KR20140131291A - 학습 플랫폼 메커니즘을 구비한 컴퓨팅 시스템 및 그 작동 방법 - Google Patents

Abstract

본 발명의 일 실시예에 따르면, 학습자 프로필을 결정하도록 구성되는 학습자 분석 모듈; 학습자 분석 모듈에 연결되고 학습자 프로필에 대응되는 주제에 대한 평가 요소에 대한 학습자 응답을 식별하도록 구성되는 레슨 모듈; 학습자 분석 모듈에 연결되고 학습자 응답과 관련된 응답 평가 요소를 결정할 수 있도록 구성되는 관찰 모듈; 관찰 모듈에 연결되고 학습자 응답, 응답 평가 요소, 그리고 장치에 디스플레이하기 위한 학습자 프로필을 기초로 한 숙달 수준을 포함한 학습자 지식 모델을 생성하도록 구성된 지식 평가 모듈을 포함하는 컴퓨팅 시스템을 제공할 수 있다.

Description

학습 플랫폼 메커니즘을 구비한 컴퓨팅 시스템 및 그 작동 방법{COMPUTING SYSTEM WITH LEARNING PLATFORM MECHANISM AND METHOD OF OPERATION THEREOF}

본 발명은 컴퓨팅 시스템에 관한 것이며, 보다 구체적으로는 교육시키고 배우는 것에 대한 시스템에 관한 것이다.

현대의 가전 제품 및 산업 전자 제품, 특히, 컴퓨팅 시스템, 텔레비전, 태블릿(tablet) 컴퓨터, 휴대폰, PDA, 영사기 및 복합 장치와 같은 장치들은, 현대 생활을 지원하기 위한 기능 레벨을 향상시키고 있다. 이러한 장치들의 기능성의 폭발과 급격한 증가가 우리의 매일의 일상에 침투함에 따라 폭발적으로 많은 데이터와 정보가 생성되고, 전송되며, 소비되고, 그리고 저장되고 있다.

현대 생활에서의 정보의 유용성 증가는 배움의 목적으로 사용자에게 정보의 증가량을 처리하도록 요구하고 있다. 이러한 유용성 증가는 가르치고, 배우고, 지식을 숙달(master)하기 위해 정보를 관리하는 것에 대해 강하게 요구하고 있다.

따라서, 가르치고 배우기 위한 목적으로 가용 정보를 선택하는 학습 플랫폼 메커니즘은 여전히 필요하다. 소비자의 기대치가 상승하고, 시장에서 의미 있는 상품 차별화의 기회가 감소함에 따라서 계속적으로 증가하는 판매 경쟁 압력을 고려할 때, 이러한 문제점들에 대한 해답을 찾는 것이 점점 중요하다. 게다가, 원가를 절감하고, 효율성 및 경쟁력을 향상하고, 경쟁력 압력을 만족하려는 요구는, 이러한 문제점들에 대한 해답을 찾기 위한 중요한 필요성에 몹시 긴급함을 더하고 있다.

이러한 문제점들에 대한 해결 방안은 오랫동안 연구되어 왔지만, 이전 선행 연구는 어떠한 해결 방안도 암시하거나 교시하지 않았다. 그러므로 당업자에게 있어서 이 문제점들에 대한 해결 방안은 오랫동안 회피되어 왔다.

본 발명의 실시 예는 학습자의 프로필을 결정하기 위한 학습자 분석 모듈; 상기 학습자 분석 모듈에 연결되고 학습자 프로필에 대응되는 주제를 위한 평가 요소에 대한 학습자 응답을 식별하도록 구성된 레슨 모듈; 학습자 분석 모듈에 연결되고 학습자 응답과 관련된 응답 평가 요소를 결정하는 관찰 모듈; 관찰 모듈에 연결되고 학습자 응답, 응답 평가 요소, 그리고 학습자 프로필을 기초로 학습자의 숙달 수준을 포함하고 있는 학습자 지식 모델을 생성하도록 구성되고 이것이 장치에 디스플레이되도록 하는 지식 평가 모듈을 포함하는 컴퓨팅 시스템이다.

본 발명의 실시 예는 학습자 프로필을 결정하는 단계; 학습자 분석 모듈에 연결되고 학습자 프로필에 대응되는 주제를 위한 평가 요소에 대한 학습자 응답을 식별하는 단계; 학습자 분석 모듈에 연결되고 학습자 응답과 관련된 응답 평가 요소를 결정하는 단계; 그리고 학습자 프로필을 기초로 학습자의 숙달 수준을 포함하고 있는 학습자 지식 모델을 생성하여 이것이 장치에 디스플레이되도록 하는 단계를 포함하는 컴퓨팅 시스템의 작동 방법을 제공한다.

본 발명의 특정 실시 예는 위에서 언급한 발명에 추가하거나 대신하여 다른 단계나 구성 요소를 포함될 수 있다. 발명의 단계나 구성요소는 다음의 상세한 설명을 첨부된 대응되는 도면을 참조하여 읽으면 당업자에게 명확해질 것이다.

도 1은 본 발명의 실시 예에 있어서 학습 플랫폼 메커니즘을 구비한 컴퓨팅 시스템을 나타낸다.
도 2 는 상기 제 1 장치의 일례이다.
도 3 은 상기 제 1 장치의 추가적인 예이다.
도 4 은 상기 제 1 장치의 추가적인 예이다.
도 5 는 상기 컴퓨팅 시스템의 기능적인 블록도이다.
도 6 은 컴퓨팅 시스템의 추가적인 기능적인 블록도이다.
도 7 은 컴퓨팅 시스템의 제어 흐름이다. 도 8은 식별화 모듈과 평가 모듈의 상세도이다.
도 8 은 식별화 모듈과 평가 모듈의 상세도이다.
도 9 는 평가 모듈의 상세도이다.
도 10 은 계획 모듈의 상세도이다.
도 11 은 스타일 모듈의 상세도이다.
도 12 는 커뮤니티 모듈의 상세도이다.
도 13 은 참가자 평가 모델의 상세도이다.
도 14 는 지식 평가 모듈과 계획 모듈의 상세도이다.
도 15 는 본 발명의 추가적인 실시 예에 있어서 컴퓨터 시스템의 작동 방법의 흐름도이다.

본 발명의 실시 예는 사용자로부터 알게 된 주제를 나타내기 위한 학습자 지식 모델을 측정하는 것이다. 상기 학습자 지식 모델은 숙달 수준을 포함해서 다양한 요소를 기초로 생성되거나 조정될 수 있다.

학습자 지식 모델은 학습자 응답과 응답 평가 요소를 포함하여, 관리 플랫폼을 통해 가르치거나 연습한 주제를 위한 학습 세션 동안 수집된 정보를 기초로 할 수 있다. 또한, 학습자 지식 모델은 사용자를 위한 학습자 프로필, 상기 사용자의 관리 플랫폼 외적인 사용자의 활동, 또는 이들의 조합을 기초로 할 수 있다. 학습자 지식 모델은 사용자와 다양한 유사성을 공유하는 학습 커뮤니티로부터 취득된 자료도 기초로 할 수 있다.

사용자의 특성에 따라 구체화된 주제를 연습하고 숙련하기 위한 학습자 지식 모델을 기초로 연습 추천이 이루어질 수 있다. 상기 학습 지식 모델을 기초로 관리 플랫폼 밖에서 학습 활동이 사용자의 하루 일과에 들어갈 수 있다.

본 발명의 실시 예는 사용자의 기초 지식과 수행 능력을 정확하게 알 수 있는 응답 속도 말고도 여러 가지 요소들을 포함하고 있는 응답 평가 요소를 포함할 수 있다. 또한 학습자 응답, 응답 평가 요소, 그리고 학습자 프로필을 기반으로 한 학습자 지식 모델은 사용자의 기초 지식과 수행 능력을 알기 위한 정확도를 증가시킨다. 더욱이, 학습 커뮤니티를 기초로 한 학습자 프로필과 학습자 지식 모델은 공통점을 공유하고 있는 다양한 그룹들 간의 비교뿐만 아니라 개별적인 분석도 제공할 수 있다.

이하의 실시 예는 당업자가 본 발명을 만들고 사용할 수 있도록 충분히 상세하게 설명된다. 다른 실시 예들 역시 본 개시 내용에 기초하여 이해될 수 있으며 시스템, 프로세스 또는 어떠한 기계적 변화도 본 발명의 실시 형태의 범위를 벗어나지 않고 이루어질 수 있다.

다음의 설명에서 다수의 특정 세부 사항은 본 발명의 완전한 이해를 위한 것이다. 그러나, 본 발명이 이들 특정 세부 사항 없이도 실시될 수 있음은 자명할 것이다. 본 발명의 실시 예를 모호하게 만들 수 있는 바, 몇몇의 잘 알려진 회로, 시스템 구성 및 공정 단계는 상세하게 개시되지 않았다.

시스템의 실시 예를 나타낸 도면은 반 도식화되어 있고 반드시 비율에 따라 확대 또는 축소된 것이 아니며 특히 차원의 일부는 설명의 명확성을 위해 도면에서 과장되게 표시되었다. 마찬가지로 설명의 편의를 위해 도면의 방향(view) 는 일반적으로 비슷한 방향을 표시하지만, 도면의 묘사는 대부분의 경우 임의적이다. 일반적으로, 본 발명은 임의의 방향으로 동작 될 수 있다.

여기서 언급되는 “모듈(module)” 이란 용어는 그 용어가 사용되는 상황에 따라 본 발명의 실시 예에서 소프트웨어, 하드웨어, 혹은 그들의 조합을 포함할 수 있다. 예를 들어, 소프트웨어는 기계어(machine code), 펌웨어(firmware), 임베디드 코드(embedded code), 및 응용 소프트웨어(application software) 일 수 있다. 또 예를 들어, 하드웨어는 회로, 프로세서, 컴퓨터, 집적 회로, 집적 회로 코어, 압력 센서, 관성 센서, 마이크로 전자 기계 시스템 (MEMS), 수동 소자, 소프트웨어 기능을 수행하는 명령어를 가지는 물리적 기록 매체, 또는 이들의 조합일 수 있다.

도1 은 그 내부에는 본 발명의 실시 예에 있어서 학습 플랫폼 메커니즘을 가진 컴퓨팅 시스템 (100)을 나타낸다. 상기 컴퓨팅 시스템(100)은 클라이언트나 서버와 같은 제 2 장치 (106) 에 연결된 클라이언트나 서버와 같은 제 1 장치(102), 클라이언트나 서버와 같은 제 3 장치(108), 또는 통신 경로(104)를 통한 이들의 조합을 포함한다.

제 1 장치(102), 제 2 장치(106), 제 3장치(108) 또는 이들의 조합의 사용자들은 텍스트, 사진, 심볼들, 위치 정보, 오디오 등을 포함한 정보를 서로 통신할 수 있으며, 상기 정보에 접근하거나 또는 그것을 생성할 수 있다. 사용자들은 개인이거나 기업이 될 수도 있다. 상기 정보들은 사용자로부터 직접 생성될 수 있으며, 더 많은 또는 다른 정보를 생성하기 위해 이러한 정보에 기초하여 특정 동작이 수행될 수 있다.

예를 들어, 제 1장치 (102)는 휴대 전화, 개인 휴대 정보 단말기, 노트북 컴퓨터, 태블릿(tablet) 컴퓨터, 지능형 텔레비전, 스마트 폰, 게임 콘솔, 또는 기타 다기능 디스플레이와 같은 장치 또는 엔터테인먼트 장치 중 어느 하나 일 수 있다. 제 1 장치(102) 는 제 2 장치(106), 제 3 장치(108), 다른 장치들, 또는 이들의 조합과 정보를 교환하기 위해 통신 경로(104)와 직간접적으로 결합시킬 수도 있다. 제 1 장치(102)는 독립형 장치가 될 수도 있으며 컴퓨팅 시스템(100) 내부의 한 부분일 수도 있다.

설명적인 목적으로, 컴퓨팅 시스템(100)은 제1장치(102)를 포터블 개인 장치로 설명하였으나 제1장치(102)가 다른 타입의 장치가 될 수 있음은 자명하다. 예를 들어, 제1장치(102)는 워크스테이션(workstation) 이나 멀티미디어 프리젠테이션과 같은 고정 장치나 공유된 장치일 수 있다. 멀티미디어 프리젠테이션은 소리, 스트리밍된 사진 또는 비디오들의 시퀀스, 텍스트, 또는 이들의 조합이 될 수 있다.

제 2 장치(106)는 다양한 형태의 중앙 집중적 컴퓨터 장치 또는 분산적 컴퓨팅 장치 또는 비디오 전송 장치일 수 있다. 예를 들어, 제 2 장치(106)는 멀티미디어 컴퓨터, 랩톱 컴퓨터, 데스크톱 컴퓨터, 비디오 게임기, 그리드 컴퓨팅 자원, 가상화된 컴퓨터 자원, 클라우드 컴퓨팅 자원, 라우터(router), 스위치, 피어 투 피어 분산 컴퓨팅 장치(peer-to-peer distributed computing device), 미디어 재생 장치, DVD 플레이어, 삼차원 DVD 플레이어, 카메라 또는 비디오 카메라 같은 기록 장치 또는 이들의 조합일 수 있다. 또 다른 예를 들자면 제 2 장치(106)는 서비스 제공자의 서버가 되거나 전송 설비의 컴퓨팅 장치가 될 수 있다.

상기 제 2 장치(106)은 단일 컴퓨터실에서 집중되어 있을 수도 있으며 다른 방들에 걸쳐서 분산되어 있을 수도 있고, 서로 다른 지리적 위치에 걸쳐 분산되어 있을 수도 있으며 통신 네트워크에 내장되어 있을 수도 있다. 제 2 장치(106)은 상기 제 1장치(102), 제 3 장치(108), 다른 장치들, 또는 이들의 조합과 통신하는 통신 경로(104) 와 결합시킬 수 있다.

컴퓨팅 시스템(100)의 제 2 장치(106)는 비록 다른 유형의 장치 가 될 수도 있지만 여기서는 컴퓨팅 장치로 설명하기로 한다. 또한 비록 컴퓨팅 시스템 (100) 은 제 1 장치(102), 제 2 장치(106), 제 3 장치(108), 그리고 통신 경로(104) 사이에 상이한 파티션을 가질 수 있다 할지라도, 설명 목적을 위해 상기 컴퓨팅 시스템(100) 은 제 2 장치(106), 제 1 장치(102), 제 3 장치(108) 를 통신 경로(104)의 종말 지점(end point) 으로 도시된다. 예를 들어, 첫 번째 장치 (102), 제 2 장치 (106), 제 3 장치(108), 또는 이들의 조합은 통신 경로 (104)의 일부로서 기능 할 수 있다.

추가적인 설명 목적으로, 컴퓨팅 시스템(100)에 포함된 제1장치(102) 및 제2 장치(106)에 있어서, 제1장치(102)는 소비자 장치 또는 포터블(portable) 장치로 설명되고, 제 2장치(106)는 고정 장치 또는 엔터프라이즈(enterprise) 장치로 설명된다. 그러나 제 1 장치와 제2장치(106)가 어떠한 다양한 장치도 될 수 있음은 자명하다. 예를 들어, 제 1장치(102)는 텔레비전이나 서버와 같은 고정 장치이거나 엔터프라이즈장치가 될 수 있다. 또, 예를 들어 제 2장치(106)은 스마트폰이나 웨어러블(wearable) 장치와 같은 소비자 장치나 포터블 장치가 될 수도 있다.

제 3장치(108)은 스마트폰, 휴대 전화, 개인 휴대 정보 단말기, 태블릿 컴퓨터, 노트북 컴퓨터, 공유된 디스플레이, 어플라이언스, 차량 또는 구조물과 일체형 장치, 또는 다른 다기능 디스플레이나 엔터테인먼트 장치와 같은 다양한 장치가 될 수 있다. 제 3 장치(108)은 제2장치(106), 제1장치(102), 다른 장치들, 또는 이들의 조합과 정보를 교환하기 위한 통신 경로(104)와 결합할 수 있다. 제3장치(108)은 독립형 장치이거나 컴퓨팅 시스템 (100)의 서브시스템의 부분이 될 수 있다.

제 1장치 (102) 및 제 3 장치 (108)는 일반적인 사용자 또는 다른 사용자의 집합에 속할 수 있다. 예를 들어, 제1장치(102)와 제3장치(108)은 하나의 사용자나 하나의 가정에 속한 스마트폰, 태블릿, 워크스테이션, 영사기, 어플라이언스, 또는 이들의 조합일 수 있다. 또 예를 들어, 제 1 장치(102)는 하나의 사용자에게 소유된 개인적인 포터블 장치일 수 있으며 제3장치(108)은 다른 사용자나 사용자들의 집합에서 공유되고 있는 다양한 장치일 수 있다.

제 3장치(108)은 워크스테이션이나 멀티미디어 프리젠테이션과 같은 고정된 장치이거나 공유된 장치일 수 있다. 나아가, 제 3장치(108)은 개인적 장치, 포터블 장치, 또는 이들의 조합이 될 수 있다.

통신 경로(104)는 다양한 네트워크와 네트워크 토폴로지를 나타낼 수 있다.예를 들어 통신 경로(104)는 무선 통신, 유선 통신, 광통신, 초음파 통신 또는 이들의 조합을 포함할 수 있다. 또한 통신 경로(104)에 위성 통신, 이동 통신, 블루투스, 와이파이(WiFi), 적외선 데이터 협회 표준(IrDA), WiMAX(worldwide interoperability for microwave access) 등 역시 포함될 수 있다. 이더넷(Ethernet), DSL(digital subscriber line), FTTH (fiber to the home), 그리고 POTS (plain old telephone service) 들은 통신 경로 (104)에 포함될 수 있는 유선 통신의 예이다. 더불어 통신 경로(104)는 한 개 이상의 네트워크 토폴로지 및 거리를 가로지를 수 있다. 예를 들어, 통신 경로(104)는 직접 접속, 개인 영역 네트워크(PAN), 근거리 통신망(LAN), 도시권 통신망(MAN), 광역 통신망(WAN) 또는 이들의 임의의 조합을 포함할 수 있다.

도 2에서 제1장치(102)에서 디스플레이의 일례를 나타내고 있다. 상기 디스플레이는 주제(204)를 가르치거나 학습하기 위한 관리 플랫폼(202)를 나타낼 수 있다. 주제(204)는 학습을 위해 목표로 되거나 의도된 특별한 정보이다. 주제(204)는 기억되고, 사용되고, 중복되고, 적용되거나 또는 사용자에 의한 이들의 조합을 위한 사실, 기술, 방법, 개념, 추상적인 구조 또는 이들의 조합일 수 있다.

주제(204)는 "시민 전쟁" 이나 "고급 적분"과 같은 식별자에 의해 도 1 의 컴퓨팅 시스템에 의해 나타날 수 있다. 주제(204)는 특별한 정보를 설명하기 위해 다양한 세부사항의 수준을 가질 수 있다. 예를 들면, 주제(204)는 주제의 분류 (206)에 속할 수 있는데 그것은 역사학이나 수학과 같은 다양한 교육 분야를 나누기 위해 잘 알려진 분류화가 될 수 있다. 또한 예를 들어, 주제(204)는 "수학", "곱셈", "적분", "허수" 또는 이들의 조합과 같은 여러 개의 부-분류화를 포함할 수 있다.

컴퓨팅 시스템(100)은 주제(204)에 대응하는 숙달 수준(208)을 더 포함할 수 있다. 숙달 수준(208)은 주제(204)에 관한 숙달 수준이나 자신감 수준을 나타낸다. 숙달 수준(208)은 또한 주제(204)에 대한 상기, 인식, 사용, 복사, 적용 또는 이들의 조합의 능력과 관계 있다. 숙달 수준(208)은 컴퓨팅 시스템(100)에 의해 점수나 순위와 같이 양적으로 표현될 수 있다.

컴퓨팅 시스템(100)은 다양한 정보를 이용하여 주제(204)에 관한 사용자의 숙달 수준(208)을 계산하거나 결정할 수 있고, 또한 나아가 숙달 수준(208)을 이용하여 사용자를 편안하게 할 수 있다. 숙달 수준(208)과 관련된 세부사항은 아래에서 논의될 것이다.

관리 플랫폼(202)는 사용자를 가르치기 위해 정보를 전달하도록 설계된 상호 작용 또는 통신 도구(communication instruments)들의 집합이다. 관리 플랫폼(202)는 사용자를 가르거나, 사용자의 지식, 또는 이들의 조합과 관련 있는 정보를 전달할 수 있다.

관리 플랫폼(202)는 디스플레이, 소리의 재생산, 장치들간의 정보교환, 또는 이들의 조합에 의해 통신할 수 있다. 관리 플랫폼(202)는 트레이너, 관리자, 이들과 함께 관련된 다른 장치, 또는 이들의 조합과 같은 사용자, 사용자를 가르치는 것과 관련된 다른 객체들에게 정보를 전달할 수 있다.

관리 플랫폼(202)는 학습 세션(210)을 구현하거나, 학습 세션(210)과 관계되는 다양한 리소스들을 관리하거나, 학습 세션(210)을 계획하거나, 사용자를 위하여 평가 정보를 전달하거나, 적절한 인센티브를 제공하거나, 또는 이들의 조합을 수행하기 위한 상호 작용 또는 통신 도구의 집합이 될 수 있다.

예를 들어, 관리 플랫폼(202)는 학습 세션(210)을 돕기 위한 가상 환경을 포함할 수 있다. 관리 플랫폼(202)는 정보를 디스플레이 하거나, 사용자로부터 소리를 청각적으로 재생산하거나, 이들의 조합을 포함할 수 있다. 관리 플랫폼(202)는 사용자의 숙달 수준(208)을 향상시키기 위해 가르치거나 배우는 것을 용이하게 할 수 있다.

보다 더 구체적인 예로서, 관리 플랫폼(202)은 텍스트 정보를 디스플레이하고, 설명을 위한 오디오나 비디오를 재생산하고, 게임 응용프로그램을 가능하게 하고, 또는 이들의 조합들을 위한 기초 시설을 포함할 수 있다. 또한 예로서, 관리 플랫폼(202)는 학습을 위한 목적으로, 사용자로부터 정보를 수신하거나, 사용자를 관찰하거나, 사용자의 수행 능력이나 지식을 분석하거나, 사용자와 관련된 정보를 분석하거나, 또는 이들의 조합을 위한 기초 시설이 될 수 있다.

또한 예를 들어, 관리 플랫폼(202)는 학습 세션(210)과 관련된 다양한 사용 자원들을 위한 식별하고, 찾고, 설명하고, 제공하고, 순위를 매기거나 또는 이들의 조합에 대한 가상 자원 관리자가 될 수 있다. 추가적인 예로, 관리 플랫폼(202)는 사용자를 위해 학습 세션(210)을 계획하는 도구들을 포함할 수 있다.

학습 세션(210)은 주제(204)의 숙달 수준(208)을 향상시키기 위한 활동이다. 예를 들어, 학습 세션(210) 주제(204)를 사용자에게 가르치기 위한 레슨, 테스트, 게임, 연습, 프로젝트, 또는 이들의 조합이 될 수 있다.

학습 세션(210)은 시작과 끝이 있는 활동의 단위일 수 있다. 학습 세션(210)은 연속하는 부분일 수 있고, 각각 분리되어 있는 부분들의 모음일 수도 있고, 하나의 부분 안에서 일시정지-그리고-다시 재생하는 부분일 수 있다. 학습 세션(210)은 레슨 프레임(212), 레슨 콘텐츠(216), 또는 이들의 조합을 포함할 수 있다.

레슨 프레임(212)는 사용자를 가르치기 위해 주제(204)를 제시하는 도구이다. 레슨 프레임(212)는 학습 세션(210) 전반을 아우르는, 제시 방법, 수반하는 배경이나 악세사리, 또는 이들의 조합을 포함할 수 있다.

예를 들어, 레슨 프레임(212)는 발표를 하거나 학습 세션(210)을 용이하게 하기 위한 게임 프레임워크(framework), 전체적인 스토리나 스토리 진행, 훈련, 또는 이들의 조합을 포함할 수 있다. 더 추가적인 예로, 레슨 프레임(212)는 규칙, 특징, 시나리오, 결과, 목표 또는 이들의 조합과 주제(204)를 위한 게임의 구동 시스템을 포함할 수 있다.

레슨 프레임(212)는 콘텐츠 후크(hook)(214)를 포함할 수 있다. 콘텐츠 후크(214)는 레슨 프레임(212)와 레슨 콘텐츠(216)을 결합시키는 도구이다. 예를 들어, 콘텐츠 후크(214)는 중요한 사실이나 질문과 같은 레슨 콘텐츠(216) 또는 그 일부분과 연결될 수 있는 레슨 프레임(212) 내의 플레이스 홀더(place holder), 예약 공간, 링크, 또는 이들의 조합을 포함할 수 있다.

레슨 콘텐츠(216)은 학습을 위한 주제(204)의 프리젠테이션이다. 예를 들어, 레슨 콘텐츠(216)은 주제(214)와 관련 있는 비디오 클립(video clip), 주제와 관한 사용자의 입력을 캡쳐하기 위한 프로젝트나 질문들의 집합, 또는 이들의 조합을 포함할 수 있다. 또한 예로서, 레슨 콘텐츠(216)은 평가 요소(218)을 포함할 수 있다.

평가 요소(218)은 주제(204)의 사용자의 지식에 관한 정보를 모으기 위한 사용자와의 상호작용이나 통신 도구일 수 이다. 예를 들어, 평가 요소(218)은 객관식, 주관식 문제, 또는 이들의 조합과 같은 프롬프트(prompt)나 질문을 포함할 수 있다. 또 예를 들어, 평가 요소(218)은 프로젝트에 포함된 부-목표, 목적, 중요한 단계를 포함할 수 있다. 추가적인 예로서, 평가 요소(218)은 숙달 수준(208)을 평가하기 위해 사용되는 상호적인 게임이나 도전 내부의 게임적인 요소나 상호 작용을 포함할 수 있다.

컴퓨팅 시스템(100)은 학습자 응답(220)을 수신할 수 있다. 학습자 응답(220)은 평가 요소(218)에 대한 응답으로서 사용자의 입력을 말한다. 학습자 응답(220)은 주제(204)와 콘텐츠에 기초한 정보와 관련된 사용자로부터의 정보를 포함할 수 있다. 예를 들어, 학습자 응답(220)은 문제에 대한 답, 정보 미팅이나 부-목표에 대응되는 것, 목적, 중요한 단계, 또는 프로젝트를 위한 이들의 조합을 포함할 수 있다. 또 예로서, 학습자 응답(220)은 일시 정지, 열기, 닫기, 입력이나 출력의 질을 바꾸기, 또는 이들의 조합과 같은 기능적이고 수행적인 입력을 제외시킬 수 있다.

컴퓨팅 시스템(100)은 추가적으로 응답 평가 요소(222)를 결정할 수 있다. 응답 평가 요소(222)는 사용자를 위해 주제(204)의 숙달 수준(208)와 관련된 학습자 응답(220)과 관련된 자료이다. 응답 평가 요소(222)는 평가 요소(218)에 비추어, 학습자 응답(220)의 정확성을 평가하기 위한 응답 정확도(224)를 포함할 수 있다. 예를 들어, 응답 정확도(224)는 답이 맞는지에 대한 결정, 틀린 답을 가리키는 논리 값(Boolean value), 프로젝트 내에서의 정확한 사용이나 적용을 위한 퍼센테이지(percentage)나 비율, 또는 이들의 조합을 포함할 수 있다.

응답 평가 요소(222)는 학습자 응답(220)의 정확도에 추가하여 자료를 포함할 수 있다. 예를 들어, 응답 평가 요소(222)는 요소 기술(226), 평가 형식(228), 응답 속도(230), 상황 파라미터(232), 물리적 표시(234), 학습자 집중 수준(236), 에러 유발 추정(error cause estimate)(238), 또는 이들의 조합을 포함할 수 있다.

요소 기술(component description)(226)은 학습 세션(210) 내부에서 요소나 요소의 제공자 대한 식별과 관련된 정보이다. 요소 기술(226)은 레슨 프레임(212), 레슨 콘텐츠(216), 그 제공자, 평가 요소(218), 주제(204) 또는 이들의 조합의 식별화(identification)을 포함할 수 있다. 예를 들어, 요소 기술(226)은 레슨 프레임(212), 레슨 콘텐츠(216), 그 제공자, 평가 요소(218), 주제(204) 또는 이들의 조합에 대한 이름, 숫자, 링크, 접속 정보 또는 이들의 조합을 포함할 수 있다.

요소 기술(226)은 추가적으로 레슨 프레임(212)를 위한 설명적 정보, 레슨 콘텐츠(216), 이들의 제공자, 평가 요소(218), 주제(204), 또는 이들의 조합을 포함할 수 있다. 예를 들어, 요소 기술(226)은 범주화 또는 분류화, 제공자 요약 또는 설명, 검토자 요약, 사용자 요약 또는 코멘트, 또는 이들의 조합을 포함할 수 있다.

평가 형식(228)은 평가 요소(218)을 다루는 방법이다. 평가 형식(228)은 평가 요소(218), 학습자 응답(220)을 제한하거나 지배하는 형식, 또는 이들의 조합을 위한 분류화가 될 수 있다.

예를 들어, 평가 형식(228)은 객관식, 빈칸 채우기, 에세이, 따라하기(replication), 물리적 모델링이나 수행능력, 구두 반복(verbal repetition), 또는 이들의 조합을 포함할 수 있다. 또 예로서, 평가 형식(228)은 읽기 또는 듣기와 같이 주제(204)를 대면하는 사용자를 위한 사용자 습득(user-intake)을 포함하거나, 학습자 응답(220)을 생성하거나 주제(204)와 관련되는 정보 또는 사용도 등을 생성하는 사용자를 위한 사용자 생성(user-production), 또는 이들의 조합을 포함할 수 있다.

응답 속도(230)은 나타나는 평가 요소(218)과 학습자 응답(220) 사이의 일시적인 관계의 서술이다. 응답 속도(230)은 지연 시간이나 평가 요소(218) 에서 측정된 시간 간격, 그리고 평가 요소(218)에 대응하는 사용자 입력의 수신에 기초할 수 있다.

응답 속도(230)은 또한 사용자에 의한 학습자 응답(220)의 사용이나 발생의 빈도에 기초할 수 있다. 예를 들면, 연설에서의 필러(filler)의 사용, 철자 오류, 학습자 응답(220)과 관련된 시도 횟수와 같은 바람직하지 못한 행동의 빈도를 포함할 수 있다.

상황 파라미터(232)는 추상적인 중요성이나 사용자와 관련된 의미와 관련 있고, 평가 요소(218) 이나 학습자 응답(220) 또는 이들의 조합과 같은 내부의 요소, 학습 세션(210)과 관련된다. 예를 들면, 상황은 집 또는 표준화된 시험 센터에서 학습 세션(210)에 참가하는 것, 점심시간 또는 잠자리에 들기 전, 해마다 있는 업무 준수 교육과 같은 면허 또는 자격시험 또는 그것의 조합같이 사용자에게 중요한 시험에 참가하는 것을 포함할 수 있다.

상기 예에 계속하여, 상황 파라미터(232)는 사용자의 위치, 사용자의 집이나 직장의 위치, 학교나 시험 센터의 위치, 현재 날짜, 시험 날짜, 시간, 요일, 사람들의 신분(identity), 또는 사용자나 사용자의 장치의 미리 정해진 거리 안의 장치, 또는 이들의 조합을 포함할 수 있다. 상황 파라미터(232)는 통신자(communicating party), 콘텐츠, 진술된 주제, 사용자 분류, 또는 이들의 조합과 같이, 학습 세션(210)보다 앞서거나 학습 세션(210)과 관련되는 통신에 관한 세부사항을 추가적으로 포함할 수 있다.

더욱 구체적인 예로서, 상황 파라미터(232)는 학습 세션(210) 이전이나 이후의 계획된 미팅이나 이메일에서의 키워드를 포함할 수 있다. 또한 더욱 구체적인 예로서, 상황 파라미터(232)는 확인이나 도 1의 제1장치(102), 제2장치(106), 제3장치(108), 또는 이들의 조합에 의해 저장되고 수신되고 입력되거나 또는 이들의 조합 동작에 의한 등록 번호를 포함할 수 있다.

물리적 표시(234)는 학습 세션(210) 동안의 물리적 측면의 묘사이다. 물리적 표시 (234)은 사용자의 물리적 몸의 하나 이상의 부분에 대한 모양, 패턴, 방향, 비율, 움직임 또는 이들의 조합을 포함할 수 있다. 예를 들어, 물리적 표시 (234)는 눈동자 움직임, 눈 깜박임 비율, 몸의 자세, 얼굴 표현, 머리나 몸의 방향이나 움직임, 또는 이들의 조합을 포함할 수 있다.

컴퓨팅 시스템(100)은 사용자를 시각적으로 관찰하고 물리적 표시(234)를 감지할 수 있다. 컴퓨팅 시스템(100) 은 추가적으로 알려진 행동으로서 물리적 방향을 인식할 수 있다. 예를 들면, 컴퓨팅 시스템(100)은 눈 깜박임, 하품, 눈길 돌리기, 고개 끄덕임, 수면 또는 이들의 조합으로서 물리적 표시 (234)를 결정할 수 있다. 물리적 표시(234)와 관련된 세부사항은 아래에서 논의한다.

학습자 집중 수준(236) 은 학습 세션(210)에 대한 사용자의 집중 표시이다. 학습자 집중 수준(236) 은 낮음-중간-높음이나 퍼센테이지와 같은 상대적인 양이나 순위에 의해 표시될 수 있다. 학습자 집중 수준(236)은 물리적 표시(234), 주제(204), 응답 속도(230), 또는 상황 파라미터(232), 임계값, 또는 이들의 조합을 기초로 할 수 있다. 학습자 집중 수준(236)와 관련된 세부사항은 아래에서 논의한다.

에러 유발 추정(238)은 평가 요소(218)의 측면에서 학습자 응답(220)의 잘못된 사례를 위한 결정 또는 원인의 예측 또는 기여 요인이다. 에러 유발 추정(238)은 컴퓨팅 시스템(100), 레슨 콘텐츠(216), 레슨 프레임(212) 또는 이들의 조합에 의해 미리 결정된 임계값 아래에 있는 응답 정확도(224) 와 일치할 수 있다. 에러 유발 추정(238)은 학습자 집중 수준(236), 상황 파라미터(232), 다른 요소들, 또는 이들의 조합을 기초로 할 수 있다.

예를 들어, 에러 유발 추정(238)은 사용자의 스케줄의 변경이나 환경이나 상황 파라미터(232)에서 가리키는 바와 같이, 사용자에 의해 경험된 중요한 이벤트, 학습자 집중 수준 (236)이나 상황 파라미터(232) 또는 이들의 조합에 의해 가리켜지는 학습 세션(210) 동안의 방해에 기초할 수 있다. 또한 예로서, 사용자나 사용자들의 커뮤니티에 대한 신분, 수강 이력, 수강 속성, 또는 이들의 조합은 에러 유발 추정(238)의 근거가 될 수 있다. 추가적인 예로서, 에러 유발 추정(238)는 디자인에 의해 학습 세션(210)에 의해 제공되는 소스에 기초할 수 있다.

컴퓨팅 시스템(100)은 에러 유발 추정(238)를 결정할 수 있다. 에러 유발 추정(238)의 결정과 사용과 관련된 세부사항은 아래에서 논의한다.

학습 세션(210)은 일반적 에러(240)을 추가적으로 포함할 수 있다. 일반적 에러(240)은 평가 요소(218)과 관련되어 일반적인 부정확도의 표현이다. 일반적 에러(240)은 사용자의 반복되는 에러 패턴, 사용자의 커뮤니티, 교육자나 제공자의 자원에게 일반적으로 알려진 것, 또는 이들의 조합을 포함할 수 있다.

예를 들어, 일반적 에러 (240)는 특정한 색깔이나 다른 것에 비해 더 낮은 평균을 기록한 평가 형식(228)의 특정한 예를 포함하는 것과 같이, 평가 요소(218)의 학습자 응답(220)의 반복된 잘못된 예를 포함할 수 있다. 또한 예를 들어, 일반적 에러(240)은 맞춤법이나 숫자를 올리는 것을 잊어버리는 것과 같이 다른 에러에 비해 임계값에 기초한 비슷한 인구를 가진 아이들에게서 자주 보이는 실수들을 포함할 수 있다. 추가적인 예로서, 일반적 에러(240)은 선생님, 레슨 콘텐츠(216)의 제공자, 레슨 프레임(212)의 제공자, 교육자 또는 이들의 조합들에게 빈번하게 보고되는 잘못된 답을 포함할 수 있다.

컴퓨팅 시스템(100)은 임계값, 패턴, 미리 정해진 정의나 프로세스 또는 이들의 조합에 기초하여 일반적 에러(240)를 확인할 수 있다. 컴퓨팅 시스템(100)은 추가적으로 숙달 수준(108)을 평가하는데 일반적 에러(240)을 사용할 수 있다. 일반적 에러(240)와 관련된 세부사항은 아래에서 논의한다.

학습 세션 (210)는 주위 시뮬레이션 프로필 (242)을 더 포함할 수 있다. 주위 시뮬레이션 프로필(242)는 주제 (204)과 관련된 환경의 표현이다. 주위 시뮬레이션 프로필(242)은 주제(204)와 관련된 사운드, 온도 레벨, 휘도 레벨, 색상, 이미지, 또는 이들의 조합을 포함할 수 있다. 예를 들어, 주위 시뮬레이션 프로필 (242)은 주제 (204)와 관련된 시험 센터 또는 주제에 기재된 환경을 나타내기 위한 정보 일 수 있다.

보다 구체적인 예로서, 주위 시뮬레이션 프로필 (242)은 사용자에게 가르쳐야 되는, 아마존 또는 도시와 같은 위치 또는 환경을 재생산하기 위해, 컴퓨팅 시스템 (100)에서 하나 또는 그 이상의 장치를 제어하는 데 사용될 수 있다. 또한, 더 구체적인 예로서, 주위 시뮬레이션 프로필 (242)은 주제 (204), 사용자의 스케줄 또는 목표, 또는 이들의 조합과 관련된, 예컨대 학교 시험 또는 표준 시험과 같은 테스트와 관련된 주변 소음, 조명 상태, 또는 이들의 조합을 재생산하기 위해 사용될 수 있다.

디스플레이는 주제(204) 에 대한 사용자의 상호 작용에 기초한 생성, 계산, 결정, 또는 이들의 조합을 보여줄 수 있다. 예를 들어, 디스플레이는 이들의 관리 플랫폼 (202)을 통해 숙달 보상 (244), 연습 추천(246), 또는 이들의 조합을 표시 할 수 있다.

숙달 보상 (244)는 숙달 수준 (208)을 기준으로 사용자에게 제공되는 상품이다. 예를 들어, 숙달 보상 (244)은 쿠폰, 디지털 또는 비 디지털 아이템, 응용 프로그램 또는 기능에 대한 접근, 할당량의 증가 또는 사용할 수 있는 상품, 발표, 제목, 인증, 기록 또는 이들의 조합을 포함할 수 있다.

숙달 보상 (244)는 숙달 수준 (208) 대한 임계 값에 도달하거나 능가하는 것, 학습 세션 (210)의 전반적인 평가, 또는 이들의 조합을 기반으로 할 수 있다. 숙달 보상 (244)은 추가적으로 숙달 수준 (208), 학습 세션 (210)의 전반적인 평가, 또는 그 사용자와 관련된 커뮤니티의 조합을 비교하는 것에 기초 할 수 있다. 컴퓨팅 시스템 (100)은 숙달 수준 (208), 학습 세션 (210)의 전반적인 평가, 또는 주제(204)와 관련된 이들의 조합에 기초하여 사용자에 대한 숙달 보상 (244)에 대한 접근을 제공 할 수 있다.

연습 추천 (246)는 숙달 수준 (208)의 개선 또는 성장을 용이하게 하기 위해 결정된 정보의 통신이다. 연습 추천 (246)은 숙달 수준 (208)을 증가시키는 등의 학습 세션 (210)의 활동이나 추가적인 예와 같이 사용자가 수행 할 수 있는 작업을 설명하는 정보를 포함할 수 있다.

연습 추천 (246)는 숙달 수준 (208)의 개선 또는 성장을 촉진하기 위한 정보에 대한 전달을 위한 프레임 추천 (250), 콘텐츠 추천 (252), 또는 이들의 조합을 더 포함할 수 있는 세션 추천 (248)를 포함할 수 있다. 세션 추천(248)은 학습 세션 (210)의 또 다른 예의 통신이다. 세션 추천(248)은, 주제(204), 학습 세션 (210), 또는 이들의 조합의 후속 예를 추천 할 수 있다.

프레임 추천 (250)은 학습 세션 (210)의 추가적인 예를 위한 레슨 프레임 (212)의 인스턴스의 통신이다. 프레임 추천(250)은 사용자에게 특화된 숙달 수준 (208)을 개선하기 위한 컴퓨팅 시스템 (100)에 의해 결정된 레슨 프레임 (212)의 인스턴스를 통신 할 수 있다.

콘텐츠 추천 (252)는 학습 세션 (210)의 추가 예를 위한 레슨 콘텐츠 (216)의 인스턴스의 통신이다. 콘텐츠 추천 (252)은 구체적으로 사용자에게 특화된 숙달 수준 (208)을 개선하기 위한 컴퓨팅 시스템 (100)에 의해 결정된 레슨 콘텐츠 (216)의 인스턴스를 통신 할 수 있다.

연습 추천 (246)는 사용자가 숙달 수준 (208)을 개선하기 위한 활동에 언제 참석할 수 있는지, 어떻게 참석할 수 있는지에 대한 정보 또는 그 정보의 조합을 포함할 수 있다. 연습 추천 (246) 은 언제, 어떻게 활동을 하는지를 설명하기 위해 활동 추천(254), 일정 추천 (256), 또는 이들의 조합을 포함할 수 있다.

활동 추천 (254)는 학습 세션(210) 또는 관리 플랫폼(202)을 제외하고 발생하는 동작이나 이벤트를 통신하는 것이다. 예를 들어, 활동 추천 (254)는 학습 세션 (210)의 외부, 관리 플랫폼 (202)의 외부, 또는 이 둘 모두의 외부에서 주제(204)와 관련되는 특정 정보, 개념, 반복, 또는 이들의 조합을 사용하는 것이나 직면하는 것을 포함할 수 있다. 보다 구체적인 예로서, 활동 추천 (254)는 사용자의 일상 중에, 사용자에 의한 단어의 사용, 수학적 원리의 적용, 물리적 운동의 복제, 또는 이들의 조합을 포함할 수 있다.

일정 추천(256)은 학습 세션 (210)의 추가 또는 후속 인스턴스와 관련된 시간의 통신이다. 일정 추천 (256)는 날짜, 시간, 또는 다음으로 발생하는 학습 세션 (210)에 대한 이들의 조합을 포함할 수 있다. 일정 추천 (256) 은 프로젝트나 과제의 일부와 같은 작업 완료, 주제(204)를 연습, 자격이 유효한 기간 또는 이들의 조합의 기한일을 포함할 수 있다.

연습 추천 (246)은 컴퓨팅 시스템 (100)의 장치에 의해 시각적 표시 또는 청각적으로 생성되면서 통신될 수 있다. 연습 추천 (246) 은 다양한 요인 또는 요소에 기초 할 수 있다. 연습 추천 (246) 관한 상세 내용은 후술 될 것이다.

관리 플랫폼(202)는 주제(204)를 가르치는 것과 관련된 정보를 통신하기 위해 다양한 부분을 포함할 수 있다. 예를 들어, 관리 플랫폼(202)는 학습 부분(258), 보상 부분(260), 추천 부분(262), 또는 이들의 조합을 포함할 수 있다.

학습 부분 (258)는 학습 세션 (210)을 용이하게 하기 위한 상호 작용이나 통신 도구의 집합이다. 학습 부분 (258)는 그래픽 사용자 인터페이스 (GUI) 또는 내부에서 음성, 특정 정보의 표시, 표시 화면이나 내부 부분, 이들의 조합, 또는 레슨 프레임 (212), 레슨 콘텐츠 (216), 학습자 응답 (220), 주위 시뮬레이션 프로필 (242), 응답 평가 요소 (222), 또는 이들의 조합을 용이하게 하기 위한 이들의 특정 시퀀스를 포함할 수 있다.

예를 들어, 학습 부분(258)은 레슨 프레임 (212)에 따라 주제 (204) 를 전달하는 화면 또는 스크린의 시퀀스 또는 일부의 스크린을 포함할 수 있다. 또한 예를 들어, 학습 부분(258)은 레슨 콘텐츠(216)을 기초로 주제(204)를 설명하기 위한 영상을 표시하는 뷰어(Viewer)를 포함할 수 있다. 추가적인 예를 들면, 학습 부분 (258)는 그래픽 사용자 인터페이스, 소리의 시퀀스, 학습자 응답 (220)을 수신하고 응답 평가 요소 (222)에 관한 정보를 검출하고 주위 시뮬레이션 프로필 (242)에 따라 조건을 재현하거나 또는 이들의 조합을 수행하는 평가 요소(218)을 나타내기 위한 이들의 조합을 포함할 수 있다.

보상 부분 (260)은 숙달 보상 (244)를 통해, 학습 활동과 관련하여 사용자에게 수여하기 위한 상호 작용이나 통신 도구의 집합이다. 보상 부분(260) 은 그래픽 사용자 인터페이스나 그 안의 일부분, 소리, 특별한 정보의 전시, 전시된 화면 또는 그 안의 부분, 특징에 접근을 허용하는 기능 또는 컴퓨팅 시스템 (100)안의 기능, 그것의 조합 또는 나타내기 위한 그것의 특정한 시퀀스 또는 숙달 보상 (244)을 이용하는 것을 포함할 수 있다.

예를 들어, 보상 부분(260)은 쿠폰이나 학습 활동과 관련한 상(prize)의 다운로드 링크를 표시할 수 있다. 또한 예를 들어, 보상 부분 (260)는 학습 활동에 대한 응답으로 게임이나 모드에 대한 접근의 잠금을 해제하거나 그 권한을 부여 할 수 있다.

추천 부분 (262)는 연습 추천 (246)를 통해 학습 활동과 관련하여 사용자에게 통지하는 상호 작용이나 통신 도구의 집합이다. 예를 들어, 추천 부분 (262)는 그래픽 사용자 인터페이스 또는 내부 부분, 음성, 특정 정보의 표시, 표시 화면이나 내부 부분, 이들의 조합, 또는 연습 추천 (246)을 전달하기 위한 이들의 특정 시퀀스를 포함할 수 있다.

도 3 은 제 1 장치(102)의 추가적인 디스플레이의 예를 나타낸다. 디스플레이는 프로필 부분(302), 지식 모델 부분(304), 커뮤니티 부분(306), 또는 이들의 조합을 포함한 도 2 의 관리 플랫폼(202)을 나타낸다.

프로필 부분 (302)는 사용자를 식별하는 정보를 전달하기 위한 상호 작용이나 통신 도구의 집합이다. 프로필 부분 (302)는 사용자의 개인 식별 정보나, 이들의 그래픽 사용자 인터페이스 구현, 또는 이들의 조합을 수신하기 위한 사용자의 정보, 인터페이스 부분을 표시하는 표시 부분을 포함할 수 있다.

프로필 부분 (302)는 학습자 프로필 (308)을 전달 할 수 있다. 학습자 프로필 (308)은 사용자, 사용자의 특성 또는 특성, 또는 이들의 조합을 식별하는 정보의 집합이다. 예를 들어, 프로필 부분 (302)는 식별 정보 (310), 학습 스타일(312), 학습 목표 (314), 학습자의 특성 (316), 학습자 스케줄 캘린더 (318), 학습자 기록 (320), 또는 이들의 조합을 포함할 수 있다.

식별 정보 (310)는 사용자를 인식하기 위한 개인적 및 인구 통계학적 정보가 될 수 있다. 식별 정보 (310)는 등록 학교 또는 그룹 멤버와 같이 사용자의 이름, 나이, 성별, 직업, 권리, 현재 위치, 관련, 또는 이들의 조합을 포함할 수 있다.

학습 스타일 (312)는 사용자에게 효과적이거나 사용자에 의해 선호되는 모드나 방법에 대한 설명이다. 학습 스타일 (312)은 정보를 획득하고 처리하는 사용자의 자연적이고 습관적인 패턴에 기초 할 수 있다. 학습 스타일 (312)는 데이비드 콜브(David Kolb)의 모델 또는 신경 - 언어 프로그래밍 모델과 같은 학습 모델을 기반으로 할 수 있다. 학습 스타일 (312)은 시각적인 학습자 또는 집중적 사고형의 사람, 또는 이와 관련된 임의의 값과 같은 분류 또는 타이틀로 표현 될 수 있다.

학습 목표 (314)는 사용자가 원하는 학습과 관련된 목적이다. 학습 목표 (314)는 개인의 목표, 수업 계획, 시험 일정, 도2의 숙달 수준 (208), 또는 이들의 조합을 포함할 수 있다. 학습 목표 (314)는 컴퓨팅 시스템 (100), 사용자, 교육자 또는 사용자와 관련된 가정교사, 사용자의 보호자, 정부 기관, 또는 이들의 조합에 의해 제공 될 수 있다. 학습 목표 (314)는 이메일, 확인, 식별 정보 (310), 스케줄, 또는 이들의 조합과 같은 사용자와 기인하거나 관련된 정보에 의해 추론 될 수 있다.

학습자의 특성 (316)은 사용자에게 귀속되는 패턴이나 특성이다. 학습자의 특성 (316)은 사용자의 강점, 약점, 궁합, 싫어하는 것, 또는 이들의 조합을 포함할 수 있다. 학습자의 특성 (316)은 학습 장애나 특별한 능력이나 특성을 포함할 수 있다. 학습자의 특성 (316)는 분류, 제목, 이들의 추상적인 표현, 또는 이들의 조합에 의해 표현 될 수 있다.

컴퓨팅 시스템 (100)은 컴퓨팅 시스템 (100) 또는 관리 플랫폼 (202)와 사용자의 상호 작용에 기초하여 학습자의 특성 (316)을 결정하거나 추정할 수 있다. 학습자의 특성 (316)에 관한 상세 사항은 후술 될 것이다.

학습자의 스케줄 달력 (318)은 사용자와 해당되는 날짜와 시간과 관련되는 정보의 모음이다. 학습자 스케줄 달력 (318) 은 활동, 이벤트, 회의, 메모, 약속, 알림, 트리거 또는 특정 날짜에 해당하는 이들의 조합, 특정 시간, 또는 이들의 조합을 포함할 수 있다. 학습자의 스케줄 달력 (318)은 도 2의 학습 세션 (210), 학습 세션(210)의 전용 정보나 관리 플랫폼 (202) 또는 이들의 조합을 포함할 수 있다.

학습자의 기록 (320)는 숙달 수준 (208)의 증가와 관련된 사용자의 경험의 기록이다. 학습자 기록(320)은 이전 또는 현재 발생하는 활동, 이벤트, 모임 약속, 트리거, 학습 세션 (210), 관리 플랫폼 (202)과의 상호 작용의 기록, 또는 이들의 조합을 포함할 수 있다. 학습자 기록 (320)은 도 2의 레슨 프레임 (212), 도2의 응답 평가 요소 (222), 도 2 의 일반적 에러 (240), 숙달 보상(244), 도2의 연습 추천(246) 과 같은 사용자의 이전 경험에 관련되는 정보를 포함할 수 있다.

학습자 기록 (320)는 상기 학습 세션 (210) 또는 관리 플랫폼 (202)에 전속적인 사용자의 경험을 포함할 수 있다. 예를 들어, 학습자 기록 (320)은 사용자에 의해 수강되거나 등록되거나, 사용자에 의한 성취도, 사용자에게 수여된 자격이나 학위, 이들과 관련된 점수 또는 평가, 또는 이들의 조합을 포함할 수 있다.

지식 모델 부분 (304)은 사용자가 보유 또는 접근가능 한 정보의 표현 및 보존성 또는 접근성에 기인한 수행 능력을 전달하기 위한 상호 작용이나 통신 도구의 집합이다. 지식 모델 부분 (304)는 사용자에 알려진 정보의 모델을 표시하는 표시 부분, 사용자의 접근 기술, 이들과 관련된 수행 능력, 또는 이들의 조합을 포함할 수 있다.

지식 모델 부분 (304)은 학습자 지식 모델 (322)를 전달할 수 있다. 학습자의 지식 모델 (322)는 정보나 사용자에 의해 접근 가능한 기술과 이들과 관련된 수행 능력의 표현이다. 학습자 지식 모델 (322)은 텍스트, 숫자, 그래프, 분류, 지도, 또는 이들의 조합을 사용하여 표현 될 수 있다.

학습자 지식 모델 (322)은 도 2의 주제(204)의 하나 이상의 인스턴스와 그와 관련된 사용자의 숙달 수준 (208) 를 나타낼 수 있다. 학습자 지식 모델 (322)은 한 개, 복수 개, 특정 집합 또는 사용자에 의한 주제의 분류 (206) 에 대한 모든 식별된 인스턴스를 나타낼 수 있다.

예를 들어, 학습자 지식 모델 (322)은 세계 역사 또는 추가와 같이, 학문 제목 또는 내부 부-구성요소에 대한 사용자의 수행 능력을 나타낼 수 있다. 또 예를 들어, 학습자 지식 모델 (322)는 회사 내의 특정 부서 또는 그룹에 적용할 수 있는 모든 능력에 관한 사용자의 기술 수준을 나타낼 수 있다.

학습자 지식 모델 (322)은 현재의 사용자의 지식을 나타낼 수 있다. 학습자 지식 모델 (322)은 상기와 같은 학습자 지식 모델 (322)의 이전의 인스턴스, 시간의 기간에 걸친 변화, 또는 이들의 조합과 같이, 일정 주기 기간 동안의 사용자의 지식을 나타낼 수 있다.

학습자의 지식 모델 (322)는 다양한 사용자의 기술이나 지식에 관한 정보, 또는 이와 변경 사항을 포함할 수 있다. 예를 들어, 학습자 지식 모델 (322)은 시작점 (324), 학습 진도(326), 학습자 특정 패턴 (328), 또는 이들의 조합을 포함할 수 있다.

시작점(324)은 주제(204)의 이전의 교육 활동에 대한 사용자, 학습 세션(210)의 첫 번째 인스턴스, 주제(204)의 특정 인스턴스에 대한 이들의 조합에 대한 정보나 기존의 기술의 추상적인 표현이 될 수 있다. 시작점 (324)은 외부 소스와 함께 또는 주제(204)의 관련 인스턴스와의 만남으로부터의 사용자의 상호 작용에 기초할 수 있다.

컴퓨팅 시스템 (100)은 사용자의 달성 정도의 입력이나 평가 테스트나 설문 조사를 통한 입력과 같은, 시작점(324)과 직접적으로 관련된 정보나 주제(204)의 특정의 인스턴스 에 기초하여 시작점(324)를 결정할 수 있다. 컴퓨팅 시스템 (100)은 또한 직접적으로 시작점 (324)과 관련된 정보나 주제(204)의 특정 인스턴스를 사용하지 않고, 시작점 (324)을 유추하여 시작점 (324)을 결정할 수 있다. 시작점 (324)에 관한 상세 사항은 아래에서 논의될 것이다.

학습 진도 (326)은 속도, 지속 기간, 또는 학습자 지식 모델 (322)의 변화와 관련된 양이다. 학습 진도 (326)는 주제 (204)의 특정 인스턴스에 대한 숙달 수준 (208) 변화와 관련된 기간이나 속도가 될 수 있다. 학습 진도 (326)는 숫자 또는 비율, 재생 시간, 치수, 정규화 또는 보통 인자, 또는 이들의 조합과 같은 임의의 양으로 표현 될 수 있다. 학습 진도 (326)는 상기 주제 (204)와 관련된 행위 또는 시도의 개수로 표현 될 수 있다.

학습자 특정 패턴 (328)은 사용자의 지식이나 내부의 변화와 관련되는 정보의 나열이나 구성이다. 학습자 특정 패턴 (328)은 주제 (204)와 관련된 사용자의 수행 능력이나 사용의 나열 또는 구성이 될 수 있다.

학습자 특정 패턴(328)은 응답 평가 요소 (222)의 패턴을 포함할 수 있다. 학습자 특정 패턴(328)은 에러 패턴, 우수 또는 뛰어난 수행 능력의 패턴, 또는 이들의 조합을 포함할 수 있다. 학습자 특정 패턴 (328)은 학습 세션(210), 레슨 프레임 (212)도 포함하여, 도 2의 레슨 콘텐츠 (216), 일반적 에러 (240), 도2의 주위 시뮬레이션 프로필 (242), 응답 평가 요소 (222), 또는 이들의 조합과 같은 다양한 요인에 기초한 패턴을 포함할 수 있다.

학습자 특정 패턴 (328)는 상기 학습 활동에 대한 접근의 패턴을 포함할 수 있다. 예를 들어, 학습자 특정 패턴 (328)는 사용자의 학교 일정, 작업 일정, 훈련 식이 요법을 포함할 수 있다. 또 예를 들어, 학습자 특정 패턴 (328)은 관리 플랫폼 (202) 에 접근하기 위한 패턴, 학습 세션 (210), 주제 (204), 그들과 관련된 숙달 수준 (208), 그들 내부의 변화, 또는 이들의 조합을 포함할 수 있다.

학습자 특정 패턴 (328)은 사용자의 강점, 약점, 경향, 기호 또는 이들의 조합을 설명 할 수 있다. 학습자 특정 패턴 (328)는 주제(204)의 단일 인스턴스 내에서의 패턴일 수도 있고, 또는 주제 (204)의 여러 인스턴스 내의 또는 여러 인스턴스에 걸치는 패턴일 수 있다.

커뮤니티 부분 (306)는 학습 활동에 관련된 사람이나 단체에 대한 정보를 전달하기 위한 상호 작용이나 통신 도구의 집합이다. 커뮤니티 부분 (306)는, 표시부, 그래픽 사용자 인터페이스, 오디오 출력, 또는 사용자로서 유사한 양태 또는 특성을 갖는 사람을 표시하는 이들의 조합, 또는 학습 세션(210) 또는 사용자를 위한 학습 활동에 관련된 엔티티들을 포함할 수 있는데, 그것은 교사나 부모, 이전 또는 최근에 주제 (204)를 숙달한 사람 또는 교사, 또는 이들의 조합 일 수 있다.

커뮤니티 부분 (306)은 학습 커뮤니티 (330)를 통신할 수 있다. 학습 커뮤니티(330)는 사람의 그룹화이고, 실체, 단체, 또는 학습 활동에 기초하여 사용자와 관련된 이들의 조합이다. 학습 커뮤니티 (330)는 사용자 및 사람들의 그룹간, 또는 실체, 조직, 또는 이들의 조합들 간의 이전 만남 또는 공통 친구 또는 구성원을 통하는 것과 같은 접속을 포함할 수 있다. 학습 커뮤니티 (330)는 사람, 단체, 조직, 또는 이들의 조합을 위한 사람의 연락처 정보나 방법을 포함할 수 있다.

학습 커뮤니티(330)는 사람의 다양한 다른 유형을 포함할 수 있으며, 실체, 단체, 또는 이들의 조합을 포함할 수 있다. 예를 들어, 학습 커뮤니티 (330)는 사람, 기관, 조직, 또는 학습 피어(peer) (336), 주제 강사 (338), 다른 사람, 단체, 기관 또는 이들의 조합을 포함한 사용자에 대한 직접 링크(332) 또는 간접 링크 (334)을 통한 이들의 조합을 포함할 수 있다.

직접 링크 (332)은 사용자와 사람, 실체, 조직, 또는 이들의 조합 사이의 의도적인 상호 작용을 기반으로 한 연계이다. 직접 링크 (332)은 사람, 기관, 단체, 또는 발표자 또는 디지털 대응, 또는 사용자와 이들의 조합과 같은 개인적인 만남, 직접 통신을 갖는 이들의 조합을 포함할 수 있다.

간접 링크 (334)는 공통점에 기초하여 사용자와 사람, 실체, 조직, 또는 이들의 조합 사이의 의도적인 상호 작용을 기반으로 한 연계이다. 간접 링크 (334)는 포함할 수 있는 사람, 기관, 단체, 또는 이들의 조합으로서 사용자와 유사한 특성 또는 특징을 공유하지만, 관계 또는 사용자와 관련한 연결과 관련하여 하여 어떠한 형태로 부족한 것을 말한다.

예를 들어, 사용자의 교사 또는 급우는 사람의 상호 작용에 기인하여, 직접 링크 (332)를 통해 사용자에게 연결될 수 있다. 또한 예를 들면, 같은 등급 또는 같은 지역에 위치하고 있는 것과 같은 비슷한 인구 통계학적 정보를 갖는 다른 학생들, 또는 아이들이 학습자 프로필(308)의 비슷한 인스턴스를 갖는 아이들과 함께하는 과외 서비스는 간접 링크 (334)를 통해 사용자에 연결할 수 있다. 사용자가 개인지도 서비스를 위해 등록하는 경우보다. 구체적인 예를 들어, 과외 서비스를 등록하면, 과외 서비스는 간접 링크 (334)에서 직접 링크 (332)로 변경될 수 있다. 학습 피어 (336)는 사람 또는 사용자에게 유사성을 갖는 사람의 그룹이다. 학습 피어 (336)은 직접 링크 (332), 간접 링크 (334), 또는 이들의 조합을 포함할 수 있다. 예를 들어, 학습 피어 (336)는 동급생, 동료, 사회 친구, 또는 이들의 조합과 같은 공통 학습 활동을 통해 사용자에게 연결된 사람에 대한 직접 링크 (332)을 포함할 수 있다.

또 예를 들어, 학습 피어 (336)는 또한 같은 연령, 등급, 위치 또는 제목, 성별, 위치 또는 인종 배경, 교육 수준, 또는 이들의 조합의 식별 정보 (310)에 나타낸 바와 같이 사용자로 동일 또는 유사한 인구 통계 학적 정보를 갖는 사람에 대한 간접 링크 (334)를 포함할 수 있다. 추가적인 예를 들면, 학습 피어 (336)는 학습자 프로필 (308), 숙달 수준 (208), 주제 (204), 학습자의 지식 모델 (322), 또는 이들의 조합의 유사성으로 나타낸 바와 같이 유사 지식이나 특성 및 특징을 갖는 사람들을 포함할 수 있다.

주제의 강사 (338)는 사람 또는 사용자가 주제 (204)를 배울 수 있도록 할 수 있는 사람을 갖는 엔티티다. 주제의 강사(338)는 직접 링크 (332), 간접 링크 (334), 또는 이들의 조합을 포함할 수 있다.

주제의 강사 (338)는 학습자 프로필 (308), 학습자의 지식 모델 (322), 또는 이들의 조합들의 인스턴스의 고유 특성 또는 특정 특성을 가질 수 있다. 예를 들어, 주제 강사 (338) 는 주제 (204) 에 대한 숙달 수준 (208)에 있어 사용자보다 더 높은 인스턴스를 가질 수 있다. 또 예를 들어, 주제 강사 (338)는 학습자 프로필 (308), 또는 이들의 조합에서 표시된 것과 같이 정보를 가르치고 나르고, 사용자로서 유사한 경험이나 배경을 가지고, 사용자로서 인식하고 일하는 훈련을 위한 컴퓨팅 시스템 (100)에 의해 결정된 요구사항을 만족시키는 숙달 수준(208)을 가질 수 있다.

주제 강사 (338)는 교사, 정식 교사, 과외 서비스나 프로그램, 트레이너, 훈련 서비스 나 프로그램, 숙달 수준 (208)의 높은 인스턴스를 보유하거나 이전 주제 (204) 를 예전에 경험한 사람, 또는 이들의 조합을 포함할 수 있다. 컴퓨팅 시스템 (100)이 보조자 부분을 통해 주제 강사 (338)를 전달하거나 식별 할 때, 주제 강사 (338)는 간접 링크 (334)로 시작될 수 있다. 사용자가 주제 강사 (338)와 상호 작용 한 후 주제 강사 (338)는 직접 링크(332)가 될 수 있다. 주제 강사 (338)는 또한 학습 활동을 보조할 수 있는 가족과 사용자의 친구를 위해 직접 연결(332)로 시작할 수 있다.

학습 커뮤니티 (330)는 추가적으로 교사, 보호자, 고용주, 관리자, 학교, 기업, 감독 또는 사용자를 위한 학습 활동에 관련된 것, 학습 세션 또는 관리 플랫폼 (202)에 관련된 것, 또는 학습 세션과 관리 플랫폼(202)의 외부와 관련된 사용자에 대한 학습 활동을 포함할 수 있다. 학습 커뮤니티 (330)는 이와 유사하게 학습 활동, 관리 플랫폼 (202), 학습 세션 (210), 또는 이들의 조합에 관한 정보를 제공하는 레슨 프레임 (212) 또는 숙달 보상 (244) 과 같은 제공 업체를 포함할 수 있다.

컴퓨팅 시스템 (100)은 연습 방법 (340), 주제 연결 모델 (348), 또는 이들의 조합을 포함하고 표시할 수 있다. 연습 방법 (340)은 사용자에게 주제(204)를 보강하는 기술 또는 프로세스이다.

연습 방법 (340)는 주제(204)에 대한 숙달 수준 (208)을 강화하기 위한 단계의 집합, 일련의 활동, 평가 도구, 타이밍, 또는 이들의 변형, 또는 이들의 조합을 포함할 수 있다. 연습 방법 (340)은 점진적 간격 증가 방법(graduated interval method), 이멀젼(immersion) 훈련, 임펄스(impluse) 훈련, 또는 이들의 조합과 같은 교육 방법, 심리 모델, 또는 이들의 조합을 포함할 수 있다. 연습 방법 (340)은 수업 계획, 훈련 요법 또는 이들의 조합을 포함할 수 있다.

컴퓨팅 시스템 (100)은 프로세스나 학습 세션 (210)의 하나 이상의 인스턴스, 이들 타이밍, 이들의 평가, 또는 이들의 조합의 하나 이상의 인스턴스를 포함하는 프로세스나 일련의 단계로서 실행 방법 (340)을 나타낼 수 있다. 연습 방법 (340)은 타이밍 및 자연 또는 학습자 지식 모델 (322), 숙달 수준 (208), 응답 평가 요소 (222), 또는 이들의 조합에 기초하여 후속 활동의 유형을 결정하기 위한 도구를 포함할 수 있다.

연습 방법 (340)은 연습 스케줄 (342), 타겟 장치 (344), 난이도 평가 (346), 또는 이들의 조합을 포함할 수 있다. 연습 스케줄 (342)은 학습 세션 (210)의 하나 이상의 인스턴스를 위한 타이밍이다. 연습 스케줄 (342)은 다음에 발생하는 인스턴스까지 기간, 발생에 대한 시간 및 날짜, 또는 학습 세션 (210) 또는 사용자에 의해 수행되어야 하는 작업에 대한 이들의 조합으로 표현 될 수 있다. 연습 스케줄 (342)은 도2의 일정 추천 (256)와 관련될 수 있다. 연습 스케줄 (342)은 등급이 매겨진 간격 방법, 침지 훈련, 임펄스 훈련, 또는 이들의 조합과 같은 교육 방법, 심리 모델, 또는 이들의 조합에 기초 할 수 있다.

타겟 장치 (344)는 학습 활동을 구현하기 위한 장치의 명칭 또는 식별이다. 예를 들어, 타겟 장치 (344)는 학습 세션(210)를 수행하고, 도 2의 활동 추천 (254)의 실행에서 사용자로부터 입력을 수신하고, 또는 이들의 조합을 위한 인터넷 프로토콜 주소 또는 장치 일련 번호를 포함할 수 있다.

난이도 평가 (346) 는 성공적으로 학습 활동을 완료하는 데 필요한 사용자의 숙달 수준 (208)의 평가이다. 난이도 평가 (346)는 임의의 값, 치수, 임계 값, 또는 이들의 컴퓨팅 시스템 (100), 레슨 콘텐츠 (216) 또는 레슨 프레임 (212)의 공급자, 또는 이들의 조합에 의한 소정의 조합에 의해 표현 될 수 있다.

난이도 평가 (346)는 도2의 평가 형식(228) 또는 도2의 상황 파라미터(232), 일반적 에러(240), 도2의 주위 시뮬레이션 프로필(242), 또는 그 밖의 조합과 같은 레슨 콘텐츠(216), 도2의 평가 요소(218), 응답 평가 요소(222)를 포함하여 연습 추천(246)의 평가를 포함할 수 있다. 난이도 평가 (346)는 추가적으로 학습자 응답 (220), 활동 추천(254)에 대응하는 입력 자료, 동작 또는 주제에 대응하는 사용자의 동작이나 행동, 또는 이들의 조합을 포함하는 숙달 수준 (208)의 사용자의 시연에 대한 평가를 포함할 수 있다.

예를 들어, 난이도 평가(346)는 객관식보다 질문의 빈칸 채우기 유형이 더 높을 수 있다. 또한 예를 들어, 보기 또는 듣기와 같이 사용자가 주제(204)에 직면할 때의 난이도(346)는 주제(204)에 대한 지식이 요구되는 일에 대하여 말하거나 그 작업을 수행하는 경우와 같이 사용자가 능동적으로 주제(204)에 기초하여 행동해야 하는 경우의 난이도보다 낮을 수 있다.

주제 연결 모델 (348)는 주제 (204)의 여러 인스턴스 사이의 연결이나 관계를 나타낸다. 주제 연결 모델 (348)은 주제 (204) 의 인스턴스 간의 연결, 연결에 대한 평가, 연결의 종류(nature), 또는 이들의 조합을 포함할 수 있다.

예를 들어, 주제 연결 모델 (348)은 다른 주제 (204), 유사 또는 관련 문제, 관련 없는 문제, 또는 이들의 조합에 대한 요구 기준인 주제(204)의 하나의 인스턴스를 기술할 수 있다. 또한 예를 들어, 주제 연결 모델 (348)은 숙달 수준 (208)과 주제(204) 의 인스턴스 사이의 관계를 설명할 수 있는데 이는 주제(204)의 또 다른 인스턴스의 숙달 수준(208)의 하나의 인스턴스를 위한 숙달 수준(208)의 추론을 포함한다.

보다 구체적인 예로서, 주제 연결 모델 (348)은 '곱셈 연산'에 대한 요구 기준으로 '덧셈 연산'을 설명할 수 있으며, 퍼센테이지나 등식, 또는 이들의 조합과 같은 방식으로 '덧셈 연산'과 '곱셈 연산' 사이에 대응되는 숙달 수준(208)의 관계를 설명할 수 있다. 또한, 더 구체적인 예로서, 주제 연결 모델 (348)은 언어의 동사 시제, 각종 학습 및 듣기 이해, 문장 구조, 문법, 또는 이들의 조합 사이의 연결을 설명 할 수 있다. 주제 연결 모델 (348)은, 주제(204)의 또 다른 인스턴스의 숙달 수준(208)에 기초한 주제(204)의 특정 인스턴스에 대하여, 라인(line)의 두께를 이용하여 연결의 평가 또는 숙달 수준(208)의 추론, 또는 이들의 조합을 나타낼 수 있다.

도4 는 제 1 장치 (102)의 또 다른 디스플레이의 예이다. 디스플레이는 외부 엔티티 (402)의 표현을 표시 할 수 있다. 외부 엔티티 (402)는 디자이너, 개발자, 판매자, 유통, 또는 이들의 조합과 같은 공급자를 포함할 수 있다. 외부 엔티티(402)는 도 2의 관리 플랫폼 (202), 도2 의 레슨 프레임 (212), 도2 의 레슨 콘텐츠 (216), 도2 의 평가 요소 (218), 도2 의 숙달 보상(244), 도2 의 주위 시뮬레이션 프로필(242), 또는 이들의 조합에 대한에 대한 공급자가 될 수 있다.

외부 엔티티 (402)는 추가적으로 사용자 또는 사용자의 학습 활동과 관련된 사람이나 엔티티를 포함할 수 있다. 예를 들어, 외부 엔티티 (402)는 교사, 학교, 교사, 과외 서비스, 관리자 또는 감독자, 회사나 직장, 또는 이들의 조합을 포함할 수 있다. 또한 예를 들어, 외부 엔티티 (402)는 부모나 보호자를 포함할 수 있다.

컴퓨팅 시스템 (100)은 식별 정보, 연락 정보, 또는 이들의 조합으로 외부 엔티티 (402)를 나타낼 수 있다. 예를 들어, 외부 엔티티 (402)는 이름, 시리얼 번호, 식별자, 분류, 전화 번호, 이메일 주소, 링크 또는 인터넷 주소, 컴퓨터 식별 정보, 또는 이들의 조합으로 표현될 수 있다. 컴퓨팅 시스템 (100)은 나아가 외부 엔티티 (402)를 통신 소프트웨어, 애플리케이션, 하드웨어 인터페이스, 또는 이들의 조합으로 나타낼 수 있다.

디스플레이는 추가적으로 외부 엔티티 (402)와 관련된 정보를 표시 할 수 있다. 예를 들어, 디스플레이는 외부 피드백 (404), 외부 엔티티 평가 (406), 외부 엔티티 입력(408) 또는 이들의 조합을 표시할 수 있다.

외부 피드백 (404) 은 관리 플랫폼(202) 으로부터, 또는 그것을 통해 외부 엔티티 (402)에 전송되는 정보이다. 외부 피드백 (404)는 다양한 정보일 수 있다. 예를 들어, 외부 피드백 (404)은 도3의 학습자 프로필, 도3의 학습자 지식 모델 (322), 사용자로부터의 도2 의 학습자 응답, 또는 이들의 조합과 같은 컴퓨팅 시스템 (100)에 의해 생성된 사용자 또는 내용에 관한 정보를 포함할 수 있다.

보다 구체적인 예로서, 외부 피드백 (404)은 정보를 사용, 정보를 점수 매기거나, 또는 도2의 학습 세션 (210)와 관련된 이들의 조합을 포함할 수 있다. 또한, 더 구체적인 예로서, 외부 피드백 (404)은 제안, 외부 엔티티 (402) 또는 제품의 평가, 또는 이들의 조합을 포함할 수 있다.

외부 엔티티 평가 (406)은 외부 엔티티 (402) 또는 이들 제품의 평가이다. 예를 들어, 외부 엔티티 평가 (406)는 레슨 프레임 (212), 레슨 콘텐츠(216), 평가 요소(218), 숙달 보상 (244), 또는 이들의 조합과 같은 외부 엔티티 (402)의 평가 또는 순위선정, 또는 외부 엔티티(402)의 제품에 대한 평가 또는 순위 선정을 포함할 수 있다.

외부 엔티티 평가 (406)는 사용자, 컴퓨팅 시스템 (100), 또는 이들의 조합에 의해 제공되는 정보일 수 있다. 외부 엔티티 평가 (406)는 또한 외부 엔티티 (402)의 다른 인스턴스에 의해 제공될 수 있다. 예를 들어, 외부 엔티티 평가 (406)는 학습 세션 (210) 또는 교사 과외 서비스, 또는 이들의 조합의 구성 요소를 평가하는 학교 또는 교사에 의해 제공될 수 있다.

외부 피드백 (404)은 외부 엔티티 평가 (406)를 포함할 수 있고 이것은 외부 엔티티 (402) 에 전송될 수 있다. 외부 엔티티 평가 (406)는 사용자, 컴퓨터 시스템 (100), 외부 엔티티 (402)의 다른 인스턴스들, 또는 이들의 조합에 제공될 수 있다. 외부 엔티티 평가(406)는 평가 총점, 효과, 평가, 호환성 또는 사용자로부터 주워진 이들의 조합, 학습자에 대응되는 것, 또한 이들의 조합을 포함할 수 있다. 외부 엔티티 평가 (406)는 추가적으로 점수, 효과, 평가, 호환성 또는 학습자 프로필 (308) 또는 학습자 지식 모델 (322)의 이들의 사용자의 특정 형태에 대응하는 조합, 학습자 커뮤니티 (330)의 특정 인스턴스, 또는 사용자에 대응되는 이들의 조합을 포함할 수 있다.

외부 엔티티 평가 (406)는 추가로 벤치 마크 순위를 포함할 수 있다. 벤치 마크 순위는 특정 카테고리에 있는 외부 엔티티(402)의 여러 인스턴스에 대한 순위를 매길 수 있다. 카테고리는 주제 (204)에 기초할 수 있으며, 학습자 프로필 (308)의 특징, 학습자의 지식 모델 (322), 학습 커뮤니티 (330), 또는 이들의 조합을 기초로 할 수 있다.

외부 엔티티 입력 (408)는 관리 플랫폼 (202)으로 또는 그것을 통해서 전달되는 외부 엔티티 (402) 로부터의 정보이다. 예를 들어, 외부 엔티티 입력 (408)은 예컨대 장치나 관리 플랫폼 (202), 메시지, 업데이트, 또는 이들의 조합과 같은 특정 웹 사이트나 기능, 제어 정보를 접근하기 위한 접근 권한을 포함할 수 있다.

디스플레이는 추가적으로 장치 사용 프로필 (410)를 표시 할 수 있다. 장치 사용 프로필 (410)는 하나 이상의 장치와 사용자의 상호 작용의 기록이다. 장치 사용 프로필 (410)은 시간, 빈도, 기간, 또는 컴퓨팅 시스템 (100)과 사용자의 상호 작용을 위한 이들의 조합을 포함할 수 있다.

장치 사용 프로필 (410)은 또한 사용된 응용 프로그램이나 소프트웨어에 대한 식별 정보, 접근 내용, 상호작용시의 물리적 위치, 다른 상황 정보, 또는 이들의 조합을 포함할 수 있다. 장치 사용 프로필 (410)는 도 1의 제1 장치 (102), 도1의 제 2장치(106), 도1의 제2장치(106), 도1의 제3장치(108) 또는 이들의 조합과의 사용자의 상호 작용을 포함할 수 있다. 장치 사용 프로필 (410)는 상기 관리 플랫폼 (202), 또는 관리 플랫폼 (202)의 외부 또는 관리 플랫폼 (202)과 관련이 없는 상호 작용을 포함할 수 있다.

장치 사용 프로필 (410)는 사용자의 컴퓨팅 시스템 (100) 또는 내부 장치와의 상호 작용의 기록을 포함할 수 있다. 장치 사용 프로필 (410)는 추가적으로 하나 이상의 장치 또는 사용자에 의해 소유되거나 사용자가 접근 가능한 모든 장치들의 정보를 식별화 하는 것을 포함할 수 있다. 장치 사용 프로필 (410)도 접속 기록이나 사용자에 의한 하나 이상의 장치의 접근 패턴을 포함할 수 있다.

예를 들어, 장치 사용 프로필 (410)은 접근 권한 (412), 플랫폼 외부 사용(414), 상황적 오버랩(contextual overlap) (416), 사용 중요성 (418), 또는 이들의 조합을 포함할 수 있다. 접근 권한 (412)는 도2의 주제(204) 에 대한 사용자의 접근성의 표현이다. 접근 권한 (412)는 웹 사이트, 특징, 기능, 또는 이들의 조합을 포함할 수 있다. 접근 권한 (412)는 주제 (204), 관리 플랫폼 (202), 플랫폼 외부 사용(414), 또는 이들의 조합과 관련될 수 있다.

플랫폼 외부 사용(414)은 관리 플랫폼 (202), 학습 세션 (210), 또는 이들의 조합을 제외한 사용자의 활동 또는 상호 작용이다. 플랫폼 외부 사용 (414)은 제 1장치 (102), 제 2 장치 (106), 제 3 장치 (108), 또는 학습 세션 (210), 관리 플랫폼 (202), 또는 이들의 조합의 독립적인 조합을 포함하는 활동 또는 사용을 포함할 수 있다.

플랫폼 외부 사용 (414)은 관리 플랫폼(202), 학습 세션(210), 또는 이들의 조합을 제외하고, 소프트웨어 프로세스, 어플리케이션, 데이터, 또는 이들의 조합을 포함하는 활동 또는 사용을 포함할 수 있다. 예를 들어, 플랫폼 외부 사용 (414)는 인터넷 브라우저, 메시징 애플리케이션, 게임, 전화 기능, 화상 통화와 같은 비디오 채팅이나 비디오 플레이어, 또는 이들의 조합의 활동이나 용도를 포함할 수 있다.

컴퓨팅 시스템 (100)은 활동 또는 사용에 대한 이름 또는 분류, 응용 프로그램 또는 활동 또는 사용 중에 접근 소프트웨어 프로세스의 식별, 또는 이들의 조합에 의한 플랫폼 외부 사용(414)을 나타낼 수 있다. 컴퓨팅 시스템 (100)은 시간, 지속 시간, 빈도, 또는 활동 또는 사용을 위한 이들의 조합, 활동 또는 사용에 대한 사용자 또는 장치의 위치, 활동 또는 사용과 관련된 다른 상황 정보, 또는 이들의 조합과 같은 상황상 정보에 기초하여 플랫폼 외부 사용 (414)을 나타낼 수 있다. 플랫폼 외부 사용 (414)는 활동이나 사용 중에 접근된 콘텐츠 정보를 추가적으로 포함할 수 있다.

상황적 오버랩(416)은 플랫폼 외부 사용 (414)과 주제 (204) 사이의 관련성을 나타낸다. 상황적 오버랩 (416)은 주제(204)의 하나 이상의 인스턴스와 플랫폼 외부 사용 (414)간의 일치(alignment) 또는 유사성을 나타낸다.

컴퓨팅 시스템 (100)은 플랫폼 외부 사용(414)을 위한 상황적 오버랩 (416)을 결정할 수 있다. 컴퓨팅 시스템 (100)은 주제 (204), 플랫폼 외부 사용 (414) 의 비교에 근거하여 상황적 오버랩 (416)을 결정할 수 있다. 상황적 오버랩 (416) 관한 상세는 아래에서 논의 될 것이다.

사용 중요성 (418)는 주제(204) 에 대해 플랫폼 외부 사용 (414)으로 표시된 도 2의 숙달 수준 (208)의 평가이다. 사용 중요성 (418)은 상황적 오버랩 (416)을 기반으로 할 수 있다. 사용 중요성 (418)는 플랫폼 외부 사용 (414)이 될 수 있다. 사용 중요성 (418) 는 주제(204)의 하나 이상의 인스턴스와 관련될 수 있다.

사용 중요성 (418)는 플랫폼 외부 사용 (414)에 대한 분류로 표현될 수 있다. 예를 들어, 사용 중요성 (418)는 듣기 또는 읽기와 같은 수동 분류, 또는 쓰기나 말하기와 같은 활동 분류를 포함할 수 있다. 또한 예를 들어, 사용 중요성 (418)는 플랫폼 외부 사용 (414)에 의해 지시된 숙달 수준 (208)의 임의의 점수 매기기 또는 평가로 표현될 수 있다.

컴퓨팅 시스템 (100)은 사용 중요성 (418)를 결정할 수 있다. 사용 중요성 (418)에 관한 사항은 상세히 후술 될 것이다.

도 5 은 컴퓨팅 시스템 (100)의 블록도의 일 예이다. 컴퓨팅 시스템(100)은 제 1 장치 (102), 통신 경로(104) 그리고 제 2 장치(106)를 포함할 수 있다. 제 1 장치 (102)는 제 2 장치 (106)로 통신 경로(104)의 제 1 장치 전송 (508)를 통하여 정보를 보낼 수 있다. 마찬가지로 제 2 장치 (106)는 제 1 장치 (102)에 통신 경로(104)의 제 2 장치 전송 (510)을 통하여 정보를 보낼 수 있다.

설명의 목적으로 컴퓨팅 시스템(100)이 제 1 장치(102)를 클라이언트 장치로 한다고 나타내었지만, 컴퓨팅 시스템(100)은 제 1 장치(102)를 다른 형태의 기기로도 가질 수도 있음은 자명하다. 예를 들어 제 1 장치(102)는 디스플레이 인터페이스를 포함한 서버일 수 있다.

설명의 목적으로 컴퓨팅 시스템(100)이 제 2 장치(106)를 서버 장치로 한다고 나타내었지만, 컴퓨팅 시스템(100)은 제 2 장치(106)를 다른 형태의 기기로도 가질 수도 있다. 예를 들어 제 2 장치(106)는 클라이언트 장치일 수 있다.

본 발명의 실시 예에서는 설명의 간략화를 위해 제 1 장치(102)를 클라이언트 장치로서, 제 2 장치(106)를 서버 장치로서 나타내었으나 본 발명은 기기의 종류에 한정되지 않는다. 본 예시는 본 발명의 일례일 뿐이다.

제 1 장치(102)는 제 1 제어부(512), 제 1 저장부(514), 제 1 통신부(516), 제 1 사용자 인터페이스(518), 그리고 위치부(520)를 포함할 수 있다. 제 1 제어부(512)은 제 1 제어 인터페이스(522)를 통하여 통신할 수 있다. 제 1 제어부(512)는 컴퓨팅 시스템(100)에 지능을 제공하기 위하여 제 1 소프트웨어(526)를 실행할 수 있다.

제 1 제어부(512)은 다수의 다른 방식들로 구현될 수 있다. 예를 들어 제 1 제어부(512)는 프로세서, ASIC(application specific integrated circuit ), 임베디드 프로세서, 마이크로 프로세서, 하드웨어 제어 로직, 하드웨어 유한 상태 기계(FSM), 디지털 신호 프로세서(DSP) 또는 이들의 조합일 수 있다. 제 1 제어 인터페이스 (522) 는 제 1 제어부 (512)와 제 1 장치 (102)의 다른 기능부 사이의 통신을 위해 사용될 수 있다. 제 1 제어 인터페이스(522)는 제 1 장치(102) 외부의 통신을 위해 사용될 수 있다.

제 1 제어 인터페이스(522)는 다른 기능부들 또는 외부 소스들로부터 정보를 수신하거나, 다른 기능부들 또는 외부의 대상(destination)들로 정보를 전송할 수 있다. 상기 외부 소스들과 외부 대상들은 제 1 장치(102) 외부의 소스들과 대상들을 의미한다.

제 1 제어 인터페이스(522)는 서로 다른 방식들로 구현될 수 있으며, 특히 어떤 기능부들 또는 외부 장치들이 상기 제 1 제어 인터페이스(522)와 접속되고 있는지에 따라 다르게 구현될 수 있다. 예를 들어 제 1 제어 인터페이스(522)는 압력 센서, 관성 센서, 마이크로 - 전자 기계 시스템(MEMS), 광학 회로, 도파관, 무선 회로, 유선 회로 또는 이들의 조합으로 구현될 수 있다.

제 1저장부(514)는 제 1 소프트웨어(526)을 저장할 수 있다. 제 1저장부(514)는 들어오는 이미지의 표현, 이전에 나타난 이미지를 표현하는 데이터, 사운드 파일, 또는 이들의 조합과 같은 관련 정보를 저장할 수 있다.

제 1 저장부 (514) 는 휘발성 메모리, 비 휘발성 메모리, 내장 메모리, 외장 메모리, 또는 이들의 조합일 수 있다. 예를 들어, 제 1 저장부 (514) 는 NVRAM(nonvolatile storage such as non-volatile random access memory), 플래시 메모리, 디스크 저장장치와 같은 비 휘발성 저장장치가 될 수도 있고 SRAM (static random access memory) 과 같은 휘발성 저장장치가 될 수도 있다.

제 1 저장부(314)는 제 1 저장 인터페이스(524)를 포함할 수 있다. 제 1 저장 인터페이스(524)는 제 1 장치(102)에서 제1저장부(514)와 다른 기능부들 간의 통신을 위해 사용될 수 있다. 제1저장부(524)는 또한 제1장치(102)의 외부의 통신을 위해 사용될 수 있다.

제 1 저장 인터페이스(524)는 다른 기능부들 또는 외부 소스들로부터 정보를 수신하거나, 다른 기능부들 또는 외부의 대상들로 정보를 전송할 수 있다. 외부 소스들과 외부 대상(destination)들은 제 1 장치(102) 외부의 소스들과 대상들을 의미한다.

제 1 저장 인터페이스(524)는 어떤 기능부들 또는 외부 장치들이 제 1 저장부(514)와 접속되고 있는지에 따라 다른 구현 형태들을 포함할 수 있다. 제 1 저장 인터페이스(524)는 제 1 제어 인터페이스(522)의 구현 기술들과 유사한 기술들을 사용하여 구현될 수 있다.

제 1 통신부(516)는 제 1 장치(102)와 외부와의 통신이 가능하도록 할 수 있다. 예를 들어 제 1 통신부(516)는 제 1 장치(102)가 도 1의 제 2 장치(106), 제3장치(108), 주변 장치 또는 컴퓨터 데스크탑 및 통신 경로(104)와 같은 부가 장치와 통신하는 것을 허용한다.

제 1 통신부(516)는 제 1 장치(102)가 통신 경로(104)의 도착점 또는 단말 기기(terminal unit)로 기능이 제한되지 않고 통신 경로(104)의 일부로서 기능할 수 있도록 하는 통신 허브로서 기능할 수 있다. 제 1 통신부(516)는 통신 경로(104)와 상호 작용할 수 있도록 전자회로 또는 안테나와 같은 능동 및 수동 소자를 포함할 수 있다.

제 1 통신부(516)는 제 1 통신 인터페이스(528)를 제어할 수 있다. 제 1 통신 인터페이스(528)는 제 1 장치(102)에서 제 1 통신부(516) 및 다른 기능부들 간의 통신을 위해 사용될 수 있다. 제 1 통신 인터페이스(528)는 다른 기능부로부터 정보를 수신 하거나, 다른 기능부로 정보를 전송할 수 있다.

제 1 통신 인터페이스(528)는 어떤 기능부들 또는 외부 기기들이 제 1 통신부(516)과 접속되고 있는지에 따라 다른 구현 형태들을 포함할 수 있다. 제 1 저장 인터페이스(528)는 제 1 제어 인터페이스(522)의 구현 기술들과 유사한 기술들을 사용하여 구현될 수 있다.

제 1 사용자 인터페이스(518)는 사용자가 제 1 장치(102)에 접속하여 상호작용할 수 있도록 할 수 있다. 제 1 사용자 인터페이스(518)는 입력 장치와 출력 장치를 포함할 수 있다. 제 1 사용자 인터페이스(518)의 입력 장치의 예로 데이터와 통신 입력을 제공하기 위한 키패드, 터치 패드, 소프트 키, 키보드, 마이크로폰, 원격 신호를 받기 위한 적외선 센서 또는 이들의 조합을 포함할 수 있다.

제 1 사용자 인터페이스(518)는 제 1 디스플레이 인터페이스(530)를 포함할 수 있다. 제 1 디스플레이 인터페이스(530)는 출력 장치를 포함할 수 있다. 제 1 디스플레이 인터페이스(330)는 디스플레이, 영사기, 터치 스크린, 비디오 스크린, 스피커 또는 이들의 조합을 포함할 수 있다.

제 1 제어부(512)는 컴퓨팅 시스템(100)에 의하여 생성되는 정보를 표시하도록 제 1 사용자 인터페이스(518)를 구동할 수 있다. 또한 제 1 제어부(512)는 컴퓨팅 시스템 (100)의 다른 기능들을 위하여 제 1 소프트웨어(526)를 실행할 수 있고 이것은 위치부(520)로부터 위치 정보를 수신하는 것을 포함한다. 제 1 제어부(512)는 제 1 통신부(516)를 통해 통신 경로(104)와 상호작용하기 위하여 제 1 소프트웨어(526)를 실행할 수 있다.

위치부 (520)는 예로서, 위치 정보, 현재 방향, 현재 가속도, 그리고 첫 번째 장치 (102)의 속도를 생성할 수 있다. 위치부 (520)은 여러 가지 방법으로 구현될 수 있다. 예를 들어, 위치부 (520)은 위성 위치 확인 시스템, 관성 컴퓨팅 시스템, 셀룰러-타워(cellular-tower) 위치 시스템, 압력 위치 시스템, 또는 이들의 임의의 조합의 적어도 일부분으로서 기능할 수 있다. 또한, 예를 들어, 위치부 (520)은 가속도계 또는 GPS 수신기와 같은 구성 요소를 이용할 수 있다.

위치부 (520)는 위치 인터페이스 (532)를 포함할 수 있다. 위치 인터페이스 (532)는 제1 장치 (102)에서 위치부 (520) 및 다른 기능부들 간의 통신을 위해 사용될 수 있다. 위치 인터페이스 (532)는 제1장치 (102)에 외부의 통신을 위해 사용될 수 있다.

위치 인터페이스 (532)는 다른 기능 유닛들 또는 외부 소스로부터 정보를 수신하거나, 다른 기능부 또는 외부의 목적지로 정보를 전송할 수 있다. 외부 소스와 외부 대상은 제1장치 (102) 외부의 소스와 대상을 의미한다.

위치 인터페이스(532)는 어떠한 기능부가 위치부(520)와 접속되어 있는지에 따라 다른 구현 형태들을 포함할 수 있다. 위치 인터페이스(532)는 제 1 제어 인터페이스(512)의 구현 기술들과 유사한 기술들로 구현될 수 있다.

제 2 장치(106)는 제 1 장치(102)가 포함된 복수 장치 실시 예에서 본 발명을 구현하기 위해 최적화될 수 있다. 제 2 장치(106)는 제 1 장치(102)에 비하여 더 뛰어난 연산처리 능력을 가질 수 있다. 제 2 장치(106)는 제 2 제어부(534), 제 2 통신부(536) 및 제 2 사용자 인터페이스(538), 그리고 제2 저장부(546)를 포함할 수 있다.

제 2 사용자 인터페이스(538)는 사용자가 제 2 장치(106)에 접속하여 상호 작용하도록 기능한다. 제 2 사용자 인터페이스(538)는 입력 장치와 출력 장치를 포함할 수 있다. 제 2 사용자 인터페이스(538)의 입력 장치의 예로는 데이터와 통신 입력을 제공하기 위한 키패드, 터치 패드, 소프트 키, 키보드, 마이크로폰 또는 이들의 임의의 조합을 포함할 수 있다. 제 2 사용자 인터페이스(538)의 출력 장치의 예는 제 2 디스플레이 인터페이스(540)를 포함할 수 있다. 제 2 디스플레이 인터페이스(540)는 디스플레이, 프로젝터, 비디오 스크린, 스피커, 또는 이들의 임의의 조합을 포함할 수 있다.

제 2 제어부(534)는 컴퓨팅 시스템(100) 안의 제 2 장치(106)의 정보를 제공하는 제 2 소프트웨어(542)를 실행할 수 있다. 제 2 소프트웨어(542)는 제 1 소프트웨어(526)와 함께 작동할 수 있다. 제 2 제어부(534)는 제 1 제어부(512)에 비해 추가 성능을 제공할 수 있다.

제 2 제어부(534)는 정보를 표시하는 제 2 사용자 인터페이스(538)를 조작할 수 있다. 또한 제 2 제어부(534)는 통신 경로(104)를 통해 제 1 장치(102)와 통신하기 위하여 제 2 통신부(536)를 실행하는 등의 (100)의 다른 기능들을 위하여 제 2 소프트웨어(542)를 실행할 수 있다.

제 2 제어부(534)는 다수의 다른 방식들로 구현될 수 있다. 예를 들어, 제 2 제어부(534)는 프로세서, 임베디드 프로세서, 마이크로 프로세서, 하드웨어 제어 로직, 하드웨어 유한 상태 기계(FSM), 디지털 신호 프로세서(DSP), 또는 이들의 조합일 수 있다.

제 2 제어부(534)는 제 2 제어 인터페이스(544)를 포함할 수 있다. 제 2 제어 인터페이스(544)는 제 2 장치(106)에서 제 2 제어부(534) 및 다른 기능부들 간의 통신을 위해 사용될 수 있다. 제 2 제어 인터페이스(544)는 제 2 장치(106) 외부의 통신을 위해 사용될 수 있다.

제 2 제어 인터페이스(544)는 다른 기능부들 또는 외부 소스들로부터 정보를 수신하거나, 다른 기능부들 또는 외부의 대상들로 정보를 전송할 수 있다. 외부 소스들과 외부 대상들은 제 2 장치(106) 외부의 소스들과 대상들을 의미한다.

제 2 제어 인터페이스(544)는 서로 다른 방식들로 구현될 수 있으며, 어떤 기능부들 또는 외부 장치들이 제 2 제어 인터페이스(544)와 접속되어 있는지에 따라 다른 구현 형태를 포함할 수 있다. 예를 들어 제 2 제어 인터페이스(544)는 압력 센서, 관성 센서, 마이크로 전자 기계 시스템(MEMS), 광학 회로, 도파관, 무선 회로, 유선 회로 또는 이들의 조합으로 구현될 수 있다.

제 2 저장부(546)는 제 2 소프트웨어(542)를 저장할 수 있다. 제 2 저장부(546)는 들어온 이미지를 나타내는 데이터, 이전에 제시된 이미지를 나타내는 데이터, 음향 파일 또는 이들의 조합과 같은 관련 정보를 저장할 수 있다. 제 2 저장부(546)는 제 1 저장부(514)를 보충할 수 있도록, 제 1 저장부(514)에 추가적인 저장 용량을 제공할 수 있을 정도의 크기가 될 수 있다.

설명을 위하여 제 2 저장부(546)는 단일 소자로서 표현하였지만, 제 2 저장부(546)는 두 개 이상의 소자가 여러 장소에 나뉘어 분포할 수도 있다. 설명을 위하여 컴퓨팅 시스템(100)은 제 2 저장부(546)가 단일 계층 저장 시스템을 가진 것으로 표현하였지만, 제 2 저장부(546)는 다른 구조를 가질 수도 있다. 예를 들어 제 2 저장부(546)는 캐쉬 메모리, 메인 메모리, 회전 담체(rotating media), 오프라인 저장 장치와 같은 메모리 계층 시스템을 형성하는 서로 다른 저장 기술로 형성될 수 있다.

제 2 저장부(546)는 휘발성 메모리, 비 휘발성 메모리, 내부 메모리, 외부 메모리 또는 이들의 조합일 수 있다. 예를 들어 제 2 저장부(546)는 비 휘발성 랜덤 액세스 메모리(NVRAM), 플래시 메모리, 디스크 저장 장치 등의 비 휘발성 저장매체 또는 정적 랜덤 액세스 메모리(SRAM)와 같은 휘발성 저장 장치가 될 수 있다.

제 2 저장부(546)는 제 2 저장 인터페이스(548)를 포함할 수 있다. 제 2 저장 인터페이스(548)는 제 2 장치(106) 내부에서 제2저장부(546)과 서로 다른 기능부들 간의 통신을 위해 사용될 수 있다. 제 2 저장 인터페이스(548)는 제 2 장치(106) 외부의 통신을 위해 사용될 수 있다.

제 2 저장 인터페이스(548)는 다른 기능부들 또는 외부 소스들로부터 정보를 수신하거나, 다른 기능부들 또는 외부 대상들로 정보를 전송할 수 있다. 외부 소스들과 외부 대상들은 제 2 장치(106) 외부의 소스들과 대상들을 의미한다.

제 2 저장 인터페이스(548)는 어떠한 기능부들 또는 외부 장치들이 제 2 저장부(546)와 연결되어 있는지에 따라 다른 구현 형태들을 포함할 수 있다. 제 2 저장 인터페이스(548)는 제 2 제어 인터페이스(544)의 구현 기술들과 유사한 기술들로 구현될 수 있다.

제 2 통신부(536)는 제 2 장치(106)가 외부와의 통신을 가능하게 할 수 있다. 예를 들어, 제 2 통신부(536)는 제 2 장치 (106)가 통신 경로(104)를 통해 제 1 장치(102)와 통신하도록 할 수 있다.

또한 제 2 통신부(536)는 제 2 장치(106)가 통신 경로(104)의 도착점 또는 단말 기기(terminal unit)로 기능이 제한되지 않고 통신 경로(104)의 일부로서 기능할 수 있게 하는 통신 허브로서 기능할 수 있다. 제 2 통신부(536)는 통신 경로(104)와 상호 작용할 수 있도록 전자회로 또는 안테나와 같은 능동 및 수동 소자들을 포함할 수 있다.

제 2 통신부(536)는 제 2 통신 인터페이스(550)를 포함할 수 있다. 제 2 통신 인터페이스(550)는 제 2 장치(106)에서 제 2 통신부(536) 및 다른 기능부들 간의 통신을 위해 사용될 수 있다. 제 2 통신 인터페이스(550)는 다른 기능부들로부터 정보를 수신하거나, 다른 기능부들로 정보를 전송할 수 있다.

제 2 통신 인터페이스(550)는 어떠한 기능부가 제 2 통신부(536)와 접속되어 있는지에 따라 다른 구현 형태들을 포함할 수 있다. 제 2 통신 인터페이스(550)는 제 2 제어 인터페이스(544)의 구현 기술들과 유사한 기술들로 구현될 수 있다.

제 1 통신부(516)는 제 1 장치 전송 (508) 안에서 제 2 장치 (106)에 정보를 전달하기 위하여 통신 경로(104)와 함께 연결할 수 있다. 제 2 장치 (106)는 제 2 통신부(536)를 통해 통신 경로(104)의 제 1 장치 전송(508)으로부터 정보를 수신할 수 있다.

제 2 통신부(536)는 제 2 전송 장치(310)를 통하여 제 1 장치(102)에 정보를 전달하기 위하여 통신 경로(104)와 연결할 수 있다. 제 1 장치(102)는 제 1 통신부(516)에서 통신 경로(104)의 제 2 장치 전송 (510)을 통하여 전달되는 정보를 수신할 수 있다. 컴퓨팅 시스템(100)은 제 1 제어부(512), 제 2 제어부(534), 또는 이들의 조합에 의해 실행될 수 있다. 설명의 목적으로 제 2 장치(106)는 제 2 사용자 인터페이스(538), 제 2 저장부(546), 제 2 제어부(534) 및 제 2 통신부(536) 네 개의 파티션(partition)으로 분할하였을 뿐, 제 2 장치(106)는 다른 종류의 파티션을 가질 수 있다. 예를 들어 제 2 소프트웨어(542)는 그 기능들의 일부 또는 전부가 제 2 제어부(534) 및 제 2 통신부(536)에 있을 수 있도록 분배될 수 있다. 또한 제 2 장치(106)는 도 5 도시되지 않은 다른 기능부들을 포함할 수 있다.

제 1 장치(102)의 기능부들은 다른 기능부들과 개별적, 독립적으로 작동할 수 있다. 제 1 장치(102)는 제 2 장치(106), 통신 경로(104)로부터 개별적, 독립적으로 작동할 수 있다.

제 2 장치(106)의 기능부들은 다른 기능부들과 개별적, 독립적으로 작동할 수 있다. 제 2 장치(106)는 제 1 장치(102), 통신 경로(104)로부터 개별적, 독립적으로 작동할 수 있다.

설명의 목적으로 컴퓨팅 시스템 (100)을 제 1 장치(102)와 제 2 장치(106)의 동작으로 설명하였다. 제 1 장치(102) 또는 제 2 장치(106)는 컴퓨팅 시스템 (100)의 다른 모듈이나 기능을 실행할 수 있음은 자명하다.

도 6 은 컴퓨팅 시스템 (100)의 블록도의 일 예이다. 컴퓨팅 시스템 (100)은 도5의 제1장치(102), 제2장치(106)와 마찬가지로 제3장치(108)을 포함할 수 있다. 제 1 장치 (102)는 제 3 장치 (108)로 통신 경로(104)의 제 1 전송 장치를 통하여 정보를 보낼 수 있다. 제3장치(108)은 제 1 장치 (102), 제 2 장치 (106), 또는 이들의 조합으로 통신 경로(104)의 제 3 장치 전송 (610)를 통하여 정보를 보낼 수 있다.

설명의 목적으로 컴퓨팅 시스템(100)이 제 3 장치(108)를 클라이언트 장치로 한다고 나타내었지만, 컴퓨팅 시스템(100)은 제 3 장치(108)를 다른 형태의 기기로도 가질 수도 있다. 예를 들어 제 3 장치(108)는 서버 장치일 수 있다.

설명의 목적으로 컴퓨팅 시스템(100)이 제 1 장치(102)와 제3 장치(108)과 통신하는 것으로 나타내었다. 그러나, 제1장치(102)와 제2장치(106)과의 통신과 비슷한 방식으로 제2장치(106) 또한 제3장치(108)과 통신할 수 있음은 자명하다.

본 발명의 실시 예에서는 설명의 간략화를 위해 제 3장치(108)를 클라이언트 장치로서 나타내었으나 본 발명은 기기의 종류에 한정되지 않는다. 본 예시는 본 발명의 일례일 뿐이다.

제 3 장치(108)는 제 1 장치(102)가 포함된 복수 장치 실시 예에서 본 발명을 구현하기 위해 최적화될 수 있다. 제 3 장치(106)는 제 1 장치(102), 제2장치(106), 또는 이들의 조합에 비하여 더 뛰어난 연산처리 능력을 가질 수 있다. 제3장치(108)은 제 1 장치(102), 제2장치(106), 또는 이들의 조합에 비하여 추가적이고 구체적인 기능을 제공할 수 있다. 제3 장치(108)은 제1장치(102)의 사용자들로부터 분리된 사용자들에 의해 소유되거나 사용된 장치가 될 수 있다. 제 3 장치(108)는 제 3 제어부(634), 제 3 통신부(636) 및 제 3 사용자 인터페이스(638)를 포함할 수 있다.

제 3 사용자 인터페이스(638)는 사용자가 제 3 장치(108)에 접속하여 상호 작용하도록 기능한다. 제 3 사용자 인터페이스(638)는 입력 장치와 출력 장치를 포함할 수 있다. 제 3 사용자 인터페이스(638)의 입력 장치의 예로는 데이터와 통신 입력을 제공하기 위한 키패드, 터치 패드, 소프트 키, 키보드, 마이크로폰 또는 이들의 임의의 조합을 포함할 수 있다. 제 3 사용자 인터페이스(638)의 출력 장치의 예는 제 3 디스플레이 인터페이스(640)를 포함할 수 있다. 제 3 디스플레이 인터페이스(640)는 디스플레이, 프로젝터, 비디오 스크린, 스피커, 또는 이들의 임의의 조합을 포함할 수 있다.

제 3 제어부(634)는 컴퓨팅 시스템(100) 안의 제 3 장치(108)의 지능을 제공하는 제 3 소프트웨어(642)를 실행할 수 있다. 제 3 소프트웨어(642)는 제 1 소프트웨어(526), 도5의 제2소프트웨어(542), 또는 이들의 조합과 함께 작동할 수 있다. 제 3 제어부(634)는 제 1 제어부(512)에 비해 추가 성능을 제공할 수 있다.

제 3 제어부(634)는 정보를 표시하는 제 3 사용자 인터페이스(638)를 조작할 수 있다. 또한 제 3 제어부(334)는 통신 경로(104)를 통해 제 1 장치(102), 제2장치(106), 또는 이들의 조합과 통신하기 위하여 제 3 통신부(636)를 실행하는 등의 컴퓨팅 시스템(100)의 다른 기능들을 위하여 제 3 소프트웨어(642)를 실행할 수 있다.

제 3 제어부(634)는 다수의 다른 방식들로 구현될 수 있다. 예를 들어, 제 3 제어부(634)는 프로세서, ASIC, 임베디드 프로세서, 마이크로 프로세서, 하드웨어 제어 로직, 하드웨어 유한 상태 기계(FSM), 디지털 신호 프로세서(DSP), 또는 이들의 조합일 수 있다.

제 3 제어부(634)는 제 3 제어 인터페이스(644)를 포함할 수 있다. 제 3 제어 인터페이스(634)는 제 3 장치(108)에서 제 3 제어부(634) 및 다른 기능부들 간의 통신을 위해 사용될 수 있다. 제 3 제어 인터페이스(644)는 제 3 장치(108) 외부의 통신을 위해 사용될 수 있다.

제 3 제어 인터페이스(644)는 다른 기능부들 또는 외부 소스들로부터 정보를 수신하거나, 다른 기능부들 또는 외부의 대상들로 정보를 전송할 수 있다. 외부 소스들과 외부 대상들은 제 3 장치(108) 외부의 소스들과 대상들을 의미한다.

제 3 제어 인터페이스(644)는 서로 다른 방식들로 구현될 수 있으며, 어떤 기능부들 또는 외부 장치들이 제 3 제어 인터페이스(644)와 접속되어 있는지에 따라 다른 구현 형태를 포함할 수 있다. 예를 들어 제 2 제어 인터페이스(644)는 압력 센서, 관성 센서, 마이크로 전자 기계 시스템(MEMS), 광학 회로, 도파관, 무선 회로, 유선 회로 또는 이들의 조합으로 구현될 수 있다.

제 3 저장부(646)는 제 3 소프트웨어(642)를 저장할 수 있다. 제 3 저장부(646)는 들어온 이미지를 나타내는 데이터, 이전에 제시된 이미지를 나타내는 데이터, 음향 파일 또는 이들의 조합과 같은 관련 정보를 저장할 수 있다. 제 3 저장부(646)는 제 1 저장부(614)를 보충할 수 있도록, 제 1 저장부(514)에 추가적인 저장 용량을 제공할 수 있을 정도의 크기가 될 수 있다.

설명을 위하여 제 3 저장부(646)는 단일 소자로서 표현하였지만, 제 3 저장부(646)는 두 개 이상의 소자가 여러 장소에 나뉘어 분포할 수도 있다. 설명을 위하여 컴퓨팅 시스템(100)은 제 3 저장부(646)가 단일 계층 저장 시스템을 가진 것으로 표현하였지만, 제 3 저장부(646)는 다른 구조를 가질 수도 있다. 예를 들어 제 3 저장부(646)는 캐쉬 메모리, 메인 메모리, 회전 담체(rotating media), 오프라인 저장 장치와 같은 메모리 계층 시스템을 형성하는 서로 다른 저장 기술로 형성될 수 있다.

제 3 저장부(646)는 휘발성 메모리, 비 휘발성 메모리, 내부 메모리, 외부 메모리 또는 이들의 조합일 수 있다. 예를 들어, 제 3 저장부(646)는 비 휘발성 랜덤 액세스 메모리(NVRAM), 플래시 메모리, 디스크 저장 장치 등의 비 휘발성 저장매체 또는 정적 랜덤 액세스 메모리(SRAM)와 같은 휘발성 저장 장치가 될 수 있다.

제 3 저장부(646)는 제 3 저장 인터페이스(648)를 포함할 수 있다. 제 3 저장 인터페이스(648)는 제 3 장치(108) 내부의 서로 다른 기능부들 간의 통신을 위해 사용될 수 있다. 제 3 저장 인터페이스(648)는 제 3 장치(108) 외부의 통신을 위해 사용될 수 있다.

제 3 저장 인터페이스(648)는 다른 기능부들 또는 외부 소스들로부터 정보를 수신하거나, 다른 기능부들 또는 외부 대상들로 정보를 전송할 수 있다. 외부 소스들과 외부 대상들은 제 3 장치(106) 외부의 소스들과 대상들을 의미한다.

제 2 저장 인터페이스(648)는 어떠한 기능부들 또는 외부 장치들이 제 3 저장부(646)와 연결되어 있는지에 따라 다른 구현 형태들을 포함할 수 있다. 제 3 저장 인터페이스(648)는 제 3 제어 인터페이스(644)의 구현 기술들과 유사한 기술들로 구현될 수 있다.

제 3 통신부(636)는 제 3 장치(108)가 외부와의 통신을 가능하게 할 수 있다. 예를 들어, 제 3 통신부(636)는 제 3 장치 (108)가 통신 경로(104)를 통해 제 1 장치(102), 제 2장치(106), 또는 이들의 조합과 통신하도록 할 수 있다.

또한 제 2 통신부(636)는 제 3 장치(108)가 통신 경로(104)의 도착점 또는 단말 기기(terminal unit)로 기능이 제한되지 않고 통신 경로(104)의 일부로서 기능할 수 있도록 하는 통신 허브로서 기능할 수 있다. 제 3 통신부(636)는 통신 경로(104)와 상호 작용할 수 있도록 전자회로 또는 안테나와 같은 능동 및 수동 소자들을 포함할 수 있다.

제 3 통신부(636)는 제 3 통신 인터페이스(650)를 포함할 수 있다. 제 3 통신 인터페이스(650)는 제 3 장치(106)에서 제 3 통신부(636) 및 다른 기능부들 간의 통신을 위해 사용될 수 있다. 제 3 통신 인터페이스(650)는 다른 기능부들로부터 정보를 수신 하거나, 다른 기능부들로 정보를 전송할 수 있다.

제 3 통신 인터페이스(650)는 어떠한 기능부가 제 3 통신부(636)와 접속되어 있는지에 따라 다른 구현 형태들을 포함할 수 있다. 제 3 통신 인터페이스(650)는 제 3 제어 인터페이스(644)의 구현 기술들과 유사한 기술들로 구현될 수 있다.

제 1 통신부(516)은 제1장치 전송(508)에서 제3장치(108)에게 정보를 보낼 수 있도록 통신 경로(104)와 결합할 수 있다. 제3장치(108)은 통신 경로(104)의 제1장치 전송(508)으로부터 제3통신부(636)안에서 정보를 수신할 수 있다.

제3통신부(636)은 제3장치 전송(610)안에서 제1장치(102)에게 정보를 보낼 수 있도록 통신 경로(104)와 결합할 수 있다. 제 1 장치(102)는 통신 경로(104)의 제 3 장치 전송(610)으로부터 제 1 통신부(516) 안에서 정보를 수신할 수 있다. 컴퓨팅 시스템(100) 은 제1제어부(512), 제3제어부(634) 또는 이들의 조합에 의해 수행될 수 있다. 제2장치(106)은 그 내부의 대응되는 유닛과 기능을 사용하여 제3 장치(108)과 유사하게 통신하고 상호작용할 수 있다.

설명적인 목적을 위해, 제3 사용자 인터페이스(638), 제3저장부(646), 제3제어부(634), 그리고 제3통신부(636) 와 함께 나타나지만, 제 3장치(108)은 다른 파티션을 가질 수 있음은 자명하다. 예를 들어, 제3소프트웨어(642) 는 제3제어부(634) 그리고 제3통신부(636) 안의 일부 또는 모든 기능이 될 수 있는 것과 같이 다른 파티션이 될 수 있다. 또한, 제 3장치(108)은 도6에서 도시되지 않은 다른 기능부를 포함할 수 있다.

제 3 장치(108)의 기능부들은 다른 기능부들과 개별적, 독립적으로 작동할 수 있다. 제 3 장치(108)는 제 1 장치(102), 제2장치(106), 그리고 통신 경로(104)로부터 개별적, 독립적으로 작동할 수 있다.

설명의 목적으로 컴퓨팅 시스템 (100)을 제 1 장치(102)와 제 3 장치(106)의 동작으로 설명하였다. 제 1 장치(102) , 제2장치(106), 그리고 제 3 장치(108)는 컴퓨팅 시스템 (100)의 다른 모듈이나 기능을 실행할 수 있음은 자명하다.

도 7은 컴퓨팅 시스템 (100)의 제어 흐름을 나타낸다. 컴퓨팅 시스템 (100)은 식별 모듈 (702), 세션 모듈 (704), 학습자 분석 모듈 (706), 커뮤니티 모듈 (708), 평가 모듈 (710), 피드백 모듈 (712), 계획 모듈 (714), 및 사용 감지 모듈 (716)을 포함할 수 있다.

식별 모듈 (702)은 하나의 모듈에 영향을 미치는 다른 모듈의 동작, 또는 이들의 조합의 동작을 함으로써 다른 모듈의 입력으로서 하나의 모듈의 출력을 가짐으로써, 유선 또는 무선 연결을 사용하는 세션 모듈 (704)에 연결될 수 있다. 마찬가지로, 세션 모듈 (704) 및 사용 감지 모듈 (716)은 학습자 분석 모듈 (706)에 결합 될 수 있으며, 학습자 분석 모듈 (706)은 커뮤니티 모듈 (708)에 연결될 수 있다. 더욱이, 커뮤니티 모듈 (708)은 평가 모듈 (710)에 결합 될 수 있으며, 평가 모듈 (710)은 피드백 모듈 (712)에 연결될 수 있다. 마찬가지로, 피드백 모듈 (712)은 계획 모듈 (714)에 결합 될 수 있고, 계획 모듈 (714)은 상기 식별 모듈 (702)에 연결될 수 있다.

식별 모듈 (702)은 사용자를 식별하도록 구성된다. 식별 모듈 (702)은 사용자에 관한 정보를 수집하여 사용자를 식별할 수 있다.　

식별 모듈 (702)은, 도3의 프로필 부분(302)와 함께 사용자와 관련된 정보를 표시하거나 수신하거나 요청할 수 있다. 식별 모듈 (702)은 도 5의 제1 사용자 인터페이스 (518), 도5의 제 2 사용자 인터페이스 (538), 도 5의 제 3 사용자 인터페이스 (638), 또는 프로필 부분 (302)를 생성 및 표시하는 이들의 조합을 사용할 수 있다.

예를 들어, 식별 모듈 (702)은, 로그 - 인 스크린을 표시 하고, 사용자의 식별 정보를 수신하고, 사용자의 식별 정보를 확인하고, 또는 이들의 조합을 확인하여 사용자를 식별 할 수 있다. 또 예를 들어, 식별 모듈 (702)은 도3의 학습자 프로필(308)에 대응하는 정보를 수집하기 위한 화면 또는 일련의 프롬프트를 표시하여 사용자를 식별 할 수 있다.

보다 구체적인 예로서, 식별 모듈 (702)은 도 3의 식별 정보 (310)를 수신하고, 도3의 학습 스타일(312), 도 3의 학습 목표 (314), 도 3의 학습자의 특성(316), 또는 이들의 조합을 수신하기 위해 프로필 부분 (302)를 사용하여 사용자를 식별 할 수 있다. 또한, 더 구체적인 예로서, 식별 모듈 (702)은 학습 스타일 (312)을 학습 목표 (314), 학습자의 특성 (316), 또는 이들의 조합을 제외한 정보를 수집하기 위해 프로필 부분 (302)를 사용하여 사용자를 식별 할 수 있다.　

다른 예로서, 식별 모듈 (702)은 학습자 프로필 (308)을 표시하여 사용자를 식별 할 수 있다. 보다 구체적인 예로서, 식별 모듈 (702)은 로그 - 인 이름 또는 사용자의 이름, 도 3의 학습자 스케줄 달력 (318), 학습 목표 (314), 또는 이들의 조합과 같은 식별 정보(310)을 표시 할 수 있다.

식별 모듈 (702)은 상기 사용자와 관련된 정보를 식별 할 수 있다. 식별 모듈 (702)은 도2의 주제(204), 도2의 주제 분류(206), 도2의 숙달 수준(208), 도 2의 학습 세션(210), 도 2의 숙달 보상(244), 도 2의 학습자 지식 모델 (322), 도 3의 학습 커뮤니티(330), 도4의 외부 엔티티(402), 또는 사용자와 관련된 이들의 조합을 식별 할 수 있다.　

식별 모듈 (702)은 도 5의 제 1 제어부 (512), 도5의 제 2 제어부 (534), 도6의 제 3 제어부 (634), 또는 사용자에게 관련되거나 속하는 정보를 찾기 위한 이들의 조합을 사용할 수 있다. 식별 모듈 (702)은 도 5의 제 1저장부 (514), 도5의 제 2 저장부 (546), 도 5의 제 3 저장부 (646), 또는 사용자의 로그인 이름, 사용자 이름, 식별화, 또는 사용자와 관련된 식별 정보를 위한 조합을 위한 이들의 조합을 검색할 수 있다.

식별 모듈 (702)은 상기 장치 사이의 사용자 정보를 통신하여 사용자와 관련된 정보를 식별 할 수 있다. 식별 모듈 (702)은 도 5의 제 1 통신부(516), 도5의 제 2 통신부 (536), 도 6의 제 3 통신부 (636), 또는 보내고 받기 위한 이들의 조합, 또는 도1의 제1 장치(102), 도1의 제 2 장치(106), 도 1의 제 3 장치 (108), 또는 이들의 조합 사이의 사용자의 식별 정보(310)을 위한 조합을 사용할 수 있다.

사용자를 식별 한 후, 제어 흐름은 식별 모듈 (702)에서 세션 모듈 (704) 로 이동할 수 있다. 제어 흐름은 프로파일 부분(302)에게 대한 사용자 응답, 식별 정보(310), 이들과 관련된 정보, 또는 이들의 조합으로 하여금 식별 모듈(702)로부터 세션 모듈(704)로의 출력이 되게 하고, 프로필 부분(302)에 대한 사용자 응답, 식별 정보(310), 이들과 관련된 정보, 또는 이들의 조합을 세션 모듈(704)이 인지 및 접속할 수 있는 위치에 저장하고, 플래그, 인터럽트, 상태 신호, 또는 이들의 조합, 또는 이들의 프로세스의 조합을 이용하여 세션 모듈(704)에게 통지하는 것으로 이동할 수 있다.

세션 모듈 (704)은 사용자에 대한 학습 세션 (210)을 용이하게 하도록 구성된다. 세션 모듈 (704)은 도 2의 관리 플랫폼 (202)을 통해 학습 세션 (210)을 용이하게 할 수 있다.

세션 모듈 (704)은 사용자의 식별 정보 (310)에 대응하는 학습 세션 (210)을 식별 할 수 있다. 세션 모듈 (704)은, 학습 세션 (210) 의 인스턴스, 주제 (204), 현재 시간, 현재 위치, 현재 상황, 학습 스케줄, 또는 이들의 조합을 기초로 한 사용자에 대한 이들의 적절한 조합을 포함한다. 세션 모듈 (704)은 학습 모듈 (718), 관찰 모듈 (720), 또는 학습 세션 (210)을 수행하기 위한 이들의 조합을 포함할 수 있다.

학습 모듈 (718)은 학습 세션 (210)을 용이하게 하기 위한 관리 플랫폼 (202)를 조정하도록 구성되어 있다. 학습 모듈 (718)은 제 1 사용자 인터페이스 (518), 제 2 사용자 인터페이스 (538), 제 3 사용자 인터페이스 (638), 또는 디스플레이, 청각적인 재현, 수신, 또는 학습 세션 (210)의 도 2의 학습 부분(258)을 위한 이들의 조합을 위한 조합을 사용함으로서 학습 세션 (210)을 용이하게 할 수 있다.

예를 들어, 학습 모듈 (718)은 도 2의 레슨 프레임 (212), 도2의 레슨 콘텐츠, 도2의 평가 요소 또는 도2의 일반적 에러(240), 또는 이들의 조합을 표시하거나 청각적으로 재현하기 위해 레슨 부분(258)을 조정할 수 있다. 또 예를 들어, 학습 모듈 (718)은 도2의 주위 시뮬레이션 프로필 (242)에 따른 컴퓨팅 시스템 (100) 내의 하나 이상의 장치를 제어할 수 있다.

추가적인 예를 들면, 학습 모듈 (718)은 도2의 학습자 응답 (220)으로서 레슨부분 (258)를 통해 사용자로부터 제공받는 정보를 수신하여 확인할 수 있다. 학습 모듈 (718)은 학습 부분 (258)내의 사용자의 상호 작용으로 학습자 응답 (220)을 식별하거나, 학습 세션 (210), 사용자의 상호 작용 또는 정보의 위치에 기초한, 또는 특정 포맷 또는 식별자를 가지는 이들의 조합, 또는 이들의 조합을 기초로 한 평가 요소 (218)와 관련된 타이밍을 기초로 식별할 수 있다.

관찰 모듈 (720)은 학습자 응답 (220) 또는 학습 세션 (210)와 관련된 정보를 결정하도록 구성된다. 관찰 모듈 (720)은 학습자 응답 (220)과 관련된 도 2의 응답 평가 요소를 결정할 수 있다.

예를 들어, 관찰 모듈 (720)은 도 2의 요소 기술(226), 도 2의 평가 형식 (228), 도 2의 응답 속도(230), 도 2의 상황 파라미터(232), 도 2의 물리적인 표시 (234), 또는 이들의 조합을 포함한 응답 평가 요소 (222)를 결정할 수 있다. 보다 구체적인 예로서, 관찰 모듈 (720)은 도 5의 제 1 제어 인터페이스 (522), 도 5의 제 2 제어 인터페이스(544), 도 6의 제 3 제어 인터페이스(644), 제 1 통신부(516), 제 2 통신부(536), 제 3 통신부(636), 또는 레슨 프레임(212), 레슨 콘텐츠(216), 또는 평가 요소(218), 또는 제 1 저장부(514), 제 2 저장부(546), 제 3저장부(646), 또는 요소 기술(226)을 결정하기 위한 이들의 조합에 저장된 이들의 조합의 식별 정보를 접근하기 위한 이들의 조합을 사용함으로서 응답 평가 요소(222)를 결정할 수 있다.

또한, 더 구체적인 예로서, 관찰 모듈 (720)은 평가 요소(218)에 대응되는 하나 이상의 저장부에 저장된 평가 형식(228)을 식별화하기 위한 유닛의 비슷한 집합을 이용함으로서 응답 평가 요소(222)를 결정할 수 있다. 관찰 모듈 (720)은 또한 제 1 제어부 (512), 제 2 제어부 (534), 제 3 제어부 (636), 또는 컴퓨팅 시스템(100)이나 외부 엔티티(402)에 의해 미리 정해지는 형식이나 템플릿과 비교하기 위한 평가 요소(218)의 조합을 사용하여 평가 형식 (228)을 식별할 수 있다.

또한, 더 구체적인 예로서, 관찰 모듈 (720)은 제 1 사용자 인터페이스 (518), 제 2 사용자 인터페이스 (538), 제 3 사용자 인터페이스 (638), 제 1 제어부 (512), 제 2 제어부 (534), 제 3 제어부 (636) 또는 응답 속도(230)을 결정하기 위한 이들의 조합을 이용하여 응답 평가 요소 (222)를 결정한다. 관찰 모듈 (720)은 종합 평가 요소 (218)의 표시와 평가 요소 (218)에 대한 학습자 응답 (220)을 수신하거나 식별하는 것 사이의 시간이나 클록 사이클(clock cycle)을 측정함으로써 응답 속도 (230)을 결정할 수 있다.　　　　　　

또한, 더 구체적인 예로서, 관찰 모듈 (720)은 제 1 제어부 (512), 제 2 제어부 (534), 제 3 제어부 (636), 도 5의 위치부 (520), 이들의 인터페이스부, 또는 상황 파라미터(232)를 결정하기 위한 이들의 조합을 이용하여 응답 평가 요소 (222)를 결정할 수 있다. 관찰 모듈 (720)은 현재 시각, 현재 날짜, 현재 위치, 이벤트 이름 또는 그것에 관련된 중요성, 사용자나 사용자의 장치로부터 미리 정해진 거리 안에 있는 사람이나 장치를 식별하여 제1 장치 (102) 또는 제 3 장치, 현재 날씨, 또는 이들의 조합과 같은 상황 파라미터 (232)를 결정할 수 있다.

계속하여 예를 들면, 관찰 모듈 (720)은 컴퓨팅 시스템(100)에 의해 미리 정해지거나 상황 파라미터(232)를 결정하기 위한 이들의 조합으로서 학습자 스케줄 달력 (318), 대응, 주(note), 또는 현재 시각, 현재 날짜, 현재 위치, 미리 정해진 거리 안에 있는 사람이나 장치의 신분이나 소유권과 관련된 키워드에 대한 이들의 조합과 같은 사용자 데이터를 검색 할 수 있다. 관찰 모듈 (720)은 제 1 사용자 인터페이스 (518), 제 2 사용자 인터페이스 (538), 제 3 사용자 인터페이스 (638), 또는 배경 잡음 수준을 식별하거나 또는 조명 상태를 검출하는 것과 같은 상황 파라미터(232)를 결정하는 이들의 조합을 사용할 수 있다.

또한, 더 구체적인 예로서, 관찰 모듈 (720)은 하나 이상의 인터페이스부, 하나 이상의 제어부 또는 물리적 표시 (234)를 식별하는 이들의 조합을 사용하여 응답 평가 요소 (222)를 결정할 수 있다. 관찰 모듈 (720)은 사용자의 눈, 머리, 몸, 얼굴, 또는 이들의 조합과 같은 물리적인 키 기능을 식별하기 위해 카메라와 화상 처리 장치를 사용할 수 있다.

예를 계속하여, 관찰 모듈 (720)은 또한 눈 움직임, 머리의 움직임, 머리 방향, 몸의 방향, 자세, 이들의 패턴, 또는 핵심적인 물리적 특징과 관련된 이들의 조합과 같은 사용자 행동을 이미지 프로세서를 사용하여 결정할 수 있다. 관찰 모듈 (720)은, 고개의 끄덕임, 산만한 행동, 방해되는 행동, 졸린 행동, 또는 이들의 조합의 식별을 위한 핵심 물리적 특징이나 패턴의 집합의 시퀀스, 다양성의 집합의 시퀀스, 또는 컴퓨팅 시스템(100)에 의한 소정의 집합 컴퓨팅 시스템(100)에 의해 미리 정해진 이들의 조합을 비교함으로서 사용자 행동을 결정할 수 있다.

또한, 더 구체적인 예로서, 관찰 모듈 (720)은 장치 간에 응답 평가 요소 (222)를 통신함으로써 응답 평가 요소 (222)를 결정할 수 있다. 관찰 모듈 (720)은 제 1 통신부 (516), 제 2 통신부 (536), 제 3 통신부 (636), 또는 이들의 조합을 사용하여, 제1장치 (102), 제2장치 (106), 제 3장치 (108), 또는 이들의 조합 간에 응답 평가 요소 (222)를 전송, 수신, 또는 이 둘 모두를 수행할 수 있다.

세션 모듈 (704)은 도3의 학습자의 기록(320)을 생성하거나 업데이트 할 수 있는 학습 세션 (210)와 관련된 정보를 기록 할 수 있다. 세션 모듈 (704)은 요소 기술 (226), 평가 요소 (218), 학습자 응답 (220), 응답 평가 요소 (222), 주위 시뮬레이션 프로필 (242), 또는 학습자 기록 (320)을 위한 이들의 조합에 포함된 다른 정보를 기록할 수 있다. 세션 모듈 (704)은 추가적으로 시간, 위치, 사용되는 장치, 주제 (204), 또는 학습 세션 (210)에 대응되는 이들의 조합을 기록할 수 있다.

학습 세션 (210)을 용이하게 한 후, 제어 흐름은 세션 모듈 (704)으로부터 학습자 분석 모듈 (706)로 통과할 수 있다. 상기 한 바와 유사하게 식별 모듈 (702) 및 세션 모듈 (704) 사이에 제어 흐름은 통과할 수 있다.

사용 감지 모듈 (716)은 마찬가지로 학습자 분석 모듈 (706)에 정보, 제어, 또는 이들의 조합을 제공할 수 있다. 사용 감지 모듈 (716)은 관리 플랫폼 (202) 외부의 사용자 정보를 감지하도록 구성된다. 사용 감지 모듈 (716)은 도 4의 플랫폼 외부 사용 (414)를 포함하여 도4의 장치 사용 프로필(410)을 결정할 수 있다. 사용 감지 모듈 (716)은 컴퓨팅 시스템(100) 내부의 하나 이상의 장치의 플랫폼 외부 사용(414)을 특성화하기 위한 장치 사용 프로필(410)을 결정할 수 있다.

사용 감지 모듈 (716)은 기록, 분석, 필터링, 또는 제1장치 (102), 제 2 장치(106), 제 3 장치 (108), 또는 이들의 조합에 의해 얻어진 데이터에 대한 이들의 조합에 의해 장치 사용 프로필 (410)을 결정할 수 있다. 사용 감지 모듈 (716)은, 제 1사용자 인터페이스 (518), 제 2 사용자 인터페이스 (538), 제 3 사용자 인터페이스 (638), 제 1 통신부 (516), 제 2 통신부 (536), 제 3 통신부 (636), 위치부 (520), 또는 이들의 조합을 통해 획득한 데이터를 기록, 분석, 필터링 또는 이들의 조합 동작을 수행할 수 있다.

예를 들어, 사용 감지 모듈 (716)은 시각적으로 사용자를 관찰하기 위한 카메라, 사용자를 듣기 위한 마이크로폰, 사용자의 현재 위치를 식별하기 위한 위치부 (520) 또는 이들의 조합을 사용할 수 있다. 또한 예를 들어, 사용 감지 모듈 (716)은, 스프레드 시트 또는 이메일, 카메라, 위치부 (520), 또는 이들의 조합을 통해 관찰된 사용자의 움직임 내부의 주제(204)의 식별 설명과 같은 전화 통화 중이나 쓰는 중에 주제(204)와 관련된 키워드의 사용을 식별할 수 있다.

컴퓨팅 시스템 (100)은 추가적으로 플랫폼 외부 사용(414), 플랫폼 외부 사용(414)를 평가, 또는 이들의 조합으로부터 주제(204)의 사용이나 적용을 식별하거나 결정할 수 있다. 플랫폼 외부 사용(414)의 추가적인 처리에 관한 상세는 후술한다.　

플랫폼 외부 사용(414)을 감지한 후, 제어 흐름은 사용 감지 모듈 (716)에서 학습자 분석 모듈 (706)로 통과할 수 있다. 제어 흐름은 상기한 바와 유사하게 식별 모듈 (702) 및 세션 모듈 (704) 사이를 이동할 수 있다.

학습자 분석 모듈 (706)은 사용자에 관한 정보를 결정하도록 구성된다. 학습자 분석 모듈 (706)는 학습 정보와 관련된 사용자에 관한 정보를 결정할 수 있다.

학습자 분석 모듈 (706)은 식별 모듈 (702), 세션 정보 모듈 (704), 초기화, 조정, 또는 응답 평가 요소 (222), 학습자의 프로필 (308), 또는 이들의 조합에 대한 조합으로부터 데이터를 수집할 수 있다. 예를 들어, 학습자 분석 모듈 (706)은 결정, 포함, 또는 도2의 학습자 집중 수준(236)에 대한 조합, 도2의 에러 유발 추정(238), 또는 이들의 조합에 의한 응답 평가 요소 (222)를 조정하거나 마무리할 수 있다.

또 예를 들어, 학습자 분석 모듈 (706)은 식별 정보 (310), 학습 스타일(312), 학습 목표(314), 학습자 특성(316) 또는 이들의 조합을 포함하는 조사를 통해 관련된 특정 프롬프트와 같은 학습자의 특징이나 특성을 식별하기 위해, 학습자 프로필 (308)을 초기화할 수 있다. 또 예를 들어, 학습자 분석 모듈 (706)은 학습 스타일 (312), 학습자의 특성 (316), 또는 학습자 응답 (220), 응답 평가 요소 (222), 장치 사용 프로필(410), 플랫폼 외부 사용(414), 또는 이들의 조합과 같은 간접적인 정보를 사용한 이들의 결합을 결정 또는 조정할 수 있다.

학습자 분석 모듈 (706)은 학습자 프로필 (308) 또는 내부 부분, 또는 응답 평가 요소 (222) 또는 내부 부분, 또는 이들의 조합을 결정함으로써, 사용자에 관한 정보를 결정할 수 있다. 예를 들어, 학습자 분석 모듈 (706)은 응답 평가 요소(222)를 통해 학습 세션(210)의 하나의 인스턴스와 관련된 정보를 결정할 수 있고 이는 학습자 집중 수준(236), 에러 유발 추정 (238), 또는 이들의 조합을 포함한다.

보다 구체적인 예로서, 학습자 분석 모듈 (706)은 에러 유발 추정 (238)을 식별화하기 위한 상황 파라미터(232) 또는 물리적 표시(234)와 같은 응답 평가 요소(222)와 다른 면과 비교하여 잡음 레벨이나 밝기, 알려진 패턴 또는 행동의 지표, 또는 이들의 컴퓨팅 시스템 (100) 또는 외부 엔티티 (402)에 의해 소정의 조합을 사용할 수 있다. 또한, 더 구체적인 예로서, 학습자 분석 모듈 (706)은 임계치 또는 범위, 프로세스 또는 방법을 사용할 수 있는데 그것은 등식 또는 단계의 시퀀스, 가중 계수 또는 이들의 조합을 포함하고 그것은 학습자 집중 수준(236)을 계산하기 위한 응답 평가 요소(222)의 하나 이상의 측면을 양자화하고 결합하는 것이다.

또 예를 들어, 학습자 분석 모듈 (706)은 학습 스타일(312), 학습 목표 (314), 학습자의 특성 (316), 또는 이들의 조합을 포함하는 학습자 프로필 (308) 또는 내부 부분을 통해 사용자의 학습 활동과 관련된 일반적인 정보를 결정할 수 있다. 학습자 분석 모듈 (706)은 스타일 모듈 (722), 특징 모듈 (724), 또는 사용자의 학습 활동과 관련된 일반적인 정보를 결정하기 위한 이들의 조합을 포함할 수 있다.

스타일 모듈 (722)은 사용자의 학습 스타일 (312)을 결정하도록 구성된다. 스타일 모듈 (722)은 제 1 제어부 (512), 제 2 제어부 (534), 제 3 제어부 (634), 또는 이들에 패턴, 클러스터(Cluster), 모델, 또는 주제(204)의 이들의 조합, 또는 학습자 응답 (220), 응답 평가 요소 (222), 장치 사용 프로필 (410), 플랫폼 외부 사용(414), 또는 이들의 조합을 결정하기 위한 이들의 조합을 사용함으로서 학습 스타일 (312)을 결정할 수 있다. 스타일 모듈 (722)은 도 5의 제 1저장 인터페이스 (524), 도5의 제2 저장 인터페이스(548), 도6의 제3저장 인터페이스(648), 또는 패턴, 클러스터, 모델 또는 학습 스타일 (312)에 대한 분류 또는 값을 식별하는 이들의 조합을 비교하기 위한 이들의 조합을 사용할 수 있다.

예를 들어, 스타일 모듈(722)은 패턴, 클러스터, 모델 또는 학습 스타일 (312)의 값의 다양한 인스턴스의 특성의 조합의 인스턴스를 정의하고 식별하기 위한 학습 스타일 메커니즘 (726)을 포함할 수 있다. 또 예를 들어, 학습 스타일 메커니즘 (726)은 추가적으로 상기 공정 또는 방정식, 가중 계수, 임계 값, 범위, 이의 시퀀스, 또는 양자화, 평가, 패턴의 식별, 클러스터, 모델, 또는 이들의 조합에 대한 이들의 조합을 포함할 수 있다.

스타일 모듈(722)는 컴퓨팅 시스템 (100), 외부 엔티티 (402), 또는 이들의 조합에 의해 제공되는 학습 스타일 메커니즘 (726)를 포함할 수 있다. 스타일 모듈 (722)은 제 1 통신부 (516), 제 2 통신부 (536), 제 3 통신부 (636), 또는 이들의 조합을 이용하여 학습 스타일 메커니즘 (726)을 업데이트 할 수 있다. 스타일 모듈 (722)은 아래에 자세히 설명 된 커뮤니티 모듈 (708)의 처리에 따라 학습 스타일 메커니즘 (726)을 업데이트 또는 조정할 수 있다.

스타일 모듈 (722)은 패턴, 클러스터, 모델, 또는 이들의 조합을 처리 할 수 있으며, 이것은 주제(204), 학습자 응답 (220), 응답 평가 요소 (222), 장치 사용 프로필 (410), 플랫폼 외부 사용(414), 또는 학습 스타일 메커니즘 (726)에 따른 이들의 조합에 대한 것이다. 스타일 모듈 (722)은 대응하는 값이나 사용자의 학습 스타일 (312)에 따른 결과를 할당할 수 있다.

특징 모듈 (724)은 사용자의 학습자의 특성 (316)을 결정하도록 구성된다. 스타일 모듈 (722)은 스타일 모듈 (722)의 프로세스와 유사하게 학습자 특징 (316)을 결정할 수 있다.

특징 모듈 (724)은 컴퓨팅 시스템 (100), 외부 엔티티(402), 또는 패턴, 클러스터, 모델, 또는 학습자 특징(316)의 값의 다양한 인스턴스의 특성들의 조합을 정의하고 식별하는 이들의 조합에 의해 제공되는 학습 특징 메커니즘(728)을 포함할 수 있다. 학습 특징 메커니즘은 (728)는 프로세스 또는 방정식, 가중 계수, 임계 값, 범위, 이의 시퀀스, 또는 양자화, 평가, 패턴을 식별하고, 클러스터, 모델, 또는 학습자의 특성 (316)에 대한 이들의 조합을 위한 이들의 조합을 포함할 수 있다.

특징 모듈 (724)은 패턴, 클러스터, 모델, 또는 주제(204)에 대한 이들의 조합, 학습자 응답 (220), 응답 평가 요소 (222), 장치 사용 프로필 (410), 플랫폼 외부 사용 (414) 또는 이들의 조합을 결정할 수 있다. 특징 모듈 (724)은 패턴, 클러스터, 모델, 또는 학습 특징 메커니즘(728)에 따른 이들의 조합을 처리할 수 있다. 특징 모듈 (724)은 대응하는 값이나 사용자의 특징 (316)에 따른 결과를 할당할 수 있다.

특징 모듈 (724)은 제 1 통신부 (516), 제 2 통신부 (536), 제 3 통신부 (636), 또는 이들의 조합을 이용하여 학습 특징 메커니즘 (728)를 업데이트할 수 있다. 특징 모듈 (724)은 아래에 자세히 설명된 커뮤니티 모듈 (708)의 처리에 따라 학습 특징 메커니즘 (728)을 업데이트하거나 조정할 수 있다.

사용자에 관한 정보를 결정한 후, 제어 흐름은 학습자 분석 모듈 (706)에서 커뮤니티 모듈 (708)로 통과할 수 있다. 제어 흐름은 식별 모듈 (702) 및 세션 모듈 (704) 사이에 상기한 바와 유사하게 이동할 수 있다.

커뮤니티 모듈 (708)는 사용자에 대응하는 학습 커뮤니티 (330)를 식별하도록 구성된다. 커뮤니티 모듈 (708)은 도 3의 커뮤니티 부분(306)을 사용하여 학습 커뮤니티 (330)를 통신할 수 있다.

커뮤니티 모듈 (708)는 다양한 파라미터의 유사성에 따라 여러 사용자를 그룹화를 기반으로 학습 커뮤니티를 식별할 수 있다. 예를 들어, 커뮤니티 모듈 (708)은 학습자 프로필 (308), 주제 (204), 학습자 응답 (220), 응답 평가 요소 (222), 학습자의 지식 모델 (322), 또는 이들의 조합에 기초하여 학습 커뮤니티 (330)를 식별할 수 있다.

커뮤니티 모듈 (708)은 제 1 통신부 (516), 제 2 통신부 (536), 제 3 통신부 (636), 제 1 제어부(512), 제 2 제어부 (534), 제 3 제어부 (634), 또는 이들의 조합을 사용할 수 있다. 커뮤니티 모듈 (708)은 학습자 프로필(308)에서 하나 이상의 공통적인 값을 가지는 사용자의 그룹화로 학습 커뮤니티 (330)를 식별할 수 있다.

예를 들어, 커뮤니티 모듈 (708)은 같은 나이, 같은 성(gender), 동일한 지역에 거주(예를 들면 같은 구역 또는 나라), 각자로부터의 임계 거리 안에 위치하거나 거주하는 것, 동일 민족, 비슷한 교육 수준, 비슷한 직업, 또는 이들의 조합과 같은 식별 정보(310)에 공통점을 가지는 사용자들의 그룹화로서 학습 커뮤니티(330)을 식별화할 수 있다. 또한 예를 들어, 커뮤니티 모듈 (708)은 학습 스타일 (312), 학습 목표 (314), 학습자의 특징(316), 주제 분류 (206), 숙달 수준 (208) 또는 이들의 조합의 유사하거나 같은 인스턴스를 가지는 사용자들의 그룹화로서 학습 커뮤니티(330)을 식별화할 수 있다.

또 예를 들어, 커뮤니티 모듈 (708)은 레슨 프레임 (212), 레슨 콘텐츠 (216), 또는 이들의 조합의 동일한 인스턴스를 사용하여 사용자를 그룹화함으로서 학습 커뮤니티 (330)를 식별할 수 있다. 다른 예로서, 커뮤니티 모듈 (708)은 학습자 응답 (220), 응답 평가 요소 (222)의 유사성 또는 중복, 학습자 지식 모델 (322)의 유사성 또는 중복, 또는 이들의 조합의 동일한 인스턴스를 기초로 학습 커뮤니티를 식별할 수 있다.

커뮤니티 모듈 (708)은 커뮤니티 메커니즘 (730)을 포함할 수 있다. 커뮤니티 메커니즘 (730)은 학습 커뮤니티 (330)를 식별하기 위한 방법이나 과정이다.

커뮤니티 메커니즘 (730)은 명령 또는 단계, 하드웨어 프로그래밍이나 배선, 또는 유사성을 검출하기 위한 이들의 조합 또는 다양한 사용자와 관련된 데이터 의 중복을 포함할 수 있다. 커뮤니티 메커니즘 (730)는 계층 구조, 시퀀스, 임계 값, 범위, 가중 계수 또는 유사성 또는 중복을 감지하기 위한 이들의 조합을 포함할 수 있다. 커뮤니티 메커니즘 (730)는 서로 다른 매개변수를 기반으로 학습 커뮤니티 (330)를 식별하기 위한 하나 이상의 템플릿이나 조건을 포함할 수 있다. 커뮤니티 메커니즘 (730)은 도 3의 직접 링크 (332), 도3의 간접 링크(334), 도3의 학습 피어(336), 도3의 주제 강사(338) 또는 이들의 조합을 식별하기 위한 정보를 포함할 수 있다.

커뮤니티 모듈 (708)은 커뮤니티 메커니즘 (730)를 이용하며 하나 이상의 원격 사용자와 관련된 다양한 파라미터들을 사용자의 대응되는 파라미터들과 비교할 수 있다. 커뮤니티 모듈 (708)은 커뮤니티 메커니즘 (730)에 기초하여 유사하거나 중복 되는 매개변수를 갖는 원격 사용자의 그룹화로 학습 피어 (336)를 식별 할 수 있다.

커뮤니티 모듈 (708)은 또한 커뮤니티 메커니즘 (730)에 기초한 사용자 및 원격 사용자 사이의 이전의 통신에 대한 장치 사용 프로필 (410)의 검색을 기반으로 직접 링크 (332)을 식별 할 수 있다. 커뮤니티 모듈 (708)은 만남 또는 미리 알림, 사용자의 연락처 목록, 또는 커뮤니티의 메커니즘 (730)에 따른 이들의 조합과 같은 소셜 네트워크 프로필, 사용자의 달력 항목에 기초를 둔 직접 링크(332)를 식별할 수 있다. 커뮤니티 메커니즘 (730)을 기초로 한 사용자 사이의 연결되지 않음 또는 이전의 상호작용을 반영할 때, 커뮤니티 모듈(708)은 간접 링크(334)를 식별할 수 있다.

커뮤니티 모듈 (708)은 주제(204)에 대한 숙달 수준 (208), 그것과 관련된 시간, 사용자의 학습 커뮤니티 (330)에서의 회원들, 또는 이들의 조합에 대한 비교를 기반으로 주제 강사(338)를 식별할 수 있다. 커뮤니티 모듈 (708)은, 커뮤니티 메커니즘(730)에 따라, 숙달 수준(208)에 도달한 시점, 최근의 가르침 활동의 시점 또는 이들의 조합으로부터 지난 시간이 임계값 내인지를 평가함으로써, 주제 (204)의 숙달 수준 (208)의 높은 인스턴스를 가지거나, 사용자로서 학습자 특성(316) 또는 학습 스타일(312)의 대응 또는 공통되는 인스턴스를 가지는 하나 이상의 원격 사용자를 식별할 수 있다.

커뮤니티 모듈 (708)은 평가 요소 (218)에 해당하는 일반적 에러 (240)를 식별할 수 있다. 커뮤니티 모듈 (708)은 이와 유사하게 평가 요소 (218)의 학습자 응답 (220)의 잘못된 인스턴스와 관련한 분석 정보를 결정하기 위해 커뮤니티 메커니즘 (730)를 사용할 수 있다. 커뮤니티 모듈 (708)은 통계 분석, 패턴 분석, 기계 학습 메커니즘, 또는 이들의 조합을 이용하여 잘못된 인스턴스를 분석할 수 있다.

커뮤니티 모듈 (708)은 컴퓨팅 시스템 (100), 외부 엔티티 (402), 또는 일반적 에러 (240)로서 이들의 조합에 의해 소정의 기준에 일치하는 학습자 응답 (220)의 잘못된 인스턴스를 식별할 수 있다. 커뮤니티 모듈 (708)은 가장 빈번하게 발생하는 잘못된 인스턴스, 임계 값을 초과하는 문제 인스턴스, 또는 일반적 에러 (240)로서 이들의 조합을 식별할 수 있다.

커뮤니티 모듈 (708)은 일반적 에러 (240)의 하나 이상의 인스턴스를 선택하는 원격 사용자를 기초로 학습 커뮤니티 (330)를 식별할 수 있다. 커뮤니티 모듈 (708)은 또한, 사용자에 대응하는 학습 커뮤니티 (330)의 하나 이상의 인스턴스 내의 일반적 에러 (240)를 식별하기 위한 비교를 제한할 수 있다.

커뮤니티 모듈 (708)은 학습 커뮤니티 (330)로부터 학습자 분석 모듈 (706)로 통과 할 수 있다. 학습자 분석 모듈 (706)은 상기 학습 커뮤니티 (330)를 사용하여 사용자에 관한 정보를 판정할 수 있다. 예를 들어, 학습자 분석 모듈 (706)은 학습자 집중 수준 (236), 에러 유발 추정 (238), 학습 커뮤니티 (330) 내의 대응하는 값에 기초하여 정규화 또는 필터링 하는 것과 같이 이들의 조합을 조정할 수 있다. 또 예를 들어, 학습자 분석 모듈 (706)은 학습 스타일(312), 학습 목표 (314), 학습자의 특성 (316), 또는 이들의 학습 커뮤니티 (330) 내의 대응하는 값에 기초한 이들의 조합을 결정 또는 조정할 수 있다.

학습 커뮤니티 (330)을 결정한 후, 제어 흐름은 커뮤니티 모듈 (708)에서 평가 모듈 (710)로 이동할 수 있다. 제어 흐름은 상기한 바와 유사하게 식별 모듈 (702) 및 세션 모듈 (704) 사이를 이동할 수 있다.

평가 모듈 (710)은 다양한 당사자의 관점에서 지식 관련 정보를 분석하도록 구성되어 있다. 예를 들어, 평가 모듈 (710)은 다양한 정보, 사용자의 학습 활동에 대한 효율성이나 효과적인 지식, 해당 보상, 사용자에 대하여, 외부 엔티티 (402)의 효과, 또는 이들의 조합에 대한 관계를 분석할 수 있다. 평가 모듈 (710)은 주제 평가 모듈 (732), 지식 평가 모듈 (734), 보상 모듈 (736), 참가자의 평가 모듈 (738), 또는 지식 관련 정보를 분석하기 위한 이들의 조합을 포함할 수 있다.

주제 평가 모듈 (732)은 정보의 다양한 인스턴스들 사이의 관계를 분석하도록 구성된다. 주제 평가 모듈 (732)은 도 3의 주제 연결 모델 (348)을 결정할 수 있다. 주제 평가 모듈 (732)은 주제 (204), 레슨 콘텐츠 (216), 평가 요소 (218), 또는 이들의 조합에 대응되는 주제 연결 모델(348)을 결정할 수 있다.

주제 평가 모듈 (732)은 키워드 분석에 기초하여 주제 연결 모델 (348)을 결정할 수 있다. 예를 들어, 주제 평가 모듈 (732)은 클러스터, 클러스터 간의 거리, 또는 이들의 조합에 기초하여 주제 연결 모델 (348)을 식별할 수 있다.

또 예를 들어, 주제 평가 모듈 (732)은 계층 구조와 주제(204), 주제 분류 (206), 이들의 하위 레벨, 또는 이들의 조합의 인스턴스와 관련되는 세부사항의 수준에 대한 대응되는 가중치를 가질 수 있다. 주제 평가 모듈 (732)은 주제 (204)에 관한 인스턴스들 사이의 가중치를 합치고 평가하기 위한 등식이나 프로세스를 사용할 수 있다.

보다 구체적인 예로서, 주제 평가 모듈 (732)은 주제(204) 또는 주제 분류(206), 주제(204)를 설명하는 것에 사용되었던 것, 주제의 분류(206), 학습 세션(210) 또는 이들의 조합, 평가 요소(218)의 통신에서 사용되었던 것, 또는 이들의 조합의 인스턴스들을 식별화하는데 사용되는 키워드로 분류화하는 것을 기초로 "프랑스어"와 "프랑스어 역사"를 결정할 수 있다. 또한, 더 구체적인 예로서, 주제 평가 모듈 (732)은 개념과 관련된 가중치에 대한 평가를 기초로 "덧셈 연산'을포함하는 "다중 자리 곱셈"을 결정할 수 있다.

주제 평가 모듈 (732)은 주제(204)의 인스턴스 간의 가중치의 거리 또는 산물을 산출할 수 있다. 주제 평가 모듈 (732)은 거리를 갖는 주제(204) 또는 임계 값을 만족시키는 산물에 대한 인스턴스의 모음으로 주제 연결 모델 (348)을 결정할 수 있다. 주제 평가 모듈 (732)은 추가적으로 주제 (204) 의 인스턴스 간의 관계의 정도에 대한 임의의 설명으로서 거리 또는 산물을 결정할 수 있다.

주제 평가 모듈 (732)은 방법 또는 프로세스, 임계치, 무게, 또는 이들의 컴퓨팅 시스템 (100), 외부 엔티티 (402), 또는 이들의 조합에 의한 소정의 조합을 사용할 수 있다. 주제 평가 모듈 (732)은 또한 인터넷 또는 데이터베이스에서 제공되는 관련 정보를 검색하거나 외부 엔티티(402)로부터 정보나 조정을 수신함으로써, 주제 연결 모델 (348)을 결정하기 위한 입력 및 조정을 수신할 수 있다.

지식 평가 모듈 (734)은 사용자의 효과적인 지식을 분석하도록 구성된다. 지식 평가 모듈 (734)은 주제 (204) 의 하나 이상의 인스턴스에 대한 숙달 수준 (208)을 포함하여 학습자의 지식 모델 (322)을 생성하거나 조정할 수 있다. 지식 평가 모듈 (734)은 도 3의 지식 모델 부분 (304)를 통해 학습자 지식 모델 (322)을 통신할 수 있다.

지식 평가 모듈 (734)은 학습자 지식 모델 (322)을 생성 또는 조정할 수 있고, 숙달 수준 (208)을 계산하고, 또는 이들의 다양한 정보에 기초하여 조합을 산출할 수 있다. 예를 들어, 지식 평가 모듈 (734)은 학습자 응답 (220), 응답 평가 요소 (222), 학습자의 프로필 (308), 또는 이들의 조합을 사용할 수 있다. 또 다른 예로서, 지식 평가 모듈 (734)은 주제 (204), 학습 세션 (210), 학습 커뮤니티 (330), 또는 이들의 조합을 사용할 수 있다.

보다 구체적인 예로서, 지식 평가 모듈 (734)은 도 2의 응답 정확도(224), 요소 기술 (226), 평가 형식 (228), 응답 속도 (230), 상황 파라미터 (232), 물리적 표시 (234), 학습자 집중 수준(236), 에러 유발 추정 (238), 일반적 에러 (240), 주위 시뮬레이션 프로필 (242) 또는 이들의 조합을 사용할 수 있다. 또한, 더 구체적인 예로서, 지식 평가 모듈 (734)은 학습 스타일 (312), 학습 목표 (314), 학습자의 특성 (316), 학습자 기록 (320), 또는 이들의 조합을 사용할 수 있다.

또한, 더 구체적인 예로서, 지식 평가 모듈 (734)은 직접 링크 (332), 간접 링크 (334), 학습 피어 (336), 이와 관련된 정보, 또는 이들의 조합을 사용할 수 있다. 또한 좀 더 구체적인 예를 들어, 지식 평가 모듈 (734)은 플랫폼 외부 사용 (414), 상황적 오버랩 (416), 도 4의 사용 중요성(418)을 포함하여 장치 사용 프로필 (410)를 사용할 수 있다.

지식 평가 모듈 (734)은 사용자에 의해 접해진 주제(204) 의 하나 이상의 인스턴스에 대한 숙달 수준(208)을 계산함으로써 학습자 지식 모델 (322)을 생성 할 수 있다. 지식 평가 모듈 (734)은 사용자에 의해 접해진 주제(204)와 설문 조사(740) 또는 평가 테스트를 사용한 숙달 수준(208)의 대응되는 인스턴스로 도 3의 시작점 (324)을 결정할 수 있다. 지식 평가 모듈 (734)은 주제 (204) 의 인스턴스를 추가하거나 시작점 (324)에 대한 숙달 수준 (208)을 변경하는 등, 학습 세션(210), 플랫폼 외부 사용(414) 또는 이들의 조합에 기초하여 조정할 수 있다.

지식 평가 모듈 (734)은 조사 또는 평가 테스트 없이 학습자의 지식 모델 (322)를 생성할 수 있다. 지식 평가 모듈 (734)은 학습 커뮤니티(330) 대한 학습자의 지식 모델 (322)의 인스턴스에 기초하여 상기 시작점 (324)을 결정할 수 있다. 지식 평가 모듈 (734)은 상기 학습 세션 (210)의 제 1 인스턴스에 근거하여 시작점 (324)을 결정할 수 있다.

지식 평가 모듈 (734)은 주제 연결 모델 (348)에 기초하여 학습자의 지식 모델 (322)을 생성 또는 조정할 수 있다. 지식 평가 모듈 (734)은 학습자 응답 (220) 또는 응답 평가 요소 (222)를 사용하는 등 학습 세션 (210)의 결과에 기초하여 주제 (204) 에 대한 숙달 수준 (208)을 산출할 수 있다.

지식 평가 모듈 (734)은 학습자의 지식 모델 (322)의 주제 (204)의 분석된 인스턴스에 연결된 주제(204)의 다른 인스턴스를 포함하는 주제(204)에 대한 숙달 수준(208)을 사용할 수 있다. 지식 평가 모듈 (734)은 숙달 수준(208)의 분석된 인스턴스에 기초하여, 주제(204)의 인스턴스들 사이의 관련된 거리 또는 가중치로 스케일링 함으로써, 주제(204)의 다른 인스턴스들에 대하여 숙달 수준(208)을 계산할 수 있다.

지식 평가 모듈 (734)은 학습 스타일 (312), 학습자의 특성 (316), 또는 레슨 프레임 (212)에 이들의 조합을 비교하여 학습자 지식 모델 (322) 또는 숙달 수준 (208)을 조정할 수 있다. 예를 들어, 사용자가 레슨 프레임(212)와 매칭되지 않는 학습 스타일(312) 에도 불구하고 사용자가 학습 세션(210)에서 높이 득점했을 때, 학습자 특성(316)이 주제(204)에 대한 약점을 지적했을 때, 또는 이들의 조합의 경우에 학습 세션 (210)의 하나의 인스턴스에서 발생하는 숙달 수준 (208)의 증가분의 변화는 더 높게 조정할 수 있다. 또한 예를 들어, 레슨 프레임(212)이 학습 스타일(312)과 매치될 때, 학습자 특성(316)이 주제(204)의 강점을 가리킬 때, 또는 이들의 조합의 경우 숙달 수준(208)의 증가분은 더 낮게 조정될 수 있다.

지식 평가 모듈 (734)은 학습자 지식 모델 (322)이나 평가 형식 (228)을 기반으로 숙달 수준 (208)을 조정할 수 있다. 지식 평가 모듈 (734)는 레슨 콘텐츠 (216), 평가 형식(228), 또는 이들의 조합과 관련된 도 3의 난이도 평가 (346)를 산출 할 수 있다. 지식 평가 모듈 (734)은 난이도 평가 (346), 학습 세션 (210)의 결과, 또는 이들의 조합에 따라 숙달 수준 (208)의 증가분 변화를 조정할 수 있다.

예를 들어, 지식 평가 모듈 (734)은 사용자가 에세이 프로젝트, 또는 빈칸 채우기 질문을 정확하게 답했을 때, 증분 조정(incremental adjustment)을 증가시킬 수 있고, 사용자가 객관식 문제를 올바르게 답했을 때 증분 조정을 축소할 수 있고, 또는 이 둘을 모두 수행할 수 있다. 또한 예를 들어, 지식 평가 모듈 (734)은 사용자가 에세이 프로젝트나 빈칸 채우기 문제를 틀리게 답했을 때 증가분 조절에 부정적인 영향을 감소시킬 수 있고, 사용자가 객관식 질문에 부정확하게 답했을 때 부정적인 영향을 증가시킬 수 있고 또는 이들의 조합도 포함된다.

지식 평가 모듈 (734)은 상황 파라미터 (232), 물리적인 표시 (234), 에러 유발 추정(238), 학습자 집중 수준(236), 또는 이들의 조합에 근거하여 학습자 지식 모델 (322) 또는 숙달 수준 (208)을 조정할 수 있다. 예를 들어, 지식 평가 모듈 (734)은 상황 파라미터 (232) 또는 학습 세션 (210) 이전에 발생하는 사건의 비교, 및 심리 모델에 발생하는 이벤트에 기초하여 조정할 수 있다. 지식 평가 모듈 (734)은 심리적 모델에 따른 사건 또는 상황 파라미터 (232)의 영향 수준에 따라 조정할 수 있다.

또 예를 들어, 지식 평가 모듈 (734)은 상황 파라미터 (232), 물리적 인 표시 (234), 에러 유발 추정 (238), 학습자 집중 수준 (236), 또는 학습자 기록 (320)로 이들의 조합을 기초로 조정한다. 지식 평가 모듈 (734)은 물리적 표시 (234), 에러 유발 추정(238), 학습자 집중 수준(236) 또는 학습자 기록(320)과 비교되는 이들의 조합에 대한 조합에서의 상황 파라미터(232)의 새로운 인스턴스에 대한 식별을 기초로 조정할 수 있다. 지식 평가 모듈 (734)은 추가적으로 패턴, 클러스터, 모델 또는 상황 파라미터 (232)로의 학습자 기록(320)에서의 이들의 조합, 물리적 표시 (234), 에러 유발 추정 (238), 학습자 집중 수준 (236), 또는 학습 세션 (210)의 분석된 인스턴스의 조합을 포함한다.

좀 더 구체적인 예를 들어, 지식 평가 모듈 (734)은 사용자가 새로운 환경에 있거나 모르거나 거의 본 적이 없는 사람 근처에 있을 때, 오답을 낮추거나 정답을 높은 것으로, 숙달 수준 (208)에 대한 증가분 변경을 조정할 수 있다. 또한 더 구체적인 예로서, 지식 평가 모듈(734)은 상황 파라미터 (232)에 의해 나타낸 바와 같이, 만약 부모가 근처에 있을 때 사용자가 더 높은 점수를 획득한 기록이 있다면, 증가분 변화를 조정할 수 있다.

지식 평가 모듈 (734)은 학습 커뮤니티 (330)에 기초하여 조정할 수 있다. 지식 평가 모듈 (734)은 학습 커뮤니티 (330) 안에서 학습 세션 (210) 또는 주제(204)의 동일하거나 유사한 인스턴스의 결과에 기초하여 증가분 조정을 정규화 할 수 있다.

지식 평가 모듈 (734)은 상기 일반적 에러 (240)를 이용하여 학습 커뮤니티 (330)에 기초하여 조정할 수 있다. 사용자가 일반적 에러 (240)를 반복 할 때 지식 평가 모듈 (734)은 숙달 수준 (208) 증가분 변화를 줄일 수 있다. 학습자 기록 (320)이 공통의 오류 (240)의 패턴을 반복할 때 지식 평가 모듈 (734)은 추가적으로 숙달 수준 (208)을 조정할 수 있다. 평가 요소(218)과 관련된 일반적 에러(240)를 가짐에도 불구하고 응답 정확도(224)가 옳을 때 지식 평가 모듈(734)는 증가분 변화를 증가시킬 수 있다.

지식 평가 모듈 (734)은 장치 사용 프로필 (410)을 기준으로 조정할 수 있다. 지식 평가 모듈 (734)은 장치 사용 프로필(410) 또는 사용 감지 모듈(716)에 실시간으로 입력되는 데이터에 대하여, 주제 (204) 와 관련되는 이동 또는 데이터의 패턴, 소리의 순서와 관련하여 키워드와 같은 매치 필터나 템플릿을 구비하거나 포함할 수 있다. 예를 들어, 지식 평가 모듈 (734)은 어휘 단어, 수학적 개념 또는 패턴, 사용자에 대응하는 물리적 지표를 위한 움직임 패턴, 또는 이들의 조합을 식별하기 위한 매치 필터나 템플릿을 포함할 수 있다.

지식 평가 모듈 (734)은 이전에 발생한 데이터 또는 실시간 입력 데이터에 대한 장치 사용 프로필(410)이 매치 필터 또는 템플릿과 매치될 때 또는 매치 필터 또는 템플릿과 관련된 임계 범위 내에 있을 때 주제(204)와 관련된 플랫폼 외부 사용(414)를 식별할 수 있다. 지식 평가 모듈 (734)은 추가적으로 주제 (204)의 관련성에 기초하여 플랫폼 외부 사용 (414)을 분석 할 수 있다.

예를 들어, 지식 평가 모듈 (734)은 주제(204), 사용 중요성(418), 또는 이들의 조합에 비추어 주제(204) 및 플랫폼 외부 사용 (414), 플랫폼 외부 사용 (414)과 관련된 정확성 사이의 상황적 오버랩(416)을 결정할 수 있다. 지식 평가 모듈 (734)은 전, 후, 동시에 발생하는 데이터, 또는 주제 (204)와 관련된 플랫폼 외부 사용(414)을 위한 이들의 조합을 분석 할 수 있다.

예를 들면, 지식 평가 모듈 (734)은 키워드 전후의 단어를 분석할 수 있다. 또 예를 들어, 지식 평가 모듈 (734)은 위치, 시간, 관련된 이벤트, 주변 사람들, 소스, 또는 주제(204)와 관련된 플랫폼 외부 사용 (414)의 발생 이전, 이후, 그 동안의 이들의 조합에 기초하여 상황을 결정할 수 있다.

지식 평가 모듈 (734)은 상황적 오버랩 (416), 정확성, 사용 중요성 (418), 또는 이들의 조합을 결정하기 위해 데이터의 시퀀스를 사용할 수 있다. 예를 들어, 지식 평가 모듈 (734)은 문장 구조, 상황, 철자 또는 키워드를 둘러싼 단어를 이용한 문장에 대한 인식을 기초로 한 키워드에 대한 이들의 조합에 따라 정확도를 평가할 수 있다.

또한, 예를 들어, 지식 평가 모듈 (734)은 상황적 오버랩 (416)을 결정하기 위해 클러스터링이나 패턴 분석을 사용함으로써, 주제 (204)에 대한 상황 평가를 비교할 수 있다. 추가적인 예로, 지식 평가 모듈 (734)은 데이터의 포맷, 데이터 소스, 또는 이들의 조합에 따라 상기 사용 중요성(418)을 결정할 수 있다. 보다 구체적인 예로서, 사용자의 외부에서 공급된 데이터는 사용자에 의해 공급된 데이터보다 낮은 사용 중요성(418) 값을 가질 수 있다.

지식 평가 모듈 (734)은 학습자 기록 (320)에 기초한 주제(204) 와 관련된 플랫폼 외부 사용 (414)을 분석 할 수 있다. 지식 평가 모듈 (734)은 주제 (204)를 포함한 학습 세션(210)의 이전의 인스턴스와 플랫폼 외부 사용 (414)을 비교할 수 있다.

지식 평가 모듈 (734)은 학습자 기록(320)에 학습 세션(210)의 대응되는 인스턴스들에 비교함에 있어서, 재발생 키워드의 개수, 패턴의 유사성, 클러스터 간의 거리, 또는 이들의 조합에 기초하여 상황적 오버랩 (416)을 결정할 수 있다. 지식 평가 모듈 (734)은 플랫폼 외부 사용 (414)에 대한 정확성과 사용의 중요성 (418)을 유사하게 결정할 수 있다.

지식 평가 모듈 (734)은 정확성, 상황적 오버랩 (416), 사용 중요성 (418), 또는 주제와 관련된 플랫폼 외부 사용 (414)에 대한 이들의 조합을 기초로 숙달 수준 (208)에 증가분 조정을 결정할 수 있다. 지식 평가 모듈 (734)은 정확성, 상황적 오버랩 (416), 사용 중요성 (418), 또는 이들의 조합에 기초하여 증가분 조정을 계산하기 위해 컴퓨팅 시스템 (100) 또는 외부 엔티티 (402)에 의해 미리 정해진 과정이나 수학식을 포함할 수 있다.

지식 평가 모듈 (734)은 학습자 지식 모델 (322)을 생성 또는 조정하기 위하여, 주제에 대응되는 숙달 수준 (208)의 증가분 조정(incremental adjustment)을 적용 할 수 있다. 또한, 지식 평가 모듈 (734)은 학습자 기록 (320)의 증가분 조정의 인스턴스, 장치 사용 프로필 (410), 또는 이들의 조합을 분석하여, 도 3의 학습 진도 (326)를 계산하고 도3의 학습자 특정 패턴(328)를 결정 할 수 있다.

지식 평가 모듈 (734)은 유사 학습자 특정 패턴 (328), 또는 이들의 조합을 결정하는, 학습 진도 (326)를 계산, 학습자 특정 패턴 (328)을 결정, 또는 이들의 조합을 결정하기 위한 기계 학습 프로세스 또는 패턴 분석 프로세스를 사용할 수 있다. 지식 평가 모듈 (734)은 프로세스, 매개변수, 임계, 템플릿, 또는 이들의 학습 진도 (326)를 산출하는 컴퓨팅 시스템 (100) 또는 외부 엔티티 (402)에 의한 소정의 조합, 학습자 특정 패턴 (328)을 결정, 학습자 기록 (320), 장치 사용 프로필 (410), 또는 이들의 조합에 기초한 이들의 조합을 포함할 수 있다.

지식 평가 모듈 (734)은 추가적으로 가능한 부정 행위 시나리오를 확인할 수 있다. 지식 평가 모듈 (734)은 사람, 장치, 리소스 또는 사용자에 의해 접근되었거나 사용자 가까이에 있는 이들의 조합에 대한 상황 정보에 따라 학습자 기록 (320) 또는 학습 커뮤니티 (330)에 근거한 숙달 수준(208)의 증가의 평균 이상의 인스턴스의 검출을 기초로 가능한 부정 행위 시나리오를 결정할 수 있다.

예를 들어, 지식 평가 모듈 (734)은 특정 사람이 사용자 근처에 있을 때마다의 평균 이상의 점수의 패턴을 결정하는 것을 기초로 가능한 부정 행위 시나리오를 결정할 수 있다. 또 예를 들어, 지식 평가 모듈 (734)은 학습 세션 (210) 동안에 접근한 웹 사이트의 주소나 채팅 응용 프로그램을 기반으로 가능한 부정 시나리오를 결정할 수 있다.

또 다른 예를 들어, 지식 평가 모듈 (734)은 응답 속도(230)을 기초로 가능한 부정 행위 시나리오나 비정상적인 사용을 확인할 수 있다. 지식 평가 모듈 (734)은 응답 속도(230) 임계 범위의 밖에 있거나, 임계값 보다 작거나 큰 경우, 또는 이들의 조합의 경우 비정상적인 사용이나 부정 가능한 시나리오를 나타낸다. 임계 범위 또는 임계 값은 평균 비율과 같은 사용자의 학습 내역, 학습 커뮤니티에 대응하는 값, 또는 이들의 조합에 기초 할 수 있다. 임계 범위 또는 임계 값은 상기 컴퓨팅 시스템 (100)에 의해 미리 정해지거나 또는 컴퓨팅 시스템 (100)에 의해 미리 정해진 방법이나 수학식을 이용하여 계산될 수 있다.

예를 들어, 응답 속도 (230)가, 미리 정해진 사용자의 평균 시간에서 임계량 이하로 떨어지는 경우 사용자의 조급함을 나타내는 비정상 사용을 결정할 수 있다. 또 예를 들어, 응답 속도 (230)가 임계량 이상인 경우도, 비정상 사용 나타내는 사용자의 산만한 행동은 유사하게 결정될 수 있다. 또 예를 들어, 응답 속도 (230)는 사용자의 숙달 수준 (208), 학습 커뮤니티, 또는 이들의 조합, 그리고 사용자의 기록이나 학습 커뮤니티로부터의 평균 점수보다 높은 사용자의 점수에 대응하는 임계 범위 밖에 응답 속도(230)가 있을 때 가능한 부정 시나리오를 결정할 수 있다.

지식 평가 모듈 (734)은 학습자 지식 모델 (322)을 생성하고 조정하기에 필요한 데이터를 접근하는 제 1 제어 인터페이스 (522), 제 2 제어 인터페이스 (544), 제 3 제어 인터페이스 (644), 또는 이들의 조합을 사용할 할 수 있다. 지식 평가 모듈(734)는 제 1 제어부 (512), 제 2 제어부 (534), 제 3 제어부 (634), 또는 학습자 지식 모델(322)을 생성하고 조절하기 위한 비교, 계산, 분석, 판단, 또는 조합을 사용할 수 있다. 지식 평가 모듈 (734)은 제1 저장부 (514), 제 2 저장부 (546), 제 3 저장부 (646), 또는 이들의 조합으로 학습자 지식 모델 (322)을 저장할 수 있다.

보상 모듈 (736)은 학습자 지식 모델 (322)을 기반으로 숙달 보상 (244)를 생성하도록 구성된다. 보상 모듈 (736)는 도 2의 보상 부분 (260)를 통해 제1 사용자 인터페이스 (518), 제 2 사용자 인터페이스 (538), 제 3 사용자 인터페이스 (638), 또는 이들의 조합을 사용하여 숙달 보상 (244)을 생성 할 수 있다. 보상 모듈 (736)은, 링크 또는 기능에 대한 액세스를 허용하는 쿠폰 또는 인증서를 표시함으로써, 전자 우편 또는 정보를 보내거나 받으면서, 또는 이들을 조합함으로써 숙달 보상 (244)를 생성 할 수 있다.

보상 모듈 (736)은 제 1 통신부(516), 제 2 통신부 (536), 제 3 통신부 (636), 또는 이들의 조합을 사용할 수 있다. 보상 모듈 (736)은 제1장치 (102), 제 2 장치(106), 제 3 장치 (108), 또는 이들의 조합 사이에서 숙달 보상 (244)을 통신할 수 있다.

보상 모듈 (736)은 주제(204)의 숙달 수준(208)을 숙달 보상 (244)과 관련된 요구 사항에 비교할 수 있다. 숙달 수준 (208)이 숙달 보상 (244)과 관련된 요구 사항을 충족 할 때 보상 모듈 (736)은 숙달 보상 (244)을 생성 할 수 있다.

참가자 평가 모듈 (738)는 사용자에 대하여, 외부 엔티티 (402)의 효과을 분석하도록 구성된다. 참가자 평가 모듈 (738)은 그 레슨 프레임 (212), 레슨 콘텐츠 (216), 주변 시뮬레이션 프로필 (242), 숙달 보상 (244), 또는 이들의 조합을 포함하여 학습 세션 (210)의 다양한 구성 요소를 평가할 수 있다.

참가자 평가 모듈 (738)은 학습자의 기록 (320), 학습자의 프로필 (308), 학습자 지식 모델 (322), 또는 이들의 조합을 이용하여 다양한 요소를 평가할 수 있다. 참가자 평가 모듈 (738)은 클러스터, 패턴, 모델, 수차, 또는 이들의 학습자 기록 (320), 학습자의 프로필 (308), 학습자지식 모델 (322), 또는 외부 엔티티(402) 및 사용자에 대한 이들의 조합을 기초로 한 이들의 조합을 결정할 수 있다.

참가자 평가 모듈 (738)은 상기 클러스터, 패턴, 모델, 수차, 또는 이들의 조합을 결정하기 위하여 학습 커뮤니티 (330)에 걸쳐 외부 엔티티 (402)를 분석 할 수 있다. 예를 들어, 클러스터, 패턴, 모델, 수차, 또는 이들의 조합이 다음에 나오는 학습 세션(210) 또는 구성 요소 내부의 숙달 수준(208)의 개선 평균 상승률보다 높게 나오는 경우 참가자 평가 모듈 (738)은 적극적으로 외부 엔티티 (402)를 평가할 수 있다. 또 예를 들어, 참가자 평가 모듈 (738)은 접속량, 인기도, 사용자의 평가, 또는 이들의 조합에 기초하여 외부 엔티티 (402)를 평가 할 수 있다.

참가자 평가 모듈 (738)은 도 4의 외부 엔티티 평가 (406)를 결정할 수 있다. 참가자 평가 모듈 (738)은 레슨 프레임 (212), 레슨 콘텐츠 (216), 숙달 보상 (244), 또는 학습 세션(210)과 관련된 이들의 조합에 해당하는 외부 엔티티 (402)에 대한 학습자의 지식 모델 (322)을 기준으로 한 평가의 결과로 외부 엔티티 평가 (406)를 결정할 수 있다. 참가자 평가 모듈 (738)은 유사하게 선생님과 같은 교육자, 학교나 교육 부서, 또는 이들의 조합과 같은 교육 기관를 위한 외부 엔티티 평가(406)를 결정할 수 있다.

참가자 평가 모듈 (738)은 벤치 마크 순위를 결정하여 외부 엔티티 평가 (406)를 결정할 수 있다. 참가자 평가 모듈 (738)은 레슨 프레임 (212), 레슨 콘텐츠 (216), 숙달 보상 (244), 또는 사람이 학습 세션 (210)에 사용되는 그와 같은 조합의 비슷한 인스턴스를 갖는 외부 엔티티 (402)의 여러 인스턴스를 비교할 수 있다. 참가자 평가 모듈 (738)은 사용자에 해당하는 학습 커뮤니티 (330)에 제한되거나 특정된 사용자의 점수에 따라 벤치 마크의 순위를 결정할 수 있다. 참가자 평가 모듈 (738)은 외부 엔티티 평가 (406)로서 벤치 마크 순위 또는 그것의 계산된 파생물을 사용할 수 있다.

평가 모듈 (710)은 그 커뮤니티 모듈 (708)에 학습자 지식 모델 (322), 숙달 보상 (244), 외부 엔티티 평가 (406), 또는 이들의 조합을 전달할 수 있다. 커뮤니티 모듈은 추가적으로 학습자 지식 모델 (322), 숙달 보상 (244), 외부 엔티티 평가 (406), 또는 이들의 조합에 기초하여 학습 커뮤니티 (330)를 결정하거나 조정할 수 있다. 평가 모듈 (710)은 서로의 유사성, 차이점, 서로의 패턴, 학습자 지식 모델 (322), 숙달 보상 (244), 외부 엔티티 평가 (406), 또는 전술한 커뮤니티 메커니즘(730)에 따른 이들의 조합을 위한 이들의 조합에 기초하여 학습 커뮤니티 (330)를 결정하거나 조정할 수 있다.

평가 모듈 (710) 또는 그 내부의 서브 - 모듈은 상기 한 바와 같이 다양한 데이터를 분석 및 처리에 필요한 데이터를 접근하는 제 1 제어 인터페이스 (522), 제 2 제어 인터페이스 (544), 제 3 제어 인터페이스 (644), 또는 이들의 조합을 사용할 수 있다. 평가 모듈 (710) 또는 그 내부의 서브 - 모듈은 이의 분석하는 제 1 제어부 (512), 제 2 제어부 (534), 제 3 제어부 (634), 또는 비교, 계산, 분석, 결정하기 위한 이들의 조합, 또는 상기한 다양한 데이터를 분석하고 처리하기 위한 이들의 조합을 사용할 할 수 있다. 평가 모듈 또는 내부의 서브 - 모듈은 전술 한 바와 같이 분석과 처리 결과를 제 1저장부 (514), 제 2 저장부 (546), 제 3 저장부 (646), 또는 이들의 조합에 저장할 수 있다.

지식 관련 정보를 분석 한 후, 제어 흐름은 평가 모듈 (710)에서 피드백 모듈 (712)로 통과할 수 있다. 제어 흐름은 식별 모듈 (702) 및 세션 모듈 (704) 사이에 상기한 바와 유사하게 이동할 수 있다.

피드백 모듈 (712)은 학습 활동과 관련된 정보에 관한 다양한 당사자에게 통지하도록 구성되어 있다. 피드백 모듈 (712)는 외부 엔티티 (402), 사용자, 다른 원격 사용자, 부모, 교사, 학교, 학교 사무실, 정부 조직, 또는 학습 세션 (210)과 관련된 이들의 조합 등과 같은 관련된 사람들에게 알리기 위해 도 4의 외부 피드백 (404)을 사용하여 외부 엔티티 평가 (406)를 통신 할 수 있다.

피드백 모듈 (712)은 제 1 통신부 (516), 제 2 통신부 (536), 제 3 통신부 (636), 또는 이들의 조합을 사용하여 외부 엔티티 평가 (406)에 대한 이들의 송수신, 또는 이들의 조합에 의해 외부 피드백 (404)을 통신 할 수 있다. 피드백 모듈 (712)은, 추가적으로 디스플레이, 청각적인 재현, 접근 허용, 또는 제1 사용자 인터페이스 (518), 제 2 사용자 인터페이스 (538), 제 3 사용자 인터페이스 (638), 또는 이들의 조합을 사용하는 외부 엔티티 평가 (406)를 위한 외부 피드백 (404) 이들의 조합을 수행할 수 있다.

예를 들어, 피드백 모듈 (712)은 레슨 프레임 (212), 레슨 콘텐츠 (216), 숙달 보상 (244), 또는 학습 커뮤니티(330)의 특정 그룹화를 위한 식별 정보 (310), 학습 스타일 (312), 학습 목표 (314), 학습자의 특성 (316), 또는 다양한 사람에 대한 이들의 조합에 의해 지시된 인구 통계학적 정보에 대해 특정된 이들의 조합에 대한 등급이나 효과를 표시 할 수 있다. 또 예를 들어, 피드백 모듈 (712)은 부모, 사용자, 고용주, 교육자 또는 가능한 부정 시나리오, 학습자의 특성 (316), 학습 스타일 (312), 또는 사용자의 이들의 조합에 대한 이들의 조합을 통지할 수 있다.

피드백 모듈 (712)은 추가적으로 외부 엔티티 (402)에서 도4의 외부 엔티티 입력 (408)을 받을 수 있다. 예를 들어, 피드백 모듈 (712)은 외부 엔티티 (402)의 업데이트 또는 조정을 수신할 수 있다. 또 예를 들어, 피드백 모듈 (712)은 추가적으로 보호자 또는 교사와 같은 외부 엔티티 (402)에서 도4의 접근 권한 (412)을 조정 또는 제한하는 제어 정보를 수신 할 수 있다.

외부 엔티티 입력(408)는 외부 피드백 (404)의 기대에 또는 응답이 될 수 있다. 예를 들어, 외부 엔티티 입력(408)은 가능한 부정 시나리오 또는 기능 또는 콘텐츠에 접근하기 위한 허가에 응답 할 수 있다. 또한 예를 들어, 외부 엔티티 입력(408)은 학교나 교사와 같은 외부 엔티티에 의해 커버되거나 할당 된 주제(204)에 기초한 콘텐츠에나 기능에 대한 접근 권한의 부여를 포함할 수 있다.

학습자 지식 모델 (322), 학습자의 프로필 (308), 외부 피드백 (404), 또는 다양한 입력 데이터와 학습 커뮤니티(330)와 함께하는 이들의 조합이 책임 당사자에 대한 사용자의 학습 정보를 제공할 수 있음은 자명하다. 컴퓨팅 시스템 (100)은 가능한 전문성, 장애성, 또는 이들의 조합을 감지하기 위해 알려진 패턴과 다른 피어들에 걸쳐 학습자의 학습 수행능력을 분석할 수 있다. 컴퓨팅 시스템 (100)은 부모나 교사와 같은 책임 당사자에 가능한 결과를 전달할 수 있다. 또한, 컴퓨팅 시스템 (100)은 사용자를 분석하는 전문가에게 학습자 기록 (320) 보기를 제공 할 수 있다.

또한 학습자 지식 모델 (322), 학습자의 프로필 (308), 외부 피드백 (404), 또는 각종 입력 데이터와 학습 커뮤니티 (330) 의 이들의 조합은 사용자에게 최적화 된 학습 경험을 증진할 수 있음을 발견하였다. 컴퓨팅 시스템 (100)은 학습자 지식 모델 (322), 학습자의 프로필 (308), 외부 피드백 (404), 또는 각종 입력 데이터와 학습 커뮤니티 (330) 의 이들의 조합을 기반으로 최적의 학습 모드 및 콘텐츠 조직을 결정할 수 있다. 정보는 여러 가지 유형의 사용자의 구성 요소의 최적의 추가 개발 및 개선을 위한 외부 엔티티 (402)에 다시 공급 될 수 있다.

학습 활동과 관련에 관한 정보를 외부 엔티티 (402)에 통지하도록 결정한 후 제어 흐름은 피드백 모듈 (712)에서 계획 모듈 (714)로 이동할 수 있다. 제어 흐름은 식별 모듈 (702) 및 세션 모듈 (704) 사이에 상기 한 바와 유사하게 통과 할 수 있다.

계획 모듈 (714)은 최적의 학습 경험을 사용자에게 통지하도록 구성된다. 계획 모듈 (714)은 도 2의 콘텐츠 추천 (252), 도 2의 프레임 추천(250), 숙달 보상 (244) 또는 주제 강사 (338), 또는 이들의 조합과 같은 다른 추천들을 포함하여 사용자에 대한 다양한 추천을 생성 할 수 있다.

계획 모듈 (714)은 레슨 콘텐츠 (216)의 하나 이상의 인스턴스, 레슨 프레임 (212), 또는 이들의 조합을 결정하기 위하여 각종 데이터를 분석 할 수 있다. 계획 모듈 (714)은 시각적 또는 청각적 재현, 자원에 대한 접근을 제공하거나, 제 1 제어 인터페이스 (522), 제 2 제어 인터페이스 (544), 제 3 제어 인터페이스 (644), 또는 이들의 조합을 사용한 이들의 조합을 사용함으로서 다양한 추천을 생성 할 수 있다. 계획 모듈 (714)은 프레임 검색 모듈 (742), 콘텐츠 모듈 (744), 레슨 생성기 모듈 (746), 또는 각종 데이터를 분석하기 위한 이들의 조합을 포함할 수 있다.

프레임 검색 모듈 (742)은 학습자 지식 모델 (322)에 기초하여 사용자에 적합한 레슨 프레임 (212)을 선택하도록 구성되어 있다. 프레임 검색 모듈 (742)은 레슨 프레임 (212) 또는 이와 관련된 외부 엔티티 평가 (406)의 다양한 인스턴스에 대한 평가를 기초로 레슨 프레임 (212)을 선택할 수 있다. 프레임 검색 모듈 (742)은 학습자 지식 모델 (322), 학습자 프로필 (308), 숙달 수준 (208), 학습 커뮤니티 (330), 또는 사용자에 대한 이들의 조합에 대한 여러 인스턴스를 비교할 수 있다.

프레임 검색 모듈 (742)은 학습자 지식 모델 (322), 학습자 프로필 (308), 숙달 수준 (208), 또는 이들의 조합에 따라 수업 프레임 (212)의 인스턴스를 좁힐 수 있다. 예를 들어, 프레임 검색 모듈 (742)은 연령, 교육 수준, 숙달 수준 (208), 주제 (204), 또는 사용자에 대한 이들의 조합과 같이 레슨 프레임 (212)에 대한 일치하는 추천 사항이나 요구 사항에 따라 인스턴스를 좁힐 수 있다.

프레임 검색 모듈(742)은 학습자 지식 모델 (322), 학습자 프로필 (308), 숙달 수준 (208), 학습 커뮤니티 (330), 또는 좁혀진 인스턴스 범위 내의 이들의 조합의 가장 높은 인스턴스를 갖는 레슨 프레임(212)을 선택할 수 있다. 프레임 검색 모듈 (742)은 추가적으로 학습 커뮤니티 (330) 내에서 원격 사용자 중 가장 높은 사용이나 인기를 보유하거나 학습자 지식 모델 (322), 학습자 프로필 (308), 숙달 수준 (208), 또는 사용자에 대한 이들의 조합과 일치하는 레슨 프레임(212)을 선택할 수 있다.

콘텐츠 모듈 (744)은 학습자 지식 모델 (322)에 기초하여 레슨 콘텐츠 (216)를 선택하도록 구성된다. 콘텐츠 모듈 (744)은 레슨 프레임 (212) 또는 관련된 외부 엔티티 평가 (406) 의 다양한 인스턴스들의 평가에 따라 레슨 콘텐츠 (216)을 선택한다. 프레임 검색 모듈 (742)에 대해 상술 한 바와 유사하게 콘텐츠 모듈 (744)은 레슨 콘텐츠 (216)를 선택할 수 있다.

계획 모듈 (714)은 레슨 프레임 (212)의 선택된 인스턴스로 프레임 추천 (250)를 생성할 수 있다. 계획 모듈 (714)은 레슨 콘텐츠 (216)의 선택된 인스턴스로 콘텐츠 추천 (252)을 생성할 수 있다.

레슨 생성기 모듈 (746)은 레슨 프레임 (212) 및 레슨 콘텐츠 (216)의 조합을 기반으로 학습 세션 (210)를 생성하도록 구성된다. 레슨 생성기 모듈 (746)은 도 2의 콘텐츠 연결 (214)에 레슨 콘텐츠 (216) 내의 평가 요소 (218)를 연결하여 학습 세션 (210)을 생성 할 수 있다. 레슨 생성기 모듈 (746)은 주소를 연결하거나 명령 또는 평가 요소 (218), 또는 이들의 조합을 삽입하여 연결할 수 있다.

예를 들어, 레슨 생성기 모듈(746)은 모험 테마 또는 게임을 갖는 레슨 프레임 (212)의 연결 지점 또는 도전에 레슨 콘텐츠 (216)의 특정 질문을 추가 할 수 있다. 또한 예를 들어, 레슨 생성기 모듈 (746)은 레슨 콘텐츠 (216)을 기준으로 레슨 프레임 (212)의 난이도를 증가시키면서 그 수준을 만들 수 있다.

레슨 생성기 모듈 (746)은 추가적으로 도2의 일정 추천 (256)를 결정할 수 있다. 레슨 생성기 모듈 (746)은 도 2의 세션 추천 (248)에 대한 일정 추천 (256)을 결정할 수 있다. 상기 작업은 프레임 추천 (250) 및 콘텐츠 추천 (252)의 결합 인스턴스를 추천하면서 이루어진다. 레슨 생성기 모듈 (746)은 추가적으로 도 2의 활동 추천(254)에 대한 일정 추천을 결정할 수 있다.

레슨 생성기 모듈 (746)은 도 3의 연습 방법 (340)을 사용하여 일정 추천 (256)를 결정할 수 있는데, 이는 도 3의 연습 스케줄 (342), 도 3의 타겟 장치(344), 또는 이들의 조합을 포함한다. 레슨 생성기 모듈 (746)은 연습 방법 (340)에 학습자 지식 모델 (322), 숙달 수준 (208), 학습자 프로필 (308), 또는 이들의 조합을 비교할 수 있다. 레슨 생성기 모듈 (746)은 대응하는 기간, 타겟 장치 (344), 또는 이들의 조합으로서 일정 추천 (256)을 결정할 수 있다.

예를 들어, 레슨 생성기 모듈 (746)은 응답 평가 요소(222), 숙달 보상(244), 학습자의 프로필 (308), 학습 커뮤니티 (330), 또는 이들의 조합과 같은 다양한 입력 매개변수로부터 결론지어진 학습자 지식 모델 (322) 또는 숙달 수준(208)을 기반으로 학습 세션(210)의 다음 인스턴스에 대한 시작 시간을 결정할 수 있다. 또한 예를 들어, 레슨 생성기 모듈 (746)은 이와 유사하게 활동 추천 (254) 기한을 결정할 수 있다.

레슨 생성기 모듈 (746)은 학습 세션 (210)의 다음 인스턴스를 위한 좋은 기회를 결정할 수 있다. 레슨 생성기 모듈 (746)은 학습자 스케줄 달력 (318)의 이벤트에 따라 학습 세션 (210)과 동시에 수행하거나 그 이후에 수행하기 위한 일정 추천 (256)를 결정할 수 있다.

레슨 생성기 모듈 (746)은 학습 세션 (210)의 다음 인스턴스에 대한 주제 (204)과 관련된 키워드에 따라 학습자 스케줄 달력 (318)를 검색 할 수 있다. 레슨 생성기 모듈 (746)은 추가적으로 플랫폼 외부 사용 (414)과 주제(204)의 중복과 관련을 평가하는 평가 모듈(710)과 비슷하게 주제(204)와 상황에서 중복되거나 관련 있는 이벤트를 식별할 수 있다.

레슨 생성기 모듈 (746)은 이벤트가 일정 추천(256)의 초기에 결정된 인스턴스 내에서 발생하면, 해당 이벤트를 동시에 발생하거나 뒤따르게 일정 추천 (256)을 조정할 수 있다. 예를 들어, 레슨 생성기 모듈 (746)은 프랑스와 관련된 전시를 갖는 박물관에 방문하는 동안 또는 돌아온 후 "프랑스 역사" 에 대한 학습 세션 (210)이 있도록 일정 추천 (256)을 조정할 수 있다.

계획 모듈 (714)은 세션 추천(248), 활동 추천 (254), 일정 추천(256), 또는 이들의 조합을 사용하여 도 2의 연습 추천 (246)을 생성할 수 있다. 계획 모듈 (714)은 추가적으로, 주제 (204) 숙달 수준 (208)을 테스트하기 위한 일반적 에러 (240)를 포함하는 평가 요소(218)를 조정할 수 있다.

계획 모듈 (714)은 난이도 평가 (346)을 증가시키는 일반적 에러 (240)를 포함하는 평가 요소 (218)를 조정할 수 있다. 계획 모듈 (714)은 학습자가 특정 패턴 (328), 숙달 수준 (208), 학습 커뮤니티 (330), 학습자 지식 모델 (322), 학습 목표 (314), 학습자의 프로필 (308), 또는 이들의 조합에 기초한 일반적 에러(240)를 포함할 수 있다.

계획 모듈 (714)은 추가적으로 주제 강사 (338), 교사, 프로그램, 학교, 또는 이들의 조합에 관한 추천을 사용자에게 통지할 수 있다. 계획 모듈 (714)은 참가자 평가 모듈 (738)의 결과에 기초하여 사용자에게 통지 할 수 있다.

계획 모듈 (714)은 사용자의 숙달 보상 (244)의 다음 인스턴스를 추천 할 수 있다. 계획 모듈 (714)은 학습 커뮤니티 (330) 사이, 식별 정보 (310)의 유사한 인스턴스들의 사이, 또는 이들의 조합의 인기를 기반으로 한 숙달 보상 (244)을 추천 할 수 있다. 계획 모듈 (714)은 학습자 프로필 (308), 학습자 특정 패턴 (328), 또는 이들의 조합에 따라 숙달 보상 (244)을 추천 할 수 있다. 계획 모듈 (714)은 추가적으로 보상 제공자에 대한 참가자 평가 모듈 (738)의 처리 결과에 따라 숙달 보상 (244)을 추천할 수 있다.

계획 모듈 (714)은 사용자와 관련되는 식별 모듈 (702)에 학습 세션 (210)의 다음 인스턴스를 전달할 수 있다. 식별 모듈 (702)은 사용자를 식별함에 따라 학습 세션 (210)의 다음 인스턴스를 식별할 수 있다.

계획 모듈 (714)은 유사하게 평가 모듈 (710)로 활동 추천 (254)을 전달할 수 있다. 평가 모듈 (710)은 활동 추천 (254)과 활동 추천(254)와 일치하는 플랫폼 외부 사용 (414)을 인식하는 이들과 관련된 식별 정보를 사용할 수 있다.

응답 속도 (230)에 부가하여 요소를 포함한 응답 평가 요소 (222)는 사용자의 지식베이스와 능력을 이해하는데 있어 향상된 정확도를 제공한다는 것이 발견 되었다. 요소 기술 (226), 평가 형식 (228), 상황 파라미터 (232), 물리적 표시 (234), 학습자 집중 수준 (236), 에러 유발 추정(238), 또는 이들의 조합은 학습 활동과 사용자의 수행 능력에 관한 다양한 상이한 분석 방법 및 데이터를 제공 할 수 있다. 입력 데이터의 다양한 수치는 사용자에게 적용이 될 만한, 다양한 학습 과정에서 일탈, 또는 방해가 되거나 도움이 되는 자원, 또는 이들의 조합을 일으킬만한 외부의 영향을 검출하고 처리하는 데 사용될 수 있다.

콘텐츠 연결 (214), 레슨 프레임 (212), 그리고 레슨 콘텐츠 (216)는 학습 경험의 맞춤형 배달을 제공한다. 컴퓨팅 시스템 (100)은 레슨 프레임 (212) 및 사용자에게 가장 효과적인 것으로 추정된 학습 세션 (210)을 제공하기 위한 최적의 구성 요소인 것으로 확인되는 레슨 콘텐츠 (216)을 결합하는 콘텐츠 연결 (214)을 사용할 수 있다.

전술한 바와 같이, 학습자 응답 (220), 응답 평가 요소 (222), 및 학습자 프로필 (308)을 포함하는 다양한 정보에 기초한 학습자 지식 모델 (322)은, 사용자의 기초지식과 수행 능력 이해에 증가된 정확도를 제공한다는 것이 발견되었다. 응답 평가 요소 (222), 학습 커뮤니티(330), 학습자 프로필 (308), 또는 이들의 조합을 포함한 입력 데이터는 학습 활동과 사용자의 성능에 관한 여러 가지 분석 방법 및 데이터를 제공 할 수 있다. 입력 데이터의 다양한 양은 정확하게 사용자의 기초지식과 능력을 추정하기 위해 외부의 영향을 검출하고 처리하는 데 사용될 수 있다.

학습 커뮤니티 (330)에 기초한 학습자 프로필 (308) 및 학습자지식 모델 (322)은 유사성을 공유하는 다양한 그룹간에 비교뿐만 아니라 개별 분석을 제공하는 것이 발견되었다. 컴퓨팅 시스템 (100)은 다양한 유사성을 공유하는 그룹화를 가지면서 학습 커뮤니티 (330) 를 식별하는 학습자 프로필 (308)과 학습자 지식 모델 (322)를 사용할 수 있다. 컴퓨팅 시스템 (100)은 추가적으로, 전술 한 바와 같이 학습자 프로필 (308) 및 학습자 지식 모델 (322)을 조정하기 위하여 학습 커뮤니티 (330)를 사용할 수 있다. 유사한 사용자간의 비교는 사용자에 대한 학습 경험을 향상시키기 위해 사용 될 수 있는 더 넓은 패턴의 기초를 제공한다.

이것은 학습자 지식 모델 (322), 일반적 에러 (240) 및 학습 커뮤니티 (330)는 공통 에러 모드와 사용자의 기초지식에 대하여 관련된 의미의 식별을 제공하는 것이 발견되었다. 학습 커뮤니티 (330)는 일반적 에러 (240)에 대한 폭 넓은 분석을 할 수 있다. 컴퓨팅 시스템 (100)은 원인을 확인하는 일반적 에러 (240)를 분석할 수 있다. 원인은 학습자 지식 모델 (322)의 지식이나 숙달 수준 부족을 일반적인 실수와 구별하는데 사용될 수 있다.

연습 추천 (246) 과 학습자 지식 모델 (322)는 사용자를 위한 최적의 검토를 제공하는 것이 발견되었다. 학습자 지식 모델 (322)에 기초한 연습 추천 (246)은 학습자 지식 모델 (322)을 생성하고 조정하는 데 사용되는 다양한 정보를 이용한다. 따라서, 연습 추천 (246)은 최적 연습 방법을 추천하고 동적으로 간단한 점수나 결과 외에, 연습 타이밍 또는 기간의 정적 설정과 달리 다양한 정보에 따라 연습 타이밍을 결정 할 수 있다.

연습 추천 (246)과 플랫폼 외부 사용 (414)은 사용자에게 주제 (204)를 적용하는 데에 다양한 방법을 제공하는 것이 발견되었다. 연습 추천 (246)는 사용자의 일상 생활 동안 주제 (204)를 활용하고 연습할 수 있는 사용자에 대한 방법을 제공할 수 있다. 플랫폼 외부 사용 (414)는 사용자의 일상 생활에서 이러한 사용을 결정하고 확인할 수 있다.

플랫폼 외부 사용 (414)과 학습자 지식 모델 (322)은 주제 (204)의 사용자의 기초 지식과 수행 능력의 정확한 추정을 제공하는 것이 발견되었다. 플랫폼 외부 사용 (414)은 사용자의 일상 생활과 관리 플랫폼 (202)에 외부에서 주제 (204)의 사용에 대하여 컴퓨팅 시스템 (100)에 정보를 제공할 수 있다. 컴퓨팅 시스템 (100)은 추가적으로, 관리 플랫폼 (202)에서 생성된 데이터에 한정되지 않고, 학습자 지식 모델 (322)을 생성하고 조정하는 입력 데이터로서 플랫폼 외부 사용(414)을 사용할 수 있다.

주제 연결 모델 (348)과 학습자 지식 모델 (322)은 사용자의 기초 지식와 수행 능력의 포괄적 이해를 제공한다는 것을 발견되었다. 주제 연결 모델 (348)은 주제 (204) 에 대해 논리적 연결 또는 관련성을 갖는 영역에서 사용자의 이해와 능력을 표시 할 수 있다. 또한 컴퓨팅 시스템 (100)은 주제 연결 모델 (348)과 학습자 지식 모델 (322)을 사용하여, 주제(204)의 한 인스턴스와 관련된 학습 활동이 주제(204)에 포함되거나 관련된 다른 인스턴스의 숙달 정도를 나타낼 수 있다는 점 또한 인식하고 처리할 수 있다.

도 8은 식별 모듈 (702) 및 평가 모듈 (710)의 상세 사항을 나타낸다. 식별 모듈 (702)은 장치 식별 모듈 (802)을 포함할 수 있다.

장치 식별 모듈 (802)은 사용자 또는 원격 사용자가 하나 이상의 장치의 사용을 검사하도록 구성된다. 속성 모듈 (804), 커뮤니티 사용 모듈 (806), 또는 장치의 사용을 조사하기 위한 이들의 조합을 포함할 수 있다.

속성 모듈 (804)은 사용자, 원격 사용자, 또는 이들의 조합에 의해 소유되거나 사용되는 하나 이상의 장치를 식별하도록 구성된다. 속성 모듈 (804)은 사용자 또는 원격 사용자의 각 인스턴스에 대응하는 하나 이상의 장치를 식별하기 위해 사용자 또는 원격 사용자로부터의 입력, 로그인 정보와 대응되는 장치 식별 또는, 이들의 조합을 사용할 수 있다. 속성 모듈 (804)은 도 1의 제1 장치 (102), 도1의 제 3장치(108), 또는 이들의 조합에 대한 소유권 또는 사용을 식별할 수 있다.

속성 모듈 (804)은 또한 사용자, 원격 사용자, 또는 이들의 조합에 대응하여 각 장치의 장치 속성 (808)을 식별할 수 있다. 예를 들어, 속성 모듈 (804)은 장치의 구성 요소에 대한 장치 화면 크기, 상호 작용 위치, 표시 화면의 밝기, 장치 구성 요소의 성능 평가 또는 사양, 다른 동시에 또는 예약된 장치에서의 활동, 네트워크 성능 또는 활동, 또는 이들의 조합을 식별할 수 있다.

속성 모듈(804)은 도 7의 사용 감지 모듈(716)에 장치 속성(808)으로 이동할 수 있다. 사용 감지 모듈(716)은 도 4의 플랫폼 외부 사용 (414) 또는 이들의 조합을 위해 결정, 식별, 표시, 또는 도 2의 학습 세션 (210) 동안에 장치로부터의 입력을 위한 이들의 조합을 수행하는 장치 속성 (808)을 사용할 수 있다.

속성 모듈 (804)은 도 2의 응답 평가 요소 (222)와 함께 학습 세션 (210)로부터의 개별적인 결과에 대한 장치 속성 (808)을 식별할 수 있다. 이에는 날짜, 시간, 장치 사용 시간의 길이, 총 지속 시간 연습, 모든 장치에 걸친 집계 정보, 도2의 주제(204), 도 3의 학습자 커뮤니티(330), 또는 이들의 조합이 있을 수 있다. 속성 모듈 (804)은 이와 유사하게 도 4의 장치 사용 프로필 (410)에 대한 장치 속성 (808)를 식별할 수 있다.

평가 모듈 (710)의 지식 평가 모듈 (734)은 장치 속성 (808)과 관련된 정보를 설명 할 수 있다. 지식 평가 모듈 (734)은 장치 분석 모듈 (810), 모델 생성기 모듈 (812), 또는 이들의 조합을 포함할 수 있다.

장치 분석 모듈 (810)은 장치 속성 (808)에 사용자의 수행 능력 측면을 특징짓도록 구성된다. 장치 분석 모듈 (810)은 장치 속성(808)의 측면에서 도2의 학습자 응답(220), 응답 평가 요소 (222), 또는 이들의 조합(808)을 분석할 수 있다.

장치 분석 모듈 (810)은 도 2의 장치 속성 (808), 학습자 응답(220), 응답 평가 요소(222), 숙달 수준(208)의 증가분, 또는 이들의 조합에 기초하여, 학습자의 기록 (320) 에서의 패턴, 클러스터, 그룹화 또는 이들의 조합을 결정할 수 있다. 장치 분석 모듈 (810)은증가분 증가에 있어서 패턴, 클러스터, 그룹화 또는 이들의 조합, 학습자 응답 (220), 응답 평가 요소(222), 또는 이들의 조합이 도4의 컴퓨팅 시스템 (100)과 외부 엔티티(402), 또는 이들의 조합에 의해 미리 정해진 임계값에 기초하여 장치 속성 (808)에 기인한다는 것을 판단할 수 있다.

모델 생성기 모듈 (812)은 도3의 학습자 지식 모델 (322)를 생성 또는 조정하도록 구성된다. 모델 생성기 모듈 (812)은 전술한 바와 같이 학습자 지식 모델 (322)을 생성하거나 조정할 수 있다.

모델 생성기 모듈 (812)은 장치 속성(808)에 기초하여 학습자지식 모델 (322)을 생성 또는 조정할 수 있다. 모델 생성기 모듈 (812)은 장치 속성 (808) 및 패턴, 클러스터, 그룹 또는 학습자 지식 모델 (322)에 장치 속성(808)에 기인한 추가적인 이들의 조합을 결합할 수 있다. 모델 생성기 모듈 (812)은 프로세스 또는 상기 방법을 이용하여, 장치의 기능과 설정에 기인한 수행 능력의 편차를 분리하거나 식별 할 수 있다.

모델 생성기 모듈 (812)은 학습자의 성능에 장치의 효과를 특성화하기 위한 장치 효과 모델 (814)을 구축 할 수 있다. 모델 생성기 모듈 (812)은 학습 커뮤니티 (330)에 대한 정보에 대응하는 장치 효과 모델 (814)을 결합할 수 있다. 모델 생성기 모듈 (812)은 또한 장치 효과 모델 (814), 학습 커뮤니티 (330) 대한 장치 효과 모델 (814)의 결합된 인스턴스들, 또는 이들의 조합을 학습자 지식 모델 (322)로 결합할 수 있다. 모델 생성기 모듈 (812)은 상기 학습자 지식 모델 (322)를 생성하거나 조정함과 동시에 장치 효과 모델 (814)을 구축 할 수 있다.

모델 생성기 모듈 (812)은 학습자 지식 모델 (322), 장치 효과 모델 (814), 또는 이들의 조합으로 인해 발생되는 인스턴스를 커뮤니티 모듈 (708)로 전달할 수 있다. 모델 생성기 모듈 (812)은 상기 학습자 지식 모델(322), 장치 효과 모델 (814), 또는 이들의 조합으로 인한 인스턴스를 피드백 모듈 (712), 계획 모듈 (714), 또는 이들의 조합으로 전달할 수 있다.

컴퓨팅 시스템 (100)은 도 7의 외부 피드백 (404)을 사용하는 외부 엔티티 (402)에 장치 효과 모델 (814), 장치 속성 (808), 장치 속성 (808)에 의한 사용자 수행 능력, 또는 이들의 조합을 전달하기 위하여 피드백 모듈 (712)를 사용할 수 있다. 피드백 모듈 (712)은 외부 피드백 (404)을 사용하여 다양한 매개변수에 기초하는 자세한 분석 결과를 외부 엔티티 (402)에게 보고할 수 있다.

장치 효과 모델 (814), 장치 속성(808), 장치 속성(808)에 기인한 사용자 수행 능력, 또는 이들의 조합은, 도3의 학습 스타일 (312)에 따라, 주제(204)에 따라, 장치 속성(808)에 따라, 가장 많이 사용되 장치에 따라, 또는 이들의 조합에 따라, 여러 장치들에 걸치는 벤치마크를 설정하기 위하여 사용될 수 있다. 외부 피드백 (404)은 콘텐츠 제작자, 학습 커뮤니티(330)에 걸친 벤치마크, 학습 스타일(312), 최고의 중고 장치, 주제 (204), 장치 속성 (808)에 의해, 또는 이들의 조합에 기초한 분석 결과를 보고하기 위해 사용될 수 있다.

모델 생성기 모듈(812)에 의해 결정되고 장치 효과 모델 (814)에서 강조된 것으로서, 컴퓨팅 시스템 (100)은 사용자의 장치 특정 문제를 통신하도록 계획 모듈(714)을 사용할 수 있다. 계획 모듈(714)은 분석에 기초하여 사용자를 위한 장치 또는 장치 설정의 변경에 대한 제안을 통신 할 수 있다. 계획 모듈 (714)은 상기 학습 세션 (210)의 다음 발생하는 동안 장치나 장치의 사용에 대한 설정을 변경할 수 있다.

예를 들어, 컴퓨팅 시스템(100)은 학습 세션 (210)이 사용자로부터의 입력을 위해 마이크를 이용하고 있거나 이용하게 될 때의 잡음 환경을 검출할 수 있다. 컴퓨팅 시스템 (100)은 텍스트 입력 또는 제스처 입력으로 전환하도록 제안하거나 또는 학습 세션 (210)의 다음으로 발생하는 인스턴스의 입력 모드 변경을 제안 할 수 있다. 또한 예를 들어, 컴퓨팅 시스템 (100)은 사용자 주변의 학습 커뮤니티 (330)의 사용자가 조용하고 다른 사람들이 주위에 있고, 또한 옆에 있는 다른 사람을 방해하지 않고 더 나은 수업을 듣기 위해 헤드폰을 사용하도록 변경을 제안하거나 구현할 수 있다.

도 9는 평가 모듈(710)의 상세도이다. 평가 모듈 (710)은 구성 요소 분석 모듈 (902)과 모델 생성기 모듈 (812)을 포함할 수 있다.

구성 요소 분석 모듈 (902)은 도 2의 학습 세션 (210)의 하나 이상의 컴포넌트에 사용자의 수행 능력의 측면을 특정하도록 구성된다. 구성 요소 분석 모듈 (902)은 장치 분석 모듈 (810)과 유사할 수 있다. 구성 요소 분석 모듈 (902)은 도2의 레슨 콘텐츠(216), 도2의 레슨 프레임(212) 또는 이들의 조합에 비추어 도2의 학습자 응답, 도2의 응답 평가 요소(222), 또는 이들의 조합을 분석 할 수 있다.

구성 요소 분석 모듈 (902)은 학습 세션 (210), 또는 레슨 프레임 (212), 레슨 콘텐츠 (216), 또는 이들의 조합에 기초한 이들의 조합에 따라 도3의 학습자 기록(320) 안의 패턴, 클러스터, 그룹 또는 이들의 조합을 결정할 수 있다. 구성 요소 분석 모듈 (902)은 도3의 학습 커뮤니티(330) 에 걸친 패턴, 클러스터, 그룹 또는 이들의 조합을 결정할 수 있다. 구성 요소 분석 모듈 (902)은 또한, 도3의 학습자 프로필(308), 도2의 주제(204), 또는 이들의 조합을 추가적으로 참조하여 패턴, 클러스터, 그룹 또는 이들의 조합을 결정할 수 있다.

모델 생성기 모듈 (812)은 사용자의 지식이나 숙달 수준에 변화를 특성화하기 위한 수행 능력 모델 (904)에 기초하여 도 3의 학습자 지식 모델 (322)를 생성 또는 조정하도록 구성 될 수 있다. 모델 생성기 모듈 (812)은 학습자 지식 모델 (322)로서 패턴, 클러스터, 그룹 또는 이들의 조합을 설정할 수 있다. 모델 생성기 모듈 (812)은 레슨 프레임 (212), 레슨 콘텐츠 (216), 또는 이들의 조합에 기인하는 성능의 편차를 분리 또는 식별할 수 있다.

모델 생성기 모듈 (812)은 사용자의 성능을 예측하는 가장 가까운 값을 갖는 응답 평가 요소 (222), 학습자의 프로필 (308), 이들의 조합을 결정할 수 있다.

평가 모듈 (710)은 학습 커뮤니티 (330)의 관점에서 비교 및 처리 또는 학습 커뮤니티 (330)를 조정하기 위해, 커뮤니티 모듈 (708)에 학습자 지식 모델 (322), 수행 능력 모델 (904), 또는 이들의 조합을 전달할 수 있다. 평가 모듈 (710)은 전술 한 바와 같이, 개별 성능을 최대화하려고 다른 연습 방법, 다른 콘텐츠 제공자, 및 다른 게임을 제안할 수 있도록, 계획 모듈 (714)에 학습자 지식 모델 (322), 수행 능력 모델 (904), 또는 이들의 조합을 전달할 수 있다.

평가 모듈 (710)은 도4의 외부 피드백 (404)과 함께 학습자 지식 모델 (322), 수행 능력 모델 (904), 또는 이들의 조합을 전달하기 위해, 학습자 지식 모델 (322), 수행 능력 모델 (904) 또는 이들의 조합을 피드백 모듈 (712)에 전달할 수 있다. 평가 모듈 (710)은 외부 피드백 (404)를 사용하면서 주제(204), 학습자 프로필 (308), 학습자 지식 모델 (322), 학습 커뮤니티 (330) 또는 이들의 조합에 의해 최고의 콘텐츠 제공자를 벤치마크하는 보고서를 생성할 수 있다. 평가 모듈(710)은 장치에 의한 학습자 수행 능력, 도8의 장치 속성(808), 도2의 주제(204), 도3의 학습자 특징(316), 도3의 학습 스타일(312), 레슨 콘텐츠(216), 레슨 프레임(212), 도4의 외부 엔티티(402), 또는 이들의 조합의 분해(breakdown)를 제공할 수 있다.

예를 들어, 학습자 분석 모듈 (706)은 하루 동안의 수학 연습 사실로부터 학습자가 아침에 그 주제에 대해 더 나은 수행을 하는 것을 사용자에서 확인할 수 있다. 사용자의 속성은 평가 모듈 (710)에 전달되고, 학습 커뮤니티 (330)의 다른 학습자와 결합 된다. 결과는 학습 스타일 "아침에 수학"을 결정하기 위해 학습자 분석 모듈 (706)에 다시 전달 될 수 있다.

계속해서 예를 들면, 학습의 순서 변경으로 인한 변경이나 개선이 컴퓨팅 시스템 (100)에 다시 공급 될 수 있다. 평가 모듈 (710)과 학습자 분석 모듈 (706)은 학습 스타일 (312)의 새로운 인스턴스로서 "덧셈 이전에 뺄셈을 배우기" 제안을 추가로 할 수 있다.

또 예를 들어, 제공자 "A"의 콘텐츠와 함께 역사를 공부하고 콘텐츠와 함께 잘 수행하는 사용자를 위해 사용자의 정보은 학습 커뮤니티 (330)에 걸쳐서 분석 될 수 있다. 분석의 결과는 공급자 "A"는 학습자의 이러한 유형에 대한 최적의 역사 콘텐츠를 생산하는 것을 보여줄 수 있다. 마찬가지로 만약 사용자가 공급자 "A" 콘텐츠 내용을 잘 수행하지 않은 경우, 분석 결과는 다른 업체의 콘텐츠를 추천 할 수 있다.

도10은 계획 모듈 (714)의 상세도를 나타낸다. 계획 모듈 (714)은 대체 모듈 (1002)을 포함할 수 있다. 대체 모듈 (1002)은 상호 작용 선택을 결정하도록 구성된다. 대체 모듈 (1002)는 장치 설정에서 변화를 결정할 수 있다.

계획 모듈 (714)은 도 2의 세션 추천 (248), 도2의 활동 추천(254), 도2의 일정 추천(256), 도2의 숙달 보상(244)를 위한 추천, 또는 이들의 조합을 포함하면서 도2의 연습 추천(246)과 함께 상호작용 선택을 결정할 수 있다. 계획 모듈 (714)은 전술 한 바와 같이 연습 추천(246)을 결정하는 유사한 다양한 요인에 기초한 상호 작용 선택을 결정할 수 있다.

계획 모듈 (714)은 상호 작용 선택, 연습 추천(246), 또는 이들의 조합으로부터의 모델 생성기 모듈(812) 또는 이들의 조합으로부터의 속성 모듈(804), 장치 효과 모델(814)로부터의 장치 속성(808)을 추가적으로 사용할 수 있다.

계획 모듈 (714)는 개별 학습자의 수행 능력을 개선시키기 위한 장치 설정, 도2의 레슨 프레임 (212), 도2의 레슨 콘텐츠(216), 숙달 보상(244), 도3의 난이도 평가(346), 다른 매개변수, 또는 이들의 조합의 변경을 제안하는 장치 속성 (808), 장치 효과 모델(814), 수행 능력 모델 (904), 또는 이들의 조합을 사용할 수 있다. 계획 모듈 (714)은 상술한 바와 같이 추가적으로 도3의 학습 커뮤니티(330), 도 3의 학습자 기록(320), 또는 이들의 조합을 사용할 수 있다.

계획 모듈 (714)은 도 2의 일반적 에러 (240)와 도3의 학습자 특정 패턴(328)으로 식별 된 공통 에러 패턴에 기초하여 장치나 학습 활동에 필요한 변경을 결정할 수 있다. 계획 모듈 (714)은 사용자에 대한 서로 다른 최적의 스타일을 식별 할 수 있다.

예를 들어, 수학 게임을 위한 테블릿 사용은, 그것의 답과 함께 타일을 움직이고 떨어트리는 것을 포함한다. 컴퓨팅 시스템 (100)은 장치 때문에 사용자로부터의 에러가 게임에서의 제스처 입력의 오판에 기인한다고 판정 할 수 있다. 계획 모듈 (714)은 수학 게임의 빠른 진행을 위해 고정된 위치에 객관식 타일을 사용하고 더 나은 입력 방식으로 떨어지는 답을 격추할 수 있도록 제안할 수 있다.

또 예를 들어, 레슨 콘텐츠 (216)는 외부 엔티티 (402)에 의해 제공된 일반적 에러(240)를 포함할 수 있다. 컴퓨팅 시스템 (100)은 질문에 대한 골라진 오답 중 하나를 검출하여 학습자가 정답을 이해할 수 있도록 질문에 대한 올바른 생각을 강화하는 새로운 콘텐츠를 제시할 수 있다.

도11은 스타일 모듈 (722)의 상세도를 나타낸다. 스타일 모듈 (722)은 학습 스타일 (312), 또는 이들의 조합의 분류를 발견하는 도 3의 학습 스타일 (312)를 결정할 수 있다. 스타일 모듈 (722)은 학습 스타일(312)의 결정에서 상술한 도 7의 평가 모듈 (710)과 유사할 수 있다. 스타일 모듈 (722)은 학습자 분류 모듈 (1102), 분류 테스트 모듈 (1104), 스타일 분할 모듈 (1106), 조직 모듈 (1108), 또는 학습 스타일 (312)를 결정하기 위한 이들의 조합을 포함할 수 있다.

학습자 분류 모듈 (1102)은 분류 집합 (1110)을 결정하도록 구성되었다. 분류 집합 (1110)는 학습 스타일 (312)에 대한 가능한 인스턴스의 모음이다.

학습자 분류 모듈 (1102) 도3의 학습자 기록(320) 또는 도3의 학습 커뮤니티(330) 또는 이들의 조합과 같은 도3의 학습자 프로필 (308), 도2의 학습자 응답(220), 도2의 응답 평가 요소(222), 도8의 장치 속성(808), 도4의 장치 사용 프로필(808), 전역적인 정보의 기능에 따라 (1110) 분류 설정을 결정할 수 있다. 학습자 분류 모듈 (1102) 학습의 일반적인 스타일의 패턴을 식별하여 분류의 설정을 결정할 수 있다. 학습자 분류 모듈 (1102)은 지속적으로 분류 집합(1110)을 재정의하고 개선하는 입력을 가질 수 있다.

분류 테스트 모듈(1104)은 새로운 분류(1112)를 제안하도록 구성되어 있다. 새로운 분류 (1112)는 분류 집합(1110)의 독점적인 학습 스타일(312)의 인스턴스이다.

분류 테스트 모듈 (1104)은 기존 분류 집합(110) 안에서 학습 스타일 (312)의 기존 인스턴스 내의 학습자 기록 (320)로부터 사용자에 대한 패턴, 클러스터, 그룹, 모델 또는 이들의 조합을 결정함으로써 새로운 분류(1112)를 제시 할 수 있다. 분류 테스트 모듈 (1104)은 학습 커뮤니티(330)에 걸쳐 패턴, 클러스터, 그룹화, 모델, 또는 이들의 조합의 새롭게 검출 된 인스턴스를 비교할 수 있다.

분류 테스트 모듈 (1104)은 학습 스타일 (312)의 해당 인스턴스 내에서 패턴, 클러스터, 그룹화, 모델, 또는 이들의 조합과 일치하는 하위 분류로서 새로운 분류 (1112) 를 제안할 수 있다. 분류 테스트 모듈 (1104)은 성능 향상 제안의 추가적인 분류에 대한 새로운 분류 (1112)를 사용하여 학습 스타일 (312)의 세분화 된 분류를 만들 수 있다.

분류 테스트 모듈 (1104) 더 1110 세트 패턴, 클러스터, 그룹화, 모델 또는 분류 집합(1110)에 대응되는 패턴, 클러스터, 그룹화, 모델, 또는 이들의 조합에 독점적인 이들의 조합을 결정하기 위한 새로운 분류 (1112)를 제안할 수 있다. 분류 테스트 모듈 (1104)은 나아가, 학습 커뮤니티 (330)에 걸친 패턴, 클러스터, 그룹화, 모델, 또는 이들의 조합의 새롭게 검출된 인스턴스를 비교할 수 있다.

학습자 기록(320), 학습 커뮤니티(330)에 걸쳐, 또는 이들의 조합의 시간의 임계양보다 더 많이 발생하는 패턴, 클러스터, 그룹화, 모델, 또는 이들의 조합의 인스턴스가 새롭게 검출될 때 분류 테스트 모듈(1104)는 새로운 분류(1112)를 제시할 수 있다. 도 4의 컴퓨팅 시스템 (100) 또는 외부 엔티티는 제안된 새로운 분류 (1112) 에 대한 임계값의 양을 미리 결정하거나 조정할 수 있다.

스타일 분할 모듈 (1106)은 새로운 분류 (1112)에 대해 설명하도록 구성되어 있다. 스타일 분할 모듈 (1106)은 패턴, 클러스터, 그룹화, 모델, 또는 이들의 새롭게 검출 된 인스턴스와 관련된 임계, 템플릿, 범위, 형상, 또는 이들의 조합을 포함하여, 새로운 분류(1112)에 대응하는 경계 (1114)를 설정하여 새로운 분류(1112)를 설명 할 수 있다.

스타일 분할 모듈 (1106) 은 통계적 분석, 기계 학습 프로세스, 패턴 분석, 또는 학습자 기록(320), 학습 커뮤니티(330)에 걸쳐, 또는 이들의 조합 안에서 패턴, 클러스터, 그룹화, 모델, 또는 이들의 조합의 새롭게 검출 된 인스턴스에 대한 이들의 조합에 기초한 경계 (1114)를 설정할 수 있다. 예를 들어, 스타일 분할 모듈 (1106)은 새로운 분류(1112)를 검출 또는 식별하기 위한 공차 값이나 범위, 클러스터 거리, 패턴 윤곽선, 또는 이들의 조합을 설정할 수 있다.

조직 모듈 (1108)은 새로운 분류 (1112)에 대응하는 최적 계획 (1116)을 결정하도록 구성된다. 최적 계획 (1116)은 새로운 분류(1112)에 대한 최적의 추정된 학습 활동의 특성이다.

조직 모듈 (1108)은 사용자, 학습 커뮤니티 (330), 또는 이들의 조합으로부터의 가장 높은 결과에 기초한 최적 계획 (1116)을 결정할 수 있다. 조직 모듈 (1108)은 도2의 레슨 콘텐츠 (216), 도2의 레슨 프레임(212), 도2의 평가 요소(218), 도2의 숙달 보상(244), 이들의 분류, 또는 사용자, 학습 커뮤니티 (330), 또는 이들의 조합으로부터의 가장 높은 결과와 관련된 이들의 조합을 최적 계획(1116)으로서 설정할 수 있다.

스타일 모듈 (722)은 학습 스타일 (312)의 새로운 인스턴스로서 새로운 분류 (1112), 경계 (1114), 그리고 최적의 계획 (1116)을 결합 할 수 있다. 스타일의 모듈(772)은 분류 집합(1110)에 학습 스타일 (312)의 새 인스턴스를 추가하여 분류 집합(1110)을 업데이트할 수 있다.

컴퓨팅 시스템 (100)은 학습 커뮤니티 (330)와 함께 학습 스타일 (312)의 새로운 인스턴스를 공유 할 수 있다. 컴퓨팅 시스템 (100)은 콘텐츠, 주제, 게임 스타일, 보상, 연습 스타일, 콘텐츠 제작자, 게임 개발자, 연습 제작자, 보상 제작자 또는 사용자에 대한 이들의 조합에게 최적의 선택을 처리하고 식별하는 학습 스타일 (312)의 업데이트 된 인스턴스를 추가적으로 사용할 수 있다.

예를 들어, 스타일 모듈 (722)은 성능 데이터, 장치 데이터, 제공자 데이터 또는 이들의 조합을 사용하여, 텍스트 읽기에 어려움을 겪는 학습자에 대하여 정보를 보다 큰소리로 읽음으로써 레슨을 보다 잘 유지시키는 결과를 가져오는 학습자 소집합을 위한 학습 스타일(312)의 새로운 인스턴스를 결정할 수 있다.

도12는 커뮤니티 모듈 (708)의 상세도를 나타낸다. 커뮤니티 모듈 (708)은 원시 입력 및 다른 모듈의 출력을 축적하여 학습자 수행 능력에 대한 커뮤니티 전체 규모의 분석을 제공한다. 커뮤니티 모듈 (708)는 상기 한 바와 같이 커뮤니티에 폭 넓은 분석을 생성할 수 있다. 커뮤니티 모듈 (708)은 또한 학습자 성과의 커뮤니티 넓은 분석을 생산하는 지역 경향 모듈 (1202), 연습 검색 모듈 (1204), 엔티티 검색 모듈 (1206), 구성 모듈 (1208), 또는 이들의 조합을 포함할 수 있다.

지역 경향 모듈 (1202)은 사용자의 그룹을 통해 경향과 변화를 확인하도록 구성되어 있다. 지역 경향 모듈 (1202)은 다양한 지리적 영역에 대한 경향 및 변화를 확인 할 수 있다. 예를 들어, 지역 경향 모듈 (1202)은 이웃, 지역 학교, 도시, 주, 국가, 또는 이들의 조합에 따라 사용자를 그룹화 할 수 있다.

지역 경향 모듈 (1202)은 다른 지리적 영역과 비교하여 지리적 영역 안에 있는 사용자들의 도2의 숙달 수준(208)의 증가분의 평균 성장보다 빠르거나 상위에 있음을 감지하기 위해 기계 학습 분석 또는 패턴 분석을 수행 할 수 있다. 지역 경향 모듈 (1202)은 더 빠르거나 평균 이상의 성장을 갖는 지리적 영역 내에서 사용자 사이의 각종 데이터의 공유된 유사성을 식별할 수 있다.

예를 들어, 지역 경향 모듈 (1202)은 상기 지리적 영역 안의 사용자들에 의해 공유되는 도2의 응답 평가 요소(222), 도2 의 학습 세션(210), 도3의 학습자 프로필(308), 도3의 외부 엔티티(308), 내부 양태, 또는 이들의 조합을 식별할 수 있다. 또한 예를 들어, 지역 경향 모듈 (1202)은 새로운 교육 프로그램이나 새로운 요구 사항, 기여 요인에 대한 지리적 영역과 관련된 키워드와 같은 교육과 관련된 키워드 및 키워드에 대한 인터넷 또는 사용 가능한 데이터베이스를 검색 할 수 있다.

지역 경향 모듈 (1202)은 학습 경향 (1210)으로서 공유된 유사성, 기여 요인이나 이들의 조합을 설정할 수 있다. 지역 경향 모듈 (1202)은 학교와 학교 시스템에 대한 새로운 모범 사례 또는 최고의 제안을 나타낼 수 있다. 컴퓨팅 시스템 (100)은 도 3의 학습 스타일 (312), 지리, 학교, 학교 시스템, 주, 국가, 또는 이들의 조합과 같은 많은 특성들에 기초하여 현재 이슈, 경향, 그리고 학습에서의 연습을 보고하기 위해 학습 경향(1210)을 사용할 수 있다.

연습 검색 모듈 (1204)은 학습 경향 (1210)과 관련된 새로운 연습 (1212)을 식별하도록 구성되어 있다. 새로운 연습(1212)은 학습 경향 (1210) 과 관련된 학습 활동이다. 새로운 연습 (1212)은 학습 경향 (1210)과 관련된, 도2의 레슨 프레임 (212), 도2의 레슨 콘텐츠(216), 도2의 숙달 보상(244), 도2의 활동 추천(254), 또는 이들의 조합의 인스턴스를 포함할 수 있다. 연습 검색 모듈 (1204)는 학습 활동에 대한 설명이나 검토의 키워드와의 일치 또는 분석을 기반으로 관계를 판정할 수 있다.

컴퓨팅 시스템 (100)은 또한, 새로운 연습(1212)를 사용하여, 사용자의 숙달 수준 (208)의 증가, 도3의 학습 커뮤니티(330), 지리적 영역, 또는 이들의 조합과 관련된 결과를 검증할 수 있다. 새로운 연습 (1212) 및 학습 커뮤니티 (330)은 결과를 검증하기 위해 커뮤니티에서 더 폭넓은 시험을 제공 할 수 있다고 판단된다. 또한 학습 경향 (1210)은 세분화된 학습 스타일에 기초하여 최선의 연습의 그룹을 생성 할 수 있다고 판단된다.

엔티티 검색 모듈 (1206)은 도4의 외부 엔티티 (402)을 분석하도록 구성되어 있다. 엔티티 검색 모듈 (1206)은 학교, 학교 시스템, 도시, 카운티, 주 또는 이들의 조합을 포함하는 인스턴스에 대한 외부 엔티티 (402)의 개별 인스턴스를 벤치 마크할 수 있다. 엔티티 검색 모듈 (1206) 다른 유사한 콘텐츠, 다른 보상 제공자 또는 평가 제공자들, 또는 이들의 조합의 개별 인스턴스를 더 벤치 마크 할 수 있다. 엔티티 검색 모듈 (1206) 은 학습자 특성, 주제, 평가 유형 또는 이들의 조합에 의해 벤치 마크 순위를 그룹화할 수 있다. 엔티티 검색 모듈 (1206)은 지역 경향 모듈 (1202)에서 수행된 지리적 영역의 다양한 인스턴스를 비교 분석의 결과를 사용할 수 있다.

구성 모듈 (1208)은 최적 연습 (1216)을 생성하도록 구성된다. 최적 연습 (1216)은 사용자에 대한 최적의 학습의 새로운 인스턴스 일 수 있다. 구성 모듈 (1208)은 새로운 연습(1212) 또는 학습자 프로필 (308)과 그와 관련된 데이터를 상호 참조하여 최적 연습 (1216)을 생성 할 수 있다.

예를 들어, 구성 모듈 (1208)은 지리적 영역 내에서 그리고 학습자 프로필 (308)과 일치하는 사용자의 학습 경향의 학습 결과의 하위 분석을 수행 할 수 있다. 또 예를 들어 구성 모듈 (1208)은 컴퓨팅 시스템 (100) 또는 외부 엔티티 (402)에 의해 미리 정해진 검증 임계 값에 대해 학습 커뮤니티 (330)에 걸친 새로운 연습(1212)의 큰 테스트의 결과를 확인할 수 있다.

구성 모듈 (1208)은 최적 연습(1216)으로서 사용자에 대응되는 새로운 연습(1212), 학습 커뮤니티 (330)에 걸친 유효성, 또는 이들의 조합을 설정할 수 있다. 컴퓨팅 시스템(100)은 사용자에게 최적 연습(1216), 사용자의 활동과 관련된 외부 엔티티(402), 또는 이들의 조합을 전달하거나 제안할 수 있다.

예를 들어, 하나의 학교 시스템에서 5학년이 영어 어휘에서 가장 높은 수행 능력을 가질 수 있다. 한 학년의 속성은 서로 다른 지리적 위치에 있는 다른 학교에서 다른 유사한 학년과 일치한다. 컴퓨팅 시스템 (100)은 최고의 콘텐츠, 최고의 게임 상호 작용, 높은 수행 능력의 동기를 부여하는 가장 좋은 보상을 공유하는 통신이나 제안을 사용할 수 있다. 또한 예를 들어, 유사한 분석은 다음과 같이 어떤 그룹보다 정밀한 그룹에 수행될 수 있는데, 세계에서 동일한 속성을 가진 일반적인 12 살짜리 소년들을 모으고 이러한 소년들에 대한 학습을 위한 최고의 연습을 제안하기 위한 커뮤니티로 결합시킬 수 있다.

도 13은 참가자 평가 모듈(738)의 상세도를 나타낸다. 참가자 평가 모듈 (738)은 도 2의 관리 플랫폼 (202)에 사용되는 학습 자료와 사례를 제공하는 도 4의 외부 엔티티 (402)에 개선 사항 통지 및 제안에 대한 결과를 생성 할 수 있다. 참가자 평가 모듈 (738)은 상술된 바와 같이 결과를 생성 할 수 있다. 참가자 평가 모듈 (738)은 추가적으로 제공 모듈 (1302), 순위 모듈 (1304), 소스 추정 모듈 (1306), 경향 추적기 모듈 (1308), 결과를 생성하는 이들의 조합을 포함한다.

제공 모듈 (1302)은 외부 엔티티 (402)의 하나 이상의 인스턴스에 의해 제공되는 제품이나 서비스를 분석하도록 구성된다. 제공 모듈(1302)은 분석을 위해 도3의 학습 커뮤니티(330)과 관련된 수행 능력 데이터를 따라, 이전의 원시적인 입력과 모든 모듈들의 출력을 사용할 수 있다.

제공 모듈 (1302) 도3 의 학습자 프로필 (308), 도3의 학습자 기록, 도2 의 응답 평가 요소, 또는 이들의 조합과 같은 다양한 입력 데이터에 기초하여 학습 활동의 결과를 사용하여 제품 또는 서비스를 필터링하거나 통계적으로 분석 할 수 있다. 제공 모듈(1302)은 또한 기계 학습 분석, 패턴 분석, 또는 이들의 조합을 사용하고, 도 3의 학습 스타일 (312)의 가능한 모든 경우에 대해 이용 가능한 데이터와 관리 플랫폼 (202)에 대한 제공자를 비교할 수 있다.

순위 모듈 (1304)은 제공 모듈 (1302)의 분석 결과를 기반으로 외부 엔티티 (402)에 대한 위치를 결정하도록 구성된다. 순위 모듈은 분석 결과에 기초하여 상기 외부 엔티티 (402)에 대해 엔티티 순위 (1310)을 할당할 수 있다. 순위 모듈 (1304)은 학습 스타일 (312) 및 관리 플랫폼 (202)의 공급자의 모든 인스턴스에 대해 벤치 마크를 만들 수 있다. 도4의 외부 엔티티 평가(406)는 엔티티 순위 (1310)를 포함할 수 있다.

순위 모듈 (1304)은 분류나 사용 가능한 데이터의 그룹화에 기초한 엔티티 순위(1310)를 결정할 수 있다. 예를 들어, 엔티티 순위 (1310)는 학습 커뮤니티 (330)의 그룹화에 대응될 수 있다. 또 예를 들어, 엔티티 순위 (1310)는 학습자 프로필 (308), 도2의 숙달 수준 (208), 도2의 주제(204), 도3의 학습자 지식 모델 (322), 또는 이들의 조합에 대응될 수 있다.

소스 추정 모듈 (1306)은 외부 엔티티 (402)에 대한 개선 추정 (1312)을 결정하도록 구성된다. 개선 추정(1312)은 분석에 차이를 일으키는 동기의 가능성의 판정이다. 개선 추정(1312)은 엔티티 순위 (1310)의 최고의 인스턴스에 대한 고성능의 뒤에 동기 부여에 대한 추정을 제공 할 수 있다.

소스 추정 모듈 (1306) 그 각 상품이나 서비스에 대한 다양한 기능, 메커니즘, 양태를 식별하는 사용자의 평가, 외부 엔티티 평가 (406), 제품, 또는 서비스 설명, 광고물, 명세서, 또는 이들의 조합을 사용할 수 있다. 소스 추정 모듈 (1306)은 다양한 방식으로 다양한 기능, 메커니즘, 양태를 사용하여 개선 추정 (1312)를 결정할 수 있다.

예를 들어, 소스 추정 모듈 (1306)은 엔티티 순위 (1310)의 최고 인스턴스의 고유 계수를 식별함으로써 개선 추정 (1312)을 결정할 수 있다. 또 예를 들어, 소스 추정 모듈 (1306)은 엔티티 순위(1310)의 상단의 여러 인스턴스들이 공유하는 유사성을 결정할 수는 있지만 엔티티 순위 (1310)의 하단의 여러 인스턴스에서는 누락할 수 있다.

경향 추적기 모듈 (1308)은 참가자 평가 모듈 (738)에 상기의 과정을 반복하고 경향 업데이트(1314)를 결정하도록 구성되어 있다. 경향 업데이트 (1314)은 개선 추정 (1312)의 변화이다. 경향 추적기 모듈 (1308)은 사용자 등급, 사용자 수행 능력, 학습 커뮤니티 (330)과 관련된 수행 능력, 또는 이들의 조합을 추적 할 수 있다. 경향 추적기 모듈 (1308)은 경향 업데이트(1314)로서 개선 추정 (1312)에서 차이, 외부 엔티티(402)의 설정 시간 개선, 또는 이들의 조합을 지정할 수 있다.

컴퓨팅 시스템 (100)은 사용자, 외부 엔티티 (402), 또는 이들의 조합에게 정보를 통지하고 추천하기 위해 엔티티 순위 (1310), 개선 추정 (1312), 경향 업데이트 (1314) 를 사용할 수 있다. 컴퓨팅 시스템 (100)은 해당 당사자에게 통보하는 다양한 추천 및 피드백을 사용할 수 있다. 컴퓨팅 시스템 (100)은 분류의 공급자나 지도자들에게 순위를 보고하기 위해 참가자 평가 모듈 (738)의 결과를 사용할 수 있다.

전술 한 바와 같이, 컴퓨팅 시스템 (100)은 다양한 종류 및 정보의 그룹화에 기초하여 보고 할 수 있다. 컴퓨팅 시스템 (100)은 그들의 공급 된 콘텐츠의 효과를 향상시키기 위한 외부 엔티티 (402)의 다른 인스턴스에 대한 개선 추정 (1312) 를 전달할 수 있다. 컴퓨팅 시스템 (100)은 제공자 생태계 경향에 보고하고 모든 제공자에 걸친 순위를 매기기 위해 참가자 평가 모듈 (738)의 결과를 사용 할 수 있다.

예를 들어, 하나의 보상 공급자는 다른 보상보다 더 열심히 수학을 공부하는 15 세 소녀에게 동기를 부여하는 것을 볼 수 있었다. 또 다른 공급자는 미술의 역사 사실에 최상의 수행 능력을 제공하는 것으로 결정될 수 있는 오후에 매일 공부와 같은 다른 연습 방법을 사용할 수 있다.

예시적인 목적을 위해, 다양한 모듈은 제1 장치 (102), 도1의 제 2 장치 (106), 또는 도1의 제3장치(108) 에 고유인 것으로 설명되었다. 그러나, 모듈은 다르게 분배 될 수 있음은 자명하다. 예를 들면, 다양한 모듈은 다른 장치에서 구현 될 수 있거나, 모듈의 기능은 여러 장치에 걸쳐 분산 될 수 있다. 또 다른 예로서 다양한 모듈은 비 일시적 기억 매체에 저장 될 수 있다.

보다 구체적인 예를 들어, 도7의 학습자 분석 모듈 (706)의 기능은 병합되고 제1장치(102), 제 2 장치 (106) 또는 제 3 장치 (108)에 특정 될 수 있다. 또한, 더 구체적인 예를 들면, 도3의 학습자의 프로필 (308)을 결정하는 기능은 다른 모듈들로 더 분리, 제 1장치 (102) 제 2 장치 (106) 및 제 3 장치 (108), 또는 이들의 조합에 걸쳐 분리 될 수 있다. 추가적으로 구체적인 예로서, 도7의 하나 이상의 모듈은 서로 다른 시스템, 다른 장치, 다른 사용자, 또는 이들의 조합으로 분배되기 위해 비 일시적 기억 매체에 저장 될 수 있다.

본 출원에서 설명 된 모듈은 비 일시적 컴퓨터 기록 매체에 저장 될 수 있다. 도5의 제 1저장부 (514), 도5의 제 2 저장부 (546), 도6의 제 3 저장부 (646), 또는 이들의 조합은 비 일시적 컴퓨터 기록 매체를 나타낼 수 있다. 제 1 저장부 (514), 제 2 저장부 (446), 제 3 저장부 (646), 또는 이들의 조합 또는 이들의 일부분은 제1 장치 (102), 제 2 장치 (106) 또는 제 3 장치 (108)로부터 제거될 수 있다. 비 일시적 컴퓨터 기록 매체의 예는 비 휘발성 메모리 카드 또는 스틱, 외장형 하드 디스크 드라이브, 카세트 테이프, 광 디스크 일 수 있다.

도 14는 지식 평가 모듈 (734) 및 계획 모듈 (714)의 상세도를 나타낸다. 지식 평가 모듈 (734) 및 계획 모듈 (714)은 식별 모듈 (702) 및 사용 감지 모듈 (716)에 연결될 수 있다.

식별 모듈 (702)은 장치 식별 모듈 (802)을 포함할 수 있다. 장치 식별 모듈 (802)는 장치 제어 집합(1402)을 식별하도록 구성될 수 있다. 장치 제어 집합(1402)은 사용자에 의해 소유되거나 접근 가능한 하나 이상의 장치의 기록이다. 장치 제어 집합(1402)은 도 1의 제1 장치 (102), 도2의 제2장치(106), 도1의 제3장치(108), 또는 이들의 조합을 포함할 수 있다. 장치 제어 집합(1402)는 일련 번호 또는 이름, 제작자 정보, 타입 또는 분류, 접근과 관련된 시간 또는 위치, 또는 장치에 대한 이들의 조합과 같은 식별로서 표현 될 수 있다.

식별 모듈(702)은 장치에 대한 등록 정보를 기반으로 장치 제어 집합(1402)을 식별 할 수 있다. 식별 모듈 (702)은 도 3의 학습자 기록(320), 도 4의 장치 사용 프로필(410), 또는 이들의 조합으로부터 장치 제어 집합(1402)을 식별할 수 있다.

예를 들어, 식별 모듈 (702)은 기기 등록 또는 사용자, 사용자의 고용주, 학교, 장치 소매업자 또는 생산자, 또는 이들의 조합에 의해 제공된 소유권 정보에 기초하여 장치 제어 집합 (1402)을 식별할 수 있다. 또 예를 들어 식별 모듈 (702)은 관련된 기능을 수행하기 위한 사용자에 의해 접근된 장치에 대한 학습자 기록 (320), 장치 사용 프로필 (410) 또는 이들의 조합의 탐색에 기초한 장치 제어 집합(1402)을 식별할 수 있다.

사용 감지 모듈 (716)은 상기한 바와 같이 도 4의 플랫폼 외부 사용(414)을 결정하도록 구성될 수 있다. 사용 감지 모듈 (716)은 각 사용자에 대한 장치 제어 집합(1402) 에 대응하는 하나 이상의 장치를 위한 플랫폼 외부 사용(414)을 판정 할 수 있다. 사용 감지 모듈 (716)은 제1 장치 (102), 제 2 장치 (106), 제 3 장치 (108), 사용자의 인스턴스에 대한 이들의 조합을 위한 플랫폼 외부 사용 (414)을 결정할 수 있다.

사용 감지 모듈 (716)은 사용 정보와 관련된 사용자에 따라 각 장치에 대한 사용 정보를 엮을 수 있다. 사용 감지 모듈 (716)은 각 사용자의 장치 사용 프로필 (410)를 결정하기 위해 장치 제어 집합(1402)에 설명된 여러 장치에 걸친 사용 정보를 결합 할 수 있다.

지식 평가 모듈 (734)은 플랫폼 외부 사용 (414)에 기초한 도 2의 숙달 수준 (208)을 포함하는 도3의 학습자 지식 모델 (322)을 생성하도록 구성될 수 있다. 지식 평가 모듈 (734)은 상기한 바와 같이 플랫폼 외부 사용(414)에 기초한 도2의 주제(204)에 대한 숙달 수준(208)을 계산함으로서 학습자 지식 모델 (322)을 생성 할 수 있다. 예를 들어, 지식 평가 모듈 (734)은 플랫폼 외부 사용 (414)과 주제 (204) 사이의 중복과 정확도를 결정할 수 있고, 결정의 결과에 기초하여 숙달 수준 (208)의 증가분 조정을 계산할 수 있다.

지식 평가 모듈 (734)은 중요도 판별 모듈 (1404), 초기 모델링 모듈 (1406), 학습자 지식 모델 (322)를 생성 또는 조정하기 위한 이들의 조합을 포함할 수 있다. 중요도 판별 모듈 (1404)은 상기 한 바와 같이 플랫폼 외부 사용 (414)을 위해 도4의 사용 중요성 (418)을 결정하도록 구성된다.

중요도 판별 모듈 (1404)은 사용 감지 모듈 (716)에 의해 인지된 것으로서 플랫폼 외부 사용 (414)을 제공하는 소스에 따라 사용 중요성 (418)을 결정할 수 있다. 예를 들어, 중요도 판별 모듈 (1404)은 사용자, 또는 사용자 근처의 웹 사이트 또는 다른 사람과 같은 사용자 외부 소스로 소스를 판정 할 수 있다.

중요도 판별 모듈 (1404)은 사용자가 이러한 주제 (204)를 말하거나 모방하는 등 플랫폼 외부 사용 (414)을 제공 할 때 숙달 수준 (208)에 대한 높은 수준의 표시로 사용 중요성 (418)의 값을 결정할 수 있다. 중요도 판별 모듈(1404)은 사용자가 이러한 주제 (204)를 듣고 보고하는 것과 같은 플랫폼 외부 사용 (414)를 발견 한 경우, 숙달 수준 (208) 증가의 낮은 수준을 나타내는 등 사용 중요성 (418)의 값을 결정할 수 있다.

중요도 판별 모듈 (1404) 숙달 수준 (208)을 낮추기 위한 사용 중요성 (418)의 값을 결정할 수 있다. 지식 평가 모듈 (734)이 전술한 바와 같이 주제(204)의 잘못된 사용이나 적용으로 플랫폼 외부 사용 (414)을 결정 할 때, 중요도 판별 모듈 (1404)은 숙달 수준 (208)을 낮추기 위한 값을 할당 할 수 있다. 중요도 판별 모듈 (1404)은 추가적으로 잘못된 사용 또는 적용의 패턴이나 빈도에 따라 숙달 수준 (208)을 낮추는데 대한 값을 할당할 수 있다.

중요도 판별 모듈 (1404)은 주제 (204)와 동일한 인스턴스와 관련된 플랫폼 외부 사용 (414)의 숫자나 빈도에 기초한 사용 중요성 (418)의 값을 결정할 수 있다. 중요도 판별 모듈 (1404)은 상기 플랫폼 외부 사용 (414)과 관련된 상황 정보에 기초한 사용 중요성 (418)의 값을 결정할 수 있다.

예를 들어, 중요도 판별 모듈 (1404)은 위치, 시간, 사용자 주변의 사람이나 장치, 또는 주제(204)의 도4의 상황적 오버랩(416)을 갖는 플랫폼 외부 사용 (414)과 관련된 조합을 기초로 상기 사용 중요성 (418)에 대한 값을 결정할 할 수 있다. 또 예를 들어 중요도 판별 모듈 (1404)은 도3의 학습 목표 (314)와 비교하여, 추상적 중요도, 목적, 의미, 또는 이들의 상황 정보에 관련된 조합을 기초로 한 사용 중요성(418)에 대한 값을 결정할 수 있다.

보다 구체적인 예로서, 플랫폼 외부 사용 (414)이 하나 이상의 학습 활동의 목표나 용도로서 표준화된 시험이나 예약된 수행 능력과 같은 학습 목표(314)와 관련되어 있을 때, 중요도 판별 모듈(1404)는 숙달 수준(208)의 증가분 개선을 감소시킬 수 있다. 추가적으로 구체적인 예로서, 플랫폼 외부 사용 (414)이 일상 활동이나 일상에서의 사용과 같이 학습 목표 (314)과 관련이 없는 경우, 중요도 판별 모듈 (1404) 숙달 수준 (208) 증가분 개선을 높일 수 있다.

중요도 판별 모듈 (1404)은 주제 (204) 를 기초로 플랫폼 외부 사용 (414)을 평가하기 위해 사용 중요성 (418)을 결정할 수 있다. 컴퓨팅 시스템 (100)은 학습자 지식 모델 (322) 또는 상기한 바와 같은 사용 중요성 (418)에 기초한 숙달 수준 (208)를 생성 또는 조정할 수 있다.

중요도 판별 모듈 (1404)은 도5의 제 1 제어 인터페이스 (522), 도5의 제 2 제어 인터페이스(544), 도6의 제 3 제어 인터페이스(644), 도5의 제1 제어부, 도5의 제2제어부(548), 제3제어부(648), 또는 장치 사용 프로필 (410) 또는 플랫폼 외부 사용(414)을 접근하는 이들의 조합을 사용할 수 있다. 중요도 판별 모듈 (1404)은 추가적으로 도5의 제 1 제어부 (512), 도5의 제 2 제어부 (534), 도6의 제 3 제어 부, 또는 사용 중요성 (418)에 대한 값을 결정하기 위한 이들의 조합을 사용할 수 있다.

초기 모델링 모듈 (1406) 은 도3의 시작점 (324)을 식별하도록 구성된다. 초기 모델링 모듈 (1406)은 설문 조사 (740)하여 시작점 (324)을 식별 할 수 있다. 설문 조사 (740)는 사용자를 평가하기 위한 진단의 상호 작용이다. 설문 조사 (740)는 도 3의 식별 정보 (310), 도3의 학습 스타일(312), 학습 목표(314), 도3의 학습자 특성(316), 또는 이들의 조합을 포함하여, 조사와 관련된 또는 조사를 통한 특정 프롬프트와 같은 학습자의 특성 또는 특징을 식별하기 위한 지시 정보를 포함할 수 있다.

설문 조사 (740)는 학습 스타일 (312) 또는 학습자의 특성 (316)을 포함하여 학습자 프로필 (308)을 평가하기 위한 것일 수 있다. 설문 조사 (740)는 주제(204)의 하나 이상의 인스턴스에 해당하는 숙달 수준 (208)을 포함하여 학습자 지식 모델 (322)을 평가하기 위한 것일 수 있다. 설문 조사 (740)는 사용자와 상호 작용을 위한 질문의 집합, 운동, 작업 또는 이들의 조합을 포함할 수 있다. 예를 들어, 설문 조사 (740)는 성격 테스트, 학습 스타일 (312)를 발견하기 위한 운동, 청력 검사, 레벨 테스트, 정보 수집 질문, 작문, 또는 이들의 조합을 포함할 수 있다.

초기 모델링 모듈 (1406)은 설문 조사(740) 없이 시작점 (324)을 식별 할 수 있다. 초기 모델링 모듈 (1406)은 다양한 프로세스를 사용하여 시작점 (324)을 식별 할 수 있다. 예를 들어, 초기 모델링 모듈 (1406)은 도 3의 학습 커뮤니티 (330) 대한 학습자지식 모델 (322)의 인스턴스에 기초하여 상기 시작점 (324)을 결정할 수 있다. 초기 모델링 모듈(1406) 은 주제 (204), 이들과 관련된 숙달 수준 (208), 학습 커뮤니티 (330)에 걸친 이들의 조합에 대한 인스턴스의 모음으로 시작점 (324)을 결정할 수 있다.

보다 구체적인 예로서, 초기 모델링 모듈 (1406)은 원격 사용자의 학습자 지식 모델 (322)에서 발생하는 주제를 포함하는 것으로 사용자의 시작점 (324)을 식별할 수 있다. 초기 모델링 모듈 (1406)은 학습 커뮤니티 (330)에 표시된 바와 같이 사용자와 유사성을 공유하는 원격 사용자를 분석할 수 있다. 또한, 더 구체적인 예로서, 초기 모델링 모듈 (1406)은 학습 커뮤니티 (330) 내에서 숙달 수준 (208)으로 주제 (204)에 대하여 평균이나 중간값을 할당하여 시작점 (324)을 식별 할 수 있다.

또 예를 들어, 초기 모델링 모듈 (1406)은 도2의 학습 세션 (210)의 첫 번째 인스턴스에 기초할 수 있다. 초기 모델링 모듈 (1406)은 사용자가 주제 (204) 를 처음 만나는 경우 주제 (204)를 포함하기 위해 시작점(324)을 식별할 수 있다. 초기 모델링 모듈 (1406)은 첫 만남 동안 사용자의 수행 능력에 따라 숙달 수준 (208)을 할당할 수 있다. 사용자가 주제 (204) 의 새로운 인스턴스와 처음 만나면, 주제(204)의 새로운 인스턴스를 포함하기 위해 시작점(324)을 조정할 수 있다.

추가적으로 예를 들어, 초기 모델링 모듈 (1406)은 도3의 주제 연결 모델 (348)을 사용할 수 있다. 초기 모델링 모듈 (1406)은 주제 연결 모델 (348)에 따라 주제 (204) 의 새로운 인스턴스와 관련된 주제의 하나 이상의 인스턴스를 포함할 수 있다. 초기 모델링 모듈 (1406)은 시작점 (324)에서 하나 이상의 인스턴스를 포함할 수 있다. 초기 모델링 모듈 (1406)은 추가적으로, 주제 연결 모델 (348)에 기초한 주제(204)의 관련 인스턴스 (204)에 대한 숙달 수준 (208)을 계산할 수 있다.

구체적인 예로, 초기 모델링 모듈 (1406)은 사용자가 주제 연결 모델 (348)에 있어서 "프랑스 요리"를 알게 되면 시작점 (324)에 "프랑스 역사" 또는 "프랑스어 "를 포함할 수 있다. 추가적인 구체적인 예로서, 초기 모델링 모듈 (1406)은 키워드의 중복이나 클러스터 사이의 거리의 중복과 같은 콘텐츠의 만남, 주제 연결 모델 (348)에 의해 설명된 수학식이나 프로세스, 또는 이들의 조합에 기초하여 "프랑스 역사"또는 "프랑스어" 와 관련된 숙달 수준 (208)을 산출할 수 있다.

초기 모델링 모듈 (1406)은 이들의 시작점 (324)을 결정하기 위해 제 1 제어부 (512), 제 2 제어부 (534), 제 3 제어부 (634), 또는 이들의 조합을 사용할 수 있다. 초기 모델링 모듈 (1406)은 추가적으로 도 5의 제1 사용자 인터페이스 (518), 도5의 제 2 사용자 인터페이스, 도6의 제 3 사용자 인터페이스, 또는 설문 조사(740)을 구현하기 위한 이들의 조합을 사용할 수 있다.

계획 모듈 (714)은 도 2의 관리 플랫폼 (202) 외부의 사용자 활동에서의 학습 활동을 통합하고 평가하도록 구성될 수 있다. 계획 모듈 (714)은 추가적으로 조건 결정 모듈 (1408), 질문 생성 모듈 (1410), 외부 활동 모듈 (1412), 타이밍 모듈 (1414), 또는 학습 활동의 통합을 위한 이들의 조합을 포함할 수 있다.

조건 결정 모듈 (1408)은 관리 플랫폼 (202) 외부에 있는 사용자의 활동을 식별하고 주제 (204)와 관련된다. 조건 결정 모듈 (1408)은 플랫폼 외부 사용 (414)을 기초로 관리 플랫폼 (202)의 외부에 지속적으로 또는 이전에 발생하는 사용자 활동을 식별할 수 있다. 조건 결정 모듈 (1408)은 또한, 관리 플랫폼(202) 외부에서 그리고 주제(204)와 관련되어, 미래의 시간 또는 현재 시간 후에 발생하도록 예약된 사용자 활동을 식별할 수 있다.

사용자 활동 (1416)은 사용자 활동 (1416), 활동 상황 (1418), 장치 연결 (1420), 또는 이들의 조합을 결정할 수 있다. 활동 상황 (1418), 장치 연결 (1420), 또는 이들의 조합은 사용자 활동 (1416)과 관련될 수 있다.

사용자 활동 (1416)은 관리 플랫폼 (202) 또는 학습 세션 (210) 외부에서 발생하는 사용자와 관련된 활동이다. 사용자 활동 (1416)은 사용자 활동 (1416)의 예약 또는 미래의 시간에 발생할 가능성을 포함할 수 있다. 사용자 활동 (1416)은 도3의 학습자 스케줄 달력 (318)에 예약된 활동과 현재 활동 또는 현재 상황, 또는 이들의 조합에 기초한 나중에 일어날 가능성이 있는 활동을 포함할 수 있다.

활동 상황 (1418)는 사용자 활동 (1416)의 상황에 대한 설명이다. 활동 상황 (1418)는 위치, 시간, 지속 기간, 사용자에게의 의미 또는 중요성, 사용자 또는 그 사용자과 관련된 다른 활동의 연결, 또는 사용자 활동 (1416)과 관련된 이들의 조합이 될 수 있다.

장치 연결 (1420), 컴퓨팅 시스템 (100)과 사용자 활동(1416)의 장치 사이에 대한 설명이다. 장치 연결(1420)은 제1 장치(102) 또는 제3장치(108)과 같이 사용자 활동(1416)을 위해 예약되거나 사용될 가능성이 있는 장치를 식별할 수 있다. 장치 연결 (1420)은 장치 제어 집합(1402)으로부터 장치의 신분을 포함할 수 있다.

조건 결정 모듈 (1408)은 추가적으로 사용자 활동(1416)을 결정할 수 있다. 조건 결정 모듈 (1408)은 예약 또는 나중에 발생할 가능성이 있는 사용자 활동 (1416)을 결정 할 수 있다. 조건 결정 모듈 (1408)은 다양한 방법으로 사용자 활동 (1416)을 결정할 수 있다.

예를 들어, 조건 결정 모듈 (1408)은 학습자 스케줄 달력 (318)를 검색하여 사용자의 활동 (1416)를 결정할 수 있다. 또 예를 들어, 조건 결정 모듈 (1408)은 현재의 이벤트, 현재의 상황, 또는 현재의 이벤트, 현재의 상황, 또는 이들의 조합으로서 비슷한 이벤트 또는 비슷한 상황을 갖는 이전의 패턴이나 템플릿 패턴과 비교되는 이들의 조합에 기초하여 사용자 활동(1416)을 결정할 수 있다.

보다 구체적인 예로서, 조건 결정 모듈(1408)은 하루 중의 특정 시간에 특정 프로그램을 시청 하거나 장치 충전 행위와 같은 사용자의 반복 패턴에 기초하여 사용자 활동(1416)을 결정할 수 있다. 또한, 더 구체적인 예로서 조건 결정 모듈 (1408)은 식사 시간의 설명 또는 학습자 스케줄 달력(318) 의 다가오는 이벤트에 기초한 알림의 표시와 같이, 컴퓨팅 시스템 (100)에 의해 미리 정해진 서식 패턴에 기초하여 사용자 활동(1416)을 결정할 수 있다.

조건 결정 모듈 (1408)과 마찬가지로 활동 상황 (1418), 장치 연결 (1420), 또는 이들의 조합을 결정할 수 있다. 예를 들어, 조건 결정 모듈 (1408)은 활동 상황(1418), 장치의 연결 (1420) 또는 이들의 조합을 결정할 수 있는데, 이는 학습자 스케줄 달력 (318), 이메일 또는 채팅 기록과 같은 사용자의 서신, 사용자의 노트, 또는 사용자 활동 (1416)과 관련된 상황 키워드에 대한 이들의 조합을 포함한 사용자 데이터를 검색함으로서 이루어진다.

컴퓨팅 시스템 (100)은 사용자 활동 (1416), 활동 상황 (1418), 장치 연결 (1420), 또는 주제(204)를 연습하기 위한 이들의 조합을 사용할 수 있다. 사용자 활동 (1416), 활동 상황 (1418), 장치 연결 (1420), 또는 이들의 조합의 사용에 관한 자세한 사항은 아래에 설명될 것이다.

질문 생성 모듈 (1410)은 학습 활동과 사용자의 경험을 통합하도록 구성된다. 질문 생성 모듈 (1410)은 플랫폼 외부 사용(414)에 기초한 평가 구성 요소 (218)를 생성 할 수 있다.

질문 생성 모듈 (1410) 주제 (204)와 함께 상황 오버랩 (416)을 이용하여 플랫폼 외부 사용(414) 에 기초한 평가 구성 요소 (218)를 생성 할 수 있다. 질문 생성 모듈 (1410)은 장치 사용 프로필 (410), 학습자 스케줄 달력 (318), 또는 학습 세션(210)의 주제(204)와 상황 중복(416)을 갖는 플랫폼 외부 사용 (414)에 대한 이들의 조합을 검색 할 수 있다.

질문 생성 모듈 (1410) 은 상황적 오버랩 (416) 그리고 플랫폼 외부 사용 (414), 플랫폼 외부 사용 (414)의 시간 또는 위치, 플랫폼 외부 사용(414)과 관련된 장치, 플랫폼 외부 사용(414)을 둘러싼 상황, 또는 이들의 조합과 관련된 키워드나 키 이미지와 같은 플랫폼 외부 사용(414)에 대한 관련 정보를 식별할 수 있다. 질문 생성 모듈 (1410)은 사용자에게 전달을 위한 활동이나 대응되는 질문과 관련된 정보를 포함하여 평가 구성 요소 (218)를 생성할 수 있다.

예를 들어, 질문 생성 모듈 (1410)은 플랫폼 - 외부 사용 (414), 관련 정보, 또는 이들의 조합을 참조하여 "당신이 방문했을 때..." 또는 "...에 따라"와 같은 구, 플랫폼 외부 사용(414), 또는 평가 요소(218)에 대한 학습 세션(2210) 동안의 이들의 조합과 관련된 사진의 표시를 포함할 수 있다. 또 예를 들어, 질문 생성 모듈 (1410)은 질문의 콘텐츠를 선택, 테마를 선택, 플랫폼 외부 사용 (414)에 대응되는 이들의 조합을 선택할 수 있다.

질문 생성 모듈 (1410)은 또한 이들 플랫폼 외부 사용 (414)과 관련된 콘텐츠 정보, 플랫폼 외부 사용 (414)과 관련된 도4의 외부 엔티티 (402)로부터의 이들의 조합과 관련된 정보를 수신함으로써, 평가 구성 요소 (218)를 생성할 수 있다. 예를 들어, 질문 생성 모듈 (1410)은 박물관이나 동물원의 방문을 기초로 외부 엔티티 (402)로부터 질문, 답변, 테마, 운동 또는 이들의 조합을 받을 수 있다. 질문 생성 모듈 (1410) 은 플랫폼 외부 사용 (414)과 함께 상황적 오버랩 (416)을 갖는 주제(204) 에 대한 학습 세션 (210) 동안에 수신된 콘텐츠를 이용한 사용자와의 상호 작용에 의해 평가 구성 요소 (218)를 생성할 수 있다.

또한 플랫폼 외부 사용(414)에 기초하여 생성된 평가 구성 요소 (218)는 사용자에 대한 주제 (204) 의 상황적 관련성을 제공하는 것이 발견되었다. 플랫폼 외부 사용 (414)에 기초하여 생성된 평가 구성 요소 (218)는 주제 (204) 를 교육하거나 연습함에 있어서의 사용자의 개인 경험을 사용할 수 있다. 개인 연결과 관련성은 추가적으로 효과적인 학습 및 주제 (204) 의 빠른 증가를 제공 할 수 있다.

평가 컴포넌트 (218)를 생성하는데 있어서, 질문 생성 모듈 (1410) 도 5의 제 1 통신부 (516), 도 5의 제 2 통신부, 도 6의 제 3 통신부, 또는 콘텐츠를 수신하기 위한 이들의 조합을 사용할 수 있다. 질문 생성 모듈 (1410)은 또한 평가 구성 요소 (218)를 표시하기 위해 제 1사용자 인터페이스 (518), 제 2 사용자 인터페이스 (538), 제 3 사용자 인터페이스 (638) 또는 이들의 조합을 사용할 수 있다. 질문 생성 모듈 (1410)은 정보를 처리하기 위해 제 1 제어부 (512), 제 2 제어부 (534), 제 3 제어부 (634) 또는 이들의 조합을 사용할 수 있다.

외부 활동 모듈 (1412)은 학습 세션 (210) 또는 관리 플랫폼 (202)의 외부에 학습 활동을 용이하게 하도록 구성된다. 외부 활동 모듈 (1412)은 학습 세션 (210)없이 주제 (204) 를 강화하기 위해 도2의 활동 추천 (254)을 생성할 수 있다.

외부 활동 모듈 (1412)은 다양한 방법으로 활동 추천 (254)를 생성할 수 있다. 예를 들어, 외부 활동 모듈 (1412) 은 제 1 통신부 (516), 제 2 통신부 (536), 제 3 통신부 (636) 또는 활동, 프로젝트, 운동, 또는 외부 엔티티 (402)로부터의 이들의 조합을 수신하기 위한 이들의 조합을 사용하여 활동 추천 (254)를 생성할 수 있다. 외부 활동 모듈 (1412)은 활동, 프로젝트, 운동, 또는 수신 정보로부터의 이들의 조합의 설명을 전달함으로써 활동 추천 (254)를 생성 할 수 있다. 외부 활동 모듈 (1412)은 활동, 프로젝트, 운동, 또는 이들의 조합의 완료를 결정하기 위하여 플랫폼 외부 사용 (414)를 평가할 수 있다.

또 예를 들어 외부 활동 모듈 (1412)은 제 1 제어부(512), 제 2 제어부 (534), 제 3 제어부 (634), 또는 이들의 조합과 함께 주제 (204)와 관련된 작업 또는 동작을 선택함으로써 활동 추천 (254)를 생성 할 수 있다. 그리고 작업이나 동작의 설명을 전달할 수 있다. 보다 구체적인 예로서, 외부 활동 모듈 (1412) 은 암기를 요구하는 주제(204)의 인스턴스와 관련된 작업 또는 동작으로서 반복 또는 적용을 포함할 수 있다. 외부 활동 모듈 (1412)은 주제 (204)의 사용자에게 반복 또는 응용을 합치거나, 사용자에 대한 작업이나 동작을 위해 합쳐진 정보를 전달할 수 있다.

외부 활동 모듈 (1412) 은 추가적으로 학습 세션 (210)의 외부의 평가 구성 요소 (218)를 생성 할 수 있다. 외부 활동 모듈 (1412)은 주제 (204) 를 연습하기 위한 학습 세션 (218)의 외부의 평가 구성 요소(218)를 생성 할 수 있다. 외부 활동 모듈 (1412)은 사용자에 의해 만나진 주제 (204) 또는 학습 세션(210)에 대응되는 평가 구성 요소(218)의 하나 이상의 인스턴스를 선택함으로서 사용자 활동(1416)을 생성할 수 있다. 외부 활동 모듈 (1412)은 학습자 기록 (320)에서 평가 구성 요소 (218)를 선택할 수 있다.

외부 활동 모듈 (1412)은 장치 제어 집합(1402)에 기초한 학습 세션 (210)의 외부의 평가 구성 요소 (218)를 생성 할 수 있다. 외부 활동 모듈 (1412) 은 장치 제어 집합(1402)에 기재된 하나 이상의 장치 제어 집합 (1402)을 사용하여 평가 구성 요소 (218)에 따라 사용자와의 상호 작용에 의해 평가 구성 요소 (218)를 생성 할 수 있다. 사용자 활동 (1416)에 기초한 사용 감지 모듈 (716) 또는 이들의 조합의 결과에 기초하여 결정된 것으로서 외부 활동 모듈 (1412) 은 또한, 현재 사용자 입력을 수신하거나 사용자 근처에 있는 장치를 사용하여 평가 구성 요소 (218)를 생성 할 수 있다.

외부 활동 모듈 (1412)은 사용자 이전에 표시하지 않고 학습 세션 (210) 의 외부 평가 구성 요소를 생성 할 수 있다. 외부 활동 모듈 (1412) 은 학습 세션 (210)의 외부에서 평가 구성 요소 (218)를 생성하여, 갑자기 나오는 리마인더, 팝업 퀴즈, 리뷰 운동, 사용자에 의해 예기치 못한 이들의 조합을 구현할 수 있다. 예를 들어, 조건 결정 모듈 (1408)은 상업적인 휴식 동안의 텔레비전이나 요리하는 동안의 스토브나 냉장고와 같은, 관리 플랫폼 (202), 학습 세션 (210) 의 전용적인, 사용자에 의해 사용되는 장치 안에서 질문 또는 사용자에 의해 이전에 만났던 질문이나 정보를 전달할 수 있다.

사용자 활동(1416)과 장치 연결(1420)로 생성된 평가 구성 요소(218)은 사용자의 일상 동안에 주제(204)의 이음새 강화를 제공한다는 것이 발견되었다. 컴퓨팅 시스템 (100)은 사용자의 일상 생활에 있는 좋은 기회 시간 동안, 근처에 있는 장치 또는 사용자에 의해 사용되고 있는 장치를 사용하여 주제(204)를 연습하기 위해 정보나 질문을 전달할 수 있다.

타이밍 모듈 (1414) 은 학습 활동을 예약하도록 구성되어 있다. 타이밍 모듈 (1414)은 사용자의 일정이나 경험과 학습 활동을 통합하기 위한 학습 활동을 예약 할 수 있다. 타이밍 모듈 (1414)은 학습 세션 (210), 활동 추천 (254), 또는 이들의 조합에 대한 시작 시간 또는 기한을 결정함으로써 학습 활동을 일시적으로 예약할 수 있다.

타이밍 모듈 (1414), 학습 세션 (210)에 대한 주제 (204)와 관련된 활동 상황 (1418)와 사용자 활동 (1416)을 기반으로 학습 세션 (210)을 예약 할 수 있다. 타이밍 모듈 (1414)은 학습 세션 (210)의 주제(204)와 겹치는 활동 상황 (1418)를 가진 사용자 활동(1416) 중 또는 근처에서 일시적으로 발생하는 학습 세션 (210)을 예약 할 수 있다. 타이밍 모듈 (1414)은 플랫폼 외부 사용 (414) 에 대한 상황적 오버랩(416) 결정과 유사한 과정을 사용하여 중복을 판정 할 수 있다.

타이밍 모듈 (1414)은 활동 상황 (1418), 학습 세션 (210), 학습자 지식 모델 (322), 또는 이들의 조합의 특성 비교에 기초하여 추가적으로 예약할 수 있다. 예를 들어, 타이밍 모듈 (1414)은 헤드폰의 사용으로 청각적으로 정보를 학습 세션 (210)이 침입하지 않을 때, 예를 들어 타이밍 모듈 (1414)은 청각 헤드폰의 사용으로 정보를 나열 또는 사용자와의 상호작용을 위한 디스플레이의 사용과 같이 학습 세션(210)이 방해 받지 않고 시간에 민감하지 않을 때, 또는 이들의 조합일 때 사용자 활동(1416) 동안 일어나는 학습 세션(210)을 예약할 수 있다.

또 예를 들어, 주제(204)에 대한 사용자의 숙달 수준 (208)이 사용자 활동(1416)의 평균 참가자보다 낮은 경우에 타이밍 모듈 (1414)은 사용자 활동 (1416)의 전 또는 이후에 학습 세션(210)이 발생하도록 예약할 수 있다. 추가적으로 예를 들어, 타이밍 모듈 (1414)은 사용자 활동 (1416)이 언어적 상호 작용 또는 물리적 참여, 또는 이들의 조합과 같은 사용자 상호 작용을 필요로 할 때 사용자 활동 (1416) 전후 기간 내에서 학습 세션(210)이 발생하도록 예약할 수 있다. 타이밍 모듈 (1414)은 프로세스, 방법, 서식, 임계값, 또는 컴퓨팅 시스템 (100)에 의해 미리 정해진 이들의 조합을 기초로 기간을 예약할 수 있다.

사용자 활동(1416)에 기초하여 예약된 학습 세션 (210)은 사용자에 대한 상황적으로 관련된 학습을 제공한다는 것을 발견하였다. 학습 세션 (210)은 사용자의 활동(1416)에 기초하여 일시적으로 발생하고, 이들과 유사성을 가지면서, 주제(204)를 강화하고 사용자에 대해 다양한 학습 경험을 제공한다.

타이밍 모듈 (1414)은 학습 세션(210)의 주제(204)와 관련된 플랫폼 외부 사용 (414)을 기준으로 학습 세션 (210)을 예약 할 수 있다. 타이밍 모듈 (1414)은 학습 세션(210)의 주제(204)와 관련된 플랫폼 외부 사용 (414)의 결정을 기초로 한 학습세션(210)의 도2의 일정 추천(256)을 조정할 수 있다.

컴퓨팅 시스템 (100)이 사용자가 예약하지 않은 장치 및 관련 사용을 결정하면, 타이밍 모듈 (1414)은 일정 추천(256)을 조정할 수 있다. 예를 들어 타이밍 모듈 (1414)은 사용자의 일상 생활에 주제(204)의 예상치 못한 적용에 기초하여 주제 (204) 의 검토를 예약 할 수 있다. 또한 예를 들어, 타이밍 모듈 (1414)은 플랫폼 외부 사용 (414) 에 대한 정확성과 도4의 사용 중요성 (418)에 기초한 주제 (204)의 테스트나 연습을 예약 할 수 있다.

플랫폼 외부 사용(414)에 기초한 예약된 학습 세션 (210)은 사용자에 대한 상황적으로 관련된 학습을 제공하는 것이 발견되었다. 플랫폼 외부 사용(414)에 기초한 일시적으로 발생하고 이들의 유사성을 가지는 학습 세션 (210) 은 주제(204)를 강화하고 사용자의 다양한 학습 경험을 제공할 수 있다.

타이밍 모듈 (1414)은 추가적으로 플랫폼 외부 사용(414)에 기초하여 도3의 연습 방법 (340)를 조정할 수 있다. 타이밍 모듈 (1414)은 다양한 방법으로 연습 방법 (340)을 조정할 수 있다. 예를 들어, 타이밍 모듈 (1414)은 특정 방법을 강조, 활동, 평가 도구, 타이밍, 또는 연습 방법(340)의 특정 인스턴스와 유사성을 가지는 플랫폼 외부 사용(414)의 발생의 부족이나 빈도에 기초한 이들의 특정 조합에 의해 연습 방법(340)을 조정할 수 있다.

또 예를 들어, 타이밍 모듈 (1414)은 주제 (204) 사용이나 적용에 대한 플랫폼 외부 사용 (414)의 정확성을 토대로 연습 방법 (340)을 조정할 수 있다. 추가적으로 예를 들어, 플랫폼 외부 사용 (414)의 사용 중요성(418)을 기초로 도3의 연습 스케줄(342) 또는 도3의 난이도 평가(346)를 조정함으로서 연습 방법(340)을 조정할 수 있다.

플랫폼 외부 사용 (414)에 기초한 학습자 지식 모델 (322)은 주제(204)에 대한 사용자의 기초 지식과 능숙도의 정확한 예측을 제공하는 것이 발견되었다. 플랫폼 외부 사용 (414)은 사용자의 일상 생활과 관리 플랫폼 (202)의 외부에서 주제 (204)의 사용에 대하여 컴퓨팅 시스템 (100)에 정보를 제공할 수 있다. 컴퓨팅 시스템 (100)은 추가적으로, 학습 세션(210)의 결과 데이터에 한정되지 않고 학습자 지식 모델 (322)을 생성하고 조정하는 입력 데이터로서 플랫폼 외부 사용 (414)을 사용할 수 있다.

도15는 방법의 흐름도 (1500) 및 본 발명의 또 다른 실시 예에서, 컴퓨팅 시스템 (100)의 동작으로 추가적인 방법의 추가적인 흐름도(1550)를 나타낸다. 방법 (1500)은 다음을 포함한다: 블록 (1502)에서 학습자 프로필을 결정; 블록 (1504)에서 학습자 프로필에 대응되는 주제(204)에 대한 평가 요소에 대한 학습자 응답을 식별하는 단계; 그리고 블록 (1506)에서 학습자 응답과 관련된 응답 평가 요소를 결정; 그리고 학습자 응답, 응답 평가 요소, 및 블록 (1508)에서 장치에 디스플레이 하기 위한 학습자 프로필에 기초한 숙달 수준을 포함한 학습자 지식 모델을 생성하는 단계

방법 (1550)은 다음을 포함한다: 블록 (1552)에서 주제를 가르치기 위한 관리 플랫폼과 관련된 학습자 프로필을 결정하는 단계; 블록(1554)에서 관리 플랫폼 외부의 플랫폼 외부 사용을 특성화하기 위한 학습자 프로필에 대응하는 플랫폼 외부 사용을 결정하는 단계; 그리고 블록 (1556)에서 장치에 디스플레이하기 위한 플랫폼 외부 사용을 기초로 한 숙달 수준을 포함하여 학습자 지식 모델을 생성하는 단계.

도2의 응답 속도(230)에 추가하여 요소를 포함한 도2의 응답 평가 요소(222)는 사용자의 기초 지식과 능숙도를 이해하는데 향상된 정확도를 제공하는 것이 발견되었다. 도2의 콘텐츠 연결, 도2의 레슨 프레임, 그리고 도2의 레슨 콘텐츠는 학습 경험에 대한 사용자 맞춤의 전달을 제공하는 것이 발견되었다.

도2의 학습자 응답(220), 응답 평가 요소(222), 그리고 도3의 학습자 프로필(308)을 포함한 다양한 정보에 기초한 도3의 학습자 지식 모델(322)는 상기한 바오 같이 학습자의 기초 지식과 능숙도를 이해하는데 향상된 정확도를 제공한다. 도3의 학습 커뮤니티(330)에 기초한 학습자 프로필 (308)과 학습자 지식 모델 (322)은 유사성을 공유하는 여러 그룹들간의 비교뿐 아니라 개별적인 분석도 제공한다는 것이 발견되었다.

도4의 플랫폼 외부 사용(414)과 학습자 지식 모델 (322)은 도2의 주제(204) 에 대한 사용자의 기초 지식과 능숙도의 정확한 예측을 제공한다. 주제 연결 모델 (348)과 학습자 지식 모델 (322)은 사용자의 기초 지식와 능숙도에 대한 종합적인 이해를 제공한다는 것이 발견되었다.

학습자 지식 모델(322)로부터의 물리적 변형은 사용자 행동의 변화, 제1장치(102)의 사용, 또는 장치에 따른 사용자의 움직임과 같은 물리적 세계의 움직임을 야기한다. 물리적 세계의 움직임은 응답 평가 요소(222), 도4의 플랫폼 외부 사용(414), 또는 컴퓨팅 시스템(100)으로 다시 돌아갈 수 있거나 학습자 지식 모델(322)를 추가적으로 업데이트하는데 사용될 수 있는 이들의 조합을 야기한다.

본 발명에 의한 방법, 프로세스, 장치, 제품 및/또는 시스템은 간단하고, 비용적으로 효과적이며, 복잡하지 않으면서 매우 다양하고 정확하다. 또한 본 발명에 의한, 프로세스, 장치, 제품 및 시스템에 알려진 구성 요소를 적용함으로써 즉시 이용할 수 있으면서 효율적이고 경제적인 제조, 응용 및 활용을 구현할 수 있다. 본 발명의 또 다른 중요한 측면은 비용 절감, 시스템 단순화, 성능 증가를 요구하는 현 추세에 부합한다는 것이다.

이러한 본 발명의 실시 예에서 볼 수 있는 유용한 양상은 결과적으로 적어도 현 기술의 수준을 높일 수 있을 것이다.

본 발명은 특정한 최상의 실시 예와 관련하여 설명되었지만, 이외에 본 발명에 대체, 변형 및 수정이 적용된 발명들은 전술한 설명에 비추어 당업자에게 명백할 것이다. 즉, 청구범위는 이러한 모든 대체, 변형 및 수정된 발명을 포함하도록 해석한다. 그러므로 이 명세서 및 도면에서 설명한 모든 내용은 예시적이고 비제한적인 의미로 해석해야 한다.

Claims (21)

1. 학습자 프로필(learner profile)을 결정하도록 구성된 학습자 분석 모듈;
   상기 학습자 분석 모듈에 연결되고, 상기 학습자 프로필에 대응되는 주제에 대한 평가 요소에 대한 학습자 응답을 식별하도록 구성된 레슨 모듈(lesson module);
   상기 학습자 분석 모듈에 연결되고, 상기 학습자 응답과 관련된 응답 평가 요소(response evaluation factor)를 결정하도록 구성된 관찰 모듈; 및
   상기 관찰 모듈에 연결되고, 장치에 디스플레이 되기 위하여, 상기 학습자 응답, 상기 응답 평가 요소, 및 상기 학습자 프로필에 기초한 숙달 수준(mastery level)을 포함하는 학습자 지식 모델(learner knowledge model)을 생성하도록 구성되는 지식 평가 모듈(knowledge evaluation module)을 포함하는 컴퓨팅 시스템.
2. 제 1항에 있어서,
   상기 학습자 분석 모듈은 학습 스타일, 학습자 특성, 또는 이들의 조합을 포함하는 상기 학습자 프로필을 결정하도록 구성되고,
   상기 관찰 모듈은, 상기 학습자 응답과 관련하여, 레슨 프레임이나 레슨 콘텐츠나 이들의 조합을 식별하는 요소 기술(component description), 평가 형식, 상황 파라미터(contextual parameter), 물리적 표시(physical indication), 에러 유발 추정(error cause estimate), 학습자 집중 수준, 또는 이들의 조합을 포함하는 상기 응답 평가 요소를 결정하도록 구성되고,
   상기 지식 평가 모듈은 상기 학습 스타일, 상기 학습자 특성, 상기 레슨 프레임, 상기 레슨 콘텐츠, 상기 평가 형식, 상기 상황 파라미터, 상기 물리적 표시, 상기 에러 유발 추정, 상기 학습자 집중 수준, 또는 이들의 조합에 기초하여 계산되는 상기 숙달 수준을 포함하는 상기 학습자 지식 모델을 생성하도록 구성되는 컴퓨팅 시스템.
3. 제 1 항에 있어서,
   상기 학습자 분석 모듈과 연결되어, 상기 학습자 프로필, 상기 주제, 상기 학습자 응답, 상기 응답 평가 요소, 상기 학습자 지식 모델, 또는 이들의 조합에 기초하여 학습 커뮤니티를 식별하도록 구성된 커뮤니티 모델을 더 포함하며,
   상기 지식 평가 모듈은 상기 학습 커뮤니티에 기초하여 상기 학습자 지식 모델을 조정하도록 구성된 것을 특징으로 하는 컴퓨팅 시스템.
4. 　제 1 항에 있어서,
   상기 학습자 분석 모듈에 연결되고, 상기 평가 요소에 대응되는 일반적 에러(common error)를 식별하도록 구성되는 커뮤니티 모듈을 더 포함하고,
   상기 지식 평가 모듈은 상기 일반적 에러에 기초하여 상기 주제에 대한 상기 숙달 수준을 결정하도록 구성되는 것을 특징으로 하는 컴퓨팅 시스템.
5. 제 1항에 있어서,
   상기 학습자 분석 모듈에 연결되고, 상기 평가 요소에 대응되는 일반적 에러를 식별하도록 구성되는 커뮤니티 모듈을 더 포함하며,
   상기 지식 평가 모듈에 연결되고, 상기 주제의 상기 숙달 수준을 테스트하기 위하여 상기 일반적 에러를 포함하도록 상기 평가 요소를 조정하도록 구성되는 계획 모듈을 더 포함하는 것을 특징으로 하는 컴퓨팅 시스템.
6. 제 1항에 있어서,
   상기 지식 평가 모듈에 연결되고, 상기 학습자 지식 모델에 기초하여 연습 추천(practice recommendation)을 생성하도록 구성되는 계획 모듈을 더 포함하는 것을 특징으로 하는 컴퓨팅 시스템.
7. 제 1항에 있어서,
   상기 지식 평가 모듈에 연결되고, 상기 숙달 수준, 상기 학습자 프로필, 상기 응답 평가 요소, 또는 이들의 조합에 기초하여 상기 주제에 대한 연습 추천을 생성하도록 구성된 계획 모듈을 더 포함하는 것을 특징으로 하는 컴퓨팅 시스템.
8. 제 1항에 있어서,
   상기 레슨 모듈에 연결되고, 상기 평가 요소에 대응되는 주제 연결 모델을 결정하도록 구성된 주제 평가 모듈을 더 포함하며,
   상기 지식 평가 모듈은 상기 주제 연결 모델에 기초하여 상기 학습자 지식 모델을 생성하도록 구성되는 것을 특징으로 하는 컴퓨팅 시스템.
9. 제 1항에 있어서,
   상기 레슨 모듈에 연결되고, 상기 학습자 지식 모델에 기초하여 숙달 보상(mastery reward)을 생성하는 보상 모듈을 더 포함하는 것을 특징으로 하는 컴퓨팅 시스템.
10. 제 1항에 있어서,
    상기 학습자 분석 모듈에 연결되고, 상기 장치와 또 다른 장치의 플랫폼 외부 사용의 특성화를 위해 상기 플랫폼 외부 사용에 대한 장치 사용 프로필을 결정하도록 구성되는 사용 감지 모듈(usage detection module)을 더 포함하며,
    상기 지식 평가 모듈은 상기 장치 사용 프로필에 기초하여 상기 학습자 지식 모델을 생성하도록 구성되는 컴퓨팅 시스템.
11. 제 1항에 있어서,
    상기 레슨 모듈에 연결되고, 상기 평가 요소를 전달하기 위한 학습 세션을 식별하도록 구성되는 식별 모듈을 더 포함하며,
    상기 레슨 모듈은 상기 학습 세션을 용이하게 하기 위해 관리 플랫폼을 조정하도록 구성되는 것을 특징으로 하는 컴퓨팅 시스템.
12. 제 11항에 있어서,
    상기 지식 평가 모듈에 연결되고, 상기 학습자 지식 모델에 기초하여 레슨 프레임을 선택하도록 구성되는 프레임 검색 모듈;
    상기 프레임 검색 모듈에 연결되고, 상기 학습자 지식 모델에 기초하여 레슨 콘텐츠를 선택하도록 구성되는 콘텐츠 모듈; 및
    상기 콘텐츠 모듈에 연결되고, 상기 레슨 프레임과 상기 레슨 콘텐츠의 결합에 기초하여 상기 학습 세션을 생성하도록 구성되는 레슨 생성기 모듈을 더 포함하는 것을 특징으로 하는 컴퓨팅 시스템.
13. 　 제 11항에 있어서,
    상기 관찰 모듈에 연결되고, 상기 학습 세션과 관련된 외부 엔티티(external entity)를 평가하기 위해 상기 학습자 지식 모델에 기초하여 외부 엔티티 평가를 결정하도록 구성되는 참가자 평가 모듈; 및
    상기 참가자 평가 모듈에 연결되고, 상기 학습 세션과 관련된 상기 외부 엔티티에게 알리기 위해 상기 외부 엔티티 평가를 전달하도록 구성되는 피드백 모듈을 더 포함하는 것을 특징으로 하는 컴퓨팅 시스템.
14. 제 11항에 있어서,
    상기 식별 모듈은 상기 평가 요소를 나타내기 위해, 레슨 프레임을 포함하여 상기 학습 세션을 식별하도록 구성되고,
    상기 컴퓨팅 시스템은,
    상기 관찰 모듈에 연결되고, 상기 학습 세션을 위해 상기 레슨 프레임을 평가하도록 구성되는 참가자 평가 모듈; 및
    상기 지식 평가 모듈에 연결되고, 상기 레슨 프레임의 평가에 기초하여 프레임 추천을 생성하도록 구성되는 계획 모듈을 더 포함하는 것을 특징으로 하는 컴퓨팅 시스템.　
15. 제 11항에 있어서,
    상기 식별 모듈은 상기 주제를 나타내기 위해, 레슨 콘텐츠를 포함하여 학습 세션을 식별하도록 구성되고,
    상기 컴퓨팅 시스템은,
    상기 관찰 모듈에 연결되고, 상기 학습 세션에 대한 상기 레슨 콘텐츠를 평가하도록 구성되는 참가자 평가 모듈; 및
    상기 지식 평가 모듈에 연결되고, 상기 레슨 콘텐츠의 평가에 기초하여 콘텐츠 추천을 생성하도록 구성되는 계획 모듈을 더 포함하는 것을 특징으로 하는 컴퓨팅 시스템.
16. 컴퓨팅 시스템의 동작 방법에 있어서,
    학습자 프로필을 결정하는 단계;
    상기 학습자 프로필에 대응되는 주제에 대한 평가 요소에 대한 학습자 응답을 식별하는 단계;
    상기 학습자 응답과 관련된 응답 평가 요소를 결정하는 단계; 및
    장치에 디스플레이 되기 위하여, 상기 학습자 응답, 상기 응답 평가 요소, 그리고 상기 학습자 프로필을 기초로 한 숙달 수준을 포함하는 학습자 지식 모델을 생성하는 단계를 포함하는 것을 특징으로 하는 방법.
17. 제 16 항에 있어서,
    상기 학습자 프로필을 결정하는 단계는 학습 스타일, 학습자 특성, 또는 이들의 조합을 포함하여 상기 학습자 프로필을 결정하는 단계를 포함하며,
    상기 응답 평가 요소를 결정하는 단계는, 상기 학습자 응답과 관련하여, 레슨 프레임이나 레슨 콘텐츠나 이들의 조합을 식별하는 요소 기술, 평가 형식, 상황 파라미터, 물리적 표시, 또는 이들의 조합을 포함하는 상기 응답 평가 요소를 결정하는 것을 포함하며,
    상기 학습자 지식 모델을 생성하는 단계는 상기 학습 스타일, 상기 학습자 특성, 상기 레슨 프레임, 상기 레슨 콘텐츠, 상기 평가 형식, 상기 상황 파라미터, 상기 물리적 표시, 또는 이들의 조합에 기초하여 계산된 상기 숙달 수준을 포함하여 상기 학습자 지식 모델을 생성하는 것을 포함하는 방법.
18. 제 16항에 있어서,
    상기 학습자 프로필, 상기 주제, 상기 학습자 응답, 상기 응답 평가 요소, 상기 학습자 지식 모델, 또는 이들의 조합에 기초하여 학습 커뮤니티를 식별하는 단계; 및
    상기 학습 커뮤니티에 기초하여 상기 학습자 지식 모델을 조정하는 단계를 더 포함하는 것을 특징으로 하는 방법.
19. 제 16항에 있어서,
    상기 평가 요소에 대응되는 일반적 에러를 식별하는 단계; 및
    상기 일반적 에러에 기초하여 상기 주제에 대한 상기 숙달 수준을 결정하는 단계를 더 포함하는 것을 특징으로 하는 방법.
20. 제 16항에 있어서,
    상기 평가 요소에 대응되는 일반적 에러를 식별하는 단계; 및
    상기 주제의 상기 숙달 수준을 테스트하기 위해, 상기 일반적 에러를 포함하도록 상기 평가 요소를 조정하는 단계를 더 포함하는 것을 특징으로 하는 방법.
21. 제 16항 내지 제 20항 중 어느 한 항에서 수행되는 방법을 구현하기 위한 프로그램이 기록된 컴퓨터로 판독 가능한 기록 매체.

Images