KR20190066849A - 빅데이터와 머신러닝 기반의 학생 맞춤형 인공지능 stem 교육 플랫폼 - Google Patents
빅데이터와 머신러닝 기반의 학생 맞춤형 인공지능 stem 교육 플랫폼 Download PDFInfo
- Publication number
- KR20190066849A KR20190066849A KR1020170166655A KR20170166655A KR20190066849A KR 20190066849 A KR20190066849 A KR 20190066849A KR 1020170166655 A KR1020170166655 A KR 1020170166655A KR 20170166655 A KR20170166655 A KR 20170166655A KR 20190066849 A KR20190066849 A KR 20190066849A
- Authority
- KR
- South Korea
- Prior art keywords
- learning
- knowledge
- data
- student
- stem
- Prior art date
Links
- 238000010801 machine learning Methods 0.000 title abstract description 12
- 238000011156 evaluation Methods 0.000 claims abstract description 15
- 238000012549 training Methods 0.000 claims description 3
- 238000000034 method Methods 0.000 abstract description 6
- 238000012545 processing Methods 0.000 abstract description 5
- 230000002596 correlated effect Effects 0.000 abstract 1
- 238000004458 analytical method Methods 0.000 description 20
- 238000010586 diagram Methods 0.000 description 15
- 238000013473 artificial intelligence Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 6
- 238000007405 data analysis Methods 0.000 description 6
- 238000001914 filtration Methods 0.000 description 4
- 238000012351 Integrated analysis Methods 0.000 description 2
- 238000012098 association analyses Methods 0.000 description 2
- 238000009795 derivation Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000004044 response Effects 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
- G06Q50/205—Education administration or guidance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Educational Technology (AREA)
- Educational Administration (AREA)
- General Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
본 발명은 빅데이터와 머신러닝 기반의 학생 맞춤형 인공지능 STEM 교육 플랫폼에 관한 것으로서, 보다 구체적으로, 학생들의 평가결과 데이터, 학생 프로파일, 단위지식을 기반으로 한 지식체계도 및 평가를 위한 문제은행 DB를 이용하여, 상호 연관데이터를 가공한 대용량 데이터 마트를 고속 처리해줄 수 있는 것을 특징으로 하는 빅데이터와 머신러닝 기반의 학생 맞춤형 인공지능 STEM 교육 플랫폼에 관한 것이다.
Description
본 발명은 빅데이터와 머신러닝 기반의 학생 맞춤형 인공지능 STEM 교육 플랫폼에 관한 것으로서, 보다 구체적으로, 학생들의 평가결과 데이터, 학생 프로파일, 단위지식을 기반으로 한 지식체계도 및 평가를 위한 문제은행 DB를 이용하여, 상호 연관데이터를 가공한 대용량 데이터 마트를 고속 처리해줄 수 있는 것을 특징으로 하는 빅데이터와 머신러닝 기반의 학생 맞춤형 인공지능 STEM 교육 플랫폼에 관한 것이다.
최근 스마트러닝의 발전과 학습자 중심으로 변화하고 있는 교육의 패러다임에 따라 기존의 전통적인 교육방법이 지속적으로 변화하고 있으며, 교수중심에서 학생주도 형태의 거꾸로 교실(Flipped Learning) 은 최근 교육의 화두가 되었다. 2010년 무렵 미국에서부터 시작해 최근 수 년 사이 주요 선진국에서 주목을 받고 있는 거꾸로 교실(Flipped Learning)은 주입식으로 진행하던 강의식 수업을 학생들이 수업 전에 미리 학습하도록 하고 교실에서는 강의 대신 다양한 활동으로 수업의 몰입도와 참여도를 높이는 것이다.
이러한 혼합형 학습(Blended Learning)은 미국의 경우 보급률이 50%를 넘어서는 반면 국내의 보급률은 29.5%로 아직까지 미비한 상태이다. 이는 사전 학습활동 분석 작업의 어려움으로 결국 효과적인 혼합형 학습(Blended Learning)을 실현하기 어렵기 때문에 전통적 수업의 보조자료 정도로만 활용되고 있는 실정이다.
상술한 문제점을 해결하기 위해 도출된 본 발명의 목적은, 표준 연동방식에 의한 기존 콘텐츠의 통합적 분석이 가능한 인공지능 기반의 단위 지식체계도를 구축하기 위한 모델을 연구하고 이를 활용하여 STEM 교육 플랫폼에 적용하고 기존 파편화된 교육컨텐츠의 문제를 해결하고 국내의 문제은행식의 교육 콘텐츠 제공 서비스의 한계를 벗어나 학생의 현재 수준의 진단 및 평가 그리고 미래 학습모델을 추천할 수 있는 빅데이터와 머신러닝 기반의 학생 맞춤형 STEM 교육 플랫폼을 제공하기 위함이다.
STEM이란, 1990년대 미국 과학 재단(National Science Foundation)에서 사용하기 시작한 용어로 Science, Technology, Engineering, Mathematics의 머리글자로 STEM이라 사용되며 수학과 과학 교과목의 융합교육을 의미한다.
본 발명의 빅데이터와 머신러닝 기반의 학생 맞춤형 인공지능 STEM 교육 플랫폼은, 특정 단위지식에 대한 평가문제를 구성하기 위하여, 단위지식의 연관 구성으로 구성된 지식체계를 기반으로 문제은행을 구성하고, 문제추천에 의해 생성된 결과데이터를 선행학습데이터로 사용함으로써 초기 문제은행에서 출제된 문제들에 대한 가중치 초기값을 최적의 초기값으로 조정이 가능한 문제 추천모듈; 및 지식체계의 단위지식 연관관계를 이용하여 단계별로 지식을 학습하는 코스를 추천하며, 학생의 학업성취도에 따라 단위지식들의 가중치에 따른 학습코스를 추천하는 학습코스 추천모듈;를 포함하고, 학생들의 평가결과 데이터, 학생 프로파일, 단위지식을 기반으로 한 지식체계도 및 평가를 위한 문제은행 DB를 이용하여, 상호 연관데이터를 가공한 대용량 데이터 마트를 고속 처리해줄 수 있는 것을 특징으로 한다.
본 발명에 따르면, 표준 연동방식에 의한 기존 콘텐츠의 통합적 분석이 가능한 인공지능 기반의 단위 지식체계도를 구축하기 위한 모델을 연구하고 이를 활용하여 STEM 교육 플랫폼에 적용하고 기존 파편화된 교육컨텐츠의 문제를 해결하고 국내의 문제은행식의 교육 콘텐츠 제공 서비스의 한계를 벗어나 학생의 현재 수준의 진단 및 평가 그리고 미래 학습모델을 추천할 수 있는 빅데이터와 머신러닝 기반의 학생 맞춤형 STEM 교육 플랫폼을 제공할 수 있다.
도 1은 본 발명의 일실시예에 따른 인공지능 STEM 교육 플랫폼 개념도
도 2는 본 발명의 일실시예에 따른 인공지능 STEM 교육 플랫폼 구성도
도 3은 본 발명의 일실시예에 따른 인공지능 STEM 교육 플랫폼에서의 STEM분석을 위한 단위 지식체계도
도 4는 본 발명의 일실시예에 따른 머신러닝 기반 빅데이터 플랫폼
도 5는 본 발명의 일실시예에 따른 빅데이터 플랫폼 시스템 구성도
도 6은 본 발명의 일실시예에 따른 빅데이터 분석 결과 피드백을 나타낸 도면
도 7은 본 발명의 일실시예에 따른 문제추천을 위한 DBN-CF
도 8은 본 발명의 일실시예에 따른 학습코스추천을 위한 RNN-CF이다.
도 2는 본 발명의 일실시예에 따른 인공지능 STEM 교육 플랫폼 구성도
도 3은 본 발명의 일실시예에 따른 인공지능 STEM 교육 플랫폼에서의 STEM분석을 위한 단위 지식체계도
도 4는 본 발명의 일실시예에 따른 머신러닝 기반 빅데이터 플랫폼
도 5는 본 발명의 일실시예에 따른 빅데이터 플랫폼 시스템 구성도
도 6은 본 발명의 일실시예에 따른 빅데이터 분석 결과 피드백을 나타낸 도면
도 7은 본 발명의 일실시예에 따른 문제추천을 위한 DBN-CF
도 8은 본 발명의 일실시예에 따른 학습코스추천을 위한 RNN-CF이다.
이하, 첨부 도면을 참조하여 본 발명의 바람직한 실시예를 설명한다.
1. 머신러닝 기반 인공지능 STEM 프레임워크
도 1은 본 발명의 일실시예에 따른 인공지능 STEM 교육 플랫폼 개념도이고, 도 2는 본 발명의 일실시예에 따른 인공지능 STEM 교육 플랫폼 구성도이다.
도 1 및 2를 참조하면, 본 발명의 인공지능 STEM 교육 플랫폼은 기존 교육콘텐츠를 오픈 API형태로 연동하여 머신러닝 기반 통합적 학습데이터 분석이 가능한 프레임 워크를 설계하고 Legacy Interface 설계를 통한 통합 분석이 가능하도록 설계되었다.
2. STEM 분석을 위한 단위 지식체계도 및 데이터 유형
2.1 STEM 통합분석을 위한 단위 지식체계도
도 3은 본 발명의 일실시예에 따른 인공지능 STEM 교육 플랫폼에서의 STEM분석을 위한 단위 지식체계도이다.
도 3을 참조하면, STEM 교과목의 단위지식 구조화를 활용하여 단위지식간의 관계를 네트워크 모형의 형태로 데이터베이스화한 단위 지식체계도를 설계한다. 학업성취도에 영향을 미치는 다양한 변수 도출을 통해 학습데이터 통합분석에 기반 데이터로 활용한다(ex. 학습 행동패턴, 개념의 난이도, 중요도, 변별력 등).
2.2 STEM 통합분석을 위한 데이터 유형
유형별 데이터의 종류는 단위지식을 이용하여 지식체계도를 구성하는 단위지식정보, 단위지식을 기반으로 하는 문제은행 정보, 그리고 단위지식정보와 문제은행정보를 기반으로 평가결과 데이터를 분석한 빅데이터 분석 정보로 구성된다.
2.2.1 단위지식정보
- WIKI를 기반으로 한 단위지식 정보
- 단위지식 상호간 연결관계 정보
- 단위지식과 문제은행 연결정보
- 단위지식에 대한 학습코스 연결정보
2.2.2. 문제은행 정보
- 기본문항 정보
과목, 단원, 난이도, 판별력 등
- 단위지식 연결정보
해당 문제를 풀기 위한 단위지식의 관계정보, 단위지식별 가중치 정보 등
- 분석정보
군집화에 따른 정오답 분석정보, 학습 유형/코스별 정오답 분석정보 등
2.2.3 빅데이터 분석 정보
- 연관관계 분석 정보
문제와 문제 상호간의 연관관계 분석 정보, 문제와 단위 지식간의 연관관계 분석 정보
- 군집화 분석 정보
학습 등급에 따른 문제 군집화 분석 정보, 문제 난이도 및 판별력에 따른 학습 등급 군집화 분석
- 연결 분석 정보
방향성 그래프를 이용한 학습코스 정보
3. 머신러닝 기반 빅데이터 플랫폼
도 4는 본 발명의 일실시예에 따른 머신러닝 기반 빅데이터 플랫폼이고, 도 5는 본 발명의 일실시예에 따른 빅데이터 플랫폼 시스템 구성도이다.
도 4 및 5를 참조하면, 본 발명의 인공지능 STEM 교육 플랫폼은, 맞춤형 교육을 제공하기 위해 학생들의 평가결과 데이터, 학생 프로파일, 단위지식을 기반으로 한 지식체계도 및 평가를 위한 문제은행 DB를 이용한 상호 연관데이터를 가공한 대용량 Data Mart를 고속으로 처리해 줄 수 있는 빅데이터 플랫폼에 저장하여 분석을 수행한다.
- MPP기반의 빅데이터 플랫폼
- 평가결과 기반 학업 성취도 변수 도출
- 학습 추천 시스템을 위한 CB/CF 기반 추천 엔진
본 발명의 일실시예에 따른 인공지능 STEM 교육 플랫폼은, STEM 교육 플랫폼 구현을 위한 개인 학습 추천 시스템을 구현하고, 구현된 개인 학습 추천 시스템을 이용하여 실시 사업을 수행하기 위해 선행 학습 데이터를 학습시켜 적용을 하였다.
- 맞춤형 개인 학습 추천 시스템
문제추천을 위한 문제 추천 시스템, 학습진도 추천을 위한 코스 추천 시스템
- 선행학습 데이터 생성을 위한 CB기반의 추천 시스템
- 선행학습 결과 학습을 통한 지능형 CF기반 추천 시스템
3.1 빅데이터 분석 결과 피드백 알고리즘
도 6은 본 발명의 일실시예에 따른 빅데이터 분석 결과 피드백을 나타낸 도면이다.
도 6을 참조하면, 빅데이터 분석 플랫폼을 이용하여 산출된 분석결과 데이터는 문제 연관관계 분석정보, 문제 및 학습자 군집화 분석정보, 그리고 문제 연결 분석 정보로 구성된다. 상기 3개의 정보를 이용하여 각 정보를 구성하는 단위정보를 분석하여 학업 성취도에 영향을 주는 변수를 도출한다.
- 학업 성취도 변수 도출
- 도출된 학업 성취도 변수를 이용한 추천 시스템
1) 문제추천시스템 = 문제 연관관계 분석 + 문제 및 학습자 군집화 분석
2) 코스추천시스템 = 문제 연결 분석 + 문제 및 학습자 군집화 분석
3.2 Contents-Based 기반 추천 엔진 알고리즘
3.2.1 Cold Start 문제를 해결하기 위해 초기 추천시스템 적용
- Contents-Based 문제추천시스템
- Contents-Based 학습코스추천시스템
1) Contents-Based 추천으로 구성된 학습 결과물을 Collaborative-Filtering 기반의 추천시스템의 선행학습 데이터로 활용
2) Collaborative-Filtering 기반의 추천시스템 학습완료 후, 학습 감독관의 특수목적으로 학습 지도할 때 가중치 기반의 추천시스템에 적용
3.3 Collaborative-Filtering 기반 추천 엔진 알고리즘
Collaborative-Filtering 기반 추천 엔진은 다음 두 가지로 구분된다.
3.3.1 문제 추천을 위한 DBF(Deep Belief Network)추천엔진
도 7은 본 발명의 일실시예에 따른 문제추천을 위한 DBN-CF이다.
도 7을 참조하면, 문제추천을 위한 DBF 추천엔진은 다음과 같은 특징을 지닌다.
- 단위지식의 연관 구성으로 구성된 지식체계를 기반으로 문제은행을 구성하고, 특정 단위지식에 대한 평가문제를 구성하기 위한 추천시스템
- 지식체계의 연관 구성에 따라 선행지식을 활용한 문제를 추천
- DBN은 그래프 생성모형(Generative Graphical Model) 으로 잠재변수의 다중계층으로 이루어진 심층 신경망을 의미
- RBM(Restricted Boltzmann Machines)기반의 DBN 모델로 구성
- RBM을 쌓아 올리면서(Stacking) 학습시킴으로써 방향성을 가진 DBN의 성격을 가짐
- DBN의 생성모형으로 CB기반의 문제추천에 의해 생성된 결과데이터를 선행학습데이터로 사용함으로써 초기 문제은행에서 출제된 문제들에 대한 가중치 초기값을 최적의 초기값으로 조정이 가능
- DBN기반의 추천시스템은 RBM 복원계층을 이용하여 추천
3.3.2 학습코스추천을 위한 RNN(Recurrent Neural Network) 추천엔진
도 8은 본 발명의 일실시예에 따른 학습코스추천을 위한 RNN-CF이다.
도 8을 참조하면, 학습코스추천을 위한 RNN 추천엔진은 다음과 같은 특징을 지닌다.
- 지식체계의 단위지식 연관관계를 이용하여, 단계별로 지식을 학습하는 코스를 추천하는 알고리즘
- 학생의 학업성취도에 따라 단위지식들의 가중치에 따른 학습코스 추천
- RNN은 인공신경망을 구성하는 unit사이의 연결이 Directed Cycle로 구성된 신경망
- 임의의 입력처리를 위해 신경망 내부 메모리를 활용할 수 있는 특징을 가지고 있음
- RNN은 모델 시퀀스를 위해 구성된 신경망으로 특정지식을 학습한 학습자에 대해 다음 지식을 학습할 항목을 추천하기 위한 알고리즘에 적용
- RNN은 시계열 기반의 추천이 가능하므로, 시간 흐름에 따른 학습진행 순서를 시계열 데이터로 전환하여 학습자의 학습 성취도에 따른 학습코스를 추천
본 빅데이터 플랫폼의 DB처리속도 개선을 위하여 TPC-H의 Benchmark 방법을 준용하여 알고리즘을 연구 개발하였으며, 시간당 쿼리 처리 지수인 QphH로 나타내고, QphH 테스트를 수행한 시스템의 구축 비용으로 나눈 쿼리당 투자 비용으로 시스템을 평가하였다. QphH의 평가지표 계산식은 아래와 같다.
본 알고리즘을 활용하여 기존 대비하여 300%이상 DB처리속도를 향상시키는 결과를 도출하였다.
Claims (1)
- 특정 단위지식에 대한 평가문제를 구성하기 위하여, 단위지식의 연관 구성으로 구성된 지식체계를 기반으로 문제은행을 구성하고, 문제추천에 의해 생성된 결과데이터를 선행학습데이터로 사용함으로써 초기 문제은행에서 출제된 문제들에 대한 가중치 초기값을 최적의 초기값으로 조정이 가능한 문제 추천모듈; 및
지식체계의 단위지식 연관관계를 이용하여 단계별로 지식을 학습하는 코스를 추천하며, 학생의 학업성취도에 따라 단위지식들의 가중치에 따른 학습코스를 추천하는 학습코스 추천모듈;를 포함하고,
학생들의 평가결과 데이터, 학생 프로파일, 단위지식을 기반으로 한 지식체계도 및 평가를 위한 문제은행 DB를 이용하여, 상호 연관데이터를 가공한 대용량 데이터 마트를 고속 처리해줄 수 있는 것을 특징으로 하는 빅데이터와 머신러닝 기반의 학생 맞춤형 인공지능 STEM 교육 플랫폼.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020170166655A KR20190066849A (ko) | 2017-12-06 | 2017-12-06 | 빅데이터와 머신러닝 기반의 학생 맞춤형 인공지능 stem 교육 플랫폼 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020170166655A KR20190066849A (ko) | 2017-12-06 | 2017-12-06 | 빅데이터와 머신러닝 기반의 학생 맞춤형 인공지능 stem 교육 플랫폼 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20190066849A true KR20190066849A (ko) | 2019-06-14 |
Family
ID=66846552
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020170166655A KR20190066849A (ko) | 2017-12-06 | 2017-12-06 | 빅데이터와 머신러닝 기반의 학생 맞춤형 인공지능 stem 교육 플랫폼 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR20190066849A (ko) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112101787A (zh) * | 2020-09-15 | 2020-12-18 | 广东工贸职业技术学院 | 基于大数据的教学数据获取方法、装置及计算机设备 |
| KR20210036627A (ko) * | 2019-09-26 | 2021-04-05 | (주)강안교육 | 학습관리 시스템 |
| KR20210037231A (ko) * | 2019-09-27 | 2021-04-06 | 주식회사 에이치투케이 | 인공지능 기반의 유아 한글 수준별 진단 평가 장치 및 방법 |
| KR20210037232A (ko) * | 2019-09-27 | 2021-04-06 | 주식회사 에이치투케이 | 인공지능 기반의 유아 한글 맞춤형 커리큘럼 생성 장치 및 방법 |
| KR20210037233A (ko) * | 2019-09-27 | 2021-04-06 | 주식회사 에이치투케이 | 인공지능 기반의 유아 한글 커리큘럼 세부조정 장치 및 방법 |
| WO2024038957A1 (ko) * | 2022-08-19 | 2024-02-22 | 주식회사 다비다 | 인공지능 기반의 맞춤형 온라인 교육서비스 제공 시스템 및 방법 |
-
2017
- 2017-12-06 KR KR1020170166655A patent/KR20190066849A/ko unknown
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20210036627A (ko) * | 2019-09-26 | 2021-04-05 | (주)강안교육 | 학습관리 시스템 |
| KR20210037231A (ko) * | 2019-09-27 | 2021-04-06 | 주식회사 에이치투케이 | 인공지능 기반의 유아 한글 수준별 진단 평가 장치 및 방법 |
| KR20210037232A (ko) * | 2019-09-27 | 2021-04-06 | 주식회사 에이치투케이 | 인공지능 기반의 유아 한글 맞춤형 커리큘럼 생성 장치 및 방법 |
| KR20210037233A (ko) * | 2019-09-27 | 2021-04-06 | 주식회사 에이치투케이 | 인공지능 기반의 유아 한글 커리큘럼 세부조정 장치 및 방법 |
| CN112101787A (zh) * | 2020-09-15 | 2020-12-18 | 广东工贸职业技术学院 | 基于大数据的教学数据获取方法、装置及计算机设备 |
| WO2024038957A1 (ko) * | 2022-08-19 | 2024-02-22 | 주식회사 다비다 | 인공지능 기반의 맞춤형 온라인 교육서비스 제공 시스템 및 방법 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR20190066849A (ko) | 빅데이터와 머신러닝 기반의 학생 맞춤형 인공지능 stem 교육 플랫폼 | |
| Siemens | A learning theory for the digital age | |
| CN106408475B (zh) | 一种在线课程适用性评价方法 | |
| Siemens | Elearnspace. Connectivism: A learning theory for the digital age | |
| Lykourentzou et al. | Early and dynamic student achievement prediction in e‐learning courses using neural networks | |
| CN109840595A (zh) | 一种基于群体学习行为特征的知识追踪方法 | |
| Williamson | Digitizing Education Governance: Pearson, Real-Time Data Analytics, Visualization and Machine Intelligence | |
| Pan et al. | The role of AI assisted socio-cultural frameworks in academic change and higher education growth | |
| Agbonifo et al. | Design of a neurofuzzy-based model for active and collaborative online learning | |
| CN114117033A (zh) | 知识追踪方法及系统 | |
| Sa’Adi | Introduction to views of connectivism theory of learning | |
| Vrettaros et al. | Gpnn techniques in learning assessment systems | |
| Zhou | Virtual Reality Revolutionizing Digital Marketing Design and Optimization of Online English Teaching in Universities with Wireless Network Technology Support in the Context of 5G | |
| Geng et al. | Noise-Filtering Enhanced Deep Cognitive Diagnosis Model for Latent Skill Discovering. | |
| Lv | Application study on data mining technology of English learning virtual community | |
| Tian | Reseach on College English Micro Class Teaching Model Based on Personalized Intelligent Adjustment Algorithm | |
| TWM606688U (zh) | 知識點得分之雲端智能題庫系統 | |
| CN112906293A (zh) | 一种基于复习机制的机器教学方法及系统 | |
| Zatarain-Cabada et al. | Integrating learning styles and affect with an intelligent tutoring system | |
| Su | Design of intelligent classroom teaching scheme using artificial intelligence | |
| Kurian | Student performance prediction in e-learning system and evaluating effectiveness of online courses | |
| Zhan et al. | Research on evaluation of online teaching effect based on deep learning technology | |
| Hui | Computer assisted design and implementation of diagnostic evaluation model in online test | |
| Siemens et al. | Teoría del conectivismo | |
| Yan | Optimized Design of English Learning Environment Based on Deep Neural Network |