KR102525978B1 - 뉴럴 네트워크를 이용하여 응시자 단말에게 모의고사 서비스를 제공하는 방법 및 장치 - Google Patents

Abstract

실시예들은 뉴럴 네트워크(neural network)를 이용하여 응시자 단말에게 모의고사 서비스를 제공하는 방법 및 장치를 제시한다. 일 실시예에 따른 상기 방법은, 응시자 단말로부터 한국어능력 시험과 관련된 모의고사를 신청하는 신청 메시지를 수신하고, 상기 신청 메시지는 상기 응시자 단말의 식별 정보, 상기 응시자 단말의 위치 정보 및 모의고사의 유형에 대한 정보를 포함하고, 상기 모의고사의 유형에 대한 정보는 한국어능력 시험과 관련된 모의고사의 시험 유형 및 한국어능력 시험과 관련된 모의고사의 진행 유형을 포함하고, 상기 한국어능력 시험과 관련된 모의고사의 시험 유형은 듣기 영역과 읽기 영역을 포함하는 제1 유형 및 듣기 영역, 읽기 영역 및 쓰기 영역을 포함하는 제2 유형을 포함하고, 상기 한국어능력 시험과 관련된 모의고사의 진행 유형은 제1 진행 유형과 제2 진행 유형을 포함하고, 상기 제1 진행 유형은 온라인 고사장에 대한 개설 날짜 및 개설 시각을 결정하는 권한이 상기 응시자 단말에게 허용되고, 상기 제2 진행 유형은 온라인 고사장에 대한 개설 날짜 및 개설 시각을 결정하는 권한이 상기 서버에게 허용되고, 상기 한국어능력 시험과 관련된 모의고사의 진행 유형이 상기 제2 진행 유형에 해당되는 것에 기반하여, 실시간 모의고사가 진행되는 온라인 고사장을 사전 설정된 개설 날짜 및 개설 시각에 생성하고, 상기 사전 설정된 개설 시각으로부터 사전 설정된 시간 이내에 상기 응시자 단말로부터 상기 온라인 고사장에 대한 입장 메시지를 수신하고, 상기 응시자 단말과 상기 서버가 연결되는 것에 기반하여, 상기 서버에 사전 입력된 실시간 모의고사에 대한 정보를 상기 응시자 단말에게 제공하고, 상기 응시자 단말로부터 상기 응시자 단말의 영역별 답안을 수신하고, 상기 한국어능력 시험과 관련된 모의고사의 시험 유형 및 상기 응시자 단말의 영역별 답안에 대한 가채점 점수에 기반하여 상기 응시자 단말의 영역별 답안에 대한 점수를 결정하고, 상기 응시자 단말의 영역별 답안에 대한 점수를 상기 응시자 단말에게 전송하는 단계를 포함할 수 있다. 상기 응시자 단말의 영역별 답안 중에서 쓰기 영역에 대한 가채점 점수는 상기 실시간 모의고사가 종료된 후 상기 응시자 단말의 쓰기 영역에 대한 답안에 기반하여 제1 뉴럴 네트워크를 이용한 가채점 모델을 통해 결정될 수 있다.

Description

뉴럴 네트워크를 이용하여 응시자 단말에게 모의고사 서비스를 제공하는 방법 및 장치{METHOD AND APPARATUS FOR PROVIDING MOCK EXAM SERVICE TO A TEST TAKER TERMINAL USING A NEURAL NETWORK}

본 개시의 실시예들은 응시자 단말에게 모의고사 서비스를 제공하는 기술에 관한 것으로, 뉴럴 네트워크를 이용하여 응시자 단말에게 모의고사 서비스를 제공하는 기술에 대한 것이다.

한편, 한류의 국제적 유행으로 인해 한국어능력시험(Test of Proficiency in Korean, TOPIK)에 대한 외국인들의 관심과 수요가 증가하고 있다. TOPIK은 국가기관인 국립국제교육원에서 주관하는 한국어 능력 시험으로 국가가 직접 운영하는 시험이나, 아직까지 외국인들이 한국어능력시험을 대비할 수 있는 여건이 부족한 실정이다.

현재 외국에 거주하는 TOPIK 수험생들은 TOPIK과 관련된 모의고사를 진행하는 학원이 드물기 때문에, 대부분의 수험생들은 TOPIK 모의고사 문제집을 별도로 구매하여 개인적으로 풀어보는 것으로 TOPIK을 대비하고 있다.

이에, 온라인 상에서도 직접 학원에서 TOPIK 모의고사를 푸는 것과 유사한 환경을 제공하고, 뉴럴 네트워크를 통한 채점 모델 및 첨삭 모델을 이용하여 TOPIK 모의고사의 답안에 대한 빠르고 정확한 피드백을 응시자들에게 제공해주는 서비스가 필요하다.

본 개시의 실시예들은, 뉴럴 네트워크를 이용하여 응시자 단말에게 모의고사 서비스를 제공하는 방법 및 장치를 제공할 수 있다.

실시예들에서 이루고자 하는 기술적 과제들은 이상에서 언급한 사항들로 제한되지 않으며, 언급하지 않은 또 다른 기술적 과제들은 이하 설명할 다양한 실시예들로부터 당해 기술분야에서 통상의 지식을 가진 자에 의해 고려될 수 있다.

일 실시예에 따른 서버가 뉴럴 네트워크(neural network)를 이용하여 서버가 응시자 단말에게 모의고사 서비스를 제공하는 방법은, 응시자 단말로부터 한국어능력 시험과 관련된 모의고사를 신청하는 신청 메시지를 수신하고, 상기 신청 메시지는 상기 응시자 단말의 식별 정보, 상기 응시자 단말의 위치 정보 및 모의고사의 유형에 대한 정보를 포함하고, 상기 모의고사의 유형에 대한 정보는 한국어능력 시험과 관련된 모의고사의 시험 유형 및 한국어능력 시험과 관련된 모의고사의 진행 유형을 포함하고, 상기 한국어능력 시험과 관련된 모의고사의 시험 유형은 듣기 영역과 읽기 영역을 포함하는 제1 유형 및 듣기 영역, 읽기 영역 및 쓰기 영역을 포함하는 제2 유형을 포함하고, 상기 한국어능력 시험과 관련된 모의고사의 진행 유형은 제1 진행 유형과 제2 진행 유형을 포함하고, 상기 제1 진행 유형은 온라인 고사장에 대한 개설 날짜 및 개설 시각을 결정하는 권한이 상기 응시자 단말에게 허용되고, 상기 제2 진행 유형은 온라인 고사장에 대한 개설 날짜 및 개설 시각을 결정하는 권한이 상기 서버에게 허용되고, 상기 한국어능력 시험과 관련된 모의고사의 진행 유형이 상기 제2 진행 유형에 해당되는 것에 기반하여, 실시간 모의고사가 진행되는 온라인 고사장을 사전 설정된 개설 날짜 및 개설 시각에 생성하고, 상기 사전 설정된 개설 시각으로부터 사전 설정된 시간 이내에 상기 응시자 단말로부터 상기 온라인 고사장에 대한 입장 메시지를 수신하고, 상기 응시자 단말과 상기 서버가 연결되는 것에 기반하여, 상기 서버에 사전 입력된 실시간 모의고사에 대한 정보를 상기 응시자 단말에게 제공하고, 상기 응시자 단말로부터 상기 응시자 단말의 영역별 답안을 수신하고, 상기 한국어능력 시험과 관련된 모의고사의 시험 유형 및 상기 응시자 단말의 영역별 답안에 대한 가채점 점수에 기반하여 상기 응시자 단말의 영역별 답안에 대한 점수를 결정하고, 상기 응시자 단말의 영역별 답안에 대한 점수를 상기 응시자 단말에게 전송하는 단계를 포함할 수 있다. 상기 응시자 단말의 영역별 답안 중에서 쓰기 영역에 대한 가채점 점수는 상기 실시간 모의고사가 종료된 후 상기 응시자 단말의 쓰기 영역에 대한 답안에 기반하여 제1 뉴럴 네트워크를 이용한 가채점 모델을 통해 결정될 수 있다.

예를 들어, 상기 시험 유형이 상기 제2 유형에 해당되고, 및 상기 응시자 단말의 식별 정보에 따라 식별된 상기 응시자 단말에 대한 유료 옵션에 쓰기 영역에 대한 답안을 첨삭하는 옵션이 포함되는 것에 기반하여, 첨삭 예상 영역이 표시된 상기 응시자 단말의 쓰기 영역에 대한 답안이 상기 서버로부터 첨삭자 단말에게 전송될 수 있다. 상기 첨삭자 단말로부터 상기 서버에게 쓰기 영역에 대한 첨삭본이 수신될 수 있다. 상기 서버로부터 상기 쓰기 영역에 대한 첨삭본이 상기 응시자 단말에게 전송될 수 있다. 상기 첨삭 예상 영역은 상기 응시자 단말의 쓰기 영역에 대한 답안에 기반하여 제2 뉴럴 네트워크를 이용한 첨삭 예상 모델을 통해 결정될 수 있다.

예를 들어, 상기 응시자 단말과 상기 서버가 연결되는 것에 기반하여, 듣기 영역에 대한 음성 파일의 유형에 대한 정보가 상기 응시자 단말에게 전송될 수 있다. 상기 음성 파일의 유형은 일반 음질 유형 및 음성 파일을 실제 고사장과 유사하게 처리한 실제 음질 유형을 포함할 수 있다. 상기 응시자 단말에 의해 선택된 듣기 영역에 대한 음성 파일의 유형으로 듣기 영역에 대한 음성 파일이 재생될 수 있다. 상기 한국어능력 시험과 관련된 모의고사의 진행 유형이 제2 진행 유형에 해당되는 것에 기반하여 듣기 영역에 대한 음성 파일에 대한 조작 버튼이 비활성화될 수 있다. 상기 온라인 고사장에 접속된 응시자 단말의 수와 상기 서버의 능력 및 상기 서버와 응시자 단말의 통신 상태에 따라, 상기 응시자 단말과 상기 서버가 연결된 후 상기 응시자 단말에게 전송되는 문항 화면에 표시되는 문제의 최대 개수가 결정될 수 있다.

예를 들어, 상기 읽기 영역의 문항 화면에서 문제의 선택지에 대해 상기 응시자 단말의 사용자가 사전 설정된 높이 내에서 호버링 동작을 수행하는 것을 기반으로 상기 선택지가 상기 문제의 선택지와 연관된 빈 칸 영역에 표시될 수 있다. 상기 쓰기 영역의 문항 화면에 대한 답안을 입력하는 방식을 선택하는 사용자 인터페이스가 상기 응시자 단말에게 제공될 수 있다. 상기 쓰기 영역의 문항 화면에 대한 답안을 입력하는 방식은 상기 응시자 단말의 텍스트 필드를 이용하여 입력하는 제1 방식과 상기 응시자 단말이 제공한 이미지를 입력하는 제2 방식을 포함할 수 있다. 상기 응시자 단말이 제공한 이미지는 상기 응시자 단말의 사용자가 직접 필기한 이미지일 수 있다.

예를 들어, 상기 시험 유형이 상기 제2 유형에 해당되는 것에 기반하여, 채점자 단말에게 상기 응시자 단말의 쓰기 영역의 답안에 대한 가채점 점수가 전송될 수 있다. 상기 응시자 단말의 쓰기 영역의 답안에 대한 최종 점수가 상기 채점자 단말로부터 상기 서버에게 전송될 수 있다. 상기 응시자 단말의 쓰기 영역의 답안에 대한 점수는 상기 응시자 단말의 영역별 답안에 대한 최종 점수로 결정될 수 있다.

상기 가채점 모델은 GRU(gated recurrent unit) 기반 뉴럴 네트워크 모델일 수 있다. 상기 제1 뉴럴 네트워크는 제1 입력 레이어, 하나 이상의 제1 히든 레이어 및 제1 출력 레이어를 포함할 수 있다. 복수의 텍스트, 복수의 해답 텍스트 및 정답 가채점 점수로 구성된 각각의 제1 뉴럴 네트워크의 학습을 위한 데이터는 상기 제1 뉴럴 네트워크의 상기 제1 입력 레이어에 입력되고, 상기 하나 이상의 제1 히든 레이어 및 제1 출력 레이어를 통과하여 제1 출력 벡터를 출력하고, 상기 제1 출력 벡터는 상기 제1 출력 레이어에 연결된 제1 손실함수 레이어에 입력되고, 상기 제1 손실함수 레이어는 상기 제1 출력 벡터와 각각의 학습 데이터에 대한 제1 정답 벡터를 비교하는 제1 손실 함수를 이용하여 제1 손실값을 출력하고, 상기 제1 뉴럴 네트워크의 파라미터가 상기 제1 손실값이 작아지는 방향으로 학습되는, 상기 가채점 모델이 생성될 수 있다.

상기 첨삭 예상 영역은 상기 응시자 단말의 쓰기 영역에 대한 답안에서 복수의 오류 유형에 해당하는 텍스트가 위치하는 영역일 수 있다. 상기 복수의 오류 유형은 띄어쓰기에 대한 오류, 문장부호에 대한 오류, 수사에 대한 오류와 맞춤법 및 문법에 대한 오류, 글자 삭제 오류, 글자 추가 오류, 글자 대체 오류 및 글자 분리 오류를 포함할 수 있다.

상기 첨삭 예상 모델은 양방향 LSTM(long short-term memory) 모델을 포함할 수 있다. 상기 제2 뉴럴 네트워크는 제2 입력 레이어, 하나 이상의 제2 히든 레이어 및 제2 출력 레이어를 포함할 수 있다. 복수의 텍스트 및 정답 복수의 오류 유형 각각에 대한 복수의 텍스트로 구성된 각각의 제2 뉴럴 네트워크의 학습을 위한 데이터는 상기 제2 뉴럴 네트워크의 상기 제2 입력 레이어에 입력되고, 상기 하나 이상의 제2 히든 레이어 및 제2 출력 레이어를 통과하여 제2 출력 벡터를 출력하고, 상기 제2 출력 벡터는 상기 제2 출력 레이어에 연결된 제2 손실함수 레이어에 입력되고, 상기 제2 손실함수 레이어는 상기 제2 출력 벡터와 각각의 학습 데이터에 대한 제2 정답 벡터를 비교하는 제2 손실 함수를 이용하여 제2 손실값을 출력하고, 상기 제2 뉴럴 네트워크의 파라미터가 상기 제2 손실값이 작아지는 방향으로 학습되는, 상기 첨삭 예상 모델이 생성될 수 있다.

부가적으로, 예를 들어, 사전 설정된 제1 시간은 하기 수학식에 의해 결정될 수 있다.

상기 수학식에서, 상기 t₁은 상기 사전 설정된 제1 시간이고, 상기

은 상기 응시자 단말과 관련된 국가의 가중치이고, 상기 n_a는 상기 모의고사에 신청한 응시자 단말의 개수이고, 상기 n_m은 모의고사에 신청하는 응시자 단말의 평균 개수이고, 상기 t_c는 상기 서버의 시스템을 점검하기 위한 시간이고, 상기

는 상기 모의고사의 유형과 관련된 가중치이고, 상기 k는 상기 모의고사에서 듣기 영역의 문항 개수이고, 상기 t_i는 i번째 듣기 영역의 문항에 대한 음성 파일의 재생시간일 수 있다.

부가적으로, 예를 들어, 응시자 단말에게 전송되는 문항 화면에 표시되는 문제의 최대 개수는 하기 수학식에 의해 결정될 수 있다.

상기 수학식에서, 상기 n_p는 상기 문항 화면에 표시되는 문제의 최대 개수이고, 상기 n은 상기 서버에 연결된 응시자 단말의 개수이고, 상기 t_r은 상기 서버의 응시자 단말에 대한 평균 응답시간이고, 상기 n_avg는 상기 서버에 연결되는 응시자 단말의 평균 개수이고, 상기 t_th는 기준 응답시간이고, 상기 RSRP는 상기 응시자 단말의 통신 상태와 관련된 값이고, 상기 RSRP_th는 통신 상태와 관련된 값에 대한 기준 값이고, 상기 n_d는 최대 개수에 대한 기본 값일 수 있다.

실시예들에 따르면, 서버는 실제 시험과 같이 온라인 고사장에 대한 입장 시간을 제한하고, 한국어능력 시험과 관련된 모의고사의 진행 과정을 통제함으로써, 응시자 단말에게 직접 한국어능력 시험을 치루는 것과 유사한 환경을 제공할 수 있다.

실시예들에 따르면, 서버는 뉴럴 네트워크를 이용한 가채점 모델을 통해 응시자 단말이 작성한 쓰기 영역의 답안에 대해 가채점을 수행하고, 뉴럴 네트워크를 이용한 첨삭 예상 모델을 통해 응시자 단말이 작성한 쓰기 영역의 답안에 대해 첨삭 영역을 예상함으로써, 답안에 대한 채점을 수행하는 채점자 단말이 보다 객관적으로 채점할 수 있게 보조하고, 답안에 대한 첨삭을 수행하는 첨삭자 단말이 빠르고 정확하게 첨삭할 수 있게 지원할 수 있다.

실시예들로부터 얻을 수 있는 효과들은 이상에서 언급된 효과들로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 이하의 상세한 설명을 기반으로 당해 기술분야에서 통상의 지식을 가진 자에게 명확하게 도출되고 이해될 수 있다.

실시예들에 대한 이해를 돕기 위해 상세한 설명의 일부로 포함된, 첨부 도면은 다양한 실시예들을 제공하고, 상세한 설명과 함께 다양한 실시예들의 기술적 특징을 설명한다.
도 1은 일 실시예에 따른 전자 장치의 구성을 나타내는 도면이다.
도 2는 일 실시예에 따른 프로그램의 구성을 나타내는 도면이다.
도 3은 일 실시예에 따른 뉴럴 네트워크를 이용하여 서버가 응시자 단말에게 모의고사 서비스를 제공하는 방법을 나타낸다.
도 4는 일 실시예에 따른 가채점 모델에 대한 도면이다.
도 5는 일 실시예에 따른 뉴럴 네트워크를 이용하여 서버가 응시자 단말에게 모의고사 서비스를 제공하는 방법에 대한 흐름도이다.
도 6은 일 실시예에 따른 서버의 구성을 나타내는 블록도이다.

이하의 실시예들은 실시예들의 구성요소들과 특징들을 소정 형태로 결합한 것들이다. 각 구성요소 또는 특징은 별도의 명시적 언급이 없는 한 선택적인 것으로 고려될 수 있다. 각 구성요소 또는 특징은 다른 구성요소나 특징과 결합되지 않은 형태로 실시될 수 있다. 또한, 일부 구성요소들 및/또는 특징들을 결합하여 다양한 실시예들을 구성할 수도 있다. 다양한 실시예들에서 설명되는 동작들의 순서는 변경될 수 있다. 어느 실시예의 일부 구성이나 특징은 다른 실시예에 포함될 수 있고, 또는 다른 실시예의 대응하는 구성 또는 특징과 교체될 수 있다.

도면에 대한 설명에서, 다양한 실시예들의 요지를 흐릴 수 있는 절차 또는 단계 등은 기술하지 않았으며, 당해 기술분야에서 통상의 지식을 가진 자의 수준에서 이해할 수 있을 정도의 절차 또는 단계는 또한 기술하지 아니하였다.

명세서 전체에서, 어떤 부분이 어떤 구성요소를 "포함(comprising 또는 including)"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다. 또한, 명세서에 기재된 "...부", "...기", "모듈" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어나 소프트웨어 또는 하드웨어 및 소프트웨어의 결합으로 구현될 수 있다. 또한, "일(a 또는 an)", "하나(one)", "그(the)" 및 유사 관련어는 다양한 실시예들을 기술하는 문맥에 있어서(특히, 이하의 청구항의 문맥에서) 본 명세서에 달리 지시되거나 문맥에 의해 분명하게 반박되지 않는 한, 단수 및 복수 모두를 포함하는 의미로 사용될 수 있다.

이하, 다양한 실시예들에 따른 실시 형태를 첨부된 도면을 참조하여 상세하게 설명한다. 첨부된 도면과 함께 이하에 개시될 상세한 설명은 다양한 실시예들의 예시적인 실시형태를 설명하고자 하는 것이며, 유일한 실시형태를 나타내고자 하는 것이 아니다.

또한, 다양한 실시예들에서 사용되는 특정(特定) 용어들은 다양한 실시예들의 이해를 돕기 위해서 제공된 것이며, 이러한 특정 용어의 사용은 다양한 실시예들의 기술적 사상을 벗어나지 않는 범위에서 다른 형태로 변경될 수 있다.

도 1은 일 실시예에 따른 전자 장치의 구성을 나타내는 도면이다.

도 1은, 다양한 실시예들에 따른, 네트워크 환경(100) 내의 전자 장치(101)의 블록도이다. 도 1을 참조하면, 네트워크 환경(100)에서 전자 장치(101)는 제 1 네트워크(198)(예: 근거리 무선 통신 네트워크)를 통하여 전자 장치(102)와 통신하거나, 또는 제 2 네트워크(199)(예: 원거리 무선 통신 네트워크)를 통하여 전자 장치(104) 또는 서버(108) 중 적어도 하나와 통신할 수 있다. 일실시예에 따르면, 전자 장치(101)는 서버(108)를 통하여 전자 장치(104)와 통신할 수 있다. 일실시예에 따르면, 전자 장치(101)는 프로세서(120), 메모리(130), 입력 모듈(150), 음향 출력 모듈(155), 디스플레이 모듈(160), 오디오 모듈(170), 센서 모듈(176), 인터페이스(177), 연결 단자(178), 햅틱 모듈(179), 카메라 모듈(180), 전력 관리 모듈(188), 배터리(189), 통신 모듈(190), 가입자 식별 모듈(196), 또는 안테나 모듈(197)을 포함할 수 있다. 어떤 실시예에서는, 전자 장치(101)에는, 이 구성요소들 중 적어도 하나(예: 연결 단자(178))가 생략되거나, 하나 이상의 다른 구성요소가 추가될 수 있다. 어떤 실시예에서는, 이 구성요소들 중 일부들(예: 센서 모듈(176), 카메라 모듈(180), 또는 안테나 모듈(197))은 하나의 구성요소(예: 디스플레이 모듈(160))로 통합될 수 있다. 전자 장치(101)는 클라이언트, 단말기 또는 피어로 지칭될 수도 있다.

프로세서(120)는, 예를 들면, 소프트웨어(예: 프로그램(140))를 실행하여 프로세서(120)에 연결된 전자 장치(101)의 적어도 하나의 다른 구성요소(예: 하드웨어 또는 소프트웨어 구성요소)를 제어할 수 있고, 다양한 데이터 처리 또는 연산을 수행할 수 있다. 일실시예에 따르면, 데이터 처리 또는 연산의 적어도 일부로서, 프로세서(120)는 다른 구성요소(예: 센서 모듈(176) 또는 통신 모듈(190))로부터 수신된 명령 또는 데이터를 휘발성 메모리(132)에 저장하고, 휘발성 메모리(132)에 저장된 명령 또는 데이터를 처리하고, 결과 데이터를 비휘발성 메모리(134)에 저장할 수 있다. 일실시예에 따르면, 프로세서(120)는 메인 프로세서(121)(예: 중앙 처리 장치 또는 어플리케이션 프로세서) 또는 이와는 독립적으로 또는 함께 운영 가능한 보조 프로세서(123)(예: 그래픽 처리 장치, 신경망 처리 장치(NPU: neural processing unit), 이미지 시그널 프로세서, 센서 허브 프로세서, 또는 커뮤니케이션 프로세서)를 포함할 수 있다. 예를 들어, 전자 장치(101)가 메인 프로세서(121) 및 보조 프로세서(123)를 포함하는 경우, 보조 프로세서(123)는 메인 프로세서(121)보다 저전력을 사용하거나, 지정된 기능에 특화되도록 설정될 수 있다. 보조 프로세서(123)는 메인 프로세서(121)와 별개로, 또는 그 일부로서 구현될 수 있다.

보조 프로세서(123)는, 예를 들면, 메인 프로세서(121)가 인액티브(예: 슬립) 상태에 있는 동안 메인 프로세서(121)를 대신하여, 또는 메인 프로세서(121)가 액티브(예: 어플리케이션 실행) 상태에 있는 동안 메인 프로세서(121)와 함께, 전자 장치(101)의 구성요소들 중 적어도 하나의 구성요소(예: 디스플레이 모듈(160), 센서 모듈(176), 또는 통신 모듈(190))와 관련된 기능 또는 상태들의 적어도 일부를 제어할 수 있다. 일실시예에 따르면, 보조 프로세서(123)(예: 이미지 시그널 프로세서 또는 커뮤니케이션 프로세서)는 기능적으로 관련 있는 다른 구성요소(예: 카메라 모듈(180) 또는 통신 모듈(190))의 일부로서 구현될 수 있다. 일실시예에 따르면, 보조 프로세서(123)(예: 신경망 처리 장치)는 인공지능 모델의 처리에 특화된 하드웨어 구조를 포함할 수 있다.

인공지능 모델은 기계 학습을 통해 생성될 수 있다. 이러한 학습은, 예를 들어, 인공지능 모델이 수행되는 전자 장치(101) 자체에서 수행될 수 있고, 별도의 서버(예: 서버(108))를 통해 수행될 수도 있다. 학습 알고리즘은, 예를 들어, 지도형 학습(supervised learning), 비지도형 학습(unsupervised learning), 준지도형 학습(semi-supervised learning) 또는 강화 학습(reinforcement learning)을 포함할 수 있으나, 전술한 예에 한정되지 않는다. 인공지능 모델은, 복수의 인공 신경망 레이어들을 포함할 수 있다. 인공 신경망은 심층 신경망(DNN: deep neural network), CNN(convolutional neural network), RNN(recurrent neural network), RBM(restricted boltzmann machine), DBN(deep belief network), BRDNN(bidirectional recurrent deep neural network), 심층 Q-네트워크(deep Q-networks) 또는 상기 중 둘 이상의 조합 중 하나일 수 있으나, 전술한 예에 한정되지 않는다. 인공지능 모델은 하드웨어 구조 이외에, 추가적으로 또는 대체적으로, 소프트웨어 구조를 포함할 수 있다.

메모리(130)는, 전자 장치(101)의 적어도 하나의 구성요소(예: 프로세서(120) 또는 센서 모듈(176))에 의해 사용되는 다양한 데이터를 저장할 수 있다. 데이터는, 예를 들어, 소프트웨어(예: 프로그램(140)) 및, 이와 관련된 명령에 대한 입력 데이터 또는 출력 데이터를 포함할 수 있다. 메모리(130)는, 휘발성 메모리(132) 또는 비휘발성 메모리(134)를 포함할 수 있다.

프로그램(140)은 메모리(130)에 소프트웨어로서 저장될 수 있으며, 예를 들면, 운영 체제(142), 미들 웨어(144) 또는 어플리케이션(146)을 포함할 수 있다.

입력 모듈(150)은, 전자 장치(101)의 구성요소(예: 프로세서(120))에 사용될 명령 또는 데이터를 전자 장치(101)의 외부(예: 사용자)로부터 수신할 수 있다. 입력 모듈(150)은, 예를 들면, 마이크, 마우스, 키보드, 키(예: 버튼), 또는 디지털 펜(예: 스타일러스 펜, 터치용 펜)을 포함할 수 있다.

음향 출력 모듈(155)은 음향 신호를 전자 장치(101)의 외부로 출력할 수 있다. 음향 출력 모듈(155)은, 예를 들면, 스피커 또는 리시버를 포함할 수 있다. 스피커는 멀티미디어 재생 또는 녹음 재생과 같이 일반적인 용도로 사용될 수 있다. 리시버는 착신 전화를 수신하기 위해 사용될 수 있다. 일실시예에 따르면, 리시버는 스피커와 별개로, 또는 그 일부로서 구현될 수 있다.

디스플레이 모듈(160)은 전자 장치(101)의 외부(예: 사용자)로 정보를 시각적으로 제공할 수 있다. 디스플레이 모듈(160)은, 예를 들면, 디스플레이, 홀로그램 장치, 또는 프로젝터 및 해당 장치를 제어하기 위한 제어 회로를 포함할 수 있다. 일실시예에 따르면, 디스플레이 모듈(160)은 터치를 감지하도록 설정된 터치 센서, 또는 상기 터치에 의해 발생되는 힘의 세기를 측정하도록 설정된 압력 센서를 포함할 수 있다.

오디오 모듈(170)은 소리를 전기 신호로 변환시키거나, 반대로 전기 신호를 소리로 변환시킬 수 있다. 일실시예에 따르면, 오디오 모듈(170)은, 입력 모듈(150)을 통해 소리를 획득하거나, 음향 출력 모듈(155), 또는 전자 장치(101)와 직접 또는 무선으로 연결된 외부 전자 장치(예: 전자 장치(102))(예: 스피커 또는 헤드폰)를 통해 소리를 출력할 수 있다.

센서 모듈(176)은 전자 장치(101)의 작동 상태(예: 전력 또는 온도), 또는 외부의 환경 상태(예: 사용자 상태)를 감지하고, 감지된 상태에 대응하는 전기 신호 또는 데이터 값을 생성할 수 있다. 일실시예에 따르면, 센서 모듈(176)은, 예를 들면, 제스처 센서, 자이로 센서, 기압 센서, 마그네틱 센서, 가속도 센서, 그립 센서, 근접 센서, 컬러 센서, IR(infrared) 센서, 생체 센서, 온도 센서, 습도 센서, 또는 조도 센서를 포함할 수 있다.

인터페이스(177)는 전자 장치(101)가 외부 전자 장치(예: 전자 장치(102))와 직접 또는 무선으로 연결되기 위해 사용될 수 있는 하나 이상의 지정된 프로토콜들을 지원할 수 있다. 일실시예에 따르면, 인터페이스(177)는, 예를 들면, HDMI(high definition multimedia interface), USB(universal serial bus) 인터페이스, SD카드 인터페이스, 또는 오디오 인터페이스를 포함할 수 있다.

연결 단자(178)는, 그를 통해서 전자 장치(101)가 외부 전자 장치(예: 전자 장치(102))와 물리적으로 연결될 수 있는 커넥터를 포함할 수 있다. 일실시예에 따르면, 연결 단자(178)는, 예를 들면, HDMI 커넥터, USB 커넥터, SD 카드 커넥터, 또는 오디오 커넥터(예: 헤드폰 커넥터)를 포함할 수 있다.

햅틱 모듈(179)은 전기적 신호를 사용자가 촉각 또는 운동 감각을 통해서 인지할 수 있는 기계적인 자극(예: 진동 또는 움직임) 또는 전기적인 자극으로 변환할 수 있다. 일실시예에 따르면, 햅틱 모듈(179)은, 예를 들면, 모터, 압전 소자, 또는 전기 자극 장치를 포함할 수 있다.

카메라 모듈(180)은 정지 영상 및 동영상을 촬영할 수 있다. 일실시예에 따르면, 카메라 모듈(180)은 하나 이상의 렌즈들, 이미지 센서들, 이미지 시그널 프로세서들, 또는 플래시들을 포함할 수 있다.

전력 관리 모듈(188)은 전자 장치(101)에 공급되는 전력을 관리할 수 있다. 일실시예에 따르면, 전력 관리 모듈(188)은, 예를 들면, PMIC(power management integrated circuit)의 적어도 일부로서 구현될 수 있다.

배터리(189)는 전자 장치(101)의 적어도 하나의 구성요소에 전력을 공급할 수 있다. 일실시예에 따르면, 배터리(189)는, 예를 들면, 재충전 불가능한 1차 전지, 재충전 가능한 2차 전지 또는 연료 전지를 포함할 수 있다.

통신 모듈(190)은 전자 장치(101)와 외부 전자 장치(예: 전자 장치(102), 전자 장치(104), 또는 서버(108)) 간의 직접(예: 유선) 통신 채널 또는 무선 통신 채널의 수립, 및 수립된 통신 채널을 통한 통신 수행을 지원할 수 있다. 통신 모듈(190)은 프로세서(120)(예: 어플리케이션 프로세서)와 독립적으로 운영되고, 직접(예: 유선) 통신 또는 무선 통신을 지원하는 하나 이상의 커뮤니케이션 프로세서를 포함할 수 있다. 일실시예에 따르면, 통신 모듈(190)은 무선 통신 모듈(192)(예: 셀룰러 통신 모듈, 근거리 무선 통신 모듈, 또는 GNSS(global navigation satellite system) 통신 모듈) 또는 유선 통신 모듈(194)(예: LAN(local area network) 통신 모듈, 또는 전력선 통신 모듈)을 포함할 수 있다. 이들 통신 모듈 중 해당하는 통신 모듈은 제 1 네트워크(198)(예: 블루투스, WiFi(wireless fidelity) direct 또는 IrDA(infrared data association)와 같은 근거리 통신 네트워크) 또는 제 2 네트워크(199)(예: 레거시 셀룰러 네트워크, 5G 네트워크, 차세대 통신 네트워크, 인터넷, 또는 컴퓨터 네트워크(예: LAN 또는 WAN)와 같은 원거리 통신 네트워크)를 통하여 외부의 전자 장치(104)와 통신할 수 있다. 이런 여러 종류의 통신 모듈들은 하나의 구성요소(예: 단일 칩)로 통합되거나, 또는 서로 별도의 복수의 구성요소들(예: 복수 칩들)로 구현될 수 있다. 무선 통신 모듈(192)은 가입자 식별 모듈(196)에 저장된 가입자 정보(예: 국제 모바일 가입자 식별자(IMSI))를 이용하여 제 1 네트워크(198) 또는 제 2 네트워크(199)와 같은 통신 네트워크 내에서 전자 장치(101)를 확인 또는 인증할 수 있다.

무선 통신 모듈(192)은 4G 네트워크 이후의 5G 네트워크 및 차세대 통신 기술, 예를 들어, NR 접속 기술(new radio access technology)을 지원할 수 있다. NR 접속 기술은 고용량 데이터의 고속 전송(eMBB(enhanced mobile broadband)), 단말 전력 최소화와 다수 단말의 접속(mMTC(massive machine type communications)), 또는 고신뢰도와 저지연(URLLC(ultra-reliable and low-latency communications))을 지원할 수 있다. 무선 통신 모듈(192)은, 예를 들어, 높은 데이터 전송률 달성을 위해, 고주파 대역(예: mmWave 대역)을 지원할 수 있다. 무선 통신 모듈(192)은 고주파 대역에서의 성능 확보를 위한 다양한 기술들, 예를 들어, 빔포밍(beamforming), 거대 배열 다중 입출력(massive MIMO(multiple-input and multiple-output)), 전차원 다중입출력(FD-MIMO: full dimensional MIMO), 어레이 안테나(array antenna), 아날로그 빔형성(analog beam-forming), 또는 대규모 안테나(large scale antenna)와 같은 기술들을 지원할 수 있다. 무선 통신 모듈(192)은 전자 장치(101), 외부 전자 장치(예: 전자 장치(104)) 또는 네트워크 시스템(예: 제 2 네트워크(199))에 규정되는 다양한 요구사항을 지원할 수 있다. 일실시예에 따르면, 무선 통신 모듈(192)은 eMBB 실현을 위한 Peak data rate(예: 20Gbps 이상), mMTC 실현을 위한 손실 Coverage(예: 164dB 이하), 또는 URLLC 실현을 위한 U-plane latency(예: 다운링크(DL) 및 업링크(UL) 각각 0.5ms 이하, 또는 라운드 트립 1ms 이하)를 지원할 수 있다.

안테나 모듈(197)은 신호 또는 전력을 외부(예: 외부의 전자 장치)로 송신하거나 외부로부터 수신할 수 있다. 일실시예에 따르면, 안테나 모듈(197)은 서브스트레이트(예: PCB) 위에 형성된 도전체 또는 도전성 패턴으로 이루어진 방사체를 포함하는 안테나를 포함할 수 있다. 일실시예에 따르면, 안테나 모듈(197)은 복수의 안테나들(예: 어레이 안테나)을 포함할 수 있다. 이런 경우, 제 1 네트워크(198) 또는 제 2 네트워크(199)와 같은 통신 네트워크에서 사용되는 통신 방식에 적합한 적어도 하나의 안테나가, 예를 들면, 통신 모듈(190)에 의하여 상기 복수의 안테나들로부터 선택될 수 있다. 신호 또는 전력은 상기 선택된 적어도 하나의 안테나를 통하여 통신 모듈(190)과 외부의 전자 장치 간에 송신되거나 수신될 수 있다. 어떤 실시예에 따르면, 방사체 이외에 다른 부품(예: RFIC(radio frequency integrated circuit))이 추가로 안테나 모듈(197)의 일부로 형성될 수 있다.

다양한 실시예에 따르면, 안테나 모듈(197)은 mmWave 안테나 모듈을 형성할 수 있다. 일실시예에 따르면, mmWave 안테나 모듈은 인쇄 회로 기판, 상기 인쇄 회로 기판의 제 1 면(예: 아래 면)에 또는 그에 인접하여 배치되고 지정된 고주파 대역(예: mmWave 대역)을 지원할 수 있는 RFIC, 및 상기 인쇄 회로 기판의 제 2 면(예: 윗 면 또는 측 면)에 또는 그에 인접하여 배치되고 상기 지정된 고주파 대역의 신호를 송신 또는 수신할 수 있는 복수의 안테나들(예: 어레이 안테나)을 포함할 수 있다.

상기 구성요소들 중 적어도 일부는 주변 기기들간 통신 방식(예: 버스, GPIO(general purpose input and output), SPI(serial peripheral interface), 또는 MIPI(mobile industry processor interface))을 통해 서로 연결되고 신호(예: 명령 또는 데이터)를 상호간에 교환할 수 있다.

일실시예에 따르면, 명령 또는 데이터는 제 2 네트워크(199)에 연결된 서버(108)를 통해서 전자 장치(101)와 외부의 전자 장치(104)간에 송신 또는 수신될 수 있다. 외부의 전자 장치(102, 또는 104) 각각은 전자 장치(101)와 동일한 또는 다른 종류의 장치일 수 있다. 일실시예에 따르면, 전자 장치(101)에서 실행되는 동작들의 전부 또는 일부는 외부의 전자 장치들(102, 104, 또는 108) 중 하나 이상의 외부의 전자 장치들에서 실행될 수 있다. 예를 들면, 전자 장치(101)가 어떤 기능이나 서비스를 자동으로, 또는 사용자 또는 다른 장치로부터의 요청에 반응하여 수행해야 할 경우에, 전자 장치(101)는 기능 또는 서비스를 자체적으로 실행시키는 대신에 또는 추가적으로, 하나 이상의 외부의 전자 장치들에게 그 기능 또는 그 서비스의 적어도 일부를 수행하라고 요청할 수 있다. 상기 요청을 수신한 하나 이상의 외부의 전자 장치들은 요청된 기능 또는 서비스의 적어도 일부, 또는 상기 요청과 관련된 추가 기능 또는 서비스를 실행하고, 그 실행의 결과를 전자 장치(101)로 전달할 수 있다. 전자 장치(101)는 상기 결과를, 그대로 또는 추가적으로 처리하여, 상기 요청에 대한 응답의 적어도 일부로서 제공할 수 있다. 이를 위하여, 예를 들면, 클라우드 컴퓨팅, 분산 컴퓨팅, 모바일 에지 컴퓨팅(MEC: mobile edge computing), 또는 클라이언트-서버 컴퓨팅 기술이 이용될 수 있다. 전자 장치(101)는, 예를 들어, 분산 컴퓨팅 또는 모바일 에지 컴퓨팅을 이용하여 초저지연 서비스를 제공할 수 있다. 다른 실시예에 있어서, 외부의 전자 장치(104)는 IoT(internet of things) 기기를 포함할 수 있다. 서버(108)는 기계 학습 및/또는 신경망을 이용한 지능형 서버일 수 있다. 일실시예에 따르면, 외부의 전자 장치(104) 또는 서버(108)는 제 2 네트워크(199) 내에 포함될 수 있다. 전자 장치(101)는 5G 통신 기술 및 IoT 관련 기술을 기반으로 지능형 서비스(예: 스마트 홈, 스마트 시티, 스마트 카, 또는 헬스 케어)에 적용될 수 있다.

서버(108)는 전자 장치(101)가 접속되며, 접속된 전자 장치(101)로 서비스를 제공할 수 있다. 또한, 서버(108)는 회원 가입 절차를 진행하여 그에 따라 회원으로 가입된 사용자의 각종 정보를 저장하여 관리하고, 서비스에 관련된 각종 구매 및 결제 기능을 제공할 수도 있다. 또한, 서버(108)는, 사용자 간에 서비스를 공유할 수 있도록, 복수의 전자 장치(101) 각각에서 실행되는 서비스 애플리케이션의 실행 데이터를 실시간으로 공유할 수도 있다. 이러한 서버(108)는 하드웨어적으로는 통상적인 웹 서버(Web Server) 또는 서비스 서버(Service Server)와 동일한 구성을 가질 수 있다. 그러나, 소프트웨어적으로는, C, C++, Java, Python, Golang, kotlin 등 여하한 언어를 통하여 구현되어 여러 가지 기능을 하는 프로그램 모듈(Module)을 포함할 수 있다. 또한, 서버(108)는 일반적으로 인터넷과 같은 개방형 컴퓨터 네트워크를 통하여 불특정 다수 클라이언트 및/또는 다른 서버와 연결되어 있고, 클라이언트 또는 다른 서버의 작업수행 요청을 접수하고 그에 대한 작업 결과를 도출하여 제공하는 컴퓨터 시스템 및 그를 위하여 설치되어 있는 컴퓨터 소프트웨어(서버 프로그램)를 뜻하는 것이다. 또한, 서버(108)는, 전술한 서버 프로그램 이외에도, 서버(108) 상에서 동작하는 일련의 응용 프로그램(Application Program)과 경우에 따라서는 내부 또는 외부에 구축되어 있는 각종 데이터베이스(DB: Database, 이하 "DB"라 칭함)를 포함하는 넓은 개념으로 이해되어야 할 것이다. 따라서, 서버(108)는, 회원 가입 정보와, 게임에 대한 각종 정보 및 데이터를 분류하여 DB에 저장시키고 관리하는데, 이러한 DB는 서버(108)의 내부 또는 외부에 구현될 수 있다. 또한, 서버(108)는, 일반적인 서버용 하드웨어에 윈도우(windows), 리눅스(Linux), 유닉스(UNIX), 매킨토시(Macintosh) 등의 운영체제에 따라 다양하게 제공되고 있는 서버 프로그램을 이용하여 구현될 수 있으며, 대표적인 것으로는 윈도우 환경에서 사용되는 IIS(Internet Information Server)와 유닉스환경에서 사용되는 CERN, NCSA, APPACH, TOMCAT 등을 이용하여 웹 서비스를 구현할 수 있다. 또한, 서버(108)는, 서비스의 사용자 인증이나 서비스와 관련된 구매 결제를 위한 인증 시스템 및 결제 시스템과 연동할 수도 있다.

제1 네트워크(198) 및 제2 네트워크(199)는 단말들 및 서버들과 같은 각각의 노드 상호 간에 정보 교환이 가능한 연결 구조 또는 서버(108)와 전자 장치들(101, 104)을 연결하는 망(Network)을 의미한다. 제1 네트워크(198) 및 제2 네트워크(199)는 인터넷(Internet), LAN(Local Area Network), Wireless LAN(Wireless Local Area Network), WAN(Wide Area Network), PAN(Personal Area Network), 3G, 4G, LTE, 5G, Wi-Fi 등이 포함되나 이에 한정되지는 않는다. 제1 네트워크(198) 및 제2 네트워크(199)는 LAN, WAN 등의 폐쇄형 제1 네트워크(198) 및 제2 네트워크(199)일 수도 있으나, 인터넷(Internet)과 같은 개방형인 것이 바람직하다. 인터넷은 TCP/IP 프로토콜, TCP, UDP(user datagram protocol) 등의 프로토콜 및 그 상위계층에 존재하는 여러 서비스, 즉 HTTP(HyperText Transfer Protocol), Telnet, FTP(File Transfer Protocol), DNS(Domain Name System), SMTP(Simple Mail Transfer Protocol), SNMP(Simple Network Management Protocol), NFS(Network File Service), NIS(Network Information Service)를 제공하는 전 세계적인 개방형 컴퓨터 제1 네트워크(198) 및 제2 네트워크(199) 구조를 의미한다.

데이터베이스는 데이터베이스 관리 프로그램(DBMS)을 이용하여 컴퓨터 시스템의 저장공간(하드디스크 또는 메모리)에 구현된 일반적인 데이터구조를 가질 수 있다. 데이터베이스는 데이터의 검색(추출), 삭제, 편집, 추가 등을 자유롭게 행할 수 있는 데이터 저장형태를 가질 수 있다. 데이터베이스는 오라클(Oracle), 인포믹스(Infomix), 사이베이스(Sybase), DB2와 같은 관계형 데이타베이스 관리 시스템(RDBMS)이나, 겜스톤(Gemston), 오리온(Orion), O2 등과 같은 객체 지향 데이타베이스 관리 시스템(OODBMS) 및 엑셀론(Excelon), 타미노(Tamino), 세카이주(Sekaiju) 등의 XML 전용 데이터베이스(XML Native Database)를 이용하여 본 개시의 일 실시예의 목적에 맞게 구현될 수 있고, 자신의 기능을 달성하기 위하여 적당한 필드(Field) 또는 엘리먼트들을 가질 수 있다.

도 2는 일 실시예에 따른 프로그램의 구성을 나타내는 도면이다.

도 2은 다양한 실시예에 따른 프로그램(140)을 예시하는 블록도(200)이다. 일실시예에 따르면, 프로그램(140)은 전자 장치(101)의 하나 이상의 리소스들을 제어하기 위한 운영 체제(142), 미들웨어(144), 또는 상기 운영 체제(142)에서 실행 가능한 어플리케이션(146)을 포함할 수 있다. 운영 체제(142)는, 예를 들면, AndroidTM, iOSTM, WindowsTM, SymbianTM 또는 TizenTM 를 포함할 수 있다. 프로그램(140) 중 적어도 일부 프로그램은, 예를 들면, 제조 시에 전자 장치(101)에 프리로드되거나, 또는 사용자에 의해 사용 시 외부 전자 장치(예: 전자 장치(102 또는 104), 또는 서버(108))로부터 다운로드되거나 갱신 될 수 있다. 프로그램(140)의 전부 또는 일부는 뉴럴 네트워크를 포함할 수 있다.

운영 체제(142)는 전자 장치(101)의 하나 이상의 시스템 리소스들(예: 프로세스, 메모리, 또는 전원)의 관리(예: 할당 또는 회수)를 제어할 수 있다. 운영 체제(142)는, 추가적으로 또는 대체적으로, 전자 장치(101)의 다른 하드웨어 디바이스, 예를 들면, 입력 모듈(150), 음향 출력 모듈(155), 디스플레이 모듈(160), 오디오 모듈(170), 센서 모듈(176), 인터페이스(177), 햅틱 모듈(179), 카메라 모듈(180), 전력 관리 모듈(188), 배터리(189), 통신 모듈(190), 가입자 식별 모듈(196), 또는 안테나 모듈(197)을 구동하기 위한 하나 이상의 드라이버 프로그램들을 포함할 수 있다.

미들웨어(144)는 전자 장치(101)의 하나 이상의 리소스들로부터 제공되는 기능 또는 정보가 어플리케이션(146)에 의해 사용될 수 있도록 다양한 기능들을 어플리케이션(146)으로 제공할 수 있다. 미들웨어(144)는, 예를 들면, 어플리케이션 매니저(201), 윈도우 매니저(203), 멀티미디어 매니저(205), 리소스 매니저(207), 파워 매니저(209), 데이터베이스 매니저(211), 패키지 매니저(213), 커넥티비티 매니저(215), 노티피케이션 매니저(217), 로케이션 매니저(219), 그래픽 매니저(221), 시큐리티 매니저(223), 통화 매니저(225), 또는 음성 인식 매니저(227)를 포함할 수 있다.

어플리케이션 매니저(201)는, 예를 들면, 어플리케이션(146)의 생명 주기를 관리할 수 있다. 윈도우 매니저(203)는, 예를 들면, 화면에서 사용되는 하나 이상의 GUI 자원들을 관리할 수 있다. 멀티미디어 매니저(205)는, 예를 들면, 미디어 파일들의 재생에 필요한 하나 이상의 포맷들을 파악하고, 그 중 선택된 해당하는 포맷에 맞는 코덱을 이용하여 상기 미디어 파일들 중 해당하는 미디어 파일의 인코딩 또는 디코딩을 수행할 수 있다. 리소스 매니저(207)는, 예를 들면, 어플리케이션(146)의 소스 코드 또는 메모리(130)의 메모리의 공간을 관리할 수 있다. 파워 매니저(209)는, 예를 들면, 배터리(189)의 용량, 온도 또는 전원을 관리하고, 이 중 해당 정보를 이용하여 전자 장치(101)의 동작에 필요한 관련 정보를 결정 또는 제공할 수 있다. 일실시예에 따르면, 파워 매니저(209)는 전자 장치(101)의 바이오스(BIOS: basic input/output system)(미도시)와 연동할 수 있다.

데이터베이스 매니저(211)는, 예를 들면, 어플리케이션(146)에 의해 사용될 데이터베이스를 생성, 검색, 또는 변경할 수 있다. 패키지 매니저(213)는, 예를 들면, 패키지 파일의 형태로 배포되는 어플리케이션의 설치 또는 갱신을 관리할 수 있다. 커넥티비티 매니저(215)는, 예를 들면, 전자 장치(101)와 외부 전자 장치 간의 무선 연결 또는 직접 연결을 관리할 수 있다. 노티피케이션 매니저(217)는, 예를 들면, 지정된 이벤트(예: 착신 통화, 메시지, 또는 알람)의 발생을 사용자에게 알리기 위한 기능을 제공할 수 있다. 로케이션 매니저(219)는, 예를 들면, 전자 장치(101)의 위치 정보를 관리할 수 있다. 그래픽 매니저(221)는, 예를 들면, 사용자에게 제공될 하나 이상의 그래픽 효과들 또는 이와 관련된 사용자 인터페이스를 관리할 수 있다.

시큐리티 매니저(223)는, 예를 들면, 시스템 보안 또는 사용자 인증을 제공할 수 있다. 통화(telephony) 매니저(225)는, 예를 들면, 전자 장치(101)에 의해 제공되는 음성 통화 기능 또는 영상 통화 기능을 관리할 수 있다. 음성 인식 매니저(227)는, 예를 들면, 사용자의 음성 데이터를 서버(108)로 전송하고, 그 음성 데이터에 적어도 일부 기반하여 전자 장치(101)에서 수행될 기능에 대응하는 명령어(command), 또는 그 음성 데이터에 적어도 일부 기반하여 변환된 문자 데이터를 서버(108)로부터 수신할 수 있다. 일 실시예에 따르면, 미들웨어(244)는 동적으로 기존의 구성요소를 일부 삭제하거나 새로운 구성요소들을 추가할 수 있다. 일 실시예에 따르면, 미들웨어(144)의 적어도 일부는 운영 체제(142)의 일부로 포함되거나, 또는 운영 체제(142)와는 다른 별도의 소프트웨어로 구현될 수 있다.

어플리케이션(146)은, 예를 들면, 홈(251), 다이얼러(253), SMS/MMS(255), IM(instant message)(257), 브라우저(259), 카메라(261), 알람(263), 컨택트(265), 음성 인식(267), 이메일(269), 달력(271), 미디어 플레이어(273), 앨범(275), 와치(277), 헬스(279)(예: 운동량 또는 혈당과 같은 생체 정보를 측정), 또는 환경 정보(281)(예: 기압, 습도, 또는 온도 정보 측정) 어플리케이션을 포함할 수 있다. 일실시예에 따르면, 어플리케이션(146)은 전자 장치(101)와 외부 전자 장치 사이의 정보 교환을 지원할 수 있는 정보 교환 어플리케이션(미도시)을 더 포함할 수 있다. 정보 교환 어플리케이션은, 예를 들면, 외부 전자 장치로 지정된 정보 (예: 통화, 메시지, 또는 알람)를 전달하도록 설정된 노티피케이션 릴레이 어플리케이션, 또는 외부 전자 장치를 관리하도록 설정된 장치 관리 어플리케이션을 포함할 수 있다. 노티피케이션 릴레이 어플리케이션은, 예를 들면, 전자 장치(101)의 다른 어플리케이션(예: 이메일 어플리케이션(269))에서 발생된 지정된 이벤트(예: 메일 수신)에 대응하는 알림 정보를 외부 전자 장치로 전달할 수 있다. 추가적으로 또는 대체적으로, 노티피케이션 릴레이 어플리케이션은 외부 전자 장치로부터 알림 정보를 수신하여 전자 장치(101)의 사용자에게 제공할 수 있다.

장치 관리 어플리케이션은, 예를 들면, 전자 장치(101)와 통신하는 외부 전자 장치 또는 그 일부 구성 요소(예: 외부 전자장치의 디스플레이 모듈 또는 카메라 모듈)의 전원(예: 턴-온 또는 턴-오프) 또는 기능(예: 밝기, 해상도, 또는 포커스)을 제어할 수 있다. 장치 관리 어플리케이션은, 추가적으로 또는 대체적으로, 외부 전자 장치에서 동작하는 어플리케이션의 설치, 삭제, 또는 갱신을 지원할 수 있다.

본 명세서에 걸쳐, 뉴럴 네트워크(neural network), 신경망 네트워크, 네트워크 함수는, 동일한 의미로 사용될 수 있다. 뉴럴 네트워크는, 일반적으로 "노드"라 지칭될 수 있는 상호 연결된 계산 단위들의 집합으로 구성될 수 있다. 이러한 "노드"들은, "뉴런(neuron)"들로 지칭될 수도 있다. 뉴럴 네트워크는, 적어도 둘 이상의 노드들을 포함하여 구성된다. 뉴럴 네트워크들을 구성하는 노드(또는 뉴런)들은 하나 이상의 "링크"에 의해 상호 연결될 수 있다.

뉴럴 네트워크 내에서, 링크를 통해 연결된 둘 이상의 노드들은 상대적으로 입력 노드 및 출력 노드의 관계를 형성할 수 있다. 입력 노드 및 출력 노드의 개념은 상대적인 것으로서, 하나의 노드에 대하여 출력 노드 관계에 있는 임의의 노드는 다른 노드와의 관계에서 입력 노드 관계에 있을 수 있으며, 그 역도 성립할 수 있다. 전술한 바와 같이, 입력 노드 대 출력 노드 관계는 링크를 중심으로 생성될 수 있다. 하나의 입력 노드에 하나 이상의 출력 노드가 링크를 통해 연결될 수 있으며, 그 역도 성립할 수 있다.

하나의 링크를 통해 연결된 입력 노드 및 출력 노드 관계에서, 출력 노드는 입력 노드에 입력된 데이터에 기초하여 그 값이 결정될 수 있다. 여기서, 입력 노드와 출력 노드를 상호 연결하는 노드는 가중치를 가질 수 있다. 가중치는 가변적일 수 있으며, 뉴럴 네트워크가 원하는 기능을 수행하기 위해, 사용자 또는 알고리즘에 의해 가변될 수 있다. 예를 들어, 하나의 출력 노드에 하나 이상의 입력 노드가 각각의 링크에 의해 상호 연결된 경우, 출력 노드는 상기 출력 노드와 연결된 입력 노드들에 입력된 값들 및 각각의 입력 노드들에 대응하는 링크에 설정된 가중치에 기초하여 출력 노드 값을 결정할 수 있다.

전술한 바와 같이, 뉴럴 네트워크는, 둘 이상의 노드들이 하나 이상의 링크를 통해 상호연결 되어 뉴럴 네트워크 내에서 입력 노드 및 출력 노드 관계를 형성한다. 뉴럴 네트워크 내에서 노드들과 링크들의 개수 및 노드들과 링크들 사이의 연관관계, 링크들 각각에 부여된 가중치의 값에 따라, 신경망 네트워크의 특성이 결정될 수 있다. 예를 들어, 동일한 개수의 노드 및 링크들이 존재하고, 링크들 사이의 가중치 값이 상이한 두 신경망 네트워크가 존재하는 경우, 두 개의 신경망 네트워크들은 서로 상이한 것으로 인식될 수 있다.

도 3은 일 실시예에 따른 뉴럴 네트워크를 이용하여 서버가 응시자 단말에게 모의고사 서비스를 제공하는 방법을 나타낸다. 도 3의 일 실시예는 본 개시의 다양한 실시예들과 결합될 수 있다.

도 3을 참조하면, 단계 S301에서, 서버는 응시자 단말로부터 한국어능력 시험과 관련된 모의고사를 신청하는 신청 메시지를 수신할 수 있다.

서버는 한국어능력 시험과 관련된 모의고사를 온라인 상으로 제공하는 서비스를 운영하고, 다양한 국가에 한국어능력 시험과 관련된 모의고사에 대한 안내 및 운영을 해당 국가의 언어로 진행하는 서버일 수 있다. 예를 들어, 서버는 도 1의 서버(108)일 수 있다.

응시자 단말은 한국어능력 시험과 관련된 모의고사에 응시하는 단말일 수 있다. 예를 들어, 응시자 단말은 도 1의 전자 장치(101)일 수 있다.

상기 신청 메시지는 상기 응시자 단말의 식별 정보, 상기 응시자 단말의 위치 정보 및 모의고사의 유형에 대한 정보를 포함할 수 있다. 여기서, 식별 정보는 응시자 단말을 식별하기 위한 정보와 응시자 단말에 대한 연락처에 대한 정보를 포함할 수 있다. 예를 들어, 식별 정보는 응시자 단말의 고유 식별 번호(예: IMEI(international mobile equipment identity)), 응시자 단말의 국가 번호(예: MCC(mobile country cod)) 또는 응시자 단말의 이동통신망 번호(예: MNC(mobile network code)) 중 적어도 하나, 응시자 단말의 이메일 주소 및 응시자 단말의 전화번호를 포함할 수 있다. 여기서, 위치 정보는 응시자 단말이 GNSS(global navigation satellite system)로부터 수신한 위치 좌표에 대한 정보 및 응시자 단말의 IP 주소를 포함할 수 잇다. 예를 들어, 위치 좌표에 대한 정보는 응시자 단말의 위도, 경도 및 고도를 포함할 수 있다. 이때, 서버는 사전 저장된 IP 주소별 국가 리스트에서 응시자 단말의 IP 주소에 대응하는 국가를 결정하고, 해당 국가를 응시자 단말에 대한 국가로 결정할 수 있다. 여기서, 모의고사의 유형에 대한 정보는 한국어능력 시험과 관련된 모의고사의 시험 유형 및 한국어능력 시험과 관련된 모의고사의 진행 유형을 포함할 수 있다. 한국어능력 시험과 관련된 모의고사의 시험 유형은 듣기 영역과 읽기 영역을 포함하는 제1 유형 및 듣기 영역, 읽기 영역 및 쓰기 영역을 포함하는 제2 유형을 포함할 수 있다. 한국어능력 시험과 관련된 모의고사의 진행 유형은 제1 진행 유형 및 제2 진행 유형을 포함할 수 있다.

예를 들어, 제1 진행 유형 및 제2 진행 유형은 사전 설정된 진행 시간에 따라 한국어능력 시험과 관련된 모의고사가 진행될 수 있다. 제1 진행 유형은 온라인 고사장에 대한 개설 날짜 및 개설 시각을 결정하는 권한이 상기 응시자 단말에게 허용되고, 듣기 영역의 문항에 따른 음성 파일에 대한 응시자 단말의 조작이 허용되는 유형이다. 제2 진행 유형은 실제 TOPIK과 같이 온라인 고사장에 대한 개설 날짜 및 개설 시각을 결정하는 권한이 상기 서버에게 허용되고, 듣기 영역의 문항에 따른 음성 파일에 대한 응시자 단말의 조작이 허용되지 않는 유형이다. 이때, 제1 진행 유형인 경우에는 응시자 단말이 설정한 시간에 한국어능력 시험과 관련된 모의고사가 진행될 수 있다. 제2 진행 유형인 경우에는 서버가 설정한 시간에 한국어능력 시험과 관련된 모의고사가 진행될 수 있다.

예를 들어, 신청 메시지는 상기 응시자 단말의 한국어능력 시험과 관련된 모의고사에 대한 결제가 완료된 것과 함께 전송될 수 있다.

단계 S302에서, 서버는 신청 메시지에 기반하여 응시자 단말이 신청한 상기 한국어능력 시험과 관련된 모의고사에 대한 안내 메시지를 응시자 단말에게 전송할 수 있다. 여기서, 안내 메시지는 응시자 단말이 신청한 한국어능력 시험과 관련된 모의고사를 안내하는 메시지이다. 예를 들어, 제1 진행 유형인 경우, 안내 메시지는 응시자 단말이 신청한 한국어능력 시험과 관련된 모의고사에 대한 각 교시별 시험 시간 및 쉬는 시간, 시험 진행 단계별 안내 사항 및 온라인 진행에 대한 주의 사항을 포함할 수 있다. 제2 진행 유형인 경우, 안내 메시지는 응시자 단말이 신청한 한국어능력 시험과 관련된 모의고사에 대한 입장 가능 시간, 각 교시별 시험 시간 및 쉬는 시간, 시험 진행 단계별 안내 사항 및 온라인 진행에 대한 주의 사항을 포함할 수 있다.

예를 들어, 응시자 단말이 신청한 상기 한국어능력 시험과 관련된 모의고사에 대한 결제가 완료된 것에 기반하여, 서버는 상기 한국어능력 시험과 관련된 모의고사에 대한 안내 메시지를 응시자 단말에게 전송할 수 있다. 서버는 응시자 단말의 위치 정보에 의해 식별된 국가에 매칭되는 언어를 사용하여 상기 안내 메시지를 전송할 수 있다. 예를 들어, 응시자 단말의 위치 정보에 의해 식별된 국가가 베트남인 경우, 서버는 베트남어로 상기 안내 메시지를 전송할 수 있다.

단계 S303에서, 서버는 한국어능력 시험과 관련된 모의고사의 진행 유형이 제2 진행 유형에 해당되는 것에 기반하여, 실시간 모의고사가 진행되는 온라인 고사장을 사전 설정된 개설 날짜 및 개설 시각에 생성할 수 있다.

이때, 서버는 실시간 모의고사가 진행되는 온라인 고사장을 사전 설정된 개설 날짜 및 개설 시각에 개설 국가에 대해 생성할 수 있다. 예를 들어, 개설 국가는 응시자 단말의 위치 정보에 기반하여 결정될 수 있다. 예를 들어, 사전 설정된 개설 날짜 및 개설 시각은 응시자 단말의 위치 정보에 의해 식별된 국가 또는 지역의 표준시를 기준으로 결정될 수 있다. 예를 들어, 응시자 단말의 위치 정보에 의해 식별된 국가가 베트남인 경우, 서버는 베트남의 표준시를 기준으로 사전 설정된 개설 날짜 및 개설 시각에 베트남에 대한 온라인 고사장을 생성할 수 있다.

온라인 고사장은 상기 서버와 관련된 웹 페이지 상에 생성되며, 실시간 모의고사를 신청한 응시자 단말의 개수에 따라 상기 온라인 고사장에 할당된 서버의 메모리 크기가 상이할 수 있다.

단계 S304에서, 서버는 사전 설정된 개설 시각으로부터 사전 설정된 제1 시간이 경과된 이후, 온라인 고사장이 개설된 것을 알리는 공지사항 메시지를 응시자 단말에게 전송할 수 있다.

여기서, 공지사항 메시지는 온라인 고사장이 개설된 것을 알리는 메시지로서, 온라인 고사장의 웹 주소, 각 교시별 시험 시간 및 쉬는 시간 및 온라인 고사장에 대한 입장 시작 시간을 포함할 수 있다. 예를 들어, 서버는 응시자 단말의 위치 정보에 의해 식별된 국가에 매칭되는 언어를 사용하여 상기 공지사항 메시지를 전송할 수 있다.

예를 들어, 서버는 사전 설정된 개설 시각으로부터 사전 설정된 제1 시간동안 상기 온라인 고사장에서 모의고사의 진행이 원만하게 이루어지는지 테스트를 진행할 수 있다. 즉, 사전 설정된 제1 시간은 상기 서버의 안정화를 위해 필요한 시간일 수 있다.

부가적으로, 예를 들어, 사전 설정된 제1 시간은 하기 수학식 1에 의해 결정될 수 있다.

상기 수학식 1에서, 상기 t₁은 상기 사전 설정된 제1 시간이고, 상기

은 상기 응시자 단말과 관련된 국가의 가중치이고, 상기 n_a는 상기 모의고사에 신청한 응시자 단말의 개수이고, 상기 n_m은 모의고사에 신청하는 응시자 단말의 평균 개수이고, 상기 t_c는 상기 서버의 시스템을 점검하기 위한 시간이고, 상기

는 상기 모의고사의 유형과 관련된 가중치이고, 상기 k는 상기 모의고사에서 듣기 영역의 문항 개수이고, 상기 t_i는 i번째 듣기 영역의 문항에 대한 음성 파일의 재생시간일 수 있다.

예를 들어, 상기 응시자 단말과 관련된 국가의 가중치는 국가마다 상이한 값을 가질 수 있고, 0보다 크고 2보다 작은 값으로, 상기 서버에 사전 저장될 수 있다. 예를 들어, 상기 모의고사의 유형과 관련된 가중치는 모의고사의 유형마다 상이한 값을 가질 수 있고, 0보다 크고 2보다 작은 값으로, 상기 서버에 사전 저장될 수 있다. 예를 들어, 상기 서버의 시스템을 점검하기 위한 시간은 상기 서버의 성능에 따라 상이할 수 있고, 서버에 사전 설정될 수 있다. 즉, 서버의 동시 사용자에 따른 평균 응답시간이 짧고, 동시 사용자에 따른 단위시간 당 처리 수가 많을수록 상기 서버의 시스템을 점검하기 위한 시간은 짧아질 수 있다. 예를 들어, 듣기 문항 하나의 평균 재생 시간이 길고, 모의고사를 신청한 단말의 개수가 많을수록 상기 사전 설정된 제1 시간은 길게 설정될 수 있다.

이를 통해, 서버는 온라인 모의고사와 관련된 다양한 변수를 고려하여 상기 서버의 안정화를 위해 필요한 시간을 충분히 확보할 수 있고, 서버는 원만한 온라인 모의고사를 진행할 수 있다. 또한, 고정된 시간이 아닌 서버의 성능과 온라인 모의고사와 관련된 환경에 따라 유동적으로 시간을 변경함으로써, 적응적으로 서버의 안정화를 위해 필요한 시간을 확보할 수 있다.

단계 S305에서, 서버는 상기 사전 설정된 개설 시각으로부터 사전 설정된 제1 시간이 경과된 시점부터 사전 설정된 제2 시간 이내에 응시자 단말로부터 상기 온라인 고사장에 대한 입장 메시지를 수신할 수 있다.

여기서, 입장 메시지는 응시자 단말이 온라인 고사장에 대한 웹 주소에 대한 연결 요청 메시지로서, 응시자 단말의 식별 정보를 포함할 수 있다. 서버는 상기 응시자 단말로부터 수신한 입장 메시지에 기반하여 상기 응시자 단말과 연결을 확립할 수 있다.

예를 들어, 서버는 입장 메시지에 포함된 식별 정보와 상기 서버에 기 저장된 식별 정보를 비교함으로써, 응시자 단말의 입장이 허용되는지 여부를 결정할 수 있다. 예를 들어, 서버는 상기 서버에 기 저장된 식별 정보들 중에서 상기 입장 메시지에 포함된 식별 정보와 일치하는 식별 정보가 존재하는 경우, 응시자 단말의 접속을 허용할 수 있다. 서버는 접속이 허용된 응시자 단말과 연결을 확립할 수 있다.

예를 들어, 상기 사전 설정된 개설 시각으로부터 사전 설정된 제1 시간이 경과된 시점부터 사전 설정된 제2 시간이 경과된 후 입장 메시지를 상기 서버에 전송한 응시자 단말은 상기 서버와 연결이 확립되지 않을 수 있다. 즉, 상기 사전 설정된 개설 시각으로부터 사전 설정된 제1 시간이 경과된 시점부터 사전 설정된 제2 시간이 경과된 이후, 응시자 단말의 상기 서버에 대한 접속이 허용되지 않을 수 있다.

부가적으로, 예를 들어, 상기 사전 설정된 개설 시각으로부터 사전 설정된 제1 시간이 경과된 시점부터 사전 설정된 제2 시간 사이에 알림 메시지를 사전 설정된 간격마다 상기 응시자 단말에게 전송할 수 있다. 여기서, 알림 메시지는 온라인 고사장에 대한 입장을 알리는 메시지로서, 온라인 고사장의 웹 주소 및 모의고사 시작 시간을 포함할 수 있다. 예를 들어, 서버는 상기 응시자 단말의 이메일 주소 또는 상기 응시자 단말의 전화번호로 알림 메시지를 전송할 수 있다. 예를 들어, 서버는 상기 응시자 단말로부터 입장 메시지를 수신한 것에 기반하여 알림 메시지를 전송하지 않을 수 있다.

부가적으로, 예를 들어, 서버는 응시자 단말로부터 입장 메시지를 수신한 것에 기반하여 대기 화면에 대한 정보를 상기 응시자 단말에게 전송할 수 있다. 예를 들어, 대기 화면에 대한 정보에 기반하여 모의고사 시작 시간까지 남은 시간이 포함된 대기 화면이 상기 응시자 단말의 디스플레이부에 표시될 수 있다.

단계 S306 및 단계 S307에서, 서버는 응시자 단말과 상기 서버가 연결되는 것에 기반하여, 서버에 사전 입력된 실시간 모의고사에 대한 정보를 응시자 단말에게 제공할 수 있다.

사전 입력된 실시간 모의고사에 대한 정보는 영역별 문제, 영역별 문제에 대한 배점, 영역별 문제에 대한 지문, 듣기 영역의 문항에 대한 음성 파일, 교시별 예비령, 준비령, 본령 및 종료령에 대한 오디오 파일, 영역별 문제에 대한 이미지 파일, 영역별 문제에 대한 선택지 및 영역별 문제에 대한 보기를 포함할 수 있다.

예를 들어, 대기 화면에 표시된 모의고사 시작 시간에 도달한 경우, 서버에 사전 입력된 실시간 모의고사에 대한 정보를 사용자 인터페이스를 통해 응시자 단말에게 제공할 수 있다.

예를 들어, 모의고사가 진행되는 응시자 단말의 디스플레이부의 상단에는 사용자 인터페이스를 통해 현재 영역명(예를 들어, 듣기 영역), 남은 시간, 전체 문제 수 및 남은 문제수가 표시될 수 있다. 예를 들어, 모의고사가 진행되는 응시자 단말의 디스플레이부의 좌측단에는 사용자 인터페이스를 통해 문항이 표시될 수 있다. 예를 들어, 모의고사가 진행되는 응시자 단말의 디스플레이부의 우측단에는 사용자 인터페이스를 통해 선택지를 마킹할 수 있는 영역 및 문제 현황 영역, 체크 기능 버튼이 표시될 수 있다. 여기서, 문제 현황 영역은 아직 풀지 않은 문제와 사용자가 체크한 문제를 나타내는 영역일 수 있다. 체크 기능 버튼은 사용자가 보류하고 싶은 문제를 체크하는 기능을 가진 버튼일 수 있다. 예를 들어, 모의고사가 진행되는 응시자 단말의 디스플레이부의 하단에는 사용자 인터페이스를 통해 이전 문제 버튼, 다음 문제 버튼 및 답안 제출 버튼이 표시될 수 있다. 이전 문제 버튼은 이전의 문제로 돌아가는 기능을 가진 버튼이고, 다음 문제 버튼은 다음의 문제로 넘어가는 기능을 가진 버튼이고, 답안 제출 버튼은 답안을 제출하는 기능을 가진 버튼일 수 있다.

예를 들어, 상기 응시자 단말과 상기 서버가 연결되는 것에 기반하여, 듣기 영역에 대한 음성 파일의 음질 유형에 대한 정보가 상기 응시자 단말에게 전송될 수 있다. 상기 음성 파일의 음질 유형은 일반 음질 유형 및 음성 파일을 실제 고사장과 유사하게 처리한 실제 음질 유형을 포함할 수 있다. 예를 들어, 실제 음질 유형의 음성 파일은 일반 음질 유형의 음성 파일에 잡음을 포함시킨 음성 파일일 수 있다. 상기 응시자 단말에 의해 선택된 듣기 영역에 대한 음성 파일의 유형으로 듣기 영역에 대한 음성 파일이 재생될 수 있다. 상기 한국어능력 시험과 관련된 모의고사의 진행 유형이 제2 진행 유형에 해당되는 것에 기반하여 듣기 영역에 대한 음성 파일에 대한 조작 버튼이 비활성화될 수 있다. 여기서, 조작 버튼은 일시 정지 버튼, 되감기 버튼, 랜덤 재생 버튼, 빨리 감기 버튼, 이전 문제로 돌아가는 이전 문제 버튼 및 다음 문제로 넘어가는 다음 문제 버튼을 포함할 수 있다.

예를 들어, 상기 온라인 고사장에 접속된 응시자 단말의 수와 상기 서버의 능력 및 상기 서버와 응시자 단말의 통신 상태에 따라, 상기 응시자 단말과 상기 서버가 연결된 후 상기 응시자 단말에게 전송되는 문항 화면에 표시되는 문제의 최대 개수가 결정될 수 있다.

부가적으로, 예를 들어, 응시자 단말에게 전송되는 문항 화면에 표시되는 문제의 최대 개수는 하기 수학식 2에 의해 결정될 수 있다.

상기 수학식 2에서, 상기 n_p는 상기 문항 화면에 표시되는 문제의 최대 개수이고, 상기 n은 상기 서버에 연결된 응시자 단말의 개수이고, 상기 t_r은 상기 서버의 응시자 단말에 대한 평균 응답시간이고, 상기 n_avg는 상기 서버에 연결되는 응시자 단말의 평균 개수이고, 상기 t_th는 기준 응답시간이고, 상기 RSRP는 상기 응시자 단말의 통신 상태와 관련된 값이고, 상기 RSRP_th는 통신 상태와 관련된 값에 대한 기준 값이고, 상기 n_d는 최대 개수에 대한 기본 값일 수 있다.

예를 들어, 상기 서버에 연결되는 응시자 단말의 평균 개수, 기준 응답시간, 통신 상태와 관련된 값에 대한 기준 값 및 최대 개수에 대한 기본 값은 상기 서버에 사전 저장된 값일 수 있다. 예를 들어, RSRP(reference signal received power)는 단말의 통신 상태를 나타내는 값으로, 음의 dB 값을 가질 수 있다. 예를 들어, RSRP의 절대 값이 클수록, 단말의 통신 상태가 불량한 것으로 결정될 수 있다.

예를 들어, max 함수는 괄호 안의 두 값 중에서 더 큰 값을 결정하는 함수이며, ceil 함수는 괄호 안의 값에서 소수점을 제외한 정수부를 해당 값으로 결정하는 함수이다.

이를 통해, 서버는 서버의 능력과 단말의 통신 상태에 따라 응시자 단말에게 전송되는 문항 화면에 표시되는 문제의 최대 개수를 결정함으로써, 서버는 원활하게 모의고사를 진행할 수 있다.

일 실시예에 따르면, 상기 읽기 영역의 문항 화면에서 문제의 선택지에 대해 상기 응시자 단말의 사용자가 사전 설정된 높이 내에서 호버링 동작을 수행하는 것을 기반으로 상기 선택지가 상기 문제의 선택지와 연관된 빈 칸 영역에 표시될 수 있다.

여기서, 호버링(Hovering) 동작은 응시자 단말의 사용자의 손이 응시자 단말에 직접 닿지 않고 공중에 떠 있는 상태에서 명령을 입력하는 동작일 수 있다. 상기 호버링 위치의 변화에 따라 상기 빈칸 영역에 상기 선택지가 표시될 수 있다. 예를 들어, 호버링 동작은 터치용 펜 또는 손가락에 의해 수행될 수 있다. 상기 터치용 펜은 코일을 내장하고, 상기 응시자 단말의 디스플레이부는 터치스크린을 포함하고, 상기 터치스크린은 상호 전자 유도에 기초하여 상기 터치용 펜을 감지하는 EMR(Electro-Magnetic Resonance) 방식 터치 패널을 포함할 수 있다. 상기 터치스크린은 정전용량 방식 터치 패널을 더 포함하고, 상기 응시자 단말은 상기 정전용량 방식 터치 패널을 통한 터치와 상기 EMR 방식 터치 패널을 통한 호버링 또는 터치를 구별하여 감지할 수 있다. 또한, 호버링 동작은 상기 터치용 펜에 형성된 버튼 눌림, 상기 터치용 펜에 대한 두드림, 상기 터치용 펜이 미리 정해진 속도보다 빠르게 이동함, 아이콘에 대한 터치 중 어느 하나를 포함할 수 있다.

일 실시예에 따르면, 상기 쓰기 영역의 문항 화면에 대한 답안을 입력하는 방식을 선택하는 사용자 인터페이스가 상기 응시자 단말에게 제공될 수 있다. 상기 쓰기 영역의 문항 화면에 대한 답안을 입력하는 방식은 상기 응시자 단말의 텍스트 필드를 이용하여 입력하는 제1 방식과 상기 응시자 단말이 제공한 이미지를 입력하는 제2 방식을 포함할 수 있다. 상기 응시자 단말이 제공한 이미지는 상기 응시자 단말의 사용자가 직접 필기한 이미지일 수 있다. 예를 들어, 응시자 단말의 사용자가 직접 필기한 이미지는 사용자가 답안 용지에 직접 필기한 이미지 및 응시자 단말에 포함된 터치용 펜을 이용하여 필기한 이미지를 포함할 수 있다.

여기서, 텍스트 필드는 사용자가 사용자 인터페이스를 통해 텍스트 입력 및 확인 시 활용되는 컴포넌트일 수 있다.

예를 들어, 상기 응시자 단말이 제공한 이미지는 다양한 OCR(Optimal Character Recognition) 방식을 통해 이미지에 포함된 텍스트가 텍스트 데이터로 변환될 수 있다.

단계 S308에서, 서버는 응시자 단말로부터 상기 응시자 단말의 영역별 답안을 수신할 수 있다.

부가적으로, 예를 들어, 서버는 쓰기 영역의 시험 시간과 읽기 영역의 시험 시간 사이의 쉬는 시간동안, 사전 설정된 개수의 쓰기 영역의 답안을 그룹핑하고, 순차적으로 그룹 단위로 쓰기 영역의 답안을 응시자 단말들로부터 수신할 수 있다.

또는, 예를 들어, 서버는 사전 설정된 데이터 크기만큼 복수의 쓰기 영역의 답안을 그룹핑하고, 순차적으로 복수의 쓰기 영역의 답안을 그룹 단위로 응시자 단말들로부터 수신할 수 있다.

이때, 응시자 단말이 쓰기 영역의 답안을 서버에게 전송하는 동안, 응시자 단말의 디스플레이부에 사용자 인터페이스를 통해 쓰기 영역의 답안에 대하 전송률이 표시되고, 쓰기 영역의 답안이 응시자 단말에서 서버에게 전송이 완료되기 전까지 전송 종료하지 말 것을 경고하는 경고 메시지가 표시될 수 있다. 예를 들어, 서버는 쓰기 영역의 답안이 모두 전송되기 전까지 해당 화면을 종료하는 버튼을 상기 응시자 단말에 대해 비활성화시킬 수 있다. 예를 들어, 만약 쓰기 영역의 답안이 네트워크의 오류 등으로 인해 정상적으로 전송되지 않은 경우, 응시자 단말의 디스플레이부에 사용자 인터페이스를 통해 재전송을 요청하는 버튼이 표시될 수 있다.

이를 통해, 전체적인 시험을 운영하는 프로세스 중 서버에게 가장 큰 리퀘스트가 발생하는 시점인 쓰기 영역에 대한 답안을 제출하는 시점에서, 모든 동시 접속자가 시험 종료시점에 답안 제출을 한꺼번에 전송하게 되기 때문에, 서버는 쓰기 영역에 대한 답안을 제출하는 시점을 응시자 단말마다 다르게 설정하여 트래픽을 적절히 분산시킬 수 있다.

단계 S309에서, 서버는 한국어능력 시험과 관련된 모의고사의 시험 유형 및 상기 응시자 단말의 영역별 답안에 대한 가채점 점수에 기반하여 응시자 단말의 영역별 답안에 대한 점수를 결정할 수 있다.

상기 응시자 단말의 영역별 답안 중에서 쓰기 영역에 대한 가채점 점수는 상기 실시간 모의고사가 종료된 후 상기 응시자 단말의 쓰기 영역에 대한 답안에 기반하여 제1 뉴럴 네트워크를 이용한 가채점 모델을 통해 결정될 수 있다.

상기 응시자 단말의 영역별 답안 중에서 듣기 영역 및 읽기 영역에 대한 가채점 점수는 상기 실시간 모의고사가 종료된 후 상기 응시자 단말의 듣기 영역 및 읽기 영역에 대한 답안과 상기 서버에 사전 저장된 해답을 비교함으로써 결정될 수 있다.

예를 들어, 상기 시험 유형이 상기 제2 유형에 해당되는 것에 기반하여, 채점자 단말에게 상기 응시자 단말의 쓰기 영역의 답안에 대한 가채점 점수가 전송될 수 있다. 상기 응시자 단말의 쓰기 영역의 답안에 대한 최종 점수가 상기 채점자 단말로부터 상기 서버에게 전송될 수 있다. 상기 응시자 단말의 쓰기 영역의 답안에 대한 점수는 상기 응시자 단말의 영역별 답안에 대한 최종 점수로 결정될 수 있다. 여기서, 채점자 단말은 쓰기 영역의 답안에 대한 점수를 채점하는 단말일 수 있다. 채점자 단말은 도 1의 전자 장치(101)일 수 있다.

상기 가채점 모델은 GRU(gated recurrent unit) 기반 뉴럴 네트워크일 수 있다. 여기서, GRU는 RNN(recurrent neural network)를 변형시킨 모델일 수 있다.

상기 제1 뉴럴 네트워크는 제1 입력 레이어, 하나 이상의 제1 히든 레이어 및 제1 출력 레이어를 포함할 수 있다. 복수의 텍스트, 복수의 해답 텍스트 및 정답 가채점 점수로 구성된 각각의 제1 뉴럴 네트워크의 학습을 위한 데이터는 상기 제1 뉴럴 네트워크의 상기 제1 입력 레이어에 입력되고, 상기 하나 이상의 제1 히든 레이어 및 제1 출력 레이어를 통과하여 제1 출력 벡터를 출력하고, 상기 제1 출력 벡터는 상기 제1 출력 레이어에 연결된 제1 손실함수 레이어에 입력되고, 상기 제1 손실함수 레이어는 상기 제1 출력 벡터와 각각의 학습 데이터에 대한 제1 정답 벡터를 비교하는 제1 손실 함수를 이용하여 제1 손실값을 출력하고, 상기 제1 뉴럴 네트워크의 파라미터가 상기 제1 손실값이 작아지는 방향으로 학습되는, 상기 가채점 모델이 생성될 수 있다.

일 실시예에 따르면, 상기 첨삭 예상 영역은 상기 응시자 단말의 쓰기 영역에 대한 답안에서 복수의 오류 유형에 해당하는 텍스트가 위치하는 영역일 수 있다. 상기 복수의 오류 유형은 띄어쓰기에 대한 오류, 문장부호에 대한 오류, 수사에 대한 오류와 맞춤법 및 문법에 대한 오류, 글자 삭제 오류, 글자 추가 오류, 글자 대체 오류 및 글자 분리 오류를 포함할 수 있다. 여기서, 띄어쓰기에 대한 오류는 특정 언어의 띄어쓰기 규칙에 위배되는 오류일 수 있다. 문장부호에 대한 오류는 특정 언어의 문장 사이에 문장 부호가 빠지거나 잘못된 위치에 위치한 오류일 수 있다. 수사에 대한 오류는 양을 나타내는 양수사와 순서를 나타내는 서수사에 대한 오류일 수 있다. 예를 들어, 특정 언어가 한글인 경우, 수사에 대한 오류는'열한 시 오십 분'을 '열하나 시 오십 분' 또는 '열일 시 오십 분'으로 오타가 난 경우에 해당할 수 있다. 맞춤법 및 문법 오류는 특정 언어의 맞춤법 및 문법에 위배된 오류일 수 있다. 글자 삭제 오류는 특정 언어의 글자가 삭제된 오류일 수 있다. 글자 추가 오류는 특정 언어의 글자가 추가된 오류일 수 있다. 글자 대체 오류는 특정 언어의 단어가 다른 단어로 교체되거나 하나의 음절 안에서 음운의 순서가 변경된 오류일 수 있다.

상기 첨삭 예상 모델은 양방향 LSTM(long short-term memory) 모델을 포함할 수 있다. 일반적으로 RNN(recurrent neural network)은 내부에 저장된 기존 입력에 대한 히든 레이어 값이 다음 입력 값에 대한 출력에서 고려되기 때문에, 시계열적 정보를 효과적으로 모델링할 수 있다. 그러나, RNN은 과거 관측 값에 의존하는 구조이므로, 기울기가 소실(vanishing gradient)되거나 기울기가 매우 큰 값(exploding gradient)을 가지게 되는 문제가 발생할 수 있다. 이를 해결하기 위한 모델이 LSTM이며, LSTM 내부의 노드는 메모리 셀로 대체함으로써, 정보를 축적하거나 과거 정보의 일부를 삭제가 가능하며, 상기 RNN의 문제를 보완할 수 있다. 또한, 양방향 LSTM은 양방향성을 갖는 LSTM으로, 정방향 LSTM과 역방향 LSTM을 포함할 수 있다. 예를 들어, 정방향 LSTM의 활성화 함수는 선형 함수가 사용될 수 있고, 역방향 LSTM의 활성화 함수는 시그모이드 함수가 사용될 수 있다.

상기 제2 뉴럴 네트워크는 제2 입력 레이어, 하나 이상의 제2 히든 레이어 및 제2 출력 레이어를 포함할 수 있다. 복수의 텍스트 및 정답 복수의 오류 유형 각각에 대한 복수의 텍스트로 구성된 각각의 제2 뉴럴 네트워크의 학습을 위한 데이터는 상기 제2 뉴럴 네트워크의 상기 제2 입력 레이어에 입력되고, 상기 하나 이상의 제2 히든 레이어 및 제2 출력 레이어를 통과하여 제2 출력 벡터를 출력하고, 상기 제2 출력 벡터는 상기 제2 출력 레이어에 연결된 제2 손실함수 레이어에 입력되고, 상기 제2 손실함수 레이어는 상기 제2 출력 벡터와 각각의 학습 데이터에 대한 제2 정답 벡터를 비교하는 제2 손실 함수를 이용하여 제2 손실값을 출력하고, 상기 제2 뉴럴 네트워크의 파라미터가 상기 제2 손실값이 작아지는 방향으로 학습되는, 상기 첨삭 예상 모델이 생성될 수 있다.

예를 들어, 복수의 오류 유형에 각각에 대한 데이터는 크라우드 소싱 등과 같이 다양한 방식을 통해 상기 서버에 사전 저장될 수 있다.

구체적으로, 상기 첨삭 예상 모델은 임베딩 및 인코더부, 양방향 LSTM을 포함하는 제2 뉴럴 네트워크 및 어텐션 레이어를 포함할 수 있다.

양방향 LSTM을 포함하는 제2 뉴럴 네트워크에 입력되는 벡터는 복수의 텍스트가 임베딩 및 인코더부를 통과하여 출력된 벡터일 수 있다. 예를 들어, 임베딩 및 인코더부는 복수의 토큰 임베딩 레이어 및 복수의 포지션 임베딩 레이어, 인코더를 포함할 수 있다. 예를 들어, 복수의 텍스트는 복수의 응시자 단말의 쓰기 영역에 대한 답안에 대한 텍스트 데이터일 수 있다.

토큰 임베딩 레이어는 복수의 텍스트에 대해 토크나이저(tokenizer)로 전처리된 입력 텍스트를 토큰이 포함된 토큰 벡터로 변환할 수 있다. 예를 들어, 토큰 임베딩 레이어를 통해 복수의 텍스트를 토크나이저로 전처리함으로써, 하나의 문장을 복수의 형태소로 토큰화시킨 토큰 벡터를 생성할 수 있다. 여기서, 형태소는 의미를 가지는 요소로서는 더 이상 분석할 수 없는 가장 작은 말의 단위를 의미한다.

또한, 토큰 벡터에 대해 마스크드 언어 모델(masked language model)을 사용함으로써, 인코더는 주어진 시퀀스를 통해 전체 문장을 모델에 삽입한 후 공백에 해당하는 단어를 예측하여 학습하며, 문장을 학습한 후에는 해당 문장을 일련의 토큰으로 표시하고, 토큰 배열에서 공백으로 설정할 부분은 마스크(mask)로 설정할 수 있다.

포지션 임베딩 레이어는 하나의 문장을 복수의 형태소로 토큰화한 토큰 벡터에 대해 각 형태소의 위치를 나타내는 포지션 임베딩 벡터를 추가할 수 있다. 여기서, 토큰 벡터는 쿼리(query)를 나타내는 Q 벡터, 키(key)를 나타내는 K 벡터, 벨류(value)를 나타내는 V 벡터로 변환될 수 있다.

이때, 서버는 포지션 임베딩 레이어를 통해 한 쌍의 단어 관계를 결정할 수 있다. 예를 들어, 각 단어의 밀접성을 결정하기 위해 서버는 스케일드 내적 어텐션(scaled dot-product attention)을 사용할 수 있다. 서버는 한 쌍의 단어 관계를 스케일드 내적 어텐션을 기반으로 하기 수학식 3에 의해 결정될 수 있다.

상기 수학식 3에서, 상기 Q는 디코더의 이전 레이어의 히든 스테이트에 대한 벡터이고, K는 인코더의 아웃풋 스테이트에 대한 벡터, V는 인코더의 아웃풋 스테이트에 대한 벡터이고, 상기 dk는 K 벡터의 차원일 수 있다. 즉, Q는 영향을 받는 디코더의 토큰, K는 영향을 주는 인코더의 토큰, V는 그 영향에 대한 가중치가 곱해질 인코더 토큰일 수 있다.

즉, 서버는 Q와 K는 코사인 유사성을 이용한 내적(dot-product)을 K 벡터의 차원에 대한 제곱근으로 나누고 소프트맥스(softmax) 함수를 적용함으로써 문장 내의 단어들에 대한 한 쌍의 행렬을 결정할 수 있다.

예를 들어, 상기 하나 이상의 제2 히든 레이어는 하나 이상의 정방향 LSTM 블록 및 하나 이상의 역방향 LSTM을 포함하고, 각 LSTM 블록은 메모리 셀(memory cell), 입력 게이트(input gate), 삭제 게이트(forget gate), 출력 게이트(output gate)를 포함할 수 있다.

서버는 문장 내의 단어들에 대한 한 쌍의 행렬을 양방향 LSTM에 입력시키고, 양방향 LSTM을 통해 출력된 벡터를 어텐션 레이어에 입력시킬 수 있다. 이때, 서버는 양방향 LSTM을 통해 숨겨진 토큰을 연결함으로써, 첨삭 예상 모델을 미세 조정할 수 있다.

어텐션 레이어는 하나의 문장 정보를 문장 끝까지 입출력 할 수 있고, 첫 단어가 멀리 있는 단어와 상관 관계를 이룰 수 있게 처리할 수 있다. 이후, 출력 레이어는 소프트맥스 함수를 통해, 복수의 오류 유형 각각에 대한 텍스트 데이터를 기반으로 가장 높은 확률을 가진 단어를 출력 값으로 결정할 수 있다.

즉, 서버는 복수의 텍스트를 기반으로 양방향 LSTM 모델을 포함하는 첨삭 예상 모델을 학습시키고, 첨삭 예상 모델을 통해 상기 쓰기 영역에 대한 답안 내 텍스트 데이터에서 복수의 오류 유형 중 적어도 하나에 해당하는 영역을 결정할 수 있다. 서버는 상기 복수의 오류 유형 중 적어도 하나에 해당하는 영역에 대해 밑줄을 표시하여 상기 쓰기 영역에 대한 답안을 첨삭자 단말에게 전송할 수 있다. 여기서, 첨삭자 단말은 한국어능력 시험과 관련된 모의고사 답안에 대한 첨삭을 수행하는 단말일 수 있다. 첨삭자 단말은 상기 도 1의 전자 장치(101)일 수 있다.

이를 통해, 첨삭자 단말이 보다 용이하게 쓰기 영역에 대한 답안을 첨삭할 수 있도록 보조할 수 있다.

단계 S310에서, 서버는 응시자 단말의 영역별 답안에 대한 점수를 상기 응시자 단말에게 전송할 수 있다.

예를 들어, 서버는 응시자 단말의 영역별 답안에 대한 점수와 함께 영역별 문제에 대한 해답, 영역별 문제에 대한 해설 및 영역별 문제에 대한 모범 답안을 상기 응시자 단말에게 전송할 수 있다.

일 실시예에 따르면, 상기 시험 유형이 상기 제2 유형에 해당되고, 및 상기 응시자 단말의 식별 정보에 따라 식별된 상기 응시자 단말에 대한 유료 옵션에 쓰기 영역에 대한 답안을 첨삭하는 옵션이 포함된 경우, 첨삭 예상 영역이 표시된 상기 응시자 단말의 쓰기 영역에 대한 답안이 상기 서버로부터 첨삭자 단말에게 전송될 수 있다. 여기서, 유료 옵션은 상지 응시자 단말이 모의고사를 신청할 때 비용을 지불하고 신청한 복수의 부가적인 서비스를 지칭할 수 있다. 상기 첨삭자 단말로부터 상기 서버에게 쓰기 영역에 대한 첨삭본이 수신될 수 있다. 상기 서버로부터 상기 쓰기 영역에 대한 첨삭본이 상기 응시자 단말에게 전송될 수 있다. 상기 첨삭 예상 영역은 상기 응시자 단말의 쓰기 영역에 대한 답안에 기반하여 제2 뉴럴 네트워크를 이용한 첨삭 예상 모델을 통해 결정될 수 있다.

이를 통해, 첨삭자 단말은 사전에 첨삭이 예상되는 영역을 전달받음으로써, 보다 용이하게 답안에 대한 첨삭을 진행할 수 있다.

부가적으로, 또는, 예를 들어, 첨삭자 단말은 쓰기 영역에 대한 첨삭본을 검수자 단말에게 전송할 수 있다. 검수자 단말은 쓰기 영역에 대한 첨삭본을 이상이 없는지 검수하고, 검수가 완료된 쓰기 영역에 대한 첨삭본을 상기 서버에게 전송할 수 있다. 여기서, 검수자 단말은 쓰기 영역에 대한 첨삭본을 검수하는 단말이며, 도 1의 전자 장치(101)일 수 있다. 이를 통해, 쓰기 영역에 대한 답안을 한번 더 확인함으로써, 응시자 단말에게 보다 높은 품질의 피드백을 제공할 수 있다.

도 4는 일 실시예에 따른 가채점 모델에 대한 도면이다. 도 4의 실시예는 본 개시의 다양한 실시예들과 결합될 수 있다.

도 4를 참조하면, 가채점 모델에 사용되는 제1 뉴럴 네트워크는 GRU 기반의 뉴럴 네트워크일 수 있다. 가채점 모델은 임베딩 및 인코더부, GRU 기반의 제1 뉴럴 네트워크 및 어텐션 레이어를 포함할 수 있다.

제1 뉴럴 네트워크는 제1 입력 레이어(410), 하나 이상의 제1 히든 레이어(420) 및 제1 출력 레이어(430)을 포함할 수 있다.

예를 들어, 제1 뉴럴 네트워크에 입력되는 복수의 제1 입력 벡터, 복수의 제2 입력 벡터, 복수의 제3 입력 벡터 및 복수의 제4 입력 벡터는 임베딩 및 인코더부를 통과하여 출력된 벡터일 수 있다. 예를 들어, 임베딩 및 인코더부는 복수의 토큰 임베딩 레이어 및 복수의 포지션 임베딩 레이어, 인코더를 포함할 수 있다. 여기서, 복수의 제2 입력 벡터 내지 복수의 제4 입력벡터는 점수별로 분류된 입력 벡터일 수 있다.

토큰 임베딩 레이어는 복수의 제1 텍스트, 복수의 제2 텍스트, 복수의 제3 텍스트 및 복수의 제4 텍스트에 대해 토크나이저(tokenizer)로 전처리된 입력 텍스트를 토큰이 포함된 토큰 벡터로 변환할 수 있다. 예를 들어, 복수의 제1 텍스트는 복수의 응시자 단말의 쓰기 영역에 대한 답안에 대한 텍스트 데이터일 수 있고, 복수의 제2 텍스트 내지 복수의 제4 텍스트는 점수별로 분류된 복수의 해답 텍스트일 수 있다. 예를 들어, 복수의 제2 텍스트는 고득점으로 분류된 답안의 텍스트를 포함할 수 있다. 예를 들어, 복수의 제3 텍스트는 중간 점수로 분류된 답안안의 텍스트를 포함할 수 있다. 예를 들어, 복수의 제4 텍스트는 낮은 점수로 분류된 답안의 텍스트를 포함할 수 있다. 본 개시에서 점수는 보다 다양하게 분류될 수 있고, 이에 제한되지 않는다.

예를 들어, 토큰 임베딩 레이어를 통해 복수의 제1 텍스트 및 복수의 제2 텍스트를 토크나이저로 전처리함으로써, 하나의 문장을 복수의 형태소로 토큰화시킨 토큰 벡터를 생성할 수 있다. 여기서, 형태소는 의미를 가지는 요소로서는 더 이상 분석할 수 없는 가장 작은 말의 단위를 의미한다. 또한, 토큰 벡터에 대해 마스크드 언어 모델을 사용함으로써, 인코더는 주어진 시퀀스를 통해 전체 문장을 모델에 삽입한 후 공백에 해당하는 단어를 예측하여 학습하며, 문장을 학습한 후에는 해당 문장을 일련의 토큰으로 표시하고, 토큰 배열에서 공백으로 설정할 부분은 마스크(mask)로 설정할 수 있다.

포지션 임베딩 레이어는 하나의 문장을 복수의 형태소로 토큰화한 토큰 벡터에 대해 각 형태소의 위치를 나타내는 포지션 임베딩 벡터를 추가할 수 있다. 여기서, 토큰 벡터는 쿼리(query)를 나타내는 Q 벡터, 키(key)를 나타내는 K 벡터, 벨류(value)를 나타내는 V 벡터로 변환될 수 있다.

이때, 서버는 포지션 임베딩 레이어를 통해 한 쌍의 단어 관계를 결정할 수 있다. 예를 들어, 각 단어의 밀접성을 결정하기 위해 서버는 스케일드 내적 어텐션을 사용할 수 있다. 서버는 한 쌍의 단어 관계를 스케일드 내적 어텐션을 기반으로 상술한 수학식 3에 의해 결정될 수 있다. 즉, 서버는 Q와 K는 코사인 유사성을 이용한 내적(dot-product)을 K 벡터의 차원에 대한 제곱근으로 나누고 소프트맥스(softmax) 함수를 적용함으로써 문장 내의 단어들에 대한 한 쌍의 행렬을 결정할 수 있다.

예를 들어, 상기 하나 이상의 제1 히든 레이어는 하나 이상의 GRU 블록을 포함하고, 하나의 GRU 블록은 리셋 게이트(reset gate)와 업데이트 게이트(update gate)를 포함할 수 있다. 여기서, 리셋 게이트와 업데이트 게이트는 시그모이드 레이어를 포함할 수 있다. 예를 들어, 시그모이드 레이어는 시그모이드 함수(

)가 활성화 함수인 레이어일 수 있다. 예를 들어, 리셋 게이트 및 업데이트 게이트를 통해 히든 스테이트가 제어되고, 각 게이트와 입력에 따른 가중치들이 존재할 수 있다.

리셋 게이트는 과거의 정보를 리셋시키며, 이전 히든 레이어를 거쳐 도출된 가중치 r(t)는 수학식 4에 의해 결정될 수 있다.

예를 들어, 복수의 제1 입력 벡터, 복수의 제2 입력 벡터, 복수의 제3 입력 벡터 및 복수의 제4 입력 벡터가 상기 입력 레이어에 입력되고, 상기 리셋 게이트는 복수의 제1 입력 벡터, 복수의 제2 입력 벡터, 복수의 제3 입력 벡터 및 복수의 제4 입력 벡터를 기반으로 생성된 현재 시점의 입력 값(x_t)이 입력되면 현재 시점의 가중치 W_r와 내적하고, 복수의 제1 입력 벡터, 복수의 제2 입력 벡터, 복수의 제3 입력 벡터 및 복수의 제4 입력 벡터를 기반으로 생성된, 이전 시점의 히든 스테이트(h_(t-1))를 이전 시점의 가중치 U_r와 내적하고, 마지막으로 두 값을 합하여 시그모이드 함수에 입력되어 결과가 0과 1 사이의 값으로 출력될 수 있다. 이러한 0과 1 사이의 값을 통해 이전 시점의 히든 스테이트 값을 얼마나 활용할 것인지 결정될 수 있다.

업데이트 게이트는 과거와 현재의 정보에 대한 최신화 비율을 결정하며, z(t)는 현재 시점의 정보의 양으로, 수학식 5에 의해 결정될 수 있다.

예를 들어, 상기 현재 시점의 입력 값(x_t)가 입력되면 현재 시점의 가중치 W_z와 내적하고, 상기 이전 시점의 히든 스테이트(h_(t-1))는 이전 시점의 가중치 U_z와 내적하고, 마지막으로 두 값을 합하여 시그모이드 함수에 입력됨으로써 결과가 0과 1 사이의 값으로 출력될 수 있다. 그리고 1-z(t)를 직전 시점의 히든 레이어의 정보(h_(t-1))에 곱할 수 있다.

이를 통해, z(t)는 현재 정보를 얼마나 사용할지와 1-z(t)를 과거 정보에 대해 얼마나 사용할지를 반영할 수 있다.

리셋 게이트의 결과를 곱하여 현재 시점 t의 정보 후보군이 수학식 6에 의해 결정될 수 있다.

예를 들어, 상기 현재 시점의 입력 값(x_t)가 입력되면 현재 시점의 가중치 W_h와 내적한 값과, 상기 이전 시점의 히든 스테이트(h_(t-1))는 이전 시점의 가중치 U_h와 내적하고, r(t)를 곱한 값을 합하여 tanh 함수에 입력될 수 있다. 예를 들어, tanh는 비선형 활성화 함수(하이퍼볼릭 탄젠트 함수)를 의미한다.

업데이트 게이트와 후보군의 결과를 결합함으로써, 현재 시점의 히든 레이어의 가중치를 수학식 7에 의해 결정할 수 있다.

예를 들어, 업데이트 게이트의 출력 값 z(t)와 현재 시점의 히든 스테이트(h(t))를 곱한 값과 업데이트 게이트에서 버려지는 값 1-z(t)와 이전 시점의 히든 스테이트(h(t-1))을 곱한 값의 합으로 현재 시점의 히든 레이어의 가중치가 결정될 수 있다.

예를 들어, 상기 가채점 모델에서 사용되는 뉴럴 네트워크에 대한 가중치 초기화는, 각각의 레이어에 대해, 해당 레이어로 입력되는 입력 값의 개수와 해당 레이어에서 출력되는 출력 값의 개수를 합한 값을 나눈 가중치를 기반으로 수행될 수 있다. 따라서, 가중치의 시작 시점이 적절한 범위 내의 값으로 설정될 수 있다.

예를 들어, 상기 가채점 모델에서 사용되는 뉴럴 네트워크에 대해 드롭 아웃이 적용될 수 있다. 여기서, 드롭 아웃은 서로 연결된 레이어에서 0에서 1사이의 확률로 뉴런을 제거하는 기법이다. 예를 들어, 드롭 아웃 비율이 0.5로 설정될 수 있다. 이러한 경우, 특정 레이어에 4개의 뉴런이 존재하면, 4개의 뉴런 각각에 대해 0.5의 확률로 랜덤하게 제거될 수 있다. 이를 통해, 가채점 모델에 대한 과대적합(overfitting)을 방지할 수 있다.

서버는 출력된 벡터를 어텐션 레이어에 입력시킬 수 있다. 어텐션 레이어는 하나의 문장 정보를 문장 끝까지 입출력 할 수 있고, 첫 단어가 멀리 있는 단어와 상관 관계를 이룰 수 있게 처리할 수 있다. 이후, 출력 레이어는 소프트맥스 함수를 통해, 가장 높은 확률을 가진 단어를 출력 값으로 결정할 수 있다.

따라서, 상기 가채점 모델을 통해 학습된 뉴럴 네트워크의 파라미터를 사용할 수 있고, 상기 가채점 모델은 응시자 단말의 쓰기 영역에 대한 답안의 텍스트 데이터를 기반으로 상기 응시자 단말의 쓰기 영역의 답안에 대한 가채점 점수가 결정될 수 있다.

도 5는 일 실시예에 따른 뉴럴 네트워크를 이용하여 서버가 응시자 단말에게 모의고사 서비스를 제공하는 방법에 대한 흐름도이다. 도 5의 실시예는 본 개시의 다양한 실시예들과 결합될 수 있다.

도 5를 참조하면, 단계 S501에서, 서버는 실시간 모의고사가 진행되는 온라인 고사장을 사전 설정된 개설 날짜 및 개설 시각에 온라인 고사장을 생성할 수 있다.

단계 S502에서, 서버는 사전 설정된 개설 시각으로부터 사전 설정된 제1 시간 이내에 응시자 단말이 접속하는지 여부를 결정할 수 있다. 예를 들어, 서버는 응시자 단말로부터 입장 메시지를 수신한 것에 기반하여 응시자 단말이 접속한 것으로 결정할 수 있다.

단계 S503에서, 사전 설정된 제1 시간 이내에 응시자 단말이 접속한 경우, 서버는 사전 설정된 제1 시간이 경과된 후 공지사항 메시지를 응시자 단말에게 전송할 수 있다.

단계 S504에서, 서버는 사전 설정된 개설 시각으로부터 사전 설정된 제1 시간이 경과된 시점부터 사전 설정된 제2 시간 이내에 응시자 단말이 접속하는지 여부를 결정할 수 있다. 예를 들어, 서버는 응시자 단말로부터 입장 메시지를 수신한 것에 기반하여 응시자 단말이 접속한 것으로 결정할 수 있다.

단계 S505에서, 사전 설정된 개설 시각으로부터 사전 설정된 제1 시간이 경과된 시점부터 사전 설정된 제2 시간 이내에 응시자 단말이 접속하지 않은 경우, 서버는 상기 응시자 단말에게 접속 불가에 대한 안내 메시지를 전송할 수 있다. 여기서, 접속 불가에 대한 안내 메시지는 온라인 고사장의 모의고사가 종료될 때까지 접속할 수 없을 알리는 메시지로서, 온라인 고사자의 모의고사가 종료되는 시각을 포함할 수 있다.

단계 S506에서, 서버는 응시자 단말로부터 수신한 듣기 영역에 대한 음성 파일의 유형에 대한 정보에 기반하여 듣기 문항에 대한 음성 파일을 설정할 수 있다.

단계 S507에서, 서버는 응시자 안내 및 대기 화면에 대한 정보를 응시자 단말에게 전송할 수 있다. 여기서, 응시자 안내는 예를 들어, 안내 메시지는 각 교시별 시험 시간 및 쉬는 시간, 시험 진행 단계별 안내 사항 및 온라인 진행에 대한 주의 사항을 포함할 수 있다. 대기 화면에 대한 정보에 기반하여 모의고사 시작 시간까지 남은 시간이 포함된 대기 화면이 상기 응시자 단말의 디스플레이부에 표시될 수 있다

단계 S508에서, 서버는 화면당 문제 수에 따라 영역별로 문항 화면을 전송할 수 있다. 응시자 단말에게 전송되는 문항 화면에 표시되는 문제의 최대 개수는 하기 수학식 2에 의해 결정될 수 있다. 예를 들어, 화면당 문제 수는 문항 화면에 표시되는 문제의 최대 개수 이하이며, 응시자 단말에 의해 선택된 문항 화면에 표시되는 문제 수일 수 있다.

단계 S509에서, 서버는 응시자 단말이 쓰기 영역에 대한 답안 작성 시 텍스트 필드를 이용하는지 여부를 결정할 수 있다. 예를 들어, 서버는 상기 쓰기 영역의 문항 화면에 대한 답안을 입력하는 방식을 선택하는 사용자 인터페이스를 상기 응시자 단말에게 제공할 수 있다. 상기 쓰기 영역의 문항 화면에 대한 답안을 입력하는 방식은 상기 응시자 단말의 텍스트 필드를 이용하여 입력하는 제1 방식과 상기 응시자 단말이 제공한 이미지를 입력하는 제2 방식을 포함할 수 있다. 상기 응시자 단말이 제공한 이미지는 상기 응시자 단말의 사용자가 직접 필기한 이미지일 수 있다.

단계 S510에서, 응시자 단말이 텍스트 필드를 이용하는 경우, 서버는 쓰기 영역에 대한 답안 텍스트를 포함하는 영역별 답안에 대한 정보를 응시자 단말로부터 수신할 수 있다.

단계 S511에서, 응시자 단말이 텍스트 필드를 이용하지 않는 경우, 서버는 쓰기 영역에 대한 답안 이미지를 포함하는 영역별 답안에 대한 정보를 응시자 단말로부터 수신할 수 있다.

단계 S512에서, 서버는 온라인 고사장에서 진행되는 모의고사가 종료되기 5분 전에 설정된 알림을 응시자 단말에게 전송할 수 있다. 예를 들어, 상기 알림은 응시자 단말에 의해 사전 설정될 수 있다. 상기 알림은 응시자 단말의 화면이 깜빡거리는 유형 또는 응시자 단말의 출력부를 통해 알림 소리가 출력되는 유형 중 어느 하나일 수 있다.

단계 S513에서, 서버는 영역별 답안에 대한 점수를 결정하고, 영역별 답안에 대한 점수를 응시자 단말에게 전송할 수 있다.

서버는 실시간 모의고사가 종료된 후 상기 응시자 단말의 듣기 영역 및 읽기 영역에 대한 답안과 상기 서버에 사전 저장된 해답을 비교함으로써 상기 응시자 단말의 영역별 답안 중에서 듣기 영역 및 읽기 영역에 대한 가채점 점수를 결정할 수 있다. 이후, 서버에 사전 저장된 해답 중에서 응시자 단말이 이의 신청을 한 해답 및 오답으로 인정된 해답이 존재하지 않는 경우, 서버는 상기 응시자 단말의 영역별 답안 중에서 듣기 영역 및 읽기 영역에 대한 가채점 점수를 중에서 듣기 영역 및 읽기 영역에 대한 점수로 결정할 수 있다.

서버는 상기 실시간 모의고사가 종료된 후 상기 응시자 단말의 쓰기 영역에 대한 답안에 기반하여 제1 뉴럴 네트워크를 이용한 가채점 모델을 통해 상기 응시자 단말의 영역별 답안 중에서 쓰기 영역에 대한 가채점 점수를 결정할 수 있다. 예를 들어, 상기 시험 유형이 상기 제2 유형에 해당되는 것에 기반하여, 채점자 단말에게 상기 응시자 단말의 쓰기 영역의 답안에 대한 가채점 점수가 전송될 수 있다. 상기 응시자 단말의 쓰기 영역의 답안에 대한 최종 점수가 상기 채점자 단말로부터 상기 서버에게 전송될 수 있다. 상기 응시자 단말의 쓰기 영역의 답안에 대한 점수는 상기 응시자 단말의 영역별 답안에 대한 최종 점수로 결정될 수 있다.

이를 통해, 채점자 단말은 가채점 점수를 참고하여 보다 객관적으로 쓰기 영역의 답안에 대한 최종 점수를 결정할 수 있다.

단계 S514에서, 서버는 응시자 단말이 유료 옵션을 결제하였는지 여부를 결정할 수 있다. 예를 들어, 서버는 응시자 단말의 식별 정보에 따라 식별된 상기 응시자 단말에 대한 유료 옵션 내에 쓰기 영역에 대한 답안을 첨삭하는 옵션이 포함되었는지 여부를 결정할 수 있다.

단계 S515에서, 응시자 단말이 유료 옵션을 결제한 경우, 서버는 쓰기 영역의 답안에 대한 첨삭 예상 영역을 표시할 수 있다. 상기 첨삭 예상 영역은 상기 응시자 단말의 쓰기 영역에 대한 답안에서 복수의 오류 유형에 해당하는 텍스트가 위치하는 영역일 수 있다. 첨삭 예상 영역은 상기 응시자 단말의 쓰기 영역에 대한 답안에 기반하여 제2 뉴럴 네트워크를 이용한 첨삭 예상 모델을 통해 결정될 수 있다.

단계 S516에서, 서버는 첨삭 예상 영역을 표시한 쓰기 영역의 답안을 첨삭자 단말에게 전송함으로써, 쓰기 영역의 답안에 대한 첨삭이 수행될 수 있고, 상기 첨삭자 단말이 쓰기 영역의 답안에 대한 첨삭본을 검수자 단말에게 전송함으로써, 상기 첨삭본에 대한 검수가 수행될 수 있다.

단계 S517에서, 서버는 쓰기 영역의 답안에 대한 첨삭본을 응시자 단말에게 전송할 수 있다. 쓰기 영역의 답안에 대한 첨삭본은 상기 검수자 단말로부터 검수가 완료된 첨삭본일 수 있다.

단계 S518에서, 응시자 단말이 유료 옵션을 결제하지 않은 경우, 서버는 쓰기 영역의 답안에 대한 첨삭 서비스를 홍보하는 첨삭 홍보 메시지를 응시자 단말에게 전송할 수 있다.

도 6은 일 실시예에 따른 서버의 구성을 나타내는 블록도이다. 도 6의 일 실시예는 본 개시의 다양한 실시예들과 결합될 수 있다.

도 6에 도시된 바와 같이, 서버(600)는 프로세서(610), 통신부(620) 및 메모리(630)를 포함할 수 있다. 그러나, 도 6에 도시된 구성 요소 모두가 서버(600)의 필수 구성 요소인 것은 아니다. 도 6에 도시된 구성 요소보다 많은 구성 요소에 의해 서버(600)가 구현될 수도 있고, 도 6에 도시된 구성 요소보다 적은 구성 요소에 의해 서버(600)가 구현될 수도 있다. 예를 들어, 일부 실시예에 따른 서버(600)는 프로세서(610), 통신부(620) 및 메모리(630) 이외에 사용자 입력 인터페이스(미도시), 출력부(미도시) 등을 더 포함할 수도 있다.

프로세서(610)는, 통상적으로 서버(600)의 전반적인 동작을 제어한다. 프로세서(610)는 하나 이상의 프로세서를 구비하여, 서버(600)에 포함된 다른 구성 요소들을 제어할 수 있다. 예를 들어, 프로세서(610)는, 메모리(630)에 저장된 프로그램들을 실행함으로써, 통신부(620) 및 메모리(630) 등을 전반적으로 제어할 수 있다. 또한, 프로세서(610)는 메모리(630)에 저장된 프로그램들을 실행함으로써, 도 3 내지 도 5에 기재된 서버(600)의 기능을 수행할 수 있다.

통신부(620)는, 서버(600)가 다른 장치(미도시) 및 서버(미도시)와 통신을 하게 하는 하나 이상의 구성요소를 포함할 수 있다. 다른 장치(미도시)는 서버(600)와 같은 컴퓨팅 장치이거나, 센싱 장치일 수 있으나, 이에 제한되지 않는다. 통신부(620)는 네트워크를 통해, 다른 전자 장치로부터의 사용자 입력을 수신하거나, 외부 장치로부터 외부 장치에 저장된 데이터를 수신할 수 있다.

메모리(630)는, 프로세서(610)의 처리 및 제어를 위한 프로그램을 저장할 수 있다. 예를 들어, 메모리(630)는 서버에 입력된 정보 또는 네트워크를 통해 다른 장치로부터 수신된 정보를 저장할 수 있다. 또한, 메모리(630)는 프로세서(610)에서 생성된 데이터를 저장할 수 있다. 메모리(630)는 서버(600)로 입력되거나 서버(600)로부터 출력되는 정보를 저장할 수도 있다.

메모리(630)는 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예를 들어 SD 또는 XD 메모리 등), 램(RAM, Random Access Memory) SRAM(Static Random Access Memory), 롬(ROM, Read-Only Memory), EEPROM(Electrically Erasable Programmable Read-Only Memory), PROM(Programmable Read-Only Memory), 자기 메모리, 자기 디스크, 광디스크 중 적어도 하나의 타입의 저장매체를 포함할 수 있다.

이상에서 설명된 실시예들은 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치, 방법 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.

소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.

실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.

이상과 같이 실시예들이 비록 한정된 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기를 기초로 다양한 기술적 수정 및 변형을 적용할 수 있다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.

그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.

Claims (5)

1. 뉴럴 네트워크(neural network)를 이용하여 서버가 응시자 단말에게 모의고사 서비스를 제공하는 방법에서 있어서,
   응시자 단말로부터 한국어능력 시험과 관련된 모의고사를 신청하는 신청 메시지를 수신하는 단계;
   상기 신청 메시지는 상기 응시자 단말의 식별 정보, 상기 응시자 단말의 위치 정보 및 모의고사의 유형에 대한 정보를 포함하고,
   상기 모의고사의 유형에 대한 정보는 한국어능력 시험과 관련된 모의고사의 시험 유형 및 한국어능력 시험과 관련된 모의고사의 진행 유형을 포함하고,
   상기 한국어능력 시험과 관련된 모의고사의 시험 유형은 듣기 영역과 읽기 영역을 포함하는 제1 유형 및 듣기 영역, 읽기 영역 및 쓰기 영역을 포함하는 제2 유형을 포함하고,
   상기 한국어능력 시험과 관련된 모의고사의 진행 유형은 제1 진행 유형과 제2 진행 유형을 포함하고, 상기 제1 진행 유형은 온라인 고사장에 대한 개설 날짜 및 개설 시각을 결정하는 권한이 상기 응시자 단말에게 허용되고, 상기 제2 진행 유형은 온라인 고사장에 대한 개설 날짜 및 개설 시각을 결정하는 권한이 상기 서버에게 허용되고,
   상기 한국어능력 시험과 관련된 모의고사의 진행 유형이 상기 제2 진행 유형에 해당되는 것에 기반하여, 실시간 모의고사가 진행되는 온라인 고사장을 사전 설정된 개설 날짜 및 개설 시각에 생성하는 단계;
   상기 사전 설정된 개설 시각으로부터 사전 설정된 제1 시간이 경과된 이후, 상기 온라인 고사장이 개설된 것을 알리는 공지사항 메시지를 상기 응시자 단말에게 전송하는 단계;
   상기 사전 설정된 개설 시각으로부터 사전 설정된 제2 시간 이내에 상기 응시자 단말로부터 상기 온라인 고사장에 대한 입장 메시지를 수신하는 단계;
   상기 응시자 단말과 상기 서버가 연결되는 것에 기반하여, 상기 서버에 사전 입력된 실시간 모의고사에 대한 정보를 상기 응시자 단말에게 제공하는 단계;
   상기 응시자 단말로부터 상기 응시자 단말의 영역별 답안을 수신하는 단계;
   상기 한국어능력 시험과 관련된 모의고사의 시험 유형 및 상기 응시자 단말의 영역별 답안에 대한 가채점 점수에 기반하여 상기 응시자 단말의 영역별 답안에 대한 점수를 결정하는 단계; 및
   상기 응시자 단말의 영역별 답안에 대한 점수를 상기 응시자 단말에게 전송하는 단계를 포함하되,
   상기 응시자 단말의 영역별 답안 중에서 쓰기 영역에 대한 가채점 점수는 상기 실시간 모의고사가 종료된 후 상기 응시자 단말의 쓰기 영역에 대한 답안에 기반하여 제1 뉴럴 네트워크를 이용한 가채점 모델을 통해 결정되고,
   상기 시험 유형이 상기 제2 유형에 해당되고, 및 상기 응시자 단말의 식별 정보에 따라 식별된 상기 응시자 단말에 대한 유료 옵션에 쓰기 영역에 대한 답안을 첨삭하는 옵션이 포함되는 것에 기반하여, 첨삭 예상 영역이 표시된 상기 응시자 단말의 쓰기 영역에 대한 답안이 상기 서버로부터 첨삭자 단말에게 전송되고,
   상기 첨삭자 단말로부터 상기 서버에게 쓰기 영역에 대한 첨삭본이 수신되고,
   상기 서버로부터 상기 쓰기 영역에 대한 첨삭본이 상기 응시자 단말에게 전송되고,
   상기 첨삭 예상 영역은 상기 응시자 단말의 쓰기 영역에 대한 답안에 기반하여 제2 뉴럴 네트워크를 이용한 첨삭 예상 모델을 통해 결정되고,
   상기 응시자 단말과 상기 서버가 연결되는 것에 기반하여, 듣기 영역에 대한 음성 파일의 유형에 대한 정보가 상기 응시자 단말에게 전송되고,
   상기 음성 파일의 유형은 일반 음질 유형 및 음성 파일을 실제 고사장과 유사하게 처리한 실제 음질 유형을 포함하고,
   상기 응시자 단말에 의해 선택된 듣기 영역에 대한 음성 파일의 유형으로 듣기 영역에 대한 음성 파일이 재생되고,
   상기 한국어능력 시험과 관련된 모의고사의 진행 유형이 제2 진행 유형에 해당되는 것에 기반하여 듣기 영역에 대한 음성 파일에 대한 조작 버튼이 비활성화되고,
   상기 온라인 고사장에 접속된 응시자 단말의 수와 상기 서버의 능력 및 상기 서버와 응시자 단말의 통신 상태에 따라, 상기 응시자 단말과 상기 서버가 연결된 후 상기 응시자 단말에게 전송되는 문항 화면에 표시되는 문제의 최대 개수가 결정되고,
   상기 쓰기 영역의 시험 시간과 상기 읽기 영역의 시험 시간 사이의 쉬는 시간동안, 사전 설정된 개수의 쓰기 영역의 답안이 그룹핑되고, 순차적으로 그룹 단위로 상기 사전 설정된 개수의 쓰기 영역의 답안이 응시자 단말들로부터 수신되고,
   상기 사전 설정된 제1 시간은 하기 수학식에 의해 결정되고,
   

   

   
   상기 수학식에서, 상기 t₁은 상기 사전 설정된 제1 시간이고, 상기

   

   은 상기 응시자 단말과 관련된 국가의 가중치이고, 상기 n_a는 상기 모의고사에 신청한 응시자 단말의 개수이고, 상기 n_m은 모의고사에 신청하는 응시자 단말의 평균 개수이고, 상기 t_c는 상기 서버의 시스템을 점검하기 위한 시간이고, 상기

   

   는 상기 모의고사의 유형과 관련된 가중치이고, 상기 k는 상기 모의고사에서 듣기 영역의 문항 개수이고, 상기 t_i는 i번째 듣기 영역의 문항에 대한 음성 파일의 재생시간인,
   방법.
   
2. 삭제
3. 삭제
4. 제 1항에 있어서,
   상기 읽기 영역의 문항 화면에서 문제의 선택지에 대해 상기 응시자 단말의 사용자가 사전 설정된 높이 내에서 호버링 동작을 수행하는 것을 기반으로 상기 선택지가 상기 문제의 선택지와 연관된 빈 칸 영역에 표시되고,
   상기 쓰기 영역의 문항 화면에 대한 답안을 입력하는 방식을 선택하는 사용자 인터페이스가 상기 응시자 단말에게 제공되고,
   상기 쓰기 영역의 문항 화면에 대한 답안을 입력하는 방식은 상기 응시자 단말의 텍스트 필드를 이용하여 입력하는 제1 방식과 상기 응시자 단말이 제공한 이미지를 입력하는 제2 방식을 포함하고,
   상기 응시자 단말이 제공한 이미지는 상기 응시자 단말의 사용자가 직접 필기한 이미지인,
   방법.
   
5. 제 1항에 있어서,
   상기 시험 유형이 상기 제2 유형에 해당되는 것에 기반하여, 채점자 단말에게 상기 응시자 단말의 쓰기 영역의 답안에 대한 가채점 점수가 전송되고,
   상기 응시자 단말의 쓰기 영역의 답안에 대한 최종 점수가 상기 채점자 단말로부터 상기 서버에게 전송되고,
   상기 응시자 단말의 쓰기 영역의 답안에 대한 점수는 상기 응시자 단말의 영역별 답안에 대한 최종 점수로 결정되고,
   상기 가채점 모델은 GRU(gated recurrent unit) 기반 뉴럴 네트워크 모델이고,
   상기 제1 뉴럴 네트워크는 제1 입력 레이어, 하나 이상의 제1 히든 레이어 및 제1 출력 레이어를 포함하고,
   복수의 텍스트, 복수의 해답 텍스트 및 정답 가채점 점수로 구성된 각각의 제1 뉴럴 네트워크의 학습을 위한 데이터는 상기 제1 뉴럴 네트워크의 상기 제1 입력 레이어에 입력되고, 상기 하나 이상의 제1 히든 레이어 및 제1 출력 레이어를 통과하여 제1 출력 벡터를 출력하고, 상기 제1 출력 벡터는 상기 제1 출력 레이어에 연결된 제1 손실함수 레이어에 입력되고, 상기 제1 손실함수 레이어는 상기 제1 출력 벡터와 각각의 학습 데이터에 대한 제1 정답 벡터를 비교하는 제1 손실 함수를 이용하여 제1 손실값을 출력하고, 상기 제1 뉴럴 네트워크의 파라미터가 상기 제1 손실값이 작아지는 방향으로 학습되는, 상기 가채점 모델이 생성되고,
   상기 첨삭 예상 영역은 상기 응시자 단말의 쓰기 영역에 대한 답안에서 복수의 오류 유형에 해당하는 텍스트가 위치하는 영역이고,
   상기 복수의 오류 유형은 띄어쓰기에 대한 오류, 문장부호에 대한 오류, 수사에 대한 오류와 맞춤법 및 문법에 대한 오류, 글자 삭제 오류, 글자 추가 오류, 글자 대체 오류 및 글자 분리 오류를 포함하고,
   상기 첨삭 예상 모델은 양방향 LSTM(long short-term memory) 모델을 포함하고,
   상기 제2 뉴럴 네트워크는 제2 입력 레이어, 하나 이상의 제2 히든 레이어 및 제2 출력 레이어를 포함하고,
   복수의 텍스트 및 정답 복수의 오류 유형 각각에 대한 복수의 텍스트로 구성된 각각의 제2 뉴럴 네트워크의 학습을 위한 데이터는 상기 제2 뉴럴 네트워크의 상기 제2 입력 레이어에 입력되고, 상기 하나 이상의 제2 히든 레이어 및 제2 출력 레이어를 통과하여 제2 출력 벡터를 출력하고, 상기 제2 출력 벡터는 상기 제2 출력 레이어에 연결된 제2 손실함수 레이어에 입력되고, 상기 제2 손실함수 레이어는 상기 제2 출력 벡터와 각각의 학습 데이터에 대한 제2 정답 벡터를 비교하는 제2 손실 함수를 이용하여 제2 손실값을 출력하고, 상기 제2 뉴럴 네트워크의 파라미터가 상기 제2 손실값이 작아지는 방향으로 학습되는, 상기 첨삭 예상 모델이 생성되는,
   방법.
   

Images