KR102376588B1 - 학습 맵 생성 장치 및 그 방법 - Google Patents

학습 맵 생성 장치 및 그 방법 Download PDF

Info

Publication number
KR102376588B1
KR102376588B1 KR1020210070432A KR20210070432A KR102376588B1 KR 102376588 B1 KR102376588 B1 KR 102376588B1 KR 1020210070432 A KR1020210070432 A KR 1020210070432A KR 20210070432 A KR20210070432 A KR 20210070432A KR 102376588 B1 KR102376588 B1 KR 102376588B1
Authority
KR
South Korea
Prior art keywords
learning
terms
data
map
difficulty
Prior art date
Application number
KR1020210070432A
Other languages
English (en)
Other versions
KR102376588B9 (ko
Inventor
이정우
정민성
민예린
정효용
Original Assignee
주식회사 애자일소다
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 애자일소다 filed Critical 주식회사 애자일소다
Priority to KR1020210070432A priority Critical patent/KR102376588B1/ko
Application granted granted Critical
Publication of KR102376588B1 publication Critical patent/KR102376588B1/ko
Publication of KR102376588B9 publication Critical patent/KR102376588B9/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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • 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
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Optimization (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Analysis (AREA)
  • Computing Systems (AREA)
  • Computational Mathematics (AREA)
  • Educational Administration (AREA)
  • General Business, Economics & Management (AREA)
  • Databases & Information Systems (AREA)
  • Economics (AREA)
  • Algebra (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Educational Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

본 발명은 인공 지능 기반의 학습 모델을 이용하여 학생의 학업을 지도하기 위해, 학습 맵을 생성하고, 학습 맵 상에서 학생의 현재 수준을 고려하여 최적의 학습 방안을 제공하는 기술에 관한 것이다. 본 발명의 일 측면에 따르면, 학습 맵 생성 장치에 의해 수행되는 방법으로서, 학습 커리큘럼 데이터, 학습 교재 데이터 및 문제집 데이터를 입력 받는 단계; 학습 커리큘럼 데이터, 학습 교재 데이터 및 문제집 데이터로부터 복수의 학습 용어를 추출하는 단계; 추출된 복수의 학습 용어 간의 연관 관계를 추출하여 복수의 학습 용어들 및 연관 관계를 기반으로 학습 맵을 생성하는 단계; 및 문제집 데이터에 포함된 문제들로부터 추출된 학습 용어들의 난이도를 추출하여 문제 난이도 데이터를 생성하는 단계를 포함하는, 학습 맵 생성 방법이 제공된다.

Description

학습 맵 생성 장치 및 그 방법{APPARATUS AND METHOD FOR GENERATING LEARNING MAP}
본 발명은 인공 지능 기반의 학습 모델을 이용하여 학생의 학업을 지도하기 위해, 학습 맵을 생성하고, 학습 맵 상에서 학생의 현재 수준을 고려하여 최적의 학습 방안을 제공하는 기술에 관한 것이다.
최근 학습 커리큘럼의 체계화됨에 따라 이에 맞는 학습 지도 시스템의 도입이 중요한 이슈가 되고 있다. 많은 수의 학생은 각각 상이한 학습 수준 및 발전 속도가 차이가 있음에도 이들을 지도하기 위한 선생님의 수는 현저히 적은 현실이다. 이러한 교육 환경에서 선생님이 일일이 개별 학생 수준을 평가하고 이에 따른 학습 지도를 제공하는 것은 사실상 불가능할 수 밖에 없는 실정이다.
[선행기술문헌] 한국 공개특허공보 공개번호 제10-2020-0103146호(발명의 명칭: 온톨로지 기반의 지식맵을 활용한 인공지능 학습진단 시스템)
따라서, 본 발명의 목적은 인공지능 학습 모델을 기반으로 학업의 커리큘럼을 기반으로 학습 맵을 생성하고 이를 기반으로 학생의 수준을 평가하여 학습 지도를 위함 문제를 제공하는 기술을 제공하는 것이다.
본 발명의 일 측면에 따르면, 학습 맵 생성 장치에 의해 수행되는 방법으로서, 학습 커리큘럼 데이터, 학습 교재 데이터 및 문제집 데이터를 입력 받는 단계; 학습 커리큘럼 데이터, 학습 교재 데이터 및 문제집 데이터로부터 복수의 학습 용어를 추출하는 단계; 추출된 복수의 학습 용어 간의 연관 관계를 추출하여 복수의 학습 용어들 및 연관 관계를 기반으로 학습 맵을 생성하는 단계; 및 문제집 데이터에 포함된 문제들로부터 추출된 학습 용어들의 난이도를 추출하여 문제 난이도 데이터를 생성하는 단계를 포함하는, 학습 맵 생성 방법이 제공된다.
일 실시예에서, 복수의 학습 용어를 추출하는 단계, 연관 관계를 추출하는 단계 및 문제 난이도 데이터를 생성하는 단계는, 학습 용어, 연관 관계 및 난이도를 추출하기 위해, 학습 용어, 수학식 및 도형 중 적어도 하나에 대한 의미를 BERT 기반으로 사전 학습된 모델을 이용하여 수행될 수 있다.
일 실시예에서, 연관 관계는, 복수의 학습 용어들 간의 논리적 선후 관계, 학습적 선후 관계, 포함 관계 및 결합 문제 출제 관계 중 적어도 하나일 수 있다.
일 실시예에서, 난이도는, 복수의 학습 용어들의 결합 문제 출제 관계를 기반으로 결정할 수 있다.
일 실시예에서, 학습 맵은, 복수의 학습 용어가 복수의 노드로 표현되고, 추출된 연관 관계가 복수의 노드 간의 거리로 표현될 수 있다.
일 실시예에서, 연관 관계를 추출하는 단계는, 복수의 학습 용어를 임베딩하여 벡터 값으로 변환하고, 복수의 학습 용어가 변환된 벡터 값들 간의 코사인 유사도를 연관 관계로 추출할 수 있다.
일 실시예에서, 복수의 학습 용어를 임베딩하여 벡터 값으로 변환은, Universal Encoder 및 Sentence BERT 중 어느 하나를 기반으로 복수의 학습 용어를 임베딩할 수 있다.
일 실시예에서, 학습 맵을 생성하는 단계는, t-SNE(Stochastic Nearest Neighbor) 알고리즘을 기반으로 2차원 공간으로 표현되는 학습 맵을 생성할 수 있다.
본 발명의 일 측면에 따르면, 학생의 수준 맞는 학습 지도를 가능하게 한다.
도 1은 학습 지도 시스템을 설명하기 위한 도면.
도 2 내지 도 7은 본 발명의 일 실시예에 따른 학습 맵 생성 장치를 설명하기 위한 도면.
도 8 내지 도 15은 본 발명의 일 실시예에 따른 학업 수준 결정 장치를 설명하기 위한 도면.
도 16 내지 도 20은 본 발명의 일 실시예에 다른 학습 경로 추천 장치를 설명하기 위한 도면.
도 21는 본 발명의 다른 실시예에 따른 학습 지도 시스템의 블록도.
본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고 이를 상세한 설명을 통해 상세히 설명하고자 한다. 그러나, 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 본 발명을 설명함에 있어서, 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 본 명세서 및 청구항에서 사용되는 단수 표현은, 달리 언급하지 않는 한 일반적으로 "하나 이상"을 의미하는 것으로 해석되어야 한다.
이하, 본 발명의 바람직한 실시예를 첨부도면을 참조하여 상세히 설명하기로 하며, 첨부 도면을 참조하여 설명함에 있어, 동일하거나 대응하는 구성 요소는 동일한 도면번호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다.
도 1은 학습 지도 시스템을 설명하기 위한 도면이다.
도 1을 참조하면, 학습 지도 시스템(1000)은 학습 커리큘럼 데이터 및 학교 교재 데이터를 입력 받아 학습 맵을 생성하는 학습 맵 생성 장치(1100), 학생의 문제 풀이 데이터를 입력 받아 학습 맵 상에서 학생의 학업 수준을 결정하는 학업 수준 결정 장치(1200) 및 학습 목표를 입력 받아 학습 맵 상에서 학생의 학업 수준에 맞는 학습 경로를 추천하는 학습 경로 추천 장치(1300)를 포함할 수 있다.
일 실시예에서, 학습 맵 생성 장치(1100), 학업 수준 결정 장치(1200) 및 학습 경로 추천 장치(1300) 중 적어도 2 이상은 하나의 장치로 구현될 수 있다.
이하, 학습 맵 생성 장치(1100), 학업 수준 결정 장치(1200) 및 학습 경로 추천 장치(1300) 각각에 대해 상세히 설명한다.
도 2는 본 발명의 일 실시예에 따른 학습 맵 생성 장치의 블록도이다.
도 2를 참조하면, 학습 맵 생성 장치(1100)는 커리큘럼 입력부(1110), 학습 용어 추출부(1120), 연관 관계 추출부(1130), 학습 맵 생성부(1140), 난이도 추출부(1150) 및 문제 난이도 데이터 생성부(1160)를 포함할 수 있다.
커리큘럼 입력부(1110)는 학습 맵을 생성하는데 사용되는 학습 커리큘럼 데이터, 학습 교재 데이터, 문제집 데이터, 기출 문제 시험지 등의 데이터를 입력 받을 수 있다. 여기서, 입력되는 데이터는 워드 파일 등과 같이 별도의 처리 없이 텍스트를 검출할 텍스트 형태의 데이터, 이미지를 텍스트로 변환 처리가 요구되는 이미지 형태의 데이터일 수 있다.
일 실시예에서, 커리큘럼 입력부(1110)는 이미지 형태의 문서로부터 문자, 기호 등을 추출할 수 있다. 예를 들어, 커리큘럼 입력부(1110)는 입력된 학습 커리큘럼 데이터, 학습 교재 등의 데이터가 이미지 형태의 데이터인 경우, OCR(optical character recognition) 등의 문자 추출 기술을 기반으로, 문자, 기호, 수식 등을 추출할 수 있다.
일 실시예에서, 커리큘럼 입력부(1110)는 학습 커리큘럼 데이터, 학습 교재 등의 데이터에 수학식이 포함된 경우, 도 3에 도시된 바와 같이, 수학식을 LaTeX 형식으로 변환할 수 있다.
학습 용어 추출부(1120)는 학습 커리큘럼 데이터, 학습 교재 등의 데이터로부터 추출된 문자, 기호 등으로부터 학습 용어를 추출할 수 있다. 여기서, 학습 용어는 예를 들어, 수학에서는 분수, 약수, 자연수, 덧셈, 뺄셈, 곱셈, 나눗셈 등과 같은 특정 개념을 형성하는 용어를 의미할 수 있다.
일 실시예에서, 학습 용어 추출부(1120)는 인공지능 언어모델인 BERT(Bidirectional Encoder Representations from Transformers) 기반으로 학습 용어를 추출할 수 있다. 구체적으로, 학습 용어 추출부(1120)는 학습 커리큘럼 데이터, 학습 교재 등의 데이터로부터 추출된 문자, 기호 등에서, BERT를 기반으로 Neural Sequence Labeling을 수행함으로써, 학습 용어를 추출할 수 있다. 이때, 추출되는 학습 용어는 도 4에 도시된 바와 같이, BIO tag 형식으로 분류될 수 있다. 이를 위해 학습 용어 추출부(1120)는 학습 커리큘럼 데이터, 학습 교재 등의 데이터로부터 추출된 문자, 기호 등에서 학습 용어를 추출하도록 BERT 기반으로 미리 학습된 모델을 이용할 수 있다.
연관 관계 추출부(1130)는 학습 용어들 간의 연관 관계를 추출할 수 있다. 여기서, 연관 관계는 학습 용어들 간의 논리적 선후 관계, 학습적 선후 관계, 포함 관계, 결합 문제 출제 관계 등을 의미할 수 있다. 또한, 연관관계는 학습 용어들이 학습되어야 하는 초,중,고, 대학교, 학년, 학기 단위로 구분될 수 있다.
일 실시예에서, 연관 관계 추출부(1130)는 추출된 학습 용어들을 임베딩(embedding)하여 벡터 값으로 변환하고, 학습 용어들이 변환된 벡터 값들의 코사인 유사도를 학습 용어들 간의 연관 관계로 추출할 수 있다. 이 때, 연관 관계 추출부(1130)는 Universal Encoder, Sentence BERT 등을 기반으로 학습 용어들을 임베딩할 수 있다. 예를 들어, 도 5를 참조하면, 도 5 (a)는 학습 용어 덧셈 및 뺄셈과 이들의 연관 관계인 전제(학습적 선행 관계)가 추출된 예시이며, 도 5 (b)는 학습 용어 함수와 역함수와 이들의 연관 관계가 포함 관계가 추출된 예시를 나타낸다.
학습 맵 생성부(1140)는 학습 용어 및 학습 용어들 간의 연관 관계를 기반으로 시각화된 학습 맵을 생성할 수 있다.
일 실시예에서, 학습 맵 생성부(1140)는 도 6에 도시된 바와 같이, 학습 용어들을 노드, 연관 관계를 노드들 간의 거리로 표현되는 학습 맵을 생성할 수 있다. 여기서, 노드들 간을 연결하는 화살표의 방향은 논리적 선후 관계 또는 학습적 선후 관계를 의미할 수 있다.
일 실시예에서, 학습 맵 생성부(1140)는 t-SNE(Stochastic Nearest Neighbor) 알고리즘을 기반으로 2차원 공간에 표현되는 학습 맵을 생성할 수 있다. 난이도 추출부(1150)는 문제집 등으로부터 추출된 학습 용어들의 난이도를 추출할 수 있다.
일 실시예에서, 학습 용어들의 난이도는 연관 관계 즉, 결합 출제되는 학습 용어와의 관계에서 결정될 수 있다. 예를 들어, 난이도 추출부(1150)는 문제 1에 학습 용어 2 및 학습 용어 10이 포함되고, 학습 용어 10이 학습 용어 2 보다 후에 학습해야 하는 내용(즉, 학습 용어 2는 중학교 2학년, 학습 용어 10은 중학교 3학년에 학습해야 하는 내용인 경우)에, 학습 용어 2의 난이도를 높게 결정할 수 있다.
문제 난이도 데이터 생성부(1160)는 문제집 데이터에 포함된 문제, 이들 문제로부터 추출된 학습 용어 및 이들 학습 용어들에 대한 난이도 데이터를 포함하는 문제 난이도 데이터를 생성할 수 있다.
일 실시예에서, 문제 난이도 데이터는 아래 표 1 및 표 2와 같은 데이터 구조를 가질 수 있다.
Figure 112021062902961-pat00001
표 1은 학습 용어를 기준으로 각 학습 용어를 포함하는 문제의 일련 번호 및 그에 따른 학습 용어의 난이도가 분류되어 있다.
Figure 112021062902961-pat00002
표 2는 문제 일련 번호를 기준으로, 각 문제에 포함된 학습 용어의 일련 번호 및 난이도가 분류되어 있다.
도 7은 본 발명의 일 실시예에 따른 학습 맵 생성 방법의 흐름도이다.
이하, 도 2에 도시된 학습 맵 생성 장치(1100)에 의해 도 7의 방법이 수행되는 것을 예시로 설명하는 바, 도 2에 도시된 학습 맵 생성 장치(1100)에 대한 설명은 도 7의 방법에 확장됨은 자명하다.
단계 S7100에서, 학습 맵 생성 장치(1100)는 학습 커리큘럼 데이터, 학습 교재 데이터, 문제집 데이터, 기출 문제 시험지 등의 데이터를 입력 받을 수 있다.
일 실시예에서, 학습 커리큘럼 데이터, 학습 교재 데이터, 문제집 데이터, 기출 문제 시험지 등의 데이터는 별도의 데이터 처리 없이 문자, 기호 등을 추출할 수 있는 텍스트 형태의 데이터, 이미지에 포함된 문자, 기호 등을 추출하기 위해 문자, 기호 등을 추출하기 위한 데이터 처리가 요구되는 이미지 형태의 데이터일 수 있다.
일 실시예에서, 학습 맵 생성 장치(1100)는 학습 커리큘럼 데이터, 학습 교재 데이터, 문제집, 기출 문제 시험지 등의 데이터가 이미지 형태의 데이터인 경우, OCR을 기반으로 텍스트로 변환하여 문자 기호 등을 추출할 수 있다.
일 실시예에서, 학습 커리큘럼 데이터, 학습 교재 데이터, 문제집, 기출 문제 시험지 등의 데이터에 수학식이 포함된 경우, 수학식을 LaTeX 형식으로 변환할 수 있다.
단계 S7200에서, 학습 맵 생성 장치(1100)는 학습 커리큘럼 데이터 및 학습 교재 데이터로부터 복수의 학습 용어를 추출할 수 있다. 여기서, 학습 용어는 수학에서는 분수, 약수, 자연수, 덧셈, 뺄셈, 곱셈, 나눗셈 등과 같은 특정 개념을 형성하는 용어를 의미할 수 있다.
일 실시예에서, 학습 맵 생성 장치(1100)는 인공지능 언어모델인 BERT(Bidirectional Encoder Representations from Transformers) 기반으로 학습 용어를 추출할 수 있다. 구체적으로, 학습 맵 생성 장치(1100)는 학습 커리큘럼 데이터, 학습 교재 등의 데이터로부터 추출된 문자, 기호 등에서, BERT를 기반으로 Neural Sequence Labeling을 수행함으로써, 학습 용어를 추출할 수 있다. 이를 위해 학습 맵 생성 장치(1100)는 학습 커리큘럼 데이터, 학습 교재 등의 데이터로부터 추출된 문자, 기호 등에서 학습 용어를 추출하도록 BERT 기반으로 미리 학습된 모델을 이용할 수 있다.
단계 S7300에서, 학습 맵 생성 장치(1100)는 추출된 복수의 학습 용어 간의 연관 관계를 추출할 수 있다. 여기서, 연관 관계는 학습 용어들 간의 논리적 선후 관계, 학습적 선후 관계, 포함 관계, 결합 문제 출제 관계 등을 의미할 수 있다.
일 실시예에서, 학습 맵 생성 장치(1100)는 추출된 학습 용어들을 임베딩(embedding)하여 벡터 값으로 변환하고, 학습 용어들이 변환된 벡터 값들의 코사인 유사도를 학습 용어들 간의 연관 관계로 추출할 수 있다. 이 때, 학습 맵 생성 장치(1100)는 Universal Encoder, Sentence BERT 등을 기반으로 학습 용어들을 임베딩할 수 있다.
단계 S7400에서, 학습 맵 생성 장치(1100)는 학습 용어 및 연관 관계를 기반으로 시각화된 학습 맵을 생성할 수 있다.
일 실시예에서, 학습 맵 생성 장치(1100)는 학습 용어들을 노드, 연관 관계를 노드들 간의 거리로 표현되는 학습 맵을 생성할 수 있다.
일 실시예에서, 학습 맵 생성 장치(1100)는 t-SNE(Stochastic Nearest Neighbor) 알고리즘을 기반으로 2차원 또는 3차원 공간에 표현되는 학습 맵을 생성할 수 있다.
단계 S7500에서, 학습 맵 생성 장치(1100)는 학습 용어의 난이도를 추출할 수 있다. 구체적으로, 학습 맵 생성 장치(1100)는 문제집 데이터에 포함된 문제들에 포함된 학습 용어들의 난이도를 추출할 수 있다.
단계 S7600에서, 학습 맵 생성 장치(1100)는 추출된 학습 용어들의 난이도를 기반으로 문제집 데이터에 포함된 문제, 이들 문제에 포함된 학습 용어, 이들 학습 용어의 난이도를 포함하는 문제 난이도 데이터를 생성할 수 있다.
도 8은 본 발명의 일 실시예에 따른 학생 학업 수준 결정 장치의 블록도이다.
도 8을 참조하면, 학생 학업 수준 결정 장치(1200)는 현재 수준 정보 입력부(1210), 테스트 문제 결정부(1220) 및 학업 수준 결정부(1230)를 포함할 수 있다.
현재 수준 정보 입력부(1210)은 학생의 현재 학업 정보, 즉, 초등학교, 중학교, 고등학교, 대학교, 대학원 등 어느 하나에 해당하고, 학년 및 학기에 대한 정보를 포함하는 현재 학업 정보를 입력 받을 수 있다.
테스트 문제 결정부(1220)는 학생의 현재 학업 수준을 결정하는데 이용되는 문제인 테스트 문제를 결정할 수 있다. 이때, 테스트 문제는 학습 맵 생성 장치(1100)에 의해 생성된 문제 난이도 데이터 중에서 결정된다. 구체적으로, 테스트 문제 결정부(1220)는 학습 맵 상에서 학생의 현재 학업 정보에 대응하는 학습 용어를 선택하고, 선택된 학습 용어를 포함하는 적어도 하나의 문제를 문제 난이도 데이터에 포함된 문제 중에서 결정할 수 있다.
일 실시예에서, 테스트 문제 결정부(1220)는 하나의 학습 용어에 대해 상이한 난이도가 포함될 수 있도록, 테스트 문제를 결정할 수 있다.
학업 수준 결정부는 학생이 테스트 문제를 풀이한 정오 정보를 기반으로 학습 맵 상에서 학생의 학업 수준을 결정할 수 있다.
일 실시예에서, 학업 수준 결정부(1230)는 정오 정보를 기반으로 학생이 풀이한 문제들에 포함된 학습 용어에 대한 이해 여부를 판단할 수 있다.
일 실시예에서, 학업 수준 결정부(1230)는 Bi-LSTM을 기반으로 미리 학습된 모델을 이용하여, 학생이 풀이한 문제들에 포함된 학습 용어에 대한 이해 여부를 판단할 수 있다. 구체적으로, 도 9를 참조하면, 학생이 풀이한 문제들에 포함된 학습 용어, 정오 정보를 예시적으로 나타낸 표이며, 도 11을 참조하면 학생이 풀이한 문제를 행, 문제들로부터 추출된 학습 용어를 열로 표현한 학습 용어 매트릭스이며, 각 문제에 포함된 학습 용어는 1, 각 문제에 포함되지 않은 학습 용어는 0으로 값을 설정한 예시가 도시된다. 또한, 도 10을 참조하면, 학생이 풀이한 문제를 행, 정오 정보를 열로 표현한 정오 매트릭스이며, 학습 용어가 문제에 포함되고 정답인 경우에는 1, 학습 용어가 포함되지 않은 경우에는 -1, 학습 용어가 포함되었으나 오답인 경우에는 0으로 값을 설정한 예가 도시된다. 도 13은 학습 용어 매트릭스 및 정오 매트릭스 각각의 n 번째 열을 임베딩하고 그 합을, BI-LSTM 기반으로 미리 학습된 모델에 입력함으로써, 학습 용어 각각에 대한 학생의 이해 여부를 판단할 수 있다. 상기 도 10에서는 발명의 이해를 돕기 위해 난이도에 대한 반영을 생략하였다.
학업 수준 결정부(1230)는 학습 용어에 대한 학생의 이해 여부 판단 결과를 학습 맵 상에 매핑할 수 있다. 구체적으로, 도 14를 참조하면, 학업 수준 결정부(1230)는 학생이 풀이한 문제들에 포함된 학습 용어를 노드 6, 노드 7, 노드 9, 노드 10, 노드 11, 노즈 13, 노드 14, 노드 15, 노드 17 및 노드 18에 대응하여 매핑할 수 있다. 도 15를 참조하면, 학업 수준 결정부(1230)는 도 13와 같이 학습 용어가 매핑된 이후, 학생이 학습 용어에 대한 이해 여부 판단 결과에 따라, 학생이 이해한 것으로 판단된 노드 6, 노드 7, 노드 9, 노드 10, 노드 13 및 노드 14와 학생이 이해하지 못한 것으로 판단된 노드 11, 노드 15, 노드 17 및 노드 18을 도 13에 표시된 도면에 반영함으로써, 도 14와 같이 나타낼 수 있다.
학업 수준 결정부(1230)는, 학생의 학습 용어에 대한 이해 여부 판단 결과를 기반으로, 학생의 학업 수준을 결정할 수 있다. 구체적으로, 도 14에서 학생이 이해한 학습 용어 및 학생이 이해하지 못한 학습 용어를 기반으로, 학생의 학업 수준이 노드 7, 노드 13 및 노드 14에 대응하는 수준임을 결정할 수 있다.
도 16은 본 발명의 일 실시예에 학업 수준 결정 방법의 흐름도이다.
이하, 도 8에 도시된 학생 학업 수준 결정 장치(1200)에 의해 도 15의 방법이 수행되는 것을 예시로 설명하는 바, 도 8에 도시된 학생 학업 수준 결정 장치(1200)에 대한 설명은 도 15의 방법에 확장됨은 자명하다.
단계 S1510에서, 학생 학업 수준 결정 장치(1200)는 학생의 현재 학업 정보, 즉, 초등학교, 중학교, 고등학교, 대학교, 대학원 등 어느 하나에 해당하고, 학년 및 학기에 대한 정보를 포함하는 현재 학업 정보를 입력 받을 수 있다.
단계 S1520에서, 학생 학업 수준 결정 장치(1200)는 학생의 현재 학업 수준을 결정하는데 이용되는 문제인 테스트 문제를 결정할 수 있다. 이때, 테스트 문제는 학습 맵 생성 장치(1100)에 의해 생성된 문제 난이도 데이터 중에서 결정된다. 구체적으로, 테스트 문제 결정부(1220)는 학습 맵 상에서 학생의 현재 학업 정보에 대응하는 학습 용어를 선택하고, 선택된 학습 용어를 포함하는 적어도 하나의 문제를 문제 난이도 데이터에 포함된 문제 중에서 결정할 수 있다.
일 실시예에서, 학업 수준 결정 장치(1200)는 하나의 학습 용어에 대해 상이한 난이도가 포함될 수 있도록, 테스트 문제를 결정할 수 있다.
학업 수준 결정 장치(1200)는 학생이 테스트 문제를 풀이한 정오 정보를 기반으로 학습 맵 상에서 학생의 학업 수준을 결정할 수 있다.
일 실시예에서, 학업 수준 결정 장치(1200)는 정오 정보를 기반으로 학생이 풀이한 문제들에 포함된 학습 용어에 대한 이해 여부를 판단할 수 있다.
단계 S1530에서, 학업 수준 결정 장치(1200)는, 학생의 학습 용어에 대한 이해 여부 판단 결과를 기반으로, 학생의 학업 수준을 결정할 수 있다. 도 16은 본 발명의 일 실시예에 따른 학습 경로 추천 장치의 블록도이다.
도 16을 참조하면, 학습 경로 추천 장치(1300)는 목표 학습 수준 입력부(1310), 학습 경로 검색부(1320) 및 문제 리스트 제공부(1330)를 포함할 수 있다.
목표 학습 수준 입력부(1310)는, 학생의 현재 학업 수준 및 목표 학습 수준을 입력 받을 수 있다. 여기서, 학생의 현재 학업 수준은 학습 맵 상에 매핑된 학생의 현재 학업 수준을 의미하며, 목표 학습 수준은 학습 맵 상에서 학생이 도달하고자 하는 학습 수준을 의미할 수 있다.
학습 경로 검색부(1320)는, 학습 맵 상에서 학생의 현재 학업 수준과 목표 학습 수준이 입력되면, 학습 맵 상의 현재 학업 수준에서 목표 학습 수준에 이르는 학습 경로를 검색할 수 있다. 예를 들어, 도 17에 도시된 바와 같이, 학습 매상에서 학생의 현재 학업 수준이 노드 7, 13 및 14이고, 학습 목표가 노드 19로 입력된 경우, 학습 경로는 노드 11에서 시작하여 노드 15, 노드 18 및 노드 17를 순차적으로 거쳐 최종적으로 노드 19에 도달하는 학습 경로를 생성할 수 있다.
일 실시예에서, 학습 경로 검색부(1320)는 현재 학업 수준에서 목표 학습 수준에 이르는 최단 경로를 학습 경로로 검색할 수 있다. 예를 들어, 학습 경로 검색부(1320)는 다익스트라(Dijkstra), 벨만포드(Bellman-Ford's), 플로이드-워셜(Floyd-Warshall) 및 에이스타(A star) 등의 패스 파인딩 알고리즘(path finding algorithm)을 이용하여, 최단 경로를 검색할 수 있다.
문제 리스트 제공부(1330)는 검색된 학습 경로 상에 존재하는 노드에 대응하는 학습 개념에 따른 문제 리스트를 제공할 수 있다. 또한, 문제 리스트 제공부(1330)는 학습 맵에 존재하는 노드에 대응하는 학습 개념 각각에 대응하는 문제를 난이도 별로 구분하여 복수의 문제를 저장할 수 있다.
일 실시예에서, 문제 리스트 제공부(1330)는 학습 맵 생성 장치(1100)에 의해 생성된 문제 난이도 데이터를 포함할 수 있다.
일 실시예에서, 문제 리스트 제공부(1330)는 강화 학습 모델을 기반으로 문제 리스트를 제공할 수 있다. 예를 들어, 문제 리스트 제공부(1330)는 LSTM(Long Short-Term Memory) 모델 기반의 강화 학습 모델을 이용하여, 제1 문제 리스트를 제공하고, 학생이 제1 문제 리스트를 풀이한 정보를 입력 받아 학생의 실력 향상 및 문제 풀이 기록에 따라 제2 문제 리스트를 다시 제공할 수 있다. 또한, 문제 리스트 제공부(1330)는 학생이 제2 문제 리스트를 풀이한 정보를 기반으로 다시 제3 문제를 리스트를 제공할 수 있다. 도 18를 참조하면, 학생의 현재 학업 수준이 입력되면, Ranking engine 모델은 현재 학업 수준을 기반으로 학생이 풀이할 문제 리스트를 제공할 수 있다. 이후, 학생이 문제 리스트를 풀이하면, 문제 풀이 정보를 다시 입력 받고 이전에 풀이한 문제 리스트 및 현재 문제 풀이 정보를 기반으로 새로운 문제 리스트를 제공할 수 있다. 또한, 도 19을 참조하면, agent는 ranking engine(랭킹 엔진) 모델, state는 학습 용어에 대한 학생의 과거 문제 풀이 정보, 학업 수준 정보, 문제별 수준 정보 등의 학생의 학업 수준을 측정할 수 있는 데이터, action은 학습 용어를 정복하기 위한 추천 문제 리스트, reword는 학습 용어 정복률, 추천 문제 리스트에 대한 학생이 정답률을 포함하는 학습 효율을 높일 수 있는 함수 조합 형태(weighted sum)을 의미한다. 시간 T1에서는 T1에서의 학생의 과거 문제 풀이 정보 등을 입력 받아 T1에서의 추천 문제 리스트를 제공하고, 시간 T2에서는 시간 T2를 기준으로 과거 학생이 풀이한 문제 정보 등과 T2 현재의 학생의 학업 수준을 고려하여, T2에서의 추천 문제 리스트를 제공하는 연속적인 구조의 Neural Network 구조를 갖는다.
도 20은 본 발명의 일 실시예에 따른 학습 경로 추천 방법의 흐름도이다.
이하, 도 17에 도시된 학습 경로 추천 장치(1300)에 의해 도 20의 방법이 수행되는 것을 예시로 설명하는 바, 도 17에 도시된 학습 경로 추천 장치(1300)에 대한 설명은 도 15의 방법에 확장됨은 자명하다.
단계 S21100에서, 학습 경로 추천 장치(1300)는 학생의 현재 학업 수준 및 목표 학습 수준을 입력 받을 수 있다. 여기서, 학생의 현재 학업 수준은 학습 맵 상에 매핑된 학생의 현재 학업 수준을 의미하며, 목표 학습 수준은 학습 맵 상에서 학생이 도달하고자 하는 학습 수준을 의미할 수 있다.
단계 S21200에서, 학습 경로 추천 장치(1300)는, 학습 맵 상에서 학생의 현재 학업 수준과 목표 학습 수준이 입력되면, 학습 맵 상의 현재 학업 수준에서 목표 학습 수준에 이르는 학습 경로를 검색할 수 있다.
일 실시예에서, 학습 경로 추천 장치(1300)는 현재 학업 수준에서 목표 학습 수준에 이르는 최단 경로를 학습 경로로 검색할 수 있다. 예를 들어, 학습 경로 추천 장치(1300)는 다익스트라(Dijkstra), 벨만포드(Bellman-Ford's), 플로이드-워셜(Floyd-Warshall) 및 에이스타(A star) 등의 패스 파인딩 알고리즘(path finding algorithm)을 이용하여, 최단 경로를 검색할 수 있다.
단계 S21300에서, 학습 경로 추천 장치(1300)는 검색된 학습 경로 상에 존재하는 노드에 대응하는 학습 개념에 따른 문제 리스트를 제공할 수 있다. 또한, 학습 경로 추천 장치(1300)는 학습 맵에 존재하는 노드에 대응하는 학습 개념 각각에 대응하는 문제를 난이도 별로 구분하여 복수의 문제를 저장할 수 있다.
도 21은 본 발명의 다른 실시예에 따른 학습 맵 생성 장치(1100), 학업 수준 결정 장치(1200) 및 학습 경로 추천 장치(1300)의 블록도이다.
도 21에 도시된 바와 같이, 학습 맵 생성 장치(1100), 학업 수준 결정 장치(1200) 및 학습 경로 추천 장치(1300)는 프로세서(2110), 메모리(2120), 저장부(2130), 사용자 인터페이스 입력부(2140) 및 사용자 인터페이스 출력부(2150) 중 적어도 하나 이상의 요소를 포함할 수 있으며, 이들은 버스(2160)를 통해 서로 통신할 수 있다. 또한, 학습 맵 생성 장치(1100), 학업 수준 결정 장치(1200) 및 학습 경로 추천 장치(1300)는 네트워크에 접속하기 위한 네트워크 인터페이스(1670)를 또한 포함할 수 있다. 프로세서(2110)는 메모리(2120) 및/또는 저장소(2130)에 저장된 처리 명령어를 실행시키는 CPU 또는 반도체 소자일 수 있다. 메모리(2120) 및 저장부(2130)는 다양한 유형의 휘발성/비휘발성 기억 매체를 포함할 수 있다. 예를 들어, 메모리는 ROM(2124) 및 RAM(2125)을 포함할 수 있다.
이제까지 본 발명에 대하여 그 실시예들을 중심으로 살펴보았다. 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자는 본 발명이 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 변형된 형태로 구현될 수 있음을 이해할 수 있을 것이다. 그러므로 개시된 실시예들은 한정적인 관점이 아니라 설명적인 관점에서 고려되어야 한다. 본 발명의 범위는 전술한 설명이 아니라 특허청구범위에 나타나 있으며, 그와 동등한 범위 내에 있는 모든 차이점은 본 발명에 포함된 것으로 해석되어야 할 것이다.
1000 : 학습 지도 시스템
1100 : 학습 맵 생성 장치
1200 : 학업 수준 결정 장치
1300 : 학습 경로 추천 장치

Claims (16)

  1. 학습 맵 생성 장치에 의해 수행되는 방법으로서,
    a)상기 학습 맵 생성 장치가 학습 커리큘럼 데이터, 학습 교재 데이터 및 문제집 데이터를 입력 받는 단계;
    b) 상기 학습 맵 생성 장치가 학습 커리큘럼 데이터, 학습 교재 데이터 및 문제집 데이터로부터 인공지능 언어모델을 기반으로 Neural Sequence Labeling을 수행하여 복수의 학습 용어를 추출하는 단계;
    c) 상기 학습 맵 생성 장치가 추출된 복수의 학습 용어 간의 연관 관계를 논리적 선후 관계, 학습적 선후 관계, 포함 관계 및 결합 문제 출제 관계를 기반으로 추출하고, 상기 복수의 학습 용어들 및 상기 연관 관계를 기반으로 시각화된 학습 맵을 생성하는 단계; 및
    d) 상기 학습 맵 생성 장치가 문제집 데이터에 포함된 문제들로부터 추출된 학습 용어들의 난이도를 추출하되, 상기 학습 용어를 기준으로 각 학습 용어를 포함하는 문제의 일련 번호 및 그에 대응하여 분류된 학습 용어의 난이도와, 상기 문제의 일련 번호를 기준으로 각 문제에 포함된 학습 용어의 일련 번호와 난이도가 분류된 문제 난이도 데이터를 생성하는 단계;를 포함하고,
    상기 c) 단계는 추출된 복수의 학습 용어들을 임베딩(embedding)하여 벡터 값으로 변환하며, 상기 복수의 학습 용어들이 변환된 벡터 값들의 코사인 유사도를 기반으로 학습 용어들 간의 연관 관계를 추출하고, t-SNE(Stochastic Nearest Neighbor) 알고리즘을 기반으로 2차원 공간으로 표현되는 학습 맵을 생성하되, 상기 학습 맵은 복수의 학습 용어를 복수의 노드로 표현하고, 추출된 연관 관계가 상기 복수의 노드 간의 거리로 표현되는 시각화된 학습 맵인 것을 특징으로 하는 학습 맵 생성 방법.
  2. 제1항에 있어서,
    상기 복수의 학습 용어를 추출하는 단계, 상기 학습 맵을 생성하는 단계 및 문제 난이도 데이터를 생성하는 단계는,
    상기 학습 용어, 연관 관계 및 난이도를 추출하기 위해, 학습 용어, 수학식 및 도형 중 적어도 하나에 대한 의미를 BERT 기반으로 사전 학습된 인공지능 언어모델을 이용하여 수행되는, 학습 맵 생성 방법.
  3. 삭제
  4. 제1항에 있어서,
    상기 난이도는, 상기 복수의 학습 용어들의 결합 문제 출제 관계를 기반으로 결정하는, 학습 맵 생성 방법.
  5. 삭제
  6. 삭제
  7. 제1항에 있어서,
    상기 복수의 학습 용어를 임베딩하여 벡터 값으로 변환은, Universal Encoder 및 Sentence BERT 중 어느 하나를 기반으로 상기 복수의 학습 용어를 임베딩하는, 학습 맵 생성 방법.
  8. 삭제
  9. 프로세서 및 메모리를 포함하는 학습 맵 생성 장치로서,
    상기 메모리에 학습 맵을 생성하기 위한 명령어들이 저장되며,
    상기 명령어들은, 상기 프로세서에 의해 실행될 때, 상기 프로세서로 하여금, 학습 커리큘럼 데이터, 학습 교재 데이터 및 문제집 데이터를 입력 받고,
    상기 학습 커리큘럼, 학습 교재 데이터 및 문제집 데이터로부터 인공지능 언어모델을 기반으로 Neural Sequence Labeling을 수행하여 복수의 학습 용어를 추출하며,
    추출된 복수의 학습 용어 간의 연관 관계를 논리적 선후 관계, 학습적 선후 관계, 포함 관계 및 결합 문제 출제 관계를 기반으로 추출하고, 상기 복수의 학습 용어들 및 상기 연관 관계를 기반으로 시각화된 학습 맵을 생성하고,
    상기 문제집 데이터에 포함된 문제들로부터 추출된 학습 용어들의 난이도를 추출하되, 상기 학습 용어를 기준으로 각 학습 용어를 포함하는 문제의 일련 번호 및 그에 대응하여 분류된 학습 용어의 난이도와, 상기 문제의 일련 번호를 기준으로 각 문제에 포함된 학습 용어의 일련 번호와 난이도가 분류된 문제 난이도 데이터를 생성하게 하는 명령어들을 포함하고,
    상기 프로세서는 추출된 복수의 학습 용어들을 임베딩(embedding)하여 벡터 값으로 변환하며, 상기 복수의 학습 용어들이 변환된 벡터 값들의 코사인 유사도를 기반으로 학습 용어들 간의 연관 관계를 추출하고,
    t-SNE(Stochastic Nearest Neighbor) 알고리즘을 기반으로 2차원 공간으로 표현되는 학습 맵을 생성하되, 상기 학습 맵은 복수의 학습 용어를 복수의 노드로 표현하고, 추출된 연관 관계가 상기 복수의 노드 간의 거리로 표현되는 시각화된 학습 맵인 것을 특징으로 하는 학습 맵 생성 장치.
  10. 제9항에 있어서,
    상기 복수의 학습 용어 추출, 상기 연관 관계 추출 및 문제 난이도 데이터추출은, 상기 학습 용어 및 연관 관계를 추출하기 위해, 학습 용어, 수학식 및 도형 중 적어도 하나에 대한 의미를 BERT 기반으로 사전 학습된 인공지능 언어모델을 이용하는 학습 맵 생성 장치.
  11. 삭제
  12. 제9항에 있어서,
    상기 난이도는, 상기 복수의 학습 용어들의 결합 문제 출제 관계를 기반으로 결정하는, 학습 맵 생성 장치.
  13. 삭제
  14. 삭제
  15. 제9항에 있어서,
    상기 복수의 학습 용어를 임베딩하여 벡터 값으로 변환은, Universal Encoder 및 Sentence BERT 중 어느 하나를 기반으로 상기 복수의 학습 용어를 임베딩하는, 학습 맵 생성 장치.
  16. 삭제
KR1020210070432A 2021-05-31 2021-05-31 학습 맵 생성 장치 및 그 방법 KR102376588B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210070432A KR102376588B1 (ko) 2021-05-31 2021-05-31 학습 맵 생성 장치 및 그 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210070432A KR102376588B1 (ko) 2021-05-31 2021-05-31 학습 맵 생성 장치 및 그 방법

Publications (2)

Publication Number Publication Date
KR102376588B1 true KR102376588B1 (ko) 2022-03-21
KR102376588B9 KR102376588B9 (ko) 2023-08-04

Family

ID=80937376

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210070432A KR102376588B1 (ko) 2021-05-31 2021-05-31 학습 맵 생성 장치 및 그 방법

Country Status (1)

Country Link
KR (1) KR102376588B1 (ko)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20130136296A (ko) * 2012-06-04 2013-12-12 (주)엠피디에이 문제유형 학습 시스템 및 방법
KR20150020480A (ko) * 2013-08-16 2015-02-26 방기수 진화하는 지식지도 서비스 제공 방법 및 시스템
JP2019185343A (ja) * 2018-04-09 2019-10-24 株式会社フォーサイト 問題分析システム、方法、およびプログラム
KR20200103146A (ko) * 2019-02-11 2020-09-02 (주)자이네스 온톨로지 기반의 지식맵을 활용한 인공지능 학습진단 시스템
KR102244086B1 (ko) * 2019-12-05 2021-04-23 경기대학교 산학협력단 지식 그래프를 이용한 영상 기반 상식 추론 시스템

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20130136296A (ko) * 2012-06-04 2013-12-12 (주)엠피디에이 문제유형 학습 시스템 및 방법
KR20150020480A (ko) * 2013-08-16 2015-02-26 방기수 진화하는 지식지도 서비스 제공 방법 및 시스템
JP2019185343A (ja) * 2018-04-09 2019-10-24 株式会社フォーサイト 問題分析システム、方法、およびプログラム
KR20200103146A (ko) * 2019-02-11 2020-09-02 (주)자이네스 온톨로지 기반의 지식맵을 활용한 인공지능 학습진단 시스템
KR102244086B1 (ko) * 2019-12-05 2021-04-23 경기대학교 산학협력단 지식 그래프를 이용한 영상 기반 상식 추론 시스템

Also Published As

Publication number Publication date
KR102376588B9 (ko) 2023-08-04

Similar Documents

Publication Publication Date Title
Li et al. Natural language generation using deep learning to support MOOC learners
CN111475629A (zh) 一种面向数学辅导问答系统的知识图谱构建方法及其系统
CN111263238B (zh) 基于人工智能的生成视频评论的方法及设备
CN109949637B (zh) 一种客观题目的自动解答方法和装置
Egger et al. Applied data science in tourism
CN114780723B (zh) 基于向导网络文本分类的画像生成方法、系统和介质
CN110852071B (zh) 知识点检测方法、装置、设备及可读存储介质
KR102358084B1 (ko) 학업 수준 결정 장치 및 그 방법
KR102377320B1 (ko) 학습 경로 추천 장치 및 그 방법
CN117252739B (zh) 一种评卷方法、系统、电子设备及存储介质
Bhatnagar et al. Learnersourcing quality assessment of explanations for peer instruction
Herwanto et al. UKARA: A fast and simple automatic short answer scoring system for Bahasa Indonesia
Malinin et al. An attention based model for off-topic spontaneous spoken response detection: An initial study
KR102376588B1 (ko) 학습 맵 생성 장치 및 그 방법
CN110765241B (zh) 推荐题的超纲检测方法、装置、电子设备和存储介质
Chang et al. Deep learning for sentence clustering in essay grading support
Flanagan et al. Automatic vocabulary study map generation by semantic context and learning material analysis
Chaudhuri et al. Automating assessment of design exams: a case study of novelty evaluation
Maniar et al. Generation and grading of arduous MCQs using NLP and OMR detection using OpenCV
Liu et al. Solving ESL sentence completion questions via pre-trained neural language models
Ekuban et al. Using GitLab Interactions to Predict Student Success When Working as Part of a Team
CN114510561A (zh) 答案选择方法、装置、设备及存储介质
Telnov Semantic educational web portal
CN114328796A (zh) 问答索引生成方法、问答模型处理方法、装置和存储介质
KR20170105969A (ko) 유사 수학문제 검색장치 및 컴퓨터 프로그램

Legal Events

Date Code Title Description
AMND Amendment
X091 Application refused [patent]
AMND Amendment
X701 Decision to grant (after re-examination)
GRNT Written decision to grant
G170 Re-publication after modification of scope of protection [patent]