KR102513758B1 - 커리큘럼 내 학습 세션 추천 시스템 및 방법 - Google Patents

커리큘럼 내 학습 세션 추천 시스템 및 방법 Download PDF

Info

Publication number
KR102513758B1
KR102513758B1 KR1020220083770A KR20220083770A KR102513758B1 KR 102513758 B1 KR102513758 B1 KR 102513758B1 KR 1020220083770 A KR1020220083770 A KR 1020220083770A KR 20220083770 A KR20220083770 A KR 20220083770A KR 102513758 B1 KR102513758 B1 KR 102513758B1
Authority
KR
South Korea
Prior art keywords
learning
learner
session
expected
curriculum
Prior art date
Application number
KR1020220083770A
Other languages
English (en)
Inventor
김대은
김우현
홍창기
Original Assignee
주식회사 에이치투케이
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 주식회사 에이치투케이 filed Critical 주식회사 에이치투케이
Priority to KR1020220083770A priority Critical patent/KR102513758B1/ko
Application granted granted Critical
Publication of KR102513758B1 publication Critical patent/KR102513758B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/20—Education
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
    • G09B—EDUCATIONAL OR DEMONSTRATION APPLIANCES; APPLIANCES FOR TEACHING, OR COMMUNICATING WITH, THE BLIND, DEAF OR MUTE; MODELS; PLANETARIA; GLOBES; MAPS; DIAGRAMS
    • G09B7/00—Electrically-operated teaching apparatus or devices working with questions and answers
    • G09B7/02—Electrically-operated teaching apparatus or devices working with questions and answers of the type wherein the student is expected to construct an answer to the question which is presented or wherein the machine gives an answer to the question presented by a student

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Educational Technology (AREA)
  • Marketing (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • Biophysics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Primary Health Care (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Electrically Operated Instructional Devices (AREA)

Abstract

본 발명의 일 목적은 학습자의 학습 기록에 기초하여 학습자가 가장 흥미롭고 효율적으로 학습을 진행할 수 있는 난이도(즉, 학습자가 학습 기준 점수를 획득할 것으로 예상되는 학습 세션)를 갖는 학습 세션을 추천하는 것에 있다.
이를 위해, 본 발명의 일 실시예에 따른 커리큘럼 내 학습 세션 추천 시스템은, 학습자 클라이언트로부터 수신한 학습 기록에 기초하여, 현재 커리큘럼 내 복수의 학습 세션들의 문제들에 대한 학습자의 예상 현재 학습 상태를 출력하는 학습자 상태 진단 장치 - 상기 예상 현재 학습 상태는 상기 현재 커리큘럼 내 복수의 학습 세션들의 문제들에 대한 정오답 여부와 개별 학습 세션에 대한 예상 점수를 포함함 - 와, 상기 학습 기록에 기초하여 상기 학습자의 학습 지속 시간이 가장 길 것으로 예상되는 학습 기준 점수를 출력하는 기준 점수 설정 장치와, 상기 학습자의 상기 예상 현재 학습 상태의 상기 예상 점수 및 상기 학습 기준 점수에 기초하여, 상기 현재 커리큘럼 내의 상기 복수의 학습 세션들 중에서의 학습 세션을 추천 학습 세션으로 결정하는 학습 세션 추천 장치를 포함한다.

Description

커리큘럼 내 학습 세션 추천 시스템 및 방법{System and Method for Recommending Study Session Within Curriculum}
본 발명은 커리큘럼 내 학습 세션 추천 시스템 및 방법에 관한 것이며, 보다 구체적으로는, 학습자의 학습 기록에 기초하여 학습자가 커리큘럼 내 복수의 학습 세션 중에서 가장 흥미를 가지고 학습할 수 있는 학습 세션을 추천하기 위한 시스템 및 방법에 관한 것이다.
한글, 영어, 일어, 중국어 등 각종 언어들에 대한 교육열이 과열되면서, 최근의 학부모들은 빠르면 4세부터 한글, 영어 등 다양한 언어를 교육하기 시작하였다. 특히, 조기교육의 핵심인 한글의 경우, 한국교육과정평가원의 통계에 따르면, 입학 전 한글 교육 비율은 91.6%에 달하는 것으로 나타났다.
기존의 한글 교육 방식은 학부모 또는 돌보미의 돌봄 시간에 한글 학습지 등의 자료를 이용하여 교육하는 방식이 대세를 이루었고, 점차 온라인 혹은 오프라인에서 스마트폰이나 태블릿 등의 애플리케이션을 통해 교육하는 방식으로 전환되고 있었다. 그러나, 이러한 한글 교육 방식은 유아의 한글 수준과 관련 없는 기설정된 커리큘럼에 따른 저가의 일방향 한글 교육 방식이거나 학습지 교사의 지도가 포함된 고가의 양방향 한글 교육 방식이었다.
이러한 점 때문에 저가로 유아의 한글 교육을 수행하여야 하는 경우, 애플리케이션을 이용하여 한글 교육을 진행하더라도 난이도가 너무 높거나 너무 낮아 유아의 흥미를 유발하는 데에 어려움이 있었으며, 유아의 흥미 유발을 위해 학부모 또는 돌보미가 유아의 한글 교육에 많은 교육 시간을 할애하여야 하는 문제가 있었다. 또한, 학부모와 돌보미의 입장에서는, 시중에 판매되는 4,000개 이상의 한글 교육 학습지와 수많은 한글 교육 애플리케이션이라는 지나치게 많은 선택지 중에서 어떤 것이 가장 적절할지 선택해야 한다는 매우 어려운 문제가 있었다.
또한, 학습지 교사가 방문하여 지도하는 고가의 양방향 한글 교육 방식을 취하더라도, 학습지 교사는 일주일에 15분 교육하는 경우가 대부분이며, 나머지 시간에는 학부모가 직접 한글 교육을 책임져야 하는 문제가 있었다.
따라서, 본 발명의 목적은 학습자의 학습 기록에 기초하여 학습자가 가장 흥미롭고 효율적으로 학습을 진행할 수 있는 난이도(즉, 학습자가 학습 기준 점수를 획득할 것으로 예상되는 학습 세션)를 갖는 학습 세션을 추천하는 것에 있다.
다만, 본 발명이 해결하고자 하는 과제는 이상에서 언급한 바로 제한되지 않으며, 언급되지는 않았으나 아래의 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있는 목적을 포함할 수 있다.
이하 본 발명의 목적을 달성하기 위한 구체적 수단에 대하여 설명한다.
본 발명의 일 실시예에 따른 커리큘럼 내 학습 세션 추천 시스템은, 학습자 클라이언트로부터 수신한 학습 기록에 기초하여, 현재 커리큘럼 내 복수의 학습 세션들의 문제들에 대한 학습자의 예상 현재 학습 상태를 출력하는 학습자 상태 진단 장치 - 상기 예상 현재 학습 상태는 상기 현재 커리큘럼 내 복수의 학습 세션들의 문제들에 대한 정오답 여부와 개별 학습 세션에 대한 예상 점수를 포함함 - 와, 상기 학습 기록에 기초하여 상기 학습자의 학습 지속 시간이 가장 길 것으로 예상되는 학습 기준 점수를 출력하는 기준 점수 설정 장치와, 상기 학습자의 상기 예상 현재 학습 상태의 상기 예상 점수 및 상기 학습 기준 점수에 기초하여, 상기 현재 커리큘럼 내의 상기 복수의 학습 세션들 중에서의 학습 세션을 추천 학습 세션으로 결정하는 학습 세션 추천 장치를 포함한다.
또한, 본 발명의 일 실시예에 따른 커리큘럼 내 학습 세션 추천 시스템에 있어서, 상기 학습 기록은, 상기 학습자가 학습 애플리케이션 모듈을 통해 현재까지 입력한 문제들에 대한 풀이를 포함하는 문제 풀이 정보; 상기 학습자가 풀이한 문제들이 어떠한 학습 세션들의 조합으로 이루어졌는지를 나타내는 학습 세션 조합 정보; 및 상기 학습자가 풀이한 문제들에 대한 문제 식별자 세트 - 상기 문제 식별자 세트의 문제 식별자 각각은 문제 식별자에 대응하는 문제의 게임 유형 및 학습 대상의 조합으로 이루어짐 - 를 포함한다.
또한, 본 발명의 일 실시예에 따른 커리큘럼 내 학습 세션 추천 시스템에 있어서, 상기 학습 기록은, 상기 현재 커리큘럼 내 문제들에 대한 상기 학습자의 학습 기록을 포함한다.
또한, 본 발명의 일 실시예에 따른 커리큘럼 내 학습 세션 추천 시스템에 있어서, 상기 학습자 상태 진단 장치는 인공 신경망 모듈을 포함하고, 상기 인공 신경망 모듈은 트랜스포머(transformer) 기반의 인공 신경망 모듈과, 상기 트랜스포머 기반의 인공 신경망 모듈의 전단 및 후단에 설치되는 복수의 LSTM(Long Short-Term Memory) 모듈을 포함하고, 상기 인공 신경망 모듈은 상기 학습자의 상기 학습 기록의 상기 문제 풀이 정보, 상기 문제 식별자 세트, 및 상기 학습 세션 조합 정보를 각각 입력받은 것에 기초하여 상기 학습자의 상기 예상 현재 학습 상태를 출력한다.
본 발명의 일 실시예에 따른 커리큘럼 내 학습 세션 추천 방법은, 학습자 클라이언트로부터 수신한 학습 기록에 기초하여, 현재 커리큘럼 내 복수의 학습 세션들의 문제들에 대한 학습자의 예상 현재 학습 상태를 출력하는 단계 - 상기 예상 현재 학습 상태는 상기 현재 커리큘럼 내 복수의 학습 세션들의 문제들에 대한 정오답 여부와 개별 학습 세션에 대한 예상 점수를 포함함 - 와, 상기 학습 기록에 기초하여 상기 학습자의 학습 지속 시간이 가장 길 것으로 예상되는 학습 기준 점수를 출력하는 단계와, 상기 학습자의 상기 예상 현재 학습 상태의 상기 예상 점수 및 상기 학습 기준 점수에 기초하여, 상기 학습자에게 상기 현재 커리큘럼 내의 상기 복수의 학습 세션들 중에서의 학습 세션을 추천 학습 세션으로 결정하는 단계를 포함한다.
상기한 바와 같이, 본 발명에 의하면 이하와 같은 효과가 있다.
본 발명의 일 실시예에 따르면, 학습자의 학습 기록, 즉, 학습자가 지금까지 풀이한 문제들에 기초하여 예상 현재 학습 상태를 도출하고, 학습자가 가장 흥미롭고 효율적으로 학습을 진행할 수 있는 난이도(즉, 학습자가 학습 기준 점수를 획득할 것으로 예상되는 학습 세션)를 갖는 학습 세션을 현재 커리큘럼 내에서 추천함으로써, 학습자에게 맞춤화된 학습 세션을 제공할 수 있는 효과를 가진다.
다만, 본 발명에서 얻을 수 있는 효과는 이상에서 언급한 효과들로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 아래의 기재로부터 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
본 명세서에 첨부되는 다음의 도면들은 본 발명의 바람직한 실시예를 예시하는 것이며, 발명의 상세한 설명과 함께 본 발명의 기술사상을 더욱 이해시키는 역할을 하는 것이므로, 본 발명은 그러한 도면에 기재된 사항에만 한정되어 해석되어서는 아니 된다.
도 1은 본 발명의 일 실시예에 따른 인공지능 기반의 학습 세션 추천 시스템을 도시한 모식도이다.
도 2는 본 발명의 일 실시예에 따른 학습자의 학습 기록의 구성에 대해 설명하는 도면이다.
도 3은 본 발명의 다른 일 실시예에 따른 문제 식별자의 생성 방법에 관하여 설명하는 도면이다.
도 4은 본 발명의 일 실시예에 따른 인공지능 기반의 학습자 상태 진단 장치가 학습자의 예상 현재 학습 상태를 출력하는 과정을 설명하는 도면이다.
도 5 및 도 6은 본 발명의 일 실시예에 따른 인공지능 기반의 학습자 상태 진단 장치의 인공 신경망 모듈의 개략적인 구조 및 동작 원리를 설명하는 도면이다.
도 7은 본 발명의 일 실시예에 따른 인공지능 기반의 기준 점수 설정 장치의 인공 신경망 모듈의 개략적인 구조 및 동작 원리를 설명하는 도면이다.
도 8은 인공지능 기반의 학습 세션 추천 장치(3)의 개략적인 구조 및 동작 원리를 설명하는 도면이다.
도 9는 본 발명의 일 실시예에 따른 커리큘럼 내 학습 세션의 추천 방법에 대한 흐름도이다.
이하 첨부된 도면을 참조하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 본 발명을 쉽게 실시할 수 있는 실시예를 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 예에 한정되지 않는다. 또한, 본 발명의 바람직한 실시예에 대한 동작원리를 상세하게 설명함에 있어서 관련된 공지기능 또는 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략한다.
또한, 도면 전체에 걸쳐 유사한 기능 및 작용을 하는 부분에 대해서는 동일한 도면 부호를 사용한다. 명세서 전체에서, 특정 부분이 다른 부분과 연결되어 있거나 위/아래에 있다고 할 때, 이는 직접적으로 연결되어 있거나, 위/아래에 있는 경우뿐만 아니라, 그 중간에 다른 구성요소를 사이에 두고, 간접적으로 연결되거나 위/아래에 있는 경우도 포함한다.
나아가, 명세서 전체에서 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있음을 의미한다.
"제1", "제2" 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 이러한 구성요소들은 해당 용어들에 의해 한정되어서는 안 된다. 즉, 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다. 예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 명명될 수 있다. "및/또는" 이라는 용어는 복수의 관련된 기재된 항목들의 조합 또는 복수의 관련된 기재된 항목들 중의 어느 항목을 포함한다.
또한, 달리 구체적으로 명시하지 않는 한, "단수"의 표현은 본 명세서에서 하나 이상의 개체를 포함하는 것으로 사용된다. 마지막으로, 본 명세서에서 사용된 바와 같이, "또는"은 달리 구체적으로 명시하지 않는 한, 비-배타적인 "또는"을 의미한다.
또한, 본 발명에서 사용되는 용어는 본 발명에서의 기능을 고려하면서 가능한 현재 널리 사용되는 일반적인 용어들을 선택하였으나, 이는 당 분야에 종사하는 기술자의 의도 또는 판례, 새로운 기술의 출현 등에 따라 달라질 수 있다. 또한, 특정한 경우는 출원인이 임의로 선정한 용어도 있으며, 이 경우 해당되는 발명의 설명 부분에서 상세히 그 의미를 기재할 것이다. 따라서 본 발명에서 사용되는 용어는 단순한 용어의 명칭이 아닌, 그 용어가 가지는 의미와 본 발명의 전반에 걸친 내용을 토대로 정의되어야 한다.
인공지능 기반의 학습 세션 추천 시스템의 개요
도 1은 본 발명의 일 실시예에 따른 인공지능 기반의 학습 세션 추천 시스템을 도시한 모식도이다. 도 1을 참조하면, 본 발명의 일 실시예에 따른 인공지능 기반의 학습 세션 추천 시스템(100)은, 인공지능 기반의 학습자 상태 진단 장치(1), 인공지능 기반의 기준 점수 설정 장치(2), 및 인공지능 기반의 학습 세션 추천 장치(3)를 포함할 수 있다.
먼저, 인공지능 기반의 학습자 상태 진단 장치(1)는 학습자 클라이언트(4)의 애플리케이션 모듈(4a)로부터 학습자(예를 들어, 유아)의 학습 기록(5)을 수신할 수 있다. 이 때, 학습자의 학습 기록(5)은 학습자가 학습 애플리케이션 모듈(4a)을 통해 현재까지 입력한 문제들에 대한 풀이를 포함하는 문제 풀이 정보(5a) 및 학습자가 풀이한 문제들이 어떠한 학습 세션들의 조합으로 이루어졌는지를 나타내는 학습 세션 조합 정보(5b)를 포함할 수 있다. 본 발명의 일 실시예에 따르면, 하나의 커리큘럼은 복수의 학습 세션들을 포함하고, 각 학습 세션은 복수의 문제들을 포함하므로, 학습자의 문제 풀이 정보(5a) 또한 복수의 학습 세션에 속하는 문제들에 대한 풀이를 포함할 수 있게 된다. 이에, 학습 세션 조합 정보(5b)를 통해 학습자가 풀이한 문제들의 학습 세션들을 식별할 수 있다.
인공지능 기반의 학습자 상태 진단 장치(1)는 학습자 클라이언트(4)의 애플리케이션 모듈(4a)로부터 수신한 학습 기록(5)에 기초하여 학습자의 예상 현재 학습 상태를 출력할 수 있다. 여기서 학습자의 예상 현재 학습 상태는, 예를 들어, 학습자의 현재 커리큘럼 내 복수의 학습 세션들 내의 모든 문제들에 대한 정오답 여부와 개별 학습 세션에 대한 예상 점수를 포함할 수 있다. 학습자의 예상 현재 학습 상태의 출력은 인공 신경망 모듈을 통해서 인공 지능 기반으로 수행될 수 있는데, 이에 대해서는 자세히 후술하도록 한다.
인공지능 기반의 기준 점수 설정 장치(2)는 학습자 클라이언트(4)의 애플리케이션 모듈(4a)로부터 학습자(예를 들어, 유아)의 학습 기록(5)을 수신하고 이에 기초하여 학습자의 효율적인 학습을 유도할 수 있는 학습 기준 점수를 출력할 수 있다. 예를 들어, 학습 기준 점수는 학습자가 가장 학습에 흥미를 유발할 수 있는 점수로서, 학습 지속 시간이 가장 길 것으로 예상되는 점수로 설정될 수 있다. 한편, 본 발명의 실시예에서는 학습 지속 시간이 가장 길 것으로 예상되는 점수를 학습자가 가장 학습에 흥미를 유발할 수 있는 점수라고 가정하였으나, 학습 지속 시간 이외에 다른 요소, 예를 들어, 학습 횟수, 로그인 횟수 등을 고려하여 학습 기준 점수를 출력할 수도 있다. 이러한 학습 기준 점수의 출력은 인공 신경망 모듈을 통해서 인공 지능 기반으로 수행될 수 있는데, 이에 대해서도 자세히 후술하도록 한다.
인공지능 기반의 학습 세션 추천 장치(3)는 인공지능 기반의 학습자 상태 진단 장치(1)로부터 학습자의 예상 현재 학습 상태를 수신하고, 인공지능 기반의 기준 점수 설정 장치(2)로부터 학습 기준 점수를 수신할 수 있다. 그리고, 인공지능 기반의 학습 컨텐츠 추천 장치(3)는 학습자의 예상 현재 학습 상태 및 학습 기준 점수에 기초하여 추천 학습 세션(6)을 출력하고 이를 해당 학습자에게 제공할 수 있다. 추천 학습 세션(6)은 현재의 커리큘럼 내의 복수의 학습 세션들 중에서 학습자가 학습 기준 점수에 가장 가까운 점수를 받을 것으로 예상되는, 학습자에게 맞춤화된 학습 세션일 수 있다.
본 발명의 일 실시예에 따른 인공지능 기반의 학습 세션 추천 시스템(100)은 특정 웹서버, 클라우드 서버와 같은 가상 서버, 스마트폰, 태블릿 PC, 데스크탑 PC 등의 컴퓨팅 장치의 처리모듈에 의해 처리되고, 각 컴퓨팅 장치의 메모리 모듈에 저장되도록 구성될 수 있다. 다만, 이러한 시스템(100)이 둘 이상의 컴퓨팅 장치의 처리모듈에 의해 분산 처리되고, 둘 이상의 컴퓨팅 장치의 메모리 모듈에 분산되어 저장될 수도 있으며, 이러한 점은 인공지능 기반의 학습 세션 추천 시스템(100)의 구체적인 구현 방법에 따라 다양하게 설계될 수 있다.
본 발명의 일 실시예에 따르면, 학습자의 학습 기록, 즉, 학습자가 지금까지 풀이한 문제들에 기초하여 예상 현재 학습 상태를 도출하고, 학습자가 가장 흥미롭고 효율적으로 학습을 진행할 수 있는 난이도(즉, 학습자가 학습 기준 점수를 획득할 것으로 예상되는 학습 세션)를 갖는 학습 세션을 현재 커리큘럼 내에서 추천함으로써, 학습자에게 맞춤화된 학습 세션을 제공할 수 있는 효과를 가진다.
인공지능 기반의 학습자 상태 진단 장치
도 2는 본 발명의 일 실시예에 따른 학습자의 학습 기록의 구성에 대해 설명하는 도면이다.
도 2를 참조하면, 학습자의 현재 학습 기록(5)은, 현재 커리큘럼 내 복수의 학습 세션의 모든 문제들의 집합 중에서 학습자가 풀이한 문제들에 대한 문제 식별자 세트(e11, e22,..., emn), 각 문제들에 대한 학습자의 문제 풀이 정보(r11, r22,..., rmn), 및 학습자가 풀이한 문제들이 속하는 학습 세션들의 조합을 나타내는 학습 세션 조합 정보(5b)를 포함할 수 있다. 일례로, 문제 식별자 e11은 학습 세션 1에 속하고, 문제 식별자 e22는 학습 세션 2에 속하고, 문제 식별자 emn은 학습 세션 m에 속하는 경우, 학습 세션 조합 정보(5b)는 학습자의 학습 기록(5)에 학습 세션 1, 2, m이 조합되었다는 것을 나타낼 수 있다.
한편, 학습자의 학습 기록(5)은 현재 커리큘럼에 대한 현재 학습 기록 뿐만 아니라 이전에 학습자가 풀이한 커리큘럼들에 대한 학습 기록을 포함할 수 있다. 이 경우, 학습 기록(5)은 커리큘럼별(예를 들어, 커리큘럼 ID별) 및/또는 날짜순으로 정렬될 수 있다. 또한, 학습 애플리케이션 플랫폼의 서버에 저장되어 있는 데이터베이스에는 다수의 학습자의 학습 기록(5)이 학습자 ID(예를 들어, profile ID)별로 저장되어 있을 수 있으며, 그 외에도 학습 기록(5)과 함께 모드 정보(문제가 학습형 문제인지 또는 질의형 문제인지 여부를 나타냄) 등이 부가되어 저장되어 있을 수도 있으며, 이에 대해 한정하지는 않는다.
본 발명의 일 실시예에 따르면, 문제 식별자(e) 각각은 게임 유형(g, game type) 및 학습 대상(t, target)의 조합으로 이루어질 수 있다. 즉, 문제 식별자 e1=g1t1, e2=g2t2, […], ek-1=gk-1tk-1일 수 있다. 여기서, 게임 유형(g)은 문제가 어떠한 유형의 게임으로서 제시되고 있는지를 나타내며, 예를 들어, 게임 유형(g)은 글자의 모양과 소리를 익히는 "소리 익히기" 게임, 다른 글자와 비교 및 변별을 하는 "분별하기" 게임, 자음, 모음, 받침을 붙이는 "조합하기" 게임, 올바른 글자 쓰기를 배우는 "따라쓰기", 및 듣고 말하는 훈련을 하는 "말하기" 게임을 포함할 수 있으며, 각각의 게임 유형(g)은 식별자나 라벨로 표시될 수 있다. 또한, 학습 대상(t)은 학습되는 글자, 단어, 자모음 음소 등일 수 있으며, 각각의 학습 대상(t)은 식별자나 라벨로 표시될 수 있다.
도 3은 본 발명의 다른 일 실시예에 따른 문제 식별자의 생성 방법에 관하여 설명하는 도면이다. 도 3을 참조하면, 본 발명의 다른 일 실시예에 따르면, 문제 식별자(e) 각각은 게임 유형(g, game type) 및 학습 대상(t, target)의 조합으로 이루어질 수 있는데, 여기서 게임 유형(g)은 게임 화면을 CNN(Convolution Neural Network) 인코더에 입력하고 그 출력으로서의 게임 벡터로 결정하고, 학습 대상(t)은 학습 대상 텍스트를 CNN 인코더에 입력하고 그 출력으로서의 대상 벡터(target vector)로 결정될 수 있으며, 문제 식별자(e) 각각은 이러한 게임 벡터와 대상 벡터의 조합으로 이루어질 수도 있다.
도 4은 본 발명의 일 실시예에 따른 인공지능 기반의 학습자 상태 진단 장치가 학습자의 예상 현재 학습 상태를 출력하는 과정을 설명하는 도면이다.
도 4를 참조하면, 학습자 클라이언트(4)의 학습자는 현재 커리큘럼 내 학습 세션들의 문제들에 대한 풀이를 학습자 클라이언트(4)를 통해 입력할 수 있으며, 이것이 학습자의 학습 기록(5)이 될 수 있다. 도 4에 도시된 예에 따르면, 학습 기록(5)은 학습자가 지금까지 풀이한 문제들(즉, 각 문제 식별자 e11, e22, [...], emn)에 대한 학습자의 문제 풀이 정보(5a)(r1, r2, [...], rt)와, 각 문제(e11, e22, [...], emn)가 카테고리 내 어느 학습 세션에 속한 것인지에 대한 학습 세션 조합 정보(5b)를 포함할 수 있다. 이러한 학습 기록(5)은 학습자 클라이언트(4)로부터 인공지능 기반의 학습자 상태 진단 장치(1)로 전송될 수 있다.
인공지능 기반의 학습자 상태 진단 장치(1)는 수신한 학습 기록(5)에 기초하여 카테고리 내 복수의 학습 세션의 모든 문제들에 대한 학습자의 예상 현재 학습 상태를 출력할 수 있다. 여기서, 학습자의 예상 현재 학습 상태(a11, a12 ... a21, a22, am1, am2, [...] amn)는 정답에 대해서는 "0"의 값을 부여하고, 오답에 대해서는 "1"의 값을 부여하고, 학습 완료에 대해서는 완료를 나타내는 "2"의 값을 부여하는 방식일 수 있다. 또는, 학습 완료형 문제에 대해서도 학습이 완료되는 경우 정답과 마찬가지로 "0"의 값을 부여할 수도 있다.
또한, 인공지능 기반의 학습자 상태 진단 장치(1)는 학습자의 예상 현재 학습 상태(즉, 문제들의 정오답 여부)를 확률 값의 형태로 출력할 수도 있다. 예를 들어, 학습자의 예상 현재 학습 상태가 (a11 = 0.34, a12 = 0.78 [...], a21 = 0.88, a22 = 0.73, am1 = 0.55, am2 = 0.21 ... amn = 0.98)와 같이 확률 값으로서 출력될 수 있다. 이 경우, 소정의 기준 임계값, 예를 들어, 0.607을 기준으로 0.607 이상의 확률 값을 가지는 경우 해당 문제에 대해서는 정답을 맞춘 것으로 하고, 0.607 이하의 확률 값을 가지는 경우 해당 문제에 대해서는 오답인 것으로 하도록 설정될 수 있다. 이러한 기준 임계값은 실제 정답을 정답으로 예측할 확률(TPR, true positive rate), 실제 오답을 오답으로 예측할 확률(TNR, true negative rate), 실제 오답을 정답으로 예측할 확률(FPR, false positive rate), 및 실제 정답을 오답으로 예측할 확률(FNR, false negative rate)을 고려하여 결정될 수 있으나, 이에 대해 한정하지는 않는다.
일 실시예에 따르면, 도 4에 도시된 것처럼, 학습자의 예상 현재 학습 상태는, 위에서 설명한 것과 같은 커리큘럼 내 복수의 학습 세션들 내의 모든 문제들에 대한 정오답 (및 학습 완료) 여부를 포함할 뿐 아니라, 개별 학습 세션에 대한 예상 점수를 더 포함할 수 있다. 예를 들어, 학습 세션 내 문제들에 대해 인공지능 기반의 학습자 상태 진단 장치(1)에 의해 출력된 정오답 여부에 기초하여 학습 세션에 대한 예상 점수가 연산될 수 있다.
도 5 및 도 6은 본 발명의 일 실시예에 따른 인공지능 기반의 학습자 상태 진단 장치의 인공 신경망 모듈의 개략적인 구조 및 동작 원리를 설명하는 도면이다.
도 5 및 도 6을 참조하면, 본 발명의 일 실시예에 따르면, 인공지능 기반의 학습자 상태 진단 장치(1)의 인공 신경망 모듈(10)은 트랜스포머 기반의 인공 신경망 모듈의 제1 블록(10a)(예를 들어, 인코더) 및 제2 블록(10b)(예를 들어, 디코더)의 전단 및 후단에 LSTM(Long Short-Term Memory) 모듈(41, 42, 43)을 추가한 구조를 포함할 수 있다. 이러한 구조를 통해 인공지능 기반의 학습자 상태 진단 장치(1)를 통한 학습자의 예상 현재 학습 상태의 출력 정확도를 향상시킬 수 있는 효과가 발생한다.
먼저 도 5의 인공지능 기반의 학습자 상태 진단 장치(1)의 인공 신경망 모듈(10)의 사전 학습 세션의 동작 원리에 대해 간략히 설명한다.
사전 학습 세션에서는, 기존에 다수의 학습자들에 의해 수행된 학습 기록들을 포함하는 사전 학습용 학습 기록이 인공 신경망 모듈(10)에 입력되고, 입력된 사전 학습용 학습 기록을 처리하여 인공 신경망 모듈(10)이 다수의 학습자들 각각의 예상 학습 상태를 출력하며, 다수의 학습자들 각각의 예상 현재 학습 상태를 다수의 학습자들 각각의 실제 학습 결과와 비교하여, 예상 현재 학습 상태와 실제 학습 결과 사이의 에러가 최소화되는 방향으로 손실 함수가 구성되어 인공 신경망 모듈(10)이 사전 학습될 수 있다.
보다 구체적으로는, 사전 학습 세션에서는, 인공 신경망 모듈(10)의 제1 블록(10a)에 사전 학습용 학습 기록(5)의 문제 식별자(e1, e2, […], ek-1)가 시계열적으로 입력될 수 있다. 사전 학습용 학습 기록(5)은 기존에 다수의 학습자들에 의해 수행된 학습 기록일 수 있다. 이 때, 전술한 것처럼, 문제 식별자(e1, e2, […], ek-1) 각각은 게임 유형(g, game type) 및 학습 대상(t, target)의 조합으로 이루어질 수 있다. 즉, 문제 식별자 e1=g1t1, e2=g2t2, […], ek-1=gk-1tk-1일 수 있다. 한편, 도 3의 예에 따르면, 시계열적으로 입력되는 문제 식별자(e) 각각은 게임 유형(g, game type) 및 학습 대상(t, target)의 조합으로 이루어지는데, 게임 유형(g)은 게임 화면을 CNN(Convolution Neural Network) 인코더에 입력하고 그 출력으로서의 게임 벡터로 결정하고, 학습 대상(t)은 학습 대상 텍스트를 CNN 인코더에 입력하고 그 출력으로서의 대상 벡터(target vector)로 결정될 수 있으며, 문제 식별자(e) 각각은 이러한 게임 벡터와 대상 벡터의 조합으로 이루어질 수도 있다.
그리고, 이처럼 시계열적으로 입력된 문제 식별자는 제1 블록(10a)의 임베딩 모듈에 입력되어 벡터화됨으로써 임베딩 정보가 출력되어 LSTM 모듈(41)로 입력될 수 있다. LSTM 모듈(41)은 현재 시점의 정보를 바탕으로 과거 내용을 얼마나 잊을지 또는 기억할지 등을 계산하고, 그 결과에 현재 정보를 추가해서 다음 시점으로 정보를 전달하는 작용을 하는데, LSTM 모듈(41)은 임베딩 정보에 기초하여 시계열 인코딩 정보의 묶음을 서로 다른 Linear Layer를 통해 Linear embedding하여 features dimension을 포함하는 Q(Query feature), K(Key feature), V(Value feature)로 구성한 뒤, Q(Query feature), K(Key feature), V(Value feature)를 Multi-head Attention Layer (즉, Multi-head Attention with upper triangular mask)의 입력 데이터로 할 수 있다. Q, K, V는 임베딩 정보로부터 서로 다른 Linear embedding을 통해 생성될 수 있다. Q와 K는 1st MatMul operation의 입력 데이터로 입력되어 Scale 및 softmax operation을 통해 Q에 대해서 모든 K에 대한 유사도를 계산하여 일련의 임베딩 정보 사이의 유사도 벡터를 출력하고, 이 유사도 벡터와 V는 2nd MatMul operation의 입력 데이터로 입력될 수 있다. 그리고, Multi-head Attention Layer는 입력 받은 Q, K, V 값에 기초하여 어텐션 정보를 출력하여 Feed Forward Layer로 입력할 수 있다. 이러한 Multi-head Attention Layer 및 Feed Forward Layer는 예를 들어 6번 반복될 수 있으며, 이전 Feed Forward Layer에서 출력된 인코딩 정보가 그 다음 Multi-head Attention Layer의 입력이 되는 방식으로 반복이 이루어질 수 있다. 그리고 마지막 Feed Forward Layer는 최종 인코딩 정보를 출력할 수 있는데, 이러한 최종 인코딩 정보는 인공 신경망 모듈(10)의 제2 블록(10b)의 제2 Multi-head Attention Layer에 K(Key), V(Value) 값으로서 입력될 수 있다.
또한, 사전 학습 세션에서, 인공 신경망 모듈(10)의 제2 블록(10b)에는 학습 세션 조합 정보(5b)와 문제 풀이 정보(5a)(s, r1, r2, […], rk-1)가 입력될 수 있다. 여기서 문제 풀이 정보(5a)의 s는 시작 신호일 수 있는데 이러한 시작 신호를 학습 기록의 마지막 문제의 학습 시간과 비교하여 학습자의 학습 지속 시간을 결정할 수 있다. 이처럼 제2 블록(10b)에 입력된 학습 세션 조합 정보(5b)와 문제 풀이 정보(5a)(s, r1, r2, […], rk-1)는 제2 블록(10b)의 임베딩 모듈에 각각 입력되어 벡터화됨으로써 임베딩 정보가 출력되어 LSTM 모듈(42)로 입력될 수 있다. LSTM 모듈(42)은 임베딩 정보에 기초하여 시계열 인코딩 정보의 묶음을 서로 다른 Linear Layer를 통해 Linear embedding하여 features dimension을 포함하는 Q(Query feature), K(Key feature), V(Value feature)로 구성한 뒤, Q(Query feature), K(Key feature), V(Value feature)를 제1 Multi-head Attention Layer (즉, Multi-head Attention with upper triangular mask)의 입력 데이터로 할 수 있다. 그리고 제1 Multi-head Attention Layer는 Q(Query) 값을 출력할 수 있는데 이 Q 값은 제2 Multi-head Attention Layer로 입력된다. 제2 Multi-head Attention Layer는 K, V 값으로는 제1 블록(10a)으로부터의 최종 인코딩 정보를 입력받을 수 있다. 그리고 제2 Multi-head Attention Layer는 입력 받은 Q, K, V 값에 기초하여 어텐션 정보를 출력하여 Feed Forward Layer로 입력할 수 있다. 이러한 제1 Multi-head Attention Layer, 제2 Multi-head Attention Layer 및 Feed Forward Layer는 예를 들어 6번 반복될 수 있으며, 이전 Feed Forward Layer에서 출력된 디코딩 정보가 그 다음 제1 Multi-head Attention Layer의 입력이 되는 방식으로 반복이 이루어질 수 있다. 그리고 마지막 Feed Forward Layer는 최종 디코딩 정보를 출력할 수 있는데, 이러한 최종 디코딩 정보는 LSTM 모듈(43)에 입력되고 LSTM 모듈(43)이 출력한 시계열 디코딩 정보는 Linear Layer를 거쳐 학습자의 예상 현재 학습 상태(a1, a2, […], ak-1)로서 출력될 수 있다.
그리고, 인공 신경망 모듈(10)로부터 출력된 학습자의 예상 현재 학습 상태(a1, a2, […], ak-1)는 학습자의 실제 학습 결과(a'1, a'2, […], a'k-1)와 비교될 수 있으며, 비교 결과 두 값 사이의 에러나 손실이 최소화되는 방향(예를 들어, Binary Cross Entropy 방식)으로 손실 함수가 구성되어 인공 신경망 모듈(10)이 사전 학습될 수 있다. 즉, 인공 신경망 모듈(10)은 예상 현재 학습 상태(a1, a2, […], ak-1)는 학습자의 실제 학습 결과(a'1, a'2, […], a'k-1) 사이의 손실 함수를 기초로 인공 신경망(10)의 각 레이어의 weight를 업데이트하는 방식을 채용할 수 있다.
다만, 전술한 것과 같은 트랜스포머-LSTM 기반 인공 신경망 모듈의 구체적인 구현 방식은 다양하게 달라질 수 있으며, 이에 대해 한정하지는 않는다.
도 6을 참조하여 인공지능 기반의 학습자 상태 진단 장치(1)의 인공 신경망 모듈(10)의 추론 세션의 동작 원리에 대해 설명한다. 도 6을 참조하면, 도 5의 과정을 거쳐 사전 학습된 인공 신경망 모듈(10)을 통해 제1 블록(10a)에 학습자의 예상 현재 학습 상태를 추론하고자 하는 커리큘럼 내의 문제들의 문제 식별자(e11, e21, […], emn)를 입력하고, 제2 블록(10b)에 학습 세션 조합 정보(5b) 및 시작 신호(s)를 입력함으로써, 인공 신경망 모듈(10)은 학습자의 예상 현재 학습 상태(a11, a21, […], amn)를 출력할 수 있다. 학습자의 예상 현재 학습 상태는, 예를 들어, 현재 커리큘럼 내 복수의 학습 세션들 내의 모든 문제들에 대한 정오답 여부와 개별 학습 세션에 대한 예상 점수를 포함할 수 있다.
인공지능 기반의 기준 점수 설정 장치
도 7은 본 발명의 일 실시예에 따른 인공지능 기반의 기준 점수 설정 장치의 인공 신경망 모듈의 개략적인 구조 및 동작 원리를 설명하는 도면이다.
도 7을 참조하면, 인공지능 기반의 기준 점수 설정 장치(2)의 인공 신경망 모듈의 사전 학습 세션에서, 사전 학습용으로 다수의 학습자의 학습 기록(5)의 학습 세션 조합 정보(5b) 및 문제 풀이 정보(5a)(s, r1, r2, […], rk-1)가 입력될 수 있다. 여기서, 문제 풀이 정보(5a)는 시작 신호(s)를 포함하는데, 이러한 시작 신호(s) 및 학습 기록의 마지막 문제의 풀이 정보 rk-1을 통해 학습자의 학습 지속 시간을 알 수 있다.
그 후, 학습 세션 조합 정보(5b) 및 문제 풀이 정보(5a)는 각각 임베딩 모듈을 통해 제1 임베딩 정보 및 제2 임베딩 정보로 출력될 수 있다. 그리고, 제1 임베딩 정보 및 제2 임베딩 정보가 LSTM 모듈에 입력될 수 있다. 다만, 다른 예에 따르면 LSTM 모듈 대신에 다른 인공 신경망 모듈, 예를 들어, 트랜스포머 모듈, CNN 모듈, RNN 모듈, 다중 퍼셉트론 모듈, GAN 모듈 등이 사용될 수도 있으며, 이에 대해 한정하지는 않는다.
LSTM 모듈은 제1 임베딩 정보 및 제2 임베딩 정보에 기초하여 벡터 정보를 출력할 수 있으며, 이러한 벡터 정보는 linear 모듈을 통해 예상 학습 기준 점수로 출력될 수 있다. 여기서 학습 기준 점수는 학습자가 가장 학습에 흥미를 유발할 수 있는 점수로서, 학습 지속 시간이 가장 길 것으로 예상되는 점수로 설정될 수 있다. 그리고, 사전 학습 세션에서 예상 학습 기준 점수는, 실제로 다수의 학습자들 각각의 학습 지속 시간이 가장 길었던 실제 최다 학습 시간 점수와 비교될 수 있으며, 비교 결과 예상 학습 기준 점수와 실제 최다 학습 시간 점수 사이의 에러나 손실이 최소화되는 방향(예를 들어, L1 또는 L2 norm 방식)으로 손실 함수가 구성되어 인공 신경망 모듈이 사전 학습될 수 있다. 즉, 인공지능 기반의 기준 점수 설정 장치(2)의 인공 신경망 모듈은 예상 학습 기준 점수와 실제 최다 학습 시간 점수 사이의 에러나 손실 함수를 기초로 인공 신경망의 각 레이어의 weight를 업데이트하는 방식을 채용할 수 있다.
그리고, 인공지능 기반의 기준 점수 설정 장치(2)의 사전 학습 세션이 완료된 인공 신경망 모듈은, 추론 세션에서 학습자의 학습 세션 조합 정보(5b) 및 문제 풀이 정보(5a)(s, r1, r2, […], rk-1)를 입력 받아 특정 학습자의 흥미를 가장 크게 유발할 수 있는(즉, 학습자의 학습 시간이 가장 길 것으로 예상되는) 학습 기준 점수를 출력할 수 있다.
인공지능 기반의 학습 세션 추천 장치
도 8은 인공지능 기반의 학습 세션 추천 장치(3)의 개략적인 구조 및 동작 원리를 설명하는 도면이다.
도 8을 참조하면, 인공지능 기반의 학습 세션 추천 장치(3)는 인공지능 기반의 학습자 상태 진단 장치(1)로부터 학습자의 예상 현재 학습 상태를 수신하고, 인공지능 기반의 기준 점수 설정 장치(2)로부터 학습 기준 점수를 수신할 수 있다. 그리고, 인공지능 기반의 학습 컨텐츠 추천 장치(3)는 학습자의 예상 현재 학습 상태 및 학습 기준 점수에 기초하여 추천 학습 세션(6)을 출력하고 이를 해당 학습자의 학습자 클라이언트(4)에게 제공할 수 있다.
비제한적인 일 예에 따르면, 인공지능 기반의 학습 컨텐츠 추천 장치(3)는 기준 점수 설정 장치(2)로부터 수신한 학습 기준 점수와, 학습자의 예상 현재 학습 상태에서 커리큘럼 내 각 학습 세션마다의 예상 점수를 비교하고, 커리큘럼 내 학습 세션 중에서 학습 기준 점수와 가장 가까운 예상 점수를 갖는 학습 세션을 추천 학습 세션(6)으로 결정할 수 있다. 도 8의 예에 따르면, 학습 세션 1에 대한 학습자의 예상 점수가 63점이고, 학습 세션 2에 대한 학습자의 예상 점수가 41점이고, 학습 세션 m에 대한 학습자의 예상 점수가 84점이며, 기준 점수 설정 장치(2)로부터 수신한 학습 기준 점수가 60점인 경우, 학습 기준 점수 60점과 가장 가까운 학습 세션 1이 추천 학습 세션으로 결정될 수 있다.
다만, 도 8의 예는 학습 세션 2 및 m 이외에도 학습 세션 1보다 예상 점수가 60점에 가까운 학습 세션은 없는 것으로 가정한 것이고, 다른 예에 따르면 예상 점수가 기준 점수에 가장 가까운 학습 세션이 둘 이상이 있을 수 있다. 이러한 경우, 미리 정해진 규칙에 의해 특정 학습 세션을 추천 학습 세션으로 결정할 수 있다. 예를 들어, 예상 점수가 기준 점수에 가장 가까운 학습 세션 중에서 최근에 학습자가 학습한 학습 세션과 인접한 학습 세션을 추천 학습 세션으로 결정할 수 있다.
이와 같이 결정된 추천 학습 세션(6)은 현재의 커리큘럼 내의 복수의 학습 세션들 중에서 학습자가 학습 기준 점수에 가장 가까운 점수를 받을 것으로 예상되는, 즉, 학습자의 흥미를 가장 유발할 수 있는, 학습자에게 맞춤화된 학습 세션일 수 있다.
커리큘럼 내 학습 세션의 추천 방법
도 9는 본 발명의 일 실시예에 따른 커리큘럼 내 학습 세션의 추천 방법에 대한 흐름도이다.
도 9를 참조하면, 먼저 단계 S910에서, 학습자 클라이언트로부터 수신한 학습 기록에 기초하여, 현재 커리큘럼 내 복수의 학습 세션들의 문제들에 대한 학습자의 예상 현재 학습 상태를 출력할 수 있다. 이 때, 학습자의 예상 현재 학습 상태는 현재 커리큘럼 내 복수의 학습 세션들의 문제들에 대한 정오답 여부와 개별 학습 세션에 대한 예상 점수를 포함할 수 있다.
여기서, 학습 기록은 현재 커리큘럼 내 문제들에 대한 학습자의 학습 기록을 포함할 수 있다. 또한, 학습 기록은, 학습자가 학습 애플리케이션 모듈을 통해 현재까지 입력한 문제들에 대한 풀이를 포함하는 문제 풀이 정보와, 학습자가 풀이한 문제들이 어떠한 학습 세션들의 조합으로 이루어졌는지를 나타내는 학습 세션 조합 정보와, 학습자가 풀이한 문제들에 대한 문제 식별자 세트를 포함할 수 있다. 또한, 문제 식별자 세트의 문제 식별자 각각은 문제 식별자에 대응하는 문제의 게임 유형 및 학습 대상의 조합으로 이루어질 수 있다.
단계 S920에서, 학습자의 학습 기록에 기초하여 학습자의 학습 지속 시간이 가장 길 것으로 예상되는 학습 기준 점수를 출력할 수 있다. 본 발명의 실시예에서는 학습 지속 시간이 가장 길 것으로 예상되는 점수를 학습자가 가장 학습에 흥미를 유발할 수 있는 점수라고 가정하였으나, 학습 지속 시간 이외에 다른 요소, 예를 들어, 학습 횟수, 로그인 횟수 등을 고려하여 학습 기준 점수를 출력할 수도 있다.
그 다음, 단계 S930에서는, 학습자의 예상 현재 학습 상태의 예상 점수 및 학습 기준 설정 점수에 기초하여, 현재 커리큘럼 내의 상기 복수의 학습 세션들 중에서의 학습 세션을 추천 학습 세션으로 결정할 수 있다.
컴퓨터 판독 가능한 기록매체
본 발명의 실시예들에 따른 각 단계들이나 동작들은, 컴퓨터 판독 가능한 기록매체에 저장된 컴퓨터 프로그램의 실행에 따라 하나 이상의 프로세서를 포함하는 컴퓨터에 의해 수행될 수 있음은 자명하다.
전술한 기록매체에 저장된 각 명령어(instruction)는, 해당하는 각 단계를 수행하도록 프로그램된 컴퓨터 프로그램을 통해 구현 가능하되, 이러한 컴퓨터 프로그램은 컴퓨터 판독 가능한 기록매체에 저장될 수 있고, 프로세서에 의해 실행 가능하다. 컴퓨터 판독 가능한 기록매체는 비일시적 판독 가능 매체(non-transitory readable medium)일 수 있다. 이 때, 비일시적 판독 가능 매체란 레지스터, 캐시, 메모리 등과 같이 짧은 순간 동안 데이터를 저장하는 매체가 아니라 반영구적으로 데이터를 저장하며, 기기에 의해 판독(reading)이 가능한 매체를 의미한다. 구체적으로는, 상술한 다양한 방법을 수행하기 위한 프로그램들은 소거가능 프로그래머블 판독 전용 메모리(EPROM), 전기적 소거가능 프로그래머블 판독 전용 메모리(EEPROM), 및 플래시 메모리 디바이스와 같은 반도체 메모리 디바이스, 내부 하드 디스크 및 이동식 디스크와 같은 자기 디스크, 광학-자기 디스크, 및 CD-ROM 및 DVD-ROM 디스크를 포함하는 비휘발성 메모리 등과 같은 비일시적 판독 가능 매체에 저장되어 제공될 수 있다.
본 문서에 개시된 다양한 예들에 따른 방법은 컴퓨터 프로그램 제품(computer program product)에 포함되어 제공될 수 있다. 컴퓨터 프로그램 제품은 기기로 읽을 수 있는 저장 매체(예: compact disc read only memory (CD-ROM))의 형태로, 또는 어플리케이션 스토어(예: 플레이 스토어TM)를 통해 온라인으로 배포될 수 있다. 온라인 배포의 경우에, 컴퓨터 프로그램 제품의 적어도 일부는 제조사의 서버, 어플리케이션 스토어의 서버, 또는 중계 서버의 메모리와 같은 저장 매체에 적어도 일시 저장되거나, 임시적으로 생성될 수 있다.
이상에서 설명한 바와 같이, 본 발명이 속하는 기술 분야의 통상의 기술자는 본 발명이 그 기술적 사상이나 필수적 특징을 변경하지 않고서 다른 구체적인 형태로 실시될 수 있다는 것을 이해할 수 있을 것이다. 그러므로 상술한 실시예들은 모든 면에서 예시적인 것이며 한정적인 것이 아닌 것으로서 이해해야만 한다. 본 발명의 범위는 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 등가 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함하는 것으로 해석되어야 한다.
본 명세서 내에 기술된 특징들 및 장점들은 모두를 포함하지 않으며, 특히 많은 추가적인 특징들 및 장점들이 도면들, 명세서, 및 청구항들을 고려하여 당업자에게 명백해질 것이다. 더욱이, 본 명세서에 사용된 언어는 주로 읽기 쉽도록 그리고 교시의 목적으로 선택되었고, 본 발명의 주제를 묘사하거나 제한하기 위해 선택되지 않을 수도 있다는 것을 주의해야 한다.
본 발명의 실시예들의 상기한 설명은 예시의 목적으로 제시되었다. 이는 개시된 정확한 형태로 본 발명을 제한하거나, 빠뜨리는 것 없이 만들려고 의도한 것이 아니다. 당업자는 상기한 개시에 비추어 많은 수정 및 변형이 가능하다는 것을 이해할 수 있다.
그러므로 본 발명의 범위는 상세한 설명에 의해 한정되지 않고, 이를 기반으로 하는 출원의 임의의 청구항들에 의해 한정된다. 따라서, 본 발명의 실시예들의 개시는 예시적인 것이며, 이하의 청구항에 기재된 본 발명의 범위를 제한하는 것은 아니다.
100: 인공지능 기반의 학습 세션 추천 시스템
1: 인공지능 기반의 학습자 상태 진단 장치
2: 인공지능 기반의 기준 점수 설정 장치
3: 인공지능 기반의 학습 세션 추천 장치
4: 학습자 클라이언트
4a: 애플리케이션 모듈
5: 학습 기록
5a: 문제 풀이 정보
5b: 학습 세션 조합 정보
6: 추천 학습 세션

Claims (5)

  1. 커리큘럼 내 학습 세션 추천 시스템으로서,
    학습자 클라이언트로부터 수신한 학습 기록에 기초하여, 현재 커리큘럼 내 복수의 학습 세션들의 문제들에 대한 학습자의 예상 현재 학습 상태를 출력하는 학습자 상태 진단 장치 - 상기 예상 현재 학습 상태는 상기 현재 커리큘럼 내 복수의 학습 세션들의 문제들에 대한 정오답 여부와 개별 학습 세션에 대한 예상 점수를 포함함 - 와,
    상기 학습 기록에 기초하여 상기 학습자의 학습 지속 시간이 가장 길 것으로 예상되는 학습 기준 점수를 출력하는 기준 점수 설정 장치와,
    상기 학습자의 상기 예상 현재 학습 상태의 상기 예상 점수 및 상기 학습 기준 점수에 기초하여, 상기 현재 커리큘럼 내의 상기 복수의 학습 세션들 중에서 상기 학습자의 상기 예상 점수가 상기 학습 기준 점수에 가장 가까울 것으로 판단된 학습 세션을 추천 학습 세션으로 결정하는 학습 세션 추천 장치
    를 포함하고,
    상기 학습 기록은,
    상기 학습자가 상기 학습자 클라이언트를 통해 현재까지 입력한 문제들에 대한 풀이를 포함하는 문제 풀이 정보;
    상기 학습자가 풀이한 문제들이 어떠한 학습 세션들의 조합으로 이루어졌는지를 나타내는 학습 세션 조합 정보; 및
    상기 학습자가 풀이한 문제들에 대한 문제 식별자 세트를 포함하고,
    상기 기준 점수 설정 장치는 인공 신경망 모듈을 포함하고, 상기 인공 신경망 모듈은 상기 학습 기록의 상기 문제 풀이 정보 및 상기 학습 세션 조합 정보를 입력 받아 상기 학습자의 상기 학습 기준 점수를 출력하되,
    상기 기준 점수 설정 장치의 상기 인공 신경망 모듈의 사전 학습 세션에서, 사전 학습용으로 다수의 학습자의 학습 기록의 학습 세션 조합 정보 및 문제 풀이 정보가 입력되고, 상기 문제 풀이 정보에 포함된 시작 신호 및 학습 기록의 마지막 문제의 학습 시간을 통해 대응하는 학습자의 학습 지속 시간을 결정하는
    커리큘럼 내 학습 세션 추천 시스템.
  2. 제 1 항에 있어서,
    상기 문제 식별자 세트의 문제 식별자 각각은 문제 식별자에 대응하는 문제의 게임 유형 및 학습 대상의 조합으로 이루어지는
    커리큘럼 내 학습 세션 추천 시스템.
  3. 제 1 항에 있어서,
    상기 학습 기록은,
    상기 현재 커리큘럼 내 문제들에 대한 상기 학습자의 학습 기록을 포함하는
    커리큘럼 내 학습 세션 추천 시스템.
  4. 제 1 항에 있어서,
    상기 학습자 상태 진단 장치는 인공 신경망 모듈을 포함하고, 상기 인공 신경망 모듈은 트랜스포머(transformer) 기반의 인공 신경망 모듈과, 상기 트랜스포머 기반의 인공 신경망 모듈의 전단 및 후단에 설치되는 복수의 LSTM(Long Short-Term Memory) 모듈을 포함하고,
    상기 인공 신경망 모듈은 상기 학습자의 상기 학습 기록의 상기 문제 풀이 정보, 상기 문제 식별자 세트, 및 상기 학습 세션 조합 정보를 각각 입력받은 것에 기초하여 상기 학습자의 상기 예상 현재 학습 상태를 출력하는
    커리큘럼 내 학습 세션 추천 시스템.
  5. 커리큘럼 내 학습 세션 추천 방법으로서,
    학습자 클라이언트로부터 수신한 학습 기록에 기초하여, 현재 커리큘럼 내 복수의 학습 세션들의 문제들에 대한 학습자의 예상 현재 학습 상태를 출력하는 단계 - 상기 예상 현재 학습 상태는 상기 현재 커리큘럼 내 복수의 학습 세션들의 문제들에 대한 정오답 여부와 개별 학습 세션에 대한 예상 점수를 포함함 - 와,
    상기 학습 기록에 기초하여 상기 학습자의 학습 지속 시간이 가장 길 것으로 예상되는 학습 기준 점수를 출력하는 단계와,
    상기 학습자의 상기 예상 현재 학습 상태의 상기 예상 점수 및 상기 학습 기준 점수에 기초하여, 상기 학습자에게 상기 현재 커리큘럼 내의 상기 복수의 학습 세션들 중에서 상기 학습자의 상기 예상 점수가 상기 학습 기준 점수에 가장 가까울 것으로 판단된 학습 세션을 추천 학습 세션으로 결정하는 단계
    를 포함하고,
    상기 학습 기록은,
    상기 학습자가 상기 학습자 클라이언트를 통해 현재까지 입력한 문제들에 대한 풀이를 포함하는 문제 풀이 정보;
    상기 학습자가 풀이한 문제들이 어떠한 학습 세션들의 조합으로 이루어졌는지를 나타내는 학습 세션 조합 정보; 및
    상기 학습자가 풀이한 문제들에 대한 문제 식별자 세트를 포함하고,
    상기 학습 기록에 기초하여 상기 학습자의 학습 지속 시간이 가장 길 것으로 예상되는 학습 기준 점수를 출력하는 상기 단계는 인공 신경망 모듈에 의해 수행되고, 상기 인공 신경망 모듈은 상기 학습 기록의 상기 문제 풀이 정보 및 상기 학습 세션 조합 정보를 입력 받아 상기 학습자의 상기 학습 기준 점수를 출력하되,
    상기 인공 신경망 모듈의 사전 학습 세션에서, 사전 학습용으로 다수의 학습자의 학습 기록의 학습 세션 조합 정보 및 문제 풀이 정보가 입력되고, 상기 문제 풀이 정보에 포함된 시작 신호 및 학습 기록의 마지막 문제의 학습 시간을 통해 대응하는 학습자의 학습 지속 시간을 결정하는
    커리큘럼 내 학습 세션 추천 방법.
KR1020220083770A 2022-07-07 2022-07-07 커리큘럼 내 학습 세션 추천 시스템 및 방법 KR102513758B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020220083770A KR102513758B1 (ko) 2022-07-07 2022-07-07 커리큘럼 내 학습 세션 추천 시스템 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020220083770A KR102513758B1 (ko) 2022-07-07 2022-07-07 커리큘럼 내 학습 세션 추천 시스템 및 방법

Publications (1)

Publication Number Publication Date
KR102513758B1 true KR102513758B1 (ko) 2023-03-27

Family

ID=85799809

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020220083770A KR102513758B1 (ko) 2022-07-07 2022-07-07 커리큘럼 내 학습 세션 추천 시스템 및 방법

Country Status (1)

Country Link
KR (1) KR102513758B1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113435685A (zh) * 2021-04-28 2021-09-24 桂林电子科技大学 一种分层Attention深度学习模型的课程推荐方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20210103905A (ko) * 2020-02-14 2021-08-24 김정민 자동난이도조절 및 문제구성추천 기반의 문제거래시스템 및 제공방법
KR20220036848A (ko) * 2020-09-16 2022-03-23 (주)뤼이드 사용자의 학습효과를 반영하여 추천문제를 결정하는 학습 컨텐츠 추천 장치, 시스템 및 그것의 동작 방법
KR102385073B1 (ko) * 2020-11-13 2022-04-11 (주)뤼이드 점수 확률분포 형태 통일화를 통해 평가 가능한 문제를 추천하는 학습 문제 추천 시스템 및 이것의 동작방법

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20210103905A (ko) * 2020-02-14 2021-08-24 김정민 자동난이도조절 및 문제구성추천 기반의 문제거래시스템 및 제공방법
KR20220036848A (ko) * 2020-09-16 2022-03-23 (주)뤼이드 사용자의 학습효과를 반영하여 추천문제를 결정하는 학습 컨텐츠 추천 장치, 시스템 및 그것의 동작 방법
KR102385073B1 (ko) * 2020-11-13 2022-04-11 (주)뤼이드 점수 확률분포 형태 통일화를 통해 평가 가능한 문제를 추천하는 학습 문제 추천 시스템 및 이것의 동작방법

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113435685A (zh) * 2021-04-28 2021-09-24 桂林电子科技大学 一种分层Attention深度学习模型的课程推荐方法

Similar Documents

Publication Publication Date Title
Köbis et al. Artificial intelligence versus Maya Angelou: Experimental evidence that people cannot differentiate AI-generated from human-written poetry
CN109871529B (zh) 语言处理方法和设备
Zwiers Building academic language: Essential practices for content classrooms, grades 5-12
Hidey et al. Persuasive influence detection: The role of argument sequencing
Lan et al. Mathematical language processing: Automatic grading and feedback for open response mathematical questions
Vlach et al. Retrieval dynamics and retention in cross‐situational statistical word learning
Woodard et al. Two-and three-year-olds track a single meaning during word learning: Evidence for propose-but-verify
Spaulding et al. A social robot system for modeling children's word pronunciation
Wellsby et al. The influence of bodily experience on children's language processing
KR102513758B1 (ko) 커리큘럼 내 학습 세션 추천 시스템 및 방법
Kaye et al. As easy as ABC? Teaching and learning about letters in early literacy
US10692393B2 (en) System and method for assessing reading skills
Zirar Exploring the impact of language models, such as ChatGPT, on student learning and assessment
Zong et al. Solving math word problems concerning systems of equations with GPT models
WO2020074067A1 (en) Automatic language proficiency level determination
Mckean et al. Triggering word learning in children with language impairment: The effect of phonotactic probability and neighbourhood density
KR102509107B1 (ko) 인공지능 기반 학습자 상태 진단 장치 및 방법
Taghipour Robust trait-specific essay scoring using neural networks and density estimators
Kiesmueller et al. Online identification of learner problem solving strategies using pattern recognition methods
Mittal et al. Feedback analysis of online teaching using svm
KR20240006912A (ko) 다수의 인공 신경망을 이용하는 학습 세션 추천 시스템
KR20240006913A (ko) 복수의 인공 신경망 모듈을 포함하는 학습자 상태 진단 장치
KR20240006910A (ko) 학습 세션의 기준점수 설정 방법
KR20240006911A (ko) 학습 기록의 생성 방법
Lee et al. A study on AI-FML robotic agent for student learning behavior ontology construction

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant