KR102396078B1

KR102396078B1 - 사용자 평가를 위한 진단고사 추천방법

Info

Publication number: KR102396078B1
Application number: KR1020210143136A
Authority: KR
Inventors: 김규석; 김민삼
Original assignee: (주)뤼이드
Priority date: 2021-10-26
Filing date: 2021-10-26
Publication date: 2022-05-10
Also published as: US20230127627A1

Abstract

본 명세서는 전자기기가 사용자 평가를 위한 진단고사 문제를 추천하는 방법에 있어서, 사용자들의 모든 문제들에 대한 정답 유무를 타나내는 제1 메트릭스(matrix)를 생성하는 단계; 지식 진단(Knowledge Tracing, KT)를 이용하여, 상기 제1 메트릭스에 근거하여 제2 메트릭스를 생성하는 단계; 및 상기 제2 메트릭스에 근거하여, 라쏘 회귀(Lasso Regression)를 이용해 상기 진단고사 문제를 선택하는 단계;를 포함할 수 있다.

Description

사용자 평가를 위한 진단고사 추천방법{METHOD TO RECOMMEND A DIAGNOSTIC TEST FOR USER EVALUATION}

본 명세서는 사용자의 실력을 평가하기 위한 진단고사(diagnostic test) 구축 및 진단고사에 대한 예측 모델을 만들기 위한 방법이다.

에듀테크 기술분야에서, 사용자의 지식 진단(Knowledge Tracing, KT)을 위한 Transformer-based model로서, 일반적으로 all-item KT 모델이 사용된다. KT 모델은 학생들의 지식수준을 판별하고 이를 토대로 아직 풀지 않은 문제를 맞출 확률을 예측하는 기계학습(ML) 모델이다.

이러한 기계학습 모델에서 사용될 수 있는 feature selection 방법론으로는 라쏘 회귀(Lasso Regression)가 있는 데, 이는 덜 중요한 특성(feature)의 가중치(weght)를 제거하기 위한 방법론으로서, 이를 이용하면 몇 개의 feature가 사라진 ML 모델을 구현할 수 있다.

선형 회귀(Linear Regression)는 주어진 학습 데이터의 분포를 선형함수로 근사하는 방법론으로서, 이를 통해 ML 모델은 생성되는 선형 그래프와 유사한 모양을 찾기 위해 학습을 진행할 수 있다.

본 명세서의 목적은, 학생들을 평가하기 위한 진단고사 추천을 위한 구성을 제안하기 위함이다.

또한, 본 명세서의 목적은, 적은 sequence size를 이용하여, 학생들의 점수를 예측하기 위한 인공지능 모델의 학습이 이루어지는 경우, 인공지능 모델의 예측 정확도가 떨어지는 문제를 해결하기 위함이다.

본 명세서가 이루고자 하는 기술적 과제들은 이상에서 언급한 기술적 과제들로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 이하의 명세서의 상세한 설명으로부터 본 명세서가 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.

본 명세서의 일 양상은, 전자기기가 사용자 평가를 위한 진단고사 문제를 추천하는 방법에 있어서, 사용자들의 모든 문제들에 대한 정답 유무를 타나내는 제1 메트릭스(matrix)를 생성하는 단계; 지식 진단(Knowledge Tracing, KT)를 이용하여, 상기 제1 메트릭스에 근거하여 제2 메트릭스를 생성하는 단계; 및 상기 제2 메트릭스에 근거하여, 라쏘 회귀(Lasso Regression)를 이용해 상기 진단고사 문제를 선택하는 단계;를 포함할 수 있다.

또한, 상기 제1 메트릭스는 희소(sparse) 메트릭스이고, 상기 제2 메트릭스는 밀집(dense) 메트릭스일 수 있다.

또한, 상기 진단고사 문제에 근거하여, 선형 회귀(Linear Regression)를 이용해 사용자 점수 예측을 위한 모델을 학습시키는 단계; 를 더 포함할 수 있다.

또한, 상기 사용자가 상기 문제들을 풀은 시간값을 가중치로 하여, 상기 사용자 점수 예측을 위한 모델을 보정하는 단계; 를 더 포함할 수 있다.

또한, 상기 시간값은 상기 문제들의 파트 별, 문제 풀은 시간들의 평균값일 수 있다.

또한, 상기 시간값은 상기 평균값에 근거한, 다른 사용자들의 평균값 대비 상기 사용자의 순위값일 수 있다.

본 명세서의 또 다른 일 실시예는 사용자 평가를 위한 진단고사 문제를 추천하는 전자기기에 있어서, 단말과 통신하기 위한 통신모듈(communication module); 메모리; 인공지능(Artificial intelligence, AI) 프로세서; 및 진단고사 선택부;를 포함하고, 상기 인공지능 프로세서는 상기 메모리를 통해, 사용자들의 모든 문제들에 대한 정답 유무를 타나내는 제1 메트릭스(matrix)를 생성하고, 상기 진단고사 선택부는 지식 진단(Knowledge Tracing, KT)를 이용하여, 상기 제1 메트릭스에 근거하여 제2 메트릭스를 생성하고, 상기 제2 메트릭스에 근거하여, 라쏘 회귀(Lasso Regression)를 이용해 상기 진단고사 문제를 선택할 수 있다.

본 명세서의 실시예에 따르면, 학생들을 평가하기 위한 진단고사 추천을 위한 구성을 구현할 수 있다.

또한, 본 명세서의 실시예에 따르면, 적은 sequence size를 이용하여도, 학생들의 점수를 예측하기 위한 인공지능 모델의 학습을 효율적으로 수행하여, 인공지능 모델의 예측 정확도를 높힐 수 있다.

본 명세서에서 얻을 수 있는 효과는 이상에서 언급한 효과로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 아래의 기재로부터 본 명세서가 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.

도 1은 본 명세서와 관련된 전자 기기를 설명하기 위한 블록도이다.
도 2는 본 명세서가 적용될 수 있는 진단고사 추천 시스템의 블록도이다.
도 3은 본 명세서가 적용될 수 있는 전자기기의 일 실시예이다.
도 4는 본 명세서가 적용될 수 있는 sparse interaction matrix의 예시이다.
도 5는 본 명세서가 적용될 수 있는 Question Selection의 예시이다.
도 6은 본 명세서가 적용될 수 있는 Score Prediction의 예시이다.
본 명세서에 관한 이해를 돕기 위해 상세한 설명의 일부로 포함되는, 첨부 도면은 본 명세서에 대한 실시예를 제공하고, 상세한 설명과 함께 본 명세서의 기술적 특징을 설명한다.

이하, 첨부된 도면을 참조하여 본 명세서에 개시된 실시예를 상세히 설명하되, 도면 부호에 관계없이 동일하거나 유사한 구성요소는 동일한 참조 번호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 이하의 설명에서 사용되는 구성요소에 대한 접미사 "모듈" 및 "부"는 명세서 작성의 용이함만이 고려되어 부여되거나 혼용되는 것으로서, 그 자체로 서로 구별되는 의미 또는 역할을 갖는 것은 아니다. 또한, 본 명세서에 개시된 실시예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 명세서에 개시된 실시예의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 첨부된 도면은 본 명세서에 개시된 실시예를 쉽게 이해할 수 있도록 하기 위한 것일 뿐, 첨부된 도면에 의해 본 명세서에 개시된 기술적 사상이 제한되지 않으며, 본 명세서의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.

제1, 제2 등과 같이 서수를 포함하는 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되지는 않는다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.

어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다.

단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다.

본 출원에서, "포함한다" 또는 "가지다" 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.

도 1은 본 명세서와 관련된 전자 기기를 설명하기 위한 블록도이다.

상기 전자 기기(100)는 무선 통신부(110), 입력부(120), 센싱부(140), 출력부(150), 인터페이스부(160), 메모리(170), 제어부(180) 및 전원 공급부(190) 등을 포함할 수 있다. 도 1에 도시된 구성요소들은 전자 기기를 구현하는데 있어서 필수적인 것은 아니어서, 본 명세서 상에서 설명되는 전자 기기는 위에서 열거된 구성요소들 보다 많거나, 또는 적은 구성요소들을 가질 수 있다.

보다 구체적으로, 상기 구성요소들 중 무선 통신부(110)는, 전자 기기(100)와 무선 통신 시스템 사이, 전자 기기(100)와 다른 전자 기기(100) 사이, 또는 전자 기기(100)와 외부서버 사이의 무선 통신을 가능하게 하는 하나 이상의 모듈을 포함할 수 있다. 또한, 상기 무선 통신부(110)는, 전자 기기(100)를 하나 이상의 네트워크에 연결하는 하나 이상의 모듈을 포함할 수 있다.

이러한 무선 통신부(110)는, 방송 수신 모듈(111), 이동통신 모듈(112), 무선 인터넷 모듈(113), 근거리 통신 모듈(114), 위치정보 모듈(115) 중 적어도 하나를 포함할 수 있다.

입력부(120)는, 영상 신호 입력을 위한 카메라(121) 또는 영상 입력부, 오디오 신호 입력을 위한 마이크로폰(microphone, 122), 또는 오디오 입력부, 사용자로부터 정보를 입력받기 위한 사용자 입력부(123, 예를 들어, 터치키(touch key), 푸시키(mechanical key) 등)를 포함할 수 있다. 입력부(120)에서 수집한 음성 데이터나 이미지 데이터는 분석되어 사용자의 제어명령으로 처리될 수 있다.

센싱부(140)는 전자 기기 내 정보, 전자 기기를 둘러싼 주변 환경 정보 및 사용자 정보 중 적어도 하나를 센싱하기 위한 하나 이상의 센서를 포함할 수 있다. 예를 들어, 센싱부(140)는 근접센서(141, proximity sensor), 조도 센서(142, illumination sensor), 터치 센서(touch sensor), 가속도 센서(acceleration sensor), 자기 센서(magnetic sensor), 중력 센서(G-sensor), 자이로스코프 센서(gyroscope sensor), 모션 센서(motion sensor), RGB 센서, 적외선 센서(IR 센서: infrared sensor), 지문인식 센서(finger scan sensor), 초음파 센서(ultrasonic sensor), 광 센서(optical sensor, 예를 들어, 카메라(121 참조)), 마이크로폰(microphone, 122 참조), 배터리 게이지(battery gauge), 환경 센서(예를 들어, 기압계, 습도계, 온도계, 방사능 감지 센서, 열 감지 센서, 가스 감지 센서 등), 화학 센서(예를 들어, 전자 코, 헬스케어 센서, 생체 인식 센서 등) 중 적어도 하나를 포함할 수 있다. 한편, 본 명세서에 개시된 전자 기기는, 이러한 센서들 중 적어도 둘 이상의 센서에서 센싱되는 정보들을 조합하여 활용할 수 있다.

출력부(150)는 시각, 청각 또는 촉각 등과 관련된 출력을 발생시키기 위한 것으로, 디스플레이부(151), 음향 출력부(152), 햅팁 모듈(153), 광 출력부(154) 중 적어도 하나를 포함할 수 있다. 디스플레이부(151)는 터치 센서와 상호 레이어 구조를 이루거나 일체형으로 형성됨으로써, 터치 스크린을 구현할 수 있다. 이러한 터치 스크린은, 전자 기기(100)와 사용자 사이의 입력 인터페이스를 제공하는 사용자 입력부(123)로써 기능함과 동시에, 전자 기기(100)와 사용자 사이의 출력 인터페이스를 제공할 수 있다.

인터페이스부(160)는 전자 기기(100)에 연결되는 다양한 종류의 외부 기기와의 통로 역할을 수행한다. 이러한 인터페이스부(160)는, 유/무선 헤드셋 포트(port), 외부 충전기 포트(port), 유/무선 데이터 포트(port), 메모리 카드(memory card) 포트, 식별 모듈이 구비된 장치를 연결하는 포트(port), 오디오 I/O(Input/Output) 포트(port), 비디오 I/O(Input/Output) 포트(port), 이어폰 포트(port) 중 적어도 하나를 포함할 수 있다. 전자 기기(100)에서는, 상기 인터페이스부(160)에 외부 기기가 연결되는 것에 대응하여, 연결된 외부 기기와 관련된 적절할 제어를 수행할 수 있다.

또한, 메모리(170)는 전자 기기(100)의 다양한 기능을 지원하는 데이터를 저장한다. 메모리(170)는 전자 기기(100)에서 구동되는 다수의 응용 프로그램(application program 또는 애플리케이션(application)), 전자 기기(100)의 동작을 위한 데이터들, 명령어들을 저장할 수 있다. 이러한 응용 프로그램 중 적어도 일부는, 무선 통신을 통해 외부 서버로부터 다운로드 될 수 있다. 또한 이러한 응용 프로그램 중 적어도 일부는, 전자 기기(100)의 기본적인 기능(예를 들어, 전화 착신, 발신 기능, 메시지 수신, 발신 기능)을 위하여 출고 당시부터 전자 기기(100)상에 존재할 수 있다. 한편, 응용 프로그램은, 메모리(170)에 저장되고, 전자 기기(100) 상에 설치되어, 제어부(180)에 의하여 상기 전자 기기의 동작(또는 기능)을 수행하도록 구동될 수 있다.

제어부(180)는 상기 응용 프로그램과 관련된 동작 외에도, 통상적으로 전자 기기(100)의 전반적인 동작을 제어한다. 제어부(180)는 위에서 살펴본 구성요소들을 통해 입력 또는 출력되는 신호, 데이터, 정보 등을 처리하거나 메모리(170)에 저장된 응용 프로그램을 구동함으로써, 사용자에게 적절한 정보 또는 기능을 제공 또는 처리할 수 있다.

또한, 제어부(180)는 메모리(170)에 저장된 응용 프로그램을 구동하기 위하여, 도 1과 함께 살펴본 구성요소들 중 적어도 일부를 제어할 수 있다. 나아가, 제어부(180)는 상기 응용 프로그램의 구동을 위하여, 전자 기기(100)에 포함된 구성요소들 중 적어도 둘 이상을 서로 조합하여 동작시킬 수 있다.

전원공급부(190)는 제어부(180)의 제어 하에서, 외부의 전원, 내부의 전원을 인가받아 전자 기기(100)에 포함된 각 구성요소들에 전원을 공급한다. 이러한 전원공급부(190)는 배터리를 포함하며, 상기 배터리는 내장형 배터리 또는 교체가능한 형태의 배터리가 될 수 있다.

상기 각 구성요소들 중 적어도 일부는, 이하에서 설명되는 다양한 실시 예들에 따른 전자 기기의 동작, 제어, 또는 제어방법을 구현하기 위하여 서로 협력하여 동작할 수 있다. 또한, 상기 전자 기기의 동작, 제어, 또는 제어방법은 상기 메모리(170)에 저장된 적어도 하나의 응용 프로그램의 구동에 의하여 전자 기기 상에서 구현될 수 있다.

본 명세서에서 전자기기(100)는 전자장치로 통칭될 수 있다.

도 2는 본 명세서가 적용될 수 있는 진단고사 추천 시스템의 블록도이다.

상기 진단고사 추천 시스템(20)는 AI 프로세싱을 수행할 수 있는 AI 모듈을 포함하는 전자 기기 또는 상기 AI 모듈을 포함하는 서버 등을 포함할 수 있다. 또한, 상기 진단고사 추천 시스템(20)는 도 1에 도시된 전자기기(100)의 적어도 일부의 구성으로 포함되어 AI 프로세싱 중 적어도 일부를 함께 수행하도록 구비될 수도 있다.

상기 진단고사 추천 시스템(20)는 AI 프로세서(21), 진단고사 선택부(23) 메모리(25) 및/또는 통신부(27)를 포함할 수 있다.

상기 진단고사 추천 시스템(20)는 신경망을 학습할 수 있는 컴퓨팅 장치로서, 서버, 데스크탑 PC, 노트북 PC, 태블릿 PC 등과 같은 다양한 전자 장치로 구현될 수 있다.

AI 프로세서(21)는 메모리(25)에 저장된 프로그램을 이용하여 AI 모델을 학습할 수 있다. 특히, AI 프로세서(21)는 선형 회귀를 이용하여, 사용자의 점수를 예측하는 과제를 수행하기 위한 AI 모델을 학습할 수 있다. 예를 들어, AI 프로세서(21)는 진단고사 문제들을 이용하여 사용자 점수 예측을 위해 학습될 수 있다.

한편, 전술한 바와 같은 기능을 수행하는 AI 프로세서(21)는 범용 프로세서(예를 들어, CPU)일 수 있으나, 인공지능 학습을 위한 AI 전용 프로세서(예를 들어, GPU)일 수 있다.

진단고사 선택부(23)는 메모리(25)에서 획득될 수 있는 interaction matrix를 입력받아, 지식 진단(KT) 및 라쏘 회귀(Lasso Regression)를 통해, 획득된 문제 중 사용자의 점수를 예측하는 데 가장 도움이되는 진단고사 문제들을 선택할 수 있다.

메모리(25)는 진단고사 추천 시스템(20)의 동작에 필요한 각종 프로그램 및 데이터를 저장할 수 있다. 메모리(25)는 비 휘발성 메모리, 휘발성 메모리, 플래시 메모리(flash-memory), 하드디스크 드라이브(HDD) 또는 솔리드 스테이트 드라이브(SDD) 등으로 구현할 수 있다. 메모리(25)는 AI 프로세서(21)에 의해 액세스되며, AI 프로세서(21)에 의한 데이터의 독취/기록/수정/삭제/갱신 등이 수행될 수 있다. 또한, 메모리(25)는 본 명세서의 일 실시예에 따른 데이터 분류/인식을 위한 학습 알고리즘을 통해 생성된 신경망 모델(예를 들어, 딥 러닝 모델)을 저장할 수 있다.

한편, AI 프로세서(21)는 데이터 분류/인식을 위한 신경망을 학습하는 데이터 학습부를 포함할 수 있다. 예를 들어, 데이터 학습부는 학습에 이용될 학습 데이터를 획득하고, 획득된 학습데이터를 딥러닝 모델에 적용함으로써, 딥러닝 모델을 학습할 수 있다.

통신부(27)는 AI 프로세서(21)에 의한 AI 프로세싱 결과를 외부 전자 기기로 전송할 수 있다.

여기서 외부 전자 기기는 다른 단말, 서버를 포함할 수 있다.

한편, 도 2에 도시된 진단고사 추천 시스템(20)는 AI 프로세서(21), 진단고사 선택부(23)와 메모리(25), 통신부(27) 등으로 기능적으로 구분하여 설명하였지만, 전술한 구성요소들이 하나의 모듈로 통합되어 AI 모듈로 호칭될 수도 있다.

도 3은 본 명세서가 적용될 수 있는 전자기기의 일 실시예이다.

도 3을 참조하면, 전자기기는 전술한 진단고사 추천 시스템(20)의 구성을 포함할 수 있다.

일반적으로, 토익과 같은 문제와 관련하여, 학생들이 점수를 예측하기 위한 진단고사를 풀면, AM(Assessment Model)은 학생들의 진단고사와 관련된 interaction 데이터를 이용하여, 학생들의 점수를 예측할 수 있다.

다만, 기존에 진단고사 문제들이 선택되는 기준은 AM의 attention weight로 결정이 되었는데, 이를 통하면, 이러한 진단고사 문제들을 이용하여 학생들의 점수가 잘 예측될 수 있는지에 대한 검증이 부족했다.

또한, 진단고사 문제들로 학생들을 예측할 때 사용되는 AM은 상대적으로 짧은 sequence size를 가진 진단고사 문제의 환경에서 학생들의 점수를 잘 예측하지 못하는 문제점이 있었다.

본 명세서에서 전자기기는 상기 문제점을 해결하기 위한 동작을 수행할 수 있다.

다시 도 3을 참조하면, 전자기기는 메모리에 저장된 점수 라벨을 가지고 있는, 모든 학생들의 모든 문제들간의 정답 유무를 나타내는 제1 메트릭스(sparse interaction matrix(예를 들어, 8082 X 13435 size matrix))를 생성한다(S3010). 예를 들어, AI 프로세서는 메모리를 통해, 제1 메트릭스를 생성하고 메모리에 이를 저장할 수 있다.

도 4는 본 명세서가 적용될 수 있는 sparse interaction matrix의 예시이다.

도 4를 참조하면, interaction matrix는 학생이 문제를 맞췄다면 해당 interaction은 1, 틀렸다면 0의 값을 갖을 수 있다. 최초 interaction matrix는 simulation 이전에 라벨이 없는 interaction의 비율이 89%로 매우 sparse한 형태를 갖을 수 있다(410).

전자기기는 지식 진단(KT)을 이용하여, 제1 메트릭스에 근거하여, 제2 메트릭스를 생성한다(S3020). 예를 들어, 제1 메트릭스에서 89%의 interaction들의 실제 데이터가 존재하지 않을 수 있다. 진단고사 선택부는 메모리로부터 제1 메트릭스를 수신하고, all-item KT를 이용하여, 기존에 있던 interaction(예를 들어, 이전에 당해 문제들과 관련된 다른 문제들을 풀은 당해 학생의 정답 여부)들에 근거하여, 학생마다 모든 문제들에 대한 존재하지 않는 interaction들을 simulate할 수 있다. 이를 통해, 전자기기는 모든 학생들의 모든 문제들에 대한 정답 유무 데이터를 생성할 수 있고, interaction matrix는 fully dense한 matrix로 simulation 될 수 있다(420).

전자기기는 제2 메트릭스에 근거하여, 라쏘 회귀(Lasso Regression)를 이용해서 진단고사 문제들을 선택한다(S3030). 예를 들어, 진단고사 선택부는 라쏘 회귀를 이용하여, MSE(Mean Squared Error) 가 최소가 되게 하는 진단고사 문제들의 가중치와 편향을 찾을 수 있다. 또한, 전자기기는 이러한 가중치들의 절대값들의 합, 즉 가중치의 절대값들이 최소(기울기가 작아지도록)가 되게 할 수 있다.

도 5는 본 명세서가 적용될 수 있는 Question Selection의 예시이다.

도 5를 참조하면, 전자기기는 라쏘 회귀를 이용하여, 학생의 점수를 예측하는데 가장 도움이 되는 진단고사 문제 9개를 선택할 수 있다. 예를 들어, 전자기기는 라쏘 회귀를 이용하여, score prediction 수행시 가장 가중치가 높은 진단고사 문제 9개를 선택할 수 있다. 여기서, 가중치가 높다는 것은 학생의 점수를 예측하는데 가장 도움이 되는 문제들일 수 있다.

전자기기는 선택된 진단고사 문제들에 근거하여, 선형 회귀(Linear Regression)를 이용해 인공지능 모델의 학습을 수행한다(S3040). 예를 들어, AI 프로세서는 진단고사 문제들을 입력값으로 하여, 탑재된 인공지능 모델을 학습시킬 수 있다.

도 6은 본 명세서가 적용될 수 있는 Score Prediction의 예시이다.

도 6을 참조하면, 전자기기는 선택된 진단고사 문제 9개를 입력값으로 하여, 선형 회귀 기법으로 인공지능 모델을 학습시키고, 인공지능 모델을 이용하여 학생들의 점수를 예측할 수 있다.

또한, 전자기기는 추가적으로 학생들이 문제를 풀은 시간을 추가 가중치로 활용할 수 있다. 예를 들어, 토익 시험과 같이 만점이 존재하는 시험에 경우, 선형 회귀를 이용한 인공지능 모델은 학생들의 점수를 만점으로 예측할 수 없다. 이를 보정하기 위해 전자기기는 학생들이 문제를 풀은 시간을 추가 가중치로 활용할 수 있다. 보다 자세하게, AI 프로세서는 학생들이 문제를 풀은 시간에 대하여, 각 문제들의 파트 별, 문제들을 풀은 시간들의 평균을 낸 값을 이용할 수 있다. 예를 들어, 전자기기는 평균을 낸 값을 기준으로 학생 집합에서 당해 학생의 랭킹을 계산하고, 이를 추가 가중치로 활용하여, 인공지능 모델을 학습시킬 수 있다.

전술한 본 명세서는, 프로그램이 기록된 매체에 컴퓨터가 읽을 수 있는 코드로서 구현하는 것이 가능하다. 컴퓨터가 읽을 수 있는 매체는, 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록장치를 포함한다. 컴퓨터가 읽을 수 있는 매체의 예로는, HDD(Hard Disk Drive), SSD(Solid State Disk), SDD(Silicon Disk Drive), ROM, RAM, CD-ROM, 자기 테이프, 플로피 디스크, 광 데이터 저장 장치 등이 있으며, 또한 캐리어 웨이브(예를 들어, 인터넷을 통한 전송)의 형태로 구현되는 것도 포함한다. 따라서, 상기의 상세한 설명은 모든 면에서 제한적으로 해석되어서는 아니되고 예시적인 것으로 고려되어야 한다. 본 명세서의 범위는 첨부된 청구항의 합리적 해석에 의해 결정되어야 하고, 본 명세서의 등가적 범위 내에서의 모든 변경은 본 명세서의 범위에 포함된다.

또한, 이상에서 서비스 및 실시 예들을 중심으로 설명하였으나 이는 단지 예시일 뿐 본 명세서를 한정하는 것이 아니며, 본 명세서가 속하는 분야의 통상의 지식을 가진 자라면 본 서비스 및 실시 예의 본질적인 특성을 벗어나지 않는 범위에서 이상에 예시되지 않은 여러 가지의 변형과 응용이 가능함을 알 수 있을 것이다. 예를 들어, 실시 예들에 구체적으로 나타난 각 구성 요소는 변형하여 실시할 수 있는 것이다. 그리고 이러한 변형과 응용에 관계된 차이점들은 첨부한 청구 범위에서 규정하는 본 명세서의 범위에 포함되는 것으로 해석되어야 할 것이다.

Claims

전자기기가 사용자 평가를 위한 진단고사 문제를 추천하는 방법에 있어서,
사용자들의 모든 문제들에 대한 정답 유무를 타나내는 제1 메트릭스(matrix)를 생성하는 단계;
지식 진단(Knowledge Tracing, KT)를 이용하여, 상기 제1 메트릭스에 근거하여 제2 메트릭스를 생성하는 단계; 및
상기 제2 메트릭스에 근거하여, 라쏘 회귀(Lasso Regression)를 이용해 상기 진단고사 문제를 선택하는 단계;
를 포함하는, 진단고사 문제를 추천하는 방법.
제1항에 있어서,
상기 제1 메트릭스는 희소(sparse) 메트릭스이고,
상기 제2 메트릭스는 밀집(dense) 메트릭스인, 진단고사 문제를 추천하는 방법.
제2항에 있어서,
상기 진단고사 문제에 근거하여, 선형 회귀(Linear Regression)를 이용해 사용자 점수 예측을 위한 모델을 학습시키는 단계;
를 더 포함하는, 진단고사 문제를 추천하는 방법.
제3항에 있어서,
상기 사용자가 상기 문제들을 풀은 시간값을 가중치로 하여, 상기 사용자 점수 예측을 위한 모델을 보정하는 단계;
를 더 포함하는, 진단고사 문제를 추천하는 방법.
제4항에 있어서,
상기 시간값은
상기 문제들의 파트 별, 문제 풀은 시간들의 평균값인, 진단고사 문제를 추천하는 방법.
제5항에 있어서,
상기 시간값은
상기 평균값에 근거한, 다른 사용자들의 평균값 대비 상기 사용자의 순위값인, 진단고사 문제를 추천하는 방법.
사용자 평가를 위한 진단고사 문제를 추천하는 전자기기에 있어서,
단말과 통신하기 위한 통신모듈(communication module);
메모리;
인공지능(Artificial intelligence, AI) 프로세서; 및
진단고사 선택부;를 포함하고,
상기 인공지능 프로세서는
상기 메모리를 통해, 사용자들의 모든 문제들에 대한 정답 유무를 타나내는 제1 메트릭스(matrix)를 생성하고,
상기 진단고사 선택부는
지식 진단(Knowledge Tracing, KT)를 이용하여, 상기 제1 메트릭스에 근거하여 제2 메트릭스를 생성하고, 상기 제2 메트릭스에 근거하여, 라쏘 회귀(Lasso Regression)를 이용해 상기 진단고사 문제를 선택하는, 전자기기.
제7항에 있어서,
상기 제1 메트릭스는 희소(sparse) 메트릭스이고,
상기 제2 메트릭스는 밀집(dense) 메트릭스인, 전자기기.
제8항에 있어서,
상기 인공지능 프로세서는
상기 진단고사 문제에 근거하여, 선형 회귀(Linear Regression)를 이용해 사용자 점수 예측을 위한 모델을 학습시키는, 전자기기.
제9항에 있어서,
상기 인공지능 프로세서는
상기 사용자가 상기 문제들을 풀은 시간값을 가중치로 하여, 상기 사용자 점수 예측을 위한 모델을 보정하는, 전자기기.
제10항에 있어서,
상기 시간값은
상기 문제들의 파트 별, 문제 풀은 시간들의 평균값인, 전자기기.
제11항에 있어서,
상기 시간값은
상기 평균값에 근거한, 다른 사용자들의 평균값 대비 상기 사용자의 순위값인, 전자기기.