KR102646075B1 - 학교생활기록부의 인공지능 평가를 이용한 진학 정보 관리 방법, 장치 및 컴퓨터-판독가능 기록매체 - Google Patents
학교생활기록부의 인공지능 평가를 이용한 진학 정보 관리 방법, 장치 및 컴퓨터-판독가능 기록매체 Download PDFInfo
- Publication number
- KR102646075B1 KR102646075B1 KR1020210176580A KR20210176580A KR102646075B1 KR 102646075 B1 KR102646075 B1 KR 102646075B1 KR 1020210176580 A KR1020210176580 A KR 1020210176580A KR 20210176580 A KR20210176580 A KR 20210176580A KR 102646075 B1 KR102646075 B1 KR 102646075B1
- Authority
- KR
- South Korea
- Prior art keywords
- information
- evaluation
- data
- user account
- university
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000011156 evaluation Methods 0.000 claims abstract description 199
- 238000011158 quantitative evaluation Methods 0.000 claims abstract description 44
- 238000010801 machine learning Methods 0.000 claims abstract description 24
- 238000012545 processing Methods 0.000 claims abstract description 24
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 23
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 18
- 230000000694 effects Effects 0.000 claims description 53
- 238000004458 analytical method Methods 0.000 claims description 37
- 230000008569 process Effects 0.000 claims description 23
- 238000000611 regression analysis Methods 0.000 claims description 19
- 238000003066 decision tree Methods 0.000 claims description 13
- 230000015654 memory Effects 0.000 claims description 11
- 230000000052 comparative effect Effects 0.000 claims description 10
- 238000011161 development Methods 0.000 claims description 9
- 230000015572 biosynthetic process Effects 0.000 claims description 8
- 238000007635 classification algorithm Methods 0.000 claims description 7
- 230000009469 supplementation Effects 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 238000010219 correlation analysis Methods 0.000 claims description 5
- 238000009795 derivation Methods 0.000 claims description 5
- 238000011002 quantification Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000011157 data evaluation Methods 0.000 claims description 3
- 230000008451 emotion Effects 0.000 claims description 3
- 238000003786 synthesis reaction Methods 0.000 claims 3
- 238000005516 engineering process Methods 0.000 abstract description 15
- 230000000875 corresponding effect Effects 0.000 description 19
- 230000006870 function Effects 0.000 description 10
- 230000002093 peripheral effect Effects 0.000 description 10
- 238000004891 communication Methods 0.000 description 9
- 238000003745 diagnosis Methods 0.000 description 8
- 238000012417 linear regression Methods 0.000 description 8
- 230000001419 dependent effect Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000003058 natural language processing Methods 0.000 description 6
- 238000012216 screening Methods 0.000 description 5
- 238000013479 data entry Methods 0.000 description 4
- 230000007423 decrease Effects 0.000 description 4
- 238000007477 logistic regression Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 238000013138 pruning Methods 0.000 description 3
- 238000012552 review Methods 0.000 description 3
- 230000003542 behavioural effect Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 235000019892 Stellar Nutrition 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000002996 emotional effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000000714 time series forecasting Methods 0.000 description 1
- 238000013519 translation Methods 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—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
- G06Q50/2053—Education institution selection, admissions, or financial aid
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/10—Text processing
- G06F40/12—Use of codes for handling textual entities
- G06F40/151—Transformation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/205—Parsing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G09B5/08—Electrically-operated educational appliances providing for individual presentation of information to a plurality of student stations
- G09B5/14—Electrically-operated educational appliances providing for individual presentation of information to a plurality of student stations with provision for individual teacher-student communication
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Educational Technology (AREA)
- Educational Administration (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Computational Linguistics (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Tourism & Hospitality (AREA)
- Software Systems (AREA)
- Strategic Management (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
일반 학생, 학부모 및 선생님들이 편리하게 이용 가능하고 접근 가능한 학교생활기록부 데이터에 대한 인공지능 처리를 통해서, 어떤 이용자라도 학교생활기록부 데이터 하나만으로 자신이 원하는 대학에 대한 진학 가능성과 진학에 필요시되는 정보를 제공받을 수 있는 기술을 제공한다. 본 발명의 일 실시예에 따른 학교생활기록부의 인공지능 평가를 이용한 진학 정보 관리 방법은, 유저 계정의 입력에 의하여 외부로부터 입력 가능한 데이터로서 유저 계정에 대응되는 학교생활기록부 데이터와, 유저 계정의 선택 입력에 대응되는 목표 전공 및 대학교 데이터를 포함하는 유저 입력 데이터를 수신하는 입력 수신 단계; 수신한 유저 입력 데이터를 자연언어 기계학습 처리 알고리즘을 이용하여 분석하여, 목표 전공 및 대학교 데이터를 기준으로 한 정량적 평가 수치 및 정량적 평가 수치의 근거가 되는 정성적 평가 정보를 포함하는 평가 결과 정보를 도출하는 평가 수행 단계; 및 평가 수행 단계에 의하여 도출된 정량적 평가 수치 및 정성적 평가 정보와, 외부 데이터베이스로부터 수신한 교육 기관 데이터 및 대학별 합격자의 학교생활기록부 데이터에 대한 빅데이터를 이용하여, 적어도 유저 계정이 선택된 목표 전공 및 대학교에 진학 가능한지 여부 및 진학에 필요한 보완 내용을 포함하는 진단 데이터를 생성하여 유저 계정에 제공하는 진단 데이터 제공 단계;를 포함하는 것을 특징으로 한다.
Description
본 발명은, 온라인 상으로 조회 가능한 학생의 학교생활기록부 데이터를 이용하여, 진학 정보를 관리하는 기술에 관한 것으로, 구체적으로는 학생의 학교생활기록부를 기계어 학습, 딥 러닝, 빅데이터 및 인공지능 분야의 기술들을 종합적으로 이용하여 분석함으로써, 학생이 원하는 대학교 및 전공에 입학할 수 있는지 여부 및 입학을 위하여 필요시되는 평가 요소들에 대한 의견을 제공하며, 이를 분석 시 기존의 합격자 데이터와의 비교를 수행함으로써, 학생 및 선생님 등의 유저가 입력한 데이터에 대한 불편한 편집 및 입력 없이도 자동으로 대학에 대한 진학 정보를 관리할 수 있도록 하는 기술에 관한 것이다.
최근 대학교의 진학을 위한 입학 전형은 매우 복잡해지고 전공 계열별로 고도화되면서, 학생들이 자신이 목표로 하는 대학 및 학과에 진학하기 위하여 어떤 학습 활동을 해야 하는지 여부를 전문적으로 컨설팅하는 입학 컨설턴트까지 등장하여, 각 과목에 대한 학습 기관과 함께 하나의 입시를 위하여 필수적으로 학생들이 다녀야 하는 코스로 각광받기까지 하고 있다.
그러나 이러한 입학 컨설턴트는 주요 학원가에 밀집되어 있거나 경우에 따라 매우 고가의 컨설팅 비용이 소모되어, 일반 학생 및 학부모들은 이러한 입학 컨설턴트를 이용하기 어렵고, 특히 수도권과 일부 대도시를 제외한 지방의 학생들에게 이러한 입학 컨설팅 프로그램의 이용은 거의 불가능에 가까워 왔다.
입학 컨설팅 프로그램은 주로, 현재 학생의 활동, 성적, 적성 등을 분석하고, 이를 대학교의 진학 전형과 비교하여, 학생이 해당 대학교 및 학과에 진학할 수 있는지 여부를 판단하고, 진학을 위해서 필요시되는 성적, 활동 등을 컨설팅하는 것으로 이루어져 있다.
이러한 프로그램에 대한 상기의 제공의 불균형을 해소하기 위해서, 모바일 또는 PC 등 유저들이 편리하게 접속하여 대학 진학에 대한 컨설팅을 이용할 수 있거나, 선생님들도 자신이 담당하는 학생들에 대한 진학에 대한 컨설팅을 통해서 학생들의 지도에 참고할 수 있도록 하는 기술에 대한 개발이 이루어지고 있다.
예를 들어, 한국등록특허 제10-1439464호 등에서는, 학생들의 일정, 상담 등을 수행할 수 있고, 관리자가 학생들의 데이터를 입력하게 되면, 학생들에 대해서 대학에 대한 진학 컨설팅에서 제공되는 각종 정보를 제공하는 기술을 게시하고 있다.
그러나 이러한 기술은, 관리자가 각 학생별 데이터를 직접 입력해야 하고, 이를 위해서 학생 기록부와 별도의 데이터 입력이 필수적이라는 점에서 매우 이용성이 낮은 문제가 있다. 특히, 관리자를 제외한 학생 및 학부모 유저들은, 이러한 서비스를 전혀 이용할 수 없거나, 관리자처럼 전문적인 데이터 입력 기술을 보유해야만 이용할 수 있어, 그 진입 장벽이 매우 높아 일반 수요자가 이러한 서비스를 이용하는 것은 거의 불가능한 문제가 있다.
이에 본 발명은 상술한 문제점을 해소하기 위하여 도출된 것으로서, 일반 학생, 학부모 및 선생님들이 편리하게 이용 가능하고 접근 가능한 학교생활기록부 데이터에 대한 자연어 처리, 머신 러닝, 빅데이터 등을 포함한 AI(인공지능, Artificial Intelligence) 기술을 이용하여, 학교생활기록부에서 대학 진학에 필요한 데이터를 자동 추출하고, 추출된 데이터와 기존의 합격자의 데이터를 비교하여, 어떤 이용자라도 학교생활기록부 데이터 하나만으로 자신이 원하는 대학에 대한 진학 가능성과 진학에 필요시되는 정보를 제공받을 수 있는 기술을 제공하는 데 그 목적이 있다.
상기 목적을 달성하기 위하여, 본 발명의 일 실시예에 따른 학교생활기록부의 인공지능 평가를 이용한 진학 정보 관리 방법은, 유저 계정의 입력에 의하여 외부로부터 입력 가능한 데이터로서 유저 계정에 대응되는 학교생활기록부 데이터와, 유저 계정의 선택 입력에 대응되는 목표 전공 및 대학교 데이터를 포함하는 유저 입력 데이터를 수신하는 입력 수신 단계; 수신한 상기 유저 입력 데이터를 자연언어 기계학습 처리 알고리즘을 이용하여 분석하여, 목표 전공 및 대학교 데이터를 기준으로 한 정량적 평가 수치 및 정량적 평가 수치의 근거가 되는 정성적 평가 정보를 포함하는 평가 결과 정보를 도출하는 평가 수행 단계; 및 상기 평가 수행 단계에 의하여 도출된 정량적 평가 수치 및 정성적 평가 정보와, 외부 데이터베이스로부터 수신한 교육 기관 데이터 및 대학별 합격자의 학교생활기록부 데이터에 대한 빅데이터를 이용하여, 적어도 유저 계정이 선택된 목표 전공 및 대학교에 진학 가능한지 여부 및 진학에 필요한 보완 내용을 포함하는 진단 데이터를 생성하여 유저 계정에 제공하는 진단 데이터 제공 단계;를 포함하는 것을 특징으로 한다.
상기 평가 수행 단계는, 입력된 학교생활기록부 데이터를 텍스트 및 영역 XML로 변환한 뒤, 변환 결과를 파싱하여 데이터를 추출 후, 각 평가 요소에 대응되는 밸류값을 산출하는 데이터 산출 단계; 상기 산출된 밸류값 및 텍스트를 기계학습 기반 감성 분류 알고리즘, 유사도 분석, 사전 및 패턴을 통한 분류, 의사결정 트리 및 회귀분석 기법 중 적어도 하나에 적용하여, 각 평가 요소별 정량화를 수행하는 평가 단계; 및 상기 평가 단계에 의하여 산출된 각 평가 요소별로 정량화된 수치를 정량적 평가 수치로, 각 평가 요소별 텍스트 분석 결과를 정성적 평가 정보로 도출하는 평가 결과 도출 단계;를 포함하는 것이 바람직하다.
상기 입력 수신 단계는, 유저 계정으로부터 학교생활기록부 데이터에 대한 선택 입력을 수신 시, 학교생활기록부가 모두 기입 완료된 학년에 대한 선택 입력을 수신하고, 상기 평가 수행 단계 및 상기 진단 데이터 제공 단계는, 상기 선택 입력된 학년에 대한 학교생활기록부 데이터를 기준으로 평가 결과 정보를 도출하고 진단 데이터를 생성하여 유저 계정에 제공하는 것이 바람직하다.
상기 진단 데이터 제공 단계는, 상기 정성적 평가 정보에 대한 토픽 모델링, 빈도수 분석, 및 연관 분석 기법 중 어느 하나를 적용하여 기 저장된 진학 전형별 키워드 중 유저 계정에 적용되는 키워드를 추출하여 생성되는 종합 평가 키워드 정보를 진단 데이터에 포함하여 제공하는 것이 바람직하다.
상기 진단 데이터 제공 단계는, 기설정된 다수의 내신 점수 구간 중 유저 계정의 내신 점수에 대응되는 정량적 평가 수치가 속하는 내신 점수 구간 및 빅데이터에 포함된 합격자와의 비교 데이터로서, 정량적 평가 수치에 포함된 평가 요소들 중, 학업 역량, 전공 적합성, 인성 및 발전 가능성에 대한 비교 데이터를 생성하고, 상기 비교 데이터와, 상기 학업 역량, 전공 적합성, 인성 및 발전 가능성에 대한 정량적 평가 수치를 포함하는 진단 데이터를 유저 계정에 제공하는 것이 가능하다.
상기 평가 수행 단계는, 상기 학교생활기록부 데이터에 대한 분석 결과로서, 각 과목별 내신 성적, 각 과목의 조합에 따른 내신 성적, 상기 유저 계정의 선택 입력에 대응되는 목표 전공의 전공 계열에 반영되는 과목의 성적, 출결 정보, 수상 정보, 봉사활동 정보, 독서활동 정보, 리더쉽 평가 정보, 진로 활동 정보, 세부 능력 및 특기 사항 정보를 추출하고, 추출된 정보를 이용하여 상기 평가 결과 정보를 도출하는 것이 가능하다.
상기 진단 데이터 제공 단계는, 도출된 정보들을, 유저 계정의 선택 입력에 대응되는 목표 전공 및 대학교에 대한 교육 기관 데이터로부터 추출된 진학 기준 정보에 적용하여, 목표 전공 및 대학교의 진학 기준에 활용 가능한 과목별 내신 성적, 총 내신 성적, 학교생활기록부 점수, 수상 정보, 봉사활동 정보, 독서활동 정보, 리더쉽 평가 정보, 진로 활동 정보, 세부 능력 및 특기 사항 정보에 대한 선택 추천 정보를 상기 진단 데이터에 포함하여 상기 유저 계정에 제공하는 것이 가능하다.
상기 진단 데이터 제공 단계는, 상기 유저 계정의 선택 입력에 대응되는 목표 전공 및 대학교에 대한 진학 기준 정보와 유저 계정의 평과 결과 정보를 비교하여, 유저 계정의 학교생활기록부에서 고평가를 받은 평가 요소, 보완이 필요한 평가 요소에 대한 제1 종합 진단 데이터와, 면접 및 자기소개서 진형 수행 시 활용 가능한 유저 계정의 평가 결과 정보에 포함된 키워드 정보를 포함하는 제2 종합 진단 데이터를 상기 진단 데이터에 포함하여 유저 계정에 제공하는 것이 가능하다.
본 발명의 일 실시예에 따른 학교생활기록부의 인공지능 평가를 이용한 진학 정보 관리 장치는, 유저 계정의 입력에 의하여 외부로부터 입력 가능한 데이터로서 유저 계정에 대응되는 학교생활기록부 데이터와, 유저 계정의 선택 입력에 대응되는 목표 전공 및 대학교 데이터를 포함하는 유저 입력 데이터를 수신하는 입력 수신부; 수신한 상기 유저 입력 데이터를 자연언어 기계학습 처리 알고리즘을 이용하여 분석하여, 목표 전공 및 대학교 데이터를 기준으로 한 정량적 평가 수치 및 정량적 평가 수치의 근거가 되는 정성적 평가 정보를 포함하는 평가 결과 정보를 도출하는 평가 수행부; 및 상기 평가 수행부에 의하여 도출된 정량적 평가 수치 및 정성적 평가 정보와, 외부 데이터베이스로부터 수신한 교육 기관 데이터 및 대학별 합격자의 학교생활기록부 데이터에 대한 빅데이터를 이용하여, 적어도 유저 계정이 선택된 목표 전공 및 대학교에 진학 가능한지 여부 및 진학에 필요한 보완 내용을 포함하는 진단 데이터를 생성하여 유저 계정에 제공하는 진단 데이터 제공부;를 포함하는 것을 특징으로 한다.
본 발명에 의하면, 유저들이 온라인 상에서 다운로드 받거나 제공받을 수 있는 학교생활기록부 데이터와 함께 자신이 원하는 하나 이상의 대학 및 전공을 입력하게 되면, 자동으로 학교생활기록부에 대한 자연어 처리를 통해서 내신 등을 포함하는 각 평가 요소에 따른 요소별 정량적인 수치와, 각 정량적인 수치의 평가의 근거가 된 긍부정 데이터 및 키워드, 주요 요소별 키워드를 포함하는 정성적 평가 정보가 도출된다. 이후, 기존 합격자와의 비교를 통해서 해당 평가 결과 정보를 분석함으로써, 대학 및 전공에 대한 진학 여부 및 필요한 정보를 진단 데이터로 생성하여 유저 계정에 제공하게 된다.
이에 따르면, 유저들은 별도의 전문적인 데이터 입력에 대한 노하우, 추가적인 정보가 전혀 필요 없이, 학생 기록부를 입력하는 것만으로, 입학 컨설턴트가 제공하는 전문적인 진학에 대한 가이드 정보를 제공받을 수 있어, 그 이용성이 크게 증가되어, 그 어떤 장소에서도 매우 저렴한 비용으로 전문적인 입학 컨설턴트가 제공하는 정보를 제공받을 수 있기에, 대학 진학에 있어서 공정한 경쟁이 가능하고, 진학 정보의 이용의 편의성이 크게 증가되는 효과가 있다.
도 1 및 2는 본 발명의 일 실시예에 따른 학교생활기록부의 인공지능 평가를 이용한 진학 정보 관리 방법의 플로우차트.
도 3은 본 발명의 일 실시예에 따른 학교생활기록부의 인공지능 평가를 이용한 진학 정보 관리 장치의 구성 블록도.
도 4는 본 발명의 각 실시예에 따라서 학교생활기록부 데이터로부터 진단 데이터가 생성되는 흐름의 예를 설명하기 위한 도면.
도 5 내지 13은 본 발명의 각 실시예의 구현에 따라서 유저 계정에 출력되는 화면 및 정보 인터페이스의 예.
도 14은 본 발명의 일 실시 예에 따른 컴퓨팅 장치의 내부 구성의 일 예.
도 3은 본 발명의 일 실시예에 따른 학교생활기록부의 인공지능 평가를 이용한 진학 정보 관리 장치의 구성 블록도.
도 4는 본 발명의 각 실시예에 따라서 학교생활기록부 데이터로부터 진단 데이터가 생성되는 흐름의 예를 설명하기 위한 도면.
도 5 내지 13은 본 발명의 각 실시예의 구현에 따라서 유저 계정에 출력되는 화면 및 정보 인터페이스의 예.
도 14은 본 발명의 일 실시 예에 따른 컴퓨팅 장치의 내부 구성의 일 예.
이하에서는, 다양한 실시 예들 및/또는 양상들이 이제 도면들을 참조하여 개시된다. 하기 설명에서는 설명을 목적으로, 하나이상의 양상들의 전반적 이해를 돕기 위해 다수의 구체적인 세부사항들이 개시된다. 그러나, 이러한 양상(들)은 이러한 구체적인 세부사항들 없이도 실행될 수 있다는 점 또한 본 발명의 기술 분야에서 통상의 지식을 가진 자에게 인식될 수 있을 것이다. 이후의 기재 및 첨부된 도면들은 하나 이상의 양상들의 특정한 예시적인 양상들을 상세하게 기술한다. 하지만, 이러한 양상들은 예시적인 것이고 다양한 양상들의 원리들에서의 다양한 방법들 중 일부가 이용될 수 있으며, 기술되는 설명들은 그러한 양상들 및 그들의 균등물들을 모두 포함하고자 하는 의도이다.
본 명세서에서 사용되는 "실시 예", "예", "양상", "예시" 등은 기술되는 임의의 양상 또는 설계가 다른 양상 또는 설계들보다 양호하다거나, 이점이 있는 것으로 해석되지 않을 수도 있다.
또한, "포함한다" 및/또는 "포함하는"이라는 용어는, 해당 특징 및/또는 구성요소가 존재함을 의미하지만, 하나이상의 다른 특징, 구성요소 및/또는 이들의 그룹의 존재 또는 추가를 배제하지 않는 것으로 이해되어야 한다.
또한, 제 1, 제 2 등과 같이 서수를 포함하는 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되지는 않는다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다. 예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제 1 구성요소는 제 2 구성요소로 명명될 수 있고, 유사하게 제 2 구성요소도 제 1 구성요소로 명명될 수 있다. 및/또는 이라는 용어는 복수의 관련된 기재된 항목들의 조합 또는 복수의 관련된 기재된 항목들 중의 어느 항목을 포함한다.
또한, 본 발명의 실시 예들에서, 별도로 다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 발명의 실시 예에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
도 1 및 2는 본 발명의 일 실시예에 따른 학교생활기록부의 인공지능 평가를 이용한 진학 정보 관리 방법의 플로우차트, 도 3은 본 발명의 일 실시예에 따른 학교생활기록부의 인공지능 평가를 이용한 진학 정보 관리 장치의 구성 블록도, 도 4는 본 발명의 각 실시예에 따라서 학교생활기록부 데이터로부터 진단 데이터가 생성되는 흐름의 예를 설명하기 위한 도면, 도 5 내지 13은 본 발명의 각 실시예의 구현에 따라서 유저 계정에 출력되는 화면 및 정보 인터페이스의 예이다. 이하의 설명에 있어서 본 발명의 각 실시예에 대한 설명을 위해서, 하나 이상의 도면이 함께 참조되어 설명될 것이다.
한편, 본 발명의 설명에 앞서, 본 발명의 일 실시예 및 각 실시예에 따른 학교생활기록부의 인공지능 평가를 이용한 진학 정보 관리 방법은, 후술하는 도 14에 도시된 컴퓨팅 장치 또는 도 3에 도시된 본 발명의 일 실시예에 따른 학교생활기록부의 인공지능 평가를 이용한 진학 정보 관리 장치(10, 이하 '본 발명의 장치'라 함)의 각 구성에 의하여 수행되는 것으로 이해될 것이다. 즉, 도 14의 컴퓨팅 장치 및 본 발명의 장치는 동일한 구성 또는 본 발명의 장치가 컴퓨팅 장치의 일부로 포함되거나, 본 발명의 장치가 다수의 컴퓨팅 장치로 구성될 수 있다.
도 1을 참조하면, 본 발명의 일 실시예에 따른 학교생활기록부의 인공지능 평가를 이용한 진학 정보 관리 방법에 있어서 컴퓨팅 장치는, 유저 계정의 입력에 의하여 외부로부터 입력 가능한 데이터로서 유저 계정에 대응되는 학교생활기록부 데이터와, 유저 계정의 선택 입력에 대응되는 목표 전공 및 대학교 데이터를 포함하는 유저 입력 데이터를 수신하는 입력 수신 단계(S10)를 수행한다.
본 발명에서 유저 계정은, 학생, 학부모 및 교육 관리자(선생님 포함)의 계정을 포함하는 개념으로 이해되어야 할 것이다. 이때 유저 계정이 입력한 학교생활기록부 데이터에 따라 후술하는 유저 계정이 전공 및 대학교에 진학 가능한지 여부를 판단함은, 유저 계정이 입력한 학교생활기록부 데이터의 대상이 되는 학생이 전공 및 대학교 진학 가능한지 여부를 판단함을 의미하는 것으로 이해되어야 할 것이다.
본 발명에서 유저 계정은 이용권 등을 구매하고 S10 단계의 수행을 위해서 학교생활기록부 데이터의 입력, 목표 전공 및 대학교 데이터를 포함하는 유저 입력 데이터를 입력할 수 있으며, 이후 S20 및 S30 단계의 수행을 위한 진단 데이터 생성 요청을 입력 시, S10 단계가 수행되면서 이용권 등이 차감되는 방식으로 본 발명의 각 실시예의 기능이 수행될 수 있다.
학교생활기록부 데이터는, 정부 24, 교육부 등에서 다운로드 받거나 제공받아서 입력 가능한 데이터를 의미한다. 학교생활기록부 데이터에는, 본 발명의 실시예에 따라서, 교육행정정보 시스템(NEIS: National Education Information System)에서 관리된다. 학교학교생활기록부 I과 학교학교생활기록부 II로 나누어져 있다. I은 개인정보 보호를 위해 노출되는 정보를 최소화한 것이고 II는 세부적인 사항까지 보여주는 것이다. 이 중에서 고교 및 대학입시에 쓰이는 버전은 II인 학교생활세부사항기록부이다. 참고로 학교학교생활기록부 II는 준영구보존되는 학교학교생활기록부 I와 달리 졸업 후 5년이 지나면 사라진다. 단, 학교학교생활기록부 I, II 구분은 2007년(2006학년도) 이전 졸업자의 경우 해당 사항이 아니다. 왜냐하면 해당 종류 구분은 2005학년도 중학교 1학년, 고등학교 1학년에 처음으로 적용되어 2007학년도에 전학년으로 확대 시행했기 때문. 이전 졸업자의 보존 학생부는 현재의 학교학교생활기록부 II와 마찬가지라서 세부 사항들이 영구적으로 박제되어 있다.
학교학교생활기록부에는, 예를 들어 모든 내신 성적 데이터, 수상 데이터, 활동 데이터 등이 기록될 수 있는데, 이때 예를 들어 선생님 등은 학생에 대해서 학교학교생활기록부 란에, 창의적 체험활동 영역에서 자율 활동, 동아리활동, 진로 활동으로서, 예를 들어 각 500, 500, 700자의 글자수를 기록할 수 있고, 세부능력 및 특기사항에는 500자, 행동 특성 및 종합의견에는 500자의 내용을 기록할 수 있다.
또한, 상술한 데이터를 포함하여 기본적으로는, 학반 정보, 인적/학적 사항, 출결상황, 수상경력 상황, 자격증 및 인증 취득 상황, 국가직무능력표준 이수상황, 창의적 체험활동 상황, 교과학습발달상황(내신), 독서활동 상황, 행동특성 및 종합의견 데이터 등이 포함될 수 있다.
이 중 창의적 체험활동 상황은, 자율활동이나 봉사활동, 동아리활동, 진로활동 및 이로부터 느낀점 등에 대해서 기재하는 영역, 교과학습발달상황은 내신으로 지칭되며, 학교 정규과목의 성적이 기록되고, 과목별 담당교사가 적어주는 세부능력 및 특기사항이 기록되는 영역을 의미한다.
교과학습발달상황에서, 본 발명에서 주 예로 들게 될 고등학교는 상대평가(1~9등급)와 절대평가(A~E)가 병행되어 표기된다. 이때, 진학 전형들 중, "학생부 종합 전형"에서는 세부능력 및 특기사항을 중요하게 보게 되는 특징 등이 있는데, 이는 후술하는 S20 및 S30 단계에서 진단 데이터를 도출하거나, 평가 결과 정보를 도출하는 데 사용된다. 상술한 교내 상 몰아주기 등의 문제 때문에 입시체제 자체가 '교과활동(수업)'위주로 가고 있기 때문에 학생부 종합전형을 준비한다면 수업을 열심히 듣고 적극적으로 참여하는 편이 유리하는 등의 예가 알고리즘 내에 적용되는 것이다.
이러한 모든 데이터는 상술한 행정 또는 교육(교육 행정) 기관으로부터 유저가 제공받을 수 있으며, 이에 대해서 데이터를 제공받은 위 상술한 유저 입력 데이터에 포함시켜 컴퓨팅 장치가 S10 단계를 통해 입력받게 되는 것이다.
한편 목표 전공 및 대학교 데이터는, 예를 들어 전공 계열이나 세부 전공에 대한 선택 입력과 함께 대학교를 선택한 결과 수신되는 데이터를 의미하며, 본 발명의 각 실시예에 따라서 다수의 대학교 및 전공이 각각 선택되어, 각 대학교 및 전공에 대한 진단 데이터가 동시에 생성될 수 있다.
이러한 입력에 대한 예가 도 5 내지 7에 도시되어 있다. 먼저 도 5의 화면(200)을 참고하면, 신규 생기부(이하 학교생활기록부의 줄임말로 사용될 수 있다.) 업로드 메뉴로서, 입력 창(201)에 따라서 유저 계정은 자신이 분석할 생기부 데이터를 업로드할 수 있다.
이때, 후술하는 S20 단계들 중, 자연어 분석 기법이 미리 적용되거나, 각 영역 분석에 따라서, 출결, 수상경력, 독서활동, 세부능력 및 특기 사항 등 간단하게 추출될 수 있는 데이터는 추가 편집 창(202)에 미리 출력되어, 문자인식이나 자연어 처리에 오류가 발생되어 데이터의 추출에 오류가 발생 시 유저 계정이 이를 직접 확인 및 수정할 수 있도록 할 수 있다.
한편 도 6의 210 화면을 참조하면, 전공 계열 선택 메뉴(211)를 통해 자신이 분석할 전공 계열에 대한 검색 및 선택을 하고, 대학 및 학과 선택 메뉴(212)를 통해서 대학 및 상기 전공 계열에 대한 대학교의 학과를 검색 및 선택할 수 있다.
전형 선택 메뉴(213)에서는 유저 계정이 해당 생기부를 통해서 진학을 하기 위하여 선택하는 다양한 입시 전형 중 어떤 입시 전형에 대한 진단을 수행할지 여부를 선택할 수 있다. 상술한 "학생부 종합 전형"등이 본 발명에서 선택 가능한 다양한 전형들 중 어느 하나가 될 수 있다.
한편 S10 단계의 수행에 있어서 진학에 대한 정확한 판단을 위해서는, 완전히 생기부 데이터에 대한 작성이 완료된, 즉 생기부가 모두 기입 완료된 학년을 기준으로 진단을 수행함이 바람직하다. 이러한 예를 반영하기 위해서, S10 단계의 수행에 있어서 컴퓨팅 장치는, 유저 계정으로부터 학교생활기록부 데이터에 대한 선택 입력을 수신 시, 학교생활기록부가 모두 기입 완료된 학년에 대한 선택 입력을 수신할 수 있다.
또는, 학교생활기록부에 대한 S10 단계의 수행에 따른 데이터를 제공받게 되면, 학교생활기록부에 대한 유저 계정의 선택 입력 없이, 학교생활기록부에 대한 데이터 분석 및 후술하는 S20 중 학년 정보에 대한 분석 및 기록부에 대한 데이터 입력값의 존재 여부를 미리 판단하여, 컴퓨팅 장치가 자동으로 학교생활기록부가 모두 기입 완료된 학년을 선택할 수 있다.
즉, 도 7의 화면(220)에 도시된 바와 같이, 진단 데이터의 생성 기준이 되는 분석 대상 학년을 선택하는 메뉴(221) 및 선택 완료를 의미하는 다음 메뉴(222)를 통해서, 자신이 목표로 하는 전공 및 대학교의 진학에 있어서 해당 학년 또는 해당 학년 이하의 생기부를 기준으로 진단 데이터를 도출하도록 할 수 있다.
이에 따라서 후술하는 S20 및 S30 단계의 수행에 있어서 컴퓨팅 장치는, 선택 입력된 학년에 대한 학교생활기록부 데이터를 기준으로 평가 결과 정보를 도출하고 진단 데이터를 생성하여 유저 계정에 제공하는 것으로 이해될 것이다.
S10 단계의 수행이 완료되면, 컴퓨팅 장치는, 수신한 유저 입력 데이터를 자연언어 기계학습 처리 알고리즘을 이용하여 분석하여, 목표 전공 및 대학교 데이터를 기준으로 한 정량적 평가 수치 및 정량적 평가 수치의 근거가 되는 정성적 평가 정보를 포함하는 평가 결과 정보를 도출하는 평가 수행 단계(S20)를 수행한다.
상술한 유저 입력 데이터 중 S20 단계에 있어서 분석되는 주요 데이터는 생기부 데이터를 의미한다. 생기부 데이터에는 상술한 바와 같이 다수의 키워드 데이터, 수치 데이터와, 선생님이 기록한 의견 데이터 등이 혼재된다. 본 발명에 있어서 S20 단계는 이러한 생기부 데이터에 대한 문자 인식 및 자연언어 기계학습 처리 알고리즘을 통해서, 생기부 데이터에 포함된 모든 텍스트들을 도출하고, 이를 처리하여, 생기부 데이터에 포함된 정보를 도출한 뒤, 이를 정량적 평가에 사용하거나 정성적 평가에 사용하여 처리하는 단계로서 이해될 것이다.
구체적으로 도 2에 도시된 바와 같은 프로세스를 수행할 수 있다. 즉 S20 단계의 수행에 있어서 컴퓨팅 장치는 먼저, 입력된 학교생활기록부 데이터를 텍스트 및 영역 XML로 변환한 뒤, 변환 결과를 파싱하여 데이터를 추출 후, 각 평가 요소에 대응되는 밸류값을 산출하는 데이터 산출 단계(S21)를 수행한다.
이후, 산출된 밸류값 및 텍스트를 기계학습 기반 감성 분류 알고리즘, 유사도 분석, 사전 및 패턴을 통한 분류, 의사결정 트리 및 회귀분석 기법 중 적어도 하나에 적용하여, 각 평가 요소별 정량화를 수행하는 평가 단계(S22)를 수행한다.
마지막으로, 평가 단계에 의하여 산출된 각 평가 요소별로 정량화된 수치를 정량적 평가 수치로, 각 평가 요소별 텍스트 분석 결과를 정성적 평가 정보로 도출하는 평가 결과 도출 단계(S23)를 수행하게 된다.
예를 들어, 도 9 및 12 등에 출력되는 내신 점수, 수상 경력 등 상술한 생기부 데이터에 포함될 수 있는 자료들 중, 평가 요소에 대한 정량적 수치의 근거가 되는 수치 데이터 및 문자 데이터가 도출될 수 있으며, 이에 따른 긍부정 분석 결과 등을 이용하여, 평가 요소별로 특정 요소에 대한 상대 비교 수치를 판단하게 되어 정량적 평가 수치로 도출하게 되며, 평가 요소에 긍정적인 영향 또는 부정적인 영향을 미치거나, 유저 입력 데이터에 포함된 목표 전공 및 대학에 대한 진학을 위해서 활용할 수 있는 모든 키워드로서, 예를 들어 수상 경력에 대한 정보, 활동 내역에 대한 정보 등이 정성적 평가 정보로서 도출될 수 있는 것이다.
구체적으로 S20 단계는 상술한 S21 내지 S23 단계를 수행함에 있어서, 학교생활기록부 데이터에 대한 분석 결과로서, 각 과목별 내신 성적, 각 과목의 조합에 따른 내신 성적, 상기 유저 계정의 선택 입력에 대응되는 목표 전공의 전공 계열에 반영되는 과목의 성적, 출결 정보, 수상 정보, 봉사활동 정보, 독서활동 정보, 리더쉽 평가 정보, 진로 활동 정보, 세부 능력 및 특기 사항 정보를 추출하고, 추출된 정보를 이용하여 평가 결과 정보를 도출할 수 있다.
즉 유저 입력 데이터에 포함된 대학 및 전공의 각 입시 전형 및 기준에 따라서, 각 과목별 또는 입시에 사용되는 과목의 조합에 따른 입시를 위하여 활용되거나 취합되어 사용될 수 있는 내신 성적, 과목 성적 및 기타 생기부 데이터에 대한 정보를 선택(추출)한 뒤, 이에 대한 S21 내지 S23 단계의 수행을 통하여, 해당 대학교 및 전공에 정확히 필요시되는 진단 데이터를 정밀하게 도출할 수 있는 것이다.
한편 본 발명의 다른 실시예에 있어서는, 상기의 대학교 및 전공 또는 전공 계열에 대한 선택 입력을 생략할 수 있으며, 후술하는 과정을 통해서 자동으로 대학교, 전공 및 전공 계열이 선택되어 유저 계정에 추천되는 프로세스가 수행될 수 있다.
한편 S20 단계의 수행을 위해서 사용되는 다양한 기계학습 알고리즘은 상술한 바와 같다. 즉, 자연어 처리에 대한 알고리즘 및 각 영역에 대한 식별 알고리즘들로서, 상술한 바와 같이, 기계학습 기반 감성 분류 알고리즘, 유사도 분석, 사전 및 패턴을 통한 분류, 의사결정 트리 및 회귀분석 기법 등이 사용될 수 있다.
자연어 처리 기술은 음성의 인식, 내용 요약, 언어 번역, 인간의 감정 분석, 텍스트 분류 작업(스팸 메일 분류, 뉴스 기사 카테고리 분류), 자동 Q&A 시스템, 챗봇과 같은 서비스에서 다방면으로 사용되는 기술을 의미한다. 인공지능, 머신러닝, 딥러닝 등에 속하는 알고리즘들 중 하나로서, 인공지능의 한 범주이기도 하지만, 머신러닝과 딥러닝과 일정 부분 교집합을 갖는 기술이기도 하다. 우선, NLP 알고리즘이란 컴퓨터가 인간의 언어를 입력받아 이를 이해하고, 분석하여 최적의 결과값을 찾아내는 과정을 반복하는 프로그램으로 볼 수 있다.
이러한 알고리즘들 중, 감성 분류 알고리즘은, 감성 분석으로도 이해된다. 감성 분석(Sentiment Analysis)이란 텍스트에 들어있는 의견이나 감성, 평가, 태도 등의 주관적인 정보를 컴퓨터를 통해 분석하는 과정이다. 주로 문서(문장)의 어떤 부분에 의견이 담겨있는지를 정의(Opinion definition)하고, 모아진 의견을 요약(Opinion summerization)하는 단계를 거치게 된다.
감성 분석은 다양한 분야에서 사용되고 있는데, 기업 내부적으로는 고객 피드백, 콜센터 메시지 등과 같은 데이터를 분석하며 외부적으로는 기업과 관련된 뉴스나 SNS 홍보물 등에 달린 댓글의 긍/부정을 판단하는 곳에 사용되고 있다. 개인 단위에서는 영화를 보기 전에 리뷰를 참고하는 것과 같이 특정 제품이나 서비스를 이용할지를 결정하는 데에 사용할 수 있다.
사전 및 패턴을 통한 분류 기술은 텍스트 분류 기술로서, 텍스트 분류(Text Classification)는 텍스트를 입력으로 받아, 텍스트가 어떤 종류의 범주(Class)에 속하는지를 구분하는 작업을 말한다. 가령, 스팸 메일 분류를 해본다고 하자. 스팸 메일 분류는 일반 메일과 스팸 메일이라는 두 개의 범주를 정해놓고 입력받은 텍스트를 두 개의 클래스 중 하나로 분류하는 작업이 될 것이다.
스팸 메일 분류 이외에도 영화 리뷰와 같은 텍스트를 입력받아서 이 리뷰가 긍정 리뷰인지 부정 리뷰인지를 분류하는 '감성 분석', 입력받은 텍스트로부터 사용자의 의도를 질문, 명령, 거절 등과 같은 클래스로 분류하는 '의도 분석'과 같은 문제들에 응용될 수 있다.
유사도 분석은 텍스트 유사도(Text Similarity) 분석으로도 이해될 것이며, 텍스트 사이의 유사도를 표현하는 방식 중 하나로서, 자카드 유사도, 유클리디언 유사도, 맨하탄 유사도, 코사인 유사도 등의 분석 기법이 사용될 수 있다.
의사결정 트리란, 트리를 내려가면서 질문을 하고 그 질문의 응답에 따라 어떤 분류에 속하는지를 결정하는 것이다. 분류결과를 사람이 쉽게 이해하기 위해 노드들을 가장 효율적으로 선정하고 배치하기 위해 정보 획득량과 엔트로피라는 개념이 필요하다.
시작 지점은 Root node이고 분기가 거듭될 수록 그에 해당하는 데이터의 수가 줄어들며 각 Terminal node에 속하는 데이터의 개수를 합하면 Root node의 데이터수와 일치한다. 이 의사결정트리는 분류와 회귀 모두 가능하다. 범주나 연속형 수치 모두 예측할 수 있다. 분류 과정은 새로운 데이터가 특정 Terminal node에 속한다는 정보를 확인한 뒤 해당 Terminal node에서 가장 빈도가 높은 범주에 새로운 데이터를 분류한다. 예를 들어 돈은 있는데 몸이 좋지 않으면 놀지 않는다 라고 예측한다.
회긔는 Terminal node의 종속변수의 평균을 예측값으로 반환하는데 이 예측값의 종류는 Terminal node 개수와 일치한다. 의사결정트리는 구분 뒤 각 영역의 순도가 증가 혹은 불확실성이 최대한 감소하도록 하는 방향으로 학습을 진행한다.
이에 사용되는 정보획득량의 개념은, 정보의 가치를 특정하는 함수로서, 정보의 가치를 반환하는 데 발생할 확률이 작은 사건일수록 정보의 가치가 크고, 발생할 확률이 큰 사건일수록 정보의 가치가 작게 설정되며, 엔트로피의 개념은, 무질서도를 정량화해서 표현한 것, 어떤 집합의 엔트로피가 높을수록 그 집단의 특징을 찾는 것이 어렵다. 의사결정 트리에서 자식 노드들의 엔트로피가 최소가 되는 방향으로 분류분 나가는 것이 최적이다. 정보량의 평균을 의미한다.
엔트로피가 감소한다는 것은 불확실성이 감소하고 순도가 증가하며 정보를 획득한 것이다. 의사결정트리는 구분 뒤 각 영역의 순도가 증가, 불확실성(엔트로피) 가 최대한 감소하도록 학습을 진행한다.
의사결정 트리는 재귀적 분기 및 가지치기 두 가지의 학습을 예로 들 수 있다. 재귀적 분기는, 어떤 데이터가 있을 때, 항목하나를 기준으로 정렬하고 첫 번째 레코드와 나머지 레코드 간의 엔트로피를 구한 뒤 이를 분기 전 엔트로피와 비교해 정보획득을 조사하는 방법이다.
가치지기 학습은, Full tree(터미널 노드의 순도가 100%인 상태)를 생성한 뒤 적절한 수준에서 터미널 노드를 결합해야 하는데, 그렇지 않으면 분기가 너무 많아서 학습데이터에 Overfitting이 우려되기 때문이다. 결정트리의 분기수가 증가할 때 새 데이터에 대한 오분류율이 감소하나 일정 수준 이상 깊어지면 오분류율이 증가되기 때문에 이를 위해 가지치기를 수행하는 것이다. 가지치기는 분기를 Merge하는 개념으로 이해될 수 있다.
회귀분석은 종속 변수(목표)와 하나 이상의 독립 변수(예측 변수라고도 함) 간의 미래 사건을 예측하는 방법이다. 예를 들면, 난폭운전과 운전자에 의한 교통사고 총 건수 사이의 상관관계를 예측하거나 비즈니스 상황에서는 특정 금액을 광고에 사용했을 때와 그것이 판매에 미치는 영향 사이의 관계를 예측하는 데 사용할 수 있다.
회귀분석은 머신러닝의 일반적인 모델 중 하나이다. 회귀분석 모델은 수치적 가치를 추정한다는 측면에서 관측치가 어느 범주에 속하는지를 식별하는 분류 모델과 다르다. 회귀분석은 예측, 시계열 모델링 및 변수 간 인과관계 발견 등에 주로 사용된다.
회귀분석은 실제 응용 프로그램에서 넓게 활용되고 있다. 연속 숫자를 포함하는 모든 머신러닝 문제 해결에 필수적이며, 여기에는 예를 들어, 금융 관련 예측(주택 가격 또는 주가), 판매 및 프로모션 예측, 자동차 테스트, 날씨 분석 및 예측, 시계열 예측 등이 포함될 수 있다.
회귀분석은 두 개 이상의 변수 사이에 유의미한 관계가 존재하는지 여부를 알려줄 뿐만 아니라 그 관계성에 대한 보다 구체적인 정보를 제공할 수 있다. 특히, 여러 변수가 종속 변수에 미치는 영향의 강도를 추정할 수 있다. 만약 한 변수(가령 가격)의 값을 변경하면 회귀분석을 통해 종속 변수(판매)에 어떤 영향을 미칠지 알 수 있다.
기업은 회귀분석을 사용하여 여러 척도로 측정된 변수의 효과를 검정할 수 있다. 활용할 수 있는 도구 상자에 회귀분석을 포함해두면, 예측 모델을 구축할 때 사용할 최상의 변수 집합을 평가하여 예측 정확도를 크게 높일 수 있다.
마지막으로 회귀분석은 데이터 모델링을 사용하여 머신러닝에서 회귀 문제를 해결하는 가장 좋은 방법이다. 차트에 데이터 포인트를 표시하고 이들을 관통하는 가장 적합한 선을 그어 각 데이터 포인트의 오류 가능성을 예측할 수 있다. 즉, 각 데이터 점이 선에서 멀리 떨어져 있을수록 예측 오차가 커진다(이 가장 적합한 선을 회귀선이라고 부르기도 한다).
회귀분석의 다양한 유형에 있어서 첫번째로는, 선형 회귀(Linear regression)를 들 수 있다. 머신러닝에서 가장 일반적인 회귀분석 유형이라고 할 수 있는 선형 회귀는 예측 변수와 종속 변수로 구성되며, 이 둘은 선형 방식으로 서로 연관지어져 있다. 선형 회귀는 위에서 설명한 대로 가장 적합한 선, 즉 최적적합선을 사용한다. 변수들이 서로 선형적으로 연결되어 있는 경우 선형 회귀를 사용한다. 광고 지출 증가가 판매에 미치는 영향을 예측할 때 등이 예가 될 수 있다. 그러나 선형 회귀분석은 특이치에 영향을 받기 쉬우므로 빅데이터 집합을 분석하는 데 사용해서는 안 된다.
한편 로지스틱 회귀(Logistic regression) 역시 유형에 포함될 수 있다.종속 변수에 이산 값이 있는 경우, 다시 말해 0 또는 1, 참 또는 거짓, 흑 또는 백, 스팸 또는 스팸 아닌 것 등의 두 가지 값 중 하나만 취할 수 있는 경우 로지스틱 회귀를 사용하여 데이터를 분석할 수 있다.
로지스틱 회귀는 S자형 곡선을 사용하여 대상 변수와 독립 변수 사이의 관계를 표시한다. 그러나 로지스틱 회귀 분석 방식은 대상 변수에서 거의 동일한 값이 발생하는 대규모 데이터 세트에서 가장 효과가 있다는 사실에 유의해야 한다. 이 경우, 변수들의 순위를 지정할 때 문제를 일으킬 수 있기 때문에 서로 상관성이 높은 독립 변수들이 데이터 집합에 포함되어서는 안 된다. (이것은 multicollinearity, 즉 다중공선성이라고 알려진 현상으로, 회귀 분석에서 사용된 모델의 일부 예측 변수가 다른 예측 변수와 상관 정도가 높아, 데이터 분석 시 부정적인 영향을 미치는 현상을 의미한다.)
세번째로 리지 회귀(Ridge regression)를 예로 들 수 있다. 불가피하게 독립 변수들 사이에 높은 상관 관계가 있는 경우라면 리지 회귀가 더 적합한 접근방식이다. 다중 회귀라고도 불리는 리지 회귀는 정규화 또는 규제화(regularization) 기법으로 알려져 있으며 모델의 복잡성을 줄이는 데 사용된다. 또한 '리지 회귀 페널티'로 알려진 약간의 편향, 즉 바이어스(bias)를 사용하여 모델이 과대적합(overfitting)에 덜 취약하게 만든다.
네번째로 라쏘 회귀(Lasso regression)를 예로 들 수 있다. 라쏘 회귀는 리지 회귀와 같이 모델의 복잡성을 줄여주는 또 다른 정규화 기법이다. 회귀 계수의 절대 사이즈를 금지함으로써 복잡성을 줄인다. 리지 회귀와는 다르게 아예 계수 값을 0에 가깝게 만든다.
그 장점은 기능 선택을 사용할 수 있다는 것이다. 데이터 집합에서 기능 세트를 선택하여 모델을 구축할 수 있다. 라쏘 회귀는 필요한 요소들만 사용하고 나머지를 0으로 설정함으로써 과대적합을 방지할 수 있다.
마지막으로 다항 회귀(Polynomial regression)를 예로 들 수 있다. 다항 회귀는 선형 모델을 사용하여 비선형 데이터 집합을 모델링한다. 이것은 동그란 모양의 구멍에 네모난 모양의 못 또는 말뚝을 끼워 넣는 것과 같다. 다항 회귀는 독립 변수가 여러 개인 선형 회귀를 뜻하는 다중 선형 회귀와 비슷한 방식으로 작동하지만, 비선형 곡선을 사용한다. 즉, 데이터 포인트가 비선형 방식으로 존재할 때 사용한다.
모델은 이 데이터 포인트들을 지정된 수준의 다항식 특성으로 변환하고 선형 모델을 사용하여 모델화한다. 선형 회귀에서 볼 수 있는 직선이 아닌 곡선의 다항식 선을 사용하여 최적적합을 수행한다. 그러나 이 모델은 과대적합으로 나타나기 쉬우므로 이상한 결과치를 피하기 위해서는 끝 부분의 곡선을 분석하는 것이 좋다.
회귀 분석에는 위에서 소개한 것들보다 더 많은 종류가 있지만, 이 다섯 가지가 가장 일반적으로 사용되는 것들이다. 가장 적합한 모델을 선택하면 데이터가 가진 잠재력을 최대한 활용하여 더 큰 인사이트를 얻을 수 있다.
이러한 S20 단계의 수행이 완료되면, 컴퓨팅 장치는, 평가 수행 단계(S20)에 의하여 도출된 정량적 평가 수치 및 정성적 평가 정보와, 외부 데이터베이스로부터 수신한 교육 기관 데이터 및 대학별 합격자의 학교생활기록부 데이터에 대한 빅데이터를 이용하여, 적어도 유저 계정이 선택된 목표 전공 및 대학교에 진학 가능한지 여부 및 진학에 필요한 보완 내용을 포함하는 진단 데이터를 생성하여 유저 계정에 제공하는 진단 데이터 제공 단계(S30)를 수행한다.
즉, S30 단계는 구체적으로, 상술한 진단 데이터의 생성 프로세스와, 유저 계정에 이를 제공하면서 시각화하여, 유저 계정이 단말을 통해서 시각화된 진단 데이터를 확인할 수 있도록 하는 인터페이싱 단계의 결합으로 이해될 것이다.
외부 데이터베이스는, 예를 들어 학생들의 진학 데이터를 보유하고 있는 대학교의 입학처 데이터베이스, 교육부, 교육청 등 각 대학별로 합격한 합격자의 정보와 함께, 각 합격자의 생기부 데이터 및 S20 단계를 동일하게 적용한 평가 결과 정보를 저장 및 관리하거나, 적어도 생기부 데이터를 포함하는 데이터베이스를 의미한다.
이러한 외부 데이터베이스로부터 수신하게 되는 각 대학 및 전공별 합격자의 생기부 데이터는 상술한 바와 같이 빅데이터로 사용되며, 컴퓨팅 장치는 상술한 인공지능 처리 알고리즘에 따라서, 유저 계정이 선택된 목표 전공 및 대학교에 진학 가능한지 여부 및 진학에 필요한 보완 내용에 대한 진단 데이터를 생성하게 된다.
구체적으로 제공되는 진단 데이터의 예는 다음과 같다.
먼저, 종합 평가 키워드 정보가 포함될 수 있다. 이는 정성적 평가 정보에 대한 토픽 모델링, 빈도수 분석, 및 연관 분석 기법 중 어느 하나를 적용하여 기 저장된 진학 전형별 키워드 중 유저 계정에 적용되는 키워드를 추출하여 생성되는 정보로서, 유저 계정이 해당 진학 전형에서 어떤 단어로 요약 표현될 수 있는지를 확인할 수 있는 정보이다.
예를 들어, 진단 데이터로서 가장 먼저 제공되는 화면의 예인 도 8의 화면(230)의 예에서 종합 평가 키워드 정보(234)를 확인할 수 있다. 해당 화면(230)에는 유저 계정에서 조회 및 제공받은 바 있는 이전의 진단 데이터를 조회할 수 있는 조회 메뉴(231)를 확인할 수 있다.
또한 현재 제공받은 진단 데이터를 인쇄하거나 PDF 등의 시각적 파일로 저장할 수 있는 다운로드 메뉴(232)와, 각 진단 데이터의 용량에 따라서 구분된 탭(233)을 선택하여 각 진단 데이터를 확인할 수 있다.
이때 종합 평가 키워드 정보(234)는 도 8에 도시된 바와 같이, 특정 전형에서 어떤 특징을 가지고 있는지를 아이콘화하여, 어떤 형에 속하는지 여부를 직관적으로 확인할 수 있도록 한다.
한편, S30 단계에 있어서 제공되는 진단 데이터에는, 예를 들어 상술한 빅데이터에 포함된 데이터들로서, 유저 계정이 선택한 전공 및 대학교의 기 합격자들의 정보를 기준으로 한 비교 결과가 포함될 수 있다.
예를 들어, S30 단계에 있어서 컴퓨팅 장치는, 기설정된 다수의 내신 점수 구간 중 유저 계정의 내신 점수에 대응되는 정량적 평가 수치가 속하는 내신 점수 구간 및 빅데이터에 포함된 합격자와의 비교 데이터로서, 정량적 평가 수치에 포함된 평가 요소들 중, 학업 역량, 전공 적합성, 인성 및 발전 가능성에 대한 비교 데이터를 생성하고, 비교 데이터와, 학업 역량, 전공 적합성, 인성 및 발전 가능성에 대한 정량적 평가 수치를 포함하는 진단 데이터를 유저 계정에 제공할 수 있다. 이때 비교 데이터는 시각화한 데이터 또는 수치적인 데이터 중 적어도 하나를 포함할 수 있다.
즉, 유저 계정의 정량적 평가 수치들 중 내신 점수에 관련된 데이터로서, 모든 학생들의 내신 점수를 구간화하고, 다수의 내신 점수 구간 중 유저 계정의 내신 점수가 속한 점수 구간에 대한 정보, 또한 합격자들의 데이터와의 비교 데이터들이 시각화되어 표시될 수 있는 것이다.
이에 대한 인터페이스의 예는 도 9 및 10에 도시된 바와 같다. 즉 방사형 그래프를 통해서, 각 평가 요소로서, 학업역량, 전공적합성, 인성, 발전 가능성 등에 대하여, 상술한 정량적 평가 수치 및 정성적 평가 정보를 통해 유저 계정이 어떤 수준에 있는지 여부를 각 방사형 영역(240)에 대해서 라인(241)을 통해 표현할 수 있다. 또한, 내신 등급, 동내신대 구간, 생기부 원점수 등의 정보(242)를 통해서 유저 계정의 내신 및 생기부에 대한 토탈 정량적 평가 수치를 확인할 수 있다.
한편 도 10에 도시된 바와 같이, 도 9의 절대적인 평가 그래프는 다른 형식으로도 제공될 수 있다. 즉, 유저 계정의 수치(252)가 동내신대의 다른 학생 유저들의 평가수치에 대해서 어떤 상대적 위치에 있는지에 대한 막대 그래프(251) 를 제공할 수 있다. 또는 상기 도 10의 그래프는, 생기부 점수 수치를 막대로, 이에 대해서 각 대학교 및 전공별로 유저 계정이 상위 몇%에 있는지를 꺾인선 그래프로 표현하여 제공되는 것으로도 이해될 수 있다. 이때 각 막대 수치(252)는 학교 및 전공에 적용되는 총 생기부 점수가 될 수 있다.
특히 S30 단계에 있어서 비교 데이터는, 이미 확정된 내신 점수를 기준으로 하여 동내신대 내신 구간에 속한 합격자와의 비교 데이터 및 내신 구간에 관계없는 합격자들과?p의 비교 데이터를 통해서, 동내신대에서 유저 계정의 생기부 데이터의 경쟁력 및 전체적인 내신의 경쟁력에 대한 정보를 확인할 수 있도록 할 수 있다.
즉, 도 11에 도시된 바와 같이 다수의 대학 및 전공에 있어서, 상술한 동내신대에서 유저 계정의 생기부 데이터의 경쟁력 및 전체적인 내신의 경쟁력에 대한 정보(261)을 통해서 각 학교별로 합격 가능성을 유추할 수 있다.
또한 전공계열의 선택에 있어서 가장 적합한 전공, 즉 세부 전공을 선택할 수 있도록 하거나 다른 전공계열을 추천하는 계열 추천 정보(262)를 통해서, 진로선택이 어려운 학생들 또는 대학에 따른 전략적인 지원을 하고자 하는 학생들에게 도움이 될 수 있다. 즉, 해당 평가 결과 정보를 기준으로, 유저 계정이 선택한 목표 전공 및 대학교 이외에, 해당 평가 결과 정보 및 상술한 빅데이터의 전체적인 비교 결과, 진학 가능성이 가장 높은 전공계열을 추천하는 것이다.
한편, S30 단계에서 제공되는 진단 데이터에는, 유저 계정이 선택한 목표 전공 및 대학교에 대한 진학 결정 시, 중점적으로 활용 가능한 유저 계정이 입력한 생기부 데이터 내에서의 주요 활동 사항이나 수상 경력 등에 대한 정보를 가이드 정보로 제공하여, 학생들의 진학 시도 시 최대한의 좋은 평가를 획득할 수 있도록 하여 진학 가능성을 높이도록 할 수 있다.
즉, 컴퓨팅 장치는 S30 단계의 수행에 있어서, 도출된 정보들을, 유저 계정의 선택 입력에 대응되는 목표 전공 및 대학교에 대한 교육 기관 데이터로부터 추출된 진학 기준 정보에 적용하여, 목표 전공 및 대학교의 진학 기준에 활용 가능한 과목별 내신 성적, 총 내신 성적, 학교생활기록부 점수, 수상 정보, 봉사활동 정보, 독서활동 정보, 리더쉽 평가 정보, 진로 활동 정보, 세부 능력 및 특기 사항 정보에 대한 선택 추천 정보를 상기 진단 데이터에 포함하여 유저 계정에 제공할 수 있다.
수상 정보를 대표적인 예로 들면, 도 12에 도시된 바와 같이, 각 생기부 항목(평가 요소)에서 어떤 평가를 받을 수 있는지를 아이콘화(271)하여 표시함으로써, 학생이나 학부모의 이해도를 높일 수 있다.
한편, 생기부 데이터를 통해서 확인할 수 있는 정보로서 전체적인 학년 및 학기별 수상 목록(272)과, 해당 수상 내역을 어떤 역량에 활용 가능한지 여부에 대한 역량 식별 정보(273)를 통해 수상 정보를 어떤 평가 요소를 위해서 활용할 수 있는지를 인지할 수 있도록 할 수 있다.
또한 각 전공 계열에 따른 적합한 수상 예시 정보(274)를 통해서 평가 요소 이외에도, 전공 계열에 따라서 어떤 수상 정보를 활용할지 여부를 결정할 수 있도록 한다.
한편 S30 단계에서 제공되는 진단 데이터에는, 예를 들어 유저 계정의 생기부 데이터에 대한 평가 결과 도출 및 빅데이터를 활용한 진학 가능 여부 판단 시 활용된 정보로서, 고평가를 받은 평가 요소 또는 생기부의 세부 내역 데이터와, 보완이 필요한 평가 요소에 대한 데이터 및 자기 소개서 작성 시 또는 면접 전형에서 사용 가능한 정보가 포함될 수 있다.
이를 위해서 컴퓨팅 장치는, 예를 들어 S30 단계의 수행에 있어서, 유저 계정의 선택 입력에 대응되는 목표 전공 및 대학교에 대한 진학 기준 정보와 유저 계정의 평과 결과 정보를 비교하여, 유저 계정의 학교생활기록부에서 고평가를 받은 평가 요소, 보완이 필요한 평가 요소에 대한 제1 종합 진단 데이터와, 면접 및 자기소개서 진형 수행 시 활용 가능한 유저 계정의 평가 결과 정보에 포함된 키워드 정보를 포함하는 제2 종합 진단 데이터를 상기 진단 데이터에 포함하여 유저 계정에 제공할 수 있다.
예를 들어 도 13을 참조하면, 종합적인 진단 정보 문장(281)과, 생기부의 각 세부 영역에 대한 평가 등급(282), 고평가 요소 및 보완이 필요한 요소에 대한 정보(283) 및 제2 종합 진단 데이터(284)에 대한 정보를 유저 계정이 하나의 종합 진단 페이지에서 확인할 수 있다.
도 13의 예에서는 평가 요소 이외에, 평가 요소에 포함된 세부 평가 요소, 즉 각 생기부의 내신 성적, 학교생활기록부 점수, 수상 정보, 봉사활동 정보, 독서활동 정보, 리더쉽 평가 정보, 진로 활동 정보, 세부 능력 및 특기 사항 정보 등에 대한 내용에 있어서의 제1 종합 진단 데이터 및 제2 종합 진단 데이터가 제공되는 것으로 도시되었으나, 상술한 평가 요소들에 대한 진단 데이터가 제공될 수 있는 것으로도 이해될 것이다. 또한 상술한 평가 요소와 상기의 세부 평가 요소는 서로 속하거나 다른 평가 요소로서 개별적으로 판단될 수 있는 것으로 이해될 것이다.
이러한 종합적인 S10 내지 S30 단계의 기능 수행에 따라서, 도 4와 같이 진단 데이터가 생성되어 유저 계정에 제공될 수 있다. 즉, 생기부 데이터(100)가 자연언어 기계학습 알고리즘(121)에 의하여 처리되면, 정량적인 평가 기준(122)에 따른 정량적 평가 수치(124)와, 정성적인 텍스트 처리(123)에 따른 정성적 평가 정보(125)가 평가 결과 정보로서 생성된다. 이를 외부의 상술한 빅데이터(130)를 통해 처리하면, 상술한 다양한 진단 데이터(131)가 도출되는 것이다.
이러한 과정에 의하면, 유저들은 별도의 전문적인 데이터 입력에 대한 노하우, 추가적인 정보가 전혀 필요 없이, 학생 기록부를 입력하는 것만으로, 입학 컨설턴트가 제공하는 전문적인 진학에 대한 가이드 정보를 제공받을 수 있어, 그 이용성이 크게 증가되어, 그 어떤 장소에서도 매우 저렴한 비용으로 전문적인 입학 컨설턴트가 제공하는 정보를 제공받을 수 있기에, 대학 진학에 있어서 공정한 경쟁이 가능하고, 진학 정보의 이용의 편의성이 크게 증가되는 효과가 있다.
도 3은 본 발명의 장치(10)에 대한 구성 블록도임은 상술한 바와 같다. 이하의 본 발명의 장치(10)에 대한 설명에 있어서 상술한 바와 같이 기 설명된 내용과 중복되는 부분에 대한 설명은 생략하기로 한다.
도 3을 참조하면, 본 발명의 장치(10)는 입력 수신부(11), 평가 수행부(12) 및 진단 데이터 제공부(13)를 포함하는 것을 특징으로 한다.
입력 수신부(11)는 유저 계정의 입력에 의하여 유저 단말(20) 또는 상술한 외부 교육 기관 또는 행정 기관의 단말(30) 등 외부로부터 입력 가능한 데이터로서 유저 계정에 대응되는 학교생활기록부 데이터와, 유저 계정의 선택 입력에 대응되는 목표 전공 및 대학교 데이터를 포함하는 유저 입력 데이터를 수신하는 기능을 수행한다. 즉 상술한 설명에서 S10 단계에 대한 설명에서 언급된 모든 기능을 수행하는 구성으로 이해될 것이다.
평가 수행부(12)는 수신한 유저 입력 데이터를 자연언어 기계학습 처리 알고리즘을 이용하여 분석하여, 목표 전공 및 대학교 데이터를 기준으로 한 정량적 평가 수치 및 정량적 평가 수치의 근거가 되는 정성적 평가 정보를 포함하는 평가 결과 정보를 도출하는 기능을 수행한다. 즉 상술한 설명에서 S20 단계, S21 내지 S23 단계에 대한 설명에서 언급된 모든 기능을 수행하는 구성으로 이해될 것이다.
진단 데이터 제공부(13)는 평가 수행부에 의하여 도출된 정량적 평가 수치 및 정성적 평가 정보와, 교육 기관, 행정 기관 등의 단말(30, 40) 및 외부 데이터베이스(50)로부터 수신한 교육 기관 데이터 및 대학별 합격자의 학교생활기록부 데이터에 대한 빅데이터를 이용하여, 적어도 유저 계정이 선택된 목표 전공 및 대학교에 진학 가능한지 여부 및 진학에 필요한 보완 내용을 포함하는 진단 데이터를 생성하여 유저 계정, 즉 유저 단말(20)에 제공하는 기능을 수행한다. 즉 상술한 설명에서 S30 단계에 대한 설명에서 언급된 모든 기능을 수행하는 구성으로 이해될 것이다.
도 14은 본 발명의 일 실시 예에 따른 컴퓨팅 장치의 내부 구성의 일 예를 도시하였으며, 이하의 설명에 있어서, 상술한 도 1 내지 4에 대한 설명과 중복되는 불필요한 실시 예에 대한 설명은 생략하기로 한다.
도 14에 도시한 바와 같이, 컴퓨팅 장치(10000)은 적어도 하나의 프로세서(processor)(11100), 메모리(memory)(11200), 주변장치 인터페이스(peripheral interface)(11300), 입/출력 서브시스템(I/O subsystem)(11400), 전력 회로(11500) 및 통신 회로(11600)를 적어도 포함할 수 있다. 이때, 컴퓨팅 장치(10000)은 촉각 인터페이스 장치에 연결된 유저 단말이기(A) 혹은 전술한 컴퓨팅 장치(B)에 해당될 수 있다.
메모리(11200)는, 일례로 고속 랜덤 액세스 메모리(high-speed random access memory), 자기 디스크, 에스램(SRAM), 디램(DRAM), 롬(ROM), 플래시 메모리 또는 비휘발성 메모리를 포함할 수 있다. 메모리(11200)는 컴퓨팅 장치(10000)의 동작에 필요한 소프트웨어 모듈, 명령어 집합 또는 그밖에 다양한 데이터를 포함할 수 있다.
이때, 프로세서(11100)나 주변장치 인터페이스(11300) 등의 다른 컴포넌트에서 메모리(11200)에 액세스하는 것은 프로세서(11100)에 의해 제어될 수 있다.
주변장치 인터페이스(11300)는 컴퓨팅 장치(10000)의 입력 및/또는 출력 주변장치를 프로세서(11100) 및 메모리 (11200)에 결합시킬 수 있다. 프로세서(11100)는 메모리(11200)에 저장된 소프트웨어 모듈 또는 명령어 집합을 실행하여 컴퓨팅 장치(10000)을 위한 다양한 기능을 수행하고 데이터를 처리할 수 있다.
입/출력 서브시스템(11400)은 다양한 입/출력 주변장치들을 주변장치 인터페이스(11300)에 결합시킬 수 있다. 예를 들어, 입/출력 서브시스템(11400)은 모니터나 키보드, 마우스, 프린터 또는 필요에 따라 터치스크린이나 센서 등의 주변장치를 주변장치 인터페이스(11300)에 결합시키기 위한 컨트롤러를 포함할 수 있다. 다른 측면에 따르면, 입/출력 주변장치들은 입/출력 서브시스템(11400)을 거치지 않고 주변장치 인터페이스(11300)에 결합될 수도 있다.
전력 회로(11500)는 단말기의 컴포넌트의 전부 또는 일부로 전력을 공급할 수 있다. 예를 들어 전력 회로(11500)는 전력 관리 시스템, 배터리나 교류(AC) 등과 같은 하나 이상의 전원, 충전 시스템, 전력 실패 감지 회로(power failure detection circuit), 전력 변환기나 인버터, 전력 상태 표시자 또는 전력 생성, 관리, 분배를 위한 임의의 다른 컴포넌트들을 포함할 수 있다.
통신 회로(11600)는 적어도 하나의 외부 포트를 이용하여 다른 컴퓨팅 장치와 통신을 가능하게 할 수 있다.
또는 상술한 바와 같이 필요에 따라 통신 회로(11600)는 RF 회로를 포함하여 전자기 신호(electromagnetic signal)라고도 알려진 RF 신호를 송수신함으로써, 다른 컴퓨팅 장치와 통신을 가능하게 할 수도 있다.
이러한 도 14의 실시 예는, 컴퓨팅 장치(10000)의 일례일 뿐이고, 컴퓨팅 장치(11000)은 도 14에 도시된 일부 컴포넌트가 생략되거나, 도 14에 도시되지 않은 추가의 컴포넌트를 더 구비하거나, 2개 이상의 컴포넌트를 결합시키는 구성 또는 배치를 가질 수 있다. 예를 들어, 모바일 환경의 통신 단말을 위한 컴퓨팅 장치는 도 14에도시된 컴포넌트들 외에도, 터치스크린이나 센서 등을 더 포함할 수도 있으며, 통신 회로(1160)에 다양한 통신방식(WiFi, 3G, LTE, Bluetooth, NFC, Zigbee 등)의 RF 통신을 위한 회로가 포함될 수도 있다. 컴퓨팅 장치(10000)에 포함 가능한 컴포넌트들은 하나 이상의 신호 처리 또는 어플리케이션에 특화된 집적 회로를 포함하는 하드웨어, 소프트웨어, 또는 하드웨어 및 소프트웨어 양자의 조합으로 구현될 수 있다.
본 발명의 실시 예에 따른 방법들은 다양한 컴퓨팅 장치를 통하여 수행될 수 있는 프로그램 명령(instruction) 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 특히, 본 실시 예에 따른 프로그램은 PC 기반의 프로그램 또는 모바일 단말 전용의 어플리케이션으로 구성될 수 있다. 본 발명이 적용되는 애플리케이션은 파일 배포 시스템이 제공하는 파일을 통해 이용자 단말에 설치될 수 있다. 일 예로, 파일 배포 시스템은 이용자 단말이기의 요청에 따라 상기 파일을 전송하는 파일 전송부(미도시)를 포함할 수 있다.
이상에서 설명된 장치는 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시 예들에서 설명된 장치 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술 분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로 (collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상장치(virtual equipment), 컴퓨터 저장 매체 또는 장치에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨팅 장치상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
실시 예에 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 실시 예를 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 광 기록 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 실시 예들이 비록 한정된 실시 예와 도면에 의해 설명되었으나, 해당 기술 분야에서 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 실시 예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.
Claims (10)
- 하나 이상의 프로세서 및 상기 프로세서에서 수행 가능한 명령들을 저장하는 하나 이상의 메모리를 포함하는 컴퓨팅 장치로 구현되는 학교생활기록부의 인공지능 평가를 이용한 진학 정보 관리 방법에 관한 것으로,
유저 계정의 입력에 의하여 외부로부터 입력 가능한 데이터로서 유저 계정에 대응되는 학교생활기록부 데이터와, 유저 계정의 선택 입력에 대응되는 목표 전공 및 대학교 데이터를 포함하는 유저 입력 데이터를 수신하는 입력 수신 단계;
수신한 상기 유저 입력 데이터를 자연언어 기계학습 처리 알고리즘을 이용하여 분석하여, 목표 전공 및 대학교 데이터를 기준으로 한 정량적 평가 수치 및 정량적 평가 수치의 근거가 되는 정성적 평가 정보를 포함하는 평가 결과 정보를 도출하는 평가 수행 단계; 및
상기 평가 수행 단계에 의하여 도출된 정량적 평가 수치 및 정성적 평가 정보와, 외부 데이터베이스로부터 수신한 교육 기관 데이터 및 대학별 합격자의 학교생활기록부 데이터에 대한 빅데이터를 이용하여, 적어도 유저 계정이 선택된 목표 전공 및 대학교에 진학 가능한지 여부 및 진학에 필요한 보완 내용을 포함하는 진단 데이터를 생성하여 유저 계정에 제공하는 진단 데이터 제공 단계;를 포함하고,
상기 평가 수행 단계는,
입력된 학교생활기록부 데이터를 텍스트 및 영역 XML로 변환한 뒤, 변환 결과를 파싱하여 데이터를 추출 후, 각 평가 요소에 대응되는 밸류값을 산출하는 데이터 산출 단계;
상기 산출된 밸류값 및 텍스트를 기계학습 기반 감성 분류 알고리즘, 유사도 분석, 사전 및 패턴을 통한 분류, 의사결정 트리 및 회귀분석 기법 중 적어도 하나에 적용하여, 각 평가 요소별 정량화를 수행하는 평가 단계; 및
상기 평가 단계에 의하여 산출된 각 평가 요소별로 정량화된 수치를 정량적 평가 수치로, 각 평가 요소별 텍스트 분석 결과를 정성적 평가 정보로 도출하는 평가 결과 도출 단계;를 포함하고,
상기 입력 수신 단계는,
유저 계정으로부터 학교생활기록부 데이터에 대한 선택입력을 수신 시, 학교생활기록부에 대한 데이터 분석, 학년 정보에 대한 분석, 및 상기 학교생활기록부에 대한 데이터 입력값의 존재 여부를 판단하여, 학교생활기록부가 모두 기입 완료된 학년을 선택하고,
상기 평가 수행 단계 및 상기 진단 데이터 제공 단계는,
상기 학교생활기록부가 모두 기입 완료된 것으로 선택된 학년에 대한 학교생활기록부 데이터를 기준으로 평가 결과 정보를 도출하고 진단 데이터를 생성하여 유저 계정에 제공하고,
상기 진단 데이터 제공 단계는,
상기 정성적 평가 정보에 대한 토픽 모델링, 빈도수 분석, 및 연관 분석 기법을 적용하여 기 저장된 진학 전형별 키워드 중 유저 계정에 적용되는 키워드로서 유저 계정이 진학 전형에서 요약 표현되는 단어를 추출하여 생성되는 종합 평가 키워드 정보를 진단 데이터에 포함하여 제공하고,
상기 평가 수행 단계는,
상기 학교생활기록부 데이터에 대한 분석 결과로서, 각 과목별 내신 성적, 각 과목의 조합에 따른 내신 성적, 상기 유저 계정의 선택 입력에 대응되는 목표 전공의 전공 계열에 반영되는 과목의 성적, 출결 정보, 수상 정보, 봉사활동 정보, 독서활동 정보, 리더쉽 평가 정보, 진로 활동 정보, 세부 능력 및 특기 사항 정보를 추출하고, 추출된 정보를 이용하여 상기 평가 결과 정보를 도출하고,
상기 진단 데이터 제공 단계는,
도출된 정보들을, 유저 계정의 선택 입력에 대응되는 목표 전공 및 대학교에 대한 교육 기관 데이터로부터 추출된 진학 기준 정보에 적용하여, 목표 전공 및 대학교의 진학 기준에 활용 가능한 과목별 내신 성적, 총 내신 성적, 학교생활기록부 점수, 수상 정보, 봉사활동 정보, 독서활동 정보, 리더쉽 평가 정보, 진로 활동 정보, 세부 능력 및 특기 사항 정보에 대한 선택 추천 정보를 상기 진단 데이터에 포함하여 상기 유저 계정에 제공하고,
상기 진단 데이터 제공 단계는,
상기 유저 계정의 선택 입력에 대응되는 목표 전공 및 대학교에 대한 진학 기준 정보와 유저 계정의 평과 결과 정보를 비교하여, 유저 계정의 학교생활기록부에서 고평가를 받은 평가 요소, 보완이 필요한 평가 요소에 대한 제1 종합 진단 데이터와, 면접 및 자기소개서 진형 수행 시 활용 가능한 유저 계정의 평가 결과 정보에 포함된 키워드 정보를 포함하는 제2 종합 진단 데이터를 상기 진단 데이터에 포함하여 유저 계정에 제공하는 것을 특징으로 하고,
상기 진단 데이터 제공 단계는,
상기 유저 계정의 선택 입력에 대응되는 목표 전공 및 대학교에 따라서 유저 계정의 총 생기부 점수가 동내신대 다른 학생 유저들의 총 생기부 점수에 대한 상대적 위치에 있는지에 대한 막대 그래프를 제공하는 것을 특징으로 하는 학교생활기록부의 인공지능 평가를 이용한 진학 정보 관리 방법.
- 삭제
- 삭제
- 삭제
- 제1항에 있어서,
상기 진단 데이터 제공 단계는,
기설정된 다수의 내신 점수 구간 중 유저 계정의 내신 점수에 대응되는 정량적 평가 수치가 속하는 내신 점수 구간 및 빅데이터에 포함된 합격자와의 비교 데이터로서,
정량적 평가 수치에 포함된 평가 요소들 중, 학업 역량, 전공 적합성, 인성 및 발전 가능성에 대한 비교 데이터를 생성하고, 상기 비교 데이터와, 상기 학업 역량, 전공 적합성, 인성 및 발전 가능성에 대한 정량적 평가 수치를 포함하는 진단 데이터를 유저 계정에 제공하는 것을 특징으로 하는 학교생활기록부의 인공지능 평가를 이용한 진학 정보 관리 방법.
- 삭제
- 삭제
- 삭제
- 하나 이상의 프로세서 및 상기 프로세서에서 수행 가능한 명령들을 저장하는 하나 이상의 메모리를 포함하는 컴퓨팅 장치로 구현되는 학교생활기록부의 인공지능 평가를 이용한 진학 정보 관리 장치로서,
유저 계정의 입력에 의하여 외부로부터 입력 가능한 데이터로서 유저 계정에 대응되는 학교생활기록부 데이터와, 유저 계정의 선택 입력에 대응되는 목표 전공 및 대학교 데이터를 포함하는 유저 입력 데이터를 수신하는 입력 수신부;
수신한 상기 유저 입력 데이터를 자연언어 기계학습 처리 알고리즘을 이용하여 분석하여, 목표 전공 및 대학교 데이터를 기준으로 한 정량적 평가 수치 및 정량적 평가 수치의 근거가 되는 정성적 평가 정보를 포함하는 평가 결과 정보를 도출하는 평가 수행부; 및
상기 평가 수행부에 의하여 도출된 정량적 평가 수치 및 정성적 평가 정보와, 외부 데이터베이스로부터 수신한 교육 기관 데이터 및 대학별 합격자의 학교생활기록부 데이터에 대한 빅데이터를 이용하여, 적어도 유저 계정이 선택된 목표 전공 및 대학교에 진학 가능한지 여부 및 진학에 필요한 보완 내용을 포함하는 진단 데이터를 생성하여 유저 계정에 제공하는 진단 데이터 제공부;를 포함하고,
상기 평가 수행부는,
입력된 학교생활기록부 데이터를 텍스트 및 영역 XML로 변환한 뒤, 변환 결과를 파싱하여 데이터를 추출 후, 각 평가 요소에 대응되는 밸류값을 산출하고, 상기 산출된 밸류값 및 텍스트를 기계학습 기반 감성 분류 알고리즘, 유사도 분석, 사전 및 패턴을 통한 분류, 의사결정 트리 및 회귀분석 기법 중 적어도 하나에 적용하여, 각 평가 요소별 정량화를 수행한 뒤, 산출된 각 평가 요소별로 정량화된 수치를 정량적 평가 수치로, 각 평가 요소별 텍스트 분석 결과를 정성적 평가 정보로 도출하는 평가 결과 도출부;를 포함하고,
상기 입력 수신부는,
유저 계정으로부터 학교생활기록부 데이터에 대한 선택입력을 수신 시, 학교생활기록부에 대한 데이터 분석, 학년 정보에 대한 분석, 및 상기 학교생활기록부에 대한 데이터 입력값의 존재 여부를 판단하여, 학교생활기록부가 모두 기입 완료된 학년을 선택하고,
상기 평가 수행부 및 상기 진단 데이터 제공부는,
상기 학교생활기록부가 모두 기입 완료된 것으로 선택된 학년에 대한 학교생활기록부 데이터를 기준으로 평가 결과 정보를 도출하고 진단 데이터를 생성하여 유저 계정에 제공하고,
상기 진단 데이터 제공부는,
상기 정성적 평가 정보에 대한 토픽 모델링, 빈도수 분석, 및 연관 분석 기법을 적용하여 기 저장된 진학 전형별 키워드 중 유저 계정에 적용되는 키워드로서 유저 계정이 진학 전형에서 요약 표현되는 단어를 추출하여 생성되는 종합 평가 키워드 정보를 진단 데이터에 포함하여 제공하고,
상기 평가 수행부는,
상기 학교생활기록부 데이터에 대한 분석 결과로서, 각 과목별 내신 성적, 각 과목의 조합에 따른 내신 성적, 상기 유저 계정의 선택 입력에 대응되는 목표 전공의 전공 계열에 반영되는 과목의 성적, 출결 정보, 수상 정보, 봉사활동 정보, 독서활동 정보, 리더쉽 평가 정보, 진로 활동 정보, 세부 능력 및 특기 사항 정보를 추출하고, 추출된 정보를 이용하여 상기 평가 결과 정보를 도출하고,
상기 진단 데이터 제공부는,
도출된 정보들을, 유저 계정의 선택 입력에 대응되는 목표 전공 및 대학교에 대한 교육 기관 데이터로부터 추출된 진학 기준 정보에 적용하여, 목표 전공 및 대학교의 진학 기준에 활용 가능한 과목별 내신 성적, 총 내신 성적, 학교생활기록부 점수, 수상 정보, 봉사활동 정보, 독서활동 정보, 리더쉽 평가 정보, 진로 활동 정보, 세부 능력 및 특기 사항 정보에 대한 선택 추천 정보를 상기 진단 데이터에 포함하여 상기 유저 계정에 제공하고,
상기 진단 데이터 제공부는,
상기 유저 계정의 선택 입력에 대응되는 목표 전공 및 대학교에 대한 진학 기준 정보와 유저 계정의 평과 결과 정보를 비교하여, 유저 계정의 학교생활기록부에서 고평가를 받은 평가 요소, 보완이 필요한 평가 요소에 대한 제1 종합 진단 데이터와, 면접 및 자기소개서 진형 수행 시 활용 가능한 유저 계정의 평가 결과 정보에 포함된 키워드 정보를 포함하는 제2 종합 진단 데이터를 상기 진단 데이터에 포함하여 유저 계정에 제공하는 것을 특징으로 하고,
상기 진단 데이터 제공부는,
상기 유저 계정의 선택 입력에 대응되는 목표 전공 및 대학교에 따라서 유저 계정의 총 생기부 점수가 동내신대 다른 학생 유저들의 총 생기부 점수에 대한 상대적 위치에 있는지에 대한 막대 그래프를 제공하는 것을 특징으로 하는 학교생활기록부의 인공지능 평가를 이용한 진학 정보 관리 장치.
- 컴퓨터-판독가능 기록매체로서,
상기 컴퓨터-판독가능 기록매체는, 컴퓨팅 장치로 하여금 이하의 단계들을 수행하도록 하는 명령들을 저장하며, 상기 단계들은:
유저 계정의 입력에 의하여 외부로부터 입력 가능한 데이터로서 유저 계정에 대응되는 학교생활기록부 데이터와, 유저 계정의 선택 입력에 대응되는 목표 전공 및 대학교 데이터를 포함하는 유저 입력 데이터를 수신하는 입력 수신 단계;
수신한 상기 유저 입력 데이터를 자연언어 기계학습 처리 알고리즘을 이용하여 분석하여, 목표 전공 및 대학교 데이터를 기준으로 한 정량적 평가 수치 및 정량적 평가 수치의 근거가 되는 정성적 평가 정보를 포함하는 평가 결과 정보를 도출하는 평가 수행 단계; 및
상기 평가 수행 단계에 의하여 도출된 정량적 평가 수치 및 정성적 평가 정보와, 외부 데이터베이스로부터 수신한 교육 기관 데이터 및 대학별 합격자의 학교생활기록부 데이터에 대한 빅데이터를 이용하여, 적어도 유저 계정이 선택된 목표 전공 및 대학교에 진학 가능한지 여부 및 진학에 필요한 보완 내용을 포함하는 진단 데이터를 생성하여 유저 계정에 제공하는 진단 데이터 제공 단계;를 포함하고,
상기 평가 수행 단계는,
입력된 학교생활기록부 데이터를 텍스트 및 영역 XML로 변환한 뒤, 변환 결과를 파싱하여 데이터를 추출 후, 각 평가 요소에 대응되는 밸류값을 산출하는 데이터 산출 단계;
상기 산출된 밸류값 및 텍스트를 기계학습 기반 감성 분류 알고리즘, 유사도 분석, 사전 및 패턴을 통한 분류, 의사결정 트리 및 회귀분석 기법 중 적어도 하나에 적용하여, 각 평가 요소별 정량화를 수행하는 평가 단계; 및
상기 평가 단계에 의하여 산출된 각 평가 요소별로 정량화된 수치를 정량적 평가 수치로, 각 평가 요소별 텍스트 분석 결과를 정성적 평가 정보로 도출하는 평가 결과 도출 단계;를 포함하고,
상기 입력 수신 단계는,
유저 계정으로부터 학교생활기록부 데이터에 대한 선택입력을 수신 시, 학교생활기록부에 대한 데이터 분석, 학년 정보에 대한 분석, 및 상기 학교생활기록부에 대한 데이터 입력값의 존재 여부를 판단하여, 학교생활기록부가 모두 기입 완료된 학년을 선택하고,
상기 평가 수행 단계 및 상기 진단 데이터 제공 단계는,
상기 학교생활기록부가 모두 기입 완료된 것으로 선택된 학년에 대한 학교생활기록부 데이터를 기준으로 평가 결과 정보를 도출하고 진단 데이터를 생성하여 유저 계정에 제공하고,
상기 진단 데이터 제공 단계는,
상기 정성적 평가 정보에 대한 토픽 모델링, 빈도수 분석, 및 연관 분석 기법을 적용하여 기 저장된 진학 전형별 키워드 중 유저 계정에 적용되는 키워드로서 유저 계정이 진학 전형에서 요약 표현되는 단어를 추출하여 생성되는 종합 평가 키워드 정보를 진단 데이터에 포함하여 제공하고,
상기 평가 수행 단계는,
상기 학교생활기록부 데이터에 대한 분석 결과로서, 각 과목별 내신 성적, 각 과목의 조합에 따른 내신 성적, 상기 유저 계정의 선택 입력에 대응되는 목표 전공의 전공 계열에 반영되는 과목의 성적, 출결 정보, 수상 정보, 봉사활동 정보, 독서활동 정보, 리더쉽 평가 정보, 진로 활동 정보, 세부 능력 및 특기 사항 정보를 추출하고, 추출된 정보를 이용하여 상기 평가 결과 정보를 도출하고,
상기 진단 데이터 제공 단계는,
도출된 정보들을, 유저 계정의 선택 입력에 대응되는 목표 전공 및 대학교에 대한 교육 기관 데이터로부터 추출된 진학 기준 정보에 적용하여, 목표 전공 및 대학교의 진학 기준에 활용 가능한 과목별 내신 성적, 총 내신 성적, 학교생활기록부 점수, 수상 정보, 봉사활동 정보, 독서활동 정보, 리더쉽 평가 정보, 진로 활동 정보, 세부 능력 및 특기 사항 정보에 대한 선택 추천 정보를 상기 진단 데이터에 포함하여 상기 유저 계정에 제공하고,
상기 진단 데이터 제공 단계는,
상기 유저 계정의 선택 입력에 대응되는 목표 전공 및 대학교에 대한 진학 기준 정보와 유저 계정의 평과 결과 정보를 비교하여, 유저 계정의 학교생활기록부에서 고평가를 받은 평가 요소, 보완이 필요한 평가 요소에 대한 제1 종합 진단 데이터와, 면접 및 자기소개서 진형 수행 시 활용 가능한 유저 계정의 평가 결과 정보에 포함된 키워드 정보를 포함하는 제2 종합 진단 데이터를 상기 진단 데이터에 포함하여 유저 계정에 제공하는 것을 특징으로 하고,
상기 진단 데이터 제공 단계는,
상기 유저 계정의 선택 입력에 대응되는 목표 전공 및 대학교에 따라서 유저 계정의 총 생기부 점수가 동내신대 다른 학생 유저들의 총 생기부 점수에 대한 상대적 위치에 있는지에 대한 막대 그래프를 제공하는 것을 특징으로 컴퓨터-판독가능 기록매체.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210176580A KR102646075B1 (ko) | 2021-12-10 | 2021-12-10 | 학교생활기록부의 인공지능 평가를 이용한 진학 정보 관리 방법, 장치 및 컴퓨터-판독가능 기록매체 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210176580A KR102646075B1 (ko) | 2021-12-10 | 2021-12-10 | 학교생활기록부의 인공지능 평가를 이용한 진학 정보 관리 방법, 장치 및 컴퓨터-판독가능 기록매체 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20230087917A KR20230087917A (ko) | 2023-06-19 |
| KR102646075B1 true KR102646075B1 (ko) | 2024-03-11 |
Family
ID=86988502
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210176580A KR102646075B1 (ko) | 2021-12-10 | 2021-12-10 | 학교생활기록부의 인공지능 평가를 이용한 진학 정보 관리 방법, 장치 및 컴퓨터-판독가능 기록매체 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102646075B1 (ko) |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20180102785A (ko) * | 2017-03-08 | 2018-09-18 | 김동희 | 빅데이터 기반의 맞춤형 진학 정보 서비스 제공 방법 |
| KR20200029975A (ko) * | 2018-09-11 | 2020-03-19 | 엄재선 | 키워드 방식에 의한 학교생활기록부 평가 시스템 및 방법 |
-
2021
- 2021-12-10 KR KR1020210176580A patent/KR102646075B1/ko active IP Right Grant
Also Published As
| Publication number | Publication date |
|---|---|
| KR20230087917A (ko) | 2023-06-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Gigerenzer | Why heuristics work | |
| Ifenthaler et al. | Development and validation of a learning analytics framework: Two case studies using support vector machines | |
| US10515153B2 (en) | Systems and methods for automatically assessing constructed recommendations based on sentiment and specificity measures | |
| Baepler et al. | Academic analytics and data mining in higher education | |
| Leitch et al. | The philosophy and practice of interpretivist research in entrepreneurship: Quality, validation, and trust | |
| Rajni et al. | Predictive analytics in a higher education context | |
| Alyousef | An investigation of metadiscourse features in international postgraduate business students’ texts: The use of interactive and interactional markers in tertiary multimodal finance texts | |
| García-Juan et al. | Psychological empowerment: antecedents from goal orientation and consequences in public sector employees | |
| Qazi et al. | Impact of risk attitude on risk, opportunity, and performance assessment of construction projects | |
| Al Mazidi et al. | Study of general education diploma students’ performance and prediction in Sultanate of Oman, based on data mining approaches | |
| Nilashi et al. | What factors influence students satisfaction in massive open online courses? Findings from user-generated content using educational data mining | |
| Amirhajlou et al. | Application of data mining techniques for predicting residents' performance on pre-board examinations: A case study | |
| Aydoğdu | Educational data mining studies in Turkey: A systematic review | |
| He et al. | Predictive analytics machinery for STEM student success studies | |
| Vásquez et al. | Student desertion: What is and how can it be detected on time? | |
| Kubsch et al. | Distributing epistemic functions and tasks—A framework for augmenting human analytic power with machine learning in science education research | |
| Brick et al. | Rock the MIC: The matrix of implied causation, a tool for experimental design and model checking | |
| Zhao et al. | Modified fuzzy rule-based classification system for early warning of student learning | |
| Strang | How student behavior and reflective learning impact grades in online business courses | |
| Rave et al. | Multi-criteria decision-making leveraged by text analytics and interviews with strategists | |
| Verma et al. | An investigation of novel features for predicting student happiness in hybrid learning platforms–An exploration using experiments on trace data | |
| Hossain | Bridging advanced data science, machine learning and future of accounting and auditing: A theoretical review | |
| Oleksyk et al. | Supporting investment decisions based on cognitive technology | |
| KR102646075B1 (ko) | 학교생활기록부의 인공지능 평가를 이용한 진학 정보 관리 방법, 장치 및 컴퓨터-판독가능 기록매체 | |
| Ramaswami et al. | Capitalizing on Learning Analytics Dashboard for Maximizing Student Outcomes |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |