KR102398317B1 - 교육의 공평성을 위한 교육 컨텐츠 추천 방법, 교육 컨텐츠 추천 장치, 및 교육 컨텐츠 추천 시스템 - Google Patents

교육의 공평성을 위한 교육 컨텐츠 추천 방법, 교육 컨텐츠 추천 장치, 및 교육 컨텐츠 추천 시스템 Download PDF

Info

Publication number
KR102398317B1
KR102398317B1 KR1020210086400A KR20210086400A KR102398317B1 KR 102398317 B1 KR102398317 B1 KR 102398317B1 KR 1020210086400 A KR1020210086400 A KR 1020210086400A KR 20210086400 A KR20210086400 A KR 20210086400A KR 102398317 B1 KR102398317 B1 KR 102398317B1
Authority
KR
South Korea
Prior art keywords
user
learning ability
information
educational content
neural network
Prior art date
Application number
KR1020210086400A
Other languages
English (en)
Inventor
노현빈
Original Assignee
(주)뤼이드
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 (주)뤼이드 filed Critical (주)뤼이드
Priority to KR1020220057646A priority Critical patent/KR20230005737A/ko
Priority to KR1020210086400A priority patent/KR102398317B1/ko
Application granted granted Critical
Publication of KR102398317B1 publication Critical patent/KR102398317B1/ko
Priority to US17/853,015 priority patent/US20230005383A1/en
Priority to PCT/KR2022/009420 priority patent/WO2023277613A1/ko

Links

Images

Classifications

    • 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
    • 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
    • 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
    • G09B7/04—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 characterised by modifying the teaching programme in response to a wrong answer, e.g. repeating the question, supplying a further explanation
    • 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
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • G06N3/091—Active learning
    • 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
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0631—Item recommendations
    • 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
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G06N5/041—Abduction

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Educational Administration (AREA)
  • Educational Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Development Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Primary Health Care (AREA)

Abstract

본 출원의 일 실시예에 따른 교육 컨텐츠 추천 방법은, 사용자의 학습 데이터를 획득하는 단계-상기 학습 데이터는 제1 시점에서의 사용자의 제1 학습 능력 정보, 제2 시점에서의 사용자의 제2 학습 능력 정보 및 사용자의 문제 풀이 정보 중 적어도 하나를 포함함-; 상기 학습 데이터에 기초하여 사용자의 목표 학습 능력 정보를 획득하는 단계; 상기 목표 학습 능력 정보에 기초하여 신경망 모델을 결정하는 단계; 상기 결정된 신경망 모델에 대응되는 리소스를 분배하는 단계; 및 상기 결정된 신경망 모델을 통하여 사용자에게 추천될 교육 컨텐츠를 획득하는 단계;를 포함하되, 상기 신경망 모델은, 사용자의 상기 목표 학습 능력 정보가 제1 목표 학습 능력치를 포함하는 경우 제1 리소스가 요구되는 제1 신경망 모델로 결정되고, 사용자의 상기 목표 학습 능력 정보가 상기 제1 목표 학습 능력치보다 낮은 제2 목표 학습 능력치를 포함하는 경우 상기 제1 리소스보다 큰 제2 리소스가 요구되는 제2 신경망 모델로 결정된다.
본 출원의 일 실시예에 따른 사용자의 학습 데이터를 외부의 사용자 단말 장치로부터 수신하여 교육 컨텐츠를 추천하는 장치는, 상기 사용자 단말기와 통신하는 송수신부; 상기 송수신부를 통하여 사용자의 학습 데이터를 획득하고, 상기 학습 데이터에 기초하여 교육 컨텐츠를 결정하도록 구성된 컨트롤러;를 포함하되, 상기 컨트롤러는, 상기 학습 데이터-상기 학습 데이터는 제1 시점에서의 사용자의 제1 학습 능력 정보, 제2 시점에서의 사용자의 제2 학습 능력 정보 및 사용자의 문제 풀이 정보 중 적어도 하나를 포함함-를 획득하고, 상기 학습 데이터에 기초하여 사용자의 목표 학습 능력 정보를 획득하고, 상기 목표 학습 능력 정보에 기초하여 신경망 모델을 결정하고, 상기 결정된 신경망 모델에 대응되는 리소스를 분배하고, 상기 결정된 신경망 모델을 통하여 사용자에게 추천될 교육 컨텐츠를 획득하도록 구성되되, 상기 신경망 모델은, 사용자의 상기 목표 학습 능력 정보가 제1 목표 학습 능력치를 포함하는 경우 제1 리소스가 요구되는 제1 신경망 모델로 결정되고, 사용자의 상기 목표 학습 능력 정보가 상기 제1 목표 학습 능력치보다 낮은 제2 목표 학습 능력치를 포함하는 경우 상기 제1 리소스보다 큰 제2 리소스가 요구되는 제2 신경망 모델로 결정될 수 있다.

Description

교육의 공평성을 위한 교육 컨텐츠 추천 방법, 교육 컨텐츠 추천 장치, 및 교육 컨텐츠 추천 시스템{METHOD FOR, DEVICE FOR, AND SYSTEM FOR RECOMMENDING EDUCATION CONTENTS FOR FAIRNESS OF THE EDUCATION}
본 출원은 교육 컨텐츠를 교육 컨텐츠 추천 방법, 교육 컨텐츠 추천 장치 및 교육 컨텐츠 추천 시스템에 관한 것이다. 구체적으로 본 출원은 사용자의 학습 능력에 기초하여 교육 컨텐츠를 추천하는 동작에 소요되는 리소스를 분배하는 방법 및 장치에 관한 것이다.
인공 지능 기술이 발전하면서 사용자의 학습 실력을 진단하고, 진단 결과에 기반하여 교육 컨텐츠를 추천하는 교육 기술 분야가 주목받고 있다. 특히 공교육 분야에서는 각 사용자가 자신의 목표 학습 능력에 도달할 수 있도록 교육 컨텐츠를 적절하게 제공함으로써 교육의 공평함(Fairness)을 보장하기 위한 기술이 요구되고 있다.
그러나 종래의 기술들은 더 진보된 알고리즘, 더 많은 컴퓨팅 리소스를 사용하여 교육적 효과를 높이는 데에 목적을 두고 있었으며, 이러한 현상은 더 많은 비용을 지불하는 사용자들이 더 높은 교육적 효과를 누릴 가능성을 높이는 문제를 야기하고 있다.
이에, 사용자의 학습 능력 정보를 고려하여 교육 컨텐츠를 적절하게 추천함으로써, 교육의 공평함을 보장하면서도 사용자의 교육 효과를 최대화할 수 있는 교육 컨텐츠 추천 방법 및 장치의 개발이 요구된다.
삭제
대한민국 공개특허공보 제10-2016-0109913호 (2016.09.21.)
본 발명이 해결하고자 하는 일 과제는, 사용자의 학습 능력에 기초하여 교육 컨텐츠를 제공하는 교육 컨텐츠 추천 방법, 교육 컨텐츠 추천 장치 및 교육 컨텐츠 추천 시스템을 제공하는 것이다.
본 발명이 해결하고자 하는 과제가 상술한 과제로 제한되는 것은 아니며, 언급되지 아니한 과제들은 본 명세서 및 첨부된 도면으로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
본 출원의 일 실시예에 따른 교육 컨텐츠 추천 방법은, 사용자의 학습 데이터를 획득하는 단계-상기 학습 데이터는 제1 시점에서의 사용자의 제1 학습 능력 정보, 제2 시점에서의 사용자의 제2 학습 능력 정보 및 사용자의 문제 풀이 정보 중 적어도 하나를 포함함-; 상기 학습 데이터에 기초하여 사용자의 목표 학습 능력 정보를 획득하는 단계; 상기 목표 학습 능력 정보에 기초하여 신경망 모델을 결정하는 단계; 상기 결정된 신경망 모델에 대응되는 리소스를 분배하는 단계; 및 상기 결정된 신경망 모델을 통하여 사용자에게 추천할 교육 컨텐츠를 획득하는 단계;를 포함하되, 상기 신경망 모델은, 사용자의 상기 목표 학습 능력 정보가 제1 목표 학습 능력치를 포함하는 경우 제1 리소스가 요구되는 제1 신경망 모델로 결정되고, 사용자의 상기 목표 학습 능력 정보가 상기 제1 목표 학습 능력치보다 낮은 제2 목표 학습 능력치를 포함하는 경우 상기 제1 리소스보다 큰 제2 리소스가 요구되는 제2 신경망 모델로 결정될 수 있다.
본 출원의 일 실시예에 따른 사용자의 학습 데이터를 외부의 사용자 단말 장치로부터 수신하여 교육 컨텐츠를 추천하는 장치는, 상기 사용자 단말기와 통신하는 송수신부; 상기 송수신부를 통하여 사용자의 학습 데이터를 획득하고, 상기 학습 데이터에 기초하여 교육 컨텐츠를 결정하도록 구성된 컨트롤러;를 포함하되, 상기 컨트롤러는, 상기 학습 데이터-상기 학습 데이터는 제1 시점에서의 사용자의 제1 학습 능력 정보, 제2 시점에서의 사용자의 제2 학습 능력 정보 및 사용자의 문제 풀이 정보 중 적어도 하나를 포함함-를 획득하고, 상기 학습 데이터에 기초하여 사용자의 목표 학습 능력 정보를 획득하고, 상기 목표 학습 능력 정보에 기초하여 신경망 모델을 결정하고, 상기 결정된 신경망 모델에 대응되는 리소스를 분배하고, 상기 결정된 신경망 모델을 통하여 사용자에게 추천할 교육 컨텐츠를 획득하도록 구성되되, 상기 신경망 모델은, 사용자의 상기 목표 학습 능력 정보가 제1 목표 학습 능력치를 포함하는 경우 제1 리소스가 요구되는 제1 신경망 모델로 결정되고, 사용자의 상기 목표 학습 능력 정보가 상기 제1 목표 학습 능력치보다 낮은 제2 목표 학습 능력치를 포함하는 경우 상기 제1 리소스보다 큰 제2 리소스가 요구되는 제2 신경망 모델로 결정될 수 있다.
본 발명의 과제의 해결 수단이 상술한 해결 수단들로 제한되는 것은 아니며, 언급되지 아니한 해결 수단들은 본 명세서 및 첨부된 도면으로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
본 출원의 실시예에 따른 교육 컨텐츠 추천 방법, 장치 및 시스템에 의하면, 사용자의 학습 능력을 고려하여 교육 컨텐츠를 선별함으로써 사용자의 실력 향상에 가장 도움이 되는 교육 컨텐츠를 사용자에게 제공할 수 있다.
본 출원의 실시예에 따른 교육 컨텐츠 추천 방법, 장치 및 시스템에 의하면, 사용자의 학습 능력에 따라 교육 컨텐츠를 선별하는 데 소요되는 리소스를 적절히 분배함으로써, 교육의 공평함(Equity)을 보장할 수 있다.
본 발명의 효과가 상술한 효과들로 제한되는 것은 아니며, 언급되지 아니한 효과들은 본 명세서 및 첨부된 도면으로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확히 이해될 수 있을 것이다.
도 1은 본 출원의 일 실시예에 따른 교육 컨텐츠 추천 시스템에 관한 개략도이다.
도 2는 본 출원의 일 실시예에 따른 교육 컨텐츠 추천 장치의 동작들을 나타낸 도면이다.
도 3은 본 출원의 일 실시예에 따른 교육 컨텐츠 추천 방법의 순서도이다.
도 4는 본 출원의 일 실시예에 따른 사용자의 목표 학습 능력 정보를 획득하는 방법의 구체적인 순서도이다.
도 5는 본 출원의 일 실시예에 따른 사용자의 목표 학습 능력 정보를 획득하는 일 양상을 나타낸 도면이다.
도 6은 본 출원의 일 실시예에 따른 사용자의 목표 학습 능력 정보를 획득하는 다른 양상을 나타낸 도면이다.
도 7은 본 출원의 일 실시예에 따른 사용자의 학습 능력에 따라 신경망 모델을 결정하는 일 양상을 나타낸 도면이다.
도 8은 종래 기술에 따라 사용자의 학습 능력을 고려하지 않고 교육 컨텐츠를 추천한 경우의 사용자의 예상 학습 성취도의 확률 분포를 나타낸 그래프이다.
도 9는 본 출원의 일 실시예에 따라 사용자의 학습 능력을 고려하여 리소스를 분배한 경우의 사용자의 예상 학습 성취도의 확률 분포를 나타낸 그래프이다.
본 출원의 상술한 목적, 특징들 및 장점은 첨부된 도면과 관련된 다음의 상세한 설명을 통해 보다 분명해질 것이다. 다만, 본 출원은 다양한 변경을 가할 수 있고 여러 가지 실시예들을 가질 수 있는 바, 이하에서는 특정 실시예들을 도면에 예시하고 이를 상세히 설명하고자 한다.
명세서 전체에 걸쳐서 동일한 참조번호들은 원칙적으로 동일한 구성요소들을 나타낸다. 또한, 각 실시예의 도면에 나타나는 동일한 사상의 범위 내의 기능이 동일한 구성요소는 동일한 참조부호를 사용하여 설명하며, 이에 대한 중복되는 설명은 생략하기로 한다.
본 출원과 관련된 공지 기능 혹은 구성에 대한 구체적인 설명이 본 출원의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 본 명세서의 설명 과정에서 이용되는 숫자(예를 들어, 제1, 제2 등)는 하나의 구성요소를 다른 구성요소와 구분하기 위한 식별기호에 불과하다.
또한, 이하의 실시예에서 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.
이하의 실시예에서, 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다.
이하의 실시예에서, 포함하다 또는 가지다 등의 용어는 명세서상에 기재된 특징, 또는 구성요소가 존재함을 의미하는 것이고, 하나 이상의 다른 특징들 또는 구성요소가 부가될 가능성을 미리 배제하는 것은 아니다.
도면에서는 설명의 편의를 위하여 구성 요소들이 그 크기가 과장 또는 축소될 수 있다. 예컨대, 도면에서 나타난 각 구성의 크기 및 두께는 설명의 편의를 위해 임의로 나타낸 것으로, 본 발명이 반드시 도시된 바에 한정되지 않는다.
어떤 실시예가 달리 구현 가능한 경우에 특정한 프로세스의 순서는 설명되는 순서와 다르게 수행될 수도 있다. 예를 들어, 연속하여 설명되는 두 프로세스가 실질적으로 동시에 수행될 수도 있고, 설명되는 순서와 반대의 순서로 진행될 수 있다.
이하의 실시예에서, 구성 요소 등이 연결되었다고 할 때, 구성 요소들이 직접적으로 연결된 경우뿐만 아니라 구성요소들 중간에 구성 요소들이 개재되어 간접적으로 연결된 경우도 포함한다.
예컨대, 본 명세서에서 구성 요소 등이 전기적으로 연결되었다고 할 때, 구성 요소 등이 직접 전기적으로 연결된 경우뿐만 아니라, 그 중간에 구성 요소 등이 개재되어 간접적으로 전기적 연결된 경우도 포함한다.
본 출원의 일 실시예에 따른 교육 컨텐츠 추천 방법은, 사용자의 학습 데이터를 획득하는 단계-상기 학습 데이터는 제1 시점에서의 사용자의 제1 학습 능력 정보, 제2 시점에서의 사용자의 제2 학습 능력 정보 및 사용자의 문제 풀이 정보 중 적어도 하나를 포함함-; 상기 학습 데이터에 기초하여 사용자의 목표 학습 능력 정보를 획득하는 단계; 상기 목표 학습 능력 정보에 기초하여 신경망 모델을 결정하는 단계; 상기 결정된 신경망 모델에 대응되는 리소스를 분배하는 단계; 및 상기 결정된 신경망 모델을 통하여 사용자에게 추천할 교육 컨텐츠를 획득하는 단계;를 포함하되, 상기 신경망 모델은, 사용자의 상기 목표 학습 능력 정보가 제1 목표 학습 능력치를 포함하는 경우 제1 리소스가 요구되는 제1 신경망 모델로 결정되고, 사용자의 상기 목표 학습 능력 정보가 상기 제1 목표 학습 능력치보다 낮은 제2 목표 학습 능력치를 포함하는 경우 상기 제1 리소스보다 큰 제2 리소스가 요구되는 제2 신경망 모델로 결정될 수 있다.
본 출원의 일 실시예에 따른 교육 컨텐츠 추천 방법에 있어서, 상기 목표 학습 능력 정보를 획득하는 단계는, 상기 학습 데이터에 기초하여 최대 학습 능력 정보를 계산하는 단계; 및 상기 최대 학습 능력 정보에 기초하여 상기 목표 학습 능력 정보를 획득하는 단계;를 더 포함하되, 상기 목표 학습 능력 정보는 상기 최대 학습 능력 정보에 포함된 최대 학습 능력치의 미리 결정된 비율의 값으로 결정될 수 있다.
본 출원의 일 실시예에 따른 교육 컨텐츠 추천 방법에 있어서, 상기 최대 학습 능력 정보를 계산하는 단계는, 상기 제1 학습 능력 정보, 상기 제2 학습 능력 정보 및 상기 문제 풀이 정보 중 적어도 하나에 기초하여 사용자의 예상 학습 능력과 관련된 확률 분포 그래프를 생성하는 단계; 및 상기 확률 분포 그래프에 기초하여 상기 최대 학습 능력 정보를 계산하는 단계;를 더 포함할 수 있다.
본 출원의 일 실시예에 따른 교육 컨텐츠 추천 방법에 있어서, 상기 확률 분포 그래프에 기초하여 상기 최대 학습 능력 정보를 계산하는 단계는, 상기 확률 분포 그래프의 변화율 정보를 획득하는 단계; 상기 변화율 정보 중 미리 결정된 변화율보다 작은 값을 포함하는 제1 변화율 정보를 획득하는 단계; 및 상기 제1 변화율 정보에 대응되는 시점에서의 사용자의 예상 학습 능력을 상기 최대 학습 능력 정보로 결정하는 단계;를 더 포함할 수 있다.
본 출원의 일 실시예에 따르면, 컴퓨터에 상술한 교육 컨텐츠 추천 방법들 중 적어도 하나를 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체가 제공될 수 있다.
본 출원의 일 실시예에 따른 사용자의 학습 데이터를 외부의 사용자 단말 장치로부터 수신하여 교육 컨텐츠를 추천하는 장치는, 상기 사용자 단말기와 통신하는 송수신부; 상기 송수신부를 통하여 사용자의 학습 데이터를 획득하고, 상기 학습 데이터에 기초하여 교육 컨텐츠를 결정하도록 구성된 컨트롤러;를 포함하되, 상기 컨트롤러는, 상기 학습 데이터-상기 학습 데이터는 제1 시점에서의 사용자의 제1 학습 능력 정보, 제2 시점에서의 사용자의 제2 학습 능력 정보 및 사용자의 문제 풀이 정보 중 적어도 하나를 포함함-를 획득하고, 상기 학습 데이터에 기초하여 사용자의 목표 학습 능력 정보를 획득하고, 상기 목표 학습 능력 정보에 기초하여 신경망 모델을 결정하고, 상기 결정된 신경망 모델에 대응되는 리소스를 분배하고, 상기 결정된 신경망 모델을 통하여 사용자에게 추천할 교육 컨텐츠를 획득하도록 구성되되, 상기 신경망 모델은, 사용자의 상기 목표 학습 능력 정보가 제1 목표 학습 능력치를 포함하는 경우 제1 리소스가 요구되는 제1 신경망 모델로 결정되고, 사용자의 상기 목표 학습 능력 정보가 상기 제1 목표 학습 능력치보다 낮은 제2 목표 학습 능력치를 포함하는 경우 상기 제1 리소스보다 큰 제2 리소스가 요구되는 제2 신경망 모델로 결정될 수 있다.
본 출원의 일 실시예에 따른 교육 컨텐츠 추천 장치에 있어서, 상기 컨트롤러는, 상기 학습 데이터에 기초하여 최대 학습 능력 정보를 획득하고, 상기 최대 학습 능력 정보에 기초하여 상기 목표 학습 능력 정보를 획득하도록 구성되되, 상기 목표 학습 능력 정보는 상기 최대 학습 능력 정보에 포함된 최대 학습 능력치의 미리 결정된 비율의 능력치로 결정될 수 있다.
본 출원의 일 실시예에 따른 교육 컨텐츠 추천 장치에 있어서, 상기 컨트롤러는, 상기 제1 학습 능력 정보, 상기 제2 학습 능력 정보 및 상기 문제 풀이 정보 중 적어도 하나에 기초하여 사용자의 예상 학습 능력과 관련된 확률 분포 그래프를 생성하고, 상기 확률 분포 그래프에 기초하여 상기 최대 학습 능력 정보를 계산하도록 구성될 수 있다.
본 출원의 일 실시예에 따른 교육 컨텐츠 추천 장치에 있어서, 상기 컨트롤러는, 상기 확률 분포 그래프의 변화율 정보를 획득하고, 상기 변화율 정보 중 미리 결정된 값보다 작은 값을 포함하는 제1 변화율 정보를 획득하고, 상기 제1 변화율 정보에 대응되는 시점에서의 사용자의 예상 학습 능력을 상기 최대 학습 능력 정보로 결정하도록 구성될 수 있다.
이하에서는 도 1 내지 도 9를 참고하여 본 출원의 교육 컨텐츠 추천 방법, 교육 컨텐츠 추천 장치 및 교육 컨텐츠 추천 시스템에 관하여 설명한다.
도 1은 본 출원의 일 실시예에 따른 교육 컨텐츠 추천 시스템의 개략도이다.
본 출원의 일 실시예에 따른 교육 컨텐츠 추천 시스템(10)은 사용자 단말(100) 및 교육 컨텐츠 추천 장치(1000)를 포함할 수 있다.
사용자 단말(100)은 교육 컨텐츠 추천 장치(1000) 혹은 임의의 외부장치로부터 문제 데이터베이스를 획득할 수 있다. 예를 들어, 사용자 단말(100)은 문제 데이터베이스에 포함된 일부 문제를 수신하고, 수신한 문제들을 사용자에게 디스플레이할 수 있다. 이어 사용자는 제시된 문제에 대한 응답을 사용자 단말(100)에 입력할 수 있다.
사용자 단말(100)은 사용자의 응답에 기초하여 학습 데이터를 획득하고, 사용자의 학습 데이터를 교육 컨텐츠로 송신할 수 있다. 여기서, 학습 데이터란, 사용자가 풀이한 문제 식별 정보, 이에 대한 사용자의 응답 정보 및/또는 정오답 정보 등을 포괄하는 의미일 수 있다. 한편, 사용자 단말(100)은 사용자 정보를 교육 컨텐츠 추천 장치(1000)로 송신할 수 있다.
한편, 사용자 단말(100)은 후술할 바와 같이 교육 컨텐츠 추천 장치(1000)로부터 계산된 추천 컨텐츠를 수신할 수 있다. 또한, 사용자 단말(1000)은 수신된 추천 컨텐츠를 사용자에게 디스플레이할 수 있다.
본 출원의 일 실시예에 따른 교육 컨텐츠 추천 장치(1000)는 송수신부(1100), 메모리(1200) 및 컨트롤러(1300)를 포함할 수 있다.
송수신부(1100)는 사용자 단말(100)을 포함한 임의의 외부 기기와 통신을 수행할 수 있다. 예컨대, 교육 컨텐츠 추천 장치(1000)는 송수신부(1100)를 통해, 사용자 단말(100)로부터 사용자의 학습 데이터 및/또는 사용자 정보를 수신하거나 추천 컨텐츠를 사용자 단말(100)로 송신할 수 있다.
교육 컨텐츠 추천 장치(1000)는, 송수신부(1100)를 통해 네트워크에 접속하여 각종 데이터를 송수신할 수 있다. 송수신부(1200)는 크게 유선 타입과 무선 타입을 포함할 수 있다. 유선 타입과 무선 타입은 각각의 장단점을 가지므로, 경우에 따라서 교육 컨텐츠 추천 장치(1000)에는 유선 타입과 무선 타입이 동시에 마련될 수도 있다. 여기서, 무선 타입의 경우에는 주로 와이파이(Wi-Fi) 같은 WLAN(Wireless Local Area Network) 계열의 통신 방식을 이용할 수 있다. 또는, 무선 타입의 경우에는 셀룰러 통신, 예컨대, LTE, 5G 계열의 통신 방식을 이용할 수 있다. 다만, 무선 통신 프로토콜이 상술한 예시에 제한되는 것은 아니며, 임의의 적절한 무선 타입의 통신 방식을 이용하는 것도 가능하다.
유선 타입의 경우에는 LAN(Local Area Network)이나 USB(Universal Serial Bus) 통신이 대표적인 예이며 그 외의 다른 방식도 가능하다.
메모리(1200)는 각종 정보를 저장할 수 있다. 메모리(1200)에는 각종 데이터가 임시적으로 또는 반영구적으로 저장될 수 있다. 메모리(1200)의 예로는 하드 디스크(HDD: Hard Disk Drive), SSD(Solid State Drive), 플래쉬 메모리(flash memory), 롬(ROM: Read-Only Memory), 램(RAM: Random Access Memory) 등이 있을 수 있다. 메모리(1200)는 교육 컨텐츠 추천 장치(1000)에 내장되는 형태나 탈부착 가능한 형태로 제공될 수 있다. 메모리(1200)에는 교육 컨텐츠 추천 장치(1000)를 구동하기 위한 운용 프로그램(OS: Operating System)이나 교육 컨텐츠 추천 장치 (1000)의 각 구성을 동작시키기 위한 프로그램을 비롯해 교육 컨텐츠 추천 장치 (1000)의 동작에 필요한 각종 데이터가 저장될 수 있다.
컨트롤러(1300)는 교육 컨텐츠 추천 장치(1000)의 전반적인 동작을 제어할 수 있다. 예컨대, 컨트롤러(1300)는 후술할 사용자의 학습 데이터에 기초하여 리소스를 적절하게 분배하여 신경망 모델을 결정하는 동작, 목표 학습 능력 정보를 획득하는 동작, 교육 컨텐츠를 획득하는 동작 등 교육 컨텐츠 추천 장치(1000)의 전반적인 동작을 제어할 수 있다. 구체적으로 컨트롤러(1300)는 메모리(1200)로부터 교육 컨텐츠 추천 장치(1000)의 전반적인 동작을 위한 프로그램을 로딩하여 실행할 수 있다. 컨트롤러(1300)는 하드웨어나 소프트웨어 또는 이들의 조합에 따라 AP(Application Processor), CPU(Central Processing Unit)나 이와 유사한 장치로 구현될 수 있다. 이때, 하드웨어적으로는 전기적 신호를 처리하여 제어 기능을 수행하는 전자 회로 형태로 제공될 수 있으며, 소프트웨어적으로는 하드웨어적 회로를 구동시키는 프로그램이나 코드 형태로 제공될 수 있다.
이하에서는 도 2 내지 도 9를 참고하여, 본 출원의 일 실시예에 따른 교육 컨텐츠 추천 장치(1000)의 동작을 구체적으로 서술한다.
본 출원의 일 실시예에 따른 교육 컨텐츠 추천 장치(1000)는 사용자의 학습 데이터에 기초하여 교육 컨텐츠를 추천하는 동작을 수행할 수 있다.
종래의 기술들은 더 많은 데이터, 더 진보된 알고리즘, 더 많은 리소스를 사용하여 교육적 효과를 높이는 데에 목적을 두고 있었다. 다만, 더 진보된 알고리즘과 더 많은 리소스를 사용하는 신경망 모델이나 컴퓨팅 장치는 그 사용 비용이 상대적으로 많이 소요되기 때문에, 경제적으로 부유한 계층들과 경제적으로 소외된 계층들 간의 교육의 평등함(Fairness)이 하나의 사회적 문제로 지적되고 있다. 다시 말해, 종래의 기술들은 교육의 평등함이나 공정함에 대한 고려가 매우 부족한 실정이다.
본 출원의 일 실시예에 따른 교육 컨텐츠 추천 장치(1000)는 사용자의 학습 데이터에 기초하여 교육 컨텐츠를 추천하는 데 사용되는 한정된 리소스를 적절하게 조절하거나 분배함으로써 교육의 평등함을 보장하는 유리한 효과를 제공할 수 있다. 또한, 본 출원의 일 실시예에 따른 교육 컨텐츠 추천 장치(1000)는 리소스를 적절하게 조절하거나 분해하기 위한 기준으로 사용자의 학습 가능성을 고려하도록 구성되며, 학습 가능성에 따라 리소스를 효율적으로 분배함으로써, 교육의 평등함을 보장하는 동시에 사용자의 학습 가능성에 대응되는 최적의 교육 컨텐츠를 사용자에게 제공할 수 있다.
이하에서는 도 2를 참고하여, 상술한 목적과 효과를 달성하기 위한 본 출원의 일 실시예에 따른 교육 컨텐츠 추천 장치(1000)의 동작을 구체적으로 서술한다. 도 2는 본 출원의 일 실시예에 따른 교육 컨텐츠 추천 장치(1000)의 동작을 나타낸 도면이다.
본 출원의 일 실시예에 따른 교육 컨텐츠 추천 장치(1000)는 데이터베이스로부터 학습 데이터를 획득할 수 있다. 여기서 학습 데이터는 전술한 바와 같이, 사용자가 풀이한 문제 식별 정보, 문제에 대한 사용자의 응답 정보 및/또는 정오답 정보 등을 사용자의 학습과 관련된 임의의 데이터를 포괄하는 의미일 수 있다.
또한, 본 출원의 일 실시예에 따른 교육 컨텐츠 추천 장치(1000)는 데이터베이스로부터 문제 식별 정보, 문제에 대한 복수의 사용자들의 각각의 응답 정보 및/또는 정오답 정보를 획득할 수 있다.
본 출원의 일 실시예에 따른 교육 컨텐츠 추천 장치(1000)는 사용자의 학습 능력을 평가하거나 산출하는 동작을 수행할 수 있다. 예컨대, 교육 컨텐츠 추천 장치(1000)는 사용자의 학습 데이터에 기초하여 사용자의 학습 능력을 평가하여 학습 능력 정보를 산출할 수 있다. 여기서 학습 능력이란, 사용자의 각종 시험에 대한 현재 점수, 예측 점수, 추론력, 논리력, 집중력, 잠재능력, 최대 학습 성취도, 목표 학습 성취도, 예측 학습 성취도 등 임의의 방법을 이용하여 진단가능한 학습과 관련된 사용자의 능력을 포괄하는 의미일 수 있다. 또한, 학습 능력 정보는 전술한 학습 능력을 정량화하거나 정량화할 수 있는 임의의 형태의 정보를 포괄할 수 있다.
본 출원의 일 실시예에 따른 교육 컨텐츠 추천 장치(1000)는 사용자의 학습 데이터에 기초하여 사용자의 목표 학습 능력 정보를 획득할 수 있다. 사용자의 목표 학습 능력 정보를 계산하는 방법에 대하여는 도 4 내지 도 6에서 구체적으로 후술한다.
본 출원의 일 실시예에 따른 교육 컨텐츠 추천 장치(1000)는 사용자의 목표 학습 능력 정보에 기초하여 신경망 모델을 결정할 수 있다. 예컨대, 제1 사용자의 목표 학습 능력 정보가 제1 목표 학습 능력치를 포함하는 경우에는, 교육 컨텐츠를 획득하는 데 이용되는 신경망 모델을 제1 리소스가 요구되는 제1 신경망 모델로 결정할 수 있다. 또한, 교육 컨텐츠 추천 장치(1000)는 제1 리소스에 대응되는 컴퓨팅 리소스를 신경망 모델에 분배하도록 구현될 수 있다.
반면, 제2 사용자의 목표 학습 능력 정보가 제2 목표 학습 능력치를 포함하는 경우에는, 교육 컨텐츠를 획득하는 데 이용되는 신경망 모델을 제2 리소스가 요구되는 제2 신경망 모델로 결정할 수 있다. 또한, 교육 컨텐츠 추천 장치(1000)는 제2 리소스에 대응되는 컴퓨팅 리소스를 신경망 모델에 분배하도록 구현될 수 있다. 여기서, 컴퓨팅 리소스란, 연산량과 메모리, 네트워크 등의 크기나 형태 등의 조합을 포괄하는 의미일 수 있다.
한편, 본 출원의 일 실시예에 따른 교육 컨텐츠 추천 장치(1000)는 가용가능한 컴퓨팅 리소스를 지속적으로 모니터링할 수 있다. 이를 통하여 교육 컨텐츠 추천 장치(1000)는 분배할 리소스 정보를 획득할 수 있고, 이에 기초하여 사용자별로 분배할 리소스와 교육 컨텐츠를 획득할 신경망 모델을 결정할 수 있다.
본 출원의 일 실시예에 따른 교육 컨텐츠 추천 장치(1000)는 결정된 신경망 모델을 통하여 교육 컨텐츠를 획득할 수 있다. 예컨대, 제1 리소스가 요구되는 제1 신경망 모델을 통하여는 제1 교육 컨텐츠 세트를 획득할 수 있고, 제2 리소스가 요구되는 제2 신경망 모델을 통하여는 제1 교육 컨텐츠 세트와는 적어도 일부가 상이한 제2 교육 컨텐츠 세트를 획득할 수 있다.
도 3은 본 출원의 일 실시예에 따른 교육 컨텐츠 추천 방법의 순서도이다. 본 출원의 일 실시예에 따른 교육 컨텐츠 추천 방법은 사용자의 학습 데이터를 획득하는 단계(S1000), 사용자의 목표 학습 능력 정보를 획득하는 단계(S2000), 신경망 모델을 결정하는 단계(S3000), 리소스를 분배하는 단계(S4000) 및 사용자에게 추천될 교육 컨텐츠를 획득하는 단계(S5000)를 포함할 수 있다.
사용자의 학습 데이터를 획득하는 단계(S1000)에서는, 교육 컨텐츠 추천 장치(1000)는 사용자 단말(100)로부터 수신된 학습 데이터를 획득할 수 있다. 학습 데이터는 전술한 바와 같이 사용자가 풀이한 문제 식별 정보, 이에 대한 사용자의 응답 정보 및/또는 정오답 정보 등을 포함하는 문제 풀이 정보를 포괄하는 의미일 수 있다.
또한, 학습 데이터는 시간에 따른 사용자의 학습 능력 정보를 포함할 수 있다. 예컨대, 학습 데이터는 제1 시점에서의 제1 학습 능력 정보 및/또는 제2 시점에서의 제2 학습 능력 정보를 포함할 수 있다. 구체적인 예를 들어, 제1 학습 능력 정보는 사용자의 제1 시점에서의 공인 시험(예, 토익, SAT 등)에 대한 점수 정보일 수 있다. 제2 학습 능력 정보는 사용자의 제2 시점에서의 공인 시험(예, 토익, SAT 등)에 대한 점수 정보일 수 있다. 다만, 이는 예시에 불과하며, 전술한 바와 같이 학습 능력이란, 사용자의 각종 시험에 대한 현재 점수, 예측 점수, 추론력, 논리력, 집중력, 잠재능력 등 임의의 방법을 이용하여 진단 가능한 학습과 관련된 사용자의 능력을 포괄하는 의미일 수 있으며, 학습 능력 정보는 전술한 학습 능력을 정량화한 정보이거나 정량화할 수 있는 임의의 형태의 정보일 수 있다.
사용자의 목표 학습 능력 정보를 획득하는 단계(S2000)에서는, 교육 컨텐츠 추천 장치(1000)는, 사용자의 학습 데이터에 기초하여 사용자의 목표 학습 능력 정보를 계산할 수 있다. 일 예로, 교육 컨텐츠 추천 장치(1000)는 사용자의 학습 데이터에 기초하여 사용자의 예상 학습 능력치를 추정하고 추정된 예상 학습 능력치에 기초하여 사용자의 최대 학습 능력 정보를 계산할 수 있다. 또한, 교육 컨텐츠 추천 장치(1000)는 사용자의 최대 학습 능력 정보에 기초하여 사용자의 목표 학습 능력 정보를 계산할 수 있다.
사용자의 최대 학습 능력 정보 및 목표 학습 능력 정보를 계산하는 방법은 다양할 수 있다.
이하에서는 도 4 내지 도 5를 참고하여, 본 출원의 일 실시예에 따라 사용자의 최대 학습 능력 정보 및 목표 학습 능력 정보를 계산하는 방법에 대하여 구체적으로 서술한다.
도 4는 본 출원의 일 실시예에 따른 사용자의 목표 학습 능력 정보를 획득하는 방법의 구체적인 순서도이다. 도 5는 본 출원의 일 실시예에 따른 사용자의 목표 학습 능력 정보를 획득하는 일 양상을 나타낸 도면이다.
사용자의 목표 학습 능력 정보를 획득하는 단계(S2000)는 사용자의 예상 학습 능력과 관련된 확률 분포 그래프를 생성하는 단계(S2100), 확률 분포 그래프에 기초하여 최대 학습 능력 정보를 계산하는 단계(S2200) 및 최대 학습 능력 정보에 기초하여 목표 학습 능력 정보를 계산하는 단계(S2300)를 포함할 수 있다.
사용자의 예상 학습 능력과 관련된 확률 분포 그래프를 생성하는 단계(S2100)는 교육 컨텐츠 추천 장치(1000)는 사용자의 학습 데이터에 기초하여 사용자의 예상 학습 능력과 관련된 확률 분포 그래프를 생성할 수 있다. 예컨대, 교육 컨텐츠 추천 장치(1000)는 사용자의 학습 능력 정보와 사용자의 문제 풀이 정보에 기초하여 확률 분포 그래프(f)를 생성하도록 구현될 수 있다. 구체적인 예를 들면, 교육 컨텐츠 추천 장치(1000)는 임의의 알고리즘 및/또는 학습된 신경망 모델을 이용하여 사용자의 예상 학습 능력치를 추정할 수 있다. 보다 구체적으로 교육 컨텐츠 추천 장치(1000)는 사용자의 제1 시점에서의 제1 학습 능력 정보와 제2 시점에서의 제2 학습 능력 정보 및 제1 시점과 제2 시점 사이의 시점에서의 사용자의 문제 풀이 정보를 이용하여 사용자의 예상 학습 능력과 관련된 확률 분포를 예측하도록 구현될 수 있다. 또한, 교육 컨텐츠 추천 장치(1000)는 예측된 확률 분포에 기초하여 사용자의 예상 학습 능력치와 관련된 확률 분포 그래프를(f)를 생성할 수 있다.
확률 분포 그래프(f)에 기초하여 최대 학습 능력 정보를 계산하는 단계(S2200)에서는, 교육 컨텐츠 추천 장치(1000)는 확률 분포 그래프(f)에 기초하여 최대 학습 능력 정보를 계산할 수 있다.
일 예로, 교육 컨텐츠 추천 장치(1000)는 확률 분포 그래프의 변화율 정보에 기초하여 최대 학습 능력 정보를 계산할 수 있다. 예를 들면, 교육 컨텐츠 추천 장치(1000)는 확률 분포 그래프의 변화율 정보(y')를 계산하고, 변화율 정보(y')가 미리 결정된 변화율보다 같거나 작은 값을 포함하는 제1 변화율 정보(y'1)를 획득할 수 있다. 여기서, 교육 컨텐츠 추천 장치(1000)는 제1 변화율 정보(y'1)에 대응되는 시점(t1)에서의 사용자의 예상 학습 능력치를 최대 학습 능력 정보로 결정할 수 있다. 다른 예를 들면, 교육 컨텐츠 추천 장치(1000)는, 변화율이 얼마나 더디어지고 있는지를 나타내는 확률 분포 그래프의 변화율 정보(y'')를 계산하고, 변화율 정보(y'')가 미리 결정된 값보다 같거나 작은 값을 포함하는 제2 변화율 정보를 획득할 수 있다. 여기서, 교육 컨텐츠 추천 장치(1000)는 제2 변화율 정보에 대응되는 시점에서의 사용자의 예상 학습 능력치를 최대 학습 능력 정보로 결정할 수 있다.
다른 예로, 교육 컨텐츠 추천 장치(1000)는 확률 분포 그래프의 면적 정보(A)에 기초하여 최대 학습 능력 정보를 계산할 수 있다. 구체적인 예를 들어, 교육 컨텐츠 추천 장치(1000)는 생성된 확률 분포 그래프의 면적 정보(A) 및 예상 학습 능력치(y)에 기초하여 최대 학습 능력 정보를 계산할 수 있다. 예컨대, 예상 학습 능력치에 대한 면적 정보(A/y)가 제1 값을 갖는 경우 교육 컨텐츠 추천 장치(1000)는 사용자에게 제1 최대 학습 능력치를 포함하는 최대 학습 능력 정보를 할당할 수 있으며, 예상 학습 능력치에 대한 면적 정보(A/y)가 제2 값을 갖는 경우 교육 컨텐츠 장치(1000)는 사용자에게 제2 최대 학습 능력치를 포함하는 최대 학습 능력 정보를 할당할 수 있다.
최대 학습 능력 정보에 기초하여 목표 학습 능력 정보를 계산하는 단계(S2300)에서는 교육 컨텐츠 추천 장치(1000)는 계산된 최대 학습 능력 정보에 기초하여 목표 학습 능력 정보를 산출할 수 있다. 예를 들어, 교육 컨텐츠 추천 장치(1000)는 최대 학습 능력 정보에 포함된 사용자의 최대 학습 능력치에 대한 미리 결정된 비율로 사용자의 목표 학습 능력 정보를 획득할 수 있다. 본 출원의 일 실시예에 따르면, 복수의 사용자 각각의 최대 학습 능력 정보에 대하여 동일한 비율로 목표 학습 능력 정보를 산출하기 때문에, 사용자의 교육의 공평함(Equity)이 보장될 수 있다.
도 4 내지 도 5에서는 사용자의 예상 학습 능력과 관련된 확률 분포 그래프를 생성하고 확률 분포 그래프에 기초하여 사용자의 최대 학습 능력 정보를 획득하는 것을 중심으로 서술하였다. 다만 이는 설명의 편의를 위한 예시에 불과하며, 임의의 적절한 방법에 기초하여 사용자의 목표 학습 능력 정보(또는 최대 학습 능력 정보)를 획득하도록 구현될 수 있을 것이다.
도 6을 참고한다. 도 6은 본 출원의 일 실시예에 따른 사용자의 목표 학습 능력 정보를 획득하는 다른 양상을 나타낸 도면이다.
사용자의 목표 학습 능력 정보를 획득하는 단계(S2000)에서는, 본 출원의 일 실시예에 따른 교육 컨텐츠 추천 장치(1000)는 사용자의 문제 풀이 정보에 기초하여 목표 학습 능력 정보(혹은 최대 학습 능력 정보)를 계산할 수 있다. 구체적인 예를 들어, 교육 컨텐츠 추천 장치(1000)는 문제 데이터베이스로부터 문제 정보와 각 문제 정보에 대한 정답율에 대한 정보를 획득할 수 있다. 또한, 교육 컨텐츠 추천 장치(1000)는 사용자의 학습 데이터로부터 전술한 문제 데이터베이스의 문제 정보와 대응되는 문제 정보에 대한 사용자의 정답율에 대한 정보를 획득할 수 있다. 이때, 교육 컨텐츠 추천 장치(1000)는 사용자의 문제 정보에 대한 정답율에 기초하여 사용자의 목표 학습 능력 정보를 산출할 수 있다. 구체적인 예를 들어, 제1 사용자는 정답율이 낮은 문제에 대하여 상대적으로 높은 정답율을 나타낼 수 있다. 이때, 교육 컨텐츠 추천 장치(1000)는 제1 사용자에 대하여 제1 목표 학습 능력치를 포함하는 목표 학습 능력 정보를 획득할 수 있다. 반면 제2 사용자는 정답율이 낮은 문제에 대하여는 상대적으로 낮은 정답율을 나타낼 수 있다. 이때 교육 컨텐츠 추천 장치(1000)는 제2 사용자에 대하여 제1 목표 학습 능력치보다 낮은 제2 목표 학습 능력치를 포함하는 목표 학습 능력 정보를 산출하도록 구현될 수 있다.
한편, 교육 컨텐츠 추천 장치(1000)는 사용자의 정답율에 대한 정보 및 평균 정답율에 대한 정보에 기초하여 사용자의 목표 학습 능력치를 산출할 수 있다. 예컨대, 교육 컨텐츠 추천 장치(1000)는 평균 정답율에 대한 정보의 적분값과 사용자의 정답율에 대한 정보의 적분값에 기초하여 사용자의 목표 학습 능력치를 산출할 수 있다. 구체적인 예를 들어, 사용자(예, 도 6의 제1 사용자)의 정답율에 대한 정보의 적분값이 제1 값을 가지고, 제1 값이 후술할 제2 값보다 크다면, 교육 컨텐츠 추천 장치(1000)는 사용자(예, 도 6의 제1 사용자)의 목표 학습 능력치를 상대적으로 높은 값으로 계산할 수 있다. 반면, 사용자(예, 도 6의 제2 사용자)의 정답율에 대한 정보의 적분값이 제2 값을 가지고, 제2 값이 전술한 제1 값보다 작다면, 교육 컨텐츠 추천 장치(1000)는 사용자(예, 도 6의 제2 사용자)의 목표 학습 능력치를 상대적으로 낮은 값으로 계산할 수 있다.
또한, 교육 컨텐츠 추천 장치(1000)는 목표 학습 능력치를 산출하는데 문제의 평균 정답율을 고려할 수 있다. 예컨대, 미리 결정된 값의 평균 정답율보다 낮은 정답율을 나타내는 문제들에 대하여, 그 문제들의 평균 정답율보다 높은 정답율을 나타내는 사용자에 대하여는 목표 학습 능력치를 상대적으로 높은 값으로 산출할 수 있다. 반면, 미리 결정된 값의 평균 정답율보다 낮은 정답율을 나타내는 문제들에 대하여, 그 문제들의 평균 정답율보다 낮은 정답율을 나타내는 사용자에 대하여는 목표 학습 능력치를 상대적으로 낮은 값으로 산출할 수 있다.
다른 예를 들어, 미리 결정된 값의 평균 정답율보다 높은 정답율을 나타내는 문제들에 대하여, 그 문제들의 평균 정답율보다 높은 정답율을 나타내는 사용자에 대하여는 목표 학습 능력치를 상대적으로 높은 값으로 산출할 수 있다. 반면, 미리 결정된 값의 평균 정답율보다 높은 정답율을 나타내는 문제들에 대하여, 그 문제들의 평균 정답율보다 낮은 정답율을 나타내는 사용자에 대하여는 목표 학습 능력치를 상대적으로 낮은 값으로 산출할 수 있다.
다만, 상술한 내용은 설명의 편의를 위한 예시에 불과하며, 교육 컨텐츠 추천 장치(1000)는 임의의 적절한 방법을 통하여 사용자의 목표 학습 능력치를 산출하도록 구현될 수 있을 것이다. 예컨대, 교육 컨텐츠 추천 장치(1000)는 문제의 평균 정답율이 낮은 문제에 대하여는 제1 가중치를 부여하고, 문제의 평균 정답율이 높은 문제에 대하여는 제2 가중치를 부여하여 사용자의 목표 학습 능력 정보를 산출하도록 구현될 수 있다. 또한, 이러한 동작을 위하여 평균 정답율이 낮은 문제와 높은 문제의 기준이 되는 기준 평균 정답율이 미리 설정될 수 있을 것이다. 다른 예를 들어, 교육 컨텐츠 추천 장치(1000)는 사용자의 문제 풀이 정보로부터 문제 풀이 소요 시간을 획득하고, 문제 풀이 소요 시간에 기초하여 사용자의 목표 학습 능력치를 산출하도록 구현될 수도 있다.
다시 도 3을 참고하면, 본 출원의 일 실시예에 따른 교육 컨텐츠 추천 방법은 신경망 모델을 결정하는 단계(S3000)를 포함할 수 있다. 신경망 모델을 결정하는 단계(S3000)에서는, 교육 컨텐츠 추천 장치(1000)는 사용자의 목표 학습 능력 정보에 기초하여 신경망 모델을 결정할 수 있다.
도 7은 본 출원의 일 실시예에 따른 사용자의 학습 능력에 따라 신경망 모델을 결정하는 일 양상을 나타낸 도면이다.
본 출원의 일 실시예에 따른 교육 컨텐츠 추천 장치(1000)는 사용자의 목표 학습 능력 정보에 기초하여 신경망 모델을 결정할 수 있다. 구체적으로 교육 컨텐츠 추천 장치(1000)는 사용자의 목표 학습 능력 정보가 작은 값의 능력치를 포함하는 경우, 더 큰 양의 리소스가 요구되는 신경망 모델을 추천 컨텐츠를 획득하는데 이용하도록 구현될 수 있다. 예컨대, 제1 사용자는 제1 목표 학습 능력치를 포함하는 목표 학습 능력 정보를 가진다고 계산되었으며, 제2 사용자는 제1 목표 학습 능력치보다는 낮은 값인 제2 목표 학습 능력치를 포함하는 목표 학습 능력 정보를 가진다고 계산되었다고 가정한다. 이때, 교육 컨텐츠 추천 장치(1000)는 제1 사용자에 대하여는 제1 리소스가 요구되는 제1 신경망 모델을 이용하여 교육 컨텐츠를 획득하도록, 신경망 모델을 제1 신경망 모델로 결정할 수 있다. 반면, 교육 컨텐츠 추천 장치(1000)는 제1 사용자보다 낮은 목표 학습 능력치를 가진 제2 사용자에 대하여는 제1 리소스보다 “큰” 제2 리소스가 요구되는 제2 신경망 모델을 이용하여 교육 컨텐츠를 획득하도록, 신경망 모델을 제2 신경망 모델로 결정할 수 있다.
다시 도 3를 참고하면, 본 출원의 일 실시예에 따른 교육 컨텐츠 추천 방법은 리소스를 분배하는 단계(S4000)를 포함할 수 있다. 구체적으로 리소스를 분배하는 단계(S4000)에서는 교육 컨텐츠 추천 장치(1000)는 결정된 신경망 모델에 대응되는 리소스를 분배할 수 있다. 이때, 분배되는 리소스는 결정된 신경망 모델에 최적인 리소스로 조절되거나 배분될 수 있다. 예를 들어, 도 7을 다시 참고하면, 교육 컨텐츠 추천 장치(1000)는, 신경망 모델이 제1 신경망 모델로 결정된 경우에는 제1 신경망 모델에 요구되는 제1 리소스를 배분하도록 구현될 수 있다. 반면, 교육 컨텐츠 추천 장치(1000)는, 신경망 모델이 제2 신경망 모델로 결정된 경우에는 제2 신경망 모델에 요구되는 제2 리소스를 배분하도록 구현될 수 있다.
다시 도 3를 참고하면, 본 출원의 일 실시예에 따른 교육 컨텐츠 추천 방법은 사용자에게 추천될 교육 컨텐츠를 획득하는 단계(S5000)를 포함할 수 있다. 구체적으로 사용자에게 추천될 교육 컨텐츠를 획득하는 단계(S5000)에서는 결정된 신경망 모델을 통하여 사용자에게 추천될 교육 컨텐츠가 획득될 수 있다. 예컨대, 도 7을 다시 참고하면, 교욱 컨텐츠 추천 장치(1000)는, 제1 사용자에 대하여는 제1 신경망 모델을 통하여 제1 추천 컨텐츠 세트를 획득하도록 구현될 수 있다. 반면, 교욱 컨텐츠 추천 장치(1000)는, 제2 사용자에 대하여는 제2 신경망 모델을 통하여 제1 추천 컨텐츠 세트와는 적어도 일부가 상이한 교육 컨텐츠를 포함하는 제2 추천 컨텐츠 세트를 획득하도록 구현될 수 있다. 여기서 전술한 바와 같이 제2 신경망 모델은 추천 컨텐츠 세트를 획득하는 데 더 큰 리소스를 이용하였으므로 사용자의 목표 학습 능력치에 도달할 확률을 증대시킬 수 있다.
도 8을 참고한다. 도 8은 종래 기술에 따라 사용자의 학습 능력을 고려하지 않고 교육 컨텐츠를 추천한 경우의 사용자의 예상 학습 성취도의 확률 분포를 나타낸 예시적인 그래프이다. 구체적으로 도 8은 동일한 리소스로 동일한 신경망 모델을 사용하여 획득된 교육 컨텐츠를 이용하여 사용자가 학습을 수행하였을 때, 예상 학습 성취도의 확률 분포를 나타내는 예시적인 그래프이다.
예컨대, 제2 사용자는 현재 학습 성취도가 제1 사용자보다 상대적으로 낮을 수 있다. 또한, 제2 사용자의 학습 데이터에 기초하여 계산된 최대 학습 성취도는 제1 사용자의 최대 학습 성취도보다 상대적으로 낮을 수 있다. 또한, 최대 학습 성취도의 미리 결정된 비율로서 계산된 제2 사용자의 목표 학습 성취도는 제1 사용자의 목표 학습 성취도보다 상대적으로 낮을 수 있다. 이때, 제2 사용자가 추천 컨텐츠를 이용하여 학습을 수행하였을 때 목표 학습 성취도에 도달할 확률은 제2 확률값(P2)으로 제1 사용자가 추천 컨텐츠를 이용하여 학습을 수행하였을 때 목표 학습 성취도에 도달할 확률인 제1 확률값(P1)보다는 낮을 수 있다. 즉, 사용자들의 현재 학습 성취도나 최대 학습 성취도(혹은 목표 학습 성취도)를 고려하지 않고 동일한 리소스, 동일한 신경망 모델을 이용하여 획득된 교육 컨텐츠를 이용하여 학습을 수행하는 경우에는 같은 노력을 들이더라도 사용자마다 학습을 통한 성취도 향상이 상이할 수 있다. 즉 교육의 공평성(Fairness)가 보장되지 않을 가능성이 높다.
반면 본 출원의 일 실시예에 따라 사용자의 최대 목표 능력 정보(혹은 목표 능력 정보)를 고려하여 신경망 모델을 결정하고 신경망 모델에 대응되는 리소스를 분배하는 교육 컨텐츠 추천 장치(1000)를 통하여 획득된 교육 컨텐츠를 이용하여 사용자가 학습을 수행을 하는 경우에는 교육의 공평성이 보장될 수 있다.
도 9를 참고한다. 도 9는 본 출원의 일 실시예에 따라 사용자의 학습 능력을 고려하여 리소스를 분배한 경우의 사용자의 예상 학습 성취도의 확률 분포를 나타낸 그래프이다. 구체적으로 최대 학습 성취도(또는 목표 학습 성취도)가 상대적으로 낮은 제2 사용자에게 리소스가 더 요구되는 신경망 모델을 통하여 획득된 교육 컨텐츠를 추천하여 학습을 수행하게 한 경우에는, 제2 사용자의 예상 학습 성취도와 관련된 확률 분포 그래프가, 사용자의 학습 능력을 고려하지 않고 교육 컨텐츠를 추천한 경우보다, 오른쪽으로 형성될 수 있다. 따라서, 제2 사용자가 추천 컨텐츠를 이용하여 학습을 수행하였을 때 목표 학습 성취도에 도달할 확률은 제3 확률값(P3)으로 제1 사용자가 추천 컨텐츠를 이용하여 학습을 수행하였을 때 목표 학습 성취도에 도달할 확률인 제1 확률값(P1)과 유사해질 수 있다. 즉, 본 출원의 일 실시예에 따르면, 사용자들의 현재 학습 성취도나 최대 학습 성취도(혹은 목표 학습 성취도)를 고려하여 신경망 모델을 결정하고 이에 대응하여 리소스를 분배함으로써 교육 컨텐츠를 획득할 수 있으며, 사용자들은 획득된 교육 컨텐츠에 기초하여 학습을 수행함으로써 동일한 노력을 들이더라도 유사한 확률로 각 사용자의 목표 학습 성취도를 달성할 수 있다. 즉 교육의 공평성(Fairness)가 보장될 수 있다.
한편, 도 2 및 도 3에 의하면, 신경망 모델이 우선적으로 결정되고, 결정된 신경망 모델에 대응되는 리소스를 분배하는 것으로 도시하였다. 다만, 이는 예시에 불과하며, 우선적으로 사용자의 목표 학습 능력 정보에 따라 리소스를 배분하고, 이에 대응되는 신경망 모델을 이용하여 교육 컨텐츠를 추천하도록 교육 컨텐츠 추천 장치(1000)가 구현될 수 있을 것이다.
본 출원의 일 실시예에 따른 교육 컨텐츠 추천 장치(1000)는 사용자의 학습 능력 정보에 기초하여 교육 컨텐츠를 획득함으로써 사용자의 실력 향상에 가장 도움이 되는 교육 컨텐츠를 사용자에게 제공할 수 있다.
특히, 본 출원의 일 실시예에 따른 교육 컨텐츠 추천 장치(1000)는 사용자의 목표 학습 능력 정보에 기초하여 교육 컨텐츠를 획득하는 신경망 모델에 요구되는 리소스를 적절하게 분배함으로써, 교육의 공평함을 보장하는 유리한 효과를 제공할 수 있다.
상술한 교육 컨텐츠 추천 장치(1000)의 다양한 동작들은 교육 컨텐츠 추천 장치(1000)의 메모리(12000)에 저장될 수 있으며, 교육 컨텐츠 추천 장치(1000)의 컨트롤러(1300)는 메모리(1200)에 저장된 동작들을 수행하도록 제공될 수 있다.
이상에서 실시 형태들에 설명된 특징, 구조, 효과 등은 본 발명의 적어도 하나의 실시 형태에 포함되며, 반드시 하나의 실시 형태에만 한정되는 것은 아니다. 나아가, 각 실시 형태에서 예시된 특징, 구조, 효과 등은 실시 형태들이 속하는 분야의 통상의 지식을 가지는 자에 의해 다른 실시 형태들에 대해서도 조합 또는 변형되어 실시 가능하다. 따라서 이러한 조합과 변형에 관계된 내용들은 본 발명의 범위에 포함되는 것으로 해석되어야 할 것이다.
또한, 이상에서 실시 형태를 중심으로 설명하였으나 이는 단지 예시일 뿐 본 발명을 한정하는 것이 아니며, 본 발명이 속하는 분야의 통상의 지식을 가진 자라면 본 실시 형태의 본질적인 특성을 벗어나지 않는 범위에서 이상에 예시되지 않은 여러 가지의 변형과 응용이 가능함을 알 수 있을 것이다. 즉, 실시 형태에 구체적으로 나타난 각 구성 요소는 변형하여 실시할 수 있는 것이다. 그리고 이러한 변형과 응용에 관계된 차이점들은 첨부된 청구 범위에서 규정하는 본 발명의 범위에 포함되는 것으로 해석되어야 할 것이다.
10: 교육 컨텐츠 추천 시스템
100: 사용자 단말
1000: 교육 컨텐츠 추천 장치

Claims (9)

  1. 사용자의 학습 데이터를 분석하는 장치가 교육 컨텐츠를 추천하는 방법에 있어서, 상기 방법은,
    사용자의 학습 데이터를 획득하는 단계-상기 학습 데이터는 제1 시점에서의 사용자의 제1 학습 능력 정보, 제2 시점에서의 사용자의 제2 학습 능력 정보 및 사용자의 문제 풀이 정보 중 적어도 하나를 포함함-;
    상기 제1 학습 능력 정보, 상기 제2 학습 능력 정보 및 상기 문제 풀이 정보 중 적어도 하나에 기초하여 사용자의 예상 학습 능력과 관련된 확률 분포 그래프를 생성하는 단계;
    상기 확률 분포 그래프에 기초하여 사용자의 목표 학습 능력 정보를 획득하는 단계;
    상기 목표 학습 능력 정보에 기초하여 신경망 모델을 결정하는 단계;
    상기 결정된 신경망 모델에 대응되는 리소스를 분배하는 단계; 및
    상기 결정된 신경망 모델을 통하여 사용자에게 추천할 교육 컨텐츠를 획득하는 단계;를 포함하되,
    상기 신경망 모델은,
    사용자의 상기 목표 학습 능력 정보가 제1 목표 학습 능력치를 포함하는 경우 제1 리소스가 요구되는 제1 신경망 모델로 결정되고, 사용자의 상기 목표 학습 능력 정보가 상기 제1 목표 학습 능력치보다 낮은 제2 목표 학습 능력치를 포함하는 경우 교육의 평등성을 제공하기 위하여 상기 제1 리소스보다 큰 제2 리소스가 요구되는 제2 신경망 모델로 결정되되,
    상기 제2 신경망 모델은 상기 제2 리소스를 이용하여 상기 제1 리소스를 이용하는 상기 제1 신경망 모델의 경우보다 상기 사용자의 예상 학습 능력을 높이는 방향으로 상기 확률 분포 그래프를 더 많이 변화시키는 교육 컨텐츠를 추천하도록 구성된,
    교육 컨텐츠 추천 방법.
  2. 제1 항에 있어서,
    상기 목표 학습 능력 정보를 획득하는 단계는,
    상기 사용자의 예상 학습 능력과 관련된 확률 분포 그래프에 기초하여 최대 학습 능력 정보를 계산하는 단계; 및
    상기 최대 학습 능력 정보에 기초하여 상기 목표 학습 능력 정보를 획득하는 단계;를 더 포함하되,
    상기 목표 학습 능력 정보는 상기 최대 학습 능력 정보에 포함된 최대 학습 능력치의 미리 결정된 비율의 값으로 결정되는,
    교육 컨텐츠 추천 방법.
  3. 삭제
  4. 제2 항에 있어서,
    상기 확률 분포 그래프에 기초하여 상기 최대 학습 능력 정보를 계산하는 단계는,
    상기 확률 분포 그래프의 변화율 정보를 획득하는 단계;
    상기 변화율 정보 중 미리 결정된 변화율보다 작은 값을 포함하는 제1 변화율 정보를 획득하는 단계; 및
    상기 제1 변화율 정보에 대응되는 시점에서의 사용자의 예상 학습 능력을 상기 최대 학습 능력 정보로 결정하는 단계;를 더 포함하는,
    교육 컨텐츠 추천 방법.
  5. 컴퓨터에 제1 항, 제2 항, 및 제4 항 중 어느 하나의 항에 따른 방법을 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록 매체.
  6. 사용자의 학습 데이터를 외부의 사용자 단말 장치로부터 수신하여 교육 컨텐츠를 추천하는 장치에 있어서,
    상기 사용자 단말 장치와 통신하는 송수신부;
    상기 송수신부를 통하여 사용자의 학습 데이터를 획득하고, 상기 학습 데이터에 기초하여 교육 컨텐츠를 결정하도록 구성된 컨트롤러;를 포함하되,
    상기 컨트롤러는,
    상기 학습 데이터-상기 학습 데이터는 제1 시점에서의 사용자의 제1 학습 능력 정보, 제2 시점에서의 사용자의 제2 학습 능력 정보 및 사용자의 문제 풀이 정보 중 적어도 하나를 포함함-를 획득하고, 상기 제1 학습 능력 정보, 상기 제2 학습 능력 정보 및 상기 문제 풀이 정보 중 적어도 하나에 기초하여 사용자의 예상 학습 능력과 관련된 확률 분포 그래프를 생성하고, 상기 확률 분포 그래프에 기초하여 사용자의 목표 학습 능력 정보를 획득하고, 상기 목표 학습 능력 정보에 기초하여 신경망 모델을 결정하고, 상기 결정된 신경망 모델에 대응되는 리소스를 분배하고, 상기 결정된 신경망 모델을 통하여 사용자에게 추천할 교육 컨텐츠를 획득하도록 구성되되,
    상기 신경망 모델은,
    사용자의 상기 목표 학습 능력 정보가 제1 목표 학습 능력치를 포함하는 경우 제1 리소스가 요구되는 제1 신경망 모델로 결정되고, 사용자의 상기 목표 학습 능력 정보가 상기 제1 목표 학습 능력치보다 낮은 제2 목표 학습 능력치를 포함하는 경우 상기 제1 리소스보다 큰 제2 리소스가 요구되는 제2 신경망 모델로 결정되되,
    상기 제2 신경망 모델은 상기 제2 리소스를 이용하여 상기 제1 리소스를 이용하는 상기 제1 신경망 모델의 경우보다 상기 사용자의 예상 학습 능력을 높이는 방향으로 상기 확률 분포 그래프를 더 많이 변화시키는 교육 컨텐츠를 추천하도록 구성된,
    교육 컨텐츠 추천 장치.
  7. 제6 항에 있어서,
    상기 컨트롤러는,
    상기 사용자의 예상 학습 능력과 관련된 확률 분포 그래프에 기초하여 최대 학습 능력 정보를 획득하고, 상기 최대 학습 능력 정보에 기초하여 상기 목표 학습 능력 정보를 획득하도록 구성되되,
    상기 목표 학습 능력 정보는 상기 최대 학습 능력 정보에 포함된 최대 학습 능력치의 미리 결정된 비율의 능력치로 결정되는,
    교육 컨텐츠 추천 장치.
  8. 삭제
  9. 제7 항에 있어서,
    상기 컨트롤러는,
    상기 확률 분포 그래프의 변화율 정보를 획득하고, 상기 변화율 정보 중 미리 결정된 값보다 작은 값을 포함하는 제1 변화율 정보를 획득하고, 상기 제1 변화율 정보에 대응되는 시점에서의 사용자의 예상 학습 능력을 상기 최대 학습 능력 정보로 결정하도록 구성된,
    교육 컨텐츠 추천 장치.
KR1020210086400A 2021-07-01 2021-07-01 교육의 공평성을 위한 교육 컨텐츠 추천 방법, 교육 컨텐츠 추천 장치, 및 교육 컨텐츠 추천 시스템 KR102398317B1 (ko)

Priority Applications (4)

Application Number Priority Date Filing Date Title
KR1020220057646A KR20230005737A (ko) 2021-07-01 2021-07-01 교육의 공평성을 위한 교육 컨텐츠 추천 방법, 교육 컨텐츠 추천 장치, 및 교육 컨텐츠 추천 시스템
KR1020210086400A KR102398317B1 (ko) 2021-07-01 2021-07-01 교육의 공평성을 위한 교육 컨텐츠 추천 방법, 교육 컨텐츠 추천 장치, 및 교육 컨텐츠 추천 시스템
US17/853,015 US20230005383A1 (en) 2021-07-01 2022-06-29 Device and method for recommending educational content
PCT/KR2022/009420 WO2023277613A1 (ko) 2021-07-01 2022-06-30 교육의 공평성을 위한 교육 컨텐츠 추천 방법, 교육 컨텐츠 추천 장치, 및 교육 컨텐츠 추천 시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210086400A KR102398317B1 (ko) 2021-07-01 2021-07-01 교육의 공평성을 위한 교육 컨텐츠 추천 방법, 교육 컨텐츠 추천 장치, 및 교육 컨텐츠 추천 시스템

Related Child Applications (1)

Application Number Title Priority Date Filing Date
KR1020220057646A Division KR20230005737A (ko) 2021-07-01 2021-07-01 교육의 공평성을 위한 교육 컨텐츠 추천 방법, 교육 컨텐츠 추천 장치, 및 교육 컨텐츠 추천 시스템

Publications (1)

Publication Number Publication Date
KR102398317B1 true KR102398317B1 (ko) 2022-05-16

Family

ID=81799429

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210086400A KR102398317B1 (ko) 2021-07-01 2021-07-01 교육의 공평성을 위한 교육 컨텐츠 추천 방법, 교육 컨텐츠 추천 장치, 및 교육 컨텐츠 추천 시스템

Country Status (2)

Country Link
US (1) US20230005383A1 (ko)
KR (1) KR102398317B1 (ko)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023277613A1 (ko) * 2021-07-01 2023-01-05 (주)뤼이드 교육의 공평성을 위한 교육 컨텐츠 추천 방법, 교육 컨텐츠 추천 장치, 및 교육 컨텐츠 추천 시스템
CN116070861A (zh) * 2023-02-08 2023-05-05 武汉博奥鹏程教育科技有限公司 一种基于动态学习目标的课程定制方法和装置
CN116342335A (zh) * 2023-02-03 2023-06-27 武汉博奥鹏程教育科技有限公司 一种课程的推荐方法和装置

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117726082B (zh) * 2024-02-18 2024-06-11 暗物智能科技(广州)有限公司 一种教学资源推荐方法、装置、电子设备及可读存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20160009155A (ko) * 2014-07-15 2016-01-26 한양대학교 산학협력단 효과적인 학습 독려와 가이드 및 학습 전략 수립 서비스 제공을 위한 스마트 개인화 학습 가이드 방법 및 시스템
KR20160109913A (ko) 2015-03-13 2016-09-21 이화여자대학교 산학협력단 학습 콘텐츠 제공 시스템이 수행하는 맞춤 학습 피드백 방법
JP2017520068A (ja) * 2014-05-23 2017-07-20 データロボット， インコーポレイテッド 予測データ分析のためのシステムおよび技術
JP2019144504A (ja) * 2018-02-23 2019-08-29 日本電信電話株式会社 学習スケジュール生成装置、方法およびプログラム

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2017520068A (ja) * 2014-05-23 2017-07-20 データロボット， インコーポレイテッド 予測データ分析のためのシステムおよび技術
KR20160009155A (ko) * 2014-07-15 2016-01-26 한양대학교 산학협력단 효과적인 학습 독려와 가이드 및 학습 전략 수립 서비스 제공을 위한 스마트 개인화 학습 가이드 방법 및 시스템
KR20160109913A (ko) 2015-03-13 2016-09-21 이화여자대학교 산학협력단 학습 콘텐츠 제공 시스템이 수행하는 맞춤 학습 피드백 방법
JP2019144504A (ja) * 2018-02-23 2019-08-29 日本電信電話株式会社 学習スケジュール生成装置、方法およびプログラム

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023277613A1 (ko) * 2021-07-01 2023-01-05 (주)뤼이드 교육의 공평성을 위한 교육 컨텐츠 추천 방법, 교육 컨텐츠 추천 장치, 및 교육 컨텐츠 추천 시스템
CN116342335A (zh) * 2023-02-03 2023-06-27 武汉博奥鹏程教育科技有限公司 一种课程的推荐方法和装置
CN116342335B (zh) * 2023-02-03 2023-11-14 武汉博奥鹏程教育科技有限公司 一种课程的推荐方法和装置
CN116070861A (zh) * 2023-02-08 2023-05-05 武汉博奥鹏程教育科技有限公司 一种基于动态学习目标的课程定制方法和装置
CN116070861B (zh) * 2023-02-08 2023-08-04 武汉博奥鹏程教育科技有限公司 一种基于动态学习目标的课程定制方法和装置

Also Published As

Publication number Publication date
US20230005383A1 (en) 2023-01-05

Similar Documents

Publication Publication Date Title
KR102398317B1 (ko) 교육의 공평성을 위한 교육 컨텐츠 추천 방법, 교육 컨텐츠 추천 장치, 및 교육 컨텐츠 추천 시스템
Moodie et al. Estimating optimal dynamic regimes: Correcting bias under the null
Cortes et al. Online learning with abstention
Ajdari et al. An adaptive exploration-exploitation algorithm for constructing metamodels in random simulation using a novel sequential experimental design
Morais et al. PROMETHEE‐ROC Model for Assessing the Readiness of Technology for Generating Energy
KR102398319B1 (ko) 교육 컨텐츠 추천 방법, 교육 컨텐츠 추천 장치, 및 교육 컨텐츠 추천 시스템
CN109377218B (zh) 一种遏制虚假感知攻击的方法、服务器及移动终端
Wang et al. Projecting the long-term impact of school-or community-based mass-treatment interventions for control of Schistosoma infection
JPWO2015173854A1 (ja) 情報処理システムおよび情報処理方法
CN113138847B (zh) 基于联邦学习的计算机资源分配调度方法和装置
Neto et al. Building energy consumption models based on smartphone user’s usage patterns
KR102398318B1 (ko) 학습 능력 평가 방법, 학습 능력 평가 장치, 및 학습 능력 평가 시스템
Phadnis Effectiveness of Delphi‐and scenario planning‐like processes in enabling organizational adaptation: A simulation‐based comparison
Almadhor et al. A new offloading method in the green mobile cloud computing based on a hybrid meta-heuristic algorithm
KR102412377B1 (ko) 사용자에게 교육 효과가 최대화되는 풀이 컨텐츠를 추천하는 방법, 장치, 및 시스템
KR102412380B1 (ko) 사용자의 검색 정보를 기반으로 사용자의 학습 능력을 평가하는 방법, 장치, 및 시스템
US20210042661A1 (en) Workload modeling for cloud systems
KR20230005737A (ko) 교육의 공평성을 위한 교육 컨텐츠 추천 방법, 교육 컨텐츠 추천 장치, 및 교육 컨텐츠 추천 시스템
Van Breda et al. A feature representation learning method for temporal datasets
US20230056570A1 (en) Device and method for assessing learning ability of user
CN106648895A (zh) 一种处理数据的方法、装置及终端
Huang et al. Drop Maslow's Hammer or not: machine learning for resource management in D2D communications
Macaluso et al. Fungible orthogonal channel sets for multi-user exploitation of spectrum
Luu et al. Choice-induced biases in perception
CN113240323B (zh) 基于机器学习的水平评测方法、装置及相关设备

Legal Events

Date Code Title Description
A107 Divisional application of patent
GRNT Written decision to grant