KR20160061659A

KR20160061659A - 기계학습 기반 학습자 맞춤형 학습과정 제공 방법 및 학습자 맞춤형 학습 시스템

Info

Publication number: KR20160061659A
Application number: KR1020140164280A
Authority: KR
Inventors: 김영한
Original assignee: 김영한
Priority date: 2014-11-24
Filing date: 2014-11-24
Publication date: 2016-06-01
Also published as: KR101640867B1

Abstract

본 발명은 학습할 단위 자료를 학습객체라 하고, 하나의 학습객체를 특정 학습자가 학습한 정도를 나타내는 지표를 학습도라 하고, 학습객체 간에 유사한 정도를 수치로 나타낸 지표를 유사도라 할 때, 제어 및 처리 수단, 저장수단, 유무선 통신망, 사용자 단말기를 포함하는 학습 시스템의 학습자 맞춤형 학습과정 제공 방법으로서, 상기 제어 및 처리 수단이 최초 학습자에게 초기 레벨 테스트를 제공하고 최초 학습자의 테스트 내역 데이터를 수신하는 제1단계; 상기 제어 및 처리 수단이 최초 학습자를 위한 학습자 맞춤형 학습과정을 최초로 생성하는 제2단계; 상기 제어 및 처리 수단이 학습자에게 학습자 맞춤형 학습과정을 제공하는 제3단계; 상기 제어 및 처리 수단이 학습자 학습내역 데이터를 수신했는지 판단하여 수신하지 않았으면 다음 단계로 진행하고, 수신했으면 제6단계로 진행하는 제4단계; 상기 제어 및 처리 수단이 학습도 업데이트 주기가 도래했는지 판단하여 도래했으면 다음 단계로 진행하고, 도래하지 않았으면 제6단계의 다음 단계로 진행하는 제5단계; 상기 제어 및 처리 수단이 기계학습 알고리즘(machine learning algoritms)을 이용하여 학습도를 업데이트하는 제6단계; 상기 제어 및 처리 수단이 학습객체 간 유사도 업데이트 주기가 도래했는지 판단하여 도래했으면 다음 단계로 진행하고, 도래하지 않았으면 제4단계로 진행하는 제7단계; 상기 제어 및 처리 수단이 기계학습 알고리즘을 이용하여 학습객체 간 유사도를 업데이트하는 제8단계; 상기 제어 및 처리 수단이 학습객체 간 유사도를 근거로 기계학습 알고리즘을 이용하여 학습자 맞춤형 학습과정을 업데이트하여 생성하고, 제3단계로 진행하는 제9단계;를 포함하는 학습자 맞춤형 학습과정 제공 방법을 제공한다.
본 발명은 기계학습 알고리즘을 이용하여 자동적으로 학습자에게 맞는 학습자료가 제공되는 구조를 갖는 학습자 맞춤형 학습과정 제공 방법 및 학습자 맞춤형 학습 시스템을 제공함으로써, 맞춤형 학습을 위해 학습자료가 사전에 미리 수준별 또는 특정 기준에 따라 구분되어 준비될 필요가 없으므로 맞춤형 학습 구현을 위한 비용과 시간을 절감하는 효과를 갖는다.

Description

기계학습 기반 학습자 맞춤형 학습과정 제공 방법 및 학습자 맞춤형 학습 시스템{A method and a system for providing user-customized learning course based on machine learning}

본 발명은 정보통신 기기를 기반으로 학습자에게 맞춤형 학습과정을 제공하기 위한 학습자 맞춤형(user-customized) 학습과정 제공 방법 및 학습자 맞춤형 학습 시스템에 관한 것이다. 구체적으로, 본 발명은 결정 트리(decision tree) 기법과 아이템 기반 협업 필터링(item-based collaborative filtering) 기법과 같은 기계학습(machine learning) 알고리즘을 기반으로 학습자에게 맞춤형 학습과정을 제공하는 학습과정 제공 방법 및 학습 시스템에 관한 것이다.

종래의 학습은 주로 학교나 학원과 같은 소정의 장소에서 오프라인(off-line) 방식으로 정해진 교과과정이나 이수과정에 따라 이루어졌다. 그러나, 최근 정보통신 기기와 유무선 통신망의 발전과 더불어, 정보통신 기기와 유무선 통신망을 이용하여 사용자가 편리하게 학습 컨텐츠를 접할 수 있는 다양한 시도가 이루어지고 있다. 기존의 오프라인 학습이 학습자 개개인의 능력이나 수준을 반영하지 못하고 일방적으로 이루어진 데 비해, 온라인 상에서 정보통신 기기를 이용하여 이루어지는 학습은 어느 정도 학습자 개인의 개인적인 특성을 반영하고 있다.

이와 관련된 종래기술을 살펴보면, 아래 선행기술문헌에서 제시한 특허문헌1은 소정의 방법으로 학습자의 학습수준을 파악하고, 학습자의 학습수준에 맞는 학습자별 수준강좌를 제공하며, 이 강좌의 이해도 또는 성취도를 테스트한 후, 이 테스트의 결과를 기초로 학습자의 취약학습분야를 분석하고, 분석된 취약학습분야에 해당하는 강의, 문제, 해설 동영상을 조합 데이터베이스에서 실시간으로 추출 및 조합한 맞춤형 강좌, 심화학습강좌를 제공하여, 학습자의 취약학습분야에 대해 역피라미드식의 무한반복학습을 시키는 강의 조합에 의한 온라인 맞춤형 학습 방법을 개시하고 있다. 특허문헌1에서는 강의 조합에 의한 온라인 맞춤형 학습 방법을 제공함으로써, 역피라미드식의 무한반복학습이 가능하여 취약학습분야에 대한 학습자의 학습수준을 향상시킬 수 있으며, 강의조합에 의해 학습자에게 최적한 강좌와 맞춤형 교재를 제공하여 학습자의 취약학습분야에 대한 지속적인 학습이 가능한 효과를 창출할 수 있다고 설명하고 있다.

그러나, 특허문헌1과 같은 종래기술은 학습자의 학습수준을 파악하는 진단평가와 최적한 강좌 제공에 대하여, 출제위원이 부여하는 난이도 가중치 또는 학습자들의 성적 통계를 기준으로 구성할 수 있다는 정도의 설명을 제시하고 있을 뿐이어서, 맞춤형 강좌를 제공하기 위한 구체적인 구현 방법에 대한 설명이 부족하다. 종래기술에서는 학습자 맞춤형 학습을 위해 학습자료가 미리 수준별로 준비되어 있어야 하는데, 이러한 수준별 학습자료 구성을 위한 구체적인 설명이 부족하며, 일반적인 기준에 따라 수준별 학습자료를 구성하려면 상당한 비용과 시간을 들여 작업을 해야 맞춤형 학습을 위한 수준별 학습자료를 구성할 수 있는 것으로 예상된다.

이러한 종래기술의 단점을 개선하기 위해, 본 발명은 학습자료가 사전에 미리 수준별로 구분되어 준비될 필요가 없으며, 기계학습 알고리즘을 통해서 자동적으로 학습자에게 맞는 학습자료가 제공되는 구조를 갖는 학습자 맞춤형 학습과정 제공 방법 및 학습자 맞춤형 학습 시스템을 제공하고자 하는 것이다. 본 발명에 따르면, 학습내용 또는 학습자료에 대한 전문적 지식이 없는 사용자도 자신이 갖고 있는 학습자료를 이용하여 학습자 맞춤형 학습과정을 손쉽게 구현할 수 있다.

KR 10-0675438 B1 (2007.01.30.)

따라서, 본 발명이 해결하고자 하는 과제는 학습자료가 사전에 미리 수준별 또는 특정 기준에 따라 구분되어 준비될 필요가 없으며, 기계학습(machine learning) 알고리즘을 이용하여 자동적으로 학습자에게 맞는 학습자료가 제공되는 구조를 갖는 학습자 맞춤형 학습과정을 제공하고자 하는 것이다.

상기 기술적 과제를 해결하기 위하여 본 발명은 학습하고자 하는 단위 내용, 학습할 단위 자료, 또는 학습할 단위 자료로 인식될 수 있는 컨텐츠(contents)를 학습객체라 하고, 하나의 학습객체를 특정 학습자가 학습한 정도를 나타내는 지표를 학습도라 하고, 학습객체 간에 유사한 정도를 수치로 나타낸 지표를 유사도라 할 때, 제어 및 처리 수단, 저장수단, 유무선 통신망, 사용자 단말기를 포함하는 학습 시스템의 학습자 맞춤형 학습과정 제공 방법으로서, 상기 제어 및 처리 수단이 최초 학습자에게 초기 레벨 테스트를 제공하고 최초 학습자의 테스트 내역 데이터를 수신하는 제1단계; 상기 제어 및 처리 수단이 테스트 내역 데이터를 근거로 기계학습 알고리즘을 이용하여 최초 학습자를 위한 학습자 맞춤형 학습과정을 최초로 생성하는 제2단계; 상기 제어 및 처리 수단이 학습자에게 학습자 맞춤형 학습과정을 제공하는 제3단계; 상기 제어 및 처리 수단이 학습자 학습내역 데이터를 수신했는지 판단하여 수신하지 않았으면 다음 단계로 진행하고, 수신했으면 제6단계로 진행하는 제4단계; 상기 제어 및 처리 수단이 학습도 업데이트 주기가 도래했는지 판단하여 도래했으면 다음 단계로 진행하고, 도래하지 않았으면 제6단계의 다음 단계로 진행하는 제5단계; 상기 제어 및 처리 수단이 기계학습 알고리즘(machine learning algoritms)을 이용하여 학습도를 업데이트하는 제6단계; 상기 제어 및 처리 수단이 학습객체 간 유사도 업데이트 주기가 도래했는지 판단하여 도래했으면 다음 단계로 진행하고, 도래하지 않았으면 제4단계로 진행하는 제7단계; 상기 제어 및 처리 수단이 기계학습 알고리즘을 이용하여 학습객체 간 유사도를 업데이트하는 제8단계; 상기 제어 및 처리 수단이 학습객체 간 유사도를 근거로 기계학습 알고리즘을 이용하여 학습자 맞춤형 학습과정을 업데이트하여 생성하고, 제3단계로 진행하는 제9단계;를 포함하는 학습자 맞춤형 학습과정 제공 방법을 제공한다.

또한, 본 발명은 학습하고자 하는 단위 내용, 학습할 단위 자료, 또는 학습할 단위 자료로 인식될 수 있는 컨텐츠(contents)를 학습객체라 하고, 하나의 학습객체를 특정 학습자가 학습한 정도를 나타내는 지표를 학습도라 하고, 학습객체 간에 유사한 정도를 수치로 나타낸 지표를 유사도라 할 때, 제어 및 처리 수단, 저장수단, 유무선 통신망, 사용자 단말기를 포함하고, 상기 제어 및 처리 수단은 최초 학습자에게 초기 레벨 테스트를 제공하고 최초 학습자의 테스트 내역 데이터를 수신하고, 테스트 내역 데이터를 근거로 기계학습 알고리즘을 이용하여 최초 학습자를 위한 학습자 맞춤형 학습과정을 최초로 생성하여 제공하며, 학습자 학습내역 데이터를 수신하거나 학습도 업데이트 주기가 도래하면 기계학습 알고리즘(machine learning algoritms)을 이용하여 학습도를 업데이트하며, 학습객체 간 유사도 업데이트 주기가 도래하면 기계학습 알고리즘을 이용하여 학습객체 간 유사도를 업데이트하며, 학습객체 간 유사도를 근거로 기계학습 알고리즘을 이용하여 학습자 맞춤형 학습과정을 업데이트하여 생성하고, 학습자에게 학습자 맞춤형 학습과정을 제공하며; 상기 저장수단은 학습객체, 학습자, 학습자의 학습내역을 포함하는 자료들을 데이터베이스화하여 저장하는 학습자 맞춤형 학습 시스템을 제공한다.

본 발명은 기계학습(machine learning) 알고리즘을 이용하여 자동적으로 학습자에게 맞는 학습자료가 제공되는 구조를 갖는 학습자 맞춤형 학습과정 제공 방법 및 학습자 맞춤형 학습 시스템을 제공함으로써, 맞춤형 학습을 위해 학습자료가 사전에 미리 수준별 또는 특정 기준에 따라 구분되어 준비될 필요가 없으므로 맞춤형 학습 구현을 위한 비용과 시간을 절감하는 효과를 갖는다.

도 1은 업/다운 체크를 설명하기 위한 도면.
도 2는 학습도 정의를 설명하기 위한 도면.
도 3은 본 발명의 실시예에 따른 학습자 맞춤형 학습 시스템의 블록도.
도 4는 본 발명의 실시예에 따른 학습자 맞춤형 학습과정 제공 방법의 순서도.
도 5는 학습도 계산에 필요한 입력값을 정리한 도표.
도 6은 학습도 계산과정을 개념적으로 설명하기 위한 도면.
도 7은 에빙하우스의 망각 곡선을 보인 도면.
도 8은 결정 트리(decision tree) 훈련을 위한 데이터 세트의 예를 보인 도표.
도 9는 도 8의 훈련 데이터 세트를 이용하여 훈련시킨 결과의 결정 트리를 보인 도면.
도 10은 도 9의 결정 트리에 새로운 입력값을 넣었을 때의 결과를 보인 도표.
도 11은 학습객체에 대한 학습자들의 최초 업/다운 체크 기록의 예를 보인 도표.
도 12는 학습객체 간 유사도 계산을 설명하기 위한 도표.
도 13은 학습객체 간 유사도 계산을 설명하기 위한 도표.
도 14는 유클리디언 거리를 이용하여 계산한 학습객체 간 유사도를 보인 도표.
도 15는 피어슨 연관 계수를 이용하여 계산한 학습객체 간 유사도를 보인 도표.
도 16은 업/다운 체크 예측치 계산의 예를 설명하기 위한 도표.
도 17은 업/다운 체크 예측치로 아직 학습하지 않은 학습객체의 학습도 초기값을 설정하는 방법의 예를 보인 도표.
도 18은 최초 학습자를 위한 학습자 맞춤형 학습과정을 최초로 생성하는 단계를 설명하기 위한 도표.
도 19는 학습자 맞춤형 학습과정을 업데이트하여 생성하는 단계를 설명하기 위한 도표.

이하, 도면을 참조하여 본 발명의 바람직한 실시예에 대해 상세히 설명한다.

본 발명은 기계학습 알고리즘을 이용하여 자동적으로 학습자에게 맞는 학습자료가 제공되는 구조를 갖는 학습자 맞춤형 학습과정 제공 방법 및 학습자 맞춤형 학습 시스템을 제공한다.

기계학습(machine learning)은 컴퓨터가 학습하도록 하는 알고리즘 (algorithms)과 관련된 인공지능(artificial intelligence)의 한 분야(subfield)이다. 대부분의 경우에 기계학습이 의미하는 바는, 일련의 데이터가 주어지고 알고리즘이 주어진 데이터의 속성으로부터 정보를 추론하는 것이다. 추론되는 정보는 미래에 보게 될 다른 데이터에 대한 예측을 가능하게 하는 정보이다. 이는 거의 모든 비랜덤(nonrandom) 데이터가 일정한 패턴(patterns)을 포함하고 기계(machine)는 이러한 패턴을 이용하여 일반화(generalize)를 한다. 일반화를 위해 기계는 모델을 훈련(train)하는데, 기계는 모델을 통해 데이터의 중요한 속성을 결정한다. 많은 수의 다른 기계학습 알고리즘(machine-learning algorithms)이 존재하는데, 각각의 알고리즘은 각각 다른 타입의 문제에 대해 적합하다. 결정 트리(decision tree)와 같은 알고리즘은 간단하므로, 관측자가 기계에 의한 추론 과정을 전부 이해할 수 있다. 그러나, 신경망(neural networks)과 같은 알고리즘은 해답을 주는 블랙박스(black box)인데, 블랙박스 안에서 이루어지는 추론 과정을 이해하는 것은 매우 어렵다. 기계학습에 관한 일반적인 내용은 다음에 제시하는 비특허문헌1에 개시되어 있다.

(비특허문헌1) Programming Collective Intelligence, August 2007, First Edition (http://shop.oreilly.com/product/9780596529321.do)

이제, 본 발명을 설명하기 위해 본 발명과 관련된 개념과 용어를 먼저 정리하기로 한다.

학습은 무언가를 암기, 이해, 숙지하려는 활동을 의미한다. 암기 학습의 예로서, 토익 시험을 위한 토익 영어단어 학습을 들 수 있다.

학습자 맞춤형(user-customized) 학습은 문자 그대로 개인화(personalized)된 학습, 학습자 수준에 맞는 학습, 학습자 수준에 적합한 학습을 의미한다. 본 발명에서는 기계학습의 한 기법인 협업 필터링(collaborative filtering) 기법의 추천 시스템을 이용하여 학습자에게 맞는 학습자료를 추천 제공하게 된다.

동적 학습과정(dynamic learning-course)은 매일 혹은 일정주기나 특정 조건에 따라 특정 계산법에 의해 갱신 변화되는 학습과정을 의미한다.

학습객체는 학습하고자 하는 단위 내용, 학습할 단위 자료를 의미한다. 예를 들어, 학습객체는 하나의 영어단어와 그 의미로 이루어진 자료; 질문, 보기지문, 정답으로 이루어진 기출문제 한 문항; 하나의 한자와 그 의미로 이루어진 자료; 영어회화 문장; 문제와 해설강의로 이루어진 자료; 학습 컨텐츠, 문제, 해설강의로 이루어진 자료; 등 다양하게 구성할 수 있으며, 학습할 단위 자료로 인식될 수 있는 것이면 학습목적에 따라 음성, 동영상 등 다양한 컨텐츠(contents)로 구성할 수 있다.

학습목표는 학습자가 달성하고자 하는 것을 의미하는데, 일반적으로 학습할 자료범위로써 설정가능하다. 예를 들어, 학습목표를 설정하기 위해 복수의 학습객체로 이루어진 학습자료의 범위를 지정할 수 있다.

업/다운 체크(up/down check)는 학습객체를 제대로 학습했는지 학습자 스스로 판단하는 활동이다. 도 1을 참조하여 설명하면, 업/다운 체크는 개별 학습객체에 대해 업(안다)/다운(모른다) 두가지로 학습자 자신이 직접 확인하는 것을 의미한다. 예를 들어, 학습대상 영어 단어 하나를 스마트폰 화면으로 보여주고, 사용자는 업/다운(up/down) 중 하나를 입력하면 된다. 이런 확인 화면에서 특정시간(예를 들어 3초 정도)이 사용자 입력없이 지나면 다운으로 간주할 수 있다. 또한, 퀴즈 문항을 주고 정답 응답 여부로 업/다운 체크를 확인해도 된다.

심화보조학습은 보조적으로 진행하는 학습활동으로서, 그 예로서, 관련 문제 풀기, 관련 해설 보기 등을 들 수 있다.

학습도는 하나의 학습객체를 특정 학습자가 학습한 정도를 나타내는 지표를 의미한다. 따라서 각각의 학습객체별로 각각의 학습자에 따른 학습도가 결정된다. 학습도는 다양한 방식으로 분류될 수 있으나, 본 발명에서는 최하(worst, 1), 나쁨(bad, 2), 보통(soso, 3), 좋음(good, 4), 최상(master, 5)으로 나눠 표현한다. 추가로 아직 업/다운 체크가 안 된 학습객체에 대해서는 없음(none) 값을 갖게 할 수 있다. 도 2를 참조하면, 학습도는 위에서 괄호 안의 숫자를 별점으로 나타낼 수도 있다. 학습도에 따라 학습자는 나쁨(bad) 이하 값을 갖는 학습객체 위주로 학습을 진행할 수 있다. 예를 들어, 학습자 홍길동의 학습객체 "apple"에 대한 현재 학습도가 나쁨(bad)이라면 좀 더 학습이 이루어져야 한다고 판단하는 방식을 고려할 수 있다.

유사도는 학습객체 간에 유사한 정도를 수치로 나타낸 지표를 의미한다. 모든 학습자의 학습객체에 대한 최초 업/다운 체크 내용을 기록해 두고 이를 토대로 학습객체 간 유사도를 계산한다. 유사도 스코어 함수(similarity score function)는 유클리디안 거리(Euclidean distance) 혹은 피어슨 연관 계수(Pearson correlation coefficient)를 사용한다. 자세한 계산 방법은 뒤에서 자세히 설명한다. 개별 학습자가 새로운 학습객체에 대해 최초 업/다운 체크를 하여 그 결과가 추가되면 학습객체 간 유사도는 조금씩 변화하게 된다. 본 발명에서는 매일 혹은 일정주기나 특정 조건에 따라 학습객체 간 유사도를 갱신 계산한다. 이러한 유사도 계산은 아이템 기반 협업 필터링(item-based collaborative filtering) 기법을 활용한 것이다. 이렇게 학습객체 간 유사도를 미리 계산해두면 나중에 실시간으로 학습자별 동적 학습과정(user-customized dynamic learning course)을 손쉽게 생성하여 학습자에게 제공하게 된다.

도 3은 본 발명의 실시예에 따른 학습자 맞춤형 학습 시스템의 블록도이며, 도 4는 본 발명의 실시예에 따른 학습자 맞춤형 학습과정 제공 방법의 순서도이다.

도 3을 참조하면, 본 발명의 실시예에 따른 학습자 맞춤형 학습 시스템은 제어 및 처리수단(100), 저장수단(200), 유무선 통신망(300), 사용자 단말기(400)를 포함한다. 제어 및 처리수단(100)은 온라인 서버(server)를 포함하며, 저장수단(200)은 학습객체, 학습자, 학습자의 학습내역을 포함하는 자료들을 데이터베이스화하여 저장한다. 학습자의 학습내역에는 학습자의 업/다운 체크 기록이 포함된다. 유무선 통신망(300)으로는 인터넷(internet), 이동통신망(mobile communication network), 근거리 통신망(local area network, LAN), 와이파이망(wifi network) 등이 이용될 수 있으며, 사용자 단말기(400)는 개인용 컴퓨터(PC), 노트북 컴퓨터(notebook computer), 태블릿(tablet), 스마트폰(smart phone) 등을 포함한다.

도 4를 참조하면, 본 발명의 실시예에 따른 학습자 맞춤형 학습과정 제공 방법은 제어 및 처리수단(100), 저장수단(200), 유무선 통신망(300), 사용자 단말기(400)를 포함하는 학습자 맞춤형 학습 시스템에서 제어 및 처리수단(100)이 학습자가 설정한 학습목표 및 기타 조건을 수신하는 제1단계(도 4의 S1), 제어 및 처리수단(100)이 최초 학습자에게 초기 레벨 테스트를 제공하고, 테스트 내역 데이터를 수신하는 제2단계(도 4의 S2), 제어 및 처리수단(100)이 기계학습 알고리즘인 협업 필터링(collaborative filtering) 기법을 이용하여 최초 학습자를 위한 학습자 맞춤형 학습과정을 최초로 생성하는 제3단계(도 4의 S3), 제어 및 처리수단(100)이 학습자 맞춤형 학습과정을 학습자에게 제공하는 제4단계(도 4의 S4), 제어 및 처리수단(100)이 학습자 학습내역 데이터를 수신했는지 판단하여 수신하지 않았으면 다음 단계로 진행하고, 수신했으면 제7단계로 진행하는 제5단계(도 4의 S5), 제어 및 처리수단(100)이 학습도 업데이트 주기가 도래했는지 판단하여 도래했으면 다음 단계로 진행하고, 도래하지 않았으면 제8단계로 진행하는 제6단계(도 4의 S6), 제어 및 처리수단(100)이 기계학습 알고리즘인 결정 트리(decision tree) 기법을 이용하여 학습도를 업데이트하는 제7단계(도 4의 S7), 제어 및 처리수단(100)이 학습자가 설정한 학습목표가 달성되었는지 판단하여 달성되지 않았으면 다음 단계로 진행하고, 달성되었으면 제12단계로 진행하는 제8단계(도 4의 S8), 제어 및 처리수단(100)이 학습객체 간 유사도 업데이트 주기가 도래했는지 판단하여 도래했으면 다음 단계로 진행하고, 도래하지 않았으면 제5단계로 진행하는 제9단계(도 4의 S9), 제어 및 처리수단(100)이 기계학습 알고리즘인 협업 필터링(collaborative filtering) 기법을 이용하여 학습객체 간 유사도를 업데이트하는 제10단계(도 4의 S10), 제어 및 처리수단(100)이 기계학습 알고리즘인 협업 필터링(collaborative filtering) 기법을 이용하여 학습자 맞춤형 학습과정을 업데이트하여 생성하고 제4단계로 진행하는 제11단계(도 4의 S11), 제어 및 처리수단(100)이 사용자 단말기(400)를 통해 학습자에게 학습목표 달성을 알리는 제12단계(도 4의 S12)를 포함한다.

본 발명의 실시예에 따른 학습자 맞춤형 학습과정 제공 방법에서 학습도 계산에 대해 설명한다. 본 발명에서는 기계학습 알고리즘의 하나인 결정 트리(decision tree) 기법을 이용하여 학습자의 학습객체에 대한 학습도를 계산한다. 결정 트리 기법은 아주 직관적이고 단순한 분류법으로서, 루트 노드(root node)에서 조건을 따라 가서 최종 리프(leaf)에 도달하면 분류가 완료되는 방법으로서, 사람이 무언가를 분류할 때 사용하는 방법과 동일하다.

도 5를 참조하면, 본 발명의 학습도 결정을 위해서는 학습자가 업/다운 체크 과정에서 업(안다)을 선택한 누적횟수인 총 업(up)한 횟수, 학습자가 업/다운 체크 과정에서 다운(모른다)을 선택한 누적횟수인 총 다운(down)한 횟수, 학습자가 가장 최근 업/다운 체크 과정에서 업한 시각인 최근 업(up)한 시각, 학습자가 가장 최근 업/다운 체크 과정에서 다운한 시각인 최근 다운(down)한 시각, 최근 연속 업(up)/다운(down)한 횟수(+2이면 최근 연속 두번 업함, -1이면 최근 한번 다운함을 의미), 학습자가 직접 "최상(master)"으로 표시했는지를 나타내는 직접 "최상(master)" 표시여부, 업/다운 체크 이후 심화보조학습(문제풀이 등의 추가학습)이 진행된 누적횟수인 심화보조학습 횟수 등이 입력값으로 필요하다. 도 6을 참조하면, 학습객체에 대한 학습자의 현재 학습기록인 입력값들을 이용하여 학습도를 결정하면 해당 학습객체에 대한 새로운 학습도를 얻게 됨을 알 수 있다. 도 6에서 개념적으로 보인 바와 같이 학습도는 결정 트리(decision tree) 기법을 이용하여 훈련 데이터 세트를 통해 사전에 훈련된 학습도 결정 분류 기준인 결정 트리를 이용하여 결정한다. 학습은 일반적으로 반복학습으로 이루어지고, 사람의 기억은 시간이 지날수록 약해지기 때문에 이를 학습도에 새롭게 반영하는 방법이 꼭 필요하다. 도 7은 결정 트리의 훈련 데이터 세트를 만들 때에 학습 이후 흐른 시간을 반영하기 위해 참조할 에빙하우스의 망각 곡선을 보인 것이다. 에빙하우스의 망각 곡선에 따르면 첫 암기 후 10분 후에 1차 복습, 그 1일 뒤에 2차 복습, 그 1주일 뒤에 3차 복습, 그 1개월 뒤에 4차 복습을 해야 완전히 암기할 수 있다고 한다. 따라서, 결정 트리의 훈련 데이터 세트를 만들 때에 전문가의 경험과 직관, 그리고 망각곡선 이론 등이 반영된 세트가 신중히 만들어져야 한다. 도 8은 본 발명의 학습도 결정을 위한 결정 트리의 훈련(기계학습) 데이터 세트의 예를 보인 도표이다. 도 8을 참조하면 앞서 설명한 입력값들과 학습도에 대한 데이터 세트를 이용하여 결정 트리를 만들게 됨을 알 수 있다. 훈련 데이터 세트를 이용하여 결정 트리를 만드는 과정은 이미 공개된 내용이므로 이에 대한 자세한 설명은 생략하며, 예를 들어, 앞서 제시한 비특허문헌1에도 결정 트리에 대한 자세한 사항이 설명되어 있다. 결정 트리의 성능 개선을 위해서는 주기적으로 튜닝 훈련이 필요하다. 즉, 보다 정확하고 충분한 수량의 훈련 데이터 세트를 마련하여 결정 트리를 훈련시켜야 한다. 도 9는 도 8의 훈련 데이터 세트를 이용하여 훈련시킨 결과 얻어진 결정 트리를 보인 도면이며, 도 10은 도 9의 결정 트리에 새로운 입력값을 넣었을 때의 결과를 보인 도표이다. 이와 같이 훈련 데이터 세트를 이용하여 결정 트리를 만들고, 이를 이용하여 학습자의 학습내역으로부터 얻어진 입력값들을 이용하여 학습객체에 대한 학습도를 결정할 수 있다. 학습도는 학습자의 학습목표 달성을 판단하기 위해 필요하다. 학습목표 달성조건은, 예를 들어, 학습자가 학습목표로 설정한 범위 안의 모든 학습객체의 학습도가 최상(master) 혹은 좋음(good) 상태라면 설정한 학습목표를 달성한 것으로 판단할 수 있다. 최상(master) 혹은 좋음(good)의 학습도 기준은 학습자가 학습목표를 설정할 때 정할 수 있다. 그러나, 이미 학습목표를 달성했다 하더라도 시간이 지남에 따라 각 학습객체의 학습도가 떨어질 수 있기 때문에, 도 4에서 보인 바와 같이 정해진 주기로 학습도를 업데이트하고 그에 따라 학습목표 달성 여부를 재확인해야 한다.

다음으로, 유사도 계산에 대해 설명한다. 본 발명은 아이템 기반 협업 필터링(item-based collaborative filtering) 기법에 따라 유사도를 계산한다.

아이템 기반 필터링은 협업 필터링의 또 다른 방법으로서 사용자들 대신에 평가된 아이템이 파라미터(parameter)로 사용된다. 아이템 기반 협업 필터링은 대부분의 사람들이 과거에 자신이 좋아했던 상품과 비슷한 상품이면 좋아하는 경향이 있고 반대로 싫어했었던 상품과 비슷한 상품이면 싫어하는 경향이 있다는 점을 기반으로 하고 있다. 이 필터링 방법은 고객이 선호도를 입력한 기존의 상품들과 예측하고자 하는 상품과의 유사도(similarity)를 계산하여 고객의 선호도를 예측하는 방법이다. 즉, 예측하고자 하는 상품과 비슷한 상품들에 대하여 고객이 높은 평가를 하였다면 그 상품도 높게 평가를 할 것이라고 예측하고, 낮은 평가를 하였다면 그 상품도 낮게 평가를 할 것이라고 예측하는 것이다. 아이템 기반 협업 필터링 방법은 상품들간의 유사도를 계산하기 위하여 두 상품에 모두 선호도를 입력한 고객들의 선호도를 사용한다. 그러나 고객들간의 유사도가 전혀 고려되지 않기 때문에 만약 특정 고객과 전혀 선호도가 비슷하지 않은 사용자들의 평가를 기반으로 한다면 상품들간의 상관 관계의 정확도가 떨어지고, 아울러 추천 시스템의 예측 능력과 추천 능력이 저하될 수 있다.

이러한 아이템 기반 협업 필터링(item-based collaborative filtering) 기법을 이용하기 위해 본 발명의 유사도는 도 11에 보인 바와 같이, 학습객체에 대한 학습자들의 최초 업/다운 체크 기록을 이용하여 계산한다. 유사도는 학습자들이 공통적으로 학습한 학습객체의 최초 업/다운 체크 기록만으로 계산한다. 앞서 설명한 바와 같이, 유사도는 유사도 스코어 함수로서 유클리디언 거리(Euclidean distance)나 피어슨 연관 계수(Pearson correlation coefficint)를 이용하여 구할 수 있다.

를 학습객체 x의 학습자별 최초 업/다운 체크 내역을 성분으로 하는 벡터,

를 학습객체 y의 학습자별 최초 업/다운 체크 내역을 성분으로 하는 벡터,

을 두 학습객체 (x,y) 모두에 대한 최초 업/다운 체크 내역이 있는 학습자의 수라 하면, 유클리디언 거리를 이용한 경우의 유사도

와, 피어슨 연관 계수를 이용한 경우의 유사도

는 다음과 같이 주어진다.

(E1)

(E2)

도 12는 학습객체 간 유사도 계산의 예를 설명하기 위한 도표이다. 도 12에서 학습자 A, B, C가 공통적으로 학습한 연두색 최초 업/다운 체크기록만으로 유사도를 계산한다. 도 12에서

은 3이다. (E1)과 (E2)를 이용하여 apple과 banana간의 유사도를 계산하면, 유사도 스코어 함수로 유클리디언 거리를 이용한 경우의 유사도는 0.333이고, 유사도 스코어 함수로 피어슨 연관 계수를 이용한 경우의 유사도는 0.5이다.

도 13도 학습객체 간 유사도 계산의 예를 설명하기 위한 도표이다. 도 13에서 학습자 A, B, C, D가 공통적으로 학습한 분홍색 최초 업/다운 체크기록만으로 유사도를 계산한다. 도 13에서

은 4이다. (E1)과 (E2)를 이용하여 banana와 car간의 유사도를 계산하면, 유사도 스코어 함수로 유클리디언 거리를 이용한 경우의 유사도는 0.261이고, 유사도 스코어 함수로 피어슨 연관 계수를 이용한 경우의 유사도는 0.333이다.

이와 같은 방식으로 도 11에 주어진 학습객체에 대한 학습자들의 최초 업/다운 체크 기록을 이용하여 유사도를 계산하여 정리하면 도 14, 도 15와 같다. 도 14는 유클리디언 거리를 이용하여 계산한 학습객체 간 유사도를 보인 도표이며, 이 경우 유사도는 (0.0 ~ 1.0) 범위의 수치를 가지며, 수치가 높을수록 학습객체 간 유사함을 나타낸다. 도 15는 피어슨 연관 계수를 이용하여 계산한 학습객체 간 유사도를 보인 도표이며, 이 경우 유사도는 (-1.0 ~ 1.0) 범위의 수치를 가지며, -1.0은 학습객체 간 정반대 성향, 0은 관련 없음, 1.0은 매우 유사함을 나타낸다.

다음으로, 학습자 맞춤형 학습과정의 생성에 관하여 설명한다. 본 발명은 아이템 기반 협업 필터링(item-based collaborative filtering) 기법에 따라 학습자 맞춤형 학습과정을 업데이트하고 생성한다.

위에서 설명한 바와 같이 미리 계산된 학습객체 간 유사도는 학습자 간 유사도를 간접적으로 내포하고 있게 되어 제3의 학습자가 새로운 학습객체에 대해 업(up) 체크할지 다운(down) 체크할지를 유사한 학습자들의 업/다운 체크 패턴에 의해 예측할 수 있게 된다. 업/다운 체크 예측치 계산의 예를 설명하기 위한 도표인 도 16을 참조하면, 학습자 A가 업/다운 체크 기록을 남긴 학습객체에 대한 최초 업/다운 체크 내역과, 학습자 A가 아직 업/다운 체크해보지 못한 학습객체 및 업/다운 체크해 본 학습객체 사이의 유사도를 이용하여 학습자 A가 아직 업/다운 체크해보지 못한 학습객체에 대한 업/다운 체크 예측치를 계산하게 된다. 예를 들어, 학습자 A가 학습객체 a, b, c, d에 대해 남긴 최초 업/다운 체크 내역을

라 하고, 학습자 A가 아직 업/다운 체크해보지 못한 학습객체 x와 학습객체 a, b, c, d 간의 유사도를 각각

라 하면, 학습자 A의 학습객체 x에 대한 업/다운 체크 예측치

는 다음과 같이 계산할 수 있다.

(E3)

계산된 업/다운 체크 예측치는 -1(down 예측)에서 1(up 예측) 사이의 값을 가지며, -1에 가까우면 다운(down)할 확률이 크고, 1에 가까우면 업(up)할 확률이 큰 것이다. 이와 같이 계산된 업/다운 체크 예측치를 이용하여 아직 학습하지 않은 학습객체의 학습도에 대한 초기값을 설정하고, 학습범위 내에서 이미 한번 이상 학습한 학습객체의 학습도와 함께 비교해서 학습도가 낮은 순서로 정렬하여 학습자에게 제공하게 되는데, 이것이 바로 학습자 맞춤형 학습과정을 생성하여 제공하는 방법이다. 업/다운 체크 예측치로 아직 학습하지 않은 학습객체의 학습도 초기값을 설정하는 방법은, 예를 들어, 도 17과 같은 매핑 테이블(mapping table)로 학습도 초기값을 매핑할수 있으며, 학습도에 매핑되는 수치 구간은 조정 가능하다. 간단하게 설명하면, 학습자 맞춤형 학습과정을 제공하는 것은 학습범위 내의 학습객체를 학습자에게 최적화된 순서, 즉, 학습이 부족하다고 예측되는 순서로 제공하는 것이라 할 수 있다.

학습자 맞춤형 학습과정은 도 4의 순서도에서 보인 바와 같이 일정 주기, 적어도 1일 주기로 계속 갱신되어야 한다. 왜냐하면 학습자들의 새로운 학습기록이 계속해서 시스템에 축적되고, 이로 말미암아 더욱더 성능 좋은 예측이 가능해지기 때문이다. 한편, 충분한 학습기록이 누적되었다면, 업/다운 체크 예측시스템의 성능 향상 폭은 현저히 줄어들게될 것이고, 결국 어느 시점에서는 학습객체 간 유사도 계산은 더 이상 필요가 없게 된다. 이는 아이템 기반 협업 필터링(item-based collaborative filtering)의 특징이다. 그러므로, 시간이 지날수록 학습과정 생성을 위한 계산량은 많이 줄어들게 된다. 부가적으로, 학습자 맞춤형 학습과정의 동적 생성에 있어서 또 고려해야할 점은 최초 학습시 설정한 학습목표 조건이다. 즉, 학습범위와 기간을 고려하여, 마치 알람앱을 설정하는 것처럼, 평일만 학습할 것인지 매일 학습할 것인지 등등을 설정할 수 있게 하고, 여기에 따라 학습 가능 일수를 계산하고 복습도 감안하여 그날 학습해야 하는 양을 가늠해서 이를 사용자에게 제시하고 가이드해 주어야 한다.

다음으로, 도 4에서 보인 순서도에서 최초 학습자를 위한 학습자 맞춤형 학습과정을 최초로 생성하는 제3단계(도 4의 S3)와 학습자 맞춤형 학습과정을 업데이트하여 생성하는 제11단계(도 4의 S11)의 차이점을 설명한다.

제3단계(도 4의 S3)에서 학습자 맞춤형 학습과정은 다음과 같이 생성된다. 도 18을 참조하면, 초기 레벨 테스트에서 학습자는 주어진 몇가지 학습객체로 업/다운 체크를 하게 되고 이 몇가지 업/다운 체크 기록(연두색 부분)과 아직 학습하지 않은 학습객체 간 유사도 정보를 결합하여 아직 학습하지 않는 학습객체의 업/다운 체크 예측치를 얻게 되고, 얻어진 업/다운 체크 예측치를 아직 학습하지 않은 학습객체의 학습도에 대한 초기값으로 설정(도 17 참조)하여 위에서 설명한 바와 같이 학습자 맞춤형 학습과정을 제공하게 된다.

제11단계(도 4의 S11)에서 학습자 맞춤형 학습과정은 다음과 같이 업데이트하여 생성된다. 도 19를 참조하면, 초기 레벨 테스트 이후 학습이 본격적으로 이루어지게 되면 학습객체의 최초 업/다운 체크 기록(분홍색 부분)이 추가로 남게 되고, 이 기록을 기존 업/다운 체크 기록(연두색)과 합하여(연두색 + 분홍색), 이를 역시 아직 학습하지 않은 학습객체 간 유사도 정보와 결합하여 아직 학습하지 않은 학습객체의 새로운 업/다운 체크 예측치를 산출해 내게 된다. 이와 같이 얻어진 업/다운 체크 예측치를 아직 학습하지 않은 학습객체의 학습도에 대한 초기값으로 설정(도 17 참조)하여 위에서 설명한 바와 같이 학습자 맞춤형 학습과정을 제공하게 된다.

도면을 참조하여, 본 발명의 실시예에 따른 학습자 맞춤형 학습과정 제공 방법과 학습자 맞춤형 학습 시스템을 정리하여 다시 기술하면 다음과 같다.

본 발명의 일 실시예에 따른 학습자 맞춤형 학습과정 제공 방법은 학습하고자 하는 단위 내용, 학습할 단위 자료, 또는 학습할 단위 자료로 인식될 수 있는 컨텐츠(contents)를 학습객체라 하고, 하나의 학습객체를 특정 학습자가 학습한 정도를 나타내는 지표를 학습도라 하고, 학습객체 간에 유사한 정도를 수치로 나타낸 지표를 유사도라 할 때, 제어 및 처리 수단(100), 저장수단(200), 유무선 통신망(300), 사용자 단말기(400)를 포함하는 학습 시스템의 학습자 맞춤형 학습과정 제공 방법으로서, 제어 및 처리 수단(100)이 최초 학습자에게 초기 레벨 테스트를 제공하고 최초 학습자의 테스트 내역 데이터를 수신하는 제1단계(도 4의 S2); 제어 및 처리 수단(100)이 테스트 내역 데이터를 근거로 기계학습 알고리즘을 이용하여 최초 학습자를 위한 학습자 맞춤형 학습과정을 최초로 생성하는 제2단계(도 4의 S3); 제어 및 처리 수단(100)이 학습자에게 학습자 맞춤형 학습과정을 제공하는 제3단계(도 4의 S4); 제어 및 처리 수단(100)이 학습자 학습내역 데이터를 수신했는지 판단하여 수신하지 않았으면 다음 단계로 진행하고, 수신했으면 제6단계로 진행하는 제4단계(도 4의 S5); 제어 및 처리 수단(100)이 학습도 업데이트 주기가 도래했는지 판단하여 도래했으면 다음 단계로 진행하고, 도래하지 않았으면 제6단계의 다음 단계로 진행하는 제5단계(도 4의 S6); 제어 및 처리 수단(100)이 기계학습 알고리즘(machine learning algoritms)을 이용하여 학습도를 업데이트하는 제6단계(도 4의 S7); 제어 및 처리 수단(100)이 학습객체 간 유사도 업데이트 주기가 도래했는지 판단하여 도래했으면 다음 단계로 진행하고, 도래하지 않았으면 제4단계로 진행하는 제7단계(도 4의 S9); 제어 및 처리 수단(100)이 기계학습 알고리즘을 이용하여 학습객체 간 유사도를 업데이트하는 제8단계(도 4의 S10); 제어 및 처리 수단(100)이 학습객체 간 유사도를 근거로 기계학습 알고리즘을 이용하여 학습자 맞춤형 학습과정을 업데이트하여 생성하고, 제3단계로 진행하는 제9단계(도 4의 S11);를 포함한다.

또한, 본 발명의 일 실시예에 따른 학습자 맞춤형 학습과정 제공 방법은 상기 테스트 내역 데이터와 상기 학습내역 데이터는 학습자의 업(up)/다운(down) 체크 내역을 포함하고, 업/다운 체크 내역은 학습자가 개별 학습객체에 대해 아는 것을 업(up), 모르는 것을 다운(down)의 두 가지로 구별하여 직접 확인한 체크 내역을 의미하며, 학습도는 각각의 학습객체별로 각각의 학습자에 따라 결정되는 것으로서, 등급이나 수치로 분류되는 것을 포함하고, 모든 학습자의 학습객체에 대한 최초 업/다운 체크 내역을 기록해 두고 이를 토대로 학습객체 간 유사도를 계산한다.

또한, 본 발명의 일 실시예에 따른 학습자 맞춤형 학습과정 제공 방법은 학습도는 최하(worst, 1), 나쁨(bad, 2), 보통(soso, 3), 좋음(good, 4), 최상(master, 5) 중 하나로 결정된다.

또한, 본 발명의 일 실시예에 따른 학습자 맞춤형 학습과정 제공 방법은 제6단계에서, 결정 트리(decision tree) 기법을 이용하여 학습도를 업데이트하고, 학습도를 결정하기 위한 결정 트리(decision tree)는 학습자가 업/다운 체크 과정에서 학습객체에 대해 업을 선택한 누적횟수인 총 업(up)한 횟수, 학습자가 업/다운 체크 과정에서 학습객체에 대해 다운을 선택한 누적횟수인 총 다운(down)한 횟수, 학습자가 가장 최근 업/다운 체크 과정에서 학습객체에 대해 업한 시각인 최근 업(up)한 시각, 학습자가 가장 최근 업/다운 체크 과정에서 학습객체에 대해 다운한 시각인 최근 다운(down)한 시각, 학습객체에 대해 가장 최근의 일정기간에 연속 업(up)/다운(down)한 횟수, 학습자가 직접 "최상(master)"으로 표시했는지를 나타내는 직접 "최상 (master)" 표시 여부, 업/다운 체크 이후 추가적인 학습인 심화보조학습이 진행된 누적횟수인 심화보조학습 횟수를 입력값들로 하여, 학습객체에 대한 학습자의 현재 학습기록인 상기 입력값들을 상기 결정 트리에 적용하면 학습도가 결정되고, 상기 결정 트리는 [총 업한 횟수, 총 다운한 횟수, 최근 업한 시각, 최근 다운한 시각, 연속 업/다운한 횟수, 직접 "최상" 표시 여부, 심화보조학습 횟수, 학습도]로 이루어진 복수의 훈련 데이터 세트를 이용하여 훈련하는 과정을 거쳐 만들어지며, 주기적으로 새로운 훈련 데이터 세트를 이용하여 재훈련된다.

또한, 본 발명의 일 실시예에 따른 학습자 맞춤형 학습과정 제공 방법은 제1단계 이전에, 제어 및 처리 수단(100)이 학습자가 설정한 학습목표와 학습조건들을 수신하는 제100단계(도 4의 S1)를 더 포함하고, 제6단계와 제7단계 사이에, 제어 및 처리 수단(100)이 학습자가 설정한 학습목표가 달성되었는지 판단하여 달성되지 않았으면 제7단계로 진행하고, 달성되었으면 제10단계로 진행하는 제67단계(도 4의 S8)를 더 포함하고, 제어 및 처리 수단(100)이 사용자 단말기(400)를 통해 학습자에게 학습목표 달성을 알리는 제10단계(도 4의 S12)를 더 포함한다.

또한, 본 발명의 일 실시예에 따른 학습자 맞춤형 학습과정 제공 방법은 학습자는 학습목표 설정시 학습범위와 학습도 기준을 설정 가능하며, 학습자가 설정한 학습범위 안의 모든 학습객체의 학습도가 학습자가 선택한 학습도 기준을 만족하면 학습목표를 달성한 것으로 판단하며, 상기 학습조건들은 학습기간, 학습주기를 포함한다.

또한, 본 발명의 일 실시예에 따른 학습자 맞춤형 학습과정 제공 방법은 제8단계에서, 유사도는 아이템 기반 협업 필터링(item-based collaborative filtering) 기법을 이용하여 계산하고, 학습자들이 공통적으로 학습한 학습객체의 최초 업/다운 체크 내역만으로 계산하며, 제9단계에서, 학습자 맞춤형 학습과정은 아이템 기반 협업 필터링 기법을 이용하여 업데이트하여 생성한다.

또한, 본 발명의 일 실시예에 따른 학습자 맞춤형 학습과정 제공 방법은 업(up)=1, 다운(down)=-1이라 하고,

인 정수

에 대해

을 두 학습객체 (x,y) 모두에 대한 최초 업/다운 체크 내역이 있는 학습자의 수라 하면, 유사도

는 유사도 스코어 함수(similarity score function)로서 유클리디언 거리(Euclidean distance)를 이용하여

(E1)

로 주어진다.

인 정수

에 대해

는 유사도 스코어 함수로서 피어슨 연관 계수(Pearson correlation coefficint)를 이용하여

(E2)

로 주어진다.

또한, 본 발명의 일 실시예에 따른 학습자 맞춤형 학습과정 제공 방법은 제9단계에서, 학습자 맞춤형 학습과정을 업데이트하여 생성하는 단계는 학습자가 아직 학습하지 않은 학습객체에 대해 업/다운 체크 예측치를 계산하는 제91단계; 계산된 업/다운 체크 예측치를 이용하여 아직 학습하지 않은 학습객체의 학습도에 대한 초기값을 설정하고, 학습범위 내에서 이미 한번 이상 학습한 학습객체의 학습도와 함께 비교해서 학습객체의 학습도가 낮은 것에서 높은 순서로 정렬하는 제92단계를 포함하고, 제91단계에서 업/다운 체크 예측치는 학습자가 학습객체

(

은

인 정수)에 대해 남긴 최초 업/다운 체크 내역을

라 하고, 학습자가 아직 업/다운 체크해보지 못한 학습객체

와 학습객체

간의 유사도를 각각

이라 하면, 학습자의 학습객체

에 대한 업/다운 체크 예측치

는

(E4)

로 주어지며, 제92단계에서 아직 학습하지 않은 학습객체의 학습도에 대한 초기값 설정은 계산된 업/다운 체크 예측치를 그 수치가 속한 구간에 따라 학습도 분류 단계인 최하(worst, 1), 나쁨(bad, 2), 보통(soso, 3), 좋음(good, 4), 최상(master, 5)으로 매핑(mapping)하여 설정한다.

또한, 본 발명의 일 실시예에 따른 학습자 맞춤형 학습과정 제공 방법은 제2단계에서, 최초 학습자를 위한 학습자 맞춤형 학습과정을 최초로 생성하는 단계는 학습자가 아직 학습하지 않은 학습객체에 대해 업/다운 체크 예측치를 계산하는 제21단계; 제1단계의 초기 레벨 테스트에서 학습자가 업/다운 체크한 학습객체의 최초 업/다운 체크 내역과, 제21단계에서 계산된 업/다운 체크 예측치를 이용하여, 초기 레벨 테스트에서 업/다운 체크한 학습객체의 학습도와 아직 학습하지 않은 학습객체의 학습도에 대한 초기값을 설정하고, 학습객체의 학습도가 낮은 것에서 높은 순서로 정렬하는 제22단계를 포함하고, 제21단계에서 업/다운 체크 예측치는 학습자가 초기 레벨 테스트에서 학습객체

(

은

인 정수)에 대해 남긴 최초 업/다운 체크 내역을

라 하고, 학습자가 아직 업/다운 체크해보지 못한 학습객체

와 학습객체

간의 유사도를 각각

라 하면, 학습자의 학습객체

에 대한 업/다운 체크 예측치

는

(E4)

로 주어지며, 제22단계에서 초기 레벨 테스트에서 업/다운 체크한 학습객체의 학습도와 아직 학습하지 않은 학습객체의 학습도에 대한 초기값 설정은 초기 레벨 테스트의 최초 업/다운 체크 내역과 계산된 업/다운 체크 예측치를 그 수치가 속한 구간에 따라 학습도 분류 단계인 최하(worst, 1), 나쁨(bad, 2), 보통(soso, 3), 좋음(good, 4), 최상(master, 5)으로 매핑(mapping)하여 설정한다.

본 발명의 다른 실시예에 따른 학습자 맞춤형 학습 시스템은 학습하고자 하는 단위 내용, 학습할 단위 자료, 또는 학습할 단위 자료로 인식될 수 있는 컨텐츠(contents)를 학습객체라 하고, 하나의 학습객체를 특정 학습자가 학습한 정도를 나타내는 지표를 학습도라 하고, 학습객체 간에 유사한 정도를 수치로 나타낸 지표를 유사도라 할 때, 제어 및 처리 수단(100), 저장수단(200), 유무선 통신망(300), 사용자 단말기(400)를 포함하고, 제어 및 처리 수단(100)은 최초 학습자에게 초기 레벨 테스트를 제공하고 최초 학습자의 테스트 내역 데이터를 수신하고, 테스트 내역 데이터를 근거로 기계학습 알고리즘을 이용하여 최초 학습자를 위한 학습자 맞춤형 학습과정을 최초로 생성하여 제공하며, 학습자 학습내역 데이터를 수신하거나 학습도 업데이트 주기가 도래하면 기계학습 알고리즘(machine learning algoritms)을 이용하여 학습도를 업데이트하며, 학습객체 간 유사도 업데이트 주기가 도래하면 기계학습 알고리즘을 이용하여 학습객체 간 유사도를 업데이트하며, 학습객체 간 유사도를 근거로 기계학습 알고리즘을 이용하여 학습자 맞춤형 학습과정을 업데이트하여 생성하고, 학습자에게 학습자 맞춤형 학습과정을 제공하며; 저장수단(200)은 학습객체, 학습자, 학습자의 학습내역을 포함하는 자료들을 데이터베이스화하여 저장한다.

또한, 본 발명의 다른 실시예에 따른 학습자 맞춤형 학습 시스템은 상기 테스트 내역 데이터와 상기 학습내역 데이터는 학습자의 업(up)/다운(down) 체크 내역을 포함하고, 업/다운 체크 내역은 학습자가 개별 학습객체에 대해 아는 것을 업(up), 모르는 것을 다운(down)의 두 가지로 구별하여 직접 확인한 체크 내역을 의미하며, 학습도는 각각의 학습객체별로 각각의 학습자에 따라 결정되는 것으로서, 등급이나 수치로 분류되는 것을 포함하고, 모든 학습자의 학습객체에 대한 최초 업/다운 체크 내역을 기록해 두고 이를 토대로 학습객체 간 유사도를 계산한다.

또한, 본 발명의 다른 실시예에 따른 학습자 맞춤형 학습 시스템은 학습도는 최하(worst, 1), 나쁨(bad, 2), 보통(soso, 3), 좋음(good, 4), 최상(master, 5) 중 하나로 결정된다.

또한, 본 발명의 다른 실시예에 따른 학습자 맞춤형 학습 시스템은 제어 및 처리 수단(100)은 결정 트리(decision tree) 기법을 이용하여 학습도를 업데이트하고, 학습도를 결정하기 위한 결정 트리(decision tree)는 학습자가 업/다운 체크 과정에서 학습객체에 대해 업을 선택한 누적횟수인 총 업(up)한 횟수, 학습자가 업/다운 체크 과정에서 학습객체에 대해 다운을 선택한 누적횟수인 총 다운(down)한 횟수, 학습자가 가장 최근 업/다운 체크 과정에서 학습객체에 대해 업한 시각인 최근 업(up)한 시각, 학습자가 가장 최근 업/다운 체크 과정에서 학습객체에 대해 다운한 시각인 최근 다운(down)한 시각, 학습객체에 대해 가장 최근의 일정기간에 연속 업(up)/다운(down)한 횟수, 학습자가 직접 "최상(master)"으로 표시했는지를 나타내는 직접 "최상 (master)" 표시 여부, 업/다운 체크 이후 추가적인 학습인 심화보조학습이 진행된 누적횟수인 심화보조학습 횟수를 입력값들로 하여, 학습객체에 대한 학습자의 현재 학습기록인 상기 입력값들을 상기 결정 트리에 적용하면 학습도가 결정되고, 상기 결정 트리는 [총 업한 횟수, 총 다운한 횟수, 최근 업한 시각, 최근 다운한 시각, 연속 업/다운한 횟수, 직접 "최상" 표시 여부, 심화보조학습 횟수, 학습도]로 이루어진 복수의 훈련 데이터 세트를 이용하여 훈련하는 과정을 거쳐 만들어지며, 주기적으로 새로운 훈련 데이터 세트를 이용하여 재훈련된다.

또한, 본 발명의 다른 실시예에 따른 학습자 맞춤형 학습 시스템은 제어 및 처리 수단(100)은 아이템 기반 협업 필터링(item-based collaborative filtering) 기법을 이용하여 유사도를 계산하고, 유사도는 학습자들이 공통적으로 학습한 학습객체의 최초 업/다운 체크 내역만으로 계산하며, 아이템 기반 협업 필터링 기법을 이용하여 학습자 맞춤형 학습과정을 업데이트하여 생성한다.

또한, 본 발명의 다른 실시예에 따른 학습자 맞춤형 학습 시스템은 업(up)=1, 다운(down)=-1이라 하고,

인 정수

에 대해

(E2)

로 주어진다.

또한, 본 발명의 다른 실시예에 따른 학습자 맞춤형 학습 시스템은 제어 및 처리 수단(100)이 학습자 맞춤형 학습과정을 업데이트하여 생성하는 과정은 학습자가 아직 학습하지 않은 학습객체에 대해 업/다운 체크 예측치를 계산하는 과정과, 계산된 업/다운 체크 예측치를 이용하여 아직 학습하지 않은 학습객체의 학습도에 대한 초기값을 설정하고, 학습범위 내에서 이미 한번 이상 학습한 학습객체의 학습도와 함께 비교해서 학습객체의 학습도가 낮은 것에서 높은 순서로 정렬하는 과정을 포함하고, 업/다운 체크 예측치는 학습자가 학습객체

(

은

인 정수)에 대해 남긴 최초 업/다운 체크 내역을

라 하고, 학습자가 아직 업/다운 체크해보지 못한 학습객체

와 학습객체

간의 유사도를 각각

이라 하면, 학습자의 학습객체

에 대한 업/다운 체크 예측치

는

(E4)

로 주어지며, 아직 학습하지 않은 학습객체의 학습도에 대한 초기값 설정은 계산된 업/다운 체크 예측치를 그 수치가 속한 구간에 따라 학습도 분류 단계인 최하(worst, 1), 나쁨(bad, 2), 보통(soso, 3), 좋음(good, 4), 최상(master, 5)으로 매핑(mapping)하여 설정한다.

또한, 본 발명의 다른 실시예에 따른 학습자 맞춤형 학습 시스템은 제어 및 처리 수단(100)이 최초 학습자를 위한 학습자 맞춤형 학습과정을 최초로 생성하는 과정은 학습자가 아직 학습하지 않은 학습객체에 대해 업/다운 체크 예측치를 계산하는 과정과, 초기 레벨 테스트에서 학습자가 업/다운 체크한 학습객체의 최초 업/다운 체크 내역과, 아직 학습하지 않은 학습객체에 대해 계산된 업/다운 체크 예측치를 이용하여, 초기 레벨 테스트에서 업/다운 체크한 학습객체의 학습도와 아직 학습하지 않은 학습객체의 학습도에 대한 초기값을 설정하고, 학습객체의 학습도가 낮은 것에서 높은 순서로 정렬하는 과정을 포함하고, 업/다운 체크 예측치는 학습자가 초기 레벨 테스트에서 학습객체

(

은

인 정수)에 대해 남긴 최초 업/다운 체크 내역을

라 하고, 학습자가 아직 업/다운 체크해보지 못한 학습객체

와 학습객체

간의 유사도를 각각

라 하면, 학습자의 학습객체

에 대한 업/다운 체크 예측치

는

(E4)

로 주어지며, 초기 레벨 테스트에서 업/다운 체크한 학습객체의 학습도와 아직 학습하지 않은 학습객체의 학습도에 대한 초기값 설정은 초기 레벨 테스트에서 기록된 최초 업/다운 체크 내역과 계산된 업/다운 체크 예측치를 그 수치가 속한 구간에 에 따라 학습도 분류 단계인 최하(worst, 1), 나쁨(bad, 2), 보통(soso, 3), 좋음(good, 4), 최상(master, 5)으로 매핑(mapping)하여 설정한다.

또한, 본 발명의 다른 실시예에 따른 학습자 맞춤형 학습 시스템은 제어 및 처리 수단(100)은 온라인 서버(server)를 포함하고, 유무선 통신망(300)은 인터넷(internet), 이동통신망(mobile communication network), 근거리 통신망(local area network) 또는 와이파이망(wifi network) 중 선택된 하나 이상의 통신망을 포함하며, 사용자 단말기(400)는 개인용 컴퓨터(PC), 노트북 컴퓨터(notebook computer), 태블릿(tablet), 스마트폰(smart phone)을 포함한다.

100: 제어 및 처리 수단(control and processing means)
200: 저장수단(storage means)
300: 유무선 통신망(communicating means)
400: 클라인언트 단말기(user device)

Claims

학습하고자 하는 단위 내용, 학습할 단위 자료, 또는 학습할 단위 자료로 인식될 수 있는 컨텐츠(contents)를 학습객체라 하고, 하나의 학습객체를 특정 학습자가 학습한 정도를 나타내는 지표를 학습도라 하고, 학습객체 간에 유사한 정도를 수치로 나타낸 지표를 유사도라 할 때,
제어 및 처리 수단, 저장수단, 유무선 통신망, 사용자 단말기를 포함하는 학습 시스템의 학습자 맞춤형 학습과정 제공 방법으로서,
상기 제어 및 처리 수단이 최초 학습자에게 초기 레벨 테스트를 제공하고 최초 학습자의 테스트 내역 데이터를 수신하는 제1단계;
상기 제어 및 처리 수단이 테스트 내역 데이터를 근거로 기계학습 알고리즘을 이용하여 최초 학습자를 위한 학습자 맞춤형 학습과정을 최초로 생성하는 제2단계;
상기 제어 및 처리 수단이 학습자에게 학습자 맞춤형 학습과정을 제공하는 제3단계;
상기 제어 및 처리 수단이 학습자 학습내역 데이터를 수신했는지 판단하여 수신하지 않았으면 다음 단계로 진행하고, 수신했으면 제6단계로 진행하는 제4단계;
상기 제어 및 처리 수단이 학습도 업데이트 주기가 도래했는지 판단하여 도래했으면 다음 단계로 진행하고, 도래하지 않았으면 제6단계의 다음 단계로 진행하는 제5단계;
상기 제어 및 처리 수단이 기계학습 알고리즘(machine learning algoritms)을 이용하여 학습도를 업데이트하는 제6단계;
상기 제어 및 처리 수단이 학습객체 간 유사도 업데이트 주기가 도래했는지 판단하여 도래했으면 다음 단계로 진행하고, 도래하지 않았으면 제4단계로 진행하는 제7단계;
상기 제어 및 처리 수단이 기계학습 알고리즘을 이용하여 학습객체 간 유사도를 업데이트하는 제8단계;
상기 제어 및 처리 수단이 학습객체 간 유사도를 근거로 기계학습 알고리즘을 이용하여 학습자 맞춤형 학습과정을 업데이트하여 생성하고, 제3단계로 진행하는 제9단계;
를 포함하는 학습자 맞춤형 학습과정 제공 방법.
제1항에 있어서,
상기 테스트 내역 데이터와 상기 학습내역 데이터는 학습자의 업(up)/다운(down) 체크 내역을 포함하고,
업/다운 체크 내역은 학습자가 개별 학습객체에 대해 아는 것을 업(up), 모르는 것을 다운(down)의 두 가지로 구별하여 직접 확인한 체크 내역을 의미하며,
학습도는 각각의 학습객체별로 각각의 학습자에 따라 결정되는 것으로서, 등급이나 수치로 분류되는 것을 포함하고,
모든 학습자의 학습객체에 대한 최초 업/다운 체크 내역을 기록해 두고 이를 토대로 학습객체 간 유사도를 계산하는 학습자 맞춤형 학습과정 제공 방법.
제2항에 있어서,
학습도는 최하(worst, 1), 나쁨(bad, 2), 보통(soso, 3), 좋음(good, 4), 최상(master, 5) 중 하나로 결정되는 학습자 맞춤형 학습과정 제공 방법.
제3항에 있어서,
제6단계에서, 결정 트리(decision tree) 기법을 이용하여 학습도를 업데이트하고, 학습도를 결정하기 위한 결정 트리(decision tree)는
학습자가 업/다운 체크 과정에서 학습객체에 대해 업을 선택한 누적횟수인 총 업(up)한 횟수,
학습자가 업/다운 체크 과정에서 학습객체에 대해 다운을 선택한 누적횟수인 총 다운(down)한 횟수,
학습자가 가장 최근 업/다운 체크 과정에서 학습객체에 대해 업한 시각인 최근 업(up)한 시각,
학습자가 가장 최근 업/다운 체크 과정에서 학습객체에 대해 다운한 시각인 최근 다운(down)한 시각,
학습객체에 대해 가장 최근의 일정기간에 연속 업(up)/다운(down)한 횟수,
학습자가 직접 "최상(master)"으로 표시했는지를 나타내는 직접 "최상 (master)" 표시 여부,
업/다운 체크 이후 추가적인 학습인 심화보조학습이 진행된 누적횟수인 심화보조학습 횟수
를 입력값들로 하여, 학습객체에 대한 학습자의 현재 학습기록인 상기 입력값들을 상기 결정 트리에 적용하면 학습도가 결정되고,
상기 결정 트리는 [총 업한 횟수, 총 다운한 횟수, 최근 업한 시각, 최근 다운한 시각, 연속 업/다운한 횟수, 직접 "최상" 표시 여부, 심화보조학습 횟수, 학습도]로 이루어진 복수의 훈련 데이터 세트를 이용하여 훈련하는 과정을 거쳐 만들어지며, 주기적으로 새로운 훈련 데이터 세트를 이용하여 재훈련되는 학습자 맞춤형 학습과정 제공 방법.
제4항에 있어서,
제1단계 이전에, 상기 제어 및 처리 수단이 학습자가 설정한 학습목표와 학습조건들을 수신하는 제100단계를 더 포함하고,
제6단계와 제7단계 사이에, 상기 제어 및 처리 수단이 학습자가 설정한 학습목표가 달성되었는지 판단하여 달성되지 않았으면 제7단계로 진행하고, 달성되었으면 제10단계로 진행하는 제67단계를 더 포함하고,
상기 제어 및 처리 수단이 상기 사용자 단말기를 통해 학습자에게 학습목표 달성을 알리는 제10단계를 더 포함하는 학습자 맞춤형 학습과정 제공 방법.
제5항에 있어서,
학습자는 학습목표 설정시 학습범위와 학습도 기준을 설정 가능하며,
학습자가 설정한 학습범위 안의 모든 학습객체의 학습도가 학습자가 선택한 학습도 기준을 만족하면 학습목표를 달성한 것으로 판단하며,
상기 학습조건들은 학습기간, 학습주기를 포함하는 학습자 맞춤형 학습과정 제공 방법.
제3항에 있어서,
제8단계에서, 유사도는 아이템 기반 협업 필터링(item-based collaborative filtering) 기법을 이용하여 계산하고, 학습자들이 공통적으로 학습한 학습객체의 최초 업/다운 체크 내역만으로 계산하며,
제9단계에서, 학습자 맞춤형 학습과정은 아이템 기반 협업 필터링 기법을 이용하여 업데이트하여 생성하는 학습자 맞춤형 학습과정 제공 방법.
제7항에 있어서,
업(up)=1, 다운(down)=-1이라 하고,
인 정수
에 대해
를 학습객체 x의 학습자별 최초 업/다운 체크 내역을 성분으로 하는 벡터,
를 학습객체 y의 학습자별 최초 업/다운 체크 내역을 성분으로 하는 벡터,
을 두 학습객체 (x,y) 모두에 대한 최초 업/다운 체크 내역이 있는 학습자의 수라 하면,
유사도
는 유사도 스코어 함수(similarity score function)로서 유클리디언 거리(Euclidean distance)를 이용하여

(E1)
로 주어지는 학습자 맞춤형 학습과정 제공 방법.
제7항에 있어서,
업(up)=1, 다운(down)=-1이라 하고,
인 정수
에 대해
를 학습객체 x의 학습자별 최초 업/다운 체크 내역을 성분으로 하는 벡터,
를 학습객체 y의 학습자별 최초 업/다운 체크 내역을 성분으로 하는 벡터,
을 두 학습객체 (x,y) 모두에 대한 최초 업/다운 체크 내역이 있는 학습자의 수라 하면,
유사도
는 유사도 스코어 함수로서 피어슨 연관 계수(Pearson correlation coefficint)를 이용하여

(E2)
로 주어지는 학습자 맞춤형 학습과정 제공 방법.
제9항에 있어서,
제9단계에서, 학습자 맞춤형 학습과정을 업데이트하여 생성하는 단계는
학습자가 아직 학습하지 않은 학습객체에 대해 업/다운 체크 예측치를 계산하는 제91단계;
계산된 업/다운 체크 예측치를 이용하여 아직 학습하지 않은 학습객체의 학습도에 대한 초기값을 설정하고, 학습범위 내에서 이미 한번 이상 학습한 학습객체의 학습도와 함께 비교해서 학습객체의 학습도가 낮은 것에서 높은 순서로 정렬하는 제92단계를 포함하고,
제91단계에서 업/다운 체크 예측치는
학습자가 학습객체
(
은
인 정수)에 대해 남긴 최초 업/다운 체크 내역을
라 하고, 학습자가 아직 업/다운 체크해보지 못한 학습객체
와 학습객체
간의 유사도를 각각
이라 하면, 학습자의 학습객체
에 대한 업/다운 체크 예측치
는

(E4)
로 주어지며,
제92단계에서 아직 학습하지 않은 학습객체의 학습도에 대한 초기값 설정은
계산된 업/다운 체크 예측치를 그 수치가 속한 구간에 따라 학습도 분류 단계인 최하(worst, 1), 나쁨(bad, 2), 보통(soso, 3), 좋음(good, 4), 최상(master, 5)으로 매핑(mapping)하여 설정하는 학습자 맞춤형 학습과정 제공 방법.
제9항에 있어서,
제2단계에서, 최초 학습자를 위한 학습자 맞춤형 학습과정을 최초로 생성하는 단계는
학습자가 아직 학습하지 않은 학습객체에 대해 업/다운 체크 예측치를 계산하는 제21단계;
제1단계의 초기 레벨 테스트에서 학습자가 업/다운 체크한 학습객체의 최초 업/다운 체크 내역과, 제21단계에서 계산된 업/다운 체크 예측치를 이용하여, 초기 레벨 테스트에서 업/다운 체크한 학습객체의 학습도와 아직 학습하지 않은 학습객체의 학습도에 대한 초기값을 설정하고, 학습객체의 학습도가 낮은 것에서 높은 순서로 정렬하는 제22단계를 포함하고,
제21단계에서 업/다운 체크 예측치는
학습자가 초기 레벨 테스트에서 학습객체
(
은
인 정수)에 대해 남긴 최초 업/다운 체크 내역을
라 하고, 학습자가 아직 업/다운 체크해보지 못한 학습객체
와 학습객체
간의 유사도를 각각
라 하면, 학습자의 학습객체
에 대한 업/다운 체크 예측치
는

(E4)
로 주어지며,
제22단계에서 초기 레벨 테스트에서 업/다운 체크한 학습객체의 학습도와 아직 학습하지 않은 학습객체의 학습도에 대한 초기값 설정은
초기 레벨 테스트의 최초 업/다운 체크 내역과 계산된 업/다운 체크 예측치를 그 수치가 속한 구간에 에 따라 학습도 분류 단계인 최하(worst, 1), 나쁨(bad, 2), 보통(soso, 3), 좋음(good, 4), 최상(master, 5)으로 매핑(mapping)하여 설정하는 학습자 맞춤형 학습과정 제공 방법.
학습하고자 하는 단위 내용, 학습할 단위 자료, 또는 학습할 단위 자료로 인식될 수 있는 컨텐츠(contents)를 학습객체라 하고, 하나의 학습객체를 특정 학습자가 학습한 정도를 나타내는 지표를 학습도라 하고, 학습객체 간에 유사한 정도를 수치로 나타낸 지표를 유사도라 할 때,
제어 및 처리 수단, 저장수단, 유무선 통신망, 사용자 단말기를 포함하고,
상기 제어 및 처리 수단은
최초 학습자에게 초기 레벨 테스트를 제공하고 최초 학습자의 테스트 내역 데이터를 수신하고, 테스트 내역 데이터를 근거로 기계학습 알고리즘을 이용하여 최초 학습자를 위한 학습자 맞춤형 학습과정을 최초로 생성하여 제공하며,
학습자 학습내역 데이터를 수신하거나 학습도 업데이트 주기가 도래하면 기계학습 알고리즘(machine learning algoritms)을 이용하여 학습도를 업데이트하며,
학습객체 간 유사도 업데이트 주기가 도래하면 기계학습 알고리즘을 이용하여 학습객체 간 유사도를 업데이트하며,
학습객체 간 유사도를 근거로 기계학습 알고리즘을 이용하여 학습자 맞춤형 학습과정을 업데이트하여 생성하고, 학습자에게 학습자 맞춤형 학습과정을 제공하며;
상기 저장수단은
학습객체, 학습자, 학습자의 학습내역을 포함하는 자료들을 데이터베이스화하여 저장하는 학습자 맞춤형 학습 시스템.
제12항에 있어서,
상기 테스트 내역 데이터와 상기 학습내역 데이터는 학습자의 업(up)/다운(down) 체크 내역을 포함하고,
업/다운 체크 내역은 학습자가 개별 학습객체에 대해 아는 것을 업(up), 모르는 것을 다운(down)의 두 가지로 구별하여 직접 확인한 체크 내역을 의미하며,
학습도는 각각의 학습객체별로 각각의 학습자에 따라 결정되는 것으로서, 등급이나 수치로 분류되는 것을 포함하고,
모든 학습자의 학습객체에 대한 최초 업/다운 체크 내역을 기록해 두고 이를 토대로 학습객체 간 유사도를 계산하는 학습자 맞춤형 학습 시스템.
제13항에 있어서,
학습도는 최하(worst, 1), 나쁨(bad, 2), 보통(soso, 3), 좋음(good, 4), 최상(master, 5) 중 하나로 결정되는 학습자 맞춤형 학습 시스템.
제14항에 있어서,
상기 제어 및 처리 수단은 결정 트리(decision tree) 기법을 이용하여 학습도를 업데이트하고,
학습도를 결정하기 위한 결정 트리(decision tree)는
학습자가 업/다운 체크 과정에서 학습객체에 대해 업을 선택한 누적횟수인 총 업(up)한 횟수,
학습자가 업/다운 체크 과정에서 학습객체에 대해 다운을 선택한 누적횟수인 총 다운(down)한 횟수,
학습자가 가장 최근 업/다운 체크 과정에서 학습객체에 대해 업한 시각인 최근 업(up)한 시각,
학습자가 가장 최근 업/다운 체크 과정에서 학습객체에 대해 다운한 시각인 최근 다운(down)한 시각,
학습객체에 대해 가장 최근의 일정기간에 연속 업(up)/다운(down)한 횟수,
학습자가 직접 "최상(master)"으로 표시했는지를 나타내는 직접 "최상 (master)" 표시 여부,
업/다운 체크 이후 추가적인 학습인 심화보조학습이 진행된 누적횟수인 심화보조학습 횟수
를 입력값들로 하여, 학습객체에 대한 학습자의 현재 학습기록인 상기 입력값들을 상기 결정 트리에 적용하면 학습도가 결정되고,
상기 결정 트리는 [총 업한 횟수, 총 다운한 횟수, 최근 업한 시각, 최근 다운한 시각, 연속 업/다운한 횟수, 직접 "최상" 표시 여부, 심화보조학습 횟수, 학습도]로 이루어진 복수의 훈련 데이터 세트를 이용하여 훈련하는 과정을 거쳐 만들어지며, 주기적으로 새로운 훈련 데이터 세트를 이용하여 재훈련되는 학습자 맞춤형 학습 시스템.
제14항에 있어서,
상기 제어 및 처리 수단은
아이템 기반 협업 필터링(item-based collaborative filtering) 기법을 이용하여 유사도를 계산하고, 유사도는 학습자들이 공통적으로 학습한 학습객체의 최초 업/다운 체크 내역만으로 계산하며, 아이템 기반 협업 필터링 기법을 이용하여 학습자 맞춤형 학습과정을 업데이트하여 생성하는 학습자 맞춤형 학습 시스템.
제14항에 있어서,
업(up)=1, 다운(down)=-1이라 하고,
인 정수
에 대해
를 학습객체 x의 학습자별 최초 업/다운 체크 내역을 성분으로 하는 벡터,
를 학습객체 y의 학습자별 최초 업/다운 체크 내역을 성분으로 하는 벡터,
을 두 학습객체 (x,y) 모두에 대한 최초 업/다운 체크 내역이 있는 학습자의 수라 하면,
유사도
는 유사도 스코어 함수로서 피어슨 연관 계수(Pearson correlation coefficint)를 이용하여

(E2)
로 주어지는 학습자 맞춤형 학습 시스템.
제17항에 있어서,
상기 제어 및 처리 수단이 학습자 맞춤형 학습과정을 업데이트하여 생성하는 과정은
학습자가 아직 학습하지 않은 학습객체에 대해 업/다운 체크 예측치를 계산하는 과정과,
계산된 업/다운 체크 예측치를 이용하여 아직 학습하지 않은 학습객체의 학습도에 대한 초기값을 설정하고, 학습범위 내에서 이미 한번 이상 학습한 학습객체의 학습도와 함께 비교해서 학습객체의 학습도가 낮은 것에서 높은 순서로 정렬하는 과정을 포함하고,
업/다운 체크 예측치는 학습자가 학습객체
(
은
인 정수)에 대해 남긴 최초 업/다운 체크 내역을
라 하고, 학습자가 아직 업/다운 체크해보지 못한 학습객체
와 학습객체
간의 유사도를 각각
이라 하면, 학습자의 학습객체
에 대한 업/다운 체크 예측치
는

(E4)
로 주어지며,
아직 학습하지 않은 학습객체의 학습도에 대한 초기값 설정은
계산된 업/다운 체크 예측치를 그 수치가 속한 구간에 따라 학습도 분류 단계인 최하(worst, 1), 나쁨(bad, 2), 보통(soso, 3), 좋음(good, 4), 최상(master, 5)으로 매핑(mapping)하여 설정하는 학습자 맞춤형 학습과정 제공 방법.
제17항에 있어서,
상기 제어 및 처리 수단이 최초 학습자를 위한 학습자 맞춤형 학습과정을 최초로 생성하는 과정은
학습자가 아직 학습하지 않은 학습객체에 대해 업/다운 체크 예측치를 계산하는 과정과,
초기 레벨 테스트에서 학습자가 업/다운 체크한 학습객체의 최초 업/다운 체크 내역과, 아직 학습하지 않은 학습객체에 대해 계산된 업/다운 체크 예측치를 이용하여, 초기 레벨 테스트에서 업/다운 체크한 학습객체의 학습도와 아직 학습하지 않은 학습객체의 학습도에 대한 초기값을 설정하고, 학습객체의 학습도가 낮은 것에서 높은 순서로 정렬하는 과정을 포함하고,
업/다운 체크 예측치는 학습자가 초기 레벨 테스트에서 학습객체
(
은
인 정수)에 대해 남긴 최초 업/다운 체크 내역을
라 하고, 학습자가 아직 업/다운 체크해보지 못한 학습객체
와 학습객체
간의 유사도를 각각
라 하면, 학습자의 학습객체
에 대한 업/다운 체크 예측치
는

(E4)
로 주어지며,
초기 레벨 테스트에서 업/다운 체크한 학습객체의 학습도와 아직 학습하지 않은 학습객체의 학습도에 대한 초기값 설정은
초기 레벨 테스트에서 기록된 최초 업/다운 체크 내역과 계산된 업/다운 체크 예측치를 그 수치가 속한 구간에 에 따라 학습도 분류 단계인 최하(worst, 1), 나쁨(bad, 2), 보통(soso, 3), 좋음(good, 4), 최상(master, 5)으로 매핑(mapping)하여 설정하는 학습자 맞춤형 학습과정 제공 방법.
제12항에 있어서,
상기 제어 및 처리 수단은 온라인 서버(server)를 포함하고,
상기 유무선 통신망은 인터넷(internet), 이동통신망(mobile communication network), 근거리 통신망(local area network) 또는 와이파이망(wifi network) 중 선택된 하나 이상의 통신망을 포함하며,
상기 사용자 단말기는 개인용 컴퓨터(PC), 노트북 컴퓨터(notebook computer), 태블릿(tablet), 스마트폰(smart phone)을 포함하는 학습자 맞춤형 학습과정 제공 방법.