KR20210032212A - 전공 추천 시스템 및 이를 이용한 전공 추천 방법 - Google Patents
전공 추천 시스템 및 이를 이용한 전공 추천 방법 Download PDFInfo
- Publication number
- KR20210032212A KR20210032212A KR1020190113696A KR20190113696A KR20210032212A KR 20210032212 A KR20210032212 A KR 20210032212A KR 1020190113696 A KR1020190113696 A KR 1020190113696A KR 20190113696 A KR20190113696 A KR 20190113696A KR 20210032212 A KR20210032212 A KR 20210032212A
- Authority
- KR
- South Korea
- Prior art keywords
- information
- major
- type
- self
- relevance
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000004458 analytical method Methods 0.000 claims abstract description 113
- 230000004044 response Effects 0.000 claims abstract description 66
- 238000012360 testing method Methods 0.000 claims description 77
- 230000007613 environmental effect Effects 0.000 claims description 5
- 238000011160 research Methods 0.000 claims description 5
- 230000001755 vocal effect Effects 0.000 claims description 5
- 238000010586 diagram Methods 0.000 claims description 4
- 230000004973 motor coordination Effects 0.000 claims description 3
- 239000013256 coordination polymer Substances 0.000 description 4
- 230000004927 fusion Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000009223 counseling Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 230000002747 voluntary effect Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000000386 athletic effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 230000002996 emotional effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000007620 mathematical function Methods 0.000 description 1
- 238000012913 prioritisation Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 230000003938 response to stress Effects 0.000 description 1
- 230000033764 rhythmic process Effects 0.000 description 1
- 230000035945 sensitivity 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
- G06Q50/2053—Education institution selection, admissions, or financial aid
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2457—Query processing with adaptation to user needs
- G06F16/24578—Query processing with adaptation to user needs using ranking
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Educational Technology (AREA)
- Theoretical Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
본 발명은 전공 추천 시스템 및 이를 이용한 전공 추천 방법에 관한 것으로서, 상기 전공 추천 시스템은 적성 또는 성격을 검사하기 위한 설문지에 대한 피검사자의 응답 정보가 입력되는 정보 입력모듈과, 상기 정보 입력모듈에서 제공된 상기 응답 정보를 토대로 상기 피검사자의 적성 또는 성격에 대해 분석하는 분석모듈과, 상기 분석모듈에서 제공되는 분석 정보를 토대로 상기 피검사자의 적성 또는 성격에 적합한 전공 분야를 추천하는 전공 추천모듈을 구비한다.
본 발명에 따른 전공 추천 시스템 및 이를 이용한 전공 추천 방법은 설문지에 대해 피검사자의 응답정보를 토대로 피검사자의 성격 또는 흥미를 분석하여 피검사자에 적합한 학과, 전공을 추천하므로 피검사자의 적성 또는 소질에 보다 적합한 전공을 추천할 수 있다는 장점이 있다.
본 발명에 따른 전공 추천 시스템 및 이를 이용한 전공 추천 방법은 설문지에 대해 피검사자의 응답정보를 토대로 피검사자의 성격 또는 흥미를 분석하여 피검사자에 적합한 학과, 전공을 추천하므로 피검사자의 적성 또는 소질에 보다 적합한 전공을 추천할 수 있다는 장점이 있다.
Description
본 발명은 전공 추천 시스템 및 이를 이용한 전공 추천 방법에 관한 것으로서, 더욱 상세하게는 설문지에 대해 피검사자의 응답정보를 토대로 피검사자의 성격 또는 흥미를 분석하여 피검사자에 적합한 학과, 전공을 추천할 수 있는 전공 추천 시스템 및 이를 이용한 전공 추천 방법에 관한 것이다.
매년 대학 입시철이 되면 수험생 및 학부모는 시험성적, 적성 등에 따라 적정한 대학 및 학과를 선택하여 지원한다. 따라서 각 수험생 및 학부모는 진학을 위한 보다 적정한 결정을 하기 위해 각종 다양한 서적, 잡지, 학교에서 제공하는 정보 등의 수험정보를 수집, 조사, 연구, 분석하는 데 많은 시간과 노력을 기울이고 있다.
뿐만 아니라, 자신에게 적정한 대학과 학과를 선정하기 위하여 담임교사, 상담교사, 친적, 선후배 등 도움이 될만한 주위 지인들로부터 다양한 도움과 조언을 구해보지만 자신이 요구사항에 맞추어 적정한 학교, 학과에 관한 정확하고 신속한 정보를 얻는 것은 용이하지 않은 일이다. 더구나, 빈번하게 바뀌는 입시제도와 점차 학교별로 다양화되는 신입생 선발제도의 변화를 정확하게 파악하여 각 수험생에게 최적의 조언 및 상담을 할 수 있는 상담자를 찾아 상담하는 일은 더욱 용이하지 않은 일이다.
그러나, 대부분의 진학 상담의 경우, 학생의 성적 즉, 입시 시험 또는 고등학교 내신 점수를 기준으로 대학 또는 전공을 추천해주므로 피검사자인 학생의 적성이나 흥미를 고려하지 않아 피검사자에 맞지 않은 전공이 추천되는 단점이 있다.
본 발명은 상기 문제점을 해결하기 위해 창출된 것으로서, 설문지에 대해 피검사자의 응답정보를 토대로 피검사자의 성격 또는 흥미를 분석하여 피검사자에 적합한 학과, 전공을 추천할 수 있는 전공 추천 시스템 및 이를 이용한 전공 추천 방법을 제공하는데 그 목적이 있다.
상기 목적을 달성하기 위한 본 발명에 따른 전공 추천 시스템은 적성 또는 성격을 검사하기 위한 설문지에 대한 피검사자의 응답 정보가 입력되는 정보 입력모듈과, 상기 정보 입력모듈에서 제공된 상기 응답 정보를 토대로 상기 피검사자의 적성 또는 성격에 대해 분석하는 분석모듈과, 상기 분석모듈에서 제공되는 분석 정보를 토대로 상기 피검사자의 적성 또는 성격에 적합한 전공 분야를 추천하는 전공 추천모듈을 구비한다.
상기 설문지는 상기 피검사자의 다중 지능(multiple intelligence)을 검사하기 위한 제1문항, 상기 피검사자의 자아 상태를 검사하기 위한 제2문항 및 상기 피검사자의 직업 흥미를 검사하기 위한 제3문항을 포함하고, 상기 분석모듈은 상기 응답정보를 토대로 상기 피검사자의 다중 지능, 자아 상태 및 직업 흥미에 대한 정보를 분석하여 상기 전공 추천모듈에 제공한다.
상기 분석모듈은 상기 응답 정보를 토대로 상기 제1문항에 배당된 점수를 계산하여 다중 지능의 유형별 점수 분포를 계산하고, 계산된 점수에 따라 상기 다중 지능의 유형을 최고 점수의 유형에서 최저 점수의 유형까지 순차적으로 배열한 제1다중 지능 정보를 생성하는 다중 지능 분석부와, 상기 응답 정보를 토대로 상기 제2문항에 배당된 점수를 계산하여 자아 상태의 유형별 점수 분포를 계산하고, 계산된 점수에 따라 상기 자아 상태의 유형을 최고 점수의 유형에서 최저 점수의 유형까지 순차적으로 배열한 제1자아 상태 정보를 생성하는 자아상태 분석부와, 상기 응답 정보를 토대로 상기 제3문항에 배당된 점수를 계산하여 직업 흥미의 유형별 점수 분포를 계산하고, 계산된 점수에 따라 상기 직업 흥미의 유형을 최고 점수의 유형에서 최저 점수의 유형까지 순차적으로 배열한 제1직업 흥미 정보를 생성하는 직업흥미 분석부를 구비한다.
상기 전공 추천모듈은 다수의 전공에 대한 정보가 저정되는 것으로서, 상기 다중 지능의 유형들 중 각 전공에 관련된 유형에 대한 다수의 제2다중 지능 정보와, 상기 자아 상태의 유형들 중 각 전공에 관련된 유형을, 관련도에 따라 순차적으로 배열한 다수의 제2자아 상태 정보와, 상기 직업 흥미의 유형들 중 각 전공에 관련된 유형을 관련도에 따라 순차적으로 배열한 다수의 제2직업 흥미 정보가 저장된 데이터 베이스와, 상기 분석모듈에서 제공되는 상기 제1다중 지능 정보, 제1자아 상태 정보 및 제1직업 흥미 정보를 상기 데이터 베이스에 저장된 각 전공의 상기 제2다중 지능 정보, 제2자아 상태 정보 및 제2직업 흥미 정보를 비교하여 상기 데이터 베이스에 저장된 전공들 중 추천 대상 전공을 선정하여 상기 피검사자에게 제공하는 전공 선정부를 구비한다.
상기 전공 선정부는 상기 제1다중 지능 정보와, 상기 데이터 베이스에 저장된 각 전공의 상기 제2다중 지능 정보의 관련도를 분석하고, 분석된 관련도에 대한 제1관련도 정보를 생성하는 제1순위 설정부와, 상기 제1자아 상태 정보와, 상기 데이터 베이스에 저장된 각 전공의 상기 제2자아 상태 정보의 관련도를 분석하고, 분석된 관련도에 대한 제2관련도 정보를 생성하는 제2순위 설정부와, 상기 제1직업 흥미 정보와, 상기 데이터 베이스에 저장된 각 전공의 상기 제2직업 흥미 정보의 관련도를 분석하고, 분석된 관련도에 대한 제3관련도 정보를 생성하는 제3순위 설정부와, 상기 제1 내지 제3관련도 정보를 토대로 상기 추천 대상 전공을 선정하는 전공 판별부를 구비한다.
상기 제1순위 설정부는 상기 제1다중 지능 정보와, 상기 전공들의 각 제2다중 지능 정보의 관련도를 수치화하고, 관련도가 높은 순으로 해당 전공들의 순위를 결정하며, 결정된 상기 전공들의 순위가 포함되도록 상기 제1관련도 정보를 생성하고, 상기 제2순위 설정부는 상기 제1자아 상태 정보와, 상기 전공들의 각 제2자아 상태 정보의 관련도를 수치화하고, 관련도가 높은 순으로 해당 전공들의 순위를 결정하며, 결정된 상기 전공들의 순위가 포함되도록 상기 제2관련도 정보를 생성하고, 상기 제3순위 설정부는 상기 제1직업 흥미 정보와, 상기 전공들의 각 제2직업 흥미 정보의 관련도를 수치화하고, 관련도가 높은 순으로 해당 전공들의 순위를 결정하며, 결정된 상기 전공들의 순위가 포함되도록 상기 제3관련도 정보를 생성하고, 상기 전공 판별부는 상기 제1 내지 제3관련도 정보에 포함된 순위 값을 각 전공별로 합산하고, 합산된 순위 값이 작은 순으로 상기 전공들의 순위를 결정하고, 기설정된 기준 순위 이내의 전공을 선별하여 순위 리스트를 생성한다.
상기 제1순위 설정부는 상기 제1다중 지능 정보와, 상기 제2다중 지능 정보의 관련도를 수치화하여 상기 제1관련도 정보를 생성하고, 상기 제2순위 설정부는 상기 제1자아 상태 정보와, 상기 제2자아 상태 정보의 관련도를 수치화하여 상기 제2관련도 정보를 생성하고, 상기 제3순위 설정부는 상기 제1직업 흥미 정보와, 상기 제2직업 흥미 정보의 관련도를 수치화하여 상기 제3관련도 정보를 생성하고, 상기 전공 판별부는 상기 제1 내지 제3관련도 정보를 합하여 각 전공에 대한 상기 피검사자의 적합도 값을 산출하되, 상기 전공들을 상기 적합도 값이 큰 순으로 순위를 결정하고, 기설정된 기준 순위 이내의 전공을 선별하여 순위 리스트를 생성하는 것이 바람직하다.
이때, 상기 설문지는 각 전공이 포함된 학과들에 대한 상기 피검사자의 선호도를 검사하기 위한 제4문항을 포함하고, 상기 분석모듈은 상기 응답 정보를 토대로 상기 제4문항에 배당된 점수를 계산하여 상기 각 학과에 대한 상기 피검사자의 선호도를 분석하고, 분석한 선호도에 대한 학과 선호도 정보를 상기 전공 판별부에 제공하고, 상기 전공 판별부는 상기 학과 선호도 정보를 토대로 상기 순위 리스트의 전공들을 해당 전공의 학과에 대한 상기 피검사자의 선호도가 높은 순으로 순위를 설정하고, 설정된 순위에 대한 정보를 상기 피검사자에게 제공하는 것이 바람직하다.
상기 전공 판별부는 상기 제1 내지 제3관련도 정보에 포함된 순위 값을 각 전공별로 합산시 합산된 순위 값이 동일한 전공들의 경우, 해당 전공들 중 상기 제2다중 지능 정보가 기설정된 제1기준에 해당되는 전공에 제1가산점을 부여하고, 해당 전공들 중 상기 제2자아 상태 정보가 기설정된 제2기준에 해당되는 전공에 제2가산점을 부여하고, 해당 전공들 중 상기 제2직업 흥미 정보가 기설정된 제3기준에 해당되는 전공에 제3가산점을 부여하되, 상기 전공들에 부여된 가산점들을 각각 합산하고, 해당 전공들 중 합산된 가산점 값이 큰 전공을 나머지 전공보다 우순 순위로 설정할 수도 있다.
상기 제1순위 설정부는 상기 제1다중 지능 정보에 포함된 다중 지능의 유형들 중 배열 순서 기준으로 기설정된 설정 순위 내에 포함된 유형들을 기준 유형들로 선정하고, 상기 제2다중 지능 정보에 포함된 유형을 대상 유형으로 선정하되, 기설정된 제1초기값과, 상기 대상 유형의 갯수에 대한 상기 기준 유형들 중 상기 대상 유형에 해당되는 유형의 갯수의 비를 곱하여 상기 제1관련도 정보를 생성할 수도 있다.
상기 제2순위 설정부는 상기 제2자아 상태 정보에 포함된 유형들 중 배열 순서 기준으로 첫번째 유형이 상기 제1자아 상태 정보에 포함된 유형들 중 배열 순서 기준으로 첫번째 유형과 동일할 경우, 상기 제1자아 상태 정보의 유형들 중 상기 제2자아 상태 정보에 포함된 유형과 순서 및 종류가 일치한 유형의 갯수에 제2초기값을 곱하여 상기 제2관련도 정보를 산출하고, 상기 제2자아 상태 정보에 포함된 유형들 중 배열 순서 기준으로 첫번째 유형이 상기 제1자아 상태 정보에 포함된 유형들 중 배열 순서 기준으로 두번째 유형과 동일할 경우, 상기 제1자아 상태 정보의 유형들 중 배열 순서 기준으로 첫번째 유형을 제외한 나머지 유형들을 관련도에 따라 순차적으로 재배열하고, 재배열된 유형들 중 상기 제2자아 상태 정보에 포함된 유형과 순서 및 종류가 일치한 유형의 갯수에 상기 제2초기값보다 적은 제3초기값을 곱하여 상기 제2관련도 정보를 산출하고, 상기 제2자아 상태 정보에 포함된 유형들 중 배열 순서 기준으로 첫번째 유형이 상기 제1자아 상태 정보에 포함된 유형들 중 배열 순서 기준으로 세번째 유형과 동일할 경우, 상기 제1자아 상태 정보의 유형들 중 배열 순서 기준으로 첫번째 유형 및 두번째 유형을 제외한 나머지 유형들을 관련도에 따라 순차적으로 재배열하고, 재배열된 유형들 중 상기 제2자아 상태 정보에 포함된 유형과 순서 및 종류가 일치한 유형의 갯수에 상기 제3초기값보다 적은 제4초기값을 곱하여 상기 제2관련도 정보를 산출하고, 상기 제2자아 상태 정보에 포함된 유형들 중 배열 순서 기준으로 첫번째 유형이 상기 제1자아 상태 정보에 포함된 유형들 중 배열 순서 기준으로 네번째 유형과 동일할 경우, 상기 제1자아 상태 정보의 유형들 중 배열 순서 기준으로 첫번째부터 세번째 유형을 제외한 나머지 유형들을 관련도에 따라 순차적으로 재배열하고, 재배열된 유형들 중 상기 제2자아 상태 정보에 포함된 유형과 순서 및 종류가 일치한 유형의 갯수에 제5초기값을 곱하여 상기 제2관련도 정보를 산출하고, 상기 제2자아 상태 정보에 포함된 유형들 중 첫번째 유형이 상기 제1자아 상태 정보에 포함된 유형들 중 다섯번째 유형과 동일할 경우, 상기 제5초기값보다 적은 제6초기값을 상기 제2관련도 정보로 설정할 수도 있다.
상기 제3순위 설정부는 상기 제1직업 흥미 정보의 유형들 중 상기 제2직업 흥미 정보에 포함된 유형과 순서 및 종류가 일치한 유형의 갯수에 제7초기값을 곱하여 상기 제3관련도 정보를 산출하는 것이 바람직하다.
상기 다중 지능의 유형은 언어문학, 수학논리, 공간도형, 운동협조, 음악연기, 인간교제, 자아통제, 환경인지를 포함하고, 상기 자아 상태의 유형은 원칙지배형, 봉사포용형, 성인이성형, 개방활발형, 순응합착형을 포함하고, 상기 직업 흥미의 유형은 사회관계형, 리더형, 행정사무형, 운동조작형, 연구학습형, 창의예술형을 포함하는 것이 바람직하다.
한편, 본 발명에 따른 전공 추천 방법은 정보 입력모듈에 의해 적성 또는 성격을 검사하기 위한 설문지에 대한 피검사자의 응답정보를 수집하는 입력단계와, 분석모듈을 통해 상기 입력단계에서 수집된 상기 응답정보를 토대로 상기 피검사자의 적성 또는 성격에 대해 분석하는 분석단계와, 상기 분석단계에서 제공되는 분석 정보를 토대로 상기 피검사자의 적성 또는 성격에 적합한 전공 분야를 추천하는 전공 추천단계를 포함한다.
상기 설문지는 상기 피검사자의 다중 지능을 검사하기 위한 제1문항, 상기 피검사자의 자아 상태를 검사하기 위한 제2문항 및 상기 피검사자의 직업 흥미를 검사하기 위한 제3문항을 포함하고, 상기 분석단계에서는, 상기 응답정보를 토대로 상기 피검사자의 다중 지능, 자아 상태 및 직업 흥미에 대한 정보를 분석하는 것이 바람직하다.
상기 분석단계는 상기 응답 정보를 토대로 상기 제1문항에 배당된 점수를 계산하여 다중 지능의 유형별 점수 분포를 계산하고, 계산된 점수에 따라 상기 다중 지능의 유형을 최고 점수의 유형에서 최저 점수의 유형까지 순차적으로 배열한 제1다중 지능 정보를 생성하는 다중 지능 분석단계와, 상기 응답 정보를 토대로 상기 제2문항에 배당된 점수를 계산하여 자아 상태의 유형별 점수 분포를 계산하고, 계산된 점수에 따라 상기 자아 상태의 유형을 최고 점수의 유형에서 최저 점수의 유형까지 순차적으로 배열한 제1자아 상태 정보를 생성하는 자아상태 분석단계와, 상기 응답 정보를 토대로 상기 제3문항에 배당된 점수를 계산하여 직업 흥미의 유형별 점수 분포를 계산하고, 계산된 점수에 따라 상기 직업 흥미의 유형을 최고 점수의 유형에서 최저 점수의 유형까지 순차적으로 배열한 제1직업 흥미 정보를 생성하는 직업흥미 분석단계를 포함한다.
상기 전공 추천단계에서는, 데이터 베이스에 저장된 상기 다중 지능의 유형들 중 각 전공에 관련된 유형에 대한 다수의 제2다중 지능 정보와, 상기 자아 상태의 유형들 중 각 전공에 관련된 유형을, 관련도에 따라 순차적으로 배열한 다수의 제2자아 상태 정보와, 상기 직업 흥미의 유형들 중 각 전공에 관련된 유형을 관련도에 따라 순차적으로 배열한 다수의 제2직업 흥미 정보와, 상기 제1다중 지능 정보, 제1자아 상태 정보 및 제1직업 흥미 정보를 비교하여 상기 데이터 베이스에 저장된 전공들 중 추천 대상 전공을 선정하여 상기 피검사자에게 제공한다.
상기 전공 추천단계는 상기 제1다중 지능 정보와, 상기 데이터 베이스에 저장된 각 전공의 상기 제2다중 지능 정보의 관련도를 분석하고, 분석된 관련도에 대한 제1관련도 정보를 생성하는 제1순위 설정단계와, 상기 제1자아 상태 정보와, 상기 데이터 베이스에 저장된 각 전공의 상기 제2자아 상태 정보의 관련도를 분석하고, 분석된 관련도에 대한 제2관련도 정보를 생성하는 제2순위 설정단계와, 상기 제1직업 흥미 정보와, 상기 데이터 베이스에 저장된 각 전공의 상기 제2직업 흥미 정보의 관련도를 분석하고, 분석된 관련도에 대한 제3관련도 정보를 생성하는 제3순위 설정단계와, 상기 제1 내지 제3관련도 정보를 토대로 상기 추천 대상 전공을 선정하는 전공 판별단계를 포함한다.
상기 제1순위 설정단계에서는, 상기 제1다중 지능 정보와, 상기 전공들의 각 제2다중 지능 정보의 관련도를 수치화하고, 관련도가 높은 순으로 해당 전공들의 순위를 결정하며, 결정된 상기 전공들의 순위가 포함되도록 상기 제1관련도 정보를 생성하고, 상기 제2순위 설정단계에서는, 상기 제1자아 상태 정보와, 상기 전공들의 각 제2자아 상태 정보의 관련도를 수치화하고, 관련도가 높은 순으로 해당 전공들의 순위를 결정하며, 결정된 상기 전공들의 순위가 포함되도록 상기 제2관련도 정보를 생성하고, 상기 제3순위 설정단계에서는, 상기 제1직업 흥미 정보와, 상기 전공들의 각 제2직업 흥미 정보의 관련도를 수치화하고, 관련도가 높은 순으로 해당 전공들의 순위를 결정하며, 결정된 상기 전공들의 순위가 포함되도록 상기 제3관련도 정보를 생성하고, 상기 전공 판별단계에서는, 상기 제1 내지 제3관련도 정보에 포함된 순위 값을 각 전공별로 합산하고, 합산된 순위 값이 작은 순으로 상기 전공들의 순위를 결정하고, 기설정된 기준 순위 이내의 전공을 선별하여 순위 리스트를 생성한다.
상기 제1순위 설정단계에서는, 상기 제1다중 지능 정보와, 상기 제2다중 지능 정보의 관련도를 수치화하여 상기 제1관련도 정보를 생성하고, 상기 제2순위 설정단계에서는, 상기 제1자아 상태 정보와, 상기 제2자아 상태 정보의 관련도를 수치화하여 상기 제2관련도 정보를 생성하고, 상기 제3순위 설정단계에서는, 상기 제1직업 흥미 정보와, 상기 제2직업 흥미 정보의 관련도를 수치화하여 상기 제3관련도 정보를 생성하고, 상기 전공 판별단계에서는, 상기 제1 내지 제3관련도 정보를 합하여 각 전공에 대한 상기 피검사자의 적합도 값을 산출하되, 상기 전공들을 상기 적합도 값이 큰 순으로 순위를 결정하고, 기설정된 기준 순위 이내의 전공을 선별하여 순위 리스트를 생성할 수도 있다.
상기 설문지는 각 전공이 포함된 학과들에 대한 상기 피검사자의 선호도를 검사하기 위한 제4문항을 포함하고, 상기 분석단계에서는, 상기 응답 정보를 토대로 상기 제4문항에 배당된 점수를 계산하여 상기 각 학과에 대한 상기 피검사자의 선호도를 분석하고, 분석한 선호도에 대한 학과 선호도 정보를 생성하고, 상기 전공 판별단계에서는, 상기 학과 선호도 정보를 토대로 상기 순위 리스트의 전공들을 해당 전공의 학과에 대한 상기 피검사자의 선호도가 높은 순으로 순위를 설정하고, 설정된 순위에 대한 정보를 상기 피검사자에게 제공할 수도 있다.
상기 전공 판별단계에서는, 상기 제1 내지 제3관련도 정보에 포함된 순위 값을 각 전공별로 합산시 합산된 순위 값이 동일한 전공들의 경우, 해당 전공들 중 상기 제2다중 지능 정보가 기설정된 제1기준에 해당되는 전공에 제1가산점을 부여하고, 해당 전공들 중 상기 제2자아 상태 정보가 기설정된 제2기준에 해당되는 전공에 제2가산점을 부여하고, 해당 전공들 중 상기 제2직업 흥미 정보가 기설정된 제3기준에 해당되는 전공에 제3가산점을 부여하되, 상기 전공들에 부여된 가산점들을 각각 합산하고, 해당 전공들 중 합산된 가산점 값이 큰 전공을 나머지 전공보다 우순 순위로 설정한다.
본 발명에 따른 전공 추천 시스템 및 이를 이용한 전공 추천 방법은 설문지에 대해 피검사자의 응답정보를 토대로 피검사자의 성격 또는 흥미를 분석하여 피검사자에 적합한 학과, 전공을 추천하므로 피검사자의 적성 또는 소질에 보다 적합한 전공을 추천할 수 있다는 장점이 있다.
도 1은 본 발명에 따른 전공 추천 시스템에 대한 블럭도이고,
도 2 및 도 3은 도 1의 전공 추천 시스템에 사용되는 설문지에 대한 예시도이고,
도 4는 도 1의 전공 추천 시스템의 다중 지능 분석부의 분석결과에 대한 예시이고,
도 5는 도 1의 전공 추천 시스템의 자아상태 분석부의 분석결과에 대한 예시이고,
도 6은 도 1의 전공 추천 시스템의 직업흥미 분석부의 분석결과에 대한 예시이고,
도 7은 도 1의 전공 추천 시스템의 스트레스 모듈의 분석결과에 대한 예시이고,
도 8은 도 1의 전공 추천 시스템의 전공 판별부의 분석결과에 대한 예시이고,
도 9는 본 발명에 따른 전공 추천 방법에 대한 순서도이다.
도 2 및 도 3은 도 1의 전공 추천 시스템에 사용되는 설문지에 대한 예시도이고,
도 4는 도 1의 전공 추천 시스템의 다중 지능 분석부의 분석결과에 대한 예시이고,
도 5는 도 1의 전공 추천 시스템의 자아상태 분석부의 분석결과에 대한 예시이고,
도 6은 도 1의 전공 추천 시스템의 직업흥미 분석부의 분석결과에 대한 예시이고,
도 7은 도 1의 전공 추천 시스템의 스트레스 모듈의 분석결과에 대한 예시이고,
도 8은 도 1의 전공 추천 시스템의 전공 판별부의 분석결과에 대한 예시이고,
도 9는 본 발명에 따른 전공 추천 방법에 대한 순서도이다.
이하, 첨부한 도면을 참조하여 본 발명의 실시예에 따른 전공 추천 시스템 및 이를 이용한 전공 추천 방법에 대해 상세히 설명한다. 본 발명은 다양한 변경을 가할 수 있고 여러 가지 형태를 가질 수 있는 바, 특정 실시 예들을 도면에 예시하고 본문에 상세하게 설명하고자 한다. 그러나 이는 본 발명을 특정한 개시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 각 도면을 설명하면서 유사한 참조부호를 유사한 구성요소에 대해 사용하였다. 첨부된 도면에 있어서, 구조물들의 치수는 본 발명의 명확성을 기하기 위하여 실제보다 확대하여 도시한 것이다.
제1, 제2 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다. 예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 명명될 수 있다.
본 출원에서 사용한 용어는 단지 특정한 실시 예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "포함하다" 또는 "가지다" 등의 용어는 명세서 상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부분품 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 본 발명이 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.
도 1에는 본 발명에 따른 전공 추천 시스템(100)이 도시되어 있다.
도면을 참조하면, 상기 전공 추천 시스템(100)은 적성 또는 성격을 검사하기 위한 설문지에 대한 피검사자의 응답 정보가 입력되는 정보 입력모듈(110)과, 상기 정보 입력모듈(110)에서 제공된 상기 응답 정보를 토대로 상기 피검사자의 적성 또는 성격에 대해 분석하는 분석모듈(120)과, 상기 분석모듈(120)에서 제공되는 분석 정보를 토대로 상기 피검사자의 적성 또는 성격에 적합한 전공 분야를 추천하는 전공 추천모듈(130)을 구비한다.
정보 입력모듈(110)은 설문지에 대한 피검사자의 응답정보를 입력하기 위한 정보처리기기가 적용된다. 여기서, 설문지는 피검사자의 다중 지능(multiple intelligence)을 검사하기 위한 다수의 제1문항, 상기 피검사자의 자아 상태를 검사하기 위한 다수의 제2문항 및 상기 피검사자의 직업 흥미를 검사하기 위한 다수의 제3문항 및 각 전공이 포함된 학과들에 대한 상기 피검사자의 선호도를 검사하기 위한 다수의 제4문항을 포함한다.
설문지의 각 문항에는 해당 문항에 대한 피검사자의 응답 형태를 수치로 기입할 수 있는 응답 항목이 마련될 수도 있다. 피검사자는 해당 문항에 대한 응답으로 1 ~ 5 중 어느 한 숫자를 선택하여 응답항목에 기입할 수 있다. 이때, 설문지의 제1문항은 가드너(H Gardner)의 다중 지능(multiple intelligence) 이론에 의한 피검사자의 다중 지능을 검사하기 위한 문항이고, 다중 지능의 유형별로 다수의 문항이 설문지에 마련되어 있다.
설문지의 제2문항은 미국의 심리학자 듀세이(Jhon M.Dusay)에 의해 고안된 에고그램(egogram)에 근거한 것으로서, 피검사자의 PAC 자아 상태를 검사하기 위한 문항이고, 자아 상태의 유형별로 다수의 문항이 설문지에 마련되어 있다.
설문지의 제3문항은 미국의 심리학자 홀랜드(Holland)에 의해 고안된 직업흥미 검사인 홀랜드 검사에 근거한 문항이고, 직업 흥미의 유형별로 다수의 문항이 설문지에 마련되어 있다.
도 2에는 제1 내지 제3문항이 포함된 설문지에 대한 예시가 게시되어 있고, 도 3에는 제4문항이 포함된 설문지에 대한 예시가 게시되어 있다.
한편, 상기 정보 입력모듈(110)은 피검사자가 설문지의 문항을 확인하고, 직접 응답정보를 입력할 수 있도록 표시수단 및 입력수단이 모두 마련된 컴퓨터 또는 스마트폰이 적용될 수도 있다.
상기 분석모듈(120)은 정보 입력모듈(110)에서 수집된 응답정보를 토대로 피검사자의 다중 지능, 자아 상태 및 직업 흥미에 대한 정보를 분석하여 전공 추천모듈(130)에 제공하는 것으로서, 다중 지능 분석부(121), 자아상태 분석부(122) 및 직업흥미 분석부(123)를 구비한다.
다중 지능 분석부(121)는 정보 입력모듈(110)에서 제공되는 응답정보 중 설문지의 제1문항에 해당되는 응답정보를 추출하여 분석한다. 이때, 다중 지능 분석부(121)는 추출된 응답정보를 토대로 상기 제1문항에 배당된 점수를 계산하여 다중 지능의 유형별 점수 분포를 계산한다.
여기서, 다중 지능의 유형은 언어문학(linguistic;L), 수학논리(logical-mathematical;LM), 공간도형(visual-spatial:S), 운동협조(bodily-kinesthetic;B), 음악연기(musical;M), 인간교제(interpersonal;E), 자아통제(intrapersonal;IR), 환경인지(natural;N)를 포함한다.
상기 언어문학 유형은 사고하는 능력과 복잡한 의미를 언어로 표현하는 능력이다. 논리 수학 지능은 계산과 정량화를 가능하도록 하고 명제와 가설을 생각하고 복잡한 수학적 기능을 수행하는 능력이다. 공간도형 유형은 내외적 이미지의 지각, 재창조, 변형 또는 수정이 가능하도록 하며, 자신이나 사물을 공간적으로 조정하며 그래픽 정보로 생산하거나 해석이 가능하도록 하는 능력이다. 운동협조 유형은 대상을 잘 다루고 신체적 기술을 잘 조절하는 지능이다. 음악연기 유형은 음의 리듬, 음높이, 음색에 대한 민감성과 관련된 지능이다. 인간교제 유형은 타인을 이해하고 타인과 효과적으로 상호 작용하는 능력이다. 자아통제 유형은 자신에 대한 정확한 지각과 자신의 인생을 계획하고 조절하는 지식을 사용할 수 있는 능력이다. 환경인지 유형은 자연의 패턴을 관찰하고 대상을 정의하고 분류하며 자연과 인공적인 체계를 이해하는 능력이다.
이때, 다중 지능 분석부(121)는 다중 지능의 유형별 계산된 점수에 따라 상기 다중 지능의 유형을 최고 점수의 유형에서 최저 점수의 유형까지 순차적으로 배열한 제1다중 지능 정보를 생성한다. 여기서, 제1다중 지능 정보는 다중 지능의 각 유형들의 약어를 순차적으로 배열하여 코드화된 것이다. 일예로, 자아통제 유형이 최고점수이고, 운동협조 유형이 두번째 점수, 언어문학 유형이 세번째 점수, 음악연기 유형이 네번째 점수, 환경인지 유형이 다섯번째 점수, 수학논리 유형이 여섯번째 점수, 공간도형 유형이 최저 점수인 경우, 다중 지능 분석부(121)는 IR-B-L-M-N-E-LM-S로 제1다중 지능 정보를 생성한다.
한편, 다중 지능 분석부(121)는 도 4에 도시된 바와 같이 분석 결과를 도표화하여 피검사자에게 제공한다. 이때, 상기 다중 지능 분석부(121)는 다중 지능의 각 유형별로 활성화 방안을 같이 제공할 수 있다.
자아상태 분석부(122)는 미국의 심리학자 듀세이(Jhon M.Dusay)에 의해 고안된 에고그램(egogram)에 근거한 피검사자의 PAC 자아 상태를 검사하는 것으로서, 정보 입력모듈(110)에서 제공되는 응답정보 중 설문지의 제2문항에 해당되는 응답정보를 추출하여 분석한다. 이때, 자아상태 분석부(122)는 추출된 응답 정보를 토대로 상기 제2문항에 배당된 점수를 계산하여 자아 상태의 유형별 점수 분포를 계산한다.
여기서, 자아상태의 유형은 원칙지배형(critical parent: CP), 봉사포용형(nurturing parent: NP), 성인이성형(Adult ego: A), 개방활발형(free child ego: FC), 순응합착형(adapted child ego: AC)을 포함한다.
상기 원치지배형은 비판적 어버이 자아로서, 부모의 윤리, 도덕, 가치판단의 기준이 그대로 내면화된 유형이고, 봉사포용형은 부모가 자녀를 사랑하고 돌보는 등 자녀를 양육하는 말이나 행동이 그대로 내면화된 양육적 어버이자아이고, 성인이성형은 보수집, 자료처리, 현실적인 가능성을 추적하는 기능이 우수한 유형으로 감정과 윤리 도덕적인 면이 배제된 유형이고, 개방활발형은 타인을 의식하지 않고 자유롭게 기능하는 어린이자아로, 자기중심적이거나 쾌락을 추구하며 감정을 억제하지 않고 자유로이 표출하는 반응을 강하게 나타내고, 순응합착형은 주위의 영향에 대해 비교적 용이하게 순응하는 유형이 적용된다.
이때, 자아상태 분석부(122)는 산출된 점수에 따라 상기 자아 상태의 유형을 최고 점수의 유형에서 최저 점수의 유형까지 순차적으로 배열한 제1자아 상태 정보를 생성한다. 여기서, 제1자아 생태 정보는 자아 상태의 각 유형들의 약어를 순차적으로 배열하여 코드화하여 생성된다.
일예로, 성인이성형이 최고 점수이고, 개방활발형이 두번째 점수, 봉사포용형이 세번째 점수, 원칙지배형이 네번째 점수, 순응합착형이 최저점수인 경우, 자아상태 분석부(122)는 A-FC-NP-CP-AC로 제1자아상태 정보를 생성한다.
한편, 자아상태 분석부(122)는 도 5에 도시된 바와 같이 분석 결과를 도표화하여 피검사자에게 제공한다. 이때, 자아상태 분석부(122)는 자아상태의 각 유형별로 피검사자의 특성 해석 및 추천 전공류에 대한 정보를 함께 피검사자에게 제공한다.
직업흥미 분석부(123)는 미국의 심리학자 홀랜드(Holland)에 의해 고안된 직업흥미 검사인 홀랜드 검사에 근거하여 피검사자를 분석하는 것으로서, 정보 입력모듈(110)에서 제공되는 응답정보 중 설문지의 제3문항에 해당되는 응답정보를 추출하여 분석한다. 이때, 직업흥미 분석부(123)는 추출된 응답 정보를 토대로 상기 제3문항에 배당된 점수를 계산하여 직업 흥미의 유형별 점수 분포를 계산한다.
여기서, 직업 흥미의 유형은 사회관계형(Social: S), 리더형(Realistic:R), 행정사무형(Conventional:C), 운동조작형(Enterprising:E), 연구학습형(Investigative: I), 창의예술형(Artistic:A)을 포함한다.
이때, 직업흥미 분석부(123)는 직업흥미의 유형별 계산된 점수에 따라 상기 직업 흥미의 유형을 최고 점수의 유형에서 최저 점수의 유형까지 순차적으로 배열한 제1직업 흥미 정보를 생성한다. 여기서, 제1직업 흥미 정보는 직업 흥미의 각 유형들의 약어를 순차적으로 배열하여 코드화된다. 일예로, 창의예술형이 최고 점수이고, 사회관계형이 두번째 점수, 운동조작형이 세번째 점수, 연구학습형이 네번째 점수, 리더형이 다섯번째 점수, 행정사무형이 최저점수일 경우, 직업흥미 분석부(123)는 ASEIRC로 제1직업흥미 정보를 생성한다.
한편, 직업흥미 분석부(123)는 도 6에 도시된 바와 같이 분석 결과를 도표화하여 피검사자에게 제공한다. 이때, 상기 직업흥미 분석부(123)는 각 직업흥미의 유형에 대한 해석과, 해당 유형의 대표 직업에 대한 정보도 함께 제공한다.
또한, 분석모듈(120)은 도면에 도시되진 않았지만, 피검사자의 전공 관심도를 분석하기 위해 관심전공분석부를 더 구비할 수도 있다. 상기 관심전공분석부는 정보 입력모듈(110)에서 제공되는 응답 정보를 토대로 상기 제4문항에 배당된 점수를 계산하여 상기 각 학과에 대한 상기 피검사자의 선호도를 분석하고, 분석한 선호도에 대한 학과 선호도 정보를 상기 전공 판별부(136)에 제공한다.
한편, 분석모듈(120)은 도면에 도시되진 않았지만, 정보 입력모듈(110)에서 제공되는 응답정보를 토대로 피검사자의 스트레스 관리 능력을 측정하는 스트레스 모듈을 더 구비할 수도 있다. 상기 스트레스 모듈은 상기 응답정보를 토대로 타인부정 부분, 타인긍정 부분, 성인이성 부분, 자기긍정 부분, 자기부정 부분에서 스트레스 반응 및 스트레스 심리를 분석한다. 이때, 스트레스 모듈은 분석결과를 도 7에 도시된 바와 같이 도표화하여 피검사자에게 제공한다.
전공 추천모듈(130)은 다수의 전공에 대한 정보가 저장된 데이터 베이스(131)와, 분석모듈(120)에서 제공되는 정보와 데이터 베이스(131)에 저장된 전공들을 비교하여 상기 데이터 베이스(131)에 저장된 전공들 중 추천 대상 전공을 선정하여 상기 피검사자에게 제공하는 전공 선정부(132)를 구비한다.
상기 데이터 베이스(131)는 상기 다중 지능의 유형들 중 각 전공에 관련된 유형에 대한 다수의 제2다중 지능 정보와, 상기 자아 상태의 유형들 중 각 전공에 관련된 유형을, 관련도에 따라 순차적으로 배열한 다수의 제2자아 상태 정보와, 상기 직업 흥미의 유형들 중 각 전공에 관련된 유형을 관련도에 따라 순차적으로 배열한 다수의 제2직업 흥미 정보가 저장되어 있다.
여기서, 제2다중 지능 정보는 다중 지능의 유형들 중 해당 전공과 관련성이 높다고 선택된 유형들을 관련도가 높은 순으로 순차적으로 배열한다. 이때, 제2다중 지능 정보는 선택된 유형들의 약어를 관련도 순으로 순차적으로 배열하여 코드화된 것이 바람직하다.
일예로, 어느 한 전공이 다중 지능의 유형들 중 언어문학, 음악연기, 자아통제 및 운동협조와 관련성이 있는데, 언어문학이 관련성이 가장 높고, 음악연기가 두번째로 관련성이 높고, 자아통제가 세번째로 관련성이 높을 경우, 해당 전공의 제2다중 지능 정보는 L-M-IR-B 가 적용된다.
또한, 제2자아 상태 정보는 자아 상태의 유형들 중 해당 전공과 관련성이 높다고 선택된 유형들을 관련도가 높은 순으로 순차적으로 배열한다. 이때, 제2자아 상태 정보는 자아 상태의 유형들의 약어를 관련도 순으로 배열하여 코드화된 것이 바람직하다.
일예로, 어느 한 전공이 자아 상태의 유형들 중 성인이성형, 개방활발형, 봉사포용형, 원칙지배형과 관련성이 있는데, 성인이성형이 관련성이 가장 높고, 개방활발형이 두번째로 관련성이 높고, 봉사포용형이 세번째로 관련성이 높고, 원칙지배형이 네번째로 관련성이 높을 경우, 해당 전공의 제2자아 상태 정보는 A-FC-NP-CP가 적용된다.
한편, 제2직업 흥미 정보는 직업 흥미의 유형들을 관련도가 높은 순으로 순차적으로 배열하는데, 직업 흥미의 유형들의 약어를 배열하여 코드화된 것이 바람직하다.
일예로, 어느 한 전공은 창의예술형이 관련성이 가장높고, 사회관계형이 두번째로 관련성이 높고, 운동조작형이 세번째로 관련성이 높고, 연구학습형이 네번째로 관련성이 높고, 리더형이 다섯번째로 관련성이 높고, 행정사무형이 관련성이 가장 낮을 경우, 해당 전공의 제2직업 흥미 정보는 ASEIRC 가 적용된다.
이때, 해당 전공의 제2다중 지능 정보, 제2자아 상태 정보 및 제2직업 흥미 정보는 해당 전공의 전공코드와 함께, 시스템 구축시 관리자에 의해 데이터 베이스(131)에 저장된다. 여기서, 상기 전공코드는 해당 전공이 포함되는 학과의 식별번호 및 해당 전공의 식별번호가 순차적으로 배열된다. 일예로, 어느 한 전공의 학과 식별번호가 "08"이고, 전공의 식별번호가 "29"일 경우, 해당 전공의 전공코드는 "0829"가 적용된다.
상기 전공 선정부(132)는 분석모듈(120)에서 제공되는 상기 제1다중 지능 정보, 제1자아 상태 정보 및 제1직업 흥미 정보를 상기 데이터 베이스(131)에 저장된 각 전공의 상기 제2다중 지능 정보, 제2자아 상태 정보 및 제2직업 흥미 정보를 비교하여 상기 데이터 베이스(131)에 저장된 전공들 중 추천 대상 전공을 선정하여 상기 피검사자에게 제공하는 것으로서, 제1순위 설정부(133), 제2순위 설정부(134), 제3순위 설정부(135) 및 전공 판별부(136)를 구비한다.
제1순위 설정부(133)는 피검사자의 제1다중 지능 정보와, 데이터 베이스(131)에 저장된 각 전공의 제2다중 지능 정보의 관련도를 분석하고, 분석된 관련도에 대한 제1관련도 정보를 생성한다.
상기 제1순위 설정부(133)는 상기 제1다중 지능 정보와, 상기 제2다중 지능 정보의 관련도를 수치화한다. 여기서, 상기 제1순위 설정부(133)는 피검사자의 제1다중 지능 정보에 포함된 다중 지능의 유형들 중 배열 순서 기준으로 기설정된 설정 순위 내에 포함된 유형들을 기준 유형들로 선정하고, 상기 제2다중 지능 정보에 포함된 유형을 대상 유형으로 선정하되, 기설정된 제1초기값과, 상기 대상 유형의 갯수에 대한 상기 기준 유형들 중 상기 대상 유형에 해당되는 유형의 갯수의 비를 곱하여 수치화하여 해당 전공의 제1추천 점수를 산출한다. 여기서, 제1초기값은 1/8점이 적용된다.
일예로, 피검사자의 제1다중 지능 정보가 IR-B-L-M-N-E-LM-S이고, 전공의 제2다중 지능 정보가 L-M-IR-B이고, 설정 순위가 5위인 경우, 상기 기준 유형은 IR-B-L-M-N이고, 대상 유형은 L-M-IR-B으로 선정된다. 여기서, 대상 유형의 갯수는 4이고, 기준 유형들 중 상기 대상 유형에 해당되는 유형에 해당되는 유형의 갯수는 4이다. 이때, 해당 전공의 제1추천 점수는 기설정된 제1초기값과, 상기 대상 유형의 갯수에 대한 상기 기준 유형들 중 상기 대상 유형에 해당되는 유형의 갯수의 비를 곱한 값 즉, 
이다.
그리고, 상기 제1추천 점수는 피검사자의 제1다중 지능 정보와 전공의 제2다중 지능 정보의 관련도에 해당된다. 상기 제1순위 설정부(133)는 데이터 베이스(131)에 저장된 전공들의 제1추천 점수를 산출하고, 산출된 제1추천 점수 즉, 관련도가 높은 순으로 해당 전공들의 순위를 결정하여 제1순위정보를 생성하고, 상기 제1추천 점수 및 제1순위정보가 포함되도록 제1관련도 정보를 생성한다.
제2순위 설정부(134)는 피검사자의 제1자아 상태 정보와, 상기 데이터 베이스(131)에 저장된 각 전공의 상기 제2자아 상태 정보의 관련도를 분석하고, 분석된 관련도에 대한 제2관련도 정보를 생성한다.
상기 제2순위 설정부(134)는 상기 제1자아 상태 정보와, 상기 전공들의 각 제2자아 상태 정보의 관련도를 수치화한다. 여기서, 상기 제2순위 설정부(134)는 상기 제2자아 상태 정보에 포함된 유형들 중 배열 순서 기준으로 첫번째 유형이 상기 제1자아 상태 정보에 포함된 유형들 중 배열 순서 기준으로 첫번째 유형과 동일할 경우, 상기 제1자아 상태 정보의 유형들 중 상기 제2자아 상태 정보에 포함된 유형과 순서 및 종류가 일치한 유형의 갯수에 제2초기값을 곱하여 해당 전공의 제2추천점수를 산출한다. 여기서, 제2초기값은 1/5 점이 적용된다.
일예로, 피검사자의 제1자아 상태 정보가 A-FC-NP-CP-AC이고, 전공의 제2자아 상태 정보가 A-FC-NP-CP일 경우, 제1자아 상태 정보의 첫번째 유형과 제2자아 상태 정보의 첫번째 유형이 A로 동일하고, 상기 제1자아 상태 정보의 유형들 중 상기 제2자아 상태 정보에 포함된 유형과 순서 및 종류가 일치한 유형은 A-FC-NP-CP이다. 따라서, 해당 전공의 제2추천점수는 
이다.
그리고, 상기 제2추천 점수는 피검사자의 제1자아 상태 정보와 전공의 제2자아 상태 정보의 관련도에 해당된다.
한편, 제2순위 설정부(134)는 제2자아 상태 정보에 포함된 유형들 중 배열 순서 기준으로 첫번째 유형이 상기 제1자아 상태 정보에 포함된 유형들 중 배열 순서 기준으로 두번째 유형과 동일할 경우, 상기 제1자아 상태 정보의 유형들 중 배열 순서 기준으로 첫번째 유형을 제외한 나머지 유형들을 관련도에 따라 순차적으로 재배열하고, 재배열된 유형들 중 상기 제2자아 상태 정보에 포함된 유형과 순서 및 종류가 일치한 유형의 갯수에 상기 제2초기값보다 적은 제3초기값을 곱하여 제2추전점수를 산출한다. 여기서, 제3초기값은 
값이 적용된다.
일예로, 피검사자의 제1자아 상태 정보가 A-FC-NP-CP-AC이고, 전공의 제2자아 상태 정보가 FC-A-NP일 경우, 제1자아 상태 정보의 첫번째 유형과 제2자아 상태 정보의 첫번째 유형이 불일치하고, 제1자아 상태 정보의 두번째 유형과, 제2자아 상태 정보의 첫번째 유형이 FC로 동일하다. 여기서, 제2순위 설정부(134)는 상기 제1자아 상태 정보의 유형들 중 배열 순서 기준으로 첫번째 유형을 제외한 나머지 유형들을 관련도에 따라 순차적으로 재배열하는데, 재배열된 유형 코드는 FC-NP-CP-AC이고, 재배열된 유형 코드 중 상기 제2자아 상태 정보에 포함된 유형과 순서 및 종류가 일치한 유형은 FC, 1개이다. 따라서, 해당 전공의 제2추천점수는 
값 이다.
한편, 제2순위 설정부(134)는 데이터 베이스(131)에 저장된 전공의 제2자아 상태 정보에 포함된 유형들 중 배열 순서 기준으로 첫번째 유형이 상기 제1자아 상태 정보에 포함된 유형들 중 배열 순서 기준으로 세번째 유형과 동일할 경우, 상기 제1자아 상태 정보의 유형들 중 배열 순서 기준으로 첫번째 유형 및 두번째 유형을 제외한 나머지 유형들을 관련도에 따라 순차적으로 재배열하고, 재배열된 유형들 중 상기 제2자아 상태 정보에 포함된 유형과 순서 및 종류가 일치한 유형의 갯수에 상기 제3초기값보다 적은 제4초기값을 곱하여 제2추천점수를 산출한다. 여기서, 제4초기값은 
값이 적용된다.
일예로, 피검사자의 제1자아 상태 정보가 A-FC-NP-CP-AC이고, 전공의 제2자아 상태 정보가 NP-A-FC일 경우, 제1자아 상태 정보의 첫번째 유형과 제2자아 상태 정보의 첫번째 유형이 불일치하고, 제1자아 상태 정보의 세번째 유형과, 제2자아 상태 정보의 첫번째 유형이 NP로 동일하다. 여기서, 제2순위 설정부(134)는 상기 제1자아 상태 정보의 유형들 중 배열 순서 기준으로 첫번째 유형 및 두번째 유형을 제외한 나머지 유형들을 관련도에 따라 순차적으로 재배열하는데, 재배열된 유형 코드는 NP-CP-AC이고, 재배열된 유형 코드 중 상기 제2자아 상태 정보에 포함된 유형과 순서 및 종류가 일치한 유형은 NP, 1개이다. 따라서, 해당 전공의 제2추천점수는 
값 이다.
한편, 제2순위 설정부(134)는 데이터 베이스(131)에 저장된 제2자아 상태 정보에 포함된 유형들 중 배열 순서 기준으로 첫번째 유형이 상기 제1자아 상태 정보에 포함된 유형들 중 배열 순서 기준으로 네번째 유형과 동일할 경우, 상기 제1자아 상태 정보의 유형들 중 배열 순서 기준으로 첫번째부터 세번째 유형을 제외한 나머지 유형들을 관련도에 따라 순차적으로 재배열하고, 재배열된 유형들 중 상기 제2자아 상태 정보에 포함된 유형과 순서 및 종류가 일치한 유형의 갯수에 제5초기값을 곱하여 해당 전공의 제2추천점수를 산출한다. 여기서, 제5초기값은 
의 값이 적용된다.
일예로, 피검사자의 제1자아 상태 정보가 A-FC-NP-CP-AC이고, 전공의 제2자아 상태 정보가 CP-A-NP일 경우, 제1자아 상태 정보의 첫번째 유형과 제2자아 상태 정보의 첫번째 유형이 불일치하고, 제1자아 상태 정보의 네번째 유형과, 제2자아 상태 정보의 첫번째 유형이 CP로 동일하다. 여기서, 제2순위 설정부(134)는 상기 제1자아 상태 정보의 유형들 중 배열 순서 기준으로 첫번째 유형, 두번째 유형 및 세번째 유형을 제외한 나머지 유형들을 관련도에 따라 순차적으로 재배열하는데, 재배열된 유형 코드는 CP-AC이고, 재배열된 유형 코드 중 상기 제2자아 상태 정보에 포함된 유형과 순서 및 종류가 일치한 유형은 CP, 1개이다. 따라서, 해당 전공의 제2추천점수는 
값 이다.
한편, 제2순위 설정부(134)는 데이터 베이스(131)에 저장된 제2자아 상태 정보에 포함된 유형들 중 첫번째 유형이 상기 제1자아 상태 정보에 포함된 유형들 중 다섯번째 유형과 동일할 경우, 제6초기값을 해당 전공의 제2추천점수로 설정한다. 여기서, 제6초기값은 
이 적용된다.
일예로, 피검사자의 제1자아 상태 정보가 A-FC-NP-CP-AC이고, 전공의 제2자아 상태 정보가 AC-CP일 경우, 제1자아 상태 정보의 첫번째 유형과 제2자아 상태 정보의 첫번째 유형이 불일치하고, 제1자아 상태 정보의 네번째 유형과, 제2자아 상태 정보의 첫번째 유형이 AP로 동일하다. 따라서, 해당 전공의 제2추천점수는 
이다.
상술된 바와 같이 제2순위 설정부(134)는 데이터 베이스(131)에 저장된 전공들의 제2추천정보를 산출하고, 산출된 제2추천 점수 즉, 관련도가 높은 순으로 해당 전공들의 순위를 결정하여 제2순위정보를 생성하며, 상기 제2추천 점수 및 제2순위정보가 포함되도록 제2관련도 정보를 생성한다.
한편, 제3순위 설정부(135)는 피검사자의 제1직업 흥미 정보와, 상기 데이터 베이스(131)에 저장된 각 전공의 상기 제2직업 흥미 정보의 관련도를 분석하고, 분석된 관련도에 대한 제3관련도 정보를 생성한다.
상기 제3순위 설정부(135)는 상기 제1직업 흥미 정보와, 상기 전공들의 각 제2직업 흥미 정보의 관련도를 수치화한다. 여기서, 상기 제3순위 설정부(135)는 상기 제1직업 흥미 정보의 유형들 중 상기 제2직업 흥미 정보에 포함된 유형과 순서 및 종류가 일치한 유형의 갯수에 제7초기값을 곱하여 해당 전공의 제3추천점수를 산출하는, 여기서, 제7초기값은 1/6이 적용된다.
일예로, 피검사자의 제1직업 흥미 정보가 ASEIRC이고, 전공의 제2직업 흥미 정보가 ASEIRC인 경우, 상기 제3순위 설정부(135)는 상기 제1직업 흥미 정보의 유형들 중 상기 제2직업 흥미 정보에 포함된 유형과 순서 및 종류가 일치한 유형의 갯수은 모두 6개이다. 따라서, 해당 전공의 추천점수는 
이다.
그리고, 상기 제3추천 점수는 피검사자의 제1직업 흥미 정보와 전공의 제2직업 흥미 정보의 관련도에 해당된다. 상기 제3순위 설정부(135)는 데이터 베이스(131)에 저장된 전공들의 제3추천 점수를 산출하고, 산출된 제3추천 점수 즉, 관련도가 높은 순으로 해당 전공들의 순위를 결정하여 제3순위정보를 생성하며, 상기 제3추천 점수 및 제3순위정보가 포함되도록 제3관련도 정보를 생성한다.
상기 전공 판별부(136)는 상기 제1 내지 제3관련도 정보를 토대로 상기 추천 대상 전공을 선정한다. 이때, 전공 판별부(136)는 제1 내지 제3관련도 정보에 포함된 제1 내지 제3순위정보의 순위값을 각 전공별로 합산하고, 합산된 순위 값이 작은 순으로 상기 전공들의 순위를 결정한다. 여기서, 전공 판별부(136)는 순위가 결정된 전공들 중 기설정된 기준 순위 이내에 포함된 전공을 선별하여 순위 리스트를 생성한다. 여기서, 상기 기준 순위는 10위가 적용되나, 피검사자나 데이터 베이스(131)에 저장된 전공 수에 따라 변경될 수 있다.
이때, 상기 제1 내지 제3관련도 정보에 포함된 순위 값을 각 전공별로 합산시 합산된 순위 값이 동일한 전공들의 경우, 전공 판별부(136)는 해당 전공들 중 상기 제2다중 지능 정보가 기설정된 제1기준에 해당되는 전공에 제1가산점을 부여하고, 해당 전공들 중 상기 제2자아 상태 정보가 기설정된 제2기준에 해당되는 전공에 제2가산점을 부여하고, 해당 전공들 중 상기 제2직업 흥미 정보가 기설정된 제3기준에 해당되는 전공에 제3가산점을 부여하되, 상기 전공들에 부여된 가산점들을 각각 합산하고, 해당 전공들 중 합산된 가산점 값이 큰 전공을 나머지 전공보다 우순 순위로 설정할 수 있다.
여기서, 제1기준은 언어문학(linguistic;L), 공간도형(visual-spatial:S), 운동협조(bodily-kinesthetic;B), 음악연기(musical;M), 인간교제(interpersonal;E) 중 적어도 어느 하나의 유형이 전공의 제2다중 지능 정보에 포함되는 것이고, 제1가사점은 1점이 적용된다.
또한, 제2기준은 피검사자의 제1자아상태 정보의 첫번째 유형과, 전공의 제2자아 상태 정보의 첫번째 유형이 일치하는 것이고, 제2가산점은 1점이 적용된다. 그리고, 제3기준은 피검사자의 제1직업 흥미 정보의 첫번째 유형 및 두번째 유형이 전공의 제2직업 흥미 정보의 첫번째 유형 및 두번째 유형에 일치하는 것이고, 제3가산점은 1점이 적용된다.
상술된 바와 같이 전공 판별부(136)는 제1 내지 제3순위정보의 순위값을 각 전공별로 합산한 값이 상호 동일한 전공들을 상기 제1 내지 제3기준에 따라 가산점을 부여하고, 부여된 가산점에 따라 해당 전공들 사이에 우선순위를 설정한다.
또한, 전공 판별부(136)는 이에 한정하는 것이 아니라 제1 내지 제3관련도 정보에 포함된 제1 내지 제3추천점수를 각 전공별로 합산하여 각 전공에 대한 피검사자의 적합도 값을 산출하고, 합산된 점수 즉, 각 전공에 대한 피검사자의 적합도 값이 큰 순으로 상기 전공들의 순위를 결정할 수도 있다. 여기서, 전공 판별부(136)는 순위가 결정된 전공들 중 기설정된 기준 순위 이내에 포함된 전공을 선별하여 순위 리스트를 생성한다.
한편, 전공 판별부(136)는 분석모듈(120)의 관심전공분석에서 제공된 학과 선호도 정보를 토대로 순위 리스트에 포함된 전공들의 순위를 재배열한다. 즉, 상기 전공 판별부(136)는 해당 전공의 학과에 대한 상기 피검사자의 선호도가 높은 순으로 순위를 설정하고, 설정된 순위에 대한 정보를 추천 대상 전공에 대한 정보로서 상기 피검사자에게 제공한다. 도 8에는 전공 판별부(136)에서 피검사자에게 제공되는 추천 대상 전공에 대한 정보의 예시도가 게시되어 있다.
한편, 도 9에는 본 발명에 따른 전공 추천 시스템(100)을 이용한 전공 추천 방법에 대한 순서도가 도시되어 있다.
도면을 참조하면, 상기 전공 추천 방법은 입력단계(S110), 분석단계(S120) 및 전공 추천단계(S130)를 포함한다.
상기 입력단계(S110)는 정보 입력모듈(110)에 의해 적성 또는 성격을 검사하기 위한 설문지에 대한 피검사자의 응답정보를 수집하는 단계이다. 관리자는 정보 입력모듈(110)에 피검사자의 응답정보를 입력하고, 정보 입력모듈(110)은 입력된 피검사자의 응답정보를 분석모듈(120)로 전송한다.
분석단계(S120)는 분석모듈(120)을 통해 상기 입력단계(S110)에서 수집된 상기 응답정보를 토대로 상기 피검사자의 적성 또는 성격에 대해 분석하는 단계로서, 다중 지능 분석단계(S121), 자아상태 분석단계(S122) 및 직업흥미 분석단계(S123)를 포함한다.
다중 지능 분석단계(S121)는 상기 응답 정보를 토대로 상기 제1문항에 배당된 점수를 계산하여 다중 지능의 유형별 점수 분포를 계산하고, 계산된 점수에 따라 상기 다중 지능의 유형을 최고 점수의 유형에서 최저 점수의 유형까지 순차적으로 배열한 제1다중 지능 정보를 생성하는 단계이다.
여기서, 다중 지능 분석부(121)는 상술된 바와 같이 피검사자의 제1다중 지능 정보를 생성하는데, 다중 지능의 유형별 계산된 점수에 따라 상기 다중 지능의 유형을 최고 점수의 유형에서 최저 점수의 유형까지 순차적으로 배열한 제1다중 지능 정보를 생성한다.
자아상태 분석단계(S122)는 상기 응답 정보를 토대로 상기 설문지의 제2문항에 배당된 점수를 계산하여 자아 상태의 유형별 점수 분포를 계산하고, 계산된 점수에 따라 상기 자아 상태의 유형을 최고 점수의 유형에서 최저 점수의 유형까지 순차적으로 배열한 제1자아 상태 정보를 생성하는 단계이다.
여기서, 자아상태 분석부(122)는 상술된 바와 같이 응답정보를 토대로 피검사자의 제1자아 상태 정보를 생성하는데, 산출된 점수에 따라 상기 자아 상태의 유형을 최고 점수의 유형에서 최저 점수의 유형까지 순차적으로 배열한 제1자아 상태 정보를 생성한다.
직업흥미 분석단계(S123)는 상기 응답 정보를 토대로 상기 제3문항에 배당된 점수를 계산하여 직업 흥미의 유형별 점수 분포를 계산하고, 계산된 점수에 따라 상기 직업 흥미의 유형을 최고 점수의 유형에서 최저 점수의 유형까지 순차적으로 배열한 제1직업 흥미 정보를 생성하는 단계이다.
여기서, 직업흥미 분석부(123)는 상술된 바와 같이 응답정보를 토대로 피검사자의 제1직업흥미 정보를 생성하는데, 직업흥미의 유형별 계산된 점수에 따라 상기 직업 흥미의 유형을 최고 점수의 유형에서 최저 점수의 유형까지 순차적으로 배열한 제1직업 흥미 정보를 생성한다.
한편, 분석단계(S120)에서는, 분석모듈(120)의 관심전공분석부를 통해 상기 응답 정보를 토대로 상기 제4문항에 배당된 점수를 계산하여 상기 각 학과에 대한 상기 피검사자의 선호도를 분석하고, 분석한 선호도에 대한 학과 선호도 정보를 생성할 수도 있다. 분석모듈(120)의 관심전공분석부는 생성된 학과 선호도 정보를 전공 판별부(136)로 전송한다.
전공 추천단계(S130)는 상기 분석단계(S120)에서 제공되는 분석 정보를 토대로 상기 피검사자의 적성 또는 성격에 적합한 전공 분야를 추천하는 단계이다. 상기 전공 추천단계(S130)에서는, 데이터 베이스(131)에 저장된 다수의 제2다중 지능 정보와, 다수의 제2자아 상태 정보와, 다수의 제2직업 흥미 정보와, 상기 피검사자의 제1다중 지능 정보, 제1자아 상태 정보 및 제1직업 흥미 정보를 비교하여 상기 데이터 베이스(131)에 저장된 전공들 중 추천 대상 전공을 선정하여 상기 피검사자에게 제공한다. 여기서, 상기 전공 추천단계(S130)는 제1순위 설정단계(S131), 제2순위 설정단계(S132), 제3순위 설정단계(S133) 및 전공 판별단계(S134)를 포함한다.
제1순위 설정단계(S131)는 상기 제1다중 지능 정보와, 상기 데이터 베이스(131)에 저장된 각 전공의 상기 제2다중 지능 정보의 관련도를 분석하고, 분석된 관련도에 대한 제1관련도 정보를 생성하는 단계이다. 여기서, 제1순위 설정부(133)는 상기 제1다중 지능 정보와, 상기 전공들의 각 제2다중 지능 정보의 관련도를 수치화하고, 관련도가 높은 순으로 해당 전공들의 순위를 결정하며, 결정된 상기 전공들의 순위가 포함되도록 상기 제1관련도 정보를 생성한다.
제2순위 설정단계(S132)는 상기 피검사자의 제1자아 상태 정보와, 상기 데이터 베이스(131)에 저장된 각 전공의 상기 제2자아 상태 정보의 관련도를 분석하고, 분석된 관련도에 대한 제2관련도 정보를 생성하는 단계이다. 여기서, 제2순위 설정부(134)는 상기 제1자아 상태 정보와, 상기 전공들의 각 제2자아 상태 정보의 관련도를 수치화하고, 관련도가 높은 순으로 해당 전공들의 순위를 결정하며, 결정된 상기 전공들의 순위가 포함되도록 상기 제2관련도 정보를 생성한다.
제3순위 설정단계(S133)는 상기 제1직업 흥미 정보와, 상기 데이터 베이스(131)에 저장된 각 전공의 상기 제2직업 흥미 정보의 관련도를 분석하고, 분석된 관련도에 대한 제3관련도 정보를 생성하는 단계이다. 여기서, 제3순위 설정부(135)는 상술된 바와 같이 상기 제1직업 흥미 정보와, 상기 전공들의 각 제2직업 흥미 정보의 관련도를 수치화하고, 관련도가 높은 순으로 해당 전공들의 순위를 결정하며, 결정된 상기 전공들의 순위가 포함되도록 상기 제3관련도 정보를 생성한다.
전공 판별단계(S134)는 상기 제1 내지 제3관련도 정보를 토대로 상기 추천 대상 전공을 선정하는 단계이다. 여기서, 전공 판별부(136)는 상술된 바와 같이 상기 제1 내지 제3관련도 정보에 포함된 순위 값을 각 전공별로 합산하고, 합산된 순위 값이 작은 순으로 상기 전공들의 순위를 결정하고, 기설정된 기준 순위 이내의 전공을 선별하여 순위 리스트를 생성한다.
또한, 전공 판별부(136)는 상기 제1 내지 제3관련도 정보를 합하여 각 전공에 대한 상기 피검사자의 적합도 값을 산출하되, 상기 전공들을 상기 적합도 값이 큰 순으로 순위를 결정하고, 기설정된 기준 순위 이내의 전공을 선별하여 순위 리스트를 생성할 수도 있다.
이때, 상기 제1 내지 제3관련도 정보에 포함된 순위 값을 각 전공별로 합산시 합산된 순위 값이 동일한 전공들의 경우, 상기 전공판별부는 해당 전공들 중 상기 제2다중 지능 정보가 기설정된 제1기준에 해당되는 전공에 제1가산점을 부여하고, 해당 전공들 중 상기 제2자아 상태 정보가 기설정된 제2기준에 해당되는 전공에 제2가산점을 부여하고, 해당 전공들 중 상기 제2직업 흥미 정보가 기설정된 제3기준에 해당되는 전공에 제3가산점을 부여하되, 상기 전공들에 부여된 가산점들을 각각 합산하고, 해당 전공들 중 합산된 가산점 값이 큰 전공을 나머지 전공보다 우순 순위로 설정한다.
한편, 전공판별부는 상기 학과 선호도 정보를 토대로 상기 순위 리스트의 전공들을 해당 전공의 학과에 대한 상기 피검사자의 선호도가 높은 순으로 순위를 설정하고, 설정된 순위에 대한 정보를 상기 피검사자에게 제공하는 것이 바람직하다.
상술된 바와 같이 구성된 본 발명에 따른 전공 추천 시스템(100) 및 이를 이용한 전공 추천 방법은 설문지에 대해 피검사자의 응답정보를 토대로 피검사자의 성격 또는 흥미를 분석하여 피검사자에 적합한 학과, 전공을 추천하므로 피검사자의 적성 또는 소질에 보다 적합한 전공을 추천할 수 있다는 장점이 있다.
제시된 실시예들에 대한 설명은 임의의 본 발명의 기술분야에서 통상의 지식을 가진 자가 본 발명을 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시예들에 대한 다양한 변형들은 본 발명의 기술 분야에서 통상의 지식을 가진자에게 명백할 것이며, 여기에 정의된 일반적인 원리들은 본 발명의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본 발명은 여기에 제시된 실시예들로 한정되는 것이 아니라, 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.
100: 전공 추천 시스템
110: 정보 입력모듈
120: 분석모듈
121: 다중 지능 분석부
122: 자아상태 분석부
123: 직업흥미 분석부
130: 전공 추천모듈
131: 데이터 베이스
132: 전공 선정부
133: 제1순위 설정부
134: 제2순위 설정부
135: 제3순위 설정부
136: 전공 판별부
110: 정보 입력모듈
120: 분석모듈
121: 다중 지능 분석부
122: 자아상태 분석부
123: 직업흥미 분석부
130: 전공 추천모듈
131: 데이터 베이스
132: 전공 선정부
133: 제1순위 설정부
134: 제2순위 설정부
135: 제3순위 설정부
136: 전공 판별부
Claims (22)
- 적성 또는 성격을 검사하기 위한 설문지에 대한 피검사자의 응답 정보가 입력되는 정보 입력모듈;
상기 정보 입력모듈에서 제공된 상기 응답 정보를 토대로 상기 피검사자의 적성 또는 성격에 대해 분석하는 분석모듈; 및
상기 분석모듈에서 제공되는 분석 정보를 토대로 상기 피검사자의 적성 또는 성격에 적합한 전공 분야를 추천하는 전공 추천모듈;을 구비하는,
전공 추천 시스템.
- 제1항에 있어서,
상기 설문지는 상기 피검사자의 다중 지능(multiple intelligence)을 검사하기 위한 제1문항, 상기 피검사자의 자아 상태를 검사하기 위한 제2문항 및 상기 피검사자의 직업 흥미를 검사하기 위한 제3문항을 포함하고,
상기 분석모듈은 상기 응답정보를 토대로 상기 피검사자의 다중 지능, 자아 상태 및 직업 흥미에 대한 정보를 분석하여 상기 전공 추천모듈에 제공하는,
전공 추천 시스템.
- 제2항에 있어서,
상기 분석모듈은
상기 응답 정보를 토대로 상기 제1문항에 배당된 점수를 계산하여 다중 지능의 유형별 점수 분포를 계산하고, 계산된 점수에 따라 상기 다중 지능의 유형을 최고 점수의 유형에서 최저 점수의 유형까지 순차적으로 배열한 제1다중 지능 정보를 생성하는 다중 지능 분석부;
상기 응답 정보를 토대로 상기 제2문항에 배당된 점수를 계산하여 자아 상태의 유형별 점수 분포를 계산하고, 계산된 점수에 따라 상기 자아 상태의 유형을 최고 점수의 유형에서 최저 점수의 유형까지 순차적으로 배열한 제1자아 상태 정보를 생성하는 자아상태 분석부; 및
상기 응답 정보를 토대로 상기 제3문항에 배당된 점수를 계산하여 직업 흥미의 유형별 점수 분포를 계산하고, 계산된 점수에 따라 상기 직업 흥미의 유형을 최고 점수의 유형에서 최저 점수의 유형까지 순차적으로 배열한 제1직업 흥미 정보를 생성하는 직업흥미 분석부;를 구비하는,
전공 추천 시스템.
- 제3항에 있어서,
상기 전공 추천모듈은
다수의 전공에 대한 정보가 저정되는 것으로서, 상기 다중 지능의 유형들 중 각 전공에 관련된 유형에 대한 다수의 제2다중 지능 정보와, 상기 자아 상태의 유형들 중 각 전공에 관련된 유형을, 관련도에 따라 순차적으로 배열한 다수의 제2자아 상태 정보와, 상기 직업 흥미의 유형들 중 각 전공에 관련된 유형을 관련도에 따라 순차적으로 배열한 다수의 제2직업 흥미 정보가 저장된 데이터 베이스; 및
상기 분석모듈에서 제공되는 상기 제1다중 지능 정보, 제1자아 상태 정보 및 제1직업 흥미 정보를 상기 데이터 베이스에 저장된 각 전공의 상기 제2다중 지능 정보, 제2자아 상태 정보 및 제2직업 흥미 정보를 비교하여 상기 데이터 베이스에 저장된 전공들 중 추천 대상 전공을 선정하여 상기 피검사자에게 제공하는 전공 선정부;를 구비하는,
전공 추천 시스템.
- 제4항에 있어서,
상기 전공 선정부는
상기 제1다중 지능 정보와, 상기 데이터 베이스에 저장된 각 전공의 상기 제2다중 지능 정보의 관련도를 분석하고, 분석된 관련도에 대한 제1관련도 정보를 생성하는 제1순위 설정부;
상기 제1자아 상태 정보와, 상기 데이터 베이스에 저장된 각 전공의 상기 제2자아 상태 정보의 관련도를 분석하고, 분석된 관련도에 대한 제2관련도 정보를 생성하는 제2순위 설정부;
상기 제1직업 흥미 정보와, 상기 데이터 베이스에 저장된 각 전공의 상기 제2직업 흥미 정보의 관련도를 분석하고, 분석된 관련도에 대한 제3관련도 정보를 생성하는 제3순위 설정부; 및
상기 제1 내지 제3관련도 정보를 토대로 상기 추천 대상 전공을 선정하는 전공 판별부;를 구비하는,
전공 추천 시스템.
- 제5항에 있어서,
상기 제1순위 설정부는 상기 제1다중 지능 정보와, 상기 전공들의 각 제2다중 지능 정보의 관련도를 수치화하고, 관련도가 높은 순으로 해당 전공들의 순위를 결정하며, 결정된 상기 전공들의 순위가 포함되도록 상기 제1관련도 정보를 생성하고,
상기 제2순위 설정부는 상기 제1자아 상태 정보와, 상기 전공들의 각 제2자아 상태 정보의 관련도를 수치화하고, 관련도가 높은 순으로 해당 전공들의 순위를 결정하며, 결정된 상기 전공들의 순위가 포함되도록 상기 제2관련도 정보를 생성하고,
상기 제3순위 설정부는 상기 제1직업 흥미 정보와, 상기 전공들의 각 제2직업 흥미 정보의 관련도를 수치화하고, 관련도가 높은 순으로 해당 전공들의 순위를 결정하며, 결정된 상기 전공들의 순위가 포함되도록 상기 제3관련도 정보를 생성하고,
상기 전공 판별부는 상기 제1 내지 제3관련도 정보에 포함된 순위 값을 각 전공별로 합산하고, 합산된 순위 값이 작은 순으로 상기 전공들의 순위를 결정하고, 기설정된 기준 순위 이내의 전공을 선별하여 순위 리스트를 생성하는,
전공 추천 시스템.
- 제5항에 있어서,
상기 제1순위 설정부는 상기 제1다중 지능 정보와, 상기 제2다중 지능 정보의 관련도를 수치화하여 상기 제1관련도 정보를 생성하고,
상기 제2순위 설정부는 상기 제1자아 상태 정보와, 상기 제2자아 상태 정보의 관련도를 수치화하여 상기 제2관련도 정보를 생성하고,
상기 제3순위 설정부는 상기 제1직업 흥미 정보와, 상기 제2직업 흥미 정보의 관련도를 수치화하여 상기 제3관련도 정보를 생성하고,
상기 전공 판별부는 상기 제1 내지 제3관련도 정보를 합하여 각 전공에 대한 상기 피검사자의 적합도 값을 산출하되, 상기 전공들을 상기 적합도 값이 큰 순으로 순위를 결정하고, 기설정된 기준 순위 이내의 전공을 선별하여 순위 리스트를 생성하는,
전공 추천 시스템.
- 제6항 또는 제7항에 있어서,
상기 설문지는 각 전공이 포함된 학과들에 대한 상기 피검사자의 선호도를 검사하기 위한 제4문항을 포함하고,
상기 분석모듈은 상기 응답 정보를 토대로 상기 제4문항에 배당된 점수를 계산하여 상기 각 학과에 대한 상기 피검사자의 선호도를 분석하고, 분석한 선호도에 대한 학과 선호도 정보를 상기 전공 판별부에 제공하고,
상기 전공 판별부는 상기 학과 선호도 정보를 토대로 상기 순위 리스트의 전공들을 해당 전공의 학과에 대한 상기 피검사자의 선호도가 높은 순으로 순위를 설정하고, 설정된 순위에 대한 정보를 상기 피검사자에게 제공하는,
전공 추천 시스템.
- 제6항에 있어서,
상기 전공 판별부는
상기 제1 내지 제3관련도 정보에 포함된 순위 값을 각 전공별로 합산시 합산된 순위 값이 동일한 전공들의 경우, 해당 전공들 중 상기 제2다중 지능 정보가 기설정된 제1기준에 해당되는 전공에 제1가산점을 부여하고, 해당 전공들 중 상기 제2자아 상태 정보가 기설정된 제2기준에 해당되는 전공에 제2가산점을 부여하고, 해당 전공들 중 상기 제2직업 흥미 정보가 기설정된 제3기준에 해당되는 전공에 제3가산점을 부여하되, 상기 전공들에 부여된 가산점들을 각각 합산하고, 해당 전공들 중 합산된 가산점 값이 큰 전공을 나머지 전공보다 우순 순위로 설정하는,
전공 추천 시스템.
- 제6항 또는 제7항에 있어서,
상기 제1순위 설정부는 상기 제1다중 지능 정보에 포함된 다중 지능의 유형들 중 배열 순서 기준으로 기설정된 설정 순위 내에 포함된 유형들을 기준 유형들로 선정하고, 상기 제2다중 지능 정보에 포함된 유형을 대상 유형으로 선정하되, 기설정된 제1초기값과, 상기 대상 유형의 갯수에 대한 상기 기준 유형들 중 상기 대상 유형에 해당되는 유형의 갯수의 비를 곱하여 상기 제1관련도 정보를 생성하는,
전공 추천 시스템.
- 제6항 또는 제7항에 있어서,
상기 제2순위 설정부는
상기 제2자아 상태 정보에 포함된 유형들 중 배열 순서 기준으로 첫번째 유형이 상기 제1자아 상태 정보에 포함된 유형들 중 배열 순서 기준으로 첫번째 유형과 동일할 경우, 상기 제1자아 상태 정보의 유형들 중 상기 제2자아 상태 정보에 포함된 유형과 순서 및 종류가 일치한 유형의 갯수에 제2초기값을 곱하여 상기 제2관련도 정보를 산출하고,
상기 제2자아 상태 정보에 포함된 유형들 중 배열 순서 기준으로 첫번째 유형이 상기 제1자아 상태 정보에 포함된 유형들 중 배열 순서 기준으로 두번째 유형과 동일할 경우, 상기 제1자아 상태 정보의 유형들 중 배열 순서 기준으로 첫번째 유형을 제외한 나머지 유형들을 관련도에 따라 순차적으로 재배열하고, 재배열된 유형들 중 상기 제2자아 상태 정보에 포함된 유형과 순서 및 종류가 일치한 유형의 갯수에 상기 제2초기값보다 적은 제3초기값을 곱하여 상기 제2관련도 정보를 산출하고,
상기 제2자아 상태 정보에 포함된 유형들 중 배열 순서 기준으로 첫번째 유형이 상기 제1자아 상태 정보에 포함된 유형들 중 배열 순서 기준으로 세번째 유형과 동일할 경우, 상기 제1자아 상태 정보의 유형들 중 배열 순서 기준으로 첫번째 유형 및 두번째 유형을 제외한 나머지 유형들을 관련도에 따라 순차적으로 재배열하고, 재배열된 유형들 중 상기 제2자아 상태 정보에 포함된 유형과 순서 및 종류가 일치한 유형의 갯수에 상기 제3초기값보다 적은 제4초기값을 곱하여 상기 제2관련도 정보를 산출하고,
상기 제2자아 상태 정보에 포함된 유형들 중 배열 순서 기준으로 첫번째 유형이 상기 제1자아 상태 정보에 포함된 유형들 중 배열 순서 기준으로 네번째 유형과 동일할 경우, 상기 제1자아 상태 정보의 유형들 중 배열 순서 기준으로 첫번째부터 세번째 유형을 제외한 나머지 유형들을 관련도에 따라 순차적으로 재배열하고, 재배열된 유형들 중 상기 제2자아 상태 정보에 포함된 유형과 순서 및 종류가 일치한 유형의 갯수에 제5초기값을 곱하여 상기 제2관련도 정보를 산출하고,
상기 제2자아 상태 정보에 포함된 유형들 중 첫번째 유형이 상기 제1자아 상태 정보에 포함된 유형들 중 다섯번째 유형과 동일할 경우, 상기 제5초기값보다 적은 제6초기값을 상기 제2관련도 정보로 설정하는,
전공 추천 시스템.
- 제6항 또는 제7항에 있어서,
상기 제3순위 설정부는 상기 제1직업 흥미 정보의 유형들 중 상기 제2직업 흥미 정보에 포함된 유형과 순서 및 종류가 일치한 유형의 갯수에 제7초기값을 곱하여 상기 제3관련도 정보를 산출하는,
전공 추천 시스템.
- 제3항에 있어서,
상기 다중 지능의 유형은 언어문학, 수학논리, 공간도형, 운동협조, 음악연기, 인간교제, 자아통제, 환경인지를 포함하고,
상기 자아 상태의 유형은 원칙지배형, 봉사포용형, 성인이성형, 개방활발형, 순응합착형을 포함하고,
상기 직업 흥미의 유형은 사회관계형, 리더형, 행정사무형, 운동조작형, 연구학습형, 창의예술형을 포함하는,
전공 추천 시스템.
- 정보 입력모듈에 의해 적성 또는 성격을 검사하기 위한 설문지에 대한 피검사자의 응답정보를 수집하는 입력단계;
분석모듈을 통해 상기 입력단계에서 수집된 상기 응답정보를 토대로 상기 피검사자의 적성 또는 성격에 대해 분석하는 분석단계; 및
상기 분석단계에서 제공되는 분석 정보를 토대로 상기 피검사자의 적성 또는 성격에 적합한 전공 분야를 추천하는 전공 추천단계;를 포함하는,
전공 추천 방법.
- 제14항에 있어서,
상기 설문지는 상기 피검사자의 다중 지능을 검사하기 위한 제1문항, 상기 피검사자의 자아 상태를 검사하기 위한 제2문항 및 상기 피검사자의 직업 흥미를 검사하기 위한 제3문항을 포함하고,
상기 분석단계에서는, 상기 응답정보를 토대로 상기 피검사자의 다중 지능, 자아 상태 및 직업 흥미에 대한 정보를 분석하는,
전공 추천 방법.
- 제15항에 있어서,
상기 분석단계는
상기 응답 정보를 토대로 상기 제1문항에 배당된 점수를 계산하여 다중 지능의 유형별 점수 분포를 계산하고, 계산된 점수에 따라 상기 다중 지능의 유형을 최고 점수의 유형에서 최저 점수의 유형까지 순차적으로 배열한 제1다중 지능 정보를 생성하는 다중 지능 분석단계;
상기 응답 정보를 토대로 상기 제2문항에 배당된 점수를 계산하여 자아 상태의 유형별 점수 분포를 계산하고, 계산된 점수에 따라 상기 자아 상태의 유형을 최고 점수의 유형에서 최저 점수의 유형까지 순차적으로 배열한 제1자아 상태 정보를 생성하는 자아상태 분석단계;
상기 응답 정보를 토대로 상기 제3문항에 배당된 점수를 계산하여 직업 흥미의 유형별 점수 분포를 계산하고, 계산된 점수에 따라 상기 직업 흥미의 유형을 최고 점수의 유형에서 최저 점수의 유형까지 순차적으로 배열한 제1직업 흥미 정보를 생성하는 직업흥미 분석단계;를 포함하는,
전공 추천 방법.
- 제16항에 있어서,
상기 전공 추천단계에서는, 데이터 베이스에 저장된 상기 다중 지능의 유형들 중 각 전공에 관련된 유형에 대한 다수의 제2다중 지능 정보와, 상기 자아 상태의 유형들 중 각 전공에 관련된 유형을, 관련도에 따라 순차적으로 배열한 다수의 제2자아 상태 정보와, 상기 직업 흥미의 유형들 중 각 전공에 관련된 유형을 관련도에 따라 순차적으로 배열한 다수의 제2직업 흥미 정보와, 상기 제1다중 지능 정보, 제1자아 상태 정보 및 제1직업 흥미 정보를 비교하여 상기 데이터 베이스에 저장된 전공들 중 추천 대상 전공을 선정하여 상기 피검사자에게 제공하는,
전공 추천 방법.
- 제17항에 있어서,
상기 전공 추천단계는
상기 제1다중 지능 정보와, 상기 데이터 베이스에 저장된 각 전공의 상기 제2다중 지능 정보의 관련도를 분석하고, 분석된 관련도에 대한 제1관련도 정보를 생성하는 제1순위 설정단계;
상기 제1자아 상태 정보와, 상기 데이터 베이스에 저장된 각 전공의 상기 제2자아 상태 정보의 관련도를 분석하고, 분석된 관련도에 대한 제2관련도 정보를 생성하는 제2순위 설정단계;
상기 제1직업 흥미 정보와, 상기 데이터 베이스에 저장된 각 전공의 상기 제2직업 흥미 정보의 관련도를 분석하고, 분석된 관련도에 대한 제3관련도 정보를 생성하는 제3순위 설정단계; 및
상기 제1 내지 제3관련도 정보를 토대로 상기 추천 대상 전공을 선정하는 전공 판별단계;를 포함하는,
전공 추천 방법.
- 제18항에 있어서,
상기 제1순위 설정단계에서는, 상기 제1다중 지능 정보와, 상기 전공들의 각 제2다중 지능 정보의 관련도를 수치화하고, 관련도가 높은 순으로 해당 전공들의 순위를 결정하며, 결정된 상기 전공들의 순위가 포함되도록 상기 제1관련도 정보를 생성하고,
상기 제2순위 설정단계에서는, 상기 제1자아 상태 정보와, 상기 전공들의 각 제2자아 상태 정보의 관련도를 수치화하고, 관련도가 높은 순으로 해당 전공들의 순위를 결정하며, 결정된 상기 전공들의 순위가 포함되도록 상기 제2관련도 정보를 생성하고,
상기 제3순위 설정단계에서는, 상기 제1직업 흥미 정보와, 상기 전공들의 각 제2직업 흥미 정보의 관련도를 수치화하고, 관련도가 높은 순으로 해당 전공들의 순위를 결정하며, 결정된 상기 전공들의 순위가 포함되도록 상기 제3관련도 정보를 생성하고,
상기 전공 판별단계에서는, 상기 제1 내지 제3관련도 정보에 포함된 순위 값을 각 전공별로 합산하고, 합산된 순위 값이 작은 순으로 상기 전공들의 순위를 결정하고, 기설정된 기준 순위 이내의 전공을 선별하여 순위 리스트를 생성하는,
전공 추천 방법.
- 제18항에 있어서,
상기 제1순위 설정단계에서는, 상기 제1다중 지능 정보와, 상기 제2다중 지능 정보의 관련도를 수치화하여 상기 제1관련도 정보를 생성하고,
상기 제2순위 설정단계에서는, 상기 제1자아 상태 정보와, 상기 제2자아 상태 정보의 관련도를 수치화하여 상기 제2관련도 정보를 생성하고,
상기 제3순위 설정단계에서는, 상기 제1직업 흥미 정보와, 상기 제2직업 흥미 정보의 관련도를 수치화하여 상기 제3관련도 정보를 생성하고,
상기 전공 판별단계에서는, 상기 제1 내지 제3관련도 정보를 합하여 각 전공에 대한 상기 피검사자의 적합도 값을 산출하되, 상기 전공들을 상기 적합도 값이 큰 순으로 순위를 결정하고, 기설정된 기준 순위 이내의 전공을 선별하여 순위 리스트를 생성하는,
전공 추천 방법.
- 제19항 또는 제20항에 있어서,
상기 설문지는 각 전공이 포함된 학과들에 대한 상기 피검사자의 선호도를 검사하기 위한 제4문항을 포함하고,
상기 분석단계에서는, 상기 응답 정보를 토대로 상기 제4문항에 배당된 점수를 계산하여 상기 각 학과에 대한 상기 피검사자의 선호도를 분석하고, 분석한 선호도에 대한 학과 선호도 정보를 생성하고,
상기 전공 판별단계에서는, 상기 학과 선호도 정보를 토대로 상기 순위 리스트의 전공들을 해당 전공의 학과에 대한 상기 피검사자의 선호도가 높은 순으로 순위를 설정하고, 설정된 순위에 대한 정보를 상기 피검사자에게 제공하는,
전공 추천 방법.
- 제19항에 있어서,
상기 전공 판별단계에서는,
상기 제1 내지 제3관련도 정보에 포함된 순위 값을 각 전공별로 합산시 합산된 순위 값이 동일한 전공들의 경우, 해당 전공들 중 상기 제2다중 지능 정보가 기설정된 제1기준에 해당되는 전공에 제1가산점을 부여하고, 해당 전공들 중 상기 제2자아 상태 정보가 기설정된 제2기준에 해당되는 전공에 제2가산점을 부여하고, 해당 전공들 중 상기 제2직업 흥미 정보가 기설정된 제3기준에 해당되는 전공에 제3가산점을 부여하되, 상기 전공들에 부여된 가산점들을 각각 합산하고, 해당 전공들 중 합산된 가산점 값이 큰 전공을 나머지 전공보다 우순 순위로 설정하는,
전공 추천 시스템.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020190113696A KR102267363B1 (ko) | 2019-09-16 | 2019-09-16 | 전공 추천 시스템 및 이를 이용한 전공 추천 방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020190113696A KR102267363B1 (ko) | 2019-09-16 | 2019-09-16 | 전공 추천 시스템 및 이를 이용한 전공 추천 방법 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20210032212A true KR20210032212A (ko) | 2021-03-24 |
| KR102267363B1 KR102267363B1 (ko) | 2021-06-18 |
Family
ID=75256982
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020190113696A KR102267363B1 (ko) | 2019-09-16 | 2019-09-16 | 전공 추천 시스템 및 이를 이용한 전공 추천 방법 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102267363B1 (ko) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20000063641A (ko) * | 2000-07-27 | 2000-11-06 | 김재철 | 인성 및 적성검사에 의한 진학진로 안내 시스템 |
| KR20100011468A (ko) * | 2008-07-25 | 2010-02-03 | 방현석 | 교습자별 진로맵 생성 장치 및 방법 |
| KR20140134877A (ko) * | 2013-05-15 | 2014-11-25 | 민정경 | 저평가된 주식종목을 선별할 수 있는 주식정보 제공시스템 및 그 방법 |
| KR20160135451A (ko) * | 2015-05-18 | 2016-11-28 | 와이즈멘토 유한회사 | 학과계열 선정 시스템 및 그 방법 |
| KR101689811B1 (ko) | 2015-01-15 | 2016-12-27 | (주)이즈소프트 | 스마트배치표 서비스 방법 및 그 시스템과 스마트배치표 프로그램이 탑재된 컴퓨터가 판독 가능한 기록매체 |
-
2019
- 2019-09-16 KR KR1020190113696A patent/KR102267363B1/ko active IP Right Grant
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20000063641A (ko) * | 2000-07-27 | 2000-11-06 | 김재철 | 인성 및 적성검사에 의한 진학진로 안내 시스템 |
| KR20100011468A (ko) * | 2008-07-25 | 2010-02-03 | 방현석 | 교습자별 진로맵 생성 장치 및 방법 |
| KR20140134877A (ko) * | 2013-05-15 | 2014-11-25 | 민정경 | 저평가된 주식종목을 선별할 수 있는 주식정보 제공시스템 및 그 방법 |
| KR101689811B1 (ko) | 2015-01-15 | 2016-12-27 | (주)이즈소프트 | 스마트배치표 서비스 방법 및 그 시스템과 스마트배치표 프로그램이 탑재된 컴퓨터가 판독 가능한 기록매체 |
| KR20160135451A (ko) * | 2015-05-18 | 2016-11-28 | 와이즈멘토 유한회사 | 학과계열 선정 시스템 및 그 방법 |
Non-Patent Citations (1)
| Title |
|---|
| 네이버 블로그. 진로적성 선택 3 키워드-흥미적성, 능력, 성격유형 및 진로적성검사 활용법. 네이버 블로그, [online], 2014.07.04., [2021.01.17. 검색], 인터넷 http://yangsart.blog.me/220937159709 1부.* * |
Also Published As
| Publication number | Publication date |
|---|---|
| KR102267363B1 (ko) | 2021-06-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Kolb et al. | Experiential learning theory: Previous research and new directions | |
| Kaplan et al. | The effects of virtual reality, augmented reality, and mixed reality as training enhancement methods: A meta-analysis | |
| Gati et al. | The PIC model for career decision making: Prescreening, in-depth exploration, and choice | |
| Özgenel | Modeling the relationships between school administrators' creative and critical thinking dispositions with decision making styles and problem solving skills | |
| Holder | Clinical reasoning: a state of the science report | |
| Dijkstra et al. | Quality function deployment in healthcare: Methods for meeting customer requirements in redesign and renewal | |
| Hutchinson et al. | Design ideas, reflection, and professional identity: How graduate students explore the idea generation process | |
| CN111859116B (zh) | 基于大数据和生涯规划的个性化课程推荐方法与装置 | |
| Greiff et al. | Measuring complex problem solving: An educational application of psychological theories | |
| KR20160025486A (ko) | 네트워크 기반의 진로 탐색 방법 및 장치 | |
| Sharplin et al. | Making the grade: Describing inherent requirements for the initial teacher education practicum | |
| Barkatsas et al. | Valuing from student’s perspectives as a lens to understand mathematics learning: The case of Hong Kong | |
| KR20220022592A (ko) | 유전자지문적성검사와 다중능력검사를 융합한 맞춤형 진로탐색시스템 및 방법 | |
| KR20210153953A (ko) | 직업기능 검사 시스템 및 이를 이용한 직업기능 검사 방법 | |
| Melendez-Armenta et al. | How do students behave when using a tutoring system? Employing data mining to identify behavioral patterns associated to the learning of mathematics | |
| Wiernik et al. | Creative Interests and Personality | |
| Teasdale | Representing the values of program participants: Endogenous evaluative criteria | |
| Vidal et al. | PBL-Tutor Canvas: A tool based on Backward Design to plan PBL in Computing Education | |
| Osborn et al. | Cognitive information processing theory | |
| Joshi et al. | The link between employee career orientation, career management practices, citizenship behavior and gender: a moderated mediation model | |
| Hashemi Farzaneh | Bio-inspired design: Ideation in collaboration between mechanical engineers and biologists | |
| KR102267363B1 (ko) | 전공 추천 시스템 및 이를 이용한 전공 추천 방법 | |
| KR20230069699A (ko) | 기질 분석을 통한 교육 추천 장치 및 방법 | |
| Koshkina et al. | Didactic terminology operated by Russian future and practicing teachers: Comparative analysis | |
| Martínez et al. | Towards a fuzzy model for RAMSET: Role assignment methodology for software engineering teams |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |