KR102498540B1 - 컨텐츠 구조 이용 학습 시스템 - Google Patents

Abstract

본 발명은 사용자의 학습 요구에 따른 학습 컨텐츠를 과목 소스층, 학습 소스층 및 시공 소스층으로 생성하고, 이렇게 생성된 컨텐츠 구조에 따라 사용자에게 학습 컨텐츠를 제공할 수 있도록 하는, 컨텐츠 구조 이용 학습 시스템에 대하여 개시한다.
본 발명의 실시예에 따른 컨텐츠 구조 이용 학습 시스템은, 적어도 하나 이상의 학습 컨텐츠를 저장하고 있는 컨텐츠 데이터베이스; 학습 메뉴를 화면 상으로 제공하고, 메뉴 선택에 관한 입력, 사용자의 학습 요구에 관한 음성 또는 문자를 입력받는 입력부; 상기 컨텐츠 데이터베이스로부터 상기 학습 요구에 해당하는 학습 컨텐츠를 불러와, 상기 학습 요구에 대응하는 학습 시나리오에 따라 분류하여, 과목 소스층, 학습 소스층, 시공 소스층으로 각각 생성하고, 각각 생성된 과목 소스층, 학습 소스층, 시공 소스층에 근거하여 학습 컨텐츠를 제공하는 컨텐츠 구조부; 및 상기 학습 컨텐츠를 화면 또는 음향으로 출력하는 출력부를 포함할 수 있다.

Description

컨텐츠 구조 이용 학습 시스템{Learning system using contents structure}

본 발명은 컨텐츠 구조 이용 학습 시스템에 관한 것으로, 보다 상세하게는 사용자의 학습 요구에 따른 학습 컨텐츠를 과목 소스층, 학습 소스층 및 시공 소스층으로 생성하고, 이렇게 생성된 컨텐츠 구조에 따라 사용자에게 학습 컨텐츠를 제공할 수 있도록 하는, 컨텐츠 구조 이용 학습 시스템에 관한 것이다.

종래에 학습 컨텐츠를 학습자에게 제공할 때, 관리교사가 다양한 컨텐츠를 인지하고 학습자에 맞는 추천과 학습이력을 고려한 컨텐츠 추천이 현실적으로 어려운 상황이다.

학습자들도 여러 단계를 거쳐서 직접 컨텐츠를 선택하여 학습함으로써 번거로운 과정을 거쳐야 함에 따라 시간이 걸리고, 어떤 것을 골라야 할 지 망설이다가 선택하는 불편함이 있었다.

따라서 개인 학습자의 학습진도와 흥미를 고려하여 개인 맞춤형 또는 선호도에 따라 학습 컨텐츠를 추천하거나, 사회적 이슈에 따라 학습 컨텐츠를 추천할 수 있는 학습 컨텐츠 모델의 개발이 요구되고 있다.

관련 선행 특허 문헌으로는 대한민국 공개특허공보 제10-2016-047232호(2016.05.02. 공개)가 있으며, 상기 문헌에는 학습 컨텐츠 제공 방법 및 학습 컨텐츠 제공 서버가 기재되어 있다.

본 발명의 목적은, 사용자의 학습 요구에 따른 학습 컨텐츠를 과목 소스층, 학습 소스층 및 시공 소스층으로 생성하고, 이렇게 생성된 컨텐츠 구조에 따라 사용자에게 학습 컨텐츠를 제공할 수 있도록 하는, 컨텐츠 구조 이용 학습 시스템을 제공하는 것이다.

전술한 목적을 달성하기 위한 본 발명의 실시예에 따른 컨텐츠 구조 이용 학습 시스템은, 적어도 하나 이상의 학습 컨텐츠를 저장하고 있는 컨텐츠 데이터베이스; 학습 메뉴를 화면 상으로 제공하고, 메뉴 선택에 관한 입력, 사용자의 학습 요구에 관한 음성 또는 문자를 입력받는 입력부; 상기 컨텐츠 데이터베이스로부터 상기 학습 요구에 해당하는 학습 컨텐츠를 불러와, 상기 학습 요구에 대응하는 학습 시나리오에 따라 분류하여, 과목 소스층, 학습 소스층, 시공 소스층으로 각각 생성하고, 각각 생성된 과목 소스층, 학습 소스층, 시공 소스층에 근거하여 학습 컨텐츠를 제공하는 컨텐츠 구조부; 및 상기 학습 컨텐츠를 화면 또는 음향으로 출력하는 출력부를 포함할 수 있다.

상기 과목 소스층은 국어, 영어, 수학, 과학을 포함하는 교과 과목 관련 데이터를 포함하고, 학습 소스층은 키워드 추천, 단순 응답, 진도 확인, 연관 학습, 단순 게임, 감성 코칭을 포함하는 학습 관련 데이터를 포함하고, 시공 소스층은 각 컨텐츠에 대한 시간, 기간, 공간, 장소, 색상을 포함하는 시간 및 공간 관련 데이터를 포함할 수 있다.

상기 컨텐츠 구조부는, 상기 입력부를 통해 입력받은 음성 또는 문자를 음성 인식 및 언어 모델의 문자로 변환하는 변환부; 상기 변환된 문자를 임베딩(Embedding) 처리하는 임베딩 처리부; 및 상기 임베딩 처리된 결과에 따라 키워드 추천, 단순 응답, 진도 확인, 연관 학습, 단순 게임, 감성 코칭 중 하나로 학습 컨텐츠를 제공하는 컨텐츠 제공부를 포함할 수 있다.

상기 컨텐츠 제공부는, 상기 학습 메뉴에 대하여 오늘의 학습, 전체 메뉴, 숙제질문을 제공하고, 사용자가 과목을 선택하고, 선택된 과목의 학습을 실행하며, 숙제질문에 대하여 Q&A 데이터 및 학습백과사전에 대한 데이터를 활용하여 학습 답변에 대한 학습 컨텐츠를 제공하거나, 상기 학습 메뉴에 대하여 학습창을 제공하고, 학습창 과목 코드를 기준으로 과목을 자동으로 선택하고, 숙제질문에 대하여 Q&A 데이터 및 학습백과사전에 대한 데이터를 활용하여 학습 답변에 대한 학습 컨텐츠를 제공할 수 있다.

상기 컨텐츠 제공부는, 숙제해결에 대한 데이터를 자동으로 필터링하고, 키워드를 구분하여 그룹핑(Grouping)하고, 백과사전 데이터와 연결하여 필요한 질문을 구분하고, 답변 내의 오타를 수정하고, 유사 질문을 추가하고, 답변 일반화 작업을 통해 정제된 답변에 대한 학습 컨텐츠를 제공하거나, 사용자에게 질문하고 싶은 과목을 선택하도록 하고, 선택된 과목 내에서 질문을 수신하며, 질문과 관련된 내용을 학습백과사전에서 검색하여 답변을 생성하고, 생성된 답변을 정제하여 음성 또는 문자로 제공하며, 상기 컨텐츠 데이터베이스에 없는 내용과 관련된 질문에 대하여 공부해서 다음에 알려주겠다는 답변을 제공하는 학습 컨텐츠를 제공할 수 있다.

본 발명에 의하면, 과목 소스층, 학습 소스층 및 시공 소스층을 포함하는 새로운 구조의 학습 컨텐츠를 이용하여, 쉽고 빠르게 또한 사용자의 요구에 맞는 학습 컨텐츠를 제공할 수 있다.

또한, 본 발명에 의하면, 창의력과 사고력을 기르기 위한 다양한 분야별 컨텐츠 자료를 개인의 학습 진도에 맞게 추천하거나, 개인과 또래의 흥미를 고려한 맞춤형 추천, 그리고 오늘의 키워드와 매칭되는 이슈 키워드 관련 학습 컨텐츠를 제공할 수 있다.

따라서, 본 발명에 의하면, 개인 학습자의 학습 진도와 흥미를 고려하여 개인 맞춤형 컨텐츠를 제공하고, 또래 흥미와 사회 이슈에 대한 학습 컨텐츠를 추천할 수 있는 효과가 있다.

또한, 본 발명에 의하면, 학습생이 학습을 진행하는데 질문 수가 제한이 없으며, 학년 구분 없이 사용 가능하다.

또한, 본 발명에 의하면, 국어, 영어, 수학, 사회, 과학, 기타 등 과목으로 선택할 수 있으며, 부족한 부분에 대해 기존 숙제 해결 서비스를 이용할 수 있는 기능을 제공할 수 있다.

또한, 본 발명에 의하면, 학습 제목에 제한이 없으며, 텍스트 및 음성으로 학습이 가능하다.

또한, 본 발명에 의하면, 학습 내용에 제한이 없으며, 주말, 공휴일, 시간 제한 없이 답변을 받을 수 있다.

또한, 본 발명에 의하면, 학습과 관련 없는 질문, 심한 욕설, 도배성 글 등을 필터링 하며, 차단 기능 없이 바로 피드백을 줄 수 있다.

또한, 본 발명에 의하면, 밀크T 서비스에 대한 친근함과 호감도를 제고할 수 있으며, 기존의 숙제해결에 대해 답해 주는 선생님들의 인건비를 절감할 수 있다.

또한, 본 발명에 의하면, 기존의 숙제해결 페이지에서 학생이 질문을 작성하면, 선생님(사람)이 직접 답하는 방식이고, 한 학생당 질문은 3개만 가능하지만, 학생이 학습에 대한 질문을 하면 실시간으로 응답해 주는 시스템을 구축할 수 있다.

또한, 본 발명에 의하면, 밀크T 서비스의 경쟁력을 확보할 수 있으며, 학년에 따라 키보드 숙련도가 다르므로 음성 입력과 키보드 입력이 가능한 학습 시스템을 제공할 수 있다.

또한, 본 발명에 의하면, 기존의 숙제해결에서는 답변 완료에 대한 안내 알림이 없어 학생들이 질문했던 내용을 잊을 수 있었으나, 질문 내용과 답변 내용을 안내하고 다시 제공해 줄 수 있어서 학습 향상을 기대할 수 있다.

또한, 본 발명에 의하면, 학습 관련 질문 응답 외에, 학생이 질문한 질문과 유사도가 비슷한 항목들을 추천해 줌으로써, 학습에 흥미를 느끼게 할 수 있다.

또한, 본 발명에 의하면, 학습의 진도를 확인하여, 진도에 대한 긴장감을 유지해, 뒤쳐지지 않게 학습할 수 있게 유도할 수 있다.

도 1은 본 발명의 실시예에 따른 컨텐츠 구조 이용 학습 시스템의 구성을 개략적으로 나타낸 구성도이다.
도 2는 본 발명의 실시예에 따른 컨텐츠 구조부의 구성을 개략적으로 나타낸 구성도이다.
도 3은 본 발명의 실시예에 따른 딥러닝 기반 추천 모델에서 실행하는 학습필수 기반 추천 예를 나타낸 도면이다.
도 4는 본 발명의 실시예에 따른 AI 학습부에서 실행하는 선호 기반 추천 예를 나타낸 도면이다.
도 5는 본 발명의 실시예에 따른 AI 학습부에서 실행하는 이슈 키워드 기반 추천 예를 나타낸 도면이다.
도 6은 본 발명의 실시예에 따른 AI 학습부의 기능 블록을 나타낸 구성도이다.
도 7은 본 발명의 실시예에 따른 뉴로블록체인 콤비네이션을 이용하여, 조직 모듈에서 DNA 미션을 자가 조직하는 방법을 예를 들어 도시한 도면이다.
도 8은 본 발명의 실시예에 따른 뉴로블록체인 콤비네이션을 이용하여, 구성 모듈에서 DNA 모델을 자가 구성하는 방법을 예를 들어 도시한 도면이다.
도 9는 본 발명의 실시예에 따른 딥 러닝 기반의 자가 적응 학습 기술을 이용한 인공 지능부에서 DNA 툴을 더 포함하는 구성을 도시한 도면이다.
도 10은 본 발명의 실시예에 따른 AI 학습부의 커널간 차분 저장 동작을 설명하기 위한 도면이다.
도 11은 본 발명의 실시예에 따른 AI 학습부의 가중치 차분 계산을 위한 레이어를 식별하는 동작을 구체적으로 설명하기 위한 도면이다.
도 12는 본 발명의 실시예에 따른 AI 학습부에서 인접 레이어의 가중치들의 관계를 설명하기 위한 도면이다.
도 13a는 본 발명의 다른 실시예에 따른 컨텐츠 구조부의 내부 구성 예를 나타낸 도면이다.
도 13b는 본 발명의 실시예에 따른 컨텐츠 구조부의 변환 동작 과정을 나타낸 도면이다.
도 14는 본 발명의 일 실시예에 따른 컨텐츠 구조부의 제1 학습 유도 방법을 설명하기 위한 동작 흐름도를 나타낸 도면이다.
도 15는 본 발명의 일 실시예에 따른 컨텐츠 구조부의 제2 학습 유도 방법을 설명하기 위한 동작 흐름도를 나타낸 도면이다.
도 16은 본 발명의 일 실시예에 따른 컨텐츠 구조부의 제3 학습 유도 방법을 설명하기 위한 동작 흐름도를 나타낸 도면이다.
도 17은 본 발명의 일 실시예에 따른 컨텐츠 구조부의 제4 학습 유도 방법을 설명하기 위한 동작 흐름도를 나타낸 도면이다.
도 18은 본 발명의 실시예에 따른 컨텐츠 구조부의 동작 흐름도를 예시적으로 나타낸 도면이다.
도 19는 본 발명의 실시예에 따른 컨텐츠 구조부의 상세 동작 흐름도를 예시적으로 나타낸 도면이다.
도 20은 본 발명의 실시예에 따른 컨텐츠 구조부에서 제공하는 오늘의 학습 화면을 나타낸 도면이다.
도 21은 본 발명의 실시예에 따른 컨텐츠 구조부에서 제공하는 전체메뉴 화면을 나타낸 도면이다.
도 22는 본 발명의 실시예에 따른 컨텐츠 구조부에서 제공하는 질문게시판 화면을 나타낸 도면이다.
도 23은 본 발명의 실시예에 따른 컨텐츠 구조부에서 제공하는 학습창 화면을 나타낸 도면이다.
도 24는 본 발명의 실시예에 따른 컨텐츠 구조부에서 1~6학년 대상 오늘의 학습을 제공하는 예를 나타낸 도면이다.
도 25는 본 발명의 실시예에 따른 컨텐츠 구조부에서 키즈 대상 오늘의 학습을 제공하는 예를 나타낸 도면다.
도 26은 본 발명의 실시예에 따른 컨텐츠 구조부에서 전체메뉴를 제공하는 예를 나타낸 도면이다.
도 27은 본 발명의 실시예에 따른 컨텐츠 구조부에서 1~6학년 대상 학습창을 제공하는 예를 나타낸 도면이다.
도 28은 본 발명의 실시예에 따른 컨텐츠 구조부에서 숙제 해결을 제공하는 예를 나타낸 도면이다.

본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예를 참조하면 명확해질 것이다. 그러나, 본 발명은 이하에서 개시되는 실시예에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 것이며, 단지 본 실시예는 본 발명의 개시가 완전하도록 하며, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다. 따라서, 몇몇 실시예에서, 잘 알려진 공정 단계들, 잘 알려진 소자 구조 및 잘 알려진 기술들은 본 발명이 모호하게 해석되는 것을 피하기 위하여 구체적으로 설명되지 않는다. 명세서 전체에 걸쳐 동일 참조 부호는 동일 구성 요소를 지칭한다.

도면에서 여러 층 및 영역을 명확하게 표현하기 위하여 두께를 확대하여 나타내었다. 명세서 전체를 통하여 유사한 부분에 대해서는 동일한 도면 부호를 붙였다. 층, 막, 영역, 판 등의 부분이 다른 부분 "위에" 있다고 할 때, 이는 다른 부분 "바로 위에" 있는 경우뿐 아니라 그 중간에 또 다른 부분이 있는 경우도 포함한다. 반대로 어떤 부분이 다른 부분 "바로 위에" 있다고 할 때에는 중간에 다른 부분이 없는 것을 뜻한다. 또한, 층, 막, 영역, 판 등의 부분이 다른 부분 "아래에" 있다고 할 때, 이는 다른 부분 "바로 아래에" 있는 경우뿐 아니라 그 중간에 또 다른 부분이 있는 경우도 포함한다. 반대로 어떤 부분이 다른 부분 "바로 아래에" 있다고 할 때에는 중간에 다른 부분이 없는 것을 뜻한다.

공간적으로 상대적인 용어인 "아래(below)", "아래(beneath)", "하부(lower)", "위(above)", "상부(upper)" 등은 도면에 도시되어 있는 바와 같이 하나의 소자 또는 구성 요소들과 다른 소자 또는 구성 요소들과의 상관관계를 용이하게 기술하기 위해 사용될 수 있다. 공간적으로 상대적인 용어는 도면에 도시되어 있는 방향에 더하여 사용시 또는 동작시 소자의 서로 다른 방향을 포함하는 용어로 이해되어야 한다. 예를 들면, 도면에 도시되어 있는 소자를 뒤집을 경우, 다른 소자의 "아래(below)"또는 "아래(beneath)"로 기술된 소자는 다른 소자의 "위(above)"에 놓여질 수 있다. 따라서, 예시적인 용어인 "아래"는 아래와 위의 방향을 모두 포함할 수 있다. 소자는 다른 방향으로도 배향될 수 있고, 이에 따라 공간적으로 상대적인 용어들은 배향에 따라 해석될 수 있다.

본 명세서에서 어떤 부분이 다른 부분과 연결되어 있다고 할 때, 이는 직접적으로 연결되어있는 경우뿐 아니라, 그 중간에 다른 소자를 사이에 두고 전기적으로 연결되어 있는 경우도 포함한다. 또한, 어떤 부분이 어떤 구성 요소를 포함한다고 할 때, 이는 특별히 그에 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다.

본 명세서에서 제 1, 제 2, 제 3 등의 용어는 다양한 구성 요소들을 설명하는데 사용될 수 있지만, 이러한 구성 요소들은 상기 용어들에 의해 한정되는 것은 아니다. 상기 용어들은 하나의 구성 요소를 다른 구성 요소들로부터 구별하는 목적으로 사용된다. 예를 들어, 본 발명의 권리 범위로부터 벗어나지 않고, 제 1 구성 요소가 제 2 또는 제 3 구성 요소 등으로 명명될 수 있으며, 유사하게 제 2 또는 제 3 구성 요소도 교호적으로 명명될 수 있다.

다른 정의가 없다면, 본 명세서에서 사용되는 모든 용어(기술 및 과학적 용어를 포함)는 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 공통적으로 이해될 수 있는 의미로 사용될 수 있을 것이다. 또 일반적으로 사용되는 사전에 정의되어 있는 용어들은 명백하게 특별히 정의되어 있지 않은 한 이상적으로 또는 과도하게 해석되지 않는다.

이하 첨부된 도면을 참조하여 본 발명의 바람직한 실시예에 따른 컨텐츠 구조 이용 학습 시스템에 관하여 상세히 설명하면 다음과 같다.

도 1은 본 발명의 실시예에 따른 컨텐츠 구조 이용 학습 시스템의 구성을 개략적으로 나타낸 구성도이다.

도 1을 참조하면, 본 발명의 실시예에 따른 컨텐츠 구조 이용 학습 시스템(100)은, 컨텐츠 데이터베이스(110), 입력부(120), 컨텐츠 구조부(130), 출력부(140) 및 인공지능(AI) 학습부(150) 등을 포함할 수 있다.

컨텐츠 DB(110)는 적어도 하나 이상의 학습 컨텐츠를 저장하고 있다. 예를 들면, 컨텐츠 DB(110)에는 초등 과정의 정규 학습과 관련된 정규 컨텐츠, 특별학습 관련 학습이력 데이터가 저장되어 있을 뿐만 아니라 창의력과 사고력을 기르기 위한 적어도 하나 이상의 시청각 자료가 각각의 특별학습 컨텐츠로 저장되고, 초등 과정의 학습 진도에 맞춰진 정규 학습과 관련된 컨텐츠를 일자 별로 제공하는 사전 맞춤 로직(Logic)이 프로그램으로 저장되며, 딥러닝 기반 추천 모델이 프로그램으로 저장될 수 있다.

입력부(120)와 출력부(140)는 하나의 입출력부로 구성할 수 있으며, 예를 들면, 터치 스크린 형태로 구성할 수 있다.

입력부(120)는 학습 메뉴를 화면 상으로 제공하고, 메뉴 선택에 관한 입력, 사용자의 학습 요구에 관한 음성 또는 문자를 입력받는다.

컨텐츠 구조부(130)는 컨텐츠 DB(110)로부터 사용자의 학습 요구에 해당하는 학습 컨텐츠를 불러와, 학습 요구에 대응하는 학습 시나리오에 따라 과목 소스층, 학습 소스층, 시공 소스층으로 각각 생성하고, 각각 생성된 과목 소스층, 학습 소스층, 시공 소스층에 근거하여 학습 컨텐츠를 제공한다. 즉, 컨텐츠 구조부(130)는 사용자의 요구에 해당하는 컨텐츠를 새로운 구조로 재생성하고, 재생성된 컨텐츠 구조에 따라 학습 컨텐츠를 제공하는 의미에서 제어부의 기능을 수행할 수 있다. 따라서, 컨텐츠 구조부(130)는 제어부, 마이컴, MCU 등으로 칭할 수 있다.

여기서, 과목 소스층, 학습 소스층 및 시공 소스층은 서로 독립된 개체이지만 사용자 정보를 공유하여, 서로 유기적으로 연결될 수 있다.

출력부(140)는 학습 컨텐츠를 화면 또는 음향으로 출력한다.

AI 학습부(150)는 컨텐츠 DB(110)에 저장된 학습 컨텐츠들을 딥러닝 학습하여 컨텐츠 제공 모델을 생성한다. 즉, AI 학습부(150)는 입력부(120)를 통해 입력된 사용자 요구에 근거하여 학습 컨텐츠들을 학습 시나리오에 따른 항목으로 분류하고, 분류된 각 항목의 데이터를 딥러닝 학습하여 컨텐츠 제공 모델을 생성한다.

따라서, 컨텐츠 구조부(130)는 사용자 요구에 해당하는 학습 컨텐츠들을 컨텐츠 제공 모델에 입력하여, 학습 시나리오에 따라 과목 소스층, 학습 소스층, 시공 소스층으로 각각 생성하고, 각각 생성된 과목 소스층, 학습 소스층, 시공 소스층에 근거하여 학습 컨텐츠를 제공하는 것이다.

한편, 입력부(120)는 사용자로부터 학습 요청에 대한 영상(이미지), 음향, 데이터 등을 입력받는다. 예를 들면, 입력부(120)는 데이터로서 학습 컨텐츠에 대한 요청을 입력받을 수 있다.

AI 학습부(150)는 컨텐츠 DB(110)에 저장되어 있는 특별학습 관련 학습이력 데이터를 딥러닝 모델(Deep Nueral Networks)에 입력하고 딥 러닝(Deep Learning) 학습시켜 딥러닝 기반 추천 모델을 생성한다.

AI 학습부(150)는 학습자의 개인별 학습 진도에 맞춰진 정규 학습과 관련된 컨텐츠를 사전 맞춤 로직에 따라 추천한다. 즉, AI 학습부(150)는 하나 이상의 특별학습 컨텐츠 중 학습자로부터 입력받은 개인 맞춤 학습 시간표에 매칭되는 특별학습 컨텐츠를 일별로 추천한다.

AI 학습부(150)는 딥러닝 기반 추천 모델을 통해 컨텐츠 선호에 대한 학습자 개인 랭킹, 또래 학년 랭킹을 각각 산출하여 가장 높은 순위를 추천한다. 즉, AI 학습부(150)는 학습된 딥러닝 기반 추천 모델에 현재로부터 이전 일주일 이내의 최근 학습이력 데이터를 입력하여 개인과 또래 학년 학습자들의 선호 확률을 예측하고, 예측된 선호 확률을 내림차순으로 정리하여 랭킹을 설정하며, 설정된 랭킹에서 현재로부터 3개월 이내로 학습한 컨텐츠를 추천한다.

AI 학습부(150)는 실시간 뉴스 키워드를 수집하여 형태소를 분석하고, 분석된 형태소와 사전에 정의된 태그가 매칭된 컨텐츠를 추천한다. 즉, AI 학습부(150)는 포탈 사이트에 접속하여, 상기 포탈 사이트에 올라오는 뉴스들을 분석한 '오늘의 키워드'들을 웹 스크래핑에 의해 카테고리별로 수집하고, 수집된 ‘오늘의 키워드'의 관련된 '연관 검색어'들을 추가로 수집하며, 수집된 오늘의 키워드'들과 '연관 검색어'들에 대하여 형태소 분석을 수행하고, 형태소 분석된 결과와 사전 정의된 상기 특별학습 컨텐츠의 태그를 매칭하며, 분석된 형태소의 갯수가 가장 많이 포함된 상위 1개의 컨텐츠를 추천한다.

출력부(140)는 AI 학습부(150)에서 산출된 선호 확률 예측값을 출력하거나, 학습자의 개인별 학습 진도에 맞춰진 정규 학습과 관련된 추천 컨텐츠, 딥러닝 기반 추천 모델을 통해 추천된 학습 컨텐츠 및 실시간 뉴스 키워드와 매칭된 추천 컨텐츠를 출력할 수 있다.

도 2는 본 발명의 실시예에 따른 컨텐츠 구조부의 구성을 개략적으로 나타낸 구성도이다.

도 2를 참조하면, 본 발명의 실시예에 따른 컨텐츠 구조부(130)는, 과목 소스층(132), 학습 소스층(134), 시공 소스층(136)을 포함한다.

과목 소스층(132)은 국어, 영어, 수학, 과학을 포함하는 교과 과목 관련 데이터를 포함한다.

학습 소스층(134)은 키워드 추천, 단순 응답, 진도 확인, 연관 학습, 단순 게임, 감성 코칭을 포함하는 학습 관련 데이터를 포함한다.

시공 소스층(136)은 각 컨텐츠에 대한 시간, 기간, 공간, 장소, 색상(색감) 등을 포함하는 시간 및 공간 관련 데이터를 포함한다.

과목 소스층(132)은 기저층에 위치하고, 과목 소스층(132) 위에 학습 소스층(134)이 위치하고, 학습 소스층(134) 위에 시공 소스층(136)이 위치할 수 있다.

또한, 과목 소스층(132)은 기저층에 위치하고, 과목 소스층(132) 위에 시공 소스층(136)이 위치하고, 시공 소스층(136) 위에 학습 소스층(134)이 위치할 수 있다.

과목 소스층(132), 학습 소스층(134) 및 시공 소스층(136)은 서로 독립된 개체이고, 학습 시나리오에 근거하여 사용자 정보를 공유할 수 있다. 예를 들면, 과목 소스층(132), 학습 소스층(134) 및 시공 소스층(136)은 각각 관통 홀(Through Hole)(138)을 통하여 성명, 나이, 성별, 연락처, 주소, 지역 등의 사용자 정보를 공유할 수 있다.

여기서, 관통 홀(138)은 과목 소스층(132), 학습 소스층(134) 및 시공 소스층(136)을 관통하여 각 층의 데이터를 서로 주고 받을 수 있는 공유 통로이다.

그리고, 관통 홀(138)을 통하여 서로 공유되는 사용자 정보에 대한 데이터는 각각 오브젝트로 존재할 수 있으며, 각 오브젝트는 육면체 또는 구 형상을 가질 수 있다.

과목 소스층(132), 학습 소스층(134) 및 시공 소스층(136)은, 서로 공유되는 오브젝트를 통하여 서로 연결되거나, 별도의 블록체인(Block Chain)을 통하여 서로 연결될 수 있다. 이때, 블록체인은 과목 소스층(132), 학습 소스층(134) 및 시공 소스층(136)에 관련된 연관어로 이루어진 오브젝트일 수 있다.

과목 소스층(132)에서, 국어 컨텐츠, 영어 컨텐츠, 수학 컨텐츠, 과학 컨텐츠는 각각 서로 독립된 오브젝트이고, 컨텐츠 구조부(130)의 제어에 따라 매칭 체인(Matching Chain)을 통해 서로 연결 매칭될 수 있다.

학습 소스층(134)에서 키워드 추천, 단순 응답, 진도 확인, 연관 학습, 단순 게임, 감성 코칭에 대한 각 컨텐츠는 컨텐츠 구조부(130)의 제어에 따라 연결 체인(Connecting Chain)을 통해 서로 연결되거나 분리될 수 있다.

시공 소스층(136)에서, 성명, 나이, 성별, 연락처, 주소, 지역 등의 컨텐츠는 각각 서로 독립된 오브젝트이고, 컨텐츠 구조부(130)의 제어에 따라 매칭 체인(Matching Chain)을 통해 서로 연결 매칭될 수 있다.

과목 소스층(132), 학습 소스층(134) 및 시공 소스층(136)은, 각각 서로 독립된 오브젝트이고, 컨텐츠 구조부(130)의 제어에 따라 각각의 관통 홀(138)이 동일한 위치에 일치되도록 매칭 체인(Matching Chain)을 통해 서로 연결 매칭될 수 있다.

전술한 구성의 컨텐츠 구조부(130)는, 예를 들면, 사용자 정보가 관통 홀(138)을 통하여 이동 중에 학습 소스층(134)에 위치하면, 학습 소스층(134)에 있는 키워드 추천, 단순 응답, 진도 확인, 연관 학습, 단순 게임, 감성 코칭에 대한 각 컨텐츠 중 사용자 정보에 대응되어 있는 컨텐츠를 사용자 정보와 매칭시켜 출력부(140)로 출력하는 것이다.

또한, 컨텐츠 구조부(130)는, 사용자 정보가 관통 홀(138)을 통하여 이동 중에 과목 소스층(132)에 위치하면, 과목 소스층(132)에 있는 국어 컨텐츠, 영어 컨텐츠, 수학 컨텐츠, 과학 컨텐츠 중 사용자 정보에 대응되어 있는 컨텐츠를 사용자 정보와 매칭시켜 출력부(140)로 출력하게 된다.

한편, 본 발명의 실시예에 따른 AI 학습부(150)는, 특별학습 관련 학습이력 데이터를 딥러닝 모델(Deep Nueral Networks)에 입력받아 딥러닝 학습하여 딥러닝 기반 추천 모델을 생성할 수 있다.

여기서, 딥러닝 기반 추천 모델은 심층 신경망 모델일 수 있다. 심층 신경망 모듈은 획득되는 입력 데이터에 대한 학습을 위한 복수 개의 레이어들을 포함할 수 있다. 예를 들어, 심층 신경망 모듈은 입력 데이터를 획득하기 위한 적어도 하나의 입력층, 획득된 입력 데이터를 컨볼루션하기 위한 복수 개의 컨볼루션 레이어들, 및 입력 데이터 및 복수 개의 컨볼루션 레이어들에 기반하여 획득되는 출력 데이터를 획득하기 위한 출력층을 포함할 수 있다. 즉, 복수 개의 레이어들은 상술한 복수 개의 컨볼루션 레이어들일 수 있다. 또한, 복수 개의 레이어들은, 심층 신경망 모델의 순차적인 학습을 위한 컨볼루션 레이어를 포함할 수 있다.

심층 신경망 모듈은 입력층과 출력층 사이에 위치하는 복수의 은닉층들을 더 포함하며, 은닉층들 사이는 연결 가중치들을 통해 연결되고, 연결 가중치들은 출력 데이터와 입력 데이터에 대응하는 예측 데이터의 차이에 기초하여 갱신되는 은닉층 그룹을 포함하되, 은닉층들 각각은 활성화 함수를 포함하는 은닉 노드를 포함할 수도 있다.

이어, 딥러닝 기반 추천 모델은 학습자의 개인별 학습 진도에 맞춰진 정규 학습과 관련된 컨텐츠를 사전 맞춤 로직에 따라 추천할 수 있다.

딥러닝 기반 추천 모델은 개인의 학습 진도에 맞게 추천하는데, 1, 2학년은 최대 1개, 3학년이상은 최대 2개를 일별로 추천할 수 있다. 딥러닝 기반 추천 모델은 사전 정의된 추천 개수에 따른 추천을 원칙으로 할 수 있다. 예를 들면, 사전 정의된 추천 개수는 2학년 이하는 1개, 3학년 이상은 2개로 설정할 수 있다.

딥러닝 기반 추천 모델은 학년, 학기, 과목 별로 단원 또는 차시별 학습에 대하여 특별학습 컨텐츠와의 연계를 사전에 정의하고, 도 4에 도시된 바와 같이 적어도 하나 이상의 특별학습 컨텐츠 중 학습자로부터 입력받은 개인 맞춤 학습 시간표에 매칭되는 특별학습 컨텐츠를 일별로 추천할 수 있다.

도 3은 본 발명의 실시예에 따른 딥러닝 기반 추천 모델에서 실행하는 학습필수 기반 추천 예를 나타낸 도면이다.

도 3에서 딥러닝 기반 추천 모델은 추천된 특별학습 컨텐츠가 하루에 정해진 개수 이상을 초과하는 경우에, 초과된 특별학습 컨텐츠를 추천되는 컨텐츠가 없는 날에 추천할 수 있다. 즉, 딥러닝 기반 추천 모델은 학습자 시간표의 과목별 단원 또는 차시에 매칭이 되는 특별학습 컨텐츠가 1개 또는 2개 이상을 초과하는 경우에 별도로 보관하여 추천되는 컨텐츠가 없는 날에 추천을 할 수 있다.

딥러닝 기반 추천 모델은 추천된 특별학습 컨텐츠를 당일에 학습하지 않는 경우에도 열공 주머니에 일주일 동안 보관할 수 있다. 즉, 당일에 추천된 컨텐츠를 학습하지 않은 경우 AI 열공주머니에 1주일 동안 보관하여 두었다가 나중에 학습할 수 있도록 한다.

한편, 딥러닝 기반 추천 모델은 컨텐츠 선호에 대한 학습자 개인 랭킹, 또래 학년 랭킹을 각각 산출하여 가장 높은 순위를 추천할 수 있다.

딥러닝 기반 추천 모델은 개인과 또래의 흥미를 고려한 맞춤형 추천을 실행하되, 개인과 또래 선호 랭킹에 따라 각각 1개씩 하루 최대 2개를 추천할 수 있다.

도 4는 본 발명의 실시예에 따른 AI 학습부에서 실행하는 선호 기반 추천 예를 나타낸 도면이다.

도 4를 참조하면, 본 발명에 따른 AI 학습부(150)는 과거 특별학습 관련 학습이력 데이터를 이용하여 딥러닝 모델(Deep Nueral Networks)을 딥러닝 학습시켜서 딥러닝 기반 추천 모델을 생성한다.

AI 학습부(150)는 학습된 딥러닝 기반 추천 모델에 현재로부터 이전 일주일 이내의 최근 학습이력 데이터를 입력하여 개인과 또래 학년 학습자들의 선호 확률을 예측한다.

AI 학습부(150)는 예측된 선호 확률을 내림차순으로 정리하여 랭킹을 설정하며, 설정된 랭킹에서 현재로부터 3개월 이내로 학습한 컨텐츠를 추천하고, 컨텐츠가 시리즈인 경우에 시리즈의 순서대로 정렬하여 추천할 수 있다.

여기서, 이용 데이터는 컨텐츠 메타데이터, 컨텐츠 학습 이력, 컨텐츠 완강율(컨텐츠 플레이 시간 대비 실제 플레이 시간 비율), 별점(5점 만점), 학년 정보, 성별 등이다.

한편, AI 학습부(150)는 실시간 뉴스 키워드를 수집하여 형태소를 분석하고, 분석된 형태소와 사전에 정의된 태그가 매칭된 컨텐츠를 추천할 수 있다.

즉, AI 학습부(150)는 실시간 뉴스에서의 '오늘의 키워드'와 매칭되는 학습 컨텐츠를 일별로 1개씩 추천할 수 있다.

AI 학습부(150)는, 포탈 사이트에 접속하여, 포탈 사이트에 올라오는 뉴스들을 분석한 '오늘의 키워드'들을 웹 스크래핑에 의해 카테고리별로 수집한다.

이슈 추천부(240)는 도 5에 도시된 바와 같이, 포털 사이트(빅카인즈, https://www.bigkinds.or.kr/)에 올라오는 뉴스들을 분석한 '오늘의 키워드'를 웹 스크래핑하여 카테고리별 오늘의 키워드를 수집한다(S610). 도 5는 본 발명의 실시예에 따른 AI 학습부에서 실행하는 이슈 키워드 기반 추천 예를 나타낸 도면이다.

이때, AI 학습부(150)는 빅카인즈의 '오늘의 키워드'뿐만 아니라 구글 트랜드 일별 검색어 및 네이트 뉴스의 '오늘의 키워드' 등도 수집할 수 있다.

즉, AI 학습부(150)는 구글 트렌드의 실시간 검색어(일 1회)와, 네이트(Nate) 뉴스의 키워드(일 매 시간)를 크롤링 방식으로 수집한다.

이어, AI 학습부(150)는 수집된 ‘오늘의 키워드'와 관련된 '연관 검색어'들을 추출하여 추가로 수집한다. 이때, AI 학습부(150)는 예를 들어, 네이버 포탈 사이트를 이용하여 연관 검색어를 추출하여 수집할 수 있다.

즉, AI 학습부(150)는 전술한 바와 같이 수집된 데이터들을 입력(input)으로 네이버에서 '연관 검색어'를 추출한다.

이어, AI 학습부(150)는 수집된 오늘의 키워드'들과 '연관 검색어'들에 대하여 형태소 분석을 수행한다.

이어, AI 학습부(150)는 형태소 분석된 결과와 사전 정의된 특별학습 컨텐츠의 태그를 매칭한다.

즉, AI 학습부(150)는 형태소 분석 결과들을 사전에 정의된 특별학습 컨텐츠의 태그들과 매칭을 수행하고, 매칭된 형태소의 수가 높은 순으로 컨텐츠들을 정렬한다.

이때, AI 학습부(150)는 분석된 형태소와 매칭된 컨텐츠 키워드(태그)를 컨텐츠 DB(110)에 저장할 수 있다.

이어, AI 학습부(150)는 분석된 형태소의 갯수가 가장 많이 포함된 상위 1개의 컨텐츠를 추천한다.

AI 학습부(150)는 동일한 이슈가 계속 추천되는 것을 방지하기 위해 최근 1 개월 추천 이력은 제외한다.

도 6은 본 발명의 실시예에 따른 AI 학습부의 기능 블록을 나타낸 구성도이다.

도 6을 참조하면, 본 발명의 실시예에 따른 AI 학습부(150)는, 요소 도출기(60), 학습 엔진(70) 및 조치기(80)를 포함할 수 있다.

즉, 본 발명에서는, 구조화된 데이터 및 비구조화된 데이터를 요소 도출기(60)에서 처리하여 요소를 도출하고, 학습 엔진(70)에서 요소를 이용해 자가 적응 학습을 할 수 있으며, 학습 결과를 이용하는 조치기(80)를 포함하여, 상황 이해 및 스케줄링, 의사결정 및 예측, 추천 및 상황 조치 등을 할 수 있는 시스템을 모듈식으로 제공할 수 있고, 다양한 상황에 맞는 시스템을 맞춤식으로 제공할 수 있다.

요소 도출기(60)는 입력 데이터를 처리하여 요소(Elements)를 도출할 수 있다. 즉, 요소 도출기(60)는 구조화된 데이터 및 비구조화된 데이터를 포함하는 입력 데이터로부터 학습 엔진(70)의 입력 정보인 요소를 도출할 수 있다. 요소 도출기(60)는, 텍스트 변환 모듈(61), 정보 추출 모듈(62) 및 요소 도출 모듈(63)을 포함하여 구성될 수 있다.

텍스트 변환 모듈(61)은, 입력 데이터 중 텍스트를 제외한 비구조화된 데이터를 텍스트 데이터로 변환할 수 있다(Text Conversion). 특히, 텍스트 변환 모듈(61)은, 텍스트를 제외한 이미지, 영상, 음성을 포함하는 비구조화된 데이터를 텍스트 데이터로 변환할 수 있다.

정보 추출 모듈(62)은, 텍스트 변환 모듈(61)에서 변환된 텍스트 데이터로부터 정보를 추출할 수 있다(Information Extraction). 또한, 정보 추출 모듈(62)은, 텍스트 변환 모듈(61)에서의 변환 대상이 아닌, 텍스트 형태의 입력 데이터로부터도 필요한 정보를 추출할 수 있다.

요소 도출 모듈(63)은, 추출된 정보로부터 학습 엔진(70)에 입력될 요소를 도출할 수 있다(Element Identification & Elicitation).

학습 엔진(70)은, 요소 도출기(10)에서 도출된 요소를 이용하여 DNA 미션(DNA Mission)을 자가 조직하고, 자가 조직된 DNA 미션을 이용하여 딥 러닝 기반의 인공 신경망 DNA 모델(DNA Model)을 자가 구성하며, 자가 구성된 DNA 모델을 학습시킬 수 있다. 본 발명은, 자가 적응 기술과 딥 러닝 기반의 학습 기술을 결합하여, DNA 미션을 자가 조직하고 DNA 모델을 자가 구성하는 학습 엔진(70)을 포함함으로써, 상황을 이해해서 스스로 미션을 파악하고 모델을 만들어 상황을 해결하는 인간 두뇌 메커니즘을 효과적으로 구현할 수 있다. 도 8에 도시된 바와 같이, 학습 엔진(70)은, 조직 모듈(71), 구성 모듈(72) 및 학습 모듈(73)을 포함하여 구성될 수 있다.

조직 모듈(71)은, 요소 도출기(60)에서 도출된 요소를 이용하여 집단별 DNA 미션을 자가 조직할 수 있다(Self-Organization of DNA Mission). 보다 구체적으로는, 조직 모듈(71)은, 시간의 흐름에 따라 입력되는 요소와 미리 정의된 집단별 조직의 미션 내 요소를 비교 및 평가하여, 시간의 흐름에 따라 변화하는 DNA 미션을 스스로 조직해서 생성할 수 있다. 여기에서, 미션은 미리 정의된 조직의 미션이고, DNA 미션은 본 발명의 조직 모듈(71)이 자가 조직하는 미션으로 서로 상이하다.

한편, 조직 모듈(71)이 조직하는 집단별 DNA 미션은, 집단별 조직의 블록(Blocks of Organization)과 체인(Chains)의 콤비네이션일 수 있다. 즉, 조직 모듈(71)은, 뉴로블록체인 콤비네이션(Block Chain Combination) 기술을 이용하여, 조직의 블록과 체인을 조합하여 DNA 미션을 조직할 수 있다. 또한, 실시예에 따라서는, DNA 미션은, 체인(Chains)의 콤비네이션으로 구성되는 특수 DNA 미션(Special DNA Mission)을 포함할 수 있다.

또한, DNA 미션은, 미션 모듈의 합으로 구성될 수 있으며, 미션 모듈은 요소 도출기(60)로부터 전달받은 요소와 조직 집단명의 포지션(Positions of Organization)의 함수일 수 있다. 이때, 조직 구성원의 포지션은 미리 정해질 수 있다.

본 발명에서는, AI 학습부(150)가 학습자의 개인별 학습 진도에 맞춰진 학습 컨텐츠를 추천하기 위하여, 사전 맞춤 로직에 따라 정규 학습과 관련된 컨텐츠를 추천하여 사용자에게 제공하는 딥러닝 기반 추천 모델의 포지션을 고려할 수 있다. 이러한 조직은 예를 들면, 계층형 트리 구조의 형태를 띠거나 병렬형 구조를 띠고 있으며, 계층형 트리 구조에서는 노드와 노드 간 연결(즉, 집단 내에서의 포지션과 포지션 간 연결(체인))이 되어 있고, 이를 조직 전체로 확장해 보면 일정 트리 구조(블록)로 구성된 그룹(조직 내 지침) 간의 연결 즉, 체인으로 볼 수 있다.

조직 모듈(71)에서 뉴로블록체인 콤비네이션 기술을 이용할 때, 체인이란 과목 내에서의 단원 포지션과 단원 포지션 간 연결 그리고 단원 내 주요 지점별 진단 문항과 진단 문항 간 연결이고, 조직의 블록이란 일정한 과목 내에서의 포지션과 포지션이 서로 연결되어 모여 있는 그룹으로 하나의 과목이 하나의 블록으로 구성되거나 또는 하나의 과목이 여러 개의 블록으로 구성될 수 있다.

도 7은 본 발명의 실시예에 따른 뉴로블록체인 콤비네이션을 이용하여, 조직 모듈에서 DNA 미션을 자가 조직하는 방법을 예를 들어 도시한 도면이다.

본 발명의 실시예에 따른 딥 러닝 기반의 학습 엔진(70)의 조직 모듈(71)은, 도 7에 도시된 바와 같은 조직의 블록(Block i, Block j, Block k 등)과 체인(Chain l, Chain m, Chain n 등)을 조합하여 DNA 미션을 구성할 수 있다. 구성된 DNA 미션은 단원 내에서 서로 관련된 주요 지점별 진단 문항과 진단 문항으로 이루어진 과목으로 표현될 수 있다.

또한, DNA 미션은, 체인(Chains)의 콤비네이션으로 구성되는 특수 DNA 미션(Special DNA Mission)을 포함할 수 있다. 즉, 실시예에 따라서는, 조직의 블록 없이 체인들만의 조합으로 DNA 미션을 구성할 수도 있다.

구성 모듈(72)은, 자가 조직된 DNA 미션을 이용하여, 딥 러닝 기반의 인공 신경망 DNA 모델을 자가 구성할 수 있다(Self-Composition of DNA Model). 즉, 구성 모듈(72)은, 조직 모듈(71)로부터 DNA 미션을 전달받아, 딥 러닝 기반으로 학습할 수 있는 인공 신경망 DNA 모델을 스스로 구성해서 만들 수 있다. 구성 모듈(72)에 의해 자가 구성되는 DNA 모델은, 시간의 흐름에 따라 입력되는 요소에 의해 자가 조직된 DNA 미션을 이용해 구성되기 때문에, 입력 데이터에 따라 유연하게 변화하는 모델일 수 있다.

DNA 모델은, 기능 블록(Blocks of Function)과 체인(Chains)의 콤비네이션일 수 있다. 즉, 구성 모듈(72)은, 뉴로블록체인 콤비네이션(Block Chain Combination) 기술을 이용하여, 기능의 블록과 체인을 조합하여 DNA 모델을 조직할 수 있다.

또한, 자가 구성 모듈(72)은, 기능적 하위 모델(Functional Submodel)의 합으로 구성되는 DNA 모델을 자가 구성할 수 있다.

여기에서, 기능 블록은, 인간 뇌의 상황 판단 방식을 모방하여 인공 신경망 모델에서 학습이 가능하도록 하는 상황에 대한 기능별 집합으로서, DNA 미션에서의 하나의 조직의 블록은 DNA 모델에서 하나의 기능 블록으로 구성될 수 있다. 단순한 상황은 인간이 한 번의 생각만으로도 판단이 가능하겠지만, 복잡한 상황은 한 번의 생각이 아니라 여러 번의 생각에 의해 판단이 가능하다는 가정을 할 수 있다. 미션을 해결하기 위한 모델을 구성하는 과정에서는, 이와 같은 개념을 이용하여, 복잡한 상황을 기능별로 구분하고 판단을 위해 그룹화하는 방식으로 기능 블록과 체인을 조합하여 DNA 모델을 자가 조직할 수 있다.

도 8은 본 발명의 실시예에 따른 뉴로블록체인 콤비네이션을 이용하여, 구성 모듈에서 DNA 모델을 자가 구성하는 방법을 예를 들어 도시한 도면이다.

본 발명의 실시예에 따른 딥 러닝 기반의 학습 엔진(70)의 구성 모듈(72)은, 도 8에 도시된 바와 같은, 기능 블록(Block)과 체인(Chain)들을 뉴로블록체인 콤비네이션 기술을 통해 조합하여 기능적 하위 모델(Functional Submodel i, Functional Submodel j, Functional Submodel k, Functional Submodel m, Functional Submodel n 등)을 구성하고, 기능적 하위 모델의 합으로 DNA 모델을 구성할 수 있다.

한편, 도 6에서, 학습 모듈(73)은, 자가 구성된 DNA 모델을 자가 학습할 수 있다(Self-Learning of DNA Model). 즉, 학습 모듈(73)은, 구성 모듈(72)에서 구성된 DNA 모델을 학습시키는 구성으로서, 인공 신경망 기술을 통해 학습을 할 수 있으며, 학습 결과를 조치기(80)에 전달할 수 있다.

조치기(80)는, 이해 및 스케줄링 모듈(81), 판단 및 예측 모듈(82), 및 추천 및 조치 모듈(83)을 통해 학습 엔진(70)의 학습 결과에 따른 기능을 수행할 수 있다. 도 6에 도시된 바와 같이, 조치기(80)는 이해 및 스케줄링 모듈(81), 판단 및 예측 모듈(82), 추천 및 조치 모듈(83)을 포함하여 구성될 수 있으며, 각 모듈이 공통 소프트웨어가 될 수 있다. 본 발명에서는 조치기(80)의 구조적인 측면에 대하여 설명하도록 한다.

이해 및 스케줄링 모듈(81)은, 주어진 상황을 이해하거나 의도를 파악하고, 상황 이해 또는 의도 파악 결과를 이용해 의사 결정권자에게 스케줄링을 제공할 수 있다(Understanding & Scheduling).

판단 및 예측 모듈(82)은, 주어진 상황에 대한 판단 및 분석 결과를 제공하고, 발생 가능한 상황을 예측하여 제공할 수 있다(Decision & Prediction). 예를 들면, 판단 및 예측 모듈(82)은, 사용자로부터 입력받은 학습 요청에 해당하는 학습이력 데이터를 딥러닝 기반 추천 모델에 입력하여 개인과 또래 학년 학습자들의 선호 확률을 예측하고, 예측된 선호 확률을 내림차순으로 정리하여 랭킹을 설정할 수 있다.

추천 및 조치 모듈(83)은, 분석 결과 및 예측 결과를 이용하여, 주어진 상황에 대한 의사결정을 추천하고 이에 따른 조치를 제공할 수 있다(Recommendation & Action). 이를 위해, 추천 및 조치 모듈(83)은, 판단 및 예측 모듈(82)로부터 분석 결과 및 예측 결과를 전달받을 수 있다. 예를 들면, 추천 및 조치 모듈(83)은, 판단 및 예측 모듈(82)에 의해 예측된 선호 확률을 내림차순으로 정리하여 랭킹을 설정하고, 설정된 랭킹에서 현재로부터 최근 3개월 이내로 학습한 컨텐츠를 추천할 수 있다.

도 9는 본 발명의 실시예에 따른 딥 러닝 기반의 자가 적응 학습 기술을 이용한 인공 지능부에서 DNA 툴을 더 포함하는 구성을 도시한 도면이다.

도 9에 도시된 바와 같이, 본 발명의 실시예에 따른 딥 러닝 기반의 자가 적응 학습 기술을 이용한 인공 지능부(254)는, DNA 툴(90)을 더 포함하여 구성될 수 있다.

DNA 툴(90)은, 요소 도출기(60), 학습 엔진(70) 및 조치기(80)에 복수의 툴을 제공할 수 있다. 즉, DNA 툴(90)은, 요소 도출기(60), 학습 엔진(70) 및 조치기(80)가 각각의 기능을 수행하는 데에 도움을 주는 툴을 제공할 수 있다.

보다 구체적으로는, DNA 툴(90)은, 비구조화된 데이터를 텍스트로 변환시키는 변환 툴(Conversion Tool)(91), 정보를 추출하는 추출 툴(Extraction Tool)(92), 및 DNA 미션의 자가 조직 및 DNA 모델의 자가 구성에 필요한 블록과 체인을 연결하는 콤비네이션 툴(Combination Tool)(93)을 포함할 수 있다.

또한, 조직 모듈(71), 구성 모듈(72) 및 학습 모듈(73)이, DNA 미션을 자가 조직, DNA 모델을 자가 구성 및 자가 학습할 수 있도록 도움을 주는 자가 적응 툴(Self-Adapted Tool)(94)을 더 포함하여 구성될 수 있다.

한편, 본 발명의 실시예에 따른 컨텐츠 추천 시스템(100)의 제어부(250)에서 생성한 딥러닝 기반 추천 모델은 심층 신경망 모델로 구현될 수 있다.

도 10은 본 발명의 실시예에 따른 AI 학습부의 커널간 차분 저장 동작을 설명하기 위한 도면이다.

도 10을 참조하면, 본 발명의 실시예에 따른 AI 학습부(150)는 심층 신경망 모델에 포함된 복수 개의 레이어들을 식별할 수 있다.

인공 신경망 모델에 포함된 복수 개의 레이어들은 도 10에 도시된 바와 같이 컨볼루션을 위한 가중치를 갖는 컨볼루션 레이어들일 수 있다. 복수 개의 레이어들은 각각이 특정 인공 신경망 모델에서, 획득된 입력 데이터에 대한 추론을 위해 서로 다른 순서로 이용될 수 있다.

구체적으로, 서로 다른 레이어는 도 10에 도시된 바와 같이 학습이 완료된 인공 신경망 모델에서 추론을 위한 제 1 컨볼루션 레이어(311)(예: uth layer) 및 제 2 컨볼루션 레이어(313)(예: ith layer, u < i)를 포함하고, 제 2 컨볼루션 레이어(313)의 추론 순서는 제 1 컨볼루션 레이어(311)의 추론 순서 보다 빠를 수 있다. 복수 개의 레이어들 각각(예: 311, 313)은 컨볼루션을 위한 복수 개의 커널들(예: 314, 312)을 포함할 수 있다.

본 발명의 실시예에 따르면, 컨볼루션 레이어들의 컨볼루션 방식은 grouped convolution, depthwise convolution, pointwise convolution, depthwise separable convolution 등의 다양한 컨볼루션을 포함할 수 있다.

한편, 본 발명의 실시예에 따른 AI 학습부(150)의 동작은 depthwise separable convolution에 더 효과적으로 적용될 수 있다.

본 발명의 실시예에 따른 AI 학습부(150)는 커널 식별 모듈을 포함하고, 커널 식별 모듈을 통해 복수 개의 레이어들 중 각각의 서로 다른 레이어로부터 가중치가 유사한 제 1 커널 및 제 2 커널을 식별할 수 있다. 예를 들어, 커널 식별 모듈은, 인공 신경망 모델에 포함된 복수 개의 레이어들 중에서 서로 다른 레이어(311, 313)로부터 두 커널(312, 314)을 식별할 수 있다.

구체적으로, 커널 식별 모듈은 도 10에 도시된 바와 같이, 제 1 컨볼루션 레이어(311)로부터 제 1 커널(312)을 식별하고, 이미 학습된(또는, 제 1 컨볼루션 레이어(311) 보다 추론 순서가 빠른) 제 2 컨볼루션 레이어(313)로부터 제 2 커널(314)을 식별할 수 있다. 이때, 커널 식별 모듈은, 이미 학습된 컨볼루션 레이어로부터 상기 선택된 커널과 가중치가 가장 유사한(달리 말하면, distance가 가장 작은) 커널을 식별할 수 있다.

구체적으로 본 발명의 실시예에 따르면, 커널 식별 모듈은 상술한 가중치가 가장 유사한 커널로서 특정 컨볼루션 레이어에 바로 인접한 컨볼루션 레이어로부터 커널을 식별할 수 있다.

도 11은 본 발명의 실시예에 따른 AI 학습부의 가중치 차분 계산을 위한 레이어를 식별하는 동작을 구체적으로 설명하기 위한 도면이고, 도 12는 본 발명의 실시예에 따른 AI 학습부에서 인접 레이어의 가중치들의 관계를 설명하기 위한 도면이다.

도 11 및 도 12를 참조하면, 본 발명의 실시예에 따른 커널 식별 모듈은, 특정 컨볼루션 레이어의 특정 커널을 식별하고, 특정 컨볼루션 레이어의 바로 이전 추론 순서의 컨볼루션 레이어로부터 특정 커널과 같은 위치의 커널을 가중치 차분 계산을 위한 커널로서 식별할 수 있다.

예를 들어, 커널 식별 모듈은 도 11에 도시된 바와 같이 i+1 번째 레이어로부터 제 1 커널(312)을 식별하고, 특정 커널의 위치 정보를 식별할 수 있다. 커널 식별 모듈은 i+1 번째 레이어의 바로 이전 순서인 i 번째 레이어를 식별하고, i 번째 레이어로부터 특정 커널의 위치 정보에 대응하는(즉, 위치가 동일한) 제 2 커널을 식별할 수 있다.

위와 같은, 커널 식별 모듈의 동작은 도 12에 개시되는 레이어들 간의 가중치의 관계로부터 확인되는 인접 레이어의 가중치들이 유사하고 가중치가 레이어의 순서에 따라 서서히 변한다는 가설(SMOOTHLY VARYING WEIGHT HYPOTHESIS)에 기반할 수 있다.

도 12를 참조하면, 도 12의 (a) 내지 (d)는 CIFAR 10 또는 CIFAR 100에 의해 학습된 인공 신경망 모델(MobileNet)에 포함된 소스 레이어(Source layer) 및 타겟 레이어(Target layer) 간의 예측도를 나타내는 히트맵을 개시한다. 구체적으로, 도 12의 (a)는 CIFAR-10 에 의해 학습된 제 1 인공 신경망 모델(MobileNet)의 레이어간 예측도를 나타내고, 도 12의 (b)는 CIFAR-10 에 의해 학습된 제 2 인공 신경망 모델(MobileNet V2)의 레이어간 예측도를 나타내고, 도 12의 (c)는 CIFAR-100에 의해 학습된 제 1 인공 신경망 모델(MobileNet)의 레이어간 예측도를 나타내고, 도 12의 (d)는 CIFAR-100 에 의해 학습된 제 2 인공 신경망 모델(MobileNet V2)의 레이어간 예측도를 나타낸다.

도 12의 (a) 내지 (d)를 참조하면, 소스 레이어들 중 ith layer와 타겟 레이어들 중 i-1th layer 간의 distance가 가장 짧은 경향이 개시된다. 즉, 이로부터 특정 레이어의 특정 커널과 distance가 가장 짧은 커널은 바로 이전 레이어에 존재하고, 컨볼루션 커널들의 가중치는 레이어를 따라서 부드럽게 변화한다는 것이 도출될 수 있다.

이에 따라, 상술한 커널 식별 모듈의 특정 레이어의 바로 이전 순서의 레이어를 식별하는 동작은, 모델의 최적의 압축 효율을 발생시킬 수 있다. 또한, 커널 간의 가중치의 유사도를 계산하는 번거로운 동작의 수행 없이, 커널 식별 모듈은 특정 레이어의 바로 이전 순서의 레이어로부터 특정 커널의 위치에 대응하는 커널을 식별하는 동작을 수행함으로써, 전자 장치의 운용 부담이 경감되는 효과가 발생될 수 있다.

한편, 도 12에 의한 결과물은 아래와 같은 수학식 1에 의해 표현될 수 있다.

수학식 1에서, K는 커널, P[-]는 확률, L(-,-)는 두 커널 간의 distance, 및 (u,v) 이전 추론 순서의 레이어와 커널의 지수를 나타낼 수 있다.

수학식 1로부터, 상술한 바와 같이 특정 레이어의 특정 커널과 distance가 가장 짧은 커널은 바로 이전 레이어에 존재하고, 컨볼루션 커널들의 가중치는 레이어를 따라서 부드럽게 변화한다는 것이 도출되므로, 중복되는 설명은 생략한다.

본 발명의 실시예에 따른 AI 학습부(150)는 커널 차분 계산 모듈을 포함하고, 커널 차분 계산 모듈을 통하여 제 2 커널의 가중치와 제 1 커널의 가중치의 차분을 계산하고, 계산된 가중치의 차분을 저장할 수 있다.

예를 들어, 커널 차분 계산 모듈은 도 14에 도시된 바와 같이 상술한 바와 같이 식별된 제 2 커널과 제 1 커널의 가중치의 차분(510)을 계산하고, 데이터 베이스에 저장할 수 있다.

본 발명의 실시예에 따른 커널차분 계산모듈은 계산된 가중치의 차분(510)을 소정의 지수와 연관된 형태로 저장할 수 있다. 예를 들어, 커널 차분 계산 모듈은 커널 차분(510)을 레이어의 순서 및 레이어에서 선택된 커널의 순서와 연관된 형태로 저장할 수 있다. 예를 들어, 커널 차분(510)은 도 14의 520과 같이, 이전 레이어(예: 제 2 레이어(313))를 나타내는 순서(예: u) 및 이전 레이어에서 선택된 커널(예: 제 2 커널(314))의 순서(예: v)와 연관된 형태로 저장될 수 있다. 이에 따라, AI 학습부(150)는, 특정 레이어의 커널, 특정 레이어의 커널과 관련된 가중치의 차분(510) 및 상기 지수(u, v)를 기반으로, 이전 추론 순서의 레이어의 커널을 획득할 수 있다.

본 발명의 실시예에 따른 커널 차분 계산 모듈은 계산된 가중치를 지정된 방식(예: 양자화 및 엔트로피 코딩 방식)을 기반으로 처리하여 저장할 수 있다.

한편, 상술한 특정 컨볼루션 레이어로부터 특정 커널에 대한 가장 인접한 커널을 식별하고 가중치의 차분을 계산하고 저장하는 동작은, 특정 커널에 대해서만 수행되는 것이 아니다. 즉, 특정 컨볼루션 레이어에 포함된 특정 커널 이외의 다른 모든 커널들에 대해서 상술한 동작이 수행될 수 있고, 특정 컨볼루션 레이어가 아닌 다른 미학습된 컨볼루션 레이어에 대해서도 상술한 동작이 수행될 수 있다.

본 발명의 실시예에 따른 AI 학습부(150)는, 압축 효율을 더욱 높이기 위해 인접 레이어의 컨볼루션 간의 차분을 줄이기 위하여, inter-layer loss를 기반으로 학습을 수행할 수 있다. inter-layer loss는 첫 번째 레이어를 제외한 각 컨볼루션 레이어의 한 커널이 있을 때, 바로 이전 레이어 동일 위치의 커널과의 distance를 줄여주는 loss일 수 있다. inter-layer loss는 심층신경망 모델의 학습 시, classification loss와 함께 작동될 수 있다.

이때, AI 학습부(150)는 inter-layer loss 및 전체 loss를 계산하기 위한 손실 계산 모듈(미도시)을 더 포함할 수 있다.

본 발명의 실시예에 따른 AI 학습부(150)는, 더 향상된 압축률을 위해, 특정 심층 신경망 모델의 훈련을 위해 목적 함수(objective function)로서 inter-layer loss를 식별할 수 있다. 인공 지능부(254)는, 전술한 기재에 국한되지 않고, inter-layer loss를 loss function 또는 cost function으로 식별할 수 있다.

예를 들어, AI 학습부(150)는, depth-wise separable convolutions의 spatial convolution에서 inter-layer loss를 계산할 수 있다. 구체적으로, AI 학습부(150)는 아래와 같은 수학식 2를 기반으로 inter-layer loss(L_inter-layer)를 계산할 수 있다.

여기서, Z는 예측되는 가중치의 수이고, N은 depth-wise separable convolutions 레이어의 수이고, v는 이전 레이어의 인덱스를 나타낸다.

상기와 같이 계산된 inter-layer loss는 첫 번째 레이어를 제외한 각 컨볼루션 레이어의 한 커널이 있을 때, 바로 이전 레이어 동일 위치의 커널과의 distance를 감소시킬 수 있다. 이에 따라, AI 학습부(150)는, 이전 레이어의 커널의 가중치로부터 다음 현재 레이어의 가중치를 예측할 수 있기 때문에 최상의 예측의 지표에 대한 모든 비-텍스처 비트를 제거할 수 있다.

또한, AI 학습부(150)는 인공 신경망 학습을 위해, 예를 들어, 아래와 같이 수학식 3을 이용하여, 전체 loss(L_total)를 계산할 수 있다.

여기서, L_cls는 He et al., 2016에 개시되는 종래의 크로스 엔트로피 로스 방식을 이용하여 계산된 loss이고,λ는 계산된 inter-layer loss의 값을 제어하기 위한 파라미터이다. 이때 구체적으로,λ는 1로 설정될 수 있다.

본 발명의 실시예에 따른 AI 학습부(150)는, inter-layer loss가 최소화되도록 심층 신경망 모델에 포함된 레이어의 커널들의 가중치 값을 재구성한 이후, 심층 신경망 모델의 레이어들의 각각의 커널들의 가중치 값들의 차분을 계산 및 저장할 수 있다.

AI 학습부(150)가 커널 간의 가중치 차분을 계산하고 학습하는 동작에서 저장된 가중치 값들의 차분의 데이터 양은, 저장된 가중치 값들의 차분의 데이터 양 보다 작을 수 있다. 달리 말해, 상술한 바와 같은 inter-layer loss를 목적 함수로 한 학습에 따라, 인공 신경망 모델의 저장 효율(또는 압축률)이 향상될 수 있다.

한편, 본 발명의 실시예에 따른 AI 학습부(150)에서 생성한 딥러닝 기반 추천 모델은 VAE(Variational Autoencoder) 모델 또는 CNN(Convolutional Neural Network) 모델로 구현될 수 있다.

VAE 모델은 변분 추론의 접근법과 심층 학습법을 결합한 잠재 변수 생성 모델이고, CNN 모델은 합성곱 신경망 모델이다.

본 발명의 실시예에 따른 AI 학습부(150)는 학습자의 요청 인식을 위한 CNN 모델을 학습시키고, CNN 모델이 컴퓨팅 능력이 낮은 사용자 단말기에서 잘 구동될 수 있도록 네트워크 플루닝(Network pruning), 강화학습 기반 자동 모델압축(AutoML for Model Compression)등의 방법을 통하여 모델을 압축한 후 압축된 CNN 모델을 저장한다.

상기의 압축된 CNN 모델은 사용자 단말기에 제공됨으로써 사용자 단말기의 내부에서 압축된 CNN 모델을 이용하여 학습 데이터에 대한 사용자의 요청에 따른 선호도를 예측할 수 있도록 한다.

도 13a는 본 발명의 다른 실시예에 따른 컨텐츠 구조부의 내부 구성 예를 나타낸 도면이다.

도 13a를 참조하면, 본 발명의 다른 실시예에 따른 컨텐츠 구조부(130)는, 변환부(210)와 임베딩(Embedding) 처리부(220), 및 학습 유도부(230)를 포함할 수 있다.

변환부(210)는 입력부(120)를 통해 입력받은 음성 또는 문자를 음성 인식 및 언어 모델의 문자로 변환한다. 여기서, 변환부(210)는 음성 인식부와 언어 모델을 포함할 수 있다.

임베딩 처리부(220)는 변환된 문자를 임베딩(Embedding) 처리한다.

학습 유도부(230)는 임베딩 처리된 결과에 따라 키워드 추천, 단순 응답, 진도 확인, 연관 학습, 단순 게임, 감성 코칭 중 하나로 학습을 유도할 수 있다.

변환부(210)에서 음성을 문자로 변환(Speech To Text) 하는 음성 인식(Speech Recognition)은 키패드 입력에 익숙하지 않은 학습자를 위해 음성 입력을 받기 위해 필요한 기술이다.

음성 인식은 사람이 말하는 음성 언어를 컴퓨터가 해석해 그 내용을 문자 데이터로 전환하는 처리를 말한다. STT(Speech-to-Text) 기술이라고도 한다. 키보드 대신 문자를 입력하는 방식으로 주목을 받고 있다. 로봇, 텔레매틱스 등 음성으로 기기제어, 정보검색이 필요한 경우에 응용된다. 대표적인 알고리즘은 HMM(Hidden Markov Model)으로서, 도 13b에 도시된 바와 같이 다양한 화자들이 발성한 음성들을 전처리하고 통계적으로 모델링하여 음향 모델을 구성하며, 말뭉치 수집을 통하여 언어모델을 구성한다. 도 13b는 본 발명의 실시예에 따른 컨텐츠 구조부의 변환 동작 과정을 나타낸 도면이다. 도 13b에 도시된 바와 같이, 변환부(220)는 전처리 과정, 음향 모델 과정, 언어 모델 및 후처리 과정을 통하여 음성을 문자 데이터로 변환하게 되는 것이다.

임베딩 처리부(220)는 변환된 문자를 전처리하여 임베딩(Embedding) 처리할 때 자연어 처리(NLP) 과정을 수행하고 후처리하여 문자 데이터를 출력한다.

자연어 처리(National Language Processing) 기술은, 컴퓨터 과학과 인공지능과 언어학이 합쳐진 분야이다. 컴퓨터를 이용한 사람 언어의 이해, 생성, 분석을 다루는 AI 기술이다.

자연어 처리 또는 자연 언어 처리는 인간의 언어 현상을 컴퓨터와 같은 기계를 이용해서 묘사할 수 있도록 연구하고 이를 구현하는 인공지능의 주요 분야 중 하나다. 자연 언어 처리는 연구 대상이 언어이기 때문에 당연하게도 언어 자체를 연구하는 언어학과 언어 현상의 내적 기재를 탐구하는 언어 인지 과학과 연관이 깊다. 구현을 위해 수학적 통계적 도구를 많이 활용하며 특히 기계학습 도구를 많이 사용하는 대표적인 분야이다. 정보검색, QA 시스템, 문서 자동 분류, 신문기사 클러스터링, 대화형 Agent 등 다양한 응용이 이루어지고 있다. 자연 언어에 대한 연구는 오래전부터 이어져 오고 있음에도 2018년에 들어서도 아직 컴퓨터가 자연 언어를 사람처럼 이해하지는 못한다. 대신, 언어에 대한 깊은 이해없이 피상적인 확률 및 통계를 이용하여 대량의 정보를 처리하는 기술은 많이 발전한 상태이다.

본 발명은 단어와 문장을 숫자 벡터로 인코딩하는 텍스트 임베딩 기법을 활용할 수 있다. 이러한 벡터 표현은 텍스트의 언어적 내용을 포착하도록 설계되었으며 쿼리와 문서 사이의 유사도를 평가하는데 사용할 수 있다.

단어를 밀집 벡터(dense vector)의 형태로 표현하는 방법을 워드 임베딩(word embedding)이라고 한다. 그리고 이 밀집 벡터를 워드 임베딩 과정을 통해 나온 결과라고 하여 임베딩 벡터(embedding vector)라고도 한다.

워드 임베딩 방법으로는 LSA, Word2Vec, FastText, Glove 등이 있다. 케라스에서 제공하는 도구인 Embedding()은 앞서 언급한 방법들을 사용하지는 않지만, 단어를 랜덤한 값을 가지는 밀집 벡터로 변환한 뒤에, 인공 신경망의 가중치를 학습하는 것과 같은 방식으로 단어 벡터를 학습하는 방법을 사용한다.

단어의 특징과 유사도를 나타내 주는 (진정한) embedding은 Word2Vec과 같은 학습을 통한 예측 기반 방법이다.

이때 분포 가설(Distributed hypothesis)이 등장한다. 분포 가설은 같은 문맥의 단어, 즉 비슷한 위치에 나오는 단어는 비슷한 의미를 가진다라는 의미이다. 따라서 어떤 글의 비슷한 위치에 존재하는 단어는 단어 간의 유사도를 높게 측정할 것이다.

한편, 학습 유도부(230)는 임베딩 처리된 결과에 따라 키워드 추천, 단순 응답, 진도 확인, 연관 학습, 단순 게임, 감성 코칭 중 하나로 학습을 유도할 수 있다.

챗봇을 통해 실시간으로 학생의 궁금증을 해소해 주면서, 추가적으로 알면 좋을 연관 키워드를 추천해 준다. 이를 통해 학생은 호기심을 느끼고, 학습에 대한 흥미를 찾을 수 있다.

학습 유도부(230)는 학습 진도에 대해 체크해 주고, 필요한 학습이 뭐가 있는지 대화가 생성될 때 알려준다.

학습 유도부(230)는 기후 변화가 있을 때 날씨에 연관되게 안부를 묻고, 학습자와 감정 소통이 가능하게 한다. 예를 들면, 학습 유도부(230)는 오늘 비가 오는데 우산 꼭 챙겨가길 바래 !, 햇빛이 쨍쨍해. 오늘 기분은 어때? 등과 같이 학습자와 감정 소통을 유도할 수 있다.

학습 유도부(230)는 챗봇 내의 단순 게임을 통해 연관 학습을 추천한다. 게임으로 흥미를 유발하고, 이후에 학습을 유도하도록 하는 것이다. 학생이 물어온 질문에 대한 답과 동일한 벡터값을 가지는 키워드나 연관 학습을 추천하여, 심화된 학습에 흥미를 느끼게 한다.

도 14는 본 발명의 일 실시예에 따른 컨텐츠 구조부의 제1 학습 유도 방법을 설명하기 위한 동작 흐름도를 나타낸 도면이다.

도 14를 참조하면, 본 발명의 실시예에 따른 컨텐츠 구조부(130)는, 학습 메뉴를 클라이언트에 제공하고, 클라이언트로부터 과목 메뉴의 선택에 따른 질문을 입력받는다(S14-1).

이어, 컨텐츠 구조부(130)는, 입력받은 질문에 대하여(질문 Vector) 벡터 필드(Vector Field) 유사도를 검색한다(S14-2).

이어, 컨텐츠 구조부(130)는, 유사 질의, 스코어(Score), 인텐트(Intent) ID를 획득한다(S14-3).

이어, 컨텐츠 구조부(130)는, 컨텐츠 데이터베이스(110)에 인텐트 아이디(Intent ID)를 제공하고, 컨텐츠 데이터베이스(110)로부터 인텐트 ID에 따라 인텐트 네임(Intent Name) 및 응답(Response)을 획득한다(S14-4).

이어, 컨텐츠 구조부(130)는, 획득된 유사 질의, 스코어(Score), 인텐트 네임(Intent Name) 및 응답(Response)을 클라이언트(Client)로 제공한다(S14-5).

도 15는 본 발명의 일 실시예에 따른 컨텐츠 구조부의 제2 학습 유도 방법을 설명하기 위한 동작 흐름도를 나타낸 도면이다.

도 15를 참조하면, 본 발명의 일 실시예에 따른 컨텐츠 구조부(130)는, 클라이언트로부터 생성, 수정, 조회 중 하나를 요청받는다(S15-1).

이어, 컨텐츠 구조부(130)는, 관리 API를 통해 컨텐츠 데이터베이스(110)에 인서트(Insert), 업데이트(Update), 셀렉트(Select)를 제공한다(S15-2).

이어, 컨텐츠 구조부(130)는, 컨텐츠 데이터베이스(110)로부터 인서트 플래그(Insert Flag), 업데이트 플래그(Update Flag), 셀렉티드 데이터(Selected Data)를 획득한다(S15-3).

이어, 컨텐츠 구조부(130)는, 획득된 인서트 플래그(Insert Flag), 업데이트 플래그(Update Flag), 셀렉티드 데이터(Selected Data)에 근거해 유사 질의, 스코어(Score), 인텐트 네임(Intent Name) 및 응답(Response)을 클라이언트(Client)로 제공한다(S15-4).

도 16은 본 발명의 일 실시예에 따른 컨텐츠 구조부의 제3 학습 유도 방법을 설명하기 위한 동작 흐름도를 나타낸 도면이다.

도 16을 참조하면, 본 발명의 일 실시예에 따른 컨텐츠 구조부(130)는, 학습 메뉴를 클라이언트에 제공하고, 클라이언트(Client)로부터 문장(Sentence)을 입력받는다(S16-1).

이어, 컨텐츠 구조부(130)는, 입력받은 문장에 대하여 탄력적 검색기(Elastic Searcher)에 문장 벡터(Sentece Vector)에 따른 색인을 요청한다(S16-2).

이어, 컨텐츠 구조부(130)는, 탄력적 검색기로부터 색인 여부를 획득한다(S16-3).

이어, 컨텐츠 구조부(130)는, 문장 정보를 컨텐츠 데이터베이스(110)에 인서트(Insert)하여 인서트 플래그(Insert Flag)를 획득한다(S16-4).

이어, 컨텐츠 구조부(130)는, 획득된 인서트 플래그에 근거하여 유사 질의, 스코어(Score), 인텐트 네임(Intent Name) 및 응답(Response)을 클라이언트(Client)에 제공한다(S16-5).

도 17은 본 발명의 일 실시예에 따른 컨텐츠 구조부의 제4 학습 유도 방법을 설명하기 위한 동작 흐름도를 나타낸 도면이다.

도 17을 참조하면, 본 발명의 일 실시예에 따른 컨텐츠 구조부(130)는, 학습 메뉴를 클라이언트(Client)에 제공하고, 클라이언트로부터 프로젝트 아이디(Project ID)에 따른 학습 요청을 수신한다(S17-1).

이어, 컨텐츠 구조부(130)는, 컨텐츠 데이터베이스(110)로부터 프로젝트 아이디(Project ID)에 의해 문장을 선택한다(S17-2).

이어, 컨텐츠 구조부(130)는, 컨텐츠 데이터베이스(110)로부터 학습 요청 프로젝트의 문장 리스트(Sentence List)를 획득한다(S17-3).

이어, 컨텐츠 구조부(130)는, 갱신된 토큰별 웨이트(Weight)를 컨텐츠 데이터베이스(110)에 제공하여 인서트 플래그(Insert Flag)를 획득한다(S17-4).

이어, 컨텐츠 구조부(130)는, 탄력적 검색기(Elastic Searcher)에 갱신된 문장 웨이트(Sentence Weight)에 따른 색인을 요청한다(S18-5).

이어, 컨텐츠 구조부(130)는, 탄력적 검색기로부터 색인 여부를 획득한다(S19-6).

이어, 컨텐츠 구조부(130)는, 획득된 색인 여부에 근거하여 유사 질의, 스코어(Score), 인텐트 네임(Intent Name) 및 응답(Response)을 클라이언트(Client)에 제공한다(S19-7).

전술한 바와 같이, 도 14 내지 도 17에 도시된 컨텐츠 구조부(130)의 제1 내지 제4 학습 유도 방법은, 프로그램이 판독 가능한 USB, CD, DVD 등 기록 매체에 프로그램으로 기록할 수 있다.

도 18은 본 발명의 실시예에 따른 컨텐츠 구조부의 동작 흐름도를 예시적으로 나타낸 도면이다.

도 18을 참조하면, 본 발명의 실시예에 따른 컨텐츠 구조부(130)는 학습 챗봇을 통하여 학습 컨텐츠를 제공할 수 있다.

학습 컨텐츠의 제공 동작은 전면(Front) 동작과 후면(Back) 동작으로 구분할 수 있다.

전면 동작의 경우에, 하나의 서비스는, 사용자가 휴대하는 밀크T 초등에 관한 태블릿 PC에서 학습 챗봇을 실행하면(S410), 컨텐츠 구조부(130)가 오늘의 학습, 전체메뉴, 숙제질문에 관한 메뉴를 제공한다. 이에, 사용자는 과목을 선택하고(S420), 숙제질문을 실행한다(S430). 여기서, 숙제질문은 Q&A 데이터를 활용하거나, 학습백과사전 데이터를 활용하여 제공한다.

전면 동작의 경우에, 다른 서비스는, 사용자가 휴대하는 밀크T 초등에 관한 태블릿 PC에서 학습 챗봇을 실행하면(S440), 컨텐츠 구조부(130)가 학습창을 제공하고, 학습창 과목 코드를 기준으로 과목 자동 선택을 제공한다(S450). 이에, 학습 챗봇은 Q&A 데이터를 활용하거나, 학습백과사전 데이터를 활용하여 숙제질문을 제공한다(S460).

후면 동작의 경우에, 챗봇 관리자 활용 및 운영에 관한 ADMIN 기능을 제공함과 더불어 사용자 챗봇 사용 이력에 관한 CRM 기능을 제공한다.

도 19는 본 발명의 실시예에 따른 컨텐츠 구조부의 상세 동작 흐름도를 예시적으로 나타낸 도면이다.

도 19를 참조하면, 본 발명의 실시예에 따른 컨텐츠 구조부(130)는, 오늘의 학습(S502), 전체메뉴(S504), 숙제질문(S506)에 관한 메뉴를 제공하고, 사용자에 의해 과목이 선택되면(S508), 웰컴(Welcome) 메시지를 제공한다(S508).

이어, 컨텐츠 구조부(130)는 질문이 있는지를 판단한다(S514).

또한, 컨텐츠 구조부(130)는 과목별로 학습창을 제공하고(S512), 과목 코드를 활용한 질문이 있는지를 판단한다(S514).

이어, 컨텐츠 구조부(130)는 질문이 있으나, 그에 대한 답변을 찾지 못한 경우에(S516-No), 폴백 메시지를 제공하고(S518), 1:1 게시판 문의하기를 제공한다(S520).

그러나, 질문에 대한 답변이 있으면(S516-YES), 컨텐츠 구조부(130)는 답변을 제공하고 또 다른 질문이 있는지를 판단한다(S522).

여기서, 답변은 숙제질문에 대한 답변이거나, 천재백과사전에 근거한 답변일 수 있다.

도 20은 본 발명의 실시예에 따른 컨텐츠 구조부에서 제공하는 오늘의 학습 화면을 나타낸 도면이고, 도 21은 본 발명의 실시예에 따른 컨텐츠 구조부에서 제공하는 전체메뉴 화면을 나타낸 도면이고, 도 22는 본 발명의 실시예에 따른 컨텐츠 구조부에서 제공하는 질문게시판 화면을 나타낸 도면이고, 도 23은 본 발명의 실시예에 따른 컨텐츠 구조부에서 제공하는 학습창 화면을 나타낸 도면이다.

도 20을 참조하면, 본 발명의 실시예에 따른 컨텐츠 구조부(130)는, 오늘의 학습으로, 예를 들면, 9월 6일 수요일, 실력평가 수학, 1학년 1학기-> 1학기 2차, 수학 오답 베스트5에 대한 학습하기를 제공할 수 있다.

도 21을 참조하면, 본 발명의 실시예에 따른 컨텐츠 구조부(130)는, 전체메뉴로서, 예를 들면, 1학년에 대하여, 수준별 수학, 수준별 영어, 수준별 국어, 특별학습 1관, 특별학습 2관 등을 포함하는 전체메뉴를 제공할 수 있다.

수준별 수학은, 재미 수학, 영역별 수학, 교과수준 수학, 베스트셀러 수학, 영재 수학 등의 서브 메뉴를 포함한다.

수준별 영어는, 스피킹, 영어 Songs, 워즈, 영어 Library, 파닉스, 미국교과서 읽기, 리딩, 그래머 등의 서브 메뉴를 포함한다.

수준별 국어는, 도전! AI 받아쓰기, 생활 한국어, 어휘력 짱짱, 급수별 한자, 천재북 클럽, 마이 라이브러리 등의 서브 메뉴를 포함한다.

특별학습 1관은, 창의적 체험활동, 사회/역사, 초등 생활 등의 서브 메뉴를 포함한다.

특별학습 2관은 코딩 창작소, 디지털 체험과학, 수학 3D 도형 학습, 학습게임 등의 서브 메뉴를 포함한다.

도 22를 참조하면, 본 발명의 실시예에 따른 컨텐츠 구조부(130)는, 숙제해결에 대한 질문 게시판에 대하여, 예를 들면, 숙제 질문하기 버튼을 통하여 학습에 대하여 궁금한 점을 사용자로 하여금 입력할 수 있도록 한다. 또한, 컨텐츠 구조부(130)는 학습 챗봇을 통하여 이전에 내가 한 질문을 확인할 수 있도록 목록으로 제공한다.

도 23을 참조하면, 본 발명의 실시예에 따른 컨텐츠 구조부(130)는, 학습창에 대하여 예를 들면, 과학 1 단원, 탐구 계획과 실행에 대하여 교과서 알아보기, 개념 다지기, 한눈에 정리하기, 기본문제 등의 서브 메뉴를 제공하고, 이들 중에 하나를 선택하여 학습할 수 있도록 한다.

본 발명의 실시예에 따른 컨텐츠 구조부(130)는 학습 챗봇에 대하여, AI(Artificial Intelligence) 챗봇 및 과목 챗봇으로 제공할 수 있다. 즉, 학습 과목을 기준으로 학습 챗봇을 제공할 수 있다.

AI 챗봇은, 숙제해결에 대한 데이터를 자동으로 필터링하고, 키워드를 구분하여 그룹핑(Grouping)하고, 백과사전 데이터와 연결하여 필요한 질문을 구분하고, 답변 내의 오타를 수정하고, 유사 질문을 추가하고, 답변 일반화 작업을 통해 정제된 답변을 제공할 수 있다.

과목 챗봇은, 사용자에게 질문하고 싶은 과목을 선택하도록 하고, 선택된 과목 내에서 질문을 수신하며, 질문과 관련된 내용을 학습백과사전에서 검색하여 답변을 생성하고, 생성된 답변을 정제하여 음성 또는 문자로 제공하며, 데이터베이스에 없는 내용과 관련된 질문에 대하여 공부해서 다음에 알려주겠다는 답변을 제공하는 방식으로 학습을 실행할 수 있다.

도 24는 본 발명의 실시예에 따른 컨텐츠 구조부에서 1~6학년 대상 오늘의 학습을 제공하는 예를 나타낸 도면이고, 도 25는 본 발명의 실시예에 따른 컨텐츠 구조부에서 키즈 대상 오늘의 학습을 제공하는 예를 나타낸 도면이고, 도 26은 본 발명의 실시예에 따른 컨텐츠 구조부에서 전체메뉴를 제공하는 예를 나타낸 도면이다.

도 24를 참조하면, 본 발명의 실시예에 따른 컨텐츠 구조부(130)는, 1~6학년 대상으로 하는 오늘의 학습에 대하여, 예를 들면, 12월 23일 수요일, 수준별 영어, 영역별 팡팡 Phonics, Lesson 14에 대한 학습하기를 제공할 수 있다. 여기서, AI 학습 챗봇은 화면 하단에 있는 서브 메뉴 중 AI 학습관 메뉴와 HME 메뉴 사이에 위치하도록 배치할 수 있다.

도 25를 참조하면, 본 발명의 실시예에 따른 컨텐츠 구조부(130)는, 키즈(Kids)를 대상으로 하는 오늘의 학습에 대하여, 예를 들면, 12월 21일 월요일, 키즈 한글, 한글 스피치, 연습하기, 날씨를 알려줘요!에 대한 학습하기를 제공할 수 있다. 여기서, AI 학습 챗봇은 화면 상단에 있는 서브 메뉴 중 밀크T 캘린더 메뉴와 한글 스피치 메뉴 사이에 위치하도록 배치할 수 있다.

도 26을 참조하면, 본 발명의 실시예에 따른 컨텐츠 구조부(130)는, 전체 메뉴에 대하여, 예를 들면, 과목별 학교 공부, 실력평가, AI 1:1 첨삭과외, AI 학습관, 수준별 수학, 수준별 영어, 수준별 국어, 특별학습 1관, 특별학습 2관 등의 전체메뉴를 제공할 수 있다. 이 외에 화면 하단에는 숙제해결, 우등생전과, 질문게시판, 어휘사전, 학습백과사전, 국어사전, 영어사전, 용어사전 등의 서브 메뉴를 제공할 수 있다.

과목별 학교 공부는, 국어, 독서논술, AI 수학, 안전한 생활, 봄여름가을겨울 등의 서브 메뉴를 포함할 수 있다.

실력평가는, 개념암기노트, 단원평가, 쪽지시험, 수행평가, 단원기출평가, 서술형 특강 등의 서브 메뉴를 포함할 수 있다.

AI 1:1 첨삭과외는, 국어, 수학/코딩, 봄여름가을겨울, 영어 등의 서브 메뉴를 포함할 수 있다.

AI 학습관은, 진단평가, 맞춤학습, 실력평가, 놀이학습 등의 서브 메뉴를 포함할 수 있다.

수준별 수학은, 재미 수학, 영역별 수학, 교과 수준 수학, 베스트셀러 수학, 영재 수학 등의 서브 메뉴를 포함할 수 있다.

수준별 영어는, 스피킹, 영어 Songs, 워즈, 영어 Library, 파닉스, 미국교과서 읽기, 리딩, 그래머 등의 서브 메뉴를 포함할 수 있다.

수준별 국어는, 도전! AI 받아쓰기, 생활 한국어, 어휘력 짱짱, 급수별 한자, 천재북 클럽, 마이 라이브러리 등의 서브 메뉴를 포함할 수 있다.

특별학습 1관은, 창의적 체험활동, 사회/역사, 초등 생활 등의 서브 메뉴를 포함할 수 있다.

특별학습 2관은 코딩 창작소, 디지털 체험과학, 수학 3D 도형 학습, 학습게임 등의 서브 메뉴를 포함할 수 있다.

이 외에 화면 하단에는 숙제해결, 우등생전과, 질문게시판, 어휘사전, 학습백과사전, 국어사전, 영어사전, 용어사전 등의 서브 메뉴를 제공할 수 있다.

여기서, AI 학습 챗봇은 화면 하단에 있는 질문 게시판을 대체하여 위치시키거나, 질문 게시판의 위치에 배치할 수 있다.

도 27은 본 발명의 실시예에 따른 컨텐츠 구조부에서 1~6학년 대상 학습창을 제공하는 예를 나타낸 도면이고, 도 28은 본 발명의 실시예에 따른 컨텐츠 구조부에서 숙제 해결을 제공하는 예를 나타낸 도면이다.

도 27을 참조하면, 본 발명의 실시예에 따른 컨텐츠 구조부(130)는, 학습창에 대하여, 예를 들면, 1~6학년 대상 노드 학습창으로 제공할 수 있다. 노드 학습창은 도 27에 도시된 바와 같이, 국어 1 단원에서 바른 자세로 낱말 읽기를 실행하고, 화면 상단에 개념 배우기1, 개념 배우기2, 개념 배우기3, 한눈에 정리하기 및 기초문제에 대한 서브 메뉴를 제공할 수 있다. 화면 하단에는 백과사전 및 질문하기에 대한 서브 메뉴를 제공하고, 질문하기 메뉴를 대체하여 AI 학습 챗봇을 제공할 수 있다.

도 28을 참조하면, 본 발명의 실시예에 따른 컨텐츠 구조부(130)는, 숙제해결에 대하여, 예를 들면, 1~6학년 대상 숙제 해결을 제공할 수 있다.

여기서, 숙제 해결에 대한 페이지는 우등생 전과, 질문 게시판, 용어사전, 영어사전, 학습백과사전 등의 서브 메뉴를 포함할 수 있다. 우등생 전과는 국어, 수학, 봄여름가을겨울에 대한 서브 메뉴를 포함할 수 있다. 국어에 대한 서브 메뉴는 1.소중한 책을 소개해요, 2.소리와 모양을 흉내내요, 3.문장으로 표현해요, 4.바른자세로 말해요, 5.알맞은 목소리로 읽어요, 6.고운 말을 해요, 7.무엇이 중요할까요, 8.띄어읽어요 등의 서브 메뉴를 포함할 수 있다. 이때, 1.소중한 책을 소개해요라는 서브 메뉴는 예를 들면, 책을 읽은 경험 말하기, 글을 읽고 재미있는 부분 찾기/글을 읽고 새롭게 알게 된 점 말하기, 낱말의 받침에 주의하며 글 쓰기/여러가지 모양의 책 읽기, 재미있게 읽은 책 소개하기/단원정리 등의 학습을 제공할 수 있다.

여기서, AI 학습 챗봇은 학습백과사전에 대한 버튼을 삭제한 후 그 위치에 배치하거나, 우등생 전과, 질문 게시판, 용어사전, 영어사전 등의 왼쪽 서브 메뉴들 중 제일 아래쪽 메뉴 위치에 배치할 수 있다.

전술한 바와 같이, 본 발명의 실시예에 따른 컨텐츠 구조부(130)는, 과목 소스층(132), 학습 소스층(134) 및 시공 소스층(136)에 근거하여 사용자의 학습 요구에 따른 학습 컨텐츠를 제공할 수 있다.

한편, 본 발명의 실시예에 따른 컨텐츠 구조 이용 학습 시스템(100)은, 입력부(120) 및 출력부(140)를 터치 스크린 패널(TP)로 구현할 수 있다.

따라서, 입력부(120) 및 출력부(140)는, 다수의 터치 전극(TE)이 배치된 터치 스크린 패널(TP)과 이를 구동하기 위한 터치 회로를 포함할 수 있다. 이하에서는 입력부(120) 및 출력부(140)를 포함하는 터치 입출력부를 터치 표시 장치로 예를 들어 설명하기로 한다.

터치 표시 장치는 터치 유무, 터치 위치 등에 따라 각 터치 전극(TE)마다 형성되는 커패시턴스 또는 그 변화를 측정하여 터치 입력을 센싱하는 셀프 커패시턴스(self-capacitance) 기반의 터치 센싱 기능을 제공할 수 있다.

터치 스크린 패널(TP)에 복수의 터치 전극(TE)이 배치될 수 있다. 터치 스크린 패널(TP)은 복수의 터치 전극(TE)과 터치 회로를 전기적으로 연결하는 복수의 터치 라인(Li)을 포함할 수 있다.

터치 회로는 복수의 터치 전극(TE) 중 하나 이상에 터치 구동 신호를 제공하고, 구동 신호가 인가된 터치 전극(TE)으로부터 센싱 신호를 수신함으로써 터치 전극(TE)을 센싱할 수 있다. 여기서, 구동 신호는 전압 레벨이 가변하는 변조 신호(예를 들어 펄스 폭 변조 신호 등)을 포함할 수 있다.

한편, 터치 표시 장치는 뮤추얼 커패시턴스(mutual-capacitance) 기반의 터치 센싱 방식으로 동작할 수 있다. 이 때 복수의 터치 전극(TE)은 구동 전극과 센싱 전극으로 나누어지고, 터치 회로는 구동 전극에 해당하는 터치 전극(TE)과 센싱 전극에 해당하는 터치 전극(TE) 간의 커패시턴스 또는 그 변화를 기초로 터치 유무 및/도는 터치 좌표를 센싱할 수 있다. 이하에서 터치 표시 장치는 셀프 커패시턴스 방식으로 동작하는 것으로 가정하고 설명한다.

터치 회로는 터치 스크린 패널(TP)로 터치 구동 신호를 공급하고 터치 스크린 패널(TP)로부터 센싱 신호를 검출하기 위한 하나 이상의 터치 구동 회로(TDC)와 터치 구동 회로(TDC)의 센싱 신호 검출 결과를 이용하여 터치 입력의 유무 및/또는 위치 등을 알아내는 터치 컨트롤러(TCR) 등을 포함할 수 있다.

본 발명의 일 실시예에서, 터치 회로에 포함된 터치 구동 회로(TDC)는 데이터 구동 회로를 구현한 소스 드라이버 집척회로(SDIC)와 함께 통합된 통합 집적회로(SRIC)로 통합되어 구현될 수 있다.

터치 구간 동안, 터치 회로의 내부에서 복수의 터치 전극(TE) 중 센싱 대상으로 선택된 하나 이상의 터치 전극(TE)은, 터치 회로의 터치 구동 회로(TDC)로부터 터치 구동 신호를 인가받고, 터치 회로의 터치 구동 회로(TDC)에 의해 센싱 신호가 검출될 수 있다.

또한, 터치 구간 동안 터치 회로는 복수의 터치 전극(TE)에 유입되는 노이즈를 센싱할 수 있다. 즉, 터치 구간 중에, 터치 구동 회로(TDC)는 터치 구동 신호와는 다른 주파수를 갖는 노이즈 센싱 신호를 터치 전극(TE)에 제공하고, 센싱 신호를 검출함으로써 터치 전극(TE)의 노이즈를 센싱할 수 있다.

한편, 터치 구동 회로(TDC)가 터치 센싱을 위해 터치 전극(TE)에 터치 구동 신호를 공급할 때, 터치 센싱과 관련이 없는 다른 전극들이나 신호 라인들은 터치 전극(TE)과 불필요한 기생 커패시턴스를 형성할 수 있다. 이러한 기생 커패시턴스에 의해 터치 감도가 크게 떨어질 수 있다.

따라서, 본 발명의 실시예에 따른 터치 표시 장치는, 터치 구동 회로(TDC)가 터치 센싱을 위해 터치 전극(TE)에 터치 구동 신호를 공급할 때, 터치 센싱과 관련이 없는 다른 전극들이나 신호 라인들로 터치 구동 신호와 동일하거나 대응되는 로드 프리 구동(LFD: Load Free Driving) 신호를 제공할 수 있다.

일 실시예에서, LFD 신호는 터치 구동 신호의 주파수 및 위상과 동일하거나 유사한 주파수 및 위상을 가질 수 있다. 또한, LFD 신호는 터치 구동 신호의 진폭 등과 동일하거나 유사한 진폭 등을 가질 수 있다.

예를 들어, 터치 구간 동안, 모든 데이터 라인(D1~Dm) 또는 일부의 데이터 라인(D1~Dm)으로 LFD 신호가 인가될 수 있다. 또는, 터치 구간 동안 모든 게이트 라인(G1~Gn) 또는 일부의 게이트 라인(G1~Gn)으로 LFD 신호가 인가될 수도 있다.

다른 일 실시예에서, 터치 구동 회로(TDC)는, 터치 구간 동안 모든 터치 전극(TE)으로 터치 구동 신호(LFD 신호)를 동시에 공급하고, 모든 터치 전극(TE) 중 센싱 대상이 되는 하나 이상의 터치 전극(TE)만을 순차적으로 센싱할 수도 있다. 여기서 모든 터치 전극(TE)으로 터치 구동 신호(LFD 신호)가 동시에 공급될 때, 모든 데이터 라인(D1~Dm)과 모든 게이트 라인(G1~Gn)으로도 로드 프리 구동 신호가 인가될 수도 있다. 이 경우, LFD 신호는 터치 센싱을 위한 터치 구동 신호와 동일하며, 센싱 대상인 터치 전극(TE)에 인가되는 터치 구동 신호 그 자체를 의미할 수도 있다.

한편, 터치 구동 회로(TDC) 및 소스 드라이버 집적 회로(SDIC) 각각은 TCP(Tape Carrier Package) 방식, COF(Chip On Film) 방식 또는 COG(Chip On Glass) 방식 등으로 구현될 수 있다.

예를 들어, 통합 집적회로(SRIC)가 COF 방식으로 구현된 경우, 통합 집적회로(SRIC)는 필름 상에 실장되고, 통합 집적회로(SRIC)가 실장된 필름의 일단은 표시 패널(DIS)의 외곽의 패드부와 연결되고 타단은 인쇄 회로 기판(PCB)에 연결될 수 있다.

터치 컨트롤러(TCR)는 인쇄 회로 기판(PCB)에 실장될 수 있다. 일 실시예에서, 터치 컨트롤러(TCR)와 터치 구동회로(TDC)는 별개의 부품으로 구현될 수 있으나 이에 제한되는 것은 아니며, 터치 컨트롤러(TCR)와 터치 구동회로(TDC)는 1개의 부품으로 통합되어 구현될 수도 있다.

터치 회로는 멀티플렉서, 프리앰프, 적분기 및 아날로그 디지털 컨버터 등을 포함할 수 있다.

멀티플렉서는 터치 스크린 패널(TP) 상에 배치된 복수의 터치 전극들(TE) 중 하나 이상의 센싱 대상 터치 전극(TE)을 선택할 수 있다. 구체적으로, 멀티플렉서는 자신과 대응되는 복수의 터치 전극들(TE1, TE2, TE3, TE4, ) 가운데 하나의 센싱 대상 터치 전극(예를 들어 TE1)을 순차적으로 선택하여 프리앰프와 연결시킬 수 있다.

멀티플렉서는 하나의 센싱 대상 터치 전극(TE1)에 터치 구동 신호(TDS)가 인가될 때, 나머지 센싱 대상이 아닌 터치 전극(TE1, TE2, TE3, TE4, )에는 LFD 신호가 인가될 수 있다. 이 경우, 터치 구동 신호(TDS)와 LFD 신호는 동일할 수 있다.

프리앰프는 멀티플렉서에 의해 복수의 터치 전극들(TE1, TE2, TE3, TE4, TE5, ) 중 센싱 대상인 터치 전극(TE1)과 연결될 수 있다. 프리앰프는 센싱 대상인 터치 전극(TE1)으로부터 센싱 신호를 입력받을 수 있다.

프리앰프는 다른 하나의 입력단에 예를 들어 소정의 진폭(V)을 갖고 하이 레벨(VTOP)과 로우 레벨(VBOT) 사이의 전압 레벨에서 스윙하는 터치 구동 신호(TDS)를 제공받을 수 있다. 프리앰프는 멀티플렉서로부터 제공된 터치 전극들의 전압차를 출력할 수 있다.

적분기는 프리앰프로부터 증폭되어 출력된 전압을 적분하여 아날로그 디지털 컨버터에 제공할 수 있다. 프리앰프와 적분기 사이에 프리앰프의 출력 전압을 샘플링하는 샘플링 회로가 더 연결될 수도 있다.

아날로그 디지털 컨버터는 멀티플렉서에 의해 선택된 터치 전극(TE1)으로부터 출력된 센싱 결과를 디지털값으로 변환하여 터치 센싱 데이터(Tout)를 생성할 수 있다. 아날로그 디지털 컨버터는 생성된 터치 센싱 데이터(Tout)를 마이크로 컨트롤러에 제공할 수 있다.

마이크로 컨트롤러는 버퍼, 비교기 및 좌표 계산기를 포함할 수 있다.

마이크로 컨트롤러와 터치 회로는 인터페이스(IF)에 의해 터치 데이터 또는 기타 신호를 주고받을 수 있다.

버퍼는 터치 회로로부터 제공된 디지털 데이터인 터치 센싱 데이터(Tout)를 일시적으로 저장할 수 있다. 버퍼는 메모리를 포함하여, 복수의 터치 전극들(TE1, TE2, TE3, TE4, TE5, )로부터 얻어진 센싱 데이터를 차례로 저장할 수 있다.

버퍼는 일시적으로 저장한 터치 센싱 데이터(Tout)를 터치 회로로부터 제공되는 동기 신호에 의해 비교기로 출력할 수 있다.

비교기는 터치 회로로부터 제공된 터치 센싱 데이터(Tout)와 버퍼로부터 제공된 센싱 데이터의 값을 비교할 수 있다. 비교기는 터치 센싱 구간에서의 센싱 데이터와, 노이즈 센싱 구간에서의 센싱 데이터의 값을 비교할 수 있다. 비교기는 비교 결과를 좌표 계산기로 제공할 수 있다.

좌표 계산기는 비교기의 비교 결과에 따라 터치 회로로부터 제공된 터치 센싱 데이터(Tout)로부터 터치 입력의 좌표를 계산한다. 즉, 비교기의 비교 결과 터치 센싱 구간에서의 센싱 데이터와, 노이즈 센싱 구간에서의 센싱 데이터의 값이 일치하는 경우, 좌표 계산기는 제공받은 센싱 데이터로부터 터치 좌표를 계산할 수 있다. 좌표 계산기는 계산된 터치 좌표를 호스트 시스템으로 제공할 수 있다.

마이크로 컨트롤러는 마이크로프로세서와 입출력 모듈이 하나의 칩으로 만들어진 CPU를 의미할 수 있다. 마이크로 컨트롤러는 전술한 구성 요소 이외의 기능 블록 및 입출력부를 더 포함할 수 있다.

터치 입출력부(112)는 연속된 디스플레이 프레임들(Framen-1, Framen, Framen+1)이 이어지는 동안의 디스플레이 구간(Td)과 터치 구간(Tt)을 구분하는 제2 터치 동기 신호(Tsync)의 타이밍도에 따라 동작한다.

마이크로 컨트롤러는 타이밍 컨트롤러로부터 제1 터치 동기 신호(ITsync)를 제공받을 수 있다. 마이크로 컨트롤러는 제1 터치 동기 신호(ITsync)를 기반으로 터치 회로를 제어하는 제2 터치 동기 신호(Tsync)를 생성할 수 있다.

제2 터치 동기 신호(Tsync)는 디스플레이 구간(Td)에서 하이 레벨을 갖고 터치 구간(Tt)에서 로우 레벨을 가짐으로써 터치 구간(Tt)을 정의할 수 있다. 일 실시예에서, 마이크로 컨트롤러는 디스플레이 구간(Td)에서 로우 레벨을 갖고 터치 구간(Tt)에서 하이 레벨을 갖는 제2 터치 동기 신호(Tsync)를 생성할 수도 있다.

데이터 구동 회로와 게이트 구동 회로는 디스플레이 구간(Td)에서 데이터 라인(D1~Dm)과 게이트 라인(G1~Gn)에 각각 데ㅔ이터 신호 및 게이트 신호를 인가하여 영상을 표시한다. 터치 회로는 제2 터치 동기 신호(Tsync)에 의해 디스플레이 구간(Td) 동안 터치 전극(TE)의 터치 입력을 센싱하지 않을 수 있다.

한편, 터치 회로는 터치 구간(Tt)에서 터치 라인(L1~Li)을 통해 터치 구동 신호를 제공할 수 있다. 터치 회로는 터치 구간(Tt)에서 터치 라인(L1~Li)들의 터치 센싱 신호를 읽어 터치를 감지할 수 있다. 신호와 함께, 터치 회로는 터치 구간(Tt)에서 적어도 하나의 데이터 라인들(D1~Dm) 또는 적어도 하나의 게이트 라인(G1~Gn)으로 LFD 신호를 인가할 수 있다.

본 발명의 일 실시예에서, 하나의 디스플레이 프레임은 하나의 디스플레이 구간(Td)과 하나의 터치 구간(Tt)으로 구분될 수 있다. 이와는 다르게, 하나의 디스플레이 프레임은 2개 이상의 디스플레이 구간과 2개 이상의 터치 센싱 구간이 교번하는 것으로 정의될 수도 있다.

하나의 터치 구간(Tt)은 터치 센싱 구간(TSP)과 노이즈 센싱 구간(NSP)으로 구분될 수 있다.

터치 구간(Tt)은 제1 주파수(f1)의 터치 구동 신호(TDS)가 터치 라인(L1~Li)으로 인가되는 터치 센싱 구간(TSP)과 제2 주파수(f2)의 터치 구동 신호가 터치 라인(L1~Li)으로 인가되는 노이즈 센싱 구간(NSP)으로 나누어질 수 있다. 터치 센싱 구간(TSP)은 터치 스크린 패널(TP) 상의 터치 입력을 센싱하는 구간이고, 노이즈 센싱 구간(NSP)은 터치 전극(TE)에 유입되는 노이즈를 측정하기 위한 구간이다.

본 발명의 일 실시예에서 제1 주파수(f1)와 제2 주파수는 각각 94kHz, 130kHz일 수 있으나 본 발명이 이에 제한되는 것은 아니다. 즉, 본 발명의 실시예에 따른 터치 표시 장치는 외부로부터 유입되는 노이즈 성분에 의한 고스트 터치와 같은 터치 신호의 왜곡을 최소화하기 위하여 터치 구간(Tt)을 터치 센싱 구간(TSP)과 노이즈 센싱 구간(NSP)으로 나누어 터치 센싱과 노이즈 센싱을 수행할 수 있다.

터치 회로는 노이즈 센싱 구간(NSP) 동안 손가락이나 도전체를 통해 터치 전극(TE)에 유입되는 노이즈를 측정하고, 노이즈 수준에 따라 터치 구동 신호의 주파수(f2)를 변경할 수 있다. 터치 컨트롤러(TCR)는 예를 들어 현재 노이즈 센싱 구간(예를 들어 Framen의 NSP) 동안 센싱된 노이즈 데이터의 값이 이전 노이즈 센싱 구간(예를 들어 Framen-1의 NSP)에서 센싱된 노이즈 데이터의 값보다 큰 경우 터치 구동 신호의 주파수(f2)를 다른 주파수로 변경할 수 있다.

터치 구간(Tt)은 터치 센싱 구간(TSP)이 진행된 다음에 노이즈 센싱 구간(NSP)이 이어지는 것으로 구분될 수 있다. 다만 본 발명이 이에 제한되는 것은 아니며, 터치 구간(Tt)은 노이즈 센싱 구간(NSP)이 진행된 후 터치 센싱 구간(TSP)이 이어지는 것으로 구분될 수도 있다.

터치 구간(Tt)에 포함된 터치 센싱 구간(TSP) 동안 터치 스크린 패널(TP)로 터치 입력에 의해 센싱 신호(SS1) 가 발생할 수 있다.

터치 구동 회로(TDC)는 복수의 터치 전극(TE) 중 센싱 대상으로 하나 이상의 터치 전극을 선택하여 터치 구동 신호(TDS)를 제공할 수 있다. 터치 구동 회로(TDC)는 선택된 터치 전극(TE)으로부터 터치 센싱 신호를 제공받아 터치를 감지할 수 있다.

터치 회로로 제공된 터치 센싱 신호는 프리앰프 및 적분기를 거쳐 처리된 후 아날로그 디지털 컨버터에 의해 터치 센싱 데이터로 변환될 수 있다.

터치 컨트롤러(TCR)는 터치 회로로 제공된 터치 센싱 신호가 유효한 터치 입력에 해당하는지를 판단할 수 있다. 터치 컨트롤러(TCR)는 터치 센싱 신호의 크기가 미리 정해진 문턱값의 크기 이상인지 여부를 판단하여 유효한 터치 입력에 해당하는지 여부를 판단할 수 있다.

터치 컨트롤러(TCR)에 의해 유효한 터치 입력에 해당하는 것으로 판단된 경우, 터치 센싱 데이터는 마이크로 컨트롤러 내의 버퍼에 일시적으로 저장될 수 있다. 버퍼에 저장된 터치 센싱 데이터는 이후 노이즈 센싱 구간(NSP)에서 센싱된 노이즈 센싱 데이터와의 비교에 이용될 수 있다.

이어서 터치 센싱 구간(TSP) 이후 이어지는 노이즈 센싱 구간(NSP)에서 터치 입력 유무를 검출한다. 노이즈 센싱 구간(NSP)에서 터치 입력에 의한 센싱 신호(SS2)가 발생한 것을 가정한다.

상술한 것과 같이, 고스트 터치를 최소화하기 위해 터치 구간(Tt)을 터치 센싱 구간(TSP)과 노이즈 센싱 구간(NSP)으로 나누어 터치 센싱과 노이즈 센싱을 수행할 수 있다. 구체적으로, 터치 센싱 구간(TSP)와 노이즈 센싱 구간(NSP)에서 동일한 터치 입력이 검출되는 경우, 터치 컨트롤러(TCR)는 유효한 터치 입력이 제공된 것으로 판단하고 이를 이용하여 터치 좌표를 산출한다.

터치 센싱 구간(TSP)의 터치 센싱 신호와 노이즈 센싱 구간(NSP)의 노이즈 센싱 신호를 비교하는 것은 마이크로 컨트롤러에 의해 수행될 수 있다.

구체적으로, 버퍼는 터치 센싱 구간(TSP)의 터치 센싱 데이터(Tout)를 저장한다. 이어서 노이즈 센싱 구간(TSP)에서 노이즈 센싱 데이터가 제공되면 저장된 터치 센싱 구간(TSP)의 터치 센싱 데이터를 로딩하여 비교기로 제공한다. 동일한 터치 전극(TE1)에 대한 터치 센싱 데이터와 노이즈 센싱 데이터를 제공받은 비교기는 두 데이터를 비교할 수 있다.

비교기가 두 데이터를 일치한 것으로 판단한 경우, 좌표 계산기는 터치 센싱 데이터(Tout)에 기초하여 터치 입력의 좌표를 계산할 수 있다. 호스트 시스템은 계산된 터치 입력의 좌표를 제공받음으로써 터치 입력을 검출할 수 있다.

비교기가 두 데이터를 일치하지 않는 것으로 판단한 경우, 터치 컨트롤러(TCR)는 이를 유효하지 않은 터치 입력 또는 고스트 터치와 같은 노이즈로 판단할 수 있다. 이 때 마이크로 컨트롤러는 터치 센싱 데이터에 대한 좌표를 산출하지 않을 수 있다.

터치 컨트롤러(TCR)가 노이즈 센싱 구간(NSP)에서 입력된 노이즈 센싱 신호(SS2)를 노이즈로 판단한 경우, 터치 구동회로(TDC)는 터치 스크린 패널(TP)에 대해 제2 주파수(f2)와는 다른 제3 주파수(f3)의 터치 구동신호(TDS)를 제공할 수 있다. 이는 터치 회로의 SNR(Signal to Noise Ratio)을 향상시킬 수 있다.

전술한 바와 같이 본 발명에 의하면, 사용자의 학습 요구에 따른 학습 컨텐츠를 과목 소스층, 학습 소스층 및 시공 소스층으로 생성하고, 이렇게 생성된 컨텐츠 구조에 따라 사용자의 학습을 제공할 수 있도록 하는, 컨텐츠 구조 이용 학습 시스템을 제공할 수 있다.

이상에서는 본 발명의 실시예를 중심으로 설명하였지만, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 기술자의 수준에서 다양한 변경이나 변형을 가할 수 있다. 이러한 변경과 변형은 본 발명이 제공하는 기술 사상의 범위를 벗어나지 않는 한 본 발명에 속한다고 할 수 있다. 따라서 본 발명의 권리범위는 이하에 기재되는 청구범위에 의해 판단되어야 할 것이다.

60 : 요소 도출기 61 : 텍스트 변환 모듈
62 : 정보 추출 모듈 63 : 요소 도출 모듈
70 : 학습 엔진 71 : 조직 모듈
72 : 구성 모듈 73 : 학습 모듈
80 : 조치기 81 : 이해 및 스케줄링 모듈
82 : 판단 및 예측 모듈 83 : 추천 및 조치 모듈
90 : DNA 툴 91 : 변환 툴
92 : 추출 툴 93 : 콤비네이션 툴
94 : 자가 적응 툴
100 : 컨텐츠 구조 이용 학습 시스템
110 : 컨텐츠 DB 120 : 입력부
130 : 컨텐츠 구조부 132 : 과목 소스층
134 : 학습 소스층 136 : 시공 소스층
138 : 관통홀 140 : 출력부
150 : AI 학습부 210 : 변환부
220 : 임베딩 처리부 230 : 학습 유도부

Claims (5)

1. 적어도 하나 이상의 학습 컨텐츠를 저장하고 있는 컨텐츠 데이터베이스;
   학습 메뉴를 화면 상으로 제공하고, 메뉴 선택에 관한 입력, 사용자의 학습 요구에 관한 음성 또는 문자를 입력받는 입력부;
   상기 컨텐츠 데이터베이스로부터 상기 학습 요구에 해당하는 학습 컨텐츠를 불러와, 상기 학습 요구에 대응하는 학습 시나리오에 따라 과목 소스층, 학습 소스층, 시공 소스층으로 각각 생성하고, 각각 생성된 과목 소스층, 학습 소스층, 시공 소스층에 근거하여 학습 컨텐츠를 제공하는 컨텐츠 구조부; 및
   상기 학습 컨텐츠를 화면 또는 음향으로 출력하는 출력부;
   를 포함하고,
   상기 과목 소스층, 상기 학습 소스층 및 상기 시공 소스층은 서로 독립된 개체이고, 서로 데이터를 주고 받는 공유 통로인 관통 홀을 각각 구비하고, 상기 학습 시나리오에 근거하여 성명, 나이, 성별, 연락처, 주소, 지역의 사용자 정보를 상기 각각의 관통 홀을 통하여 공유하며,
   상기 각각의 관통 홀을 통하여 공유되는 상기 사용자 정보에 대한 데이터는 각각 오브젝트로 존재하고, 각 오브젝트는 육면체 또는 구 형상을 가지며,
   상기 과목 소스층, 상기 학습 소스층 및 상기 시공 소스층은 서로 공유되는 오브젝트를 통하여 서로 연결되거나, 별도의 블록체인(Block Chain)을 통하여 서로 연결되며,
   상기 블록체인은 상기 과목 소스층, 상기 학습 소스층 및 상기 시공 소스층에 관련된 연관어로 이루어진 오브젝트를 포함하는 컨텐츠 구조 학습 시스템.
   
2. 제 1 항에 있어서,
   상기 과목 소스층은 국어, 영어, 수학, 과학을 포함하는 교과 과목 관련 데이터를 포함하고,
   학습 소스층은 키워드 추천, 단순 응답, 진도 확인, 연관 학습, 단순 게임, 감성 코칭을 포함하는 학습 관련 데이터를 포함하고,
   시공 소스층은 각 컨텐츠에 대한 시간, 기간, 공간, 장소, 색상을 포함하는 시간 및 공간 관련 데이터를 포함하는,
   컨텐츠 구조 학습 시스템.
   
3. 제1항에 있어서,
   상기 컨텐츠 구조부는,
   상기 입력부를 통해 입력받은 음성 또는 문자를 음성 인식 및 언어 모델의 문자로 변환하는 변환부;
   상기 변환된 문자를 임베딩(Embedding) 처리하는 임베딩 처리부; 및
   상기 임베딩 처리된 결과에 따라 키워드 추천, 단순 응답, 진도 확인, 연관 학습, 단순 게임, 감성 코칭 중 하나로 학습 컨텐츠를 제공하는 컨텐츠 제공부;
   를 포함하는 컨텐츠 구조 학습 시스템.
   
4. 제3항에 있어서,
   상기 컨텐츠 제공부는,
   상기 학습 메뉴에 대하여 오늘의 학습, 전체 메뉴, 숙제질문을 제공하고, 사용자가 과목을 선택하고, 선택된 과목의 학습을 실행하며, 숙제질문에 대하여 Q&A 데이터 및 학습백과사전에 대한 데이터를 활용하여 학습 답변에 대한 학습 컨텐츠를 제공하거나,
   상기 학습 메뉴에 대하여 학습창을 제공하고, 학습창 과목 코드를 기준으로 과목을 자동으로 선택하고, 숙제질문에 대하여 Q&A 데이터 및 학습백과사전에 대한 데이터를 활용하여 학습 답변에 대한 학습 컨텐츠를 제공하는, 컨텐츠 구조 학습 시스템.
   
5. 제3 항에 있어서,
   상기 컨텐츠 제공부는,
   숙제해결에 대한 데이터를 자동으로 필터링하고, 키워드를 구분하여 그룹핑(Grouping)하고, 백과사전 데이터와 연결하여 필요한 질문을 구분하고, 답변 내의 오타를 수정하고, 유사 질문을 추가하고, 답변 일반화 작업을 통해 정제된 답변에 대한 학습 컨텐츠를 제공하며,
   사용자에게 질문하고 싶은 과목을 선택하도록 하고, 선택된 과목 내에서 질문을 수신하며, 질문과 관련된 내용을 학습백과사전에서 검색하여 답변을 생성하고, 생성된 답변을 정제하여 음성 또는 문자로 제공하며, 상기 컨텐츠 데이터베이스에 없는 내용과 관련된 질문에 대하여 공부해서 다음에 알려주겠다는 답변을 제공하는 학습 컨텐츠를 제공하는,
   컨텐츠 구조 학습 시스템.
   

Images