KR20220133847A - Ai 튜터를 이용한 학습 컨텐츠 표시 방법 및 장치 - Google Patents

Abstract

본 발명은 학습 컨텐츠를 표시하는 방법 및 장치에 관한 것이다. 구체적으로, 학습자 단말의 화면의 제 1 영역에, 사용자의 학습 능력에 대해 인공지능 모델을 사용하여 분석한 정보에 관한 복수의 예측 수치를 표시하는 단계; 상기 학습자 단말의 화면의 제 2 영역에, 상기 사용자에 대한 추천 문제를 표시하는 단계; 및 상기 학습자 단말로부터 상기 추천 문제의 풀이에 대한 사용자 입력을 수신하면, 이를 상기 인공지능 모델에 반영하고, 상기 제 1 영역의 예측 수치를 업데이트하여 표시하는 단계를 포함한다.

Description

AI 튜터를 이용한 학습 컨텐츠 표시 방법 및 장치{METHOD AND APPARATUS FOR DISPLAYING STUDY CONTENTS USING AI TUTOR}

본 발명은 학습 컨텐츠를 제공하는 방법 및 장치에 관한 것이다. 보다 구체적으로, 본 발명은 사용자의 문제 풀이 결과를 인공지능을 통해 분석하여 추천 문제와 문제 카드를 제공하고, 사용자의 취향에 따라 풀고 싶은 추천 문제를 선택할 수 있게 함으로써, 학습자의 의욕을 고취시키고 효과적인 학습 컨텐츠의 제공이 가능한 학습 컨텐츠를 제공하는 방법 및 장치에 관한 것이다.

최근 인터넷과 전자장치의 활용이 각 분야에서 활발히 이루어지며 교육 환경 역시 빠르게 변화하고 있다. 특히, 다양한 교육 매체의 발달로 학습자는 보다 폭넓은 학습 방법을 선택하고 이용할 수 있게 되었다. 그 중에서도 인터넷을 통한 교육 서비스는 시간적, 공간적 제약을 극복하고 저비용의 교육이 가능하다는 이점 때문에 주요한 교수 학습 수단으로 자리매김하게 되었다.

이러한 경향에 부응하여 이제는 제한된 인적, 물적 자원으로 오프라인 교육에서는 불가능했던 맞춤형 교육 서비스도 다양해지는 추세이다. 예를 들어, 학습자의 개성과 능력에 따라 세분화된 수준별 학습을 제공함으로써, 과거의 획일적 교육 방법에서 탈피하여 학습자의 개인 역량에 따른 교육 콘텐츠를 제공하고 있다.

학습자의 개성과 능력은 저마다 다르기 때문에 이러한 정보를 적절하게 가공하여 사용자에게 제공할 필요가 있다. 그러나, 기존의 학습 컨텐츠는 단순히 정답 확률만을 알려주거나 예상 점수만을 간략히 제공하는데 불과하여, 사용자는 분석된 정보를 효과적으로 학습에 연계시키기가 어려운 문제가 있었다.

본 발명의 선행기술은 공개특허공보 제10-2018-0008109호(2018.01.24.) 등이 있다.

본 발명은 전술한 문제를 해결하기 위한 발명으로, 본 발명에 따르면 추천 문제와 관련된 사용자의 학습 능력을 다양한 인공지능 모델을 통해 분석하여 문제 카드 형태로 제공함으로써, 사용자가 추천 문제에 관한 정보와 풀이의 필요성을 직관적으로 파악할 수 있고, 스와이프 기능을 통해 사용자가 원하는 문제를 선택하여 풀 수 있다.

본 발명은, 보다 높은 학습 효율을 가질 수 있는 사용자 인터페이스를 통해 학습 컨텐츠를 표시하기 위한 발명으로, 학습자 단말의 화면의 제 1 영역에, 사용자의 학습 능력에 대해 인공지능 모델을 사용하여 분석한 정보에 관한 복수의 예측 수치를 표시하는 단계; 상기 학습자 단말의 화면의 제 2 영역에, 상기 사용자에 대한 추천 문제를 표시하는 단계; 및 상기 학습자 단말로부터 상기 추천 문제의 풀이에 대한 사용자 입력을 수신하면, 이를 상기 인공지능 모델에 반영하고, 상기 제 1 영역의 예측 수치를 업데이트하여 표시하는 단계를 포함할 수 있다.

본 발명에 따르면, 추천 문제와 관련된 사용자의 학습 능력을 다양한 인공지능 모델을 통해 분석하여 문제 카드 형태로 제공함으로써, 사용자가 추천 문제에 관한 정보와 풀이의 필요성을 직관적으로 파악할 수 있는 효과가 있다.

본 발명은 문제 카드의 스와이프 기능을 통해 사용자의 취향에 따른 추천 문제의 선택을 가능하게 하여, AI 튜터가 일방적으로 추천 문제를 제공하던 기존의 강제적인 관계에서 탈피하여, 사용자와 AI 튜터간 일대일 쌍방향 인터렉션(interaction)이 가능한 효과가 있다.

본 발명은 사용자가 풀기를 원하지 않는 추천 문제를 스킵하고 대신 다른 문제를 요청할 수 있게 하여, 학습 프로그램에서 중도에 이탈함으로써 발생하는 학습 효율성 감소를 방지할 수 있는 효과가 있다.

도 1은 본 발명의 실시 예에 따른 학습 컨텐츠 제공 장치 및 그 운용 환경을 설명하기 위한 도면이다.
도 2는 본 발명의 실시 예에 따른 인트로 화면의 구성과 레이더 차트를 설명하기 위한 도면이다.
도 3은 본 발명의 실시 예에 따른 AI 예측 수치를 상세하게 설명하기 위한 도면이다.
도 4는 본 발명의 실시 예에 따른 AI 튜터의 전반적인 동작을 설명하기 위한 도면이다.
도 5는 본 발명의 실시 예에 따른 문제 카드를 상세하게 설명하기 위한 도면이다.
도 6은 본 발명의 실시 예에 따른 문제 카드의 그라데이션 표시창을 설명하기 위한 도면이다.
도 7은 본 발명의 실시 예에 따른 스와이프 안내 메시지를 설명하기 위한 도면이다.
도 8은 본 발명의 실시 예에 따른 스와이프 동작을 설명하기 위한 도면이다.
도 9는 본 발명의 실시 예에 따른 커스터마이즈 설정을 설명하기 위한 도면이다.
도 10은 본 발명의 실시 예에 따른 가장 높은 값을 가지는 항목이 1개인 경우의 레이더 차트를 설명하기 위한 도면이다.
도 11은 본 발명의 실시 예에 따른 가장 높은 값을 가지는 항목이 2개 이상인 경우의 레이더 차트를 설명하기 위한 도면이다.
도 12는 본 발명의 실시 예에 따른 모든 항목의 값이 동일한 경우의 레이더 차트를 설명하기 위한 도면이다.

전술한 목적, 특징 및 장점은 첨부된 도면을 참조하여 상세하게 후술되며, 이에 따라 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 본 발명의 기술적 사상을 용이하게 실시할 수 있을 것이다. 본 발명을 설명함에 있어서 본 발명과 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 상세한 설명을 생략한다.

이하, 첨부된 도면을 참조하여 본 발명에 따른 바람직한 실시 예를 상세히 설명하기로 한다. 도면에서 동일한 참조부호는 동일 또는 유사한 구성요소를 가리키는 것으로 사용되며, 명세서 및 특허청구의 범위에 기재된 모든 조합은 임의의 방식으로 조합될 수 있다. 그리고 다른 식으로 규정하지 않는 한, 단수에 대한 언급은 하나 이상을 포함할 수 있고, 단수 표현에 대한 언급은 또한 복수 표현을 포함할 수 있음이 이해되어야 한다.

본 명세서에서 '문제 풀기 모드'의 용어는 학습자가 지문과 문제를 듣거나 읽고 보기를 선택할 수 있는 상태를 의미하며, '채점 모드'는 학습자가 선택한 보기의 결과 및 해설을 제공하는 상태를 의미한다.

또한, 본 명세서에서 '지문 객체'는 지문을 나타내는 독립적인 객체로 그 특성에 따라 문자 지문, 사진 지문, 음성 지문으로 분류될 수 있다. '문자 지문’은 문제를 풀기 위해 주어진 내용의 글을 의미하며, '사진 지문'은 문제를 풀기 위해 주어진 사진, '음성 지문'은 문제를 풀기 위해 주어진 음성을 의미한다. 문제와 보기가 모두 음성으로 이루어진 듣기 문제의 경우 '음성 지문'에는 내용상 보기와 관련된 음성도 포함될 수 있는 것으로 이해될 수 있다.

‘문제 객체'는 질문 및/또는 보기로 구성되어 사용자의 보기 선택 입력을 수신할 수 있는 객체로 하나의 문제에 대응되는 개념이다. 본 발명의 명세서 전반에서 '문제'는 지문과 보기로 이루어진 컨텐츠를 의미하며, 하나의 문제가 하나의 지문과 연관되어 있는 '단일 문제', 다수의 문제가 하나의 지문과 연관되어 있는 '결합 문제 또는 그룹 문제'를 모두 포함하는 개념인 것으로 이해될 수 있다.

‘학습 컨텐츠'는 포괄적으로 학습에 활용되는 컨텐츠를 모두 포함하는 개념으로, 주제 별(명사, 동사, 부사, 전치사, 문법, 듣기, 쓰기, 읽기, 문장 형식 등), 문제 유형 별(토익의 Part 1, Part 2, … 등)로 구성된 컨텐츠일 수 있으며, 학습 방식(문제 풀이, 영상 강의, 텍스트 강의 등)에 따라 분류 될 수 있다. 즉, 학습 컨텐츠는 문제 풀이 컨텐츠, 강의 컨텐츠 등을 모두 포괄하는 개념이다. 본 명세서에서는 일 예로 하나 이상의 문제로 이루어진 '문제 풀이 컨텐츠'가 제공되는 경우의 일 실시 예를 설명하고 있으며, 다른 실시 예의 설명에서 학습 컨텐츠를 지문 객체와 문제 객체로 구분하여 설명하기도 하였다.

도 1은 본 발명의 실시 예에 따른 학습 컨텐츠 제공 장치 및 그 운용 환경을 설명하기 위한 도면이다.

도 1을 참조하면, 본 발명의 학습 컨텐츠 제공 장치(100)는 UI 생성부(130), 저장부(150), 통신부(170)를 포함하는 서버일 수 있으며, 학습자 관리부(190)를 더 포함할 수 있다. 학습 컨텐츠 제공 장치(100)는 유무선 네트워크를 통해 학습자 단말(50)에 문제를 제공하며, 학습자 단말(50)은 웹 브라우저 또는 단말(50)에 설치된 응용 프로그램을 통해 문제를 확인할 수 있다.

UI 생성부(130)는 저장부(150)에 저장된 문제 풀이 및 학습 컨텐츠를 효과적으로 제공할 수 있는 사용자 인터페이스를 생성한다. 문제 풀이 및 학습 컨텐츠에는 토익(TOEIL), 토플(TOEFL), 아이엘츠(IELTS), JLPT, HSK 등과 같은 외국어 시험 문제가 포함될 수 있으며, 초, 중, 고 학생들의 과목별 학습지 문제가 포함될 수 있다. 본 명세서에서는 주요 예시로 웹 페이지를 통해 토익 시험 문제가 제공되는 경우의 일 실시 예를 중심으로 설명할 것이나, 본 발명은 문제의 내용 및 종류에 한정되지 않는다.

UI 생성부(130)는 웹 페이지를 통해 문제를 제공하기 위하여 하기와 같은 웹 페이지를 구성할 수 있다.

UI 생성부(130)는 도 2에 표시된 바와 같은 인트로 화면을 표시할 수 있다. 인트로 화면은 사용자가 학습 프로그램을 실행시키면 가장 먼저 화면상에 표시되는 화면일 수 있다.

인트로 화면은 커스터마이즈 설정 객체(200), 레이더 차트(300), 학습 프로그램 시작 객체(400)를 포함할 수 있다.

커스터마이즈 설장 객체(200)를 클릭하면, 후술되는 도 9와 같이 문제가 추천되는 기준을 사용자가 선택할 수 있는 커스터마이즈 설정창이 활성화될 수 있다. 커스터마이즈 설정은 특정 과목에 대한 문제만 추천 받기, 특정 태그가 부착된 문제만 추천 받기, 특정 난이도의 문제만 추천 받기를 포함한 다양한 사용자 맞춤형 문제 추천 조건을 설정할 수 있는 기능일 수 있다.

레이더 차트(300)는 사용자 개인에 대한 AI 예측 수치를 제공하기에 앞서, 각 예측 수치가 나타내는 정보가 무엇인지 표시할 수 있다. 레이더 차트 객체(300)는 다섯 개의 인공지능 예측 수치를 표시하는 것으로 도시였지만, 실시 예에 따라 더 많거나 적은 수의 예측 수치가 포함될 수 있으며, 각 예측 수치가 나타내는 정보도 실시 예에 따라 달라질 수 있다.

사용자는 각 예측 수치가 무엇을 의미하는지 도 2에서 연결되는 도 3의 화면을 통해 확인할 수 있다. 사용자는 도 2의 인트로 화면에서 화면을 아래로 드래그하여 도 3을 불러올 수 있고, 이를 통해 본격적으로 학습을 시작하기에 앞서 AI 튜터가 제공하는 추천 문제의 문제 카드를 이해하는 방법을 미리 안내받을 수 있다.

다만, 도 2와 도 3의 화면을 모두 표시하기에 충분한 화면 크기를 갖는 경우, 별도의 드래그 동작 없이도 사용자는 도 2와 도 3의 동일한 화면에서 동시에 확인할 수 있다.

학습 프로그램 시작 객체(400)를 클릭하면 레이더 차트와 함께 추천 문제가 제공되며 본격적인 학습이 시작될 수 있다.

도 3은 본 발명의 실시 예에 따른 인공지능 예측 수치를 상세하게 설명하기 위한 도면이다.

도 3을 참조하면, 사용자는 전술한 각 예측 수치가 무엇을 의미하는지 확인할 수 있다. 구체적으로, 예측 획득 점수(310b)는 추천 문제를 풀이한 후 인공지능을 통해 예측되는 시험 점수 일 수 있다. 추천 문제를 맞히면 다음 추천 문제와 문제 카드 제공시 예측 점수가 상향 조정될 수 있을 것이고, 반대로 추천 문제를 틀릴 경우 다음 추천 문제와 문제 카드 제공시 예측 점수가 하향 조정될 것이다.

사용자는 하나의 문제를 풀이할 때마다 예측 문제 점수를 확인하고 자신의 목표 점수와 비교함으로써, 한 문제라도 더 맞추어 예측 획득 점수가 목표 점수에 도달하고자 하는 동기를 부여받을 수 있다.

풀이 완료 확률(320b)은 사용자가 문제를 접한 후 풀이를 완료할 확률일 수 있다. 즉, 문제 풀이를 시작하고서도 학습 프로그램을 종료하지 않고 끝까지 문제를 풀 확률일 수 있다. 사용자는 풀이 완료 확률(320b)을 보고 문제의 난이도를 유추할 수 있고, AI 튜터가 제시한 풀이 완료 확률(320b)에 도전하여 끝까지 문제를 완료하겠다는 의지를 가질 수 있다.

사용자는 자신의 학습 능력보다 난이도가 더 높은 문제를 꾸준히 접하고 고민하는 과정을 통해 학습 능력을 배양할 수 있다. 풀이 완료 확률(320b)은 이처럼 어려운 문제를 접했을 때 학습 프로그램을 종료하고 싶은 사용자의 욕구를 감소시킬 수 있고 보다 많은 고난이도 문제를 꾸준히 풀게 끔 유도하는 효과가 있다.

정답 확률(330b)은 주어진 문제를 맞출 확률일 수 있다. 정답 확률(330b)의 연산에는 이하 설명되는 다양한 방법들이 사용될 수 있다.

예를 들어, 순환 인공 신경망(RNN) 구조의 인공지능 모델을 사용하더라도, 1) 사용자가 풀이한 문제 및 상기 문제의 응답을 포워드 시퀀스 및 백워드 시퀀스로 임베딩한 양방향 LTSTM 구조를 사용하는 방법, 2) 단순히 문제 벡터의 유사성이 아닌, 정답 확률을 예측하는데 높은 영향을 준 문제에 가중치를 부여하여 이를 기초로 정답 확률을 연산하는 방법이 사용될 수 있다.

또한, 트랜스포머(Transformer) 구조 인공지능 모델을 사용하더라도, 1) 인공지능 모델을 학습시키기 위한 학습 데이터로 문제 정보를 인코더에 입력하고 풀이 정보를 디코더에 입력시키는 방법, 2) 아직 풀지 않은 문제로부터 정답 확률이 예측되는 것을 방지하기 위해, 인코더와 디코더 양측 모두에서 상부 삼각 마스킹(upper triangular masking)을 수행하는 방법 등이 사용될 수 있다.

사용자는 추천 문제의 정답 확률(330b)을 확인하고, 정답 확률이 높은 문제는 풀이가 불필요하다고 판단하고 다음 문제로 넘어갈 수 있다. 반대로, 정답 확률이 너무 낮은 문제는 자신의 학습 수준에서 시기상조라고 판단하고 다음 문제로 넘어갈 수도 있다. 나아가, 정답 확률(330b)이 낮은 경우 반드시 맞추고 말겠다는 의욕이 고취되어 학습에 더욱 집중할 수 있도록 하는 자극제가 될 수도 있다.

온타임 확률(340b)은 미리 설정된 시간안에 주어진 문제를 풀 확률일 수 있다. 사용자는 온타임 확률(340b)을 확인하고 자투리 시간에 추천 문제를 풀어보고자 할 수 있고, 주어진 시간 내에 문제를 풀이하고자 하는 노력을 통해 점차 향상된 문제 풀이 속도를 가질 수 있다.

차별성(350b)은 이전에 사용자가 풀이한 문제와 새롭게 주어진 문제가 얼마나 다른지 정량적으로 나타낸 수치일 수 있다. 반복적으로 비슷한 유형의 문제만 풀 경우, 사용자는 쉽게 지루함을 느끼고 학습을 종료할 수 있다. 본 발명의 실시 예에 따른 AI 튜터는 이전에 푼 문제들과의 차이를 정량적인 지표로 표현한 차별성(350b)을 제공함으로써, 반복적으로 풀었던 문제 대신 좀더 새로운 유형의 문제를 풀고자 하는 사용자의 니즈를 반영할 수 있다.

정답 확률(350b) 뿐만 아니라, 각각의 예측 수치는 다양한 인공지능 모델에 따라 예측될 수 있다. 인공지능은 경험적 데이터를 기반으로 인공지능 모델을 학습하고 예측을 수행하고 스스로의 성능을 향상시키는 시스템과 이를 위한 알고리즘의 집합으로 정의될 수 있다.

본 발명의 실시 예에 따른 학습 프로그램이 이용하는 모델은 이러한 머신 러닝의 모델 중 심층 신경망(Deep Neural Networks, DNN), 컨볼루션 신경망(Convolutional deep Neural Networks, CNN), 순환 인공 신경망(Reccurent Neural Network, RNN) 및 심층 신뢰 신경 망(Deep Belief Networks, DBN) 중 어느 하나를 이용한 것일 수 있다.

또한, 유닛간의 연결이 순환적 구조를 갖는 특징을 가져 시변적 동적 특징을 모델링할 수 있도록 신경망 내부에 상태를 저장하는 순환 인공 신경망(RNN), 순환 인공 신경망의 한 종류로 게이트를 이용하여 장기와 단기 기억을 모두 가능하게 구현한 장단기 기억 메모리(LSTM), 인코더와 디코더를 분리하고 셀프 어텐션(self-attention)을 통해 가중치를 부여하는 구조의 트랜스포머(transformer), 버트(BERT) 중 어느 하나의 인공지능 모델을 이용한 것일 수 있다.

각 인공신경망 모델은 사용자의 문제 풀이 결과를 종합하여 정답 확률 예측에 많은 영향을 미치는 문제들, 예를 들어 자주 틀리는 유형의 문제들에 가중치를 부여할 수 있다. 가중치가 부여되는 동작은 인공신경망의 학습 과정으로 지칭될 수 있다.

학습이 완료된 인공신경망은 결정된 가중치를 기초로 인공지능 예측 수치를 연산하고 사용자의 학습 능력을 고려하여 학습 효율이 보다 높을 것으로 예측되는 추천 문제를 제공할 수 있다.

인공지능 모델에 무관하게, 인공지능 모델의 학습과 추론에 사용되는 입력 데이터의 구성을 학습 컨텐츠에 최적화된 포맷으로 구성할 수도 있다. 예를 들어, 인공지능 모델에 입력되는 문제 정보는 문제마다 부여되는 고유 ID인 문제 식별 정보, 해당 문제가 어떤 유형의 문제인지 알려주는 문제 카테고리 정보, 해당 문제가 전체 문제 시퀀스 내에서 어디에 위치하는지를 알려주는 위치 정보 중 적어도 하나 이상을 포함할 수 있고, 응답 정보는 위치 정보, 사용자의 응답이 정답인지 오답인지 나타내는 응답 정확성 정보 중 적어도 하나 이상을 포함하도록 구성되어, 보다 높은 정확성을 가지는 인공지능 모델을 구현할 수 있다.

이러한 문제 정보와 응답 정보의 데이터 포맷은 특히 예측 획득 점수 또는 정답 확률을 연산하는데 효과적일 수 있다.

실시 예에 따라, 문제 정보는 문제 식별 정보, 문제 카테고리 정보, 사용자가 문제를 처음 접한 시간인 시작 시간 정보, 해당 문제 또는 응답이 전체 문제 시퀀스 또는 응답 시퀀스 내에서 어디에 위치하는지에 관한 입력 시퀀스 위치 정보, 하나의 세션에서 문제 또는 응답이 어디에 위치하는지에 관한 세션 위치 정보 중 적어도 어느 하나 이상을 포함할 수 있고, 응답 정보는 시작 시간 정보, 입력 시퀀스 위치 정보, 세션 위치 정보, 응답 정확성 정보, 소요 시간 정보, 시간내 풀이 정보와 사용자가 학습 중 학습 프로그램을 이탈할 확률인 이탈율 정보 중 적어도 어느 하나 이상을 포함할 수 있다.

이러한 문제 정보와 응답 정보의 데이터 포맷은 특히 풀이 완료 확률을 연산하는데 효과적일 수 있다.

본 발명의 실시 예에서, 추천 문제가 제공될 때마다 추천 문제와 함께 문제 카드가 사용자에게 제공될 수 있다. 사용자는 추천 문제와 관련된 사용자의 인공지능 예측 수치와 추천 문제 자체에 관한 정보를 문제 카드를 통해 확인하고 취향에 따라 문제를 풀지 여부를 결정할 수 있다.

사용자가 문제를 풀이할 때마다, 사용자의 풀이 결과를 반영하여 인공지능 예측 수치가 갱신될 수 있다. 사용자의 문제 풀이 결과는 실시간으로 저장되고 인공지능 모델에 반영되어 가중치가 조정될 수 있다. 조정된 가중치는 임의의 사용자가 풀이하지 않은 문제가 입력되면 인공지능 예측 수치를 연산하는데 사용될 수 있다.

이 과정은 사용자가 문제 풀이를 완료하는 매 시점마다 반복될 수 있고, 변화되는 사용자의 학습 능력은 실시간으로 인공지능 모델에 반영될 수 있다. 학습자는 저마다 다른 개성과 능력을 갖기 때문에 가장 학습 효율이 높을 것으로 예측되는 학습 컨텐츠를 제공할 필요가 있다. 그러나, 기존의 학습 컨텐츠는 단순히 정답 확률만을 알려주거나 예상 점수만을 간략히 제공하는데 불과하여, 사용자는 분석된 정보를 효과적으로 학습에 연계시키기가 어려운 문제가 있었다.

본 발명의 실시 예에 따른 학습 컨텐츠 제공 방법 및 장치에 따르면, 사용자는 문제 카드를 통해 추천 문제와 자신의 학습 능력의 상관관계를 미리 가늠해볼 수 있고, 사용자의 취향에 따른 추천 문제의 선택이 가능함으로써, AI 튜터가 일방적으로 추천 문제를 제공하던 기존의 강제적인 관계에서 탈피하여 사용자와 AI 튜터간 일대일 쌍방향 인터렉션(interaction)이 가능할 수 있다.

다시 도 2를 참조하면, 사용자는 학습 프로그램 시작 개체(400)를 클릭하여 추천 문제와 추천 문제에 대한 문제 카드를 제공받을 수 있다. 학습 프로그램 시작 개체를(400)를 클릭하면 일정 시간의 로딩 후에 문제 카드가 활성화될 수 있다.

전술한 일련의 과정은 도 4에 대한 설명을 통해 이해될 수 있다. 사용자가 학습 프로그램 시작 개체(400)를 클릭하면, 사용자의 유/무선 네트워크 환경에 따라 일정 시간의 로딩을 거친 후 문제 카드가 활성화될 수 있다.

도 5를 참조하면, 문제 카드는 제1 영역(510)에 복수의 예측 수치를 포함하는 레이더 차트를, 제2 영역(520)에 추천 문제에 대한 요약 정보를, 제3 영역(530)에 학습 현황 표시창을, 제4 영역(540)에 문제 프리뷰 이미지를 포함할 수 있다. 또한, 문제 카드는 제5 영역(550)에 사용자의 선택에 따라 문제 추천 조건을 설정할 수 있는 커스터마이즈 설정창을 실행시킬 수 있는 커스터마이즈 설정 객체를, 제6 영역(560)에 예측 현황 표시창을 포함할 수 있다.

추천되는 문제는 인공지능 모델을 통해 분석된 사용자의 학습 능력을 고려하여 결정될 수 있다. 고려되는 학습 요인은 문제 카드에 표시되는 각 문제에 대한 예측 수치 중 적어도 어느 하나 이상을 포함할 수 있다. 인공지능 모델은 예측 획득 점수(310c), 풀이 완료 확률(320c), 정답 확률(330c), 온타임 확률(340c), 차별성(350c) 중 적어도 어느 하나 이상의 예측 수치를 이용하여 추천 문제를 결정할 수 있다.

예를 들어, 1) 정답 확률(330c)만을 기준으로, 설정값보다 작은 정답 확률을 가지는 문제들을 추천 문제로 결정할 수도 있고, 2) 정답 확률(330c)과 풀이 완료 확률(320c)을 기준으로, 정답 확률(330c)이 제1 설정값보다 작은 문제들 중 풀이 완료 확률(320c)이 제2 설정값보다 큰 문제들을 추천 문제로 결정할 수도 있고, 3) 모든 예측 수치를 고려하여, 1차적으로 다섯 개의 예측 수치의 평균값을 제3 설정값과 비교한 후, 2차적으로 정답 확률(330c)이 제4 설정값보다 작은 문제들을 추천 문제로 결정할 수 있다.

예측 수치를 이용한 추천 문제 결정에는 다양한 방법이 사용될 수 있으며, 전술한 다섯 개의 예측 수치 외에도 다양한 인공지능 모델의 예측 데이터를 통해 추천 문제가 결정될 수 있다.

활성화되는 문제 카드에는 사용자 개인의 학습 능력이 반영된 인공지능 예측 점수가 표시될 수 있다. 사용자는 문제 카드를 통해, 해당 문제 카드에 대응되는 문제를 맞출 경우의 예측 획득 점수(310c), 해당 문제를 풀이하는 도중 학습 프로그램을 이탈하지 않고 풀이를 완료할 확률(320c), 해당 문제를 맞출 정답 확률(330c), 주어진 시간안에 문제 풀이를 완료할 온타임 확률(340c), 이전에 사용자가 풀었던 문제와 해당 문제가 얼마나 다른 지 정량적으로 표현한 차별성(350c)을 확인할 수 있다.

AI 튜터는 사용자에게 한 번에 하나의 추천 문제와 이에 대한 문제 카드를 제공할 수 있다. 종래 용지에 프린트된 물리적인 시험지를 단순히 스캔하거나 시험지의 구성을 그대로 모바일 환경에 옮겨온 경우가 빈번하였다. 사용자는 작은 화면에서 다수의 문제와 지문을 모두 읽고 풀어야하기 때문에 오랫동안 집중하기가 어렵고 금방 학습 프로그램을 종료하고 이탈하는 문제가 있었다.

본 발명의 실시 예에 따른 학습 컨텐츠 제공 장치 및 방법은, 한번의 문제 풀이에 한 개의 추천 문제를 잘 정돈된 사용자 인터페이스 상에서 제공하고, 문제 카드를 통해 추천 문제의 분석된 정보를 제공받을 수 있어 사용자의 집중력을 증가시키고 이탈 확률을 감소시킬 수 있는 효과가 있다,

나아가, 문제 카드는 문제 자체에 대한 요약 정보를 표시하여 해당 문제를 풀이할지 여부에 대한 사용자의 취사 선택에 도움을 줄 수 있다.

도 5를 참조하면, 문제 카드는 제4 영역(540)에 문제 프리뷰 이미지를 포함할 수 있다. 또한, 제5 영역(550)에 사용자의 선택에 따라 문제 추천 조건을 설정할 수 있는 커스터마이즈 설정창을 실행시킬 수 있는 커스터마이즈 설정 객체를 포함할 수 있다.

학습 현황 표시창은 진도율(progress), 맞춘 문제 개수, 틀린 문제 개수, 풀이한 문제 개수, 스킵한 문제 개수 중 적어도 하나 이상을 포함할 수 있다. 사용자는 학습 현황 표시창을 통해 직관적으로 자신이 전체 학습 과정 중 어느 정도 학습을 진행했는지 실시간으로 확인할 수 있다.

학습 현황 표시창은 인공지능 모델이 권장하는 특정 시간 내에 풀어야 할 권장 문제 수를 더 포함할 수 있다. 특정 시간은 사용자의 평균 학습 시간, 하루, 일주일 또는 한달 등 실시 예에 따라 다양하게 정의될 수 있다. 사용자는 권장 문제 수를 통해 목표 학습량을 가질 수 있다. 사용자가 추상적으로 문제를 풀이할 때보다, 구체적인 목표 학습량을 가지고 학습할 때 더욱 집중하여 보다 많은 문제를 풀어볼 수 있다.

권장 문제 수는 다양한 알고리즘에 따라 연산될 수 있다. 예를 들어, 사용자의 평균 문제 풀이 속도를 고려하여 초기 권장 문제 수를 결정하고, 조금씩 권장 문제 수를 늘려가는 방법으로 사용자의 문제 풀이 속도를 향상시키도록 결정될 수 있다. 또한, 문제의 난이도에 따라 권장 문제 수를 결정할 수도 있다. 문제의 난이도가 높은 문제들이 다수 포함된 경우 권장 문제 수는 감소할 수 있고, 난이도가 낮은 문제들이 다수 포함된 경우 권장 문제 수는 증가할 수 있다. 권장 문제 수는 이외에도 다양한 사용자의 학습 데이터를 종합하여 결정될 수 있다.

문제 프리뷰 이미지는 문제 객체의 일부를 표시하고, 사용자는 이를 통해 풀이할 문제를 개략적으로 확인할 수 있다. 문제 프리뷰 이미지는 레이더 차트와 오버랩되어 반투명한 이미지로 표시될 수 있다. 문제 프리뷰 이미지가 표시하는 문제 객체의 일부는 문제 객체의 상단 일부일 수 있다. 예를 들어, 문제만 표시되고 보기 지문은 잘리거나, 문제와 보기 지문의 일부만 표시될 수 있다.

다만, 실시 예에 따라 문제 프리뷰 이미지는 문제 객체에서 중요하다고 판단되는 핵심 내용을 발췌하는 방식으로 표시될 수 있다. 핵심 내용은 문제 객체의 핵심 키워드, 핵심 문장, 지문의 주제를 표시하는 단어, 어구, 문장 등을 포함할 수 있다. 핵심 내용은 사전에 전문가에 의해 발췌되어 문제 객체에 태그되어 저장되어 있을 수 있다.

사용자가 추천 문제를 풀고자 할 경우, 문제 카드의 임의의 영역을 클릭하거나 미리 설정된 방향으로 화면을 드래그하거나 화면을 더블 클릭하는 등 미리 설정된 동작을 수행할 수 있다. 이때, 문제 프리뷰 이미지는 반투명 상태에서 선명한 이미지로 전환되고, 레이더 차트는 반대로 투명도가 점차 증가되면서 결국 화면에서 사라지고 문제 객체만 화면상에 표시될 수 있다.

다만, 밝기 변화를 통한 문제 카드와 문제 프리뷰 이미지의 전환은 하나의 예이고, 문제 카드와 문제 프리뷰 이미지는 화면의 일측에서 날아오기, 회전되며 표시되기, 바운드되거나 닦아내기 효과와 함께 표시 또는 사라지기 등 다양한 기법에 의해 전환될 수 있다.

과목 정보는 해당 문제가 수학, 과학, 영어, 국어, 사회, 역사 등 어떤 과목에 해당하는지 보여주는 정보일 수 있다. 문제 난이도 정보는 평균적인 사용자의 학습 수준에 비추어 상대적으로 정답 확률이 낮은 문제는 어려운 문제(Hard), 정답 확률이 평균적인 문제는 보통 난이도의 문제(Normal), 정답 확률이 높은 문제는 쉬운 문제(Easy)로 표시될 수 있다.

문제 카드의 제5 영역(550)에는, 특정 과목에 대한 문제만 추천 받기, 특정 태그가 부착된 문제만 추천 받기 또는 특정 난이도의 문제만 추천 받기 중 적어도 어느 하나 이상을 포함하는 문제 추천 조건을 설정할 수 있는 커스터마이즈 설정 객체를 포함할 수 있다. 사용자가 상기 커스터마이즈 설정 객체를 클릭하면, 상기 문제 추천 조건을 설정할 수 있는 커스터마이즈 설정창이 활성화될 수 있다.

문제 유형에 대한 태그 정보(523)는 문법, 어휘, 듣기, 읽기, 말하기 등 해당 문제의 주제나 문제 풀이에 핵심이 되는 단어, 단어, 이메일, 기사, 편지, 공문서와 같은 지문의 형식, 문제는 to부정사, 관사, 동명사, 시제와 문제의 핵심 개념 등을 개략적으로 어떤 주제 또는 형식의 문제인지 확인할 수 있는 정보일 수 있다.

사용자는 문제 카드를 통해 대응되는 추천 문제에 관한 정보를 확인할 수 있고 문제를 풀지 여부를 결정할 수 있다. 만약, 사용자가 문제 풀기를 원하지 않는 경우, 스와이프(swipe) 등 미리 설정된 동작을 통해 현재 추천 문제를 스킵하고 다음 추천 문제로 넘어갈 수 있다.

사용자는 문제 카드의 제6 영역(560)은 예측 현황 표시창을 포함할 수 있다. 사용자는 예측 현황 표시창을 통해 현재 진행 중인 학습에 대한 예측 현황 데이터를 확인할 수 있다. 제6 영역(560)에 예측 현황 데이터가 바로 표시될 수도 있고, 사용자가 클릭하면 별도의 예측 현황 표시창이 팝업되면서 표시될 수도 있다. 실시 예에 따라, 예측 현황 표시창은 도 6의 그라데이션 표시창(590)일 수 있다.

예측 현황 데이터는 현재까지 풀이한 문제를 기초로 예측된 예측 점수, 예측 점수의 추이, 예측 점수가 최신화되기까지 추가로 더 풀어야할 문제 수 중 적어도 어느 하나 이상을 포함할 수 있다.

사용자가 문제를 풀이할 때마다 문제 풀이 결과를 반영하여 실시간으로 예측 현황 데이터가 갱신될 수 있다. 본 발명의 실시 예에 따른 학습 컨텐츠 제공 방법 및 장치는, 매 문제 풀이마다 예측 점수를 새롭게 연산하고, 지난 예측 점수 히스토리를 종합하여 예측 점수 추이를 표시할 수 있다. 예측 점수 추이는 다양한 종류의 그래프 또는 표를 활용하여 표시될 수 있다.

다만, 실시 예에 따라, 점수를 예측하기 위해서는 하나의 문제가 아닌 점수를 예측하기에 충분한 두 개 이상의 문제 풀이 결과를 필요로 할 수 있다. 예측 현황 표시창은 예측 점수가 최신화되기까지 추가로 풀어야할 문제 수를 예측 현황 표시창에 표시할 수 있다.

사용자는 푼 문제의 개수를 카운터 창(561)을 통해 확인할 수 있다. 카운터 창(561)에는 각 챕터(chapter)별로 사용자가 푼 문제의 개수가 표시될 수도 있고, 전체 챕터를 통틀어 사용자가 풀이한 문제의 개수가 표시될 수도 있고, 예측 점수가 연산될 때마다 초기화되어, 예측 점수가 초기화되면 다시 0부터 카운트될 수도 있다. 사용자는 카운터 창(561)을 통해 예측 점수를 높이고자 문제풀이를 이어갈 수 있고, 전술한 과정을 통해 보다 많은 문제 풀이를 유도할 수 있는 효과가 있다.

도 6은 본 발명의 실시 예에 따른 문제 카드의 그라데이션 표시창을 설명하기 위한 도면이다.

도 6을 참조하면, 그라데이션 표시창(590)은 문제 카드가 표시된 도 5의 화면에서 문제 정보 더보기 객체(524)를 클릭하거나, 또는 화면의 아래 부분에서 위 부분으로 드래그하는 동작 등으로 활성화될 수 있다.

그라데이션 표시창(590)은 도 5의 하단에 표시된 과목 정보(521), 문제 난이도(522), 문제 유형에 대한 태그 정보(523)만으로 확인할 수 없는 추천 문제에 대한 부가적인 정보들을 표시할 수 있다.

예를 들어, 학습자가 향후 추천 문제를 풀 때, 참고할 수 있는 조언(tip), 다른 사용자들의 평균적인 정답 확률, 출제 빈도, 추천 문제로 결정한 이유에 관한 전문가의 설명이 포함될 수 있다. 이러한 부가 정보들은 모두 저장부(150)에 저장된 것으로, 사용자의 선택에 따라 팝업될 수 있다.

사용자는 설정을 통해 이들 부가 정보들 중 어느 하나 이상을 과목 정보(521), 문제 난이도(522), 문제 유형에 대한 태그 정보(523)가 표시된 문제 카드의 하단에 고정시킬 수 있고, 반대로 과목 정보(521), 문제 난이도(522), 문제 유형에 대한 태그 정보(523) 중 적어도 어느 하나 이상을 그라데이션 표시창(590)으로 이동시킬 수 있다.

또한, 도 5에 대한 설명에서 전술한 바와 같이 그라데이션 표시창(590)은 예측 현황 표시창을 포함할 수 있다. 사용자는 예측 점수, 예측 점수 추이, 예측 점수를 최신화하기까지 추가로 풀어야 할 문제 수 중 적어도 어느 하나 이상을 그라데이션 표시창(590)을 통해 확인할 수 있다.

이처럼, 사용자는 추천 문제를 결정하는 조건을 설정할 수 있을 뿐만 아니라, 자신의 취향에 따라 문제 카드의 구성 자체를 변경할 수 있다. 학습 프로그램의 사용자 수만큼 다양한 조합의 문제 카드의 조합이 가능하며 사용자 간에 자신의 문제 카드를 구성을 공유하고 사용자마다 자신의 취향을 정확하게 반영할 수 있는 구성으로 문제 카드를 재구성할 수 있다.

도 7은 본 발명의 실시 예에 따른 스와이프 안내 메시지를 설명하기 위한 도면이다.

도 7을 참조하면, 학습 프로그램 실행시, 도 2의 인트로 화면이 활성화되기 전에 먼저 도 7의 스와이프 안내 메시지(710)가 활성화될 수 있다. 스와이프 안내 메시지(710)는 사용자가 최초 학습 프로그램을 실행시켰을 때 1회만 활성화되거나, 또는 사용자의 설정에 따라 특정 시점까지만 활성화되도록 설정될 수 있다.

스와이프 안내 메시지(710)를 확인하고 클릭하면, 인트로 화면으로 넘어갈 수 있는 실행 버튼(720)이 활성화될 수 있다. 실행 버튼(720)을 클릭하면, 인트로 화면으로 전환되어 학습을 수행할 수 있는 사용자 인터페이스 환경이 활성화될 수 있다.

도 8은 본 발명의 실시 예에 따른 스와이프 동작을 설명하기 위한 도면이다.

도 8을 참조하면, 사용자는 AI 튜터로부터 추천 문제를 제공받고, 추천 문제가 마음에 들지 않을 경우 특정 방향으로 화면을 스와이프하여 현재 표시된 문제를 스킵하고 다음 문제로 넘어갈 수 있다. 스와이프 동작은 화면의 일 영역에서 다른 영역까지 미리 설정된 거리 이상 연속적으로 드래그하는 동작으로 설명될 수 있다.

일 실시 예에서, 좌측 스와이프와 우측 스와이프를 구분하여 설명하였지만, 양자 모두 현재 문제를 스킵하고 다음 문제로 넘어가도록 제어하는 점에서 동일한 기능을 수행할 수 있다.

다른 실시 예에서, 좌측(또는 우측) 스와이프는 현재 문제를 스킵하고 다음 문제로 넘어가도록 하는 명령이고, 우측(또는 좌측) 스와이프는 현재 문제를 풀고자 하여 문제 풀이 화면으로 넘어가도록 하는 명령일 수 있다.

또 다른 실시 예에서, 스와이프 동작은 방향에 따라 다양한 명령(기대되는 동작)을 수행하도록 설정될 수 있다. 예를 들어, 우측 스와이프는 '다시 보고 싶지 않은 문제', 좌측 스와이프는 '미리 설정된 시간 후에 다시 보고 싶은 문제'로 설정될 수 있다. 좌우측 뿐만 아니라 360도 임의의 방향으로의 스와이프의 동작에 따라 기대되는 동작을 다르게 설정할 수 있고, 기대되는 동작 또한 문제를 호출하거나 스킵하는 여러가지 방법을 포함할 수 있다.

도 9는 본 발명의 실시 예에 따른 커스터마이즈 설정을 설명하기 위한 도면이다.

도 9를 참조하면, 사용자는 인트로 화면에서 커스터마이즈 설정 객체(200)를 클릭하여 커스터마이즈 설정창을 활성화시킬 수 있다.

사용자는 커스터마이즈 설정창을 통해 추천 문제를 결정하는 기준을 선택할 수 있다. 예를 들어, 특정 과목에 대한 문제만 추천 받기, 특정 태그가 부착된 문제만 추천 받기, 특정 난이도의 문제만 추천 받기를 포함한 다양한 사용자 맞춤형 문제 추천 조건을 설정할 수 있다.

도 9에는 네 개의 설정 영역(210, 220, 230, 240)을 각기 설정할 수 있는 것으로 도시 되었지만, 실시 예에 따라 더 많거나 적은 수의 검색 조건이 포함될 수 있다. 검색 조건은 “Insert here”란에 미리 적용되어 있을 수 있고 사용자는 각 설정 영역의 우측에 위치한 활성화 버튼(211, 221, 231, 241)을 통해 활성화 또는 비활성화 시킬 수 있다.

도 9에는 활성화 버튼(211, 221, 231, 241)이 동그란 원을 좌측 또는 우측으로 이동시켜 활성화 또는 비활성화 시키는 라디오 버튼 형태(radio button)로 표시되었지만, 실시 예에 따라, 활성화 버튼(211, 221, 231, 241)은 검색 조건을 특정 범위로 설정하기 위한 슬라이드 버튼(slide button) 또는 다이얼 버튼으로 구현될 수도 있고, 사용자가 추천 문제의 조건을 직접 입력하는 방법으로도 구현될 수 있다.

도 5는 커스터마이즈 설정 객체(200)가 인트로 화면의 우측 상단에 위치하는 것으로 도시되었지만, 실시 예에 따라 커스터마이즈 설정 객체(200)는 문제 카드의 우측 상단 또는 문제 객체의 특정 영역에도 표시될 수 있다. 사용자는 학습 중 언제든지 커스터마이즈 설정창을 활성화시켜 추천 문제의 기준을 변경할 수 있다.

사용자는 커스터마이즈 설정창을 통해 미리 선호하는 문제 유형을 결정할 수 있고, 풀이를 원하지 않는 문제가 나올 때마다 다음 문제로 넘어가거나 심지어 학습 프로그램 자체를 종료하는 것을 방지할 수 있고, 결론적으로 학습 시간을 늘려 사용자가 더 많은 문제를 풀어보도록 유도할 수 있다.

도 10은 본 발명의 실시 예에 따른 최상위 항목이 1개인 경우의 레이더 차트를 설명하기 위한 도면이다.

복수의 예측 수치들은 레이더 차트를 통해 표시되고, 상기 복수의 예측 수치 중 가장 높은 값을 갖는 최상위 예측 수치의 개수에 따라, 상기 레이더 차트의 특정 영역의 색상을 변경하여 표시할 수 있다.

도 10을 참조하면, 레이더 차트에 예측 획득 점수(E), 풀이 완료 확률(Cp), 정답 확률(Cr), 온타임 확률(O), 차별성(F)가 인공지능 연산 결과에 따라 표시된 것을 도시하고 있다.

특정 예측 수치가 다른 예측 수치보다 가장 높은 경우, 해당 예측 수치를 표현하는 모서리는 다른 예측 수치와 구별되는 다른 색상으로 강조되어 표시될 수 있다. 도 10은 가장 높은 예측 수치인 정답 확률(Cr)의 모서리가 다른 예측 수치들의 모서리보다 옅은 색상으로 표시되어 강조된 것을 도시하고 있다.

실시 예에서, 예측 획득 점수(E)가 20%, 풀이 완료 확률(Cp)가 18%, 정답 확률(Cr)이 62%, 온타임 확률(O)이 8%, 차별성(F)가 16%이다. 이중 가장 높은 예측 수치는 정답 확률(Cr)로 62%의 값을 갖는다. 따라서, 정답 확률(Cr)은 다른 네 가지 예측 수치와 달리 좀더 밝은 색상으로 강조되어 표시될 수 있다.

도 11은 본 발명의 실시 예에 따른 최상위 항목이 2개 이상인 경우의 레이더 차트를 설명하기 위한 도면이다.

도 11을 참조하면, 레이더 차트에 예측 획득 점수(E), 풀이 완료 확률(Cp), 정답 확률(Cr), 온타임 확률(O), 차별성(F)가 인공지능 연산 결과에 따라 표시된 것을 도시하고 있다.

최상위 항목이 2개 이상인 경우, 이러한 예측 수치들을 나타내는 모서리는 다른 예측 수치를 나타내는 모서리와 구별되는 다른 색상으로 강조되어 표시될 수 있다. 도 11은 가장 높은 예측 수치인 예측 획득 점수(E)와 정답 확률(Cr)를 나타내는 각 모서리가 다른 예측 수치보다 옅은 색상으로 표시되어 강조된 것을 도시하고 있다.

실시 예에서, 예측 획득 점수(E)가 62%, 풀이 완료 확률(Cp)가 5%, 정답 확률(Cr)이 62%, 온타임 확률(O)이 5%, 차별성(F)가 10%이다. 이중 가장 높은 예측 수치는 예측 획득 점수(E)와 정답 확률(Cr)로 62%의 값을 갖는다. 따라서, 예측 획득 점수(E)와 정답 확률(Cr)은 다른 세 가지 예측 수치와 달리 좀더 밝은 색상으로 강조되어 표시될 수 있다.

도 12는 본 발명의 실시 예에 따른 모든 수치가 동일한 경우의 레이더 차트를 설명하기 위한 도면이다.

도 12를 참조하면, 레이더 차트에 예측 획득 점수(E), 풀이 완료 확률(Cp), 정답 확률(Cr), 온타임 확률(O), 차별성(F)가 인공지능 연산 결과에 따라 표시된 것을 도시하고 있다.

도 10 및 도 11과 다르게, 어느 하나의 예측 수치도 다른 예측 수치보다 높은 값지 않음을 확인할 수 있다. 이때는, 모든 예측 수치를 나타내는 모서리가 동일한 색상으로 표현되며, 따로 강조되는 예측 수치가 존재하지 않을 수 있다.

실시 예에서, 예측 획득 점수(E), 풀이 완료 확률(Cp), 정답 확률(Cr), 온타임 확률(O), 차별성(F)이 모두 20%의 값을 갖는다. 다섯 가지 예측 수치가 모두 같은 값을 가지므로, 모두 같은 색상의 모서리 색상을 갖을 수 있다.

사용자는 단순히 동일한 색상으로 표시된 레이터 차트를 통해서는 추천 문제가 결정된 이유나 추천 문제를 풀어봐야 하는 필요성에 대해 간과할 우려가 있다. 레이터 차트의 예측 수치에 중요도에 따라 색상을 달리 적용할 경우, 사용자는 직관적으로 강조되는 예측 수치를 확인하고 추천 문제의 학습 필요성에 대해서 재고할 수 있는 효과가 있다. 또한, 심미적인 부분에서도 다양한 색상으로 레이더 차트를 구성함으로써 디자인을 중요시하는 사용자들이 더욱 흥미를 가지고 쉽게 접근할 수 있도록 하는 효과가 있다.

도 10 내지 도 12에서는 레이더 차트의 모서리의 색상을 다르게 하여 강조하는 것을 예시로 설명하였지만, 실시 예에 따라 다양한 방법을 통해 예측 수치를 강조할 수 있다.

본 명세서와 도면에 게시된 본 발명의 실시 예들은 본 발명의 기술내용을 쉽게 설명하고 본 발명의 이해를 돕기 위해 특정 예를 제시한 것뿐이며, 본 명의 범위를 한정하고자 하는 것은 아니다. 여기에 게시된 실시 예들 이외에도 발명의 기술적 사상에 바탕을 둔 다른 변형 예들이 실시 가능하다는 것은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에게 자명한 것이다.

Claims (9)

1. 학습자 단말에 학습 컨텐츠를 표시하는 방법에 있어서,
   학습자 단말의 화면의 제 1 영역에, 사용자의 학습 능력에 대해 인공지능 모델을 사용하여 분석한 정보에 관한 복수의 예측 수치를 표시하는 단계;
   상기 학습자 단말의 화면의 제 2 영역에, 상기 사용자에 대한 추천 문제를 표시하는 단계; 및
   상기 학습자 단말로부터 상기 추천 문제의 풀이에 대한 사용자 입력을 수신하면, 이를 상기 인공지능 모델에 반영하고, 상기 학습자 단말의 상기 제 1 영역의 예측 수치를 업데이트하여 표시하는 단계를 포함하는 학습 컨텐츠 표시 방법.
   
2. 제1항에 있어서,
   상기 학습자 단말 화면의 제 3 영역에, 진도율, 맞춘 문제 개수, 틀린 문제 개수, 풀이한 문제 개수, 스킵한 문제 개수, 특정 시간 내에 풀어야 할 권장 문제 수 중 적어도 어느 하나 이상을 포함하는 학습 현황 표시창을 표시하는 단계를 더 포함하는 학습 컨텐츠 표시 방법.
   
3. 제1항에 있어서,
   상기 제 2 영역은 상기 추천 문제에 대한 부가적인 정보를 확인하기 위한 문제 정보 더보기 객체를 포함하고, 사용자가 상기 문제 정보 더보기 객체를 클릭하면, 상기 부가적인 정보를 표시하는 단계를 더 포함하는 학습 컨텐츠 표시 방법.
   
4. 제1항에 있어서,
   상기 추천 문제를 표시하는 단계는,
   스와이프 동작을 통해 사용자가 풀이를 원하지 않는 추천 문제를 스킵하는 단계를 더 포함하는 것을 특징으로 하는 학습 컨텐츠 표시 방법.
   
5. 제3항에 있어서, 상기 복수의 예측 수치는,
   예측 획득 점수, 풀이 완료 확률, 정답 확률, 온타임 확률, 차별성 중 적어도 하나 이상을 포함하고,
   상기 부가적인 정보는, 과목 정보, 문제 난이도, 문제 유형에 대한 태그 정보 중 적어도 하나 이상을 포함하는 학습 컨텐츠 표시 방법.
   
6. 제5항에 있어서, 복수의 예측 수치를 표시하는 단계는,
   상기 복수의 예측 수치들은 레이더 차트를 통해 표시되고, 상기 복수의 예측 수치 중 가장 높은 값을 갖는 최상위 예측 수치의 개수에 따라, 상기 레이더 차트의 특정 영역의 색상을 변경하여 표시하는 단계를 포함하는 학습 컨텐츠 표시 방법.
   
7. 제1항에 있어서,
   상기 제 2 영역에, 사용자가 풀이할 문제를 확인할 수 있도록 상기 추천 문제의 문제 객체의 일부를 표시하는 단계를 더 포함하는 학습 컨텐츠 표시 방법.
   
8. 제1항에 있어서,
   상기 학습자 단말 화면의 제 4 영역에 특정 과목에 대한 문제만 추천 받기, 특정 태그가 부착된 문제만 추천 받기 또는 특정 난이도의 문제만 추천 받기 중 적어도 어느 하나 이상을 포함하는 문제 추천 조건을 설정할 수 있는 커스터마이즈 설정 객체를 표시하고, 사용자가 상기 커스터마이즈 설정 객체를 클릭하면, 상기 문제 추천 조건을 설정할 수 있는 커스터마이즈 설정창을 활성화하여 표시하는 단계를 더 포함하는 학습 컨텐츠 표시 방법.
   
9. 학습 컨텐츠와 사용자들의 학습 데이터를 저장하는 저장부;
   사용자의 학습 능력에 대해 인공지능 모델을 사용하여 분석한 정보에 관한 복수의 예측 수치를 표시하기 위한 사용자 인터페이스를 생성하는 UI 생성부; 및
   상기 사용자 인터페이스에 따라 상기 복수의 예측 수치를 학습자 단말에 전송하는 통신부를 포함하고,
   상기 학습자 단말의 화면의 제1 영역에, 상기 복수의 예측 수치를 표시하고, 제2 영역에 추천 문제를 표시하고, 상기 학습자 단말로부터 상기 추천 문제의 풀이에 대한 사용자 입력을 수신하면, 이를 상기 인공지능 모델에 반영하고, 상기 제 1 영역의 예측 수치를 업데이트하여 표시하는 학습 컨텐츠 표시 장치.

Images