KR102553818B1 - Method, device and system for providing children's educational content using an artificial intelligence model based on educational learning data - Google Patents
Method, device and system for providing children's educational content using an artificial intelligence model based on educational learning data Download PDFInfo
- Publication number
- KR102553818B1 KR102553818B1 KR1020230032511A KR20230032511A KR102553818B1 KR 102553818 B1 KR102553818 B1 KR 102553818B1 KR 1020230032511 A KR1020230032511 A KR 1020230032511A KR 20230032511 A KR20230032511 A KR 20230032511A KR 102553818 B1 KR102553818 B1 KR 102553818B1
- Authority
- KR
- South Korea
- Prior art keywords
- learning
- child
- field
- information
- education
- Prior art date
Links
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 25
- 238000000034 method Methods 0.000 title claims description 38
- 238000011156 evaluation Methods 0.000 claims abstract description 9
- 238000013528 artificial neural network Methods 0.000 claims description 25
- 230000000153 supplemental effect Effects 0.000 claims description 4
- 230000015654 memory Effects 0.000 description 47
- 230000005540 biological transmission Effects 0.000 description 20
- 230000008569 process Effects 0.000 description 20
- 238000005516 engineering process Methods 0.000 description 13
- 230000006870 function Effects 0.000 description 13
- 238000012545 processing Methods 0.000 description 13
- 238000010801 machine learning Methods 0.000 description 7
- 238000012549 training Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 230000007423 decrease Effects 0.000 description 5
- 230000014509 gene expression Effects 0.000 description 5
- 239000000463 material Substances 0.000 description 5
- 230000008520 organization Effects 0.000 description 5
- 238000012546 transfer Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000033001 locomotion Effects 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 238000004590 computer program Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 206010048909 Boredom Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000003278 mimic effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008450 motivation Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06Q50/205—Education administration or guidance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/951—Indexing; Web crawling techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9536—Search customisation based on social or collaborative filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
-
- 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
- G09B5/00—Electrically-operated educational appliances
- G09B5/06—Electrically-operated educational appliances with both visual and audible presentation of the material to be studied
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Tourism & Hospitality (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Educational Technology (AREA)
- Educational Administration (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Primary Health Care (AREA)
- Human Resources & Organizations (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Electrically Operated Instructional Devices (AREA)
Abstract
일실시예에 따른 장치는 부모의 단말로부터 부모 정보 및 자녀의 자녀 정보를 수신하고, 학습 데이터베이스로부터 자녀의 학습 자료를 수집하고, 학습 자료의 학습 평가 자료로부터 자녀의 교육 학습도 정보를 생성하고, 자녀가 조회하거나 게시한 SNS 콘텐츠를 확인하고, SNS 콘텐츠로부터 키워드를 추출하고, 추출된 키워드를 기반으로, 관심 분야 정보를 생성하고, 자녀 정보로부터 자녀의 나이대에 해당하는 학생이 학습하는 분야에 대한 또래 학습 정보를 생성하고, 교육 학습도 정보, 관심 분야 정보 및 또래 학습 정보에 기초하여, 자녀에 대응하는 부모의 자녀 교육 전략을 인공지능모델을 통해 생성하고, 자녀 교육 전략을 이용하여 자녀 교육 콘텐츠를 생성하고, 자녀 교육 전략 및 자녀 교육 콘텐츠를 부모의 단말로 전송할 수 있다.An apparatus according to an embodiment receives parent information and child information of a child from a parent terminal, collects child learning data from a learning database, generates education and learning degree information of a child from learning evaluation data of the learning data, Check the SNS content viewed or posted by your child, extract keywords from the SNS content, create interest field information based on the extracted keywords, and learn from the child information Create peer learning information, based on educational learning information, interest field information, and peer learning information, parents' child education strategies corresponding to their children are created through artificial intelligence models, and children's education content is used by using the children's education strategies and transmit the child education strategy and child education content to the parent's terminal.
Description
아래 실시예들은 교육 학습도 데이터를 기반으로 인공지능모델을 활용하여 자녀 교육 콘텐츠를 제공하는 기술에 관한 것이다.The following embodiments relate to technology for providing educational content to children by using an artificial intelligence model based on educational learning data.
최근 인터넷의 범용화 및 이동통신 서비스의 발달에 따라 많은 부분에서 정보의 혁명이 일어나고 있고 지금도 지속적인 발전이 거듭되고 있다. 이에 따라 인터넷을 이용한 교육 시스템인 온라인 학습 시스템들도 점차 증가하는 추세에 있고 인터넷을 매개체로 한 온라인 교육을 통해 학원 공간의 한계를 극복하고 있다.Recently, with the generalization of the Internet and the development of mobile communication services, a revolution of information is taking place in many areas, and continuous development is still being repeated. Accordingly, online learning systems, which are educational systems using the Internet, are gradually increasing, and through online education using the Internet as a medium, the limitations of private academies are being overcome.
즉, 근래에 들어 인터넷 및 이동통신 서비스의 사용이 대중화되면서 인터넷을 통해 다양한 학습 콘텐츠를 제공하는 서비스를 이용하는 사람들이 늘어나고 있다.That is, as the use of the Internet and mobile communication services have become popular in recent years, more and more people are using services that provide various learning contents through the Internet.
학생들이 학습 콘텐츠를 이용하여 학습할 때, 학습 콘텐츠의 내용이 이해가 가지 않거나 설명이 필요한 경우, 혹은 학습의 동기 부여가 필요한 경우 등의 상황에서 부모님의 역할 또한 중요해지고 있다. 하지만, 기존의 교육 콘텐츠 제공 시스템은 학생을 위한 교육 콘텐츠만을 제공하고 있다는 한계점이 있었다.The role of parents is also becoming more important in situations such as when students learn using learning content, when the content of learning content is not understood or explanation is required, or when motivation for learning is needed. However, the existing educational content provision system has a limitation in that it provides only educational content for students.
따라서, 자녀의 교육 학습도 데이터를 기반으로 인공지능모델을 활용하여 부모를 위한 자녀 교육 콘텐츠를 제공하는 기술에 대한 개발이 요구되는 실정이다.Therefore, there is a need to develop a technology for providing educational content for parents by using an artificial intelligence model based on data for children's education and learning.
실시예들은 교육 학습도 데이터를 기반으로 인공지능모델을 활용하여 자녀 교육 콘텐츠를 제공하고자 한다.Embodiments are intended to provide children's educational content by utilizing an artificial intelligence model based on educational learning data.
실시예들은 인공지능모델을 이용하여 교육 분야 전략 및 교육 시간 전략을 포함하는 자녀 교육 전략을 생성하고자 한다.Embodiments attempt to generate a child education strategy including an education field strategy and an education time strategy using an artificial intelligence model.
실시예들은 자녀 교육 전략에 포함된 학습 분야의 우선도에 따라 강의 커리큘럼을 생성하고자 한다.Embodiments seek to create a curriculum of lectures according to the priorities of areas of learning included in the child's education strategy.
일실시예에 따르면, 장치에 의해 수행되는 방법은 부모의 단말로부터 부모 정보 및 자녀의 자녀 정보를 수신하는 단계; 학습 데이터베이스로부터 상기 자녀의 학습 자료를 수집하는 단계; 상기 학습 자료의 학습 평가 자료로부터 상기 자녀의 교육 학습도 정보를 생성하는 단계; 상기 자녀가 조회하거나 게시한 SNS 콘텐츠를 확인하고, 상기 SNS 콘텐츠로부터 키워드를 추출하는 단계; 상기 추출된 키워드를 기반으로, 관심 분야 정보를 생성하는 단계; 상기 자녀 정보로부터 상기 자녀의 나이대에 해당하는 학생이 학습하는 분야에 대한 또래 학습 정보를 생성하는 단계; 상기 교육 학습도 정보, 상기 관심 분야 정보 및 상기 또래 학습 정보에 기초하여, 상기 자녀에 대응하는 부모의 자녀 교육 전략을 인공지능모델을 통해 생성하는 단계; 상기 자녀 교육 전략을 이용하여 자녀 교육 콘텐츠를 생성하는 단계; 및 상기 자녀 교육 전략 및 상기 자녀 교육 콘텐츠를 상기 부모의 단말로 전송하는 단계를 포함할 수 있다.According to one embodiment, a method performed by a device includes receiving parent information and child information of a child from a terminal of a parent; collecting the child's learning data from a learning database; generating educational learning degree information of the child from learning evaluation data of the learning data; Checking SNS content viewed or posted by the child, and extracting keywords from the SNS content; generating field of interest information based on the extracted keyword; generating peer learning information about a field in which a student corresponding to the age of the child learns from the child information; generating a parent's child education strategy corresponding to the child through an artificial intelligence model, based on the educational learning degree information, the field of interest information, and the peer learning information; generating child education contents using the child education strategy; and transmitting the child education strategy and the child education content to the terminal of the parent.
상기 인공지능모델은 제1 인공신경망 및 제2 인공신경망을 포함하고, 상기 인공지능모델을 통해 상기 자녀 교육 전략을 생성하는 단계는, 상기 교육 학습도 정보, 상기 관심 분야 정보 및 또래 학습 정보에 기초하여 제1 입력 신호를 생성하는 단계, 상기 제1 입력 신호를 상기 제1 인공신경망에 적용하여 제1 출력 신호를 생성하고, 상기 제1 출력 신호에 기초하여 상기 자녀 교육 콘텐츠의 교육 분야 전략을 생성하는 단계, 상기 교육 학습도 정보로부터, 상기 자녀의 오답 비율을 확인하는 단계, 상기 자녀 정보로부터 상기 자녀의 나이대에 해당하는 또래 자녀의 부모를 확인하는 단계, 상기 또래 자녀의 부모에 대한 정보인 또래 부모 정보를 획득하는 단계, 상기 또래 부모 정보로부터, 전체 여유 시간에서 자녀 교육 학습 시간이 차지하는 비율인 자녀 교육 시간 비율을 산출하는 단계, 상기 또래 부모 정보로부터, 전체 지출 비용에서 자녀 교육 비용이 차지하는 비율인 자녀 교육 지출 비율을 산출하는 단계, 상기 오답 비율, 상기 자녀 교육 시간 비율 및 상기 자녀 교육 지출 비율에 기초하여 제2 입력 신호를 생성하는 단계, 상기 제2 입력 신호를 상기 제2 인공신경망에 적용하여 제2 출력 신호를 생성하고, 상기 제2 출력 신호에 기초하여 상기 자녀 교육 콘텐츠의 교육 시간 전략을 생성하는 단계, 및 상기 교육 분야 전략 및 상기 교육 시간 전략을 결합하여, 상기 자녀 교육 콘텐츠에 대한 상기 자녀 교육 전략을 생성하는 단계를 포함할 수 있다.The artificial intelligence model includes a first artificial neural network and a second artificial neural network, and the step of generating the child education strategy through the artificial intelligence model is based on the educational learning degree information, the interest field information, and peer learning information. generating a first input signal, applying the first input signal to the first artificial neural network to generate a first output signal, and based on the first output signal, generating an educational field strategy for the child's educational content step of checking the child's incorrect answer rate from the education and learning degree information, step of checking the parents of the child's age group corresponding to the child's age from the child information, peer information about the parent of the child of the same age Obtaining parental information; Calculating a percentage of child education time, which is a percentage of child education and learning time in total spare time, from the peer parent information; a percentage of child education expense out of total spending expense, based on the peer parent information Calculating a ratio of child education expenditure of , generating a second input signal based on the ratio of incorrect answers, the ratio of child education time, and the ratio of child education expenditure, applying the second input signal to the second artificial neural network generating a second output signal, and generating an education time strategy of the child education content based on the second output signal, and combining the education field strategy and the education time strategy to obtain information about the child education content. A step of generating the child education strategy may be included.
상기 자녀 교육 전략을 이용하여 자녀 교육 콘텐츠를 생성하는 단계는, 상기 자녀 교육 전략에 포함된 학습 분야를 확인하는 단계, 교육 콘텐츠 데이터베이스에서 상기 학습 분야에 대응하는 교육 콘텐츠를 추출하는 단계, 상기 자녀 교육 전략에 포함된 학습 분야의 우선도를 확인하는 단계, 상기 학습 분야 중 우선도가 가장 높은 제1 학습 분야와 관련하여, 강사가 서로 다른 제1 교육 콘텐츠 및 제2 교육 콘텐츠를 선정하는 단계, 상기 학습 분야 중 우선도가 가장 낮은 제2 학습 분야와 관련하여, 상기 교육 콘텐츠 데이터베이스에 포함된 상기 제2 학습 분야와 관련된 교육 콘텐츠 중 강의 시간이 미리 설정된 기준 이하인 제3 교육 콘텐츠를 선정하는 단계, 상기 제1 교육 콘텐츠, 상기 제3 교육 콘텐츠 및 상기 제2 교육 콘텐츠 순으로 강의 커리큘럼을 생성하는 단계, 영상 데이터베이스로부터 상기 제1 학습 분야와 관련된 영상 중 미리 설정된 조회수 및 미리 설정된 관심 지수를 만족하는 학습 관련 영상을 추출하는 단계, 뉴스 데이터베이스로부터 상기 제1 학습 분야와 관련된 기사 중 미리 설정된 조회수 및 미리 설정된 관심 지수를 만족하는 학습 관련 기사를 추출하는 단계, 및 상기 강의 커리큘럼에서 상기 제1 교육 콘텐츠와 상기 제3 교육 콘텐츠 사이 및 상기 제3 교육 콘텐츠와 상기 제2 교육 콘텐츠 사이에 상기 학습 관련 영상 및 상기 학습 관련 기사를 삽입하는 단계를 포함할 수 있다.The step of generating child education contents using the child education strategy may include: identifying a learning field included in the child education strategy; extracting educational content corresponding to the learning field from an education content database; Confirming the priority of the learning field included in the strategy, in relation to the first learning field having the highest priority among the learning fields, selecting different first educational contents and second educational contents by the instructor; In relation to a second learning field having the lowest priority among learning fields, selecting third educational content whose lecture time is less than or equal to a preset standard among educational contents related to the second learning field included in the educational content database; Creating a lecture curriculum in the order of the first educational content, the third educational content, and the second educational content, learning-related that satisfies a preset number of views and a preset interest index among images related to the first learning field from an image database. Extracting images, extracting learning-related articles that satisfy a preset number of hits and a preset interest index among articles related to the first learning field from a news database, and extracting the first educational content and the first educational content from the lecture curriculum. and inserting the learning-related video and the learning-related article between 3 educational contents and between the third educational contents and the second educational contents.
상기 장치에 의해 수행되는 방법은 상기 자녀 교육 콘텐츠를 상기 부모의 단말로 전송하는 단계 이후, 상기 자녀 교육 콘텐츠에 대하여, 상기 부모의 분야 별 학습 이해도를 확인하는 단계; 상기 부모의 분야 별 학습 이해도가 미리 설정된 기준을 만족하는 분야의 학습을 종료하는 단계; 상기 부모의 분야 별 학습 이해도가 미리 설정된 기준을 만족하지 않는 분야의 학습 반복 횟수를 산출하는 단계; 및 상기 학습 반복 횟수에 따라 보충 콘텐츠를 생성하여, 상기 보충 콘텐츠를 상기 부모의 단말로 전송하는 단계를 더 포함할 수 있다.The method performed by the device may include, after the step of transmitting the child education content to the terminal of the parent, checking the parent's level of learning understanding for each field with respect to the child education content; terminating learning in a field in which the parent's level of understanding of learning for each field satisfies a preset standard; Calculating the number of repetitions of learning in a field in which the parent's level of learning understanding for each field does not satisfy a preset criterion; and generating supplementary content according to the number of learning iterations, and transmitting the supplementary content to the parent terminal.
상기 학습 반복 횟수는, 상기 부모의 분야 별 학습 이해도가 미리 설정된 기준을 만족하지 않는 분야가 상기 관심 분야 정보에 해당하는 분야와 일치하는 경우, 상기 SNS 콘텐츠로부터 추출된 키워드 중에서 상기 관심 분야 정보에 대응하는 관심 키워드가 차지하는 비율인 관심 비율에 비례하여 결정되고, 상기 부모의 분야 별 학습 이해도가 미리 설정된 기준을 만족하지 않는 분야가 상기 관심 분야 정보에 해당하는 분야와 일치하지 않는 경우, 미리 설정된 기준을 만족하지 않는 분야에서의 상기 자녀의 오답 비율에 비례하여 결정될 수 있다.The number of learning iterations corresponds to the field of interest information among keywords extracted from the SNS content, when a field in which the parent's learning understanding for each field does not satisfy a preset criterion matches the field corresponding to the field of interest information. It is determined in proportion to the interest rate, which is the ratio occupied by the interest keyword, and if the field in which the parent's learning understanding by field does not satisfy the preset criterion does not match the field corresponding to the interest field information, the preset criterion It may be determined in proportion to the ratio of the child's incorrect answer in the field to which he or she is not satisfied.
상기 장치에 의해 수행되는 방법은, 상기 자녀 교육 콘텐츠를 상기 부모의 단말로 전송하는 단계 이후, 상기 부모의 단말 및 자녀의 단말 간의 메모리 동기화가 요청되면, 상기 부모의 단말의 메모리에 저장되어 있는 파일들의 리스트인 제1 파일 리스트와 상기 자녀의 단말의 메모리에 저장되어 있는 파일들의 리스트인 제2 파일 리스트를 획득하는 단계; 상기 제1 파일 리스트 및 상기 제2 파일 리스트를 비교한 결과, 상기 제1 파일 리스트에 포함된 파일들 중 제1 파일이 상기 제2 파일 리스트에 포함되어 있지 않은 것으로 확인되면, 상기 부모의 단말과 상기 자녀의 단말 간의 데이터 전송 속도인 제1 전송 속도를 확인하는 단계; 상기 제1 전송 속도가 미리 설정된 제1 기준 속도 보다 빠른 것으로 확인되면, 상기 부모의 단말의 메모리에 저장되어 있는 상기 제1 파일이 상기 자녀의 단말로 전송되도록 제어하여, 상기 자녀의 단말로 전송된 상기 제1 파일이 상기 자녀의 단말의 메모리에 저장되도록 제어하는 단계; 및 상기 제1 전송 속도가 상기 제1 기준 속도 보다 느린 것으로 확인되면, 상기 제1 전송 속도가 상기 제1 기준 속도 보다 빨라질 때까지 상기 부모의 단말의 메모리에 저장되어 있는 상기 제1 파일이 상기 자녀의 단말로 전송되지 않고 대기하도록 제어하는 단계를 더 포함할 수 있다.The method performed by the device may include a file stored in the memory of the parent terminal when memory synchronization between the parent terminal and the child terminal is requested after the step of transmitting the child education content to the parent terminal. acquiring a first file list that is a list of files and a second file list that is a list of files stored in a memory of the child's terminal; As a result of comparing the first file list and the second file list, when it is confirmed that the first file among the files included in the first file list is not included in the second file list, the parent terminal and Checking a first transmission rate, which is a data transmission rate between terminals of the child; When it is confirmed that the first transmission rate is faster than the preset first reference rate, the first file stored in the memory of the parent's terminal is controlled to be transmitted to the child's terminal, so that the transmitted to the child's terminal controlling the first file to be stored in a memory of the child's terminal; and when it is confirmed that the first transmission rate is slower than the first reference rate, the first file stored in the memory of the parent's terminal is stored until the first transmission rate becomes faster than the first reference rate. It may further include a step of controlling to wait without being transmitted to the terminal of.
상기 제1 파일이 상기 자녀의 단말로 전송되지 않고 대기하도록 제어하는 단계는, 상기 부모의 단말의 메모리에 저장되어 있는 파일들 중에서 미리 설정된 제1 기준 기간 동안 실행된 파일들을 제1 그룹으로 분류하고, 상기 제1 기준 기간 동안 실행되지 않은 파일들을 제2 그룹으로 분류하는 단계; 상기 제1 그룹으로 분류된 파일들 중에서 상기 제1 기준 기간 동안 미리 설정된 제1 기준 횟수 이상 실행된 파일들을 제1-1 그룹으로 분류하고, 상기 제1 기준 기간 동안 상기 제1 기준 횟수 미만 실행된 파일들을 제1-2 그룹으로 분류하는 단계; 상기 제1 파일이 상기 제1-1 그룹으로 분류된 경우, 상기 부모의 단말의 메모리에 저장되어 있는 상기 제1 파일이 상기 자녀의 단말로 전송되도록 제어하는 단계; 상기 제1 파일이 상기 제1-2 그룹으로 분류된 경우, 상기 제1 전송 속도가 상기 제1 기준 속도 보다 느리지만 미리 설정된 제2 기준 속도 보다 빠른 것으로 확인되면, 상기 부모의 단말의 메모리에 저장되어 있는 상기 제1 파일이 상기 자녀의 단말로 전송되도록 제어하고, 상기 제1 전송 속도가 상기 제2 기준 속도 보다 느린 것으로 확인되면, 상기 부모의 단말의 메모리에 저장되어 있는 상기 제1 파일이 상기 자녀의 단말로 전송되지 않고 대기하도록 제어하는 단계; 및 상기 제1 파일이 상기 제2 그룹으로 분류된 경우, 상기 부모의 단말의 메모리에 저장되어 있는 상기 제1 파일이 상기 자녀의 단말로 전송되지 않고 대기하도록 제어하는 단계를 포함할 수 있다.The step of controlling the first file to wait without being transmitted to the child's terminal classifies files executed during a preset first reference period among files stored in the memory of the parent's terminal into a first group, , classifying files that have not been executed during the first reference period into a second group; Among the files classified into the first group, files executed more than a predetermined first reference number during the first reference period are classified into a 1-1 group, and files executed less than the first reference number of times during the first reference period classifying files into first-second groups; controlling transmission of the first file stored in the memory of the parent's terminal to the child's terminal when the first file is classified into the 1-1 group; When the first file is classified into the 1-2 group, if it is determined that the first transmission speed is slower than the first reference speed but faster than the preset second reference speed, the file is stored in the memory of the parent terminal. If the first file is controlled to be transmitted to the child's terminal, and it is confirmed that the first transmission speed is slower than the second reference speed, the first file stored in the memory of the parent's terminal is Controlling to wait without being transmitted to the child's terminal; and when the first file is classified into the second group, controlling the first file stored in the memory of the parent's terminal to wait without being transmitted to the child's terminal.
일실시예에 따른 장치는 하드웨어와 결합되어 상술한 방법들 중 어느 하나의 항의 방법을 실행시키기 위하여 매체에 저장된 컴퓨터 프로그램에 의해 제어될 수 있다.An apparatus according to an embodiment may be combined with hardware and controlled by a computer program stored in a medium to execute any one of the methods described above.
실시예들은 교육 학습도 데이터를 기반으로 인공지능모델을 활용하여 자녀 교육 콘텐츠를 제공할 수 있다.Embodiments may provide children's educational content by utilizing an artificial intelligence model based on educational learning data.
실시예들은 인공지능모델을 이용하여 교육 분야 전략 및 교육 시간 전략을 포함하는 자녀 교육 전략을 생성할 수 있다.Embodiments may generate a child education strategy including an education field strategy and an education time strategy using an artificial intelligence model.
실시예들은 자녀 교육 전략에 포함된 학습 분야의 우선도에 따라 강의 커리큘럼을 생성할 수 있다.Embodiments may create a curriculum of lectures according to the priorities of areas of learning included in a child's education strategy.
도 1은 일실시예에 따른 시스템의 구성을 설명하기 위한 도면이다.
도 2는 일실시예에 따른 인공지능모델을 활용하여 자녀 교육 콘텐츠 제공하는 과정을 설명하기 위한 순서도이다.
도 3은 일실시예에 따른 제1 인공신경망을 이용하여 교육 분야 전략을 생성하는 과정을 설명하기 위한 순서도이다.
도 4는 일실시예에 따른 제2 인공신경망을 이용하여 교육 시간 전략을 생성하는 과정을 설명하기 위한 순서도이다.
도 5는 일실시예에 따른 강의 커리큘럼을 생성하는 과정을 설명하기 위한 순서도이다.
도 6은 일실시예에 따른 보충 콘텐츠를 생성하는 과정을 설명하기 위한 순서도이다.
도 7은 일실시예에 따른 메모리를 동기화하는 과정을 설명하기 위한 순서도이다.
도 8은 일실시예에 따른 파일들을 상태에 따라 분류하는 과정을 설명하기 위한 순서도이다.
도 9는 일실시예에 따른 파일 상태에 따라 메모리 동기화 여부를 결정하는 과정을 설명하기 위한 순서도이다.
도 10은 일실시예에 따른 장치의 구성의 예시도이다.1 is a diagram for explaining the configuration of a system according to an embodiment.
Figure 2 is a flow chart for explaining a process of providing children's educational content using an artificial intelligence model according to an embodiment.
3 is a flowchart illustrating a process of generating a strategy in the field of education using a first artificial neural network according to an embodiment.
4 is a flowchart illustrating a process of generating a training time strategy using a second artificial neural network according to an embodiment.
5 is a flowchart illustrating a process of generating a lecture curriculum according to an embodiment.
6 is a flowchart illustrating a process of generating supplemental content according to an exemplary embodiment.
7 is a flowchart illustrating a process of synchronizing memories according to an exemplary embodiment.
8 is a flowchart illustrating a process of classifying files according to states according to an exemplary embodiment.
9 is a flowchart illustrating a process of determining whether to synchronize memory according to a file state according to an exemplary embodiment.
10 is an exemplary diagram of a configuration of a device according to an embodiment.
이하에서, 첨부된 도면을 참조하여 실시예들을 상세하게 설명한다. 그러나, 실시예들에는 다양한 변경이 가해질 수 있어서 특허출원의 권리 범위가 이러한 실시예들에 의해 제한되거나 한정되는 것은 아니다. 실시예들에 대한 모든 변경, 균등물 내지 대체물이 권리 범위에 포함되는 것으로 이해되어야 한다.Hereinafter, embodiments will be described in detail with reference to the accompanying drawings. However, since various changes can be made to the embodiments, the scope of the patent application is not limited or limited by these embodiments. It should be understood that all changes, equivalents or substitutes to the embodiments are included within the scope of rights.
실시예들에 대한 특정한 구조적 또는 기능적 설명들은 단지 예시를 위한 목적으로 개시된 것으로서, 다양한 형태로 변경되어 실시될 수 있다. 따라서, 실시예들은 특정한 개시형태로 한정되는 것이 아니며, 본 명세서의 범위는 기술적 사상에 포함되는 변경, 균등물, 또는 대체물을 포함한다.Specific structural or functional descriptions of the embodiments are disclosed for illustrative purposes only, and may be modified and implemented in various forms. Therefore, the embodiments are not limited to the specific disclosed form, and the scope of the present specification includes changes, equivalents, or substitutes included in the technical spirit.
제1 또는 제2 등의 용어를 다양한 구성요소들을 설명하는데 사용될 수 있지만, 이런 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 해석되어야 한다. 예를 들어, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소는 제1 구성요소로도 명명될 수 있다.Although terms such as first or second may be used to describe various components, such terms should only be construed for the purpose of distinguishing one component from another. For example, a first element may be termed a second element, and similarly, a second element may be termed a first element.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다.It should be understood that when an element is referred to as being “connected” to another element, it may be directly connected or connected to the other element, but other elements may exist in the middle.
실시예에서 사용한 용어는 단지 설명을 목적으로 사용된 것으로, 한정하려는 의도로 해석되어서는 안된다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 명세서 상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.Terms used in the examples are used only for descriptive purposes and should not be construed as limiting. Singular expressions include plural expressions unless the context clearly dictates otherwise. In this specification, terms such as "include" or "have" are intended to designate that there is a feature, number, step, operation, component, part, or combination thereof described in the specification, but one or more other features It should be understood that the presence or addition of numbers, steps, operations, components, parts, or combinations thereof is not precluded.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 실시예가 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.Unless defined otherwise, all terms used herein, including technical or scientific terms, have the same meaning as commonly understood by a person of ordinary skill in the art to which the embodiment belongs. Terms such as those defined in commonly used dictionaries should be interpreted as having a meaning consistent with the meaning in the context of the related art, and unless explicitly defined in the present application, they should not be interpreted in an ideal or excessively formal meaning. don't
또한, 첨부 도면을 참조하여 설명함에 있어, 도면 부호에 관계없이 동일한 구성 요소는 동일한 참조부호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 실시예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 실시예의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.In addition, in the description with reference to the accompanying drawings, the same reference numerals are given to the same components regardless of reference numerals, and overlapping descriptions thereof will be omitted. In describing the embodiment, if it is determined that a detailed description of a related known technology may unnecessarily obscure the gist of the embodiment, the detailed description will be omitted.
실시예들은 퍼스널 컴퓨터, 랩톱 컴퓨터, 태블릿 컴퓨터, 스마트 폰, 텔레비전, 스마트 가전 기기, 지능형 자동차, 키오스크, 웨어러블 장치 등 다양한 형태의 제품으로 구현될 수 있다.The embodiments may be implemented in various types of products such as personal computers, laptop computers, tablet computers, smart phones, televisions, smart home appliances, intelligent vehicles, kiosks, and wearable devices.
도 1은 일실시예에 따른 시스템의 구성을 설명하기 위한 도면이다.1 is a diagram for explaining the configuration of a system according to an embodiment.
일실시예에 따른 시스템은 통신망을 통해 서로 통신 가능한 부모의 단말(10) 및 장치(30)를 포함할 수 있다.A system according to an embodiment may include a
먼저, 통신망은 유선 및 무선 등과 같이 그 통신 양태를 가리지 않고 구성될 수 있으며, 서버와 서버 간의 통신과 서버와 단말 간의 통신이 수행되도록 다양한 형태로 구현될 수 있다.First, a communication network may be configured regardless of its communication mode, such as wired or wireless, and may be implemented in various forms so that communication between servers and communication between servers and terminals is performed.
부모의 단말(10)은 본 발명에 따른 자녀 교육 콘텐츠를 제공받고자 하는 부모가 사용하는 단말일 수 있다. 부모의 단말(10)은 데스크탑 컴퓨터, 노트북, 태블릿, 스마트폰 등일 수 있다. 예를 들어, 도 1에 도시된 바와 같이, 부모의 단말(10)은 스마트폰일 수 있으며, 실시예에 따라 달리 채용될 수도 있다.The parent's
부모의 단말(10)은 통상의 컴퓨터가 가지는 연산 기능, 저장/참조 기능, 입출력 기능 및 제어 기능을 전부 또는 일부 수행하도록 구성될 수 있다. 부모의 단말(10)은 장치(30)와 유무선으로 통신하도록 구성될 수 있다.The
부모의 단말(10)은 장치(30)를 이용하여 서비스를 제공하는 자 내지 단체가 운영하는 웹 페이지에 접속되거나, 장치(30)를 이용하여 서비스를 제공하는 자 내지 단체가 개발·배포한 애플리케이션이 설치될 수 있다. 부모의 단말(10)은 웹 페이지 또는 애플리케이션을 통해 장치(30)와 연동될 수 있다.The
부모의 단말(10)은 장치(30)에서 제공하는 웹 페이지, 애플리케이션을 등을 통해 장치(30)에 접속할 수 있다.The parent's terminal 10 may access the
청구항에 기재된 단수의 표현은 복수를 포함하는 것으로 이해될 수 있다. 예를 들어, 청구항의 부모는 하나의 부모 또는 둘 이상의 부모를 지칭할 수 있다.Singular expressions in the claims may be understood to include the plural. For example, a parent in a claim may refer to one parent or more than one parent.
자녀의 단말(20)은 본 발명에 따른 부모의 자녀가 사용하는 단말일 수 있다. 자녀의 단말(20)은 데스크탑 컴퓨터, 노트북, 태블릿, 스마트폰 등일 수 있다. 예를 들어, 도 1에 도시된 바와 같이, 자녀의 단말(20)은 스마트폰일 수 있으며, 실시예에 따라 달리 채용될 수도 있다.The child's terminal 20 may be a terminal used by children of parents according to the present invention. The child's terminal 20 may be a desktop computer, a laptop computer, a tablet, a smartphone, and the like. For example, as shown in FIG. 1 , the child's terminal 20 may be a smart phone, and may be employed differently depending on the embodiment.
자녀의 단말(20)은 통상의 컴퓨터가 가지는 연산 기능, 저장/참조 기능, 입출력 기능 및 제어 기능을 전부 또는 일부 수행하도록 구성될 수 있다. 자녀의 단말(20)은 장치(30)와 유무선으로 통신하도록 구성될 수 있다.The child's terminal 20 may be configured to perform all or part of an arithmetic function, a storage/reference function, an input/output function, and a control function of a normal computer. The child's terminal 20 may be configured to communicate with the
자녀의 단말(20)은 장치(30)를 이용하여 서비스를 제공하는 자 내지 단체가 운영하는 웹 페이지에 접속되거나, 장치(30)를 이용하여 서비스를 제공하는 자 내지 단체가 개발·배포한 애플리케이션이 설치될 수 있다. 자녀의 단말(20)은 웹 페이지 또는 애플리케이션을 통해 장치(30)와 연동될 수 있다.The child's terminal 20 uses the
자녀의 단말(20)은 장치(30)에서 제공하는 웹 페이지, 애플리케이션을 등을 통해 장치(30)에 접속할 수 있다.The child's terminal 20 may access the
장치(30)는 장치(30)를 이용하여 서비스를 제공하는 자 내지 단체가 보유한 자체 서버일수도 있고, 클라우드 서버일 수도 있고, 분산된 노드(node)들의 p2p(peer-to-peer) 집합일 수도 있다. 장치(30)는 통상의 컴퓨터가 가지는 연산 기능, 저장/참조 기능, 입출력 기능 및 제어 기능을 전부 또는 일부 수행하도록 구성될 수 있다.The
장치(30)는 부모의 단말(10) 및 자녀의 단말(20)과 유무선으로 통신하도록 구성될 수 있으며, 부모의 단말(10) 및 자녀의 단말(20)의 동작을 제어하고, 부모의 단말(10) 및 자녀의 단말(20)의 화면에 어느 정보를 표시할 것인지에 대해 제어할 수 있다.The
한편, 설명의 편의를 위해 도 1에서는 부모의 단말(10) 및 자녀의 단말(20)만을 도시하였으나, 단말들의 수는 실시예에 따라 얼마든지 달라질 수 있다. 장치(30)의 처리 용량이 허용하는 한, 단말들의 수 및 프린터 장치들의 수는 특별한 제한이 없다.Meanwhile, for convenience of description, only the
일실시예에 따르면, 장치(30) 내에는 데이터베이스가 구비될 수 있으며, 이에 한정되지 않고, 장치(30)와 별도로 데이터베이스가 구성될 수 있다. 장치(30)는 기계 학습 알고리즘의 수행을 위한 다수의 인공 신경망을 포함할 수 있다.According to one embodiment, a database may be provided in the
인공지능(Artificial Intelligence, AI) 시스템은 인간 수준의 지능을 구현하는 컴퓨터 시스템이며, 기존 규칙(Rule) 기반의 스마트 시스템과 달리 기계가 스스로 학습하고 판단하는 시스템이다. 인공지능 시스템은 사용할수록 인식률이 향상되고 사용자 취향을 보다 정확하게 이해할 수 있게 되어, 기존 규칙 기반의 스마트 시스템은 점차 심층 학습(Deep Learning) 기반 인공지능 시스템으로 대체되고 있다.An artificial intelligence (AI) system is a computer system that implements human-level intelligence, and unlike existing rule-based smart systems, machines learn and judge on their own. The more AI systems are used, the higher the recognition rate and the more accurate understanding of user preferences. Conventional rule-based smart systems are gradually being replaced by deep learning-based AI systems.
인공지능 기술은 기계 학습 및 기계 학습을 활용한 요소기술들로 구성된다. 기계 학습은 입력 데이터들의 특징을 스스로 분류/학습하는 알고리즘 기술이며, 요소기술은 심층 학습 등의 기계 학습 알고리즘을 활용하여 인간 두뇌의 인지, 판단 등의 기능을 모사하는 기술로서, 언어적 이해, 시각적 이해, 추론/예측, 지식 표현, 동작 제어 등의 기술 분야로 구성된다.Artificial intelligence technology consists of machine learning and element technologies using machine learning. Machine learning is an algorithm technology that classifies/learns the characteristics of input data by itself, and element technology is a technology that uses machine learning algorithms such as deep learning to mimic functions such as recognition and judgment of the human brain. It consists of technical fields such as understanding, inference/prediction, knowledge expression, and motion control.
인공지능 기술이 응용되는 다양한 분야는 다음과 같다. 언어적 이해는 인간의 언어/문자를 인식하고 응용/처리하는 기술로서, 자연어 처리, 기계 번역, 대화시스템, 질의 응답, 음성 인식/합성 등을 포함한다. 시각적 이해는 사물을 인간의 시각처럼 인식하여 처리하는 기술로서, 객체 인식, 객체 추적, 영상 검색, 사람 인식, 장면 이해, 공간 이해, 영상 개선 등을 포함한다. 추론 예측은 정보를 판단하여 논리적으로 추론하고 예측하는 기술로서, 지식/확률 기반 추론, 최적화 예측, 선호 기반 계획, 추천 등을 포함한다. 지식 표현은 인간의 경험정보를 지식데이터로 자동화 처리하는 기술로서, 지식 구축(데이터 생성/분류), 지식 관리(데이터 활용) 등을 포함한다. 동작 제어는 차량의 자율 주행, 로봇의 움직임을 제어하는 기술로서, 움직임 제어(항법, 충돌, 주행), 조작 제어(행동 제어) 등을 포함한다.The various fields where artificial intelligence technology is applied are as follows. Linguistic understanding is a technology for recognizing and applying/processing human language/characters, including natural language processing, machine translation, dialogue systems, question and answering, voice recognition/synthesis, and the like. Visual understanding is a technology for recognizing and processing objects like human vision, and includes object recognition, object tracking, image search, person recognition, scene understanding, space understanding, image improvement, and the like. Inference prediction is a technique of reasoning and predicting logically by judging information, and includes knowledge/probability-based reasoning, optimization prediction, preference-based planning, and recommendation. Knowledge expression is a technology that automatically processes human experience information into knowledge data, and includes knowledge construction (data creation/classification) and knowledge management (data utilization). Motion control is a technology for controlling the autonomous driving of a vehicle and the movement of a robot, and includes motion control (navigation, collision, driving), manipulation control (action control), and the like.
일반적으로 기계 학습 알고리즘을 실생활에 적용하기 위해서는 기계 학습의 기본 방법론의 특성상 Trial and Error 방식으로 학습을 수행하게 된다. 특히, 심층 학습의 경우 수십만 번의 반복 실행을 필요로 한다. 이를 실제 물리적인 외부 환경에서 실행하기는 불가능하여 대신 실제 물리적인 외부 환경을 컴퓨터상에서 가상으로 구현하여 시뮬레이션을 통해 학습을 수행한다.In general, in order to apply machine learning algorithms to real life, learning is performed in a trial and error method due to the nature of the basic methodology of machine learning. In particular, deep learning requires hundreds of thousands of iterations. It is impossible to execute this in an actual physical external environment, so instead, the actual physical external environment is virtually implemented on a computer and learning is performed through simulation.
도 2는 일실시예에 따른 인공지능모델을 활용하여 자녀 교육 콘텐츠 제공하는 과정을 설명하기 위한 순서도이다.Figure 2 is a flow chart for explaining a process of providing children's educational content using an artificial intelligence model according to an embodiment.
도 2를 참조하면, 먼저, S201 단계에서, 장치(30)는 부모의 단말(10)로부터 부모 정보 및 자녀의 자녀 정보를 수신할 수 있다.Referring to FIG. 2 , first, in step S201 , the
이때, 부모 정보는 부모의 이름, 나이, 스케줄, 지출 내역 등에 대한 정보를 포함할 수 있으나, 이에 한정되지 않으며, 자녀 정보는 자녀의 이름, 나이, 성별, 학습 내역 등에 대한 정보를 포함할 수 있으나, 이에 한정되지는 않는다.At this time, the parent information may include information about the parent's name, age, schedule, spending details, etc., but is not limited thereto, and the child information may include information about the child's name, age, gender, learning history, etc. , but not limited thereto.
장치(30)는 부모의 단말(10)로부터 부모 정보 및 자녀 정보를 수신하고, 수신한 부모 정보와 자녀의 정보를 매칭하여 데이터베이스에 저장할 수 있다.The
S202 단계에서, 장치(30)는 학습 데이터베이스로부터 자녀의 학습 자료를 수집할 수 있다. 예를 들어, 학습 자료는 자녀가 학습하고 있는 문제집, 학습 분야, 학습 콘텐츠, 학습 평가 자료 등을 포함할 수 있으나, 이에 한정되지는 않는다. In step S202, the
예를 들어, 학습 분야는 영어, 수학, 과학, 예체능, 인성교육 등을 포함할 수 있으나, 이에 한정되지는 않는다.For example, the learning field may include, but is not limited to, English, mathematics, science, arts and sports, character education, and the like.
구체적으로, 장치(30)는 학습 데이터베이스를 추가로 포함하거나 학습 데이터베이스와 유무선으로 통신할 수 있으며, 장치(30)는 자녀의 학습 자료에 대한 정보를 학습 데이터베이스로부터 추출할 수 있다.Specifically, the
이때, 학습 데이터베이스는 자녀 정보와 자녀의 학습하는 학습 자료, 학습을 평가하는 학습 평가 자료, 교육 학습도, 학습 평가 자료의 오답 비율, 학습 분야, 학습 시간 등에 대한 정보를 포함하는 학습 정보가 매칭되어 저장되어 있는 데이터베이스를 의미할 수 있다.At this time, the learning database is matched with learning information including information about the child information, the child's learning learning data, learning evaluation data to evaluate learning, education learning rate, learning evaluation data's incorrect answer rate, learning field, learning time, etc. It can mean a database in which it is stored.
S203 단계에서, 장치(30)는 학습 자료의 학습 평가 자료로부터 자녀의 교육 학습도 정보를 생성할 수 있다. 이때, 학습 평가 자료는 학습 자료에 포함된 학습 내용의 이해 여부를 확인하기 위해 생성된 문제 및 자녀가 문제를 풀이한 풀이 결과에 대한 정보를 포함할 수 있다. 교육 학습도는 학습 자료에 포함된 학습 내용을 자녀가 얼마나 이해했는지에 대한 정도를 의미할 수 있으며, 정수 값으로 표현될 수 있다. 장치(30)는 교육 학습도 정보를 데이터베이스에 저장할 수 있다.In step S203, the
일실시예에 따르면, 장치(30)는 풀이 결과로부터 정답 비율이 높을수록 자녀의 교육 학습도를 높게 생성할 수 있으며, 풀이 결과로부터 정답 비율이 낮을수록 자녀의 교육 학습도를 낮게 생성할 수 있다.According to one embodiment, the
S204 단계에서, 장치(30)는 자녀가 조회하거나 게시한 SNS 콘텐츠를 확인하고, SNS 콘텐츠로부터 키워드를 추출할 수 있다.In step S204, the
장치(30)는 자녀의 단말(20)로부터 자녀가 조회하거나 게시한 SNS콘텐츠를 수신할 수 있으며, 자녀가 조회하거나 게시한 SNS 콘텐츠로부터 키워드를 추출할 수 있다. 이때, SNS 콘텐츠는 동영상, 이미지, 텍스트, 음성 파일 등을 포함할 수 있으나, 이에 한정되지는 않는다.The
S205 단계에서, 장치(30)는 추출된 키워드를 기반으로, 관심 분야 정보를 생성할 수 있다.In step S205, the
예를 들어, 학습 분야는 영어, 수학, 과학, 예체능, 인성교육인 경우, 장치(30)는 영어, 수학, 과학, 예체능, 인성교육 중에서 추출된 키워드가 속하는 학습 분야에 따라 키워드를 분류할 수 있으며, 분류된 키워드의 수가 미리 설정된 기준 보다 많은 것에 해당하는 학습 분야에 대한 정보를 포함하는 관심 분야 정보를 생성할 수 있다. 이때, 미리 설정된 기준은 실시예에 따라 상이하게 설정될 수 있다. 장치(30)는 관심 분야 정보를 데이터베이스에 저장할 수 있다.For example, if the learning field is English, mathematics, science, arts and physical education, and character education, the
S206 단계에서, 장치(30)는 자녀 정보로부터 자녀의 나이대에 해당하는 학생이 학습하는 분야에 대한 또래 학습 정보를 생성할 수 있다.In step S206, the
장치(30)는 자녀 정보로부터 자녀의 나이를 확인할 수 있고, 자녀의 나이대에 해당하는 학생이 학습하는 분야에 대한 또래 학습 정보를 생성할 수 있다. 장치(30)는 또래 학습 정보를 데이터베이스에 저장할 수 있다.The
예를 들어, 자녀의 나이가 13인 경우, 장치(30)는 데이터베이스에 저장된 자녀 정보로부터 12세부터 14세의 나이대에 속하는 학생을 추출할 수 있고, 추출된 학생이 학습하는 분야에 대한 정보를 포함하는 또래 학습 정보를 생성할 수 있다. 이때, 나이대의 범위는 실시예에 따라 상이하게 설정될 수 있다.For example, if the age of the child is 13, the
S207 단계에서, 장치(30)는 교육 학습도 정보, 관심 분야 정보 및 또래 학습 정보에 기초하여, 자녀에 대응하는 부모의 자녀 교육 전략을 인공지능모델을 통해 생성할 수 있다. 이때, 자녀 교육 전략을 인공지능모델을 통해 생성하는 과정에 대한 자세한 설명은 도 3 내지 도 5를 참조하여 후술하기로 한다. 이때, 인공지능모델은 제1 인공신경망 및 제2 인공신경망을 포함할 수 있다.In step S207, the
S208 단계에서, 장치(30)는 자녀 교육 전략을 이용하여 자녀 교육 콘텐츠를 생성할 수 있다. In step S208, the
일실시예에 따르면, 자녀 교육 전략은 교육 분야 전략 및 교육 시간 전략을 포함할 수 있으며, 교육 분야 전략은 부모가 어떤 학습 분야에 대한 자녀 교육 콘텐츠를 학습할 것인지에 대한 정보를 포함할 수 있으며, 교육 시간 전략은 부모가 얼마나 자녀 교육 콘텐츠를 학습할 것인지에 대한 정보를 포함할 수 있다.According to one embodiment, the child education strategy may include an education field strategy and an education time strategy, and the education field strategy may include information about which learning field the parent will learn the child's educational content. The time strategy may include information about how much parents will learn their children's educational content.
S209 단계에서, 장치(30)는 자녀 교육 전략 및 자녀 교육 콘텐츠를 부모의 단말(10)로 전송할 수 있다.In step S209 , the
도 3은 일실시예에 따른 제1 인공신경망을 이용하여 교육 분야 전략을 생성하는 과정을 설명하기 위한 순서도이다.3 is a flowchart illustrating a process of generating a strategy in the field of education using a first artificial neural network according to an embodiment.
도 3을 참조하면, 먼저, S301 단계에서, 장치(30)는 교육 학습도 정보, 관심 분야 정보 및 또래 학습 정보에 기초하여 제1 입력 신호를 생성할 수 있다.Referring to FIG. 3 , first, in step S301, the
여기서, 제1 입력 신호는 교육 학습도 정보에 대응하는 제1-1 값, 관심 분야 정보에 대응하는 제1-2 값 및 또래 학습 정보에 대응하는 제1-3 값을 포함할 수 있다.Here, the first input signal may include a 1-1 value corresponding to educational learning degree information, a 1-2 value corresponding to interest field information, and a 1-3 value corresponding to peer learning information.
일실시예에 따르면, 장치(30)는 교육 학습도 정보로부터 학습 분야에 따른 교육 학습도를 확인할 수 있으며, 학습 분야 별 교육 학습도가 높을수록 제1-1 값을 높게 생성할 수 있고, 학습 분야 별 교육 학습도가 낮을수록 제1-1 값을 낮게 생성할 수 있다.According to an embodiment, the
일실시예에 따르면, 장치(30)는 관심 분야 정보로부터 학습 분야에 따라 분류된 키워드의 수를 확인할 수 있으며, 학습 분야 별 분류된 키워드의 수가 많을수록 제1-2 값을 높게 생성할 수 있고, 학습 분야 별 분류된 키워드의 수가 적을수록 제1-2 값을 낮게 생성할 수 있다.According to an embodiment, the
일실시예에 따르면, 장치(30)는 또래 학습 정보로부터 학습 분야에 따라 자녀의 나이대에 해당하는 학생의 수를 확인할 수 있으며, 학습 분야 별 학생의 수가 많을수록 제1-3 값을 높게 생성할 수 있고, 학습 분야 별 학생의 수가 적을수록 제1-3 값을 낮게 생성할 수 있다.According to one embodiment, the
이때, 제1 인공신경망의 제1 입력 레이어는 제1-1 값, 제1-2 값 및 제1-3 값에 각각 적용되는 입력 노드들을 포함할 수 있다.In this case, the first input layer of the first artificial neural network may include input nodes respectively applied to the 1-1 values, the 1-2 values, and the 1-3 values.
S302 단계에서, 장치(30)는 제1 입력 신호를 제1 인공신경망에 적용하여 제1 출력 신호를 생성할 수 있다. 여기서, 제1 출력 신호는 0과 1사이의 실수인 출력 값을 포함할 수 있다. 제1 인공신경망의 제1 출력 레이어는 출력 값을 생성하는 출력 노드를 포함할 수 있다.In step S302, the
S303 단계에서, 장치(30)는 제1 출력 신호에 기초하여 자녀 교육 콘텐츠의 교육 분야 전략을 생성할 수 있다.In step S303, the
일실시예에 따르면, 장치(30)는 학습 분야 별 제1 인공신경망의 출력 값에 따라 부모가 어떤 학습 분야에 대한 자녀 교육 콘텐츠를 학습할 것인지에 대한 정보를 포함하는 교육 분야 전략을 생성할 수 있다.According to an embodiment, the
예를 들어, 장치(30)는 제1 인공신경망의 출력 값이 상대적으로 높은 학습 분야에 대한 정보를 포함하는 교육 분야 전략을 생성할 수 있다.For example, the
도 4는 일실시예에 따른 제2 인공신경망을 이용하여 교육 시간 전략을 생성하는 과정을 설명하기 위한 순서도이다.4 is a flowchart illustrating a process of generating a training time strategy using a second artificial neural network according to an embodiment.
도 4를 참조하면, 먼저, S401 단계에서, 장치(30)는 교육 학습도 정보로부터, 자녀의 오답 비율을 확인할 수 있다. 이때, 교육 학습도 정보는 학습 평가 자료의 오답 비율에 대한 정보를 포함할 수 있다.Referring to FIG. 4 , first, in step S401, the
S402 단계에서, 장치(30)는 자녀 정보로부터 자녀의 나이대에 해당하는 또래 자녀의 부모를 확인할 수 있다.In step S402, the
S403 단계에서, 장치(30)는 또래 자녀의 부모에 대한 정보인 또래 부모 정보를 획득할 수 있다.In step S403, the
예를 들어, 자녀의 나이가 13인 경우, 장치(30)는 데이터베이스에 저장된 자녀 정보로부터 12세부터 14세의 나이대에 속하는 또래 자녀를 추출할 수 있고, 추출된 또래 자녀에 대한 자녀 정보와 매칭되어 저장되어 있는 또래 자녀의 부모를 확인하고, 또래 자녀의 부모 정보인 또래 부모 정보를 데이터베이스로부터 획득할 수 있다.For example, if the age of the child is 13, the
S404 단계에서, 장치(30)는 또래 부모 정보로부터, 자녀 교육 시간 비율을 산출할 수 있다.In step S404, the
구체적으로, 장치(30)는 또래 부모 정보로부터 또래 부모의 전체 여유 시간 및 자녀 교육 학습 시간에 대한 정보를 확인할 수 있으며, 전체 여유 시간에서 자녀 교육 학습 시간이 차지하는 비율인 자녀 교육 시간 비율을 산출할 수 있다.Specifically, the
S405 단계에서, 장치(30)는 또래 부모 정보로부터, 자녀 교육 지출 비율을 산출할 수 있다.In step S405, the
구체적으로, 장치(30)는 또래 부모 정보로부터 또래 부모의 전체 지출 비용 및 자녀 교육 지출 비용에 대한 정보를 확인할 수 있으며, 전체 지출 비용에서 자녀 교육 지출 비용이 차지하는 비율인 자녀 교육 지출 비율을 산출할 수 있다.Specifically, the
S406 단계에서, 장치(30)는 오답 비율, 자녀 교육 시간 비율 및 자녀 교육 지출 비율에 기초하여 제2 입력 신호를 생성할 수 있다.In step S406, the
여기서, 제2 입력 신호는 오답 비율에 대응하는 제2-1 값, 자녀 교육 시간 비율에 대응하는 제2-2 값 및 자녀 교육 지출 비율에 대응하는 제2-3 값을 포함할 수 있다.Here, the second input signal may include a 2-1 value corresponding to an incorrect answer rate, a 2-2 value corresponding to a child education time rate, and a 2-3 value corresponding to a child education expenditure rate.
일실시예에 따르면, 장치(30)는 오답 비율이 높을수록 제2-1 값을 높게 생성할 수 있고, 오답 비율 낮을수록 제2-1 값을 낮게 생성할 수 있다.According to an embodiment, the
일실시예에 따르면, 장치(30)는 자녀 교육 시간 비율이 높을수록 제2-2 값을 높게 생성할 수 있고, 자녀 교육 시간 비율이 낮을수록 제2-2 값을 낮게 생성할 수 있으다.According to one embodiment, the
일실시예에 따르면, 장치(30)는 자녀 교육 지출 비율이 높을수록 제2-3 값을 높게 생성할 수 있고, 자녀 교육 지출 비율이 낮을수록 제2-3 값을 낮게 생성할 수 있다.According to an embodiment, the
이때, 제2 인공신경망의 제2 입력 레이어는 제2-1 값, 제2-2 값 및 제2-3 값에 각각 적용되는 입력 노드들을 포함할 수 있다.In this case, the second input layer of the second artificial neural network may include input nodes respectively applied to the 2-1 value, the 2-2 value, and the 2-3 value.
S407 단계에서, 장치(30)는 제2 입력 신호를 제2 인공신경망에 적용하여 제2 출력 신호를 생성하고, 제2 출력 신호에 기초하여 자녀 교육 콘텐츠의 교육 시간 전략을 생성할 수 있다.In step S407, the
여기서, 제2 출력 신호는 0과 1사이의 실수인 출력 값을 포함할 수 있다. 제2 인공신경망의 제2 출력 레이어는 출력 값을 생성하는 출력 노드를 포함할 수 있다.Here, the second output signal may include an output value that is a real number between 0 and 1. The second output layer of the second artificial neural network may include an output node generating an output value.
장치(30)는 제2 출력 신호에 기초하여 자녀 교육 콘텐츠의 교육 시간 전략을 생성할 수 있다.The
일실시예에 따르면, 장치(30)는 제2 인공신경망의 출력 값에 따라 부모가 얼마나 자녀 교육 콘텐츠를 학습할 것인지에 대한 정보를 교육 시간 전략을 생성할 수 있다.According to an embodiment, the
예를 들어, 장치(30)는 제2 인공신경망의 출력 값에 비례하여 교육 시간을 생성하도록 교육 시간 전략을 생성할 수 있다.For example, the
S408 단계에서, 장치(30)는 교육 분야 전략 및 교육 시간 전략을 결합하여, 자녀 교육 콘텐츠에 대한 자녀 교육 전략을 생성할 수 있다. 일실시예에 따르면, 자녀 교육 전략은 교육 분야 전략 및 교육 시간 전략을 포함할 수 있으나, 이에 한정되지는 않는다.In step S408, the
도 5는 일실시예에 따른 강의 커리큘럼을 생성하는 과정을 설명하기 위한 순서도이다.5 is a flowchart illustrating a process of generating a lecture curriculum according to an embodiment.
도 5를 참조하면, 먼저, S501 단계에서, 장치(30)는 자녀 교육 전략에 포함된 학습 분야를 확인할 수 있다.Referring to FIG. 5 , first, in step S501, the
즉, 장치(30)는 자녀 교육 전략에 포함된 교육 분야 전략을 확인하고, 교육 분야 전략에 따른 학습 분야를 확인할 수 있다.That is, the
S502 단계에서, 장치(30)는 교육 콘텐츠 데이터베이스에서 학습 분야에 대응하는 교육 콘텐츠를 추출할 수 있다.In step S502, the
구체적으로, 장치(30)는 교육 콘텐츠 데이터베이스를 추가로 포함하거나 교육 콘텐츠 데이터베이스와 유무선으로 통신할 수 있으며, 장치(30)는 교육 콘텐츠에 대한 정보를 교육 콘텐츠 데이터베이스로부터 추출할 수 있다.Specifically, the
이때, 교육 콘텐츠 데이터베이스는 자녀 교육 콘텐츠와 자녀 교육 콘텐츠의 학습 분야, 우선도, 강사, 강의 시간 등에 대한 정보를 포함하는 교육 콘텐츠에 대한 정보가 매칭되어 저장되어 있는 데이터베이스를 의미할 수 있다.At this time, the educational content database may refer to a database in which information about educational content including information about the child's educational content and the learning field, priority, instructor, lecture time, etc. of the child's educational content is matched and stored.
예를 들어, 자녀 교육 전략에 포함된 학습 분야가 '영어'로 확인된 경우, 장치(30)는 학습 콘텐츠 데이터베이스로부터 영어 분야와 대응하는 자녀 교육 콘텐츠를 추출할 수 있다.For example, when the learning field included in the child education strategy is identified as 'English', the
S503 단계에서, 장치(30)는 자녀 교육 전략에 포함된 학습 분야의 우선도를 확인할 수 있다.In step S503, the
이때, 학습 분야의 우선도는 교육 시간 전략에 포함된 부모가 얼마나 자녀 교육 콘텐츠를 학습할 것인지에 대한 교육 시간에 정비례하여 결정될 수 있다.At this time, the priority of the learning field may be determined in direct proportion to the education time for how much parents will learn the child's educational content included in the education time strategy.
예를 들어, 교육 시간이 길수록, 학습 분야의 우선도가 높게 설정되고, 교육 시간이 짧을수록 학습 분야의 우선도가 낮게 생성될 수 있다.For example, the longer the training time, the higher the priority of the learning field, and the shorter the training time, the lower the priority of the learning field.
S504 단계에서, 장치(30)는 학습 분야 중 우선도가 가장 높은 제1 학습 분야와 관련하여, 강사가 서로 다른 제1 교육 콘텐츠 및 제2 교육 콘텐츠를 선정할 수 있다.In step S504, the
장치(30)는 학습 분야 중 우선도가 가장 높은 학습 분야가 제1 학습 분야로 확인된 경우, 교육 콘텐츠 데이터베이스로부터 제1 학습 분야와 관련되면서, 강사가 서로 다른 제1 교육 콘텐츠 및 제2 교육 콘텐츠를 선정할 수 있다.When a learning field having the highest priority among the learning fields is identified as the first learning field, the first educational content and the second educational content having different instructors are associated with the first learning field from the educational content database. can be selected.
S505 단계에서, 장치(30)는 학습 분야 중 우선도가 가장 낮은 제2 학습 분야와 관련하여, 제3 교육 콘텐츠를 선정할 수 있다.In step S505, the
구체적으로, 장치(30)는 학습 분야 중 우선도가 가장 낮은 제2 학습 분야와 관련하여, 교육 콘텐츠 데이터베이스에 포함된 제2 학습 분야와 관련된 교육 콘텐츠 중 강의 시간이 미리 설정된 기준 이하인 제3 교육 콘텐츠를 선정할 수 있다. 이때, 미리 설정된 기준은 실시예에 따라 상이하게 설정될 수 있다.Specifically, in relation to the second learning field having the lowest priority among the learning fields, the
S506 단계에서, 장치(30)는 학습 분야 중 우선도가 가장 낮은 제2 학습 분야와 관련하여, 제3 교육 콘텐츠를 선정할 수 있다.In step S506, the
장치(30)는 학습 분야 중 우선도가 가장 낮은 학습 분야가 제2 학습 분야로 확인된 경우, 교육 콘텐츠 데이터베이스로부터 제2 학습 분야와 관련되면서, 강의 시간이 미리 설정된 기준 이하인 제3 교육 콘텐츠를 선정할 수 있다.When the learning field having the lowest priority among the learning fields is identified as the second learning field, the
S507 단계에서, 장치(30)는 영상 데이터베이스로부터 학습 관련 영상을 추출할 수 있다.In step S507, the
구체적으로, 장치(30)는 영상 데이터베이스로부터 제1 학습 분야와 관련된 영상 중 미리 설정된 조회수 및 미리 설정된 관심 지수를 만족하는 학습 관련 영상을 추출할 수 있다. 이때, 미리 설정된 조회수 및 미리 설정된 관심 지수는 실시예에 따라 상이하게 설정될 수 있다. 여기서, 관심 지수는 영상의 좋아요 수를 의미할 수 있으나, 이에 한정되지는 않는다.Specifically, the
구체적으로, 장치(30)는 영상 데이터베이스를 추가로 포함하거나 영상 데이터베이스와 유무선으로 통신할 수 있으며, 장치(30)는 영상에 대한 정보를 학습 데이터베이스로부터 추출할 수 있다.Specifically, the
이때, 영상 데이터베이스는 영상과 영상의 제목, 조회수, 관심 지수, 관련된 학습 분야, 영상 시간 등에 대한 정보를 포함하는 영상에 대한 정보가 매칭되어 저장되어 있는 데이터베이스를 의미할 수 있다.In this case, the image database may refer to a database in which information about an image including information about a title, a number of views, an interest index, a related learning field, a video time, and the like of the video is matched and stored.
예를 들어, 영상 데이터베이스는 유튜브(youtube), 인스타그램 등의 웹사이트에 저장된 영상에 대한 정보를 저장할 수 있다.For example, the image database may store information about images stored on websites such as YouTube and Instagram.
S508 단계에서, 장치(30)는 뉴스 데이터베이스로부터 학습 관련 기사를 추출할 수 있다.In step S508, the
구체적으로, 장치(30)는 뉴스 데이터베이스를 추가로 포함하거나 뉴스 데이터베이스와 유무선으로 통신할 수 있으며, 장치(30)는 뉴스에 대한 정보를 학습 데이터베이스로부터 추출할 수 있다.Specifically, the
이때, 뉴스 데이터베이스는 기사와 기사의 제목, 조회수, 관심 지수, 관련된 학습 분야, 기사 등에 대한 정보를 포함하는 뉴스에 대한 정보가 매칭되어 저장되어 있는 데이터베이스를 의미할 수 있다.In this case, the news database may refer to a database in which news information including information on articles, article titles, views, interest indexes, related learning fields, articles, and the like is matched and stored.
구체적으로, 장치(30)는 뉴스 데이터베이스로부터 제1 학습 분야와 관련된 기사 중 미리 설정된 조회수 및 미리 설정된 관심 지수를 만족하는 학습 관련 기사를 추출할 수 있다. Specifically, the
이때, 미리 설정된 조회수 및 미리 설정된 관심 지수는 실시예에 따라 상이하게 설정될 수 있다. 여기서, 관심 지수는 기사의 좋아요 수를 의미할 수 있으나, 이에 한정되지는 않는다.In this case, the preset number of views and the preset interest index may be set differently according to embodiments. Here, the interest index may mean the number of likes of an article, but is not limited thereto.
S509 단계에서, 장치(30)는 강의 커리큘럼에서 제1 교육 콘텐츠와 제3 교육 콘텐츠 사이 및 제3 교육 콘텐츠와 제2 교육 콘텐츠 사이에 학습 관련 영상 및 학습 관련 기사를 삽입할 수 있다. In step S509, the
예를 들어, 장치(30)는 강의 커리큘럼에서 제1 교육 콘텐츠와 제3 교육 콘텐츠 사이에 학습 관련 영상을 삽입하고, 제3 교육 콘텐츠와 제2 교육 콘텐츠 사이에 학습 관련 기사를 삽입할 수 있다.For example, the
장치(30)는 학습 분야의 우선도에 따라 교육 콘텐츠 및 교육 콘텐츠의 순서를 설정하여 강의 커리큘럼을 생성하고, 생성된 강의 커리큘럼 사이에 학습 분야와 관련된 학습 관련 영상 및 학습 관련 기사를 삽입하여 교육 콘텐츠를 시청할 때 지루함을 줄이고, 흥미를 높일 수 있으며, 우선도가 높은 학습 분야는 반복해서 학습할 수 있도록 하여 학습 효과 또한 향상시킬 수 있다.The
도 6은 일실시예에 따른 보충 콘텐츠를 생성하는 과정을 설명하기 위한 순서도이다.6 is a flowchart illustrating a process of generating supplemental content according to an exemplary embodiment.
도 6을 참조하면, 먼저, S601 단계에서, 장치(30)는 자녀 교육 콘텐츠에 대하여, 부모의 분야 별 학습 이해도를 확인할 수 있다.Referring to FIG. 6 , first, in step S601 , the
장치(30)는 자녀 교육 콘텐츠를 부모의 단말(10)로 전송하는 단계 이후, 자녀 교육 콘텐츠에 대하여, 부모의 학습 분야 별 학습 이해도를 확인할 수 있다.After the step of transmitting the child's educational content to the parent's
일실시예에 따르면, 장치(30)는 자녀 교육 콘텐츠를 부모의 단말(10)로 제공한 후에, 자녀 교육 콘텐츠의 학습이 완료된 것으로 판단되면, 자녀 교육 콘텐츠를 이해했는지를 판단하기 위한 퀴즈를 부모의 단말(10)로 제공하고, 퀴즈에 대한 답변을 부모의 단말(10)로부터 획득할 수 있다. 장치(30)는 부모의 단말(10)로부터 획득한 퀴즈에 대한 답변을 분석하여, 분아 별 학습 이해도를 산출할 수 있다. 이때, 분야 별 학습 이해도는 점수로서, 정수의 값으로 표현될 수 있다.According to one embodiment, after the
S602 단계에서, 장치(30)는 학습 이해도가 미리 설정된 기준을 만족하는지 여부를 판단할 수 있다. 이때, 미리 설정된 기준은 실시예에 따라 상이하게 설정될 수 있다.In step S602, the
S603 단계에서, 장치(30)는 부모의 분야 별 학습 이해도가 미리 설정된 기준을 만족하는 분야의 학습을 종료할 수 있다.In step S603, the
S604 단계에서, 장치(30)는 부모의 분야 별 학습 이해도가 미리 설정된 기준을 만족하지 않는 분야의 학습 반복 횟수를 산출할 수 있다.In step S604, the
구체적으로, 장치(30)는 부모의 분야 별 학습 이해도가 미리 설정된 기준을 만족하지 않는 분야가 관심 분야 정보에 해당하는 분야와 일치하는 경우, SNS 콘텐츠로부터 추출된 키워드 중에서 관심 분야 정보에 대응하는 관심 키워드가 차지하는 비율인 관심 비율에 비례하여 학습 반복 횟수를 생성할 수 있다.Specifically, the
장치(30)는 부모의 분야 별 학습 이해도가 미리 설정된 기준을 만족하지 않는 분야가 관심 분야 정보에 해당하는 분야와 일치하지 않는 경우, 미리 설정된 기준을 만족하지 않는 분야에서의 자녀의 오답 비율에 비례하여 학습 반복 횟수를 생성할 수 있다.The
S605 단계에서, 장치(30)는 학습 반복 횟수에 따라 보충 콘텐츠를 생성하여, 부모의 단말(10)로 전송할 수 있다.In step S605, the
일실시예에 따르면, 부모는 부모의 단말(10) 및 자녀의 단말(20) 간의 메모리를 동기화하기 위해 메모리 동기화를 요청할 수 있다. 이와 관련된 자세한 설명은 도 7 내지 도 9를 참조하여 후술하기로 한다.According to an embodiment, a parent may request memory synchronization to synchronize memories between the parent's
도 7은 일실시예에 따른 메모리를 동기화하는 과정을 설명하기 위한 순서도이다.7 is a flowchart illustrating a process of synchronizing memories according to an exemplary embodiment.
도 7을 참조하면, 먼저, S701 단계에서, 장치(30)는 부모의 단말(10)로부터 부모의 단말(10) 및 자녀의 단말(20) 간의 메모리 동기화 요청을 수신할 수 있다.Referring to FIG. 7 , first, in step S701 , the
구체적으로, 부모는 부모의 단말(10)을 통해 부모의 단말(10) 및 자녀의 단말(20) 간의 메모리를 동기화하고자 하는 요청을 입력할 수 있고, 부모의 단말(10) 및 자녀의 단말(20) 간의 메모리 동기화 요청이 입력되면, 장치(30)는 부모의 단말(10)로부터 부모의 단말(10) 및 자녀의 단말(20) 간의 메모리 동기화 요청을 수신할 수 있다.Specifically, the parent may input a request to synchronize the memory between the
S702 단계에서, 장치(30)는 부모의 단말(10)의 메모리에 저장되어 있는 파일들의 리스트인 제1 파일 리스트를 획득할 수 있다.In step S702, the
구체적으로, 부모의 단말(10)은 부모의 단말(10)의 메모리에 저장되어 있는 파일들을 확인한 후, 부모의 단말(10)의 메모리에 저장되어 있는 파일들의 리스트인 제1 파일 리스트를 생성할 수 있고, 장치(30)는 부모의 단말(10)로부터 제1 파일 리스트를 획득할 수 있다.Specifically, the
S703 단계에서, 장치(30)는 자녀의 단말(20)의 메모리에 저장되어 있는 파일들의 리스트인 제2 파일 리스트를 획득할 수 있다.In step S703, the
구체적으로, 자녀의 단말(20)은 자녀의 단말(20)의 메모리에 저장되어 있는 파일들을 확인한 후, 자녀의 단말(20)의 메모리에 저장되어 있는 파일들의 리스트인 제2 파일 리스트를 생성할 수 있고, 장치(30)는 자녀의 단말(20)로부터 제2 파일 리스트를 획득할 수 있다.Specifically, the child's terminal 20 checks the files stored in the memory of the child's
S704 단계에서, 장치(30)는 제1 파일 리스트 및 제2 파일 리스트를 비교할 수 있다. 즉, 장치(30)는 S702 단계에서 획득된 제1 파일 리스트와 S703 단계에서 획득된 제2 파일 리스트를 비교할 수 있다. 이때, 장치(30)는 제1 파일 리스트에 포함되어 있는 파일들과 제2 파일 리스트에 포함되어 있는 파일들을 비교하여, 각 리스트에 포함되어 있는 파일들이 서로 일치하는지 여부를 확인할 수 있다.In step S704, the
S705 단계에서, 장치(30)는 제1 파일 리스트에 포함된 파일들 중 제1 파일이 제2 파일 리스트에 포함되어 있지 않은 것으로 확인할 수 있다.In step S705, the
예를 들어, 제1 파일 리스트에는 제1 파일, 제2 파일 및 제3 파일이 포함되어 있고, 제2 파일 리스트에는 제2 파일 및 제3 파일이 포함되어 있는 경우, 장치(30)는 제1 파일 리스트 및 제2 파일 리스트를 비교한 결과, 제1 파일 리스트에 포함된 파일들 중 제1 파일이 제2 파일 리스트에 포함되어 있지 않은 것으로 확인할 수 있다.For example, when the first file list includes the first file, the second file, and the third file, and the second file list includes the second file and the third file, the
S706 단계에서, 장치(30)는 부모의 단말(10)과 자녀의 단말(20) 간의 데이터 전송 속도인 제1 전송 속도를 확인할 수 있다.In step S706, the
S707 단계에서, 장치(30)는 제1 전송 속도가 제1 기준 속도 보다 빠른지 여부를 확인할 수 있다. 여기서, 제1 기준 속도는 실시예에 따라 상이하게 설정될 수 있다.In step S707, the
S707 단계에서 제1 전송 속도가 제1 기준 속도 보다 빠른 것으로 확인되면, S708 단계에서, 장치(30)는 부모의 단말(10)의 메모리에 저장되어 있는 제1 파일이 자녀의 단말(20)로 전송되도록 제어할 수 있다. 이때, 부모의 단말(10)은 제1 파일을 자녀의 단말(20)로 전송할 수 있다.If it is confirmed in step S707 that the first transmission rate is faster than the first reference rate, in step S708, the
장치(30)는 부모의 단말(10)의 메모리에 저장되어 있는 제1 파일이 자녀의 단말(20)로 전송되면, 자녀의 단말(20)로 전송된 제1 파일이 자녀의 단말(20)의 메모리에 저장되도록 제어할 수 있다. 이때, 자녀의 단말(20)은 부모의 단말(10)로부터 수신된 제1 파일을 자녀의 단말(20)의 메모리에 저장할 수 있다.When the first file stored in the memory of the parent's
S707 단계에서 제1 전송 속도가 제1 기준 속도 보다 느린 것으로 확인되면, S709 단계에서, 장치(30)는 제1 전송 속도가 제1 기준 속도 보다 빨라질 때까지 부모의 단말(10)의 메모리에 저장되어 있는 제1 파일이 자녀의 단말(20)로 전송되지 않고 대기하도록 제어할 수 있다. 이때, 부모의 단말(10)은 제1 파일을 자녀의 단말(20)로 전송하지 않고 대기할 수 있다.If it is confirmed in step S707 that the first transmission rate is slower than the first reference rate, in step S709, the
도 8은 일실시예에 따른 파일들을 상태에 따라 분류하는 과정을 설명하기 위한 순서도이다.8 is a flowchart illustrating a process of classifying files according to states according to an exemplary embodiment.
도 8을 참조하면, 먼저, S801 단계에서, 장치(30)는 부모의 단말(10)의 메모리에 저장되어 있는 파일들을 확인할 수 있다.Referring to FIG. 8 , first, in step S801, the
S802 단계에서, 장치(30)는 부모의 단말(10)의 메모리에 저장되어 있는 파일들 중에서 제1 기준 기간 동안 실행된 파일들을 제1 그룹으로 분류할 수 있다. 여기서, 제1 기준 기간은 실시예에 따라 상이하게 설정될 수 있다.In step S802, the
S803 단계에서, 장치(30)는 부모의 단말(10)의 메모리에 저장되어 있는 파일들 중에서 제1 기준 기간 동안 실행되지 않은 파일들을 제2 그룹으로 분류할 수 있다.In step S803, the
예를 들어, 제1 기준 기간이 최근 1주일로 설정되어 있는 경우, 장치(30)는 부모의 단말(10)의 메모리에 저장되어 있는 파일들 중에서 최근 1주일 동안 한 번이라도 실행된 파일들을 제1 그룹으로 분류할 수 있고, 부모의 단말(10)의 메모리에 저장되어 있는 파일들 중에서 최근 1주일 동안 한 번도 실행되지 않은 파일들을 제2 그룹으로 분류할 수 있다.For example, when the first reference period is set to the last week, the
S804 단계에서, 장치(30)는 제1 그룹으로 분류된 파일들 중에서 제1 기준 기간 동안 제1 기준 횟수 이상 실행된 파일들을 제1-1 그룹으로 분류할 수 있다. 여기서, 제1 기준 횟수는 실시예에 따라 상이하게 설정될 수 있다.In step S804, the
S805 단계에서, 장치(30)는 제1 그룹으로 분류된 파일들 중에서 제1 기준 기간 동안 제1 기준 횟수 미만 실행된 파일들을 제1-2 그룹으로 분류할 수 있다.In step S805, the
예를 들어, 제1 기준 기간이 최근 1주일로 설정되어 있고, 제1 기준 횟수가 5회로 설정되어 있는 경우, 장치(30)는 제1 그룹으로 분류된 파일들 중에서 최근 1주일 동안 5회 이상 실행된 파일들을 제1-1 그룹으로 분류할 수 있고, 제1 그룹으로 분류된 파일들 중에서 최근 1주일 동안 5회 미만 실행된 파일들을 제1-2 그룹으로 분류할 수 있다.For example, if the first reference period is set to the last week and the first reference number is set to 5 times, the
도 9는 일실시예에 따른 파일 상태에 따라 메모리 동기화 여부를 결정하는 과정을 설명하기 위한 순서도이다.9 is a flowchart illustrating a process of determining whether to synchronize memory according to a file state according to an exemplary embodiment.
도 9를 참조하면, 먼저, S901 단계에서, 장치(30)는 제1 전송 속도가 제1 기준 속도 보다 느린 것으로 확인할 수 있다.Referring to FIG. 9 , first, in step S901, the
S902 단계에서, 장치(30)는 제1 파일이 제1-1 그룹으로 분류된 것으로 확인할 수 있다. 여기서, 제1 파일은 S904 단계를 통해 제1-1 그룹으로 분류될 수 있다.In step S902, the
S902 단계에서 제1 파일이 제1-1 그룹으로 분류된 것으로 확인되면, S906 단계에서, 장치(30)는 부모의 단말(10)의 메모리에 저장되어 있는 제1 파일이 자녀의 단말(20)로 전송되도록 제어할 수 있다.If it is confirmed in step S902 that the first file is classified into the 1-1 group, in step S906, the
한편, S903 단계에서, 장치(30)는 제1 파일이 제1-2 그룹으로 분류된 것으로 확인할 수 있다. 여기서, 제1 파일은 S905 단계를 통해 제1-2 그룹으로 분류될 수 있다.Meanwhile, in step S903, the
S903 단계에서 제1 파일이 제1-2 그룹으로 분류된 것으로 확인되면, S905 단계에서, 장치(30)는 제1 전송 속도가 제2 기준 속도 보다 빠른지 여부를 확인할 수 있다. 여기서, 제2 기준 속도는 제1 기준 속도 보다 작은 값으로 설정될 수 있다.If it is confirmed in step S903 that the first file is classified into the 1-2 group, in step S905, the
S905 단계에서 제1 전송 속도가 제2 기준 속도 보다 빠른 것으로 확인되면, S906 단계에서, 장치(30)는 부모의 단말(10)의 메모리에 저장되어 있는 제1 파일이 자녀의 단말(20)로 전송되도록 제어할 수 있다.If it is confirmed in step S905 that the first transmission rate is faster than the second reference rate, in step S906, the
S905 단계에서 제1 전송 속도가 제2 기준 속도 보다 느린 것으로 확인되면, S907 단계에서, 장치(30)는 부모의 단말(10)의 메모리에 저장되어 있는 제1 파일이 자녀의 단말(20)로 전송되지 않고 대기하도록 제어할 수 있다.If it is confirmed in step S905 that the first transmission rate is slower than the second reference rate, in step S907, the
한편, S904 단계에서, 장치(30)는 제1 파일이 제2 그룹으로 분류된 것으로 확인할 수 있다. 여기서, 제1 파일은 S903 단계를 통해 제2 그룹으로 분류될 수 있다.Meanwhile, in step S904, the
S904 단계에서 제1 파일이 제2 그룹으로 분류된 것으로 확인되면, S907 단계에서, 장치(30)는 부모의 단말(10)의 메모리에 저장되어 있는 제1 파일이 자녀의 단말(20)로 전송되지 않고 대기하도록 제어할 수 있다.If it is determined in step S904 that the first file is classified into the second group, in step S907, the
도 10은 일실시예에 따른 장치(30)의 구성의 예시도이다.10 is an exemplary diagram of a configuration of a
일실시예에 따른 장치(30)는 프로세서(31) 및 메모리(32)를 포함한다. 일실시예에 따른 장치(30)는 상술한 서버 또는 단말일 수 있다. 프로세서(31)는 도 1 내지 도 9를 통하여 전술한 적어도 하나의 장치들을 포함하거나, 도 1 내지 도 9를 통하여 전술한 적어도 하나의 방법을 수행할 수 있다. 메모리(32)는 상술한 방법과 관련된 정보를 저장하거나 상술한 방법이 구현된 프로그램을 저장할 수 있다. 메모리(32)는 휘발성 메모리 또는 비휘발성 메모리일 수 있다.
프로세서(31)는 프로그램을 실행하고, 장치(30)를 제어할 수 있다. 프로세서(31)에 의하여 실행되는 프로그램의 코드는 메모리(32)에 저장될 수 있다. 장치(30)는 입출력 장치(도면 미 표시)를 통하여 외부 장치(예를 들어, 퍼스널 컴퓨터 또는 네트워크)에 연결되고, 데이터를 교환할 수 있다.The
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.The embodiments described above may be implemented as hardware components, software components, and/or a combination of hardware components and software components. For example, the devices, methods and components described in the embodiments may include, for example, a processor, a controller, an arithmetic logic unit (ALU), a digital signal processor, a microcomputer, a field programmable gate (FPGA). array), programmable logic units (PLUs), microprocessors, or any other device capable of executing and responding to instructions. A processing device may run an operating system (OS) and one or more software applications running on the operating system. A processing device may also access, store, manipulate, process, and generate data in response to execution of software. For convenience of understanding, there are cases in which one processing device is used, but those skilled in the art will understand that the processing device includes a plurality of processing elements and/or a plurality of types of processing elements. It can be seen that it can include. For example, a processing device may include a plurality of processors or a processor and a controller. Other processing configurations are also possible, such as parallel processors.
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.The method according to the embodiment may be implemented in the form of program instructions that can be executed through various computer means and recorded on a computer readable medium. The computer readable medium may include program instructions, data files, data structures, etc. alone or in combination. Program commands recorded on the medium may be specially designed and configured for the embodiment or may be known and usable to those skilled in computer software. Examples of computer-readable recording media include magnetic media such as hard disks, floppy disks and magnetic tapes, optical media such as CD-ROMs and DVDs, and magnetic media such as floptical disks. - includes hardware devices specially configured to store and execute program instructions, such as magneto-optical media, and ROM, RAM, flash memory, and the like. Examples of program instructions include high-level language codes that can be executed by a computer using an interpreter, as well as machine language codes such as those produced by a compiler. The hardware devices described above may be configured to operate as one or more software modules to perform the operations of the embodiments, and vice versa.
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.Software may include a computer program, code, instructions, or a combination of one or more of the foregoing, which configures a processing device to operate as desired or processes independently or collectively. The device can be commanded. Software and/or data may be any tangible machine, component, physical device, virtual equipment, computer storage medium or device, intended to be interpreted by or provide instructions or data to a processing device. , or may be permanently or temporarily embodied in a transmitted signal wave. Software may be distributed on networked computer systems and stored or executed in a distributed manner. Software and data may be stored on one or more computer readable media.
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.As described above, although the embodiments have been described with limited drawings, those skilled in the art can apply various technical modifications and variations based on the above. For example, the described techniques may be performed in an order different from the method described, and/or components of the described system, structure, device, circuit, etc. may be combined or combined in a different form than the method described, or other components may be used. Or even if it is replaced or substituted by equivalents, appropriate results can be achieved.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 청구범위의 범위에 속한다.Therefore, other implementations, other embodiments, and equivalents of the claims are within the scope of the following claims.
Claims (3)
부모의 단말로부터 부모 정보 및 자녀의 자녀 정보를 수신하는 단계;
학습 데이터베이스로부터 상기 자녀의 학습 자료를 수집하는 단계;
상기 학습 자료의 학습 평가 자료로부터 상기 자녀의 교육 학습도 정보를 생성하는 단계;
상기 자녀가 조회하거나 게시한 SNS 콘텐츠를 확인하고, 상기 SNS 콘텐츠로부터 키워드를 추출하는 단계;
상기 추출된 키워드를 기반으로, 관심 분야 정보를 생성하는 단계;
상기 자녀 정보로부터 상기 자녀의 나이대에 해당하는 학생이 학습하는 분야에 대한 또래 학습 정보를 생성하는 단계;
상기 교육 학습도 정보, 상기 관심 분야 정보 및 상기 또래 학습 정보에 기초하여, 상기 자녀에 대응하는 부모의 자녀 교육 전략을 인공지능모델을 통해 생성하는 단계;
상기 자녀 교육 전략을 이용하여 자녀 교육 콘텐츠를 생성하는 단계; 및
상기 자녀 교육 전략 및 상기 자녀 교육 콘텐츠를 상기 부모의 단말로 전송하는 단계를 포함하고,
상기 인공지능모델은 제1 인공신경망 및 제2 인공신경망을 포함하고,
상기 인공지능모델을 통해 상기 자녀 교육 전략을 생성하는 단계는,
상기 교육 학습도 정보, 상기 관심 분야 정보 및 또래 학습 정보에 기초하여 제1 입력 신호를 생성하는 단계,
상기 제1 입력 신호를 상기 제1 인공신경망에 적용하여 제1 출력 신호를 생성하고, 상기 제1 출력 신호에 기초하여 상기 자녀 교육 콘텐츠의 교육 분야 전략을 생성하는 단계,
상기 교육 학습도 정보로부터, 상기 자녀의 오답 비율을 확인하는 단계,
상기 자녀 정보로부터 상기 자녀의 나이대에 해당하는 또래 자녀의 부모를 확인하는 단계,
상기 또래 자녀의 부모에 대한 정보인 또래 부모 정보를 획득하는 단계,
상기 또래 부모 정보로부터, 전체 여유 시간에서 자녀 교육 학습 시간이 차지하는 비율인 자녀 교육 시간 비율을 산출하는 단계,
상기 또래 부모 정보로부터, 전체 지출 비용에서 자녀 교육 비용이 차지하는 비율인 자녀 교육 지출 비율을 산출하는 단계,
상기 오답 비율, 상기 자녀 교육 시간 비율 및 상기 자녀 교육 지출 비율에 기초하여 제2 입력 신호를 생성하는 단계,
상기 제2 입력 신호를 상기 제2 인공신경망에 적용하여 제2 출력 신호를 생성하고, 상기 제2 출력 신호에 기초하여 상기 자녀 교육 콘텐츠의 교육 시간 전략을 생성하는 단계, 및
상기 교육 분야 전략 및 상기 교육 시간 전략을 결합하여, 상기 자녀 교육 콘텐츠에 대한 상기 자녀 교육 전략을 생성하는 단계를 포함하고,
상기 자녀 교육 전략을 이용하여 자녀 교육 콘텐츠를 생성하는 단계는,
상기 자녀 교육 전략에 포함된 학습 분야를 확인하는 단계,
교육 콘텐츠 데이터베이스에서 상기 학습 분야에 대응하는 교육 콘텐츠를 추출하는 단계,
상기 자녀 교육 전략에 포함된 학습 분야의 우선도를 확인하는 단계,
상기 학습 분야 중 우선도가 가장 높은 제1 학습 분야와 관련하여, 강사가 서로 다른 제1 교육 콘텐츠 및 제2 교육 콘텐츠를 선정하는 단계,
상기 학습 분야 중 우선도가 가장 낮은 제2 학습 분야와 관련하여, 상기 교육 콘텐츠 데이터베이스에 포함된 상기 제2 학습 분야와 관련된 교육 콘텐츠 중 강의 시간이 미리 설정된 기준 이하인 제3 교육 콘텐츠를 선정하는 단계,
상기 제1 교육 콘텐츠, 상기 제3 교육 콘텐츠 및 상기 제2 교육 콘텐츠 순으로 강의 커리큘럼을 생성하는 단계,
영상 데이터베이스로부터 상기 제1 학습 분야와 관련된 영상 중 미리 설정된 조회수 및 미리 설정된 관심 지수를 만족하는 학습 관련 영상을 추출하는 단계,
뉴스 데이터베이스로부터 상기 제1 학습 분야와 관련된 기사 중 미리 설정된 조회수 및 미리 설정된 관심 지수를 만족하는 학습 관련 기사를 추출하는 단계, 및
상기 강의 커리큘럼에서 상기 제1 교육 콘텐츠와 상기 제3 교육 콘텐츠 사이 및 상기 제3 교육 콘텐츠와 상기 제2 교육 콘텐츠 사이에 상기 학습 관련 영상 및 상기 학습 관련 기사를 삽입하는 단계,를 포함하고,
상기 자녀 교육 콘텐츠를 상기 부모의 단말로 전송하는 단계 이후,
상기 자녀 교육 콘텐츠에 대하여, 상기 부모의 분야 별 학습 이해도를 확인하는 단계;
상기 부모의 분야 별 학습 이해도가 미리 설정된 기준을 만족하는 분야의 학습을 종료하는 단계;
상기 부모의 분야 별 학습 이해도가 미리 설정된 기준을 만족하지 않는 분야의 학습 반복 횟수를 산출하는 단계; 및
상기 학습 반복 횟수에 따라 보충 콘텐츠를 생성하여, 상기 보충 콘텐츠를 상기 부모의 단말로 전송하는 단계를 더 포함하고,
상기 학습 반복 횟수는,
상기 부모의 분야 별 학습 이해도가 미리 설정된 기준을 만족하지 않는 분야가 상기 관심 분야 정보에 해당하는 분야와 일치하는 경우, 상기 SNS 콘텐츠로부터 추출된 키워드 중에서 상기 관심 분야 정보에 대응하는 관심 키워드가 차지하는 비율인 관심 비율에 비례하여 결정되고,
상기 부모의 분야 별 학습 이해도가 미리 설정된 기준을 만족하지 않는 분야가 상기 관심 분야 정보에 해당하는 분야와 일치하지 않는 경우, 미리 설정된 기준을 만족하지 않는 분야에서의 상기 자녀의 오답 비율에 비례하여 결정되는,
교육 학습도 데이터 기반 인공지능 모델을 활용한 자녀 교육 콘텐츠 제공 방법.In the method performed by the device,
Receiving parent information and child information of children from a parent terminal;
collecting the child's learning data from a learning database;
generating educational learning degree information of the child from learning evaluation data of the learning data;
Checking SNS content viewed or posted by the child, and extracting keywords from the SNS content;
generating field of interest information based on the extracted keyword;
generating peer learning information about a field in which a student corresponding to the age of the child learns from the child information;
generating a parent's child education strategy corresponding to the child through an artificial intelligence model, based on the educational learning degree information, the field of interest information, and the peer learning information;
generating child education contents using the child education strategy; and
Transmitting the child education strategy and the child education content to the parent's terminal;
The artificial intelligence model includes a first artificial neural network and a second artificial neural network,
The step of generating the child education strategy through the artificial intelligence model,
Generating a first input signal based on the educational learning degree information, the interest field information, and peer learning information;
Generating a first output signal by applying the first input signal to the first artificial neural network, and generating an educational field strategy of the child's educational content based on the first output signal;
Checking the child's incorrect answer rate from the educational learning degree information;
Confirming parents of children of the age corresponding to the age of the child from the child information;
Acquiring peer parent information, which is information about parents of the child of the same age;
Calculating a ratio of child education time, which is a ratio of child education learning time to total spare time, from the parent information of the same age;
Calculating a child education expenditure ratio, which is a ratio of child education expenses to total expenditure expenses, from the parental information of the same age;
Generating a second input signal based on the incorrect answer rate, the child education time rate, and the child education expenditure rate;
Generating a second output signal by applying the second input signal to the second artificial neural network, and generating an education time strategy of the child's educational content based on the second output signal; and
generating the child education strategy for the child education content by combining the education field strategy and the education time strategy;
In the step of generating child education content using the child education strategy,
Identifying areas of learning included in the child education strategy;
Extracting educational content corresponding to the learning field from an educational content database;
Confirming the priority of the learning areas included in the child education strategy;
In relation to the first learning field having the highest priority among the learning fields, the instructor selecting different first educational contents and second educational contents;
In relation to the second learning field having the lowest priority among the learning fields, selecting third educational content whose lecture time is less than or equal to a preset standard among educational contents related to the second learning field included in the educational content database;
Generating a lecture curriculum in the order of the first educational content, the third educational content, and the second educational content;
Extracting learning-related images that satisfy a preset number of hits and a preset interest index among images related to the first learning field from an image database;
Extracting learning-related articles that satisfy a preset number of hits and a preset interest index among articles related to the first learning field from a news database; and
Inserting the learning-related video and the learning-related article between the first educational content and the third educational content and between the third educational content and the second educational content in the lecture curriculum,
After the step of transmitting the child education content to the parent terminal,
With respect to the child's educational content, confirming the parent's level of learning understanding for each field;
terminating learning in a field in which the parent's level of understanding of learning for each field satisfies a preset standard;
Calculating the number of repetitions of learning in a field in which the parent's level of learning understanding for each field does not satisfy a preset criterion; and
generating supplemental content according to the number of learning iterations and transmitting the supplemental content to the parent terminal;
The number of learning iterations,
When a field in which the parent's learning understanding by field does not satisfy a preset criterion matches a field corresponding to the field of interest information, the ratio occupied by a keyword of interest corresponding to the field of interest information among keywords extracted from the SNS content is determined in proportion to the ratio of interest in
When the field in which the parent's level of learning understanding by field does not meet the preset criteria does not match the field corresponding to the information on the field of interest, it is determined in proportion to the ratio of the child's incorrect answer in the field that does not satisfy the preset standard. felled,
A method of providing educational content to children using an artificial intelligence model based on educational learning data.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020230032511A KR102553818B1 (en) | 2023-03-13 | 2023-03-13 | Method, device and system for providing children's educational content using an artificial intelligence model based on educational learning data |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020230032511A KR102553818B1 (en) | 2023-03-13 | 2023-03-13 | Method, device and system for providing children's educational content using an artificial intelligence model based on educational learning data |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102553818B1 true KR102553818B1 (en) | 2023-07-10 |
Family
ID=87155976
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020230032511A KR102553818B1 (en) | 2023-03-13 | 2023-03-13 | Method, device and system for providing children's educational content using an artificial intelligence model based on educational learning data |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102553818B1 (en) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20090011338A (en) | 2007-07-25 | 2009-02-02 | 에스케이 텔레콤주식회사 | System, server and method for providing study content for parents of student |
| KR101899038B1 (en) * | 2017-06-27 | 2018-09-14 | 주식회사 앰플소프트 | on-line study and authoring system for eduction contents using analysis of big data |
| KR101961873B1 (en) | 2017-04-28 | 2019-03-25 | 주식회사 알에스컨설팅그룹 | Global Education Curriculum Management System and Method thereof |
| KR102047533B1 (en) * | 2018-12-10 | 2019-11-21 | 강원오픈마켓 주식회사 | Method for providing educational contents curation service |
| KR102052844B1 (en) * | 2019-01-31 | 2019-12-05 | 주식회사 아이스크림에듀 | Learning Analysis Method and System |
| KR102068658B1 (en) | 2016-11-30 | 2020-01-22 | 동국대학교 산학협력단 | Education system for development infant intelligence and method of operating the same |
| KR102427033B1 (en) * | 2020-07-27 | 2022-07-28 | 박성우 | Edutech learning management platform service system and method using artificial intelligence |
| KR20220166746A (en) | 2021-06-10 | 2022-12-19 | 다움커리어주식회사 | System for providing curriculum for career education step by step |
-
2023
- 2023-03-13 KR KR1020230032511A patent/KR102553818B1/en active IP Right Grant
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20090011338A (en) | 2007-07-25 | 2009-02-02 | 에스케이 텔레콤주식회사 | System, server and method for providing study content for parents of student |
| KR102068658B1 (en) | 2016-11-30 | 2020-01-22 | 동국대학교 산학협력단 | Education system for development infant intelligence and method of operating the same |
| KR101961873B1 (en) | 2017-04-28 | 2019-03-25 | 주식회사 알에스컨설팅그룹 | Global Education Curriculum Management System and Method thereof |
| KR101899038B1 (en) * | 2017-06-27 | 2018-09-14 | 주식회사 앰플소프트 | on-line study and authoring system for eduction contents using analysis of big data |
| KR102047533B1 (en) * | 2018-12-10 | 2019-11-21 | 강원오픈마켓 주식회사 | Method for providing educational contents curation service |
| KR102052844B1 (en) * | 2019-01-31 | 2019-12-05 | 주식회사 아이스크림에듀 | Learning Analysis Method and System |
| KR102427033B1 (en) * | 2020-07-27 | 2022-07-28 | 박성우 | Edutech learning management platform service system and method using artificial intelligence |
| KR20220166746A (en) | 2021-06-10 | 2022-12-19 | 다움커리어주식회사 | System for providing curriculum for career education step by step |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110598770B (en) | Multi-space fusion learning environment construction method and device | |
| CN111708950B (en) | Content recommendation method and device and electronic equipment | |
| JP6322707B2 (en) | Learning recommendation simulation system and method | |
| CN112052828B (en) | Learning ability determining method, learning ability determining device and storage medium | |
| Fasihuddin et al. | Towards adaptive open learning environments: Evaluating the precision of identifying learning styles by tracking learners’ behaviours | |
| CN112115246A (en) | Content recommendation method and device based on conversation, computer equipment and storage medium | |
| US11837110B2 (en) | Method of educating users by gamification | |
| Assami et al. | Ontology-based modeling for a personalized MOOC recommender system | |
| Dhakshinamoorthy et al. | KLSAS—An adaptive dynamic learning environment based on knowledge level and learning style | |
| CN116956116A (en) | Text processing method and device, storage medium and electronic equipment | |
| Sabitha et al. | A naive bayes approach for converging learning objects with open educational resources | |
| Fazeli et al. | Towards a social trust-aware recommender for teachers | |
| Bellarhmouch et al. | A proposed architectural learner model for a personalized learning environment | |
| CN114398556A (en) | Learning content recommendation method, device, equipment and storage medium | |
| Mishra et al. | Dynamic identification of learning styles in MOOC environment using ontology based browser extension | |
| Raj et al. | An improved adaptive learning path recommendation model driven by real-time learning analytics | |
| KR102610999B1 (en) | Method, device and system for providing search and recommendation service for video lectures based on artificial intelligence | |
| Rodrıguez et al. | A recommender system for non-traditional educational resources: a semantic approach | |
| KR102553818B1 (en) | Method, device and system for providing children's educational content using an artificial intelligence model based on educational learning data | |
| CN117056595A (en) | Interactive project recommendation method and device and computer readable storage medium | |
| Sayed et al. | Towards a learning style and knowledge level-based adaptive personalized platform for an effective and advanced learning for school students | |
| Klock et al. | Adaptive hypermedia systems | |
| Schatten et al. | Vygotsky based sequencing without domain information: a matrix factorization approach | |
| CN113360669A (en) | Knowledge tracking method based on gated graph convolution time sequence neural network | |
| Fakooa et al. | A smart mobile application for learning english verbs in mauritian primary schools |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |