KR102463077B1 - 사용자에게 다양하고 유용한 컨텐트를 코칭하는 인공지능 스마트 코칭 시스템 및 방법 - Google Patents
사용자에게 다양하고 유용한 컨텐트를 코칭하는 인공지능 스마트 코칭 시스템 및 방법 Download PDFInfo
- Publication number
- KR102463077B1 KR102463077B1 KR1020210156797A KR20210156797A KR102463077B1 KR 102463077 B1 KR102463077 B1 KR 102463077B1 KR 1020210156797 A KR1020210156797 A KR 1020210156797A KR 20210156797 A KR20210156797 A KR 20210156797A KR 102463077 B1 KR102463077 B1 KR 102463077B1
- Authority
- KR
- South Korea
- Prior art keywords
- data
- artificial intelligence
- learning
- coaching
- smart
- Prior art date
Links
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 147
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000011156 evaluation Methods 0.000 claims abstract description 25
- 230000008569 process Effects 0.000 claims description 28
- 238000012423 maintenance Methods 0.000 claims description 20
- 238000004088 simulation Methods 0.000 claims description 17
- 238000009223 counseling Methods 0.000 claims description 14
- 230000008859 change Effects 0.000 claims description 12
- 238000012360 testing method Methods 0.000 claims description 12
- 238000002372 labelling Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 7
- 230000004044 response Effects 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 18
- 230000008921 facial expression Effects 0.000 description 11
- 238000004891 communication Methods 0.000 description 10
- 230000014509 gene expression Effects 0.000 description 7
- 238000003745 diagnosis Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000013480 data collection Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 230000008451 emotion Effects 0.000 description 3
- 241001122767 Theaceae Species 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 210000004556 brain Anatomy 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000007435 diagnostic evaluation Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 239000008267 milk Substances 0.000 description 2
- 210000004080 milk Anatomy 0.000 description 2
- 235000013336 milk Nutrition 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000001815 facial effect Effects 0.000 description 1
- 235000015243 ice cream Nutrition 0.000 description 1
- 238000011017 operating method Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000005316 response function Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/20—Education
- G06Q50/205—Education administration or guidance
- G06Q50/2057—Career enhancement or continuing education service
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
- G06F11/3438—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment monitoring of user actions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/901—Indexing; Data structures therefor; Storage structures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/903—Querying
- G06F16/9035—Filtering based on additional data, e.g. user or group profiles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/903—Querying
- G06F16/9038—Presentation of query results
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/60—Editing figures and text; Combining figures or text
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T13/00—Animation
- G06T13/80—2D [Two Dimensional] animation, e.g. using sprites
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L51/00—User-to-user messaging in packet-switching networks, transmitted according to store-and-forward or real-time protocols, e.g. e-mail
- H04L51/02—User-to-user messaging in packet-switching networks, transmitted according to store-and-forward or real-time protocols, e.g. e-mail using automatic reactions or user delegation, e.g. automatic replies or chatbot-generated messages
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Educational Technology (AREA)
- Educational Administration (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Economics (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- General Business, Economics & Management (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
본 발명은 사용자에게 다양하고 유용한 컨텐트를 코칭하는 인공지능 스마트 코칭 시스템 및 방법에 관한 것이다.
이를 위해, 본 발명은 사용자에게 다양하고 유용한 컨텐트를 코칭하는 인공지능 스마트 코칭 시스템에 있어서, 학생에 대한 학습 데이터, 평가 데이터, 및 캘리퍼 데이터를 포함하는 정형 데이터와, 상담 데이터, 챗봇 데이터, 이미지 데이터, 및 로그 데이터를 포함하는 비정형 데이터를 스마트 코칭 서버로 전송하는 사용자 단말과 상기 정형 데이터 및 상기 비정형 데이터에 기반하여, 상기 사용자에게 스마트 코칭을 제공하는 상기 스마트 코칭 서버를 포함할 수 있다.
이를 위해, 본 발명은 사용자에게 다양하고 유용한 컨텐트를 코칭하는 인공지능 스마트 코칭 시스템에 있어서, 학생에 대한 학습 데이터, 평가 데이터, 및 캘리퍼 데이터를 포함하는 정형 데이터와, 상담 데이터, 챗봇 데이터, 이미지 데이터, 및 로그 데이터를 포함하는 비정형 데이터를 스마트 코칭 서버로 전송하는 사용자 단말과 상기 정형 데이터 및 상기 비정형 데이터에 기반하여, 상기 사용자에게 스마트 코칭을 제공하는 상기 스마트 코칭 서버를 포함할 수 있다.
Description
본 발명은 사용자에게 다양하고 유용한 컨텐트를 코칭하는 인공지능 스마트 코칭 시스템 및 방법에 관한 것이다.
네트워크 기술의 발달과 단말기의 보급 확대는 기존의 오프라인 중심의 학습 환경을 온라인 중심의 학습 환경으로 변화시키고 있다.
이와 같이 온라인 교육 컨텐트를 제공하는 교육 기관은 온라인 교육 컨텐트를 제공 시, 사용자의 교육 컨텐트 선택에 도움을 주기 위하여 교육 컨텐트의 기본 정보, 속성 등 교육 컨텐트에 대한 관련 정보를 함께 제공하고 있다.
그런데, 교육 컨텐트에 대한 관련 정보가 제공되더라도, 사용자의 학습 수준 및 학습 목표에 적합한 맞춤형 교육 컨텐트를 선택하는 데에는 한계가 있다. 이러한 이유는 사용자가 자신의 학습 능력에 대하여 충분하게 인지하고 있지 못하거나, 교육 컨텐트에 대한 관련 정보가 사용자의 학습 목표 별로 세분화되어 제공되지 못하고 있기 때문이다.
종래 선행 기술(한국 등록특허공보 제10-2213476)은 인공지능 학습 기반의 학습 컨텐트 추천 시스템 및 그것의 동작 방법에 대해 개시하고 있다.
그러나, 종래 선행 기술은 단지 사용자가 풀이한 문제 및 문제의 응답을 기초로 정답 확률 예측에 영향을 미치는 정도에 따라 포워드 시퀀스 및 백워드 시퀀스로 가중치를 부여하여 인공신경망을 학습시키고, 보다 높은 정확도로 특정 문제에 대한 사용자의 정답 확률을 예측하는 내용을 개시하고 있을 뿐, 사용자에게 수준별 학습 추천, 취약 학습 추천 및 특별 학습 추천에 대한 스마트 코칭을 제공하지 않는다.
따라서, 사용자로부터 수신되는 데이터를 통해 인공지능 모형을 생성하고, 생성된 인공지능 모형에 기반하여 사용자에게 수준별 학습 추천, 취약 학습 추천 및 특별 학습 추천에 대한 스마트 코칭을 인공지능으로 제공할 필요성이 제기된다.
종래에는 사용자에게 수준별 학습 추천, 취약 학습 추천 및 특별 학습 추천에 대한 서비스를 제공하지 않았다.
따라서, 본 발명은 사용자에게 다양하고 유용한 컨텐트를 코칭하는 인공지능 스마트 코칭 시스템 및 방법을 제공하는 것이다.
본 발명의 목적들은 이상에서 언급한 목적으로 제한되지 않으며, 언급되지 않은 본 발명의 다른 목적 및 장점들은 하기의 설명에 의해서 이해될 수 있고, 본 발명의 실시 예에 의해 보다 분명하게 이해될 것이다. 또한, 본 발명의 목적 및 장점들은 특허 청구 범위에 나타낸 수단 및 그 조합에 의해 실현될 수 있음을 쉽게 알 수 있을 것이다.
이러한 목적을 달성하기 위해 본 발명은 사용자에게 다양하고 유용한 컨텐트를 코칭하는 인공지능 스마트 코칭 시스템에 있어서, 학생에 대한 학습 데이터, 평가 데이터, 및 캘리퍼 데이터를 포함하는 정형 데이터와, 상담 데이터, 챗봇 데이터, 이미지 데이터, 및 로그 데이터를 포함하는 비정형 데이터를 스마트 코칭 서버로 전송하는 사용자 단말과 상기 정형 데이터 및 상기 비정형 데이터에 기반하여, 상기 사용자에게 스마트 코칭을 제공하는 상기 스마트 코칭 서버를 포함할 수 있다.
또한, 본 발명의 스마트 코칭 서버는 사용자 단말로부터 수신되는 정형 데이터 및 비정형 데이터를 가공하고, 상기 가공된 데이터를 데이터 라벨링, 데이터 타입 변경, 데이터 결합, 데이터 피벗, 및 데이터 그룹핑을 통해 인공지능 모형을 생성하는 인공지능 모형 생성 모듈, 상기 생성된 인공지능 모형의 파라미터들을 튜닝하여 상기 인공지능 모형을 업데이트하는 인공지능 모형 유지 보수 모듈, 및 상기 업데이트된 인공지능 모형을 이용하여 상기 학생의 수준별 학습 추천, 취약 학습 추천 및 특별 학습 추천에 대한 정보를 상기 사용자 단말로 전송하는 인공지능 스마트 코칭 모듈을 포함할 수 있다.
또한 본 발명은 사용자에게 다양하고 유용한 컨텐트를 코칭하는 인공지능 스마트 코칭 시스템의 방법에 있어서, 사용자 단말이, 학생에 대한 학습 데이터, 평가 데이터, 및 캘리퍼 데이터를 포함하는 정형 데이터와, 상담 데이터, 챗봇 데이터, 이미지 데이터, 및 로그 데이터를 포함하는 비정형 데이터를 스마트 코칭 서버로 전송하는 과정; 및 상기 스마트 코칭 서버가, 상기 정형 데이터 및 상기 비정형 데이터에 기반하여, 상기 사용자에게 스마트 코칭을 제공하는 과정을 포함할 수 있다.
또한, 본 발명에서 스마트 코칭을 제공하는 과정은, 상기 사용자 단말로부터 수신되는 상기 정형 데이터 및 상기 비정형 데이터를 가공하는 과정, 상기 가공된 데이터를 데이터 라벨링, 데이터 타입 변경, 데이터 결합, 데이터 피벗, 및 데이터 그룹핑을 통해 인공지능 모형을 생성하는 과정, 상기 생성된 인공지능 모형의 파라미터들을 튜닝하여 상기 인공지능 모형을 업데이트하는 과정, 및 상기 업데이트된 인공지능 모형을 이용하여 상기 학생의 수준별 학습 추천, 취약 학습 추천 및 특별 학습 추천에 대한 정보를 상기 사용자 단말로 전송하는 과정을 포함할 수 있다.
본 발명은 사용자 단말로부터 수신된 정형 데이터 및 비정형 데이터에 기반하여, 사용자에게 스마트 코칭을 제공함으로써, 사용자의 학습 능력을 효율적으로 향상시킬 수 있다.
또한, 본 발명은 사용자 단말로부터 수신되는 정형 데이터 및 비정형 데이터를 가공하고, 상기 가공된 데이터를 데이터 라벨링, 데이터 타입 변경, 데이터 결합, 데이터 피벗, 및 데이터 그룹핑을 통해 인공지능 모형을 생성하고, 상기 생성된 인공지능 모형의 파라미터들을 튜닝하여 상기 인공지능 모형을 업데이트함으로써, 고도화된 인공지능 모형을 생성 및 관리할 수 있다.
또한, 본 발명은 고도화된 인공지능 모형을 통해 학생의 수준별 학습 추천, 취약 학습 추천 및 특별 학습 추천에 대한 정보를 사용자 단말로 전송함으로써, 사용자는 자신에 최적화된 컨텐트를 제공받을 수 있다.
또한 본 발명은 사용자 단말로부터 정형 데이터 및 비정형 데이터를 수집하고, 데이터 라벨링, 데이터 타입 변경, 데이터 결합, 데이터 피벗, 및 데이터 그룹핑하여 상기 수집된 정형 데이터 및 비정형 데이터를 가공하고, 상기 가공된 데이터를 트레이닝 셋, 유효 셋, 및 테스트 셋으로 분류함으로써, 인공지능 모형을 생성할 수 있다.
또한 본 발명은 생성된 인공지능 모형의 파라미터들을 튜닝하고, 상기 튜닝된 파라미터들을 검증하고, 상기 검증된 파라미터들을 재튜닝하고, 상기 재튜닝된 파라미터들을 재검증함으로써, 생성된 인공지능 모형을 고도화시킬 수 있다.
또한 본 발명은 파라미터들 중에서 일부를 선정하고, 상기 선정된 일부 파라미터들의 모든 경우의 수에 대해 시뮬레이션을 실행하고, 상기 실행된 시뮬레이션의 결과 중에서, 실제 데이터와 상기 인공지능 모형에 의한 예측 값의 차이가 가장 적은 인공지능 모형들 중에서 5개를 도출하고, 상기 도출된 5개의 인공지능 모형들의 과대적합 및 과소적합을 분석함으로써, 성능이 가장 좋은 인공지능 모형을 업데이트시킬 수 있다.
또한 본 발명은 업데이트된 인공지능 모형의 학습을 주기적으로 진행하여 학생에게 유용한 컨텐트를 제공하기 위한 마인드 맵을 생성하고, 상기 생성된 마인드 맵에 기반하여 학생의 상기 수준별 학습 추천, 상기 취약 학습 추천 및 상기 특별 학습 추천에 대한 정보를 생성함으로써, 학생에 대한 교사뿐만 아니라, 부모, 친구, 의사 등 다양한 영역을 통해 컨텐트를 제공할 수 있다.
또한 본 발명은 업데이트된 인공지능 모형을 이용하여, 학생의 교과 과정에 대해 가장 취약한 한 개의 주제에 대한 문항을 선별하여 사용자 단말로 전송하고, 상기 전송된 문항에 대해 수신되는 응답을 분석하여 상기 주제에 대한 취약 여부를 판단하고, 상기 주제에 대해 취약한 것으로 판단되면, 상기 학생을 지도하는 선생님의 휴대 단말로 취약 결과를 제공함으로써, 입체적으로 학생의 학습 효과를 향상시킬 수 있다.
상술한 효과와 더불어 본 발명의 구체적인 효과는 이하 발명을 실시하기 위한 구체적인 사항을 설명하면서 함께 기술한다.
도 1은 본 발명의 일 실시 예에 따른 사용자에게 다양하고 유용한 컨텐트를 코칭하는 인공지능 스마트 코칭 시스템을 나타낸 예시도이다.
도 2는 본 발명의 일 실시 예에 따른 스마트 코칭 서버(130)의 블록도이다.
도 3은 본 발명의 일 실시 예에 따른 인공지능 모형 생성 모듈의 동작을 나타낸 예시도이다.
도 4는 본 발명의 일 실시 예에 따른 인공지능 모형 유지 보수 모듈의 동작을 나타낸 예시도이다.
도 5는 본 발명의 일 실시 예에 따른 파라미터 튜닝 동작을 나타낸 예시도이다.
도 6은 본 발명의 일 실시 예에 따른 인공지능 스마트 코칭의 영역을 나타낸 예시도이다.
도 7은 본 발명의 일 실시 예에 따른 취약 학습을 추천하는 서비스의 과정을 나타낸 흐름도이다.
도 8은 도 7의 제1 단원 마무리 평가(S714)의 과정을 도식한 예시도이다.
도 9는 본 발명의 일 실시 예에 따른 사용자 단말에 표시된 인공지능 추천 학습에 대한 화면을 표시한 예시도이다.
도 10은 본 발명의 일 실시 예에 따른 이모티콘의 표정에 따른 사용 예시를 나타낸 예시도이다.
도 2는 본 발명의 일 실시 예에 따른 스마트 코칭 서버(130)의 블록도이다.
도 3은 본 발명의 일 실시 예에 따른 인공지능 모형 생성 모듈의 동작을 나타낸 예시도이다.
도 4는 본 발명의 일 실시 예에 따른 인공지능 모형 유지 보수 모듈의 동작을 나타낸 예시도이다.
도 5는 본 발명의 일 실시 예에 따른 파라미터 튜닝 동작을 나타낸 예시도이다.
도 6은 본 발명의 일 실시 예에 따른 인공지능 스마트 코칭의 영역을 나타낸 예시도이다.
도 7은 본 발명의 일 실시 예에 따른 취약 학습을 추천하는 서비스의 과정을 나타낸 흐름도이다.
도 8은 도 7의 제1 단원 마무리 평가(S714)의 과정을 도식한 예시도이다.
도 9는 본 발명의 일 실시 예에 따른 사용자 단말에 표시된 인공지능 추천 학습에 대한 화면을 표시한 예시도이다.
도 10은 본 발명의 일 실시 예에 따른 이모티콘의 표정에 따른 사용 예시를 나타낸 예시도이다.
전술한 목적, 특징 및 장점은 첨부된 도면을 참조하여 상세하게 후술되며, 이에 따라 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 본 발명의 기술적 사상을 용이하게 실시할 수 있을 것이다. 본 발명을 설명함에 있어서 본 발명과 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 상세한 설명을 생략한다. 이하, 첨부된 도면을 참조하여 본 발명에 따른 바람직한 실시 예를 상세히 설명하기로 한다. 도면에서 동일한 참조부호는 동일 또는 유사한 구성요소를 가리키는 것으로 사용된다.
비록 제1, 제2 등이 다양한 구성요소들을 서술하기 위해서 사용되나, 이들 구성요소들은 이들 용어에 의해 제한되지 않음은 물론이다. 이들 용어들은 단지 하나의 구성요소를 다른 구성요소와 구별하기 위하여 사용하는 것으로, 특별히 반대되는 기재가 없는 한, 제1 구성요소는 제2 구성요소일 수도 있음은 물론이다.
이하에서 구성요소의 "상부 (또는 하부)" 또는 구성요소의 "상 (또는 하)"에 임의의 구성이 배치된다는 것은, 임의의 구성이 상기 구성요소의 상면 (또는 하면)에 접하여 배치되는 것뿐만 아니라, 상기 구성요소와 상기 구성요소 상에 (또는 하에) 배치된 임의의 구성 사이에 다른 구성이 개재될 수 있음을 의미할 수 있다.
또한 어떤 구성요소가 다른 구성요소에 "연결", "결합" 또는 "접속"된다고 기재된 경우, 상기 구성요소들은 서로 직접적으로 연결되거나 또는 접속될 수 있지만, 각 구성요소 사이에 다른 구성요소가 "개재"되거나, 각 구성요소가 다른 구성요소를 통해 "연결", "결합" 또는 "접속"될 수도 있는 것으로 이해되어야 할 것이다.
명세서 전체에서, 특별히 반대되는 기재가 없는 한, 각 구성요소는 단수일수도 있고 복수일 수도 있다.
본 명세서에서 사용되는 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "구성된다" 또는 "포함한다" 등의 용어는 명세서 상에 기재된 여러 구성 요소들, 또는 여러 단계들을 반드시 모두 포함하는 것으로 해석되지 않아야 하며, 그 중 일부 구성 요소들 또는 일부 단계들은 포함되지 않을 수도 있고, 또는 추가적인 구성 요소 또는 단계들을 더 포함할 수 있는 것으로 해석되어야 한다.
명세서 전체에서, "A 및/또는 B" 라고 할 때, 이는 특별한 반대되는 기재가 없는 한, A, B 또는 A 및 B 를 의미하며, "C 내지 D" 라고 할 때, 이는 특별한 반대되는 기재가 없는 한, C 이상이고 D 이하인 것을 의미한다
이하에서는, 본 발명의 몇몇 실시 예에 따른 사용자에게 다양하고 유용한 컨텐트를 코칭하는 인공지능 스마트 코칭 시스템 및 방법을 설명하도록 한다.
도 1은 본 발명의 일 실시 예에 따른 사용자에게 다양하고 유용한 컨텐트를 코칭하는 인공지능 스마트 코칭 시스템을 나타낸 예시도이다.
도 1을 참조하면, 본 발명의 일 실시 예에 따른 사용자에게 다양하고 유용한 컨텐트를 코칭하는 인공지능 스마트 코칭 시스템(100)은 사용자 단말(예: 개인 컴퓨터(PC)(110) 및 휴대 단말(120))과 서버(130)(예: 스마트 코칭 서버)를 포함할 수 있다. 이하에서는 상기 개인 컴퓨터(PC)(110) 및 상기 휴대 단말(120) 중 적어도 하나를 사용자 단말이라 칭한다.
일 실시 예에 따르면, 상기 사용자 단말(110, 120)은 학생에 대한 학습 데이터, 평가 데이터, 및 캘리퍼 데이터를 포함하는 정형 데이터와, 상담 데이터, 챗봇 데이터, 이미지 데이터, 및 로그 데이터를 포함하는 비정형 데이터를 스마트 코칭 서버(130)로 전송할 수 있다.
또한, 상기 사용자 단말(110, 120)은 상기 학생의 수준별 학습 추천, 취약 학습 추천 및 특별 학습 추천에 대한 정보와 스마트 코칭을 안내하는 이모티콘이 상기 사용자 단말에 함께 표시되도록 하는 명령어 및 데이터를 상기 스마트 코칭 서버(130)로부터 수신할 수 있다. 그리고, 상기 사용자 단말(110, 120)은 서버로부터 수신되는 정보와 이모티콘을 표시부(미도시)에 표시하여, 학생에게 다양하고 유용한 컨텐트를 코칭할 수 있다.
일 실시 예에 따르면, 상기 스마트 코칭 서버(130)는 정형 데이터 및 상기 비정형 데이터에 기반하여, 상기 사용자에게 스마트 코칭을 제공할 수 있다.
상기 스마트 코칭 서버(130)는 사용자 단말(110, 120)로부터 수신되는 상기 정형 데이터 및 상기 비정형 데이터를 가공하고, 상기 가공된 데이터를 데이터 라벨링, 데이터 타입 변경, 데이터 결합, 데이터 피벗, 및 데이터 그룹핑을 통해 인공지능 모형을 생성할 수 있다.
또한, 상기 스마트 코칭 서버(130)는 상기 생성된 인공지능 모형의 파라미터들을 튜닝하여 상기 인공지능 모형을 업데이트할 수 있다. 그리고, 상기 스마트 코칭 서버(130)는 상기 업데이트된 인공지능 모형을 이용하여 학생의 수준별 학습 추천, 취약 학습 추천 및 특별 학습 추천에 대한 정보를 네트워크(140)를 통해 상기 사용자 단말로 전송할 수 있다.
도 2는 본 발명의 일 실시 예에 따른 스마트 코칭 서버(130)의 블록도이다.
도 2를 참조하면, 본 발명의 일 실시 예에 따른 스마트 코칭 서버(130)는 통신부(210), 메모리(220), 및 프로세서(230)를 포함할 수 있다.
도 2에 도시된 스마트 코칭 서버(130)의 구성은 일 실시 예에 따른 것이고, 스마트 코칭 서버(130)의 구성 요소들이 도 2에 도시된 실시 예에 한정되는 것은 아니며, 필요에 따라 일부 구성 요소가 부가, 변경 또는 삭제될 수 있다.
일 실시 예에 따르면, 상기 통신부(210)는 유선 또는 무선을 통해 사용자 단말(110, 120)과 네트워크(140)를 통해 통신할 수 있으며, 스마트 코칭에 대한 다양한 신호 또는 데이터를 송수신할 수 있다.
상기 통신부(210)는 상기 사용자 단말(110, 120)의 통신부(미도시)와 적어도 하나의 신호 또는 정보를 네트워크(140)를 통해 송수신할 수 있는 적어도 하나의 회로를 포함할 수 있다.
일 실시 예에 따르면, 상기 통신부(210)는 사용자 단말(110, 120)로부터 전송되는 데이터(예: 학생에 대한 학습 데이터, 평가 데이터, 및 캘리퍼 데이터를 포함하는 정형 데이터와, 상담 데이터, 챗봇 데이터, 이미지 데이터, 및 로그 데이터를 포함하는 비정형 데이터)를 수신할 수 있다.
또한, 상기 통신부(210)는 다양한 학생들이 소유하고 있는 사용자 단말들로부터 학생 각각에 대한 데이터(예: 학생에 대한 학습 데이터, 평가 데이터, 및 캘리퍼 데이터를 포함하는 정형 데이터와, 상담 데이터, 챗봇 데이터, 이미지 데이터, 및 로그 데이터를 포함하는 비정형 데이터)를 수신할 수 있다. 그리고, 상기 통신부(210)는 수신된 데이터를 프로세서(230)로 전달할 수 있다.
그리고, 상기 통신부(210)는 프로세서(230)에 의해 생성되는 학생의 수준별 학습 추천, 취약 학습 추천 및 특별 학습 추천에 대한 정보를 네트워크(140)를 통해 사용자 단말(110, 120)로 전송할 수 있다.
일 실시 예에 따르면, 상기 메모리(220)는 상기 서버(130)의 동작에 필요한 정보, 데이터, 프로그램, 어플리케이션, 소프트웨어, 명령어 등을 저장할 수 있다. 또한, 상기 메모리(220)는 예를 들면, 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예를 들어 SD 또는 XD 메모리 등), 램(RAM), 롬(EEPROM 등) 중 적어도 하나의 타입의 저장매체를 포함할 수 있다.
일 실시 예에 따르면, 상기 메모리(220)는 학생에게 다양하고 유용한 컨텐트를 인공지능으로 코칭하는 스마트 코칭 알고리즘을 저장하고 있다. 이러한 알고리즘은 프로세서(230)에 의해 구현될 수 있다. 상기 인공지능은 인간의 뇌 신경망을 모방한 프로그램으로서 다양한 데이터를 스스로 분석, 인지, 추론, 판단하는 딥러닝 알고리즘을 지원할 수 있다.
또한, 상기 인공지능은 기계학습(딥러닝) 및 기계학습을 활용한 요소 기술들로 구성된다. 기계학습은 입력 데이터들의 특징을 스스로 분류/학습하는 알고리즘 기술이며, 요소기술은 딥러닝 등의 기계학습 알고리즘을 활용하여 인간 두뇌의 인지, 판단 등의 기능을 모사하는 기술로서, 언어적 이해, 시각적 이해, 추론/예측, 지식 표현, 동작 제어를 수행할 수 있다.
일 실시 예에 따르면, 상기 메모리(220)는 상기 프로세서(230)에 의해 학생에게 수준별 학습 추천, 취약 학습 추천 및 특별 학습 추천과 같은 스마트 코칭을 제공하는 다양한 로직, 프로그램, 명령어들을 저장할 수 있다.
일 실시 예에 따르면, 상기 프로세서(230)는 ASICs(application specific integrated circuits), DSPs(digital signal processors), DSPDs(digital signal processing devices), PLDs(programmable logic devices), FPGAs(field programmable gate arrays), 프로세서(processors), 마이크로 컨트롤러(micro-controllers), 마이크로 프로세서(microprocessors) 중 적어도 하나의 물리적인 요소로 구현될 수 있다.
상기 프로세서(230)는 사용자 단말로부터 수신된 데이터(예: 학생에 대한 학습 데이터, 평가 데이터, 및 캘리퍼 데이터를 포함하는 정형 데이터와, 상담 데이터, 챗봇 데이터, 이미지 데이터, 및 로그 데이터를 포함하는 비정형 데이터)를 인공지능 알고리즘을 통해 학습하여 학생에게 수준별 학습 추천, 취약 학습 추천 및 특별 학습 추천과 같은 스마트 코칭을 제공할 수 있다.
이를 위해, 상기 프로세서(230)는 상기 데이터를 스스로 분석, 인지, 추론, 판단하여, 학생의 수준별 학습 추천, 취약 학습 추천 및 특별 학습 추천과 같은 컨텐트를 선별 또는 생성할 수 있다.
일 실시 예에 따르면, 상기 프로세서(230)는 인공지능 모형 생성 모듈(240), 인공지능 모형 유지 보수 모듈(250), 및 인공지능 스마트 코칭 모듈(260)을 포함할 수 있다.
일 실시 예에 따르면, 상기 인공지능 모형 생성 모듈(240)은 사용자 단말(110, 120)로부터 수신되는 정형 데이터 및 비정형 데이터를 가공할 수 있다. 상기 정형 데이터는 학생에 대한 학습 데이터, 평가 데이터, 및 캘리퍼 데이터를 포함하고, 상기 비정형 데이터는 상담 데이터, 챗봇 데이터, 이미지 데이터, 및 로그 데이터를 포함할 수 있다.
그리고, 상기 인공지능 모형 생성 모듈(240)은 상기 가공된 데이터를 데이터 라벨링, 데이터 타입 변경, 데이터 결합, 데이터 피벗, 및 데이터 그룹핑을 통해 인공지능 모형을 생성할 수 있다.
또한, 상기 인공지능 모형 생성 모듈(240)은 상기 정형 데이터 및 상기 비정형 데이터를 수집하고, 데이터 라벨링, 데이터 타입 변경, 데이터 결합, 데이터 피벗, 및 데이터 그룹핑하여 상기 수집된 정형 데이터 및 비정형 데이터를 가공할 수 있다. 그리고, 상기 인공지능 모형 생성 모듈(240)은 상기 가공된 데이터를 트레이닝 셋, 유효 셋, 및 테스트 셋으로 분류할 수 있다.
일 실시 예에 따르면, 상기 인공지능 모형 유지 보수 모듈(250)은 상기 생성된 인공지능 모형의 파라미터들을 튜닝하여 인공지능 모형을 업데이트할 수 있다.
일 실시 예에 따르면, 상기 인공지능 모형 유지 보수 모듈(250)은 상기 생성된 인공지능 모형의 파라미터들을 튜닝하고, 상기 튜닝된 파라미터들을 검증할 수 있다. 또한, 상기 인공지능 모형 유지 보수 모듈(250)은 상기 검증된 파라미터들을 재튜닝하고, 상기 재튜닝된 파라미터들을 재검증하여, 상기 인공지능 모형을 고도화할 수 있다.
또한, 상기 인공지능 모형 유지 보수 모듈(250)은 상기 파라미터들 중에서 일부를 선정하고, 상기 선정된 일부 파라미터들의 모든 경우의 수에 대해 시뮬레이션을 실행할 수 있다. 그리고, 상기 인공지능 모형 유지 보수 모듈(250)은 상기 실행된 시뮬레이션의 결과 중에서, 실제 데이터와 상기 인공지능 모형에 의한 예측 값의 차이가 가장 적은 인공지능 모형들 중에서 5개를 도출하고, 상기 도출된 5개의 인공지능 모형들의 과대적합 및 과소적합을 분석하여 성능이 가장 좋은 인공지능 모형을 업데이트할 수 있다. 상기 도출된 모형들의 개수는 가변적으로 조절 가능하다.
일 실시 예에 따르면, 상기 인공지능 스마트 코칭 모듈(260)은 상기 업데이트된 인공지능 모형을 이용하여 학생의 수준별 학습 추천, 취약 학습 추천 및 특별 학습 추천에 대한 정보를 통신부(210)를 통해 사용자 단말(110, 120)로 전송할 수 있다.
일 실시 예에 따르면, 상기 인공지능 스마트 코칭 모듈(260)은 상기 업데이트된 인공지능 모형의 학습을 주기적으로 진행하여 학생에게 유용한 컨텐트를 제공하기 위한 마인드 맵을 생성할 수 있다.
또한, 상기 인공지능 스마트 코칭 모듈(260)은 상기 생성된 마인드 맵에 기반하여 상기 학생의 상기 수준별 학습 추천, 상기 취약 학습 추천 및 상기 특별 학습 추천에 대한 정보를 생성하고, 상기 생성된 정보에 기반하여, 상기 학생을 스마트 코칭할 수 있다.
또한, 상기 인공지능 스마트 코칭 모듈(260)은 상기 업데이트된 인공지능 모형을 이용하여, 상기 학생의 교과 과정에 대해 가장 취약한 한 개의 주제에 대한 문항을 선별하여 사용자 단말(110, 120)로 전송할 수 있다.
그리고, 상기 인공지능 스마트 코칭 모듈(260)은 상기 전송된 문항에 대해 사용자 단말(110, 120)로부터 수신되는 응답을 분석하여 상기 주제에 대한 취약 여부를 판단할 수 있다. 그리고, 상기 인공지능 스마트 코칭 모듈(260)은 상기 주제에 대해 취약한 것으로 판단되면, 상기 학생을 지도하는 선생님의 휴대 단말(또는 부모님의 휴대 단말)로 취약 결과를 제공할 수 있다.
일 실시 예에 따르면, 상기 인공지능 스마트 코칭 모듈(260)은 상기 문항을 선별하는데 있어서, 정답률이 일정비율 이하이면, 정답 확률이 높은 순서로 상기 문항을 선별하고, 상기 정답률이 상기 일정비율을 초과하면, 상기 정답 확률이 낮은 순서로 상기 문항을 선별할 수 있다.
그리고, 상기 인공지능 스마트 코칭 모듈(260)은 상기 학생에 대한 학습 필수 기반, 흥미 기반, 및 이슈 키워드 기반에 기초하여 상기 특별 학습을 추천할 수 있다.
그리고, 상기 인공지능 스마트 코칭 모듈(260)은 학생의 수준별 학습 추천, 취약 학습 추천 및 특별 학습 추천에 대한 정보와 스마트 코칭을 안내하는 이모티콘이 사용자 단말(110, 120)에 함께 표시되도록 하는 명령어 및 데이터를 상기 사용자 단말(110, 120)로 전송할 수 있다.
도 3은 본 발명의 일 실시 예에 따른 인공지능 모형 생성 모듈의 동작을 나타낸 예시도이다.
도 3을 참조하면, 본 발명의 일 실시 예에 따른 인공지능 모형 생성 모듈(240)은 데이터 수집 단계(310), 데이터 가공 단계(320), 인공지능 모형 생성 단계(330), 및 서비스 제공 및 유지 보수 단계(340)를 수행할 수 있다.
일 실시 예에 따르면, 상기 데이터 수집 단계(310)는 정형 및 비정형의 다양한 형태의 데이터를 수집할 수 있다. 정형 데이터는 학생에 대한 학습 데이터, 평가 데이터, 캘리퍼 데이터 등을 포함할 수 있다. 그리고, 비정형 데이터는 학생에 대한 상담 데이터, 챗봇 데이터, 이미지(질문) 데이터, 로그 데이터, 및 사물 인터넷 데이터 등을 포함할 수 있다.
일 실시 예에 따르면, 상기 데이터 가공 단계(320)는 인공지능 모형을 개발하기 위해, 상기 데이터 수집 단계(310)에서 수집된 데이터를 가공 및 분석하여 용이한 형태로 변경할 수 있다. 이러한 변경은 데이터 라벨링, 데이터 타입 변경, 데이터 결합, 데이터 피벗, 데이터 그룹핑 등의 과정을 포함할 수 있다.
일 실시 예에 따르면, 상기 인공지능 모형 생성 단계(330)는 상기 데이터 가공 단계(320)에서 가공된 데이터를 통해 인공지능 모형을 개발하는 단계를 포함할 수 있다. 상기 인공지능 모형 생성 단계(330)는 데이터를 트레이닝 셋(training set), 유효 셋(validation set), 테스트 셋(test set)으로 분류하여 진행할 수 있다.
또한, 상기 인공지능 모형 생성 단계(330)는 인공지능 모형의 핵심인 적어도 하나의 파라미터를 튜잉하여 최적의 모형을 생성할 수 있다.
일 실시 예에 따르면, 상기 서비스 제공 및 유지 보수 단계(340)는 상기 인공지능 모형 생성 단계(330)에서 생성된 인공지능 모형의 결과를 활용하여 학생에게 유용하고 다양한 컨텐트를 제공할 수 있다. 상기 서비스 제공 및 유지 보수 단계(340)는 서비스가 진행되며, 수집된 데이터를 통해 인공지능 모형의 학습을 진행할 수 있다. 예를 들면, 상기 서비스 제공 및 유지 보수 단계(340)는 일정 횟수(예: 3번) 이상의 인공지능 모형 개발을 재수행하는 단계를 포함할 수 있다. 그리고, 상기 서비스 제공 및 유지 보수 단계(340)는 학습을 통한 고도화된 인공지능 모형을 서비스에 적용시킬 수 있다.
이와 같이, 본 발명에 따른 인공지능 모형은 서비스가 학생에게 제공된 후에도 지속적은 학습을 통해 모형을 고도화될 수 있고, 고도화된 인공지능 모형을 통해 학생에게 제공되는 다양한 서비스는 모두 인공지능 알고리즘을 통해 진행될 수 있다.
도 4는 본 발명의 일 실시 예에 따른 인공지능 모형 유지 보수 모듈의 동작을 나타낸 예시도이다.
도 4를 참조하면, 본 발명의 일 실시 예에 따른 인공지능 모형 유지 보수 모듈(250)은 데이터 수집 단계(410), 데이터 학습 단계(420), 인공지능 모형 생성 단계(430), 파라미터 튜닝 단계(440), 및 서비스 적용 단계(450)를 포함할 수 있다.
일 실시 예에 따르면, 상기 데이터 수집 단계(410)는 학생에게 서비스가 제공된 후 새로운 데이터를 수집하는 단계를 포함할 수 있다.
일 실시 예에 따르면, 상기 데이터 학습 단계(420)는 기존에 개발된 알고리즘을 통해 학습을 실행하는 단계를 포함할 수 있다.
일 실시 예에 따르면, 상기 인공지능 모형 생성 단계(430)는 학습된 결과를 통해 인공지능 모형을 생성하고 검증하는 단계를 포함할 수 있다.
일 실시 예에 따르면, 상기 파라미터 튜닝 단계(440)는 검증된 인공지능 모형의 적어도 하나의 파라미터를 튜닝하여 모형을 고도화할 수 있다. 또한, 파라미터 튜닝 단계(440)는 튜닝, 검증, 튜닝, 검증을 반복적으로 수행하여 최적의 인공지능 모형(즉, 고도화된 인공지능 모형)을 생성할 수 있다.
이러한 파라미터 튜닝은 분석가의 고유한 스킬로서, 노하우와 주관적인 판단이 필요할 수 있다. 그리고, 파라미터 튜닝이란 인공지능 모형에서 설정 가능한 적어도 하나의 파라미터 경우의 수를 시뮬레이션하고 그 중에서 가장 오차가 적은 모형을 선택하는 것이다. 또한, 이러한 선택은 과대적합(overfitting)과 과소적합(underfitting)을 충분히 고려한다. 이러한 파라미터 절차는 후술한다.
일 실시 예에 따르면, 상기 서비스 적용 단계(450)는 고도화된 인공지능 모형을 실제 서비스에 적용할 수 있다.
이와 같이, 인공지능 모형 유지 보수 모듈(250)은 새로운 데이터가 수집되면 재학습을 통해 모형을 고도화시킬 수 있고, 이러한 과정은 한번으로 끝나는 것이 아니라 해당 모형으로 서비스가 되고 있는 동안 정기적이고 지속적으로 수행될 수 있다.
그리고, 인공지능 알고리즘을 통해 개발된 인공지능 모형은 서비스가 시작되면 새로운 데이터를 수집하고, 새로운 데이터가 쌓이게 되면, 재학습을 시행하고, 이러한 재학습을 통해 고도화 과정을 수행한다. 고도화 과정이란 적어도 하나의 파라미터 튜닝으로 인공지능 모형의 완성도를 높여주는 것으로서, 고도화가 완료되면 새로운 모형을 서비스에 적용시킴으로써, 인공지능 스마트 코칭에 대한 신뢰도는 향상될 수 있다.
도 5는 본 발명의 일 실시 예에 따른 파라미터 튜닝 동작을 나타낸 예시도이다.
도 5를 참조하면, 본 발명의 일 실시 예에 따른 파라미터 튜닝 단계(440)는 파라미터 경우의 수를 설정하는 단계(510), 시뮬레이션 단계(520), 과대적합 및 과소적합을 고려하는 단계(530), 및 모형 선택 단계(540)를 포함할 수 있다.
인공지능 모형을 생성하는데 있어서, 설정 가능한 파라미터는 다양하다. 그 중 우수한 성능의 인공지능 모형이 가능한 파라미터의 경우의 수를 최소한으로 설정하는 것이 분석가의 노하우이며, 경우의 수가 줄어들수록 시뮬레이션 시간은 단축한다. 일 실시 예에 따르면, 파라미터 경우의 수를 설정하는 단계(510)는 이러한 시뮬레이션 시간을 단축시키기 위해 파라미터 경우의 수를 설정할 수 있다.
일 실시 예에 따르면, 상기 시뮬레이션 단계(520)는 상기 파라미터 경우의 수를 설정하는 단계(510)에서 설정한 파라미터의 모든 경우의 수에 대해 시뮬레이션을 실행한다. 그리고, 상기 시뮬레이션 단계(520)는 실행된 시뮬레이션 결과 중 실제 데이터와 모형에 의한 예측 값의 차이가 가장 적은 모형들 중 우선순위에 따라 미리 결정된 인공지능 모형(예: 5개의 인공지능 모형)을 도출한다.
일 실시 예에 따르면, 상기 과대적합 및 과소적합을 고려하는 단계(530)는 상기 시뮬레이션 단계(520)에서 시뮬레이션한 결과 중에서 미리 결정된 인공지능 모형(예: 5개의 인공지능 모형)을에 해당하는 인공지능 모형들의 과대적합 및 과소 적합을 분석한다.
일 실시 예에 따르면, 상기 모형 선택 단계(540)는 상기 과대적합 및 과소적합을 고려하는 단계(530)를 거쳐 가장 성능이 좋은 모형을 선택한다. 그리고, 선택된 모형은 해당 버전에서 가장 좋은 모형이며, 주기적인 튜닝을 통해 계속 진화된다.
도 6은 본 발명의 일 실시 예에 따른 인공지능 스마트 코칭의 영역을 나타낸 예시도이다.
도 6을 참조하면, 본 발명의 일 실시 예에 따른 인공지능 스마트 코칭은 부모, 교사, 서비스, 의사, 친구 등 다양한 분야에 적용할 수 있다. 예를 들면, 부모는 본 발명에 따른 인공지능 스마트 코칭을 통해 교육, 평가, 상담 및 관리에 대한 서비스를 받을 수 있고, 학생의 교사는 상담, 평가, 관리 및 교육에 대한 서비스를 받을 수 있다. 또한, 의사는 감정 진단, 혈압 진단, 스트레스 진단, 및 질병 진단에 대한 서비스를 받을 수 있고, 학생의 친구에게는 공부, 놀이, 및 상담에 대한 서비스를 제공할 수 있다.
예를 들면, 일 실시 예에 따른 인공지능 스마트 코칭은 교사가 학생을 교육하는데 있어서, 수준별 학습을 추천할 수 있고, 취약 학습을 추천할 수 있고, 특별 학습을 추천할 수 있다. 또한, 상기 인공지능 스마트 코칭은 학생에 대한 개인별 맞춤 시간표를 제공해줄 수 있고, 실시간 질문 답변 서비스도 제공해줄 수 있다.
아래 [표 1]은 일 실시 예에 따른 인공지능 스마트 코칭을 통해서 제공되는 컨텐트의 예시를 나타낸다.
| 분류 | 서비스명 | 내용 |
| 교사 | AI 질문 답변 시스템 | 중고등부에서 서비스 중인 실시간 질문 답변 서비스의 고도화->학습 중 모르는 문제를 사진으로 찍어서 질문->실시간 자동 답변 AI 알고리즘을 통해 질문과 일치 또는 유사한 답변을 받아볼 수 있도록 함 |
| AI 개념 테스트 | 초중고 모든 강의에 개념 테스트 존재/강의 시청후 테스트 진행 형식->AI를 알고리즘을 통해 학습생 마다 다른 형태의 개념 테스트 제공/선 테스트후 개념 강의 방식도 좋은 맞춤 학습 | |
| AI 내전석 | 나의 전국 석차(내전석)에 추천 문제 학습 후 나의 석차에 맞춰 추천 강좌를 제공->AI 알고리즘을 통해 학생들의 그룹을 세분화하여 사용자가 해당하는 그룹의 맞는 공부방법(강좌), 연계 학습등 추천 | |
| 서비스 | AI 정보함 | 학습생 혹은 학부모가 개인적인 정보에 대해 문의 시 자동 응답 기능(챗봇의 활용 형태) 예: 카드 관련 정보, 수업 시각, 약정만료시점, 보유한 컵 혹은 도서에 관한 종료 시점 등 |
| AI 알람 | 학습생 관리 수업시 관리교사가 직접 CRM 상에서 알람이 가도록 VMS 발송->자동으로 수업시작 전 알람 학습생의 학습 패턴을 파악하여 학습이 필요한 시간에 미접속시 AI가 판단하여 학습 시간 아내 | |
| 음성호출 및 검색기능 | 아이스크림 홈런의 경우 자동 음성 호출은 불가능, 해당 페이지 접속 후 음성 인식 가능, 음성 검색시 네이터 검색 결과 값 노출로 인해 학습과 연계성 없음->이름 호명(예: 안녕 제니봇)시 튜터가 자동으로 인지후 서비스 가능, 학습 중 음성을 통해 학습 사항 및 검색 가능 | |
| AI 입시/학습 정보 제공 | 현재 입시/진로 메뉴 있으나, 내용 부실, 활용도 떨어짐->중고등 학생들이 많이 검색하는 내용 중 입시/학습과 관련된 내용을 추천하여 정보 제공 | |
| 책갈피 | 학습 중 잘못 눌러 밖으로 나가게 될 경우, 해당 컨텐트를 찾아서 접속해야만 마지막 학습 시점과 연결 가능한 팝업창 뜸->학습하던 컨텐트에 들어가지 않아도 책갈피처럼 표시 가능한 기능 | |
| 친구 | AI 독서실 (스터디프렌즈) |
함께 공부하는 형식의 스터디 서비스->모든 학습이 아닌 독서실에서 적용, 다른 학습생의 현황도 볼수 있음. 얼굴 노출을 꺼릴 시 캐릭터 등으로 얼굴 가릴 수 있도록 설정 가능 |
| 부모 | AI 심리상담 서비스 | 말하기 어려운 고민을 비대면 솔류션을 통해 해결학생들의 눈높이에 맞춘 심리테스트, 진로테스트 등의 테스트를 통해 상담과 연계하여 그 결과를 데이터로 수집 -> AI 알고리즘을 통해 학습->학교 생활, 진로, 다양한 고민에 대한 코칭 및 솔류션 제공 |
| 의사 | 스트레스 진단 | 현재 스마트 워치에서 제공되는 서비스를 밀크티와 연동하여 적용->학습을 하면서 스트레스가 높아질 경우 알람/스트레스가 높았던 시간대 및 요일 등의 통계 정보 제공 |
일 실시 예에 따르면, 상기 인공지능 스마트 코칭은 상기 [표 1]의 컨텐트 이외에 밀크티 사용자의 취약 학습을 추천하는 서비스(예: 한입쏙 추천 서비스)와 정규과정 외의 흥미로운 학습 및 이슈가 되는 일과 연관된 학습을 추천하는 인공지능 특별학습을 포함할 수 있다.
도 7은 본 발명의 일 실시 예에 따른 취약 학습을 추천하는 서비스의 과정을 나타낸 흐름도이다.
이하, 도 7을 참조하면, 본 발명의 일 실시 예에 따른 취약 학습을 추천하는 서비스(예: 한입쏙 추천 서비스)는 인공지능 맞춤 코스가 등록되면(S710), 학생은 제1 단원을 학습한다(S712). 그리고, 제1 단원에 대한 마무리 평가(S714)를 거쳐 학생의 학습이 취약한지 판단한다(S716). 만일, 학생의 학습이 취약한 경우, 단원 취약 학습으로 판단한다(S718). 이러한 단원 취약 학습은 기본문제, 단원 마무리 평가 등을 통해 판단할 수 있다.
그리고, 취약 학습을 추천하는 서비스(예: 한입쏙 추천 서비스)는 이러한 과정을 반복 수행한다. 예를 들면, 취약 학습을 추천하는 서비스(예: 한입쏙 추천 서비스)는 제N 단원을 학습한다(S720). 그리고, 제N 단원에 대한 마무리 평가(S722)를 거쳐 학생의 학습이 취약한지 판단한다(S724). 만일, 학생의 학습이 취약한 경우, 단원 취약 학습으로 판단한다(S726).
취약 학습을 추천하는 서비스(예: 한입쏙 추천 서비스)는 최고 취약한 한 개의 주제에 대한 취약 학습을 위한 컨텐트와 문항을 학생에게 제공하고, 단원 마무리 평가 후, 학생 또는 교사에게 제공한다.
학생의 학습의 취약 여부는 아래 [표 2]를 통해 판단된다.
| 개념이해(하) | 기본향상(중) | 실력완성(상) | 최상 | |
| 기준 | ~60 | 61~90 | 91~94 | 95~ |
그리고, 취약 학습을 추천하는 서비스(예: 한입쏙 추천 서비스)는 MAT 평가(S728)를 수행하여 취약한지 판단할 수 있다(S730, S732).취약 학습을 추천하는 서비스(예: 한입쏙 추천 서비스)는 기본 문제, 단원 마무리 평가, 성취도 평가를 통해 취약 여부를 판단할 수 있다. 그리고, 최고 취약한 1개(수학 2개) 단원에 대한 취약 학습을 위한 컨텐트와 문항을 학생에게 제공하고, 성취도를 평가한 후, 다음날 특정 교시에 해당 학습을 학생에게 제공한다.
학생의 MAT 학습의 취약 여부는 아래 [표 3]을 통해 판단된다.
| 개념이해(하) | 기본향상(중) | 실력완성(상) | 최상 | |
| 기준 | ~60 | 61~90 | 91~94 | 95~ |
도 8은 도 7의 제1 단원 마무리 평가(S714)의 과정을 도식한 예시도이다.도 8을 참조하면, 본 발명의 일 실시 예에 따른 인공지능 알고리즘을 연동하여 취약 추천 서비스를 제공하는 경우, 제1 단원 마무리 평가(S714)는 판단 대상 토픽을 확인하고, 판단 결과 취약 토픽을 결정하고, 취약 토픽을 학습한다.
판단 대상 토픽을 확인하는 단계는 문항 이력값과 예측값으로 취약 여부를 판단한다. 그리고, 각 문항 토픽에서 이력 결과와 예측 결과의 차이가 클수록 취약 순위가 높다. 예를 들면, 특정 문항 토픽(예: Sc0301_010201)의 이력 결과는 50이고 예측 결과는 70인 경우, 취약 순위는 1이다. 그리고, 다른 특정 문항 토픽(예: Sc0301_010101)의 이력 결과는 90이고 예측 결과는 80인 경우, 취약 순위는 3이다.
그리고, 취약 토픽 학습 단계는 문항 토픽 별로 취약 컨텐트 M코드 및 취약 문항 M코드가 있으며, 취약 문항(즉, 퀴즈 코드에 따른 오답, 정답, 신규)을 포함한다.
예를 들면, 토픽 별로 정답율 산정을 위한 가중치는 아래 [표 4]와 같다.
| 기본문제 | 단원마무리 문제 | 계 | |
| 정답이력(정답률) | 30% | 40% | 70% |
| 정답확률 | 10% | 20% | 30% |
| 계 | 40% | 60% | 100% |
그리고, 예를 들면, 취약 재학습 제공 개수 대상은 아래 [표 5]와 같다.
| 국어 | 영어 | 수학 | 사회 | 과학 | |
| 단원마무리평가 | 1 | 1 | 1 | 1 | 1 |
| 성취도 평가 | 1 | 1 | 2 | 1 | 1 |
| 대상학년 | 1~6학년 | 3~6학년 | 1~6학년 | 3~6학년 | 3~6학년 |
| 비고 | D+1, D+21개씩 제공 |
또한, 예를 들면, 학습 취약 문항 제공 로직은 아래 [표 6]과 같다.
| 구분 | 정답율 | 오답수 | 구분 | 1번 | 2번 | 3번 |
| Case 1 | 50%미만 | 1개 이하 | 정오답 | 오답문제 | 신규 문항 | 신규 문항 |
| 정답확률 | ||||||
| IRT난이도 | 2(초기세팅) | 2(초기세팅) | ||||
| Case 2 | 50%미만 | 2개 | 정오답 | 오답문제 | 오답문제 | 신규문항 |
| 정답확률 | 가장 높은 | 2번째 높은 | ||||
| IRT난이도 | 2(초기세팅) | |||||
| Case 3 | 50%미만 | 3개 이상 | 정오답 | 오답문제 | 오답문제 | 정답문제 |
| 정답확률 | 가장 높은 | 2번째 높은 | 가장 낮은 | |||
| IRT난이도 | ||||||
| Case 4 | 50%이상 ~75%미만 |
1개 이하 | 정오답 | 오답문제 | 오답문제 | 신규 문항 |
| 정답확률 | 가장 낮은 | |||||
| IRT난이도 | 2(초기세팅) | |||||
| Case 5 | 50%이상 ~75%미만 |
2개 | 정오답 | 오답문제 | 오답문제 | 정답문제 |
| 정답확률 | 가장 높은 문제 | 2번째 높은 문제 | 가장 낮은 문제 | |||
| IRT난이도 | ||||||
| Case 6 | 50%이상 ~75%미만 |
3개 이상 | 정오답 | 오답문제 | 오답문제 | 정답문제 |
| 정답확률 | 가장 높은 문제 | 2번째 높은 문제 | 3번째 높은 문제 | |||
| IRT난이도 | ||||||
| Case 7 | 75%이상 | 1개 이하 | 정오답 | 오답문제 | 정답 문제 | 정답문제 |
| 정답확률 | 가장 낮은 문제 | 2번째 낮은 문제 | ||||
| IRT난이도 | 가장 높은 문제 | 2번째 높은 문제 | ||||
| Case 8 | 75%이상 | 2개 | 정오답 | 오답문제 | 오답문제 | 정답문제 |
| 정답확률 | 가장 높은 문제 | 2번째 높은 문제 | 가장 낮은 문제 | |||
| IRT난이도 | ||||||
| Case 9 | 75%이상 | 3개 이상 | 정오답 | 오답문제 | 오답문제 | 오답문제 |
| 정답확률 | 가장 높은 문제 | 2번째 높은 문제 | 3번째 높은 문제 | |||
| IRT난이도 |
일 실시 예에 따르면, 인공지능 스마트 코칭 모듈(260)은 정답률이 일정비율(예: 50%) 미만이면, 정답 확률이 높은 순서로 상기 문항을 선별하고, 상기 정답률이 상기 일정비율(예: 50%) 이상이면, 상기 정답 확률이 낮은 순서로 상기 문항을 선별할 수 있다.
도 9는 본 발명의 일 실시 예에 따른 사용자 단말에 표시된 인공지능 추천 학습에 대한 화면을 표시한 예시도이다.
도 9를 참조하면, 스마트 코칭 서버(130)는 학생의 수준별 학습 추천, 취약 학습 추천 및 특별 학습 추천에 대한 정보와 스마트 코칭을 안내하는 이모티콘(914)이 사용자 단말(110, 120)에 함께 표시되도록 하는 명령어 및 데이터를 상기 사용자 단말(110, 120)로 전송할 수 있다.
상기 사용자 단말(110, 120)은 스마트 코칭 서버(130)로부터 수신된 명령어 및 데이터에 기반하여 추천 학습에 대한 화면(910)을 표시부(미도시) 상에 표시할 수 있다.
상기 화면(910)은 인공지능 학습 메뉴(911), 인공기능 인기 메뉴(912), 인공지는 이슈 메뉴(913) 및 이모티콘(914)를 포함할 수 있다. 예를 들면, 상기 화면(910)은 이모티콘(914)(이름: 지니아)을 통해 학생에게 전달하고자 하는 메시지(915)를 포함할 수 있다.
상기 이모티콘(914)은 본 발명에서 설명한 인공지능 스마트 코칭에서 사용되는 캐릭터이며, 인공지능 스마트 코칭 서비스를 학생에게 직관적으로 제공하는 기능을 수행한다.
도 10은 본 발명의 일 실시 예에 따른 이모티콘의 표정에 따른 사용 예시를 나타낸 예시도이다.
도 10을 참조하면, 제1 이모티콘(1011)은 얼굴 표현이 무표정으로서 평소 표정을 나타낸 것이고, 제2 이모티콘(1012)은 얼굴 표현이 행복으로서 정답을 맞췄을 때, 점수가 좋을 때, 등 칭찬하는 상황에 사용된다. 그리고, 제3 이모티콘(1013)은 얼굴 표현이 윙크로서 정답을 맞췄을 때, 점수가 좋을 때 등 칭찬하는 상황에 사용되고, 제4 이모티콘(1014)은 얼굴 표현이 웃음으로서 학습 시작, 종료 시에 사용된다.
그리고, 제5 이모티콘(1015)은 얼굴 표현이 신남이며 당일 추천된 인공지능 추천 특별학습을 다 공부한 경우를 나타낸 것이고, 제6 이모티콘(1016)은 얼굴 표현이 시무룩으로서 아직 학습을 완료하지 않고 종료하려고 할 때를 나타낸 것이다. 그리고, 제7 이모티콘(1017)은 얼굴 표현이 화남으로서 진단 평가 등 학습을 진행 중에 몇 분간 행동이 없는 경우를 나타낸 것이고, 제8 이모티콘(1018)은 얼굴 표현이 슬픔으로서 아직 학습을 완료하지 않고 종료하려고 할 때를 나타낸 것이다.
그리고, 제9 이모티콘(1019)은 얼굴 표현이 로딩으로서 진단 평가 등의 결과를 가져오는 로딩을 나타낸 것이고, 제10 이모티콘(1020)은 얼굴 표현이 간단한 문장으로서 HELLO, HI, GOOD, GREAT 등 간단한 단어, 문장을 표현하는 것을 나타낸 것이다.
이와 같이, 본 발명의 이모티콘(914)은 다양한 상황에 따른 감정을 표현할 수 있고, 그 감정에 맞춰 표정 및 동작도 변화될 수 있다.
상술한 바와 같이, 본 발명은 인공지능 스마트 코칭을 통해 학습을 하는 학생(또는 사용자)에게 다양하고 유용한 컨텐트를 코칭할 수 있다.
이상에서 상술한 각각의 순서도에서의 각 단계는 도시된 순서에 무관하게 동작될 수 있거나, 또는 동시에 수행될 수 있다. 또한, 본 발명의 적어도 하나의 구성 요소와, 상기 적어도 하나의 구성 요소에서 수행되는 적어도 하나의 동작은 하드웨어 및/또는 소프트웨어로 구현 가능할 수 있다.
이상과 같이 본 발명에 대해서 예시한 도면을 참조로 하여 설명하였으나, 본 명세서에 개시된 실시 예와 도면에 의해 본 발명이 한정되는 것은 아니며, 본 발명의 기술사상의 범위 내에서 통상의 기술자에 의해 다양한 변형이 이루어질 수 있음은 자명하다. 아울러 앞서 본 발명의 실시 예를 설명하면서 본 발명의 구성에 따른 작용 효과를 명시적으로 기재하여 설명하지 않았을 지라도, 해당 구성에 의해 예측 가능한 효과 또한 인정되어야 함은 당연하다.
110: 개인 컴퓨터 120: 휴대 단말
130: 스마트 코칭 서버 140: 네트워크
210: 통신부 220: 메모리
230: 프로세서
130: 스마트 코칭 서버 140: 네트워크
210: 통신부 220: 메모리
230: 프로세서
Claims (10)
- 사용자에게 다양하고 유용한 컨텐트를 코칭하는 인공지능 스마트 코칭 시스템에 있어서,
학생에 대한 학습 데이터, 평가 데이터, 및 캘리퍼 데이터를 포함하는 정형 데이터와, 상담 데이터, 챗봇 데이터, 이미지 데이터, 및 로그 데이터를 포함하는 비정형 데이터를 스마트 코칭 서버로 전송하는 사용자 단말; 및
상기 정형 데이터 및 상기 비정형 데이터에 기반하여, 상기 사용자에게 스마트 코칭을 제공하는 상기 스마트 코칭 서버를 포함하며,
상기 스마트 코칭 서버는,
상기 사용자 단말로부터 수신되는 상기 정형 데이터 및 상기 비정형 데이터를 가공하고, 상기 가공된 데이터를 데이터 라벨링, 데이터 타입 변경, 데이터 결합, 데이터 피벗, 및 데이터 그룹핑을 통해 인공지능 모형을 생성하는 인공지능 모형 생성 모듈;
상기 생성된 인공지능 모형의 파라미터들을 튜닝하여 상기 인공지능 모형을 업데이트하는 인공지능 모형 유지 보수 모듈; 및
상기 업데이트된 인공지능 모형을 이용하여 상기 학생의 수준별 학습 추천, 취약 학습 추천 및 특별 학습 추천에 대한 정보를 상기 사용자 단말로 전송하는 인공지능 스마트 코칭 모듈을 포함하며,
상기 인공지능 모형 유지 보수 모듈은,
상기 파라미터들 중에서 일부를 선정하여 시뮬레이션을 실행하고, 상기 실행된 시뮬레이션에 기반하여, 실제 데이터와 상기 인공지능 모형에 의한 예측 값의 차이가 가장 적은 미리 결정된 인공지능 모형들을 도출하고, 상기 미리 결정된 인공지능 모형들의 과대적합 및 과소적합을 분석하여 성능이 가장 좋은 인공지능 모형을 업데이트하는 인공지능 스마트 코칭 시스템.
- 제1 항에 있어서,
상기 인공지능 모형 생성 모듈은,
상기 정형 데이터 및 상기 비정형 데이터를 수집하고, 데이터 라벨링, 데이터 타입 변경, 데이터 결합, 데이터 피벗, 및 데이터 그룹핑하여 상기 수집된 정형 데이터 및 비정형 데이터를 가공하고,
상기 가공된 데이터를 트레이닝 셋, 유효 셋, 및 테스트 셋으로 분류하는 인공지능 스마트 코칭 시스템.
- 제1 항에 있어서,
상기 인공지능 모형 유지 보수 모듈은,
상기 생성된 인공지능 모형의 파라미터들을 튜닝하고, 상기 튜닝된 파라미터들을 검증하고, 상기 검증된 파라미터들을 재튜닝하고, 상기 재튜닝된 파라미터들을 재검증하여, 상기 인공지능 모형을 고도화하는 인공지능 스마트 코칭 시스템.
- 제3 항에 있어서,
상기 인공지능 모형 유지 보수 모듈은,
상기 실제 데이터와 상기 인공지능 모형에 의한 예측 값의 차이가 가장 적은 인공지능 모형들 중에서 5개를 도출하고,
상기 도출된 5개의 인공지능 모형들의 과대적합 및 과소적합을 분석하여 성능이 가장 좋은 인공지능 모형을 업데이트하는 인공지능 스마트 코칭 시스템.
- 제1 항에 있어서,
상기 인공지능 스마트 코칭 모듈은,
상기 업데이트된 인공지능 모형의 학습을 주기적으로 진행하여 상기 학생에게 유용한 컨텐트를 제공하기 위한 마인드 맵을 생성하고,
상기 생성된 마인드 맵에 기반하여 상기 학생의 상기 수준별 학습 추천, 상기 취약 학습 추천 및 상기 특별 학습 추천에 대한 정보를 생성하고,
상기 생성된 정보에 기반하여, 상기 학생을 스마트 코칭하는 인공지능 스마트 코칭 시스템.
- 제1 항에 있어서,
상기 인공지능 스마트 코칭 모듈은,
상기 업데이트된 인공지능 모형을 이용하여, 상기 학생의 교과 과정에 대해 가장 취약한 한 개의 주제에 대한 문항을 선별하여 상기 사용자 단말로 전송하고,
상기 전송된 문항에 대해 수신되는 응답을 분석하여 상기 주제에 대한 취약 여부를 판단하고,
상기 주제에 대해 취약한 것으로 판단되면, 상기 학생을 지도하는 선생님의 휴대 단말로 취약 결과를 제공하는 인공지능 스마트 코칭 시스템.
- 제6 항에 있어서,
상기 인공지능 스마트 코칭 모듈은,
정답률이 일정비율 미만이면, 정답 확률이 높은 순서로 상기 문항을 선별하고,
상기 정답률이 상기 일정비율 이상이면, 상기 정답 확률이 낮은 순서로 상기 문항을 선별하는 인공지능 스마트 코칭 시스템.
- 제6 항에 있어서,
상기 인공지능 스마트 코칭 모듈은,
상기 학생에 대한 학습 필수 기반, 흥미 기반, 및 이슈 키워드 기반에 기초하여 상기 특별 학습을 추천하는 인공지능 스마트 코칭 시스템.
- 제1 항에 있어서,
상기 스마트 코칭 서버는,
상기 학생의 수준별 학습 추천, 취약 학습 추천 및 특별 학습 추천에 대한 정보와 스마트 코칭을 안내하는 이모티콘이 상기 사용자 단말에 함께 표시되도록 하는 명령어 및 데이터를 상기 사용자 단말로 전송하는 인공지능 스마트 코칭 시스템.
- 사용자에게 다양하고 유용한 컨텐트를 코칭하는 인공지능 스마트 코칭 시스템의 방법에 있어서,
사용자 단말이, 학생에 대한 학습 데이터, 평가 데이터, 및 캘리퍼 데이터를 포함하는 정형 데이터와, 상담 데이터, 챗봇 데이터, 이미지 데이터, 및 로그 데이터를 포함하는 비정형 데이터를 스마트 코칭 서버로 전송하는 과정; 및
상기 스마트 코칭 서버가, 상기 정형 데이터 및 상기 비정형 데이터에 기반하여, 상기 사용자에게 스마트 코칭을 제공하는 과정을 포함하며,
상기 스마트 코칭을 제공하는 과정은,
상기 사용자 단말로부터 수신되는 상기 정형 데이터 및 상기 비정형 데이터를 가공하는 과정,
상기 가공된 데이터를 데이터 라벨링, 데이터 타입 변경, 데이터 결합, 데이터 피벗, 및 데이터 그룹핑을 통해 인공지능 모형을 생성하는 과정,
상기 생성된 인공지능 모형의 파라미터들을 튜닝하여 상기 인공지능 모형을 업데이트하는 과정, 및
상기 업데이트된 인공지능 모형을 이용하여 상기 학생의 수준별 학습 추천, 취약 학습 추천 및 특별 학습 추천에 대한 정보를 상기 사용자 단말로 전송하는 과정을 포함하며,
상기 인공지능 모형을 업데이트하는 과정은,
상기 파라미터들 중에서 일부를 선정하여 시뮬레이션을 실행하는 과정,
상기 실행된 시뮬레이션에 기반하여, 실제 데이터와 상기 인공지능 모형에 의한 예측 값의 차이가 가장 적은 미리 결정된 인공지능 모형들을 도출하는 과정, 및
상기 미리 결정된 인공지능 모형들의 과대적합 및 과소적합을 분석하여 성능이 가장 좋은 인공지능 모형을 업데이트하는 과정을 포함하는 방법.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210156797A KR102463077B1 (ko) | 2021-11-15 | 2021-11-15 | 사용자에게 다양하고 유용한 컨텐트를 코칭하는 인공지능 스마트 코칭 시스템 및 방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210156797A KR102463077B1 (ko) | 2021-11-15 | 2021-11-15 | 사용자에게 다양하고 유용한 컨텐트를 코칭하는 인공지능 스마트 코칭 시스템 및 방법 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102463077B1 true KR102463077B1 (ko) | 2022-11-04 |
Family
ID=84045296
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210156797A KR102463077B1 (ko) | 2021-11-15 | 2021-11-15 | 사용자에게 다양하고 유용한 컨텐트를 코칭하는 인공지능 스마트 코칭 시스템 및 방법 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102463077B1 (ko) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102122081B1 (ko) * | 2019-05-02 | 2020-06-26 | 주식회사 다이얼로그디자인에이전시 | 인공지능 음성인식 기반 검수기 및 분석기의 상호학습을 통한 자연어 말뭉치 구축 방법 |
| KR102213476B1 (ko) | 2020-06-09 | 2021-02-08 | (주)뤼이드 | 인공 지능 학습 기반의 학습 컨텐츠 추천 시스템 및 그것의 동작 방법 |
| KR102232343B1 (ko) * | 2019-12-11 | 2021-03-26 | 주식회사 아이스크림에듀 | 인공지능 기반 맞춤형 학습 방법 및 시스템 |
| KR20210050377A (ko) * | 2019-10-28 | 2021-05-07 | 주식회사 교원크리에이티브 | 개인 맞춤형 학습 시스템 |
| KR20210131720A (ko) * | 2020-04-24 | 2021-11-03 | (주)엔투엠 | 인공지능 모델을 관리하는 방법 및 시스템 |
-
2021
- 2021-11-15 KR KR1020210156797A patent/KR102463077B1/ko active IP Right Grant
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102122081B1 (ko) * | 2019-05-02 | 2020-06-26 | 주식회사 다이얼로그디자인에이전시 | 인공지능 음성인식 기반 검수기 및 분석기의 상호학습을 통한 자연어 말뭉치 구축 방법 |
| KR20210050377A (ko) * | 2019-10-28 | 2021-05-07 | 주식회사 교원크리에이티브 | 개인 맞춤형 학습 시스템 |
| KR102232343B1 (ko) * | 2019-12-11 | 2021-03-26 | 주식회사 아이스크림에듀 | 인공지능 기반 맞춤형 학습 방법 및 시스템 |
| KR20210131720A (ko) * | 2020-04-24 | 2021-11-03 | (주)엔투엠 | 인공지능 모델을 관리하는 방법 및 시스템 |
| KR102213476B1 (ko) | 2020-06-09 | 2021-02-08 | (주)뤼이드 | 인공 지능 학습 기반의 학습 컨텐츠 추천 시스템 및 그것의 동작 방법 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Azcona et al. | Detecting students-at-risk in computer programming classes with learning analytics from students’ digital footprints | |
| Hussain et al. | Student Engagement Predictions in an e‐Learning System and Their Impact on Student Course Assessment Scores | |
| US20060166174A1 (en) | Predictive artificial intelligence and pedagogical agent modeling in the cognitive imprinting of knowledge and skill domains | |
| Li et al. | Individual differences in second language acquisition: Theory, research, and practice | |
| KR20180102785A (ko) | 빅데이터 기반의 맞춤형 진학 정보 서비스 제공 방법 | |
| KR20160077200A (ko) | 언어-관련 장애들의 진단 및 치료를 위한 컴퓨팅 기술들 | |
| Maria et al. | Chatbots as cognitive, educational, advisory & coaching systems | |
| KR102197752B1 (ko) | 맞춤형 자동 문항 생성을 통한 인공지능 기반 학습 방법 및 시스템 | |
| CN110189238A (zh) | 辅助学习的方法、装置、介质以及电子设备 | |
| KR102091789B1 (ko) | 온라인 기반의 자기 주도 학습 코칭 방법 | |
| KR102507733B1 (ko) | 인공지능 기술 기반 학생 맞춤형 교육 및 취업지원 방법 및 시스템 | |
| CN114387829A (zh) | 一种基于虚拟场景的语言学习系统、存储介质及电子设备 | |
| KR102463077B1 (ko) | 사용자에게 다양하고 유용한 컨텐트를 코칭하는 인공지능 스마트 코칭 시스템 및 방법 | |
| CN112085628A (zh) | 一种基于人工智能的学生自适应教育方法和系统 | |
| Axak et al. | The Agent-Based Learning Platform. | |
| CN111259305A (zh) | 一种在线智能教育方法 | |
| KR20210091442A (ko) | Vr 콘텐츠에 의한 학습 큐레이팅 서버 및 그의 동작방법 그리고 그 시스템 | |
| KR20150116662A (ko) | 문항반응이론에 의한 인공지능 개인별 처방학습시스템 | |
| CN117032847A (zh) | 虚拟培训讲师互动方法、电子设备、存储介质及程序产品 | |
| Shminan et al. | Dynamic student assessment to advocate personalized learning plan | |
| CN113268512B (zh) | 基于互联网平台的企业岗位职业技能培训系统 | |
| Joseph et al. | Identifying Slow Learners in an e-Learning Environment Using K-Means Clustering Approach. | |
| Doboli et al. | Dynamic diagnosis of the progress and shortcomings of student learning using machine learning based on cognitive, social, and emotional features | |
| Rzepka | Transforming First Language Learning Platforms towards Adaptivity and Fairness | |
| CN111260518A (zh) | 一种校园信息管理系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |