KR102411190B1

KR102411190B1 - 다중과제 학습에 근거하는 전체론적 학생 평가 프레임워크

Info

Publication number: KR102411190B1
Application number: KR1020210141504A
Authority: KR
Inventors: 김정훈
Original assignee: (주)뤼이드
Priority date: 2021-10-08
Filing date: 2021-10-22
Publication date: 2022-06-22
Also published as: US20230112222A1

Abstract

본 명세서는 전자기기가 문제에 대한 사용자의 점수를 예측하기 위한 방법에 있어서, DP-MTL(DP-Multi Tasking Learning) 모델을 학습시키는 단계; 상기 DP-MTL 모델을 검증하는 단계; 단말을 통해, 상기 사용자로부터 상기 문제와 관련된 보기 선택 정보를 수신하는 단계; 및 상기 보기 선택 정보에 근거하여, 검증된 상기 DP-MTL 모델을 이용하여, 1) 상기 사용자가 상기 문제를 맞힐 확률 및 2) 사용자의 상기 문제와 관련된 점수를 예측하는 단계; 를 포함하며, 상기 DP-MTL 모델은 1) 상기 사용자의 상기 문제에 대한 정오답 여부에 대한 정보, 2) 상기 사용자가 오답을 선택한 경우, 상기 문제의 보기 중 어떠한 오답을 선택했는지에 대한 정보, 및 3) 상기 사용자의 지적 수준(Skill level)에 근거하여, 상기 사용자의 점수를 예측하기 위한 모델일 수 있다.

Description

다중과제 학습에 근거하는 전체론적 학생 평가 프레임워크 {HOLISTIC STUDENT ASSESSMENT FRAMEWORK BASED ON MULTI-TASK LEARNING}

본 명세서는 딥러닝을 이용하여 다중과제 학습에 근거하는 전체론적 학생 평가 프레임워크에 관한 것이다.

교육 서비스 분야에서는 사용자의 지식 수준을 정확하게 추정하는 것이 응용에 큰 영향을 미친다. 이러한 평가를 제공하기 위한 가장 일반적인 접근방식은 특정 사용자에 대한 질문에 대한 정확성의 이진 분류(binary classification)인 지식 추적(Knowledge Tracing, KT)을 통한 것이다.

그러나 이러한 정확성에 대한 이진화된 정보는 종종 답변 뒤에 숨겨진 추론에 의해 제공될 수 있는 정보를 무시한다. 예를 들어, 객관식 질문(MCQ)(예를 들어, 옵션 추적(Option Tracing, OT)으로 알려진 작업)에서 특정 옵션을 답으로 선택하는 이유(reason)는 단순한 KT 모델보다 더 많은 정보를 제공할 수 있다.

본 명세서에서는 다중 작업 학습 프레임워크(multi-task learning framework)에서 정답 정확성과 옵션 선택에 내재된 정보를 포착하기 위한 간단하고 새로운 방법론을 제안한다.

본 명세서의 목적은, 학생들이 어떠한 문제에 대해서 어떠한 보기를 대답할 확률이 높은지, 그 보기가 정답인지 오답인지 계산하는 KT, CT, 및

값에 비례하여 학생의 점수를 예측하는 SP(Score Prediction)를 구현하기 위한 프레임워크를 제안한다.

또한, 본 명세서의 목적은 학생 평가 프레임워크의 일반화성(generalizability)을 통해, 학생들의 취약점 파악과 맞춤형 질문 추천을 포함한 다양한 교육적 응용을 향상시키기 위한 방법을 제안한다.

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 문제에 대한 사용자의 점수를 예측하기 위한 방법에 있어서, DP-MTL(DP-Multi Tasking Learning) 모델을 학습시키는 단계; 상기 DP-MTL 모델을 검증하는 단계; 단말을 통해, 상기 사용자로부터 상기 문제와 관련된 보기 선택 정보를 수신하는 단계; 및 상기 보기 선택 정보에 근거하여, 검증된 상기 DP-MTL 모델을 이용하여, 1) 상기 사용자가 상기 문제를 맞힐 확률 및 2) 사용자의 상기 문제와 관련된 점수를 예측하는 단계; 를 포함하며, 상기 DP-MTL 모델은 1) 상기 사용자의 상기 문제에 대한 정오답 여부에 대한 정보, 2) 상기 사용자가 오답을 선택한 경우, 상기 문제의 보기 중 어떠한 오답을 선택했는지에 대한 정보, 및 3) 상기 사용자의 지적 수준(Skill level)에 근거하여, 상기 사용자의 점수를 예측하기 위한 모델일 수 있다.

또한, 상기 DP-MTL 모델을 학습시키는 단계는 다음의 수식 :

에 근거하며, 상기 u는 상기 사용자를 나타내는 파라미터이고, 상기

는 상기 사용자의 지적 수준을 나타내는 파라미터이며, 상기

는 상기 i 번째 문제를 구성하는 아이템 파라미터일 수 있다.

또한, 상기 DP-MTL 모델을 학습시키는 단계는 상기

를 최소화시키기 위한 상기

및 상기

를 계산할 수 있다.

또한, 상기 DP-MTL 모델을 검증하는 단계는 상기

를 최소화하기 위해 상기

에 대해 검증할 수 있다.

본 명세서의 또 다른 일 양상은, 문제에 대한 사용자의 점수를 예측하기 위한 전자기기에 있어서, 단말과 통신하기 위한 통신모듈(communication module); 메모리; 및 프로세서를 포함하고, 상기 프로세서는 DP-MTL(DP-Multi Tasking Learning) 모델을 학습시키고, 상기 DP-MTL 모델을 검증하며, 상기 단말을 통해, 상기 사용자로부터 상기 문제와 관련된 보기 선택 정보를 수신하고, 상기 보기 선택 정보에 근거하여, 검증된 상기 DP-MTL 모델을 이용하여, 1) 상기 사용자가 상기 문제를 맞힐 확률 및 2) 사용자의 상기 문제와 관련된 점수를 예측하며, 상기 DP-MTL 모델은 1) 상기 사용자의 상기 문제에 대한 정오답 여부에 대한 정보, 2) 상기 사용자가 오답을 선택한 경우, 상기 문제의 보기 중 어떠한 오답을 선택했는지에 대한 정보, 및 3) 상기 사용자의 지적 수준(Skill level)에 근거하여, 상기 사용자의 점수를 예측하기 위한 모델일 수 있다.

본 명세서의 실시예에 따르면, 학생들이 어떠한 문제에 대해서 어떠한 보기를 대답할 확률이 높은지, 그 보기가 정답인지 오답인지 계산하는 KT, CT, 및

값에 비례하여 학생의 점수를 예측하는 SP를 구현할 수 있다.

또한, 본 명세서의 실시예에 따르면, 학생 평가 프레임워크의 일반화성은 학생들의 취약점 파악과 맞춤형 질문 추천을 포함한 다양한 교육적 응용을 향상시킬 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 명세서의 일 실시예에 따른 AI 장치의 블록도이다.
도 3은 본 명세서가 적용될 수 있는 DP-MTL 모델의 실험을 위한 파이프라인(pipeline)의 예시이다.
도 4는 본 명세서가 적용될 수 있는 전자기기의 일실시예이다.
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 명세서의 일 실시예에 따른 AI 장치의 블록도이다.

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

상기 AI 장치(20)는 AI 프로세서(21), 메모리(25) 및/또는 통신부(27)를 포함할 수 있다.

상기 AI 장치(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 사용자에게 교육 서비스를 제공하기 위해, AI 모델을 학습할 수 있다.

이러한, AI 모델은 후술할 DP-MTL(DP-Multi Tasking Learning) 모델을 포함할 수 있다. 예를 들어, DP-MTL은 세가지 주요 과제(task)(예를 들어, KT(Knowledge Tracing), OT(Option Tracing), SP(Score Prediction))를 통해, 전체적으로 학생을 평가하는 다중과제(multi-task) 학습 프레임워크를 의미할 수 있다.

예를 들어, KT는 테스트 중인 도메인에서 각 개인의 마스터 상태 개선을 추적하기 위해 학생의 지식 상태를 모델링할 수 있다. 딥러닝이 대중화되기 전, 통계 모델로서, Item Response Theory(IRT) (Gonz´alez-Brenes, Huang, and Brusilovsky 2014; Khajah et al. 2014; Yudelson, Koedinger, and Gordon 2013; Pel´anek 2017; Gervet et al. 2020) 및 Bayesian Knowledge Tracing(BKT) 가 학생들의 지식 요소의 숙달을 평가하는데 사용되었다.

그러나, 기계학습과 딥러닝의 발전은 KT에 대한 타임시리즈(timeseries) 기반 접근방법이 제시되었다 (Piech et al. 2015; Zhang et al. 2017; Choi et al. 2020).

OT는 특정 스킬 레벨을 갖는 학생이 선택할 가능성이 더 높은 옵션을 예측하기 위한 과제이다. OT(Polytonomous IRT)에 기반한 여러 IRT 연구는 정신의학 및 성인 애착(Bacci, Bartolucci 및 Gnaldi 2014, Faley, Waller 및 Brennan 2000)과 같은 사회과학 영역의 정신측정학적 테스트를 통해 수행된 순서 범주적 반응을 다룬다.

학생 점수 예측(SP)도 인공지능 교육 분야에서 중요한 과제이다(Loh, Chae 및 Hwang 2020; Iqbal et al. 2017; Sweeney, Lester 및 Langwala 2015). 점수 예측에 사용되는 일반적인 방법론에는 매트릭스 인수분해(Elbadrawy 및 Karypis 2016; Sweeney et al. 2016)와 회귀 모델(Morsy 및 Karypis 2017; Ren et al. 2019)이 포함된다. 일부 연구는 KT 알고리즘을 사용하여 학생 점수를 다운스트림(downstream) 과제로 예측한다(Liu 등 2019).

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.

메모리(25)는 AI 장치(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 AI 장치(20)는 AI 프로세서(21)와 메모리(25), 통신부(27) 등으로 기능적으로 구분하여 설명하였지만, 전술한 구성요소들이 하나의 모듈로 통합되어 AI 모듈로 호칭될 수도 있다.

에듀 테크 시장이나 사내 기술 스택 내에서 일반적으로 Item Response Theory(IRT)가 학생이 문제를 맞출 확률을 계산하는데 사용된다. IRT는 문제의 난이도 등의 변수를 사용해서 학생이 특정한 문제를 맞출 확률을 계산하는 모델이다.

그러나, 기존의 IRT는 단지 학생이 문제를 맞췄는지 틀렸는지만을 가지고 변수를 예측하고 확률을 계산한다. 즉, 학생이 문제의 정답을 맞췄는지의 유무에 대한 데이터만을 가지고 계산이 수행된다. 따라서, 학생이 어떤 오답을 선택했는지에 대한 데이터를 확보할 수 있음음에도 불구하고, 이를 제대로 활용하고 있지 못하는 문제가 있다. 예를 들어, 어떤 문제가 보기 A,B,C,D,E를 가지고 있다고 가정을 했을 때, A가 정답, B가 정답에 비슷한 오답, C,D,E는 완전히 틀린 오답인 경우, 기존의 IRT(예를 들어, D-IRT)는 B를 선택한 학생과 C,D,E 학생을 동일하게 취급을 하지만, 사실 B를 선택한 학생들이 C,D,E보기를 선택한 학생보다 더 높은 스킬을 갖을 수 있음을 기존 IRT모델은 고려할 수 없다.

본 명세서는 이를 해결하기 위해, 기존의 IRT에 P-IRT(Polytonomous IRT)를 추가하는 DP-MTL 모델을 제안한다.

P-IRT는 학생들이 어떠한 보기를 선택할지를 예측하는 모델로서, 단순 정오답을 가지고 학생의 대답을 예측하는 게 아니라 학생이 어떠한 보기를 선택할 확률이 높은지 예측하는 모델이다. 하지만, P-IRT는 학생들이 어떠한 보기를 선택할 확률만을 고려하지, 그 문제의 정오답 여부는 고려하지 못한다. 이를 해결하기 위해, DP-MTL 모델은 IRT(예를 들어, D-IRT)와 P-IRT를 합쳐 구성될 수 있다.

또한, 이에 더해서 추가적인 잠재적인 학생의 스킬을 예측하기 위해서 각 학생들의 개념 이해도를 벡터화해서 더 구체적으로 이해가 가능한 Multi-Dimensional IRT를 추가할 수 있다.

기존의 IRT(예를 들어, D-IRT) 모델은 예를 들어, 다음의 수학식 1과 같은 방식으로 계산될 수 있다.

수학식 1을 참조하면,

는 학생이 i 옵션(인덱스) 문제를 맞출 확률이고,

는 당해 문제를 푸는 학생의 스킬(예를 들어, 학생의 실력을 나타내는) 파라미터이며,

는 i 옵션 문제에 대한 아이템(discriminatory) 파라미터이고,

는 i 옵션 문제에 대한 난이도 파라미터이다.

는 i 옵션 문제에 대한 pseudo guessing 파라미터이다. 상기 파라미터들은 Gradient descent algorithm, 또는 이와 유사한 목적을 갖는 공지된 알고리즘을 통해 획득될 수 있다.

DP-MTL 모델은 기존의 IRT 모델과는 다르게 1) 정오답여부, 2) 어떠한 오답을 골랐는지, 및 3) 학생의 잠재적인 지적 수준(skill level)을 계산하여 학생의 대답을 예측하는 모델이다.

DP-MTL은

의 비율로 이분법 옵션 정답(Dichotomous Option Correctness, D) 및 Polytonomous 옵션 선택(Option Choice, P)의 결합 버전으로 구성될 수 있다.

1. Dichotomous Option Correctness(D)

전통적인 이분법(dichotomous) 모델은 사용자, 아이템(문제) 및 정답에 대응되는 쌍들을 포함하는 상호작용들(interactions)의 관찰에 대한 negative log 우도(likelihood)를 최소화함으로써 훈련될 수 있다. 이는 학생의 상호작용 데이터에 근거하여, 아이템의 정답/오답에 대응되는 사용자의 조건부 확률을 최대화하는 것과 같다.

다음의 수학식 2는 이분법(dichotomous) 모델을 훈련시키기 위한 방법의 예시이다.

여기서,

는 negative log 우도로서, 최소화될 수 있다. 또한, u는 학생 인덱스이며,

는 학생 u의 스킬 파라미터이고,

는 i 옵션(인덱스) 문제를 구성하는 전반적인 아이템 파라미터(예를 들어, 수학식 1에서의

를 포함할 수 있음)이고,

는 학생 u가 i 옵션 문제를 맞혔는지 여부를 결정하는 이진 변수이다.

2. Polytonomous Option Choice(P)

polytonomous 모델은 negative log 우도 (

)가 최소화됨으로써 훈련될 수 있다. 수학식 3은 polytonomous 모델을 훈련시키기 위한 방법의 예시이다. 예를 들어, polytonomous 모델은 하나 이상의 보기를 갖는 문제의 특성을 고려할 수 있다.

수학식 3을 참조하면,

은 다음의 수학식 4에 의해 계산될 수 있다.

수학식 4를 참조하면,

는 학생의 스킬 파라미터이고,

는 문제 옵션(인덱스) o에 대한 아이템 파라미터이며,

는 옵션 o에 대한 난이도 파라미터이다. j는 전체 옵션의 수를 의미할 수 있다.

또한, 수학식 2를 다시 참조하면,

는 학생의 오답 선택의 확률의 합인

으로 대체될 수 있다.

따라서, 수학식 2의

는 다음의 수학식 5로 다시 계산될 수 있다.

3. DP-MTL

본 명세서에서는 수학식 3 및 수학식 5에 근거하여, DP-MTL 모델의 학습 객체를 다음의 수학식 6과 같이 정의할 수 있다.

따라서, 다음의 수학식 7을 참조하면, DP-MTL 모델의 목적(objective) 함수는 두 목적 함수를 결합함으로써 도출될 수 있다.

도 3은 본 명세서가 적용될 수 있는 DP-MTL 모델의 실험을 위한 파이프라인(pipeline)의 예시이다.

DP-MTL 모델은 기존의 IRT 모델과는 달리, 학생의 문제에 대한 정오답 여부 및 학생이 오답을 고른 경우, 보기 중 어떠한 오답을 골랐는지, 그리고 학생의 잠재적인 지적 수준(Skill level)을 계산하여, 학생의 점수를 예측하기 위한 모델이다.

도 3을 참조하면, DP-MTL 모델은 Training Dataset을 통해 학습될 수 있다. Training Dataset 및 Test Dataset은 학습 및 학습이 제대로 되었는 지를 확인(validation) 하기 위해 user 별 각 문제(Q)에 대해 어떤 보기를 선택했는지에 대한 masking된 데이터를 포함할 수 있다. DP-MTL 모델은 User가 문제에 대해 정답을 선택했는지, 또는 오답을 선택한 경우 어떠한 오답을 선택했는지에 대한 데이터를 입력받아 전술한 수학식 7을 통해 학습될 수 있다. (i)을 참조하면, DP-MTL 모델은 유저의 스킬 파라미터

및 문제의 아이템 파라미터

를 측정할 수 있다. (ii) 유저의 스킬 파라미터

는 다운-스트림(down-stream) 점수 예측(score prediction) 과제를 위해 user representation로서, 사용될 수 있다. (iii) 점수 예측 과제의 성능은 user representation 품질에 대한 평가 지표(assessment metrix)로서 test split에 에서 사용자 별로 측정될 수 있다. (i) 및 (ii)는 KT/OT 파이프라인을 나타내고, (iii)는 SP 파이프라인을 나타낼 수 있다.

도 4는 본 명세서가 적용될 수 있는 전자기기의 일실시예이다.

도 4를 참조하면, 전자기기는 단말과 통신하기 위한 통신모듈(communication module), 메모리, 및 프로세서를 포함하고, 메모리에 저장된 프로그램을 통해, DP-MTL 모델을 학습시킬 수 있다.

전자기기는 DP-MTL(DP-Multi Tasking Learning) 모델을 학습시킨다(S410). 예를 들어, DP-MTL 모델은 1) 사용자의 문제에 대한 정오답 여부에 대한 정보, 2) 사용자가 오답을 고른 경우, 보기 중 어떠한 오답을 골랐는지에 대한 정보, 및 3) 사용자의 잠재적인 지적 수준(Skill level)에 근거하여, 사용자의 점수를 예측하기 위한 모델일 수 있다. 보다 자세하게, 전자기기는 train dataset을 DP-MTL 모델에 입력하고, 수학식 7에 근거하여,

를 최소화하기 위한 a 파라미터 및

파라미터를 계산할 수 있다. 전자기기는 계산된 a 파라미터 및

파라미터를 이용하여, DP-MTL가 사용자가 정오답을 선택했는지에 대한 정보(Knowledge Tracing, KT)와 정확히 어떠한 보기를 선택했는지(Choice Tracing, CT)에 대해 모두 학습시킬 수 있다.

전자기기는 DP-MTL 모델을 검증한다(S420). 예를 들어, 전자기기는 train dataset에 대해 검증할 수 있다. 보다 자세하게, 전자기기는 train dataset의 사이즈를 줄이면서(예를 들어, 30%, 20%, 10% ??) DP-MTL 모델을 훈련시킬 수 있고, DP-MTL 모델이 적은 dataset을 이용하여, 얼마나 효과적으로 KT, CT, Score Prediction(SP)를 진행시키는 지 검증할 수 있다. 또한, 전자기기는

를 최소화하기 위한

에 대해서도 검증을 수행할 수 있다.

전자기기는 단말을 통해, 사용자로부터 문제와 관련된 보기 선택 정보를 수신한다(S430). 예를 들어, 보기 선택 정보는 사용자가 문제 별 어떤 보기를 선택하였는 지에 대한 정보를 포함할 수 있다. 단말은 사용자에게 문제를 제공하고, 사용자로부터 당해 문제에 대한 보기를 입력받을 수 있다.

전자기기는 보기 선택 정보에 근거하여, 검증된 DP-MTL 모델을 이용하여, 1) 사용자가 문제를 맞힐 확률 및 2) 사용자의 문제와 관련된 점수를 예측한다(S440).

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 문제에 대한 사용자의 점수를 예측하기 위한 방법에 있어서,
DP-MTL(DP-Multi Tasking Learning) 모델을 학습시키는 단계;
상기 DP-MTL 모델을 검증하는 단계;
단말을 통해, 상기 사용자로부터 상기 문제와 관련된 보기 선택 정보를 수신하는 단계; 및
상기 보기 선택 정보에 근거하여, 검증된 상기 DP-MTL 모델을 이용하여, 1) 상기 사용자가 상기 문제를 맞힐 확률 및 2) 사용자의 상기 문제와 관련된 점수를 예측하는 단계;
를 포함하며,
상기 DP-MTL 모델은 1) 상기 사용자의 상기 문제에 대한 정오답 여부에 대한 정보, 2) 상기 사용자가 오답을 선택한 경우, 상기 문제의 보기 중 어떠한 오답을 선택했는지에 대한 정보, 및 3) 상기 사용자의 지적 수준(Skill level)에 근거하여, 상기 사용자의 점수를 예측하기 위한 모델이고,
상기 DP-MTL 모델을 학습시키는 단계는
다음의 수식 :

에 근거하며,
상기 u는 상기 사용자를 나타내는 파라미터이고,
상기
는 상기 사용자의 지적 수준을 나타내는 파라미터이며,
상기
는 상기 i 번째 문제를 구성하는 아이템 파라미터인, 예측방법.
삭제
제1항에 있어서,
상기 DP-MTL 모델을 학습시키는 단계는
상기
를 최소화시키기 위한 상기
및 상기
를 계산하는, 예측방법.
제1항에 있어서,
상기 DP-MTL 모델을 검증하는 단계는
상기
를 최소화하기 위해 상기 λ에 대해 검증하는, 예측방법.
문제에 대한 사용자의 점수를 예측하기 위한 전자기기에 있어서,
단말과 통신하기 위한 통신모듈(communication module);
메모리; 및
프로세서를 포함하고,
상기 프로세서는
DP-MTL(DP-Multi Tasking Learning) 모델을 학습시키고, 상기 DP-MTL 모델을 검증하며, 상기 단말을 통해, 상기 사용자로부터 상기 문제와 관련된 보기 선택 정보를 수신하고, 상기 보기 선택 정보에 근거하여, 검증된 상기 DP-MTL 모델을 이용하여, 1) 상기 사용자가 상기 문제를 맞힐 확률 및 2) 사용자의 상기 문제와 관련된 점수를 예측하며, 상기 DP-MTL 모델은 1) 상기 사용자의 상기 문제에 대한 정오답 여부에 대한 정보, 2) 상기 사용자가 오답을 선택한 경우, 상기 문제의 보기 중 어떠한 오답을 선택했는지에 대한 정보, 및 3) 상기 사용자의 지적 수준(Skill level)에 근거하여, 상기 사용자의 점수를 예측하기 위한 모델이고,
상기 프로세서는
다음의 수식 :

에 근거하여, 상기 DP-MTL 모델의 학습을 시키며,
상기 u는 상기 사용자를 나타내는 파라미터이고,
상기
는 상기 사용자의 지적 수준을 나타내는 파라미터이며,
상기
는 상기 i 번째 문제를 구성하는 아이템 파라미터인, 전자기기.
삭제
제5항에 있어서,
상기 프로세서는
상기
를 최소화시키기 위한 상기
및 상기
를 계산하여, 상기 DP-MTL 모델의 학습을 시키는, 전자기기.
제5항에 있어서,
상기 프로세서는
상기 DP-MTL 모델을 검증하기 위해,
상기
를 최소화하기 위해 상기 λ에 대해 검증하는, 전자기기.