KR20210126598A - 토픽에서 사용자의 숙련도를 발달시키기 위한 시스템, 방법 및 컴퓨터 판독 가능 매체 - Google Patents

Abstract

시스템은, 비선형 학습을 통해, 토픽에서 사용자의 원하는 숙련도를 발달시키기 위한 컴퓨팅 플랫폼을 수행하도록 하나 이상의 프로세서들에 의해 실행 가능한 명령들을 저장하도록 구성된다. 서버는 네트워크에 통신 가능하게 커플링되고, 프로세서, AIP(adoptive information potential) 모듈, 적어도 커그니그래픽 데이터 및 비-커그니그래픽 데이터에 할당된 부분들을 포함하는 데이터베이스, 및 컴퓨터 판독-가능 명령들이 내부에 저장되어 있는 적어도 하나의 비-일시적인 컴퓨터-판독 가능 저장 매체를 포함한다. 프로세서는 플랫폼에 의해 프롬프트된 하나 이상의 질문들의 세트에 기초하여 사용자로부터 입력을 수신하기 위한 컴퓨터-판독 가능 명령들을 실행하고, 하나 이상의 질문들의 세트는 커그니그래픽 데이터 및 비-커그니그래픽 데이터를 포함한다. 하나 이상의 조건들의 세트에 기초하여 사용자 프로파일의 지속적인 체크 및 업데이트가 수행되고, 사용자에 의한 제1 레벨의 하나 이상의 가변 AIP 학습 시나리오들의 완료에 대한 응답으로, 사용자에게 출구 시나리오 테스트가 제공되고, 토픽에서 사용자의 원하는 숙련도를 달성하기 위해 AIP 학습의 하나 이상의 레벨들을 반복적으로 실행된다.

Description

토픽에서 사용자의 숙련도를 발달시키기 위한 시스템, 방법 및 컴퓨터 판독 가능 매체

[0001] 본 발명은, 다양한 학문들의 학생 학습을 가능하게 하고 스킬(skill)들을 습득시키기 위해 교사들에 의해 사용되고 토픽에서 사용자의 원하는 숙련도를 발달시키는 것을 수행하도록 하나 이상의 프로세서들에 의해 실행 가능한 명령들을 저장하도록 구성된 시스템, 방법, 및 컴퓨터-판독 가능 매체에 관한 것이다.

[0002] 통상적인 교육 시스템은 교과서들, 커리큘럼들, 교실들 및 학생들이 따르는 스케줄들을 포함한다. 이 교육 시스템은 수세기에 걸쳐 크게 변하지 않았다. 오늘날까지, 학생들은 표준화된 테스트들을 중심으로 설계된 대량 생산 콘텐츠를 받는다. 이러한 테스트들은 개별 학습 요구 사항들을 수용하지 않는다는 점을 언급하는 것이 중요하다. 콘텐츠는 매우 특정한 방식, 즉 선형 포맷으로 전달되어야 한다. 전체 교육 경로가 복수의 단원들, 즉 단원 1, 단원 2 등을 제시하고, 이에 따라 학생들은 이들이 단원 1을 학습할 때까지 단원 2로 진행하지 않기로 되어 있다고 가정한다. 또한 학생들은 학생들이 단원 2를 배울 때까지 단원 3을 이해하지도 못하는 식일 것이다.

[0003] 다른 교육 접근법은 비선형 학습이라 불린다. 일 레벨 상에서, 비선형 학습은 사람들이 2십만 년 동안 자연스럽게 학습한 방식이다. 예컨대, 사람들은 선형 방식으로 ― 시차를 둔(staggered) 교과서적인 프로세스를 통해 낚시나 사냥을 학습하진 않았다. 대신, 사람들은 직접 경험을 통해 행하고 이러한 작업들이 발생하는 상황을 처리함으로써 이들 작업들을 행하는 것을 학습하였다. 또한 사람들은 그 특정 시간에 무엇이 중요했었는지 발견하고 사람들이 필요로 하는 지식을 능동적으로 구성함으로써 사람들이 이미 알고 있던 것과 모르던 것 간을 연결함으로써 낚시나 사냥 또는 다른 스킬에 관한 방법을 학습하였다. 이는 모두 매우 주관적이고 개별적이며 선형이 아니었다.

[0004] 위에서 언급한 바와 같이, 인간 두뇌들은 이러한 방식으로 작동/학습하도록 설계되었지만, 이는 각각의 개인이 고유한 사회적, 심리적 현상을 경험하기 때문에 주관적인 프로세스이다. 일부 학자들에 의해 완벽하게 제시되었던 바와 같이, "이것은 객관적인 원 사이즈 핏(one size fit)이 아니라 완전히 독특한 경험이고...자연 환경에서의 학습은 선형적이지 않았다. 실제로 그것은 꽤 무작위적인 레벨이 존재한다. 그것은 상황적이었다(It is not an objective one size fit, but an experience that is entirely unique…learning in the natural environment was not linear. There is a level on which it was actually quite random. It was situational). "

[0005] 오늘날 커리어 및 은퇴 계획과 같은 라이프 스킬(life skill)들은 종종 정식 교육 기관들의 커리큘럼에 있지 않다. 그러나 아직 커리어들을 시작하지 않은 십대들, 및 자신의 커리어를 시작했지만 자신의 커리어 경로들 및 은퇴 계획들과 관련하여 다수의 장애물들 및 행해져야 하는 판단들에 직면하는 성인들에게 그러한 스킬들을 가르치는 것이 특히 중요하다. 또한, 다수의 개인들은 일단 이들이 자신의 커리어들을 시작하면, 상사들로서 또한 알려진 감독자들과의 경험들과 같이 그들이 그 과정에서 마주하게 될 경험들에 대한 준비가 되어 있지 않다.

[0006] 교수법은 학생의 학습을 가능하게 하기 위해 교사들에 의해 사용되는 원리들 및 방법들을 포함한다. 이러한 전략들은 부분적으로는 가르칠 주제 따라, 그리고 부분적으로 학습자의 성질에 따라 결정된다. 특정 교수법이 적절하고 효율적이 되기 위해, 그것은 학습자의 특성 및 일어나기로 되어 있는 학습의 유형과 관련이 있어야 한다. 교수법들의 설계 및 선택은 주제의 성질뿐만 아니라 학생들이 배우는 방식도 고려해야 한다는 제안들이 있다. 오늘날 학교에서, 창의성을 많이 장려하는 경향이 있다. 인간의 진보는 추론을 통해 이루어진다는 사실은 알려져 있다. 이러한 추론 및 독창적인 생각은 창의성을 향상시킨다.

[0007] 가르침을 위한 접근법들은 크게 교사 중심 및 학생 중심으로 분류될 수 있다. 교사 중심 학습 접근법에서, 교사들은 이 모델의 메인 권위자이다. 학생들은 테스트 및 평가를 최종 목표로 하여 (강의들 및 직접 지도를 통해) 수동적으로 정보를 받는 것이 주요 역할인 "빈 그릇(empty vessels)들"로 간주된다. 지식 및 정보를 자신의 학생들에게 전달하는 것이 교사들의 주요 역할이다. 이 모델에서, 가르침 및 평가는 2개의 별개의 엔티티들로 간주된다. 학생 학습은 객관적으로 채점된 테스트들 및 평가들을 통해 측정된다.

[0008] 학생 중심 학습 접근법에서, 교사들이 이 모델의 권위자이지만, 교사들 및 학생들은 학습 프로세스에서 동등하게 능동적인 역할을 한다. 교사의 주요 역할은 학생 학습 및 자료에 대한 전반적인 이해를 코치하고 용이하게 하는 것이다. 학생 학습은 그룹 프로젝트들, 학생 포트폴리오들 및 수업 참여를 포함한 공식 및 비공식 평가 형식들을 통해 측정된다. 가르침 및 평가들은 연결되어 있는데; 학생 학습은 교사 지도 동안 지속적으로 측정된다. 일반적으로 사용되는 교수법들은 수업 참여, 시연, 암송, 암기 또는 이들의 조합들을 포함할 수 있다.

[0009] 이제 적응형 학습(adaptive learning)을 참조하면, 적응형 학습은 정교하고, 데이터 중심적이고 일부 경우들에서, 지도 및 교정에 대한 비선형 접근법이어서, 학습자의 상호작용들 및 시연된 수행 레벨에 적응하고, 후속적으로 학습자들이 특정 시점에 진전을 이루기 위해 어떤 유형의 콘텐츠 및 자원들이 필요한지를 예상한다는 것을 알아야 한다.

[00010] 적응형 학습은 학생들에게 자기 주도적 개별화된 학습 경험들을 제공함으로써 학생 학습을 변화시킬 잠재력이 갖는다. 적응형 학습은 학생들을 위한 개인화된 학습 경험을 생성하기 위한 접근법으로서 정의될 수 있다. 적응형 학습은 또한 정교하고, 데이터 중심적이고 일부 경우들에서, 지도 및 교정에 대한 비선형 접근법을 위해, 학습자의 상호작용들 및 시연된 수행 레벨에 적응하고 후속적으로 학습자들이 특정 시점에 진전을 이루기 위해 어떤 유형의 콘텐츠 및 자원들이 필요한지를 예상한다.

[00011] 위에서 언급한 바와 같이, 능동적 학습은 학생들이 더 이상 학습 프로세스에서 수동적 참가자들이 아닐 때 발생한다. 능동적 학습은 학생들이 강의를 듣는 대신 교실에서 그룹들로 작업하는 것처럼 간단할 수 있다.

[00012] 적응형 및 능동적의 조합은 학생 성과들을 증가시키는 것으로 나타났다. 이러한 교육적 접근법들은 교수진에게 학생 성과에 대한 데이터 및 통찰력을 제공한다. 결과적으로 더 많은 교수진은 이들이 교실에서 사용하는 전술들을 능동적이 되도록 변경하고 모든 학생들이 더 빨리 성공하거나 달성하도록 보장한다.

[00013] 그러나, 종래 기술 시스템들 및 가르침을 위한 방법들은 여러 부정적 측면들 또는 단점들을 갖는다. 스킬들 및 스킬들을 구성하는 것이 무엇인지를 정의하려는 모든 시도들은 그것이 모든 맥락들, 스킬들의 유형들, 레벨들 등에 적용된다는 점에서 스킬들의 통일되고 종합적인 정의 또는 구조를 가져오지 못했다. 현재 사용 가능한 솔루션들 및 방법들은 "스킬들"에 대해 정보 및 콘텐츠를 패키징하려고 하지만, 이들은 크기, 콘텐츠 크기, 커버되는 정보 등이 다르다.

[00014] 따라서 스킬을 가르치는 고등 교육 맥락의 특정 코스는 대학마다 다를 것이고, 또한, 트레이너들 또는 온라인 트레이닝 웹사이트들을 통해 제공되는 그러나 동일한 "스킬" 코스들 중 임의의 것들에 대해서도 상이할 것이다.

[00015] 유효한 범위로, 라이프 스킬들을 가르치고 그리고/또는 라이프-유형 경험들을 위해 개인들을 준비시키는 시스템들 및 방법들에 관한 새롭고 개선된 시스템들 및 방법들에 대한 필요성이 항상 존재한다. 본 발명은 이 문제를 간단하고 편리한 수단으로 해결하는 것을 목적으로 한다.

[00016] 본 발명의 일 실시예에서, 컴퓨팅 플랫폼 또는 시스템이 제공된다. 컴퓨팅 플랫폼은 비선형 학습을 통해 토픽에서 사용자(학습자)의 원하는 숙련도를 발달시키기 위해 사용된다. 플랫폼은 네트워크에 통신 가능하게 커플링되는 서버를 포함하고, 프로세서, AIP(adoptive information potential) 모듈, 적어도 커그니그래픽 데이터 및 비-커그니그래픽 데이터에 할당된 부분들을 포함하는 데이터베이스, 및 컴퓨터 판독-가능 명령들이 내부에 저장되어 있는 적어도 하나의 비-일시적인 컴퓨터-판독 가능 저장 매체를 포함한다. 프로세서는 플랫폼에 의해 프롬프트된 하나 이상의 질문들의 세트에 기초하여 사용자로부터 입력을 수신하기 위한 컴퓨터-판독 가능 명령들을 실행하고, 하나 이상의 질문들의 세트는 커그니그래픽 데이터 및 비-커그니그래픽 데이터를 포함한다.

[00017] 프로세서는 추가로, 커그니그래픽 및 비-커그니그래픽 데이터에 기초하여 사용자 프로파일을 구성하고, 데이터베이스에 사용자 프로파일을 저장하고, 그리고 사용자 프로파일에 기초하여, 사용자에 대한 제1 AIP 추천을 생성하기 위한 컴퓨터-판독 가능 명령들을 실행하고, 제1 AIP 추천은 사용자 프로파일에 기초하여 사용자에 의해 이수될 하나 이상의 코스들 또는 트레이닝의 제1 세트를 포함한다. 그 후, 프로세서는, 사용자의 제1 AIP 평가를 실행하고, 사용자가 제1 AIP 평가를 통과하지 못한 것에 대한 응답으로, AIP 학습의 하나 이상의 레벨들 중 제1 레벨을 실행하고 하나 이상의 가변 AIP 학습 시나리오들 중 적어도 하나를 사용자에게 디스플레이하고 ― 제1 레벨은 인지 및 비-인지 속성들을 포함하는 사용자 프로파일에 따라 선택됨 ― , 그리고 하나 이상의 조건들의 세트에 기초하여 사용자 프로파일의 지속적인 체크 및 업데이트를 수행하기 위한 컴퓨터-판독 가능 명령들을 실행한다. 사용자에 의한 제1 레벨의 하나 이상의 가변 AIP 학습 시나리오들의 완료에 대한 응답으로, 사용자에게 출구 시나리오 테스트를 제공하여, 출구 시나리오 테스트에 기초하여 AIP 학습의 하나 이상의 레벨들 중 제2 레벨로 사용자를 전진시킨다. 프로세서는 토픽에서 사용자의 원하는 숙련도를 달성하기 위해 AIP 학습의 하나 이상의 레벨들을 반복적으로 실행하기 위한 컴퓨터-판독 가능 명령들을 실행한다.

[00018] 본 발명의 다른 실시예에서, 컴퓨터 판독 가능 매체가 제공된다. 컴퓨터-판독 가능 저장 매체는 명령들을 표현하는 코드를 저장하기 위한 것이며, 이 명령들은, 프로세서에서 실행될 때 프로세서로 하여금, 비선형 학습을 통해, 토픽에서 사용자의 원하는 숙련도를 발달시키는 것을 수행하기 위한 명령들을 저장하게 하고, 서버는 네트워크에 통신 가능하게 커플링되고 프로세서, AIP(Adoptive Information Potential) 모듈, 적어도 커그니그래픽 데이터 및 비-커그니그래픽 데이터에 할당된 부분들을 포함하는 데이터베이스를 포함한다.

[00019] 컴퓨터 판독 가능 매체는, 플랫폼에 의해 프롬프트된 하나 이상의 질문들의 세트에 기초하여 사용자로부터 입력을 수신하고 ― 하나 이상의 질문들의 세트는 커그니그래픽 데이터 및 비-커그니그래픽 데이터를 포함함 ― , 커그니그래픽 및 비-커그니그래픽 데이터에 기초하여 사용자 프로파일을 구성한다. 컴퓨터 판독 가능 매체는, 데이터베이스에 사용자 프로파일을 저장하고, 사용자 프로파일에 기초하여, 사용자에 대한 제1 AIP 추천을 생성하고 ― 제1 AIP 추천은 사용자 프로파일에 기초하여 사용자에 의해 이수될 하나 이상의 코스들 또는 트레이닝의 제1 세트를 포함함 ― ; 그리고 사용자의 제1 AIP 평가를 실행한다.

[00020] 위에서 언급한 대로, 사용자가 제1 AIP 평가를 통과하지 못한 것에 대한 응답으로, 컴퓨터 판독 가능 매체는 AIP 학습의 하나 이상의 레벨들 중 제1 레벨을 실행하고 하나 이상의 가변 AIP 학습 시나리오들 중 적어도 하나를 사용자에게 디스플레이하고 제1 레벨은 인지 및 비-인지 속성들을 포함하는 사용자 프로파일에 따라 선택된다. 컴퓨터 판독 가능 매체는, 하나 이상의 조건들의 세트에 기초하여 사용자 프로파일의 지속적인 체크 및 업데이트를 수행하고, 그리고 사용자에 의한 제1 레벨의 하나 이상의 가변 AIP 학습 시나리오들의 완료에 대한 응답으로, 사용자에게 출구 시나리오 테스트를 제공하고, 그리하여 출구 시나리오 테스트에 기초하여 AIP 학습의 하나 이상의 레벨들 중 제2 레벨로 사용자를 전진시킨다. 컴퓨터 판독 가능 매체는 토픽에서 사용자의 원하는 숙련도를 달성하기 위해 AIP 학습의 하나 이상의 레벨들을 반복적으로 실행한다.

[00021] 본 발명의 또 다른 실시예에서, 방법이 제공된다. 방법은 명령들을 저장하며, 이 명령들은 비선형 학습을 통해 토픽에서 사용자의 원하는 숙련도를 발달시키는 것을 수행하도록 하나 이상의 프로세서들에 의해 실행 가능하며, 서버는 네트워크에 통신 가능하게 커플링되고, 프로세서, AIP(adoptive information platform) 모듈, 적어도 커그니그래픽 데이터 및 비-커그니그래픽 데이터에 할당된 부분들을 포함하는 데이터베이스, 및 컴퓨터 판독-가능 명령들이 내부에 저장되어 있는 적어도 하나의 비-일시적인 컴퓨터-판독 가능 저장 매체를 포함한다. 이 방법은 플랫폼에 의해 프롬프트된 하나 이상의 질문들의 세트에 기초하여 사용자로부터 입력을 수신하는 단계 ― 하나 이상의 질문들의 세트는 커그니그래픽 데이터 및 비-커그니그래픽 데이터를 포함함 ― , 및 커그니그래픽 및 비-커그니그래픽 데이터에 기초하여 사용자 프로파일을 구성하는 단계를 포함한다.

[00022] 방법은 데이터베이스에 사용자 프로파일을 저장하는 단계, 및 사용자 프로파일에 기초하여, 사용자에 대한 제1 AIP 추천을 생성하는 단계를 더 포함하고, 제1 AIP 추천은 사용자 프로파일에 기초하여 사용자에 의해 이수될 하나 이상의 코스들 또는 트레이닝의 제1 세트를 포함한다. 방법은, 사용자의 제1 AIP 평가를 실행하는 단계, 및 사용자가 제1 AIP 평가를 통과하지 못한 것에 대한 응답으로, AIP 학습의 하나 이상의 레벨들 중 제1 레벨을 실행하고 하나 이상의 가변 AIP 학습 시나리오들 중 적어도 하나를 사용자에게 디스플레이하는 단계를 더 포함하고, 제1 레벨은 인지 및 비-인지 속성들을 포함하는 사용자 프로파일에 따라 선택된다.

[00023] 방법은, 하나 이상의 조건들의 세트에 기초하여 사용자 프로파일의 지속적인 체크 및 업데이트를 수행하는 단계, 및 사용자에 의한 제1 레벨의 하나 이상의 가변 AIP 학습 시나리오들의 완료에 대한 응답으로, 사용자에게 출구 시나리오 테스트를 제공하는 단계를 더 포함한다. 방법은, 출구 시나리오 테스트에 기초하여 AIP 학습의 하나 이상의 레벨들 중 제2 레벨로 사용자를 전진시키는 단계; 및 토픽에서 사용자의 원하는 숙련도를 달성하기 위해 AIP 학습의 하나 이상의 레벨들을 반복적으로 실행하는 단계를 더 포함한다.

[00024] 본 발명의 이점은 정보 및 지식을 측정 및 정량화하고 이들을 더 작은 정량화 가능하고 측정 가능한 유닛들로 분해하고 그리하여 최소한의 스킬 유닛들인 차세대 스킬(next-gen skill)을 생성함으로써 스킬들을 정의하도록 적응 가능한 혁신적인 시스템, 방법 및 비-일시적인 프로세서-판독 가능 매체를 제공하는 것이다.

[00025] 본 발명의 다른 이점은 그의 대응하는 제약들을 변경 및 수정한 후 다수의 맥락들 및 시나리오들에서 정보를 적응시키고 사용할 수 있게 하기 위한 혁신적인 시스템, 방법 및 비-일시적인 프로세서-판독 가능 매체를 제공하는 것이다.

[00026] 본 발명의 또 다른 이점은 액션들 및 스킬들이, AIP 평가를 통해 학습자를 평가할 수 있는 능력의 시나리오들을 통해 연습되고 도전될 수 있게 하기 위한 혁신적인 시스템, 방법 및 비-일시적인 프로세서-판독 가능 매체를 제공하는 것이다.

[00027] 본 발명의 또 다른 이점은 그러한 AIP들을 트레이닝함으로써 학습자들을 트레이닝하여 새로운 스킬들을 학습하거나 기존 스킬들을 개선하도록 허용하는 혁신적인 시스템, 방법 및 비-일시적인 프로세서-판독 가능 매체를 제공하는 것이다.

[00028] 본 발명의 또 다른 이점은 인지 과학, 학습 이론들 및 교육학들의 최전선 교차-학제 연구들(forefront cross-disciplinary studies)에 기초하여 종합적인 방법론을 제공하기 위한 혁신적인 시스템, 방법 및 비-일시적인 프로세서-판독 가능 매체를 제공하는 것이다.

[00029] 본 발명의 또 다른 이점은 상이한 인지 레벨들의 트레이닝을 통해 학습자의 인지 능력들을 개선하기 위한 혁신적인 시스템, 방법 및 비-일시적인 프로세서-판독 가능 매체를 제공하는 것이다.

[00030] 본 발명의 또 다른 이점은 학습자의 인지 프로파일, 능력들 및 다른 비-인지 팩터들에 코스를 적응시키는 혁신적인 시스템, 방법 및 비-일시적인 프로세서-판독 가능 매체를 제공하는 것이다.

[00031] 본 발명의 또 다른 이점은 제시되는 정보 및 코스들의 깊이와 폭 사이의 균형을 보여주기 위해 다양한 코스들을 제시하는 혁신적인 시스템, 방법 및 비-일시적인 프로세서-판독 가능 매체를 제공하는 것이다.

[00032] 본 발명의 또 다른 이점은 조직들에서 지식 획득 및 정보 관리를 가속화하고 체계화하도록 허용하는 혁신적인 시스템, 방법 및 비-일시적인 프로세서-판독 가능 매체를 제공하는 것이다.

[00033] 본 발명의 목적들 및 이점들은, 유사한 참조 번호들이 전반에 걸쳐 유사한 부분들을 지칭하고 본 발명의 실시예가 설명되고 예시되는 첨부된 도면과 관련하여 취해지는 다음 명세서의 검토로부터 보다 쉽게 명백해질 것이다.

[00034] 본 발명의 위의 및 다른 목적들 및 이점들이 실제로 달성되는 정확한 방식은 유사한 참조 번호들이 전반에 걸쳐 대응하는 부분들을 표시하는 첨부 도면들에서 도시되고 하기 명세서에 상세히 설명되는 본 발명의 바람직한 실시예들의 하기의 상세한 설명에 대한 참조가 이루어질 때 보다 명확하게 명백해질 것이다.

[00035] 본 발명의 다른 이점들은 첨부 도면들과 관련하여 고려될 때 다음의 상세한 설명을 참조하여 더 잘 이해되기 때문에 본 발명의 다른 이점들은 쉽게 인지될 것이다.
[00036] 도 1은 구현에 따라, 오브젝트 분석 시스템을 호스팅하는 컴퓨팅 시스템의 개략적인 블록도이다.
[00037] 도 2는 비선형 학습을 통해 토픽에서 사용자의 원하는 숙련도를 발달시키기 위한 시스템의 등록 및 AIP 추천 페이즈의 다이어그램을 도시한다.
[00038] 도 3은 시스템의 AIP 평가 프로세스 페이즈의 다이어그램을 도시한다.
[00039] 도 4는 시스템의 AIP 학습 ― 시나리오들 및 블록들 페이즈의 다이어그램을 도시한다
[00040] 도 5는 시스템의 AIP 체크들 및 비선형 학습 페이즈의 다이어그램을 도시한다.
[00041] 도 6은 비선형 학습을 통해 토픽에서 사용자의 원하는 숙련도를 발달시키기 위한 전체 시스템의 다이어그램을 도시한다.

[00042] 도 1 내지 도 6을 참조하면, 비선형 학습을 통해, 토픽에서 사용자의 원하는 숙련도를 발달시키기 위한 시스템, 방법 및 비-일시적인 프로세서-판독 가능 매체, 즉 컴퓨터 판독 가능 매체가 도시된다. 고-레벨 오브젝트-지향 프로그래밍 언어의 신택스를 통해 표현된 오브젝트-지향 구조들의 명시적 식별은 이진 코드로의 컴파일(compilation)(예컨대, 기계 코드 또는 바이트-코드 정의와 같은 애플리케이션의 이진 코드 정의 또는 표현으로의 애플리케이션의 소스 코드 정의 또는 표현의 변환(translation)) 동안 손실되기 때문에, 잠재적인 보안 취약성들은 결과적인 이진 코드의 정적 분석 동안 모호해질 수 있다. 예컨대, 오브젝트에 관한 정보(예컨대, 오브젝트가 기초하는 클래스, 오브젝트의 크기, 오브젝트의 속성들의 수 및 유형들 또는 크기들, 디스패치 테이블을 통해 오브젝트에 액세스 가능한 기능성들의 수)는 통상적으로 이진 코드로 표현되지 않기 때문에, 오브젝트와 관련된 간접 동작들이 보안 취약성을 노출하는지를 결정하는 것은 이진 코드가 생성된 소스 코드 없이는 어려울 수 있다.

[00043] 구체적인 예로서, 간접 동작은 이진 코드가 간접 동작이 오브젝트를 넘어 또는 외부에서(즉, 오브젝트에 할당되거나 오브젝트에 의해 공유되지 않는 메모리 어드레스에서) 동작하지 않도록 보장하기 위한 런타임 확인(run-time validation)을 포함하지 않는 경우, 임의 코드 실행 보안 취약성들을 초래할 수 있다. 그러나 애플리케이션들의 일부 이진 코드 표현들은 오브젝트들에 관한 정보를 포함하지 않는다. 이러한 정보는 이진 코드로 컴파일되는 디버깅 정보 또는 RTTI(run-time type information)로서 이진 코드에 포함될 수 있다. 그럼에도, 다수의 애플리케이션들의 이진 코드 표현들은 (예컨대, 이러한 애플리케이션들의 리버스 엔지니어링(reverse engineering)을 좌절시키기 위해) 그러한 정보를 포함하지 않기 때문에, 오브젝트-지향 기술들을 사용하여 소스 코드에 기초한(또는 소스 코드로부터 유도된) 이진 코드를 분석하기 위한 견고한 방법론들 및 시스템들은 이러한 정보의 가용성을 가정해선 안 된다.

[00044] 본원에서 논의된 구현들은 이진 코드에서 설명된 동작들을 분석하여 그러한 동작들에 기초한 오브젝트들을 식별한다. 달리 말하면, 본원에서 논의된 구현들은 이진 코드에서 설명된 동작들에 기초하여 이러한 오브젝트들의 구조를 추론함으로써 오브젝트들(또는 오브젝트들의 표현들)을 적어도 부분적으로 재구성한다. 따라서, 본원에서 논의된 구현들은 이진 코드에 포함될 수 있거나 포함되지 않을 수 있는 이러한 오브젝트들에 관한 명시적 정보 또는 소스 코드를 참조하지 않고(또는 그에 독립적으로), 오브젝트들 및 그의 크기와 같은 속성들을 식별할 수 있다. 더욱이, 본원에서 논의된 구현들은 그러한 오브젝트들을 사용하는 애플리케이션들의 이진 코드 표현들의 보안 취약성 분석들을 수행한다. 예컨대, 본원에서 논의된 구현들은 이진 코드에서 설명된 동작들의 분석에 의해 식별되는 오브젝트들에 관한 정보를 사용하여 임의 코드 실행, 코드 삽입, 애플리케이션 장애 또는 애플리케이션의 다른 바람직하지 않거나 의도되지 않은 거동을 초래할 수 있는 유형 혼동 취약성들(type confusion vulnerabilities)과 같은 보안 취약성들을 식별할 수 있다.

[00045] 본원에서 사용되는 바와 같이 "소프트웨어 모듈"이라는 용어는 일부 기능성을 수행하기 위해 컴퓨팅 시스템 또는 프로세서에서 실행될 수 있는 명령들을 표현하는 코드의 그룹을 지칭한다. 애플리케이션들, 소프트웨어 라이브러리들(예컨대, 정적으로 링크된 라이브러리들 또는 동적으로 링크된 라이브러리들) 및 애플리케이션 프레임워크들은 소프트웨어 모듈들의 예들이다. 부가적으로, 본원에서 사용되는 바와 같이, "이진 코드에서 설명된 동작들" 및 "이진 코드에서 정의된 동작들"이라는 용어들 및 유사한 용어들 또는 구문들은 소프트웨어 모듈의 이진 코드 표현(또는 이진 표현)에 존재하는 명령들을 표현하는 코드에 의해 설명된 동작들을 지칭한다.

[00046] 본원에서 논의된 일부 구현들에서, 이진 코드에서 설명된 동작들은 소프트웨어 모듈의 이진 코드 표현 이외의 표현에서 분석(예컨대, 파싱 및 해석)된다. 예컨대, 오브젝트 분석 시스템은 그 소프트웨어 모듈의 이진 코드 표현으로부터 유도된 소프트웨어 모듈의 중간 표현을 사용하여 이진 코드에서 설명된 동작들을 분석할 수 있다.

[00047] 따라서, 이진 코드에서 설명된 동작들의 분석을 참조하여 본원에서 논의된 구현들은 소프트웨어 모듈의 이진 코드 표현 또는 이진 코드 표현으로부터 유도된 소프트웨어 모듈의 표현을 사용하는 이러한 동작들의 분석을 참조하는 것으로 이해되어야 한다.

[00048] 메모리 내의 변수들은 하나 이상의 값들이 저장될 수 있는 메모리 로케이션이다. 이러한 메모리 로케이션은 프로세서 메모리(예컨대, 레지스터 또는 캐시), 시스템 메모리(예컨대, 컴퓨팅 시스템의 RAM(Random Access Memory)), 또는 일부 다른 메모리에 있을 수 있다. 이러한 변수들에 대해 동작하는 이진 코드 내의 동작들은 그 메모리 로케이션의 메모리 어드레스(스택 포인터(stack pointer)로부터의 오프셋과 같이 다른 메모리 어드레스에 대해 상대적이거나 절대적임)를 참조할 수 있다. 따라서, 오브젝트의 식별자(예컨대, 메모리 어드레스)는 이진 코드 내의 동작들에 의해 사용되는 메모리 어드레스를 갖는 메모리 로케이션에 값으로서 저장될 수 있다.

[00049] 따라서, 본원에서 사용되는 바와 같이, "오브젝트의 식별자" 및 "오브젝트의 메모리 어드레스"와 같은 용어들은 식별자(예컨대, 메모리 어드레스) 자체 또는 식별자를 표현하는 값이 저장된 변수를 지칭하는 것으로 이해되어야 한다. 본원에서 사용된 바와 같이, "모듈"이란 용어는 하드웨어(예컨대, 집적 회로 또는 다른 회로와 같은 프로세서) 및 소프트웨어(예컨대, 기계-실행 가능 명령 또는 프로세서-실행 가능 명령, 커맨드들, 또는 코드 이를테면, 펌웨어, 프로그래밍 또는 오브젝트 코드)의 조합을 지칭한다.

[00050] 하드웨어 및 소프트웨어의 조합은 하드웨어만(즉, 어떠한 소프트웨어 엘리먼트들도 없는 하드웨어 엘리먼트), 하드웨어에서 호스팅되는 소프트웨어(예컨대, 메모리에 저장되고 프로세서에서 실행 또는 해석되는 소프트웨어), 또는 하드웨어 및 하드웨어에서 호스팅되는 소프트웨어를 포함한다.

[00051] 부가적으로, 본원에서 사용된 바와 같이, 단수 형태들은, 맥락에서 명확히 다르게 나타내지 않는 한 복수의 지시대상들을 포함한다. 따라서, 예컨대, "모듈"이라는 용어는 하나 이상의 모듈들 또는 모듈들의 조합을 의미하는 것으로 의도된다. 또한, 본원에서 사용된 바와 같이, "~에 기초한"이라는 용어는 적어도 부분적으로 ~에 기초하는 것을 포함한다. 따라서 일부 원인에 기초하는 것으로 설명된 특징은 그 원인만을 기초하거나 그 원인 및 하나 이상의 다른 원인들에 기초할 수 있다.

[00052] 본 개시내용의 다수의 실시예들은 이러한 특정 세부사항들의 일부 또는 전부 없이 실시될 수 있다는 것이 자명할 것이다. 다른 경우들에서, 잘 알려진 프로세스 동작들은 본 실시예들을 불필요하게 모호하게 하지 않기 위해 상세히 설명되지 않았다. 실시예들의 다음 설명은 첨부 도면에 대한 참조들을 포함한다. 도면은 예시적인 실시예들에 따른 예시들을 도시한다. 본원에서 "예들"로서 또한 지칭되는 이러한 예시적인 실시예들은 당업자들이 본 청구 대상을 실시하는 것을 가능하게 하기 위해 충분히 상세히 설명된다. 실시예들은 결합될 수 있고, 다른 실시예들이 활용될 수 있거나, 청구된 범위를 벗어나지 않고 구조적, 논리적 및 동작적 변경들이 이루어질 수 있다. 따라서 다음의 상세한 설명은 제한적인 의미로 받아들여서는 안 되며, 범위는 첨부된 청구항들 및 그들의 등가물들에 의해 정의된다.

[00053] 위에서 언급된 대로, 이 특허 문서의 목적들을 위해, 용어 "또는" 및 "및"은 달리 언급되지 않거나 그의 사용 맥락에 의해 명확히 의도되지 않는 한 "및/또는"을 의미한다. 본원에서 단수의 사용은 달리 언급되지 않는 한 또는 "하나 이상"의 사용이 명백히 부적절하지 않는 한, "하나 이상"을 의미한다. "포함하는", "포함하는"("comprise," "comprising," "include," 및 "including")이라는 용어들은 상호 교환 가능하며 제한하는 것으로 의도되지 않는다. 예컨대, "포함하는"이라는 용어는 "포함하는(그러나 이에 제한되지 않음)"으로 해석되어야 한다.

[00054] 도 1은 구현에 따라, 오브젝트 분석 시스템을 호스팅하는, 일반적으로 100으로 도시된 컴퓨팅 시스템 또는 플랫폼의 개략적인 블록도이다. 컴퓨팅 시스템(100)은 프로세서(102), 통신 인터페이스(104), 및 메모리(106), 및 호스트 운영 체제(108), 인식 모듈(110), 분석 모듈(112), 및 AIP(Adaptive Information Potential) 모듈(114)을 포함한다. 프로세서(102)는 명령들, 코드들 또는 신호들을 실행하거나 해석하는 하드웨어 및 소프트웨어의 임의의 조합이다. 예컨대, 프로세서(102)는 마이크로프로세서, ASIC(application-specific integrated circuit), 분산 프로세서 이를테면, 프로세서들 또는 컴퓨팅 시스템들의 클러스터 또는 네트워크, 다중-코어 또는 다중-프로세서 프로세서, 또는 가상 머신의 가상 또는 논리적 프로세서일 수 있다.

[00055] 통신 인터페이스(104)는 프로세서(102)가 통신 링크를 통해 다른 프로세서 또는 컴퓨팅 시스템들과 통신할 수 있게 하는 모듈이다. 예컨대, 컴퓨팅 시스템(100)은 통신 인터페이스(104)를 사용하여 통신 링크들을 통해 전자 메일박스 또는 인스턴트 메시징 서비스에 보안 취약성을 보고할 수 있다. 예컨대, 통신 인터페이스(104)는 프로세서(510)에서 호스팅되는 통신 프로토콜 스택(예컨대, 네트워크 프로토콜을 구현하기 위해 메모리(106)에 저장되고 프로세서(102)에서 실행되거나 해석되는 명령들 또는 코드) 및 네트워크 인터페이스 카드를 포함할 수 있다.

[00056] 특정 예들로서, 통신 인터페이스(104)는 유선 인터페이스, 무선 인터페이스, 이더넷 인터페이스, 섬유 채널 인터페이스, InfiniBand 인터페이스, 또는 프로세서(102)가 다른 프로세서들 또는 컴퓨팅 시스템들과 통신하기 위해 데이터를 표현하는 신호들 또는 심볼들을 교환할 수 있게 하는 일부 다른 통신 인터페이스일 수 있다. 메모리(106)는 명령들, 코드들, 데이터, 또는 다른 정보를 저장하는 프로세서-판독 가능 매체이다. 본원에서 사용된 바와 같이, 프로세서-판독 가능 매체는 명령들, 코드들, 데이터 또는 다른 정보를 비일시적으로 저장하고 프로세서에 직접적으로 또는 간접적으로 액세스 가능한 임의의 매체이다.

[00057] 달리 말하면, 프로세서-판독 가능 매체는 프로세서가 명령들, 코드들, 데이터 또는 다른 정보에 액세스할 수 있는 비-일시적인 매체이다. 예컨대, 메모리(106)는 휘발성 RAM(random access memory), 영구적 데이터 저장소 이를테면, 하드 디스크 드라이브 또는 솔리드 스테이트 드라이브, CD(compact disc), DVD(digital video disc), Secure Digital™(SD) 카드, MMC(MultiMediaCard) 카드, CompactFlash™(CF) 카드 또는 이들의 조합 또는 다른 메모리들일 수 있다. 달리 말하면, 메모리(106)는 다수의 프로세서-판독 가능 매체들을 표현할 수 있다. 일부 구현들에서, 메모리(106)는 프로세서(102)와 통합되거나, 프로세서(102)와 별개이거나, 또는 컴퓨팅 시스템(100) 외부에 있을 수 있다.

[00058] 위에서 언급하나 대로, 메모리(106)는 프로세서(102)에서 실행될 때, 운영 체제(108), 인식 모듈(104), 및 분석 모듈(112)을 구현하는 명령들 또는 코드들을 포함한다. 즉, 운영 체제(108) 및 인식 모듈(110)을 포함하는 오브젝트 분석 시스템, 및 분석 모듈(112)은 컴퓨팅 시스템(100)에서 호스팅된다. 일부 구현들에서, 컴퓨팅 시스템(100)은 가상화된 컴퓨팅 시스템일 수 있다. 예컨대, 컴퓨팅 시스템(100)은 컴퓨팅 서버에서 가상 머신으로서 호스팅될 수 있다.

[00059] 더욱이, 일부 구현들에서, 컴퓨팅 시스템(100)은 가상화된 컴퓨팅 기기일 수 있고, 운영 체제(108)는 통신 프로토콜 스택과 같은 서비스 및 통신 인터페이스(104), 인식 모듈(110) 및 분석 모듈(112)과 같은 컴퓨팅 시스템(100)의 컴포넌트들에 대한 액세스를 지원(예컨대, 제공)할 수 있을 만큼의 또는 최소한의 운영 체제이다. 인식 모듈(110) 및 분석 모듈(112)은 다양한 메모리들 또는 프로세서-판독 가능 매체들로부터 컴퓨팅 시스템(100)에 액세스되거나 설치될 수 있다.

[00060] 예컨대, 컴퓨팅 시스템(100)은 통신 인터페이스(104)를 통해 원격 프로세서-판독 가능 매체에서 인식 모듈(110) 및 분석 모듈(112)에 액세스할 수 있다. 다른 예로서, 컴퓨팅 시스템(100)은 프로세서-판독 가능 매체 액세스 디바이스(예컨대, CD, DVD, SD, MMC, 또는 CF 드라이브 또는 판독기)를 포함할 수 있고(도 1에 예시되지 않음), 프로세서-판독 가능 매체 액세스 디바이스를 통해 프로세서-판독 가능 매체에서 인식 모듈(110) 및 분석 모듈(112)에 액세스할 수 있다.

[00061] 보다 구체적인 예로서, 프로세서-판독 가능 매체 액세스 디바이스는 DVD 드라이브일 수 있으며, 여기서 인식 모듈(110) 및 분석 모듈(112) 중 하나 이상을 위한 설치 패키지를 포함하는 DVD가 액세스 가능하다. 설치 패키지는 컴퓨팅 시스템(100)(예컨대, 메모리)에서 인식 모듈(110) 및 분석 모듈(112) 중 하나 이상을 설치하기 위해 프로세서(102)에서 실행되거나 해석될 수 있다. 컴퓨팅 시스템(100)은 그 후, 인식 모듈(110) 및 분석 모듈(112)을 호스팅하거나 실행할 수 있다. 일부 구현들에서, 인식 모듈(110) 및 분석 모듈(112)은 다수의 소스들, 로케이션들 또는 자원들로부터 액세스되거나 설치될 수 있다. 예컨대, 인식 모듈(110) 및 분석 모듈(112)의 일부 컴포넌트들은 통신 링크를 통해 설치될 수 있고, 인식 모듈(110) 및 분석 모듈(112)의 다른 컴포넌트들은 DVD로부터 설치될 수 있다.

[00062] 본 발명의 컴퓨팅 플랫폼(100)은 비선형 학습을 통해 토픽에서 사용자의 원하는 숙련도를 발달시키기 위해 사용된다. 플랫폼(100)은 네트워크에 통신 가능하게 커플링되고, 프로세서, AIP(adoptive information potential) 모듈(114), 적어도 커그니그래픽 데이터 및 비-커그니그래픽 데이터에 할당된 부분들을 포함하는 데이터베이스(116), 및 컴퓨터 판독-가능 명령들이 내부에 저장되어 있는 적어도 하나의 비-일시적인 컴퓨터-판독 가능 저장 매체를 포함하는 서버(101)를 포함한다.

[00063] 프로세서(102)는 플랫폼(100)에 의해 프롬프트된 하나 이상의 질문들의 세트에 기초하여 사용자로부터 입력을 수신하기 위한 컴퓨터-판독 가능 명령들을 실행하며, 하나 이상의 질문들의 세트는 커그니그래픽 데이터 및 비-커그니그래픽 데이터를 포함한다. 프로세서(102)는 추가로, 커그니그래픽 및 비-커그니그래픽 데이터에 기초하여 사용자 프로파일을 구성하고, 데이터베이스(116)에 사용자 프로파일을 저장하고, 사용자 프로파일에 기초하여, 사용자에 대한 제1 AIP 추천을 생성하기 위한 컴퓨터-판독 가능 명령들을 실행하며, 제1 AIP 추천은 사용자 프로파일에 기초하여 사용자에 의해 이수될 하나 이상의 코스들 또는 트레이닝의 제1 세트를 포함한다.

[00064] 위에서 언급된 대로, 프로세서(102)는 사용자의 제1 AIP 평가를 실행하고, 사용자가 제1 AIP 평가를 통과하지 못한 것에 대한 응답으로, AIP 학습의 하나 이상의 레벨들 중 제1 레벨을 실행하고 하나 이상의 가변 AIP 학습 시나리오들 중 적어도 하나를 사용자에게 디스플레이하고 ― 제1 레벨은 인지 및 비-인지 속성들을 포함하는 사용자 프로파일에 따라 선택됨 ― , 그리고 하나 이상의 조건들의 세트에 기초하여 사용자 프로파일의 지속적인 체크 및 업데이트를 수행하기 위한 컴퓨터-판독 가능 명령들을 실행한다.

[00065] 사용자에 의한 제1 레벨의 하나 이상의 가변 AIP 학습 시나리오들의 완료에 대한 응답으로, 사용자에게 출구 시나리오 테스트를 제공하여, 출구 시나리오 테스트에 기초하여 AIP 학습의 하나 이상의 레벨들 중 제2 레벨로 사용자를 전진시킨다. 프로세서(102)는 토픽에서 사용자의 원하는 숙련도를 달성하기 위해 AIP 학습의 하나 이상의 레벨들을 반복적으로 실행하기 위한 컴퓨터-판독 가능 명령들을 실행한다.

[00066] 하나 이상의 가변 학습 시나리오들 각각은 사용자의 학습 패턴에 따라 포지셔닝된 학습 블록들의 논리적 체인들을 포함하고, 하나 이상의 가변 AIP 학습 시나리오들은 토픽에 대응하는 사용자의 하나 이상의 관심사들에 매칭된다. 학습 블록들은 적어도, 함께 연결된 하나의 입력 블록 및 하나의 출력 블록을 포함한다. 학습 블록들은 입력 콘텐츠 및 출력 콘텐츠를 포함하고, 입력 콘텐츠는 텍스트, 오디오, 비디오 또는 이미지들을 포함하고, 출력 아이템들은 사용자와 입력 콘텐츠의 상호작용을 포함한다.

[00067] 하나 이상의 조건들의 세트는, 각각의 AIP 학습 시나리오 또는 세션에서 소요된 시간, 각각의 AIP 학습 시나리오의 작업 또는 목표를 완료하는 데 있어 사용자의 속도 또는 사용자의 응답 속도, 작업 또는 목표를 완료하기 위한 사용자에 의한 시도 횟수, 절대적 또는 상대적 정답 점수, 인구 통계, 사용자의 로케이션, 사용자의 컴퓨팅 디바이스, 사용자의 연결 속도 또는 사용자 로케이션의 기상 조건들 중 적어도 하나를 포함한다. 지속적인 체크는 (1) 하나 이상의 조건들의 세트의 지속적인 체크, 및 (2) 전체 AIP 평가를 포함한다.

[00068] 프로세서(102)는 사용자가 전체 AIP 평가를 통과한 것에 대한 응답으로, 사용자로 하여금 AIP 학습을 빠져나가게 하도록 구성된다. 프로세서(102)는, 사용자가 전체 AIP 평가에 실패한 것에 대한 응답으로, 사용자를 (1) 하나 이상의 가변 AIP 학습 시나리오들 중 적어도 하나, 또는 (2) AIP 학습의 하나 이상의 레벨들 중 하나로 리디렉팅하도록 구성된다. 프로세서(102)는 사용자가 제1 AIP 평가를 통과한 것에 대한 응답으로, 사용자로 하여금 AIP 학습을 빠져나가게 하도록 구성된다.

[00069] 컴퓨터-판독 가능 저장 매체는 명령들을 표현하는 코드를 저장하기 위한 것이며, 이 명령들은, 프로세서(102)에서 실행될 때 프로세서(102)로 하여금, 비선형 학습을 통해, 토픽에서 사용자의 원하는 숙련도를 발달시키는 것을 수행하기 위한 명령들을 저장하게 하고, 서버(101)는 네트워크에 통신 가능하게 커플링되고 프로세서(102), AIP(Adoptive Information Potential) 모듈(114), 적어도 커그니그래픽 데이터 및 비-커그니그래픽 데이터에 할당된 부분들을 포함하는 데이터베이스(116)를 포함한다. 컴퓨터 판독 가능 매체는, 플랫폼(100)에 의해 프롬프트된 하나 이상의 질문들의 세트에 기초하여 사용자로부터 입력을 수신하고 ― 하나 이상의 질문들의 세트는 커그니그래픽 데이터 및 비-커그니그래픽 데이터를 포함함 ― , 커그니그래픽 및 비-커그니그래픽 데이터에 기초하여 사용자 프로파일을 구성한다.

[00070] AIP(Adoptive Information potential) 모듈은 연구 토픽 또는 테마, 및 기능에 따라 그룹 내에서 연구의 특정 집중(concentration)들 및 영역들을 분리하기 위해 토픽적으로 설계 및 설정되는 각각의 주제 영역 섹션 또는 도메인에 할당되는 복수의 제1 식별자들(A1, A2, A3, A4, ......An)을 생성한다. AIP(adoptive information potential) 모듈(114)은 주제 영역 섹션들 각각을 개개의 서브-레벨들로 분할하며, 여기서 각각은 개개의 주제 영역의 명세 및 전문화와 같은 스킬 엘리먼트를 반영한다. AIP(adoptive information potential) 모듈(114)은 각각의 스킬 엘리먼트에 할당되는 복수의 제2 식별자들 이를테면, B1, B2, B3, B4, ...... Bn을 생성하며, 여기서 각각의 스킬 엘리먼트는 기능적으로, 토픽적으로 또는 테마적으로 링크되고 함께 그룹화될 수 있는 특정 수의 포텐셜(potential)들을 적절하게 수행, 실행 및 적용하는 능력을 표현한다. 각각의 서브-레벨은 다수의 스킬 엘리먼트들을 반영한다.

[00071] AIP(adoptive information potential) 모듈(114)은 스킬 엘리먼트(20) 각각에 할당되는 복수의 제3 식별자들(C1, C2, C 3, C 4, ...... Cn)을 생성하며, 여기서 제3 식별자들(C1, C2, C3, C4, ......Cn) 각각은 개개의 스킬 레벨, 유형, 및 카테고리 중 적어도 하나를 표시한다. 스킬 요구들의 목록과 상관된 중요 엘리먼트(30)의 목록은 복수의 제4 식별자들(D1, D2, D3, D4, .....Dn)에 의해 분리된다.

[00072] AIP(Adoptive Information potential) 모듈(114)은 학습 블록들의 일련의 또는 논리적 체인들을 포함하는 복수의 시나리오들을 생성하며, 이 시나리오들은 체크되어 임의의 변경에 적응시키고 학습자를 상이한 레벨 또는 시나리오로 리디렉팅하기 위해 학습자의 커그니그래픽 프로파일을 체크하면서, 학습자가 어떻게 학습하는지에 따라 이들이 정확히 피팅되도록 보장할 것이다. 방법은, 학습자가 성공적으로 시나리오들을 완료하고 트레이닝을 완료했는지를 평가하도록 상이한 시나리오들 및 레벨들의 종합적인 질문들 및 테스트들에 대한 응답으로 스킬이 학습된 경우 복수의 제4 식별자들(D1, D2, D3, D4, ...... Dn)과 매칭하도록 최종 결과를 관련시키기 위해 복수의 제1 식별자들(A1, A2, A3, A4, ...... An), 제2 식별자들(B1, B2, B3, B4, ...... Bn), 제3 식별자들(C1, C2, C3, C4, ...... Cn) 사이의 관계 및 상관을 결정 및 추적할 수 있게 한다.

[00073] 컴퓨터 판독 가능 매체는, 데이터베이스(116)에 사용자 프로파일을 저장하고, 사용자 프로파일에 기초하여, 사용자에 대한 제1 AIP 추천을 생성하고 ― 제1 AIP 추천은 사용자 프로파일에 기초하여 사용자에 의해 이수될 하나 이상의 코스들 또는 트레이닝의 제1 세트를 포함함 ― ; 그리고 사용자의 제1 AIP 평가를 실행한다. 사용자가 제1 AIP 평가를 통과하지 못한 것에 대한 응답으로, 컴퓨터 판독 가능 매체는 AIP 학습의 하나 이상의 레벨들 중 제1 레벨을 실행하고 하나 이상의 가변 AIP 학습 시나리오들 중 적어도 하나를 사용자에게 디스플레이하고 제1 레벨은 인지 및 비-인지 속성들을 포함하는 사용자 프로파일에 따라 선택된다.

[00074] 컴퓨터 판독 가능 매체는, 하나 이상의 조건들의 세트에 기초하여 사용자 프로파일의 지속적인 체크 및 업데이트를 수행하고, 그리고 사용자에 의한 제1 레벨의 하나 이상의 가변 AIP 학습 시나리오들의 완료에 대한 응답으로, 사용자에게 출구 시나리오 테스트를 제공하고, 그리하여 출구 시나리오 테스트에 기초하여 AIP 학습의 하나 이상의 레벨들 중 제2 레벨로 사용자를 전진시킨다. 컴퓨터 판독 가능 매체는 토픽에서 사용자의 원하는 숙련도를 달성하기 위해 AIP 학습의 하나 이상의 레벨들을 반복적으로 실행한다.

[00075] 사용자가 제1 AIP 평가를 통과하지 못한 것에 대한 응답으로, AIP 학습의 하나 이상의 레벨들 중 제1 레벨을 실행하고 하나 이상의 가변 AIP 학습 시나리오들 중 적어도 하나를 디스플레이하고, 하나 이상의 가변 AIP 학습 시나리오들 각각은 사용자의 학습 패턴에 따라 포지셔닝된 학습 블록들의 논리적 체인들을 포함하고, 하나 이상의 가변 AIP 학습 시나리오들은 토픽에 대응하는 사용자의 하나 이상의 관심사들에 매칭된다. 컴퓨터 판독 가능 매체는, 적어도, 함께 연결된 하나의 입력 블록 및 하나의 출력 블록을 포함하는 학습 블록들을 제시하도록 적응 가능하다.

[00076] 컴퓨터 판독 가능 매체는, 입력 콘텐츠 및 출력 콘텐츠를 포함하는 학습 블록들을 제시하도록 적응 가능하고, 입력 콘텐츠는 텍스트, 오디오, 비디오 또는 이미지들을 포함하고, 출력 아이템들은 사용자와 입력 콘텐츠의 상호작용을 포함한다. 컴퓨터 판독 가능 매체는, 각각의 AIP 학습 시나리오 또는 세션에서 소요된 시간, 각각의 AIP 학습 시나리오의 작업 또는 목표를 완료하는 데 있어 사용자의 속도 또는 사용자의 응답 속도, 작업 또는 목표를 완료하기 위한 사용자에 의한 시도 횟수, 절대적 또는 상대적 정답 점수, 인구 통계, 사용자의 로케이션, 사용자의 컴퓨팅 디바이스, 사용자의 연결 속도 또는 사용자 로케이션의 기상 조건들 중 적어도 하나를 포함하는 하나 이상의 조건들의 세트를 제시하도록 적응 가능하다.

[00077] 컴퓨터 판독 가능 매체는, (1) 하나 이상의 조건들의 세트의 지속적인 체크, 및 (2) 전체 AIP 평가를 포함하는 체크를 제시하도록 적응 가능하다. 컴퓨터 판독 가능 매체는, 사용자가 전체 AIP 평가를 통과한 것에 대한 응답으로 프로세서와 통신하도록 구성되고 사용자로 하여금 AIP 학습을 빠져나가게 하도록 구성된다. 컴퓨터 판독 가능 매체는, 사용자가 전체 AIP 평가에 실패했다는 응답을 수신하도록 구성되고 사용자를, (1) 하나 이상의 가변 AIP 학습 시나리오들 중 적어도 하나, 또는 (2) AIP 학습의 하나 이상의 레벨들 중 하나로 리디렉팅하도록 구성되고, 프로세서는 사용자가 제1 AIP 평가를 통과한 것에 대한 응답으로, 사용자로 하여금 AIP 학습을 빠져나가게 하도록 구성된다.

[00078] 방법은 명령들을 저장하며, 이 명령들은 비선형 학습을 통해 토픽에서 사용자의 원하는 숙련도를 발달시키는 것을 수행하도록 하나 이상의 프로세서들에 의해 실행 가능하며, 서버(101)는 네트워크에 통신 가능하게 커플링되고 프로세서(102), AIP(adoptive information platform) 모듈(114), 적어도 커그니그래픽 데이터 및 비-커그니그래픽 데이터에 할당된 부분들을 포함하는 데이터베이스(116), 및 컴퓨터 판독-가능 명령들이 내부에 저장되어 있는 적어도 하나의 비-일시적인 컴퓨터-판독 가능 저장 매체를 포함한다. 이 방법은 플랫폼(100)에 의해 프롬프트된 하나 이상의 질문들의 세트에 기초하여 사용자로부터 입력을 수신하는 단계 ― 하나 이상의 질문들의 세트는 커그니그래픽 데이터 및 비-커그니그래픽 데이터를 포함함 ― , 및 커그니그래픽 및 비-커그니그래픽 데이터에 기초하여 사용자 프로파일을 구성하는 단계를 포함한다.

[00079] 방법은 데이터베이스(116)에 사용자 프로파일을 저장하는 단계, 및 사용자 프로파일에 기초하여, 사용자에 대한 제1 AIP 추천을 생성하는 단계를 더 포함하고, 제1 AIP 추천은 사용자 프로파일에 기초하여 사용자에 의해 이수될 하나 이상의 코스들 또는 트레이닝의 제1 세트를 포함한다. 방법은, 사용자의 제1 AIP 평가를 실행하는 단계, 및 사용자가 제1 AIP 평가를 통과하지 못한 것에 대한 응답으로, AIP 학습의 하나 이상의 레벨들 중 제1 레벨을 실행하고 하나 이상의 가변 AIP 학습 시나리오들 중 적어도 하나를 사용자에게 디스플레이하는 단계를 더 포함하고, 제1 레벨은 인지 및 비-인지 속성들을 포함하는 사용자 프로파일에 따라 선택된다.

[00080] 방법은, 하나 이상의 조건들의 세트에 기초하여 사용자 프로파일의 지속적인 체크 및 업데이트를 수행하는 단계, 및 사용자에 의한 제1 레벨의 하나 이상의 가변 AIP 학습 시나리오들의 완료에 대한 응답으로, 사용자에게 출구 시나리오 테스트를 제공하는 단계를 더 포함한다. 방법은, 출구 시나리오 테스트에 기초하여 AIP 학습의 하나 이상의 레벨들 중 제2 레벨로 사용자를 전진시키는 단계; 및 토픽에서 사용자의 원하는 숙련도를 달성하기 위해 AIP 학습의 하나 이상의 레벨들을 반복적으로 실행하는 단계를 더 포함한다.

[00081] 사용자가 제1 AIP 평가를 통과하지 못한 것에 대한 응답으로, AIP 학습의 하나 이상의 레벨들 중 제1 레벨을 실행하고 하나 이상의 가변 AIP 학습 시나리오들 중 적어도 하나를 디스플레이하고, 하나 이상의 가변 AIP 학습 시나리오들 각각은 사용자의 학습 패턴에 따라 포지셔닝된 학습 블록들의 논리적 체인들을 포함하고, 하나 이상의 가변 AIP 학습 시나리오들은 토픽에 대응하는 사용자의 하나 이상의 관심사들에 매칭된다. 방법은, 적어도, 함께 연결된 하나의 입력 블록 및 하나의 출력 블록을 포함하는 학습 블록들을 제시하도록 적응 가능하다. 방법은, 입력 콘텐츠 및 출력 콘텐츠를 포함하는 학습 블록들을 제시하도록 적응 가능하고, 입력 콘텐츠는 텍스트, 오디오, 비디오 또는 이미지들을 포함하고, 출력 아이템들은 사용자와 입력 콘텐츠의 상호작용을 포함한다.

[00082] 방법은 각각의 AIP 학습 시나리오 또는 세션에서 소요된 시간, 각각의 AIP 학습 시나리오의 작업 또는 목표를 완료하는 데 있어 사용자의 속도 또는 사용자의 응답 속도, 작업 또는 목표를 완료하기 위한 사용자에 의한 시도 횟수, 절대적 또는 상대적 정답 점수, 인구 통계, 사용자의 로케이션, 사용자의 컴퓨팅 디바이스, 사용자의 연결 속도 또는 사용자 로케이션의 기상 조건들 중 적어도 하나를 포함하는 하나 이상의 조건들의 세트를 제시하도록 적응 가능하다.

[00083] 방법은, (1) 하나 이상의 조건들의 세트의 지속적인 체크, 및 (2) 전체 AIP 평가를 포함하는 체크를 제시하도록 적응 가능하다. 방법은, 사용자가 전체 AIP 평가를 통과한 것에 대한 응답으로 프로세서(102)와 통신하도록 구성하고 사용자로 하여금 AIP 학습을 빠져나가게 하도록 구성하는 단계를 포함한다. 방법은, 사용자가 전체 AIP 평가에 실패했다는 응답을 수신하고 사용자를, (1) 하나 이상의 가변 AIP 학습 시나리오들 중 적어도 하나, 또는 (2) AIP 학습의 하나 이상의 레벨들 중 하나로 리디렉팅하도록 구성하는 단계를 포함하고, 프로세서는 사용자가 제1 AIP 평가를 통과한 것에 대한 응답으로, 사용자로 하여금 AIP 학습을 빠져나가게 하도록 구성된다.

[00084] 도 2는 등록 및 AIP 추천 페이즈를 도시하며, 여기서 "커그니그래픽(COGNIGRAPHICS)"은 신조어(cognitive + graphics)를 의미하며 사용자의 인지 및 학습 능력들, 선호도들, 지능들 및 스타일들에 관한 정보를 지칭한다. 이러한 커그니그래픽 데이터는 학습자 프로파일에 기여하고 그에 추가된다. "비-커그니그래픽(NON-COGNIGRAPHICS)"은 학습자의 학습 또는 인지 정보(커그니그래픽)와 관련이 없는, 학습자에 관한 임의의 정보를 의미한다. 이 데이터는 인구통계(나이, 성별, 로케이션 등) 및 선호도들, 정치적 견해들, 종교적 견해들 등과 같은 다른 정보를 포함한다. "설문(QUESTIONNAIRE)"은 커그니그래픽 및 비-커그니그래픽 데이터를 수집하는 도구들 및 방법들 중 하나를 의미한다. 설문은 학습자에게 자신을 가장 잘 설명하는 문장들을 선택하거나 평가하도록 요청하는 일련의 짧은 질문들의 포맷을 취한다. "학습자 프로파일"은 개인, 인구통계, 커그니그래픽 및 다른 비 커그니그래픽 데이터를 포함하는, 학습자에 관한 데이터 및 정보의 모음이다. 프로파일은 가능한 한 학습자를 반영하고 적절한 상태로 프로파일을 유지하기 위해 상이한 도구들을 통해 자주 업데이트된다. AIP 단일 액션은 어떠한 등급화 가능한 성과 측정 없이 단 2개의 옵션들: "할 수 있음" 또는 "할 수 없음"만을 가져야 하는 그의 대응하는 제약들을 변경 및 수정한 후 다수의 맥락들 및 시나리오들에서 정보를 적응시키는 능력을 의미한다. 등록: 1에 도시된 바와 같이, 1-A에 도시된 바와 같이 사용자가 가입하면, 사용자는 2에 도시된 바와 같이 학습자 프로파일을 생성하기 위해 학습자 프로파일(LEARNER PROFILE로)로 넘어간다.

[00085] 3에 도시된 바와 같이, 사용자는 데이터를 입력하고 설문들 및 질문들에 대답하여 자신의 프로파일을 구축/업데이트하는데: 설문 또는 조사(survey)는 학습자들을 더 많이 알기 위해 학습자들의 중요한 데이터를 수집하도록 과학적으로 설계된다. 학습자 프로파일의 데이터가 더 정확하고 정밀할수록, 학습이 더 개인화되고 효과적이 될 것이다. 학습자 프로파일을 포함하는 데이터의 유형들은 2개의 유형들, 즉 커그니그래픽 데이터 및 비-커그니그래픽 데이터로 이루어진다. 이 데이터 세트는 학습자들의 인지 능력들, 역량들 및 강점들에 관한 한, 학습자들의 특성들 및 속성들에 관한 것이다.

[00086] 일부 학습자들은 특정 유형의 지능을 소유하거나 특정 마인드 스타일을 가질 수 있다. 학습자의 프로파일에서 커그니그래픽 데이터는 이러한 모든 중요한 세부사항들을 저장하고 학습자가 받게 될 학습 콘텐츠가 이러한 선호도들 및 특성들과 매칭하게 될 것을 보장할 것이다. 이 데이터는 일반적으로 일부 설문들에 대답하거나 일부 질문들에 대답하여 학습자들의 인지 세부사항들을 밝혀냄으로써 수집 및 업데이트된다. 비-커그니그래픽 데이터는 학습이 각각의 학습자에게 개인화되게 하기 위해 필요로 되는 모든 다른 비-인지 데이터와 관련된 데이터 세트이다. 데이터는 관심사들, 취미들, 로케이션, 성별, 인종, 정치적 견해들 등을 포함(그러나 이에 제한되지 않음)한다. 이 데이터 세트는 또한, 학습자가 학습하는 동안 직면하고 노출될 콘텐츠 및 시나리오들을 학습자에게 통지할 것이므로 중요하다. 개념은, 콘텐츠가 학습자의 관심사들 및 환경에 매칭할수록, 학습이 보다 효율적이 된다는 것이다. 학습자 프로파일은 학습 프로세스의 시작점이다. 이는 학습 콘텐츠의 유형, 성질, 형식, 속도 및 주어진 콘텐츠의 다수의 다른 속성들을 각각의 학습자에게 통지한다.

[00087] 학습자들은 도 2에 도시된 바와 같이 매칭 레벨들을 통해 자신의 학습 프로파일에 정렬되고 매칭되는 콘텐츠로 시작하지만, 학습자들은 이들이 새로운 인지 능력들을 습득하게 하기 위해 그들의 프로파일과 매칭되는 것들 이외의 다른 인지 능력들, 지능들 및 양상들을 발달시키도록 학습자들을 트레이닝시키기 위해 다른 상이한 레벨들로부터 상이한 콘텐츠를 점진적으로 받을 것이다. 3-A에 도시된 바와 같이, 데이터는 학습자 프로파일로서 데이터베이스에 저장되고: 이 데이터는 주기적으로 그리고 로그인, 트레이닝 완료 등과 같은 일부 특정된 이벤트들에서 업데이트될 것이다.

[00088] 도 3은 AIP 평가 프로세스 페이즈를 도시한다. 일련의 질문들의 AIP 능력 테스트는 학습자가 AIP를 수행할 수 있는지/AIP를 이미 마스터했는지를 결정하기 위한 것이고, END DIP 학습자는 AIP 평가 또는 학습을 빠져나간다. AIP가 선택되고 사용자는 6에 도시된 바와 같이 평가를 받게 된다. AIP 능력 테스트: 할 수 있음 또는 할 수 없음. 평가는 7에 도시된 바와 같이 학습자가 이미 이 AIP를 마스터했는지 여부를 테스트하려는 것이다. AIP 능력 테스트를 받을 때, 8에 도시된 바와 같이 그리고 추가로, 8-A에 도시된 바와 같이, 통과한 경우, AIP 빠져나가, 16으로 이동한다: 학습자가 AIP 능력 테스트를 통과하면, 이는 학습자가 그것을 실행할 수 있고 그들이 그 특정 AIP의 트레이닝을 받을 필요가 없음을 의미한다. 8-B에 도시된 바와 같이, 실패인 경우, 9로 이동한다. 학습자가 실패하면, 이들은 AIP 학습을 받는다.

[00089] 도 4는 AIP 학습 ― 시나리오들 및 블록들 페이즈를 도시한다. 레벨들은 레벨 선택, 콘텐츠 성질, 콘텐츠 유형 및 전달을 통지하는 구별되는 학습자 커그니그래픽 데이터 및 정보이다. 다수의 상이한 레벨들이 존재한다. 각각의 레벨은 인지 능력 또는 특성 또는 역량 또는 지능 유형이다. 시나리오들은 학습자가 어떻게 학습하는지에 따라, 입력 블록들 및 출력 블록들을 함께 연결하는, 정확히 맞는 학습 블록들의 일련의 또는 논리적 체인들이다. 콘텐츠 아이템들 및 화면들은 텍스트들, 오디오, 비디오, 이미지들 등과 같은 정보의 입력 및 학습자들이 질문들에 대답하거나 프롬프트들에 응답함으로써 콘텐츠와 상호작용하는 출력을 갖는다.

[00090] 임의의 변경에 적응하고 이를 상이한 레벨 또는 시나리오로 리디렉팅하기 위해 학습자(학습자 프로파일)의 커그니그래픽이 지속적으로 체크된다. 일련의 블록들 및 질문들은 학습자가 시나리오를 성공적으로 완료했는지 확인하기 위한 것이다. 9에 도시된 바와 같이, 변수들의 세트는 변수들의 임의의 변경들을 검출하고 학습자를 리디렉팅하여 학습자 프로파일을 상응하게 업데이트하기 위해 시스템에 의해 체크된다. 시스템(100)은 학습자의 학습 프로파일에 따라 학습자를 개개의 레벨 ― 여기서 레벨 X임 ― 로 넘길 것이다. 학습자 프로파일(포인트 #3)은 학습자가 트레이닝을 시작할 레벨을 알려주며 그에 영향을 미칠 것이다. 학습 프로파일은 인지적 속성 및 비-인지적 속성을 갖는다. 따라서 학습자의 프로파일이 음악적-리듬 지능으로 표시된 경우 10에 도시된 바와 같이 트레이닝은 그 레벨에서 시작할 것이다.

[00091] 위에서 언급한 대로, 각각의 AIP는 무한한 수의 시나리오들을 갖는데, 그 이유는 이들이 AIP가 어떻게 실행되는지 그리고 포텐셜(AIP의 액션)의 수행이 맥락마다 어떻게 변경될 수 있는지를 표현하기 때문이다. 예컨대, IT 업계의 채용 담당자들을 위한 AIP "디자인 채용 현황 보고서"는 교육 업계의 채용 담당자인 자들로부터의 것과 상이한 시나리오를 가질 것이고, 또는 그것은 하나의 시나리오에서는 프로젝트-기반 학습에서 제공될 수 있고 다른 시나리오에서는 스캐폴딩(scaffolding)에서 제공될 수 있지만 이는 동일한 AIP이다. 또한 시나리오들은 학습자의 관심사들을 반영하고 관심사들과 매칭될 수 있다. 예컨대, 자동차들 및 엔진들에 관심이 있는 학습자들은 예컨대, 자동차들 및 엔진 콘텐츠와 관련이 있는 시나리오들에서 트레이닝될 것이다.

[00092] 학습자는 텍스트 및 비디오들과 같은 입력 정보를 보여주는 특별히 설계된 슬라이드들 및 화면들, 및 활동들 및 작업들과 같은 다른 출력 슬라이드들 및 화면들을 갖는 일련의 블록들(입력 및 출력)을 갖는 시나리오 학습을 시작한다. 11에 도시된 바와 같이, 시스템(100)이 변수의 임의의 변경을 검출하고 그에 따라 학습자 프로파일을 업데이트하기 위해 빈번하게 그리고 자동으로 체크하게 될 일 세트의 조건들이 존재한다. 이러한 체크들은 다음 조건들: 현재 시나리오, AIP, 세션, 플랫폼 등에서 소비한 시간, 응답 속도 및 학습자가 작업들 및 활동들을 얼마나 빨리 완료하는지, 이를테면, 활동 또는 작업 당 학습자의 시도 횟수, 정답 점수(절대/상대), 인구 통계, 학습자의 로케이션, 학습자에 의해 사용하는 디바이스, 연결 속도, 학습자의 로케이션의 날씨를 포함할 것이다. 이러한 조건들을 자동으로 테스트하는 것으로부터의 응답에 기초하여, 학습자는 그의 학습자 프로파일을 업데이트하도록 리디렉팅되고 결국 상이한 레벨, 시나리오로 리디렉팅되거나 테스트 등으로 넘겨질 수 있다. 시나리오 트레이닝이 완료되면, 12에 도시된 바와 같이, 학습자들은 시나리오의 완료를 결정하기 위해 출구 시나리오 테스트를 받는다. 출구 시나리오 텍스트는 이 특정 시나리오에서 이 특정 AIP 엘리먼트 또는 토픽의 완료 또는 마스터링을 측정하는 종합적인 방식이다.

[00093] 도 5는 AIP 체크들 및 비선형 학습 페이즈를 도시한다. 여기에서, 학습자가 공부중인 AIP와 관련하여 학습자의 진행 및 성취도를 테스트하기 위한 일련의 질문들, 테스트들 및 활동들이 있다. 평가는 사용 가능한 모든 레벨들 및 시나리오들로부터의 상이한 활동들 및 테스트들로 구성된다. 지속적인 체크 프로세스: 2번의 체크들: 13-A에 도시된 바와 같이 조건들의 지속적인 체크 ― 변경이 존재하는 경우, 시스템들은 학습자를 #3으로 넘김 ― , 및 13-B에 도시된 바와 같이, AIP 평가(전체 평가)가 수반된다. 성공적으로 완료되고 학습자가 통과하는 경우, 학습자는 AIP 트레이닝을 빠져나갈 준비가 된 것이다. 실패하는 경우, 시스템이 학습자 프로파일을 체크할 것이고 학습자를 다른 시나리오(14) 또는 레벨(15)로 리디렉팅할 수 있다. 학습자 프로파일 및 데이터(커그니그래픽 및 비-커그니그래픽 데이터)에서 어떠한 변경도 존재하지 않는 경우, 학습자들은 동일한 시나리오를 반복할 것이다.

[00094] 시스템은 체크 결과에 따라 동일한 레벨의 상이한 시나리오에서 학습자가 트레이닝하게 할 것이다. 학습자들은 그 특정 레벨에서 그 AIP에서 사용 가능한 모든 가능한 시나리오들 상에서 교육을 받을 기회가 있을 것이다. 그 후 13에 도시된 바와 같이 지속적으로 체크하고 14에 도시된 바와 같이 다른 시나리오로 리디렉팅하는 프로세스가 지속된다. 시스템은 (13) 결과의 지속적인 체크에 따라 학습자들을 상이한 레벨들로 넘길 것이다. 학습자가 하나의 레벨을 마무리할 때, 이들은 자신의 다른 약한 인지 역량들 또는 능력들을 트레이닝하기 위해 다른 레벨(15)로 넘겨진다. 그 후 프로세스는 (13) 및 (14)에 따라 지속되어, "AIP 전체 평가"를 체크하고 통과하는 경우 AIP 트레이닝을 빠져나가 종료하거나 또는 "AIP 전체 평가"를 체크하고 실패하는 경우, 학습자 프로파일(커그니그래픽 및 비-커그니그래픽)의 변경들의 지속적인 체크가 이루어지면서 학습자는 AIP의 다른 시나리오로 리디렉팅된다.

[00095] 본 발명이 예시적인 실시예를 참조하여 설명되었지만, 본 발명의 범위로부터 벗어나지 않으면서 다양한 변경들이 가해질 수 있고 등가물들이 그의 엘리먼트들을 대체할 수 있다는 것이 당업자에 의해 이해될 것이다. 또한, 본 발명의 본질적인 범위로부터 벗어남 없이 본 발명의 교시내용들에 특정 상황 또는 재료를 적응시키기 위한 다수의 수정들이 이루어질 수 있다. 따라서, 본 발명은, 본 발명을 수행하기 위해 고려된 최상의 모드로서 개시된 특정 실시예로 제한되는 것이 아니라, 본 발명은 첨부된 청구항들의 범위 내에 있는 모든 실시예들을 포함하는 것으로 의도된다.

Claims (25)

1. 비선형 학습을 통해, 토픽에서 사용자의 원하는 숙련도를 발달시키기 위한 컴퓨팅 플랫폼으로서,
   네트워크에 통신 가능하게 커플링되고, 프로세서, AIP(adoptive information potential) 모듈, 적어도 커그니그래픽 데이터 및 비-커그니그래픽(non-cognigraphics) 데이터에 할당된 부분들을 포함하는 데이터베이스, 및 컴퓨터 판독-가능 명령들이 내부에 저장되어 있는 적어도 하나의 비-일시적인 컴퓨터-판독 가능 저장 매체를 포함하는 서버를 포함하고,
   상기 프로세서는, 상기 컴퓨터-판독 가능 명령들을 실행하고, 상기 컴퓨터-판독 가능 명령들은,
   상기 플랫폼에 의해 프롬프트된 하나 이상의 질문들의 세트에 기초하여 상기 사용자로부터 입력을 수신하고 ― 상기 하나 이상의 질문들의 세트는 커그니그래픽 데이터 및 비-커그니그래픽 데이터를 포함함 ― ;
   상기 커그니그래픽 및 비-커그니그래픽 데이터에 기초하여 사용자 프로파일을 구성하고;
   상기 데이터베이스에 상기 사용자 프로파일을 저장하고;
   상기 사용자 프로파일에 기초하여, 상기 사용자에 대한 제1 AIP 추천(recommendation)을 생성하고 ― 상기 제1 AIP 추천은 상기 사용자 프로파일에 기초하여 상기 사용자에 의해 이수될 하나 이상의 코스들 또는 트레이닝의 제1 세트를 포함함 ― ;
   상기 사용자의 제1 AIP 평가를 실행하고;
   상기 사용자가 상기 제1 AIP 평가를 통과하지 못한 것에 대한 응답으로, AIP 학습의 하나 이상의 레벨들 중 제1 레벨을 실행하고 하나 이상의 가변 AIP 학습 시나리오들 중 적어도 하나를 상기 사용자에게 디스플레이하고 ― 상기 제1 레벨은 인지 및 비-인지 속성들을 포함하는 상기 사용자 프로파일에 따라 선택됨 ― ;
   하나 이상의 조건들의 세트에 기초하여 상기 사용자 프로파일의 지속적인 체크 및 업데이트를 수행하고;
   상기 사용자에 의한 상기 제1 레벨의 하나 이상의 가변 AIP 학습 시나리오들의 완료에 대한 응답으로, 상기 사용자에게 출구 시나리오 테스트(exit scenario test)를 제공하고;
   상기 출구 시나리오 테스트에 기초하여 상기 AIP 학습의 하나 이상의 레벨들 중 제2 레벨로 상기 사용자를 전진시키고; 그리고
   상기 토픽에서 상기 사용자의 원하는 숙련도를 달성하기 위해 상기 AIP 학습의 하나 이상의 레벨들을 반복적으로 실행하기 위한 것인,
   비선형 학습을 통해, 토픽에서 사용자의 원하는 숙련도를 발달시키기 위한 컴퓨팅 플랫폼.
2. 제1 항에 있어서,
   상기 하나 이상의 가변 학습 시나리오들 각각은 상기 사용자의 학습 패턴에 따라 포지셔닝된 학습 블록들의 논리적 체인들을 포함하고,
   상기 하나 이상의 가변 AIP 학습 시나리오들은 상기 토픽에 대응하는 상기 사용자의 하나 이상의 관심사들에 매칭되는,
   비선형 학습을 통해, 토픽에서 사용자의 원하는 숙련도를 발달시키기 위한 컴퓨팅 플랫폼.
3. 제2 항에 있어서,
   상기 학습 블록들은 적어도, 함께 연결된 하나의 입력 블록 및 하나의 출력 블록을 포함하는,
   비선형 학습을 통해, 토픽에서 사용자의 원하는 숙련도를 발달시키기 위한 컴퓨팅 플랫폼.
4. 제3 항에 있어서,
   상기 학습 블록들은 입력 콘텐츠 및 출력 콘텐츠를 포함하고, 상기 입력 콘텐츠는 텍스트, 오디오, 비디오 또는 이미지들을 포함하고, 상기 출력 아이템들은 상기 사용자와 상기 입력 콘텐츠의 상호작용을 포함하는,
   비선형 학습을 통해, 토픽에서 사용자의 원하는 숙련도를 발달시키기 위한 컴퓨팅 플랫폼.
5. 제1 항에 있어서,
   하나 이상의 조건들의 세트는 각각의 AIP 학습 시나리오 또는 세션에서 소요된 시간, 각각의 AIP 학습 시나리오의 작업 또는 목표를 완료하는 데 있어 상기 사용자의 속도 또는 상기 사용자의 응답 속도, 상기 작업 또는 상기 목표를 완료하기 위한 상기 사용자에 의한 시도 횟수, 절대적 또는 상대적 정답 점수, 인구 통계, 상기 사용자의 로케이션, 상기 사용자의 컴퓨팅 디바이스, 상기 사용자의 연결 속도 또는 상기 사용자 로케이션의 기상 조건들 중 적어도 하나를 포함하는,
   비선형 학습을 통해, 토픽에서 사용자의 원하는 숙련도를 발달시키기 위한 컴퓨팅 플랫폼.
6. 제1 항에 있어서,
   상기 지속적인 체크는 (1) 상기 하나 이상의 조건들의 세트의 지속적인 체크, 및 (2) 전체 AIP 평가를 포함하는,
   비선형 학습을 통해, 토픽에서 사용자의 원하는 숙련도를 발달시키기 위한 컴퓨팅 플랫폼.
7. 제6 항에 있어서,
   상기 프로세서는 상기 사용자가 상기 전체 AIP 평가를 통과한 것에 대한 응답으로, 상기 사용자로 하여금 상기 AIP 학습을 빠져나가게 하도록 구성되는,
   비선형 학습을 통해, 토픽에서 사용자의 원하는 숙련도를 발달시키기 위한 컴퓨팅 플랫폼.
8. 제6 항에 있어서,
   상기 프로세서는 상기 사용자가 상기 전체 AIP 평가에 실패한 것에 대한 응답으로, 상기 사용자를 (1) 상기 하나 이상의 가변 AIP 학습 시나리오들 중 적어도 하나, 또는 (2) 상기 AIP 학습의 하나 이상의 레벨들 중 하나로 리디렉팅(redirect)하도록 구성되는,
   비선형 학습을 통해, 토픽에서 사용자의 원하는 숙련도를 발달시키기 위한 컴퓨팅 플랫폼.
9. 제1 항에 있어서,
   상기 프로세서는 상기 사용자가 상기 제1 AIP 평가를 통과한 것에 대한 응답으로, 상기 사용자로 하여금 상기 AIP 학습을 빠져나가게 하도록 구성되는,
   비선형 학습을 통해, 토픽에서 사용자의 원하는 숙련도를 발달시키기 위한 컴퓨팅 플랫폼.
10. 명령들을 표현하는 코드를 저장하는 컴퓨터-판독 가능 저장 매체로서,
    상기 명령들은, 프로세서에서 실행될 때 상기 프로세서로 하여금, 비선형 학습을 통해, 토픽에서 사용자의 원하는 숙련도를 발달시키는 것을 수행하기 위한 명령들을 저장하게 하고, 서버는 네트워크에 통신 가능하게 커플링되고 상기 프로세서, AIP(Adoptive Information Potential) 모듈, 적어도 커그니그래픽 데이터 및 비-커그니그래픽 데이터에 할당된 부분들을 포함하는 데이터베이스를 포함하고, 상기 명령들은,
    상기 플랫폼에 의해 프롬프트된 하나 이상의 질문들의 세트에 기초하여 상기 사용자로부터 입력을 수신하고 ― 상기 하나 이상의 질문들의 세트는 커그니그래픽 데이터 및 비-커그니그래픽 데이터를 포함함 ― ;
    상기 커그니그래픽 및 비-커그니그래픽 데이터에 기초하여 사용자 프로파일을 구성하고;
    상기 데이터베이스에 상기 사용자 프로파일을 저장하고;
    상기 사용자 프로파일에 기초하여, 상기 사용자에 대한 제1 AIP 추천을 생성하고 ― 상기 제1 AIP 추천은 상기 사용자 프로파일에 기초하여 상기 사용자에 의해 이수될 하나 이상의 코스들 또는 트레이닝의 제1 세트를 포함함 ― ;
    상기 사용자의 제1 AIP 평가를 실행하고;
    상기 사용자가 상기 제1 AIP 평가를 통과하지 못한 것에 대한 응답으로, AIP 학습의 하나 이상의 레벨들 중 제1 레벨을 실행하고 하나 이상의 가변 AIP 학습 시나리오들 중 적어도 하나를 상기 사용자에게 디스플레이하고 ― 상기 제1 레벨은 인지 및 비-인지 속성들을 포함하는 상기 사용자 프로파일에 따라 선택됨 ― ;
    하나 이상의 조건들의 세트에 기초하여 상기 사용자 프로파일의 지속적인 체크 및 업데이트를 수행하고;
    상기 사용자에 의한 상기 제1 레벨의 하나 이상의 가변 AIP 학습 시나리오들의 완료에 대한 응답으로, 상기 사용자에게 출구 시나리오 테스트를 제공하고;
    상기 출구 시나리오 테스트에 기초하여 상기 AIP 학습의 하나 이상의 레벨들 중 제2 레벨로 상기 사용자를 전진시키고; 그리고
    상기 토픽에서 상기 사용자의 원하는 숙련도를 달성하기 위해 상기 AIP 학습의 하나 이상의 레벨들을 반복적으로 실행하는 것을 포함하는,
    컴퓨터-판독 가능 저장 매체.
11. 제10 항에 있어서,
    상기 사용자가 상기 제1 AIP 평가를 통과하지 못한 것에 대한 응답으로, AIP 학습의 하나 이상의 레벨들 중 제1 레벨을 실행하고 하나 이상의 가변 AIP 학습 시나리오들 중 적어도 하나를 디스플레이하고, 상기 하나 이상의 가변 AIP 학습 시나리오들 각각은 상기 사용자의 학습 패턴에 따라 포지셔닝된 학습 블록들의 논리적 체인들을 포함하고, 상기 하나 이상의 가변 AIP 학습 시나리오들은 상기 토픽에 대응하는 상기 사용자의 하나 이상의 관심사들에 매칭되는,
    컴퓨터-판독 가능 저장 매체.
12. 제11 항에 있어서,
    적어도, 함께 연결된 하나의 입력 블록 및 하나의 출력 블록을 포함하는 학습 블록들을 제시하도록 적응 가능한,
    컴퓨터-판독 가능 저장 매체.
13. 제12 항에 있어서,
    입력 콘텐츠 및 출력 콘텐츠를 포함하는 학습 블록들을 제시하도록 적응 가능하고, 상기 입력 콘텐츠는 텍스트, 오디오, 비디오 또는 이미지들을 포함하고, 상기 출력 아이템들은 상기 사용자와 상기 입력 콘텐츠의 상호작용을 포함하는,
    컴퓨터-판독 가능 저장 매체.
14. 제13 항에 있어서,
    각각의 AIP 학습 시나리오 또는 세션에서 소요된 시간, 각각의 AIP 학습 시나리오의 작업 또는 목표를 완료하는 데 있어 상기 사용자의 속도 또는 상기 사용자의 응답 속도, 상기 작업 또는 상기 목표를 완료하기 위한 상기 사용자에 의한 시도 횟수, 절대적 또는 상대적 정답 점수, 인구 통계, 상기 사용자의 로케이션, 상기 사용자의 컴퓨팅 디바이스, 상기 사용자의 연결 속도 또는 상기 사용자 로케이션의 기상 조건들 중 적어도 하나를 포함하는 하나 이상의 조건들의 세트를 제시하도록 적응 가능한,
    컴퓨터-판독 가능 저장 매체.
15. 제14 항에 있어서,
    (1) 상기 하나 이상의 조건들의 세트의 지속적인 체크, 및 (2) 전체 AIP 평가를 포함하는 체크를 제시하도록 적응 가능한,
    컴퓨터-판독 가능 저장 매체.
16. 제12 항에 있어서,
    상기 사용자가 상기 전체 AIP 평가를 통과한 것에 대한 응답으로 상기 프로세서와 통신하도록 구성되고 상기 사용자로 하여금 상기 AIP 학습을 빠져나가게 하도록 구성되는,
    컴퓨터-판독 가능 저장 매체.
17. 제16 항에 있어서,
    상기 사용자가 상기 전체 AIP 평가에 실패했다는 응답을 수신하도록 구성되고 상기 사용자를, (1) 상기 하나 이상의 가변 AIP 학습 시나리오들 중 적어도 하나, 또는 (2) 상기 AIP 학습의 하나 이상의 레벨들 중 하나로 리디렉팅하도록 구성되고,
    상기 프로세서는 상기 사용자가 상기 제1 AIP 평가를 통과한 것에 대한 응답으로, 상기 사용자로 하여금 상기 AIP 학습을 빠져나가게 하도록 구성되는,
    컴퓨터-판독 가능 저장 매체.
18. 비선형 학습을 통해, 토픽에서 사용자의 원하는 숙련도를 발달시키는 것을 수행하도록 하나 이상의 프로세서들에 의해 실행 가능한 명령들을 저장하는 방법으로서,
    서버는 네트워크에 통신 가능하게 커플링되고, 프로세서, AIP(adoptive information potential) 모듈, 적어도 커그니그래픽 데이터 및 비-커그니그래픽 데이터에 할당된 부분들을 포함하는 데이터베이스, 및 컴퓨터 판독-가능 명령들이 내부에 저장되어 있는 적어도 하나의 비-일시적인 컴퓨터-판독 가능 저장 매체를 포함하고, 상기 방법은,
    상기 플랫폼에 의해 프롬프트된 하나 이상의 질문들의 세트에 기초하여 상기 사용자로부터 입력을 수신하는 단계 ― 상기 하나 이상의 질문들의 세트는 커그니그래픽 데이터 및 비-커그니그래픽 데이터를 포함함 ― ;
    상기 커그니그래픽 및 비-커그니그래픽 데이터에 기초하여 사용자 프로파일을 구성하는 단계;
    상기 데이터베이스에 상기 사용자 프로파일을 저장하는 단계;
    상기 사용자 프로파일에 기초하여, 상기 사용자에 대한 제1 AIP 추천을 생성하는 단계 ― 상기 제1 AIP 추천은 상기 사용자 프로파일에 기초하여 상기 사용자에 의해 이수될 하나 이상의 코스들 또는 트레이닝의 제1 세트를 포함함 ― ;
    상기 사용자의 제1 AIP 평가를 실행하는 단계;
    상기 사용자가 상기 제1 AIP 평가를 통과하지 못한 것에 대한 응답으로, AIP 학습의 하나 이상의 레벨들 중 제1 레벨을 실행하고 하나 이상의 가변 AIP 학습 시나리오들 중 적어도 하나를 상기 사용자에게 디스플레이하는 단계 ― 상기 제1 레벨은 인지 및 비-인지 속성들을 포함하는 상기 사용자 프로파일에 따라 선택됨 ― ;
    하나 이상의 조건들의 세트에 기초하여 상기 사용자 프로파일의 지속적인 체크 및 업데이트를 수행하는 단계;
    상기 사용자에 의한 상기 제1 레벨의 하나 이상의 가변 AIP 학습 시나리오들의 완료에 대한 응답으로, 상기 사용자에게 출구 시나리오 테스트를 제공하는 단계;
    상기 출구 시나리오 테스트에 기초하여 상기 AIP 학습의 하나 이상의 레벨들 중 제2 레벨로 상기 사용자를 전진시키는 단계; 및
    상기 토픽에서 상기 사용자의 원하는 숙련도를 달성하기 위해 상기 AIP 학습의 하나 이상의 레벨들을 반복적으로 실행하는 단계를 포함하는,
    비선형 학습을 통해, 토픽에서 사용자의 원하는 숙련도를 발달시키는 것을 수행하도록 하나 이상의 프로세서들에 의해 실행 가능한 명령들을 저장하는 방법.
19. 제18 항에 있어서,
    상기 사용자가 상기 제1 AIP 평가를 통과하지 못한 것에 대한 응답으로, AIP 학습의 하나 이상의 레벨들 중 제1 레벨을 실행하고 하나 이상의 가변 AIP 학습 시나리오들 중 적어도 하나를 디스플레이하고,
    상기 하나 이상의 가변 AIP 학습 시나리오들 각각은 상기 사용자의 학습 패턴에 따라 포지셔닝된 학습 블록들의 논리적 체인들을 포함하고, 상기 하나 이상의 가변 AIP 학습 시나리오들은 상기 토픽에 대응하는 상기 사용자의 하나 이상의 관심사들에 매칭되는,
    비선형 학습을 통해, 토픽에서 사용자의 원하는 숙련도를 발달시키는 것을 수행하도록 하나 이상의 프로세서들에 의해 실행 가능한 명령들을 저장하는 방법.
20. 제19 항에 있어서,
    적어도, 함께 연결된 하나의 입력 블록 및 하나의 출력 블록을 포함하는 학습 블록들을 제시하는,
    비선형 학습을 통해, 토픽에서 사용자의 원하는 숙련도를 발달시키는 것을 수행하도록 하나 이상의 프로세서들에 의해 실행 가능한 명령들을 저장하는 방법.
21. 제20 항에 있어서,
    입력 콘텐츠 및 출력 콘텐츠를 포함하는 학습 블록들을 제시하고
    상기 입력 콘텐츠는 텍스트, 오디오, 비디오 또는 이미지들을 포함하고, 상기 출력 아이템들은 상기 사용자와 상기 입력 콘텐츠의 상호작용을 포함하는,
    비선형 학습을 통해, 토픽에서 사용자의 원하는 숙련도를 발달시키는 것을 수행하도록 하나 이상의 프로세서들에 의해 실행 가능한 명령들을 저장하는 방법.
22. 제21 항에 있어서,
    각각의 AIP 학습 시나리오 또는 세션에서 소요된 시간, 각각의 AIP 학습 시나리오의 작업 또는 목표를 완료하는 데 있어 상기 사용자의 속도 또는 상기 사용자의 응답 속도, 상기 작업 또는 상기 목표를 완료하기 위한 상기 사용자에 의한 시도 횟수, 절대적 또는 상대적 정답 점수, 인구 통계, 상기 사용자의 로케이션, 상기 사용자의 컴퓨팅 디바이스, 상기 사용자의 연결 속도 또는 상기 사용자 로케이션의 기상 조건들 중 적어도 하나를 포함하는 하나 이상의 조건들의 세트를 제시하는,
    비선형 학습을 통해, 토픽에서 사용자의 원하는 숙련도를 발달시키는 것을 수행하도록 하나 이상의 프로세서들에 의해 실행 가능한 명령들을 저장하는 방법.
23. 제22 항에 있어서,
    (1) 상기 하나 이상의 조건들의 세트의 지속적인 체크, 및 (2) 전체 AIP 평가를 포함하는 체크를 제시하는,
    비선형 학습을 통해, 토픽에서 사용자의 원하는 숙련도를 발달시키는 것을 수행하도록 하나 이상의 프로세서들에 의해 실행 가능한 명령들을 저장하는 방법.
24. 제23 항에 있어서,
    상기 사용자가 상기 전체 AIP 평가를 통과한 것에 대한 응답으로 상기 프로세서와 통신하고 상기 사용자로 하여금 상기 AIP 학습을 빠져나가게 하도록 구성되는,
    비선형 학습을 통해, 토픽에서 사용자의 원하는 숙련도를 발달시키는 것을 수행하도록 하나 이상의 프로세서들에 의해 실행 가능한 명령들을 저장하는 방법.
25. 제24 항에 있어서,
    상기 사용자가 상기 전체 AIP 평가에 실패했다는 응답을 수신하고 상기 사용자를, (1) 상기 하나 이상의 가변 AIP 학습 시나리오들 중 적어도 하나, 또는 (2) 상기 AIP 학습의 하나 이상의 레벨들 중 하나로 리디렉팅하도록 구성되고,
    상기 프로세서는 상기 사용자가 상기 제1 AIP 평가를 통과한 것에 대한 응답으로, 상기 사용자로 하여금 상기 AIP 학습을 빠져나가게 하도록 구성되는,
    비선형 학습을 통해, 토픽에서 사용자의 원하는 숙련도를 발달시키는 것을 수행하도록 하나 이상의 프로세서들에 의해 실행 가능한 명령들을 저장하는 방법.

Images