KR20200001798A - 학습자의 학습 행위에 관한 학습 가치를 결정하는 학습 가치 결정 방법 - Google Patents
학습자의 학습 행위에 관한 학습 가치를 결정하는 학습 가치 결정 방법 Download PDFInfo
- Publication number
- KR20200001798A KR20200001798A KR1020180074768A KR20180074768A KR20200001798A KR 20200001798 A KR20200001798 A KR 20200001798A KR 1020180074768 A KR1020180074768 A KR 1020180074768A KR 20180074768 A KR20180074768 A KR 20180074768A KR 20200001798 A KR20200001798 A KR 20200001798A
- Authority
- KR
- South Korea
- Prior art keywords
- learning
- learner
- behavior
- content
- index
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 97
- 230000000694 effects Effects 0.000 title abstract description 11
- 230000006399 behavior Effects 0.000 claims abstract description 337
- 230000008569 process Effects 0.000 claims abstract description 45
- 230000001149 cognitive effect Effects 0.000 claims description 107
- 230000004044 response Effects 0.000 claims description 70
- 238000011156 evaluation Methods 0.000 claims description 36
- 238000010586 diagram Methods 0.000 description 23
- 210000001747 pupil Anatomy 0.000 description 23
- 230000008859 change Effects 0.000 description 20
- 230000009471 action Effects 0.000 description 19
- 239000000463 material Substances 0.000 description 13
- 230000014509 gene expression Effects 0.000 description 11
- 238000009826 distribution Methods 0.000 description 8
- 230000003340 mental effect Effects 0.000 description 8
- 230000003936 working memory Effects 0.000 description 8
- 238000006243 chemical reaction Methods 0.000 description 7
- 230000001186 cumulative effect Effects 0.000 description 7
- 230000008451 emotion Effects 0.000 description 7
- 230000003993 interaction Effects 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 230000016776 visual perception Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 230000000007 visual effect Effects 0.000 description 5
- 230000001276 controlling effect Effects 0.000 description 4
- 239000000284 extract Substances 0.000 description 4
- 230000003252 repetitive effect Effects 0.000 description 4
- 238000012217 deletion Methods 0.000 description 3
- 230000037430 deletion Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 238000004806 packaging method and process Methods 0.000 description 3
- 230000002123 temporal effect Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 230000003542 behavioural effect Effects 0.000 description 2
- 239000012141 concentrate Substances 0.000 description 2
- 239000013256 coordination polymer Substances 0.000 description 2
- 230000008921 facial expression Effects 0.000 description 2
- 239000010437 gem Substances 0.000 description 2
- 229910001751 gemstone Inorganic materials 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 230000014759 maintenance of location Effects 0.000 description 2
- 230000015654 memory Effects 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000000053 physical method Methods 0.000 description 2
- 230000002829 reductive effect Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 125000002066 L-histidyl group Chemical group [H]N1C([H])=NC(C([H])([H])[C@](C(=O)[*])([H])N([H])[H])=C1[H] 0.000 description 1
- 208000003443 Unconsciousness Diseases 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000002996 emotional effect Effects 0.000 description 1
- 230000004424 eye movement Effects 0.000 description 1
- 210000004709 eyebrow Anatomy 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000000926 neurological effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000661 pacemaking effect Effects 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000012925 reference material Substances 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 238000003892 spreading Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 230000009469 supplementation Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012795 verification 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
- G06Q50/205—Education administration or guidance
- G06Q50/2057—Career enhancement or continuing education service
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Educational Administration (AREA)
- Human Resources & Organizations (AREA)
- Educational Technology (AREA)
- General Business, Economics & Management (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Primary Health Care (AREA)
- Marketing (AREA)
- Electrically Operated Instructional Devices (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
본 발명은 학습자의 학습 행위에 관한 학습 가치를 결정하는 학습 가치 결정 방법에 관한 것으로, 학습 가치 결정 방법은 학습 콘텐츠를 학습하는 과정에서의 학습자의 학습 행동 정보를 학습 콘텐츠 시장에서의 경제적 / 시장적 지적 활동으로 판단함으로써, 학습자의 학습 행동 정보에 기초한 창조 지수, 성취도 지수 및 노력도 지수를 이용하여 학습자의 학습 행위에 관한 학습 가치를 결정하는 방법이다.
Description
아래의 설명은 학습 가치 결정 방법에 관한 것으로, 구체적으로는 학습 콘텐츠를 학습하는 학습자의 학습 행동 정보를 기반으로 학습자의 학습 행위에 관한 학습 가치를 결정하는 학습 가치 결정 방법에 관한 것이다.
최근에는 비형식 학습 환경에서 모바일 기기의 보급이 활발해짐에 따라 위치를 이동하는 자투리 학습 시간을 활용하여 학습을 수행하는 요구가 증가하고 있다. 이에 짧은 동영상 형태의 학습 콘텐츠에 대한 학습자의 활용도가 급증하고 있다.
또한, 플립러닝, 무크 등의 혁신적 교육 방법이 초중고 및 대학에도 확산되면서 정규 교육 과정에서 학습 콘텐츠의 활용도가 증가하고 있다.
학습 콘텐츠는 프로슈머에 의해 개발되어 유투브 등 네트워크를 통해 무료로 학습자들에게 공유된 상태이며, 이는 기술적 측면 및 경제적 측면에서 다양성, 최신성을 확보할 수 있다. 다시 말해, 학습 콘텐츠는 학습자가 원하는 학습 콘텐츠가 인터넷 상에 무료로 존재하고 있으며, 이를 활용할 수 있다는 장점이 있다.
그러나, 인터넷 상에 공유된 학습 콘텐츠는 학습을 진행하고자 하는 교수자 또는 교수 설계자에 의해 개발된 것이 아님에 따라, 학습을 위한 선별-가공-수정 없이는 정규 교육 과정에서의 활용이 어렵다.
또한, 학습 콘텐츠는 네트워크를 통해 무료로 공유됨에 따라 학습 콘텐츠의 접근성과 편리성을 확보할 수 있다. 또한, 학습 콘텐츠는 학습자가 소지한 모바일을 통해 실시간으로 재생이 가능하며, 시간의 흐름에 따라 선형적으로 흐르는 시각 자극 및 청각 자극을 학습자에게 제시할 수 있다. 또한, 시각 자극 및 청각 자극은 인터페이스가 제한되어 있는 모바일 기기 사용자에게 최적화된 미디어 양식으로 활용될 수 있다. 즉, 학습 콘텐츠는 출퇴근 전철, 강의실 이동 중, 무료한 대기 시간 등 집중하기 어려운 조건에서도 이어폰을 통해 영화처럼 편안하게 청취될 수 있다.
하지만, 이러한 lean backward 방식은 학습 콘텐츠를 학습하는 학습자의 청취 태도를 정확하게 파악할 수 있음에 따라 학습 콘텐츠의 교수자(제작자)가 설정한 학습 목표를 달성하기 어려움이 있다. 또한, 학습 콘텐츠는 영화나 뉴스와 달리 청취 목적이 학습에 따른 암기-이해-분석 등 교수자가 정한 학습 목표의 달성에 있기 때문에 Lean forward 방식의 학습 태도를 올바르지 못하다.
따라서, lean backward 방식을 기반으로 보다 집중할 수 있으며, 학습자의 자율 학습을 촉진시키기 위하여 동영상 학습 환경의 질적 수준을 제고하고, 학습 콘텐츠 시장을 활성화하기 위한 방법이 필요하다.
일실시예에 따른 본 발명은 온라인 상의 학습 콘텐츠에 관한 학습 시장의 다양한 학습 관리 시스템을 기반으로 교육서비스 품질과 학습성과 만족도를 향상 시키는데 활용될 수 있는 학습 가치 결정 방법을 제공할 수 있다.
일실시예에 따른 본 발명은 학습자 및 교수자 뿐만 아니라, 학습 콘텐츠 공급/개발사(CP,ContentsProvider)에게 학습 관리 시스템을 공급하여 학습자의 학습 행동 정보를 기반으로 학습자와 학습 콘텐츠 간의 상호 작용 정보에 따른 추후에 개발될 학습 콘텐츠의 품질을 향상시킬 수 있도록 지원할 수 있는 학습 가치 결정 방법을 제공할 수 있다.
일실시예에 따른 학습 가치 결정 방법은 학습 콘텐츠를 학습하는 학습자의 학습 행동 정보를 수집하는 단계; 학습자의 학습 행동 정보 중 학습에 관한 창의적 행동으로 분류되는 학습 행동 정보를 이용하여 학습 콘텐츠를 학습하는 과정에서의 학습자의 학습 행위에 관한 창조 지수를 결정하는 단계; 학습 콘텐츠의 학습 내용에 기초한 학습자의 수행 평가가 수행되었는지 여부를 고려하여 학습자의 학습 행위에 관한 성취도 지수를 결정하는 단계; 학습 콘텐츠를 학습하는 과정에서 발생된 학습자의 인지 부하를 이용하여 학습자의 학습 행위에 관한 노력도 지수를 결정하는 단계; 및 결정된 노력도 지수, 창조 지수 및 성취도 지수를 이용하여 상기 학습자의 학습 행위에 관한 학습 가치를 결정하는 단계를 포함할 수 있다.
일실시예에 따른 학습자의 학습 행동 정보를 수집하는 단계는 학습 콘텐츠의 시간 흐름에 따라 제공되는 학습 내용에 대응하여 학습자의 반응으로 나타나는 학습 행동 정보를 수집할 수 있다.
일실시예에 따른 학습자의 창조 지수를 결정하는 단계는 학습자의 학습 행동 정보를 1) 거부 반응에 해당하는 기피적 행동, 2) 수동 반응에 해당하는 수용적 행동 및 3) 창의 반응에 해당하는 창조적 행동으로 각각 분류하는 단계; 및 학습자의 학습 행동 정보 중 창조적 행동으로 분류된 학습 행동 정보를 이용하여 학습자의 학습 행위에 관한 창조 지수를 계산하는 단계를 포함할 수 있다.
일실시예에 따른 학습자의 성취도 지수를 결정하는 단계는 학습자의 수행 평가가 수행된 경우, 학습자의 학습 결정에 따른 학습 콘텐츠의 학습 내용과 관련된 학습자의 지식 수준 또는, 학습 콘텐츠의 학습 내용을 습득하기 위한 수행 능력을 이용하여 학습자의 학습 행위에 관한 성취도 지수를 계산할 수 있다.
일실시예에 따른 학습자의 성취도 지수를 결정하는 단계는 학습자의 수행 평가가 수행되지 않은 경우, 학습자의 개인 식별 정보를 기반으로 학습자가 이전에 학습한 학습 콘텐츠를 통해 결정된 학습자의 성취도 지수를 이용하여 학습자의 학습 행위에 관한 성취도 지수를 추정할 수 있다.
일실시예에 따른 학습자의 노력도 지수를 결정하는 단계는 학습자의 학습 행동 정보를 기반으로 학습 콘텐츠를 학습하는 과정에서 학습자에게 발생된 인지 부하를 식별하는 단계; 및 인지 부하가 발생된 원인을 파악하고, 원인을 해결하는 학습자의 학습 행위에 관한 노력도 지수를 계산하는 단계를 포함할 수 있다.
일실시예에 따른 학습 가치를 결정하는 단계는 노력도 지수, 창조 지수 및 성취도 지수 각각의 값을 조합하여 학습 콘텐츠의 학습 내용을 습득하는 과정에서의 지적 노력에 대응하는 학습자의 학습 행위에 관한 학습 가치를 결정할 수 있다.
일실시예에 따른 학습 가치를 결정하는 단계는 수집한 학습자의 학습 행동 정보에 관한 타 학습자의 활용 여부를 고려하여 결정된 학습 가치에 가중치를 부가할 수 있다.
일실시예에 따른 학습 가치 결정 서버는 학습 콘텐츠를 학습하는 학습자의 학습 행동 정보를 수집하는 학습 행동 정보 수집부; 학습자의 학습 행동 정보 중 학습에 관한 창의적 행동으로 분류되는 학습 행동 정보를 이용하여 학습 콘텐츠를 학습하는 과정에서 학습자의 학습 행위에 관한 창조 지수를 결정하는 창조 지수 결정부; 학습 콘텐츠의 학습 내용에 기초한 학습자의 수행 평가가 수행되었는지 여부를 고려하여 학습자의 학습 행위에 관한 성취도 지수를 결정하는 성취도 지수 결정부; 학습 콘텐츠를 학습하는 과정에서 발생된 학습자의 인지 부하를 이용하여 학습자의 학습 행위에 관한 노력도 지수를 결정하는 노력도 지수 결정부; 및 결정된 노력도 지수, 창조 지수 및 성취도 지수를 이용하여 학습자의 학습 행위에 관한 학습 가치를 결정하는 학습 가치 결정부를 포함할 수 있다.
일실시예에 따른 학습 가치 결정 방법은 학습 콘텐츠를 학습하는 학습자의 학습 행동 정보에 기초한 학습 콘텐츠를 학습하는 과정에서 학습자의 학습 행위에 관한 학습 가치를 결정하는 단계; 상기 학습 콘텐츠를 학습하는 타 학습자로부터 학습 가치가 결정된 학습자의 학습 행위에 대한 피 참조 빈도를 결정하는 단계; 상기 피 참조 빈도를 이용하여 학습 가치가 결정된 학습자의 학습 행위에 대한 타인 활용도를 결정하는 단계; 상기 학습 콘텐츠를 제작하는 제작자의 정책에 따른 학습 가치가 결정된 학습자의 학습 행위에 대한 기업 활용도를 결정하는 단계; 및 상기 타인 활용도 및 기업 활용도를 이용하여 상기 결정된 학습자의 학습 행위에 관한 학습 가치에 가중치를 부가하는 단계를 포함할 수 있다.
학습 가치 결정 방법 학습자의 학습 행위에 관한 학습 가치를 결정하는 단계는 상기 학습자의 학습 경험 정보에 기초하여 학습 동영상의 학습 내용에 관한 학습자의 노동 가치를 산출하고, 산출된 노동 가치로부터 학습 동영상에 관한 학습자의 학습 성향을 판단하는 단계; 상기 학습자의 학습 성향으로부터 학습 동영상에 관한 학습자의 창조 가치를 산출하는 단계; 상기 학습자의 학습 경험 정보에 기초하여 학습 동영상에 관한 학습자의 사용 가치를 산출하는 단계; 및 상기 노동 가치, 창조 가치 및 사용 가치를 기반으로 학습 동영상의 학습 내용을 습득하기 위한 학습자의 지적 노력에 대응하는 학습 가치를 결정하는 단계를 포함할 수 있다.
학습 가치 결정 방법 학습 가치를 결정하는 단계는 상기 노력도 지수, 창조 지수 및 성취도 지수 각각의 값을 조합하여 상기 학습 콘텐츠의 학습 내용을 습득하는 과정에서의 지적 노력에 대응하는 학습자의 학습 행위에 관한 학습 가치를 결정할 수 있다.
본 발명의 일실시예에 따른 학습 가치 결정 방법은 온라인 상의 학습 콘텐츠에 관한 학습 시장의 다양한 학습 관리 시스템을 기반으로 교육서비스 품질과 학습성과 만족도를 향상 시키는데 활용될 수 있다.
본 발명의 일실시예에 따른 학습 가치 결정 방법은 학습자 및 교수자 뿐만 아니라, 학습 콘텐츠 공급/개발사(CP,ContentsProvider)에게 학습 관리 시스템을 공급하여 학습자의 학습 행동 정보를 기반으로 학습자와 학습 콘텐츠 간의 상호 작용 정보에 따른 추후에 개발될 학습 콘텐츠의 품질을 향상시 킬 수 있도록 지원할 수 있다.
도 1은 일실시예에 따른 학습 콘텐츠를 학습하는 학습자의 학습 행위에 관한 학습 가치를 결정하는 전반적인 구성을 설명하기 위한 도면이다.
도 2는 일실시예에 따른 학습 콘텐츠를 제작하는 에디터의 활용 방법을 설명하기 위한 도면이다.
도 3은 일실시예에 따른 학습 콘텐츠의 구간별 정보 및 질의응답에 관한 라이브러리를 제공하는 구성을 설명하기 위한 도면이다.
도4는 일실시예에 따른 학습 콘텐츠를 재생하는 플레이어를 설명하기 위한 도면이다.
도 5는 일실시예에 따른 학습 콘텐츠를 학습하는 학습자의 학습 행동 정보를 수집하는 구성을 설명하기 위한 도면이다.
도 6은 일실시예에 따른 학습자의 학습 행동 정보를 이용하여 학습자의 학습 행위에 관한 창조 지수를 결정하는 구성을 설명하기 위한 도면이다.
도 7은 일실시예에 따른 학습 콘텐츠의 구간별로 학습자의 학습 행동 정보에 대한 의미를 분류하는 구성을 설명하기 위한 도면이다.
도 8은 일실시예에 따른 학습 콘텐츠에 기초한 학습자의 수행 평가가 수행되었는지 여부에 따른 학습자의 학습 행위에 관한 성취도 지수를 결정하는 구성을 설명하기 위한 도면이다.
도 9는 일실시예에 따른 학습자의 인지 부하에 따른 학습자의 학습 행위에 관한 노력도 지수를 결정하는 구성을 설명하기 위한 도면이다.
도 10은 일실시예에 따른 학습자의 학습 행위에 관한 타 학습자의 활용 여부를 이용하여 학습자의 학습 가치에 가중치를 부가하는 구성을 설명하기 위한 도면이다.
도 11은 일실시예에 따른 블록 체인 기법을 기반으로 학습자의 학습 가치에 대한 정보 보안하는 구성을 설명하기 위한 도면이다.
도 12는 일실시예에 따른 학습자 모드, 교수자 모드 및 관리자 모드에 대응하는 대시 보드를 도시한 도면이다.
도 13은 일실시예에 따른 학습자의 학습 행위에 관한 학습 가치를 결정하는 학습 가치 결정 방법을 설명하기 위한 흐름도이다.
도 14는 다른 일실시예에 따른 학습자의 학습 행위에 관한 학습 가치를 결정하는 학습 가치 결정 방법을 설명하기 위한 흐름도이다.
도 2는 일실시예에 따른 학습 콘텐츠를 제작하는 에디터의 활용 방법을 설명하기 위한 도면이다.
도 3은 일실시예에 따른 학습 콘텐츠의 구간별 정보 및 질의응답에 관한 라이브러리를 제공하는 구성을 설명하기 위한 도면이다.
도4는 일실시예에 따른 학습 콘텐츠를 재생하는 플레이어를 설명하기 위한 도면이다.
도 5는 일실시예에 따른 학습 콘텐츠를 학습하는 학습자의 학습 행동 정보를 수집하는 구성을 설명하기 위한 도면이다.
도 6은 일실시예에 따른 학습자의 학습 행동 정보를 이용하여 학습자의 학습 행위에 관한 창조 지수를 결정하는 구성을 설명하기 위한 도면이다.
도 7은 일실시예에 따른 학습 콘텐츠의 구간별로 학습자의 학습 행동 정보에 대한 의미를 분류하는 구성을 설명하기 위한 도면이다.
도 8은 일실시예에 따른 학습 콘텐츠에 기초한 학습자의 수행 평가가 수행되었는지 여부에 따른 학습자의 학습 행위에 관한 성취도 지수를 결정하는 구성을 설명하기 위한 도면이다.
도 9는 일실시예에 따른 학습자의 인지 부하에 따른 학습자의 학습 행위에 관한 노력도 지수를 결정하는 구성을 설명하기 위한 도면이다.
도 10은 일실시예에 따른 학습자의 학습 행위에 관한 타 학습자의 활용 여부를 이용하여 학습자의 학습 가치에 가중치를 부가하는 구성을 설명하기 위한 도면이다.
도 11은 일실시예에 따른 블록 체인 기법을 기반으로 학습자의 학습 가치에 대한 정보 보안하는 구성을 설명하기 위한 도면이다.
도 12는 일실시예에 따른 학습자 모드, 교수자 모드 및 관리자 모드에 대응하는 대시 보드를 도시한 도면이다.
도 13은 일실시예에 따른 학습자의 학습 행위에 관한 학습 가치를 결정하는 학습 가치 결정 방법을 설명하기 위한 흐름도이다.
도 14는 다른 일실시예에 따른 학습자의 학습 행위에 관한 학습 가치를 결정하는 학습 가치 결정 방법을 설명하기 위한 흐름도이다.
이하에서, 첨부된 도면을 참조하여 실시예들을 상세하게 설명한다. 그러나, 실시예들에는 다양한 변경이 가해질 수 있어서 특허출원의 권리 범위가 이러한 실시예들에 의해 제한되거나 한정되는 것은 아니다. 실시예들에 대한 모든 변경, 균등물 내지 대체물이 권리 범위에 포함되는 것으로 이해되어야 한다.
실시예에서 사용한 용어는 단지 설명을 목적으로 사용된 것으로, 한정하려는 의도로 해석되어서는 안된다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 명세서 상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 실시예가 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
또한, 첨부 도면을 참조하여 설명함에 있어, 도면 부호에 관계없이 동일한 구성 요소는 동일한 참조부호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 실시예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 실시예의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.
도 1은 일실시예에 따른 학습 콘텐츠를 학습하는 학습자의 학습 행위에 관한 학습 가치를 결정하는 전반적인 구성을 설명하기 위한 도면이다.
도 1을 참고하면, 학습 가치 결정 서버(101)는 학습 콘텐츠의 학습 환경에서 학습 콘텐츠를 학습하는 학습자(103)의 학습 행동 정보를 수집할 수 있다. 그리고, 학습 가치 결정 서버(101)는 학습자(103)의 학습 행동 정보에 기초하여 학습 콘텐츠를 학습하는 과정에서의 학습자(103)의 학습 행위에 관한 학습 가치를 결정할 수 있다. 여기서, 학습 콘텐츠의 학습 환경은 네트워크를 통해 제공되는 콘텐츠에 대한 학습 경험을 제공할 수 있다. 학습 콘텐츠의 학습 환경은 학습자(103)가 원할 때 언제 어디서나 플레이어(102)을 통해 학습 콘텐츠(103)을 학습할 수 있는 학습 환경을 의미할 수 있다. 플레이어(102)는 학습자가 학습하고자 하는 학습 콘텐츠를 재생할 수 있으며, 학습자에 의해 제어가 가능한 전자기기일 수 있다. 일례로, 플레이어(102)는 플레이어 장치, 스마트 폰, 테블릿 등으로 학습 콘텐츠를 재생하는 기능을 포함할 수 있다. 플레이어(102)는 학습 콘텐츠를 제어하기 위한 입력 장치 및 출력 장치를 포함하는 장치일 수 있다. 플레이어(102)는 학습 콘텐츠가이 재생되는 시간에 따라 학습자의 학습 행동 정보를 수집할 수 있다.
학습 가치 결정 서버(101)는 학습 콘텐츠를 학습하는 학습자의 학습 행동 정보를 수집할 수 있다. 자세하게, 학습자(103)는 플레이어(102)를 통해 학습 콘텐츠를 학습할 수 있다. 학습 콘텐츠는 교수자 또는, 제작자에 의해 가공된 결과물로써, 동영상의 형태에 따라 강의 형태의 학습 콘텐츠, 애니메이션 형태의 학습 콘텐츠 등을 포함할 수 있다. 일례로, 강의 형태의 학습 콘텐츠는 교수자가 직접 등장하는 지식 전달 중심의 교수 강의 형태를 갖는 콘텐츠일 수 있다. 다른 일례로, 애니메이션 형태의 학습 콘텐츠는 학습 내용에 관한 배열된 내용 전달 중심의 텍스트 및 그래프 형태를 갖는 콘텐츠일 수 있다.
학습자(103)는 학습 콘텐츠로부터 시지각을 통해 유입되는 학습 콘텐츠의 학습 내용을 학습할 수 있다. 자세하게, 학습 콘텐츠의 학습 내용은 텍스트 또는, 교수자가 발성하는 음성, 행동, 지시자 등으로 포함할 수 있다. 학습자(103)는 학습 콘텐츠의 시간적 변화에 따른 학습 내용을 학습하기 위한 반응이 나타날 수 있다. 일례로, 학습자(103)는 시지각을 통해 유입되는 학습 콘텐츠의 학습 내용이 중요하다고 판단된 경우, 해당 학습 내용을 마킹하기 위한 반응으로 플레이어의 화면에 일정 영역을 터치할 수 있다.
이에, 학습 가치 결정 서버(101)는 플레이어의 조작 등 학습 내용을 학습하기 위한 학습자의 반응으로 나타나는 학습 행동 정보를 수집할 수 있다. 학습 행동 정보는 학습자가 학습 콘텐츠를 학습하기 위한 반응일 수 있다. 일례로, 학습 행동 정보는 학습 콘텐츠에 대한 마킹(marking), 재생(play, replay), 일시정지(pause), 질문(In-video question), 응답(Answer to the question), 재생 속도(Viewing spee), 링크(External link - count, location. Destination) 등을 포함할 수 있다.
학습 가치 결정 서버(101)는 학습 콘텐츠를 제작한 교수자가 설정한 목표에 기초하여 학습 콘텐츠를 학습하는 다수의 학습자들의 학습 수준을 누적할 수 있다. 학습 가치 결정 서버(101)는 일정한 기준에 따라 학습 수준이 누적된 다수의 학습자들 각각에 대응하여 학습 행위에 관한 학습 가치를 결정할 수 있다.
상세하게, 학습 가치 결정 서버(101)는 학습자의 학습 행동 정보를 이용하여 학습자의 학습 행위에 관한 1) 창조 지수, 2) 성취도 지수 및 3) 노력도 지수를 각각 결정할 수 있다. 학습 가치 결정 서버(101)는 학습 콘텐츠를 학습하는 학습자들을 대상으로 학습에 관한 최대의 노력을 수행하는 학습자를 식별하기 위하여 학습자의 학습 행위에 관한 1) 창조 지수, 2) 성취도 지수 및 3) 노력도 지수를 각각 결정할 수 있다. 각각의 지수들은 학습 가치를 결정하기 위한 기준으로 활용될 수 있다.
1) 창조 지수
학습 가치 결정 서버(101)는 학습자의 학습 행동 정보를 1) 기피적 행동, 2) 수용적 행동, 3) 창조적 행동으로 각각 분류할 수 있다. 여기서, 기피적 행동은 학습 콘텐츠의 시간 흐름에 따라 제공되는 학습 내용에 대응하여 학습자의 반응으로써, 거부 반응에 해당하는 행동을 의미할 수 있다. 수용적 행동은 학습자의 반응에 대한 수동 반응에 해당하는 행동을 의미할 수 있다. 그리고, 창조적 행동은 학습자의 반응에 대한 창의 반응에 해당하는 행동을 의미할 수 있다.
학습 가치 결정 서버(101)는 학습자(103)가 학습 콘텐츠를 학습한 전체 구간에서 복수 개의 반응으로 나타난 학습 행동 정보에 대응하여 학습에 관한 유효한 행동들로써, 학습자(103)의 학습 행동 정보를 각각 분류할 수 있다
학습 가치 결정 서버(101)는 학습자의 학습 행동 정보로부터 분류된 행동 중에서 창의적 행동으로 분류되는 학습 행동 정보를 이용하여 학습자의 학습 행위에 관한 창조 지수를 결정할 수 있다. 다시 말해, 학습 가치 결정 서버(101)는 학습 콘텐츠의 학습 내용에 관한 타인의 모방없이 새로운 시각을 통해 도출된 사고에 의한 반응일 수 있다. 학습 가치 결정 서버(101)는 학습자의 학습 행위에 관한 창조 지수를 결정할 수 있다.
2) 성취도 지수
학습 가치 결정 서버(101)는 학습 콘텐츠를 학습하는 과정에서 학습자에게 학습된 진보의 정도를 확인하기 위한 성취도 지수를 결정할 수 있다. 학습 가치 결정 서버(101)는 학습 콘텐츠의 학습 내용에 기초한 학습자의 수행 평가가 수행되었는지 여부를 고려하여 학습자의 학습 행위에 관한 성취도 지수를 결정할 수 있다.
학습 가치 결정 서버(101)는 학습자의 수행 평가가 수행된 경우, 수행 평가의 결과로부터 학습자의 학습 행위에 관한 성취도 지수를 계산할 수 있다. 또한, 학습 가치 결정 서버(101)는 학습자의 수행 평가가 수행되지 않은 경우, 학습자의 개인 식별 정보를 기반으로 학습자가 이전에 학습한 학습 콘텐츠에 대한 성취도 지수를 이용하여 학습자의 학습 행위에 관한 성취도 지수를 추정할 수 있다.
3) 노력도 지수
학습 가치 결정 서버(101)는 학습자의 학습 행동 정보를 기반으로 학습 콘텐츠를 학습하는 과정에서 학습자에게 발생된 인지 부하를 식별할 수 있다. 이 때, 학습 가치 결정 서버(101)는 인지 부하에 대한 원인을 내재적 인지 부하, 외재적 인지 부하, 본유적 인지 부하로 학습자에게 발생된 인지 부하를 구분할 수 있다. 학습자에게 발생된 인지 부하는 학습 콘텐츠 내 인지 부하가 발생한 각 학습 구간에 따라 서로 다른 원인으로 결정할 수 있다.
자세하게, 내재적 인지 부하는 학습자의 지식 수준에 따른 학습 콘텐츠의 학습 내용 상의 난이도 또는 복잡도에 의해 발생하는 인지 부하일 수 있다. 외재적 인지 부하는 학습 콘텐츠의 학습 내용에 의해 발생하는 인지 부하일 수 있다. 본유적 인지부하는 학습 콘텐츠를 통해 제공되는 학습 내용을 분석하는 과정에서 발생하는 인지 부하일 수 있다.
학습 가치 결정 서버(101)는 인지 부하가 발생된 원인을 파악하고, 파악된 원인을 해결하는 과정에서의 학습자의 학습 행위에 관한 노력도 지수를 계산할 수 있다. 다시 말해, 학습 가치 결정 서버(101)는 학습자에게 인지 부하가 발생되면 인지 부하가 발생된 원인을 파악할 수 있다. 학습 가치 결정 서버(101)는 학습자의 학습 행동 정보를 기반으로 파악한 원인에 따라 인지 부하를 해결하기 위한 학습자의 노력도 지수를 산출할 수 있다.
학습 가치 결정 서버(101)는 노력도 지수, 창조 지수 및 성취도 지수 각각의 값을 조합하여 학습 콘텐츠의 학습 내용을 습득하는 과정에서의 지적 노력에 대응하는 학습자의 학습 행위에 관한 학습 가치를 결정할 수 있다. 또한, 학습 가치 결정 서버는 학습자의 학습 행동 정보에 관한 타 학습자의 활용 여부 또는, 학습 콘텐츠를 제작하는 기업의 활용 여부를 고려하여 결정된 학습자의 학습 가치에 가중치를 부가할 수 있다.
도 2는 일실시예에 따른 학습 콘텐츠를 제작하는 에디터의 활용 방법을 설명하기 위한 도면이다.
도 2를 참고하면, 본 발명의 교수자 또는 제작자(203)는 에디터(201, Editor)를 활용하여 학습자에게 제공할 수 있는 학습 콘텐츠를 제작할 수 있다. 에디터(201)는 데이터를 편집하기 위한 프로그램으로, 인터프리터 방식의 대화 형식을 기반으로 교수자 또는 제작자(203)가 원하는 구성에 따라 데이터의 입력 · 추가 · 수정 등을 수행할 수 있다. 에디터(201)는 교수자 또는 제작자(203)의 요구에 따라 콘텐츠의 특정 구간 내 텍스트 파일을 연동하거나 링크 등 데이터 가공이 가능할 수 있다. 에디터(201)의 구간별 주요 동작은 다음과 같을 수 있다.
에디터(201)의 ⓐ 구간은 교수자 또는 제작자(203)가 현재 작업중인 콘텐츠를 표시하는 영역일 수 있다. ⓐ 구간은 동영상의 전체 영역 중 입력 · 추가 · 수정 등의 가공이 이루어지고 있는 일부 영역에 대한 장면을 표시하는 영역일 수 있다. ⓐ 구간은 하나의 학습 콘텐츠를 제작하기 위한 복수의 콘텐츠를 하나의 코스로 패키징할 수 있는 영역일 수 있다. 다시 말해, ⓐ 구간은 교수자 또는 제작자(203)가 제작한 동영상, 인터넷에 공유된 유튜브 영상, OER 등의 참조 또는 다운로드가 가능한 파일에 대한 구간 삭제, 부분 삽입 등의 패키징을 수행하도록 조작이 이루어지는 영역일 수 있다.
에디터(201)의 ⓑ 구간은 현재 교수자 또는 제작자(203)가 작업중인 콘텐츠에 대응하여 콘텐츠의 내용과 연결되는 텍스트 또는, 도형 등의 정보가 표시되는 영역(화면/교안)일 수 있다.
에디터(201)의 ⓒ 구간은 교수자 또는 제작자(203)가 현재 작업중인 콘텐츠의 구간을 페이지 단위로 동기화(싱크, sync)하고, 페이지 단위별로 텍스트 파일(PPT-Power point 파일, PDF-Portable Document Format 파일)을 연동할 수 있는 동영상 편집 구간에 해당할 수 있다.
에디터(201)의 ⓓ 구간부터 에디터(201)의 ⓕ 구간은 학습 콘텐츠의 각 구간을 관리할 수 있는 영역일 수 있다. 에디터(201)의 ⓓ 구간은 학습 콘텐츠의 학습 내용 중 핵심 포인트에 해당하는 주요 구간을 표시하는 영역일 수 있다. ⓓ 구간은 학습 콘텐츠를 제작하기 위한 초기 단계에서의 cold start용으로 활용될 수 있다.
에디터(201)의 ⓔ 구간은 학습 콘텐츠의 특정 구간에 삽입 가능한 외부 사이트를 링크(link)할 수 있는 영역일 수 있다. 일례로, 학습 콘텐츠의 학습 내용과 관련된 내용을 개시하고 있는 웹사이트, 유튜브 등을 학습 콘텐츠의 일정 영역에 링크 형태로 삽입하기 위한 영역일 수 있다.
에디터(201)의 ⓕ 구간은 학습 콘텐츠의 시간 흐름에 따라 학습 콘텐츠와 연결된 텍스트가 나열되는 영역일 수 있다.
따라서, 교수자 또는 제작자(203)는 상술한 에디터(201)를 통해 학습 콘텐츠에 관한 패키징을 수행함으로써, 특정 목표를 갖는 학습 콘텐츠를 제작할 수 있다. 일례로, 교수자 또는 제작자(203)가 다변량 상호 작용에 관한 학습 콘텐츠를 제작한다고 가정할 때, 교수자 또는 제작자(203)는 다변량 상호 작용에 대한 일반적인 정보를 포함하는 교수자 또는 제작자(203)가 제작한 콘텐츠(204) 또는, 웹 링크 자료(위키 페이지), 콘텐츠의 구간별 삽입 가능한 학습 자료(205, 유투브), 웹 url과 연동되는 시뮬레이션 애플릿(206)으로 종합된 학습 콘텐츠(202)를 패키징할 수 있다.
이러한 결과로써, 학습 콘텐츠(202)는 구간별 서로 다른 다종의 콘텐츠가 순차적으로 패키징될 수 있다. 다시 말해, 학습 콘텐츠(202)는 편집된 순서에 따라 다종의 콘텐츠가 결합된 형태로 제작될 수 있다. 이에, 학습 콘텐츠(202)의 ⓐ 구간은 콘텐츠(204) 또는, 웹 링크 자료(위키 페이지)로 구성되며, 학습 콘텐츠(202)의 ⓑ 구간은 학습 자료(205, 유투브)로 구성되며, 학습 콘텐츠(202)의 ⓒ 구간은 시뮬레이션 애플릿(206)로 구성될 수 있다.
다시 말해, 학습 가치 결정 서버(101)는 학습 콘텐츠를 제작할 수 있는 에디터를 통해, 학습 콘텐츠에 관한 큐레이션 및 패키징을 수행할 수 있다. 에디터는 교수자 또는 제작자(203)가 직접 개발한 학습 콘텐츠뿐만 아니라, 기존에 인터넷 상에 공유된 동영상 및 텍스트 자료를 이용하여 교수자 또는 제작자(203)가 손쉽게 자신의 수업 목표에 맞는 학습 콘텐츠를 신속하게 편집하여 사용할 수 있는 도구로 활용될 수 있다.
본 발명은 학습자가 학습 콘텐츠를 학습하는 과정에서의 행동 데이터 분석에 기반한 피드백을 통해 학습자-교수자가 공진화 시켜가는 협업 래피드 프로토타이핑 접근법(Rapid Prototyping)을 활용할 수 있다. 이를 위해, 본 발명은 특정 수업용 학습 콘텐츠를 제작하기 위해서 다양한 소스와 포맷으로 제작된 콘텐츠들을 기술적으로 패키징할 수 있다.
또한, 학습 콘텐츠는 학습자에게 제공되는 학습 가이드로써, 교수자 또는 제작자(203)로부터 작성된 학습 콘텐츠에 관한 주석을 포함할 수 있다. 자세하게, 학습 콘텐츠는 기술적으로 패키징된 이종의 학습 콘텐츠들 교수자 또는 제작자(203)에 의해 인지적으로 패키징 될 수 있다. 교수자 또는 제작자(203)는 학습자가 원하는 목표에 따라 학습할 수 있도록 학습 콘텐츠에 대한 주석을 작성할 수 있다. 교수자 또는 제작자(203)는 학습 콘텐츠를 구성하는 각 자료들 간에 연관 관계를 설명할 수 있는 주석을 작성할 수 있다.
일례로, 본 발명의 학습 콘텐츠는 1) 제시 순서 변경, 2) 목차 달기, 3) 이종 콘텐츠 간 연결 설명 달기, 4) 특정 구간에 추가 설명-외부링크-파일 첨부, 5) 기존 수업 자료 (PPT, PDF 자료 등) 과 동영상 간의 동기화(특정 동영상 구간에 맞춰 PPT 제시 등), 6) 반복-집중 학습이 필요한 구간에 하이라이팅 하기 등 교수자의 주석 달기 활동을 통해 외부 콘텐츠의 수업 맥락화가 이루어질 수 있다.
이러한 과정을 통해 제작된 학습 콘텐츠는 하나의 콘텐츠로 패키징되며, 현장 교수자 또는 제작자(203)의 수업 라이브러리에 저장될 수 있다. 그리고, 학습 콘텐츠는 편집-수정-재활용될 수 있도록 하여 교수자 또는 제작자(203) 개인의 지적 자산으로 축적될 수 있다. 학습 콘텐츠는 교수자 또는 제작자(203)의 수업 활동 또는 제작 활동 상의 효율화가 가속화될 수 있다.
도 3은 일실시예에 따른 학습 콘텐츠의 구간별 정보 및 질의응답에 관한 라이브러리를 제공하는 구성을 설명하기 위한 도면이다.
도 3을 참고하면, 학습 콘텐츠는 현재 학습 중인 학습자의 학습 행동 정보 뿐만 아니라, 동일한 학습 콘텐츠를 학습한 동료 집단에 해당하는 타 학습자의 학습 행태를 표시할 수 있다. 학습 콘텐츠는 타 학습자의 학습 행태 중 학습자에게 유의한(significant) 학습 구간에 관한 정보 및 학습 콘텐츠의 구간별 질의응답에 관한 라이브러리를 제공할 수 있다. 여기서, 동료 집단은 학습자가 시청하고자 하는 학습 콘텐츠와 동일한 학습 콘텐츠를 시청한 사용자들을 의미할 수 있다. 또한, 학습자의 선택에 따라 동료 집단은 동일한 학습 콘텐츠를 시청한 사용자들로 구성된 전체 그룹 중 학습자가 설정한 조건에 만족하는 사용자들로 구성될 수 있다.
플레이어(301)는 학습 콘텐츠의 학습 환경에서 네트워크를 통해 학습자가 학습하고자 하는 학습 콘텐츠를 재생할 수 있다. 이때, 플레이어(301)를 통해 재생되는 학습 콘텐츠는 교수자 또는 제작자의 제작 의도에 부합하는 학습 내용을 포함할 수 있다. 또한, 학습 콘텐츠는 학습자가 학습하는 과정에서의 도움을 줄 수 있는 유의한 학습 구간에 관한 정보 및 질의응답에 관한 라이브러리를 제공할 수 있다.
이를 위해, 플레이어(301)는 학습 콘텐츠에 대한 학습을 시작하기 이전에, 학습자로부터 동료 집단을 결정하기 위한 조건을 수신할 수 있다. 조건은 졸업 학교명, 재학 학교명, 진학희망 학교명, 과거 성적, 현재 성적, 목표 성적, 학력, 직업, 점수, 주거지역, 나이, 시험 종목, 전공 등을 포함할 수 있다.
학습 가치 결정 서버(304)는 플레이어(301)로부터 수신된 조건에 기초하여 학습자가 학습하고자 하는 학습 콘텐츠를 시청할 때, 학습 콘텐츠에 대한 학습 행위를 특정하기 위한 동료 집단을 결정할 수 있다.
플레이어(301)는 학습 콘텐츠의 재생 시간을 기준으로 전체 구간에서 각각 구분된 학습 행위를 축적한 개별적인 참조 정보를 추가적으로 화면에 표시할 수 있다. 다시 말해, 플레이어(301)는 학습 콘텐츠를 학습하는 과정에서 나타나는 복수의 학습 행동 정보를 중심으로 특정된 동료 그룹의 타 학습자들의 학습 행위를 그래프 형태의 참조 정보로 표시할 수 있다. 그래프 형태의 학습 행위는 학습 콘텐츠의 재생 시간을 기준으로 전체 구간을 시계열적으로 표시한 것 일 수 있다. 그리고, 그래프 형태의 학습 행위는 동료 그룹의 타 사용자들이 표현한 학습 행위의 빈도가 누적된 형태로 표시 될 수 있다.
플레이어(301)는 학습 콘텐츠와 동일한 화면 상에 동료 그룹의 학습자들의 학습 행위를 표시하되, 학습자가 학습 콘텐츠를 시청하는데 방해되지 않는 영역에 시각화하여 제공할 수 있다. 일례로, 플레이어(301)는 학습 콘텐츠가 표시된 영역을 중심으로 상단 영역, 하단 영역, 좌측 영역, 우측 영역 등 다양한 영역에서 학습 콘텐츠를 방해하지 않은 영역에서 그래프 형태로 동료 집단의 타 학습자들의 학습 행위를 참조 정보로 제공할 수 있다. 다른 일례로, 플레이어(301)는 동료 집단에 속하는 타 학습자들의 학습 행위를 레이어 형태로 학습 콘텐츠의 화면 상에 겹쳐지도록 시각화하여 참조 정보를 제공할 수 있다.
결국, 본 발명은 동료 집단의 사용자들이 이전에 학습 콘텐츠를 시청하는 과정에서 동료 집단의 타 학습자들의 시청 행동을 참조하기 위한 학습 행위를 특정할 수 있다. 본 발명은 학습 콘텐츠에 대한 주관적인 노하우 개념으로 학습 콘텐츠를 시청하고자 하는 학습자에게 특정한 학습 행위를 제공할 수 있다. 또한, 본 발명은 학습 콘텐츠에 대한 집중 포인트 및 적극적인 학습 태도를 유지할 수 있도록 학습자의 학습 행동을 유도할 수 있다.
본 발명은 학습 콘텐츠를 이용한 학습자의 학습을 촉진하기 위하여 학습 구간이 제시되기 전에 교수자의 주석 내용, 동료-선배 학습자의 학습 활동 내용을 시각적-청각적으로 제시할 수 있다. 이는 일반적으로 학습자에게 나타나는 lean backward 청취 행위에 의한 무의식적 학습 행위에 대한 인지적 alert를 제공하기 위함일 수 있다.
본 발명은 학습자에게 편하고 익숙한 공간에서 혼자 학습하는 상황이 주는 심리적 격리 상태를 해소하기 위해 동료 집단에 속하는 타 학습자의 학습 활동을 실시간적으로 제공함으로써 동기적 pace making을 제공할 수 있다. 또한, 본 발명은 기계 학습에 의한 결과를 제공하는 것이 아니라, 교수자 또는 타 학습자의 학습 행동에 따른 결과를 제공함으로써, 학습자의 자기조절학습을 촉진하여 자연스럽게 lean forward 학습을 촉진할 수 있다.
도 4는 일실시예에 따른 학습 콘텐츠를 재생하는 플레이어를 설명하기 위한 도면이다.
도 4의 (a)를 참고하면, 학습자는 학습 콘텐츠로부터 시지각을 통해 유입되는 학습 콘텐츠의 학습 내용을 학습할 수 있다. 학습자(103)는 학습 콘텐츠의 시간적 변화에 따른 학습 내용을 학습하기 위한 반응이 나타날 수 있다. 이러한 반응은 학습 내용을 학습하기 위한 학습자의 학습 행동 정보일 수 있다. 학습 행동 정보는 학습자가 학습 콘텐츠를 학습하기 위한 반응으로써, 학습 콘텐츠에 대한 마킹(marking), 재생(play, replay), 일시정지(pause), 질문(In-video question), 응답(Answer to the question), 재생 속도(Viewing spee), 링크(External link - count, location. Destination), 구간 하이라이트 등을 포함할 수 있다.
도 4의 (b)를 살펴보면, 학습 콘텐츠는 학습자에 의해 영상의 속도가 조작될 수 있다. 일례로, 학습 콘텐츠는 학습자에 의해 30분, 1분, 3분 등으로 영상의 속도가 조작될 수 있다. 학습 콘텐츠는 교수자가 사전에 작성한 주석에 의해 학습 내용 중 핵심 포인트에 해당하는 부분에 대해 하이라이트가 표시될 수 있다. 또는, 학습자(103)는 시지각을 통해 유입되는 학습 콘텐츠의 학습 내용이 중요하다고 판단된 경우, 해당 학습 내용을 마킹할 수 있다. 일례로, 학습자는 학습 내용을 습득하기 위한 반응으로 플레이어의 화면에 일정 영역이 터치함으로써, 터치된 영역에 대한 하이라이트가 표시될 수 있다.
학습 콘텐츠는 각 구간별 질의 응답 누적 빈도에 따른 색상 차이가 적용될 수 있다. 다시 말해, 학습자는 학습하고자 하는 학습 콘텐츠를 제공받을 수 있다. 그리고, 학습자는 동일한 학습 콘텐츠를 학습한 동료 집단에 해당하는 타 학습자의 학습 행태를 기준으로 한 유의한 학습 구간에 관한 정보를 제공받을 수 있다.
학습 가치 결정 서버는 학습 구간에 관한 정보를 제공함에 있어, 학습 콘텐츠의 재생 시간의 전체 구간에 따라 각각 구분된 학습 행위를 축적한 개별적인 참조 정보로 제공할 수 있다. 다시 말해, 학습 가치 결정 서버는 동료 집단의 타 학습자들이 학습 콘텐츠를 시청하면서 학습 콘텐츠에 기록한 마킹, 질의질문, 반복 재생 등의 학습 행동 정보를 수집할 수 있다. 학습 가치 결정 서버는 학습 행동 정보로부터 특정 단어가 마킹된 학습 콘텐츠의 장면, 질의응답이 발생한 시점 또는 반복 재생을 수행한 구간을 구분하여 해당 학습 행위를 참조 정보로 학습자에게 제공할 수 있다. 즉, 학습 가치 결정 서버는 동료 집단의 타 학습자들의 학습 행위를 학습 콘텐츠의 장면 단위, 시점, 시간별, 구간별 등 다양한 형태로 구분할 수 있다. 학습 가치 결정 서버는 각 구간별 누적 빈도에 따라 학습자가 이를 구분하여 확인할 수 있도록 구간별로 표시 색상을 다르게 설정할 수 있다.
도 4의 (c)를 살펴보면, 학습 콘텐츠는 학습 콘텐츠의 구간별 질의응답에 관한 라이브러리를 제공할 수 있다. 학습 가치 결정 서버는 학습 콘텐츠를 학습하는데 시각적 방해가 되지 않는 영역을 대상으로 동일한 학습 콘텐츠를 사전에 학습한 타 학습자의 질의응답 또는, 동일한 학습 콘텐츠를 학습하고 있는 타 학습자의 질의응답을 라이브러리 형태로 실시간으로 표시할 수 있다.
자세하게, 질의 응답은 학습자 또는 동료 집단의 타 학습자들이 학습 콘텐츠의 학습 내용과 관련하여 교수자가 질문을 기재하는 것일 수 있다. 학습 가치 결정 서버는 질의 응답에 관한 행위가 발생한 학습 콘텐츠의 시점 즉 학습 콘텐츠의 위치를 포함한 학습 행동 정보를 수집할 수 있다. 학습 가치 결정 서버는 질의 응답에 관한 행위가 발생한 시점뿐만 아니라, 동료 집단의 타 학습자 또는 학습자가 교수자에게 한 질의 내용 및 질의 내용에 대한 답변을 추가적으로 수집할 수 있다. 학습 가치 결정 서버는 학습 콘텐츠를 시청하는 학습자 또는 동료 집단의 타 학습자들 각자의 지적 수준 및 이해 정도를 고려하여 동일한 학습 콘텐츠에 대한 서로 다른 질의 내용 및 이에 대한 답변을 제공할 수 있다. 학습 가치 결정 서버는 학습 콘텐츠를 시청하는 과정에서 발생한 모든 질의 내용 및 질의에 대한 답변을 수집하고, 이를 원하는 학습자 또는 사용자들에게 제공할 수 있다.
도 5는 일실시예에 따른 학습 콘텐츠를 학습하는 학습자의 학습 행동 정보를 수집하는 구성을 설명하기 위한 도면이다.
도 5를 참고하면, 학습 가치 결정 서버는 학습 콘텐츠를 학습하는 학습자의 학습 행동 정보를 수집할 수 있다. 본 발명은 다수 학습자의 개인별 lean forward 청취 활동을 촉진하기 위해 학습 이론을 기반으로 설계된 학습 분석학 시스템의 역할로 활용될 수 있다. 학습 콘텐츠를 학습하는 학습자는 비선형적이며, 반복적인 학습 행위를 수행할 수 있다. 여기서, 학습은 학습 콘텐츠에 의한 시청각 자극의 입력 이후에 이를 기존 지식과 결합이 이루어지는 것일 수 있다. 학습은 기존 지식과의 결합에 위한 정신적 리허설, 내성적 가공, 반복적 암기 활동, 학습 요소 간 인지적 융합이 이뤄져야 한다. 인지적 융합에 의한 효과적 학습이 일어나기 위해서는 반드시 동영상의 플레이타임과 학습자의 프로세싱타임의 불일치가 일어나야 한다.
따라서, 학습 가치 결정 서버는 동영상 정지, 반복 청취, 구간별 속도 변화, 동공 위치, 질의 작성, 외부 자원 연결 등 로그 분석을 통해 객관적 수집-분석이 가능한 학습자 행동을 수집할 수 있다.
를 위해, 학습 가치 결정 서버는 학습 콘텐츠로부터 시지각을 통해 유입되는 학습 콘텐츠의 학습 내용을 학습할 수 있다. 자세하게, 학습 콘텐츠의 학습 내용은 텍스트 또는, 교수자가 발성하는 음성, 행동, 지시자 등으로 포함할 수 있다. 학습자는 학습 콘텐츠의 시간적 변화에 따른 학습 내용을 학습하기 위한 반응이 나타날 수 있다. 일례로, 학습자는 시지각을 통해 유입되는 학습 콘텐츠의 학습 내용이 중요하다고 판단된 경우, 해당 학습 내용을 마킹하기 위한 반응으로 플레이어의 화면에 일정 영역을 터치할 수 있다.
결국, 학습 가치 결정 서버는 학습 콘텐츠를 재생하면서 학습자가 학습 콘텐츠의 화면에 표시한 행위 또는 학습 콘텐츠의 재생을 컨트롤한 행위를 포함하는 반응에 관한 학습 행동 정보를 수집할 수 있다. 즉, 학습 행동 정보는 1) 학습 콘텐츠의 화면에 표시된 단어를 하이라이트로 선택하는 행위, 2) 학습 콘텐츠에 대한 질의 응답을 위한 텍스트를 입력하는 행위, 3) 학습 콘텐츠를 재생하는 과정에서 재생 및 정지를 반복적으로 제어하는 행위, 4) 학습 콘텐츠의 소리를 제어하는 행위, 상기 학습 콘텐츠의 특정 구간을 스킵하는 행위를 포함할 수 있다.
학습 가치 결정 서버는 학습 콘텐츠의 재생 시간의 전체 구간을 초 단위로 학습자의 학습 행동 정보를 누적하면서 수집할 수 있다. 본 발명에서 학습자는 학습자의 학습 가치를 결정하기 위하여 학습 콘텐츠를 최대한의 노력으로 학습할 수 있다. 학습 가치 결정 서버는 학습자의 학습에 관한 노력에 대하여 학습 행동 정보로 수집할 수 있다. 즉, 본 발명은 학습 콘텐츠에 대한 초기 학습 과정에서의 학습자의 학습 행동 정보를 누적하는 것으로 학습 시간, 학습 량, 학습 난이도와 무관한 학습자의 학습 기여 정도를 인정할 수 있다. 일례로, 본 발명의 학습 가치를 비트 코인의 채굴 개념에 비유하자면, 학습 가치는 학습 콘텐츠를 학습하는 과정에서 채굴하는 학습자의 몫이지, 채굴되지 않은 광산의 규모가 결정하는 것이 아닐 수 있다. 이에, 본 발명은 초기에 학습 콘텐츠를 학습하기 위해 진입한 학습자가 캐낸 것이 보석(학습자의 학습 행동 정보)이라면, 채굴된 보석에 대한 기여를 인정하지 않을 이유가 없다. 또한, 본 발명은 가치를 채굴할 수 있는 땅이 줄어들면, 그에 따라 보석의 가치도 보이지 않는 손이 알아서 조정할 것이다.
따라서, 본 발명은 학습 콘텐츠를 학습하는 학습자의 학습 행위에 대한 학습 가치를 평가하기 위하여 학습 행동 정보를 누적하면서 수집할 수 있다.
도 6은 일실시예에 따른 학습자의 학습 행동 정보를 이용하여 학습자의 학습 행위에 관한 창조 지수를 결정하는 구성을 설명하기 위한 도면이다.
도 6을 참고하면, 학습 가치 결정 서버는 학습자의 학습 행동 정보를 1) 기피적 행동, 2) 수용적 행동, 3) 창조적 행동으로 각각 분류할 수 있다. 여기서, 기피적 행동은 학습 콘텐츠의 시간 흐름에 따라 제공되는 학습 내용에 대응하여 학습자의 반응으로써, 거부 반응에 해당하는 행동을 의미할 수 있다. 수용적 행동은 학습자의 반응에 대한 수동 반응에 해당하는 행동을 의미할 수 있다. 그리고, 창조적 행동은 학습자의 반응에 대한 창의 반응에 해당하는 행동을 의미할 수 있다.
(1) 기피적 행동
도 6의 (a)를 살펴보면, 학습 가치 결정 서버는 교수자가 작성한 주석 등에 기초하여 학습자의 학습 행동 정보를 구분할 수 있다. 다시 말해, 교수자는 학습 콘텐츠 중 특정 페이지에 학습에 관한 가이드 형태로 link를 클릭하는 행위를 수행할 수 있다. 반면, 학습자는 교수자의 행위가 포함된 특정 페이지에 대응하여 별도의 반응이 나타나지 않을 수 있다. 이는 학습자의 지적 수준이 높거나 또는, 수행 능력이 높아, link와 연결된 자료를 확인하지 않더라도 학습 이해력이 좋은 경우이거나, 반대로 학습 콘텐츠를 학습하기 위한 의지가 낮아 별도의 반응을 하지 않을 것으로 파악할 수 있다.
이러한 반응에 대응하여, 학습 가치 결정 서버는 학습 콘텐츠의 학습 내용에 대한 학습자의 거부 반응으로 판단하고, 이를 기피적 행동으로 분류할 수 있다. 학습 가치 결정 서버는 교수자의 지도 방식에 포함된 학습 행위에 대응하여 학습자로부터 별도의 반응이 나타나지 않은 구간에 대한 학습 행동 정보를 기피적 행동으로 분류할 수 있다.
(2) 수용적 행동
도 6의 (b)를 살펴보면, 학습 가치 결정 서버는 교수자가 작성한 주석 등에 기초하여 학습자의 학습 행동 정보를 구분할 수 있다. 학습자는 교수자의 행위가 포함된 특정 페이지에 대응하여 교수자가 수행한 학습 행위와 동일한 반응이 나타날 수 있다. 이는 학습자가 학습 콘텐츠의 학습 내용에 집중하였으며, 교수자가 설정한 학습 순서에 맞춰 적절한 학습 행위로 나타난다고 파악할 수 있다.
이러한 반응에 대응하여 학습 가치 결정 서버는 학습 콘텐츠의 학습 내용에 대한 학습자의 수동 반응으로 판단하고, 이를 수용적 행동으로 분류할 수 있다. 학습 가치 결정 서버는 교수자의 지도 방식에 포함된 학습 행위와 동일한 반응으로 나타난 학습 행동 정보를 수용적 행동으로 분류할 수 있다.
(3) 창의적 행동
도 6의 (c)를 살펴보면, 학습 가치 결정 서버는 교수자가 작성한 주석 등에 기초하여 학습자의 학습 행동 정보를 구분할 수 있다. 학습자는 교수자의 행위가 포함된 특정 페이지에 대응하여 교수자가 수행한 학습 행위와 동일한 반응이 나타날 수 있다. 또한, 학습자는 교수자와 동일한 학습 행위 이외에 추가적인 학습 행위를 수행할 수 있다. 즉, 학습 가치 결정 서버(101)는 학습 콘텐츠의 학습 내용에 관한 타인의 모방없이 새로운 시각을 통해 도출된 사고에 의한 반응이 추가적으로 나타날 수 있다.
이러한 반응에 대응하여 학습 가치 결정 서버는 학습 콘텐츠의 학습 내용에 대한 학습자의 창조 반응으로 판단하고, 이를 창의적 행동으로 분류할 수 있다. 학습 가치 결정 서버는 교수자의 지도 방식에 포함된 학습 행위와 동일한 반응 뿐만 아니라, 새로운 정보를 습득하기 위기 위해 나타난 학습 행동 정보를 창의적 행동으로 분류할 수 있다.
학습 가치 결정 서버는 학습자가 학습 콘텐츠를 학습한 전체 구간에서 복수 개의 반응으로 나타난 학습 행동 정보에 대응하여 학습에 관한 유효한 행동들로써, 학습자의 학습 행동 정보를 각각 분류할 수 있다. 학습 가치 결정 서버는 학습자의 학습 행동 정보로부터 분류된 행동 중에서 창의적 행동으로 분류되는 학습 행동 정보를 이용하여 학습자의 학습 행위에 관한 창조 지수를 결정할 수 있다.
또한, 학습 가치 결정 서버는 창의적 행동으로 분류되는 학습 행동 정보를 이용하여 창조 지수의 측면에서 '유효한' 학습 행동인지를 판단하기 위한 많은 검증 절차를 수행할 수 있다.
다시 말해, 학습 가치 결정 서버는 1) 교수자 or 에디터가 설정한 기준 학습 패턴을 충실히 학습한 학습자, 2) 기준 학습 패턴 이외에 추가적으로 발생시킨 창조적 학습 행동, 3) 타인이 활용(view) 여부, 4) 유용 정도 평가한 학습 행동의 경우에 해당하면, 학습자의 학습 행위에 관한 창조 지수에 반영될 수 있다.
도 7은 일실시예에 따른 학습 콘텐츠의 구간별로 학습자의 학습 행동 정보에 대한 의미를 분류하는 구성을 설명하기 위한 도면이다.
도 7을 참고하면, 학습 가치 결정 서버는 학습 행동 정보의 종류 뿐만 아니라, 학습 행동 정보가 나타난 학습 콘텐츠의 시점(구간)을 고려하여 학습자의 학습 행동 정보를 1) 기피적 행동, 2) 수용적 행동, 3) 창조적 행동으로 각각 분류할 수 있다.
학습 가치 결정 서버는 학습 콘텐츠의 학습 내용을 학습하기 위한 학습자의 학습 행동 정보를 수집할 수 있다. 학습 가치 결정 서버는 학습 콘텐츠의 재생 시간에 따른 전체 구간을 대상으로 학습자의 학습 행동 정보를 누적할 수 있다. 학습자의 학습 행동 정보는 구간별로 동일한 학습 행위가 반복적으로 나타날 수 있다. 다시 말해, 학습자는 개념 학습 구간, 집중 학습 구간, 심화 학습 구간 등 학습 콘텐츠의 구간별 반복적인 학습 행위로 학습 내용에 대해 반응할 수 있다.
학습 가치 결정 서버는 학습 콘텐츠에 대해 반복적으로 나타난 학습자의 학습 행동 정보에 대하여 동일한 의미(기피적/수용적/창조적)를 부여하는 것이 아니라, 학습자의 학습 행동 정보가 나타난 시점의 학습 콘텐츠의 학습 내용을 고려하여 동일한 학습 행동 정보라도 서로 다른 의미의 행동으로 학습 행동 정보를 분류할 수 있다.
도 7의 (1)를 살펴보면, 학습 가치 결정 서버는 학습 콘텐츠의 구간 A에서 마킹에 대한 학습자의 학습 행동 정보를 수집할 수 있다. 학습 가치 결정 서버는 학습 콘텐츠의 구간 A에서 수집된 학습자의 학습 행동 정보를 기피적 행동으로 분류할 수 있다. 자세하게, 학습 콘텐츠의 구간 A에서 학습자에게 제시된 정보는 정규 분포와 관련된 그래프일 수 있고, 학습자는 그래프의 범례에 해당하는 영역을 마킹할 수 있다.
여기서, 그래프는 서로 관계가 있는 2개 또는 그 이상의 양의 상대값을 나타낸 것으로 시각적으로 포착하기 위한 도형일 수 있다. 즉, 해당 그래프는 정규 분포에 관한 파라미터 간의 관계를 나타낼 수 있는 참고 자료이기는 하나, 핵심 포인트에 해당하는 않을 수 있다. 따라서, 학습 가치 결정 서버는 학습 콘텐츠의 구간 A에서 나타나는 학습자의 학습 행동 정보에 대응하여 무의미한 행위로 판단할 수 있다. 학습 가치 결정 서버는 학습 콘텐츠의 구간 A에서 마킹에 대한 학습자의 학습 행동 정보를 기피적 행동으로 분류할 수 있다.
도 7의 (2), (3)를 살펴보면, 학습 가치 결정 서버는 학습 콘텐츠의 구간 B 및 구간 C에서 마킹에 대한 학습자의 학습 행동 정보를 수집할 수 있다. 학습 가치 결정 서버는 학습 콘텐츠의 구간 B 및 구간 C에서 수집된 학습자의 학습 행동 정보를 수용적 행동 또는, 창의적 행동으로 분류할 수 있다. 자세하게, 학습 콘텐츠의 구간 B에서 학습자에게 제시된 정보는 정규 분포에 관한 개념 부분과 이에 대한 그래프일 수 있고, 학습 콘텐츠의 구간 C에서 학습자에게 제시된 정보는 웹 사이트를 통한 정규 분포에 대한 내용을 포함하고 있다. 그리고, 학습자는 정규 분포에 관한 개념 부분에 해당하는 텍스트를 마킹할 수 있다.
정규 분포에 관한 개념 부분은 정규 분포를 이해하기 위한 핵심 포인트에 해당할 수 있으며, 이는 학습자가 정규 분포에 대한 지식을 습득하기 위한 학습 행동 정보로 분류될 수 있다. 따라서, 학습 가치 결정 서버는 학습 콘텐츠의 구간 B 및 구간 C에서 나타나는 학습자의 학습 행동 정보에 대응하여 의미한 행위로 판단할 수 있다. 학습 가치 결정 서버는 학습 콘텐츠의 구간 B 및 구간 C에서 마킹에 대한 학습자의 학습 행동 정보를 수용적 행동 또는, 창의적 행동으로 분류할 수 있다. 수용적 행동 또는, 창의적 행동은 교수자의 주석이 작성되었는지 여부에 따라 결정될 수 있다.
도 8은 일실시예에 따른 학습 콘텐츠에 기초한 학습자의 수행 평가가 수행되었는지 여부에 따른 학습자의 학습 행위에 관한 성취도 지수를 결정하는 구성을 설명하기 위한 도면이다.
도 8을 참고하면, 학습 가치 결정 서버는 학습 콘텐츠를 학습하는 과정에서 학습자에게 학습된 진보의 정도를 확인하기 위한 성취도 지수를 결정할 수 있다. 학습 가치 결정 서버는 학습 콘텐츠의 학습 내용에 기초한 학습자의 수행 평가가 수행되었는지 여부를 고려하여 학습자의 학습 행위에 관한 성취도 지수를 결정할 수 있다.
학습 가치 결정 서버는 학습자의 수행 평가가 수행된 경우, 수행 평가의 결과로부터 학습자의 학습 행위에 관한 성취도 지수를 계산할 수 있다. 자세하게, 학습자는 학습 콘텐츠를 학습하는 과정에서, 학습 콘텐츠의 초반, 중반, 후반 중 적어도 하나의 구간에서 수행 평가를 치를 수 있다. 일례로, 학습자는 학습 콘텐츠의 전체 구간을 학습한 후, 학습 콘텐츠를 통해 제공된 문항에 대한 응답을 작성함으로써, 학습 콘텐츠에 관한 수행 평가를 치를 수 있다.
학습 가치 결정 서버는 학습자의 수행 평가가 수행된 경우, 수행 평가의 결과로부터 학습자의 학습 행위에 관한 성취도 지수를 계산할 수 있다. 여기서, 수행 평가의 결과는 학습 콘텐츠의 학습 내용과 관련된 학습자의 지식 수준 또는, 학습 콘텐츠의 학습 내용을 습득하기 위한 수행 능력으로부터 문항에 대한 응답에 따른 정확도에 의해 결정될 수 있다. 그리고, 학습 가치 결정 서버는 수행 평가의 결과로부터 학습자에게 학습된 진보의 정도를 확인할 수 있는 성취도 지수를 결정할 수 있다.
또한, 학습 가치 결정 서버는 학습자의 수행 평가가 수행되지 않은 경우, 학습자가 이전에 학습한 학습 콘텐츠에 대한 성취도 지수를 이용하여 학습자의 학습 행위에 관한 성취도 지수를 추정할 수 있다. 학습 가치 결정 서버는 학습자의 학습 행동 정보, 개인 식별 정보를 이용할 수 있다. 학습자의 개인 식별 정보는 나이, 성별, 학년(직급), 전공(직무), 누적 성적, 교과/수행평가 등 학습에 관한 학습자의 레벨을 평가할 수 있는 기초 자료에 해당할 수 있다.
학습 가치 결정 서버는, 학습자의 학습 행동 정보, 개인 식별 정보를 예측 모델에 적용할 수 있다. 예측 모델은 맞춤형 모형과 공통 모형에 기초하여 학습자의 학습 행위에 관한 성취도 지수를 추정하기 위해 생성된 모델일 수 있다. 맞춤형 모형은 학습자의 학습 가치를 결정하기 위한 특정 모집단으로부터 산출된 특정 표본일 수 있다. 공통 모형은 일반 모집단으로부터 산출된 일반 표본일 수 있다.
학습 가치 결정 서버는 학습자의 학습 행동 정보, 개인 식별 정보를 예측 모델에 적용함으로써, 학습자의 학습 행위에 관한 성취도 지수를 추정할 수 있다.
도 9는 일실시예에 따른 학습자의 인지 부하에 따른 학습자의 학습 행위에 관한 노력도 지수를 결정하는 구성을 설명하기 위한 도면이다.
도 9를 참고하면, 학습 가치 결정 서버는 학습 콘텐츠를 학습하는 과정에서 발생된 학습자의 인지 부하를 이용하여 상기 학습자의 학습 행위에 관한 노력도 지수를 결정할 수 있다. 자세하게, 학습 가치 결정 서버는 추적한 시선 운동에 따른 학습자의 동공 변화를 통해 학습자의 인지 부하가 발생하였는지를 파악할 수 있다. 여기서, 학습자의 인지 부하란 학습자가 학습 콘텐츠의 학습 내용을 습득하는데 있어, 작동 기억에 작용하는 정신 활동의 총합을 의미할 수 있다.
학습자는 학습 내용을 습득하기 위해, 작동 기억 안에서 학습 내용에 관한 정보가 처리될 수 있다. 이 때, 학습자는 작동 기억이 처리해 낼 수 있는 정보의 양과 작동 기억이 처리해야 하는 정보의 양 간에 인터럽트가 발생할 수 있다. 이러한 학습 과정에서 학습자에게 나타나는 인터럽트는 본 발명의 인지 부하라 정의할 수 있다. 다시 말해, 학습자는 학습자가 습득할 수 있는 정보의 양보다 많은 양의 정보가 시각 또는 청각을 통해 주입될 때, 발생하는 정신 활동으로써 인지 부하가 발생할 수 있다. 인지 부하의 양은 학습자의 인지 체계에 부과되는 부하로써, 인지적 처리 과정에서의 정신적 요구량 정도를 나타낼 수 있다. 인지부하의 양은 학습자의 지식 수준에 따라 학습 동영상의 학습 내용을 습득한 정도에 기초한 학습자가 특정 과제를 수행할 때에 보편적으로 발생할 수 있다.
학습 가치 결정 서버는 신경학적 접근 방법을 통해 학습자의 인지 부하를 측정하기 위하여 물리적 측정 기술을 적용할 수 있다. 학습 가치 결정 서버는 물리적 측정 기술을 기반으로 학습자의 학습 표정 및 학습자의 동공 변화를 측정할 수 있다. 학습 가치 결정 서버는 학습자의 학습 표정 및 학습자의 동공 변화를 이용하여 학습자의 인지 부하가 발생하였는지 여부를 확인할 수 있다.
1) 학습자의 학습 표정
학습 가치 결정 서버는 학습자의 얼굴을 구성하는 눈, 코, 입, 턱, 입술, 눈썹의 움직임에 따른 학습 콘텐츠를 통해 자극된 학습자의 자극 강도를 추정할 수 있다. 자극 강도는 학습 환경에서의 학습자에게 자극되는 학습 콘텐츠를 구성하는 내용 특성에 따라 변화하는 학습자의 얼굴 표정에 대한 움직임 정도를 의미할 수 있다. 자극 강도는 학습자가 학습 콘텐츠를 통한 학업 성취도에 따른 학습자의 표정 변화 정도를 나타낼 수 있다.
학습 가치 결정 서버는 학습자에게 나타나는 정서 별로 기 결정된 정서 증가 표정 또는 정서 감소 표정을 이용하여 학습자의 자극 강도를 추정할 수 있다. 여기서, 정서는 놀라움, 두려운, 경멸, 두려움, 분도, 즐거움 및 슬픔 등으로 정의될 수 있으며, 정의된 정서를 기반으로 학습자의 학습 표정을 사전에 설정할 수 있다.
이후, 학습 가치 결정 서버는 추정된 학습자의 자극 강도로부터 학습 콘텐츠를 학습하는 학습자의 학습 표정을 측정할 수 있다. 학습 가치 결정 서버는 학습 콘텐츠 및 학습자의 얼굴 영상을 이용하여 학습 콘텐츠의 전체 구간에서 학습자의 학습 표정이 변화하는 구간을 확인할 수 있다. 학습 가치 결정 서버는 학습자의 학습 표정으로부터 학습 구간별 학습자의 정서를 측정할 수 있다. 학습자의 정서는 학습 환경에서의 학습 콘텐츠와 학습자 간에 발생하는 상호 작용 과정에서 학습자의 학습 경험 또는 반응을 나타내는 학습자의 상태일 수 있다. 학습 가치 결정 서버는 학습 구간별로 학습자의 인식 활동으로 반응을 파악하고, 이로부터 학습자의 인지 부하가 발생하였는지 여부를 확인할 수 있다.
2) 학습자의 동공 변화
학습 가치 결정 서버는 학습 콘텐츠를 학습하는 학습자의 시선에 대한 응시 방향 및 응시 기간에 따라 동공이 팽창되거나 또는 축소되는 양을 측정할 수 있다. 학습 가치 결정 서버는 측정된 양으로부터 학습자의 동공 변화를 측정할 수 있다. 여기서, 동공은 홍채 안쪽 중앙의 비어 있는 공간으로, 동공의 크기는 안구로 들어오는 빛의 양, 자극의 종류나 관심도에 등에 따라 확장되거나 축소될 수 있다. 학습자는 학습 콘텐츠의 학습 내용에 대한 관심도에 따라 동공의 크기가 변화할 수 있다. 학습 가치 결정 서버는 학습자가 갖는 학습 내용의 관심도에 따라 변화하는 동공 변화를 측정할 수 있다.
또한, 학습 가치 결정 서버는 학습 콘텐츠의 학습 내용에 얼마나 집중하고 있는지를 확인하기 위하여 인간의 시각 처리 특성에 따른 시선을 추적할 수 있다. 학습 가치 결정 서버는 추적된 학습자의 시선으로부터 학습자의 동공 변화를 측정할 수 있다. 동공 크기의 변화는 주로 인지부하 혹은 정서변화와 연결되는 것으로 학습자의 집중 정도에 따라 변화할 수 있다. 이때, 본 발명은 시선 고정, 시선 도약이 발생한 구간과 겹치지 않으며, 동공 크기의 변화가 심한 구간에만 추출할 수 있다. 이는 교수자가 학습 강의 내 불필요한 제스처를 하거나 판서 내용을 몸으로 가리고 있어 잘 보이지 않는 경우에 동공 크기의 변화가 발생할 수도 있기 때문이다. 따라서, 학습 가치 결정 서버는 동공 크기의 변화가 심한 구간을 추출할 수 있다. 학습 가치 결정 서버는 동공 크기의 변화가 심한 구간을 추출함으로써, 학습 콘텐츠의 학습 자료의 제시 형태와 방식에 의해 발생하는 불필요한 인지부하가 발생하였는지 여부를 확인할 수 있다.
학습자는 학습 동영상의 각 학습 구간에 따라 학습자의 관심도 또는 이해도에 따라 학업 집중 여부가 달라질 수 있다. 학습자의 동공의 크기는 학업 집중 여부에 따라 상이하게 나타날 수 있다. 학습 가치 결정 서버는 동공의 크기가 확대되거나 또는 축소될 수 있으며, 이러한 확대/축소에 따른 동공 변화에 따라 학습자의 인지 부하가 발생하였는지 여부를 판단할 수 있다.
상세하게, 학습자는 학습 동영상의 학습 내용에 기초하여 학습 과제를 해결함에 있어, 학습 과제의 과제 난이도가 낮은 경우, 동공의 지름이 축소(작아지는)될 수 있다. 반대로, 학습자는 물리적(외형적) 비교로부터 학습 과제의 과제 난이도가 높은 경우, 학습자의 동공의 크기가 확대될 수 있다.
이를 살펴보면, 학습자는 학습 과제의 과제 난이도가 감소할수록, 학습 과제를 해결할 수 있는 가능성이 높아지고, 학습 과제를 해결하기 위한 학업 집중도가 높아질 수 있다. 반대로, 학습자는 학습 과제의 과제난이도가 증가할 수록 학습 과제를 해결할 수 있는 가능성이 낮아지고, 학습 과제를 해결하기 위한 학업 집중도가 낮아질 수 있다.
이러한 학습자의 상황을 고려하여 학습 가치 결정 서버는 학습 과제에 대한 학습자의 학업 집중도에 대응하여 이를 해결하기 위한 과정에서의 인지 부하가 발생하였는지 여부를 확인할 수 있다. 학습자는 학습 과제를 해결하기 위하여 이전에 습득한 장기 기억들이 많이 소요되는 경우, 인지 부하가 발생할 수 있다. 반대로, 학습자는 학습 과제를 해결하기 위하여 이전에 장기 기억들이 적게 소요되는 경우, 이로 인한 인지 부하가 발생하지 않거나, 또는 긍정적인 의미의 인지 부하가 발생할 수 있다.
학습 가치 결정 서버는 학습자의 인지 부하가 발생한 경우, 발생된 인지 부하의 원인을 확인할 수 있다. 자세하게, 학습자는 학습 콘텐츠의 학습 내용을 인지하기 위하여 정보 기억(retention), 문제 해결(problem solving), 전이(transfer) 능력이 요구될 수 있다. 학습 콘텐츠의 학습 내용은 학습자에게 요구되는 능력의 수준에 따라 학습 내용이 복잡해지고, 이로 인한 학습자에게 부과되는 인지 부하가 높아질 수 있다.
학습자는 이전에 습득한 지식 즉, 지식 수준에 따라 학습 동영상에 대한 인지 부하의 차이가 발생할 수 있다 학습 가치 결정 서버는 학습자의 인지 부하가 발생한 원인에 따라 세 유형의 인지부하로 내재적 인지부하, 외재적 인지부하, 본유적 인지부하로 구분할 수 있다. 세 가지 인지부하의 합은 작동기억의 총량을 넘지 못한다.
1) 내재적 인지부하(intrinsic cognitive load)
내재적 인지 부하는 학습자의 지식 수준에 따른 학습 콘텐츠의 학습 내용 상의 난이도 또는 복잡도에 의해 발생하는 인지 부하일 수 있다. 내재적 인지 부하는 학습 과제를 구성하고 있는 수 또는 요소들 간의 상호작용의 정도 또는 학습자의 지식 수준에 따라 결정될 수 있다. 구체적으로, 학습자는 다양한 양의 정보를 이해하기 위하여 작동 기억에 계속 해당 정보를 유지하는 것이 필요할 수 있다. 그리고, 학습자는 작동 기억 안에 문제해결에 필요한 모든 정보들을 유지시킬 때 학습 자료의 구성 요소들 간의 상호작용에 의해 내재적 인지부하가 발생할 수 있다.
다시 말해, 내재적 인지부하는 학습자료나 과제 자체가 가지고 있는 난이도와 복잡성이라 할 수 있다. 또한, 내재적 인지부하는 상호 작용성이 높은 학습 자료를 해결하기 위해서는 개념을 획득하고 개념들 간의 관련성을 이해하는 것이 작동기억의 부하를 감소시킬 수 있다. 결국, 내재적 인지부하는 학습의 난이도에 따라 상대적일 수 있으며 이는 사전지식의 보유와 관련이 있다고도 할 수 있다.
2) 외재적 인지 부하(extraneous cognitive load)
외재적 인지부하는 학습 콘텐츠의 학습 내용에 의해 발생하는 인지 부하일 수 있다. 외재적 인지부하는 교수설계자에 의해 학습자에게 정보를 제시하는 형태에 의해 나타나며 학습 활동을 하는 동안 학습과 직접적으로 관련이 없는 정신활동에 의해 발생하는 인지 부하일 수 있다. 다시 말해, 외래적 인지 부하는 학습 동영상을 통해 제공되는 텍스트, 교수자의 말투, 억양 등 학습 방법, 자료 제시 방법, 학습내용 제시 시기, 학습전략 등에 의해 발생할 수 있는 것이다. 이러한 외래적 인지 부하는 동일한 학습 내용일지라도 적절한 교수전략과 교수설계를 사용한다면 학습자가 경험하는 인지부하의 양이 달라질 수 있다. 또한, 외래적 인지 부하는 학습 내용을 학습하는 학습자의 심리적 상황에 의해서도 인지부하의 양이 달라질 수 있다.
외래적 인지 부하는 동일한 자료가 텍스트와 음성으로 동시에 제시될 때 텍스트나 음성 가운데 하나만 제공하는 것보다 인지부하가 더 높게 발생하기도 한다. 이는 학습자에게 불필요한 정보로 인하여 외재적 인지부하가 발생하기 때문이다. 또한, 학습 동영상에서 제안하는 텍스트의 줄이 짧은 경우, 학습자는 해당 내용을 빠르게 인지 처리하며, 인지부하에 긍정적 영향을 가져올 수 있다. 결국, 외재적 인지부하는 학습 과제 자체의 난이도가 아닌 학습방법, 자료제시방법 등 교수전략에 의해 개선될 수 있는 인지부하이다.
3) 본유적 인지부하(germane cognitive load)
본유적 인지부하는 학습 콘텐츠를 통해 제공되는 학습 내용을 분석하는 과정에서 발생할 수 있다. 본유적 인지 부하는 학습을 촉진하는 인지부하로서 학습 내용을 해결하고 이해하려고 노력하는 학습자의 정신적 노력을 의미할 수 있다. 본유적 인지 부하는 학습에 도움이 되는 학습활동에 참여함으로써 발생하게 되는 인지부하이다. 본유적 인지부하는 높을수록 문제 해결에 도움을 줄 수 있다. 본유적 인지부하는 요소 상호작용 수준 또는 학습전략의 활용과 같은 학습자 특성에 따라 결정될 수 있다.
본유적 인지 부하는 학습자의 관심을 벗어난 내용의 과제이거나 또는 학습자에게 적절한 수준 이거나 또는 적당하게 높은 수준의 학습 자료를 제공했을 때 발생할 수 있다. 즉, 본유적 인지 부하는 해당 학습 문제를 해결하기 위해 정신적인 노력을 기울이게 되고 이로 인해 발생되는 인지부하일 수 있다.
학습 가치 결정 서버는 인지 부하의 발생 여부에 따른 학습자의 인지부하에 관한 원인을 결정하고, 결정된 원인을 해결하는 과정에서의 학습자의 학습 행위에 관한 노력도 지수를 계산할 수 있다.
다시 말해, 학습 가치 결정 서버는 인지 부하의 원인이 달라지거나 또는, 인지 부하에 의한 원인이 해결되었는지를 고려하여 노력도 지수를 계산할 수 있다. 일례로, 학습 콘텐츠의 구간 a에서 '외재적 인지 부하'가 발생한 이후, 학습 콘텐츠의 구간 b에서 '본유적 인지 부하'가 발생한 경우, 학습자는 본인의 지식 수준에 의해 발생된 인지 부하(외재적)로부터 학습 내용을 이해하기 위한 인지 부하(본유적)로 인지 부하의 원인이 달라질 수 있다. 이는 학습자가 문제를 해결하기 위해 정신적인 노력이 이루어지고 있는 것임을 판단할 수 있다. 그리고, 학습 가치 결정 서버는 학습자에게 발생된 인지 부하의 원인이 변경 여부를 확인함으로써, 노력도 지수를 계산할 수 있다.
학습 가치 결정 서버는 본유적 인지 부하가 발생한 이후에 학습 콘텐츠의 학습 내용에 관한 해결 여부로부터 노력도 지수를 계산할 수 있다. 일례로, 학습 가치 결정 서버는 학습 콘텐츠 내 수행 평가가 이루어지는 과정에서의 문제 해결 여부를 통해 노력도 지수를 계산할 수 있다.
도 10은 일실시예에 따른 학습자의 학습 행위에 관한 타 학습자의 활용 여부를 이용하여 학습자의 학습 가치에 가중치를 부가하는 구성을 설명하기 위한 도면이다.
도 10을 참고하면, 학습 가치 결정 서버는 노력도 지수, 창조 지수 및 성취도 지수를 이용하여 학습자의 학습 행위에 관한 학습 가치를 결정할 수 있다. 학습 가치 결정 서버는 노력도 지수, 창조 지수 및 성취도 지수 각각의 값을 조합할 수 있다. 학습 가치 결정 서버는 조합된 값을 이용하여 학습 콘텐츠의 학습 내용을 습득하는 과정에서의 지적 노력에 대응하는 학습자의 학습 행위에 관한 학습 가치를 결정할 수 있다. 학습 가치 결정 서버는 학습자가 학습 콘텐츠를 학습하는 과정에서의 학습자의 지적 수준을 직접적으로 평가할 수 있는 노력도 지수, 창조 지수 및 성취도 지수를 이용하여 학습자의 학습 가치를 결정할 수 있다.
일례로, 학습 가치 결정 서버는 학습 콘텐츠를 학습하는 과정에서 학습자가 1) 교수자가 설정한 학습 목표에 따라 정확하게 진도를 진행하였는지 여부, 2) 학습 콘텐츠를 구성하는 학습 자료에 관한 이해 정도, 3) 학습 콘텐츠로부터 도출 가능한 시각적 새로운 사고의 발생 여부(창의)를 직접적으로 평가할 수 있는 노력도 지수, 창조 지수 및 성취도 지수를 결정할 수 있다. 그리고, 학습 가치 결정 서버는 노력도 지수, 창조 지수 및 성취도 지수를 종합하여 학습 행위에 관한 학습 가치를 결정할 수 있다.
학습 가치 결정 서버는 학습 콘텐츠(903)를 학습하는 타 학습자(901)에 의한 결정된 학습자의 학습 행위에 대한 활용 여부를 이용하여 학습자의 학습 가치에 가중치를 부가할 수 있다. 자세하게, 학습 가치 결정 서버는 학습 콘텐츠(903)를 학습하는 학습자의 학습 행위(902)에 대응하여 학습 가치를 결정할 뿐만 아니라, 학습자의 학습 행위(902)에 대한 타 학습자(901)의 활용 여부를 측정할 수 있다. 즉, 학습 가치 결정 서버는 학습 가치가 결정된 학습자의 학습 행위(902)가 학습 콘텐츠(903)를 학습하는 타 학습자(901)에게 얼마나 유용한 정보로 이용할 만한 지에 대해 확인할 수 있다.
여기서, 타 학습자(901)는 타 학습자(901)의 학습 특성에 따라 서로 상이한 조건을 만족하는 사용자의 학습 행위(902)를 참조할 수 있다. 타 학습자(901)는 본인의 지식 수준보다 높은 지식 수준을 가지는 학습자의 학습 행위(902)를 참조하거나, 본인의 지식 수준과 유사한 지식 수준을 가지는 학습자의 학습 행위(902)를 참조할 수 있다.
타 학습자(901)는 창조 지수, 노력도 지수 및 성취도 지수 중 적어도 하나의 지수가 높은 지수를 갖는 학습자의 학습 행위(902)를 참조할 수 있다. 이는 학습자의 학습 가치가 높게 평가된 학습자의 학습 행위를 디폴트로 타 학습자(901)에게 제공하는 것이 아니라, 타 학습자(901)가 원하거나 또는 타 학습자(901)에게 특화된 학습자의 학습 행위(902)를 제공할 수 있다.
일례로, 본 발명은 타 학습자(901)에 대응하는 funder의 정책 목표를 이용하여 지식 창조 위주의 학습 행위 또는, 성실 학습 위주의 학습 행위를 타 학습자에게 제공할 수 있다.
또한, 이러한 학습자의 학습 행위(902)는 동일한 학습 콘텐츠에서만 한정되어 타 학습자(901)의 학습을 위한 정보로 제공되는 것이 아니라, 학습 가치가 결정된 학습자가 이전에 학습하였던 학습 콘텐츠에서도 활용이 가능할 수 있다.
학습 가치 결정 서버는 학습자의 학습 행위에 관한 타 학습자의 활용 여부를 이용하여 학습자의 학습 가치에 가중치를 부가함으로써, 학습자의 학습 행위에 관한 지속적인 평가가 이루어질 수 있다. 즉, 학습자의 가치 평가는 창조 지수, 노력도 지수, 성취도 지수 뿐만 아니라, 타 학습자의 활용 여부에 관한 α 지수가 추가적으로 평가될 수 있다.
그리고, 학습 가치 결정 서버는 학습자의 학습 행위에 관한 기업의 활용 여부를 이용하여 학습자의 학습 가치에 가중치를 부가할 수 있다. 다시 말해, 학습 가치 결정 서버는 학습 가치가 결정된 학습자의 학습 행위에 있어, 타 학습자의 참조 정보로 활용될 뿐만 아니라, 학습 콘텐츠를 제작하는 기업에서도 활용될 수 있다.
일례로, 학습자 A 및 학습자 B는 각각 학습 행위에 관한 학습 가치가 'B'로 동일하게 결정되었다고 가정할 때, 학습자 A는 창조 지수가 다른 지수들보다 높은 지수로 나타났으며, 학습자 B는 노력도 지수가 다른 지수들보다 높은 지수로 나타날 수 있다. 그리고, 기업은 기업이 제작하고자 하는 학습 콘텐츠의 목적에 따라 학습자 A의 학습 행위 또는, 학습자 B의 학습 행위를 참조할 수 있다.
학습 가치 결정 서버는 동일한 학습 콘텐츠에 대응하여 학습 콘텐츠를 학습하는 학습자에 따라 다양한 형태로 나타나는 학습 행위에 대해 학습 가치를 결정할 수 있다. 학습 가치 결정 서버는 결정된 학습 가치에 따른 학습자의 학습 행위를 하나의 상품으로써, 학습에 관한 다양한 분야에서 활용할 수 있다.
학습 가치 결정 서버는 학습자의 학습 행위에 관한 기업의 활용 여부를 이용하여 학습자의 학습 가치에 가중치를 부가함으로써, 학습자의 학습 행위에 관한 지속적인 평가가 이루어질 수 있다. 학습자의 가치 평가는 창조 지수, 노력도 지수, 성취도 지수 뿐만 아니라, 기업의 활용 여부에 관한 β 지수가 추가적으로 평가될 수 있다.
학습 가치 결정 서버는 학습 콘텐츠를 학습하는 학습자의 학습 행위, 학습자의 사전 지식 등 학습 콘텐츠를 습득하기 위한 학습과 관련된 모든 정보를 상품으로 정의할 수 있다. 이에 따라, 학습 가치 결정 서버는 학습 콘텐츠를 학습하는 학습자의 학습 행위에 관한 학습 가치를 결정하고, 결정된 학습 가치를 기업에서의 경제적 가치로 활용할 수 있다.
학습 가치 결정 서버는 학습 콘텐츠를 학습하는 학습자로부터 지식 기반의 학습 행위에 관한 학습 가치를 결정할 수 있다. 그리고, 학습 가치 결정 서버는 기업을 통해 학습자의 학습 가치를 유통함으로써, 학습자의 지식 창조가 산업에 따른 시장적 거래로 활용될 수 있도록 인식의 전환을 유도할 수 있다.
도 11은 일실시예에 따른 블록 체인 기법을 기반으로 학습자의 학습 가치에 대한 정보 보안하는 구성을 설명하기 위한 도면이다.
학습 가치 결정 서버는 학습자의 학습 행위에 관한 학습 가치에 대해 기술적인 보안성을 보장하기 위하여 블록체인(Block Chain)적 개념을 적용할 수 있다. 자세하게, 블록체인은 블록(Block)을 잇따가 연결한 모음(Chain)을 의미하는 것으로, 모든 거래 내역이 기록되는 장부로, 거래가 발생할 때 발생할 수 있는 해킹을 막는 기술이다.
이러한 개념에 기초하여, 학습 가치 결정 서버는 학습 콘텐츠를 학습하거나 학습자 별로, 학습 가치를 결정하기 위해 활용되는 모든 정보를 잇따라 연결할 수 있다. 그리고, 학습 가치 결정 서버는 외부의 불법 접근에 의한 학습자의 학습 가치에 대한 해킹을 방지할 수 있다. 즉, 학습 가치 결정 서버는학습자의 학습 가치가 결정되기 위해 활용되는 정보로, 창조 지수, 성취도 지수, 노력도 지수 각각을 연결한 모음으로 관리할 수 있다.
그리고, 학습 가치 결정 서버는 학습 가치가 결정된 학습자의 학습 행위에 대한 타 학습자 또는 기업의 활용 여부를 확인할 수 있다. 학습 가치 결정 서버는 타 학습자 또는 기업의 활용 여부가 확인되면, 학습자의 학습 행위에 대한 참조 순서에 따라 순차적으로 블록으로 연결할 수 있다.
또한, 학습 가치 결정 서버는 교수자 또는 학습자의 학습 행위 즉, 학습 동영상을 학습하는 과정에서의 학습 행동 정보를 수집하는 과정에서 블록 체인 개념을 적용시킬 수 있다. 다시 말해, 학습 가치 결정 서버는외부에 존재하는 다양한 콘텐츠를 찾아 패키징하고, 주석을 작성한 교수자 및 학습자의 학습 행동 정보를 각각 기록할 수 있다. 학습 가치 결정 서버는 기록된 교수자 및 학습자의 학습 행동 정보를 기반으로 추후에 동료 학습자 또는 후배 학습자에게 구체적인 학습적 롤 모델을 제공할 수 있다. 학습자는 개인의 시간과 노력을 통해 가치를 생산-공유하는 지적 생산자의 역할을 수행할 수 있다 교수자는 학습자를 통해 제공되는 정보로부터 교수자의 래피드 프로토 타이핑에 수정-보완 시그널로 활용 및 특정 수업에서의 학습 효과를 향상시킬 수 있다.
학습 가치 결정 서버는 학습자의 학습 행위 정보에 대한 조작과 누락 없이 모든 학습 행동에 대해 로그로 기록할 수 있다. 이러한 로그는 외부 수업(타 학교, 타 교수, 타 MOOC 등), 외부 평가 주체(교무처, 학생처, 기업 채용 담당자, 유학 및 진학 추천자 등)에게, 중개자의 관여 없이 학습자에 관한 유일성과 진실성을 보증하는 정보로 활용될 수 있다.
또한, 창조적-가치부가적 학습자에게는 부가적인 인센티브를 부여할 수 있다. 본 발명은 동시에 공유되는 학습 콘텐츠로 패키징된 참조 자료 들에 대한 신뢰성을 보장함으로써 크라우드 러닝(Cloud Learning)이라는 분권화된 협력적 학습 생태계 조성에 기여할 수 있다.
도 12는 일실시예에 따른 학습자, 교수자 및 관리자에 대응하는 대시 보드를 도시한 도면이다.
본 발명은 비개입적-실시간적-노동절약적 방식의 학습을 촉진하고 그 결과를 분석하여 학습자 개인과 교수자에게 피드백할 수 있다. 여기서, 분석된 통계적 결과는 학습자-교수자의 행동 변화를 일으킬 수 있도록 인포그래픽 형태의 대시보드로 실시간 제공될 수 있다.
(a) 학습자 대시 보드
학습자 대시 보드는 주요 구간별 누적 빈도를 표시할 수 있다. 학습자 대시 보드는 학습자 개인의 정보 뿐만 아니라, 준거 집단 및 참조 집단 등의 평균을 비교할 수 있도록 정보를 추가적으로 제공할 수 있다. 여기서, 준거 집단은 학습 콘텐츠를 과거에 학습한 이력이 있는 학습자(과거 학습자)들로 구성된 집단일 수 있으며, 참조 집단은 학습자와 학습 콘텐츠를 함께 학습하고 있는 학습자(동료 학습자)들로 구성된 집단일 수 있다.
학습자 대시 보드는 주요 구간별 누적 빈도에 따른 추세(예측)선을 표시할 수 있으며, 질의응답 내용을 통합적으로 리포트할 수 있다. 또한, 리포트 내 질문별로 해당 구간으로의 이동이 기능할 수 있다.
(b) 교수자 대시 보드
교수자 대시 보드는 주요 구간별 누적 빈도를 표시할 수 있다. 교수자 대시 보드는 학습 콘텐츠 별로 준거 집단 및 참조 집단으로 표시할 수 있다. 여기서, 준거 집단은 학습 콘텐츠를 과거에 학습한 이력이 있는 학습자(과거 학습자)들로 구성된 집단일 수 있으며, 참조 집단은 학습자와 학습 콘텐츠를 함께 학습하고 있는 학습자(동료 학습자)들로 구성된 집단일 수 있다.
교수자 대시 보드는 개인별 추세(예측)선을 표시할 수 있으며, 고위험군 학습자의 경우에는 경고를 표시할 수 있다. 여기서, 고위험군 학습자는 학습 콘텐츠의 학습 진도율이 저하인 학습자 또는, 학습자의 사전 지식에 의한 일대일 맞춤형 피드백이 이루어져야 하는 학습자를 의미할 수 있다. 교수자는 교수자 대시 보드를 통해 고위험군 학습자의 존재 여부를 파악함으로써, 중도 탈락하는 학습자의 비율을 급감시킬 수 있다.
본 발명의 학습자는 개인의 시간과 노력을 통해 가치를 생산-공유하는 지적 생산자의 역할을 수행하는 것으로, 학습 콘텐츠에 관한 평가가 이루어질 수 있다. 이에, 교수자 대시 보드는 학습 콘텐츠별로 수정, 보완, 삭제 등의 구간이 발생하면, 해당 영역을 표시할 수 있다.
교수자 대시 보드는 학습 콘텐츠를 학습하는 학습자로부터 문의된 질의에 대한 응답 템플릿 library를 표시할 수 있으며, 응답 템플릿 library는 질의별로 구분된 상태가 디폴트될 수 있다. 교수자 대시 보드는 질의-응답에 대한 response time을 비교할 수 있다. 이때, 교수자 대시 보드는 학습자 개인 및 동료 교수자들로 구분하여 질의-응답에 대한 response time을 관리할 수 있다.
또한, 교수자 대시 보드는 질의응답 내용을 통합적으로 리포트할 수 있다. 또한, 리포트 내 질문별로 해당 구간으로의 이동이 기능할 수 있다. 교수자 대시 보드는 교수자에 의해 소그룹으로 학습자들을 구성할 수 있다. 다시 말해, 교수자는 교수자 대시 보드를 통해 학습자의 사전 학습 결과를 점검할 수 있으며, 점검 결과를 토대로 오프 라인 수업을 위한 소 그룹을 편성할 수 있으며, 편성된 소그룹 내역을 표시할 수 있다.
(c) 관리자 대시 보드
관리자 대시 보드는 학습 콘텐츠별 및 교수자별로 학습자들에 관한 학습 진도율을 통계하고, 이를 표시할 수 있다. 관리자 대시 보드는 개인별 추세(예측)선을 표시할 수 있으며, 고위험군 학습자가 다수로 포함된 클래스에 대한 경고를 표시할 수 있다.
관리자 대시 보드는 교수자 개인별 질의-응답 response time을 통계화여 표시할 수 있으며, 과거 대비 변화 정도를 나타낼 수 있다. 또한, 관리자 대시 보드는 학습 콘텐츠에 대한 수정 또는, 보완이 이루어진 학습 콘텐츠를 식별할 수 있도록 표시할 수 있다.
도 13은 일실시예에 따른 학습자의 학습 행위에 관한 학습 가치를 결정하는 학습 가치 결정 방법을 설명하기 위한 흐름도이다.
단계(1301)에서 학습 가치 결정 서버는 학습 콘텐츠를 학습하는 학습자의 학습 행동 정보를 수집할 수 있다. 학습 가치 결정 서버는 학습 콘텐츠의 시간 흐름에 따라 제공되는 학습 내용에 대응하여 학습자의 반응으로 나타나는 학습 행동 정보를 수집할 수 있다. 다시 말해, 학습자는 플레이어를 통해 재생되는 학습 콘텐츠를 시청할 수 있으며, 학습 콘텐츠에서 제시되는 시청 자극 및 청각 자극에 기초하여 학습 콘텐츠를 학습할 수 있다.
학습자는 학습 콘텐츠를 학습하기 위한 학습 행위에 대응하는 플레이어의 화면을 터치함으로써, 학습 콘텐츠를 학습하는 과정에서의 반응을 나타낼 수 있다. 그리고, 학습 가치 결정 서버는 플레이어로부터 학습 콘텐츠의 학습 내용에 따른 학습자의 반응에 대응하는 학습자의 학습 행동 정보를 수집할 수 있다.
단계(1302)에서 학습 가치 결정 서버는 학습자의 학습 행동 정보를 1) 기피적 행동, 2) 수용적 행동, 3) 창조적 행동으로 각각 분류할 수 있다. 학습 가치 결정 서버는 학습자의 학습 행동 정보로부터 분류된 행동 중에서 창의적 행동으로 분류되는 학습 행동 정보를 추출할 수 있다. 학습 가치 결정 서버는 추출한 학습 행동 정보를 이용하여 학습 콘텐츠를 학습하는 과정에서의 학습자의 학습 행위에 관한 창조 지수를 결정할 수 있다.
단계(1303)에서 학습 가치 결정 서버는 학습 콘텐츠를 학습하는 과정에서 학습자에게 학습된 진보의 정도를 확인하기 위한 성취도 지수를 결정할 수 있다. 이를 위해, 학습 가치 결정 서버는 학습 콘텐츠의 학습 내용에 기초한 학습자의 수행 평가가 수행되었는지 여부를 고려하여 학습자의 학습 행위에 관한 성취도 지수를 결정할 수 있다.
세하게, 학습자는 학습 콘텐츠를 학습하는 과정에서, 학습 콘텐츠의 초반, 중반, 후반 중 적어도 하나의 구간에서 수행 평가를 치를 수 있다. 일례로, 학습자는 학습 콘텐츠의 전체 구간을 학습한 후, 학습 콘텐츠를 통해 제공된 문항에 대한 응답을 작성함으로써, 학습 콘텐츠에 관한 수행 평가를 치를 수 있다.
그리고, 학습 가치 결정 서버는 학습자의 수행 평가가 수행된 경우, 수행 평가의 결과로부터 학습자의 학습 행위에 관한 성취도 지수를 계산할 수 있다. 여기서, 수행 평가의 결과는 학습 콘텐츠의 학습 내용과 관련된 학습자의 지식 수준 또는, 학습 콘텐츠의 학습 내용을 습득하기 위한 수행 능력으로부터 문항에 대한 응답에 따른 정확도를 포함할 수 있다. 그리고, 학습 가치 결정 서버는 수행 평가의 결과로부터 학습자에게 학습된 진보의 정도를 확인할 수 있는 성취도 지수를 결정할 수 있다.
또한, 학습 가치 결정 서버는 학습자의 수행 평가가 수행되지 않은 경우, 학습자의 개인 식별 정보를 기반으로 학습자가 이전에 학습한 학습 콘텐츠에 대한 성취도 지수를 이용하여 학습자의 학습 행위에 관한 성취도 지수를 추정할 수 있다.
단계(1304)에서 학습 가치 결정 서버는 학습 콘텐츠를 학습하는 과정에서 발생된 학습자의 인지 부하를 이용하여 학습자의 학습 행위에 관한 노력도 지수를 결정할 수 있다. 자세하게, 학습 가치 결정 서버는 학습자의 학습 행동 정보를 기반으로 학습 콘텐츠를 학습하는 과정에서 학습자에게 발생된 인지 부하를 식별할 수 있다. 학습 가치 결정 서버는 인지 부하가 발생된 원인을 파악하고, 파악된 원인을 해결하는 과정에서의 학습자의 학습 행위에 관한 노력도 지수를 계산할 수 있다.
단계(1305)에서 학습 가치 결정 서버는 결정된 노력도 지수, 창조 지수 및 성취도 지수를 이용하여 학습자의 학습 행위에 관한 학습 가치를 결정할 수 있다. 학습 가치 결정 서버는 노력도 지수, 창조 지수 및 성취도 지수 각각의 값을 조합하여 학습 콘텐츠의 학습 내용을 습득하는 과정에서의 지적 노력에 대응하는 학습자의 학습 행위에 관한 학습 가치를 결정할 수 있다.
또한, 학습 가치 결정 서버는 학습자의 학습 행동 정보에 관한 타 학습자의 활용 여부 또는, 학습 콘텐츠를 제작하는 기업의 활용 여부를 고려하여 결정된 학습자의 학습 가치에 가중치를 부가할 수 있다.
도 14는 다른 일실시예에 따른 학습자의 학습 행위에 관한 학습 가치를 결정하는 학습 가치 결정 방법을 설명하기 위한 흐름도이다.
단계(1401)에서 학습 가치 결정 서버는 학습 콘텐츠를 학습하는 학습자의 학습 행동 정보에 기초한 학습 콘텐츠를 학습하는 과정에서 학습자의 학습 행위에 관한 학습 가치를 결정할 수 있다. 자세하게, 학습 가치 결정 서버는 학습자의 학습 경험 정보에 기초하여 학습 동영상의 학습 내용에 관한 학습자의 노동 가치를 산출하고, 산출된 노동 가치로부터 학습 동영상에 관한 학습자의 학습 성향을 판단할 수 있다.
학습 가치 결정 서버는 학습자의 학습 성향으로부터 학습 동영상에 관한 학습자의 창조 가치를 산출할 수 있다. 그리고, 학습 가치 결정 서버는 학습자의 학습 경험 정보에 기초하여 학습 동영상에 관한 학습자의 사용 가치를 산출할 수 있다.
이후, 학습 가치 결정 서버는 노동 가치, 창조 가치 및 사용 가치를 기반으로 학습 동영상의 학습 내용을 습득하기 위한 학습자의 지적 노력에 대응하는 학습 가치를 평가할 수 있다. 학습 가치 결정 서버는 노력도 지수, 창조 지수 및 성취도 지수 각각의 값을 조합하여 학습 콘텐츠의 학습 내용을 습득하는 과정에서의 지적 노력에 대응하는 학습자의 학습 행위에 관한 학습 가치를 결정
단계(1401)에서 학습 가치 결정 서버는 학습 콘텐츠를 학습하는 타 학습자로부터 학습 가치가 결정된 학습자의 학습 행위에 대한 피 참조 빈도를 결정할 수 있다. 피 참조 빈도는 타 학습자가 학습 콘텐츠를 학습하기 위해 참조하는 자료로 사용되는 빈도를 나타낼 수 있다. 학습자별로 타 학습자에 의한 피 참조 빈도를 결정할 수 있다.
단계(1401)에서 학습 가치 결정 서버는 피 참조 빈도를 이용하여 학습 가치가 결정된 학습자의 학습 행위에 대한 타인 활용도를 결정할 수 있다. 학습자의 학습 행위에 대한 타인 활용도는 피 참조 빈도에 따른 누적분에 의해 결정될 수 있다.
단계(1401)에서 학습 가치 결정 서버는 학습 콘텐츠를 제작하는 제작자의 정책에 따른 학습 가치가 결정된 학습자의 학습 행위에 대한 기업 활용도를 결정할 수 있다.
단계(1401)에서 학습 가치 결정 서버는 타인 활용도 및 기업 활용도를 이용하여 결정된 학습자의 학습 행위에 관한 학습 가치에 가중치를 부가할 수 있다.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
이상과 같이 실시예들이 비록 한정된 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기를 기초로 다양한 기술적 수정 및 변형을 적용할 수 있다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 청구범위의 범위에 속한다.
101: 학습 가치 결정 서버
102: 플레이어
103: 학습자
102: 플레이어
103: 학습자
Claims (12)
- 학습 콘텐츠를 학습하는 학습자의 학습 행동 정보를 수집하는 단계;
상기 학습자의 학습 행동 정보 중 학습에 관한 창의적 행동으로 분류되는 학습 행동 정보를 이용하여 학습 콘텐츠를 학습하는 과정에서의 학습자의 학습 행위에 관한 창조 지수를 결정하는 단계;
상기 학습 콘텐츠의 학습 내용에 기초한 학습자의 수행 평가가 수행되었는지 여부를 고려하여 상기 학습자의 학습 행위에 관한 성취도 지수를 결정하는 단계;
상기 학습 콘텐츠를 학습하는 과정에서 발생된 학습자의 인지 부하를 이용하여 상기 학습자의 학습 행위에 관한 노력도 지수를 결정하는 단계; 및
상기 결정된 노력도 지수, 창조 지수 및 성취도 지수를 이용하여 상기 학습자의 학습 행위에 관한 학습 가치를 결정하는 단계
를 포함하는 학습 가치 결정 방법. - 제1항에 있어서,
상기 학습자의 학습 행동 정보를 수집하는 단계는,
상기 학습 콘텐츠의 시간 흐름에 따라 제공되는 학습 내용에 대응하여 학습자의 반응으로 나타나는 학습 행동 정보를 수집하는 학습 가치 결정 방법. - 제1항에 있어서,
상기 학습자의 창조 지수를 결정하는 단계는,
상기 학습자의 학습 행동 정보를 1) 거부 반응에 해당하는 기피적 행동, 2) 수동 반응에 해당하는 수용적 행동 및 3) 창의 반응에 해당하는 창조적 행동으로 각각 분류하는 단계; 및
상기 학습자의 학습 행동 정보 중 창조적 행동으로 분류된 학습 행동 정보를 이용하여 학습자의 학습 행위에 관한 창조 지수를 계산하는 단계
를 포함하는 학습 가치 결정 방법. - 제1항에 있어서,
상기 학습자의 성취도 지수를 결정하는 단계는,
상기 학습자의 수행 평가가 수행된 경우, 상기 학습 콘텐츠의 학습 내용과 관련된 학습자의 지식 수준 또는, 학습 콘텐츠의 학습 내용을 습득하기 위한 수행 능력을 이용하여 상기 학습자의 학습 행위에 관한 성취도 지수를 계산하는 학습 가치 결정 방법. - 제1항에 있어서,
상기 학습자의 성취도 지수를 결정하는 단계는,
상기 학습자의 수행 평가가 수행되지 않은 경우, 상기 학습자의 개인 식별 정보를 기반으로 학습자가 이전에 학습한 학습 콘텐츠를 통해 결정된 학습자의 성취도 지수를 이용하여 상기 학습자의 학습 행위에 관한 성취도 지수를 추정하는 학습 가치 결정 방법. - 제1항에 있어서,
상기 학습자의 노력도 지수를 결정하는 단계는,
상기 학습자의 학습 행동 정보를 기반으로 학습 콘텐츠를 학습하는 과정에서 학습자에게 발생된 인지 부하를 식별하는 단계; 및
상기 인지 부하가 발생된 원인을 파악하고, 상기 파악된 원인을 해결하는 과정에서의 학습자의 학습 행위에 관한 노력도 지수를 계산하는 단계
를 포함하는 학습 가치 결정 방법. - 제1항에 있어서,
상기 학습 가치를 결정하는 단계는,
상기 노력도 지수, 창조 지수 및 성취도 지수 각각의 값을 조합하여 상기 학습 콘텐츠의 학습 내용을 습득하는 과정에서의 지적 노력에 대응하는 학습자의 학습 행위에 관한 학습 가치를 결정하는 학습 가치 결정 방법. - 제1항에 있어서,
상기 학습 가치를 결정하는 단계는,
상기 수집한 학습자의 학습 행동 정보에 관한 타 학습자의 활용 여부를 고려하여 상기 결정된 학습 가치에 가중치를 부가하는 학습 가치 결정 방법. - 학습 콘텐츠를 학습하는 학습자의 학습 행동 정보를 수집하는 학습 행동 정보 수집부;
상기 학습자의 학습 행동 정보 중 학습에 관한 창의적 행동으로 분류되는 학습 행동 정보를 이용하여 학습 콘텐츠를 학습하는 과정에서 학습자의 학습 행위에 관한 창조 지수를 결정하는 창조 지수 결정부;
상기 학습 콘텐츠의 학습 내용에 기초한 학습자의 수행 평가가 수행되었는지 여부를 고려하여 상기 학습자의 학습 행위에 관한 성취도 지수를 결정하는 성취도 지수 결정부;
상기 학습 콘텐츠를 학습하는 과정에서 발생된 학습자의 인지 부하를 이용하여 상기 학습자의 학습 행위에 관한 노력도 지수를 결정하는 노력도 지수 결정부; 및
상기 결정된 노력도 지수, 창조 지수 및 성취도 지수를 이용하여 상기 학습자의 학습 행위에 관한 학습 가치를 결정하는 학습 가치 결정부
를 포함하는 학습 가치 결정 서버. - 학습 콘텐츠를 학습하는 학습자의 학습 행동 정보에 기초한 학습 콘텐츠를 학습하는 과정에서 학습자의 학습 행위에 관한 학습 가치를 결정하는 단계;
상기 학습 콘텐츠를 학습하는 타 학습자로부터 학습 가치가 결정된 학습자의 학습 행위에 대한 피 참조 빈도를 결정하는 단계;
상기 피 참조 빈도를 이용하여 학습 가치가 결정된 학습자의 학습 행위에 대한 타인 활용도를 결정하는 단계;
상기 학습 콘텐츠를 제작하는 제작자의 정책에 따른 학습 가치가 결정된 학습자의 학습 행위에 대한 기업 활용도를 결정하는 단계; 및
상기 타인 활용도 및 기업 활용도를 이용하여 상기 결정된 학습자의 학습 행위에 관한 학습 가치에 가중치를 부가하는 단계
를 포함하는 학습 가치 결정 방법. - 제10항에 있어서,
상기 학습자의 학습 행위에 관한 학습 가치를 결정하는 단계는,
상기 학습자의 학습 경험 정보에 기초하여 학습 동영상의 학습 내용에 관한 학습자의 노동 가치를 산출하고, 산출된 노동 가치로부터 학습 동영상에 관한 학습자의 학습 성향을 판단하는 단계;
상기 학습자의 학습 성향으로부터 학습 동영상에 관한 학습자의 창조 가치를 산출하는 단계;
상기 학습자의 학습 경험 정보에 기초하여 학습 동영상에 관한 학습자의 사용 가치를 산출하는 단계; 및
상기 노동 가치, 창조 가치 및 사용 가치를 기반으로 학습 동영상의 학습 내용을 습득하기 위한 학습자의 지적 노력에 대응하는 학습 가치를 결정하는 단계
를 포함하는 학습 가치 결정 방법. - 제11항에 있어서,
상기 학습 가치를 결정하는 단계는,
상기 노력도 지수, 창조 지수 및 성취도 지수 각각의 값을 조합하여 상기 학습 콘텐츠의 학습 내용을 습득하는 과정에서의 지적 노력에 대응하는 학습자의 학습 행위에 관한 학습 가치를 결정하는 학습 가치 결정 방법.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020180074768A KR102153782B1 (ko) | 2018-06-28 | 2018-06-28 | 학습자의 학습 행위에 관한 학습 가치를 결정하는 학습 가치 결정 방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020180074768A KR102153782B1 (ko) | 2018-06-28 | 2018-06-28 | 학습자의 학습 행위에 관한 학습 가치를 결정하는 학습 가치 결정 방법 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20200001798A true KR20200001798A (ko) | 2020-01-07 |
| KR102153782B1 KR102153782B1 (ko) | 2020-09-08 |
Family
ID=69153596
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020180074768A KR102153782B1 (ko) | 2018-06-28 | 2018-06-28 | 학습자의 학습 행위에 관한 학습 가치를 결정하는 학습 가치 결정 방법 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102153782B1 (ko) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112150097A (zh) * | 2020-08-13 | 2020-12-29 | 北京师范大学 | 一种学习设计生成方法、装置、电子设备及存储介质 |
| KR20220018818A (ko) * | 2020-08-07 | 2022-02-15 | 이화여자대학교 산학협력단 | 사용자의 동공 변화에 기초하여 피드백 정보를 제공하는 영상 수업 시스템 및 방법 |
| KR102383457B1 (ko) * | 2021-05-28 | 2022-04-08 | 주식회사 아이스크림에듀 | 교수와 학습을 지원하는 능동형 인공지능 튜터링 시스템 및 이의 제어방법 |
| KR102550791B1 (ko) * | 2022-06-17 | 2023-07-03 | (주)세인교육 | 음악을 접목한 인공지능 기반 언어 교육 콘텐츠 제공 방법, 장치 및 시스템 |
| KR102636580B1 (ko) * | 2022-10-20 | 2024-02-16 | 주식회사 아이스크림에듀 | 스마트 기기 기반의 자기주도학습 역량 측정용 평가 서비스 제공 시스템 |
| KR102642267B1 (ko) * | 2022-12-09 | 2024-02-29 | 김철중 | 강의 콘텐츠의 세분화 및 세분화된 강의 콘텐츠의 구매 플랫폼 서비스 제공 방법, 장치 및 시스템 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20110024493A (ko) * | 2009-09-02 | 2011-03-09 | (주)휴보로 | 뇌파를 이용한 학습 장치 및 학습 방법 |
| KR20110035656A (ko) * | 2009-09-30 | 2011-04-06 | 고려대학교 산학협력단 | 외국어 학습자용 학습 과제 수행 시스템 및 방법 |
| KR20160109913A (ko) * | 2015-03-13 | 2016-09-21 | 이화여자대학교 산학협력단 | 학습 콘텐츠 제공 시스템이 수행하는 맞춤 학습 피드백 방법 |
| KR101816477B1 (ko) * | 2017-03-31 | 2018-02-21 | 이화여자대학교 산학협력단 | 학습 동영상에 대한 학습 환경에서 학습자의 학습 상황 동기 예측 방법 및 장치 |
-
2018
- 2018-06-28 KR KR1020180074768A patent/KR102153782B1/ko active IP Right Grant
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20110024493A (ko) * | 2009-09-02 | 2011-03-09 | (주)휴보로 | 뇌파를 이용한 학습 장치 및 학습 방법 |
| KR20110035656A (ko) * | 2009-09-30 | 2011-04-06 | 고려대학교 산학협력단 | 외국어 학습자용 학습 과제 수행 시스템 및 방법 |
| KR20160109913A (ko) * | 2015-03-13 | 2016-09-21 | 이화여자대학교 산학협력단 | 학습 콘텐츠 제공 시스템이 수행하는 맞춤 학습 피드백 방법 |
| KR101816477B1 (ko) * | 2017-03-31 | 2018-02-21 | 이화여자대학교 산학협력단 | 학습 동영상에 대한 학습 환경에서 학습자의 학습 상황 동기 예측 방법 및 장치 |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20220018818A (ko) * | 2020-08-07 | 2022-02-15 | 이화여자대학교 산학협력단 | 사용자의 동공 변화에 기초하여 피드백 정보를 제공하는 영상 수업 시스템 및 방법 |
| CN112150097A (zh) * | 2020-08-13 | 2020-12-29 | 北京师范大学 | 一种学习设计生成方法、装置、电子设备及存储介质 |
| CN112150097B (zh) * | 2020-08-13 | 2023-10-17 | 北京师范大学 | 一种学习设计生成方法、装置、电子设备及存储介质 |
| KR102383457B1 (ko) * | 2021-05-28 | 2022-04-08 | 주식회사 아이스크림에듀 | 교수와 학습을 지원하는 능동형 인공지능 튜터링 시스템 및 이의 제어방법 |
| KR102550791B1 (ko) * | 2022-06-17 | 2023-07-03 | (주)세인교육 | 음악을 접목한 인공지능 기반 언어 교육 콘텐츠 제공 방법, 장치 및 시스템 |
| KR102636580B1 (ko) * | 2022-10-20 | 2024-02-16 | 주식회사 아이스크림에듀 | 스마트 기기 기반의 자기주도학습 역량 측정용 평가 서비스 제공 시스템 |
| KR102642267B1 (ko) * | 2022-12-09 | 2024-02-29 | 김철중 | 강의 콘텐츠의 세분화 및 세분화된 강의 콘텐츠의 구매 플랫폼 서비스 제공 방법, 장치 및 시스템 |
Also Published As
| Publication number | Publication date |
|---|---|
| KR102153782B1 (ko) | 2020-09-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102153782B1 (ko) | 학습자의 학습 행위에 관한 학습 가치를 결정하는 학습 가치 결정 방법 | |
| Crescenzi‐Lanna | Multimodal Learning Analytics research with young children: A systematic review | |
| Ghanbari et al. | A systematized review of cognitive load theory in health sciences education and a perspective from cognitive neuroscience | |
| Andaroon et al. | The effect of individual counseling on attitudes and decisional conflict in the choice of delivery among nulliparous women | |
| Van Amelsvoort et al. | Using non-verbal cues to (automatically) assess children’s performance difficulties with arithmetic problems | |
| Kosko | Pre-Service Teachers' Professional Noticing When Viewing Standard and Holographic Recordings of Children's Mathematics. | |
| Albó et al. | EdCrumble, a data-enriched visual authoring design tool for blended learning | |
| Thurner et al. | An exploratory mixed method study on H5P videos and video-related activities in a MOOC environment | |
| Ott et al. | Seeing double: design and enactments of a lesson on perspective-taking | |
| Khalil et al. | Video analytics in digital learning environments: Exploring student behaviour across different learning contexts | |
| Taibi | Learning Analytics in Support of Video Corpus Construction and Exploration | |
| Ullrich et al. | Analyzing student viewing patterns in lecture videos | |
| Martins et al. | Effects of interactive video annotations on students' browsing behavior and perceived workload | |
| Van Helvert et al. | Observing, coaching and reflecting: Metalogue-a multi-modal tutoring system with metacognitive abilities | |
| Doğan et al. | Who is the English as a second language speaker in this MOOC | |
| Cao et al. | Viewing behaviors affected by slide features and learning style in slide video from a sequence analysis perspective | |
| KR101857386B1 (ko) | 자기 주도 학습 유도 방법 및 장치 | |
| Pimentel et al. | Anchoring interactive points of interest on web-based instructional video: Effects on students' interaction behavior and perceived experience | |
| Glassey et al. | Learnersourcing analytics | |
| Tarantini | Reflective Teacher Education in the Digital Age: 360° Video Reflection and AI-Based Developments | |
| Krūmiņš et al. | Input Determination for Models Used in Predicting Student Performance. | |
| Akçapınar et al. | Decoding Video Logs: Unveiling Student Engagement Patterns in Lecture Capture Videos | |
| TWI822275B (zh) | 線上學習系統以及建立學習事件與驗證學習成效的方法 | |
| McReynolds | AI-Enabled Classroom Observation: Do Data Visualizations Help Teachers Identify Attention in Classroom Video Review? | |
| Fong | Instructors’ and students’ needs for next generation video in education |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| 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 |