KR102607903B1 - 초개인화 학습을 위한 진단, 분석 및 예측 플랫폼 제공 방법 및 이러한 방법을 수행하는 장치 - Google Patents

초개인화 학습을 위한 진단, 분석 및 예측 플랫폼 제공 방법 및 이러한 방법을 수행하는 장치 Download PDF

Info

Publication number
KR102607903B1
KR102607903B1 KR1020220133117A KR20220133117A KR102607903B1 KR 102607903 B1 KR102607903 B1 KR 102607903B1 KR 1020220133117 A KR1020220133117 A KR 1020220133117A KR 20220133117 A KR20220133117 A KR 20220133117A KR 102607903 B1 KR102607903 B1 KR 102607903B1
Authority
KR
South Korea
Prior art keywords
learning
vector
knowledge graph
user
data
Prior art date
Application number
KR1020220133117A
Other languages
English (en)
Inventor
김현영
이종윤
Original Assignee
주식회사 보인정보기술
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 주식회사 보인정보기술 filed Critical 주식회사 보인정보기술
Priority to KR1020220133117A priority Critical patent/KR102607903B1/ko
Application granted granted Critical
Publication of KR102607903B1 publication Critical patent/KR102607903B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/20—Education
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • 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

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Tourism & Hospitality (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Educational Administration (AREA)
  • Educational Technology (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

본 발명은 초개인화 학습을 위한 진단, 분석 및 예측 플랫폼 제공 방법 및 이러한 방법을 수행하는 장치에 관한 것이다. 초개인화 학습을 위한 플랫폼 제공 방법은 초개인화 학습 플랫폼 제공 시스템이 사용자 장치로부터 개인 학습 데이터를 수신하는 단계, 초개인화 학습 플랫폼 제공 시스템이 상기 개인 학습 데이터를 저장하는 단계, 초개인화 학습 플랫폼 제공 시스템이 개인 학습 데이터를 기반으로 개인화 학습용 진단 분석 및 개인화 학습용 예측을 수행하는 단계와 초개인화 학습 플랫폼 제공 시스템이 개인화 학습용 진단 분석 및 개인화 학습용 예측을 기반으로 개인화된 학습 커리큘럼을 제공하는 단계를 포함할 수 있다.

Description

초개인화 학습을 위한 진단, 분석 및 예측 플랫폼 제공 방법 및 이러한 방법을 수행하는 장치{Method for providing diagnosis, analysis and prediction platform for hyper-personalized learning and apparatus for performing the method}
본 발명은 초개인화 학습을 위한 진단, 분석 및 예측 플랫폼 제공 방법 및 이러한 방법을 수행하는 장치에 관한 것이다. 보다 상세하게는 학습 빅데이터를 기반으로 인공지능과 머신러닝을 통하여 학습 알고리즘을 도출하여 학습자에 대한 정밀한 학습 분석을 통한 학습 예측 및 학습 진단을 수행하는 초개인화 학습을 위한 진단, 분석 및 예측 플랫폼 제공 방법 및 이러한 방법을 수행하는 장치에 관한 것이다.
초개인화 학습에서의 핵심인 초개인화 기술은, AdTech 영역에서 가장 먼저 가장 활발하게 연구되고 상용화되어 2021년 현재 다양한 분석의 구현과 적용을 통해 구체화되고 계속 고도화 중이다.
PWC는 광고 초개인화를‘적절한 고객에게, 그들이 원하는 순간, 가치있는 메시지를 전달(right message, to the right person, at the right time)’하여 고객의 참여를 이끌어냄으로 정의하였다.
대표적인 초개인화 광고 플랫폼 기업인 WebEngage는 이미 2020년 1월 자료에서 개인화 기술의 성숙 단계에 따라 광고 수익의 변화를 예측하였고, 그들이 제시 한 개인화의 레벨에 따르면, 90%의 기업이 규칙 기반의 세그멘테이션(고객분류, Segmentation) 수준에 머물러 있으나, 최근 인공지능 및 딥러닝 기술을 활용하여, 이를 넘어서는 마이크로 세그멘테이션(Micro Segmentation), 행동 기반 추천, 옴니채널 (Omni-channel) 최적화 그리고 행동 예측 개인화 순으로 진보하고 있다고 설명한다.
따라서, 행동 기반 추천, 옴니채널(Omni-Channel) 최적화, 행동 예측 개인화 등으로 고도화된 AdTech의 초개인화 기술은 Funnel 분석 및 Path 분석 기법 등에 융합되어 다양한 컨텍스트에서 경로를 분석하여 메트릭을 최적화하고 신규 상품에 대한 최적 판매 방안을 결정하는데 활용 중이다.
대표적인 교육기업 McGrawhill은 LearnSmart 서비스에서 초개인화 학습은 학습 빅데이터를 기반으로 인공지능과 머신러닝을 통하여 학습 알고리즘을 도출하여 학습자의 초 정밀한 학습 분석을 통한 학습예측 및 진단하는 것으로 정의하였다.
AIED(AI in Education) 주요 기업들은 학습 분석-학습 추천 단계를 넘어 개인별 지식/학습 예측 및 처방을 위해 학습/행태 데이터에 초점을 두어 기존 LMS(learning management system)의 LXP(Learning Experience Platform)로의 업그레이드가 추진 중이며, 다양한 오픈 소스들을 접목하여 학습이 지원된다.
현재 LMS 기반 정형화된 학습 데이터, 또는 문제 풀이에 한정된 분석만 이루어지고 있어, 이를 LXP 환경으로 확장하여 여기에서 얻어지는 학습 빅데이터를 학습/행태 데이터 이외 개인 프로필 및 취향 데이터(profile & preference data)로 확장하고, 학습 행태 기반 추천, 옴니 채널 최적화, 행동 예측 개인화 등의 실질적 적용이 필요하다.
선행기술로는 한국 특허 공개특허공보 제10-2019-0139080호가 있다.
본 발명은 상술한 문제점을 모두 해결하는 것을 그 목적으로 한다.
또한, 본 발명은, 초개인화 학습을 위한 진단, 분석 및 예측 플랫폼을 제공함으로써 사용자에게 초개인화된 학습을 제공하는 것을 목적으로 한다.
또한, 본 발명은, 사용자의 개인 학습 데이터를 표준화하여 저장하고, 개인 학습 데이터를 기반으로 생성된 지식 그래프를 기반으로 초개인화된 학습을 제공하는 것을 목적으로 한다.
상기 목적을 달성하기 위한 본 발명의 대표적인 구성은 다음과 같다.
본 발명의 일 실시예에 따르면, 초개인화 학습을 위한 진단, 분석 및 예측 플랫폼 제공 방법은 초개인화 학습 플랫폼 제공 시스템이 사용자 장치로부터 개인 학습 데이터를 수신하는 단계, 상기 초개인화 학습 플랫폼 제공 시스템이 상기 개인 학습 데이터를 저장하는 단계, 상기 초개인화 학습 플랫폼 제공 시스템이 상기 개인 학습 데이터를 기반으로 개인화 학습용 진단 분석 및 개인화 학습용 예측을 수행하는 단계와 상기 초개인화 학습 플랫폼 제공 시스템이 상기 개인화 학습용 진단 분석 및 상기 개인화 학습용 예측을 기반으로 개인화된 학습 커리큘럼을 제공하는 단계를 포함할 수 있다.
한편, 상기 개인 학습 데이터는 지식 그래프로 변화되어 저장되고, 상기 지식 그래프는 주체 데이터, 동작 데이터 및 객체 데이터를 기반으로 생성될 수 있다.
또한, 상기 개인화 학습용 진단 분석 및 상기 개인화 학습용 예측은 지식 그래프를 벡터화한 지식 그래프 벡터를 기반으로 수행되고, 상기 지식 그래프 벡터는 객체 데이터 벡터 생성 엔진 및 동작 데이터 벡터 생성 엔진에 의해 결정된 객체 데이터 벡터 및 동작 데이터 벡터를 기반으로 결정될 수 있다.
본 발명의 다른 실시예에 따르면, 초개인화 학습을 위한 진단, 분석 및 예측 플랫폼 제공하는 초개인화 학습 플랫폼 제공 시스템은 사용자 장치로부터 개인 학습 데이터를 수신하고, 상기 개인 학습 데이터를 저장하고, 상기 개인 학습 데이터를 기반으로 개인화 학습용 진단 분석 및 개인화 학습용 예측을 수행하고, 상기 개인화 학습용 진단 분석 및 상기 개인화 학습용 예측을 기반으로 개인화된 학습 커리큘럼을 제공하도록 구현될 수 있다.
한편, 상기 개인 학습 데이터는 지식 그래프로 변화되어 저장되고, 상기 지식 그래프는 주체 데이터, 동작 데이터 및 객체 데이터를 기반으로 생성될 수 있다.
또한, 상기 개인화 학습용 진단 분석 및 상기 개인화 학습용 예측은 지식 그래프를 벡터화한 지식 그래프 벡터를 기반으로 수행되고, 상기 지식 그래프 벡터는 객체 데이터 벡터 생성 엔진 및 동작 데이터 벡터 생성 엔진에 의해 결정된 객체 데이터 벡터 및 동작 데이터 벡터를 기반으로 결정될 수 있다.
본 발명에 의하면, 초개인화 학습을 위한 진단, 분석 및 예측 플랫폼을 통해 사용자에게 초개인화된 학습이 제공될 수 있다.
또한, 본 발명에 의하면, 사용자의 개인 학습 데이터를 표준화하여 저장하고, 개인 학습 데이터를 기반으로 생성된 지식 그래프를 기반으로 초개인화된 학습이 제공될 수 있다.
도 1은 본 발명의 실시예에 따른 초개인화 학습 플랫폼 제공 시스템을 나타낸 개념도이다.
도 2는 본 발명의 실시예에 따른 개인 학습 분석 장치의 동작을 나타낸 개념도이다.
도 3은 본 발명의 실시예에 따른 개인 학습 데이터 저장 장치의 동작을 나타낸 개념도이다.
도 4는 본 발명의 실시예에 따른 개인 학습 데이터를 나타낸 개념도이다.
도 5는 본 발명의 실시예에 따른 개인 학습 커리큘럼 생성 장치의 동작을 나타낸 개념도이다.
도 6은 본 발명의 실시예에 따른 지식 그래프 처리 방법을 나타낸 개념도이다.
도 7은 본 발명의 실시예에 따른 지식 그래프 처리 방법을 나타낸 개념도이다.
도 8은 본 발명의 실시예에 따른 지식 그래프 벡터를 기반으로 개인 학습에 대한 진단 분석 및 예측을 수행하는 방법을 나타낸 개념도이다.
후술하는 본 발명에 대한 상세한 설명은, 본 발명이 실시될 수 있는 특정 실시예를 예시로서 도시하는 첨부 도면을 참조한다. 이러한 실시예는 당업자가 본 발명을 실시할 수 있기에 충분하도록 상세히 설명된다. 본 발명의 다양한 실시예는 서로 다르지만 상호 배타적일 필요는 없음이 이해되어야 한다. 예를 들어, 본 명세서에 기재되어 있는 특정 형상, 구조 및 특성은 본 발명의 정신과 범위를 벗어나지 않으면서 일 실시예로부터 다른 실시예로 변경되어 구현될 수 있다. 또한, 각각의 실시예 내의 개별 구성요소의 위치 또는 배치도 본 발명의 정신과 범위를 벗어나지 않으면서 변경될 수 있음이 이해되어야 한다. 따라서, 후술하는 상세한 설명은 한정적인 의미로서 행하여 지는 것이 아니며, 본 발명의 범위는 특허청구범위의 청구항들이 청구하는 범위 및 그와 균등한 모든 범위를 포괄하는 것으로 받아들여져야 한다. 도면에서 유사한 참조부호는 여러 측면에 걸쳐서 동일하거나 유사한 구성요소를 나타낸다.
이하에서는, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 본 발명을 용이하게 실시할 수 있도록 하기 위하여, 본 발명의 여러 바람직한 실시예에 관하여 첨부된 도면을 참조하여 상세히 설명하기로 한다.
도 1은 본 발명의 실시예에 따른 초개인화 학습 플랫폼 제공 시스템을 나타낸 개념도이다.
도 1에서는 개인 학습에 대한 진단, 분석 및 예측을 수행하는 초개인화 학습 플랫폼을 사용자에게 제공하기 위한 초개인화 학습 플랫폼 제공 시스템이 개시된다.
도 1을 참조하면, 초개인화 학습 플랫폼 제공 시스템은 사용자 장치(100), 초개인화 학습 플랫폼 제공 장치(110), 개인 학습 데이터 저장 장치(120), 개인 학습 분석 장치(130), 개인 학습 커리큘럼 생성 장치(140), 개인 학습 추천 장치(150)를 포함할 수 있다.
사용자 장치(100)는 초개인화 학습 플랫폼을 기반으로 학습 서비스를 제공받는 장치일 수 있다.
초개인화 학습 플랫폼 제공 장치(110)는 개인 학습에 대한 진단, 분석 및 예측을 통해 개인에게 맞춤형 교육 서비스를 제공하기 위한 플랫폼을 서비스하기 위한 장치일 수 있다. 초개인화 학습 플랫폼 제공 장치(110)는 LXP(learning experience platform)로서 학습 경험을 통합적으로 보여주며, 학습 경험을 기반으로 학습자들에게 맞춤형 교육을 제공할 수 있다. 초개인화 학습 플랫폼을 통해 학습자의 관점에서 학습 범위 확장과 통합적인 학습 관리가 가능하다.
예를 들어, 초개인화 학습 플랫폼은 사용자가 가지고 있는 경험(온라인 및 오프라인)에 대한 데이터를 수집할 수 있다. 초개인화 학습 플랫폼은 학습 시스템, 디바이스, 매체, 사용자, 활동에서 발생한 학습자 경험 데이터를 간단한 형식의 문장 형태로 생성 및 LRS(Learning Record Store)에 저장하여 학습 분석에 필요한 데이터를 지원할 수 있다.
개인 학습 데이터 저장 장치(120)는 개인 학습 데이터를 저장하기 위해 구현될 수 있다. 개인 학습 데이터는 수업 및 학습 자료를 설계와 제작을 위한 정보 검색 및 작업 중에 발생하는 활동에 대한 정보, 초분절 상태로 구분된 결과물과 학습자 배포 자료 정보, 학습 성취도 측정을 위해 출제하는 퀴즈 및 시험 관리와 정답/오답 여부, 입력한 답의 내용과 선택 이유에 대한 정보, 예상 풀이 시간 정보, 학습 보고서 정보, 강의, 학습자, 학습 기간에 따른 학습 이력과 현황을 수집하고 학생 독려를 위한 내용과 상담 이력 등과 같은 학습과 관련된 다양한 정보를 저장할 수 있다.
개인 학습 분석 장치(130)는 개인 학습에 대한 분석을 수행하고 개인 학습 분석 결과를 기반으로 학습을 추천하기 위해 구현될 수 있다. 개인 학습 분석 장치(130)는 개인화 학습용 진단 분석, 개인화 학습용 예측을 통해 최적의 학습 추천을 수행할 수 있다.
개인 학습 커리큘럼 생성 장치(140)는 개인화된 학습 커리큘럼을 생성하여 제공하기 위해 구현될 수 있다. 개인 학습 커리큘럼 생성 장치(140)는 자동 문항 생성 기술(AIG, automatic item generator), 커리큘럼 분절화 기술 등을 기반으로 개인 학습 커리큘럼을 생성할 수 있다.
개인 학습 추천 장치(150)는 개인 학습 문석 장치에 의해 분석 이후, 개인 학습 커리큘럼 생성 장치에 의해 생성된 학습 커리큘럼을 사용자에게 제공하기 위해 구현될 수 있다.
도 2는 본 발명의 실시예에 따른 개인 학습 분석 장치의 동작을 나타낸 개념도이다.
도 2에서는 개인 학습 분석 장치의 개인 학습 분석 결과를 기반으로 학습을 추천하는 동작이 개시된다.
도 2를 참조하면, 개인 학습 분석 장치는 개인화 학습용 진단 분석 장치(210), 개인화 학습용 예측 장치(220) 및 개인 최적화 학습 추천 장치(230)를 포함할 수 있다.
개인화 학습용 진단 분석 장치(210)는 사용자에 대한 교육 과정에서 사용자 경험을 분석하기 위한 장치로서 사용자들의 피드백을 수집하기 위해 구현될 수 있다. 개인화 학습용 진단 분석 장치(210)는 개인 학습 데이터에 대한 진단 및 분석을 수행하여 개인 학습 진단 분석 결과 데이터를 생성할 수 있다.
개인화 학습용 예측 장치(220)는 개인 학습 진단 분석 결과 데이터를 기반으로 사용자의 과목별 성적 평균 예측, 수업 콘텐츠/커리큘럼/경로에 대한 사용자 성과 예측, 권장 시스템을 통한 상위 학교 입학 예측, 스마트(온라인) 학습 성과 예측, 교수자 대응 학습자별 매칭에 대한 성과 예측 등을 수행할 수 있다. 개인화 학습용 예측 장치는 개인 학습 진단 분석 결과 데이터를 기반으로 개인 학습 예측 결과 데이터를 생성할 수 있다.
개인 최적화 학습 추천 장치(230)는 개인 학습 예측 결과 데이터를 기반으로 개인에게 최적화된 학습 정보를 추천하기 위해 구현될 수 있다. 개인 최적화 학습 추천 장치(230)는 양방향 학습을 위한 커리큘럼 설계 및 학습 콘텐츠 가공을 수행하여 사용자에게 제공할 수 있다.
도 3은 본 발명의 실시예에 따른 개인 학습 데이터 저장 장치의 동작을 나타낸 개념도이다.
도 3에서는 개인 학습 데이터 저장 장치는 개인 학습 데이터를 저장하기 위한 동작이 개시된다.
도 3을 참조하면, 개인 학습 데이터를 저장하기 위한 데이터 모델이 개시된다. 개인 학습 데이터는 주체 데이터(310), 동작 데이터(320), 객체 데이터(330)를 포함할 수 있다.
주체 데이터(310)는 학습을 수행한 주체(사용자), 학습을 제공한 주체(교수자)와 같은 학습 관련 데이터를 생성한 주체에 대한 정보를 포함할 수 있다.
동작 데이터(320)는 주체가 수행한 동작에 대한 정보로서 질문을 하거나, 학습 동영상을 재생하거나 중지하거나, 어떠한 질문에 대한 답을 하는 등의 동작에 대한 정보를 포함할 수 있다.
객체 데이터(330)는 동작의 대상이 되는 것으로써 사용자가 시청한 동영상 데이터, 강의, 단원, 문제, 해설 등에 대한 데이터일 수 있다. 사용자가 학습 과정에서 수행한 동작을 기초로 한 개인 학습 데이터가 (주체 데이터, 동작 데이터, 객체 데이터)로서 표준화되어 수집될 수 있다.
개인 학습 데이터는 지식 그래프로서 변환되어 처리될 수도 있다.
하나의 지식 그래프는 (주체 데이터, 동작 데이터, 객체 데이터)로서 형성될 수 있고, 지식 그래프는 통합되거나 상호 간에 연결되어 추후 개인 최적화 학습 추천을 위해 활용될 수 있다.
도 4는 본 발명의 실시예에 따른 개인 학습 데이터를 나타낸 개념도이다.
도 4에서는 주체 데이터, 동작 데이터, 객체 데이터를 기반으로 생성된 개인 학습 데이터가 개시된다.
도 4를 참조하면, 주체 데이터, 동작 데이터, 객체 데이터를 기반으로 한 개인 학습 데이터가 개시된다.
주체 데이터는 홍길동과 같은 교육을 받는 주체에 대한 데이터일 수 있다.
동작 데이터는 학습 활동 상태로서 'bookmarked'와 같은 데이터일 수 있다.
객체 데이터는 나머지 데이터로서 카테고리, 단원명, 영상 제목, 영상 길이, 영상 위치, 학습 날짜, 발생 시간 등에 대한 데이터일 수 있다.
도 5는 본 발명의 실시예에 따른 개인 학습 커리큘럼 생성 장치의 동작을 나타낸 개념도이다.
도 5에서는 개인 학습 커리큘럼 생성 장치가 학습 커리큘럼을 생성하는 동작이 개시된다.
도 5를 참조하면, 개인 학습 커리큘럼 생성 장치는 사용자별 맞춤형 콘텐츠 추천을 위해 커리큘럼 및 콘텐츠의 초 분절화를 수해할 수 있다.
또한, 개인 학습 커리큘럼 생성 장치는 개인별로 다양한 커리큘럼에 따른 성취도 평가를 위해서는 동적 테스트 문항을 제공할 수 있다.
동적 문항 제공을 위해 각 테스트 문항을 커리큘럼 별로 나누어 구성하고 다양한 사용자의 커리큘럼 조합에 대해 적절한 문제가 제공되도록 구성할 수 있다. 정해져 있는 제한된 문항제공 뿐 아니라, 자동문항생성(AIG)을 통해 학습자에게 다양한 문항들을 동적으로 제공하기 위한 문항 확보가 될 수 있다. 생성된 AIG 문항과 기존 문항의 통합을 위해 이미지로 되어 있는 문항은 LaTeX 형식의 수식 문법으로 변환하여 처리될 수 있다.
도 6은 본 발명의 실시예에 따른 지식 그래프 처리 방법을 나타낸 개념도이다.
도 6에서는 개인 학습 데이터 저장 장치에서 지식 그래프를 기반으로 개인 학습 데이터를 저장하기 위한 동작이 개시된다.
도 6을 참조하면, 개인별 지식 그래프를 기반으로 개인 학습 데이터를 저장하기 위한 방법이 개시된다. 전술한 바와 같이 지식 그래프는 주체 데이터(610), 동작 데이터(620), 객체 데이터(630)를 기반으로 생성될 수 있다.
주체 데이터는 사용자를 식별하고, 사용자별로 지식 그래프를 수집하기 위해 활용될 수 있다. 사용자를 식별하기 위한 사용자 식별자가 할당되고, 사용자 식별자를 기반으로 한 주체 데이터의 생성을 통해 사용자별 지식 그래프가 수집될 수 있다.
동작 데이터는 사용자의 학습을 위한 동작에 대해 시간에 따른 학습 상태의 변화를 확인하기 위해 활용될 수 있다. 지식 그래프는 주체 데이터에 의해 식별되는 사용자를 기준으로 수집되고, 사용자의 학습 상태의 변화를 확인하기 위해 활용될 수 있다. 지식 그래프는 시간 정보를 고려하여 수집되고, 동작 데이터를 기반으로 객체 데이터에 의해 식별된 사용자의 특정 학습 주제에 대한 학습 상태가 판단될 수 있다.
객체 데이터는 사용자의 학습 대상을 판단하기 위해 구현될 수 있다. 사용자가 현재 학습을 수행하고 있는 학습 대상은 객체 데이터에 저장될 수 있고, 객체 데이터를 기준으로 추가적인 분류를 통해 사용자의 특정 학습 대상에 대한 학습 상태가 판단될 수 있다.
우선 개인 학습 데이터 저장 장치는 지식 그래프의 주체 데이터를 기반으로 1차 필터링(650)을 수행하여 개인별 지식 그래프를 사용자별로 분류하여 저장할 수 있다.
2차적으로 개인 학습 데이터 저장 장치는 객체 데이터에 대한 정보를 기반으로 2차 필터링(660)을 수행하여 객체 데이터별로 지식 그래프를 분류할 수 있다. 예를 들어, 수학 행렬 단원에 대한 학습이 수행되는 경우, 지식 그래프의 객체 데이터는 수학 행렬에 대응되고, 수학 행렬 부분에 해당하는 부분에 대한 지식 데이터는 별도로 필터링되어 수집될 수 있다.
개인 학습 데이터 저장 장치는 지식 그래프의 생성 시간을 추가하고, 동작 데이터를 기반으로 학습 대상에 대한 어떠한 학습이 수행되는지를 판단하도록 할 수 있다. 예를 들어, 수학 행렬에 대한 강의 수강, 문제 풀이 등과 같은 사용자의 시간에 따른 동작 데이터를 고려한 지식 그래프의 추가를 통해 특정 학습 대상에 대한 사용자의 학습 정도에 대한 판단을 수행할 수 있도록 지식 그래프가 처리될 수 있다.
도 7은 본 발명의 실시예에 따른 지식 그래프 처리 방법을 나타낸 개념도이다.
도 7에서는 지식 그래프를 기반으로 사용자의 개인 학습 데이터를 처리하기 위한 방법이 개시된다.
도 7을 참조하면, 개인 학습 데이터의 처리를 위해 객체 데이터에 대한 분류가 수행될 수 있다. 객체 데이터는 학습 대상으로서 객체 데이터 간의 동일성 판단 또는 유사도 판단을 통해 사용자의 학습 상태에 대한 판단이 수행될 수 있다. 예를 들어, 객체 데이터 간의 동일성 판단 및 유사도 판단은 객체 데이터 판단 뎁스(depth) 및 지식 그래프의 벡터화를 기반으로 수행될 수 있다.
객체 데이터 판단 뎁스는 학습 대상이 객체 데이터의 유사도, 동일성을 판단하기 위한 단계일 수 있다. 예를 들어, 객체 데이터를 판단하기 위해 수학, 방정식, 2차 방정식 등과 같은 상위 계층부터 하위 계층까지 다양한 뎁스로 객체 데이터 판단 뎁스가 설정될 수 있고, 이에 따라 지식 그래프가 처리될 수 있다.
학습 대상은 다양한 학습 대상 계층 구조를 기반으로 상위 계층부터 하위 계층까지 설정될 수 있고, 설정된 객체 데이터 판단 뎁스에 따라 동일한 학습 대상으로 판단되거나 동일하지 않은 학습 대상으로 판단될 수 있다.
본 발명의 실시예에 따르면, 지식 그래프에 대한 벡터화는 주체 데이터를 제외한 동작 데이터, 객체 데이터를 기반으로 수행될 수 있다.
동작 데이터를 벡터화한 동작 데이터 벡터와 객체 데이터를 벡터화한 객체 데이터 벡터가 존재하고, 동작 데이터 벡터와 객체 데이터 벡터를 기반으로 지식 그래프 간의 유사도가 판단될 수 있다.
(1) 객체 데이터 벡터 학습
객체 데이터 벡터는 전술한 객체 데이터 판단 뎁스를 고려한 객체 데이터 및 객체 데이터 판단 뎁스에 대한 학습을 기반으로 수행될 수 있다. 객체 데이터 벡터 생성 엔진(700)은 객체 데이터 및 객체 데이터 판단 뎁스에 대한 학습을 기반으로 학습될 수 있고, 학습된 객체 데이터 벡터 생성 엔진(700)은 객체 데이터 벡터(710)를 출력할 수 있다.
학습 대상은 학습 대상에 대한 학습 대상 계층 구조에 대한 정보와 함께 객체 데이터 벡터 생성 엔진(700)으로 입력되어 학습될 수 있다. 객체 데이터 벡터 생성 엔진(700)은 학습 결과를 기반으로 특정 학습 대상이 입력된 경우, 특정 학습 대상에 대응되는 객체 데이터 벡터가 결정될 수 있다. 객체 데이터 벡터 생성 엔진(700)은 학습 대상 계층 구조를 기반으로 동일 또는 유사한 학습 대상은 동일 또는 유사한 벡터값을 가지도록 학습될 수 있다.
(2) 동작 데이터 벡터 학습
동작 데이터 벡터는 동작 데이터 및 동작 카테고리를 고려한 동작 데이터 및 동작 카테고리 정보에 대한 학습을 통해 결정될 수 있다. 동작 데이터 벡터 생성 엔진(720)은 동작 데이터 및 동작 카테고리 정보에 대한 학습을 기반으로 학습될 수 있고, 학습된 동작 데이터 벡터 생성 엔진(720)은 동작 데이터 벡터를 출력할 수 있다.
동작 카테고리는 기본적으로 학습 동작, 학습 확인 동작으로 분류될 수 있다. 학습 동작 및 학습 확인 동작으로 동작 카테고리를 분류하는 것은 하나의 예시이고, 다른 다양한 카테고리로 동작 데이터가 분류될 수도 있다.
동작 데이터 벡터는 학습 동작을 기반으로 한 동작 데이터 벡터(학습)(730)과 학습 확인 동작(또는 테스트 결과)를 기반으로 한 동작 데이터 벡터(학습 결과)(740)를 포함할 수 있다.
학습 동작은 학습을 수행하는 동작으로서 동영상의 시청, 텍스트 확인, 문제 풀이 등의 동작일 수 있다. 학습 동작도 위와 같이 동영상의 시청, 텍스트 확인, 문제 풀이 등과 같은 구체적인 동작에 따라 카테고리화될 수 있다. 유사한 학습 효과를 가지는 학습 동작일수록 유사한 동작 데이터 벡터(학습)(730)으로 매칭되도록 동작 데이터 벡터 생성 엔진에 대한 학습이 수행될 수 있다.
학습 확인 동작은 학습 결과를 확인하는 동작으로서 시험과 같은 학습 결과를 테스트하는 동작일 수 있다. 학습 확인 동작은 동작 데이터 벡터(학습 결과)(740)로 생성될 수 있다.
즉, 동작 데이터 벡터는 동작 카테고리에 따라 동작 데이터 벡터(학습)(730), 동작 데이터 벡터(학습 결과)(740)로 분류될 수 있다. 객체 데이터 벡터와 동작 데이터 벡터를 결합하여 지식 그래프에 대한 지식 그래프 벡터(750)가 형성될 수 있고, 지식 그래프 벡터(750)를 기반으로 사용자의 학습 상태에 대한 판단이 수행될 수 있다.
도 8은 본 발명의 실시예에 따른 지식 그래프 벡터를 기반으로 개인 학습에 대한 진단 분석 및 예측을 수행하는 방법을 나타낸 개념도이다.
도 8에서는 객체 데이터 벡터와 동작 데이터 벡터를 기반으로 개인 학습에 대한 진단 분석 및 예측을 수행하는 방법이 개시된다.
도 8을 참조하면, 객체 데이터 벡터와 동작 데이터 벡터를 기반으로 지식 그래프 벡터는 2가지 타입으로 분류될 수 있다.
제1 지식 그래프 벡터는 객체 데이터 벡터와 동작 데이터 벡터(학습)을 결합한 벡터이다.
제2 지식 그래프 벡터는 객체 데이터 벡터와 동작 데이터 벡터(학습 결과)를 결합한 벡터이다.
특정 학습 대상에 대한 학습이 수행되고, 학습 대상에 대한 테스트도 수행된 경우, 특정 객체 데이터 벡터에 대해 제1 지식 그래프 벡터와 제2 지식 그래프 벡터가 존재한다. 제1 지식 그래프 벡터와 제2 지식 그래프 벡터가 모두 존재하는 학습 대상은 제1 학습 분석 대상이다.
특정 학습 대상에 대한 학습이 수행되고, 학습 대상에 대한 테스트가 수행되지 않은 경우, 특정 객체 데이터 벡터에 대해 제1 지식 그래프 벡터만이 존재한다. 제1 지식 그래프 벡터만이 모두 존재하는 학습 대상은 제2 학습 분석 대상이다.
(1) 개인 학습 진단 분석
제1 학습 분석 대상에 대해서는 제1 지식 그래프 벡터(810)와 제2 지식 그래프 벡터(820)를 모두 고려한 개인 학습 진단 분석이 실시될 수 있다.
사용자에 대한 학습 분석을 위해 사용자와 비교될 수 있는 학습 상태의 다른 사용자가 비교 대상 사용자로 추출될 수 있다. 비교 대상 사용자는 사용자의 제1 지식 그래프 벡터(810) 및 제2 지식 그래프 벡터(820)와 유사한 제1 지식 그래프 벡터(810) 및 제2 지식 그래프 벡터(820)를 가지는 다른 사용자일 수 있다.
1차적으로 제1 지식 그래프 벡터(810)가 유사한 후보 사용자(830)가 추출될 수 있다. 제1 지식 그래프 벡터(810)의 유사도는 제1 지식 그래프 벡터(810) 간의 거리를 기반으로 결정될 수 있다. 사용자의 제1 지식 그래프 벡터(810)와 다른 사용자의 제1 지식 그래프 벡터(810) 간의 거리가 가까울수록 유사도가 높다고 판단될 수 있다.
사용자에 대응되는 복수의 제1 지식 그래프 벡터(810) 각각과 가장 인접한 다른 사용자의 복수의 제1 지식 그래프 벡터(810) 간의 거리를 기반으로 유사도가 결정되고, 유사도를 기반으로 후보 사용자(830)가 추출될 수 있다.
2차적으로 사용자의 제2 지식 그래프 벡터(820)와 후보 사용자(830)의 제2 지식 그래프 벡터(820)를 비교하여 비교 대상 사용자가 결정될 수 있다.
제2 지식 그래프 벡터(820)를 기반으로 후보 사용자(830) 중 사용자보다 낮은 학습 상태를 가지는 사용자 그룹1, 사용자와 유사한 학습 상태를 가지는 사용자 그룹2, 사용자보다 높은 학습 상태를 가지는 사용자 그룹3을 그룹핑하여 추출할 수 있다.
사용자의 제2 지식 그래프 벡터(820)와 후보 사용자의 제2 지식 그래프 벡터(820) 간의 거리를 기반으로 사용자 그룹1, 사용자 그룹2 및 사용자 그룹3이 결정될 수 있다. 사용자 그룹1, 사용자 그룹2 및 사용자 그룹3을 결정하기 위한 제2 지식 그래프 벡터(820) 간의 거리는 후보 사용자의 제2 지식 그래프 벡터(820) 간의 클러스터링 결과를 기준으로 조정될 수 있다. 후보 사용자의 제2 지식 그래프 벡터(820)는 좌표 상에서 클러스터링이 수행되고, 클러스터링 결과를 기반으로 객체 데이터별로 서로 다른 제2 지식 그래프 벡터(820) 간의 거리가 설정되어 사용자 그룹1, 사용자 그룹2 및 사용자 그룹3이 결정될 수 있다. 사용자 그룹1, 사용자 그룹2 및 사용자 그룹3은 비교 대상 사용자(840)로 활용될 수 있다.
개인 학습 진단 분석은 사용자와 사용자 그룹1, 사용자 그룹2 및 사용자 그룹3 각각의 비교 대상 사용자(840) 간의 비교를 기반으로 수행될 수 있고, 비교 대상 사용자(840)의 학습 대상과 사용자의 학습 대상 간의 비교, 비교 대상 사용자(840)의 학습 결과와 사용자의 학습 결과 간의 비교를 기반으로 개인 학습 진단 분석이 수행될 수 있다.
(2) 개인 학습 예측
개인 학습 예측은 사용자 그룹2를 기준으로 수행될 수 있다. 사용자 그룹2에 포함되는 비교 대상 사용자(840) 중 시간에 따라 학습 결과 상 학습 결과가 좋아지는 사용자가 예측 대상 사용자(850)로 결정될 수 있다.
예측 대상 사용자(850)의 지식 그래프 벡터를 기반으로 사용자에게 추후 학습할 커리큘럼에 대한 추천이 이루어질 수 있고, 개인 학습 예측 결과를 제공할 수도 있다.
이상 설명된 본 발명에 따른 실시예는 다양한 컴퓨터 구성요소를 통하여 실행될 수 있는 프로그램 명령어의 형태로 구현되어 컴퓨터 판독 가능한 기록 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능한 기록 매체는 프로그램 명령어, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 컴퓨터 판독 가능한 기록 매체에 기록되는 프로그램 명령어는 본 발명을 위하여 특별히 설계되고 구성된 것이거나 컴퓨터 소프트웨어 분야의 당업자에게 공지되어 사용 가능한 것일 수 있다. 컴퓨터 판독 가능한 기록 매체의 예에는, 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM 및 DVD와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical medium), 및 ROM, RAM, 플래시 메모리 등과 같은, 프로그램 명령어를 저장하고 실행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령어의 예에는, 컴파일러에 의하여 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용하여 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드도 포함된다. 하드웨어 장치는 본 발명에 따른 처리를 수행하기 위하여 하나 이상의 소프트웨어 모듈로 변경될 수 있으며, 그 역도 마찬가지이다.
이상에서 본 발명이 구체적인 구성요소 등과 같은 특정 사항과 한정된 실시예 및 도면에 의하여 설명되었으나, 이는 본 발명의 보다 전반적인 이해를 돕기 위하여 제공된 것일 뿐, 본 발명이 상기 실시예에 한정되는 것은 아니며, 본 발명이 속하는 기술분야에서 통상적인 지식을 가진 자라면 이러한 기재로부터 다양한 수정과 변경을 꾀할 수 있다.
따라서, 본 발명의 사상은 상기 설명된 실시예에 국한되어 정해져서는 아니 되며, 후술하는 특허청구범위뿐만 아니라 이 특허청구범위와 균등한 또는 이로부터 등가적으로 변경된 모든 범위는 본 발명의 사상의 범주에 속한다고 할 것이다.

Claims (6)

  1. 초개인화 학습을 위한 진단, 분석 및 예측 플랫폼 제공 방법은,
    초개인화 학습 플랫폼 제공 시스템이 사용자 장치로부터 개인 학습 데이터를 수신하는 단계;
    상기 초개인화 학습 플랫폼 제공 시스템이 상기 개인 학습 데이터를 저장하는 단계;
    상기 초개인화 학습 플랫폼 제공 시스템이 상기 개인 학습 데이터를 기반으로 개인화 학습용 진단 분석 및 개인화 학습용 예측을 수행하는 단계; 및
    상기 초개인화 학습 플랫폼 제공 시스템이 상기 개인화 학습용 진단 분석 및 상기 개인화 학습용 예측을 기반으로 개인화된 학습 커리큘럼을 제공하는 단계를 포함하되,
    상기 개인 학습 데이터는 지식 그래프로 변화되어 저장되고,
    상기 지식 그래프는 주체 데이터, 동작 데이터 및 객체 데이터를 기반으로 생성되고,
    상기 개인화 학습용 진단 분석 및 상기 개인화 학습용 예측은 상기 지식 그래프를 벡터화한 지식 그래프 벡터를 기반으로 수행되고,
    상기 지식 그래프 벡터는 객체 데이터 벡터 생성 엔진 및 동작 데이터 벡터 생성 엔진에 의해 결정된 객체 데이터 벡터 및 동작 데이터 벡터를 기반으로 결정되고,
    상기 객체 데이터 벡터 생성 엔진은 객체 데이터 및 객체 데이터 판단 뎁스에 대한 학습을 기반으로 학습되고, 학습된 상기 객체 데이터 벡터 생성 엔진은 상기 객체 데이터 벡터를 출력하고,
    상기 객체 데이터 판단 뎁스는 학습 대상 계층 구조를 기반으로 상위 계층부터 하위 계층까지 설정되고,
    상기 동작 데이터 벡터 생성 엔진은 동작 데이터 및 동작 카테고리 정보에 대한 학습을 기반으로 학습되고, 학습된 상기 동작 데이터 벡터 생성 엔진은 상기 동작 데이터 벡터를 출력하고,
    상기 동작 카테고리는 학습 동작, 학습 확인 동작으로 분류되고,
    상기 동작 데이터 벡터는 학습 동작을 기반으로 한 동작 데이터 벡터(학습) 과 학습 확인 동작을 기반으로 한 동작 데이터 벡터(학습 결과)를 포함하는 것을 특징으로 하는 방법.
  2. 제1항에 있어서,
    상기 지식 그래프 벡터는 제1 지식 그래프 벡터와 제2 지식 그래프 벡터를 포함하고,
    상기 제1 지식 그래프 벡터는 상기 객체 데이터 벡터와 상기 동작 데이터 벡터(학습)을 결합한 벡터이고,
    상기 제2 지식 그래프 벡터는 상기 객체 데이터 벡터와 상기 동작 데이터 벡터(학습 결과)를 결합한 벡터이고,
    상기 제1 지식 그래프 벡터와 상기 제2 지식 그래프 벡터가 모두 존재하는 학습 대상은 제1 학습 분석 대상이고,
    상기 제1 지식 그래프 벡터만이 모두 존재하는 학습 대상은 제2 학습 분석 대상이고,
    상기 초개인화 학습 플랫폼 제공 시스템은 상기 사용자의 상기 제1 지식 그래프 벡터 및 상기 제2 지식 그래프 벡터와 유사한 상기 제1 지식 그래프 벡터 및 상기 제2 지식 그래프 벡터를 가지는 다른 사용자를 비교 대상 사용자로서 추출하고,
    상기 초개인화 학습 플랫폼 제공 시스템은 상기 비교 대상 사용자를 추출하기 위해 1차적으로 상기 제1 지식 그래프 벡터가 유사한 후보 사용자를 추출하고, 2차적으로 상기 사용자의 상기 제2 지식 그래프 벡터와 상기 후보 사용자의 상기 제2 지식 그래프 벡터를 비교하고,
    상기 비교 대상 사용자는 상기 제2 지식 그래프 벡터를 기반으로 상기 후보 사용자 중 상기 사용자보다 낮은 학습 상태를 가지는 사용자 그룹1, 상기 사용자와 유사한 학습 상태를 가지는 사용자 그룹2, 상기 사용자보다 높은 학습 상태를 가지는 사용자 그룹3을 그룹핑한 결과를 기반으로 결정되는 것을 특징으로 하는 방법.
  3. 제2항에 있어서,
    상기 후보 사용자의 추출을 위한 상기 제1 지식 그래프 벡터의 유사도는 상기 제1 지식 그래프 벡터 간의 거리를 기반으로 결정되고,
    상기 사용자의 상기 제1 지식 그래프 벡터와 다른 사용자의 상기 제1 지식 그래프 벡터 간의 거리가 가까울수록 유사도가 높다고 판단되고,
    상기 사용자의 상기 제2 지식 그래프 벡터와 상기 후보 사용자의 상기 제2 지식 그래프 벡터 간의 거리를 기반으로 상기 사용자 그룹1, 상기 사용자 그룹2 및 상기 사용자 그룹3이 결정되고,
    상기 사용자 그룹1, 상기 사용자 그룹2 및 상기 사용자 그룹3을 결정하기 위한 상기 제2 지식 그래프 벡터 간의 거리는 상기 후보 사용자의 상기 제2 지식 그래프 벡터 간의 클러스터링 결과를 기준으로 조정되고,
    상기 후보 사용자의 상기 제2 지식 그래프 벡터는 좌표 상에서 클러스터링이 수행되고, 상기 클러스터링 결과를 기반으로 상기 객체 데이터별로 서로 다른 상기 제2 지식 그래프 벡터 간의 거리가 설정되어 상기 사용자 그룹1, 상기 사용자 그룹2 및 상기 사용자 그룹3이 결정되는 것을 특징으로 하는 방법.
  4. 초개인화 학습을 위한 진단, 분석 및 예측 플랫폼 제공하는 초개인화 학습 플랫폼 제공 시스템은,
    사용자 장치로부터 개인 학습 데이터를 수신하여 상기 개인 학습 데이터를 저장하도록 구현되는 개인 학습 데이터 저장 장치;
    상기 개인 학습 데이터를 기반으로 개인화 학습용 진단 분석 및 개인화 학습용 예측을 수행하도록 구현되는 개인 학습 분석 장치; 및
    상기 개인화 학습용 진단 분석 및 상기 개인화 학습용 예측을 기반으로 개인화된 학습 커리큘럼을 제공하도록 구현되는 개인 학습 커리큘럼 생성 장치를 포함하되,
    상기 개인 학습 데이터는 지식 그래프로 변화되어 저장되고,
    상기 지식 그래프는 주체 데이터, 동작 데이터 및 객체 데이터를 기반으로 생성되고,
    상기 개인화 학습용 진단 분석 및 상기 개인화 학습용 예측은 상기 지식 그래프를 벡터화한 지식 그래프 벡터를 기반으로 수행되고,
    상기 지식 그래프 벡터는 객체 데이터 벡터 생성 엔진 및 동작 데이터 벡터 생성 엔진에 의해 결정된 객체 데이터 벡터 및 동작 데이터 벡터를 기반으로 결정되고,
    상기 객체 데이터 벡터 생성 엔진은 객체 데이터 및 객체 데이터 판단 뎁스에 대한 학습을 기반으로 학습되고, 학습된 상기 객체 데이터 벡터 생성 엔진은 상기 객체 데이터 벡터를 출력하고,
    상기 객체 데이터 판단 뎁스는 학습 대상 계층 구조를 기반으로 상위 계층부터 하위 계층까지 설정되고,
    상기 동작 데이터 벡터 생성 엔진은 동작 데이터 및 동작 카테고리 정보에 대한 학습을 기반으로 학습되고, 학습된 상기 동작 데이터 벡터 생성 엔진은 상기 동작 데이터 벡터를 출력하고,
    상기 동작 카테고리는 학습 동작, 학습 확인 동작으로 분류되고,
    상기 동작 데이터 벡터는 학습 동작을 기반으로 한 동작 데이터 벡터(학습) 과 학습 확인 동작을 기반으로 한 동작 데이터 벡터(학습 결과)를 포함하는 것을 특징으로 하는 초개인화 학습 플랫폼 제공 시스템.
  5. 제4항에 있어서,
    상기 지식 그래프 벡터는 제1 지식 그래프 벡터와 제2 지식 그래프 벡터를 포함하고,
    상기 제1 지식 그래프 벡터는 상기 객체 데이터 벡터와 상기 동작 데이터 벡터(학습)을 결합한 벡터이고,
    상기 제2 지식 그래프 벡터는 상기 객체 데이터 벡터와 상기 동작 데이터 벡터(학습 결과)를 결합한 벡터이고,
    상기 제1 지식 그래프 벡터와 상기 제2 지식 그래프 벡터가 모두 존재하는 학습 대상은 제1 학습 분석 대상이고,
    상기 제1 지식 그래프 벡터만이 모두 존재하는 학습 대상은 제2 학습 분석 대상이고,
    상기 초개인화 학습 플랫폼 제공 시스템은 상기 사용자의 상기 제1 지식 그래프 벡터 및 상기 제2 지식 그래프 벡터와 유사한 상기 제1 지식 그래프 벡터 및 상기 제2 지식 그래프 벡터를 가지는 다른 사용자를 비교 대상 사용자로서 추출하고,
    상기 초개인화 학습 플랫폼 제공 시스템은 상기 비교 대상 사용자를 추출하기 위해 1차적으로 상기 제1 지식 그래프 벡터가 유사한 후보 사용자를 추출하고, 2차적으로 상기 사용자의 상기 제2 지식 그래프 벡터와 상기 후보 사용자의 상기 제2 지식 그래프 벡터를 비교하고,
    상기 비교 대상 사용자는 상기 제2 지식 그래프 벡터를 기반으로 상기 후보 사용자 중 상기 사용자보다 낮은 학습 상태를 가지는 사용자 그룹1, 상기 사용자와 유사한 학습 상태를 가지는 사용자 그룹2, 상기 사용자보다 높은 학습 상태를 가지는 사용자 그룹3을 그룹핑한 결과를 기반으로 결정되는 것을 특징으로 하는 초개인화 학습 플랫폼 제공 시스템.
  6. 제5항에 있어서,
    상기 후보 사용자의 추출을 위한 상기 제1 지식 그래프 벡터의 유사도는 상기 제1 지식 그래프 벡터 간의 거리를 기반으로 결정되고,
    상기 사용자의 상기 제1 지식 그래프 벡터와 다른 사용자의 상기 제1 지식 그래프 벡터 간의 거리가 가까울수록 유사도가 높다고 판단되고,
    상기 사용자의 상기 제2 지식 그래프 벡터와 상기 후보 사용자의 상기 제2 지식 그래프 벡터 간의 거리를 기반으로 상기 사용자 그룹1, 상기 사용자 그룹2 및 상기 사용자 그룹3이 결정되고,
    상기 사용자 그룹1, 상기 사용자 그룹2 및 상기 사용자 그룹3을 결정하기 위한 상기 제2 지식 그래프 벡터 간의 거리는 상기 후보 사용자의 상기 제2 지식 그래프 벡터 간의 클러스터링 결과를 기준으로 조정되고,
    상기 후보 사용자의 상기 제2 지식 그래프 벡터는 좌표 상에서 클러스터링이 수행되고, 상기 클러스터링 결과를 기반으로 상기 객체 데이터별로 서로 다른 상기 제2 지식 그래프 벡터 간의 거리가 설정되어 상기 사용자 그룹1, 상기 사용자 그룹2 및 상기 사용자 그룹3이 결정되는 것을 특징으로 하는 초개인화 학습 플랫폼 제공 시스템.
KR1020220133117A 2022-10-17 2022-10-17 초개인화 학습을 위한 진단, 분석 및 예측 플랫폼 제공 방법 및 이러한 방법을 수행하는 장치 KR102607903B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020220133117A KR102607903B1 (ko) 2022-10-17 2022-10-17 초개인화 학습을 위한 진단, 분석 및 예측 플랫폼 제공 방법 및 이러한 방법을 수행하는 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020220133117A KR102607903B1 (ko) 2022-10-17 2022-10-17 초개인화 학습을 위한 진단, 분석 및 예측 플랫폼 제공 방법 및 이러한 방법을 수행하는 장치

Publications (1)

Publication Number Publication Date
KR102607903B1 true KR102607903B1 (ko) 2023-11-30

Family

ID=88968332

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020220133117A KR102607903B1 (ko) 2022-10-17 2022-10-17 초개인화 학습을 위한 진단, 분석 및 예측 플랫폼 제공 방법 및 이러한 방법을 수행하는 장치

Country Status (1)

Country Link
KR (1) KR102607903B1 (ko)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20190139080A (ko) * 2018-06-07 2019-12-17 (주)제로엑스플로우 목표달성을 위한 개인화커리큘럼제공장치 및 방법
KR20200056574A (ko) * 2018-11-15 2020-05-25 김재규 인공지능을 이용한 개인별 맞춤 학습 계획 제공 방법 및 프로그램
KR20210037233A (ko) * 2019-09-27 2021-04-06 주식회사 에이치투케이 인공지능 기반의 유아 한글 커리큘럼 세부조정 장치 및 방법
KR102400582B1 (ko) * 2021-12-03 2022-05-20 주식회사 대교씨엔에스 빅데이터와 인공지능 기반의 개인화된 학습량 추천 방법 및 장치

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20190139080A (ko) * 2018-06-07 2019-12-17 (주)제로엑스플로우 목표달성을 위한 개인화커리큘럼제공장치 및 방법
KR20200056574A (ko) * 2018-11-15 2020-05-25 김재규 인공지능을 이용한 개인별 맞춤 학습 계획 제공 방법 및 프로그램
KR20210037233A (ko) * 2019-09-27 2021-04-06 주식회사 에이치투케이 인공지능 기반의 유아 한글 커리큘럼 세부조정 장치 및 방법
KR102400582B1 (ko) * 2021-12-03 2022-05-20 주식회사 대교씨엔에스 빅데이터와 인공지능 기반의 개인화된 학습량 추천 방법 및 장치

Similar Documents

Publication Publication Date Title
CN107230174B (zh) 一种基于网络的在线互动学习系统和方法
Peña-Ayala Educational data mining: A survey and a data mining-based analysis of recent works
US10990928B1 (en) Adaptive recruitment system using artificial intelligence
Zain et al. Data Mining for Education Decision Support: A Review.
Fatahi et al. An empirical study of using sequential behavior pattern mining approach to predict learning styles
CN114254208A (zh) 薄弱知识点的识别方法、学习路径的规划方法与装置
Chaichumpa et al. Assessment of student competency for personalised online learning using objective distance
Wang et al. A unified interpretable intelligent learning diagnosis framework for learning performance prediction in intelligent tutoring systems
Yang et al. Knowledge-based recommender system using artificial intelligence for smart education
Ercikan et al. Optimizing implementation of artificial‐intelligence‐based automated scoring: An evidence centered design approach for designing assessments for AI‐based scoring
Bachiri et al. Applicable strategy to choose and deploy a MOOC platform with multilingual AQG feature
Kahraman et al. A novel model for web‐based adaptive educational hypermedia systems: SAHM (supervised adaptive hypermedia model)
Sianturi et al. Student behaviour analysis to detect learning styles using decision tree, Naïve Bayes, And K-Nearest Neighbor method in moodle learning management system
Kozierkiewicz-Hetmańska et al. A method for learning scenario determination and modification in intelligent tutoring systems
Ntourmas et al. Comparative study of two different MOOC forums posts classifiers: analysis and generalizability issues
KR102607903B1 (ko) 초개인화 학습을 위한 진단, 분석 및 예측 플랫폼 제공 방법 및 이러한 방법을 수행하는 장치
De Oliveira et al. An overview on the use of educational data mining for constructing recommendation systems to mitigate retention in higher education
US20230088444A1 (en) Unified platform of an artificial intelligence (ai) based test generator and test training system
US11238411B1 (en) Artificial neural networks-based domain- and company-specific talent selection processes
El Moustamid et al. Integration of data mining techniques in e-learning systems: Clustering Profil of Lerners and Recommender Course System
Saringat A Systematic Literature Review Enhanced Felder Silverman Learning Style Models (FSLSM)
Qasem et al. Educational data mining (EDM): a review
Ferguson et al. Reframing explanation as an interactive medium: The EQUAS (Explainable QUestion Answering System) project
Hegde et al. Personalized formative feedbacks and recommendations based on learning analytics to enhance the learning of Java Programming
Kamceva et al. On the general paradigms for implementing adaptive e-learning systems

Legal Events

Date Code Title Description
AMND Amendment
AMND Amendment
X701 Decision to grant (after re-examination)
GRNT Written decision to grant