KR20180061999A

KR20180061999A - 개인 맞춤형 학습 제공 장치 및 그 방법

Info

Publication number: KR20180061999A
Application number: KR1020160161795A
Authority: KR
Inventors: 이수웅; 유호영; 지형근
Original assignee: 한국전자통신연구원
Priority date: 2016-11-30
Filing date: 2016-11-30
Publication date: 2018-06-08
Also published as: US10733899B2; US20180151084A1

Abstract

본 발명은 개인 맞춤형 학습 제공 장치 및 방법에 관한 것으로, 보다 상세하게는 개인화된 학습 환경에서 학습자의 개인별 문제 풀이 결과를 고려하여, 학습자의 개념별 이해도를 추정하고, 개인 맞춤형 학습을 제공하는 장치 및 방법에 관한 것이다.
본 발명에 따른 개인 맞춤형 학습 제공 장치는 문제 파라미터 및 확률을 초기화하는 초기화부와, 학습자의 문제 풀이 결과에 대한 응답 매트릭스를 수신하는 입력부와, 응답 매트릭스에 대하여 학습자의 이해도가 가질 수 있는 조합에 대한 우도를 계산하고, 그 결과를 고려하여 사후 확률을 계산하는 조건부 우도 및 확률 계산부와, 계산된 우도를 최대화하는 문제 파라미터를 계산한 결과에 따라 업데이트를 수행하는 업데이트부를 포함하는 것을 특징으로 한다.

Description

개인 맞춤형 학습 제공 장치 및 그 방법{APPARATUS AND METHOD FOR ADAPTIVE E-LEARNING}

본 발명은 개인 맞춤형 학습 제공 장치 및 방법에 관한 것으로, 보다 상세하게는 개인화된 학습 환경에서 학습자의 개인별 문제 풀이 결과를 고려하여, 학습자의 개념별 이해도를 추정하고, 개인 맞춤형 학습을 제공하는 장치 및 방법에 관한 것이다.

개인 맞춤형 학습은 학습자의 능력과 특성에 맞춰, 지능적으로 콘텐츠와 서비스를 제공하여 편리하고 효율적으로 학습 효과를 증대하는 기술이다.

종래 상용화되었던 맞춤형 학습 기술들은 학습자 진단을 정교하게 하는 것에 기술적 방점이 있었던 것이 아니라, 콘텐츠 간의 연계에 의존하거나, 틀린 문제의 개수를 단순하게 세어서 취약한 개념을 진단하는 정도에 그쳤다.

종래 기술에 따른 맞춤형 학습 기술들은 학습자 진단이 정교하지 못하여, 개념을 알지만 실수로 틀리는 경우, 개념을 모르지만 문제를 찍어서 맞추는 경우 등에 대하여 적절하게 파악하고 진단하기 어려운 문제점이 있었다.

이러한 문제점을 해결하기 위하여 제안된 대표적인 인지진단모형은 주어진 시험 결과를 근거로 학습자의 개념별 이해도 추정에 대한 방법을 제시하였으나, 다수의 학생이 완전히 동일한 시험을 최선을 다해 치렀다는 전제하에서만 신뢰성 있는 결과를 획득할 수 있다는 한계점이 있었다.

본 발명은 전술한 문제점을 해결하기 위하여 제안된 것으로, 많은 학생이 모두 동일한 문제 세트(set)의 시험을 치른다는 보장이 없는 개인화 학습의 경우에 있어서, 개별 학생의 문제 풀이 결과를 이해도 계산에 반영함으로써, 개념별 이해도를 추정하고 맞춤형 학습을 제공할 수 있는 개인 맞춤형 학습 제공 장치 및 그 방법을 제안한다.

본 발명에 따른 개인 맞춤형 학습 제공 장치는 문제 파라미터 및 확률을 초기화하는 초기화부와, 학습자의 문제 풀이 결과에 대한 응답 매트릭스를 수신하는 입력부와, 응답 매트릭스에 대하여 학습자의 이해도가 가질 수 있는 조합에 대한 우도를 계산하고, 그 결과를 고려하여 사후 확률을 계산하는 조건부 우도 및 확률 계산부와, 계산된 우도를 최대화하는 문제 파라미터를 계산한 결과에 따라 업데이트를 수행하는 업데이트부를 포함하는 것을 특징으로 한다.

본 발명에 따른 개인 맞춤형 학습 제공 시스템은 학습자에게 맞춤형 학습에 관한 콘텐츠를 제공하는 학습자 단말과, 맞춤형 학습을 위한 교수 데이터를 표시하는 교수자 단말 및 맞춤형 학습에 대한 학습자 수준을 진단하되, 학습자의 학습 결과 정보 및 문제 정보를 고려하여 학습자의 개념별 이해도를 도출하는 서버를 포함하는 것을 특징으로 한다.

본 발명의 실시예에 따른 개인 맞춤형 학습 제공 방법은 문제 파라미터를 초기화하고, 개념 이해 벡터가 주어졌을 때 문제에 대한 응답을 맞힐 확률을 초기화하는 단계와, 학습자의 문제 풀이 결과로 주어지는 응답 매트릭스를 고려하여, 학습자 이해도의 조합에 관한 우도를 계산하는 단계와, 계산된 우도 및 초기화된 확률을 이용하여 사후 확률을 계산하는 단계 및 사후 확률 계산 결과를 이용하여 초기화된 확률을 업데이트하고, 초기화된 문제 파라미터를 업데이트하는 단계를 포함하는 것을 특징으로 한다.

본 발명에 따른 개인 맞춤형 학습 제공 장치 및 방법은 다수의 학생들이 완전히 같은 문제를 풀지 않더라도, 학생 개개인의 개념별 이해도를 정확하게 추정하는 것이 가능하므로, 개인화 학습 상황에서 학습자 수준을 정확하게 진단하는 것이 가능한 효과가 있다.

본 발명의 효과는 이상에서 언급한 것들에 한정되지 않으며, 언급되지 아니한 다른 효과들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.

도 1은 본 발명의 실시예에 따른 개인 맞춤형 학습 제공 시스템의 전체 구조를 나타내는 도면이다.
도 2는 본 발명의 실시예에 따른 학습자 뷰어 및 교수자 뷰어를 나타내는 도면이다.
도 3은 본 발명의 실시예에 따른 개인 맞춤형 학습 제공 시스템의 서버의 구조를 나타내는 도면이다.
도 4는 본 발명의 실시예에 따른 개인 맞춤형 학습 제공 방법을 나타내는 순서도이다.

본 발명의 전술한 목적 및 그 이외의 목적과 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다.

그러나 본 발명은 이하에서 개시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 이하의 실시예들은 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 목적, 구성 및 효과를 용이하게 알려주기 위해 제공되는 것일 뿐으로서, 본 발명의 권리범위는 청구항의 기재에 의해 정의된다.

한편, 본 명세서에서 사용된 용어는 실시예들을 설명하기 위한 것이며 본 발명을 제한하고자 하는 것은 아니다. 본 명세서에서, 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함한다. 명세서에서 사용되는 "포함한다(comprises)" 및/또는 "포함하는(comprising)"은 언급된 구성소자, 단계, 동작 및/또는 소자가 하나 이상의 다른 구성소자, 단계, 동작 및/또는 소자의 존재 또는 추가됨을 배제하지 않는다.

본 발명의 실시예에 대하여 서술하기에 앞서, 당업자의 이해를 돕기 위하여 종래 기술에 따른 맞춤형 학습 기술에 대하여 먼저 서술하기로 한다.

종래 기술에 따른 맞춤형 학습 기술들은 학습자의 진단이 정교하지 못한 바, 이러한 문제점을 해결하기 위하여 보다 정규화된 모델을 제시한 기술이 인지진단모델이며, DINA(deterministic input, noisy "and" gate) 모델은 대표적인 인지진단모델이다.

DINA 모델은 단체시험 정보로부터 각 학생들의 개념별 이해도를 추정하게 되는데, 시험을 본 학생 수를 I명, 문제 수를 J개, 개념수를 K라고 할 때, DINA 모델의 입력으로 들어갈 정보는 크게 두 가지이다.

첫 번째는 Q-행렬로, 단체시험에서 사용된 문제들이 어떠한 개념과 연관되었는지를 가리키는 J×K 크기의 이진행렬이고, 두 번째는 R-행렬로, 학생들이 각 문제에 대한 정답 여부를 알려주는 I×J크기의 이진행렬이다.

이 두 가지 정보로부터 각 학생별로 각각의 개념에 대해서 이해하고 있는지 없는지 추정하여 그 결과를 I×K 크기의 이진행렬로 출력한다.

문제-개념 간의 매핑 정보인 Q-행렬은 교육 전문가들에 의해 사전에 정의되는데, 문제를 풀기 위해 필요한 개념들을 세부적으로 정의하여, 각 문제별로 세부 개념과 매핑시키게 된다.

i번째 학생의 k번째 개념에 대한 이해 벡터, 즉 학습자 i의 개념별 이해도를 나타내는 α_i는 binary vector이며, 각 요소별로 1이면 해당 개념을 이해하고 있다는 의미이고, 0이면 이해하지 못한다는 의미이다.

DINA 모델의 "AND" 게이트는 학생이 문제의 정답을 맞히기 위해서는 문제와 매핑된 개념 모두를 알고 있어야 한다는 가정이다.

i번째 학생이 j번째 문제를 풀 수 있는 능력을 갖추었는지 판별하는 요소로서 잠재적 응답 벡터 η_ij가 [수학식 1]과 같이 모델링된다.

η_ij는 학습자 i가 문제 j를 맞출 수 있는 능력을 갖춘 경우 1로, 해당 능력을 갖추지 못하는 경우 0으로 표현된다.

여기서 q_jk 는 Q-행렬의 원소로서, 문제 j를 푸는데 개념 k의 지식이 필요한지 여부를 나타내며, 1이면 해당 개념이 필요한 것을 나타내고, 0이면 해당 개념이 필요하지 않은 것을 나타낸다.

k는 해당 모델에서 전체 개념의 수를 의미한다. α_ik는 학습자 i가 개념 k를 이해하고 있는 지 여부를 의미하며, 전술한α_i는 α_ik들을 요소로 갖는 벡터이다.

DINA 모델의 "NOISE"는 문제의 특성을 의미하는 노이즈 파라미터(noise parameter)로서, 잠재적 응답이 1임에도 불구하고 실수해서 틀릴 확률인 s_j와, 반대로 잠재적 응답이 0임에도 불구하고 찍어서 맞을 확률인 g_j를 추가한 가정을 의미하며, 아래 [수학식 2] 및 [수학식 3]과 같다.

이러한 문제 파라미터는 문제에 따라 값이 다르며, 학생에 따라 변하지 않는 문제 고유의 파라미터이다.

이러한 가정으로부터, i번째 학생이 개념이해 벡터 α_ik가 주어졌을 때 j번째 문제에 대한 응답 X_ij를 맞힐 확률은 아래 [수학식 4]와 같다.

X_ij는 학습자 i가 문제 j를 풀었을 때의 정오답 여부이며, 1이면 정답, 0이면 오답을 의미한다.

통계적인 계산 방법으로 학습자들의 문제 풀이 결과(X) 로부터 개별 학습자들의 개념별 이해도(α_i)와 문제 파라미터(g_j,s_j)를 추정할 수 있다.

입력 X의 MLE (Maximum Likelihood Estimate)방식을 이용하여 사후적 확률

을 추정하게 된다.

종래 기술에 따른 DINA모델은 개념들이 적합하게 구성되어 있고 각 문제와 개념간의 연계가 미리 주어진 경우, 주어진 시험 결과를 설명하는 가장 가능성 높은 학습자의 개념별 이해도를 추정할 수 있는 효과적인 방법을 제공한다.

하지만 이 방법의 문제점은 다수의 학생이 완전히 동일한 시험을 최선을 다해 치러야 신뢰할 수 있는 결과가 나온다는 한계가 있다.

즉, 수학능력시험 등 대규모 시험 결과를 사후적으로 분석하거나 학원 등 단체 교습장에서 많은 학생들이 일괄적으로 동일한 시험을 치르는 경우에는 효과적인 분석 결과를 도출할 수 있다.

다시 말하면, DINA 모델은 아래 [표 1]과 같이, R-행렬의 전체 데이터가 가득 차 있어야 하고, 아래 [표 2]와 같이 missing data가 있는 경우에는 처리할 수 없는 한계가 있다.

가로축은 문제를 의미하고, 세로축은 학습자를 의미하고, Item은 각 문제를 의미하며, O는 맞은 응답(correct answer), X는 틀린 응답(incorrect answer)를 의미한다.

즉, 개인화 학습의 경우, 많은 학생들이 모두 동일한 시험을 치른다고 보장되지 않기 때문에 학생의 문제 풀이 결과가 이해도 계산에 반영되지 않는 문제점이 있다.

본 발명은 전술한 문제점을 해결하기 위하여 제안된 것으로, 개인화 학습 시나리오에서도 학습자의 개념별 이해도 추정이 가능한 개인 맞춤형 학습 제공 장치 및 방법을 제안한다.

본 발명에 따른 개인화 학습의 상황을 가정한 R-행렬은 아래 [표 2]와 같다.

가로축은 문제를 의미하고, 세로축은 학습자를 의미하고, Item은 각 문제를 의미하며, O는 맞은 응답(correct answer), X는 틀린 응답(incorrect answer)를 의미하며, M(Missing response) 문제 풀이 결과가 누락됨을 의미한다.

본 발명에서 가정하고 있는 개인화 학습 상황에서는 각 개인별로 모두 다른 문제 세트가 제공되기 때문에, 각각의 학생이 푼 문제의 전체 세트가 상이하다.

따라서, 응답이 없는 경우(M)을 틀렸다고 처리하는 경우 잘못된 추정 결과가 나오게 되므로, 본 발명에서는 다수의 학생들이 완전히 같은 문제를 풀지 않는 경우에도 학생 개별의 이해도를 정확하게 추정하는 기술 구성을 제안한다.

도 1은 본 발명의 실시예에 따른 개인 맞춤형 학습 제공 시스템의 전체 구조를 나타내는 도면이다.

전체 시스템은 학습자 단말(100, PC 등 고정형 단말, 노트북, 모바일 디바이스, 태블릿 등 이동형 단말을 포함), 교수자 단말(200), 서버(400)로 구성되며, 서버(400)는 한 대의 워크스테이션 또는 복수의 워크스테이션이 묶음으로 구성되는 것이 가능하다.

클라이언트의 내부 구조는 도 2에 도시한 바와 같이, 학습자 단말(100)의 학습자용 뷰어(110), 교수자 단말(200)의 교수자용 뷰어(210)로 구분되는데, 학습자용 뷰어(110)는 학습자와 직접 연계되는 개인 맞춤형 학습 제공 시스템의 사용자 인터페이스로, 디바이스와 무관하게 동일한 결과물을 표시한다.

이러한 학습자용 뷰어(110)는 시험 진행, 개념별 이해도 확인, 취약 개념 보충 학습 등의 기반 기술을 학습자에게 표시한다.

교수자용 뷰어(210)는 교수자들이 학생들의 학습 상황을 용이하게 파악할 수 있도록 각종 정보들을 정리하여 표시하며, 시험 이력, 성적, 시간별 반별 통계 등 교수에 필요한 여러 데이터들을 맞춤형 학습 데이터베이스로부터 받아와 화면에 표시하게 된다.

도 3은 본 발명의 실시예에 따른 서버(400)의 구조를 나타내며, 도 4는 본 발명의 실시예에 따른 개인 맞춤형 학습 제공 방법을 나타내는 순서도이다.

본 발명의 실시예에 따른 서버(400)는 맞춤형 학습 데이터베이스(420), 학습자 진단 엔진(430) 및 메인 인터페이스(410)를 포함하여 구성된다.

맞춤형 학습 데이터베이스(420)에는 각종 데이터들이 저장되고, 학습자 진단 엔진(430)은 학습자 수준 진단을 수행하며, 메인 인터페이스(410)는 맞춤형 학습 데이터베이스(420)와 학습자 진단 엔진(430)을 구동시키고 외부와의 연계를 담당하여, 통계 처리 등 학습자 및 관리자의 원활한 시스템 사용을 위한 관리 역할을 수행한다.

메인 인터페이스(410)의 주요 기능으로는 학습자의 학습 상태 확인, 학습자 성적 관리, 콘텐츠 패키징 기능이 포함된다.

서버(400)의 맞춤형 학습 데이터베이스(420)는 맞춤형 학습을 제공하기 위한 데이터를 관리하고, 전술한 학습자용 뷰어(110) 및 교수자용 뷰어(210), 학습자 진단 엔진(430), 메인 인터페이스(410)에 필요한 데이터를 제공한다.

이러한 맞춤형 학습 데이터베이스(420)에는 교육 콘텐츠 DB(421), 문제 DB(423), 개념 DB(422)와 연계되고, 이에 다시 연계된 학습자 DB(425) 및 시험 DB(424)가 포함된다.

교육 콘텐츠 DB(421)에는 개인화된 맞춤형 학습을 위한 강의 동영상들이 데이터베이스화되어 있으며, 문제 DB(423)에는 객관식, 주관식, 매칭 등 다양한 형태의 문제들이 문제 은행 형태로 저장되며, 개별 문제에 대하여 어떠한 개념과 매칭되어 있는지에 대한 정보가 저장된다.

개념 DB(422)는 상호 구분되는 학습 요소인 개념들이 데이터베이스화되어 저장되는데, 구체적으로 개념의 전체 리스트, 학습자의 개념별 이해도, 개념과 문제간의 매칭 정보, 개념의 구조도가 저장된다.

전술한 교육 콘텐츠 DB(421), 문제 DB (423)및 개념 DB(422)는 서로 N:N 관계로 연계되어 있으며, 이는 맞춤형 학습을 제공하기 위한 핵심적인 정보가 된다.

학습자 DB(425)는 학습자의 개인 정보를 저장하기 위한 DB로서, 개인 정보, 학습 이력, 학습 정보가 저장되며, 시험 DB(424)는 문제들이 모인 시험을 관리하기 위한 DB로서, 시험 이력, 시험 문제, 시험에 대한 학생들의 응답 결과가 저장된다.

본 발명의 실시예에 따른 학습자 진단 엔진(430)은 맞춤형 학습 데이터베이스(420)와 연계되어, 학습자의 학습 결과 정보(학습자-문제 간 연계) 및 문제 정보(문제-개념간 연계)를 입력 받아 학습자의 개념별 이해도(학습자-개념 관계)를 도출한다.

본 발명의 실시예에 따르면, 다수의 학습자들은 모두 개인화된, 즉 다른 학생과 상이한 자신만의 문제들을 풀어 학습을 진행한다.

다수 학생들의 문제 풀이 결과는 학습자용 뷰어(110)를 통해 서버(400)의 데이터베이스에 저장되며, 서버의 맞춤형 학습 데이터베이스(420)에서 한 명의 학습자로부터 학습 결과가 집계되면, 학습자 진단 엔진(430)은 학습자의 이해도 및 문제 파라미터에 대한 최적의 추정을 수행한다.

이 때, 학습자의 이해도 및 문제 파라미터는 인지진단모형(Cognitive Diagnosis Model), 문항반응이론(Item Response Theory), KST(Knowledge Space Theory) 등 다양한 방법을 통해 구성될 수 있으며, 본 발명의 상세한 설명에서는 인지진단모형에 기반한 모델링 방법을 기반으로, 다수 학생들의 각각의 문제 풀이 이력이 개인화되는 상황 하에서 학습자의 이해도를 추정하는 구성을 제안한다.

전술한 [표 2]에서와 같이, 본 발명에서는 다수 학생들 각각에 제시되는 문제들의 세트가 상이한 경우를 전제하며, missing data를 오답으로 처리하지 않고 학습자의 이해도 및 파라미터를 추정한다.

즉, 본 발명의 실시예에 따르면, 정오답 여부에 대한 X_ij에 데이터가 없는 부분을 제외하고 조건부 우도(conditional likelihood)를 계산하며, 문제 파라미터인 s_j (잠재적 응답이 1임에도 불구하고 실수해서 틀릴 확률)와, g_j (잠재적 응답이 0임에도 불구하고 찍어서 맞을 확률)를 추정함에 있어서도 X_ij가 유효(valid)한 부분만을 추출 후 따로 계산함으로써 문제 파라미터를 업데이트하는 것을 특징으로 한다.

본 발명의 실시예에 따른 i번째 학생이 개념 이해 벡터 α_l가 주어졌을 때 j번째 문제에 대한 응답 X_ij을 맞힐 확률은 다음의 [수학식 5]로 정의된다.

본 발명의 실시예에 따른 학습자 진단 엔진(430)의 초기화부(431)는 먼저 각 문제의 파라미터인 s_j (잠재적 응답이 1임에도 불구하고 실수해서 틀릴 확률)와, g_j (잠재적 응답이 0임에도 불구하고 찍어서 맞을 확률인)를 초기화(예: 기설정된 동일한 값으로서 0.2)시키고, 각 개념별 이해도 값의 prior knowledge도 초기화시킨다(S100).

학습자 진단 엔진(430)의 입력부(432)는 학습자의 문제 풀이 결과로 주어지는 응답 매트릭스를 수신하며, 조건부 우도 및 확률 계산부(433)는 학습자의 이해도가 가질 수 있는 조합에 대하여 우도를 계산하며(S200), 조건부 우도는 다음의 [수학식 6]과 같다.

이 때, 조건부 우도를 구함에 있어서 응답이 없는 부분, 즉 정오답 여부에 대한 X_ij에 데이터가 없는 부분을 제외하고 우도가 계산된다.

조건부 우도 및 확률 계산부(433)는 초기화부(431)에서 초기화된 P(α) 값을 이용하여 사후확률인

를 계산한다(S300).

학습자 진단 엔진(430)의 업데이트부(434)는 계산된 사후 확률의 결과로부터 P(α)를 업데이트하며, 우도를 최대화하도록 하는 파라미터 s_j, g_j값을 각각으로 편미분하여 계산하고, 그 결과로 s_j, g_j를 업데이트한다(S400).

이 때, 전술한 S200 단계 내지 S400 단계는 수렴할 때까지 반복적으로 수행되며, 파라미터 추정은 아래 [수학식 7] 및 [수학식 8]에 따른다.

이 때, I_jl은 문제를 푼 학생들 중, α_l의 이해도 패턴을 가진 학생 수의 기대값을 의미하고, R_jl은 j번째 문제를 맞게 푼 학생들 중, α_l의 이해도 패턴을 가진 학생 수의 기대값을 의미한다.

본 발명의 실시예에 따른 학습자 진단 엔진(430)은 파라미터를 연산함에 있어서, X_ij가 유효(valid)한 부분만을 추출하여 따로 계산함으로써 문제 파라미터를 업데이트함으로써, 다수의 학생들이 모두 같은 문제를 풀지 않는 상황에서도 학생 개별의 이해도를 정확하게 추정할 수 있다.

이제까지 본 발명의 실시예들을 중심으로 살펴보았다. 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자는 본 발명이 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 변형된 형태로 구현될 수 있음을 이해할 수 있을 것이다. 그러므로 개시된 실시예들은 한정적인 관점이 아니라 설명적인 관점에서 고려되어야 한다. 본 발명의 범위는 전술한 설명이 아니라 특허청구범위에 나타나 있으며, 그와 동등한 범위 내에 있는 모든 차이점은 본 발명에 포함된 것으로 해석되어야 할 것이다.

100: 학습자 단말 110: 학습자용 뷰어
200: 교수자 단말 210: 교수자용 뷰어
300: 네트워크 400: 서버
410: 메인 인터페이스 420: 맞춤형 학습 데이터베이스
421: 교육 콘텐츠 DB 422: 개념 DB
423: 문제 DB 424: 시험 DB
425: 학습자 DB 430: 학습자 진단 엔진
431: 초기화부 432: 입력부
433: 조건부 우도 및 확률 계산부 434: 업데이트부

Claims

문제 파라미터 및 확률을 초기화하는 초기화부;
학습자의 문제 풀이 결과에 대한 응답 매트릭스를 수신하는 입력부;
상기 응답 매트릭스에 대하여 학습자의 이해도가 가질 수 있는 조합에 대한 우도를 계산하고, 그 결과를 고려하여 사후 확률을 계산하는 조건부 우도 및 확률 계산부; 및
상기 계산된 우도를 최대화하는 상기 문제 파라미터를 계산한 결과에 따라 업데이트를 수행하는 업데이트부
를 포함하는 개인 맞춤형 학습 제공 장치.
제1항에 있어서,
상기 문제 파라미터는 잠재적 응답 벡터의 값이 1임에도 불구하고 실수해서 틀릴 확률과, 잠재적 응답 벡터의 값이 0임에도 불구하고 찍어서 맞을 확률을 포함하는 것
인 개인 맞춤형 학습 제공 장치.
제1항에 있어서,
상기 조건부 우도 계산부는 특정 학생의 특정 문제에 대한 풀이 결과 정오답 여부에 관한 데이터가 유효하게 존속하는 경우만을 산출하여 상기 우도를 계산하는 것
인 개인 맞춤형 학습 제공 장치.
제1항에 있어서,
상기 업데이트부는 상기 문제 파라미터를 계산하고 업데이트함에 있어서, 특정 학생의 특정 문제에 대한 풀이 결과 정오답 여부에 관한 데이터가 유효하게 존속하는 경우만을 산출하는 것
인 개인 맞춤형 학습 제공 장치.
학습자에게 맞춤형 학습에 관한 콘텐츠를 제공하는 학습자 단말;
상기 맞춤형 학습을 위한 교수 데이터를 표시하는 교수자 단말; 및
상기 맞춤형 학습에 대한 학습자 수준을 진단하되, 학습자의 학습 결과 정보 및 문제 정보를 고려하여 학습자의 개념별 이해도를 도출하는 서버
를 포함하는 개인 맞춤형 학습 제공 시스템.
제5항에 있어서,
상기 학습자 단말은 시험 진행, 개념별 이해도 확인 및 취약 개념 보충 학습 중 적어도 어느 하나의 기능을 제공하는 것
인 개인 맞춤형 학습 제공 시스템.
제5항에 있어서,
상기 교수자 단말은 시험 이력, 성적, 시간별 통계 중 적어도 어느 하나를 디스플레이하는 것
인 개인 맞춤형 학습 제공 시스템.
제5항에 있어서,
상기 서버는 학습 상태 또는 성적 관리를 수행하는 메인 인터페이스와, 맞춤형 학습을 제공하기 위한 데이터를 저장 관리하는 맞춤형 학습 데이터베이스 및 인지진단모형으로 학습자의 문제 풀이 결과를 모델링하고 상기 학습자의 개념별 이해도를 산출하는 학습자 진단 엔진을 포함하는 것
인 개인 맞춤형 학습 제공 시스템.
제8항에 있어서,
상기 맞춤형 학습 데이터베이스는 상호 N:N의 관계로 연계된 교육 콘텐츠 DB, 문제 DB 및 개념 DB를 포함하는 것
인 개인 맞춤형 학습 제공 시스템.
제9항에 있어서,
상기 맞춤형 학습 데이터베이스는 상호 연계된 상기 교육 콘텐츠 DB, 문제 DB 및 개념 DB와 연계된 학습자 DB 및 시험 DB를 포함하는 것
인 개인 맞춤형 학습 제공 시스템.
제8항에 있어서,
상기 학습자 진단 엔진은 잠재적 응답 벡터가 1인 경우 실수해서 틀릴 확률과, 잠재적 응답 벡터가 0인 경우 찍어서 맞을 확률을 포함하는 문제 파라미터를 초기화하고, 각 개념별 이해도 값을 초기화하며, 학습자의 문제 풀이 결과로서 수신되는 응답 매트릭스에 대하여 학습자의 이해도가 가질 수 있는 조합에 대한 우도를 계산하여 사후 확률을 계산하고, 그 결과로부터 상기 우도를 최대화하는 상기 문제 파라미터를 추정하여 업데이트하는 것
인 개인 맞춤형 학습 제공 시스템.
제11항에 있어서,
상기 학습자 진단 엔진은 상기 우도를 계산하고 상기 문제 파라미터를 추정함에 있어서, 특정 학습자가 특정 문제를 푼 결과인 정오답 여부가 유효한 데이터로 존재하는 경우만을 고려하는 것
인 개인 맞춤형 학습 제공 시스템.
(a) 문제 파라미터를 초기화하고, 개념 이해 벡터가 주어졌을 때 문제에 대한 응답을 맞힐 확률을 초기화하는 단계;
(b) 학습자의 문제 풀이 결과로 주어지는 응답 매트릭스를 고려하여, 학습자 이해도의 조합에 관한 우도를 계산하는 단계;
(c) 상기 계산된 우도 및 초기화된 확률을 이용하여 사후 확률을 계산하는 단계; 및
(d) 상기 사후 확률 계산 결과를 이용하여 상기 초기화된 확률을 업데이트하고, 상기 초기화된 문제 파라미터를 업데이트하는 단계
를 포함하는 개인 맞춤형 학습 제공 방법.
제13항에 있어서,
상기 (a) 단계에서 초기화되는 상기 문제 파라미터는 잠재적 응답이 1인 경우 실수해서 틀릴 확률과, 잠재적 응답이 0인 경우 찍어서 맞을 확률을 포함하는 것
인 개인 맞춤형 학습 제공 방법.
제13항에 있어서,
상기 (b) 단계는 상기 우도를 계산함에 있어서, 상기 응답 매트릭스에서 특정 학생의 특정 문제에 대한 응답 결과가 없는 부분은 제외하고 상기 학습자 이해도에 관한 우도를 계산하는 것
인 개인 맞춤형 학습 제공 방법.
제13.항에 있어서,
상기 (d) 단계는 상기 우도가 최대화되는 상기 문제 파라미터를 계산하고, 계산 결과를 고려하여 상기 문제 파라미터를 업데이트하는 것
인 개인 맞춤형 학습 제공 방법.
제16항에 있어서,
상기 (d) 단계는 특정 학생의 특정 문제에 대한 응답 결과가 유효하게 존재하는 경우에 한정하여 상기 문제 파라미터를 계산하는 것
인 개인 맞춤형 학습 제공 방법.