KR20060101561A - 학습 효과 분배 방법 및 제시 리스트의 작성 방법 - Google Patents

Abstract

본 발명은, 학습 스케줄에 기초하여 콘텐츠에 대한 반응을 서버에서 수집하고, 이후의 예측 결과를 학습자 단말에서 수신하는 방법에 관한 것이다. 본 발명에 의하면, 엄격한 스케줄을 실질적으로 적용할 수 없는 경우라도, 일정한 스케줄에 따라 개인의 반응을 수집하고, 개인의 속성이나 콘텐츠의 질 등을 고려한 분석 및 예측 결과를 학습자 단말에 제공하는 학습 효과 분배 방법을 제공할 수 있다. 또, 학습자가 "어떤 학습에 대하여 몇 회 정도의 학습을 반복하면 성과가 눈에 보이는 것인가", "어떻게 학습이 진행되어 가는 것인가"등의 지침을 학습자에게 제공하고, 그 반응을 평가하는 학습 효과 분배 방법에 이용되는 제시 리스트의 작성 방법을 제공할 수 있다.

Description

학습 효과 분배 방법 및 제시 리스트의 작성 방법{LEARNING EFFECT DISTRIBUTION METHOD, AND PRESENTATION LIST MAKING METHOD}

도 1은, 본 실시예의 스케줄의 일례를 설명하는 설명도이다.

도 2는, 본 실시예의 타이밍 조건의 일례를 설명하는 설명도이다.

도 3은, 본 실시예의 이벤트 사이클 유닛을 설명하는 설명도이다.

도 4는, 본 실시의 제시 조건의 균일 배치와 조건 유닛 및 제시 유닛의 균일화의 설명도이다.

도 5는, 본 실시예의 스케줄 테이블의 설명도이다.

도 6은, 타이밍 조건과 콘텐츠 항목 할당을 설명하는 설명도이다.

도 7은, 타이밍 조건과 콘텐츠 항목 할당을 설명하는 설명도이다.

도 8은, 타이밍 조건과 콘텐츠 항목 할당을 설명하는 설명도이다.

도 9는, 타이밍 조건과 콘텐츠 항목 할당을 설명하는 설명도이다.

도 10은, 타이밍 조건과 콘텐츠 항목 할당을 설명하는 설명도이다.

도 11은, 모든 조건을 종합한 항목의 개요와 예상되는 학습 시간을 설명하는 설명도이다.

도 12a는, 식별 조건이 기입된 콘텐츠 데이터 베이스의 예(인터벌 1개월)를 설명하는 설명도이다.

도 12b는, 식별 조건이 기입된 콘텐츠 데이터 베이스의 예(인터벌 2개월)를 설명하는 설명도이다.

도 13은, 반응 이력 리스트를 겸하는 제시 리스트의 일례를 설명하는 설명도이다.

도 14a는, 개인 이력 파일의 일례를 설명하는 설명도이다.

도 14b는, 개인 이력 파일의 일례를 설명하는 설명도이다.

도 15a는, 반응이 기억된 개인 반응 데이터 베이스의 일례를 설명하는 설명도이다.

도 15b는, 반응이 기억된 개인 반응 데이터 베이스의 일례를 설명하는 설명도이다.

도 16a는, 개인 반응 데이터 베이스에 콘텐츠를 기입한 일례의 설명도이다.

도 16b는, 개인 반응 데이터 베이스에 콘텐츠를 기입한 일례의 설명도이다.

도 16c는, 개인 반응 데이터 베이스에 콘텐츠를 기입한 일례의 설명도이다.

도 17은, 전체 평균의 자기(自己) 평가값의 변화를 설명하는 설명도이다.

도 18의 (a)는, 실제로 실시한 결과 얻어진 3명의 학습자의 개인 데이터와 그 예측 함수의 관계를 설명하는 설명도이다.

도 18의 (b)는, 실제로 실시한 결과 얻어진 3명의 학습자의 개인 데이터와 그 예측 함수의 관계를 설명하는 설명도이다.

도 18의 (c)는, 실제로 실시한 결과 얻어진 3명의 학습자의 개인 데이터와 그 예측 함수의 관계를 설명하는 설명도이다.

도 19의 (a)는, 실시예 4를 설명하는 플로 차트이다.

도 19의 (b)는, 19 A를 보조하는 설명도이다.

도 19의 (c)는, 19 A를 보조하는 설명도이다.

도 20은, 실시예를 설명하는 플로 차트이다.

도 21의 (a)는, 실시예 4의 제시 유닛과 제시 리스트의 관계를 설명하는 설명도이다.

도 21의 (b)는, 실시예 4의 제시 유닛과 제시 리스트의 관계를 설명하는 설명도이다.

도 22는, 스케줄 데이터 분배 평가 시스템의 개략 구성도이다.

도 23은, 스케줄 데이터 분배 평가 시스템의 사이트의 개략 프로그램 구성도이다.

도 24의 (a)는, 각 테이블을 설명하는 설명도이다.

도 24의 (b)는, 각 테이블을 설명하는 설명도이다.

도 24의 (c)는, 각 테이블을 설명하는 설명도이다.

도 25는, 스케줄 테이블을 설명하는 설명도이다.

도 26은, 제시 리스트 테이블의 설명도이다.

도 27은, 학습 효과의 설명도이다.

도 28은, 본 시스템의 동작을 설명하는 순서도이다.

도 29는, 본 시스템의 동작을 설명하는 순서도이다.

도 30의 (a)는, 개인 반응 파일을 설명하는 설명도이다.

도 30의 (b)는, 개인 반응 파일을 설명하는 설명도이다.

도 30의 (c)는, 개인 반응 파일을 설명하는 설명도이다.

도 30의 (d)는, 개인 반응 파일을 설명하는 설명도이다.

도 31의 (a)는, 학습 레벨의 자기 평가의 화면예의 설명도이다.

도 31의 (b)는, 학습 레벨의 자기 평가의 화면예의 설명도이다.

도 32의 (a)는, 반응 결과의 설명도이다.

도 32의 (b)는, 반응 결과의 설명도이다.

도 32의 (c)는, 반응 결과의 설명도이다.

도 32의 (d)는, 반응 결과의 설명도이다.

도 33은, 실시예 6을 설명하는 순서도이다.

도 34는, 실시예 6을 설명하는 순서도이다.

본 발명의 방법은 학습 스케줄에 기초하여 콘텐츠에 대한 반응을 서버에서 수집하고, 이후의 예측 결과를 학습자 단말에서 수신하는 방법에 관한 것이다.

일반적인 앙케이트와 같이 개인의 반응을 집계하고, 전체적인 경향을 파악하는 것은 다변량(多變量) 해석(multivariable analysis)[많은 종류의 다양한 특성을 갖는 다량의 데이터로부터, 그 상호 관련을 분석하여 특징을 요약하거나, 사상(事象)의 배후에 있는 요인을 찾기 시작하거나 하여 예측이나 분류를 행하는 해석 방 법]을 이용하여 널리 행해지고 있다.

예를 들면, 앙케이트를 이용한 상품의 이미지 조사 등에 의해, 그 상품이 어떠한 속성을 가진 사람에게 바람직한가를 추정하는 것이나, 대학 입시를 위한 모의 시험 등도, 어떤 시점에 있어서의 그 개인의 성적을 집단 중에서의 개인의 상대적인 위치에서 추정하는 일 등에 이용되고 있다.

그러나, 이와 같이 종래 행해져 온 다변량 해석을 이용하는 조사 방법에는 하나의 한계가 있다. 그것은, 이용 가능한 정보가, 어떤 시점에서의 개인의 상태에 관한 데이터에 한정되어 있다는 점이다.

본래, 개인의 여러 가지 반응은, 경험에 따라 크게 변화되는 것이다. 예를 들면, 앙케이트의 직전에 어떤 상품의 평판을 들었거나, 그 상품을 보고 있으면, 그 이미지는 크게 바뀔 것이다.

또, 모의 시험의 성적으로 해도, 어떤 시점에서 등급 C의 판정을 받은 학생이라도, 그 전의 모의 시험에서 등급 E의 판정을 받았던 학생과, 등급 A의 판정을 받았던 학생의 경우에는, 그 성적의 예측은 바뀌는 것이 당연하다.

즉, 현재의 다변량 해석에 의한 데이터 분석은, 어떤 시점에 있어서의 상태를 나타내는 데이터를 중점적으로 사용하고 있고, 시계열적인 변화가 충분히 고려되었다고는 할 수 없기 때문에, 정확한 분석 결과를 얻을 수 없다.

또, 인간 반응의 이해나 예측에는, 그 개인의 과거에서부터 미래에 있어서의 "변화"라는 정보가 큰 의미를 가진다. 어떤 내용에 어떤 시간적 페이스(temporal pace)에서 이루어진 것이나 반응하는 것은, 개인 경험의 차이에 따라 달라진다.

또, 현재 널리 볼 수 있는 반응 데이터의 분석은, 어느 시기의 개인의 속성이나 콘텐츠의 질 등에 집중되어 있지만, 그 시계열적인 페이스나 변화를 거의 고려하고 있지 않다.

즉, 어느 시기의 개인의 속성이나 콘텐츠의 질 등을 고려한 시계열적인 스케줄을 세울 수가 없었기 때문에, 정확한 분석을 할 수 없다는 문제점이 있다.

한편, 조사 연구에는 종단적(縱斷的) 연구(vertical research)라는 것이 있다. 그것은, 일정 기간 계속해서 특정한 조사를 반복하여, 특정한 개인의 반응의 변화를 관찰하는 것이다.

그러나, 이러한 연구에서 행해지고 있는 조사는, 1개월에 1번, 1년에 1번의 페이스와 같이, 대충의 스케줄을 세워 행해지는 것이기 때문에, 날마다 빈번하게 우리가 경험하는 것 같은 방대한 정보에 대한 반응의 변화는, 분석 대상으로 되어 있지 않다고 하는 문제점이 있다.

그 이유 중 하나는, 1개월에 한 번과 같이 정해진 페이스(pace)로 평가를 하는 경우, 방대한 내용에 대하여 일정한 페이스로, 또 유사한 조건 하에서 판단을 내리는 것이 어려워지기 때문이다.

예를 들면, 1000개의 영어 단어를 1개월에 1번의 페이스로 학습하는 경우를 생각해 본다. 종래와 같이, 1개월에 1번의 페이스로 학습해 간다고 하면, 어느 하루에 1000개 단어 모두를 학습하여 1개월 후에 또 학습을 하게 된다. 그러면 평가를 행하는 최초의 날과 최후의 날에 동등한 학습은 보증하지 못하고, 학습자의 부담도 커진다.

1개의 단어를 1회~10회 학습하는 조건을 고려한다면 더욱더 그러하다. 방대한 평가 항목을 같은 페이스로, 또한 평가 조건도 동등하게, 평가자의 부담도 적게 되도록 하는 구체적인 방법은 현재 제안되어 있지 않다.

콘텐츠(또는 대상)를 접하게 되는 페이스[이후, "스케줄 조건"(schedule condition)이라고 함]가 분석에 고려되지 않는 본질적인 이유는, 스케줄의 패턴은 무한하게 상정할 수 있는 것이며, 그것을 고려하기 위한 형태가 제안되어 있지 않기 때문이다.

예를 들면, 어떤 하나의 영어 단어 학습의 스케줄을 생각해도, 10일간 매일 1회씩 학습한 경우와 첫날과 마지막 날에 5회씩 학습한 경우에는, 그 학습의 효과는 달라진다. 또한, 학습과 테스트의 간격의 길이는 중요한 의미를 가진다.

학습한 후, 곧바로 테스트를 한 경우와, 1개월 후에 테스트를 한 경우에는, 그 성적은 전혀 달라진다. 어떤 학습을 어떠한 스케줄로 행하고, 그 효과를 언제 측정할 것인가 하는 패턴은 무한하게 상정할 수 있다.

이와 같이 스케줄의 패턴이 무한하면(제한이 없으면), 그것을 요인으로 한 분석은 어렵다. 또한, 각종 콘텐츠에 대하여 그 스케줄이 상정된다면, 고려해야 할 요인은 너무 많아지게 된다.

이에 대하여, 특정한 스케줄을 설정하고, 그에 따라서 개인에게 반응을 요구 하여 데이터를 수집하는 것이 유효하다. 즉, 조사 방법으로서 실험 계획법을 도입하는 방법이다. 1년에 1번이라는 종단적 조사(vertical research)도 그 하나의 예이지만, 스케줄을 설정하는 것만으로 문제는 해결되지 않는다. 왜냐하면, 조사를 받는 개인이, 일률적으로 일정한 스케줄에서 반응을 행하는 것은 매우 어렵기 때문이다. 고교생에 대하여, 하루 10분의 학습을, 매일 쉬지 않고 행하는 계획은 세울 수 있다고 해도, 실제로 고교생이 학습을 계속하는 것은 생각할 수 없다. 즉, 매일 매일의 학습과 같은, 자유도가 높은 것에 대하여는, 단순히 스케줄을 통제하는 것만으로는, 의미있는 데이터는 얻을 수 없다.

한편, 장시간의 기간 동안 계속하여 반복 학습하는 것이 필요한 영어 단어의 학습 등에서는, 이와 같이 반복하여 학습을 행해도, "나는 몇 번 해도 이들 단어를 기억할 수 없다", "나는 정말로 이들 단어를 기억할 수 있는가"라고 하는 감각이 강해져, 결국은 학습을 그만두어 버린다.

이상의 내용을 정리하면, 어떠한 면에서, 또 어떠한 형태로 스케줄의 요인을 편성하면 되는 것인지에 관하여, 지금까지 전망이 없었던 것이 종래의 조사 연구에 스케줄이 고려되지 않았던 큰 원인이었다. 또, 학습의 효과나 성과를 실감할 수 없으면, 학습에의 동기 부여는 크게 저하된다는 문제점이 있다.

본 발명은 이상의 과제를 해결하기 위해 이루어진 것이며, 엄격한 스케줄을 실질적으로 적용할 수 없는 경우라도, 일정한 스케줄에 따라 개인의 반응을 수집하고, 개인의 속성이나 콘텐츠의 질 등을 고려한 분석 및 예측 결과를 학습자 단말에 제공하는 학습 효과 분배 방법을 얻는 것을 목적으로 한다.

또, 학습자가 "어떤 학습에 대하여 몇 회 정도의 학습을 반복하면 성과가 눈에 보이는 것인가", "어떻게 학습이 진행되어 가는 것인가"등의 지침을 학습자에게 제공하고, 그 반응을 평가하는 학습 효과 분배 방법에 이용되는 제시 리스트의 작성 방법을 얻는 것도 목적으로 한다.

본 발명의 학습 효과 분배 방법은, 학습 서비스 사이트의 서버에 의해, 통신 네트워크를 통해, 학습자의 학습자 단말에 제시 리스트를 분배하고, 상기 학습자 단말로부터의 콘텐츠에 대한 반응을 제공하며, 그 이벤트의 효과를 측정 및 평가하여, 상기 학습자 단말에 분배하는 학습 효과 분배 방법으로서,

상기 서버는,

스케줄 테이블이 기억되는 제1 기억 수단;

콘텐츠 및 상기 콘텐츠의 속성 정보가 기억되는 제2 기억 수단;

상기 콘텐츠의 제시 리스트가 기억되는 제3 기억 수단; 및

상기 학습자의 ID 코드에 대응되는 개인 반응 이력 정보가 기억되는 제4 기억 수단

을 포함하며,

제1 컴퓨터가,

제1 일정 기간에 상정하는 이벤트 사이클 유닛에, 최소 기간에 상정하는 제시 유닛을 할당하고, 제시 조건을 상기 제시 유닛에 할당하여 상기 제1 기억 수단에 기억하고,

상기 이벤트 사이클 유닛 내에서, 각 콘텐츠에 관한 상기 이벤트를 상기 제시 조건에서 한 번 발생시킴으로써, 상기 콘텐츠에 대하여, 상기 제시 리스트와 상 기 조건의 세트를 한 번 할당하여, 상기 제2 기억 수단에 기억하는, 스케줄 작성 방법에 의해, 획득한 상기 제시 유닛과 상기 제시 조건의 세트에, 상기 세트에 대하여 결정된 콘텐츠의 수, 상기 콘텐츠의 속성 정보, 실시 예정 월일 또는 일련 번호를 할당하여 상기 제1 기억 수단에 기억시킴으로써, 스케줄 데이터를 1개 이상 생성하는 스케줄 테이블의 작성 방법에 의해, 상기 스케줄 테이블을 생성하여, 제1 기억 수단에 기억하고, 상기 스케줄 테이블에 기초하여 제시하고자 하는 상기 제시 유닛에, 상기 제2 기억 수단에 기억된 콘텐츠로부터, 해당 콘텐츠를 추출하여 할당하고, 상기 제3 기억 수단에 기억하는 것에 의해 제시 리스트를 생성하는 단계;

상기 제시 리스트를 상기 학습자 단말에 분배하는 단계;

상기 학습자 단말로부터, 상기 제시 리스트의 각 콘텐츠에 대한 반응을 상기 학습자의 ID 코드와 실시 연월일 또는 일련 번호와 함께 수신하고, 수신시마다 이것을 상기 개인 반응 이력 정보로서 상기 제4 기억 수단에 기억하는 단계;

최초의 상기 이벤트 사이클 유닛에서 상기 반응과, 특정의 상기 이벤트 사이클 유닛에서의 상기 반응을 비교함으로써, 특정의 상기 이벤트 사이클 유닛까지의 상기 이벤트의 효과를 측정 및 평가하는 단계;

상기 반응으로부터 회귀 함수를 추정하여, 이후의 개인의 예측값으로 함으로써, 상기 이벤트의 효과를 측정 및 평가하는 단계;

상기 이벤트의 효과를 시간 정보와 평가값으로 이루어지는 그룹으로 하여 상기 학습자 단말에 분배하는 단계

를 수행하며,

상기 학습자 단말은,

상기 제시 리스트가 기억되는 제5 기억 수단; 및

상기 제시 리스트의 각 콘텐츠에 대한 상기 반응이 기억되는 제6 기억 수단

을 구비하며,

상기 제2 컴퓨터가,

상기 학습자 단말의 화면에 표시된 복수의 스케줄 패턴으로부터 선택된, 원하는 학습 스케줄의 학습 기간, 학습 사이클 및 횟수를, 상기 서버에 분배하는 단계;

상기 학습자 단말이 상기 제시 리스트를 수신하여, 이것을 상기 제5 기억 수단에 기억하는 단계;

실시 예정 월일에 대응하는 상기 제5 기억 수단의 상기 제시 리스트의 콘텐츠를 해당하는 제시 방법으로 상기 학습자 단말의 화면에 표시하는 단계;

상기 제시 리스트의 각 콘텐츠에 대한 상기 반응을 상기 학습자의 ID 코드와 실시 연월일 또는 일련 번호와 함께 상기 제6 기억 수단에 기억하고, 상기 서버에 분배하는 단계; 및

상기 서버로부터 상기 이벤트의 효과의 그룹의 정보를 상기 학습자 단말이 수신하여, 이것을 화면에 표시하는 단계

를 수행하는 것을 요지로 한다.

본 발명의 제시 리스트 작성 방법은,

제3 컴퓨터가, 제1 기억 수단; 제2 기억 수단; 및 제3 기억 수단을 포함하 고,

상기 제3 컴퓨터가,

제1 일정 기간에 상정하는 이벤트 사이클 유닛에, 최소 기간에 상정하는 제시 유닛을 할당하고, 제시 조건을 상기 제시 유닛에 할당해 상기 제1 기억 수단에 기억하며, 상기 이벤트 사이클 유닛 내에서, 각 콘텐츠에 관한 상기 이벤트를 상기 제시 조건으로 한 번 발생시키기 위해, 상기 콘텐츠에 대해, 상기 제시 유닛과 상기 제시 조건의 세트를 하나 할당하여, 상기 제2 기억 수단에 기억하는 스케줄의 작성 방법에 의해, 얻어진, 상기 제시 유닛과 상기 제시 조건의 세트에, 그 세트에 대하여 결정된 콘텐츠의 수, 상기 콘텐츠의 속성 정보, 실시 예정 월일 또는 일련 번호를 할당하여 상기 제1 기억 수단에 기억함으로써, 스케줄 데이터를 하나 이상 생성하는 스케줄 테이블의 작성 방법에 따라, 상기 스케줄 테이블을 생성하고, 제1 기억 수단에 기억하는 단계;

상기 스케줄 데이터의 실시 예정일 또는 일련 번호에 기초하여, 제시하자 하는 상기 제시 유닛을 결정하고, 상기 제3 기억 수단에 기억하는 단계;

상기 제2 기억 수단에 기억된 콘텐츠로부터, 상기 결정된 제시 유닛에 대응하는, 상기 제시 유닛과 상기 제시 조건의 세트에 기초하여, 해당하는 콘텐츠를 추출하는 단계;

상기 추출된 콘텐츠를, 상기 제시 조건에 따라, 상기 결정된 제시 유닛에 할당하여, 상기 제3의 기억 수단에 기억하는 단계;

의해 제시 리스트를 생성하는 것을 요지로 한다.

이러한 본 발명에 의하면, 일정한 스케줄에 따라 개인의 반응을 수집하고, 개인의 속성이나 콘텐츠의 질 등을 고려하여 분석한, 결과를 학습자 단말에서 얻을 수 있다.

본 실시예에서는, A: 스케줄 고정법(schedule fixing method)과, B. 프리 어큐뮬레이션법(free accumulation method)에 따른 스케줄링에 대하여 먼저 설명한다.

＜ 실시예 1 ＞

스케줄 고정법은, 타이밍을 통제한 후 데이터를 수집하게 하여, 타이밍의 요인의 영향을 작게 함으로써, 예측력을 높이는 방법이다.

타이밍을 통제한다는 것은 간단하게 할 수 있다고 쉽게 생각하지만, 실제로 타이밍의 편차를 고정시켜 반응 데이터를 수집하는 경우, 매우 어려운 문제가 생긴다. 예를 들면, 1000개의 콘텐츠에 대하여, 1개당 5초 정도의 시간을 필요로 하는 반응을 1개월에 1회의 페이스(pace)로 요구하는 경우를 생각해 본다. 단순하게 생각하면, 어느 날에 1000개의 콘텐츠에 대하여 반응을 행하고, 1개월 후에 또 1000개에 대하여 반응하는 경우이다.

그 경우, 반응하는 날은, 휴일도 넣지 않고 연속하여 1시간 반 동안 계속해서 반응할 필요가 있다. 첫째 날 부근의 반응과 마지막 날 부근의 반응에서는, 그 의미도 달라진다. 또한, 1000개의 콘텐츠를 1일에 각각 5회 평가해야 하는 것과 같은 조건이라면, 개인은 7시간 동안 연속하여 평가해야 하지만, 이것은 불가능한 것이다.

본 발명은, 위의 예의 경우에서라면, 콘텐츠가 1,000개나 2,000개라도, 반복의 수가 5회나 10회라도, 어느 콘텐츠에 관한 이벤트가, 모두 일정한 기간에서 발생하도록, 또한 1일에 해당하는 반응은 몇 분 정도로 완료할 수 있도록 한 스케줄 구성법이다.

이 문제를 해결하기 위한 방법은, 즉 이벤트 사이클 유닛(event cycle unit)을 설정한 스케줄로 하는 것이다. 스케줄의 방법을 설명하기 전에, 본 발명에 있어서의 스케줄의 의미를 명확하게 한다.

본 실시예에서의 스케줄(schedule)은 스케줄 조건(schedule condition)을 사용한다. 이 스케줄 조건은, 언제 어떠한 타이밍으로, 어떠한 속성의 내용을, 어떻게 제시할 것인가를 나타내는 조건이며, 타이밍 조건, 속성 조건, 및 제시 조건의 3개로 나누어진다.

타이밍 조건은, 1개월에 1번, 2주일에 1번과 같은 이벤트가 발생하는 타이밍을 의미하고 있다. 더 엄밀한 정의에 대하여는 후술한다.

이벤트 사이클 유닛의 기간(period)이라는 것은, 콘텐츠나 각종의 조건을 부여하는 기간이며, 반드시 인터벌(interval)의 기간과 일치하지 않지만, 이벤트 사이클 유닛은 인터벌의 기간보다 짧은 기간이 된다.

본 실시예에서는, 학습의 조사 연구에 스케줄의 요인을 편성하는 것을 제안하고, 또한 이를 위한 방법과 그 데이터의 이용 방법을 몇 가지 제안한다. 막연히 데이터를 수집하는 것으로는, 평범한 정보 밖에 얻을 수 없다. 그래서, 시간적 변화를 고려하여 데이터를 분석하기 위한 구성이 필요하게 된다.

(스케줄의 요인을 분석에 편성하기 위한 방법)

스케줄 패턴을 분석에 입력하기 위해, 종래의 조사 방법에 실험 계획적인 생각을 도입하는 것을 먼저 제안한다.

스케줄의 요인을 고려하기 위하여, 무한하게 상정할 수 있는 스케줄을 처음부터 분석 대상으로 하는 것은 합리적이지 않다. 결국 콘텐츠 등의 제시 스케줄(presentation schedule)에 제한을 가하고, 그에 대응시켜 데이터를 수집하여, 분석할 필요가 있다. 즉, 스케줄 패턴을 분석에 편성하려면, 제시하는 스케줄에 제한을 가하는 것이 필요하며, 이를 위한 구체적인 제한의 방법이 중요한 의미를 갖는다.

스케줄을 설정하는 것만으로 문제는 해결되지 않는다. 특히, 방대한 콘텐츠에 관한 이벤트에 대한 반응을 일정한 스케줄에 따라 수집하는 경우, 스케줄을 통제하는 것이 매우 어려운 것이 큰 문제로 된다. 방대한 콘텐츠에 대한 반응을 개인에게 요구하는 경우, 그 하나하나의 반응을 특정한 스케줄에 따라 수집하기 위해서는, 그 개인은 매일 매일의 생활에서 매우 통제된 스케줄에 따라 반응을 행할 필요가 있다.

그러나, 그것을 일반 개인에게 의뢰하는 것은 불가능하다. 조사를 받는 개인이, 일률적으로 일정한 스케줄에 반응을 행하는 것은 매우 어려운 것이다.

따라서, 비록 자유도가 큰 개인의 생활 리듬 중에서 반응을 수집한 경우라도, 수집된 반응을 일정한 스케줄에 대응시켜 분석할 수 있는 형태가 필요하게 된다. 개인이 콘텐츠에 대하여 반응하는 타이밍의 자유도는 높아도, 일정한 스케줄 에 대응시켜 데이터를 집계 및 분석할 수 있는 스케줄링 방법이 필요하게 된다.

이하의 방법에 의하면, 반응 데이터의 분석에 스케줄의 요인을 편성하여, 정밀도가 높은 분석과 예측이 가능하게 된다.

이에 의하여, 종래 고려되었던 성별, 지역, 연령, 인지 스타일, 학습 스타일, 퍼스널리티 등 각종 개인이나 콘텐츠의 속성의 조합에, 다시 스케줄의 요인을 고려한 분석이 가능하게 된다.

스케줄의 요인을 분석에 조합할 수 있도록 하여 데이터를 수집하는 구체적인 방법에 대하여 설명한다. 그리고, 다음에 열거하는 방법은, 개개의 방법이나 조합을 채용하면 할수록, 스케줄 요인을 고려한 분석의 정밀도가 상승하는 것이며, 채용하지 않으면 정밀도가 저하되는 것을 의미한다(컴퓨터에 의해 실시한다).

(1) 본 실시예에서의 스케줄의 정의

먼저, 일반적인 스케줄의 의미를 엄밀하게 파악할 필요가 있다. 그러므로, 일반적으로 말해지고 있는, 어느 이벤트가 발생하는 스케줄을, 이벤트가 일어나는 최소의 기간("제시 유닛"이라고 함)과, 어느 이벤트의 개시로부터 다음 이벤트가 일어나기 전까지의 기간으로 하는 인터벌로 규정되는 타이밍 조건 Ai와 이벤트의 질을 나타내는 제시 조건 Bi, 및 필요에 따라 콘텐츠의 내용(난이도 등)의 3개로 나누어 생각한다. 예를 들면, 일반적으로 하루 학습하면 4일 동안 휴식하는 스케줄의 경우, 1일을 최소 단위(제시 유닛)로서 상정하고, 5일을 인터벌로 상정한 스케줄이라고 할 수 있다.

그리고, 이벤트가 일어나는 최소의 기간(제시 유닛)을 정의하는 것이 먼저 필요하다.

영어 단어의 학습이라면, 며칠에 걸쳐 습득하는 것이 일반적이며, 1일에 몇백 번씩이나 같은 단어를 학습하는 것은 상정할 수 없다. 따라서, 1일을 제시 유닛으로 하는 것이 일반적이다. 그러나, 슈팅 게임(shooting game)과 같이, 방아쇠를 당길 것인지 당기지 않을 것인지와 같은 이벤트에 직전의 몇 초 전의 이벤트가 영향을 주도록 한 콘텐츠의 경우에는, 1초를 이벤트의 제시 유닛으로 상정하여 그 타이밍의 영향을 분석하는 것도 고려된다.

영어 단어의 학습을 예로 들면, 하루에 1종류의 영어 단어를 1회씩 학습하고 그것을 10일간 계속하는 스케줄(여기서는, "스케줄 A"라고 함)과, 첫날과 6일째에 5회씩 1종류의 영어 단어를 학습하는 스케줄(마찬가지로, "스케줄 B"라고 함)과, 첫날과 6일째에 1회씩 1종류의 영어 단어를 학습 스케줄(마찬가지로, "스케줄 C"라고 함)을 상정한다.

도 1에 나타낸 바와 같이, 스케줄 A와 같이 하루 1회씩 학습을 하고 그것을 10일간 계속하는 경우와, 스케줄 B와 같이 첫날과 6일째에 5회씩 학습하는 경우는, 어느 쪽이나 합계 10회의 학습을 의미하지만, 각 스케줄의 학습의 질은 분명히 다르다.

이들 스케줄을, 다음과 같이, 타이밍 조건 Ai(스케줄 B에서는 1개의 이벤트가 일어나면 그 시점으로부터 다음 이벤트가 발생하기 전까지 5일간의 인터벌을 취하는 타이밍)와, 제시 조건 Bi[이 예에서는, 학습 횟수(학습의 강도)를 나타내는 차원]의 2개로 나누어 생각한다.

즉, 1종류의 영어 단어에 관한 이벤트가 발생하는 최소 기간(제시 유닛)을 1일로 한 경우, 10일간에 포함되는 그 최소 기간에서의 이벤트의 발생의 유무를, 그 반복 횟수나 각종 조건의 종류에 관계없이 1과 0에 대응시킴으로써, 그 기간의 특정한 이벤트 발생의 타이밍의 조건을 표현(코드화)한다. 구체적으로, 도 2에 나타낸 바와 같이, 스케줄 A는, (1, 1, 1, 1, 1, 1, 1, 1, 1, 1), 스케줄 B 및 C는 (1, 0, 0, 0, 0, 1, 0, 0, 0, 0)과 같이 코드(컴퓨터에 의함)로 표현된다. 여기에 따른 스케줄 B와 C는 타이밍 조건에 관해서는 같지만, 반복 횟수라고 하는 제시 조건의 차원에 차이가 있다고 하는 파악 방법이 된다.

제시 조건의 종류에는, 반복 횟수 외에, 제시되는 시간(예를 들면, 3초간 제시), 제시되는 시점에서 요구되는 처리(영어 단어의 숙지도 평가, 학습의 도달도의 자기 평가 등) 등등 각종의 것이 고려되고, 그들 표현 방법은 여러 가지 고려되지만, 그러한 제시 조건의 표기 방법과 타이밍의 조건의 표기를 조합함으로써, 불특정한 타이밍에 발생하는 이벤트(즉, 그 개인의 경험의 내용)를 모두 표현할 수도 있다고 생각하고 있다.

이상을 정리하면, 본 실시예에서는, 먼저 이벤트가 발생하는 최소 기간을 제시 유닛으로서 규정하고, 또한 종래 스케줄이라고 했던 조건을, 타이밍 조건과 제시 조건의 2개의 차원으로 나누어 독립시켜, 그 영향을 검토하는 것을 제안한다. 그리고, 필요에 따라, 콘텐츠의 내용(난이도) 등을 추가의 차원으로서 독립시키는 것도 가능하다.

(이벤트 사이클 유닛의 설정)

방대한 콘텐츠에 관한 이벤트가 발생하는 타이밍을 통제하기 위한 형태로서, 이벤트 사이클 유닛을 상정하는 것을 제안한다. 방대한 콘텐츠를 모아서 제시하는 것이 어렵다고 하면, 콘텐츠를 어떤 기간에 분배할 필요가 당연히 생긴다. 그 기간을 "이벤트 사이클 유닛"(event cycle unit)이라고 한다. 한가지 중요한 점은, 그 기간의 설정에 제약이 있다.

즉, 모든 콘텐츠에 관한 이벤트가 동일한 타이밍에 반복하여 발생하도록 한 스케줄을 생성하기 위해서는, 전술한 제시 유닛 이상으로 길고, 또한 상정하는 기간 중 설정되는 인터벌 중에서 가장 짧은 인터벌의 기간보다 짧은 일정한 기간을 이벤트 사이클 유닛으로서 설정하고, 각 콘텐츠에 관한 특정의 이벤트가 그 이벤트 사이클 유닛 내에서 한 번 발생하도록 콘텐츠를 배치할 필요가 있다.

영어 단어의 학습을 1년간 행하고, 최초의 반년은 2개월에 1번의 타이밍으로 학습을 행하고, 나머지의 반년은 1개월에 1번의 타이밍으로 학습을 행하는 경우를 예로서 생각해 본다. 이 경우, 최소의 인터벌은 1개월이므로, 타이밍 조건을 통제하기 위해서는, 콘텐츠를 분산시키는(배치하는) 기간은, 최장 1개월로 하지 않으면 안 된다. 1개월을 넘는 이벤트 사이클 유닛을 설정한 경우, 콘텐츠에 관한 이벤트의 발생의 타이밍을 엄격하게 통제할 수 없게 된다.

그리고, 이벤트 사이클 유닛은 고려하는 이벤트가 최초에 발생한 시점을 기점으로 하여 모두 고정되고, 이벤트 사이클 유닛은 모두 같은 길이의 기간인 것이 일반적이다.

도 3에는, 도 2의 스케줄 B에 대응하여 설정할 수 있는 이벤트 사이클 유닛 의 예를 2가지 나타낸다. 이 각각의 유닛에, 각 콘텐츠가 1회 제시되도록 배치하는 방법이 본 실시예가 된다.

또, 도 3에 나타낸 바와 같이, 어떤 콘텐츠(영어 단어)가 제시(학습：이벤트)되고나서 다시 제시되기 전까지의 간격을 "인터벌"(interval)이라 하고, 제시 유닛 이상보다 길고, 최단의 인터벌보다 짧은 기간을 이벤트 사이클 유닛 mi로 하여 고정하고, 그 개시 시점을 이벤트 발생의 타이밍의 개시 시점에 일치시킨다(반드시 일치시키지 않아도 되지만, 첫째의 이벤트 사이클 유닛 후의 이벤트 사이클 유닛의 개시는, 최초의 이벤트 사이클 유닛의 개시 시점으로부터 인터벌 후로 규정된다). 또, 어느 1개의 콘텐츠의 발생은 1개의 이벤트 사이클 유닛 mi 내에서 1회인 것으로 한다.

생각에 따라서는, 스케줄 B의 1일째의 5회의 학습에 이벤트 사이클 유닛 mi를 상정할 수도 있지만, 그 경우는, 1회째와 2회째의 학습의 인터벌(분이나 초 등)을 하나의 이벤트 사이클 유닛 mi의 최소 단위 = 제시 유닛(bi)으로서 정의되게 된다(즉, 이벤트 사이클 유닛의 최소 단위 = 제시 유닛을 무엇으로 할 것인지도 명확히 할 필요가 있다). 다만, 일반적인 학습 이벤트와 그 효과를 검토하는 경우에는, 도 1과 같이, 이벤트 사이클 유닛 mi의 최소 단위 = 제시 유닛(bi)은 1일 정도를 상정하면 된다.

여기서, 도 1를 다시 참조하여 설명한다.

도 1의 스케줄 B와 C는, 1일을, 이벤트 사이클 유닛 mi의 최소 단위(제시 유닛) bi로 한 경우이며, 타이밍 조건 Ai는 동일하고, 제시 조건 Bi가 상이한 것을 나타내고 있다.

그리고, 제시 조건 Bi는 단순한 횟수만이 아니고, 제시 시간이나 반응 방법 등 각종 편차가 고려된다.

즉, 스케줄은 며칠 간격에서 이벤트가 이루어졌는가에 집중하고, 이벤트를 1과 0으로 표현하면, 스케줄 B의 "5"는 단지 "1"로서 표현되어 있어도 된다. 1개의 콘텐츠의 발생은 1 이벤트 사이클 유닛 내에서 한번이므로, 도 2에 나타낸 바와 같이, 1일째와 6일째에 "1"이 설정된다.

따라서, 위의 A, B 및 C의 스케줄의 타이밍 조건 Ai와 이벤트의 제시 조건 Bi는, 도 2에 나타낸 바와 같이 코드화할 수 있다. 이와 같이 하여, A, B, 및 C의 스케줄의 타이밍 조건 및 제시 조건을 코드화한다.

즉, 스케줄(학습 표준 스케줄)은, 1일을 제시 유닛으로 한 경우, 날짜(시간)에 대한 타이밍 조건 Ai와 이벤트(콘텐츠)의 제시 조건 Bi를 1 및 0에 대응시킨 행렬(matrix)로서 표현된다.

(2) 콘텐츠의 그룹화

개인의 특징이나 일반적인 경향을 분명히 하거나 정확한 예측을 행하기 위해서는, 평가 등의 반응을 요구하는 콘텐츠의 질을 명확하게 해 둘 필요가 있다. 개개의 상품이나 영어 단어에 대한 반응의 변화가 관심 사항이면, 그룹화를 행할 필요가 없지만, 그 개인의 반응 경향을 보기 위해서는, 그 개인에 대하여 송신한 복수 개의 콘텐츠의 반응의 대표값을 채용(컴퓨터에 의해)하는 것이 바람직하다.

이와 같은 경우에, 각 타이밍 조건 Ai(학습을 쉬는 휴식 인터벌의 패턴)와 제시 조건 Bi(학습의 횟수: 학습의 강도)의 조합마다, 복수 개의 유사한 콘텐츠를 준비한다. 이것이, 콘텐츠의 그룹화이다. 예를 들면, 영어 단어라면 난이도 등이 동일 레벨의 단어, 학년마다 필요한 단어, 또는 학습자가 평가한 난이도가 동일한 정도인 단어, 학습자가 평가한 난이도와 전문가가 평가한 난이도의 차이가 동일한 정도인 단어(예컨대, 전문가 = 고교생이 목표로 하는 대학에 합격한 학습자의 평가 등)라고 하는 것 같은 일정한 속성으로 콘텐츠 항목을 정리하는(속성 정보를 부가하는) 것이다. 그리고, 여기서 말하는 "난이도"라는 것은, 일반적인 난이도만이 아니고, 그 개인의 각 콘텐츠에 대한 성적의 좋음과 나쁨을 난이도에 대응시킨 것이라도 된다.

다만, 삼각형의 면적을 계산하는 문제이면, "면적=밑변×높이/2"라고 하는 공식을 묻는 문제와, 곱셈과 나눗셈의 계산 문제를 하나로 정리하는 것도 고려되지만, 가능한 콘텐츠의 내용은 상세하게 하고, 각 스케줄의 각 제시 조건 및 타이밍 조건을 대응시켜 데이터를 취하도록 하는 것이 바람직하다. 왜냐하면, 곱셈과 나눗셈을 할 수 있는 능력이 어느 정도까지 되지 않으면 삼각형의 면적을 알 수 없다고 하는, 문제 사이의 계층 관계도 검토할 수 있기 때문이다.

이하, 용어를 명확하게 하기 위해, 콘텐츠 항목과 콘텐츠 그룹에 대하여 설명을 보충한다.

콘텐츠 항목(content item)이란, 반응이 기대되는(볼 수 있는 것만으로도 가능) 한 집합체의 제시 내용이다.

콘텐츠 항목으로서 영어 단어를 고려하면, 1개의 영어 단어와 일본어 번역을 하나의 쌍으로 하거나, 콘텐츠 항목이 1자리 수의 덧셈이라면, 1＋2=? 와 같은 것을 생각해도 된다. 또, 수학의 문장에 의한 문제라면 도중의 계산 과정을 콘텐츠로 하여 나누는 것도 가능하다. 물론, 음성 데이터나 비디오 등으로 제시 가능한 내용은 모두 포함된다. 콘텐츠 항목의 최소 단위는 내용을 어떻게 파악할 것인가에 따라 달라진다.

콘텐츠 그룹(content group)이란, 유사한 콘텐츠 항목의 집합을 의미한다. 즉, 영어 단어라면, 난이도 등이 동일 레벨인 단어, 학년마다 필요한 단어, 어느 단원의 학습에 필요한 단어 등과 같은, 일정한 속성에 따라 그룹화할 수 있는 콘텐츠 항목의 집합이다.

그리고, 전술하였으나, 콘텐츠 항목은 타이밍 조건의 하나의 이벤트 사이클 유닛에서 1회만 제시된다(1회라고 하는 것은 제시 조건이 아니라는 것에 주의).

(콘텐츠를 그룹화하는 이유)

콘텐츠를 그룹화하는 이유는, 특정한 스케줄의 효과는 콘텐츠에 따라 달라 진다고 생각되기 때문이다. 복수 개의 속성을 가지는 콘텐츠의 집합에 대한 스케줄의 효과는, 콘텐츠의 집합이 바뀌면 다른 것이 될 가능성이 높다. 즉, 콘텐츠의 요인과 스케줄의 요인을 가능한 분리함으로써 분석의 정밀도를 높이는 것을 의도한다.

그리고, 콘텐츠를 동일한 질로 하여, 가능한 상세하게 그룹화함으로써 얻어진 데이터를 사용하여, 역으로 질이 상이한 콘텐츠 그룹 사이의 관계를, 스케줄과 각 콘텐츠 그룹에 대한 반응으로부터 추정하는 것이 가능하게 된다.

전술한 삼각형의 면적의 문제를 예로 들면, 삼각형의 면적의 계산 문제, "밑변×높이/2"라고 하는 공식을 묻는 문제, 곱셈과 나눗셈의 계산 문제의 3개의 콘텐츠 그룹으로 나누어 각각의 성적을 각종 스케줄로 수집하면, 삼각형의 면적의 계산 문제를 학생에게 제시하기 위해 최적의 스케줄을, 공식과 곱셈 및 나눗셈의 학습 스케줄에 대응시켜 추정하는 것이 가능하게 될 것이다.

예를 들면, "공식의 이해가 어느 정도의 레벨까지 도달하고 있지 않으면, 삼각형의 면적의 문제를 학습해도 그 효과는 그만큼 기대할 수 없다. 그러므로, 공식의 학습이 1주간에 1회의 페이스로 행해지는 경우에는, 삼각형의 면적의 문제는, 5주간까지는 제시하지 않고, 그 후 3일에 1회의 페이스로 제시하는 것이 효과적이다"라고 하는 것 같은 예측도 가능하게 된다. 즉, 공식의 암기 학습을 촉구하는 문제의 콘텐츠 그룹을, 최초의 5주간까지는 3일에 1회의 페이스로 제시하고, 그 후 1주일에 1번의 페이스로 제시하는 스케줄과, 삼각형의 면적을 묻는 문제의 콘텐츠 그룹을, 최초의 5주간은 한 번도 제시하지 않고, 그 후 3일에 1회의 페이스로 제시하는 스케줄이라는 2개의 스케줄 조건의 조합으로 하여 분리하고, 양 스케줄의 영향을 검토하는 것이 가능하게 된다.

(3) 타이밍 조건의 결정 방법

타이밍 조건의 종류는 무한하게 상정되지만, 이벤트의 주기의 영향을 시각적으로 알기 쉽게 하기 위해서는, 10일에 1회, 1개월에 1회라고 하는 동일한 간격의 인터벌 및 제시 조건을 설정하는 것이 효과적이다.

스케줄에 대응하는 데이터의 수집과 분석은, 최종적으로는 무작위인 스케줄 에 대하여 예측력을 가지는 것을 목표로 하지만(본 실시예 2의 목적), 그러므로 처음부터 무작위인 스케줄을 설정하여 데이터를 수집하는 것은 유리한 방법은 아니다(물론, 이미 일정한 타이밍 조건에 해당하는 반응 데이터가 이용가능한 상황이라면 문제없다).

왜냐하면, 스케줄의 요인을 고려하여 분석을 행하고, 특히 예측을 추출하기 위해서는, 어느 정도 이용 가능한 데이터의 축적이 필요하게 된다. 그러므로, 처음부터 복잡하고 상세한 타이밍 조건을 설정하여서는, 그 평가자 본인에게 유익한 예측을 제공하는 것이 어렵고, 데이터의 축적을 행할 수 없게 된다.

초기에, 평가자에게도 알기 쉬운 데이터를 제공하기 위해서는, 먼저 상기와 같은 비교적 단순한 타이밍 조건을 설정하여 데이터를 수집하는 것부터 시작하는 것이 바람직하다. 어쨌든, 이벤트 사이클 유닛을 결정하는 타이밍 조건 및 제시 조건의 설정은 계획적으로 행하는 것이 바람직하다.

인터벌 조건의 영향을 시각적으로 알기 쉽게 하기 위해서는, 10일에 1회, 1개월에 1회라고 하는 것 같은 동일 간격의 인터벌을 설정하는 것이 처음에는 효과적이다.

(4) 각 이벤트 사이클 유닛 내에서의 제시 조건의 균일한 배치

특정한 이벤트 사이클 유닛에 있어서, 고려하는 제시 조건이, 1개의 이벤트 사이클 유닛 중에 가능한 균일하게 되도록 배치한 후, 거기에 콘텐츠 항목을 할당한다.

제시 조건(예를 들면, 학습 횟수)을 균일하게 배치하는 이유는, 이벤트 사이 클 유닛 내에 있어서의 이벤트가 일정한 페이스로 발생하지 않을 가능성이 있고, 이럴 경우, 후술하는 평가 이벤트(테스트)에서 그 이전의 이벤트의 효과를 추정할 때, 오차가 커지기 때문이다. 이에 대한 더 구체적인 설명은, 평가 이벤트의 설정 방법에서 한다.

영어 단어의 학습을 예를 들면, 어떤 이벤트 사이클 유닛의 최초와 마지막에 특정한 제시 조건의 항목이 치우쳐 배치되어 있었던 경우, 이벤트 사이클 유닛의 중간에, 아파서 학습을 할 수 없는 상황이었을 때는, 조건에 따라 타이밍 조건이 약간 상이한 상태가 된다. 또, 후술하는 바와 같이 평가 이벤트를 이벤트 사이클 유닛보다 단기간으로 설정하고, 제시 조건마다 콘텐츠를 모아서 이벤트의 효과를 추정하려면, 효과를 검토하는 이벤트와 평가 이벤트까지의 기간을 엄격하게 통제하는 것이 어려워지기 때문이다.

이러한 것을 해결하기 위해, 각 이벤트 사이클 유닛 내에서 제시 조건이 가능한 균일하게 되도록 한다.

더 구체적으로 말하면, 다음에 설명하는 조건 유닛을 설정하는 것이 유효하다. 또, 각 인터벌 유닛 내에서의 제시 조건의 순서는 가능한 동일하게 한다.

(5) 제시 조건의 균일한 배치 방법

조건 유닛을 상정하여 균일하게 배치하기 위해서는 제시 조건을 랜덤하게 배치하는 것 외에 다음의 방법이 있다. 즉, 이벤트 사이클 유닛을 다시 기간("조건 유닛"이라고 함)으로 나누고, 그 조건 유닛 내에서 모든 제시 조건(콘텐츠 항목은 아님), 또는 일정한 타이밍 조건에서 발생하는 이벤트의 효과를 비교 검토하고자 하는 제시 조건이나 속성 조건이 있으면 그 조건이 각각 1회 출현하도록 한다(도 3 참조).

도 4는 약 2개월(48일간)의 이벤트 사이클 유닛이 반복되는 조건에서, 제시 조건 Bi로서 제시 횟수(학습 횟수)가 1~16회인 16개 조건이 설정되어 있다. 이 예에서는, 제1 이벤트 사이클 유닛 mip(48일간)를 4일마다 구분하고, 데이터는 전부 12개의 조건 유닛 fi로 나누어져 있으며, 도 4에 도시된 구조의 메모리에 보존되어 있다.

예를 들면, 1일째에는, 학습 횟수가 1, 8, 9, 16회인 조건이 할당되고 2일째는 2, 7, 10, 15회의 학습 횟수가 출현하도록 되어 있으며, 하나의 조건 유닛(4일간)에서 16개의 조건 모두가 1회씩 출현하도록 되어 있다. 마찬가지로, 5일째부터 8일째의 2개째의 조건 유닛 fi에서도, 16개의 조건 모두가 1회씩 출현한다. 이하 마찬가지로, 1개의 사이클(48일간)에서 12개의 조건 유닛 fi가 반복된다.

그리고, 각 조건 유닛 fi의 하나의 제시 조건 Bi에 할당되는 콘텐츠 항목의 수는 동일하게 해도 된다. 또, 도 4에서는, 1~4일과 5~8일간의 조건의 조합의 순서가 차이가 나지만, 그것은 제시 조건 Bi가 나타나는 순서의 요인을 적게 하기 위한 것이다[4일간 조건이 나타나는 순서는, 랜덤으로 해도 되고, 그 외에 더 엄격한 카운터-밸런스법(counter balance method)을 이용해도 된다].

(6) 콘텐츠 항목의 제시 순서의 고정

각 이벤트 사이클 유닛 중에서, 콘텐츠 항목이 제시되는 순서를 고정하고, 임의의 이벤트 사이클 유닛을 거의 동일한 순서로 콘텐츠 항목이 제시되도록 배치 한다.

각 이벤트 사이클 유닛 내에서, 특정한 콘텐츠 항목이 제시되는 시기가 다르면, 스케줄 조건(스케줄 조건： 제시 조건, 타이밍 조건의 총칭)에 오차가 생긴다.

예를 들면, 1개월의 인터벌로 이벤트가 반복되는 타이밍 조건으로 데이터가 수집되었다고 해도, 제1 이벤트 사이클 유닛 mip의 마지막 날에 제시된 콘텐츠 항목이, 제2 이벤트 사이클 유닛 miq의 첫날에 제시되어서는, 1개월의 이벤트 사이클 유닛의 반복이라는 타이밍 조건으로, 그 콘텐츠 항목의 반응을 분류하기 어려워진다.

콘텐츠 항목의 이벤트 사이클 유닛 내에서의 제시 순서를 고정함으로써, 각 유닛 내에서의 제시에 편차가 있었다고 해도, 그 영향은 비교적 작게 억제된다.

(7) 각 제시 유닛의 균일화

여기서는, 이벤트 사이클 유닛의 최소 단위 내에서 제시되는 콘텐츠 항목의 집합을, 제시 유닛 Pi라고 하며, 영어 단어 학습의 경우, 어느 날에 제시되는 영어 단어의 집합과 같은 것이다.

각 제시 유닛 Pi에서 요구되는 이벤트의 질(제시 횟수의 합계나 합계 소요 시간)이 가능한 같아지도록, 제시 조건 Pi의 조합이나, 콘텐츠 항목의 수, 또는 스케줄 조건의 조합을 조정한다.

물론, 제시 유닛 내의 제시 순서를 랜덤으로 하거나 동일 콘텐츠가 가능한 시간적으로 이격되어 제시되도록 하는 등, 여러 가지로 조정하는 연구도 유효하다.

이 조작은, 제시 유닛 Pi 중에서 발생하는 이벤트가, 제시 유닛 Pi마다 크게 변하지 않도록 하는 것을 의미한다. 예를 들면, 도 4와 같이, 매일 하나의 제시 유닛 Pi의 학습이 요구되는 경우, 어느 날은 학습 횟수 조건이 16회의 영어 단어만 10개 나오고, 어느 날은 1회의 것만 10개 나와서는, 각 콘텐츠 항목의 학습 조건이 동등한 것이라고는 할 수 없다(당연히 학습에 걸리는 시간이 다르다).

그 경우, 각 이벤트의 효과를 추정하도록 한 경우에는, 단순히 타이밍 조건, 제시 조건, 속성 정보만으로 구분하여 효과를 추정하는 것은 바람직하지 않다. 이러한 것을 막기 위해, 도 4에서는 하나의 예로서, 제시 유닛 내의 학습 횟수(제시 조건)의 합계가 대략 같아지도록 할당하고 있다. 그리고, 학습 횟수 등의 할당의 구체적인 방법은, 후술하는(구체적인 절차(절차 2)의 스케줄 테이블의 생성을 참조).

물론 이 조절은 제시 조건 뿐만이 아니고, 각 제시 조건에 할당하는 콘텐츠 항목의 수나, 상이한 스케줄 조건의 조합으로 조절하는 것도 가능하다.

비록 스케줄 조건과 제시 조건이 같아도, 어느 제시 유닛 Pi와 다른 제시 유닛에서 요구되는 반응의 부담에 차이가 나면, 제시 유닛 내에서의 반응의 의미가 다르게 되기 버리기 때문에, 그 가능성을 가능한 배제할 필요가 있으며, 본 실시예는 이를 위한 방법이다.

(8) 제시 유닛의 소형화

스케줄 조건, 제시 조건 Bi, 콘텐츠 그룹의 속성 등의 각종 조합에 대하여 반응 데이터를 수집하기 위해서, 1개의 제시 유닛에 반응하는 시간은 가능한 짧게 하는 것이 바람직하다(너무 긴 시간이 소요되면, 일정한 제시 조건을 보증하지 못 하고, 또 반응하는 사람의 부담도 커진다).

그러므로, 이벤트 사이클 유닛을 길게 하거나 (5)번 항목에 의해 제시 유닛 Pi 부근의 제시 조건 Bi를 적게 하거나, 제시 조건 Bi에 할당하는 콘텐츠 항목의 수를 적게 하는 방법이 유효하다.

도 4의 1일째의 제시 유닛 Pi의 1, 8, 9, 16회라고 하는 제시 조건 Bi에, 각각 1개의 콘텐츠 항목을 할당하면, 1일당의 총 학습 횟수는 그만큼 많아지지 않는다. 물론, 일반적으로, 이벤트 사이클 유닛 mi(mip, miq)나 조건 유닛 fi를 좀 더 길게 해도 된다.

그리고, 개인의 평가 기준은 날마다 변화된다. 이러한 변동을 분석에 의해 고려하고 이를 배제하기 위해서는, 동일한 제시 유닛 내에 복수 개의 제시 조건의 콘텐츠를 준비하고, 그 콘텐츠에 대한 반응의 차이를 엄밀한 조건 차이로서 지표로 하는 방법이다.

(9) 일상에서 겪게 되는 경험의 영향을 배제하여 일반적인 경향을 분명히 하는 방법

(4)번 항목에서 배치된 제시 조건에의 콘텐츠 항목의 할당 방법으로서는, 평가자마다 랜덤하게 할당하는 것 외에, 종래의 실험 연구에서 이용되고 있는 것 같은, 카운터-밸런스법을 이용해도 된다. 계획적으로 제시되는 콘텐츠 항목 중에는, 평상시의 생활 속에서 우연히 경험하게 되는 경우도 많다. 이러한 것을 통제하는 것은 어렵지만, 일반적인 경향을 파악하기 위해서는, 특정한 콘텐츠 항목이 평상시의 생활 속에서 우연히 겪게될 가능성을 균일화 또는 랜덤화하고, 분석할 때에 복 수 사람의 데이터의 대표값을 취하는 것이 유효하다.

예컨대, 영어 단어를 예로 들면, 특정한 영어 단어는 학교나 학원의 수업에서 학습을 받는 경우도 있다. 그 경우, 일정한 스케줄로 평가를 행하는 평가자 전원에게 일률적으로 동일한 영어 단어가 할당되어 있었을 경우, 그 고등학교나 학원의 학생의 그 영어 단어에 대한 성적만 상승할 가능성이 있고, 그것은 그 조건의 일반적 경향으로서 나타난다. 그러면 그 데이터를 일반적인 예측에는 사용할 수 없다. 예측력을 높이기 위해서는 이들 방법을 조합하는 것이 유효하다.

(10) 제시 효과의 측정 방법 및 데이터의 집계 방법 1：이삭 줍기법(gleaning method)

이상, 이벤트의 스케줄 조건의 각종 설정 방법을 기술하였으나, 이들은 모두, 데이터의 집계 방법에 대응시켜 고려된 것이다. 즉, 상기의 방법을 이용하고, 다음에 설명하는 방법으로 데이터를 집계하면, 타이밍 조건, 제시 조건, 콘텐츠의 속성 등이 통제된 반응을 데이터로서 수집할 수 있다.

상기의 스케줄의 설정하는 방법은, 간단히 말하면, 1회에 제시하는 콘텐츠가 많으면 전부 반응할 수 없기 때문에, 그것을 적게 하기 위해 콘텐츠 항목을 인터벌 유닛 내에 분산시키는 것을 의미하고 있다. 무작위로 분산시키면, 타이밍, 제시 조건, 하나의 이벤트의 영향력의 통제가 매우 어려워지기 때문에, 그것을 통제하기 위해서이다.

데이터의 집계는, 역으로 분산되게 한 콘텐츠에 대한 반응을 조금씩 주워 모아 최종적으로 결정된 것으로 대표값을 취하는 것이다.

구체적인 데이터의 수집 방법 중 하나는, "이삭 줍기"와 같은 방법이다. 알기 쉬운 예로서, Ai라고 하는 타이밍 조건에서 발생한 이벤트를 경험한 효과를 측정할 때, 그 마지막 이벤트 사이클 유닛에서 제시되는 콘텐츠 항목에 대하여, 평가를 요구하는 스케줄을 상정하면 된다(물론, 별도로 그 효과를 측정하고자 하는 일정한 스케줄에 따른 이벤트의 연장으로서, 평가를 위한 이벤트를 설정해도 같은 것이 된다).

도 4의 메모리에 보존되어 있는 스케줄을 예로 들면, 제2 이벤트 사이클 유닛의 3개월째의 1일째(1회째)에 제시되는 1회 학습 조건의 단어에 대하여, 그 학습의 도달도를 스스로 평가받으면, 그 반응에는, 2개월 전에 1회 학습한 학습 이벤트의 영향이 나타나고 있다.

마찬가지로, 16회의 학습 조건의 단어에 대하여 자체 평가의 반응을 요구하면, 2개월 전의 16회의 학습 이벤트의 영향이 나타나게 된다. 각 학습 횟수에 할당된 콘텐츠 항목의 수가 1개였을 경우, 마찬가지의 평가 이벤트를 4일간(하나의 조건 유닛) 계속하면, 1회~16회의 제시 조건에 각각 1개의 콘텐츠 항목의 반응 데이터가 모이게 된다. 또한 그것을 2개월 동안 계속하면, 제2 이벤트 사이클 유닛이 종료되는 시점(4개월째가 끝나는 시점)에서, 1회~16회의 조건 각각에, 12개씩 같은 스케줄 조건을 취한 콘텐츠 항목에 대한 반응이 수집된다. 그 반응을 통합함으로써 같은 스케줄 조건의 콘텐츠 항목에 대한 반응의 대표치를 얻는 것이 가능하게 되는 것이다.

여기서 조건 유닛을 설정하는 다른 의미도 있다. 즉, 도 4의 예에서, 조건 유닛을 설정하지 않고 3개월~4개월에 각 학습 횟수 조건이 분산되게 설정한 경우, 어느 반복 조건이 마지막 4개월째에 집중하여 제시되는 것도 있을 수 있다. 이 경우, 그 학습 횟수의 조건에 대한 학습자의 반응은, 4개월째가 완료되기까지 수집할 수 없게 된다. 학습자가 3개월째에 학습을 그만두어 버린 경우는, 학습 횟수 조건마다 1, 2개월의 학습 이벤트의 영향을 비교할 수 없다.

이에 대하여, 조건 유닛을 설정하면, 3개월째의 4일째가 종료된 시점에서 각 학습 횟수 조건마다 적어도 1개의 데이터가 얻어지게 된다. 이에 의하면, 학습자가 3개월째의 4일째가 종료된 시점에서 자신의 학습의 효과를 재확인할 수도 있고, 그것을 피드백함으로써 학습자의 관심을 계속 연결시키는 것도 용이하게 된다.

또한, 평가의 이벤트 사이클 유닛을 검토하는 스케줄 조건의 전에도 설정하고, 최초와 마지막 평가 이벤트에 대한 반응을 비교함으로써 그 사이의 일정한 스케줄 조건에 따른 이벤트의 경험의 영향을 더 엄격하게 나타낼 수가 있다. 특히, 콘텐츠에 관한 경험에 큰 개인차가 있는 것으로 추정되도록 한 경우는, 이 방법에 의해 개인차를 배제하여 검토할 수 있다.

이삭 줍기법은, 지금까지 설명한 스케줄 구성법 중, 이벤트 사이클 유닛을 설정한 스케줄을 채용하고, 그 이벤트 사이클 유닛에 평가 이벤트를 상정한 방법이다.

(11) 제시 효과의 측정 방법 및 데이터의 집계 방법 2：타이밍 상쇄법(timing compensating method)

상기 데이터 수집 방법 1은, 일정한 이벤트 사이클 유닛(적어도 조건 유닛) 과 같은 기간을 설정하지 않으면, 일정한 타이밍 조건에 따른 정확한 데이터를 수집할 수 없는 점에서 문제점이 있다.

일반적으로 테스트는 단기간에 되는 것이다. 그 경우, 이벤트 사이클 유닛을 설정하는 방법에서는, 학습 이벤트와 테스트와 같은 평가 이벤트(이후, 간단히 "테스트"라고 하기도 함) 사이의 시간 인터벌의 차이에 대처할 필요가 생긴다. 예를 들면, 도 4에서 1, 2개월째에 학습을 실시하고, 그 효과를 3개월째 이후의 어느 날에 측정하는 경우, 1, 2개월 동안 사용된 콘텐츠를 모두 이용하여 테스트하는 것은 시간적으로 어렵고, 몇 개의 콘텐츠를 추출하여 테스트 항목을 구성할 필요가 있다.

그 경우, 예를 들면 3개월째의 첫날에 테스트를 실시한다면, 학습에서부터 테스트까지의 인터벌은 1~24일이라는 편차가 생긴다. 이러한 상황에서 1개월째의 전반(前半)에 학습한 콘텐츠와 2개월째의 마지막에 학습한 콘텐츠로부터 테스트를 구성하여 성적을 동등하게 비교해서는, 학습과 테스트 사이의 인터벌의 차이의 영향이 성적에 혼입되어, 엄밀한 비교가 어렵게 된다. 학습과 테스트의 인터벌의 차이의 영향을 고려하여, 정확한 비교를 행하기 위한 방법으로서는 다음 2가지를 들 수 있다.

하나는, 도 4와 같은 학습 스케줄을 6개월째까지 연장하여, 3개월째, 5개월째, 7개월째에 테스트를 실시하여 학습의 반복에 대한 성적을 비교하는 경우로서, 테스트를 실시하는 날을 어느 달이라도 동일한 날로 하고, 이벤트 사이클 유닛 내의 같은 시기의 콘텐츠 항목으로부터 같은 수의 콘텐츠를 선택하여 테스트 항목을 구성하는 방법이다. 예를 들면, 3개월째와 5개월째의 첫날에 테스트를 실시하는 경우, 1개월째의 6일째, 12일째, 18일째, 24일째의 제시 유닛의 콘텐츠 항목으로부터 각각 1개씩 콘텐츠를 선택하여 테스트 항목을 구성한다. 그 경우, 3개월째와 5개월째의 테스트 항목을 마찬가지로 하여 추출하여, 테스트를 실시하고, 모두를 모아서 대표값을 취하면, 3개월째와 5개월째의 테스트의 성적에는, 학습으로부터 테스트까지의 기간의 차이가 동일한 정도로 영향을 준 결과가 나타나게 된다. 이것은, 종래의 실험 심리학의 영역에서 이용되고 있는 카운터-밸런스법을 타이밍 조건에 응용한 종류의 방법이다.

이 방법은 달마다 학습의 효과를 보기 위해서는 유효한 것이지만, 제시 조건의 영향을 비교하는 것은 어렵다. 예를 들면, 3개월째의 첫날에 테스트를 실시할 때, 1개월째의 최초에 10회 학습 조건의 단어가 많이 배치되고, 2개월째의 마지막날 부근에 1회 학습 조건의 단어가 많이 배치되어 있는 스케줄인 경우, 3개월째의 첫날에 10회 학습 조건의 단어와 1회 학습 조건의 단어를 테스트하고, 그 성적을 비교해도, 양 조건의 영향을 동등하게 평가할 수 없다.

이와 같은 문제를 해결하기 위한 방법은, 스케줄 방법으로서 조건 유닛의 설정을 전제로 하고, 또한 테스트를 구성할 때, 비교 검토하는 조건의 항목을 같은 조건 유닛으로부터 동일한 수만큼 추출하여, 테스트를 구성하고, 반응을 모아서 비교하는 방법이다. 이에 따르면, 어느 제시 조건도 학습과 테스트의 인터벌은 동등한 것으로 간주할 수 있다.

같은 조건 유닛으로부터 동일한 수의 테스트 항목을 추출한다는 것은, 학습 으로부터 테스트까지의 인터벌의 차이를 동등하게 한다는 것을 의미하는 점에서, 앞의 방법(카운터-밸런스법을 타이밍 조건에 적용한 것)과 동등한 효과를 가진다. 또한 중요한 점은, 반드시 모든 제시 조건이 하나는 포함된다는 조건 유닛의 특징을 이용하면, 복수 개의 제시 조건의 학습의 영향을 학습과 테스트의 인터벌의 요인을 상쇄시켜 비교하는 것이 가능하게 된다. 즉, 이것도 조건 유닛이 설정되어 있어 처음부터 용이하게 분석이 가능하게 되는 평가 방법이다.

(12) 상이한 스케줄 조건의 조정

예를 들면, (11)번 항목의 테스트의 구성예와 같이, 3, 5, 7개월째에 테스트를 실시하고, 어느 스케줄화된 이벤트의 영향을 계속하여 측정하도록 한 경우, 테스트에서 이용된 항목은, 테스트를 받은 시점에서 그 이벤트의 영향을 받는다. 따라서, 각 달마다 학습의 성적이 어떻게 변화되는지를 보는 것 같은 경우는, 순수하게 학습을 행한 효과만을 검출하는 것이 어려워진다. 이와 같은 경우는, 도 4에서 나타낸 스케줄(2개월에 1일 학습하는 조건)에서 학습 이벤트를 행하는 콘텐츠 외에, 같은 스케줄(물론 상이한 스케줄이라도 됨)로 테스트 이벤트를 행하는 콘텐츠를 별도로 준비하고, 그 양자를 병립시켜 이벤트를 경험시켜, 별개로 집계를 행하면 문제는 없다.

이와 같이, 개인이 경험하는 스케줄과 콘텐츠를, 복수 개 준비하고, 이들을 같은 기간에 병립시켜 실행하는 것도 충분히 가능하다. 특히, 동일 종류의 콘텐츠를 사용하여 마찬가지의 이벤트를 경험하게 하는 경우는, 반응을 행하는 개인은 상이한 스케줄에서 반응이 요구되고 있다는 의식이 없어도, 복수 개의 스케줄에 대한 반응 데이터를 개별적으로 수집하여 분석할 수도 있다. 또한 그 경우는, 콘텐츠 항목은 상이한 것을 사용하고, 제시 유닛(도 4의 경우는 1일간) 내에서의 개인의 부담 등은, 가능한 어느 제시 유닛도 동등하게 하는 것이 바람직하다.

특히 이 방법은, 복수 개의 스케줄 조건에서 일어나는 이벤트에 대한 반응의 관계를 특정하고, 하나의 스케줄 조건에 대한 반응의 변화 패턴으로부터, 다른 스케줄 조건에 대한 반응의 변화 패턴을 추측할 때 유효하다(이에 대한 구체적인 설명은 후술함).

(13) 제시 스케줄을 고려한 다변량 해석(multivariate analysis)

타이밍 조건을 1개의 축으로 하고, 그 이외에 강도(학습 유닛에서의 제시 횟수), 콘텐츠 그룹의 조합의 차원을 더한 것으로 스케줄을 표현한다. 즉, 지금까지 위에서 설명한 방법에 의해 얻어진 데이터를 이용하면, 종래 통제가 어려웠던 타이밍의 요인을 다중 회귀 분석(multiple linear regression analysis)에서의 설명 변수(explanation variable) 등을 분석의 요인으로 하여 입력하는 것이 가능하게 된다.

어떤 속성을 가지는 콘텐츠 항목이, 어느 제시 조건에서, 어떤 일정한 타이밍에 따라 제시된 경우의 조우(encounter) 조건은 타이밍 조건의 축과 그 제시 조건, 및 콘텐츠 속성의 축의 조합으로서 대표할 수 있다.

이에 대한 반응의 변화를 타이밍 조건과 제시 조건 및 콘텐츠 속성의 조합에 대하여 묘사하는 것이 가능하게 된다.

이하, 상기의 스케줄 구성법 등에 기초하여 실제로 제시 유닛에 할당되는 콘 텐츠를, 일정한 순서로 나란하게 바꾼 한 집합의 콘텐츠 리스트(이후, 제시 리스트라고 함)를 생성할 때까지의 흐름을 설명한다. 그리고, 알기 쉽게 하기 위해, 영어 단어 학습을 예를 들어 설명한다.

(절차 1) 콘텐츠 데이터 베이스의 준비

콘텐츠 데이터 베이스(콘텐츠 파일이라고도 함)는, 스케줄 테이블을 생성할 때, 및 스케줄 테이블에 따라 제시 리스트를 생성할 때 이용된다. 콘텐츠 파일은, 기업 제조업자의 서버 등으로부터 인터넷 또는 기억 매체를 경유하여 받은 콘텐츠 Ci를 기억하고 있다(반드시 콘텐츠 그 자체가 아니라도 되며, 영어 단어＋일본어에 번호를 부여하고 있는 콘텐츠라면 그 번호라도 된다).

이 콘텐츠 Ci는, 영어 단어로 말하면, 영어와 일본어로 이루어진 쌍의 (1)내용(문제와 답이라는 쌍으로 되어 있을 필요는 없고, 한 묶음의 문장이나 그림이나 동화상이라도 됨)과, (2)그 내용의 정리를 구별하는 식별 번호(고교 1년용, 대학생용 등), 또 이용할 수 있는 정보로서 이용 가능하다면, (3)각 내용의 숙지도, 난이도, 중요도, 관련 정보, 계층성(A라고 하는 교육 내용을 학습하기 전에 B라고 하는 교육 내용을 어느 정도 학습해 둘 필요가 있다고 하는 관계) 등의 속성 데이터가 부가되어 콘텐츠 번호(내용의 식별 번호라고도 함)에 링크되어 기억된다.

그리고, 콘텐츠의 속성 정보로서는, 그 콘텐츠를 제공하는 기업 등이 미리 지정한 정보 이외의 정보도 고려해야 한다. 즉, 각 콘텐츠에 대하여 학습자 개인이 느끼고 있는 중요도나, 그 이전에 이루어진 학습의 성과인, 그 콘텐츠에 대한 실제의 성적도 속성 정보로서 고려한다. 예를 들면, 준비된 콘텐츠에 대하여 일정 한 스케줄에 따라 학습을 진행시켜 일정한 학습 단계에 도달한 시점에서, 그 학습자의 각 콘텐츠에 대한 성적을 난이도 정보의 형태로 각 콘텐츠에 부가시키고, 그 정보를 이용하여, 재차 새로운 스케줄에 따라 학습을 행하는 흐름이 상정된다.

(절차 2) 스케줄 테이블의 생성

콘텐츠 테이블의 콘텐츠를 학습시키기 위한 스케줄 테이블을, 지금까지 설명해 온 스케줄 구성법 등에 따라 생성한다.

구체적으로 말하면, 스케줄 테이블(메모리의 스케줄 테이블)은, 예를 들면 도 5에 나타낸 바와 같이, 일련 번호(NO), 월(MONTH), 일(DAY), 후술하는 콘텐츠 식별 조건 코드(COND), 속성 정보(난이도, 중요도 등)의 조건 코드(TYPE), 학습법의 종류를 나타내는 조건 코드(IDR), 반복 횟수를 나타내는 조건 코드(REPEAT), 이벤트 사이클 유닛의 단위를 나타내는 조건 코드(CYCLE), 이벤트 사이클 유닛의 최소 단위를 나타내는 조건 코드(INCYCLE), 콘텐츠의 수를 나타내는 조건 코드(N)를 대응시킨 테이블로 되어 있다. 전술한 난이도는, 예를 들면, 어느 학습의 어려움을 연령이나 성별 등에 의한 그룹으로 나누고, 이 그룹에 할당된 난이도(예를 들면, 5 단계：매우 어렵다는 계수, 어렵다는 계수, 보통이라 계수, 조금 어렵다는 계수, 간단하다는 계수)이다.

그리고, 이 스케줄 테이블의 예는, 제시 유닛을 1일, 인터벌을 1개월(24일 구성, 이하 동일하게 함), 이벤트 사이클 유닛을 1개월, 조건 유닛을 2일로 한 타이밍 조건(A1)과, 제시 유닛을 1일, 인터벌을 2개월, 이벤트 사이클 유닛을 2개월, 조건 유닛을 4일로 한 타이밍 조건(A2)과, 제시 유닛을 1일, 인터벌을 1개월, 이벤 트 사이클 유닛을 1개월, 조건 유닛을 1일로 한 타이밍 조건(A3)이라는, A1, A2, A3의 3개의 스케줄을 포함한 테이블로 되어 있다. A1의 타이밍 조건만으로 테이블을 만드는 경우는, 1개월을 이벤트 사이클 유닛으로 하고 있다. 그리고, A1은 1개월에 1일의 페이스(pace)로, A2는 2개월에 1일의 페이스로 학습하는 조건을 상정하고 있고, A3는 1개월에 1일의 페이스로 학습을 반복한다는 효과를 측정하기 위한 객관적 테스트용의 평가 스케줄을 상정하고 있다. 그리고, 이벤트 사이클 유닛의 최소 단위(제시 유닛)는 1일을 상정하고 있다. 이들 타이밍 조건은 컴퓨터가 설정한다.

타이밍 조건 A1, A3에 관하여는, 도 5에 있어서의 월(MONTH)의 필드가 이벤트 사이클 유닛의 순번에 대응하고, 일(DAY)이 제시 유닛의 순번에 대응하므로, 각각 MONTH를 이벤트 사이클 유닛의 순번, DAY를 제시 유닛의 순번과 대응시키면, 이벤트 사이클 유닛의 단위를 나타내는 조건 코드(CYCLE)는 필요 없지만, 이 예에서는, A2의 타이밍 조건을 함께 고려하기 위해, 별도의 CYCLE 필드를 설정하고 있다. 또, 2개의 타이밍 조건을 구별하여 콘텐츠를 추출하기 위해, 이벤트 사이클 유닛의 최소 단위를 나타내는 조건 코드(INCYCLE)에, 각 타이밍 조건에서의 이벤트 사이클 유닛 내에서, 최소의 이벤트 사이클 유닛의 기간에 의해 환산하면 몇 개째인가라고 하는 정보를 부가하고 있다.

이 방법에 대하여는, 여기서는 보충 설명은 더하지 않지만, 이벤트 사이클 유닛이 상이한 2개 이상의 타이밍 조건의 스케줄을 동일한 일정으로 행하기 위해서는, 2개의 타이밍 조건의 관계를 기술할 필드가 필요하게 되어, 그 정보를 이용하 여 콘텐츠에의 조건의 기입, 추출 및 집계를 행할 필요가 생긴다.

이 예에서는, A1, A2, A3 중에서 최소의 이벤트 사이클 유닛은 A1, A3 조건의 1개월이므로, 각 이벤트 사이클 유닛 중에서 1개월 환산하면 몇 개월째인지를 나타내는 숫자를 입력하고 있다.

전술한 학습법의 종류(IDR)는, 제시 조건의 하나의 예이며, 예를 들면 3종류(TDF)가 존재한다. 첫 번째 종류(T)는, 예를 들면 영어의 일본어 번역의 쌍 연합 학습을 할 때, 영어 단어를 그 학습 전에 보여 그 숙지도를 평가시키는 학습법, 두 번째 종류(D)는 학습하기 전에 그 숙지도 평가를 시키지 않는 학습법, 세 번째 종류(F)는, 예를 들면 매월의 마지막에 숙지도의 테스트를 행하는 경우에 사용하는 항목이며, 제시의 방법도 TD와는 상이한 학습법이다.

또, 반복 횟수(REPEAT)도 제시 조건의 하나의 예이며, 하나의 제시 유닛 내에서 반복하여 제시되는 횟수를 나타내고 있다. 그 외의 제시 조건으로서는, 제시하는 시간, 학습 항목의 강조의 방법, 또 제시 리스트 내에서 같은 콘텐츠가 가능한 시간적으로 이격되어 제시되도록 순서를 결정하는 등의 제시 순서도 조건에 들어간다.

이들 학습법, 반복 횟수 등은 제시 조건에 상당한다. 즉, 각종 제시 조건을 코드화하면, 그 조건마다의 상세한 예측이 가능해진다.

도 5의 스케줄 테이블에서, 일련 번호 "1"의 콘텐츠 식별 조건 코드(COND)는, 일련 번호에 대응시킨 각종 조건의 코드를 모은 것이다. 예를 들면, 일련 번호 "1"의 「B1T01CY0101R01」는, B1이라고 하는 타입의 속성의 단어로, T의 학습 법(제시 조건 1이라고도 함), 1회의 반복 횟수(R01；제시 조건 2라고도 함), 1개째의 이벤트 사이클 유닛(CY01), 그 이벤트 사이클 유닛 중에서의 몇 일째(INCYCLE = 01)의 조건의 콘텐츠를 1개 제공하는 스케줄 데이터로 되어 있는 것을 나타낸다.

이와 같은 스케줄 테이블은, 지금까지 설명한 방법을 이용하여 설계한 스케줄 조건을 테이블로 한 것이며, 그 기본 설계는 전술한 스케줄링 방법의 형태를 기본으로 한다.

그리고, 각 스케줄 조건의 각 조건의 조합에 몇개씩 콘텐츠를 할당할 것인가에 관해서는, 도 6~도 11에 나타낸 바와 같은, 콘텐츠 항목수 할당표를 타이밍 조건마다 또는 스케줄 조건마다 만들어, 이용 가능한 콘텐츠의 수와 필요한 시간을 고려해 각 조건에 할당하는 단어의 수를 조정하여, 결정하여 두면, 이용 가능한 콘텐츠 수나, 예상되는 학습 시간 등을 참조하면서 조건에 콘텐츠 항목 또는 조건의 할당이 용이하다. 물론, 각 제시 유닛에 있어서의 학습 조건을 같게 하거나 학습 시간을 무시하거나 하면, 도 6~도 11과 같은 표를 만들지 않아도 된다. 다만, 성적의 추정 정밀도는 낮아지는 동시에, 다양한 해석을 행할 수 없게 된다.

도 6~도 11은, 굵은 프레임의 사선의 부분에, 조건의 항목수 등을 입력하면, 가장 마지막의 "모든 조건을 종합한 항목의 개요와 예상되는 학습 시간"의 란에 학습 시간 등의 정보가 출력되도록 미리 계산식을 기입한 엑셀의 파일로 되어 있다. 이 스케줄에서는, A1~A5의 5개의 타이밍 조건이 설정되어 있지만, 그 중 A3과 A4는 타이밍은 같은 조건이다.

이것은 설명을 위하여 2개로 나누고 있을 뿐이다. 각종 속성의 상이한 자극 의 학습에 대하여, 많은 종류의 스케줄 조건을 조정하여 스케줄을 편성하는 것 같은 경우는(예를 들면, 1개월에 1회의 비율로 학습하는 스케줄이나, 2개월에 1회 학습하는 스케줄 등, 또한 동일 스케줄 조건으로 복수 개의 속성 조건이나 제시 조건으로 단어를 학습하도록 한 경우는), 매일의 학습 시간이나 피로가 같아지도록 학습 항목의 수나 반복 조건 등을 조정하지 않으면 안 된다. 즉, 어느 날은 학습 시간이 10분 걸리거나, 또는 1시간 걸리는 것 같은 조건에서는, 같은 학습 조건이라고 하지 못하므로, 그 학습의 효과를 정확하게 추정하는 것이 어려워진다. 이를 위하여, 모든 스케줄 조건에서, 어느 정도의 학습 시간이 필요한지, 어떤 단어 정도의 학습 항목이 필요인지, 반복 조건은 어떤 조건 정도까지 넣을 수 있는지를 미리 예상해 둘 필요가 있다. 도 6 내지 도 11은, 그 예상에 사용하는 표이다.

도 6으로부터 도 10까지는, 각 스케줄 조건에 있어서의 조건 유닛 내에서, 어떤 속성과 어떤 제시 조건의 단어를 몇 개씩 준비하면, 각 제시 유닛에 있어서의 반복 학습[드릴(drill)] 항목 수는 몇 개가 되는지, 또한, 이벤트 사이클 유닛에서 필요한 항목의 총 수가 몇 종류가 되는지를 파악하기 위한 표이다. 예를 들면, 도 6에서는, T라고 하는 학습(제시) 조건으로, 1회 학습하는 조건에, 속성 조건이 B1(레벨 1)의 단어를 1개 할당하는 경우에는, 대응하는 곳에 1을 넣는다. 마찬가지로, 모든 조건에 배치하는 단어의 수를 사선으로 이루어진 프레임 내에 입력하면, 각 제시 조건에서 드릴(drill)을 행하는 단어의 총 수가, 5개 또는 2개로 계산되고, 또한 표의 우측 하단의 부분에, 각 제시 유닛에서의 총 항목 수의 평균(총 수인 252를, 조건 유닛 내의 제시 유닛의 수로 나눈 값) 126개가 표시되도록 되어 있다(실제로는, 엑셀의 함수가 들어가 있다). 또한, 각 조건마다 필요한 항목 수를 합한 56에, 하나의 이벤트 사이클 유닛 내에 설정되는 조건 유닛의 수(12)를 곱한 값이, 하나의 이벤트 사이클 유닛에서 필요한 항목(672개)으로 표시된다. 이에 의하면, 몇 개 정도의 항목을 전부 준비하지 않으면 안되는 것인지, 또 각 조건에 할당하는 단어의 수는 어느 정도가 양호한 것인지를 판단하여 결정하는데 참고로 할 수 있다. 마찬가지의 표를, A2~A5 타이밍 조건에 대하여 작성한 것이 도 7~도 10이다. 또한, 모든 스케줄을 조정하여, 하나의 제시 유닛 내에서 대응하는 모든 단어를 제시한 경우의, 필요한 총 학습 시간, 항목 수를 계산해 표시한 것이 도 11이 된다. 도 11을 보면, A1~A5까지의 스케줄을 병행하여 실시한 경우에 걸리는 학습 시간이나 항목 수를 파악할 수 있다.

그리고, 도 6에 있는 제시 조건인 T 조건이나, D 조건, 또한 반복 학습 수 조건(1~6), 또 속성 조건의 B1, B2, B3, O1, O2의 조합마다, 각각의 조건에 할당하는 단어의 수(1)가 콘텐츠의 수에 입력된 것이, 스케줄 테이블(도 5)에 대응한다. 즉, 도 6과 같은 체크표를 기초로 하여, 학습 조건 등을 파악하고, 학습자에게 무리가 없을 것 같은 조건이 되어 있는지 등을 확인한 다음, 각각의 스케줄 조건마다, 각각의 속성 및 제시 조건에 대응시켜 할당하는 항목의 수를 리스트로서 출력 한 것이 스케줄 테이블(도 5)이 된다.

도 12a 및 12b의 콘텐츠 데이터 베이스는, 각 단어마다, 그 단어에 할당되는 각종 조건 등이 대응한 표이다. 이 표에서, 처음에는 COND 조건은 할당되지 않는다[도 12a 및 12b의 속성 정보(도면의 예에서는 B나 R)는, 난이도 등의 정보이며, 각 단어가 일반적으로 어느 정도 어려운 단어로 인식되어 있는지를 나타내고 있고, 이 정보는 각 단어마다 미리 결정되어 있는 정보이다). 처음에는 들어가 있지 않은 학습 조건(COND)에, 스케줄 테이블을 기초로 하여, 각 단어마다 이 학습 조건(COND)을 할당한 것이, 도 12a 및 12b의 예이다.

이 테이블의 작성 방법은, 먼저, 도 5와 같은 스케줄 테이블로부터, 모든 스케줄 조건마다, 하나의 이벤트 사이클 유닛(예를 들면, 이벤트 사이클 유닛이 1개월의 스케줄 조건에 대하여, 24개월분의 스케줄이 있어도, 그 중 1개월분만큼)에 대응하는 스케줄을 추출하고, 그 중에서, 같은 학습 조건의 단어가 몇 개 필요한지를 분명히 한다. 그 조건의 속성 조건에 대응하는 단어를, 이번에는 도 12의 원래의 콘텐츠 데이터 베이스를 기초로 하여, 필요한 수만큼 골라내고, 그 단어에, 그 조건을 기입한다. 그것이 도 12a 및 12b의 표가 된다. 예를 들면, 도 12a의 최초의 단어인 rule은, BC라고 하는 속성 정보를 갖지만, 이 단어에는, B1T01C0101R01이라고 하는 COND 조건이 기입되어 있다. 이 COND 조건 중, 최초의 2문자(B1)는, 속성 조건을 나타내고 있다.

예를 들면, "B1의 조건에 대응하는 단어는, 속성 정보가 B인 단어 중에서 골라낸다"라고 하는 규칙을 결정해 두고, 그 조건에 대응하는 단어를 모든 콘텐츠 데이터 베이스로부터 골라내고, 그 단어에, 속성 정보가 B1인 조건을 할당하도록 한다. COND 조건의 3, 4번째 문자는 제시 조건을 나타내고 있다. 즉, B1의 속성 조건에 따라 선택된 단어 중에서 선택된 단어의 필요한 수는 T01의 제시 조건에 할당된다. 또한, 마지막 R01는 반복 조건이며, B1의 속성 조건에 일치하는 단어 중, T01의 학습 조건에 할당하는 단어 중, 또한 반복 횟수 조건이 1회인 조건을 필요한 수만큼 할당하는 것이다. 이와 같은 방법으로, 각 단어에 COND 조건을 할당하게 된다. 그리고, 이 COND 조건에 있는, C0101와 같은 조건은, 몇 개째의 이벤트 사이클 유닛으로, 또한 그 중에서 몇 번째의 제시 조건인가를 나타내고 있지만, 이 조건은 전술한 바와 같이, 하나의 이벤트 사이클 유닛에 한정되고 있으므로, C0201나 C0301와 같은 조건은 포함되지 않는다.

이어서, 이와 같이 스케줄 리스트와 콘텐츠 데이터 베이스를 준비해 두면, 각 제시 유닛에서 제시하는 리스트(도 13)를 생성하는 것이 다음과 같이 가능하게 된다.

도 13은, 제시 리스트(반응 이력 리스트를 겸함)의 예이며, 학습 조건에 대응시키고 순서 등이 이미 기입되어, PHASE2까지 이미 학습이 진행되고 있는 예이다.

먼저, 스케줄 리스트로부터, 특정일의 이벤트에 필요한 조건의 리스트를 꺼낸다(예를 들면, 1일째의 학습에 해당하는 조건의 리스트). 이어서, 그 리스트에 있는 상기 각종 조건이 기입되어 있는 콘텐츠를, 콘텐츠 데이터 베이스로부터 추출한다. 또한, 그 리스트를, 제시 조건에 따라 나열하고, 제시되는 순서로 바꾼 것이 도 13의 제시 리스트이다. 그 중에는, 각각의 단어가 어떤 조건으로 제시되는지가 각종 제시 조건을 참고로 하여 기입되어 있다(이 조건을 키로 하여 제시 프로그램으로 제시하기 위한 처리를 구별한다). 또한, 그 중에는, CHECK라고 하는 필드가 있다. 이것은, 각 단어에 관한 이벤트가 종료하고 있는지 여부를 파악하기 위한 것이며, 이 제시 리스트의 학습이 도중에 끝난 경우, 완료되지 않은 부분의 단어로부터 제시할 때 이용된다. 또, PHASE는, 하나의 제시 유닛 내에서 상이한 처리(예를 들면, 숙지도 평가, 재인식 판단, 자체 평가)가 요구될 때, 그것을 제시 프로그램 측에서 구별할 때 이용되는 정보이다.

또, 각 단어에 대하여는, 학습자가 요구되는 반응을 기록하는 필드 ANS, F, J, TIME(타임)등이 준비되어 있다. ANS는, 재인식 테스트가 요구되고 있는 경우의 반응을 기입하는 필드이며, F는 학습 방법이 T의 조건의 단어에 있어서, 숙지도 평가가 요구될 때에 학습자가 반응한 값을 기록하는 부분이며, TIME(타임)은, 각각의 반응에 학습자가 필요로 한 시간을 기록하는 필드이다. 이 제시 리스트를 사용하여, 순차 콘텐츠의 제시가 제어되는 동시에, 반응이 기록된다. 특히, 하나의 이벤트 사이클 유닛에서는, 각 단어는 1회만 제시되기 때문에, 스케줄 테이블로부터 하루 분의 스케줄을 꺼내, 거기에 기재되어 있는 각종 조건을 키로 하여, 콘텐츠 데이터 베이스로부터, 속성 조건이나 제시 조건(학습 조건이나 반복 횟수 등)이 일치하는 단어를 선택하면, 1일분의 콘텐츠의 리스트를 추출할 수 있다(이벤트 사이클 유닛 내에서 2회 이상 같은 단어가 제시되도록 한 가정을 두고 있으므로, 이 부분의 처리가 매우 어려워진다：이벤트 사이클 유닛의 정의가 의미를 갖는다).

도 14a, 도 14b의 이력 파일은, 각 학습자마다, 각각의 제시 유닛에 관한 이벤트를 언제, 어느 정도의 시간에 걸쳐 행할 것인지를 기록한 것이다. 이것을 사용하면, 각 학습자가, 실제 어떠한 스케줄로 학습을 했는지를 파악할 수 있다. FILE는 제시 리스트의 보존 파일명, START와 END는 시작과 마지막의 비용, N1, N2, NOBE는 스케줄 테이블의 몇 번으로부터 몇 번까지를 했는지, 또 몇 개 단어의 학습을 했는지를 나타내고 있다. T1S, T1E 등은, 각 PHASE가 시작된 시각과 끝나는 시각을 초 단위로 나타낸 것이 기록되어 있다.

도 15a, 도 15b의 개인 반응 데이터 베이스는, 기본적으로, 콘텐츠 데이터 베이스와 같은 필드 구조에 기록 필드가 추가된 것으로서, 제시 리스트에 기록된 반응을, 콘텐츠마다 모아서 다시 기록한 것이다. F00, F01, F02. ..., ANS01, ANS02와 같은 숫자는, 몇 개째의 이벤트 사이클 유닛의 반응인지를 의미하고 있다. 이 파일을 이용하면 모든 학습 스케줄에 대하여 반응이 어떻게 변화되었는지를 용이하게 계산할 수 있다.

마지막의 도 16a, 도 16b, 도 16c는, 도 5의 스케줄 테이블로부터 1, 2, 3개월분의 일부를 꺼낸 것이다. 1개월째의 1일째와 같이, 기일마다 어떠한 스케줄 조건의 학습을 행할 것인지 리스트 되어 있다. 도 16a는, 1개월째의 스케줄 테이블의 예(2개의 스케줄 조건을 포함)이다. 도 16b는, 2개월째의 스케줄 테이블 예(2개의 스케줄 조건을 포함)이다. 도 16c는, 3개월째의 스케줄 테이블 예(2개의 스케줄 조건을 포함함)이다. 표의 최초의 월과 일을 보면, 1월째의 1일째와 2일째의 일부가 표시되어 있다. 1개월째의 1일째의 일련 번호의 최초분에 할당되어 있는 조건은, 스케줄 조건 A1의 조건이며, 그 다음에, 타이밍 조건 A3의 조건,... 이라는 상태로, 타이밍 조건 A2까지의 조건이 리스트 되어 있다. 각각의 스케줄 조건마다 제시되는 단어의 속성이나 제시 방법 등이 조건으로 지정되어 있다. 이 조건을 기초로 하여 차례로 위로부터, 콘텐츠 데이터 베이스에 같은 COND 조건(제시 및 속성 조건)이 기재된 콘텐츠를 추출하고, 그들을 모두 사용하여, 1일분의 제시 리스트를 작성할 수 있다.

전술한 바와 같이, 복수 개의 스케줄 조건을 혼재한 형태로 학습 내용을 제시하는 것이 가능하고, 이 예에서도 복수 개의 스케줄 조건을 동일 학습자에게 제공하고, 또한 다양한 해석이 가능하도록 되어 있다. 이 표의 스케줄에서는 타이밍 조건이 4개, 콘텐츠의 속성 조건에는 B1, B, B3, O1, O2, 등의 조건이 있고, 제시 조건은 학습의 방법으로서 T, D, F 등의 조건이, 또한 드릴(drill) 학습으로 요구되는 학습 횟수의 조건이 있다. 이들 조합마다, 학습이 진행 방법을 나타내고, 그러한 관계를 검토하는 것도 가능하도록 되어 있다. 이하의 설명에서는, 표의 타이밍 조건 A1, A2, A3 만으로 한정하여 설명을 계속한다(A4, A5의 조건을 포함하면 설명이 복잡해지기 때문이다).

(절차 3) 스케줄 테이블과 콘텐츠 데이터 베이스에 기초하는, 각 콘텐츠에의 콘텐츠 식별 조건 코드의 기입

스케줄 테이블이 작성되면, 각 식별 조건 코드에 필요한 콘텐츠의 종류와 그 수가 특정된다. 콘텐츠를 어느 식별 조건으로 할당할 것인가에 대하여는, 각 콘텐츠의 속성 정보와 식별 조건 코드의 속성 정보를 대응시켜 할당하는 것 외에, 가능한 랜덤하게 할당하는 것이 바람직하다. 그리고, (9)번 항목에서 설명한 바와 같이, 카운터-밸런스법을 취하여, 복수의 개인의 데이터를 모아서 일반 경향을 파악하는 경우에는, 카운터-밸런스법에 따라 콘텐츠에 식별 조건을 할당한다. 각 콘텐츠에 식별 조건 코드를 기입한 콘텐츠 데이터 베이스의 예를 도 12a에 나타낸다.

도 12a는 인터벌이 1개월인 스케줄(1개월에 1일의 페이스)의 예를 나타내며, 도 12b는 복수 개의 스케줄 조건을 혼재한 예로서, 평가 이벤트(1개월에 1회의 타이밍)와 인터벌이 2개월(2개월에 1일의 페이스)인 스케줄이 조합된 것을 나타내고 있다. 그리고, 콘텐츠의 내용도 콘텐츠 데이터 베이스에 기록하여 둘 필요는 없고, 콘텐츠의 내용 대신에 일련 번호만을 기록하고, 필요에 따라 콘텐츠 데이터 베이스와 대조하여, 콘텐츠의 내용을 특정할 수 있도록 하면 된다.

이상, 일정한 스케줄 조건을 규정한 스케줄 테이블과 그에 대응하는 식별 조건 코드가 부기(附記)된 콘텐츠 데이터 베이스가 각 1개 이상 준비된 상태인 것을 전제로 하여, 이하의 순서로, 제시 유닛(presentation unit)에 대응하는 제시 리스트(presentation list)를 작성한다.

(절차 4) 제시 리스트의 추출 범위의 지정

제시 유닛에 대응하는 제시 리스트를 추출하는 경우, 필요에 따라, 몇번째의 제시 유닛에 대응하는 제시 리스트를 생성할 것인가를 지정한다. 일반적으로, 제시 유닛의 순서에 따라 제시 리스트를 하나씩 추출하지만, 복수 개의 제시 유닛을 지정하여, 그만큼의 제시 리스트를 모두 추출하는 것도 가능하다(특히, 리스트를 네트워크를 통하여 다운로드하도록 한 경우는, 모아서 다운로드하는 것이 고려된다). 상이한 단말기로 같은 스케줄 테이블에 따라 제시 리스트를 생성하는 경우는, 어느 제시 유닛이 이미 생성되어 있는가 등을, 스케줄 테이블을 기초로 하여 파악함으로써, 학습의 이력의 동기(synchronization)도 가능하다.

즉, 어느 제시 유닛까지가 제시 리스트로 되어 있는가(학습할 수 있는 상황 에 있는가)를, 스케줄 테이블 또는 다른 파일로서 기록하고, 그것을 이용하여 제시 리스트 생성 이력을 파악하며, 학습이 이루어지지 않은 제시 리스트를 적당히 생성하여 제공하는 것이 가능하다.

(절차 5) 제시 유닛에 대응하는 제시 리스트의 생성

예를 들어, 도 16의 스케줄 테이블에 기초하여, 1개월째의 1일째의 제시 유닛에 대응하는 제시 리스트의 추출 방법을 설명한다. 먼저, 생성하는 범위가 1개월째의 1일째라는 형태로 지정된 것으로 하면, 도 16a의 MONTH(월)와 DAY(일)에 대응하는 스케줄 테이블의 범위가 한정된다(도 16a, NO1~NO38). 이어서, 그 범위의 식별 조건 코드(COND)의 정보의 모두 또는 일부의 정보가 기입되어 있는 콘텐츠를, 콘텐츠 데이터 베이스로부터 추출하고, 제시 조건에 따라 제시 리스트를 구성한다. 이 자세한 설명에 대해서는, 제시 조건에 의존하기 때문에, 일반적인 설명을 할 수는 없지만, 도 13에 생성된 제시 리스트의 예를 나타냈다.

도 13의 좌측 끝의 필드부터 설명해 가면, 체크(CHECK) 필드는 어느 필드까지 학습이 종료하고 있는지를 나타내는 것이며, 제시 리스트의 도중에 학습이 중단되고 있는 경우에 이 정보를 사용하여 학습을 계속하기 위한 필드이다. 페이즈(PHASE) 필드는, 학습이나 그 외의 과제[숙지도 평가, 기억 테스트, 삽입 드릴(insertion drill) 등]의 정리를 의미하고 있다. NO는 일련 번호를 필요에 따라 입력하는 필드, 일(DAY)은 학습을 실시한 기일을 입력하는 필드이다. 그리고, 이 리스트는, 후술하는 이력 리스트도 겸하고 있고, 우측에 있는 필드의 F, ANS, J, 타임(TIME)이라고 하는 필드는, 학습자의 반응을 기록하는 필드이다. 그리고, 이 예에서는 1개의 콘텐츠에 대하여 1개의 반응을 학습자에게 요구하는 학습법이므로, 각 콘텐츠에는 1개의 반응 필드와 반응 시간을 기록하는 필드가 최소한 설치되어 있으면 된다. 1개의 콘텐츠에 복수 개의 반응을 요구하는 제시 조건에서는, 반응 필드는 복수 개가 필요하게 된다.

도 16의 스케줄 조건에 따라, 특정한 제시 유닛의 식별 조건이 특정되면, 그 정보가 기입되어 있는 콘텐츠 데이터 베이스로부터 필요한 콘텐츠가 추출되는 동시에, 제시 조건 등의 조작에 따라 콘텐츠가 차례로 배치되어 리스트가 생성된다.

(절차 6) 제시 조건에 따라 순차 콘텐츠를 제시

이 절차는, 콘텐츠의 제시 조건이나 학습의 방법 등에 의존한다.

여기서 하나의 제시 방법을 소개한다. 가장 이용하기 쉽고, 또한 각종 콘텐츠에 적용 가능한 학습과 테스트를 겸한 데이터의 수집 방법이다.

먼저, 도 31의 (a) 및 (b)에 나타낸 바와 같이, 영어 단어만이 표시되고, 학습자가 어떤 키를 누르면 일본어 번역이 표시된다. 여기까지가, 콘텐츠의 표시이다. 이 표시가 완료된 시점에서, 학습자가 콘텐츠의 내용의 습득 레벨을 자체 평가하는 방법이다.

도 31의 (b)의 예에서는, 4 단계(A：양호, B：좀 더, C：안됨, D：전혀 안됨)로 평가받은 예이다.

이 방법은 콘텐츠를 제시할 뿐이며, 해답을 요구하지 않아도 학습이 성립되어, 각종 콘텐츠에 대하여 응용 가능하고, 또한 그 평가 결과를 수치 변환[도 31의 (b)에서는 A=3, B=2, C=1, D=0)함으로써 성적으로서 취급하는 것도 가능하기 때문 에, 특히, 이벤트 사이클 유닛을 설정하여, 일정한 타이밍에 학습을 반복하는 스케줄의 경우에는, 학습 횟수와 그 성적의 관계를 직접 검토할 수 있으므로, 유효하다(통상, 학습과 별도의 테스트를 행하면, 그 테스트 이벤트의 영향이 그 후의 성적에 영향을 주기 때문에, 순수하게 성적과 학습의 관계를 검토하는 것이 어렵다).

(절차 7) 반응 데이터 및 학습 이력 데이터의 기입

각 제시 조건에 따라 콘텐츠가 제시된 시점에서, 그 이벤트에 대하여 행해진 반응을, 도 13과 같은 제시 리스트 또는 반응 이력 리스트에 기입한다. 도 13에서, F 필드는 숙지도 평가의 값, ANS는 기억 테스트의 반응, J는 도 31의 (a) 및 (b)의 반응, TIME은 각각의 반응에 필요한 시간이 기록된다(이 시간을 해석하면, 각 학습자가 어느 정도 학습에 시간을 소비하고 있는지를 용이하게 파악하여 피드백하는 것이 가능하다). 또, 도 14와 같은 개인 이력 데이터 파일에 학습 이력을 기록하는 것도 있다. 도 14의 필드는, 학습을 실시한 제시 리스트 파일명(FILE), 학습 개시 시각(START), 종료 시각(END), 어느 조건에 대응하는 단어의 수(N1, N2, NOBE), 각 페이즈마다의 학습 개시 시각과 종료 시각(T0S, T0E,,, T7S, T7E)을 제시 리스트의 학습에 대응하여 기록해 나간다. 그리고, 도 13에 있는 F, ANS, J 필드는, 반드시 나눌 필요는 없고, 하나의 반응 필드로서 반응을 기록하여도 된다.

(절차 8) 반응 이력 리스트, 개인 데이터 파일의 회신

모든 제시 리스트에 관한 이벤트가 종료하게 되면, 콘텐츠 번호와 반응 등이 기입되어 있는 반응 이력 리스트 및 개인 이력 데이터 파일(제시 유닛에 대응)을, 필요에 따라 네트워크를 통하여 데이터 분석을 위한 서버(server) 등에 회신한다.

그리고, 개인 이력 데이터 파일에는, 그 제시 유닛의 일련 번호나 학습하기 시작한 시각, 종료한 시각, 기일, 제시 유닛 내에 설치된 페이즈의 개시/종료 시각 등이 기입되어 있다. 이들 데이터를 기초로 학습의 데이터를 해석하면, 아침에 학습하는 편이 성적이 좋다 라든지, 몇 시쯤에 학습하는 사람의 성적이 좋다라는 등의 예측이나 퍼스널리티, 또는 학습 스타일 등의 추정 등도 원리적으로는 가능하게 된다.

(절차 9) 개인 반응 데이터 베이스에의 기입

반응 이력 리스트에 기입된 반응을, 도 15에 예시한 개인 반응 데이터 베이스에 콘텐츠를 키의 데이터 필드로 하여 복사한다. 개인 반응 데이터 베이스(도 15)는, 도 12의 콘텐츠 데이터 베이스에 데이터의 기록 필드를 추가한 것이 하나의 예이다. 이 예에서는, 숙지도 평가가 값을 1개월째~4개월째까지로 나누어 기입하는 필드(F01, F02, F03, F04), 기억 테스트의 반응을 기입하는 필드(ANS01, ANS02, ANS03, ANS04), 자기 평가의 값을 기입하는 필드(J01, J02, J03, J04), 각 반응에 필요한 시간을 기입하는 필드(JT01, JT02, JT03, JT04) 등이 예시되어 있다.

그리고, 여기서 1개월을 기준으로 하고 있는 것은, 가장 중용한 이벤트 사이클 유닛이 1개월의 조건이었기 때문이며, 또 데이터의 파악 방법이 용이하기 때문이다.

콘텐츠 데이터 베이스에는 각 콘텐츠의 식별 조건 등이 일정한 스케줄 테이블에 기초하여 기입되어 있고, 또한 반응 이력 리스트(이 예에서는 제시 리스트)도 일정한 스케줄 테이블(메모리)에 따라 작성되어 있으므로, 반응 이력 리스트의 데 이터를 개인 반응 데이터 베이스에 복사하면, 도 15와 같이 각 조건에 대응하여 데이터가 기록된다.

그리고, 개인 이력 데이터 파일은, 하나의 제시 리스트마다 작성하고(1 레코드만), 서버 측에서 개인의 모든 이력 파일을 보존해도 된다. 개인 이력 데이터 파일을 사용하면, 학습자가 어느 제시 유닛의 학습을 완료하고, 어떤 것을 완료하고 있지 않은지를 파악하고, 필요에 따라 학습을 촉구하는 지시를 발행하는 것도 가능하게 된다. 이것은, 통신 에러 등으로 학습 데이터가 사라져 버렸을 경우에, 그 부분의 데이터를 단말기 측에서 보존하여 두면, 나중에 부족한 부분의 데이터를 명확하게 하고, 그것을 다시 송신하도록 촉구하는 것도 가능하다.

(절차 10) 개인 반응 데이터 베이스를 사용한 데이터 분석

개인 반응 데이터 베이스의 식별 조건 코드에는, 스케줄 조건 외에 제시 조건 및 속성 정보도 포함되어 있다. 따라서, 이 코드에 포함되어 있는 정보를 이용하면(물론 제시 조건의 필드나 속성 정보의 필드를 그대로 사용해도 됨), 일정한 스케줄에 대한 학습 성적 등의 반응을 모아서 대표값을, 각 이벤트 사이클 유닛마다 얻는 것이 가능하게 된다. 각종 분석 방법이 있기 때문에, 자세한 것은 생략한다.

＜스케줄링 방법을 원용하여 실시한 실험의 결과＞

(스케줄 조건의 설명)

이하에서는, 본 스케줄 구성법과 분석 방법을 원용(援用)하여, 이미 실시된 실험 결과를 소개한다. 도 17은, 고교생에게 영어 단어의 학습을 일정한 스케줄에 따라 계속한 장기 학습 실험에 있어서의, 자기 평가값으로 나타낸 학습의 축적의 평균적인 모습이다. 가로 축은 인터벌 유닛(24일：약 1개월)의 순서(이 스케줄에서는 월에 대응), 그 안에 있는 각 막대 그래프는 제시 조건(1~8회의 학습 조건), 세로 축은 각각에 대응하는 자기 평가값(성적)을 의미한다.

그리고, 실제 이 실험은 복수 개의 인터벌 조건을 고려하고 있지만, 여기서는 1개의 조건에 대해서만 설명한다. 이 실험의 스케줄 조건을 상기의 단어로 나타내면 다음과 같이 정리된다.

타이밍 조건： 인터벌이 1개월=1개월(24일로 함)에 1일의 페이스로 학습하는 조건

1일을 최소의 이벤트 기간으로 하면, 다음과 같이 코드화된다.

1일 2일 3일 4일 … 24일 25일 26일 … … 48일 49일 …

1 0 0 0 … … 0 1 0 … … 0 1 … …

덧붙여서, 1개월(24일로 함)을 최소의 이벤트 기간으로 하면, 다음과 같이 코드화된다.

1개월 2개월 3개월 4개월 5개월 6개월째

1 1 1 1 1 1

제시 조건 1(반복 횟수)： 반복 횟수로 1~8회의 8개 조건

제시 조건 2(학습 방법)： D(영어 단어의 숙지도 평가를 행하지 않고 드릴 학습을 행하는 조건)

이벤트 사이클 유닛： 24일(=1개월이라고 함)

이 조건에서는 인터벌과 이벤트 사이클 유닛이 모두 1개월이며, 일치하고 있다.

제시 유닛： 1일

조건 유닛： 2일

제시 유닛 내에서의, 반복 횟수 조건의 할당 방법： 홀수일은 1, 3, 6, 8회 조건, 짝수일은 2, 4, 5, 7회 조건이 할당되었다.

제시 유닛 내의 각 반복 횟수 조건에 할당된 단어의 수： 4개

제시 유닛 내에서의 반복 횟수 조건의 총 수는, 홀수일은 1+3+6+8=18, 짝수일은 2+4+5+7=18로 같고. 그 조건에 각각 4개씩 단어를 할당했기 때문에, 1일(제시 유닛)에서의 단어의 총 학습 단어수는, 18×4=72개이며, 매일 이 스케줄 조건에 대하여 대략 같은 정도의 부담이 기대된다(실제는 다른 스케줄 조건도 병립시켰으므로, 부담은 72개보다 많다).

콘텐츠 그룹： 1종류：이 실험에서는 난이도가 같은 단어를 사용하고 있다.

(얻어진 데이터)

도 17의 1개월에 1회의 페이스로 학습하는 조건의 단어의 성적을 달(month)에 대해 살펴 보면, 상승하고 있는 상태인 것을 알 수 있다. 매월 중의 막대 그래프는 반복 횟수의 조건에 대응하고 있고, 매월의 최초에 그 단어에 대하여 자기 평가의 반응을 득점화하여 나타내고 있다(A：양호함, B：좀 더, C：안됨, D：전혀 안됨)의 평가를 (A=3, B=2, C=1, D=0)로 점수화하고 있다. 이 평가값은, 제시되는 영어 단어의 의미를 자신이 어느 정도의 레벨까지 학습하고 있는가 하는 자기 평가 이다(학습의 도달도를 추정하기 위해서는 매우 유효한 지표가 되는 것을, 이 결과로부터도 알 수 있다).

어느 단어에 대하여 그 평가가 1회~8회 요구되고, 그 후 1개월은 그 단어가 제시되지 않고, 1개월(24일)의 간격을 두고 다시 제시되는 조건이다. 이 실험에서 이 스케줄 조건에 해당하는 단어로 한정하면, 각 학습 횟수 조건에 할당된 단어의 수(종류)는 48개(4개×24일÷2)이며(총 384어), 그 48개의 단어가 각 조건에 대응하는 횟수만큼 반복 제시되고, 각각 최초의 자기 평가값을 평균화한 값이 도 17의 매월의 1개의 막대 그래프에 대응하고 있다. 만약, 종래의 방법으로 도 17의 데이터를 만든다고 하면, 어느 특정일에 총 48개×36=1728회 단어 학습을 행하고, 그 후 1개월의 간격을 두고 마찬가지의 평가를 행하여 받는 방법이다(36은, 1~8회의 반복 조건의 총 수=1＋2＋3＋4＋5＋6＋7＋8).

1개의 단어의 학습에 5를 필요로 하면, 1728개×5초=144분의 학습을 행할 필요가 있다.

단, 1회~8회의 학습 조건에서, 실질적으로 384개의 단어의 학습만으로도, 계속하여 2시간이나 학습을 받을 필요가 있다. 이것으로는 학습의 균일성은 보증하지 못하고, 또 방대한 학습 내용을 단번에 학습자에게 제시하는 것도 불가능하다.

즉, 1일당의 학습의 총 수를 줄이지 않으면 안 되는 것이다. 그런데, 1일의 학습을 며칠로 나누면 이번은 그 학습과 테스트 사이의 인터벌이나 학습 조건의 통제가 어려워진다.

본 발명은, 인터벌 조건을 통제하면서, 1일당의 학습의 총 수를 줄여, 한번 에 전달하는 콘텐츠 양을 줄이고, 또한 1일의 학습 조건(학습의 질)을 동등한 질로 하여, 그 효과를 엄격하게 측정하는 방법을 제공한다.

또, 제시 유닛의 작성법의 부분에서 조금 설명했지만, 자기 평가 등의 평가자의 반응의 기준은 날마다 변동되지만, 이 변동이나 개인차를 배제하여, 엄밀하게 제시 조건의 효과 등을 추정하는 방법으로서, 동일 제시 유닛 내에 비교 검토하고 자 하는 제시 조건을 배치하고, 그 조건에 할당된 콘텐츠에 대한 반응의 차이를 취하는 방법이 있다.

예를 들면, 도 17에서, 1개월째의 각 학습 횟수 조건의 단어의 최초의 평가값을 기준선으로 하여, 2개월째 이후의 평가값에서 감산하면 개인차를 배제할 수 있다. 또한, 개인차를 배제한 득점에 대하여, 매월의, 8회 학습 조건과 1회 학습 조건에 대한 득점의 차이를 취하면, 판정 기준일 내의 변동의 영향을 배제한 매우 엄밀한 학습의 효과를 추정할 수 있다. 다만, 판단 기준의 변동을 엄밀하게 배제할 수 있는 것은, 8회 조건과 1회 조건이 같은 제시 유닛 내에 배치되어 있던 경우이다.

따라서, 이와 같은 변동을 배제하기 위해서는, (조건 유닛 내에 한정되지 않고)동일 제시 유닛 내에 비교 검토가 가능한 제시 조건을 배치해 둘 필요가 있다.

지금까지 방대한 학습 콘텐츠를 일정한 스케줄로 학습한 경우의 학습의 진행 방법을 객관적으로 측정할 수 없었던 이유는, 본 발명과 같은 방법을 생각할 수 없었기 때문이다. 본 발명에 의하면, 매우 방대한 콘텐츠(대상)를 일정한 인터벌 조건으로 학습(판단이나 평가)하는 경우의 반응의 변화를 엄밀하게 파악하는 것이 가 능하게 된다.

도 17은, 23명의 학습자의 평균 데이터이지만, 이것을 개인마다 나타내는 것도 가능하고, 본 발명에서 제안하는 학습 단계의 도달도의 자기 평가를 성적으로 환산하는 방법에 의하면, 개인의 데이터를 기초로 한 사람 한 사람의 도달도의 예측도 가능할 정도의 예측력을 얻을 수 있는 것도 밝혀지고 있다. 도 18의 (a), (b) 및 (c)에, 실제로 실시한 결과 얻어진 3명의 학습자의 개인 데이터와 그 예측 함수(단순한 회귀 직선이 그려진 것)를 나타냈다(도 17의 학습 스케줄과 상이한 실험의 데이터). 예측 방법은, 각종 함수가 고려되지만, 본 발명을 이용하면 예측을 위한 정확하게 객관적인 데이터를 수집하는 것이 가능한 것을 알 수 있다. 덧붙여서 도 17, 18a, 18b, 18c와 같이 학습 효과의 변화를 상세하게, 또 개인마다 나타내고 있는 데이터는 현재 세계의 어디에도 존재하지 않는다. 또, 단어의 1회의 학습에 필요로 하는 시간을 다른 반응 지표로서 기록하는 것도 가능하고, 그 분석 결과로부터도 흥미로운 사실이 밝혀지고 있지만, 자세한 것은 생략한다. 도 17이나 도 18은, 도달도의 자기 평가를, 도달도를 파악하는 하나의 지표로 하는 것의 효율을 나타내고 있지만, 이 스케줄링법에 따라 데이터를 수집함으로써, 그 외의 지표에도 매우 상세한 학습의 효과가 나타나고 있다.

특히, 이 실험예와 같이, 1개월에 1회라고 하는 타이밍 조건을 채용하고, 그 타이밍에 맞추어 반응 데이터를 표시하면, 학습을 어떤 기간 계속한 시점에서, 그 후의 학습의 진행 방법의 예측도 가능하게 된다. 이 실험에서는 1~3, 4개월째까지의 반응 데이터를 도 18과 같이 정리하면, 개인마다 1개월에 1회의 이벤트의 효과 는 달라도, 그 개인의 학습 도달도가 일정한 레벨이 되는데 몇 개월 필요한가 라는 예측이 가능하게 된다. 또한, 많은 사람이 같은 스케줄 조건으로 학습을 계속하고, 그 데이터를 수집 및 축적하며, 그것을 데이터베이스화하여, 어느 개인이 그 스케줄 조건으로 학습을 행한 경우, 학습의 진행 방법을 예측 패턴으로서 제공하는 것도 실제로 가능하다. 특히, 예측하고자 하는 개인의 개인 속성(성별, 의지의 정도, 학습 스타일 등)을 알면, 데이터베이스로 하여 이미 있는 같은 속성을 가지는 학습자의 집단을 특정하고, 그 반응 데이터를 정확한 예측 패턴으로서 제공하는 것이 가능하다. 스케줄을 통제하여 반응 데이터를 수집하는, 스케줄 고정법의 예측 방법이 된다.

(14) 실제의 실시일부터 타이밍 조건을 다시 기술하는 방법

평가자의 반응의 실시 일을 엄밀하게 규정하기 어려운 경우가 있다. 예를 들면 영어 단어의 실험에서도, 1개월에 1회의 페이스를 학습자에게 제대로 지키도록 부탁해도, 실제로는 제대로 그 페이스대로 학습은 이루어지지 않는다. 콘텐츠의 수가 많은 경우 등과 같은 많은 경우에, 평가의 실시 일은 개인의 자유 의사에 의존하고, 계획대로 하는 경우는 적다. 이와 같은 경우, 학습자 전원이 일정한 스케줄에 따라 학습을 했다고는 말하기 어렵고, 타이밍 조건의 통제가 불충분하게 될 가능성이 있다. 그러나, 본 발명에서 제안하는 조건 유닛이나, 각 이벤트 사이클 유닛으로 콘텐츠를 같은 순서로 배치하는 방법을 취함으로써, 약간의 타이밍 조건의 변화에 대해서도, 제시 조건의 효과의 비교 등, 비교적 높은 정밀도로 데이터의 분석이 가능하게 된다.

또, 당초 의도한 타이밍 조건으로 스케줄의 실시를 행할 수 없어, 개인마다 상당히 타이밍에 편차가 생긴 경우에도, 이벤트 사이클 유닛에서 제시되는 콘텐츠가 실제로 제시되고, 이벤트가 발생한 기일을 기록하여 나감으로써, 반대로, 실제로 평가를 행한 타이밍 조건을 다시 기술하는 것도 가능하다.

예를 들면, 영어 단어의 학습의 예로, 다음과 같은 1개월에 1회라고 하는 타이밍 조건을 계획한 것으로 상정한다.

계획：1개월에 1회의 타이밍(최소의 이벤트 기간을 1개월이라고 했을 때)

1개월 2개월 3개월 4개월 5개월 6개월째

1 1 1 1 1 1

그런데, 계획과 달리, 실제의 학습자는, 1, 2, 3개월까지는 1개월에 1회의 페이스로 대략 학습하고 있었던 것이, 4개월째로 예정되어 있던 학습이, 4, 5개월의 2개월간 하지 않은 경우의 타이밍을 표현하기 위하여, 이벤트의 발생(즉, 코드화로 "1"을 세우는 시기)을 각 이벤트 사이클 유닛의 마지막 날에 대응시키면, 다음과 같이 고쳐 쓸 수 있다.

실제의 타이밍의 표기(이벤트 사이클 유닛의 마지막 날을 이벤트의 발생으로 함)

1개월 2개월 3개월 4개월 5개월 6개월째

1 1 1 0 1 1

그리고, 타이밍 조건에 있어서의 이벤트의 발생을 대응시킨 날은, 이벤트 사이클 유닛의 마지막 날 외에, 개시일, 중간일, 이벤트의 실제의 발생 밀도 등을 고 려하여 결정할 수도 있다.

그리고, 타이밍 조건의 코드 방법과 관련하여 보충해 두지만, 위에서 말하는 1개월 및 2개월은, 타이밍 조건을 기술하기 위해 있는 것으로, 실제의 달과는 다르다. 이벤트의 발생을 이벤트 사이클 유닛의 마지막 날에 대응시켰다고 해도, 최소의 이벤트 기간을 1일로 한 경우의 코드 표현은, 다음과 같이 1일의 셀에 "1"이 되는 표현이다(가장 최초의 날의 이벤트가 모두 "1"이 되도록 뒤쪽의 타이밍 표기를 늦추는 것이 일반적이다).

1일 2일 3일 4일 … 24일 25일 26일 … 48일 49일 …

1 0 0 0 … 0 1 0 … 0 1 ...

(15) 긴 인터벌을 두고 발생하는 이벤트의 효과를 단기간에 예측하는 방법

영어 단어의 실험 결과를 예로 하면, 도 18은 1개월에 1회의 페이스로 학습(이벤트)을 계속한 경우에 학습의 효과가 어떻게 나타나는지, 또 같은 스케줄로 학습을 계속한 경우에, 학습이 완료하는데 어느 정도의 기간이 필요한지를 예측하는 것도 가능함을 알 수 있다. 그러나, 그 예측은 도 18의 (a), (b), 및 (c)와 같이, 3, 4개월 정도 학습을 계속하지 않으면, 유도해 내는 것은 어렵다. 전망이 없고, 3개월 정도의 학습을 계속하는 경우, 의외로 의지가 계속되지 않는 것이다. 즉, 좀 더 단기간에 학습 등의 이벤트의 효과의 나타나는 방법의 전망을 얻고 싶은 경우가 있다. 그와 같은 예측을 가능하게 하는 방법을 설명한다.

알기 쉽게 하기 위해, 여기서는 1개월을 24일, 1주간을 6일로 하여 설명한다.

(a) 1개월에 1회의 페이스로 이벤트가 발생하는 긴 인터벌의 스케줄 조건과, 1주간에 1회의 페이스로 이벤트가 발생하는 짧은 인터벌의 스케줄 조건을, "(12) 상이한 스케줄 조건의 조정"에서 설명한 것처럼 조정하고, 같은 학습자에게 2종류의 스케줄 조건을 조정한 상태로 학습을 계속 받게 하여, 그 반응을 분석하면, 각 스케줄 조건마다 도 17과 같은 데이터를 얻을 수 있다.

(b) 이 조작을 많은 사람에 대하여 행하면, 평균적인 경향을 나타낸 도 18의 (a), (b), 및 (c)와 같은 도면이 3개 얻어진다. 이 경우, 짧은 인터벌의 스케줄 조건의 성적(예를 들면, 도달도의 자기 평가값)의 상승의 정도는, 긴 인터벌의 스케줄 조건보다 크게 될 것이다. 그래서, 예를 들면, 그 경사의 비율을 특정하면, 짧은 인터벌의 스케줄의 성적이 상승되는 경사도로부터, 긴 인터벌의 스케줄의 경사도를 표현하는 것이 가능하게 된다.

(c) 성적의 상승의 방법을 예측하고자 하는 개인이, 짧은 인터벌의 스케줄 조건과 긴 인터벌의 스케줄 조건을 조정한 스케줄을 1개월 실행하면, 짧은 인터벌의 스케줄 조건에 대하여 성적이 향상되는 경사도를 얻을 수 있다. 그 경사도와 (b)에서 특정되어 있는 경사도의 비율과, 그 시점에서 1개월 동안 수집되어 있는 긴 인터벌의 스케줄 조건의 데이터를 초기값으로서 이용하면, 그 개인이 긴 인터벌의 스케줄 조건에서 학습을 계속한 경우의 성적의 변화를 1개월 학습을 행한 시점에서 예측할 수 있다.

그리고, 이 예측법은, 스케줄 고정법 뿐만이 아니라, 후술하는 프리 어큐뮬레이션법(free accumulation method)에서도 마찬가지로 적용 가능하다.

＜ 실시예 2 ＞

프리 어큐뮬레이션법(free accumulation method)

이 방법은, 타이밍 조건이 유사한 이벤트에 대한 많은 사람의 반응 데이터와 학습자 정보가 축적된 데이터 베이스에 따라, 어떤 사람이 임의의 타이밍인 이벤트에 반응을 하는 경우의 반응 패턴의 변화 등, 반응 패턴의 예측을 하는 것을 목표로 하는 행동 추정법이다.

(타이밍 조건의 이용법)

종래, 성별, 주소, 학력이라는 각종 개인 속성의 조합마다, 그에 합치하는 많은 사람의 반응 패턴을 참고 데이터로 하여, 그 특정한 속성의 조합에 합치하는 다른 개인의 반응 패턴을 추정하는 것은 행해져 왔지만, 어느 이벤트를 경험해 온 개인의 그 후의 반응 패턴을 예측할 때, 그 이전의 시간적 타이밍의 요인(경험)을 통제하여 이용하는 방법은 없었다.

본 발명은, 실시예 1에서 설명한, 스케줄링 방법 등을 활용하고, 타이밍의 요인을 고려하여, 개인의 반응 패턴을 예측하는 정밀도를 높이는 방법을 제공한다.

어느 일정한 타이밍 조건에서 이벤트를 경험한 개인의 반응을 예측하기 위해서는, 타이밍 조건과 제시 조건에서 표현되는 스케줄 조건의 경우, 이유가 필요하다. 예를 들면, 학력의 종류가 많기 때문에, 학력의 종류마다 개인을 분류할 수 있도록, 타이밍 조건을 일정한 형태로 표현하는 것이 필요하다. 그 방법은, 이미 설명한, 스케줄 조건의 부호화 방법으로 실현할 수 있다.

예를 들면, 1일 걸러(하루 간격으로) 1회 학습하는 타이밍 조건(A1)과 4일 간격으로 1회 학습하는 타이밍 조건(A2)은, 1일을 최소 기간으로 해서 15일분을 나타내면, 다음과 같이 나타낼 수 있다.

1일 간격으로 1회씩 학습하는 스케줄

A1=(101010101010101)

4일 간격으로 1회씩 학습하는 스케줄

A2=(100001000010000)

Ax=(101100001011001)

이 코드를 이용하여, 타이밍 조건의 분류나 유사도의 계산 등을 행할 수 있다. 예를 들면, 위의 Ax라고 하는 타이밍 조건으로 1회씩 학습을 한 사람의 타이밍 조건과, 상기 2개의 타이밍 조건의 유사도는 어느 정도인지를 계산하면, 단순히 내적(inner product)을 유사도로 하면(내적을 계산하기 전에, 각 셀의 전후에 중요도를 부여하도록 한 변환을 해도 됨),

A1*Ax=5

A2*Ax=2

로 되어, 가장 비슷한 타이밍 조건을 특정할 수 있다. 일정한 유사도 이상의 타이밍 조건으로 이벤트를 경험한 복수 사람의 반응 데이터로부터, 대표적인 반응 패턴을 생성하면, 이 반응 패턴을, 랜덤한 타이밍 조건에서 이벤트를 경험한 사람의 향후의 반응의 변화의 예측 패턴으로서, 돌려주는 것도 가능하다.

예를 들면, 타이밍의 유사도를 가로 축으로 취하고, 그 유사도를 취한 사람의 수를 세로 축으로 하면, 유사도에 대한 분포를 그릴 수 있다. 그 분포를 보면, 1개의 산의 형태로 되어 있는 것으로 판단되며, 전체의 유사도의 평균과 SD를 산출하고, 평균 ±2 SD나, 평균 ±3 SD 이내의 학습자로 한정하여, 그 학습자의 도달도의 데이터의 대표적인 값을 산출하면 된다. 도달도 데이터의 대표적인 값(변화 패턴)을 그려내는 방법은 여러 가지 개발되어 있지만, 가장 단순한 것이며, 도달도의 변화가 직선적으로 상승하도록 한 경우는, 그 경사를 개인마다 산출해내고, 전술한 범위에 포함되는 모든 학습자의 경사의 그 평균값을 예측값의 경사로서 대신 사용하는 방법 등이 고려된다. 물론, 각종 다변량 해석의 방법으로 학습자의 분류를 하는 것은 여러 가지 가능하다. 분포를 몇 개의 산으로 나눌 수 있다면, 각각의 산마다 분포의 SD를 산출하고, 범위를 한정하면 된다. 몇 개의 산으로부터 구성된다는 판단을 행하는 방법은, 여러 가지 생각할 수 있고, 앞으로도 개발되어 갈 것이다.

즉, 각종 타이밍 조건의 스케줄로 학습자가 영어 단어의 학습을 4개월간 행한 1만명의 반응 데이터가 수집되어, 각 타이밍 조건과 반응 패턴이 데이터 베이스에 등록되어 있는 것으로 한다. 그 시점에서, 어느 학습자가 위의 Ax의 타이밍에서 15일간의 학습을 행한 것으로 하고, 그 후의 학습의 진행 방법을 예측하는 경우를 생각해 본다.

통상 취하는 방법은, 예측하는 학습자의 속성(성별이나 학력 등)이 일치하는 학습자를 데이터 베이스로부터 선택하여 취하고, 그들의 4개월간의 학습의 진척 상태를 예측값으로서 돌려주는 방법일 것이다. 이 방법에서는, 4개월간의 학습의 타이밍을 전혀 고려할 수 없고, 15일간의 학습 데이터를 이용할 수도 없다. 그래서, 타이밍 조건도 통제한 데이터 베이스를 사용하고, 전술한 바와 같이 15일간의 타이밍 조건과 유사한 개인을 데이터 베이스 중에서 다시 한정하고, 그 집단의 4개월간의 학습의 진행 방법을 예측값으로서 되돌릴 수가 있다. 개인의 학습을 행하는 타이밍에는, 그 사람의 퍼스널리티나 학습 스타일 등이 반영되어 있을 가능성은 크다. 타이밍 조건은, 그 의미로부터도 개인 특성을 반영하고 있는 것으로 생각된다. 추출된 집단의 데이터로부터 예측값을 생성하는 방법은, 여러 가지 고려되지만, 하나의 예로서, 도 18의 (a), (b), 및 (c)와 같은 개인 데이터가 개인마다 등록되어 있으면, 그 평균값을 예측값으로서 되돌릴 수 있는 것이다.

그런데, 타이밍 조건을 이용하는 방법은 상기 설명한 대로이지만, 이 방법을 채용할 수 있기 위해서는 큰 문제가 있다. 그것은, 원래 이 예측 방법이 성취되기 위해서는, 타이밍 조건만이 상이하고, 제시 조건 등 그 외의 조건은 동일한 스케줄 조건에서, 많은 사람의 반응 데이터가 수집되어 데이터 베이스로 되어 있지 않으면 안 된다는 문제이다. 예를 들면, 1일의 인터벌로 1회 학습하는 스케줄 조건에서 얻어지는 반응 데이터를 사용하여, 1일의 인터벌로 2회씩 학습하는 스케줄 조건을 취하는 사람의 예측 패턴을 생성하는 것은 어려운 것이다.

이 문제를 해결하는 방법으로서 이하에서는, 제시 조건 고정법과 스케줄 추출법의 2개를 제안하여, 각각 설명한다.

(제시 조건 고정법(presentation condition fixing method))

이 방법은, 먼저 실시예 1에서 설명한, 스케줄 구성법 등을 사용하고, 타이밍 조건 이외의 조건이나 제시하는 콘텐츠의 속성 등을 모두 통제하고, 유일한 타 이밍 조건만 평가자의 자유 의사에 맡겨 데이터를 수집하고, 각종 타이밍 조건에서 반응을 수집하고, 코드화하여, 데이터 베이스화한다. 또한, 타이밍 조건 이외의 조건은 동일한 이벤트를 자유로운 페이스로 경험한 사람의 반응 패턴을 예측하기 위하여, 그 사람의 타이밍 조건에 유사한 집단의 반응 패턴을 데이터 베이스로부터 추출하고, 그 대표적인 패턴을 그 개인의 예측 패턴으로서 돌려주는 방법이다.

영어 단어와 같이 콘텐츠의 종류가 많고, 제시 조건도 다양하며, 또한 무한하게 상정되는 타이밍 조건 하에서 발생하는 이벤트에 대한 반응 데이터로부터 유익한 정보를 얻는 것은 매우 어렵다. 이 방법은, 타이밍 조건은 평가자의 자유에 맡기지만, 반대로, 제시하는 콘텐츠의 종류, 제시 조건의 종류를 어느 정도 고정하고, 데이터를 수집하는 점이 포인트이다. 콘텐츠의 종류나 제시 조건만은 평가자에게 맡기지 않고, 콘텐츠의 종류와 각종 제시 조건을 고정하고, 그들에 따른 이벤트의 타이밍 조건만을 평가자의 자유 의지에 맡긴다.

타이밍 조건을 평가자에게 맡긴다고 해도, 이 방법을 취하는 경우는 전부를 자유로 하는 것으로는 되지 않는다. 즉, 실시예 1에서 설명한 스케줄 구성법을 이용하고, 모범적인 타이밍 조건을 상정한 스케줄을 작성하고, 그에 따라서 이벤트를 실시한다. 즉 평가자에게는 특정한 스케줄 조건이 나누어 주어지는 것이다. 그러나, 그 스케줄을 실제로 실행하는 페이스는 평가자의 자유 의지에 맡기는 것이다. 스케줄 조건을 다수 준비하기 위하여, 각종 스케줄 조건을 설정하고, 반응 데이터를 수집하는 것이 유효하다.

원래, 실시예 1의 스케줄 고정법으로 실험을 실시해도, 본래 예정한 타이밍 에 평가자는 이벤트를 실행하는 것은 가능하지 않다. 영어 단어 학습의 실험예에서는, 대략 매일 학습을 행하도록 학습자에게 요구하고 있었지만, 그 페이스를 반년 이상 계속하는 것은 역시 어렵고, 타이밍은 어긋나는 것이 보통이라고도 할 수 있다. 제시 조건 고정법은, 매일 학습을 하도록 하는 요구는 전혀 하지않고, 기분이 좋았을 때는 모아서 학습하거나, 하고 싶지 않을 때는 며칠이라도 하지 않는 상황에서 수집되는 이벤트의 발생 타이밍을, 기술한 방법으로 코드화하고, 그에 대응시켜 반응 데이터를 데이터 베이스에 축적하고, 그 데이터를 이용하여, 타이밍의 조건이 유사한 피경험자를 모아서 대표적인 예측값을 이끌어 내는 방법이다.

이 방법은, 평가자의 반응 지표나 제시 조건, 콘텐츠의 종류 등이 다방면에 걸쳐 있는 이벤트에 대하여 정확한 예측을 행하기 위해 적합한 데이터 베이스의 구축 방법이다.

(스케줄 추출법(schedule abstracting method))

스케줄 추출법은, 단일 또는 소수의 콘텐츠에 대하여, 단순한 판단이 요구되는 이벤트에 관하여 예측을 행하기 위한, 데이터 베이스의 구축법이다. 예를 들면, 어떤 상품이나 서비스에 대하여 다이렉트 메일을 몇 번이나 우송하거나 전화로 권유하도록 한 경우가 있지만, 거기서 1회 설명을 제시하는 것을 하나의 이벤트로 하고, 그것이 어떤 타이밍에 발생했는지를 코드화하며, 그 이벤트의 발생 타이밍과, 그 상품이나 서비스에 대하여, 구매할 것인지 여부의 판단을 관련시키는 방법이다.

이와 같은 이벤트의 경우, 제시 조건이나 콘텐츠는 한정되어 있으므로, "타 이밍 조건" = "스케줄 조건"이라고 생각할 수 있다.

타이밍의 기술(記述) 방법은, (14) 실제의 실시일부터 타이밍 조건을 다시 기술하는 방법과 마찬가지이지만, (14)의 방법은 이미 이벤트 사이클 유닛 등 스케줄을 고정시켜 데이터를 수집하는 방법이지만, 특별히 스케줄을 고정하지 않고 데이터를 수집한 경우에도, 마찬가지로 다음과 같이 스케줄 조건(즉, 타이밍 조건)을 기술할 수 있다.

먼저, 이벤트의 최소 단위 기간을 제시 유닛으로서 정의하고, 그 기간 내에 이벤트가 발생하고 있으면 "1"을, 하고 있지 않으면 "0"을 부여하고, 모든 이벤트의 스케줄 조건을 기술한다. 예를 들면, 5월 1일, 3일, 4일, 8일, 10일에 권유의 전화를 한 것으로 한다. 거기서 제시 유닛을 1일로 정의하면 아래의 Aa와 같이, 2일로 정의하는 Ab와 같이 코드화할 수 있다.

Aa=(1, 0, 1, 1, 0, 0, 0, 1, 0, 1)

Ab=(1, 1, 0, 1, 1)

이같이 하여 스케줄을 다시 정의하는 방법이 스케줄 추출법이다. 이 방법 자체는 단순하지만, 이미 수집되어 있는 방대한 데이터를 유효하게 활용하기 위해서는, 이러한 기술이 먼저 필요하다.

(이벤트 기술법(event describing method))

한정된 콘텐츠에 대한 단순한 반응이 복수회 이루어지는 경우는, 상기 스케줄 추출법을 이용하고, 또한 반응 데이터를 코드화함으로써, 일련의 이벤트를 표현하는 것이 가능하다. 예를 들면, 상기 Aa와 같이 표현되는, 1일을 최소 기간으로 하는 스케줄 표현으로, 어떤 상품의 권유의 전화가 행해져, 그에 대한, 고객의 반응이 다음과 같이 나눌 수 있었던 것으로 한다.

(사지 않는다, 검토한다, 산다)

이 반응과 스케줄 Aa를 조합시켜 행렬로 하면, 다음과 같은 반응을 타이밍 조건 Aa로 행한 개인의 이벤트 Ea는 다음과 같이 코드화할 수 있다.

어느 개인의 이벤트

5월 1일은 "사지 않는다"

5월 3일은 "사지 않는다"

5월 4일은 "검토한다"

5월 8일은 "사지 않는다"

5월 10일은 "산다"

사지 않는다： (1, 0, 1, 0, 0, 0, 0, 1, 0, 0)

검토 한다： (0, 0, 0, 1, 0, 0, 0, 0, 0, 0)

산다 ： (0, 0, 0, 0, 0, 0, 0, 0, 0, 1)

주의: 위의 표현은, 하나의 행렬(3×10)로 간주함

이와 같이 이벤트를 코드화하는 것이 가능하다.

(최적 스케줄 추정법(optimum schedule estimation method))

상기 이벤트 기술법으로, 각종 이벤트를 코드화하여 데이터 베이스로서 등록하면, 특정한 반응을 끌어내기 위한 최적의 스케줄을 추정하는 것도 가능하게 된다.

어느 개인에게 권유 전화를 거는 경우, 모든 데이터 베이스 중에서, 최종적으로 산다고 반응한 개인의 이벤트 데이터 중에서, 가장 많은 이벤트의 스케줄 패턴을 최적의 스케줄로서 사용하는 것이나, 많은 이벤트 중에서, 유사한 대표적인 패턴을 새롭게 추출해도 된다(이 방법은 여러 가지 고려된다).

또한, 어느 개인(T씨)에 대하여, 임의의 스케줄로 전화를 걸어, 처음으로 전화를 건 날로부터 어느 날까지의 전화에 대한 반응이 기록되어 있으면, 그 기간의 T씨의 이벤트를 상기에 의해 코드화하고, 또한 이미 등록되어 있는 이벤트 데이터 중에서, 그 기간에 대응하는 이벤트 코드가, T씨의 그와 유사한 몇 명의 개인을 특정할 수 있다. 또한, 그 중에서, "산다"라고 하는 반응을 행한 개인을 추출하고, 그 집단에 대하여 행해진, 그 기간 이후의 대표적인 스케줄을, "산다"라고 하는 반응을 안내하기 위한 최적의 스케줄로서 추출하는 방법이다. 이 추출 방법은, 가장 전형적인 스케줄이라도 되고, 그 외의 방법도 고려된다. 물론, 이 이벤트에, 각종 개인 속성을 식별 정보로서 이용하면, 추정의 최적도는 상승한다.

이와 같이, 단순한 반응이 기대되고, 콘텐츠도 한정적인 이벤트에 대하여는, 이벤트를 코드화함으로써, 스케줄을 추정하는 것도 가능하다.

이와 같이, 스케줄 조건이나 이벤트를 코드화함으로써, 스케줄이나 이벤트의 클러스터화도 가능하게 될 것이고, 데이터가 수집되지 않는 스케줄이나 이벤트에 대해서도, 반응 등의 예측도 가능하게 된다. 스케줄의 요인이 반응 데이터를 설명하는 변수로서 큰 의미를 가지는 것은 예상할 수 있지만, 또한 스케줄의 요인을 포함한 경우, 거기서 얻어지는 데이터에는, 시계열에 있어서의 변화를 나타내는 데이 터를 포함하는 것이 된다. 스케줄의 요인을 고려해 다시 시계열 데이터를 이용함으로써, 반응의 예측력은 높아질 것이다.

(16) 콘텐츠의 계층 구조의 추정

일정한 스케줄 조건에 있어서의 각 콘텐츠 그룹에 대한 반응을 분석하는 것이 가능하게 된다. 그렇게 되면, 콘텐츠 그룹 사이의 관계도 추측할 수 있다.

예를 들면, 영어 단어, 영문법, 장문(長文) 독해의 콘텐츠에 대하여, 특정한 스케줄의 조합에 따라 데이터를 수집하여 나가면, 어느 장문 독해가 충분히 가능하도록 되는데 필요한 영어 단어나 문법의 학습 레벨을 추정하는 것도 가능하다. 또, 가장 장문 독해의 성적이 오르기 쉬운 스케줄을 찾아내는 것도 가능하게 된다.

＜ 실시예 4 ＞

이하, 상기 설명한 컴퓨터에 의한 스케줄 테이블의 작성 방법을 도 19의 (a) 및 도 20의 플로차트를 사용하여 보충 설명한다.

도 19의 (a)에 나타낸 바와 같이, 오퍼레이터에 의해 입력된, 예를 들면 4개월의 학습 기간 ha와, 1일마다 1회, 4종류의 단어를 학습하는 것으로 하는 학습 스케줄 hb와, 콘텐츠 Ci(고교 1년의 단어)를 읽는다(S1).

다음에, 이벤트 사이클 유닛 생성 수단이 이들 학습 예정 조건을 해독하고, 학습 기간 ha가 4개월(1개월을 24일로 함)에 학습 스케줄 hb가 1일에 1회로 되어 있던 경우는, 1회의 학습 후에 2개월의 인터벌을 취해 다시 같은 단어를 학습하는 이벤트 사이클 유닛 mi를 하루를 최소 단위로 하여 일마다 생성하여(S2), 코드화[도 19의 (b)를 참조]한다(S3).

다음에, 생성한 이벤트 사이클 유닛 mi의 1일째~48일째(2개월분)를 제1 이벤트 사이클 유닛 mip로 하는 동시에, 49일째~96일째(다음의 2개월분)를 제2 이벤트 사이클 유닛 miq로서 정의[도 19의 (b) 참조]한다(S4).

그리고, 콘텐츠 파일로부터 고교 1년의 영어의 단어를 난이도 gi에 따라 4종류마다 나눈 그룹화를 행한다(S5).

다음에, 4일분을 16종류로 4일에 한 번은 이전의 제시 조건을 내고, 또한 하루마다 횟수가 상위한 조건 유닛 fi를 생성하여 코드화한다(S6, S7).

다음에, 제1 이벤트 사이클 유닛 mip 및 제2 이벤트 사이클 유닛 miq에 조건 유닛 fi를 나누어 할당[도 19의 (c) 참조]한다(S8).

즉, 도 4에 나타낸 바와 같이, 이벤트 사이클 유닛 mip, miq에 조건 유닛 fi를 12개 할당하고 있다.

다음에, 도 20에 나타낸 바와 같이, 조건 유닛 fi의 처음 번호를 설정한 후에(S9), 1일분을 4종류의 콘텐츠로 하는 제시 유닛 Pi를 생성하여, 제1 이벤트 사이클 유닛 mip에 할당한다(S10).

다음에, 4일분 16종의 콘텐츠 Caq를, 그룹화된 콘텐츠 Ca로부터 결정한다(S11).

다음에, 결정한 콘텐츠 Caq로부터 1일분의 4종류의 단어 CQ(CQ1, CQ2, CQ3, CQ4)를 결정한다(S12).

다음에, 이 단어 CQ로부터 CQ1을 추출하여(S13), 이 CQ(CQ1)의 난이도 gi를 읽는다(S14). 다음에, 읽은 단어 CQ(CQ1)의 난이도 gi에 따라, CQ에 대하여 횟수 Ni를 결정한다(S15).

그리고, 제시 유닛 Pi에 4종류의 콘텐츠의 횟수 Ni(제시 조건)를 할당한다(S16). 이 횟수가 할당된 제시 유닛을 제시 유닛 PQ라고도 한다.

다음에 제시 유닛 PQ가 4개 생성되었는지 여부를 판단한다(S17). 단계 S17에서, 제시 유닛 PQ를 4개 생성하지 않은 것으로 판정했을 때는, CQ를 갱신하여 처리를 단계 S14로 되돌린다(S14). 또, 단계 S17에서, 제시 유닛 PQ가 4개인 것으로 판단했을 때는, 조건 유닛 fi가 12개째인지 여부를 판단하고(S19), 12개가 아닌 경우에는 CQ를 갱신하고 처리를 단계 S14로 되돌린다(S18).

단계 S19에서, fi가 12개째에 도달하고 있지 않을 때는, 조건 유닛 fi 번호를 갱신하여(S20), 처리를 단계 S13으로 되돌린다.

이와 같은 처리를 행함으로써, 도 5에 나타내는 이벤트 사이클 유닛 mip의 스케줄 테이블을 얻는 것이 가능해진다.

또, 단계 S19에서 조건 유닛 fi가 12개인 것으로 판단했을 때는, 이벤트 사이클 유닛 mip의 테이블을 제2 이벤트 사이클 유닛 miq의 테이블로 한다(S22).

이것에 의해, 도 21의 (a)에 나타낸 바와 같이, 스케줄 테이블은, 일련 번호(NO)와 월일(MONTH·DAY)과, 후술하는 콘텐츠 식별 조건 코드(COND)와, 속성 정보(난이도, 중요도 등)의 조건 코드(TYPE)와, 학습법의 종류를 나타내는 조건 코드(IDR)와, 도시하지 않은 반복 횟수를 나타내는 조건 코드(REPEART)와, 이벤트 사이클 유닛의 단위를 나타내는 조건 코드(CYCLE)와, 이벤트 사이클 유닛의 최소 단위를 나타내는 조건 코드(INCYCLE)와, 콘텐츠의 수를 나타내는 조건 코드(N)를 대 응시킨 테이블이 생성되어 있다.

그리고, 이 스케줄 테이블에 따라, 도 21의 (b)에 나타낸 바와 같이, 스케줄 테이블이 1일째에 4종류의 콘텐츠(101, 102, 103, 105)를 송신하는 것으로 하고, 콘텐츠 101의 제시 조건이 3회, 콘텐츠 102가 1회, 콘텐츠 103이 3회, 콘텐츠 105가 2회로 하고 있는 경우는, 1일째는 101, 102, 101, 105, 103, 105, 103, 101, 103이라는 상태로 된 리스트를 생성하고, 이것을 단말기에 전달한다.

이와 같은, 스케줄 테이블에 따라, 학습시켜, 그 결과를 수집하여 학습 효과를 해석한다.

＜ 실시예 5 ＞

본 실시예에서는 학습 정보(영어 단어)를 미리 준비하고 있는 스케줄에 따라 학습자 단말기에 전달하고, 학습자에 의해 평가된 결과를 사이트에서 수집하여 해석하고, 이 해석 결과에 따른 학습 효과의 추이, 최적의 스케줄의 효과 패턴을 전달하는 시스템으로서 설명한다.

도 22는 스케줄 데이터 분배 평가 시스템의 개략 구성도이다. 도 22에 나타낸 바와 같이, PC(1), 휴대 전화기(2), 모바일 PC(3) 등의 학습자 단말기(4), 공중망(5)[휴대 전화기망, 일반 회선을 포함], 인터넷(6), 학습 스케줄 서비스 사이트(7), 기업의 서버(8), 조언자 단말기(15) 등으로 이루어지는 시스템이다.

전술한 학습 스케줄 서비스 사이트(7)는, 적어도 스케줄 테이블(9), 콘텐츠 파일(10), 개인 이력 파일(11), 송신 리스트 파일(12) 등을 구비하고, 기업의 서버(8)로부터의 콘텐츠 Ci를 콘텐츠 파일(10)에 보존한 후에, 후술하는 스케줄 생성 법으로 만들어진 스케줄 테이블에 따른 송신 리스트(제시 리스트라고도 함)의 학습 콘텐츠 또는 제시 순서 정보를 인터넷(6) 및 필요에 따라 기업 서버(8)를 통하여 학습자 단말기(4)에 전달하고, 학습자는 그 학습 콘텐츠에 대한 반응을, 학습자 단말기(4)를 조작하여 입력하고 인터넷(6)을 통하여 학습자 스케줄 서비스 사이트(7)에 회신한다.

학습 스케줄 서비스 사이트(7)는, 회신된 반응 데이터와 스케줄 테이블을 대응시키고, 특정한 스케줄에 있어서의 학습자의 반응 이력 데이터를 기록하고, 이 이력 데이터에 따른 분석 패턴을 생성하여, 이 분석 패턴의 변화 및 그에 대한 적절한 조언 등을 학습자나 교사 등에 피드백한다.

즉, 학습자 단말기(4)와 각종 통신 네트워크(인프라)를 이용하고, 서비스 주체(사이트)가 각종 콘텐츠(평가하는 내용의 카테고리)에 포함되는 하나 하나의 항목을, 1회 또는 복수회, 특정한 스케줄로 전달하고, 그 내용에 대하여, 학습자의 반응을 수집한다.

또, 학습 스케줄 서비스 사이트(7)는, 복수 개의 학습자의 평가값이나 일시 등의 데이터를 수집하여, 이력 데이터로서 축적하고, 그 데이터를 특정한 스케줄 등에 관련시켜 분석하며, 각각의 내용에 대한 개인의 평가 시점 상태나 지금까지의 상태의 변화, 그 후의 변화의 예측, 다른 이용자와의 비교 등을 피드백하는 것 외에, 축적되는 데이터를 분석함으로써, 학습자가 이용 가능한 평가 스케줄이나 조언 등을 제공한다.

또, 본 사이트의 서비스를 이용하는데 있어서, 학습자의 성별이나 생년월일 이나 지역이나 학년이나 희망하는 진로, 직업 등의 개인 정보를 등록시키고, 그 개인 정보와 개인의 이력 데이터 외에, 복수 개의 평가자의 이력 데이터를 기초로, 평가 항목에 대한 개인의 판단 상황이나, 전체적인 경향을 분명히 하여, 학습자 또는 제3자(조언자)에게 정보 제공하고 있다.

그리고, 학습 스케줄 서비스 사이트(7), 기업의 서버(8)는, 정보를 하이퍼 텍스트 형식으로 나타낸 분산 데이터 베이스 시스템 기능을 구비하고, 인터넷 상의 정보를 통일적으로 얻는 것을 가능하게 하고 있으며, 하이퍼 텍스트는 텍스트 중에 포인터가 매입되고, 거기로부터 관련 정보에 점프할 수 있는 구조를 가지고, 정보는 HTML로 기술하고, 포인터나 링크가 지정되는 것에 의해 차례로 새로운 문서 파일에 점프하여 필요한 정보를 얻는다.

즉, 지정된 홈페이지의 HTML 소스 코드를 클라이언트[학습자 단말기(4)]의 브라우저에 전송하고, 클라이언트로부터의 요구에 따른 화상 등의 정보 파일을 송신한다.

또, PC(1), 휴대 전화기(2), 모바일 PC(3) 등의 학습자 단말기(4)는, 브라우저 기능을 구비하고, 학습자가 지정하는 홈페이지의 URL 코드에 따라, 이 URL를 가지는 사이트에 대하여 HTML 등의 정보의 전송 요구를 행한다.

그리고, 도달한 HTML를 해석하고, 표시 부분을 화면에 표시하는 동시에, 이 HTML에 화상 등의 링크 정보가 존재하고 있었을 경우에는, 이 화상의 전송 요구를 행한다.

즉, 입력(지정)된 URL을 기초로 액세스를 행하고, 그 선두 페이지(홈페이지) 의 전송 요구를 송신하고, 수신한 HTML 소스를 해석하는 동시에, 화면에 표시하고, 또한 HTML에 포함되는 CGI 스크립트 등의 전송 요구를 행한다.

(사이트의 구성)

도 23은 사이트의 개략 프로그램 구성도이다.

학습 스케줄 사이트(7)는, 도 23에 나타낸 바와 같이, 서비스 메뉴 선택 단계(14)와, 개인 정보 생성 단계(17)와, 표준 스케줄 선택 단계(18)와, 스케줄 테이블 생성 단계(19)와, 송신 리스트 생성 단계(20)와, 이력 생성 단계(21)와, 학습 효과 패턴 분석 단계(22)와, 패턴 갱신 단계(24)와, 효과 패턴 전달 단계(23) 등을 구비하고 있다.

또, 콘텐츠 파일(10)과, 스케줄 테이블(9)과, 서비스 리스트 파일(16)과, 개인 정보 테이블(25)과, 개인 반응 이력 테이블(26)과, 송신 리스트 파일(11) 등을 구비하고 있다.

(각 테이블의 구성)

콘텐츠 파일(10)은, 기업의 서버(8)로부터 인터넷 경유로 송신된 콘텐츠 Ci를 기억하고 있다.

예를 들면, 도 24의 (a)에 나타낸 바와 같이, 식별 코드(Ci)와, 학습 콘텐츠(영어 단어와 일본어의 쌍)와, 속성 정보를 1조로 한 레코드 단위로 구성되어 있다.

전술한 속성 정보는, 콘텐츠의 레벨과, 숙지도(이 단어의 학습자 랭크에 의해 알고 있는 것으로 하는 일반적인 %)와, 난이도(숙지도로 결정한 난이도)와, 관 련 정보(A라고 하는 교육 내용을 학습하기 전에 B라고 하는 학습 내용을 어느 정도 학습해 둘 필요가 있는가 하는 정보)와, 계층성(콘텐츠를 학습하기 전에 학습하는 콘텐츠의 번호) 등으로 이루어진다.

또, 콘텐츠는, 영어 단어만이 아니고 삼각형의 면적을 계산하는 문제, 장문 해독, 곱셈과 나눗셈 등, 학습자 단말기로 제시 가능한 학습 내용이라도 된다.

도 24의 (b)는 개인 정보 테이블이며, 식별 번호 ID, 성명, 전화 번호, 주소, 연령, E 메일 어드레스, 계좌 번호 등(총칭하여 "이용자 정보"라고 함)과, 선택한 스케줄을 1세트로 한 레코드 단위로 구성되어 있다.

도 24의 (c)는 콘텐츠 그룹 테이블이며, 예를 들면, 난이도가 같은 레벨의 영어 단어와 속성 정보를 1세트로 한 레코드 단위로 구성되며, 후술하는 스케줄 테이블에 따라 그룹화된다.

이 콘텐츠의 그룹은, 개인의 특징이나 일반적인 경향을 분명히 하거나 정확한 예측을 행하기 위해서는, 평가 등 반응을 요구하는 콘텐츠의 질을 명확하게 해 둘 필요가 있다(개개의 상품이나 영어 단어에 대한 반응의 변화가 관심사이면, 그룹화를 행할 필요는 없다).

전달한 학습 콘텐츠에 대한 개인의 반응 경향을 보기 위해서는, 그 개인에 대하여 송신한 복수 개의 콘텐츠의 반응의 대표값을 채용하는 것이 바람직하다.

그러므로, 각 타이밍 조건 Ai와, 제시 조건 Bi(학습의 횟수: 학습의 강도)의 조합마다, 복수 개의 유사한 콘텐츠를 준비한다.

예를 들면, 영어 단어라면 난이도 등이 동일 레벨인 단어, 학년마다 필요한 단어, 또는 학습자가 설정한 난이도가 동일한 단어, 학습자가 설정한 난이도와 전문가의 평가한 난이도의 차이가 동일한 단어 등의 일정한 속성으로 콘텐츠 항목을 정리하는(속성 정보를 부가하는) 것이다.

다만, 삼각형의 면적을 계산하는 문제이면, 면적=밑변×높이/2라고 하는 공식을 묻는 문제와 곱셈과 나눗셈의 계산 문제를 하나로 정리하는 것도 고려되지만, 가능한 콘텐츠의 내용은 상세하게 하고, 각각 스케줄의 각 제시 조건, 이벤트 사이클 유닛을 대응시켜 데이터를 취하도록 하는 것이 바람직하다.

또, 특정한 스케줄의 반응은, 콘텐츠에 따라 달라진다고 생각되고, 복수 개의 속성을 가지는 콘텐츠의 집합에 대한 스케줄의 효과는, 콘텐츠의 집합이 바뀌면 달라지게 될 가능성이 크다. 즉, 콘텐츠의 요인과 스케줄의 요인을 가능한 분리함으로써, 분석의 정밀도를 높이는 것이 필요하다.

그리고, 콘텐츠의 그룹화에 있어서는, 콘텐츠를 등등한 질로 하여, 가능한 상세하게 그룹함으로써, 얻어진 데이터를 사용하여, 반대로 질이 상이한 콘텐츠 그룹 사이의 관계를, 스케줄과 각각의 콘텐츠 그룹에 대한 반응으로부터 추정하는 것이 가능하게 된다.

예를 들면, 삼각형의 면적의 문제를 예로 들면, 삼각형의 면적의 계산 문제와, 밑변×높이/2라고 하는 공식을 묻는 문제, 곱셈과 나눗셈의 계산 문제와 3개의 콘텐츠 그룹으로 나누어 각각의 성적을 각종 스케줄로 수집하면, 삼각형의 면적의 계산 문제를 학생에게 제시하기 위해 최적의 스케줄을, 공식과 곱셈·나눗셈의 학습 스케줄에 대응시켜 추정하는 것이 가능하게 될 것이다.

도 25는 스케줄 테이블을 설명하는 설명도이다. 도 25의 스케줄 테이블은, 일련 번호(NO), 월일(MONTH·DAY), 후술하는 콘텐츠 식별 조건 코드(COND), 속성 정보(난이도, 중요도 등)의 조건 코드(TYPE), 학습법의 종류를 나타내는 조건 코드(IDR), 반복 횟수를 나타내는 조건 코드(REPEAT), 이벤트 사이클 유닛의 단위를 나타내는 조건 코드(CYCLE), 이벤트 사이클 유닛의 최소 단위를 나타내는 조건 코드(INCYCLE), 콘텐츠의 수를 나타내는 조건 코드(N)를 1세트로 하는 레코드로 구성하고 있다.

전술한 학습법의 종류(IDR)는, 예를 들면 3종류(TDR) 존재한다. 그 중 하나의 종류(T)는, 예를 들면 학습을 하는 단어를 직전에 보여 그 학습자 숙지도를 평가시키는 학습법, 두 번째 종류(D)는, 학습할 단어를 직전에 보이지 말고 그 숙지도를 평가시키는 학습법, 세 번째 종류(F)는, 예를 들면 1월의 마지막에 숙지도의 테스트를 행하는 학습법이다. 또, 학습 시간의 차이나, 요구되는 반응의 차이 등으로 각종 종류의 학습법을 상정할 수 있다.

또, 월(MONTH), 일(DAY)은, 학습할 이벤트의 반복 주기(이벤트 사이클 유닛)를 대표하기 위한 순서를 나타낸다.

또, 반복 횟수(REPEAT)는 시간, 학습의 강도 등 이라도 된다.

전술한 학습법, 반복 횟수는 제시 조건에 상당한다. 즉, 각종 제시 조건을 코드화하여 두면, 그 조건마다의 상세한 예측이 가능해진다.

따라서, 도 25의 스케줄 테이블의 일련 번호 "1"의 콘텐츠 식별 조건 코드(COND)는, 일련 번호에 대응시킨 각종 조건의 코드를 모은 것이다. 예를 들면, 일련 번호 "1"의 "B1T01CY0101R01"는, B1이라는 타입의 속성의 단어이며, T의 학습법(제시 조건 1이라고도 함), 1회의 반복 횟수(R01；제시 조건 2라고도 함), 1월의 이벤트 사이클 유닛(CY01), 하루의 최소 단위(01)로 1개의 콘텐츠를 제공하는 스케줄 데이터로 되어 있는 것을 나타낸다.

이와 같은 스케줄 테이블은, 후술하는 스케줄 테이블 생성부(컴퓨터)에 의해 미리 작성된다. 도 26은 제시 리스트 테이블의 개략적인 설명도이다. 이 제시 리스트는, 도 25의 스케줄 테이블에 따라 작성된다.

이 제시 리스트는, 제시 순서(월일)와 콘텐츠 정보(번호, 단어, 일본어)를 1세트로 한 레코드 단위로 구성되어 있다. 예를 들면, 도 25에 나타내는 스케줄 테이블의 번호 1, 2, 3, 4를 예로 들면, B1(난이도：소)의 속성 정보에 대응하는 영어 단어의 콘텐츠를 "C101", B2(난이도：중)의 속성 정보에 대응하는 영어 단어의 콘텐츠를 "C102", "C103", B3(난이도：대)의 속성 정보에 대응하는 콘텐츠를 "C104"라고 하면, 1월 1일에 "C101"가 1회, "C102"가 8회, "C103"이 10회, "C104"가 16회만, 분산된 순번이나 일정한 룰에 따른 순번으로 기입되어 있다. 그리고, 일정한 룰이란, 예를 들면 가능한 같은 콘텐츠가 연속하여 제시되지 않도록 한다는 룰이며, 이 룰은 즉, 하나의 학습 방법(제시 조건)이라도 된다.

또, 서비스 리스트 파일(16)은, 도 27에 나타낸 바와 같은 학습 효과 그래프를 기억하고 있다. 이 학습 효과 그래프는, 스케줄 테이블에 따라 학습했을 때의 평균적인 효과를 나타내고 있다. 각각의 막대 그래프는 하루 1회, 하루 2회, 하루 3회, 하루 4회, 하루 5회, 하루 6회 등과 같이 학습했을 때의 학습 기간마다의 효 과의 변화 비율에 대응시키고 있다.

그룹화 데이터 테이블(31)은, 전술한 영어 단어의 경우, 난이도 등이 동일 레벨의 단어, 학년마다 필요한 단어라고 하는 것과 같은 일정한 속성으로 모을 수 있었던 콘텐츠이다.

구체적으로, 도 25의 일련 번호에 대응하는 콘텐츠 식별 조건 코드를 읽고, 속성 정보 Bi(예를 들면 난이도)에 대응하는 콘텐츠 번호(단어)를 검색하고, 이 콘텐츠 번호를 전술한 콘텐츠 식별 조건 코드(제시 조건, 이벤트 사이클 유닛, 개수 등)에 따라 월일에 할당하여, 도 26의 리스트를 생성한다.

서비스 메뉴 선택 단계(14)는, 인터넷이나 휴대 전화기망을 통하여 송신된 이용자 정보(이용자의 ID, 등록 정보, 서비스 선택 정보 등)를 읽고, 이용자 정보가 서비스 제공 요구를 나타내고 있을 때는, 그 이용자의 ID를 사용한 인증을 행하여, 그 이용자가 이용 가능한 서비스 메뉴를 서비스 리스트 파일로부터 추출하여 이용자인 학습자 단말기에 송신시킨다.

예를 들면, 고교생이면, 영어, 수학, 물리 등의 메뉴, 초등학생이면 산수, 국어 등을 서비스 메뉴로 한다. 이들 메뉴는 미리 서비스 리스트 파일(16)에 기억되어 있다.

개인 정보 생성 단계(17)는, 후술하는 학습 효과 패턴 분석 단계(22)에 의해 분석된 분석 결과, 이력 생성 단계(21)에서 생성된 개인의 반응 이력을 대응시켜 개인 반응 이력 파일(26)에 기억하고, 개인 이력 요구가 있었을 때 그 ID에 대응하는 분석 결과 및 반응 이력을 이용자에게 제공한다.

표준 스케줄 선택 단계(18)는, 이용자에게 제공된 이용 가능 메뉴가 선택되면, 서비스 리스트(11)로부터 선택된 메뉴에 대응하는 표준 학습 효과 패턴을 이용자 단말기에 송신시킨다.

이 표준 학습 효과 패턴은, 예를 들면 고교 1년의 영어 단어를 학습한다는 메뉴가 선택되면 도 27에 나타낸 서비스명과 그 서비스명의 학습 효과를 나타내는 막대 그래프와, 선택하는 학습 횟수로 이루어진다. 또, 표준 학습 효과 패턴은, 예를 들면 중학 1년의 영어 단어가 난이도마다 구분되어 한 그룹의 중학 1년의 표준적인 학습 효과 패턴으로서 기억되어 있다.

스케줄 테이블 생성 단계(19)는, 오퍼레이터가 입력한 학습 기간, 콘텐츠명, 속성 정보에 따른 스케줄 테이블을 미리 작성하고, 이것을 스케줄 테이블(9)에 기억한다. 이 스케줄 테이블의 생성에 대하여는 상세하게 후술한다.

송신 리스트 생성 단계(20)는, 표준 스케줄 선택 단계(18)에서 선택된 표준 학습 스케줄의 식별 코드에 대응하는 스케줄 테이블을 적용한다.

그리고, 적용한 스케줄 테이블 중에서 선택된 학습 기간에 상당하는 월일의 콘텐츠 식별 조건 코드를 모두 읽는다.

그리고, 연월일 및 제시 조건에 콘텐츠를 대응시킨 후술하는 제시 리스트 파일을 생성하고, 이것을 송신 리스트 테이블에 기억시키며, 학습자 단말기에 송신한다.

이력 생성 단계(21)는, 학습자 단말기로부터의 반응 데이터(콘텐츠 식별 조건 코드, 학습자 ID, 반응) 등을 수집하고, 이것을 콘텐츠 식별 조건 코드에 대응 시켜, 반응 이력 파일(27)에 기억하는 동시에, 개인 반응 이력 파일(26)에 기억한다.

학습 효과 패턴 분석 단계(22)는, 반응 이력 파일(27)의 반응 이력을 읽고, 이 콘텐츠 식별 조건 코드와 유사한 패턴의 반응 이력 중에서 가장 대표적인 이력을, 이후의 학습 효과의 패턴으로서 학습자 단말기에 피드백하는 동시에, 개인 이력 반응 파일에 기억한다. 이때, 같은 콘텐츠 식별 조건 코드를 선택한 모든 학습자의 반응 결과 패턴도 동시에 송신한다.

효과 패턴 전달 단계(23)는, 기업이나 조언자로부터의 액세스를 받아들여 기억하고 있는 개인 이력을 제공한다.

학습자 단말기(4)는, 학습 스케줄 서비스 사이트(7)으로부터의 제시 리스트를 다운로드하고, 조작 지시에 기초하여 이 제시 리스트의 콘텐츠를 화면에 순차 표시하고, 반응 이력을 대응시켜 기억한다. 그리고, 이 반응 이력을 인터넷을 사용하여 학습 스케줄 서비스 사이트(7)에 송신한다.

상기와 같이 구성된 시스템에 대하여 도 28, 도 29의 순서도를 사용하여 이하에 동작을 설명한다.

(학습자 정보의 등록)

학습자는 본 시스템의 서비스의 제공을 받는 경우에, 단말기 A를 사용하여 인터넷으로 학습 스케줄 제공 사이트와 액세스하여 홈페이지의 제공을 받는다(d1, d2).

다음에, 등록을 선택하여, 개인 정보 등록 입력 화면을 열고(d3, d4), 성명, 전화 번호, E 메일, 계좌 번호, 주소, 연령 등을 입력하여 송신시킨다(d5). 학습 스케줄 서비스 사이트(7)의 개인 정보 생성 단계(17)는, 이들 정보를, ID를 부가하여 개인 정보 테이블(25)에 기억하고(d6), 등록을 인터넷(6)을 통하여 학습자 단말기 A(2)에 알린다(d7).

(콘텐츠의 전달)

다음에, 학습자 단말기의 학습자는, ID 코드, 성명, 연령 등(이하 이용자 정보라고 함)을 입력하여 콘텐츠(예를 들면, 중학교 1학년의 영어 단어)를 요구한다(d8).

학습 스케줄 서비스 사이트(7)의 서비스 메뉴 선택 단계(14)는, 이용자 정보를 수신하면, 개인 정보 테이블(25)과 비교하여 인증하고(d9), 사용할 수 있는 이용자라고 판단했을 때는, ID 코드, 성명, 연령, 선택한 콘텐츠명(이하 총칭하여 이용자 선택 정보라고 함)을, 개인 정보 생성 단계(17)를 사용하여 개인 반응 이력 파일(26)에 기억시키는 동시에, 표준 스케줄 선택 단계(18)에 알린다(d10).

다음에, 서비스 메뉴 선택 단계(14)는, 인증이 "사용 가능"으로 되면, 이용자 선택 정보에 따라 이용 가능하게 하는 서비스 리스트를 서비스 리스트 파일(16)으로부터 선택하여(d11), 이용자 단말기 A에 송신한다(d12).

학습자 단말기 A는 화면에 이 서비스 리스트(복수 개의 그래프)를 표시한다. 예를 들면, 도 27에 나타내는 서비스 리스트를 표시한다.

다음에, 학습자 단말기 A의 학습자는, 화면에 표시된 복수 개의 그래프로부터 원하는 막대 그래프 리스트를 선택하고, 이 선택된 그래프 리스트의 막대의 효 과를 보아 원하는 학습 스케줄을 선택한다. 이 선택은, 월의 축 중 어느 하나의 달(학습 기간：예를 들면 4개월)과 횟수를 선택한다.

학습자 단말기는, 선택된 그래프 리스트(스케줄 패턴이라고도 함)의 번호와 학습 기간, 달, 횟수를 인터넷을 통하여 학습 스케줄 분배 사이트(7)에 송신한다(d13).

학습 스케줄 분배 사이트(7)의 표준 스케줄 선택 단계(18)는, 학습자 단말기 A로부터의 스케줄 패턴의 번호와, 학습 기간, 달, 횟수를 이용자 정보(총칭하여 이용자 선택 이력 정보라고 함)에 대응시켜 개인 반응 이력 파일(26)에 기억한다(d14).

즉, 개인 반응 이력 파일(26)에는, 도 30의 (a)에 나타낸 바와 같이, 연월일과 이용자 정보와 선택한 콘텐츠명과 선택한 스케줄 번호와, 기간, 횟수, 난이도가 대응하게 하여 기억되게 된다.

다음에, 학습 스케줄 분배 사이트(7)의 표준 스케줄 선택 단계(18)는, 서비스 리스트 선택 단계(14)로부터 알 수 있었던 이용자 선택 정보와, 선택한 스케줄 번호와, 기간과, 회수와, 난이도를 이용자 선택 이력 정보로서 송신 리스트 생성부(20)에 알린다.

송신 리스트 작성부(20)는, 이용자 선택 이력 정보를 읽고, 스케줄 테이블(9)로부터, 예를 들면 도 26에 나타내는 제시 리스트(송신 리스트)를 생성하여(d15), 인터넷을 통하여 제시 리스트의 콘텐츠와 제시 리스트 번호를 학습자 단말기 A에 송신하는 동시에 개인 반응 이력 파일(26)에 기억한다(d16).

이 스케줄 테이블(9)로부터의 송신 리스트의 생성에 대하여 상세하게 후술한다. 즉, 개인 반응 이력 파일(26)에는 제시 리스트와 연월일이 추가된다.

한편, 제시 리스트를 수신한 학습자 단말기 A는, 다운로드하고(d17), 학습자가 입력한 연월일의 콘텐츠를 순차 화면에 표시시킨다(d18).

예를 들면, 도 31의 (a) 및 (b)에 나타낸 바와 같이, 입력한 연월일에 대응하는 제시 리스트의 콘텐츠(콘텐츠 식별 조건 코드에 대응하는 콘텐츠)가 프레임 중에 3초간 표시되고(도 31의 (a)), 그 후에 사라져 숙지도의 평가가 행해진다(도 31의 (b)). 이 숙지도의 평가(반응)가 콘텐츠 식별 조건 코드에 대응되어 수집된다(d19). 예를 들면, 학습을 행한 일시, 학습에 필요로 한 시간, 선택한 판정이 대응된다.

그리고, 이 학습이 끝난 시점에서, 학습자 단말기는 수집한 반응 결과를 파일로부터 판독하여 인터넷을 통하여 순차, 학습 스케줄 서비스 전달 사이트(7)에 송신한다(d20).

또, 학습 스케줄 서비스 전달 사이트(7)의 이력 생성 단계(21)는, 학습자 단말기로부터의 반응 데이터(학습자 ID, 연월일, 시각, 제시 리스트 번호, 콘텐츠 식별 조건 코드(제시 리스트의 번호라도 됨), 학습에 필요로 한 시간, 선택한 판정 번호)를 수신하고, 학습자 ID, 제시 리스트 번호에 대응하는 개인 반응 이력 정보를 개인 반응 이력 파일(26)로부터 적용하여 그 정보에 추가한다(d21).

즉, 개인 반응 이력 파일(26)은, 도 30의 (c)에 나타낸 바와 같이 연월일, 시각, 콘텐츠 식별 조건 코드, 판정 번호 등으로 이루어지는 반응 데이터가 학습자 단말기로부터의 회신에 따라 순차 추가된다.

이와 같은 일련의 처리를 학습자 단말기 B에 대해서도 행하고, 이것을 개인 반응 이력 파일(26)에 기억한다(d22).

따라서, 스케줄 테이블의 이벤트 사이클 유닛의 스케줄 조건 및 제시 조건으로 전달한 콘텐츠의 반응을 수집한 것이 된다. 본 예에서는 스케줄 테이블에 따라 4개월의 반응 데이터를 수집할 수 있었던 것으로 한다.

학습 효과 패턴 분석 단계(22)는, 제1 이벤트 사이클 유닛, 제2 이벤트 사이클 유닛의 제시 조건의 반응 결과를 수집하여 평균화한 효과 패턴을 생성한다. 이 효과 패턴의 생성을 도 32의 (a)~(d)를 사용하여 설명한다.

데이터의 집계 방법은, "이삭 줍기"(gleaning)와 같은 이미지이다. 스케줄 테이블에 있어서의 제시 조건을 설정하는 방법은, 간단하게 말하자면, 1회에 제시하는 콘텐츠가 많으면 평가할 수 없기 때문에, 그것을 적게 하기 위해 콘텐츠 항목을 인터벌 유닛 내에 분산시키는 것을 의미하고 있다.

또한 분산시켜 버리면 인터벌이나 제시 조건의 통제가 매우 어려워지기 때문에, 그것을 가능한 같아지도록 하는 방책이다.

한편, 데이터의 집계는, 역으로 분산된 콘텐츠에 대한 반응을 조금씩 주워 모아 최종적으로 정리된 곳에서 대표값을 취하는 것이다.

예를 들면, 도 32의 (a) 및 (b)는, 제시 리스트에 따른 반응 결과를 평균화하여 얻은 2명의 개인 데이터의 일부이다.

가로 축은 학습 개시로부터 경과한 월수를, 세로 축은 자기 평가의 성적을 나타내고 있다. 이와 같은 개인 데이터만을 사용하여, 예를 들면 도 18의 (a), (b), (c)와 같은 회귀 함수(regression function)를 추정하고, 그 후의 그 개인의 예측값으로 하는 것이 예측할 수 있는 하나의 방법이다. 그 이외의 방법을 설명한다. 즉 이와 같은 데이터가 개인마다 수집되고, 이와 같은 개인 데이터를 다수의 사람에 대하여 수집하여, 성적이 오르는 방법이 유사한 개인을 복수 사람에 대해 정리한다.

또한, 임의의 인터벌 조건으로 학습을 진행시켜 나가는 경우라도, 방대한 개인 데이터를 얻을 수 있으면, 유사한 인터벌 조건으로 학습을 행하고 있는 것 같은 학습자를 복수 사람에 대해 정리한다. 또한 그 중에서, 유사한 학습의 진행 방법을 나타내는 학습자를 복수 사람 모은다. 또, 개인 속성이 유사한 개인을 복수 사람 모아도 된다.

그리고, 프리 어큐뮬레이션법에 의해, 이와 같이 평가자의 모집단(parent population)을 확대함으로써, 유사한 인터벌의 패턴이나 평가 패턴을 나타내는 평가자를 특정하고, 그 평가자 집단의 패턴의 대표값을 예측 패턴으로 한다.

예를 들면, X라고 하는 인터벌 조건(스케줄)으로 학습을 계속하여 4개월 경과한 어떤 개인의 학습의 진행 패턴이 도면과 같은 패턴을 나타내고 있었던 것으로 한다. 4개월 이후 이 학습자가 나타내는 학습의 진행 패턴을 추측하는 방법을 생각한다.

또, 예를 들면, 12개월 학습을 계속하고 있는 학습자가 여러 사람이 있었던 것으로 한다.

그 피경험자 중에서, 4개월째까지의 학습의 진행 패턴이 예측하고자 어떤 개인의 4개월째까지의 학습의 진행 패턴과 유사한 학습자 집단과 4개월째까지의 인터벌 조건 및 학교 종류나 지역 등의 개인 속성이 유사한 집단을 모으고, 또한 양 집단에 중복된 학습자를 추출한다. 추출된 집단의 데이터로부터, 그 집단을 대표하는 학습의 진행 패턴(예를 들면, 평균 등)을 합성한다. 그 합성된 대표 패턴의 5개월째 이후의 학습의 진행 패턴을, 문제로 하고 있는 개인의 예측 패턴으로서 이용한다.

더 구체적으로는, 5개월째 이후 학습의 인터벌 조건을 X라고 하는 스케줄 조건으로부터 A, B의 어딘가에 변경하는 사람이 다수 모였던 경우, 예측하고자 하는 어떤 개인의 4개월째까지의 타이밍 조건의 패턴과 학습 성적의 패턴과 유사한 패턴을 나타내고 어떤 학습자 집단의 데이터를 참고로 하면, 그 개인이 5개월째부터 A, B 중 어느 쪽의 스케줄을 채용하는 편이 성적이 상승될 가능성이 큰 것인지를 예측한다. 예를 들면, 어느 개인의 4개월째까지의 학습 패턴이었던 경우, 먼저 이 패턴과 그 개인의 스케줄 조건 및 개인 속성 등이 유사한 어떤 학습자 데이터를 다수 수집한다.

그 집단 중에서, 5개월째 이후 A라고 하는 스케줄을 채용한 사람의 학습의 진도 패턴이 도 32의 (c)와 같고, B라고 하는 스케줄을 채용한 사람의 그것이 도 32의 (d)와 같았다면, 4개월째까지 학습을 계속하고 있는 학습자가 5개월째 이후 채용해야 할 스케줄은 A의 쪽이 유효할 가능성이 높다고 예측할 수 있으므로, 이것을 이후의 학습자의 최적의 스케줄 패턴으로서 전달한다.

즉, 학습 효과 패턴 분석 단계(22)는, 개인 반응 이력 파일(26)에 해석한 개인의 패턴을 패턴 파일(30)에 기억하고, 개인 반응 이력 파일(26)에 패턴 번호를 기억한다(도 30의 (d)참조).

그리고, 도 29에 나타낸 바와 같이, 학습자 단말기 A가 해석 결과를 요구(연월일, ID 등) 했을 때는(d25), 개인 반응 이력 파일(26)의 패턴 번호를 읽고, 이 패턴 번호에 대응하는 분석 패턴을 학습자 단말기 A에 송신한다(d26). 이때 전체적인 경향의 패턴도 송신한다(도 27 참조).

또, 학습자 단말기 B가 해석 결과를 요구(연월일, ID 등) 했을 때는, 개인 반응 이력 파일(26)의 패턴 번호를 읽고, 이 패턴 번호에 대응하는 분석 패턴을 학습자 단말기 B에 송신한다(d27, d28). 또, 이 패턴에 따라, 스케줄 테이블을 갱신한다.

또한, 기업 또는 조언자 단말기로부터의 요구에 따라, 개인 반응 이력의 정보 및 패턴을 제공한다(d29, d30, d31, d32).

(스케줄 테이블의 설명)

본 스케줄 테이블은, 어느 학습 내용을 취득하기 위해 필요로 하는 시간이나 노력의 지침으로 되는 정보를 학습자에게 제공하기 위해 사용한다. 즉, 몇 회 정도 학습을 반복하면 성과가 눈에 보이는지, 어떻게 학습이 진행되는지를 나타낸 것과 같이 연구한 테이블이다.

스케줄 패턴을 분석에 입력하기 위해, 종래의 조사 방법에 실험 계획적인 생각을 도입하고 있다.

스케줄의 요인을 고려하기 위하여, 무한하게 상정할 수 있는 스케줄을 처음부터 분석 대상으로 하는 것은 합리적이지 않다. 결국 이용자에게 제시하는 스케줄에 제한(통제 학습이라고도 함)을 주고, 그에 대응시켜 데이터를 수집하여 분석할 필요가 있다.

즉, 스케줄 패턴을 분석에 조합하려면, 제시하는 스케줄에 제한(미리 표준적인 스케줄을 복수 개 준비한다)을 주는 것이다.

＜ 실시예 6 ＞

학습자의 성적의 파악이나 평가에 중점을 둔 e-러닝(e-learning: 전자 학습) 시스템［평가가 따른 e-learning: evaluated-e-learning(double-e-learning) we-learning］에 대하여 설명한다.

인터넷의 보급에 의해, 언제 어디서나 학습할 수 있는 환경이 구축되어 있지만, 그것은 학습자의 성적의 파악이나, 그에 따른 평가를 어렵게 하는 문제를 포함하고 있다. 이 시스템은, 종래의 e-러닝에, 종래에 없는 학습 환경의 제공이 아니고, 개인의 성적의 평가나 재검토 등을 제공하는 것에 중점을 두는 서비스이다. 지금까지의 시스템은, 언제라도, 어디에서라도 학습할 수 있는 환경은 제공하지만, 반면, 개인이나 교사 등이 가장 필요로 하는 학습 성적 등의 데이터의 관리와 이용을 어렵게 한다. 본 시스템은, 학습자의 경험을 변수화하여 데이터로서 저장하고, 각종 분석이나 행동의 추정에 이용하기 위한 형태를 원용한 학습 시스템이다.

도 33에 대하여

먼저, 데이터 센터 또는 콘텐츠 제공 기업(센터라고 함)이, 콘텐츠에 스케줄 등 각종 조건이 기재된 파일, 및 그 콘텐츠에 대응하는 스케줄 테이블이나 학습 제시 프로그램 및 데이터 송신 프로그램을 홈페이지에 업로드해 둔다. 또, 각종 콘텐츠에 대하여, 각종 스케줄 조건에 따라 학습을 행한 경우의 일반적인 성적의 변화 등도 예로서 참조 가능하도록 한다.

(단계 d40) 이하의 서비스를 희망하는 학습자가, 필요에 따라 개인 정보(주소나, 메일 어드레스 등)를 등록하여 둔다. 그리고, 이 시점에서 반드시 개인 정보는 등록하지 않아도 되고, (단계 d42)에서, 등록해도 된다.

(단계 d41) 센터의 홈페이지를 학습자는 참조하여, 흥미를 가지거나 이용하고 싶다고 생각하거나 한 경우는, 그 콘텐츠와 그에 대응하는 스케줄 테이블이나 제시 프로그램 등의 세트를 다운로드하고, 자신의 학습자 단말기에 인스톨한다.

(단계 d42) 인스톨 후, 해당 콘텐츠의 스케줄에 따른 학습(이하, 스케줄 러닝(SL)이라고 함)을 개시하고 싶다는 요구를 센터에 보낸다. 또, 필요에 따라 여기서 개인 정보를 등록해도 된다.

(단계 d43) 센터에서는, 개인 정보가 등록되어 있는지 어떤지 이용자를 확인하고, 확인한 곳에서, 그 SL 서비스를 이용하기 위한 인증 정보를 생성 및 기록한 후,

(단계 d44) 그것을 미리 등록되어 있는 학습자에게 송신한다.

(단계 d45) 학습자는 그 인증 정보를 이용하여, 단말기 측에서 서비스를 인스톨 하여 가등록을 행하고,

(단계 d46) 그 가등록 정보(인스톨 디렉토리 등의 학습 환경 정보, 인증 정 보)를 센터에 송신한다.

(단계 d47) 센터에서는, 가등록 정보가 도달하고, 인증이 확인된 곳에서, 해당하는 콘텐츠 데이터 베이스에 대한 반응 등을 기록하는 영역을 확보하고(콘텐츠 자체는 반드시 필요 없고, 콘텐츠 번호 등이 있으면 최저한 양호함), 거기에 이용자의 단말기 환경이나, 인스톨 상황을 기록하고, 개인이 이용하는 단말기 ID를 할당하며,

(단계 d48) 그 ID 등의 정보를, 본등록 파일로서 학습자에게 송신한다(센터 측에서 등록 완료).

(단계 d49) 학습자는, 보내온 등록 파일을 사용하여, 단말기 측에서의 본등록을 완료하고,

(단계 d50) 필요에 따라, 최종적으로 등록이 완료된 상태 등(인스톨처나 송신 메일 어드레스 등)의 정보와 합쳐져, 등록 완료의 정보를 센터에 송신한다.

이상이, SL 서비스의 등록의 개요. 그리고, SL 서비스는 어디까지나 스케줄과 콘텐츠의 조합마다 이루어진다. 또, 스케줄이나 송신 메일 어드레스의 변경 등의 각종 변경은, (단계 d50)의 정보를 센터에 송신함으로써 대처한다.

또, 개인 정보 등을 미리 별도의 센터에 등록하여 두고, (단계 d44) 또는 (단계 d48)로부터 등록 작업을 진행시켜도 된다.

도 34에 대하여

이후는, SL 서비스의 등록이 끝나고 나서의 정보의 교환

(단계 d51) 학습자는, 일정한 스케줄로 학습을 진행시키고, 그 학습의 결과 의 반응이, 단말기 측에서 기록된다. 학습을 진행시키는 과정에서, 학습자가 희망한 곳에서, 분석 결과를 참조하고자 하면, 학습 반응 데이터를 센터에 송신한다. 그 데이터에는, 콘텐츠의 번호, 스케줄의 번호, 스케줄 내의 제시 유닛의 번호, 각 콘텐츠에 대한 반응이나 반응 시간, 콘텐츠의 번호, 학습 일시, 학습 개시 시각과 종료 시각, 제시 유닛의 번호, 단말기 ID 등이 필요에 따라 포함된다.

(단계 d52) 센터는 받은 학습 반응 데이터를 개인마다 보존하고, 그 데이터와, 필요에 따라 다른 학습자의 데이터를 이용하고, 학습의 진행 방법을 해석하고,

(단계 d53) 그 결과를, 홈페이지에 게재하고,

(단계 d54) 그와 함께, 그 홈페이지의 URL 및, 필요에 따라 패스 워드 등을 그 학습자, 및 필요에 따라 교사 등의 조언자나, 제3자에게 송신한다, 물론, 이 때, 홈페이지에 게재한 분석 결과를, 직접 파일로서 학습자나 제3자 등에 송신해도 된다.

(단계 d55) 학습자나 교사나 제3자는, 그 학습자의 학습의 경과나 예측 등의 분석 데이터를 언제라도 참조할 수 있다.

(단계 d56) 모든 개인의 성적이나 변화 데이터 등은, 개인을 특정할 수 없는 형태로 홈페이지로 게재하여, 연구 사람 등, 누구나가 참조 가능하도록 한다.

(단계 d57) 학습의 스케줄에 따라, 개인의 성적을 기본으로 하여 스케줄 조건을 재구축하는 경우도 있다. 그 경우는, 재구축을 했다는 정보를 단말기 측으로부터 센터에 송신하고,

(단계 d58) 센터는, 그 재구축의 정보에 따라, 반응 데이터를 기록하는 데이 터 베이스를 확보하거나, 구조에 변경을 가하여, 학습자의 단말기 상태를 재현할 수 있도록 한다.

(단계 d52)에서 보존된 반응 데이터를, 그대로, 또는 분석한 결과를, 개인을 특정할 수 없는 형태, 또는 개인을 특정할 수 있는 형태로, 연구 사람 등 제3자에 보내는 것도 가능하다.

이러한 본 발명에 의하면, 일정한 스케줄에 따라 개인의 반응을 수집하고, 개인의 속성이나 콘텐츠의 질 등을 고려하여 분석한, 결과를 학습자 단말에서 얻을 수 있다.

Claims (8)

1. 학습 서비스 사이트의 서버에 의해, 통신 네트워크를 통해, 학습자의 학습자 단말에 제시 리스트를 분배하고, 상기 학습자 단말로부터의 콘텐츠에 대한 반응을 제공받아, 상기 콘텐츠에 대한 이벤트의 효과를 측정 및 평가하여, 상기 학습자 단말에 분배하는 학습 효과 분배 방법으로서,

   상기 서버는,

   스케줄 테이블이 기억되는 제1 기억 수단;

   콘텐츠 및 상기 콘텐츠의 속성 정보가 기억되는 제2 기억 수단;

   상기 콘텐츠의 제시 리스트가 기억되는 제3 기억 수단; 및

   상기 학습자의 ID 코드에 대응되는 개인 반응 이력 정보가 기억되는 제4 기억 수단

   을 포함하며,

   제1 컴퓨터가,

   제1 일정 기간에 상정하는 이벤트 사이클 유닛에, 최소 기간에 상정하는 제시 유닛을 할당하고, 제시 조건을 상기 제시 유닛에 할당하여 상기 제1 기억 수단에 기억시키고,

   상기 이벤트 사이클 유닛 내에서, 각 콘텐츠에 관한 상기 이벤트를 상기 제시 조건에서 한 번 발생시키기 위해, 상기 콘텐츠에 대하여, 상기 제시 리스트와 상기 제시 조건의 세트를 한 개 할당하여, 상기 제2 기억 수단에 기억시키는, 스케 줄 작성 방법에 의해,

   획득한 상기 제시 유닛과 상기 제시 조건의 세트에, 상기 세트에 대하여 결정된 콘텐츠의 수, 상기 콘텐츠의 속성 정보, 실시 예정 월일 또는 일련 번호를 할당하여 상기 제1 기억 수단에 기억시킴으로써, 스케줄 데이터를 한 개 이상 생성하는 스케줄 테이블의 작성 방법에 의해,

   상기 스케줄 테이블을 생성하여, 제1 기억 수단에 기억시키고,

   상기 스케줄 테이블에 기초하여 제시하고자 하는 상기 제시 유닛에, 상기 제2 기억 수단에 기억된 콘텐츠로부터, 해당 콘텐츠를 추출하여 할당하고, 상기 제3 기억 수단에 기억시키는 것에 의해 제시 리스트를 생성하는 단계;

   상기 제시 리스트를 상기 학습자 단말에 분배하는 단계;

   상기 학습자 단말로부터, 상기 제시 리스트의 각 콘텐츠에 대한 반응을 상기 학습자의 ID 코드와 실시 연월일 또는 일련 번호와 함께 수신하고, 수신시마다 이것을 상기 개인 반응 이력 정보로서 상기 제4 기억 수단에 기억시키는 단계;

   최초의 상기 이벤트 사이클 유닛에서 상기 반응과, 특정의 상기 이벤트 사이클 유닛에서의 상기 반응을 비교함으로써, 특정의 상기 이벤트 사이클 유닛까지의 상기 이벤트의 효과를 측정 및 평가하는 단계;

   상기 반응으로부터 회귀 함수를 추정하여, 이후의 개인의 예측값으로 함으로써, 상기 이벤트의 효과를 측정 및 평가하는 단계; 및

   상기 이벤트의 효과를 시간 정보와 평가값으로 이루어지는 그룹으로 하여 상기 학습자 단말에 분배하는 단계

   를 수행하며,

   상기 학습자 단말은,

   상기 제시 리스트가 기억되는 제5 기억 수단; 및

   상기 제시 리스트의 각 콘텐츠에 대한 상기 반응이 기억되는 제6 기억 수단

   을 구비하며,

   제2 컴퓨터는,

   상기 학습자 단말의 화면에 표시된 복수의 스케줄 패턴으로부터 선택된, 원하는 학습 스케줄의 학습 기간, 학습 사이클 및 횟수를, 상기 서버에 분배하는 단계;

   상기 학습자 단말이 상기 제시 리스트를 수신하여, 상기 제5 기억 수단에 기억시키는 단계;

   실시 예정 월일에 대응하는 상기 제5 기억 수단의 상기 제시 리스트의 콘텐츠를, 해당 제시 방법으로 상기 학습자 단말의 화면에 표시하는 단계;

   상기 제시 리스트의 각 콘텐츠에 대한 상기 반응을 상기 학습자의 ID 코드와 실시 연월일 또는 일련 번호와 함께 상기 제6 기억 수단에 기억시키고, 상기 서버에 분배하는 단계; 및

   상기 서버로부터 상기 이벤트의 효과의 그룹의 정보를 상기 학습자 단말이 수신하여, 화면에 표시하는 단계

   를 수행하는, 학습 효과 분배 방법.
2. 제1항에 있어서,

   상기 서버는, 상기 반응을 복수의 사람끼리 모아 기억시키는 제7 기억 수단을 포함하고,

   상기 제1 컴퓨터는,

   스케줄 조건이 동일 또는 유사한 집단의 상기 반응을 복수의 사람끼리 모으거나, 퍼스널리티, 성별, 지역, 연령, 인지 스타일, 학습 스타일, 의지의 정도를 포함하고 있는 개인 속성이 일치하고 있는 집단의 상기 반응을 복수의 사람끼리 모아서, 상기 제7 기억 수단에 기억시키는 단계; 및

   해당 학습자의 상기 반응과 상기 복수의 사람끼리 모아 상기 제7 기억 수단에 기억시킨 반응 중, 상기 스케줄 조건이 동일 또는 유사한 집단에서, 상기 개인 속성이 일치하고 있는 집단의 상기 반응으로부터 추정하고, 이후의 개인의 예측값으로 함으로써, 상기 이벤트의 효과를 측정 및 평가하는 단계

   를 수행하는, 학습 효과 분배 방법.
3. 제1항에 있어서,

   상기 콘텐츠의 속성 정보가, 콘텐츠의 숙지도, 난이도, 중요도, 관련 정보, 계층성을 포함하고,

   상기 콘텐츠가 상기 콘텐츠의 속성 정보에 따라 콘텐츠 그룹으로 그룹화되고,

   상기 콘텐츠의 제시 조건의 제시 방법이, 제시하는 콘텐츠의 학습을 하게 하 는 방법, 숙지도 평가를 하게 하는 방법, 기억 테스트를 하게 하는 방법, 자기 평가를 하게 하는 방법을 포함하고,

   상기 반응이, 학습 개시 시각, 학습 종료 시각, 학습에 필요한 시간, 상기 학습자 단말기의 학습자에게 선택시킨 숙지도 평가의 값, 기억 테스트의 반응의 값, 자기 평가의 값, 콘텐츠의 제시부터 평가까지의 반응 시간을 포함하는, 학습 효과 분배 방법.
4. 제1항에 있어서,

   상기 서버는,

   상기 반응으로부터, 상기 콘텐츠를 제시하는 이벤트가 종료하고 있는지 여부를 파악하고, 상기 제시 리스트의 콘텐츠에 대한 학습이 도중에 종료한 경우에, 학습하고 있지 않은 콘텐츠로부터 제시하는 단계;

   상기 스케줄 조건과, 필요에 따라 상기 속성 정보와의 조합에 해당하는 콘텐츠를 모아, 상기 반응의 대표값으로서 산출하는 단계;

   처음부터 예정하고 있던 상기 타이밍 조건의 실시가 어긋난 경우, 상기 타이밍 조건을, 상기 이벤트 사이클 유닛의 실제의 종료일, 개시일, 중간일, 이벤트의 발생 밀도를 가지고 다시 기술하여, 상기 제5 기억 수단에 기억시키는 단계;

   특정한 상기 이벤트 사이클 유닛에, 숙지도 평가, 기억 테스트, 자기 평가 등의 상기 콘텐츠의 제시 방법을 평가 이벤트로서 설정함으로써, 학습과 평가 이벤트 기간의 차이의 영향을 고려하여, 이벤트의 효과를 측정 및 평가하는 단계;

   측정에 필요한 기간이 상기 이벤트 사이클 유닛보다 짧은 상황에서, 상기 콘텐츠를, 동일한 상기 조건 유닛으로부터 비교 및 검토하는 상기 제시 조건마다 동일한 개수씩 선택함으로써, 상기 제시 조건마다, 학습과 평가 이벤트 기간의 차이의 영향을 고려하여, 이벤트의 효과를 측정 및 평가하는 단계; 및

   인터벌이 짧은 타이밍 조건과 인터벌이 긴 타이밍 조건을 혼재시킨 상기 제시 리스트의 콘텐츠에 대한 상기 반응을, 복수 사람끼리 모아서 상기 제6 기억 수단에 기억시키고, 상기 짧은 타이밍 조건에서의 상기 반응의 변화와 상기 긴 타이밍 조건에서의 상기 반응의 변화의 함수 관계를 특정하며, 개인의 상기 짧은 타이밍 조건에서의 상기 반응과, 상기 함수 관계로부터, 상기 긴 타이밍 조건에서의 상기 반응을 추정하고, 이후의 개인의 예측값으로 함으로써, 그 이벤트의 효과를 측정 및 평가하는 단계

   를 수행하는, 학습 효과 분배 방법.
5. 제1항에 있어서,

   상기 스케줄의 작성 방법은,

   상기 콘텐츠에 관한 스케줄 조건을, 타이밍 조건과 제시 조건의 조합에 의해, 컴퓨터가 연산 수단에 의해 얻는 스케줄의 작성 방법이며,

   상기 제시 유닛 및 상기 이벤트 사이클 유닛이 기억되고, 상기 제시 조건이 상기 제시 유닛에 할당되어 기억되는 상기 제1 기억 수단; 및

   반응을 수집하기 위해 제시하는 콘텐츠가 기억되며, 상기 제시 유닛과 상기 제시 조건의 세트가 상기 콘텐츠에 할당되어 기억되는 상기 제2 기억 수단

   을 상기 제1 컴퓨터가 구비하고,

   상기 제1 컴퓨터는,

   상기 타이밍 조건을,

   입력된 상기 콘텐츠를 제시하는 이벤트가 발생하는 최소 기간과 상기 최소 기간보다 긴 상기 제1 일정 기간을 판독하는 단계;

   상기 제1 일정 기간에 상정하는 상기 이벤트 사이클 유닛을, 상기 최소 기간을 단위로 하여 생성하여, 상기 제1 기억 수단에 기억시키는 단계;

   상기 최소 기간에 상정하는 상기 제시 유닛을, 상기 이벤트 사이클 유닛에 상기 최소 기간의 단위로 각각 하나씩 할당하여 생성하고, 상기 제1 기억 수단에 기억시키는 단계;

   상기 제시 조건을, 이 생성된 제시 유닛에 할당하여, 상기 제1 기억 수단에 기억시키는 단계;

   상기 이벤트 사이클 유닛 내에서, 각 콘텐츠에 관한 상기 이벤트를 상기 제시 조건에서 한 번 발생시키기 위해, 상기 콘텐츠에 대해, 상기 할당된 상기 이벤트 사이클 유닛에 상기 최소 기간의 단위로 각각 하나씩 할당하여 생성된 상기 제시 유닛과 상기 제시 조건의 세트를, 하나 할당하여, 상기 제2 기억 수단에 기억시키는 단계

   에 의해 생성하고,

   상기 제시 조건을,

   하나의 제시 유닛 내에서 콘텐츠를 반복하여 발생시키는 이벤트의 반복 횟수를 결정하고, 이것을 상기 생성된 제시 유닛에 할당하기 위한 상기 제시 조건으로서 상기 제1 기억 수단에 기억하는 단계에 의해 생성하며,

   상기 제1 기억 수단의 상기 제시 유닛, 상기 이벤트 사이클 유닛, 상기 제시 조건, 및 상기 제2 기억 수단의 상기 콘텐츠에 할당된 상기 제시 유닛과 상기 제시 조건의 세트에 기초하여, 상기 연산 수단에 의해, 상기 스케줄 조건을 얻는, 학습 효과 분배 방법.
6. 제3 컴퓨터가, 제1 기억 수단; 제2 기억 수단; 및 제3 기억 수단을 포함하고,

   상기 제3 컴퓨터가,

   제1 일정 기간에 상정하는 이벤트 사이클 유닛에, 최소 기간에 상정하는 제시 유닛을 할당하고, 제시 조건을 상기 제시 유닛에 할당해 상기 제1 기억 수단에 기억시키며, 상기 이벤트 사이클 유닛 내에서, 각 콘텐츠에 관한 상기 이벤트를 상기 제시 조건에서 한 번 발생시키기 위해, 상기 콘텐츠에 대해, 상기 제시 유닛과 상기 제시 조건의 세트를 하나 할당하여, 상기 제2 기억 수단에 기억시키는 스케줄 작성 방법에 의해, 얻어진, 상기 제시 유닛과 상기 제시 조건의 세트에, 그 세트에 대하여 결정된 콘텐츠의 수, 상기 콘텐츠의 속성 정보, 실시 예정 월일 또는 일련 번호를 할당하여 상기 제1 기억 수단에 기억시킴으로써, 스케줄 데이터를 하나 이상 생성하는 스케줄 테이블의 작성 방법에 의해, 상기 스케줄 테이블을 생성하여, 제1 기억 수단에 기억시키는 단계;

   상기 스케줄 데이터의 실시 예정일 또는 일련 번호에 기초하여, 제시하고자 하는 상기 제시 유닛을 결정하고, 상기 제3 기억 수단에 기억시키는 단계;

   상기 제2 기억 수단에 기억된 콘텐츠로부터, 상기 결정된 제시 유닛에 대응하는, 상기 제시 유닛과 상기 제시 조건의 세트에 기초하여, 해당 콘텐츠를 추출하는 단계; 및

   상기 추출된 콘텐츠를, 상기 제시 조건에 따라, 상기 결정된 제시 유닛에 할당하여, 상기 제3 기억 수단에 기억시키는 단계;

   의해 제시 리스트를 생성하는, 제시 리스트 작성 방법.
7. 제6항에 있어서,

   상기 콘텐츠의 속성 정보가, 콘텐츠의 숙지도, 난이도, 중요도, 관련 정보, 계층성을 포함하고,

   상기 콘텐츠를 상기 콘텐츠의 속성 정보에 따라 콘텐츠 그룹으로 하여 모으고,

   상기 콘텐츠 제시 조건의 제시 방법이,

   제시하는 콘텐츠의 학습을 하게 하는 방법;

   숙지도 평가을 하게 하는 방법;

   기억 테스트를 하게 하는 방법; 및

   자기 평가를 하게 하는 방법

   을 포함하고 있는, 제시 리스트 작성 방법.
8. 제6항에 있어서,

   상기 스케줄의 작성 방법은, 상기 콘텐츠에 관한 스케줄 조건을, 타이밍 조건과 제시 조건의 조합에 의해, 컴퓨터가 연산 수단에 의해 얻는 스케줄의 작성 방법이며,

   상기 제시 유닛, 상기 이벤트 사이클 유닛이 기억되고, 상기 제시 조건이 상기 제시 유닛에 할당되어 기억되는 상기 제1 기억 수단; 및

   반응을 수집하기 위해 제시하는 콘텐츠가 기억되며, 상기 제시 유닛과 상기 제시 조건의 세트가 상기 콘텐츠에 할당되어 기억되는 상기 제2 기억 수단을 상기 제3 컴퓨터가 구비하고,

   상기 제3의 컴퓨터가,

   상기 타이밍 조건을,

   입력된, 상기 콘텐츠를 제시하는 이벤트가 발생하는 최소 기간과 상기 최소 기간보다 긴 상기 제1 일정 기간을 판독하는 단계;

   상기 제1 일정 기간에 상정하는 상기 이벤트 사이클 유닛을, 상기 최소 기간을 단위로 하여 생성하여, 상기 제1 기억 수단에 기억시키는 단계;

   상기 최소 기간에 상정하는 상기 제시 유닛을, 상기 이벤트 사이클 유닛에 상기 최소 기간의 단위로 각각 하나씩 할당하여 생성하고, 상기 제1 기억 수단에 기억시키는 단계;

   상기 제시 조건을, 이 생성된 제시 유닛에 할당하여, 상기 제1 기억 수단에 기억시키는 단계; 및

   상기 이벤트 사이클 유닛 내에서, 각 콘텐츠에 관한 상기 이벤트를 상기 제시 조건에서 한 번 발생시키기 위해, 상기 콘텐츠에 대해, 상기 할당된, 상기 이벤트 사이클 유닛에 상기 최소 기간의 단위로 각각 하나씩 할당하여 생성된 상기 제시 유닛과 상기 제시 조건의 세트를, 하나 할당하여 상기 제2 기억 수단에 기억시키는 단계

   에 의해 생성하고,

   상기 제시 조건을,

   하나의 제시 유닛 내에서 콘텐츠를 반복 발생시키는 이벤트의 반복 횟수를 결정하고, 결정된 반복 횟수를 상기 생성된 제시 유닛에 할당하기 위한 상기 제시 조건으로서 상기 제1 기억 수단에 기억시키는 단계에 의해 생성하고,

   상기 제1 기억 수단의 상기 제시 유닛, 상기 이벤트 사이클 유닛, 상기 제시 조건, 및 상기 제2 기억 수단의 상기 콘텐츠에 할당된 상기 제시 유닛과 상기 제시 조건의 세트에 기초하여, 상기 연산 수단에 의해, 상기 스케줄 조건을 얻는, 제시 리스트 작성 방법.

Images