KR20210050377A - 개인 맞춤형 학습 시스템 - Google Patents

개인 맞춤형 학습 시스템 Download PDF

Info

Publication number
KR20210050377A
KR20210050377A KR1020190134897A KR20190134897A KR20210050377A KR 20210050377 A KR20210050377 A KR 20210050377A KR 1020190134897 A KR1020190134897 A KR 1020190134897A KR 20190134897 A KR20190134897 A KR 20190134897A KR 20210050377 A KR20210050377 A KR 20210050377A
Authority
KR
South Korea
Prior art keywords
user
learning
learning system
knowledge
personalized
Prior art date
Application number
KR1020190134897A
Other languages
English (en)
Inventor
장동하
윤미영
문지홍
Original Assignee
주식회사 교원크리에이티브
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 주식회사 교원크리에이티브 filed Critical 주식회사 교원크리에이티브
Priority to KR1020190134897A priority Critical patent/KR20210050377A/ko
Publication of KR20210050377A publication Critical patent/KR20210050377A/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/20—Education
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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)
  • Theoretical Computer Science (AREA)
  • Tourism & Hospitality (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Health & Medical Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Software Systems (AREA)
  • Educational Administration (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Educational Technology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Electrically Operated Instructional Devices (AREA)

Abstract

본 발명은 사용자의 지식 개념 완성을 고려하여 재학습 및 반복학습이 가능하며, 사용자의 지식수준뿐만 아니라 사용자의 감성정보를 활용하여 사용자에게 적합한 학습을 수행할 수 있게 하는 개인 맞춤형 학습 시스템을 제공하기 위하여, 사용자에게 소지된 교육유닛을 통해 상기 사용자를 분석하며, 상기 교육유닛으로 콘텐츠를 제공하는 서비스 제공부를 포함하고, 상기 콘텐츠는 상기 사용자의 학습을 위한 학습 정보 및 상기 사용자의 상태에 따라 상기 사용자와 질의응답을 수행하는 인공지능 튜터 서비스 중 적어도 어느 하나를 포함한다. 이에, 사용자의 지식 개념을 완성하면서도 사용자의 지식수준과 감성정보를 기반으로 맞춤형 학습을 진행하여 사용자의 학습효율을 만족하고 사용자의 감정 및 기분을 고려한 학습으로 인해 사용자가 포기하지 않고 학습을 꾸준하게 수행할 수 있도록 하는 효과가 있다.

Description

개인 맞춤형 학습 시스템{Personalized learning system}
본 발명은 개인 맞춤형 학습 시스템에 관한 것으로, 보다 상세하게는 인공지능을 기반으로 하는 개인 맞춤형 학습 시스템에 관한 것이다.
최근 들어, 인공지능 기술에 발전에 따라 인공지능 기술을 활용한 다양한 응용기술들이 개발되고 있다. 특히, 인공지능 기술을 기반으로 학습을 수행하는 다양한 응용기술들이 개발 및 출시되고 있다.
인공지능을 기반으로 하는 종래의 학습 시스템은 이미 "대한민국 공개특허공보 제2019-0082645호(실시간 호출을 위한 인공지능 시스템 및 그 처리 방법, 2019.07.10.)"에 의해 공개되어 있다. 상기 공개특허는 인공지능 시스템을 기반으로 실시간 학습 및 호출을 수행하는 것을 특징으로 한다.
다만, 종래의 학습 시스템의 경우에, 인공지능을 기반으로 한 학습 진단을 통해 사용자의 지식수준을 추론하고, 지식수준에 따른 난이도로 학습을 진행하게 된다. 그러나 종래의 학습 시스템은 사용자의 지식 개념 완성을 고려하지 않은 채 학습이 이루어지도록 하여, 학습 효율이 떨어지는 문제점이 있었다.
또한, 종래의 학습 시스템은 사용자의 감정 및 기분 등과 같은 감성정보를 배제한 상태에서 학습이 수행된다. 따라서 종래의 학습 시스템은 사용자의 학습효율을 만족하기 어려운 문제점이 있었다.
대한민국 공개특허공보 제2019-0082645호(실시간 호출을 위한 인공지능 시스템 및 그 처리 방법, 2019.07.10.)
본 발명의 목적은 사용자의 지식 개념 완성을 고려하여 재학습 및 반복학습이 가능한 개인 맞춤형 학습형 학습 시스템을 제공하기 위한 것이다.
또한, 본 발명의 다른 목적은 사용자의 지식수준뿐만 아니라 사용자의 감성정보를 활용하여 사용자에게 적합한 학습을 수행할 수 있게 하는 개인 맞춤형 학습 시스템을 제공하기 위한 것이다.
본 발명에 따른 개인 맞춤형 학습 시스템은 사용자에게 소지된 교육유닛을 통해 상기 사용자를 분석하며, 상기 교육유닛으로 콘텐츠를 제공하는 서비스 제공부를 포함하고, 상기 콘텐츠는 상기 사용자의 학습을 위한 학습 정보 및 상기 사용자의 상태에 따라 상기 사용자와 질의응답을 수행하는 인공지능 튜터 서비스 중 적어도 어느 하나를 포함한다.
상기 학습 정보는 상기 사용자의 문제풀이 결과를 기반으로 상기 사용자의 지식 숙련도를 추론하여 상기 사용자에게 취약 개념을 포함한 문제를 제공할 수 있는 학습 콘텐츠와, 상기 사용자의 오답에 따라 상기 사용자의 취약 개념을 인지하고 상기 사용자에게 상기 취약 개념을 포함하고 있는 유사문제를 재학습시킬 수 있는 재학습 콘텐츠와, 상기 취약 개념을 기설정된 주기로 상기 교육유닛으로 제공하여 상기 사용자가 상기 취약 개념을 반복학습하도록 하는 반복학습 콘텐츠 중 적어도 어느 하나를 포함할 수 있다.
상기 학습 콘텐츠의 제공에서 상기 서비스 제공부는 상기 사용자로부터 취득된 학습 파라미터에 따라 상기 사용자의 지식 숙련도를 추론하여 상기 사용자에게 제공되는 문제의 난이도 및 학습경로 중 어느 하나를 조절하고, 상기 학습 파라미터는 상기 사용자의 초기지식, 지식획득, 추측 및 실수 중 적어도 어느 하나의 파라미터를 포함할 수 있다.
상기 서비스 제공부는 상기 지식 숙련도의 추론에서 베이지안 지식 트레이싱(BKT: Bayesian Knowledge Tracing) 알고리즘을 적용할 수 있다.
상기 재학습 콘텐츠의 제공에서 상기 서비스 제공부는 상기 사용자의 오답을 기반으로 상기 오답 속성을 포함하고 있는 유사문제를 추출하여 상기 사용자가 상기 유사문제의 풀이를 통해 재학습이 이루어지도록 하며, 상기 오답 속성은 계산, 이해, 응용, 독해 및 표현 중 적어도 어느 하나의 속성을 포함할 수 있다.
상기 재학습 콘텐츠의 제공에서 상기 서비스 제공부는 상기 오답의 개념 및 유형이 포함된 통합문제를 상기 교육유닛으로 제공하며, 상기 통합문제의 개수는 상기 오답의 개수와 동일하거나 적을 수 있다.
상기 재학습 콘텐츠의 제공에서 상기 서비스 제공부는 베이지안 네트워크(Bayesian Network)를 적용하여 상기 사용자의 취약 상태를 파악하고, 상기 사용자에게 우선학습이 필요한 학습경로를 파악하여 상기 학습경로를 상기 교육유닛으로 제공할 수 있다.
상기 반복학습 콘텐츠의 제공에서 상기 서비스 제공부는 망각이론을 기반으로 상기 사용자에게 반복학습이 이루어지도록 하여 상기 사용자의 기억을 장기 기억으로 전환시킬 수 있다.
상기 망각이론의 적용에서 상기 서비스 제공부는 상기 사용자의 망각곡선을 구축하고 상기 망각곡선에 따라 반복학습 주기를 설정할 수 있다.
상기 망각이론의 적용에서 상기 서비스 제공부는 다수의 상기 사용자의 학습성과에 따라 상기 다수의 사용자를 구분하고, 반감귀 회귀(Half-Life Regression) 알고리즘을 통해 상기 다수의 사용자 및 개인 사용자의 망각곡선을 예측 및 검증하여 상기 사용자 개인의 반복학습 주기를 산출할 수 있다.
상기 인공지능 튜터 서비스는 상기 교육유닛에 출력되며 상기 사용자와 음성 및 문자 중 적어도 어느 하나를 통해 상기 질의응답을 수행하며, 상기 학습정보의 제공에서 출력 가능할 수 있다.
상기 인공지능 튜터 서비스는 온톨로지 및/또는 문서 검색 기반 데이터 처리에 따라 상기 사용자와 상기 질의응답을 수행하게 하는 지식영역과, 상기 사용자로부터 취득된 감성정보에 따라 상기 사용자와 상기 질의응답을 수행하며 상기 학습정보를 조절하게 하는 감성영역을 포함하고, 상기 감성정보는 상기 교육유닛을 통해 제공되는 상기 사용자의 답변상태, 음성상태, 필기상태 및 학습 태도상태 중 적어도 어느 하나를 포함할 수 있다.
본 발명에 따른 개인 맞춤형 학습 시스템은 학습, 재학습 및 반복학습이 이루어지도록 하여 사용자의 지식 개념을 완성하면서도 사용자의 지식수준과 감성정보를 기반으로 맞춤형 학습을 진행하여 사용자의 학습효율을 만족시킬 수 있는 효과가 있다.
또한, 본 발명에 따른 개인 맞춤형 학습 시스템은 사용자의 감정 및 기분을 고려한 학습으로 인해 사용자가 포기하지 않고 학습을 꾸준하게 수행할 수 있도록 하는 효과가 있다.
이상과 같은 본 발명의 기술적 효과는 이상에서 언급한 효과로 제한되지 않으며, 언급되지 않은 또 다른 기술적 효과들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.
도 1 및 도 2는 본 실시예에 따른 개인 맞춤형 학습 시스템을 나타낸 도면이고,
도 3은 본 실시예에 따른 개인 맞춤형 학습 시스템의 사용을 나타낸 도면이고,
도 4는 본 실시예에 따른 개인 맞춤형 학습 시스템에서 학습진단을 수행하는 방법을 나타낸 도면이고,
도 5는 본 실시예에 따른 개인 맞춤형 학습 시스템에서 베이지안 지식 트레이싱의 적용을 나타낸 도면이고,
도 6 및 도 7은 본 실시예에 따른 개인 맞춤형 학습 시스템의 재학습 방법을 나타낸 도면이고,
도 8 및 도 9는 본 실시예에 따른 개인 맞춤형 학습 시스템의 재학습에서 문제 추천 방법을 나타낸 도면이고,
도 10은 본 실시예에 따른 개인 맞춤형 학습 시스템의 재학습에서 취약분석 방법을 나타낸 도면이고,
도 11은 본 실시예에 따른 개인 맞춤형 학습 시스템의 반복학습 서비스를 나타낸 도면이고,
도 12는 본 실시예에 따른 개인 맞춤형 학습 시스템의 행렬 관리를 나타낸 도면이고,
도 13 및 도 14는 본 실시예에 따른 개인 맞춤형 학습 시스템의 반복학습 방법을 나타낸 도면이고,
도 15는 본 실시예에 따른 개인 맞춤형 학습 시스템의 인공지능 튜터를 나타낸 도면이고,
도 16은 본 실시예에 따른 개인 맞춤형 학습 시스템에서 인공지능 튜터의 온톨로지 데이터 처리를 나타낸 도면이고,
도 17은 본 실시예에 따른 개인 맞춤형 학습 시스템에서 인공지능 튜터의 문서 검색 데이터 처리를 나타낸 도면이다.
이하 첨부된 도면을 참조하여 본 발명의 실시예를 상세히 설명한다. 그러나 본 실시예는 이하에서 개시되는 실시예에 한정되는 것이 아니라 서로 다양한 형태로 구현될 수 있으며, 단지 본 실시예는 본 발명의 개시가 완전하도록 하며, 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이다. 도면에서의 요소의 형상 등은 보다 명확한 설명을 위하여 과장되게 표현된 부분이 있을 수 있으며, 도면 상에서 동일 부호로 표시된 요소는 동일 요소를 의미한다.
도 1 및 도 2는 본 실시예에 따른 개인 맞춤형 학습 시스템을 나타낸 도면이다.
도 1 및 도 2에 도시된 바와 같이, 본 실시예에 따른 개인 맞춤형 학습 시스템(1000, 이하, 학습 시스템이라 칭한다.)은 교육유닛(10)으로 학습 정보를 제공하는 서비스 제공부(100)를 포함할 수 있다.
이에, 사용자는 서비스 제공부(100)에 연동된 교육유닛(10)을 통해 학습을 진행한다. 여기서, 교육유닛(10)은 컴퓨터, 태블릿 및 스마트폰 등으로 마련될 수 있으나, 교육유닛(10)의 종류는 한정하지 않는다. 또한, 사용자는 교육유닛(10)에 마련된 애플리케이션(Application)을 통해 학습 정보를 제공받으며 학습, 재학습 및 반복학습을 수행할 수 있으나, 이는 본 실시예를 설명하기 위한 것으로 학습 정보의 제공 방법은 변경될 수 있음을 밝혀둔다.
한편, 서비스 제공부(100)는 데이터베이스(110) 및 인공지능 처리부(120)를 포함할 수 있다. 다만, 본 실시예에서는 데이터베이스(110)와 인공지능 처리부(120)를 구분하여 설명하나, 데이터베이스(110)와 인공지능 처리부(120)는 하나의 구성으로 마련될 수 있다.
여기서, 데이터베이스(110)에는 학습 정보에 대한 다양한 데이터가 저장될 수 있다. 그리고 인공지능 처리부(120)는 사용자 개인의 지식 숙련도 및 감정정보 등에 따라 적합한 학습 콘텐츠를 교유유닛(10)으로 제공한다.
도 3은 본 실시예에 따른 개인 맞춤형 학습 시스템의 사용을 나타낸 도면이다.
도 3에 도시된 바와 같이, 본 실시예에 따른 학습 시스템(1000)은 사용자에게 학습(S100), 재학습(S200) 및 반복학습(S300)이 이루어지도록 한다.
먼저, 사용자는 애플리케이션을 통해 교육유닛(10)과 서비스 제공부(100)를 연동시키고, 학습(S100)을 진행하게 된다. 이때, 교육유닛(10)을 통해 이루어지는 학습은 수학 문제풀이일 수 있으나, 이는 본 실시예를 설명하기 위한 것으로 학습의 종류는 한정하지 않는다.
그리고 사용자가 교육유닛(10)과 서비스 제공부(100)를 연동시킴에 따라 인공지능 처리부(120)는 학습 데이터베이스(111)에 저장된 교육정보를 교육유닛(10)으로 제공한다. 이에, 사용자는 교육유닛(10)을 통해 문제풀이를 진행하게 된다. 그리고 인공지능 처리부(120)는 사용자에게 학습(S100)이 이루어지도록 하는 동시에 문제풀이를 기반으로 사용자 개인의 취약부분을 진단 및 예측하고, 결과 값을 기반으로 사용자에게 적합한 학습경로를 제공한다.
도 4는 본 실시예에 따른 개인 맞춤형 학습 시스템에서 학습진단을 수행하는 방법을 나타낸 도면이고, 도 5는 본 실시예에 따른 개인 맞춤형 학습 시스템에서 베이지안 지식 트레이싱의 적용을 나타낸 도면이다.
도 4 및 도 5에 개시된 바와 같이, 본 실시예에 따른 학습(S100)에서는 사용자의 문제풀이 결과를 기반으로 학습진단(S110)을 수행하며, 사용자의 취약 문제를 진단 및 예측하여 학습경로(S120)를 추천한다.
여기서, 학습 시스템(1000)은 문제풀이 데이터를 수집 및 전처리한다(S111). 이때, 학습 시스템(1000)은 사용자의 문제풀이 결과의 풀이 시간을 순서로 정렬하고, 정답 및 오답에 대한 문제풀이 데이터를 생성 및 변환한다. 여기서, 지식개념 연관 문제는 사용자의 지식 숙련도를 나타낼 수 있는 문제를 의미한다.
이후, 학습 시스템(1000)은 파라미터를 학습한다(S112). 여기서, 인공지능 처리부(120)는 사용자의 초기 지식, 지식 획득, 추측 및 실수 등의 파라미터를 학습할 수 있다. 이때, 인공지능 처리부(120)는 베이지안 지식 트레이싱(BKT: Bayesian Knowledge Tracing) 알고리즘을 적용한다(도 5참조). 베이지안 지식 트레이싱은 사용자가 지식을 습득할 수 있도록 모델링하는 알고리즘의 일종이다.
인공지능 처리부(120)에서 학습되는 파라미터는 초기지식, 지식획득, 추측 및 실수일 수 있다. 초기 지식은 문제 풀이 전에 사용자가 보유하고 있는 초기 지식을 의미하고, 지식획득은 문제풀이를 통해 사용자가 얻어지는 지식을 의미한다. 그리고 추측은 사용자가 해당 지식을 보유하지 않고 해당 문제풀이의 정답을 추측할 확률을 의미하고, 실수는 사용자가 해당 지식을 보유한 상태에서 실수한 확률을 의미한다.
그리고 인공지능 처리부(120)는 파라미터 학습이 완료되면 베이지안 지식 트레이싱을 기반으로 사용자의 지식 숙련도를 추론한다(S113). 즉, 인공지능 처리부(120)는 문제풀이 데이터에 학습된 파라미터를 적용하여 사용자가 보유하고 있는 지식 숙련도를 추론한다.
이후, 학습 시스템(1000)은 문제풀이 데이터를 기반으로 문제 난이도를 보정한다(S114). 이때, 인공지능 처리부(120)는 문제풀이 데이터의 난이도 분포를 연산하고 사용자의 지식 숙련도를 결정한다. 즉, 인공지능 처리부(120)는 베이지안 지식 트레이싱을 통해 사용자의 현재 지식 수준을 파악하고, 사용자의 지식 숙련도를 결정한다(도 4).
이후, 학습 시스템(1000)은 결정된 지식 숙련도에 레벨을 결정한다(S115). 이때, 학습 시스템(1000)은 지식 숙련도에 따라 마스터 레벨, 최약 저레벨 및 취약 고레벨 등과 같이 3단계로 레벨을 분류할 수 있다. 다만, 이는 본 실시예를 설명하기 위한 것으로 지식 숙련도를 통한 레벨 결정은 3단계 이하 또는 3단계 이상으로 구분될 수 있다.
그리고 학습 시스템(1000)은 교육유닛(10)을 통해 취약 문제를 가지고 있는 학습 경로를 추천할 수 있다(S120). 여기서, 학습 시스템(1000)은 학습경로 및 학습 성과를 디스플레이하여 사용자에게 인지시킬 수 있다. 그리고 해당 학습 경로가 학습되도록 할 수 있다(도 4b 및 도 4c참조).
다시 도 3을 참조하면, 학습 시스템(1000)은 사용자에게 적합한 문제를 추천하여, 사용자가 취약한 문제를 재학습(S200)하도록 할 수 있다. 이에, 학습 시스템(1000)은 개인 진단 기반 문제 및 취약 문제의 재학습(S200)을 추천하여 학습 성취도 성장을 도모할 수 있다.
도 6 및 도 7은 본 실시예에 따른 개인 맞춤형 학습 시스템의 재학습 방법을 나타낸 도면이고, 도 8 및 도 9는 본 실시예에 따른 개인 맞춤형 학습 시스템의 재학습에서 문제 추천 방법을 나타낸 도면이다. 그리고 도 10은 본 실시예에 따른 개인 맞춤형 학습 시스템의 재학습에서 취약분석 방법을 나타낸 도면이다.
도 6 내지 도 10에 도시된 바와 같이, 본 실시예에 따른 학습 시스템(1000)은 학습(S100) 이후에도 오답에 대한 유사 문제를 추천하여 사용자가 교육유닛(10)을 통해 재학습(S120)을 수행하도록 할 수 있다.
이때, 학습 시스템(1000)은 사전에 결정된 레벨(S115)을 통해 유사 문제를 추천할 수 있다. 여기서, 인공지능 처리부(1000)는 룰 기반으로 문제를 추천할 수 있다. 예컨대, 학습 시스템(1000)은 사전에 결정된 사용자의 레벨에 따른 문제를 재학습시킬 수 있고, 그 중 오답에 대한 유사문제를 추천할 수 있다. 여기서, 학습 시스템(1000)은 오답의 연관 속성에 따라 유사문제를 추천할 수 있다.
예컨대, 학습 시스템(1000)은 문제의 오답 속성을 계산, 이해, 응용, 독해 및 표현 등으로 구분할 수 있다(도 6참조). 그리고 인공지능 처리부(120)는 사용자의 문제풀이에서 발생된 오답이 어느 오답 속성을 갖는지 분석하고, 오답의 연관 속성에 연관된 유사문제를 사용자에게 추천하여 재학습(S200)이 이루어지도록 할 수 있다.
또한, 학습 시스템(1000)은 유사 문제의 추천에서 재학습 피로도를 고려하여 유사 문제를 추천할 수 있다(도 7참조).
이때, 학습 시스템(1000)은 사용자의 문제풀이를 취약 부분과 마스터 부분으로 구분하고 취약 개념을 진단한다. 이때, 취약 개념은 문제의 개념 및 유형 등의 개념으로 구분되며, 학습 시스템(1000)은 취약 개념 및 유형을 포괄하는 통합문제를 사용자에게 추천할 수 있다. 학습 시스템(1000)은 복수 개의 오답에서 취약 개념을 추출하고, 취약 개념을 포함하고 있는 통합문제, 즉 오답의 숫자보다 적은 수의 통합문제를 사용자에게 추천할 수 있다.
한편, 재학습(S200) 시의 문제 추천(S210)에서는 인공지능 처리부(120)가 문제 출제 범위를 우선 지정한다(S211). 이때, 인공지능 처리부(120)는 사용자가 교육유닛(10)을 통해 선택한 개념을 포함하는 범위를 고려한다.
그리고 학습 시스템(1000)은 추천 문제 풀(Pool)을 구성한다(S212). 이때, 인공지능 처리부(120)는 지식개념 연관 문제 전체를 쿼리한다. 즉, 학습 시스템(1000)은 연관 문제들을 추출하고 집단으로 생성한다.
이후, 학습 시스템(1000)은 사용자의 오답 문제를 파악한다(S213). 이때, 인공지능 처리부(120)는 유사도를 기준으로 리스트를 형성할 수 있다.
그리고 학습 시스템(1000)은 문제 출제의 우선순위를 선택적으로 적용할 수 있다(S214). 즉, 학습 시스템(1000)은 학습의 종류와 상황에 따라 우선순위를 적용하여, 이에 따른 문제를 사용자에게 재학습시킬 수 있다. 예컨대, 학습 시스템(1000)은 학습의 종류와 상황에 따라 사전에 결정된 레벨을 통해 유사 문제를 추천하거나, 재학습 피로도를 고려하여 유사 문제를 추천할 수 있다.
여기서, 학습 시스템(1000)은 최종 추천 문제 리스트를 교육유닛을 통해 사용자에게 제공한다(S215). 이때, 인공지능 처리부(120)는 학습 종류에 따라 출제 문제 수를 조절할 수 있다.
한편, 상술된 재학습(S200)의 추천에서 학습 시스템(1000)은 문제 추천 알고리즘을 적용하여, 사용자의 지식 숙련도를 추론하며 문제를 추천할 수 있다.
예컨대, 학습 시스템(1000)은 복수 개의 문제가 상호 유사할 확률을 파악한다. 예컨대, 문제a, 문제b 및 문제c가 존재한다면, 인공지능 처리부(120)는 문제a를 기준으로 문제b가 유사할 확률과, 문제b를 기준으로 문제가 a가 유사할 확률을 구한다. 그리고 인공지능 처리부(120)는 문제a를 기준으로 문제c가 유사할 확률과, 문제b를 기준으로 문제a가 유사할 확률을 구한다. 마찬가지로 인공지능 처리부(120)는 문제c를 기준으로 문제b가 유사할 확률과, 문제b를 기준으로 문제c가 유사할 확률을 구한다. 이후, 문제b에 오답이 발생될 경우 학습 시스템(1000)은 알고리즘에 따라 문제a 또는 문제c를 추천할 수 있다. 이때, 인공지능 처리부(120)는 문제b 기준으로 문제a가 유사할 확률이 문제b를 기준으로 문제c가 유사할 확률보다 클 경우에 문제a를 추천한다. 마찬가지로 인공지능 처리부(120)는 문제b 기준으로 문제c가 유사할 확률이 문제b를 기준으로 문제a가 유사할 확률보다 클 경우에 문제c를 추천한다.
한편, 상술한 문제 추천 알고리즘에서는 다음과 같은 방법으로 문제를 추천할 수 있다.
Figure pat00001
수학식 1에서
Figure pat00002
은 지식개념 활용의 가중치를 나타내고,
Figure pat00003
은 문제a의 지식개념 대비 문제b의 지식 개념 일치 비율을 나타낸다. 그리고
Figure pat00004
은 문제b 기준 문제a와 불일치 지식개념 비율을 나타낸다.
이에, 인공지능 처리부(120)는 사용자가 틀린 문제 중 기준이 되는 문제a에서 포함하고 있는 지식개념과 문제b에서 포함하고 있는 지식개념을 비교할 수 있다.
Figure pat00005
수학식2에서
Figure pat00006
는 계산, 이해, 응용, 독해 및 표현 등의 5가지 요구 지식단계의 유사정도 활용 가중치를 나타낸다. 이에, 인공지능 처리부(120)는 사용자가 틀린 문제 중 기준이 되는 문제a에서 요구되는 5가지 능력과 일치하는 문제b의 요구능력(
Figure pat00007
, 문제a와 문제b의 지식단계 일치정도)에서 문제a에는 요구되지 않으나 문제b에만 요구되는 능력(
Figure pat00008
, 문제a 대비 문제b에 추가되는 능력)을 가중하여 마이너스(
Figure pat00009
, 문제ㅠ 추가 지식단계 활용 가중치)할 수 있다.
Figure pat00010
수학식 3에서
Figure pat00011
는 난이도 차이 활용 가중치를 나타내고,
Figure pat00012
는 문제a 대비 문제b의 난이도 분별값을 나타낸다. 이에, 인공지능 처리부(120)는 사용자가 틀린 문제 중 기준이 되는 문제a에서 요구되는 난이도가 낮을 경우와 사용자가 틀린 문제 중 기준이 되는 문제a에서 요구하는 난이도와 동일할 경우를 인지하며 사용자에게 문제를 추천할 수 있다.
한편, 재학습(S200) 시의 문제 추천에서 학습 시스템은 취약 분석(S220)을 진행할 수 있다.
우선, 학습 시스템(1000)은 성과예측을 수행한다(S221). 이때, 인공지능 처리부(120)는 학습의 종류별 성과를 예측할 수 있다.
그리고 학습 시스템(1000)은 취약 상태를 파악한다(S222). 이때, 인공지능 처리부(120)는 학습의 종류별, 범위별 취약 상태를 분석할 수 있다.
이후, 학습 시스템(1000)은 우선 학습이 필요한 취약 경로를 파악할 수 있다(S223). 이때, 인공지능 처리부(120)는 취약 지식개념 기반 베이지안 네트워크 모델을 구성한다. 그리고 인공지능 처리부(120)는 문제풀이 데이터를 학습하여 취약상태에 영향력이 높은 학습 경로를 파악하고, 이를 토대로 학습 경로를 파악할 수 있다.
이후, 학습 시스템(1000)은 맞춤형 학습 콘텐츠를 생성한다(S224). 이때, 인공지능 처리부(120)는 예측정보와 취약 경로 파악을 활용하여 학습 코칭 콘텐츠를 생성한다.
그리고 학습 시스템(1000)은 생성된 학습 코칭 콘텐츠를 취약 재학습 문제 추천에 사용할 수 있다(S225).
한편, 다시 도 3을 참조하면, 학습 시스템(1000)은 사용자에게 반복 학습(S300)이 이루어지도록 하여, 사용자의 지식 개념을 완성시키고 장기 기억으로 전환되도록 한다.
도 11은 본 실시예에 따른 개인 맞춤형 학습 시스템의 반복학습 서비스를 나타낸 도면이고, 도 12는 본 실시예에 따른 개인 맞춤형 학습 시스템의 행렬 관리를 나타낸 도면이다. 그리고 도 13 및 도 14는 본 실시예에 따른 개인 맞춤형 학습 시스템의 반복학습 방법을 나타낸 도면이다.
도 11 내지 도 14에 도시된 바와 같이, 본 실시예에 따른 학습 시스템(1000)은 재학습(S200) 이후에도 사용자가 교육유닛(100)을 통해 반복학습(S300)을 수행하도록 할 수 있다.
이때, 학습 시스템(1000)은 망각이론을 기반으로 반복학습을 통해 완전 학습이 이루어지도록 할 수 있다. 예컨대, 학습 시스템(1000)은 개인화된 망각곡선에 따라 최적의 반복 학습 주기를 설정한다. 여기서, 인공지능 처리부(120)는 사용자의 망각지수를 예측하고, 예측 값을 기반으로 반복 학습 주기를 설정한다(도 11 참조). 이때, 학습 시스템(1000)은 망각 지수가 빠른 사용자에게는 1일, 3일, 5일 등의 주기로 반복 학습이 이루어지도록 할 수 있다. 또한, 학습 시스템(1000)은 망각 지수가 느린 사용자에게 1일, 5일, 10일 등의 주기로 반복 학습이 이루어지도록 할 수 있다. 이때, 데이터베이스(110)에는 사용자에 따라 기억 지속 기간을 증가시킬 목적의 안정성 증가(stability increase) 행렬이 관리되고, 인공지능 처리부(120)는 다음 학습까지의 기간을 파악할 수 있다.
또한, 학습 시스템(1000)은 반복학습(S300)에서 문제풀이 결과를 기반으로 지식 숙련도를 추론하며 반복학습 문제를 추천할 수 있다(S310).
이때, 학습 시스템(1000)은 단일의 사용자가 아닌 전체 사용자의 학습 데이터를 전처리한다(S311). 여기서, 인공지능 처리부(120)는 반복학습 대상 문제풀이 이력 데이터를 풀이한 날짜에 따라 취합할 수 있다.
그리고 학습 시스템(1000)은 사용자 클러스터링을 수행한다(S312). 이때, 인공지능 처리부(120)는 사용자의 학습성과에 따라 사용자를 그룹핑한다.
이후, 학습 시스템(1000)은 반감귀 회귀(Half-Life Regression) 모델링을 수행한다(S313). 즉, 인공지능 처리부(120)는 반감귀 회귀 알고리즘을 통해 개인별, 학습대상별 망각곡선을 예측한다. 이때, 반감귀 회귀 모델링은 학습성과 그룹별, 지식개념별 시간에 따른 회상율이 0.5되는 시점을 기반으로 한다.
이후, 학습 시스템(1000)은 데이터로 모델을 학습하고 검증한다(S314). 이때, 학습 및 검증에 문제가 발생되면 학습 시스템(1000)은 반감귀 회귀 모델링을 다시 수행하고(S313), 학습 및 검증에 문제가 없다면 모델 생성을 수행한다(S315). 모델 생성에서 학습 시스템(1000)은 사용자 그룹별, 지식개념별 기억 반감기를 예측한다.
그리고 학습 시스템(1000)은 반복학습 대상 지식개념 리스트를 구축한다(S316). 여기서, 인공지능 처리부(120)는 지식개념별 반복학습 이력을 반영한다.
이후, 학습 시스템(1000)은 반복학습 대상 여부를 보정한다(S317). 이때, 인공지능 처리부(120)는 최초 학습 후 2개월이 지났거나 사용자가 문제의 정답을 3회 이상 제출한 경우에 반복학습 대상에서 사용자를 배제할 수 있다.
그리고 학습 시스템(1000)은 반복 간격 업데이트 모델을 적용한다(S318). 이때, 인공지능 처리부(120)는 지식 개념별 최근 반복학습 결과에 따라 다음 반복학습 간격을 산정할 수 있다.
그리고 학습 시스템(1000)은 반복학습 우선순위를 도출한다(S319). 예컨대, 인공지능 처리부(120)는 우선반복 학습이 필요한 3개의 지식개념을 선정할 수 있다.
이후, 학습 시스템(1000)은 반복학습 문제를 사용자에게 제공한다(S320). 이때, 인공지능 처리부(120)는 교육유닛(10)으로 반복학습 문제 3개를 제공할 수 있고, 제공 이력은 반복학습 대상 지식개념 리스트에 적용될 수 있다(S316).
한편, 다시 도1 및 도2를 참조하면, 본 실시예에 따른 학습 시스템(1000)은 사용자의 학습, 재학습 및 반복학습 과정에서 인공지능 튜터(Tutor, 200) 서비스를 제공할 수 있다. 여기서, 인공지능 튜터(200)는 애플리케이션을 통해 교육유닛(10)에 출력되며 사용자와 상호작용을 하도록 마련될 수 있다.
도 15는 본 실시예에 따른 개인 맞춤형 학습 시스템의 인공지능 튜터를 나타낸 도면이고, 도 16은 본 실시예에 따른 개인 맞춤형 학습 시스템에서 인공지능 튜터의 온톨로지 데이터 처리를 나타낸 도면이다. 그리고 도 17은 본 실시예에 따른 개인 맞춤형 학습 시스템에서 인공지능 튜터의 문서 검색 데이터 처리를 나타낸 도면이다.
도 15 내지 도 17에 도시된 바와 같이, 본 실시예에 따른 인공지능 튜터(200)는 사용자와 질의응답을 수행할 수 있다.
즉, 인공지능 튜터(200)는 사용자에게 문제를 음성 또는 이미지로 제공할 수 있고, 사용자는 음성 또는 이미지로 해당 문제에 대한 답을 제출할 수 있다. 또한, 사용자는 학습, 재학습 및 반복학습 과정에서 필요한 질문을 인공지능 튜터(200)에게 질문할 수 있고, 인공지능 튜터(200)는 해당 질문에 대한 답을 사용자에게 제공할 수 있다.
여기서, 인공지능 튜터(200)는 교육유닛(10)을 통해 사용자의 감성정보를 취득하고, 취득된 감성정보를 기반으로 문제 난이도 및 학습 콘텐츠를 조절할 수 있다. 이때, 사용자의 감성정보는 사용자의 답변상태, 음성상태, 필기상태, 학습 태도상태 등을 포함할 수 있으며 해당 상태정보는 교육유닛(10)의 마이크, 터치 디스플레이 및 카메라 등을 통해 학습 시스템(1000)에 제공될 수 있다.
이러한 인공지능 튜터(200)는 자연어 처리를 통해 데이터베이스에서 질문 및 답을 사용자에게 제공할 수 있으며, 지식 QA영역(300)과 감성 QA영역(400)으로 서비스를 제공할 수 있다.
먼저, 지식 QA영역(300)은 온톨로지(Ontology) 기반 데이터 처리 및 문서검색 기반 데이터 처리로 사용자와 상호작용할 수 있다.
온톨로지 기반 데이터 처리(도 16참조)는 인공지능 엔진, 예컨대 딥러닝 엔진을 기반으로 마련된다. 그리고 데이터베이스(110)는 온톨로지 데이터 베이스를 포함하도록 마련된다. 이에, 인공지능 튜터(200)는 단답형으로 사용자와 상호작용할 수 있다.
그리고 문서 기반 데이터 처리(도 17 참조)는 인공지능 엔진, 예컨대 딥러닝 엔진을 기반으로 마련된다. 그리고 데이터베이스(110)는 문서 데이터 베이스를 포함하도록 마련된다. 이에, 인공지능 튜터(200)는 문서검색 기반으로 사용자와 상호작용할 수 있다. 여기서, 문서 검색은 이미 문서 데이터 베이스에 저장된 문서정보 및 인터넷을 활용한 문서정보일 수 있다.
한편, 감성 QA영역(400)은 사용자의 감성분류에 맞게 준비된 응답을 제공할 수 있다. 즉, 사용자로부터 취득된 감성정보를 통해 사용자의 피로도 및 학습 회피도 등이 발생되면 인공지능 튜터(200)는 감성 QA를 기반으로 분류에 맞게 준비된 응답을 제공하며 사용자와 상호작용할 수 있다. 여기서, 감성 QA영역(400)은 인공지능 엔진, 예컨대 딥러닝 엔진을 기반으로 마련되고, 데이터베이스는 감성 데이터 베이스를 포함하도록 마련될 수 있다.
이와 같이, 본 발명에 따른 개인 맞춤형 학습 시스템은 학습, 재학습 및 반복학습이 이루어지도록 하여 사용자의 지식 개념을 완성하면서도 사용자의 지식수준과 감성정보를 기반으로 맞춤형 학습을 진행하여 사용자의 학습효율을 만족시킬 수 있는 효과가 있다.
또한, 본 발명에 따른 개인 맞춤형 학습 시스템은 사용자의 감정 및 기분을 고려한 학습으로 인해 사용자가 포기하지 않고 학습을 꾸준하게 수행할 수 있도록 하는 효과가 있다.
앞에서 설명되고, 도면에 도시된 본 발명의 일 실시예는, 본 발명의 기술적 사상을 한정하는 것으로 해석되어서는 안 된다. 본 발명의 보호범위는 청구범위에 기재된 사항에 의하여만 제한되고, 본 발명의 기술분야에서 통상의 지식을 가진 자는 본 발명의 기술적 사상을 다양한 형태로 개량 변경하는 것이 가능하다. 따라서 이러한 개량 및 변경은 통상의 지식을 가진 자에게 자명한 것인 한 본 발명의 보호범위에 속하게 될 것이다.

Claims (12)

  1. 사용자에게 소지된 교육유닛을 통해 상기 사용자를 분석하며, 상기 교육유닛으로 콘텐츠를 제공하는 서비스 제공부를 포함하고,
    상기 콘텐츠는
    상기 사용자의 학습을 위한 학습 정보 및
    상기 사용자의 상태에 따라 상기 사용자와 질의응답을 수행하는 인공지능 튜터 서비스 중 적어도 어느 하나를 포함하는 것을 특징으로 하는 개인 맞춤형 학습 시스템.
  2. 제1 항에 있어서,
    상기 학습 정보는
    상기 사용자의 문제풀이 결과를 기반으로 상기 사용자의 지식 숙련도를 추론하여 상기 사용자에게 취약 개념을 포함한 문제를 제공할 수 있는 학습 콘텐츠와,
    상기 사용자의 오답에 따라 상기 사용자의 취약 개념을 인지하고 상기 사용자에게 상기 취약 개념을 포함하고 있는 유사문제를 재학습시킬 수 있는 재학습 콘텐츠와,
    상기 취약 개념을 기설정된 주기로 상기 교육유닛으로 제공하여 상기 사용자가 상기 취약 개념을 반복학습하도록 하는 반복학습 콘텐츠 중 적어도 어느 하나를 포함하는 것을 특징으로 하는 개인 맞춤형 학습 시스템.
  3. 제2 항에 있어서,
    상기 학습 콘텐츠의 제공에서 상기 서비스 제공부는
    상기 사용자로부터 취득된 학습 파라미터에 따라 상기 사용자의 지식 숙련도를 추론하여 상기 사용자에게 제공되는 문제의 난이도 및 학습경로 중 어느 하나를 조절하고,
    상기 학습 파라미터는
    상기 사용자의 초기지식, 지식획득, 추측 및 실수 중 적어도 어느 하나의 파라미터를 포함하는 것을 특징으로 하는 개인 맞춤형 학습 시스템.
  4. 제3 항에 있어서,
    상기 서비스 제공부는
    상기 지식 숙련도의 추론에서 베이지안 지식 트레이싱(BKT: Bayesian Knowledge Tracing) 알고리즘을 적용하는 것을 특징으로 하는 개인 맞춤형 학습 시스템.
  5. 제2 항에 있어서,
    상기 재학습 콘텐츠의 제공에서 상기 서비스 제공부는
    상기 사용자의 오답을 기반으로 상기 오답 속성을 포함하고 있는 유사문제를 추출하여 상기 사용자가 상기 유사문제의 풀이를 통해 재학습이 이루어지도록 하며,
    상기 오답 속성은
    계산, 이해, 응용, 독해 및 표현 중 적어도 어느 하나의 속성을 포함하는 것을 특징으로 하는 개인 맞춤형 학습 시스템.
  6. 제2 항에 있어서,
    상기 재학습 콘텐츠의 제공에서 상기 서비스 제공부는
    상기 오답의 개념 및 유형이 포함된 통합문제를 상기 교육유닛으로 제공하며,
    상기 통합문제의 개수는
    상기 오답의 개수와 동일하거나 적은 것을 특징으로 하는 개인 맞춤형 학습 시스템.
  7. 제2 항에 있어서,
    상기 재학습 콘텐츠의 제공에서 상기 서비스 제공부는
    베이지안 네트워크(Bayesian Network)를 적용하여 상기 사용자의 취약 상태를 파악하고, 상기 사용자에게 우선학습이 필요한 학습경로를 파악하여 상기 학습경로를 상기 교육유닛으로 제공하는 것을 특징으로 하는 개인 맞춤형 학습 시스템.
  8. 제2 항에 있어서,
    상기 반복학습 콘텐츠의 제공에서 상기 서비스 제공부는
    망각이론을 기반으로 상기 사용자에게 반복학습이 이루어지도록 하여 상기 사용자의 기억을 장기 기억으로 전환시키는 것을 특징으로 하는 개인 맞춤형 학습 시스템.
  9. 제8 항에 있어서,
    상기 망각이론의 적용에서 상기 서비스 제공부는
    상기 사용자의 망각곡선을 구축하고 상기 망각곡선에 따라 반복학습 주기를 설정하는 것을 특징으로 하는 개인 맞춤형 학습 시스템.
  10. 제8 항에 있어서,
    상기 망각이론의 적용에서 상기 서비스 제공부는
    다수의 상기 사용자의 학습성과에 따라 상기 다수의 사용자를 구분하고, 반감귀 회귀(Half-Life Regression) 알고리즘을 통해 상기 다수의 사용자 및 개인 사용자의 망각곡선을 예측 및 검증하여 상기 사용자 개인의 반복학습 주기를 산출하는 것을 특징으로 하는 개인 맞춤형 학습 시스템.
  11. 제1 항에 있어서,
    상기 인공지능 튜터 서비스는
    상기 교육유닛에 출력되며 상기 사용자와 음성 및 문자 중 적어도 어느 하나를 통해 상기 질의응답을 수행하며,
    상기 학습정보의 제공에서 출력 가능한 것을 특징으로 하는 개인 맞춤형 학습 시스템.
  12. 제11 항에 있어서,
    상기 인공지능 튜터 서비스는
    온톨로지 및/또는 문서 검색 기반 데이터 처리에 따라 상기 사용자와 상기 질의응답을 수행하게 하는 지식영역과,
    상기 사용자로부터 취득된 감성정보에 따라 상기 사용자와 상기 질의응답을 수행하며 상기 학습정보를 조절하게 하는 감성영역을 포함하고,
    상기 감성정보는
    상기 교육유닛을 통해 제공되는 상기 사용자의 답변상태, 음성상태, 필기상태 및 학습 태도상태 중 적어도 어느 하나를 포함하는 것을 특징으로 하는 개인 맞춤형 학습 시스템.

KR1020190134897A 2019-10-28 2019-10-28 개인 맞춤형 학습 시스템 KR20210050377A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020190134897A KR20210050377A (ko) 2019-10-28 2019-10-28 개인 맞춤형 학습 시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190134897A KR20210050377A (ko) 2019-10-28 2019-10-28 개인 맞춤형 학습 시스템

Publications (1)

Publication Number Publication Date
KR20210050377A true KR20210050377A (ko) 2021-05-07

Family

ID=75916790

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190134897A KR20210050377A (ko) 2019-10-28 2019-10-28 개인 맞춤형 학습 시스템

Country Status (1)

Country Link
KR (1) KR20210050377A (ko)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113704235A (zh) * 2021-08-03 2021-11-26 桂林电子科技大学 一种基于自注意力机制的深度知识追踪模型
KR102463077B1 (ko) * 2021-11-15 2022-11-04 주식회사 천재교과서 사용자에게 다양하고 유용한 컨텐트를 코칭하는 인공지능 스마트 코칭 시스템 및 방법
KR102496227B1 (ko) * 2022-05-30 2023-02-06 이승호 인공지능 및 온라인 융합을 통한 수학 학습 시스템 및 그 방법
KR102500782B1 (ko) * 2022-01-20 2023-02-16 주식회사 아이에이피에듀 학생의 학습 수준에 기반한 난이도 별 맞춤형 문항을 추출하는 방법, 장치 및 컴퓨터-판독 가능 기록 매체
WO2023101235A1 (ko) * 2021-11-30 2023-06-08 주식회사 프로키언 학습자 행동 정보 기반 맞춤형 문제 제공 플랫폼 운영 방법 및 시스템
KR102558675B1 (ko) * 2022-03-21 2023-07-25 맹진영 에이피, 에이레벨 및 국제 바칼로레아를 교육하는 교원 양성 프로그램 운영 장치 및 방법

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20190082645A (ko) 2017-12-31 2019-07-10 주식회사 포스코아이씨티 실시간 학습과 호출을 위한 인공지능 시스템 및 그 처리 방법

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20190082645A (ko) 2017-12-31 2019-07-10 주식회사 포스코아이씨티 실시간 학습과 호출을 위한 인공지능 시스템 및 그 처리 방법

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113704235A (zh) * 2021-08-03 2021-11-26 桂林电子科技大学 一种基于自注意力机制的深度知识追踪模型
KR102463077B1 (ko) * 2021-11-15 2022-11-04 주식회사 천재교과서 사용자에게 다양하고 유용한 컨텐트를 코칭하는 인공지능 스마트 코칭 시스템 및 방법
WO2023101235A1 (ko) * 2021-11-30 2023-06-08 주식회사 프로키언 학습자 행동 정보 기반 맞춤형 문제 제공 플랫폼 운영 방법 및 시스템
KR102500782B1 (ko) * 2022-01-20 2023-02-16 주식회사 아이에이피에듀 학생의 학습 수준에 기반한 난이도 별 맞춤형 문항을 추출하는 방법, 장치 및 컴퓨터-판독 가능 기록 매체
KR102558675B1 (ko) * 2022-03-21 2023-07-25 맹진영 에이피, 에이레벨 및 국제 바칼로레아를 교육하는 교원 양성 프로그램 운영 장치 및 방법
KR102496227B1 (ko) * 2022-05-30 2023-02-06 이승호 인공지능 및 온라인 융합을 통한 수학 학습 시스템 및 그 방법
WO2023234651A1 (ko) * 2022-05-30 2023-12-07 이승호 인공지능 및 온라인 융합을 통한 수학 학습 시스템 및 그 방법

Similar Documents

Publication Publication Date Title
KR20210050377A (ko) 개인 맞춤형 학습 시스템
Colchester et al. A survey of artificial intelligence techniques employed for adaptive educational systems within e-learning platforms
Appiah As if: Idealization and ideals
Wilson et al. Back to the basics: Bayesian extensions of IRT outperform neural networks for proficiency estimation
Wu et al. Exercise recommendation based on knowledge concept prediction
US20060166174A1 (en) Predictive artificial intelligence and pedagogical agent modeling in the cognitive imprinting of knowledge and skill domains
KR102406458B1 (ko) 복수의 시험 도메인에 적용되는 전이요소로 학습된 인공지능 모델을 통해 사용자의 실력을 평가하는 장치, 시스템 및 그것의 동작방법
Yildirim et al. Learning multisensory representations for auditory-visual transfer of sequence category knowledge: a probabilistic language of thought approach
Pardos et al. dAFM: Fusing psychometric and connectionist modeling for Q-matrix refinement
Bansal Adaptive recommendation system for MOOC
CN115545160B (zh) 一种多学习行为协同的知识追踪方法及系统
Shihab et al. Revisiting the use of ChatGPT in business and educational fields: Possibilities and challenges
Jiang et al. Evaluating Sources of Course Information and Models of Representation on a Variety of Institutional Prediction Tasks.
Ismail et al. Review of personalized language learning systems
Sen et al. Machine Beats Human at Sequencing Visuals for Perceptual-Fluency Practice.
EL MEZOUARY et al. An evaluation of learner clustering based on learning styles in MOOC course
Hutzler et al. Learning methods for rating the difficulty of reading comprehension questions
CN114358988B (zh) 基于ai技术的教学方式推送方法及装置
CN114117033B (zh) 知识追踪方法及系统
Mangos et al. Advances in machine learning applications for scenario intelligence: Deep learning
Valencia Usme et al. Learning Style Classification by Using Bayesian Networks Based on the Index of Learning Style
Hooshyar et al. Neural-symbolic computing: a step toward interpretable AI in education
CN114511023A (zh) 分类模型训练方法以及分类方法
Zhang et al. Student Knowledge Diagnosis on Response Data via the Model of Sparse Factor Learning.
Doboli et al. Dynamic diagnosis of the progress and shortcomings of student learning using machine learning based on cognitive, social, and emotional features

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
AMND Amendment
E601 Decision to refuse application
AMND Amendment
X601 Decision of rejection after re-examination