KR20110019277A - 지능적 학습 컨텐츠 제공을 위한 u-러닝 시스템과 방법 - Google Patents

Abstract

본 발명은 유비쿼터스 러닝 서비스에 있어서, 개인화된 러닝 컨텐츠 제공 및 학습자의 학습 능력을 판단하고, 수준에 맞는 서비스를 제공해주기 위한 u-러닝 시스템에 관한 것이다.

본 발명에 따르면, 유비쿼터스 환경에 적합한 적응적 u-러닝 시스템을 설계하고 구현하는 것을 목적으로 하고 있으며, 이는 u-러닝에서 반드시 요구되어야 하는 학습자의 수준을 정확히 파악하고, 학습자의 환경에 구애받지 않고 수준 및 환경에 적응적으로 학습 컨텐츠를 제공하고, 온톨로지 모델링을 이용하여 학습자의 프로파일 및 학습 컨텐츠를 모델링하고, 모델링한 데이터들을 이용하여 온톨로지 추론 엔진을 통하여 학습자의 수준 판단과 학습 Sequencing, 학습 디바이스에 적응적 컨텐츠 제공을 추론 규칙을 정의함으로써 제공이 가능해 진다.

u-러닝 시스템, 유비쿼터스 러닝, 온톨로지, 온톨로지 추론

Description

지능적 학습 컨텐츠 제공을 위한 U-러닝 시스템과 방법{ U-LEARNING SYSTEM AND METHOD FOR INTELLIGENT PROVIDING LEARNING CONTENTS }

본 발명은 유비쿼터스 러닝 시스템에 있어서 다양한 러닝 컨텐츠에 기반한 사용자의 개인적인 성향과 학습 수준을 분석하고 사용자의 특성 데이터나 프로파일, 사용자와 서비스 간의 관례와 같은 정보에 기반하여 컨텐츠를 제공하기 위한 분야이다.

유비쿼터스 컴퓨팅(ubiquitous computing)이라는 용어는 1988년 미국 제록스 PARC 연구소의 Mark Weiser가 처음으로 사용하면서 등장하게 되었다. 유비쿼터스 컴퓨팅은 눈에 보이지 않는 컴퓨터가 상황 공간 도처에 편재되어 있어 필요시 쉽게 서비스를 제공받을 수 있는 조용한 컴퓨팅(calm computing)이다. 따라서 유비쿼터스 컴퓨팅 기술을 교육 분야에 적용한다면 교육 장소나 시간, 물리적인 교육 디바이스에 구애받지 않고, 누구나 편리하게 지식이나 학습하고자 하는 정보에 접근할 수 있는, 온라인과 오프라인의 통합적인 교육 환경을 제공할 수 있을 것이다[21].

u-러닝은 유비쿼터스 러닝(ubiquitous learning)의 약자로 개방적 학습자원을 학습자의 필요에 의해 따른 선택에 의해 활용하는 통합적 학습체제를 의미한다. 이는 앞서 말한 유비쿼터스 컴퓨팅의 맥락에서 볼 때, 사용자, 즉 학습자가 시간과 장소, 물리적인 매체에 구애받지 않고 학습 자원을 이용하여 학습을 할 수 있어야 한다는 의미이다. u-러닝의 특징은 다음과 같이 정의할 수 있다.

첫째, 언제 어디에서나 내용에 상관없이 어떤 단말기로도 학습할 수 있는 교육환경을 조성해줌으로써, 보다 창의적이고 개인화된 학습자 중심의 교육과정을 실현하는 것이다. 둘째,교육환경은 획일적이거나 강제적이지 않기 때문에 학생들은 자신에게 필요한 학습목표를 스스로 설정하고 자신의 학습목표에 적합한 학습자원을 스스로 찾는 능력을 배양하면서 각자의 개별화된 욕구에 따라 학습할 수 있다. 셋째, 사용하는 컴퓨터는 책상에 고정되어 있지 않고 인터페이스나 휴대도 편리하다. 이를 통해 학습자와 친밀한 상호작용을 돕는 학습에이전트(learning agent) 역할을 수행한다. 넷째, 학교와 교실에 제한되지 않고 다면적인 학습공간을 제공한다. 모든 실제 세계의 공간이 학습 공간이 된다. 센서나 칩 형태의 컴퓨터를 심은 지능화된 사물도 학습에 도움을 줄 수 있으며, 학생들은 휴대하고 있는 학습 단말기나 전자기기를 통해서도 학습정보를 제공받는다. 다섯째, 상호작용을 통한 교수-학습 흐름이 가능한 유비쿼터스 행정시스템을 제공한다. 학습자, 교수자, 행정담당자, 학부모, 지역사회 구성원 등이 동참하고 의사소통할 수 있는 공동체 기반의 기술, 사회 환경을 제공한다.여섯째, 심체의 통합학습을 제공하여 가치교육과 감성교육을 원활히 제공한다.

온톨로지는 사람들의 사문에 대해 생각하는 바를 추상화하고 공유된 모델로, 정형화되어 있고 개념의 타입이나 사용상의 제약 조건들이 명시적으로 정의된 기술 을 말한다. 온톨로지에 대해 일반적으로 사용되는 정의는 어떤 관심 분야를 개념화하기 위해 명시적으로 정형화한 명세서(An Ontology is an explicit and formal specification of conceptualisation of a domain of interest)이다. 이는 온톨로지는 일단 합의된 지식을 나타내므로 개개인에 국한되지 않고 관련된 모든 구성원들의 동의에 의해 수용되는 개념과 개념들 간의 관계를 공유하는 것뿐만 아니라 여러 가지 정형화를 통하여 컴퓨터가 이해하고 처리할 수 있는 형태로 표현하여 나타낸 용어들의 논리적 집합이다. 그러나 온톨로지는 단순히 특정 분야를 표현하는 개념들의 의미만을 정의한 것은 아니다. 각 개념이 지닌 고유한 속성, 개념들 간의 관계 및 이들 사이의 제약 조건, 지식 추론을 위한 공리 규칙과 각 개념의 인스턴스를 총체적으로 정의함으로써 그 분야의 지식체계를 컴퓨터가 이해하고 이해하여 처리할 수 있도록 형식화한 표준 명세서인 것이다. 이는 온톨로지의 궁극적인 목적이 컴퓨터가 해석, 이해, 처리할 수 있는 특정 영역의 지식체계를 모델링하는 것이라고 할 수 있다.

온톨로지 모델링이란 특정 도메인에서 사용되는 어휘들과 어휘들 간 정의하는 것으로 설명할 수 있다. 이는 정보의 구조화가 용이하고 상호 관계성 및 부분적인 정보 표현이 용이하고 유비쿼터스 환경에서 컨텍스트 정보를 공유하고 재사용할 수 있다. OWL 온톨로지 추론은 OWL 온톨로지에 의해 서술논리로 정의된 표현들을 이용한다. 온톨로지 추론은 TBox 추론과 ABox 추론으로 구분이 된다. 각 추론에 대해 설명하면 다음과 같다. TBox(Terminological Box)는 온톨로지의 스키마를 포함하고 클래스와 서브클래스의 포함하는 subsumption 관계를 추론하는 것을 의미하는 데 이 과정에서는 클래스와 서브클래스의 관계를 추론한다. subsumption 추론은 하나의 클래스가 다른 클래스를 포함하는 것을 의미한다. ABox(Assertional Box)는 TBox의 무결성을 테스트하고 하나의 인스턴스가 정의된 클래스에 포함되는지 검사하는 인스턴스 관계를 추론하는 기능을 가진다. SWRL(Semantic Web Rule Language)은 경험의 규칙을 SWRL로 작성하여 TBox와 ABox의 관계를 추론하는 것을 의미하는데 이 경우는 규칙의 조건부에 정의한 TBox와 ABox 관계가 성립하는 경우 규칙의 결론을 유도하여 새로운 지식을 추론하게 된다. SWRL은 Horn 논리와 비슷한 구문으로 규칙을 사용하며, 모든 규칙은 OWL 개념들의 term으로 표현된다. 크게 위 세 가지로 나눌 수 있는 온톨로지 추론 기술은 세 가지 알고리즘 방식으로 나눌 수 있다. 첫째, 트리구조의 모델을 구축하는 대용량 TBox 추론에 적합한 tableaux 알고리즘 방식과 둘째, FOL로 변환하여 datalog로 변환하는 대용량 ABox에 적합한 disjunctive datalog 방식, 마지막으로 axiomatic rule을 이용한 빠른 추론 속도에 중점을 둔 axiomatic 방식으로 나눌 수 있다

본 발명은 유비쿼터스 환경을 기반으로 시간과 장소의 구애를 받지 않아야할 뿐 아니라, 물리적인 디바이스의 제한을 넘어서야 하며, 학습자의 수준에 맞게 학습자가 원하는 학습 정보만을 학습할 수 있는 적응적이고 최적의 학습 환경을 제공해야하고 학습자간의 협력 학습과 능동적으로 학습활동에 참여할 수 있도록 유도해야 한다. 하지만 SCORM 기반의 e-러닝 시스템은 앞서 말한 무선 환경 즉, 유비쿼터스 환경에서 디바이스에 적응적인 서비스 지원과 SCORM RTE에서 제공하는 Sequencing 기능을 사용함으로써 학습자의 능동적인 참여 유도를 이끌어내기 어렵다. 또한 표준화되지 못한 메타데이터 모델을 사용함으로써 이종 시스템 간의 데이터 공유나 서비스 제공이 어려운 점을 온톨로지 모델링과 온톨로지 추론을 이용하여 적절한 컨텐츠를 개인화된 서비스를 통하여 제공하고자 하는에 그 목적이 있다.

학습자 프로파일 모델링을 위한 온톨로지 모델링 기법은 학습자 중심으로 학습자의 수준 판단과 적응적 컨텐츠 제공을 위한 학습자의 기본 정보 즉, 학습자의 학습 기록, 학습자의 학습 디바이스를 중심으로 모델링한다.

학습자 프로파일의 모델링은 각 학습자에게 차별화된 학습 내용과 지식 제공을 제공한다. 각 학습자의 학습 기록과 평가 기록, 학습자의 디바이스에 대한 메타데이터를 저장하였다. 학습자의 기본이 되는 이름, 성별, 학년 등의 변화가 없는 데이 터는 fact로 정의하고, 그 외의 학습자의 디바이스, 학습 기록, 학습 평가 결과 등의 데이터를 individual로 정의함으로써 학습자에 대한 데이터를 갱신 혹은 검색 및 참조가 용이하게 하였다. 이는 학습자의 측면에서 학습자가 언제, 어디서, 어떤 디바이스를 이용하여도 학습자의 메타데이터를 기반으로 학습자에게 적합한 서비스를 제공할 수 있도록 하였다. 그리고 교수자의 측면에서 보면 각 학습자의 프로파일을 이용해 학습자의 학습 과정에 대한 정보를 트래킹(tracking)할 수 있으며 학습자에게 적응적(adaptive) 학습을 제공할 수 있도록 구성하였다.

OWL을 이용한 학습 컨텐츠 모델링은 동영상, 혹은 텍스트 문서에 대한 과목, 과목에 대한 진도, 강의 난이도 등을 메타데이터로 기록하여 학습 컨텐츠를 검색, 제공, 재사용성 등을 관리할 수 있고 학습자의 수준과 학습 과정에 정확도를 높이고 수준별 학습을 가능하도록 구성하였다. 그리고 동영상 컨텐츠는 각 동영상의 해상도와 코덱을 추가로 구성하여 학습자의 디바이스가 노트북 PC나 PDA, 핸드폰, 데스크탑 컴퓨터 등에 따른 학습 컨텐츠의 제공이 정확하고 신속하도록 구성하였다. 또한 온톨로지 추론 엔진을 이용한 학습 제공 엔진을 통해 학습자의 수준을 평가하기 위해서, 학습평가 문항에 대한 온톨로지를 구성하였다. 학습 평가 문항에 대한 정보는 문항 변별도와 문항 난이도를 포함한다. 이는 각 문항의 문항 변별도와 난이도를 이용하여 학습 제공 엔진에서 정의되는 학습자 수준 판단 규칙에서 학습자의 수준을 분석하고 판단하는데 이용되며, 학습자가 평가를 받았을 때, 각 단원 별 학습 수준을 평가할 수 있도록 하였다.

또한 본 발명에서는 앞서 제시한 온톨로지 모델링 기법을 통해 모델링 된 학 습자 프로파일과 학습 컨텐츠를 서버로 구성하여 Bossam 추론 엔진을 통해 학습자의 학습 수준을 판단하고, sequencing을 제공한다. 또한 학습자가 이종의 디바이스로 접속했을 경우 디바이스의 적절한 해상도와 코덱을 학습자에게 학습 컨텐츠 및 평가를 제공한다. 이는 첫째, 학습자 수준 판단 규칙은 학습자가 학습 평가를 할 때, 모델링을 통해 각 평가문항이 가지고 있는 문항 변별도(discriminating power)와 난이도(item difficulty)를 통해 수준 분석을 한다. 학습자가 학습 평가를 했을 때 문항이 가지고 있는 변별도와 난이도의 수치에 따라 같은 단원에서 나온 문항이라도 단원 내의 여러 유형의 문제에 대한 이해도를 분석할 수 있다. 학습자가 평가를 통하여 수집된 각 문항의 문항 변별도와 문항 난이도를 참조하고, 이를 기반으로 학습자의 수준을 판단할 수 있는 2모수 로지스틱을 이용한 문항반응이론을 학습 제공 엔진의 규칙으로 정의한다. 그래서 각 학습자의 평가 결과에 따라 학습 수준을 분석하고 판단할 수 있도록 한다. 둘째, sequencing 규칙은 e-러닝의 SCORM에서 제공하는 sequencing과 조금 다르게, 학습자 프로파일의 학습 기록과 학습 평가를 통한 학습자 분석에 의해 과정과 난이도에 구분 없이 학습자에게 필요한 학습 컨텐츠를 제공할 수 있다. 또한 학습 단원과 난이도에 구분 없이 컨텐츠를 통한 학습이 끝난 후에는 학습에 대한 평가를 실시함으로써 학습 컨텐츠에 대한 난이도를 재조정 하여 학습 과정을 진행할 수 있도록 구성하였다. 셋째, 적응적 컨텐츠 제공 규칙은 학습자 프로파일에서 학습자가 학습 중인 디바이스의 해상도와 코덱의 정보를 검색하고 sequencing rule에 의해여 선택된 알맞은 학습 컨텐츠를 contents transcording module을 통해 변환하여 학습자에게 학습 컨텐츠를 제공할 수 있도록 한다.

본 발명에 따르면 학습자에게 적절한 학습이 제공되는지 학습자 프로파일을 직접 온톨로지 모델링화 함으로써 학습 정보 및 데이터에 대한 효율적인 관리와, 이종 시스템간의 공유가 가능하게 하고, 학습자의 수준과 학습 환경의 파악이 용이하다. 또한 학습자의 수준과 환경에 따른 알맞은 컨텐츠를 검색, 제공이 가능하다. 보쌈 추론 엔진을 이용한 컨텐츠 제공엔진을 구성하여 모델링 데이터를 기반으로 학습자의 수준 판단, sequencing, 적응적 컨텐츠 제공을 위한 추론 규칙을 정의함으로써 학습자 평가에 의한 학습자 수준 파악의 정확성이 향상될 수 있으며, 학습자가 능동적인 참여를 유도할 수 있고, 이에 따른 학습 컨텐츠를 제공, 학습자의 디바이스에 맞는 컨텐츠를 적응적으로 제공해줄 수 있다. 또한 학습자 수준 판단 및, 적응적 컨텐츠 제공을 위한 추론 규칙을 생성, 수정, 삭제할 수 있으므로 상황에 따라 능동적인 학습 제공이 가능하다.

본 발명에 의한 시스템은 학습자 프로파일과 학습 컨텐츠를 모델링하고 모델링 데이터를 Bossam 추론 엔진에서 정의한 추론 규칙에 적용하고 학습자가 학습하고자 하는 디바이스의 해상도와 코덱의 정보를 검색하여 적응화 컨텐츠를 제공해주는 것이 목적이다. 앞서 말한 학습자에게 학습 컨텐츠 적응화를 위한 u-러닝 시스템을 설계한다. 온톨로지 모델링 모듈을 통해 모델링 된 학습자 프로파일과 학습 컨텐츠를 서버로 구성하고 학습 제공 엔진을 통해 학습자의 학습 수준을 판단하고, sequencing을 제공한다. 학습 제공 엔진은 보쌈(ETRI, 2006)으로 구성하였으며 학습자 수준판단 규칙과 sequencing 규칙, 적응적 컨텐츠 제공 규칙을 정의하였다. 또한 학습자가 이종의 디바이스로 접속했을 경우 디바이스의 적절한 해상도와 코덱을 찾아 contents transcording 모듈을 통해 학습자에게 학습 컨텐츠 및 평가를 제공한다. 따라서 컨텐츠 적응화를 위한 u-러닝 시스템은 다음과 같이 두 가지 모듈로 구성되게 된다.

ontology modeling module

- 학습자의 프로파일 및 학습 컨텐츠를 모델링

- 학습자의 학습 기록 및 평가 기록을 온톨로지화

- 학습자의 기본 정보를 fact로 정의

- 학습자의 관련 유동적 정보는 individual로 정의

학습 제공 엔진

- 보쌈 추론 엔진을 이용

- 학습자 수준 판단 규칙 정의

- sequencing 규칙 정의

- 적응적 컨텐츠 제공 규칙 정의

이하 제안된 도면에 의해 본 발명을 설명한다.

학습자들은 핸드폰이나, PDA, 일반 pc를 가지고 학습을 한다고 가정한다. 또한 학습자가 선택할 수 있는 컨텐츠의 단원 및 난이도는 제약이 없으며, 컨텐츠 에 대한 학습이 끝나면 학습 평가를 하여 학습자에 대한 학습 수준과 이해도를 모델링하여 저장하게 된다. 또한 학습 제공 엔진에서는 학습자 수준을 판단하기 위해 학습 평가의 결과와 문항 난이도, 문항 변별도를 사용하여 2모수 로지스틱을 이용한 문항반응이론을 통하여 학습자의 수준을 추론하고, sequencing 규칙을 적용하여 추론을 이용한 학습자의 선택에 따른 학습 컨텐츠를 제공한다. 즉, 이는 학습자가 직접 컨텐츠의 단원 및 난이도를 선택할 수 있을 뿐만 아니라 학습 후에 이루어지는 학습 평가의 결과와 학습자의 학습 기록에 근거하여 학습 컨텐츠의 단원 및 난이도를 조정하여 학습을 제공할 수 있도록 한다. 또한 학습자 프로파일 중에서 학습 디바이스에 대한 정보를 이용하여 학습자가 학습하고자 하는 디바이스의 정보(해상도 및 코덱)에 맞는 컨텐츠를 탐색하거나, 추가적인 transcording 모듈을 이용하여 컨텐츠 변환을 한다. 하지만 본 논문에서는 트랜스 코딩 시스템에 대한 제약으로 transcording 모듈은 배제하고 학습 컨텐츠의 온톨로지 데이터를 이용한 규칙만을 정의한다.

도 1은 본 발명에 따른 지능적 학습 컨텐츠 제공을 위한 U-러닝 시스템의 구성 및 처리 흐름

Claims (1)

1. 학습자에게 적응적 컨텐츠를 제공하기 위한 시스템 설계에 있어서,

   ontology modeling module

   - 학습자의 프로파일 및 학습 컨텐츠를 모델링

   - 학습자의 학습 기록 및 평가 기록을 온톨로지화

   - 학습자의 기본 정보를 fact로 정의

   - 학습자의 관련 유동적 정보는 individual로 정의

   학습 제공 엔진

   - 보쌈 추론 엔진을 이용

   - 학습자 수준 판단 규칙 정의

   - sequencing 규칙 정의

   - 적응적 컨텐츠 제공 규칙 정의

   를 포함하는 프레임워크 및 시스템 설계 및 방법

Images