KR20220036899A - 사용자의 학습효과를 반영하여 추천문제를 결정하는 학습 컨텐츠 추천 장치, 시스템 및 그것의 동작 방법 - Google Patents

사용자의 학습효과를 반영하여 추천문제를 결정하는 학습 컨텐츠 추천 장치, 시스템 및 그것의 동작 방법 Download PDF

Info

Publication number
KR20220036899A
KR20220036899A KR1020210178229A KR20210178229A KR20220036899A KR 20220036899 A KR20220036899 A KR 20220036899A KR 1020210178229 A KR1020210178229 A KR 1020210178229A KR 20210178229 A KR20210178229 A KR 20210178229A KR 20220036899 A KR20220036899 A KR 20220036899A
Authority
KR
South Korea
Prior art keywords
expected score
user
learning
information
score
Prior art date
Application number
KR1020210178229A
Other languages
English (en)
Other versions
KR102626443B1 (ko
Inventor
노현빈
Original Assignee
(주)뤼이드
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 (주)뤼이드 filed Critical (주)뤼이드
Priority to KR1020210178229A priority Critical patent/KR102626443B1/ko
Publication of KR20220036899A publication Critical patent/KR20220036899A/ko
Application granted granted Critical
Publication of KR102626443B1 publication Critical patent/KR102626443B1/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
    • G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
    • G09B—EDUCATIONAL OR DEMONSTRATION APPLIANCES; APPLIANCES FOR TEACHING, OR COMMUNICATING WITH, THE BLIND, DEAF OR MUTE; MODELS; PLANETARIA; GLOBES; MAPS; DIAGRAMS
    • G09B7/00—Electrically-operated teaching apparatus or devices working with questions and answers
    • G09B7/02—Electrically-operated teaching apparatus or devices working with questions and answers of the type wherein the student is expected to construct an answer to the question which is presented or wherein the machine gives an answer to the question presented by a student
    • G09B7/04—Electrically-operated teaching apparatus or devices working with questions and answers of the type wherein the student is expected to construct an answer to the question which is presented or wherein the machine gives an answer to the question presented by a student characterised by modifying the teaching programme in response to a wrong answer, e.g. repeating the question, supplying a further explanation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G06N3/0455—Auto-encoder networks; Encoder-decoder networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0631—Item recommendations
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Educational Technology (AREA)
  • Educational Administration (AREA)
  • Human Resources & Organizations (AREA)
  • Primary Health Care (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Development Economics (AREA)
  • Electrically Operated Instructional Devices (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

틀린 문제에 대한 해설을 읽거나 동영상 강의를 수강하는 등 학습을 진행한 후의 사용자의 학습도를 반영하여, 가장 높은 점수 향상을 보일 것으로 판단되는 문제를 사용자에게 제공하는 학습 컨텐츠 추천 장치에 관한 것으로, 사용자의 학습효과를 반영하여 추천 문제를 결정하는 학습 컨텐츠 추천 장치에 있어서, 사용자가 이전에 풀이한 문제와 이에 대한 사용자의 응답을 포함하는 사용자 정보를 기초로, 추천 후보 문제를 맞힌 경우와 틀린 경우 각각에 대해 사용자의 예상점수 정보를 연산하는 예상점수 연산부, 사용자 정보를 기초로 사용자가 추천 후보 문제를 맞힐 확률인 정답률 정보를 예측하는 정답률 예측부 및 예상점수 정보와 상기 정답률 정보로부터 기대점수를 연산하고, 기대점수에 따라 추천문제를 결정하는 추천 문제 결정부를 포함한다.

Description

사용자의 학습효과를 반영하여 추천문제를 결정하는 학습 컨텐츠 추천 장치, 시스템 및 그것의 동작 방법 {LEARNING CONTENT RECOMMENDATION DEVICE, SYSTEM, AND OPERATION METHOD FOR DETERMINING RECOMMENDATION PROBLEM BY REFLECTING USER'S LEARNING EFFECT}
본 발명은 사용자의 학습효과를 반영하여 추천문제를 결정하는 학습 컨텐츠 추천 장치, 시스템 및 그것의 동작 방법에 관한 것으로, 보다 구체적으로, 틀린 문제에 대한 해설을 읽거나 동영상 강의를 수강하는 등 학습을 진행한 후의 사용자의 학습도를 반영하여, 가장 높은 점수 향상을 보일 것으로 판단되는 문제를 사용자에게 제공하는 학습 컨텐츠 추천 장치, 시스템 및 그것의 동작 방법에 관한 것이다.
최근 인터넷과 전자장치의 활용이 각 분야에서 활발히 이루어지며 교육 환경 역시 빠르게 변화하고 있다. 특히, 다양한 교육 매체의 발달로 학습자는 보다 폭넓은 학습 방법을 선택하고 이용할 수 있게 되었다. 그 중에서도 인터넷을 통한 교육 서비스는 시간적, 공간적 제약을 극복하고 저비용의 교육이 가능하다는 이점 때문에 주요한 교수 학습 수단으로 자리매김하게 되었다.
이러한 경향에 부응하여 이제는 제한된 인적, 물적 자원으로 오프라인 교육에서는 불가능했던 맞춤형 교육 서비스도 다양해지는 추세이다. 예를 들어, 인공지능을 활용하여 학습자의 개성과 능력에 따라 세분화된 교육 컨텐츠를 제공함으로써, 과거의 획일적 교육 방법에서 탈피하여 학습자의 개인 역량에 따른 교육 콘텐츠를 제공하고 있다.
교육 분야에서는 일반적으로 협업 필터링(Collaborating Filter, CF)을 이용해 학습 컨텐츠를 추천해왔다. 이는 사용자들의 문제 풀이 결과를 수집하여 주어진 새로운 문제에 대한 정답률을 예측하는 방법이다. 즉, 과거에 유사한 문제 풀이 이력을 가지고 있는 다른 사용자와 비교하여, 다른 사용자의 새로운 문제에 대한 응답 또한 자신의 문제 풀이 결과와 유사할 것을 전제로 정답률을 예측하는 것이다. 협업 필터링에서는 틀릴 확률이 가장 높은, 즉 예측된 정답률이 가장 낮은 문제를 사용자에게 추천해왔다.
협업 필터링에서는 단순히 틀릴 확률이 가장 높은 문제를 추천해주기 때문에 사용자에게 정말 필요한 문제를 추천해 줄 수 없다는 문제가 발생한다. 예를 들어, 현재 토익 실력이 500점인 사용자에게 900점 수준의 사용자가 겨우 풀 수 있는 문제를 단순히 틀릴 확률이 높다는 이유만으로 제공할 수 있는 것이다. 사용자는 600점 수준의 문제부터 점차적으로 실력을 쌓아야 하는데도 불구하고 학습 효율이 떨어지는 고난이도의 문제를 추천 받을 수밖에 없어 학습 효율이 떨어지는 문제가 존재하였다.
대한민국 등록특허공보 제10-1853091호(2018.04.23.)
대한민국 등록특허공보 제10-2015075호(2019.06.27.)
전술한 문제를 해결하기 위해, 본 발명은 문제 풀이를 통해서 가장 높은 점수 향상(기대점수)을 보일 것으로 판단되는 추천 문제를 제공함으로써, 사용자의 실력 향상에 가장 도움을 줄 수 있는 문제를 추천할 수 있는 학습 컨텐츠 추천 장치, 시스템 및 그것의 동작 방법을 제공할 수 있다.
또한, 본 발명은 문제에 대한 해설을 읽거나 관련 강의를 수강하는 등 문제를 풀이함으로써 얻는 교육적 효과를 반영하여 기대점수를 연산하고, 기대점수를 기초로 추천 문제를 결정함으로써, 지속적인 학습을 통해 향상되는 사용자의 실력을 반영할 수 있는 학습 컨텐츠 추천 장치, 시스템 및 그것의 동작 방법을 제공할 수 있다.
틀린 문제에 대한 해설을 읽거나 동영상 강의를 수강하는 등 학습을 진행한 후의 사용자의 학습도를 반영하여, 가장 높은 점수 향상을 보일 것으로 판단되는 문제를 사용자에게 제공하는 학습 컨텐츠 추천 장치에 관한 것으로, 사용자의 학습효과를 반영하여 추천 문제를 결정하는 학습 컨텐츠 추천 장치에 있어서, 사용자가 이전에 풀이한 문제와 이에 대한 사용자의 응답을 포함하는 사용자 정보를 기초로, 추천 후보 문제를 맞힌 경우와 틀린 경우 각각에 대해 사용자의 예상점수 정보를 연산하는 예상점수 연산부, 사용자 정보를 기초로 사용자가 추천 후보 문제를 맞힐 확률인 정답률 정보를 예측하는 정답률 예측부 및 예상점수 정보와 상기 정답률 정보로부터 기대점수를 연산하고, 기대점수에 따라 추천문제를 결정하는 추천 문제 결정부를 포함한다.
사용자의 학습효과를 반영하여 추천 문제를 결정하는 학습 컨텐츠 추천 장치의 동작 방법에 있어서, 사용자가 이전에 풀이한 문제와 이에 대한 사용자의 응답을 포함하는 사용자 정보를 기초로, 추천 후보 문제를 맞힌 경우와 틀린 경우 각각에 대해 사용자의 예상점수 정보를 연산하는 단계, 사용자 정보를 기초로 사용자가 추천 후보 문제를 맞힐 확률인 정답률 정보를 예측하는 단계 및 예상점수 정보와 정답률 정보로부터 기대점수를 연산하고, 기대점수에 따라 추천문제를 결정하는 추천하는 단계를 포함한다.
본 발명의 실시 예에 따른 학습 컨텐츠 추천 장치, 시스템 및 그것의 동작 방법은, 문제 풀이를 통해서 가장 높은 점수 향상(기대점수)을 보일 것으로 판단되는 추천 문제를 제공함으로써, 사용자의 실력 향상에 가장 도움이 되는 문제를 추천해 줄 수 있는 효과가 있다.
또한, 본 발명의 실시 예에 따른 학습 컨텐츠 추천 장치, 시스템 및 그것의 동작 방법은, 문제에 대한 해설을 읽거나 관련 강의를 수강하는 등 문제를 풀이함으로써 얻는 교육적 효과를 반영하여 기대점수를 연산하고, 기대점수를 기초로 추천 문제를 결정함으로써, 지속적인 학습을 통해 향상되는 사용자의 실력을 실시간으로 반영할 수 있는 효과가 있다.
도 1은 본 발명의 실시 예에 따른, 학습 컨텐츠 추천 시스템을 설명하기 위한 도면이다.
도 2는 본 발명의 실시 예에 따른, 학습 컨텐츠 추천 장치의 동작을 상세하게 설명하기 위한 도면이다.
도 3은 본 발명의 실시 예에 따른, 추천 문제 결정부를 설명하기 위한 도면이다.
도 4는 본 발명의 실시 예에 따른, 학습효과가 반영된 기대점수의 연산을 설명하기 위한 그래프이다.
도 5는 본 발명의 실시 예에 따른, 학습 컨텐츠 추천 시스템의 동작 방법을 설명하기 위한 순서도이다.
도 6은 도 5의 S511 단계를 상세하게 설명하기 위한 순서도이다.
이하, 첨부된 도면을 참조하여 본 명세서에 개시된 실시예를 상세히 설명하되, 도면 부호에 관계없이 동일하거나 유사한 구성요소는 동일한 참조 번호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다.
본 명세서에 개시된 실시예를 설명함에 있어서 어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다.
또한, 본 명세서에 개시된 실시예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 명세서에 개시된 실시예의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 첨부된 도면은 본 명세서에 개시된 실시예를 쉽게 이해할 수 있도록 하기 위한 것일 뿐, 첨부된 도면에 의해 본 명세서에 개시된 기술적 사상이 제한되지 않으며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.
본 명세서와 도면에 개시된 본 발명의 실시 예들은 본 발명의 기술 내용을 쉽게 설명하고 본 발명의 이해를 돕기 위해 특정 예를 제시한 것뿐이며, 본 발명의 범위를 한정하고자 하는 것은 아니다. 여기에 개시된 실시 예들 이외에도 본 발명의 기술적 사상에 바탕을 둔 다른 변형 예들이 실시 가능하다는 것은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에게 자명한 것이다.
도 1은 본 발명의 실시 예에 따른, 학습 컨텐츠 추천 시스템을 설명하기 위한 도면이다.
도 1을 참조하면, 본 발명의 실시 예에 따른 학습 컨텐츠 추천 시스템(50)은, 사용자 단말(100) 및 학습 컨텐츠 추천 장치(200)를 포함할 수 있다.
학습 컨텐츠 추천 시스템(50)은 사용자가 풀이한 문제와 문제에 대한 응답을 기초로 학습 효율이 가장 높을 것으로 예상되는 문제를 제공할 수 있다. 실시 예에서, 추천 문제는 문제를 풀이한 이후 가장 높은 점수 향상(기대점수)를 보일 것으로 예상되는 문제일 수 있다.
종래 인터넷을 통한 교육 서비스는 협업 필터링(Collaborating Filter, CF)을 사용하여 추천 문제를 결정하였다. 협업 필터링에서는 기존 사용자들의 응답을 수집하고, 새로 유입된 사용자의 정답률을 예측한다. 협업 필터링 기반의 문제 추천에서는 예측된 정답률이 가장 낮은 문제, 즉 틀릴 확률이 가장 높은 문제를 추천 문제로 결정한다.
이러한 협업 필터링에서는 단순히 틀릴 확률이 가장 높은 문제를 추천해주기 때문에, 사용자의 실력 향상과 직접적인 관계가 없는 문제가 추천되는 문제가 있다.
예를 들어, 현재 토익 실력이 500점인 사용자에게 900점 수준의 사용자가 겨우 풀 수 있는 문제를 단순히 틀릴 확률이 높다는 이유만으로 제공할 수 있는 것이다. 사용자는 600점 수준의 문제부터 점차적으로 실력을 쌓아야 하는데도 불구하고 학습 효율이 떨어지는 고난이도의 문제를 추천 받을 수밖에 없어 학습 효율이 떨어지는 문제가 존재하였다.
이러한 문제를 해결하기 위해, 본 발명의 실시 예에 따른 학습 컨텐츠 추천 시스템(50)은, 사용자의 응답 정보를 수집하여, 특정 문제를 풀이했을 때 사용자가 받을 것으로 예상되는 기대점수를 연산하고, 기대점수가 가장 높은 문제를 추천 문제로 결정할 수 있다.
현재 토익 500점의 사용자가 A 문제를 풀이한 이후 530점을 받을 것으로 예상되고, B 문제를 풀이한 이후 570점을 받을 것으로 예상되는 경우, B 문제를 추천 문제로 결정하는 방법이다.
학습 컨텐츠 추천 장치(200)는 사용자 단말(100)로부터 수집된 응답 정보를 통해 기대점수를 연산하고 이를 기초로 추천 문제를 결정할 수 있다. 이를 위해, 학습 컨텐츠 추천 장치(200)는 예상점수 연산부(210), 정답률 예측부(220) 및 추천 문제 결정부(230)를 포함할 수 있다.
예상점수 연산부(210)는 사용자 정보를 기초로 특정 문제를 맞힌 경우와 틀린 경우 각각에 대해 사용자의 예상점수를 연산할 수 있다. 이때 문제를 맞힌 경우의 예상점수는 최대 예상점수, 문제를 틀린 경우의 예상점수는 최소 예상점수일 수 있다. 사용자 정보는 이전에 사용자가 풀이한 문제와 이에 대한 사용자의 응답을 포함할 수 있다. 사용자 정보는 사용자가 문제를 풀이할 때마다 실시간으로 업데이트 될 수 있다.
사용자가 특정 문제를 풀이한 이후 가질 것으로 예상되는 점수는 기대점수일 수 있다. 전술한 바와 같이, 본 발명의 실시 예에 따른 학습 컨텐츠 추천 시스템(50)은, 기대점수가 가장 높은 문제를 추천 문제로 결정할 수 있다.
기대점수는 예상점수의 범위 내의 값을 가질 수 있다. 사용자가 해당 문제를 맞힌 경우 기대점수는 최대 예상점수일 것이고, 사용자가 해당 문제를 틀린 경우 기대점수는 최소 예상점수일 수 있다.
학습 컨텐츠 추천 장치(200)는 예상점수의 범위 내에서 고정된 기대점수 값을 획득하기 위해 정답률을 사용할 수 있다. 정답률은 사용자가 해당 문제를 맞힐 확률일 수 있다.
정답률 예측부(220)는 사용자 정보를 기초로 정답률을 예측할 수 있다. 정답률 예측에는 RNN, LSTM, 양방향 LSTM 또는 트랜스포머 구조의 인공신경망을 비롯해 다양한 인공신경망 모델이 사용될 수 있다. 일 실시 예에서, 트랜스포머 구조의 인공신경망을 사용하는 경우, 인코더 측에는 문제 정보를, 디코더 측에는 응답 정보를 입력하여 문제의 정답률을 예측할 수 있다.
추천 문제 결정부(230)는 예상점수 연산부(210)가 연산한 예상점수 정보와 정답률 예측부(220)가 예측한 정답률 정보를 기초로 추천 문제를 결정할 수 있다. 추천 문제는 예상점수 정보와 정답률 정보를 통해 연산된 기대점수가 가장 높은 문제일 수 있다.
다만, 추천문제는 기대점수가 가장 높은 하나의 문제에 한정되지 않고, 기대점수가 높은 순으로 미리 설정된 개수의 문제를 추천 문제로 결정하거나, 미리 설정된 값보다 큰 기대점수를 가지는 문제를 추천문제로 결정할 수도 있다.
추천 문제 결정부(230)는 미리 설정된 알고리즘에 따라 기대점수를 연산할 수 있다. 알고리즘은 제1 알고리즘 및/또는 제2 알고리즘을 포함할 수 있으며, 경우에 따라 둘 중 어느 하나 이상의 알고리즘을 사용해 기대점수를 연산할 수 있다.
제1 알고리즘은 학습도를 반영하지 않고, 예상점수 정보와 정답률 정보만을 사용하여 기대점수를 연산하는 알고리즘이다. 아래의 수학식 1을 참조하면, t개의 문제까지 수집된 사용자 정보는
Figure pat00001
, 기대점수를 예측하고자 하는 t+1번째 문제는
Figure pat00002
, t+1번째 문제에 대한 사용자의 예상 응답은
Figure pat00003
일 `수 있다.
이때, 제1 알고리즘에 따라 학습도가 반영되지 않은 기대점수는
Figure pat00004
, 사용자가 문제를 맞혔을 때 예상점수(최대 예상점수)는
Figure pat00005
, 사용자가 문제를 틀렸을 때 예상점수(최소 예상점수)는
Figure pat00006
, 사용자가 t+1번째 문제를 맞힐 정답률은
Figure pat00007
일 수 있다.
아래 수학식 1을 참고하면, 알고리즘 1에 따른 기대점수는 “정답률과 최대 예상점수를 곱한 값”과 “틀릴 확률과 최소 예상점수를 곱한 값”을 합산하여 연산될 수 있다.
Figure pat00008
반면, 제2 알고리즘에 따라 학습도가 반영된 기대점수는 수학식 2를 참고하여 설명될 수 있다. 이때 학습도는
Figure pat00009
일 수 있다. 아래 수학식 2를 참고하면, 학습도가 반영된 기대점수는 “학습도에 최대 예상점수를 곱한 값”과 “비학습도(1-
Figure pat00010
)에 학습도가 반영되지 않은 기대점수를 곱한 값”을 합산하여 연산될 수 있다.
Figure pat00011
본 발명의 실시 예에 따른 학습 컨텐츠 추천 시스템(50)은, 기대점수 연산 시 문제에 대한 해설을 읽거나 관련 강의를 수강하는 등 문제를 풀 때 발생되는 교육적 효과에 관한 정보인 학습도를 반영할 수 있다.
학습도는 이전에 틀렸던 문제에 대해 학습한 후, 동일 또는 유사한 유형의 문제를 다시 풀었을 때 맞힌 확률로부터 연산될 수 있다. 다시 풀이하는 문제는 복수 개일 수 있고, 이 경우 학습도는 사용자에게 적어도 한 번 이상 주어진 문제들에 대한 평균 정답률일 수 있다.
다만, 실시 예에 따라, 학습도 연산은 동일 또는 유사한 문제에 대한 정답률에 한정되지 않고, 사용자의 문제풀이 환경에서 고려될 수 있는 다양한 변수(학습 도중 이탈할 확률, 문제 풀이 시간, 풀이한 문제의 수, … 중 적어도 어느 하나 이상이 동시에 사용될 수 있다.
추천 문제 결정부(230)는 상술한 바와 같이 예상점수 정보, 정답률 정보, 학습도를 기초로 기대점수를 연산할 수 있다. 연산된 기대점수는 복수의 문제들 각각에 대해 반복적으로 수행될 수 있다.
사용자가 임의의 문제를 풀이한 후 가질 것으로 예상되는 기대점수를 각 문제마다 연산하고, 이를 기초로 가장 높은 기대점수를 가질 것으로 예상되는 문제를 추천 문제로 사용자에게 제공할 수 있다.
본 발명의 실시 예에 따른 학습 컨텐츠 추천 시스템(50)에 따르면, 문제마다 기대점수를 연산한 후 추천 문제를 결정함으로써, 단순히 틀릴 확률이 높은 문제를 추천할 때보다 사용자의 점수 향상에 최적화된 문제를 추천할 수 있는 효과가 있다.
또한, 본 발명의 실시 예에 따른 학습 컨텐츠 추천 시스템(50)에 따르면, 인공지능을 활용하여 학습자의 학습 능력에 따라 세분화된 교육 컨텐츠를 제공함으로써, 과거의 획일적 교육 방법에서 탈피하여 학습자의 개인 역량에 따른 교육 콘텐츠를 제공할 수 있는 효과가 있다.
도 2는 본 발명의 실시 예에 따른, 학습 컨텐츠 추천 장치의 동작을 상세하게 설명하기 위한 도면이다.
도 2를 참고하면, 학습 컨텐츠 추천 장치(200)는 전술한 도 1의 예상 점수 연산부(210), 정답률 예측부(220), 추천 문제 결정부(230) 외에도, 샘플링부(240) 및 사용자 정보 저장부(250)를 더 포함할 수 있다.
학습 컨텐츠 추천 장치(200)는 각 문제마다 기대점수를 연산하여, 기대점수가 가장 높은 문제를 추천 문제로 결정할 수 있다. 이때 문제 데이터베이스(300)가 가진 모든 문제에 대한 기대점수를 연산하는 것은 소모되는 리소스가 방대하여 전체적인 성능이 저하될 수 있다.
따라서, 샘플링부(240)는 문제 데이터베이스(300)로부터 문제 정보를 수신하고, 추천 문제를 결정하기 위한 추천 후보 문제들을 샘플링할 수 있다. 학습 컨텐츠 추천 장치(200)는 추천 문제를 결정하기 위해 샘플링된 추천 후보 문제에 대해서만 기대점수를 연산할 수 있다.
샘플링부(240)는 실시 예에 따라 다양한 방법으로 추천 후보 문제들을 샘플링 할 수 있다. 샘플링 방법은, 1) 임의의 문제들을 선택, 2) 사용자의 평균 정답률이 낮은 문제들을 선택, 3) 트랜드가 반영된 최신 기출 문제들을 선택, 3) 사용자의 집중도가 높은 문제들을 선택하는 방법 중 적어도 어느 하나 이상이 포함될 수 있으나, 이에 한정되지 않는다.
샘플링부(240)는 후보 문제들을 샘플링하고, 사용자 정보 저장부(250)로부터 사용자 정보를 수신하여 샘플링 정보를 생성할 수 있다. 샘플링 정보는 샘플링된 문제 정보와 사용자 정보를 포함할 수 있다. 이후 샘플링부(240)는 샘플링 정보를 예상점수 연산부(210)와 정답률 예측부(220)에 전달할 수 있다.
예상점수 연산부(210)는 샘플링 정보를 기초로 예상점수 정보를 생성할 수 있다. 구체적으로, 예상점수 연산부(210)는 사용자 정보를 기초로, 샘플링된 후보 문제를 맞힌 경우와 틀린 경우 각각에 대해 사용자의 예상점수를 연산할 수 있다. 문제를 맞힌 경우의 예상점수는 최대 예상점수, 문제를 틀린 경우의 예상점수는 최소 예상점수일 수 있다.
정답률 예측부(220)는 예상점수의 범위 내에서 고정된 기대점수 값을 획득하기 위해 정답률을 사용할 수 있다. 정답률은 사용자가 해당 문제를 맞힐 확률일 수 있다. 기대점수는 예상점수의 범위 내의 값을 가질 수 있다. 사용자가 해당 문제를 맞힌 경우 기대점수는 최대 예상점수이고, 사용자가 해당 문제를 틀린 경우 기대점수는 최소 예상점수일 수 있다.
정답률 예측부(220)는 사용자 정보를 기초로 정답률을 예측할 수 있다. 정답률 예측에는 RNN, LSTM, 양방향 LSTM 또는 트랜스포머 구조의 인공신경망을 비롯해 다양한 인공신경망 모델이 사용될 수 있다. 일 실시 예에서, 트랜스포머 구조의 인공신경망을 사용하는 경우, 인코더 측에는 문제 정보를, 디코더 측에는 응답 정보를 입력하여 문제의 정답률을 예측할 수 있다.
추천 문제 결정부(230)는 예상점수 연산부(210)가 연산한 예상점수 정보와 정답률 예측부(220)가 예측한 정답률 정보를 기초로 추천 문제를 결정할 수 있다. 추천 문제는 예상점수 정보, 정답률 정보를 통해 연산된 기대점수가 가장 높은 문제일 수 있다.
추천 문제 결정부(230)는 기대점수 연산 시 학습도를 이용할 수 있다. 학습도는 문제에 대한 해설을 읽거나 관련 강의를 수강하는 등 문제를 풀 때 발생되는 교육적 효과에 관한 정보를 포함할 수 있다. 학습도를 이용해 기대점수를 연산하는 과정은 후술하는 도 3에 대한 설명에서 상세하게 설명하기로 한다.
추천 문제 결정부(230)는 결정된 추천 문제를 사용자 단말(100)에 제공할 수 있다. 사용자는 추천 문제를 풀이한 결과를 응답 정보로써 사용자 정보 저장부(250)에 제공할 수 있다.
도 3은 본 발명의 실시 예에 따른, 추천 문제 결정부를 설명하기 위한 도면이다.
도 3을 참조하면, 추천 문제 결정부(230)는 기대점수 연산부(231) 및 학습도 연산부(232)를 포함할 수 있다.
기대점수 연산부(231)는 제1 알고리즘 및/또는 제2 알고리즘에 따라 예상점수로부터 기대점수를 연산할 수 있다.
제1 알고리즘은 학습도를 반영하지 않고, 예상점수 정보와 정답률 정보만을 사용하여 기대점수를 연산하는 알고리즘일 수 있다. 제1 알고리즘에 따르면, “정답률과 최대 예상점수를 곱한 값”과 “틀릴 확률과 최소 예상점수를 곱한 값”을 합산하여 기대점수를 연산할 수 있다.
제1 알고리즘에 따라 연산된 기대점수는 학습도(
Figure pat00012
)가 반영되지 않은 기대점수이다. 학습도가 반영되지 않은 기대점수는 문제풀이 후 해설을 읽거나 강의를 수강하는 등 학습 이후의 사용자의 실력 향상을 충분히 반영하지 못하기 때문에 현재 사용자의 실력에 가장 적합한 학습 컨텐츠를 추천할 수 없다는 문제가 있다.
반면, 제2 알고리즘은 학습도를 반영하여 기대점수를 연산하는 알고리즘일 수 있다. 제2 알고리즘은 학습도, 예상점수 정보, 정답률 정보를 이용하여 기대점수를 연산할 수 있다. 제2 알고리즘에 따르면, 학습도가 반영된 기대점수는 “학습도에 최대 예상점수를 곱한 값”과 “비학습도(1-
Figure pat00013
)에 학습도가 반영되지 않은 기대점수를 곱한 값”을 합산하여 기대점수를 연산될 수 있다.
제2 알고리즘으로 기대점수를 연산하더라도, 학습도가 반영된 기대점수 연산시 학습도가 반영되지 않은 기대점수를 사용하므로, 제1 알고리즘의 사용은 수반될 수 있다.
제2 알고리즘에 따라 연산된 기대점수는 학습도를 반영하기 때문에 매 문제풀이 단계마다 향상되는 사용자의 실력을 반영할 수 있다. 따라서 사용자의 현재 실력을 반영한 문제를 학습 컨텐츠를 제공함으로써 효과적인 학습이 가능하도록 하는 효과가 있다.
사용자 정보 저장부(250)는 사용자 단말(100)로부터 응답 정보를 수신하고 저장할 수 있다. 이후 사용자 정보 저장부(250)는 사용자 정보를 응답 정보에 따라 업데이트 하고, 추천 문제 연산을 위해 사용자 정보를 제공할 수 있다. 사용자 정보 저장부(250)는 인공지능 예측을 위해 상기 예상점수 연산부와 상기 정답률 예측부에 상기 사용자 정보를 제공하고, 사용자의 문제 풀이에 따른 응답 정보를 저장할 수 있다.
도 2에서는, 사용자 정보가 샘플링부(240)를 통해 제공되는 것으로 도시되었지만, 이는 하나의 예시일 뿐 샘플링부(240)를 거치치 않고 예상점수 연산부(210), 정답률 예측부(220)에 제공될 수 있다.
도 4는 본 발명의 실시 예에 따른, 학습효과가 반영된 기대점수의 연산을 설명하기 위한 그래프이다.
도 4를 참조하면, 도 4는 시간의 흐름에 따라 사용자의 점수 변화를 그래프로 도시하고 있다.
P는 사용자의 현재 상태를 나타낸다. t1에서 사용자는 500점의 실력을 보유하고 있다. 사용자는 문제를 풀이하고 해설을 읽거나 관련 강의를 수강하는 등의 학습 후 t2에서 향상된 실력을 보유할 수 있다.
본 발명의 실시 예에 따른 학습 컨텐츠 추천 시스템은, 문제를 풀이한 이후 예상되는 사용자의 예상점수와 기대점수를 연산할 수 있다. 예상점수는 해당 문제를 맞힌 경우의 최대 예상점수(Smax)와 문제를 틀린 경우의 최소 예상점수(Smin)를 포함할 수 있다.
도 4의 실시 예에서, 문제를 틀린 경우 사용자의 예상점수는 420점이고, 문제를 맞힌 경우 사용자의 예상점수는 700점일 수 있다. 기대점수는 예상점수 범위 내의 값을 가지며, 그 문제에 대한 사용자의 정답률을 반영하여 연산될 수 있다.
경로 A는 학습도가 반영되지 않은 기대점수(E)를 연산하는 과정이다. 학습도가 반영되지 않은 기대점수(E)는 최대 예상점수(Smax), 최소 예상점수(Smin) 및 정답률을 사용하여 연산될 수 있다.
학습도가 반영되지 않은 기대점수는 실제로 학습 후 향상된 사용자의 실력을 반영하지 못하기 때문에, 학습도가 반영된 기대점수(E')보다 낮은 점수를 갖는다. 도 4에서, 학습도가 반영된 기대점수(E')는 660점인 반면, 학습도가 반영되지 않은 기대점수(E)는 550점이다.
경로 B는 학습도가 반영된 기대점수(E')를 연산하는 과정이다. 학습도가 반영된 기대점수(E')는 최대 예상점수(Smax), 최소 예상점수(Smin), 정답률 및 학습도를 사용하여 연산될 수 있다.
학습도가 반영된 기대점수(E')는 경로 A에 따라 학습도가 반영되지 않은 기대점수(E)를 연산한 후, 이를 이용하여 연산될 수 있다. 구체적인 수식은 전술한 수학식 2를 통해 이해될 수 있다.
학습도는 문제에 대한 해설을 읽거나 관련 강의를 수강하는 등 문제를 풀 때 발생되는 교육적 효과에 관한 정보를 포함할 수 있다. 학습도를 반영하여 기대점수를 연산함으로써, 학습 후 향상된 사용자의 실력을 실시간으로 반영할 수 있는 효과가 있다.
도 5는 본 발명의 실시 예에 따른, 학습 컨텐츠 추천 시스템의 동작 방법을 설명하기 위한 순서도이다.
도 5를 참조하면, S501 단계에서, 학습 컨텐츠 추천 시스템은 문제 데이터베이스로부터 문제 정보를 수신하고 사용자에게 추천할 후보 문제들을 샘플링할 수 있다.
문제 데이터베이스가 보유한 모든 문제에 대해 기대점수를 연산하는 것은 요구하는 리소스가 방대하여 전체적인 성능이 저하될 수 있으므로, 학습 컨텐츠 추천 시스템은 기대점수를 연산할 후보 문제들을 먼저 샘플링하는 것이다.
S503 단계에서, 학습 컨텐츠 추천 시스템은 사용자가 이전에 풀이한 문제와 문제에 대한 응답을 포함하는 사용자 정보를 수신할 수 있다.
사용자 정보는 문제와 응답의 쌍으로 구성될 수 있으며, 사용자가 문제를 풀이할 때마다, 풀이 결과를 반영하여 업데이트 될 수 있다.
S505 단계에서, 학습 컨텐츠 추천 시스템은 샘플링된 문제 정보와 사용자 정보를 인공지능 모델에 전송할 수 있다. 샘플링된 문제 정보와 사용자 정보는 샘플링 정보일 수 있다.
학습 컨텐츠 추천 시스템은 샘플링 정보를 인공지능 모델에 입력하여 예상점수와 정답률을 예측할 수 있다. 예상점수와 정답률은 각자에 최적화된 서로 다른 인공지능 모델을 사용하여 예측될 수 있다.
구체적으로, S507 단계에서, 학습 컨텐츠 추천 시스템은 사용자 정보를 기초로 샘플링된 문제의 정답률을 예측할 수 있고, S509 단계에서, 학습 컨텐츠 추천 시스템은 사용자 정보를 기초로, 샘플링된 문제를 맞춘 경우의 사용자의 예상점수(최대 예상점수)와 샘플링된 문제를 틀린 경우의 사용자의 예상점수(최소 예상점수)를 연산할 수 있다.
S511 단계에서, 학습 컨텐츠 추천 시스템은 예상점수 정보와 정답률 정보를 기초로 추천 문제를 결정하고, 사용자에게 제공할 수 있다.
본 명세서와 도면에 게시된 본 발명의 실시 예들은 본 발명의 기술 내용을 쉽게 설명하고 본 발명의 이해를 돕기 위해 특정 예를 제시한 것뿐이며, 본 발명의 범위를 한정하고자 하는 것은 아니다. 여기에 게시된 실시 예들 이외에도 본 발명의 기술적 사상에 바탕을 둔 다른 변형 예들이 실시 가능하다는 것은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에게 자명한 것이다.
50: 사용자 점수 예측 시스템
100: 유저 단말
200: 학습 컨텐츠 추천 장치
210: 예상점수 연산부
220: 정답률 예측부
230: 추천 문제 결정부
240: 샘플링부
250: 사용자 정보 저장부
300: 문제 데이터베이스

Claims (5)

  1. 사용자의 학습효과를 반영하여 추천 문제를 결정하는 학습 컨텐츠 추천 장치에 있어서,
    사용자가 이전에 풀이한 문제와 이에 대한 사용자의 응답을 포함하는 사용자 정보를 기초로, 사용자가 추천 후보 문제를 맞힌 경우 가질 수 있는 최대 예상점수와 상기 추천 후보 문제를 틀린 경우 가질 수 있는 최소 예상점수를 포함하는 예상점수 정보를 연산하는 예상점수 연산부;
    상기 사용자 정보를 기초로 사용자가 상기 추천 후보 문제를 맞힐 확률인 정답률 정보를 예측하는 정답률 예측부; 및
    상기 예상점수 정보, 상기 정답률 정보 및 학습도로부터 기대점수를 연산하고, 상기 기대점수에 따라 추천문제를 결정하는 추천 문제 결정부;를 포함하고,
    상기 추천 문제 결정부는,
    사용자가 이전에 틀렸던 문제에 대해 학습한 후, 동일 또는 유사한 유형의 문제를 다시 풀었을 때 맞힐 확률인 상기 학습도를 연산하는 학습도 연산부; 및
    상기 예상점수 정보와 상기 정답률 정보로부터 상기 학습도가 반영되지 않은 기대점수를 연산하고, 상기 학습도가 반영되지 않은 기대점수, 상기 최대 예상점수 및 상기 학습도를 기초로 상기 학습도가 반영된 기대점수를 연산하는 기대점수 연산부;를 포함하되,
    상기 학습도가 반영되지 않은 기대점수 및 상기 학습도가 반영된 기대점수를 비교하여 더 큰 기대점수에 대응되는 추천 후보 문제를 상기 추천문제로 결정하는 학습 컨텐츠 추천 장치.
  2. 제1 항에 있어서,
    문제 데이터베이스로부터 문제 정보를 수신하고, 추천 문제를 결정하기 위한 상기 추천 후보 문제들을 샘플링하는 샘플링부; 및
    인공지능 예측을 위해 상기 예상점수 연산부와 상기 정답률 예측부에 상기 사용자 정보를 제공하고, 사용자의 문제 풀이에 따른 응답 정보를 저장하는 사용자 정보 저장부;를 더 포함하는 학습 컨텐츠 추천 장치.

  3. 제2 항에 있어서,
    상기 정답률 예측부는,
    RNN, LSTM, 양방향 LSTM 또는 트랜스포머 구조의 인공신경망 중 적어도 어느 하나의 인공신경망 모델을 사용하여 상기 정답률을 예측하고,
    상기 트랜스포머 구조의 인공신경망은,
    인코더 측에는 상기 문제 정보를, 디코더 측에는 상기 응답정보를 입력하여 상기 정답률을 예측하는 학습 컨텐츠 추천 장치.

  4. 제3 항에 있어서,
    상기 기대점수 연산부는,
    학습도가 반영되지 않은 기대점수를 연산하기 위한 제1 알고리즘 또는 학습도가 반영된 기대점수를 연산하기 위한 제2 알고리즘 중 적어도 어느 하나 이상을 사용하여 상기 기대점수를 연산하는 학습 컨텐츠 추천 장치.

  5. 제4 항에 있어서,
    상기 제1 알고리즘은,
    상기 예상점수 정보, 상기 정답률 정보를 사용하여 상기 기대점수를 연산하고,
    상기 제2 알고리즘은,
    상기 예상점수 정보, 상기 정답률 정보, 상기 학습도를 사용하여 상기 기대점수를 연산하는 학습 컨텐츠 추천 장치.
KR1020210178229A 2020-09-16 2021-12-14 사용자의 학습효과를 반영하여 추천문제를 결정하는 학습 컨텐츠 추천 장치, 시스템 및 그것의 동작 방법 KR102626443B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210178229A KR102626443B1 (ko) 2020-09-16 2021-12-14 사용자의 학습효과를 반영하여 추천문제를 결정하는 학습 컨텐츠 추천 장치, 시스템 및 그것의 동작 방법

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
KR1020200119163A KR102283711B1 (ko) 2020-09-16 2020-09-16 사용자의 학습효과를 반영하여 추천문제를 결정하는 학습 컨텐츠 추천 장치, 시스템 및 그것의 동작 방법
KR1020210097517A KR20220036848A (ko) 2020-09-16 2021-07-26 사용자의 학습효과를 반영하여 추천문제를 결정하는 학습 컨텐츠 추천 장치, 시스템 및 그것의 동작 방법
KR1020210178229A KR102626443B1 (ko) 2020-09-16 2021-12-14 사용자의 학습효과를 반영하여 추천문제를 결정하는 학습 컨텐츠 추천 장치, 시스템 및 그것의 동작 방법

Related Parent Applications (1)

Application Number Title Priority Date Filing Date
KR1020210097517A Division KR20220036848A (ko) 2020-09-16 2021-07-26 사용자의 학습효과를 반영하여 추천문제를 결정하는 학습 컨텐츠 추천 장치, 시스템 및 그것의 동작 방법

Publications (2)

Publication Number Publication Date
KR20220036899A true KR20220036899A (ko) 2022-03-23
KR102626443B1 KR102626443B1 (ko) 2024-01-18

Family

ID=77148640

Family Applications (11)

Application Number Title Priority Date Filing Date
KR1020200119163A KR102283711B1 (ko) 2020-09-16 2020-09-16 사용자의 학습효과를 반영하여 추천문제를 결정하는 학습 컨텐츠 추천 장치, 시스템 및 그것의 동작 방법
KR1020210097517A KR20220036848A (ko) 2020-09-16 2021-07-26 사용자의 학습효과를 반영하여 추천문제를 결정하는 학습 컨텐츠 추천 장치, 시스템 및 그것의 동작 방법
KR1020210178229A KR102626443B1 (ko) 2020-09-16 2021-12-14 사용자의 학습효과를 반영하여 추천문제를 결정하는 학습 컨텐츠 추천 장치, 시스템 및 그것의 동작 방법
KR1020210178234A KR20220036903A (ko) 2020-09-16 2021-12-14 사용자의 학습효과를 반영하여 추천문제를 결정하는 학습 컨텐츠 추천 장치, 시스템 및 그것의 동작 방법
KR1020210178241A KR20220036905A (ko) 2020-09-16 2021-12-14 사용자의 학습효과를 반영하여 추천문제를 결정하는 학습 컨텐츠 추천 장치, 시스템 및 그것의 동작 방법
KR1020210178239A KR20220036904A (ko) 2020-09-16 2021-12-14 사용자의 학습효과를 반영하여 추천문제를 결정하는 학습 컨텐츠 추천 장치, 시스템 및 그것의 동작 방법
KR1020210178230A KR20220036900A (ko) 2020-09-16 2021-12-14 사용자의 학습효과를 반영하여 추천문제를 결정하는 학습 컨텐츠 추천 장치, 시스템 및 그것의 동작 방법
KR1020210178247A KR20220036907A (ko) 2020-09-16 2021-12-14 사용자의 학습효과를 반영하여 추천문제를 결정하는 학습 컨텐츠 추천 장치, 시스템 및 그것의 동작 방법
KR1020210178244A KR20220036906A (ko) 2020-09-16 2021-12-14 사용자의 학습효과를 반영하여 추천문제를 결정하는 학습 컨텐츠 추천 장치, 시스템 및 그것의 동작 방법
KR1020210178233A KR20220036902A (ko) 2020-09-16 2021-12-14 사용자의 학습효과를 반영하여 추천문제를 결정하는 학습 컨텐츠 추천 장치, 시스템 및 그것의 동작 방법
KR1020210178231A KR20220036901A (ko) 2020-09-16 2021-12-14 사용자의 학습효과를 반영하여 추천문제를 결정하는 학습 컨텐츠 추천 장치, 시스템 및 그것의 동작 방법

Family Applications Before (2)

Application Number Title Priority Date Filing Date
KR1020200119163A KR102283711B1 (ko) 2020-09-16 2020-09-16 사용자의 학습효과를 반영하여 추천문제를 결정하는 학습 컨텐츠 추천 장치, 시스템 및 그것의 동작 방법
KR1020210097517A KR20220036848A (ko) 2020-09-16 2021-07-26 사용자의 학습효과를 반영하여 추천문제를 결정하는 학습 컨텐츠 추천 장치, 시스템 및 그것의 동작 방법

Family Applications After (8)

Application Number Title Priority Date Filing Date
KR1020210178234A KR20220036903A (ko) 2020-09-16 2021-12-14 사용자의 학습효과를 반영하여 추천문제를 결정하는 학습 컨텐츠 추천 장치, 시스템 및 그것의 동작 방법
KR1020210178241A KR20220036905A (ko) 2020-09-16 2021-12-14 사용자의 학습효과를 반영하여 추천문제를 결정하는 학습 컨텐츠 추천 장치, 시스템 및 그것의 동작 방법
KR1020210178239A KR20220036904A (ko) 2020-09-16 2021-12-14 사용자의 학습효과를 반영하여 추천문제를 결정하는 학습 컨텐츠 추천 장치, 시스템 및 그것의 동작 방법
KR1020210178230A KR20220036900A (ko) 2020-09-16 2021-12-14 사용자의 학습효과를 반영하여 추천문제를 결정하는 학습 컨텐츠 추천 장치, 시스템 및 그것의 동작 방법
KR1020210178247A KR20220036907A (ko) 2020-09-16 2021-12-14 사용자의 학습효과를 반영하여 추천문제를 결정하는 학습 컨텐츠 추천 장치, 시스템 및 그것의 동작 방법
KR1020210178244A KR20220036906A (ko) 2020-09-16 2021-12-14 사용자의 학습효과를 반영하여 추천문제를 결정하는 학습 컨텐츠 추천 장치, 시스템 및 그것의 동작 방법
KR1020210178233A KR20220036902A (ko) 2020-09-16 2021-12-14 사용자의 학습효과를 반영하여 추천문제를 결정하는 학습 컨텐츠 추천 장치, 시스템 및 그것의 동작 방법
KR1020210178231A KR20220036901A (ko) 2020-09-16 2021-12-14 사용자의 학습효과를 반영하여 추천문제를 결정하는 학습 컨텐츠 추천 장치, 시스템 및 그것의 동작 방법

Country Status (3)

Country Link
US (1) US20220084428A1 (ko)
KR (11) KR102283711B1 (ko)
WO (1) WO2022059921A1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20240140978A (ko) 2022-03-31 2024-09-24 가부시키가이샤 타이카 열전도성 실리콘 조성물

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102283711B1 (ko) * 2020-09-16 2021-07-30 (주)뤼이드 사용자의 학습효과를 반영하여 추천문제를 결정하는 학습 컨텐츠 추천 장치, 시스템 및 그것의 동작 방법
KR20230140061A (ko) 2022-03-29 2023-10-06 주식회사 아이스크림에듀 인공지능을 이용한 학습 코스 추천 방법 및 이를 위한 학습 코스 추천 장치
KR102513758B1 (ko) * 2022-07-07 2023-03-27 주식회사 에이치투케이 커리큘럼 내 학습 세션 추천 시스템 및 방법
KR102509107B1 (ko) * 2022-07-07 2023-03-14 주식회사 에이치투케이 인공지능 기반 학습자 상태 진단 장치 및 방법
KR20240011370A (ko) 2022-07-19 2024-01-26 주식회사 유리프트 코딩학습데이터에 기반한 비대면 학습 커리큘럼 생성 및 추천 시스템
KR20240066884A (ko) 2022-11-08 2024-05-16 스쿨모아 주식회사 데이터 기반의 예측형 ai 교육 서비스 제공 시스템
KR102637603B1 (ko) * 2022-12-12 2024-02-16 주식회사 아티피셜 소사이어티 사용자 맞춤형 학습 컨텐츠를 제공하기 위한 방법 및 장치

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20100123209A (ko) * 2009-05-14 2010-11-24 윤주웅 온라인 학습 평가 방법 및 그 장치, 그 기록 매체
KR101996247B1 (ko) * 2019-01-17 2019-07-04 주식회사 아노토코리아 진단 검사 방법 및 장치
KR102015075B1 (ko) * 2018-10-16 2019-08-27 (주)뤼이드 학습 효율을 기반으로 개인 맞춤형 교육 컨텐츠를 제공하기 위한 기계학습 방법, 장치 및 컴퓨터 프로그램
KR20190105252A (ko) * 2018-03-05 2019-09-17 (주)뤼이드 Ai 튜터를 이용한 학습 컨텐츠 제공 방법 및 장치

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11158204B2 (en) * 2017-06-13 2021-10-26 Cerego Japan Kabushiki Kaisha System and method for customizing learning interactions based on a user model
KR102064683B1 (ko) * 2018-09-21 2020-01-09 이화여자대학교 산학협력단 아동의 언어발달상태 측정 장치 및 방법, 그 방법을 수행하기 위한 기록 매체
KR102283711B1 (ko) * 2020-09-16 2021-07-30 (주)뤼이드 사용자의 학습효과를 반영하여 추천문제를 결정하는 학습 컨텐츠 추천 장치, 시스템 및 그것의 동작 방법

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20100123209A (ko) * 2009-05-14 2010-11-24 윤주웅 온라인 학습 평가 방법 및 그 장치, 그 기록 매체
KR20190105252A (ko) * 2018-03-05 2019-09-17 (주)뤼이드 Ai 튜터를 이용한 학습 컨텐츠 제공 방법 및 장치
KR102015075B1 (ko) * 2018-10-16 2019-08-27 (주)뤼이드 학습 효율을 기반으로 개인 맞춤형 교육 컨텐츠를 제공하기 위한 기계학습 방법, 장치 및 컴퓨터 프로그램
KR101996247B1 (ko) * 2019-01-17 2019-07-04 주식회사 아노토코리아 진단 검사 방법 및 장치

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20240140978A (ko) 2022-03-31 2024-09-24 가부시키가이샤 타이카 열전도성 실리콘 조성물

Also Published As

Publication number Publication date
KR20220036902A (ko) 2022-03-23
KR20220036848A (ko) 2022-03-23
KR20220036903A (ko) 2022-03-23
KR102283711B1 (ko) 2021-07-30
KR20220036905A (ko) 2022-03-23
WO2022059921A1 (ko) 2022-03-24
KR20220036907A (ko) 2022-03-23
KR102626443B1 (ko) 2024-01-18
US20220084428A1 (en) 2022-03-17
KR20220036906A (ko) 2022-03-23
KR20220036904A (ko) 2022-03-23
KR20220036900A (ko) 2022-03-23
KR20220036901A (ko) 2022-03-23

Similar Documents

Publication Publication Date Title
KR102283711B1 (ko) 사용자의 학습효과를 반영하여 추천문제를 결정하는 학습 컨텐츠 추천 장치, 시스템 및 그것의 동작 방법
US20060166174A1 (en) Predictive artificial intelligence and pedagogical agent modeling in the cognitive imprinting of knowledge and skill domains
Deng et al. Personalized learning in a virtual hands-on lab platform for computer science education
Cai et al. Learning path recommendation based on knowledge tracing model and reinforcement learning
CN110991195B (zh) 机器翻译模型训练方法、装置及存储介质
US20200184383A1 (en) User intent classification using a multi-agent reinforcement learning framework
Georgila et al. Using reinforcement learning to optimize the policies of an intelligent tutoring system for interpersonal skills training
KR102406414B1 (ko) 잠재인자에 기반한 협업 필터링을 사용하여 사용자의 정답확률을 예측하는 학습 컨텐츠 추천 시스템 및 그것의 동작방법
KR20200012432A (ko) 빅데이터를 이용한 학습 문항 분석 정보 제공방법
KR102388911B1 (ko) 데이터 증강 기반 지식 추적 모델 학습 장치, 시스템 및 그것의 동작방법
CN118153659A (zh) 问答模型的训练方法、装置、电子设备、存储介质及产品
KR102210687B1 (ko) 메타인지를 활용한 학습 관리방법 및 학습 관리 시스템
Zhou et al. Predictive, scalable and interpretable knowledge tracing on structured domains
KR102385073B1 (ko) 점수 확률분포 형태 통일화를 통해 평가 가능한 문제를 추천하는 학습 문제 추천 시스템 및 이것의 동작방법
CN108921434B (zh) 一种通过人机交互完成用户能力预测的方法
KR102412381B1 (ko) 풀이 경험이 없는 추가된 문제 컨텐츠에 대한 예측된 정답 확률을 기초로, 문제를 평가하는 학습 컨텐츠 평가 장치, 시스템 및 그것의 동작 방법
Nam et al. Predicting Short-and Long-Term Vocabulary Learning via Semantic Features of Partial Word Knowledge.
KR20210152976A (ko) 인공 지능 학습 기반의 학습 컨텐츠 추천 시스템 및 그것의 동작 방법
Doboli et al. Dynamic diagnosis of the progress and shortcomings of student learning using machine learning based on cognitive, social, and emotional features
KR20210105272A (ko) 교육적 요소를 예측하는 사전학습 모델링 시스템 및 방법
Shimmei et al. Learning a Policy Primes Quality Control: Towards Evidence-Based Automation of Learning Engineering.
Alan et al. Using bayesian networks for knowledge representation and evaluation in intelligent tutoring systems
US20230245578A1 (en) Method, system and non-transitory computer-readable recording medium for providing information on user's conceptual understanding
KR102607095B1 (ko) 인공지능에 기초한 맞춤형 대화 영어 학습 시스템
US20230237924A1 (en) Method, system and non-transitory computer-readable recording medium for estimating conceptual understanding

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant