KR20180096341A - 소셜 플랫폼상에서 mooc와 플립드러닝을 지원하는 온톨로지 기반 교육 콘텐츠 소셜 큐레이터 구현 시스템 및 그 방법 - Google Patents

Abstract

본 발명은 MOOC(Massive Open Online Course)로 대변되는 대학 교육의 환경 변화에 맞춰 국내외 대학의 개방공유된 교육 콘텐츠를 온톨로지 기반의 큐레이션을 통해 사용자 맞춤형으로 가공할 수 있는 소셜 큐레이터에 관한 것이며, 이 시스템은 MOOC 교육 콘텐츠의 자동 수집, 분류 및 큐레이션 환경을 제공하고, 이를 분야별, 수준별 그리고 취향별로 소셜 플랫폼상에서 유통시킬 수 있는 기능을 구현한다. 또한 본 발명의 시스템의 이러한 기능이 MOOC의 온라인 교육 활용을 극대화함으로써 궁극적으로 플립드러닝을 효율적으로 실현함을 보이도록 한다.

Description

소셜 플랫폼상에서 MOOC와 플립드러닝을 지원하는 온톨로지 기반 교육 콘텐츠 소셜 큐레이터 구현 시스템 및 그 방법 {System for implementing educational contents social curator based on ontology supporting mooc and flipped learning on social platform and method thereof}

본 발명은 MOOC(Massive Open Online Course)로 대변되는 대학 교육의 환경 변화에 맞춰 국내외 대학의 개방공유된 교육 콘텐츠를 온톨로지 기반의 큐레이션을 통해 사용자 맞춤형으로 가공할 수 있는 소셜 큐레이터에 관한 것이며, 이 시스템은 MOOC 교육 콘텐츠의 자동 수집, 분류 및 큐레이션 환경을 제공하고, 이를 분야별, 수준별 그리고 취향별로 소셜 플랫폼상에서 유통시킬 수 있는 기능을 구현한다. 또한 본 발명의 시스템의 이러한 기능이 MOOC의 온라인 교육 활용을 극대화함으로써 궁극적으로 플립드러닝을 효율적으로 실현함을 보이도록 한다.

또한 본 발명은 MOOC(온라인 강좌) 또는 유튜브 등에서 공개된 콘텐츠를 이용하여 소셜 플랫폼내에서 그룹별(과제별/주제별 등)로 전문 Portal (VOTRAL,vertical portal 이라 함)을 생성하는 장치 및 방법에 관한 것으로서, 주로 학교 수업에 적용하기 위한 것이다.

최근 대학에서는 플립드 러닝(Flipped Learning), MOOC(Massive Open Onine Course) 그리고 교육 3.0 등이 화두가 되고 있다. 플립드 러닝은 2006년 미국 콜로라도주의 고교 교사였던 존 버그만(Jon Bergmann)과 애론 샘즈(Aaron sams)가 처음으로 고안해낸 학습법이다. 이 방식은 강의 교수 본인의 동영상 강좌를 포함해서 미리 배포한 온라인 교재물을 학생들이 사전에 공부해 오는 것을 전제로 한다. 그러면 수업 시간에 교수들은 과거의 일방적인 강의 방식에서 탈피하여, 학생들의 준비상황을 질문으로 점검하거나, 질문을 유도하고 또한 학우들에 자신의 이해한 내용을 설명하도록 진행시킨다는 것인데, 최근 교육부가 이 방식을 대학 평가 반영에 서두르는 이유는 그 학습 효과가 놀라울 정도라는 실험 결과에 기반한다. 즉 학습의 주체를 교수에서 학생으로 이동시켜 학생들의 참여를 유도함으로써 놀라운 학습 효과를 가져오는 새 학습법이라는 것이다(임진혁 2014, 사사키 도시나오 2012).

한편 MOOC는 하버드나 예일, 스텐포드 등의 명강의 콘텐츠 및 수강 코스를 온라인상에서 모든 이들에게 무상으로 제공하는 것을 골자로 하는 edx, ocw 그리고 coursera 등 교육 콘텐츠 사이트들의 통칭으로, 요약하면 교육의 공유와 개방을 표방하는 온라인 교육 사이트들의 집합을 이르는 말이다. 여기에 소통의 교육을 더하면 참여, 공유 개방의 교육, 총칭하여 교육 3.0이 되는 것이다. 교육 3.0은 기존의 교수 학습법, 등록금을 내야 대학의 강의를 들을 수 있었던, 기존의 교육 제도 등을 근간에서 뒤흔드는 교육 혁신의 대명사라고 할 수 있다.

비상용화 시스템으로 KAIST에서 개발한 edu 3.0은 MOOC를 이용한 10분 단위의 동영상 강의 및 상호 작용식 문제 풀이, 퀴즈 및 수업시간에 토론 수업 등을 활용하는 플립드 러닝을 지원하기 위해 오픈소스인 Moodle을 기반으로 개발되었다(Moodle 2016). CourseMos도 Moodle을 기반으로 한 교육 3.0 지원 상용화 교수학습시스템으로 출석 자동 관리나 학습자의 패턴분석을 이용한 성과측정 진단, 소셜 러닝등 다양한 기능을 지원한다. 한편, ㈜토마토에서 최근 출시한 exClass도 Moodle을 기반으로 한 교육 3.0 강의 지원 시스템이지만 소셜웹이나 실시간 퀴즈보기, 다양한 방식의 출석 자동 관리 기능을 스마트폰을 기반으로 실현한 것이 특징이다. 외국 회사의 제품인 블랙보드는 Moodle 대신 자신의 기존 교육 플랫폼에 소셜웹과 MOOC를 메타 검색하는 기능을 추가함으로써 교육 3.0을 지원하고자 하였다(블랙보드 2013). 모바일상 토론이나 퀴즈, 학습모델별 템플릿 기반 코스 생성, 분반 강의시 계층적 코스 운영, 맞춤식 개인화 등 현재 교육 시장에서 완성도에서는 가장 앞서가는 교수 학습 시스템으로 평가되고 있다.

그러나 이들 교육 시스템은 공통적으로 게시판이나 카페방식의 기존의 교수학습 시스템인 Moodle이나 블랙보드 자체 교수 학습 시스템을 확장하여, 교육 3.0을 지원하고자 시도하였다는 점에서 패러다임 상에서 한계를 가지고 있다. 즉, 페이스북이나 밴드와 같은 최신의 그룹 기반 소셜 플랫폼을 교육용으로 진화시킨 시스템들이 아니다. 따라서 향후 보다 다양한 기능 등을 추가한다고 해도 차세대의 교육 플랫폼으로 진화하기는 태생적으로 한계를 가지게 된다. 예를 들어, MOOC에서 수집한 콘텐츠를 교수들이 학생들의 수준이나 자신의 취향에 맞게 큐레이션한 콘텐츠를 소셜 플랫폼 상에서 수강받는 학생들에게 포털 형식으로 공개한다던지, 학생별로 유통시킨다던지, 또는 교수들간 공유시킨다던지 할 경우 이들 방식으로는 편리한 사용자 인터페이스를 구성하기가 어렵다(박양하 2012, Park, Yang-Ha et al. 2015).

이러한 한계점을 보완하는 시스템으로는 최근 ㈜케이테크에서 선보인 바 있는 KHUB- edu3.0을 들 수 있다. 이 시스템은 그룹형 소셜 플랫폼을 기반으로 교육 3.0을 지원하는 온라인 교수 학습시스템으로, 키워드들을 설정하기만 하면 분산된 MOOC 사이트들로부터 강의 그룹별로 콘텐츠를 자동 수집, 분류하고 추천해 주는 기능을 제공하는 것이 특징이다(설근수 2015, KHUB 2015). 그러나 이 시스템 또한 추천 콘텐츠를 개별 사용자들이 자신의 관점별로 다양한 방식으로 가공, 즉 큐레이션 할 수 있는 환경과, 이를 큐레이션한 사용자의 이름으로 유통시킬 수 있는 기능은 제공하지 못하고 있다. 콘텐츠 큐레이션이란 온라인상의 수많은 콘텐츠들 중 개인의 주관이나 관점에 따라 관련 콘텐츠들을 수집, 정리하고 편집하여 사용자와 관련이 있거나 관심이 있을만한 콘텐츠를 제공하는 서비스이다(권혁인 외 2015, 김국현 2012, J. S. Kim 2014, Manuel Caeiro-Rodriguez et al. 2013).

소셜 네트워크가 활성화되면서, 소셜 네트워크를 통하여 생성되는 소셜 데이터가 증가하고 있다.

그러나 공개된 콘텐츠를 이용하여 전문 Portal (이하 VOTRAL,vertical portal 이라 함)을 생성하는 것은 제시되지 않았다.

한편, 대안으로써 콘텐츠를 추천하기 위하여, 소셜 데이터를 분석하는 방법이 제시 되었다.

도 1은 종래의 일 실시 예에 따른 소셜 데이터 분석 시스템의 구성을 설명하기 위한 개략도이다.

도 2는 종래의 일 실시 예에 따른 소셜 데이터 분석 시스템의 객체 사전 데이터 분석기의 구성을 설명하기 위한 개략도이다.

도 3은 종래의 일 실시 예에 따른 소셜 데이터 분석 시스템의 도메인 학습기의 구성을 설명하기 위한 개략도이다.

도 4는 종래의 일 실시 예에 따른 소셜 데이터 분석 시스템의 소셜 데이터 분석기의 구성을 나타내는 개략도이다.

도 1은 종래의 일 실시 예에 따른 소셜 데이터 분석 시스템의 구성을 설명하기 위한 개략도이다.

도 1을 참조하면, 소셜 데이터 분석 시스템(1)은 객체 사전 데이터 분석기(100), 도메인 학습기(200) 및 객체사전/도메인 분석 정보 저장소(300)를 포함한다.

객체 사전 데이터 분석기(100)는 네트워크(11)를 통하여 소셜 네트워크(21) 상의 소셜 데이터와 정보 콘텐츠(31)를 수집하여, 소셜 네트워크(21) 상의 소셜 데이터와 정보 콘텐츠(31)를 수집하고 이들에 포함된 객체를 분석하여 메타 데이터로 객체 사전을 형성한 후, 객체 사전으로부터 규칙 정보를 생성할 수 있다.

네트워크(11)는 유선 인터넷 서비스, 근거리 통신망(LAN), 광대역 통신망(WAN), 인트라넷, 무선 인터넷 서비스, 이동 컴퓨팅 서비스, 무선 데이터 통신 서비스, 무선 인터넷 접속 서비스, 위성 통신 서비스, 무선 랜, 블루투스 등 유/무선을 통하여 데이터를 주고 받을 수 있는 것을 모두 포함할 수 있다.

네트워크(11)가 스마트폰 또는 태블릿 등과 연결되는 경우, 네트워크(11)는 3G, LTE(long term evolution) 등의 무선 데이터 통신 서비스, 와이파이(Wi-Fi) 등의 무선 랜, 블루투스 등일 수 있다.

정보 콘텐츠(31)는 기구축된 데이터 또는 위키피디아와 같이 정리된 정보를 포함할 수 있다. 예를 들면, 영화와 관련된 정보 콘텐츠(31)는 포털 사이트의 영화, 배우 또는 영화 스태프 등에 대한 데이터 베이스, 영화사 홈페이지, 위키피디아와 같은 오픈 사전에 정리된 영화, 배우 또는 영화 스태프 등와 관련된 정보, 영화, 배우 또는 영화 스태프 등와 관련된 정보를 정리해 놓은 커뮤니티 등 일 수 있다.

예를 들면, 방송 프로그램과 관련된 정보 콘텐츠(31)는 포털 사이트의 방송 프로그램 관련 페이지 또는 방송 출연자나 방송 제작 스태프 관련 페이지, 방송사 홈페이지, 위키피디아와 같은 오픈 사전에 정리된 방송 프로그램, 방송 출연자 또는 방송 제작 스태프와 관련된 정보, 방송 프로그램, 방송 출연자 또는 방송 제작 스태프과 관련된 정보를 정리해 놓은 커뮤니티 등 일수 있다.

도 1에서 객체 사전 데이터 분석기(100)가 네트워크(11)를 통하여 정보 콘텐츠(31)를 수집하거나 제공받는 것으로 도시되었으나, 정보 콘텐츠(31)가 기구축된 데이터인 경우, 오프라인을 통해서 정보 콘텐츠(31)를 객체 사전데이터 분석(100)에 직접 제공할 수도 있다. 즉, 객체 사전 데이터 분석기(100)는 네트워크(11)를 통하여 정보콘텐츠(31)를 수집하거나 제공받는 것을 기본으로 하나, 기구축되어 저장 장치를 통하여 객체 사전 데이터 분석기(100)에 정보 콘텐츠(30)를 제공하는 것을 배제하는 것은 아니다.

도메인 학습기(200)는 네트워크(11)를 통하여 수집하거나 제공받은 정보 콘텐츠(30), 또는 전술한 바와 같이 오프라인을 통해서 제공받은 정보 콘텐츠(31)를 분석하여 도메인을 분석하고 학습할 수 있다.

도메인이란, 전술한 바와 같이 사전에 정의된 데이터의 주제에 관한 분류를 의미하며 계층적 구조를 지닐 수 있다. 예를 들면, 영화와 관련된 도메인은 엔터테인먼트 영화 제목/배우/스탭/주제/관련 일자 등을 포함할 수 있으며, 경우에 따라, 스탭은 다시 하위 도메인으로 감독, 시나리오, 음악 등으로, 배우는 다시 하위 도메인으로 주연, 주연, 엑스트라, 까메오 등을 지닐 수 있다.

따라서 도메인 학습기(200)는 정보 콘텐츠(30)를 도멘인을 통하여 분석할 수 있도록 학습하기 위한 학습 데이터를 추천하여 저장한 후에, 이를 토대로 정보 콘텐츠(30)가 가지고 있는 데이터에 대하여 분석하기 위한 학습 데이터에 대한 학습을 수행할 수 있다.

학습 데이터란 전술한 데이터의 주제에 관한 분류인 도메인 구분을 위한 키워드 리스트를 포함할 수 있다. 예를 들면, 학습 데이터는 도메인 및 이와 연관되는 자연어, 형용사 등을 포함할 수 있다.

객체 사전/도메인 분석 정보 저장소(300)는 객체 사전으로부터 생성한 규칙 정보와 도메인 분석을 위한 학습 데이터를 저장할 수 있다. 즉, 객체 사전 데이터 분석기(100)에서 생성한 규칙 정보와 도메인 학습기(200)에서 학습된 도메인 분석을 위한 학습 데이터는 객체 사전/도메인 분석 정보 저장소(300)에 저장될 수 있다.

소셜 데이터 분석 시스템(1)은 소셜 데이터 분석기(400) 및 소셜 데이터 도메인 분석기(500)를 더 포함할 수 있다.

소셜 데이터 분석기(400)는 네트워크(11)를 통하여 소셜 네트워크(21) 상의 소셜 데이터를 수집한 후에, 소셜데이터를 정제할 수 있다.

소셜 데이터 도메인 분석기(500)는 객체 사전/도메인 분석 정보 저장소(300)에 저장된 규칙 정보와 학습 데이터를 토대로 소셜 데이터 분석기(400)에 의하여 정제된 소셜 데이터에 대한 도메인 분석을 수행할 수 있다. 소셜데이터 도메인 분석기(500)는 도메인 분석을 위한 학습 데이터 뿐만 아니라, 객체 사전으로부터 생성한 규칙 정보를 함께 반영하여 도메인 분석을 수행하기 때문에, 동음 이의어, 신조어 등을 포함하는 소셜 데이터에 대하여도 정확한 도메인 분석을 할 수 있다.

소셜 데이터 도메인 분석기(500)는 도메인 분석이 수행된 소셜 데이터에 대하여 도메인 별로 분류 및 군집을 하기위한 자동분류모듈 및 자동군집모듈을 포함할 수 있다. 상기 자동분류모듈은 소셜 데이터들을 자동으로 분류한다. 상기 자동분류모듈은 예를 들면, 베이지언(Bayesian), SVM(Support Vector Machine)과 같은 알고리즘을 통해 구현될 수 있다.

상기 자동군집모듈은 자동분류된 소셜 데이터들을 각 분류 카테고리 별로, 즉 도메인별로 군집화 과정을 거친다. 자동군집은 소셜 데이터들을 시스템이 통계적으로 임의의 단위로 군집한다. 상기 자동군집모듈은 예를 들면, K-means 알고리즘 등을 사용하여 구현될 수 있다. 이렇게 군집된 소셜 데이터들은 특성단어 등에 대한 정보량 지수가 측정될 수 있으며, 특성단어와 이러한 정보량 지수를 결합하여 생성되는 특성단어벡터는 군집된 소셜 데이터들을 대표하는 단어벡터로 검색을 위하여 사용될 수 있다.

도메인 분석이 수행된 소셜 데이터 및/또는 자동분류/자동군집된 소셜 데이터는 분석 소셜 데이터 저장소(600)에 저장되어, 소셜 데이터 분석 시스템(1) 내의 도시된 기능부 및 그 외의 다른 기능부(미도시) 또는 소셜 데이터 분석 시스템(1) 외에 제공될 수 있다.

상기 분석 소셜 데이터 저장소(600)는 NoSQL, 관계형 데이터베이스, 파일시스템 등 어떠한 형태로든 데이터를 저장할 수 있는 공간일 수 있다. 분석 소셜 데이터 저장소(600)는 물리적으로 구분되는 저장공간이거나, 논리적으로 구분되는 저장공간일 수 있다.

분석 소셜 데이터 저장소(600)에는 분석이 수행된 소셜 데이터 뿐만 아니라. 분석이 수행된 소셜 데이터가 포함하고 있는 단어들에 대한 의미와 해당 단어들이 사용되는 도메인에 대한 정보가 함께 저장될 수 있다. 이러한 정보는 객체 사전 데이터 분석기(100) 및/또는 도메인 학습기(200)에 피드백될 수 있다.

본 발명의 의한 소셜 데이터 분석 시스템(1)은 소셜 데이터에 대하여 도메인 분석을 위한 학습 데이터에 의한 도메인 분석뿐만 아니라, 객체 사전으로부터 생성한 규칙 정보에 의한 도메인 분석을 함께 수행하기 때문에, 소셜 데이터에 포함된 키워드들에 대한 정확한 의미를 판단할 수 있다. 또한 신조어나 기존에 도메인을 가지고 있던 키워드에 대하여 새로운 도메인에서의 사용이 생길 경우에도 이를 정확하게 반영하여 의미를 판단할 수 있다.

이하에서는 종래에 따른 소셜 데이터 분석 시스템(1)의 주요 부분에 대한 세부적인 구성을 살펴보도록 한다.

도 2는 종래의 일 실시 예에 따른 소셜 데이터 분석 시스템의 객체 사전 데이터 분석기의 구성을 설명하기 위한 개략도이다.

도 2를 참조하면, 객체 사전 데이터 분석기(100)는 객체 사전 데이터 수집기(110), 객체 사전 메타 데이터 추출기(120) 및 규칙 정보 생성 모듈(130)을 포함한다. 객체 사전 데이터 수집기(110)는 네트워크(11)를 통해서 소셜 네트워크(21) 상의 소셜 데이터와 정보 콘텐츠(31)를 수집한다.

객체 사전 데이터 수집기(110)는 네트워크(11)를 통해서 인터넷 상의 데이터를 수집하는 로봇 엔진을 포함할 수 있다. 또는 객체 사전 데이터 수집기(110)는 오프라인을 통하여 데이터를 제공받을 수 있는 입력 장치를 포함할 수 있다.

객체 사전 메타 데이터 추출기(120)는 수집된 소셜 네트워크(21) 상의 소셜 데이터와 정보 콘텐츠(31)를 정형화된 메타 데이터로 추출할 수 있다. 객체 사전 메타 데이터 추출기(120)는 수집된 소셜 네트워크(21) 상의 소셜데이터와 정보 콘텐츠(31)에 대한 자연어 처리를 하기 위한 자연어 처리 모듈 및/또는 정형화된 메타 데이터를 추출할 수 있는 모든 데이터 마이닝 기법을 구현할 수 있는 모듈을 포함할 수 있다.

객체 사전 데이터 분석기(100)는 객체 사전 메타 데이터 추출기(120)에서 추출된 메타 데이터를 저장하기 위한 객체 사전 메타 데이터 저장소(140)를 더 포함할 수 있다. 객체 사전 메타 데이터 저장소(140)는 NoSQL, 관계형 데이터베이스, 파일시스템 등 어떠한 형태로든 데이터를 저장할 수 있는 공간일 수 있다. 객체 사전 메타 데이터 저장소(140)는 물리적으로 구분되는 저장공간이거나, 논리적으로 구분되는 저장공간일 수 있다.

규칙 정보 생성 모듈(130)은 객체 사전 메타 데이터 저장소(140)에 저장된 메타 데이터들로부터 규칙 정보를 생성할 수 있다. 규칙 정보에는 확률 및 가중치와 같은 정보가 함께 포함될 수 있다. 규칙 정보는 예를 들면, "7급 공무원"이라는 키워드에 대하여, 함께 나오는 정보에 따라서, "7급 공무원"이라는 키워드가 국가/지자체 공무원을 의미하는지, 드라마를 의미하는지를 판단할 수 있는 정보를 포함할 수 있다. 예를 들면, 규칙 정보는 "7급 공무원"과 "MBC"가 함께 있는 경우에는 방송 프로그램인 드라마를 의미할 확률이 높고, 국가/지자체 공무원을 의미할 확률은 낮도록 설정될 수 있고, "노량진"이 함께 있는 경우에는 드라마를 의미할 확률이 낮고, 국가/지자체 공무원을 의미할 확률은 낮도록 설정될 수 있다. 따라서 특정 키워드에 대한 규칙 정보에는 여러 가지정보에 대한 확률과 가중치를 함께 포함할 수 있다.

규칙 정보는 예를 들면, 단어 벡터로 이루어질 수 있다. 단어 벡터는 키워드 및 각 키워드의 가중치를 포함하고 있다. 가중치는 각 키워드의 단어빈도(TF, Term Frequency) 및 각 키워드가 저장된 메타 데이터에서 나타나는 빈도의 역인 역문서빈도(IDF, Inverse Document Frequency) 등을 이용하여 구할 수 있다.

단어빈도는 저장된 메타 데이터에 특정 키워드의 출현횟수로써 특정 키워드가 저장된 메타 데이터의 내용을 얼마나 대표하는가에 대한 척도이다. 또한 역문서빈도는 저장된 메타 데이터 집합에서 특정 키워드가 출연하는 저장된 메타 데이터 수의 비율의 역으로, 적은 저장된 메타 데이터에서 나타나는 키워드는 그 키워드가 나타나는 저장된 메타 데이터를 다른 저장된 메타 데이터들과 구별할 수 있는 능력이 크게 된다.

규칙 정보 생성 모듈(130)에서 생성된 규칙 정보는 객체 사전/도메인 분석 정보 저장소(300)에 저장될 수 있다.

도 3은 종래의 일 실시 예에 따른 소셜 데이터 분석 시스템의 도메인 학습기의 구성을 설명하기 위한 개략도이다.

도 3을 참조하면, 도메인 학습기(200)는 학습 데이터 추천 모듈(210), 학습 데이터 저장소(220) 및 데이터 학습모듈(230)을 포함한다.

학습 데이터 추천 모듈(210)은 네트워크(10)를 통하여 수집되거나 제공된 정보 콘텐츠(31)에 대하여 학습 데이터를 추천할 수 있다. 추천되는 학습 데이터는 정보 콘텐츠(30)에 대한 도메인을 분석 및 분류하기 위하여 기작성된 정보일 수 있다. 학습 데이터는 예를 들면, 영화라는 도메인에 대하여 제공되는 학습 데이터에는 영화라는 주제에 대한 분류를 나타내는 키워드들이 포함될 수 있다. 예를 들면, 영화라는 도메인에 대하여 제공되는 학습 데이터에는 배우, 제작진, 리뷰, 평점, 명대사 등이 포함될 수 있다.

학습 데이터 추천 모듈(210)은 학습데이터 저장소(220)에 저장된 학습 데이터를 수집되거나 제공된 정보 콘텐츠(30)에 추천할 수 있다.

예를 들면, 수집되거나 제공된 정보 콘텐츠(30)가 영화에 관한 정보인 경우, 학습 데이터 추천 모듈(210)은 학습 데이터 저장소(220)에 저장된 영화에 대한 학습 데이터를 추천할 수 있다.

학습 데이터 저장소(220)는 NoSQL, 관계형 데이터베이스, 파일시스템 등 어떠한 형태로든 데이터를 저장할 수 있는 공간일 수 있다. 학습 데이터 저장소(220)는 물리적으로 구분되는 저장공간이거나, 논리적으로 구분되는 저장공간일 수 있다.

도메인 학습기(200)는 정보 콘텐츠(30)를 수집하여 학습 데이터 추천 모듈(210)에 제공하기 위한 정보 콘텐츠 수집기(미도시)를 더 포함할 수 있다. 상기 정보 콘텐츠 수집기는 네트워크(10)를 통해서 정보 콘텐츠(30)를 수집할 수 있다.

상기 정보 콘텐츠 수집기는 네트워크(10)를 통해서 인터넷 상의 데이터를 수집하는 로봇 엔진을 포함할 수 있다. 또는 상기 정보 콘텐츠 수집기는 오프라인을 통하여 데이터를 제공받을 수 있는 입력 장치를 포함할 수 있다.

또는 도메인 학습기(200)는 상기 정보 콘텐츠 수집기를 별도로 포함하지 않을 수 있다. 이 경우에, 학습 데이터 추천 모듈(210)은 도 2에 보인 객체 사전 데이터 수집기(110)가 수집하거나 제공받은 정보 콘텐츠(31)를 제공받을 수 있다.

정보 콘텐츠(31)가 메타 데이터로 이루어진 경우, 별도의 메타 데이터 추출기를 필요로 하지는 않지만, 정보 콘텐츠(31)가 메타 데이터로 이루어지지 않는 경우에는, 도메인 학습기(200)는 도 2에 보인 객체 사전 메타 데이터 추출기(120)와 유사한 정보 콘텐츠 메타 데이터 추출기(미도시)를 더 포함할 수 있다.

데이터 학습 모듈(230)은 수집하거나 제공받은 정보 콘텐츠(30)와 추천된 학습 데이터를 함께 분석하여, 기 작성된 학습 데이터에 대하여 학습을 수행하여 필요에 따라 기 작성된 학습 데이터에 대하여 업데이트를 하거나, 새로운 학습 데이터를 생성할 수 있다. 즉, 수집하거나 제공받은 정보 콘텐츠(31)에 기 작성된 학습 데이터에는 없는 도메인의 주제에 관한 분류가 있는 경우, 기 작성된 학습 데이터에 새로운 분류를 추가하여, 학습 데이터를 업데이트할 수 있다. 또는 수집하거나 제공받은 정보 콘텐츠(30)가 기 작성된 학습 데이터에 없거나 잘 맞지 않는 새로운 주제에 관한 분류를 가지고 있는 경우, 새로운 학습 데이터를 생성할 수 있다.

데이터 학습 모듈(230)에서 업데이트하거나 생성된 학습 데이터는 다시 학습 데이터 저장소(220)에 저장될 수 있다. 이후, 학습 데이터 저장소(220)에 저장된 학습 데이터는 객체 사전/도메인 분석 정보 저장소(300)에 제공되어, 도메인 분석에 사용될 수 있다.

도 4는 종래의 일 실시 예에 따른 소셜 데이터 분석 시스템의 소셜 데이터 분석기의 구성을 나타내는 개략도이다.

도 4를 참조하면, 소셜 데이터 분석기(400)는 소셜 데이터 수집기(410) 및 소셜 데이터 정제기(420)를 포함한다.

소셜 데이터 수집기(410)는 네트워크(11)를 통하여 소셜 네트워크(21) 상의 소셜 데이터를 수집한다.

도 4에는 소셜 데이터 분석기(400)가 별도의 소셜 데이터 수집기(410)를 구비하는 것으로 도시되었으나, 소셜데이터 수집기(410)의 기능을 도 2에 보인 객체 사전 데이터 수집기(110)가 함께 수행할 수도 있다.

도 1 내지 도 4를 함께 참조하면, 객체 사전 데이터 분석기(100), 도메인 학습기(200), 소셜 데이터 분석기(400)는 각각 별도의 수집기를 포함할 수 있다. 예를 들면, 객체 사전 데이터 분석기(100)가 포함하는 수집기(예를 들면, 도 2에 보인 객체 사전 데이터 수집기(110))는 소셜 네트워크(20) 상의 소셜 데이터와 정보 콘텐츠(31)를 수집할 수 있다. 도메인 학습기(200)가 포함하는 수집기(미도시)는 정보 콘텐츠(31)를 수집할 수 있다.

소셜 데이터 분석기(400)가 포함하는 수집기(예를 들면, 도 4에 보인 수집기(410))는 소셜 네트워크(21) 상의 소셜 데이터를 수집할 수 있다. 또는 1가지 종류의 수집기가 소셜 네트워크(21) 상의 소셜 데이터와 정보 콘텐츠(31)를 모두 수집하여, 객체 사전 데이터 분석기(100)와 소셜 데이터 분석기(400)에는 소셜 네트워크(21) 상의 소셜 데이터를 제공하고, 객체사전 데이터 분석기(100)와 도메인 학습기(200)에는 정보 콘텐츠(31)를 제공할 수 있다. 또는 소셜 네트워크(21) 상의 소셜 데이터를 수집하는 수집기와 정보 콘텐츠(31)를 수집하는 수집기가 각각 별도로 존재하여, 소셜 네트워크(21) 상의 소셜 데이터를 수집하는 수집기가 객체 사전 데이터 분석기(100)와 소셜 데이터 분석기(400)에 소셜 네트워크(21) 상의 소셜 데이터를 제공하고, 정보 콘텐츠(31)를 수집하는 수집기가 객체 사전 데이터 분석기(100)와 도메인 학습기(200)에 정보 콘텐츠(31)를 제공할 수도 있다.

소셜 데이터 정제기(420)는 수집된 소셜 네트워크(21) 상의 소셜 데이터에 대하여 자연어 처리 및 데이터 마이닝 기법을 하여, 상대적으로 정제되지 않은 소셜 데이터를 정제할 수 있다. 소셜 데이터 정제기(420)는 자연어처리를 하기 위한 자연어 처리 모듈 및/또는 정형화된 메타 데이터를 추출할 수 있는 모든 데이터 마이닝 기법을 구현할 수 있는 모듈을 포함할 수 있다. 소셜 데이터 정제기(420)는 수집된 소셜 네트워크(21) 상의 소셜 데이터를 메타 데이터 수준으로 정제하여 추출할 수도 있으나, 수집된 소셜 네트워크(21) 상의 소셜 데이터가 포함하는 단어들을 단순히 정제할 수도 있다. 예를 들면, 소셜 데이터 정제기(420)는 수집된 소셜 네트워크(21)상의 소셜 데이터가 포함하는 단어들이 구어체이거나 비표준어인 경우 문어체나 표준어로 정제하거나, 사전에 기재되는 수준의 기본형으로 정제할 수 있다. 수집된 소셜 네트워크(20) 상의 소셜 데이터는 소셜 데이터 정제기(420)에서 정제된 후, 소셜 데이터 도메인 분석기(500)에 전달될 수 있다.

상기와 같은 종래의 기술에 대한 자세한 추가 사항은 한국 출원번호 10-2014-0016806를 참고할 수 있다.

한편, 상기와 같은 종래에는 필요할 때마다 키워드를 입력하여 네트웍 상에서 공개된 콘텐츠를 검색하여 단순하게 이용하였다.

본 발명에서는 MOOC 콘텐츠를 개별 사용자들이 관점에 따라 가공하여 자신과 유사한 취향의 사용자들을 만족시킬 수 있는 환경을 지원하고 이를 소셜 플랫폼상에서 검증할 수 있는 소셜 큐레이터를 구현한다. 제안 시스템은 온톨로지를 기반으로 MOOC 콘텐츠를 관심 분야별/과목별로 자동 수집하여 분류한 뒤 관점별로 큐레이션 할 수 있는 환경을 제공한다. 큐레이션 콘텐츠는 그룹형 소셜 네트워크상에서 평가 후 관심 그룹 및 그룹원에게 개별 사용자 명의 단위로 공개, 유통 그리고 검색할 수 있다. 본 발명에서 제안하는 소셜 큐레이터는 KHUB-edu3.0이 지원하는 소셜 플랫폼상에서 개발되었으나 이에 한정되지 않는다.

본 발명은 MOOC(온라인 강좌) 또는 유튜브 등에서 공개된 콘텐츠를 이용하여 소셜 플랫폼내에서 그룹별 (과제별/주제별 등)로 전문 Portal (VOTRAL,vertical portal 이라 함)을 생성하는 것을 목적으로 한다.

또한 본 발명은 상기 보탈 (VORTAL)를 생성하기 위해 보탈의 해당과제/주제에 대한 키워드 입력에 따른 Metadata 검색에 의거 상기 Source 콘텐츠별(동영상, 슬라이드, 전문자료, 온라인 강좌 등)로 분류되고, 상기 콘텐츠별로 구성되는 해당 자료들이 리스트되어 출력되는 1차 VORTAL (vertical portal)이 자동 생성되는 것을 목적으로 한다.

또한 본 발명은 상기 1차 생성된 VORTAL의 상기 각 Source 콘텐츠별로 리스트된 자료들 중에서, 상기 그룹 생성자가 자료의 중요도, 수준별, 유형별 또는 관점을 포함하는 선정기준에 의거 상기 콘텐츠별 및 해당 자료 중에서 적어도 하나에 대해 Pin(추천) 과정을 수행하는 것을 목적으로 한다.

또한 본 발명은 상기 Pin된 자료 리스트에 대해, 상기 단말기 사용자(커뮤니티)의 추천, 좋아요, 동의를 포함하는 검증과정이 그룹 생성자와 사용자 (커뮤니티)간에 수행되는 것을 목적으로 한다.

또한 본 발명은 상기 검증 과정을 통해, 콘텐츠별 위치, 콘텐츠 내의 자료 리스트들이 조정/분류되어 출력되는 2차 VOTRAL (추천 전문 포털)이 생성되는 것을 목적으로 한다.

또한 본 발명은 상기 검증과정을 통해 생성된 2차 VORTAL에 대해 상기 그룹 생성자에 의거 현재 수준별 또는 관심을 포함하는 선정기준에 의거 새로운 Pin과정이 수행되는 것을 목적으로 한다.

또한 본 발명은 상기 새로운 PIN과정이후 검증과정을 통해 갱신된 3차 VORTAL이 생성되는 것을 목적으로 한다.

본 발명에서는 MOOC 콘텐츠를 개별 사용자들이 관점에 따라 가공하여 자신과 유사한 취향의 사용자들을 만족시킬 수 있는 환경을 지원하고 이를 소셜 플랫폼상에서 검증할 수 있는 소셜 큐레이터를 구현한다. 제안 시스템은 온톨로지를 기반으로 MOOC 콘텐츠를 관심 분야별/과목별로 자동 수집하여 분류한 뒤 관점별로 큐레이션 할 수 있는 환경을 제공한다. 큐레이션 콘텐츠는 그룹형 소셜 네트워크상에서 평가 후 관심 그룹 및 그룹원에게 개별 사용자 명의 단위로 공개, 유통 그리고 검색할 수 있다.

본 발명의 실시 예에 따른 네트웍상의 데이터를 이용한 보탈 자동 생성 장치는, SNS를 수행하는 단말기 (10) 및 네트워크를 통해 접속되는 복수의 단말기(10)에 대하여 소셜 네트워크 서비스(Social Network Service, SNS)를 제공하는 SNS 서버(20);를 포함하고

상기 단말기의 사용자 명령 입력부를 통해 VORTAL (Vertical Portal)를 생성하고자 하는 그룹 생성자가 Source 콘텐츠 카테고리 및 관련 사이트 중에서 적어도 하나를 선택하고, 상기 사용자 명령 입력부를 통해 생성할 VORTAL의 해당과제 또는 주제에 대한 키워드를 입력하고,

상기 서버에는 상기 입력된 키워드에 따른 Metadata 검색에 의거 상기 Source 콘텐츠별로 수집되어 분류되고, 상기 콘텐츠별 카테고리로 구성되는 해당 자료들이 리스트되어 출력되는 1차 VORTAL이 생성되고,

상기 1차 생성된 VORTAL의 상기 각 Source 콘텐츠별로 리스트된 자료들 중에서, 상기 그룹 생성자가 자료의 중요도, 수준별, 유형별 또는 관점을 포함하는 선정기준에 의거 상기 콘텐츠별 및 해당 자료 리스트 중에서 적어도 하나에 대해 Pin(추천) 과정을 수행하고,

상기 그룹 생성자에 의해 Pin된 자료 리스트에 대해, 상기 단말기 사용자(커뮤니티)의 추천, 좋아요, 동의를 포함하는 검증과정이 그룹 생성자와 사용자 (커뮤니티)간에 수행되고,

상기 검증 과정을 통해, 콘텐츠별 위치, 콘텐츠 내의 자료 리스트들이 조정/분류되어 출력되는 2차 VOTRAL이 자동 생성되는 전문정보 검색 및 수집 플랫폼;을 포함한다.

본 발명의 실시 예에 따른 네트웍상의 데이터를 이용한 보탈 자동 생성 방법은, 네트웍상의 데이터를 이용하여 보탈(Vortal) 생성을 위해, 키워드를 입력하는 사용자 명령 입력부를 포함하는 단말기 또는 서버를 포함하는 장치에서의 동작방법은,

상기 Vortal를 생성하고자 하는 그룹 생성자가 사용자 명령 입력부를 통해 VORTAL생성을 위한 Source 콘텐츠 카테고리 및 관련 사이트 중에서 적어도 하나를 선택하는 단계;

상기 Vortal을 생성 하고자 하는 그룹생성자가 해당과제 또는 주제의 키워드를 사용자 명령 입력부를 통해 입력하는 단계;

상기 키워드에 따른 Metadata 검색에 의거 상기 Source 콘텐츠별로 검색되어 분류되고, 상기 콘텐츠별로 구성되는 해당 자료들이 리스트되어 출력되는 1차 VORTAL이 생성되는 단계;

상기 1차 생성된 VORTAL의 상기 각 Source 콘텐츠별로 리스트된 자료들 중에서, 상기 그룹 생성자가 자료의 중요도, 수준별, 유형별 또는 관점을 포함하는 선정기준에 의거 상기 콘텐츠별 및 해당 자료 중에서 적어도 하나에 대해 Pin(추천) 과정을 수행하고,

상기 그룹 생성자에 의해 Pin된 자료 리스트에 대해, 상기 단말기 사용자(커뮤니티)의 추천, 좋아요, 동의를 포함하는 검증과정이 그룹 생성자와 사용자 (커뮤니티)간에 수행되는 단계; 및

상기 검증 과정을 통해, 콘텐츠별 위치, 콘텐츠 내의 자료 리스트들이 조정/분류되어 출력되는 2차 VOTRAL이 생성되는 단계;를 포함한다.

본 발명은 MOOC(Massive Open Online Course)로 대변되는 대학 교육의 환경 변화에 맞춰 국내외 대학의 개방공유된 교육 콘텐츠를 온톨로지 기반의 큐레이션을 통해 사용자 맞춤형으로 가공할 수 있다.

본 발명에 의한 시스템은 MOOC 교육 콘텐츠의 자동 수집, 분류 및 큐레이션 환경을 제공하고, 이를 분야별, 수준별 그리고 취향별로 소셜 플랫폼상에서 유통시킬 수 있는 기능을 구현할 수 있다.

또한 본 발명의 시스템의 이러한 기능이 MOOC의 온라인 교육 활용을 극대화함으로써 궁극적으로 플립드러닝을 효율적으로 실현할 수 있다.

본 발명은 MOOC(온라인 강좌) 또는 유튜브 등에서 공개된 콘텐츠를 이용하여 소셜 플랫폼내에서 그룹별 (과제별/주제별 등)로 전문 Portal (VOTRAL,vertical portal 이라 함)을 자동 생성할 수 있다.

본 발명에 의하면 MOOC 등과 같은 무료 교육 콘텐츠를 학생들의 개별 전문 과목(과제/주제등)에 맞추어 수집 분류하고 이를 수업 진행별 진도에 맞추고, 대학별 학생들의 수준에 맞추어 큐레이션하는 방식으로 적극 활용하여, 대학의 경쟁력을 높일 수 있다.

본 발명에 의하면, 상기 해당과제 또는 주제에 대한 입력된 키워드에 따른 Metadata 검색에 의거 상기 Source 콘텐츠별(동영상, 슬라이드, 전문자료, 온라인 강좌)로 수집되어 분류되고, 상기 콘텐츠별로 구성되는 해당 자료들이 리스트되어 출력되는 1차 VORTAL (vertical portal)이 생성되고,상기 1차 생성된 VORTAL의 상기 각 Source 콘텐츠별로 리스트된 자료들 중에서, 상기 그룹 생성자가 자료의 중요도, 수준별, 유형별 또는 관점을 포함하는 선정기준에 의거 상기 콘텐츠별 및 해당 자료 리스트 중에서 적어도 하나에 대해 Pin(추천) 과정을 수행하고, 상기 그룹 생성자에 의해 Pin된 자료 리스트에 대해, 상기 단말기 사용자(커뮤니티)의 추천, 좋아요, 동의를 포함하는 검증과정이 그룹 생성자와 사용자 (커뮤니티)간에 수행되어 전문 Portal(2차)를 생성할 수 있다.

또한 본 발명에 의하면, 상기 생성된 전문 Portal에 대해, 진행상태의 변화를 반영할 수 있도록 현재 수준별 또는 관심을 포함하는 선정기준에 의거 새로운 Pin과정이 수행되고, 상기 새롭게 Pin된 자료리스트에 대해 검증과정이 수행되어 갱신되어진 최적의 3차 VORTAL이 자동 생성될 수 있다.

도 1은 종래의 일 실시 예에 따른 소셜 데이터 분석 시스템의 구성을 설명하기 위한 개략도.
도 2는 종래의 일 실시 예에 따른 소셜 데이터 분석 시스템의 객체 사전 데이터 분석기의 구성을 설명하기 위한 개략도.
도 3은 종래의 일 실시 예에 따른 소셜 데이터 분석 시스템의 도메인 학습기의 구성을 설명하기 위한 개략도.
도 4는 종래의 일 실시 예에 따른 소셜 데이터 분석 시스템의 소셜 데이터 분석기의 구성을 나타내는 개략도.
도 5는 본 발명의 실시 예에 따른 네트웍상의 데이터를 이용한 보탈 자동 생성 장치의 구성을 설명하기 위한 블럭도
도 6은 발명의 실시 예에 따른 네트웍상의 데이터를 이용한 보탈 자동 생성 장치의 구성을 설명하기 위한 개략도
도 7은 VORTAL를 생성하고자 하는 그룹 생성자가 사용자 명령 입력부를 통해 VORTAL생성을 위한 Source 콘텐츠 카테고리(동영상, 슬라이드, 전문자료, 온라인 강좌) 및 관련 사이트 중에서 적어도 하나를 선택하는 것을 보여주는 도면
도 8a/8b는 VORTAL을 생성 하고자 하는 그룹생성자가 해당과제 또는 주제의 키워드를 사용자 명령 입력부를 통해 입력하는 것을 보여주는 도면
도 9는 상기 키워드에 따른 Metadata 검색에 의거 상기 Source 콘텐츠별(동영상, 슬라이드, 전문자료, 온라인 강좌)로 검색되어 분류되고, 상기 콘텐츠별로 구성되는 해당 자료들이 리스트되어 출력되는 1차 VORTAL (vertical portal)이 생성되는 것을 보여주는 도면
도 10a/10b는 상기 1차 생성된 VORTAL의 상기 각 Source 콘텐츠별로 리스트된 자료들 중에서, 상기 그룹 생성자가 자료의 중요도, 수준별, 유형별 또는 관점을 포함하는 선정기준에 의거 상기 콘텐츠별 및 해당 자료 중에서 적어도 하나에 대해 Pin(추천) 과정이 수행되는 것을 보여주는 도면
도 11은 상기 그룹 생성자에 의해 Pin된 자료 리스트에 대해, 상기 단말기 사용자(커뮤니티)의 추천, 좋아요, 동의를 포함하는 검증과정이 그룹 생성자와 사용자 (커뮤니티)간에 수행되는 것을 보여주는 도면
도 12a/12b는 상기 검증 과정을 통해, 콘텐츠별 위치, 콘텐츠 내의 자료 리스트들이 조정/분류되어 2차 VOTRAL (추천 전문 포털)이 생성되어 출력되는 것을 보여주는 도면
도 13은 상기 검증과정을 통해 생성된 VORTAL에 대해 동일그룹에 속하는 사용자(커뮤니티)들에 의해 추천/공유되어 사용되는 것을 보여주는 도면
도 14a/14b는 상기 검증과정을 통해 생성된 VORTAL에 대해 상기 그룹 생성자에 의거 현재 수준별 또는 관심을 포함하는 선정기준에 의거 새로운 Pin과정이 수행되어 출력되는 것을 보여주는 도면.
도 15는 본 발명의 실시 예에 따른 네트웍상의 데이터를 이용한 보탈 자동 생성 방법을 보여주는 흐름도.
도 16은 종래에서 소셜 큐레이션 서비스가 구현됨을 보여주는 도면
도 17은 전문 온라인 콘텐츠 큐레이션 기능을 제공하는 scoop.it 의 하나의 도면
도 18은 상기 도 17에 대해 편집 툴을 활용해 편집해 매거진 형태로 퍼블리싱 할 수 있도록 하는 것을 보여주는 도면
도 19는 표 1의 분석구조를 기반으로 이루어지는 사이트별 온톨로지 기반 메타 검색은 관심커뮤니티 그룹의 사용자, 온톨로지, MOOC 사이트별 콘텐츠, 콘텐츠 메타분석으로 구성되며, 메타 검색이 수행되는 것을 보여주는 도면
도 20은 메타검색을 통해 키워드별로 수집된 교육 콘텐츠를 콘텐츠를 분류하고 가공하여 큐레이션 콘텐츠를 생성하는 과정을 보여주는 도면
도 21은 사용자별로 공개된 큐레이션 콘텐츠를 검색하고 검색된 콘텐츠를 자신의 콘텐츠로 저장하고 다른 사용자에게 지식포털 형식으로 공개하는 기능을 보여주는 도면
도 22는 데이터 중복과 널 링크 문제를 동시에 해결하기 위해 콘텐츠 저장 스키마 구조를 이용하는 것을 보여주는 도면
도 23은 교육 분야 온톨로지를 구축한 화면의 예
도 24는 웹 크롤링과 키워드 필터링에 의한 DB 자동 축적 및 추천 기능을 보여주는 도면
도 25는 MOOC 교육 콘텐츠 수집 사이트 관리를 보여주는 도면
도 26는 큐레이션 콘텐츠 편집 환경을 보여주는 도면
도 27은 큐레이션 콘텐츠 검색시 온톨로지를 활용하여 큐레이션 콘텐츠를 검색한 결과로, 사용자명 단위 콘텐츠, 키워드별 콘텐츠, 사용자별 콘텐츠가 제공되는 것을 보여주는 도면

이하, 본 발명의 일부 실시 예들을 예시적인 도면을 통해 상세하게 설명한다. 각 도면의 구성요소들에 참조부호를 부가함에 있어서, 동일한 구성요소들에 대해서는 비록 다른 도면상에 표시되더라도 가능한 한 동일한 부호를 가지도록 하고 있음에 유의해야 한다. 또한, 본 발명의 실시 예를 설명함에 있어, 관련된 공지 구성 또는 기능에 대한 구체적인 설명이 본 발명의 실시 예에 대한 이해를 방해한다고 판단되는 경우에는 그 상세한 설명은 생략한다.

또한 어떤 구성 요소가 다른 구성요소에 "연결", "결합" 또는 "접속"된다고 기재된 경우, 그 구성 요소는 그 다른 구성요소에 직접적으로 연결되거나 접속될 수 있지만, 각 구성 요소 사이에 또 다른 구성 요소가 "연결", "결합" 또는 "접속"될 수도 있다고 이해되어야 할 것이다.

본 발명을 설명하는 데 있어서, 각 구성의 동작에 대해 구체적으로 기술하지 않은 경우는 사용자 명령 입력부의 동작, 제어부의 제어, 메모리부에 저장 등의 동작이 기본적으로 수반되는 것이라 해석하고 또한 그 분야의 종사자에게는 당연히 알 수 있는 사항이라 생략하였다.

또한 본 발명에서 사용되는 용어는 하나의 예이기에 그 용어 자체로만 해석되기보다는, 그 분야 종사자들에 의해 이해될 수 있는 의미로 해석되어야 한다.

콘텐츠(contents)란, 사용자가 네트워크를 통해서 접근할 수 있는 각종 정보나 그 내용물을 말한다.

정보 콘텐츠란, 구조화되어 있거나, 구조화될 수 있는 정보를 담고 있는 콘텐츠를 의미한다.

메타데이터(Metadata)란, 구조화된 정보로, 대량의 정보 가운데에서 찾고 있는 정보를 효율적으로 찾아내서 이용하기 위해 일정한 규칙에 따라 부여된 데이터이다.

소셜 네트워크는, 페이스북, 트위터와 같은 소셜네트워크 서비스뿐만 아니라, 앱 스토어 등의 평가(댓글), 블로그, 인터넷 카페(커뮤니티) 등, 네트워크 상의 사용자들이 서로 연결되거나 정보를 교류할 수 있는 공간을 모두 포괄할 수 있다.

소셜 데이터는 예를 들면, 소셜 네트워크에 작성하거나 등록한 정보, 예를 들면 메시지, 댓글, 게시물 등으로 표현되는 글, 링크, 사진/그림, 음악, 동영상 등이 모두 포함될 수 있다. 예를 들면, 소셜 데이터는 블로그의 경우, 블로그명(작성자), 작성시간, 제목, 내용, 첨부파일, 조회수, 댓글, 답글, 스크랩, 트랙백, 공유등, 트위터의 경우, 작성자, 작성시간, 메시지, 해쉬태그, reply, retweet, favorite 등, 페이스북의 경우 작성자, 작성시간, 메시지, 답글, 링크, 사진, 동영상 등, 싸이월드의 경우, 제목, 내용, 작성자, 태그, 댓글 등이 포함될 수 있다.

객체란, 데이터(실체)와 그 데이터에 관련되는 동작(절차, 방법, 기능)을 모두 포함한 개념으로, 소셜 데이터 또는 정보 콘텐츠에 들어 있는 정보를 의미한다.

객체 사전은, 객체를 분석하여 메타 데이터로 구조화한 것을 의미하며, 일부 객체 사전이라는 표현은 객체 사전을 생성하기 위한 객체, 즉 "객체 사전용"의 의미로 사용될 수도 있다.

도메인이란, 사전에 정의된 데이터의 주제에 관한 분류로 예를 들면, IT, 문화/예술, 경제, 건강/의학, 엔터테인먼트 등으로 나뉠 수 있으며 각 도메인에서 하위 도메인으로 다시 나뉘는 계층적(hierarchy) 구조를 지닌다.

VORTAL (Vertical Portal)은 Vertical Site 또는 Vortal(보탈) Site는 전문적인 분야에서의 Portal Site를 의미한다.

이하, 첨부된 도면들을 참조하면 본 발명의 실시 예를 구체적으로 설명한다.

먼저, 본 발명에 대해 개괄적으로 설명한다. 또한 본 발명은 각 분야 (교육, 문화, 의료 등)에서의 보탈 생성에 적용가능 하나, 하나의 예로 써 대학에서의 사용을 설명한다.

하나의 예로 써 공개된 자료인 MOOC(Massive Open Online Content)란 전 세계 대학에서 온라인 상에서 무료 개방하는 분산된 고급 교육 콘텐츠이며, 본 발명의 소셜 큐레이터 기술은 상기 콘텐츠를 개별 사용자들이 관점에 따라 가공하여 자신과 유사한 취향의 사용자들을 만족시킬 수 있는 환경을 지원하는 차세대 지식 서비스 플랫폼 기술이다. 즉 MOOC 등을 대학 전문 관심 분야별/과목별로 자동 수집 분류하고 제공해주는 기술적 사상이다.

자동 수집된 콘텐츠를 개별 사용자들이 관점별로 분류/정리/가공/편집(큐레이션)하여 자신과 유사한 취향의 사용자들을 만족시킬 수 있는 큐레이션 콘텐츠를 생성하고 이를 소셜 네트워크상에서 평가(검증) 후 관심 커뮤니티에게 유통시킬 수 있는 환경을 지원하기 위한 발명이다.

참고로 MOOC 및 공개된 큐레이션 콘텐츠를 온톨로지 기반으로 검색할 수 있다.

방대한 MOOC 기반 큐레이션 콘텐츠를 개인자별 관심 커뮤니티별 맞춤식으로 제공하고 온톨로지 기반으로 다각도 관점으로 검색해 주는 본 발명은 MOOC의 활용도를 극대화함으로써 대학 온라인 교육 시장에서 큰 반향을 일으킬 수 있는 새로운 방식의 지식 서비스이다. 본 발명의 기술적 사상을 온라인 상에서의 사이버 대학 교육, 직장인들을 위한 무료 교육, 초중고 학생들을 위한 교육, 일반 학원에서의 교육등에 전방위적으로 활용 가능하다.

또한 본 발명에 의해 MOOC 콘텐츠를 기반으로 전국의 대학, 사이버 대학, 평생 직장 교육 등에서 지식 서비스의 질을 획기적으로 높일 수 있는 관련 제품의 개발이 가능해 지고 향후 전국 대학 교수 개인들을 대상으로 한 클라우드 서비스를 통해 상당한 수익을 창출할 수 있다.

발명의 실시 예로써, MOOC 콘텐츠를 교육 전문 분야별, 관심 분야별로 자동 수집 분류하고 이를 과목별로 제공해 줄 수 있다. 자동 수집된 콘텐츠를 개별 관점에 따라 사용자들이 편리하게 분류, 정리 및 가공하여 이를 대학 교육 전용 소셜 플랫폼상에서 관심 그룹별로 또는 개인 명의로 공개할 수 있다.

상기 핀(PIN) 과정 및 검증과정을 포함하는 소셜 큐레이터 과정을 통해 수집된 MOOC 콘텐츠를 대학 교육 전용 소셜 플랫폼 상의 사용자가 용도별, 콘텐츠 유형별, 콘텐츠 수준별, 교육의 유형별 등 개별 관점에 따라 편리하게 분류, 정리, 가공 및 편집할 수 있는 환경을 제공하고 이렇게 제작된 큐레이션 콘텐츠들을 조합해 새로운 큐레이션 콘텐츠도 제작 가능하다.

따라서 각 대학이 이러한 방대한 무료 교육 콘텐츠를 학생들의 개별 전문 과목에 맞추어 수집 분류하고 이를 수업 진행/학생들 수준에 맞추어 큐레이션하는 방식으로 적극 활용하여 대학 경쟁력을 확보할 수 있다.

도 5는 본 발명의 실시 예에 따른 네트웍상의 데이터를 이용한 보탈 자동 생성 장치의 구성을 설명하기 위한 블럭도이고, 도 6은 발명의 실시 예에 따른 네트웍상의 데이터를 이용한 보탈 자동 생성 장치의 구성을 설명하기 위한 개략도이다.

도면에 나타난 바와 같이, SNS를 수행하는 복수의 단말기 (10) 및 네트워크를 통해 접속되는 복수의 단말기(10)에게 소셜 데이터(30)를 이용하여 소셜 네트워크 서비스(Social Network Service, SNS)를 제공하는 SNS 서버(20);를 포함한다.

또한 상기 단말기의 사용자 명령 입력부를 통해 VORTAL (Vertical Portal)를 생성하고자 하는 그룹 생성자가 Source 콘텐츠 카테고리(동영상, 슬라이드, 전문자료, 또는 온라인 강좌) 및 관련 사이트 중에서 적어도 하나를 선택하고, 상기 사용자 명령 입력부를 통해 생성할 VORTAL의 해당과제 또는 주제에 대한 키워드를 입력하고,

상기 서버에는 상기 입력된 키워드에 따른 Metadata 검색에 의거 상기 Source 콘텐츠별(동영상, 슬라이드, 전문자료, 온라인 강좌)로 수집되어 분류되고, 상기 콘텐츠별로 구성되는 해당 자료들이 리스트되어 출력되는 1차 VORTAL (vertical portal)이 자동 생성되어 상기 단말기를 통해 열람할 수 있다.

도 7은 VORTAL를 생성하고자 하는 그룹 생성자가 사용자 명령 입력부를 통해 VORTAL생성을 위한 Source 콘텐츠 카테고리(동영상, 슬라이드, 전문자료, 온라인 강좌) 및 관련 사이트 중에서 적어도 하나를 선택하는 것을 보여주는 도면이다.

도 5, 6 및 7에 나타난 바와 같이, 공개된 데이터에서 보탈 생성을 위해 수집할 카테고리/카테고리내의 자료 리스트등을 사용자 명령 입력부를 통해 선택한다.

도 8a/8b는 VORTAL을 생성 하고자 하는 그룹생성자가 해당과제 또는 주제의 키워드를 사용자 명령 입력부를 통해 입력하는 것을 보여주는 도면이다.

도 9는 상기 키워드에 따른 Metadata 검색에 의거 상기 Source 콘텐츠별(동영상, 슬라이드, 전문자료, 온라인 강좌)로 검색되어 분류되고, 상기 콘텐츠별로 구성되는 해당 자료들이 리스트되어 출력되는 1차 VORTAL (vertical portal)이 생성되는 것을 보여주는 도면이다.

도면에 나타난 바와 같이, 하나의 예로써 동영상 카테고리에 대한 자료들이 리스트 된 것을 보여주고 있다.

도 10a/10b는 상기 1차 생성된 VORTAL의 상기 각 Source 콘텐츠별로 리스트된 자료들 중에서, 상기 그룹 생성자가 자료의 중요도, 수준별, 유형별 또는 관점을 포함하는 선정기준에 의거 상기 콘텐츠별 및 해당 자료 중에서 적어도 하나에 대해 Pin(추천) 과정이 수행되는 것을 보여주는 도면이다.

본 과정을 통해, 그룹 생성자가 의도하거나 바라는 카테고리/자료들이 출력되게 될 것이다.

도 11은 상기 그룹 생성자에 의해 Pin된 자료 리스트에 대해, 상기 단말기 사용자(커뮤니티)의 추천, 좋아요, 동의를 포함하는 검증과정이 그룹 생성자와 사용자 (커뮤니티)간에 수행되는 것을 보여주는 도면이다.

상기 과정을 통해, 그룹생성자의 일방적인 선택이 아닌 그룹 생성자와 사용자간의 협력관계를 통해 보털이 생성될 수 있다.

또한 상기 검증과정을 통해 콘텐츠별/해당자료 리스트별 Ranking이 부여되어 사용자의 선택 정보로 사용될 수 있다.

도 12a/12b는 상기 검증 과정을 통해, 콘텐츠별 위치, 콘텐츠 내의 자료 리스트들이 조정/분류되어 2차 VOTRAL (추천 전문 포털)이 생성되어 출력되는 것을 보여주는 도면이다.

자료 리스트는 PIN된 리스트 뿐만 아니라 다른 자료 리스트도 추가적으로 리스트 될 수 있다.

일반적으로 1차 VOTRAL (전문 포털)의 기본 콘텐츠는 유지되나 콘텐츠를 구성하는 자료 리스트의 분류 순서 등이 조정되는 것이나, 다른 예로써, 상기 PIN 과정 및 검증과정을 통해 상기 2차 VORTAL과 다른 새로운 VORTAL (3차 VORTAL)이 자동 생성될 수 있다. 즉 콘텐츠 자체와 그 콘텐츠를 구성하는 자료 리스트의 종류가 1차 VORTAL과 다르게 새로 생성될 수도 있다.

도면에 나타난 바와 같이, 검색된 콘텐츠와 pin된 컨텐츠가 구분되어 출력될 수 있다.

도 13은 상기 검증과정을 통해 생성된 VORTAL에 대해 동일그룹에 속하는 사용자(커뮤니티)들에 의해 추천/공유되어 사용되는 것을 보여주는 도면이다.

도 14a/14b는 상기 검증과정을 통해 생성된 VORTAL에 대해 상기 그룹 생성자에 의거 현재 수준별 또는 관심을 포함하는 선정기준에 의거 새로운 Pin과정/검증과정이 수행되어 카테고리별로 출력되는 것을 보여주는 도면이다.

도면에 나타난 바와 같이, 검색된 콘텐츠와 pin된 컨텐츠가 구분되어 출력될 수 있다.

도 15는 본 발명의 실시 예에 따른 네트웍상의 데이터를 이용한 보탈 자동 생성 방법을 보여주는 흐름도이다. (S 1501 - S 1523)

네트웍상의 데이터를 이용하여 보탈(Vertical Portal) 생성을 위해, 키워드를 입력하는 사용자 명령 입력부를 포함하는 단말기 또는 서버를 포함하는 장치에서의 보탈 생성을 위한 동작방법은 다음과 같다.

상기 VORTAL를 생성하고자 하는 그룹 생성자가 사용자 명령 입력부를 통해 VORTAL생성을 위한 Source 콘텐츠 카테고리(동영상, 슬라이드, 전문자료, 온라인 강좌) 및 관련 사이트 중에서 적어도 하나를 선택한다.

상기 VORTAL을 생성 하고자 하는 그룹생성자가 해당과제 또는 주제의 키워드를 사용자 명령 입력부를 통해 입력한다.

상기 키워드에 따른 Metadata 검색에 의거 상기 Source 콘텐츠별(동영상, 슬라이드, 전문자료, 온라인 강좌)로 검색되어 분류되고, 상기 콘텐츠별로 구성되는 해당 자료들이 리스트되어 출력되는 1차 VORTAL (vertical portal)이 생성된다.

상기 1차 생성된 VORTAL의 상기 각 Source 콘텐츠별로 리스트된 자료들 중에서, 상기 그룹 생성자가 자료의 중요도, 수준별, 유형별 또는 관점을 포함하는 선정기준에 의거 상기 콘텐츠별 및 해당 자료 중에서 적어도 하나에 대해 Pin(추천) 과정을 수행한다.

상기 그룹 생성자에 의해 Pin된 자료 리스트에 대해, 상기 단말기 사용자(커뮤니티)의 추천, 좋아요, 동의를 포함하는 검증과정이 그룹 생성자와 사용자 (커뮤니티)간에 수행된다.

상기 검증 과정을 통해, 콘텐츠별 위치, 콘텐츠 내의 자료 리스트들이 조정/분류되어 출력되는 2차 VOTRAL (추천 전문 포털)이 생성된다.

상기 검증과정을 통해 콘텐츠별 및 해당자료 리스트 중에서 적어도 하나에 대해 Ranking이 부여된다.

상기 출력되는 자료 리스트에는 PIN된 리스트 뿐만 아니라 다른 자료 리스트도 추가적으로 리스트 될 수 있다.

한편, 상기 Pin(추천) 과정 및 검증과정을 통해 콘텐츠 자체와 그 콘텐츠를 구성하는 자료 리스트의 종류가 1차 VORTAL과 다른 새로 생성된 3차 VOTRAL이 생성될 수도 있다.

상기 생성된 VORTAL에 대해 동일그룹에 속하는 사용자(커뮤니티)들에 의해 공유되어 사용된다.

또한 상기 검증과정을 통해 생성된 2차 또는 3차 VORTAL에 대해 상기 그룹 생성자에 의거 현재 수준별 또는 관심을 포함하는 선정기준에 의거 새로운 Pin과정이 수행된다.

이후 상기 새로운 PIN과정이후 검증과정을 통해 갱신된 4차 VORTAL이 생성되며, 상기 과정들이 반복된다.

상술한 바와 같이, 본 발명은 MOOC(온라인 강좌) 또는 유튜브 등에서 공개된 콘텐츠를 이용하여 소셜 플랫폼내에서 그룹별 (과제별/주제별 등)로 전문 Portal (VOTRAL,vertical portal 이라 함)을 생성하는 장치 및 방법에 관한 것으로서, 주로 학교 수업에 적용하기 위한 것이다.

이하, 소셜 플랫폼상에서 MOOC와 플립드러닝을 지원하는 온톨로지 기반 교육 콘텐츠 소셜 큐레이터 구현 시스템 및 그 방법에 설명한다.

본 발명은 MOOC(Massive Open Online Course)로 대변되는 대학 교육의 환경 변화에 맞춰 국내외 대학의 개방공유된 교육 콘텐츠를 온톨로지 기반의 큐레이션을 통해 사용자 맞춤형으로 가공할 수 있는 소셜 큐레이터에 관한 것이며, 이 시스템은 MOOC 교육 콘텐츠의 자동 수집, 분류 및 큐레이션 환경을 제공하고, 이를 분야별, 수준별 그리고 취향별로 소셜 플랫폼상에서 유통시킬 수 있는 기능을 구현한다. 또한 본 발명의 시스템의 이러한 기능이 MOOC의 온라인 교육 활용을 극대화함으로써 궁극적으로 플립드러닝을 효율적으로 실현함을 보이도록 한다.

도 16은 종래에서 소셜 큐레이션 서비스가 구현됨을 보여주는 도면이고,

도 17은 전문 온라인 콘텐츠 큐레이션 기능을 제공하는 scoop.it 의 하나의 도면이고,

도 18은 상기 도 17에 대해 편집 툴을 활용해 편집해 매거진 형태로 퍼블리싱 할 수 있도록 하는 것을 보여주는 도면이다.

정보 과잉의 시대에 의미 있고 가치 있는 정보의 획득과 공유가 중요해짐에 따라 온라인에서 큐레이션이 주목받기 시작했다. 소셜 큐레이션 서비스는 해외에서부터 시작하였고 대표적인 사이트로는 도 16에서 도시된‘핀터레스트'가 있다(Catherine Hall et al. 2012). 핀터레스트는 이미지 기반 큐레이션 서비스로, 사용자가 인터넷을 돌아다니다가 마음에 드는 이미지를 ‘핀잇(Pin it)’하면 자신의 핀터레스트 계정에 이미지가 스크랩된다. 물론 공유기능도 존재하여, 친구의 이미지를 ‘리핀(Re-Pin)’하여 쉽게 공유할 수 있다(Michael Zarro et al. 2012).

전문 온라인 콘텐츠 큐레이션 기능을 제공하는 scoop.it(Scoop.it 2016)(도 17)은 콘텐츠를 사용자들이 각 관심사 및 주제별로 스크랩하고, 편집 툴을 활용해 편집해 <그림3>과 같이 매거진 형태로 퍼블리싱 할 수 있도록 한다. 사용자들이 발행한 주제별 매거진을 사람들이 구독할 수 있으며, 해당 주제에 관해 좋은 내용을 추천할 수 있다.

전문가 추천 형태의 소셜 큐레이션 서비스로는 Fab.com을 들 수 있다. 상품들의 디자인을 기준으로 전문가들의 추천에 따라 큐레이션하는 서비스로 상품들과 그 구매기록 등에 대해 이용자들이 자신들의 선호에 따라 클릭한 faved(favorite)를 통해서도 상품들이 추천되고 사람들에 의해 추천된 상품을 서핑할 수 있는 기능을 제공한다.

편집에 핵심을 두고 있는 소셜 큐레이션 서비스로는 ‘스토리파이‘가 있다. 소셜 미디어의 다양한 링크와 글들을 선별하여 편집하고, 재생산하여 공유하는 서비스로, 사용자는 자신만의 뉴스 매거진을 만들 수 있으며, 다른 사용자는 이를 쉽게 공유할 수 있다. 다양한 뉴스 서비스와의 제휴를 통해 양질의 콘텐츠를 확보하고 블로그 형태로 편집하여 배포할 수 있다.

국내에서도 다양한 서비스들이 있으며 "interest.me"가 대표적인 서비스이다(Interest.me2012). 문화와 콘텐츠를 주 사업으로 하고 있는 CJ E&M에서 소셜 큐레이션에 재빠르게 대응하여 론칭한 서비스로, 잘 정리된 관심사 기반의 카테고리 기능과 단기간 사용자 확보 및 CJ E&M의 콘텐츠와의 융합에 좋은 성과를 보이고 있다. N스크린 기반의 동영상 소셜 큐레이션 방식의 '젤리캠'은 사용자가 하나의 주제를 만들어 그룹을 개설하고 공개 범위를 정해 선택한 친구들과 영상을 공유할 수 있는 그룹서비스를 지원함으로써, 누구든지 하나의 주제에 대한 큐레이터가 되어 함께 콘텐츠를 큐레이션 할 수 있도록 한다.

그러나 이들 서비스는 scoop.it을 제외하고는 대부분 일반인을 대상으로 한 동영상이나 잡지 기사 등을 편집하는 기능을 제공하는 것들로, 다양한 유형의 콘텐츠가 사용자명 단위로 큐레이션된 복합 콘텐츠를 가정하는 것과는 거리가 있기 때문에, 플립드 러닝에 적용되기가 어렵다. Scoop.it은 전문 콘텐츠를 사용자 단위로 공개하고 검색한다는 점에 있어서는 본 발명 시스템과 유사하지만 온톨로지를 기반으로 분야별, 수준별, 취향별로 큐레이션하고 검색하는 환경은 제공하지 못한다.

발명 시스템은 MOOC 콘텐츠 중 특정 교과목에 해당하는 큐레이션 콘텐츠만을 온톨로지 기반으로 키워드별로 자동으로 일괄 수집 분류해서 제공해 주고, 이들 콘텐츠가 소셜 플랫폼 상에서 과제물 작성을 위한 협업이나 토론, 온라인을 통한 보충 수업 멘토등에 활용될 수 있다는 점에 있어서 이들과는 다르다. 무엇보다도 제안 시스템은 큐레이션 콘텐츠를 활용한 협업이나 토론 및 멘토링 이력들 또한 큐레이션 대상이 될 수 있다는 점에서 이들과는 차별화될 수 있다(선동언 외 2015, 홍석호 2016).

이하에서는 MOOC를 지원하는 온톨로지 기반 교육 콘텐츠 소셜 큐레이터의 제안 기능을 구체적으로 기술하도록 한다.

온톨로지 기반 교육 콘텐츠 소셜 큐레이터 기능 제안 시스템을 개발하기 위해 필요한 기본 기능을 설명한다. 소셜 큐레이터의 전체적인 시나리오는 먼저 사용자가 MOOC 교육 콘텐츠를 검색하기 위해 키워드를 입력하면 온톨로지를 통해 키워드 확장이 이루어진다. 다음으로 키워드와 온톨로지 용어를 이용하여 미리 메타 분석한 다양한 MOOC 사이트들로부터 교육 콘텐츠를 검색하여 수집한다. 이렇게 수집된 교육 콘텐츠는 분류기를 통해 사용자 관점별로 큐레이션 콘텐츠로 재가공 되어 사용자에게 제공되며, 필요한 경우 온톨로지에 의한 키워드 확장이 이루어진다. 검색된 교육 콘텐츠는 개인 콘텐츠로 저장하고 저장된 콘텐츠를 다른 사용자에게 재공개할 수 있다.

- 온톨로지 기반의 MOOC 사이트 메타검색

방대한 MOOC 콘텐츠들 중 특정 교과목에 해당하는 콘텐츠만을 키워드별로 자동으로 일괄 수집하기 위해서는 메타검색 기능이 사용된다. 먼저, 콘텐츠 내용 중 원하는 부분만을 추출하기 위한 템플릿을 만들기 위해 MOOC 사이트별로 키워드 검색 결과에 대한 메타 분석이 필요하다. 웹 사이트별 메타 분석을 위한 형식은 아래 표1의 구조로 되어 있다.

변수	설명
host	메타검색할 HOST
url	메타검색할 HOST의 검색URL로 기본이 되는 파라미터 설정
query	URL중 질의 파라미터
start	URL중 페이지 시작
num	페이징 처리가 아닌 검색 건수로 페이징
zero	검색결과의 시작이 zero 부터인지 여부(true, false)
page	검색결과의 페이지 단위 처리 여부(true, false)
nop	한페이지에 보여줄 결과 건수
encoding	페이지 인코딩 타입(utf-8, ksc5601)
type	검색방식(url, socket, https)
filtering	수집 키워드로 필터링 할 지 여부(true,false)
split	검색결과를 파싱하기전 까지 필요없는 부분 제거
result_start	검색 결과 내용 추출 시작부분
result_end	검색 결과 내용 추출 종료부분
link	제목을 클릭할 경우 넘겨줄 URL
link_start	링크 추출을 위한 시작 부분
link_end	링크 추출을 위한 끝 부분
title_start	제목 추출을 위한 시작 부분
title_end	제목 추출을 위한 끝 부분
title_start2	title_start로부터의 중간 추출을 위한 시작 부분
title_end2	title_end로부터의 중간 추출을 위한 끝 부분
title_start3	중간 추출이 없을 경우 재 추출을 위한 시작 부분
title_end3	중간 추출이 없을 경우 재 추출을 위한 끝 부분
desc_start	본문(요약) 추출을 위한 시작 부분
desc_end	본문(요약) 추출을 위한 끝 부분
desc_start2	첫 번째 추출 부분이 없을 경우 두 번째 추출을 위한 시작 부분
desc_end2	첫 번째 추출 부분이 없을 경우 두 번째 추출을 위한 끝 부분
desc_start3	두 번째 추출 부분이 없을 경우 세 번째 추출을 위한 시작 부분
desc_end3	두 번째 추출 부분이 없을 경우 세 번째 추출을 위한 끝 부분
desc_start4	세 번째 추출 부분이 없을 경우 네 번째 추출을 위한 시작 부분
desc_end4	세 번째 추출 부분이 없을 경우 네 번째 추출을 위한 끝 부분
date_start	날짜 추출을 위한 시작 부분
date_end	날짜 추출을 위한 끝 부분
date_start2	date_start로부터의 중간 추출을 위한 시작 부분
date_end2	date_end로부터의 중간 추출을 위한 끝 부분
image	이미지 사용 여부(true, false)
image_start	이미지 추출을 위한 시작 부분
image_end	이미지 추출을 위한 끝 부분
image_start2	image_start로부터의 중간 추출을 위한 시작 부분
image_end2	image_end로부터의 중간 추출을 위한 끝 부분
total_start1	검색 건수 추출 시작 부분
total_end1	검색 건수 추출 끝 부분
total_start2	검색 건수 추출 두 번째 시작 부분
total_end2	검색 건수 추출 두 번째 끝 부분

도 19는 상기 표 1의 분석구조를 기반으로 이루어지는 사이트별 온톨로지 기반 메타 검색은 관심커뮤니티 그룹의 사용자, 온톨로지, MOOC 사이트별 콘텐츠, 콘텐츠 메타분석으로 구성되며, 메타 검색이 수행되는 것을 보여주는 도면이고,

도 20은 메타검색을 통해 키워드별로 수집된 교육 콘텐츠를 콘텐츠를 분류하고 가공하여 큐레이션 콘텐츠를 생성하는 과정을 보여주는 도면이고,

도 21은 사용자별로 공개된 큐레이션 콘텐츠를 검색하고 검색된 콘텐츠를 자신의 콘텐츠로 저장하고 다른 사용자에게 지식포털 형식으로 공개하는 기능을 보여주는 도면이고,

도 22는 데이터 중복과 널 링크 문제를 동시에 해결하기 위해 콘텐츠 저장 스키마 구조를 이용하는 것을 보여주는 도면이고,

도 23은 교육 분야 온톨로지를 구축한 화면의 예이고,

도 24는 웹 크롤링과 키워드 필터링에 의한 DB 자동 축적 및 추천 기능을 보여주는 도면이고,

도 25는 MOOC 교육 콘텐츠 수집 사이트 관리를 보여주는 도면이고,

도 26는 큐레이션 콘텐츠 편집 환경을 보여주는 도면이고,

도 27은 큐레이션 콘텐츠 검색시 온톨로지를 활용하여 큐레이션 콘텐츠를 검색한 결과로, 사용자명 단위 콘텐츠, 키워드별 콘텐츠, 사용자별 콘텐츠가 제공되는 것을 보여주는 도면이다.

상기 표 1의 분석 구조를 기반으로 이루어지는 사이트별 온톨로지 기반 메타 검색은 관심커뮤니티 그룹의 사용자, 온톨로지, MOOC 사이트별 콘텐츠, 콘텐츠 메타분석으로 구성된다(<도 19> 참조). 메타 검색은 <도 19>에서 보이는 순서로 이루어진다.

1. 키워드 입력 - 특정 교과목의 커뮤니티 그룹의 사용자는 교육 콘텐츠를 검색하기 위해 키워드를 입력한다.

2. 키워드 확장 - 메타 검색기는 온톨로지 API를 통해 키워드와 일치하는 용어를 검색하여 키워드 확장을 한다.

3. 콘텐츠 검색 - 메타 검색기는 MOOC 사이트 대상으로 키워드와 온톨로지 용어로 교육 콘텐츠를 검색한다.

4. 콘텐츠 검색 결과 - 검색된 교육 콘텐츠를 메타 정보 템플릿에 맞게 변환하여 사용자에게 제공한다.

- 키워드별 MOOC 교육 콘텐츠 분류 및 가공

상기의 메타검색을 통해 키워드별로 수집된 교육 콘텐츠를 콘텐츠를 분류하고 가공하여 큐레이션 콘텐츠를 생성하는 과정은 <도 20>와 같다.

1.콘텐츠 분석 - 분류기를 통해 수집된 교육 콘텐츠의 내용을 분석하여 키워드들을 추출한다.

2. 콘텐츠 분류 - 분석된 교육 콘텐츠들은 문서 분류기를 통해 관점별(수준별, 용도별, 강좌별, 취향별)로 분류한다.

3. 콘텐츠 큐레이션 - 관점별로 분류된 콘텐츠는 사용자들이 자신의 목적에 맞게 가치 있게 구성하는 콘텐츠로 재가공한다.

4. 콘텐츠 제공 - 큐레이션 콘텐츠는 특정 교과목의 커뮤니티 그룹 포털에 관점별로 제공된다.

- 사용자별 큐레이션 콘텐츠 검색 및 공유

도 21은 사용자별로 공개된 큐레이션 콘텐츠를 검색하고 검색된 콘텐츠를 자신의 콘텐츠로 저장하고 다른 사용자에게 지식포털 형식으로 공개하는 기능을 보여준다. 지식포털은 큐레이션 콘텐츠, 관심커뮤니티 그룹, 온톨로지, 콘텐츠 공개로 구성된다. 큐레이션 콘텐츠의 검색 및 공유 순서는 다음과 같다.

1. 키워드 입력 - 관심커뮤니티 그룹의 지식포털에 공개된 큐레이션 콘텐츠를 검색하기 위한 키워드를 입력한다.

2. 키워드 확장 - 온톨로지를 통해 키워드와 일치하는 온톨로지 용어를 검색하여 키워드를 확장한다.

3. 큐레이션 콘텐츠 검색 - 지식포털에 공개된 큐레이션 콘텐츠들을 키워드와 온톨로지 용어로 검색한다.

4. 콘텐츠 저장 - 검색 결과 중 자신의 관심 및 목적에 맞는 콘텐츠를 개인 콘텐츠로 저장한다.

5. 콘텐츠 공개 - 개인화된 콘텐츠를 같은 관심 커뮤니티 그룹의 사용자에게 공개한다.

콘텐츠 저장의 경우 다른 사람이 큐레이션한 콘텐츠 중 일부를 가져와서 자신의 것으로 큐레이션할 때 원본 콘텐츠와 같은 유사 콘텐츠를 필요시 저장해야하는 데이터 중복성이 발생한다. 수많은 정보들이 소셜 큐레이션 방식으로 유통되는 환경에서 발생하는 정보 중복성은 엄청난 저장 공간을 낭비하는 요인이 되기 때문에 이를 효율적으로 해결할 수 있는 방법론이 필요하다. 이를 해결하기 위해 원본 콘텐츠는 유지하고 콘텐츠 공유 링크를 통해 큐레이션 콘텐츠가 유통되는 방식을 적용할 수 있다. 그러나 이 방식 또한 원본 콘텐츠를 삭제할 경우 큐레이션된 모든 콘텐츠의 공유 링크가 널(null)로 바뀌는 문제가 있다. 본 발명에서는 데이터 중복과 널 링크 문제를 동시에 해결하기 위해 <도 22>의 콘텐츠 저장 스키마 구조를 이용하여 다음의 방식을 사용하였다.

1. 원본 콘텐츠는 하나만 두고 공유 링크를 생성하여 큐레이션 콘텐츠를 유통한다.

2. 원본 콘텐츠의 소유자가 콘텐츠를 삭제할 경우 공개 여부 플래그를 변경하여 비공개 처리하고, 큐레이션한 다른 사용자에게는 링크를 통해 원본 콘텐츠를 그대로 제공한다.

3. 공유링크에 의해 유통된 큐레이션 콘텐츠를 삭제할 경우에는 공유 링크를 비공개 처리하고, 삭제한 콘텐츠를 큐레이션한 다른 사용자에게는 원본 공유 링크를 그대로 제공한다.

이하 온톨로지 기반 교육 콘텐츠 소셜 큐레이터의 구현에 대해 기술한다. 소셜 큐레이터는 온톨로지 관리기를 통해 구축된 만개 수준의 교육 분야 온톨로지를 기반으로 MOOC 사이트별로 교육 콘텐츠를 수집하고 공유할 수 있는 기능을 제공한다.

도 23은 교육 분야 온톨로지를 구축한 화면이다. 구축된 온톨로지는 API를 통해 JSON 형태로 제공되며 메타 검색 및 교육 콘텐츠 검색시 키워드 확장을 위해 활용된다. 온톨로지 저장을 위해서는 관계형 데이터베이스 SQL Server를 사용하였으며, Visual C++을 이용하여 개발된 OTMonto 온톨로지 관리기(Jae Hun Choi 2002)를 이용하여 구축하였고, 제안 소셜 큐레이터는 CentOS, Apache3.2.15 Tomcat7 그리고 CUBRID8.4 컴퓨팅 환경에서 구현되었다.

- 교육 콘텐츠 소셜 큐레이터

콘텐츠 큐레이션은 국내외 MOOC 사이트들을 사용자들이 자유롭게 선택하여 카테고리별로 분류한 뒤 등록된 키워드들에 의해 수집된 콘텐츠를 대상으로 이루어진다. 큐레이션 콘텐츠는 소셜 웹 상에서 과제물 작성을 위한 협업이나 토론, 온라인을 통한 보충 수업 등에 활용될 수 있다. 키워드별로 수집된 교육 콘텐츠 또는 메타 검색한 자료는 동영상, 학술자료, 온라인강좌, 웹문서 그리고 슬라이드 등이 포함된다. 국내외 MOOC 및 전문분야 사이트들로부터 메타 검색을 통해 얻은 자료들을 일괄적으로 북마크하고 스크랩하는 기능 또한 제공한다. 도 24는 일본어 강의에 해당하는 웹 크롤링과 키워드 필터링에 의한 DB 자동 축적 및 추천 기능을 보여주고 있다.

콘텐츠 큐레이션은 키워드 별로 전문가들이 검색된 자료들 중 중요하다고 생각되는 자료들을 추천함으로써 이루어진다. 도 26은 사용자명 단위로 큐레이션된 콘텐츠가 유통되고 검색되고 있으며, 또 이러한 콘텐츠들을 검색해서 다시 자신 명의 단위로 큐레이션하는 편집 환경을 지원한다. 큐레이션 콘텐츠는 과목별 지식포털에서 제공되고 소셜웹 공간에서 제약 없이 공유, 유통시킬 수 있다.

도 27는 큐레이션 콘텐츠 검색시 온톨로지를 활용하여 큐레이션 콘텐츠를 검색한 결과로, 사용자명 단위 콘텐츠, 키워드별 콘텐츠, 사용자별 콘텐츠가 제공된다.

한편 상술한 본 발명의 설명에서는 구체적인 실시 예에 관해 설명하였으나, 여러 가지 변형이 본 발명의 범위에서 벗어나지 않고 실시될 수 있다. 특히 본 발명의 실시 예에서는 인터넷을 이용한 가상 전시관에서의 미술작품에 대한 전시 및 판매에 대한 예를 들어 설명하였으나, 이는 전술한 바와 같이 작가에 의해 제작되는 음악, 문학작품에 대해서도 동일하게 적용 가능하다. 상기 음악, 문학작품에 대해서는 관람객이 작가에 의해 제작된 음악파일을 수신받아 미리 들어본다거나, 문학작품의 텍스트 파일을 수신받아 읽어 보는 것을 통해 미술작품의 관람시와 동일하게 평가 및 판매가 가능하게 되는 것이다. 따라서 발명의 범위는 설명된 실시 예에 의하여 정할 것이 아니고 특허청구범위와 특허청구범위의 균등한 것에 의하여 정하여져야 한다.

10 : 단말기, 20 : 서버, 30 : 소셜 데이터

Claims (12)

1. 관심커뮤니티 그룹의 사용자, 온톨로지, MOOC 사이트별 콘텐츠, 콘텐츠 메타분석으로 구성된 시스템에서의 메타 검색 방법은,
   미리 정한 교과목의 커뮤니티 그룹의 사용자는 교육 콘텐츠를 검색하기 위해 키워드를 입력하는 단계;
   메타 검색기는 온톨로지 API를 통해 키워드와 일치하는 용어를 검색하여 키워드 확장을 하는 단계;
   메타 검색기는 MOOC 사이트 대상으로 키워드와 온톨로지 용어로 교육 콘텐츠를 검색하는 단계; 및
   검색된 교육 콘텐츠를 메타 정보 템플릿에 맞게 변환하여 사용자에게 제공하는 단계;를 포함하는 것을 특징으로 하는 소셜 플랫폼상에서 MOOC와 플립드러닝을 지원하는 온톨로지 기반 교육 콘텐츠 소셜 큐레이터 구현 시스템에서 검색 방법.
   
2. SNS를 수행하는 단말기 (10) 및
   네트워크를 통해 접속되는 복수의 단말기(10)에 대하여 소셜 네트워크 서비스(Social Network Service, SNS)를 제공하는 SNS 서버(20);를 포함하고
   상기 단말기의 사용자 명령 입력부를 통해 VORTAL (Vertical Portal)를 생성하고자 하는 그룹 생성자가 Source 콘텐츠 카테고리 및 관련 사이트 중에서 적어도 하나를 선택하고, 상기 사용자 명령 입력부를 통해 생성할 VORTAL의 해당과제 또는 주제에 대한 키워드를 입력하고,
   상기 서버에는 상기 입력된 키워드에 따른 Metadata 검색에 의거 상기 Source 콘텐츠별로 수집되어 분류되고, 상기 콘텐츠별 카테고리로 구성되는 해당 자료들이 리스트되어 출력되는 1차 VORTAL이 생성되고,
   상기 1차 생성된 VORTAL의 상기 각 Source 콘텐츠별로 리스트된 자료들 중에서, 상기 그룹 생성자가 자료의 중요도, 수준별, 유형별 또는 관점을 포함하는 선정기준에 의거 상기 콘텐츠별 및 해당 자료 리스트 중에서 적어도 하나에 대해 Pin(추천) 과정을 수행하고,
   상기 그룹 생성자에 의해 Pin된 자료 리스트에 대해, 상기 단말기 사용자(커뮤니티)의 추천, 좋아요, 동의를 포함하는 검증과정이 그룹 생성자와 사용자 (커뮤니티)간에 수행되고,
   상기 검증 과정을 통해, 콘텐츠별 위치, 콘텐츠 내의 자료 리스트들이 조정/분류되어 출력되는 2차 VOTRAL이 자동 생성되는 전문정보 검색 및 수집 플랫폼;을 포함하고,
   상기 Source 콘텐츠 카테고리 또는 Source 콘텐츠별에는 동영상, 슬라이드, 전문자료 및 온라인 강좌 중에서 적어도 하나를 포함하는 것을 특징으로 하는 네트웍상의 데이터를 이용한 보탈 자동 생성 장치.
   
3. 제 2항에 있어서, 상기 전문정보 검색 및 수집 플랫폼에 생성된 2차 VORTAL은 상기 단말기의 사용자(커뮤니티)들에 의해 공유/사용되고,
   그룹 생성자에 의거 현재 수준별 또는 관심을 포함하는 선정기준에 의거 새로운 Pin과정 수행되고,
   상기 새롭게 Pin된 자료리스트에 대해 검증과정이 수행되어 갱신되어진 3차 VORTAL이 자동 생성되는 것을 특징으로 하는 네트웍상의 데이터를 이용한 보탈 자동 생성 장치.
   
4. 제 2항에 있어서, 상기 1차 VORTAL은 상기 입력된 키워드에 따른 Metadata 검색에 의거 데이터 분석/수집부에 의거 수행되는 것을 특징으로 하는 네트웍상의 데이터를 이용한 보탈 자동 생성장치.
5. 제 2항 또는 4항에 있어서, 상기 검증과정은 출력부에 디스플레이된 VORTAL에 대해 사용자 명령 입력부를 통해 선정기준 명령을 입력하고 제어부의 제어에 의거 데이터 검증부를 통해 수행되는 것을 특징으로 하는 네트웍상의 데이터를 이용한 보탈 자동 생성장치.
6. 네트웍상의 데이터를 이용하여 보탈(VORTAL) 생성을 위해, 키워드를 입력하는 사용자 명령 입력부를 포함하는 단말기 또는 서버를 포함하는 장치에서의 동작방법은,
   상기 VORTAL를 생성하고자 하는 그룹 생성자가 사용자 명령 입력부를 통해 VORTAL생성을 위한 Source 콘텐츠 카테고리 및 관련 사이트 중에서 적어도 하나를 선택하는 단계;
   상기 VORTAL을 생성 하고자 하는 그룹생성자가 해당과제 또는 주제의 키워드를 사용자 명령 입력부를 통해 입력하는 단계;
   상기 키워드에 따른 Metadata 검색에 의거 상기 Source 콘텐츠별로 검색되어 분류되고, 상기 콘텐츠별로 구성되는 해당 자료들이 리스트되어 출력되는 1차 VORTAL이 생성되는 단계;
   상기 1차 생성된 VORTAL의 상기 각 Source 콘텐츠별로 리스트된 자료들 중에서, 상기 그룹 생성자가 자료의 중요도, 수준별, 유형별 또는 관점을 포함하는 선정기준에 의거 상기 콘텐츠별 및 해당 자료 중에서 적어도 하나에 대해 Pin(추천) 과정을 수행하고,
   상기 그룹 생성자에 의해 Pin된 자료 리스트에 대해, 상기 단말기 사용자(커뮤니티)의 추천, 좋아요, 동의를 포함하는 검증과정이 그룹 생성자와 사용자 (커뮤니티)간에 수행되는 단계; 및
   상기 검증 과정을 통해, 콘텐츠별 위치, 콘텐츠 내의 자료 리스트들이 조정/분류되어 출력되는 2차 VOTRAL이 생성되는 단계;를 포함하는 것을 특징으로 하는 네트웍상의 데이터를 이용한 보탈 자동 생성방법.
   
7. 제 6항에 있어서,
   상기 검증과정을 통해 콘텐츠별 및 해당자료 리스트 중에서 적어도 하나에 대해 Ranking이 부여되는 단계;를 더 포함하는 것을 특징으로 하는 네트웍상의 데이터를 이용한 보탈 자동 생성방법.
   
8. 제 6항 또는 제 7항에 있어서, 상기 출력되는 자료 리스트에는 PIN된 리스트 뿐만 아니라 다른 자료 리스트도 추가적으로 리스트 되는 것을 특징으로 하는 네트웍상의 데이터를 이용한 보탈 자동 생성방법.
   
9. 네트웍상의 데이터를 이용하여 보탈 생성을 위해, 키워드를 입력하는 사용자 명령 입력부를 포함하는 단말기 또는 서버를 포함하는 장치에서의 동작방법은,
   상기 VORTAL를 생성하고자 하는 그룹 생성자가 사용자 명령 입력부를 통해 VORTAL생성을 위한 Source 콘텐츠 카테고리 및 관련 사이트 중에서 적어도 하나를 선택하는 단계;
   상기 VORTAL을 생성 하고자 하는 그룹생성자가 해당과제 또는 주제의 키워드를 사용자 명령 입력부를 통해 입력하는 단계;
   상기 키워드에 따른 Metadata 검색에 의거 상기 Source 콘텐츠별로 검색되어 분류되고, 상기 콘텐츠별로 구성되는 해당 자료들이 리스트되어 출력되는 1차 VORTAL이 생성되는 단계;
   상기 1차 생성된 VORTAL의 상기 각 Source 콘텐츠별로 리스트된 자료들 중에서, 상기 그룹 생성자가 자료의 중요도, 수준별, 유형별 또는 관점을 포함하는 선정기준에 의거 상기 콘텐츠별 및 해당 자료 중에서 적어도 하나에 대해 Pin(추천) 과정을 수행하고,
   상기 그룹 생성자에 의해 Pin된 자료 리스트에 대해, 상기 단말기 사용자(커뮤니티)의 추천, 좋아요, 동의를 포함하는 검증과정이 그룹 생성자와 사용자 (커뮤니티)간에 수행되는 단계; 및
   상기 검증 과정을 통해, 콘텐츠 자체와 그 콘텐츠를 구성하는 자료 리스트의 종류가 1차 VORTAL과 다른 새로 생성된 3차 VOTRAL이 생성되는 단계;를 포함하는 것을 특징으로 하는 네트웍상의 데이터를 이용한 보탈 자동 생성방법.
   
10. 제 6항 또는 9항에 있어서, 상기 검증과정을 통해 생성된 VORTAL에 대해 동일그룹에 속하는 사용자(커뮤니티)들에 의해 공유되어 사용되는 단계;를 더 포함하는 것을 특징으로 하는 네트웍상의 데이터를 이용한 보탈 자동 생성방법.
    
11. 제 6항 또는 9항에 있어서, 상기 검증과정을 통해 생성된 2차 또는 3차 VORTAL에 대해 상기 그룹 생성자에 의거 현재 수준별 또는 관심을 포함하는 선정기준에 의거 새로운 Pin과정이 수행되는 단계;를 더 포함하는 것을 특징으로 하는 네트웍상의 데이터를 이용한 보탈 자동 생성방법.
    
12. 제 11항에 있어서, 상기 새로운 PIN과정이후 검증과정을 통해 갱신된 4차 VORTAL이 생성되는 단계;를 더 포함하는 것을 특징으로 하는 네트웍상의 데이터를 이용한 보탈 자동 생성방법.

Images