 수 있다. 컴퓨터 판독가능한 저장 매체는 예를 들어, 이들에 제한되지는 않으나, 전기, 자기, 광학, 전자기, 적외선, 또는 반도체 시스템, 장치, 또는 디바이스, 또는 앞서 말한 것들의 임의의 적합한 조합일 수 있다. 컴퓨터 판독가능한 저장 매체의 보다 구체적 예(비-완전한 리스트)는 다음을 포함할 수 있다: 하나 이상의 배선을 갖는 전기 연결, 휴대용 컴퓨터 디스켓, 하드 디스크, 랜덤 액세스 메모리(RAM), 판독-전용 메모리(ROM), 제거가능 프로그램가능한 판독-전용 메모리(EPROM 또는 플래시 메모리), 광학 파이버, 휴대용 소형 디스크 판독-전용 메모리(CD-ROM), 광학 저장 디바이스, 자기 저장 디바이스, 또는 앞서 말한 것들의 임의의 적합한 조합. 본 문서의 맥락에서, 컴퓨터 판독가능한 저장 매체는 명령 실행 시스템, 장치, 또는 디바이스에 의해 또는 이와 관련되어 사용하기 위한 프로그램을 포함하거나, 또는 저장할 수 있는 임의의 유형 매체일 수 있다.

컴퓨터 판독가능한 신호 매체는 예를 들어, 기저대역에서 또는 반송파의 부분으로서, 그 안에 구현되는 컴퓨터 판독가능한 프로그램 코드를 이용하여 전파된 데이터 신호를 포함할 수 있다. 그러한 전파된 신호는 이들에 제한되지는 않으나, 전자기, 광학, 또는 이들의 임의의 적합한 조합을 포함하여, 다양한 형태 중 임의의 형태를 취할 수 있다. 컴퓨터 판독가능한 신호 매체는 컴퓨터 판독가능한 저장 매체가 아니고 명령 실행 시스템, 장치, 또는 디바이스에 의해 또는 이와 관련되어 사용하기 위한 프로그램을 전달, 전파, 또는 전송할 수 있는 임의의 컴퓨터 판독가능한 매체일 수 있다. 컴퓨터 판독가능한 매체 상에 구현되는 프로그램 코드는 이들에 제한되지는 않으나 무선, 유선, 광학 파이버 케이블, 무선주파수(RF) 등, 또는 앞서 말한 것들의 임의의 적합한 조합을 포함하여, 임의의 적절한 매체를 사용하여 전송될 수 있다.

본 발명의 측면들을 위해 동작들을 실행하기 위한 컴퓨터 프로그램 코드는 자바, 스몰토크, C++ 또는 기타와 같은, 객체 지향 프로그래밍 언어 및 "C" 프로그래밍 언어 또는 유사한 프로그래밍 언어와 같은, 종래 절차적 프로그래밍 언어를 포함하여, 하나 이상의 프로그래밍 언어의 임의의 조합으로 작성될 수 있다. 프로그램 코드는 사용자의 컴퓨터 상에서 전체적으로, 사용자의 컴퓨터 상에서 부분적으로, 독립형 소프트웨어 패키지로서, 사용자의 컴퓨터 상에서 부분적으로 그리고 원격 컴퓨터 상에서 부분적으로 또는 원격 컴퓨터 또는 서버 상에서 전체적으로 실행할 수 있다. 후자 시나리오에서, 원격 컴퓨터는 로컬 영역 네트워크(LAM) 또는 광역 네트워크(WAN)를 포함하여, 임의의 유형의 네트워크를 통해 사용자의 컴퓨터에 연결될 수 있거나, 또는 연결이 외부 컴퓨터에 이루어질 수 있다(예를 들어, 인터넷 서비스 제공자를 사용하여 인터넷을 통해).

아래 청구항들에서의 모든 기능식 요소의 대응하는 구조들, 재료들, 행위들, 및 등가물들이 명확하게 청구된 바와 같은 다른 청구된 요소들과 함께 기능을 수행하기 위한 임의의 구조, 재료, 또는 행위를 포함하는 것으로 의도된다. 본 발명의 설명은 예시 및 설명의 목적들을 위해 제시되었고, 완전하거나 개시된 형태에 제한되는 것으로 의도되지 않는다. 많은 변형 및 변이가 본 발명의 범위 및 사상 내에서 해당 기술분야의 통상의 기술자들에게 명백할 것이다. 실시예들은 본 발명의 원리들 및 실제적 적용을 가장 잘 설명하기 위해, 그리고 해당 기술분야의다른 통상의 기술자들이 고려되는 특정한 용도에 맞는 다양한 변형을 갖는 다양한 실시예에 대한 개시내용을 이해하게 하기 위해 선택되고 설명되었다.

본 출원에 도시된 다이어그램들은 예시적이다. 본 발명의 사상 내에서 거기서 설명된 다이어그램 또는 단계들 (또는 동작들)에 대한 많은 변형이 있을 수 있다. 예를 들어, 단계들이 상이한 순서로 수행될 수 있거나 단계들이 추가, 삭제 또는 변형될 수 있다. 모든 이들 변이는 본 발명의 부분으로 고려된다. 해당 기술분야의 통상의 기술자들은 현재 그리고 미래에, 뒤따르는 청구범위의 범위 내에 들어가는 다양한 개선 및 향상이 이루어질 수 있다는 것을 이해할 것이다.

Claims (20)

1. 생성적 컴퓨터 모델에 따라 광역 네트워크에서 사용자 클라이언트에 디스플레이 구현된 테스트 또는 스피커 구현된 테스트를 제공하는 것에 의한 사용자 반응 데이터를 모니터링하는 컴퓨터 구현 방법으로서, 상기 방법은:
   a) 제1 서버를 통해 사용자 데이터 구조 내의 사용자 프로파일에 관련한 제1 데이터를 마스터 데이터 구조 내의 데이터에 대하여 비교, 분석 또는 필터링함으로써 제1 필터링 데이터를 획득하는 단계 - 상기 사용자 데이터 구조 및 상기 마스터 데이터 구조는 상기 제1 서버에 연결된 제2 서버 상에서 작동하는 데이터베이스 관리 시스템에 의해 관리되는 데이터베이스 내에 저장되고, 상기 사용자 데이터 구조는 상기 제1 데이터를 저장함 -;
   b) 상기 제1 서버를 통해 상기 제1 필터링 데이터에 기초하여 제1 테이블 내의 사용자 테스트 쉘을 선택하는 단계 - 상기 사용자 테스트 쉘은 상기 광역 네트워크를 통해 상기 사용자 클라이언트에 제공될 테스트 콘텐트의 태스크 카테고리 유형을 정의하고, 상기 제1 테이블은 상기 데이터베이스에 저장됨 -;
   c) 상기 제1 서버를 통해 상기 선택된 테스트 쉘에 따라 제2 테이블로부터 사용자 테스트 셀을 생성하는 단계 - 상기 사용자 테스트 셀은 상기 사용자 클라이언트에 연결된 입력 디바이스를 통해 수행될 태스크를 정의하는 컴퓨터 구현 테스트 콘텐트 데이터를 포함함 -;
   d) 상기 제1 서버를 통해, 상기 컴퓨터 구현 테스트 데이터가 상기 사용자 클라이언트의 동작 시스템 상에서 작동하는 브라우저 내에 제시된 그래픽 사용자 인터페이스 상의 출력이 되도록 상기 테스트 셀에 따른 상기 컴퓨터 구현 테스트 데이터를 통신 프로토콜에 기초한 상기 광역 네트워크를 통해 상기 사용자 클라이언트에게 제공하는 단계;
   e) 상기 제1 서버를 통해 상기 사용자 클라이언트로부터 상기 사용자 반응 데이터를 상기 광역 네트워크에서 수신하는 단계 - 상기 사용자 반응 데이터는 상기 사용자 클라이언트에 대한 상기 입력 디바이스를 통한 반응 입력을 나타내고 상기 브라우저 내에 제시된 컴퓨터 구현 테스트 데이터에 반응함 -;
   f) 상기 제1 서버를 통해 상기 사용자 반응 데이터를 상기 사용자 데이터 구조에 저장하는 단계;
   g) 상기 제1 서버를 통해 상기 사용자 데이터 구조 내의 상기 사용자 프로파일에 관련한 제2 데이터를 상기 마스터 데이터 구조 내의 데이터에 대하여 비교, 분석 또는 필터링함으로써 제2 필터링 데이터를 획득하는 단계 - 상기 제2 데이터는 상기 사용자 반응 데이터를 포함하고, 상기 사용자 데이터 구조는 상기 제2 데이터를 저장함 -;
   h) 상기 제1 서버를 통해 상기 제2 필터링 데이터를 분석하고 상기 분석에 기초하여 단계(c) 내지 (g)를 선택적으로 반복하여 하나 이상의 추가적인 컴퓨터 구현 테스트 셀들을 생성한 다음 상기 브라우저의 상기 그래픽 사용자 인터페이스 내의 표시를 위해 상기 광역 네트워크를 통해 상기 사용자 클라이언트에 제공하고, 상기 하나 이상의 추가적인 사용자 테스트 셀들에 따라 상기 입력 디바이스를 통해 상기 사용자 클라이언트로부터 반응 데이터를 상기 광역 네트워크를 통해 획득하는 단계; 및
   i) 상기 제1 서버를 통해 각각의 상기 사용자 테스트 셀에 따라 상기 사용자 반응 데이터를 분석하고 단계 (b) 내지 (h)를 선택적으로 반복하여 하나 이상의 추가적인 컴퓨터 구현 사용자 테스트 쉘들을 상기 광역 네트워크를 통해 상기 사용자 클라이언트에 제공하고 - 각각의 사용자 테스트 쉘은 하나 이상의 추가적인 사용자 테스트 셀들을 가짐 -, 상기 하나 이상의 추가적인 사용자 테스트 쉘들 및 각각의 셀들에 따라 상기 광역 네트워크를 통해 상기 사용자 클라이언트로부터 반응 데이터를 획득하는 단계 - 각각의 사용자 테스트 쉘은 사용자 테스트 콘텐트의 상이한 태스크 카테고리 유형을 정의함 -
   을 포함하는 방법.
2. 제1항에 있어서,
   상기 마스터 데이터 구조는 상기 사용자 테스트 셀들을 생성하기 위한 셀 생성 데이터를 포함하는, 방법.
3. 제1항에 있어서,
   상기 마스터 데이터 구조는 복수의 사용자 프로파일에 대한 예측된 사용자 반응 데이터의 세트를 포함하는, 방법.
4. 제1항에 있어서,
   상기 제1 서버를 통해 상기 테스트 셀들에 대한 상기 반응 데이터를 분석하여 통계 데이터를 생성하는 단계 및 상기 제1 서버를 통해 상기 데이터베이스에 저장된 분석 데이터 구조 내에 상기 통계 데이터를 저장하는 단계를 더 포함하는 방법.
5. 제1항에 있어서,
   j) 상기 제1 서버를 통해 상기 사용자 데이터 구조 내의 상기 사용자 프로파일에 관련한 제3 데이터를 상기 마스터 데이터 구조 내의 데이터에 대하여 비교, 분석 또는 필터링함으로써 제3 필터링 데이터를 획득하는 단계 - 상기 제3 데이터는 단계 (e)에서 획득된 상기 사용자 반응 데이터를 포함함 -;
   k) 상기 제1 서버를 통해 상기 제3 필터링 데이터에 기초하여 제3 테이블 내의 사용자 훈련 쉘을 선택하는 단계 - 상기 사용자 훈련 쉘은 상기 광역 네트워크를 통해 상기 사용자 클라이언트에 제공될 훈련의 태스크 카테고리 유형을 정의하고, 상기 제3 테이블은 상기 데이터베이스에 저장됨 -;
   l) 상기 제1 서버를 통해 상기 선택된 훈련 쉘에 따라 제4 테이블로부터 사용자 훈련 셀을 생성하는 단계 - 상기 사용자 훈련 셀은 상기 입력 디바이스를 통해 수행될 훈련 태스크를 정의하는 컴퓨터 구현 훈련 콘텐트 데이터를 포함함 -;
   m) 상기 제1 서버를 통해, 상기 컴퓨터 구현 훈련 콘텐트 데이터가 상기 그래픽 사용자 인터페이스 상의 출력이 되도록 상기 훈련 셀에 따른 상기 컴퓨터 구현 훈련 데이터를 상기 광역 네트워크를 통해 상기 사용자 클라이언트에게 제공하는 단계;
   n) 상기 제1 서버를 통해 상기 사용자 클라이언트로부터 상기 사용자 반응 데이터를 상기 광역 네트워크를 통해 수신하는 단계 - 상기 사용자 반응 데이터는 상기 사용자 클라이언트에 대한 상기 입력 디바이스를 통한 반응 입력을 나타내고 상기 브라우저 내에 제시된 컴퓨터 구현 훈련 데이터에 반응함 -;
   o) 상기 제1 서버를 통해 상기 사용자 반응 데이터를 상기 사용자 데이터 구조에 저장하는 단계;
   p) 상기 제1 서버를 통해 상기 사용자 데이터 구조 내의 상기 사용자 프로파일에 관련한 제4 데이터를 상기 마스터 데이터 구조 내의 데이터에 대하여 비교, 분석 또는 필터링함으로써 제4 필터링 데이터를 획득하는 단계 - 상기 제4 데이터는 상기 사용자 반응 데이터를 포함함 -;
   q) 상기 제1 서버를 통해 상기 제4 필터링 데이터를 분석하고 상기 분석에 기초하여 단계(l) 내지 (p)를 선택적으로 반복하여 하나 이상의 추가적인 컴퓨터 구현 훈련 셀들을 생성한 다음 상기 그래픽 사용자 인터페이스 내의 표시를 위해 상기 광역 네트워크를 통해 상기 사용자 클라이언트에 제공하고, 상기 하나 이상의 추가적인 사용자 훈련 셀들에 따라 상기 사용자 클라이언트로부터 반응 데이터를 상기 광역 네트워크를 통해 획득하는 단계; 및
   r) 상기 제1 서버를 통해 상기 각각의 사용자 훈련 셀에 따라 상기 사용자 반응 데이터를 분석하고 단계 (k) 내지 (q)를 선택적으로 반복하여 하나 이상의 추가적인 컴퓨터 구현 사용자 훈련 쉘들을 상기 네트워크를 통해 상기 사용자 클라이언트에 제공하고 - 각각의 사용자 훈련 쉘은 하나 이상의 추가적인 사용자 훈련 셀들을 가짐 -, 상기 하나 이상의 추가적인 사용자 훈련 쉘들 및 각각의 셀들에 따라 상기 광역 네트워크를 통해 상기 사용자 클라이언트로부터 반응 데이터를 획득하는 단계 - 각각의 사용자 훈련 쉘은 사용자 훈련 콘텐트의 상이한 태스크 카테고리 유형을 정의함 -
   에 의해 상기 생성적 컴퓨터 모델에 따른 상기 사용자 프로파일의 컴퓨터 구현 훈련을 수행하는 단계를 더 포함하는 방법.
6. 제5항에 있어서,
   상기 훈련 셀들 중 적어도 하나는 훈련 유닛 및 평가 유닛을 포함하는, 방법.
7. 제5항에 있어서,
   상기 제1 서버를 통해 상기 훈련 셀들에 대한 상기 반응 데이터를 분석하여 통계 데이터를 생성하는 단계 및 분석 데이터 구조 내에 상기 통계 데이터를 저장하는 단계를 더 포함하는 방법.
8. 제1항 또는 제5항에 있어서,
   상기 제1 서버를 통해 셀을 게임화하는 단계 - 상기 게임화는 상기 사용자 클라이언트와 상호작용하고 상기 사용자 프로파일에 따른 연령 기반임 -, 및
   상기 제1 서버를 통해 상기 제1 서버에서 작동하는 보상 시스템으로 상기 게임화를 보상하는 단계
   를 더 포함하는, 방법.
9. 생성적 컴퓨터 모델에 따라 광역 네트워크를 통해 테스트 데이터를 사용자 프로파일에 제공함으로써 사용자 반응들을 모니터링하기 위한 컴퓨터 시스템으로서, 상기 컴퓨터 시스템은, 제1 컴퓨터, 제2 컴퓨터, 데이터베이스, 셀 생성 데이터의 세트 및 예측된 사용자 반응 데이터의 세트를 저장하기 위한 마스터 데이터 구조 및 실제 사용자 반응 데이터를 저장하기 위한 사용자 데이터 구조를 포함하고, 상기 시스템은 제1항 내지 제7항 중 어느 한 항의 방법을 수행하는데 사용하도록 적응되어 있고, 상기 제1 컴퓨터는 단계 (a) 내지 (c) 및 단계 (g) 내지 (i)를 수행하고, 상기 제 2 컴퓨터는 단계 (d) 내지 (f)를 수행하고, 상기 데이터베이스는 상기 마스터 데이터 구조 및 상기 사용자 데이터 구조를 저장하는, 컴퓨터 시스템.
10. 제9항에 있어서,
    제5항의 방법을 수행할 때, 상기 제1 컴퓨터는 단계 (j) 내지 (l) 및 단계 (p) 내지 (r)를 추가로 수행하고, 상기 제2 컴퓨터는 단계 (m) 내지 (o)를 추가로 수행하는, 컴퓨터 시스템.
11. 제9항에 있어서,
    통계 데이터를 저장하기 위한 분석 데이터 구조를 더 포함하고, 상기 데이터베이스는 상기 분석 데이터 구조를 저장하는, 컴퓨터 시스템.
12. 삭제
13. 삭제
14. 삭제
15. 삭제
16. 삭제
17. 삭제
18. 삭제
19. 삭제
20. 삭제

Images