KR102636079B1 - 학습자에게 맞춤형 수학 문제를 제공하기 위한 장치 및 방법 - Google Patents
학습자에게 맞춤형 수학 문제를 제공하기 위한 장치 및 방법 Download PDFInfo
- Publication number
- KR102636079B1 KR102636079B1 KR1020230075341A KR20230075341A KR102636079B1 KR 102636079 B1 KR102636079 B1 KR 102636079B1 KR 1020230075341 A KR1020230075341 A KR 1020230075341A KR 20230075341 A KR20230075341 A KR 20230075341A KR 102636079 B1 KR102636079 B1 KR 102636079B1
- Authority
- KR
- South Korea
- Prior art keywords
- concentration
- learner
- learning
- information
- frames
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims description 59
- 238000004364 calculation method Methods 0.000 claims abstract description 15
- 238000004458 analytical method Methods 0.000 claims description 16
- 210000004556 brain Anatomy 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 3
- 239000000243 solution Substances 0.000 description 41
- 230000015654 memory Effects 0.000 description 31
- 238000004891 communication Methods 0.000 description 30
- 230000008569 process Effects 0.000 description 22
- 238000013528 artificial neural network Methods 0.000 description 19
- 230000006870 function Effects 0.000 description 16
- 238000005516 engineering process Methods 0.000 description 12
- 239000000284 extract Substances 0.000 description 12
- 230000007613 environmental effect Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 6
- 238000003860 storage Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 238000009826 distribution Methods 0.000 description 4
- 230000014509 gene expression Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000003542 behavioural effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000002316 cosmetic surgery Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 230000003340 mental effect Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 208000024891 symptom Diseases 0.000 description 2
- 206010011971 Decreased interest Diseases 0.000 description 1
- 206010029216 Nervousness Diseases 0.000 description 1
- 206010042209 Stress Diseases 0.000 description 1
- 239000003637 basic solution Substances 0.000 description 1
- 208000013404 behavioral symptom Diseases 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000009223 counseling Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000001815 facial effect Effects 0.000 description 1
- 230000003155 kinesthetic effect Effects 0.000 description 1
- 230000007786 learning performance Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000000465 moulding Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000005236 sound signal Effects 0.000 description 1
- 230000000638 stimulation Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 239000013598 vector 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
- G06Q50/205—Education administration or guidance
- G06Q50/2057—Career enhancement or continuing education service
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
-
- G—PHYSICS
- G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
- G09B—EDUCATIONAL OR DEMONSTRATION APPLIANCES; APPLIANCES FOR TEACHING, OR COMMUNICATING WITH, THE BLIND, DEAF OR MUTE; MODELS; PLANETARIA; GLOBES; MAPS; DIAGRAMS
- G09B5/00—Electrically-operated educational appliances
- G09B5/02—Electrically-operated educational appliances with visual presentation of the material to be studied, e.g. using film strip
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
- H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
- H04N21/43—Processing of content or additional data, e.g. demultiplexing additional data from a digital video stream; Elementary client operations, e.g. monitoring of home network or synchronising decoder's clock; Client middleware
- H04N21/442—Monitoring of processes or resources, e.g. detecting the failure of a recording device, monitoring the downstream bandwidth, the number of times a movie has been viewed, the storage space available from the internal hard disk
- H04N21/44213—Monitoring of end-user related data
- H04N21/44218—Detecting physical presence or behaviour of the user, e.g. using sensors to detect if the user is leaving the room or changes his face expression during a TV program
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Educational Technology (AREA)
- General Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Primary Health Care (AREA)
- General Business, Economics & Management (AREA)
- Economics (AREA)
- Marketing (AREA)
- Social Psychology (AREA)
- Computer Networks & Wireless Communication (AREA)
- Databases & Information Systems (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Electrically Operated Instructional Devices (AREA)
Abstract
본 개시는 학습자의 학업 능력과 학습 환경을 고려하여 목표 집중도를 설정하고, 목표 집중도에 따른 맞춤형 수학 문제를 학습자에게 제공하는 시스템에 관한 것이다. 본 개시에 따르면, 문제 제공 장치는 상기 학습자의 학업 능력을 지시하는 학업 정보를 획득하고, 상기 학습자가 운용하는 학습자 단말로부터, 상기 학습자의 학습 환경을 지시하는 학습 환경 정보를 수신하고, 상기 학업 정보와 상기 학습 환경 정보를 이용하여, 상기 학습자의 목표 집중도를 결정하고, 상기 학업 정보와 상기 목표 집중도에 기반하여, 문제 구조를 결정하고, 상기 학습 환경 정보와 상기 목표 집중도에 따라 연산 난이도를 결정하고, 상기 문제 구조에 상기 연산 난이도를 적용하여 수학 문제를 생성하고, 상기 학습자 단말로, 상기 수학 문제를 송신할 수 있다.
Description
본 개시(disclosure)는 일반적으로 학습자에게 맞춤형 수학 문제 제공하는 시스템에 관한 것으로, 보다 구체적으로 학습자의 학업 능력과 학습 환경을 고려하여 목표 집중도를 설정하고, 목표 집중도에 따른 맞춤형 수학 문제를 학습자에게 제공하기 위한 장치 및 방법에 관한 것이다.
일반적으로, 교육은 학습자가 학원으로 직접 이동하여 수업을 받는 오프라인 형태로 이루어 졌다. 그러나, 오프라인 형태의 교육 방식은 학습자가 학원으로 직접 이동하는 과정에서 상당한 시간과 노력이 소요되는 문제가 있었으며, 최근, ICT(information and communication technology) 기술의 발달과 함께 인터넷을 통한 온라인 형태의 교육 방식이 보편화되고 있다.
온라인 형태의 교육 방식은 학습자가 원하는 시간 및 장소에서 원하는 내용을 학습할 수 있다는 장점이 있다. 학원에서 다른 학습자들과 함께 일괄적으로 교육 서비스를 받는 오프라인 형태의 교육과 달리, 온라인 형태의 교육에서 학습자는 본인의 학습 수준에 따라 학습 방법, 학습 진도 등을 직접 결정할 수 있기 때문에, 다른 학습자들의 수준과 관련 없이 본인의 수준에 맞는 수준 별 학습을 할 수 있다.
학습자 마다 학업 능력, 성향, 장단점, 및 취약점 등이 상이하기 때문에, 수학 교과목에 포함된 목차 각각에 대하여 학습자 마다 목차 별 이해도가 상이하다. 그러나, 종래의 교육 서비스는 학습자 본인의 판단에 따라 본인이 원하는 강의를 수강하거나 문제를 제공받는 방식으로 이루어졌으며, 본인의 주관적인 판단에 따라 교육 내용을 선택하는 과정에서 학습자의 수준별 학습에 대한 객관성이 부족하였다. 이에 대응하기 위하여, 교육 서비스 제공자는 학습자가 부족하다고 평가되는 영역에 대한 강의나 문제를 추천하는 서비스를 도입하고 있다.
종래에 따르면, 교육 서비스 제공자는 학습자의 시간 별 성적 분포, 교과목의 목차 별 성적 분포를 확인하고, 학습자의 취약점을 보완하기 위한 강의나 문제를 제공하였다. 즉, 교육 서비스 제공자는 학습자의 성적 분포에 대한 통계를 확인하고, 성적이 낮는 부분에 대한 강의나 문제를 제공하였다. 그러나, 학습자의 학습 능력은 성적 분포나 사고 능력 이외에도 학습자의 학습 장소나 스트레스 지수 등 다양한 기타 환경적인 요인들에 따라 달라질 수 있으며, 종래의 교육 서비스 제공자는 다양한 요인들을 고려하지 못하고 성적에 따라 단순히 취약점을 보완하기 위한 교육을 제공하는 문제가 있었다. 이에 대응하여, 최근, 학습자의 학업 능력과 환경적인 요인 모두를 고려하여 학습자 맞춤형 교육 서비스를 제공하기 위한 기술 개발이 요구되고 있다.
전술한 기술은 발명자가 본 발명의 도출을 위해 보유하고 있었거나, 본 발명의 도출 과정에서 습득한 기술 정보로서, 반드시 본 발명의 출원 전에 일반 공중에게 공개된 공지 기술을 지시하지 않는다.
상술한 바와 같은 논의를 바탕으로, 본 개시(disclosure)는 학습자의 학업 능력과 학습 환경을 고려하여 맞춤형 수학 문제를 학습자에게 제공하기 위한 장치 및 방법을 제공한다.
또한, 본 개시는 문제 제공 시스템에서, 학습자의 학습 방식에 대한 학습 영상과 학습자의 환경적인 요소를 고려하여, 학습자의 성적 향상을 위한 목표 집중도를 산출하기 위한 장치 및 방법을 제공한다.
또한, 본 개시는 문제 제공 시스템에서, 학습자의 목차 별 학습 시간과 성적, 환경적인 요소, 및 목표 집중도로부터 학습자에 대한 맞춤형 문제 구조를 결정하기 위한 장치 및 방법을 제공한다.
또한, 본 개시는 문제 제공 시스템에서, 데이터 수신 시각을 고려하여 문제 구조의 다양성을 높이기 위한 장치 및 방법을 제공한다.
또한, 본 개시는 문제 제공 시스템에서, 학습자의 생체 정보와 목표 집중도를 고려하여 연산 난이도를 결정하기 위한 장치 및 방법을 제공한다.
또한, 본 개시는 문제 제공 시스템에서, 문제 구조와 연산 난이도를 고려하여 학습자 맞춤형의 수학 문제를 생성하기 위한 장치 및 방법을 제공한다.
본 개시의 다양한 실시 예들에 따르면, 학습자에게 맞춤형 수학 문제를 제공하는 문제 제공 장치의 동작 방법은 상기 학습자의 학업 능력을 지시하는 학업 정보를 획득하는 단계, 상기 학습자가 운용하는 학습자 단말로부터, 상기 학습자의 학습 환경을 지시하는 학습 환경 정보를 수신하는 단계, 상기 학업 정보와 상기 학습 환경 정보를 이용하여, 상기 학습자의 목표 집중도를 결정하는 단계, 상기 학업 정보와 상기 목표 집중도에 기반하여, 문제 구조를 결정하는 단계, 상기 학습 환경 정보와 상기 목표 집중도에 따라 연산 난이도를 결정하고, 상기 문제 구조에 상기 연산 난이도를 적용하여 수학 문제를 생성하는 단계, 및 상기 학습자 단말로, 상기 수학 문제를 송신하는 단계를 포함할 수 있다.
다른 일 실시 예에 따르면, 상기 학업 정보는 상기 학습자를 촬영한 학습 영상, 및 상기 학습자의 수학 목차 별 학습 시간과 성적을 지시하는 목차 별 학습 정보를 포함하고, 상기 학습 환경 정보는 상기 학습자의 학습 장소, 스트레스 지수, 및 생체 정보를 포함할 수 있다.
다른 일 실시 예에 따르면, 상기 학습자의 목표 집중도를 결정하는 단계는 상기 학습 영상에서, 문제 풀이에 대한 전체 프레임의 수, 정면 응시 프레임의 수, 및 하단 응시 프레임의 수를 추출하는 단계, 상기 전체 프레임의 수 대비 상기 정면 응시 프레임의 수에, 상기 정면 응시 프레임의 수에 대응되는 제1 가중치를 적용하여, 해석 집중도를 결정하는 단계, 상기 전체 프레임의 수 대비 상기 하단 응시 프레임의 수에, 상기 하단 응시 프레임의 수에 대응되는 제2 가중치를 적용하여, 풀이 집중도를 결정하는 단계, 상기 학습 장소와 상기 스트레스 지수에 따른 추가 집중도를 추출하는 단계, 및 상기 해석 집중도, 상기 풀이 집중도, 및 상기 추가 집중도를 합산하여 목표 집중도를 결정하는 단계를 포함할 수 있다.
다른 일 실시 예에 따르면, 상기 문제 구조를 결정하는 단계는 상기 목차 별 학습 정보를 이용하여, 수학 목차 별 이해도를 결정하는 단계, 상기 목표 집중도와 상기 수학 목차 별 이해도를 기반하여, 대상 목차를 결정하는 단계, 상기 학습 환경 정보를 수신한 시각에 따른 난수를 생성하는 단계, 및 상기 대상 목차 내에서 상기 난수에 대응되는 문제 구조를 결정하는 단계를 포함할 수 있다.
다른 일 실시 예에 따르면, 문제 제공 장치의 동작 방법은 상기 수학 문제를 송신한 시각부터 상기 풀이 시간 동안 상기 학습자 단말로부터 풀이 결과를 수신하지 못한 경우, 상기 학습자 단말로 상기 대상 목차에 대한 이론 정보를 송신하는 단계, 상기 이론 정보를 송신한 시각부터 상기 풀이 시간 동안 상기 학습자 단말로부터 풀이 결과를 수신하지 못한 경우, 상기 학습자 단말로 상기 수학 문제의 풀이에 관한 단서 정보를 송신하는 단계, 및 상기 단서 정보를 송신한 시각부터 상기 풀이 시간 동안 상기 학습자 단말로부터 풀이 결과를 수신하지 못한 경우, 상기 학습자 단말로 상기 수학 문제에 대한 풀이 정보를 송신하는 단계를 더 포함하고, 상기 풀이 시간은 상기 대상 목차의 이해도에 반비례할 수 있다.
다른 일 실시 예에 따르면, 상기 학습 환경 정보와 상기 목표 집중도에 따라 연산 난이도를 결정하고, 상기 문제 구조에 상기 연산 난이도를 적용하여 수학 문제를 생성하는 단계는 상기 생체 정보에 포함된 심박수, 및 검출되는 뇌파의 종류를 고려하여 상기 학습자의 안정 상태를 결정하는 단계, 상기 목표 집중도와 상기 안정 상태에 기반하여 연산 난이도를 결정하는 단계, 및 상기 연산 난이도에 따른 숫자 그룹을 상기 문제 구조에 적용하여 수학 문제를 생성하는 단계를 포함할 수 있다.
본 개시의 다양한 실시 예들에 따르면, 학습자에게 맞춤형 수학 문제를 제공하는 문제 제공 장치에 있어서, 상기 문제 제공 장치는 프로세서를 포함하고, 상기 프로세서는, 상기 학습자의 학업 능력을 지시하는 학업 정보를 획득하고, 상기 학습자가 운용하는 학습자 단말로부터, 상기 학습자의 학습 환경을 지시하는 학습 환경 정보를 수신하고, 상기 학업 정보와 상기 학습 환경 정보를 이용하여, 상기 학습자의 목표 집중도를 결정하고, 상기 학업 정보와 상기 목표 집중도에 기반하여, 문제 구조를 결정하고, 상기 학습 환경 정보와 상기 목표 집중도에 따라 연산 난이도를 결정하고, 상기 문제 구조에 상기 연산 난이도를 적용하여 수학 문제를 생성하고, 상기 학습자 단말로, 상기 수학 문제를 송신할 수 있다.
다른 일 실시 예에 따르면, 상기 학업 정보는 상기 학습자를 촬영한 학습 영상, 및 상기 학습자의 수학 목차 별 학습 시간과 성적을 지시하는 목차 별 학습 정보를 포함하고, 상기 학습 환경 정보는 상기 학습자의 학습 장소, 스트레스 지수, 및 생체 정보를 포함하고, 상기 프로세서는 상기 학습 영상에서, 문제 풀이에 대한 전체 프레임의 수, 정면 응시 프레임의 수, 및 하단 응시 프레임의 수를 추출하고, 상기 전체 프레임의 수 대비 상기 정면 응시 프레임의 수에, 상기 정면 응시 프레임의 수에 대응되는 제1 가중치를 적용하여, 해석 집중도를 결정하고, 상기 전체 프레임의 수 대비 상기 하단 응시 프레임의 수에, 상기 하단 응시 프레임의 수에 대응되는 제2 가중치를 적용하여, 풀이 집중도를 결정하고, 상기 학습 장소와 상기 스트레스 지수에 따른 추가 집중도를 추출하고, 상기 해석 집중도, 상기 풀이 집중도, 및 상기 추가 집중도를 합산하여 목표 집중도를 결정할 수 있다.
본 발명의 다양한 각각의 측면들 및 특징들은 첨부된 청구항들에서 정의된다. 종속 청구항들의 특징들의 조합들(combinations)은, 단지 청구항들에서 명시적으로 제시되는 것뿐만 아니라, 적절하게 독립항들의 특징들과 조합될 수 있다.
또한, 본 개시에 기술된 임의의 하나의 실시 예(any one embodiment) 중 선택된 하나 이상의 특징들은 본 개시에 기술된 임의의 다른 실시 예 중 선택된 하나 이상의 특징들과 조합될 수 있으며, 이러한 특징들의 대안적인 조합이 본 개시에 논의된 하나 이상의 기술적 문제를 적어도 부분적으로 경감시키거나, 본 개시로부터 통상의 기술자에 의해 식별될 수 있는(discernable) 기술적 문제를 적어도 부분적으로 경감시키고, 나아가 실시 예의 특징들(embodiment features)의 이렇게 형성된 특정한 조합(combination) 또는 순열(permutation)이 통상의 기술자에 의해 양립 불가능한(incompatible) 것으로 이해되지만 않는다면, 그 조합은 가능하다.
본 개시에 기술된 임의의 예시 구현(any described example implementation)에 있어서 둘 이상의 물리적으로 별개의 구성 요소들은 대안적으로, 그 통합이 가능하다면 단일 구성 요소로 통합될 수도 있으며, 그렇게 형성된 단일한 구성 요소에 의해 동일한 기능이 수행된다면, 그 통합은 가능하다. 반대로, 본 개시에 기술된 임의의 실시 예(any embodiment)의 단일한 구성 요소는 대안적으로, 적절한 경우, 동일한 기능을 달성하는 둘 이상의 별개의 구성 요소들로 구현될 수도 있다.
본 발명의 특정 실시 예들(certain embodiments)의 목적은 종래 기술과 관련된 문제점 및/또는 단점들 중 적어도 하나를, 적어도 부분적으로, 해결, 완화 또는 제거하는 것에 있다. 특정 실시 예들(certain embodiments)은 후술하는 장점들 중 적어도 하나를 제공하는 것을 목적으로 한다.
본 개시의 다양한 실시 예들에 따른 장치 및 방법은 학습자의 학업 능력과 학습 환경을 고려함으로써, 학습자에게 맞춤형 수학 문제를 제공할 수 있게 한다.
또한, 본 개시의 다양한 실시 예들에 따른 장치 및 방법은 문제 제공 시스템에서, 학습자의 학습 방식에 대한 학습 영상과 학습자의 환경적인 요소를 고려하여 학습자의 현재 학습 상황을 고려한 목표치를 정밀하게 산출할 수 있게 한다.
또한, 본 개시의 다양한 실시 예들에 따른 장치 및 방법은 학습자의 목차 별 학습 시간과 성적, 환경적인 요소, 및 목표 집중도로부터 학습자의 성적 향상에 필요한 문제의 구조를 결정할 수 있게 한다.
또한, 본 개시의 다양한 실시 예들에 따른 장치 및 방법은 데이터 수신 시각을 고려한 무작위 숫자를 이용하여 문제 구조의 다양성을 향상시킬 수 있게 한다.
또한, 본 개시의 다양한 실시 예들에 따른 장치 및 방법은 문제 제공 시스템에서, 학습자의 생체 정보와 목표 집중도를 고려하여 산술 연산에 대한 난이도를 정밀하게 결정할 수 있게 한다.
또한, 본 개시의 다양한 실시 예들에 따른 장치 및 방법은 문제 제공 시스템에서, 문제 구조와 연산 난이도를 고려하여 학습자 맞춤형의 수학 문제를 생성할 수 있게 한다.
본 개시에서 얻을 수 있는 효과는 이상에서 언급한 효과들로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 아래의 기재로부터 본 개시가 속하는 기술 분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
실시예들에 대한 이해를 돕기 위해 상세한 설명의 일부로 포함된, 첨부 도면은 다양한 실시예들을 제공하고, 상세한 설명과 함께 다양한 실시예들의 기술적 특징을 설명한다.
도 1은 본 개시의 다양한 실시 예들에 따른 학습자에게 맞춤형 수학 문제를 제공하는 문제 제공 시스템을 도시한다.
도 2는 본 개시의 다양한 실시 예들에 따른 문제 제공 시스템의 네트워크 환경을 도시한다.
도 3은 본 개시의 다양한 실시 예들에 따른 문제 제공 시스템에서, 프로그램의 구성을 도시한다.
도 4는 본 개시의 다양한 실시 예들에 따른 문제 제공 시스템에서, 문제 제공 장치의 구성을 도시한다.
도 5는 본 개시의 다양한 실시 예들에 따른 문제 제공 시스템에서, 수학 문제를 생성하는 과정에 대한 모식도를 도시한다.
도 6은 본 개시의 다양한 실시 예들에 따른 문제 제공 시스템에서, 목표 집중도를 결정하는 과정에 대한 모식도를 도시한다.
도 7은 본 개시의 다양한 실시 예들에 따른 문제 제공 시스템에서, 문제 구조와 연산 난이도를 결정하는 과정에 대한 모식도를 도시한다.
도 8은 본 개시의 다양한 실시 예들에 따른 문제 제공 시스템에서, 문제 제공 장치의 동작 방법에 대한 흐름도를 도시한다.
도 9는 본 개시의 다양한 실시 예들에 따른 문제 제공 시스템에서, 문제 제공 장치가 목표 집중도를 결정하는 방법에 대한 흐름도를 도시한다.
도 1은 본 개시의 다양한 실시 예들에 따른 학습자에게 맞춤형 수학 문제를 제공하는 문제 제공 시스템을 도시한다.
도 2는 본 개시의 다양한 실시 예들에 따른 문제 제공 시스템의 네트워크 환경을 도시한다.
도 3은 본 개시의 다양한 실시 예들에 따른 문제 제공 시스템에서, 프로그램의 구성을 도시한다.
도 4는 본 개시의 다양한 실시 예들에 따른 문제 제공 시스템에서, 문제 제공 장치의 구성을 도시한다.
도 5는 본 개시의 다양한 실시 예들에 따른 문제 제공 시스템에서, 수학 문제를 생성하는 과정에 대한 모식도를 도시한다.
도 6은 본 개시의 다양한 실시 예들에 따른 문제 제공 시스템에서, 목표 집중도를 결정하는 과정에 대한 모식도를 도시한다.
도 7은 본 개시의 다양한 실시 예들에 따른 문제 제공 시스템에서, 문제 구조와 연산 난이도를 결정하는 과정에 대한 모식도를 도시한다.
도 8은 본 개시의 다양한 실시 예들에 따른 문제 제공 시스템에서, 문제 제공 장치의 동작 방법에 대한 흐름도를 도시한다.
도 9는 본 개시의 다양한 실시 예들에 따른 문제 제공 시스템에서, 문제 제공 장치가 목표 집중도를 결정하는 방법에 대한 흐름도를 도시한다.
본 개시에서 사용되는 용어들은 단지 특정한 실시 예를 설명하기 위해 사용된 것으로, 다른 실시 예의 범위를 한정하려는 의도가 아닐 수 있다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함할 수 있다. 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 용어들은 본 개시에 기재된 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가질 수 있다. 본 개시에 사용된 용어들 중 일반적인 사전에 정의된 용어들은, 관련 기술의 문맥상 가지는 의미와 동일 또는 유사한 의미로 해석될 수 있으며, 본 개시에서 명백하게 정의되지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다. 경우에 따라서, 본 개시에서 정의된 용어일지라도 본 개시의 실시 예들을 배제하도록 해석될 수 없다.
이하에서 설명되는 본 개시의 다양한 실시 예들에서는 하드웨어적인 접근 방법을 예시로서 설명한다. 하지만, 본 개시의 다양한 실시 예들에서는 하드웨어와 소프트웨어를 모두 사용하는 기술을 포함하고 있으므로, 본 개시의 다양한 실시 예들이 소프트웨어 기반의 접근 방법을 제외하는 것은 아니다.
이하 본 개시는 학습자에게 맞춤형 수학 문제를 제공하는 시스템에 관한 것이다. 구체적으로, 본 개시는 학습자의 학업 능력과 학습 환경을 고려하여 목표 집중도를 설정하고, 목표 집중도에 따른 맞춤형 수학 문제를 학습자에게 제공하기 위한 기술을 설명한다.
아래에서는 첨부한 도면을 참조하여 본 개시가 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 다양한 실시예들을 상세히 설명한다. 그러나 본 개시의 기술적 사상은 다양한 형태로 변형되어 구현될 수 있으므로 본 명세서에서 설명하는 실시예들로 제한되지 않는다. 본 명세서에 개시된 실시예들을 설명함에 있어서 관련된 공지 기술을 구체적으로 설명하는 것이 본 개시의 기술적 사상의 요지를 흐릴 수 있다고 판단되는 경우 그 공지 기술에 대한 구체적인 설명을 생략한다. 동일하거나 유사한 구성요소는 동일한 참조 번호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다.
본 명세서에서 어떤 요소가 다른 요소와 "연결"되어 있다고 기술될 때, 이는 "직접적으로 연결"되어 있는 경우뿐 아니라 그 중간에 다른 요소를 사이에 두고 "간접적으로 연결"되어 있는 경우도 포함한다. 어떤 요소가 다른 요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 요소 외에 또 다른 요소를 배제하는 것이 아니라 또 다른 요소를 더 포함할 수 있는 것을 의미한다.
일부 실시예들은 기능적인 블록 구성들 및 다양한 처리 단계들로 설명될 수 있다. 이러한 기능 블록들의 일부 또는 전부는 특정 기능을 실행하는 다양한 개수의 하드웨어 및/또는 소프트웨어 구성들로 구현될 수 있다. 예를 들어, 본 개시의 기능 블록들은 하나 이상의 마이크로프로세서들에 의해 구현되거나, 소정의 기능을 위한 회로 구성들에 의해 구현될 수 있다. 본 개시의 기능 블록들은 다양한 프로그래밍 또는 스크립팅 언어로 구현될 수 있다. 본 개시의 기능 블록들은 하나 이상의 프로세서들에서 실행되는 알고리즘으로 구현될 수 있다. 본 개시의 기능 블록이 수행하는 기능은 복수의 기능 블록에 의해 수행되거나, 본 개시에서 복수의 기능 블록이 수행하는 기능들은 하나의 기능 블록에 의해 수행될 수도 있다. 또한, 본 개시는 전자적인 환경 설정, 신호 처리, 및/또는 데이터 처리 등을 위하여 종래 기술을 채용할 수 있다.
또한, 본 개시에서, 특정 조건의 만족(satisfied), 충족(fulfilled) 여부를 판단하기 위해, 초과 또는 미만의 표현이 사용되었으나, 이는 일 예를 표현하기 위한 기재일 뿐 이상 또는 이하의 기재를 배제하는 것이 아니다. '이상'으로 기재된 조건은 '초과', '이하'로 기재된 조건은 '미만', '이상 및 미만'으로 기재된 조건은 '초과 및 이하'로 대체될 수 있다.
또한, 본 개시에서 영상은 평면 또는 공간에 배열된 광선, 혹은 매체에 의해 정보를 시각으로 포착하도록 구상화한 이미지를 지시한다. 본 개시의 일 실시 예에 따르면, 영상은 학습자의 학습 과정을 촬영한 동영상을 포함할 수 있다.
도 1은 본 개시의 다양한 실시 예들에 따른 학습자에게 맞춤형 수학 문제를 제공하는 문제 제공 시스템(100)을 도시한다.
문제 제공 시스템(100)은 학습자의 특징을 고려하여 학습자에 대한 맞춤형 수학 문제를 생성하고, 생성된 수학 문제를 학습자에게 전달하는 시스템을 지시한다. 문제 제공 시스템(100)에 따르면, 교육 서비스 제공자는 수학 교과목에 대하여 문제, 답안, 및 문제에 대한 변별력 난이도와 같은 문항 별 문제 정보를 문제은행과 같이 체계적으로 저장해 둘 수 있으며, 학습자의 학업 능력과 학습 환경을 고려하여 문제은행에 저장된 문제를 추출 및/또는 변형하여 학습자 맞춤형 문제를 생성할 수 있다. 이에 따라, 학습자는 교육 서비스 제공자로부터 맞춤형 문제를 제공받을 수 있다. 본 개시의 일 실시 예에 따르면, 문제 제공 시스템(100)은 학습자 단말(110), 외부 장치(103), 문제 제공 장치(105), 및 네트워크(107)를 포함할 수 있다.
학습자 단말(101)은 학습자(111)가 학습을 위하여 이용하는 전자 장치를 지시한다. 학습자(111)는 교육 서비스를 제공받는 당사자로서, 제공된 문제를 풀이하는 학생을 지시할 수 있다. 학습자(111)는 학습자 단말(101)에 탑재된 애플리케이션을 통해 외부 장치와 통신할 수 있으며, 학습자 단말(101)을 이용하여 강의 수강이나 문제 풀이 학습을 진행할 수 있다.
본 개시의 일 실시 예에 따르면, 학습자 단말(101)은 컴퓨터 장치로 구현되는 고정형 단말이거나 이동형 단말을 포함할 수 있다. 구체적으로, 학습자 단말(101)은 스마트폰(smart phone), 휴대폰, 네비게이션, 컴퓨터, 노트북, 디지털방송용 단말, PDA(personal digital assistants), PMP(portable multimedia player), 태블릿 PC를 지시할 수 있다. 학습자 단말(101)은 무선 또는 유선 통신 방식을 이용하여 네트워크(107)를 통해 외부 장치(103), 및 문제 제공 장치(105) 중 적어도 하나와 통신을 수행할 수 있다.
외부 장치(103)는 학습자(111)에 대한 교육 서비스가 이루어지는 환경에서 이용되는 전자 장치를 지시한다. 예를 들어, 외부 장치(103)는 문제를 새롭게 생성하는 학원, 교육 관련 기관이 운용하는 서버를 지시할 수 있다. 본 개시의 일 실시 예에 따르면, 외부 장치(103)는 학습자 단말(101), 문제 제공 장치(105) 중 적어도 하나와 네트워크를 통해 통신하여 명령, 코드, 파일, 컨텐츠, 서비스 등을 제공하는 컴퓨터 장치 또는 복수의 컴퓨터 장치들로 구현될 수 있다.
문제 제공 장치(105)는 교육 서비스 제공자가 운용하는 전자 장치를 지시한다. 교육 서비스 제공자는 학습자(111)에게 강의나 문제와 같은 교육 서비스를 제공하는 자연인 또는 법인을 지시할 수 있다. 특히, 교육 서비스 제공자는 학습자(111)에게 수학 문제를 제공하는 방식으로 교육 서비스를 제공할 수 있다. 수학 교과목에 대한 방대한 양의 문제들은 목차 별로 분류되어 데이터베이스(104)에 저장될 수 있으며, 문제 제공 장치(105)는 데이터베이스(104)에 저장된 빅데이터를 이용하여 학습자(111) 맞춤형 문제를 생성할 수 있다. 교육 서비스 제공자는 문제 제공 장치(105)가 생성한 문제가 학습자(111)에게 전달되도록 제어함으로써, 맞춤형 문제를 제공할 수 있다. 본 개시의 일 실시 예에 따르면, 문제 제공 장치(105)는 명령, 코드, 파일, 컨텐츠, 서비스 등을 제공하는 컴퓨터 장치 또는 복수의 컴퓨터 장치들로 구현될 수 있다.
도 1에 도시된 바와 같이, 문제 제공 시스템(100)의 구성요소들은 네트워크(107)를 통해 연결될 수 있다. 본 개시의 일 실시 예에 따르면, 네트워크(107)는 복수의 단말 및 서버들과 같은 각각의 노드 상호 간에 정보 교환이 가능한 연결 구조를 의미하는 것으로, 이러한 네트워크의 일 예에는 RF, 3GPP(3rd generation partnership project) 네트워크, LTE(long term evolution) 네트워크, 5GPP(5rd generation partnership project) 네트워크, WIMAX(world interoperability for microwave access) 네트워크, 인터넷(internet), LAN(local area network), Wireless LAN(wireless local area network), WAN(wide area network), PAN(personal area network), 블루투스 (bluetooth) 네트워크, NFC 네트워크, 위성 방송 네트워크, 아날로그 방송 네트워크, DMB(digital multimedia broadcasting) 네트워크 등이 포함되나 이에 한정되지는 않는다.
문제 제공 시스템(100)에 따르면, 문제 제공 장치(105)는 학습자(111)의 학습 능력에 대한 학업 정보와 학습자(111)의 학습 환경에 대한 학습 환경 정보를 이용하여 학습자(111) 맞춤형 수학 문제를 생성할 수 있다. 학습자 단말(101)은 문제 제공 장치(105)로부터 수학 문제를 전달받고 이를 표시함으로써, 학습자(111)가 교육 서비스를 제공받을 수 있도록 지원할 수 있다. 이하에서, 학습자 단말(101)과 문제 제공 장치(105)의 구체적인 구성 및 동작이 상세히 설명된다.
도 2는 본 개시의 다양한 실시 예들에 따른 문제 제공 시스템(100)의 네트워크 환경(200)을 도시한다.
네트워크 환경(200)에서, 학습자 단말(101)은 무선 통신 네트워크를 통하여 외부 장치(103), 문제 제공 장치(105) 중 적어도 하나와 통신을 수행할 수 있다. 본 개시의 일 실시 예에 따르면, 학습자 단말(101)은 프로세서(120), 메모리(130), 입력 모듈(150), 음향 출력 모듈(155), 디스플레이 모듈(160), 오디오 모듈(170), 센서 모듈(176), 인터페이스(177), 연결 단자(178), 햅틱 모듈(179), 카메라 모듈(180), 전력 관리 모듈(188), 배터리(189), 통신 모듈(190), 가입자 식별 모듈(196), 및 안테나 모듈(197)을 포함할 수 있다.
프로세서(120)는 문제 제공 시스템(100)에서 학습자 단말(101)이 맞춤형 수학 문제를 획득하여 학습자에게 제공하는 과정에서 필요한 전반적인 동작을 제어할 수 있다. 프로세서(120)는 학습자 단말(101)의 적어도 하나의 다른 구성 요소를 제어할 수 있고, 다양한 데이터 처리 또는 연산을 수행할 수 있다. 본 개시의 일 실시 예에 따르면, 프로세서(120)는 데이터 처리 또는 연산의 적어도 일부로서 다른 구성 요소로부터 수신된 명령 또는 데이터를 메모리(130)에 저장하거나, 저장된 명령 또는 데이터를 처리할 수 있다. 프로세서(120)는 메인 프로세서(121) 또는 이와는 독립적으로 또는 함께 운영 가능한 보조 프로세서(123)를 포함할 수 있다. 구체적으로, 학습자 단말(101)이 메인 프로세서(121)와 보조 프로세서(123) 모두를 포함하는 경우, 보조 프로세서(123)는 메인 프로세서(121)보다 저전력을 사용하거나, 지정된 기능에 특화되도록 설정될 수 있다.
보조 프로세서(123)는 메인 프로세서(121)를 대신하여 또는 메인 프로세서(121)가 액티브 상태에 있는 동안 메인 프로세서(121)와 함께, 학습자 단말(101)의 구성 요소들 중 적어도 하나의 구성 요소를 제어할 수 있다. 본 개시의 일 실시 예에 따르면, 보조 프로세서(123)는 기능적으로 관련 있는 다른 구성 요소의 일부로서 구현될 수 있다.
메모리(130)는, 학습자 단말(101)의 적어도 하나의 구성 요소에 의해 사용되는 다양한 데이터를 저장할 수 있다. 데이터는 소프트웨어 및 이와 관련된 명령에 대한 입력 데이터 또는 출력 데이터를 포함할 수 있다. 메모리(130)는 휘발성 메모리(132), 비휘발성 메모리(134)를 포함할 수 있다.
프로그램(140)은 메모리(130)에 소프트웨어로서 저장될 수 있다. 본 개시의 일 실시 예에 따르면, 프로그램(140)은 운영 체제(142), 미들웨어(144) 또는 어플리케이션(146)을 포함할 수 있다.
통신 모듈(190)은 학습자 단말(101)과 외부 전자 장치, 전자 장치, 또는 투자 정보 제공 장치(105)) 간의 통신 채널 또는 무선 통신 채널의 수립, 및 수립된 통신 채널을 통한 통신 수행을 지원할 수 있다. 통신 모듈(190)은 프로세서(120) 와 독립적으로 운영되고, 직접 통신 또는 무선 통신을 지원하는 하나 이상의 커뮤니케이션 프로세서를 포함할 수 있다. 통신 모듈(190)은 무선 통신 모듈(192)과 유선 통신 모듈(194)을 포함할 수 있다. 안테나 모듈(197)은 신호 또는 전력을 외부로 송신하거나 외부로부터 수신할 수 있다.
또한, 통신 모듈(190)은 사용자에 대한 웨어러블 장치로부터 사용자의 생체 신호를 수신할 수 있다. 구체적으로, 사용자는 생체 신호 감지를 위한 웨어러블 장치를 착용하고 학습을 진행할 수 있으며, 웨어러블 장치는 학습자의 심박수, 및 뇌파를 검출하여 학습자 단말(101)로 전달할 수 있다. 학습자 단말(101)은 웨어러블 장치로부터 수신한 생체 신호를 문제 제공 장치(105)로 전달할 수 있다.
학습자 단말(101)은 구성 요소에 사용될 명령 또는 데이터를 학습자 단말(101)의 외부로부터 수신하기 위한 입력 모듈(150), 음향 신호를 출력하기 위한 음향 출력 모듈(155), 학습자 단말(101)의 외부로 정보를 시각적으로 제공하기 위한 디스플레이 모듈(160), 소리를 전기 신호로 변환시키거나, 반대로 전기 신호를 소리로 변환시키는 오디오 모듈(170), 학습자 단말(101)의 작동 상태, 또는 외부의 환경 상태를 감지하고, 감지된 상태에 대응하는 전기 신호 또는 데이터 값을 생성하는 센서 모듈(176), 학습자 단말(101)이 외부 전자 장치와 직접 또는 무선으로 연결되기 위해 사용될 수 있는 하나 이상의 지정된 프로토콜들을 지원하는 인터페이스(177), 외부 전자 장치와 물리적으로 연결시키기 위한 연결 단자(178), 전기적 신호를 사용자가 촉각 또는 운동 감각을 통해서 인지할 수 있는 기계적인 자극 또는 전기적인 자극으로 변환하는 햅틱 모듈(179), 정지 영상 및 동영상을 촬영하는 카메라 모듈(180), 학습자 단말(101)에 공급되는 전력을 관리하는 전력 관리 모듈(188), 구성 요소에 전력을 공급하는 배터리(189)를 포함할 수 있다.
도 2는 각각의 구성 요소들이 서로 기능적으로 분리된 경우를 예시하지만, 학습자 단말(101)에 포함된 구성 요소들 중 적어도 하나는 생략되거나, 추가되거나 통합되어 동작할 수 있다. 학습자 단말(101)은 외부 장치(103), 문제 제공 장치(105)로부터 수신한 데이터를 메모리(130)에 저장 후 연산을 수행할 수 있다. 도 3에서, 학습자 단말(101)이 교육 서비스를 학습자(111)에게 제공하는 과정에서 프로그램(140)의 구성과 동작이 상세히 설명된다.
도 3은 본 개시의 다양한 실시 예들에 따른 문제 제공 시스템(100)에서, 프로그램(140)의 구성(300)을 도시한다.
프로그램(140)은 문제 제공 시스템에서, 문제를 제공받고자 하는 학습자(111)의 학습자 단말(101)에 의하여 구현되는 소프트웨어 등을 지시한다. 본 개시의 일 실시 예에 따르면, 프로그램(140)은 학습자 단말(101)의 하나 이상의 리소스들을 제어하기 위한 운영 체제(142), 미들웨어(144), 및 운영 체제(142)에서 실행 가능한 어플리케이션(146)을 포함할 수 있다. 운영 체제(142)는 AndroidTM, iOSTM, WindowsTM, SymbianTM, TizenTM, 또는 BadaTM를 포함할 수 있다. 또한, 프로그램(140) 중 적어도 일부 프로그램은 제조 시에 학습자 단말(101)에 프리로드되거나, 외부 전자 장치로부터 다운로드 및 갱신될 수 있다.
운영 체제(142)는 학습자 단말(101)의 하나 이상의 시스템 리소스들의 관리를 제어할 수 있다. 운영 체제(142)는 학습자 단말(101)의 다른 하드웨어 디바이스를 구동하기 위한 하나 이상의 드라이버 프로그램들을 포함할 수 있다.
미들웨어(144)는 학습자 단말(101)의 하나 이상의 리소스들로부터 제공되는 기능 또는 정보가 어플리케이션(146)에 의해 사용될 수 있도록 다양한 기능들을 어플리케이션(146)으로 제공할 수 있다. 미들웨어(144)는 어플리케이션(146)의 생명 주기를 관리하는 어플리케이션 매니저(201), 화면에서 사용되는 하나 이상의 GUI 자원들을 관리하는 윈도우 매니저(203), 미디어 파일의 인코딩 또는 디코딩을 수행하는 멀티미디어 매니저(205), 어플리케이션(146)의 소스 코드 또는 메모리(130)의 메모리의 공간을 관리하는 리소스 매니저(207), 학습자 단말(101)의 동작에 필요한 관련 정보를 결정 또는 제공하는 파워 매니저(209), 데이터베이스를 생성, 검색, 또는 변경하는 데이터베이스 매니저(211), 패키지 파일의 형태로 배포되는 어플리케이션의 설치 또는 갱신을 관리하는 패키지 매니저(213), 학습자 단말(101)과 외부 전자 장치 간의 무선 연결 또는 직접 연결을 관리하는 커넥티비티 매니저(215), 이벤트의 발생을 사용자에게 알리는 기능을 제공하는 노티피케이션 매니저(217), 학습자 단말(101)의 위치 정보를 관리하는 로케이션 매니저(219), 그래픽 효과들 또는 이와 관련된 사용자 인터페이스를 관리하는 그래픽 매니저(221), 시스템 보안 또는 사용자 인증을 제공하는 시큐리티 매니저(223), 통화 기능을 관리하는 통화 매니저(225), 및 음성 인식 매니저(227)를 포함할 수 있다.
어플리케이션(146)은 성형 견적 요청 정보를 입력하는 과정, 성형 정보를 제공받는 과정 등에서 성형 서비스 이용 과정에서 수행되는 응용프로그램을 지시한다. 어플리케이션(146)은 홈(251), 다이얼러(253), SMS/MMS(255), IM(instant message)(257), 브라우저(259), 카메라(261), 알람(263), 컨택트(265), 음성 인식(267), 이메일(269), 달력(271), 미디어 플레이어(273), 앨범(275), 와치(277), 헬스(279), 또는 환경 정보(281) 어플리케이션을 포함할 수 있다. 본 개시의 일 실시 예에 따르면, 어플리케이션(146)은 학습자 단말(101)과 외부 전자 장치 사이의 정보 교환을 지원할 수 있는 정보 교환 어플리케이션을 더 포함할 수 있다. 정보 교환 어플리케이션은 외부 전자 장치로 지정된 정보를 전달하도록 설정된 노티피케이션 릴레이 어플리케이션, 또는 외부 전자 장치를 관리하도록 설정된 장치 관리 어플리케이션을 포함할 수 있다. 노티피케이션 릴레이 어플리케이션은, 학습자 단말(101)의 다른 어플리케이션에서 발생된 지정된 이벤트에 대응하는 알림 정보를 외부 전자 장치로 전달할 수 있다. 장치 관리 어플리케이션은 학습자 단말(101)과 통신하는 외부 전자 장치 또는 그 일부 구성 요소의 전원 또는 기능을 제어할 수 있다. 장치 관리 어플리케이션은 외부 전자 장치에서 동작하는 어플리케이션의 설치, 삭제, 또는 갱신을 지원할 수 있다.
문제 제공 시스템(100)에서, 학습자 단말(101)은 디스플레이 모듈(160)에 어플리케이션(146)을 통해 제공받은 UI 화면들을 표시할 수 있으며, 학습자(111)는 UI 화면을 통해 정보를 입출력 함으로써 문제 제공 장치(105)로 맞춤형 문제 생성에 필요한 정보를 전달할 수 있다. 이하에서, 문제 제공 장치(105)의 구체적인 구성과 동작이 상세히 설명된다.
도 4는 본 개시의 다양한 실시 예들에 따른 문제 제공 시스템(100)에서, 문제 제공 장치(105)의 구성(400)을 도시한다.
이하 사용되는 '...부', '...기' 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어나 소프트웨어, 또는, 하드웨어 및 소프트웨어의 결합으로 구현될 수 있다. 문제 제공 장치(105)는 메모리(410), 프로세서(420), 통신부(430), 입출력 인터페이스(440), 및 디스플레이부(450)를 포함할 수 있다.
메모리(410)는 문제 제공 장치(105)의 동작을 위한 기본 프로그램, 응용 프로그램, 설정 정보 등의 데이터를 일시적 또는 영구적으로 저장한다. 메모리(410)는 RAM(random access memory), ROM(read only memory) 및 디스크 드라이브와 같은 비소멸성 대용량 기록장치(permanent mass storage device)를 포함할 수 있으나, 본 발명이 이에 한정되는 것은 아니다. 이러한 소프트웨어 구성요소들은 드라이브 메커니즘(drive mechanism)을 이용하여 메모리(410)와 별도의 컴퓨터에서 판독 가능한 기록 매체로부터 로딩될 수 있다. 이러한 별도의 컴퓨터에서 판독 가능한 기록 매체는 플로피 드라이브, 디스크, 테이프, DVD/CD-ROM 드라이브, 메모리 카드 등의 컴퓨터에서 판독 가능한 기록 매체를 포함할 수 있다. 실시예에 따라서, 소프트웨어 구성요소들은 컴퓨터에서 판독 가능한 기록 매체가 아닌 통신부(430)를 통해 메모리(410)에 로딩될 수도 있다. 또한, 메모리(410)는 프로세서(420)의 요청에 따라 저장된 데이터를 제공할 수 있다. 본 개시의 일 실시 예에 따르면, 메모리(410)는 학습자의 학업 능력을 지시하는 학업 정보를 저장할 수 있다. 또한, 메모리(410)는 생성한 맞춤형 수학 문제를 저장할 수 있다.
프로세서(420)는 문제 제공 장치(105)의 전반적인 동작들을 제어한다. 예를 들어, 프로세서(420)는 통신부(430)를 통해 신호가 송신 및 수신되도록 제어할 수 있다. 또한, 프로세서(420)는 기본적인 산술, 로직 및 입출력 연산을 수행함으로써, 컴퓨터 프로그램의 명령을 처리하도록 구성될 수 있다. 명령은 메모리(410) 또는 통신부(430)에 의해 프로세서(420)로 제공될 수 있다. 예를 들어 프로세서(420)는 메모리(410)와 같은 기록 장치에 저장된 프로그램 코드에 따라 수신되는 명령을 실행하도록 구성될 수 있다. 예를 들어, 프로세서(420)는 문제 제공 장치(105)가 후술하는 다양한 실시 예들에 따른 동작들을 수행하도록 제어할 수 있다.
본 개시의 일 실시 예에 따르면, 프로세서(420)는 학습자의 학업 능력을 지시하는 학업 정보를 획득하고, 학습자가 운용하는 학습자 단말로부터, 학습자의 학습 환경을 지시하는 학습 환경 정보를 수신하고, 학업 정보와 학습 환경 정보를 이용하여, 학습자의 목표 집중도를 결정하고, 학업 정보와 목표 집중도에 기반하여, 문제 구조를 결정하고, 학습 환경 정보와 목표 집중도에 따라 연산 난이도를 결정하고, 문제 구조에 연산 난이도를 적용하여 수학 문제를 생성하고, 학습자 단말로, 수학 문제를 송신하도록 제어할 수 있다.
또한, 프로세서(420)는 인공 신경망 모델 구조를 구현할 수 있다. 프로세서(420)는 맞춤형 수학 문제를 생성하는 과정에서 학습 영상을 프레임 별로 분할하고, 정면 응시 프레임, 하단 응시 프레임을 분류하도록 미리 학습된 인공 신경망 구조를 포함할 수 있다.
인공 신경망 모델은 프로세서(420)를 통해 하드웨어 또는 소프트웨어로 구현될 수 있다. 인공 신경망은 심리 상담에 관련된 빅데이터를 이용하여 학습될 수 있다. 이러한 학습은, 예를 들어, 인공지능 모델이 적용되는 문제 제공 장치(105) 자체에서 수행되거나, 별도의 외부 장치를 통해 수행될 수도 있다. 학습 알고리즘은, 예를 들어, 지도형 학습(supervised learning), 비지도형 학습(unsupervised learning), 준지도형 학습(semi-supervised learning) 또는 강화 학습(reinforcement learning)을 포함할 수 있으나, 전술한 예에 한정되지 않는다.
인공 신경망 모델은, 복수의 인공 신경망 레이어들을 포함할 수 있다. 인공 신경망은 DNN(deep neural network), CNN(convolutional neural network), RNN(recurrent neural network), RBM(restricted boltzmann machine), DBN(deep belief network), BRDNN(bidirectional recurrent deep neural network), 심층 Q-네트워크(deep Q-networks) 또는 중 둘 이상의 조합 중 하나일 수 있으나, 전술한 예에 한정되지 않는다. 인공지능 모델은 하드웨어 구조 이외에, 추가적으로 또는 대체적으로, 소프트웨어 구조를 포함할 수 있다.
본 명세서에 걸쳐, 신경망은 노드라 지칭될 수 있는 상호 연결된 계산 단위들의 집합으로 구성될 수 있다. 이러한 노드는 뉴런(neuron)들로 지칭될 수도 있다. 인공 신경망은 복수의 노드들을 포함하여 구성되며, 노드들은 하나 이상의 링크에 의해 상호 연결될 수 있다. 신경망 내에서, 링크를 통해 연결된 둘 이상의 노드들은 상대적으로 입력 노드 및 출력 노드의 관계를 형성할 수 있다. 입력 노드 및 출력 노드의 개념은 상대적인 것으로서, 하나의 노드에 대하여 출력 노드 관계에 있는 임의의 노드는 다른 노드와의 관계에서 입력 노드 관계에 있을 수 있으며, 그 역도 성립할 수 있다. 전술한 바와 같이, 입력 노드 대 출력 노드 관계는 링크를 중심으로 생성될 수 있다. 하나의 입력 노드에 하나 이상의 출력 노드가 링크를 통해 연결될 수 있다. 하나의 링크를 통해 연결된 입력 노드 및 출력 노드 관계에서, 출력 노드는 입력 노드에 입력된 데이터에 기초하여 그 값이 결정될 수 있다. 여기서, 입력 노드와 출력 노드를 상호 연결하는 노드는 가중치를 가질 수 있다. 가중치는 가변적일 수 있으며, 뉴럴 네트워크가 원하는 기능을 수행하기 위해, 사용자 또는 알고리즘에 의해 가변될 수 있다.
인공 신경망은 학습자의 학습 내용을 촬영한 학습 영상을 입력 받고, 학습 영상의 프레임을 분류하도록 미리 학습될 수 있다. 구체적으로, 인공 신경망은 학습 영상을 프레임 별로 분할하고, 프레임 각각에서 학습자의 얼굴 형상 및 눈의 위치에 대한 특징점들을 추출할 수 있다. 이후, 인공 신경망은 비지도 학습을 이용하여 특징점들의 위치를 기반으로 학습자의 시선이 정면을 응시하고 있는지 또는 하단을 응시하고 있는지 여부를 분류함으로써, 학습 영상에 대한 전체 프레임들로부터 정면 응시 프레임 및 하단 응시 프레임을 추출할 수 있다.
통신부(430)는 무선 채널을 통해 신호를 송수신하기 위한 기능들을 수행한다. 통신부(430)의 전부 또는 일부는 송신부, 수신부, 송수신부로 지칭될 수 있다. 통신부(430)는 통신망을 통해 문제 제공 장치(105)와 적어도 하나의 다른 노드가 서로 통신하기 위한 기능을 제공할 수 있다. 본 개시의 일 실시 예에 따르면, 문제 제공 장치(105)의 프로세서(420)가 메모리(410)와 같은 기록 장치에 저장된 프로그램 코드에 따라 요청 신호를 생성한 경우, 요청 신호는 통신부(430)의 제어에 따라 통신망을 통해 적어도 하나의 다른 노드로 전달될 수 있다. 역으로, 적어도 하나의 다른 노드의 프로세서의 제어에 따라 제공되는 제어 신호나 명령, 콘텐츠, 파일 등이 통신부(430)를 통해 문제 제공 장치(105)로 수신될 수 있다. 본 개시의 일 실시 예에 따르면, 통신부(430)는 학습자 단말(101)로부터 학습자(111)의 학습 환경에 대한 학습 환경 정보를 수신할 수 있다.
입출력 인터페이스(440)는 입출력 장치(미도시)와의 인터페이스를 위한 수단일 수 있다. 이때 입력 장치는 예를 들어 키보드 또는 마우스 등의 장치를, 그리고 출력 장치는 이미지를 표시하기 위한 디스플레이부 등과 같은 장치의 형태로 구비될 수 있다. 다른 예로 입출력 인터페이스(440)는 터치스크린과 같이 입력과 출력을 위한 기능이 하나로 통합된 장치와의 인터페이스를 위한 수단일 수도 있다. 구체적으로, 문제 제공 장치(105)의 프로세서(420)는 메모리(410)에 로딩된 컴퓨터 프로그램의 명령을 처리함에 있어서 서버가 제공하는 데이터를 이용하여 구성되는 서비스 화면이나 컨텐츠가 입출력 인터페이스(440)를 통해 디스플레이에 표시될 수 있다. 본 개시의 일 실시 예에 따르면, 입출력 인터페이스(440)는 디스플레이부(450)와의 인터페이스를 위한 수단을 포함할 수 있다. 입출력 인터페이스(440)는 디스플레이부(450)에 표시된 웹 브라우징 윈도우에 대한 사용자 입력을 수신할 수 있고, 전술한 사용자 입력에 응답하여 디스플레이부(450)를 통해 출력할 출력 데이터를 프로세서(420)로부터 전달받을 수 있다. 본 개시의 일 실시 예에 따르면, 입출력 인터페이스(440)는 교육 서비스 제공자로부터 맞춤형 수학 문제를 생성하는 과정에서 필요한 제어 신호를 직접 입력 받을 수 있다.
디스플레이부(450)는 하나 이상의 디스플레이를 포함하는 디스플레이 모듈을 지시한다. 디스플레이부(450)에 포함된 하나 이상의 디스플레이 각각은 개별적으로 독립된 컨텐츠를 표시할 수 있고, 전술한 하나 이상의 디스플레이가 결합하여 단일 컨텐츠를 표시할 수도 있다. 본 개시의 일 실시 예에 따르면, 디스플레이부(450)에 포함된 하나 이상의 디스플레이는 물리적으로 분리된 다중 디스플레이를 포함할 수 있고, 물리적으로 결합된 다중 디스플레이일 수도 있으며, 하나의 화면을 분할하여 사용할 수 있는 디스플레이일 수도 있다. 본 개시의 일 실시 예에 따르면, 디스플레이부(450)는 맞춤형 문제 생성 현황을 디스플레이에 직접 표시할 수 있다.
문제 제공 장치(105)는 학업 정보와 학습 환경 정보를 이용하여 성적 향상을 위한 목표치에 관련된 목표 집중도를 결정할 수 있다. 이후, 문제 제공 장치(105)는 목표 집중도를 고려하여 문제 구조와 연산 난이도를 결정하여 학습자(111)에게 제공될 맞춤형 수학 문제를 생성할 수 있다. 이렇게 생성된 수학 문제는 학습자(111)의 성적을 기준으로 학습 환경에 따라 설정된 목표 집중도만큼 수준이 높다. 그에 따라, 학습자(111) 입장에서 본인의 학습 환경을 고려하여 지나치게 어렵지 않은 문제를 풀이함으로써 학습 흥미 저하가 방지될 수 있으며, 본인의 성적 대비 어려운 문제를 풀이함으로써 성적이 향상될 수 있다.
도 5는 본 개시의 다양한 실시 예들에 따른 문제 제공 시스템(100)에서, 수학 문제를 생성하는 과정에 대한 전체 모식도(500)를 도시한다.
도 5를 참고하면, 문제 제공 장치(105)는 학업 정보(510)와 학습 환경 정보(520)를 이용하여 목표 집중도(530)를 생성할 수 있다. 이후, 문제 제공 장치(105)는 학업 정보(510)와 목표 집중도(530)를 이용하여 문제 구조(540)를 결정하고, 학습 환경 정보(520)와 목표 집중도(530)를 이용하여 연산 난이도(550)를 결정할 수 있다. 이후, 문제 제공 장치(105)는 문제 구조(540)와 연산 난이도(550)를 종합하여 수학 문제(560)를 생성할 수 있다.
학업 정보(510)는 학습자(111)의 학업 능력에 대한 정보를 지시한다. 구체적으로, 학업 정보(510)는 문서 제공 장치(105)의 데이터베이스(104)에 저장된 학습자(111)에 대한 학업 정보를 지시할 수 있다. 즉, 문서 제공 장치(105)는 학습자의 과거의 학습 정보 제공에 따른 학업 성취도를 지시하는 빅데이터를 저장할 수 있다. 본 개시의 일 실시 예에 따르면, 학업 정보(510)는 교육 서비스를 이용하는 과정에서 영상 촬영 장치를 통해 촬영된 학습자(111)의 학습 영상(511), 수학 교과목에 대하여 수학 목차 별 학습 시간과 성적을 지시하는 목차 별 학습 정보(512) 포함할 수 있다.
학습 환경 정보(520)는 학습자(111)의 학습 환경에 대한 정보를 지시한다. 문서 제공 장치(105)는 학습자 단말(101)로부터 학습자(111)의 문제 풀이 환경에 관련된 학습 환경 정보를 수신할 수 있다. 인터넷 기술의 발달에 따라, 학습자(111)는 독서실, 집, 카페, 휴식 공간 등 학습 장소를 자유롭게 선택할 수 있으며, 학습 장소마다 문제 풀이에 대한 집중도가 상이하다. 또한, 학습자(111)의 스트레스 현황, 신체적 건강 상태에 따라 학습자(111)의 문제 풀이에 대한 집중도가 달라질 수 있다. 이를 고려하여, 문서 제공 장치(105)는 학습 환경 정보(520)를 고려하여 목표 집중도(530)를 산출할 수 있다. 본 개시의 일 실시 예에 따르면, 학습 환경 정보(520)는 학습 장소(521), 스트레스 지수(522), 및 생체 정보(523)를 포함할 수 있다.
문제 제공 장치(105)는 학업 정보(510)와 학습 환경 정보(520)를 이용하여 목표 집중도(530)를 산출한다. 목표 집중도(530)는 학습자(111)의 성적에 관련된 특징을 기초로, 학습 환경을 고려하여 연산된 집중도를 지시한다. 즉, 목표 집중도(530)는 학습자(111)가 집중 가능한 정도보다 조금 높은 집중도로서, 학습자(111)의 교육 흥미를 저하시키지 않는 수준에서 성적을 향상시키기 위한 목표 기준치를 지시할 수 있다. 문제 제공 장치(105)가 학업 정보(510)와 학습 환경 정보(520)로부터 목표 집중도를 결정하는 구체적인 방법은 도 6에서 설명된다.
문제 제공 장치(105)는 학업 정보(510)와 목표 집중도(530)에 기반하여, 문제 구조(540)를 결정하고, 학습 환경 정보(520)와 목표 집중도(530)에 기반하여 연산 난이도(550)를 결정할 수 있다. 여기서, 문제 구조(540)는 문제은행에 저장된 문제들의 유형을 지시하고, 연산 난이도(550)는 문제 구조에서 적용되는 숫자에 따라 결정되는 산술적인 난이도로서, 상, 중, 하 중 어느 하나를 지시할 수 있다.
구체적으로, 수학 문제는 풀이 과정에서 필요한 논리 구조가 복잡할수록, 산술이 복잡할수록 수학 문제의 체감 난이도가 높다. 문제 제공 장치(105)는 문제은행을 통해 다양한 유형의 문제들을 저장할 수 있으며, 다양한 유형의 문제들은 논리 구조의 복잡성에 관한 구조 난이도에 따라 구분될 수 있다. 또한, 각각의 문제에서, 숫자의 산술 복잡성을 고려하여 연산 난이도 상 중 하 각각에 숫자 집합이 대응될 수 있다.
문제 제공 장치(105)는 학업 정보(510)와 목표 집중도(530)를 고려하여 학습자(111)에게 어떠한 유형의 문제를 제공할지 결정하고, 학습 환경 정보(520)와 목표 집중도(530)를 이용하여 산수 계산에 대한 난이도를 결정할 수 있다. 이후, 문제 제공 장치(105)는 문제 구조(540)에 연산 난이도(550)를 적용하여 수학 문제(560)를 생성할 수 있다. 문제 제공 장치(105)가 문제 구조(540)와 연산 난이도(550)를 결정하는 방법은 도 7에서 설명된다.
도 6은 본 개시의 다양한 실시 예들에 따른 문제 제공 시스템(100)에서, 목표 집중도(530)를 결정하는 과정에 대한 모식도(600)를 도시한다.
문제 제공 장치(105)는 학업 정보(510)에 포함된 학습 영상(511), 학습 환경 정보(520)에 포함된 학습 장소(521)와 스트레스 지수(522)를 이용하여 목표 집중도(530)를 결정할 수 있다.
학습자(111)는 문제를 해석하기 위하여 화면의 정면을 응시하고, 필기도구를 통해 문제를 풀이하기 위하여 화면의 하단을 응시한다. 문제 제공 장치(105)는 학습자(111)의 시선 응시 변화를 이용하여 집중도를 산출하되, 학습자의 학습 장소(521)와 스트레스 지수(522)를 추가로 고려함으로써, 학습자의 성적 향상을 위한 목표 집중도(530)를 산출할 수 있다.
문제 제공 장치(105)는 학습 영상(511)으로부터 프레임 정보(610)를 추출한다. 여기서, 프레임 정보(610)는 학습 영상(511)에서 문제 풀이에 대한 전체 프레임의 수, 정면 응시 프레임의 수, 및 하단 응시 프레임의 수를 포함할 수 있다. 문제 제공 장치(105)는 학습 영상(511)을 프레임 단위로 구분한 뒤, 전체 프레임들 중에서 학습자(111)가 정면을 응시한 정면 응시 프레임, 학습자(111)가 하단을 응시한 하단 응시 프레임을 추출할 수 있다.
구체적으로, 문제 제공 장치(105)의 인공 신경망은 학습 영상을 입력 받아 프레임 별로 분할하고, 프레임 각각에서 학습자의 얼굴 형상 및 눈의 위치에 대한 특징점들을 추출할 수 있다. 그에 따라, 얼굴 전체 윤곽 및 얼굴 내 눈의 위치에 대한 특징 벡터가 산출될 수 있다. 이후, 문제 제공 장치(105)의 인공 신경망은 특징점들의 위치를 기반으로 학습자(111)가 정면을 응시하고 있는지 또는 하단을 응시하고 있는지 여부를 분류할 수 있다. 이후, 문제 제공 장치(105)는 분류된 프레임의 수를 확인하여 프레임 정보(610)를 생성할 수 있다.
문제 제공 장치(105)는 프레임 정보(610)로부터 해석 집중도(631) 및 풀이 집중도(632)를 결정할 수 있다.
문제 풀이에서 전체 풀이 시간 대비 정면 응시 시간이 짧을수록 문제 해석에 대한 집중도가 높으며, 정면 응시의 절대적인 시간이 너무 길거나 너무 짧으면 문제 해석에 대한 집중도가 낮다. 이를 고려하여, 문제 제공 장치(105)는 정면 응시 프레임의 수의 비율을 통해 기본적인 해석 집중도를 판단하되, 정면 응시 프레임의 절대적인 수와 집중도 사이의 상관 관계에 따른 가중치 테이블로부터 가중치를 추출하여 적용함으로써, 학습자(111)의 해석 집중도(631)를 결정할 수 있다.
문제 풀이에서 전체 풀이 시간 대비 하단 응시 시간이 짧을수록 문제 풀이에 대한 집중도가 높으며, 하단 응시의 절대적인 시간이 너무 길거나 너무 짧으면 문제 풀이에 대한 집중도가 낮다. 이를 고려하여, 문제 제공 장치(105)는 하단 응시 프레임의 수의 비율을 통해 기본적인 풀이 집중도를 판단하되, 하단 응시 프레임의 절대적인 수와 집중도 사이의 상관 관계에 따른 가중치 테이블로부터 가중치를 추출하여 적용함으로써, 학습자(111)의 풀이 집중도(632)를 결정할 수 있다.
문제 제공 장치(105)는 학습 장소(521)와 스트레스 지수(522)에 기반하여 추가 집중도(533)를 결정할 수 있다. 문제 제공 장치(105)는 빅데이터를 이용하여, 학습 장소와 집중도 사이의 상관 관계에 대한 테이블, 및 스트레스와 집중도 사이의 상관 관계에 대한 테이블을 미리 생성하여 저장할 수 있으며, 미리 저장된 테이블을 이용하여 추가 집중도(533)를 연산할 수 있다.
학습 장소(521)마다 집중 가능한 여건이 상이하므로, 학습 장소 별 가능한 집중도를 지시하는 테이블이 생성될 수 있다. 본 개시의 일 실시 예에 따르면, 학습 장소는 독서실, 도서관, 집, 카페, 휴식 공간, 음식점을 포함할 수 있으며, 문제 제공 장치(105)는 학습 장소 각각에 대응되는 집중도 테이블을 이용하여 학습 장소(521)에 따른 집중도를 추출할 수 있다.
스트레스 증상은 신경 과민과 같은 정신적 증상, 신체 통증에 관한 신체적 증상, 스트레스로 인한 행동작인 행동적 증상으로 구분될 수 있다. 문제 제공 장치(105)는 학습자(111)에게 신체적 설문, 정신적 설문, 및 행동적 설문을 묻는 설문지를 미리 제공하고, 학습자 단말(101)로부터 스트레스 지수(522)를 수신할 수 있다. 문제 제공 장치(105)는 스트레스 지수에 대응되는 집중도 테이블을 이용하여 스트레스 지수(522)에 따른 집중도를 추출할 수 있다. 문제 제공 장치(105)는 학습 장소(521)에 따른 집중도와 스트레스 지수(522)에 따른 집중도를 합산하여 추가 집중도(533)를 결정할 수 있다.
문제 제공 장치(105)는 해석 집중도(631), 풀이 집중도(632), 및 추가 집중도(633)를 합산하여 목표 집중도를 생성할 수 있다. 문제 제공 장치(105)는 학습자(111)의 성적에 따른 집중도에 학습자의 학습 환경에 관련된 추가 집중도를 추가함으로써, 성적 향상을 위한 목표치를 설정할 수 있다.
도 7은 본 개시의 다양한 실시 예들에 따른 문제 제공 시스템(100)에서, 문제 구조(540)와 연산 난이도(550)를 결정하는 과정에 대한 모식도(700)를 도시한다.
문제 제공 장치(105)는 학업 정보(510)에 포함된 목차 별 학습 정보(512), 학습 환경 정보(520)에 포함된 생체 정보(523), 및 목표 집중도(530)를 이용하여 문제 구조(540)와 연산 난이도(550)를 결정할 수 있다.
문제 제공 장치(105)는 학습자(111)의 목차 별 성적을 고려하여 대상 목차를 결정하고, 목표 별 집중도를 고려하여 대상 목차 내 복수의 문제들 중 적어도 하나를 선택함으로써 문제 구조(540)를 결정할 수 있다.
문제 제공 장치(105)는 학습자(111)의 수학 목차 별 학습 시간과 학습 성적을 바탕으로 목차 별 이해도(710)를 결정한다. 문제 제공 장치(105)는 학습 시간이 길수록 높은 이해도를 부여하고, 학습 성적이 높을수록 높은 이해도를 부여함으로써, 학습 목차들 각각에 대한 이해도를 산출할 수 있다.
문제 제공 장치(105)는 목표 집중도(530)와 목차 별 이해도(710)를 고려하여, 수학 목차들 중에서 대상 목차(720)를 선정한다. 구체적으로, 문제 제공 장치(105)는 목차 별 이해도의 평균 값을 연산하고, 목차 각각에 대하여 평균 값 대비 이해도의 차이를 확인할 수 있다. 이후, 문제 제공 장치(105)는 목표 집중도와 목차 별 차이 값을 비교하여 대상 목차(720)를 선정할 수 있다. 본 개시의 일 실시 예에 따르면, 문제 제공 장치(105)는 목표 집중도(530)의 크기가 클수록 차이가 큰 목차를 대상 목차로 선정할 수 있다.
문제 제공 장치(105)는 대상 목차(720)로부터 문제 구조(540)를 결정한다. 문제 제공 장치(105)는 학습 환경 정보(520)를 수신한 시각을 기반으로 하는 난수를 발생시키고, 대상 목차 내에서 난수에 따른 문제 번호를 선택함으로써 문제 구조(540)를 결정할 수 있다.
문제 제공 장치(105)는 학습자(111)의 컨디션을 고려하여 연산 난이도를 결정할 수 있다. 문제 제공 장치(105)는 생체 정보(523)에 포함된 심박수, 검출되는 뇌파의 종류를 이용하여 학습자의 안정 상태를 결정할 수 있다. 예를 들어, 문제 제공 장치(105)는 심박수가 임계 구간에 있는지 여부를 확인하고, 전체 뇌파 데이터에서 알파파의 검출 비율에 따라 안정 레벨을 산출함으로써, 안정 상태(730)를 결정할 수 있다. 본 개시의 다른 일 실시 예에 따르면, 문제 제공 장치(105)는 심박수와 미리 설정된 테이블을 비교하여 심박수에 따른 제1 안정 레벨을 산출하고 전체 뇌파 중에서 13 Hz 내지 14Hz의 뇌파의 비율에 따라 제2 안정 레벨을 산출하여 더함으로써, 안정 상태(730)를 결정할 수 있다.
이후, 문제 제공 장치(105)는 안정 상태(730)와 목표 집중도(530)를 고려하여 연산 난이도(550)를 결정할 수 있다. 안정 상태(730)에 따라 선택 가능한 연산 난이도의 범위가 상이할 수 있으며, 문제 제공 장치(105)는 목표 집중도(530)를 고려하여 선택 가능한 범위 내에서 연산 난이도(550)를 결정할 수 있다. 본 개시의 일 실시 예에 따르면, 문제 제공 장치(105)는 안정 상태(730)가 중간 상태, 목표 집중도가 미리 설정된 임계 값 보다 작은 경우, 연산 난이도의 범위를 '중', '하'로 설정하고, 목표 집중도에 따라 '하'를 연산 난이도(550)로 결정할 수 있다.
문제 제공 장치(105)는 문제 구조(540)에 연산 난이도(550)에 따른 숫자 그룹을 적용하여 수학 문제(560)를 최종적으로 결정할 수 있다. 추가로, 문제 제공 장치(105)는 수학 문제(560)를 송신한 이후에 일정 시간이 지날 때 마다 문제 풀이에 도움이 되는 정보를 제공할 수 있다. 문제 제공 장치(105)는 수학 문제(560)를 제공한 시각으로부터 일정 시간 동안 학습자 단말(101)로부터 풀이 결과를 수신하지 못한 경우, 수학 문제(560)에 대한 이론 정보, 단서 정보, 풀이 정보를 순차적으로 제공할 수 있다.
본 개시의 일 실시 예에 따르면, 문제 제공 장치(105)는 수학 문제를 송신한 시각부터 풀이 시간 동안 학습자 단말로부터 풀이 결과를 수신하지 못한 경우, 학습자 단말로 대상 목차에 대한 이론 정보를 송신하고, 이론 정보를 송신한 시각부터 풀이 시간 동안 학습자 단말로부터 풀이 결과를 수신하지 못한 경우, 학습자 단말로 수학 문제의 풀이에 관한 단서 정보를 송신하고, 단서 정보를 송신한 시각부터 풀이 시간 동안 학습자 단말로부터 풀이 결과를 수신하지 못한 경우, 학습자 단말로 수학 문제에 대한 풀이 정보를 송신할 수 있다. 여기서, 풀이 시간은 대상 목차의 이해도에 반비례할 수 있다. 즉, 문제 제공 장치(105)는 학습자(111)의 대상 목차에 대한 이해도를 고려하여 풀이 시간을 산정하고, 풀이 시간이 지날 때마다 풀이를 돕기 위한 정보를 지속적으로 제공함으로써, 학습자(111)의 흥미 저하를 방지하고 지속적으로 다양한 문제를 풀 수 있도록 지원할 수 있다.
도 8은 본 개시의 다양한 실시 예들에 따른 문제 제공 시스템(100)에서, 문제 제공 장치(105)의 동작 방법에 대한 흐름도(800)를 도시한다.
도 8을 참고하면 단계(801)에서, 문제 제공 장치(105)는 학습자의 학업 능력을 지시하는 학업 정보를 획득한다. 문제 제공 장치(105)는 데이터베이스(104)를 이용하여 학습자(111)에 대한 학업 정보(510)를 추출할 수 있다.
본 개시의 일 실시 예에 따르면, 학업 정보는 학습자를 촬영한 학습 영상, 및 학습자의 수학 목차 별 학습 시간과 성적을 지시하는 목차 별 학습 정보를 포함할 수 있다.
단계(803)에서, 문제 제공 장치(105)는 학습자가 운용하는 학습자 단말로부터, 학습자의 학습 환경을 지시하는 학습 환경 정보를 수신한다. 문제 제공 장치(105)는 학습자 단말(101)로부터 학습자(111) 학습 환경을 확인하기 위한 학습 환경 정보(520)를 획득할 수 있다.
본 개시의 일 실시 예에 따르면, 학습 환경 정보는 학습자의 학습 장소, 스트레스 지수, 및 생체 정보를 포함할 수 있다.
단계(805)에서, 문제 제공 장치(105)는 학업 정보와 학습 환경 정보를 이용하여, 학습자의 목표 집중도를 결정한다. 문제 제공 장치(105)는 학습자(111)의 성적과 학습 환경을 모두 고려하기 위하여, 학업 정보(510)와 학습 환경 정보(520)로부터 목표 집중도(530)를 산출할 수 있다.
단계(807)에서, 문제 제공 장치(105)는 학업 정보와 목표 집중도에 기반하여, 문제 구조를 결정한다. 문제 제공 장치(105)는 획득한 학업 정보(510)와 산출된 목표 집중도(530)를 이용하여 문제 구조(540)를 결정할 수 있다.
본 개시의 일 실시 예에 따르면, 문제 제공 장치(105)는 목차 별 학습 정보를 이용하여, 수학 목차 별 이해도를 결정하고, 목표 집중도와 수학 목차 별 이해도를 기반하여, 대상 목차를 결정하고, 학습 환경 정보를 수신한 시각에 따른 난수를 생성하고, 대상 목차 내에서 난수에 대응되는 문제 구조를 결정할 수 있다.
단계(809)에서, 문제 제공 장치(105)는 학습 환경 정보와 목표 집중도에 따라 연산 난이도를 결정하고, 문제 구조에 연산 난이도를 적용하여 수학 문제를 생성한다.
본 개시의 일 실시 예에 따르면, 문제 제공 장치(105)는 생체 정보에 포함된 심박수, 및 검출되는 뇌파의 종류를 고려하여 학습자의 안정 상태를 결정하고, 목표 집중도와 안정 상태에 기반하여 연산 난이도를 결정하고, 연산 난이도에 따른 숫자 그룹을 문제 구조에 적용하여 수학 문제를 생성할 수 있다.
단계(811)에서, 문제 제공 장치(105)는 학습자 단말로, 수학 문제를 송신한다. 문제 제공 장치(105)는 생성된 수학 문제(560)를 학습자(111)에게 제공할 수 있다.
본 개시의 일 실시 예에 따르면, 문제 제공 장치(105)는 수학 문제를 송신한 시각부터 풀이 시간 동안 학습자 단말로부터 풀이 결과를 수신하지 못한 경우, 학습자 단말로 대상 목차에 대한 이론 정보를 송신하고, 이론 정보를 송신한 시각부터 풀이 시간 동안 학습자 단말로부터 풀이 결과를 수신하지 못한 경우, 학습자 단말로 수학 문제의 풀이에 관한 단서 정보를 송신하고, 단서 정보를 송신한 시각부터 풀이 시간 동안 학습자 단말로부터 풀이 결과를 수신하지 못한 경우, 학습자 단말로 수학 문제에 대한 풀이 정보를 송신할 수 있다. 여기서, 풀이 시간은 대상 목차의 이해도에 반비례할 수 있다.
도 9는 본 개시의 다양한 실시 예들에 따른 문제 제공 시스템(100)에서, 문제 제공 장치(105)가 목표 집중도(530)를 결정하는 방법에 대한 흐름도(900)를 도시한다.
도 9를 참고하면 단계(901)에서, 문제 제공 장치(105)는 학습 영상에서, 문제 풀이에 대한 전체 프레임의 수, 정면 응시 프레임의 수, 및 하단 응시 프레임의 수를 추출한다. 문제 제공 장치(105)는 학습자(111)의 과거 학습 이력을 확인하여 학습 영상(511)을 확인할 수 있다. 이후, 문제 제공 장치(105)는 학습 영상(511)에서 문제 풀이에 관한 전체 프레임을 추출하고, 전체 프레임 내에서 정면 응시 프레임과 하단 응시 프레임을 추출할 수 있다.
단계(903)에서, 문제 제공 장치(105)는 전체 프레임의 수 대비 정면 응시 프레임의 수에, 정면 응시 프레임의 수에 대응되는 제1 가중치를 적용하여, 해석 집중도를 결정한다. 문제 제공 장치(105)는 프레임 정보(610)를 이용하여 전체 프레임 대비 정면 응시 프레임의 비율, 및 정면 응시 프레임의 수를 이용하여 해석 집중도(631)를 산출할 수 있다.
단계(905)에서, 문제 제공 장치(105)는 전체 프레임의 수 대비 하단 응시 프레임의 수에, 하단 응시 프레임의 수에 대응되는 제2 가중치를 적용하여, 풀이 집중도를 결정한다. 문제 제공 장치(105)는 프레임 정보(610)를 이용하여 전체 프레임 대비 하단 응시 프레임의 비율, 및 하단 응시 프레임의 수를 이용하여 풀이 집중도(632)를 산출할 수 있다.
단계(907)에서, 문제 제공 장치(105)는 학습 장소와 스트레스 지수에 따른 추가 집중도를 추출한다. 문제 제공 장치(105)는 학습 장소(521)와 집중도에 대한 테이블, 스트레스 지수와 집중도에 대한 테이블을 이용하여 추가 집중도(633)를 산출할 수 있다.
단계(909)에서, 문제 제공 장치(105)는 해석 집중도, 풀이 집중도, 및 추가 집중도를 합산하여 목표 집중도를 결정한다. 문제 제공 장치(105)는 산출된 해석 집중도(631), 풀이 집중도(632), 및 추가 집중도(633)를 모두 더함으로써, 목표 집중도(530)를 산출할 수 있다.
본 개시의 청구항 또는 명세서에 기재된 실시 예들에 따른 방법들은 하드웨어, 소프트웨어, 또는 하드웨어와 소프트웨어의 조합의 형태로 구현될(implemented) 수 있다. 실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능한 매체에 기록될 수 있으며, 하드웨어와 결합되어 컴퓨터 판독 가능한 기록매체에 저장된 컴퓨터 프로그램으로 구현될 수 있다.
소프트웨어로 구현하는 경우, 하나 이상의 프로그램(소프트웨어 모듈)을 저장하는 컴퓨터 판독 가능 저장 매체가 제공될 수 있다. 컴퓨터 판독 가능 저장 매체에 저장되는 하나 이상의 프로그램은, 전자 장치(device) 내의 하나 이상의 프로세서에 의해 실행 가능하도록 구성된다(configured for execution). 하나 이상의 프로그램은, 전자 장치로 하여금 본 개시의 청구항 또는 명세서에 기재된 실시 예들에 따른 방법들을 실행하게 하는 명령어(instructions)를 포함한다.
이러한 프로그램(소프트웨어 모듈, 소프트웨어)은 랜덤 액세스 메모리 (random access memory), 플래시(flash) 메모리를 포함하는 불휘발성(non-volatile) 메모리, 롬(read only memory, ROM), 전기적 삭제가능 프로그램가능 롬(electrically erasable programmable read only memory, EEPROM), 자기 디스크 저장 장치(magnetic disc storage device), 컴팩트 디스크 롬(compact disc-ROM, CD-ROM), 디지털 다목적 디스크(digital versatile discs, DVDs) 또는 다른 형태의 광학 저장 장치, 마그네틱 카세트(magnetic cassette)에 저장될 수 있다. 또는, 이들의 일부 또는 전부의 조합으로 구성된 메모리에 저장될 수 있다. 또한, 각각의 구성 메모리는 다수 개 포함될 수도 있다.
상술한 본 개시의 구체적인 실시 예들에서, 개시에 포함되는 구성 요소는 제시된 구체적인 실시 예에 따라 단수 또는 복수로 표현되었다. 그러나, 단수 또는 복수의 표현은 설명의 편의를 위해 제시한 상황에 적합하게 선택된 것으로서, 본 개시가 단수 또는 복수의 구성 요소에 제한되는 것은 아니며, 복수로 표현된 구성 요소라 하더라도 단수로 구성되거나, 단수로 표현된 구성 요소라 하더라도 복수로 구성될 수 있다.
삭제
한편 본 개시의 상세한 설명에서는 구체적인 실시 예에 관해 설명하였으나, 본 개시의 범위에서 벗어나지 않는 한도 내에서 여러 가지 변형이 가능함은 물론이다. 그러므로 본 개시의 범위는 설명된 실시 예에 국한되어 정해져서는 아니 되며 후술하는 특허청구의 범위뿐만 아니라 이 특허청구의 범위와 균등한 것들에 의해 정해져야 한다.
111 학습자 101 학습자 단말
103 외부 장치서버 104 데이터베이스
105 문제 제공 장치 107 네트워크
410 메모리 420 프로세서
430 통신부 440 입출력 인터페이스
450 디스플레이부 510 학업 정보
511 학습 영상 512 목차 별 학습 정보
520 학습 환경 정보 521 학습 장소
522 스트레스 지수 523 생체 정보
530 목표 집중도 540 문제 구조
550 연산 난이도 560 수학 문제
610 프레임 정보 631 해석 집중도
632 풀이 집중도 633 추가 집중도
710 목차 별 이해도 720 대상 목차
730 안정 상태
103 외부 장치서버 104 데이터베이스
105 문제 제공 장치 107 네트워크
410 메모리 420 프로세서
430 통신부 440 입출력 인터페이스
450 디스플레이부 510 학업 정보
511 학습 영상 512 목차 별 학습 정보
520 학습 환경 정보 521 학습 장소
522 스트레스 지수 523 생체 정보
530 목표 집중도 540 문제 구조
550 연산 난이도 560 수학 문제
610 프레임 정보 631 해석 집중도
632 풀이 집중도 633 추가 집중도
710 목차 별 이해도 720 대상 목차
730 안정 상태
Claims (10)
- 학습자에게 맞춤형 수학 문제를 제공하는 문제 제공 장치의 동작 방법에 있어서,
상기 학습자의 학업 능력을 지시하는 학업 정보를 획득하는 단계;
상기 학습자가 운용하는 학습자 단말로부터, 상기 학습자의 학습 환경을 지시하는 학습 환경 정보를 수신하는 단계;
상기 학업 정보와 상기 학습 환경 정보를 이용하여, 상기 학습자의 성적 향상을 위한 목표치에 관련된 목표 집중도를 결정하는 단계;
상기 학업 정보와 상기 목표 집중도에 기반하여, 문제 구조를 결정하는 단계;
상기 학습 환경 정보와 상기 목표 집중도에 따라 연산 난이도를 결정하고, 상기 문제 구조에 상기 연산 난이도를 적용하여 수학 문제를 생성하는 단계; 및
상기 학습자 단말로, 상기 수학 문제를 송신하는 단계를 포함하고,
상기 학업 정보는 상기 학습자를 촬영한 학습 영상, 및 상기 학습자의 수학 목차 별 학습 시간과 성적을 지시하는 목차 별 학습 정보를 포함하고,
상기 학습 환경 정보는 상기 학습자의 학습 장소, 스트레스 지수, 및 생체 정보를 포함하고,
상기 학습자의 목표 집중도를 결정하는 단계는,
상기 학습 영상에서, 문제 풀이에 대한 전체 프레임의 수, 정면 응시 프레임의 수, 및 하단 응시 프레임의 수를 추출하는 단계;
상기 전체 프레임의 수 대비 상기 정면 응시 프레임의 수에, 상기 정면 응시 프레임의 수에 대응되는 제1 가중치를 적용하여, 해석 집중도를 결정하는 단계;
상기 전체 프레임의 수 대비 상기 하단 응시 프레임의 수에, 상기 하단 응시 프레임의 수에 대응되는 제2 가중치를 적용하여, 풀이 집중도를 결정하는 단계;
상기 학습 장소와 집중도 사이의 상관 관계에 대한 제1 테이블을 이용하여 상기 학습 장소에 따른 제1 집중도를 추출하고, 상기 스트레스 지수와 집중도 사이의 상관 관계에 대한 제2 테이블을 이용하여 상기 스트레스 지수에 따른 제2 집중도를 추출하고 상기 제1 집중도와 상기 제2 집중도를 합산하여 추가 집중도를 추출하는 단계; 및
상기 해석 집중도, 상기 풀이 집중도, 및 상기 추가 집중도를 합산하여 목표 집중도를 결정하는 단계를 포함하고,
상기 목표 집중도는 상기 학습 영상에 따른 상기 학습자의 집중도보다 높은 집중도를 지시하는 방법.
- 삭제
- 삭제
- 청구항 1에 있어서,
상기 문제 구조를 결정하는 단계는,
상기 목차 별 학습 정보를 이용하여, 수학 목차 별 이해도를 결정하는 단계;
상기 목표 집중도와 상기 수학 목차 별 이해도를 기반하여, 대상 목차를 결정하는 단계;
상기 학습 환경 정보를 수신한 시각에 따른 난수를 생성하는 단계; 및
상기 대상 목차 내에서 상기 난수에 대응되는 문제 구조를 결정하는 단계를 포함하는 방법.
- 청구항 4에 있어서,
상기 수학 문제를 송신한 시각부터 상기 풀이 시간 동안 상기 학습자 단말로부터 풀이 결과를 수신하지 못한 경우, 상기 학습자 단말로 상기 대상 목차에 대한 이론 정보를 송신하는 단계;
상기 이론 정보를 송신한 시각부터 상기 풀이 시간 동안 상기 학습자 단말로부터 풀이 결과를 수신하지 못한 경우, 상기 학습자 단말로 상기 수학 문제의 풀이에 관한 단서 정보를 송신하는 단계; 및
상기 단서 정보를 송신한 시각부터 상기 풀이 시간 동안 상기 학습자 단말로부터 풀이 결과를 수신하지 못한 경우, 상기 학습자 단말로 상기 수학 문제에 대한 풀이 정보를 송신하는 단계를 더 포함하고,
상기 풀이 시간은 상기 대상 목차의 이해도에 반비례하는 방법.
- 청구항 1에 있어서,
상기 학습 환경 정보와 상기 목표 집중도에 따라 연산 난이도를 결정하고, 상기 문제 구조에 상기 연산 난이도를 적용하여 수학 문제를 생성하는 단계는,
상기 생체 정보에 포함된 심박수, 및 검출되는 뇌파의 종류를 고려하여 상기 학습자의 안정 상태를 결정하는 단계;
상기 목표 집중도와 상기 안정 상태에 기반하여 연산 난이도를 결정하는 단계; 및
상기 연산 난이도에 따른 숫자 그룹을 상기 문제 구조에 적용하여 수학 문제를 생성하는 단계를 포함하는 방법.
- 학습자에게 맞춤형 수학 문제를 제공하는 문제 제공 장치에 있어서,
상기 문제 제공 장치는 프로세서를 포함하고,
상기 프로세서는,
상기 학습자의 학업 능력을 지시하는 학업 정보를 획득하고,
상기 학습자가 운용하는 학습자 단말로부터, 상기 학습자의 학습 환경을 지시하는 학습 환경 정보를 수신하고,
상기 학업 정보와 상기 학습 환경 정보를 이용하여, 상기 학습자의 성적 향상을 위한 목표치에 관련된 목표 집중도를 결정하고,
상기 학업 정보와 상기 목표 집중도에 기반하여, 문제 구조를 결정하고,
상기 학습 환경 정보와 상기 목표 집중도에 따라 연산 난이도를 결정하고,
상기 문제 구조에 상기 연산 난이도를 적용하여 수학 문제를 생성하고,
상기 학습자 단말로, 상기 수학 문제를 송신하고,
상기 학업 정보는 상기 학습자를 촬영한 학습 영상, 및 상기 학습자의 수학 목차 별 학습 시간과 성적을 지시하는 목차 별 학습 정보를 포함하고,
상기 학습 환경 정보는 상기 학습자의 학습 장소, 스트레스 지수, 및 생체 정보를 포함하고,
상기 프로세서는,
상기 학습 영상에서, 문제 풀이에 대한 전체 프레임의 수, 정면 응시 프레임의 수, 및 하단 응시 프레임의 수를 추출하고,
상기 전체 프레임의 수 대비 상기 정면 응시 프레임의 수에, 상기 정면 응시 프레임의 수에 대응되는 제1 가중치를 적용하여, 해석 집중도를 결정하고,
상기 전체 프레임의 수 대비 상기 하단 응시 프레임의 수에, 상기 하단 응시 프레임의 수에 대응되는 제2 가중치를 적용하여, 풀이 집중도를 결정하고,
상기 학습 장소와 집중도 사이의 상관 관계에 대한 제1 테이블을 이용하여 상기 학습 장소에 따른 제1 집중도를 추출하고, 상기 스트레스 지수와 집중도 사이의 상관 관계에 대한 제2 테이블을 이용하여 상기 스트레스 지수에 따른 제2 집중도를 추출하고 상기 제1 집중도와 상기 제2 집중도를 합산하여 추가 집중도를 추출하고,
상기 해석 집중도, 상기 풀이 집중도, 및 상기 추가 집중도를 합산하여 목표 집중도를 결정하고,
상기 목표 집중도는 상기 학습 영상에 따른 상기 학습자의 집중도보다 높은 집중도를 지시하는 장치.
- 삭제
- 하드웨어와 결합되어 청구항 1의 동작을 실행시키기 위하여 컴퓨터 판독 가능한 기록매체에 저장된 컴퓨터 프로그램.
- 하드웨어와 결합되어 청구항 1의 동작을 실행시키기는 컴퓨터 프로그램이 저장된 컴퓨터 판독 가능한 기록매체.
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020240002770A KR20240011843A (ko) | 2023-06-08 | 2024-01-08 | 학습자에게 맞춤형 수학 문제를 제공하기 위한 장치 및 방법 |
KR1020240002771A KR20240011844A (ko) | 2023-06-08 | 2024-01-08 | 학습자에게 맞춤형 수학 문제를 제공하기 위한 장치 및 방법 |
Applications Claiming Priority (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR20230073374 | 2023-06-08 | ||
KR1020230073374 | 2023-06-08 | ||
KR1020230074629 | 2023-06-12 | ||
KR20230074629 | 2023-06-12 |
Related Child Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020240002771A Division KR20240011844A (ko) | 2023-06-08 | 2024-01-08 | 학습자에게 맞춤형 수학 문제를 제공하기 위한 장치 및 방법 |
KR1020240002770A Division KR20240011843A (ko) | 2023-06-08 | 2024-01-08 | 학습자에게 맞춤형 수학 문제를 제공하기 위한 장치 및 방법 |
Publications (1)
Publication Number | Publication Date |
---|---|
KR102636079B1 true KR102636079B1 (ko) | 2024-02-14 |
Family
ID=89896078
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020230075341A KR102636079B1 (ko) | 2023-06-08 | 2023-06-13 | 학습자에게 맞춤형 수학 문제를 제공하기 위한 장치 및 방법 |
Country Status (1)
Country | Link |
---|---|
KR (1) | KR102636079B1 (ko) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20010079233A (ko) * | 2001-06-26 | 2001-08-22 | 이동열 | 실시간 학습문제 출제시스템 |
KR20200115966A (ko) | 2019-03-29 | 2020-10-08 | 주식회사 메이팜소프트 | 문제은행에서의 학습자 학습정보와 문제 컨텍스트의 유사도를 반영한 문제 큐레이션 시스템 및 그 방법 |
KR20200126793A (ko) * | 2019-04-30 | 2020-11-09 | 이화여자대학교 산학협력단 | 동영상 학습 환경에서 학습자의 사전지식 및 과제복합성에 따른 인지부하 진단 장치 및 방법 |
KR20210026234A (ko) * | 2019-08-29 | 2021-03-10 | 박수경 | 인공지능 기반의 사용자 맞춤형 수학 교육 서비스를 제공하는 장치 및 방법 |
KR20210058757A (ko) * | 2020-06-16 | 2021-05-24 | 바이두 온라인 네트웍 테크놀러지 (베이징) 캄파니 리미티드 | 중점 학습 내용 결정 방법, 장치, 기기 및 저장 매체 |
KR20230050281A (ko) * | 2020-04-27 | 2023-04-14 | 박지환 | 학업 스트레스 분석을 이용한 학습 효율 향상 시스템 |
KR20230066969A (ko) * | 2021-11-08 | 2023-05-16 | 김성태 | 학습자 맞춤형 수학 교육 시스템 |
-
2023
- 2023-06-13 KR KR1020230075341A patent/KR102636079B1/ko active IP Right Grant
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20010079233A (ko) * | 2001-06-26 | 2001-08-22 | 이동열 | 실시간 학습문제 출제시스템 |
KR20200115966A (ko) | 2019-03-29 | 2020-10-08 | 주식회사 메이팜소프트 | 문제은행에서의 학습자 학습정보와 문제 컨텍스트의 유사도를 반영한 문제 큐레이션 시스템 및 그 방법 |
KR20200126793A (ko) * | 2019-04-30 | 2020-11-09 | 이화여자대학교 산학협력단 | 동영상 학습 환경에서 학습자의 사전지식 및 과제복합성에 따른 인지부하 진단 장치 및 방법 |
KR20210026234A (ko) * | 2019-08-29 | 2021-03-10 | 박수경 | 인공지능 기반의 사용자 맞춤형 수학 교육 서비스를 제공하는 장치 및 방법 |
KR20230050281A (ko) * | 2020-04-27 | 2023-04-14 | 박지환 | 학업 스트레스 분석을 이용한 학습 효율 향상 시스템 |
KR20210058757A (ko) * | 2020-06-16 | 2021-05-24 | 바이두 온라인 네트웍 테크놀러지 (베이징) 캄파니 리미티드 | 중점 학습 내용 결정 방법, 장치, 기기 및 저장 매체 |
KR20230066969A (ko) * | 2021-11-08 | 2023-05-16 | 김성태 | 학습자 맞춤형 수학 교육 시스템 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Taves et al. | Experience as event: event cognition and the study of (religious) experiences | |
US11443645B2 (en) | Education reward system and method | |
US20130078598A1 (en) | Family and child account social networking | |
US20200152328A1 (en) | Cognitive analysis for identification of sensory issues | |
EP3655870A1 (en) | Systems and methods for dynamic user interaction for improving happiness | |
US11670190B1 (en) | Training apparatus using augmented and virtual reality | |
Rahman et al. | E mo A ssist: emotion enabled assistive tool to enhance dyadic conversation for the blind | |
KR102685550B1 (ko) | 인공 지능 기반 인지 및 언어 재활 훈련 세션의 동적 최적화 방법 및 이를 위한 장치 | |
KR102636079B1 (ko) | 학습자에게 맞춤형 수학 문제를 제공하기 위한 장치 및 방법 | |
KR102175751B1 (ko) | 보완 대체 의사소통을 위한 시계형 단말 및 그를 이용한 보완 대체 의사소통 제공 방법 | |
KR20240011843A (ko) | 학습자에게 맞춤형 수학 문제를 제공하기 위한 장치 및 방법 | |
AU2021348400B2 (en) | Audio-visual interaction with implanted devices | |
CA3233781A1 (en) | Mental health intervention using a virtual environment | |
KR20230122886A (ko) | 일기 분석을 기반으로 사용자의 감정을 관리하는 시스템 및 방법 | |
Teixeira et al. | AdaptO-Adaptive multimodal output | |
Yu et al. | COVES: A Cognitive-Affective Deep Model that Personalizes Math Problem Difficulty in Real Time and Improves Student Engagement with an Online Tutor | |
KR20200068057A (ko) | 인공지능 학습을 통해 자기 계발을 도와주는 방법 및 장치 | |
US20230088373A1 (en) | Progressive individual assessments using collected inputs | |
KR102692607B1 (ko) | 빅데이터를 이용하여 응시자에게 수학 경시 대회 문제를 제공하기 위한 장치 및 방법 | |
KR102651463B1 (ko) | 인공지능 기반 수강자 맞춤형 온라인 강의 콘텐츠 제작 및 교육 커리큘럼 제공 방법, 장치 및 시스템 | |
KR102492762B1 (ko) | 인공지능 기반 수강생 맞춤형 유학 교육 커리큘럼 제공 및 관리 방법, 장치 및 시스템 | |
US11862034B1 (en) | Variable content customization for coaching service | |
KR102366859B1 (ko) | 교육 콘텐츠 큐레이션 및 커리큘럼 제공 방법, 장치 및 시스템 | |
US20240282303A1 (en) | Automated customization engine | |
JP7541168B1 (ja) | レコメンド装置、レコメンド方法及びレコメンドプログラム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
E701 | Decision to grant or registration of patent right | ||
A107 | Divisional application of patent | ||
GRNT | Written decision to grant |