KR20100123209A

KR20100123209A - 온라인 학습 평가 방법 및 그 장치, 그 기록 매체

Info

Publication number: KR20100123209A
Application number: KR1020090042289A
Authority: KR
Inventors: 윤주웅
Original assignee: 윤주웅
Priority date: 2009-05-14
Filing date: 2009-05-14
Publication date: 2010-11-24

Abstract

본 발명은 온라인 학습 평가 방법에 관한 것으로서 클라이언트의 강의 요청이 수신되면, 온라인 교육 관리 장치가 분절된 강의 동영상 및 평가문제를 데이터베이스로부터 독출하여 강의 컨텐츠를 구성하는 단계; 상기 온라인 교육 관리 장치가 상기 구성된 강의 컨텐츠를 상기 클라이언트에 전송하는 단계; 상기 클라이언트로부터 평가 문제에 대한 평가 데이터가 입력되면, 상기 평가 문제에 대한 문제 해결 시간 및 반복 학습 횟수에 기반하여 성취도를 산출하는 단계; 및 상기 성취도를 포함한 학습 지표 정보를 상기 클라이언트에 전송하는 단계를 특징으로 하며, 설명 중심의 동영상 강의가 아니라, 문제풀이, 평가 중심의 동영상 강의를 제공할 수 있고, 학습자의 학습에 따른 피드백을 통해 구축된 데이터베이스를 활용하여 학생 개인의 현재 학습 역량 맵을 작성할 수 있고, 학습자 개인별로 온라인 교육이 시험 성적에 미치는 영향을 지수화할 수 있으며, 온라인 강의 참여에 따른 해당 시험에 대한 결과 예측치를 제공할 수 있는 등 다각적인 학습 관리와 학습 지도가 용이한 효과가 있다.

Description

온라인 학습 평가 방법 및 그 장치, 그 기록 매체 {Method and Apparatus for online based estimation of learning, and Recording medium thereof}

본 발명은 이러닝에 관한 것이고, 보다 상세하게는, 학습 관련 메타데이터가 연동된 플레이어로 평가 중심의 동영상 강의를 제공하여 다각적인 학습 관리와 학습 지도가 용이한 온라인 학습 평가 방법 및 그 장치, 그 기록 매체에 관한 것이다.

정보 기술의 발전에 힘입어 학습자들의 지역, 시간, 분야에 관계없이 학습과 훈련을 제공할 수 있는 교육/훈련 시스템의 모든 분야에서 이러닝 시스템이 활용되고 있다. 이러닝은 컴퓨터 통신네트워크(인터넷, 인트라넷, IPTV)를 통한 온라인 교육이며, 정보 기술을 바탕으로 교육서비스를 제공한다. 이러닝은 정보 기술을 활용하여 학습자와 교육자가 언제 어디서나 교육적 상호작용의 사이버 공간을 제공할 수 있는 새로운 교육 시스템의 패러다임이라고 할 수 있다.

교육인적자원부의 자료에 의하면 교육분야에서 이러닝이 차지하는 비중이 지속적으로 확대되고 있다. 초중고등학생 대상의 이러닝은 수능시장을 중심으로 활성화되기 시작하여, 최근에는 초등 및 중학생을 대상으로 확산되어 가는 추세에 있 다. 초기에는 EBS 수능강의, 사이버 가정학습 등의 정책으로 인하여 대규모의 학습자에게 빠르게 확산되었으며, 최근에는 메가스터디, 엠베스트 등의 사설 업체를 중심으로 시장의 무게 중심이 이동하고 있다.

이러한 양적 성장에도 불구하고 초중고 교과과정의 이러닝이 고객에게 만족을 주지 못하는 이유로 관리 기능 및 학습에 대한 집중력이 떨어진다는 이유를 가장 큰 원인으로 꼽았다. 소비자들은 오프라인 학원이나 학교에서 처럼 이러닝을 통해서도 개별 관리를 받기를 원하고 있는 것이다. 이러닝이 갖는 양방향성에도 불구하고, 자율적인 학습이라는 특징이 비자발적 학습 습관을 가지고 있는 초중고 학생들에게는 오히려 단점으로 작용하는 것이다.

일 예로, 이러닝이 교육의 주요한 대안으로 주목 받으면서 학습컨텐츠 등 학습정보의 생산과 유통이 급증하고 있다. 그 결과 다양한 학습컨텐츠가 쌓이면서 사용자가 필요로 하는 학습정보를 어떻게 빠르고 쉽게 검색해 접근할 수 있을 것인가와 개발한 컨텐츠를 어떻게 가공, 저장, 표현할 것이며 또한 이를 어떻게 상호교환, 공유할 수 있도록 할 것인가라는 문제가 대두되고 있다.

중등 온라인 시장에서 점유율이 높은 3개 상위 업체의 세부 사업 내용을 살펴 보면, 중학생의 경우 자기 주도 학습과 관리가 쉽지 않기 때문에 온라인 교육이 적합하지 않을 것이라는 부정적 시각에도 불구하고, 엠베스트 등의 업체가 나름대로의 사업 전략을 가지고 중등 온라인 교육 시장의 가능성을 제시해 주었다. 온라인 교육의 취약점으로 지적된 학습 몰입도 부족 및 학사관리의 어려움 등을 극복하기 위해 1:1 담임제 등 학습 관리 시스템을 강화하는 방향으로 오프라인의 장점들 을 흡수, 발전시켰다. 초기 미미한 시장 규모로 출발한 중등 온라인 교육 시장은 최근 가파른 성장세를 보이고 있으며, 향후 가장 유망한 온라인 사업 분야로 각광을 받게 되었다.

또한, 교육비의 절감을 통한 사교육 부담 완화라는 공익적 목적에 부합되는 새로운 대안으로의 가능성을 보여 주었으며, 향후 정부에서 추진할 예정인 "방과 후 수업"에 대한 강력한 대안 모델로도 주목을 받고 있다.

선발 업체들의 많은 노력으로 온라인 교육 시장이라는 새로운 분야를 개척한 긍정적인 측면이 있음에도 불구하고, 빠르게 성장하는 온라인 시장에 능동적으로 대응하여 시장의 주도권을 선점하기에는 일정 부분의 한계 또한 내포하고 있음을 인정하지 않을 수 없다.

첫 번째 한계는 "스타 강사 영입 -> 학원 브랜드 제고 -> 스타 강사 영입" 방식의 전통적인 오프라인 학원의 운영 방식을 답습하고 있다는 점이다. 고등학생 수능 시장에서 성공 모델을 제시한 메가스터디를 기본 모델로 삼고 사업의 기본 운영 방식을 정립한 것도 주요한 원인 중의 하나로 판단된다. 위와 같은 방식은 상대적으로 학습의 자율성이 높은 고등학생 시장에는 적합한 모델일지 모르나, 관리와 감독이 보다 많이 필요한 중학생에게는 개선해야 할 점이 많은 방식으로 사료된다.

두 번째 한계는 학사 관리 등의 수단으로 제공하는 SMS 문자 발송 등은 단순한 출결 관리 등의 관리만 이루어질 뿐, 강의에 대한 수강생의 몰입도 확인 등에 대한 보다 심층적인 관리는 이루어지지 않고 있다는 점이다. 또한, 수강생의 증가에 비례하여 관리 인원도 함께 증가하는 등 관리 비용의 경제적인 효과를 거두기가 어렵다.

세 번째 한계는 강의 동영상에 대한 내용의 경우 전체적인 교육의 목적 등에 대한 세부적인 시나리오 없이, 강사 개인이 준비한 내용에 따라 진행되며, 서비스 업체들은 해당 내용을 방영하기만 하는 수준에 머물러 있다. 학습자의 역량, 학습목표, 컨텐츠의 난이도, 학습자의 학습선호도, 학습자의 성취도 등에 대한 세부적인 분석 등이 거의 이루어지지 않고 있는 상태이다.

도 1은 현재 진행되고 있는 학습 모형을 도시한 것이다.

서비스 업체들이 이러닝 이론에 입각하여 다양한 학습 모형을 고려하고 있으나, 현재 제공되는 시스템은 도 1과 같은 단선적이고 일방적 강의 위주의 교습 방식을 탈피하기 어렵고, 이에 따라 학습의 자발성이 낮은 중학생 수강자의 학습 몰입도를 높이는 데 한계를 가지고 있다. 또 다른 한계는 동영상 강의 내용의 재활용성 측면에 대한 고려가 부족하다는 점이다. 강의 단위를 교과서 또는 교재의 진도를 단순히 나누어 편집하는 정도의 수준으로만 나누었을 뿐 검색자료로 활용하기 위한 설계는 이루어지지 않았다. 시험 범위 또는 학습 내용이 조금만 누적되어도 강의 양이 방대해져, 특정 부분의 반복학습이 매우 어려운 실정이다.

본 발명이 이루고자 하는 첫 번째 기술적 과제는 온라인 학습 시 자율학습에 따른 학습 집중력 저하 문제를 해결하고, 체계적인 학습 지표를 제시하여 학습자에게 구체적인 학습 동기를 부여하며, 학습 컨텐츠를 효율적으로 사용할 수 있는 온라인 학습 평가 방법을 제공하는 데 있다.

본 발명이 이루고자 하는 두 번째 기술적 과제는 상기의 온라인 학습 평가 방법이 적용된 온라인 학습 평가 장치를 제공하는 데 있다.

상기의 첫 번째 기술적 과제를 달성하기 위하여, 본 발명의 일 실시 예는 클라이언트의 강의 요청이 수신되면, 온라인 교육 관리 장치가 분절된 강의 동영상 및 평가문제를 데이터베이스로부터 독출하여 강의 컨텐츠를 구성하는 단계; 상기 온라인 교육 관리 장치가 상기 구성된 강의 컨텐츠를 상기 클라이언트에 전송하는 단계; 상기 클라이언트로부터 평가 문제에 대한 평가 데이터가 입력되면, 상기 평가 문제에 대한 문제 해결 시간 및 반복 학습 횟수에 기반하여 성취도를 산출하는 단계; 및 상기 성취도를 포함한 학습 지표 정보를 상기 클라이언트에 전송하는 단계를 포함하는, 온라인 학습 평가 방법을 제공한다.

상기 성취도를 산출하는 단계에서, 상기 반복 학습 횟수에 따라 에빙하우스의 망각 곡선에 따라 미리 정해진 성취도를 부여할 수 있다.

또한, 상기 성취도를 산출하는 단계에서, 상기 문제 해결 시간이 짧을수록 높은 성취도를 부여할 수도 있다.

본 발명의 다른 실시 예에 따른 온라인 학습 평가 방법은 상기 온라인 교육 관리 장치가 상기 평가 데이터를 이용하여 상기 평가 문제의 난이도, 변별도 및 오답의 매력도를 산출하는 단계를 더 포함한다. 이 경우, 상기 산출된 난이도 및 상기 성취도를 이용하여 현재 학습자의 예상 점수를 추정하는 단계 및 상기 추정된 예상 점수를 상기 클라이언트에 전송하는 단계를 더 포함할 수도 있다.

여기에 더하여, 본 발명의 다른 실시 예에 따른 온라인 학습 평가 방법은 상기 클라이언트로부터 실제 시험 점수를 입력받는 단계 및 상기 실제 시험 점수와 상기 추정된 예상 점수를 이용하여 상기 평가 문제의 상관계수를 산출하는 단계를 더 포함할 수도 있다.

본 발명의 또 다른 실시 예에 따른 온라인 학습 평가 방법은 상기 변별도가 변별도 기준치 미만이거나 상기 매력도가 매력도 기준치 미만인 경우, 상기 온라인 교육 관리 장치가 해당하는 평가 문제를 상기 데이터베이스에서 삭제하는 단계를 더 포함한다.

상기의 두 번째 기술적 과제를 달성하기 위하여, 본 발명의 일 실시 예는 학습 진도별로 분절된 강의 동영상을 저장하는 분절된 강의 데이터베이스; 학습 진도별로 평가문제 풀을 저장하는 평가문제 데이터베이스; 및 상기 분절된 강의 데이터베이스 및 상기 평가문제 데이터베이스의 데이터를 독출하거나 갱신하고, 클라이언트와 인터넷으로 연결되는 온라인 교육 관리 장치를 포함하고, 상기 온라인 교육 관리 장치는, 상기 클라이언트의 강의 요청이 수신되면 상기 분절된 강의 동영상, 상기 평가문제를 결합하여 강의 컨텐츠를 구성하고 상기 구성된 강의 컨텐츠를 상기 클라이언트에 전송하는 강의 모듈; 및 상기 클라이언트로부터 평가 문제에 대한 평가 데이터가 입력되면 상기 평가 문제에 대한 문제 해결 시간 및 반복 학습 횟수에 기반하여 성취도를 산출하고, 상기 성취도를 포함한 학습 지표 정보를 상기 클라이언트에 전송하는 학습 관리 모듈을 포함하는, 온라인 학습 평가 시스템을 제공한다.

본 발명에 의하면, 설명 중심의 동영상 강의가 아니라, 문제풀이, 평가 중심의 동영상 강의를 제공할 수 있고, 학습자의 학습에 따른 피드백을 통해 구축된 데이터베이스를 활용하여 학생 개인의 현재 학습 역량 맵을 작성할 수 있고, 학습자 개인별로 온라인 교육이 시험 성적에 미치는 영향을 지수화할 수 있으며, 온라인 강의 참여에 따른 해당 시험에 대한 결과 예측치를 제공할 수 있는 등 다각적인 학습 관리와 학습 지도가 용이한 효과가 있다.

이하에서는 도면을 참조하여 본 발명의 바람직한 실시 예를 설명하기로 한다. 그러나, 다음에 예시하는 본 발명의 실시 예는 여러 가지 다른 형태로 변형될 수 있으며, 본 발명의 범위가 다음에 상술하는 실시 예에 한정되는 것은 아니다.

이러닝 시스템은 여러 다른 개발 툴에 의해 사용되어지고 수정될 수 있어야 하고(재사용성), 필요할 때마다 색인되어지거나 검색될 수 있어야 하며(접근성), 다양한 하드웨어, OS, 웹 브라우저에서 사용 가능해야 할 뿐만 아니라(상호운영성 ), 시스템과 독립적이어서 시스템이 수정되어도 변경이 필요 없어야 한다는 조건(내구성)을 충족해야 한다. 도 2는 이러닝 시스템의 일 예로서, LCMS (Learning Contents Management System)의 4가지 구성 요소를 도시한 것이다.

"학습객체 저장소"는 중앙 데이터베이스로서 학습 객체들이 저장되어 관리되는 곳이다. 학습객체는 개인의 학습 필요에 따라 개별적으로 학습자에게 분배될 수 있으며 조합하여 더 큰 학습 모듈이 되거나 전체코스가 된다. "자동화된 저작 프로그램"은 저장소로부터 직접 접근이 가능한 객체를 만드는데 사용된다.

여기서, 학습 객체는 이러닝 분야에서 컨텐츠 개발 방법에 대한 새로운 패러다임으로 부상한 개념이며, 집합 과정에서도 형성관리 및 재활용성을 고려할 때 유의미한 개념이다. 이러한 학습 객체의 2가지 필수조건은 객체 컨텐츠와 메타데이터 태그이다. 각 학습 객체는 각 단위 안에 학습에 필요한 요소(내용, 방법, 평가 등)가 결합된 형태로 메타데이터에 의해 관리된다.

컨텐츠 내용 측면에서 보면 학습 객체는 학습목표, 학습내용, 학습전략, 평가 문항 등으로 구성할 수 있다. 학습 객체는 효율적인 저장 및 검색을 위해 해당 학습 객체에 대한 간략한 정보, 예를 들어, 저자, 제작 년도, 교과구분, 저작권 등을 담은 메타데이터를 부착시키게 된다.

본 발명의 일 실시 예에서는 학습자를 위한 문항 풀(pool)을 관리하거나 강의 재구성을 위한 메타데이터의 갱신을 위해 문항 분석 알고리즘을 사용한다.

먼저, 본 발명의 일 실시 예에 따른 온라인 학습 평가 시스템에서 학습자에게 제공되는 평가 문제에서, 난이도가 적절하지 않다고 판단되는 문제를 배제하거 나 별도의 카테고리로 분류하기 위해 문항 난이도를 측정한다. 문항 난이도는 문항이 쉽고 어려운 정도를 나타내는 지수이다. 난이도는 총 피험자들 중에서 답을 맞힌 피험자의 비율을 말하는 것으로 계산식은 다음과 같다.

P = R / N

N은 총 피험자 수, R은 문항의 답을 맞힌 피험자 수를 나타낸다. 예를 들어, 200명의 피험자에게 검사를 실시하여 180명이 정답을 맞추었다면 문항의 난이도는 90 이다. 문항난이도 지수는 백분율 대신에 0.9라는 비율로 표시되기도 한다. 문항난이도에 의한 문항을 평가하는 절대적 기준은 없으나 0.3 미만이면 매우 어려운 문항 0.3 ~ 0.8 이면 적절한 문항, 0.8 이상이면 매우 쉬운 문항이라 평가할 수 있다.

또한, 본 발명의 일 실시 예에 따른 온라인 학습 평가 시스템은 학습자에게 제공되는 평가 문제에서 변별력이 적절하지 않다고 판단되는 문제를 배제하거나 별도의 카테고리로 분류하기 위해 문항변별도를 측정할 수 있다. 문항변별도는 개개 문항이 한 시험 또는 검사에서 총점이 낮은 학생과 높은 학생을 구분해 줄 수 있는 변별력을 말한다.

예를 들어, 어떤 문항에서 총점이 높은 학생들은 대부분 맞게 응답하였고, 총점이 낮은 학생들은 틀리게 답하였다면 그 문항은 변별력이 높다. 반면에 문제가 너무 쉬워서 총점이 높은 학생이나 낮은 학생 모두 정답을 했다면 그 문항은 변별력이 낮고, 문제가 너무 어려워 총점이 높은 학생과 낮은 학생 모두 오답을 했다면 그 문항도 역시 변별력이 낮은 것이다.

또한, 본 발명의 일 실시 예에 따른 온라인 학습 평가 시스템은 학습자에게 제공되는 평가 문제에서 선택지의 구성이 적절하지 않다고 판단되는 문제를 배제하거나 별도의 카테고리로 분류하기 위해 오답지의 매력도를 측정할 수 있다. 선다형 문항을 작성할 경우에 좋은 선택지를 만드는 작업이 힘들다. 좋은 선택지의 작성은 문항의 질을 좌우한다. 선택지는 정답지와 오답지로 구분된다. 정답지와 오답지가 효과적으로 제 기능을 다하고 있는지를 점검하는 작업이 선택지의 능률도를 분석하는 것이다.

선택지의 능률도는 정답지의 기능 못지 않게 오답지의 영향을 크게 받는다. 그래서 선택지의 능률도를 오답지의 매력도라고 불리고 있다. 다시 말하면 오답지의 매력도는 오답지가 정답지처럼 보여 피험자가 오답지를 정답지로 택할 수 있는 가능성을 의미한다.

오답지를 선택한 피험자들은 문항의 답을 맞히지 못한 피험자들이고, 이들은 확률적으로 균등하게 오답지를 선택하게 된다. 그러므로 문항의 답을 맞히지 못한 피험자가 오답지를 선택할 확률은 다음과 같다.

T₀ = (1-P) / (Q-1)

T₀ : 답지 선택 확률

P는 문항 난이도, Q는 답지 수를 나타낸다. 각 오답지의 응답 비율이 오답지 의 매력도 보다 높으면 매력적인 답지이며, 그 미만일 경우에는 매력적이지 않은 답지로 판단하면 된다.

50명의 피험자가 사지 선다형 문항의 각 답지에 응답한 결과와 그에 따른 오답지 매력도를 추정한 예는 표 1과 같다.

구 분	응답자	응답비율	매력도 판단
① ② ③ ④	5 20 15 10	0.1 0.4 0.3 0.2	매력적이지 않은 오답지 정답지 매력적인 오답지 매력적인 오답지
T₀ = (1-0.4) / (4-1) = 0.2

표 1의 예에서 오답지의 매력을 판단하는 기준은 0.2로서 ①번 답지가 매력적이지 않은 오답지, ③번과 ④번 답지는 매력적인 오답지로 판단된다.

본 발명의 일 실시 예에 따른 온라인 학습 평가 시스템은 학습 이론을 반영한다. 학습 이론은 학습에 관한 인지적 접근은 기억, 지각, 언어, 추리, 지식, 개념 형성, 문제 해결력, 인간의 내재적 심리과정을 설명하기 위한 유용한 정보 처리의 구조와 과정을 연구한다. 이러한 학습 이론은 사실, 개념, 원리, 생활에 필요한 인지적 기능을 다루는 학교 학습에 매우 도움이 되는 학습 이론이다.

본 발명의 일 실시 예에 따른 온라인 학습 평가 시스템에서 학습자의 성취도를 측정함에 있어서 망각 이론을 고려한다. 학습한 내용을 보존하는 것을 파지(retention)라고 한다. 학습한 내용을 모두 파지할 수는 없으며, 시간이 경과함에 따라 학습한 많은 것이 망각된다. 시간의 경과 양에 따른 파지량 또는 망각량의 변화를 연구한 사람이 에빙하우스(Ebbinghaus)이다.

도 3은 에빙하우스가 제안한 망각 곡선을 도시한 것이다.

에빙하우스의 망각곡선을 보면, 학습 직후에 가장 많이 망각되고, 시간이 경과함에 따라 망각의 정도가 완만해진다는 것을 알 수 있다.

이하에서는 본 발명의 일 실시 예에 따른 온라인 학습 평가 시스템에 대한 구체적이고 세부적인 방법론을 검토한다. 이러한 방법론은 전술한 이러닝의 이론적 토대, 교육학적 이론, 통계학적 이론 및 교육부에서 발표한 각 교과 과정에서 필요로 하는 학습 능력을 근거로 한 것이다.

본 발명의 일 실시 예에 따른 온라인 학습 평가 시스템은 클라이언트와 서버가 인터넷으로 연결되는 환경을 가정한다. 이러한 시스템에서 서버는 동영상 오답 노트를 제공하고, 학습자가 취약 부분에 대해 집중학습을 하도록 한다. 또한, 서버는 시험예측 지수(단기적 관점, 개별 교과 과목)나 학습역량 지수(장기적 관점, 전체/통합 교과)를 제공할 수 있다.

시험예측 지수는 시험 1주전 본인, 부모 또는 학습관리자에게 이메일 등을 자동으로 통보되도록 할 수 있다. 학습역량 지수는 2주 단위로 개별 "학습역량 맵"을 제시하는데 사용된다. 학습역량 지수는 아래에서 설명할 각종의 성취도에 따라 결정된다.

도 4는 본 발명의 일 실시 예에 따른 온라인 학습 평가 시스템의 예시적인 블록도이다.

분절된 강의 데이터베이스(401)는 학습 진도별로 분절된 강의 동영상을 저장한다. 예제 데이터베이스(402)는 학습 진도별로 예제를 저장한다. 평가문제 데이터베이스(403)는 학습 진도별로 평가문제 풀을 저장한다.

상기 데이터베이스들(401-403)은 온라인 교육 관리 장치(400)의 외장형 스토리지 형태일수도 있고, 온라인 교육 관리 장치(400)에 내장된 대용량 스토리지 장치일 수도 있다.

온라인 교육 관리 장치(400)는 상기 데이터베이스들(401-403)에 저장된 데이터를 독출하거나 갱신하고, 클라이언트들(491-499)과 인터넷으로 연결되어 강의 컨텐츠를 제공한다. 온라인 교육 관리 장치(400)는 강의 모듈(404)과 학습 관리 모듈(405)을 포함한다.

강의 모듈(404)은 클라이언트들(491-499)의 강의 요청이 수신되면, 클라이언트를 이용하고 있는 각각의 학습자의 수준과 진도에 맞게 분절된 강의 동영상, 예제 및 평가문제를 결합하여 강의 컨텐츠를 구성한다. 여기서, 강의 컨텐츠는 강의 동영상 보다 평가문제의 비중이 많은(예를 들어, 강의 동영상의 러닝 타임보다 평가문제의 분량이 많은) 평가문제 중심의 강의 컨텐츠인 것이 바람직하다.

당업자의 필요에 따라 강의 모듈(404)이 예제를 제외하여 분절된 강의 동영상 및 평가문제만으로 강의 컨텐츠를 구성하도록 할 수 있다. 강의 모듈(404)은 강의를 구성하기 위해서 각 학습자의 성취도, 학습 진도 등에 따라 결정되는 메타 데이터를 정의하여 저장할 수도 있다. 강의 모듈(404)은 이렇게 구성된 강의 컨텐츠를 클라이언트들(491-499)에 전송한다. 또한, 강의 모듈(404)은 성취도가 일정 기준 미만인 학습 진도에 대응하는 강의 동영상 및 평가 문제를 결합하여 반복 학습 컨텐츠를 구성하고, 구성된 반복 학습 컨텐츠를 클라이언트(491-499)에 전송하도록 설계될 수 있다.

학습 관리 모듈(405)은 클라이언트들(491-499)로부터 각 평가 문제에 대한 평가 데이터가 입력되면 평가 문제에 대한 문제 해결 시간 및 각 학습자의 반복 학습 횟수에 기반하여 각 학습자에 대한 성취도를 산출한다. 학습 관리 모듈(405)은 산출된 성취도를 포함한 학습 지표 정보를 클라이언트들(491-499)에 전송한다.

학습 관리 모듈(405)은 성취도 산출에 있어서 다음과 같은 방법을 사용할 수 있다. 즉, 학습 관리 모듈(405)은 각 학습자의 반복 학습 횟수에 따른 성취도를 결정한다. 이 경우에, 에빙하우스의 망각 곡선에 따라 미리 정해진 성취도를 부여하되, 상기 문제 해결 시간이 짧을수록 높은 성취도를 부여할 수 있다.

한편, 학습 관리 모듈(405)은 각 학습자가 입력한 평가 데이터를 이용하여 평가 문제의 난이도, 변별도 및 오답의 매력도를 산출할 수도 있다. 이 경우, 강의 모듈(404)은 산출된 변별도가 변별도 기준치 미만이거나 산출된 매력도가 매력도 기준치 미만이면, 해당하는 평가 문제를 평가 문제 데이터베이스(403)에서 삭제할 수도 있다. 당업자의 필요에 따라, 강의 모듈(404)이 산출된 변별도가 변별도 기준치 미만이거나 산출된 매력도가 매력도 기준치 미만이면, 해당하는 평가 문제를 대체할 새로운 평가 문제를 평가 문제 데이터베이스(403)에 저장하도록 할 수도 있다. 또는, 산출된 변별도가 변별도 기준치 미만이거나 산출된 매력도가 매력도 기준치 미만이면, 강의 모듈(404)이 해당하는 평가 문제를 메타데이터 상에서 하위 레벨의 카테고리로 분류하여 초급 학습자나 성취도가 낮은 학습자에게 제공되도록 할 수도 있다.

컨텐츠 중계 서버들(411, 512)은 온라인 교육 관리 장치(400)의 강의 모듈(404)과 연결되고, 강의 모듈(404)에서 구성된 강의 컨텐츠를 클라이언트들(491-499)에 중계한다. 컨텐츠 중계 서버들(411, 512)의 수가 많을 수록 트래픽 관리에 유리하다.

접속 서버(420)는 클라이언트들(491-499)의 접속시에 온라인 교육 관리 장치(400)에 직접 연결되지 않게 하고, 사용자 인증 절차를 거치게 한다. 접속 서버(420)는 클라이언트들(491-499)의 사용자 인증 절차를 수행하고, 인증 결과를 온라인 교육 관리 장치(400)에 전송한다. 접속 서버(420)는 사용자 인증에 실패하는 클라이언트는 온라인 교육 관리 장치(400)에 연결될 수 없도록 차단할 수 있다. 접속 서버(420)는 학부모 또는 학습관리자를 위한 메뉴를 제공하고, 클라이언트가 사용자 인증에 성공하는 경우, 학습자의 수준에 맞게 작성된 학부모 또는 학습관리자를 위한 가이드라인 정보를 제공할 수도 있다.

문항변별도를 계산하기 위해 상하부 지수를 비롯하여 양분상관계수, 사분상관계수, 양류상관계수 등과 같은 상관계수로 추정하는 방법이 활용된다. 상하부 지수를 이용하는 방법은 상위 집단과 하위 집단을 구분하여 변별도 지수를 산출하고 있는데 다소 정확성이 떨어지는 약점을 가지고 있다. 문항변별도 지수를 가장 정확하게 계산하는 방법은 양분상관계수를 산출하는 것이다.

양분상관계수를 이용하는 방법은 문항변별도의 정의에 따라 검사의 총점이 높은 학생은 어떤 문항에서 높은 점수를 보이는 경향이 강하다면, 즉 두 가지 점수간의 상관계수가 높으면 그 문항의 변별도가 높은 것으로 보는 방법으로, 일 예로, 양분상관계수를 측정하여 0.4 이상을 매우 좋은 문항, 0.30~ 0.39 상당히 좋으나 개선될 여지가 있는 문항, 0.2~ 0.29를 약간 좋은 문항으로 개선될 필요가 있는 문항, 0.19 이하를 별로 좋지 않은 문항으로서 버려야 하거나 수정되어야 하는 문항 등과 같은 판단 기준을 제시할 수 있다.

컨텐츠 중계 서버들(411, 512)과 접속 서버(420)는 당업자의 필요에 따라 생략되거나 온라인 교육 관리 장치(400)에 통합된 형태로 구성될 수 있다.

클라이언트들(491-499)은 테스크탑 컴퓨터, 노트북, PDA, 스마트폰 뿐만 아니라, 인터넷 접속이 가능한 멀티미디어 기기 (예를 들어, PMP) 등에 해당될 수 있는 개인용 단말이다. 또한, 클라이언트(491-499)는 IPTV용 셋탑박스나 양방향 서비스가 지원되는 케이블TV(예를 들어, 디지털 케이블)용 셋탑박스일 수도 있다.

이와 같은 시스템을 이용하여 설명 중심의 동영상 강의가 아니라, 문제풀이, 평가 중심의 동영상 강의를 제공할 수 있다.

또한, 개별 강의 내용을 보다 세분화/분절화시키되, 분절화된 단위들은 자체적인 교육 목적이 있도록 구성하며 분절된 단위 별로 이동 및 재사용이 가능하도록 "메타데이타" 화 시킬 수 있다.

도 5의 시스템을 위해 클라이언트들(491-499)에 설치되는 플레이어를 제공할 수도 있다. 이 플레이어는 동영상 강의 중간에 학생들의 학습 참여가 가능한 형태이다. 또한, 도 5의 시스템에서는 학생들의 참여 결과를 데이터베이스화하여 오답노트를 통한 반복학습, 시험 전 오답 노트를 통한 중점 학습이 가능하게 할 수 있다.

더 나아가서 구축된 데이터베이스를 활용하여 학생 개인의 "현재 학습 역량 맵"을 작성할 수 있다. 현재 학습 역량 맵은 평가의 결과를 바탕으로 성취도를 파악하고, 파악된 성취도를 기반으로 각 학습자의 취약 부분 분석 및/또는 중점 강화 부분 분석의 결과를 포함한다. 이런 학습 역량 맵은 학습자 본인에게 전송되어 현재의 자신의 학습 위치를 파악할 수 있게 할 뿐만 아니라 강의 컨텐츠를 재구성하는 데에도 반영되어 취약 부분 또는 중점 강화 부분에 대해 집중적인 반복학습이 이루어지도록 한다.

또한, 구축된 데이터베이스의 데이터 중 "산출량/투입량" 대비 성적 향상에 대한 상관 계수 즉, 수강자 개인별로 온라인 교육이 시험 성적에 미치는 영향에 대한 지수를 산출할 수 있다.

마지막으로, 시험성적 예측 지수를 개발하기 위해 학생이 속한 학교의 기출문제 또는 진학하고자 하는 상급학교의 입학시험의 기출문제를 데이터베이스화할 수도 있다. 동영상 강의 범위에 해당하는 기출문제를 집중 평가하여 평가문제 데이터베이스(403)의 평가 문제와 기출문제 간의 상관계수를 산출할 수 있다. 이러한 상관 계수를 이용하면, 온라인 강의 참여에 따른 해당 시험에 대한 결과 예측치를 제공할 수 있다.

이하에서는 상술한 목표들을 구현하기 위해 필요한 지수 및 지표에 대해 설명한다.

먼저, 학습객체 이론에 입각한 동영상 강의 분절화 지표 (과목별)의 예는 표 2와 같다. 학습 객체는 디지털을 기반으로, 학습 목표에 대한 독립적인 학습이 가능하고 재활용될 수 있도록 메타데이터를 가지고 있는, 최소한의 학습 컨텐츠 단위로 정의된다. 학습 객체의 기본적인 성질은 교수목표와 내용을 가진 독립된 단위로, 필요에 따라 검색이 가능하다는 것이다. 학습 객체들은 컨텐츠의 내용과 형식이 구별되어 관리될 수 있다.

표 2의 지표는 추정치로 제시된 것이며, 개별 강의내용 및 평가문제의 난이도 등에 따라 언제든지 조정될 수 있다. 여기서, "강의", "평가"를 최소 단위의 데이터로 정의한다. 학습 목표에 따라 동일 과목 내의 "강의 + 평가", "강의 + 강의" 또는 "평가 + 평가" 등 학습목표에 따라 자유롭게 결합이 가능하도록 메타데이터 및 강의 모듈(404)을 설계한다.

평가(실전문제)의 경우 각각의 "강의" 내용에 따라 난이도/변별력 등을 고려하여 몇 가지의 문제(예를 들어 난이도 기준으로 상, 상중, 중, 중하, 하 레벨의 문제)를 평가 문제 데이터베이스(403)에 저장한다.

강의 모듈(404)은 준비된 문제 중에서 개별 학습자의 능력에 따라 수준별로 제공되며, 반복학습 횟수에 연동하여 순차적으로 난이도를 높여 문제를 제공한다.

표 3은 상술한 문항분석 이론에 입각한 난이도, 변별도, 오답의 매력도 지표의 예를 나타낸다.

표 4는 평가 문제 해결 시간 분석을 통한 학습능력 지표의 예를 나타낸다.

여기서, "표준능력" 시간은 발생 건수 중 최고 빈도 상위 5 ~ 10개 집단 학습자의 평균값으로 가정한다. "표준능력" 시간은 개별 강의내용 및 평가문제의 난이도 등에 따라 일부 조정될 수 있다. "상위능력", "중하능력" 등에 대한 구간차는 개별 강의 내용 및 평가문제의 변별도에 따라 조정될 수 있다. 모집단의 개체수가 늘어나면 학습 관리 모듈(405)이 검정 절차를 거쳐 위에서 제시한 지수를 지속적으로 조정하도록 할 수 있다.

표 5는 인지적 학습이론에 입각한 반복학습 및 성취도 지표 간의 관계 예를 나타낸다.

표 5에서 1회 학습을 통과한 경우 에빙하우스의 망각곡선에 의하여 30%의 교육목표를 달성하였다고 가정하고, 3회 반복 시 학습목표를 95% 달성하였다고 가정한다. 학습자가 동일 과정을 시험응시일 이내에 반복할 경우, 회차별 최고의 성취율을 적용할 수 있다. 위에서 제시한 회차별 "성취율"은 추정치로 제시된 것이며, 모집단에 대한 검정 절차를 거쳐 지속적으로 보완, 수정될 수 있다. 성취도가 95%인 경우라도 시험 응시일이 2일 이상 남았을 경우 에빙하우스의 망각이론에 따라 1일당 일정량의 학습목표치가 감소한다고 가정한다. 정확한 감소치는 모집단의 검정 절차를 거쳐 수치를 산출하여 적용한다.

표 6은 교육부의 학습 능력 측정 항목마다 순위척도 지표 (과목별)를 나타낸 것이다.

과 목	행 동 영 역
국 어	사실 > 추론 > 비판 > 창의 > 어법
국 어	5 4 3 2 1
영 어	듣기 > 말하기 > 읽기 > 쓰기
영 어	4 3 2 1
수 학	계산 > 이해 > 추론 > 문제해결
수 학	4 3 2 1
사 회	기초지식 > 고차사고 > 문제해결
사 회	3 2 1
과 학	개념이해 > 개념적용 > 탐구사고 > 통합교과
과 학	4 3 2 1

다음은 성취도를 이용하여 예상 점수와 상관 계수를 산출하는 방법에 대해 설명한다. 수학식 3은 성취도에 따른 실제시험 예상점수 및 상관계수를 구하는 식을 나타낸다.

P_A = (100x성취도x(난이도_기출문제 / 난이도_평가문제) + 100x성취도x범위적중률) / 2

T = P_B / P_A

여기서, P_A는 예상점수, P_B는 실제 시험점수, T는 상관계수를 나타낸다. 범위 적중률은 평가문제로 제시된 문항이 실제 시험 문제의 범위를 포함하고 있는지와 실제 시험 문제를 해결할 수 있는 역량 학습이 가능한지에 대한 지표이다.

상관계수가 1 미만이면 평가문제의 난이도를 높이거나 평가 문항의 범위를 넓히는 방향으로 평가 문제 데이터베이스(403)의 문제 풀을 조정하고, 상관계수가 1 이상이면 현재의 난이도와 범위를 유지한다.

이러한 지표는 성취도가 실제 시험에 미치는 영향을 세부적으로 분석한 것이므로, 학습자 본인은 물론 가까운 거리에서 학습지도를 담당하는 부모 또는 학습관리자의 학습 지도에 매우 유용한 자료로 활용될 수 있다. 학부모나 교사는 막연한 학습 지도가 아니라 "어떤 과목, 어떤 단원을 몇 % 공부하면 얼마의 점수가 오를 것"이라는 구체적인 목표치를 제시할 수 있다.

도 5는 본 발명의 일 실시 예에 따른 온라인 학습 평가 방법의 흐름도이다.

먼저, 학습자의 클라이언트로부터 강의 요청이 수신되면, 온라인 교육 관리 장치가 분절된 강의 동영상 및 평가문제를 각각의 데이터베이스로부터 독출하여 강의 컨텐츠를 구성한다(S510). 보다 구체적으로, 강의 컨텐츠는 미리 정의되는 메타 데이터에 따라 구성된다.

다음, 온라인 교육 관리 장치가 강의 컨텐츠를 클라이언트에 전송하고, 클라이언트로부터 평가 문제에 대한 평가 데이터를 입력 받는다(S520).

다음, 평가 문제에 대한 문제 해결 시간 및 반복 학습 횟수에 기반하여 성취도를 산출한다(S530). 온라인 교육 관리 장치는 산출된 성취도를 포함한 학습 지표 정보를 클라이언트에 전송한다. 경우에 따라, 온라인 교육 관리 장치는 현재 학습자의 예상 점수를 산출할 수도 있다(S540).

성취도 및/또는 예상 점수의 산출이 완료되면, 현재 학습자의 성취도나 예상 점수가 목표에 도달하였는지 판단한다(S550).

목표에 도달하지 않았다면, 학습자의 성취도에 따라 강의 구성을 변경(S560)한 후 강의를 구성하는 과정(S510)부터 다시 반복한다. 이 과정에서 강의 컨텐츠를 구성하는 방식에 대한 메타 데이터도 변경될 수 있다.

특히, 학습자의 성취도가 일정 기준 미만인 학습 진도에 대응하는 강의 동영상 및 평가 문제를 이용하여 새로운 강의 컨텐츠 즉, 반복 학습 컨텐츠를 구성할 수 있다. 이렇게 구성된 반복 학습 컨텐츠를 상기 클라이언트에 전송하여 학습자가 취약한 부분에 대한 반복 학습을 유도할 수 있다.

한편, 평가 데이터를 이용하여 평가 문제에 대한 문항 분석, 예상 점수와 실제 점수 간의 상관 계수 등을 산출하는 과정도 병행할 수 있다(S570). 이 경우,, 문항 분석 결과(난이도, 변별도, 매력도 등)에 따라 평가 문제 데이터베이스의 문제를 갱신한다. 이 과정(S570)에서, 강의 컨텐츠를 구성하는 방식에 대한 메타 데이터도 문항 분석 결과(난이도, 변별도, 매력도 등)에 따라 변경할 수 있다.

마지막으로, 현재 학습자가 목표에 도달하였다면(S550), 절차를 종료한다. 다만, 학습자의 목표치가 도달하였더라도 시험 응시일이 2일 이상 남았을 경우 에빙하우스의 망각이론에 따라 1일당 일정량의 학습목표치가 감소한다고 가정한다. 정확한 감소치는 모집단의 검정 절차를 거쳐 수치를 산출하여 적용한다.

도 6은 본 발명의 다른 실시 예에 따른 온라인 학습 평가 방법의 흐름도이다.

본 발명의 다른 실시 예는 강의 컨텐츠를 구성하는 과정에서 클라이언트로부 터 학습자의 목표 점수 또는 목표 학교를 입력 받는다. 이 경우, 온라인 교육 관리 장치는 입력된 목표 점수나 목표 학교에 대응하는 강의 동영상 및 평가문제를 결합하여 강의 컨텐츠를 구성할 수 있다. 이후, 학습자의 학습 사이클이 진행됨에 따라 학습자의 성취도나 예상점수가 목표 점수에 어느 정도 도달했는지, 목표 학교의 입학 허용 기준에 어느 정도 도달했는지에 대한 결과 보고를 클라이언트에 주기적으로 전송할 수도 있다.

특히, 학습자의 목표 학교를 입력받는 경우, 목표 학교의 진학을 위해 필요한 교과의 성취도, 학습자의 현재 성취도를 산출하고, 필요한 교과의 성취도 대비 모자라는 성취도를 중심으로 학습 컨텐츠를 구성할 수 있다. 이때, 학습자의 해당 학년, 목표 학교의 입학 시험 응시까지의 남은 기간 등을 고려하여 월별/주별/일별 과제나 진도표를 생성하는 과정을 더 포함할 수 있다. 즉, 학습자의 현재 수준에서 목표 학교 입학에 최적화된 과정에 따라 학습 컨텐츠를 연속적으로 생성할 수 있다. 이 경우의 학습 컨텐츠는 분절된 다수의 강의 동영상과 다수의 평가 문제를 조합하는 방식으로 구성된다. 이러한 조합에는 메타데이터가 사용된다.

이하에서는 상술한 각 지표에 대한 검정 및 지표 개선을 위한 피드백 방법을 설명한다.

표 2의 학습객체 이론에 입각한 동영상 강의 분절화 지표 (과목별)는 강의 내용의 전후 연결, 학습자의 몰입도 유지에 대한 생리적 현상 등을 고려한 분절화의 기준으로 사용된다. 당업자의 필요에 따라 학습자의 수준에 따라 분절화의 지표를 변경할 수 있다.

표 3의 문항분석 이론에 입각한 난이도, 변별도, 오답의 매력도 지표에 대한 검정 및 피드백 방법은 다음과 같다.

먼저, 난이도에 대해서는, 학습자의 다양한 수준에 맞는 평가문제 적용을 위해 난이도 상, 중, 하 레벨의 평가문제를 모두 유지하는 것이 바람직하다. 그러나, 변별도나 매력도에 대해서는, 모집단 증가에 따라 변별도가 미리 정의된 변별도 기준치 미만이거나 매력도가 미리 정의된 매력도 기준치 미만인 경우에는 평가 문제 풀에서 해당 평가 문제를 삭제하거나 배제한다.

표 4의 평가 문제 해결 시간 분석을 통한 학습능력 지표를 위한 표준능력 값은 수학식 4를 이용하여 구할 수 있다.

표준능력 = { N₁ x (N₁ 문제해결시간) + ...... + N₁₀ x (N₁₀ 문제해결시간) } / (N₁ + N₂ + ... + N₉ + N₁₀)

여기서, N₁은 최고 빈도를 나타낸 개체 수, N₂는 두 번째 많은 빈도를 나타낸 개체 수, ...... , N₁₀은 열 번째 많은 빈도를 나타낸 개체 수이다. N₁ ~ N₅는 반드시 모집단으로 포함되도록 하며, N₆ ~ N₁₀의 포함 여부는 개별 과목의 특성 및 문제의 난이도 등을 고려하여 지표의 정확성을 향상시키는지 여하에 따라 포함 여부를 결정할 수 있다.

표 4의 평가 문제 해결 시간 분석을 통한 학습능력 지표를 위한 중하능력은 표준능력 기준 시간을 초과하였으나, 표준능력의 20% 이내의 시간 범위 내에서 문제를 해결한 경우에 해당하는 것으로 가정한다. 위에서 제시된 비율 20%는 모집단의 검정 절차 및 학습 목표에 따라 수정될 수 있다.

다음, 하위능력은 중하능력 기준 시간을 초과하였으나, 표준능력의 40% 이내의 시간 범위 내에서 문제를 해결한 경우에 해당하는 것으로 가정한다. 위에서 제시된 비율 20%는 모집단의 검정 절차 및 학습 목표에 따라 수정될 수 있다.

바람직하게는, 학습자가 클라이언트를 통해 표준능력 시간의 60% 이내에서 문제를 해결한 경우, 우연히 문제를 해결하였는지에 대한 확인을 위해 온라인 교육 관리 장치는 유사한 평가문제 1개를 추가로 클라이언트에게 제시할 수 있다.

또한, 학습자가 표준시간을 준수하여 문제를 해결하였더라도, 종합 문제를 미해결하였다면 이미 해결한 문제를 미해결 문제로 재분류할 수 있다. 학습자가 기존 평가문제를 우연히 맞춘 것으로 판단되기 때문이다.

이상의 학습 능력을 고려하여 학습자의 성취도를 결정하는 절차의 예는 도 7에 도시되어 있다.

먼저, 학습자가 평가 문제를 해결하지 못한 경우(S731), 현재 반복 학습 횟수에 인정되는 성취도의 30%를 인정한다(S732).

반면, 학습자가 평가 문제를 해결한 경우(S731), 평가 문제의 정답을 맞췄는지를 판단한다(S733). 평가 문제의 정답을 맞추지 못했다면, 현재 반복 학습 횟수에 인정되는 성취도의 50%를 인정한다(S734).

평가 문제의 정답을 맞추었다면, 학습자가 표준능력에 대한 시간을 준수하 였는지 판단한다(S735). 학습자가 표준능력에 대한 시간을 준수하지 못하였다면, 중하능력의 시간을 준수하였는지 판단한다(S736). 중하능력의 시간을 준수하지 못하였다면, 현재 반복 학습 횟수에 인정되는 성취도의 70%를 인정한다(S737). 반면, 중하능력의 시간을 준수하였다면, 현재 반복 학습 횟수에 인정되는 성취도의 80%를 인정한다(S739).

한편, 학습자가 표준능력에 대한 시간을 준수하였다면, 현재 반복 학습 횟수에 인정되는 성취도의 100%를 인정한다(S738).

다음으로, 표 5의 인지적 학습이론에 입각한 반복학습 및 성취도 지표에 대한 검정 및 피드백을 설명한다.

1회차 학습의 성취도는 에빙하우스의 망각 곡선 지표를 적용한다. 이 경우, 약 30% 학습 내용이 장기 기억에 보관된다. 2회차 및 3회차 학습 성취도 지표는 관련 데이터베이스 축적에 따른 추정치로 결정될 수 있다. 2회차 및 3회차 학습 성취도 지표의 경우에는 모집단 개체수를 증가시키고 해당 정보를 활용한 검정 절차를 거쳐 지속적으로 지표에 대한 정확성을 제고할 수 있다. 예를 들어, 1회차 ~ 3회차의 학습 과정을 이수한 학습자의 실제 성취도가 95% 이상 인지에 대한 검정 절차를 거쳐 성취도를 부여하기 위한 파라미터에 반영할 수 있다. 만약 다수의 학습자가 3회의 학습과정을 거쳤음에도 성취도가 95%에 미달 하였을 경우, 강의 내용 및 평가 문제를 갱신한다.

다음으로, 학습 능력 측정 항목마다의 순위척도 지표 (과목별)에 대한 검정 및 피드백 방법을 설명한다.

단일 교과 + 단일 학습 능력 측정의 경우에는 학습 능력에 점수 "1" 부여한다. 단일 교과 + 복수 학습 능력 측정의 경우에는 학습 능력별로 우선 순위를 두어 1순위 학습 능력에 대해서는 점수 "1", 2순위 학습 능력에는 "2", 3순위 학습 능력에는 "3"을 부여한다. 통합 교과 + 단일 학습 능력 측정의 경우에는 교과 내용 중 우선적인 학습 목표를 가진 교과 내용에 대하여 점수 "1" 부여하고 차기 목표 과정에 대한 내용에는 점수 "2" 부여한다. 통합 교과 + 복수 학습 능력 측정의 경우에는 교과 내용에 대한 우선 순위별로 위에서 제시한 기준에 따라 점수를 부여하고, 학습 능력별 점수 부여도 마찬가지로 적용한다.

마지막으로, 성취도 및 예상 점수 지표에 대한 검정 및 피드백 방법을 설명한다. "난이도_기출문제"는 관리자에 의해 온라인 교육 관리 장치에 입력되는 값으로, 각 학교의 기출문제에 대해 임의로 평가된 것이다. "난이도_평가문제"는 온라인 교육 관리 장치에서 문항분석을 통해 구해지는 값으로, 학습자 증가에 따라 모집단 규모가 확대되므로, 지표의 정확성이 제고될 수 있다. 결론적으로, "난이도_기출문제"/ "난이도_평가문제"= 1 에 수렴되도록 "난이도_기출문제"의 값을 지속적으로 수정, 보완하여 신뢰성을 향상시킨다.

본 발명의 일 실시 예에 따른 온라인 학습 평가 시스템에 전용의 플레이어 소프트웨어를 적용할 수 있다.

도 8은 이러한 플레이어 소프트웨어의 화면 예를 도시한 것이다.

이러한 소프트웨어에서는 동영상 강의 중간 중간에 학습자가 "평가문제"를 풀게 하며, 해당 평가 결과에 따라 학습자의 참여 정도 및 진도에 대한 학습 능력 등을 평가할 수 있다. 플레이어 개발이 어려운 경우에는 "평가 문제"를 화면에 팝업(pop-up)시키는 형식으로 컨텐츠의 결합을 시도할 수도 있다.

도 9는 분절된 동영상 강의, 예제 및 평가 문제를 결합하여 강의 컨텐츠를 구성하는 예를 도시한 것이다.

강의 컨텐츠는 위와 같이 "강의 + 예제" 파일과 "평가문제" 파일로 분절화시킨다. 분절화된 각각의 파일에는 메타데이타를 위한 코드를 부여할 수 있다.

표 7은 이러한 코드 부여의 예를 나타낸다.

과 목	학 기	단 원	예제난이도	학습능력1	학습능력2	학습능력3
A B C D E	1 2 3 4 5 6	1 2 3 4 5 6 7 8	1 2 3 4 5	A1 ~ A5 B1 ~ B4 C1 ~ C4 D1 ~ D3 E1 ~ E4	A1 ~ A5 B1 ~ B4 C1 ~ C4 D1 ~ D3 E1 ~ E4	A1 ~ A5 B1 ~ B4 C1 ~ C4 D1 ~ D3 E1 ~ E4

표 7에서, 과목에서 A는 국어, B는 영어, C는 수학, D는 사회, E는 과학 등을 나타낸다. 학기와 관련하여, 1은 중 1년 1학기, 2는 중 1년 2학기, 3은 중 2년 1학기, 4는 중 2년 2학기, 5는 중 3년 1학기, 6은 중 3년 2학기를 의미한다. 표 7에서 단원은 1학기의 전 과정을 8로 설정하되, 중간 고사는 1 ~ 4단원까지 지정하고 기말고사를 5 ~ 8단원으로 분류하여 코드를 부여하였다. 난이도에서 상에는 1, 상중에는 2, 중에는 3, 중하에는 4, 하에는 5를 부여한 것이다. 학습능력에서 각 과목별 필요한 학습능력 중 해당 단원 또는 평가문제에서 요구하는 학습능력을 순위를 두어 나열하였다.

이하에서는 본 발명의 일 실시 예에 따른 온라인 학습 평가 시스템에서 학습 지표를 클라이언트에 표시하는 예를 설명한다.

표 8은 중 2년 2학기 수학 과목의 중간고사를 위한 단기 성취도를 나타낸다.

구 분	경우의수	확률	명제	삼각형의성질
목표성취도	95%	95%	95%	95%
현재성취도	66%	72%	85%	91%

목표성취도는 3회 반복 학습 완료시 성취도 95%를 달성하였다고 가정한다. 현재성취도는 반복 학습 횟수, 평가문제 해결 시간, 평가문제 정답 여부에 대한 가중치를 적용하여 산정할 수 있다.

도 10은 표 8의 내용을 그래프로 도시한 것이다. 이러한 그래프는 클라이언트의 화면에 표시될 수 있다.

표 9는 특정 학습자의 전체 과목에 대한 성취도를 표시한 예이다.

구 분	국어	영어	수학	사회	과학
목표성취도	95%	95%	95%	95%	95%
현재성취도	85%	62%	91%	78%	55%

도 11은 표 9의 내용을 그래프로 도시한 것이다.

표 10은 국어 과목에서 특정 학습자의 학습 능력별 역량 맵을 표시한 예이다.

구 분	사실	추론	비판	창의	어법
목표성취도	95%	95%	95%	95%	95%
현재성취도	60%	85%	88%	60%	85%

현재 성취도를 산출하기 위해, 1개의 문제에서 최대 2개 이내의 학습 능력만을 측정한다고 가정한다. 첫 번째 중요한 측정 능력에 70% 배점, 두 번째 중요한 측정 능력에 30% 배점을 가정하되, 모집단의 검정 절차 및 학습 목표에 따라 배점 기준은 변할 수 있다.

도 12는 표 10의 내용을 그래프로 도시한 것이다.

표 11은 수학 과목에서 학기별 학습 역량 맵의 예를 나타낸 것이다.

구 분	1-1학기	1-2학기	2-1학기	2-2학기	3-1학기	3-2학기
목표성취도	95%	95%	95%	95%	95%	95%
현재성취도	85%	65%	90%	65%	80%	65%

도 13은 표 11의 내용을 그래프로 도시한 것이다.

표 12는 전체 과목에 대해 학기별 학습 역량 맵의 예를 나타낸 것이다.

현재 성취도를 산출하기 위해, 각 과목의 학기별 학습역량 맵을 누적하여 산출한다. 도 14는 표 12의 내용을 그래프로 도시한 것이다.

표 13은 난이도별 학습 역량 맵을 나타낸 것이다.

구 분	상	상중	중	중하	하
목표성취도	95%	95%	95%	95%	95%
현재성취도	40%	60%	75%	80%	90%

도 15는 표 13의 내용을 그래프로 도시한 것이다.

표 14는 특정 학습자에 대해 성취도, 난이도, 범위율, 예상 점수 등을 종합적으로 표시한 것이다.

구 분	국어	영어	수학	중하	하
현재성취도	85%	85%	90%	70%	60%
난이도지수	1.20	0.90	0.85	1.00	0.95
범위율지수	1.00	0.95	0.90	0.95	0.90
예상 점수	94	79	79	68	56

도 16은 표 14의 예상 점수를 그래프로 도시한 것이다.

본 발명은 소프트웨어를 통해 실행될 수 있다. 바람직하게는, 본 발명의 일 실시 예에 따른 온라인 학습 평가 방법을 컴퓨터에서 실행시키기 위한 프로그램을 컴퓨터로 읽을 수 있는 기록매체에 기록하여 제공할 수 있다. 소프트웨어로 실행될 때, 본 발명의 구성 수단들은 필요한 작업을 실행하는 코드 세그먼트들이다. 프로그램 또는 코드 세그먼트들은 프로세서 판독 가능 매체에 저장되거나 전송 매체 또는 통신망에서 반송파와 결합된 컴퓨터 데이터 신호에 의하여 전송될 수 있다.

컴퓨터가 읽을 수 있는 기록매체는 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록 장치를 포함한다. 컴퓨터가 읽을 수 있는 기록 장치의 예로는 ROM, RAM, CD-ROM, DVD±ROM, DVD-RAM, 자기 테이프, 플로피 디스크, 하드 디스크(hard disk), 광데이터 저장장치 등이 있다. 또한, 컴퓨터가 읽을 수 있는 기록매체는 네트워크로 연결된 컴퓨터 장치에 분산되어 분산방식으로 컴퓨터가 읽을 수 있는 코드가 저장되고 실행될 수 있다.

본 발명은 도면에 도시된 일 실시 예를 참고로 하여 설명하였으나 이는 예시적인 것에 불과하며 당해 분야에서 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 실시 예의 변형이 가능하다는 점을 이해할 것이다. 그리고, 이와 같은 변형은 본 발명의 기술적 보호범위 내에 있다고 보아야 한다. 따라서, 본 발명의 진정한 기술적 보호범위는 첨부된 특허청구범위의 기술적 사상에 의해서 정해져야 할 것이다.

본 발명은 평가 중심의 동영상 강의를 제공하여 다각적인 학습 관리와 학습 지도가 용이한 방법 및 장치에 관한 것으로, 온라인을 기반으로 한 학습 관리 서버나 그 부속 장치 또는 여기에 설치되는 소프트웨어에 적용될 수 있다.

도 1은 현재 진행되고 있는 학습 모형을 도시한 것이다.

도 2는 LCMS의 4가지 구성 요소를 도시한 것이다.

도 3은 에빙하우스가 제안한 망각 곡선을 도시한 것이다.

도 7은 학습 능력을 고려하여 성취도를 학습자의 성취도를 결정하는 절차의 예를 도시한 것이다.

도 8은 본 발명에 적용될 수 있는 플레이어 소프트웨어의 화면 예를 도시한 것이다.

도 10은 중 2년 2학기 수학 과목의 중간고사를 위한 단기 성취도 예를 나타낸다.

도 11은 특정 학습자의 전체 과목에 대한 성취도를 표시한 예이다.

도 12는 국어 과목에서 특정 학습자의 학습 능력별 역량 맵을 표시한 예이다.

도 13은 수학 과목에서 학기별 학습 역량 맵의 예를 나타낸 것이다.

도 14는 전체 과목에 대해 학기별 학습 역량 맵의 예를 나타낸 것이다.

도 15는 난이도별 학습 역량 맵을 나타낸 것이다.

도 16은 특정 학습자의 예상 점수를 그래프로 도시한 것이다.

Claims

클라이언트의 강의 요청이 수신되면, 온라인 교육 관리 장치가 학습 진도별로 분절된 강의 동영상 및 평가문제를 데이터베이스로부터 독출하고, 상기 독출된 강의 동영상 및 평가문제를 결합하여 평가문제 중심의 강의 컨텐츠를 구성하는 단계;

상기 온라인 교육 관리 장치가 상기 구성된 강의 컨텐츠를 상기 클라이언트에 전송하는 단계;

상기 클라이언트로부터 평가 문제에 대한 평가 데이터가 입력되면, 상기 평가 문제에 대한 문제 해결 시간 및 반복 학습 횟수에 기반하여 성취도를 산출하는 단계;

상기 성취도를 포함한 학습 지표 정보를 상기 클라이언트에 전송하는 단계;

상기 성취도가 일정 기준 미만인 학습 진도에 대응하는 강의 동영상 및 평가 문제를 이용하여 반복 학습 컨텐츠를 구성하는 단계; 및

상기 구성된 반복 학습 컨텐츠를 상기 클라이언트에 전송하는 단계

를 포함하는, 온라인 학습 평가 방법.
제1항에 있어서,

상기 강의 컨텐츠를 구성하는 단계는,

상기 클라이언트로부터 학습자의 목표 점수 또는 목표 학교 중 적어도 하나 를 입력받는 단계; 및

상기 목표 점수 또는 목표 학교에 대응하는 강의 동영상 및 평가문제를 결합하여 강의 컨텐츠를 구성하는 단계를 포함하는 것을 특징으로 하는, 온라인 학습 평가 방법.
제1항에 있어서,

상기 성취도를 산출하는 단계는,

상기 반복 학습 횟수에 따라 에빙하우스의 망각 곡선에 따라 미리 정해진 성취도를 부여하되, 상기 문제 해결 시간이 짧을수록 높은 성취도를 부여하는 단계를 포함하는 것을 특징으로 하는, 온라인 학습 평가 방법.
제1항에 있어서,

상기 온라인 교육 관리 장치가 상기 평가 데이터를 이용하여 상기 평가 문제의 난이도, 변별도 및 오답의 매력도를 산출하는 단계를 더 포함하는 것을 특징으로 하는, 온라인 학습 평가 방법.
제4항에 있어서,

상기 산출된 난이도 및 상기 성취도를 이용하여 현재 학습자의 실제시험 예상 점수를 추정하는 단계; 및

상기 추정된 예상 점수를 상기 클라이언트에 전송하는 단계를 더 포함하는 것을 특징으로 하는, 온라인 학습 평가 방법.
제5항에 있어서,

상기 클라이언트로부터 실제 시험 점수를 입력받는 단계; 및

상기 실제 시험 점수와 상기 추정된 예상 점수를 이용하여 상기 평가 문제의 상관계수를 산출하는 단계를 더 포함하는 것을 특징으로 하는, 온라인 학습 평가 방법.
제4항에 있어서,

상기 변별도가 변별도 기준치 미만이거나 상기 매력도가 매력도 기준치 미만인 경우, 상기 온라인 교육 관리 장치가 해당하는 평가 문제를 상기 데이터베이스에서 삭제하는 단계를 더 포함하는 것을 특징으로 하는, 온라인 학습 평가 방법.
클라이언트의 강의 요청이 수신되면, 온라인 교육 관리 장치가 학습 진도별로 분절된 강의 동영상 및 평가문제를 데이터베이스로부터 독출하고, 상기 독출된 강의 동영상 및 평가문제를 결합하여 평가문제 중심의 강의 컨텐츠를 구성하고, 구성된 강의 컨텐츠에 대한 메타데이터를 생성하는 단계;

상기 온라인 교육 관리 장치가 상기 구성된 강의 컨텐츠를 상기 클라이언트에 전송하고, 상기 강의 컨텐츠에 대한 메타 데이터와 연동된 플레이어로 상기 강의 컨텐츠를 재생하는 단계;

상기 클라이언트로부터 평가 문제에 대한 평가 데이터가 입력되면, 상기 평가 문제에 대한 문제 해결 시간 및 반복 학습 횟수에 기반하여 성취도를 산출하는 단계;

상기 성취도를 포함한 학습 지표 정보를 상기 클라이언트에 전송하는 단계;

상기 성취도가 일정 기준 미만인 학습 진도에 대응하는 강의 동영상 및 평가 문제를 이용하여 반복 학습 컨텐츠를 구성하고, 구성된 반복 학습 컨텐츠에 대한 메타데이터를 생성하는 단계; 및

상기 구성된 반복 학습 컨텐츠를 상기 클라이언트에 전송하고, 상기 반복 학습 컨텐츠에 대한 메타 데이터와 연동된 플레이어로 상기 반복 학습 컨텐츠를 재생하는 단계

를 포함하는, 온라인 학습 평가 방법.
제1항 내지 제8항 중 어느 한 항의 방법을 컴퓨터 시스템에서 실행하기 위한 프로그램이 기록된, 컴퓨터 시스템이 판독할 수 있는 기록매체.
학습 진도별로 분절된 강의 동영상을 저장하는 분절된 강의 데이터베이스;

학습 진도별로 평가문제를 저장하는 평가문제 데이터베이스; 및

상기 분절된 강의 데이터베이스 및 상기 평가문제 데이터베이스의 데이터를 독출하거나 갱신하고, 클라이언트와 인터넷으로 연결되는 온라인 교육 관리 장치를 포함하고,

상기 온라인 교육 관리 장치는,

상기 클라이언트의 강의 요청이 수신되면 상기 분절된 강의 동영상, 상기 평가문제를 결합하여 평가문제 중심의 강의 컨텐츠를 구성하고 상기 구성된 강의 컨텐츠를 상기 클라이언트에 전송하고, 상기 성취도가 일정 기준 미만인 학습 진도에 대응하는 강의 동영상 및 평가 문제를 이용하여 반복 학습 컨텐츠를 구성하고 구성된 반복 학습 컨텐츠를 상기 클라이언트에 전송하는 강의 모듈; 및

상기 클라이언트로부터 평가 문제에 대한 평가 데이터가 입력되면 상기 평가 문제에 대한 문제 해결 시간 및 반복 학습 횟수에 기반하여 성취도를 산출하고, 상기 성취도를 포함한 학습 지표 정보를 상기 클라이언트에 전송하는 학습 관리 모듈을 포함하는, 온라인 학습 평가 시스템.
제10항에 있어서,

상기 학습 관리 모듈은,

상기 반복 학습 횟수에 따라 에빙하우스의 망각 곡선에 따라 미리 정해진 성취도를 부여하되, 상기 문제 해결 시간이 짧을수록 높은 성취도를 부여하는 것을 특징으로 하는, 온라인 학습 평가 시스템.
제10항에 있어서,

상기 학습 관리 모듈은,

상기 평가 데이터를 이용하여 상기 평가 문제의 난이도, 변별도 및 오답의 매력도를 산출하는 것을 특징으로 하는, 온라인 학습 평가 시스템.
제12항에 있어서,

상기 강의 모듈은,

상기 변별도가 변별도 기준치 미만이거나 상기 매력도가 매력도 기준치 미만인 경우, 해당하는 평가 문제를 상기 평가 문제 데이터베이스에서 삭제하는 것을 특징으로 하는, 온라인 학습 평가 시스템.
제10항에 있어서,

상기 강의 모듈은,

상기 평가문제 중심의 강의 컨텐츠 및 상기 반복 학습 컨텐츠에 대한 메타데이터를 생성하고,

상기 메타 데이터와 연동되어 상기 평가문제 중심의 강의 컨텐츠 및 상기 반복 학습 컨텐츠를 재생하는 플레이어를 더 포함하는 것을 특징으로 하는, 온라인 학습 평가 시스템.