KR20220037130A

KR20220037130A - 면접 대응 학습자에 대해 커리큘럼을 추천 제공하는 방법 및 이를 이용한 컴퓨팅 장치

Info

Publication number: KR20220037130A
Application number: KR1020200119703A
Authority: KR
Inventors: 서동민
Original assignee: 서동민
Priority date: 2020-09-17
Filing date: 2020-09-17
Publication date: 2022-03-24

Abstract

본 개시서에는 면접 대응 학습자에 대해 커리큘럼을 추천 제공하는 방법 및 이를 이용한 컴퓨팅 장치가 개시된다. 구체적으로, 본 개시서의 방법에 의하면, 컴퓨팅 장치가, 학습자의 상태 정보를 획득하고, 그 상태 정보에 기초하여 학습자에 대한 강의 추천 정보를 생성하며, 그 생성된 강의 추천 정보를 학습자에게 제공하고, 학습자에게 강의 데이터세트에 속한 일 강의가 제공된 후, 상기 컴퓨팅 장치는, 상기 학습자에게 모의 면접을 제공하고, 그 모의 면접의 결과를 분석함으로써 상기 모의 면접 결과 데이터를 추가 생성한다.

Description

면접 대응 학습자에 대해 커리큘럼을 추천 제공하는 방법 및 이를 이용한 컴퓨팅 장치{METHOD FOR RECOMMENDING AND PROVIDING CURRICULUM TO INTERVIEW LEARNER AND APPARATUS USING THE SAME}

최근의 취업난으로 인해 면접의 종류가 다양해지는 등 취업에 대한 경쟁이 심화되면서 취업 면접을 사전에 준비하고 공부하는 수요가 급증하는 추세이다. 이렇게 취업 등에 수반되는 면접에 적절히 대응할 수 있도록 예비 피면접자들에게 여러 모의 면접 서비스가 종래에 제공되고 있다.

예를 들어, 대한민국 특허공개공보 제10-2017-0040065호에는 빅데이터를 활용한 개인 맞춤형 온라인 면접 코칭 첨삭 서비스가 개시되어 있는데, 이는 학습자에 의하여 선택된 업종별 카테고리에 상응하는 모의면접 음성 콘텐츠를 제공한 후 이에 대응하는 모의면접 동영상에 대한 평가 정보를 제공하는 것을 특징으로 한다.

이러한 종래의 모의 면접에 관한 학습 콘텐츠 제공의 방법은 면접 학습을 위한 별도의 강의를 보이지 않을 뿐만 아니라, 학습자 자신의 학습 상태에 적합한 강의도 추천되고 있지 않아 면접에 대응하기 위한 학습 내지 훈련에는 적응적 조력이 되지 못하는 한계가 있는바, 학습자 개인의 특성에 대응한 맞춤형 강의를 제공하는 방안이 요망된다.

따라서 본 개시서에서는 면접 학습자 개인의 면접 성숙도, 즉, 학습자의 경험 정도, 면접 지원처(예컨대 면접 합격을 목표로 하는 회사) 등과 같은 다양한 요인을 기초로 면접 학습자 개인의 특성에 맞는 맞춤형 강의, 커리큘럼을 제공함으로써 면접 학습자의 면접에 대응하는 능력을 지속적으로 개선할 수 있게 하는 기술적인 방안을 제시하고자 한다.

대한민국 특허공개공보 제10-2017-0040065호

본 개시서는 종래 기술의 문제점을 해결하여, 면접 학습자 개인에게 적합한 맞춤형 강의 및 커리큘럼을 제시하는 방법 및 이를 이용하는 장치를 제공하는 것을 그 목적으로 한다. 구체적으로 이를 위하여 본 개시서는 학습자의 모의 면접 결과 데이터, 면접 지원처 데이터, 면접 숙련도 데이터 등 다양한 데이터에 기초하여 학습자가 다음으로 학습하는 것이 바람직할 맞춤형 강의 또는 커리큘럼을 추천 및 제공하는 방법 및 이를 이용하는 장치를 제시한다.

전술한 바와 같은 본 발명의 목적을 달성하고, 후술하는 본 발명의 특징적인 효과를 실현하기 위한 본 발명의 특징적인 구성은 하기와 같다.

본 개시서의 일 태양에 따르면, 면접 대응 학습자에 대해 커리큘럼을 추천 제공하는 방법이 제공되는바, 그 방법은, 컴퓨팅 장치가, 상기 학습자의 상태 정보를 획득하거나 상기 컴퓨팅 장치에 연동되는 타 장치인 추천 서버로 하여금 상기 상태 정보를 획득하도록 지원하는 단계로서, 상기 상태 정보는, 상기 학습자의 모의 면접 결과 데이터, 면접 지원처 데이터 및 면접 숙련도 데이터를 포함하는, 상태 정보 획득 단계; 상기 컴퓨팅 장치가, 상기 상태 정보에 기초하여 상기 학습자에 대한 강의 추천 정보를 생성하거나 상기 추천 서버로 하여금 상기 강의 추천 정보를 생성하도록 지원하는 강의 추천 정보 생성 단계; 상기 컴퓨팅 장치가, 생성된 상기 강의 추천 정보를 상기 학습자에게 제공하거나 상기 컴퓨팅 장치에 연동되는 타 장치인 학습자 단말로 하여금 상기 강의 추천 정보를 제공하도록 지원하는 강의 추천 정보 제공 단계; 상기 학습자에게 강의 데이터세트에 속한 일 강의가 제공된 후, 상기 컴퓨팅 장치가, 상기 학습자에게 모의 면접을 제공하거나 상기 학습자 단말로 하여금 상기 학습자에게 상기 모의 면접을 제공하도록 지원하는 모의 면접 제공 단계; 및 상기 컴퓨팅 장치가, 상기 모의 면접의 결과를 분석함으로써 상기 모의 면접 결과 데이터를 추가 생성하거나 상기 학습자 단말 또는 상기 추천 서버로 하여금 상기 모의 면접 결과 데이터를 추가 생성하도록 지원하는 모의 면접 분석 단계를 포함하고, 그 방법은, 상기 상태 정보가 갱신되면 상기 상태 정보 획득 단계에서부터 다시 반복된다.

바람직하게, 상기 모의 면접 결과 데이터는 모의 면접에 있어서 상기 학습자의 표정, 시선, 말의 빠르기, 목소리의 톤, 성량, 습관어의 사용량, 반복어의 사용량, 및 음향학적 정보 중 적어도 하나를 포함하는 언어적 정보 및 비언어적 정보를 포함하거나 이들에 기초하여 산출된 값을 포함할 수 있다.

그리고 바람직하게, 상기 면접 숙련도 데이터는 상기 학습자가 면접을 준비한 기간, 모의 면접을 수행한 횟수 및 상기 모의 면접 결과 데이터를 포함하거나 이들에 기초하여 산출된 값을 포함할 수 있다.

또한, 바람직하게, 상기 면접 지원처 데이터는 상기 학습자가 지원하는 지원처가 속한 산업군 카테고리의 정보, 상기 학습자가 목표로 하는 직무의 종류 및 상기 지원처의 식별 정보 중 적어도 하나를 포함할 수 있다.

일 실시 예에서, 상기 강의 추천 정보는 RNN(recurrent neural network) 알고리즘, 규칙 기반 알고리즘 및 기타 딥 러닝 알고리즘 중 적어도 하나에 의하여 상기 학습자를 위한 시계열적인 커리큘럼의 적어도 일부에 해당하는 하나 이상의 강의를 가리키도록 생성되거나, 규칙 기반 알고리즘 및 딥 러닝 알고리즘 중 적어도 하나에 의하여 상기 학습자가 현재 제공받기에 최적인 하나 이상의 강의를 가리키도록 생성될 수 있다.

본 발명의 다른 태양에 따르면, 본 발명에 따른 방법을 수행하도록 구현된 명령어들(인스트럭션들; instructions)을 포함하는 컴퓨터 프로그램도 제공된다.

본 발명의 또 다른 태양에 따르면, 면접 대응 학습자에 대해 커리큘럼을 추천 제공하는 컴퓨팅 장치가 제공되는바, 그 장치는, 통신부; 및 상기 통신부를 통하여 상기 학습자의 상태 정보를 획득하는 상태 정보 획득 프로세스로서, 상기 상태 정보는 상기 학습자의 모의 면접 결과 데이터, 면접 지원처 데이터 및 면접 숙련도 데이터를 포함하는, 상태 정보 획득 프로세스, 및 상기 상태 정보에 기초하여 상기 학습자에 대한 강의 추천 정보를 생성하는 강의 추천 정보 생성 프로세스를 수행하거나 상기 통신부를 통하여 연동되는 타 장치인 추천 서버로 하여금 상기 상태 정보 획득 프로세스 및 상기 강의 추천 정보 생성 프로세스를 수행하도록 지원하는 프로세서를 포함하고, 상기 프로세서는, 생성된 상기 강의 추천 정보를 상기 학습자에게 제공하거나 상기 통신부를 통하여 연동되는 타 장치인 학습자 단말로 하여금 상기 강의 추천 정보를 제공하도록 지원하는 강의 추천 정보 제공 프로세스; 상기 학습자에게 강의 데이터세트에 속한 일 강의가 제공된 후, 상기 학습자에게 모의 면접을 제공하거나 상기 학습자 단말로 하여금 상기 학습자에게 상기 모의 면접을 제공하도록 지원하는 모의 면접 제공 프로세스; 및 상기 모의 면접의 결과를 분석함으로써 상기 모의 면접 결과 데이터를 추가 생성하거나 상기 학습자 단말 또는 상기 추천 서버로 하여금 상기 모의 면접 결과 데이터를 추가 생성하도록 지원하는 모의 면접 분석 프로세스를 더 수행하되, 상기 상태 정보가 갱신되면 상기 상태 정보 획득 프로세스부터 다시 반복 수행한다.

본 개시서의 실시 예에 따르면 면접 학습자의 현재 상태를 반영한 맞춤형 강의 수강이 가능해져 종래의 학습 방식에 비해 면접에 관한 학습 효과가 증진될 수 있는 효과가 있다.

본 개시서의 실시 예에 따르면, 강의의 학습 후에 온라인 모의 면접을 시행함으로써 현재 상태를 갱신할 수 있으므로 면접 학습자로 하여금 지속적으로 자기에게 부족한 점을 고쳐나갈 수 있도록 조력할 수 있는 효과가 있다.

본 발명의 실시 예의 설명에 이용되기 위하여 첨부된 아래 도면들은 본 발명의 실시 예들 중 단지 일부일 뿐이며, 본 발명이 속한 기술분야에서 통상의 지식을 가진 사람(이하 "통상의 기술자"라 함)에게 있어서는 발명에 이르는 노력 없이 이 도면들에 기초하여 다른 도면들이 얻어질 수 있다.
도 1은 본 개시서에 따라 면접 대응 학습자에 대해 커리큘럼을 추천 제공하는 방법(이하 "면접 대응 커리큘럼 제공 방법"이라 함)을 수행하는 컴퓨팅 장치의 예시적 구성을 개략적으로 도시한 개념도이다.
도 2는 본 개시서에 따른 면접 대응 커리큘럼 제공 방법을 수행하는 컴퓨팅 장치의 하드웨어 또는 소프트웨어 구성요소를 도시한 예시적 블록도이다.
도 3은 본 개시서의 면접 대응 커리큘럼 제공 방법의 일 실시 예를 수행하는 컴퓨팅 장치들 간의 소통(communication)을 개념적으로 도시한 도면이다.
도 4는 본 개시서에 따른 면접 대응 커리큘럼 제공 방법을 예시적으로 나타낸 흐름도이다.
도 5는 본 개시서의 면접 대응 커리큘럼 제공 방법의 일 실시 예를 도시한 시퀀스 다이어그램(sequence diagram)이다.
도 6a 내지 도 6c는 본 개시서의 면접 대응 커리큘럼 제공 방법에 있어서 강의 추천 정보 생성 단계의 실시 예들을 개념적으로 설명하기 위하여 보인 도면들이다.
도 7은 본 개시서의 면접 대응 커리큘럼 제공 방법에 있어서 강의 추천 정보 제공 단계에서 학습자 단말에 표시된 사용자 인터페이스를 나타낸 예시적 도면이다.

후술하는 본 발명에 대한 상세한 설명은, 본 발명의 목적들, 기술적 해법들 및 장점들을 분명하게 하기 위하여 본 발명이 실시될 수 있는 특정 실시 예를 예시로서 도시하는 첨부 도면을 참조한다. 이들 실시 예는 통상의 기술자가 본 발명을 실시할 수 있기에 충분하도록 상세히 설명된다. 첨부 도면을 참조하여 설명함에 있어, 도면 부호에 관계없이 동일한 구성 요소는 동일한 참조 부호를 부여하고, 이에 대한 중복되는 설명은 생략하기로 한다.

실시 예들에 대한 특정한 구조적 또는 기능적 설명들은 단지 예시를 위한 목적으로 개시된 것으로서, 다양한 형태로 변경되어 실시될 수 있다. 따라서, 실시 예들은 특정한 개시형태로 한정되는 것이 아니며, 본 명세서의 범위는 기술적 사상에 포함되는 변경, 균등물, 또는 대체물을 포함한다.

"제1" 또는 "제2" 등의 용어를 다양한 구성요소들을 설명하는데 사용될 수 있지만, 이런 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 해석되어야 하는바, 어떠한 순서도 시사하고 있지 않기 때문이다. 예를 들어, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소는 제1 구성요소로도 명명될 수 있다.

어떤 구성요소가 다른 구성요소에 "연결되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다.

단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 기재된 특징, 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함으로 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.

본 개시서에서 '기계 학습' 또는 '머신 러닝'은 절차에 따른 컴퓨팅(computing)을 통하여 수행되는 기계 학습을 일컫는 용어인바, 인간의 교육 활동과 같은 정신적 작용을 지칭하도록 의도된 것이 아님을 통상의 기술자는 이해할 수 있을 것이다.

또한, 본 개시서에서 쓰이는 '면접 학습자', '면접 대응 학습자' 또는 '학습자'라는 용어는 면접 평가에 관한 학습을 하는 사람을 지칭하는바, 실제의 면접에 임하는 사람뿐만 아니라 모의 면접 평가 또는 면접 평가 연습에 임하는 사람을 포함하는 것으로 해석되어야 한다.

본 개시서에서 '강의' 또는 '강의 콘텐츠'는 면접 학습자가 그 자신의 면접 결과를 향상시키기 위하여 익혀야 할 지식, 면접 결과의 향상에 도움이 되는 조언 등 면접 학습자에 대한 교습을 제공하는 콘텐츠를 지칭한다.

그리고 본 개시서에서 '커리큘럼'은 면접 학습자가 시간의 흐름 또는 면접 결과에 대응하여 수강하여야 할 강의의 순서를 지칭한다.

또한, 본 개시서에서 '추천 시스템(추천 체계; recommendation system)'은 다수의 항목 중에서 어느 하나를 선택하여 추천하는 수학적, 통계학적 모델을 지칭하는바, 회귀 모델, 딥 러닝 모델 등 다양한 기계학습 모델을 포함할 수 있다.

다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 해당 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가진다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 갖는 것으로 해석되어야 하며, 본 명세서에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.

더욱이 본 발명은 본 개시서에 표시된 실시 예들의 모든 가능한 조합들을 망라한다. 본 발명의 다양한 실시 예는 서로 다르지만 상호 배타적일 필요는 없음이 이해되어야 한다. 예를 들어, 여기에 기재되어 있는 특정 형상, 구조 및 특성은 일 실시 예에 관련하여 본 발명의 사상 및 범위를 벗어나지 않으면서 다른 실시 예로 구현될 수 있다. 또한, 각각의 개시된 실시 예 내의 개별 구성요소의 위치 또는 배치는 본 발명의 사상 및 범위를 벗어나지 않으면서 변경될 수 있음이 이해되어야 한다. 따라서, 후술하는 상세한 설명은 한정적인 의미로서 취하려는 것이 아니다. 도면에서 유사한 참조부호는 여러 측면에 걸쳐서 동일하거나 유사한 기능을 지칭한다.

본 명세서에서 달리 표시되거나 분명히 문맥에 모순되지 않는 한, 단수로 지칭된 항목은, 그 문맥에서 달리 요구되지 않는 한, 복수의 것을 아우른다. 또한, 본 발명을 설명함에 있어, 관련된 공지 구성 또는 기능에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명은 생략한다.

이하, 통상의 기술자가 본 발명을 용이하게 실시할 수 있도록 하기 위하여, 본 발명의 바람직한 실시 예들에 관하여 첨부된 도면을 참조하여 상세히 설명하기로 한다.

도 1은 본 개시서의 일 실시 예에 따른 면접 대응 커리큘럼 제공 방법을 수행하는 컴퓨팅 장치의 예시적 구성을 개략적으로 도시한 개념도이다.

도 1을 참조하면, 본 개시서의 일 실시 예에 따른 컴퓨팅 장치(100)는, 통신부(110) 및 프로세서(120)를 포함하며, 상기 통신부(110)를 통하여 외부 컴퓨팅 장치(미도시)와 직간접적으로 통신할 수 있다.

구체적으로, 상기 컴퓨팅 장치(100)는, 전형적인 컴퓨터 하드웨어(예컨대, 컴퓨터, 프로세서, 메모리, 스토리지(storage), 입력 장치 및 출력 장치, 기타 기존의 컴퓨팅 장치의 구성요소들을 포함할 수 있는 장치; 라우터, 스위치 등과 같은 전자 통신 장치; 네트워크 부착 스토리지(NAS; network-attached storage) 및 스토리지 영역 네트워크(SAN; storage area network)와 같은 전자 정보 스토리지 시스템)와 컴퓨터 소프트웨어(즉, 컴퓨팅 장치로 하여금 특정의 방식으로 기능하게 하는 명령어들)의 조합을 이용하여 원하는 시스템 성능을 달성하는 것일 수 있다. 상기 스토리지는 하드 디스크, USB(Universal Serial Bus) 메모리와 같은 기억 장치뿐만 아니라 클라우드 서버와 같은 네트워크 연결 기반의 저장 장치의 형태를 포함할 수 있다.

이와 같은 컴퓨팅 장치의 통신부(110)는 연동되는 타 컴퓨팅 장치, 예컨대 개인용 컴퓨터, 서버, 휴대 단말 등과의 사이에서 요청과 응답을 송수신할 수 있는바, 일 예시로서 그러한 요청과 응답은 동일한 TCP(Transmission Control Protocol) 세션(session)에 의하여 이루어질 수 있지만, 이에 한정되지는 않는바, 예컨대 UDP(User Datagram Protocol) 데이터그램(datagram)으로서 송수신될 수도 있을 것이다.

구체적으로, 통신부(110)는 통신 인터페이스를 포함하는 통신 모듈의 형태로 구현될 수 있다. 이를테면, 통신 인터페이스는 WLAN(Wireless LAN), WiFi(Wireless Fidelity) Direct, DLNA(Digital Living Network Alliance), WiBro(Wireless Broadband), WiMax(World interoperability for Microwave access), HSDPA(High Speed Downlink Packet Access) 등의 무선 인터넷 인터페이스와 블루투스(Bluetooth™), RFID(Radio Frequency IDentification), 적외선 통신(Infrared Data Association; IrDA), UWB(Ultra-WideBand), ZigBee, NFC(Near Field Communication) 등의 근거리 통신 인터페이스를 포함할 수 있다. 뿐만 아니라, 통신 인터페이스는 외부와 통신을 수행할 수 있는 모든 인터페이스(예를 들어, 유선 인터페이스)를 나타낼 수 있다.

예를 들어, 통신부(110)는 이와 같이 적합한 통신 인터페이스를 통해 타 컴퓨팅 장치로부터 데이터를 송수신할 수 있다. 덧붙여, 넓은 의미에서 상기 통신부(110)는 명령어 또는 지시 등을 전달받기 위한 키보드, 마우스, 기타 외부 입력 장치, 인쇄 장치, 디스플레이, 기타 외부 출력 장치를 포함하거나 이들과 연동될 수 있다. 컴퓨팅 장치, 예컨대 휴대 단말의 사용자에게 적절한 사용자 인터페이스를 표시하여 제공함으로써 사용자와의 상호작용을 가능하게 하기 위하여, 컴퓨팅 장치(100)는 디스플레이 장치를 내장하거나 상기 통신부(110)를 통하여 외부의 디스플레이 장치와 연동될 수 있음이 알려져 있다. 예컨대, 그러한 디스플레이 장치는 터치 입력이 가능한 터치스크린일 수 있다.

또한, 컴퓨팅 장치의 프로세서(120)는 MPU(micro processing unit), CPU(central processing unit), GPU(graphics processing unit), NPU(neural processing unit) 또는 TPU(tensor processing unit), 캐시 메모리(cache memory), 데이터 버스(data bus) 등의 하드웨어 구성을 포함할 수 있다. 또한, 운영체제, 특정 목적을 수행하는 애플리케이션의 소프트웨어 구성을 더 포함할 수도 있다.

도 2는 본 개시서에 따른 면접 대응 커리큘럼 제공 방법을 수행하는 컴퓨팅 장치의 하드웨어 또는 소프트웨어 구성요소를 도시한 예시적 블록도이다.

도 2를 참조하여 본 발명에 따른 방법 및 장치의 구성을 개관하면, 컴퓨팅 장치(100)는 그 하드웨어 구성요소 그리고/또는 소프트웨어 구성요소로서 상태 정보 획득 모듈(210)을 포함할 수 있다. 이 상태 정보 획득 모듈(210)은 면접 대응 학습자의 모의 면접 결과 데이터, 면접 지원처 데이터 및 면접 숙련도 데이터를 포함하는 면접 대응 학습자의 상태 정보를 획득한다. 이 상태 정보 및 그 요소들에 관하여는 도 4 및 도 5에 관한 아래 설명 시 상술하기로 한다.

상태 정보 획득 모듈(210)은 다수의 면접 대응 학습자의 상태 정보를 획득 및 보유하기 위하여 학습자 데이터베이스를 포함하거나 이에 연동될 수 있다. 그러한 데이터베이스의 다양한 구성에 관하여는 통상의 기술자에게 잘 알려져 있을 것인바 지나치게 상세한 설명은 생략한다.

상태 정보를 전달받은 강의 추천 정보 생성 모듈(220)은 그 상태 정보에 기초하여 상기 학습자에 대한 강의 추천 정보를 생성하도록 구성되는바, 상태 정보 획득 모듈(210) 및 강의 추천 정보 생성 모듈(220)을 포함하여 도 2에 도시된 개별 모듈들은, 예컨대, 컴퓨팅 장치(100)에 포함된 통신부(110), 또는 상기 통신부(110) 및 프로세서(120)의 연동에 의하여 구현될 수 있음은 통상의 기술자가 이해할 수 있을 것이다.

강의 추천 정보 제공 모듈(230)은 상기 강의 추천 정보를 상기 학습자에게 제공하도록 구성된다.

학습자가 강의 데이터세트에 속한 하나의 강의를 수강하면, 모의 면접 제공 모듈(240)은 상기 학습자에게 모의 면접을 제공하도록 구성되고, 모의 면접의 제공에 의하여 나온 그 모의 면접의 결과는 모의 면접 분석 모듈(250)에 전달되고, 모의 면접 분석 모듈(250)은 이를 분석함으로써 모의 면접 결과 데이터를 생성한다.

도 2에 나타난 개개의 구성요소들, 즉 모듈들은 설명의 편의 상 하나의 컴퓨팅 장치 상에서 직접 수행되는 것으로 예시되었으나 복수개의 컴퓨팅 장치들이 서로 연동되도록 구성되어 각각의 모듈이 서로 다른 장치 상에서 수행될 수도 있다는 점이 이해될 것이다. 즉, 아래에서 설명하는 본 개시서의 방법 각 단계는 하나의 컴퓨팅 장치가 이에 연동되는 타 컴퓨팅 장치로 하여금 수행하도록 지원(support)함으로써 수행될 수 있다.

그와 같이 서로 다른 복수개의 장치 상에서 각각의 모듈이 수행되는 일 실시 예로서, 도 3은 그 복수개의 컴퓨팅 장치들 간의 소통(communication)을 개념적으로 나타낸 도면이다.

도 3을 참조하면, 추천 서버(300) 및 학습자 단말(400)은 본 개시서에 따른 면접 대응 커리큘럼 제공 방법을 수행하는 컴퓨팅 장치(100)인 서비스 제공 서버(200)와 소통하는바, 이에 의하여 후술하는 본 개시서의 방법이 실시된다. 학습자 단말(400)은 컴퓨팅 장치(100)로서 학습자 개인의 휴대 편의를 위하여 바람직하게는 스마트폰, 태블릿 PC 등과 같은 휴대 단말일 수도 개인용 컴퓨터(personal computer; PC)일 수도 있으나 이에 한정되지 않는다. 서비스 제공 서버(200)는 원활한 방법 수행을 위하여 추천 서버(300)와 함께 고성능 서버로 구현될 수 있다.

이에 도 4 내지 도 6c를 참조하여 본 개시서에 따른 방법을 상세히 설명하기로 한다.

도 4는 본 개시서에 따른 면접 대응 커리큘럼 제공 방법을 예시적으로 나타낸 흐름도이고, 도 5는 본 개시서의 면접 대응 커리큘럼 제공 방법의 일 실시 예를 도시한 시퀀스 다이어그램(sequence diagram)이다.

도 4 및 도 5를 참조하면, 본 개시서에 따른 면접 대응 커리큘럼 제공 방법은, 우선, 서비스 제공 서버(200)에서 구현되는 상태 정보 획득 모듈(210)이, 상기 학습자의 상태 정보를 획득하거나 상기 서비스 제공 서버에 연동되는 타 장치인 추천 서버(300)로 하여금 상기 상태 정보를 획득하도록 지원하는 상태 정보 획득 단계(S100)를 포함한다.

상기 상태 정보는 상기 학습자의 이름, 성별, 나이 등 상기 학습자로부터 얻을 수 있는 기타 정보를 포함할 수 있다.

상기 학습자가 본 개시서에 따른 방법을 최초로 이용하는 등 이전에 모의 면접을 제공받은 바가 없는 경우, 서비스 제공 서버(200)는 면접 대응 학습자의 모의 면접 결과 데이터 및 면접 숙련도 데이터를 소정의 기본값(default)으로 설정하고 이를 이용할 수 있다.

일 실시 예에서, 상기 모의 면접 결과 데이터는 모의 면접에 있어서 상기 학습자의 표정, 시선, 말의 빠르기, 목소리의 톤, 성량, 습관어의 사용량, 반복어의 사용량 및 음향학적 정보 중 적어도 하나를 포함하는 언어적 정보 및 비언어적 정보를 포함하거나 이들에 기초하여 산출된 값을 포함한다. 여기에서 음향학적 정보는 지터(jitter) 및 심머(shimmer)를 포함할 수 있다. 열거된 항목들은 언어적 정보 및 비언어적 정보의 예시에 불과하고 학습자의 모의 면접에 관한 다른 요소가 대안으로서 또는 추가로 포함될 수 있음은 물론이다.

따라서 모의 면접 결과 데이터는 스칼라 값 또는 벡터 값을 포함할 수 있으며, 시간에 따른 그 값들의 변화 양상을 담기 위하여 시계열적인 형태를 지닐 수도 있다.

예를 들어, 상기 학습자의 표정에 관한 분석은, 긍정적(호의), 무표정, 부정적(혐오), 당황함 등을 포함하는 표정 분류 항목 각각에 관한 비율 수치를 포함할 수 있으나 이에 한정되지 않는다.

또한, 여기에서 습관어는 '아', '그', '저'와 같은 단지 정적을 채우기 위한 용도로 불필요하게 이용되는 단어를 지칭할 수 있고, 반복어는 반드시 그래야 할 필요 없이 계속해서 동일하게 반복 사용되는 단어를 지칭할 수 있다.

이처럼 상태 정보 획득 단계(S100)에서 활용되는 모의 면접 결과 데이터에 속한 요소들 각각이 획득 또는 산출될 수 있는 방안에 관하여는 모의 면접 분석 단계(S500)에 관하여 후술한다.

한편, 전술한 실시 예와 함께 실시되거나 독립적으로 실시될 수 있는 다른 실시 예에서, 상기 면접 숙련도의 데이터는 상기 학습자가 면접을 준비한 기간, 모의 면접을 수행한 횟수 및 상기 모의 면접 결과 데이터를 포함하거나 이들에 기초하여 산출된 값을 포함한다. 이 면접 숙련도 데이터가 전술한 모의 면접 결과 데이터를 포함하고 있지만 그 외에 면접을 준비한 기간, 모의 면접을 수행한 횟수 등 기간에 관한 데이터를 더 포함하는바, 별개의 의의를 가지고 활용될 수 있음은 물론이다.

여기에서 면접 숙련도는 학습자가 면접에 숙련된 정도를 수치화한 것을 지칭하는바, 예컨대, 부정적 표정의 비율이 높을수록 그 면접 숙련도는 낮은 것으로 판단될 수 있으며, 시선의 분산이 높을수록 면접 숙련도는 낮다고 판단될 수 있다. 또한, 예를 들어 말의 빠르기를 고려하여 그 빠르기가 소정의 기준을 초과하면 면접 숙련도가 낮다고 판단될 수 있다. 그리고 예를 들어 습관어나 반복어의 사용량이 많을수록 면접 숙련도가 낮다고 판단될 수 있다.

다른 한편, 전술한 실시 예들과 함께 실시되거나 독립적으로 실시될 수 있는 또 다른 실시 예에서, 상기 면접 지원처 데이터는 상기 학습자가 지원하는 지원처가 속한 산업군 카테고리의 정보, 상기 학습자가 목표로 하는 직무의 종류 및 상기 지원처의 식별 정보 중 적어도 하나를 포함한다.

일 예시로서, 지원처가 '포○제철'이면, 그 지원처가 속한 산업군 카테고리의 정보는 '철강업'에 해당하는 카테고리 정보일 수 있다. 이 예시에서 상기 지원처의 식별 정보는 그 지원처가 '포○제철'에 해당함을 알 수 있는 식별자이다.

다른 예시로서, 지원처가 '두○중공업'이면, 그 지원처가 속한 산업군 카테고리의 정보는 '중공업'에 해당하는 카테고리 정보일 수 있다. 이 예시에서 상기 지원처의 식별 정보는 그 지원처가 '두○중공업'에 해당함을 알 수 있는 식별자이다.

상기 직무의 종류는 '영업 직무', '관리 직무', '생산 직무' 등일 수 있으나 이에 한정되지 않는다.

다음으로, 본 개시서에 따른 면접 대응 커리큘럼 제공 방법은, 서비스 제공 서버(200)가, 그 서비스 제공 서버(200)에서 구현되는 강의 추천 정보 생성 모듈(220)을 통하여 상기 학습자에 대한 강의 추천 정보를 상기 상태 정보에 기초하여 생성하거나, 서비스 제공 서버(200)의 통신부(110)를 통하여 연동되는 추천 서버(300)로 하여금 그 추천 서버(300)에서 구현되는 강의 추천 정보 생성 모듈(220)을 통하여 상기 강의 추천 정보를 생성하도록 지원하는 강의 추천 정보 생성 단계(S200)를 더 포함한다.

강의 추천 정보 생성 단계(S200)에서, 상기 강의 추천 정보는 RNN(recurrent neural network) 알고리즘, 규칙 기반 알고리즘 및 기타 딥 러닝 알고리즘 중 적어도 하나에 의하여 전체 강의 데이터세트에 속한 강의들 중에서 상기 학습자를 위한 시계열적인 커리큘럼의 적어도 일부에 해당하는 하나 이상의 강의를 가리키도록 생성되거나, 규칙 기반 알고리즘 및 딥 러닝 알고리즘 중 적어도 하나에 의하여 전체 강의 데이터세트에 속한 강의들 중에서 상기 학습자가 현재 제공받기에 최적인 하나 이상의 강의를 가리키도록 생성될 수 있다.

도 6a 내지 도 6c는 본 개시서의 면접 대응 커리큘럼 제공 방법에 있어서 강의 추천 정보 생성 단계의 실시 예들을 개념적으로 설명하기 위하여 보인 도면들이다.

단계(S200)에서 생성되는 강의 추천 정보는 학습자를 위한 추천이지 강요가 아니므로 후술하는 강의 추천 정보 제공 단계(S300)에서 상기 학습자는 자유로이 본 개시서에서 따른 강의 추천 정보가 가르키는 강의들 중 하나를 수강하거나 임의로 타 강의를 수강할 수 있다. 학습자가 스스로 원하는 강의 콘텐츠를 직접 선택하여 수강하는 경우를 능동적 소비라고 지칭하고, 본 개시서에 따른 강의 추천 정보에 따라 강의 콘텐츠를 수강하는 경우를 수동적 소비라고 지칭할 수 있는바, 강의 추천 정보 생성 단계(S200)에서 이 두 가지 범주, 즉 능동적 소비와 수동적 소비 각각에 적용될 수 있는 방안에 관하여 설명한다.

먼저, 능동적 소비의 경우, 추천 시스템(recommendation system)은 RNN(recurrent neural network) 알고리즘, 규칙 기반 알고리즘 및 기타 딥 러닝 알고리즘 등 기술 분야에서 알려진 다양한 추천 알고리즘을 이용하여, 강의 콘텐츠를 수강한 학습자들이 그 다음으로 수강하는 강의 콘텐츠를 추천하도록 훈련될 수 있다.

도 6a를 참조하면, 다수의 학습자들이 강의 콘텐츠를 소비하는 시계열적인 패턴들이 개념적으로 도시되어 있다. 다수의 학습자들이 강의 콘텐츠를 소비함에 있어서 도 6a와 같은 패턴을 가진다고 할 때, 예를 들어 RNN 알고리즘에 의하여 훈련된 추천 시스템은 도 6b와 같이 어느 한 학습자가 현재 강의 콘텐츠 3을 소비하였으면, 그 다음 수강할 강의 콘텐츠로서 강의 콘텐츠 4를 추천하는 경향성을 가질 수 있다.

다음으로, 수동적 소비의 경우, 추천 시스템(recommendation system)은 딥 러닝 알고리즘, 규칙 기반 알고리즘 등을 이용하여 학습자의 상태 정보에 기초하여 현재 그 학습자가 수강하면 바람직할 것으로 기대되는 강의 콘텐츠를 추천하도록 구성될 수 있다.

예를 들어, 딥 러닝 알고리즘, 즉, 최신의 인공 신경망을 지칭하는 심층 신경망(deep neural; DNN)은 입력층과 출력층 외에 복수의 은닉층(hidden layers)을 포함하는 신경망을 의미하는바, 추천 시스템이 이 심층 신경망을 채용하면 입력 데이터가 자동적으로 구조화되고 그 잠재적 구조에 따라 손쉽게 분류되는 장점이 있다.

그러한 심층 신경망은 합성곱 신경망(convolutional neural network; CNN), 제한 볼츠만 머신(restricted Boltzmann machine; RBM), 심층 신뢰망(deep belief network; DBN), Q 네트워크, U 네트워크, 샴 네트워크, SSD(Single Shot Detector), YOLO(You Only Look Once) 등을 포함할 수 있다.

심층 신경망의 활용에 관한 도 6c를 참조하면, 학습자의 모의 면접 결과 데이터, 면접 지원처 데이터, 면접 숙련도 데이터 등 다양한 학습자의 상태 정보를 벡터화하여 입력 데이터로서 이를 입력층에 입력하였을 때 그 결과로서 하나의 강의의 특성에 해당하는 벡터를 출력층에 내보내는 심층 신경망이 개념적으로 예시되어 있다.

여기에서 출력층의 벡터는 강의 데이터세트의 각 강의에 해당하는 벡터와 비교될 수 있고, 그 중 출력층의 벡터와 가장 유사한 벡터에 해당하는 강의들이 추천 시스템에 의하여 추천될 수 있다. 여기에서 유사도 판정에는 코사인 유사도, L2 거리의 척도 등이 이용될 수 있으나 이에 한정되지 않음은 물론이다. 여기에서, 강의 데이터세트의 각 강의에 해당하는 벡터는 레이블링 등의 지도 학습, 비지도 학습, 준지도(semi-supervised) 학습 등에 의하여 미리 마련될 필요가 있다.

상기 강의 추천 정보가 생성되면, 본 개시서에 따른 면접 대응 커리큘럼 제공 방법은, 서비스 제공 서버(200)는 서비스 제공 서버(200)에서 생성되거나 추천 서버(300)에서 생성되어 서비스 제공 서버(200)에 전달된 상기 강의 추천 정보를 그 서비스 제공 서버(200)에서 구현되는 강의 추천 정보 제공 모듈(230)을 통하여 상기 학습자에게 제공하거나 서비스 제공 서버(200)의 통신부(110)를 통하여 연동되는 타 장치인 학습자 단말(400)로 하여금 그 학습자 단말(400)에서 구현되는 강의 추천 정보 제공 모듈(230)을 통하여 상기 학습자에게 제공하도록 지원하는 강의 추천 정보 제공 단계(S300)를 더 포함한다.

도 7은 본 개시서의 면접 대응 커리큘럼 제공 방법에 있어서 강의 추천 정보 제공 단계에서 학습자 단말에 표시된 사용자 인터페이스를 나타낸 예시적 도면이다.

도 7을 참조하면, 강의 추천 정보 제공 단계(S300)에서 상기 강의 추천 정보는 '나에게 어울리는 강의', '추천 강의'와 같이 학습자의 선택을 유도하는 표제와 함께 클릭 가능하도록 구성된 하이퍼링크(710)로서 제공될 수 있다. 예를 들어, 그러한 하이퍼링크는 그림, 사진이나 움직이는 HTML 요소에 적용될 수 있으나, 이와 같은 웹 요소에 한정되지 않음은 통상의 기술자가 쉽게 이해할 수 있을 것이다.

도 7을 참조하면, 상기 사용자 인터페이스에는 강의 추천 정보와 함께 학습자의 상태 정보가 더 표시될 수 있는바, 이는 학습자의 이름 등 학습자의 식별 정보(720), 모의 면접 결과 데이터(730), 면접 지원처 데이터(740)를 포함할 수 있고, 모의 면접 결과 데이터(730) 중에 포함된 요소 정보들, 예컨대, 습관어의 사용량(732)을 포함할 수 있다. 그러나 학습자에게 제공될 수 있는 사용자 인터페이스는 이에 한정되지 않는바 통상의 기술자는 다양한 사용자 인터페이스를 쉽게 구성할 수 있을 것이다.

이제, 본 개시서에 따른 면접 대응 커리큘럼 제공 방법은, 상기 학습자가 추천에 따른 강의를 선택하거나 자유로이 강의를 선택함으로써 상기 학습자에게 강의 데이터세트에 속한 일 강의가 제공된 후, 서비스 제공 서버(200)가, 그 서비스 제공 서버(200)에서 구현되는 모의 면접 제공 모듈(240)을 통하여 상기 학습자에게 모의 면접을 제공하거나 학습자 단말(400)에서 구현되는 모의 면접 제공 모듈(240)을 통하여 상기 학습자에게 상기 모의 면접을 제공하도록 지원하는 모의 면접 제공 단계(S400)를 더 포함한다. 학습자가 강의 콘텐츠를 선택하는 것은 휴대용 단말에 있어서의 탭(tap) 제스처, 개인용 컴퓨터에 있어서의 마우스 클릭(click) 동작 등 다양한 조작에 의할 수 있다.

또한, 모의 면접 제공 단계(S400)에서 모의 면접은 예를 들어 모의 면접 제공 모듈(240)에 의하여 수행되는 면접 콘텐츠의 제공 및 이에 대한 학습자의 비언어적, 언어적 반응을 포함하는 영상 데이터 및 음향 데이터의 획득(예컨대, 카메라, 웹캠 등에 의한 촬영 등)을 포함할 수 있다.

그 후, 본 개시서에 따른 면접 대응 커리큘럼 제공 방법은, 서비스 제공 서버(200)가, 그 서비스 제공 서버(200)에서 구현되는 모의 면접 분석 모듈(250)을 통하여 상기 모의 면접의 결과를 분석함으로써 상기 모의 면접 결과 데이터를 추가 생성하거나 학습자 단말(400) 또는 추천 서버(300)에서 구현되는 모의 면접 분석 모듈(250)을 통하여 상기 모의 면접 결과 데이터를 추가 생성하도록 지원하는 모의 면접 분석 단계(S500)를 더 포함한다.

모의 면접 분석 단계(S500)의 일 예시로서, 모의 면접 분석 모듈(250)에 포함된 비언어적 분석 모듈(252; 미도시)은 상기 모의 면접에서 학습자를 대상으로 획득된 영상 데이터에서 검출되는 상기 학습자의 얼굴에 대한 비언어적 분석 데이터를 산출하는 비언어적 분석 프로세스를 수행하는 한편, 모의 면접 분석 모듈(250)에 포함된 언어적 분석 모듈(254; 미도시)은 상기 모의 면접에서 학습자를 대상으로 획득된 음향 데이터에서 검출되는 상기 학습자의 음성에 대한 언어적 분석 데이터를 산출하는 언어적 분석 프로세스를 수행한다.

일 예시로서, 상기 비언어적 분석 프로세스에서는 상기 영상 데이터를 소정의 시간 단위(예를 들어, 몇 프레임, 몇 초, 몇 분, 몇 시간 등)로 분리하여 영상 단위를 획득하고 그 분리된 영상 단위를 분석하는데, 예를 들어, 상기 영상 단위로부터 상기 학습자의 얼굴을 검출하고, 그 검출된 얼굴에 대해 표정에 관한 분석을 수행하거나, 그리고/또는 상기 영상 단위로부터 상기 학습자에 대한 특징점을 검출하고, 그 검출된 특징점에 기초하여 상기 학습자의 움직임에 관한 분석을 수행하거나, 그리고/또는 상기 영상 단위로부터 상기 학습자의 시선을 검출하고, 그 검출된 시선에 관한 분석을 수행할 수 있다.

그러한 분석을 위하여 개개의 인공 신경망이 활용될 수 있는바, 인공 신경망에 관한 반복된 설명은 생략하기로 한다.

이 심층 신경망 각각은 본 개시서의 방법에 있어서는 구체적으로 학습자의 얼굴을 검출하는 데, 표정의 분류를 수행하는 데, 학습자에서 검출되는 특징점에 근거하여 움직임에 관한 분류를 수행하는 데, 학습자의 눈을 먼저 검출하고 그 눈으로부터 시선을 검출하는 데 이용될 수 있다.

예컨대, 상기 학습자의 표정에 관한 분석은, 긍정적(호의), 무표정, 부정적(혐오), 당황함 등을 포함하는 표정 분류 항목 각각에 관한 비율 수치를 포함할 수 있다. 다만, 이는 예시에 불과하고 시선, 표정, 움직임 외에 다른 기준에 관한 분석을 수행하는 단계가 대안으로서 또는 추가로 포함될 수 있음은 물론이다.

한편, 전술한 예시와 조합되거나 독립 실시될 수 있는 다른 예시로서, 상기 언어적 분석 프로세스에서는 상기 음향 데이터를 소정의 시간 단위로 분리하여 음향 단위를 획득하고 그 분리된 음향 단위를 분석하여 상기 학습자의 음성의 높낮이 및 톤을 포함하는 특성에 관한 분석을 수행하는데, 예를 들어, 학습자의 말의 빠르기, 성량, 습관어의 사용량, 반복어의 사용량 및 음향학적 정보 등 음성 요소 외에 피면접자가 발하는 기타 음향(기침 소리, 헛기침, 발 떠는 소리 등)에 관한 여러 요소에 관한 분석이 더 포함될 수 있다. 여기에서 음향학적 정보는 지터(jitter) 및 심머(shimmer)를 포함할 수 있다.

이와 같은 음향 및 음성의 분석에 있어서 예컨대 프라트(Praat)와 같은 오픈 소스 라이브러리가 이용될 수 있음은 통상의 기술자에게 알려진 바와 같다.

또한, 전술한 단계들의 수행 후에 그 추가 생성된 모의 면접 결과 데이터에 따라 상태 정보가 갱신되므로, 상태 정보 획득 단계(S100)에서부터 본 개시서의 방법이 다시 반복 수행될 수 있다. 상태 정보는 모의 면접 결과에만 의존하지 않고 실제 면접 결과에 따라 갱신될 수도 있는 등, 다른 외부 요인에 의하여도 갱신될 수 있다.

본 개시서의 방법에 관하여 전술한 단계들의 반복 수행에 의하여, 학습자는 모의 면접과 수강을 반복함으로써 꾸준한 면접 준비를 할 수 있을 뿐만 아니라 학습자가 수강할 강의가 모의 면접 등에 기반한 현재 상태 정보에 기초하여 적절히 추천됨으로써 면접 준비를 더 효율적으로 할 수 있는 효과가 있다.

지금까지 설명된 단계들(혹은 이에 대응되는 프로세스들)은 반드시 기재된 순서대로 수행되어야 함을 의미하는 것이 아니며, 각각의 단계들(혹은 대응되는 프로세스들)은 논리적으로 모순되거나 맥락상 달리 명시되어 있지 않는 한 동시에 또는 이시(異時)에 수행될 수 있다는 점을 통상의 기술자는 이해할 수 있을 것이다.

이상, 본 개시서의 다양한 실시 예들에 관한 설명에 기초하여 해당 기술분야의 통상의 기술자는, 본 발명의 방법 및/또는 프로세스들, 그리고 그 단계들이 하드웨어, 소프트웨어 또는 특정 용례에 적합한 하드웨어 및 소프트웨어의 임의의 조합으로 실현될 수 있다는 점을 명확하게 이해할 수 있다. 상기 하드웨어는 범용 컴퓨터 및/또는 전용 컴퓨팅 장치 또는 특정 컴퓨팅 장치 또는 특정 컴퓨팅 장치의 특별한 모습 또는 구성요소를 포함할 수 있다. 상기 프로세스들은 내부 및/또는 외부 메모리를 가지는, 하나 이상의 프로세서, 예컨대, 마이크로프로세서, 컨트롤러, 예컨대, 마이크로컨트롤러, 임베디드 마이크로컨트롤러, 마이크로컴퓨터, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 예컨대, 프로그래머블 디지털 신호 프로세서 또는 기타 프로그래머블 장치에 의하여 실현될 수 있다. 게다가, 혹은 대안으로서, 상기 프로세스들은 주문형 집적회로(application specific integrated circuit; ASIC), 프로그래머블 게이트 어레이(programmable gate array), 예컨대, FPGA(field programmable gate array), PLU(programmable logic unit) 혹은 프로그래머블 어레이 로직(Programmable Array Logic; PAL) 또는 기타 인스트럭션(instruction)을 실행하고 응답할 수 있는 임의의 다른 장치, 전자 신호들을 처리하기 위해 구성될 수 있는 임의의 다른 장치 또는 장치들의 조합으로 실시될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 컨트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.

소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 인스트럭션(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치에 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 인스트럭션 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 기계 판독 가능 기록 매체에 저장될 수 있다.

더욱이 본 발명의 기술적 해법의 대상물 또는 선행 기술들에 기여하는 부분들은 다양한 컴퓨터 구성요소를 통하여 수행될 수 있는 프로그램 인스트럭션의 형태로 구현되어 기계 판독 가능 매체에 기록될 수 있다. 기계 판독 가능 매체는 프로그램 인스트럭션, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 기계 판독 가능한 기록 매체에 기록되는 프로그램 인스트럭션은 실시 예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 분야의 통상의 기술자에게 공지되어 사용 가능한 것일 수도 있다. 기계 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD, Blu-ray와 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 인스트럭션을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 인스트럭션의 예에는, 전술한 장치들 중 어느 하나뿐만 아니라 프로세서, 프로세서 아키텍처 또는 상이한 하드웨어 및 소프트웨어의 조합들의 이종 조합, 또는 다른 어떤 프로그램 인스트럭션들을 실행할 수 있는 기계 상에서 실행되기 위하여 저장 및 컴파일 또는 인터프리트될 수 있는, C와 같은 구조적 프로그래밍 언어, C++ 같은 객체지향적 프로그래밍 언어 또는 고급 또는 저급 프로그래밍 언어(어셈블리어, 하드웨어 기술 언어들 및 데이터베이스 프로그래밍 언어 및 기술들)를 사용하여 만들어질 수 있는 바, 기계어 코드, 바이트코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드도 이에 포함된다.

따라서 본 발명에 따른 일 태양에서는, 앞서 설명된 방법 및 그 조합들이 하나 이상의 컴퓨팅 장치들에 의하여 수행될 때, 그 방법 및 방법의 조합들이 각 단계들을 수행하는 실행 가능한 코드로서 실시될 수 있다. 다른 일 태양에서는, 상기 방법은 상기 단계들을 수행하는 시스템들로서 실시될 수 있고, 방법들은 장치들에 걸쳐 여러 가지 방법으로 분산되거나 모든 기능들이 하나의 전용, 독립형 장치 또는 다른 하드웨어에 통합될 수 있다. 또 다른 일 태양에서는, 위에서 설명한 프로세스들과 연관된 단계들을 수행하는 수단들은 앞서 설명한 임의의 하드웨어 및/또는 소프트웨어를 포함할 수 있다. 그러한 모든 순차 결합 및 조합들은 본 개시서의 범위 내에 속하도록 의도된 것이다.

예를 들어, 상기된 하드웨어 장치는 실시 예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다. 상기 하드웨어 장치는, 프로그램 인스트럭션을 저장하기 위한 ROM/RAM 등과 같은 메모리와 결합되고 상기 메모리에 저장된 인스트럭션들을 실행하도록 구성되는 MPU, CPU, GPU, TPU와 같은 프로세서를 포함할 수 있으며, 외부 장치와 신호를 주고받을 수 있는 통신부를 포함할 수 있다. 덧붙여, 상기 하드웨어 장치는 개발자들에 의하여 작성된 인스트럭션들을 전달받기 위한 키보드, 마우스, 기타 외부 입력 장치를 포함할 수 있다.

이상에서 본 발명이 구체적인 구성요소 등과 같은 특정 사항들과 한정된 실시 예 및 도면에 의해 설명되었으나, 이는 본 발명의 보다 전반적인 이해를 돕기 위해서 제공된 것일 뿐, 본 발명이 상기 실시 예들에 한정되는 것은 아니며, 본 발명이 속하는 기술분야에서 통상적인 지식을 가진 사람이라면 이러한 기재로부터 다양한 수정 및 변형을 꾀할 수 있다.

따라서, 본 발명의 사상은 상기 설명된 실시 예에 국한되어 정해져서는 아니되며, 본 개시서에 첨부된 특허청구범위뿐만 아니라 이 특허청구범위와 균등하게 또는 등가적으로 변형된 모든 것들은 본 발명의 사상의 범주에 속한다고 할 것이다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.

그와 같이 균등하게 또는 등가적으로 변형된 것에는, 예컨대 본 발명에 따른 방법을 실시한 것과 동일한 결과를 낼 수 있는, 논리적으로 동치(logically equivalent)인 방법이 포함될 것인 바, 본 발명의 진의 및 범위는 전술한 예시들에 의하여 제한되어서는 아니되며, 법률에 의하여 허용 가능한 가장 넓은 의미로 이해되어야 한다.

Claims

면접 대응 학습자에 대해 커리큘럼을 추천 제공하는 방법에 있어서,
컴퓨팅 장치가, 상기 학습자의 상태 정보를 획득하거나 상기 컴퓨팅 장치에 연동되는 타 장치인 추천 서버로 하여금 상기 상태 정보를 획득하도록 지원하는 단계로서, 상기 상태 정보는, 상기 학습자의 모의 면접 결과 데이터, 면접 지원처 데이터 및 면접 숙련도 데이터를 포함하는, 상태 정보 획득 단계;
상기 컴퓨팅 장치가, 상기 상태 정보에 기초하여 상기 학습자에 대한 강의 추천 정보를 생성하거나 상기 추천 서버로 하여금 상기 강의 추천 정보를 생성하도록 지원하는 강의 추천 정보 생성 단계;
상기 컴퓨팅 장치가, 생성된 상기 강의 추천 정보를 상기 학습자에게 제공하거나 상기 컴퓨팅 장치에 연동되는 타 장치인 학습자 단말로 하여금 상기 강의 추천 정보를 제공하도록 지원하는 강의 추천 정보 제공 단계;
상기 학습자에게 강의 데이터세트에 속한 일 강의가 제공된 후, 상기 컴퓨팅 장치가, 상기 학습자에게 모의 면접을 제공하거나 상기 학습자 단말로 하여금 상기 학습자에게 상기 모의 면접을 제공하도록 지원하는 모의 면접 제공 단계; 및
상기 컴퓨팅 장치가, 상기 모의 면접의 결과를 분석함으로써 상기 모의 면접 결과 데이터를 추가 생성하거나 상기 학습자 단말 또는 상기 추천 서버로 하여금 상기 모의 면접 결과 데이터를 추가 생성하도록 지원하는 모의 면접 분석 단계
를 포함하되,
상기 방법은,
상기 상태 정보가 갱신되면 상기 상태 정보 획득 단계에서부터 다시 반복되는 것을 특징으로 하는, 면접 대응 커리큘럼 제공 방법.
제1항에 있어서,
상기 모의 면접 결과 데이터는 모의 면접에 있어서 상기 학습자의 표정, 시선, 말의 빠르기, 목소리의 톤, 성량, 습관어의 사용량, 반복어의 사용량 및 음향학적 정보 중 적어도 하나를 포함하는 언어적 정보 및 비언어적 정보를 포함하거나 이들에 기초하여 산출된 값을 포함하는, 면접 대응 커리큘럼 제공 방법.
제1항에 있어서,
상기 면접 숙련도 데이터는 상기 학습자가 면접을 준비한 기간, 모의 면접을 수행한 횟수 및 상기 모의 면접 결과 데이터를 포함하거나 이들에 기초하여 산출된 값을 포함하는, 면접 대응 커리큘럼 제공 방법.
제1항에 있어서,
상기 면접 지원처 데이터는 상기 학습자가 지원하는 지원처가 속한 산업군 카테고리의 정보, 상기 학습자가 목표로 하는 직무의 종류 및 상기 지원처의 식별 정보 중 적어도 하나를 포함하는, 면접 대응 커리큘럼 제공 방법.
제1항에 있어서,
상기 강의 추천 정보는 RNN(recurrent neural network) 알고리즘, 규칙 기반 알고리즘 및 기타 딥 러닝 알고리즘 중 적어도 하나에 의하여 상기 학습자를 위한 시계열적인 커리큘럼의 적어도 일부에 해당하는 하나 이상의 강의를 가리키도록 생성되거나, 규칙 기반 알고리즘 및 딥 러닝 알고리즘 중 적어도 하나에 의하여 상기 학습자가 현재 제공받기에 최적인 하나 이상의 강의를 가리키도록 생성되는 것을 특징으로 하는, 면접 대응 커리큘럼 제공 방법.
컴퓨팅 장치로 하여금, 제1항 내지 제5항 중 어느 한 항의 방법을 수행하도록 구현된 명령어(instructions)를 포함하는, 기계 판독 가능한 기록 매체에 저장된, 컴퓨터 프로그램.
면접 대응 학습자에 대해 커리큘럼을 추천 제공하는 컴퓨팅 장치에 있어서,
통신부; 및
상기 통신부를 통하여 상기 학습자의 상태 정보를 획득하는 상태 정보 획득 프로세스로서, 상기 상태 정보는 상기 학습자의 모의 면접 결과 데이터, 면접 지원처 데이터 및 면접 숙련도 데이터를 포함하는, 상태 정보 획득 프로세스, 및 상기 상태 정보에 기초하여 상기 학습자에 대한 강의 추천 정보를 생성하는 강의 추천 정보 생성 프로세스를 수행하거나 상기 통신부를 통하여 연동되는 타 장치인 추천 서버로 하여금 상기 상태 정보 획득 프로세스 및 상기 강의 추천 정보 생성 프로세스를 수행하도록 지원하는 프로세서
를 포함하고,
상기 프로세서는,
생성된 상기 강의 추천 정보를 상기 학습자에게 제공하거나 상기 통신부를 통하여 연동되는 타 장치인 학습자 단말로 하여금 상기 강의 추천 정보를 제공하도록 지원하는 강의 추천 정보 제공 프로세스; 상기 학습자에게 강의 데이터세트에 속한 일 강의가 제공된 후, 상기 학습자에게 모의 면접을 제공하거나 상기 학습자 단말로 하여금 상기 학습자에게 상기 모의 면접을 제공하도록 지원하는 모의 면접 제공 프로세스; 및 상기 모의 면접의 결과를 분석함으로써 상기 모의 면접 결과 데이터를 추가 생성하거나 상기 학습자 단말 또는 상기 추천 서버로 하여금 상기 모의 면접 결과 데이터를 추가 생성하도록 지원하는 모의 면접 분석 프로세스
를 수행하되,
상기 프로세서는,
상기 상태 정보가 갱신되면 상기 상태 정보 획득 프로세스부터 다시 반복 수행하는 것을 특징으로 하는, 면접 대응 커리큘럼 제공 장치.