KR102353906B1

KR102353906B1 - 유사도에 기반한 문제 추천 방법 및 문제 추천 서버

Info

Publication number: KR102353906B1
Application number: KR1020210105779A
Authority: KR
Inventors: 박경선
Original assignee: 주식회사 메디오피아테크
Priority date: 2019-02-01
Filing date: 2021-08-11
Publication date: 2022-01-20
Also published as: KR20200095655A; KR102290655B1; US20200251008A1; KR20210101201A

Abstract

유사도에 기반한 문제 추천 방법 및 문제 추천 서버가 제공된다. 본 발명의 일 실시예에 따른 유사도에 기반한 문제 추천 방법은 제1 학생의 점수 데이터 및 제2 학생의 점수 데이터를 이용하여, 상기 제1 학생을 가리키는 포인트와 상기 제2 학생을 가리키는 포인트를 제1 유클리드 공간 상에 형성하되, 상기 제1 유클리드 공간은 각각 하나 이상의 문제와 대응되는 복수의 축들로 구성되는 단계, 상기 제1 학생의 학습 관련 데이터와 상기 제2 학생의 학습 관련 데이터 사이의 유사도를 기준으로 연산된 학생 기준 거리와, 상기 제1 유클리드 공간 상의 상기 제1 학생의 포인트와 상기 제2 학생의 포인트 사이의 학생 절대 거리를 비교하는 단계 및 상기 학생 절대 거리가 상기 학생 기준 거리 이하인 경우, 상기 제2 학생과 관련된 컨텐츠를 상기 제1 학생의 단말에 추천하는 단계를 포함할 수 있다.

Description

유사도에 기반한 문제 추천 방법 및 문제 추천 서버{METHOD FOR RECOMMENDING QUESTION BASED ON SIMILARITY AND SERVER USING THE SAME}

본 발명은 유사도에 기반한 문제 추천 방법 및 문제 추천 서버에 관한 것이다. 보다 자세하게는, 학생 간의 유사도를 분석하여 유사도가 높은 학생 간에 문제를 추천해주는 유사도에 기반한 문제 추천 방법 및 문제 추천 서버에 관한 것이다.

학습관리시스템(LMS, Learning Management System)은 온라인으로 학생들의 성적과 진도, 출석 등을 관리해주는 시스템으로서, 종래의 학습관리시스템은 학생에게 단순히 문제를 제공하거나, 제공된 문제에 대한 해답을 통해 학생의 성적을 관리하는 시스템이 대부분이었다. 그러나 종래의 학습관리 시스템은 각각의 학생에게 적당한 난이도의 문제를 제공하지 못하였고, 학습 효과를 높이기 위한 문제를 효율적으로 제공하지 못한 단점이 존재하였다.

이를 해결하기 위해 종래에 공개특허공보 제10-2017-0034106호"사용자 적정 난이도 문제 추천 장치 및 그 방법"에서는 사용자들이 푼 문제를 이용하여 문제의 난이도를 결정하고, 문제를 풀려는 사용자의 수준을 예측하여 적정 난이도의 문제를 제공하는 기술이 공개되었는데, 이러한 기술은 각각의 사용자의 수준의 예측이 정확하지 않기 때문에 사용자의 수준을 잘못 예측하는 경우 사용자에게 너무 어려운 문제를 제공하거나 너무 쉬운 문제를 제공하여 사용자의 학습을 효율적으로 상승시키지 못하는 결과가 되었다. 또한, 학생들의 데이터는 풍부해져 가능 상황인데 이러한 풍부한 데이터를 효율적으로 활용하지 못한 채 단순한 문제 분류에 따라 문제를 추천하고 있는 상황이다.

따라서, 이를 해결하기 위해 학생 간의 상대적인 정보를 기초로 유사한 수준의 학생을 찾아낸 뒤, 유사한 학생으로부터 문제를 추천받는 지능적인 협업 필터링 알고리즘을 개발하여 학생 간에 효율적으로 문제를 추천하는 기술이 필요한 실정이다.

공개특허공보 제10-2017-0034106호 "사용자 적정 난이도 문제 추천 장치 및 그 방법"

본 발명이 해결하고자 하는 기술적 과제는, 학생의 문제에 대한 점수를 이용하여 학습 능력이 가장 유사한 학생을 찾고, 학습 능력이 가장 유사한 다른 학생에게 제공된 문제를 이용하여 학생의 학습 능력을 단계적으로 향상시키기에 가장 적합한 문제를 제공하는 것을 목적으로 한다.

본 발명의 기술적 과제들은 이상에서 언급한 기술적 과제들로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 아래의 기재로부터 본 발명의 기술분야에서의 통상의 기술자에게 명확하게 이해될 수 있을 것이다.

상기 기술적 과제를 해결하기 위한, 본 발명의 일 실시예에 따른 유사도에 기반한 문제 추천 방법은 컴퓨팅 장치에 의하여 수행되는 방법에 있어서, 제1 학생의 점수 데이터 및 제2 학생의 점수 데이터를 이용하여, 상기 제1 학생을 가리키는 포인트와 상기 제2 학생을 가리키는 포인트를 제1 유클리드 공간 상에 형성하되, 상기 제1 유클리드 공간은 각각 하나 이상의 문제와 대응되는 복수의 축들로 구성되는 단계, 상기 제1 학생의 학습 관련 데이터와 상기 제2 학생의 학습 관련 데이터 사이의 유사도를 기준으로 연산된 학생 기준 거리와, 상기 제1 유클리드 공간 상의 상기 제1 학생의 포인트와 상기 제2 학생의 포인트 사이의 학생 절대 거리를 비교하는 단계 및 상기 학생 절대 거리가 상기 학생 기준 거리 이하인 경우, 상기 제2 학생과 관련된 컨텐츠를 상기 제1 학생의 단말에 추천하는 단계를 포함할 수 있다.

일 실시예에서, 상기 제2 학생과 관련된 컨텐츠는, 상기 제2 학생의 단말에 제공된 문제일 수 있다.

일 실시예에서, 상기 제2 학생과 관련된 컨텐츠를 상기 제1 학생의 단말에 추천하는 단계는, 상기 제2학생의 단말로부터 다시 보기 체크 신호가 입력된 문제 컨텐츠를 제1 학생의 단말로 제공할 수 있다.

일 실시예에서, 상기 제2 학생과 관련된 컨텐츠를 상기 제1 학생의 단말에 추천하는 단계는, 상기 제2 학생의 단말에 제시된 추가 학습 필요 컨텐츠를 상기 제1 학생의 단말로 제공할 수 있다.

일 실시예에서, 상기 제2 학생과 관련된 컨텐츠를 상기 제1 학생의 단말에 추천하는 단계는, 상기 제2 학생의 단말에 입력된 문제 풀이 과정 데이터를 상기 제1 학생의 단말로 제공할 수 있다.

일 실시예에서, 상기 제1 유클리드 공간의 각각의 축은 복수의 문제와 대응되고, 하나의 축에 대응되는 복수의 문제는, 문제의 컨텐츠와 무관한 속성을 기준으로 선정될 수 있다.

일 실시예에서, 상기 학습 관련 데이터는, 문제가 단말에 표시된 후 답안이 입력될 때까지의 소요 시간일 수 있다.

일 실시예에서, 상기 학습 관련 데이터는, 문제의 서술형 답안의 핵심어 현출 순서에 대한 데이터일 수 있다.

일 실시예에서, 상기 학생 기준 거리는, 상기 제1 학생의 학습 관련 데이터와 상기 제2 학생의 학습 관련 데이터 사이의 유사도가 높아질수록 길게 연산될 수 있다.

일 실시예에서, 상기 학생 기준 거리는, 상기 제1 학생의 학습 관련 데이터와 상기 제2 학생의 학습 관련 데이터 사이의 유사도가 높아질수록 짧게 연산될 수 있다.

일 실시예에서, 상기 제1 유클리드 공간 상에 형성된 포인트가 제1 유클리드 공간 상에 형성된 포인트가 소정 범위의 영역 내에 밀집되는 경우 밀집된 포인트에 해당하는 학생을 레벨 그룹으로 형성하고, 그룹별 그룹 절대 거리를 측정하여 가장 인접한 그룹끼리 컨텐츠를 추천할 수 있다.

본 발명의 일 실시예에 따른 유사도에 기반한 문제 추천 방법은 상기 학생 절대 거리가 상기 학생 기준 거리 이하인 경우, 상기 제2 학생과 관련된 컨텐츠를 상기 제1 학생의 단말에 추천하는 단계는, 상기 제2 학생과 관련된 컨텐츠가 존재하지 않는 경우, 제1 학생의 점수 데이터 및 제2 학생의 점수 데이터를 이용하여, 제1 문제를 가리키는 포인트와 제2 문제를 가리키는 포인트를 제2 유클리드 공간 상에 형성하고, 상기 제2 유클리드 공간 상의 상기 제1 문제의 포인트와 상기 제2 문제의 포인트 사이의 문제 절대 거리가 문제 기준 거리 이하인 경우, 상기 제2 문제를 상기 제1 학생의 단말에 추천하는 단계를 포함하되, 상기 제2 유클리드 공간은 각각의 학생을 가리키는 복수의 축들로 구성되는 것이고, 상기 제2 문제는 상기 제1 학생의 단말에 제공되지 않은 문제이며, 상기 제1 문제는 상기 제1 학생의 단말에 제공된 문제일 수 있다.

일 실시예에서, 상기 제2 문제를 상기 제1 학생의 단말에 추천하는 단계는, 상기 제1 학생의 단말에 입력된 상기 제1 문제에 대한 해답이 오답인 경우에 한하여, 상기 제2 문제를 제1 학생의 단말에 추천할 수 있다.

일 실시예에서, 상기 제2 문제를 상기 제1 학생의 단말에 추천하는 단계는, 상기 제2 문제의 난이도가, 상기 제1 문제의 난이도보다 높은 경우에 한하여, 상기 제2 문제를 제1 학생에게 추천할 수 있다.

일 실시예에서, 상기 문제 기준 거리는, 상기 제1 문제의 문제 관련 데이터와 상기 제2 문제의 문제 관련 데이터 사이의 유사도를 기준으로 연산될 수 있다.

일 실시예에서, 상기 문제 관련 데이터는, 문제의 서술형 답안의 핵심어 현출 순서에 대한 데이터일 수 있다.

일 실시예에서, 상기 제1 문제 및 제2 문제가 단말에 표시된 후 답안이 입력될 때까지의 소요 시간일 수 있다.

일 실시예에서, 상기 제1 유클리드 공간의 좌표 축은, 상기 문제 기준 거리를 기준으로 클러스터링되어 군집화된 좌표 축일 수 있다.

본 발명의 일 실시예에 따른 문제 추천 서버는 프로세서, 네트워크 인터페이스, 메모리 및 상기 메모리에 로드(load)되고, 상기 프로세서에 의해 실행되는 컴퓨터 프로그램을 포함하되, 상기 컴퓨터 프로그램은, 제1 학생의 점수 데이터 및 제2 학생의 점수 데이터를 이용하여, 상기 제1 학생을 가리키는 포인트와 상기 제2 학생을 가리키는 포인트를 제1 유클리드 공간 상에 형성하되, 상기 제1 유클리드 공간은 각각 하나 이상의 문제와 대응되는 복수의 축들로 구성되는 인스트럭션(instruction); 상기 제1 학생의 학습 관련 데이터와 상기 제2 학생의 학습 관련 데이터 사이의 유사도를 기준으로 연산된 학생 기준 거리와, 상기 제1 유클리드 공간 상의 상기 제1 학생의 포인트와 상기 제2 학생의 포인트 사이의 학생 절대 거리를 비교하는 인스트럭션; 및 상기 학생 절대 거리 가 상기 학생 기준 거리 이하인 경우, 상기 제2 학생과 관련된 컨텐츠를 상기 제1 학생의 단말에 추천하는 인스트럭션을 포함할 수 있다.

도 1은 본 발명의 일 실시예에 따른 유사도에 기반한 문제 추천 시스템의 개요도이다.
도 2는 본 발명의 일 실시예에 따른 유사도에 기반한 문제 추천 방법의 순서도이다.
도 3은 본 발명의 일 실시예에 따른 유사도에 기반한 문제 추천 서버에 저장된 점수 데이터 테이블이다.
도 4의 (a)는 도 3의 점수 데이터를 재배치한 테이블이고, 도 4의 (b)는 이를 이용하여 형성된 제1 유클리드 공간을 나타내는 예시도이다.
도 5는 도 4에 형성된 학생의 포인트 사이의 절대거리를 나타내는 예시도이다.
도 6은 제1 학생의 포인트를 기준으로 학생 기준 거리를 나타내는 예시도이다.
도 7은 점수 데이터가 업데이트되어 도 4의 학생의 포인트가 이동한 상태를 나타내는 예시도이다.
도 8은 학습 관련 데이터가 업데이트되어 도 6의 학생 기준 거리가 변동된 상태를 나타내는 예시도이다.
도 9는 소정 범위 내에 밀집된 학생을 레벨 그룹으로 형성한 상태를 나타내는 예시도이다.
도 10은 본 발명의 다른 실시예에 따른 유사도에 기반한 문제 추천 방법의 순서도이다.
도 11은 도 10에 도시된 S250의 수행단계를 구체적으로 도시한 순서도이다.
도 12의 (a)는 도 3의 점수 테이블을 재 배치한 테이블이고, 도 12의 (b)는 이를 이용하여 형성된 제2 유클리드 공간을 나타내는 예시도이다.
도 13은 본 발명의 일 실시예에 따른 문제 추천 서버의 하드웨어 구성도이다.

이하, 첨부된 도면을 참조하여 본 발명의 바람직한 실시예들을 상세히 설명한다. 본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시 예들을 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 게시되는 실시 예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시 예들은 본 발명의 게시가 완전하도록 하고, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다. 명세서 전체에 걸쳐 동일 참조 부호는 동일 구성 요소를 지칭한다.

다른 정의가 없다면, 본 명세서에서 사용되는 모든 용어(기술 및 과학적 용어를 포함)는 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 공통적으로 이해될 수 있는 의미로 사용될 수 있다. 또 일반적으로 사용되는 사전에 정의되어 있는 용어들은 명백하게 특별히 정의되어 있지 않는 한 이상적으로 또는 과도하게 해석되지 않는다. 본 명세서에서 사용된 용어는 실시예들을 설명하기 위한 것이며 본 발명을 제한하고자 하는 것은 아니다. 본 명세서에서, 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함한다.

이하, 도면들을 참조하여 본 발명의 몇몇 실시예들을 설명한다.

도 1은 본 발명의 일 실시예에 따른 유사도에 기반한 문제 추천 시스템의 개요도이다.

도 1을 참조하면, 본 발명의 일 실시예에 따른 유사도에 기반한 문제 추천 시스템은 문제 추천 서버(100), 제1 학생의 단말(200) 및 제2 학생의 단말(300)을 포함할 수 있다.

문제 추천 서버(100)는 컴퓨팅 장치에 의하여 수행되는 방법을 수행하는 서버로서, 본 발명의 일 실시예에 따른 유사도에 기반한 문제 추천 방법(S100)을 수행할 수 있다. 문제 추천 서버(100)는 문제를 데이터베이스화하여 저장하고 학생의 단말로 문제를 제공하는 장치일 수 있다. 문제 추천 서버(100)는 학생의 단말로부터 수집된 정보를 저장하고 분석할 수 있다. 문제 추천 서버(100)는 본 발명의 일 실시예에 따른 유사도에 기반한 문제 추천 방법(S100)을 수행하여 각 학생 간의 유사도를 판단하고, 판단된 유사도를 기초로 유사한 학생의 단말 간에 서로 문제를 추천하여 학생의 단말로 문제를 제공할 수 있다.

학생의 단말(200 및 300)은 문제 추천 서버(100)와 네트워크(400)로 연결되어 문제 추천 서버(100)로부터 문제를 제공받을 수 있다. 학생의 단말(200 및 300)은 제1 학생의 단말(200) 및 제2 학생의 단말(300)로 이루어질 수 있는데, 제1 학생의 단말(200)은 문제 추천 서버(100)로부터 문제를 제공받고, 문제 추천 서버(100)에 의해 제2 학생과 관련된 컨텐츠를 추천받을 수 있다. 제1 학생의 단말(200)이 컨텐츠를 추천받는 상세한 프로세스는 도 2 내지 도 9를 통해 상세하게 설명하도록 한다. 또한, 학생의 단말(200 및 300)은 제공받은 문제에 대한 답 또는 문제 풀이 과정이 입력될 수 있고, 문제 풀이에 대한 부가적인 정보가 입력될 수 있으나, 입력되는 정보는 이에 한정되는 것은 아니다. 제2 학생의 단말(300_1 내지 300_n)은 한 개의 단말 또는 복수 개의 단말로 구성될 수 있으며, 그 개수는 한정되지 않는다.

이러한 학생의 단말(200 및 300)은 유무선 통신이 가능한 PC(Personal Computer), 노트북 등의 컴퓨팅 장치, 셀룰러 단말, 키오스크, 디스플레이가 구비된 스마트폰, PDA(Personal Digital Assistant)와 같은 전자장치일 수 있으나, 이러한 장치에 한정되는 것은 아니고, 문제 추천 서버(100)로부터 컨텐츠를 제공받아 출력하고, 정보가 입력될 수 있는 다양한 종류의 장치로 구성될 수 있다.

다른 실시예에서, 제2 학생의 단말(300)은 제1 학생의 단말(200)의 역할을 수행할 수 있으며, 제1 학생의 단말(200)은 제2 학생의 단말(300)을 수행할 수 있다. 즉, 각각의 학생의 단말(200 및 300)은 제1 학생의 단말(200) 또는 제2 학생의 단말(300)이 될 수 있다.

네트워크(400)는 근거리 통신망(Local Area Network; LAN), 광역 통신망(Wide Area Network; WAN), 이동 통신망(mobileradio communication network), Wibro(Wireless Broadband Internet) 등과 같은 모든 종류의 유/무선 네트워크(400)로 구현될 수 있다.

도 2는 본 발명의 일 실시예에 따른 유사도에 기반한 문제 추천 방법의 순서도이고, 도 3은 본 발명의 일 실시예에 따른 유사도에 기반한 문제 추천 서버에 저장된 점수 데이터 테이블이다.

도 2를 참조하면, 본 발명의 일 실시예에 따른 유사도에 기반한 문제 추천 방법(S100)은 제1 학생을 가리키는 포인트와 상기 제2 학생을 가리키는 포인트를 제1 유클리드 공간 상에 형성하는 단계(S110), 제1 유클리드 공간 상의 상기 제1 학생의 포인트와 상기 제2 학생의 포인트 사이의 학생 절대 거리(도 5의 D)를 비교하는 단계(S120), 학생 절대 거리(D)가 학생 기준 거리(도 6의 C) 이하인지 판단하는 단계(S130) 및 상기 제2 학생과 관련된 컨텐츠를 상기 제1 학생의 단말(200)에 추천하는 단계(S140)를 포함할 수 있다.

본 발명의 일 실시예에 따른 유사도에 기반한 문제 추천 방법(S100)은 상술한 바와 같이 문제 추천 서버(100)에 의해 수행되는데, 먼저 제1 학생의 점수 데이터 및 제2 학생의 점수 데이터를 이용하여 제1 학생을 가리키는 포인트와 제2 학생을 가리키는 포인트를 제1 유클리드 공간 상에 형성할 수 있다.

도 3을 참조하면, 점수 데이터는 각 학생 별, 문제(Q)에 대한 점수(S)를 포함한다. 도 3의 점수 데이터는 학생의 단말(200 및 300)을 식별하는 학생의 아이디가 각각 user 1 내지 user 3로 분류되고, 문제(Q)를 식별하는 문제 번호가 각각 1번 문제(Q1) 내지 3번 문제(Q3) 로 분류되며, 각각의 문제에 대한 점수(S)를 저장할 수 있다. 도 3에서 점수 데이터는 1번 문제(Q1) 내지 3번 문제(Q3)에 대해 user 1은 각각 3, 1 및 2점을 획득하고, user 2는 각각 2, 2 및 1점을 획득하며, user 3은 각각 0, 1, 2점을 획득한 것으로 도시된다. 이러한 도 3의 점수 데이터는 예시적인 것으로서 학생의 수와 문제가 더 많거나 적어질 수 있고, 학생의 단말(200 및 300)에 의해 입력되는 문제 별 답에 따라 점수(S)가 상이하게 저장될 수 있고, 점수 데이터의 테이블의 형태는 그에 따라 다양하게 변동될 수 있다.

각각의 문제(Q)는 쉬운 난이도 문제, 중간 난이도 문제 및 어려운 난이도 문제로 설정될 수 있고, 각 난이도에 따라 획득할 수 있는 최대 점수가 상이할 수 있다. 또한, 점수 데이터에 저장된 점수(S)는 같은 문제(Q)라고 하더라도 입력된 값에 따라 상이하게 부여될 수 있다. 즉, 점수 데이터에 저장된 점수(S)는 동일한 문제라고 하더라도 선택한 답에 따라 미리 설정된 기준에 따라 다른 점수가 부여될 수 있다. 일례로, 문제(Q)가 객관식 문제인 경우 각 문항에 따라 배점이 상이하게 지정되고, 학생의 단말(200 및 300)에 의해 선택되는 문항에 따라 점수가 다르게 부여될 수 있고, 문제(Q)가 주관식 문제인 경우 정답의 글자와 입력된 글자를 매칭시켜 글자 수 및 형태의 유사한 정도에 따라 점수가 상이하게 부여될 수 있다.

도 4의 (a)는 도 3의 점수 데이터를 재배치한 테이블이고, 도 4의 (b)는 이를 이용하여 형성된 제1 유클리드 공간을 나타내는 예시도이다.

도 4의 (a)를 참조하면, 도 4의 (a)의 테이블은 도 3의 점수 데이터와 값이 동일하지만, 각각의 학생을 기준으로 각 문제에 대한 점수 테이블로 재배치된 것이다.

도 4의 (b)를 참조하면, 문제 추천 서버(100)는 가상의 제1 유클리드 공간을 형성하고 도 4의 (a)의 점수 테이블을 이용하여 제1 유클리드 공간 상에 포인트를 형성할 수 있다. 제1 유클리드 공간은 각각 하나 이상의 문제와 대응되는 복수의 축들로 구성될 수 있다. 구체적으로, 문제 추천 서버(100)는 각각의 문제를 제1 유클리드 공간의 x축, y축 및 z축으로 설정할 수 있다. 도 4의 (b)에서 문제 추천 서버(100)는 x축을 1번 문제(Q1)로 설정하여 x축으로 진행되는 방향에 배치될수록 1번 문제(Q1)에 높은 점수를 획득하는 것으로 설정하고, y축을 2번 문제(Q1)로 설정하여 y축으로 진행되는 방향에 배치될수록 2번 문제(Q2)에 높은 점수를 획득하는 것으로 설정하고 z축을 3번 문제(Q3)로 설정하여 z축으로 진행되는 방향에 배치될수록 3번 문제(Q3)에 높은 점수를 획득하는 것으로 설정할 수 있다. 도 4의 (b)의 경우 문제가 3개이므로 제1 유클리드 공간이 3차원으로 표현되었으나, 문제가 4개 이상인 경우 제1 유클리드 공간이 4차원 이상이므로, 시각적으로 표현될 수는 없으나 문제 추천 서버(100)가 가상의 논리적인 제1 유클리드 공간을 이용하여 학생의 포인트를 형성할 수 있다. 도 4의 (b)의 경우 도 4의 (a)를 표현하기 위한 일례를 도시한 것으로서 제1 유클리드 공간은 이에 한정되는 것이 아니고, 데이터가 수백 또는 수천개인 경우 수백 또는 수천 차원의 가상의 공간일 수 있다.

문제 추천 서버(100)는 도 4의 (a)에 저장된 여러 명의 학생 중에 컨텐츠를 추천받을 학생을 제1 학생으로 설정하고, 나머지 다른 학생들을 제2 학생으로 설정할 수 있다. 문제 추천 서버(100)는 도 4의 (a)에 저장된 user1(200_1) 학생을 컨텐츠를 추천받을 제1 학생으로 설정하고, user2(300_1) 및 user3(300_2) 학생을 제2 학생으로 설정할 수 있다. 이에 따라, 문제 추천 서버(100)는 제1 학생의 Q1, Q2 및 Q3에 대한 점수(S) 및 제2 학생의 Q1, Q2 및 Q3에 대한 점수(S)를 이용하여 제1 학생을 가리키는 포인트와 제2 학생을 가리키는 포인트를 제1 유클리드 공간에 형성할 수 있다. 문제 추천 서버(100)는 제1 학생의 Q1, Q2 및 Q3 점수가 3, 1 및 3이므로 이에 해당하는 위치에 포인트를 형성시키고, user2(300_1)에 해당하는 제2 학생의 Q1, Q2 및 Q3 점수는 2, 2 및 1이므로 이에 해당하는 위치에 포인트를 형성시키며, user3(300_2)에 해당하는 제2 학생의 Q1, Q2 및 Q3 점수는 0, 1 및 2이므로 이에 해당하는 위치에 포인트를 형성시킬 수 있다.

다른 실시예에서, 본 발명의 다른 실시예에 따른 유사도에 기반한 문제 추천 방법(S100)은 제1 유클리드 공간의 각각의 축은 복수의 문제와 대응되고, 하나의 축에 대응되는 복수의 문제는, 문제의 컨텐츠와 무관한 속성을 기준으로 선정될 수 있다. 구체적으로, 문제 추천 서버(100)는 도 4의 (b)와 같이 제1 유클리드 공간 상에 학생의 포인트를 형성한 뒤, 각각의 축이 복수의 문제와 대응되도록 문제를 기준으로 클러스터링할 수 있다. 문제 추천 서버(100)는 각각의 축이 복수의 문제와 대응되도록 클러스터링하는 경우 제1 유클리드 공간의 축의 개수가 줄어들게 되고, 정보가 간략화될 수 있다.

일반적으로 문제를 기준으로 클러스터링을 할 때 과목, 문제 번호, 난이도 등과 같은 문제의 컨텐츠와 관련이 높은 속성을 기준으로 클러스터링할 수 있지만, 본 발명의 다른 실시예에 따른 유사도에 기반한 문제 추천 방법(S100)은 문제의 컨텐츠와 무관한 속성을 기준으로 클러스터링할 수 있다. 예를 들어, 문제 추천 서버(100)는 문제의 컨텐츠와 무관한 문제를 생성한 시간, 문제를 생성한 생성자, 문제가 쓰여 있는 폰트의 크기, 폰트의 종류, 등으로 클러스터링될 수 있다. 이 경우, 문제 추천 서버(100)는 제1 유클리드 공간을 다양한 형태로 변형하여 데이터를 재구성하고, 학생이 새로운 관점으로 문제를 바라보도록 새로운 문제를 추천할 수 있는 의외성을 제공하는 장점이 있다.

도 5는 도 4에 형성된 학생의 포인트 사이의 절대거리를 나타내는 예시도이다.

도 5를 참조하면, 문제 추천 서버(100)는 제1 학생의 포인트로부터 제2 학생의 포인트(200)까지의 학생 절대 거리(D)를 측정할 수 있다. 학생 절대 거리(D)는 학생 포인트 간의 거리를 의미한다. 문제 추천 서버(100)는 도 5에 도시된 바와 같이 제1 학생의 포인트(200)로부터 user2에 해당하는 제2 학생의 포인트(300_1) 및 user3에 해당하는 제2 학생의 포인트(300_2)까지의 학생 절대 거리(D1 및 D2)를 측정할 수 있다. 문제 추천 서버(100)는 학생 절대 거리(D)를 측정하기 위해 제1 학생의 포인트(200)로부터 제2 학생의 포인트(300)까지 직선의 거리를 측정할 수 있다. 이때, 문제 추천 서버(100)는 유클리드 거리(Euclidean distance) 공식을 이용하여 학생 절대 거리(D)를 측정할 수 있다. 유클리드 거리 공식은 두 점을 (p1, p2, p3, p4, ..., pn)과 (q1, q2, q3, q4, ..., qn)로 표기한 경우

에 대입하여 두 점의 거리를 계산할 수 있다.

문제 추천 서버(100)는 제1 학생으로부터 user2에 해당하는 제2 학생의 포인트(300_1)까지의 학생 절대 거리(D1)를 측정하기 위해 제1 학생의 포인트인 (3, 1, 3)와 user2에 해당하는 제2 학생의 포인트(300_1)인 (2, 2, 1)를 유클리드 거리 공식에 대입할 수 있다. 이 경우 문제 추천 서버(100)는 제1 학생의 포인트와 user2에 해당하는 제2 학생의 포인트(300_1)의 학생 절대 거리(D1)를

으로 계산할 수 있다. 또한, 문제 추천 서버(100)는 제1 학생으로부터 user3에 해당하는 제2 학생의 포인트(300_2)까지의 학생 절대 거리(D2)를 측정하기 위해 제1 학생의 포인트인 (3, 1, 3)과 user3에 해당하는 제2 학생의 포인트(300_2)인 (0, 1, 2)를 유클리드 거리 공식에 대입할 수 있다. 이 경우 문제 추천 서버(100)는 제1 학생의 포인트(200)와 user3에 해당하는 제2 학생의 포인트(300_2)의 학생 절대 거리(D2)를

으로 계산할 수 있다. 따라서, 문제 추천 서버(100)는 user2에 해당하는 제2 학생(300_1)이 user3에 해당하는 제2 학생(300_2)보다 제1 학생(200)으로부터 가까이 위치하는 것으로 판단할 수 있다.

문제 추천 서버(100)는 각각의 학생이 각각의 문제에 대해 획득하는 점수가 유사하면 제1 유클리드 공간 상에서 학생의 포인트가 유사한 위치에 형성되기 때문에 학생 절대 거리(D)가 가까운 학생 간에는 서로 학업 수준이 비슷한 학생인 것으로 판단할 수 있다. 또한, 문제 추천 서버(100)는 각각의 학생이 각각의 문제에 대해 획득하는 점수가 차이 나게 되면 제1 유클리드 공간 상에서 학생의 포인트가 멀리 떨어져서 형성되기 때문에 학생 절대 거리(D)가 먼 학생 간에는 서로 학업 수준이 차이나는 학생인 것으로 판단할 수 있다.

문제 추천 서버(100)는 후술하는 학생 기준 거리(C)와, 상기 제1 유클리드 공간 상의 상기 제1 학생의 포인트(200)와 제2 학생의 포인트(300) 사이의 학생 절대 거리(D)를 비교하는 단계에서 제1 학생의 포인트를 기준으로 여려 명의 제2 학생의 포인트(300_1, ??, 300_n)의 학생 절대 거리(D)를 비교하여 학생 절대 거리(D)가 가장 짧은 제2 학생을 찾을 수 있다. 문제 추천 서버(100)는 제1 학생과 제2 학생의 학생 절대 거리(D)를 측정하여 절대 거리가 가장 짧은 제2 학생과 관련된 컨텐츠를 제1 학생의 단말(200)에 추천할 수 있다. 다른 실시예에서, 문제 추천 서버(100)는 가장 짧은 학생 절대 거리(D)의 제2 학생을 찾으면, 후술하는 학생 기준 거리(C)와 비교하지 않고 제2 학생과 관련된 컨텐츠를 제1 학생의 단말(200)에 추천할 수도 있다.

이때, 제2 학생과 관련된 컨텐츠는 제2 학생의 단말(300)에 제공된 문제일 수 있다.

따라서, 본 발명의 일 실시예에 따른 유사도에 기반한 문제 추천 방법(S100)은 문제의 점수를 이용하여 학습 능력이 가장 유사한 학생을 찾을 수 있고, 이에 따라 학습 능력이 가장 유사한 다른 학생에게 제공된 문제를 학생에게 제공하여 학습 능력을 단계적으로 향상시키도록 효율적으로 유도할 수 있다. 이러한 본 발명은, AI(Artificial Intelligence) 인공지능 시스템의 알고리즘 추천 기술 중 하나인 협업 필터링 기술을 문제 추천 알고리즘에 적용하여 학생들에게 더욱 효율적으로 문제를 추천할 수 있는 효과가 있다.

문제 추천 서버(100)는 제2 학생과 관련된 컨텐츠를 제1 학생의 단말(200)에 추천할 때 제2 학생의 단말(300)로부터 다시 보기 체크 신호가 입력된 문제 컨텐츠를 제1 학생의 단말(200)로 제공할 수 있다. 다시 보기 체크 신호는 제2 학생의 단말(300)에 제2 학생이 추후에 문제를 다시 확인하기 위해 수동으로 입력된 체크 신호일 수 있다. 이 경우, 본 발명의 일 실시예에 따른 유사도에 기반한 문제 추천 방법(S100)은 제2 학생이 중요하다고 생각한 문제를 제1 학생의 단말(200)에 추천하여, 유사한 학습자가 중요하다고 생각했던 문제를 학생에게 추천할 수 있는 효과가 있다.

도 6은 제1 학생의 포인트를 기준으로 학생 기준 거리를 나타내는 예시도이다.

문제 추천 서버(100)는 여러 명의 제2 학생 중에서 학생 절대 거리(D)가 가장 짧고, 제2 학생의 학생 절대 거리(D)가 학생 기준 거리(C) 이하인 경우에 제2 학생과 관련된 컨텐츠를 상기 제1 학생의 단말(200)에 추천할 수 있다. 도 6을 참조하면, 문제 추천 서버(100)는 제1 학생의 포인트를 학생 기준 거리(C1)를 기초로 가상의 영역을 생성할 수 있다. 문제 추천 서버(100)는 제1 학생의 학습 관련 데이터와 상기 제2 학생의 학습 관련 데이터 사이의 유사도를 기준으로 학생 기준 거리(C1)를 연산할 수 있다. 이때, 문제 추천 서버(100)는 각각의 학생에 대하여 별도의 학생 기준 거리(C1)를 계산할 수 있다. 도 6은 설명의 편의를 위해서 학생 기준 거리(C1)가 모두 동일한 경우를 가정하여 학생 기준 거리(C1)를 구 형태로 도시하였다.

문제 추천 서버(100)는 도 5에서 측정되는 학생 절대 거리(D)를 구하기 전에 학생 기준 거리(C1)를 연산하거나 학생 절대 거리(D)와 학생 기준 거리(C1)를 동시에 연산하거나 학생 절대 거리(D)를 구한 후에 학생 기준 거리(C1)를 연산하는 등 학생 기준 거리(C1)와 학생 절대 거리(D)를 연산하는 시간 선후는 한정되지 않는다. 문제 추천 서버(100)는 제1 학생의 학습 관련 데이터와 상기 제2 학생의 학습 관련 데이터 사이의 유사도가 높으면 학생 기준 거리(C1)를 짧게 연산하고, 유사도가 낮으면 학생 기준 거리(C1)를 길게 연산할 수 있다.

문제 추천 서버(100)는 학습 관련 데이터를 이용하여 학생 기준 거리(C1)를 연산할 수 있다. 학습 관련 데이터는 학생이 학습을 하는데 필요한 정보를 저장하는 데이터일 수 있다. 학습 관련 데이터는 학생의 연령, 학년, 신체 사항, 주거 지역, 성격, 취미 또는 특기와 같은 학생의 프로필 데이터를 포함하며 외부 서버로부터 수신하거나 학생 또는 서버 관리자로부터 입력될 수 있다. 또한, 학습 관련 데이터는 학업수준, 성적순위, 성적순위의 증감그래프, 과목별 획득 점수, 과목별 획득 점수의 증감 그래프, 학급지능지수, 감성지수, 학생 별 추가 학습 필요 컨텐츠 등의 과제, 추가 학습 선택 컨텐츠 등의 과제, 문제 별 문제풀이 소요 시간, 문제가 단말에 표시된 후 답안이 입력될 때까지의 소요 시간, 문제 별 문제풀이 과정 데이터, 문제의 서술형 답안의 핵심어 현출 순서에 대한 데이터, 문제 별 다시 보기 체크 신호와 같은 학생의 학습 데이터를 포함하며 이러한 학습 데이터는 외부 서버로부터 수신하거나 문제 추천 서버(100)에 의해 각 학생별로 자동으로 생성될 수 있다.

문제 추천 서버(100)는 학습 관련 데이터를 이용하여 연산된 학생 기준 거리(C1)를 제2 학생의 학생 절대 거리(D)와 비교하고, 학생 절대 거리(D)가 학생 기준 거리(C1) 이하인 경우 학생 절대 거리(D)에 위치한 제2 학생에게 제공된 컨텐츠를 제1 학생의 단말(200)로 추천할 수 있다. 학생 절대 거리(D)가 학생 기준 거리(C1) 이하인 경우 제2 학생이 제1 학생과 유사한 학생으로 취급하는 것이므로, 학생 기준 거리(C1)가 길면 길수록 제2 학생이 학생 기준 거리(C)에 포함되기 쉽고, 학생 기준 거리(C1)가 짧으면 짧을수록 제2 학생이 학생 기준 거리(C1)에 포함되기 어렵다. 문제 추천 서버(100)는 학생 절대 거리(D)가 학생 기준 거리(C1) 이하인 경우, 제2 학생과 관련된 컨텐츠를 제1 학생의 단말(200)에 추천하는데, 학생 절대 거리(D)가 가장 짧은 제2 학생이라고 하더라도 학생 기준 거리(C1) 이하인 경우에만 실시되고, 학생 절대 거리(D)가 학생 기준 거리(C1)를 초과하는 경우 실시되지 않을 수 있다. 예를 들어, 제1 학생의 학습 관련 데이터와 제2 학생의 학습 관련 데이터 사이의 유사도가 높아서 학생 기준 거리(C)가 최대로 긴 경우 절대 거리가 가장 짧은 제2 학생이 존재하기만 하면 문제 추천 서버(100)는 제2 학생과 관련된 컨텐츠를 제1 학생의 단말(200)에 추천할 수 있다. 그러나, 이와 반대로 제1 학생의 제1 학생의 학습 관련 데이터와 제2 학생의 학습 관련 데이터 사이의 유사도가 낮아서 학생 기준 거리(C1)가 최소로 짧은 0에 수렴하는 경우 절대 거리가 0보다 큰 제2 학생은 아무리 학생 절대 거리(D)가 짧더라도 문제 추천 서버(100)가 제2 학생과 관련된 컨텐츠를 제1 학생의 단말(200)에 추천하지 않는다. 이에 따라, 본 발명의 일 실시예에 따른 유사도에 기반한 문제 추천 방법(S100)은 학생 기준 거리(C1)를 이용하여 전혀 관계없는 학생들을 걸러내는 필터링과 같은 역할을 수행할 수 있다.

다른 실시예에서 문제 추천 서버(100)는 제1 학생의 학습 관련 데이터와 상기 제2 학생의 학습 관련 데이터 사이의 유사도가 높아질수록 학생 기준 거리(C1)를 짧게 연산할 수 있다. 즉, 이때는 제1 학생과 제2 학생이 학습 관련 데이터가 유사하지 않을수록 학생 기준 거리(C1)가 길게 연산되고, 절대 거리가 가장 짧은 제2 학생이 학생 기준 거리(C1) 내에 위치하므로 문제 추천 서버(100)는 학습 관련 데이터가 유사하지 않은 제2 학생으로부터 제1 학생으로 컨텐츠를 추천할 수 있다. 이 경우 다른 실시예에 따른 문제 추천 서버(100)는 문제 점수 이외의 환경이 최대한 다른 학생으로부터 문제를 추천하여 전혀 다른 스타일의 학생이 문제를 바라보는 관점을 습득하도록 도움을 주는 장점이 있다.

문제 추천 서버(100)는 상술한 학습 관련 데이터의 프로필 데이터 또는 학습 데이터를 이용하여 각 데이터 사이의 유사도를 기준으로 학생 기준 거리(C1)를 연산할 수 있다. 일례로, 문제 추천 서버(100)는 학습 관련 데이터 중 프로필 데이터를 기준으로 학생 기준 거리(C1)를 연산할 수 있는데, 학생의 연령, 학년, 신체 사항, 주거 지역, 성격, 취미 또는 특기가 같은 학생이 존재하는 경우 유사도가 높다고 판단할 수 있다. 이러한 학습 관련 데이터는 각각 소정의 방식에 따라 숫자 또는 등급으로 수치화되어 유사도를 측정할 수 있다. 학습 관련 데이터는 명확히 단정할 수 없는 성격, 신체 사항 등과 같은 데이터의 성격에 따라 소정 수치의 범위, 시간적 범위 또는 장소적 범위가 동일한 숫자 또는 등급으로 간주될 수도 있다.

문제 추천 서버(100)는 프로필 데이터 전체를 이용하거나, 프로필 데이터에 포함된 데이터를 복합적으로 이용하여 각 데이터 사이의 유사도를 판단할 수 있다. 일례로, 문제 추천 서버(100)는 학생의 연령만을 기준으로 학습 관련 데이터 사이의 유사도를 판단할 수 있고, 학생의 연령 및 학년 두 개의 데이터를 기준으로 학습 관련 데이터 사이의 유사도를 판단할 수 있다. 또한, 문제 추천 서버(100)는 학생의 신체 사항, 주거 지역, 성격, 취미 또는 특기를 기초로 학습 관련 데이터 사이의 유사도를 판단할 수 있고, 이외에도 학생의 연령, 학생의 신체사항 및 주거 지역을 기초로 학습 관련 데이터 사이의 유사도를 판단하는 등 학생의 프로필 데이터를 다양하게 조합하여 학습 관련 데이터 사이의 유사도를 판단할 수도 있다.

만약, 제1 학생과 제2 학생의 연령 및 학년이 동일한 학생의 경우 문제 추천 서버(100)는 제1 학생과 제2 학생의 학습 관련 데이터 사이의 유사도가 높다고 판단할 수 있다. 그런데 이 경우 제1 학생과 제2 학생의 학습 관련 데이터끼리 완전히 동일한 경우에 해당하므로 학습 관련 데이터 사이의 유사도가 최고로 높은 것으로 판단하고, 학생 기준 거리(C)를 최대로 설정할 수 있다. 따라서, 문제 추천 서버(100)는 제2 학생의 학생 절대 거리(D)가 학생 기준 거리(C)에 포함되는 것으로 보고, 제2 학생의 절대 거리가 다른 제2 학생의 절대 거리보다 짧은 경우 제2 학생에 관련된 컨텐츠를 제1 학생의 단말(200)에 추천할 수 있다.

문제 추천 서버(100)는 제1 학생의 단말과 제2 학생의 단말(300)의 문제가 단말에 표시된 후 답안이 입력될 때까지의 소요 시간을 이용하여 유사도를 기준으로 학생 기준 거리(C1)를 연산할 수 있는데, 이 경우 문제를 매우 빠르게 푸는 학생과 문제를 매우 천천히 푸는 학생과의 유사도가 낮아져 문제 기준 거리가 짧아지거나, 문제를 빠르게 푸는 학생끼리 또는 문제를 느리게 푸는 학생끼리 유사도가 높아져 학생 기준 거리(C1)가 길어지도록 연산할 수 있다.

또한, 문제 추천 서버(100)는 제1 학생의 단말과 제2 학생의 단말의 문제의 서술형 답안의 핵심어 현출 순서에 대한 데이터를 이용하여 유사도를 기준으로 학생 기준 거리(C1)를 연산할 수 있는데, 이 경우 서술형 문제를 정확하게 모두 잘 맞히는 학생과 서술형 문제를 거의 맞히지 못하는 학생과 유사도가 낮아져 학생 기준 거리(C1)가 짧아지도록 연산할 수 있다. 문제를 빠르게 푸는 학생끼리 또는 문제를 느리게 푸는 학생끼리 유사도가 높아져 학생 기준 거리(C1)가 길어지도록 연산할 수 있다. 예를 들어, 서술형 답안의 핵심어가 A, B, C인 경우, 제1 학생은 서술형 답안의 핵심어 현출 순서가 A, B, C로 현출 되었는데, 제2 학생은 서술형 답안의 핵심어 현출 순서가 C, B, A로 현출 되는 경우 A, B, C가 동일하게 존재하지만, 순서가 정 반대이므로, 약 50%의 유사도를 가진다고 가정할 수 있다. 그러나 제2 학생의 서술형 답안의 핵심어 현출 순서가 D, C, B로 현출 되는 경우 B, C가 동일하게 존재하고, 순서가 정 반대이므로, 약 30%의 유사도를 가진다고 가정할 수 있다. 이처럼 서술형 답안의 핵심어의 존재 여부와 배치 순서에 따라 유사도를 판단하여 각 학생의 논리 전개 스타일이 얼마나 유사한지 판단할 수 있다. 이에 따라, 유사도에 기반한 문제 추천 방법(S100)은 논리적 사고력이 유사한 학생으로부터 문제를 추천받아 학습 능력을 효과적으로 향상시킬 수 있는 장점이 있다.

문제 추천 서버(100)는 제1 유클리드 공간 상에서 학생 기준 거리(C1)를 이용하여 각각의 학생 기준 거리(C1)의 점을 잇는 영역을 형성시킬 수 있다. 문제 추천 서버(100)는 다양한 위치에 제2 학생의 포인트가 형성되어 있어야 학생 기준 거리(C1)를 이용하여 영역을 형성시킬 수 있다. 즉, 문제 추천 서버(100)는 제2 학생의 포인트 각각마다 점을 각 포인트에 해당하는 학생 기준 거리(C1)에 표시를 하고 수많은 학생 기준 거리(C1)에 표시하다 보면 학생 기준 거리(C1)에 대한 영역을 형성시킬 수 있다. 도 6의 경우 제1 학생의 복수의 제2 학생들에 각각에 대한 학생 기준 거리(C1)가 모두 똑 같은 경우이므로 문제 추천 서버(100)는 도 6과 같이 모든 복수의 제2 학생들의 학생 기준 거리(C1)에 대한 영역을 구와 같은 형태로 형성시킬 수 있다.

또한, 일 실시예에서, 제1 학생의 복수의 제2 학생들에 각각에 대한 학생 기준 거리(C1)가 모두 최대치로 높은 경우 문제 추천 서버(100)는 모든 복수의 제2 학생들의 학생 절대 거리(D)가 학생 기준 거리(C1)에 포함되는 것으로 보고, 도 5에 도시된 것처럼 학생 기준 거리(C1)와 무관하게 학생 절대 거리(D)만을 기준으로 제2 학생들 중에 학생 절대 거리(D)가 가장 짧은 제2 학생과 관련된 컨텐츠를 제1 학생의 단말(200)에 추천할 수 있다.

도 7은 점수 데이터가 업데이트되어 도 4의 학생의 포인트가 이동한 상태를 나타내는 예시도이다.

도 7을 참조하면, 문제 추천 서버(100)는 점수 데이터가 갱신됨에 따라 제1 유클리드 공간 상에 형성된 포인트의 위치를 이동시킬 수 있다. 문제 추천 서버(100)는 제1 학생(200) 및 제2 학생(300)이 문제를 계속적으로 풀어가면서, 도 3의 점수 데이터를 갱신시키고 이에 따라 제1 유클리드 공간에 형성된 학생의 포인트의 위치를 이동시킬 수 있다. 이때, 학생 기준 거리(C1)는 변하지 않고, 점수 데이터만 변동된 것으로 가정한 것이므로, 도 6에서 학생 기준 거리(C1) 이내에 학생 절대 거리(D1)가 위치한 user2에 해당하는 제2 학생의 포인트(300_1)는 도 7에서 학생 절대 거리(D1)가 학생 기준 거리(C1)를 초과하게 되고, 도 6에서 학생 절대 거리(D2)가 학생 기준 거리(C1)를 초과하여 위치한 user3에 해당하는 제2 학생의 포인트(300_2)는 도 7에서 학생 기준 거리(C1) 이내에 학생 절대 거리(D2)가 위치하게 될 수 있다.

이에 따라 본 발명의 일 실시예에 따른 유사도에 기반한 문제 추천 방법(S100)은 시간이 지남에 따라 점수 데이터가 점점 풍부해지면 학생 간의 유사도를 더 정확하게 파악할 수 있다.

도 8은 학습 관련 데이터가 업데이트되어 도 6의 학생 기준 거리가 변동된 상태를 나타내는 예시도이다.

도 8을 참조하면, 문제 추천 서버(100)는 학생 관련 데이터가 갱신됨에 따라 학생 기준 거리(C2)가 변동되어 제1 유클리드 공간 상에 학생 기준 거리(C2)를 잇는 가상의 영역 형태를 변동시킬 수 있다. 도 7은 user 2에 해당하는 제2 학생의 학생 절대 거리(D1)가 다른 제2 학생보다 가깝지만, 학생 절대 거리(D1)가 학생 기준 거리(C2)를 초과하게 된다. 이 경우 문제 추천 서버(100)는 user3에 해당하는 제2 학생(300_2)의 학생 절대 거리(D2)가 user2에 해당하는 제2 학생(300_1)의 학생 절대 거리(D1)보다 멀지만, user 3에 해당하는 제2 학생(300_2)의 학생 절대 거리(D2)가 학생 기준 거리(C2) 이하이므로 user 3에 해당하는 제2 학생(300_2)에 관련된 컨텐츠를 제1 학생의 단말(200)로 추천할 수 있다.

도 9는 소정 범위 내에 밀집된 학생을 레벨 그룹으로 형성한 상태를 나타내는 예시도이다.

*도 9를 참조하면, 유사도에 기반한 문제 추천 방법(S100)은 제1 유클리드 공간 상에 형성된 포인트가 소정 범위의 영역 내에 밀집되는 경우 밀집된 포인트에 해당하는 학생을 레벨 그룹(G1 내지 G4)으로 형성하고, 그룹별 그룹 절대 거리를 측정하여 가장 인접한 그룹끼리 컨텐츠를 추천할 수 있다. 문제 추천 서버(100)는 소정 범위의 영역에 대한 값이 미리 입력되고, 사용자에 의해 소정 범위의 영역에 대한 값이 변경될 수 있다.

도 10은 본 발명의 다른 실시예에 따른 유사도에 기반한 문제 추천 방법의 순서도이다.

도 10을 참조하면, 본 발명의 다른 실시예에 따른 유사도에 기반한 문제 추천 방법(S200)은 학생을 가리키는 포인트를 제1 유클리드 공간 상에 형성하는 단계(S210), 학생 기준 거리(C)와 학생 포인트 사이의 절대 거리를 비교하는 단계(S220), 절대거리가 학생 기준 거리(C) 이하인지 판단하는 단계(S230)를 수행할 수 있는데, 이러한 단계까지는 본 발명의 일 실시예에 따른 유사도에 기반한 문제 추천 방법(S100)과 동일하므로 설명을 생략하도록 한다. 이후 문제 추천 서버(100)는, 제2 학생의 단말(300)에 제공된 컨텐츠가 존재하는지 여부를 판단하는 단계(S235)를 수행할 수 있다. 이때 제2 학생의 단말(300)에 제공된 컨텐츠가 존재하는 경우 문제 추천서버는 일 실시예와 마찬가지로 제2 학생의 단말(300)에 제공된 컨텐츠를 상기 제1 학생의 단말(200)에 추천(S240)할 수 있다. 그러나, 만약 제2 학생의 단말(300)에 제공된 컨텐츠가 존재하지 않는 경우 문제 추천 서버(100)는 제2 문제를 제1 학생의 단말(200)에 추천하는 단계(S250)를 수행할 수 있다.

도 11은 도 10에 도시된 S250의 수행단계를 구체적으로 도시한 순서도이다.

도 11을 참조하면, 문제 추천 서버(100)는 유사한 문제를 찾기 위해 제1 학생의 점수 데이터 및 제2 학생의 점수 데이터를 이용하여, 제1 문제를 가리키는 포인트와 제2 문제를 가리키는 포인트를 제2 유클리드 공간 상에 형성하는 단계(S2501)를 수행할 수 있다. 이후 문제 추천 서버(100)는, 문제 기준 거리와 문제 포인트 사이의 절대 거리를 비교하는 단계(S2503)를 수행하고, 문제 절대 거리가 문제 기준 거리 이하인지 판단하는 단계(S2505)를 수행하여 문제 절대 거리가 문제 기준 거리 이하인 경우 제2 문제를 제1 학생의 단말(200)에 추천(S2505)할 수 있다. 이때, 상기 제2 문제는 상기 제1 학생의 단말(200)에 제공되지 않은 문제이며, 상기 제1 문제는 상기 제1 학생의 단말(200)에 제공된 문제일 수 있다.

이에 따라, 본 발명의 다른 실시예에 따른 유사도에 기반한 문제 추천 방법(S100)은 유사한 제2 학생이 존재하지 않거나 제2 학생에게 제공된 컨텐츠가 없어서 제1 학생에게 추천할 컨텐츠가 부족한 경우라도, 제1 학생에게 제공된 컨텐츠와 유사한 컨텐츠를 추천할 수 있는 효과가 있다.

도 12의 (a)는 도 3의 점수 테이블을 재 배치한 테이블이고, 도 12의 (b)는 이를 이용하여 형성된 제2 유클리드 공간을 나타내는 예시도이다.

도 12의 (a)를 참조하면, 도 12의 (a)의 테이블은 도 3의 점수 데이터와 값이 동일하지만, 각각의 문제를 기준으로 각 학생에 대한 점수 테이블로 재배치된 것이다.

도 12의 (b)를 참조하면, 문제 추천 서버(100)는 가상의 제2 유클리드 공간을 형성하고 도 12의 (a)의 점수 테이블을 이용하여 제1 유클리드 공간 상에 포인트를 형성할 수 있다. 제2 유클리드 공간은 각각의 학생을 가리키는 복수의 축들로 구성될 수 있다. 구체적으로, 문제 추천 서버(100)는 각각의 학생을 제1 유클리드 공간의 x축, y축 및 z축으로 설정할 수 있다. 도 12의 (b)에서 문제 추천 서버(100)는 x축을 user1(200_1)로 설정하여 x축으로 진행되는 방향에 배치될수록 배치되는 해당 문제에 대하여 user1(200_1)이 높은 점수를 획득하는 것으로 설정하고, y축을 user2(300_1)로 설정하여 y축으로 진행되는 방향에 배치될수록 배치되는 해당 문제에 대하여 user2(300_1)가 높은 점수를 획득하는 것으로 설정하고, z축을 user3(300_2)으로 설정하여 z축으로 진행되는 방향에 배치될수록 배치되는 해당 문제에 대하여 user1(200_1)이 높은 점수를 획득하는 것으로 설정할 수 있다. 도 12의 (b)의 경우 학생이 세명이므로 제2 유클리드 공간이 3차원으로 표현되었으나, 학생이 4개 이상인 경우 제2 유클리드 공간이 4차원 이상이므로, 시각적으로 표현될 수는 없으나 문제 추천 서버(100)가 가상의 논리적인 제2 유클리드 공간을 이용하여 학생의 포인트를 형성할 수 있다. 도 12의 (b)의 경우 도 12의 (a)를 표현하기 위한 일례를 도시한 것으로서 제2 유클리드 공간은 이에 한정되는 것이 아니고, 데이터가 수백 또는 수천개인 경우 수백 또는 수천 차원의 가상의 공간일 수 있다. 문제 추천 서버(100)는 제1 문제를 도 12와 같이 Q1으로 설정하고 제2 문제를 Q2 및 Q3으로 설정할 수 있다.

도 12의 (b)의 경우 문제 절대 거리는 상술한 유클리드 거리 공식을 이용하여 계산할 수 있고, 1번 문제(Q1)와 2번 문제(Q2)의 문제 절대 거리(L1)는

이고, 1번 문제(Q1)와 3번 문제(Q3)의 문제 절대 거리(L2)는

가 된다. 문제 기준 거리는 미리 입력된 거리일 수 있다. 1번 문제(Q1)로부터 2번 문제(Q2) 및 3번 문제(Q3)의 문제 절대 거리(L1 및 L2)는 동일하므로 문제 추천 서버(100)는 두 개의 문제를 동일하게 유사한 문제로 판단할 수 있다. 따라서, 문제 추천 서버(100)는 제1 학생에게 두 개의 문제를 모두 추천할 수 있다.

다른 실시예에서, 문제 추천 서버(100)는 제1 학생의 단말(200)에 입력된 상기 제1 문제(Q1)에 대한 해답이 오답인 경우에 한하여, 상기 제2 문제(Q2 및 Q3)를 제1 학생의 단말(200)에 추천할 수 있다. 따라서, 문제 추천 서버(100)는 제1 학생이 틀린문제에 대해 반복적으로 학습할 수 있도록 유도할 수 있다.

또 다른 실시예에서, 문제 추천 서버(100)는 제2 문제(Q2 및 Q3)의 난이도가, 상기 제1 문제(Q1)의 난이도보다 높은 경우에 한하여, 상기 제2 문제(Q2 및 Q3)를 제1 학생에게 추천할 수 있다. 따라서, 문제 추천 서버(100)는 제1 학생이 좀 더 심화된 학습을 할 수 있도록 유도할 수 있다.

본 발명의 다른 실시예에 따른 유사도에 기반한 문제 추천 방법(S200)은 문제 기준 거리는 제1 문제(Q1)의 문제 관련 데이터와 제2 문제(Q2 및 Q3)의 문제 관련 데이터 사이의 유사도를 기준으로 연산될 수 있다. 이때, 문제 관련 데이터는 문제의 서술형 답안의 핵심어 현출 순서에 대한 데이터, 또는 제1 문제(Q1) 및 제2 문제(Q2 및 Q3)가 단말에 표시된 후 답안이 입력될 때까지의 소요 시간일 수 있다. 서술형 답안의 핵심어 현출 순서에 대한 데이터는 서술형 답안에서 필수적으로 들어 있어야 하는 핵심어가 배치된 순서 및 이에 대한 유사 여부에 따라 수치화된 값일 수 있다. 따라서, 문제 추천 서버(100)는 이렇게 수치화된 값을 비교하여 상관 관계를 분석할 수 있다. 또한, 문제 추천 서버(100)는 또는 제1 문제(Q1) 및 제2 문제(Q2 및 Q3)가 단말에 표시된 후 답안이 입력될 때까지의 소요 시간을 기초로, 제1 문제를 해결하는 시간이 오래 걸린 학생이 제2 문제를 해결하는데 시간이 오래 걸리는지에 따른 문제풀이 소요시간의 상관관계를 분석할 수 있다. 문제 추천 서버(100)는 제1 문제를 맞히거나 틀리는 학생이 제2 문제를 문제를 맞히거나 틀리는지에 따른 오답률의 상관관계를 분석할 수도 있다. 문제 추천 서버(100)는 이러한 상관관계를 기초로 유사도를 판단하고, 유사도가 높으면 문제 기준 거리를 길게 연산하고, 유사도가 낮으면 문제 기준 거리를 짧게 연산할 수 있다.

본 발명의 또 다른 실시예에 따른 유사도에 기반한 문제 추천 방법(S100)은 제1 유클리드 공간을 형성할 때 좌표 축은 문제 기준 거리를 기준으로 클러스터링되어 군집화된 좌표 축을 형성할 수 있다. 이 경우 문제 추천 서버(100)는 제1 유클리드 공간의 좌표 축을 제2 유클리드 공간에서 연산된 문제 기준 거리를 이용하여 클러스터링하여 유사한 문제를 효과적으로 묶어서 자료를 간략화시키고, 점수 데이터를 더욱 유용한 자료로 재생산할 수 있는 효과가 있다.

도 13은 본 발명의 일 실시예에 따른 문제 추천 서버(100)의 하드웨어 구성도이다.

도 13을 참조하면, 본 발명의 일 실시예에 따른 문제 추천 서버(100)는 하나 이상의 프로세서(110), 네트워크 인터페이스(120), 프로세서(110)에 의하여 수행되는 컴퓨터 프로그램을 로드(load)하는 메모리(130)와 하나 이상의 소프트웨어(141 및 142)를 저장하는 스토리지(140)를 포함할 수 있다.

프로세서(110)는 문제 추천 서버(100)의 각 구성의 전반적인 동작을 제어한다. 프로세서(210)는 CPU(Central Processing Unit), MPU(Micro Processor Unit), MCU(Micro Controller Unit), 또는 본 발명의 기술 분야에 잘 알려진 임의의 형태의 프로세서를 포함하여 구성될 수 있다. 또한, 프로세서(110)는 본 발명의 실시예들에 따른 방법을 실행하기 위한 적어도 하나의 애플리케이션 또는 프로그램에 대한 연산을 수행할 수 있다. 문제 추천 서버(100)는 하나 이상의 프로세서(110)를 구비할 수 있다.

네트워크 인터페이스(120)는 문제 추천 서버(100)의 유무선 인터넷 통신을 지원한다. 또한, 네트워크 인터페이스(120)는 인터넷 통신 외의 다양한 통신 방식을 지원할 수도 있다. 이를 위해, 네트워크 인터페이스(120)는 본 발명의 기술 분야에 잘 알려진 통신 모듈을 포함하여 구성될 수 있다.

네트워크 인터페이스(120)는 네트워크(400)를 통해 학생의 단말(200 및 300)로부터 점수 데이터를 수신할 수 있고, 제2 학생의 단말(300)을 분석한 결과를 기초로 제1 학생의 단말(200)에 컨텐츠를 제공할 수 있다.

메모리(130)는 각종 데이터, 명령 및/또는 정보를 저장한다.

메모리(130)는 본 발명의 실시예들에 따른 유사도에 기반한 문제 추천 방법(S100)을 실행하기 위하여 스토리지(140)로부터 하나 이상의 프로그램(141) 및 142)을 로드할 수 있다. 도 13에서 메모리(130)의 예시로 RAM이 도시되어 있으나, 이에 한정되지 않고, 하나 이상의 프로그램(141 및 142)을 로드할 수 있는 어떠한 구성 요소든지 적용 가능하다.

스토리지(140)는 문제 D/B, 점수 D/B, 학생 관련 데이터 및 문제 관련 데이터를 비임시적으로 저장할 수 있다. 도 13에서 하나 이상의 프로그램(142)의 예시로 문제 추천 소프트웨어(141)가 도시되어 있다.

스토리지(140)는 ROM(Read Only Memory), EPROM(Erasable Programmable ROM), EEPROM(Electrically Erasable Programmable ROM), 플래시 메모리 등과 같은 비휘발성 메모리, 하드 디스크, 착탈형 디스크, 또는 본 발명이 속하는 기술 분야에서 잘 알려진 임의의 형태의 컴퓨터로 읽을 수 있는 기록 매체를 포함하여 구성될 수 있다.

문제 추천 소프트웨어(142)는 제1 학생의 점수 데이터 및 제2 학생의 점수 데이터를 이용하여, 제1 학생을 가리키는 포인트와 제2 학생을 가리키는 포인트를 제1 유클리드 공간 상에 형성하되, 제1 유클리드 공간은 각각 하나 이상의 문제와 대응되는 복수의 축들로 구성되는 인스트럭션(instruction), 제1 학생의 학습 관련 데이터와 제2 학생의 학습 관련 데이터 사이의 유사도를 기준으로 연산된 학생 기준 거리와, 제1 유클리드 공간 상의 제1 학생의 포인트와 제2 학생의 포인트 사이의 학생 절대 거리를 비교하는 인스트럭션 및 학생 절대 거리가 학생 기준 거리 이하인 경우, 제2 학생과 관련된 컨텐츠를 제1 학생의 단말(200)에 추천하는 인스트럭션을 수행할 수 있다.

지금까지 설명된 본 발명의 실시예에 따른 방법들은 컴퓨터가 읽을 수 있는 코드로 구현된 컴퓨터프로그램의 실행에 의하여 수행될 수 있다. 상기 컴퓨터프로그램은 인터넷 등의 네트워크를 통하여 제1 컴퓨팅 장치로부터 제2 컴퓨팅 장치에 전송되어 상기 제2 컴퓨팅 장치에 설치될 수 있고, 이로써 상기 제2 컴퓨팅 장치에서 사용될 수 있다. 상기 제1 컴퓨팅 장치 및 상기 제2 컴퓨팅 장치는, 서버 장치, 클라우드 서비스를 위한 서버 풀에 속한 물리 서버, 데스크탑 피씨와 같은 고정식 컴퓨팅 장치를 모두 포함한다.

상기 컴퓨터프로그램은 DVD-ROM, 플래시 메모리 장치 등의 기록매체에 저장된 것일 수도 있다.

이상 첨부된 도면을 참조하여 본 발명의 실시예들을 설명하였지만, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자는 본 발명이 그 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 실시될 수 있다는 것을 이해할 수 있다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적인 것이 아닌 것으로 이해해야만 한다.

Claims

문제 추천 서버에 의하여 수행되는 방법에 있어서,
제1 학생의 점수 데이터 및 제2 학생의 점수 데이터를 이용하여, 제1 문제를 가리키는 포인트와 제2 문제를 가리키는 포인트를 유클리드 공간 상에 형성하되, 상기 유클리드 공간은 각각의 학생을 가리키는 복수의 축들로 구성되는 단계;
상기 유클리드 공간 상의 상기 제1 문제의 포인트와 상기 제2 문제의 포인트 사이의 문제 절대 거리가 문제 기준 거리 이하인 경우, 상기 제2 문제를 상기 제1 학생의 단말에 제공하는 단계를 포함하고,
상기 문제 기준 거리는, 상기 제1 문제의 문제 관련 데이터와 상기 제2 문제의 문제 관련 데이터 사이의 유사도를 기준으로 연산되고,
상기 문제 관련 데이터는, 상기 문제의 서술형 답안 및 풀이 시간에 관한 정보를 포함하는,
유사도에 기반한 문제 추천 방법.
제1 항에 있어서,
상기 서술형 답안에 관한 정보는, 상기 서술형 답안의 핵심어의 존재 여부 및 배치 순서에 대한 데이터를 포함하고,
상기 풀이 시간에 관한 정보는, 상기 문제가 단말에 표시된 후 답안이 입력될 때까지의 소요 시간을 포함하는,
유사도에 기반한 문제 추천 방법.
제1 항에 있어서,
상기 문제 관련 데이터는, 상기 문제의 오답률에 관한 정보를 더 포함하는,
유사도에 기반한 문제 추천 방법.
제1 항에 있어서,
상기 제2 문제를 상기 제1 학생의 단말에 제공하는 단계는,
상기 제1 학생의 단말에 입력된 상기 제1 문제에 대한 해답이 오답인 경우에 한하여, 상기 제2 문제를 제1 학생의 단말에 추천하는 단계를 포함하는,
유사도에 기반한 문제 추천 방법.
제1 항에 있어서,
상기 제2 문제를 상기 제1 학생의 단말에 제공하는 단계는,
상기 제2 문제의 난이도가, 상기 제1 문제의 난이도보다 높은 경우에 한하여, 상기 제2 문제를 제1 학생에게 추천하는 단계를 포함하는,
유사도에 기반한 문제 추천 방법.