KR102626442B1 - 교육 컨텐츠 추천 방법, 교육 컨텐츠 추천 장치, 및 교육 컨텐츠 추천 시스템 - Google Patents
교육 컨텐츠 추천 방법, 교육 컨텐츠 추천 장치, 및 교육 컨텐츠 추천 시스템 Download PDFInfo
- Publication number
- KR102626442B1 KR102626442B1 KR1020220057648A KR20220057648A KR102626442B1 KR 102626442 B1 KR102626442 B1 KR 102626442B1 KR 1020220057648 A KR1020220057648 A KR 1020220057648A KR 20220057648 A KR20220057648 A KR 20220057648A KR 102626442 B1 KR102626442 B1 KR 102626442B1
- Authority
- KR
- South Korea
- Prior art keywords
- target user
- information
- ability
- candidate
- educational content
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 47
- 230000004044 response Effects 0.000 claims abstract description 33
- 230000008859 change Effects 0.000 claims description 40
- 238000003062 neural network model Methods 0.000 claims description 11
- 238000012360 testing method Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 10
- 230000000694 effects Effects 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000011160 research Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000002457 bidirectional effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000010267 cellular communication Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
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
- 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
- G06F16/903—Querying
- G06F16/9035—Filtering based on additional data, e.g. user or group profiles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
-
- 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"
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Primary Health Care (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Educational Technology (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Electrically Operated Instructional Devices (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
본 출원의 일 실시예에 따른 교육 컨텐츠 추천 방법은, 대상 사용자의 학습 데이터를 획득하는 단계-상기 학습 데이터는 상기 대상 사용자가 이전에 풀이한 문제와 관련된 문제 데이터 및 상기 문제에 대한 상기 대상 사용자의 응답과 관련된 응답 데이터를 포함하는 로그 데이터를 포함함-; 적어도 하나의 후보 문제를 포함하는 문제 데이터베이스를 획득하는 단계-상기 문제 데이터베이스는 상기 후보 문제에 대한 기준 사용자들의 평균 정답률 정보를 포함함-; 상기 후보 문제 및 상기 학습 데이터에 기초하여, 상기 후보 문제에 대한 상기 대상 사용자의 예상 정답률 정보를 계산하는 단계; 상기 예상 정답률 정보에 기초하여, 상기 로그 데이터의 적어도 일부 데이터와 연계된 상기 대상 사용자의 능력 정보를 획득하는 단계; 및 상기 대상 사용자의 상기 능력 정보에 기초하여 추천 컨텐츠를 결정하는 단계;를 포함한다.
Description
본 출원은 교육 컨텐츠 추천 방법, 교육 컨텐츠 추천 장치 및 교육 컨텐츠 추천 시스템에 관한 것이다. 구체적으로 본 출원은 사용자의 학습 데이터로부터 사용자의 능력 정보를 산출하고 사용자의 능력 정보에 기초하여 교육 컨텐츠를 추천하는 교육 컨텐츠 추천 방법, 교육 컨텐츠 추천 장치 및 교육 컨텐츠 추천 시스템에 관한 것이다.
인공 지능 기술이 발전하면서 사용자의 학습 실력을 진단하고, 진단 결과에 기반하여 교육 컨텐츠를 추천하는 교육 기술 분야가 주목받고 있다.
그러나 종래의 기술들은 단순히 특정 시험에 대한 사용자의 예상 점수를 높이는 데에 목적을 두고 있다. 예컨대, 특정 공인 시험의 점수를 높이는 교육 컨텐츠를 추천해주는 기술의 정확도를 향상하는 것을 중심으로 연구가 수행되고 있다. 다만, 공인 시험의 점수를 높이기 위하여 시험 시간 동안 얼마나 집중력을 유지할 수 있는지, 사용자의 추론 능력을 높이는 등 학습에 필요한 기본적 능력에 대한 훈련이 실제 학습에서는 중요하게 요구되고 있다.
하지만, 학습에 기초가 되는 기본적 능력을 훈련시킬 수 있는 교육 컨텐츠 추천 시스템에 대한 연구는 부족한 실정이다. 이에, 학습에 필요한 기본적 학습을 훈련시킬 수 있는 교육 컨텐츠 추천 방법, 장치 및 시스템의 개발이 요구된다.
본 발명이 해결하고자 하는 일 과제는, 사용자의 다양한 유형의 능력 정보를 정량화하는 교육 컨텐츠 추천 방법, 교육 컨텐츠 추천 장치 및 교육 컨텐츠 추천 시스템을 제공하는 것이다.
본 발명이 해결하고자 하는 일 과제는, 능력 유형별로 최적의 교육 컨텐츠를 추천하는 교육 컨텐츠 추천 방법, 교육 컨텐츠 추천 장치 및 교육 컨텐츠 추천 시스템을 제공하는 것이다.
본 발명이 해결하고자 하는 과제가 상술한 과제로 제한되는 것은 아니며, 언급되지 아니한 과제들은 본 명세서 및 첨부된 도면으로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
본 출원의 일 실시예에 따른 교육 컨텐츠 추천 방법은, 대상 사용자의 학습 데이터를 획득하는 단계-상기 학습 데이터는 상기 대상 사용자가 이전에 풀이한 문제와 관련된 문제 데이터 및 상기 문제에 대한 상기 대상 사용자의 응답과 관련된 응답 데이터를 포함하는 로그 데이터를 포함함-; 적어도 하나의 후보 문제를 포함하는 문제 데이터베이스를 획득하는 단계; 상기 후보 문제 및 상기 학습 데이터에 기초하여, 상기 후보 문제에 대한 상기 대상 사용자의 예상 정답률 정보를 계산하는 단계; 상기 예상 정답률 정보에 기초하여, 상기 로그 데이터의 적어도 일부 데이터와 연계된 상기 대상 사용자의 능력 정보를 획득하는 단계-상기 능력 정보는 상기 대상 사용자의 최대 학습 능력을 나타내는 제1 정보, 상기 대상 사용자의 추론 능력을 나타내는 제2 정보, 상기 대상 사용자의 논리력을 나타내는 제3 정보 및 상기 대상 사용자의 응용력을 나타내는 제4 정보 중 적어도 하나와 관련됨-; 및 상기 대상 사용자의 상기 능력 정보에 기초하여 추천 컨텐츠를 결정하는 단계;를 포함하되, 상기 대상 사용자의 능력 정보를 획득하는 단계는, 상기 학습 데이터 및 상기 예상 정답률 정보에 기초하여 상기 대상 사용자의 예상 학습 능력치와 관련된 성장 곡선을 생성하는 단계; 및 상기 성장 곡선에 기초하여 상기 제1 정보를 획득하는 단계;를 포함할 수 있다.
본 출원의 일 실시예에 따른 사용자의 학습 데이터를 외부의 사용자 단말 장치로부터 수신하여 추천 컨텐츠를 결정하는 장치는, 상기 사용자 단말기와 통신하는 송수신부; 상기 송수신부를 통하여 대상 사용자의 학습 데이터를 획득하고, 상기 학습 데이터에 기초하여 상기 대상 사용자의 능력 정보를 계산하도록 구성된 컨트롤러;를 포함하되, 상기 컨트롤러는, 대상 사용자의 학습 데이터-상기 학습 데이터는 상기 대상 사용자가 이전에 풀이한 문제와 관련된 문제 데이터 및 상기 문제에 대한 상기 대상 사용자의 응답과 관련된 응답 데이터를 포함하는 로그 데이터를 포함함-;를 획득하고, 적어도 하나의 후보 문제를 포함하는 문제 데이터베이스를 획득하고, 상기 후보 문제 및 상기 학습 데이터에 기초하여 상기 후보 문제에 대한 상기 대상 사용자의 예상 정답률 정보를 계산하는 단계; 상기 예상 정답률 정보에 기초하여, 상기 로그 데이터의 적어도 일부 데이터와 연계된 상기 대상 사용자의 능력 정보-상기 능력 정보는 상기 대상 사용자의 최대 학습 능력을 나타내는 제1 정보, 상기 대상 사용자의 추론 능력을 나타내는 제2 정보, 상기 대상 사용자의 논리력을 나타내는 제3 정보 및 상기 대상 사용자의 응용력을 나타내는 제4 정보 중 적어도 하나와 관련됨-;를 획득하고, 상기 대상 사용자의 상기 능력 정보에 기초하여 추천 컨텐츠를 결정하도록 구성되되, 상기 컨트롤러는, 상기 학습 데이터 및 상기 예상 정답률 정보에 기초하여 상기 대상 사용자의 예상 학습 능력치와 관련된 성장 곡선을 생성하고, 상기 성장 곡선에 기초하여 상기 제1 정보를 획득하여 상기 능력 정보를 획득하도록 구성될 수 있다.
본 발명의 과제의 해결 수단이 상술한 해결 수단들로 제한되는 것은 아니며, 언급되지 아니한 해결 수단들은 본 명세서 및 첨부된 도면으로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
본 출원의 실시예에 따른 교육 컨텐츠 추천 방법, 장치 및 시스템에 의하면, 다양한 능력 유형에 따라 사용자에게 추천될 교육 컨텐츠를 결정함으로써 학습 능력, 응용력, 논리력 등 학습에 요구되는 기본적 능력을 훈련시킬 수 있는 교육 컨텐츠를 사용자에게 제공할 수 있다.
본 발명의 효과가 상술한 효과들로 제한되는 것은 아니며, 언급되지 아니한 효과들은 본 명세서 및 첨부된 도면으로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확히 이해될 수 있을 것이다.
도 1은 본 출원의 일 실시예에 따른 교육 컨텐츠 추천 시스템에 관한 개략도이다.
도 2는 본 출원의 일 실시예에 따른 교육 컨텐츠 추천 장치의 동작들을 나타낸 도면이다.
도 3은 본 출원의 일 실시예에 따라 능력 정보의 유형에 따라 결정된 추천 컨텐츠의 일 양상을 나타낸 도면이다.
도 4는 본 출원의 일 실시예에 따른 교육 컨텐츠 추천 방법의 순서도이다.
도 5는 본 출원의 일 실시예에 따른 대상 사용자의 최대 학습 능력과 관련된 제1 능력 정보를 획득하는 방법의 구체적인 순서도이다.
도 6은 본 출원의 일 실시예에 따른 대상 사용자의 제1 능력 정보를 획득하는 일 양상을 나타낸 도면이다.
도 7은 본 출원의 일 실시예에 따른 대상 사용자의 추론 능력과 관련된 제2 능력 정보를 획득하는 방법의 구체적인 순서도이다.
도 8은 본 출원의 일 실시예에 따른 대상 사용자의 제2 능력 정보를 연산하는 일 양상을 나타낸 도면이다.
도 2는 본 출원의 일 실시예에 따른 교육 컨텐츠 추천 장치의 동작들을 나타낸 도면이다.
도 3은 본 출원의 일 실시예에 따라 능력 정보의 유형에 따라 결정된 추천 컨텐츠의 일 양상을 나타낸 도면이다.
도 4는 본 출원의 일 실시예에 따른 교육 컨텐츠 추천 방법의 순서도이다.
도 5는 본 출원의 일 실시예에 따른 대상 사용자의 최대 학습 능력과 관련된 제1 능력 정보를 획득하는 방법의 구체적인 순서도이다.
도 6은 본 출원의 일 실시예에 따른 대상 사용자의 제1 능력 정보를 획득하는 일 양상을 나타낸 도면이다.
도 7은 본 출원의 일 실시예에 따른 대상 사용자의 추론 능력과 관련된 제2 능력 정보를 획득하는 방법의 구체적인 순서도이다.
도 8은 본 출원의 일 실시예에 따른 대상 사용자의 제2 능력 정보를 연산하는 일 양상을 나타낸 도면이다.
본 출원의 상술한 목적, 특징들 및 장점은 첨부된 도면과 관련된 다음의 상세한 설명을 통해 보다 분명해질 것이다. 다만, 본 출원은 다양한 변경을 가할 수 있고 여러 가지 실시예들을 가질 수 있는 바, 이하에서는 특정 실시예들을 도면에 예시하고 이를 상세히 설명하고자 한다.
명세서 전체에 걸쳐서 동일한 참조번호들은 원칙적으로 동일한 구성요소들을 나타낸다. 또한, 각 실시예의 도면에 나타나는 동일한 사상의 범위 내의 기능이 동일한 구성요소는 동일한 참조부호를 사용하여 설명하며, 이에 대한 중복되는 설명은 생략하기로 한다.
본 출원과 관련된 공지 기능 혹은 구성에 대한 구체적인 설명이 본 출원의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 본 명세서의 설명 과정에서 이용되는 숫자(예를 들어, 제1, 제2 등)는 하나의 구성요소를 다른 구성요소와 구분하기 위한 식별기호에 불과하다.
또한, 이하의 실시예에서 사용되는 구성요소에 대한 접미사 "모듈" 및 "부"는 명세서 작성의 용이함만이 고려되어 부여되거나 혼용되는 것으로서, 그 자체로 서로 구별되는 의미 또는 역할을 갖는 것은 아니다.
이하의 실시예에서, 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다.
이하의 실시예에서, 포함하다 또는 가지다 등의 용어는 명세서상에 기재된 특징, 또는 구성요소가 존재함을 의미하는 것이고, 하나 이상의 다른 특징들 또는 구성요소가 부가될 가능성을 미리 배제하는 것은 아니다.
도면에서는 설명의 편의를 위하여 구성 요소들이 그 크기가 과장 또는 축소될 수 있다. 예컨대, 도면에서 나타난 각 구성의 크기 및 두께는 설명의 편의를 위해 임의로 나타낸 것으로, 본 발명이 반드시 도시된 바에 한정되지 않는다.
어떤 실시예가 달리 구현 가능한 경우에 특정한 프로세스의 순서는 설명되는 순서와 다르게 수행될 수도 있다. 예를 들어, 연속하여 설명되는 두 프로세스가 실질적으로 동시에 수행될 수도 있고, 설명되는 순서와 반대의 순서로 진행될 수 있다.
이하의 실시예에서, 구성 요소 등이 연결되었다고 할 때, 구성 요소들이 직접적으로 연결된 경우뿐만 아니라 구성요소들 중간에 구성 요소들이 개재되어 간접적으로 연결된 경우도 포함한다.
예컨대, 본 명세서에서 구성 요소 등이 전기적으로 연결되었다고 할 때, 구성 요소 등이 직접 전기적으로 연결된 경우뿐만 아니라, 그 중간에 구성 요소 등이 개재되어 간접적으로 전기적 연결된 경우도 포함한다.
본 출원의 일 실시예에 따른 교육 컨텐츠 추천 방법은, 대상 사용자의 학습 데이터를 획득하는 단계-상기 학습 데이터는 상기 대상 사용자가 이전에 풀이한 문제와 관련된 문제 데이터 및 상기 문제에 대한 상기 대상 사용자의 응답과 관련된 응답 데이터를 포함하는 로그 데이터를 포함함-; 적어도 하나의 후보 문제를 포함하는 문제 데이터베이스를 획득하는 단계; 상기 후보 문제 및 상기 학습 데이터에 기초하여, 상기 후보 문제에 대한 상기 대상 사용자의 예상 정답률 정보를 계산하는 단계; 상기 예상 정답률 정보에 기초하여, 상기 로그 데이터의 적어도 일부 데이터와 연계된 상기 대상 사용자의 능력 정보를 획득하는 단계-상기 능력 정보는 상기 대상 사용자의 최대 학습 능력을 나타내는 제1 정보, 상기 대상 사용자의 추론 능력을 나타내는 제2 정보, 상기 대상 사용자의 논리력을 나타내는 제3 정보 및 상기 대상 사용자의 응용력을 나타내는 제4 정보 중 적어도 하나와 관련됨-; 및 상기 대상 사용자의 상기 능력 정보에 기초하여 추천 컨텐츠를 결정하는 단계;를 포함하되, 상기 대상 사용자의 능력 정보를 획득하는 단계는, 상기 학습 데이터 및 상기 예상 정답률 정보에 기초하여 상기 대상 사용자의 예상 학습 능력치와 관련된 성장 곡선을 생성하는 단계; 및 상기 성장 곡선에 기초하여 상기 제1 정보를 획득하는 단계;를 포함할 수 있다.
본 출원의 일 실시예에 따른 교육 컨텐츠 추천 방법에 의하면, 상기 성장 곡선에 기초하여 상기 제1 정보를 획득하는 단계는, 상기 성장 곡선의 변화률 정보를 획득하는 단계; 상기 변화률 정보에 기초하여 미리 결정된 임계 변화률보다 같거나 작은 변화률을 갖는 대상 변화률 정보를 획득하는 단계; 및 상기 대상 변화률 정보에 대응되는 상기 예상 학습 능력치에 기초하여 상기 제1 정보를 획득하는 단계;를 포함할 수 있다.
본 출원의 일 실시예에 따른 교육 컨텐츠 추천 방법에 의하면, 상기 문제 데이터베이스는 상기 후보 문제에 대한 평균 정답률 정보를 포함하되, 상기 대상 사용자의 능력 정보를 획득하는 단계는, 상기 후보 문제에 대한 평균 정답률 정보 및 상기 후보 문제에 대한 상기 대상 사용자의 상기 예상 정답률 정보를 비교하여 상기 대상 사용자의 상기 제2 정보를 획득하는 단계를 포함할 수 있다.
본 출원의 일 실시예에 따른 교육 컨텐츠 추천 방법에 의하면, 상기 대상 사용자의 상기 제2 정보를 획득하는 단계는, 미리 결정된 기준 정답률보다 같거나 낮은 평균 정답률을 갖는 기준 후보 문제를 획득하는 단계; 및 상기 기준 후보 문제에 대한 상기 대상 사용자의 상기 예상 정답률 정보와 상기 기준 후보 문제에 대한 상기 평균 정답률 정보를 비교하여 상기 대상 사용자의 상기 제2 정보를 계산하는 단계;를 포함할 수 있다.
본 출원의 일 실시예에 따른 교육 컨텐츠 추천 방법에 의하면, 상기 추천 컨텐츠를 결정하는 단계는, 교육 컨텐츠 세트를 획득하는 단계; 상기 교육 컨텐츠 세트에 포함된 컨텐츠를 상기 대상 사용자에게 제공하였을 때 상기 대상 사용자의 상기 능력 정보의 예상 변화를 연산하는 단계; 및 상기 능력 정보의 예상 변화가 최대인 컨텐츠를 상기 추천 컨텐츠로 결정하는 단계;를 포함할 수 있다.
본 출원의 일 실시예에 따른 교육 컨텐츠 추천 방법에 의하면, 상기 추천 컨텐츠를 결정하는 단계;는, 상기 능력 정보에 기초하여 신경망 모델을 결정하는 단계; 상기 결정된 모델에 대응되는 리소스를 분배하는 단계; 및 상기 결정된 신경망 모델을 통하여 상기 추천 컨텐츠를 획득하는 단계;를 포함할 수 있다.
본 출원의 일 실시예에 따르면, 상기 교육 컨텐츠 추천 방법을 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체가 제공될 수 있다.
본 출원의 일 실시예에 따른 사용자의 학습 데이터를 외부의 사용자 단말 장치로부터 수신하여 추천 컨텐츠를 결정하는 장치는, 상기 사용자 단말기와 통신하는 송수신부; 상기 송수신부를 통하여 대상 사용자의 학습 데이터를 획득하고, 상기 학습 데이터에 기초하여 상기 대상 사용자의 능력 정보를 계산하도록 구성된 컨트롤러;를 포함하되, 상기 컨트롤러는, 대상 사용자의 학습 데이터-상기 학습 데이터는 상기 대상 사용자가 이전에 풀이한 문제와 관련된 문제 데이터 및 상기 문제에 대한 상기 대상 사용자의 응답과 관련된 응답 데이터를 포함하는 로그 데이터를 포함함-;를 획득하고, 적어도 하나의 후보 문제를 포함하는 문제 데이터베이스를 획득하고, 상기 후보 문제 및 상기 학습 데이터에 기초하여 상기 후보 문제에 대한 상기 대상 사용자의 예상 정답률 정보를 계산하는 단계; 상기 예상 정답률 정보에 기초하여, 상기 로그 데이터의 적어도 일부 데이터와 연계된 상기 대상 사용자의 능력 정보-상기 능력 정보는 상기 대상 사용자의 최대 학습 능력을 나타내는 제1 정보, 상기 대상 사용자의 추론 능력을 나타내는 제2 정보, 상기 대상 사용자의 논리력을 나타내는 제3 정보 및 상기 대상 사용자의 응용력을 나타내는 제4 정보 중 적어도 하나와 관련됨-;를 획득하고, 상기 대상 사용자의 상기 능력 정보에 기초하여 추천 컨텐츠를 결정하도록 구성되되, 상기 컨트롤러는, 상기 학습 데이터 및 상기 예상 정답률 정보에 기초하여 상기 대상 사용자의 예상 학습 능력치와 관련된 성장 곡선을 생성하고, 상기 성장 곡선에 기초하여 상기 제1 정보를 획득하여 상기 능력 정보를 획득하도록 구성될 수 있다.
본 출원의 일 실시예에 따른 교육 컨텐츠 추천 장치에 따르면, 상기 컨트롤러는, 상기 성장 곡선의 변화률 정보를 획득하고, 상기 변화률 정보에 기초하여 미리 결정된 임계 변화률보다 같거나 작은 변화률을 갖는 대상 변화률 정보를 획득하고, 상기 대상 변화률 정보에 대응되는 상기 예상 학습 능력치에 기초하여 상기 제1 정보를 획득하도록 구성될 수 있다.
본 출원의 일 실시예에 따른 교육 컨텐츠 추천 장치에 따르면, 상기 문제 데이터베이스는 상기 후보 문제에 대한 평균 정답률 정보를 포함하되, 상기 컨트롤러는, 상기 후보 문제에 대한 평균 정답률 정보 및 상기 후보 문제에 대한 상기 대상 사용자의 상기 예상 정답률 정보를 비교하여 상기 대상 사용자의 상기 제2 정보를 획득하여 상기 능력 정보를 획득하도록 구성될 수 있다.
본 출원의 일 실시예에 따른 교육 컨텐츠 추천 장치에 따르면, 상기 컨트롤러는, 미리 결정된 기준 정답률보다 같거나 낮은 평균 정답률을 갖는 기준 후보 문제를 획득하고, 상기 기준 후보 문제에 대한 상기 대상 사용자의 상기 예상 정답률 정보와 상기 기준 후보 문제에 대한 상기 평균 정답률 정보를 비교하여 상기 대상 사용자의 상기 제2 정보를 계산하도록 구성될 수 있다.
본 출원의 일 실시예에 따른 교육 컨텐츠 추천 장치에 따르면, 상기 컨트롤러는, 교육 컨텐츠 세트를 획득하고, 상기 교육 컨텐츠 세트에 포함된 컨텐츠를 상기 대상 사용자에게 제공하였을 때 상기 대상 사용자의 상기 능력 정보의 예상 변화를 연산하고, 상기 능력 정보의 예상 변화가 최대인 컨텐츠를 상기 추천 컨텐츠로 결정하도록 구성될 수 있다.
본 출원의 일 실시예에 따른 교육 컨텐츠 추천 장치에 따르면, 상기 컨트롤러는, 상기 능력 정보에 기초하여 신경망 모델을 결정하고, 상기 결정된 모델에 대응되는 리소스를 분배하고, 상기 결정된 신경망 모델을 통하여 상기 추천 컨텐츠를 획득하도록 구성될 수 있다.
이하에서는 도 1 내지 도 8을 참고하여 본 출원의 교육 컨텐츠 추천 방법, 교육 컨텐츠 추천 장치 및 교육 컨텐츠 추천 시스템에 관하여 설명한다.
도 1은 본 출원의 일 실시예에 따른 교육 컨텐츠 추천 시스템의 개략도이다.
본 출원의 일 실시예에 따른 교육 컨텐츠 추천 시스템(10)은 사용자 단말(100) 및 교육 컨텐츠 추천 장치(1000)를 포함할 수 있다.
사용자 단말(100)은 교육 컨텐츠 추천 장치(1000) 혹은 임의의 외부 장치로부터 교육 컨텐츠를 획득할 수 있다. 예를 들어, 사용자 단말(100)은 교육 컨텐츠 추천 장치(1000)로부터 결정된 추천 컨첸츠를 수신하고, 수신한 추천 컨텐츠를 임의의 출력부를 통하여 사용자에게 디스플레이할 수 있다. 이어 사용자는 제시된 추천 컨텐츠에 대한 응답을 임의의 입력부를 통하여 사용자 단말(100)에 입력할 수 있다.
사용자 단말(100)은 사용자의 응답에 기초하여 학습 데이터를 획득하고, 사용자의 학습 데이터를 교육 컨텐츠 추천 장치(1000)로 송신할 수 있다. 여기서, 학습 데이터란, 사용자가 풀이한 문제 식별 정보, 이에 대한 사용자의 응답 정보 및/또는 정오답 정보, 로그 데이터 등을 포괄하는 의미일 수 있다. 한편, 사용자 단말(100)은 사용자 정보를 교육 컨텐츠 추천 장치(1000)로 송신할 수 있다.
본 출원의 일 실시예에 따른 교육 컨텐츠 추천 장치(1000)는 송수신부(1100), 메모리(1200) 및 컨트롤러(1300)를 포함할 수 있다.
송수신부(1100)는 사용자 단말(100)을 포함한 임의의 외부 기기와 통신을 수행할 수 있다. 예컨대, 교육 컨텐츠 추천 장치(1000)는, 송수신부(1100)를 통해, 사용자 단말(100)로부터 사용자의 학습 데이터 및/또는 사용자 정보를 수신하거나 추천 컨텐츠를 사용자 단말(100)로 송신할 수 있다.
교육 컨텐츠 추천 장치(1000)는, 송수신부(1100)를 통해 네트워크에 접속하여 각종 데이터를 송수신할 수 있다. 송수신부(1200)는 크게 유선 타입과 무선 타입을 포함할 수 있다. 유선 타입과 무선 타입은 각각의 장단점을 가지므로, 경우에 따라서 교육 컨텐츠 추천 장치(1000)에는 유선 타입과 무선 타입이 동시에 마련될 수도 있다. 여기서, 무선 타입의 경우에는 주로 와이파이(Wi-Fi) 같은 WLAN(Wireless Local Area Network) 계열의 통신 방식을 이용할 수 있다. 또는, 무선 타입의 경우에는 셀룰러 통신, 예컨대, LTE, 5G 계열의 통신 방식을 이용할 수 있다. 다만, 무선 통신 프로토콜이 상술한 예시에 제한되는 것은 아니며, 임의의 적절한 무선 타입의 통신 방식을 이용하는 것도 가능하다.
유선 타입의 경우에는 LAN(Local Area Network)이나 USB(Universal Serial Bus) 통신이 대표적인 예이며 그 외의 다른 방식도 가능하다.
메모리(1200)는 각종 정보를 저장할 수 있다. 메모리(1200)에는 각종 데이터가 임시적으로 또는 반영구적으로 저장될 수 있다. 메모리(1200)의 예로는 하드 디스크(HDD: Hard Disk Drive), SSD(Solid State Drive), 플래쉬 메모리(flash memory), 롬(ROM: Read-Only Memory), 램(RAM: Random Access Memory) 등이 있을 수 있다. 메모리(1200)는 교육 컨텐츠 추천 장치(1000)에 내장되는 형태나 탈부착 가능한 형태로 제공될 수 있다. 메모리(1200)에는 교육 컨텐츠 추천 장치(1000)를 구동하기 위한 운용 프로그램(OS: Operating System)이나 교육 컨텐츠 추천 장치(1000)의 각 구성을 동작시키기 위한 프로그램을 비롯해 교육 컨텐츠 추천 장치(1000)의 동작에 필요한 각종 데이터가 저장될 수 있다.
컨트롤러(1300)는 교육 컨텐츠 추천 장치(1000)의 전반적인 동작을 제어할 수 있다. 예컨대, 컨트롤러(1300)는 후술할 문제 데이터베이스로부터 후보 문제 및 평균 정답률 정보를 획득하는 동작, 후보 문제 및 사용자의 학습 데이터에 기초하여 사용자의 후보 문제에 대한 예상 정답률 정보를 계산하는 동작, 예상 정답률 정보 및 평균 정답률 정보에 기초하여 사용자의 능력 정보를 획득하는 동작, 또는 사용자의 능력 정보에 기초하여 추천 컨텐츠를 획득하는 동작 등 교육 컨텐츠 추천 장치(1000)의 전반적인 동작을 제어할 수 있다. 구체적으로 컨트롤러(1300)는 메모리(1200)로부터 교육 컨텐츠 추천 장치(1000)의 전반적인 동작을 위한 프로그램을 로딩하여 실행할 수 있다. 컨트롤러(1300)는 하드웨어나 소프트웨어 또는 이들의 조합에 따라 AP(Application Processor), CPU(Central Processing Unit)나 이와 유사한 장치로 구현될 수 있다. 이때, 하드웨어적으로는 전기적 신호를 처리하여 제어 기능을 수행하는 전자 회로 형태로 제공될 수 있으며, 소프트웨어적으로는 하드웨어적 회로를 구동시키는 프로그램이나 코드 형태로 제공될 수 있다.
이하에서는 도 2 내지 도 8을 참고하여, 본 출원의 일 실시예에 따른 교육 컨텐츠 추천 장치(1000)의 동작을 구체적으로 서술한다.
본 출원의 일 실시예에 따른 교육 컨텐츠 추천 장치(1000)는 사용자의 학습 데이터에 기초하여 교육 컨텐츠를 추천하는 동작을 수행할 수 있다.
종래의 기술들은 단순히 특정 시험에 대한 사용자의 예상 점수를 높이는 데에 목적을 두고 있었다. 예컨대, 특정 공인 시험의 점수를 높이는 교육 컨텐츠를 추천해주는 기술의 정확도를 향상하는 것을 중심으로 연구가 수행되고 있다. 다만, 공인 시험의 점수를 높이기 위하여 시험 시간 동안 얼마나 집중력을 유지할 수 있는지, 사용자의 추론 능력을 높이는 등 학습에 필요한 기본적 능력에 대한 훈련이 실제 학습에서는 중요하게 요구되고 있다. 하지만, 학습에 기초가 되는 기본적 능력을 훈련시킬 수 있는 교육 컨텐츠 추천 시스템에 대한 연구는 부족한 실정이다.
본 출원의 일 실시예에 따른 교육 컨텐츠 추천 장치(1000)는 사용자의 학습 데이터에 기초하여 학습에 기초가 되는 기본적 능력들(예, 학습 능력(Learning Capacity), 추론 능력(Reasoning Power), 논리력, 응용력, 기초튼튼력, 집중력, grit 등)을 평가하고 이에 기초하여 능력 유형별로 추천 컨텐츠를 결정함으로써, 학습과 관련된 다양한 능력들에 대한 최적의 훈련을 사용자에게 제공할 수 있다.
이하에서는 도 2를 참고하여, 상술한 목적과 효과를 달성하기 위한 본 출원의 일 실시예에 따른 교육 컨텐츠 추천 장치(1000)의 동작을 구체적으로 서술한다. 도 2는 본 출원의 일 실시예에 따른 교육 컨텐츠 추천 장치(1000)의 동작들을 나타낸 도면이다.
본 출원의 일 실시예에 따른 교육 컨텐츠 추천 장치(1000)는 임의의 데이터베이스로부터 문제 데이터베이스를 획득할 수 있다. 여기서, 문제 데이터베이스는 적어도 하나의 후보 문제에 대한 정보 및 후보 문제에 대한 평균 정답률 정보를 포함할 수 있다.
또한, 본 출원의 일 실시예에 따른 교육 컨텐츠 추천 장치(1000)는 데이터베이스로부터 사용자의 학습 데이터를 획득할 수 있다. 여기서, 학습 데이터는 전술한 바와 같이, 사용자가 이전에 풀이한 문제 식별 정보, 문제에 대한 사용자의 응답 정보 및/또는 정오답 정보 등을 사용자의 학습과 관련된 임의의 데이터를 포괄하는 의미일 수 있다. 일 예로, 학습 데이터는 사용자가 이전에 풀이한 문제와 관련된 문제 데이터 및 문제에 대한 사용자의 응답과 관련된 응답 데이터를 포함하는 로그 데이터를 포함할 수 있다.
또는, 본 출원의 일 실시예에 따른 교육 컨텐츠 추천 장치(1000)는 사용자 단말(100)을 통해 획득한 사용자의 응답 정보를 포함하는 학습 데이터를 포함할 수 있다.
본 출원의 일 실시예에 따른 교육 컨텐츠 추천 장치(1000)는 문제 데이터베이스로부터 획득한 후보 문제에 대한 정보 및 사용자의 학습 데이터에 기초하여 사용자의 후보 문제에 대한 예상 정답률을 계산할 수 있다. 예상 정답률의 계산에는 RNN, LSTM, 양방향 LSTM 또는 트랜스포머 구조의 인공신경망을 비롯해 다양한 인공신경망 모델이 사용될 수 있다. 또는 인공신경망 모델뿐만 아니라 임의의 적절한 알고리즘이 사용될 수 있다.
본 출원의 일 실시예에 따른 교육 컨텐츠 추천 장치(1000)는 사용자의 능력을 평가하거나 산출하는 동작을 수행할 수 있다. 예컨대, 교육 컨텐츠 추천 장치(1000)는 사용자의 학습 데이터 및 문제 데이터베이스에 기초하여 사용자의 능력을 평가하여 능력 정보를 산출할 수 있다. 여기서 능력이란, 사용자의 각종 공인 시험에 대한 현재 점수, 예측 점수, 추론 능력, 논리력, 응용력, 기초튼튼력, grit, 집중력, 잠재능력 등 임의의 방법을 이용하여 진단가능한 학습과 관련된 사용자의 능력을 포괄하는 의미일 수 있다. 또한, 능력 정보는 전술한 진단가능한 학습과 관련된 사용자의 능력을 정량화하거나 정량화할 수 있는 임의의 형태의 정보를 포괄할 수 있다.
본 출원의 일 실시예에 따른 교육 컨텐츠 추천 장치(1000)는 사용자의 학습 데이터 및 문제 데이터베이스에 기초하여 사용자의 능력 정보를 획득할 수 있다. 사용자의 능력 정보를 계산하는 방법에 대하여는 도 4 내지 도 8에서 구체적으로 후술한다.
본 출원의 일 실시예에 따른 교육 컨텐츠 추천 장치(1000)는 능력 정보에 기초하여 추천 컨텐츠를 결정하는 동작을 수행할 수 있다.
도 3을 참고한다. 도 3은 본 출원의 일 실시예에 따라 능력 정보의 유형에 따라 결정된 추천 컨텐츠의 일 양상을 나타낸 도면이다.
일 예로, 교육 컨텐츠 추천 장치(1000)는 사용자의 학습 능력(learning ability)을 나타내는 제1 유형의 제1 능력 정보를 획득한 경우, 교육 컨텐츠 추천 장치(1000)는 제1 능력 정보를 사용자의 학습 데이터에 포함된 로그 데이터의 특정 지점에 데이터에 연계시켜 제1 컨텐츠 세트를 추천 컨텐츠로 결정할 수 있다. 제1 컨텐츠 세트는 사용자의 제1 능력 정보와 관련된 최대 학습 능력을 향상시키기에 유리한 교육 컨텐츠일 수 있다.
다른 예로, 교육 컨텐츠 추천 장치(1000)는 사용자의 추론 능력(Reasoning Power)을 나타내는 제2 유형의 제2 능력 정보를 획득한 경우, 교육 컨텐츠 추천 장치(1000)는 제2 능력 정보를 사용자의 학습 데이터에 포함된 로그 데이터의 특정 지점에 데이터에 연계시켜 제2 컨텐츠 세트를 추천 컨텐츠로 결정할 수 있다. 제2 컨텐츠 세트는 사용자의 제2 능력 정보와 관련된 추론 능력을 향상시키기에 유리한 교육 컨텐츠일 수 있다.
또 다른 예로, 교육 컨텐츠 추천 장치(1000)는 사용자의 논리력을 나타내는 제3 유형의 제3 능력 정보를 획득한 경우, 교육 컨텐츠 추천 장치(1000)는 제3 능력 정보를 사용자의 학습 데이터에 포함된 로그 데이터의 특정 지점에 데이터에 연계시켜, 제3 컨텐츠 세트를 추천 컨텐츠로 결정할 수 있다. 제3 컨텐츠 세트는 사용자의 제3 능력 정보와 관련된 논리력을 향상시키기에 유리한 교육 컨텐츠일 수 있다.
또 다른 예로, 교육 컨텐츠 추천 장치(1000)는 사용자의 응용력을 나타내는 제4 유형의 제4 능력 정보를 획득한 경우, 교육 컨텐츠 추천 장치(1000)는 제4 능력 정보를 사용자의 학습 데이터에 포함된 로그 데이터의 특정 지점에 데이터에 연계시켜 제4 컨텐츠 세트를 추천 컨텐츠로 결정할 수 있다. 제4 컨텐츠 세트는 사용자의 제4 능력 정보와 관련된 응용력을 향상시키기에 유리한 교육 컨텐츠일 수 있다.
다만, 상술한 능력 정보의 유형은 예시에 불과하며, 교육 컨텐츠 추천 장치(1000)는 Grit(투지 또는 용기와 관련된 능력), 집중력 등 임의의 학습과 관련된 능력에 대한 정보를 획득하고 해당 능력을 최대화할 수 있는 컨텐츠 세트를 추천 컨텐츠로 결정할 수 있다.
한편, 본 출원의 일 실시예에 따른 교육 컨텐츠 추천 장치(1000)는 예상 정답률 정보를 기초로 추천 컨텐츠를 결정할 수 있다. 추천 컨텐츠는 예상 정답률 정보를 통해 연산된 기대 점수가 가장 높은 교육 컨텐츠일 수 있다.
일 실시예에 따르면, 교육 컨텐츠 추천 장치(1000)는 추천 컨텐츠를 결정하기 위하여 기초가 되는 기대 점수를 연산 시 학습도를 이용할 수 있다. 학습도는 후보 문제에 대한 해설을 읽거나 관련 강의를 수강하는 등 교육 컨텐츠를 학습할 때 발생되는 교육적 효과에 대한 정보를 포함할 수 있다. 예컨대, 학습도가 반영된 기대 점수는 “학습도에 최대 예상 점수를 곱한 값”과 “비학습도에 학습도가 반영되지 않은 기대점수를 곱한 값”을 합산하여 연산될 수 있다.
다시 도 2를 참고하면, 본 출원의 일 실시예에 따른 교육 컨텐츠 추천 장치(1000)는 추천 컨텐츠를, 송수신부(1100)를 통하여, 사용자 단말(100)로 송신할 수 있다.
사용자 단말(100)는 임의의 출력부를 통하여 사용자에게 추천 컨텐츠를 표시할 수 있다. 사용자는 임의의 입력부를 통하여 추천 컨텐츠에 대한 응답을 입력할 수 있다. 사용자의 입력은 학습 데이터에 업데이트될 수 있으며, 데이터베이스 또는 임의의 저장 장치에 저장될 수 있다.
한편, 도 2에서는 도시되지 않았지만, 본 출원의 일 실시예에 따른 교육 컨텐츠 추천 장치(1000)는 사용자의 학습 데이터를 기초로 특정 문제를 맞힌 경우와 틀린 경우 각각에 대해 사용자의 예상점수를 연산하는 동작을 수행할 수 있다. 이때, 특정 문제를 맞힌 경우의 예상점수는 최대 예상점수, 문제를 틀린 경우의 예상 점수는 최소 예상점수일 수 있다. 사용자의 학습 데이터는 사용자가 문제를 풀이할 때마다 실시간으로 업데이트될 수 있다. 이때, 연산된 사용자의 예상 점수는 기대 점수를 연산하는 데 이용될 수 있다.
도 4는 본 출원의 일 실시예에 따른 교육 컨텐츠 추천 방법의 순서도이다. 본 출원의 일 실시예에 따른 교육 컨텐츠 추천 방법은 대상 사용자의 학습 데이터를 획득하는 단계(S1000), 문제 데이터베이스를 획득하는 단계(S2000), 예상 정답률 정보를 계산하는 단계(S3000), 대상 사용자의 능력 정보를 획득하는 단계(S4000) 및 추천 컨텐츠를 획득하는 단계(S5000)를 포함할 수 있다.
대상 사용자의 학습 데이터를 획득하는 단계(S1000)에서는, 교육 컨텐츠 추천 장치(1000)는 데이터베이스로부터 학습 데이터를 획득할 수 있다. 구체적으로 교육 컨텐츠 추천 장치(1000)는 대상 사용자의 사용자 정보를 인식하고 데이터베이스로부터 대상 사용자와 관련된 학습 데이터를 획득하도록 구현될 수 있다. 혹은 교육 컨텐츠 추천 장치(1000)는 사용자 단말로부터 수신된 응답으로부터 대상 사용자의 학습 데이터를 획득할 수 있다. 여기서, 학습 데이터란, 전술한 바와 같이, 사용자가 풀이한 문제 식별 정보, 이에 대한 사용자의 응답 정보 및/또는 정오답 정보 등을 포괄하는 의미일 수 있다.
혹은 학습 데이터는 시간에 따른 대상 사용자의 점수 정보를 포함할 수 있다. 예컨대, 학습 데이터는 제1 시점에서의 제1 점수 정보 및/또는 제2 시점에서의 제2 점수 정보를 포함할 수 있다. 구체적인 예를 들어, 제1 점수 정보는 대상 사용자의 제1 시점에서의 공인 시험(예, 토익, SAT, 수능 등)에 대한 점수일 수 있다. 제2 점수 정보는 대상 사용자의 제2 시점에서의 공인 시험(예, 토익, SAT, 수능 등)에 대한 점수 정보일 수 있다. 다만, 이는 예시에 불과하며, 학습 데이터는 사용자의 각종 공인 시험에 대한 현재 점수, 예측 점수, 추론 능력, 논리력, 응용력, 기초튼튼력, 집중력, grit, 잠재능력 등 임의의 방법을 이용하여 진단가능한 학습과 관련된 사용자의 임의의 데이터를 포괄하는 의미일 수 있다.
문제 데이터베이스를 획득하는 단계(S2000)에서는, 교육 컨텐츠 추천 장치(1000)는, 데이터베이스로부터 문제 데이터베이스를 획득할 수 있다. 문제 데이터베이스는 적어도 하나의 후보 문제 및 후보 문제에 대한 기준 사용자들의 평균 정답률 정보를 포함할 수 있다.
예상 정답률 정보를 계산하는 단계(S3000)에서는, 교육 컨텐츠 추천 장치(1000)는 대상 사용자의 학습 데이터 및 문제 데이터베이스로부터 획득한 후보 문제에 기초하여 대상 사용자의 후보 문제에 대한 예상 정답률을 계산할 수 있다. 구체적으로, 교육 컨텐츠 추천 장치(1000)는 대상 사용자의 학습 데이터를 기초로 후보 문제에 대한 정답률을 예측할 수 있다. 정답률 예측에는 RNN, LSTM, 양방향 LSTM 또는 트랜스포머 구조의 인공신경망을 비롯해 다양한 인공신경망 모델이 사용될 수 있다. 일 예로, 트랜스포머 구조의 인공신경망을 이용하여 후보 문제에 대한 예상 정답률을 획득하는 경우에는 인코더 측에는 후보 문제 정보를, 디코더 측에는 대상 사용자의 학습 데이터(예, 응답 정보)를 입력하여 후보 문제에 대한 대상 사용자의 예상 정답률이 획득될 수 있다.
대상 사용자의 능력 정보를 획득하는 단계(S4000)에서는, 교육 컨텐츠 추천 장치(1000)는 대상 사용자의 후보 문제에 대한 예상 정답률 정보 및 후보 문제에 대한 기준 사용자들의 평균 정답률 정보에 기초하여 사용자의 능력을 평가하거나 정량화할 수 있다.
일 예로, 교육 컨텐츠 추천 장치(1000)는 대상 사용자의 후보 문제에 대한 예상 정답률 정보 및 기준 사용자의 후보 문제에 대한 평균 정답률 정보에 기초하여 대상 사용자의 최대 학습 능력을 나타내는 제1 능력 정보를 정량화할 수 있다. 구체적으로 교육 컨텐츠 추천 장치(1000)는 예상 정답률 정보 및/또는 평균 정답률 정보에 기초하여 대상 사용자의 예상 학습 능력치와 관련된 성장 곡선을 생성하고, 성장 곡선에 기초하여 대상 사용자의 최대 학습 능력과 관련된 제1 능력 정보를 계산할 수 있다. 이하에서는 도 5 및 도 6을 참고하여 제1 능력 정보를 계산하는 방법에 대하여 구체적으로 설명한다.
도 5는 본 출원의 일 실시예에 따른 대상 사용자의 최대 학습 능력과 관련된 제1 능력 정보를 획득하는 방법의 구체적인 순서도이다. 도 6은 본 출원의 일 실시예에 따른 대상 사용자의 제1 능력 정보를 획득하는 일 양상을 나타낸 도면이다.
대상 사용자의 능력 정보를 획득하는 단계(S4000)는 대상 사용자의 예상 학습 능력치와 관련된 성장 곡선을 생성하는 단계(S4110), 성장 곡선의 변화율 정보를 획득하는 단계(S4120) 및 변화율 정보에 기초하여 제1 능력 정보를 획득하는 단계(S4130)를 포함할 수 있다.
대상 사용자의 예상 학습 능력치와 관련된 성장 곡선을 생성하는 단계(S4110)에서는, 교육 컨텐츠 추천 장치(1000)는 후보 문제에 대한 대상 사용자의 예상 정답률 정보 또는 후보 문제에 대한 기준 사용자들의 평균 정답률 정보에 기초하여 대상 사용자의 예상 학습 능력치와 관련된 성장 곡선(f)을 획득할 수 있다. 보다 구체적으로 교육 컨텐츠 추천 장치(1000)는 예상 정답률 정보를 기초하여 후보 문제를 맞힌 경우와 틀린 경우 각각에 대하여 대상 사용자의 예상 학습 능력치를 연산할 수 있다. 또한, 교육 컨텐츠 추천 장치(1000)는 연산된 예상 학습 능력치에 기초하여 대상 사용자의 예상 학습 능력치와 관련된 성장 곡선(f)을 생성할 수 있다.
다른 예로, 교육 컨텐츠 추천 장치(1000)는 대상 사용자의 학습 데이터에 기초하여 대상 사용자의 예상 학습 능력치와 관련된 성장 곡선을 생성할 수 있다. 예컨대, 교육 컨텐츠 추천 장치(1000)는 대상 사용자가 이전에 풀이한 문제에 대한 응답 정보, 정오답 정보 또는 대상 사용자의 점수 정보에 기초하여 성장 곡선(f)을 생성하도록 구현될 수 있다. 보다 구체적으로 교육 컨텐츠 추천 장치(1000)는 대상 사용자의 제1 시점에서의 제1 점수 정보와 제2 시점에서의 제2 점수 정보 및 제1 시점과 제2 시점 사이의 시점에서의 대상 사용자의 학습 데이터를 이용하여 대상 사용자의 예상 학습 능력치와 관련된 확률 분포를 예측하도록 구현될 수 있다. 또한, 교육 컨텐츠 추천 장치(1000)는 예측된 확률 분포에 기초하여 사용자의 예상 학습 능력치와 관련된 성장 곡선(f)를 생성할 수 있다.
교육 컨텐츠 추천 장치(1000)는 임의의 알고리즘 및/또는 학습된 신경망 모델을 이용하여 사용자의 예상 학습 능력치를 추정할 수 있으며, 예상 학습 능력치와 관련된 성장 곡선(f)을 생성할 수 있다.
성장 곡선의 변화율 정보를 획득하는 단계(S4120)에서는, 교육 컨텐츠 추천 장치(1000)는 성장 곡선(f)으로부터 변화율 정보를 연산할 수 있다. 일 예로, 교육 컨텐츠 추천 장치(1000)는 성장 곡선(f)의 일계 도함수(f')를 획득하고 일계 도함수(f')로부터 변화율 정보(y')를 연산할 수 있다. 다른 예로, 교육 컨텐츠 추천 장치(1000)는 성장 곡선(f)의 이계 도함수(f'')를 획득하고 일계 도함수(f'')로부터 변화율 정보(y'')를 연산할 수 있다.
변화율 정보에 기초하여 제1 능력 정보를 획득하는 단계(S4130)에서는, 교육 컨텐츠 추천 장치(1000)는, 변화율 정보에 기초하여 대상 사용자의 최대 학습 능력을 나타내는 제1 능력 정보를 연산할 수 있다.
일 예로, 교육 컨텐츠 추천 장치(1000)는 대상 사용자의 성장 곡선(f)의 변화율 정보(y')가 미리 결정된 변화율보다 같거나 작은 값을 포함하는 제1 변화율 정보(y'1)를 획득할 수 있다. 여기서, 교육 컨텐츠 추천 장치(1000)는 제1 변화율 정보(y'1)에 대응되는 시점(t1)에서의 대상 사용자의 예상 학습 능력치를 최대 학습 능력을 나타내는 제1 능력 정보로 결정할 수 있다.
다른 예로, 교육 컨텐츠 추천 장치(1000)는, 성장 곡선(f)의 이계 도함수(f'')로부터 성장 곡선(f)의 변화율(y')이 얼마나 더디어지고 있는지를 나타내는 변화율 정보(y'')를 계산하고, 변화율 정보(y'')가 미리 결정된 값보다 같거나 작은 값을 포함하는 제2 변화율 정보를 획득할 수 있다. 여기서, 교육 컨텐츠 추천 장치(1000)는 제2 변화율 정보에 대응되는 시점에서의 대상 사용자의 예상 학습 능력치를 최대 학습 능력을 나타내는 제1 능력 정보로 결정할 수 있다.
다만 변화율 정보에 기초하여 제1 능력 정보를 연산하는 내용은 예시에 불과하며, 교육 컨텐츠 추천 장치(1000)는 임의의 적절한 방법을 이용하여 대상 사용자의 최대 학습 능력치를 나타내는 제1 능력 정보를 연산할 수 있도록 구현될 수 있다. 예컨대, 교육 컨텐츠 추천 장치(1000)는 성장 곡선(f)의 면적 정보(A)에 기초하여 제1 능력 정보를 계산할 수 있다. 구체적인 예를 들어, 교육 컨텐츠 추천 장치(1000)는 생성된 성장 곡선(f)의 면적 정보(A) 및 예상 학습 능력치(y)에 기초하여 대상 사용자의 최대 학습 능력치를 나타내는 제1 능력 정보를 연산할 수 있다. 예컨대, 예상 학습 능력치에 대한 면적 정보(A/y)가 제1 값을 갖는 경우 교육 컨텐츠 추천 장치(1000)는 대상 사용자에게 제1 최대 학습 능력치를 포함하는 제1 능력 정보를 할당할 수 있으며, 예상 학습 능력치에 대한 면적 정보(A/y)가 제2 값을 갖는 경우 교육 컨텐츠 장치(1000)는 대상 사용자에게 제2 최대 학습 능력치를 포함하는 제1 능력 정보를 할당할 수 있다.
도 5 내지 도 6에서는 대상 사용자의 예상 학습 능력치와 관련된 성장 곡선를 생성하고 성장 곡선에 기초하여 제1 능력 정보를 획득하는 것을 중심으로 서술하였다. 다만 이는 설명의 편의를 위한 예시에 불과하며, 임의의 적절한 방법에 기초하여 대상 사용자의 최대 학습 능력과 관련된 제1 능력 정보를 획득하도록 구현될 수 있을 것이다.
다시 도 4를 참고하면, 대상 사용자의 능력 정보를 획득하는 단계(S4000)에서는, 교육 컨텐츠 추천 장치(1000)는 대상 사용자의 후보 문제에 대한 예상 정답률 정보 및 대응되는 후보 문제에 대한 기준 사용자들의 평균 정답률 정보에 기초하여 사용자의 능력을 평가하거나 정량화할 수 있다.
예컨대, 교육 컨텐츠 추천 장치(1000)는 대상 사용자의 후보 문제에 대한 예상 정답률 정보 및/또는 기준 사용자의 후보 문제에 대한 평균 정답률 정보에 기초하여 대상 사용자의 추론 능력을 나타내는 제2 능력 정보를 정량화할 수 있다. 구체적으로 교육 컨텐츠 추천 장치(1000)는 평균 정답률 정보에 기초하여 문제 데이터베이스의 후보 문제들을 평균 정답률 순으로 정렬할 수 있다. 또한, 교육 컨텐츠 추천 장치(1000)는 미리 결정된 기준 정답률에 기초하여 기준 후보 문제를 획득하고, 기준 후보 문제에 대한 대상 사용자의 예상 정답률 정보와 기준 후보 문제에 대한 기준 사용자들의 평균 정답률 정보를 비교하여 대상 사용자의 추론 능력과 관련된 제2 능력 정보를 계산할 수 있다. 이하에서는 도 7 및 도 8을 참고하여 제2 능력 정보를 계산하는 방법에 대하여 구체적으로 설명한다.
도 7은 본 출원의 일 실시예에 따른 대상 사용자의 추론 능력과 관련된 제2 능력 정보를 획득하는 방법의 구체적인 순서도이다. 도 8은 본 출원의 일 실시예에 따른 대상 사용자의 제2 능력 정보를 연산하는 일 양상을 나타낸 도면이다.
대상 사용자의 능력 정보, 특히 제2 능력 정보를 획득하는 단계(S4000)는 기준 후보 문제를 획득하는 단계(S4210), 및 기준 후보 문제에 대한 대상 사용자의 예상 정답률 정보와 기준 사용자의 평균 정답률 정보를 비교하여 대상 사용자의 제2 능력 정보를 계산하는 단계(S4220)를 포함할 수 있다.
기준 후보 문제를 획득하는 단계(S4210)에서는 본 출원의 일 실시예에 따른 교육 컨텐츠 추천 장치(1000)는 문제 데이터베이스로부터 획득한 적어도 하나의 후보 문제와 이에 대한 기준 사용자들의 평균 정답률 정보를 획득할 수 있다. 또한, 교육 컨텐츠 추천 장치(1000)는 적어도 하나의 후보 문제에 대응되는 대상 사용자의 예상 정답률 정보를 획득할 수 있다. 교육 컨텐츠 추천 장치(1000)는 평균 정답률 정보를 기준으로 적어도 하나의 후보 문제들을 정답률 순으로 정렬할 수 있다. 이때, 교육 컨텐츠 추천 장치(1000)는 미리 결정된 기준 정답률에 기초하여 기준 후보 문제를 획득할 수 있다. 예컨대, 교육 컨텐츠 추천 장치(1000)는 미리 결정된 기준 정답률보다 낮은 평균 정답률 정보를 갖는 후보 문제들을 기준 후보 문제로 획득할 수 있다.
기준 후보 문제에 대한 예상 정답률 정보와 평균 정답률 정보를 비교하여 대상 사용자의 제2 능력 정보를 계산하는 단계(S4220)에서는, 교육 컨텐츠 추천 장치(1000)는 기준 후보 문제에 대한 기준 사용자들의 평균 정답률 정보와 기준 후보 문제에 대한 대상 사용자의 예상 정답률 정보에 기초하여 대상 사용자의 추론 능력을 나타내는 제2 능력 정보를 연산할 수 있다. 예컨대, 도 8을 참고하면, 제1 대상 사용자는 기준 후보 문제들에 대하여 기준 사용자들의 평균 정답률보다 상대적으로 높은 예상 정답률을 나타낼 수 있다. 이때 교육 컨텐츠 추천 장치(1000)는 제1 대상 사용자에 대하여 제1 추론 능력치를 포함하는 제2 능력 정보를 획득할 수 있다. 반면, 도 8의 제2 대상 사용자는 제1 대상 사용자에 비해 기준 후보 문제에 대하여 상대적으로 낮은 예상 정답률을 나타낼 수 있다. 이때, 교육 컨텐츠 추천 장치(1000)는 제2 대상 사용자에 대하여 제1 추론 능력치보다 상대적으로 낮은 제2 추론 능력치를 포함하는 제2 능력 정보를 획득할 수 있다.
한편, 교육 컨텐츠 추천 장치(1000)는 대상 사용자의 예상 정답률 정보 및 기준 사용자들의 평균 정답률 정보에 기초하여 대상 사용자의 추론 능력과 관련된 제2 능력 정보를 연산할 수 있다. 예컨대, 교육 컨텐츠 추천 장치(1000)는 기준 사용자들의 기준 후보 문제에 대한 평균 정답률의 적분값과 대상 사용자의 기준 후보 문제에 대한 예상 정답률의 적분값에 기초하여 대상 사용자의 제2 능력 정보를 연산할 수 있다. 구체적인 예를 들어, 대상 사용자의 기준 후보 문제에 대한 예상 정답률의 적분값이 제1 값을 가지고, 기준 사용자들의 기준 후보 문제에 대한 평균 정답률의 적분값이 제2 값을 가지는 경우, 제1 값 및 제2 값에 기초하여 제1 대상 사용자의 제2 능력 정보를 연산할 수 있다. 구체적으로 교육 컨텐츠 추천 장치(1000)는 제1 값 및 제2 값의 차이에 기초하여 대상 사용자의 제2 능력 정보가 정량화될 수 있다. 구체적으로 도 8의 제1 대상 사용자의 경우에 도 8의 제2 대상 사용자의 경우보다 제1 값과 제2 값의 차이가 크기 때문에, 교육 컨텐츠 추천 장치(1000)는 제1 대상 사용자의 제2 능력 정보를 제2 대상 사용자의 제2 능력 정보보다 상대적으로 높게 연산할 수 있다.
도 7 내지 도 8에서는 기준 정답률보다 낮은 평균 정답률 정보를 갖는 후보 문제들을 기준 후보 문제로 획득하고, 기준 후보 문제에 대한 예상 정답률 정보 및 평균 정답률 정보를 비교하여 제2 능력 정보를 정량화하는 내용을 중심으로 서술하였다. 다만 이는 설명의 편의에 불과하며, 기준 정답률보다 높은 평균 정답률 정보를 갖는 후보 문제들을 기준 후보 문제로 획득하고, 이에 대한 예상 정답률 정보 및 평균 정답률 정보에 기초하여 대상 사용자의 추론 능력과 관련된 제2 능력 정보를 정량화하도록 구성될 수 있음은 물론이다. 또한, 다른 예로, 기준 정답률보다 낮은 평균 정답률을 나타내는 후보 문제에 대하여는 제1 가중치를 부여하고, 기준 정답률보다 높은 평균 정답률을 나타내는 후보 문제에 대하여는 제2 가중치를 부여하여 대상 사용자의 제2 능력 정보를 연산하도록 구현될 수 있다. 또한, 이러한 동작을 위하여 기준 정답률이 미리 설정될 수 있다.
또 다른 예로, 교육 컨텐츠 추천 장치(1000)는 대상 사용자의 후보 문제에 대한 예상 정답률 정보 및 기준 사용자의 후보 문제에 대한 평균 정답률 정보에 기초하여 대상 사용자의 논리력을 나타내는 제3 능력 정보를 정량화할 수 있다. 대상 사용자의 논리력을 나타내는 제3 능력 정보는 전술한 추론 능력을 나타내는 제2 능력 정보와 유사한 방법으로 정량화될 수 있다. 예컨대, 교육 컨텐츠 추천 장치(1000)는 기준 사용자들의 기준 후보 문제에 대한 평균 정답률과 대상 사용자의 예상 정답률을 비교하여 제3 능력 정보를 정량화할 수 있다. 구체적으로 교육 컨텐츠 추천 장치(1000)가 대상 사용자의 기준 후보 문제에 대한 예상 정답률이 평균 정답률보다 상대적으로 높다는 정보를 획득한 경우에는 교육 컨텐츠 추천 장치(1000)는 대상 사용자의 논리력을 상대적으로 높게 정량화할 수 있다. 이때, 전술한 방법과 유사하게 기준 사용자들의 기준 후보 문제에 대한 평균 정답률의 적분값과 대상 사용자의 기준 후보 문제에 대한 예상 정답률의 적분값에 기초하여 대상 사용자의 제3 능력 정보를 연산할 수 있다.
또 다른 예로, 교육 컨텐츠 추천 장치(1000)는 대상 사용자의 후보 문제에 대한 예상 정답률 정보 및 기준 사용자의 후보 문제에 대한 평균 정답률 정보에 기초하여 대상 사용자의 응용력을 나타내는 제4 능력 정보를 정량화할 수 있다. 대상 사용자의 응용력을 나타내는 제4 능력 정보는 전술한 추론 능력을 나타내는 제2 능력 정보와 유사한 방법으로 정량화될 수 있다. 예컨대, 교육 컨텐츠 추천 장치(1000)는 기준 사용자들의 기준 후보 문제에 대한 평균 정답률과 대상 사용자의 예상 정답률을 비교하여 제4 능력 정보를 정량화할 수 있다. 구체적으로 교육 컨텐츠 추천 장치(1000)가 대상 사용자의 기준 후보 문제에 대한 예상 정답률이 평균 정답률보다 상대적으로 높다는 정보를 획득한 경우에는 교육 컨텐츠 추천 장치(1000)는 대상 사용자의 응용력을 상대적으로 높게 정량화할 수 있다. 이때, 전술한 방법과 유사하게 기준 사용자들의 기준 후보 문제에 대한 평균 정답률의 적분값과 대상 사용자의 기준 후보 문제에 대한 예상 정답률의 적분값에 기초하여 대상 사용자의 제4 능력 정보를 연산할 수 있다.
또 다른 예로, 교육 컨텐츠 추천 장치(1000)는 대상 사용자의 후보 문제에 대한 예상 정답률 정보 및 기준 사용자의 후보 문제에 대한 평균 정답률 정보에 기초하여 대상 사용자의 기초 튼튼력을 나타내는 제5 능력 정보를 정량화할 수 있다. 대상 사용자의 기초 튼튼력을 나타내는 제5 능력 정보는 전술한 추론 능력을 나타내는 제2 능력 정보와 유사한 방법으로 정량화될 수 있다. 예컨대, 교육 컨텐츠 추천 장치(1000)는 기준 사용자들의 기준 후보 문제에 대한 평균 정답률과 대상 사용자의 예상 정답률을 비교하여 제5 능력 정보를 정량화할 수 있다. 다만, 제5 능력 정보를 정량하기 위해 이용되는 기준 후보 문제는 후보 문제 중에서 미리 결정된 기준 정답률보다 높은 평균 정답률 정보를 갖는 후보 문제들일 수 있다. 구체적으로 교육 컨텐츠 추천 장치(1000)가 대상 사용자의 기준 후보 문제에 대한 예상 정답률이 평균 정답률보다 상대적으로 높다는 정보를 획득한 경우에는 교육 컨텐츠 추천 장치(1000)는 대상 사용자의 기초 튼튼력을 상대적으로 높게 정량화할 수 있다. 이때, 전술한 방법과 유사하게 기준 사용자들의 기준 후보 문제에 대한 평균 정답률의 적분값과 대상 사용자의 기준 후보 문제에 대한 예상 정답률의 적분값에 기초하여 대상 사용자의 제5 능력 정보를 연산할 수 있다.
한편, 본 출원의 다른 실시예에 따른 교육 컨텐츠 추천 장치(1000)는 학습 데이터에 기초하여 대상 사용자의 그릿(Grit)을 평가하거나 정량화할 수 있다. 구체적으로 학습 데이터는 사용자의 로그인 정보에 기초한 학습 시간에 대한 정보를 더 포함할 수 있다. 여기서, 교육 컨텐츠 추천 장치(1000)는 사용자들의 학습 시간에 대한 정보를 이용하여 얼마나 길게 공부를 수행할 지, 즉 그릿을 정량화하는 모델을 학습시킬 수 있다. 예컨대, 교육 컨텐츠 추천 장치(1000)는 학습 시간에 대한 정보 및 학습 시간에 대한 정보에 대한 그릿의 레벨을 부여한 라벨 정보에 기초하여, 사용자의 그릿을 정량화하는 모델을 학습시킬 수 있다. 또한, 교육 컨텐츠 추천 장치(1000)는 학습된 모델 및 대상 사용자의 학습 시간에 대한 정보를 이용하여 대상 사용자의 그릿 정보를 연산하도록 구성될 수 있다.
또한, 본 출원의 다른 실시예에 따른 교육 컨텐츠 추천 장치(1000)는 학습 데이터에 기초하여 대상 사용자의 집중력을 평가하거나 정량화할 수 있다. 구체적으로 학습 데이터는 사용자의 로그인 정보에 기초한 학습 시간에 대한 정보를 더 포함할 수 있다. 특히, 교육 컨텐츠 추천 장치(1000)는 학습 데이터에 포함된 로그 데이터(예, 사용자의 로그인 정보)에 기초하여 문제 풀이 시간에 대한 정보를 연산할 수 있다. 예컨대, 교육 컨텐츠 추천 장치(1000)는 사용자들의 로그 데이터(예, 사용자의 로그인 정보)에 기초하여 문제 풀이 시간에 대한 정보를 획득하는 모델을 학습시키고, 문제 풀이 시간에 대한 정보에 기초하여 대상 사용자의 집중력을 정량화할 수 있다. 구체적으로, 교육 컨텐츠 추천 장치(1000)는 로그 데이터 및 사용자의 실제 문제 풀이 시간에 기초하여 사용자의 문제 풀이 시간 정보를 예측하는 모델을 학습시킬 수 있다. 또한, 교육 컨텐츠 추천 장치(1000)는 학습된 모델을 이용하여 대상 사용자의 로그 데이터로부터 문제 풀이 시간 정보를 획득할 수 있으며, 획득한 문제 풀이 시간 정보에 기초하여 대상 사용자의 집중력을 정량화하도록 구현될 수 있다. 예컨대, 교육 컨텐츠 추천 장치(1000)는 문제 풀이 시간 정보가 길수록 대상 사용자가 높은 레벨의 값으로 집중력을 정량화하도록 구현될 수 있다.
다시 도 3 및 도 4를 참고하면, 본 출원의 일 실시예에 따른 교육 컨텐츠 추천 방법은 추천 컨텐츠를 획득하는 단계(S5000)를 포함할 수 있다.
추천 컨텐츠를 획득하는 단계(S5000)에서는, 교육 컨텐츠 추천 장치(1000)는 대상 사용자의 능력 정보에 기초하여 추천 컨텐츠를 결정할 수 있다. 일 예로, 교육 컨텐츠 추천 장치(1000)는 대상 사용자의 예상 정답률 정보 및/또는 능력 정보에 기초하여 추천 컨텐츠를 결정할 수 있다. 추천 컨텐츠는 예상 정답률 정보 및/또는 능력 정보에 기초하여 연산된 능력 정보와 관련된 기대 점수가 가장 높은 컨텐츠 세트일 수 있다. 여기서, 기대 점수는 대상 사용자의 능력 정보가 대상 사용자의 학습 데이터에 포함된 특정 지점의 로그 데이터와 연관되어 계산될 수 있다.
일 예로, 대상 사용자의 최대 학습 능력과 관련된 제1 능력 정보를 획득한 경우에는, 교육 컨텐츠 추천 장치(1000)는, 대상 사용자의 예상 정답률 정보 또는 제1 능력 정보가 특정 지점에 연계된 학습 데이터의 로그 데이터 등을 이용하여, 대상 사용자의 제1 능력 정보와 관련된 기대 점수를 연산하고, 기대 점수가 가장 높게 계산된 제1 컨텐츠 세트를 추천 컨텐츠로 결정할 수 있다.
다른 예로, 대상 사용자의 추론 능력과 관련된 제2 능력 정보를 획득한 경우에는, 교육 컨텐츠 추천 장치(1000)는 대상 사용자의 예상 정답률 정보 또는 제2 능력 정보가 특정 지점에 연계된 학습 데이터의 로그 데이터 등을 이용하여, 대상 사용자의 제2 능력 정보와 관련된 기대 점수를 연산하고, 추론 능력에 대한 기대 점수가 가장 높게 계산된 제2 컨텐츠 세트를 추천 컨텐츠로 결정할 수 있다.
또 다른 예로, 대상 사용자의 제N 능력 정보(예, 논리력, 응용력 등)를 획득한 경우에는, 교육 컨텐츠 추천 장치(1000)는 대상 사용자의 예상 정답률 정보 또는 제N 능력 정보가 특정 지점에 연계된 학습 데이터의 로그 데이터 등을 이용하여, 대상 사용자의 제N 능력 정보와 관련된 기대 점수를 연산하고, 가장 높게 계산된 기대 점수와 대응되는 제N 컨텐츠 세트를 추천 컨텐츠로 결정할 수 있다.
상술한 내용을 구현하기 위하여, 일 실시예에 따른 추천 컨텐츠를 획득하는 단계(S5000)는 교육 컨텐츠 세트를 획득하는 단계, 상기 교육 컨텐츠 세트에 포함된 컨텐츠를 상기 대상 사용자에게 제공하였을 때 상기 대상 사용자의 상기 능력 정보의 변화를 연산하는 단계 및 상기 능력 정보의 변화가 최대인 컨텐츠를 상기 추천 컨텐츠로 결정하는 단계를 포함할 수 있다.
한편, 본 출원의 일 실시예에 따른 교육 컨텐츠 추천 장치(1000)는 능력 정보에 기초하여 신경망 모델을 결정하고, 결정된 모델에 대응되는 리소스를 분배하고 상기 결정된 신경망 모델을 통하여 추천 컨텐츠를 획득하도록 구현될 수 있다. 이러한 동작을 통하여 교육 컨텐츠 추천 장치(1000)는 대상 사용자의 능력 정보에 따라 교육 컨텐츠를 선별하는데 소요되는 리소스를 적절하게 분배함으로써, 대상 사용자의 실력 향상이 최대화되는 교육 컨텐츠를 사용자에게 제공할 수 있다. 혹은 교육 컨텐츠 추천 장치(1000)는 대상 사용자의 능력 정보에 따라 교육 컨텐츠를 선별하는데 소요되는 리소스를 적절하게 분배함으로써, 교육의 공평성을 보장할 수 있다.
다시 도 4를 참고하면 도시하지 않았으나, 본 출원의 일 실시예에 따른 교육 컨텐츠 추천 방법은 추천 컨텐츠를 송신하는 단계를 더 포함할 수 있다. 예컨대, 교육 컨텐츠 추천 장치(1000)는 송수신부(1100)를 통하여 사용자 단말(100)로 추천 컨텐츠를 송신할 수 있다.
본 출원의 일 실시예에 따른 교육 컨텐츠 추천 장치(1000)는 다양한 유형의 학습과 관련된 기본적 능력(예, 학습 능력, 추론 능력, 논리력, 응용력, 기초튼튼력, 집중력, grit 등)을 정량화하고 교육 컨텐츠가 사용자에게 제공되었을 때의 다양한 유형의 능력에 대하여 연산된 기대 점수가 최대화되는 교육 컨텐츠를 추천 컨텐츠로 결정할 수 있다. 이를 통하여 본 출원의 일 실시예에 따른 교육 컨텐츠 추천 장치(1000)는 단순히 시험 점수가 아닌, 학습과 관련된 기본적 능력들을 훈련시킬 수 있는 교육 컨텐츠를 사용자에게 제공할 수 있다.
상술한 교육 컨텐츠 추천 장치(1000)의 다양한 동작들은 교육 컨텐츠 추천 장치(1000)의 메모리(1200)에 저장될 수 있으며, 교육 컨텐츠 추천 장치(1000)의 컨트롤러(1300)는 메모리(1200)에 저장된 동작들을 수행하도록 제공될 수 있다.
이상에서 실시 형태들에 설명된 특징, 구조, 효과 등은 본 발명의 적어도 하나의 실시 형태에 포함되며, 반드시 하나의 실시 형태에만 한정되는 것은 아니다. 나아가, 각 실시 형태에서 예시된 특징, 구조, 효과 등은 실시 형태들이 속하는 분야의 통상의 지식을 가지는 자에 의해 다른 실시 형태들에 대해서도 조합 또는 변형되어 실시 가능하다. 따라서 이러한 조합과 변형에 관계된 내용들은 본 발명의 범위에 포함되는 것으로 해석되어야 할 것이다.
또한, 이상에서 실시 형태를 중심으로 설명하였으나 이는 단지 예시일 뿐 본 발명을 한정하는 것이 아니며, 본 발명이 속하는 분야의 통상의 지식을 가진 자라면 본 실시 형태의 본질적인 특성을 벗어나지 않는 범위에서 이상에 예시되지 않은 여러 가지의 변형과 응용이 가능함을 알 수 있을 것이다. 즉, 실시 형태에 구체적으로 나타난 각 구성 요소는 변형하여 실시할 수 있는 것이다. 그리고 이러한 변형과 응용에 관계된 차이점들은 첨부된 청구 범위에서 규정하는 본 발명의 범위에 포함되는 것으로 해석되어야 할 것이다.
10: 교육 컨텐츠 추천 시스템
100: 사용자 단말
1000: 교육 컨텐츠 추천 장치
100: 사용자 단말
1000: 교육 컨텐츠 추천 장치
Claims (7)
- 사용자의 학습 데이터를 분석하는 장치가 추천 컨텐츠를 결정하는 방법에 있어서, 상기 방법은,
대상 사용자의 학습 데이터를 획득하는 단계-상기 학습 데이터는 상기 대상 사용자가 이전에 풀이한 문제와 관련된 문제 데이터 및 상기 문제에 대한 상기 대상 사용자의 응답과 관련된 응답 데이터를 포함하는 로그 데이터를 포함함-;
적어도 하나의 후보 문제를 포함하는 문제 데이터베이스를 획득하는 단계-상기 문제 데이터베이스는 상기 후보 문제에 대한 기준 사용자들의 평균 정답률 정보를 포함함-;
상기 후보 문제 및 상기 학습 데이터에 기초하여, 상기 후보 문제에 대한 상기 대상 사용자의 예상 정답률 정보를 계산하는 단계;
상기 예상 정답률 정보에 기초하여, 상기 로그 데이터의 적어도 일부 데이터와 연계된 상기 대상 사용자의 능력 정보를 획득하는 단계; 및
상기 대상 사용자의 상기 능력 정보에 기초하여 추천 컨텐츠를 결정하는 단계;를 포함하되,
상기 대상 사용자의 능력 정보를 획득하는 단계는,
상기 문제 데이터베이스에 포함된 적어도 하나의 후보 문제들을 상기 후보 문제들에 대한 상기 기준 사용자들의 평균 정답률에 따라 정렬하는 단계;
미리 결정된 기준 정답률보다 같거나 낮은 평균 정답률을 갖는 제1 후보 문제 세트와 미리 결정된 기준 정답률보다 큰 평균 정답률을 갖는 제2 후보 문제 세트를 획득하는 단계;
상기 제1 후보 문제 세트에 포함된 후보 문제들에 대한 상기 대상 사용자의 예상 정답률과 관련된 제1 적분값에 제1 값의 제1 가중치를 부여하고, 상기 제2 후보 문제 세트에 포함된 후보 문제들에 대한 상기 대상 사용자의 예상 정답률과 관련된 제2 적분값에 제2 값의 제2 가중치를 부여하는 단계; 및
상기 제1 가중치 및 상기 제2 가중치에 기초하여 대상 사용자의 추론 능력과 관련된 능력 정보를 획득하는 단계;를 더 포함하는,
교육 컨텐츠 추천 방법.
- 제1 항에 있어서,
상기 추천 컨텐츠를 결정하는 단계는,
교육 컨텐츠 세트를 획득하는 단계;
상기 교육 컨텐츠 세트에 포함된 컨텐츠를 상기 대상 사용자에게 제공하였을 때 상기 대상 사용자의 상기 능력 정보의 예상 변화를 연산하는 단계; 및
상기 능력 정보의 예상 변화가 최대인 컨텐츠를 상기 추천 컨텐츠로 결정하는 단계;를 포함하는,
교육 컨텐츠 추천 방법.
- 제1 항에 있어서,
상기 추천 컨텐츠를 결정하는 단계는,
상기 능력 정보에 기초하여 신경망 모델을 결정하는 단계;
상기 결정된 모델에 대응되는 리소스를 분배하는 단계; 및
상기 결정된 신경망 모델을 통하여 상기 추천 컨텐츠를 획득하는 단계;를 포함하는,
교육 컨텐츠 추천 방법.
- 컴퓨터에 제1 항 내지 제3 항 중 어느 하나의 항에 따른 방법을 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록 매체.
- 사용자의 학습 데이터를 외부의 사용자 단말 장치로부터 수신하여 추천 컨텐츠를 결정하는 장치에 있어서,
상기 사용자 단말 장치와 통신하는 송수신부;
상기 송수신부를 통하여 대상 사용자의 학습 데이터를 획득하고, 상기 학습 데이터에 기초하여 상기 대상 사용자의 능력 정보를 계산하도록 구성된 컨트롤러;를 포함하되,
상기 컨트롤러는,
대상 사용자의 학습 데이터-상기 학습 데이터는 상기 대상 사용자가 이전에 풀이한 문제와 관련된 문제 데이터 및 상기 문제에 대한 상기 대상 사용자의 응답과 관련된 응답 데이터를 포함하는 로그 데이터를 포함함-;를 획득하고, 적어도 하나의 후보 문제를 포함하는 문제 데이터베이스-상기 문제 데이터베이스는 상기 후보 문제에 대한 기준 사용자들의 평균 정답률 정보를 포함함-를 획득하고, 상기 후보 문제 및 상기 학습 데이터에 기초하여 상기 후보 문제에 대한 상기 대상 사용자의 예상 정답률 정보를 계산하는 단계; 상기 예상 정답률 정보에 기초하여, 상기 로그 데이터의 적어도 일부 데이터와 연계된 상기 대상 사용자의 능력 정보를 획득하고, 상기 대상 사용자의 상기 능력 정보에 기초하여 추천 컨텐츠를 결정하도록 구성되되,
상기 컨트롤러는, 상기 문제 데이터베이스에 포함된 적어도 하나의 후보 문제들을 상기 후보 문제들에 대한 상기 기준 사용자들의 평균 정답률에 따라 정렬하고, 미리 결정된 기준 정답률보다 같거나 낮은 평균 정답률을 갖는 제1 후보 문제 세트와 미리 결정된 기준 정답률보다 큰 평균 정답률을 갖는 제2 후보 문제 세트를 획득하고, 상기 제1 후보 문제 세트에 포함된 후보 문제들에 대한 상기 대상 사용자의 예상 정답률과 관련된 제1 적분값에 제1 값의 제1 가중치를 부여하고, 상기 제2 후보 문제 세트에 포함된 후보 문제들에 대한 상기 대상 사용자의 예상 정답률과 관련된 제2 적분값에 제2 값의 제2 가중치를 부여하고, 상기 제1 가중치 및 상기 제2 가중치에 기초하여 대상 사용자의 추론 능력과 관련된 능력 정보를 획득하도록 구성되는,
교육 컨텐츠 추천 장치.
- 제5 항에 있어서,
상기 컨트롤러는,
교육 컨텐츠 세트를 획득하고, 상기 교육 컨텐츠 세트에 포함된 컨텐츠를 상기 대상 사용자에게 제공하였을 때 상기 대상 사용자의 상기 능력 정보의 예상 변화를 연산하고, 상기 능력 정보의 예상 변화가 최대인 컨텐츠를 상기 추천 컨텐츠로 결정하도록 구성된,
교육 컨텐츠 추천 장치.
- 제5 항에 있어서,
상기 컨트롤러는,
상기 능력 정보에 기초하여 신경망 모델을 결정하고, 상기 결정된 모델에 대응되는 리소스를 분배하고, 상기 결정된 신경망 모델을 통하여 상기 추천 컨텐츠를 획득하도록 구성된,
교육 컨텐츠 추천 장치.
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220057648A KR102626442B1 (ko) | 2021-07-09 | 2022-05-11 | 교육 컨텐츠 추천 방법, 교육 컨텐츠 추천 장치, 및 교육 컨텐츠 추천 시스템 |
| PCT/KR2022/009429 WO2023282539A1 (ko) | 2021-07-09 | 2022-06-30 | 교육 컨텐츠 추천 방법, 교육 컨텐츠 추천 장치, 및 교육 컨텐츠 추천 시스템 |
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210090199A KR102398319B1 (ko) | 2021-07-09 | 2021-07-09 | 교육 컨텐츠 추천 방법, 교육 컨텐츠 추천 장치, 및 교육 컨텐츠 추천 시스템 |
| KR1020220057648A KR102626442B1 (ko) | 2021-07-09 | 2022-05-11 | 교육 컨텐츠 추천 방법, 교육 컨텐츠 추천 장치, 및 교육 컨텐츠 추천 시스템 |
Related Parent Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210090199A Division KR102398319B1 (ko) | 2021-07-09 | 2021-07-09 | 교육 컨텐츠 추천 방법, 교육 컨텐츠 추천 장치, 및 교육 컨텐츠 추천 시스템 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20230009817A KR20230009817A (ko) | 2023-01-17 |
| KR102626442B1 true KR102626442B1 (ko) | 2024-01-18 |
Family
ID=84802133
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020220057648A KR102626442B1 (ko) | 2021-07-09 | 2022-05-11 | 교육 컨텐츠 추천 방법, 교육 컨텐츠 추천 장치, 및 교육 컨텐츠 추천 시스템 |
Country Status (2)
| Country | Link |
|---|---|
| KR (1) | KR102626442B1 (ko) |
| WO (1) | WO2023282539A1 (ko) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2017520068A (ja) | 2014-05-23 | 2017-07-20 | データロボット， インコーポレイテッド | 予測データ分析のためのシステムおよび技術 |
| JP2019144504A (ja) | 2018-02-23 | 2019-08-29 | 日本電信電話株式会社 | 学習スケジュール生成装置、方法およびプログラム |
| KR102213479B1 (ko) | 2019-02-28 | 2021-02-08 | (주)뤼이드 | 교육 컨텐츠를 제공하는 방법, 장치 및 컴퓨터 프로그램 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101642577B1 (ko) * | 2014-07-15 | 2016-07-27 | 한양대학교 산학협력단 | 효과적인 학습 독려와 가이드 및 학습 전략 수립 서비스 제공을 위한 스마트 개인화 학습 가이드 방법 및 시스템 |
| KR20160109913A (ko) * | 2015-03-13 | 2016-09-21 | 이화여자대학교 산학협력단 | 학습 콘텐츠 제공 시스템이 수행하는 맞춤 학습 피드백 방법 |
| KR102104660B1 (ko) * | 2018-04-23 | 2020-04-24 | 주식회사 에스티유니타스 | 사용자 맞춤형 학습 컨텐츠 제공 시스템 및 방법 |
| KR102316070B1 (ko) | 2019-08-27 | 2021-10-25 | 주식회사 제이이엔씨 | 자기주도 학습 최적화 시스템 및 방법 |
| KR102398319B1 (ko) * | 2021-07-09 | 2022-05-16 | (주)뤼이드 | 교육 컨텐츠 추천 방법, 교육 컨텐츠 추천 장치, 및 교육 컨텐츠 추천 시스템 |
-
2022
- 2022-05-11 KR KR1020220057648A patent/KR102626442B1/ko active IP Right Grant
- 2022-06-30 WO PCT/KR2022/009429 patent/WO2023282539A1/ko active Application Filing
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2017520068A (ja) | 2014-05-23 | 2017-07-20 | データロボット， インコーポレイテッド | 予測データ分析のためのシステムおよび技術 |
| JP2019144504A (ja) | 2018-02-23 | 2019-08-29 | 日本電信電話株式会社 | 学習スケジュール生成装置、方法およびプログラム |
| KR102213479B1 (ko) | 2019-02-28 | 2021-02-08 | (주)뤼이드 | 교육 컨텐츠를 제공하는 방법, 장치 및 컴퓨터 프로그램 |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20230009817A (ko) | 2023-01-17 |
| WO2023282539A1 (ko) | 2023-01-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Babić | Machine learning methods in predicting the student academic motivation | |
| Pardos et al. | The sum is greater than the parts: Ensembling models of student knowledge in educational software | |
| US9483954B2 (en) | Educational network based intervention | |
| KR102398319B1 (ko) | 교육 컨텐츠 추천 방법, 교육 컨텐츠 추천 장치, 및 교육 컨텐츠 추천 시스템 | |
| US20230005383A1 (en) | Device and method for recommending educational content | |
| Bretz et al. | Two models of moral judgment | |
| Intisar et al. | Classification of online judge programmers based on rule extraction from self organizing feature map | |
| US20230011613A1 (en) | Method of training neural network model for calculating learning ability and method of calculating learning ability of user | |
| KR102412380B1 (ko) | 사용자의 검색 정보를 기반으로 사용자의 학습 능력을 평가하는 방법, 장치, 및 시스템 | |
| KR102412377B1 (ko) | 사용자에게 교육 효과가 최대화되는 풀이 컨텐츠를 추천하는 방법, 장치, 및 시스템 | |
| San Pedro et al. | Exploring Dynamical Assessments of Affect, Behavior, and Cognition and Math State Test Achievement. | |
| KR20230005752A (ko) | 사용자에게 교육 효과가 최대화되는 웹페이지를 추천하는 방법, 장치, 및 시스템 | |
| KR102406416B1 (ko) | 학습 실력 평가 방법, 학습 실력 평가 장치 및 학습 실력 평가 시스템 | |
| KR20240083865A (ko) | 인공지능 기반의 교실 구조 최적화 장치, 방법 및 프로그램 | |
| KR102626442B1 (ko) | 교육 컨텐츠 추천 방법, 교육 컨텐츠 추천 장치, 및 교육 컨텐츠 추천 시스템 | |
| Gong et al. | Modeling multiple distributions of student performances to improve predictive accuracy | |
| US20240078921A1 (en) | Method, system and non-transitory computer-readable recording medium for answering prediction for learning problem | |
| Fong et al. | A comparison of artificial neural networks, logistic regressions, and classification trees for modeling mental workload in real-time | |
| KR20230028130A (ko) | 학습 실력 평가 방법, 학습 실력 평가 장치 및 학습 실력 평가 시스템 | |
| CN115545638A (zh) | 一种知识动态掌握程度确定方法、试题推荐方法及装置 | |
| Botelho et al. | Crowdsourcing chapter 11–feedback to support teachers and students | |
| Woods et al. | A constraint-based expert modeling approach for Ill-defined tutoring domains | |
| Wang et al. | MOCHI: an offline evaluation framework for educational recommendations | |
| Luu et al. | Choice-induced biases in perception | |
| Hogan et al. | Two further problems with Trait Theory |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |