KR20210036627A

KR20210036627A - 학습관리 시스템

Info

Publication number: KR20210036627A
Application number: KR1020190118825A
Authority: KR
Inventors: 유안지
Original assignee: (주)강안교육
Priority date: 2019-09-26
Filing date: 2019-09-26
Publication date: 2021-04-05
Also published as: KR102304683B1

Abstract

본 발명의 일 실시예에 따른 학습관리 시스템은 학생의 학업성취도 테스트 내역에 기초하여 학업성취도를 산출하는 학업성취도 산출모듈; 상기 학생의 실제 학습시간을 측정하는 학습시간 측정모듈; 및 상기 학생의 학업성취도 및 학습시간을 포함하는 제1 특징데이터에 기초하여 상기 학생의 학업등급을 산출하는 학업등급 산출모듈;을 포함한다.

Description

학습관리 시스템{LEARNING MANAGEMENT SYSTEM}

본 발명은 학습관리 시스템에 관한 것으로, 학생의 학업성취도 및 학습시간에 기초하여 학생의 학업등급을 산출하고, 산출된 학업등급에 기초하여 학생을 관리할 수 있는 학습관리 시스템에 관한 것이다.

시험을 준비하는 수험생들의 경우, 한정된 시간 내에 효과적인 성적의 획득을 위하여 효율적인 수험전략을 수립하여야 한다.

그러나 대다수의 수험생들은 이성보다는 감성적으로 수험전략을 수립하는 경향이 있는데, 이는 당사자인 수험생이 현 상황으로 객관적으로 파악하기 보다는 주관이 개입되어 수험전략을 수립하는 경향이 높기 때문에 이성적으로 공부계획을 수립하는데 한계가 있다.

따라서 수험생들의 효율적인 수험전략 수립을 위한 정교하고 구체적인 학습관리 시스템이 필요한 상황이다.

한편, 하기선행기술문헌은 무선 단말기를 이용한 학원 관리 및 교재 주문 시스템에 대한 내용만 개시하고 있을 뿐 본 발명의 기술적 요지는 개시하고 있지 않다.

대한민국 공개특허공보 특2003-0075065호

본 발명의 일 실시예에 따른 학습관리 시스템은 전술한 문제점을 해결하기 위하여 다음과 같은 해결과제를 목적으로 한다.

각각의 학생에 대한 학업성취도 및 학습시간을 고려하여 학생에 대한 학업등급을 산출하고, 해당 학업등급에 따른 맞춤형 수험전략을 수립할 수 있는 학습관리 시스템을 제공하는 것이다.

본 발명의 해결과제는 이상에서 언급된 것들에 한정되지 않으며, 언급되지 아니한 다른 해결과제들은 아래의 기재로부터 당해 기술분야에 있어서의 통상의 지식을 가진 자에게 명확하게 이해되어 질 수 있을 것이다.

본 발명의 일 실시예에 따른 학습관리 시스템은 학생의 학업성취도 테스트 내역에 기초하여 학업성취도를 산출하는 학업성취도 산출모듈; 상기 학생의 실제 학습시간을 측정하는 학습시간 측정모듈; 및 상기 학생의 학업성취도 및 학습시간을 포함하는 제1 특징데이터에 기초하여 상기 학생의 학업등급을 산출하는 학업등급 산출모듈;을 포함하고, 상기 학업성취도 산출모듈은 상기 학생의 학업성취도 테스트 응시횟수 및 상기 학업성취도 테스트 성적에 기초하여 상기 학업성취도를 산출하고, 상기 학업등급 산출모듈은 상기 학업성취도 및 학습시간과, 상기 학업등급과의 상관관계에 기초하여 설정된 알고리즘을 이용하여 상기 학생의 학업등급을 결정한다.

복수의 학생의 오답노트가 저장되되, 상기 학업등급 및 상기 오답노트에 기재된 문제에 기초하여 상기 테스트의 문제를 생성하는 테스트 생성모듈;을 더 포함하고, 상기 테스트 생성모듈은, 복수의 학생들이 작성한 오답노트들이 저장된 오답노트 저장부; 상기 학업등급을 고려하여 상기 오답노트 저장부에 기재된 문제들 중 해당 학생에 대한 맞춤형 문제들을 추출하는 문제 추출부; 상기 문제 추출부에서 추출한 문제들을 랜덤하게 배열하여 테스트를 생성하는 문제 배열부; 및 상기 테스트를 구성하는 문제를 제공한 학생에게 미리 결정된 포인트를 부여하는 보상부;를 포함하는 것이 바람직하다.

상기 알고리즘은 신경망 네트워크로 구성된 딥러닝 알고리즘으로 구현되되, 상기 신경망 네트워크는, 상기 제1 특징데이터를 입력받는 입력층; 상기 입력층으로부터 상기 제1 특징데이터를 전달받되, 복수 개의 노드를 포함하도록 구성된 적어도 하나의 개의 은닉층; 및 상기 은닉층의 연산 결과에 기초하여 상기 학생의 학업등급을 결정하는 출력층;을 포함하고, 상기 노드에는 상기 노드로 전달되는 입력인자 및 상기 노드에서 출력되는 출력인자 간의 상관관계인 함수가 정의되고, 상기 함수는 가중치 및 바이어스를 포함하는 것이 바람직하다.

복수의 학생들의 학업성취도 테스트 응시횟수, 학업성취도 테스트 성적, 학습시간 및 실제 입시성적을 포함하는 빅데이터가 저장된 빅데이터 저장모듈;을 더 포함하고, 상기 가중치 및 바이어스는 상기 빅데이터 저장모듈에 저장된 빅데이터를 트레이닝 데이터로 활용하여 신경망 네트워크 상에서 수행되는 머신러닝을 통하여 결정되는 것이 바람직하다.

상기 가중치 및 바이어스를 결정하기 위한 트레이닝 데이터를 생성하는 트레이닝 데이터 생성모듈;을 더 포함하고, 상기 트레이닝 데이터 생성모듈은, 상기 제1 특징데이터를 전달받아 미리 학습된 판별기준에 기초하여 상기 학생의 상기 학생의 학업등급을 결정하는 판별부; 및 상기 제1 특징데이터와 대응되는 제2 특징데이터를 생성하는 생성부;를 포함하고, 상기 판별부는 생성적 대립 네트워크(Generative Adversarial Network: GAN)를 이용한 학습을 통하여 상기 판별기준을 생성하고, 상기 판별부는 상기 제1 특징데이터 및 제2 특징데이터를 구분할 수 있도록 학습되고, 상기 생성장치는 상기 판별장치가 상기 제1 특징데이터 및 제2 특징데이터를 구분할 수 없도록 학습되어 상기 제2 특징데이터를 생성하는 것이 바람직하다.

상기 학습시간 측정모듈은 공부시간 측정장치에 의하여 상기 학생의 실제 공부시간을 측정하되, 상기 공부시간 측정장치는, 상기 학생이 사용하는 책상의 일측에 형성되는 이송레일; 상기 이송레일을 따라 좌우 방향으로 이동하도록 형성되되, 상기 이송레일 기준으로 상하로 회동 가능하도록 형성되는 안착부재; 및 상기 안착부재에 안착되도록 형성되고, 안착센서 및 카메라를 구비하는 단말기;를 포함하고, 상기 안착부재는 상기 상기 단말기를 안착시키는 안착부와, 상기 안착부재를 상기 이송레일을 따라 이동시키는 제1 구동유닛과, 상기 안착부재를 상하로 회동시키는 제2 구동유닛을 포함하고, 상기 단말기를 상기 안착부에 안착시키는 경우 상기 단말기는 상기 학생의 학습시간의 카운팅을 시작하는 것이 바람직하다.

상기 안착부는 상기 카메라가 상기 학생의 눈을 검출할 수 있도록 상기 제1 구동유닛 및 제2 구동유닛을 구동시키고, 상기 제1 구동유닛 및 제2 구동유닛의 구동에도 불구하고 상기 카메라가 상기 학생의 눈을 검출하지 못하는 경우 상기 단말기는 상기 학습시간의 카운팅을 정지하는 것이 바람직하다.

상기 카메라는 상기 학생의 눈의 깜빡임 및 시선 상태를 추적하고, 상기 단말기는 상기 학생의 눈의 깜빡임이 미리 설정된 시간 이상 지속되지 못하거나 또는 상기 학생의 시선이 미리 설정된 시간을 초과하여 미리 설정된 스터디 에어리어(Study Area)를 벗어난 것으로 판단할 경우 상기 학습시간의 카운팅을 정지하는 것이 바람직하다.

본 발명의 일 실시예에 따른 학습관리 시스템은, 학생의 학업성취도 및 학습시간에 기초하여 학생의 학업등급을 산출하고, 산출된 학업등급을 고려하여 해당 학생에게 맞춤형 학습전략을 수립해 줄 수 있는 효과가 있다.

나아가 학업등급 산출시 학업성취도 및 학습시간에 대한 정교한 가중치를 산출함으로써 좀 더 정교하고 효과적인 맞춤형 학습전략을 수립할 수 있는 효과가 있다.

본 발명의 효과는 이상에서 언급된 것들에 한정되지 않으며, 언급되지 아니한 다른 효과들은 아래의 기재로부터 당해 기술분야에 있어서의 통상의 지식을 가진 자에게 명확하게 이해되어질 수 있을 것이다.

도 1은 본 발명의 일 실시예에 따른 학습관리 시스템을 간략히 도시한 블록도이다.
도 2는 본 발명의 일 실시예에 따른 학습관리 시스템에서 사용되는 신경망 네트워크를 간략히 도시한 도면이다.
도 3 및 도 4는 본 발명의 일 실시예에 따른 학습관리 시스템에서 트레이닝 데이터 생성모듈을 설명하기 위한 도면이다.
도 5는 본 발명의 일 실시예에 따른 학습관리 시스템의 구성 중 테스트 생성모듈의 구체적인 구성을 도시한 블록도이다.
도 6은 본 발명의 일 실시예에 따른 학습관리 시스템의 구성 중 학습시간 측정모듈에 적용되는 공부시간 측정장치를 개략적으로 도시한 도면이다.

첨부된 도면을 참조하여 본 발명에 따른 바람직한 실시예를 상세히 설명하되, 도면 부호에 관계없이 동일하거나 유사한 구성 요소는 동일한 참조 번호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다.

또한, 본 발명을 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 첨부된 도면은 본 발명의 사상을 쉽게 이해할 수 있도록 하기 위한 것일 뿐, 첨부된 도면에 의해 본 발명의 사상이 제한되는 것으로 해석되어서는 아니 됨을 유의해야 한다.

본 발명의 일 실시예에 따른 학습관리 시스템은 도 1에 도시된 바와 같이 학업성취도 산출모듈(100), 학습시간 측정모듈(200), 학업등급 산출모듈(300), 테스트 생성모듈(400), 빅데이터 저장모듈(500) 및 트레이닝 데이터 생성모듈(600)을 포함하도록 구성된다.

학업성취도 산출모듈(100)은 학생의 학업성취도 테스트 내역에 기초하여 학업성취도를 산출하는 기능을 수행하는데, 특히 학업성취도 산출모듈(100)은 학생의 학업성취도 테스트 성적, 예를 들어 소속학원 및 주변학원을 고려한 상대평가점수를 고려하여 학업성취도를 산출한다.

또한, 학업성취도 산출모듈(100)은 상술한 학생의 학업성취도 테스트 성적 뿐만 아니라 학업성취도 테스트의 응시횟수도 함께 고려하여 학생의 학업성취도를 산출하는 것이 바람직하다.

한편, 상술한 테스트는 학생들이 작성한 복수의 오답노트에 기재된 문제에 기초하여 구성될 수 있는데, 이러한 역할을 상술한 테스트 생성모듈(400)이 수행한다.

구체적으로 테스트 생성모듈(400)은 복수의 학생의 오답노트가 저장되되, 산출된 학생의 학업등급 및 오답노트에 기재된 문제에 기초하여 테스트의 문제를 생성한다.

예를 들어, A학생의 학업등급이 B학생의 학업등급보다 높은 등급인 경우, B학생은 A학생의 오답노트에 포함된 문제들을 접하여 자신의 취약점을 파악할 수 있으며, 나아가 B학생의 실력이 향상되어 A학생의 학업등급으로 상향조정되더라도 A학생의 오답노트에 포함된 문제를 또 틀릴 가능성이 높기 때문에 B학생은 A학생의 오답노트를 꾸준히 참조하는 것이 바람직하다.

이러한 테스트 생성모듈(400)은 상술한 기능의 수행을 위하여 도 5에 도시된 바와 같이 오답노트 저장부(410), 문제 추출부(420), 문제 배열부(430) 및 보상부(440)를 포함하도록 구성된다.

오답노트 저장부(410)는 복수의 학생들이 작성한 오답노트들을 저장하는 기능을 수행하고, 문제 추출부(420)는 해당 학생의 학업등급을 고려하여 오답노트 저장부(410)에 기재된 문제들 중 해당 학생에 대한 맞춤형 문제들을 추출하는 기능을 수행한다.

문제 배열부(430)는 문제 추출부(420)에서 추출한 문제들을 랜덤하게 배열하여 테스트를 생성하는 기능을 수행하며, 보상부(440)는 테스트를 구성하는 문제를 제공한 학생에게 미리 결정된 포인트 등을 부여하는 기능을 수행한다.

학습시간 측정모듈(200)은 학생의 근태를 파악하기 위한 기능을 수행하는데, 정확한 학업등급의 산출을 위해서는 학생의 실제 학습시간을 측정하는 것이 바람직하다.

이를 위하여 본 발명의 일 실시예에 따른 학습관리 시스템의 학습시간 측정모듈(200)은 공부시간 측정장치(700)에 의하여 학생의 실제 공부시간을 측정하도록 구성되며, 이에 대한 자세한 내용은 후술하도록 한다.

학업등급 산출모듈(300)은 학생의 학업성취도 및 실제 학습시간을 포함하는 제1 특징데이터에 기초하여 해당 학생의 학업등급을 산출하는 기능을 수행한다.

이러한 학업등급 산출모듈(300)은 입력인자인 학업성취도 및 학습시간과, 출력인자인 학업등급과의 상관관계에 기초하여 설정된 알고리즘을 이용하여 학생의 학업등급을 결정하며, 이때 학업성취도와 학습시간의 반영을 위한 각각의 가중치를 정교하게 결정하는 것이 중요하다.

이를 위하여 본 발명의 일 실시예에 따른 학업등급 산출모듈(300)에서 사용되는 알고리즘은 신경망 네트워크(10)로 구성된 딥러닝 알고리즘으로 구현되는 것이 바람직하다.

이러한 신경망 네트워크(10)는 도 2에 도시된 바와 같이 입력층(11), 은닉층(12) 및 출력층(13)을 포함하도록 구성된다.

입력층(11)은 상술한 제1 특징데이터, 즉 입력변수를 입력받는 기능을 수행하며, 은닉층(12)은 입력층(11)으로부터 제1 특징데이터를 전달받아 연산을 수행한다.

은닉층(12)은 복수 개의 층(Layer)로 구성되는 것이 바람직하며, 각 은닉층(12)은 도 2에 도시된 바와 같이 복수 개의 노드(Node)를 포함한다.

각 노드에는 해당 노드로 전달되는 입력인자 및 해당 노드에서 출력되는 출력인자 간의 상관관계인 선형 또는 비선형 함수가 정의되고, 상기 함수는 가중치(Weight) 및 바이어스(Bias)를 포함하도록 구성된다.

예를 들어, 해당 노드에서의 입력인자를 x라 정의하고, 해당 노드에서의 출력인자를 y라 정의할 때, 해당 노드에서 정의된 함수는 "y=w*x+b"로 정의될 수 있으며, 여기에서 w는 가중치(weight)를 의미하고, b는 바이어스(bias)를 의미한다.

이러한 딥러닝 알고리즘의 경우 머신러닝(Machine Learning)을 통하여 최적의 가중치 및 바이어스를 생성하고, 이를 활용하여 정확한 학업등급을 산출할 수 있게 된다.

출력층(13)은 은닉층의 연산 결과에 기초하여 학생의 학업등급을 최종적으로 결정하는 기능을 수행한다.

한편, 본 발명의 일 실시예에 따른 학습관리 시스템에서의 빅데이터 저장모듈(500)은 복수의 학생들의 학업성취도 테스트 응시횟수, 학업성취도 테스트 성적, 학습시간 및 실제 입시성적을 포함하는 빅데이터를 저장하는 기능을 수행한다..

즉, 상술한 신경망 네트워크(10)에 포함된 각 노드의 가중치 및 바이어스는 빅데이터 저장모듈(500)에 저장된 빅데이터를 트레이닝 데이터(Traing Data)로 활용하여 신경망 네트워크(10) 상에서 수행되는 머신러닝을 통하여 결정된다.

한편, 머신러닝에서 필요한 것은 무엇보다도 많은 데이터를 이용하여 학습을 수행하는 것이이며, 데이터를 확보하기 위해서는 수많은 데이터들 중에서 학습에 적합한 데이터를 선정하고 이를 학습의 결과값과 연결시키는 것이 필요하다.

딥러닝은 이러한 학습에 기반한 기술이며, 수많은 데이터에 기반한 지도 학습 방식으로 컨볼루셔널 신경망(CNN, Convolutional Neural Network)이나 재귀신경망(RNN, Reccurrent Neural Network) 등이 있다.

그러나 상술한 지도학습 방식의 경우 수많은 정답에 대한 정보 데이터를 필요로 하기 때문에 적용이 쉽지 않으므로, 빅데이터 저장모듈(500) 내에 신경망 네트워크(10)의 학습을 위한 데이터가 충분히 트레이닝 데이터가 구비되어 있지 않을 경우에 머신러닝이 제대로 수행되지 않아 정교한 가중치 및 바이어스의 산출이 어려울 수 있다는 문제점이 있다.

따라서 레이블링 데이터 없이 진행하는 비지도 학습 기술에 대한 관심이 증가하고 있으며, 상술한 문제점을 극복하기 위하여 본 발명의 일 실시예에 따른 학습관리 시스템에서는 정답에 대한 정보를 제공하지 않으면서 진짜 같은 데이터를 생성하는 기술인 생성적 대립 네트워크(Generative Adversarial Network: GAN)를 이용한 학습을 통하여 학업성취도 산출 및 클래스를 결정할 수 있다.

이러한 생성적 대립 네트워크의 경우 데이터를 생성하여 진짜 데이터와 구별할 수 없게 만들기 위해서는 데이터를 모조품으로 만들어야 하는 역할(생성기)과 이 데이터가 모조품인지 아닌지를 구별하는 역할(판별기)가 주어져야 한다.

이러한 생성적 대립 네트워크에 대하여 좀 더 구체적으로 살펴보면, 도 3에 도시된 바와 같이 생성기(Generator)(1), 데이터베이스(DB)(2) 및 판별기(Discriminator)(3)로 구성되어 있으며, 구체적으로 생성기(1) 및 판별기(2)는 신경망으로 구성된 네트워크이다.

판별기(3)는 데이터베이스(2) 또는 생성기(1)로부터 데이터를 입력받으며, 이들 데이터 중에서 데이터베이스(2)에서 제공하는 데이터(data_real)와 생성기(10)로부터 제공된 데이터(data_fake)를 판별하도록 학습한다.

반면, 생성기(1)는 판별기(3)에게 제공하는 데이터(data_fake)가 data_real로 판별되도록 학습하며, 즉 판별기(3)가 data_fake를 data_real로 판단하도록 생성기(1)가 학습한다.

두 개의 신경망 학습기(판별기와 생성기)의 학습 방향을 정리해보면, 판별기(3)는 실제 데이터와 생성기(1)에 의해 생성된 데이터를 구분하도록 학습하고, 생성기(1)는 판별기(3)가 구분할 수 없는 데이터를 생성하도록 학습한다.

상기와 같이 반복된 학습에 의하여 생성기(1)는 데이터베이스(2)에 저장된 실제 데이터에 유사한 데이터들을 생성할 수 있고, 이로 인하여 판별기는 생성기(1)가 생성한 다량의 학습 데이터(Training Data)를 확보할 수 있으므로 정교한 결과물의 산출이 가능하게 된다.

본 발명의 일 실시예에 따른 학습관리 시스템에서는 상술한 가중치 및 바이어스를 결정하기 위한 트레이닝 데이터를 생성하는 트레이닝 데이터 생성모듈(600)을 더 포함할 수 있으며, 이러한 트레이닝 데이터 생성모듈(600)은 생성적 대립 네트워크가 적용되는데 이에 대하여 도 4를 참조하여 좀 더 상세히 설명하도록 한다.

트레이닝 데이터 생성모듈(600)은 도 4에 도시된 바와 같이 생성부(620)에는 랜덤한 노이즈 데이터(Input_Z)가 입력되는데, 좀 더 신속하고 빠른 강화학습의 수행을 위하여 초기에는 노이즈 데이터(Input_Z)와 빅데이터 저장모듈(500)에 저장된 종래의 제1 특징데이터(Real_Data)를 조합하여 생성부(620)에 입력할 수 있으며, 이를 통하여 생성부(620)는 다변화된 다수의 특징데이터인 제2 특징데이터를 생성할 수 있다.

판별부(610)는 상술한 신경망 네트워크(10)일 수 있으며, 입력된 제1 특징데이터(Real_Data) 및 제2 특징데이터(Fake_Data)를 전달받고 이들에 대한 진위를 판단하여 Fake/Real의 결과를 산출하게 되며, 이 결과는 생성부(620)에 제공되어 생성부(620)가 학습할 수 있도록 한다.

즉, 생성부(620)는 판별부(610)의 진위 판단에 기초하여 판별부(610)가 진짜 데이터로 판별하도록 신경망을 개선하며, 결국 생성부(620)의 학습이 지속될수록 생성부(620)는 판별부(610)가 진짜 데이터라고 판별하도록 신경망을 개선하게 되는 것이다.

상기 내용을 정리해보면 판별부(610)는 제1 특징데이터 및 제2 특징데이터를 구분할 수 있도록 학습되고, 생성부(620)은 판별부(610)이 제1 특징데이터 및 제2 특징데이터를 구분할 수 없도록 학습되어 제2 특징데이터를 생성하게 된다.

상기와 같은 과정을 통하여 판별부(610)는 학업성취도 산출 및 클래스 결정을 좀 더 정확하게 수행할 수 있게 되며, 판별부(610)와 생성부(620)의 생성적 대립 네트워크를 이용한 강화학습을 통하여 판별부(610)의 충분한 학습이 완료된 이후에는 생성부(620)를 제거할 수 있다.

한편, 상술한 바와 같이 학생의 학업등급을 산출함에 있어서 학생의 실제 학습시간을 측정하여야 하는데, 학생의 실질적인 공부시간의 측정을 위한 공부시간 측정장치(700)를 구비할 수 있다.

이러한 공부시간 측정장치(700)는 도 6에 도시된 바와 같이 이송레일(720), 안착부재(730) 및 단말기(740)를 포함하도록 구성된다.

이송레일(720)은 학생이 사용하는 책상(710) 일측에 형성되는 구성이며, 안착부재(730)는 이송레일(720) 상에서 좌우 방향으로 이동할 수 있고, 나아가 상하 방향으로 회동할 수 있도록 형성되는 것이 바람직하다.

단말기(740)는 학생 개인별 아이디가 저장된 개인관리용 단말기로 디스플레이, 카메라 및 안착센서를 포함하도록 구성된다.

특히 안착부재(730)는 단말기(740)를 안착시키기 위한 안착부가 마련되며, 나아가 안착부재(730)를 이송레일(720)을 따라 좌우 방향으로 이동시키는 제1 구동유닛과, 안착부재(730)를 상하로 회동시키는 제2 구동유닛을 포함한다.

상술한 공부시간 측정장치의 구체적인 동작을 설명해보면, 먼저 학생이 자신의 단말기(740)를 안착부재(730)의 안착부에 안착시키면, 단말기(740) 하부의 안착센서에 의하여 상기 단말기(740)의 안착여부가 확인되며, 이로 인하여 단말기(740)는 해당 학생의 학습시간을 카운팅하기 시작한다.

이후, 단말기(740)의 카메라는 해당 학생 방향의 영상을 지속적으로 검출하며, 해당 학생의 눈의 영상을 획득할 수 있도록 상기 안착부재(730)와 통신을 수행하여 상기 안착부재(730)의 이동 및 회전을 제어한다.

결국 단말기(740)가 카메라의 획득 영상에 기초하여 안착부재(730)의 제1 구동유닛 및 제2 구동유닛을 제어하는데, 단말기(740)의 카메라가 해당 학생의 눈 영상을 최초 검출하게 되면, 이후 단말기(740)의 카메라가 해당 학생의 눈을 지속적으로 추적하고, 추적에 기초하여 제1 구동유닛 및 제2 구동유닛을 지속적으로 제어하게 된다.

한편, 단말기(740)에 의한 제1 구동유닛 및 제2 구동유닛의 구동에도 불구하고 단말기(740)의 카메라가 해당 학생의 눈을 검출하지 못하는 경우, 해당 학생이 책상을 벗어났거나 책상 근처에 있지만 공부를 하고 있지 않은 것으로 판단하여 단말기(740)는 학습시간의 카운팅을 정지한다.

아울러, 단말기(740)의 카메라는 대상 학생의 눈의 깜빡임 및 시선 상태를 추적하고, 학생의 눈의 깜빡임이 미리 설정된 시간 이상 지속되지 못할 경우 졸음 상태인 것으로 판단하여 학습시간의 카운팅을 정지한다.

또한, 학생의 시선이 미리 설정된 시간을 초과하여 미리 설정된 스터디 에어리어(Study Area)를 벗어난 경우에도 단말기(740)는 학습시간의 카운팅을 정지한다.

예를 들면 학생이 시선이 칠판을 향하거나 또는 책상 위를 향할 경우에는 학습시간의 카운팅을 계속 진행하지만, 학생의 시선이 칠판 및 책상 위가 아닌 다른 영역을 향하는 경우에는 학생이 공부를 하고 있지 않다고 판단하여 학습시간의 카운팅을 정지할 수 있다.

본 명세서에서 설명되는 실시예와 첨부된 도면은 본 발명에 포함되는 기술적 사상의 일부를 예시적으로 설명하는 것에 불과하다. 따라서 본 명세서에 개시된 실시예들은 본 발명의 기술적 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이므로, 이러한 실시예에 의하여 본 발명의 기술 사상의 범위가 한정되는 것이 아님은 자명하다. 본 발명의 명세서 및 도면에 포함된 기술적 사상의 범위 내에서 당해 기술분야에 있어서의 통상의 지식을 가진 자가 용이하게 유추할 수 있는 변형 예와 구체적인 실시예는 모두 본 발명의 권리범위에 포함되는 것으로 해석되어야 할 것이다.

100: 학업성취도 산출모듈 200: 학습시간 측정모듈
300: 학업등급 산출모듈 400: 테스트 생성모듈
500: 빅데이터 저장모듈 600: 트레이닝 데이터 생성모듈
700: 공부시간 측정장치

Claims

학생의 학업성취도 테스트 내역에 기초하여 학업성취도를 산출하는 학업성취도 산출모듈;
상기 학생의 실제 학습시간을 측정하는 학습시간 측정모듈; 및
상기 학생의 학업성취도 및 학습시간을 포함하는 제1 특징데이터에 기초하여 상기 학생의 학업등급을 산출하는 학업등급 산출모듈;
을 포함하고,
상기 학업성취도 산출모듈은 상기 학생의 학업성취도 테스트 응시횟수 및 상기 학업성취도 테스트 성적에 기초하여 상기 학업성취도를 산출하고,
상기 학업등급 산출모듈은 상기 학업성취도 및 학습시간과, 상기 학업등급과의 상관관계에 기초하여 설정된 알고리즘을 이용하여 상기 학생의 학업등급을 결정하는 학습관리 시스템.
청구항 1에 있어서,
복수의 학생의 오답노트가 저장되되, 상기 학업등급 및 상기 오답노트에 기재된 문제에 기초하여 상기 테스트의 문제를 생성하는 테스트 생성모듈;을 더 포함하고, 상기 테스트 생성모듈은,
복수의 학생들이 작성한 오답노트들이 저장된 오답노트 저장부;
상기 학업등급을 고려하여 상기 오답노트 저장부에 기재된 문제들 중 해당 학생에 대한 맞춤형 문제들을 추출하는 문제 추출부;
상기 문제 추출부에서 추출한 문제들을 랜덤하게 배열하여 테스트를 생성하는 문제 배열부; 및
상기 테스트를 구성하는 문제를 제공한 학생에게 미리 결정된 포인트를 부여하는 보상부;
를 포함하는 학습관리 시스템.
청구항 1에 있어서,
상기 알고리즘은 신경망 네트워크로 구성된 딥러닝 알고리즘으로 구현되되, 상기 신경망 네트워크는,
상기 제1 특징데이터를 입력받는 입력층;
상기 입력층으로부터 상기 제1 특징데이터를 전달받되, 복수 개의 노드를 포함하도록 구성된 적어도 하나의 개의 은닉층; 및
상기 은닉층의 연산 결과에 기초하여 상기 학생의 학업등급을 결정하는 출력층;
을 포함하고,
상기 노드에는 상기 노드로 전달되는 입력인자 및 상기 노드에서 출력되는 출력인자 간의 상관관계인 함수가 정의되고, 상기 함수는 가중치 및 바이어스를 포함하는 학습관리 시스템.
청구항 3에 있어서,
복수의 학생들의 학업성취도 테스트 응시횟수, 학업성취도 테스트 성적, 학습시간 및 실제 입시성적을 포함하는 빅데이터가 저장된 빅데이터 저장모듈;을 더 포함하고,
상기 가중치 및 바이어스는 상기 빅데이터 저장모듈에 저장된 빅데이터를 트레이닝 데이터로 활용하여 신경망 네트워크 상에서 수행되는 머신러닝을 통하여 결정되는 학습관리 시스템..
청구항 1에 있어서,
상기 학습시간 측정모듈은 공부시간 측정장치에 의하여 상기 학생의 실제 공부시간을 측정하되, 상기 공부시간 측정장치는,
상기 학생이 사용하는 책상의 일측에 형성되는 이송레일;
상기 이송레일을 따라 좌우 방향으로 이동하도록 형성되되, 상기 이송레일 기준으로 상하로 회동 가능하도록 형성되는 안착부재; 및
상기 안착부재에 안착되도록 형성되고, 안착센서 및 카메라를 구비하는 단말기;
를 포함하고,
상기 안착부재는 상기 상기 단말기를 안착시키는 안착부와, 상기 안착부재를 상기 이송레일을 따라 이동시키는 제1 구동유닛과, 상기 안착부재를 상하로 회동시키는 제2 구동유닛을 포함하고,
상기 단말기를 상기 안착부에 안착시키는 경우 상기 단말기는 상기 학생의 학습시간의 카운팅을 시작하는 학습관리 시스템.
청구항 5에 있어서,
상기 안착부는 상기 카메라가 상기 학생의 눈을 검출할 수 있도록 상기 제1 구동유닛 및 제2 구동유닛을 구동시키고,
상기 제1 구동유닛 및 제2 구동유닛의 구동에도 불구하고 상기 카메라가 상기 학생의 눈을 검출하지 못하는 경우 상기 단말기는 상기 학습시간의 카운팅을 정지하는 학습관리 시스템.