KR102507733B1 - 인공지능 기술 기반 학생 맞춤형 교육 및 취업지원 방법 및 시스템 - Google Patents

Abstract

본 발명은 인공지능 기술 기반 학생 맞춤형 교육 및 취업지원 방법 및 시스템에 관한 것이다.
보다 자세하게는, 본 발명은 학교생활에 필요한 정보 및 취업에 필요한 정보를 학생에 맞춤형으로 제공할 수 있는 인공지능 기술 기반 학생 맞춤형 교육 및 취업지원 방법 및 시스템에 관한 것이다.
본 발명에 따른 인공지능 기술 기반 학생 맞춤형 교육 및 취업지원 방법은 학교에 재학 중인 학생에 대응되는 학생 단말기(Student Terminal)에서 서버(Server)로 상기 학생의 인적사항에 대한 정보를 포함하는 기준정보(Reference Information)를 입력하는 단계, 상기 서버에서 상기 기준정보를 분석하여 상기 기준정보에 매칭(Matching)되는 추천정보를 추출하는 단계 및 상기 서버에서 상기 학생 단말기로 추출한 상기 추천정보를 전송하는 단계를 포함하고, 상기 추천정보는 교과에 대한 추천정보를 포함하는 교과 추천정보 및 비교과 대한 추천정보를 포함하는 비교과 추천정보를 포함할 수 있다.

Description

인공지능 기술 기반 학생 맞춤형 교육 및 취업지원 방법 및 시스템{METHOD AND SYSTEM FOR CUSTOMIZED EDUCATION AND EMPLOYMENT SUPPORT FOR STUDENT BASED ON ARTIFICIAL INTELLIGENCE TECHNOLOGY}

본 발명은 인공지능 기술 기반 학생 맞춤형 교육 및 취업지원 방법 및 시스템에 관한 것이다.

보다 자세하게는, 본 발명은 학교에 분산되어 있는 시스템에 저장된 데이터를 한 곳에 모으고 인공지능 기술을 활용해서 데이터를 종합적으로 분석하여 학교생활에 필요한 정보 및 취업에 필요한 정보를 학생에 맞춤형으로 제공할 수 있는 학생 맞춤형 교육 및 취업지원 방법 및 시스템에 관한 것이다.

4차 산업혁명 영향으로 빅데이터와 AI 기술을 기반으로 국가 및 사회 전반에 혁신적 변화가 이루어지고 있으며, 코로나로 인한 급속한 디지털 전환에 따라 에듀테크 기반의 교육 혁신이 이루어지고 있다.

디지털 기술을 접목한 교육의 디지털 전환이 Trend가 됨에 따라 학생 별 맞춤형 교육을 통해 교육의 효과를 제고하는 시대가 도래되고 있으나, 기존의 학생 지원 시스템은 단순히 대학이 제공하는 과목정보 등을 학생들에게 알리거나 기업의 채용공고를 알리는 등의 기능을 구현할 뿐, 학생들이 필요로 하는 개인 맞춤형 정보는 제공하지 못하는 실정이다.

이러한 문제점을 해결하기 위한 종래기술로서 대한민국 공개특허공보 제10-2015-0026397호[문헌 1]에서는 대학생의 학습 과정과 경력 개발을 위해 양적 데이터 뿐 아니라 질적 데이터를 수집하고 저장할 수 있는 기술적 구성을 게시하고 있다.

그러나 문헌 1에 따른 기술에서도 학생들이 필요로 하는 개인 맞춤형 정보는 제공하기 어렵다는 문제점이 있다.

[문헌 1] 대한민국 공개특허공보 제10-2015-0026397호[문헌 1]

본 발명은 학생들이 필요로 하는 학교생활 및 취업 정보를 빅데이터와 AI 기술을 기반으로 분석하여 학생들에게 맞춤형으로 제공할 수 있는 인공지능 기술 기반 학생 맞춤형 교육 및 취업지원에 대한 방법 및 시스템을 제공하는데 그 목적이 있다.

본 발명에 따른 인공지능 기술 기반 학생 맞춤형 교육 및 취업지원 방법은 학교에 재학 중인 학생에 대응되는 학생 단말기(Student Terminal)에서 서버(Server)로 상기 학생의 인적사항에 대한 정보를 포함하는 기준정보(Reference Information)를 입력하는 단계, 학교에 분산되어 있는 시스템에 저장된 데이터를 한 곳에 수집하는 단계, 상기 서버에서 머신러닝(Machine Learning) 기술을 활용하여 상기 정보에 매칭(Matching)되는 추천정보를 추출하는 단계 및 상기 서버에서 상기 학생 단말기로 추출한 상기 추천정보를 전송하는 단계를 포함하고, 상기 추천정보는 교과에 대한 추천정보를 포함하는 교과 추천정보 및 비교과 대한 추천정보를 포함하는 비교과 추천정보를 포함할 수 있다.

또한, 상기 서버는 상기 학생 및/또는 졸업생에 대한 학사정보, 행정정보, 입시정보, 출결정보, 역량정보, 이클래스정보, 활동정보 및 취업정보 중 적어도 하나를 저장하는 데이터베이스(Database)를 포함할 수 있다.

또한, 상기 서버에서 상기 학생이 이수했던 과목, 교내외 활동정보, 관심사 등을 기반으로 이수과목정보, 교내외 활동정보 및 관심분야정보를 판별하는 단계, 상기 서버에서 판별한 정보와 매칭률이 미리 설정된 기준 매칭률보다 높은 적어도 하나의 과목을 포함하도록 상기 교과 추천정보를 설정하는 단계, 상기 서버에서 판별한 정보와 매칭률이 미리 설정된 기준 매칭률보다 높은 적어도 하나의 비교과 항목을 포함하도록 상기 비교과 추천정보를 설정하는 단계 및 상기 서버에서 상기 학생 단말기로 상기 교과 추천정보 및 상기 비교과 추천정보를 전송하는 단계를 더 포함할 수 있다.

또한, 상기 서버에서 상기 학생의 학과정보, 학년정보, 성적정보, 활동정보 및 관심사 정보 적어도 하나를 근거로 하여 상기 학생과 유사한 레벨의 학생들을 판별하여 비교군(Reference Group)으로 설정하는 단계, 상기 서버에서 상기 비교군에 포함된 학생들이 이수한 복수의 과목 중 이수비율이 미리 설정된 기준비율 이상인 적어도 하나의 과목을 포함하도록 상기 교과 추천정보를 설정하는 단계, 상기 서버에서 상기 비교군에 포함된 학생들에 대응되는 적어도 하나의 비교과 항목을 포함하도록 상기 비교과 추천정보를 설정하는 단계 및 상기 서버에서 상기 학생 단말기로 상기 교과 추천정보 및 상기 비교과 추천정보를 전송하는 단계를 더 포함할 수 있다.

또한, 상기 학생 단말기에서 상기 서버로 상기 학생이 목표로 하는 것에 대한 목표정보를 입력하는 단계, 상기 서버에서 상기 목표정보에 대응되는 추천 교과스펙정보 및 추천 비교과스펙정보 중 적어도 하나를 추출하는 단계 및 상기 서버에서 추출한 상기 추천 교과스펙정보 및 상기 추천 비교과스펙정보 중 적어도 하나를 상기 학생 단말기로 전송하는 단계를 더 포함할 수 있다.

또한, 상기 서버는 상기 추천 교과스펙정보 및 상기 추천 비교과스펙정보를 상기 졸업생에 대한 상기 학사정보, 상기 행정정보, 상기 입시정보, 상기 출결정보, 상기 활동정보 및 상기 취업정보 중 적어도 하나로부터 추출할 수 있다.

또한, 상기 교과 추천정보는 상기 교과에 대한 부족한 부분에 대응되는 교과 부족정보를 포함하고, 상기 비교과 추천정보는 상기 비교과에 대한 부족한 부분에 대응되는 비교과 부족정보를 포함할 수 있다.

또한, 상기 서버에서 타학교 서버로부터 해당 학교의 학생 및/또는 졸업생에 대한 학사정보, 행정정보, 입시정보, 출결정보, 활동정보 및 취업정보 중 적어도 하나를 수신하고, 상기 서버는 상기 타학교 서버로부터 수신한 정보를 상기 추천정보를 추출하는 과정에서 참조할 수 있다.

본 발명에 따른 인공지능 기술 기반 학생 맞춤형 교육 및 취업지원 시스템은 학교에 재학 중인 학생에 대응되는 학생 단말기(Student Terminal) 및 상기 학교에 대응되는 서버(Server)를 포함하고, 상기 서버는 학교 시스템으로부터 학교 원천 정보를 수집하고, 상기 학생 단말기는 상기 서버로 상기 학생의 인적사항에 대한 정보를 포함하는 기준정보(Reference Information)를 입력하고, 상기 서버는 머신러닝(Machine Learning) 기술을 활용하여 상기 기준정보에 매칭(Matching)되는 추천정보를 추출하고 추출한 상기 추천정보를 상기 학생 단말기로 전송하고, 상기 추천정보는 교과에 대한 추천정보를 포함하는 교과 추천정보 및 비교과 대한 추천정보를 포함하는 비교과 추천정보를 포함할 수 있다.

본 발명에 따른 인공지능 기술 기반 학생 맞춤형 교육 및 취업지원 방법 및 시스템은 학생들이 필요로 하는 정보를 충분히 정밀하게 파악하여 맞춤형으로 제공함으로써 학생들의 학교생활의 만족도를 향상시킬 수 있는 효과가 있다.

아울러, 본 발명에 따른 인공지능 기술 기반 학생 맞춤형 교육 및 취업지원 방법 및 시스템은 학생들이 필요로 하는 정보를 충분히 정밀하게 파악하여 맞춤형으로 제공함으로써 학생들이 취업 등의 목표를 이루는데 실질적으로 도움을 줄 수 있는 효과가 있다.

도 1 내지 도 2는 본 발명에 따른 인공지능 기술 기반 학생 맞춤형 교육 및 취업지원 시스템의 구성에 대해 설명하기 위한 도면이다.
도 3은 설정모드에 대해 설명하기 위한 도면이다.
도 4 내지 도 17은 본 발명에 따른 인공지능 기술 기반 학생 맞춤형 교육 및 취업지원 방법에 대해 설명하기 위한 도면이다.
도 18 내지 도 22는 본 발명에 따른 인공지능 기술 기반 학생 맞춤형 교육 및 취업지원 방법을 구현한 앱의 일례를 설명하기 위한 도면이다.

이하, 첨부된 도면을 참조하여 본 발명에 따른 인공지능 기술 기반 학생 맞춤형 교육 및 취업지원 방법 및 시스템에 대해 상세히 설명한다.

본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들은 도면에 예시하고 상세한 설명에 상세하게 설명하고자 한다. 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해될 수 있다.

본 발명을 설명함에 있어서 제 1, 제 2 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되지 않을 수 있다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용될 수 있다. 예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제 1 구성요소는 제 2 구성요소로 명명될 수 있고, 유사하게 제 2 구성요소도 제 1 구성요소로 명명될 수 있다.

및/또는 이라는 용어는 복수의 관련된 기재된 항목들의 조합 또는 복수의 관련된 기재된 항목들 중의 어느 항목을 포함할 수 있다.

어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급되는 경우는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해될 수 있다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해될 수 있다.

본 문서에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함할 수 있다.

본 문서에서, "포함하다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것으로서, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해될 수 있다.

다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가질 수 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 가지는 것으로 해석될 수 있으며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않을 수 있다.

아울러, 본 문서에 개시된 실시예는 당 업계에서 평균적인 지식을 가진 자에게 보다 완전하게 설명하기 위해서 제공되는 것으로서, 도면에서의 요소들의 형상 및 크기 등은 보다 명확한 설명을 위해 과장될 수 있다.

본 문서에서 본 발명을 설명함에 있어서, 관련된 공지 기능 또는 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략할 수 있다.

본 문서에서 설명되는 다양한 실시예들은 소프트웨어, 하드웨어 또는 이들의 조합된 것을 이용하여 컴퓨터 또는 이와 유사한 장치로 읽을 수 있는 기록매체 내에서 구현될 수 있다.

하드웨어적인 구현에 의하면, 본 발명의 실시예는 ASICs (application specific integrated circuits), DSPs (digital signal processors), DSPDs (digital signal processing devices), PLDs (programmable logic devices), FPGAs (field programmable gate arrays, 프로세서(processors), 제어기(controllers), 마이크로 컨트롤러(micro-controllers), 마이크로프로세서(microprocessors), 기능 수행을 위한 전기적인 유닛 중 적어도 하나를 이용하여 구현될 수 있다.

한편, 소프트웨어적인 구현에 의하면, 본 발명에서 절차나 기능과 같은 실시예들은 적어도 하나의 기능 또는 작동을 수행하게 하는 별개의 소프트웨어 모듈과 함께 구현될 수 있다.

도 1 내지 도 2는 본 발명에 따른 인공지능 기술 기반 학생 맞춤형 교육 및 취업지원 시스템의 구성에 대해 설명하기 위한 도면이다.

도 1을 살펴보면, 본 발명에 따른 인공지능 기술 기반 학생 맞춤형 교육 및 취업지원 시스템(1A, 이하 '시스템(1A)'이라 칭할 수 있다.)은 적어도 하나의 학생 단말기(Student Terminal, 10), 서버(Server, 20), 적어도 하나의 졸업생 단말기(30), 보조서버(Auxiliary Server, 40) 및 적어도 하나의 다른 서버(50)를 포함할 수 있다.

도 1에 도시된 구성요소들이 필수적인 것은 아니어서, 그보다 많은 구성요소들을 갖거나 그보다 적은 구성요소들을 갖는 시스템(1A)을 구현하는 것도 가능하다.

학생 단말기(10)는 학교에 재학 중인 학생, 즉 재학생에 대응되는 단말기일 수 있다.

이하에서 학생이라고 하면 재학생을 의미할 수 있다.

학생은 학생 단말기(10)를 이용하여 서버(20)에 자신의 정보, 예컨대 인적사항에 대한 정보, 목표에 대한 정보 등의 다양한 정보를 전송하여 입력할 수 있다.

서버(20)는 학교에 대응될 수 있다.

서버(20)는 소정의 학교에 대응하여 인공지능 기술 기반 학생 맞춤형 교육 및 취업지원 방법(이하, '서비스 방법'이라고 칭할 수 있다.)을 구현하기 위한 다양한 기능을 제공할 수 있다.

이를 위해, 서버(20)는 도 2에 나타나 있는 바와 같이 빅데이터 플랫폼(Big Data Platform, 210) 및 AI 플랫폼(Artificial Intelligence Platform, 220)을 포함할 수 있다.

빅데이터 플랫폼(210)은 학교 시스템(230)으로부터 다양한 정보를 수집할 수 있다.

학교 시스템(230)은 학사 부분, 행정 부분, 입시 부분, 커리어 부분, 역량 부분 및 이클래스 부분을 포함할 수 있다.

학사 부분은 재학생 및/또는 졸업생에 대응하는 학사정보, 행정정보, 입시정보, 출결정보, 활동정보 및 취업정보 중 적어도 하나를 저장하고 관리할 수 있다.

자세하게는, 학사부분은 재학생 및/또는 졸업생에 대응하는 등록, 장학, 졸업, 봉사활동, 학적, 교직, 취업, 공용자원, 성적 및/또는 수업 초청/교환학생에 대한 정보를 저장하고 관리할 수 있다.

행정 부분의 학교, 교직원, 재학생 및/또는 졸업생에 대한 행정 정보를 저장하고 관리할 수 있다.

입시 부분은 학부 및 대학원에 대한 재학생 및/또는 졸업생에 대응하는 입학 점수, 입학 석차 등의 입시 정보를 저장하고 관리할 수 있다.

커리어 부분은 기업별 취업 합격자 스펙 비교 분석 정보, 기업별 취업 합격자 상세 스펙 정보, 기업별 취업 합격자 스펙 점수 변동 추이 분석 정보 등의 커리어 정보를 저장하고 관리할 수 있다.

역량 부분(경력 개발)은 재학생 및/또는 졸업생에 대한 역량정보를 저장하고 관리할 수 있다.

자세하게는, 역량 부분은 재학생 및/또는 졸업생에 대한 역량정보, 활동이력정보, 취업정보, 인증정보, 상담정보, 진료정보, 커뮤니티 정보, 포트폴리오정보 및 공통정보 중 적어도 하나를 저장하고 관리할 수 있다.

이클래스 부분은 이클래스 정보(E-Class Information)를 저장하고 관리할 수 있다.

자세하게는, 이클래스 부분은 사용자정보, 대쉬보드정보, 학습자통계정보, 교과정보, 수강정보, 과제정보, 시험정보, 토론정보, 학습정보, 성적정보 및 위키정보 중 적어도 하나를 저장하고 관리할 수 있다.

이러한 학교 시스템(230)에 저장된 정보를 학교 원천 정보라고 할 수 있다.

여기서는 학교 시스템(230)이 학사 부분, 행정 부분, 입시 부분, 커리어 부분, 역량 부분 및 이클래스 부분을 포함하는 것으로 가정하여 설명하였지만 본 발명은 이에 한정되지 않을 수 있다.

예를 들면, 학교 시스템(230)은 전자출결 부분, 포탈 부분, 공통부분, 홈페이지 부분, 학술정보 부분, 생활관 부분, 증명서 부분, 챗봇부분, LRS부분 등을 더 포함할 수 있다.

빅데이터 플랫폼(210)은 학교 시스템(230)에 여기저기 분산되어 저장된 데이터, 에컨대 학교 원천 정보를 수집할 수 있다.

빅데이터 플랫폼(210)은 수집한 데이터를 정형 데이터와 비정형 데이터로 분류하여 저장할 수 있다.

정형 데이터는 학생 기본 정보, 응용시스템 정보, 학습 정보 등을 포함할 수 있다.

비정형 데이터는 학습 경험 데이터, 토론 및 공유 정보, 통계 정보 등을 포함할 수 있다.

또는 빅데이터 플랫폼(210)은 수집한 데이터를 정형 데이터, 비정형 데이터 및 반정형 데이터로 분류하여 저장하는 것도 가능하다.

여기서, 반정형 데이터는 정형 데이터와 비정형 데이터의 중간 형태의 데이터일 수 있다.

AI 플랫폼(220)은 빅데이터 플랫폼(210)이 수집한 데이터를 인공지능 기술을 활용해서 데이터를 종합적으로 분석하여 학교생활에 필요한 정보 및 취업정보를 추천정보로서 추출할 수 있다.

이를 위해 AI 플랫폼(220)은 빅데이터 플랫폼(210)이 수집한 데이터를 목적성에 따라 분석하여 분류할 수 있다.

예를 들면, AI 플랫폼(220)은 빅데이터 플랫폼(210)이 수집한 데이터를 목적성에 따라 교과목 정보, 성적 정보, 활동 정보 등으로 분류할 수 있다.

교과목 정보는 캠퍼스, 연도, 학기, 교과목 등의 항목에 따라 재분류될 수 있다.

성적정보는 학번, 교과목, 취득 성적 등의 항목에 따라 재분류될 수 있다.

활동정보는 비교과정보, 관심 산업, 관심 직무 등의 항목에 따라 재분류될 수 있다.

AI 플랫폼(220)은 목적성에 따라 분류한 정보에 대해 데이터 전처리를 적용할 수 있다.

데이터 전처리 과정에서는 학습 Data Set을 정의하고, 이후 Data 클린징을 수행하고, 이후 학습 Data Set을 생성할 수 있다.

AI 플랫폼(220)에서는 머신러닝 모델링 단계에서 전처리한 데이터를 적용할 알고리즘을 선정하고, 선정한 알고리즘에 따라 AI 모델 학습을 수행할 수 있다.

아울러, AI 플랫폼(220)에서는 모델 평가 단계에서 모델 평가 기준을 수립하고, 수립한 기준에 따라 모델을 평가할 수 있다.

여기서는 학교 시스템(230)을 서버(20)와 별개인 것으로 가정하여 설명하고 있지만 본 발명은 이에 한정되지 않을 수 있다.

예를 들면, 본 발명에서 서버(20)와 학교 시스템(230)은 하나로의 시스템으로 구현되는 것이 가능하다.

서버(20)는 재학생 및/또는 졸업생에 대응하는 학사정보, 행정정보, 입시정보, 출결정보, 포탈정보, 역량정보, 이클래스 정보 등의 다양한 정보를 포함하는 또 다른 데이터베이스를 포함할 수 있다.

졸업생 단말기(Graduate Terminal, 30)는 학교를 졸업한 학생, 즉 졸업생에 대응되는 단말기일 수 있다.

졸업생은 졸업생 단말기(30)를 이용하여 서버(20)에 자신의 정보, 예컨대 취업한 기업에 대한 정보, 스펙정보 등의 다양한 정보를 전송하여 입력할 수 있다.

다른 서버(50)는 다른 학교의 서버, 나이스 등의 다른 기관의 서버, 취업 사이트 등의 서버일 수 있다.

예를 들면, 본 발명에 따른 시스템(1A)의 서버(20)가 학교 A에 대응되는 서버라고 가정하면, 다른 서버(50)는 학교 A와 다른 학교 B에 대응되는 서버이거나, 나이스 서버이거나, 취업 사이트의 서버일 수 있다.

보조 서버(40)는 서버(20)와 다른 서버(50)를 연계시킬 수 있다.

이를 위해, 보조 서버(40)는 서버(20) 및 다른 서버(50)로부터 공개 가능한 정보, 예컨대 기업에 취업한 졸업생의 교과스펙정보 및/또는 비교과스펙정보 등의 정보를 전송받아 저장하고 관리할 수 있다.

아울러, 보조 서버(40)는 저장한 정보를 서버(20) 및/또는 다른 서버(50)로 제공하는 것이 가능하다.

예를 들면, 보조 서버(40)는 커리어 및 취업정보에 대한 Data Lake를 구성할 수 있다.

이러한 보조 서버(40)는 서버(20)와 다른 서버(50)를 연계시키기 위해 클라우드(Cloud) 서버 타입으로 구현될 수 있다.

학생 단말기(10), 서버(20) 및 졸업생 단말기(30)는 동일한 학교에 대응될 수 있다.

다른 관점에서 보면, 학교를 기준으로 학생 단말기(10), 서버(20) 및 졸업생 단말기(30)를 설정할 수 있다.

예를 들면, 학교 A에 대응하여 학교 A에 재학 중인 재학생에 대응하여 학생 단말기(10)를 설정하고, 학교 A를 졸업한 졸업생에 대응하여 졸업생 단말기(30)를 설정하고, 학교 A의 서버를 시스템(1A)의 서버(20)로 설정할 수 있다.

학교 A와 다른 학교 B에 대해서는 학교 A와는 독립적으로 학생 단말기(10), 서버(20) 및 졸업생 단말기(30)를 설정할 수 있다.

도 3은 설정모드에 대해 설명하기 위한 도면이다. 이하에서는 이상에서 상세히 설명한 부분에 대한 설명은 생략될 수 있다.

설정모드는 학생 단말기(10) 및/또는 졸업생 단말기(30)에서 본 발명에 따른 서비스 방법을 적용하기 위해 다양한 정보를 입력하거나 프로그램을 설치하기 위한 모드일 수 있다.

도 3의 (A)를 살펴보면, 학생 단말기(10)에서 정보를 설정하기 위한 재학생 설정모드에서는 먼저 학생이 학생 단말기(10)를 이용하여 서버(20)에 접속(S10)할 수 있다.

이후, 학생 단말기(10)에서는 서버(20)에 학생의 정보, 예컨대 이름, 주민번호, 학번 등의 인적사항에 대한 정보를 입력(S11)하여 학생 단말기(10)를 서버(20)에 등록(S12)할 수 있다.

본 발명에 따른 서비스 방법은 단말기를 통해 이루어지기 때문에 학생 단말기(10)를 등록할 필요가 있을 수 있다.

이후, 학생 단말기(10)에서는 서버(20)로부터 본 발명에 따른 서비스 방법을 위한 소정의 앱(재학생용 앱)을 다운로드하여 설치할 수 있다.

도 3의 (B)를 살펴보면, 졸업생 단말기(30)에서 정보를 설정하기 위한 졸업생 설정모드에서는 먼저 서버(20)가 졸업생들의 정보를 확인할 수 있다(S20).

이후, 서버(20)는 확인한 졸업생들의 정보를 근거로 하여 적어도 하나의 졸업 단말기(30)로 졸업생 등록을 요청할 수 있다(S21).

즉, 서버(20)는 소정의 졸업생 단말기(30)에게 졸업한 학교의 서버(20)에 접속하여 졸업생으로 등록해 달라는 요청을 전송할 수 있다.

그러면 졸업생은 자신의 단말기, 즉 졸업생 단말기(30)를 이용하여 서버(20)에 접속(S22)할 수 있다.

이후, 졸업생 단말기(30)에서는 서버(20)에 졸업생의 정보, 예컨대 이름, 주민번호, 학번, 취업기업 등의 인적사항에 대한 정보를 입력(S23)하여 졸업생 단말기(30)를 서버(20)에 등록(S24)할 수 있다.

본 발명에 따른 시스템(1A)이 구축된 초기에는 학생들의 정보는 데이터베이스의 재학생DB(200)로부터 용이하게 획득할 수 있다.

그러나 이미 졸업한 학생, 즉 졸업생에 대한 최신 정보는 졸업생 단말기(30)로부터 직접 수집하는 것이 바람직할 수 있다.

서버(20)에서는 졸업생 단말기(30)가 입력하는 정보를 이용하여 졸업생DB(210)를 업데이트할 수 있다.

졸업생 단말기(30)에서는 서버(20)로부터 본 발명에 따른 서비스 방법을 위한 소정의 앱(졸업생용 앱)을 다운로드하여 설치할 수 있다.

도 4 내지 도 17은 본 발명에 따른 인공지능 기술 기반 학생 맞춤형 교육 및 취업지원 방법에 대해 설명하기 위한 도면이다. 이하에서는 이상에서 상세히 설명한 부분에 대한 설명은 생략될 수 있다.

도 4를 살펴보면, 먼저 서버(20)에서는 학교 시스템으로부터 학교 원천 정보를 수집할 수 있다(S80).

이후, 서버(20)에서는 수집한 학교 원천 정보를 분석하고, 분석한 결과에 따라 분류하고 저장할 수 있다(S90).

예를 들면, 앞선 도 2에서 설명한 바와 같이 서버(20)의 빅데이터 플랫폼(210)이 학교 시스템으로 다양한 학교 원천 정보를 수집하고, 수집한 학교 원천 정보를 분석하고, 분석한 결과에 따라 분류하고 저장할 수 있다.

이후, 학생 단말기(10)에서는 설치한 앱(재학새용 앱)을 실행하고 서버(20)에 접속할 수 있다(S100).

이후, 학생 단말기(10)에서는 소정의 정보를 서버(20)로 입력할 수 있다.

학생 단말기(10)에서는 자신의 정보를 서버(20)로 전송하여 입력할 수 있다(S110).

학생 단말기(10)에서 서버(20)로 입력하는 정보를 기준정보(Reference Information)라고 할 수 있다. 기준정보는 학생의 이름, 주소, 주민번호, 학번 등의 인적사항에 대한 정보를 포함할 수 있다.

기준정보는 학생의 학과, 이수과목, 학점, 성적 등의 교과활동내역에 대한 정보를 포함할 수 있다.

여기서는 교과활동내역으로서 학과, 이수과목, 학점, 성적을 예로 들어 설명하였지만, 발명은 이에 한정되지 않을 수 있다. 예를 들면, 본 발명에서 교과활동내역은 장학정보, 학생에 대한 교수의 평가, 학과 관련 경진대회 참여 및/또는 수상경력 등 교과에 대한 다양한 정보를 포함할 수 있다.

아울러, 기준정보는 목표정보, 해외연수 경험, 자격정보, 어학(토익 등), 교내외활동, 수상경력 등의 학생에 대한 다양한 정보를 포함할 수 있다.

여기서는 비교과활동내역으로서 목표정보, 해외연수 경험, 자격정보, 어학(토익 등), 교내외활동, 수상경력을 예로 들어 설명하였지만, 발명은 이에 한정되지 않을 수 있다. 예를 들면, 본 발명에서 비교과활동내역은 학생회 활동 내역 등 비교과에 대한 다양한 정보를 포함할 수 있다.

만약, 재학생 설정모드에서 학생 단말기(10)가 서버(20)에 교과 및/또는 비교과에 대응하는 충분한 정보를 입력한 경우에는 제 S110 단계는 생략될 수 있다.

다르게 표현하면, 재학생 설정모드에서 학생 단말기(10)가 서버(20)에 학생에 대한 기준정보를 충분히 입력하여 저장한 경우에는 제 S110 단계는 생략될 수 있다.

서버(20)에서는 학생 단말기(10)가 입력한 기준정보를 분석(S120)하고, 분석한 결과를 근거로 하여 기준정보에 매칭(Matching)되는 추천정보를 추출(S130)할 수 있다.

추천정보의 추출은 서버(20)의 AI 플랫폼(220)에서 수행할 수 있다.

이후, 서버(20)는 학생 단말기(10)로 추출한 추천정보를 전송할 수 있다(S140).

여기서, 추천정보는 교과에 대한 추천정보를 포함하는 교과 추천정보 및 비교과 대한 추천정보를 포함하는 비교과 추천정보를 포함할 수 있다.

서버(20)에서 추천정보를 추출하는 방법은 내용기반 추천방법을 포함할 수 있다.

내용기반 추천방법에서는 해당 학생이 이수했던 과목, 활동정보(활동내역정보), 관심사 등을 기반으로 이와 유사한 교과에 대응되는 추천정보(교과추천정보) 및/또는 비교과에 대응되는 추천정보(비교과추천정보)를 추출할 수 있다.

이러한 내용기반 추천방법에 대해 첨부된 도 5 내지 도 8을 참조하여 살펴보면 아래와 같다.

도 5를 살펴보면, 서버(20)에서는 학생 단말기(10)에 대응되는 학생정보, 즉 학생의 학생정보를 인공지능(AI)을 이용하여 면밀히 분석할 수 있다(S200).

서버(20)는 학생정보를 분석하여 해당 학생이 이수한 과목에 대한 이수과목정보 및 관심분야정보를 판별할 수 있다.

여기서, 이수과목정보는 해당 학생의 학과정보, 전공정보, 수강했던 과목의 종류에 대한 정보, 수강했던 과목에 대응되는 학점에 대한 정보, 수강했던 과목에 대응되는 석차에 대한 정보 등의 교과정보를 포함할 수 있다.

교과정보는 학교에서 가르치는 과목에 대응되거나 학교에서 가르치는 과목에 관련이 있는 정보라고 할 수 있다.

교과정보는 해당 학생이 관심분야로 설정한 분야(예컨대 로봇, 통신, 제어 등)에 대한 정보, 즉 관심분야정보를 더 포함할 수 있다.

관심분야정보는 관심산업정보, 관심직종정보, 관심기업정보, 관심취미정보 등 다양한 정보를 포함할 수 있다.

교과정보는 교과에 대응하여 해당 학생이 수행한 교내 프로그램(예컨대 세미나 참여)에 정보를 더 포함할 수 있다.

한편, 서버(20)는 학생정보를 분석하여 해당 학생의 해외연수 경험, 자격정보, 어학(토익 등), 교내외활동, 수상경력 등의 비교과정보를 판별하는 것도 가능할 수 있다.

비교과정보는 학생정보에서 교과정보를 제외한 나머지 정보를 의미할 수 있다.

위 내용을 고려하면, 서버(20)는 학생정보를 분석하여 학생의 학교생활에 대한 지금까지의 이력정보를 판별하는 것이 가능할 수 있다.

서버(20)가 학생의 학생정보를 충분히 정밀하게 분석하여 이수과목정보 및 관심분야정보 등의 다양한 정보를 정밀하게 판별하기 위해서는 학생 단말기(10)에서 학생의 정보를 서버(20)로 충분히 성실하게 입력할 필요가 있다.

학생 단말기(10)에서 서버(20)로 입력되는 정보의 양과 질이 충분한 경우에 학생은 본인에게 필요한 정보, 즉 맞춤형 정보를 획득하는 것이 가능할 수 있다.

이후, 서버(20)에서는 인공지능(AI)을 이용하여 학교정보를 추출하고 추출한 학교정보를 분석할 수 있다(S201).

여기서, 학교정보는 앞서 설명한 학생정보와는 다른 개념의 정보일 수 있다.

학교정보는 학교에서 교과에 대응하여 제공하는 다양한 정보를 포함할 수 있다.

예를 들면, 학교정보는 교수, 강사 혹은 학교 측에서 제공하는 과목에 대한 교과내용에 대한 정보를 포함할 수 있다.

또한, 학교정보는 해당 과목에 대해 학생 및/또는 졸업생이 평가한 강의평가에 대한 정보, 교수요목에 대한 정보, 강의계획서에 대한 정보, 컨텐츠 스크립트에 대한 정보, 소개정보 등 해당 과목을 알리기 위한 다양한 정보를 포함할 수 있다.

서버(20)에서는 학생정보를 분석하여 판별한 정보, 예컨대 이수과목정보, 관심분야정보 및/또는 비교과정보를 학교정보와 비교하여 매칭률을 연산할 수 있다(S202). 여기서, 매칭률은 유사도라고 할 수 있다.

서버(20)에서 매칭률의 연산, 즉 유사도의 연산은 TF-IDF와 편집거리(String Edit Distance) 알고리즘 등을 이용하여 수행할 수 있다.

서버(202)에서는 연산한 매칭률에 대한 정보를 근거로 하여 교과에 대응되는 교과추천정보를 추출(S203)하고, 비교과추천정보를 추출(S204)할 수 있다.

자세하게는, 서버(20)에서는 학생정보를 분석하여 판별한 정보와 매칭률이 미리 설정된 기준 매칭률보다 높은 적어도 하나의 과목을 포함하도록 교과추천정보를 설정할 수 있다.

아울러, 서버(20)에서는 학생정보를 분석하여 판별한 정보와 매칭률이 미리 설정된 기준 매칭률보다 높은 적어도 하나의 비교과항목을 포함하도록 비교과추천정보를 설정할 수 있다.

이후, 서버(20)에서는 추출한 교과추천정보 및 비교과추천정보를 학생 단말기(10)로 전송할 수 있다(S205).

이후, 서버(20)는 해당 학생 단말기(10)에서 수강신청을 하는지의 여부를 판단(S206)하고, 판단결과 수강신청을 하지 않는 경우에는 미리 설정된 제 1 기능(Default 1)을 수행할 수 있다(S207).

제 1 기능은 교과추천정보 및 비교과추천정보 중 적어도 하나를 그대로 유지하는 기능을 예로 들 수 있다.

반면에, 제 S206 단계에서 판단결과 학생 단말기(10)에서 수강신청을 진행하는 경우에는 수강신청에 연동하여 교과추천정보 및 비교과추천정보 중 적어도 하나를 변경할 수 있다(S208).

예를 들어, 도 6의 (A)와 같이 학생 A가 1학년 1학기에 수학1, 기초영어1, 물리학1, 화학1 및 문학 과목을 수강하고, 1학년 2학기에 수학2, 기초영어2, 물리학2, 화학2 및 공학입문 과목을 수강하는 경우를 가정하자.

이러한 경우, 서버(20)는 도 6의 (A)와 같은 정보를 분석하여 학생 A가 1학년 1학기 및 2학기에서 수강한 과목에 대한 정보(이수과목정보)를 판별할 수 있다.

아울러, 서버(20)는 판별한 이수과목정보를 근거로 하여 도 6의 (B)와 같은 학생 A에 대한 교과추천정보를 생성할 수 있다.

도 6의 (B)의 교과추천정보에 포함된 과목은 도 6의 (A)의 이수과목정보와 비교하여 유사도가 충분히 높은 과목일 수 있다.

이처럼 소정의 학생에 대해 이전에 수강했던 과목과 유사한 과목을 판별하고, 판별한 과목을 수강할 것을 해당 학생에게 추천할 수 있다.

이러한 경우, 학생은 학년에 대응하여 어떠한 과목을 수강해야 할지를 용이하게 파악할 수 있다.

다른 관점에서 보면, 학생에게 학년별 추천 과목에 대한 정보를 맞춤형으로 제공하는 것이 가능하다.

한편, 서버(20)에서는 학생의 이수과목의 학점 또는 석차를 더 고려하여 추천정보를 추출하는 것이 가능하다.

예를 들어, 도 7의 (A)와 같이 학생 A가 1학년 1학기에 수학1에 대해 D학점, 기초영어1에 대해 A학점, 물리학1에 대해 D학점, 화학1에 대해 A학점 및 문학에 대해 D학점을 받고, 1학년 2학기에 수학2에 대해 D학점, 기초영어2에 대해 A학점, 물리학2에 대해 D학점, 화학2에 대해 A학점 및 공합입문에 대해 D학점을 받는 경우를 가정하자.

이러한 경우, 서버(20)는 도 7의 (A)와 같은 정보를 분석하여 학생 A가 1학년 1학기 및 2학기에서 수강한 과목 중 수학1, 수학2, 물리학1 및 물리학2에 대한 학점을 상대적으로 낮다는 것을 판별할 수 있다.

이에 서버(20)는 도 7의 (A)와 같은 정보를 근거로 하여 도 7의 (B)와 같은 학생 A에 대한 교과추천정보를 생성할 수 있다.

도 7의 (A)의 교과추천정보는 학생 A에게 수학1과 물리학 1을 다시 수강할 것을 추천하는 정보를 포함할 수 있다.

한편, 서버(20)는 학생의 관심분야에 대한 정보를 더 고려하여 추천정보를 추출하는 것이 가능하다.

예를 들어, 도 8의 (A)와 같이 학생 A가 1학년 동안 관심분야를 컴퓨터, 프로그래밍, 코딩으로 설정한 경우를 가정하여 보자.

이러한 경우, 서버(20)는 도 8의 (A)와 같은 정보를 분석하여 학생 A가 1학년 컴퓨터 공학에 관심이 있다는 것을 판별할 수 있다.

이에 서버(20)는 도 8의 (A)와 같은 관심분야정보를 근거로 하여 도 8의 (B)와 같은 학생 A에 대한 교과추천정보를 생성할 수 있다.

도 8의 (B)의 추천정보는 학생 A에게 컴퓨터 엔지니어링 과목과 프로그래밍1 과목을 수강할 것을 추천하는 정보, 즉 교과추천정보를 포함할 수 있다.

아울러, 도 8의 (B)의 추천정보는 학생 A에게 교내 코딩 경시대회에 참여하라는 것을 추천하는 정보, 즉 비교과추천정보를 포함할 수 있다.

이처럼, 본 발명에서는 학생이 이수한 교과에 대한 정보를 포함하는 이수과목정보 및 학생의 관심분야에 대응하는 관심분야정보를 근거로 하여, 이수과목정보 및/또는 관심분야정보와 매칭률이 높은(유사도가 높은) 과목을 학생에게 교과추천정보로서 추천하고, 이수과목정보 및/또는 관심분야정보와 매칭률이 높은 항목을 학생에게 비교과추천정보로서 추천할 수 있다.

이러한 경우, 학생은 자신에게 필요한 교과정보 및 비교과정보를 용이하게 파악할 수 있어서 학교생활에 대한 만족도가 향상될 수 있다.

아울러, 학생은 자신에게 필요한 스펙을 용이하게 준비할 수 있다.

한편, 서버(20)에서 추천정보를 추출하는 방법은 협업 필터링(Collaborative Filtering) 알고리즘을 이용할 수 있다.

협업 필터링 알고리즘에서는 소정의 학생에 대해 유사한 레벨의 학생들이 이수한 교과정보 및/또는 비교과정보를 판별하고, 판별한 정보를 이용하여 해당 학생에 대한 추천정보를 추출할 수 있다.

유사한 레벨의 학생들을 역량/목표 단위 등 다양한 관점에서 클러스팅(Clustering) 혹은 그룹핑(Grouping)할 수 있다.

각각의 클러스터(Cluster) 혹은 그룹(Group)은 단위대학, 학과 레벨로 Drill Down 가능하게 설계되며, 각각의 클러스터 혹은 그룹이 이수한 교과정보 및 비교과정보의 유사도를 판별하여 해당 학생에게 추천할 추천정보를 추출할 수 있다.

유사도 판별(매칭률 판별)은 내용기반 추천방법에서 활용한 기법과 유사하게 진행되며, 추천정보는 사용자가 수강신청을 하는 시점에서 학생 별로 실시간으로 Inference가 이루어지는 것이 가능하다.

이러한 협업 필터링 알고리즘을 이용한 추천방법에 대해 첨부된 도 9 내지 도 11을 참조하여 살펴보면 아래와 같다.

도 9를 살펴보면, 서버(20)에서는 학생 단말기(10)에 대응되는 학생정보, 즉 학생의 학생정보를 인공지능(AI)을 이용하여 면밀히 분석할 수 있다(S210).

이후, 서버(20)는 학생의 학과정보, 학년정보, 성적정보, 활동정보 및 관심사 정보 중 적어도 하나를 근거로 하여 학생과 유사한 레벨의 학생들을 판별할 수 있다.

아울러, 서버(20)는 판별한 유사한 레벨의 학생들을 포함하도록 비교군(Reference Group)을 설정할 수 있다(S211).

이후, 서버(20)에서 비교군에 포함된 학생들이 이수한 과목을 판별할 수 있다(S212).

서버(20)에서는 비교군에 포함된 학생들이 이수한 복수의 과목 중 이수비율이 미리 설정된 기준비율 이상인 과목, 즉 상위 과목을 판별할 수 있다(S213).

이후, 서버(20)는 적어도 하나의 상위 과목을 포함하도록 교과 추천정보를 설정할 수 있다(S214).

아울러, 서버(20)는 비교군에 포함된 학생들에 대응되는 적어도 하나의 비교과 항목을 포함하도록 비교과추천정보를 설정할 수 있다(S215).

이후, 설정한 교과추천정보 및 비교과추천정보를 학생 단말기(10)로 전송할 수 있다(S216).

예를 들어, 도 10의 경우와 같이, 학교 A의 공학계열에 총 100명의 학생이 등록되어 있다고 가정하자.

서버(20)는 공학계열의 100명의 학생을 성적순으로 1등부터 100등까지 분류할 수 있다.

아울러, 서버(20)는 성적순으로 1등부터 33등까지의 학생을 제 1 그룹(G1)으로 분류하고, 34등부터 66등까지의 학생을 제 2 그룹(G2)으로 분류하고, 67등부터 100등까지의 학생을 제 3 그룹(G3)으로 분류할 수 있다.

여기서, 공학계열의 학생 A가 제 2 그룹(G2)에 포함되는 경우를 더 가정하여 보자.

이러한 경우, 서버(20)는 제 2 그룹(G2)에 포함된 학생들이 수강한 과목들을 분석하여 이수비율이 높은 과목, 많은 학생들이 선택한 과목을 상위과목으로 설정할 수 있다.

이후, 도 11에 나타나 있는 바와 같이, 서버(20)는 제 2 그룹(G2)에 대응되는 적어도 하나의 상위과목을 학생 A에 대응하는 추천정보, 즉 교과추천정보로서 설정하고, 설정한 교과추천정보를 학생 A에 대응하는 학생 단말기(10)로 전송할 수 있다.

아울러, 서버(20)는 제 2 그룹(G1)에 포함된 학생들이 선택한 비교과항목 중 선택비율이 높은 적어도 하나의 비교과항목을 상위 비교과항목으로 설정할 수 있다.

이후, 서버(20)는 설정한 비교과항목에 대한 정보를 포함하는 비교과추천정보를 학생 A에 대응하는 학생 단말기(10)로 전송할 수 있다.

여기서, 전술한 제 1 그룹(G1) 내지 제 3 그룹(G3)은 학생 A에 대응하는 유사그룹이라고 할 수 있다.

아울러, 제 1 그룹(G1)은 학생 A에 대응하는 우수그룹이라고 할 수 있다.

유사그룹과 우수그룹은 이하의 도 19에서 다시 설명하기로 한다.

한편, 도 11에 나타나 있는 바와 같이 추천정보는 학생 A에 대해 부족한 부분을 알려주기 위한 부족정보를 포함할 수 있다.

부족정보는 제 1 그룹(G1) 학생들에 비해 학생 A가 부족한 부분이 어떤 부분인지를 알려주는 정보를 포함할 수 있다.

부족정보는 교과에 대한 부족한 정보를 알려주기 위한 교과부족정보를 포함할 수 있다.

아울러, 부족정보는 비교과에 대한 부족한 정보를 알려주기 위한 비교과부족정보를 포함할 수 있다.

이를 고려하면, 교과 추천정보는 교과에 대한 부족한 부분에 대응되는 교과 부족정보를 포함하고, 비교과 추천정보는 비교과에 대한 부족한 부분에 대응되는 비교과 부족정보를 포함하는 것으로 볼 수 있다.

서버(20)는 교과 추천정보 및/또는 비교과 추천정보를 추출하는 경우에 일정 기간, 예컨대 9년 동안의 모든 학생에 대해 수강한 과목에 대한 성적정보, 수강한 과목에 대한 교수요목정보, 활동정보 및 입학정보를 함께 고려하는 것이 가능할 수 있다.

여기서 활동정보는 해외연수, 자격증, 어학 등에 대한 정보를 포함하고, 관심 산업에 대한 정보 및 관심 직무에 대한 정보를 더 포함할 수 있다.

입학정보는 입학전형 점수에 대한 정보, 수능 화산 점수에 대한 정보, 출신고교에 대한 분류 및 등급에 대한 정보 등을 포함할 수 있다.

아울러, 서버(20)는 각각의 항목에 대해 가중치를 부여하는 것이 가능하다.

예를 들면, 성적정보에는 0.2의 가중치, 교수요목정보에는 0.2의 가중치, 활동정보에는 0.3의 가중치, 입학정보에는 0.3의 가중치를 각각 부여하는 것이 가능하다.

한편, 서버(20)는 적어도 하나의 졸업생에 대응되는 정보를 이용하여 소정의 학생에 제공할 추천정보를 추출하는 것이 가능하다. 이에 대해 첨부된 도 12 내지 도 15를 참조하여 살펴보면 아래와 같다.

도 12를 살펴보면, 먼저 학생 단말기(10)에서 목표정보를 서버(20)로 입력할 수 있다(S220).

여기서, 목표정보는 학생이 목표로 하는 것에 대한 정보일 수 있다.

예를 들면, 목표정보는 취업을 원하는 기업에 대한 정보, 취업을 원하는 산업분야에 대한 정보, 취업을 원하는 지역에 대한 정보 등 다양한 정보를 포함할 수 있다.

서버(20)는 졸업생들에 대한 정보를 분석할 수 있다(S221).

이후, 서버(20)는 학생 단말기(10)에서 입력한 목표정보에 매칭하는 정보, 즉 추천 스펙정보를 추출할 수 있다(S222).

여기서, 추천 스펙정보는 목표정보에 대응되는 추천 교과스펙정보 및 추천 비교과스펙정보 중 적어도 하나를 포함할 수 있다.

여기서, 추천 교과스펙정보 및 추천 비교과스펙정보는 졸업생에 대한 학사정보, 상기 행정정보, 상기 입시정보, 상기 출결정보, 상기 활동정보 및 상기 취업정보 중 적어도 하나로부터 추출될 수 있다.

이후, 서버(20)는 추출한 추천 스펙정보를 학생 단말기(10)로 전송할 수 있다.

이후, 서버(20)는 학생 단말기(10)로부터 멘토요청이 입력되는지를 여부를 판단(S224)하고, 판단결과 멘토요청이 입력되지 않는 경우에는 미리 설정된 제 2 기능(Default 2)을 수행할 수 있다(S225).

제 2 기능은 서버(20)가 학생 단말기(10)로 졸업생을 멘토로 설정할 수 있다는 것을 알리는 기능 등을 예로 들 수 있다.

반면에, 제 S224 단계에서 판단결과, 학생 단말기(10)로부터 멘토요청이 입력되는 경우에는 서버(20)는 적어도 하나의 졸업생 단말기(30)로 멘토수락요청을 전송할 수 있다(S226).

멘토수락요청은 해당 졸업생 단말기(30)의 사용자, 즉 졸업생에게 소정의 학생에 대한 멘토가 되어줄 것을 요청하는 정보를 포함할 수 있다.

이후, 서버(20)는 졸업생 단말기(30)에서 수락정보가 입력되는지의 여부를 판단(S227)하고 판단결과 졸업생 단말기(30)가 수락정보를 입력하지 않는 경우에는 미리 설정된 제 3 기능(Default 3)을 수행할 수 있다(S228).

여기서, 제 3 기능은 학생 단말기(10)에게 멘토를 제공할 수 없음을 알리는 기능, 다른 졸업생 단말기(30)로 멘토수락요청을 전송하는 기능 등을 예로 들 수 있다.

반면에, 졸업생 단말기(30)가 수락정보를 입력하는 경우에는 서버(20)에서는 수락정보를 입력한 졸업생 단말기(30)에 대응되는 졸업생을 멘토로 설정할 수 있다(S229).

예를 들어, 학생 A가 자신의 학생 단말기(10)에 목표정보로서 'S전자 입사'를 입력하는 경우를 가정하여 보자.

이러한 경우, 서버(20)는 졸업생 중 S전자에 입사한 졸업생들을 판별할 수 있다. 예를 들면, 서버(20)는 최근년도에 S전자에 입사한 졸업생들을 판별할 수 있다.

아울러, 서버(20)는 도 13의 (A)에 나타나 있는 바와 같이 S전자에 입사한 졸업생들의 학사정보, 상기 행정정보, 상기 입시정보, 상기 출결정보, 상기 활동정보 및 상기 취업정보 중 적어도 하나를 분석하여 현재 S전자에 입사할 수 있을 정도의 스펙정보를 포함하는 추천정보, 즉 추천 스펙정보를 추출할 수 있다.

추천 스펙정보는 추천 교과스펙정보 및 추천 비교과스펙정보를 포함할 수 있다.

추천 교과스펙정보는 S전자에 입사한 졸업생들의 평균적인 교과스펙정보를 포함할 수 있다.

추천 비교과스펙정보는 S전자에 입사한 졸업생들의 평균적인 비교과스펙정보를 포함할 수 있다.

아울러, 서버(20)는 도 13의 (B)에 나타나 있는 바와 같이 S전자에 입사한 졸업생들의 평균적인 교과스펙정보 및 비교과스펙정보 대비 학생 A가 부족한 부분을 알려주기 위한 부족정보를 학생 단말기(10)로 전송할 수 있다.

서버(20)는 추천 교과스펙정보 및/또는 추천 비교과스펙정보를 추출하는 경우에 일정 기간, 예컨대 5년 동안의 관심 산업 및/또는 직무에 대응되는 모든 졸업생에 대해 수정한 과목에 대한 성적정보, 수강한 과목에 대한 교수요목정보, 활동정보 및 입학정보를 함께 고려하는 것이 가능할 수 있다.

아울러, 서버(20)는 각각의 항목에 대해 가중치를 부여하는 것이 가능하다.

예를 들면, 성적정보에는 0.2의 가중치, 교수요목정보에는 0.2의 가중치, 활동정보에는 0.3의 가중치, 입학정보에는 0.3의 가중치를 각각 부여하는 것이 가능하다.

도 14에 나타나 있는 바와 같이, 서버(20)는 졸업생들을 취업한 기업별로 분류하여 저장할 수 있다.

아울러, 서버(20)는 취업한 기업에 따라 졸업생들을 서로 다른 학생들에 대한 멘토로 설정하는 것이 가능하다.

한편, 학생 단말기(10)에서는 멘토로 설정된 졸업생 단말기(30)에 대응하여 소정의 질문을 입력할 수 있다.

예를 들면, 도 15에 나타나 있는 바와 같이, 학생 단말기(10)에서 멘토에 전송할 질문을 입력하고, 입력한 질문은 서버(20)로 전송할 수 있다(S300).

즉, 학생 단말기(10)에서는 질문을 멘토로 설정된 졸업생에 대응되는 졸업생 단말기(30)로 전송하지 않고 서버(20)로 전송할 수 있다.

그러면 서버(20)에서는 학생 단말기(10)에서 전송한 질문을 저장할 수 있다(S301).

이후 서버(20)는 현재 시간이 미리 설정된 기준 시간인지의 여부를 판단(S302)하고, 판단결과 현재 시간이 기준 시간이 아닌 경우에는 미리 설정된 제 4 기능(Default 4)을 수행할 수 있다(S303).

제 4 기능은 기준 시간이 될 때까지 대기하는 기능, 기준 시간이 되면 질문을 멘토에 대응되는 졸업생 단말기(30)로 전송함을 학생 단말기(10)로 알리는 기능 등을 예로 들 수 있다.

반면에, 현재 시간이 기준 시간인 경우에는 서버(20)는 학생 단말기(10)에서 입력한 질문을 멘토에 대응하는 졸업생 단말기(30)로 전송할 수 있다(S304).

멘토로 설정된 졸업생 단말기(30)의 사용자는 기업에서 직장생활을 할 가능성이 높을 수 있다.

아울러, 졸업생 단말기(30)에서는 업무로 인해 답변을 입력할 시간이 부족하거나 학생 단말기(10)가 입력한 질문이 업무를 방해할 가능성이 높을 수 있다.

이를 고려하면, 학생 단말기(10)가 입력한 질문은 서버(20)에서 일단 저장하고, 저장한 질문을 미리 설정된 시간에 졸업생 단말기(30)로 전송하는 것이 졸업생의 업무를 방해하지 않는다는 점에서 유리할 수 있다.

이후, 서버(20)는 졸업생 단말기(30)로부터 답변이 입력되는지의 여부를 판단(S305)하고, 판단결과 답변이 입력되지 않는 경우에는 미리 설정된 제 5 기능(Default 5)을 수행할 수 있다(S306).

제 5 기능은 해당 졸업생 단말기(30)로 답변을 입력해달라고 다시 요청하는 기능 등을 예로 들 수 있다.

반면에, 답변이 입력되는 경우에는 서버(20)는 입력된 답변을 저장하고, 저장한 답변을 즉시 학생 단말기(10)로 전송할 수 있다(S307).

학생의 경우에는 멘토의 답변이 빠르면 빠를수록 좋을 수 있다.

이를 고려하면, 졸업생 단말기(30)가 답변을 입력하면 서버(20)는 졸업생 단말기(30)의 답변을 바로 학생 단말기(10)로 전송하는 것이 가능할 수 있다.

한편, 서버(20)는 보다 정밀한 추천정보를 추출하기 위해 보조서버(40)로부터 보조정보를 전송받아 이를 이용하는 것이 가능하다.

보조서버(40)가 서버(20)로 전송하는 보조정보는 타학교의 졸업생에 대한 정보를 포함할 수 있다.

이를 위해, 도 16에 나타나 있는 바와 같이, 다른 서버(50) 중 타학교 서버는 보조서버(40)로 자신이 학교의 졸업생에 대한 정보를 전송하여 저장할 수 있다(S310).

아울러, 서버(20)도 자신의 졸업생에 대한 정보를 보조서버(40)로 전송하여 저장할 수 있다.

그러면 보조서버(40)에서는 서버(20)로부터 수신한 졸업생에 대한 정보 및 타학교 서버(40)로부터 수신한 졸업생에 대한 정보를 학교별로 분류하여 저장할 수 있다(S311).

아울러, 보조서버(40)에서는 서버(20)로부터 수신한 졸업생에 대한 정보 및 타학교 서버(40)로부터 수신한 졸업생에 대한 정보를 취업한 기업별로 분류하여 저장할 수 있다(S312).

이후, 보조서버(40)는 서버(20) 및 타학교 서버(40)로 저장한 졸업생에 대한 정보를 제공할 수 있다.

그러면 서버(20) 및/또는 타학교 서버(40)는 추천정보를 추출하는 과정에서 보조서버(40)가 제공하는 졸업생에 대한 정보를 참조할 수 있다.

다른 관점에서 보면, 서버(20)에서는 타학교 서버(40)로부터 해당 학교의 학생 및/또는 졸업생에 대한 학사정보, 상기 행정정보, 상기 입시정보, 상기 출결정보, 상기 활동정보 및 상기 취업정보 중 적어도 하나를 보조서버(40)를 통해 수신할 수 있다.

아울러, 서버(20)는 타학교 서버(40)로부터 수신한 정보를 추천정보를 추출하는 과정에서 참조하는 것이 가능하다.

이러한 경우, 서버(20)는 학생 단말기(10)로 보다 정밀한 정보를 제공하는 것이 가능할 수 있다.

한편, 학생이 자신이 학생 단말기(10)에 재학생용 앱을 다운로드하여 설치하여 본 발명에 따른 서비스 방법을 이용하다가 졸업을 할 수 있다. 이러한 경우에는 졸업인증이 되는 경우에 학생 단말기(10)를 졸업생 단말기(30)로 자동으로 전환하는 것이 가능하다. 이에 대해 도 17을 참조하여 살펴보면 아래와 같다.

도 17을 살펴보면, 학생 단말기(10)에서 재학생용 앱을 설치하여 재학생 모드로 설정(S320)된 상태에서 서버(20)는 학생 단말기(10)에 대응되는 학생이 졸업하는지의 여부를 판단할 수 있다(S321).

제 S321 단계에서 판단결과, 학생 단말기(10)에 대응되는 학생이 졸업하지 않는 경우에는 미리 설정된 제 6 기능(Default 6)을 수행할 수 있다(S322).

제 6 기능은 학생 단말기(10)에 대응되는 학생이 졸업하기까지 대기하는 기능 등을 예로 들 수 있다.

반면에, 제 S321 단계에서 판단결과 학생 단말기(10)에 대응되는 학생이 졸업하는 경우에는 서버(20)에서는 해당 학생에 대해 졸업을 인증할 수 있다(S323).

학생의 졸업의 인증은 서버(20)의 데이터베이스에 저장되는 정보를 근거로 하여 수행될 수 있다.

이후, 서버(20)는 졸업이 인증된 학생에 대응되는 학생 단말기(10)를 자동으로 졸업생 단말기(30)로 전환할 수 있다(S324).

그러면 서버(20)에서는 전환된 졸업생 단말기(30)로 취업정보를 전송해 줄것을 요청할 수 있다.

전환된 졸업생 단말기(30)에서는 서버(20)의 요청에 대응하여 취업정보를 서버(20)로 전송할 수 있다(S325).

그러면 서버(20)는 전환된 졸업생 단말기(30)로부터 수신한 취업정보를 저장하고 관리할 수 있다(S326).

이후, 서버(20)는 전환된 졸업생 단말기(30)에 대응되는 졸업생을 자동으로 멘토로 설정될 수 있다(S327).

이처럼, 학생이 졸업 자격을 취득하는 경우에, 서버(20)에서는 졸업 자격을 취득한 학생에 대응하는 학생 단말기(10)를 자동으로 졸업생 단말기(30)로 전환할 수 있다.

이러한 경우, 학생 단말기(10)에 설치된 재학생용 앱을 재학생 모드에서 졸업생 모드로 자동으로 전환될 수 있다.

졸업생의 일정 부분은 취업 후에도 학생시절에 사용하던 학생 단말기(10)를 그대로 사용할 가능성이 있다.

이를 고려하면, 졸업과 함께 단말기에 설치된 재학생용 앱의 모드를 재학생 모드에서 졸업생 모드로 자동으로 전환하는 경우에는 서버(20)는 새롭게 등록된 졸업생 단말기(30)로부터 취업에 관련된 최근 정보를 용이하게 획득할 수 있다.

다른 관점에서 보면, 서버(20)에서는 취업에 성공한 졸업생이 제공할 수 있는 최근 정보 혹은 최근 트랜드를 용이하게 획득할 수 있다.

도 18 내지 도 22는 본 발명에 따른 인공지능 기술 기반 학생 맞춤형 교육 및 취업지원 방법을 구현한 앱의 일례를 설명하기 위한 도면이다. 이하에서는 이상에서 상세히 설명한 부분에 대한 설명은 생략될 수 있다.

도 18을 살펴보면, 학생 단말기(10)에서 앱을 실행한 후에 인적사항을 포함하는 기준정보를 입력하면 학생 단말기(10)의 화면에는 스펙관리 메뉴, 커리어 메뉴, 학습관리 메뉴, 학습현황 메뉴 및 알림포탈 메뉴가 표시될 수 있다.

스펙관리 메뉴는 도 19의 (A)에 나타나 있는 바와 같이 스펙분석 및 추천 항목을 포함할 수 있다.

학생, 즉 사용자가 스펙분석 및 추천 항목을 선택하면 학생 단말기(10)의 화면에는 나의 스펙에 대한 정보, 유사그룹의 스펙에 대한 정보 및 우수그룹의 스펙에 대한 정보가 표시될 수 있다.

다른 관점에서 보면 사용자가 스펙분석 및 추천 항목을 선택하면 서버(20)는 학생 단말기(10)로 나의 스펙(교과스펙정보, 비교과스펙정보)에 대한 정보, 유사그룹의 스펙에 대한 정보 및 우수그룹의 스펙에 대한 정보를 전송할 수 있다.

도 19의 (B)에는 학생 나의 스펙에 대한 상세한 정보가 나타나 있다.

도 20의 (A)에는 기업별 합격 스펙정보의 일례가 나타나 있다.

아울러, 도 20의 (B)에는 기업별 채용 트렌드에 대한 정보의 일례가 나타나 있다.

예를 들어, 도 20의 (A)와 같이 학생 단말기(10)에서 목표로 하는 기업을 '한화'로 입력하는 경우에는 서버(20)는 최근, 예컨대 최근 5년 동안 '한화'에 입사한 졸업생들의 스펙정보를 분석하고, 분석한 결과를 학생 단말기(10)로 전송할 수 있다.

아울러, 서버(20)는 '한화'에 입사한 졸업생들의 스펙정보와 해당 학생의 현제 스펙정보를 비교하여 비교한 정보를 학생 단말기(10)로 전송할 수 있다.

그러면, 학생은 자신이 '한화'에 입사할 수 있을지를 어느 정도 예측할 수 있다.

아울러, 서버(20)는 도 20의 (B)와 같이 '한화'에서 인재를 채용할 때 중요하게 보는 항목에 대한 정보, 즉 채용 트렌드에 대한 정보를 학생 단말기(10)로 더 제공할 수 있다.

그러면 학생은 자신이 '한화'에 입사하기 위해 필요한 스펙이 무엇인지 충분히 명확하게 파악할 수 있다.

도 21의 (A)에는 서버(20)가 학생 단말기(10)로 제공하는 교과 추천정보의 일례가 나타나 있다.

도 21의 (A)는 전공별 교과 추천정보의 일례라고 할 수 있다.

도 21의 (A)는 성적이 우수한 순서로 상위 기준 비율, 예컨대 상위 30%의 학생이 수강한 데이터를 기반으로 해당 학생에게 제공되는 교과 추천정보일 수 있다.

이러한 경우, 학생은 도 21의 (A)와 같은 교과 추천정보를 이용하여 용이하게 수강신청을 할 수 있을 뿐 아니라, 자신에게 맞춤형으로 용이하게 수강 과목을 선정하는 것이 가능하다.

도 21의 (B)는 학생이 학생 단말기(10)를 이용하여 입력한 관심분야정보를 근거로 하여 서버(20)가 추출한 교과 추천정보의 일례라고 할 수 있다.

도 22의 (A) 및 (B)를 살펴보면, 서버(20)는 학생 단말기(20)로 일정에 대한 정보, 달성률에 대한 정보 등 다양한 정보를 더 제공하는 것이 가능하다.

이와 같이, 상술한 본 발명의 기술적 구성은 본 발명이 속하는 기술분야의 당업자가 본 발명의 그 기술적 사상이나 필수적 특징을 변경하지 않고서 다른 구체적인 형태로 실시될 수 있다는 것을 이해할 수 있을 것이다.

그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적인 것이 아닌 것으로서 이해되어야 하고, 본 발명의 범위는 전술한 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 등가개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.

Claims (5)

1. 서버(Server)에서 학교 시스템으로부터 학교 원천 정보를 수집하는 단계;
   빅데이터 플랫폼에서 상기 수집된 학교 원천 정보를 정형 데이터, 비정형 데이터 및 반정형 데이터로 분류하고, AI 플랫폼에서 AI 모델 학습을 통해 상기 분류되어진 데이터들을 목적성에 따라 교과 추천정보와 비교과 추천정보를 포함한 추천정보로서 추출하는 단계;
   학교에 재학 중인 학생에 대응되는 학생 단말기(Student Terminal)에서 상기 서버로 상기 학생의 인적사항에 대한 정보를 포함하는 기준정보(Reference Information)를 입력하는 단계;
   상기 서버에서 머신러닝(Machine Learning) 기술을 활용하여 상기 기준정보에 매칭(Matching)되는 상기 추출된 추천정보를 상기 학생 단말기로 전송하는 단계;
   상기 서버에서 학생의 학과정보, 학년정보, 성적정보, 활동정보 및 관심사정보 중 적어도 하나를 근거로 하여 상기 학생과 유사한 레벨의 학생들을 판별하여 비교군(Reference Group, 유사 그룹)으로 설정하는 단계;
   상기 서버에서 상기 비교군에 포함된 학생들이 이수한 복수의 과목 중 이수비율이 미리 설정된 기준비율 이상인 적어도 하나의 과목을 이수하고 있는 우수 그룹의 상기 교과 추천정보를 설정하는 단계;
   상기 서버에서 상기 비교군에 포함된 학생들이 선택한 비교과 항목 중 선택비율이 높은 적어도 하나의 비교과 항목을 갖는 우수 그룹의 상기 비교과 추천정보를 설정하는 단계; 및
   상기 서버에서 상기 학생 단말기로 상기 교과 추천정보 및 상기 비교과 추천정보를 전송하는 단계
   를 포함하는 것을 특징으로 하는 인공지능 기술 기반 학생 맞춤형 교육 및 취업지원 방법.
2. 제 1 항에 있어서,
   상기 학교 원천 정보는 상기 학생 및/또는 졸업생에 대한 학과정보, 학년정보, 학번정보, 성별정보, 성적정보, 출결정보, 강의계획서정보, 컨텐츠 스크립트 정보, 강의시간표정보, 시험일정정보, 교과스펙정보, 비교과스펙정보 및 취업기업정보 중 적어도 하나를 포함하는 인공지능 기술 기반 학생 맞춤형 교육 및 취업지원 방법.
3. 제 2 항에 있어서,
   상기 서버에서 상기 학생이 이수한 과목에 대한 이수과목정보 및 관심분야정보를 판별하는 단계;
   상기 서버에서 판별한 정보와 매칭률이 미리 설정된 기준 매칭률보다 높은 적어도 하나의 과목을 포함하도록 상기 교과 추천정보를 설정하는 단계;
   상기 서버에서 판별한 정보와 매칭률이 미리 설정된 기준 매칭률보다 높은 적어도 하나의 비교과 항목을 포함하도록 상기 비교과 추천정보를 설정하는 단계; 및
   상기 서버에서 상기 학생 단말기로 상기 교과 추천정보 및 상기 비교과 추천정보를 전송하는 단계;
   를 더 포함하는 것을 특징으로 하는 인공지능 기술 기반 학생 맞춤형 교육 및 취업지원 방법.
4. 삭제
5. 삭제

Images