KR102661319B1 - Ai 기반 대학 학생 분석 및 관리 지원 시스템 - Google Patents

Ai 기반 대학 학생 분석 및 관리 지원 시스템 Download PDF

Info

Publication number
KR102661319B1
KR102661319B1 KR1020210049721A KR20210049721A KR102661319B1 KR 102661319 B1 KR102661319 B1 KR 102661319B1 KR 1020210049721 A KR1020210049721 A KR 1020210049721A KR 20210049721 A KR20210049721 A KR 20210049721A KR 102661319 B1 KR102661319 B1 KR 102661319B1
Authority
KR
South Korea
Prior art keywords
student
information
counseling
analysis
academic
Prior art date
Application number
KR1020210049721A
Other languages
English (en)
Other versions
KR20220143327A (ko
Inventor
서동환
주양익
이수환
Original Assignee
국립한국해양대학교산학협력단
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 국립한국해양대학교산학협력단 filed Critical 국립한국해양대학교산학협력단
Priority to KR1020210049721A priority Critical patent/KR102661319B1/ko
Publication of KR20220143327A publication Critical patent/KR20220143327A/ko
Application granted granted Critical
Publication of KR102661319B1 publication Critical patent/KR102661319B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/20—Education
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/35—Clustering; Classification
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G06N3/0455—Auto-encoder networks; Encoder-decoder networks
    • 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
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/10—Office automation; Time management

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Tourism & Hospitality (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Primary Health Care (AREA)
  • Educational Technology (AREA)
  • Databases & Information Systems (AREA)
  • Educational Administration (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

AI 기반 대학 학생 분석 및 관리 지원 시스템이 개시된다. 일 실시예에 따른 학생 분석 및 관리 지원 시스템에 의해 수행되는 학생 분석 및 관리 지원 방법은, 학적 사항과 관련된 입학 정보, 성적 사항을 포함하는 생활 정보, 상담 내역을 포함하는 상담 정보를 포함하는 데이터를 수집하는 단계; 인공지능을 이용하여 상기 수집된 데이터로부터 학생의 학적 상황 및 사유를 포함하는 학생 정보를 분석하는 단계; 및 상기 분석된 학생 정보에 대한 필요 상담 내용을 추천하는 단계를 포함할 수 있다.

Description

AI 기반 대학 학생 분석 및 관리 지원 시스템{AI-BASED UNIVERSITY STUDENT DB ANALYSIS INTEGRATED MANAGEMENT AND PERFORMANCE DIFFUSION SYSTEM}
아래의 설명은 학생에게 필요한 상담 및 학사 서비스를 제공하는 기술에 관한 것이다.
기존의 학생 관리 시스템은 행정적 효율성을 높이기 위해 스마트폰 및 컴퓨터에서 학부모 및 학생과 같은 외부 관련인의 접근과 모든 데이터를 한 곳에 열람할 수 있도록 구축된 서버 및 플랫폼이다. 이러한 시스템에서 실질적인 학사관리를 위한 분석 및 교수지원 시스템과의 연동은 대부분 수작업으로 이루어지기 때문에 행정적 효율성이 아닌 학사 업무적 효율성은 고려되지 않았다. 따라서 모든 데이터를 종합적으로 분석하여 교수 및 관련 교원들이 적절한 행동을 할 수 있도록 지원하는 시스템이 요구된다.
한편, 빅데이터를 이용한 플랫폼 기반 대학 정보 데이터 분석 시스템(등록번호 10-1996382), 글로벌학사관리교육활동과정의 관리 시스템 및 방법(등록번호 10-19618730000)이 개시된 바 있다.
행정적 편의만을 고려한 기존의 학생 정보 관리 시스템을 탈피하여 실질적으로 학생에게 필요한 상담 및 학사 서비스를 제공하기 위해 AI 기반으로 학생의 정보를 분석하여 추천 상담 내용을 교원에게 추천하는 학생 분석 및 상담 지원 시스템 및 방법을 제공할 수 있다.
학생의 입학 시점부터 현 시점까지의 종합적인 모든 데이터를 보유한 학생 종합 데이터베이스를 분석하여 중도탈락율, 취업률, 진학률 등 종합적인 데이터를 통해 취업상담, 진학상담 등의 필요 상담 내용을 판단하는 시스템 및 방법을 제공할 수 있다.
학생 분석 및 관리 지원 시스템에 의해 수행되는 학생 분석 및 관리 지원 방법은, 학적 사항과 관련된 입학 정보, 성적 사항을 포함하는 생활 정보, 상담 내역을 포함하는 상담 정보를 포함하는 데이터를 수집하는 단계; 인공지능을 이용하여 상기 수집된 데이터로부터 학생의 학적 상황 및 사유를 포함하는 학생 정보를 분석하는 단계; 및 상기 분석된 학생 정보에 대한 필요 상담 내용을 추천하는 단계를 포함할 수 있다.
상기 수집하는 단계는, 상기 입학 정보와 신상 정보를 포함하는 정적 정보와, 상기 정적 정보 이외의 매 학기 갱신되는 생활 정보, 상담 정보를 포함하는 동적 정보를 구분하여 분류하고, 상기 분류된 정적 정보 및 동적 정보를 수집하는 단계를 포함할 수 있다.
상기 수집하는 단계는, 주기적인 상담을 통해 예측 시점 별로 고정된 정적 정보를 CNN을 기반으로 설계된 인코더를 통해 학생 기본 프로파일로 제작하는 단계를 포함할 수 있다.
상기 분석하는 단계는, CNN을 기반으로 설계된 인코더를 통해 인코딩된 학생 기본 프로파일을 RNN의 초기 은닉 정보로 사용하여 학기별 동적 정보를 디코더에 입력하여 매 학기의 학적 사항을 예측하는 단계를 포함하고, 상기 예측된 학적 사항은, 재학, 휴학, 제적을 포함하는 학생의 현황에 따라 다음 학기의 학적 사항을 예측하는 확률 데이터로 출력될 수 있다.
상기 분석하는 단계는, 특정 임계값을 초과하는 확률 데이터를 가진 학생을 위험 학생군으로 분류하여 관리 대상으로 선정하는 단계를 포함할 수 있다.
상기 분석하는 단계는, 상기 학생의 현황 중 제적 및 휴학 사항을 각 위험사유로 매핑한 데이터에 기초하여 사유 정보를 판단하는 단계를 포함하고, 상기 위험 사유는, 학사경고, 편입, 자퇴, 개인사정을 포함할 수 있다.
상기 추천하는 단계는, 상기 분석된 학생 정보를 통해 생성된 학적 사항과 사유 정보에 기초하여 상담 주제를 포함하는 상담 내용을 추천하는 단계를 포함할 수 있다.
상기 추천하는 단계는, 상기 추천된 상담 주제를 포함하는 상담 내용을 통해 상담 프로파일을 생성하고, 상기 생성된 상담 프로파일을 데이터베이스에 업로드하여 학생 데이터를 업데이트하는 단계를 포함할 수 있다.
학생 분석 및 관리 지원 시스템은, 학적 사항과 관련된 입학 정보, 성적 사항을 포함하는 생활 정보, 상담 내역을 포함하는 상담 정보를 포함하는 데이터를 수집하는 데이터 수집부; 인공지능을 이용하여 상기 수집된 데이터로부터 학생의 학적 상황 및 사유를 포함하는 학생 정보를 분석하는 학생 분석부; 및 상기 분석된 학생 정보에 대한 필요 상담 내용을 추천하는 상담 추천부를 포함할 수 있다.
상기 데이터 수집부는, 상기 입학 정보와 신상 정보를 포함하는 정적 정보와, 상기 정적 정보 이외의 매 학기 갱신되는 생활 정보, 상담 정보를 포함하는 동적 정보를 구분하여 분류하고, 상기 분류된 정적 정보 및 동적 정보를 수집할 수 있다.
상기 데이터 수집부는, 주기적인 상담을 통해 예측 시점 별로 고정된 정적 정보를 CNN을 기반으로 설계된 인코더를 통해 학생 기본 프로파일로 제작할 수 있다.
상기 학생 분석부는, CNN을 기반으로 설계된 인코더를 통해 인코딩된 학생 기본 프로파일을 RNN의 초기 은닉 정보로 사용하여 학기별 동적 정보를 디코더에 입력하여 매 학기의 학적 사항을 예측하는 것을 포함하고, 상기 예측된 학적 사항은, 재학, 휴학, 제적을 포함하는 학생의 현황에 따라 다음 학기의 학적 사항을 예측하는 확률 데이터로 출력될 수 있다.
상기 학생 분석부는, 특정 임계값을 초과하는 확률 데이터를 가진 학생을 위험 학생군으로 분류하여 관리 대상으로 선정할 수 있다.
상기 학생 분석부는, 상기 학생의 현황 중 제적 및 휴학 사항을 각 위험사유로 매핑한 데이터에 기초하여 사유 정보를 판단하는 것을 포함하고, 상기 위험 사유는, 학사경고, 편입, 자퇴, 개인사정을 포함할 수 있다.
상기 상담 추천부는, 상기 분석된 학생 정보를 통해 생성된 학적 사항과 사유 정보에 기초하여 상담 주제를 포함하는 상담 내용을 추천하고, 상기 추천된 상담 주제를 포함하는 상담 내용을 통해 상담 프로파일을 생성하고, 상기 생성된 상담 프로파일을 데이터베이스에 업로드하여 학생 데이터를 업데이트할 수 있다.
학생 분석 및 관리 지원 시스템에 의해 수행되는 학생 분석 및 관리 지원 방법을 실행시키기 위해 컴퓨터 판독가능한 기록 매체에 저장되는 컴퓨터 프로그램은, 학적 사항과 관련된 입학 정보, 성적 사항을 포함하는 생활 정보, 상담 내역을 포함하는 상담 정보를 포함하는 데이터를 수집하는 단계; 인공지능을 이용하여 상기 수집된 데이터로부터 학생의 학적 상황 및 사유를 포함하는 학생 정보를 분석하는 단계; 및 상기 분석된 학생 정보에 대한 필요 상담 내용을 추천하는 단계를 포함할 수 있다.
학생의 동적 정보, 정적 정보를 분석하여 탈락, 취업 등 대학생의 상담 효율성을 증진시키고 교육 효과를 극대화하고, 종합적인 데이터 분석을 통해 학생 상담을 지원할 수 있다.
기존의 전문가가 행하던 과정을 최적화하여 교원의 부하를 줄이며 동시에 학생 상담의 효율을 높일 수 있다.
상담이 필요한 위험 학생군에 포함된 학생을 탐색하고, 탐색된 학생에게 필요한 정보를 제공하는 상담 서비스를 추천할 수 있다.
도 1은 일 실시예에 따른 학생 분석 및 관리 지원 시스템의 동작을 설명하기 위한 도면이다.
도 2는 일 실시예에 따른 학생 분석 및 관리 지원 시스템에서 학생 정보를 분석하는 동작을 설명하기 위한 도면이다.
도 3은 일 실시예에 따른 학생 분석 및 관리 지원 시스템의 구성을 설명하기 위한 블록도이다.
도 4는 일 실시예에 따른 학생 분석 및 관리 지원 시스템에서 학생 분석 및 관리 지원 방법을 설명하기 위한 흐름도이다.
이하, 실시예를 첨부한 도면을 참조하여 상세히 설명한다.
도 1은 일 실시예에 따른 학생 분석 및 관리 지원 시스템의 동작을 설명하기 위한 도면이다.
학생 분석 및 관리 지원 시스템(100)은 학생의 정적 정보 및 동적 정보를 분석하여 탈락, 취업 등 대학생의 상담의 효율성을 증진시켜 교육 효과를 극대화하기 위하여 종합적인 데이터 분석을 통해 학생상담을 지원할 수 있다. 이때, 기존의 전문가가 행하던 과정을 최적화하여 교원의 부하를 줄이며 동시에 학생 상담의 효율을 높이기 위해 세 단계의 과정이 수행될 수 있다.
학생 분석 및 관리 지원 시스템(100)은 학생 종합 시스템(110)으로부터 필요한 데이터를 수집하는 데이터 수집 과정, 수집된 데이터를 바탕으로 학생의 학적 상황 및 사유를 분석하는 학생 정보 분석 과정(120) 및 분석된 학생의 학적 상황 및 사유를 통해 추출된 위험 학생군의 데이터를 분석하여 필요 상담 내용을 추천하는 학생 상담 추천 과정(130)으로 구성될 수 있다.
이때, 학생 종합 정보 시스템(110)은 학생이 대학을 입학하면서부터 졸업할 때까지 축적되는 데이터를 관리할 수 있다. 이때, 데이터베이스에 학생의 학적 사항, 성적 사항, 기타 사항 및 상담 내역이 저장될 수 있다. 학생 종합 정보 시스템에 입학 시점에 고정된 입학 정보, 시간(예를 들면, 매 학기)에 따른 생활 정보, 특수한 기타 정보가 취합되어 학생 분석 및 관리 지원 시스템에 전달될 수 있다.
학생 분석 및 관리 지원 시스템(100)은 기 구축된 학생 종합 정보 시스템을 바탕으로 입학 및 신상과 같은 정적 정보와 매 학기마다 갱신되는 동적 정보를 분류하여 수집할 수 있다. 학생 분석 및 관리 지원 시스템(100)은 주기적인 상담을 통해 예측 시점 별로 고정되는 정적 정보를 CNN을 기반으로 설계된 인코더를 통해 학생 기본 프로파일로 제작할 수 있다. 학생 분석 및 관리 지원 시스템(100)은 제작된 학생 기본 프로파일을 인공지능이 특징을 이해할 수 있는 형태로 인코딩하여 학생 정보 분석 과정에서 이용할 수 있다. 학생 분석 관리 지원 시스템(100)은 데이터 처리 과정을 통해 학생 정보를 인공지능이 인식할 수 있는 형태로 재배치할 수 있다. 일반적으로 딥러닝을 기반한 인공지능은 정적 정보와 동적 정보 중 한 형태의 데이터에 전용한 구조로 설계되기 때문에 매 학기 갱신되는 정적 정보가 중심인 학생 분석 및 관리 지원 시스템(100)은 정적 정보를 인코딩하여 분석하는 디코더가 인식 가능한 형식으로 변경할 수 있다.
학생 분석 및 관리 지원 시스템(100)은 학생 정보 분석 과정(120)에서 학적 분석과 현황 추정을 수행할 수 있다. 학생 분석 및 관리 지원 시스템(100)은 인코딩된 학생 기본 프로파일을 RNN의 초기 은닉 정보로 사용하여 학기 별로 동적 정보를 디코더에 입력하여 매 학기의 학적 사항을 예측할 수 있다. 이때, 예측된 학적 사항은 재학, 휴학, 제적 등의 학생의 현황을 통해 개별적으로 다음 학기의 확률 데이터로 출력될 수 있다. 예를 들면, 학생이 재학중이면 0, 학생이 휴학 또는 제적 중 일 경우, 1로 구분하여 확률화 할 수 있고, 확률화를 통해 학생이 다음 학기에 재학, 휴학, 제적 등의 여부가 분석될 수 있다. 다시 말해서, 수집된 데이터에 대한 확률 분석을 통해 위험 학생군이 분류될 수 있다. 학생 분석 및 관리 지원 시스템(100)은 특정 임계값을 초과하는 확률 데이터를 가진 학생을 위험 학생군으로 분류하여 독립적으로 관리할 수 있다. 이때, 특정 임계값은 사전에 교원 또는 상담 전문가에 의해 설정될 수 있다. 학생 분석 및 관리 지원 시스템(100)은 수집된 데이터에 기초하여 학생이 중도탈락(자퇴, 편입, 학사 경고)와 같은 위험사유를 분석하여 위험 학생군을 분류하여 해당 학생을 기준으로 상담 프로파일을 구성할 수 있다. 예를 들면, 학생 분석 및 관리 지원 시스템(100)은 수집된 데이터에 기초하여 학생의 한 학기 동안의 출결 현황, 과제 제출 여부, 성적 정보 등의 요소 정보를 분석하여 위험 학생군을 분류할 수 있다. 이때, 위험 학생군을 분류하는 방법은 다양하게 존재할 수 있으며, 각각의 요소 정보에 대하여 0 또는 1로 구분하고, 0과 1로 분류된 값들을 가산한 후 평균함으로써 각각의 학생에 대한 위험 요소값을 도출할 수 있다. 이와 같이 도출된 위험 요소 값을 다른 학생들과 비교함으로써 기 설정된 순위 이상의 위험 요소 값을 갖는 학생을 위험 학생군으로 분류할 수 있다.
이를 통해 기존의 단순하게 모든 학생에 대하여 일괄적으로 상담을 진행하는 방식에 비해 특정 학생에 대한 집중을 통해 상담의 질을 높이며 담당 교원들의 업무 부하를 최소화할 수 있다. 학적 상항 분석을 위한 디코더의 은닉 정보는 학적 특징 정보를 포함하기 때문에 일종의 개별적으로 구성된 학생 학적 프로파일이라고 할 수 있다. 이러한 은닉 정보를 현황 추정에 사용함으로써 구체적인 사유를 획득할 수 있다.
학생 분석 및 관리 지원 시스템(100)은 제적, 휴학 사항을 각 위험사유로 매핑한 데이터에 기초하여 실제 사유를 판단할 수 있다. 이때, 위험사유는 학사경고, 편입, 자퇴, 개인사정을 포함할 수 있다. 예를 들면, 학생 분석 및 관리 지원 시스템(100)은 학생의 개인 사정으로 인한 휴학, 학생의 제적으로 인한 학사 경고 등과 같이 실제 사유를 판단할 수 있다. 학생 분석 및 관리 지원 시스템(100)은 제적 및 휴학의 경우, 학생이 최종 결정 단계에서 상담을 진행하기 때문에 구체적인 사유를 알기 쉽고, 상담을 통해 축적된 데이터베이스를 바탕으로 학습을 수행할 수 있다. 또한, 학생 분석 및 관리 지원 시스템(100)은 중도탈락학생 데이터베이스에 기초하여 학생의 실제 사유를 분석할 수 있다. 예를 들면, 자퇴, 개인 사정 등으로 인해 학업을 중도 포기한 학생들과 관련된 정보가 중도탈락학생 데이터베이스에 저장되어 있을 수 있다. 중도탈락학생 데이터베이스에 저장된 정보와 학생 종합 정보 시스템(100)에 저장된 정보를 함께 고려하여 학생의 실제 사유를 판단할 수 있다.
학생 분석 및 관리 지원 시스템(100)은 학생 정보를 분석함에 따라 생성된 학적과 사유가 학생 상담 추천 과정을 통해 실제 상담 내용으로 추천할 수 있다. 예를 들면, 학생 분석 및 관리 지원 시스템(100)은 학생 통합 정보 시스템(110)에 저장된 데이터에 기초하여 사유와 상담 간의 연관성을 바탕으로 확률을 통해 추정된 사유 강도를 통해 개별적 상담의 필요성을 분석할 수 있다. 사유와 사유 강도는 벡터화된 결과로써, 상담 종류별 사유 벡터와의 상호 정보(mutual information)을 계산하여 가장 적합한 상담 주제(예를 들면, 진로, 취업, 학원, 심리 등)들을 추천할 수 있다. 예를 들면, 학생 분석 및 관리 지원 시스템(100)에 지금까지 상담을 통해 저장된 상담 정보가 존재할 수 있다. 학생 분석 및 관리 지원 시스템(100)은 상담 정보에 기초하여 학생에게 적합한 추천 상담 내용을 추출할 수 있다.
학생 분석 및 관리 지원 시스템(100)은 추천된 상담 주제를 통해 디지털화된 상담 프로파일을 생성할 수 있다. 학생 분석 및 관리 지원 시스템(100)은 추천된 상담 주제를 통해 상담을 진행할 때, 음성 또는 텍스트 형태로 진행할 수 있다. 예를 들면, 학생 분석 및 관리 시스템(100)은 학생에 따라 추천된 상담 주제를 통해 학생과 질의하기 위한 상담 내용을 생성할 수 있으며, 생성된 상담 내용을 답변받을 수 있다. 이때, 학생에 따라 상담 내용의 강도가 정해질 수 있다. 이러한 상담이 진행됨으로써 상담 프로파일이 완성될 수 있다. 학생 분석 및 관리 시스템은 상담 프로파일을 학생 종합 정보 시스템(110)에 저장할 수 있다. 이에, 학생 종합 정보 시스템(110)에 저장된 상담 내역이 업데이트될 수 있다.
학생 분석 및 관리 지원 시스템(100)은 디지털화된 상담 프로파일을 통해 상담의 질을 향상시키며 실질적으로 학생에게 필요한 부분을 매칭할 수 있다. 또한, 학생 분석 및 관리 지원 시스템(100)은 디지털화된 상담 프로파일을 다시 학생 종합 정보 시스템에 업로드하여 지속적인 시스템 개선을 수행할 수 있다.
학생 분석 및 관리 지원 시스템(100)은 신청하는 내담자만이 제한적 정보를 바탕으로 대응하는 소극적인 방식을 넘어 위험 학생을 찾아내어 필요한 정보를 제공하는 실질적인 상담 서비스를 제공할 수 있으며, 이러한 과정을 위한 전반적인 행정적 부담을 최소화시킬 수 있다. 예를 들면, 학생 분석 및 관리 지원 시스템(100)은 비대면 또는 대면 상담 서비스를 제공할 수 있다. 학생 분석 및 관리 지원 시스템(100)은 비대면 상담 서비스를 진행할 경우, 온라인을 통해 학생과 교원/상담 전문가와의 상담이 이루어지도록 할 수 있고, 대면 상담 서비스를 진행할 경우, 오프라인을 통해 학생과 교원/상담 전문가의 상담이 이루어지도록 할 수 있다. 이때, 학생과 교원/상담 전문가 간 상담 시간을 조율한 후, 비대면 또는 대면 상담 서비스가 진행될 수 있다.
도 2는 일 실시예에 따른 학생 분석 및 관리 지원 시스템에서 학생 정보를 분석하는 동작을 설명하기 위한 도면이다.
학생 분석 및 관리 지원 시스템(100)은 각 학생별 탈락 확률을 분석하고, 분석된 각 학생별 탈락 확률에 대한 위험 정보를 통해 인공지능을 이용하여 추천된 상담 내용을 교원에게 제시할 수 있다. 학생 분석 및 관리 지원 시스템(100)은 학생 정보를 바탕으로 재학, 휴학, 제적 등의 학생 현황에 대한 학적 사항을 분석하여 위험 학생군을 분류할 수 있다. 학생 분석 및 관리 지원 시스템(100)은 위험 학생군으로 분류된 학생을 기준으로 상담 프로파일을 생성할 수 있다. 예를 들면 학생 분석 및 관리 지원 시스템은 딥러닝 기반의 모델을 통해 특징 정보를 추출하고, 추출된 특징 정보를 시간에 따라 동적인 생활 정보와 함께 처리하여 각 학기별 학생의 위험 추이를 분석할 수 있다. 최종적으로 미래인 다음 학기의 학적 사항을 예측함으로써 위험 학생군을 분류할 수 있다. 예를 들면, 다음 학기에 학생이 재학중일 확률이 도출될 수 있다.
일례로, 딥러닝 기반의 모델은 학생 분석 및 관리 지원을 위하여 구성된 것일 수 있다. 딥러닝 기반의 모델은 학생들에 대한 입학 정보와 신상 정보, 매 학기 갱신되는 생활 정보, 상담 정보 등의 데이터 셋을 이용하여 학습된 수 있다. 실시예에서는 딥러닝 기반의 모델은 인코더 및 디코더를 포함할 수 있다. 이때, 인코더는 CNN을 기반으로 설계된 것일 수 있고, 디코더는 RNN을 기반으로 설계된 것일 수 있다. 인코더 및 디코더는 이외에도 다양한 형태로 설계될 수 있다.
도 2를 참고하면, 주기적인 상담을 통해 예측 시점 별로 고정된 정적 정보를 CNN을 기반으로 설계된 인코더를 통해 학생 기본 프로파일로 제작될 수 있다. 인코더에 입학 정보 및 상담 정보가 입력 데이터로 입력될 수 있다. 인코더를 통해 인코딩된 학생 기본 프로파일을 RNN의 초기 은닉 정보로 사용하여 학기별 동적 정보를 디코더에 입력하여 매 학기의 학적 사항이 예측될 수 있다. 인코딩된 학생 기본 파일과 생활 정보를 디코더에 입력함으로써 학생에 대한 학적 사항이 분석될 수 있다. 학생 분석 및 관리 지원 시스템(100)은 학생에 대한 학적 사항이 분석됨에 따라 학생이 위험 학생군인지 여부가 판단될 수 있다.
학생 분석 및 관리 지원 시스템(100)은 위험 학생군으로 분류된 학생에 대한 필요 상담 내용을 상담자 혹은 관련 교원에게 전달할 수 있다. 이때, 위험 학생군으로 분류된 학생의 정보만을 필터링하여 추출된 특징 정보 및 학기별 정보를 입력받을 수 있다.
학생 분석 및 관리 지원 시스템(100)은 위험의 원인을 분석한 뒤, 이를 기반으로 필요 상담 내용을 과거의 데이터베이스에서 검색하여 상담자 혹은 관련 교원에게 전달할 수 있다. 이러한 상담 내용 추천을 통해 전문 상담자의 부하를 최소화시키는 것이 가능하며, 더 나아가 상담과 관련하여 전문성이 비교적 낮은 교원을 지원 가능하다.
도 3은 일 실시예에 따른 학생 분석 및 관리 지원 시스템의 구성을 설명하기 위한 블록도이고, 도 4는 일 실시예에 따른 학생 분석 및 관리 지원 시스템에서 학생 분석 및 관리 지원 방법을 설명하기 위한 흐름도이다.
학생 분석 및 관리 지원 시스템(100)의 프로세서는 데이터 수집부(310), 학생 분석부(320) 및 상담 추천부(330)를 포함할 수 있다. 이러한 프로세서의 구성요소들은 학생 분석 및 관리 지원 시스템에 저장된 프로그램 코드가 제공하는 제어 명령에 따라 프로세서에 의해 수행되는 서로 다른 기능들(different functions)의 표현들일 수 있다. 프로세서 및 프로세서의 구성요소들은 도 4의 학생 분석 및 관리 지원 방법이 포함하는 단계들(410 내지 430)을 수행하도록 학생 분석 및 관리 지원 시스템을 제어할 수 있다. 이때, 프로세서 및 프로세서의 구성요소들은 메모리가 포함하는 운영체제의 코드와 적어도 하나의 프로그램의 코드에 따른 명령(instruction)을 실행하도록 구현될 수 있다.
프로세서는 학생 분석 및 관리 지원 방법을 위한 프로그램의 파일에 저장된 프로그램 코드를 메모리에 로딩할 수 있다. 예를 들면, 학생 분석 및 관리 지원 시스템에서 프로그램이 실행되면, 프로세서는 운영체제의 제어에 따라 프로그램의 파일로부터 프로그램 코드를 메모리에 로딩하도록 학생 분석 및 관리 지원 시스템을 제어할 수 있다. 이때, 데이터 수집부(310), 학생 분석부(320) 및 상담 추천부(330) 각각은 메모리에 로딩된 프로그램 코드 중 대응하는 부분의 명령을 실행하여 이후 단계들(410 내지 430)을 실행하기 위한 프로세서의 서로 다른 기능적 표현들일 수 있다.
단계(410)에서 데이터 수집부(310)는 학적 사항과 관련된 입학 정보, 성적 사항을 포함하는 생활 정보, 상담 내역을 포함하는 상담 정보를 포함하는 데이터를 수집할 수 있다. 데이터 수집부(310)는 입학 정보와 신상 정보를 포함하는 정적 정보와, 정적 정보 이외의 매 학기 갱신되는 생활 정보, 상담 정보를 포함하는 동적 정보를 구분하여 분류하고, 분류된 정적 정보 및 동적 정보를 수집할 수 있다. 데이터 수집부(310)는 정적인 입학 정보(학적 사항)와 동적인 생활 정보(성적 사항, 장학 사항)뿐만 아니라 간헐적으로 등장하는 기타 정보(입상 정보, 건강 정보 등)를 포함하는 데이터베이스에서 필요 데이터를 선택 및 취합하여 인공지능이 이해할 수 있는 형태로 변형할 수 있다. 데이터 수집부(310)는 주기적인 상담을 통해 예측 시점 별로 고정된 정적 정보를 CNN을 기반으로 설계된 인코더를 통해 학생 기본 프로파일로 제작할 수 있다.
단계(420)에서 학생 분석부(320)는 인공지능을 이용하여 수집된 데이터로부터 학생의 학적 상황 및 사유를 포함하는 학생 정보를 분석할 수 있다. 학생 분석부(320)는 CNN을 기반으로 설계된 인코더를 통해 인코딩된 학생 기본 프로파일을 RNN의 초기 은닉 정보로 사용하여 학기별 동적 정보를 디코더에 입력하여 매 학기의 학적 사항을 예측할 수 있다. 학생 분석부(320)는 특정 임계값을 초과하는 확률 데이터를 가진 학생을 위험 학생군으로 분류하여 관리 대상으로 선정할 수 있다. 학생 분석부(320)는 학생의 현황 중 제적 및 휴학 사항을 각 위험사유로 매핑한 데이터에 기초하여 사유 정보를 판단할 수 있다. 예를 들면, 학생 분석부(320)는 학사경고로 인한 제적, 개인사정으로 인한 휴학 등 사유 정보를 생성할 수 있다.
단계(430)에서 상담 추천부(330)는 분석된 학생 정보에 대한 필요 상담 내용을 추천할 수 있다. 상담 추천부(330)는 분석된 학생 정보를 통해 생성된 학적 사항과 사유 정보에 기초하여 상담 주제를 포함하는 상담 내용을 추천할 수 있다. 상담 추천부(330)는 추천된 상담 주제를 포함하는 상담 내용을 통해 상담 프로파일을 생성하고, 생성된 상담 프로파일을 데이터베이스에 업로드하여 학생 데이터를 업데이트할 수 있다. 예를 들면, 상담 추천부(330)는 심리 상담, 진로 상담, 취업 상담을 포함하는 상담 결과를 학생 종합 정보 시스템의 상담 내역에 저장할 수 있다. 상담 추천부(330)는 학생에게 필요한 상담을 추출할 수 있고, 추출된 상담 정보를 이용하여 상담을 제공할 수 있다. 이때, 심리 상담, 진로 상담, 취업 상담에 따라 학생에게 제공되는 상담 정보가 다를 수 있으며, 학생의 상태에 따라 동일한 상담 주제일지라도 상담 내용이 다르게 될 수 있다. 일례로, 상담 추천부(330)는 학생이 자퇴할 확률에 따라 상담 내용이 달라질 수 있다. 예를 들면, 상담 추천부(330)는 학생이 교우 관계로 인한 자퇴할 확률이 기 설정된 기준 이상으로 판단됨에 따라 보다 심층적으로 심리 상담을 진행할 수 있다. 이때, 심리 상담의 내용이 분석된 학생의 학적 사항 및 사유 정보에 따라 질의 내용이 생성될 수 있으며, 생성된 질의를 바탕으로 학생을 상담할 수 있다. 또한, 심리 상담, 진로 상담, 취업 상담이 모두 이루어질 경우에도, 학생의 학적 사항 및 사유 정보에 따라 각각의 상담이 진행되는 비율이 달라질 수 있다. 예를 들면, 심리 상담 20분, 진로 상담 20분, 취업 상담 30분 등 학생의 상태에 따라 상담 시간이 정해질 수 있다.
이상에서 설명된 장치는 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 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 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 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 기술분야에서 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, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치에 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다.
이상과 같이 실시예들이 비록 한정된 실시예와 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.

Claims (16)

  1. 학생 분석 및 관리 지원 시스템에 의해 수행되는 학생 분석 및 관리 지원 방법에 있어서,
    학생의 대학 입학 시점부터 현 시점까지의 학적 사항과 관련된 입학 정보, 성적 사항과 장학 사항을 포함하는 생활 정보, 상담 내역을 포함하는 상담 정보를 포함하는 데이터를 수집하는 단계;
    인공지능을 이용하여 상기 수집된 데이터로부터 학생의 학적 상황 및 사유를 포함하는 학생 정보를 분석하는 단계; 및
    상기 분석된 학생 정보에 대한 필요 상담 내용을 교원에게 추천하는 단계
    를 포함하고,
    상기 수집하는 단계는,
    상기 입학 정보와 신상 정보를 포함하는 정적 정보와, 상기 정적 정보 이외의 매 학기 갱신되는 생활 정보, 상담 정보를 포함하는 동적 정보를 구분하여 분류하는 단계
    를 포함하고,
    상기 분석하는 단계는,
    상기 분류된 정적 정보에 대하여 CNN을 기반으로 설계된 인코더를 통해 제작된 학생 기본 프로파일을 인코딩하여 RNN의 초기 은닉 정보로 사용하고 학기별 동적 정보를 디코더에 입력하여 매 학기의 학적 사항을 예측하고, 특정 임계값을 초과하는 확률 데이터를 가진 학생을 위험 학생군으로 분류하여 관리 대상으로 선정하고, 재학, 휴학, 제적을 포함하는 학생의 현황 중 제적 및 휴학 사항을 각 위험 사유로 매핑한 데이터에 기초하여 사유 정보를 판단하는 단계
    를 포함하고,
    상기 예측된 학적 사항은, 재학, 휴학, 제적을 포함하는 학생의 현황에 따라 다음 학기의 학적 사항을 예측하는 확률 데이터로 출력되는 것이고,
    상기 위험 사유는, 학사경고, 편입, 자퇴, 개인사정을 포함하고
    상기 추천하는 단계는,
    상기 분석된 학생 정보를 통해 생성된 학적 사항과 사유 정보에 기초하여 진로, 취업, 학업, 심리와 관련된 상담 주제를 포함하는 상담 내용을 추천하는 단계
    를 포함하는 학생 분석 및 관리 지원 방법.
  2. 제1항에 있어서,
    상기 수집하는 단계는,
    상기 분류된 정적 정보 및 동적 정보를 수집하는 단계
    를 포함하는 학생 분석 및 관리 지원 방법.
  3. 제2항에 있어서,
    상기 수집하는 단계는,
    주기적인 상담을 통해 예측 시점 별로 고정된 정적 정보를 CNN을 기반으로 설계된 인코더를 통해 학생 기본 프로파일로 제작하는 단계
    것을 특징으로 하는 학생 분석 및 관리 지원 방법.
  4. 삭제
  5. 삭제
  6. 삭제
  7. 삭제
  8. 제1항에 있어서,
    상기 추천하는 단계는,
    상기 추천된 상담 주제를 포함하는 상담 내용을 통해 상담 프로파일을 생성하고, 상기 생성된 상담 프로파일을 데이터베이스에 업로드하여 학생 데이터를 업데이트하는 단계
    를 포함하는 학생 분석 및 관리 지원 방법.
  9. 학생 분석 및 관리 지원 시스템에 있어서,
    학생의 대학 입학 시점부터 현 시점까지의 학적 사항과 관련된 입학 정보, 성적 사항과 장학 사항을 포함하는 생활 정보, 상담 내역을 포함하는 상담 정보를 포함하는 데이터를 수집하는 데이터 수집부;
    인공지능을 이용하여 상기 수집된 데이터로부터 학생의 학적 상황 및 사유를 포함하는 학생 정보를 분석하는 학생 분석부; 및
    상기 분석된 학생 정보에 대한 필요 상담 내용을 교원에게 추천하는 상담 추천부
    를 포함하고,
    상기 데이터 수집부는,
    상기 입학 정보와 신상 정보를 포함하는 정적 정보와, 상기 정적 정보 이외의 매 학기 갱신되는 생활 정보, 상담 정보를 포함하는 동적 정보를 구분하여 분류하는 것을 포함하고,
    상기 학생 분석부는,
    상기 분류된 정적 정보에 대하여 CNN을 기반으로 설계된 인코더를 통해 제작된 학생 기본 프로파일을 인코딩하여 RNN의 초기 은닉 정보로 사용하고 학기별 동적 정보를 디코더에 입력하여 매 학기의 학적 사항을 예측하고, 특정 임계값을 초과하는 확률 데이터를 가진 학생을 위험 학생군으로 분류하여 관리 대상으로 선정하고, 재학, 휴학, 제적을 포함하는 학생의 현황 중 제적 및 휴학 사항을 각 위험 사유로 매핑한 데이터에 기초하여 사유 정보를 판단하는 것을 포함하고,
    상기 예측된 학적 사항은, 재학, 휴학, 제적을 포함하는 학생의 현황에 따라 다음 학기의 학적 사항을 예측하는 확률 데이터로 출력되는 것이고,
    상기 위험 사유는, 학사경고, 편입, 자퇴, 개인사정을 포함하고
    상기 상담 추천부는,
    상기 분석된 학생 정보를 통해 생성된 학적 사항과 사유 정보에 기초하여 진로, 취업, 학업, 심리와 관련된 상담 주제를 포함하는 상담 내용을 추천하는
    학생 분석 및 관리 지원 시스템.
  10. 제9항에 있어서,
    상기 데이터 수집부는,
    상기 분류된 정적 정보 및 동적 정보를 수집하는
    것을 특징으로 하는 학생 분석 및 관리 지원 시스템.
  11. 제10항에 있어서,
    상기 데이터 수집부는,
    주기적인 상담을 통해 예측 시점 별로 고정된 정적 정보를 CNN을 기반으로 설계된 인코더를 통해 학생 기본 프로파일로 제작하는
    것을 특징으로 하는 학생 분석 및 관리 지원 시스템.
  12. 삭제
  13. 삭제
  14. 삭제
  15. 제9항에 있어서,
    상기 상담 추천부는,
    상기 추천된 상담 주제를 포함하는 상담 내용을 통해 상담 프로파일을 생성하고, 상기 생성된 상담 프로파일을 데이터베이스에 업로드하여 학생 데이터를 업데이트하는
    것을 특징으로 하는 학생 분석 및 관리 지원 시스템.
  16. 학생 분석 및 관리 지원 시스템에 의해 수행되는 학생 분석 및 관리 지원 방법을 실행시키기 위해 컴퓨터 판독가능한 기록 매체에 저장되는 컴퓨터 프로그램에 있어서,
    학생의 대학 입학 시점부터 현 시점까지의 학적 사항과 관련된 입학 정보, 성적 사항고 장학 사항을 포함하는 생활 정보, 상담 내역을 포함하는 상담 정보를 포함하는 데이터를 수집하는 단계;
    인공지능을 이용하여 상기 수집된 데이터로부터 학생의 학적 상황 및 사유를 포함하는 학생 정보를 분석하는 단계; 및
    상기 분석된 학생 정보에 대한 필요 상담 내용을 교원에게 추천하는 단계
    를 포함하고,
    상기 수집하는 단계는,
    상기 입학 정보와 신상 정보를 포함하는 정적 정보와, 상기 정적 정보 이외의 매 학기 갱신되는 생활 정보, 상담 정보를 포함하는 동적 정보를 구분하여 분류하는 단계
    를 포함하고,
    상기 분석하는 단계는,
    상기 분류된 정적 정보에 대하여 CNN을 기반으로 설계된 인코더를 통해 제작된 학생 기본 프로파일을 인코딩하여 RNN의 초기 은닉 정보로 사용하고 학기별 동적 정보를 디코더에 입력하여 매 학기의 학적 사항을 예측하고, 특정 임계값을 초과하는 확률 데이터를 가진 학생을 위험 학생군으로 분류하여 관리 대상으로 선정하고, 재학, 휴학, 제적을 포함하는 학생의 현황 중 제적 및 휴학 사항을 각 위험 사유로 매핑한 데이터에 기초하여 사유 정보를 판단하는 단계
    를 포함하고,
    상기 예측된 학적 사항은, 재학, 휴학, 제적을 포함하는 학생의 현황에 따라 다음 학기의 학적 사항을 예측하는 확률 데이터로 출력되는 것이고,
    상기 위험 사유는, 학사경고, 편입, 자퇴, 개인사정을 포함하고
    상기 추천하는 단계는,
    상기 분석된 학생 정보를 통해 생성된 학적 사항과 사유 정보에 기초하여 진로, 취업, 학업, 심리와 관련된 상담 주제를 포함하는 상담 내용을 추천하는 단계
    를 포함하는 컴퓨터 판독가능한 기록 매체에 저장된 컴퓨터 프로그램.
KR1020210049721A 2021-04-16 2021-04-16 Ai 기반 대학 학생 분석 및 관리 지원 시스템 KR102661319B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210049721A KR102661319B1 (ko) 2021-04-16 2021-04-16 Ai 기반 대학 학생 분석 및 관리 지원 시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210049721A KR102661319B1 (ko) 2021-04-16 2021-04-16 Ai 기반 대학 학생 분석 및 관리 지원 시스템

Publications (2)

Publication Number Publication Date
KR20220143327A KR20220143327A (ko) 2022-10-25
KR102661319B1 true KR102661319B1 (ko) 2024-04-30

Family

ID=83803573

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210049721A KR102661319B1 (ko) 2021-04-16 2021-04-16 Ai 기반 대학 학생 분석 및 관리 지원 시스템

Country Status (1)

Country Link
KR (1) KR102661319B1 (ko)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101318562B1 (ko) * 2012-06-15 2013-10-16 김근진 진학 정보 제공 시스템, 제공 방법 및 그 방법을 위한 기록매체
KR102186494B1 (ko) * 2020-03-05 2020-12-03 연성대학교 산학협력단 대학의 통합적 성과 관리와 개인 맞춤형 학생 지원을 위한 적응적 빅데이터 분석 방법 및 시스템

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102304683B1 (ko) * 2019-09-26 2021-09-24 (주)강안교육 학습관리 시스템

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101318562B1 (ko) * 2012-06-15 2013-10-16 김근진 진학 정보 제공 시스템, 제공 방법 및 그 방법을 위한 기록매체
KR102186494B1 (ko) * 2020-03-05 2020-12-03 연성대학교 산학협력단 대학의 통합적 성과 관리와 개인 맞춤형 학생 지원을 위한 적응적 빅데이터 분석 방법 및 시스템

Also Published As

Publication number Publication date
KR20220143327A (ko) 2022-10-25

Similar Documents

Publication Publication Date Title
Hamoud et al. Predicting student performance in higher education institutions using decision tree analysis
US20180240015A1 (en) Artificial cognitive declarative-based memory model to dynamically store, retrieve, and recall data derived from aggregate datasets
Assami et al. Personalization criteria for enhancing learner engagement in MOOC platforms
KR102034646B1 (ko) 복수의 질의 응답 모듈을 가지는 자동 질의 응답 시스템
Menon et al. A novel approach to evaluate and rank candidates in a recruitment process by estimating emotional intelligence through social media data
Raleiras et al. Automatic learning styles prediction: A survey of the State-of-the-Art (2006–2021)
KR20210024963A (ko) 사용자가 지망하는 해외 대학 진학에 맞춘 유학 코스 추천 방법, 장치 및 컴퓨터-판독가능 기록매체
US10460245B2 (en) Flexible, personalized student success modeling for institutions with complex term structures and competency-based education
Grewal et al. Developing an intelligent recommendation system for course selection by students for graduate courses
Mohamed et al. A proposed academic advisor model based on data mining classification techniques
Chaudhary et al. Student future prediction using machine learning
KR102624135B1 (ko) 인공지능 기반 기업용 비대면 프로그래밍 교육 자동화플랫폼 서비스 제공 방법, 장치 및 시스템
Liu et al. Educational process mining for discovering students' problem-solving ability in computer programming education
Atienza et al. A Deep Neural Network in a Web-based Career Track Recommender System for Lower Secondary Education
Vignesh et al. Efficient student profession prediction using XGBoost algorithm
KR102661319B1 (ko) Ai 기반 대학 학생 분석 및 관리 지원 시스템
Ibourk et al. An exploration of student grade retention prediction using machine learning algorithms
Parkhi et al. Machine Learning Based Prediction Model for College Admission
CN116703665A (zh) 一种基于数字化计算的学生智能辅导系统和方法
Ranbaduge Use of data mining methodologies in evaluating educational data
OROZOVA et al. Generalized net model for dynamic decision making and prognoses
Mangos et al. Advances in machine learning applications for scenario intelligence: Deep learning
Santoso Predicting student performance using data mining
Bhagya et al. Predictive analysis in academic: An insight to challenges and techniques
Nikolovski et al. Educational data mining: Case study for predicting student dropout in higher education

Legal Events

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