KR20190025873A - Method, apparatus and computer program for providing educational contents - Google Patents
Method, apparatus and computer program for providing educational contents Download PDFInfo
- Publication number
- KR20190025873A KR20190025873A KR1020190024272A KR20190024272A KR20190025873A KR 20190025873 A KR20190025873 A KR 20190025873A KR 1020190024272 A KR1020190024272 A KR 1020190024272A KR 20190024272 A KR20190024272 A KR 20190024272A KR 20190025873 A KR20190025873 A KR 20190025873A
- Authority
- KR
- South Korea
- Prior art keywords
- user
- view
- concept
- database
- service server
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims description 15
- 238000004590 computer program Methods 0.000 title claims description 4
- 230000006870 function Effects 0.000 claims description 7
- 238000007405 data analysis Methods 0.000 description 28
- 239000013598 vector Substances 0.000 description 27
- 238000004458 analytical method Methods 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/20—Education
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G06N7/005—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Tourism & Hospitality (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Educational Technology (AREA)
- Economics (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- Probability & Statistics with Applications (AREA)
- Algebra (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Electrically Operated Instructional Devices (AREA)
Abstract
Description
본 발명은 데이터를 분석하고 맞춤형 컨텐츠를 제공하는 방법에 대한 것이다. 보다 구체적으로 본 발명은 수집된 문제 풀이 결과 데이터를 이용하여 사용자 및 문제를 분석하는 방법에 대한 것이다. The present invention relates to a method for analyzing data and providing customized content. More specifically, the present invention relates to a method for analyzing users and problems using collected problem solving result data.
지금까지 교육 컨텐츠는 일반적으로 패키지로 제공되어 왔다. 예를 들어 종이에 기록되는 문제집은 권당 최소 700문제가 수록되어 있으며, 온라인 또는 오프라인 강의 역시 1-2 시간 단위로 최소 한달간 공부할 양을 묶어서 한번에 판매된다. Until now, educational content has generally been packaged. For example, a collection of books on paper includes a minimum of 700 questions per book, and online or offline lectures are sold at a time, grouping volumes for a minimum of one or two hours of study.
그러나 교육을 받는 학생들 입장에서는 개별적으로 취약한 단원과 취약한 문제 유형이 모두 상이하기 때문에 패키지 형태보다는 개인 맞춤형 컨텐츠에 대한 니즈가 존재한다. 자신이 취약한 단원의 취약한 문제 유형만을 골라서 학습하는 것이 문제집의 7백 문제 전체를 푸는 것보다 훨씬 효율적이기 때문이다. However, there is a need for personalized content rather than a packaged version because the vulnerable subjects and vulnerable problem types are different for the educated students. This is because it is more efficient to learn only the weak problem types of vulnerable members than to solve the entire seven hundred problems in the problem book.
그러나 피교육자인 학생들 스스로 자신의 취약점을 파악하는 것은 매우 어렵다. 나아가 학원, 출판사 등 종래의 교육 업계에서도 주관적 경험과 직관에 의존하여 학생 및 문제들을 분석하기 때문에 개별 학생들에게 최적화된 문제를 제공하는 것을 쉽지 않다. However, it is very difficult for students who are trainees to identify their own weaknesses. Furthermore, it is not easy to provide optimized problems for individual students because traditional educational institutions such as academies and publishers analyze students and problems by relying on subjective experience and intuition.
이와 같이 종래의 교육 환경에서는 피교육자가 가장 효율적으로 학습 결과를 낼 수 있는 개인 맞춤형 컨텐츠를 제공하는 것이 쉽지 않으며, 학생들은 패키지 형태의 교육 컨텐츠에 대해 성취감과 흥미를 금방 잃게 되는 문제가 발생한다. Thus, in the conventional educational environment, it is not easy to provide personalized contents that can provide the most efficient learning result by the trainee, and the students lose the sense of accomplishment and interest in the package-type educational contents.
본 발명은 상기와 같은 문제를 해결하는 것을 목적으로 한다. 보다 구체적으로 본 발명은, 사용자 및/또는 문제 분석을 위해 필요한 데이터를 추출하고, 수집된 데이터가 포함하고 있는 파라미터를 효율적으로 활용할 수 있는 데이터 분석 프레임워크를 제공하는 것을 목적으로 한다.The present invention has been made to solve the above problems. More particularly, it is an object of the present invention to provide a data analysis framework capable of extracting data necessary for user and / or problem analysis, and efficiently using the parameters contained in the collected data.
본 발명의 실시예를 따르면, 사용자 문제 풀이 결과 데이터를 이용하여 문제 또는 사용자를 분석할 수 있어 수학적으로 사용자 및 문제를 정밀하게 분석할 수 있는 효과가 있다. According to the embodiment of the present invention, the problem or the user can be analyzed using the user problem solving result data, and the user and the problem can be mathematically analyzed precisely.
도 1은 본 발명의 실시예를 따르는 데이터분석 프레임워크의 동작 내용을 설명하기 위한 도면1 is a view for explaining the operation contents of a data analysis framework according to an embodiment of the present invention;
본 발명은 이하에 기재되는 실시예들의 설명 내용에 한정되는 것은 아니며, 본 발명의 기술적 요지를 벗어나지 않는 범위 내에서 다양한 변형이 가해질 수 있음은 자명하다. 그리고 실시예를 설명함에 있어서 본 발명이 속하는 기술 분야에 널리 알려져 있고 본 발명의 기술적 요지와 직접적으로 관련이 없는 기술 내용에 대해서는 설명을 생략한다. It is to be understood that the present invention is not limited to the description of the embodiments described below, and that various modifications may be made without departing from the technical scope of the present invention. In the following description, well-known functions or constructions are not described in detail since they would obscure the invention in unnecessary detail.
한편, 첨부된 도면에서 동일한 구성요소는 동일한 부호로 표현된다. 그리고 첨부 도면에 있어서 일부 구성요소는 과장되거나 생략되거나 개략적으로 도시될 수도 있다. 이는 본 발명의 요지와 관련이 없는 불필요한 설명을 생략함으로써 본 발명의 요지를 명확히 설명하기 위함이다. In the drawings, the same components are denoted by the same reference numerals. And in the accompanying drawings, some of the elements may be exaggerated, omitted or schematically illustrated. It is intended to clearly illustrate the gist of the present invention by omitting unnecessary explanations not related to the gist of the present invention.
최근 IT 디바이스의 보급이 확대되면서, 사용자 분석을 위한 데이터 수집이 용이해지고 있다. 사용자 데이터를 충분히 수집할 수 있으면, 사용자의 분석이 보다 정밀해지고 해당 사용자에게 가장 적합한 형태의 컨텐츠를 제공할 수 있다. Recently, as the spread of IT devices has expanded, data collection for user analysis has become easier. If the user data can be sufficiently collected, the analysis of the user becomes finer and the contents of the form most suitable for the user can be provided.
이러한 흐름과 함께 특히 교육 업계에서 사용자 맞춤형 교육 컨텐츠 제공에 대한 니즈가 높다. Along with this trend, there is a high demand for provision of customized educational contents especially in the education industry.
간단한 예를 들어, 어떤 사용자가 영어 과목에서 <동사의 시제>에 대한 이해도가 떨어지는 경우, <동사의 시제>에 대한 개념을 포함하고 있는 문제를 추천할 수 있으면 학습 효율은 보다 높아질 것이다. 그런데 이와 같이 사용자 맞춤형 교육 컨텐츠를 제공하기 위해서는 각각의 컨텐츠 및 사용자 개개인에 대한 정밀한 분석이 필요하다. For example, if a user has poor understanding of the <verb tense> in English, and if a user can recommend a problem that includes the concept of <verb tense>, the learning efficiency will be higher. However, in order to provide the user-customized education contents as described above, it is necessary to perform detailed analysis on each content and each user.
본 발명은 상기와 같은 문제를 해결하기 위한 것으로, 본 발명의 실시예를 따르는 데이터 분석 서버는 학습 데이터 분석에 머신 러닝 프레임워크를 적용하여 학습 데이터를 정밀하게 분석할 수 있다. SUMMARY OF THE INVENTION The present invention has been made to solve the above problems, and a data analysis server according to an embodiment of the present invention can precisely analyze learning data by applying a machine learning framework to analysis of learning data.
이에 따르면, 사용자의 문제 풀이 결과 로그를 수집하고, 사용자와 문제로 구성된 다차원 공간을 구성하고, 사용자가 문제를 맞았는지 틀렸는지를 기준으로 상기 다차원 공간에 값을 부여하여, 사용자 및/또는 문제를 모델링할 수 있다.나아가 상기 사용자 벡터 및/또는 문제 벡터를 이용하여 전체 사용자에서 특정 사용자의 위치, 특정 사용자와 유사한 그룹으로 클러스터링할 수 있는 다른 사용자, 다른 사용자와 해당 사용자의 유사도, 전체 문제에서 특정 문제의 위치, 상기 문제와 유사한 그룹으로 클러스터링할 수 있는 다른 문제, 다른 문제와 해당 문제의 유사도 등을 수학적으로 계산할 수 있다. 나아가 적어도 하나 이상의 속성을 기준으로 사용자 및 문제를 클러스터링할 수 있다. According to the method, a log of a user's problem solving result is collected, a multi-dimensional space composed of a user and a problem is formed, a value is given to the multi-dimensional space based on whether the user is hit or mistaken, Furthermore, it is possible to use the user vector and / or the problem vector to determine the location of a specific user from all users, another user who can cluster into a group similar to a specific user, the similarity between the user and another user, Other problems that can be clustered into groups similar to the above problem, and similarity of other problems with other problems can be calculated mathematically. Further, users and problems can be clustered based on at least one or more attributes.
이때 본 발명에서 상기 사용자 벡터, 상기 문제 벡터들이 어떤 속성, 또는 피처를 포함하고 있는지는 제한하여 해석될 수 없음을 유의해야 한다. 예를 들어 사용자 모델 및/또는 문제 모델은 벡터로 표현될 수 있으나 각각 사용자의 특성 및/또는 문제 특성을 의미하면 족하며 본 발명은 모델의 표현 방식에 종속되어 해석될 수 없다. It should be noted that in the present invention, it is not possible to interpret the user vector, which attributes or features the problem vectors contain, and thus can not be interpreted. For example, the user model and / or the problem model can be expressed as a vector, but it is sufficient to indicate the characteristic and / or the problem characteristic of the user, respectively, and the present invention can not be interpreted depending on the representation method of the model.
예를 들어 본 발명의 실시예를 따르면, 상기 사용자 벡터는 상기 사용자가 임의의 개념에 대해 이해하고 있는 정도, 즉 개념의 이해도를 포함할 수 있다. 나아가 상기 문제 벡터는 상기 문제가 어떤 개념들로 구성되어 있는지, 즉 개념 구성도를 포함할 수 있다. For example, according to an embodiment of the present invention, the user vector may include an extent to which the user understands any concept, i.e., an understanding of the concept. Further, the problem vector may include what concepts are constituted by the problem, that is, a conceptual diagram.
그런데 머신러닝을 적용하여 학습 데이터를 분석하면, 몇가지 해결해야 할 문제가 존재한다. However, when analyzing learning data by applying machine learning, there are some problems to be solved.
첫번째는 문제 풀이 결과로 정오답 여부만을 벡터값 추출을 위한 파라미터로 사용하는 경우에는 임의의 신뢰도 이상의 분석 결과를 제공하기 위해서는 문제 풀이 결과 데이터를 대량으로 수집해야 한다는 것이다. In the first case, if only the positive answer is used as a parameter for extracting the vector value, the problem solution result data must be collected in large quantities in order to provide an analysis result with an arbitrary reliability.
객관식 문제는 지문뿐만 아니라 보기 요소가 포함되어 구성된다. 그런데 분석의 소스로 정오답 여부만을 반영하는 종래의 방법에 따르면 두 학생이 같은 문제를 틀렸으나 다른 선택지를 골랐을 경우, 두 학생의 벡터값 계산에 해당 문제가 미치는 영향은 동일할 것이다. A multiple choice question consists of a fingerprint as well as a viewing element. However, according to the conventional method which only reflects the correct answer as a source of analysis, if the two students are wrong in the same problem but choose another option, the effect of the problem on the calculation of the vector values of the two students will be the same.
다시 말하면, 어떤 학생이 어떤 문제를 <동명사>에 대한 보기를 선택하면서 틀린 경우와 <동사의 시제>에 대한 보기를 선택하면서 틀린 경우, 종래의 방식에 따르면 해당 문제의 벡터값 계산에 해당 학생의 풀이 결과 데이터가 미치는 영향은 동일하고, 해당 문제의 풀이 결과는 사용자 분석에 충분히 반영되지 못하고 실질적으로 희석될 것이다. In other words, if a student is wrong while selecting a view of a <tangible name> and selecting a view of a <tangent of a verb> The solution has the same effect on the result data, and the result of the problem will be diluted substantially without being fully reflected in the user analysis.
따라서 두 학생이 각각 동명사에 대한 이해도와 동사의 시제에 대한 이해도가 떨어진다는 것을 결과값을 얻기 위해서는 희석된 결과를 극복할 수 있을 정도의 보다 많은 양의 문제 풀이 결과 데이터의 수집이 요구될 것이다. Thus, the two students are less likely to understand the tongue name and the tense of the verb, respectively. In order to obtain the result, a larger amount of problem solving data collection is required to overcome the diluted result.
즉, 정오답 결과만을 데이터 분석을 위한 입력 값으로 사용하는 종래의 방식을 따르면, 문제와 사용자를 임의의 범위 이상의 신뢰도로 분석하기 위해서는 보다 많은 양의 문제 풀이 결과 데이터가 수집돼야 한다. That is, according to the conventional method using only positive error results as an input value for data analysis, a larger amount of problem solution result data must be collected in order to analyze the problem and the user with reliability over a certain range.
본 발명의 실시예를 따르면 상기와 같은 문제를 해결할 수 있다. 보다 구체적으로, 본 발명의 실시예를 따르면 문제 풀이 결과 데이터에서 사용자가 선택한 보기 파라미터를 적용하여 사용자 및/또는 문제를 분석할 수 있다. 이를 통해, 동일한 문제 풀이 결과 데이터를 해당 문제의 보기 개수만큼 확장할 수 있어, 동일한 결과 데이터를 가지고 보다 정밀하게 사용자와 문제를 분석할 수 있는 효과가 있다. According to the embodiment of the present invention, the above-mentioned problems can be solved. More specifically, according to an embodiment of the present invention, user and / or problem can be analyzed by applying a viewing parameter selected by the user in the problem solving result data. In this way, the same problem solution can expand the result data by the number of views of the problem, and it is possible to analyze the problem with the user more accurately with the same result data.
이를 위해 본발명의 실시예를 따르는 서비스 서버는 데이터베이스 및 프로세서를 포함할 수 있다. To this end, a service server according to an embodiment of the present invention may include a database and a processor.
상기 데이터베이스는 특정 과목에 대한 객관식 문제를 적어도 하나 이상 포함할 수 있으며, 나아가 각각의 문제의 개념의 포함도에 대한 정보를 포함할 수 있다. The database may include at least one multiple choice question for a particular subject, and may further include information about the inclusion of the concept of each question.
나아가 본 발명의 실시예를 따르는 서비스 서버의 제어부는, 상기 문제 데이터베이스에 포함된 문제들 각각에 대해, 상기 문제에 포함되어 있는 개념의 포함도를 추정하고, 상기 문제 데이터베이스에 포함된 상기 문제를 신규 사용자 디바이스에 제공하고, 상기 신규 사용자 디바이스로부터 상기 문제에 대한 상기 신규 사용자의 보기 선택 데이터를 수집하고, 상기 문제에 포함된 보기에 대한 보기별 선택 확률을 추정하고, 상기 신규 사용자의 보기 선택 데이터를 이용하여, 상기 신규 사용자의 상기 개념의 이해도를 추정하고, 상기 신규 사용자가 취약한 개념을 추정하고 상기 추정된 개념을 포함하여 구성된 문제를 추천할 수 있다.Further, the control server of the service server according to the embodiment of the present invention estimates the degree of inclusion of the concept included in the problem for each of the problems included in the problem database, Collecting view selection data of the new user for the problem from the new user device, estimating a view-by-view selection probability for the view included in the question, providing the view selection data of the new user to the user device, Can be used to estimate the understanding of the concept of the new user and to recommend the problem configured by the new user to estimate the weak concept and to include the estimated concept.
이때, 상기 서비스 서버에서, 사용자 맞춤형 학습 컨텐츠를 제공하는 처리를 수행하기 위해 컴퓨터 판독가능한 기록매체에 저장된 컴퓨터 프로그램은, 특정 과목에 대해 적어도 하나 이상의 보기를 포함하는 객관식 문제를 적어도 하나 이상 포함하는 문제 데이터베이스를 구성하고, 상기 문제 데이터베이스에 포함된 문제들 각각에 대해, 상기 문제에 포함되어 있는 개념의 포함도를 추정하는 기능, 상기 문제 데이터베이스에 포함된 상기 문제를 신규 사용자 디바이스에 제공하고, 상기 신규 사용자 디바이스로부터 상기 문제에 대한 상기 신규 사용자의 보기 선택 데이터를 수집하고, 상기 문제에 포함된 보기에 대한 보기별 선택 확률을 추정하는 기능, 상기 신규 사용자의 보기 선택 데이터를 이용하여, 상기 신규 사용자의 상기 개념의 이해도를 추정하는 기능; 상기 신규 사용자가 취약한 개념을 추정하고, 상기 추정된 개념을 포함하여 구성된 문제를 추천하는 기능을 수행할 수 있다. At this time, in the service server, the computer program stored in the computer-readable recording medium for performing the process of providing the user-customized learning contents may include at least one multiple-choice problem including at least one view for a particular subject A function of estimating the degree of inclusion of the concept included in the problem for each of the problems included in the problem database, providing the problem contained in the problem database to the new user device, Collecting view selection data of the new user for the problem from a user device and estimating a view-by-view selection probability for the view included in the problem, using the view selection data of the new user, Understanding the concept The ability to; The new user and estimate a weak concept, and may perform a function to recommend the composed, including the estimated concept.
이하 첨부된 도면을 참조하여 본 발명의 실시예를 따르는 데이터 분석 방법에 대해 보다 구체적으로 설명한다. Hereinafter, a data analysis method according to an embodiment of the present invention will be described in detail with reference to the accompanying drawings.
도 1은 본 발명의 실시예를 따라 문제 풀이 결과 데이터를 분석하는 방법을 설명하기 위한 순서도이다. Figure 1 is a flow chart illustrating a method for analyzing problem solving result data in accordance with an embodiment of the present invention.
단계 110 및 단계 115는 본 발명의 실시예를 따르는 데이터 분석 시스템에서 학습 데이터를 수집하고 문제와 사용자를 모델링하는 단계이다. Steps 110 and 115 collect learning data and model the problem and the user in a data analysis system according to an embodiment of the present invention.
본 발명의 실시예를 따르면 단계 110에서 전체 문제와 전체 사용자에 대해 풀이 결과 데이터가 수집될 수 있다. According to an embodiment of the present invention, the result data may be collected at step 110 for the entire problem and for the entire user.
보다 구체적으로, 데이터 분석 서버는 문제 데이터베이스를 구성하고, 상기 문제 데이터베이스에 속하는 전체 문제들에 대한 전체 사용자의 풀이 결과 데이터를 수집할 수 있다.More specifically, the data analysis server configures the problem database, and the entire user's solution to all problems belonging to the problem database can collect the result data.
예를 들어 데이터 분석 서버는 시중에 나와 있는 각종 문제들에 대한 데이터베이스를 구축하고, 사용자가 해당 문제들을 푼 결과를 수집하는 방식으로 풀이 결과 데이터를 수집할 수 있다. 상기 문제 데이터베이스는 듣기 평가 문제를 포함하고, 텍스트, 이미지, 오디오, 및/또는 동영상 형태일 수 있다. For example, the data analysis server can build a database of various problems on the market, and collect the result data in a way that the user collects the results of solving the problems. The problem database includes a listening assessment problem and may be in the form of text, image, audio, and / or video.
이때 데이터 분석 서버는 수집된 문제 풀이 결과 데이터를 사용자, 문제, 결과에 대한 리스트 형태로 구성할 수 있다. 예를 들어 Y (u, i)는 사용자 u가 문제 i를 푼 결과를 의미하며, 정답인 경우 1, 오답인 경우 0의 값이 부여될 수 있다. At this time, the data analysis server can organize the collected problem solution result data into a list of users, problems, and results. For example, Y (u, i) denotes a result obtained by solving the problem i by user u, and may be given a value of 1 when the answer is correct and a value of 0 when the answer is incorrect.
나아가 본 발명의 실시예를 따르는 데이터 분석 서버는 사용자와 문제로 구성된 다차원 공간을 구성하고, 사용자가 문제를 맞았는지 틀렸는지를 기준으로 상기 다차원 공간에 값을 부여하여, 각각의 사용자 및 문제에 대한 벡터를 계산할 수 있다. (단계 120) 이때 상기 사용자 벡터와 문제 벡터가 포함하는 피처는 특정되지 않는 것으로 해석되어야 한다. Furthermore, the data analysis server according to the embodiment of the present invention constructs a multidimensional space composed of users and problems, and assigns values to the multidimensional space based on whether a user has a problem or a mistake, Can be calculated. (Step 120). At this time, the feature vector included in the user vector and the problem vector should be interpreted as not being specified.
본 발명의 실시예를 따르는 데이터 분석 프레임워크에서 사용자와 문제를 모델링 벡터로 표현하는 이유는 궁극적으로는 특정 사용자가 특정 문제를 맞출지 틀릴지를 정밀하게 예측하기 위한 것이다. The reason for expressing the user and the problem as a modeling vector in a data analysis framework according to an embodiment of the present invention is to ultimately predict precisely whether or not a particular user will fit a particular problem.
그런데 사용자의 문제에 대한 정답률은 전술한 바와 같이 사용자의 정오답 결과를 수집하여 분석하는 방식으로 추정할 수 있지만, 보기의 선택 확률을 이용하여 추정할 수도 있다. However, the correct answer rate for the user's problem can be estimated by collecting and analyzing the user's correct answer result as described above, but can also be estimated using the selection probability of the view.
예를 들어 제 1 사용자가 특정 문제에 대한 보기 선택 확률이 (0.1, 0.2, 0, 0.7)인 경우, 사용자는 높은 확률로 보기 4번을 선택할 것이고, 해당 문제의 정답이 4번인 경우, 제 1 사용자는 그 문제를 맞을 확률이 높을 것으로 예상할 수 있다. For example, if the first user has a view selection probability of (0.1, 0.2, 0, 0.7) for a particular problem, the user will select view 4 with a high probability, and if the answer to the question is 4, The user can expect to have a high probability of meeting the problem.
나아가 문제의 난이도는 전체 사용자들의 정오답 결과를 수집하여 분석하는 방식으로 추정할 수도 있지만, 보기의 선택확률을 이용하여 추정할 수도 있다. Furthermore, the degree of difficulty of the problem can be estimated by collecting and analyzing the results of correct answers of all users, but it can also be estimated using the selection probability of the view.
예를 들어 4지 선다형으로 구성된 특정 문제에 대해 사용자들의 보기 선택 확률이 (0.5, 0.1, 0.3, 0.6)인 경우, 사용자들이 제 2 문제에서 보기 1번을 고를 확률과 보기 4번을 고를 확률이 비슷하므로, 제 2 문제는 난이도가 높은 것으로 분류할 수 있다.For example, if a user has a view selection probability of (0.5, 0.1, 0.3, 0.6) for a particular problem consisting of four-way selection, the probability that users will select view 1 in the second problem and the probability The second problem can be classified as having a high degree of difficulty.
이를 위해 도 1의 예에서 데이터 분석 서버는 전체 문제와 전체 사용자에 대한 풀이 결과 데이터를 사용자가 선택한 보기 요소를 포함하여 수집할 수 있다. (단계 130) 보다 구체적으로 데이터 분석 서버는 문제 데이터베이스를 구성하고, 상기 문제 데이터베이스에 속하는 전체 문제들에 대해 전체 사용자가 어떤 보기를 선택했는지에 대한 결과 데이터를 수집할 수 있다. To this end, in the example of FIG. 1, the data analysis server may collect the entire problem and the pool of all users, including the view elements selected by the user. (Step 130) More specifically, the data analysis server may configure the problem database and collect result data as to which view the entire user has selected for all problems belonging to the problem database.
예를 들어 데이터 분석 서버는 시중에 나와 있는 각종 문제들에 대한 데이터베이스를 구축하고, 사용자가 해당 문제에서 어떤 보기를 선택했는지, 보기 선택 결과를 수집하는 방식으로 풀이 결과 로그를 수집할 수 있으며, 추가적으로 해당 문제에 대한 정오답 결과를 수집할 수도 있다. 이때 데이터분석 서버는 사용자, 문제, 해당 사용자가 해당 문제에서 선택한 보기에 대한 리스트를 구성할 수 있다.For example, the data analysis server can build a database of various problems on the market, collect the results log by collecting the view selection result, which view the user has selected in the problem, You may also collect correct answers for the problem. At this time, the data analysis server can construct a list of users, problems, and views selected by the user in question.
이후 데이터분석 서버는 하나의 문제를 보기 단위로 확장하여 데이터 분석 처리를 수행할 수 있다. (단계 140) Thereafter, the data analysis server can perform a data analysis process by expanding one problem to a unit of view. (Step 140)
예를 들어 문제 i가 사지선다형 문제인 경우, 문제 i는 (i, 1) (i, 2) (i, 3) (i, 4)의 변수 4개로 확장되며, 각 문제-보기의 각 사용자의 선택 여부가 값으로 부여될 수 있다. For example, if problem i is a multiple choice problem, problem i is extended to four variables of (i, 1) (i, 2) (i, 3) (i, 4) Can be given as a value.
예를 들어 E (i, j)는 문제 i의 보기 j를 의미하며, Y' (u, E)는 사용자 u가 문제 i의 보기 j를 선택했는지를 의미하며, 본 발명의 실시예를 따르면 선택한 경우 1, 선택하지 않은 경우 0의 값이 부여될 수 있다. For example, E (i, j) means view j of problem i, and Y '(u, E) means that user u has selected view j of problem i, A value of 0 can be given if the value is not selected.
나아가 데이터 분석 서버는 사용자 및 문제-보기를 변수로 다차원 공간을 구성하고, 사용자가 해당 문제-보기를 선택했는지를 기준으로 상기 다차원 공간에 값을 부여하여, 각각의 사용자 및 문제-보기에 대한 벡터를 계산할 수 있다. Furthermore, the data analysis server constructs a multidimensional space with user and problem-view as variables, and assigns values to the multidimensional space based on whether the user has selected the problem-view so that a vector for each user and problem- Can be calculated.
이후 데이터 분석 서버는 상기 사용자 벡터와 상기 문제-보기 벡터를 이용하여 임의의 사용자가 임의의 문제-보기를 선택할 확률, 즉 선택률을 추정할 수 있다. (단계 150)The data analysis server can then estimate the probability, that is, the selectivity, that an arbitrary user selects an arbitrary problem-view using the user vector and the problem-view vector. (Step 150)
이때 상기 사용자 벡터와 상기 문제-보기 벡터에 다양한 알고리즘을 적용하여 상기 선택률을 추정할 수 있으며, 본 발명을 해석함에 있어 선택률을 계산하기 위한 알고리즘은 제한되지 않는다. At this time, the selectivity can be estimated by applying various algorithms to the user vector and the problem-view vector, and the algorithm for calculating the selectivity in interpreting the present invention is not limited.
예를 들어, 본 발명의 실시예를 따르면, 아래의 수학식 1과 같은 시그모이드 함수를 적용하면, 사용자의 문제-보기 선택률을 추정할 수 있다. (x는 문제-보기 벡터, θ는 사용자 벡터)For example, according to an embodiment of the present invention, a problem-view selectivity of a user can be estimated by applying a sigmoid function as shown in Equation 1 below. (x is the problem-view vector, θ is the user vector)
[수학식 1][Equation 1]
ｈθ(x) = 1 / ( 1 + e( -θ * T * X) )h? (x) = 1 / (1 + e ? -T * T * X )
나아가 본 발명의 실시예를 따르는 데이터 분석 서버는 사용자의 보기 선택률을 이용하여 문제의 정답률을 추정할 수 있다. (단계 160)Furthermore, the data analysis server according to the embodiment of the present invention can estimate the correctness rate of the problem using the view selectivity of the user. (Step 160)
그런데 예를 들어 4지 선다형으로 구성된 특정 문제에 대해 특정 사용자의 보기 선택 확률이 (0.5, 0.1, 0.3, 0.6)이며, 정답 보기는 1번인 경우, 상기 사용자가 해당 문제를 맞출 확률은 얼마인지가 문제된다. 즉, 해당 문제에 대한 복수의 보기 선택률을 이용하여 해당 문제의 정답률을 추정하는 방법을 고려할 수 있다. However, for example, if the view selection probability of a particular user is 0.5, 0.1, 0.3, 0.6 for a specific problem consisting of 4-way multiple choice, and the correct answer is 1, the probability of the user matching the problem is It is a problem. That is, a method of estimating the percentage of correct answers of the problem may be considered using a plurality of view selectivity rates for the problem.
본 발명의 실시예를 따라 보기 선택률을 문제 정답률로 환원하는 간단한 방식으로는 전체 보기의 선택률 대비 정답 보기의 선택률을 비교하는 방법을 고려할 수 있다. 이 경우 앞의 예에서 해당 사용자의 해당 문제에 대한 정답률은 0.5 / (0.5+0.1+0.3+0.6)로 계산할 것이다. 그러나 사용자는 문제를 풀이할 때는 보기 단위로 구분하여 해당 문제를 이해하는 것이 아니라, 전체 보기에 대한 구성 및 문제의 출제 의도를 포함하여 문제 단위로 이해하기 때문에 보기 선택률과 정답률은 단순 연결될 수 없다. As a simple method of reducing the view selectivity to the problem correct answer rate according to the embodiment of the present invention, a method of comparing the selectivity of the correct answer view versus the selectivity of the overall view may be considered. In this case, the correct answer rate for the user's problem in the previous example will be calculated as 0.5 / (0.5 + 0.1 + 0.3 + 0.6). However, the user can not simply connect the view selectivity and the correct answer rate because he or she understands the problem by the unit including the intent of the construction of the whole view and the intention to issue the question,
따라서 본 발명의 실시예를 따르면, 해당 문제의 전체 보기 선택률을 평균화하고 정답 보기의 평균화된 선택률을 전체 보기의 선택률에 적용하는 방식으로 보기 선택률로부터 해당 문제의 정답률을 추정할 수 있다. Therefore, according to the embodiment of the present invention, the correctness percentage of the problem can be estimated from the view selectivity by averaging the total view selectivity of the problem and applying the averaged selectivity of the correct answer view to the selectivity of the entire view.
앞의 예에서 보기의 선택 확률이 (0.5, 0.1, 0.3, 0.6)인 경우, 이를 전체 보기에 대해 평균화하면 각각의 보기 선택률은 (0.33, 0.07, 0.20, 0.41)로 스케일이 변경될 수 있다. 정답 보기가 1번인 경우, 보기 1의 평균화된 선택률은 0.33으로, 해당 사용자의 해당 문제에 대한 정답률은 33%로 추정될 수 있다. If the selection probabilities of the example in the previous example are (0.5, 0.1, 0.3, 0.6), then the view selectivity can be scaled to (0.33, 0.07, 0.20, 0.41) for each view. If the correct answer is 1, the averaged selectivity of example 1 is 0.33, and the correct answer rate for the user is 33%.
나아가 본 발명의 실시예를 따르는 서비스 서버는 사용자의 문제-보기 선택 확률을 이용하여 문제의 정답률을 추정할 수 있으며, 이를 통해 특정 개념에 대한 사용자의 이해도를 추정할 수 있다. Furthermore, the service server according to the embodiment of the present invention can estimate the correctness rate of the problem using the user's problem-view selection probability, thereby estimating the user's understanding of the specific concept.
나아가 데이터 분석 서버는 문제의 보기별 선택률을 기반으로 해당 사용자의 특정 문제에 대한 학습 효율을 계산할 수 있다. (단계 165)Furthermore, the data analysis server can calculate the learning efficiency of the user's specific problem based on the view-by-view selectivity of the problem. (Step 165)
본 발명의 실시예를 따르는 데이터 분석 서버는 전술한 바와 같이, 문제의 보기 단위의 모델링 벡터와 사용자 모델링 벡터를 이용하여 각각의 사용자에 대해 문제의 보기 단위의 선택 확률 및 해당 사용자의 문제 단위의 정답 확률을 계산할 수 있다. 이를 바탕으로 본 발명의 실시예를 따르는 데이터 분석 서버는, 특정 사용자의 임의의 문제의 보기별 선택 확률에 상기 사용자가 해당 보기를 선택한 경우, 다른 문제의 정답률 변경값의 평균값을 적용하면 해당 문제의 학습 효율을 계산할 수 있다. As described above, the data analysis server according to the embodiment of the present invention uses the modeling vector of the problem unit and the user modeling vector to determine the selection probability of the problem unit of view and the correct answer Probability can be calculated. Based on this, the data analysis server according to the embodiment of the present invention can determine whether or not the user selects the view according to the view selection probability of a certain problem of a specific user, The learning efficiency can be calculated.
예를 들어 사용자 A의 특정 문제 a의 제 1 보기에 대한 선택률이 a1, 제 2 보기에 대한 선택률이 a2, 제 3 보기에 대한 선택률이 a3, 제 4 보기에 대한 선택률이 a4인 경우를 고려할 수 있다. For example, consider a case where the selectivity a1 for the first view of the specific problem a of the user A, the selectivity a2 for the second view, the selectivity a3 for the third view, and the selectivity a4 for the fourth view are considered have.
그때, 사용자 A가 해당 문제에 대해 제 1 보기를 선택한 것으로 가정하면, 사용자 A의 모델링 벡터 및 전체 문제들의 모델링 벡터는 사용자 A의 제 1 보기 선택 이벤트가 적용하여 다소 변경될 것이며, 변경된 모델링 벡터에 따라 각 문제들의 정답률이 다소 변경될 것이다. 이에 따라 데이터 분석 서버는 사용자 A의 제 1 보기 선택에 대한 가상 이벤트를 적용하여 전체 문제들의 정답률 변경 평균값 AVC_a1을 계산할 수 있다. Then, assuming that user A has selected the first view for the problem, the modeling vector of user A and the modeling vector of all problems will be somewhat modified by applying the first view select event of user A, and the modified modeling vector Therefore, the percentage of correct answers for each problem will change somewhat. Accordingly, the data analysis server can calculate the correct ratio change average value AVC_a1 of all the problems by applying the virtual event for the first view selection of the user A.
동일한 방법으로 데이터 분석 서버는 사용자 A가 제 2 보기를 선택한 것으로 가정하여 AVC_a2를 계산하고, 제 3 보기를 선택한 것으로 가정하여 AVC_a3를 계산하고, 제 4 보기를 선택한 것으로 가정하여 AVC_a4를 계산할 수 있다. In the same way, the data analysis server calculates AVC_a2 on the assumption that user A selects the second view, calculates AVC_a3 on the assumption that the third view is selected, and calculates AVC_a4 on the assumption that the fourth view is selected.
이후 데이터 분석 서버는 사용자 A의 문제 a를 통한 학습효율 E(A,a)를 아래의 수식을 통해 계산할 수 있다. Then, the data analysis server can calculate the learning efficiency E (A, a) through the problem a of the user A through the following equation.
[수학식 2]&Quot; (2) "
E(A,a)= a1* AVC_a1 + a2* AVC_a2 + a3* AVC_a3 + a4* AVC_a4E (A, a) = a1 * AVC_a1 + a2 * AVC_a2 + a3 * AVC_a3 + a4 * AVC_a4
나아가 데이터 분석 서버는 전체 문제에 대해 E(A)를 계산하고, E(A)가 가장 높은 문제 순으로 사용자 맞춤형 문제를 제공할 수 있다. (단계 170) 즉, 본 발명의 실시예를 따르면 임의의 사용자에게 가장 학습 효율이 높은 문제를 제공할 수 있다. Furthermore, the data analysis server can calculate E (A) for the whole problem, and E (A) can provide a customized problem in the order of the highest problem. (Step 170). That is, according to the embodiment of the present invention, it is possible to provide a problem with the highest learning efficiency to any user.
한편 데이터 분석 서버는 사용자 벡터, 문제-보기 벡터, 보기 선택률, 문제의 정답률, 사용자의 개념 이해도, 문제의 개념 구성도 중 적어도 하나 이상을 이용하여 사용자 맞춤형 컨텐츠를 추천할 수 있다. (단계 170)Meanwhile, the data analysis server can recommend user-customized contents using at least one of the user vector, the problem-view vector, the view selectivity, the correctness rate of the problem, the user's conceptual understanding, and the conceptual structure of the problem. (Step 170)
예를 들어 서비스 서버는 특정 개념에 대한 이해도가 낮은 사용자에게 해당 개념에 대한 심화 강좌를 추천할 수 있다. For example, a service server can recommend a deepening course on a concept to a user with a low degree of understanding of the specific concept.
또 다른 예로 서비스 서버는 복수의 개념을 모두 포함하는 문제에 대한 정답률이 낮은 사용자에게 상기 복수의 개념을 포함하도록 구성된 문제를 추천할 수 있다.As another example, the service server may recommend a problem configured to include the plurality of concepts to a user with a low percentage of correct answers to the problem including all of the plurality of concepts.
나아가 서비스 서버는 문제 데이터베이스 세트 중 사용자가 이미 풀어본 문제를 제외하고, 나머지 문제들을 특정 사용자에 대한 정답률이 낮은 순서대로 정렬하여 해당 사용자에 대한 추천 문제 리스트를 작성하고 이를 제공할 수 있다. In addition, the service server can arrange the other problems in the order of lowering the percentage of correct answers for the specific users and create a list of recommendation problems for the users, and provide them, except for the problem already solved by the user among the problem database sets.
예를 들어 사용자-문제 정답률 P의 1번 행의 값이 [0.3, 0.4, 0.1, 0.9, 0.7]인 경우 사용자 1이 문제 1, 2, 3, 4, 5를 맞출 확률이 각각 30%, 40%, 10%, 90%, 70%인 것으로 해석될 것이다. 서비스 서버는 문제 3, 1, 2, 5, 4의 순서로 우선순위를 부여한 문제 추천 리스트를 사용자에게 제공할 수 있다. 이때 문제 5번을 사용자 1이 이미 풀었다면 서비스 서버는 문제 5번은 제외하고 문제 추천 리스트를 작성할 수 있다. For example, if the value of the first row of the user-problem correctness rate P is [0.3, 0.4, 0.1, 0.9, 0.7], then the probability that user 1 matches problems 1, 2, 3, 4, %, 10%, 90%, 70%. The service server may provide the user with a problem recommendation list that prioritizes problems 3, 1, 2, 5, and 4 in order. At this time, if user 1 has already solved problem 5, the service server can create a problem recommendation list except problem 5.
본 명세서와 도면에 게시된 본 발명의 실시 예들은 본 발명의 기술 내용을 쉽게 설명하고 본 발명의 이해를 돕기 위해 특정 예를 제시한 것뿐이며, 본 발명의 범위를 한정하고자 하는 것은 아니다. 여기에 게시된 실시 예들 이외에도 본 발명의 기술적 사상에 바탕을 둔 다른 변형 예들이 실시 가능하다는 것은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에게 자명한 것이다. The embodiments of the present invention disclosed in the present specification and drawings are intended to be illustrative only and not intended to limit the scope of the present invention. It will be apparent to those skilled in the art that other modifications based on the technical idea of the present invention are possible in addition to the embodiments disclosed herein.
Claims (6)
상기 서비스 서버에서, 특정 과목에 대한 객관식 문제를 적어도 하나 이상 포함하는 문제 데이터베이스를 구성하는 a 단계;
상기 서비스 서버에서, 상기 문제 데이터베이스에 포함된 상기 문제를 사용자 디바이스에 제공하고, 상기 사용자 디바이스로부터 상기 문제에 대한 상기 사용자의 보기 선택 데이터를 수집하고, 상기 문제에 포함된 보기에 대한 보기별 선택률을 추정하며, 상기 문제의 정답률을 계산하는 b 단계;
상기 서비스 서버에서, 상기 사용자의 보기 선택 데이터를 이용하여, 상기 사용자의 상기 개념의 이해도를 추정하는 c 단계; 및
상기 서비스 서버에서, 상기 사용자가 취약한 개념을 포함하여 구성된 문제를 추천하는 d 단계를 포함하는 것을 특징으로 하는 학습 컨텐츠 제공 방법.A method for providing learning contents in a service server,
A) constructing a problem database including at least one multiple choice problem for a specific course in the service server;
Providing, at the service server, the problem included in the problem database to a user device, collecting the user's view selection data for the problem from the user device, and selecting a view-by- B) calculating a correct answer rate of the question;
C) estimating an understanding degree of the concept of the user using the view selection data of the user at the service server; And
And d in the service server, recommending a problem configured by the user including a weak concept.
상기 서비스 서버에서, 상기 문제 데이터베이스에 포함된 문제들 각각에 대해, 상기 문제의 개념의 포함도를 추정하는 단계를 포함하는 것을 특징으로 하는 학습 컨텐츠 제공 방법. 2. The method of claim 1,
And estimating an inclusion degree of the concept of the problem in each of the problems included in the problem database in the service server.
특정 과목에 대해 적어도 하나 이상의 보기를 포함하는 객관식 문제를 적어도 하나 이상 포함하는 문제 데이터베이스; 및
상기 문제 데이터베이스에 포함된 상기 문제를 사용자 디바이스에 제공하고, 상기 사용자 디바이스로부터 상기 문제에 대한 상기 사용자의 보기 선택 데이터를 수집하고, 상기 문제에 포함된 보기에 대한 보기별 선택률을 추정하고, 상기 문제의 정답률을 계산하며, 상기 사용자의 보기 선택 데이터를 이용하여, 상기 사용자의 상기 개념의 이해도를 추정하고, 상기 사용자가 취약한 개념을 포함하여 구성된 문제를 추천하는 제어부를 포함하는 것을 특징으로 하는 서비스 서버. A service server for providing learning contents,
A problem database that includes at least one multiple choice question that includes at least one view for a particular subject; And
Providing the problem contained in the problem database to a user device, collecting the user's view selection data for the problem from the user device, estimating a view-by-view selection rate for the view included in the problem, And a controller for estimating a degree of understanding of the concept of the user using the view selection data of the user and recommending a problem including the concept that the user is vulnerable, .
상기 문제 데이터베이스에 포함된 문제들 각각에 대해, 상기 문제의 개념의 포함도를 추정하는 것을 특징으로 하는 서비스 서버.The apparatus of claim 3,
For each of the problems included in the problem database, the degree of inclusion of the concept of the problem is estimated.
특정 과목에 대해 적어도 하나 이상의 보기를 포함하는 객관식 문제를 적어도 하나 이상 포함하는 문제 데이터베이스를 구성하는 기능;
상기 문제 데이터베이스에 포함된 상기 문제를 사용자 디바이스에 제공하고, 상기 사용자 디바이스로부터 상기 문제에 대한 상기 사용자의 보기 선택 데이터를 수집하고, 상기 문제에 포함된 보기에 대한 보기별 선택 확률을 추정하며, 상기 문제의 정답률을 계산하는는 기능;
상기 사용자의 보기 선택 데이터를 이용하여, 상기 사용자의 상기 개념의 이해도를 추정하는 기능; 및
상기 사용자가 취약한 개념을 포함하여 구성된 문제를 추천하는 기능을 수행하는 것을 특징으로 하는 컴퓨터 프로그램. A computer program stored in a service server for performing a process of providing learning contents,
The ability to construct a problem database that includes at least one multiple choice question including at least one view for a particular subject;
Providing the problem contained in the problem database to a user device, collecting the user's view selection data for the problem from the user device, estimating a view-by-view selection probability for the view included in the problem, A function to calculate the percent correct of the problem;
A function of estimating an understanding degree of the concept of the user by using the view selection data of the user; And
Wherein the user performs a function of recommending a problem configured including a weak concept.
상기 문제 데이터베이스에 포함된 문제들 각각에 대해 상기 문제의 개념의 포함도를 추정하는 기능을 수행하는 것을 특징으로 하는 컴퓨터 프로그램.7. The computer program according to claim 6,
And estimates the degree of inclusion of the concept of the problem for each of the problems included in the problem database.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020190024272A KR102213479B1 (en) | 2019-02-28 | 2019-02-28 | Method, apparatus and computer program for providing educational contents |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020190024272A KR102213479B1 (en) | 2019-02-28 | 2019-02-28 | Method, apparatus and computer program for providing educational contents |
Related Parent Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020180046835A Division KR101996249B1 (en) | 2018-04-23 | 2018-04-23 | Method, apparatus and computer program for operating a machine learning framework for providing personalized educational contents |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20190025873A true KR20190025873A (en) | 2019-03-12 |
| KR102213479B1 KR102213479B1 (en) | 2021-02-08 |
Family
ID=65800126
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020190024272A KR102213479B1 (en) | 2019-02-28 | 2019-02-28 | Method, apparatus and computer program for providing educational contents |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102213479B1 (en) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102096301B1 (en) * | 2019-04-03 | 2020-04-02 | (주)뤼이드 | Method, apparatus and computer program for operating a machine learning framework with active learning techniqe |
| KR102344724B1 (en) * | 2021-03-12 | 2022-01-04 | 주식회사 노스트라에이아이 | Electronic apparatus for managing learning of student based on artificial intelligence, and learning management method |
| KR20220026449A (en) * | 2020-08-25 | 2022-03-04 | 세종대학교산학협력단 | Scheme for reinforcement learning based enhancement of interaction |
| KR102538342B1 (en) * | 2022-10-19 | 2023-06-02 | 주식회사 아이스크림에듀 | Artificial intelligence tutoring system using inference of proficiency by curriculum based on diagnostic evaluation data for new learners |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102398319B1 (en) * | 2021-07-09 | 2022-05-16 | (주)뤼이드 | Method for, device for, and system for recommending education contents |
| KR102626442B1 (en) * | 2021-07-09 | 2024-01-18 | (주)뤼이드 | Method for, device for, and system for recommending education contents |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101285217B1 (en) * | 2011-10-06 | 2013-07-11 | 주식회사 퀀트랩 | System of generating problems using q vector and method thereof |
| KR20150102476A (en) * | 2014-02-28 | 2015-09-07 | 안명훈 | Method for customized smart education based on self-evolutionary learning |
| KR20160009155A (en) * | 2014-07-15 | 2016-01-26 | 한양대학교 산학협력단 | Method and System for Smart Personalized Learning Tutoring to Provide Service of Effective Study Encouragement and Tutoring and Learning Strategy Establishment |
| JP2016109981A (en) * | 2014-12-09 | 2016-06-20 | 株式会社日立製作所 | Learning management system and learning management method |
| KR20160117097A (en) | 2015-03-31 | 2016-10-10 | 이소열 | Education performance predict method and system using estimation filter |
-
2019
- 2019-02-28 KR KR1020190024272A patent/KR102213479B1/en active IP Right Grant
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101285217B1 (en) * | 2011-10-06 | 2013-07-11 | 주식회사 퀀트랩 | System of generating problems using q vector and method thereof |
| KR20150102476A (en) * | 2014-02-28 | 2015-09-07 | 안명훈 | Method for customized smart education based on self-evolutionary learning |
| KR20160009155A (en) * | 2014-07-15 | 2016-01-26 | 한양대학교 산학협력단 | Method and System for Smart Personalized Learning Tutoring to Provide Service of Effective Study Encouragement and Tutoring and Learning Strategy Establishment |
| JP2016109981A (en) * | 2014-12-09 | 2016-06-20 | 株式会社日立製作所 | Learning management system and learning management method |
| KR20160117097A (en) | 2015-03-31 | 2016-10-10 | 이소열 | Education performance predict method and system using estimation filter |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102096301B1 (en) * | 2019-04-03 | 2020-04-02 | (주)뤼이드 | Method, apparatus and computer program for operating a machine learning framework with active learning techniqe |
| KR20220026449A (en) * | 2020-08-25 | 2022-03-04 | 세종대학교산학협력단 | Scheme for reinforcement learning based enhancement of interaction |
| KR102344724B1 (en) * | 2021-03-12 | 2022-01-04 | 주식회사 노스트라에이아이 | Electronic apparatus for managing learning of student based on artificial intelligence, and learning management method |
| KR20220128259A (en) * | 2021-03-12 | 2022-09-20 | 주식회사 노스트라에이아이 | Electronic apparatus for utilizing avatar matched to user's problem-solving ability, and learning management method |
| KR20220128260A (en) * | 2021-03-12 | 2022-09-20 | 주식회사 노스트라에이아이 | Electronic apparatus for designing learning process based on comparative evaluation between student and artificial inteligence model, and learning management method |
| KR102538342B1 (en) * | 2022-10-19 | 2023-06-02 | 주식회사 아이스크림에듀 | Artificial intelligence tutoring system using inference of proficiency by curriculum based on diagnostic evaluation data for new learners |
Also Published As
| Publication number | Publication date |
|---|---|
| KR102213479B1 (en) | 2021-02-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR101853091B1 (en) | Method, apparatus and computer program for providing personalized educational contents through user response prediction framework with machine learning | |
| KR20190025873A (en) | Method, apparatus and computer program for providing educational contents | |
| KR101816665B1 (en) | Method, apparatus and computer program for analysis educational data of multiple-choice question | |
| US11514809B2 (en) | Educational and content recommendation management system | |
| JP7474517B2 (en) | Machine learning method, device and computer program for providing personalized educational content based on learning efficiency | |
| KR102096301B1 (en) | Method, apparatus and computer program for operating a machine learning framework with active learning techniqe | |
| De Morais et al. | Monitoring student performance using data clustering and predictive modelling | |
| KR101895959B1 (en) | Method, apparatus and computer program for interpreting analysis results of machine learning framework | |
| Steiner et al. | Learning analytics and educational data mining: An overview of recent techniques | |
| KR102075936B1 (en) | Method, apparatus and computer program for operating a machine learning for providing personalized educational contents based on learning efficiency | |
| KR20190025871A (en) | Method, apparatus and computer program for providing personalized educational contents | |
| KR20190049627A (en) | Method, apparatus and computer program for interpreting analysis results of machine learning framework | |
| KR20200115966A (en) | A problem curation system and method reflecting the similarity of the user learning information and the similarity of the problem context in the question bank | |
| KR101996249B1 (en) | Method, apparatus and computer program for operating a machine learning framework for providing personalized educational contents | |
| KR101836206B1 (en) | Method, apparatus and computer program for providing personalized educational contents | |
| KR101895963B1 (en) | Method for analysis of new users | |
| KR20190080316A (en) | Method, apparatus for generating wrong answer notes | |
| EL MEZOUARY et al. | An evaluation of learner clustering based on learning styles in MOOC course | |
| KR20220065722A (en) | Learning problem recommendation system that recommends evaluable problems through unification of the score probability distribution form and operation thereof | |
| KR20190025872A (en) | Method, apparatus and computer program for analyzing users and providing contents | |
| KR20190025870A (en) | Method, apparatus and computer program for analyzing education contents and users | |
| US11922827B2 (en) | Learning management systems and methods therefor | |
| KR101245824B1 (en) | Method, system and computer-readable recording medium for providing study information | |
| KR20190049435A (en) | Method, apparatus and computer program for analysis of new users | |
| CN117257304A (en) | Cognitive ability evaluation method and device, electronic equipment and storage medium |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A107 | Divisional application of patent | ||
| A201 | Request for examination | ||
| E902 | Notification of reason for refusal | ||
| E90F | Notification of reason for final refusal | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |