KR102476612B1 - 인공지능에 기반한 심리 맞춤 솔루션 제공 방법 및 시스템 - Google Patents
인공지능에 기반한 심리 맞춤 솔루션 제공 방법 및 시스템 Download PDFInfo
- Publication number
- KR102476612B1 KR102476612B1 KR1020220094621A KR20220094621A KR102476612B1 KR 102476612 B1 KR102476612 B1 KR 102476612B1 KR 1020220094621 A KR1020220094621 A KR 1020220094621A KR 20220094621 A KR20220094621 A KR 20220094621A KR 102476612 B1 KR102476612 B1 KR 102476612B1
- Authority
- KR
- South Korea
- Prior art keywords
- solution
- user
- psychological
- information
- state
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 118
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 41
- 230000006872 improvement Effects 0.000 claims abstract description 106
- 238000012360 testing method Methods 0.000 claims abstract description 61
- 230000006996 mental state Effects 0.000 claims description 72
- 238000004458 analytical method Methods 0.000 claims description 62
- 238000011084 recovery Methods 0.000 claims description 20
- 230000008569 process Effects 0.000 claims description 16
- 238000009223 counseling Methods 0.000 claims description 14
- 238000013480 data collection Methods 0.000 claims description 14
- 230000035876 healing Effects 0.000 claims description 11
- 238000007405 data analysis Methods 0.000 claims description 10
- 208000019901 Anxiety disease Diseases 0.000 claims description 6
- 230000036506 anxiety Effects 0.000 claims description 6
- 230000003340 mental effect Effects 0.000 claims description 6
- 208000014674 injury Diseases 0.000 claims description 5
- 230000008733 trauma Effects 0.000 claims description 5
- 230000004044 response Effects 0.000 abstract description 4
- 239000000243 solution Substances 0.000 description 392
- 230000000694 effects Effects 0.000 description 45
- 230000000875 corresponding effect Effects 0.000 description 40
- 238000013528 artificial neural network Methods 0.000 description 27
- 238000007726 management method Methods 0.000 description 26
- 238000010801 machine learning Methods 0.000 description 20
- 238000003066 decision tree Methods 0.000 description 18
- 230000008859 change Effects 0.000 description 12
- 238000001671 psychotherapy Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 10
- 238000013527 convolutional neural network Methods 0.000 description 7
- 238000011156 evaluation Methods 0.000 description 7
- 230000036541 health Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 206010058672 Negative thoughts Diseases 0.000 description 3
- 230000004888 barrier function Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000002596 correlated effect Effects 0.000 description 3
- 239000003814 drug Substances 0.000 description 3
- 229940079593 drug Drugs 0.000 description 3
- 238000011478 gradient descent method Methods 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 238000007637 random forest analysis Methods 0.000 description 3
- 238000013500 data storage Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000004630 mental health Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008450 motivation Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 229940124595 oriental medicine Drugs 0.000 description 2
- 238000012805 post-processing Methods 0.000 description 2
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 1
- 208000013200 Stress disease Diseases 0.000 description 1
- 238000009246 art therapy Methods 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013434 data augmentation Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000001272 neurogenic effect Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 208000024335 physical disease Diseases 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000002250 progressing effect Effects 0.000 description 1
- 230000001107 psychogenic effect Effects 0.000 description 1
- 238000000746 purification Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 229910052710 silicon Inorganic materials 0.000 description 1
- 239000010703 silicon Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000012085 test solution Substances 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/70—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to mental therapies, e.g. psychological therapy or autogenous training
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
- A61B5/165—Evaluating the state of mind, e.g. depression, anxiety
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/48—Other medical applications
- A61B5/4848—Monitoring or testing the effects of treatment, e.g. of medication
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/20—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for electronic clinical trials or questionnaires
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Physics & Mathematics (AREA)
- Primary Health Care (AREA)
- Data Mining & Analysis (AREA)
- Pathology (AREA)
- Theoretical Computer Science (AREA)
- Epidemiology (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Psychiatry (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Animal Behavior & Ethology (AREA)
- Child & Adolescent Psychology (AREA)
- Developmental Disabilities (AREA)
- Heart & Thoracic Surgery (AREA)
- Hospice & Palliative Care (AREA)
- Psychology (AREA)
- Social Psychology (AREA)
- Artificial Intelligence (AREA)
- Surgery (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Veterinary Medicine (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Educational Technology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
상기한 본 발명의 목적을 실현하기 위한 일 실시예에 따른 사용자 심리 상태의 맞춤형 심리솔루션 제공방법으로, 사용자 단말로부터 사용자의 심리 상태를 분석하기 위한 적어도 하나 이상의 질문에 대한 답변을 수신하는 심리 테스트를 수행하는 단계, 상기 심리 테스트의 결과에 따라 사용자의 심리 상태 정보와 매칭되는 적어도 하나 이상의 솔루션을 추천하는 단계, 및 사용자로부터 솔루션이 선택되면, 인공지능에 기반한 심리 솔루션 모델을 이용하여 사용자의 심리 상태 정보를 기초로, 선택된 솔루션을 통한 해당 심리 상태에서 예측되는 개선 기간 및 개선 정도 중 적어도 하나를 출력하는 단계를 포함하며, 상기 심리 솔루션 모델은, 불특정 다수의 사용자별 심리 상태 정보, 사용자별 선택된 솔루션 정보, 및 사용자별 시간의 흐름에 따른 적어도 하나 이상의 시점에 대한 개선된 심리 상태 정보를 인공지능에 기반하여 미리 학습한 결과물로, 사용자의 심리 상태 정보가 입력되면, 해당 심리 상태에서의 솔루션별 예측되는 개선 기간 및 개선 정도 중 적어도 하나를 출력한다.
Description
본 발명은 인공지능에 기반한 심리 맞춤 솔루션 제공 방법 및 시스템에 관한 것으로, 보다 상세하게는 인공지능에 기반한 빅데이터 모델링 기술을 이용하여 분석된 사용자의 심리 치료 데이터를 통하여, 사용자 맞춤형의 심리치료 솔루션을 제공하기 위한 심리 맞춤 솔루션 제공 방법 및 시스템에 관한 것이다.
오늘날의 현대사회는 여러 분야에서 다방면에 걸쳐 급속한 정보화와 전문화 및 산업화가 진행되고 있다. 이로인해 현대인들은 과도한 경쟁과 이를 통한 성취가 강조되는 심리 상태관 등에 대해 심각한 혼란을 느끼게 되는 동시에 도덕성과 인간성 상실에 따른 일상생활에서의 불안과 소외감 등에 기인하는 정신건강 문제에 직면하게 되는 사회적 현상이 늘어나고 있는 실정이다.
최근의 연구 및 조사 결과들에 따르면, 신경성·심인성 스트레스성 질환과 같은 신체적 질환은 정신상태의 불균형에서도 초래된다는 사실이 알려진 바있으며, 이러한 사실에 근거해 볼 때 우리에게 정신건강이 미치는 영향을 쉽게 짐작할 수 있다.
또한, 세계보건기구에서는 건강을 신체적 건강뿐만 아니라 정신적 사회적 영적 건강까지 포함해서 정의하고 있다. 이렇듯 최근에는 신체적 건강만이 아닌 정신과 영혼의 정화와 치유, 그리고 사회적 건강까지 포함하는 전인적 건강에 대한 사회적인 관심이 높아지고 있다.
이와 같은 관심 하에 최근 다양한 심리검사가 연구 개발되고 있다. 심리검사는 개인의 지능, 학력, 적성, 성격, 흥미, 심리 상태관 등과 같은 인간의 다양한 심리적 특성들을 파악하기 위해 다양한 형태의 수단과 도구들을 이용하여 양적 질적으로 측정하고 평가하기 위한 것으로, 심리검사 결과에 따라 적합한 심리치료방법이 제안되고 있다. 그 예로, 약처방, 또는 전문가로부터 지속적인 전문상담, 전문 프로그램 또는 셀프 케어가 있으며, 전문 프로그램의 예로, 음악, 미술 등의 예술 치료방법이 활용되고 있다.
즉, 수많은 심리치료방법 중에서, 사용자에게 적합한 심리치료방법에 대한 정보를 제공하는 것에는 한계가 있을 수밖에 없으며, 각 치료방법 별로 개선 효과에 대한 데이터가 부재하여, 사용자에게 예측할 수 있는 개선 효과에 대한 정보를 제시하는 것이 불가능하다. 이 경우, 통상 정신과 전문의 또는 전문 심리치료사와의 상담을 통해 제한된 범위 내에서 심리 상태의 개선을 예측할 수는 있지만, 전문가와의 상담을 통해야하며, 지속적인 상담을 통해 결과를 예측할 수 있다는 점에서 어느정도의 진입장벽이 있을 수밖에 없었다.
본 발명은 상기와 같은 문제점을 해결하기 위한 것으로, 사용자의 현재 심리 상태에 기초하여 맞춤형의 심리치료방법을 제시하고, 개선 정도에 따라 스케쥴링된 적어도 하나 이상의 심리치료방법과 심리 상태의 개선에 예측되는 기간을 산출한 심리결과 보고서를 제공하는데 목적이 있다.
또한, 본 발명은 불특정 다수의 심리 상태 및 적용된 심리 치료 방법과 개선된 시간에 대한 인공지능에 기반한 빅데이터 모델링 기술을 적용하여, 사용자의 심리 상태에 기초한 맞춤형 심리 솔루션 모델을 제공하는데 목적이 있다.
상기한 본 발명의 목적을 실현하기 위한 일 실시예에 따른 사용자 심리 상태의 맞춤형 심리솔루션 제공방법으로, 사용자 단말로부터 사용자의 심리 상태를 분석하기 위한 적어도 하나 이상의 질문에 대한 답변을 수신하는 심리 테스트를 수행하는 단계, 상기 심리 테스트의 결과에 따라 사용자의 심리 상태 정보와 매칭되는 적어도 하나 이상의 솔루션을 추천하는 단계, 및 사용자로부터 솔루션이 선택되면, 인공지능에 기반한 심리 솔루션 모델을 이용하여 사용자의 심리 상태 정보를 기초로, 선택된 솔루션을 통한 해당 심리 상태에서 예측되는 개선 기간 및 개선 정도 중 적어도 하나를 출력하는 단계를 포함하며, 상기 심리 솔루션 모델은, 불특정 다수의 사용자별 심리 상태 정보, 사용자별 선택된 솔루션 정보, 및 사용자별 시간의 흐름에 따른 적어도 하나 이상의 시점에 대한 개선된 심리 상태 정보를 인공지능에 기반하여 미리 학습한 결과물로, 사용자의 심리 상태 정보가 입력되면, 해당 심리 상태에서의 솔루션별 예측되는 개선 기간 및 개선 정도 중 적어도 하나를 출력한다.
본 발명의 일 실시예에 있어서, 상기 적어도 하나 이상의 솔루션을 추천하는 단계는, 상기 심리 솔루션 모델을 이용하여, 사용자의 심리 상태 정보가 입력되면, 해당 심리 상태에서 적용될 솔루션들 중에서 예측되는 개선 정도가 미리 정해진 값보다 큰 솔루션을 추천할 수 있다.
본 발명의 일 실시예에 있어서, 상기 적어도 하나 이상의 솔루션을 추천하는 단계는, 개선 정도가 큰 순위로 상위부터 미리 정해진 갯수의 솔루션을 추천할 수 있다.
본 발명의 일 실시예에 있어서, 상기 심리 솔루션 모델을 이용하여, 사용자의 현재 심리 상태 정보가 입력되고, 솔루션이 선택되면, 상기 선택된 솔루션에 의해 예측되는 개선된 상태에서 적용될 다음의 솔루션을 단계적으로 스케쥴링하는 단계를 포함할 수 있다.
본 발명의 일 실시예에 있어서, 상기 스케쥴링하는 단계에서는, 상기 단계적으로 스케쥴링된 솔루션별 개선 기간을 합산한 전체 회복 기간이 산출될 수 있다.
본 발명의 일 실시예에 있어서, 상기 솔루션은 심리 상태의 단계별로 양한방 진료, 전문 상담, 일일 관리, 힐링 프로그램, 셀프 케어 순으로 분류될 수 있다.
본 발명의 일 실시예에 있어서, 상기 적어도 하나 이상의 솔루션을 추천하는 단계는, 상기 심리 테스트 결과에 기초하여 매칭률에 따라 솔루션별로 점수화하고, 가장 높은 점수를 얻은 솔루션이 추천될 수 있다.
본 발명의 일 실시예에 있어서, 상기 사용자의 심리 상태 정보는, 상기 심리 테스트에 따라 우울, 불안, 트라우마, 부정적 사고, 자존감 상실, 및 대인관계문제 항목 중 적어도 하나를 포함하는 항목별로 획득될 수 있다.
본 발명의 일 실시예에 있어서, 상기 적어도 하나 이상의 솔루션은 진행 방법, 형식, 프로세스, 진행 기간, 빈도 중 적어도 하나에 따라 분류되어 관리될 수 있다.
본 발명의 일 실시예에 있어서, 상기 사용자의 심리 상태 정보는, 상기 심리 테스트에 따른 질문에 대한 답변을 분석하여 생성된 도식화된 심리 분석 모형으로 출력될 수 있다.
본 발명에 따르면, 빅데이터 모델링 엔진으로 구현한 심리 솔루션 모델을 이용하여 사용자로서는, 심리 테스트 및 치료를 받는데 진입장벽을 낮추고, 자신의 심리 상태에 적합한 심리치료방법을 추천받을 수 있다.
또한, 본 발명에 따르면, 빅데이터 모델링 엔진에 기반한 심리 솔루션 모델을 활용한 솔루션 제공 시스템에서, 사용자의 현재 심리 상태에 기초하여 단계별 맞춤형의 심리치료방법을 제시하고, 개선 정도에 따라 스케쥴링된 적어도 하나 이상의 심리치료방법과 심리 상태의 개선이 예측되는 기간을 산출한 심리결과 보고서를 제공할 수 있다. 이에 따라, 사용자는 자신의 심리 상태에 기초하여 최적의 결과가 예측되는 심리치료방법을 선택하여 관리받을 수 있다.
도 1은 본 발명의 일 실시예에 따른 솔루션 제공 시스템의 전체적인 구성을 보여주는 개략도이다.
도 2는 도 1의 중앙 서버를 설명하기 위한 블록도이다.
도 3은 도 2의 솔루션 관리부를 설명하기 위한 블록도이다.
도 4는 솔루션의 추천을 설명하기 위한 예시도이다.
도 5는 도 1의 분석 서버를 설명하기 위한 블록도이다.
도 6은 본 발명의 일 실시예에 따른 솔루션 제공 시스템에서의 솔루션 제공방법의 과정을 설명하기 위한 예시 흐름도이다.
도 2는 도 1의 중앙 서버를 설명하기 위한 블록도이다.
도 3은 도 2의 솔루션 관리부를 설명하기 위한 블록도이다.
도 4는 솔루션의 추천을 설명하기 위한 예시도이다.
도 5는 도 1의 분석 서버를 설명하기 위한 블록도이다.
도 6은 본 발명의 일 실시예에 따른 솔루션 제공 시스템에서의 솔루션 제공방법의 과정을 설명하기 위한 예시 흐름도이다.
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 실시 예의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 첨부된 도면은 본 명세서에 개시된 실시 예를 쉽게 이해할 수 있도록 하기 위한 것일 뿐, 첨부된 도면에 의해 본 명세서에 개시된 기술적 사상이 제한되지 않으며, 본 발명의 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.
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.
본 명세서에 있어서 '부(部)'란, 하드웨어에 의해 실현되는 유닛(unit), 소프트웨어에 의해 실현되는 유닛, 양방을 이용하여 실현되는 유닛을 포함한다. 또한, 1개의 유닛이 2개 이상의 하드웨어를 이용하여 실현되어도 되고, 2개 이상의 유닛이 1개의 하드웨어에 의해 실현되어도 된다.
본 명세서에 있어서 단말, 장치 또는 디바이스가 수행하는 것으로 기술된 동작이나 기능 중 일부는 해당 단말, 장치 또는 디바이스와 연결된 서버에서 대신 수행될 수도 있다. 이와 마찬가지로, 서버가 수행하는 것으로 기술된 동작이나 기능 중 일부도 해당 서버와 연결된 단말, 장치 또는 디바이스에서 수행될 수도 있다.
본 발명은 컴퓨터가 읽을 수 있는 기록매체에 컴퓨터가 읽을 수 있는 코드로서 구현될 수 있고, 컴퓨터가 읽을 수 있는 기록 매체는 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록 장치를 포함한다. 컴퓨터가 읽을 수 있는 기록 매체의 예로는 ROM, RAM, CD-ROM, 자기 테이프, 플로피 디스크, 광 데이터 저장 장치 등이 있다. 또한, 컴퓨터가 읽을 수 있는 기록 매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어, 분산 방식으로 컴퓨터가 읽을 수 있는 코드가 저장되고 실행될 수 있다.
이하 첨부된 도면을 참고하여 본 발명을 상세히 설명하기로 한다.
도 1은 본 발명의 일 실시예에 따른 솔루션 제공 시스템의 전체적인 구성을 보여주는 개략도이다.
도 1을 참조하면, 본 발명의 일 양상에 따라 제공되는 솔루션 제공 시스템(1000)은, 사용자의 심리 상태를 파악할 수 있는 정보를 수집하고, 그에 따른 사용자 맞춤형의 솔루션을 출력하여 사용자에게 제공하도록 구성된다. 또한, 상기 솔루션 제공 시스템(1000)은 사용자별 맞춤형 솔루션에 따라 치료가 일정 기간 수행된 후, 사용자별 심리 상태에 대한 변화 정보를 수집하고, 해당 정보에 기초하여 사용자별 맞춤형 솔루션에 따라 누적된 개선 데이터에 기초하여, 임의의 심리 상태에서 적용된 솔루션별 개선 효과를 예측하는 심리 솔루션 모델을 생성하도록 구성된다. 즉, 상기 솔루션 제공 시스템(1000)은 상기 심리 솔루션 모델을 이용하여, 입력되는 사용자의 심리 상태에 기초하여, 개선 정도에 따라 단계별로 적용되는 적어도 하나 이상의 맞춤형 솔루션을 제공하고, 각 맞춤형 솔루션의 적용 시 개선 정도 및 개선 기간을 예측하고, 단계에 걸친 모든 맞춤형 솔루션을 개선 기간을 합산하여, 회복까지 예측되는 회복 기간을 사용자에게 제공하도록 구성된다.
도 1에서 예시하고 있는 본 발명의 솔루션 제공 시스템(1000)은, 기본적으로 통신망을 통해 서로 연결된 중앙 서버(10), 적어도 하나의 사용자 단말(30), 분석 서버(50)를 포함하며, 도시되진 않았으나 추가적으로 전문가와 심리 치료를 위한 상담이 이루어질 수 있는 서비스 서버가 연결될 수 있다. 다만, 이러한 도 1의 솔루션 제공 시스템(1000)은, 본 발명의 일 실시예에 불과하므로, 도 1을 통하여 본 발명이 한정 해석되는 것은 아니다.
본 발명의 시스템은 예컨대 인터넷의 웹과 같이 유무선 양방향 데이터 통신이 가능한 네트워크(1)를 통하여, 다수의 사용자 회원이 이용하는 사용자 단말(30)이 접속가능한 중앙 서버(10)에 의하여 동작될 수 있다. 또한, 본 발명의 시스템은 사용자 개개인별 심리 분석에 있어서, 심리 전문가의 의견이 필요한 경우, 요청에 의해 전문가 의견을 제공받기 위해 네트워크(1)를 통하여, 적어도 하나 이상의 심리 전문가 단말(미도시)과 연결될 수 있다. 여기서, 전문가는 심리 전문의 정신과 전문의 또는 심리 치료사, 상담사 등의 전문가일 수 있다.
예를 들어, 도 1의 각 구성요소들은 일반적으로 네트워크(network, 1)를 통해 연결된다. 즉, 도 1에 도시된 바와 같이, 상기 적어도 하나의 사용자 단말(30)은 네트워크(1)를 통하여 중앙 서버(10)와 연결될 수 있다.
여기서, 네트워크는, 사용자 단말 및 서버들과 같은 각각의 노드 상호 간에 정보 교환이 가능한 연결 구조를 의미하는 것으로, 이러한 네트워크의 일 예에는 RF, 3GPP(3rd Generation Partnership Project) 네트워크, LTE(Long Term Evolution) 네트워크, 5GPP(5th Generation Partnership Project) 네트워크, WIMAX(World Interoperability for Microwave Access) 네트워크, 인터넷(Internet), LAN(Local Area Network), Wireless LAN(Wireless Local Area Network), WAN(Wide Area Network), PAN(Personal Area Network), 블루투스 (Bluetooth) 네트워크, NFC 네트워크, 위성 방송 네트워크, 아날로그 방송 네트워크, DMB(Digital Multimedia Broadcasting) 네트워크 등이 포함되나 이에 한정되지는 않는다.
하기에서, 적어도 하나의 라는 용어는 단수 및 복수를 포함하는 용어로 정의되고, 적어도 하나의 라는 용어가 존재하지 않더라도 각 구성요소가 단수 또는 복수로 존재할 수 있고, 단수 또는 복수를 의미할 수 있음은 자명 하다 할 것이다. 또한, 각 구성요소가 단수 또는 복수로 구비되는 것은, 실시예에 따라 변경가능하다 할 것이다.
상기 중앙 서버(10)는, 심리치료를 위한 솔루션 제공 서비스 웹 페이지, 앱 페이지, 프로그램 또는 애플리케이션을 제공하는 서버일 수 있다. 여기서, 중앙 서버(10)는, 네트워크를 통하여 원격지의 서버나 단말에 접속할 수 있는 컴퓨터로 구현될 수 있다. 여기서, 컴퓨터는 예를 들어, 네비게이션, 웹 브라우저(WEB Browser)가 탑재된 노트북, 데스크톱(Desktop), 랩톱(Laptop) 등을 포함할 수 있다. 이에 대해서는 도 2 내지 4를 참조하여, 상세하게 후술한다.
상기 사용자 단말(30)은 상기 솔루션 제공 시스템(1000)을 통해 자신의 심리 상태를 진단하고, 그에 따른 솔루션을 추천받아 심리치료를 받고자하는 사용자(이하, '사용자'라 칭함.)가 소유하고 있는 컴퓨터나 휴대용 단말로서, 사용자가 웹(Web), 앱(Application) 또는 웹앱의 형태로 제공되는 클라이언트에서 네트워크(1)를 통해 상기 중앙 서버(10)에 통신 접속하여 회원가입을 수행한 후, 자신의 심리 상태를 진단하기 위한 적어도 하나 이상의 정보를 등록할 수 있다. 해당 정보는 사용자에게 의해 직접 등록되거나, 또는 질문지(설문지)법에 의해 다수의 문항들로 구성된 심리 테스트에서 답변함으로써, 사용자의 심리 상태 정보가 추출되어 등록될 수 있다. 즉, 사용자는 사용자 단말로부터 사용자의 심리 상태를 분석하기 위한 적어도 하나 이상의 질문에 대한 답변을 수신하는 심리 테스트를 수행할 수 있다.
또한, 상기 사용자 단말(30)은 사용자의 심리 상태 정보에 기초하여, 사용자별 맞춤형의 솔루션을 출력하도록 구성된다. 이 때, 제공되는 맞춤형 솔루션은 복 수개일 수 있으며, 사용자의 선택에 의해 상기 사용자 단말(30)에 솔루션별 관련 정보가 제시될 수 있다. 또한, 사용자는 맞춤형 솔루션을 통해 심리치료를 수행할 수 있고, 상기 사용자 단말(30)을 통해 미리 정해진 기간 또는 일정 기간 치료 후, 최초에 진행된 심리 테스트를 재수행하여 변화된 정보를 기초로 사용자의 심리 상태의 변화된 정보를 등록할 수 있다.
또한, 상기 사용자 단말(30)은 솔루션별 관련 정보를 제공함에 있어서, 중앙 서버(10)에서 상기 심리 솔루션 모델에 기초하여 예측한 솔루션별 개선 효과 및 개선 정도를 함께 출력하여, 사용자에게 제시할 수 있다. 즉, 사용자는 상기 사용자 단말(30)을 통해 제시된 적어도 하나 이상의 맞춤형 솔루션을 추천받아 심리 치료를 진행할 수 있고, 제공받은 맞춤형 솔루션별 개선 효과 및 개선 정도를 참고하여, 추천받은 맞춤형 솔루션을 선택하여 진행할 수 있다. 또한, 상기 사용자 단말(30)은 개선 정도에 따라 단계별로 적용되는 적어도 하나 이상의 맞춤형 솔루션을 출력하고, 각 맞춤형 솔루션의 적용 시 개선 정도 및 개선 기간을 예측하고, 단계에 걸친 모든 맞춤형 솔루션을 개선 기간을 합산하여, 회복까지 예측되는 기간을 사용자에게 출력함으로써, 사용자로서는 현재의 심리 상태에 기초한 회복까지 예측되는 단계별 솔루션과 전체 회복 기간을 예측할 수 있다.
여기서, 사용자 단말(30)은, 네트워크를 통하여 원격지의 서버나 단말에 접속할 수 있는 컴퓨터로 구현될 수 있다. 여기서, 컴퓨터는 예를 들어, 네비게이션, 웹 브라우저(WEB Browser)가 탑재된 노트북, 데스크톱(Desktop), 랩톱(Laptop) 등을 포함할 수 있다. 이때, 네트워크를 통해 원격지의 서버나 단말에 접속할 수 있는 단말로 구현될 수 있다. 예를 들어, 휴대성과 이동성이 보장되는 무선 통신 장치로서, 네비게이션, PCS(Personal Communication System), GSM(Global System for Mobile communications), PDC(Personal Digital Cellular), PHS(Personal Handyphone System), PDA(Personal Digital Assistant), IMT(International Mobile Telecommunication)-2000, CDMA(Code Division Multiple Access)-2000, W-CDMA(W-Code Division Multiple Access), Wibro(Wireless Broadband Internet) 단말, 스마트폰(smartphone), 스마트 패드(smartpad), 타블렛 PC(Tablet PC) 등과 같은 모든 종류의 핸드헬드(Handheld) 기반의 무선 통신 장치를 포함할 수 있다.
이하, 도 2 내지 4를 참조하여, 상기 중앙 서버(10)를 상세히 설명한다.
도 2는 도 1의 중앙 서버를 설명하기 위한 블록도이다. 도 3은 도 2의 솔루션 관리부를 설명하기 위한 블록도이다. 도 4는 솔루션의 추천을 설명하기 위한 예시도이다.
도 1 내지 도 4를 참조하면, 상기 중앙 서버(10)는, 사용자 데이터를 관리하기 위한 고객 관리부(11), 사용자의 현재 심리 상태에 대한 정보를 수집하기 위한 데이터 수집부(12), 적어도 하나 이상의 심리 치료 솔루션을 관리하기 위한 솔루션 관리부(13), 심리 상태 정보를 수집하고 솔루션 별 개선 효과를 관리하기 위한 데이터 분석부(14), 사용자의 심리 상태에 맞춤형의 솔루션을 제공하고, 개선 정도를 예측하기 위한 매칭 예측부(15), 및 외부와의 정보공유를 위한 외부DB 연동부(16) 등을 포함할 수 있다.
상기 고객 관리부(11)는 상기 솔루션 제공 시스템(1000)에서 적어도 하나 이상의 사용자를 고객으로서 등록하고 관리한다. 예를 들어, 상기 고객 관리부(11)는 사용자의 등록 정보를 저장하고 관리하고, 상기 사용자 단말(100)로부터 입력되는 사용자의 아이디, 비밀번호, 및 연락처 등 기본 정보를 포함하는 사용자 정보를 저장하고 관리하며, 사용자가 회원 가입을 하면, 사용자별로 사용자 식별코드를 부여하고, 입력된 사용자 정보와 매칭하여, 고객 DB에 저장하고 관리한다. 상기 사용자 정보는 솔루션 제공 시스템의 이용에 있어서, 사용자별 데이터를 포함한다. 예를 들어, 사용자별 심리 분석을 위한 테스트 정보, 테스트 결과에 따른 심리 상태 정보, 추천된 심리 치료 솔루션 정보, 수행한 솔루션 정보, 심리 상태의 개선 정보 등 데이터가 사용자별로 누적되어 관리되도록 구성된다.
상기 데이터 수집부(12)는, 상기 네트워크(1)를 통해 상기 사용자 단말(30)로부터 정보를 수신하도록 구성된다. 예를 들어, 상기 데이터 수집부(12)는, 상기 사용자 단말(30)과 통신하여, 회원가입을 통해 기본 정보를 포함한 고객 정보를 수신하도록 구성된다. 또한, 상기 데이터 수집부(12)는 사용자의 심리 상태를 분석함에 있어서, 사용자 단말(30)로부터의 각종 데이터를 수신하도록 구성된다. 예를 들어, 사용자의 심리 상태를 분석하기 위한 적어도 하나 이상의 질문에 대한 답변 정보가 수집될 수 있다.
상기 데이터 수집부(12)는, 사용자 단말(100)로부터 사용자별 심리 상태 정보를 수집하고, 상기 분석 서버(50)로부터 분석된 심리치료 솔루션별 정보를 중앙 서버에 업데이트 하도록 구성된다. 예를 들어, 상기 심리 상태 정보는 사용자의 심리 상태를 측정하기 위한 기초자료로서, 사용자는 미리 준비된 테스트, 예를 들어, 설문지 등에 의해 답변함으로써 취득될 수 있다. 예를 들어, 상기 답변은 객관식 형태로 질문별 해당하는 정도에 따라 수치화된 답변을 하고, 해당 수치는 각 질문이 속한 항목별로 집계되어, 심리 상태가 점수화되어 나타날 수 있다.
한편, 질문은 객관식 형태뿐만 아니라 주관식 형태의 답변으로부터 필요한 자료를 추출할 수 있다. 이에, 입력된 정보에 기초하여 사용자의 심리 상태 정보에 대해 분석하기 위해서는, 인공지능에 기반한 텍스트 분석 기술이 적용될 수 있다. 예를 들어, 서술한 텍스트를 항목별 특정 정보로 분류하기 위한 모델과 모델을 학습할 때 트레이닝 데이터세트(Training Dataset)로 상술한 데이터베이스를 이용할 수도 있다. 이에 따라, 본 발명의 일 실시예는, 데이터베이스의 데이터 텍스트를 입력으로 받아 형태소 단위로 분석하여 유의미한 정보만을 추출하는 NLP 전처리기와 한 문장에서 추출된 모든 형태소를 미리 정한 기준에 따라 하나의 정보로 라벨링하는 학습 데이터 생성기, 그리고 생성한 훈련 데이터를 학습하는 CNN 또는 RNN 모델을 더 포함할 수도 있다. 다만, 이에 한정되지 않는다.
또한, 본 실시예에 따른 시스템은 사용자별 심리 상태를 분석하여, 적합한 솔루션을 추천하고, 솔루션에 의해 심리 치료를 받은 전 후의 심리 상태의 변화를 측정하여, 그 데이터를 인공지능에 기반하여 누적하여 학습하도록 구성된다. 따라서, 상기 데이터 수집부(12)는 시간의 흐름에 따른 사용자별 심리 상태 정보를 누적하여 수집하고, 이를 후술하는 심리 솔루션 모델 학습에 제공하도록 구성된다.
상기 심리 상태 정보는 사용자별 심리 분석을 위한 기초 자료로 사용되며, 상기 데이터 수집부(12)는, 사용자의 심리 상태 분석과 연관된 연령, 성별, 취향, 성격, 동기, 선호, 등을 포함하는 다방면의 개인 데이터(Personal Data)를 수집하도록 구성된다. 상기 정보는 직접 입력되는 정보와 다른 정보로부터 산출되는 정보를 포함할 수 있다.
또한, 사용자의 성격 정보는 심리 상태와 별개로 MBTI의 결과에 기초하거나, 또는 심리와 연관되어 별도로 미리 준비된 심리 MBTI에 기초하여 추출하여 수집할 수 있다. 추가로, 상기 데이터 수집부(12)는 사용자별로 사용자 단말(100)로부터 전송되거나, 또는 솔루션 제공 서비스 웹 페이지, 앱 페이지 등 내에서 클릭, 체류 시간 등의 사용자 로그 정보로부터 분석된 사용자 이용 정보를 기초로 정보를 수집할 수 있다. 이에 따라, 사용자의 심리 상태 또는 치료 방법, 예를 들어, 솔루션에 대한 취향 정보, 선호 정보를 추출하여 수집할 수 있다.
또한, 상기 데이터 수집부(12)는 사용자별 심리 치료 솔루션을 수행한 이력 정보를 수집하도록 구성된다. 즉, 사용자별 심리 상태의 시간의 흐름에 따른 변화를 측정함에 있어서, 변화의 인자로 사용자가 선택한 솔루션에 대한 정보가 축적되게 된다. 즉, 다양한 솔루션을 사용자에게 맞춤형으로 추천함에 있어서, 특정 심리 상태에서의 솔루션별 개선 효과의 비교 평가가 가능하며, 해당 정보는 데이터화되어 다음 추천에 있어 반영되도록 한다. 즉, 상기 데이터 수집부(12)는 사용자가 수행한 솔루션 정보를 수집하여, 데이터 학습에 제공하도록 하며, 상기 분석 서버(50)에서 학습한 솔루션별 개선 효과, 예를 들어, 일정 기간 동안의 심리 상태의 개선 정도 및 일정량 개선을 위해 요구되는 개선 기간 정보 등이 수집하여, 솔루션별 정보를 관리하도록 구성된다.
상기 솔루션 관리부(13)는 심리 치료에 대한 적어도 하나 이상의 솔루션을 관리하도록 구성된다. 예를 들어, 상기 솔루션 관리부(13)는 솔루션 DB 상에 데이터화된 솔루션 정보에 기초하여 적어도 하나 이상의 솔루션을 저장하고 관리하도록 구성된다. 예를 들어, 상기 솔루션 관리부(13)는 솔루션별 솔루션 정보를 관리하며, 상기 솔루션 정보에 기초하여 심리 상태 분석을 위한 테스트 결과에 대응되는 솔루션을 매칭시켜 저장하고 관리하도록 구성된다. 상기 솔루션 관리부(13)는, 솔루션 정보 관리부(13_1), 솔루션 매칭부(13_2) 및 솔루션 업데이트부(13_3)를 포함한다.
상기 솔루션 정보 관리부(13_1)는 상기 중앙 서버(10)에 등록된 솔루션별 솔루션 정보를 저장하고 관리한다. 예를 들어, 상기 솔루션 정보 관리부(13_1)는 등록된 솔루션의 종류, 순서, 상하위 관계에 따라 솔루션 식별코드를 부여하고, 상기 솔루션 DB에 해당 식별코드와 매칭하여 솔루션별 솔루션 정보를 저장하도록 할 수 있다. 상기 솔루션은 크게, 의사 또는 심리 전문가로부터의 진료, 심리 상담, 지속적인 일일 관리, 힐링 프로그램, 셀프 케어 등으로 분류될 수 있다. 여기서, 힐링 프로그램으로는 미술, 음악 등의 다양한 수단을 통한 치료 방법이 포함될 수 있다.
상기 솔루션 정보는 해당 분류에 추가로 솔루션이 속하는 대분류, 중분류, 소분류에 따른 분류 정보를 포함한다. 예를 들어, 솔루션은 진행 방법, 형식, 프로세스, 진행 기간, 빈도 등에 따라 구별될 수 있으며, 또는 특정 환경 또는 조건에 따라 서로 구별될 수도 있다. 또한, 동일 성격의 솔루션에 있어서도, 프로세스 등으로 세분화됨에 따라 솔루션은 상하위 카테고리에 따라 다양하게 구성될 수 있으며, 이에 따라 세분화된 솔루션 정보와 매칭되는 테스트 정보 간의 분석된 상관관계에 기초하여 솔루션의 추천이 이루어질 수 있다. 예를 들어, 솔루션 정보는 명칭, 프로세스, 진행시간, 조건, 일정 기간 내 개선 예측값, 개선 기간 등의 항목별 데이터테이블에 의해 관리될 수 있다. 다만, 이에 한정되지 않으며, 보다 세분화가 가능하다.
또한, 상기 솔루션 정보는 타겟하는 심리 상태를 포함할 수 있으며, 해당 정보에 기초하여 후술하는 솔루션 매칭부(13_2)에서 솔루션을 매칭시킬 수 있다. 즉, 테스트 결과, 예를 들어 미리 준비된 질문별 답변들의 조합 또는 각 질문별 답변을 수치화한 데이터에 기초한, 심리 상태별 매칭되는 솔루션 정보가 관리된다. 예를 들어, 심리 상태의 단계별로 양한방 진료, 심리 상담, 지속적인 일일 관리, 힐링 프로그램, 셀프 케어 순으로 솔루션이 매칭될 수 있다. 즉, 사용자의 심리 상태가 불안정한 상태로 즉각적인 치료가 필요한 경우, 의사의 치료로 약물에 의한 치료가 이루어 질 수 있다. 이에 반해, 사용자의 심리 상태가 안정적인 상태로 모니터링이 필요한 경우, 셀프 케어로 솔루션이 매칭될 수 있다.
상기 솔루션 정보 관리부(13_1)는 중앙 서버(300)에 등록된 솔루션에 대하여 수행한 사용자의 피드백도 함께 저장하고 관리하도록 구성된다. 예를 들어, 상기 솔루션 정보 관리부(13_1)는 사용자로 하여금 솔루션을 통해 치료를 받은 후기 정보 등의 피드백 사항 등을 솔루션과 매칭시켜 관리하도록 구성된다. 예를 들어, 해당 피드백 사항은 해당 솔루션이 사용자별 심리 상태에 적절하게 개선 효과를 발휘하였는지, 또는 개인 맞춤형으로 수정가능한지 등에 대한 질문사항이거나, 또는 특정 작업이 가능하도록 수정 요청사항 등을 포함할 수 있으며, 솔루션 진행에 있어서 불편한 사항이 있었는지, 개선 사항이 있는지 등을 포함할 수 있다.
상기 솔루션 매칭부(13_2)는, 상기 솔루션 정보 관리부(13_1)에서 관리되는 솔루션별 솔루션 정보에 기초하여, 사용자별 심리 상태에 대응되는 적어도 하나 이상의 솔루션을 매칭시키도록 구성된다. 예를 들어, 상기 솔루션 정보는 수치화된 심리 상태의 구간에 매칭될 수 있다. 심리 상태 분석을 위한 테스트 결과 0점부터 80점까지 점수가 분포될 경우, 70점에서 80점까지는 사용자의 심리 상태가 불안정한 상태로 즉각적인 치료가 필요한 경우로 의사의 치료로 약물에 의한 치료가 매칭될 수 있다. 이에 반해, 0점에서 10점까지는 사용자의 심리 상태가 안정적인 상태로 모니터링이 필요한 경우이므로 셀프 케어로 솔루션이 매칭될 수 있다. 해당 점수화는 다양한 항목별로 조합될 수 있다. 예를 들어, 항목은 우울, 불안, 트라우마, 부정적 사고, 자존감 상실, 대인관계문제 등의 항목 등이 포함될 수 있다. 즉, 상기 심리 테스트의 결과에 따라 사용자의 심리 상태 정보와 매칭되는 적어도 하나 이상의 솔루션을 추천될 수 있다. 또는, 도 4에 도시된 바와 같이, 상기 심리 테스트 결과에 기초하여 매칭률에 따라 솔루션별로 점수화하고, 가장 높은 점수를 얻은 솔루션이 추천될 수 있다. 예를 들어, 도 4의 (a)에 도식화된 심리 분석모형을 참고하면, 힐링 프로그램, YIR 일일관리, 양한방진료, 심리 상담 순으로 솔루션이 점수화되고, 도 4의 (b)에 도시된 바와 같이, 이들 중 상위에 해당되는 힐링 프로그램과 YIR 일일관리가 추천될 수 있다. 다만, 이에 한정되지 않는다.
예를 들어, 상기 솔루션 매칭부(13_2)는 항목별 심리 테스트 정보와 상관관계가 있는 솔루션 정보를 매칭시켜 관리할 수 있다. 이를 위해, 상기 솔루션 매칭부(13_2)는 인공지능에 기반하여 사용자의 심리 테스트 정보, 선택한 솔루션의 솔루션 정보의 각 항목간의 상관관계를 학습하여, 정보의 항목 간의 상관도를 데이터베이스화 한 상관심리 솔루션 모델을 생성하고, 관리하도록 구성될 수 있다. 즉, 상기 상관심리 솔루션 모델에 기초하여, 항목별 심리 테스트 정보와 상관관계가 높은 솔루션 정보를 포함하는 솔루션이 추천될 수 있다.
또한, 후술하는 분석 서버(50)에서 생성되는 심리 솔루션 모델을 이용하여, 사용자의 심리 상태 정보가 입력되면, 해당 심리 상태에서 적용될 솔루션들 중에서 예측되는 개선 정도가 미리 정해진 값보다 큰 솔루션을 추천할 수 있다. 추천은 복수개로 이루어질 수 있으며, 개선 정도가 큰 순위로 상위부터 미리 정해진 갯수의 솔루션이 추천될 수 있다.
예를 들어 딥러닝에 기반하여 심리 테스트 정보와 매칭된 솔루션의 솔루션 정보의 상관관계를 학습한 상관심리 솔루션 모델에 기초하여, 솔루션별 사용 이력을 분석하도록 구성된다. 상기 상관심리 솔루션 모델은 솔루션별 분류 정보도 함께 학습되어 생성되도록 한다. 인공지능 학습은 오류역전파 학습 알고리즘이 적용된 인공신경망을 학습에 이용하는 것을 예시로 설명한다. 인공신경망의 학습구조는 입력층과, 출력층과, 입력층과 출력층의 사이에 형성되는 적어도 하나 이상의 은닉층을 구비할 수 있다.
또는, 상관관계에 따른 시계열 데이터 또는 형상화된 상관도 이미지를 생성하고, 생성된 상관도 이미지를 심리 솔루션 모델에 입력하여 분석 결과로서 예측되는 상관관계를 출력할 수 있다. 상기 상관심리 솔루션 모델은 솔루션별 사용 이력 정보를 기반으로 머신러닝 학습을 수행하는 컨벌루션 인공신경망(Convolutional Neural Networks) 모델일 수 있다.
인공신경망에 의한 학습은 경사하강법을 적용하여 선정된 횟수만큼 반복 될 수 있다. 최적의 학습은 인공신경망 기법, 의사결정 나무기법과 오토 머신러닝 기법 중 MAPE(Mean Absolute Percentage Error; 평균절대백분율오차)를 적용하여 최소 오류값을 가지는 학습구조가 선정된다. 학습 인자들에 대한 반복학습이 완료된 후 심리 솔루션 모델이 생성된다.
한편,본 실시예에서는 인공신경망을 통한 학습을 예로 설명하였으나, 이에 한정되지 않는다. 인공지능의 기법으로 의사결정 나무기법, 오토 머신러닝 기법이 적용될 수 있음은 자명하다. 구체적으로, 상기 의사결정나무 기법에는 의사결정 나무(Decision Tree), 랜덤 포레스트(Random Forest), 그레디언트 부스팅(Gradient Boosting) 등의 기법이 포함될 수 있다.
또한, 상기 오토 머신러닝 기법에는 인공신경망의 은닉층의 개수와 뉴런의 개수 등에 대한 하이퍼 파라미터를 인공지능이 자동으로 조정하는 기법, 의사결정나무 기법 및 인공신경망을 포함한 현존하는 인공지능 기법을 다층으로 연결하여 학습하는 스테킹(Stacking) 및 앙상블(Ensemble) 기법, 또는 상기의 스테킹(Staking), 앙상블(Ensemble), 하이퍼 파라미터에 대한 자동 튜닝을 동시에 사용하는 기법이 포함될 수 있다.
예를 들어, 인공지능 학습은 복수의 모듈로 구성될 수 있으며, 각각의 모듈은 의사결정 나무기법, 인공신경망, 오토 머신러닝 등 각각을 적용하여, 학습을 수행하고, 이들 모듈에 의해 각각의 생성된 심리 솔루션 모델을 비교하여 최적의 모델을 선택 적용할 수도 있다. 이 경우, MAPE(평균 절대백분율 오차)와 RMSE(평균 제곱근 오차)를 적용하여 최적의 모델을 선택 적용할 수 있다.
또한, 데이터 학습 방법에 있어서도, 기계 학습(Machine Learning) 또는 지도 학습(Supervised Learning) 등 다양한 방법에 기초할 수 있으며, 머신 러닝을 수행함에 있어서 CNN, RNN, 이들의 조합 등 다양한 인공신경망 모델이 적용될 수 있다. 한편, 데이터 학습 방법에 있어서, 일련의 데이터에 대한 학습방법뿐만 아니라, 상관도 이미지를 학습 데이터로 하여 이미지 기반의 데이터 학습이 이루어질 수도 있다.
즉, 상기 솔루션 매칭부(13_2)에서 심리 테스트 정보와 솔루션 정보의 상관관계가 학습된 상관심리 솔루션 모델에 기초하여, 사용자의 심리 테스트 정보로부터 상관관계가 있어 매칭되는 솔루션 정보를 포함하는 솔루션을 추천될 수 있다. 이 때, 추천은 복수개의 솔루션이 추천될 수 있으며, 사용자의 선택에 의해 솔루션이 적용될 수 있다.
상기 솔루션 업데이트부(13_3)는, 후술하는 분석 서버(50)에서 분석된 솔루션별 개선 효과에 대한 데이터를 추출하여 관리되는 솔루션별 솔루션 정보에 업데이트하도록 구성된다. 예를 들어, 신규의 솔루션을 생성하거나, 또는 기존에 등록된 솔루션에 대하여 정보가 변경되는 경우, 솔루션 정보를 업데이트하도록 구성된다.
즉, 상기 솔루션 업데이트부(13_3)는, 신규의 솔루션이 등록되면, 해당 신규의 솔루션에 있어서, 사용자의 테스트 정보와 선택한 솔루션의 솔루션 정보에 기초하여 상기 상관심리 솔루션 모델을 업데이트하도록 구성될 수 있으며, 상기 상관심리 솔루션 모델은 상관관계의 학습에 있어서, 테스트 정보와 솔루션 정보의 항목 간 정보가 대응되는 경우, 이들 간에 산출되는 상관관계에 가중합(weighted sum)하는 후처리를 할 수 있다. 이에 따라, 사용자의 심리 테스트 정보에 기초하여, 맞춤형의 솔루션을 추천할 수 있다.
데이터 분석부(14)는 후술하는 분석 서버(50)에서 생성된 인공지능에 기반한 심리 솔루션 모델에 기초하여, 사용자로부터 수집한 심리 상태 정보에 따른 솔루션별 개선 효과를 분석하도록 구성된다. 즉, 사용자로부터 솔루션이 선택되면, 인공지능에 기반한 심리 솔루션 모델을 이용하여 사용자의 심리 상태 정보를 기초로, 선택된 솔루션을 통한 해당 심리 상태에서 예측되는 개선 기간 및 개선 정도 중 적어도 하나를 출력하도록 구성된다.
구체적으로, 인공지능에 기반한 심리 솔루션의 심리 솔루션 모델에 기초하여, 현재 심리 상태 정보를 입력값으로 솔루션별 사용자의 현재 상태와 미래 상태를 포함하는 심리 상태의 개선 효과가 결과로서 도출된다. 한편, 본 실시예에 따른 심리 분석은 현재 시점 기준으로 입력된 정보 외에도, 과거의 시간의 흐름에 따른 사용자의 심리 변화 정보에도 기초할 수 있다. 또한, 심리 솔루션 모델은 선행 사용자의 과거로부터 시간의 흐름에 따른 사용자의 심리 상태 자료를 학습한 결과물이기 때문에, 현재의 사용자 심리 상태뿐만 아니라, 과거로부터 현재까지의 시간의 흐름에 따른 추세 등에 기초하여 미래 시점에서의 심리 분석이 가능한 것을 특징으로 한다.
구체적으로, 데이터 분석부(14)은 후술하는 분석 서버(50)에서 인공지능에 기반하여 생성된 심리 솔루션 모델에 기초하여, 솔루션별 개선 효과를 도출한다. 즉, 심리 솔루션 모델은, 사용자별 심리 상태 정보를 입력값으로 할 수 있으며, 사용자별 선택한 솔루션 정보가 입력값으로 추가될 수 있다. 일례로, 사용자로부터 입력된 심리 상태 정보의 입력에 따라 심리 솔루션 모델에 기초하여 1차 심리 분석 결과를 출력하고, 이에 따라, 사용자의 피드백 과정을 거친 2차 심리 분석 결과를 출력할 수도 있다.
예를 들어, 본 실시예에 따른 데이터 분석부(14)은 솔루션별 과정과 이력에 기초하여 일정 시간 동안 심리 상태의 개선정도 또는 일정 심리 상태까지 회복된 기간에 따라, 일정 기간 미래의 심리 상태까지 고려된 솔루션 결과를 순위별대로 제공할 수 있다. 본 발명에 따르면, 중앙 서버(10)의 데이터 분석부(14)에 의하여 솔루션별 개선 효과가 전달된다는 특징을 가진다.
매칭 예측부(15)은, 데이터 분석부(14)에 의하여 현재 심리 상태의 솔루션별 개선 효과와 선택된 솔루션에 따른 개선 효과와 미래의 심리 상태 정보에 기초하여, 단계별 적용될 심리 치료 솔루션의 스케쥴을 생성하도록 구성된다. 즉, 상기 심리 솔루션 모델을 이용하여, 사용자의 현재 심리 상태 정보가 입력되고, 솔루션이 선택되면, 상기 선택된 솔루션에 의해 예측되는 개선된 상태에서 적용될 다음의 솔루션을 단계적으로 스케쥴링하도록 구성된다. 이 때, 사용자의 심리 상태에 따라, 솔루션은 양한방 진료, 심리 상담, 지속적인 일일 관리, 힐링 프로그램, 셀프 케어 순으로 단계별로 매칭될 수 있다. 예를 들어, 사용자의 심리 상태가 불안정하여 전문가의 치료가 필요한 경우, 해당 솔루션별 개선 효과를 기초하여, 일정 기간 경과 후, 상담 또는 지속적인 일일 관리로 솔루션이 매칭될 수 있다. 또한, 그 후, 일정 기간이 경과한 후, 셀프 케어로 매칭되고, 각 솔루션별 회복 기간이 합산된 전체 회복까지의 기간이 산출될 수 있다. 즉, 스케쥴링함에 있어서 상기 단계적으로 스케쥴링된 솔루션별 개선 기간을 합산한 전체 회복 기간이 산출된다.
즉, 본 실시예에 따른 매칭 예측부(15)는, 사용자의 심리 상태에 적합한 하나의 솔루션으로 완치를 예정하는 것이 아닌, 각 상태별 가장 효율적인 솔루션으로 단계별 치료가 이루어지도록 솔루션을 스케쥴링하도록 구성될 수 있다. 예를 들어, 각 솔루션별 솔루션 정보에 기초하여, 특정 심리 상태에서 가장 효율이 좋은 솔루션이 단계별로 추천되는 방식에 의한다. 또한, 각 솔루션 정보는 개선 효과가 가장 효과적으로 나타나는 개선 기간에 대한 정보가 포함될 수 있다. 예를 들어, 특정 솔루션을 특정 심리 상태에서 수행하는 경우 1개월까지는 개선 효과가 선형적으로 증가하나, 1개월이 경과한 시점부터는 개선 효과가 세츄레이션(saturation)이 되는 경우, 해당 특정 심리 상태에서의 솔루션의 개선 기간은 1개월로 결정될 수 있다. 한편, 해당 솔루션의 개선 기간은, 후술하는 분석 서버(50)에서 인공지능에 기반하여 불특정 다수의 각 심리 상태에서 개선 효과의 분석에 의해 산출될 수 있다.
예를 들어, 심리 상태의 불안정한 상태를 1부터 10까지의 게이지 상으로 나타낼 경우, 현재 게이지를 기준으로, 가장 효과적으로 개선 효과가 보이는 적어도 하나 이상의 솔루션이 추천된다. 이 때, 해당 솔루션에 따른 개선 효과에 대한 정보가 제시된다. 여기서, 사용자로 하여금 추천된 솔루션 중 하나가 선택되면, 해당 솔루션의 적용기간을 고려하여, 현재 게이지 기준 적용 기간 내 예측되는 개선 상태가 도출되고, 또한, 추가로 해당 상태에서 효율적인 단계별 다른 솔루션이 추천 제공되는 식으로 이루어질 수 있다. 예를 들어, 사용자의 현재 심리 상태의 게이지가 9인 경우, 9의 심리 상태에 가장 효과적인 솔루션 A, B, C 가 추천될 수 있고, 사용자가 개선 기간은 1개월이고, 1개월 내 게이지 2의 개선이 예측되는 B 솔루션을 선택할 경우, 1개월 후, 게이지가 7인 심리 상태에서 효과적인 다른 솔루션들이 제시된다. 이런 식으로 사용자에게 게이지가 1인 심리 상태까지의 회복을 위해 예측되는 최단의 회복 기간과, 최단 기간의 회복을 위해 이후 선택하여 수행할 단계별 솔루션들이 리스트업되도록 한다. 한편, 게이지를 기준으로 설명하였으나, 이에 한정되지 않으며, 각 항목별 표준값이 정해지며, 표준 이상, 이하, 심각 단계로 분류될 수도 있다.
즉, 상기 매칭 예측부(15)는, 사용자 맞춤형의 심리 상태에 기초한 적어도 하나 이상의 단계별 솔루션들로 스케쥴링된 심리 결과 보고서를 제공할 수 있다. 이에 따라, 사용자로서는 전체적인 회복 기간을 예측할 수 있다. 또한, 사용자로서는 각 단계별 추천되는 적어도 하나 이상의 솔루션 중에 있어서, 자신이 원하는 치료 방법을 선택할 수 있으며, 그에 따라 예측되는 개선 효과를 제공받을 수 있어, 심리 치료에 대한 개선 효과를 예측할 수 있다.
상기 외부DB 연동 모듈(16)은, 외부 서버, 예를 들어, 사용자의 심리 상태 정보에 기초하여 온라인 상에서 전문가가 매칭되어 상담이 이루어지도록 하는 전문 상담 관련 서버 등과 공유 DB를 통해 정보를 공유하도록 할 수 있으며, 외부 서버에서도 사용자별 심리 분석한 자료가 있는 경우, 이를 공유되도록 할 수도 있다. 예를 들어, 각각의 솔루션에 대하여 및/또는 각각의 사용자에 대하여 현재 및 이전에 진행되었던 솔루션에 대한 모든 사용 이력 및 평가 정보로 구성될 수 있다. 한편, 상기 외부 서버에서 평가한 자료도 상기 분석 서버(50)로 전송되어 심리 솔루션 모델 생성을 위한 데이터로 활용될 수 있다.
도 5는 도 1의 분석 서버를 설명하기 위한 블록도이다.
도 1 내지 도 5를 참조하면, 상기 분석 서버(50)는, 상기 중앙 서버(10)로부터 인공지능 기반의 사용자 심리 솔루션 모델을 생성하기 위한 데이터를 수집하고, 가공하여, 심리 솔루션 모델을 생성하고, 이를 관리하도록 구성된다. 상기 분석 서버(50)는 심리 데이터 수집 모듈(51), 분석 모델 생성 모듈(52) 및 분석 모델 관리 모듈(53)을 포함한다.
상기 심리 데이터 수집 모듈(51)은. 수집된 데이터를 빅데이터화하여 관리하고, 이를 상기 분석 모델 생성 모듈(52)에서 학습시키도록 인공지능 기반의 심리 솔루션 모델을 생성하는데 관여한다. 수집되는 데이터는, 불특정 다수의 선행사용자의 사용자 심리 상태에 대한 정보, 예를 들어, 선행사용자에서 심리 테스트를 수행한 각 문항별 답변 정보 및 해당 시점에서 수행한 솔루션 정보와 시간의 흐름에 따른 사용자 심리 상태 정보 및 이에 따른 사용자 심리 상태 변동 정보 등이 포함된다. 해당 선행사용자는 중앙 서버(10)에 등록된 사용자인지 여부를 불문한다. 즉, 학습을 위한 선행 사용자에 대한 데이터는 예를 들어, 적어도 하나 이상의 정신과 등 전문기관, 또는 심리 치료를 목적으로 하는 서버 등의 외부 서버로부터 제공받을 수 있다.
사용자별 심리 상태 정보는 심리 테스트 결과로서 수치정보 또는 그 기초 정보인 문항별 답변, 사용자의 자존감 등 성향 정보 등의 사용자 관련 기초 정보를 포함할 수 있다. 즉, 수집 당시의 사용자의 현 상태에 대한 각종 정보를 포함한다. 예를 들어, 사용자의 심리 상태 정보는 우울, 불안, 트라우마, 부정적 사고, 자존감 상실, 대인관계문제 등의 항목으로 이루어질 수 있다.
예를 들어, 사용자가 자체적으로 심리 상태 내지 사용자 평가에 대해 객관적이지 않은 경우가 대부분이므로, 최대한 객관적인 정보를 받을 수 있도록 질문 형태의 설문지법에 의해 정보를 제공받을 수 있으며, 여기서, 각 질문에 따른 답변 정보뿐만 아니라, 연관된 질문에 대해 분석 결과를 제공받을 수 있다. 즉, 이러한 질문에 대한 답변을 분석하여 도식화된 심리 분석모형이 생성될 수 있다. 해당 심리 분석모형은 바 형태로 그래프화되어 출력될 수 있다. 해당 정보들은 심리 상태 별로 분류되고, 동일 내지 유사한 분류기준으로 사용자별 정보가 누적되어 수집된다. 즉, 동일 사용자에 대해서도, 정기적 또는 비정기적으로 사용자의 현 상태에 대한 정보가 수집되고, 이에 따라, 특정 시점에 대한 공시태 정보뿐만 아니라, 시간의 흐름에 따른 사용자별 상태의 변화 과정인 통시태 정보까지 누적 수집된다.
한편, 사용자가 자체적으로 심리 테스트에 응답한 결과 및 자신의 성향 정보를 입력함에 있어서, 객관성을 담보하기 위하여, 추가로 전문가가 상담한 사용자별 심리 상태 정보가 추가되어 수집될 수 있다. 이 경우, 사용자가 응답한 결과와 대응되도록 전문가가 작성한 데이터가 수집될 수 있으며, 사용자가 입력한 자체 테스트 결과와 전문가가 평가한 결과를 비교하여, 항목별 정보의 수정 등의 피드백 정보를 수집할 수 있다.
한편, 사용자의 자체 입력한 정보 대비 전문가가 평가하는 정보의 차이가 있는 경우, 예를 들어, 질문지법에 의해 정보가 수집되는 경우, 판단에 있어 오류가 있는 질문 부분을 체크하여, 사용자에게 전달함으로써, 사용자로 하여금, 심리 상태의 기초가 되는 정보의 수정 또는 항목의 수정이 이루어질 수 있도록 유도한다. 해당 오류 체크 등 정보의 발송 및 수정된 평가 정보의 수신은 상기 중앙 서버(10)의 데이터 분석부(14)에서 수행될 수 있다.
사용자가 입력한 테스트 결과와 전문가가 평가한 사용자별 심리 상태 결과의 정보가 서로 다른 경우에도, 수치범위의 차이를 판단할 수 있으며, 해당 수치범위는 사용자별 빅데이터 정보에 기반하여, 오차 범위 내인지 여부를 판단할 수 있다. 즉, 특정 항목의 수치범위의 차가 오차 범위 이상인 경우, 질문에 대한 사용자의 답변 중 해당 항목의 수치변화에 상관도가 높은 질문에 대한 답변을 체크하여, 사용자에게 제시하도록 구성되며, 질문별 수치 변화의 상관도는 사용자별 빅데이터 분석에 기반하여 추출될 수 있다. 예를 들어, 질문별 답변의 차이에 따른 결과적인 사용자 심리 상태에 따라, 질문별 중요도 내지 상관도가 미리 정해질 수 있다.
이에 따라, 사용자 단말로부터 피드백 정보로서 체크된 질문별 답변이 수정이 된 경우, 이에 기초하여, 사용자별 심리 상태를 수정하도록 한다. 또한, 이와 달리, 사용자의 피드백 정보로서 사용자의 기초 자료 내지 심리 분석를 위한 자료가 추가되는 경우, 역시 이에 따라 심리 상태 정보가 수정될 수도 있다. 즉, 학습 단계에서 모델의 정확도를 높이기 위해 변종의 데이터에 대해서도 높은 정확도를 확보하기 위해 입력된 데이터를 변형하는 작업을 의미하는 것으로, 넓은 의미에서는 전처리 작업에 포함될 수 있다. 즉, 전문가의 상담에 의한 사용자별 심리 상태 정보 등은 대응되는 심리 상태의 항목별 정보를 포함하는 라벨을 맵핑(mapping)한 학습 데이터를 데이터베이스에 학습 데이터로서 저장할 수 있다.
분석 모델 생성 모듈(52)은, 불특정 다수의 사용자별 심리 상태 정보, 사용자별 선택된 솔루션 정보, 및 사용자별 시간의 흐름에 따른 적어도 하나 이상의 시점에 대한 개선된 심리 상태 정보를 인공지능에 기반하여 미리 학습하여, 사용자의 심리 상태 정보를 입력값으로 하는 솔루션별 사용자의 현재 상태와 미래 상태를 포함하는 심리 상태의 개선 효과 정보, 예를 들어 솔루션별 예측되는 개선 기간 및 개선 정도 중 적어도 하나를 출력하는 심리 솔루션 모델을 생성하도록 구성된다.
상기 심리 솔루션 모델은, 불특정 다수의 사용자에 대한 시간의 흐름에 따른 심리 상태 정보와 솔루션별 회복 정보를 인공지능에 기반하여 미리 학습한 결과물이다. 한편, 본 실시예에 따른 심리 분석은 현재 시점 기준으로 입력된 정보 외에도, 과거의 시간의 흐름에 따른 사용자의 심리 변화 정보에도 기초할 수 있다. 또한, 심리 솔루션 모델은 선행 사용자의 과거로부터 시간의 흐름에 따른 사용자의 심리 상태 자료를 학습한 결과물이기 때문에, 현재의 사용자 심리 상태뿐만 아니라, 과거로부터 현재까지의 시간의 흐름에 따른 추세 등에 기초하여 미래 시점에서의 심리 분석이 가능한 것을 특징으로 한다.
즉, 미래 시점에 예상되는 심리 상태 정보가 포함되며, 상기 심리 상태 정보가 입력되면, 입력 시점의 사용자의 심리 분석 정보와 시간의 흐름에 따른 미리 정해진 기간 후의 예상 심리 상태 정보를 포함하는 상기 미래 심리 상태 정보가 출력될 수 있다. 예를 들어, 학습되는 정보로서, 적어도 하나는 질문지법에 따른 복수의 질문에 대한 응답에 기초한 심리 테스트 항목별 데이터를 포함할 수 있으며, 이때, 상기 심리 솔루션 모델은, 데이터 기반의 딥 네트워크를 이용하여 항목별 데이터와 적어도 하나 이상의 시점에 대한 상태 정보의 상관도에 기초한 평가 항목별 데이터가 미리 학습될 수 있다.
상기 분석 모델 생성 모듈(52)은, 데이터베이스에 저장된 학습 데이터를 인공지능을 통해 학습시킨다. 본 실시예에서는 분석 모델 생성 모듈(52)이 통상적인 오류역전파 학습 알고리즘이 적용된 인공신경망을 학습에 이용하는 것을 예시로 설명한다. 인공신경망의 학습구조는 입력층과, 출력층과, 입력층과 출력층의 사이에 형성되는 적어도 하나 이상의 은닉층을 구비할 수 있다.
본 실시예에서는 사용자별 심리 상태의 입력에 있어서, 개선 효과가 뚜렷하게 나타나는 시점에 해당되는 입력값을 학습시킬 수 있다. 즉, 해당 시점의 이벤트는 사용자의 상태정보로 입력되어 학습되며, 누적된 빅데이터에 기초하여, 이벤트가 발생된 원인으로, 타 사용자 대비 차이가 있는 부분을 평가 항목별 인자로 추출하고, 다른 케이스와 비교하여 해당 인자의 영향도로서 신뢰도를 출력할 수 있다. 즉, 데이터 기반의 딥 네트워크를 이용하여 심리 테스트 항목별 데이터와 적어도 하나 이상의 시점에 대한 상태 정보의 상관도에 기초한 평가 항목별 데이터를 미리 학습하여, 초기 사용자인 경우에도 평가 항목별 특정 인자를 갖는 경우, 미래 발생할 이벤트를 고려하여 심리 상태가 평가될 수 있다.
한편, 여기서, 사용자별 시점을 달리하는 과거와 현재의 데이터는 시점에 따른 사용자별 심리 데이터의 데이터 증강으로서의 의미도 갖지만, 동일 사용자으로 묶어 학습시키는 경우, 시간의 흐름에 따른 변화 데이터도 학습가능하게 함으로써, 출력 결과로부터 현재 상태 또는 과거 및 현재 상태로부터 미래 상태를 예측 가능하게 할 수 있다. 또한, 특정 솔루션에 따른 현저한 개선 효과에 따른 특정 이벤트 발생에 대한 심리 분석 요인을 추출함으로써, 입력 시점의 심리 분석 요인의 유무에 기초하여 해당 특정 이벤트의 발생을 예측할 수도 있다. 즉, 공시태적인 결과뿐만 아니라 통시태적인 결과가 반영될 수도 있다.
인공신경망에 의한 학습은 경사하강법을 적용하여 선정된 횟수만큼 반복 될 수 있다. 최적의 학습은 인공신경망 기법, 의사결정 나무기법과 오토 머신러닝 기법 중 MAPE(Mean Absolute Percentage Error; 평균절대백분율오차)를 적용하여 최소오류값을 가지는 학습구조가 선정된다. 분석 모델 생성 모듈(52)에 의해 학습 인자들에 대한 반복학습이 완료된 후 심리 솔루션 모델이 생성된다.
한편, 본 실시예에서는 인공신경망을 통한 학습을 예로 설명하였으나, 이에 한정되지 않는다. 인공지능의 기법으로 의사결정 나무기법, 오토 머신러닝 기법이 적용될 수 있음은 자명하다. 구체적으로, 상기 의사결정나무 기법에는 의사결정 나무(Decision Tree), 랜덤 포레스트(Random Forest), 그레디언트 부스팅(Gradient Boosting) 등의 기법이 포함될 수 있다.
또한, 상기 오토 머신러닝 기법에는 인공신경망의 은닉층의 개수와 뉴런의 개수 등에 대한 하이퍼 파라미터를 인공지능이 자동으로 조정하는 기법, 의사결정나무 기법 및 인공신경망을 포함한 현존하는 인공지능 기법을 다층으로 연결하여 학습하는 스테킹(Stacking) 및 앙상블(Ensemble) 기법, 또는 상기의 스테킹(Staking), 앙상블(Ensemble), 하이퍼 파라미터에 대한 자동 튜닝을 동시에 사용하는 기법이 포함될 수 있다.
예를 들어, 분석 모델 생성 모듈(52)은, 복수의 모듈로 구성될 수 있으며, 각각의 모듈은 의사결정 나무기법, 인공신경망, 오토 머신러닝 등 각각을 적용하여, 학습을 수행하고, 이들 모듈에 의해 각각의 생성된 심리 솔루션 모델을 비교하여 최적의 모델을 선택 적용할 수도 있다. 이 경우, 실제 선행 사용자의 특정 시점의 심리 분석 및 심리 분석의 변화를 기준으로 MAPE(평균 절대백분율 오차)와 RMSE(평균 제곱근 오차)를 적용하여 최적의 모델을 선택 적용할 수 있다.
또한, 데이터 학습 방법에 있어서도, 기계 학습(Machine Learning) 또는 지도 학습(Supervised Learning) 등 다양한 방법에 기초할 수 있으며, 머신 러닝을 수행함에 있어서 CNN, RNN, 이들의 조합 등 다양한 인공신경망 모델이 적용될 수 있다. 한편, 데이터 학습 방법에 있어서, 일련의 데이터에 대한 학습방법뿐만 아니라, 이미지 기반의 데이터 학습이 이루어질 수도 있다. 예를 들어, 각 솔루션별 개선 효과는 그래프화될 수 있으며, 그래프 이미지를 학습시켜, 예측되는 심리 상태별 개선 효과의 이미지를 출력할 수 있다.
분석 모델 관리 모듈(53)은, 중앙 서버(10)에서 회원으로 등록된 사용자의 정기적 또는 비정기적인 심리 데이터를 재수집하여 상기 심리 솔루션 모델을 업데이트하도록 구성된다. 해당 데이터는 시점에 대한 정보가 포함된다. 예를 들어, 심리 데이터를 재수집하는 과정에서, 이전 시점에서의 심리 솔루션 모델에 기초한 통시태적인 심리 분석 결과물보다 상회하는 심리 데이터가 수집된 경우, 해당 결과물의 특정 요인을 추적하여, 심리 솔루션 모델의 학습에 있어서의 상기 특정 요인에 가중치를 부여하도록 한다.
본 발명에 따르면, 빅데이터 모델링 엔진에 기반한 심리 솔루션 모델을 활용한 솔루션 제공 시스템에서, 사용자는 인공지능에 기반하여 분석된 현재의 사용자 심리 상태와 미래의 사용자 심리 상태에 기반해서 현재의 심리 상태에 적합한 솔루션을 추천받을 수 있는 동시에, 미래 상태에서의 적합한 솔루션을 단계별로 추천받을 수 있다.
본 실시예에서는 상기 분석 서버(50)에서 심리 솔루션 모델의 학습이 이루어지는 것을 예로 설명하였으나, 이에 한정되지 않는다. 예를 들어, 별도 서버로 이루어져 있지 않고, 상기 중앙 서버(10)와 상기 분석 서버(50)는 하나의 서버로 이루어 질수 있다.
도 6은 본 발명의 일 실시예에 따른 솔루션 제공 시스템에서의 솔루션 제공방법의 과정을 설명하기 위한 예시 흐름도이다.
도 1 내지 도 6을 참조하면, 본 발명의 일 실시예에 따른 솔루션 제공 방법은 사용자가 사용자 단말을 통해 중앙 서버에 접속하여 사용자 정보를 입력하고 회원가입하는 단계(S100), 사용자의 심리 상태의 분석을 위한 적어도 하나 이상의 심리 테스트 정보를 입력하는 단계(S200), 입력된 테스트 정보에 기초하여, 맞춤형의 적어도 하나 이상의 솔루션을 추천하는 단계(S300), 솔루션별 정보를 제시하는 단계(S400), 사용자가 솔루션 중 적어도 하나를 선택하는 단계(S500), 선택된 솔루션에 따른 예측되는 개선 효과에 기초하여, 단계별 적용될 심리 치료 솔루션의 스케쥴을 생성하는 단계(S600)를 포함한다.
상기 사용자가 회원가입하는 단계(S100)에서는, 사용자가 사용자 단말의 앱, 웹 또는 웹앱을 통해 중앙 서버(300)에 접속하여 신규 가입을 수행할 수 있다.
사용자의 심리 상태의 분석을 위한 적어도 하나 이상의 심리 테스트 정보를 입력하는 단계(S200)에서는, 사용자의 심리 상태를 분석함에 있어서, 사용자 단말(30)로부터의 각종 데이터를 수신하도록 구성된다.
사용자 단말(100)로부터 사용자별 심리 상태 정보를 수집하고, 예를 들어, 상기 심리 상태 정보는 사용자의 심리 상태를 측정하기 위한 기초자료로서, 사용자는 미리 준비된 테스트, 예를 들어, 설문지 등에 의해 답변함으로써 취득될 수 있다. 예를 들어, 상기 답변은 객관식 형태로 질문별 해당하는 정도에 따라 수치화된 답변을 하고, 해당 수치는 각 질문이 속한 항목별로 집계되어, 심리 상태가 점수화되어 나타날 수 있다.
한편, 질문은 객관식 형태뿐만 아니라 주관식 형태의 답변으로부터 필요한 자료를 추출할 수 있다. 이에, 입력된 정보에 기초하여 사용자의 심리 상태 정보에 대해 분석하기 위해서는, 인공지능에 기반한 텍스트 분석 기술이 적용될 수 있다. 예를 들어, 서술한 텍스트를 항목별 특정 정보로 분류하기 위한 모델과 모델을 학습할 때 트레이닝 데이터세트(Training Dataset)로 상술한 데이터베이스를 이용할 수도 있다. 이에 따라, 본 발명의 일 실시예는, 데이터베이스의 데이터 텍스트를 입력으로 받아 형태소 단위로 분석하여 유의미한 정보만을 추출하는 NLP 전처리기와 한 문장에서 추출된 모든 형태소를 미리 정한 기준에 따라 하나의 정보로 라벨링하는 학습 데이터 생성기, 그리고 생성한 훈련 데이터를 학습하는 CNN 또는 RNN 모델을 더 포함할 수도 있다. 다만, 이에 한정되지 않는다.
또한, 본 실시예에 따른 시스템은 사용자별 심리 상태를 분석하여, 적합한 솔루션을 추천하고, 솔루션에 의해 심리 치료를 받은 전 후의 심리 상태의 변화를 측정하여, 그 데이터를 인공지능에 기반하여 누적하여 학습하도록 구성된다. 따라서, 시간의 흐름에 따른 사용자별 심리 상태 정보를 누적하여 수집하고, 이를 후술하는 심리 솔루션 모델 학습에 제공하도록 구성된다.
상기 심리 상태 정보는 사용자별 심리 분석을 위한 기초 자료로 사용되며, 사용자의 심리 상태 분석과 연관된 연령, 성별, 취향, 성격, 동기, 선호, 등을 포함하는 다방면의 개인 데이터(Personal Data)를 수집하도록 구성된다. 상기 정보는 직접 입력되는 정보와 다른 정보로부터 산출되는 정보를 포함할 수 있다.
또한, 사용자의 성격 정보는 심리 상태와 별개로 MBTI의 결과에 기초하거나, 또는 심리와 연관되어 별도로 미리 준비된 심리 MBTI에 기초하여 추출하여 수집할 수 있다. 추가로, 사용자별로 사용자 단말(100)로부터 전송되거나, 또는 솔루션 제공 서비스 웹 페이지, 앱 페이지 등 내에서 클릭, 체류 시간 등의 사용자 로그 정보로부터 분석된 사용자 이용 정보를 기초로 정보를 수집할 수 있다. 이에 따라, 사용자의 심리 상태 또는 치료 방법, 예를 들어, 솔루션에 대한 취향 정보, 선호 정보를 추출하여 수집할 수 있다.
또한, 사용자별 심리 치료 솔루션을 수행한 이력 정보를 수집하도록 구성된다. 즉, 사용자별 심리 상태의 시간의 흐름에 따른 변화를 측정함에 있어서, 변화의 인자로 사용자가 선택한 솔루션에 대한 정보가 축적되게 된다. 즉, 다양한 솔루션을 사용자에게 맞춤형으로 추천함에 있어서, 특정 심리 상태에서의 솔루션별 개선 효과의 비교 평가가 가능하며, 해당 정보는 데이터화되어 다음 추천에 있어 반영되도록 한다. 즉, 사용자가 수행한 솔루션 정보를 수집하여, 데이터 학습에 제공하도록 하며, 상기 분석 서버(50)에서 학습한 솔루션별 개선 효과, 예를 들어, 일정 기간 동안의 개선 정도 및 일정량 개선을 위해 요구되는 시간 정보 등이 수집하여, 솔루션별 정보를 관리하도록 구성된다.
입력된 테스트 정보에 기초하여, 맞춤형의 적어도 하나 이상의 솔루션을 추천하는 단계(S300)에서는, 관리되는 적어도 하나 이상의 솔루션별 솔루션 정보에 기초하여, 사용자별 심리 상태에 대응되는 적어도 하나 이상의 솔루션을 매칭시키도록 구성된다. 예를 들어, 상기 솔루션 정보는 수치화된 심리 상태의 구간에 매칭될 수 있다. 심리 상태 분석을 위한 테스트 결과 0점부터 80점까지 점수가 분포될 경우, 70점에서 80점까지는 사용자의 심리 상태가 불안정한 상태로 즉각적인 치료가 필요한 경우로 의사의 치료로 약물에 의한 치료가 매칭될 수 있다. 이에 반해, 0점에서 10점까지는 사용자의 심리 상태가 안정적인 상태로 모니터링이 필요한 경우이므로 셀프 케어로 솔루션이 매칭될 수 있다. 해당 점수화는 다양한 항목별로 조합될 수 있다. 예를 들어, 항목은 우울, 불안, 트라우마, 부정적 사고, 자존감 상실, 대인관계문제 등의 항목 등이 포함될 수 있다.
예를 들어, 항목별 심리 테스트 정보와 상관관계가 있는 솔루션 정보를 매칭시켜 관리할 수 있다. 이를 위해, 인공지능에 기반하여 사용자의 심리 테스트 정보, 선택한 솔루션의 솔루션 정보의 각 항목간의 상관관계를 학습하여, 정보의 항목 간의 상관도를 데이터베이스화 한 상관심리 솔루션 모델을 생성하고, 관리하도록 구성될 수 있다. 즉, 상기 상관심리 솔루션 모델에 기초하여, 항목별 심리 테스트 정보와 상관관계가 높은 솔루션 정보를 포함하는 솔루션이 추천될 수 있다.
예를 들어 딥러닝에 기반하여 심리 테스트 정보와 매칭된 솔루션의 솔루션 정보의 상관관계를 학습한 상관심리 솔루션 모델에 기초하여, 솔루션별 사용 이력을 분석하도록 구성된다. 상기 상관심리 솔루션 모델은 솔루션별 분류 정보도 함께 학습되어 생성되도록 한다. 인공지능 학습은 오류역전파 학습 알고리즘이 적용된 인공신경망을 학습에 이용하는 것을 예시로 설명한다. 인공신경망의 학습구조는 입력층과, 출력층과, 입력층과 출력층의 사이에 형성되는 적어도 하나 이상의 은닉층을 구비할 수 있다.
또는, 상관관계에 따른 시계열 데이터 또는 형상화된 상관도 이미지를 생성하고, 생성된 상관도 이미지를 심리 솔루션 모델에 입력하여 분석 결과로서 예측되는 상관관계를 출력할 수 있다. 상기 상관심리 솔루션 모델은 솔루션별 사용 이력 정보를 기반으로 머신러닝 학습을 수행하는 컨벌루션 인공신경망(Convolutional Neural Networks) 모델일 수 있다.
인공신경망에 의한 학습은 경사하강법을 적용하여 선정된 횟수만큼 반복 될 수 있다. 최적의 학습은 인공신경망 기법, 의사결정 나무기법과 오토 머신러닝 기법 중 MAPE(Mean Absolute Percentage Error; 평균절대백분율오차)를 적용하여 최소 오류값을 가지는 학습구조가 선정된다. 학습 인자들에 대한 반복학습이 완료된 후 심리 솔루션 모델이 생성된다.
한편,본 실시예에서는 인공신경망을 통한 학습을 예로 설명하였으나, 이에 한정되지 않는다. 인공지능의 기법으로 의사결정 나무기법, 오토 머신러닝 기법이 적용될 수 있음은 자명하다. 구체적으로, 상기 의사결정나무 기법에는 의사결정 나무(Decision Tree), 랜덤 포레스트(Random Forest), 그레디언트 부스팅(Gradient Boosting) 등의 기법이 포함될 수 있다.
또한, 상기 오토 머신러닝 기법에는 인공신경망의 은닉층의 개수와 뉴런의 개수 등에 대한 하이퍼 파라미터를 인공지능이 자동으로 조정하는 기법, 의사결정나무 기법 및 인공신경망을 포함한 현존하는 인공지능 기법을 다층으로 연결하여 학습하는 스테킹(Stacking) 및 앙상블(Ensemble) 기법, 또는 상기의 스테킹(Staking), 앙상블(Ensemble), 하이퍼 파라미터에 대한 자동 튜닝을 동시에 사용하는 기법이 포함될 수 있다.
예를 들어, 인공지능 학습은 복수의 모듈로 구성될 수 있으며, 각각의 모듈은 의사결정 나무기법, 인공신경망, 오토 머신러닝 등 각각을 적용하여, 학습을 수행하고, 이들 모듈에 의해 각각의 생성된 심리 솔루션 모델을 비교하여 최적의 모델을 선택 적용할 수도 있다. 이 경우, MAPE(평균 절대백분율 오차)와 RMSE(평균 제곱근 오차)를 적용하여 최적의 모델을 선택 적용할 수 있다.
또한, 데이터 학습 방법에 있어서도, 기계 학습(Machine Learning) 또는 지도 학습(Supervised Learning) 등 다양한 방법에 기초할 수 있으며, 머신 러닝을 수행함에 있어서 CNN, RNN, 이들의 조합 등 다양한 인공신경망 모델이 적용될 수 있다. 한편, 데이터 학습 방법에 있어서, 일련의 데이터에 대한 학습방법뿐만 아니라, 상관도 이미지를 학습 데이터로 하여 이미지 기반의 데이터 학습이 이루어질 수도 있다.
즉, 심리 테스트 정보와 솔루션 정보의 상관관계가 학습된 상관심리 솔루션 모델에 기초하여, 사용자의 심리 테스트 정보로부터 상관관계가 있어 매칭되는 솔루션 정보를 포함하는 솔루션을 추천될 수 있다. 이 때, 추천은 복수개의 솔루션이 추천될 수 있으며, 사용자의 선택에 의해 솔루션이 적용될 수 있다.
솔루션별 정보를 제시하는 단계(S400)에서는 사용자가 솔루션의 선택에 있어서 고려되는 솔루션 정보를 제시하도록 구성된다. 예를 들어, 상기 솔루션 정보는 해당 분류에 추가로 솔루션이 속하는 대분류, 중분류, 소분류에 따른 분류 정보를 포함한다. 예를 들어, 솔루션은 진행 방법, 형식, 프로세스, 진행 기간, 빈도 등에 따라 구별될 수 있으며, 또는 특정 환경 또는 조건에 따라 서로 구별될 수도 있다. 또한, 동일 성격의 솔루션에 있어서도, 프로세스 등으로 세분화됨에 따라 솔루션은 상하위 카테고리에 따라 다양하게 구성될 수 있으며, 이에 따라 세분화된 솔루션 정보와 매칭되는 테스트 정보 간의 분석된 상관관계에 기초하여 솔루션의 추천이 이루어질 수 있다. 예를 들어, 솔루션 정보는 명칭, 프로세스, 진행시간, 조건, 일정 기간 내 개선 예측값, 개선 기간 등의 항목별 데이터테이블에 의해 관리될 수 있다. 다만, 이에 한정되지 않으며, 보다 세분화가 가능하다.
또한, 상기 솔루션 정보는 타겟하는 심리 상태를 포함할 수 있으며, 해당 정보에 기초하여 솔루션을 매칭시킬 수 있다. 즉, 테스트 결과, 예를 들어 미리 준비된 질문별 답변들의 조합 또는 각 질문별 답변을 수치화한 데이터에 기초한, 심리 상태별 매칭되는 솔루션 정보가 관리된다. 예를 들어, 심리 상태의 단계별로 양한방 진료, 심리 상담, 지속적인 일일 관리, 힐링 프로그램, 셀프 케어 순으로 솔루션이 매칭될 수 있다. 즉, 사용자의 심리 상태가 불안정한 상태로 즉각적인 치료가 필요한 경우, 의사의 치료로 약물에 의한 치료가 이루어 질 수 있다. 이에 반해, 사용자의 심리 상태가 안정적인 상태로 모니터링이 필요한 경우, 셀프 케어로 솔루션이 매칭될 수 있다.
또한, 상기 솔루션 정보는 솔루션별 개선 효과를 포함한다. 분석 서버(50)에서 분석된 솔루션별 개선 효과에 대한 데이터를 추출하여 관리되는 솔루션별 솔루션 정보에 업데이트하도록 구성되며, 예를 들어, 신규의 솔루션을 생성하거나, 또는 기존에 등록된 솔루션에 대하여 정보가 변경되는 경우, 솔루션 정보를 업데이트하도록 구성된다.
즉, 신규의 솔루션이 등록되면, 해당 신규의 솔루션에 있어서, 사용자의 테스트 정보와 선택한 솔루션의 솔루션 정보에 기초하여 상기 상관심리 솔루션 모델을 업데이트하도록 구성될 수 있으며, 상기 상관심리 솔루션 모델은 상관관계의 학습에 있어서, 테스트 정보와 솔루션 정보의 항목 간 정보가 대응되는 경우, 이들 간에 산출되는 상관관계에 가중합(weighted sum)하는 후처리를 할 수 있다. 이에 따라, 사용자의 심리 테스트 정보에 기초하여, 맞춤형의 솔루션을 추천할 수 있다.
사용자가 솔루션 중 적어도 하나를 선택이 이루어지면(S500), 선택된 솔루션에 따른 예측되는 개선 효과에 기초하여, 단계별 적용될 심리 치료 솔루션의 스케쥴을 생성하는 단계(S600)를 포함한다. 해당 단계에서는 현재 심리 상태의 솔루션별 개선 효과와 선택된 솔루션에 따른 개선 효과와 미래의 심리 상태 정보에 기초하여, 단계별 적용될 심리 치료 솔루션의 스케쥴을 생성하도록 구성된다. 즉, 사용자의 심리 상태에 따라, 솔루션은 양한방 진료, 심리 상담, 지속적인 일일 관리, 힐링 프로그램, 셀프 케어 순으로 단계별로 매칭될 수 있다. 예를 들어, 사용자의 심리 상태가 불안정하여 전문가의 치료가 필요한 경우, 해당 솔루션별 개선 효과를 기초하여, 일정 기간 경과 후, 상담 또는 지속적인 일일 관리로 솔루션이 매칭될 수 있다. 또한, 그 후, 일정 기간이 경과한 후, 셀프 케어로 매칭되고, 각 솔루션별 회복 기간이 합산된 전체 회복까지의 기간이 산출될 수 있다.
즉, 본 실시예에 따른 솔루션 제공 방법은, 사용자의 심리 상태에 적합한 하나의 솔루션으로 완치를 예정하는 것이 아닌, 각 상태별 가장 효율적인 솔루션으로 단계별 치료가 이루어지도록 솔루션을 스케쥴링하도록 구성될 수 있다. 예를 들어, 각 솔루션별 솔루션 정보에 기초하여, 특정 심리 상태에서 가장 효율이 좋은 솔루션이 단계별로 추천되는 방식에 의한다. 또한, 각 솔루션 정보는 개선 효과가 가장 효과적으로 나타나는 적용 기간에 대한 정보가 포함될 수 있다. 예를 들어, 특정 솔루션을 특정 심리 상태에서 수행하는 경우 1개월까지는 개선 효과가 선형적으로 증가하나, 1개월이 경과한 시점부터는 개선 효과가 세츄레이션(saturation)이 되는 경우, 해당 특정 심리 상태에서의 솔루션의 적용 기간은 1개월로 결정될 수 있다. 한편, 해당 솔루션의 적용 기간은, 분석 서버(50)에서 인공지능에 기반하여 불특정 다수의 각 심리 상태에서 개선 효과의 분석에 의해 산출될 수 있다.
예를 들어, 심리 상태의 불안정한 상태를 1부터 10까지의 게이지 상으로 나타낼 경우, 현재 게이지를 기준으로, 가장 효과적으로 개선 효과가 보이는 적어도 하나 이상의 솔루션이 추천된다. 이 때, 해당 솔루션에 따른 개선 효과에 대한 정보가 제시된다. 여기서, 사용자로 하여금 추천된 솔루션 중 하나가 선택되면, 해당 솔루션의 적용기간을 고려하여, 현재 게이지 기준 적용 기간 내 예측되는 개선 상태가 도출되고, 또한, 추가로 해당 상태에서 효율적인 단계별 다른 솔루션이 추천 제공되는 식으로 이루어질 수 있다. 예를 들어, 사용자의 현재 심리 상태의 게이지가 9인 경우, 9의 심리 상태에 가장 효과적인 솔루션 A, B, C 가 추천될 수 있고, 사용자가 적용 기간은 1개월이고, 1개월 내 게이지 2의 개선이 예측되는 B 솔루션을 선택할 경우, 1개월 후, 게이지가 7인 심리 상태에서 효과적인 다른 솔루션들이 제시된다. 이런 식으로 사용자에게 게이지가 1인 심리 상태까지의 회복을 위해 예측되는 최단의 회복 기간과, 최단 기간의 회복을 위해 이후 선택하여 수행할 단계별 솔루션들이 리스트업되도록 한다. 한편, 게이지를 기준으로 설명하였으나, 이에 한정되지 않으며, 각 항목별 표준값이 정해지며, 표준 이상, 이하, 심각 단계로 분류될 수도 있다.
즉, 사용자 맞춤형의 심리 상태에 기초한 적어도 하나 이상의 단계별 솔루션들로 스케쥴링된 심리 결과 보고서를 제공할 수 있다. 이에 따라, 사용자로서는 전체적인 회복 기간을 예측할 수 있다. 또한, 사용자로서는 각 단계별 추천되는 적어도 하나 이상의 솔루션 중에 있어서, 자신이 원하는 치료 방법을 선택할 수 있으며, 그에 따라 예측되는 개선 효과를 제공받을 수 있어, 심리 치료에 대한 개선 효과를 예측할 수 있다.
본 발명에 따르면, 빅데이터 모델링 엔진으로 구현한 심리 솔루션 모델을 이용하여 사용자로서는, 심리 테스트 및 치료를 받는데 진입장벽을 낮추고, 자신의 심리 상태에 적합한 심리치료방법을 추천받을 수 있다.
또한, 본 발명에 따르면, 빅데이터 모델링 엔진에 기반한 심리 솔루션 모델을 활용한 솔루션 제공 시스템에서, 사용자의 현재 심리 상태에 기초하여 단계별 맞춤형의 심리치료방법을 제시하고, 개선 정도에 따라 스케쥴링된 적어도 하나 이상의 심리치료방법과 심리 상태의 개선이 예측되는 기간을 산출한 심리결과 보고서를 제공할 수 있다. 이에 따라, 사용자는 자신의 심리 상태에 기초하여 최적의 결과가 예측되는 심리치료방법을 선택하여 관리받을 수 있다.
전술한 본 발명의 일 실시예에 따른 솔루션 제공 방법은, 단말기에 기본적으로 설치된 애플리케이션(이는 단말기에 기본적으로 탑재된 플랫폼이나 운영체제 등에 포함된 프로그램을 포함할 수 있음)에 의해 실행될 수 있고, 참여자가 애플리케이션 스토어 서버, 애플리케이션 또는 해당 서비스와 관련된 웹 서버 등의 애플리케이션 제공 서버를 통해 마스터 단말기에 직접 설치한 애플리케이션 (즉, 프로그램)에 의해 실행될 수도 있다. 이러한 의미에서, 전술한 본 발명의 일 실시예에 따른 솔루션 제공 방법은 단말기에 기본적으로 설치되거나 사용자에 의해 직접 설치된 애플리케이션(즉, 프로그램)으로 구현되고 단말기에 등의 컴퓨터로 읽을 수 있는 기록매체에 기록될 수 있다
전술한 본 발명의 설명은 예시를 위한 것이며, 본 발명이 속하는 기술분야의 통상의 지식을 가진 자는 본 발명의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성 요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성 요소들도 결합된 형태로 실시될 수 있다.
본 발명의 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.
전술한 본 발명은, 프로그램이 기록된 매체에 컴퓨터가 읽을 수 있는 코드(또는, 애플리케이션이나 소프트웨어)로서 구현하는 것이 가능하다. 상술한 솔루션 제공 방법은 메모리 등에 저장된 코드에 의하여 실현될 수 있다
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. 또한, 상기 컴퓨터는 프로세서를 포함할 수도 있다. 따라서, 상기의 상세한 설명은 모든 면에서 제한적으로 해석되어서는 아니되고 예시적인 것으로 고려되어야 한다. 본 발명의 범위는 첨부된 청구항의 합리적 해석에 의해 결정되어야 하고, 본 발명의 등가적 범위 내에서의 모든 변경은 본 발명의 범위에 포함된다.
1000: 솔루션 제공 시스템
10: 중앙 서버
30: 사용자 단말
50: 분석 서버
10: 중앙 서버
30: 사용자 단말
50: 분석 서버
Claims (10)
- 데이터 수집부, 솔루션 관리부, 및 데이터 분석부를 포함하는 중앙 서버에서의 사용자의 심리 상태의 맞춤형 솔루션 제공 방법으로,
상기 데이터 수집부에서, 사용자 단말로부터 사용자의 심리 상태를 분석하기 위한 적어도 하나 이상의 질문에 대한 답변을 수신하는 심리 테스트를 수행하는 단계;
상기 솔루션 관리부에서, 상기 심리 테스트의 결과에 따라 사용자의 심리 상태 정보와 매칭되는 적어도 하나 이상의 솔루션을 추천하는 단계; 및
상기 데이터 분석부에서, 사용자로부터 솔루션이 선택되면, 인공지능에 기반한 심리 솔루션 모델을 이용하여 사용자의 심리 상태 정보를 기초로, 선택된 솔루션을 통한 해당 심리 상태에서 예측되는 개선 기간 및 개선 정도 중 적어도 하나를 출력하는 단계를 포함하며,
상기 심리 솔루션 모델은, 불특정 다수의 사용자별 심리 상태 정보, 사용자별 선택된 솔루션 정보, 및 사용자별 시간의 흐름에 따른 적어도 하나 이상의 시점에 대한 개선된 심리 상태 정보를 인공지능에 기반하여 미리 학습한 결과물로, 사용자의 심리 상태 정보가 입력되면, 해당 심리 상태에서의 솔루션별 예측되는 개선 기간 및 개선 정도 중 적어도 하나를 출력하는 것을 특징으로 하는 솔루션 제공 방법. - 제1 항에 있어서,
상기 적어도 하나 이상의 솔루션을 추천하는 단계는, 상기 심리 솔루션 모델을 이용하여, 사용자의 심리 상태 정보가 입력되면, 해당 심리 상태에서 적용될 솔루션들 중에서 예측되는 개선 정도가 미리 정해진 값보다 큰 솔루션을 추천하는 것을 특징으로 하는 솔루션 제공 방법. - 제2 항에 있어서,
상기 적어도 하나 이상의 솔루션을 추천하는 단계는, 개선 정도가 큰 순위로 상위부터 미리 정해진 갯수의 솔루션을 추천하는 것을 특징으로 하는 솔루션 제공 방법. - 제1 항에 있어서,
상기 중앙 서버는 매칭 예측부를 더 포함하고,
상기 매칭 예측부에서, 상기 심리 솔루션 모델을 이용하여, 사용자의 현재 심리 상태 정보가 입력되고, 솔루션이 선택되면, 상기 선택된 솔루션에 의해 예측되는 개선된 상태에서 적용될 다음의 솔루션을 단계적으로 스케쥴링하는 단계를 포함하는 것을 특징으로 하는 솔루션 제공 방법. - 제4 항에 있어서,
상기 스케쥴링하는 단계에서는, 상기 단계적으로 스케쥴링된 솔루션별 개선 기간을 합산한 전체 회복 기간이 산출되는 것을 특징으로 하는 솔루션 제공 방법. - 제1 항에 있어서,
상기 솔루션은 심리 상태의 단계별로 양한방 진료, 전문 상담, 일일 관리, 힐링 프로그램, 셀프 케어 순으로 분류되는 것을 특징으로 하는 솔루션 제공 방법. - 제1 항에 있어서,
상기 적어도 하나 이상의 솔루션을 추천하는 단계는, 상기 심리 테스트 결과에 기초하여 매칭률에 따라 솔루션별로 점수화하고, 가장 높은 점수를 얻은 솔루션이 추천되는 것을 특징으로 하는 솔루션 제공 방법. - 제1 항에 있어서,
상기 사용자의 심리 상태 정보는, 상기 심리 테스트에 따라 우울, 불안, 트라우마, 부정적 사고, 자존감 상실, 및 대인관계문제 항목 중 적어도 하나를 포함하는 항목별로 획득되는 것을 특징으로 하는 솔루션 제공 방법. - 제1 항에 있어서,
상기 적어도 하나 이상의 솔루션은 진행 방법, 형식, 프로세스, 진행 기간, 빈도 중 적어도 하나에 따라 분류되어 관리되는 것을 특징으로 하는 솔루션 제공 방법. - 제1 항에 있어서,
상기 사용자의 심리 상태 정보는, 상기 심리 테스트에 따른 질문에 대한 답변을 분석하여 생성된 도식화된 심리 분석 모형으로 출력되는 것을 특징으로 하는 솔루션 제공 방법.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220094621A KR102476612B1 (ko) | 2022-07-29 | 2022-07-29 | 인공지능에 기반한 심리 맞춤 솔루션 제공 방법 및 시스템 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220094621A KR102476612B1 (ko) | 2022-07-29 | 2022-07-29 | 인공지능에 기반한 심리 맞춤 솔루션 제공 방법 및 시스템 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102476612B1 true KR102476612B1 (ko) | 2022-12-13 |
Family
ID=84439160
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020220094621A KR102476612B1 (ko) | 2022-07-29 | 2022-07-29 | 인공지능에 기반한 심리 맞춤 솔루션 제공 방법 및 시스템 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102476612B1 (ko) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102525277B1 (ko) * | 2023-01-16 | 2023-04-24 | 김병준 | 스포츠선수 멘탈치유장치 및 그 장치의 구동방법 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20120013568A (ko) * | 2010-08-05 | 2012-02-15 | 주식회사 네오위즈인터넷 | 심리치유를 위하여 심리검사 서비스를 제공하는 방법 및 그 서버 |
| KR20160132645A (ko) * | 2015-05-11 | 2016-11-21 | 정영진 | 심리치료 서비스 시스템 및 그 서비스 방법 |
| KR102254481B1 (ko) * | 2021-02-04 | 2021-05-21 | (주) 마인즈에이아이 | 머신러닝에 기반하여 심리지표 데이터 및 신체지표 데이터를 학습함으로써 정신건강을 예측하고 정신건강 솔루션을 제공하는 방법 및 이를 이용한 정신건강 평가 장치 |
-
2022
- 2022-07-29 KR KR1020220094621A patent/KR102476612B1/ko active IP Right Grant
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20120013568A (ko) * | 2010-08-05 | 2012-02-15 | 주식회사 네오위즈인터넷 | 심리치유를 위하여 심리검사 서비스를 제공하는 방법 및 그 서버 |
| KR101258978B1 (ko) | 2010-08-05 | 2013-05-02 | 마인드프리즘 주식회사 | 심리치유를 위하여 심리검사 서비스를 제공하는 방법 및 그 서버 |
| KR20160132645A (ko) * | 2015-05-11 | 2016-11-21 | 정영진 | 심리치료 서비스 시스템 및 그 서비스 방법 |
| KR102254481B1 (ko) * | 2021-02-04 | 2021-05-21 | (주) 마인즈에이아이 | 머신러닝에 기반하여 심리지표 데이터 및 신체지표 데이터를 학습함으로써 정신건강을 예측하고 정신건강 솔루션을 제공하는 방법 및 이를 이용한 정신건강 평가 장치 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102525277B1 (ko) * | 2023-01-16 | 2023-04-24 | 김병준 | 스포츠선수 멘탈치유장치 및 그 장치의 구동방법 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Cowpertwait et al. | Effectiveness of web-based psychological interventions for depression: a meta-analysis | |
| Benia et al. | The NICHD investigative interview protocol: A meta-analytic review | |
| McKenny et al. | Using computer-aided text analysis to elevate constructs: An illustration using psychological capital | |
| Wolfe et al. | Interrater agreement on the visual analysis of individual tiers and functional relations in multiple baseline designs | |
| WO2020123723A1 (en) | System and method for providing health information | |
| US20090062623A1 (en) | Identifying possible medical conditions of a patient | |
| CN111125525B (zh) | 一种面向服刑人员的个性化改造矫正策略推荐系统及其运行方法 | |
| CN101443780A (zh) | 用于开发和使用用于预测多种医学结果、评价介入策略以及同时验证生物标志物诱因的预测模型的方法、系统和计算机程序产品 | |
| US11574714B2 (en) | Remote health assertion verification and mortality prediction system | |
| US9171255B2 (en) | Method, software, and system for making a decision | |
| US20210004377A1 (en) | Methods and systems for automated analysis of behavior modification data | |
| Phillips et al. | Interdependent effects of autonomous and controlled regulation on exercise behavior | |
| JP2010170534A (ja) | 健康サポートシステム及び健康サポート方法 | |
| US12020818B1 (en) | Cross care matrix based care giving intelligence | |
| Moura et al. | Mental health ubiquitous monitoring supported by social situation awareness: A systematic review | |
| US20220351846A1 (en) | System and method for determining retention of caregivers | |
| KR102476612B1 (ko) | 인공지능에 기반한 심리 맞춤 솔루션 제공 방법 및 시스템 | |
| Burns | Validity of person matching in vocational interest inventories | |
| Huang et al. | Agent-based modeling for implementation research: an application to tobacco smoking cessation for persons with serious mental illness | |
| US20190180851A1 (en) | System and method for predicting non-adherence risk based on socio-economic determinates of health | |
| Nasir et al. | Disparities in patient record completeness with respect to the health care utilization project | |
| US20210110924A1 (en) | System and method for monitoring system compliance with measures to improve system health | |
| Filippova et al. | Humans in the loop: Incorporating expert and crowd-sourced knowledge for predictions using survey data | |
| JP2011128922A (ja) | 美容サポートシステム及び美容サポート方法 | |
| Goel et al. | A Machine Learning based Medical Chatbot for detecting diseases |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |