KR102552374B1 - 인공지능 기반 메타인지 영단어 학습 플랫폼 운용 서버 및 그 동작 방법 - Google Patents

Abstract

본 발명은 인공지능 기반 메타인지 영단어 학습 플랫폼 운용 서버 및 그 동작 방법을 개시한다. 인공지능 기반 메타인지 영단어 학습 플랫폼 운용 서버는 적어도 하나의 프로세서 및 적어도 하나의 프로세서가 적어도 하나의 단계를 수행하도록 지시하는 명령어들을 저장하는 메모리를 포함할 수 있다. 여기서 적어도 하나의 단계는, 학습자의 학습 내용 평가에 대해 오답과 관련된 오답 정보를 수신하고, 수신된 오답 정보를 분석하여 저장하는 단계, 오답 정보를 기초로 학습 평가 또는 암기를 위한 문제가 포함된 시험지, 평가지 또는 문제가 수록된 플래시 카드를 생성하는 단계, 학습 내용 및 오답율을 기초로 성취도 통계, 암기율 통계 및 망각율 통계를 산출하는 단계 및 학습자들 중 상위 분위 학습자의 오답 정보, 학습자의 오답율, 미리 저장된 학습 내용, OCR을 통해 입력된 학습자 오답 정보를 기초로 학습 내용을 생성하는 단계를 포함할 수 있다.

Description

인공지능 기반 메타인지 영단어 학습 플랫폼 운용 서버 및 그 동작 방법{SERVER AND METHOD FOR OPERATING ARTIFICIAL INTELLIGENCE-BASED METACOGNITIVE ENGLISH WORD LEARNING PLATFORM}

본 발명은 인공지능을 사용한 메타 인지 영단어 학습 서비스를 제공하는 플랫폼 운용 서버 및 그 동작 방법에 관한 것으로, 더욱 상세하게는 인공지능을 사용하여 학습자의 학습 성취도에 따른 학습 내용을 제공함으로써 메타인지 영단어 학습을 제공하는 서버 및 그 동작 방법에 관한 것이다.

인터넷 매체의 발달로 학습을 하려는 학습자들은 다양한 경로와 컨텐츠로 자신이 원하는 학습 내용을 원하는 학습 방법으로 접근할 수 있게 되었다. 다양한 온라인 스트리밍 강의들이 무료로 제공되고, 필요한 경우 학습을 위한 전형적인 학습 내용들 또한 손쉽게 구할 수 있다.

다만, 이러한 다양하고 자유로운 학습 콘텐츠가 즐비함에도 불구하고, 학습 방식의 차이에 따라 그 학습 속도와 효율은 천차 만별이며, 여러 교육 업체들은 학습 효율을 극대화할 수 있는 회사의 서비스를 앞다투어 출시하기도 하였다.

종래의 학습 서비스들은 영어 단어를 암기해야 하는 경우에 있어, 스스로 자신의 학습량과 학습 진도를 체크하여 자신이 학습 관리를 직접 관리하거나, 특정 개인, 예컨대 선생님이 각 개별의 실력, 학습 속도, 학습 효율을 확인하여 학습 계획을 제공하여야 했다.

많은 학습 형태에 있어 학습자는 학습 내용 또는 학습 방식에 있어 특정 지도자를 통해 전달받은 방식대로 학습을 진행하는 경우가 다수이며, 일대다 형태의 학습 구조에서 지도자는 학습자를 효과적으로 관리할 수 없는 경우가 다수인 실정이다.

또한, 학습자는 지정된 학습 플랫폼(예: 영단어 암기 애플리케이션)에서 제공되는 학습 내용에 한정되어 자신의 필요 영역 또는 관심 영역에 대한 암기가 필요한 경우 대처할 수 있는 유연성이 부족하였고, 이로 인해 효율적인 학습이나 암기가 불가능하였으며, 많은 투자시간 대비 낮은 암기율로 학습 효율이 낮게 평가되었다.

나아가, 자기 주도적 학습에 도움이 되는 애플리케이션 또는 학습 플랫폼의 경우, 높은 자기 절제력이 요구되어 학습 지도가 필요한 학생들 보다, 자기 계발을 실천하는 성인의 사용 비중이 높은 것이 현실이다.

기존의 학습 플랫폼들은 학습자의 기호와 학습 능력 및 학습 효율을 고려하지 못하여 단순히 고정된 형태의 학습 자료만을 제공하여, 학습자의 학습 흥미를 촉진하지 못하는 문제가 있다.

이에 따라 학습자의 학습 효율을 증대시키면서 흥미를 유발할 수 있는 인공지능 기반 메타인지 영단어 학습 플랫폼에 대한 연구가 필요한 실정이다.

국내특허공보 제10-1987888호

상기와 같은 문제점을 해결하기 위한 본 발명의 목적은, 인공지능 기반 메타인지 영단어 학습 플랫폼 운용 서버 및 그 동작 방법을 제공하는 데 있다.

상기 목적을 달성하기 위한 본 발명의 일 측면은, 인공지능 기반 메타인지 영단어 학습 플랫폼 운용 서버를 제공한다.

인공지능 기반 메타인지 영단어 학습 플랫폼 운용 서버는, 적어도 하나의 프로세서(processor) 및 적어도 하나의 프로세서가 적어도 하나의 단계를 수행하도록 지시하는 명령어들(instructions)을 저장하는 메모리(memory)를 포함할 수 있다.

적어도 하나의 단계는, 학습자의 학습 내용 평가에 대해 오답과 관련된 오답 정보를 수신하고, 수신된 오답 정보를 분석하여 저장하는 단계, 오답 정보를 기초로 학습 평가 또는 암기를 위한 문제가 포함된 시험지, 평가지 또는 문제가 수록된 플래시 카드를 생성하는 단계, 학습 내용 및 오답율을 기초로 성취도 통계, 암기율 통계 및 망각율 통계를 산출하는 단계 및 학습자들 중 상위 분위 학습자의 오답 정보, 학습자의 오답율, 미리 저장된 학습 내용, OCR을 통해 입력된 학습자 오답 정보를 기초로 학습 내용을 생성하는 단계를 포함할 수 있다.

이때, 성취도 통계는 오답 탈출 시간, 오답 탈출 빈도 및 총 오답 개수를 기초로 계산된 체감 학습 레벨에 의해 산출될 수 있다.

또한, 암기율 통계는 오답 탈출 빈도, 오답의 총 개수, 평가 문제, 오답의 난이도 및 체감 학습 레벨을 기초로 계산된 가중치에 의해 산출될 수 있다.

학습 내용을 생성하는 단계는 딥러닝 기반의 텍스트 유사도(Text Similarity) 분석을 통해 학습자의 오답과 유사한 영단어를 선별하고, 선별된 유사 영단어가 적어도 하나 이상 포함된 영단어장을 생성하여 학습자에게 제공하는 단계를 더 포함할 수 있다.

또한, 학습 내용을 생성하는 단계 이후에 암기율 통계 및 망각율 통계를 기초로 학습자 망각곡선을 생성하는 단계, 학습자 망각곡선의 미분 함수로부터 학습자의 망각 속도가 가장 빠른 구간인 제1 반복구간 및 망각속도가 완만해지는 제2 반복구간을 결정하는 단계, 학습자의 학습 패턴에 따라, 제1 반복 구간에서 학습 내용 중 오답의 반복 횟수를 증가시키고, 제2 반복구간에서 오답의 반복 횟수를 감소시키는 단계 를 포함하되, 제1 반복 구간의 오답의 반복 빈도는 체감 학습 레벨을 전체 문항 개수로 나눈 값을 기준 반복 빈도에 더하고 이들의 올림 값으로 결정되며, 제2 반복 구간의 오답의 반복 빈도는 기준 반복 빈도로 변경할 수 있다.

상기와 같은 본 발명에 따른 인공지능 기반 메타인지 영단어 학습 플랫폼 운용 서버 및 그 동작 방법을 이용할 경우에는 그 학습자의 학습 효율 및 학습 성취도에 맞도록 학습 내용을 재구성하여 제공함으로써 메타인지 영단어 학습을 진행할 수 있다.

본 발명에서 얻을 수 있는 효과는 이상에서 언급한 효과들로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 아래의 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.

상기와 같은 본 발명에 따른 인공지능 기반 메타인지 영단어 학습 플랫폼 운용 서버 및 그 동작 방법을 이용할 경우에는 그 학습자의 학습 효율 및 학습 성취도에 맞도록 학습 내용을 재구성하여 제공함으로써 메타인지 영단어 학습을 진행할 수 있다.
본 발명에서 얻을 수 있는 효과는 이상에서 언급한 효과들로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 아래의 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
본 발명의 특정한 바람직한 실시예들의 상기에서 설명한 바와 같은 또한 다른 측면들과, 특징들 및 이득들은 첨부 도면들과 함께 처리되는 하기의 설명으로부터 보다 명백하게 될 것이다.
도 1은 본 발명의 일 실시예에 따른 인공지능 기반 메타인지 영단어 학습 플랫폼 운용 서버의 구동 환경을 나타낸 예시도이다.
도 2는 서버가 제공하는 메타인지 학습 기능을 설명하기 위한 개략도이다.
도 3은 학습자의 학습 통계 및 통계 정보 활용을 설명하기 위한 예시도이다.
도 4는 오답 관리부의 오답율에 따른 평가 문제 생성을 설명하기 위한 도면이다.
도 5a는 망각 곡선을 활용한 학습 내용 생성을 설명하기 위한 도면이다.
도 5b는 망각 곡선을 활용한 학습 내용 생성을 설명하기 위한 다른 도면이다.
도 6은 도 1에 따른 인공지능 기반 메타인지 영단어 학습 플랫폼 운용 서버에 대한 하드웨어 구성도이다.
상기 도면들을 통해, 유사 참조 번호들은 동일한 혹은 유사한 엘리먼트들과, 특징들 및 구조들을 도시하기 위해 사용된다는 것에 유의해야만 한다.

이하, 본 발명의 실시예를 첨부된 도면을 참조하여 상세하게 설명한다.

실시예를 설명함에 있어서 본 발명이 속하는 기술 분야에 익히 알려져 있고 본 발명과 직접적으로 관련이 없는 기술 내용에 대해서는 설명을 생략한다. 이는 불필요한 설명을 생략함으로써 본 발명의 요지를 흐리지 않고 더욱 명확히 전달하기 위함이다.

마찬가지 이유로 첨부 도면에 있어서 일부 구성요소는 과장되거나 생략되거나 개략적으로 도시되었다. 또한, 각 구성요소의 크기는 실제 크기를 전적으로 반영하는 것이 아니다. 각 도면에서 동일한 또는 대응하는 구성요소에는 동일한 참조 번호를 부여하였다.

본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시 예들을 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 개시되는 실시 예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시 예들은 본 발명의 개시가 완전하도록 하고, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다. 명세서 전체에 걸쳐 동일 참조 부호는 동일 구성 요소를 지칭한다.

이때, 처리 흐름도 도면들의 각 블록과 흐름도 도면들의 조합들은 컴퓨터 프로그램 인스트럭션들에 의해 수행될 수 있음을 이해할 수 있을 것이다. 이들 컴퓨터 프로그램 인스트럭션들은 범용 컴퓨터, 특수용 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비의 프로세서에 탑재될 수 있으므로, 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비의 프로세서를 통해 수행되는 그 인스트럭션들이 흐름도 블록(들)에서 설명된 기능들을 수행하는 수단을 생성하게 된다. 이들 컴퓨터 프로그램 인스트럭션들은 특정 방식으로 기능을 구현하기 위해 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비를 지향할 수 있는 컴퓨터 이용 가능 또는 컴퓨터 판독 가능 메모리에 저장되는 것도 가능하므로, 그 컴퓨터 이용가능 또는 컴퓨터 판독 가능 메모리에 저장된 인스트럭션들은 흐름도 블록(들)에서 설명된 기능을 수행하는 인스트럭션 수단을 내포하는 제조 품목을 생산하는 것도 가능하다. 컴퓨터 프로그램 인스트럭션들은 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비 상에 탑재되는 것도 가능하므로, 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비 상에서 일련의 동작 단계들이 수행되어 컴퓨터로 실행되는 프로세스를 생성해서 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비를 수행하는 인스트럭션들은 흐름도 블록(들)에서 설명된 기능들을 실행하기 위한 단계들을 제공하는 것도 가능하다.

또한, 각 블록은 특정된 논리적 기능(들)을 실행하기 위한 하나 이상의 실행 가능한 인스트럭션들을 포함하는 모듈, 세그먼트 또는 코드의 일부를 나타낼 수 있다. 또, 몇 가지 대체 실행 예들에서는 블록들에서 언급된 기능들이 순서를 벗어나서 발생하는 것도 가능함을 주목해야 한다. 예컨대, 잇달아 도시되어 있는 두 개의 블록들은 사실 실질적으로 동시에 수행되는 것도 가능하고 또는 그 블록들이 때때로 해당하는 기능에 따라 역순으로 수행되는 것도 가능하다.

이 때, 본 실시 예에서 사용되는 '~부'라는 용어는 소프트웨어 또는 FPGA(field-Programmable Gate Array) 또는 ASIC(Application Specific Integrated Circuit)과 같은 하드웨어 구성요소를 의미하며, '~부'는 어떤 역할들을 수행한다. 그렇지만 '~부'는 소프트웨어 또는 하드웨어에 한정되는 의미는 아니다. '~부'는 어드레싱할 수 있는 저장 매체에 있도록 구성될 수도 있고 하나 또는 그 이상의 프로세서들을 재생시키도록 구성될 수도 있다. 따라서, 일 예로서 '~부'는 소프트웨어 구성요소들, 객체지향 소프트웨어 구성요소들, 클래스 구성요소들 및 태스크 구성요소들과 같은 구성요소들과, 프로세스들, 함수들, 속성들, 프로시저들, 서브루틴들, 프로그램 코드의 세그먼트들, 드라이버들, 펌웨어, 마이크로코드, 회로, 데이터, 데이터베이스, 데이터 구조들, 테이블들, 어레이들, 및 변수들을 포함한다. 구성요소들과 '~부'들 안에서 제공되는 기능은 더 작은 수의 구성요소들 및 '~부'들로 결합되거나 추가적인 구성요소들과 '~부'들로 더 분리될 수 있다. 뿐만 아니라, 구성요소들 및 '~부'들은 디바이스 또는 보안 멀티미디어카드 내의 하나 또는 그 이상의 CPU들을 재생시키도록 구현될 수도 있다.

본 발명의 실시예들을 구체적으로 설명함에 있어서, 특정 시스템의 예를 주된 대상으로 할 것이지만, 본 명세서에서 청구하고자 하는 주요한 요지는 유사한 기술적 배경을 가지는 여타의 통신 시스템 및 서비스에도 본 명세서에 개시된 범위를 크게 벗어나지 아니하는 범위에서 적용 가능하며, 이는 당해 기술분야에서 숙련된 기술적 지식을 가진 자의 판단으로 가능할 것이다.

도 1은 본 발명의 일 실시예에 따른 인공지능 기반 메타인지 영단어 학습 플랫폼 운용 서버의 구동 환경을 나타낸 예시도이다.

도 1을 참조하면, 인공지능 기반 메타인지 영단어 학습 플랫폼 운용 서버(100)(이하, '서버'라고 함)는 사용자 단말(10)을 통해 사용자의 학습 환경에 적합한 영단어 암기를 위한 콘텐츠를 제공 및 암기 성취 및 망각에 관한 정보를 제공할 수 있다. 한편, 서버(100)는 사용자 단말(10)을 통해 사용자의 학습 통계 정보를 기초로 사용자에게 보고하기 위한 리포트를 생성하고, 사용자의 학습 통계를 기초로 다른 학습자를 위한 학습 지도를 제공할 수 있다.

이때, 사용자 단말(10)을 사용하는 사용자는 학습자, 교수자 및 관리자로 구분될 수 있으며, 학습자는 예컨대, 학생과 같이 본 발명에 따른 메타인지 영단어 학습 플랫폼을 사용하여 영단어 암기의 성취를 달성하고자 하는 사용자일 수 있다.

또한, 교수자는 교사, 강사 및 교수와 같이 사용자 단말(10)을 사용하여 학습한 학습자의 학습 통계 정보, 암기 성취도 및 망각 정보를 확인하는 사용자로서 학습자의 학습에 관한 일련의 정보를 기초로 학습자의 학습을 지도하기 위한 사용자일 수 있다. 관리자는 본 발명에 따른 인공지능 기반 메타인지 영단어 학습 플랫폼 운영 서버의 구동 조건을 설정 및 변경할 수 있는 사용자로서, 시스템 관리자 또는 학부모를 의미할 수 있다. 이하, 본 발명의 일 실시예에 따른 서버의 구동을 설명할 때 사용자는 경우에 따라 교수자 및 학습자로 호칭하나, 이에 제한되는 것은 아니다.

여기서, 사용자 단말(10)은 통신 가능한 데스크탑 컴퓨터(desktop computer), 랩탑 컴퓨터(laptop computer), 노트북(notebook), 스마트폰(smart phone), 태블릿 PC(tablet PC), 모바일폰(mobile phone), 스마트 워치(smart watch), 스마트 글래스(smart glass), e-book 리더기, PMP(portable multimedia player), 휴대용 게임기, 네비게이션(navigation) 장치, 디지털 카메라(digital camera), DMB(digital multimedia broadcasting) 재생기, 디지털 음성 녹음기(digital audio recorder), 디지털 음성 재생기(digital audio player), 디지털 동영상 녹화기(digital video recorder), 디지털 동영상 재생기(digital video player), PDA(Personal Digital Assistant) 등일 수 있다.

본 발명의 일 실시예에 따른 서버(100)는 학습자, 교수자 및 관리자의 다양한 학습에 관한 다양한 요구를 충족시키며, 각 사용자의 목표 달성을 위한 효율성을 증대할 수 있다.

예를 들어, 학습자는 영단어 암기 학습 플랫폼을 사용한 효율, 기존 암기형 플랫폼과의 차별성, 학습자별 맞춤형 관리 시스템, 간편한 수업 준비, 다양한 마케팅 기회, 성취도 평가 및 경쟁을 통한 학습에 대한 동기 부여에 대한 욕구가 있을 수 있다.

또한, 교수자는 다양한 학습자들에 대한 맞춤형 컨설팅, 간편한 수업 준비 및 학습자의 학습 성취에 관한 평가 및 통계 정보를 필요로 할 수 있다.

한편, 관리자는 학습자 및 교수자의 학습 통계 정보 및 평가 정보를 수신하여 학습에 대한 새로운 기준을 제공하는 등 학습에 직간접적 관여를 요구할 수 있다.

이를 제공하기 위하여 서버(100)는 학습자의 영단어 암기 정보를 데이터화하여 저장할 수 있다. 예컨대, 서버(100)는 영단어 데이터베이스에 저장된 영단어를 학습자에게 제공하고 학습자의 영단어 암기 성취도를 평가하여 별도의 데이터베이스에 저장할 수 있다. 또한, 서버(100)는 학습자가 자신이 직접 작성하거나 별도로 보유하고 있는 영단어 암기를 위한 암기장을 사용하여 학습을 진행한 경우 OCR(optical character reader/recognition)을 통해 학습자의 학습 현황을 산출하여 데이터베이스에 저장할 수 있다.

또한, 서버(100)는 학습자의 학습 데이터베이스를 통해 학습자의 개인별 오답율을 산출하고, 오답율에 따른 다른 조건의 학습 방법을 제시할 수 있다.

이때, 서버(100)는 학습자의 종전 학습 성취도 및 오답율을 고려하여 학습자 개인에 최적화된 맞춤형 성취 평가를 생성할 수 있으며, 서버(100)는 학습자의 성취도 및 오답율을 기초로 학습자의 학습 통계를 작성하여 학습자, 교수자 및/또는 관리자에게 제공될 리포트를 생성할 수 있다.

한편, 교수자는 서버(100)에서 생성된 각 학습자의 오답율 정보를 기초로 학습자의 개별적 관리를 제공할 수 있으며, 학습을 진행하는 모든 학습자들의 데이터를 기초로 학습자 맞춤형 관리를 제공할 수 있다.

또한, 교수자는 개별 학습자의 학습 성취 결과를 기초로 1대 다수 학습 환경을 조성할 수 있으며, 적은 인력으로도 다수의 학습자에게 개인별 맞춤형 학습 방식 및 성취도 평가를 제공할 수 있다.

이를 통해 교수자는 적은 시간을 소요하면서도 학습 준비에 소비되는 시간을 대폭 줄일 수 있으며 학습자 개인별 성취도 평가를 제공할 수 있는 맞춤형 학습 환경을 조성함으로써 학습자의 학습 효율과 교수자의 교수 및 학습자 관리 효율을 증대시킬 수 있다.

도 2는 서버가 제공하는 메타인지 학습 기능을 설명하기 위한 개략도이다.

도 1 및 도 2를 참조하면, 서버(100)는 평가부(210) 및 오답 관리부(220)를 포함할 수 있다.

평가부(210)는 학습자에게 학습 내용을 제공하고, 학습자의 성취를 평가하여 평가 결과를 저장하는 평가데이터베이스를 포함할 수 있다. 평가데이터베이스는 평가 결과를 다시 학습에 피드백(feedback)할 수 있으며, 평가 결과를 통해 생성된 오답 정보는 오답 관리부(220)의 오답데이터베이스에 저장될 수 있다.

여기서 학습 내용은, 학습 목표 및 평가의 기초가 되는 정보의 집합으로, 예를 들어, 학습자의 학습 목표가 '영어'이고, 학습의 평가 대상이 '영어'인 경우, 학습 내용은 영어를 학습하기 위한 정보들의 집합으로 예컨대, 영문법, 영단어, 숙어 및 관용어 등을 포함할 수 있다.

또한, 성취의 평가는 학습 내용을 기초로 이뤄지며, 학습자가 학습 당시 숙지한 내용의 암기, 이해, 응용 여부를 판단할 수 있는 평가일 수 있다. 예컨대, 학습 내용이 '영어'인 학습자의 경우, 학습을 통해 다양한 영문법과 영단어를 접할 수 있으며, 나아가 이들을 응용하여 사용하는 방법을 습득하게 될 수 있다.

일 예로, 성취 평가는 영단어의 암기율을 측정하는 형태로 진행될 수 있다. 이때, 평가부(210)는 학습자가 학습을 수행할 때 제공된 학습 내용 내에서 학습자가 해당 내용을 정확하게 암기하고 있는지 여부를 정량평가 하는 방식으로 사용자의 성취를 평가할 수 있다.

예컨대, 영단어 'apple', 'mind', 'bus'가 학습 내용에 포함되어 있다면, 평가부(210)는 각 영단어를 정확하게 암기하고 있는지 여부를 판단하기 위해, 영어 음역, 스펠링, 의미를 확인하는 문제를 생성하여, 그 일치율에 따른 영단어 암기 성취를 평가할 수 있다. 여기서 일치율은 오답 관리부(220)를 통해 오답율로 관리되는 것도 가능하다.

한편, 평가부(210)는 평가 결과를 평가데이터베이스에 저장하고 관리할 수 있다.

오답 관리부(220)는 평가부(210)를 통해 학습자의 학습 내용 평가에 대해 오답과 관련된 오답 정보를 평가데이터베이스에서 수신하고, 수신된 오답 정보를 분석하여 저장하는 오답데이터베이스를 포함할 수 있다. 이때, 오답 관리부(220)는 오답 정보에 기초하여 오답 기반 학습 내용을 평가부(210)에 제공할 수 있으며, 평가부(210)는 제공받은 오답 기반 학습 내용으로 학습 및 평가를 수행할 수 있다.

여기서, 오답은 학습자가 학습을 수행할 때 제공된 학습 내용 또는 정답과 평가시 학습자가 제시한 답안의 차이를 의미하는 것으로, 일반적으로 학습자의 답안이 정답과 일부라도 일치하지 않는 경우 해당 문제에 대하여는 오답으로 결정될 수 있다. 다만, 이에 제한되는 것은 아니며, 관리자 또는 교수자의 설정에 따라 학습 내용에 기초한 정답과 학습자의 답안 사이에 미리 정해진 일치율(예:95%) 미만인 경우 오답으로 결정될 수 있다.

한편, 오답 정보는 학습자가 수행한 평가에서 발생한 문제의 오답에 관련된 정보로서, 예컨대, '영단어'암기 학습을 수행하고, 평가부(210)의 평가를 위해 영단어의 암기 수준을 평가한 경우, 학습자의 주요한 오답(예: 수동태 및 능동태/시제/주술일치/어순/수 일치 등)들에 대한 통계 자료 및 취약 항목에 관한 정보를 의미할 수 있다. 또한, 정답, 해당 오답의 빈도, 반복 학습 횟수, 해당 오답이 속하는 카테고리(예: 동사, 명사, 목적어 등), 오답 문제, 오답율, 오답 카테고리, 오답 탈출 시간, 오답 탈출 빈도에 관한 정보를 포함할 수 있다.

여기서, 오답 탈출이란 학습자의 평가 결과로 발생한 오답이 평가 문제에서 제외되는 것을 의미하며, 오답 탈출 시간은 동일한 문제에 대해 학습자가 최초 오답을 제시한 이후 오답 탈출까지 소요된 시간을 의미하고, 오답 탈출 빈도란 동일한 문제에 대해 학습자가 오답으로부터 탈출할 때까지 발생시킨 오답의 빈도를 의미한다.

오답 기반 학습 내용은 오답 정보를 기초로 생성된 학습 내용으로서 오답 관리부(220)에서 미리 저장된 학습 내용, 학습자가 사용자 단말을 통해 직접 입력 또는 OCR을 통해 입력된 오답 정보일 수 있다.

또한, 오답 기반 학습 내용은 영단어 암기를 위한 암기 자료, 시험지, 플래시카드를 포함한 다양한 학습 콘텐츠를 포함할 수 있다.

이를 통해, 오답 관리부(220)는 오답 정보를 기초로 학습자의 영단어 학습을 위한 오답 기반 학습 내용을 생성할 수 있다.

학습자가 동일한 학습 방법을 유지하되, 오답 관리부(220)에서 제공되는 학습 내용을 통해 학습을 수행할 수 있고, 자신의 오답에 기초한 학습 내용을 기초로 학습을 수행함으로써 학습자 스스로 목표하는 학습을 진행할 수 있음은 물론, 학습자의 취약 학습영역을 보완하여 완성도 높은 학습 수행이 가능하다.

오답 관리부(220)는 학습자의 정보를 적용하여 학습 내용 및 문제를 생성하므로, 학습자는 자신의 학습 노하우 또는 취약점에 대한 인지와 함께 정확한 학습 내용 파악을 통해 메타인지 학습을 수행할 수 있다. 또한, 오답 관리부(220)는 학습자의 자체적인 학습 결과에 따른 문제를 생성하고, 평가부(210)의 평가 결과를 수신함으로써 객관적 학습 결과와 분석을 제공받을 수 있다.

한편, 오답 관리부(220)는 평가부(210)로부터 수신한 평가 정보를 기초로, 상위 분위 학습자의 오답 정보, 학습자의 오답율, 미리 저장된 학습 내용, OCR을 통해 입력된 학습자 오답 정보를 기초로 학습 내용을 생성할 수 있다. 예를 들어, 오답 관리부(220)는 학습자들 중 상위 분위 학습자의 오답 정보를 기초로 상기 학습자를 위한 학습 내용을 생성할 수 있다.

예컨대, 오답 관리부(220)는 학습자의 오답 정보를 기초로 평가부(210)의 학습자 평가에 사용될 수 있는 학습 내용을 생성할 수 있다. 일 예로, 오답 관리부(220)는 학습자의 오답 정보를 기초로 학습 평가 또는 암기를 위한 문제가 포함된 시험지, 평가지, 문제가 수록된 플래시 카드를 생성하여 평가부(210)에 전송할 수 있다.

평가부(210)는 수신된 문제들로 학습자를 다시 평가하거나 암기 여부를 판단함으로써, 학습자의 학습에 대한 피드백을 제공할 수 있다.

도 3은 학습자의 학습 통계 및 통계 정보 활용을 설명하기 위한 예시도이다.

도 1 및 도 3을 참조하면, 서버(100)는 통계부(310)를 더 포함할 수 있다. 통계부(310)는 학습자의 학습 내용 및 오답율에 기초한 성취도 통계, 암기율 통계 및 망각율 통계를 산출할 수 있으며, 이를 기초로 암기곡선 및 망각 곡선을 생성할 수 있다.

성취도 통계는 학습자의 전체 학습 시간, 휴식 시간, 학습 빈도, 학습공백, 평가 점수의 변동, 체감 학습 레벨 변동을 포함하여, 학습 내용에 대한 암기율 및 학습 내용의 학습 자체에 관한 성취도를 의미할 수 있다.

여기서, 학습 공백은 n번째 학습 수행 이후 n+1번째 학습을 개시할 때까지 시간을 의미하고, 평가 점수의 변동은 문제에 의한 평가로 인해 산출되는 정량적 점수, 오차율과 망각율 또는 이들을 점수화 한 값을 의미할 수 있다.

또한, 체감 학습 레벨은 각 학습자가 학습하는 학습 내용의 학습자 개인에 대한 체감 난이도에 따라 결정되는 것으로 체감 학습 레벨이 높을수록 현재 수행중인 학습 내용이 해당 학습자에 비해 높은 것을 의미한다.

일 예로, 동일한 나이 또는 학년의 학생인 학습자라고 하더라도 동일한 영단어(예: 중학교 1학년 필수 영단어 "ancient")에 대한 체감 난이도는 상이할 수 있다. 예컨대, 학습자 A는 영단어 "ancient"의 오답 탈출 빈도가 3인 반면, 학습자 B는 동일한 영단어에 대해 오답 탈출 빈도가 1일 수 있으며, 이 경우 통계부(310)는 동일한 영단어 "ancient"에 대해서도, 학습자 A 및 B에게 각각 상이한 난이도로 판단하여, 오답 탈출 빈도가 큰 학습자 A에 대해 체감 학습 레벨이 높은 것으로 결정할 수 있다. 예를 들어, 학습 레벨은 아래의 수식에 의해 산출될 수 있다.

[수학식 1]

즉, 체감 학습 레벨(LoL, Level of Learning)은 오답 탈출 시간 (IAET, Incorrect Answer Escape Time)과 오답 탈출 빈도(IAEF, Incorrect Answer Escape Frequency)의 곱을 총 오답 개수(TIA, Total Incorrect Answer)로 나눈 값으로부터 결정될 수 있다. 체감 학습 레벨은 오답이 0개인 경우 오답 탈출 빈도와 오답 탈출 시간이 0이 되어, 최소 값은 0이 된다.

다시 말하면, 오답 탈출 시간은 동일한 문제에 대해 동일한 문제에 대해 학습자가 최초 오답을 제시한 이후 오답 탈출까지 소요된 시간을 의미하는데, 예컨대, n회차 학습에서 영단어 "ancient"에 대해 오답을 입력한 학습자 A가 n+1회차 학습에서 영단어 "ancient"에 대해 정답인 의미를 입력 완료하는데 소요된 시간이 3초(s)인 경우 오답 탈출 시간은 3이 된다. 즉, 오답 탈출 시간은 학습자가 해당 정답에 대해 얼마나 높은 확신을 가지고 신속하게 해결하였는지 측정하는 지표가 될 수 있다. 또한, 동일한 예시에서 오답 탈출 빈도는 1이 된다.

이러한 예시로부터, 체감 학습 레벨을 산출하면 체감 학습 레벨은

로 구해지며 3의 값을 갖게 되며, 체감 학습 레벨이 높을수록 오답 탈출 시간 및 빈도가 증가하고, 체감 학습 레벨이 증가함으로써 현재 수행중인 학습 내용이 해당 학습자에 비해 높은 것을 의미할 수 있다.

암기율 통계는 학습자의 학습 내용에 대한 암기상태에 대한 통계로서, 예컨대, 1,000개의 영단어 중 학습자가 암기를 완료한 영단어가 800개 라면, 암기율은 80%가 될 수 있다. 이에 제한되지 않으며, 암기율 통계는 학습자가 1,000개의 영단어 중 200개의 오답 정보를 생성한 경우 200개의 오답 중 오답 탈출을 기준으로 암기율을 통계할 수 있다.

한편, 암기율은 아래의 수학식을 통해 산출될 수 있다.

[수학식 2]

여기서, 오답 탈출 빈도 (IAEF, Incorrect Answer Escape Frequency)는 앞서 설명한바와 같고, K는 오답의 총 개수,

는 평가 문제, 오답의 난이도 및 체감 학습 레벨을 기초로 교수자 또는 관리자에 의해 설정되거나 통계부(310)에서 산출된 값으로서 0 이상의 값을 갖는 가중치를 의미한다.

예를 들어, 영단어 암기 중 "apple", "bus", "cat"에 대해 오답이 발생하였고, 각각 오답을 탈출하기까지 4, 2, 3회의 오답 탈출 빈도를 가진 경우, k는 3이고, IAEF는 9이므로,

는

으로 결정된다. 또한, 관리자 또는 교수자는 오답의 난이도 또는 체감 학습 레벨을 기초로 가중치

를 설정할 수 있는데, 이때 "apple", "bus", "cat"가 낮은 난이도의 영단어로 판단하여

를 0.5로 결정한 경우, 암기율은

으로 16.67%로 결정될 수 있다.

도 4는 오답 관리부의 오답율에 따른 평가 문제 생성을 설명하기 위한 도면이다.

예를 들어, 도 4를 참조하면 오답 관리부(220)는 적어도 하나 이상의 학습자에 대한 오답율 분포를 산출하고, 미리 정리 정해진 오답율 분위에 속하는 학습자 집단의 오답 정보를 기초로 학습 내용(예: 문제 또는 영단어장)을 생성할 수 있다.

예컨대, 1,000명의 영단어 암기 학습자 중 미리 정해진 오답율(예: 오답율 상위 5%) 분위에 속하는 누적 학습자 인원수가 20명인 경우, 오답 관리부(220)는 누적 학습자 인원 20명의 오답 정보 중 해당 오답이 속하는 카테고리 및 오답율을 기초로 학습자를 학습시키기 위한 학습 내용을 포함한 영단어장을 생성할 수 있다.

일 예로, 오답 관리부(220)는 딥러닝 기반의 텍스트 유사도(Text Similarity) 분석을 통해 학습자의 오답과 유사한 영단어를 선별하고, 선별된 유사 영단어가 적어도 하나 이상 포함된 영단어장을 생성하여 학습자에게 제공할 수 있다.

다시 말하면, 텍스트 벡터화를 통해 여러 영단어들을 벡터화 시켜 각 단어들의 벡터값을 비교함으로써 영단어들 사이에서 유사도를 판단할 수 있다. 예컨대, 원-핫 인코딩 기법(One-hot encoding)을 통해 영단어 서로 대응되는 벡터값을 생성할 수 있으며, 영단어의 유사도는 TF-IDF 벡터 값을 사용할 수 있다. 여기서 TF(Term Frequency)는 그 단어가 주어진 데이터 내에서 나타나는 횟수를 의미하고, DF(Document Frequency)는 그 단어가 다른 문장에서 등장하는 빈도를 나타내는 빈도값이며, IDF(Inverse Document Frequency)는 DF 값의 역수이다. 이때, TF-IDF 벡터값은 TF-IDF=TF × IDF로 결정될 수 있다.

즉, TF-IDF는 특정 영단어가 주어진 데이터 내에서 등장하는 빈도가 높으나 다른 데이터 내에서 나타나는 빈도가 작을수록 높은 값을 갖는다. 결과적으로 문장 또는 단어들 사이의 유사도는 TF-IDF 벡터값 사이의 코사인 유사도(Cosine Similarity)를 통해 결정될 수 있고, 이때 유사도 값은 -1~1 사이의 값의 범위에서 1에 가까울수록 유사한 영단어이다.

한편, 이에 제한되지 않으며, 유사 영단어는 미리 오답의 동의어, 유의어 및 반의어를 포함할 수 있고, 오답 관리부(220)는 선별된 유사 영단어가 적어도 하나 이상 포함된 영단어장을 생성하여 학습자에게 제공할 수 있다.

이를 통해, 학습자는 오답 및 오답과 혼동될 수 있는 유사한 영단어를 구별하는 능력을 향상시킴과 동시에 오답에 대한 확실한 피드백을 얻을 수 있다.

망각율 통계는 학습자가 학습 내용 및 암기 내용의 망각하는 비율을 의미하는 것으로, 예컨대, 1,000개의 영단어 중 암기를 완료한 영단어가 800개라면, 해당 학습자의 암기율은 80%가 되는데, 이미 암기가 완료된 단어이지만 학습 완료 시간의 경과에 따라 망각할 수 있다. 또한, 학습자가 1,000개의 영단어 중 200개의 오답 정보를 생성한 이후 200개의 오답 중 오답 탈출한 영단어가 100개인데, 추후 오답 탈출한 영단어 100개 중 50개의 영단어만 암기 지속하고 있는 경우 망각율을 50%로 통계할 수 있다.

이때, 통계부(310)는 학습자의 망각율에 따른 망각 곡선을 생성하고 시간에 따른 망각율 변화에 따라 재학습 또는 반복학습을 위한 학습 내용을 생성할 수 있다.

도 5a 및 5b는 망각 곡선을 활용한 학습 내용 생성을 설명하기 위한 도면이다.

도 5a를 참조하면, 학습 종료 후 암기율은 시간의 흐름에 따라 기하급수적으로 감소하는 형태의 망각곡선(40, 41)을 그린다. 이때, 기준 망각곡선(40)은 교수자 또는 관리자의 설정에 따라 해당 학습자의 수준을 고려하여 미리 설정된 형태로 생성될 수 있다. 일 예로, 기준 망각곡선(40)에 따르면, 학습 종료 후 20분 뒤 암기율을 50%로 감소하고, 1시간 뒤 암기율은 44%로 감소하고, 1일 뒤 암기율은 33%로 감소하고, 31일뒤 암기율은 21% 수준으로 감소할 수 있다.

다만, 이에 제한되는 것은 아니며, 통계부(310)는 교수자 또는 관리자의 설정에 따라 시간에 따른 암기율 변화량을 조절할 수 있다. 예컨대, 통계부(310)는 교수자 또는 관리자의 설정에 따라 학습 종료 후 20분 뒤 암기율을 40%로 감소하고, 1시간 뒤 암기율은 34%로 감소하고, 1일 뒤 암기율은 28%로 감소하고, 31일뒤 암기율은 15% 수준으로 감소하는 것으로 설정할 수 있다.

한편, 통계부(310)는 암기율 통계 및 망각율 통계를 기초로 학습자 망각곡선(41)을 생성할 수 있다. 예를 들어, 통계부(310)는 학습자의 평가부(210) 및 오답 관리부(220)로부터 오답 정보를 수신하여, 학습자의 오답 정보에 기반한 학습 내용을 제공하고, 평가를 반복할 수 있다. 이를 통해, 통계부(310)는 학습자 망각곡선(41)을 생성할 수 있으며, 일 예로, 도 5a를 참조하면 학습자는 학습 종료후 20분 뒤 암기율이 65%로 감소하였고, 1시간 뒤 암기율은 50%로 감소하고, 1일 뒤 암기율은 40%로 감소하고, 31일뒤 암기율은 30% 수준으로 감소하였으며, 통계부(310)는 해당 암기율의 변화에 따라 학습자 망각 곡선(41)을 생성하였으며, 이는 기준 망각곡선(40)의 위에 위치하여, 교수자 또는 관리자가 정한 기준 망각 곡선(40)보다 암기율이 높고, 망각율이 낮은 학습자임을 확인할 수 있다.

이때, 통계부(310)는 학습자 망각곡선(41)의 미분 함수로부터 해당 학습자의 망각 속도가 가장 빠른 구간인 제1 반복구간 및 망각속도가 완만해지는 제2 반복구간을 결정할 수 있다. 제1 반복구은 학습자 망각 곡선(41)의 기울기의 변화가 가장 큰 구간으로, 학습자의 망각 속도가 가장 빠름을 의미하고, 제2 반복구간은 학습자 망각 곡선(41)의 기울기의 변화가 작아지기 시작하는 구간으로서 망각의 안정기에 들어오는 구간의 시작점을 의미할 수 있다.

다시 말하면, 학습자 망각곡선(41)은 아래로 볼록하며 시간의 흐름에 따라 감소하는 형태의 곡선인데, 이 함수의 1차 미분함수는 음의 값에서 시작하여 시간의 흐름에 따라 점차 증가하여 x축에 근접하는 형태의 곡선을 그릴 수 있다. 예컨대, 다른 학습자 망각 곡선이

의 형태라면, 학습자 망각곡선의 1차 미분함수는

로 표현될 수 있다.

다른 예로, 통계부(310)는 암기율 통계 및 망각율 통계를 기초로 학습자 망각곡선(42)을 생성할 수 있다. 예컨대, 도 5b를 참조하면 학습자는 학습 종료후 20분 뒤 암기율이 55%로 감소하였고, 1시간 뒤 암기율은 40%로 감소하고, 1일 뒤 암기율은 30%로 감소하고, 31일뒤 암기율은 15% 수준으로 감소하였으며, 통계부(310)는 해당 암기율의 변화에 따라 학습자 망각 곡선(42)을 생성하였으며, 이는 기준 망각곡선(40)의 아래에 위치하여, 교수자 또는 관리자가 정한 기준 망각 곡선(40)보다 암기율이 낮고, 망각율이 높은 학습자임을 확인할 수 있다.

이처럼, 통계부(310)는 학습자의 암기율 및 망각율 통계와 망각 곡선을 통해 학습자의 학습 패턴을 객관적 지표를 기초로 파악할 수 있으며, 학습자의 학습 패턴에 대한 의식적 문제 인식 없이도 메타인지 영단어 학습을 제공할 수 있다.

이때, 오답 관리부(220)는 학습자의 학습 패턴에 따라, 제1 반복 구간에서 학습 내용 중 오답의 반복 횟수를 증가시키고, 제2 반복구간에서 오답의 반복 횟수를 감소시킬 수 있다.

이때, 제1 반복 구간의 오답의 반복 빈도는 체감 학습 레벨에 기초하여 아래의 수학식을 통해 조절할 수 있다.

[수학식 3]

다시 말하면, 반복 빈도(RF, Repeat Frequency)는 체감 학습 레벨을 전체 문항 개수(TQ, Total Question)로 나눈 값을 기준 반복 빈도(RRF, Reference Repeat Frequency)에 더하고 이들의 올림 값으로 결정되며 0 이상의 값을 갖는다.

예를 들어, LoL이 10이고(예: IAET, IAEF 각 10, TIA 10을 가정) 출제되는 전체 문제가 100개이면서 RRF가 1인 경우, RF는 1.1의 올림 값인 2가 된다.

이에 따라 오답 관리부(220)는 전체 문항에서 오답의 출현 빈도를 기준 반복 빈도인 1보다 두배 많은 2 수준으로 출현하도록 조정할 수 있다.

다른 예로, LoL이 200이고(예: IAET, IAEF 각 200, TIA 200을 가정) 출제되는 전체 문제가 100개이면서 RRF가 1인 경우, RF는 3이 된다. 이 경우, 오답 관리부(220)는 전체 문항에서 오답의 출현 빈도를 기준 반복 빈도인 1보다 세배 많은 3 수준으로 출현하도록 조정할 수 있다.

즉, 반복 빈도는 체감 학습 레벨이 높을수록 증가하고, 전체 문항의 수를 고려하여 결정되는 값이며, 체감 학습 레벨이 높을수록 반복 빈도를 증가시킴으로서 학습자의 학습 집중도와 효율을 증대시킬 수 있다.

한편, 오답 관리부(220)는 제2 반복 구간에서 오답의 반복 빈도를 기준 반복 빈도(RRF, Reference Repeat Frequency)로 변경함으로써 다른 학습 내용들과의 학습 균형을 맞출 수 있다.

이를 통하여 서버(100)는 각 학습자의 학습 패턴과 인지능력에 따라 오답 정보를 기초로한 학습 내용을 제공하고 반복적인 평가를 진행함으로써 점진적 암기율 향상 및 망각율 감소의 효과를 제공하는 영단어 학습 플랫폼을 제공할 수 있다.

도 6은 도 1에 따른 인공지능 기반 메타인지 영단어 학습 플랫폼 운용 서버에 대한 하드웨어 구성도이다.

도 6을 참조하면, 인공지능 기반 메타인지 영단어 학습 플랫폼 운용 서버(600)는, 적어도 하나의 프로세서(processor, 610) 및 적어도 하나의 프로세서(610)가 적어도 하나의 단계를 수행하도록 지시하는 명령어들(instructions)을 저장하는 메모리(memory, 620)를 포함할 수 있다.

여기서 적어도 하나의 프로세서(610)는 중앙 처리 장치(central processing unit, CPU), 그래픽 처리 장치(graphics processing unit, GPU), 또는 본 발명의 실시예들에 따른 방법들이 수행되는 전용의 프로세서를 의미할 수 있다. 메모리(620) 및 저장 장치(660) 각각은 휘발성 저장 매체 및 비휘발성 저장 매체 중에서 적어도 하나로 구성될 수 있다. 예를 들어, 메모리(620)는 읽기 전용 메모리(read only memory, ROM) 및 랜덤 액세스 메모리(random access memory, RAM) 중에서 적어도 하나로 구성될 수 있다.

또한, 인공지능 기반 메타인지 영단어 학습 플랫폼 운용 서버(600)는, 무선 네트워크를 통해 통신을 수행하는 송수신 장치(transceiver, 630)를 포함할 수 있다. 또한, 인공지능 기반 메타인지 영단어 학습 플랫폼 운용 서버 (600)는 입력 인터페이스 장치(640), 출력 인터페이스 장치(650), 저장 장치(660) 등을 더 포함할 수 있다. 인공지능 기반 메타인지 영단어 학습 플랫폼 운용 서버(600)에 포함된 각각의 구성 요소들은 버스(bus, 670)에 의해 연결되어 서로 통신을 수행할 수 있다.

본 발명에 따른 방법들은 다양한 컴퓨터 수단을 통해 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 컴퓨터 판독 가능 매체에 기록되는 프로그램 명령은 본 발명을 위해 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다.

컴퓨터 판독 가능 매체의 예에는 롬(ROM), 램(RAM), 플래시 메모리(flash memory) 등과 같이 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함될 수 있다. 프로그램 명령의 예에는 컴파일러(compiler)에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터(interpreter) 등을 사용해서 컴퓨터에 의해 실행될 수 있는 고급 언어 코드를 포함할 수 있다. 상술한 하드웨어 장치는 본 발명의 동작을 수행하기 위해 적어도 하나의 소프트웨어 모듈로 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.

또한, 상술한 방법 또는 장치는 그 구성이나 기능의 전부 또는 일부가 결합되어 구현되거나, 분리되어 구현될 수 있다.

상기에서는 본 발명의 바람직한 실시예를 참조하여 설명하였지만, 해당 기술 분야의 숙련된 당업자는 하기의 특허 청구의 범위에 기재된 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다.

Claims (5)

1. 인공지능 기반 메타인지 영단어 학습 플랫폼 운용 서버로서,
   적어도 하나의 프로세서; 및
   상기 적어도 하나의 프로세서가 적어도 하나의 단계를 수행하도록 지시하는 명령어들을 저장하는 메모리를 포함하고,
   상기 적어도 하나의 단계는,
   학습자의 학습 내용 평가에 대해 오답과 관련된 오답 정보를 수신하고, 수신된 상기 오답 정보를 분석하여 저장하는 단계;
   상기 오답 정보를 기초로 학습 평가 또는 암기를 위한 문제가 포함된 시험지, 평가지 또는 문제가 수록된 플래시 카드를 생성하는 단계;
   상기 학습 내용 및 오답율을 기초로 성취도 통계, 암기율 통계 및 망각율 통계를 산출하는 단계;
   학습자들 중 상위 분위 학습자의 오답 정보, 오답율, 미리 저장된 학습 내용 및 OCR을 통해 입력된 학습자 오답 정보를 기초로 학습 내용을 생성하는 단계;
   상기 암기율 통계 및 상기 망각율 통계를 기초로 학습자 망각곡선을 생성하는 단계;
   상기 학습자 망각곡선의 미분 함수로부터 상기 학습자의 망각 속도가 가장 빠른 구간인 제1 반복 구간 및 상기 망각 속도가 완만해지는 제2 반복 구간을 결정하는 단계; 및
   상기 학습자의 학습 패턴에 따라, 상기 제1 반복 구간에서 학습 내용 중 오답의 반복 횟수를 증가시키고, 상기 제2 반복 구간에서 오답의 반복 횟수를 감소시키는 단계;를 포함하되,
   상기 성취도 통계는,
   동일한 문제에 대해 상기 학습자가 최초 오답을 제시한 이후 오답을 탈출할 때까지 소요된 시간인 오답 탈출 시간과 동일한 문제에 대해 상기 학습자가 오답으로부터 탈출할 때까지 발생시킨 오답의 빈도인 오답 탈출 빈도의 곱을 총 오답 개수로 나누어 계산된 체감 학습 레벨에 의해 산출되고,
   상기 제1 반복 구간의 오답의 반복 빈도는,
   상기 체감 학습 레벨을 전체 문항 개수로 나눈 값을 기준 반복 빈도에 더하고 이들의 올림 값으로 결정되며,
   상기 제2 반복 구간의 오답의 반복 빈도는,
   상기 기준 반복 빈도로 변경하여 결정되는 것을 특징으로 하는,
   서버.
   
2. 삭제
3. 청구항 1에서,
   상기 암기율 통계는,
   오답 탈출 빈도, 오답의 총 개수, 평가 문제, 오답의 난이도 및 체감 학습 레벨을 기초로 계산된 가중치에 의해 산출되는 것을 특징으로 하는,
   서버.
   
4. 청구항 1에서,
   상기 학습 내용을 생성하는 단계는,
   딥러닝 기반의 텍스트 유사도(Text Similarity) 분석을 통해 상기 학습자의 오답과 유사한 영단어를 선별하고, 선별된 유사 영단어가 적어도 하나 이상 포함된 영단어장을 생성하여 학습자에게 제공하는 단계;를 더 포함하는,
   서버.
   
5. 삭제

Images