KR20020020772A - The Method of Education Diagnosis and Disposal Using Item Analysis Pattern - Google Patents

The Method of Education Diagnosis and Disposal Using Item Analysis Pattern Download PDF

Info

Publication number
KR20020020772A
KR20020020772A KR1020020010416A KR20020010416A KR20020020772A KR 20020020772 A KR20020020772 A KR 20020020772A KR 1020020010416 A KR1020020010416 A KR 1020020010416A KR 20020010416 A KR20020010416 A KR 20020010416A KR 20020020772 A KR20020020772 A KR 20020020772A
Authority
KR
South Korea
Prior art keywords
pattern
learning
item
learner
item analysis
Prior art date
Application number
KR1020020010416A
Other languages
Korean (ko)
Inventor
이승용
Original Assignee
(주)카디날정보기술
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 (주)카디날정보기술 filed Critical (주)카디날정보기술
Priority to KR1020020010416A priority Critical patent/KR20020020772A/en
Publication of KR20020020772A publication Critical patent/KR20020020772A/en

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/20—Education
    • G06Q50/205—Education administration or guidance
    • 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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"

Abstract

PURPOSE: A method for diagnosing and treating the learning is provided to judge the learning result of a learner by automatically searching a correlated pattern according to attributes of questions selected from question banks, and by enabling the learner to search a correlated pattern and check the similarity of the patterns. CONSTITUTION: Questions(510) are extracted from a question bank(500). A sampling of a question analysis pattern and a learner question analysis pattern is performed including a result estimated by a pattern generator(520). The patterns extracted are stored in a pattern database(570). Patterns generated from the pattern generator(520) are compared in a pattern comparison processor(530). A result from comparing the pattern is used as data for a learning estimation(550) and a learner progress estimation(560). Data generated from the pattern comparison processor(530) are stored in a pattern database(570). Attributes of questions stored in the question bank(500) are readjusted using information stored in the pattern database(570) in a question attribute adjusting system(540).

Description

문항 분석 패턴을 이용한 학습 진단 및 처치 방법{The Method of Education Diagnosis and Disposal Using Item Analysis Pattern}{The Method of Education Diagnosis and Disposal Using Item Analysis Pattern}

본 발명은 문제은행에서 선출된 문항들을 분석하여 문항의 속성별로 패턴을 생성한 다음, 학습자의 평가 결과와 비교하여, 상기 학습자에 가장 적합한 학습 방향을 제공하기 위한 학습 진단 및 처치 방법에 관한 것이다.The present invention relates to a method for diagnosing and treating learning to provide a learning direction most suitable for the learner by analyzing the items selected by the question bank, generating a pattern for each property of the question, and comparing the result with the learner's evaluation.

일반적으로 평가 방법은 학습자의 지적영역이나 능력수준을 평가하기 위해 지필 검사나, 컴퓨터를 활용한 문제은행 유형 등에 적용되고 있다. 이러한 방법 중, 컴퓨터를 활용한 문제은행 방식은 선출된 각 문항들간의 상호연관성보다는 평가된 결과에 대한 인공지능 또는 지식기반 시스템에 의한 평가 시스템을 도입하고 있는 실정이다.In general, the evaluation method is applied to a paper test or a question bank type using a computer to evaluate a learner's intellectual domain or ability level. Among these methods, the problem bank method using a computer introduces an evaluation system based on artificial intelligence or knowledge-based system on the evaluated result rather than the correlation between the selected items.

이러한 평가 시스템은 학습자 평가 결과에 의한 채점과 채점된 결과를 이용한 통계분석의 결과론적 평가 시스템이므로, 학습자의 실수 또는 학습자의 정확한 지적 능력이 어느 부분이 부족한지를 판단하는 기준을 설정하기 어렵다. 따라서, 효율적인 반복 학습의 극대화를 가져올 수 없으며, 보다 능동적인 학습 참여 기회를 학습자에게 부여하지 않는 결과를 초래하게 된다.Since the evaluation system is a consequent evaluation system of statistical analysis using the grading results and the scores obtained by the learner evaluation results, it is difficult to establish a criterion for determining which part of the learner's mistake or the learner's accurate intellectual ability is lacking. Therefore, it is not possible to maximize the efficient repetitive learning, resulting in not giving learners more opportunities for active participation in learning.

본 발명은 상기와 같은 문제점을 해소하기 위해, 문제은행에서 선출된 문항들의 상호연관성과 학습자가 학습한 결과의 상호연관성을 분석하여 학습자의 실수 또는 학습자의 지적 능력이 부족한 부분을 판단하는 학습 진단 및 처치 방법을 제공하는 데 본 발명의 목적이 있는 것이다.In order to solve the above problems, the present invention analyzes the correlation between the questions selected by the question bank and the correlation between the results learned by the learner to determine a learner's mistake or a part of the learner's intellectual ability, and It is an object of the present invention to provide a treatment method.

이와 같은 목적을 달성하기 위한 본 발명은, 문제은행에서 선출된 각 문항간의 상호연관성을 추출하기 위해, 선출된 문항의 정성적 속성들로 구성된 문항 정보 집합을 정의하며, 상기 문항집합을 이용하여 각 문항들간의 관계를 정량적 수치로 구성하고, 정량적 수치로 구성된 문항 정보에서 문항 분석 패턴과, 선출된 문항을 학습자가 평가한 결과를 이용하여 학습 문항 분석 패턴을 추출하는 단계; 상기 문제은행에서 선출된 문항에서 추출된 문항 분석 패턴과, 학습자 평가 결과에서 추출된 학습 문항 분석 패턴의 유사성을 판단하는 단계; 그 평가된 결과에 의하여 학습 진도 계획을 수립하는 단계로 이루어진 것에 특징이 있다.In order to achieve the above object, the present invention defines an item information set composed of qualitative attributes of the selected item, in order to extract the correlation between the items selected by the question bank, and using the set of items Extracting the learning item analysis pattern from the item information consisting of the quantitative values and the result of the learner evaluating the selected item from the item information consisting of the quantitative values; Determining similarity between the item analysis pattern extracted from the question selected from the question bank and the learning item analysis pattern extracted from the learner evaluation result; The evaluation result is characterized in that it consists of the step of establishing a progress plan.

도1은 본 발명의 문항 분석 패턴을 추출하기 위한 문항 배치 3차원 배열1 is a three-dimensional array of questions arranged to extract the item analysis pattern of the present invention

도2는 제1도의 3차원 배열에서 z축 방향을 기준으로 나눈 2차원 평면Figure 2 is a two-dimensional plane divided by the z-axis direction in the three-dimensional array of Figure 1

도3은 본 발명의 문항 분석 패턴을 추출하기 위한 황금분할 방식Figure 3 is a golden division method for extracting the item analysis pattern of the present invention

도4는 본 발명의 문항 분석을 통한 패턴을 추출하는 시스템 흐름도4 is a system flowchart for extracting a pattern through item analysis of the present invention.

도5는 본 발명의 문항 분석 패턴 비교를 수행하는 흐름도Figure 5 is a flow chart for performing item analysis pattern comparison of the present invention

도6은 본 발명의 학습 진단 및 처치 방법의 시스템 구조도Figure 6 is a system structure diagram of the learning diagnosis and treatment method of the present invention

상기 목적을 달성하기 위하여 본 발명은 문제은행에서 선출된 문항들이 가지는 정성적 속성(즉, 난이도, 중요도, 변별도, 집중도 등)들을 이용한 문항 정보 집합을 정의한다.In order to achieve the above object, the present invention defines an item information set using qualitative attributes (ie, difficulty, importance, discrimination, concentration, etc.) of items selected from a question bank.

구체적으로, 한 문항이 가지는 속성들은 특정 범위 안에서 실수 값을 가지는 정량적 수치로 표현되며, 아래 수학식1과 같은 문항 집합 P를 가진다. 여기서 수학식1의 a_i는 문항이 가지는 정성적 속성 값을 의미한다.Specifically, the attributes of an item are expressed as quantitative values having real values within a specific range, and have an item set P as shown in Equation 1 below. Here, a_i in Equation 1 refers to a qualitative attribute value of an item.

상기 수학식1에 의해 정의된 문항 집합 P를 이용하여, 본 발명은 문항들간의 상호연관성을 추출하기 위해 문제은행에서 선출된 문제들을 도1과 같이 배치한다. 도1의 3차원 배열에서 x축(10)과 y축(20)은 선출된 문항들을 나타내며, z축(30)은 문항들이 가지는 정성적 속성을 나타낸다.Using the question set P defined by Equation 1, the present invention arranges the questions selected by the question bank as shown in FIG. 1 to extract the correlation between the questions. In the three-dimensional array of FIG. 1, the x-axis 10 and the y-axis 20 represent elected items, and the z-axis 30 represents qualitative attributes of the items.

상기 도1의 3차원 배열의 각 원소들 값은, 아래 수학식2와 같이 계산되어지며, 수학식2의 Pi는 x축 문항을, Pj는 y축 문항을 나타내며, k는 문항이 가지는 k번째 속성을 나타낸다.The values of the elements of the three-dimensional array of FIG. 1 are calculated as in Equation 2 below, wherein P i in Equation 2 represents an x-axis item, P j represents an y-axis item, and k represents an item. Represents the kth attribute.

상기 수학식2는 선출된 문항과 문항들간에 특정 정성적 속성에 의한 차이(거리)가 얼마 만큼인지를 정량적 수치로 표시한 것이다. 예를 들어, 문제은행에서 선출된 문항 1과 문항 2가, 문항의 정성적 속성 중 하나인, 난이도를 각각 10, 20을 가진다면, 상기 두 문항간의 거리는 10이 된다. 따라서, 수학식2에 의해 계산된 계산 값이 작을수록, 문항이 가지는 특정 정성적 속성에 대하여 두 문항 사이의 연관성이 많음을 의미하며, 값이 클수록 두 문항 사이의 연관성이 적음을 의미한다.Equation 2 is a quantitative value indicating how much the difference (distance) due to specific qualitative attributes between the selected item and the items. For example, if questions 1 and 2 selected by the question bank have difficulty levels of 10 and 20, which are one of the qualitative attributes of the items, the distance between the two items is 10. Therefore, the smaller the calculated value calculated by Equation 2, the greater the correlation between two items with respect to a specific qualitative property of the item, and the larger the value, the less the correlation between the two items.

도1과 같이 구성된 3차원 배열은, 문항 속성에 따른 2차원 배열 평면으로, 정성적 속성 개수만큼 나누어지며, 분리된 2차원 배열 평면은 특정 문항 속성에 의해 결정된 문항들간의 상호연관성을 나타낸다.The three-dimensional array configured as shown in FIG. 1 is divided into two-dimensional array planes according to item attributes, and the number of qualitative attributes is divided, and the separated two-dimensional array planes show correlations between items determined by specific item attributes.

본 발명은 문항이 내포한 특정 정성적 속성에 의해 구성된 각 문항들간의 상호연관성을 추출하기 위해, 유사한 범위의 값들을 가지는 문항들을 집단화하여, 패턴(pattern)을 추출하는 특징을 가진다. 이러한 패턴은 학습자의 학습 결과를 이용하여, 학습자의 실수인지 또는 학습자의 지적 능력의 부족인지 판단하는 기초 자료로 사용된다.The present invention is characterized by extracting a pattern by grouping items having a similar range of values in order to extract the correlation between the items constituted by a specific qualitative attribute implied by the item. This pattern is used as a basis for determining whether the learner's mistake or the learner's intellectual ability is used by using the learner's learning result.

본 발명의 문항 패턴 추출을 위한 집단화 과정은, 도2와 같이 구성된 2차원 배열을 1차원으로 단순화시키는 과정을 선행한다. 수학식2를 살펴보면, 두 문항간의 특정 정성적 속성간의 거리를 절대값으로 표현하기 때문에, 문제은행에서 선출된 임의의 두 문항 Pi와 Pj의 거리와, Pj와 Pi의 거리는 같아지게 된다. 또한, Pi와 Pi의 거리는, 같은 문항의 거리이므로 '0'의 값을 가지게 되어 도2와 같은 특징을 가진다. 따라서, 우선 도2의 대각선(50)을 중심으로 상단(40)과 하단(60)의 값들이 같으며, 대각선(50)의 값들은 '0'으로 표현되기 때문에, 배열의 차수를 낮추어 중복된 계산 과정을 컴퓨터에게 수행하지 않도록 만들어 준다.The grouping process for item pattern extraction of the present invention precedes the process of simplifying the two-dimensional array configured as shown in FIG. In Equation 2, since the distance between specific qualitative attributes between two items is expressed as an absolute value, the distance between any two items P i and P j selected from the question bank is equal to the distance between P j and P i . do. In addition, since the distance between P i and Pi is the same item distance, it has a value of '0' and has the same characteristics as in FIG. 2. Therefore, first, the values of the top 40 and the bottom 60 are the same with respect to the diagonal 50 of FIG. 2, and the values of the diagonal 50 are expressed as '0', so that the order of the array is lowered and overlapped. Don't let the computer do the calculations.

이러한 특징으로 인하여, 수학식2에 의해 결정된 2차원 배열은 수학식3에 의하여 1차원 배열로 재 정의된 문항 상호연관 집합 RE로 재 정의된다.Due to this feature, the two-dimensional array determined by Equation 2 is redefined as an item correlation set RE that is redefined as an one-dimensional array by Equation 3.

상기 수학식3에 의해 정의된 문항 상호연관 집합 RE를 이용하여, 본 발명은 문항 분석 패턴을 추출하는 것을 특징으로 가진다. 집합 RE는 문제은행에서 선출된 문항에 따라 그 값의 범위가 가변적이기 때문에, 특정 규정된 범위의 값을 가지도록 만들어 패턴을 추출하는 방식을 사용한다. 이를 위해, 본 발명은 집합 RE의 값을 백분율로 표시하며, 수학식4에 의해 백분율로 문항 상호연관 집합 RE를 재 정의한다.Using the item correlation set RE defined by Equation 3, the present invention is characterized by extracting an item analysis pattern. The set RE uses a method of extracting a pattern by making it have a specified range of values because the range of values varies depending on the question elected by the question bank. To this end, the present invention displays the value of the set RE as a percentage, and redefines the item correlation set RE as a percentage by the equation (4).

수학식4에 의해서, 재 정의된 수학식3의 문항 상호연관 집합 RE는, 0부터 1까지의 범위를 가진다. 예를 들어, 상기 수학식4에 의해 재 정의된 문항 상호연관 집합 RE가 0에 가까운 값들로 구성되어져 있다면, 문제은행에서 선출된 문항들이 특정 정성적 속성에 대한 분포가 일정하게 유지되고 있다는 것을 의미하고, 이와 반대로, 1에 가까운 값들이 많이 분포되어져 있다면, 문제은행에서 선출된 문항들이 특정 정성적 속성에 대하여, 편차가 큰 문항들로 구성되어져 있다는 것을 의미한다.According to equation (4), the item correlation set RE of the equation (3) which is redefined has a range from 0 to 1. For example, if the item correlation set RE, which is redefined by Equation 4, is composed of values close to zero, it means that the items selected from the question bank have a constant distribution of certain qualitative attributes. On the contrary, if there are many values close to 1, it means that the items selected from the question bank are composed of items with large deviations for a specific qualitative property.

따라서, 수학식4에 의해, 백분율로 표시된 문항 상호연관 집합 RE에서 패턴을 추출하는 과정은, 임의의 오차 범위 안에서 집단화될 수 있는 원소들을 추출하는 것이다. 예를 들어, 백분율로 표시된 문항 상호연관 집합 RE를 두개의 영역으로 나누어 패턴을 추출하고자 할 경우, 임의의 오차를 0.5로 규정하였다고 가정하자. 그러면, 상기 오차 0.5는 0 ~ 0.5의 범위 1과 0.5 ~ 1의 범위 2로 규정할 수 있으며, 백분율로 표시된 문항 상호연관 집합 RE에서, 두 개의 문항 분석 패턴 집합 RE1과 RE2를 추출할 수 있다. 따라서, 문항 분석 패턴 집합 RE1는 0 ~ 0.5의 범위 1을 가지고 생성된 원소들의 집합이고, 문항 분석 패턴 집합 RE2는 0.5 ~ 1의 범위 2를 가지고 생성된 원소들의 집합이 된다.Accordingly, the process of extracting a pattern from the item correlation set RE expressed as a percentage by Equation 4 is to extract elements that can be grouped within an arbitrary error range. For example, suppose that if you want to extract a pattern by dividing the item correlation set RE expressed as a percentage into two areas, let's assume that an arbitrary error is specified as 0.5. Then, the error 0.5 may be defined as a range 1 of 0 to 0.5 and a range 2 of 0.5 to 1, and two item analysis pattern sets RE 1 and RE 2 may be extracted from the item correlation set RE expressed as a percentage. have. Accordingly, the item analysis pattern set RE 1 is a set of elements generated with a range 1 of 0 to 0.5, and the item analysis pattern set RE 2 is a set of elements generated with a range 2 of 0.5 to 1.

상기 예는 본 발명의 문항 분석 패턴 추출 방법에 대한 간단한 설명으로, 본 발명은 백분율로 표시된 문항 상호연관 집합 RE에서 문항 분석 패턴을 추출하기 위해, 황금분할 방법을 사용한다. 상기 황금분할 방법은 피보나치 수열을 이용한 방법으로 도3과 같다. 본 발명은 문항 분석 패턴을 추출하기 위해, 피보나치 수열을 이용한 황금분할 방법을 사용하고 있지만, 문항별 정성적 속성의 특징에 의해서, 영역 분할을 변경하는 것이 타당한지 여부를 검토하는 단계를 추가하여, 타당할 경우에만 영역 분할 방법을 변경하도록 하는 것도 가능하다.The above example is a brief description of the item analysis pattern extraction method of the present invention. The present invention uses a golden division method to extract the item analysis pattern from the item correlation set RE expressed as a percentage. The golden division method is a method using Fibonacci sequence as shown in FIG. Although the present invention uses a golden division method using Fibonacci sequence to extract the item analysis pattern, by adding a step of examining whether or not it is appropriate to change the segmentation according to the characteristics of the qualitative attribute of each item, It is also possible to change the method of partitioning only if it is reasonable.

백분율로 표시된 문항 상호연관 집합 RE의 특정 원소가 0에 가까운 값을 가진다는 것은 유사한 특징을 가지는 문항들이라는 의미이므로, 유사한 문항들에 대한 학습자의 학습 평가가 일정하다면, 문제은행에서 선출된 문항들에 대하여, 학습자의 기본적인 학습 능력은 충분하다고 판단할 수 있다. 따라서, 본 발명은 0에 가까운 값들에 가중치를 두기 위해서, 도3과 같이 피보나치 수열을 이용한 황금분할을 수행한 4가지 영역을 설정하여 문항 분석 패턴을 추출한다.Since a particular element of the item correlation set RE expressed as a percentage has a value close to zero, it means that the items have similar characteristics, so if the learner's learning evaluation of the similar items is constant, the questions selected by the question bank With respect to, it can be determined that the basic learning ability of the learner is sufficient. Accordingly, in order to weight the values close to zero, the present invention sets up four regions in which gold division using Fibonacci sequence is performed as shown in FIG.

상기와 같은 방법으로, 문제은행에서 선출된 문항들에서, 문항들이 내포한 특정 정성적 속성에 대한, 추출된 4가지 유형의 문항 분석 패턴은, 학습자의 학습 평가 결과와 비교하는 근거 자료가 된다. 예를 들어, 학습자의 학습 평가 결과가 문제은행에서 선출된 문항들에 대한 문항 분석 패턴들과 유사하다면, 학습자는 해당 문항들에 대한 근본적인 지적 능력이 충분하다는 의미가 된다.In this way, for the questions selected by the question bank, the four types of item analysis patterns extracted for the specific qualitative attributes contained in the questions are the basis for comparing with the learner's learning evaluation results. For example, if the learner's learning evaluation results are similar to the item analysis patterns for the items selected by the question bank, it means that the learner has sufficient fundamental intellectual capacity for the items.

이를 위해, 본 발명은 문제은행에서 선출한 문항들에서 패턴을 추출하는 방법과 동일하게, 학습자의 학습 평가 결과에서 4가지 유형의 학습 문항 분석 패턴을 추출한다. 단, 학습자의 학습 평가 결과에서 패턴 추출을 수행하기 위한 선 처리로, 해당 문항과 관련된 속성을 곱하여, 수학식5와 같은 학습 결과 집합 RP를 구성한다.To this end, the present invention extracts four types of learning item analysis patterns from the learner's learning evaluation results in the same manner as the method of extracting the patterns from the questions selected by the question bank. However, as a line processing for performing pattern extraction from a learner's learning evaluation result, the learning result set RP as shown in Equation 5 is formed by multiplying an attribute related to the corresponding item.

수학식5에서의 resulti는 학습자가 해당 문항을 평가한 평가 점수이다. 학습 결과 집합인 RP는, 문항 집합 P를 이용하여 문항 분석 패턴과 추출하는 동일한 방법으로, 학습 문항 분석 패턴을 추출하며, 상기 추출된 두 패턴들이 어느 정도 유사한지를 비교, 판단하여, 학습자의 학습 평가를 진단하고 이에 알맞은 학습 처치를 수행한다. 만약, 학습자가 선출된 문항에 대해 충분한 이해가 있었다면, 해당 문항 분석 패턴과 학습 문항 분석 패턴들은 유사한 결과로 나타나며, 이해가 충분하지 않다면, 서로 상이한 패턴 결과가 발생된다.Result i in Equation 5 is the evaluation score of the learner evaluated the item. The RP, which is a learning result set, extracts a learning item analysis pattern in the same way as the item analysis pattern is extracted using the item set P, compares and determines how similar the extracted two patterns are, and evaluates the learner's learning. Diagnose and follow appropriate learning procedures. If the learner has a sufficient understanding of the selected item, the item analysis pattern and the learning item analysis pattern have similar results, and if the understanding is not sufficient, different pattern results are generated.

본 발명에서, 상기 추출된 두 패턴들의 비교 방법으로 인공지능 이론인 퍼지-신경망 모델을 적용할 수 있다. 패턴 인식을 위한 퍼지-신경망 모델은 실세계에 존재하는 형태(문자, 지문 등)들을 인식하는 이론이지만, 실세계에 존재하지 않는 정성적 모델에서 적당한 패턴을 추출할 수만 있다면, 추출된 패턴의 유형을 비교하는데 적절히 사용될 수 있다. 또한 본 발명은 적절한 패턴 비교 방법을 선택할 수 있는 단계를 추가하여, 상기 추출된 두 패턴들의 비교 방법에 가장 적절한 패턴 인식 이론을 설정하도록 구성하는 것도 가능하다.In the present invention, an artificial intelligence theory fuzzy-neural network model may be applied as a method of comparing the extracted two patterns. The fuzzy-neural network model for pattern recognition is a theory that recognizes the forms (characters, fingerprints, etc.) that exist in the real world.However, if a suitable pattern can be extracted from a qualitative model that does not exist in the real world, the types of extracted patterns are compared. Can be used as appropriate. In addition, the present invention may be configured to set a pattern recognition theory that is most suitable for the method of comparing the extracted two patterns by adding a step of selecting an appropriate pattern comparison method.

따라서, 본 발명은 학습자의 학습 능력을 판단하기 위해, 기존 결과론적 방법에 의한 통계학적 학습 진단 시스템의 문제점을, 선출된 문항들의 정성적 속성들과 함께, 선출된 문항들과 학습자가 평가한 결과를 실세계에 존재하는 패턴으로 형상화시킴으로써, 학습자의 정확한 학습 평가를 진단하는 학습 진단 시스템을 구축할 수 있다.Therefore, in order to determine the learner's learning ability, the present invention evaluates the problems of the statistical learning diagnosis system by the existing resultant method, together with the qualitative attributes of the selected items, and the results of the selected items and the learners. By shaping the pattern into a pattern existing in the real world, a learning diagnosis system for diagnosing a learner's accurate learning evaluation can be constructed.

이하 첨부된 도면을 참고로 본 발명의 학습 진단 및 처치 방법을 적용한 학습 진단 시스템에 대해 상세히 설명하기로 한다.Hereinafter, a learning diagnosis system to which the learning diagnosis and treatment method of the present invention is applied will be described in detail with reference to the accompanying drawings.

도4는 본 발명의 문항 분석을 통한 패턴을 추출하는 시스템의 흐름도이다. 도면을 참고로 하면, 상기 문제은행(100)에서 특정 조건을 만족하는 문항을 추출하는 단계를 거쳐(110), 문항이 내포한 정성적 속성을 기반으로 한, 문항 분석 패턴을 생성하는 단계(120)를 수행한다.4 is a flowchart of a system for extracting a pattern through item analysis of the present invention. Referring to the drawings, the question bank 100 extracts an item that satisfies a specific condition (110), and generates an item analysis pattern based on the qualitative attributes of the item (120). ).

다음, 도3의 문항 추출 단계(110)에 의해, 선출된 문항들은 학습자에게 제공되어(130) 학습자의 평가 결과(140)를 얻어내며, 상기 결과를 이용하여, 학습자 문항 분석 패턴을 생성하는 단계(150)를 수행한다.Next, by the item extraction step 110 of FIG. 3, the selected items are provided to the learner 130 to obtain an evaluation result 140 of the learner, and using the result, generating a learner item analysis pattern. Perform 150.

다음, 도3의 문항 분석 패턴(120)과 학습자 문항 분석 패턴(150)은 패턴 인식 처리 기술인 퍼지 또는 신경망을 이용하여 패턴 비교(160)를 수행하며, 패턴 비교 결과가 유사하다고 판정될 경우는 학습자가 선출된 문항(110)에 대해서, 충분한 이해가 있었음을 판단하고, 다음 학습 진도로 나아가지만, 만약, 유사한 패턴이 아닐 경우는 해당 학습자의 재교육을 통한 학습 방법을 수행(170)한다.Next, the item analysis pattern 120 and the learner item analysis pattern 150 of FIG. 3 perform the pattern comparison 160 using a fuzzy or neural network, which is a pattern recognition processing technique, and when the pattern comparison result is determined to be similar, the learner For the selected item 110, it is determined that there is sufficient understanding, and proceeds to the next learning progress, but if it is not a similar pattern, the learning method through re-education of the learner is performed (170).

도4는 도3의 패턴 비교(160)를 수행하는 흐름도이다. 도4의 패턴 비교는 문항 분석 패턴에 관한 것으로, 패턴 입력 부분(200)을 속성 분석 패턴으로 변경하여 처리할 수 있다. 도면을 참고로 하면, 도3에서 문항이 가지고 있는 정성적 속성 개수만큼 추출된 문항 분석 패턴(120)과 학습자 문항 분석 패턴(160)을 입력(200)받아, 인덱스를 초기화(210)한 다음, 인덱스를 하나씩 증가시키면서(290), 인덱스에 해당하는 문항 분석 패턴과 학습자 문항 분석 패턴을 비교(220)한다.4 is a flowchart of performing the pattern comparison 160 of FIG. The pattern comparison of FIG. 4 relates to an item analysis pattern, and may be processed by changing the pattern input part 200 into an attribute analysis pattern. Referring to the drawings, the item analysis pattern 120 and the learner item analysis pattern 160 extracted as many as the number of qualitative attributes of the item in FIG. 3 are received (200), and the index is initialized (210). While increasing the index by one (290), the item analysis pattern corresponding to the index and the learner item analysis pattern is compared 220.

다음, 도4의 인덱스에 의해 결정된 두 패턴과의 비교(220)하는 과정에서 패턴사이의 오차가 발생되며(230), 이러한 오차는 오차 배열에 저장(240)된다.Next, in the process of comparing 220 with the two patterns determined by the index of FIG. 4, an error between the patterns is generated (230), and the errors are stored in the error array (240).

다음, 문항 속성 개수만큼 반복하여 패턴을 비교하여 추출된, 오차 배열을 순차 정렬(260)시키고, 오차 허용치를 입력(270)받는다. 본 발명에서 사용하는 오차 허용치(270)의 초기 값은, 문항 분석 패턴 집합이 가지는 표준편차 값으로 시작하지만, 학습자가 증가할수록 학습자의 학습 결과에 따른 오차를 DB화하여 통계적 수치로 변경하여 설정함으로써, 보다 객관적인 오차 측정을 수행할 수 있다.Next, the error array extracted by comparing the patterns by repeating the number of item attributes is sequentially sorted 260 and an error tolerance is input 270. The initial value of the error tolerance 270 used in the present invention starts with a standard deviation value of the item analysis pattern set, but as the learner increases, the error according to the learner's learning result is converted into a DB and set to a statistical value. Therefore, more objective error measurement can be performed.

여기서, 문항 정보에 입력된 문항 속성 값은, 문항 출제자에 의해 결정된 속성 값이기 때문에, 전적으로 문항 출제자의 주관적인 의견이다. 하지만, 이 문항을 이용하여 학습자들에게 학습을 시킨 결과, 문항 출제자의 의도와는 다른 통계적 결과치로 나타난다면, 이는 문항 속성 값이 잘못 되어진 것으로 보아야 한다.Here, the item attribute value input to the item information is an attribute value determined by the item creator, and thus is entirely subjective opinion of the item creator. However, if the learners are trained using this item and the result is statistically different from the intention of the question creator, it should be regarded as an incorrect item attribute value.

따라서, 본 발명은 문항 분석을 통한 패턴 처리를 도5와 같은 학습 진단 시스템으로 구성한다. 상기 도5에 의해 문제은행(500)에서 추출된 문항들은(510) 패턴 생성기(520)에 의해 학습자의 평가 결과와 함께 문항 분석 패턴과 학습자 문항 분석 패턴을 추출하고, 상기 추출된 패턴을 패턴 DB(570)에 저장한다.Therefore, the present invention configures the pattern processing through the item analysis as the learning diagnosis system as shown in FIG. The items extracted from the question bank 500 by FIG. 5 are extracted from the question analysis pattern and the learner item analysis pattern together with the learner's evaluation result by the pattern generator 520, and the extracted pattern is a pattern DB. Save to 570.

다음, 패턴 생성기(520)에서 생성된 패턴들을 가지고 패턴 비교 처리기(530)에서 상기 도4에 의해 패턴을 비교 처리하고, 패턴 비교 처리 결과는 학습 평가(550)를 위한 자료와 학습자 진도 평가(560)를 위한 자료로 사용한다.Next, the pattern comparison processor 530 compares the patterns according to FIG. 4 with the patterns generated by the pattern generator 520, and the result of the pattern comparison processing includes the data for the learning evaluation 550 and the learner progress evaluation 560. As a resource for).

다음, 패턴 비교 처리기(530)에 의해 생성된 데이터는 패턴 DB(570)에 저장되며, 문항 속성 조정 시스템(540)에서 패턴 DB(570)에 저장된 정보를 이용하여, 문제은행(500)에 저장된 문항들의 속성을 재조정하게 된다.Next, the data generated by the pattern comparison processor 530 is stored in the pattern DB 570, and stored in the question bank 500 by using the information stored in the pattern DB 570 in the item attribute adjustment system 540. The properties of the items will be readjusted.

따라서, 본 발명은 문제은행에 저장된 문항 속성 값이 잘못 입력되어 저장되었을 경우, 원천 데이터의 오류를 판단하지 못하던, 기존 문제은행 시스템의 문제점을 해결하고 있으며, 학습자들의 수가 증가할수록 문제에 대한 객관적 판단 근거를 확보할 수 있는 특징을 가진다.Therefore, the present invention solves the problem of the existing question bank system, which fails to determine the error of the source data when the question attribute value stored in the question bank is inputted incorrectly, and the objective judgment of the problem increases as the number of learners increases. It has the characteristics to secure the evidence.

이상에서 상술한 바와같이, 본 발명에 관한 문항 분석 패턴을 이용한 학습 진단 방법에 있어서는, 문제은행에서 선출된 문항들의 정성적 속성에 의한 상호연관 패턴을 자동으로 찾아내고, 학습자가 평가한 결과를 이와 동일한 방법으로 상호연관 패턴을 찾아내어, 두개의 패턴 사이의 유사성을 검사함으로써, 학습자의 학습 결과가 실수에 의한 오류인지, 지적능력에 의한 부족현상인지를 판단할 수 있으며, 이에 따르는 학습 진도 방향을 제시할 수 있는 효과가 있다.As described above, in the learning diagnosis method using the item analysis pattern according to the present invention, the correlation pattern by the qualitative attributes of the items selected by the question bank is automatically found, and the result evaluated by the learner is compared with the result. By finding the correlation pattern in the same way and checking the similarity between the two patterns, it is possible to determine whether the learner's learning result is an error by mistake or a lack of intellectual ability. There is an effect that can be presented.

또한, 본 발명은 다양한 학습자들의 학습 결과를 DB화하여, 패턴 유형 분석을 통한 학습 방법의 새로운 모델을 제시할 수 있는 전문가 시스템으로 구축하여, 새로운 학습 방법을 학습자에게 제공할 수 있는 이점을 가진다.In addition, the present invention has the advantage of providing a new learning method to learners by constructing a professional system capable of presenting a new model of the learning method through pattern type analysis by DB of the learning results of various learners.

Claims (4)

문항 분석을 통해 패턴을 생성하고, 그 생성된 패턴을 이용하여 학습 진단 및 처치하는 방법에 있어서, 패턴 생성기가 문제은행에서 선출된 문항들의 상호연관성을 나타내는 문항 분석 패턴을 추출하고, 선출된 문항들을 학습자가 학습한 결과를 이용하여, 학습 결과 상호연관성을 나타내는 학습 문항 분석 패턴을 추출하는 단계와;In the method of generating a pattern through item analysis, and using the generated pattern for learning diagnosis and treatment, the pattern generator extracts an item analysis pattern indicating the correlation of the items selected from the question bank, and selects the selected items. Extracting a learning item analysis pattern indicating learning result correlation using the result learned by the learner; 패턴 비교 처리기가 상기 추출된 문항 분석 패턴과 학습 문항 분석 패턴을 비교 처리하고, 비교 처리 과정에서 산출된 오차를 패턴 DB에 오차와 패턴 정보를 함께 저장하고, 상기 오차를 이용한 학습 평가, 학습 진단, 그리고 학습 처치를 수행하는 단계와;The pattern comparison processor compares the extracted item analysis pattern and the learning item analysis pattern, stores the error calculated in the comparison process together with the error and the pattern information in the pattern DB, and uses the error for learning evaluation, learning diagnosis, And performing a learning treatment; 문항 속성 조정 시스템이 패턴 DB에 저장된 오차와 비교 패턴 정보를 이용하여, 문항이 내포한 정성적 속성 값의 오류를 보정하는 단계;Correcting an error of a qualitative attribute value implied by the question using the error and the comparison pattern information stored in the pattern DB; 를 포함하는 것을 특징으로 하는 학습 진단 및 처치 방법.Learning diagnosis and treatment method comprising a. 제 1항에 있어서, 패턴 생성기가 문제은행에서 선출된 문항들을 이용하여 문항 분석 패턴을 추출하는 방식은, 정성적 속성들의 값으로 저장된 문항 정보를 이용하여, 문항들간의 상호연관성을 정성적 속성들의 차이 값으로 표현하고, 임의의 범위로 구간화하여 복수개의 패턴을 추출하는 방식인 것을 특징으로 하는 학습 진단 및 처치 방법.The method of claim 1, wherein the pattern generator extracts the item analysis pattern by using the items selected from the question bank, by using the item information stored as the values of the qualitative attributes, and the correlation between the items. A method for learning diagnosis and treatment, characterized in that the expression is expressed as a difference value, and the intervals in an arbitrary range to extract a plurality of patterns. 제 2항에 있어서, 패턴을 추출하기 위해 임의의 범위를 구간화하는 방법을, 피보나치 수열을 사용한 황금분할법을 특징으로 하는 학습 진단 및 처치 방법.The method according to claim 2, wherein the method of segmenting an arbitrary range for extracting a pattern comprises a golden division method using Fibonacci sequence. 제 1항에 있어서, 패턴 생성기가 문제은행에서 선출된 문항들을 이용하여, 학습자가 학습한 결과에서 학습 문항 분석 패턴을 추출하는 방식은, 각 문항별로 채점된 학습자의 결과 점수에 문항이 가지고 있는 정성적 속성들의 값을 곱한 다음, 문항 분석 패턴 추출하는 방식과 동일하게 패턴을 추출하는 것을 특징으로 하는 학습 진단 및 처치 방법.The method of claim 1, wherein the pattern generator extracts the learning item analysis pattern from the learner's learning results by using the items selected by the question bank, and the information has a score on the student's scores scored for each question. And multiplying the values of the sexual attributes, and extracting the pattern in the same way as the item analysis pattern extraction method.
KR1020020010416A 2002-02-27 2002-02-27 The Method of Education Diagnosis and Disposal Using Item Analysis Pattern KR20020020772A (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020020010416A KR20020020772A (en) 2002-02-27 2002-02-27 The Method of Education Diagnosis and Disposal Using Item Analysis Pattern

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020020010416A KR20020020772A (en) 2002-02-27 2002-02-27 The Method of Education Diagnosis and Disposal Using Item Analysis Pattern

Publications (1)

Publication Number Publication Date
KR20020020772A true KR20020020772A (en) 2002-03-15

Family

ID=19719501

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020020010416A KR20020020772A (en) 2002-02-27 2002-02-27 The Method of Education Diagnosis and Disposal Using Item Analysis Pattern

Country Status (1)

Country Link
KR (1) KR20020020772A (en)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100740152B1 (en) * 2006-11-23 2007-07-18 (주) 에듀플렉스에듀케이션 Test system and method for education
CN111445153A (en) * 2020-03-31 2020-07-24 华中师范大学 Objective test question attribute mode estimation and correction method and system for education measurement

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5934909A (en) * 1996-03-19 1999-08-10 Ho; Chi Fai Methods and apparatus to assess and enhance a student's understanding in a subject
JPH11282826A (en) * 1998-03-31 1999-10-15 Nippon Telegr & Teleph Corp <Ntt> Electronic education system using internet
KR20000058902A (en) * 2000-07-04 2000-10-05 정미숙 Internet-based adaptive testing system and real-time item parameter estimating system
KR20010008049A (en) * 2000-11-04 2001-02-05 김태용 Internet education system using artificial intelligence program
KR20010016638A (en) * 2000-12-30 2001-03-05 김만석 Cyber intelligence study methode using Fuzzy theory
KR20010070616A (en) * 2000-07-25 2001-07-27 박종성 On-line qualifying examination service system using the item response theory and method thereof
KR20010106914A (en) * 2000-05-24 2001-12-07 김정민 automatic question preparing method according to answer

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5934909A (en) * 1996-03-19 1999-08-10 Ho; Chi Fai Methods and apparatus to assess and enhance a student's understanding in a subject
JPH11282826A (en) * 1998-03-31 1999-10-15 Nippon Telegr & Teleph Corp <Ntt> Electronic education system using internet
KR20010106914A (en) * 2000-05-24 2001-12-07 김정민 automatic question preparing method according to answer
KR20000058902A (en) * 2000-07-04 2000-10-05 정미숙 Internet-based adaptive testing system and real-time item parameter estimating system
KR20010070616A (en) * 2000-07-25 2001-07-27 박종성 On-line qualifying examination service system using the item response theory and method thereof
KR20010008049A (en) * 2000-11-04 2001-02-05 김태용 Internet education system using artificial intelligence program
KR20010016638A (en) * 2000-12-30 2001-03-05 김만석 Cyber intelligence study methode using Fuzzy theory

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100740152B1 (en) * 2006-11-23 2007-07-18 (주) 에듀플렉스에듀케이션 Test system and method for education
CN111445153A (en) * 2020-03-31 2020-07-24 华中师范大学 Objective test question attribute mode estimation and correction method and system for education measurement
CN111445153B (en) * 2020-03-31 2023-04-14 华中师范大学 Method and system for estimating and correcting objective test question attribute mode for education measurement

Similar Documents

Publication Publication Date Title
Ahmed et al. Clarify of the random forest algorithm in an educational field
Grinstein et al. Benchmark development for the evaluation of visualization for data mining
CN112184500A (en) Extraclass learning tutoring system based on deep learning and knowledge graph and implementation method
CN110135502A (en) A kind of image fine granularity recognition methods based on intensified learning strategy
CN110472203B (en) Article duplicate checking and detecting method, device, equipment and storage medium
Obsie et al. Prediction of student academic performance using neural network, linear regression and support vector regression: a case study
CN105786898A (en) Domain ontology construction method and apparatus
CN113742396B (en) Mining method and device for object learning behavior mode
CN110232118A (en) A kind of novel answer preference pattern based on GRU attention mechanism
CN106650769A (en) Linear representation multi-view discrimination dictionary learning-based classification method
Aji et al. An implementation of C4. 5 classification algorithm to analyze student’s performance
CN114971425B (en) Database information monitoring method, device, equipment and storage medium
CN111752995A (en) Student data mining system and method
KR20020020772A (en) The Method of Education Diagnosis and Disposal Using Item Analysis Pattern
Kumar et al. Students' Academic Performance Prediction using Regression: A Case Study
Chen Detect multiple choice exam cheating pattern by applying multivariate statistics
CN113627522A (en) Image classification method, device and equipment based on relational network and storage medium
Siregar et al. Implementation Of The Data Mining Cart Algorithm In The Characteristic Pattern Of New Student Admissions
Assegaf Student academic performance prediction on problem based learning using support vector machine and K-nearest neighbor
Villa-Torrano et al. Early prediction of students' efficiency during online assessments using a Long-Short Term Memory architecture.
CN109583500A (en) A kind of aesthetic images quality prediction system and method based on depth drift-diffusion method
CN116523225B (en) Data mining-based overturning classroom hybrid teaching method
Xu et al. Fuzzy comprehensive evaluation model based on rough set theory
Chand et al. Assessment analysis and performance prediction using M5 rules
Ribeiro et al. Global Explanation of Tree-Ensembles Models Based on Item Response Theory

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E601 Decision to refuse application