KR102405838B1 - 문항 순서 정렬에 의한 개인 맞춤형 콘텐츠를 제공하기 위한 장치 및 이를 위한 방법 - Google Patents

Abstract

개인 맞춤형 콘텐츠를 제공하기 위한 장치가 제공된다. 상기 장치는 학습자를 나타내는 학습자벡터, 문항을 나타내는 문항벡터와, 상기 학습자의 개념 이해도를 나타내는 개념이해도벡터와, 상기 학습자의 상기 문항에 대한 난이도를 나타내는 문항난이도벡터를 포함하는 입력변수가 입력되면, 상기 학습자가 상기 문항을 맞출 확률을 출력변수로 산출하는 정답률예측모형을 생성하는 모형생성부와, 복수의 문항 및 복수의 사용자에 대응하여 상기 입력변수 및 상기 출력변수를 벡터공간에 사상하여 복수의 사용자문항벡터를 생성하고, 상기 복수의 사용자문항벡터를 클러스터링하여 복수의 클러스터를 생성하고, 상기 복수의 클러스터를 각 클러스터에 포함된 복수의 사용자문항벡터의 문항을 맞출 확률의 평균에 따라 상기 복수의 클러스터를 정렬하는 추천부를 포함한다.

Description

문항 순서 정렬에 의한 개인 맞춤형 콘텐츠를 제공하기 위한 장치 및 이를 위한 방법{Apparatus for providing personalized content by order of questions and method therefor}

본 발명은 개인 맞춤형 콘텐츠 제공 기술에 관한 것으로, 보다 상세하게는, 문항 순서 정렬에 의한 개인 맞춤형 콘텐츠를 제공하기 위한 장치 및 이를 위한 방법에 관한 것이다.

지금까지의 교육은 모든 학습자에 대해 천편일률적인 교육 과정을 제공하였다. 예를 들어, 종이에 기록되는 문제집은 권당 최소 700문제가 수록되어 있으며, 온라인 또는 오프라인 강의 역시 1-2 시간 단위로 최소 한 달간 공부할 양을 묶어서 한 번에 판매된다. 그러나 교육을 받는 학습자들 입장에서는 개별적으로 취약한 단원과 취약한 문제 유형이 모두 상이하기 때문에 개별적인 수준에 맞추어 개인별 학습 과정을 제공하는 것이 학습자에 대한 교육 효과를 높일 수 있다.

그러나 피교육자인 학습자들 스스로 자신의 취약점을 파악하는 것은 매우 어렵다. 또한, 나아가 학원, 출판사 등 종래의 교육 업계에서 사전 정의한 문항의 난이도 역시 주관적 경험과 직관에 의존하여 설정되기 때문에 학습자들이 체감하는 난이도와는 상당한 차이를 보이고 이에, 학습자들 스스로 자신의 수준에 맞는 난이도의 문항을 선택하는 것 또한 쉽지 않다.

또한, 자신의 취약점과 문항의 체감 난이도를 정확히 파악하더라도 본인의 학습 수준에 맞춰 적합한 학습 커리큘럼과 학습 동영상 혹은 교재를 학습하고 적합한 문항을 푸는 것은 객관적으로 매우 어렵다. 또한 충분한 이해도가 있는 커리큘럼 혹은 지식 개념을 반복적으로 학습하게 됨으로서 학습 시간의 감소, 학습의 효율성 감소를 유발하는 결과를 초래한다. 이와 같이 종래 교육 환경에서는 학습자가 가장 효율적으로 공부할 수 있는 방법을 제공하지 못한다는 근본적인 한계를 지니고 있다.

한국공개특허 제2016-0039504호 (2016년 04월 11일 공개)

본 발명의 목적은 문항 특성 정보가 반영된 심층학습모형을 이용한 학습 분석을 기초로 개인 맞춤형 콘텐츠를 제공하기 위한 장치 및 이를 위한 방법을 제공함에 있다.

상술한 바와 같은 목적을 달성하기 위한 본 발명의 바람직한 실시예에 따른 개인 맞춤형 콘텐츠를 제공하기 위한 장치는 학습자를 나타내는 학습자벡터, 문항을 나타내는 문항벡터와, 상기 학습자의 개념 이해도를 나타내는 개념이해도벡터와, 상기 학습자의 상기 문항에 대한 난이도를 나타내는 문항난이도벡터를 포함하는 입력변수가 입력되면, 상기 학습자가 상기 문항을 맞출 확률을 출력변수로 산출하는 정답률예측모형을 생성하는 모형생성부와, 복수의 문항 및 복수의 사용자에 대응하여 상기 입력변수 및 상기 출력변수를 벡터공간에 사상하여 복수의 사용자문항벡터를 생성하고, 상기 복수의 사용자문항벡터를 클러스터링하여 복수의 클러스터를 생성하고, 상기 복수의 클러스터를 각 클러스터에 포함된 복수의 사용자문항벡터의 문항을 맞출 확률의 평균에 따라 상기 복수의 클러스터를 정렬하는 추천부를 포함한다.

상기 추천부는 상기 복수의 클러스터 중 정답을 맞힐 확률의 평균이 기 설정된 기준치 이상이되, 가장 작은 클러스터를 선택하고, 선택된 클러스터의 중심과 가장 가까운 사용자문항벡터에 대응하는 문항을 출제하는 것을 특징으로 한다.

상기 추천부는 기 출제된 문항에 대해 수신된 답안이 오답인 경우, 동일한 클러스터 내에서 출제된 문항에 대응하는 사용자문항벡터를 제외하고 클러스터의 중심과 가장 가까운 사용자문항벡터를 검출하고, 검출된 사용자문항벡터에 대응하는 문항을 선택하여 출제하는 것을 특징으로 한다.

상기 추천부는 기 출제된 문항에 대해 수신된 답안이 정답인 경우, 정답을 맞힐 확률의 평균이 높은 순서에서 낮은 순서로 클러스터가 정렬되었을 때, 다음 순서의 클러스터를 선택하고, 선택된 클러스터에서 클러스터의 중심과 벡터공간 상에서 가장 가까운 사용자문항벡터를 검출하고, 검출된 사용자문항벡터에 대응하는 문항을 선택하여 출제하는 것을 특징으로 한다.

상술한 바와 같은 목적을 달성하기 위한 본 발명의 바람직한 실시예에 따른 개인 맞춤형 콘텐츠를 제공하기 위한 장치는 학습자에 대해 학습자벡터를 할당하고, 문항에 대해 문항벡터를 할당하는 등록부와, 개념추적모형을 이용하여 학습자의 문항에 대한 개념 이해도를 나타내는 개념이해도벡터를 산출하는 지식진단부와, 문제모수추정모델을 통해 학습자의 문항에 대한 난이도를 나타내는 문항난이도벡터를 산출하는 문항진단부와, 상기 학습자벡터, 상기 문항벡터, 상기 개념이해도벡터 및 상기 문항난이도벡터를 포함하는 입력변수가 입력되면, 학습자가 문항을 맞출 확률을 출력변수로 산출하는 정답률예측모형을 생성하는 모형생성부와, 복수의 문항 및 복수의 사용자에 대응하여 상기 입력변수 및 상기 출력변수를 벡터공간에 사상하여 복수의 사용자문항벡터를 생성하고, 상기 복수의 사용자문항벡터를 클러스터링하여 복수의 클러스터를 생성하고, 상기 복수의 클러스터를 각 클러스터에 포함된 복수의 사용자문항벡터의 문항을 맞출 확률의 평균에 따라 상기 복수의 클러스터를 정렬하고, 상기 복수의 클러스터 중 정답을 맞힐 확률의 평균이 기 설정된 기준치 이상이되, 가장 작은 클러스터를 선택하고, 선택된 클러스터의 중심과 가장 가까운 사용자문항벡터에 대응하는 문항을 출제하는 추천부를 포함한다.

상기 모형생성부는 수학식

에서 상기 i 및 j는 입력변수의 인덱스이고, 상기

는 입력변수이고, 상기

는 출력변수이고, 상기

는 잔차값이고, 상기

는 i 번째 입력변수의 가중치이고, 상기

는 i, j번째 입력변수 간 상호작용 가중치일 때, 상기 입력변수를 상기 수학식에 입력하여 출력변수를 산출하고, 산출된 출력변수와 상기 레이블과의 차이인 손실을 산출하고, 산출된 손실이 최소화되도록 하는 상기 전역 바이어스, 상기 선형회귀 가중치 및 상기 상호작용 가중치를 포함하는 전체 가중치를 산출하는 것을 특징으로 한다.

상기 추천부는 기 출제된 문항에 대해 수신된 답안이 오답인 경우, 동일한 클러스터 내에서 출제된 문항에 대응하는 사용자문항벡터를 제외하고 클러스터의 중심과 가장 가까운 사용자문항벡터를 검출하고, 검출된 사용자문항벡터에 대응하는 문항을 선택하여 출제하는 것을 특징으로 한다.

상기 추천부는 기 출제된 문항에 대해 수신된 답안이 정답인 경우, 정답을 맞힐 확률의 평균이 높은 순서에서 낮은 순서로 클러스터가 정렬되었을 때, 다음 순서의 클러스터를 선택하고, 선택된 클러스터에서 클러스터의 중심과 벡터공간 상에서 가장 가까운 사용자문항벡터를 검출하고, 검출된 사용자문항벡터에 대응하는 문항을 선택하여 출제하는 것을 특징으로 한다.

상술한 바와 같은 목적을 달성하기 위한 본 발명의 바람직한 실시예에 따른 개인 맞춤형 콘텐츠를 제공하기 위한 방법은 모형생성부가 학습자를 나타내는 학습자벡터, 문항을 나타내는 문항벡터와, 상기 학습자의 개념 이해도를 나타내는 개념이해도벡터와, 상기 학습자의 상기 문항에 대한 난이도를 나타내는 문항난이도벡터를 포함하는 입력변수가 입력되면, 상기 학습자가 상기 문항을 맞출 확률을 출력변수로 산출하는 정답률예측모형을 생성하는 단계와, 추천부가 복수의 문항 및 복수의 사용자에 대응하는 입력변수로부터 상기 정답률예측모형를 통해 출력변수를 산출하고, 상기 복수의 문항 및 복수의 사용자에 대응하는 입력변수와, 산출된 출력변수를 벡터공간에 사상하여 복수의 사용자문항벡터를 생성하는 단계와, 상기 추천부가 상기 복수의 사용자문항벡터를 클러스터링하여 복수의 클러스터를 생성하는 단계와, 상기 추천부가 상기 복수의 클러스터를 각 클러스터에 포함된 복수의 사용자문항벡터의 문항을 맞출 확률의 평균에 따라 상기 복수의 클러스터를 정렬하는 단계를 포함한다.

상기 방법은 상기 추천부가 상기 복수의 클러스터 중 정답을 맞힐 확률의 평균이 기 설정된 기준치 이상이되, 가장 작은 클러스터를 선택하고, 선택된 클러스터의 중심과 가장 가까운 사용자문항벡터에 대응하는 문항을 출제하는 단계를 더 포함한다.

상기 방법은 상기 문항을 출제하는 단계 후, 상기 추천부가 기 출제된 문항에 대해 수신된 답안이 오답인 경우, 동일한 클러스터 내에서 출제된 문항에 대응하는 사용자문항벡터를 제외하고 클러스터의 중심과 가장 가까운 사용자문항벡터를 검출하는 단계와, 상기 추천부가 상기 검출된 사용자문항벡터에 대응하는 문항을 선택하여 출제하는 단계를 더 포함한다.

상기 방법은 상기 문항을 출제하는 단계 후, 상기 추천부가 기 출제된 문항에 대해 수신된 답안이 정답인 경우, 정답을 맞힐 확률의 평균이 높은 순서에서 낮은 순서로 클러스터가 정렬되었을 때, 다음 순서의 클러스터를 선택하는 단계와, 선택된 클러스터에서 클러스터의 중심과 벡터공간 상에서 가장 가까운 사용자문항벡터를 검출하고, 검출된 사용자문항벡터에 대응하는 문항을 선택하여 출제하는 단계를 더 포함한다.

상술한 바와 같은 목적을 달성하기 위한 본 발명의 바람직한 실시예에 따른 개인 맞춤형 콘텐츠를 제공하기 위한 방법은 등록부가 학습자에 대해 학습자벡터를 할당하고, 문항에 대해 문항벡터를 할당하는 단계와, 지식진단부가 개념추적모형을 이용하여 학습자의 문항에 대한 개념 이해도를 나타내는 개념이해도벡터를 산출하는 단계와, 문항진단부가 문제모수추정모델을 통해 학습자의 문항에 대한 난이도를 나타내는 문항난이도벡터를 산출하는 단계와, 모형생성부가 상기 학습자벡터, 상기 문항벡터, 상기 개념이해도벡터 및 상기 문항난이도벡터를 포함하는 입력변수가 입력되면, 학습자가 문항을 맞출 확률을 출력변수로 산출하는 정답률예측모형을 생성하는 단계와, 추천부가 복수의 문항 및 복수의 사용자에 대응하여 상기 입력변수 및 상기 출력변수를 벡터공간에 사상하여 복수의 사용자문항벡터를 생성하는 단계와, 상기 추천부가 상기 복수의 사용자문항벡터를 클러스터링하여 복수의 클러스터를 생성하는 단계와, 상기 추천부가 상기 복수의 클러스터를 각 클러스터에 포함된 복수의 사용자문항벡터의 문항을 맞출 확률의 평균에 따라 상기 복수의 클러스터를 정렬하는 단계와, 상기 추천부가 상기 복수의 클러스터 중 정답을 맞힐 확률의 평균이 기 설정된 기준치 이상이되, 가장 작은 클러스터를 선택하고, 선택된 클러스터의 중심과 가장 가까운 사용자문항벡터에 대응하는 문항을 출제하는 단계를 포함한다.

상기 정답률예측모형을 생성하는 단계는 수학식

에서 상기 i 및 j는 입력변수의 인덱스이고, 상기

는 입력변수이고, 상기

는 출력변수이고, 상기

는 잔차값이고, 상기

는 i 번째 입력변수의 가중치이고, 상기

는 i, j번째 입력변수 간 상호작용 가중치일 때, 상기 모형생성부가 상기 입력변수를 상기 수학식에 입력하여 출력변수를 산출하는 단계와, 상기 모형생성부가 산출된 출력변수와 상기 레이블과의 차이인 손실을 산출하고, 산출된 손실이 최소화되도록 하는 상기 전역 바이어스, 상기 선형회귀 가중치 및 상기 상호작용 가중치를 포함하는 전체 가중치를 산출하는 단계를 포함한다.

상기 방법은 상기 문항을 출제하는 단계 후, 상기 추천부가 기 출제된 문항에 대해 수신된 답안이 오답인 경우, 동일한 클러스터 내에서 출제된 문항에 대응하는 사용자문항벡터를 제외하고 클러스터의 중심과 가장 가까운 사용자문항벡터를 검출하는 단계와, 상기 추천부가 상기 검출된 사용자문항벡터에 대응하는 문항을 선택하여 출제하는 단계를 더 포함한다.

상기 방법은 상기 문항을 출제하는 단계 후, 상기 추천부가 기 출제된 문항에 대해 수신된 답안이 정답인 경우, 정답을 맞힐 확률의 평균이 높은 순서에서 낮은 순서로 클러스터가 정렬되었을 때, 다음 순서의 클러스터를 선택하는 단계와, 선택된 클러스터에서 클러스터의 중심과 벡터공간 상에서 가장 가까운 사용자문항벡터를 검출하고, 검출된 사용자문항벡터에 대응하는 문항을 선택하여 출제하는 단계를 더 포함한다.

본 발명에 따르면, 학습자 개인에 맞춰 점진적으로 취약한 문제 유형 및 난이도를 조절하여 순차로 문항을 선별하여 제공할 수 있다.

도 1은 본 발명의 실시예에 따른 문항 특성 정보가 반영된 심층학습모형을 이용한 학습 분석을 기초로 개인 맞춤형 콘텐츠를 제공하기 위한 장치의 구성을 설명하기 위한 도면이다.
도 2는 본 발명의 실시예에 따른 개인 맞춤형 콘텐츠를 제공하기 위한 정답률예측모형을 생성하는 방법을 설명하기 위한 흐름도이다.
도 3 및 도 4는 본 발명의 실시예에 따른 학습자의 개념 이해도를 나타내는 개념이해도벡터를 산출하는 개념추적모형을 설명하기 위한 도면이다.
도 5는 본 발명의 실시예에 따른 문제모수추정모델을 통해 복수의 문항에 대한 난이도를 나타내는 문항난이도벡터를 산출하는 방법을 설명하기 위한 도면이다.
도 6은 본 발명의 실시예에 따른 개인 맞춤형 콘텐츠를 제공하기 위한 정답률예측모형을 생성하기 위한 학습 데이터를 설명하기 위한 도면이다.
도 7은 본 발명의 실시예에 따른 클러스터를 기반으로 출제를 위해 문항 순서를 정렬하는 방법을 설명하기 위한 흐름도이다.
도 8은 본 발명의 실시예에 따른 클러스터를 기반으로 출제를 위해 문항 순서를 정렬하는 방법을 설명하기 위한 도면이다.
도 9는 본 발명의 실시예에 따른 클러스터 내에서 클러스터의 중심을 기준으로 문항 순서를 정렬하는 방법을 설명하기 위한 도면이다.
도 10은 본 발명의 실시예에 따른 문항 순서 정렬에 의한 개인 맞춤형 콘텐츠를 제공하기 위한 방법을 설명하기 위한 흐름도이다.
도 11은 본 발명의 실시예에 따른 컴퓨팅 장치를 나타내는 도면이다.

본 발명의 상세한 설명에 앞서, 이하에서 설명되는 본 명세서 및 청구범위에 사용된 용어나 단어는 통상적이거나 사전적인 의미로 한정해서 해석되어서는 아니 되며, 발명자는 그 자신의 발명을 가장 최선의 방법으로 설명하기 위해 용어의 개념으로 적절하게 정의할 수 있다는 원칙에 입각하여 본 발명의 기술적 사상에 부합하는 의미와 개념으로 해석되어야만 한다. 따라서 본 명세서에 기재된 실시예와 도면에 도시된 구성은 본 발명의 가장 바람직한 실시예에 불과할 뿐, 본 발명의 기술적 사상을 모두 대변하는 것은 아니므로, 본 출원시점에 있어서 이들을 대체할 수 있는 다양한 균등물과 변형 예들이 있을 수 있음을 이해하여야 한다.

이하, 첨부된 도면을 참조하여 본 발명의 바람직한 실시예들을 상세히 설명한다. 이때, 첨부된 도면에서 동일한 구성 요소는 가능한 동일한 부호로 나타내고 있음을 유의해야 한다. 또한, 본 발명의 요지를 흐리게 할 수 있는 공지 기능 및 구성에 대한 상세한 설명은 생략할 것이다. 마찬가지의 이유로 첨부 도면에 있어서 일부 구성요소는 과장되거나 생략되거나 또는 개략적으로 도시되었으며, 각 구성요소의 크기는 실제 크기를 전적으로 반영하는 것이 아니다.

먼저, 본 발명의 실시예에 따른 문항 특성 정보가 반영된 심층학습모형을 이용한 학습 분석을 기초로 개인 맞춤형 콘텐츠를 제공하기 위한 장치에 대해서 설명하기로 한다. 도 1은 본 발명의 실시예에 따른 문항 특성 정보가 반영된 심층학습모형을 이용한 학습 분석을 기초로 개인 맞춤형 콘텐츠를 제공하기 위한 장치의 구성을 설명하기 위한 도면이다. 도 1을 참조하면, 본 발명의 실시예에 따른 개인 맞춤형 콘텐츠를 제공하기 위한 장치(10, 이하, 콘텐츠추천장치)는 데이터베이스(DB), 등록부(100), 지식진단부(200), 문항진단부(300), 모형생성부(400) 및 추천부(500)를 포함한다.

데이터베이스(DB)는 기본적으로, 복수의 학습자, 예컨대, 학생를 식별하기 위한 정보, 복수의 문항을 저장한다. 특히 데이터베이스(DB)는 복수의 학습자가 푼 문항 및 그 문항에 대한 정답 여부를 저장한다.

등록부(100)는 데이터베이스(DB)를 참조로 복수의 문항 중 일부는 동일하고 일부는 상이한 문항을 푼 복수의 학습자에 대해 학습자벡터(V1)를 할당하고, 복수의 문항에 대해 문항벡터(V2)를 할당한다. 이러한 학습자벡터(V1) 및 문항벡터(V2)는 모두 원핫인코딩 벡터(one-hot encoding vector)로 생성하는 것이 바람직하다.

지식진단부(200)는 심층학습모형인 개념추적모형을 이용하여 복수의 학습자 각각의 복수의 문항 각각에 대한 학습자의 개념 이해도를 나타내는 개념이해도벡터(V3)를 산출한다. 이러한 개념추적모형은 RNN(Recurrent Neural Network), LTSM(Long Short-Term Memory) 등의 순환 신경망을 기반으로 생성되는 것이 바람직하다.

문항진단부(300)는 문제모수추정모델을 통해 복수의 학습자의 복수의 문항에 대한 난이도를 나타내는 문항난이도벡터(V4)를 산출한다. 문제모수추정모델은 VAE(Variational Autoencoders)를 기반으로 생성될 수 있다.

모형생성부(400)는 정답률예측모형을 생성하기 위한 것이다. 모형생성부(400)는 학습자벡터(V1) 및 문항벡터(V2)와, 학습자벡터(V1) 및 문항벡터(V2)에 대응하는 개념이해도벡터(V3) 및 문항난이도벡터(V4)를 입력변수로 마련하되, 학습자가 풀지 않은 문항에 대응하는 개념이해도벡터(V3)와 문항난이도벡터(V4)가 누락된 입력변수를 마련한다. 그리고 모형생성부(400)는 입력변수 및 그 입력변수에 대응하여 문항의 정답을 맞힌 결과를 레이블로 하는 학습 데이터를 마련한다. 그리고 모형생성부(400)는 학습 데이터를 이용하여 누락된 개념이해도벡터(V3)와 문항난이도벡터(V4)를 추정하는 상호작용 가중치를 포함하는 전체 가중치를 도출하여 학습자가 문항을 맞출 확률을 예측하는 정답률예측모형을 생성한다.

추천부(500)는 모형생성부(400)로부터 정답율예측모형을 제공 받고, 학습자로부터 문항 출제 요청이 있으면, 정답률예측모형을 통해 학습자가 복수의 문항 각각에 대해 정답을 맞힐 확률을 산출한다. 그리고 추천부(500)는 학습자가 문항의 정답을 맞힐 확률이 소정 수치 이상인 문항을 건너 띄고, 학습자가 문항의 정답을 맞힐 확률이 소정 수치 미만인 문항을 추천한다.

다음으로, 본 발명의 실시예에 따른 문항 특성 정보가 반영된 심층학습모형을 이용한 학습 분석을 기초로 개인 맞춤형 콘텐츠를 제공하기 위한 정답률예측모형을 생성하는 방법에 대해서 설명하기로 한다. 도 2는 본 발명의 실시예에 따른 개인 맞춤형 콘텐츠를 제공하기 위한 정답률예측모형을 생성하는 방법을 설명하기 위한 흐름도이다. 도 3 및 도 4는 본 발명의 실시예에 따른 학습자의 개념 이해도를 나타내는 개념이해도벡터를 산출하는 개념추적모형을 설명하기 위한 도면이다. 도 5는 본 발명의 실시예에 따른 문제모수추정모델을 통해 복수의 문항에 대한 난이도를 나타내는 문항난이도벡터를 산출하는 방법을 설명하기 위한 도면이다. 도 6은 본 발명의 실시예에 따른 개인 맞춤형 콘텐츠를 제공하기 위한 정답률예측모형을 생성하기 위한 학습 데이터를 설명하기 위한 도면이다.

도 2를 참조하면, 등록부(100)는 S110 단계에서 데이터베이스를 참조로 복수의 문항 중 일부는 동일하고 일부는 상이한 문항을 푼 복수의 학습자에 대해 학습자벡터(V1)를 할당하고, 복수의 문항에 대해 문항벡터(V2)를 할당한다. 도 5에 도시된 바와 같이, 학습자벡터(V1) 및 문항벡터(V2)는 모두 원핫인코딩 벡터(one-hot encoding vector)로 생성될 수 있다.

지식진단부(200)는 S120 단계에서 개념추적모형을 이용하여 복수의 학습자 각각의 복수의 문항 각각에 대한 학습자의 개념 이해도를 나타내는 개념이해도벡터(V3)를 산출한다. 개념이해도벡터(V3)를 통해 문항에 내재된 개념을 얼마나 잘 이해하는지를 평가할 수 있도록 하였다.

도 3 및 도 4에 개념추적모형의 일례를 도시하였다. 도 3의 개념추적모형은 소정 수의 연속된 노드를 포함한다. 각 노드는 이전 시점의 상태값과, 현 시점의 입력값을 입력 받고, 가중치가 적용되는 연산을 수행하여 현 시점의 상태값과, 현 시점의 출력값을 출력한다. 개념이해도벡터(V3)는 현 시점에서 다음 시점의 문제를 풀고 정답을 맞힐 확률을 나타낸다.

도 3의 (a)에 도시된 바와 같이, 학습자에 제시된 전체 문제 세트가 M개라고 할 때, t 시점에 문항에 대한 풀이와 정답 여부에 대한 상호작용 xt=(qt, at)을 원 핫 인코딩(one-hot encoding) 형식으로 구성한다. 이때, 원 핫 인코딩은 기본적으로 2ㅧM차원으로 이루어진다. 즉, 처음 차원(11)의 요소들은 각각 현재 시점에서 학습자가 어떤 문제를 풀었는지 바이너리(binary)로 인코딩을 하게 되고, 나중 차원(12)의 요소들은 각각 푼 문제가 틀렸는지(0) 맞았는지(1)를 바이너리로 인코딩을 하게 된다. 예를 들어, 3개의 문제로 구성된 문제 세트에서 M = 3 이고, 학습자가 첫 번째로 1번을 풀고 정답이었을 경우 x1 = ((1,1),(0,0),(0,0))이 되고, 세 번째는 3번 문제를 풀고 오답이었을 경우 x3 = ((0,0),(0,0),(1,0))이 된다.

도 3의 (b) 및 (c)에 도시된 바와 같이, t 시점의 xt(x1, x2, x3, x4)를 개념추적모형에 입력하고 학습자에게 t+1 시점에 제공된 문제들을 풀어 정답을 맞힐 확률 yt(y1, y2, y3, y4....)를 구하기 위한 연산을 수행하는 과정이다. 이러한 t 시점의 개념추적모형의 출력값은 다음의 수학식 1과 같다.

수학식 1에서, 활성화함수로 tanh 함수 및

함수가 사용되었다. 하지만, 이는 다른 활성화함수로 변경될 수 있다. ht는 현 시점(t)의 상태값이고, ht-1는 이전 시점의 상태값을 나타낸다. xt는 현 시점(t)의 입력값이고, yt는 현 시점의 출력값을 나타낸다. bh는 잠재 바이어스이고, by는 판별 바이어스이다. Whx는 입력 가중치이고, Whh는 상태 가중치이고, Why는 출력 가중치이다.

수학식 1과 도 4를 참조하면, 개념추적모형의 어느 하나의 노드는 현 시점(t)의 입력(xt)에 입력 가중치(Whx)가 적용된 입력 가중치 행렬(Whxㅧxt)과, 이전 시점(t-1)의 상태값(ht-1)에 상태 가중치(Whh)가 적용된 반복가중치 행렬(Whhㅧht-1)과, 잠재바이어스(bh)의 합을 입력으로 하는 활성화함수(tanh)에 의한 연산을 수행하여 현 시점(t)의 상태값(ht)을 산출한다. 그런 다음, 노드는 산출된 현 시점(t)의 상태값(ht)에 출력 가중치(Why)가 적용된 판별 가중치 행렬(Whyㅧht)과 판별 바이어스(by)의 합을 입력으로 하는 비선형 활성화함수(

)에 의한 연산을 수행하여 현 시점(t)의 출력값(yt)을 산출한다.

yt는 전체 문제 세트 M과 같은 길이의 벡터가 된다. 예를 들어, 학습자가 풀이한 전체 문제 세트가 3이라고 할 때, 도 3에 도시된 바와 같이, y1=(0.901, 0.504. 0.498)과 같이 표현될 수 있다. 이는 다음 시점에 첫 번째 문제를 풀고 정답을 맞힐 확률이 90%이고, 두 번째 문제를 풀고 정답을 맞힐 확률이 50%이고, 세 번째 문제를 풀고 정답을 맞힐 확률이 50%임을 나타낸다. 그리고 yt는 수학식 1에서 알 수 있듯이 학습자가 풀이한 문항의 개념이해도 yt+1을 예측하기 위한 것이다. 이에 따라, 지식진단부(200)는 yt를 통해 학습자의 개념이해의 정도를 실시간으로 추적하여 재조정할 수 있다. 한편, 개념추적모형은 예컨대, x2와 y1의 차이를 나타내는 손실, x3과 y2의 차이를 나타내는 손실, x4와 y3의 차이를 나타내는 손실, x5와 y4의 차이를 나타내는 손실 등과 같이, 현 시점의 출력값과 다음 시점의 입력값의 차이를 나타내는 손실이 최소화되도록 역전파(Back-propagation)를 통해 가중치(Whx, Whh, Why)를 갱신하는 최적화를 통해 학습시킬 수 있다(LB).

문항진단부(200)는 S130 단계에서 문제모수추정모델을 통해 복수의 학습자의 복수의 문항에 대한 난이도를 나타내는 문항난이도벡터(V4)를 산출한다. 도 5에 도시된 바와 같이, 문항진단부(200)는 다음의 수학식 2에 따라 도 5의 곡선(40)을 도출할 수 있다.

여기서.

는 학습자가 문항을 맞힐 확률이다.

는 변별도를 나타내며, 도 5에 표현된 그래프의 중간 부분에서의 가파른 정도 즉, 기울기를 의미한다. 변별도가 높을수록 학생의 능력을 구분 짓는데 더 용이하다.

는 난이도는 문항의 어려운 정도를 나타내며 소정 범위로 제한하여 활용하는 것이 바람직하다.

는 학습자의 능력 수준이다. 본 발명에 따르면, 문항진단부(200)는 문항의 풀이 이력 즉, 문항에 대한 응답 결과가 특정한 분포를 따를 것으로 사전 분포를 가정하여 모수를 추정하고 측정한다. 문항진단부(200)는 정규분포를 사전 분포로 가정하며 이 사전 분포와 관측된 풀이 이력의 사후 분포를 변분 추론(Variational Inference)을 한다. 변분 추론은 사전 분포와 사후 분포 사이의 차이 즉, 분산을 최소화함으로써 두 분포를 근사시켜 모수를 추정하는 방법이다.

모형생성부(400)는 S140 단계에서 도 6에 도시된 바와 같이, 정답률예측모형을 생성하기 위한 학습 데이터를 마련한다. 이때, 모형생성부(400)는 학습자벡터(V1) 및 문항벡터(V2)와, 학습자벡터(V1) 및 문항벡터(V2)에 대응하는 개념이해도벡터(V3) 및 문항난이도벡터(V4)를 입력 변수로 마련하되, 학습자가 풀지 않은 문항에 대응하는 개념이해도벡터와 문항난이도벡터가 누락된 입력변수를 마련하고, 입력변수 및 입력변수에 대응하여 문항의 정답을 맞힌 결과를 레이블로 하는 학습 데이터를 마련한다.

그런 다음, 모형생성부(400)는 S150 단계에서 학습 데이터를 이용하여 누락된 개념이해도벡터와 문항난이도벡터를 추정하는 상호작용 가중치를 포함하는 전체 가중치를 도출하여 학습자가 문항을 맞출 확률을 예측하는 정답률예측모형을 생성한다. 이때, 모형생성부(400)는 다음의 수학식 3을 기초로 정답률예측모형을 생성한다.

수학식 3에서, i 및 j는 입력변수의 인덱스이고,

는 입력변수이고,

는 출력변수이고,

는 잔차값이고,

는 i 번째 입력변수의 가중치이고,

는 i, j번째 입력변수 간 상호작용 가중치이다.

모형생성부(400)는 학습 데이터 중 입력변수를 수학식 3에 입력하여 출력변수를 산출하고, 산출된 출력변수와 학습 데이터의 입력변수에 대응하는 레이블과의 차이인 손실을 산출하고, 산출된 손실이 최소화되도록 하는 전역 바이어스, 선형회귀 가중치 및 상호작용 가중치를 포함하는 전체 가중치를 산출한다. 여기서,

는 상기 다차원 공간의 개별 변수들의 특징을 나타내는 벡터이고 변수들 간의 상호작용이 결과변수를 예측하는데 미치는 가중치

는 두 벡터

와

의 내적을 계산하여 도출할 수 있다.

예컨대, 입력 변수 사이의 상호작용에 대한 예시를 설명하기 위한 도면이다.

U = {User1(u1), User2(u2), User3(u3)} I = {Item1(i1), Item2(i2), Item3(i3), Item(i4)} S = ((u1, i1, 0), (u1, i2, 0), (u1, i3, 0), (u2, i3, 1), (u2, i4, 1), (u3, i1, 1), (u3, i3, 1))

표 1을 참조하면, 3명의 학습자(U)와 4개의 문항(I) 있고 학습자와 문항 정보를 통해 데이터 S를 도출하였다고 가정한다. 여기서, 예제의 단순화를 위해 최소지식단위는 개별 문항이라고 정의한다. 도 6을 참조하면 u1은 i4 문제를 풀지 않았기 때문에 기존 분석 알고리즘에 의하면 u1와 i4의 상호작용

가중치는 0이 될 것이다. 그러나 인수분해(factorized)된 상호작용 가중치인

를 통해 상호작용의 가중치를 측정할 수 있다. u2, u3는 유사한

,

를 가질 것인데, 이는 두 학습자 모두 i3(

)를 풀고 유사한 지식수준을 보유하고 있어 유사한 상호작용을 갖고 있기 때문이다. 즉, 두 벡터의 내적 값

과

은 유사하다는 뜻이다. u1와 u3은 동일한 문제 i1, i3을 풀었지만, 두 학습자의 개념이해도(V3)가 달라, 다른

,

를 가진다. 그러나 u2가 풀었던 i3, i4가 유사한 상호작용을 가졌기 때문에

,

는 유사할 확률이 높다. 즉, u1과 i3의 내적

과 u1과 i4의 내적

은 확률이 높다. 이와 같이, 본 발명에 따르면, 입력변수들의 특징을 나타내는 벡터 값을 변수 간 상호작용 가중치를 통해 도출하고 학습자가 특정 문항을 풀 수 있는 확률을 산출할 수 있다. 본 발명의 실시예에 따르면 전술한 정답율예측모형을 기초로 복수의 문항을 클러스터링하여 클러스터를 생성하고, 생성된 클러스터를 기반으로 출제를 위해 문항 순서를 정렬할 수 있다. 이러한 방법에 대해서 설명하기로 한다. 도 7은 본 발명의 실시예에 따른 클러스터를 기반으로 출제를 위해 문항 순서를 정렬하는 방법을 설명하기 위한 흐름도이다. 도 8은 본 발명의 실시예에 따른 클러스터를 기반으로 출제를 위해 문항 순서를 정렬하는 방법을 설명하기 위한 도면이다. 도 9는 본 발명의 실시예에 따른 클러스터 내에서 클러스터의 중심을 기준으로 문항 순서를 정렬하는 방법을 설명하기 위한 도면이다.

도 7을 참조하면, 추천부(500)는 S210 단계에서 복수의 문항에 대해 정답율예측모형을 기초로 학습자 별 문항 별 정답 확률을 산출한다. 이때, 추천부(500)는 문항을 나타내는 문항벡터와, 학습자를 나타내는 학습자벡터, 학습자의 문항에 대한 개념 이해도를 나타내는 개념이해도벡터 및 학습자의 문항에 대한 난이도를 나타내는 문항난이도벡터를 포함하는 입력변수를 학습이 완료된 정답율예측모형에 입력하여 복수의 문항 각각에 대해 정답을 맞힐 확률인 출력변수를 산출한다.

이어서, 추천부(500)는 도 8에 도시된 바와 같이, S220 단계에서 정답율예측모형의 입력변수 및 출력변수를 소정의 벡터 공간(Vector Space: VS)에 사상(embedding)하여 복수의 사용자문항벡터를 생성한다. 그런 다음, 추천부(500)는 S230 단계에서 도시된 바와 같은 벡터공간(VS) 상에서 무작위로(randomly) 복수의 사용자문항벡터 중 소정 수의 클러스터의 중심벡터를 선택한다. 각 클러스터의 중심벡터가 선택되면, 추천부(500)는 S240 단계에서 도 8에 도시된 바와 같은 벡터공간(VS) 상에서 복수의 사용자문항벡터를 선택되거나(혹은 다시 선택된) 클러스터의 중심벡터와의 거리에 따라 클러스터링하여 복수의 클러스터(CL1, CL2, CL3, CL4, ...)를 생성한다. 이때, 추천부(500)는 도 8에 도시된 바와 같은 벡터공간(VS) 상에서 복수의 사용자문항벡터의 클러스터의 중심벡터 각각에 대한 거리를 산출하고, 복수의 사용자문항벡터 각각을 클러스터의 중심벡터와의 거리가 최소인 클러스터에 포함시킨다. 이어서, 추천부(500)는 S250 단계에서 생성된 복수의 클러스터(CL1, CL2, CL3, CL4, ...) 별로 클러스터의 중심벡터를 다시 선택한다. 일 실시예에 따르면, S250 단계에서 추천부(500)는 각 클러스터의 복수의 사용자문항벡터 중 중간값을 가지는 사용자문항벡터를 중심벡터로 선정할 수 있다.

이와 같이, 중심벡터가 선택될 때마다, 추천부(500)는 S260 단계에서 모든 사용자문항벡터가 앞서(S250) 다시 선택된 클러스터의 중심벡터와의 거리가 최소인 클러스터에 포함되었는지 여부를 확인한다. S260 단계의 확인 결과, 모든 사용자문항벡터가 앞서(S250) 다시 선택된 클러스터의 중심벡터와의 거리가 최소인 클러스터에 포함되어 있지 않으면, 추천부(500)는 전술한 S240 단계 내지 S260 단계를 반복한다. 즉, 추천부(500)는 다음의 수학식 4가 최소가 될 때까지 S240 단계 내지 S260 단계를 반복한다.

수학식 4에서, i는 사용자문항벡터의 인덱스이고, Vi는 i번째 사용자문항벡터를 의미한다. 또한, j는 클러스터의 인덱스이고, Cj는 j번째 클러스터의 중심벡터를 나타낸다. 그리고 fij는 플래그 변수이며, 그 플래그값은 i번째 사용자문항벡터가 j번째 클러스터에 속하면 1, 그렇지 않으면 0이다. 한편, S260 단계의 확인 결과, 모든 사용자문항벡터가 앞서(S250) 다시 선택된 클러스터의 중심벡터와의 거리가 최소인 클러스터에 포함되어 있으면, 추천부(500)는 S260 단계에서 현재의 클러스터를 최적화된 클러스터로 결정한다.

최적화된 클러스터가 결정된 후, 추천부(500)는 S280 단계에서 최적화된 복수의 클러스터 각각에서 컨벡스 헐(Convex Hull)을 도출한다. 예컨대, 도 9에 어느 하나의 최적화된 클러스터가 도시되었다. 도시된 바와 같이, 추천부(500)는 클러스터에 포함된 복수의 사용자문항벡터 중 복수의 컨벡스를 선택하여 컨벡스 헐(Convex Hull)을 구성할 수 있다. 이어서, 추천부(500)는 S290 단계에서 컨벡스 헐을 구성하는 다각형의 무게 중심을 해당 클러스터의 중심으로 설정한다. 예컨대, 추천부(500)는 도 9에 도시된 바와 같이, 컨벡스 헐을 구성하는 8각형의 무게 중심을 클러스터의 중심으로 설정할 수 있다. 클러스터의 중심에는 사용자문항벡터가 존재하지 않을 수도 있지만, 클러스터의 중심은 사용자문항벡터와 동일한 차원의 텐서인 사용자문항벡터로 표현될 수 있다.

다음으로, 추천부(500)는 S300 단계에서 복수의 클러스터 각각에 포함된 복수의 문항의 학습자 별 정답을 맞힐 확률의 평균에 따라 맞힐 확률의 평균이 높은 순서에서부터 낮은 순서로 복수의 클러스터를 나열한다.

예컨대, 제1 내지 제4 클러스터(CL1, CL2, CL3, CL4)가 존재할 때, 제1 내지 제4 클러스터(CL1, CL2, CL3, CL4) 각각에 포함된 사용자문항벡터의 출력변수는 복수의 문항의 정답을 맞힐 확률을 나타낸다. 이에 따라, 추천부(500)는 각 클러스터에 포함된 사용자문항벡터의 출력변수로부터 클러스터 별로 학습자 별 정답을 맞힐 확률의 평균을 산출할 수 있다. 그런 다음, 추천부(500)는 산출된 평균이 높은 순서에서부터 낮은 순서로 복수의 클러스터를 나열할 수 있다.

전술한 바와 같이, 정답을 맞힐 확률의 평균의 크기에 따라 클러스터가 정렬된 상태에서 출제 요청이 있는 경우에 개인 맞춤형 콘텐츠를 제공하기 위한 방법에 대해서 설명하기로 한다. 도 10은 본 발명의 실시예에 따른 문항 순서 정렬에 의한 개인 맞춤형 콘텐츠를 제공하기 위한 방법을 설명하기 위한 흐름도이다.

도 8, 도 9 및 도 10을 참조하면, 추천부(500)는 S310 단계에서 학습자의 출제 요청을 수신할 수 있다. 그러면, 추천부(500)는 S320 단계에서 복수의 클러스터 중 정답을 맞힐 확률의 평균이 기 설정된 기준치 이상이되, 가장 작은 클러스터를 선택한다. 예컨대, 도 8에서 제1 클러스터(CL1)에 포함된 복수의 사용자문항벡터의 정답을 맞힐 확률의 평균은 0.579(58%), 제2 클러스터(CL2)에 포함된 복수의 사용자문항벡터의 정답을 맞힐 확률의 평균은 0.687(69%), 제3 클러스터(CL3)에 포함된 복수의 사용자문항벡터의 정답을 맞힐 확률의 평균은 0.772(77%), 제4 클러스터(CL4)에 포함된 복수의 사용자문항벡터의 정답을 맞힐 확률의 평균은 0.814(81%)라고 가정한다. 또한, 기준치는 75%라고 가정한다. 그러면, 추천부(500)는 클러스터의 정답을 맞힐 확률의 평균이 기 설정된 기준치인 75% 이상이면서 가장 작은 제3 클러스터(CL3)를 선택한다.

클러스터가 선택되면, 추천부(500)는 S330 단계에서 그 선택된 클러스터의 중심과 벡터공간(VS) 상에서 가장 가까운 사용자문항벡터에 해당하는 문항을 출제한다. 예컨대, 도 9의 클러스터가 선택되었다고 가정한다. 그러면, 추천부(500)는 도시된 바와 같이, 클러스터의 중심과 벡터공간(VS) 상에서 가장 가까운 제1 사용자문항벡터(V1)에 대응하는 문항을 데이터베이스(DB)에서 추출하고, 그 추출된 문항을 출제한다. 한편, 본 발명의 실시예에서 문항의 출제는 데이터베이스(DB)에서 추출된 문항을 도시되지는 않았지만, 다양한 표시 장치 등을 통해 출력하는 것을 의미할 수 있다.

이어서, 추천부(500)는 S340 단계에서 출제된 문항에 대응하는 학습자의 답안을 수신할 수 있다. 그러면, 추천부(500)는 S350 단계에서 수신된 답안의 정답 여부에 따라 클러스터 내 혹은 다른 클러스터에서 다음 출제할 문항을 선택하여 제공한다. 다른 말로, 추천부(500)는 S350 단계에서 수신된 답안의 정답 여부에 따라 클러스터를 변경하거나, 클러스터 내에서 사용자문항벡터를 변경하여 다음 문항을 선택하고, 선택된 문항을 출제한다.

먼저, 수신된 답안이 오답인 경우, 추천부(500)는 동일한 클러스터 내에서 출제된 문항에 대응하는 사용자문항벡터를 제외하고 클러스터의 중심과 가장 가까운 사용자문항벡터를 검출하고, 검출된 사용자문항벡터에 대응하는 문항을 선택하여 출제한다. 예컨대, 도 9의 클러스터에서 제1 사용자문항벡터(V1)에 대응하는 문항이 출제되었으며, 수신된 답안이 오답이었다고 가정한다. 그러면, 추천부(500)는 동일한 클러스터 내에서 클러스터의 중심과 제1 사용자문항벡터(V1)를 제외하고, 가장 가까운 제2 사용자문항벡터(V2)를 검출하고, 검출된 제2 사용자문항벡터(V2)에 대응하는 문항을 선택하여 출제한다.

반면, 수신된 답안이 정답인 경우, 추천부(500)는 앞서(S300) 클러스터가 정렬된 바와 같이, 정답을 맞힐 확률의 평균이 높은 순서에서 낮은 순서로 클러스터가 정렬되었을 때, 다음 순서의 클러스터를 선택한다. 이어서, 추천부(500)는 선택된 클러스터에서 클러스터의 중심과 벡터공간(VS) 상에서 가장 가까운 사용자문항벡터를 검출하고, 검출된 사용자문항벡터에 대응하는 문항을 데이터베이스(DB)에서 추출하고, 그 추출된 문항을 출제한다. 도 8을 참조로 예를 들면, 클러스터에 포함된 복수의 사용자문항벡터의 정답을 맞힐 확률의 평균은 제1 클러스터(CL1), 제2 클러스터(CL2), 제3 클러스터(CL3), 제4 클러스터(CL4) 각각이 0.579(58%), 0.687(69%), 0.772(77%), 0.814(81%)라고 가정한다. 그러면, 제4 클러스터(CL4), 제3 클러스터(CL3), 제2 클러스터(CL2), 제1 클러스터(CL1) 순서로 정렬된다. 앞서 제3 클러스터(CL3)가 선택되었다면, 추천부(500)는 다음 순서로 제3 클러스터(CL3) 보다 정답을 맞힐 확률의 평균이 낮은 제2 클러스터(CL2)를 선택한다. 그리고, 도 9를 참조로 예를 들면, 제2 클러스터(CL2)에서 클러스터의 중심과 벡터공간(VS) 상에서 가장 가까운 제1 사용자문항벡터(V1)를 검출하고, 검출된 제1 사용자문항벡터(V1)에 대응하는 문항을 데이터베이스(DB)에서 추출하고, 그 추출된 문항을 출제한다.

도 11은 본 발명의 실시예에 따른 컴퓨팅 장치를 나타내는 도면이다. 도 11의 컴퓨팅 장치(TN100)는 본 명세서에서 기술된 장치, 예컨대, 콘텐츠추천장치(10)가 될 수 있다.

도 11의 실시예에서, 컴퓨팅 장치(TN100)는 적어도 하나의 프로세서(TN110), 송수신 장치(TN120), 및 메모리(TN130)를 포함할 수 있다. 또한, 컴퓨팅 장치(TN100)는 저장 장치(TN140), 입력 인터페이스 장치(TN150), 출력 인터페이스 장치(TN160) 등을 더 포함할 수 있다. 컴퓨팅 장치(TN100)에 포함된 구성 요소들은 버스(bus)(TN170)에 의해 연결되어 서로 통신을 수행할 수 있다.

프로세서(TN110)는 메모리(TN130) 및 저장 장치(TN140) 중에서 적어도 하나에 저장된 프로그램 명령(program command)을 실행할 수 있다. 프로세서(TN110)는 중앙 처리 장치(CPU: central processing unit), 그래픽 처리 장치(GPU: graphics processing unit), 또는 본 발명의 실시예에 따른 방법들이 수행되는 전용의 프로세서를 의미할 수 있다. 프로세서(TN110)는 본 발명의 실시예와 관련하여 기술된 절차, 기능, 및 방법 등을 구현하도록 구성될 수 있다. 프로세서(TN110)는 컴퓨팅 장치(TN100)의 각 구성 요소를 제어할 수 있다.

메모리(TN130) 및 저장 장치(TN140) 각각은 프로세서(TN110)의 동작과 관련된 다양한 정보를 저장할 수 있다. 메모리(TN130) 및 저장 장치(TN140) 각각은 휘발성 저장 매체 및 비휘발성 저장 매체 중에서 적어도 하나로 구성될 수 있다. 예를 들어, 메모리(TN130)는 읽기 전용 메모리(ROM: read only memory) 및 랜덤 액세스 메모리(RAM: random access memory) 중에서 적어도 하나로 구성될 수 있다.

송수신 장치(TN120)는 유선 신호 또는 무선 신호를 송신 또는 수신할 수 있다. 송수신 장치(TN120)는 네트워크에 연결되어 통신을 수행할 수 있다.

한편, 전술한 본 발명의 실시예에 따른 방법은 다양한 컴퓨터수단을 통하여 판독 가능한 프로그램 형태로 구현되어 컴퓨터로 판독 가능한 기록매체에 기록될 수 있다. 여기서, 기록매체는 프로그램 명령, 데이터 파일, 데이터구조 등을 단독으로 또는 조합하여 포함할 수 있다. 기록매체에 기록되는 프로그램 명령은 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 예컨대 기록매체는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광 기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media) 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치를 포함한다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어를 포함할 수 있다. 이러한 하드웨어 장치는 본 발명의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.

이상 본 발명을 몇 가지 바람직한 실시예를 사용하여 설명하였으나, 이들 실시예는 예시적인 것이며 한정적인 것이 아니다. 이와 같이, 본 발명이 속하는 기술분야에서 통상의 지식을 지닌 자라면 본 발명의 사상과 첨부된 특허청구범위에 제시된 권리범위에서 벗어나지 않으면서 균등론에 따라 다양한 변화와 수정을 가할 수 있음을 이해할 것이다.

100: 등록부
200: 지식진단부
300: 문항진단부
400: 모형생성부
500: 추천부

Claims (16)

1. 개인 맞춤형 콘텐츠를 제공하기 위한 장치에 있어서,
   학습자를 나타내는 학습자벡터, 문항을 나타내는 문항벡터와, 상기 학습자의 개념 이해도를 나타내는 개념이해도벡터와, 상기 학습자의 상기 문항에 대한 난이도를 나타내는 문항난이도벡터를 포함하는 입력변수가 입력되면, 상기 학습자가 상기 문항을 맞출 확률을 출력변수로 산출하는 정답률예측모형을 생성하는 모형생성부; 및
   복수의 문항 및 복수의 사용자에 대응하여 상기 입력변수 및 상기 출력변수를 벡터공간에 사상하여 복수의 사용자문항벡터를 생성하고, 상기 복수의 사용자문항벡터를 클러스터링하여 복수의 클러스터를 생성하고, 상기 복수의 클러스터를 각 클러스터에 포함된 복수의 사용자문항벡터의 문항을 맞출 확률의 평균에 따라 상기 복수의 클러스터를 정렬하는 추천부;
   를 포함하며,
   상기 추천부는
   상기 복수의 클러스터 중 정답을 맞힐 확률의 평균이 기 설정된 기준치 이상이되, 가장 작은 클러스터를 선택하고, 선택된 클러스터의 중심과 가장 가까운 사용자문항벡터에 대응하는 문항을 출제하는 것을 특징으로 하는
   개인 맞춤형 콘텐츠를 제공하기 위한 장치.
2. 삭제
3. 제1항에 있어서,
   상기 추천부는
   기 출제된 문항에 대해 수신된 답안이 오답인 경우,
   동일한 클러스터 내에서 출제된 문항에 대응하는 사용자문항벡터를 제외하고 클러스터의 중심과 가장 가까운 사용자문항벡터를 검출하고, 검출된 사용자문항벡터에 대응하는 문항을 선택하여 출제하는 것을 특징으로 하는
   개인 맞춤형 콘텐츠를 제공하기 위한 장치.
4. 제1항에 있어서,
   상기 추천부는
   기 출제된 문항에 대해 수신된 답안이 정답인 경우,
   정답을 맞힐 확률의 평균이 높은 순서에서 낮은 순서로 클러스터가 정렬되었을 때, 다음 순서의 클러스터를 선택하고,
   선택된 클러스터에서 클러스터의 중심과 벡터공간 상에서 가장 가까운 사용자문항벡터를 검출하고, 검출된 사용자문항벡터에 대응하는 문항을 선택하여 출제하는 것을 특징으로 하는
   개인 맞춤형 콘텐츠를 제공하기 위한 장치.
5. 개인 맞춤형 콘텐츠를 제공하기 위한 장치에 있어서,
   학습자에 대해 학습자벡터를 할당하고, 문항에 대해 문항벡터를 할당하는 등록부;
   개념추적모형을 이용하여 학습자의 문항에 대한 개념 이해도를 나타내는 개념이해도벡터를 산출하는 지식진단부;
   문제모수추정모델을 통해 학습자의 문항에 대한 난이도를 나타내는 문항난이도벡터를 산출하는 문항진단부;
   상기 학습자벡터, 상기 문항벡터, 상기 개념이해도벡터 및 상기 문항난이도벡터를 포함하는 입력변수가 입력되면, 학습자가 문항을 맞출 확률을 출력변수로 산출하는 정답률예측모형을 생성하는 모형생성부; 및
   복수의 문항 및 복수의 사용자에 대응하여 상기 입력변수 및 상기 출력변수를 벡터공간에 사상하여 복수의 사용자문항벡터를 생성하고, 상기 복수의 사용자문항벡터를 클러스터링하여 복수의 클러스터를 생성하고, 상기 복수의 클러스터를 각 클러스터에 포함된 복수의 사용자문항벡터의 문항을 맞출 확률의 평균에 따라 상기 복수의 클러스터를 정렬하고, 상기 복수의 클러스터 중 정답을 맞힐 확률의 평균이 기 설정된 기준치 이상이되, 가장 작은 클러스터를 선택하고, 선택된 클러스터의 중심과 가장 가까운 사용자문항벡터에 대응하는 문항을 출제하는 추천부;
   를 포함하는 것을 특징으로 하는
   개인 맞춤형 콘텐츠를 제공하기 위한 장치.
6. 제5항에 있어서,
   상기 모형생성부는
   수학식

   

   에서
   상기 i 및 j는 입력변수의 인덱스이고,
   상기

   

   는 입력변수이고,
   상기

   

   는 출력변수이고,
   상기

   

   는 잔차값이고,
   상기

   

   는 i 번째 입력변수의 가중치이고,
   상기

   

   는 i, j번째 입력변수 간 상호작용 가중치일 때,
   상기 입력변수를 상기 수학식에 입력하여 출력변수를 산출하고,
   산출된 출력변수와 레이블과의 차이인 손실을 산출하고, 산출된 손실이 최소화되도록 하는 상기 상호작용 가중치를 포함하는 전체 가중치를 산출하는 것을 특징으로 하는
   개인 맞춤형 콘텐츠를 제공하기 위한 장치.
7. 제5항에 있어서,
   상기 추천부는
   기 출제된 문항에 대해 수신된 답안이 오답인 경우,
   동일한 클러스터 내에서 출제된 문항에 대응하는 사용자문항벡터를 제외하고 클러스터의 중심과 가장 가까운 사용자문항벡터를 검출하고, 검출된 사용자문항벡터에 대응하는 문항을 선택하여 출제하는 것을 특징으로 하는
   개인 맞춤형 콘텐츠를 제공하기 위한 장치.
8. 제5항에 있어서,
   상기 추천부는
   기 출제된 문항에 대해 수신된 답안이 정답인 경우,
   정답을 맞힐 확률의 평균이 높은 순서에서 낮은 순서로 클러스터가 정렬되었을 때, 다음 순서의 클러스터를 선택하고,
   선택된 클러스터에서 클러스터의 중심과 벡터공간 상에서 가장 가까운 사용자문항벡터를 검출하고, 검출된 사용자문항벡터에 대응하는 문항을 선택하여 출제하는 것을 특징으로 하는
   개인 맞춤형 콘텐츠를 제공하기 위한 장치.
9. 개인 맞춤형 콘텐츠를 제공하기 위한 방법에 있어서,
   모형생성부가 학습자를 나타내는 학습자벡터, 문항을 나타내는 문항벡터와, 상기 학습자의 개념 이해도를 나타내는 개념이해도벡터와, 상기 학습자의 상기 문항에 대한 난이도를 나타내는 문항난이도벡터를 포함하는 입력변수가 입력되면, 상기 학습자가 상기 문항을 맞출 확률을 출력변수로 산출하는 정답률예측모형을 생성하는 단계;
   추천부가 복수의 문항 및 복수의 사용자에 대응하는 입력변수로부터 상기 정답률예측모형를 통해 출력변수를 산출하고, 상기 복수의 문항 및 복수의 사용자에 대응하는 입력변수와, 산출된 출력변수를 벡터공간에 사상하여 복수의 사용자문항벡터를 생성하는 단계;
   상기 추천부가 상기 복수의 사용자문항벡터를 클러스터링하여 복수의 클러스터를 생성하는 단계;
   상기 추천부가 상기 복수의 클러스터를 각 클러스터에 포함된 복수의 사용자문항벡터의 문항을 맞출 확률의 평균에 따라 상기 복수의 클러스터를 정렬하는 단계;
   를 포함하며,
   상기 추천부가 상기 복수의 클러스터 중 정답을 맞힐 확률의 평균이 기 설정된 기준치 이상이되, 가장 작은 클러스터를 선택하고, 선택된 클러스터의 중심과 가장 가까운 사용자문항벡터에 대응하는 문항을 출제하는 단계;
   를 더 포함하는 것을 특징으로 하는
   개인 맞춤형 콘텐츠를 제공하기 위한 방법.
10. 삭제
11. 제9항에 있어서,
    상기 문항을 출제하는 단계 후,
    상기 추천부가 기 출제된 문항에 대해 수신된 답안이 오답인 경우, 동일한 클러스터 내에서 출제된 문항에 대응하는 사용자문항벡터를 제외하고 클러스터의 중심과 가장 가까운 사용자문항벡터를 검출하는 단계;
    상기 추천부가 상기 검출된 사용자문항벡터에 대응하는 문항을 선택하여 출제하는 단계;
    를 더 포함하는 것을 특징으로 하는
    개인 맞춤형 콘텐츠를 제공하기 위한 방법.
12. 제9항에 있어서,
    상기 문항을 출제하는 단계 후,
    상기 추천부가 기 출제된 문항에 대해 수신된 답안이 정답인 경우,
    정답을 맞힐 확률의 평균이 높은 순서에서 낮은 순서로 클러스터가 정렬되었을 때, 다음 순서의 클러스터를 선택하는 단계; 및
    선택된 클러스터에서 클러스터의 중심과 벡터공간 상에서 가장 가까운 사용자문항벡터를 검출하고, 검출된 사용자문항벡터에 대응하는 문항을 선택하여 출제하는 단계;
    를 더 포함하는 것을 특징으로 하는
    개인 맞춤형 콘텐츠를 제공하기 위한 방법.
13. 개인 맞춤형 콘텐츠를 제공하기 위한 방법에 있어서,
    등록부가 학습자에 대해 학습자벡터를 할당하고, 문항에 대해 문항벡터를 할당하는 단계;
    지식진단부가 개념추적모형을 이용하여 학습자의 문항에 대한 개념 이해도를 나타내는 개념이해도벡터를 산출하는 단계;
    문항진단부가 문제모수추정모델을 통해 학습자의 문항에 대한 난이도를 나타내는 문항난이도벡터를 산출하는 단계;
    모형생성부가 상기 학습자벡터, 상기 문항벡터, 상기 개념이해도벡터 및 상기 문항난이도벡터를 포함하는 입력변수가 입력되면, 학습자가 문항을 맞출 확률을 출력변수로 산출하는 정답률예측모형을 생성하는 단계;
    추천부가 복수의 문항 및 복수의 사용자에 대응하여 상기 입력변수 및 상기 출력변수를 벡터공간에 사상하여 복수의 사용자문항벡터를 생성하는 단계;
    상기 추천부가 상기 복수의 사용자문항벡터를 클러스터링하여 복수의 클러스터를 생성하는 단계;
    상기 추천부가 상기 복수의 클러스터를 각 클러스터에 포함된 복수의 사용자문항벡터의 문항을 맞출 확률의 평균에 따라 상기 복수의 클러스터를 정렬하는 단계;
    상기 추천부가 상기 복수의 클러스터 중 정답을 맞힐 확률의 평균이 기 설정된 기준치 이상이되, 가장 작은 클러스터를 선택하고, 선택된 클러스터의 중심과 가장 가까운 사용자문항벡터에 대응하는 문항을 출제하는 단계;
    를 포함하는 것을 특징으로 하는
    개인 맞춤형 콘텐츠를 제공하기 위한 방법.
14. 제13항에 있어서,
    상기 정답률예측모형을 생성하는 단계는
    수학식

    

    에서
    상기 i 및 j는 입력변수의 인덱스이고,
    상기

    

    는 입력변수이고,
    상기

    

    는 출력변수이고,
    상기

    

    는 잔차값이고,
    상기

    

    는 i 번째 입력변수의 가중치이고,
    상기

    

    는 i, j번째 입력변수 간 상호작용 가중치일 때,
    상기 모형생성부가 상기 입력변수를 상기 수학식에 입력하여 출력변수를 산출하는 단계; 및
    상기 모형생성부가 산출된 출력변수와 레이블과의 차이인 손실을 산출하고, 산출된 손실이 최소화되도록 하는 상기 상호작용 가중치를 포함하는 전체 가중치를 산출하는 단계;
    를 포함하는 것을 특징으로 하는
    개인 맞춤형 콘텐츠를 제공하기 위한 방법.
15. 제13항에 있어서,
    상기 문항을 출제하는 단계 후,
    상기 추천부가 기 출제된 문항에 대해 수신된 답안이 오답인 경우, 동일한 클러스터 내에서 출제된 문항에 대응하는 사용자문항벡터를 제외하고 클러스터의 중심과 가장 가까운 사용자문항벡터를 검출하는 단계;
    상기 추천부가 상기 검출된 사용자문항벡터에 대응하는 문항을 선택하여 출제하는 단계;
    를 더 포함하는 것을 특징으로 하는
    개인 맞춤형 콘텐츠를 제공하기 위한 방법.
16. 제13항에 있어서,
    상기 문항을 출제하는 단계 후,
    상기 추천부가 기 출제된 문항에 대해 수신된 답안이 정답인 경우,
    정답을 맞힐 확률의 평균이 높은 순서에서 낮은 순서로 클러스터가 정렬되었을 때, 다음 순서의 클러스터를 선택하는 단계; 및
    선택된 클러스터에서 클러스터의 중심과 벡터공간 상에서 가장 가까운 사용자문항벡터를 검출하고, 검출된 사용자문항벡터에 대응하는 문항을 선택하여 출제하는 단계;
    를 더 포함하는 것을 특징으로 하는
    개인 맞춤형 콘텐츠를 제공하기 위한 방법.

Images