KR20220107585A - 문항 특성 정보가 반영된 심층학습모형을 이용한 학습 분석을 기초로 개인 맞춤형 콘텐츠를 제공하기 위한 장치 및 이를 위한 방법 - Google Patents

문항 특성 정보가 반영된 심층학습모형을 이용한 학습 분석을 기초로 개인 맞춤형 콘텐츠를 제공하기 위한 장치 및 이를 위한 방법 Download PDF

Info

Publication number
KR20220107585A
KR20220107585A KR1020210010373A KR20210010373A KR20220107585A KR 20220107585 A KR20220107585 A KR 20220107585A KR 1020210010373 A KR1020210010373 A KR 1020210010373A KR 20210010373 A KR20210010373 A KR 20210010373A KR 20220107585 A KR20220107585 A KR 20220107585A
Authority
KR
South Korea
Prior art keywords
vector
item
learner
model
concept
Prior art date
Application number
KR1020210010373A
Other languages
English (en)
Inventor
김정일
Original Assignee
디비디스커버코리아 주식회사
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 디비디스커버코리아 주식회사 filed Critical 디비디스커버코리아 주식회사
Priority to KR1020210010373A priority Critical patent/KR20220107585A/ko
Publication of KR20220107585A publication Critical patent/KR20220107585A/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/20—Education

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • Health & Medical Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Primary Health Care (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Optimization (AREA)
  • Operations Research (AREA)
  • Computational Mathematics (AREA)
  • Algebra (AREA)
  • Pure & Applied Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Educational Technology (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Mathematical Analysis (AREA)
  • Quality & Reliability (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Electrically Operated Instructional Devices (AREA)

Abstract

개인 맞춤형 콘텐츠를 제공하기 위한 장치가 제공된다. 상기 장치는 복수의 문항 중 일부는 동일하고 일부는 상이한 문항을 푼 복수의 학습자에 대해 학습자벡터를 할당하고, 상기 복수의 문항에 대해 문항벡터를 할당하는 등록부와, 개념추적모형을 이용하여 복수의 학습자 각각의 복수의 문항 각각에 대한 학습자의 개념 이해도를 나타내는 개념이해도벡터를 산출하는 지식진단부와, 문제모수추정모델을 통해 복수의 학습자의 복수의 문항에 대한 난이도를 나타내는 문항난이도벡터를 산출하는 문항진단부와, 상기 학습자벡터 및 상기 문항벡터와, 상기 학습자벡터 및 상기 문항벡터에 대응하는 상기 개념이해도벡터 및 상기 문항난이도벡터를 입력 변수로 마련하되, 학습자가 풀지 않은 문항에 대응하는 개념이해도벡터와 문항난이도벡터가 누락된 입력변수를 마련하고, 입력변수 및 상기 입력변수에 대응하여 문항의 정답을 맞힌 결과를 레이블로 하는 학습 데이터를 마련하고, 상기 학습 데이터를 이용하여 누락된 개념이해도벡터와 문항난이도벡터를 추정하는 상호작용 가중치를 포함하는 전체 가중치를 도출하여 학습자가 문항을 맞출 확률을 예측하는 정답률예측모형을 생성하는 모형생성부를 포함한다.

Description

문항 특성 정보가 반영된 심층학습모형을 이용한 학습 분석을 기초로 개인 맞춤형 콘텐츠를 제공하기 위한 장치 및 이를 위한 방법{Apparatus for providing personalized content based on learning analysis using deep learning model reflecting item characteristic information and method therefor}
본 발명은 개인 맞춤형 콘텐츠 제공 기술에 관한 것으로, 보다 상세하게는, 문항 특성 정보가 반영된 심층학습모형을 이용한 학습 분석을 기초로 개인 맞춤형 콘텐츠를 제공하기 위한 장치 및 이를 위한 방법에 관한 것이다.
지금까지의 교육은 모든 학습자에 대해 천편일률적인 교육 과정을 제공하였다. 예를 들어, 종이에 기록되는 문제집은 권당 최소 700문제가 수록되어 있으며, 온라인 또는 오프라인 강의 역시 1-2 시간 단위로 최소 한 달간 공부할 양을 묶어서 한 번에 판매된다. 그러나 교육을 받는 학습자들 입장에서는 개별적으로 취약한 단원과 취약한 문제 유형이 모두 상이하기 때문에 개별적인 수준에 맞추어 개인별 학습 과정을 제공하는 것이 학습자에 대한 교육 효과를 높일 수 있다.
그러나 피교육자인 학습자들 스스로 자신의 취약점을 파악하는 것은 매우 어렵다. 또한, 나아가 학원, 출판사 등 종래의 교육 업계에서 사전 정의한 문항의 난이도 역시 주관적 경험과 직관에 의존하여 설정되기 때문에 학습자들이 체감하는 난이도와는 상당한 차이를 보이고 이에, 학습자들 스스로 자신의 수준에 맞는 난이도의 문항을 선택하는 것 또한 쉽지 않다.
또한, 자신의 취약점과 문항의 체감 난이도를 정확히 파악하더라도 본인의 학습 수준에 맞춰 적합한 학습 커리큘럼과 학습 동영상 혹은 교재를 학습하고 적합한 문항을 푸는 것은 객관적으로 매우 어렵다. 또한 충분한 이해도가 있는 커리큘럼 혹은 지식 개념을 반복적으로 학습하게 됨으로서 학습 시간의 감소, 학습의 효율성 감소를 유발하는 결과를 초래한다. 이와 같이 종래 교육 환경에서는 학습자가 가장 효율적으로 공부할 수 있는 방법을 제공하지 못한다는 근본적인 한계를 지니고 있다.
한국공개특허 제2016-0039504호 (2016년 04월 11일 공개)
본 발명의 목적은 문항 특성 정보가 반영된 심층학습모형을 이용한 학습 분석을 기초로 개인 맞춤형 콘텐츠를 제공하기 위한 장치 및 이를 위한 방법을 제공함에 있다.
상술한 바와 같은 목적을 달성하기 위한 본 발명의 바람직한 실시예에 따른 개인 맞춤형 콘텐츠를 제공하기 위한 장치는 복수의 문항 중 일부는 동일하고 일부는 상이한 문항을 푼 복수의 학습자에 대해 학습자벡터를 할당하고, 상기 복수의 문항에 대해 문항벡터를 할당하는 등록부와, 개념추적모형을 이용하여 복수의 학습자 각각의 복수의 문항 각각에 대한 학습자의 개념 이해도를 나타내는 개념이해도벡터를 산출하는 지식진단부와, 문제모수추정모델을 통해 복수의 학습자의 복수의 문항에 대한 난이도를 나타내는 문항난이도벡터를 산출하는 문항진단부와, 상기 학습자벡터 및 상기 문항벡터와, 상기 학습자벡터 및 상기 문항벡터에 대응하는 상기 개념이해도벡터 및 상기 문항난이도벡터를 입력 변수로 마련하되, 학습자가 풀지 않은 문항에 대응하는 개념이해도벡터와 문항난이도벡터가 누락된 입력변수를 마련하고, 입력변수 및 상기 입력변수에 대응하여 문항의 정답을 맞힌 결과를 레이블로 하는 학습 데이터를 마련하고, 상기 학습 데이터를 이용하여 누락된 개념이해도벡터와 문항난이도벡터를 추정하는 상호작용 가중치를 포함하는 전체 가중치를 도출하여 학습자가 문항을 맞출 확률을 예측하는 정답률예측모형을 생성하는 모형생성부를 포함한다.
상기 장치는 문항 출제 요청이 있으면, 상기 정답률예측모형을 통해 학습자가 복수의 문항 각각에 대해 정답을 맞힐 확률을 산출하고, 학습자가 문항의 정답을 맞힐 확률이 소정 수치 미만인 문항을 추천하는 추천부를 더 포함한다.
상기 모형생성부는 수학식
Figure pat00001
에서 상기 i 및 j는 입력변수의 인덱스이고, 상기
Figure pat00002
는 입력변수이고, 상기
Figure pat00003
는 출력변수이고, 상기
Figure pat00004
는 잔차값이고, 상기
Figure pat00005
는 i 번째 입력변수의 가중치이고, 상기
Figure pat00006
는 i, j번째 입력변수 간 상호작용 가중치일 때, 상기 학습 데이터 중 상기 입력변수를 상기 수학식에 입력하여 출력변수를 산출하고, 산출된 출력변수와 상기 레이블과의 차이인 손실을 산출하고, 산출된 손실이 최소화되도록 하는 상기 전역 바이어스, 상기 선형회귀 가중치 및 상기 상호작용 가중치를 포함하는 전체 가중치를 산출하는 것을 특징으로 한다.
상술한 바와 같은 목적을 달성하기 위한 본 발명의 바람직한 실시예에 따른 개인 맞춤형 콘텐츠를 제공하기 위한 방법은 등록부가 복수의 문항 중 일부는 동일하고 일부는 상이한 문항을 푼 복수의 학습자에 대해 학습자벡터를 할당하고, 상기 복수의 문항에 대해 문항벡터를 할당하는 단계와, 지식진단부가 개념추적모형을 이용하여 복수의 학습자 각각의 복수의 문항 각각에 대한 학습자의 개념 이해도를 나타내는 개념이해도벡터를 산출하는 단계와, 문항진단부가 문제모수추정모델을 통해 복수의 학습자의 복수의 문항에 대한 난이도를 나타내는 문항난이도벡터를 산출하는 단계와, 모형생성부가 상기 학습자벡터 및 상기 문항벡터와, 상기 학습자벡터 및 상기 문항벡터에 대응하는 상기 개념이해도벡터 및 상기 문항난이도벡터를 입력 변수로 마련하되, 학습자가 풀지 않은 문항에 대응하는 개념이해도벡터와 문항난이도벡터가 누락된 입력변수를 마련하는 단계와, 상기 모형생성부가 상기 입력변수 및 상기 입력변수에 대응하여 문항의 정답을 맞힌 결과를 레이블로 하는 학습 데이터를 마련하는 단계와, 상기 모형생성부가 상기 학습 데이터를 이용하여 누락된 개념이해도벡터와 문항난이도벡터를 추정하는 상호작용 가중치를 포함하는 전체 가중치를 도출하여 학습자가 문항을 맞출 확률을 예측하는 정답률예측모형을 생성하는 단계를 포함한다.
상기 방법은 문항 출제 요청이 있으면, 추천부가 상기 정답률예측모형을 통해 학습자가 복수의 문항 각각에 대해 정답을 맞힐 확률을 산출하는 단계와, 상기 추천부가 학습자가 문항의 정답을 맞힐 확률이 소정 수치 미만인 문항을 추천하는 단계를 포함한다.
상기 정답률예측모형을 생성하는 단계는 수학식
Figure pat00007
에서 상기 i 및 j는 입력변수의 인덱스이고, 상기
Figure pat00008
는 입력변수이고, 상기
Figure pat00009
는 출력변수이고, 상기
Figure pat00010
는 잔차값이고, 상기
Figure pat00011
는 i 번째 입력변수의 가중치이고, 상기
Figure pat00012
는 i, j번째 입력변수 간 상호작용 가중치일 때, 상기 모형생성부가 상기 학습 데이터 중 상기 입력변수를 상기 수학식에 입력하여 출력변수를 산출하는 단계와, 상기 모형생성부가 산출된 출력변수와 상기 레이블과의 차이인 손실을 산출하고, 산출된 손실이 최소화되도록 하는 상기 전역 바이어스, 상기 선형회귀 가중치 및 상기 상호작용 가중치를 포함하는 전체 가중치를 산출하는 단계를 포함한다.
본 발명에 따르면, 정답률예측모형을 이용하여 다양한 입력변수의 상호작용을 통해 도출되는 학습자 개인의 맞춤형으로 문항을 선별하여 제공할 수 있다.
도 1은 본 발명의 실시예에 따른 문항 특성 정보가 반영된 심층학습모형을 이용한 학습 분석을 기초로 개인 맞춤형 콘텐츠를 제공하기 위한 장치의 구성을 설명하기 위한 도면이다.
도 2는 본 발명의 실시예에 따른 개인 맞춤형 콘텐츠를 제공하기 위한 정답률예측모형을 생성하는 방법을 설명하기 위한 흐름도이다.
도 3 및 도 4는 본 발명의 실시예에 따른 학습자의 개념 이해도를 나타내는 개념이해도벡터를 산출하는 개념추적모형을 설명하기 위한 도면이다.
도 5는 본 발명의 실시예에 따른 문제모수추정모델을 통해 복수의 문항에 대한 난이도를 나타내는 문항난이도벡터를 산출하는 방법을 설명하기 위한 도면이다.
도 6은 본 발명의 실시예에 따른 개인 맞춤형 콘텐츠를 제공하기 위한 정답률예측모형을 생성하기 위한 학습 데이터를 설명하기 위한 도면이다.
도 7은 본 발명의 실시예에 따른 문항 특성 정보가 반영된 심층학습모형을 이용한 학습 분석을 기초로 개인 맞춤형 콘텐츠를 제공하기 위한 방법을 설명하기 위한 흐름도이다.
도 8은 본 발명의 실시예에 따른 컴퓨팅 장치를 나타내는 도면이다.
본 발명의 상세한 설명에 앞서, 이하에서 설명되는 본 명세서 및 청구범위에 사용된 용어나 단어는 통상적이거나 사전적인 의미로 한정해서 해석되어서는 아니 되며, 발명자는 그 자신의 발명을 가장 최선의 방법으로 설명하기 위해 용어의 개념으로 적절하게 정의할 수 있다는 원칙에 입각하여 본 발명의 기술적 사상에 부합하는 의미와 개념으로 해석되어야만 한다. 따라서 본 명세서에 기재된 실시예와 도면에 도시된 구성은 본 발명의 가장 바람직한 실시예에 불과할 뿐, 본 발명의 기술적 사상을 모두 대변하는 것은 아니므로, 본 출원시점에 있어서 이들을 대체할 수 있는 다양한 균등물과 변형 예들이 있을 수 있음을 이해하여야 한다.
이하, 첨부된 도면을 참조하여 본 발명의 바람직한 실시예들을 상세히 설명한다. 이때, 첨부된 도면에서 동일한 구성 요소는 가능한 동일한 부호로 나타내고 있음을 유의해야 한다. 또한, 본 발명의 요지를 흐리게 할 수 있는 공지 기능 및 구성에 대한 상세한 설명은 생략할 것이다. 마찬가지의 이유로 첨부 도면에 있어서 일부 구성요소는 과장되거나 생략되거나 또는 개략적으로 도시되었으며, 각 구성요소의 크기는 실제 크기를 전적으로 반영하는 것이 아니다.
먼저, 본 발명의 실시예에 따른 문항 특성 정보가 반영된 심층학습모형을 이용한 학습 분석을 기초로 개인 맞춤형 콘텐츠를 제공하기 위한 장치에 대해서 설명하기로 한다. 도 1은 본 발명의 실시예에 따른 문항 특성 정보가 반영된 심층학습모형을 이용한 학습 분석을 기초로 개인 맞춤형 콘텐츠를 제공하기 위한 장치의 구성을 설명하기 위한 도면이다. 도 1을 참조하면, 본 발명의 실시예에 따른 개인 맞춤형 콘텐츠를 제공하기 위한 장치(10, 이하, 콘텐츠추천장치)는 데이터베이스(DB), 등록부(100), 지식진단부(200), 문항진단부(300), 모형생성부(400) 및 추천부(500)를 포함한다.
데이터베이스(DB)는 기본적으로, 복수의 학습자, 예컨대, 학생를 식별하기 위한 정보, 복수의 문항을 저장한다. 특히 데이터베이스(DB)는 복수의 학습자가 푼 문항 및 그 문항에 대한 정답 여부를 저장한다.
등록부(100)는 데이터베이스(DB)를 참조로 복수의 문항 중 일부는 동일하고 일부는 상이한 문항을 푼 복수의 학습자에 대해 학습자벡터(V1)를 할당하고, 복수의 문항에 대해 문항벡터(V2)를 할당한다. 이러한 학습자벡터(V1) 및 문항벡터(V2)는 모두 원핫인코딩 벡터(one-hot encoding vector)로 생성하는 것이 바람직하다.
지식진단부(200)는 심층학습모형인 개념추적모형을 이용하여 복수의 학습자 각각의 복수의 문항 각각에 대한 학습자의 개념 이해도를 나타내는 개념이해도벡터(V3)를 산출한다. 이러한 개념추적모형은 RNN(Recurrent Neural Network), LTSM(Long Short-Term Memory) 등의 순환 신경망을 기반으로 생성되는 것이 바람직하다.
문항진단부(300)는 문제모수추정모델을 통해 복수의 학습자의 복수의 문항에 대한 난이도를 나타내는 문항난이도벡터(V4)를 산출한다. 문제모수추정모델은 VAE(Variational Autoencoders)를 기반으로 생성될 수 있다.
모형생성부(400)는 정답률예측모형을 생성하기 위한 것이다. 모형생성부(400)는 학습자벡터(V1) 및 문항벡터(V2)와, 학습자벡터(V1) 및 문항벡터(V2)에 대응하는 개념이해도벡터(V3) 및 문항난이도벡터(V4)를 입력변수로 마련하되, 학습자가 풀지 않은 문항에 대응하는 개념이해도벡터(V3)와 문항난이도벡터(V4)가 누락된 입력변수를 마련한다. 그리고 모형생성부(400)는 입력변수 및 그 입력변수에 대응하여 문항의 정답을 맞힌 결과를 레이블로 하는 학습 데이터를 마련한다. 그리고 모형생성부(400)는 학습 데이터를 이용하여 누락된 개념이해도벡터(V3)와 문항난이도벡터(V4)를 추정하는 상호작용 가중치를 포함하는 전체 가중치를 도출하여 학습자가 문항을 맞출 확률을 예측하는 정답률예측모형을 생성한다.
추천부(500)는 모형생성부(400)로부터 정답율예측모형을 제공 받고, 학습자로부터 문항 출제 요청이 있으면, 정답률예측모형을 통해 학습자가 복수의 문항 각각에 대해 정답을 맞힐 확률을 산출한다. 그리고 추천부(500)는 학습자가 문항의 정답을 맞힐 확률이 소정 수치 이상인 문항을 건너 띄고, 학습자가 문항의 정답을 맞힐 확률이 소정 수치 미만인 문항을 추천한다.
다음으로, 본 발명의 실시예에 따른 문항 특성 정보가 반영된 심층학습모형을 이용한 학습 분석을 기초로 개인 맞춤형 콘텐츠를 제공하기 위한 정답률예측모형을 생성하는 방법에 대해서 설명하기로 한다. 도 2는 본 발명의 실시예에 따른 개인 맞춤형 콘텐츠를 제공하기 위한 정답률예측모형을 생성하는 방법을 설명하기 위한 흐름도이다. 도 3 및 도 4는 본 발명의 실시예에 따른 학습자의 개념 이해도를 나타내는 개념이해도벡터를 산출하는 개념추적모형을 설명하기 위한 도면이다. 도 5는 본 발명의 실시예에 따른 문제모수추정모델을 통해 복수의 문항에 대한 난이도를 나타내는 문항난이도벡터를 산출하는 방법을 설명하기 위한 도면이다. 도 6은 본 발명의 실시예에 따른 개인 맞춤형 콘텐츠를 제공하기 위한 정답률예측모형을 생성하기 위한 학습 데이터를 설명하기 위한 도면이다.
도 2를 참조하면, 등록부(100)는 S110 단계에서 데이터베이스를 참조로 복수의 문항 중 일부는 동일하고 일부는 상이한 문항을 푼 복수의 학습자에 대해 학습자벡터(V1)를 할당하고, 복수의 문항에 대해 문항벡터(V2)를 할당한다. 도 5에 도시된 바와 같이, 학습자벡터(V1) 및 문항벡터(V2)는 모두 원핫인코딩 벡터(one-hot encoding vector)로 생성될 수 있다.
지식진단부(200)는 S120 단계에서 개념추적모형을 이용하여 복수의 학습자 각각의 복수의 문항 각각에 대한 학습자의 개념 이해도를 나타내는 개념이해도벡터(V3)를 산출한다. 개념이해도벡터(V3)를 통해 문항에 내재된 개념을 얼마나 잘 이해하는지를 평가할 수 있도록 하였다.
도 3 및 도 4에 개념추적모형의 일례를 도시하였다. 도 3의 개념추적모형은 소정 수의 연속된 노드를 포함한다. 각 노드는 이전 시점의 상태값과, 현 시점의 입력값을 입력 받고, 가중치가 적용되는 연산을 수행하여 현 시점의 상태값과, 현 시점의 출력값을 출력한다. 개념이해도벡터(V3)는 현 시점에서 다음 시점의 문제를 풀고 정답을 맞힐 확률을 나타낸다.
도 3의 (a)에 도시된 바와 같이, 학습자에 제시된 전체 문제 세트가 M개라고 할 때, t 시점에 문항에 대한 풀이와 정답 여부에 대한 상호작용 xt=(qt, at)을 원 핫 인코딩(one-hot encoding) 형식으로 구성한다. 이때, 원 핫 인코딩은 기본적으로 2ㅧM차원으로 이루어진다. 즉, 처음 차원(11)의 요소들은 각각 현재 시점에서 학습자가 어떤 문제를 풀었는지 바이너리(binary)로 인코딩을 하게 되고, 나중 차원(12)의 요소들은 각각 푼 문제가 틀렸는지(0) 맞았는지(1)를 바이너리로 인코딩을 하게 된다. 예를 들어, 3개의 문제로 구성된 문제 세트에서 M = 3 이고, 학습자가 첫 번째로 1번을 풀고 정답이었을 경우 x1 = ((1,1),(0,0),(0,0))이 되고, 세 번째는 3번 문제를 풀고 오답이었을 경우 x3 = ((0,0),(0,0),(1,0))이 된다.
도 3의 (b) 및 (c)에 도시된 바와 같이, t 시점의 xt(x1, x2, x3, x4)를 개념추적모형에 입력하고 학습자에게 t+1 시점에 제공된 문제들을 풀어 정답을 맞힐 확률 yt(y1, y2, y3, y4....)를 구하기 위한 연산을 수행하는 과정이다. 이러한 t 시점의 개념추적모형의 출력값은 다음의 수학식 1과 같다.
Figure pat00013
Figure pat00014
수학식 1에서, 활성화함수로 tanh 함수 및
Figure pat00015
함수가 사용되었다. 하지만, 이는 다른 활성화함수로 변경될 수 있다. ht는 현 시점(t)의 상태값이고, ht-1는 이전 시점의 상태값을 나타낸다. xt는 현 시점(t)의 입력값이고, yt는 현 시점의 출력값을 나타낸다. bh는 잠재 바이어스이고, by는 판별 바이어스이다. Whx는 입력 가중치이고, Whh는 상태 가중치이고, Why는 출력 가중치이다.
수학식 1과 도 4를 참조하면, 개념추적모형의 어느 하나의 노드는 현 시점(t)의 입력(xt)에 입력 가중치(Whx)가 적용된 입력 가중치 행렬(Whxㅧxt)과, 이전 시점(t-1)의 상태값(ht-1)에 상태 가중치(Whh)가 적용된 반복가중치 행렬(Whhㅧht-1)과, 잠재바이어스(bh)의 합을 입력으로 하는 활성화함수(tanh)에 의한 연산을 수행하여 현 시점(t)의 상태값(ht)을 산출한다. 그런 다음, 노드는 산출된 현 시점(t)의 상태값(ht)에 출력 가중치(Why)가 적용된 판별 가중치 행렬(Whyㅧht)과 판별 바이어스(by)의 합을 입력으로 하는 비선형 활성화함수(
Figure pat00016
)에 의한 연산을 수행하여 현 시점(t)의 출력값(yt)을 산출한다.
yt는 전체 문제 세트 M과 같은 길이의 벡터가 된다. 예를 들어, 학습자가 풀이한 전체 문제 세트가 3이라고 할 때, 도 3에 도시된 바와 같이, y1=(0.901, 0.504. 0.498)과 같이 표현될 수 있다. 이는 다음 시점에 첫 번째 문제를 풀고 정답을 맞힐 확률이 90%이고, 두 번째 문제를 풀고 정답을 맞힐 확률이 50%이고, 세 번째 문제를 풀고 정답을 맞힐 확률이 50%임을 나타낸다. 그리고 yt는 수학식 1에서 알 수 있듯이 학습자가 풀이한 문항의 개념이해도 yt+1을 예측하기 위한 것이다. 이에 따라, 지식진단부(200)는 yt를 통해 학습자의 개념이해의 정도를 실시간으로 추적하여 재조정할 수 있다. 한편, 개념추적모형은 예컨대, x2와 y1의 차이를 나타내는 손실, x3과 y2의 차이를 나타내는 손실, x4와 y3의 차이를 나타내는 손실, x5와 y4의 차이를 나타내는 손실 등과 같이, 현 시점의 출력값과 다음 시점의 입력값의 차이를 나타내는 손실이 최소화되도록 역전파(Back-propagation)를 통해 가중치(Whx, Whh, Why)를 갱신하는 최적화를 통해 학습시킬 수 있다(LB).
문항진단부(200)는 S130 단계에서 문제모수추정모델을 통해 복수의 학습자의 복수의 문항에 대한 난이도를 나타내는 문항난이도벡터(V4)를 산출한다. 도 5에 도시된 바와 같이, 문항진단부(200)는 다음의 수학식 2에 따라 도 5의 곡선(40)을 도출할 수 있다.
Figure pat00017
여기서.
Figure pat00018
는 학습자가 문항을 맞힐 확률이다.
Figure pat00019
는 변별도를 나타내며, 도 5에 표현된 그래프의 중간 부분에서의 가파른 정도 즉, 기울기를 의미한다. 변별도가 높을수록 학생의 능력을 구분 짓는데 더 용이하다.
Figure pat00020
는 난이도는 문항의 어려운 정도를 나타내며 소정 범위로 제한하여 활용하는 것이 바람직하다.
Figure pat00021
는 학습자의 능력 수준이다. 본 발명에 따르면, 문항진단부(200)는 문항의 풀이 이력 즉, 문항에 대한 응답 결과가 특정한 분포를 따를 것으로 사전 분포를 가정하여 모수를 추정하고 측정한다. 문항진단부(200)는 정규분포를 사전 분포로 가정하며 이 사전 분포와 관측된 풀이 이력의 사후 분포를 변분 추론(Variational Inference)을 한다. 변분 추론은 사전 분포와 사후 분포 사이의 차이 즉, 분산을 최소화함으로써 두 분포를 근사시켜 모수를 추정하는 방법이다.
모형생성부(400)는 S140 단계에서 도 6에 도시된 바와 같이, 정답률예측모형을 생성하기 위한 학습 데이터를 마련한다. 이때, 모형생성부(400)는 학습자벡터(V1) 및 문항벡터(V2)와, 학습자벡터(V1) 및 문항벡터(V2)에 대응하는 개념이해도벡터(V3) 및 문항난이도벡터(V4)를 입력 변수로 마련하되, 학습자가 풀지 않은 문항에 대응하는 개념이해도벡터와 문항난이도벡터가 누락된 입력변수를 마련하고, 입력변수 및 입력변수에 대응하여 문항의 정답을 맞힌 결과를 레이블로 하는 학습 데이터를 마련한다.
그런 다음, 모형생성부(400)는 S150 단계에서 학습 데이터를 이용하여 누락된 개념이해도벡터와 문항난이도벡터를 추정하는 상호작용 가중치를 포함하는 전체 가중치를 도출하여 학습자가 문항을 맞출 확률을 예측하는 정답률예측모형을 생성한다. 이때, 모형생성부(400)는 다음의 수학식 3을 기초로 정답률예측모형을 생성한다.
Figure pat00022
수학식 3에서, i 및 j는 입력변수의 인덱스이고,
Figure pat00023
는 입력변수이고,
Figure pat00024
는 출력변수이고,
Figure pat00025
는 잔차값이고,
Figure pat00026
는 i 번째 입력변수의 가중치이고,
Figure pat00027
는 i, j번째 입력변수 간 상호작용 가중치이다.
모형생성부(400)는 학습 데이터 중 입력변수를 수학식 3에 입력하여 출력변수를 산출하고, 산출된 출력변수와 학습 데이터의 입력변수에 대응하는 레이블과의 차이인 손실을 산출하고, 산출된 손실이 최소화되도록 하는 전역 바이어스, 선형회귀 가중치 및 상호작용 가중치를 포함하는 전체 가중치를 산출한다. 여기서,
Figure pat00028
는 상기 다차원 공간의 개별 변수들의 특징을 나타내는 벡터이고 변수들 간의 상호작용이 결과변수를 예측하는데 미치는 가중치
Figure pat00029
는 두 벡터
Figure pat00030
와
Figure pat00031
의 내적을 계산하여 도출할 수 있다.
예컨대, 입력 변수 사이의 상호작용에 대한 예시를 설명하기 위한 도면이다.
U = {User1(u1), User2(u2), User3(u3)}
I = {Item1(i1), Item2(i2), Item3(i3), Item(i4)}
S = ((u1, i1, 0), (u1, i2, 0), (u1, i3, 0), (u2, i3, 1), (u2, i4, 1), (u3, i1, 1), (u3, i3, 1))
표 1을 참조하면, 3명의 학습자(U)와 4개의 문항(I) 있고 학습자와 문항 정보를 통해 데이터 S를 도출하였다고 가정한다. 여기서, 예제의 단순화를 위해 최소지식단위는 개별 문항이라고 정의한다. 도 6을 참조하면 u1은 i4 문제를 풀지 않았기 때문에 기존 분석 알고리즘에 의하면 u1와 i4의 상호작용
Figure pat00032
가중치는 0이 될 것이다. 그러나 인수분해(factorized)된 상호작용 가중치인
Figure pat00033
를 통해 상호작용의 가중치를 측정할 수 있다. u2, u3는 유사한
Figure pat00034
,
Figure pat00035
를 가질 것인데, 이는 두 학습자 모두 i3(
Figure pat00036
)를 풀고 유사한 지식수준을 보유하고 있어 유사한 상호작용을 갖고 있기 때문이다. 즉, 두 벡터의 내적 값
Figure pat00037
과
Figure pat00038
은 유사하다는 뜻이다. u1와 u3은 동일한 문제 i1, i3을 풀었지만, 두 학습자의 개념이해도(V3)가 달라, 다른
Figure pat00039
,
Figure pat00040
를 가진다. 그러나 u2가 풀었던 i3, i4가 유사한 상호작용을 가졌기 때문에
Figure pat00041
,
Figure pat00042
는 유사할 확률이 높다. 즉, u1과 i3의 내적
Figure pat00043
과 u1과 i4의 내적
Figure pat00044
은 확률이 높다. 이와 같이, 본 발명에 따르면, 입력변수들의 특징을 나타내는 벡터 값을 변수 간 상호작용 가중치를 통해 도출하고 학습자가 특정 문항을 풀 수 있는 확률을 산출할 수 있다. 다음으로, 본 발명의 실시예에 따른 문항 특성 정보가 반영된 심층학습모형을 이용한 학습 분석을 기초로 개인 맞춤형 콘텐츠를 제공하기 위한 방법에 대해서 설명하기로 한다. 도 7은 본 발명의 실시예에 따른 문항 특성 정보가 반영된 심층학습모형을 이용한 학습 분석을 기초로 개인 맞춤형 콘텐츠를 제공하기 위한 방법을 설명하기 위한 흐름도이다.
모형생성부(400)는 정답율예측모형을 생성하면, 생성된 정답율예측모형을 추천부(500)에 제공한다. 한편, 학습자가 사용하는 기기, 예컨대, 스마트폰, 랩탑, 테블릿 등을 통해 콘텐츠추천장치(10)에 문항 출제 요청을 할 수 있다.
그러면, 추천부(500)는 S210 단계에서 이러한 문항 출제 요청을 수신하고, S220 단계에서 정답률예측모형을 통해 학습자가 복수의 문항 각각에 대해 정답을 맞힐 확률을 산출한다.
그런 다음, 추천부(500)는 S230 단계에서 학습자가 문항의 정답을 맞힐 확률이 소정 수치 이상인 문항을 건너 띄고, 학습자가 문항의 정답을 맞힐 확률이 소정 수치 미만인 문항을 추천한다. 즉, 추천부(500)는 학습자가 문항의 정답을 맞힐 확률이 소정 수치 미만인 문항을 학습자가 사용하는 기기로 전송할 수 있다.
도 8은 본 발명의 실시예에 따른 컴퓨팅 장치를 나타내는 도면이다. 도 8의 컴퓨팅 장치(TN100)는 본 명세서에서 기술된 장치, 예컨대, 콘텐츠추천장치(10)가 될 수 있다.
도 8의 실시예에서, 컴퓨팅 장치(TN100)는 적어도 하나의 프로세서(TN110), 송수신 장치(TN120), 및 메모리(TN130)를 포함할 수 있다. 또한, 컴퓨팅 장치(TN100)는 저장 장치(TN140), 입력 인터페이스 장치(TN150), 출력 인터페이스 장치(TN160) 등을 더 포함할 수 있다. 컴퓨팅 장치(TN100)에 포함된 구성 요소들은 버스(bus)(TN170)에 의해 연결되어 서로 통신을 수행할 수 있다.
프로세서(TN110)는 메모리(TN130) 및 저장 장치(TN140) 중에서 적어도 하나에 저장된 프로그램 명령(program command)을 실행할 수 있다. 프로세서(TN110)는 중앙 처리 장치(CPU: central processing unit), 그래픽 처리 장치(GPU: graphics processing unit), 또는 본 발명의 실시예에 따른 방법들이 수행되는 전용의 프로세서를 의미할 수 있다. 프로세서(TN110)는 본 발명의 실시예와 관련하여 기술된 절차, 기능, 및 방법 등을 구현하도록 구성될 수 있다. 프로세서(TN110)는 컴퓨팅 장치(TN100)의 각 구성 요소를 제어할 수 있다.
메모리(TN130) 및 저장 장치(TN140) 각각은 프로세서(TN110)의 동작과 관련된 다양한 정보를 저장할 수 있다. 메모리(TN130) 및 저장 장치(TN140) 각각은 휘발성 저장 매체 및 비휘발성 저장 매체 중에서 적어도 하나로 구성될 수 있다. 예를 들어, 메모리(TN130)는 읽기 전용 메모리(ROM: read only memory) 및 랜덤 액세스 메모리(RAM: random access memory) 중에서 적어도 하나로 구성될 수 있다.
송수신 장치(TN120)는 유선 신호 또는 무선 신호를 송신 또는 수신할 수 있다. 송수신 장치(TN120)는 네트워크에 연결되어 통신을 수행할 수 있다.
한편, 전술한 본 발명의 실시예에 따른 방법은 다양한 컴퓨터수단을 통하여 판독 가능한 프로그램 형태로 구현되어 컴퓨터로 판독 가능한 기록매체에 기록될 수 있다. 여기서, 기록매체는 프로그램 명령, 데이터 파일, 데이터구조 등을 단독으로 또는 조합하여 포함할 수 있다. 기록매체에 기록되는 프로그램 명령은 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 예컨대 기록매체는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광 기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media) 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치를 포함한다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어를 포함할 수 있다. 이러한 하드웨어 장치는 본 발명의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상 본 발명을 몇 가지 바람직한 실시예를 사용하여 설명하였으나, 이들 실시예는 예시적인 것이며 한정적인 것이 아니다. 이와 같이, 본 발명이 속하는 기술분야에서 통상의 지식을 지닌 자라면 본 발명의 사상과 첨부된 특허청구범위에 제시된 권리범위에서 벗어나지 않으면서 균등론에 따라 다양한 변화와 수정을 가할 수 있음을 이해할 것이다.
100: 등록부
200: 지식진단부
300: 문항진단부
400: 모형생성부
500: 추천부

Claims (6)

  1. 개인 맞춤형 콘텐츠를 제공하기 위한 장치에 있어서,
    복수의 문항 중 일부는 동일하고 일부는 상이한 문항을 푼 복수의 학습자에 대해 학습자벡터를 할당하고, 상기 복수의 문항에 대해 문항벡터를 할당하는 등록부;
    개념추적모형을 이용하여 복수의 학습자 각각의 복수의 문항 각각에 대한 학습자의 개념 이해도를 나타내는 개념이해도벡터를 산출하는 지식진단부;
    문제모수추정모델을 통해 복수의 학습자의 복수의 문항에 대한 난이도를 나타내는 문항난이도벡터를 산출하는 문항진단부; 및
    상기 학습자벡터 및 상기 문항벡터와, 상기 학습자벡터 및 상기 문항벡터에 대응하는 상기 개념이해도벡터 및 상기 문항난이도벡터를 입력 변수로 마련하되, 학습자가 풀지 않은 문항에 대응하는 개념이해도벡터와 문항난이도벡터가 누락된 입력변수를 마련하고, 입력변수 및 상기 입력변수에 대응하여 문항의 정답을 맞힌 결과를 레이블로 하는 학습 데이터를 마련하고, 상기 학습 데이터를 이용하여 누락된 개념이해도벡터와 문항난이도벡터를 추정하는 상호작용 가중치를 포함하는 전체 가중치를 도출하여 학습자가 문항을 맞출 확률을 예측하는 정답률예측모형을 생성하는 모형생성부;
    를 포함하는 것을 특징으로 하는
    개인 맞춤형 콘텐츠를 제공하기 위한 장치.
  2. 제1항에 있어서,
    문항 출제 요청이 있으면, 상기 정답률예측모형을 통해 학습자가 복수의 문항 각각에 대해 정답을 맞힐 확률을 산출하고, 학습자가 문항의 정답을 맞힐 확률이 소정 수치 미만인 문항을 추천하는 추천부;
    를 더 포함하는 것을 특징으로 하는
    개인 맞춤형 콘텐츠를 제공하기 위한 장치.
  3. 제1항에 있어서,
    상기 모형생성부는
    수학식
    Figure pat00045
    에서
    상기 i 및 j는 입력변수의 인덱스이고,
    상기
    Figure pat00046
    는 입력변수이고,
    상기
    Figure pat00047
    는 출력변수이고,
    상기
    Figure pat00048
    는 잔차값이고,
    상기
    Figure pat00049
    는 i 번째 입력변수의 가중치이고,
    상기
    Figure pat00050
    는 i, j번째 입력변수 간 상호작용 가중치일 때,
    상기 학습 데이터 중 상기 입력변수를 상기 수학식에 입력하여 출력변수를 산출하고,
    산출된 출력변수와 상기 레이블과의 차이인 손실을 산출하고, 산출된 손실이 최소화되도록 하는 상기 전역 바이어스, 상기 선형회귀 가중치 및 상기 상호작용 가중치를 포함하는 전체 가중치를 산출하는 것을 특징으로 하는
    개인 맞춤형 콘텐츠를 제공하기 위한 장치.
  4. 개인 맞춤형 콘텐츠를 제공하기 위한 방법에 있어서,
    등록부가 복수의 문항 중 일부는 동일하고 일부는 상이한 문항을 푼 복수의 학습자에 대해 학습자벡터를 할당하고, 상기 복수의 문항에 대해 문항벡터를 할당하는 단계;
    지식진단부가 개념추적모형을 이용하여 복수의 학습자 각각의 복수의 문항 각각에 대한 학습자의 개념 이해도를 나타내는 개념이해도벡터를 산출하는 단계;
    문항진단부가 문제모수추정모델을 통해 복수의 학습자의 복수의 문항에 대한 난이도를 나타내는 문항난이도벡터를 산출하는 단계;
    모형생성부가 상기 학습자벡터 및 상기 문항벡터와, 상기 학습자벡터 및 상기 문항벡터에 대응하는 상기 개념이해도벡터 및 상기 문항난이도벡터를 입력 변수로 마련하되, 학습자가 풀지 않은 문항에 대응하는 개념이해도벡터와 문항난이도벡터가 누락된 입력변수를 마련하는 단계;
    상기 모형생성부가 상기 입력변수 및 상기 입력변수에 대응하여 문항의 정답을 맞힌 결과를 레이블로 하는 학습 데이터를 마련하는 단계; 및
    상기 모형생성부가 상기 학습 데이터를 이용하여 누락된 개념이해도벡터와 문항난이도벡터를 추정하는 상호작용 가중치를 포함하는 전체 가중치를 도출하여 학습자가 문항을 맞출 확률을 예측하는 정답률예측모형을 생성하는 단계;
    를 포함하는 것을 특징으로 하는
    개인 맞춤형 콘텐츠를 제공하기 위한 방법.
  5. 제4항에 있어서,
    문항 출제 요청이 있으면, 추천부가 상기 정답률예측모형을 통해 학습자가 복수의 문항 각각에 대해 정답을 맞힐 확률을 산출하는 단계; 및
    상기 추천부가 학습자가 문항의 정답을 맞힐 확률이 소정 수치 미만인 문항을 추천하는 단계;
    를 포함하는 것을 특징으로 하는
    개인 맞춤형 콘텐츠를 제공하기 위한 방법.
  6. 제4항에 있어서,
    상기 정답률예측모형을 생성하는 단계는
    수학식
    Figure pat00051
    에서
    상기 i 및 j는 입력변수의 인덱스이고,
    상기
    Figure pat00052
    는 입력변수이고,
    상기
    Figure pat00053
    는 출력변수이고,
    상기
    Figure pat00054
    는 잔차값이고,
    상기
    Figure pat00055
    는 i 번째 입력변수의 가중치이고,
    상기
    Figure pat00056
    는 i, j번째 입력변수 간 상호작용 가중치일 때,
    상기 모형생성부가 상기 학습 데이터 중 상기 입력변수를 상기 수학식에 입력하여 출력변수를 산출하는 단계; 및
    상기 모형생성부가 산출된 출력변수와 상기 레이블과의 차이인 손실을 산출하고, 산출된 손실이 최소화되도록 하는 상기 전역 바이어스, 상기 선형회귀 가중치 및 상기 상호작용 가중치를 포함하는 전체 가중치를 산출하는 단계;
    를 포함하는 것을 특징으로 하는
    개인 맞춤형 콘텐츠를 제공하기 위한 방법.
KR1020210010373A 2021-01-25 2021-01-25 문항 특성 정보가 반영된 심층학습모형을 이용한 학습 분석을 기초로 개인 맞춤형 콘텐츠를 제공하기 위한 장치 및 이를 위한 방법 KR20220107585A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210010373A KR20220107585A (ko) 2021-01-25 2021-01-25 문항 특성 정보가 반영된 심층학습모형을 이용한 학습 분석을 기초로 개인 맞춤형 콘텐츠를 제공하기 위한 장치 및 이를 위한 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210010373A KR20220107585A (ko) 2021-01-25 2021-01-25 문항 특성 정보가 반영된 심층학습모형을 이용한 학습 분석을 기초로 개인 맞춤형 콘텐츠를 제공하기 위한 장치 및 이를 위한 방법

Publications (1)

Publication Number Publication Date
KR20220107585A true KR20220107585A (ko) 2022-08-02

Family

ID=82845927

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210010373A KR20220107585A (ko) 2021-01-25 2021-01-25 문항 특성 정보가 반영된 심층학습모형을 이용한 학습 분석을 기초로 개인 맞춤형 콘텐츠를 제공하기 위한 장치 및 이를 위한 방법

Country Status (1)

Country Link
KR (1) KR20220107585A (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116502713A (zh) * 2023-04-03 2023-07-28 华中师范大学 一种基于加权元路径增强题目相似性嵌入的知识追踪方法
CN117035693A (zh) * 2023-09-28 2023-11-10 北京未来基因教育科技有限公司 一种课程生成方法、装置

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20160039504A (ko) 2014-10-01 2016-04-11 주식회사 삼성경제연구소 피교육자 맞춤형 학습 설계 장치 및 그 방법

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20160039504A (ko) 2014-10-01 2016-04-11 주식회사 삼성경제연구소 피교육자 맞춤형 학습 설계 장치 및 그 방법

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116502713A (zh) * 2023-04-03 2023-07-28 华中师范大学 一种基于加权元路径增强题目相似性嵌入的知识追踪方法
CN116502713B (zh) * 2023-04-03 2024-02-20 华中师范大学 一种基于加权元路径增强题目相似性嵌入的知识追踪方法
CN117035693A (zh) * 2023-09-28 2023-11-10 北京未来基因教育科技有限公司 一种课程生成方法、装置
CN117035693B (zh) * 2023-09-28 2024-02-09 北京未来基因教育科技有限公司 一种课程生成方法、装置

Similar Documents

Publication Publication Date Title
Yang et al. Study on student performance estimation, student progress analysis, and student potential prediction based on data mining
Ramírez-Noriega et al. Evaluation module based on Bayesian networks to Intelligent Tutoring Systems
KR102405838B1 (ko) 문항 순서 정렬에 의한 개인 맞춤형 콘텐츠를 제공하기 위한 장치 및 이를 위한 방법
US20190251477A1 (en) Systems and methods for assessing and improving student competencies
US20190114940A1 (en) Inquiry Skills Tutoring System
Rosen et al. The effects of adaptive learning in a massive open online course on learners' skill development
Chaudhry et al. Modeling Hint-Taking Behavior and Knowledge State of Students with Multi-Task Learning.
US20160155346A1 (en) System and method for learning recommendation simulation
KR20230047351A (ko) 문항 평가 방법 및 이를 이용한 디바이스
Hssina et al. A personalized pedagogical objectives based on a genetic algorithm in an adaptive learning system
KR20220107585A (ko) 문항 특성 정보가 반영된 심층학습모형을 이용한 학습 분석을 기초로 개인 맞춤형 콘텐츠를 제공하기 위한 장치 및 이를 위한 방법
Shang et al. Interactive teaching using human-machine interaction for higher education systems
Conati et al. Probabilistic plan recognition for cognitive apprenticeship
CN112115246A (zh) 基于对话的内容推荐方法、装置、计算机设备及存储介质
Yang et al. Learning Path Construction in e-learning
CN114429212A (zh) 智能学习知识能力跟踪方法、电子设备及存储介质
Bhatt et al. Evaluating Bayesian knowledge tracing for estimating learner proficiency and guiding learner behavior
Gómez‐Rey et al. Ordinal regression by a gravitational model in the field of educational data mining
Faulhaber et al. An efficient student model based on student performance and metadata
Giannakas et al. Multi-technique comparative analysis of machine learning algorithms for improving the prediction of teams’ performance
Afanasyev et al. Development of intelligent learning system based on the ontological approach
Chen et al. TGKT-Based Personalized Learning Path Recommendation with Reinforcement Learning
KR102669921B1 (ko) 사용자의 개념 이해도에 관한 정보를 제공하기 위한 방법, 시스템 및 비일시성의 컴퓨터 판독 가능 기록 매체
Vie et al. Adaptive testing using a general diagnostic model
Gao et al. Improving Knowledge Learning Through Modelling Students’ Practice-Based Cognitive Processes

Legal Events

Date Code Title Description
E902 Notification of reason for refusal