KR20040021212A - 학습자 특성을 고려한 개인화 학습을 지원하는 학습환경관리시스템 - Google Patents

Abstract

본 발명은 원격교육 환경 하에서 지속적으로 축적되는 학습자 DB, 학습객체(Learning Object) DB, 인터액션(Interaction) DB와 같은 데이터를 분석이 가능한 형태의 요약 통계 데이터(Summarized data) 로 정리하고, 이를 다변량 통계기법 및 데이터마이닝(Data Mining) 기법을 이용하여 분석함으로써 학습자에게 개인화 된 학습을 지원 할 수 있는 학습환경 관리시스템(Educational environment Management System : EMS) 에 관한 것이다.

본발명에서의 EMS 는 최신의 데이터 분석 기법을 이용하여 학습자의 특성에 맞는 최적의 학습 경로 및 학습 환경을 제공해 줌으로써 최고의 학습능률을 달성할 수 있는 학습환경 관리시스템이다.

Description

학습자 특성을 고려한 개인화 학습을 지원하는 학습환경 관리시스템 {Educational environment Management System(EMS) for personalized learning}

본 발명은 원격교육 환경 하에서 지속적으로 축적되는 학습자 DB, 학습객체(Learning Object) DB, 인터액션(Interaction) DB와 같은 데이터를 분석이 가능한 형태의 요약 통계 데이터(Summarized data) 로 정리하고, 이를 다변량 통계기법 및 데이터마이닝(Data Mining) 기법을 이용하여 분석함으로써 학습자에게 개인화 된 학습을 지원 할 수 있는 학습환경 관리시스템(Educational environment Management System : EMS) 에 관한 것이다. 더 상세하게 본 발명은 다음과 같은 기술분야를 포함한다.

1) 원격 교육 시스템 구축 기술

2) 학습자 및 학습정보 저장 기술(데이터 베이스)

3) 학습자 수준/특성 평가 기술

4) 학습자 수준에 맞는 학습자료 제공 기술

원격 교육 환경 하에서의 학습자 수준을 평가하고 그에 맞는 학습 자료 제공하는 분야에 대한 종래기술은 거의 동일하게 다음과 같은 절차를 갖는다. 첫째, 학습자에게 학습자료를 제공하여 제공된 학습자료를 학습하도록 한다. 둘째, 학습이 끝나면 제공된 학습을 제대로 수행했는지를 평가하기 위하여 시험을 제출한다. 셋째, 학습자가 제출한 시험 문항을 채점하여 학습자의 수준을 평가한다. 넷째, 평가된 학습자의 수준에 따라 수준에 맞는 학습자료를 학습자에게 제공한다. 이러한 종래기술은 여러 가지 한계를 가지고 있는데 이를 정리하면 다음과 같다.

1) 학습자 및 학습자료에 대한 데이터베이스가 표준화되어 있지 않다.

2) 학습자의 수준/특성을 추출하는 기술로 시험 문항 제공 및 채점을 채용하고 있어 학습자의 수준을 제대로 파악하기 어렵다.

3) 학습자의 수준에 맞는 학습자료만을 제공하므로 각 단계별로 일관되지 못한 학습자료를 제공하게 된다. 즉, 일관된 학습경로를 제공하는 것이 아니라 각 단계별로 수준을 조정하므로 일관성이 부족하다.

4) 전체적인 학습 환경을 제공하지 못하고 학습 자료만 수준에 맞게 제공하게 된다. 즉, 학습자료가 수준에 맞지 않게 작성되어 있다면 이를 교정할 수 있는 기본 자료를 제공하지 못한다.

본 발명은 상기의 종래기술의 문제점을 해결하기 위한 것으로서, 본 발명의목적은 새로운 학습자가 학습을 시작하면 기본적인 그룹 학습경로를 제공하고 학습이 진행되면서 그에 맞는 소그룹 학습경로를 제공하며, 좀 더 개인화를 높이기 위해 개인 학습경로를 제공함으로써 학습자의 특성에 딱 맞는 학습 환경을 제공하여 학습자의 특성을 추출하고 그에 맞는 학습경로를 제공하여 학습자의 능률을 높이는 학습 환경 관리 시스템을 제공하는데 있다.

본 발명의 목적을 좀더 상세하게 설명하면 다음과 같은 발명을 포함한다.

1) 세계적 표준으로 자리잡고 있는 SCORM 모델의 데이터 모형을 채용한다.

즉, 원격 교육 모델의 세계적 표준으로 자리 잡고 있는 ADL(Advanced Distributed Learning) 의 교육 모델인 SCORM(Sharable Content Object Reference Model)에서 정한 표준 데이터 모형을 채용함으로써 이식성이 뛰어나고 학습자의 인터액션(Interaction) 정보까지 저장하는 자세한 학습 정보를 저장할 수 있는 표준화 된 데이터베이스를 구성한다. SCORM 은 학습자가 하나의 학습자료를 얼마의 시간동안 공부했는가? 와 같은 구체적인 정보를 제공함으로 좀 더 정확한 분석을 할 수 있도록 도와준다.

2) 표준화된 데이터베이스에서 분석에 필요한 정보를 추출할 수 있는 사전처리 기술을 확보한다. 즉, 학습자 및 학습 정보만을 이용하여 분석하는 것이 아니라 한 단계 요약된 정보를 이용하여 더욱 자세한 정보를 추출하기 위해 기존 데이터를 요약된 통계 데이터 형태로 변환하는 기술을 확보한다.

3) 학습자 정보, 요약 통계 데이터를 이용하여 학습 경로를 위한 데이터 분석 기법으로는, 다변량 분석과 같은 통계 분석, 경로분석, 군집분석, 선후관계분석, 의사결정나무, 사례기반추론과 같은 데이터 마이닝 기법을 복합적으로 사용한다. 즉, 그룹 학습경로를 추출하기 위해서는 다변량 통계 분석을 이용하고, 소그룹 학습경로를 추출하기 위해서는 다변량 분석, 군집 분석, 선후관계분석을 이용한 경로 분석, 그룹전이매트릭스 분석 등을 이용하고, 개인 학습경로를 자동으로 추출하기 위해서는 다변량 분석, 그룹전이매트릭스 분석 등을 이용한다.

4) 분석 기법으로 나온 결과를 바탕으로 학습자에게 가장 알맞은 학습경로를 제공함으로써 학습능률을 높일 수 있는 학습 환경을 제공하는 학습 환경 관리 시스템을 구현한다.

본 발명은 이러한 목적을 달성하기 위하여, 학습자의 인적사항, 성향 정보, 학습자별 기본 학습경로, 학습경로를 이용한 학습 능률(진도) 및 학습 인터액션데이터를 데이터 마이닝 기법을 통하여 과학적으로 분석함으로써 학습자의 특성에 꼭 맞는 학습경로를 포함한 학습 환경을 구성해 제공할 수 있다.

본 발명은 원격 교육 환경 하에서 지속적으로 축적되는 학습데이터 베이스를 분석함으로써 학습자에게 개인화 된 통계 데이터를 추출하고 이를 종합적으로 분석하여 학습능률을 계산한다.

본 발명은 학습자 DB, 학습객체 DB, 인터액션 DB의 데이터를 취합하여 분석에 필요한 요약 통계 데이터로 변환하는 사전처리 과정인 제 1 단계; 상기 제 1 단계에서 변환된 데이터 중 전체 학습 통계 데이터를 다변량 통계 분석기법을 이용하여 분석함으로써 전체 학습자의 평균 학습능률을 계산하여, 학습 능률이 부적합 때에는 강사가 그룹 학습경로를 수정하는 제 2 단계; 상기 제 1 단계에서 변환된 데이터 중 개인별 학습 통계 데이터를 다변량 통계 분석기법과 그룹전이 매트릭스 분석을 이용하여 분석함으로써 해당 학습자의 학습능률을 계산하여, 학습 능률이 부적합 때에는 자동 수준 조정을 통한 개인 학습경로 수정단계인 제 3 단계; 상기 제 1 단계에서 변환된 데이터 중 개인별 학습 통계, 학습 경로 통계, 학습자 성향 DB의 군집분석 결과를 다변량 통계 분석기법과 선후관계분석을 이용한 경로분석을 이용하여 분석함으로써, 소그룹을 생성하고 그 소그룹에 속하는 학습자의 학습 경로를 추출해 내는 제 4 단계; 상기 4단계에서 추출한 소그룹에 속하는 학습자들의 특성을 추출하여 해당 소그룹의 특성을 확정 짓고, 새로운 학습자에게 해당 소그룹을 선택할 때, 각 소그룹의 특성과 비교하여 새로운 학습자의 특성과 가장 비슷한 소그룹에 새로운 학습자를 할당하는 5단계를 포함하는 학습환경 관리 시스템을 제공한다.

학습자 개인 관점에서 본 학습 경로의 변화는 다음과 같다. 첫째, 새로운 학습자는 해당 과목에 강사가 기본적으로 제공하도록 설정한 그룹 학습경로를 부여받게 된다. 학습자는 그룹 학습경로에서 제공하는 순서대로 학습을 수행하게 된다. 학습이 진행되면 학습자 DB, 학습객체 DB, 인터액션 DB 에 필요한 정보가 축적되고, 이 정보가 사전처리 되어 요약 통계 데이터로 변환된다. 학습환경 관리시스템은 이 요약 통계 데이터를 분석하여 학습자의 학습 능률을 계산하고, 또한 학습자의 성향정보를 종합하여 학습자에 맞는 소그룹을 설정한다. 그리고 해당 소그룹의 학습경로를 새롭게 학습자에게 제공한다. 학습자는 할당된 소그룹 학습경로를 통하여 개인화 된 학습을 계속 수행하고, 학습이 수행되면서 계속적으로 할당 소그룹과학습경로는 수준에 맞게 변경되어 나간다. 학습 정보가 충분하게 축적되면 학습자 개인의 특성에 딱 맞는 개인화 학습경로를 추출해 낼 수 있게 되는 시점이 되면, 학습환경 관리시스템은 개인 학습경로를 추출해 내고 이를 학습자에게 제공함으로써 가장 높은 개인화 서비스를 제공할 수 있게 된다.

도 1은 본 발명의 실시예에 따른 학습환경 관리시스템(EMS)이 포함된 원격 교육 시스템에 대한 개략적인 블록도이다.

도 2는 본 발명의 실시예에 따른 학습환경 관리시스템의 각 분석과정을 도시한 것이다.

도 3은 본 발명의 실시예에 따른 사전처리 작업 단계의 분석과정을 도시한 것이다.

도 4는 본 발명의 실시예에 따른 그룹 학습 경로 수정 단계의 분석과정을 도시한 것이다.

도 5는 본 발명의 실시예에 따른 소그룹 학습 경로 수정 단계의 분석과정을 도시한 것이다.

도 6은 본 발명의 실시예에 따른 개인 학습 경로 수정 단계의 분석과정을 도시한 것이다.

도 7은 본 발명의 실시예에 따른 군집분류 규칙을 적용한 새 학습자의 해당 소그룹 학습경로 배정 단계의 분석과정을 도시한 것이다.

도 8은 본 발명의 실시예에 따른 시간의 흐름에 따른 개인 학습자의 학습 경로 변경에 대한 절차를 도시한 것이다.

< 도면의 주요부호에 대한 설명>

100 : 학습환경 관리시스템110 : 전반부 시스템

111 : 시스템 운영부112 : 회원 인증부

113 : 접속부120 : 후반부 시스템

121 : 학습자 DB122 : 인터액션 DB

123 : 학습객체 DB130 : 인터넷

140 : 학습자 PC

이하, 본 발명의 구성에 대한 실시예를 첨부된 도면을 참조하여 상세히 설명하기로 한다.

도 1은 본 발명에 따른 학습 환경 관리 시스템의 전체적인 모습을 보여주고 있다. 도 1에 도시된 바와 같이 학습 환경 관리 시스템(100)은 학습자들과의 직접적인 인터액션(interaction)이 있는 전반부 시스템(110)과 학습환경 관리시스템(100)에서 사용하는 데이터가 존재하는 후반부 시스템(120)으로 나눌 수 있다. 또한, 학습자는 학습자의 컴퓨터(140)을 가지고 인터넷(130)을 이용하여 전반부 시스템(110)에 접근할 수 있다.

전반부 시스템(110)은 시스템 운영부(111), 회원 인증부(112), 접속부(113) 등으로 구성되어 있다. 학습자가 개인PC(140)을 가지고 인터넷(130)을 통하여 사업자 시스템에 처음 접하게 되는 곳은 접속부(113)이다.접속부(113)에서는 학습자가 사업자 시스템의 홈페이지를 접하게 된다. 회원 인증부(112)에서는 학습자가 자신의 신분을 먼저 선택하게 된다. 즉, 교사인지 학생인지 선택해야 한다. 그 후에 아이디와 패스워드를 입력하면 시스템 운영부(111)을 통해서 학습자 데이터베이스(121)와 비교하여 올바른 학생인지 판단하게 된다. 만약 기존의 학습자가 아니라면 신규가입 버튼을 이용하여 신규가입을 하게 되면 시스템 운영부(111)를 통해서 학습자 데이터베이스(121)에 새로운 사용자 정보를 업데이트 하게 된다.

시스템 운영부(112)는 크게 두 가지의 주요한 일을 처리하게 된다. 하나는 앞에서 설명한 바와 같이 회원 인증부(112)에서 받은 사용자의 아이디와 패스워드를 받아 학습자 데이터베이스(121)와 비교하여 올바른 학습자가 접속했는지에 대한 여부를 파악하고, 다른 하나는, 학습 환경 관리 시스템(100)을 통하여 개인화된 홈페이지 화면 및 개인화된 과목별 학습 순서를 보여주게 된다. 이러한 개인화된 학습은 학습 환경 관리 시스템(100)에서 후반부 시스템(120)의 데이터베이스를 이용하여 개인별로 추출하게 된다.

후반부 시스템(120)은 크게 세 개의 데이터베이스로 구성되어 있다. 학습자 관련 데이터베이스(121), 인터액션 관련 데이터베이스(122), 학습객체(Learning Object) 관련 데이터베이스(123) 등의 세 가지이다. 학습자 데이터베이스(121)는 학습자에 관련된 데이터를 가지고 있다. 인터액션 데이터베이스(122)는 학습자가 원격 교육 시스템과의 학습을 통한 상호 작업과 관련된 자세한 데이터를 가지고 있다. 학습객체 데이터베이스(123)는 원격교육 시스템에서 사용하는 다양한 형태의 학습객체를 저장하고 있다.

도 2는 도 1에서의 학습 환경 관리 시스템(100)의 전체적인 구조도이다. 도 2의 전체적인 모습은 다음과 같이 5개의 부분으로 나누어 설명할 수 있다. 요약 통계 데이터 추출, 그룹 학습 경로 재작성, 소그룹 학습 경로 재작성, 개인 학습 경로 재작성, 신규 학습자의 적절한 소그룹 배분 등이다. 5개 부분 각각에 대한 설명은 도 3에서 도 7에 대한 설명에서 자세히 제공된다.

도 3은 그룹별 학습 경로 재작성 및 개인화된 학습 경로 재작성에 필요한 요약 통계 데이터(310)를 후반부 시스템(120)에서 추출하게 되는 단계이다. 요약 통계 데이터(310)는 주로 R.F.M(Recency, Frequency, Monetary)값을 이용하여 얻게 된다. 요약 통계 데이터(310)는 학습자별, 학습객체별, 학기별로 요약이 되는데,

R(Recency)값은 학습자별로 각각의 학기마다 학습객체를 얼마나 최근에 방문하였는가를 나타낸다.

F(Frequency)값은 학습자별로 각각의 학기에 학습객체를 몇 번이나 방문하였는지를 나타낸다.

M(Monetary)값은 학습자별로 각각의 학기에 학습객체를 학습하는데 들인 시간을 나타낸다.

요약 통계 데이터(310)은 크게 전체 학습 통계(311), 개인별 학습 통계(312), 학습 경로 통계(313)등의 세 부분으로 나눌 수 있다. 전체 학습 통계(311)는 학기별로 각각의 과목에 포함된 학습객체에 대한 수강하는 학생 전체의 통계값을 얻어낸다. 개인별 학습 통계(312)는 각각의 학생별로 특정 학기에 듣는 과목에 포함된 학습객체별 통계값을 추출한다. 학습 경로 통계(313)은 학습자가 학습을 진행한 경로에 대한 통계 데이터를 추출한다.

도 4는 요약 통계 데이터(310)의 전체 학습 통계를 이용하여 다변량 통계 분석(410)을 통해 그룹 학습 경로(430)를 변경하여 그룹별 맞춤 학습구조도(CSF;Course Structure Format)를 재작성하여 학습구조도 데이터베이스(440)에 저장하는 단계이다. 우선, 전체 학습 통계(311)를 가지조 다변량 통계 분석(410)을 이용하여 학습능률을 계산한다. 이렇게 계산된 학기별 과목별 학습객체별 학습능률이 높거나 낮은 등의 부적합할 경우에는 강사(420)가 그룹 학습 경로(430)를 수정하게 된다. 이렇게 그룹 학습 경로(430)를 수정하는 과정에서 강사(420)는 기존의 학습객체를 나누거나 합치는 역할을 하게 된다. 이렇게 수강하는 그룹에 맞게 수정된 학습구조도를 학습구조도 데이터베이스(440)에 저장하게 된다.

도 5는 요약 통계 데이터(310)의 개인별 학습 통계(312)와 학습 경로 통계(313) 및학습자 성형 데이터베이스(510)를 가지고 군집 분석(520)을 이용하여 학습 특성이 비슷한 사용자들을 묶어 소그룹으로 분류하고, 다변량 통계 분석(410)을 소그룹별 학습 경로 분석(530)을 통해 소그룹 학습 경로를 변경하여 도 4의 그룹 학습 경로 변경과 마찬가지로 학습객체별 학습능률을 계산하여 부적합한 학습객체를 나누거나 합쳐서 소그룹별 맞춤 학습구조도(CSF; Course Structure Format)를 재작성하여 학습구조도 데이터베이스(440)에 저장하는 단계이다. 또한, 그룹 전이 매트릭스(540)를 구하여 각각의 소그룹이 학기가 끝난 후에 원하는 소그룹으로 이동할 수 있도록 각각의 소그룹의 학습 경로를 조정하는 규칙(rule)을 발견하게 된다.

도 6은 요약 통계 데이터(310)의 개인별 학습 통계(312)를 이용하여 다변량 통계 분석(410)을 통해 개인별 학습 경로(610)를 변경하여 재작성된 개인별 맞춤 학습구조도(CSF; Course Structure Format)를 학습구조도 데이터베이스(440)에 저장하는 단계이다. 도 4의 그룹 학습 경로 변경과, 도 5의 소그룹 학습 경로 변경과 마찬가지로 개인별 학습 통계(312)를 모니터링(Monitoring)하다가 학습 능률이 떨어지게 되면 개인 학습 경로를 변경해 주게 된다. 즉, 학습 능률이 너무 낮게 되면 레벨이 낮은 학습객체를 개인 학습 경로에 포함시켜 주고, 학습 능률이 너무 높으면 레벨이 높은 학습객체를 개인 학습 경로에 포함시켜 주게 된다. 또한, 도 6은 도 5에서 구한 그룹 전이 매트릭스(540)의 규칙(rule)을 이용하여 개인의 학습 경로를 변경하는 데 이용하게 된다.

도 7은 새로운 학습자(720)이 기존의 과목에 대한 수강 정보 없이 과목을 수강하였을 경우에 대한 전체적인 흐름을 보여준다. 우선, 도 5에서 설명했듯이 요약 통계 데이터(310)와 학습자 성향 데이터베이스(510)을 이용하여 군집분석(Clustering) (520)을 수행하게 된다. 이러한 수행 후에 각각의 특성이 비슷한 소그룹이 나누어지는데, 이러한 소그룹들을 의사결정나무방법(Decition Tree)이나 사례기반추론기법(CBR; Case Based Reasoning)을 이용하여 각각의 소그룹을 구분짓는 군집분류 규칙(710)을 발견하게 된다. 이러한 군집분류 규칙(710)을 이용하여 새로운 학습자(710)에게 성향이 비슷한 소그룹을 할당하여, 새로운 학습자(710)에게 적절한 학습 경로를 제공하여 준다. 이러한 새로운 학습자(710)은 그룹 학습 경로를 통하여 학습을 수행할 수도 있으나, 보다 적절한 학습 경로를 찾아주기 위해 군집분류 규칙(710)을 발견하여, 새로운 학습자(710)에게 맞는 학습 경로를 제시하게 된다. 새로운 학습자(710)도 기존의 학생들과 마찬가지로 도 4, 도 5, 도 6에 설명되어 있는 그룹 학습 경로 변경, 소그룹 학습 경로 변경, 개인학습 경로 변경 등을 통하여 학습 경로가 변경될 수도 있다.

도 8은 새로운 학습자(720)이 학습을 진행하면서 학습능률에 맞게 계속적으로 학습경로를 변경해 나가는 전체적인 흐름을 보여준다. 새로운 학습자(720)에게는 과목에 기본적으로 할당되어 있는 그룹 학습경로(430)가 제공되거나, 만약 그룹전이 매트릭스(540)에 저장된 패턴을 가지고 있다면, 성향이 비슷한 소그룹을 할당하여, 해당 소그룹의 학습 경로(550)가 제공된다. 우선, 그룹 학습경로(430)가 제공된 학습자는 학습을 진행하게 되고, 일정기간 학습이 진행된 후 학습능률 및 학습경로를 분석하여 가장 적합한 소그룹을 할당하고, 해당 소그룹의 학습경로(550)가 제공된다. 학습이 진행되면서 학습능률 및 학습경로를 분석하여 계속적으로 소속 소그룹은 변경되고 소그룹 학습경로(550)도 계속적으로 변경된다. 소그룹 학습경로(550)를 통한 학습이 진행되면서 소그룹 학습경로로는 해당 학습자의 학습능률 및 학습 진행을 향상시킬 수 없을 때, 해당 학습자의 학습능률 및 성향에 맞는 개인 학습경로(610)를 제공하게 된다. 개인학습경로(610) 도 개인의 학습능률을 계속적으로 모니터링하면서 좀 더 학습자에게 특성화된 형태로 수정된다.

본 발명은 상술한 바와 같이 세계적 표준으로 자리잡고 있는 원격 교육 데이터 모형을 사용하였고, 학습자 및 학습정보를 이용한 학습 능률을 계산하고 이를 통계적 분석 방법과 데이터 마이닝 분석 방법을 적용함으로써 학습자의 특성을 추출하고 이에 딱 맞는 학습 경로를 그룹 학습경로, 소그룹 학습경로, 개인 학습경로의 형태로 제공함으로써 학습 능률을 극대화 시킬 수 있는 학습환경 관리시스템을제안하였다. 이러한 시스템을 통하영 얻을 수 있는 효과는 다음과 같다.

1) 원격 교육 시스템간의 이식성 극대화 : 표준 데이터 모형을 채용한 모든 시스템 뿐 아니라 기존 원격 교육 시스템도 표준 데이터 모형으로 매핑(Mapping) 작업만을 수행함으로써 본 시스템을 채용하여 개인화 된 교육 환경을 제공할 수 있다.

2) 학습자 특성/수준 분석 기법 다양화 : 시험 출제 및 채점에 의한 단순한 학습자 수준 분석 기법과 차별화 된 다변량 통계 기법 및 데이터 마이닝 분석 기법을 적용함으로써 분석 기법을 다양화할 수 있다.

3) 학습자 특성에 맞는 학습경로 제공으로 학습능률 극대화 : 데이터 마이닝 기법을 통하여 과학적인 데이터를 바탕으로 그룹 학습 경로, 소그룹 학습 경로, 개인 학습경로를 단계별로 제공함으로써 학습자 특성에 딱 맞는 학습경로를 제공할 수 있다. 이를 통하여 학습자의 학습 능률을 극대화 시킬 수 있다.

Claims (8)

1. 네트웍(인터넷) 을 기반으로 하는 원격 교육 방법에 있어서,

   네트웍을 통하여 접속한 학습자에게 그룹 학습 경로를 제공하는 단계,

   상기 학습자에 대한 정보와 상기 학습자의 학습 인터액션 정보를 추출하는 단계,

   상기 학습 인터액션 정보를 사전처리(데이터 클리닝)하는 단계,

   상기 사전처리(데이터 클리닝)로부터 학습 요약 통계 자료를 얻는 단계,

   상기 요약 통계 자료를 이용하여 전체 학습자의 학습 능률을 분석하여 그룹 학습 경로를 새로 설정하는 단계,

   상기 요약 통계 자료를 이용하여 학습자 개인별 학습 능률을 분석하여 개인 학습 경로를 새로 설정하는 단계,

   상기 요약 통계 자료와 학습자 성향 데이터베이스 군집분석 결과를 경로분석하여 전체 학습자의 학습 경로를 분석하여 유사한 학습 경로를 갖는 학습자별로 소그룹을 구성하고, 상기 소그룹의 학습 경로를 새로 설정하는 단계,

   각 학습자의 소그룹 전이 경로를 분석하여 학습전이매트릭스를 구성하는 단계,

   새 학습자나 기존 학습자에게 학습전이매트릭스를 이용하여 가장 적합한 소그룹을 결정하고, 상기 소그룹의 학습 경로를 제시하는 단계를 포함하는 학습자 특성을 고려한 개인화 학습을 지원하는 학습 환경 관리 시스템.
2. 제1항에 있어서,

   상기 학습자에 대한 정보와 학습 인터액션 정보로서 학습자데이터베이스, 학습객체 데이터베이스, 학습 인터액션 데이터베이스, 학습자 성향 데이터베이스를 포함하는 학습자 특성을 고려한 개인화 학습을 지원하는 학습 환경 관리 시스템.
3. 제1항에 있어서,

   상기 요약 통계 자료로서 전체 학생의 학습 통계를 포함하는 전체 학습 통계, 각 개인별 학습 통계를 포함하는 개인별 학습 통계, 각 개인의 학습 경로를 포함하는 학습 경로 통계 정보를 포함하는 학습자 특성을 고려한 개인화 학습을 지원하는 학습 환경 관리 시스템.
4. 제1항에 있어서,

   요약 통계 데이터(전체 학습 통계)를 다변량 통계 분석을 통하여 전체 학습자의 학습 능률을 추출하고, 학습 능률이 표준 이하이거나 이상일 때 강사가 학습 능률을 표준으로 만들 수 있도록 그룹 학습 경로에 포함된 학습객체의 수준을 조정하여 그룹 학습 경로를 조정하는 학습자 특성을 고려한 개인화 학습을 지원하는 학습 환경 관리 시스템.
5. 제1항에 있어서,

   요약 통계 데이터(개인별 학습 통계)를 다변량 통계 분석을 통하여 각 개인 학습자의 학습 능률을 추출하고, 학습 능률이 표준 이하이거나 이상일 때 학습 능률을 표준으로 만들 수 있도록 개인 학습 경로에 포함된 학습객체의 수준을 조정하여 개인 학습 경로를 조정하는 학습자 특성을 고려한 개인화 학습을 지원하는 학습 환경 관리 시스템.
6. 제1항에 있어서,

   요약 통계 데이터(학습 경로 통계)와 학습자 성향 데이터베이스의 군집분석 결과를 경로분석을 통하여 전체 학습자의 학습 경로를 분석하여 유사한 학습 경로를 갖는 학습자별로 소그룹을 구성하고, 상기 소그룹의 학습 경로를 새로 설정하는 학습자 특성을 고려한 개인화 학습을 지원하는 학습 환경 관리 시스템.
7. 제 1항에 있어서,

   각 학습자가 학습을 진행하면서 학습 능률 및 학습 경로에 따라서 최적의 교육을 위해 계속적으로 소속 소그룹이 변경되고, 이러한 소그룹 전이 경로를 분석하여 학습전이매트릭스를 구성하는 학습자 특성을 고려한 개인화 학습을 지원하는 학습 환경 관리 시스템.
8. 제 1항에 있어서,

   상기 학습전이매트릭스를 이용하여 새 학습자나 기존 학습자을 학습 능률 및학습 경로가 비슷하거나 관심 분야가 비슷한 소그룹으로 분류하고, 상기 소그룹의 학습경로를 제시하는 단계를 포함하는 학습자 특성을 고려한 개인화 학습을 지원하는 학습 환경 관리 시스템.