KR20220053982A - 인공지능 기반 학원 추천 방법 - Google Patents

인공지능 기반 학원 추천 방법 Download PDF

Info

Publication number
KR20220053982A
KR20220053982A KR1020200138383A KR20200138383A KR20220053982A KR 20220053982 A KR20220053982 A KR 20220053982A KR 1020200138383 A KR1020200138383 A KR 1020200138383A KR 20200138383 A KR20200138383 A KR 20200138383A KR 20220053982 A KR20220053982 A KR 20220053982A
Authority
KR
South Korea
Prior art keywords
school
data
student
recommendation
vector
Prior art date
Application number
KR1020200138383A
Other languages
English (en)
Inventor
이민수
송종현
송영주
신준호
Original Assignee
이민수
주식회사 학원고
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 이민수, 주식회사 학원고 filed Critical 이민수
Priority to KR1020200138383A priority Critical patent/KR20220053982A/ko
Publication of KR20220053982A publication Critical patent/KR20220053982A/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/20—Education
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G06N3/0454—
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Accounting & Taxation (AREA)
  • Strategic Management (AREA)
  • Finance (AREA)
  • General Business, Economics & Management (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Primary Health Care (AREA)
  • Educational Technology (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

본 발명은 기계학습을 이용해 학생 데이터 및 학원 데이터를 분석하여 학생의 학습 성향이나 특성에 맞는 최적의 학원을 추천할 수 있는 인공지능 기반 학원 추천 방법에 관한 것이다. 이를 위해, 본 발명에 따른 인공지능 기반 학원 추천 방법은 인공지능 기반 학원 추천 플랫폼에서 학원 추천 서비스를 제공하는 방법으로서, 사용자에 의해 입력된 학생 데이터 및 데이터베이스에 저장된 학원 데이터를 제1 딥러닝 모델을 통해 분석하여 학원 만족도를 생성하는 단계와, 상기 사용자에 의해 입력된 학생 데이터 및 상기 데이터에 저장된 학원 데이터를 제2 딥러닝 모델을 통해 분석하여 성적 향상도를 생성하는 단계와, 상기 학원 만족도 및 상기 성적 향상도에 근거해 학원별 추천 지수를 산출하는 단계를 포함한다.

Description

인공지능 기반 학원 추천 방법{Method for recommanding educational institute based on artificial intelligence}
본 발명은 기계학습을 이용해 학생 데이터 및 학원 데이터를 분석하여 학생의 학습 성향이나 특성에 맞는 최적의 학원을 추천할 수 있는 인공지능 기반 학원 추천 방법에 관한 것이다.
우리나라 많은 학생들은 적어도 중학교 때부터 상급학교 진학을 준비하기 위해 영어 학원과 수학 학원은 기본적으로 다니며, 여기에 추가적으로 국어, 논술, 예체능 등 다방면의 학원도 다니고 있다.
이처럼 많은 학생들이 학원을 다니지만 대부분의 학생들은 자신의 학습 성향이나 특성과는 전혀 상관 없이 주변의 평판이나 학부모들 간의 소개로 학원을 선택하고 있는 실정이다.
대형 학원이나 프랜차이즈 학원의 경우 학원 광고로 인해 강사의 이력 및 실적이나 강의 스타일을 파악할 수 있으나, 이는 학원 선택에 충분한 정보가 되지 못하고 더욱이 규모가 작은 학원에 대해서는 학원이나 강사 정보에 대해 확인할 수 있는 방법이 한정적이다.
학생이나 학부모 입장에서 강사의 교육방식이나 관리방식 및 학생과의 소통 정도 등을 포함하는 강사정보, 학원의 접근성, 교육 방식이나 주변 환경 등의 학원정보가 구체적으로 제공되어야 자신의 학습 성향에 맞는 학원을 효율적으로 선택할 수 있을 것이다.
또한 학생이나 학부모가 강사정보나 학원정보를 상세히 알 수 있다고 해도 학생의 학습 성향이나 특성을 파악하고 고려해 학생에게 최적화된 학원을 선택하는 것은 쉬운 일이 아니다.
한국공개특허 제10-2019-0074810호
본 발명은 상기와 같은 문제점을 해결하기 위해 창안된 것으로서, 본 발명의 목적은 학생의 학습 성향이나 특성을 고려해 학생에게 맞는 최적의 학원을 추천해 줄 수 있는 학원 추천 플랫폼을 제공하는 것이다.
이를 위해, 본 발명에 따른 인공지능 기반 학원 추천 방법은 인공지능 기반 학원 추천 플랫폼에서 학원 추천 서비스를 제공하는 방법으로서, 사용자에 의해 입력된 학생 데이터 및 데이터베이스에 저장된 학원 데이터 및 강사 데이터를 제1 딥러닝 모델을 통해 분석하여 학원 만족도를 생성하는 단계와, 상기 사용자에 의해 입력된 학생 데이터 및 상기 데이터에 저장된 학원 데이터 및 강사 데이터를 제2 딥러닝 모델을 통해 분석하여 성적 향상도를 생성하는 단계와, 상기 학원 만족도 및 상기 성적 향상도에 근거해 학원별 추천 지수를 산출하는 단계를 포함한다.
또한 본 발명에 따른 인공지능 기반 학원 추천 방법은 인공지능 기반 학원 추천 플랫폼에서 학원 추천 서비스를 제공하는 방법으로서, 사용자에 의해 입력된 학생 데이터를 총체적/분석적, 자기지향적/타인지향적, 이성적/감성적 학습 성향이 표현된 학생 벡터로 변환하는 단계와, 상기 학원 추천 플랫폼에 구비된 데이터베이스에 저장된 학원별 학원 데이터를 순차적으로 추출하고 상기 학생 벡터에 근거해 접근성, 환경, 교육방식이 표현된 학원 벡터로 변환하는 단계와, 상기 데이터베이스에 저장된 학원별 강사 데이터를 순차적으로 추출하고 상기 학생 벡터에 근거해 교육 방식, 관리 방식, 학생과의 소통 정도가 표현된 강사 벡터로 변환하는 단계와, 상기 학생 벡터, 상기 학원 벡터 및 상기 강사 벡터를 입력 벡터로 받아 제1 딥러닝 모델을 통해 분석하여 학원 재등록율을 예측하는 단계와, 상기 학생 벡터, 상기 학원 벡터 및 상기 강사 벡터를 입력 벡터로 받아 제2 딥러닝 모델을 통해 분석하여 성적 향상 확률을 예측하는 단계와, 상기 예측한 학원 재등록율 및 성적 향상 확률에 근거해 학원별 추천지수를 생성하는 단계와, 상기 생성한 학원별 추천지수에서 상위 추천지수에 해당하는 학원을 추천하는 단계를 포함한다.
여기서, 상기 학생 데이터는 보호자의 나이/학력/재산규모/성격유형/교육관/교육관여도/가치관, 워킹맘 여부, 주소, 해당 주소의 거주기간, 학생의 학년/성별/학습성향/성격/학원이력/학원선호이유/결벽증/행동조절능력/환경집중능력을 포함하는 것을 특징으로 한다.
상기 학원 데이터는 환경 데이터 및 수업 데이터를 포함하여, 상기 환경 데이터는 주소, 대중교통 소요시간, 한 반당 인원수, 주변시설(PC방, 당구장, 카페, 노래방) 개수, 주위 소음, 자체 운영 독서실 유무, 책걸상 연식, 화장실 상태, 청결도를 포함하고, 상기 수업 데이터는 커리큘럼(자체교재/시중교재, 선행중심/내신, 상위권/하위권), 강의방식(지식전달/방법전달, 주입식/탐구식, 강의식/과외식)을 포함하는 것을 특징으로 한다.
상기 강사 데이터는 교습과목, 강의 주안점, 강의방식(지식전달/방법전달, 주입식/탐구식, 강의식/과외식), 동기부여 방식(성실성/결과 보상, 냉정/자신감향상, 강압형/자율형), 수업 장악력, 유머감각, 연령대를 포함하는 것을 특징으로 한다.
상술한 바와 같이, 본 발명은 학원을 찾는 사용자가 학원 추천 플랫폼에 접속하여 학생과 보호자 관련 정보를 입력하기만 하면 학생과 보호자 입장에서 최적화된 학원을 추천 받을 수 있는 효과가 있다.
학생과 보호자는 학원 추천을 받을 때 학원 만족도(학원 재등록율) 및 성적 향상도(성적 향상 확률)에 근거한 추천지수를 받기 때문에 학원 선택 과정에서 서비스 신뢰도와 만족감이 높아질 수 있다.
도 1은 본 발명에 따른 인공지능 기반 학원 추천 시스템의 개략적인 구성을 나타낸 도면.
도 2는 본 발명에 따른 학원 추천 플랫폼의 내부 구성을 나타낸 도면.
도 3은 본 발명에 따른 학원 추천 플랫폼의 제어부의 구성을 나타낸 도면.
도 4는 본 발명에 따른 인공지능 기반 학원 추천 방법의 순서도.
도 5는 본 발명에 따른 인공지능 기반 학원 추천 과정에서 사용되는 파라미터를 나타낸 도면.
아래에서는 첨부한 도면을 참고로 하여 본 발명의 실시예에 대하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다.
그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
명세서 전체에서, 어떤 부분이 어떤 구성 요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성 요소를 제외하는 것이 아니라 다른 구성 요소를 더 포함할 수 있는 것을 의미한다.
또한, 명세서에 기재된 "……부", "…… 모듈" 의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어나 소프트웨어 또는 하드웨어 및 소프트웨어의 결합으로 구현될 수 있다.
이하, 도면을 참조로 하여 본 발명의 실시예에 따른 인공지능 기반 학원 추천 방법에 대하여 상세히 설명한다.
도 1은 본 발명에 따른 인공지능 기반 학원 추천 방법을 구현하기 위한 학원 추천 시스템의 개략적인 구성을 나타낸 것이다.
도 1을 참조하면, 본 발명에 따른 인공지능 기반 학원 추천 시스템은 학원 추천 플랫폼(100)과 컴퓨팅 장치(200)로 구성된다. 학원 추천 플랫폼(100)과 컴퓨팅 장치(200)는 네트워크를 통해 연결되며, 네트워크는 인터넷뿐만 아니라 인트라넷을 포함한다.
학원 추천 플랫폼(100)은 학원 추천 엔진을 구비하며, 학원정보 제공업체가 보유하고 있는 서버 상에 구현될 수 있다. 학원 추천 플랫폼(100)은 컴퓨팅 장치(200)로부터 학생 데이터를 입력받고 학원 추천 엔진을 실행하여 컴퓨팅 장치(200)로 학원 추천 결과를 제공한다.
컴퓨팅 장치(200)은 사용자가 보유한 장치이다. 사용자는 학원을 찾고 있는 사람으로서, 학생과 보호자(학부모)를 포함한다. 컴퓨팅 장치로는 스마트 폰, 태블릿 PC, 랩 탑(lap-top) 컴퓨터, 퍼스널 컴퓨터(PC) 등이 될 수 있으며, 학원 추천 플랫폼(1000)에 접속할 수 있는 기기라면 어떠한 종류의 장치도 가능하다.
도 2는 본 발명에 따른 학원 추천 플랫폼의 간략한 내부 구성을 나타낸 것이다.
도 2를 참조하면, 학원 추천 플랫폼(100)은 통신 인터페이스(101), 제어부(103), 학원 데이터베이스(105) 등을 포함한다.
통신 인터페이스(101)는 컴퓨팅 장치(200)와 데이터 통신을 수행하기 위한 부분이다. 통신 인터페이스(101)는 인터넷 또는 인트라넷과 접속되어 TCP/IP 통신을 수행하는 이더넷 등의 통신 모듈이다.
제어부(103)는 학원 추천 플랫폼(100)의 전체적인 동작을 제어하고 관리하는 부분이다. 제어부(103)는 학원 추천 엔진을 통해 학원 데이터베이스(105)와 연동하여 학원 추천 결과를 생성한다. 제어부(103)는 학원 추천을 위한 하드웨어 및 소프트웨어를 모두 포함하며, 제어부(103)에 의해 실행되는 학원 추천 엔진은 소프트웨어 모듈로 구성될 수 있다.
학원 데이터베이스(105)는 학원 데이터 및 강사 데이터를 저장한다.
여기서 학원 데이터는 학원별 환경 데이터 및 수업 데이터로 구성된다.
환경 데이터는 주소, 대중교통 소요시간, 한 반당 인원수, 주변시설(PC방, 당구장, 카페, 노래방) 개수, 주위 소음, 자체 운영 독서실 유무, 책걸상 연식, 화장실 상태, 청결도 등을 포함한다.
수업 데이터는 커리큘럼(자체교재/시중교재, 선행중심/내신, 상위권/하위권), 강의방식(지식전달/방법전달, 주입식/탐구식, 강의식/과외식) 등을 포함한다.
강사 데이터는 교습과목, 강의 주안점, 강의방식(지식전달/방법전달, 주입식/탐구식, 강의식/과외식), 동기부여 방식(성실성/결과 보상, 냉정/자신감향상, 강압형/자율형), 수업 장악력, 유머감각, 연령대 등을 포함한다.
학원 데이터 및 강사 데이터는 학생 데이터에 근거해 벡터화되어 학원 추천정보를 생성하는데 사용된다.
본 발명의 실시예에서 사용되는 학원 데이터 및 강사 데이터는 공공 데이터베이스, 학원 정보를 공유하는 카페(예를 들어, 맘카페 등), 크롤링, 오프라인 추천 서비스 등을 통해 수집할 수 있다.
통신 인터페이스(101)를 통해 컴퓨팅 장치(200)로부터 학생 데이터가 수신되면, 제어부(103)는 사용자가 입력한 학생 데이터와 학원 데이터베이스(105)에 저장된 학원 데이터 및 강사 데이터를 분석하여 학원 추천 결과를 출력한다.
도 3은 본 발명에 따른 학원 추천 플랫폼의 제어부의 구성을 나타낸 것이다.
도 3을 참조하면, 본 발명에 따른 제어부(103)는 제1 벡터화부(110), 제1 분석부(120), 제2 분석부(130), 추천정보 산출부(140), 제2 벡터화부(150), 제2 벡터화부(160) 등을 포함한다.
전처리부(110), 제1 분석부(120), 제2 분석부(130), 추천정보 산출부(140), 제2 벡터화부(150), 제2 벡터화부(160)는 소프트웨어 모듈로 구현될 수 있다.
제1 벡터화부(110)는 통신 인터페이스(101)을 통해 입력되는 학생 데이터를 벡터화한다. 제1 벡터화부(110)는 학생 데이터가 제1 분석부(120) 및 제2 분석부(130)에서 처리될 수 있도록 벡터로 변환한다. 벡터로 변환된 학생 데이터를 학생 벡터라고 한다. 학생 벡터는 총체적/분석적, 자기지향적/타인지향적 및 이성적/감성적으로 분류되는 3가지 학습성향을 표현한다.
제1 벡터화부(110)는 학생 데이터로부터 3가지 학습성향을 표현하는 학생 벡터를 출력할 수 있도록 사전에 비지도 학습 기반으로 학습된다.
제2 벡터화부(150)는 학원 데이터베이스(105)로부터 추출한 학원 데이터를 학생 벡터에 근거해 학원 벡터로 변환한다. 학원 벡터는 접근성, 환경 및 교육방식을 표현한다.
제2 벡터화부(150)는 학원 데이터로부터 접근성, 환경 및 교육방식을 표현하는 학원 벡터를 출력할 수 있도록 사전에 비지도 학습 기반으로 학습된다.
제3 벡터화부(160)는 학원 데이터베이스(105)로부터 추출한 강사 데이터를 학생 벡터에 근거해 강사 벡터로 변환한다. 강사 벡터는 교육방식, 관리방식 및 학생과의 소통정도를 표현한다.
제3 벡터화부(160)는 강사 데이터로부터 교육방식, 관리방식 및 학생과의 소통정도를 표현하는 강사 벡터를 출력할 수 있도록 사전에 비지도 학습 기반으로 학습된다.
제1 분석부(120)는 제1 벡터화부(110)에서 출력된 학생 벡터, 제2 벡터화부(150)에 출력된 학원 벡터, 제3 벡터화부(160)에서 출력된 강사 벡터를 입력받아 분석하여 학원 만족도 즉, 학원 재등록율을 출력한다.
제1 분석부(120)에는 머신러닝 기반 모델이 적용되어 있다. 제1 분석부(120)에 적용된 머신러닝 기반 모델을 제1 딥러닝 모델이라고 칭한다.
제1 딥러닝 모델은 공공 데이터베이스, 학원 정보를 공유하는 카페(예를 들어, 맘카페 등), 크롤링, 오프라인 추천 서비스, 계약한 학원, 설문조사 등을 통해 얻은 학생 데이터, 학원 데이터 및 강사 데이터를 훈련 데이터로 사용하여 사전 학습된다.
제2 분석부(130)는 제1 분석부(120)와 병행적으로 동작하면서 제1 벡터화부(110)에서 출력된 학생 벡터, 제2 벡터화부(150)에 출력된 학원 벡터, 제3 벡터화부(160)에서 출력된 강사 벡터를 입력받아 분석하여 성적 향상도 즉, 성적 향상 확률을 출력한다.
마찬가지로 제2 분석부(130)에는 머신러닝 기반 모델이 적용되어 있다. 제2 분석부(130)에 적용된 머신러닝 기반 모델을 제2 딥러닝 모델이라고 칭한다.
제2 딥러닝 모델은 공공 데이터베이스, 학원 정보를 공유하는 카페(예를 들어, 맘카페 등), 크롤링, 오프라인 추천 서비스, 계약한 학원, 설문조사 등을 통해 얻은 학생 데이터, 학원 데이터 및 강사 데이터를 훈련 데이터로 사용하여 사전 학습된다.
추천정보 산출부(140)는 제1 분석부(120)에서 출력한 학원 만족도(학원 재등록율) 및 성적 향상도(성적 향상 확률)에 근거해 학원 추천지수를 산출한다.
추천정보 산출부(140)는 학원 만족도와 성적 향상도에 가중치를 부과하여 학원 추천지수를 산출할 수 있다. 학원 추천지수가 1에 가까운 학원일수록 학생의 학습 성향과 특성에 가장 잘 맞는 학원이 될 것이다.
추천정보 산출부(140)는 학원별 추천지수를 모두 구한 후 상위 추천지수에 해당하는 학원정보(예를 들어, 상위 5개의 학원)를 출력할 수 있다.
도 4는 본 발명에 따른 인공지능 기반 학원 추천 방법의 순서도를 나타낸 것으로, 각 단계는 본 발명에 따른 학원 추천 플랫폼(100)에서 수행된다.
도 4를 참조하면, 먼저 학원 추천 플랫폼(100)은 컴퓨팅 장치(200)로부터 학생 데이터를 수신한다(S10).
컴퓨팅 장치(200)로부터 학생 데이터가 수신되면, 학원 추천 플랫폼(100)은 학생 데이터를 벡터화한다(S20). 학생 데이터에 대한 제1 벡터화 과정을 통해 학생 데이터가 딥러닝 모델에서 처리될 수 있는 벡터로 변환될 수 있다.
다음 학원 추천 플랫폼(100)은 학원 데이터베이스(105)에 저장된 학원 데이터 및 강사 데이터를 학원별로 순차 추출한다(S30).
학원 데이터 및 강사 데이터가 추출되면, 학생 벡터에 근거해 학원 데이터를 학원 벡터로 변환하는 제2 벡터화 과정 및 강사 데이터를 강사 벡터로 변환하는 제3 벡터화 과정을 수행한다(S35).
학생 벡터, 학원 벡터 및 강사 벡터가 준비되면, 학원 추천 플랫폼(100)은 학생 벡터, 학원 벡터 및 강사 벡터를 제1 딥러닝 모델을 통해 분석하여 학원 만족도를 출력한다(S40). 즉, 학원 추천 플랫폼(100)은 특정한 학습 성향과 특성을 가진 학생이 어떤 학원을 다닐 때 그 학원을 재등록할 확률을 예측하여 학원 만족도를 구하게 된다.
이어서 학원 추천 플랫폼(100)은 학생 벡터, 학원 벡터 및 강사 벡터를 제2 딥러닝 모델을 통해 분석하여 성적 향상도를 출력한다(S50). 즉, 학원 추천 플랫폼(100)은 특정한 학습 성향과 특성을 가진 학생이 어떤 학원을 다닐 때 성적이 향상될 확률을 예측하여 성적 향상도를 구하게 된다.
학원 만족도와 성적 향상도가 출력되면, 학원 추천 플랫폼(100)은 학원 만족도와 성적 향상도에 가중치를 부여하여 학원 추천 지수를 생성한다(S60).
학원 추천 지수는 학원 데이터베이스(105)에 저장된 모든 학원에 대해 생성되어야 하므로 미분석 학원 및 강사 데이터가 존재하는지 확인하여(S70), 학원 데이터베이스(105)에 추출되지 않은 학원 및 강사 데이터가 존재하면 S30부터 S60까지의 단계를 반복적으로 수행한다.
모든 학원 데이터 및 강사 데이터가 추출되어 모든 학원에 대한 학원 추천지수가 생성되면, 학원 추천 플랫폼(100)은 생성한 학원 추천지수에서 상위(예를 들어, 상위 5개) 추천지수를 선택하고 상위 추천 지수에 해당하는 학원을 사용자에게 추천한다(S80).
도 5는 본 발명에 따른 인공지능 기반 학원 추천 과정에서 사용되는 파라미터를 도식화한 것이다.
도 5를 참조하면, 비지도 학습 기반의 모델을 통해 학생 데이터로부터 총체적/분석적, 자기지향적/타인지향적, 이성적/감성적 학습 성향이 표현된 학생 벡터가 생성된다.
또한 학생 데이터에 근거해 학원 데이터로부터 접근성, 환경, 교육방식이 표현된 학원 벡터가 생성되고, 강사 데이터로부터 교육 방식, 관리 방식, 학생과의 소통 정도가 표현된 강사 벡터가 생성된다.
예를 들어, 접근성 관련 학원 벡터를 생성할 때 학원 데이터의 주소정보와 학생 데이터의 주소정보가 결합되어 접근성에 대한 평가 점수가 산출될 수 있다.
또한, 관리방식 관련 강사 벡터를 생성할 때 타인지향적인 학습성향을 가진 학생의 경우 냉정한 방식으로 동기부여를 하는 강사의 관리방식에 대한 평가 점수가 높게 산출되나 자기지향적인 학습성향을 가진 학생의 경우 냉정한 방식으로 동기부여를 하는 강사의 관리방식에 대한 평가 점수는 낮게 산출될 수 있다.
이렇게 학생 벡터, 학원 벡터 및 강사 벡터가 생성되면, 학습 기반의 모델을 이용해 학원 만족도 및 성적 향상도가 산출된다.
학원 만족도를 출력하는 딥러닝 모델은 학생의 3가지 학습성향, 학원의 3가지 평가 척도, 강사의 3가지 평가 척도를 입력 데이터로 하고, 특정한 학습성향을 가진 학생이 어떤 학원을 얼마나 오랫 동안 다녔는지에 대한 데이터를 출력 데이터로 하여 학습시킬 수 있다.
또한 성적 향상도를 출력하는 딥러닝 모델은 학생의 3가지 학습성향, 학원의 3가지 평가 척도, 강사의 3가지 평가 척도를 입력 데이터로 하고, 특정한 학습성향을 가진 학생이 어떤 학원을 다녔을 때 성적이 상승 또는 하락했는지에 대한 데이터를 출력 데이터로 하여 학습시킬 수 있다.
이상에서 설명한 본 발명의 실시예는 장치 및 방법을 통해서만 구현이 되는 것은 아니며, 본 발명의 실시예의 구성에 대응하는 기능을 실현하는 프로그램 또는 그 프로그램이 기록된 기록 매체를 통해 구현될 수도 있다.
이상에서 본 발명의 실시예에 대하여 상세하게 설명하였지만 본 발명의 권리범위는 이에 한정되는 것은 아니고 다음의 청구범위에서 정의하고 있는 본 발명의 기본 개념을 이용한 당업자의 여러 변형 및 개량 형태 또한 본 발명의 권리범위에 속하는 것이다.
100: 학원 추천 플랫폼 101: 통신인터페이스
103: 제어부 105: 학원 데이터베이스
110: 전처리부 120: 제1 분석부
130: 제2 분석부 140: 추천정보 산출부
200; 컴퓨팅 장치

Claims (5)

  1. 인공지능 기반 학원 추천 플랫폼에서 학원 추천 서비스를 제공하는 방법에 있어서,
    사용자에 의해 입력된 학생 데이터 및 데이터베이스에 저장된 학원 데이터 및 강사 데이터를 제1 딥러닝 모델을 통해 분석하여 학원 만족도를 생성하는 단계와,
    상기 사용자에 의해 입력된 학생 데이터 및 상기 데이터에 저장된 학원 데이터 및 강사 데이터를 제2 딥러닝 모델을 통해 분석하여 성적 향상도를 생성하는 단계와,
    상기 학원 만족도 및 상기 성적 향상도에 근거해 학원별 추천 지수를 산출하는 단계를 포함하는 인공지능 기반 학원 추천 방법.
  2. 인공지능 기반 학원 추천 플랫폼에서 학원 추천 서비스를 제공하는 방법에 있어서,
    사용자에 의해 입력된 학생 데이터를 총체적/분석적, 자기지향적/타인지향적, 이성적/감성적 학습 성향이 표현된 학생 벡터로 변환하는 단계와,
    상기 학원 추천 플랫폼에 구비된 데이터베이스에 저장된 학원별 학원 데이터를 순차적으로 추출하고 상기 학생 벡터에 근거해 접근성, 환경, 교육방식이 표현된 학원 벡터로 변환하는 단계와,
    상기 데이터베이스에 저장된 학원별 강사 데이터를 순차적으로 추출하고 상기 학생 벡터에 근거해 교육 방식, 관리 방식, 학생과의 소통 정도가 표현된 강사 벡터로 변환하는 단계와,
    상기 학생 벡터, 상기 학원 벡터 및 상기 강사 벡터를 입력 벡터로 받아 제1 딥러닝 모델을 통해 분석하여 학원 재등록율을 예측하는 단계와,
    상기 학생 벡터, 상기 학원 벡터 및 상기 강사 벡터를 입력 벡터로 받아 제2 딥러닝 모델을 통해 분석하여 성적 향상 확률을 예측하는 단계와,
    상기 예측한 학원 재등록율 및 성적 향상 확률에 근거해 학원별 추천지수를 생성하는 단계와,
    상기 생성한 학원별 추천지수에서 상위 추천지수에 해당하는 학원을 추천하는 단계를 포함하는 인공지능 기반 학원 추천 방법.
  3. 제1항에 또는 제2항에 있어서,
    상기 학생 데이터는 보호자의 나이/학력/재산규모/성격유형/교육관/교육관여도/가치관, 워킹맘 여부, 주소, 해당 주소의 거주기간, 학생의 학년/성별/학습성향/성격/학원이력/학원선호이유/결벽증/행동조절능력/환경집중능력을 포함하는 것을 특징으로 하는 인공지능 기반 학원 추천 방법.
  4. 제1항에 또는 제2항에 있어서,
    상기 학원 데이터는 환경 데이터 및 수업 데이터를 포함하여,
    상기 환경 데이터는 주소, 대중교통 소요시간, 한 반당 인원수, 주변시설(PC방, 당구장, 카페, 노래방) 개수, 주위 소음, 자체 운영 독서실 유무, 책걸상 연식, 화장실 상태, 청결도를 포함하고,
    상기 수업 데이터는 커리큘럼(자체교재/시중교재, 선행중심/내신, 상위권/하위권), 강의방식(지식전달/방법전달, 주입식/탐구식, 강의식/과외식)을 포함하는 것을 특징으로 하는 인공지능 기반 학원 추천 방법.
  5. 제1항에 또는 제2항에 있어서,
    상기 강사 데이터는 교습과목, 강의 주안점, 강의방식(지식전달/방법전달, 주입식/탐구식, 강의식/과외식), 동기부여 방식(성실성/결과 보상, 냉정/자신감향상, 강압형/자율형), 수업 장악력, 유머감각, 연령대를 포함하는 것을 특징으로 하는 인공지능 기반 학원 추천 방법.
KR1020200138383A 2020-10-23 2020-10-23 인공지능 기반 학원 추천 방법 KR20220053982A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200138383A KR20220053982A (ko) 2020-10-23 2020-10-23 인공지능 기반 학원 추천 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200138383A KR20220053982A (ko) 2020-10-23 2020-10-23 인공지능 기반 학원 추천 방법

Publications (1)

Publication Number Publication Date
KR20220053982A true KR20220053982A (ko) 2022-05-02

Family

ID=81593502

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200138383A KR20220053982A (ko) 2020-10-23 2020-10-23 인공지능 기반 학원 추천 방법

Country Status (1)

Country Link
KR (1) KR20220053982A (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102491285B1 (ko) * 2022-05-10 2023-01-26 주식회사 조인피플 메타버스 기술로 고인의 장례를 온라인으로 진행 가능하며 인공지능 기반으로 장례식 진행 프로세스와 조문객 접객 서비스가 제공되는 플랫폼의 운영방법
CN117274004A (zh) * 2023-11-20 2023-12-22 武汉市规划编审中心(武汉规划展示馆) 基于最短路径规划和空间句法的小学选址方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20190074810A (ko) 2017-12-20 2019-06-28 착한교육 주식회사 학원정보제공 방법 및 시스템

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20190074810A (ko) 2017-12-20 2019-06-28 착한교육 주식회사 학원정보제공 방법 및 시스템

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102491285B1 (ko) * 2022-05-10 2023-01-26 주식회사 조인피플 메타버스 기술로 고인의 장례를 온라인으로 진행 가능하며 인공지능 기반으로 장례식 진행 프로세스와 조문객 접객 서비스가 제공되는 플랫폼의 운영방법
CN117274004A (zh) * 2023-11-20 2023-12-22 武汉市规划编审中心(武汉规划展示馆) 基于最短路径规划和空间句法的小学选址方法
CN117274004B (zh) * 2023-11-20 2024-02-27 武汉市规划编审中心(武汉规划展示馆) 基于最短路径规划和空间句法的小学选址方法

Similar Documents

Publication Publication Date Title
CN109523194B (zh) 汉语阅读能力测评方法、装置及可读存储介质
Aeiad et al. An adaptable and personalised E-learning system applied to computer science Programmes design
Adams et al. The multidimensional random coefficients multinomial logit model
US20170372628A1 (en) Adaptive Reading Level Assessment for Personalized Search
US8608477B2 (en) Selective writing assessment with tutoring
KR102040400B1 (ko) 머신러닝을 이용한 사용자 맞춤형 문제 제공 시스템 및 방법
KR101635144B1 (ko) 텍스트 시각화와 학습자 말뭉치를 이용한 언어학습 시스템
EP2956919A2 (en) Language learning systems and methods
JP2005517213A5 (ko)
KR101030577B1 (ko) 학습자 적응형 이러닝 시스템 및 방법
CN111859116B (zh) 基于大数据和生涯规划的个性化课程推荐方法与装置
CN114254208A (zh) 薄弱知识点的识别方法、学习路径的规划方法与装置
KR20220053982A (ko) 인공지능 기반 학원 추천 방법
KR20190012939A (ko) 인공지능 기반의 개인 맞춤형 stem 학습 서비스 시스템 및 그 방법
CN115146161A (zh) 一种基于内容推荐的个性化学习资源推荐方法及系统
Salahli et al. Concept Based Approach for Adaptive Personalized Course Learning System.
CN115081965B (zh) 一种学情大数据分析系统及学情服务器
Stanica et al. How to choose one’s career? a proposal for a smart career profiler system to improve practices from romanian educational institutions
CN111401525A (zh) 一种基于深度学习的适应性学习系统和方法
Shen et al. Intraclass correlations for evaluating the effects of teacher empowerment programs on student educational outcomes
Scalise et al. A Taxonomy of Critical Dimensions at the Intersection of Learning Analytics and Educational Measurement
Sokolov et al. Formation of the Electronic Educational Trajectory for Maritime Students
JP2011013811A (ja) 単語レベル判定装置、単語レベル判定システム、単語レベル判定方法、制御プログラム、および、記録媒体
KR20220039861A (ko) 장애인 체육교육 개발과 교육관리시스템 및 그 방법
Morgan et al. On using simulations to inform decision making during instrument development

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E601 Decision to refuse application