KR102636579B1 - 학습이력 및 메타정보 기반의 지식맵을 활용한 인공지능 튜터링 시스템 - Google Patents
학습이력 및 메타정보 기반의 지식맵을 활용한 인공지능 튜터링 시스템 Download PDFInfo
- Publication number
- KR102636579B1 KR102636579B1 KR1020220135193A KR20220135193A KR102636579B1 KR 102636579 B1 KR102636579 B1 KR 102636579B1 KR 1020220135193 A KR1020220135193 A KR 1020220135193A KR 20220135193 A KR20220135193 A KR 20220135193A KR 102636579 B1 KR102636579 B1 KR 102636579B1
- Authority
- KR
- South Korea
- Prior art keywords
- knowledge map
- learning
- knowledge
- unit
- concepts
- Prior art date
Links
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 29
- 238000000034 method Methods 0.000 claims abstract description 12
- 238000011156 evaluation Methods 0.000 claims description 53
- 238000010276 construction Methods 0.000 claims description 22
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 8
- 238000012800 visualization Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000013135 deep learning Methods 0.000 claims description 5
- 238000013138 pruning Methods 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 239000013598 vector Substances 0.000 claims description 3
- 239000002131 composite material Substances 0.000 claims description 2
- 238000012545 processing Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 6
- 238000005516 engineering process Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 3
- 230000014509 gene expression Effects 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 230000008918 emotional behaviour Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 235000015243 ice cream Nutrition 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000008450 motivation Effects 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000010287 polarization Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000010409 thin film Substances 0.000 description 1
- 230000000007 visual effect Effects 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—Systems or methods specially adapted for 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
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
Abstract
본 발명은 학습자의 제1 단말과 교사의 제2 단말을 원격 연결하여 비대면 환경에서의 상기 학습자의 학습과 상기 교사의 교수를 지원하기 위한 인공지능 튜터링 시스템에 있어서,
상기 제1,2 단말 및 웹, 외부 서버와 네트워크를 구축하여 통신하면서 상기 제1 단말로부터 획득되는 학습이력 데이터와 상기 외부 서버로부터 획득되는 메타 데이터를 기반으로, 임의의 지식컨셉(KC - Knowledge Concept) 단위로 진행하는 상기 학습자의 학습과정에서 존재하는 지식컨셉 간 선후행 관계가 반영된 지식맵을 구축하고, 상기 구축된 지식맵을 미리 지정된 학습관리용 데이터와 매칭시켜 상기 학습자의 향후 학습과 상기 교사의 향후 교수를 가이드하기 위한 커스터마이징 정보를 생성하며, 상기 커스터마이징정보에 따라 미리 설정된 알림신호를 출력하는 제어부; 및 상기 제1,2 단말에 구비되어, 상기 제어부로부터 출력된 알림신호에 따라 임의의 화면 상에 시각적으로 디스플레이하는 알림부를 포함하는 것을 특징으로 하여,
커스터마이징 정보 제공에 대해 보다 향상된 신뢰성을 달성할 수 있고, 이에 따라, 학습자 및 교사에게 향후 각각의 맞춤형 학습과 교수를 가이드하기 위한 관리환경을 보다 효율적으로 달성할 수 있는 효과가 있다.
상기 제1,2 단말 및 웹, 외부 서버와 네트워크를 구축하여 통신하면서 상기 제1 단말로부터 획득되는 학습이력 데이터와 상기 외부 서버로부터 획득되는 메타 데이터를 기반으로, 임의의 지식컨셉(KC - Knowledge Concept) 단위로 진행하는 상기 학습자의 학습과정에서 존재하는 지식컨셉 간 선후행 관계가 반영된 지식맵을 구축하고, 상기 구축된 지식맵을 미리 지정된 학습관리용 데이터와 매칭시켜 상기 학습자의 향후 학습과 상기 교사의 향후 교수를 가이드하기 위한 커스터마이징 정보를 생성하며, 상기 커스터마이징정보에 따라 미리 설정된 알림신호를 출력하는 제어부; 및 상기 제1,2 단말에 구비되어, 상기 제어부로부터 출력된 알림신호에 따라 임의의 화면 상에 시각적으로 디스플레이하는 알림부를 포함하는 것을 특징으로 하여,
커스터마이징 정보 제공에 대해 보다 향상된 신뢰성을 달성할 수 있고, 이에 따라, 학습자 및 교사에게 향후 각각의 맞춤형 학습과 교수를 가이드하기 위한 관리환경을 보다 효율적으로 달성할 수 있는 효과가 있다.
Description
본 발명은 학습자의 학습이력 및 메타정보를 기반으로 지식맵을 구축하고, 구축된 지식맵에 따라 향후 학습 및 교수를 가이드하기 위한 맞춤형 추천정보가 제공되도록 한 구성을 통해 추천정보 제공에 대해 보다 향상된 신뢰성을 달성할 수 있고, 이에 따라, 학습자 및 교사에게 향후 각각의 맞춤형 학습과 교수를 가이드하기 위한 관리환경을 보다 효율적으로 달성할 수 있는 학습이력 및 메타정보 기반의 지식맵을 활용한 인공지능 튜터링 시스템에 관한 것이다.
일반적으로, 인공지능(AI) 비서는 사용자가 발화하는 명령어의 의도를 파악해서 수행하고, 주변기기를 제어하는 음성 인터페이스의 편리성이 주요 특징인 반면, 인공지능 튜터링 시스템은 학습자에게 교사 및 강사의 개입이 필요한 상황을 스스로 파악하여 상황에 맞는 진단과 처방을 제공하는 맥락 중심의 능동적인 반응이 주요 특징이다.
현재, 이러한 인공지능 튜터링에 대한 기술이 포함된 국내 에듀테크(Education Technology)시장은 확대되고 있으나 그 성장세는 세계시장 대비 낮고, 영세사업자 비중이 높다.
예컨대, 소수의 대형사업자들에게 매출이 집중되는 한편, 전체 사업자 수의 절반을 차지하는 영세사업자의 매출은 1.6%에 불과해 산업 내 양극화가 존재하고, 이를 해결하기 위해 대형 에듀테크 기업은 기존 에듀테크 스타트업을 인수하여 인공지능 기술, 로봇기술을 활용한 서비스를 출시하며, 유망 에듀테크 스타트업을 직접 발굴 및 지원하며 새로운 기회를 모색하고 있다.
이에 따라, 에듀테크 스타트업은 기술력을 바탕으로 맞춤형 학습 서비스, 게임기반 학습, 외국어 교육, 코딩 교육 등 다양한 분야에서 성장하고 있으며, 학습자의 성취도, 학습이력 등 빅데이터를 분석해 학습능력을 진단하고 맞춤형 학습을 제공하는 AI(인공지능) 활용이 가장 두드러지게 나타나고 있다.
이러한 가운데, 종래 상용화되었던 맞춤형 학습 기술들은 학습 컨텐츠 간의 연계에 의존하거나, 틀린 문제의 개수를 단순하게 세어서 취약한 개념을 진단하는 정도에 그쳐, 학습자의 학습능력 진단이 정교하지 않은 문제점이 존재하였다.
또한, 현재의 기술로서는, 학습자의 학습결과에 대한 향후 관리를 진행하는데 있어서, 학습자의 학습영역별/단원별 이해수준(이해도)과 성향을 그대로 반영하여 딥러닝 기술 기반의 강화된 인공지능 학습과정 및 정확한 분석과정을 거친 학습/교수 가이드 시스템이 부재한 실정이다.
한편, 학습자가 임의의 지식컨셉(KC - Knowledge Concept) 단위로 학습을 진행한다고 가정할 때, 지식컨셉 간에는 선행 및 후행 관계가 존재하는데, 가령, 숫자에 대해 학습하고자 하는 경우, "한 자리 수"에 대한 지식은 "십의 자리 수"에 대한 지식보다 선행되어야 하는 것이 자명하며, 이러한 지식컨셉 간의 선후행 관계를 적절히 표현하기 위해서는 우선적으로 커리큘럼 전반에 대한 이해가 필요하다.
여기서, 커리큘럼 구성에 대한 이해는 커리큘럼에 대한 메타정보를 활용하여 학습할 수 있고, 학습자의 학습이력을 바탕으로 어떠한 순서로 학습하였을 때, 학습자의 이해도가 최대화되는지 추론할 수 있다.
하지만, 딥러닝이 아닌 전문가의 hand-engineering으로 구축된 지식맵(Knowledge Map)의 경우, 소모비용이 크고, 전문가들 사이에서도 각자가 중요시 하는 부분이 다르기 때문에 의견이 갈릴 우려가 있다.
따라서, 메타정보 및 학습자의 학습이력을 바탕으로 구축된 지식맵을 이용하여 상기와 같은 문제 해결에 도움을 줄 수 있을 뿐만 아니라, 향후 학습자 별 컨텐츠 추천 및 문항 추천 등에 활용될 수 있는 기술에 대한 니즈가 높아지는 실정이다.
따라서, 본 발명은 상기와 같은 문제점을 해결하기 위해 안출된 것으로서, 학습자의 학습이력 및 메타정보를 기반으로 지식맵을 구축하고, 구축된 지식맵에 따라 향후 학습 및 교수를 가이드하기 위한 맞춤형 추천정보가 제공되도록 한 구성을 통해 추천정보 제공에 대해 보다 향상된 신뢰성을 달성할 수 있고, 이에 따라, 학습자 및 교사에게 향후 각각의 맞춤형 학습과 교수를 가이드하기 위한 관리환경을 보다 효율적으로 달성할 수 있는 학습이력 및 메타정보 기반의 지식맵을 활용한 인공지능 튜터링 시스템을 제공하는데 목적이 있다.
다만, 본 발명에서 이루고자 하는 기술적 과제는 이상에서 언급한 기술적 과제들로 제한되지 않으며, 언급하지 않은 또 다른 기술적 과제들은 아래의 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
상기와 같은 목적을 달성하기 위한 기술적 수단인 본 발명은, 학습자의 제1 단말과 교사의 제2 단말을 원격 연결하여 비대면 환경에서의 상기 학습자의 학습과 상기 교사의 교수를 지원하기 위한 인공지능 튜터링 시스템에 있어서, 상기 제1,2 단말 및 웹, 외부 서버와 네트워크를 구축하여 통신하면서 상기 제1 단말로부터 획득되는 학습이력 데이터와 상기 외부 서버로부터 획득되는 메타 데이터를 기반으로, 임의의 지식컨셉(KC - Knowledge Concept) 단위로 진행하는 상기 학습자의 학습과정에서 존재하는 지식컨셉 간 선후행 관계가 반영된 지식맵을 구축하고, 상기 구축된 지식맵을 미리 지정된 학습관리용 데이터와 매칭시켜 상기 학습자의 향후 학습과 상기 교사의 향후 교수를 가이드하기 위한 커스터마이징 정보를 생성하며, 상기 커스터마이징정보에 따라 미리 설정된 알림신호를 출력하는 제어부; 및 상기 제1,2 단말에 구비되어, 상기 제어부로부터 출력된 알림신호에 따라 임의의 화면 상에 시각적으로 디스플레이하는 알림부를 포함할 수 있다.
또한, 상기 커스터마이징 정보는, 이해도 시각화, 추천 컨텐츠, 추천 평가문항 중 적어도 하나의 학습용/교수용 맞춤형 가이드에 대한 데이터를 포함할 수 있고, 상기 커스터마이징 정보 중 상기 이해도 시각화 데이터는, 해당 단원의 상호 관련있는 학습영역끼리 연결된 세포의 형태로 상기 알림부의 화면 상에 디스플레이될 수 있으며, 상기 세포를 이루는 각 학습영역은, 상기 지식맵에 대응하여 미리 설정된 색상으로 상기 알림부의 화면 상에 디스플레이될 수 있다.
상기 제어부는, 상기 제1 단말로부터 상기 학습자의 학습이력을 획득하여 데이터화하는 데이터 생성부; 상기 데이터 생성부에 의해 생성된 상기 학습이력 데이터를 기록하고, 상기 제2 단말에 의해 미리 지정된 학습관리용 데이터와 상기 외부 서버로부터 획득되는 메타 데이터를 저장하고 관리하는 데이터 베이스부; 상기 데이터 베이스부에 기록된 학습이력 데이터와 상기 저장된 메타 데이터를 기반으로, 미리 프로그래밍된 딥러닝 알고리즘을 이용하여, 임의의 지식컨셉 단위로 진행하는 상기 학습자의 학습이력에서 존재하는 지식컨셉 간 선후행 관계가 반영된 지식맵을 구축하는 지식맵 구축부; 및 상기 지식맵 구축부를 통해 구축된 지식맵을 상기 데이터 베이스부에 저장된 상기 학습관리용 데이터와 매칭시켜 상기 커스터마이징 정보를 생성하고, 상기 생성된 커스터마이징 정보에 대응하는 알림신호가 출력되도록 제어하는 알림신호 출력부를 포함할 수 있다.
또한, 상기 지식맵 구축부는, 상기 학습이력 데이터를 기반으로 상기 지식컨셉 간의 관계를 파악하기 위해서 Graph Neural Network(GNN)를 적용한 Graph-Based Knowledge Tracing(GKT) 모델을 학습하여, 학년-학기-단원-장으로 구성된 커리큘럼 아이디를 노드로 하는 초기 지식맵을 추출하고, 상기 커리큘럼 아이디를 단원 레벨에서 그룹핑하여 학년-학기-단원으로 처리하여 상기 그룹핑한 커리큘럼 아이디에 대한 요약 설명을 상기 메타 데이터를 활용하여 각 영어 문장으로 작성하며, 상기 각 영어 문장 간의 유사도(Sentence Similarity)를 사전학습(pre-trained) 모델을 활용하여 측정하되, 상기 각 영어 문장은 텐서(tensor)로 임베딩되어, 벡터(vector) 간의 거리를 측정하면서 상기 각 영어 문장 간의 유사도를 평가하는 지식맵 추출부; 상기 학습이력 내에 존재하는 상기 선후행 관계가 상기 지식맵 추출부에 의해 추출된 초기 지식맵에 적합하게 반영되었는지를 평가하는 제1 평가지표와, 상기 메타 데이터를 활용하여 상기 초기 지식맵이 실제로 합리적인지를 개념 간 주제 연관성(Topically Related - Semantic), 교과과정 상 밀접성(Coursework affinity), 개념 수준차이의 복합성(Complexity Level Difference) 및 이를 기반으로 연산한 종합점수(score)를 포함한 4가지 평가 카테고리로 평가하는 제2 평가지표를 통해 상기 초기 지식맵의 평가를 수행하는 지식맵 평가부; 및 상기 GKT 모델 학습을 통해 추출한 인접행렬과 상기 각 영어 문장 간의 유사도를 바탕으로 추출한 인접행렬을 조합(fusion)하고, 상기 지식맵 평가부에 의한 상기 종합점수를 바탕으로 가장 높은 종합점수의 초기 지식맵을 최종 지식맵으로 결정하는 지식맵 선정부를 포함할 수 있다.
또한, 상기 지식맵 평가부는, 상기 제1 평가지표와 관련하여, KC1이 KC2에 선행하는 지식컨셉을 의미하는 하기의 제1 계산식
을 통해 산출되는 ratio 값으로 상기 초기 지식맵의 평가를 수행하되, 상기 제1 계산식에서 상기 ratio 값이 상기 두 지식컨셉(KC1, KC2) 간의 선후행 관계가 로그(log) 상에서 얼마나 강하게 나타나는지를 의미하므로, 상기 ratio 값이 1보다 클수록 상기 두 지식컨셉이 강한 선후행 관계를 나타낸다고 예상하고, 상기 ratio 값이 1보다 작을수록 상기 두 지식컨셉이 선후행 관계로 이어져 있지 않다고 예상할 수 있으며, 상기 ratio 값의 산출을 위해 각 지식컨셉에 대한 정오답 확률 및 한 쌍을 이루는 지식컨셉에 대한 조건부 정오답 확률을 측정할 수 있다.
또한, 상기 지식맵 평가부는, 상기 제2 평가지표의 평가 카테고리 중 개념 간 주제 연관성과 관련하여, 두 개념이 서로 다른 주제를 다루는 경우, 선후행 관계로 이어져 있을 가능성은 낮다고 판단하고, 상기 제2 평가지표의 평가 카테고리 중 교과과정 상 밀접성과 관련하여, 선후행 관계로 이어진 지식컨셉 간의 교육과정 상 거리는 가까워야 한다고 전제하며, 상기 제2 평가지표의 평가 카테고리 중 개념 수준차이의 복합성과 관련하여, 유사한 주제를 가진 모든 개념 쌍에 전제 선후행 관계가 있는 것은 아니라고 전제하고, 상기 제2 평가지표의 평가 카테고리 중 종합점수와 관련하여, 하기의 제2 계산식
을 통해 상기 종합점수를 산출할 수 있다.
또한, 상기 지식맵 선정부는, 상기 GKT 모델 학습을 통해 추출한 인접행렬과 상기 각 영어 문장 간의 유사도를 바탕으로 추출한 인접행렬을 정규화(normalize)하고, 각 초기 지식맵의 종합점수에 대한 최소값을 0, 최대값을 1로 한정하여 조합하며, 프루닝(pruning) 처리를 통해 상기 최대값에 근접한 종합점수의 초기 지식맵을 정리하여 최종 지식맵으로 결정할 수 있다.
본 발명에 따른 학습이력 및 메타정보 기반의 지식맵을 활용한 인공지능 튜터링 시스템은, 학습자의 학습이력 데이터 및 메타 데이터를 기반으로 지식맵을 구축하고, 구축된 지식맵에 따라 향후 학습 및 교수를 가이드하기 위한 맞춤형 커스터마이징 정보가 제공되도록 한 구성을 통해 커스터마이징 정보 제공에 대해 보다 향상된 신뢰성을 달성할 수 있고, 이에 따라, 학습자 및 교사에게 향후 각각의 맞춤형 학습과 교수를 가이드하기 위한 관리환경을 보다 효율적으로 달성할 수 있는 효과가 있다.
다만, 본 발명에서 얻을 수 있는 효과는 이상에서 언급한 효과들로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 아래의 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
도 1은 본 발명의 실시예에 따른 학습이력 및 메타정보 기반의 지식맵을 활용한 인공지능 튜터링 시스템의 외부구성 및 사용예를 나타낸 도면.
도 2는 상기 인공지능 튜터링 시스템의 전자적인 구성을 개략적으로 나타낸 블록도.
도 3은 도 2에 따른 상기 인공지능 튜터링 시스템의 제어부에서 지식맵 구축부의 하위구성을 나타낸 개략적으로 블록도.
도 4는 도 3에 따른 상기 제어부의 지식맵 구축부가 실제로 구현되는 KMC(Knowledge Map Construction) 모델의 서비스 아키텍쳐를 예시적으로 나타낸 도면 및 이미지.
도 5는 도 3에 따른 상기 제어부의 지식맵 구축부에서 지식맵 선정부에 의한 데이터 정규화를 나타낸 이미지.
도 6은 도 3에 따른 상기 제어부의 지식맵 구축부에서 지식맵 선정부에 의한 데이터 조합을 나타낸 이미지.
도 7은 도 3에 따른 상기 제어부의 지식맵 구축부에서 지식맵 선정부에 의한 데이터 프루닝을 나타낸 이미지.
도 8은 본 발명과 관련하여, 상기 인공지능 튜터링 시스템의 제어부에 의한 커스터마이징 정보 중 이해도 시각화 데이터가 알림부에 디스플레이되는 일례를 나타낸 사용예시도.
도 2는 상기 인공지능 튜터링 시스템의 전자적인 구성을 개략적으로 나타낸 블록도.
도 3은 도 2에 따른 상기 인공지능 튜터링 시스템의 제어부에서 지식맵 구축부의 하위구성을 나타낸 개략적으로 블록도.
도 4는 도 3에 따른 상기 제어부의 지식맵 구축부가 실제로 구현되는 KMC(Knowledge Map Construction) 모델의 서비스 아키텍쳐를 예시적으로 나타낸 도면 및 이미지.
도 5는 도 3에 따른 상기 제어부의 지식맵 구축부에서 지식맵 선정부에 의한 데이터 정규화를 나타낸 이미지.
도 6은 도 3에 따른 상기 제어부의 지식맵 구축부에서 지식맵 선정부에 의한 데이터 조합을 나타낸 이미지.
도 7은 도 3에 따른 상기 제어부의 지식맵 구축부에서 지식맵 선정부에 의한 데이터 프루닝을 나타낸 이미지.
도 8은 본 발명과 관련하여, 상기 인공지능 튜터링 시스템의 제어부에 의한 커스터마이징 정보 중 이해도 시각화 데이터가 알림부에 디스플레이되는 일례를 나타낸 사용예시도.
이하에서는, 첨부한 도면을 참고로 하여 본 발명의 실시예에 대하여 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 그러나 본 발명에 관한 설명은 구조적 내지 기능적 설명을 위한 실시예에 불과하므로, 본 발명의 권리범위는 본문에 설명된 실시예에 의하여 제한되는 것으로 해석되어서는 아니 된다. 즉, 실시예는 다양한 변경이 가능하고 여러 가지 형태를 가질 수 있으므로 본 발명의 권리범위는 기술적 사상을 실현할 수 있는 균등물들을 포함하는 것으로 이해되어야 한다. 또한, 본 발명에서 제시된 목적 또는 효과는 특정 실시예가 이를 전부 포함하여야 한다거나 그러한 효과만을 포함하여야 한다는 의미는 아니므로, 본 발명의 권리범위는 이에 의하여 제한되는 것으로 이해되어서는 아니 될 것이다.
본 발명에서 서술되는 용어의 의미는 다음과 같이 이해되어야 할 것이다.
"제1", "제2" 등의 용어는 하나의 구성요소를 다른 구성요소로부터 구별하기 위한 것으로, 이들 용어들에 의해 권리범위가 한정되어서는 아니 된다. 예를 들어, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 명명될 수 있다. 어떤 구성요소가 다른 구성요소에 "연결되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결될 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다고 언급된 때에는 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다. 한편, 구성요소들 간의 관계를 설명하는 다른 표현들, 즉 "~사이에"와 "바로 ~사이에" 또는 "~에 이웃하는"과 "~에 직접 이웃하는" 등도 마찬가지로 해석되어야 한다.
단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한 복수의 표현을 포함하는 것으로 이해되어야 하고, "포함하다" 또는 "가지다" 등의 용어는 설시된 특징, 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함을 지정하려는 것이며, 하나 또는 그 이상의 다른 특징이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
여기서 사용되는 모든 용어들은 다르게 정의되지 않는 한, 본 발명이 속하는 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가진다. 일반적으로 사용되는 사전에 정의되어 있는 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 것으로 해석되어야 하며, 본 발명에서 명백하게 정의하지 않는 한 이상적이거나 과도하게 형식적인 의미를 지니는 것으로 해석될 수 없다.
도 1은 본 발명의 실시예에 따른 학습이력 및 메타정보 기반의 지식맵을 활용한 인공지능 튜터링 시스템의 외부구성 및 사용예를 나타낸 도면이고, 도 2는 상기 인공지능 튜터링 시스템의 전자적인 구성을 개략적으로 나타낸 블록도이며, 도 3은 도 2에 따른 상기 인공지능 튜터링 시스템의 제어부에서 지식맵 구축부의 하위구성을 나타낸 개략적으로 블록도이고, 도 4는 도 3에 따른 상기 제어부의 지식맵 구축부가 실제로 구현되는 KMC(Knowledge Map Construction) 모델의 서비스 아키텍쳐를 예시적으로 나타낸 도면 및 이미지이며, 도 5는 도 3에 따른 상기 제어부의 지식맵 구축부에서 지식맵 선정부에 의한 데이터 정규화를 나타낸 이미지이고, 도 6은 도 3에 따른 상기 제어부의 지식맵 구축부에서 지식맵 선정부에 의한 데이터 조합을 나타낸 이미지이며, 도 7은 도 3에 따른 상기 제어부의 지식맵 구축부에서 지식맵 선정부에 의한 데이터 프루닝을 나타낸 이미지이고, 도 8은 본 발명과 관련하여, 상기 인공지능 튜터링 시스템의 제어부에 의한 커스터마이징 정보 중 이해도 시각화 데이터가 알림부에 디스플레이되는 일례를 나타낸 사용예시도이다.
도 1 및 도 2에 도시한 바와 같이, 본 발명에 따른 학습이력 및 메타정보 기반의 지식맵을 활용한 인공지능 튜터링 시스템(100)은 제1 단말(110), 제2 단말(120), 웹(130), 외부 서버(140), 제어부(150) 및 알림부(160)를 포함하여 구성할 수 있다.
단, 도 1 및 도 2에 도시된 구성요소들이 본 발명을 위해 필수적인 최소한의 구성일뿐, 이보다 더 부가적인 구성요소들을 갖는 인공지능 튜터링 시스템이 구현될 수 있다.
상기 제1 단말(110)은 키보드, 패드, 마우스 등 다양한 공지의 입력기기(미도시)를 포함하여 구성된 것으로, 본 발명의 바람직한 실시예에 따르면, 학습자(L)에게 위치하여 상기 학습자(L)의 학습이력이 웹(130), 외부 서버(140) 및 제어부(150)에 입력되도록 하는 입력환경을 제공한다.
또한, 상기 제2 단말(120)은 상술한 제1 단말(110)과 원격 통신할 수 있도록 구성된 것으로, 그 구성요소는 상기 제1 단말(110)과 동일하게 가질 수 있으며, 본 발명에 따르면, 교사(T)에게 위치하여 상기 교사(T)가 후술될 학습관리용 데이터를 상기 웹(130), 외부 서버(140) 및 제어부(150)에 입력시킬 수 있는 입력환경을 제공한다.
여기서, 상기 제1,2 단말(110, 120)은 복수개로 구성될 수도 있으며, 바람직하게는, 태블릿이 적용될 수 있으나, 이에 한정되지 않고, PC, 스마트폰 등이 적용될 수 있다.
이러한 상기 제1,2 단말(110, 120)의 구성은 일반적으로 게재된 통상의 단말장치에 해당하므로, 세부 구성은 도면에 미도시 하였음은 물론, 그에 대한 더 구체적인 설명은 생략하기로 한다.
상기 웹(130)은 텍스트, 그래픽, 이미지, 음향, 비디오 등 다양한 멀티미디어를 지원할 수 있도록 구성된 인터넷 서비스로서, 본 발명에 따르면, 상기 제1,2 단말(110, 120)과 연결되어 상기 제1,2 단말(110, 120)을 각각 이용하는 학습자(L) 및 교사(T)에게 다양한 공지의 교육용 컨텐츠가 제공되도록 구성할 수 있다.
상기 외부 서버(140)는 상술한 웹(130)에 대응되도록 구성되어 상기 제1,2 단말(110, 120), 웹(130) 및 제어부(150)와 네트워크를 형성하는 것이 바람직하고, 상기 웹(130)과 연동하여 제어부(150)에 미리 설정된 프로그램을 서비스하는 기능을 수행한다.
여기서, 상기 프로그램은 교육과 관련된 각종 메타 데이터로 이루어진 교육용 프로그램일 수 있으며, 이는 공지의 기술로서, 해당관련분야의 통상지식을 가진 당업자에 의해 자유롭게 변경설계될 수 있음은 물론이다.
상기 제어부(150)는 도 4를 참조하여, 상기 제1,2 단말(110, 120) 및 웹(130), 외부 서버(140)와 네트워크를 구축하여 통신하면서 상기 제1 단말(110)로부터 획득되는 학습이력 데이터와 상기 외부 서버(140)로부터 획득되는 메타 데이터를 기반으로, 임의의 지식컨셉(KC - Knowledge Concept) 단위로 진행하는 상기 학습자(L)의 학습과정에서 존재하는 지식컨셉 간 선후행 관계가 반영된 지식맵을 구축하고, 상기 구축된 지식맵을 미리 지정된 학습관리용 데이터와 매칭시켜 상기 학습자(L)의 향후 학습과 상기 교사(T)의 향후 교수를 가이드하기 위한 커스터마이징 정보를 생성하며, 상기 커스터마이징정보에 따라 미리 설정된 알림신호를 출력하는 기능을 수행한다.
이러한 상기 제어부(150)는 좀 더 구체적으로, 상기 제1 단말(110)로부터 상기 학습자(L)의 학습이력을 획득하여 데이터화하는 데이터 생성부(151); 상기 데이터 생성부(151)에 의해 생성된 상기 학습이력의 데이터를 기록하고, 상기 제2 단말(120)에 의해 미리 지정된 학습관리용 데이터와 상기 외부 서버(140)로부터 획득되는 메타 데이터를 저장하고 관리하는 데이터 베이스부(152); 상기 데이터 베이스부(152)에 기록된 학습이력 데이터와 상기 저장된 메타 데이터를 기반으로, 미리 프로그래밍된 딥러닝 알고리즘을 이용하여, 임의의 지식컨셉 단위로 진행하는 상기 학습자(L)의 학습이력에서 존재하는 지식컨셉 간 선후행 관계가 반영된 지식맵을 구축하는 지식맵 구축부(153); 및 상기 지식맵 구축부(153)를 통해 구축된 지식맵을 상기 데이터 베이스부(152)에 저장된 상기 학습관리용 데이터와 매칭시켜 상기 커스터마이징 정보를 생성하고, 상기 생성된 커스터마이징 정보에 대응하는 알림신호가 출력되도록 제어하는 알림신호 출력부(154)를 포함하여 구성될 수 있다.
여기서, 상기 학습관리용 데이터는 실시간 단위적으로 변화하는 상기 학습자(L)의 학습이력에 대응되도록 구성하여, 상기 교사(T)가 학습자(L)의 학습관리를 위한 지표가 되는 데이터로서, 상기 교사(T)가 사용하는 제2 단말(120)의 입력기기(미도시)를 통해 입력되면서 미리 지정될 수 있으며, 상기 웹(130) 및 외부 서버(140)에도 입력되어 미리 지정될 수 있다.
이때, 상기 학습관리용 데이터는 학습과정에서 발생하는 학습행동과 패턴, 교과 이해수준, 학습량의 기간별 총량과 패턴, 성적의 통계적 분포 및 추이와 원인 그리고 그에 대한 처방 등을 정량화한 데이터, 학습 3종(학습전략, 학습동기, 학습 부적응), 진로/적성 1종(흥미, 적성), 성격/인성 4종(대인 환경, 학업 스트레스, 자존감, 정서행동) 총 8종의 정서에 대한 진단검사 유형을 기록한 데이터 등을 포함하는 것이 바람직하다.
이러한 상기 학습관리용 데이터는 본 발명에 따르면, 국제표준(IMS Caliper) 기반으로 정량화될 수 있고, 상기 웹(130) 또는 외부 서버(140)에서 현재 상용화되고 있는 AI 분석 서비스 프로그램 "홈런 AI 생활기록부" 의 공유를 통해 추출될 수도 있으며, 본 발명의 기술적 범위 내에서 해당관련분야의 당업자에 의해 다양하게 변경설계가 가능함은 물론이다.
상기 홈런 AI 생활기록부는 (주)아이스크림에듀에서 제공하는 학습 분석 서비스로서, IMS Global Learning Consortium에서 IMS Caliper Analytics 1.1 표준 인증을 받았으며, 학습자(L)의 학습현황, 학습패턴, 공부습관 등을 분석하여 월별로 요약하여 e포트폴리오 형태의 시각적 자료로 학습자(L) 및 교사(T)에게 제공하는 기술이다.
나아가, 상기 커스터마이징 정보는 이해도 시각화, 추천 컨텐츠, 추천 평가문항 중 적어도 하나의 학습용/교수용 맞춤형 가이드에 대한 데이터를 포함할 수 있고, 상기 커스터마이징 정보 중 상기 이해도 시각화 데이터는 도 8에 나타낸 바와 같이, 해당 단원의 상호 관련있는 학습영역끼리 연결된 세포의 형태로 후술될 알림부(160)의 화면 상에 디스플레이될 수 있으며, 상기 세포를 이루는 각 학습영역은 상기 지식맵에 대응하여 미리 설정된 색상으로 상기 알림부(160)의 화면 상에 디스플레이될 수 있다.
한편, 본 발명에 의하면, 상기 지식맵 구축부(153)는 도 3을 참조하여, 좀 더 구체적으로, 지식맵 추출부(153a), 지식맵 평가부(153b) 및 지식맵 선정부(153c)를 포함하여 구성될 수 있다.
상기 지식맵 추출부(153a)는 상기 학습이력 데이터를 기반으로 상기 지식컨셉 간의 관계를 파악하기 위해서 Graph Neural Network(GNN)를 적용한 Graph-Based Knowledge Tracing(GKT) 모델을 학습하여, 학년-학기-단원-장으로 구성된 커리큘럼 아이디를 노드로 하는 초기 지식맵을 추출하고, 상기 커리큘럼 아이디를 단원 레벨에서 그룹핑하여 학년-학기-단원으로 처리하여 상기 그룹핑한 커리큘럼 아이디에 대한 요약 설명을 상기 메타 데이터를 활용하여 각 영어 문장으로 작성하며, 상기 각 영어 문장 간의 유사도(Sentence Similarity)를 사전학습(pre-trained) 모델을 활용하여 측정하되, 상기 각 영어 문장은 텐서(tensor)로 임베딩되어, 벡터(vector) 간의 거리를 측정하면서 상기 각 영어 문장 간의 유사도를 평가하는 기능을 수행한다.
상기 지식맵 평가부(153b)는 상기 학습이력 내에 존재하는 선후행 관계가 상기 지식맵 추출부(153a)에 의해 추출된 초기 지식맵에 적합하게 반영되었는지를 평가하는 제1 평가지표와, 상기 메타 데이터를 활용하여 상기 초기 지식맵이 실제로 합리적인지를 개념 간 주제 연관성(Topically Related - Semantic), 교과과정 상 밀접성(Coursework affinity), 개념 수준차이의 복합성(Complexity Level Difference) 및 이를 기반으로 연산한 종합점수(score)를 포함한 4가지 평가 카테고리로 평가하는 제2 평가지표를 통해 상기 초기 지식맵의 평가를 수행하는 기능을 수행한다.
여기서, 상기 지식맵 평가부(153b)는 상술한 제1 평가지표와 관련하여, KC1이 KC2에 선행하는 지식컨셉을 의미하는 하기의 제1 계산식
을 통해 산출되는 ratio 값으로 상기 초기 지식맵의 평가를 수행하되, 상기 제1 계산식에서 상기 ratio 값이 상기 두 지식컨셉(KC1, KC2) 간의 선후행 관계가 로그(log) 상에서 얼마나 강하게 나타나는지를 의미하므로, 상기 ratio 값이 1보다 클수록 상기 두 지식컨셉이 강한 선후행 관계를 나타낸다고 예상하고, 상기 ratio 값이 1보다 작을수록 상기 두 지식컨셉이 선후행 관계로 이어져 있지 않다고 예상할 수 있으며, 상기 ratio 값의 산출을 위해 각 지식컨셉에 대한 정오답 확률 및 한 쌍을 이루는 지식컨셉에 대한 조건부 정오답 확률을 측정하는 것이 바람직하다.
또한, 상기 지식맵 평가부(153b)는 상술한 제2 평가지표의 평가 카테고리 중 개념 간 주제 연관성과 관련하여, 두 개념이 서로 다른 주제를 다루는 경우, 선후행 관계로 이어져 있을 가능성은 낮다고 판단하고, 상기 제2 평가지표의 평가 카테고리 중 교과과정 상 밀접성과 관련하여, 선후행 관계로 이어진 지식컨셉 간의 교육과정 상 거리는 가까워야 한다고 전제하며, 상기 제2 평가지표의 평가 카테고리 중 개념 수준차이의 복합성과 관련하여, 유사한 주제를 가진 모든 개념 쌍에 전제 선후행 관계가 있는 것은 아니라고 전제하고, 상기 제2 평가지표의 평가 카테고리 중 종합점수와 관련하여, 하기의 제2 계산식
을 통해 상기 종합점수를 산출하도록 구성되는 것이 바람직하고, 상기 α, β, γ는 교사가 상기 주제 연관성, 교과과정 상 밀접성 및 개념 수준차이의 복합성의 각각에 대한 가중치를 설정하는 값인 것이 바람직하다.
이러한 상기 가중치의 설정은 관련된 실험 및 데이터의 특성 등에 근거하여 상기 교사에 의해 미리 이루어질 수 있다.
이러한 상기 가중치의 설정은 관련된 실험 및 데이터의 특성 등에 근거하여 상기 교사에 의해 미리 이루어질 수 있다.
상기 지식맵 선정부(153c)는 상술한 GKT 모델 학습을 통해 추출한 인접행렬과 상기 각 영어 문장 간의 유사도를 바탕으로 추출한 인접행렬을 조합(fusion)하고, 상기 지식맵 평가부(153b)에 의한 상기 종합점수를 바탕으로 가장 높은 종합점수의 초기 지식맵을 최종 지식맵으로 결정하는 기능을 수행한다.
예컨대, 상기 지식맵 선정부(153c)는 도 5에 도시된 바와 같이, 상기 GKT 모델 학습을 통해 추출한 인접행렬과 상기 각 영어 문장 간의 유사도를 바탕으로 추출한 인접행렬을 정규화(normalize)하고, 도 6에 도시된 바와 같이, 각 초기 지식맵의 종합점수에 대한 최소값을 0, 최대값을 1로 한정하여 조합하며, 도 7에 도시된 바와 같이, 프루닝(pruning) 처리를 통해 상기 최대값에 근접한 종합점수의 초기 지식맵을 정리하여 최종 지식맵으로 결정하도록 구성되는 것이 바람직하다.
상기 알림부(160)는 제어부(150)의 알림신호 출력부(154)로부터 출력되는 알림신호에 따라 미리 설정된 텍스트와 이미지를 임의의 화면 상에 시각적으로 디스플레이하는 것으로, 바람직하게는, 상기 학습자(L)의 제1 단말(110), 상기 교사(T)의 제2 단말(120)에 각각 구비되도록 구성하는 것이 바람직하다.
이러한 상기 알림부(160)는 액정 디스플레이(liquid crystal display, LCD), 박막 트랜지스터 액정 디스플레이(thin film transistor-liquid crystal display, TFT LCD), 유기 발광 다이오드(organic light-emitting diode, OLED), 플렉시블 디스플레이(flexible display), 3차원 디스플레이(3D display) 중에서 적어도 하나를 포함하여 구성될 수 있다.
상술한 바와 같이 개시된 본 발명의 바람직한 실시예들에 대한 상세한 설명은 당업자가 본 발명을 구현하고 실시할 수 있도록 제공되었다. 상기에서는 본 발명의 바람직한 실시예들을 참조하여 설명하였지만, 해당 기술 분야의 숙련된 당업자는 본 발명의 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다. 예를 들어, 당업자는 상술한 실시예들에 기재된 각 구성을 서로 조합하는 방식으로 이용할 수 있다. 따라서, 본 발명은 여기에 나타난 실시형태들에 제한되려는 것이 아니라, 여기서 개시된 원리들 및 신규한 특징들과 일치하는 최광의 범위를 부여하려는 것이다.
본 발명은 본 발명의 정신 및 필수적 특징을 벗어나지 않는 범위에서 다른 특정한 형태로 구체화될 수 있다. 따라서, 상기의 상세한 설명은 모든 면에서 제한적으로 해석되어서는 아니 되고 예시적인 것으로 고려되어야 한다. 본 발명의 범위는 첨부된 청구항의 합리적 해석에 의해 결정되어야 하고, 본 발명의 등가적 범위 내에서의 모든 변경은 본 발명의 범위에 포함된다. 본 발명은 여기에 나타난 실시형태들에 제한되려는 것이 아니라, 여기서 개시된 원리들 및 신규한 특징들과 일치하는 최광의 범위를 부여하려는 것이다. 또한, 특허청구범위에서 명시적인 인용 관계가 있지 않은 청구항들을 결합하여 실시예를 구성하거나 출원 후의 보정에 의해 새로운 청구항으로 포함할 수 있다.
100 : 인공지능 튜터링 시스템
110 : 제1 단말
120 : 제2 단말
130 : 웹
140 : 외부 서버
150 : 제어부
151 : 데이터 생성부
152 : 데이터 베이스부
153 : 지식맵 구축부
153a : 지식맵 추출부
153b : 지식맵 평가부
153c : 지식맵 선정부
154 : 알림신호 출력부
160 : 알림부
L : 학습자
T : 교사
110 : 제1 단말
120 : 제2 단말
130 : 웹
140 : 외부 서버
150 : 제어부
151 : 데이터 생성부
152 : 데이터 베이스부
153 : 지식맵 구축부
153a : 지식맵 추출부
153b : 지식맵 평가부
153c : 지식맵 선정부
154 : 알림신호 출력부
160 : 알림부
L : 학습자
T : 교사
Claims (7)
- 학습자의 제1 단말과 교사의 제2 단말을 원격 연결하여 비대면 환경에서의 상기 학습자의 학습과 상기 교사의 교수를 지원하기 위한 인공지능 튜터링 시스템에 있어서,
상기 제1,2 단말 및 웹, 외부 서버와 네트워크를 구축하여 통신하면서 상기 제1 단말로부터 획득되는 학습이력 데이터와 상기 외부 서버로부터 획득되는 메타 데이터를 기반으로, 임의의 지식컨셉(KC - Knowledge Concept) 단위로 진행하는 상기 학습자의 학습과정에서 존재하는 지식컨셉 간 선후행 관계가 반영된 지식맵을 구축하고, 상기 구축된 지식맵을 미리 지정된 학습관리용 데이터와 매칭시켜 상기 학습자의 향후 학습과 상기 교사의 향후 교수를 가이드하기 위한 커스터마이징 정보를 생성하며, 상기 커스터마이징정보에 따라 미리 설정된 알림신호를 출력하는 제어부; 및
상기 제1,2 단말에 구비되어, 상기 제어부로부터 출력된 알림신호에 따라 임의의 화면 상에 시각적으로 디스플레이하는 알림부를 포함하되,
상기 커스터마이징 정보는,
이해도 시각화, 추천 컨텐츠, 추천 평가문항 중 적어도 하나의 학습용/교수용 맞춤형 가이드에 대한 데이터를 포함하는 것을 특징으로 하고,
상기 커스터마이징 정보 중 상기 이해도 시각화 데이터는,
해당 단원의 상호 관련있는 학습영역끼리 연결된 세포의 형태로 상기 알림부의 화면 상에 디스플레이되는 것을 특징으로 하며,
상기 세포를 이루는 각 학습영역은,
상기 지식맵에 대응하여 미리 설정된 색상으로 상기 알림부의 화면 상에 디스플레이되는 것을 특징으로 하고,
상기 제어부는,
상기 제1 단말로부터 상기 학습자의 학습이력을 획득하여 데이터화하는 데이터 생성부;
상기 데이터 생성부에 의해 생성된 상기 학습이력 데이터를 기록하고, 상기 제2 단말에 의해 미리 지정된 학습관리용 데이터와 상기 외부 서버로부터 획득되는 메타 데이터를 저장하고 관리하는 데이터 베이스부;
상기 데이터 베이스부에 기록된 학습이력 데이터와 상기 저장된 메타 데이터를 기반으로, 미리 프로그래밍된 딥러닝 알고리즘을 이용하여, 임의의 지식컨셉 단위로 진행하는 상기 학습자의 학습이력에서 존재하는 지식컨셉 간 선후행 관계가 반영된 지식맵을 구축하는 지식맵 구축부; 및
상기 지식맵 구축부를 통해 구축된 지식맵을 상기 데이터 베이스부에 저장된 상기 학습관리용 데이터와 매칭시켜 상기 커스터마이징 정보를 생성하고, 상기 생성된 커스터마이징 정보에 대응하는 알림신호가 출력되도록 제어하는 알림신호 출력부를 포함하는 것을 특징으로 하며,
상기 지식맵 구축부는,
상기 학습이력 데이터를 기반으로 상기 지식컨셉 간의 관계를 파악하기 위해서 Graph Neural Network(GNN)를 적용한 Graph-Based Knowledge Tracing(GKT) 모델을 학습하여, 학년-학기-단원-장으로 구성된 커리큘럼 아이디를 노드로 하는 초기 지식맵을 추출하고, 상기 커리큘럼 아이디를 단원 레벨에서 그룹핑하여 학년-학기-단원으로 처리하여 상기 그룹핑한 커리큘럼 아이디에 대한 요약 설명을 상기 메타 데이터를 활용하여 각 영어 문장으로 작성하며, 상기 각 영어 문장 간의 유사도(Sentence Similarity)를 사전학습(pre-trained) 모델을 활용하여 측정하되, 상기 각 영어 문장은 텐서(tensor)로 임베딩되어, 벡터(vector) 간의 거리를 측정하면서 상기 각 영어 문장 간의 유사도를 평가하는 지식맵 추출부;
상기 학습이력 내에 존재하는 상기 선후행 관계가 상기 지식맵 추출부에 의해 추출된 초기 지식맵에 적합하게 반영되었는지를 평가하는 제1 평가지표와, 상기 메타 데이터를 활용하여 상기 초기 지식맵이 실제로 합리적인지를 개념 간 주제 연관성(Topically Related - Semantic), 교과과정 상 밀접성(Coursework affinity), 개념 수준차이의 복합성(Complexity Level Difference) 및 이를 기반으로 연산한 종합점수(score)를 포함한 4가지 평가 카테고리로 평가하는 제2 평가지표를 통해 상기 초기 지식맵의 평가를 수행하는 지식맵 평가부; 및
상기 GKT 모델 학습을 통해 추출한 인접행렬과 상기 각 영어 문장 간의 유사도를 바탕으로 추출한 인접행렬을 조합(fusion)하고, 상기 지식맵 평가부에 의한 상기 종합점수를 바탕으로 가장 높은 종합점수의 초기 지식맵을 최종 지식맵으로 결정하는 지식맵 선정부를 포함하는 것을 특징으로 하고,
상기 지식맵 평가부는,
상기 제1 평가지표와 관련하여, KC1이 KC2에 선행하는 지식컨셉을 의미하는 하기의 제1 계산식
을 통해 산출되는 ratio 값으로 상기 초기 지식맵의 평가를 수행하되,
상기 제1 계산식에서 상기 ratio 값이 상기 두 지식컨셉(KC1, KC2) 간의 선후행 관계가 로그(log) 상에서 얼마나 강하게 나타나는지를 의미하므로, 상기 ratio 값이 1보다 클수록 상기 두 지식컨셉이 강한 선후행 관계를 나타낸다고 예상하고, 상기 ratio 값이 1보다 작을수록 상기 두 지식컨셉이 선후행 관계로 이어져 있지 않다고 예상하는 것을 특징으로 하며,
상기 ratio 값의 산출을 위해 각 지식컨셉에 대한 정오답 확률 및 한 쌍을 이루는 지식컨셉에 대한 조건부 정오답 확률을 측정하는 것을 특징으로 하는 학습이력 및 메타정보 기반의 지식맵을 활용한 인공지능 튜터링 시스템.
- 삭제
- 삭제
- 삭제
- 삭제
- 제 1 항에 있어서,
상기 지식맵 평가부는,
상기 제2 평가지표의 평가 카테고리 중 개념 간 주제 연관성과 관련하여,
두 개념이 서로 다른 주제를 다루는 경우, 선후행 관계로 이어져 있을 가능성은 낮다고 판단하고,
상기 제2 평가지표의 평가 카테고리 중 교과과정 상 밀접성과 관련하여,
선후행 관계로 이어진 지식컨셉 간의 교육과정 상 거리는 가까워야 한다고 전제하며,
상기 제2 평가지표의 평가 카테고리 중 개념 수준차이의 복합성과 관련하여,
유사한 주제를 가진 모든 개념 쌍에 전제 선후행 관계가 있는 것은 아니라고 전제하고,
상기 제2 평가지표의 평가 카테고리 중 종합점수와 관련하여, 하기의 제2 계산식
을 통해 상기 종합점수를 산출하는 것을 특징으로 하며,
상기 α, β, γ는,
상기 교사가 상기 주제 연관성, 교과과정 상 밀접성 및 개념 수준차이의 복합성의 각각에 대한 가중치를 설정하는 값인 것을 특징으로 하는 학습이력 및 메타정보 기반의 지식맵을 활용한 인공지능 튜터링 시스템.
- 제 6 항에 있어서,
상기 지식맵 선정부는,
상기 GKT 모델 학습을 통해 추출한 인접행렬과 상기 각 영어 문장 간의 유사도를 바탕으로 추출한 인접행렬을 정규화(normalize)하고, 각 초기 지식맵의 종합점수에 대한 최소값을 0, 최대값을 1로 한정하여 조합하며, 프루닝(pruning) 처리를 통해 상기 최대값에 근접한 종합점수의 초기 지식맵을 정리하여 최종 지식맵으로 결정하는 것을 특징으로 하는 학습이력 및 메타정보 기반의 지식맵을 활용한 인공지능 튜터링 시스템.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220135193A KR102636579B1 (ko) | 2022-10-19 | 2022-10-19 | 학습이력 및 메타정보 기반의 지식맵을 활용한 인공지능 튜터링 시스템 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220135193A KR102636579B1 (ko) | 2022-10-19 | 2022-10-19 | 학습이력 및 메타정보 기반의 지식맵을 활용한 인공지능 튜터링 시스템 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102636579B1 true KR102636579B1 (ko) | 2024-02-16 |
Family
ID=90056037
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020220135193A KR102636579B1 (ko) | 2022-10-19 | 2022-10-19 | 학습이력 및 메타정보 기반의 지식맵을 활용한 인공지능 튜터링 시스템 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102636579B1 (ko) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102056822B1 (ko) | 2017-05-04 | 2019-12-17 | 주식회사 매스프레소 | 학습 서비스 제공 방법 및 그 장치 |
| KR20220010109A (ko) * | 2020-07-17 | 2022-01-25 | 윤종식 | 무료 학습 큐레이션 서비스를 제공하는 서버 및 방법 |
| KR102383458B1 (ko) * | 2021-08-17 | 2022-04-11 | 주식회사 아이스크림에듀 | 학습결과에 대한 관리를 지원하는 능동형 인공지능 튜터링 시스템 |
| KR102428819B1 (ko) * | 2021-06-29 | 2022-08-04 | 주식회사 대교 | 학습자 지식맵을 이용한 학습 콘텐츠 제공방법 및 장치 |
| KR20220113284A (ko) * | 2021-02-05 | 2022-08-12 | 주식회사 위두커뮤니케이션즈 | 지식맵의 업데이트 방법 및 시스템 |
-
2022
- 2022-10-19 KR KR1020220135193A patent/KR102636579B1/ko active IP Right Grant
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102056822B1 (ko) | 2017-05-04 | 2019-12-17 | 주식회사 매스프레소 | 학습 서비스 제공 방법 및 그 장치 |
| KR20220010109A (ko) * | 2020-07-17 | 2022-01-25 | 윤종식 | 무료 학습 큐레이션 서비스를 제공하는 서버 및 방법 |
| KR20220113284A (ko) * | 2021-02-05 | 2022-08-12 | 주식회사 위두커뮤니케이션즈 | 지식맵의 업데이트 방법 및 시스템 |
| KR102428819B1 (ko) * | 2021-06-29 | 2022-08-04 | 주식회사 대교 | 학습자 지식맵을 이용한 학습 콘텐츠 제공방법 및 장치 |
| KR102383458B1 (ko) * | 2021-08-17 | 2022-04-11 | 주식회사 아이스크림에듀 | 학습결과에 대한 관리를 지원하는 능동형 인공지능 튜터링 시스템 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Perry et al. | The improvement science dissertation in practice: A guide for faculty, committee members, and their students | |
| Alkhatlan et al. | Intelligent tutoring systems: A comprehensive historical survey with recent developments | |
| Pérez-López et al. | Applying the social cognitive model of career self-management to the entrepreneurial career decision: The role of exploratory and coping adaptive behaviours | |
| Chrysafiadi et al. | Student modeling approaches: A literature review for the last decade | |
| Mislevy et al. | Design and discovery in educational assessment: Evidence-centered design, psychometrics, and educational data mining | |
| Berland et al. | Educational data mining and learning analytics: Applications to constructionist research | |
| Harel | A DNR perspective on mathematics curriculum and instruction. Part II: with reference to teacher’s knowledge base | |
| Woolf | A roadmap for education technology | |
| CN102598085B (zh) | 用于生成、递送和管理教育资料的系统和方法 | |
| Nelson et al. | The Responsive Environmental Assessment for Classroom Teaching (REACT): The dimensionality of student perceptions of the instructional environment. | |
| Spector | Emerging educational technologies: Tensions and synergy | |
| KR102538340B1 (ko) | 학습 이해도에 대한 진단을 지원하는 인공지능 튜터링 시스템 | |
| Kay et al. | Enhancing learning by Open Learner Model (OLM) driven data design | |
| US20210158714A1 (en) | Method and Apparatus for Inquiry Driven Learning | |
| Chen et al. | A decade of learning analytics: Structural topic modeling based bibliometric analysis | |
| Vaughn et al. | Student agency in literacy: Validation of the student agency profile (StAP) | |
| Burin et al. | Expository multimedia comprehension in E‐learning: Presentation format, verbal ability and working memory capacity | |
| Kim et al. | Using graph centrality as a global index to assess students’ mental model structure development during summary writing | |
| Brawner et al. | Recommendations for modern tools to author tutoring systems | |
| Rowe et al. | Toward simulated students for reinforcement learning-driven tutorial planning in gift | |
| Mazza | Using information visualisation to facilitate instructors in web-based distance learning | |
| Clark et al. | Constructing and evaluating a validation argument for a next-generation alternate assessment | |
| KR102636579B1 (ko) | 학습이력 및 메타정보 기반의 지식맵을 활용한 인공지능 튜터링 시스템 | |
| Mu et al. | Research on a personalized learning path recommendation system based on cognitive graph with a cognitive graph | |
| Giannakas et al. | Multi-technique comparative analysis of machine learning algorithms for improving the prediction of teams’ performance |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |