KR20220069263A - 인공지능 기반 학습 관리 방법 및 장치 - Google Patents

인공지능 기반 학습 관리 방법 및 장치 Download PDF

Info

Publication number
KR20220069263A
KR20220069263A KR1020200156213A KR20200156213A KR20220069263A KR 20220069263 A KR20220069263 A KR 20220069263A KR 1020200156213 A KR1020200156213 A KR 1020200156213A KR 20200156213 A KR20200156213 A KR 20200156213A KR 20220069263 A KR20220069263 A KR 20220069263A
Authority
KR
South Korea
Prior art keywords
learning
concentration
learner
members
learning management
Prior art date
Application number
KR1020200156213A
Other languages
English (en)
Inventor
송수연
Original Assignee
주식회사 하이터치
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 주식회사 하이터치 filed Critical 주식회사 하이터치
Priority to KR1020200156213A priority Critical patent/KR20220069263A/ko
Publication of KR20220069263A publication Critical patent/KR20220069263A/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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/18—Eye characteristics, e.g. of the iris
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N7/00—Television systems
    • H04N7/14—Systems for two-way working

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Human Computer Interaction (AREA)
  • General Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Economics (AREA)
  • Educational Administration (AREA)
  • Educational Technology (AREA)
  • Signal Processing (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Ophthalmology & Optometry (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Electrically Operated Instructional Devices (AREA)

Abstract

인공지능 기반 학습 관리 방법 및 장치를 개시한다.
본 실시예는 개설된 가상 스터디 룸에 참여한 개인별 스터디 영상을 기반으로 학습자 상태를 인지하고, 학습자 상태를 분석하여 학습자 집중도를 파악하고, 학습자 집중도를 기반으로 학습을 도와주는 피드백을 개인화 서비스 형태로 제공하도록 하는 인공지능 기반 학습 관리 방법 및 장치를 제공한다.

Description

인공지능 기반 학습 관리 방법 및 장치{Method And Apparatus for Providing Learning Management Based on Artificial Intelligence}
본 발명의 일 실시예는 인공지능 기반 학습 관리 방법 및 장치에 관한 것이다.
이하에 기술되는 내용은 단순히 본 실시예와 관련되는 배경 정보만을 제공할 뿐 종래기술을 구성하는 것이 아니다.
종래의 독서실 및 도서관은 이용자가 개인 학습을 위해 주로 이용하는 공간으로 자율적으로 또는 관리자에 의해 조용한 학습 분위기가 우선시 되어 운영되는 장소이다. 그러나, 최근에는 이용자들이 열람실에서의 개인 학습뿐만 아니라 그룹 스터디 또는 프리젠테이션을 할 수 있는 공간이 함께 제공되는 것을 선호하며, 이러한 시설을 구비한 스터디 공간들이 생겨나고 있다.
새로운 스터디 공간들은 종래의 독서실 및 도서관과 차별을 위해 현대적인 인테리어를 갖추고 있고, 24시간 영업을 하며 인건비 절감을 위해 키오스크를 이용하는 무인 관리 시스템으로 운영되고 있다.
현재에 다양한 형태의 온라인 커뮤니티들이 생성되고 있다. 온라인 커뮤니티들은 구인정보, 공채일정, 토론, 정보공유를 위한 채팅 등 학업 또는 취업준비에 필요한 모든 정보들을 게시판 형식을 통해 통합적으로 다루고 있으며, 학업 또는 취업목적의 스터디 그룹 모집은 게시판 하나에 불과하며 정보들이 산발적으로 흩어져 있어 정보를 얻고자 하는 개인에게 필요한 스터디 그룹을 찾기 힘들다는 문제점이 있다.
학업 또는 취업대비 온라인 커뮤니티들은 복수로 존재하기 때문에 개인에게 적합한 스터디 그룹을 찾기 위해서는 상당한 수의 커뮤니티 사이트 조회가 필요하며 시간소요가 상당하다는 문제점이 있다.
시간을 들여 커뮤니티 사이트에서 게시판을 통해 제공하는 스터디 그룹원을 모집하더라도 스터디 그룹원의 검증 확인이 어려울 뿐만 아니라, 스터디의 수준이 본인이 생각한 수준과 맞지 않아 스터디를 후회하거나 또는 중도 포기하게 되는 경우가 빈번하게 발생한다는 문제가 있다.
본 실시예는 개설된 가상 스터디 룸에 참여한 개인별 스터디 영상을 기반으로 학습자 상태를 인지하고, 학습자 상태를 분석하여 학습자 집중도를 파악하고, 학습자 집중도를 기반으로 학습을 도와주는 피드백을 개인화 서비스 형태로 제공하도록 하는 인공지능 기반 학습 관리 방법 및 장치를 제공하는 데 목적이 있다.
본 실시예의 일 측면에 의하면, 특정 분야, 과목, 학년별로 가상 스터디 룸을 개설하는 스터디 룸 개설부; 상기 가상 스터디 룸에 참여한 복수의 학습참여 단말기 각각으로부터 자신이 스터디하는 모습을 촬영한 개인별 스터디 영상을 수신하는 영상 획득부; 상기 가상 스터디 룸 내에 참여 구성원 중 한 명으로 AI를 참여시키는 AI 참여부; 상기 AI를 이용하여 상기 개인별 스터디 영상을 분석하여 상기 가상 스터디 룸 내의 구성원 각각에 대한 학습자 집중도를 판단하는 집중도 분석부; 및 상기 학습자 집중도를 기반으로 학습을 도와주는 피드백을 상기 가상 스터디 룸 내에 참여 구성원 각각으로 제공하는 학습 피드백부를 포함하는 것을 특징으로 하는 학습 관리 장치를 제공한다.
이상에서 설명한 바와 같이 본 실시예에 의하면, 개설된 가상 스터디 룸에 참여한 개인별 스터디 영상을 기반으로 학습자 상태를 인지하고, 학습자 상태를 분석하여 학습자 집중도를 파악하고, 학습자 집중도를 기반으로 학습을 도와주는 피드백을 개인화 서비스 형태로 제공할 수 있는 효과가 있다.
도 1은 본 실시예에 따른 인공지능 기반 학습 관리 시스템을 개략적으로 나타낸 블럭 구성도이다.
도 2는 본 실시예에 따른 인공지능 기반 학습 관리 서버를 나타낸 도면이다.
도 3은 본 실시예에 따른 인공지능 기반 화상 수업 방법을 설명하기 위한 도면이다.
도 4는 본 실시예에 따른 화상 수업 참여자의 집중도를 분석하여 나타낸 도면이다.
도 5는 본 실시예에 따른 특정 참여자의 학습 시간별 집중도를 분석하여 나타낸 도면이다.
도 6은 본 실시예에 따른 화상 수업 참여자의 질의에 따른 문제 해결 방법을 설명하기 위한 도면이다.
이하, 본 실시예를 첨부된 도면을 참조하여 상세하게 설명한다.
도 1은 본 실시예에 따른 인공지능 기반 학습 관리 시스템을 개략적으로 나타낸 블럭 구성도이다.
본 실시예에 따른 인공지능 기반 학습 관리 시스템은 학습참여 단말기(110-1,110-2,110-3,110-N), 학습참여 애플리케이션(112-1,112-2,112-3,112-N), 네트워크(120), 학습 관리 서버(130)를 포함한다. 인공지능 기반 학습 관리 시스템에 포함된 구성요소는 반드시 이에 한정되는 것은 아니다.
학습참여 단말기(110-1,110-2,110-3,110-N)는 사용자의 키 조작에 따라 네트워크(120)를 경유하여 음성 또는 데이터 통신을 수행하는 전자 기기를 의미한다. 학습참여 단말기(110-1,110-2,110-3,110-N)는 네트워크(120)를 경유하여 학습 관리 서버(130)와 통신하기 위한 프로그램 또는 프로토콜을 저장하기 위한 메모리, 해당 프로그램을 실행하여 연산 및 제어하기 위한 마이크로프로세서 등을 구비한다.
학습참여 단말기(110-1,110-2,110-3,110-N)는 스마트폰(Smart Phone), 태블릿(Tablet), 랩톱(Laptop), 개인용 컴퓨터(PC: Personal Computer), 개인 휴대 단말기(PDA: Personal Digital Assistant), 게임 콘솔, 휴대형 멀티미디어 플레이어(PMP: Portable Multimedia Player), 무선 통신 단말기(Wireless Communication Terminal), 미디어 플레이어 등과 같은 전자 기기일 수 있다.
학습참여 단말기(110-1,110-2,110-3,110-N)는 각종 기기 또는 유무선 네트워크와 통신을 수행하기 위한 통신 모뎀 등의 통신 장치, 각종 프로그램과 데이터를 저장하기 위한 메모리, 프로그램을 실행하여 연산 및 제어하기 위한 마이크로프로세서 등을 구비하는 다양한 장치이다. 적어도 일 실시예에 따르면, 메모리는 램(Random Access Memory: RAM), 롬(Read Only Memory: ROM), 플래시 메모리, 광 디스크, 자기 디스크, 솔리드 스테이트 디스크(Solid State Disk: SSD) 등의 컴퓨터로 판독 가능한 기록/저장매체일 수 있다. 적어도 일 실시예에 따르면, 마이크로프로세서는 명세서상에 기재된 동작과 기능을 하나 이상 선택적으로 수행하도록 프로그램될 수 있다. 적어도 일 실시예에 따르면, 마이크로프로세서는 전체 또는 부분적으로 특정한 구성의 주문형반도체(Application Specific Integrated Circuit: ASIC) 등의 하드웨어로써 구현될 수 있다.
학습참여 단말기(110-1,110-2,110-3,110-N)는 임베디드(Embedded) 형태로 탑재된 브라우저(Browser)를 이용하거나 별도의 학습참여 애플리케이션(112-1,112-2,112-3,112-N)을 탑재하여 비디오 커뮤니케이션을 수행할 수 있다. 학습참여 단말기(110-1,110-2,110-3,110-N)는 사용자의 조작 또는 명령에 의해 브라우저 또는 학습참여 애플리케이션(112-1,112-2,112-3,112-N)을 구동한다. 학습참여 단말기(110-1,110-2,110-3,110-N)는 브라우저 또는 학습참여 애플리케이션(112-1,112-2,112-3,112-N)을 이용하여 학습 관리 서버(130)에 접속한다.
학습참여 애플리케이션(112-1,112-2,112-3,112-N)은 학습참여 단말기(110-1,110-2,110-3,110-N)의 메모리 내에 탑재되어 구동되는 프로그램을 의미한다. 학습참여 애플리케이션(112-1,112-2,112-3,112-N)은 학습참여 단말기(110-1,110-2,110-3,110-N)에 임베디드(Embedded) 형태로 탑재되거나, OS(Operating System)에 인스톨되는 형태로 탑재될 수 있다.
학습참여 애플리케이션(112-1,112-2,112-3,112-N)은 학습참여 단말기(110-1,110-2,110-3,110-N)에 탑재되어, 학습참여 단말기(110-1,110-2,110-3,110-N)에 구비된 각종 하드웨어를 이용하여 동작하는 것이 바람직하나 반드시 이에 한정되는 것은 아니며, 별도의 장치로 구현될 수 있다. 또한, 학습참여 애플리케이션(112-1,112-2,112-3,112-N)은 학습참여 단말기(110-1,110-2,110-3,110-N) 내에 기 설치된 애플리케이션들과 연동하여 동작할 수도 있다.
네트워크(120)는 인터넷망, 인트라넷망, 이동통신망, 위성 통신망 등 다양한 유무선 통신 기술을 이용하여 인터넷 프로토콜로 데이터를 송수신할 수 있는 망을 의미한다.
학습 관리 서버(130)는 하드웨어적으로 통상적인 웹서버(Web Server) 또는 네트워크 서버와 동일한 하드웨어 모듈을 포함한다. 학습 관리 서버(130)는 일반적으로 인터넷과 같은 개방형 컴퓨터 네트워크를 경유하여 불특정 다수 클라이언트 또는 다른 서버와 통신한다.
학습 관리 서버(130)는 클라이언트 또는 다른 웹서버의 작업수행 요청에 대응하는 작업 결과를 도출하여 제공하는 컴퓨터 시스템, 컴퓨터 소프트웨어(웹서버 프로그램)를 의미한다. 학습 관리 서버(130)는 전술한 웹서버 프로그램 이외에, 웹서버상에서 동작하는 일련의 응용 프로그램(Application Program) 또는 장치 내부에 구축되어 있는 각종 데이터베이스를 포함한다.
본 실시예에 따른 학습 관리 서버(130)는 특정 분야, 과목, 학년별로 가상 스터디 룸을 개설하고, 가상 스터디 룸에 참여한 복수의 학습참여 단말기(110-1,110-2,110-3,110-N) 각각으로부터 자신이 스터디하는 모습을 촬영한 개인별 스터디 영상을 수신한다. 학습 관리 서버(130)는 가상 스터디 룸 내에 참여 구성원 중 한 명으로 AI(310)를 참여시킨 후 AI(310)를 이용하여 개인별 스터디 영상을 분석하여 가상 스터디 룸 내의 구성원 각각에 대한 학습자 집중도를 판단한다. 학습 관리 서버(130)는 학습자 집중도를 기반으로 학습을 도와주는 피드백을 가상 스터디 룸 내에 참여 구성원 각각으로 제공한다.
도 2는 본 실시예에 따른 인공지능 기반 학습 관리 서버를 나타낸 도면이다.
본 실시예에 따른 학습 관리 서버(130)는 스터디 룸 개설부(210), 영상 획득부(220), AI 참여부(230), 집중도 분석부(240), 학습 피드백부(250)를 포함한다. 학습 관리 서버(130)에 포함된 구성요소는 반드시 이에 한정되는 것은 아니다.
학습 관리 서버(130)에 포함된 각 구성요소는 장치 내부의 소프트웨어적인 모듈 또는 하드웨어적인 모듈을 연결하는 통신 경로에 연결되어 상호 간에 유기적으로 동작할 수 있다. 이러한 구성요소는 하나 이상의 통신 버스 또는 신호선을 이용하여 통신한다.
도 2에 도시된 학습 관리 서버(130)의 각 구성요소는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 소프트웨어적인 모듈, 하드웨어적인 모듈 또는 소프트웨어와 하드웨어의 결합으로 구현될 수 있다.
스터디 룸 개설부(210)는 특정 분야, 과목, 학년별로 가상 스터디 룸을 개설한다. 영상 획득부(220)는 가상 스터디 룸에 참여한 복수의 학습참여 단말기(110-1,110-2,110-3,110-N) 각각으로부터 자신이 스터디하는 모습을 촬영한 개인별 스터디 영상을 수신한다. AI 참여부(230)는 가상 스터디 룸 내에 참여 구성원 중 한 명으로 AI(310)를 참여시킨다.
집중도 분석부(240)는 AI(310)를 이용하여 개인별 스터디 영상을 분석하여 가상 스터디 룸 내의 구성원 각각에 대한 학습자 집중도를 판단한다.
집중도 분석부(240)는 AI(310)를 이용하여 개인별 스터디 영상 내의 얼굴 영역을 인식한다. 집중도 분석부(240)는 얼굴 영역 내에서 홍채가 미인식되는 경우, 눈을 감고 있는 것으로 판단하여 학습자의 시야가 다른 곳을 향하고 있는 것으로 학습자 상태를 파악한다. 집중도 분석부(240)는 얼굴 영역 내에서 홍채가 인식되는 경우, 얼굴 영역 내에서 영상 기반으로 홍채의 크기를 산출한다. 집중도 분석부(240)는 기 입력된 홍채 크기와 홍채의 크기가 임계 범위 이상으로 차이가 발생하는 경우, 학습자가 피곤하거나 졸린 상태로 학습자 상태를 파악한다. 집중도 분석부(240)는 기 입력된 홍채 크기와 홍채의 크기가 임계 범위 이상으로 차이가 발생하지 않는 경우, 학습자가 정상적으로 상태로 학습하고 있는 것으로 학습자 상태를 파악한다.
집중도 분석부(240)는 홍채 인식 횟수가 기 설정된 홍채 인식 횟수보다 작은 경우, 학습자가 피곤하거나 졸린 상태로 학습자 상태를 파악한다. 집중도 분석부(240)는 홍채 인식 횟수가 기 설정된 홍채 인식 횟수보다 큰 경우, 학습자가 정상적으로 상태로 학습하고 있는 것으로 학습자 상태를 파악한다.
집중도 분석부(240)는 AI(310)를 이용하여 개인별 스터디 영상에 포함된 소리를 추출한다. 집중도 분석부(240)는 개인별 스터디 영상에 포함된 소리 중 책 넘기는 소리, 필기 소리가 기 설정된 일정 간격으로 추출되는 경우, 학습자가 정상적으로 상태로 학습하고 있는 것으로 학습자 상태를 파악한다. 집중도 분석부(240)는 개인별 스터디 영상에 포함된 소리 중 책 넘기는 소리, 필기 소리가 기 설정된 일정 간격으로 미추출되는 경우, 학습자가 피곤하거나 졸린 상태로 학습자 상태를 파악한다.
집중도 분석부(240)는 AI(310)를 이용하여 개인별 스터디 영상에 포함된 학습자의 모션 변화량을 산출한다. 집중도 분석부(240)는 학습자의 모션 변화량이 기준값보다 임계 범위 이상으로 큰 경우, 학습자가 자주 움직여서 주위가 산만한 것으로 학습자 상태를 파악한다. 집중도 분석부(240)는 학습자의 모션 변화량이 기준값보다 임계 범위보다 작은 경우, 학습자가 정상적으로 상태로 학습하고 있는 것으로 학습자 상태를 파악한다.
집중도 분석부(240)는 얼굴 영역을 인식할 때, 스터디 시작시 최초 일정 시간(2~3분)동안의 영상을 참조 영상으로 설정한다. 집중도 분석부(240)는 참조 영상 내의 얼굴 각도가 일정한 각도를 유지하다가 오차 범위 이내 내에서 변경되거나, 오차 범위를 초과하는 범위 움직이더라도 기 설정된 횟수 이내인 경우는 참조 영상을 기준값으로 설정한다.
집중도 분석부(240)는 AI(310)를 이용하여 개인별 스터디 영상 내의 얼굴 영역을 인식하고, 얼굴 영역을 머리와 목부분으로 구분한다. 집중도 분석부(240)는 머리 또는 목부분의 모션 변화량이 기 설정된 임계범위를 이상으로 급격하게 변경하는 경우, 학습자가 목이 급격하게 떨어져서 졸린 것으로 학습자 상태를 파악한다. 집중도 분석부(240)는 머리 또는 목부분의 모션 변화량이 기 설정된 임계범위를 이상으로 급격하게 변경하지 않는 경우, 학습자가 정상적으로 상태로 학습하고 있는 것으로 학습자 상태를 파악한다.
학습 피드백부(250)는 학습자 집중도를 기반으로 학습을 도와주는 피드백을 가상 스터디 룸 내에 참여 구성원 각각으로 제공한다.
학습 피드백부(250)는 가상 스터디 룸 내에 구성원 중 AI(310)를 제외한 나머지 구성원(320)을 대상으로 집중도가 높은 구성원을 판별한 후 집중도가 높은 구성원의 테두리, 배경화면 또는 전체 영역을 오버레이 형태로 높은 집중도를 나타내는 기 설정된 제1 색깔(예컨대, 푸른색)로 표시한다. 학습 피드백부(250)는 집중도가 높은 구성원의 집중에 방해가 되지 않도록 모든 피드백을 오프시킨다.
학습 피드백부(250)는 가상 스터디 룸 내에 구성원 중 AI(310)를 제외한 나머지 구성원(320)을 대상으로 집중도가 낮은 구성원을 판별한 후 집중도가 낮은 구성원의 테두리, 배경화면 또는 전체 영역을 오버레이 형태로 낮은 집중도를 나타내는 기 설정된 제2 색깔(예컨대, 붉은색)로 표시한다. 학습 피드백부(250)는 집중도가 낮은 구성원에 대응하는 학습참여 단말기(110-1,110-2,110-3,110-N)로 집중도가 낮아진 구간과 집중도가 낮아진 시간을 안내하고, 집중 유도 알람을 피드백으로 제공한다.
학습 피드백부(250)는 집중도가 높은 구성원 중 집중도가 기 설정된 임계범위를 초과하여 급격히 낮아지는 집중도 저하 구성원만을 선별한 후 집중도 저하 구성원에 대응하는 학습참여 단말기(110-1,110-2,110-3,110-N)로 명상 음원, 빗소리, ASMR(Autonomous Sensory Meridian Response) 중 적어도 하나 이상을 포함하는 휴식 유도 멘트를 피드백으로 제공한다.
학습 피드백부(250)는 가상 스터디 룸 내에 구성원 중 AI(310)를 제외한 나머지 구성원(320)을 대상으로 자리 비운 구성원을 판별한 후 자리 비운 구성원의 테두리 또는 배경화면을 자리비움을 나타내는 기 설정된 제3 색깔(예컨대, 녹색)로 표시한다. 학습 피드백부(250)는 자리 비운 구성원에 대응하는 학습참여 단말기(110-1,110-2,110-3,110-N) 또는 웨어러블 디바이스로 자리로 복귀를 유도하는 알람을 피드백으로 제공한다.
학습 피드백부(250)는 가상 스터디 룸 내에 구성원 중 AI(310)를 제외한 나머지 구성원(320) 각각에 대한 판단한 집중도를 기반으로 총 학습 시간에 대한 집중도 맵을 바(bar) 형태로 그래프화하여 출력한다. 학습 피드백부(250)는 총 학습 시간(예컨대, 10 시간) 중 집중도가 높은 시간을 시간대를 제1 구간으로 설정하고 기 설정된 제1 색깔(예컨대, 파란색)로 표시한다. 학습 피드백부(250)는 집중도가 낮은 시간을 시간대를 제2 구간으로 설정하고 기 설정된 기 설정된 제2 색깔(예컨대, 붉은색)로 표시한다. 학습 피드백부(250)는 자리 비운 시간대를 제3 구간으로 설정하고 기 설정된 제3 색깔(예컨대, 녹색)로 표시한다.
학습 피드백부(250)는 가상 스터디 룸 내에 참여 구성원 중 특정 학습자에 대한 주간 단위, 월 단위로 총 학습 시간에 따른 집중도를 분석한 후 가상 스터디 룸 내에 참여한 구성원 간의 집중도 변화를 상대적으로 비교하여 가상 스터디 룸 내에 참여 구성원의 평균 집중도와 개인 집중도를 비교한 결과를 피드백으로 출력한다.
학습 피드백부(250)는 가상 스터디 룸 내에 참여 구성원 중 특정 학습자에 대한 주간 단위, 월 단위로 총 학습 시간에 따른 집중도를 기반으로 집중도가 높은 시간대와 집중도가 낮은 시간대를 취합하여 개인별 집중도 패턴을 생성한다. 학습 피드백부(250)는 집중도 패턴을 기반으로 특정 학습자 별로 집중도가 높은 시간대를 추출한 후 집중도가 높은 시간대에 학습할 학습 컨텐츠(예컨대, 과목)를 매칭하여 추천한다. 학습 피드백부(250)는 집중도 패턴을 기반으로 특정 학습자 별로 집중도가 낮은 시간대를 추출한 후 집중도가 낮은 시간대에 학습할 학습 컨텐츠(예컨대, 과목)를 매칭하여 추천하는 피드백으로 제공한다.
학습 피드백부(250)는 가상 스터디 룸 내에 구성원 중 AI(310)를 제외한 나머지 구성원(320)을 대상으로 질의 내용을 텍스트 기반, 이미지 기반, 음성 기반으로 인식한다. 학습 피드백부(250)는 인식된 질의 내용과 동일하거나 유사한 내용의 솔루션을 추출한 후 해당 학습참여 단말기(110-1,110-2,110-3,110-N)로 전송한다.
학습 피드백부(250)는 가상 스터디 룸 구성원 중 답변 기능을 옵션으로 선택한 구성원을 후보 구성원으로 추출한다. 학습 피드백부(250)는 후보 구성원의 학습 수준을 기반으로 질의 내용에 대한 답변해 줄 수 있는 구성원을 추출한다. 학습 피드백부(250)는 질의 내용에 대한 답변해 줄 수 있는 구성원에게 질의 내용에 대응하는 답변 내용을 수신하여 질의자에게 전송한다.
도 3은 본 실시예에 따른 인공지능 기반 화상 수업 방법을 설명하기 위한 도면이다.
학습 관리 서버(130)에서 도 3에 도시된 바와 같이, 온라인 가상 스터디 룸을 개설하면, 학습참여 단말기(110-1,110-2,110-3,110-N)가 온라인 가상 스터디 룸에 참여한다. 학습 관리 서버(130)에서 개설한 온라인 가상 스터디 룸에 참여한 학습참여 단말기(110-1,110-2,110-3,110-N)는 자신이 스터디하는 모습을 촬영하여 해당 영상을 온라인 가상 스터디 룸 내에 참여한 다른 학습참여 단말기(110-1,110-2,110-3,110-N)들에게 공유한다.
학습 관리 서버(130)는 온라인 가상 스터디 룸 내에 참여인력으로서 AI(310)를 참여시킨다. 학습 관리 서버(130)는 온라인 가상 스터디 룸 내에 관리자로서 AI(310)를 가상 스터디 룸에 참여한 관리자 캐릭터로 표시한다. 학습 관리 서버(130)는 AI(310)를 이용하여 학습 상태 분석 로직을 구동한다.
학습 관리 서버(130)는 온라인 가상 스터디 룸 내에 참여한 AI(310)를 이용하여 온라인 가상 스터디 룸에 참여한 구성원 각각의 영상을 분석한 영상 분석 결과를 생성한다. 학습 관리 서버(130)는 영상 분석 결과를 기반으로 구성원 각각의 집중도를 판단한다.
도 4는 본 실시예에 따른 화상 수업 참여자의 집중도를 분석하여 나타낸 도면이다.
학습 관리 서버(130)는 온라인 가상 스터디 룸 내에 참여한 AI(310)를 이용하여 온라인 가상 스터디 룸 내에 참여한 나머지 구성원(320) 중 집중도가 높은 구성원을 판별한다. 학습 관리 서버(130)는 집중도가 높은 구성원의 테두리, 배경화면 또는 전체 영역을 오버레이 형태로 기 설정된 제1 색깔(예컨대, 파란색)로 표시한다. 학습 관리 서버(130)는 집중도가 높은 구성원에 대응하는 학습참여 단말기(110-1,110-2,110-3,110-N)에게는 집중에 방해가 되지 않도록 아무런 알람을 발생시키지 않는다.
학습 관리 서버(130)는 온라인 가상 스터디 룸 내에 참여한 AI(310)를 이용하여 온라인 가상 스터디 룸 내에 참여한 나머지 구성원(320) 중 집중도가 낮은 구성원을 판별한다. 학습 관리 서버(130)는 집중도가 낮은 구성원의 테두리, 배경화면 또는 전체 영역을 오버레이 형태로 기 설정된 제2 색깔(예컨대, 붉은색)로 표시한다.
학습 관리 서버(130)는 집중도가 낮은 구성원에 대응하는 학습참여 단말기(110-1,110-2,110-3,110-N)로 집중도가 낮아진 구간과 집중도가 낮아진 시간을 안내하고, 집중을 유도하는 알람을 발생시킨다. 학습 관리 서버(130)는 집중도가 낮은 구성원에 대응하는 학습참여 단말기(110-1,110-2,110-3,110-N)로 휴식 후 집중할 수 있도록 하는 휴식 안내 멘트를 전송한다. 학습 관리 서버(130)는 집중도가 높은 구성원의 집중도가 급격하게 떨어지는 경우, 집중도가 떨어지고 있는 구성원에 대응하는 학습참여 단말기(110-1,110-2,110-3,110-N)로 휴식할 수 있는 명상 음원(예컨대, 음악, 빗소리, ASMR 등)이 출력되도록 한다.
학습 관리 서버(130)는 온라인 가상 스터디 룸 내에 참여한 AI(310)를 이용하여 온라인 가상 스터디 룸 내에 참여한 나머지 구성원(320) 중 자리를 비운 구성원을 판별한다. 학습 관리 서버(130)는 자리를 비운 구성원의 테두리 또는 배경화면을 기 설정된 제3 색깔(예컨대, 녹색)로 표시한다. 학습 관리 서버(130)는 자리 비운 구성원에 대응하는 학습참여 단말기(110-1,110-2,110-3,110-N) 또는 웨어러블 디바이스로 자리로 복귀를 유도하는 알람을 발생시킨다.
학습 관리 서버(130)는 온라인 가상 스터디 룸 내에 참여한 학습자의 홍채 상태에 따라 학습자 상태를 파악한다. 학습 관리 서버(130)는 AI(310)를 이용하여 구성원 각각의 영상 내의 얼굴 영역을 인식한다. 학습 관리 서버(130)는 얼굴 영역의 홍채를 인식하여 학습자 상태를 파악한다. 학습 관리 서버(130)는 얼굴 영역의 홍채가 인식되지 않는 경우, 눈을 감고 있는 것으로 판단하여 학습자가 졸거나 자고 있는 것으로 학습자 상태를 파악한다.
학습 관리 서버(130)는 얼굴 영역의 홍채가 인식되는 경우, 기 입력된 홍채 크기와 현재의 홍채 크기를 비교하여 학습자 상태를 파악한다. 학습 관리 서버(130)는 기 입력된 홍채 크기와 현재의 홍채 크기가 임계 범위 이상으로 차이가 발생하는 경우, 학습자가 피곤하거나 졸린 상태로 학습자 상태를 파악한다. 학습 관리 서버(130)는 기 입력된 홍채 크기와 현재의 홍채 크기가 임계 범위 이상으로 차이가 발생하지 않는 경우, 학습자가 정상적으로 상태로 학습하고 있는 것으로 학습자 상태를 파악한다.
학습 관리 서버(130)는 얼굴 영역의 홍채가 인식되는 경우, 주기적으로 인식되는 홍채 인식 횟수를 기반으로 학습자 상태를 파악한다. 학습 관리 서버(130)는 얼굴 영역으로부터 인식된 홍채 인식 횟수와 기 설정된 홍채 인식 횟수를 비교하여 학습자 상태를 파악한다. 학습 관리 서버(130)는 얼굴 영역으로부터 인식된 홍채 인식 횟수가 기 설정된 홍채 인식 횟수보다 작은 경우, 학습자가 피곤하거나 졸린 상태로 학습자 상태를 파악한다. 학습 관리 서버(130)는 얼굴 영역으로부터 인식된 홍채 인식 횟수가 기 설정된 홍채 인식 횟수 보다 큰 경우, 학습자가 정상적으로 상태로 학습하고 있는 것으로 학습자 상태를 파악한다.
학습 관리 서버(130)는 온라인 가상 스터디 룸 내에 참여한 학습자가 발생하는 소리에 따라 학습자 상태를 파악한다. 학습 관리 서버(130)는 AI(310)를 이용하여 구성원 각각의 영상 내의 소리를 추출한다. 학습 관리 서버(130)는 영상 내의 소리 중 책 넘기는 소리, 필기 소리가 기 설정된 일정 간격으로 추출되는지의 여부에 따라 학습자 상태를 파악한다. 학습 관리 서버(130)는 영상 내의 소리 중 책 넘기는 소리, 필기 소리가 기 설정된 일정 간격으로 추출되는 경우, 학습자가 정상적으로 상태로 학습하고 있는 것으로 학습자 상태를 파악한다. 학습 관리 서버(130)는 영상 내의 소리 중 책 넘기는 소리, 필기 소리가 기 설정된 일정 간격으로 미추출되는 경우, 학습자가 피곤하거나 졸린 상태로 학습자 상태를 파악한다.
학습 관리 서버(130)는 온라인 가상 스터디 룸 내에 참여한 학습자의 모션 변화량에 따라 학습자 상태를 파악한다. 학습 관리 서버(130)는 AI(310)를 이용하여 구성원 각각의 영상 내의 모션 변화량을 산출한다. 학습 관리 서버(130)는 영상 내의 모션 변화량과 기준값을 비교한 결과를 기반으로 학습자 상태를 파악한다. 학습 관리 서버(130)는 영상 내의 모션 변화량이 기준값보다 임계 범위 이상으로 큰 경우, 학습자가 자주 움직여서 주위가 산만한 것으로 학습자 상태를 파악한다. 학습 관리 서버(130)는 영상 내의 모션 변화량이 기준값보다 임계 범위보다 작은 경우, 학습자가 정상적으로 상태로 학습하고 있는 것으로 학습자 상태를 파악한다. 여기서, 기준값은 최초 안정 시간 동안 최초 모션 형태를 기준으로 설정된다.
학습 관리 서버(130)는 온라인 가상 스터디 룸 내에 참여한 학습자의 급격한 목 움직임에 따라 학습자 상태를 파악한다. 학습 관리 서버(130)는 AI(310)를 이용하여 구성원 각각의 영상 내의 얼굴 영역을 인식한다. 학습 관리 서버(130)는 얼굴 영역을 머리와 목부분으로 구분하여 인식한다. 학습 관리 서버(130)는 머리 또는 목부분의 모션 변화량을 산출한다. 학습 관리 서버(130)는 머리 또는 목부분의 모션 변화량과 기준값을 비교한 결과를 기반으로 학습자 상태를 파악한다. 학습 관리 서버(130)는 머리 또는 목부분의 모션 변화량이 기 설정된 임계범위를 이상으로 급격하게 변경하는 경우, 학습자가 목이 급격하게 떨어져서 졸린 것으로 학습자 상태를 파악한다. 학습 관리 서버(130)는 머리 또는 목부분의 모션 변화량이 기 설정된 임계범위를 이상으로 급격하게 변경하지 않는 경우, 학습자가 정상적으로 상태로 학습하고 있는 것으로 학습자 상태를 파악한다.
학습 관리 서버(130)는 구성원 각각의 영상 내의 얼굴 영역을 인식할 때, 스터디 시작시 최초 일정 시간(2~3분)동안의 영상을 참조 영상으로 설정한다. 이후, 학습 관리 서버(130)는 참조 영상을 기준으로 영상 내의 얼굴 각도가 일정한 각도를 유지하다가 오차 범위를 초과하는 범위 움직이는 횟수 기 설정된 횟수를 초과하여 감지되는 경우, 주위가 산만한 것으로 인지한다. 학습 관리 서버(130)는 참조 영상을 기준으로 영상 내의 얼굴 각도가 오차 범위 내에서 변경되거나, 오차 범위를 초과하는 범위 움직이더라도 기 설정된 횟수 이내인 경우는 집중도가 떨어진 것으로 인지하지 않는다. 다시 말해, 기 설정된 시간 단위로 모션의 변화량이 변화하는 횟수를 기반으로 집중도가 떨어지는 지를 판단할 수 있다.
도 5는 본 실시예에 따른 특정 참여자의 학습 시간별 집중도를 분석하여 나타낸 도면이다.
학습 관리 서버(130)는 온라인 가상 스터디 룸 내에 참여한 AI(310)를 이용하여 온라인 가상 스터디 룸에 참여한 구성원 각각의 영상을 분석한 영상 분석 결과를 생성한다. 학습 관리 서버(130)는 영상 분석 결과를 기반으로 구성원 각각의 집중도를 판단한다.
도 5에 도시된 바와 같이, 학습 관리 서버(130)는 구성원 각각에 대한 판단한 집중도를 기반으로 학습 데이터를 관리한다. 학습 관리 서버(130)는 구성원 각각에 대한 마이 페이지에서 총 학습 시간에 대한 관리를 그래프화하여 출력한다.
학습 관리 서버(130)는 특정 구성원이 학습한 총 학습시간(예컨대, 10 시간)을 집중도에 따라 특정 구간으로 분리한다. 학습 관리 서버(130)는 특정 구성원이 학습한 총 학습시간(예컨대, 10 시간) 중 집중도가 높은 시간을 시간대를 제1 구간으로 설정하고 기 설정된 제1 색깔(예컨대, 파란색)로 표시한다. 학습 관리 서버(130)는 특정 구성원이 학습한 총 학습시간(예컨대, 10 시간) 중 집중도가 낮은 시간을 시간대를 제2 구간으로 설정하고 기 설정된 기 설정된 제2 색깔(예컨대, 붉은색)로 표시한다. 학습 관리 서버(130)는 특정 구성원이 학습한 총 학습시간(예컨대, 10 시간) 중 자리 비운 시간대를 제3 구간으로 설정하고 기 설정된 제3 색깔(예컨대, 녹색)로 표시한다. 추가로 학습 관리 서버(130)는 특정 구성원이 학습한 총 학습시간 중 학습자가 피로한 상태에서 경과된 피로 상태의 학습시간대를 별도의 제4 구간으로 설정할 수도 있다.
학습 관리 서버(130)는 특정 학습자의 집중도 변화에 따라 제1 구간, 제3 구간, 제2 구간을 거쳐 다시 제1 구간으로 변화함으로 색깔 및 그래프로 시각화하여 출력한다. 학습 관리 서버(130)는 특정 학습자의 집중도 변화를 바(bar) 형태로 도시하고 있으나, 반드시 이에 한정되는 것은 아니며, 총 학습 시간에 따른 집중도를 도식화하여 표시할 수 있다면 그 어떤 그래프 형태로도 표현될 수 있다. 추가적으로 제4 구간을 별도의 색깔 및 그래프로 시각화하여 구분할 수도 있다. 이 경우, 그래프로 도시화되는 총 학습시간 외에 실제로 피로를 느끼지 않고 학습한 실제 학습시간을 구분하여 도시화 할 수도 있으며, 총 학습시간 대비 실제 학습시간의 비용을 출력하여 제공할 수도 있다.
학습 관리 서버(130)는 특정 학습자 별로 주간 단위, 월 단위로 총 학습 시간에 따른 집중도를 도식화하여 출력할 수 있다. 학습 관리 서버(130)는 온라인 가상 스터디 룸 내에 참여한 구성원 간의 집중도 변화를 상대적으로 비교하여 출력할 수 있다.
학습 관리 서버(130)는 특정 학습자 별로 집중도가 높은 시간대와 낮은 시간대를 취합하여 개인별 집중도 패턴을 생성한다. 학습 관리 서버(130)는 집중도 패턴을 기반으로 특정 학습자 별로 집중도가 높은 시간대를 추출하고, 집중도가 높은 시간대에 학습할 학습 컨텐츠(예컨대, 과목)를 매칭하여 추천하고, 집중도가 낮은 시간대에 학습할 학습 컨텐츠(예컨대, 과목)를 매칭하여 추천한다. 학습 관리 서버(130)는 일별, 주별, 월별로 학습자가 학습하기로 설정한 총 학습 시간을 달성했는지의 여부를 확인하여 노티할 수 있다.
학습 관리 서버(130)는 개인별로 24시간 단위를 기준으로 로그인 시간부터 로그아웃 시간까지를 시간대별로 집중도를 판단한다. 학습 관리 서버(130)는 개인별 집중도 패턴 중 필수적으로 수행해야할 과제와 과목을 우선적으로 매칭한 학습 스케쥴을 생성할 수 있다. 학습 관리 서버(130)는 개인별 특정 학년(중학교 1학년)에 대한 과목(예컨대, 수학, 영어)별 집중도를 판단할 수 있다. 학습 관리 서버(130)는 특정 학년의 과목별 평균 집중도를 계산한 후 특정 개인별로 집중도를 비교하여 특정 개인의 집중도가 전체 평균 이하인지를 나타낸다.
도 6은 본 실시예에 따른 화상 수업 참여자의 질의에 따른 문제 해결 방법을 설명하기 위한 도면이다.
학습 관리 서버(130)는 온라인 가상 스터디 룸 내에 참여한 구성원의 질의에 대해서 자동으로 인식하고 답변한다. 학습참여 단말기(110-1,110-2,110-3,110-N)는 온라인 가상 스터디 룸 내에 참여한 구성원 중 공부하는 도중에 발생한 문의사항을 채팅창에 텍스트로 입력, 촬영된 사진(예컨대, 수학 문제)을 업로드, 음성으로 입력할 수 있다.
학습 관리 서버(130)는 AI(310)를 이용하여 텍스트 기반, 이미지 기반, 음성 기반으로 질의 내용을 인식한다. 학습 관리 서버(130)는 질의 내용에 대응하는 솔루션을 추출하여 해당 학습참여 단말기(110-1,110-2,110-3,110-N)로 제공한다.
학습 관리 서버(130)는 학습참여 단말기(110-1,110-2,110-3,110-N)로부터 수집된 질의 데이터와 질의에 대한 답변 데이터를 수집한 후 기 설정된 키워드, 문제의 형태를 기반으로 분류하여 카테고리별로 저장하여 학습 DB를 생성한다. 이후 학습 관리 서버(130)는 AI(310)를 이용하여 기 수집된 학습 DB로부터 질의 내용과 동일하거나 유사한 내용을 추출하여 솔루션으로 해당 학습참여 단말기(110-1,110-2,110-3,110-N)로 제공한다.
학습 관리 서버(130)는 유사 집단 그룹의 학습 활동 패턴을 추출한다. 학습 관리 서버(130)는 학습자 자신의 학습 활동 패턴을 생성한다. 학습 관리 서버(130)는 유사 집단 그룹의 학습 활동 패턴과 학습자 자신의 학습 활동 패턴을 비교한다. 학습 관리 서버(130)는 유사 집단 그룹의 학습 활동 패턴과 학습자 자신의 학습 활동 패턴을 비교한 결과를 학습자에게 제공한다.
학습 관리 서버(130)는 AI(310)를 이용하여 텍스트 기반, 이미지 기반, 음성 기반으로 질의 내용을 인식한 후 온라인 가상 스터디 룸 내에 참여한 구성원의 학습 수준을 기반으로 질의 내용에 대한 답변해 줄 수 있는 구성원을 추출한다.
학습 관리 서버(130)는 AI(310)를 이용하여 질의 내용에 대한 답변을 줄 수 있는 구성원에게 질의 내용을 전달하고, 해당 구성원으로부터 수신된 답변 내용을 질의자에게 전송할 수 있다.
학습 관리 서버(130)는 질의 내용에 대한 답변해 줄 수 있는 구성원을 추출할 때, 집단 지성 기능을 선택한 단말기만을 대상으로 구성원을 추천한다. 학습 관리 서버(130)는 집단 지성 기능을 선택한 단말기로부터 입력받은 학습 수준을 기반으로 질의 내용에 대한 답변해 줄 수 있는 구성원을 추출한다.
이상의 설명은 본 실시예의 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 실시예가 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 실시예의 본질적인 특성에서 벗어나지 않는 범위에서 다양한 수정 및 변형이 가능할 것이다. 따라서, 본 실시예들은 본 실시예의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예에 의하여 본 실시예의 기술 사상의 범위가 한정되는 것은 아니다. 본 실시예의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 실시예의 권리범위에 포함되는 것으로 해석되어야 할 것이다.
110-1, 110-2, 110-3, 110-N: 학습참여 단말기
112-1, 112-2, 112-3, 112-N: 학습참여 애플리케이션
120: 네트워크
130: 학습 관리 서버

Claims (16)

  1. 특정 분야, 과목, 학년별로 가상 스터디 룸을 개설하는 스터디 룸 개설부;
    상기 가상 스터디 룸에 참여한 복수의 학습참여 단말기 각각으로부터 자신이 스터디하는 모습을 촬영한 개인별 스터디 영상을 수신하는 영상 획득부;
    상기 가상 스터디 룸 내에 참여 구성원 중 한 명으로 AI를 참여시키는 AI 참여부;
    상기 AI를 이용하여 상기 개인별 스터디 영상을 분석하여 상기 가상 스터디 룸 내의 구성원 각각에 대한 학습자 집중도를 판단하는 집중도 분석부; 및
    상기 학습자 집중도를 기반으로 학습을 도와주는 피드백을 상기 가상 스터디 룸 내에 참여 구성원 각각으로 제공하는 학습 피드백부
    를 포함하는 것을 특징으로 하는 학습 관리 장치.
  2. 제1항에 있어서,
    상기 학습 피드백부는,
    상기 가상 스터디 룸 내에 구성원 중 상기 AI를 제외한 나머지 구성원을 대상으로 집중도가 높은 구성원을 판별한 후 집중도가 높은 구성원의 테두리, 배경화면 또는 전체 영역을 오버레이 형태로 높은 집중도를 나타내는 기 설정된 제1 색깔로 표시하고, 상기 집중도가 높은 구성원의 집중에 방해가 되지 않도록 모든 피드백을 오프시키는 것을 특징으로 하는 학습 관리 장치.
  3. 제2항에 있어서,
    상기 학습 피드백부는,
    상기 가상 스터디 룸 내에 구성원 중 상기 AI를 제외한 나머지 구성원을 대상으로 집중도가 낮은 구성원을 판별한 후 집중도가 낮은 구성원의 테두리, 배경화면 또는 전체 영역을 오버레이 형태로 낮은 집중도를 나타내는 기 설정된 제2 색깔로 표시하고, 상기 집중도가 낮은 구성원에 대응하는 학습참여 단말기로 집중도가 낮아진 구간과 집중도가 낮아진 시간을 안내하고, 집중 유도 알람을 피드백으로 제공하는 것을 특징으로 하는 학습 관리 장치.
  4. 제3항에 있어서,
    상기 학습 피드백부는,
    상기 집중도가 높은 구성원 중 집중도가 기 설정된 임계범위를 초과하여 급격히 낮아지는 집중도 저하 구성원만을 선별한 후 상기 집중도 저하 구성원에 대응하는 학습참여 단말기로 명상 음원, 빗소리, ASMR(Autonomous Sensory Meridian Response) 중 적어도 하나 이상을 포함하는 휴식 유도 멘트를 피드백으로 제공하는 것을 특징으로 하는 학습 관리 장치.
  5. 제2항에 있어서,
    상기 학습 피드백부는,
    상기 가상 스터디 룸 내에 구성원 중 상기 AI를 제외한 나머지 구성원을 대상으로 자리 비운 구성원을 판별한 후 상기 자리 비운 구성원의 테두리 또는 배경화면을 자리비움을 나타내는 기 설정된 제3 색깔로 표시하고, 상기 자리 비운 구성원에 대응하는 학습참여 단말기 또는 웨어러블 디바이스로 자리로 복귀를 유도하는 알람을 피드백으로 제공하는 것을 특징으로 하는 학습 관리 장치.
  6. 제1항에 있어서,
    상기 학습 피드백부는
    상기 가상 스터디 룸 내에 구성원 중 상기 AI를 제외한 나머지 구성원 각각에 대한 판단한 집중도를 기반으로 총 학습 시간에 대한 집중도 맵을 바(bar) 형태로 그래프화하여 출력하며, 상기 총 학습 시간 중 집중도가 높은 시간을 시간대를 제1 구간으로 설정하고 기 설정된 제1 색깔로 표시하고, 집중도가 낮은 시간을 시간대를 제2 구간으로 설정하고 기 설정된 기 설정된 제2 색깔로 표시하고, 자리 비운 시간대를 제3 구간으로 설정하고 기 설정된 제3 색깔로 표시하는 것을 특징으로 하는 학습 관리 장치.
  7. 제6항에 있어서,
    상기 학습 피드백부는
    상기 가상 스터디 룸 내에 참여 구성원 중 특정 학습자에 대한 주간 단위, 월 단위로 총 학습 시간에 따른 집중도를 분석한 후 상기 가상 스터디 룸 내에 참여한 구성원 간의 집중도 변화를 상대적으로 비교하여 상기 가상 스터디 룸 내에 참여 구성원의 평균 집중도와 개인 집중도를 비교한 결과를 피드백으로 출력하는 학습 관리 장치.
  8. 제7항에 있어서,
    상기 학습 피드백부는
    상기 가상 스터디 룸 내에 참여 구성원 중 특정 학습자에 대한 주간 단위, 월 단위로 총 학습 시간에 따른 집중도를 기반으로 집중도가 높은 시간대와 집중도가 낮은 시간대를 취합하여 개인별 집중도 패턴을 생성하고, 상기 집중도 패턴을 기반으로 특정 학습자 별로 집중도가 높은 시간대를 추출한 후 상기 집중도가 높은 시간대에 학습할 학습 컨텐츠를 매칭하여 추천하고, 상기 집중도 패턴을 기반으로 특정 학습자 별로 집중도가 낮은 시간대를 추출한 후 상기 집중도가 낮은 시간대에 학습할 학습 컨텐츠를 매칭하여 추천하는 피드백으로 제공하는 것을 특징으로 하는 학습 관리 장치.
  9. 제1항에 있어서,
    상기 집중도 분석부는,
    상기 AI를 이용하여 상기 개인별 스터디 영상 내의 얼굴 영역을 인식하고, 상기 얼굴 영역 내에서 홍채가 미인식되는 경우, 눈을 감고 있는 것으로 판단하여 학습자의 시야가 다른 곳을 향하고 있는 것으로 학습자 상태를 파악하고, 상기 얼굴 영역 내에서 상기 홍채가 인식되는 경우, 상기 얼굴 영역 내에서 영상 기반으로 상기 홍채의 크기를 산출하고, 기 입력된 홍채 크기와 상기 홍채의 크기가 임계 범위 이상으로 차이가 발생하는 경우, 학습자가 피곤하거나 졸린 상태로 학습자 상태를 파악하고, 기 입력된 홍채 크기와 상기 홍채의 크기가 임계 범위 이상으로 차이가 발생하지 않는 경우, 학습자가 정상적으로 상태로 학습하고 있는 것으로 학습자 상태를 파악하는 것을 특징으로 하는 학습 관리 장치.
  10. 제9항에 있어서,
    상기 집중도 분석부는,
    홍채 인식 횟수가 기 설정된 홍채 인식 횟수보다 작은 경우, 학습자가 피곤하거나 졸린 상태로 학습자 상태를 파악하고, 상기 홍채 인식 횟수가 기 설정된 홍채 인식 횟수보다 큰 경우, 학습자가 정상적으로 상태로 학습하고 있는 것으로 학습자 상태를 파악하는 것을 특징으로 하는 학습 관리 장치.
  11. 제1항에 있어서,
    상기 집중도 분석부는,
    상기 AI를 이용하여 상기 개인별 스터디 영상에 포함된 소리를 추출하고, 상기 개인별 스터디 영상에 포함된 소리 중 책 넘기는 소리, 필기 소리가 기 설정된 일정 간격으로 추출되는 경우, 학습자가 정상적으로 상태로 학습하고 있는 것으로 학습자 상태를 파악하고, 상기 개인별 스터디 영상에 포함된 소리 중 책 넘기는 소리, 필기 소리가 기 설정된 일정 간격으로 미추출되는 경우, 학습자가 피곤하거나 졸린 상태로 학습자 상태를 파악하는 것을 특징으로 하는 학습 관리 장치.
  12. 제1항에 있어서,
    상기 집중도 분석부는,
    상기 AI를 이용하여 상기 개인별 스터디 영상에 포함된 학습자의 모션 변화량을 산출하고, 상기 학습자의 모션 변화량이 기준값보다 임계 범위 이상으로 큰 경우, 학습자가 자주 움직여서 주위가 산만한 것으로 학습자 상태를 파악하고, 상기 학습자의 모션 변화량이 기준값보다 임계 범위보다 작은 경우, 학습자가 정상적으로 상태로 학습하고 있는 것으로 학습자 상태를 파악하는 것을 특징으로 하는 학습 관리 장치.
  13. 제12항에 있어서,
    상기 집중도 분석부는,
    상기 얼굴 영역을 인식할 때, 스터디 시작시 최초 일정 시간동안의 영상을 참조 영상으로 설정하고, 상기 참조 영상 내의 얼굴 각도가 일정한 각도를 유지하다가 오차 범위 이내 내에서 변경되거나, 오차 범위를 초과하는 범위 움직이더라도 기 설정된 횟수 이내인 경우는 상기 참조 영상을 상기 기준값으로 설정하는 것을 특징으로 하는 학습 관리 장치.
  14. 제1항에 있어서,
    상기 집중도 분석부는,
    상기 AI를 이용하여 상기 개인별 스터디 영상 내의 얼굴 영역을 인식하고, 상기 얼굴 영역을 머리와 목부분으로 구분한 후 상기 머리 또는 상기 목부분의 모션 변화량이 기 설정된 임계범위를 이상으로 급격하게 변경하는 경우, 학습자가 목이 급격하게 떨어져서 졸린 것으로 학습자 상태를 파악하고, 상기 머리 또는 목부분의 모션 변화량이 기 설정된 임계범위를 이상으로 급격하게 변경하지 않는 경우, 학습자가 정상적으로 상태로 학습하고 있는 것으로 학습자 상태를 파악하는 것을 특징으로 하는 학습 관리 장치.
  15. 제1항에 있어서,
    상기 학습 피드백부는,
    상기 가상 스터디 룸 내에 구성원 중 상기 AI를 제외한 나머지 구성원을 대상으로 질의 내용을 텍스트 기반, 이미지 기반, 음성 기반으로 인식하고, 상기 질의 내용과 동일하거나 유사한 내용의 솔루션을 추출한 후 해당 학습참여 단말기로 전송하는 것을 특징으로 하는 학습 관리 장치.
  16. 제15항에 있어서,
    상기 학습 피드백부는,
    상기 가상 스터디 룸 구성원 중 답변 기능을 옵션으로 선택한 구성원을 후보 구성원으로 추출하고, 상기 후보 구성원의 학습 수준을 기반으로 상기 질의 내용에 대한 답변해 줄 수 있는 구성원을 추출한 후 상기 질의 내용에 대한 답변해 줄 수 있는 구성원에게 상기 질의 내용에 대응하는 답변 내용을 수신하여 질의자에게 전송하는 것을 특징으로 하는 학습 관리 장치.
KR1020200156213A 2020-11-20 2020-11-20 인공지능 기반 학습 관리 방법 및 장치 KR20220069263A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200156213A KR20220069263A (ko) 2020-11-20 2020-11-20 인공지능 기반 학습 관리 방법 및 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200156213A KR20220069263A (ko) 2020-11-20 2020-11-20 인공지능 기반 학습 관리 방법 및 장치

Publications (1)

Publication Number Publication Date
KR20220069263A true KR20220069263A (ko) 2022-05-27

Family

ID=81791807

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200156213A KR20220069263A (ko) 2020-11-20 2020-11-20 인공지능 기반 학습 관리 방법 및 장치

Country Status (1)

Country Link
KR (1) KR20220069263A (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102467170B1 (ko) * 2022-06-27 2022-11-17 주식회사 레몬베이스 인공지능 기반 업무 몰입 상태 판단 및 관리 서비스 제공 방법, 장치 및 시스템

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102467170B1 (ko) * 2022-06-27 2022-11-17 주식회사 레몬베이스 인공지능 기반 업무 몰입 상태 판단 및 관리 서비스 제공 방법, 장치 및 시스템
WO2024005330A1 (ko) * 2022-06-27 2024-01-04 주식회사 레몬베이스 인공지능 기반 업무 몰입 상태 판단 및 관리 서비스 제공 방법, 장치 및 시스템

Similar Documents

Publication Publication Date Title
Amrute Of techno-ethics and techno-affects
Miller Minds online: Teaching effectively with technology
Stewart et al. Eye movements in strategic choice
KR101679109B1 (ko) 학습 가이드라인 제공 방법, 학습 가이드라인 제공 서버, 및 사용자 기기
Youdell Pedagogies of becoming in an end-of-the-line ‘special’school
WO2022010932A1 (en) Virtual classroom over a group meeting platform
Ozdemir et al. Model proposal on the determination of student attendance in distance education with face recognition technology
Battershill Erving Goffman as a precursor to post-modern sociology
Tikadar et al. Detection of affective states of the students in a blended learning environment comprising of smartphones
KR20220069263A (ko) 인공지능 기반 학습 관리 방법 및 장치
Sumner Zoom face: Self-Surveillance, performance and display
Huang et al. Design methodology
KR20220032460A (ko) 원격 강의 방법 및 시스템
Björk et al. ELearning FOR ALL
Hettinger Raising the Level of the Debate: The Effects of Computer Mediated Communication on Group Dynamics and Critical Thinking Skills.
Gronbeck Citizen voices in cyberpolitical culture
Crouch Space, lived culture, and affectivities in stirring imagination
Koralus Attention, consciousness, and the semantics of questions
CN112235465A (zh) 一种基于智能终端的学习任务及理财管理系统
Walls et al. The Politics of Belonging and Implications for School Organization: Autophotographic Perspectives on “Fitting In” at School
KR102411105B1 (ko) 웹 기반 화상 수업 제공 방법
KR102318056B1 (ko) 몰입학습을 위한 비대면 학습방법 및 학습시스템
Shoukry et al. ClasScorer: Towards a Gamified Smart Classroom
Grammon Comparing Digital Citizenship Perceptions of Online Students and Teachers
Huang Social dynamics can be distorted in video-mediated communication

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
N231 Notification of change of applicant
AMND Amendment
E601 Decision to refuse application
X091 Application refused [patent]
E90F Notification of reason for final refusal