KR102344724B1 - 인공지능 모델을 통해 학생의 학습을 관리하는 전자 장치, 및 학습 관리 방법 - Google Patents

인공지능 모델을 통해 학생의 학습을 관리하는 전자 장치, 및 학습 관리 방법 Download PDF

Info

Publication number
KR102344724B1
KR102344724B1 KR1020210032448A KR20210032448A KR102344724B1 KR 102344724 B1 KR102344724 B1 KR 102344724B1 KR 1020210032448 A KR1020210032448 A KR 1020210032448A KR 20210032448 A KR20210032448 A KR 20210032448A KR 102344724 B1 KR102344724 B1 KR 102344724B1
Authority
KR
South Korea
Prior art keywords
user
learning
artificial intelligence
electronic device
answer
Prior art date
Application number
KR1020210032448A
Other languages
English (en)
Inventor
유요한
Original Assignee
주식회사 노스트라에이아이
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 주식회사 노스트라에이아이 filed Critical 주식회사 노스트라에이아이
Priority to KR1020210032448A priority Critical patent/KR102344724B1/ko
Priority to KR1020210186046A priority patent/KR102550839B1/ko
Priority to KR1020210186048A priority patent/KR20220128261A/ko
Priority to KR1020210186047A priority patent/KR102550840B1/ko
Application granted granted Critical
Publication of KR102344724B1 publication Critical patent/KR102344724B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/20—Education
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/20—Education
    • G06Q50/205—Education administration or guidance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G—PHYSICS
    • G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
    • G09B—EDUCATIONAL OR DEMONSTRATION APPLIANCES; APPLIANCES FOR TEACHING, OR COMMUNICATING WITH, THE BLIND, DEAF OR MUTE; MODELS; PLANETARIA; GLOBES; MAPS; DIAGRAMS
    • G09B5/00—Electrically-operated educational appliances
    • G09B5/02—Electrically-operated educational appliances with visual presentation of the material to be studied, e.g. using film strip
    • G—PHYSICS
    • G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
    • G09B—EDUCATIONAL OR DEMONSTRATION APPLIANCES; APPLIANCES FOR TEACHING, OR COMMUNICATING WITH, THE BLIND, DEAF OR MUTE; MODELS; PLANETARIA; GLOBES; MAPS; DIAGRAMS
    • G09B7/00—Electrically-operated teaching apparatus or devices working with questions and answers
    • G09B7/02—Electrically-operated teaching apparatus or devices working with questions and answers of the type wherein the student is expected to construct an answer to the question which is presented or wherein the machine gives an answer to the question presented by a student

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Educational Administration (AREA)
  • Educational Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Strategic Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Primary Health Care (AREA)
  • Marketing (AREA)
  • Electrically Operated Instructional Devices (AREA)
  • Processing Or Creating Images (AREA)
  • Semiconductor Memories (AREA)
  • Electric Double-Layer Capacitors Or The Like (AREA)

Abstract

전자 장치의 학습 관리 방법이 개시된다. 본 학습 관리 방법은, 복수의 문제에 대한 사용자의 답안을 기반으로, 사용자의 문제풀이 능력을 식별하는 단계, 식별된 문제풀이 능력에 매칭되는 적어도 하나의 인공지능 모델을 생성하는 단계, 인공지능 모델에 적어도 하나의 문제를 입력하여, 입력된 문제에 대한 인공지능 모델의 답안을 획득하는 단계, 획득된 인공지능 모델의 답안에 대한 평가 정보를 제공하는 단계를 포함한다.

Description

인공지능 모델을 통해 학생의 학습을 관리하는 전자 장치, 및 학습 관리 방법{ ELECTRONIC APPARATUS FOR MANAGING LEARNING OF STUDENT BASED ON ARTIFICIAL INTELLIGENCE, AND LEARNING MANAGEMENT METHOD }
본 개시는 학습 관리 방법을 제공하는 전자 장치에 관한 것으로, 보다 상세하게는, 인공지능 모델을 기반으로 한 아바타가 시험문제를 풀어보도록 하는 방식으로 사용자의 학습을 관리하는 전자 장치에 관한 것이다.
국내의 사교육 시장규모는 매년 증가하고 있으며, 특히 인공지능 모델을 포함하는 에듀테크 시장의 국내외 성장이 돋보인다.
에듀테크와 관련하여, 종래의 인공지능 모델 기술은 주로 학생과의 대화(의사소통), 정보 제공, 성적 분석(학업 능력 분석) 등에 중점적으로 치중한 반면, 사용자(학생)의 학습 시간 최소화 등 구체적인 학습 과정 관리 면에서는 부족함이 있었다.
등록 특허 공보 제10-21916720000호(학습 분석 및 인공지능 기반 맞춤형 학습 방법 및 시스템)
본 개시는 사용자(학생)를 대신하여 또는 사용자와 경쟁적으로 문제를 풀 수 있는 인공지능 모델 기반 아바타를 통해 사용자의 학습을 관리하는 전자 장치 및 학습 관리 방법을 제공한다.
본 개시의 목적들은 이상에서 언급한 목적으로 제한되지 않으며, 언급되지 않은 본 개시의 다른 목적 및 장점들은 하기의 설명에 의해서 이해될 수 있고, 본 개시의 실시 예에 의해 보다 분명하게 이해될 것이다. 또한, 본 개시의 목적 및 장점들은 특허 청구 범위에 나타낸 수단 및 그 조합에 의해 실현될 수 있음을 쉽게 알 수 있을 것이다.
본 개시의 일 실시 예에 따른 전자 장치의 학습 관리 방법은, 복수의 문제에 대한 사용자의 답안을 기반으로, 상기 사용자의 문제풀이 능력을 식별하는 단계, 상기 식별된 문제풀이 능력에 매칭되는 적어도 하나의 인공지능 모델을 생성하는 단계, 상기 인공지능 모델에 적어도 하나의 문제를 입력하여, 상기 문제에 대한 상기 인공지능 모델의 답안을 획득하는 단계, 상기 획득된 상기 인공지능 모델의 답안에 대한 평가 정보를 제공하는 단계를 포함한다.
상기 사용자의 문제풀이 능력을 식별하는 단계는, 유형별로 제공되는 상기 복수의 문제 각각의 난이도, 및 상기 복수의 문제 각각에 대한 상기 사용자의 답안의 정답 여부를 기반으로, 상기 사용자의 유형별 문제풀이 능력을 식별할 수 있다.
이 경우, 상기 인공지능 모델을 생성하는 단계는, 상기 사용자의 유형별 문제풀이 능력에 매칭되는 답안을 출력하는 적어도 하나의 신경망 모델을 생성할 수도 있다.
또한, 상기 인공지능 모델을 생성하는 단계는, 상기 복수의 문제, 및 상기 복수의 문제 각각에 대한 상기 사용자의 답안을 기반으로, 적어도 하나의 신경망 모델을 업데이트할 수도 있다.
한편, 상기 전자 장치의 학습 관리 방법은, 상기 사용자의 입력에 따라 선택된 복수의 문제를 상기 인공지능 모델에 입력하여, 상기 인공지능 모델의 복수의 답안을 획득하는 단계, 상기 복수의 답안 중 오답에 해당하는 적어도 하나의 답안과 매칭되는 적어도 하나의 문제를 상기 사용자에게 제공하는 단계를 더 포함할 수 있다.
또한, 상기 전자 장치의 학습 관리 방법은, 상기 사용자의 문제풀이 능력에 따라 설정된 학습 과정에 포함되는 복수의 문제를 상기 사용자에게 제공하는 단계, 상기 설정된 학습 과정에 포함되는 상기 복수의 문제를 기반으로 상기 인공지능 모델을 훈련시키는 단계, 상기 설정된 학습 과정에 따른 학습 기간이 만료되면, 상기 학습 과정과 관련된 적어도 하나의 평가 문제를 제공하여 상기 평가 문제에 대한 상기 사용자의 제1 답안을 획득하는 단계, 상기 평가 문제에 대한 상기 훈련된 인공지능 모델의 제2 답안을 획득하는 단계, 상기 제1 답안에 대한 제1 평가 정보 및 상기 제2 답안에 대한 제2 평가 정보를 제공하는 단계를 포함할 수 있다.
이 경우, 상기 인공지능 모델을 훈련시키는 단계는, 상기 학습 과정에 포함된 적어도 하나의 문제에 대한 상기 인공지능 모델의 답안이 오답인 경우, 상기 문제 및 상기 문제에 대한 정답을 기반으로 상기 인공지능 모델을 훈련시킬 수 있다.
여기서, 상기 전자 장치의 학습 관리 방법은, 상기 사용자의 입력을 기반으로, 상기 학습 과정의 학습량, 학습 기간, 및 학습 난이도 중 적어도 하나를 변경 설정하는 단계를 더 포함할 수도 있다. 이 경우, 상기 복수의 문제를 제공하는 단계는, 상기 변경 설정된 학습 과정에 포함된 복수의 문제를 상기 사용자에게 제공하고, 상기 인공지능 모델을 훈련시키는 단계는, 상기 변경 설정된 학습 과정을 기반으로 상기 인공지능 모델을 훈련시킬 수 있다.
그리고, 상기 전자 장치의 학습 관리 방법은, 상기 제1 평가 정보 및 상기 제2 평가 정보를 비교 분석하여, 상기 학습과정 이후의 적어도 하나의 추가 학습 과정의 학습량, 학습 기간, 및 학습 난이도를 설정하는 단계, 상기 추가 학습 과정에 포함되는 복수의 문제를 상기 사용자에게 제공하는 단계, 상기 추가 학습 과정에 포함되는 상기 복수의 문제를 기반으로 상기 인공지능 모델을 훈련시키는 단계를 더 포함할 수도 있다.
이 경우, 상기 전자 장치의 학습 관리 방법은, 상기 제1 평가 정보에 따른 제1 스코어가 상기 제2 평가 정보에 따른 제2 스코어보다 임계치 이상 낮은 경우, 상기 학습 과정보다 학습량이 적은 제1 추가 학습 과정에 포함되는 복수의 문제를 상기 사용자에게 제공하고, 상기 제1 추가 학습 과정에 포함되는 복수의 문제를 기반으로 상기 인공지능 모델을 훈련시키고, 상기 제1 평가 정보에 따른 제1 스코어가 상기 제2 평가 정보에 따른 제2 스코어보다 임계치 이상 높은 경우, 상기 학습 과정보다 학습량이 많은 제2 추가 학습 과정에 포함되는 복수의 문제를 상기 사용자에게 제공하고, 상기 제2 추가 학습 과정에 포함되는 복수의 문제를 기반으로 상기 인공지능 모델을 훈련시킬 수도 있다.
본 개시에 따른 전자 장치의 학습 관리 방법은, 사용자의 문제풀이 과정의 적어도 일부를 인공지능 모델로 대체하여 사용자의 학습 시간을 효율적으로 구성하도록 도와주는 장점이 있다.
또한, 본 개시에 따른 전자 장치의 학습 관리 방법은, 사용자와 인공지능 모델 간의 경쟁적 학습을 기반으로, 사용자에게 동기를 부여하고 사용자 맞춤형으로 학습 일정을 관리한다는 효과가 있다.
도 1은 본 개시의 일 실시 예에 따른 전자 장치의 구성을 설명하기 위한 블록도,
도 2는 본 개시의 일 실시 예에 따른 전자 장치의 학습 관리 방법을 설명하기 위한 흐름도,
도 3은 본 개시의 일 실시 예에 따라 아바타 생성을 가이드하는 전자 장치 및 사용자 단말의 동작을 설명하기 위한 도면,
도 4는 본 개시의 일 실시 예에 따라 아바타(인공지능 모델)의 문제풀이와 관련된 UI(User Interface)를 제공하는 전자 장치 및 사용자 단말의 동작을 설명하기 위한 도면,
도 5a 내지 도 5b는 본 개시의 일 실시 예에 따라 인공지능 모델의 답안 및 평가 정보를 제공하는 전자 장치 및 사용자 단말의 동작을 설명하기 위한 도면들,
도 6은 본 개시의 일 실시 예에 따른 전자 장치가 인공지능 모델의 경쟁적 문제풀이 훈련을 통해 사용자의 학습을 관리하는 동작을 설명하기 위한 블록도, 그리고
도 7은 본 개시의 다양한 실시 예에 따른 전자 장치의 구성을 설명하기 위한 블록도이다.
본 개시에 대하여 구체적으로 설명하기에 앞서, 본 명세서 및 도면의 기재 방법에 대하여 설명한다.
먼저, 본 명세서 및 청구범위에서 사용되는 용어는 본 개시의 다양한 실시 예들에서의 기능을 고려하여 일반적인 용어들을 선택하였다. 하지만, 이러한 용어들은 당해 기술 분야에 종사하는 기술자의 의도나 법률적 또는 기술적 해석 및 새로운 기술의 출현 등에 따라 달라질 수 있다. 또한, 일부 용어는 출원인이 임의로 선정한 용어도 있다. 이러한 용어에 대해서는 본 명세서에서 정의된 의미로 해석될 수 있으며, 구체적인 용어 정의가 없으면 본 명세서의 전반적인 내용 및 당해 기술 분야의 통상적인 기술 상식을 토대로 해석될 수도 있다.
또한, 본 명세서에 첨부된 각 도면에 기재된 동일한 참조번호 또는 부호는 실질적으로 동일한 기능을 수행하는 부품 또는 구성요소를 나타낸다. 설명 및 이해의 편의를 위해서 서로 다른 실시 예들에서도 동일한 참조번호 또는 부호를 사용하여 설명한다. 즉, 복수의 도면에서 동일한 참조 번호를 가지는 구성요소를 모두 도시되어 있다고 하더라도, 복수의 도면들이 하나의 실시 예를 의미하는 것은 아니다.
또한, 본 명세서 및 청구범위에서는 구성요소들 간의 구별을 위하여 "제1", "제2" 등과 같이 서수를 포함하는 용어가 사용될 수 있다. 이러한 서수는 동일 또는 유사한 구성요소들을 서로 구별하기 위하여 사용하는 것이며 이러한 서수 사용으로 인하여 용어의 의미가 한정 해석되어서는 안 된다. 일 예로, 이러한 서수와 결합된 구성요소는 그 숫자에 의해 사용 순서나 배치 순서 등이 제한되어서는 안 된다. 필요에 따라서는, 각 서수들은 서로 교체되어 사용될 수도 있다.
본 명세서에서 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "포함하다" 또는 "구성되다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
본 개시의 실시 예에서 "모듈", "유닛", "부(part)" 등과 같은 용어는 적어도 하나의 기능이나 동작을 수행하는 구성요소를 지칭하기 위한 용어이며, 이러한 구성요소는 하드웨어 또는 소프트웨어로 구현되거나 하드웨어 및 소프트웨어의 결합으로 구현될 수 있다. 또한, 복수의 "모듈", "유닛", "부(part)" 등은 각각이 개별적인 특정한 하드웨어로 구현될 필요가 있는 경우를 제외하고는, 적어도 하나의 모듈이나 칩으로 일체화되어 적어도 하나의 프로세서로 구현될 수 있다.
또한, 본 개시의 실시 예에서, 어떤 부분이 다른 부분과 연결되어 있다고 할 때, 이는 직접적인 연결뿐 아니라, 다른 매체를 통한 간접적인 연결의 경우도 포함한다. 또한, 어떤 부분이 어떤 구성요소를 포함한다는 의미는, 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다.
도 1은 본 개시의 일 실시 예에 따른 전자 장치의 구성을 설명하기 위한 블록도이다.
도 1을 참조하면, 전자 장치(100)는 메모리(110) 및 프로세서(120)를 포함할 수 있다.
전자 장치(100)는 다양한 사용자 단말과 통신을 수행할 수 있는 서버 장치에 해당할 수 있다. 이 경우, 전자 장치(100)는 적어도 하나의 웹 페이지 또는 애플리케이션을 통해 다양한 사용자 단말과 연동될 수 있으며, 사용자 단말을 통해 후술할 다양한 실시 예에 따른 학습 관리 방법을 제공할 수 있다.
또는, 전자 장치(100)는 스마트폰, 노트북 PC, 데스크탑 PC, 태블릿 PC, 웨어러블 디바이스, TV, 셋탑박스, 콘솔 기기 등 다양한 단말 기기에 해당할 수도 있다.
메모리(110)는 전자 장치(100) 내 구성요소들의 전반적인 동작을 제어하기 위한 운영체제(OS: Operating System), 적어도 하나의 인스트럭션 및 데이터를 저장하기 위한 구성이다.
메모리(110)는 ROM, 플래시 메모리 등의 비휘발성 메모리를 포함할 수 있으며, DRAM 등으로 구성된 휘발성 메모리를 포함할 수 있다. 또한, 메모리(110)는 하드 디스크, SSD(Solid state drive) 등을 포함할 수도 있다.
메모리(110)는 카테고리별 및/또는 유형별로 하나 이상의 문제를 포함할 수 있다.
카테고리는, 과목에 따라 구분되어 수학, 영어, 국어(언어), 과학, 사회 등을 포함할 수 있다.
카테고리는, 동일한 과목이라도 시험의 종류에 따라 구분될 수 있다. 예를 들어, 영어 내에서도 초등 영어, 중등 영어, 수능 영어, 그 밖에 다양한 주관사/주관기관에서 공인하는 영어시험 관련 영어 등으로 구분될 수 있다.
유형은, 각 문제의 성질 내지는 출제 의도에 해당할 수 있다. 구체적으로, 언어 또는 영어 문제의 경우, 글의 목적 파악, 분위기/심경/어조 파악, 함축적 의미 파악, 요지/주장 파악, 주제 파악, 내용 일치/불일치 파악, 어휘 적절성 파악, 어법 정확성 파악, 지칭 추론, 흐름 파악, 순서 파악, 요약, 독해 등 다양한 유형에 해당할 수 있다.
메모리(110)는 다양한 출처 별로 하나 이상의 문제를 포함할 수 있다. 출처는, 문제를 제작/제공하는 주체를 의미하며, 다양한 교육 관련 회사, 교육 관련 기관, 시험 주관/관리 기관 등에 해당할 수 있으나, 이에 한정되지 않는다.
메모리(110)는 문제 별 난이도에 대한 정보를 포함할 수도 있다. 여기서, 난이도는, 문제 제작자에 의해 기설정된 값으로 설정된 것일 수도 있고, 해당 문제를 풀어본 일정 수 이상의 학생들의 정답 비율을 근거로 설정된 것일 수도 있다.
난이도는, 문제풀이 능력과 단계 별로 매칭될 수 있다. 여기서, 문제풀이 능력은, 문제를 풀 수 있는 능력 내지는 수준을 의미하며, 적어도 한 명의 사용자(학생) 또는 후술할 인공지능 모델의 문제풀이 수준을 평가하는 지표로 이해될 수 있다.
즉, 후술할 실시 예들에 있어서, 사용자(학생) 또는 인공지능 모델이 풀 수 있는 문제의 난이도가 높을수록, 사용자 또는 인공지능 모델의 문제풀이 능력이 높은 것으로 전제될 수 있다. 또한, 동일한 난이도의 복수의 문제에 대하여 (사용자 또는 인공지능 모델의) 정답 비율이 높을수록, 사용자 또는 인공지능 모델의 문제풀이 능력이 높은 것으로 전제될 수 있다.
한편, 메모리(110)는 문제풀이를 위한 적어도 하나의 인공지능 모델을 포함할 수도 있다.
본 인공지능 모델은 신경망(Neural Network)을 기반으로 하는 네트워크 모델(신경망 모델)에 해당할 수 있다. 네트워크 모델은 가중치를 가지는 복수의 네트워크 노드들을 포함할 수 있다. 복수의 네트워크 노드들은 서로 다른 레이어의 노드 간 가중치를 기반으로 연결 관계를 형성할 수 있다.
신경망 모델은, CNN (Convolutional Neural Network), DNN (Deep Neural Network), RNN (Recurrent Neural Network), RBM (Restricted Boltzmann Machine), DBN (Deep Belief Network), BRDNN(Bidirectional Recurrent Deep Neural Network), GAN(Generative Adversarial Network) 및 심층 Q-네트워크(Deep Q-Networks) 등으로 구성될 수 있으나, 이에 한정되지 않는다.
일 예로, 적어도 하나의 (풀이용) 문제가 입력되면 해당 문제에 대한 답안을 출력하는 적어도 하나의 인공지능 모델이 메모리(110)에 저장될 수 있다.
여기서, 문제는 객관식(보기 포함) 또는 주관식에 해당할 수 있고, 답안은 적어도 하나의 보기를 선택하는 답안이거나 또는 단답형/서술형 답안일 수 있다.
구체적인 예로, 질의, 지문, 복수의 보기(ex. 1번 ~ 5번)를 포함하는 객관식 문제가 인공지능 모델에 입력된 경우를 가정한다.
이 경우, 인공지능 모델은 질의, 지문, 복수의 보기 각각에 해당하는 텍스트를 바탕으로 복수의 보기 중 적어도 하나의 답안을 선택할 수 있다.
이를 위해, 인공지능 모델은 자연어 이해를 위한 적어도 하나의 레이어(모듈), 보기를 선택하기 위한 적어도 하나의 레이어(모듈) 등을 포함할 수 있으나, 이에 한정되지 않는다.
또한, 구체적인 예로, 질의를 포함하거나, 또는 질의 및 지문을 포함하는 주관식 문제가 입력된 경우를 가정한다.
이 경우, 인공지능 모델은 질의 및/또는 지문에 해당하는 텍스트를 바탕으로 질의에 대한 답안(텍스트)을 출력할 수 있다. 이를 위해, 인공지능 모델은 질의에 대한 응답을 제공하기 위한 적어도 하나의 레이어를 포함할 수 있다.
이때, 인공지능 모델은 인공지능 모델과 연동되도록 구축된 적어도 하나의 답안 데이터베이스 내에서 (질의/지문과 관련된) 적어도 하나의 텍스트를 추출하고, 추출된 텍스트를 이용하여 답안을 구성할 수도 있다.
한편, 입력된 문제가 음성 형태의 듣기 문제인 경우, 전자 장치(100)는 음성 인식 모듈(ex. Automatic Speech Recognition) 등을 이용하여 듣기 문제의 음성에 매칭되는 텍스트를 획득하고, 획득된 텍스트를 인공지능 모델에 입력할 수도 있다.
프로세서(120)는 전자 장치(100)에 포함된 각 구성을 전반적으로 제어하기 위한 구성으로, CPU(Central Processing Unit), AP(Application Processor), GPU(Graphic Processing Unit), VPU, NPU 등 다양한 유닛으로 구성될 수 있다.
프로세서(120)는 메모리(110)에 저장된 인스트럭션을 실행함으로써 전자 장치(100)를 제어할 수 있다.
이하 도면들을 통해 프로세서(120)의 동작을 설명한다.
도 2는 본 개시의 일 실시 예에 따른 전자 장치의 학습 관리 방법을 설명하기 위한 흐름도이다.
도 2를 참조하면, 프로세서(120)는 복수의 문제에 대한 사용자의 답안을 기반으로 사용자의 문제풀이 능력을 식별할 수 있다(S210).
일 예로, 서버로 구현된 전자 장치(100)의 프로세서(120)는 통신부를 통해 사용자 단말과 통신을 수행할 수 있으며, 복수의 문제를 순차적으로 표시하도록 사용자 단말을 제어할 수 있다.
구체적인 예로, 전자 장치(100)는 사용자 단말을 통해 수신되는 사용자 정보(ex. ID, 비밀번호 등)를 기반으로 로그인이 수행되면, 사용자를 식별할 수 있다.
그리고, 로그인이 수행된 사용자의 요청에 따라 사용자 단말을 통해 복수의 문제를 제공할 수 있다.
여기서, 사용자의 요청은, 복수의 문제를 제공받기 위한 요청일 수도 있고, 사용자의 문제풀이 능력에 매칭되는 아바타(인공지능 모델)를 생성하기 위한 요청일 수도 있다.
복수의 문제가 제공되면, 프로세서(120)는 사용자 단말을 통해 수신되는 사용자 입력에 따라 문제 별로 사용자의 답안을 획득할 수 있다.
여기서, 프로세서(120)는 사용자의 답안이 정답인지 오답인지 여부를 식별할 수 있으며, 복수의 문제 각각에 대한 사용자의 답안의 정답 비율을 기반으로 사용자의 문제풀이 능력을 식별할 수 있다.
구체적으로, 프로세서(120)는, 유형별로 제공되는 복수의 문제 각각의 난이도, 및 복수의 문제 각각에 대한 사용자의 답안의 정답 여부를 기반으로, 사용자의 유형별 문제풀이 능력을 식별할 수 있다.
유형별 문제풀이 능력은, 일 예로 복수의 단계(ex. 1단계 ~ 9단계)로 구분될 수 있으나, 이에 한정되지 않는다.
이때, 프로세서(120)는 문제별로 (또는 복수의 문제에 대하여) 제한 시간을 두거나, 또는 문제별로 사용자의 답안이 획득되기까지 걸린 시간을 측정할 수도 있다.
답안이 정답인 경우, 프로세서(120)는 문제가 제공된 시점부터 사용자의 답안이 획득되는 시점까지 걸린 시간이 적을수록 사용자의 문제풀이 능력을 더 높게 식별할 수 있다.
상술한 실시 예에 따라 사용자의 문제풀이 능력이 식별되면, 프로세서(120)는 식별된 문제풀이 능력에 매칭되는 적어도 하나의 인공지능 모델을 생성할 수 있다(S220).
구체적으로, 프로세서(120)는 사용자의 유형별 문제풀이 능력에 매칭되는 답안을 출력하는 적어도 하나의 인공지능 모델을 생성할 수 있다.
여기서, 프로세서(120)는 사용자의 유형별 문제풀이 능력에 매칭되는 난이도의 문제들을 기반으로 신경망 모델을 훈련시킬 수 있다.
일 예로, 독해 문제에 대한 사용자의 문제풀이 능력은 3단계이고, 지칭 추론 문제에 대한 사용자의 문제풀이 능력은 4단계인 경우를 가정한다.
이 경우, 프로세서(120)는 3단계 이하의 난이도에 매칭되는 하나 이상의 독해 문제 및 해당 독해 문제에 대한 정답을 각각 입출력으로 하여 신경망 모델의 노드 간 가중치를 업데이트할 수 있다. 또한, 프로세서(120)는 4단계 이하의 난이도에 매칭되는 하나 이상의 지칭 추론 문제, 및 해당 지칭 추론 문제에 대한 정답을 각각 입출력으로 하여 신경망 모델의 노드 간 가중치를 업데이트할 수 있다.
또한, 프로세서(120)는 앞서 사용자에게 제공된 복수의 문제, 및 복수의 문제에 대한 사용자의 답안을 기반으로, 적어도 하나의 신경망 모델을 업데이트할 수도 있다.
이 경우, 업데이트된 신경망 모델(인공지능 모델)은 사용자의 답안이 정답이든 오답이든 사용자의 답안을 기반으로 훈련되므로, 사용자의 문제풀이 능력에 매칭되는 문제풀이 능력을 가질 수 있다.
상술한 바와 같이 사용자의 문제풀이 능력에 매칭되는 인공지능 모델이 생성되면, 프로세서(120)는 인공지능 모델에 적어도 하나의 문제를 입력하여 답안을 획득할 수 있다(S230).
이때, 프로세서(120)는 사용자 입력에 따라 적어도 하나의 문제를 선택하고, 선택된 문제를 인공지능 모델에 입력할 수 있다.
이 경우, 프로세서(120)는 인공지능 모델의 답안에 대한 평가 정보를 제공할 수 있다(S240).
평가 정보는, 인공지능 모델의 문제풀이 능력을 나타내는 지표에 해당한다.
평가 정보는, 답안의 정답 여부에 대한 정보를 포함할 수 있다. 답안이 오답인 경우, 평가 정보는 정답(모범 답안)에 대한 정보를 포함할 수 있다.
평가 정보는, 복수의 문제에 대한 답안의 정답 수, 정답 비율을 포함할 수 있다. 평가 정보는, 복수의 문제에 대한 답안의 총 평가 점수에 대한 정보를 포함할 수도 있다.
또한, 평가 정보는, 문제의 유형별로 정답 수 또는 정답 비율에 대한 정보를 포함할 수 있다. 즉, 평가 정보는, 유형별 문제풀이 능력에 대한 지표를 포함할 수 있다.
주관식 문제에 대한 답안인 경우, 평가 정보는 문제에 대한 답안의 점수에 대한 정보를 포함할 수도 있다.
구체적으로, 주관식 문제의 경우, 프로세서(120)는 모범 답안의 텍스트와 답안의 텍스트를 비교하여 일치율을 산정하고, 산정된 일치율에 따라 점수를 산정할 수 있다. 또는, 프로세서(120)는 모범 답안에 포함된 적어도 하나의 키워드를 식별하고, 식별된 키워드가 답안에 포함되어 있는지 여부에 따라 스코어를 산정할 수도 있다.
또한, 평가 정보는, 동일한 문제에 대한 적어도 한 명의 다른 사용자의 정답 비율/점수, 적어도 하나의 다른 인공지능 모델의 정답 비율/점수 등에 대한 정보를 포함할 수 있다.
이하 도면들을 통해, 상술한 전자 장치(100)의 학습 관리 방법 및 관련 실시 예에 대한 보다 구체적인 동작을 설명한다. 한편, 비록 이하 도 3, 도 4, 도 5a 내지 도 5b 등에서는 서버로 구현된 전자 장치(100)가 사용자 단말(200)을 통해 학습 관리 방법을 제공하는 경우만을 도시하지만, 전자 장치(100) 자체가 사용자 단말(ex. 스마트폰, 노트북 PC, 데스크탑 PC 등)로 구현될 수도 있음은 물론이다.
도 3은 본 개시의 일 실시 예에 따라 아바타 생성을 가이드하는 전자 장치 및 사용자 단말의 동작을 설명하기 위한 도면이다.
도 3을 참조하면, 전자 장치(100)는 사용자 단말(200)을 통해 사용자의 문제풀이 능력에 매칭되는 적어도 하나의 아바타를 생성하기 위한 UI(User Interface)를 제공할 수 있다.
아바타는 인공지능 모델의 서비스를 제공하기 위한 매개로, 가상의 캐릭터 내지는 개체로 정의될 수 있으며, 적어도 하나의 이름을 가질 수 있다.
전자 장치(100)는 문제의 카테고리 별로 아바타(인공지능 모델)를 생성할 수 있다. 도 3을 참조하면, 사용자 단말(200)의 UI(310)를 통해, 아바타(인공지능 모델)가 생성될 카테고리를 선택하는 사용자 입력이 수신될 수 있다.
도 3에서, 아바타의 이름은 “A.I 홍길동”에 해당하지만, 사용자 입력에 따라 변경될 수 있음은 물론이다.
그리고, 적어도 하나의 카테고리가 선택되면, 전자 장치(100)는 사용자 단말(200)을 통해 선택된 카테고리에 매칭되는 복수의 문제를 제공할 수 있다.
구체적으로, 도 3을 참조하면, 사용자 단말(200)의 UI(320)를 통해 복수의 문제가 표시될 수 있으며, 스크롤(321)을 통해 각 문제가 순차적으로 제공될 수 있다.
제공되는 복수의 문제는, 다양한 유형의 문제들을 포함할 수 있다. 일 예로, 복수의 문제는, 18가지 유형에 대하여 각각 두 개의 문제를 포함할 수 있으나, 유형의 수나 문제의 수가 이에 한정되지는 않는다.
여기서, 전자 장치(100)는 사용자 단말(200)을 통해 수신되는 사용자 입력(ex. 터치, 키보드 입력, 마우스 클릭 등)을 통해 각 문제에 대한 사용자의 답안을 획득할 수 있다.
진행률을 나타내는 UI(325)는, 복수의 문제 중 사용자의 답안이 획득된 문제 수의 비율을 실시간으로 나타낼 수 있다.
이때, 완료에 해당하는 UI(322)를 선택하는 사용자 입력이 수신되면, 복수의 문제에 대한 사용자의 답안을 획득하는 과정이 완료될 수 있다.
이렇듯, 복수의 문제에 대한 사용자의 답안이 획득되는 과정은, 사용자의 문제풀이 능력에 매칭되는 인공지능 모델(아바타)을 생성하기 위한 전제 조건에 해당한다.
복수의 문제에 대한 사용자의 답안이 획득되면, 전자 장치(100)는 사용자의 답안을 분석하여 사용자의 문제풀이 능력을 식별할 수 있다.
구체적으로, 전자 장치(100)는 유형별 문제에 대한 답안의 정답 여부/비율에 따라 사용자의 유형별 문제풀이 능력을 판단할 수 있다.
그리고, 전자 장치(100)는 사용자의 유형별 문제풀이 능력에 매칭되는 적어도 하나의 인공지능 모델을 생성할 수 있다.
도 4는 본 개시의 일 실시 예에 따라 아바타(인공지능 모델)의 문제풀이와 관련된 UI(User Interface)를 제공하는 전자 장치 및 사용자 단말의 동작을 설명하기 위한 도면이다.
도 4를 참조하면, 전자 장치(100)는 'AI 문제 풀기(410)' 및 '내가 풀기(420)'에 해당하는 UI 항목들을 각각 제공하도록 사용자 단말(200)을 제어할 수 있다.
'AI 문제 풀기(410)'는 아바타(인공지능 모델)로 하여금 문제를 풀어보도록 하는 과정을 제어하기 위한 항목이다.
'AI 문제 풀기(410)' 항목이 선택되는 경우, 전자 장치(100)는 사용자의 입력에 따라 선택된 적어도 하나의 문제를 인공지능 모델에 입력하여, 인공지능 모델의 답안을 획득할 수 있다.
도 4를 참조하면, 각 UI 항목들(411, 412, 413)에 대한 사용자 입력에 따라 인공지능 모델이 풀어볼 문제가 선택될 수 있다.
구체적으로, UI 항목(411)은 문제의 카테고리를 하나 이상 선택하기 위한 항목, UI 항목(412)은 문제의 출처를 하나 이상 선택하기 위한 항목, UI 항목(413)은 그 밖에 문제를 선택하기 위한 다양한 조건(ex. 기간, 난이도 등)에 대한 필터링 등을 추가 설정하기 위한 항목에 해당할 수 있다.
이렇듯, 문제의 카테고리 및 출처 등이 선택되면, 전자 장치(100)는 사용자 단말(200)을 통해 선택된 복수의 문제를 제공하기 위한 UI(415)를 출력할 수 있다.
도 4를 참조하면, UI(415)는 출처 별로 문제들이 구분되어 각 출처의 문제들을 풀어볼 수 있도록(“풀기” 선택) 디자인되었으나, UI(415)의 구성이 이에 한정될 필요는 없다.
도 4를 참조하면, 선택된 모든 문제들을 제공받기 위한 UI 항목(415')도 제공될 수 있다.
한편, '내가 풀기(420)'는 사용자가 직접 문제를 풀어볼 수 있도록 복수의 문제를 제공하기 위한 항목이다.
'내가 풀기(420)' 항목이 선택되는 경우, 도 4와 마찬가지로, 전자 장치(100)는 다양한 카테고리/출처의 문제를 제공할 수 있으며, 이 경우, 문제 별로 답안을 선택/작성하는 사용자의 입력이 수신될 수 있다.
한편, 도 4와 같이 인공지능 모델 및/또는 사용자의 문제 풀기(410, 420)가 수행됨에 따라, 전자 장치(100)는 인공지능 모델 및/또는 사용자의 답안에 대한 평가 정보를 제공할 수 있다.
관련하여, 도 5a 내지 도 5b는 본 개시의 일 실시 예에 따라 인공지능 모델의 답안 및 평가 정보를 제공하는 전자 장치 및 사용자 단말의 동작을 설명하기 위한 도면들이다.
도 5a를 참조하면, 전자 장치(100)는 사용자 단말(200)을 통해 '문제 보기(510)', 'AI 성적표(520)', '내가 풀기(530)', '내 성적표(540)' 등의 UI 항목을 제공할 수 있다.
'문제 보기(510)'는 인공지능 모델에 입력된, 즉 인공지능 모델이 푼 문제를 제공하기 위한 항목, 'AI 성적표(520)'는 인공지능 모델의 답안에 대한 평가 정보를 제공하기 위한 항목, '내가 풀기(530)'는 사용자가 인공지능 모델이 푼 문제와 동일한 문제를 풀어볼 수 있도록 해당 문제를 제공하기 위한 항목, '내 성적표(540)'는 해당 문제에 대한 사용자의 답안의 평가 정보를 제공하기 위한 항목이다.
도 5a는 사용자의 입력에 따라 '문제 보기(510)' 항목이 선택된 경우에 해당한다.
도 5a를 참조하면, 전자 장치(100)는 사용자 단말(200)을 통해 'AI가 푼 문제(511)' 항목 및 '오답만 보기(512)' 항목을 각각 제공할 수 있다.
도 5a와 같이 'AI가 푼 문제(511)' 항목이 선택되면, 전자 장치(100)는 인공지능 모델이 푼 적어도 하나의 문제를 포함하는 UI(511')를 제공할 수 있다.
UI(511')는 각 문제에 대한 인공지능 모델의 답안의 정답 여부를 체크한 시각적 표시(맞았다는 표시, 틀렸다는 표시)를 포함할 수 있다.
또한, UI(511')는 인공지능 모델이 틀린 문제에 대한 정답을 제공하기 위한 적어도 하나의 UI 항목(511'-1)을 포함할 수 있다.
만약 '오답만 보기(512)' 항목이 선택되는 경우, 전자 장치(100)는 인공지능 모델이 풀었던 문제들 중 인공지능 모델의 답안이 오답이었던 문제만을 제공하도록 사용자 단말(200)을 제어할 수 있다.
이렇듯, 사용자의 문제풀이 능력에 매칭되는 인공지능 모델이 어떤 문제를 틀렸는지 제공함으로써, 전자 장치(100)는 복수의 문제 전체를 사용자가 직접 풀지 않더라도 마치 사용자가 직접 푼 것과 비슷한 결과에 따른 오답 문제를 제공할 수 있게 된다.
즉, 사용자는 인공지능 모델이 틀린 문제만 풀어보고 해당 문제의 정답을 제공받을 수 있으므로, 사용자가 당연히 알 만한 문제 또는 사용자에게 너무 쉬운 문제를 풀어볼 필요가 없게 되고, 그 결과 사용자가 직접 문제풀이를 위해 소요하는 시간이 줄어들 수 있다.
전자 장치(100)는 인공지능 모델이 푼 문제에 대한 적어도 하나의 다른 인공지능 모델의 답안 및 평가 정보를 획득할 수 있다.
여기서, 다른 인공지능 모델은, 다른 사용자의 문제풀이 능력에 따라 생성된 인공지능 모델(아바타)에 해당할 수 있다.
구체적인 예로, 전자 장치(100)는 사용자의 인공지능 모델(아바타)에 입력된 문제를 다른 사용자의 인공지능 모델(아바타)에 입력하여, 다른 인공지능 모델의 답안을 획득할 수 있다.
그리고, 전자 장치(100)는 인공지능 모델의 답안에 대한 평가 정보와 다른 인공지능 모델의 답안에 대한 평가 정보를 함께 제공할 수 있다.
관련하여, 도 5b는 사용자의 입력에 따라 'AI 성적표(520)' 항목이 선택된 경우에 해당한다.
도 5b를 참조하면, 전자 장치(100)는 사용자 단말(200)의 UI(521)를 통해 사용자의 아바타(인공지능 모델)와 다른 사용자들의 아바타들(인공지능 모델들)의 유형별(단어, 구조, 문장 등) 문제풀이 능력(평가 정보)을 각각 제공할 수 있다.
이 경우, 사용자의 문제풀이 능력과 다른 사용자의 문제풀이 능력이 간접적으로 비교될 수 있으며, 아바타를 통한 비교 방식에 따라 평가 정보가 재미있게 제공될 수 있다.
한편, 전자 장치(100)는 인공지능 모델과 사용자의 경쟁적 훈련을 제공하여, 사용자의 학습 동기를 부여하고 사용자의 학습 일정을 관리할 수도 있다.
관련하여, 도 6은 본 개시의 일 실시 예에 따른 전자 장치가 인공지능 모델의 경쟁적 문제풀이 훈련을 통해 사용자의 학습을 관리하는 동작을 설명하기 위한 블록도이다.
도 6을 참조하면, 전자 장치(100)는 사용자의 문제풀이 능력에 따라 설정된 학습 과정에 포함되는 복수의 문제를 사용자에게 제공할 수 있다(S610).
학습 과정은, 교육 자료에 대하여 일정 기간 내에 일정량만큼 학습하도록 하는 짜여진 계획 내지는 일정을 의미할 수 있다.
교육 자료는, 적어도 하나의 문제, 강의 영상, 교재 등에 해당할 수 있다.
구체적으로, 전자 장치(100)는 사용자의 문제풀이 능력에 매칭되는 학습량, 학습 기간, 학습 난이도에 해당하는 학습 과정을 설정할 수 있다.
학습량은, 교육 자료의 수(ex. 풀어야 할 문제의 수)에 해당하고, 학습 기간은, 교육 자료의 학습에 주어지는 기간(목표 기간)에 해당하며, 학습 난이도는, 교육 자료의 난이도(ex. 문제의 평균 난이도)에 해당할 수 있다.
이 경우, 전자 장치(100)는 사용자의 문제풀이 능력이 높을수록 학습량 및 학습 기간 중 적어도 하나를 더 높게 설정할 수 있다. 또한, 전자 장치(100)는 사용자의 문제풀이 능력이 높을수록 제공되는 교육 자료의 난이도를 높일 수 있다.
다만, 전자 장치(100)는 사용자의 입력을 기반으로, 학습 과정의 학습량, 학습 기간, 및 학습 난이도 중 적어도 하나를 변경 설정할 수도 있음은 물론이다.
이렇듯, 학습 과정이 설정되면, 전자 장치(100)는 학습 과정에 포함되는 복수의 문제를 사용자에게 제공할 수 있다. 이때, 사용자의 요청에 따라 각 문제에 대한 정답이 함께 제공될 수도 있다.
또한, 전자 장치(100)는 사용자의 문제풀이 능력에 따라 설정된 상술한 학습 과정에 따라 인공지능 모델에 대해서도 훈련을 수행할 수 있다(S620).
만약, 학습 과정이 사용자의 입력에 따라 변경 설정된 경우, 변경 설정된 학습 과정에 대하여 인공지능 모델의 훈련이 수행될 수 있다.
구체적으로, 전자 장치(100)는 학습 과정에 포함되는 복수의 문제를 기반으로 인공지능 모델을 훈련시킬 수 있다.
이 경우, 전자 장치(100)는 복수의 문제를 각각 인공지능 모델에 입력하여, 각 문제에 대하여 인공지능 모델의 답안을 획득할 수 있다.
여기서, 적어도 하나의 문제에 대한 인공지능 모델의 답안이 오답인 경우, 전자 장치(100)는, 해당 문제 및 해당 문제에 대한 정답을 기반으로 인공지능 모델을 훈련시킬 수 있다. 이 경우, 인공지능 모델의 문제풀이 능력이 향상될 수 있다.
이렇듯, 사용자 및 인공지능 모델의 훈련이 수행된 이후에는, 사용자 및 인공지능 모델 각각에 대하여 평가 문제가 주어질 수 있다.
일 실시 예로, 상술한 학습 과정에 따른 학습 기간(ex. 일주일)이 만료되면, 전자 장치(100)는 사용자에게 학습 과정과 관련된 적어도 하나의 평가 문제를 제공하여, 평가 문제에 대한 사용자의 제1 답안을 획득할 수 있다(S630).
평가 문제는, 해당 학습 과정의 학습 성취도를 평가하기 위한 문제이며, 학습 과정을 원활히 마친 경우 풀 수 있는 것으로 예상되는 문제를 의미할 수 있다.
또한, 전자 장치(100)는 동일한 평가 문제를 훈련된 인공지능 모델에 입력하여, 인공지능 모델의 제2 답안을 획득할 수 있다(S640).
그리고, 전자 장치(100)는 사용자의 제1 답안에 대한 제1 평가 정보 및 인공지능 모델의 제2 답안에 대한 제2 평가 정보를 각각 제공할 수 있다(S650).
이 경우, 동일한 학습 과정을 거친 인공지능 모델과의 비교로 학습 과정에 대한 사용자의 성취도가 제시될 수 있다. 특히, 사용자와 인공지능 모델이 실질 동일한 문제풀이 능력을 가진 상태로 동일한 학습 과정을 거쳐 평가를 진행하므로, 기간별 학습에 대한 경쟁 기반 동기 부여의 효과를 기대될 수 있다.
또한, 일 실시 예에 따르면, 전자 장치(100)는 상술한 제1 평가 정보 및 제2 평가 정보를 비교 분석하여, 상술한 학습 과정 이후의 적어도 하나의 추가 학습 과정의 학습량, 학습 기간, 및 학습 난이도를 설정할 수도 있다.
이 경우, 사용자에 대한 제1 평가 정보의 제1 스코어와 인공지능 모델에 대한 제2 평가 정보의 제2 스코어 간의 비교에 따라 추가 학습 과정이 다르게 설정될 수 있다.
구체적인 예로, 제1 평가 정보에 따른 제1 스코어가 제2 평가 정보에 따른 제2 스코어보다 임계치 이상 낮은 경우를 가정한다. 이는, 상술한 학습 과정에 대한 사용자의 성취도가 비교적 훌륭하지 않다는 것을 의미한다.
이 경우, 전자 장치(100)는 상술한 학습 과정보다 학습량이 적은 추가 학습 과정을 설정할 수 있다. 또한, 전자 장치(100)는 상술한 학습 과정보다 학습 기간이 짧은 추가 학습 과정을 설정할 수도 있다. 또한, 전자 장치(100)는 상술한 학습 과정과 난이도가 동일하거나 또는 상술한 학습 과정보다 제1 레벨 차이(<임계 레벨)만큼만 난이도가 더 높은 추가 학습 과정을 설정할 수 있다.
다만, 만약 제1 스코어가 제2 스코어보다 특수 임계치 이상 더 낮은 경우라면(학습 성취도가 매우 낮음), 전자 장치(100)는 상술한 학습 과정보다 난이도가 더 낮은 추가 학습 과정을 설정할 수도 있다.
다른 예로, 제1 평가 정보에 따른 제1 스코어가 제2 평가 정보에 따른 제2 스코어보다 임계치 이상 높은 경우를 가정한다. 이는, 상술한 학습 과정에 대한 사용자의 성취도가 비교적 훌륭하다는 것을 의미한다.
이 경우, 전자 장치(100)는 상술한 학습 과정보다 학습량이 많은 제2 추가 학습 과정을 설정할 수 있다. 또한, 전자 장치(100)는 상술한 학습 과정보다 학습 기간이 긴 추가 학습 과정을 설정할 수도 있다. 또한, 전자 장치(100)는 상술한 학습 과정과 난이도가 동일하거나 또는 상술한 학습 과정보다 제2 레벨 차이(>임계 레벨) 이상으로 난이도가 더 높은 추가 학습 과정을 설정할 수 있다.
다른 예로, 제1 평가 정보에 따른 제1 스코어와 제2 평가 정보에 따른 제2 스코어가 동일한 경우, 전자 장치(100)는 상술한 학습 과정과 학습 기간 및 학습량이 동일한 추가 학습 과정을 설정할 수 있다. 또한, 전자 장치(100)는 상술한 학습 과정의 난이도보다 임계 레벨만큼 높은 난이도의 추가 학습 과정을 설정할 수 있다.
상술한 실시 예들에 따라 추가 학습 과정이 설정되면, 전자 장치(100)는 추가 학습 과정에 포함되는 복수의 문제를 사용자에게 제공할 수 있으며, 추가 학습 과정에 포함되는 복수의 문제를 기반으로 인공지능 모델을 훈련시킬 수 있다.
그리고, 추가 학습 과정의 학습 기간이 만료되면, 전자 장치(100)는 역시 (추가 학습 과정과 관련된) 적어도 하나의 평가 문제를 사용자 및 인공지능 모델에 제공할 수 있으며, 상술한 실시 예와 마찬가지의 동작이 반복될 수 있다.
한편, 도 7은 본 개시의 다양한 실시 예에 따른 전자 장치의 구성을 설명하기 위한 블록도이다.
도 7을 참조하면, 전자 장치(100)는 메모리(110) 및 프로세서(120) 외에도 통신부(130), 사용자 입력부(140), 출력부(150) 중 적어도 하나를 더 포함할 수 있다.
통신부(130)는 전자 장치(100)가 다양한 외부 장치와 데이터를 송수신하기 위한 구성으로, 통신을 위한 적어도 하나의 회로를 포함할 수 있다.
통신부(130)는 TCP/IP(Transmission Control Protocol/Internet Protocol), UDP(User Datagram Protocol), HTTP(Hyper Text Transfer Protocol), HTTPS(Secure Hyper Text Transfer Protocol), FTP(File Transfer Protocol), SFTP(Secure File Transfer Protocol), MQTT(Message Queuing Telemetry Transport) 등의 통신 규약(프로토콜)을 이용하여 하나 이상의 외부 전자 장치와 다양한 정보를 송수신할 수 있다.
이를 위해, 통신부(130)는 유선 통신 및/또는 무선 통신을 통해 구현된 네트워크를 기반으로, 외부 장치와 연결될 수 있다. 이때, 통신부(130)는 외부 장치와 직접적으로 연결될 수도 있지만, 네트워크를 제공하는 하나 이상의 외부 서버(ex. ISP(Internet Service Provider))를 통해서 외부 전자 장치와 연결될 수도 있다.
네트워크는 영역 또는 규모에 따라 개인 통신망(PAN; Personal Area Network), 근거리 통신망(LAN; Local Area Network), 광역 통신망(WAN; Wide Area Network) 등일 수 있으며, 네트워크의 개방성에 따라 인트라넷(Intranet), 엑스트라넷(Extranet), 또는 인터넷(Internet) 등일 수 있다.
무선 통신은 LTE(long-term evolution), LTE-A(LTE Advance), 5G(5th Generation) 이동통신, CDMA(code division multiple access), WCDMA(wideband CDMA), UMTS(universal mobile telecommunications system), WiBro(Wireless Broadband), GSM(Global System for Mobile Communications), DMA(Time Division Multiple Access), WiFi(Wi-Fi), WiFi Direct, Bluetooth, NFC(near field communication), Zigbee 등의 통신 방식 중 적어도 하나를 포함할 수 있다.
유선 통신은 이더넷(Ethernet), 광 네트워크(optical network), USB(Universal Serial Bus), 선더볼트(ThunderBolt) 등의 통신 방식 중 적어도 하나를 포함할 수 있다.
여기서, 통신부(130)는 상술한 유무선 통신 방식에 따른 네트워크 인터페이스(Network Interface) 또는 네트워크 칩을 포함할 수 있다. 한편, 통신 방식은 상술한 예에 한정되지 아니하고, 기술의 발전에 따라 새롭게 등장하는 통신 방식을 포함할 수 있다.
전자 장치(100)가 서버인 경우, 전자 장치(100)는 통신부(130)를 통해 다양한 사용자 단말과 통신을 수행할 수 있으며, 적어도 하나의 웹 페이지 또는 애플리케이션을 통해 각 사용자 단말과 연동되어 각 사용자를 위한 상술한 다양한 실시 예에 따른 학습 관리 방법을 제공할 수 있다.
이 경우, 전자 장치(100)는 사용자 단말을 통해 수신되는 사용자 입력에 대한 정보를 통신부(130)를 통해 사용자 단말로부터 수신할 수 있다.
또한, 전자 장치(100)는 통신부(130)를 통해 다양한 문제가 저장된 외부 서버들과 통신을 수행하여 문제 및 정답에 대한 정보를 제공받을 수도 있다.
전자 장치(100)가 스마트폰 등 사용자 단말인 경우, 전자 장치(100)는 통신부(130)를 통해 연결된 적어도 하나의 외부 서버가 제공하는 애플리케이션/웹 페이지를 통해 상술한 다양한 실시 예에 따른 학습 관리 방법을 제공할 수도 있다.
사용자 입력부(140)는 사용자 명령 또는 사용자 정보 등을 입력 받기 위한 구성이다.
전자 장치(100)가 스마트폰, 노트북 PC 등 사용자 단말로 구현된 경우, 사용자 입력부(140)는 터치 센서, 버튼, 카메라, 마이크, 키보드 등으로 구현될 수 있다.
전자 장치(100)가 데스크탑 PC인 경우, 사용자 입력부(140)는 키보드 또는 마우스 등 다양한 입력 인터페이스와 연결된 단자로 구현될 수 있다.
출력부(150)는 다양한 정보를 출력하여 사용자에게 제공하기 위한 구성이다.
전자 장치(100)가 스마트폰 등의 사용자 단말로 구현된 경우, 출력부(150)는 디스플레이, 스피커, 이어폰/헤드셋 단자 등을 포함할 수 있다.
일 실시 예로, 프로세서(120)는 출력부(150)를 통해 다양한 문제, 평가 정보, 기타 상술한 다양한 실시 예에 따른 UI 등을 제공할 수 있다.
한편, 이상에서 설명된 다양한 실시 예들은 서로 저촉되지 않는 한 복수의 실시 예가 결합되어 구현될 수 있다.
한편, 이상에서 설명된 다양한 실시 예들은 소프트웨어(software), 하드웨어(hardware) 또는 이들의 조합된 것을 이용하여 컴퓨터(computer) 또는 이와 유사한 장치로 읽을 수 있는 기록 매체 내에서 구현될 수 있다.
하드웨어적인 구현에 의하면, 본 개시에서 설명되는 실시 예들은 ASICs(Application Specific Integrated Circuits), DSPs(digital signal processors), DSPDs(digital signal processing devices), PLDs(programmable logic devices), FPGAs(field programmable gate arrays), 프로세서(processors), 제어기(controllers), 마이크로 컨트롤러(micro-controllers), 마이크로 프로세서(microprocessors), 기타 기능 수행을 위한 전기적인 유닛(unit) 중 적어도 하나를 이용하여 구현될 수 있다.
일부의 경우에 본 명세서에서 설명되는 실시 예들이 프로세서 자체로 구현될 수 있다. 소프트웨어적인 구현에 의하면, 본 명세서에서 설명되는 절차 및 기능과 같은 실시 예들은 별도의 소프트웨어 모듈들로 구현될 수 있다. 상술한 소프트웨어 모듈들 각각은 본 명세서에서 설명되는 하나 이상의 기능 및 작동을 수행할 수 있다.
한편, 상술한 본 개시의 다양한 실시 예들에 따른 시스템 내 각 장치에서의 처리동작을 수행하기 위한 컴퓨터 명령어(computer instructions) 또는 컴퓨터 프로그램은 비일시적 컴퓨터 판독 가능 매체(non-transitory computer-readable medium)에 저장될 수 있다. 이러한 비일시적 컴퓨터 판독 가능 매체에 저장된 컴퓨터 명령어 또는 컴퓨터 프로그램은 특정 기기의 프로세서에 의해 실행되었을 때 상술한 다양한 실시 예에 따른 전자장치에서의 처리 동작을 상술한 특정 기기가 수행하도록 한다.
비일시적 컴퓨터 판독 가능 매체란 레지스터, 캐쉬, 메모리 등과 같이 짧은 순간 동안 데이터를 저장하는 매체가 아니라 반영구적으로 데이터를 저장하며, 기기에 의해 판독(reading)이 가능한 매체를 의미한다. 비일시적 컴퓨터 판독 가능 매체의 구체적인 예로는, CD, DVD, 하드 디스크, 블루레이 디스크, USB, 메모리카드, ROM 등이 있을 수 있다.
이상에서는 본 개시의 바람직한 실시 예에 대하여 도시하고 설명하였지만, 본 개시는 상술한 특정의 실시 예에 한정되지 아니하며, 청구범위에서 청구하는 본 개시의 요지를 벗어남이 없이 당해 개시에 속하는 기술분야에서 통상의 지식을 가진 자에 의해 다양한 변형실시가 가능한 것은 물론이고, 이러한 변형실시들은 본 개시의 기술적 사상이나 전망으로부터 개별적으로 이해되어서는 안될 것이다.
100: 전자 장치 110: 메모리
120: 프로세서

Claims (12)

  1. 전자 장치의 프로세서에 의해 수행되는 상기 전자 장치의 학습 관리 방법에 있어서,
    복수의 문제에 대한 사용자의 답안을 기반으로, 상기 사용자의 문제풀이 능력을 식별하는 단계;
    상기 식별된 문제풀이 능력에 매칭되는 적어도 하나의 인공지능 모델을 생성하는 단계;
    상기 인공지능 모델에 적어도 하나의 문제를 입력하여, 상기 문제에 대한 상기 인공지능 모델의 답안을 획득하는 단계; 및
    상기 획득된 상기 인공지능 모델의 답안에 대한 평가 정보를 제공하는 단계;를 포함하고,
    상기 전자 장치의 학습 관리 방법은,
    상기 사용자의 문제풀이 능력에 따라 설정된 학습 과정에 포함되는 복수의 문제를 상기 사용자에게 제공하는 단계;
    상기 설정된 학습 과정에 포함되는 상기 복수의 문제를 기반으로 상기 인공지능 모델을 훈련시키는 단계;
    상기 설정된 학습 과정에 따른 학습 기간이 만료되면, 상기 학습 과정과 관련된 적어도 하나의 평가 문제를 제공하여 상기 평가 문제에 대한 상기 사용자의 제1 답안을 획득하는 단계;
    상기 평가 문제에 대한 상기 훈련된 인공지능 모델의 제2 답안을 획득하는 단계; 및
    상기 제1 답안에 대한 제1 평가 정보 및 상기 제2 답안에 대한 제2 평가 정보를 제공하는 단계;를 포함하는, 전자 장치의 학습 관리 방법.
  2. 제1항에 있어서,
    상기 사용자의 문제풀이 능력을 식별하는 단계는,
    유형별로 제공되는 상기 복수의 문제 각각의 난이도, 및 상기 복수의 문제 각각에 대한 상기 사용자의 답안의 정답 여부를 기반으로, 상기 사용자의 유형별 문제풀이 능력을 식별하는, 전자 장치의 학습 관리 방법.
  3. 제2항에 있어서,
    상기 인공지능 모델을 생성하는 단계는,
    상기 사용자의 유형별 문제풀이 능력에 매칭되는 답안을 출력하는 적어도 하나의 신경망 모델을 생성하는, 전자 장치의 학습 관리 방법.
  4. 제1항에 있어서,
    상기 인공지능 모델을 생성하는 단계는,
    상기 복수의 문제, 및 상기 복수의 문제 각각에 대한 상기 사용자의 답안을 기반으로, 적어도 하나의 신경망 모델을 업데이트하는, 전자 장치의 학습 관리 방법.
  5. 제1항에 있어서,
    상기 전자 장치의 학습 관리 방법은,
    상기 사용자의 입력에 따라 선택된 복수의 문제를 상기 인공지능 모델에 입력하여, 상기 인공지능 모델의 복수의 답안을 획득하는 단계; 및
    상기 복수의 답안 중 오답에 해당하는 적어도 하나의 답안과 매칭되는 적어도 하나의 문제를 상기 사용자에게 제공하는 단계;를 더 포함하는, 전자 장치의 학습 관리 방법.
  6. 삭제
  7. 제1항에 있어서,
    상기 인공지능 모델을 훈련시키는 단계는,
    상기 학습 과정에 포함된 적어도 하나의 문제에 대한 상기 인공지능 모델의 답안이 오답인 경우, 상기 문제 및 상기 문제에 대한 정답을 기반으로 상기 인공지능 모델을 훈련시키는, 전자 장치의 학습 관리 방법.
  8. ◈청구항 8은(는) 설정등록료 납부시 포기되었습니다.◈
    제1항에 있어서,
    상기 전자 장치의 학습 관리 방법은,
    상기 사용자의 입력을 기반으로, 상기 학습 과정의 학습량, 학습 기간, 및 학습 난이도 중 적어도 하나를 변경 설정하는 단계;를 더 포함하고,
    상기 복수의 문제를 제공하는 단계는,
    상기 변경 설정된 학습 과정에 포함된 복수의 문제를 상기 사용자에게 제공하고,
    상기 인공지능 모델을 훈련시키는 단계는,
    상기 변경 설정된 학습 과정을 기반으로 상기 인공지능 모델을 훈련시키는, 전자 장치의 학습 관리 방법.
  9. ◈청구항 9은(는) 설정등록료 납부시 포기되었습니다.◈
    제1항에 있어서,
    상기 전자 장치의 학습 관리 방법은,
    상기 제1 평가 정보 및 상기 제2 평가 정보를 비교 분석하여, 상기 학습과정 이후의 적어도 하나의 추가 학습 과정의 학습량, 학습 기간, 및 학습 난이도를 설정하는 단계;
    상기 추가 학습 과정에 포함되는 복수의 문제를 상기 사용자에게 제공하는 단계; 및
    상기 추가 학습 과정에 포함되는 상기 복수의 문제를 기반으로 상기 인공지능 모델을 훈련시키는 단계;를 더 포함하는, 전자 장치의 학습 관리 방법.
  10. ◈청구항 10은(는) 설정등록료 납부시 포기되었습니다.◈
    제9항에 있어서,
    상기 전자 장치의 학습 관리 방법은,
    상기 제1 평가 정보에 따른 제1 스코어가 상기 제2 평가 정보에 따른 제2 스코어보다 임계치 이상 낮은 경우, 상기 학습 과정보다 학습량이 적은 제1 추가 학습 과정에 포함되는 복수의 문제를 상기 사용자에게 제공하고, 상기 제1 추가 학습 과정에 포함되는 복수의 문제를 기반으로 상기 인공지능 모델을 훈련시키는 단계; 및
    상기 제1 평가 정보에 따른 제1 스코어가 상기 제2 평가 정보에 따른 제2 스코어보다 임계치 이상 높은 경우, 상기 학습 과정보다 학습량이 많은 제2 추가 학습 과정에 포함되는 복수의 문제를 상기 사용자에게 제공하고, 상기 제2 추가 학습 과정에 포함되는 복수의 문제를 기반으로 상기 인공지능 모델을 훈련시키는 단계;를 포함하는, 전자 장치의 학습 관리 방법.
  11. 제1항에 있어서,
    상기 전자 장치의 학습 관리 방법은,
    상기 문제를 다른 사용자의 문제풀이 능력에 따라 생성된 다른 인공지능 모델에 입력하여, 상기 다른 인공지능 모델의 답안을 획득하는 단계;를 더 포함하고,
    상기 평가 정보를 제공하는 단계는,
    상기 인공지능 모델의 답안에 대한 평가 정보 및 상기 다른 인공지능 모델의 답안에 대한 평가 정보를 제공하는, 전자 장치의 학습 관리 방법.
  12. 전자 장치에 있어서,
    하나 이상의 인스트럭션을 저장하는 메모리; 및
    상기 하나 이상의 인스트럭션을 실행함으로써 제1항의 학습 관리 방법을 수행하는 프로세서;를 포함하는, 전자 장치.
KR1020210032448A 2021-03-12 2021-03-12 인공지능 모델을 통해 학생의 학습을 관리하는 전자 장치, 및 학습 관리 방법 KR102344724B1 (ko)

Priority Applications (4)

Application Number Priority Date Filing Date Title
KR1020210032448A KR102344724B1 (ko) 2021-03-12 2021-03-12 인공지능 모델을 통해 학생의 학습을 관리하는 전자 장치, 및 학습 관리 방법
KR1020210186046A KR102550839B1 (ko) 2021-03-12 2021-12-23 사용자의 문제풀이 능력에 매칭되는 아바타를 활용하는 전자 장치, 및 학습 관리 방법
KR1020210186048A KR20220128261A (ko) 2021-03-12 2021-12-23 인공지능 모델을 통해 학생의 학습을 관리하는 전자 장치, 및 학습 관리 방법
KR1020210186047A KR102550840B1 (ko) 2021-03-12 2021-12-23 학생과 인공지능 모델 간의 비교 평가를 바탕으로 학습 과정을 설계하는 전자 장치, 및 학습 관리 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210032448A KR102344724B1 (ko) 2021-03-12 2021-03-12 인공지능 모델을 통해 학생의 학습을 관리하는 전자 장치, 및 학습 관리 방법

Related Child Applications (3)

Application Number Title Priority Date Filing Date
KR1020210186046A Division KR102550839B1 (ko) 2021-03-12 2021-12-23 사용자의 문제풀이 능력에 매칭되는 아바타를 활용하는 전자 장치, 및 학습 관리 방법
KR1020210186047A Division KR102550840B1 (ko) 2021-03-12 2021-12-23 학생과 인공지능 모델 간의 비교 평가를 바탕으로 학습 과정을 설계하는 전자 장치, 및 학습 관리 방법
KR1020210186048A Division KR20220128261A (ko) 2021-03-12 2021-12-23 인공지능 모델을 통해 학생의 학습을 관리하는 전자 장치, 및 학습 관리 방법

Publications (1)

Publication Number Publication Date
KR102344724B1 true KR102344724B1 (ko) 2022-01-04

Family

ID=79342263

Family Applications (4)

Application Number Title Priority Date Filing Date
KR1020210032448A KR102344724B1 (ko) 2021-03-12 2021-03-12 인공지능 모델을 통해 학생의 학습을 관리하는 전자 장치, 및 학습 관리 방법
KR1020210186048A KR20220128261A (ko) 2021-03-12 2021-12-23 인공지능 모델을 통해 학생의 학습을 관리하는 전자 장치, 및 학습 관리 방법
KR1020210186047A KR102550840B1 (ko) 2021-03-12 2021-12-23 학생과 인공지능 모델 간의 비교 평가를 바탕으로 학습 과정을 설계하는 전자 장치, 및 학습 관리 방법
KR1020210186046A KR102550839B1 (ko) 2021-03-12 2021-12-23 사용자의 문제풀이 능력에 매칭되는 아바타를 활용하는 전자 장치, 및 학습 관리 방법

Family Applications After (3)

Application Number Title Priority Date Filing Date
KR1020210186048A KR20220128261A (ko) 2021-03-12 2021-12-23 인공지능 모델을 통해 학생의 학습을 관리하는 전자 장치, 및 학습 관리 방법
KR1020210186047A KR102550840B1 (ko) 2021-03-12 2021-12-23 학생과 인공지능 모델 간의 비교 평가를 바탕으로 학습 과정을 설계하는 전자 장치, 및 학습 관리 방법
KR1020210186046A KR102550839B1 (ko) 2021-03-12 2021-12-23 사용자의 문제풀이 능력에 매칭되는 아바타를 활용하는 전자 장치, 및 학습 관리 방법

Country Status (1)

Country Link
KR (4) KR102344724B1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102655228B1 (ko) * 2023-08-25 2024-04-08 주식회사 튜터러스랩스 학습자 맞춤형 수학 튜터링 대화 시스템 및 방법

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102592553B1 (ko) * 2023-01-11 2023-10-27 이정훈 수준별 언어 처리 모델을 이용한 맞춤형 영어 교육 방법 및 장치

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20190025873A (ko) * 2019-02-28 2019-03-12 (주)뤼이드 교육 컨텐츠를 제공하는 방법, 장치 및 컴퓨터 프로그램
KR20200083335A (ko) * 2018-12-28 2020-07-08 주식회사 투바앤 상호작용적 교육 플랫폼 및 장치
KR102191672B1 (ko) 2019-12-20 2020-12-16 주식회사 아이스크림에듀 학습 분석 및 인공지능 기반 맞춤형 학습 방법 및 시스템
KR102213476B1 (ko) * 2020-06-09 2021-02-08 (주)뤼이드 인공 지능 학습 기반의 학습 컨텐츠 추천 시스템 및 그것의 동작 방법
KR20210023631A (ko) * 2019-08-22 2021-03-04 (주)프로젝트레인보우 딥러닝 모듈을 이용한 발달장애 개선 시스템 및 방법

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20200083335A (ko) * 2018-12-28 2020-07-08 주식회사 투바앤 상호작용적 교육 플랫폼 및 장치
KR20190025873A (ko) * 2019-02-28 2019-03-12 (주)뤼이드 교육 컨텐츠를 제공하는 방법, 장치 및 컴퓨터 프로그램
KR20210023631A (ko) * 2019-08-22 2021-03-04 (주)프로젝트레인보우 딥러닝 모듈을 이용한 발달장애 개선 시스템 및 방법
KR102191672B1 (ko) 2019-12-20 2020-12-16 주식회사 아이스크림에듀 학습 분석 및 인공지능 기반 맞춤형 학습 방법 및 시스템
KR102213476B1 (ko) * 2020-06-09 2021-02-08 (주)뤼이드 인공 지능 학습 기반의 학습 컨텐츠 추천 시스템 및 그것의 동작 방법

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102655228B1 (ko) * 2023-08-25 2024-04-08 주식회사 튜터러스랩스 학습자 맞춤형 수학 튜터링 대화 시스템 및 방법

Also Published As

Publication number Publication date
KR20220128261A (ko) 2022-09-20
KR20220128259A (ko) 2022-09-20
KR20220128260A (ko) 2022-09-20
KR102550839B1 (ko) 2023-07-04
KR102550840B1 (ko) 2023-07-04

Similar Documents

Publication Publication Date Title
Kabakci Yurdakul Modeling the relationship between pre-service teachers’ TPACK and digital nativity
Schodde et al. Adaptive robot language tutoring based on Bayesian knowledge tracing and predictive decision-making
Dursun et al. Predictors of cyberloafing among preservice information technology teachers
US10395545B2 (en) Analyzing speech delivery
US20190251477A1 (en) Systems and methods for assessing and improving student competencies
US20160293036A1 (en) System and method for adaptive assessment and training
US20190080627A1 (en) Facilitating vocabulary expansion
KR102550840B1 (ko) 학생과 인공지능 모델 간의 비교 평가를 바탕으로 학습 과정을 설계하는 전자 장치, 및 학습 관리 방법
US20170255875A1 (en) Validation termination system and methods
Tommerdahl et al. A systematic review examining the efficacy of commercially available foreign language learning mobile apps
US20220309949A1 (en) Device and method for providing interactive audience simulation
Cooper et al. Doing the right thing at the right time: Assessing responses to patient deterioration in electronic simulation scenarios using Course-of-Action analysis
US9547995B1 (en) Dynamic instructional course
US20220198949A1 (en) System and method for determining real-time engagement scores in interactive online learning sessions
WO2020074067A1 (en) Automatic language proficiency level determination
Brouwer et al. Effects of clinician-guided emergent literacy intervention using interactive tablet technology for preschool children with cochlear implants
KR102583002B1 (ko) 사용자의 문제 풀이를 분석하여 사용자를 진단하는 방법 및 그 전자 장치
US20190019097A1 (en) Method and system for bayesian network-based standard or skill mastery determination using a collection of interim assessments
Pan et al. Insights into computational thinking from think‐aloud interviews: A systematic review
US20180314966A1 (en) System and method for automated bayesian network-based intervention delivery
Yeung et al. Exploring Characteristics of Fine-Grained Behaviors of Learning Mathematics in Tablet-Based E-Learning Activities.
US10453354B2 (en) Automatically generated flash cards
US20240282303A1 (en) Automated customization engine
US20230410672A1 (en) Systems and methods for providing an interactive asynchronous video learning platform
US20220343256A1 (en) System and method for determining instructor effectiveness scores in interactive online learning sessions

Legal Events

Date Code Title Description
GRNT Written decision to grant