KR20220010109A - 무료 학습 큐레이션 서비스를 제공하는 서버 및 방법 - Google Patents
무료 학습 큐레이션 서비스를 제공하는 서버 및 방법 Download PDFInfo
- Publication number
- KR20220010109A KR20220010109A KR1020200088603A KR20200088603A KR20220010109A KR 20220010109 A KR20220010109 A KR 20220010109A KR 1020200088603 A KR1020200088603 A KR 1020200088603A KR 20200088603 A KR20200088603 A KR 20200088603A KR 20220010109 A KR20220010109 A KR 20220010109A
- Authority
- KR
- South Korea
- Prior art keywords
- data
- learning
- free
- free learning
- curriculum
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims description 126
- 238000004458 analytical method Methods 0.000 claims abstract description 48
- 238000013145 classification model Methods 0.000 claims abstract description 42
- 238000004364 calculation method Methods 0.000 claims abstract description 31
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 29
- 230000009193 crawling Effects 0.000 claims abstract description 28
- 238000007781 pre-processing Methods 0.000 claims abstract description 27
- 238000010801 machine learning Methods 0.000 claims abstract description 15
- 238000012545 processing Methods 0.000 claims abstract description 11
- 230000004044 response Effects 0.000 claims abstract description 8
- 230000008569 process Effects 0.000 claims description 81
- 238000012549 training Methods 0.000 claims description 33
- 238000005516 engineering process Methods 0.000 claims description 11
- 238000013527 convolutional neural network Methods 0.000 claims description 10
- 238000012706 support-vector machine Methods 0.000 claims description 10
- 238000003058 natural language processing Methods 0.000 claims description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 239000000284 extract Substances 0.000 claims description 7
- 238000000611 regression analysis Methods 0.000 claims description 7
- 238000007726 management method Methods 0.000 claims description 5
- 238000005065 mining Methods 0.000 claims description 5
- 238000010586 diagram Methods 0.000 description 11
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 238000007619 statistical method Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000011985 exploratory data analysis Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000000877 morphologic effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000012925 reference material Substances 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/951—Indexing; Web crawling techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/237—Lexical tools
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/268—Morphological analysis
-
- 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
-
- 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
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/26—Speech to text systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Primary Health Care (AREA)
- Computational Linguistics (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Educational Administration (AREA)
- Educational Technology (AREA)
- Evolutionary Biology (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Algebra (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Human Computer Interaction (AREA)
Abstract
무료 학습 큐레이션 서비스를 제공하는 서버에 있어서, 무료 학습 큐레이션 서비스를 제공하기 위한 명령들을 저장하는 메모리, 및 명령들을 실행함으로써: 서비스 대상 분야를 과목별 및 세부 과정별로 구분하는 미배정 커리큘럼에 대해 과목별 키워드들 및 세부 과정별 키워드들을 선정하여 키워드 사전을 구축하고, 과목별 키워드들 및 세부 과정별 키워드들을 기반으로 무료 학습 플랫폼들에 대한 데이터 크롤링을 수행하여 미배정 커리큘럼에 대한 무료 학습 컨텐츠들의 학습 데이터를 수집하고, 학습 데이터에 대한 데이터 전처리를 수행하여 학습 데이터로부터 분석용 데이터를 추출하고, 머신 러닝을 통해 컨텐츠 분류를 수행하도록 학습되는 인공지능 분류 모형을 활용하여 분석용 데이터를 처리함으로써 무료 학습 컨텐츠들을 미배정 커리큘럼에 분배하여 배정 커리큘럼을 생성하고, 평점 산출 모형에 기초하여 무료 학습 컨텐츠들 각각에 대한 만족도 평점을 산출하고, 그리고 서비스 대상 분야에 관한 유저의 쿼리 입력에 대응하여 배정 커리큘럼의 적어도 일부를 만족도 평점과 함께 유저 단말기에 제공하는 프로세서를 포함하는, 무료 학습 큐레이션 서비스를 제공하는 서버가 개시된다.
Description
본 개시는 무료 학습 큐레이션 서비스를 제공하는 서버 및 방법에 관한 것이다. 보다 상세하게는, 본 개시는 데이터 크롤링을 통해 무료 학습 컨텐츠들을 수집하고 인공지능 기반의 분류 모형으로 이들을 분류하여 커리큘럼을 완성하고 만족도 기반의 통계 모형으로 평점을 산출하여 유저에게 제공하는 서비스를 제공하는 서버 및 방법에 관한 것이다.
무료 학습 컨텐츠를 통한 교육 및 학습에 대한 수요가 증가하고 있다. 유튜브, edwith 및 K-MOOC 등과 같은 무료 학습 플랫폼을 통해 무료 동영상 강의를 시청하는 방식의 학습이 점차 확산되고 있다.
한 시장조사 전문기업의 조사에 따르면, 조사 대상자들의 유튜브 등에서 제공되는 러닝 컨텐츠에 대한 시청 빈도 및 만족도가 상당한 수준이라는 점과 러닝 컨텐츠에 의해 학습 시간 및 학습 비용의 절감이 체감될 수 있다는 점이 조사되었다. 특히, 근래에 4차 산업혁명 관련 기술에 대한 대중의 관심이 증가하면서 빅데이터, 인공지능 및 소프트웨어 등의 분야에 대해서도 무료 학습 컨텐츠 수요가 증가하고 있다.
위와 같이 무료 학습 컨텐츠를 통한 학습이 높은 만족도를 제공하며 그에 대한 수요가 증가하고 있음에도 불구하고, 무료 학습 컨텐츠를 통한 학습은 아직 학습자들에게 많은 불편을 초래하고 있다.
예를 들면, 다양한 플랫폼들에서 컨텐츠를 검색하고 실제 강의 내용이 학습자의 요구와 부합하는지를 따지는 과정에서 많은 시간이 소요될 수 있고, 정립된 체계 없이 컨텐츠들이 다수의 플랫폼들에 혼재되어 있어, 학습자들이 컨텐츠들을 효율적으로 활용하기가 어려울 수 있다는 점이 문제될 수 있다.
본 개시로부터 해결하고자 하는 기술적 과제는 무료 학습 큐레이션 서비스를 제공함으로써 무료 학습 컨텐츠들을 활용하여 학습하는 과정에서의 불편 및 비효율에 관한 문제점들을 해결하는 것이다.
전술한 기술적 과제를 해결하기 위한 수단으로서, 본 개시의 일 측면에 따른 무료 학습 큐레이션 서비스를 제공하는 서버는, 상기 무료 학습 큐레이션 서비스를 제공하기 위한 명령들을 저장하는 메모리; 및 상기 명령들을 실행함으로써: 서비스 대상 분야를 과목별 및 세부 과정별로 구분하는 미배정 커리큘럼에 대해 과목별 키워드들 및 세부 과정별 키워드들을 선정하여 키워드 사전을 구축하고, 상기 과목별 키워드들 및 상기 세부 과정별 키워드들을 기반으로 무료 학습 플랫폼들에 대한 데이터 크롤링을 수행하여 상기 미배정 커리큘럼에 대한 무료 학습 컨텐츠들의 학습 데이터를 수집하고, 상기 학습 데이터에 대한 데이터 전처리를 수행하여 상기 학습 데이터로부터 분석용 데이터를 추출하고, 머신 러닝을 통해 컨텐츠 분류를 수행하도록 학습되는 인공지능 분류 모형을 활용하여 상기 분석용 데이터를 처리함으로써 상기 무료 학습 컨텐츠들을 상기 미배정 커리큘럼에 분배하여 배정 커리큘럼을 생성하고, 평점 산출 모형에 기초하여 상기 무료 학습 컨텐츠들 각각에 대한 만족도 평점을 산출하고, 그리고 상기 서비스 대상 분야에 관한 유저의 쿼리 입력에 대응하여 상기 배정 커리큘럼의 적어도 일부를 상기 만족도 평점과 함께 유저 단말기에 제공하는 프로세서를 포함한다.
본 개시의 다른 측면에 따른 무료 학습 큐레이션 서비스를 제공하는 서버에 의해 무료 학습 큐레이션 서비스를 제공하는 방법은, 서비스 대상 분야를 과목별 및 세부 과정별로 구분하는 미배정 커리큘럼에 대해 과목별 키워드들 및 세부 과정별 키워드들을 선정하여 키워드 사전을 구축하는 단계; 상기 과목별 키워드들 및 상기 세부 과정별 키워드들을 기반으로 무료 학습 플랫폼들에 대한 데이터 크롤링을 수행하여 상기 미배정 커리큘럼에 대한 무료 학습 컨텐츠들의 학습 데이터를 수집하는 단계; 상기 학습 데이터에 대한 데이터 전처리를 수행하여 상기 학습 데이터로부터 분석용 데이터를 추출하는 단계; 머신 러닝을 통해 컨텐츠 분류를 수행하도록 학습되는 인공지능 분류 모형을 활용하여 상기 분석용 데이터를 처리함으로써 상기 무료 학습 컨텐츠들을 상기 미배정 커리큘럼에 분배하여 배정 커리큘럼을 생성하는 단계; 평점 산출 모형에 기초하여 상기 무료 학습 컨텐츠들 각각에 대한 만족도 평점을 산출하는 단계; 및 상기 서비스 대상 분야에 관한 유저의 쿼리 입력에 대응하여 상기 배정 커리큘럼의 적어도 일부를 상기 만족도 평점과 함께 유저 단말기에 제공하는 단계를 포함한다.
본 개시에 따른 서버 및 방법의 무료 학습 큐레이션 서비스에 의하면, 무료 학습 플랫폼들에 대한 데이터 크롤링이 수행되고, 인공지능 분류 모형에 의해 무료 학습 컨텐츠들에 대한 커리큘럼 배정이 수행되며, 평점 산출 모형에 따른 무료 학습 컨텐츠들에 대한 만족도 평점이 산출되는 결과, 배정 커리큘럼 및 만족도 평점이 유저에게 제공될 수 있으므로, 무료 학습 컨텐츠들을 활용하여 학습하는 과정에서의 문제점들이 해결되어, 유저가 무료 학습 컨텐츠들을 활용하는 편의성 및 효율성이 향상될 수 있다.
도 1은 일부 실시예에 따른 무료 학습 큐레이션 서비스를 제공하는 시스템을 설명하기 위한 도면이다.
도 2는 일부 실시예에 따른 무료 학습 큐레이션 서비스를 제공하는 서버를 구성하는 요소들을 나타내는 블록도이다.
도 3은 일부 실시예에 따른 무료 학습 큐레이션 서비스가 제공되는 과정을 설명하기 위한 도면이다.
도 4는 일부 실시예에 따른 미배정 커리큘럼을 설정하고 키워드 사전을 구축하는 과정을 설명하기 위한 도면이다.
도 5는 일부 실시예에 따른 무료 학습 플랫폼들에 대한 데이터 크롤링을 수행하여 학습 데이터를 수집하는 과정을 설명하기 위한 도면이다.
도 6은 일부 실시예에 따른 음성 인식을 수행하여 음성 데이터에 대응되는 텍스트 데이터를 수집하는 과정을 설명하기 위한 도면이다.
도 7은 일부 실시예에 따른 분석용 데이터를 추출하고 배정 커리큘럼을 생성하는 과정을 설명하기 위한 도면이다.
도 8은 일부 실시예에 따른 만족도 평점을 산출하기 위해 평점 산출 모형을 생성하는 과정을 설명하기 위한 도면이다.
도 9는 일부 실시예에 따른 배정 커리큘럼 및 만족도 평점을 유저 단말기에 제공하는 과정을 설명하기 위한 도면이다.
도 10은 일부 실시예에 따른 무료 학습 큐레이션 서비스를 제공하는 방법을 구성하는 단계들을 나타내는 흐름도이다.
도 2는 일부 실시예에 따른 무료 학습 큐레이션 서비스를 제공하는 서버를 구성하는 요소들을 나타내는 블록도이다.
도 3은 일부 실시예에 따른 무료 학습 큐레이션 서비스가 제공되는 과정을 설명하기 위한 도면이다.
도 4는 일부 실시예에 따른 미배정 커리큘럼을 설정하고 키워드 사전을 구축하는 과정을 설명하기 위한 도면이다.
도 5는 일부 실시예에 따른 무료 학습 플랫폼들에 대한 데이터 크롤링을 수행하여 학습 데이터를 수집하는 과정을 설명하기 위한 도면이다.
도 6은 일부 실시예에 따른 음성 인식을 수행하여 음성 데이터에 대응되는 텍스트 데이터를 수집하는 과정을 설명하기 위한 도면이다.
도 7은 일부 실시예에 따른 분석용 데이터를 추출하고 배정 커리큘럼을 생성하는 과정을 설명하기 위한 도면이다.
도 8은 일부 실시예에 따른 만족도 평점을 산출하기 위해 평점 산출 모형을 생성하는 과정을 설명하기 위한 도면이다.
도 9는 일부 실시예에 따른 배정 커리큘럼 및 만족도 평점을 유저 단말기에 제공하는 과정을 설명하기 위한 도면이다.
도 10은 일부 실시예에 따른 무료 학습 큐레이션 서비스를 제공하는 방법을 구성하는 단계들을 나타내는 흐름도이다.
이하에서는 도면을 참조하여 본 개시에 따른 실시예들이 상세하게 설명될 것이다. 이하에서의 설명은 실시예들을 구체화하기 위한 것일 뿐, 본 개시에 따른 권리범위를 제한하거나 한정하기 위한 것은 아니다. 본 개시의 기술 분야에서 통상의 지식을 가진 자가 발명의 상세한 설명 및 실시예들로부터 용이하게 유추할 수 있는 것은 본 개시에 따른 권리범위에 속하는 것으로 해석되어야 한다.
본 개시에서 사용되는 용어는 본 개시의 기술 분야에서 널리 사용되는 일반적인 용어로 기재되었으나, 본 개시에서 사용되는 용어의 의미는 해당 분야에 종사하는 기술자의 의도, 판례 또는 새로운 기술의 출현 등에 따라 달라질 수 있다. 일부 용어는 출원인에 의해 임의로 선정될 수 있고, 이 경우 해당 용어의 의미가 상세하게 설명될 것이다. 본 개시에서 사용되는 용어는 단지 사전적 의미만이 아닌, 명세서의 전반적인 맥락에 따른 의미로 해석되어야 한다.
본 개시에서 사용되는 '구성된다' 또는 '포함한다' 와 같은 용어는 명세서에 기재되는 구성 요소들 또는 단계들을 반드시 모두 포함하는 것으로 해석되지 않아야 하며, 일부 구성 요소들 또는 단계들은 포함되지 않는 경우 및 추가적인 구성 요소들 또는 단계들이 더 포함되는 경우 또한 해당 용어로부터 의도되는 것으로 해석되어야 한다.
본 개시에서 사용되는 '제 1' 또는 '제 2' 와 같은 서수를 포함하는 용어는 다양한 구성 요소들 또는 단계들을 설명하기 위해 사용될 수 있으나, 해당 구성 요소들 또는 단계들을 서수에 의해 한정되지 않아야 한다. 서수를 포함하는 용어는 하나의 구성 요소 또는 단계를 다른 구성 요소들 또는 단계들로부터 구별하기 위한 용도로만 해석되어야 한다.
이하에서는 도면을 참조하여 본 개시에 따른 실시예들이 상세하게 설명될 것이다. 본 개시의 기술 분야에서 통상의 지식을 가진 자에게 널리 알려져 있는 사항들에 대해서는 자세한 설명이 생략된다.
도 1은 일부 실시예에 따른 무료 학습 큐레이션 서비스를 제공하는 시스템을 설명하기 위한 도면이다.
도 1을 참조하면, 무료 학습 큐레이션 서비스를 제공하는 시스템(10)은 무료 학습 큐레이션 서비스를 제공하는 서버(100), 무료 학습 플랫폼들(200) 및 유저 단말기(300)를 포함할 수 있다. 다만 이에 제한되는 것은 아니고, 도 1에 도시된 구성 요소들 외에 다른 범용적인 구성 요소들이 시스템(10)에 더 포함될 수 있다.
시스템(10)은 서버(100)가 무료 학습 플랫폼들(200)을 활용하여 유저 단말기(300)를 사용하는 유저에게 무료 학습 큐레이션 서비스를 제공하기 위한 것일 수 있다. 예를 들면, 시스템(10)은 웹 환경에서 구현되어 무료 학습 큐레이션 서비스가 웹 브라우저를 통해 유저에게 제공될 수 있고, 또는 시스템(10)은 애플리케이션으로 구현되어 무료 학습 큐레이션 서비스가 모바일 디바이스를 통해 유저에게 제공될 수도 있다.
서버(100)는 시스템(10)에서 유저 단말기(300)에 무료 학습 큐레이션 서비스를 제공하기 위한 디바이스일 수 있다. 예를 들면, 서버(100)는 웹 또는 앱 환경에서 동작하는 무료 학습 큐레이션 서비스를 구현하기 위한 하드웨어, 소프트웨어 또는 그 조합을 의미할 수 있다.
무료 학습 플랫폼들(200)은 웹 사이트 또는 애플리케이션 등을 통해 동영상 강의와 같은 학습 자료들을 무료로 제공하는 컨텐츠 공급자를 의미할 수 있다. 예를 들면, 무료 학습 플랫폼들(200)은 유튜브(YouTube)와 같은 동영상 공유 플랫폼, 에드위드(edwith)와 같은 교육 플랫폼 및 K-MOOC과 같은 온라인 공개 강좌 플랫폼 등을 의미할 수 있다.
유저 단말기(300)는 유저가 서버(100)로부터 제공되는 무료 학습 큐레이션 서비스에 접근하기 위한 디바이스를 의미할 수 있다. 예를 들면, 유저 단말기(300)는 시스템(10)을 구현하는 웹 사이트 또는 애플리케이션을 구동 가능한 PC, 랩탑 컴퓨터, 태블릿 피씨 및 스마트폰 등 각종 전자 디바이스들을 의미할 수 있다.
시스템(10)의 구성 요소들 간의 상호작용은 유선 또는 무선 데이터 통신 환경에서 수행될 수 있다. 유무선 데이터 통신에 의해 무료 학습 플랫폼들(200) 및 서버(100) 간의 상호작용과 서버(100) 및 유저 단말기(300) 간의 상호작용이 이루어질 수 있다.
시스템(10)에서, 무료 학습 플랫폼들(200)을 활용하는 서버(100)에 의해 유저 단말기(300)에 무료 학습 큐레이션 서비스가 제공될 수 있으므로, 유저는 학습하고자 하는 선호 조건에 부합하는 무료 학습 컨텐츠들 및 그에 관한 커리큘럼을 제공받을 수 있으므로, 유저의 학습 편의성 및 효율성이 향상될 수 있다.
도 2는 일부 실시예에 따른 무료 학습 큐레이션 서비스를 제공하는 서버를 구성하는 요소들을 나타내는 블록도이다.
도 2를 참조하면, 무료 학습 큐레이션 서비스를 제공하는 서버(100)는 메모리(110) 및 프로세서(120)를 포함할 수 있다. 다만 이에 제한되는 것은 아니고, 도 2에 도시된 요소들 외에 다른 범용적인 요소들이 서버(100)에 더 포함될 수 있다.
서버(100)는 무료 학습 큐레이션 서비스를 제공하기 위한 컴퓨팅 디바이스일 수 있다. 서버(100)는 각종 데이터, 명령어들, 적어도 하나의 프로그램 또는 소프트웨어를 저장하기 위한 수단으로서 메모리(110)를 포함할 수 있고, 명령어들 또는 적어도 하나의 프로그램을 실행함으로써 각종 데이터에 대한 처리를 수행하기 위한 수단으로서 프로세서(120)를 포함할 수 있다.
메모리(110)는 무료 학습 큐레이션 서비스를 제공하기 위한 명령들을 저장할 수 있다. 예를 들면, 메모리(110)는 컴퓨터 프로그램 또는 모바일 애플리케이션과 같은 소프트웨어를 구성하는 명령어들을 저장할 수 있다. 또한, 메모리(110)는 명령어들 또는 적어도 하나의 프로그램의 실행에 필요한 각종 데이터를 저장할 수 있다.
메모리(110)는 ROM, PROM, EPROM, EEPROM, 플래시 메모리, PRAM, MRAM, RRAM, FRAM 등과 같은 비휘발성 메모리로 구현될 수 있고, 또는 DRAM, SRAM, SDRAM, PRAM, RRAM, FeRAM 등의 휘발성 메모리로 구현될 수 있다. 또한, 메모리(110)는 HDD, SSD, SD, Micro-SD 등으로 구현될 수도 있다.
프로세서(120)는 메모리(110)에 저장되는 명령어들 또는 적어도 하나의 프로그램을 실행함으로써 무료 학습 큐레이션 서비스를 제공할 수 있다. 프로세서(120)는 무료 학습 큐레이션 서비스를 제공하기 위한 일련의 처리 과정들을 수행할 수 있다. 프로세서(120)는 서버(100)를 제어하기 위한 전반적인 기능을 수행할 수 있고, 서버(100) 내부의 각종 연산을 처리할 수 있다.
프로세서(120)는 다수의 논리 게이트들의 어레이 또는 범용적인 마이크로 프로세서로 구현될 수 있다. 프로세서(120)는 단일의 프로세서 또는 복수의 프로세서들로 구성될 수 있다. 프로세서(120)는 적어도 하나의 프로그램을 저장하는 메모리(110) 와 별개의 구성이 아닌, 메모리(110)와 함께 일체로 구성될 수도 있다. 프로세서(120)는 장치(100) 내에 구비되는 CPU, GPU 및 AP 중 적어도 하나일 수 있으나, 이는 예시에 불과할 뿐, 프로세서(120)는 다른 다양한 형태로도 구현될 수 있다.
서버(100)는 무료 학습 큐레이션 서비스를 제공하기 위한 방법의 단계들을 수행할 수 있다. 서버(100)가 무료 학습 큐레이션 서비스를 제공하기 위한 방법의 각 단계를 수행함에 따라 유저에게 무료 학습 큐레이션 서비스가 제공될 수 있다.
프로세서(120)는 서비스 대상 분야를 과목별 및 세부 과정별로 구분하는 미배정 커리큘럼에 대해 과목별 키워드들 및 세부 과정별 키워드들을 선정하여 키워드 사전을 구축할 수 있다.
서비스 대상 분야는 학습의 대상이 되는 특정 분야를 의미할 수 있다. 예를 들면, 서비스 대상 분야는, 빅데이터, 인공지능, 머신 러닝 및 소프트웨어 중 적어도 하나를 포함하는 4차 산업혁명 기술 분야일 수 있다. 그 외에도, 서비스 대상 분야는 영어, 외국어, MS 오피스, 재테크 및 피트니스 등 다양한 분야에 해당할 수 있다.
미배정 커리큘럼은 서비스 대상 분야를 과목별로, 및 세부 과정별로 구분한 것을 의미할 수 있다. 예를 들면, 4차 산업혁명 기술 분야는 빅데이터 과목, 인공지능 과목 등으로 구분될 수 있고, 각 과목에서는 학습의 세부 과정이 구분될 수 있다. 다만 미배정 커리큘럼은 아직 세부 컨텐츠들이 과목별 및 세부 과정별로 배정되지 않은 커리큘럼을 의미할 수 있다.
미배정 커리큘럼으로는 각 서비스 대상 분야의 전문가가 미리 구성해둔 것이 활용될 수 있다. 또는, 각 서비스 대상 분야에서 널리 쓰이는 학습 교재의 목차를 참조하여 구성될 수도 있다.
키워드 사전은 미배정 커리큘럼의 과목별 키워드들 및 세부 과정별 키워드들을 포함할 수 있다. 미배정 커리큘럼의 설정 과정에서 특정 서비스 대상 분야의 과목마다, 또한 세부 과정마다 어떤 키워드들이 관련이 있는지가 분석되어 과목별 및 세부 과정별로 키워드들이 선정될 수 있다. 한편, 키워드 선정은 미배정 커리큘럼을 구성하는 전문가에 의해, 또는 학습 교재를 참조하여 수행될 수 있다.
프로세서(120)는 과목별 키워드들 및 세부 과정별 키워드들을 기반으로 무료 학습 플랫폼들(200)에 대한 데이터 크롤링을 수행하여 미배정 커리큘럼에 대한 무료 학습 컨텐츠들의 학습 데이터를 수집할 수 있다.
데이터 크롤링은 무료 학습 플랫폼들(200)을 통해 제공되는 무료 학습 컨텐츠들을 수집하는 과정을 의미할 수 있다. 데이터 크롤링 또는 웹 크롤링은 사람의 직접 검색 대신 고성능의 처리 장치를 통해 웹 페이지, 포털 사이트 등에서 방대한 양의 데이터를 수집하여 빅 데이터 분석을 가능하게 하는 작업을 의미할 수 있다. 데이터 크롤링에 의하면 무료 학습 플랫폼들(200)로부터 무료 학습 컨텐츠들이 수집될 수 있다.
데이터 크롤링에 의해 수집되는 학습 데이터는 무료 학습 컨텐츠들에 관한 각종 데이터로서, 크롤링으로 수집 가능한 컨텐츠 소개, 제목, 자막, 댓글 등을 의미할 수 있다. 한편, 학습 데이터는 동영상 강의로부터 추출되는 음성 데이터를 포함할 수 있고, 해당 음성 데이터로부터 변환되는 텍스트 데이터를 포함할 수 있다.
데이터 크롤링은 키워드들을 기반으로 수행될 수 있다. 미배정 커리큘럼에서 선정되어 있는 과목별 키워드들 및 세부 과정별 키워드들이 데이터 크롤링을 수행하기 위한 검색어가 될 수 있다. 다만, 키워드들의 검색 결과가 즉시 미배정 커리큘럼의 과목 및 세부 과정에 분배되는 것은 아니고, 이후 별도의 분류 알고리즘을 거쳐 검색 결과인 무료 학습 컨텐츠들이 미배정 커리큘럼에 분배될 수 있다.
프로세서(120)는 학습 데이터에 대한 데이터 전처리를 수행하여 학습 데이터로부터 분석용 데이터를 추출할 수 있다.
학습 데이터는 데이터 크롤링에 의해 수집된 텍스트, 음성과 같은 비정형 데이터이기 때문에 직접 학습 데이터에 대해 분류 모형을 적용하기가 어려울 수 있다. 따라서, 분류 모형을 적용하기 용이한 형태로 학습 데이터를 변경하기 위해 데이터 전처리가 수행될 수 있다.
데이터 전처리는 학습 데이터를 수치화하는 처리 과정을 의미할 수 있다. 예를 들면, TF-IDF을 산출하는 것 또는 word2vec 알고리즘을 적용하는 것이 데이터 전처리에 해당할 수 있다. 다만 이에 제한되는 것은 아니고, 학습 데이터를 보다 다루기 쉽게 변경하는 것이라면, 수치 이외의 다른 형태의 데이터로 변경하는 처리 방식 또한 데이터 전처리에 해당할 수 있다.
프로세서(120)는 머신 러닝을 통해 컨텐츠 분류를 수행하도록 학습되는 인공지능 분류 모형을 활용하여 분석용 데이터를 처리함으로써 무료 학습 컨텐츠들을 미배정 커리큘럼에 분배하여 배정 커리큘럼을 생성할 수 있다.
인공지능 분류 모형은 머신 러닝에 의해 컨텐츠 분류를 수행하도록 학습될 수 있다. 인공지능 분류 모형에 의하면 무료 학습 컨텐츠들이 과목별로 및 세부 과정별로 구분되어 있는 미배정 커리큘럼의 어떤 과목의 어떤 세부 과정에 속하는지가 분류될 수 있다. 이와 같은 인공지능 분류 모형의 학습은 CNN, SVM, 베이지안 분류 등 다양한 방식으로 수행될 수 있다.
인공지능 분류 모형은 분석용 데이터를 입력받아 무료 학습 컨텐츠들이 어떤 과목과 세부 과정에 속하는지가 가장 적합한지를 출력할 수 있다. 다만 인공지능 분류 모형이 비정형 데이터인 학습 데이터를 직접 처리하기는 어려우므로, 데이터 전처리에 의해 학습 데이터로부터 추출되는 분석 데이터가 인공지능 분류 모형에 대한 입력이 될 수 있다.
인공지능 분류 모형에 의해 분석 데이터에 대한 처리가 이루어지는 경우 무료 학습 컨텐츠들이 미배정 커리큘럼에 분배되어 배정 커리큘럼이 생성될 수 있다. 따라서, 미배정 커리큘럼의 키워드 사전에 기반한 데이터 크롤링의 결과로 수집된 무료 학습 컨텐츠들은 인공지능 분류 모형에 의한 분류에 의해 비로소 과목 및 세부 과정이 분류될 수 있고, 해당 과목 및 세부 과정에 분배되어 배정 커리큘럼이 형성될 수 있다.
한편, 인공지능 분류 모형이 무료 학습 컨텐츠들을 분류하는 경우에, 무료 학습 컨텐츠들이 광고성 컨텐츠인지 여부 또한 함께 분류될 수 있다. 즉, 무료 학습 컨텐츠들이 광고를 포함하는지 및 그 광고의 정도가 어느 정도인지를 함께 분류하도록 인공지능 분류 모형이 학습될 수도 있다.
프로세서(120)는 평점 산출 모형에 기초하여 무료 학습 컨텐츠들 각각에 대한 만족도 평점을 산출할 수 있다.
배정 커리큘럼에는 무료 학습 컨텐츠들이 과목별 및 세부 과정별로 분배되어 있고, 그에 더하여 무료 학습 컨텐츠들 각각에 대한 만족도 평점이 함께 제공될 수 있다. 이를 위해 만족도 평점을 산출하는 평점 산출 모형이 개발될 수 있다. 평점 산출 모형은 다중 회귀 분석 등의 통계적 방식으로 무료 학습 컨텐츠들에 대한 만족도를 평점화하는 모형을 의미할 수 있다.
프로세서(120)는 서비스 대상 분야에 관한 유저의 쿼리 입력에 대응하여 배정 커리큘럼의 적어도 일부를 만족도 평점과 함께 유저 단말기에 제공할 수 있다.
배정 커리큘럼이 생성되어 있고 만족도 평점이 산출되어 있는 상태에서, 유저는 유저 단말기(300)를 통해 서버(100)에 자신의 관심 분야 또는 선호 강의 조건을 쿼리 입력으로 전송할 수 있고, 그에 대응하여, 프로세서(120)는 유저의 쿼리 입력에 대응하는 결과물을 유저 단말기(300)에 제공할 수 있다.
예를 들면, 배정 커리큘럼이 4차 산업혁명 기술 분야에 관한 것이고, 유저의 쿼리 입력이 AI 기술 분야인 경우, 프로세서(120)는 과목별로 분류되어 있는 배정 커리큘럼 중에서 AI 과목으로 분류되는 컨텐츠들만을 필터링하여 이를 만족도 평점과 함께 유저에게 제공할 수 있다.
전술한 바와 같이, 프로세서(120)는 데이터 크롤링을 수행한 결과를 인공지능 분류 모형으로 분류하고, 그에 대한 만족도 평점을 산출하여 유저에게 커리큘럼의 형태로 제공할 수 있으므로, 유저는 자신이 직접 무료 학습 플랫폼들(200)을 검색하거나, 무료 학습 컨텐츠들이 어떤 내용을 다루고 있는지를 직접 확인해보는 수고 없이도 학습을 위한 커리큘럼을 만족도 평점과 함께 제공받을 수 있으므로, 학습의 편의성 및 효율성이 향상될 수 있다.
도 3은 일부 실시예에 따른 무료 학습 큐레이션 서비스가 제공되는 과정을 설명하기 위한 도면이다.
도 3을 참조하면, 무료 학습 큐레이션 서비스가 제공되는 과정이 프로세스 310 내지 프로세스 350으로 도시되어 있다. 프로세스 310 내지 프로세스 350는 서버(100)의 프로세서(120)에 의해 수행되는 무료 학습 큐레이션 서비스를 제공하기 위한 과정들을 의미할 수 있다.
프로세스 310에서는, 미배정 커리큘럼 및 키워드 사전이 생성될 수 있다. 서버(100)는 서비스 대상 분야를 과목별 및 세부 과정별로 구분하는 미배정 커리큘럼에 대해 과목별 키워드들 및 세부 과정별 키워드들을 선정하여 키워드 사전을 구축할 수 있다.
프로세스 320에서는, 데이터 크롤링이 수행될 수 있다. 서버(100)는 과목별 키워드들 및 세부 과정별 키워드들을 기반으로 무료 학습 플랫폼들(200)에 대한 데이터 크롤링을 수행하여 미배정 커리큘럼에 대한 무료 학습 컨텐츠들의 학습 데이터를 수집할 수 있다.
프로세스 330에서는, 데이터 전처리가 수행될 수 있고, 인공지능 분류 모형을 활용한 무료 학습 컨텐츠들의 배정이 이루어질 수 있다. 서버(100)는 학습 데이터에 대한 데이터 전처리를 수행하여 학습 데이터로부터 분석용 데이터를 추출할 수 있고, 머신 러닝을 통해 컨텐츠 분류를 수행하도록 학습되는 인공지능 분류 모형을 활용하여 분석용 데이터를 처리함으로써 무료 학습 컨텐츠들을 미배정 커리큘럼에 분배하여 배정 커리큘럼을 생성할 수 있다.
프로세스 340에서는, 만족도 평점이 산출될 수 있다. 서버(100)는 평점 산출 모형에 기초하여 무료 학습 컨텐츠들 각각에 대한 만족도 평점을 산출할 수 있다.
프로세스 350에서는, 배정 커리큘럼 및 만족도 평점이 유저에게 제공될 수 있다. 서버(100)는 서비스 대상 분야에 관한 유저의 쿼리 입력에 대응하여 배정 커리큘럼의 적어도 일부를 만족도 평점과 함께 유저 단말기에 제공할 수 있다.
도시된 바와 같이, 프로세스 흐름은 프로세스 310에서 프로세스 350 까지 진행되며, 기본 프로세스에 의해 동영상 분류, 만족도 평점화 및 서비스 운영이 이루어질 수 있다. 한편, 전체 프로세스에는 역순환 프로세스가 존재하여 역방향의 피드백이 이루어질 수 있다. 예를 들면, 데이터 전처리의 결과로 키워드 사전에 유의어들이 추가될 수 있고, 서비스 운영 과정에서 유저의 피드백이 평점 산출 모형의 생성 또는 인공지능 분류 모형의 고객 속성 분석에 활용될 수도 있다.
도 4는 일부 실시예에 따른 미배정 커리큘럼을 설정하고 키워드 사전을 구축하는 과정을 설명하기 위한 도면이다.
도 4를 참조하면, 도 3의 프로세스 310에서 서버(100)가 서비스 대상 분야를 과목별 및 세부 과정별로 구분하는 미배정 커리큘럼에 대해 과목별 키워드들 및 세부 과정별 키워드들을 선정하여 키워드 사전을 구축하는 과정을 보다 구체적으로 설명하기 위해 그 일부만이 도시된 미배정 커리큘럼(410) 및 키워드 사전(420)이 도시되어 있다.
미배정 커리큘럼(410)은 서비스 대상 분야를 과목별 및 세부 과정별로 구분할 수 있다. 도시된 예시에서는, 빅데이터 분야의 데이터 관리 분석 과목이 초급, 중급 및 고급으로 분류될 수 있고, 각 단계들이 세부 과정들에 해당하는 학습 주제들로 다시 분류될 수 있다.
키워드 사전(420)은 미배정 커리큘럼(410)에 포함되는 과목들 및 세부 과정들 각각에 관하여 선정되는 키워드들을 포함할 수 있다. 키워드 사전(420)은 또한 과목들 및 세부 과정들 각각에 대해 유의어와 같은 추가 키워드를 더 포함할 수 있다. 전술한 바와 같이 유의어들의 추가는 무료 학습 컨텐츠들의 학습 데이터에 대한 데이터 전처리 과정에서 수행될 수 있다.
도 5는 일부 실시예에 따른 무료 학습 플랫폼들에 대한 데이터 크롤링을 수행하여 학습 데이터를 수집하는 과정을 설명하기 위한 도면이다.
도 5를 참조하면, 도 3의 프로세스 320에서 서버(100)가 과목별 키워드들 및 세부 과정별 키워드들을 기반으로 무료 학습 플랫폼들(200)에 대한 데이터 크롤링을 수행하여 미배정 커리큘럼에 대한 무료 학습 컨텐츠들의 학습 데이터를 수집하는 과정을 보다 구체적으로 설명하기 위한 크롤링 프로세스(510)가 도시되어 있다.
크롤링 프로세스(510)의 사전 준비 단계에서는, 전문가 지식 및 관련 과목의 기본 교재를 활용하여 미배정 커리큘럼(기본 커리큘럼)이 작성될 수 있고, 과목별 및 세부 과정별로 키워드들을 선정하여 키워드 사전이 생성될 수 있다.
이후, 무료 학습 플랫폼들(200)(동영상 강의 데이터 소스)에 대한 데이터 크롤링이 수행될 수 있고, 그로부터 무료 학습 컨텐츠들의 학습 데이터가 수집되어 강의 기본 DB가 구축될 수 있다. 프로세서(120)는 학습 데이터를 수집할 때, 무료 학습 플랫폼들(200)로부터 무료 학습 컨텐츠들 각각의 제목, 과목, 소개, 자막, 댓글, 강사 정보, URL, 조회수, 소속 채널, 구독자수, 좋아요수, 컨텐츠 크기 및 음성 데이터 중 적어도 하나를 수집할 수 있다.
또한, 프로세서(120)는, 학습 데이터를 수집할 때, 학습 데이터에 음성 데이터가 포함되는 경우 음성 데이터에 대한 음성 인식(STT, Speech To Text)을 수행하여 음성 데이터에 대응되는 텍스트 데이터를 수집할 수 있다. 즉, 무료 학습 컨텐츠들의 형식적인 데이터만이 수집되는 것이 아니고, 음성 데이터에 대응되는 텍스트 데이터가 수집될 수 있으므로, 데이터 크롤링에 의해 무료 학습 컨텐츠들이 실질적으로 어떤 내용을 포함하고 있는지가 수집될 수 있다.
도 6은 일부 실시예에 따른 음성 데이터에 대한 음성 인식을 수행하여 음성 데이터에 대응되는 텍스트 데이터를 수집하는 과정을 설명하기 위한 도면이다.
도 6을 참조하면, 음성 인식에 관한 선행 연구에 해당하는 R-medus(610)가 도시되어 있다. R-medus(610)는 음성을 통해 코딩을 수행하는 모바일 R 실습용 애플리케이션으로서, 산학연 과제로 개발되어 음성을 텍스트로 변환하는 기능을 할 수 있다.
R-medus(610)에서의 음성 인식 기술은 무료 학습 큐레이션 서비스에도 적용될 수 있다. 프로세서(120)가 음성 데이터에 대한 음성 인식(STT)을 수행하여 음성 데이터에 대응되는 텍스트 데이터를 수집하는 경우에, R-medus(610)를 활용하여 음성 인식(STT)이 수행될 수 있다.
도 7은 일부 실시예에 따른 분석용 데이터를 추출하고 배정 커리큘럼을 생성하는 과정을 설명하기 위한 도면이다.
도 7을 참조하면, 무료 학습 플랫폼들(200)에 대한 데이터 크롤링의 결과로 수집되는 무료 학습 컨텐츠들(C1, C2, C3), 무료 학습 컨텐츠들(C1, C2, C3)에 대한 데이터 전처리 과정(710), 머신 러닝을 통해 컨텐츠 분류를 수행하도록 학습되는 인공지능 분류 모형(720) 및 무료 학습 컨텐츠들(C1, C2, C3)의 배정에 의해 생성되는 배정 커리큘럼(730)이 도시되어 있다.
무료 학습 컨텐츠들(C1, C2, C3)은 무료 학습 플랫폼들(200)에 대한 데이터 크롤링의 결과로 수집될 수 있다. 도시된 예시에서는 3개의 컨텐츠들이 수집된 것으로 표현되었으나, 이는 예시일 뿐 다양한 개수의 컨텐츠들이 수집될 수 있다.
무료 학습 컨텐츠들(C1, C2, C3)은 학습 데이터를 가질 수 있다. 예를 들면, 전술한 바와 같이 무료 학습 컨텐츠(C1)의 영상 제목, 자막, 설명 문구, 댓글, 음성에 대응되는 텍스트 등이 학습 데이터(711)에 해당할 수 있고, 나머지 무료 학습 컨텐츠들(C2, C3) 또한 각자의 학습 데이터를 가질 수 있다.
데이터 전처리 과정(710)에서 학습 데이터에 대한 데이터 전처리가 수행되어 분석용 데이터가 추출될 수 있다. 예를 들면, 무료 학습 컨텐츠(C1)의 학습 데이터(711)에 대한 데이터 전처리에 의해 분석용 데이터(712)가 추출될 수 있다. 예를 들면, 분석용 데이터(712)는 비정형 데이터에 해당하는 학습 데이터(711)로부터 변환되어 벡터의 형태로 표현되는 워드 임베딩(word embedding) 등일 수 있다.
데이터 전처리 과정(710)은 텍스트에 해당하는 학습 데이터(711)를 벡터와 같이 수치적으로 표현되는 분석용 데이터(712)로 변환하는 과정을 의미할 수 있다. 이를 위해, 프로세서(120)는 분석용 데이터(712)를 추출할 때, 학습 데이터(711)에 대해 자연어 처리(NLP, Natural Language Processing) 기반의 형태소 분석 및 텍스트 마이닝을 수행하여 학습 데이터(711)로부터 워드 데이터를 추출하고; 그리고 워드 데이터에 대한 TF-IDF(Term Frequency-Inverse Document Frequency) 산출 및 word2vec 알고리즘 적용 중 적어도 하나를 수행할 수 있다.
학습 데이터(711)에 대해 자연어 처리 기반의 형태소 분석 및 텍스트 마이닝이 수행되는 경우, 학습 데이터(711)의 텍스트를 구성하는 형태소들 내지 단어들이 워드 데이터로서 추출될 수 있다. 이와 같은 워드 데이터에 대해서는 TF-IDF와 같이 해당 워드 데이터의 중요도를 나타내는 통계적 수치가 산출될 수도 있고, word2vec 알고리즘이 적용되어 워드 데이터가 벡터의 형태로 수치적으로 표현될 수도 있다.
한편, 프로세서(120)는, 분석용 데이터(712)를 추출할 때, 학습 데이터(711)의 과목별 키워드들 및 세부 과정별 키워드들과의 유사성에 기초하여 키워드 사전에 유의어들을 추가할 수 있다. 수치적으로 표현되는 분석용 데이터(712)가 추출되는 경우, 해당 수치에 기반한 유사성이 판단될 수 있다.
따라서, 무료 학습 컨텐츠(C1)의 수집에 활용된 키워드 사전의 특정 키워드에 대하여, 데이터 전처리 과정(710)에서 그 특정 키워드와 유사하다고 판정되는 다른 유사 키워드들이 존재하는 경우, 도 4의 키워드 사전(420)의 예시에서와 같이, 유사 키워드들이 유의어들로서 키워드 사전에 추가될 수 있다.
학습 데이터(711)에 대한 데이터 전처리 과정(710)이 수행되는 경우, 즉 학습 데이터(711)에 대해 TF-IDF 산출 또는 word2vec 알고리즘 적용 등이 수행되어 분석용 데이터(712)가 추출되는 경우, 그로부터 인공지능 분류 모형(720)이 동작할 수 있다. 인공지능 분류 모형(720)은 분석용 데이터를 입력으로 하여 컨텐츠 분류를 수행할 수 있다.
프로세서(120)는, 배정 커리큘럼(730)을 생성할 때, CNN(Convolutional Neural Network), SVM(Support Vector Machine) 및 베이지안 분류(Bayesian Classification) 중 적어도 하나의 방식으로 학습되는 인공지능 분류 모형(720)을 활용하여 분석용 데이터를 처리할 수 있다. 즉, 인공지능 분류 모형(720)은 CNN, SVM 또는 베이지안 분류와 같은 머신 러닝에 의해 학습되어 형성될 수 있다.
한편, 프로세서(120)는, 배정 커리큘럼(730)을 생성할 때, 인공지능 분류 모형(720)을 활용하여 무료 학습 컨텐츠들 각각이 광고성 컨텐츠인지 여부를 분류할 수 있다. 즉, 인공지능 분류 모형(720)은 컨텐츠 분류를 수행하도록 학습되는 과정에서 추가적으로 광고성 컨텐츠 여부를 분류하도록 학습될 수 있다. 예를 들면, 인공지능 분류 모형(720)은 무료 학습 컨텐츠들 각각이 광고를 포함하는지 여부를 분류하거나, 광고성의 정도를 수치적으로 분류하도록 학습될 수 있다.
인공지능 분류 모형(720)에 의하면 과목별 및 세부 과정별로 분류되는 미배정 커리큘럼에 무료 학습 컨텐츠들(C1, C2, C3)이 분배되어, 분배 커리큘럼(730)이 생성될 수 있다. 즉, 인공지능 분류 모형(720)에 의해 무료 학습 컨텐츠들(C1, C2, C3) 각각이 미배정 커리큘럼의 어떤 과목과 어떤 세부 과정에 해당하는지가 분류될 수 있다.
도 8은 일부 실시예에 따른 만족도 평점을 산출하기 위해 평점 산출 모형을 생성하는 과정을 설명하기 위한 도면이다.
도 8을 참조하면, 만족도 평점을 산출하기 위해 평점 산출 모형을 생성하는 과정을 설명하기 위한 평점 산출 모형 생성(810)이 도시되어 있다. 평점 산출 모형 생성(810)에 따르면, 평점 산출 모형은 일련의 과정들을 거쳐 생성될 수 있고, 생성된 이후에는 무료 학습 컨텐츠들 각각에 대한 만족도 평점을 산출할 수 있다.
평점 산출 모형 생성(810)에 따른 생성 과정은, 데이터 셋을 설정하는 과정(Data 변수 생성) 및 다중 회귀 분석을 수행하여 평점 산출 모형을 도출하는 과정(모형개발)을 포함할 수 있다. 이를 위해, 프로세서(120)는 만족도 평점을 산출할 때, 무료 학습 컨텐츠들의 조회수, 구독자수, 업데이트 주기 및 전문가 평점 중 적어도 하나를 포함하는 데이터 셋을 설정하고; 그리고 데이터 셋에 대한 다중 회귀 분석(Multiple Regression Analysis)을 수행하여 평점 산출 모형을 도출할 수 있다.
그 외에도, 도시된 바와 같이, 평점 산출 모형 생성(810)에 따른 생성 과정에는, 모형 개발을 위해 비즈니스의 특성을 파악하는 과정(비즈니스의 이해), 데이터 셋을 생성하기 이전에 이를 이해하고 전처리하는 과정(Data 이해, Data 전처리), 데이터 셋을 트레이닝용, 테스트용 및 검증용 데이터로 구분하는 과정(Data 분할), 부적합 데이터를 제외하기 위해 탐색적 자료 분석(EDA) 및 통계 분석 등을 수행하는 과정(Data 변수 선택), 통계적인 방식을 통해 다중 회귀 분석에 의해 도출된 평점 산출 모형을 평가하는 과정(모형평가), 테스트 데이터를 적용하여 평점 산출 모형을 검증하는 과정(모형검증) 및 평가와 검증이 완료된 모형을 관리하고 모니터링하는 과정(모형개발 종료)이 더 포함될 수 있다.
평점 산출 모형 생성(810)에 따른 생성 과정에 의해 평점 산출 모형이 생성되는 경우, 배정 커리큘럼에 배정된 무료 학습 컨텐츠들에 대한 만족도 평점이 평점 산출 모형을 통해 산출될 수 있으므로, 무료 학습 컨텐츠들에 대한 만족도가 통계적으로 수치화되어 제공될 수 있으므로, 유저가 무료 학습 컨텐츠들에 대한 학습을 계획하는 과정에서 만족도 평점이 보다 객관적인 참고 자료로서 제시될 수 있다.
도 9는 일부 실시예에 따른 배정 커리큘럼 및 만족도 평점을 유저 단말기에 제공하는 과정을 설명하기 위한 도면이다.
도 9를 참조하면, 유저 단말기(300)에 제공되는 무료 학습 큐레이션 서비스의 예시로서, 배정 커리큘럼의 적어도 일부를 디스플레이하는 제 1 UI(910) 및 배정 커리큘럼의 적어도 일부에 포함되는 세부 과정에 대한 만족도 평점을 디스플레이하는 제 2 UI(920)가 도시되어 있다.
유저는 유저 단말기(300)를 통해 서버(100)로부터 제 1 UI(910) 및 제 2 UI(920)와 같은 정보를 제공받을 수 있다. 예를 들면, 유저는 유저 단말기(300)를 통해 서버(100)에 기술 분야, 과목, 세부 과정, 난이도 등과 같은 쿼리 입력을 전송할 수 있고, 서버(100)는 유저의 쿼리 입력에 대응되는 배정 커리큘럼의 적어도 일부 및 만족도 평점을 제 1 UI(910) 및 제 2 UI(920)와 같은 방식으로 유저 단말기(300)에 전송할 수 있다.
한편, 프로세서(120)는, 유저 단말기(300)에 제공할 때, 유저의 조회 이력, 수강 이력, 진도율 및 출석률을 포함하는 로그 데이터 및 유저의 컨텐츠 선호도를 포함하는 유저 선호도 데이터에 기초하여 유저 맞춤형 관리 서비스를 제공할 수 있다.
유저가 무료 학습 큐레이션 서비스를 이용하는 과정에서 축적되는 로그 데이터 및 유저 선호도 데이터에 의하면 유저가 무료 학습 큐레이션 서비스를 이용하는 경향성이 파악될 수 있다. 따라서, 로그 데이터 및 유저 선호도 데이터에 의한 유저의 경향성을 활용하여 인공지능 분류 모형 및 평점 생성 모형을 업데이트하는 경우, 유저 맞춤형으로 보다 체계적인 서비스를 지원하는 유저 맞춤형 관리 서비스가 제공될 수 있다.
도 10은 일부 실시예에 따른 무료 학습 큐레이션 서비스를 제공하는 방법을 구성하는 단계들을 나타내는 흐름도이다.
도 10을 참조하면, 무료 학습 큐레이션 서비스를 제공하는 방법은 단계 1010 내지 단계 1060을 포함할 수 있다. 다만 이에 제한되는 것은 아니고, 도 10에 도시되는 단계들 외에 다른 범용적인 단계들이 무료 학습 큐레이션 서비스를 제공하는 방법에 더 포함될 수 있다.
도 10의 방법은, 도 1 내지 도 9를 통해 설명되는 서버(100)에서 시계열적으로 처리되는 단계들로 구성될 수 있다. 따라서, 도 10의 방법에 대해 이하에서 생략되는 내용이라 할지라도, 도 1 내지 도 9의 서버(100)에 대해 이상에서 기술되는 내용은 도 10의 방법에 대해서도 동일하게 적용될 수 있다.
단계 1010에서, 서버(100)는 서비스 대상 분야를 과목별 및 세부 과정별로 구분하는 미배정 커리큘럼에 대해 과목별 키워드들 및 세부 과정별 키워드들을 선정하여 키워드 사전을 구축할 수 있다.
단계 1020에서, 서버(100)는 과목별 키워드들 및 세부 과정별 키워드들을 기반으로 무료 학습 플랫폼들(200)에 대한 데이터 크롤링을 수행하여 미배정 커리큘럼에 대한 무료 학습 컨텐츠들의 학습 데이터를 수집할 수 있다.
학습 데이터를 수집하는 과정에서, 서버(100)는 무료 학습 플랫폼들(200)로부터 무료 학습 컨텐츠들 각각의 제목, 과목, 소개, 자막, 댓글, 강사 정보, URL, 조회수, 소속 채널, 구독자수, 좋아요수, 컨텐츠 크기 및 음성 데이터 중 적어도 하나를 수집할 수 있다.
학습 데이터를 수집하는 과정에서, 서버(100)는 학습 데이터에 음성 데이터가 포함되는 경우 음성 데이터에 대한 음성 인식(STT, Speech To Text)을 수행하여 음성 데이터에 대응되는 텍스트 데이터를 수집할 수 있다.
단계 1030에서, 서버(100)는 학습 데이터에 대한 데이터 전처리를 수행하여 학습 데이터로부터 분석용 데이터를 추출할 수 있다.
분석용 데이터를 추출하는 과정에서, 서버(100)는 학습 데이터에 대해 자연어 처리(NLP, Natural Language Processing) 기반의 형태소 분석 및 텍스트 마이닝을 수행하여 학습 데이터로부터 워드 데이터를 추출할 수 있고, 워드 데이터에 대한 TF-IDF(Term Frequency-Inverse Document Frequency) 산출 및 word2vec 알고리즘 적용 중 적어도 하나를 수행할 수 있다.
분석용 데이터를 추출하는 과정에서, 서버(100)는 학습 데이터의 과목별 키워드들 및 세부 과정별 키워드들과의 유사성에 기초하여 키워드 사전에 유의어들을 추가할 수 있다.
단계 1040에서, 서버(100)는 머신 러닝을 통해 컨텐츠 분류를 수행하도록 학습되는 인공지능 분류 모형을 활용하여 분석용 데이터를 처리함으로써 무료 학습 컨텐츠들을 미배정 커리큘럼에 분배하여 배정 커리큘럼을 생성할 수 있다.
배정 커리큘럼을 생성하는 과정에서, 서버(100)는 인공지능 분류 모형을 활용하여 무료 학습 컨텐츠들 각각이 광고성 컨텐츠인지 여부를 분류할 수 있다.
배정 커리큘럼을 생성하는 과정에서, 서버(100)는 CNN(Convolutional Neural Network), SVM(Support Vector Machine) 및 베이지안 분류(Bayesian Classification) 중 적어도 하나의 방식으로 학습되는 인공지능 분류 모형을 활용하여 분석용 데이터를 처리할 수 있다.
단계 1050에서, 서버(100)는 평점 산출 모형에 기초하여 무료 학습 컨텐츠들 각각에 대한 만족도 평점을 산출할 수 있다.
만족도 평점을 산출하는 과정에서, 서버(100)는 무료 학습 컨텐츠들의 조회수, 구독자수, 업데이트 주기 및 전문가 평점 중 적어도 하나를 포함하는 데이터 셋을 설정할 수 있고, 데이터 셋에 대한 다중 회귀 분석(Multiple Regression Analysis)을 수행하여 평점 산출 모형을 도출할 수 있다.
단계 1060에서, 서버(100)는 서비스 대상 분야에 관한 유저의 쿼리 입력에 대응하여 배정 커리큘럼의 적어도 일부를 만족도 평점과 함께 유저 단말기(300)에 제공할 수 있다.
유저 단말기(300)에 제공하는 과정에서, 서버(100)는 유저의 조회 이력, 수강 이력, 진도율 및 출석률을 포함하는 로그 데이터 및 유저의 컨텐츠 선호도를 포함하는 유저 선호도 데이터에 기초하여 유저 맞춤형 관리 서비스를 제공할 수 있다.
한편, 서비스 대상 분야는, 빅데이터, 인공지능, 머신 러닝 및 소프트웨어 중 적어도 하나를 포함하는 4차 산업혁명 기술 분야일 수 있다.
도 10의 무료 학습 큐레이션 서비스를 제공하는 방법은, 그 방법을 실행하는 명령어들을 포함하는 적어도 하나의 프로그램 또는 소프트웨어가 기록되는 컴퓨터로 판독 가능한 기록 매체에 기록될 수 있다.
컴퓨터로 판독 가능한 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함될 수 있다. 프로그램 명령어의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드가 포함될 수 있다.
이상에서 실시예들에 대하여 상세하게 설명하였으나 본 개시에 따른 권리범위가 이에 한정되는 것은 아니고, 다음의 청구범위에 기재되어 있는 본 개시의 기본 개념을 이용한 당업자의 여러 변형 및 개량 형태 또한 본 개시에 따른 권리범위에 포함된다.
Claims (20)
- 무료 학습 큐레이션 서비스를 제공하는 서버에 있어서,
상기 무료 학습 큐레이션 서비스를 제공하기 위한 명령들을 저장하는 메모리; 및
상기 명령들을 실행함으로써:
서비스 대상 분야를 과목별 및 세부 과정별로 구분하는 미배정 커리큘럼에 대해 과목별 키워드들 및 세부 과정별 키워드들을 선정하여 키워드 사전을 구축하고,
상기 과목별 키워드들 및 상기 세부 과정별 키워드들을 기반으로 무료 학습 플랫폼들에 대한 데이터 크롤링을 수행하여 상기 미배정 커리큘럼에 대한 무료 학습 컨텐츠들의 학습 데이터를 수집하고,
상기 학습 데이터에 대한 데이터 전처리를 수행하여 상기 학습 데이터로부터 분석용 데이터를 추출하고,
머신 러닝을 통해 컨텐츠 분류를 수행하도록 학습되는 인공지능 분류 모형을 활용하여 상기 분석용 데이터를 처리함으로써 상기 무료 학습 컨텐츠들을 상기 미배정 커리큘럼에 분배하여 배정 커리큘럼을 생성하고,
평점 산출 모형에 기초하여 상기 무료 학습 컨텐츠들 각각에 대한 만족도 평점을 산출하고, 그리고
상기 서비스 대상 분야에 관한 유저의 쿼리 입력에 대응하여 상기 배정 커리큘럼의 적어도 일부를 상기 만족도 평점과 함께 유저 단말기에 제공하는 프로세서를 포함하는, 무료 학습 큐레이션 서비스를 제공하는 서버. - 제 1 항에 있어서,
상기 프로세서는, 상기 배정 커리큘럼을 생성할 때,
상기 인공지능 분류 모형을 활용하여 상기 무료 학습 컨텐츠들 각각이 광고성 컨텐츠인지 여부를 분류하는, 무료 학습 큐레이션 서비스를 제공하는 서버. - 제 1 항에 있어서,
상기 프로세서는, 상기 배정 커리큘럼을 생성할 때,
CNN(Convolutional Neural Network), SVM(Support Vector Machine) 및 베이지안 분류(Bayesian Classification) 중 적어도 하나의 방식으로 학습되는 상기 인공지능 분류 모형을 활용하여 상기 분석용 데이터를 처리하는, 무료 학습 큐레이션 서비스를 제공하는 서버. - 제 1 항에 있어서,
상기 프로세서는, 상기 만족도 평점을 산출할 때,
상기 무료 학습 컨텐츠들의 조회수, 구독자수, 업데이트 주기 및 전문가 평점 중 적어도 하나를 포함하는 데이터 셋을 설정하고; 그리고
상기 데이터 셋에 대한 다중 회귀 분석(Multiple Regression Analysis)을 수행하여 상기 평점 산출 모형을 도출하는, 무료 학습 큐레이션 서비스를 제공하는 서버. - 제 1 항에 있어서,
상기 프로세서는, 상기 데이터 전처리를 수행하여 상기 분석용 데이터를 추출할 때,
상기 학습 데이터에 대해 자연어 처리(NLP, Natural Language Processing) 기반의 형태소 분석 및 텍스트 마이닝을 수행하여 상기 학습 데이터로부터 워드 데이터를 추출하고; 그리고
상기 워드 데이터에 대한 TF-IDF(Term Frequency-Inverse Document Frequency) 산출 및 word2vec 알고리즘 적용 중 적어도 하나를 수행하는, 무료 학습 큐레이션 서비스를 제공하는 서버. - 제 1 항에 있어서,
상기 프로세서는, 상기 분석용 데이터를 추출할 때,
상기 학습 데이터의 상기 과목별 키워드들 및 상기 세부 과정별 키워드들과의 유사성에 기초하여 상기 키워드 사전에 유의어들을 추가하는, 무료 학습 큐레이션 서비스를 제공하는 서버. - 제 1 항에 있어서,
상기 프로세서는, 상기 학습 데이터를 수집할 때,
상기 무료 학습 플랫폼들로부터 상기 무료 학습 컨텐츠들 각각의 제목, 과목, 소개, 자막, 댓글, 강사 정보, URL, 조회수, 소속 채널, 구독자수, 좋아요수, 컨텐츠 크기 및 음성 데이터 중 적어도 하나를 수집하는, 무료 학습 큐레이션 서비스를 제공하는 서버. - 제 1 항에 있어서,
상기 프로세서는, 상기 학습 데이터를 수집할 때,
상기 학습 데이터에 음성 데이터가 포함되는 경우 상기 음성 데이터에 대한 음성 인식(STT, Speech To Text)을 수행하여 상기 음성 데이터에 대응되는 텍스트 데이터를 수집하는, 무료 학습 큐레이션 서비스를 제공하는 서버. - 제 1 항에 있어서,
상기 프로세서는, 상기 유저 단말기에 제공할 때,
상기 유저의 조회 이력, 수강 이력, 진도율 및 출석률을 포함하는 로그 데이터 및 상기 유저의 컨텐츠 선호도를 포함하는 유저 선호도 데이터에 기초하여 유저 맞춤형 관리 서비스를 제공하는, 무료 학습 큐레이션 서비스를 제공하는 서버. - 제 1 항에 있어서,
상기 서비스 대상 분야는, 빅데이터, 인공지능, 머신 러닝 및 소프트웨어 중 적어도 하나를 포함하는 4차 산업혁명 기술 분야인, 무료 학습 큐레이션 서비스를 제공하는 서버. - 무료 학습 큐레이션 서비스를 제공하는 서버에 의해 무료 학습 큐레이션 서비스를 제공하는 방법에 있어서,
서비스 대상 분야를 과목별 및 세부 과정별로 구분하는 미배정 커리큘럼에 대해 과목별 키워드들 및 세부 과정별 키워드들을 선정하여 키워드 사전을 구축하는 단계;
상기 과목별 키워드들 및 상기 세부 과정별 키워드들을 기반으로 무료 학습 플랫폼들에 대한 데이터 크롤링을 수행하여 상기 미배정 커리큘럼에 대한 무료 학습 컨텐츠들의 학습 데이터를 수집하는 단계;
상기 학습 데이터에 대한 데이터 전처리를 수행하여 상기 학습 데이터로부터 분석용 데이터를 추출하는 단계;
머신 러닝을 통해 컨텐츠 분류를 수행하도록 학습되는 인공지능 분류 모형을 활용하여 상기 분석용 데이터를 처리함으로써 상기 무료 학습 컨텐츠들을 상기 미배정 커리큘럼에 분배하여 배정 커리큘럼을 생성하는 단계;
평점 산출 모형에 기초하여 상기 무료 학습 컨텐츠들 각각에 대한 만족도 평점을 산출하는 단계; 및
상기 서비스 대상 분야에 관한 유저의 쿼리 입력에 대응하여 상기 배정 커리큘럼의 적어도 일부를 상기 만족도 평점과 함께 유저 단말기에 제공하는 단계를 포함하는, 무료 학습 큐레이션 서비스를 제공하는 방법. - 제 11 항에 있어서,
상기 배정 커리큘럼을 생성하는 단계는,
상기 인공지능 분류 모형을 활용하여 상기 무료 학습 컨텐츠들 각각이 광고성 컨텐츠인지 여부를 분류하는 단계를 포함하는, 무료 학습 큐레이션 서비스를 제공하는 방법. - 제 11 항에 있어서,
상기 배정 커리큘럼을 생성하는 단계는,
CNN(Convolutional Neural Network), SVM(Support Vector Machine) 및 베이지안 분류(Bayesian Classification) 중 적어도 하나의 방식으로 학습되는 상기 인공지능 분류 모형을 활용하여 상기 분석용 데이터를 처리하는 단계를 포함하는, 무료 학습 큐레이션 서비스를 제공하는 방법. - 제 11 항에 있어서,
상기 만족도 평점을 산출하는 단계는,
상기 무료 학습 컨텐츠들의 조회수, 구독자수, 업데이트 주기 및 전문가 평점 중 적어도 하나를 포함하는 데이터 셋을 설정하는 단계; 및
상기 데이터 셋에 대한 다중 회귀 분석(Multiple Regression Analysis)을 수행하여 상기 평점 산출 모형을 도출하는 단계를 포함하는, 무료 학습 큐레이션 서비스를 제공하는 방법. - 제 11 항에 있어서,
상기 데이터 전처리를 수행하여 상기 분석용 데이터를 추출하는 단계는,
상기 학습 데이터에 대해 자연어 처리(NLP, Natural Language Processing) 기반의 형태소 분석 및 텍스트 마이닝을 수행하여 상기 학습 데이터로부터 워드 데이터를 추출하는 단계; 및
상기 워드 데이터에 대한 TF-IDF(Term Frequency-Inverse Document Frequency) 산출 및 word2vec 알고리즘 적용 중 적어도 하나를 수행하는 단계를 포함하는, 무료 학습 큐레이션 서비스를 제공하는 방법. - 제 11 항에 있어서,
상기 분석용 데이터를 추출하는 단계는,
상기 학습 데이터의 상기 과목별 키워드들 및 상기 세부 과정별 키워드들과의 유사성에 기초하여 상기 키워드 사전에 유의어들을 추가하는 단계를 포함하는, 무료 학습 큐레이션 서비스를 제공하는 방법. - 제 11 항에 있어서,
상기 학습 데이터를 수집하는 단계는,
상기 무료 학습 플랫폼들로부터 상기 무료 학습 컨텐츠들 각각의 제목, 과목, 소개, 자막, 댓글, 강사 정보, URL, 조회수, 소속 채널, 구독자수, 좋아요수, 컨텐츠 크기 및 음성 데이터 중 적어도 하나를 수집하는 단계를 포함하는, 무료 학습 큐레이션 서비스를 제공하는 방법. - 제 11 항에 있어서,
상기 학습 데이터를 수집하는 단계는,
상기 학습 데이터에 음성 데이터가 포함되는 경우 상기 음성 데이터에 대한 음성 인식(STT, Speech To Text)을 수행하여 상기 음성 데이터에 대응되는 텍스트 데이터를 수집하는 단계를 포함하는, 무료 학습 큐레이션 서비스를 제공하는 방법. - 제 11 항에 있어서,
상기 유저 단말기에 제공하는 단계는,
상기 유저의 조회 이력, 수강 이력, 진도율 및 출석률을 포함하는 로그 데이터 및 상기 유저의 컨텐츠 선호도를 포함하는 유저 선호도 데이터에 기초하여 유저 맞춤형 관리 서비스를 제공하는 단계를 포함하는, 무료 학습 큐레이션 서비스를 제공하는 방법. - 제 11 항에 있어서,
상기 서비스 대상 분야는, 빅데이터, 인공지능, 머신 러닝 및 소프트웨어 중 적어도 하나를 포함하는 4차 산업혁명 기술 분야인, 무료 학습 큐레이션 서비스를 제공하는 방법.
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200088603A KR102559449B1 (ko) | 2020-07-17 | 2020-07-17 | 무료 학습 큐레이션 서비스를 제공하는 서버 및 방법 |
| KR1020230088032A KR20230106579A (ko) | 2020-07-17 | 2023-07-06 | 학습 나침반 서비스를 제공하는 방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200088603A KR102559449B1 (ko) | 2020-07-17 | 2020-07-17 | 무료 학습 큐레이션 서비스를 제공하는 서버 및 방법 |
Related Child Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020230088032A Division KR20230106579A (ko) | 2020-07-17 | 2023-07-06 | 학습 나침반 서비스를 제공하는 방법 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20220010109A true KR20220010109A (ko) | 2022-01-25 |
| KR102559449B1 KR102559449B1 (ko) | 2023-07-25 |
Family
ID=80049363
Family Applications (2)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020200088603A KR102559449B1 (ko) | 2020-07-17 | 2020-07-17 | 무료 학습 큐레이션 서비스를 제공하는 서버 및 방법 |
| KR1020230088032A KR20230106579A (ko) | 2020-07-17 | 2023-07-06 | 학습 나침반 서비스를 제공하는 방법 |
Family Applications After (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020230088032A KR20230106579A (ko) | 2020-07-17 | 2023-07-06 | 학습 나침반 서비스를 제공하는 방법 |
Country Status (1)
| Country | Link |
|---|---|
| KR (2) | KR102559449B1 (ko) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102636579B1 (ko) * | 2022-10-19 | 2024-02-16 | 주식회사 아이스크림에듀 | 학습이력 및 메타정보 기반의 지식맵을 활용한 인공지능 튜터링 시스템 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20170129333A (ko) * | 2016-05-16 | 2017-11-27 | 한성대학교 산학협력단 | 컨텐츠 분류 방법 |
| KR20180096341A (ko) * | 2017-02-21 | 2018-08-29 | 전북대학교산학협력단 | 소셜 플랫폼상에서 mooc와 플립드러닝을 지원하는 온톨로지 기반 교육 콘텐츠 소셜 큐레이터 구현 시스템 및 그 방법 |
| KR20200046734A (ko) * | 2018-10-25 | 2020-05-07 | 서울여자대학교 산학협력단 | 강의 콘텐츠 생성 장치 및 이를 위한 방법 |
| KR20200084694A (ko) * | 2019-01-03 | 2020-07-13 | 아주대학교산학협력단 | 교육 자료를 수집하는 방법 및 장치 |
-
2020
- 2020-07-17 KR KR1020200088603A patent/KR102559449B1/ko active IP Right Grant
-
2023
- 2023-07-06 KR KR1020230088032A patent/KR20230106579A/ko not_active Application Discontinuation
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20170129333A (ko) * | 2016-05-16 | 2017-11-27 | 한성대학교 산학협력단 | 컨텐츠 분류 방법 |
| KR20180096341A (ko) * | 2017-02-21 | 2018-08-29 | 전북대학교산학협력단 | 소셜 플랫폼상에서 mooc와 플립드러닝을 지원하는 온톨로지 기반 교육 콘텐츠 소셜 큐레이터 구현 시스템 및 그 방법 |
| KR20200046734A (ko) * | 2018-10-25 | 2020-05-07 | 서울여자대학교 산학협력단 | 강의 콘텐츠 생성 장치 및 이를 위한 방법 |
| KR20200084694A (ko) * | 2019-01-03 | 2020-07-13 | 아주대학교산학협력단 | 교육 자료를 수집하는 방법 및 장치 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102636579B1 (ko) * | 2022-10-19 | 2024-02-16 | 주식회사 아이스크림에듀 | 학습이력 및 메타정보 기반의 지식맵을 활용한 인공지능 튜터링 시스템 |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20230106579A (ko) | 2023-07-13 |
| KR102559449B1 (ko) | 2023-07-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112163165B (zh) | 信息推荐方法、装置、设备及计算机可读存储介质 | |
| Wang et al. | Multi-perspective context matching for machine comprehension | |
| Mitra et al. | Helpfulness of online consumer reviews: A multi-perspective approach | |
| Akerkar et al. | Intelligent techniques for data science | |
| Fan et al. | Interpretable MOOC recommendation: a multi-attention network for personalized learning behavior analysis | |
| US11947582B2 (en) | Enhanced knowledge delivery and attainment using a question answering system | |
| Karampiperis et al. | Collaborative filtering recommendation of educational content in social environments utilizing sentiment analysis techniques | |
| US10083219B2 (en) | Enhanced knowledge delivery and attainment using a question answering system | |
| US20200311607A1 (en) | Systems and methods for improved modelling of partitioned datasets | |
| KR101847345B1 (ko) | 온톨로지 기술과 지식 구조의 기계적 생성을 활용한 객관식 형성 평가 문제의 자동 생성 방법 | |
| Aryal et al. | MoocRec: Learning styles-oriented MOOC recommender and search engine | |
| Hendahewa et al. | Implicit search feature based approach to assist users in exploratory search tasks | |
| Campos et al. | Providing recommendations for communities of learners in MOOCs ecosystems | |
| CN111625715A (zh) | 信息提取方法、装置、电子设备及存储介质 | |
| Zhong et al. | Design of a personalized recommendation system for learning resources based on collaborative filtering | |
| Muhammad et al. | GRL-LS: A learning style detection in online education using graph representation learning | |
| Jung et al. | Video-based learning assistant scheme for sustainable education | |
| KR20230106579A (ko) | 학습 나침반 서비스를 제공하는 방법 | |
| Chen et al. | A systematic review for MOOC dropout prediction from the perspective of machine learning | |
| KR102610999B1 (ko) | 인공지능 기반 데이터베이스화된 동영상 강의의 검색 및 추천 서비스 제공 방법, 장치 및 시스템 | |
| Al-Otaibi et al. | Finding influential users in social networking using sentiment analysis | |
| Shaptala et al. | Exploring the vector space model for online courses | |
| CN116484085A (zh) | 一种信息投放方法、装置、设备及存储介质、程序产品 | |
| Yürüm et al. | Predictive Video Analytics in Online Courses: A Systematic Literature Review | |
| Powar et al. | Analysing recommendation of colleges for students using data mining techniques |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal | ||
| AMND | Amendment | ||
| E601 | Decision to refuse application | ||
| X091 | Application refused [patent] | ||
| AMND | Amendment | ||
| X701 | Decision to grant (after re-examination) | ||
| A107 | Divisional application of patent | ||
| GRNT | Written decision to grant |