KR102629686B1 - 사용자 맞춤형 교육 컨텐츠 제공 방법 - Google Patents

사용자 맞춤형 교육 컨텐츠 제공 방법 Download PDF

Info

Publication number
KR102629686B1
KR102629686B1 KR1020210042294A KR20210042294A KR102629686B1 KR 102629686 B1 KR102629686 B1 KR 102629686B1 KR 1020210042294 A KR1020210042294 A KR 1020210042294A KR 20210042294 A KR20210042294 A KR 20210042294A KR 102629686 B1 KR102629686 B1 KR 102629686B1
Authority
KR
South Korea
Prior art keywords
incorrect answer
client
area
test
educational content
Prior art date
Application number
KR1020210042294A
Other languages
English (en)
Other versions
KR20220136592A (ko
Inventor
이용진
Original Assignee
주식회사 고투무브
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 고투무브 filed Critical 주식회사 고투무브
Priority to KR1020210042294A priority Critical patent/KR102629686B1/ko
Publication of KR20220136592A publication Critical patent/KR20220136592A/ko
Application granted granted Critical
Publication of KR102629686B1 publication Critical patent/KR102629686B1/ko

Links

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
    • 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
    • G09B7/00—Electrically-operated teaching apparatus or devices working with questions and answers
    • G09B7/02—Electrically-operated teaching apparatus or devices working with questions and answers of the type wherein the student is expected to construct an answer to the question which is presented or wherein the machine gives an answer to the question presented by a student

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Tourism & Hospitality (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Educational Administration (AREA)
  • Educational Technology (AREA)
  • Electrically Operated Instructional Devices (AREA)

Abstract

본 발명은 사용자 맞춤형 교육 컨텐츠 제공 방법에 관한 것으로, 적어도 하나 이상의 제1 클라이언트로 테스트 - 상기 테스트는 메인 서버에 구축된 문제 DB로부터 추출됨 - 를 제공하는 단계; 적어도 하나 이상의 제2 클라이언트- 상기 제2 클라이언트는 상기 제1 클라이언트와 다른 클라이언트임 - 로부터 상기 테스트에 대한 결과를 수신하는 단계; 상기 제2 클라이언트의 테스트 결과와 관련된 오답노트 생성용 문제를 수신하는 단계; 및 상기 오답노트 생성용 문제에 기초하여 오답노트를 생성하는 단계; 를 포함하되, 상기 오답노트를 생성하는 단계는, 제1 오답노트 생성용 문제에 대응되는 제1 배치영역을 판단하는 단계, 상기 제1 배치영역과 테스트 영역간의 넓이 차이인 가용영역을 판단하는 단계, 및 상기 가용영역과 상기 제2 오답노트 생성용 문제의 제2 배치영역 간의 관계를 판단하는 단계를 더 포함하는 교육 컨텐츠 제공 시스템의 사용자 맞춤 교육 컨텐츠 제공 방법에 관한 것이다.

Description

사용자 맞춤형 교육 컨텐츠 제공 방법 {A METHOD FOR PROVIDING USER-CUSTOMIZED EDUCATION CONTENTS}
본 발명은 사용자 맞춤형 교육 컨텐츠 제공 방법 및 이를 수행하기 위한 시스템에 관한 것으로, 보다 상세하게는 사용자의 오답 문제를 추출하고 이로부터 오답 노트를 생성하는 방법 및 이를 수행하기 위한 시스템에 관한 것이다.
오답 노트를 작성하는 것은 학생들의 기억 유지 및 학습 관리에 많은 도움이 되는 것으로 알려져 있다. 이와 관련하여, 현대 교육 산업 상에서는, 학생들이 실제 시험에서 틀린 오답 문제 외에도, 오답과 유사한 유형의 오답 예상문제까지 모두 포함하는 오답 노트 생성 방법에 관한 요구가 증대되고 있다.
본 발명이 해결하고자 하는 일 과제는, 사용자 맞춤형으로 테스트를 제공하고, 제공된 테스트에 기초한 오답 노트를 생성하는 데에 있다.
일 실시예에 따르면, 적어도 하나 이상의 제1 클라이언트로 테스트 - 상기 테스트는 메인 서버에 구축된 문제 DB로부터 추출됨 - 를 제공하는 단계; 적어도 하나 이상의 제2 클라이언트- 상기 제2 클라이언트는 상기 제1 클라이언트와 다른 클라이언트임 - 로부터 상기 테스트에 대한 결과를 수신하는 단계; 상기 제2 클라이언트의 테스트 결과와 관련된 오답노트 생성용 문제를 수신하는 단계; 및 상기 오답노트 생성용 문제에 기초하여 오답노트를 생성하는 단계; 를 포함하되, 상기 오답노트를 생성하는 단계는, 제1 오답노트 생성용 문제에 대응되는 제1 배치영역을 판단하는 단계, 상기 제1 배치영역과 테스트 영역간의 넓이 차이인 가용영역을 판단하는 단계, 및 상기 가용영역과 상기 제2 오답노트 생성용 문제의 제2 배치영역 간의 관계를 판단하는 단계를 더 포함하는 교육 컨텐츠 제공 시스템의 사용자 맞춤 교육 컨텐츠 제공 방법이 제공될 수 있다.
본 발명에 따르면, 사용자가 테스트를 수행한 결과인 오답 뿐만 아니라, 오답과 유사한 오답 예상문제 까지도 포함할 수 있는 오답 노트가 생성되어 제공될 수 있다.
도 1은 일 실시예에 따른 시스템의 개략적으로 나타낸 블록도이다.
도 2는 메인 클라이언트에서 수행되는 테스트 생성 방법을 나타낸 것이다.
도 3은 메인 서버에서 수행되는 테스트 생성용 문제 제공 방법을 나타낸 것이다.
도 4는 일 실시예에 따라 메인 클라이언트에서 생성된 테스트의 일 예를 나타낸 것이다.
도 5는 일 실시예에 따라 메인 클라이언트에서 수행되는 오답노트 생성 동작을 나타낸 순서도이다.
도 6은 일 실시예에 따라 메인 서버에서 수행되는 오답노트 생성용 문제의 선별 방법을 나타낸 순서도이다.
도 7은 일 실시예에 따라 메인 서버에서 수행되는 오답 예상문제 선별 방법을 구체적으로 나타낸 순서도이다.
도 8은 일 실시예에 따라 메인 서버에서 수행되는 오답노트 생성용 문제의 선별 방법을 나타낸 순서도이다.
도 9는 일 실시예에 따른 테스트의 채점 결과를 나타낸 것이다.
도 10은 도 9의 채점 결과에 따른 오답 노트를 나타낸 것이다.
도 11은 일 실시예에 따라 메인 클라이언트(100)에서 수행되는 오답 노트 생성 방법을 나타낸 순서도이다.
도 12는 일 실시예에 따른 오답 노트 생성 과정을 나타낸 것이다.
도 13은 일 실시예에 따른 문제 유형 판단 과정을 나타낸 것이다.
도 14는 일 실시예에 따른 지문 통계분석 과정을 나타낸 것이다.
도 15는 일 실시예에 따른 지문 분석 과정을 나타낸 것이다.
도 16은 일 실시예에 따른 추천 문제 생성 방법의 전체적인 플로우를 나타낸 것이다.
본 발명의 상술한 목적, 특징들 및 장점은 첨부된 도면과 관련된 다음의 상세한 설명을 통해 보다 분명해질 것이다. 다만, 본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시예들을 가질 수 있는 바, 이하에서는 특정 실시예들을 도면에 예시하고 이를 상세히 설명하고자 한다.
도면들에 있어서, 층 및 영역들의 두께는 명확성을 기하기 위하여 과장되어진 것이며, 또한, 구성요소(element) 또는 층이 다른 구성요소 또는 층의 "위(on)" 또는 "상(on)"으로 지칭되는 것은 다른 구성요소 또는 층의 바로 위 뿐만 아니라 중간에 다른 층 또는 다른 구성요소를 개재한 경우를 모두 포함한다. 명세서 전체에 걸쳐서 동일한 참조번호들은 원칙적으로 동일한 구성요소들을 나타낸다. 또한, 각 실시예의 도면에 나타나는 동일한 사상의 범위 내의 기능이 동일한 구성요소는 동일한 참조부호를 사용하여 설명한다.
본 발명과 관련된 공지 기능 혹은 구성에 대한 구체적인 설명이 본 발명의 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 설명에서 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.
본 발명은 사용자 맞춤형 교육 컨텐츠 제공 방법에 관한 것으로, 적어도 하나 이상의 제1 클라이언트로 테스트 - 상기 테스트는 메인 서버에 구축된 문제 DB로부터 추출됨 - 를 제공하는 단계; 적어도 하나 이상의 제2 클라이언트- 상기 제2 클라이언트는 상기 제1 클라이언트와 다른 클라이언트임 - 로부터 상기 테스트에 대한 결과를 수신하는 단계; 상기 제2 클라이언트의 테스트 결과와 관련된 오답노트 생성용 문제를 수신하는 단계; 및 상기 오답노트 생성용 문제에 기초하여 오답노트를 생성하는 단계; 를 포함하되, 상기 오답노트를 생성하는 단계는, 제1 오답노트 생성용 문제에 대응되는 제1 배치영역을 판단하는 단계, 상기 제1 배치영역과 테스트 영역간의 넓이 차이인 가용영역을 판단하는 단계, 및 상기 가용영역과 상기 제2 오답노트 생성용 문제의 제2 배치영역 간의 관계를 판단하는 단계를 더 포함하는 교육 컨텐츠 제공 시스템의 사용자 맞춤 교육 컨텐츠 제공 방법에 관한 것이다.
본 명세서에 따르면, 사용자 맞춤형 교육 컨텐츠 제공 방법, 이를 구현하기 위한 시스템 및 장치가 제공될 수 있다.
본 명세서에서의 '교육 컨텐츠'는 교육 산업에서 이용되는 모든 컨텐츠를 의미할 수 있다. 예컨대, 교육 컨텐츠는 테스트일 수 있거나, 테스트에 포함된 문제일 수도 있다. 또한, 교육 컨텐츠는 사용자의 테스트 결과에 따른 오답노트일 수도 있다.
교육 컨텐츠를 제공받는 대상은 학생이 될 수도 있고, 학생들을 가르치는 선생님이나 강사들이 될 수도 있다. 또는, 학생들의 부모들을 포함할 수도 있다.
또한, 교육 컨텐츠는 교육과정 상의 모든 과목에 적용될 수 있다. 예를 들어, 교육 컨텐츠는 언어, 수학, 외국어, 기타 탐구영역 등의 내용을 포함할 수 있다.
일 실시 예에 따른 교육 컨텐츠의 제공은 시스템을 통해 구현될 수 있다.
도 1은 일 실시 예에 따른 교육 컨텐츠 제공 시스템을 개략적으로 나타낸 블록도이다.
도 1을 참조하면, 교육 컨텐츠 제공 시스템은 메인 클라이언트(100) 및 메인 서버(200)를 포함할 수 있다.
일 실시예에서, '클라이언트'라 함은 여러 사용자에 의해 작동되는 다양한 장치를 나타낸 것으로, 데스크탑 컴퓨터와 같은 고정식 단말을 포함할 뿐만 아니라, 휴대폰, 스마트 폰(smart phone), 태블릿(tablet), 노트북 컴퓨터(laptop computer), PDA(Personal Digital Assistants), 웨어러블 기기(예를 들어, 웨어러블 시계, 웨어러블 밴드)와 같은 이동식 단말을 포함할 수 있다. 이에 따라, 메인 클라이언트(100) 및 메인 서버(200)는 프로그램을 저장하는 메모리 및 프로세서를 포함할 수 있고, 본 명세서의 이하의 설명에서 수행되는 방법이나 동작들은 메인 클라이언트(100) 및/또는 메인 서버(200)에 저장된 프로그램을 통하여 프로세서에서 구동되는 것으로 이해되어야 할 것이다.
또한, 시스템의 네트워크는 통신 인터페이스를 통해 서로 연결될 수 있다. 통신 인터페이스는 복수의 클라이언트와 외부 장치 사이의 네트워크 통신을 가능하게 하는 하나 이상의 모듈을 포함할 수 있다. 예를 들어, 통신 인터페이스는 무선랜(WLAN), 와이파이(Wifi) 등의 무선 인터넷 인터페이스와, 블루투스(Bluetooth), 직비(ZigBee) 등의 근거리 통신 인터페이스와 같은 무선 통신 모듈을 포함하고, 무선 통신 모듈을 통해 외부와 데이터를 통신할 수 있다. 물론, 통신 인터페이스는, 무선 통신 모듈만이 아니라 유선 통신 모듈을 구비할 수도 있다.
또한, 교육 컨텐츠 제공 시스템의 네트워크 상에는 적어도 하나 이상의 클라이언트(10,20,30)이 연결될 수 있다. 일 실시예에 따른 교육 컨텐츠 제공 시스템은 선생님(강사), 학생 및 학부모가 모두 이용할 수 있다. 예를 들어, 제1 클라이언트(10)는 제2 클라이언트(20)에게 테스트 또는 오답 노트를 직접 전송하거나, 메인 클라이언트(100)를 통해 전송할 수 있다. 본 명세서의 이하의 설명에서는, 설명의 편의를 위하여 제1 클라이언트(10)은 선생님 또는 강사를, 제2 클라이언트(20)는 학생 또는 수강생을, 제3 클라이언트(30)은 학부모를 의미하는 것으로 한다. 도면에는 비록 3개의 클라이언트만이 연결된 것으로 도시되었으나, 더 많은 클라이언트가 연결되는 것이 가능하다.
메인 클라이언트(100)는 교육 컨텐츠를 생성하고, 생성된 교육 컨텐츠와 관련된 정보를 적어도 하나 이상의 클라이언트(10, 20, 30)에 제공할 수 있다. 또한, 교육 컨텐츠를 생성하기 위한 정보를 획득하기 위해서, 메인 클라이언트(100)는 적어도 하나 이상의 클라이언트(10,20,30)로부터 정보를 획득할 수 있다.
또한, 메인 클라이언트(100)는 메인 서버(200)와 통신하여, 적어도 하나 이상의 클라이언트(10,20,30)에 제공할 교육 컨텐츠용 정보를 획득할 수 있다.
메인 서버(200)는 교육 컨텐츠 제공을 위한 다양한 정보를 저장할 수 있다. 메인 서버(200)는 메인 서버는 DB(데이터베이스, 이하 DB)를 포함할 수 있다. 상기 DB에는 적어도 하나 이상의 클라이언트들(10,20,30)으로부터 미리 획득하여 저장된 테스트 생성용 문제가 저장될 수 있다. 또한, 상기 DB에는 적어도 하나 이상의 클라이언트들(10,20,30)의 테스트 결과로부터 획득된 오답노트 생성용 문제가 저장되어 있을 수도 있다.
메인 서버(200)는 적어도 하나 이상의 클라이언트(10,20,30)과 직접 통신을 수행하거나, 메인 클라이언트(100)를 통하여 교육 컨텐츠에 관한 정보를 제공할 수 있다.
메인 서버(200)는 테스트용 문제를 메인 클라이언트(100)로 전송할 수 있다. 또한, 메인 서버(200)는 오답노트 생성용 문제를 메인 클라이언트(100)로 제공할 수 있다.
또한, 메인 서버(200)는 테스트 결과를 포함한 성적표를 제3 클라이언트(30)에 전송할 수도 있다.
이하에서는 도 1의 네트워크 구성관계와 도 2를 참조하여, 메인 클라이언트에서 수행되는 테스트 생성 방법에 대해 살펴보기로 한다.
도 2는 메인 클라이언트에서 수행되는 테스트 생성 방법을 나타낸 순서도이다.
메인 클라이언트(100)에서 수행되는 테스트 생성 방법은 제1 클라이언트로부터 하나 이상의 문제를 수신하는 단계(S201), 수신된 문제를 메인 서버로 전송하는 단계(S202), 메인 서버로부터 복수의 테스트 생성용 문제를 수신하여 테스트를 생성하는 단계(S203) 및 제1 클라이언트로 테스트를 전송하는 단계(S204)를 포함할 수 있다.
먼저, 메인 클라이언트(100)는 제1 클라이언트(10)로부터 하나 이상의 문제를 수신할 수 있다(S201). 제1 클라이언트(10)는 주로 선생님이나 강사들에 의해 작동된다. 제1 클라이언트(10)는 테스트에 생성될 복수의 문제를 직접 작성하거나, 메인 서버(200)로부터 불러와 메인 클라이언트(100)에 전송할 수 있다. 즉, 메인 클라이언트(100)는, 제1 클라이언트(10)로부터 테스트 생성에 이용될 적어도 하나 이상의 문제를 송신 받을 수 있다.
이후, 메인 클라이언트(100)는 제1 클라이언트(10)로부터 전송받은 문제를 메인 서버(200)로 전송할 수 있다(S202). 후술할 바와 같이, 메인 서버(200)는 메인 클라이언트(100)로부터 전송받은 문제를 DB에 저장할 수 있다. 또한, 메인 서버(200)는 메인 클라이언트(100)로. 전송받은 문제와 유사한 문제를 선별하여 전송할 수 있다.
이후, 메인 클라이언트(100)는 메인 서버(200)로부터 테스트 생성에 이용될 문제를 수신하고, 이에 기초하여 테스트를 생성할 수 있다(S203). 즉, 제1 클라이언트(10)로부터 수신한 문제가 제1 문제라고 한다면, 메인 클라이언트(100)는 제1 문제와 동일하거나 유사한 제2 문제를 메인 서버(200)로부터 수신하고, 수신된 제2 문제에 기초하여 테스트를 생성할 수 있다. 여기서, 제2 문제가 복수일 경우, 복수의 제2 문제를 조합하여 테스트를 생성하는 방법은 후술할 바와 같이 오답 노트를 생성하는 방법과 유사하게 수행될 수 있다.
테스트가 생성되면, 메인 클라이언트(100)는 생성된 테스트를 제1 클라이언트(10)에 전송할 수 있다(S204). 또는, 메인 클라이언트(100)는 생성된 테스트를 제2 및/또는 제3 클라이언트(20,30)에 제공할 수도 있다.
도 3은 메인 서버에서 수행되는 테스트 생성용 문제 제공 방법을 나타낸 순서도이다.
도 3을 참조하면, 메인 서버(200)에서 수행되는 테스트 생성용 문제 제공 방법은 복수의 문제에 대한 DB 구축 단계(S301) 및 DB에서 복수의 문제를 추출하여 메인 클라이언트로 전송하는 단계(S302)를 포함할 수 있다.
먼저, 메인 서버(200)가 메인 클라이언트(100)로부터 제1 클라이언트(10)가 전송한 복수의 제1 문제를 수신하면, 메인 서버(200)는 상기 복수의 제1 문제에 대한 DB를 구축할 수 있다(S301). 상기 DB에는, 전송받은 복수의 제1 문제 뿐 아니라, 다른 클라이언트로부터 미리 획득되어 저장된 다른 문제들 역시도 저장되어 있을 수 있다.
이후, 메인 서버(200)는 DB에서 복수의 문제를 추출하여 메인 클라이언트(100)로 전송할 수 있다(S302). 구체적으로, 메인 서버(200)는 제1 문제와 유사한 유형인 복수의 제2 문제를 선별하고, 선별된 제2 문제를 메인 클라이언트(100)로 전송할 수 있다. 이를 위해, 메인 서버(200)는 여러 클라이언트로부터 수신한 복수의 문제를 유형별로 군집화하여 DB에 저장할 수 있다. 또한 여기서, 메인 서버(200)는 후술할 바와 같이 유형 지수를 이용할수 있다.
도 4는 일 실시예에 따라 메인 클라이언트(100)에서 생성된 테스트의 일 예를 나타낸 것이다.
도 4를 참조하면, 메인 클라이언트(100)는 테스트 생성용 문제들을 조합하여 테스트를 생성할 수 있다. 구체적으로, 메인 클라이언트(100)는 제1 클라이언트(10)의 요청에 응답하여, 제1 클라이언트(10)가 전송한 제1 문제에 대응되는 문제들로 구성된 테스트를 생성할 수 있다.
도면을 참조하여 구체적인 예시를 들자면, 테스트에는 현재 5개의 문제가 포함되어 있다. 이 중에서, 1번 문제가 제1 클라이언트(10)로부터 전송된 문제라고 하면, 나머지 2번에서 4번까지의 문제는 메인 서버(200)의 DB로부터 추출된 1번 문제와 유사한 유형을 반영하고 있다.
보다 더 구체적으로, 제1 문제는 필자의 주장을 판단하는 유형의 문제를 나타내고 있다. 즉, 제1 문제는 글의 요지나 주제를 판단하는 유형의 문제로 판단될 수 있다. 이와 같은 유형을 반영하도록 2번부터 4번까지의 문제는 모두 글의 요지나 주장, 제목을 판단하는 문제로 구성될 수 있다.
뿐만 아니라, 메인 클라이언트(100)는 제1 클라이언트(10)가 전송한 문제와 다른 유형의 문제를 테스트에 포함시킬 수 있다. 도면을 참고하면, 5번 문제의 경우 어법을 판단하는 문제로서, 제1 클라이언트(10)가 전송한 문제와 전혀 다른 유형임에도, 테스트에 포함될 수 있다.
여기서, 테스트에 포함될 문제를 선별하는 방식은 다양할 수 있다. 일 예로, 메인 클라이언트(100) 또는 메인 서버(200)는 제1 클라이언트(10)가 전송한 문제에 포함된 단어에 기초하여 테스트 생성용 문제를 선별할 수 있다. 구체적으로, 만약 제1 클라이언트(10)가 전송한 문제에 포함된 단어가 중요단어라면, 메인 클라이언트(100) 및/또는 메인 서버(200)는 이 단어를 포함하는 문제를 테스트 생성용 문제로 선별할 수 있다. 다른 예로, 메인 클라이언트(100) 또는 메인 서버(200)는 제1 클라이언트(10)가 전송한 문제에 포함된 어법에 기초하여 테스트 생성용 문제를 선별할 수 있다. 구체적으로, 만약 제1 클라이언트(10)가 전송한 문제에 포함된 어법이 중요 어법이라면, 메인 클라이언트(100) 및/또는 메인 서버(200)는 이 어법을 포함하는 문제를 테스트 생성용 문제로 선별할 수 있다. 이 외에도, 메인 클라이언트(100) 및/또는 메인 서버(200)는 제1 클라이언트(10)가 전송한 문제에 포함된 정보들과 대응되는 다양한 유형의 문제를 테스트 생성용 문제로 선별할 수 있다.
이상에서는, 시스템에서 제공되는 테스트 생성 방법에 대해 도면을 참조하여 설명하였다.
이하에서는, 시스템에서 제공되는 오답노트 생성 방법에 대해 도면을 참조하여 설명하도록 하겠다.
도 5는 일 실시예에 따라 메인 클라이언트에서 수행되는 오답노트 생성 동작을 나타낸 순서도이다.
도 5를 참조하면, 오답 노트 생성 동작은 제2 클라이언트로부터 테스트 결과를 수신하고 이에 대해 채점하는 단계(S401), 메인 서버로부터 오답노트 생성용 문제를 획득하는 단계(S402) 및 오답노트를 생성하여 제1 클라이언트로 전송하는 단계(S403)를 포함할 수 있다.
먼저, 메인 클라이언트(100)는 제2 클라이언트로부터 테스트에 대한 결과를 수신할 수 있고, 이에 대해 채점을 수행한다(S401). 여기서, 테스트에 대한 정답은 메인 서버(200)로부터 수신하거나, 미리 획득할 수 있다. 또한, 메인 클라이언트(100)는 테스트 결과를 메인 서버(200)로 전송하고, 메인 서버(200)로부터 채점 결과를 수신할 수도 있다.
여기서, 제2 클라이언트(20)는 QR 코드가 포함된 OMR 답안지를 이용하여, 테스트 풀이를 메인 클라이언트(100)로 전송할 수 있다. 이에 따라, 메인 클라이언트(100)는 각각의 클라이언트에 대응되는 고유한 식별자(ID)에 대응되는 테스트 결과를 수신하고, 이에 따라 각각의 클라이언트에 대응되는 오답 노트를 생성하고 제공할 수 있다.
이후, 메인 클라이언트(100)는 메인 서버(200)로부터 테스트 결과에 기초한 오답노트 생성용 문제를 획득할 수 있다(S402). 여기서, 오답노트 생성용 데이터는 후술할 바와 같이, 메인 서버(200)에서 유형화 지수를 이용해 선별될 수 있다.
이후, 메인 클라이언트(100)는 오답노트 생성용 문제에 기초하여 오답 노트를 생성하고, 이를 제1 클라이언트로 전송할 수 있다(S403). 여기서, 오답 노트는 다양한 양식으로 제공될 수 있다. 일 예로, 오답 노트는 컴퓨터 프로그램용 문서로 제공될 수 있다. 오답 노트 생성 방법에 대한 구체적인 예시는 후술하여 상세히 설명하도록 한다.
도 6은 일 실시예에 따라 메인 서버에서 수행되는 오답노트 생성용 문제의 선별 방법을 나타낸 순서도이다.
도 6을 참조하면, 오답노트 생성용 문제의 선별 방법은 테스트 결과에 기초하여 오답 문제를 추출하는 단계(S501), 테스트 결과에 기초하여 오답 예상문제를 추출하는 단계(S502) 및 추출된 오답문제 및 오답 예상문제를 메인 클라이언트로 전송하는 단계(S503)을 포함할 수 있다.
먼저, 오답 문제를 추출하는 단계(S501)에서, 메인 서버(200)는 미리 DB에 저장된 테스트 문제에 대한 정답정보에 기초하여 제2 클라이언트(20)의 테스트 결과로부터 오답을 결정할 수 있다.
이후, 메인 서버(200)는 오답 문제에 기초하여 오답 예상문제를 추출할 수 있다(S502). 구체적으로, 메인 서버(200)는 제2 클라이언트(20)의 테스트 결과에 따른 오답 문제의 유형을 분석하고, DB로부터 상기 오답 문제와 유형 지수가 대응되는 복수의 오답 예상 문제를 선별할 수 있다.
이후, 메인 서버(200)는 추출된 오답문제와 오답 예상문제를 메인 클라이언트(100)로 전송할 수 있다.
도 7은 일 실시예에 따라 메인 서버에서 수행되는 오답 예상문제 선별 방법을 구체적으로 나타낸 순서도이다.
도 7을 참조하면, 메인 서버(200)는 오답에 대한 유형 지수를 획득하고(S601), 머신러닝 모델을 이용하여 오답의 구문을 분석하며(S602) 구문에 대한 중요도 지수를 획득할 수 있다(S603).
먼저, 메인 서버(200)는 문제의 유형 지수를 판단할 수 있다. 구체적으로, 메인 서버(200)는 복수의 문제에 대해서, 이들을 유형화 하고, 각각에 대해 유형 지수를 레이블링하여 DB에 저장할 수 있다. 예를 들어, 주제 파악에 대한 문제는 1의 식별값(레이블링 값)을 부여받을 수 있으며, 어법파악과 관련된 문제는 2의 식별값(레이블링 값)을 부여받을수 있고, 단어와 관련된 문제는 3의 식별값을 부여받을 수 있다.
여기서, 유형 지수를 판단하는 정보는 문제를 입력한 클라이언트로부터 획득할 수 있다. 예컨대, 제1 클라이언트가 문제를 입력하면서 해당 문제는 어법에 관한 문제라는 정보를 함께 입력하는 경우, 메인 서버(200) 및/또는 메인 클라이언트(100)는 상기 문제에 대해 어법에 대응하는 유형 지수를 레이블링 하여 DB에 저장할 수 있다.
또한, 메인 서버(200)는 미리 설정된 알고리즘을 이용하여, 문제를 분석하고 이를 통해 유형 지수를 판단할 수도 있다. 예를 들어, 메인 서버(200)는 문제에 포함된 단어를 분석하여 해당 문제의 유형 지수를 판단할 수 있다. 즉, 지문을 제외한 문제에 '어법'이란 단어가 포함되면 메인 서버(200)는 이를 어법에 관한 문제로 판단하고, 이에 대응하는 식별값을 부여할 수 있다. 다른 예로, 지문을 제외한 문제에 '단어'라는 단어가 포함되면 메인 서버(200)는 이를 단어에 관한 문제로 판단하고, 이에 대응하는 식별값을 부여할 수 있다. 또 다른 예로, 지문을 제외한 문제에 '주제', '요지', '주장' 등의 단어가 포함되면, 메인 서버(200)는 이를 주제파악과 관련된 문제로 판단하고, 이에 대응하는 식별값을 부여할 수 있다. 이러한 알고리즘은 미리 메인 서버에 저장될 수 있으며, 인공지능(특히 머신러닝 모델)을 통해 구현될 수도 있다.
또한, 일 실시예에 따른 유형 지수는, 문제의 소재나 분류를 반영할 수도 있다. 구체적으로, 유형 지수는 문제에 포함된 지문의 내용과 관련하여, 지문의 내용의 분류나 소재를 반영할 수 있다. 예컨대, 유형 지수는 인문사회, 자연, 예술문학, 융합 등의 분류를 반영할 수 있다. 이를 달리 표현하면, 일 실시예에 따른 유형 지수는 분류 지수를 포함할 수도 있다고도 할 수 있을 것이다.
또한, 분류 지수 역시도 머신러닝 알고리즘에 의해 구현될 수 있다. 머신러닝 알고리즘은, 문제(또는 지문)에 해당 문제의 분류 정보가 레이블링 된 학습 데이터 세트로 훈련될 수 있다. 따라서, 충분히 학습된 머신러닝 알고리즘은, 문제가 입력될 경우 문제의 분류 지수를 출력할 수 있다.
문제의 유형 지수가 판단되면, 메인 서버(200)는 머신 러닝 모델을 이용하여 구문을 분석할 수 있다. 구체적으로, 메인 서버(200)는 머신 러닝 모델을 이용하여 문제 내에 포함된 지문을 분석할 수 있다.
실시 예에 따른 머신 러닝 모델의 대표적인 예로는, 인공 신경망(Artificial Neural Network)이 있을 수 있다. 구체적으로 인공 신경망의 대표적인 예로는 데이터를 입력받는 입력 레이어, 결과를 출력하는 출력 레이어 및 입력 레이어와 출력 레이어 사이에서 데이터를 처리하는 히든 레이어(hidden layer)를 포함하는 딥 러닝 계열의 인공 신경망이 있다. 인공 신경망의 세부적인 예시들로는, 회귀분석 인공 신경망(Convolution Neural Network), 순환신경망(Recurrent Neural Network), 심층신경망(Deep Neural Network) 등이 있으며, 본 명세서에서 인공 신경망은 상술된 인공 신경망, 그 외의 다양한 형태의 인공 신경망 및 이들이 조합된 형태의 인공 신경망을 모두 포함하는 포괄적인 의미로 해석되어야 하며, 반드시 딥 러닝 계열이어야만 하는 것은 아니다.
뿐만 아니라, 머신 러닝 모델이 반드시 인공 신경망 모델 형태이어야만 하는 것은 아니며, 이외에도 최근접 이웃 알고리즘(KNN), 랜덤 포레스트(Random Forest), 서포트 벡터 머신(SVM), 주성분분석법(PCA) 등이 포함될 수 있으며, 이상에서 언급된 기법들이 앙상블된 형태나 그 외에 다양한 방식으로 조합된 형태까지도 전부 포함할 수 있다. 한편, 이하의 머신 러닝 모델을 중심으로 언급되는 실시예에서는, 인공 신경망이 다른 머신 러닝 모델로 대체될 수 있음이 이해될 것이다.
본 명세서의 이하의 설명에서는, 머신 러닝 모델이 딥러닝(Deep Neural Network) 모델로써 구현되는 경우를 예시로 들어 설명한다.
만약 일 실시예에 따른 머신 러닝 모델이 딥러닝 모델로써 구현되는 경우, 딥러닝 모델의 인풋은 구문이나 지문일 수 있다. 또는, 딥러닝 모델의 각각의 인풋 노드에는 구문이나 지문에 포함된 각각의 단어가 입력될 수도 있다. 또한 여기서, 딥러닝 모델은 문제에 포함된 구문과 지문(보기)에 대한 입력을 따로 입력 받을 수도 있다.
일 실시예에 따른 딥러닝 모델의 출력은 단어에 대한 중요도 지수일 수 있다. 즉, 딥러닝 모델은 인풋 노드에 입력된 각각의 단어에 대한 중요도 지수를 계산하여, 미리 설정된 중요도 지수값 이상의 중요도 지수를 가지는 단어들을 선별할 수 있다. 여기서, 중요도 지수는 구문에 포함된 단어와 정답 사이의 상관 관계를 의미할 수 있다. 또한, 중요도 지수는, 지문에 포함된 단어와 정답 사이의 상관 관계를 의미할 수도 있고, 구문과 지문에 모두 포함된 단어와 정답 사이의 상관 관계를 의미할 수도 있다.
일 실시예에 따른 딥러닝 모델이 지도학습방법(Supervised training)을 통해 학습하는 경우에, 학습 과정에 대해 설명한다. 학습 과정에서, 해당 문제의 구문과 지문이 일 실시예에 따른 인풋 노드에 입력된다. 또한 여기서, 트레이닝 데이터(training-data), 즉 러닝셋(learning-set)은 정답지문과 문제에 포함된 구문일 수 있다. 즉, 정답지문에 정답임이 레이블링 된 학습 데이터 셋이 딥러닝 모델의 학습 데이터로 이용될 수 있다.
인공신경망 모델은, 정답임이 레이블링 된 지문에 포함된 단어들과, 구문에 포함된 단어들의 상관관계에 대해 학습하여, 문제 풀이와 관계성이 높은 단어 또는 단어들의 조합인 숙어에 대한 중요도 지수를 계산할 수 있도록 학습된다. 충분히 학습된 인공신경망은, 인풋 레이어와 아웃풋 레이어 사이에 연결된 히든 레이어의 가중치(weight) 및/또는 상관계수(coefficient)가 지속적으로 업데이트 된다. 이를 통해 일 실시예에 따른 딥러닝 모델은 문제에 대한 중요도 지수를 판단할 수 있다.
또한, 일 실시예에 따른 머신 러닝 모델이 학습함에 있어서, 머신 러닝 모델은 각각의 클라이언트에 대응하도록 학습할 수 있다. 구체적으로, 머신 러닝 모델은 제1 클라이언트에 필요한 학습 데이터 셋 만으로 학습될 수도 있고, 제2 클라이언트에 필요한 학습 데이터 셋 만으로도 학습될 수 있다. 이를 통해, 일 실시예에 따른 학습 컨텐츠 제공 방법은 사용자 맞춤형으로 각각의 클라이언트에 제공될 수 있게 된다.
또한, 문제의 유형 지수 또는 분류 지수를 판단함에 있어서도, 메인 서버(200)는 상기와 유사한 방식으로 학습된 다양한 머신 러닝 모델을 이용할 수 있음이 당업계의 기술자에게 이해될 수 있을 것이다.
이하에서는, 메인 서버(200)에서 수행되는 오답노트 생성용 문제의 선별 방법에 대해 설명하도록 한다.
도 8은 일 실시예에 따라 메인 서버에서 수행되는 오답노트 생성용 문제의 선별 방법을 나타낸 순서도이다.
도 8을 참조하면, 메인 서버(200)는 오답 문제를 추출하고(S701), 오답 문제와 동일한 유형 지수를 가지는 후보문제를 결정하며(S702), 오답 문제에 포함된 중요도 지수에 기초하여 후보문제로부터 오답 예상문제를 결정할 수 있다(S703).
먼저, 메인 서버(200)는 오답 문제의 유형 지수를 판단할 수 있다. 유형 지수를 판단하는 방식에 대해서는 전술한 방식이 이용될 수 있다.
오답 문제에 대한 유형 지수가 판단되면, 메인 서버(200)는 DB로부터 오답 문제의 유형 지수와 동일하거나 유사한 유형 지수를 가지는 하나 이상의 후보 문제를 판단할 수 있다.
후보 문제가 판단되면, 메인 서버(200)는 오답 문제에서 추출된 중요도 지수에 기초하여, 후보 문제로부터 오답 예상문제를 결정할 수 있다. 여기서, 오답 예상문제는, 후보 문제들 중 오답 문제에 포함된 단어들 중에서 중요도 지수가 가장 높은 단어를 포함한 단어를 포함하고 있는 문제로 선택될 수 있다. 여기서, 중요도 지수가 가장 높은 단어는 하나일 필요는 없고, 중요도 지수가 가장 높은 복수의 단어가 선택될 수도 있다.
도 9 내지 도 10은 일 실시예에 따른 오답 노트를 나타낸 것이다.
도 9는 일 실시예에 따른 테스트의 채점 결과를 나타낸 것이며, 도 10은 도 9의 채점 결과에 따른 오답 노트를 나타낸 것이다.
도 9 내지 도 10을 참조하면, 도면에는, 제2 클라이언트(20)의 테스트 결과로 제2 클라이언트(20)가 빨간색으로 표시된 4개의 문제를 틀렸으며, 초록색으로 표시된 2개의 문제를 맞춘 결과가 도시되어 있다.
이 경우, 메인 서버(200)는 오답 처리된 초록색의 2가지 문제를 제외하고, 오답 처리된 빨간색으로 표시된 문제에 대한 유형 지수를 먼저 판단할 수 있다. 이때, 유형 지수는 구문과 지문을 제외한 문제를 이용하여 판단될 수 있다.
유형 지수가 판단되면, 메인 서버(200)는 유형 지수에 기초하여 선별된 후보 문제들로부터, 오답 문제에 포함된 구문과 지문(보기)에 기초하여 오답 예상문제를 선별하고 이를 메인 클라이언트(100)로 전송하거나 직접 오답노트를 생성할 수도 있다.
도 10은 생성된 오답 노트를 도시한 것으로, 완성된 오답 노트는 정답 처리된 문제를 제외하고 기존의 오답문제와 오답 예상 문제를 포함할 수 있다.
이하에서는, 메인 클라이언트(100)에서 수행되는 오답 노트 생성 방법에 대해 구체적으로 설명하도록 하겠다.
도 11 내지 도 12는 일 실시예에 따른 오답 노트 생성 방법 및 이를 통해 생성된 오답 노트를 나타낸 것이다. 구체적으로, 도 11은 일 실시예에 따라 메인 클라이언트(100)에서 수행되는 오답 노트 생성 방법을 나타낸 순서도이며, 도 12는 일 실시예에 따른 오답 노트 생성 과정을 나타낸 것이다.
도 11 및 도 12를 참조하면, 오답 노트 생성 방법은 제1 문제의 영역 정보를 판단하는 단계(S801), 테스트 영역 내에 제1 문제를 배치하는 단계(S802), 테스트 영역 중 가용영역을 판단하는 단계(S803), 제2 문제의 영역정보를 판단하는 단계(S804) 및 가용영역과 제2 문제 영역 정보에 기초하여 제2 문제를 배치하는 단계(S805)를 포함한다.
테스트 영역은 메인 클라이언트(100)가 하나 이상의 다른 클라이언트(10,20,30)에 제공할 테스트에 대한, 문제가 배치될 수 있는 총 영역을 의미할 수 있다. 예를 들어, 테스트가 A4 용지 규격으로 제공된다면, 테스트 영역은 A4 용지의 규격에 대응하는 영역이 될 수 있다. 이 외에도, 테스트 영역은 요구에 따라 다양하게 설정될 수 있음이 이해될 것이다.
먼저, 메인 클라이언트(100)는 테스트 영역에 제1 문제를 배치할 수 있다(S802). 여기서, 제1 문제가 차지하는 영역(제1 문제 배치영역)은 지문 영역과 보기 영역을 포함할 수 있다. 즉, 메인 클라이언트(100)는 제1 문제 배치영역이 차지하는 총 영역을 판단하고(S801), 이를 테스트 영역에 배치할 수 있다.
이후, 메인 클라이언트(100)는 가용영역을 판단할 수 있다(S803). 여기서, 가용영역은, 테스트 영역에서 제1 문제 배치영역이 차지한 영역을 제외한 영역을 의미할 수 있다. 즉, 가용영역은 테스트 영역에서 제1 문제가 배치된 영역을 제외한, 제2 영역이 배치될 수 있는 영역을 의미할 수도 있겠다.
가용 영역이 판단되면, 메인 클라이언트(100)는 제2 문제에 대한 영역 정보를 판단하고, 제2 문제가 가용영역에 배치될 수 있는지 결정할 수 있다. 여기서, 가용영역은 테스트 영역에서 제1 문제 배치 영역을 제외한 영역에서, 여백 영역을 더 제외한 영역일 수도 있다. 여백 영역은 테스트의 가독성을 향상시키기 위해 문제와 문제 사이에 배치되는 버퍼 영역을 의미할 수 있다.
구체적으로, 메인 클라이언트(100)는 제2 문제를 상기 가용영역에 배치하고, 배치된 제2 문제에 탈출 영역이 존재하는 지 여부를 판단할 수 있다(S804). 여기서, 탈출 영역은 테스트 영역 외로 침범한 제2 문제의 적어도 일부 영역을 의미할 수 있다.
탈출 영역이 존재하지 않는 경우, 메인 클라이언트(100)는 제2 문제를 상기 가용영역에 배치할 수 있다.
그러나, 탈출 영역이 존재하는 경우, 메인 클라이언트(100)는 탈출 영역에 대한 영역 정보를 계산하고, 탈출 영역 전부를 다른 테스트 영역이나 테스트 영역의 다른 위치에 배치할 수 있다(S805).
여기서, 테스트 영역은 복수의 열(column)을 포함할 수 있다. 테스트 영역에 포함된 각각의 열에 문제가 세로로 배치될 수 있다. 탈출 영역이 존재하는 경우, 탈출 영역에 대응되는 제2 문제의 적어도 일부는, 테스트 영역 내에 다른 열의 상단에 배치될 수 있다. 또한, 탈출 영역에 대응되는 제2 문제의 적어도 일부는, 다른 테스트 영역(예컨대, 다음 장)에 배치될 수도 있다.
이하에서는, 일 실시예에 따라 메인 서버(200) 또는 메인 클라이언트(100)에서 수행될 수 있는 데이터 분석 과정에 대해 도면을 참조하여 설명하도록 한다.
도 13은 일 실시예에 따른 문제 유형 판단 과정을 나타낸 것이다.
도 13을 참조하면, 일 실시예에 따른 메인 서버(200)는 문제 유형을 판단할 수 있다.
메인 서버(200) 또는 메인 클라이언트(100)는 적어도 하나 이상의 클라이언트(10,20,30)으로부터 전송받은 문제 파일을 분석하여, 해당 문제의 유형을 분석할 수 있다. 여기서, 메인 서버(200) 또는 메인 클라이언트(100)는 머신 러닝 모델을 이용하여 문제 유형을 분석할 수 있다.
먼저, 메인 서버(200) 또는 메인 클라이언트(100)는 문제 파일을 전송받으면, 각 문제를 하나 이상의 문제 영역으로 분할할 수 있다. 여기서, 하나 이상의 문제 영역은 '문제영역', '지문영역', '보기영역' 및 '해답영역'을 포함할 수 있다. 또한, 메인 서버(200)는 문제 파일에 포함된 복수의 문제를 각각 구분하여 분할할 수도 있다.
이후, 메인 서버(200)는 머신러닝 모델을 이용하여, 문제의 유형을 구분할 수 있다. 여기서, 머신러닝 모델은 지도학습을 통해 훈련될 수 있다. 구체적으로, 머신러닝 모델은 유형 지수가 레이블링 된 문제를 포함하는 학습 데이터를 통해 학습될 수 있다. 여기서, 머신러닝 모델은 문제에 포함된 '문제영역'만을 이용하여 학습될 수도 있다.
도 14는 일 실시예에 따른 지문 통계분석 과정을 나타낸 것이다.
도 14를 참조하면, 일 실시예에 따른 메인 서버(200)는 문제에 포함된 지문을 분석하여 지문에 사용된 단어의 빈도와 중요도를 계산할 수 있다.
메인 서버(200)는 지문에 포함된 각 단어의 빈도수를 판단할 수 있다. 여기서, 메인 서버(200)는 하나의 지문이 아닌 DB에 포함된 하나 이상의 지문에 포함된 동일한 단어의 빈도를 계산할 수 있다. 또한, 메인 서버(200)는 상기 빈도를 지수화할 수 있다.
또한, 메인 서버(200)는 지문에 포함된 각 단어의 중요도를 판단할 수 있다. 여기서, 중요도는 정답과의 관련성을 반영할 수 있다. 여기서, 중요도는 하나의 문제에 대한 정답과의 관련성이 아닌, 복수의 문제에 대한 정답과의 관련성을 반영할 수 있다. 예컨대, thing이라는 단어가 DB에 포함된 문제들 중 30건의 문제의 정답과 관련성이 있는 경우와 island 라는 단어가 DB에 포함된 문제들 중 20건의 문제의 정답과 관련성이 있는 경우를 비교하면, thing이라는 단어의 중요도가 높게 산출될 수 있다. 이처럼, 메인 서버(200)는 지문에 포함된 각 단어들의 중요도를 산출하고, 이를 DB에 저장할 수 있다.
전술한 단어의 빈도와 중요도 판단은, 메인 클라이언트(100)에서도 수행될 수 있다.
도 15는 일 실시예에 따른 지문 분석 과정을 나타낸 것이다.
메인 서버(200)는 지문에 포함된 문장들을 분석할 수 있다. 구체적으로, 메인 서버(200)는 지문에 포함된 여러 문장들 각각을 유형화 할 수 있다. 도면을 참조하면, 지문에 포함된 일부 문장들은 Analysis 유형으로 분류되었다. 또한, 다른 일부 문장들은 context 유형, Topic sentence, evidence 등의 유형으로 분류되었다. 이러한 유형들은, 문장의 유형뿐만 아니라 문장이 포함된 문제 자체의 유형을 분석하는 데에도 이용될 수 있다.
또한, 전술한 바와 같이 메인 서버(200)는 지문에 포함된 문장들을 분석하여, 지문의 소재를 분류할 수 있다. 구체적으로, 메인 서버(200)는 지문의 내용이 인문, 사회, 자연, 예술, 문학, 융합 중 어느 하나에 해당하는 지 여부를 판단할 수 있다. 상기 분류는 예시적인 것으로서, 당업계에서 이용되는 다양한 분류 기준이 적용될 수 있음은 물론이다.
또한, 문제의 유형이 미리 정해진 경우, 문장의 유형에 따라 해당 문장의 중요도가 높아질 수 있다. 예컨대, 문제의 유형이 '주제파악'인 경우, Topic sentence 유형의 문장은 높은 중요도 지수를 가질 수 있다.
여기서, 메인 서버(200)는 머신러닝 모델을 이용하여 지문 속 문장들을 분류할 수 있다. 머신러닝 모델은 지문에 포함된 문장에 유형이 레이블링 된 학습 데이터 셋을 이용하여 학습될 수 있다. 또한, 머신러닝 모델은 지문에 포함된 문장의 구문과 의미를 분석하여 문제 유형을 자동으로 분석하도록 학습될 수 있다. 또한, 머신러닝 모델은, 지문의 내용을 분석하여 지문 내용을 자동으로 분석하도록 학습될 수 있다.
도 16은 일 실시예에 따른 추천 문제 생성 방법의 전체적인 플로우를 나타낸 것이다.
도 16을 참조하여 설명한다.
먼저, 메인 서버(200)는 문제 데이터를 획득할 수 있다(S1000). 구체적으로, 메인 서버(200)는 클라이언트로부터 문제 데이터를 획득하고, 획득된 문제 데이터를 복수의 영역으로 분할할 수 있다. 예컨대, 복수의 영역은 전술한 바와 같이 '문제 영역' , '지문 영역' , '보기 영역' 및 '해설 영역' 등을 포함할 수 있다.
이후, 메인 서버(200)는 '문제 영역'에 포함된 단어에 기초하여, 해당 문제의 유형을 분류할 수 있다(S1001). 여기서, 문제 유형을 분류하는 방법에 대해서는 전술한 바와 같다. 예컨대, 문제 영역에 빈칸, 주제파악 등의 단어 포함 여부로 문제 유형을 분류할 수 있다.
문제 유형이 분류되면, 메인 서버(200)는 해당 문제와 유사한 유형을 가지는 문제 그룹을 생성할 수 있다(S1002). 구체적으로, 메인 서버(200)는 DB에서, 해당 문제와 동일하거나 유사한 유형 지수를 가지는 하나 이상의 문제를 선별하고, 이를 기초로 하여 문제 그룹을 생성할 수 있다(S1003). 후술할 바와 같이, 메인 서버(200)는 문제 그룹에 기초하여, 클라이언트에게 제공할 추천 문제를 생성할 수 있다(S3000)
또한, 메인 서버(200)는 지문 영역 데이터를 획득할 수 있다.
지문 영역 데이터를 획득하면, 메인 서버(200)는 지문에 포함된 단어들에 대해 통계 분석을 수행할 수 있다(S2001). 통계 분석에 관한 내용은 전술한 바와 같다. 또한, 메인 서버(200)는 지문의 의미 및 구문을 분석할 수 있다(S2002). 이와 관련하여도 전술한 내용이 적용될 수 있다.
단어 통계 분석이 수행되면, 메인 서버(200)는 지문 또는 지문에 포함된 단어의 난이도 및 정답과의 연관성을 고려하여 연관성 지수를 획득할 수 있다(S2010). 연관성 지수는 전술한 중요도 지수에 대응될 수 있다.
연관성 지수(또는 중요도 지수)가 결정되면, 메인 서버(200)는 지문에 포함된 단어 또는 단어의 조합인 숙어 중 적어도 일부와 연관성 지수가 높은 문제를 DB로부터 추출할 수 있다(S2011). 추출된 문제들에 기초하여서도, 메인 서버(200)는 클라이언트에게 제공할 추천 문제를 생성할 수 있다(S3000).
메인 서버(200)는 단어 통계 분석과 병렬적으로, 지문에 포함된 지문의 의미 및 구문 분석을 수행할 수 있다(S2002). 이에 대한 내용은 전술한 바와 같다.
구체적으로, 메인 서버(200)는 지문을 문장 단위로 분석할 수 있다(S2020). 메인 서버(200)는 문장 단위로 지문을 분석하여, 핵심 문장에 포함된 단어를 고려하여, 해당 단어에 대한 연관성 지수를 획득할 수 있다(S2010). 또한, 메인 서버(200)는 문장 단위로 지문을 분석하여, 핵심 문장과 문제 유형간의 연관성을 판단할 수 있다(2021). 즉, 전술한 바와 같이, 메인 서버(200)는 '문제 영역'에 포함된 단어들에 기초하여 문제 유형을 판단한 것과 유사한 방법으로, 핵심 문장에 포함된 단어들에 기초하여 문제 유형을 판단할 수 있다. 메인 서버(200)가 핵심 문장과 문제 유형간의 연관성을 판단한 결과는, 전술한 유형 분류 단계(S1001)에서 고려될 수 있다.
또한, 메인 서버(200)가 지문의 의미 및 분석을 수행함에 있어(S2002), 메인 서버(200)는 지문의 소재를 파악하고 분류할 수 있다. 지문의 소재 파악/분류 결과는 전술한 유사 유형 문제 그룹 생성단계(S1002)에서 고려될 수 있다.
일 실시예에 따른 교육 컨텐츠 제공 시스템은, 하나 이상의 클라이언트로부터 문제 파일을 전달받을 수 있고, 전달받은 문제 파일에 기초하여 테스트를 생성할 수 있다. 여기서, 테스트는 메인 서버(200)에 포함된 DB에 저장된 복수의 문제들로부터 생성될 수 있다.
테스트를 생성할 때, 시스템은 문제 유형을 고려하여 테스트를 생성할 수 있다. 구체적으로, 시스템은 클라이언트로부터 전달받은 문제 파일에 해당하는 유형 지수와 유사한 유형 지수를 포함하는 문제들이 포함되도록 테스트를 생성할 수 있다. 또한, 시스템은 중요도를 고려하여 테스트를 생성할 수도 있다. 구체적으로, 시스템은 클라이언트로부터 전달받은 문제 파일에 포함되는 단어, 지문, 구문, 숙어 등의 요소등을 고려하여, 이들과 유사한 중요도를 가지는 문제들을 선별하여 테스트를 생성할 수 있다.
또한, 테스트를 생성함에 있어 시스템은 특정 클라이언트의 특성을 고려하여 테스트를 생성할 수도 있다. 여기서, 클라이언트의 특성은, 클라이언트로부터 미리 획득한 적어도 하나 이상의 테스트 결과일 수 있다. 구체적으로, 시스템은 특정 클라이언트에 대한 테스트 결과를 고려하여, 특정 클라이언트 맞춤형 테스트를 생성할 수 있다. 보다 더 구체적으로, 시스템은 특정 클라이언트가 이전의 테스트에서 오답을 제출했던 문제의 유형 지수나 중요도 지수를 고려하여 테스트를 생성할 수 있다.
또한, 시스템은 테스트 결과에 기초하여 오답 노트를 생성할 수 있다. 시스템은 특정 클라이언트의 복수의 테스트 결과를 종합적으로 고려하여 오답 노트를 생성할 수 있다. 구체적으로, 시스템은 특정 클라이언트의 적어도 하나 이상의 테스트 결과에서의 오답의 중요도 지수나 유형 지수에 기초하여 오답 노트를 생성할 수 있다.
전술한 모든 동작과 방법들은, 메인 클라이언트(100)에서 수행될 수도 있으며, 메인 서버(200)에서 수행될 수도 있다. 또한 메인 클라이언트(100)와 메인 서버(200)에서 일부 방법들이 나뉘어 수행될 수 있다.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상과 같이 실시예들이 비록 한정된 실시예와 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.

Claims (11)

  1. 교육 컨텐츠 제공 시스템에 의해 수행되는 사용자 맞춤 교육 컨텐츠 제공 방법에 있어서,
    적어도 하나 이상의 제1 클라이언트로 테스트 - 상기 테스트는 메인 서버에 구축된 문제 DB로부터 추출됨 - 를 제공하는 단계;
    적어도 하나 이상의 제2 클라이언트- 상기 제2 클라이언트는 상기 제1 클라이언트와 다른 클라이언트임 - 로부터 상기 테스트에 대한 결과를 수신하는 단계;
    수신된 상기 제2 클라이언트의 테스트에 대한 결과에서 오답 문제를 추출하는 단계;
    추출된 상기 오답 문제의 1) 단어 유형, 2) 주제파악 유형 또는 3) 어법 유형 중 적어도 어느 하나를 반영하는 유형 지수를 판단하는 단계;
    상기 오답 문제와 동일한 유형 지수를 가지며, 상기 오답 문제에서 추출되며 머신러닝 모델에 의해 획득되는 중요도 지수에 기초하여 후보 문제들 중 오답 문제에 포함된 단어들 중에서 중요도 지수가 가장 높은 단어를 포함한 단어를 포함하고 있는 문제로 선택된 후보문제를 결정하는 단계;
    상기 선택된 후보문제로부터 오답 예상문제를 결정하는 단계;
    상기 오답 문제와 상기 오답 예상문제를 포함하는 오답노트 생성용 문제를 수신하는 단계; 및
    상기 오답노트 생성용 문제에 기초하여 오답노트를 생성하는 단계; 를 포함하되,
    상기 오답노트를 생성하는 단계는, 제1 오답노트 생성용 문제에 대응되는 제1 배치영역을 판단하는 단계, 상기 제1 배치영역과 테스트 영역간의 넓이 차이인 가용영역을 판단하는 단계, 및 상기 가용영역과 상기 제2 오답노트 생성용 문제의 제2 배치영역 간의 관계를 판단하는 단계를 더 포함하는
    교육 컨텐츠 제공 시스템의 사용자 맞춤 교육 컨텐츠 제공 방법.
  2. 제1항에 있어서,
    상기 오답노트를 생성하는 단계는,
    상기 제2 배치영역과 상기 가용영역의 차이 영역인 탈출 영역을 판단하는 단계를 더 포함하는 것인
    교육 컨텐츠 제공 시스템의 사용자 맞춤 교육 컨텐츠 제공 방법.
  3. 제2항에 있어서,
    상기 탈출 영역이 존재하면,
    상기 탈출 영역과 대응되는 상기 제2 오답노트 생성용 문제의 적어도 일부를 상기 테스트 영역의 다른 열(column)에 배치하는 것인
    교육 컨텐츠 제공 시스템의 사용자 맞춤 교육 컨텐츠 제공 방법.
  4. 제2항에 있어서,
    상기 탈출 영역이 존재하면,
    상기 탈출 영역과 대응되는 상기 제2 오답노트 생성용 문제의 적어도 일부를 다른 테스트 영역에 배치하는 것인
    교육 컨텐츠 제공 시스템의 사용자 맞춤 교육 컨텐츠 제공 방법.
  5. 제1 항에 있어서,
    상기 가용영역은 여백 영역을 포함하는 것인
    교육 컨텐츠 제공 시스템의 사용자 맞춤 교육 컨텐츠 제공 방법.
  6. 삭제
  7. 제1 항에 있어서,
    상기 오답 예상문제는, 상기 오답 문제에 대응되는 분류 지수를 가지는 복수의 후보 문제들로부터 결정되고,
    상기 분류 지수는, 1) 인문사회, 2) 자연 또는 3) 예술문화 유형 중 적어도 어느 하나를 반영하는
    교육 컨텐츠 제공 시스템의 사용자 맞춤 교육 컨텐츠 제공 방법.
  8. 삭제
  9. 제1 항에 있어서,
    상기 머신러닝 모델은,
    구문과 보기를 포함하는 문제에 정답이 레이블링 된 데이터를 학습 데이터로 하여 학습되는 것인
    교육 컨텐츠 제공 시스템의 사용자 맞춤 교육 컨텐츠 제공 방법.
  10. 제1항에 있어서,
    제3 클라이언트로 성적표를 제공하는 단계;를 더 포함하는
    교육 컨텐츠 제공 시스템의 사용자 맞춤 교육 컨텐츠 제공 방법.
  11. 제1항 내지 제5항, 제7항, 제9항 및 제10항 중 어느 한 항의 방법을 구동하기 위한 프로그램이 저장된 컴퓨터 판독 가능한 기록 매체.

KR1020210042294A 2021-03-31 2021-03-31 사용자 맞춤형 교육 컨텐츠 제공 방법 KR102629686B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210042294A KR102629686B1 (ko) 2021-03-31 2021-03-31 사용자 맞춤형 교육 컨텐츠 제공 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210042294A KR102629686B1 (ko) 2021-03-31 2021-03-31 사용자 맞춤형 교육 컨텐츠 제공 방법

Publications (2)

Publication Number Publication Date
KR20220136592A KR20220136592A (ko) 2022-10-11
KR102629686B1 true KR102629686B1 (ko) 2024-01-29

Family

ID=83599106

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210042294A KR102629686B1 (ko) 2021-03-31 2021-03-31 사용자 맞춤형 교육 컨텐츠 제공 방법

Country Status (1)

Country Link
KR (1) KR102629686B1 (ko)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101278496B1 (ko) * 2009-11-14 2013-07-02 권승철 오답 노트 생성 시스템 및 오답 노트 생성 방법
KR102004180B1 (ko) * 2016-12-22 2019-10-01 김학현 시험지 인식을 통한 유사 문제 추출 장치 및 그 방법

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102016820B1 (ko) * 2017-12-28 2019-08-30 강상희 오답 노트 생성 방법, 장치
KR20200088077A (ko) * 2019-01-14 2020-07-22 스케이프플로우 디지털 오답 노트 정보 기반의 학습 서비스 제공 장치 및 그 방법

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101278496B1 (ko) * 2009-11-14 2013-07-02 권승철 오답 노트 생성 시스템 및 오답 노트 생성 방법
KR102004180B1 (ko) * 2016-12-22 2019-10-01 김학현 시험지 인식을 통한 유사 문제 추출 장치 및 그 방법

Also Published As

Publication number Publication date
KR20220136592A (ko) 2022-10-11

Similar Documents

Publication Publication Date Title
US11537793B2 (en) System for providing intelligent part of speech processing of complex natural language
Settles et al. Machine learning–driven language assessment
US11081018B2 (en) Personalized learning system and method for the automated generation of structured learning assets based on user data
Hancock et al. Social language processing: A framework for analyzing the communication of terrorists and authoritarian regimes
BR122017002795A2 (pt) sistemas e métodos para aprendizagem de idioma
Valakunde et al. Multi-aspect and multi-class based document sentiment analysis of educational data catering accreditation process
Fiacco et al. Towards enabling feedback on rhetorical structure with neural sequence models
Hastings et al. Active learning for improving machine learning of student explanatory essays
Bhavya et al. Exploring collaborative caption editing to augment video-based learning
Li et al. Enhanced hybrid neural network for automated essay scoring
KR102149935B1 (ko) 8품사 및 문장 내 사용역할로 성분을 구분하는 단순도해법을 이용한 영어문장 학습 서비스 제공 방법
KR102610999B1 (ko) 인공지능 기반 데이터베이스화된 동영상 강의의 검색 및 추천 서비스 제공 방법, 장치 및 시스템
Nagao et al. Automatic extraction of task statements from structured meeting content
KR102563530B1 (ko) 독해와 작문 능력의 향상을 가이드하는 방법 및 그장치
Nomponkrang et al. The comparison of algorithms for Thai-sentence classification
KR102629686B1 (ko) 사용자 맞춤형 교육 컨텐츠 제공 방법
CN117252259A (zh) 基于深度学习的自然语言理解方法及ai助教系统
Rath et al. Discerning the Quality of Questions in Educational Q&Ausing Textual Features
La et al. Improving reading comprehension step by step using Online-Boost text readability classification system
Yang et al. Predicting second language proficiency level using linguistic cognitive task and machine learning techniques
Senevirathne et al. Smart Personal Intelligent Assistant for Candidates of IELTS Exams
Chakraborty et al. Automatic short answer grading using rough concept clusters
KR102601471B1 (ko) 인공지능 기반 데이터베이스화된 동영상 강의의 검색 및 추천 서비스 제공 방법, 장치 및 시스템
KR20190093439A (ko) 텍스트 콘텐츠의 장르를 추론하는 방법 및 컴퓨터 프로그램
KR102376588B1 (ko) 학습 맵 생성 장치 및 그 방법

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant