KR20220135852A - 학습자 맞춤형 온라인 교육 프로그램 추천 방법 및 장치 - Google Patents

학습자 맞춤형 온라인 교육 프로그램 추천 방법 및 장치 Download PDF

Info

Publication number
KR20220135852A
KR20220135852A KR1020210042083A KR20210042083A KR20220135852A KR 20220135852 A KR20220135852 A KR 20220135852A KR 1020210042083 A KR1020210042083 A KR 1020210042083A KR 20210042083 A KR20210042083 A KR 20210042083A KR 20220135852 A KR20220135852 A KR 20220135852A
Authority
KR
South Korea
Prior art keywords
program
learner
educational
education
similarity
Prior art date
Application number
KR1020210042083A
Other languages
English (en)
Other versions
KR102616803B1 (ko
Inventor
김선아
김동성
Original Assignee
한양대학교 산학협력단
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 한양대학교 산학협력단 filed Critical 한양대학교 산학협력단
Priority to KR1020210042083A priority Critical patent/KR102616803B1/ko
Publication of KR20220135852A publication Critical patent/KR20220135852A/ko
Application granted granted Critical
Publication of KR102616803B1 publication Critical patent/KR102616803B1/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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/20—Education
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2457—Query processing with adaptation to user needs
    • G06F16/24578—Query processing with adaptation to user needs using ranking
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9535—Search customisation based on user profiles and personalisation
    • 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
    • G06F17/15—Correlation function computation including computation of convolution operations

Abstract

본 명세서는 교육 프로그램 추천 방법 및 장치에 관한 것이다. 본 명세서의 일 실시예에 따른 교육 프로그램 추천 방법은 복수의 학습자의 이전 교육 활동 내역을 포함하는 복수의 학습자 프로파일 데이터 및 전체 교육 프로그램의 내용과 특성에 관한 정보인 교육 프로그램 데이터를 수집하는 단계, 복수의 학습자 프로파일 데이터 중 추천 대상 학습자의 제1 학습자 프로파일 데이터 및 비추천 대상 학습자의 제2 학습자 프로파일 데이터를 비교하여 학습자 유사도를 산출하고, 제1 학습자 프로파일 데이터 및 교육 프로그램 데이터에 기초하여 교육 프로그램 유사도를 산출하는 단계 및 복수의 학습자 프로파일 데이터, 교육 프로그램 데이터, 학습자 유사도 및 교육 프로그램 유사도를 이용하여 상기 추천 대상 학습자에게 복수의 맞춤형 교육 프로그램을 추천하는 단계를 포함한다.

Description

학습자 맞춤형 온라인 교육 프로그램 추천 방법 및 장치{METHOD AND APPARATUS FOR RECOMMENDING ONLINE EDUCATION PROGRAMS CUSTOMIZED TO LEARNERS}
본 명세서는 교육 프로그램 추천 방법 및 장치에 관한 것으로, 보다 상세하게는 학습자 맞춤형 온라인 교육 프로그램 추천 방법 및 장치에 관한 것이다.
일반적으로 온라인을 통하여 제공되는 교육 서비스는 서비스 제공자가 다양한 교육 프로그램을 업로드하면 학습자가 각자의 선호, 목적, 성향 등에 따라 교육 프로그램을 선택하는 방식으로 이루어진다.
그러나, 이러한 방식은 학습자의 선택을 중심으로 하기 때문에 교육 프로그램이 다양해질 수록 학습자가 어떤 기준으로 어떠한 교육 프로그램을 선택해야하는지에 대한 객관적인 기준이 없어 학습자가 교육 프로그램을 선택함에 있어 어려움이 발생한다.
이러한 문제점을 해결하기 위해 간단한 성향 검사 혹은 테스트를 기반으로 학습자의 수준에 맞는 프로그램을 추천하는 서비스 방식이 도입 되었다. 그러나 이러한 방식은 기본적인 수준 테스트 만을 수행하므로 복합적인 학습자의 성향을 파악하지 못한 채 학습자에 대한 단편적인 정보만을 기반으로 하여 교육 프로그램을 추천한다.
따라서, 학습자의 성향 및 선호도와는 다른 교육 프로그램을 잘못 추천하게되는 문제점이 발생하므로 학습자의 프로파일 데이터를 고려한 학습자 맞춤형 교육 프로그램 추천 방법의 필요성이 대두되고 있다.
본 명세서의 목적은 학습자 유사도 비교 및 교육 프로그램 유사도 비교를 이용하여 학습자의 수준에 적합한 교육 프로그램을 추천하는 교육 프로그램 추천 방법 및 장치를 제공하는 것이다.
또한, 본 명세서의 목적은 복수의 학습자 프로파일 데이터 및 복수의 교육 프로그램 데이터를 통해 학습자의 성취도 및 선호도가 반영된 교육 프로그램을 추천하는 교육 프로그램 추천 방법 및 장치를 제공하는 것이다.
본 명세서의 목적들은 이상에서 언급한 목적으로 제한되지 않으며, 언급되지 않은 본 명세서의 다른 목적 및 장점들은 하기의 설명에 의해서 이해될 수 있고, 본 명세서의 실시예에 의해 보다 분명하게 이해될 것이다. 또한, 본 명세서의 목적 및 장점들은 특허 청구 범위에 나타낸 수단 및 그 조합에 의해 실현될 수 있음을 쉽게 알 수 있을 것이다.
본 명세서의 일 실시예에 따른 교육 프로그램 추천 방법은 복수의 학습자의 이전 교육 활동 내역을 포함하는 복수의 학습자 프로파일 데이터 및 전체 교육 프로그램의 내용과 특성에 관한 정보인 교육 프로그램 데이터를 수집하는 단계, 복수의 학습자 프로파일 데이터 중 추천 대상 학습자의 제1 학습자 프로파일 데이터 및 비추천 대상 학습자의 제2 학습자 프로파일 데이터를 비교하여 학습자 유사도를 산출하고, 제1 학습자 프로파일 데이터 및 교육 프로그램 데이터에 기초하여 교육 프로그램 유사도를 산출하는 단계 및 복수의 학습자 프로파일 데이터, 교육 프로그램 데이터, 학습자 유사도 및 교육 프로그램 유사도를 이용하여 상기 추천 대상 학습자에게 복수의 맞춤형 교육 프로그램을 추천하는 단계를 포함한다.
또한, 본 명세서의 일 실시예에서 복수의 학습자 프로파일 데이터는 복수의 학습자의 인적사항, 학습 목적, 선호 매체, 교육 성향, 성취도 평가, 선호도 및 만족도 중 적어도 하나를 더 포함한다.
또한, 본 명세서의 일 실시예에서 교육 프로그램 데이터는 학습 대상, 수업 목표, 수업 내용 및 수업 과정 중 적어도 하나를 포함한다.
또한, 본 명세서의 일 실시예에서 학습자 유사도 및 상기 교육 프로그램 유사도를 산출하는 단계는 학습자 유사도를 산출할 때, 피어슨 상관계수(Pearson correlation coefficient), 스피어만 순위 상관계수(Spearman`s rank correlation coefficient) 및 코사인 유사도(cosine similarity) 중 하나를 이용한다.
또한, 본 명세서의 일 실시예에서 학습자 유사도 및 상기 교육 프로그램 유사도를 산출하는 단계는 교육 프로그램 유사도를 산출할 때, 교육 프로그램 데이터의 교육 프로그램에서 추천 대상 학습자의 이전 교육 활동 내역에 대응되는 교육 프로그램을 제외한 교육 프로그램을 추천 대상 학습자의 이전 교육 활동 내역에 포함된 교육 프로그램과 비교하여 교육 프로그램 유사도를 산출하는 단계를 포함한다.
또한, 본 명세서의 일 실시예에서 추천 대상 학습자에게 복수의 맞춤형 교육 프로그램을 추천하는 단계는 학습자 프로파일 데이터 및 상기 학습자 유사도를 이용하여 제1 맞춤형 교육 프로그램을 결정하는 단계, 학습자 프로파일 데이터, 상기 교육 프로그램 데이터 및 상기 교육 프로그램 유사도를 이용하여 제2 맞춤형 교육 프로그램을 결정하는 단계 및 제1 맞춤형 교육 프로그램 및 상기 제2 맞춤형 교육 프로그램을 이용하여 복수의 맞춤형 교육 프로그램을 상기 추천 대상 학습자에게 추천하는 단계를 포함한다.
또한, 본 명세서의 일 실시예에서 학습자 프로파일 데이터 및 상기 학습자 유사도를 이용하여 제1 맞춤형 교육 프로그램을 결정하는 단계는 비추천 대상 학습자 중 상기 추천 대상 학습자와의 학습자 유사도가 소정의 기준 유사도 보다 높은 학습자인 선별 학습자의 이전 교육 활동 내역을 추출하는 단계 및 추천 대상 학습자의 이전 교육 활동 내역에 포함되지 않는 교육 프로그램에 대하여 상기 추출된 선별 학습자의 이전 교육 활동 내역 중 소정의 기준 만족도 보다 높은 만족도가 부여된 교육 프로그램을 제1 맞춤형 교육 프로그램으로 결정하는 단계를 포함한다.
또한, 본 명세서의 일 실시예에서 학습자 프로파일 데이터, 교육 프로그램 데이터 및 교육 프로그램 유사도를 이용하여 제2 맞춤형 교육 프로그램을 획득하는 단계는 교육 프로그램 유사도 및 소정의 기준치에 기초하여 상기 교육 프로그램 데이터로부터 유사 교육 프로그램을 선정하는 단계, 제1 학습자 프로파일 데이터에 포함된 교육 프로그램 중 성취도 평가 또는 선호도가 미리 설정된 기준값 보다 큰 선호 교육 프로그램을 추출하는 단계 및 추출된 선호 교육 프로그램에 대응되는 유사 교육 프로그램을 제2 맞춤형 교육 프로그램으로 결정하는 단계를 포함한다.
본 명세서의 일 실시예에 따른 교육 프로그램 추천 장치는 복수의 학습자의 이전 교육 활동 내역을 포함하는 복수의 학습자 프로파일 데이터 및 전체 교육 프로그램의 내용과 특성에 관한 정보인 교육 프로그램 데이터를 수집하는 데이터 수집부, 복수의 학습자 프로파일 데이터 중 추천 대상 학습자의 제1 학습자 프로파일 데이터 및 비추천 대상 학습자의 제2 학습자 프로파일 데이터를 비교하여 학습자 유사도를 산출하고, 제1 학습자 프로파일 데이터 및 상기 교육 프로그램 데이터에 기초하여 교육 프로그램 유사도를 산출하는 데이터 분석부, 복수의 학습자 프로파일 데이터, 교육 프로그램 데이터, 학습자 유사도 및 교육 프로그램 유사도를 이용하여 추천 대상 학습자에게 복수의 맞춤형 교육 프로그램을 추천하는 프로그램 추천부를 포함한다.
또한, 본 명세서의 일 실시예에서 복수의 학습자 프로파일 데이터는 복수의 학습자의 인적사항, 학습 목적, 선호 매체, 교육 성향, 성취도 평가, 선호도 및 만족도 중 적어도 하나를 더 포함한다.
또한, 본 명세서의 일 실시예에서 교육 프로그램 데이터는 학습 대상, 수업 목표, 수업 내용 및 수업 과정 중 적어도 하나를 포함한다.
또한, 본 명세서의 일 실시예에서 데이터 분석부는 피어슨 상관계수(Pearson correlation coefficient), 스피어만 순위 상관계수(Spearman`s rank correlation coefficient) 및 코사인 유사도(cosine similarity) 중 하나를 이용한다.
또한, 본 명세서의 일 실시예에서 데이터 분석부는 교육 프로그램 데이터의 교육 프로그램에서 추천 대상 학습자의 이전 교육 활동 내역에 대응되는 교육 프로그램을 제외한 교육 프로그램을 추천 대상 학습자의 이전 교육 활동 내역에 포함된 교육 프로그램과 비교하여 교육 프로그램 유사도를 산출한다.
또한, 본 명세서의 일 실시예에서 프로그램 추천부는 학습자 프로파일 데이터 및 학습자 유사도를 이용하여 제1 맞춤형 교육 프로그램을 결정하고, 학습자 프로파일 데이터, 교육 프로그램 데이터 및 교육 프로그램 유사도를 이용하여 제2 맞춤형 교육 프로그램을 결정하고, 제1 맞춤형 교육 프로그램 및 제2 맞춤형 교육 프로그램을 이용하여 복수의 맞춤형 교육 프로그램을 추천 대상 학습자에게 추천한다.
또한, 본 명세서의 일 실시예에서 프로그램 추천부는 비추천 대상 학습자 중 추천 대상 학습자와의 학습자 유사도가 소정의 기준 유사도 보다 높은 학습자인 선별 학습자의 이전 교육 활동 내역을 추출하고, 추천 대상 학습자의 이전 교육 활동 내역에 포함되지 않는 교육 프로그램에 대하여 추출된 선별 학습자의 이전 교육 활동 내역 중 소정의 기준 만족도 보다 높은 만족도가 부여된 교육 프로그램을 제1 맞춤형 교육 프로그램으로 결정한다.
또한, 본 명세서의 일 실시예에서 프로그램 추천부는 교육 프로그램 유사도 및 소정의 기준치에 기초하여 상기 교육 프로그램 데이터로부터 유사 교육 프로그램을 선정하고, 제1 학습자 프로파일 데이터에 포함된 교육 프로그램 중 성취도 평가 또는 선호도가 미리 설정된 기준값 보다 큰 선호 교육 프로그램을 추출하고, 추출된 선호 교육 프로그램에 대응되는 유사 교육 프로그램을 제2 맞춤형 교육 프로그램으로 결정한다.
본 명세서의 일 실시예에 따른 교육 프로그램 추천 방법 및 장치는 학습자 유사도 비교 및 교육 프로그램 유사도 비교를 이용하여 학습자의 수준에 적합한 교육 프로그램을 추천할 수 있다.
또한, 본 명세서의 일 실시예에 따른 교육 프로그램 추천 방법 및 장치는 복수의 학습자 프로파일 데이터 및 복수의 교육 프로그램 데이터를 통해 학습자의 성취도 및 선호도가 반영된 교육 프로그램을 추천할 수 있다.
도 1은 본 명세서의 일 실시예에 따른 교육 프로그램 추천 장치의 구성도이다.
도 2는 본 명세서의 일 실시예에서 학습자 프로파일 데이터 및 교육 프로그램 데이터로부터 맞춤형 교육 프로그램을 결정하는 방법을 나타낸 흐름도이다.
도 3은 본 명세서의 일 실시예에서 학습자 프로파일 데이터 및 교육 프로그램 데이터를 나타낸 도면이다.
도 4는 본 명세서의 일 실시예에 따른 교육 프로그램 추천 방법의 순서도이다.
본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고 상세한 설명에 상세하게 설명하고자 한다. 그러나, 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 각 도면을 설명하면서 유사한 참조부호를 유사한 구성요소에 대해 사용하였다.
제1, 제2, A, B 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다. 예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 명명될 수 있다. 및/또는 이라는 용어는 복수의 관련된 기재된 항목들의 조합 또는 복수의 관련된 기재된 항목들 중의 어느 항목을 포함한다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다.
본 출원에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "포함하다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
이하에서, 교육 프로그램 추천 장치(100)는 온라인에서 학습자에게 적합한 교육 프로그램을 추천하는 장치를 의미하고, 교육 프로그램은 미술, 음악, 문학, 무용 등의 예술 분야와 관련된 교육 프로그램일 수 있다. 그러나, 이에 한정되지 않고 학습자에게 교육을 제공하여 학습 능력 및 지식 수준을 향상시키는 모든 교육 프로그램을 포함한다. 다만, 이하에서는 설명의 편의를 위해 교육 프로그램은 미술 교육 프로그램임을 전제로 하여 설명 하도록 한다.
본 명세서에서 학습자는 추천 대상 학습자와 비추천 대상 학습자를 포함하며, 추천 대상 학습자는 온라인 학습을 진행하는 자로 교육 프로그램 추천 장치를 통해 교육 프로그램을 추천 받을 대상자를 의미하고, 비추천 대상 학습자는 학습자 중 추천 대상 학습자를 제외한 나머지 학습자를 의미한다. 따라서, 추천 대상 학습자는 단수이고, 비추천 대상 학습자는 단수 또는 복수일 수 있다. 또한, 본 명세서에서 운영자는 교육 프로그램 추천 장치를 운영하는 자를 의미한다.
이하, 첨부된 도면을 참조하여 본 발명의 바람직한 실시예를 상세하게 설명한다.
도 1은 본 명세서의 일 실시예에 따른 교육 프로그램 추천 장치의 구성도이다.
도면을 참조하면, 교육 프로그램 추천 장치(10)는 데이터 수집부(100), 데이터 분석부(200) 및 프로그램 추천부(300)를 포함한다.
데이터 수집부(100)는 복수의 학습자 프로파일 데이터 및 교육 프로그램 데이터를 수집한다.
구체적으로, 복수의 학습자 프로파일 데이터는 복수의 학습자와 관련된 정보를 포함하는 데이터로써 복수의 학습자의 인적사항, 이전 교육 활동 내역, 학습 목적, 선호 매체, 교육 성향, 성취도 평가, 선호도 및 만족도 중 적어도 하나를 포함하고, 교육 프로그램 데이터는 전체 교육 프로그램의 내용과 특성에 관한 정보를 포함한 데이터로써 학습 대상, 수업 목표, 수업 내용 및 수업 과정 중 적어도 하나를 포함할 수 있다. 또한, 복수의 학습자 프로파일 데이터는 복수의 학습자로부터, 교육 프로그램 데이터는 운영자로부터 각각 정보를 입력 받아 수집될 수 있다.
데이터 분석부(200)는 학습자 프로파일 데이터 및 교육 프로그램 데이터를 이용하여 학습자 유사도 및 교육 프로그램 유사도를 산출한다.
구체적으로, 데이터 분석부(200)는 복수의 학습자 프로파일 데이터 중 추천 대상 학습자의 제1 학습자 프로파일 데이터 및 비추천 대상 학습자의 제2 학습자 프로파일 데이터를 비교하여 학습자 유사도를 산출하고, 제1 학습자 프로파일 데이터 및 교육 프로그램 데이터에 기초하여 교육 프로그램 유사도를 산출한다.
여기서 학습자 유사도란 2명의 학습자를 비교하여 학습자간의 인적사항, 학습 목적, 선호도 등이 유사한 정도를 수치화하여 나타낸 값이고, 교육 프로그램 유사도란 2개의 교육 프로그램을 비교하여 교육 프로그램간의 내용 및 특성 등이 유사한 정도를 수치화하여 나타낸 값이다.
이와 같이 산출된 학습자 유사도 및 교육 프로그램 유사도를 이용하면 학습자 간에 서로 얼마나 유사한 성향을 갖는지 여부 및 프로그램간에 얼마만큼의 연관성을 갖는지 여부가 객관적으로 판단될 수 있다.
프로그램 추천부(300)는 추천 대상 학습자에게 복수의 맞춤형 교육 프로그램을 추천한다.
즉, 프로그램 추천부(300)는 복수의 학습자 프로파일 데이터, 교육 프로그램 데이터, 학습자 유사도 및 교육 프로그램 유사도를 이용하여 추천 대상 학습자에게 복수의 맞춤형 교육 프로그램을 추천한다.
프로그램 추천부(300)는 복수의 학습자 프로파일 데이터, 교육 프로그램 데이터, 학습자 유사도 및 교육 프로그램 유사도를 이용함으로써 추천 대상 학습자의 성향 등의 특성 및 학습 수준이 종합적으로 고려된 적합한 교육 프로그램을 추천할 수 있다.
도 2는 본 명세서의 일 실시예에서 학습자 프로파일 데이터 및 교육 프로그램 데이터로부터 맞춤형 교육 프로그램을 결정하는 방법을 나타낸 흐름도이다.
도면을 참조하면, 복수의 학습자 프로파일 데이터가 복수의 학습자로부터 입력되면(110), 데이터 수집부(100)는 입력된 복수의 학습자 프로파일 데이터를 수집한다(112). 마찬가지로 교육 프로그램 데이터가 운영자로부터 입력되면(120), 데이터 수집부(100)는 입력된 교육 프로그램 데이터를 수집한다(122).
한편, 본 명세서의 일 실시예에서 데이터 수집부(100)는 수집한 복수의 학습자 프로파일 데이터 및 교육 프로그램 데이터를 데이터 베이스(미도시)에 저장할 수 있다.
데이터 분석부(200)는 학습자 프로파일 데이터(112)에 기초하여 학습자 유사도(210)를 산출하고, 교육 프로그램 데이터(122)에 기초하여 교육 프로그램 유사도(220)를 산출한다. 이하에서는 데이터 분석부(200)가 학습자 유사도(210) 및 교육 프로그램 유사도(220)를 산출하는 방법에 대해 각각 설명하도록 한다.
먼저, 데이터 분석부(200)는 복수의 학습자 프로파일 데이터(112) 중 추천 대상 학습자의 제1 학습자 프로파일 데이터 및 비추천 대상 학습자의 제2 학습자 프로파일 데이터를 비교하여 학습자 유사도를 산출한다.
구체적으로 데이터 분석부(200)는 피어슨 상관계수(Pearson correlation coefficient), 스피어만 순위 상관계수(Spearman`s rank correlation coefficient) 및 코사인 유사도(cosine similarity) 중 하나를 이용하여 학습자 유사도를 산출한다.
피어슨 상관계수를 이용하여 학습자 유사도를 산출하는 경우 피어슨 상관계수는 하기의 식 1을 통해 산출될 수 있다. 여기서 피어슨 상관계수는 두 변수i,j 사이의 선형 상관 관계를 계량화한 수치를 의미한다.
<식 1>
Figure pat00001
여기서,
Figure pat00002
는 추천 대상 학습자i와 비추천 대상 학습자j의 학습자 유사도를 나타내는 피어슨 상관계수 이고,
Figure pat00003
는 추천 대상 학습자i와 교육 프로그램 k에 대한 만족도를,
Figure pat00004
는 비추천 대상 학습자j와 교육 프로그램 k에 대한 만족도를,
Figure pat00005
와
Figure pat00006
는 각각 추천 대상 학습자i 및 비추천 대상 학습자j가 학습했던 교육 프로그램들의 만족도 평균값을 의미한다.
Figure pat00007
가 +1의 값에 가까울 수록 양의 선형 상관 관계가 높음을 의미하고, 0은 선형 상관 관계 없음, -1의 값에 가까울 수록 음의 선형 상관 관계가 높음을 의미한다.
이와 같이 산출된 학습자 유사도는 높은 값을 가질 수록 추천 대상 학습자와 비추천 대상 학습자는 유사한 교육 성향, 선호도, 학습 목적을 가지므로 프로그램 추천부(300)는 추천 대상 학습자와 학습자 유사도가 높은 비추천 대상 학습자의 제2 학습자 프로파일 데이터를 이용하여 추천 대상 학습자에게 맞춤형 교육 프로그램을 추천할 수 있다.
또한, 데이터 분석부(200)는 제1 학습자 프로파일 데이터 및 교육 프로그램 데이터에 기초하여 교육 프로그램 유사도를 산출한다.
구체적으로, 데이터 분석부(200)는 교육 프로그램 데이터의 교육 프로그램 중에서 추천 대상 학습자의 이전 교육 활동 내역에 대응되는 교육 프로그램을 제외한 교육 프로그램을 추천 대상 학습자의 이전 교육 활동 내역에 포함된 교육 프로그램과 비교하여 교육 프로그램 유사도를 산출한다.
즉, 데이터 분석부(200)는 추천 대상 학습자가 아직 학습하지 않은 교육 프로그램과 추천 대상 학습자가 이미 학습한 교육 프로그램을 비교하여 교육 프로그램 유사도를 산출한다. 이미 학습한 교육 프로그램은 추천 대상 학습자에게 의미 없는 교육 프로그램일 가능성이 높으므로 데이터 분석부(200)는 추천 대상 학습자의 이전 교육 활동 내역에 기반하여 추천 대상 학습자가 아직 학습하지 않은 교육 프로그램에 대하여 추천 대상 학습자가 이미 학습한 교육 프로그램과 비교함으로써 교육 프로그램 유사도를 산출한다.
구체적으로 코사인 유사도를 이용하여 교육 프로그램 유사도를 산출하는 경우 코사인 유사도는 하기의 식 2를 통해 산출될 수 있다.
<식 2>
Figure pat00008
여기서,
Figure pat00009
는 교육 프로그램 a와 교육 프로그램 b의 프로그램 유사도를 나타내는 코사인 유사도이며, a는 추천 대상 학습자의 이전 교육 활동 내역에 기반하여 추천 대상 학습자가 아직 학습하지 않은 교육 프로그램이고, b는 추천 대상 학습자가 이미 학습한 교육 프로그램이다. 또한,
Figure pat00010
는 교육 프로그램 a의 학습자들의 만족도에 대한 행 벡터이고,
Figure pat00011
는 교육 프로그램 b의 학습자들의 만족도에 대한 행 벡터이며, 분자는 벡터
Figure pat00012
와
Figure pat00013
의 내적이고, 분모는 각 벡터의 크기(norm)의 곱을 의미한다.
교육 프로그램 a,b의 교육 프로그램 유사도는 1에서 -1까지의 값을 가질 수 있고, 교육 프로그램 유사도가 1에 가까울수록 교육 프로그램 a,b는 서로 유사하며, -1에 가까울수록 교육 프로그램 a,b는 서로 유사하지 않다.
이후, 프로그램 추천부(300)는 복수의 학습자 프로파일 데이터, 교육 프로그램 데이터, 학습자 유사도 및 교육 프로그램 유사도를 이용하여 추천 대상 학습자에게 복수의 맞춤형 교육 프로그램을 추천한다.
구체적으로, 프로그램 추천부(300)는 학습자 프로파일 데이터 및 학습자 유사도를 이용하여 제1 맞춤형 교육 프로그램을 결정하고(310), 학습자 프로파일 데이터, 교육 프로그램 데이터 및 교육 프로그램 유사도를 이용하여 제2 맞춤형 교육 프로그램을 결정(320)한다. 또한, 프로그램 추천부(300)는 제1 맞춤형 교육 프로그램 및 제2 맞춤형 교육 프로그램을 이용하여 복수의 맞춤형 교육 프로그램을 추천 대상 학습자에게 추천한다(330).
먼저, 프로그램 추천부(300)가 제1 맞춤형 교육 프로그램을 결정하는 방법을 살펴보면, 프로그램 추천부(300)는 학습자 프로파일 데이터 및 학습자 유사도를 이용하여 제1 맞춤형 교육 프로그램을 결정한다(310). 구체적으로, 프로그램 추천부(300)는 비추천 대상 학습자 중 추천 대상 학습자와의 학습자 유사도가 소정의 기준 유사도 보다 높은 학습자인 선별 학습자의 이전 교육 활동 내역을 추출한다.
이후, 프로그램 추천부(300)는 추천 대상 학습자의 이전 교육 활동 내역에 포함되지 않는 교육 프로그램에 대하여 추출된 선별 학습자의 이전 교육 활동 내역 중 소정의 기준 만족도 보다 높은 만족도가 부여된 교육 프로그램을 제1 맞춤형 교육 프로그램으로 결정한다.
이와 같이 교육 프로그램 추천 장치(10)는 학습자 유사도에 기반하여 추천 대상 학습자와 유사도가 높은 선별 학습자의 이전 교육 활동 내역으로부터 제1 맞춤형 교육 프로그램을 결정한다. 따라서, 교육 프로그램 추천 장치(10)가 상술한 과정을 통해 결정된 제1 맞춤형 교육 프로그램을 추천시 학습자의 만족도가 매우 높을 수 있다.
다음으로, 프로그램 추천부(300)가 제2 맞춤형 교육 프로그램을 결정하는 방법을 설명하면, 프로그램 추천부(300)는 교육 프로그램 유사도 및 소정의 기준치에 기초하여 교육 프로그램 데이터로부터 유사 교육 프로그램을 선정한다. 즉, 프로그램 추천부(300)는 교육 프로그램 유사도를 미리 설정된 소정의 기준치와 비교하여 교육 프로그램 유사도가 기준치 이상인 경우 유사 교육 프로그램으로 선정한다.
이후, 프로그램 추천부(300)는 제1 학습자 프로파일 데이터(112)에 포함된 교육 프로그램 중 성취도 평가 또는 선호도가 미리 설정된 기준값 보다 큰 선호 교육 프로그램을 추출한다.
프로그램 추천부(300)는 추출된 선호 교육 프로그램에 대응되는 유사 교육 프로그램을 제2 맞춤형 교육 프로그램으로 결정한다.
즉, 교육 프로그램 추천 장치(10)는 추천 대상 학습자의 선호도 또는 성취도 평가가 높은 교육 프로그램과 관련된 교육 프로그램을 제2 맞춤형 교육 프로그램(320)으로 결정한다. 따라서, 교육 프로그램 추천 장치(10)는 추천 대상 학습자에게 추천 대상 학습자 본인의 선호도 또는 성취도 평가가 높은 관련 교육 프로그램인 제2 맞춤형 교육 프로그램(320)을 추천해줌으로써 학습 후 학습자의 교육 프로그램에 대한 만족도가 매우 높을 수 있다.
마지막으로, 프로그램 추천부(300)는 제1 맞춤형 교육 프로그램 및 제2 맞춤형 교육 프로그램을 이용하여 복수의 맞춤형 교육 프로그램을 추천 대상 학습자에게 추천한다(330). 예컨대, 프로그램 추천부(300)는 결정된 제1 맞춤형 교육 프로그램 및 제2 맞춤형 교육 프로그램 모두를 추천 대상 학습자에게 추천할 수 있다.
도 3은 본 명세서의 일 실시예에서 학습자 프로파일 데이터 및 교육 프로그램 데이터를 나타낸 도면이다.
학습자 프로파일 데이터(112)는 복수의 학습자의 인적사항, 이전 교육 활동 내역, 학습 목적, 선호 매체, 교육 성향, 성취도 평가, 선호도 및 만족도 중 적어도 하나를 포함하고, 교육 프로그램 데이터(122)는 학습 대상, 수업 목표, 수업 내용 및 수업 과정 중 적어도 하나를 포함한다.
도 3은 학습자 프로파일 데이터(112) 및 교육 프로그램 데이터(122)에 포함된 정보를 나타내는 일 실시예로서 미술 교육 프로그램을 전제로 도시된 바, 학습자 프로파일 데이터(112) 및 교육 프로그램 데이터(122)에 포함된 정보는 반드시 이에 한정되지 않는다.
도면을 참조하면, 학습자 프로파일 데이터(112)는 학습자 체크리스트와 학습자 포트폴리오를 포함한다.
학습자 체크리스트는 학습자의 인적사항인 일반 특성, 이전 교육 활동 내역인 이전 경험, 학습 목적, 선호 매체를 포함한다.
보다 상세하게, 일반 특성은 학습자의 성명, 성별, 학교급, 학년, 개인적 특성에 대한 정보를, 이전 경험은 학습자의 학습 기간, 학습 기관, 이전 학습 목적, 학습 매체에 대한 정보를, 학습 목적은 표현 기능 향상, 창의적 사고 개발, 입시 준비, 해외대학 포트폴리오, 미술심리상담, 취미 미술 등에 대한 정보를, 선호 매체는 평면, 입체, 디자인, 미디어, 융복합, 예술 심리, 감상 등에 대한 정보를 각각 포함할 수 있다.
학습자 포트폴리오는 선호 작품, 자기 비평, 전문가 비평을 포함한다.
보다 상세하게 선호 작품은 학습자의 선호 작품, 선호 작가를, 자기 비평은 대표 작품, 제목 및 제작 시기, 표현 매체 및 재료, 주체 및 자기 비평을, 전문가 비평은 대표작품 수준 평가, 미술 표현 특성, 미술 학습 행동 특성, 특장점을 각각 포함할 수 있다.
또한, 교육 프로그램 데이터(122)는 학습 대상, 수업 목표, 수업 내용, 미술 형식 등을 포함한다.
보다 상세하게 학습 대상은 성별, 학교급, 난이도 및 학습 목적을, 수업 목표는 표현 기능 향상, 창의적 사고 개발, 입시 준비, 해외대학 포트폴리오, 미술 심리 상담 및 취미 미술을, 수업 내용은 핵심 개념, 수업 주제, 수업 관련 양식, 교수 학습 과정, 평가 기준 및 학습 결과물을, 미술 형식은 주요 영역, 주요 장르, 하위 장르 및 주요 재료를 각각 포함할 수 있다.
복수의 학습자 프로파일 데이터(112)는 복수의 학습자로부터, 교육 프로그램 데이터(122)는 운영자로부터 각각 정보를 입력 받아 수집될 수 있다. 따라서, 각 항목에 입력된 정보는 서로 다를 수 있으므로 학습자 별로 학습자 프로파일 데이터(112)에 포함된 정보는 상이할 수 있다.
본 명세서의 교육 프로그램 추천 장치(10)는 상술한 바와 같이 다양하면서도 세분화된 항목의 정보를 포함하는 학습자 프로파일 데이터(112) 및 교육 프로그램 데이터(122)를 통하여 개별 학습자에게 가장 적합한 교육 프로그램을 추천할 수 있다.
예컨대, 학습자 프로파일 데이터(112)에서 학습자의 일반 특성이 '남성, 고등학교 2학년'이고, 학습자의 학습 목적이 '입시 준비'이며, 선호 작품이 '현대 미술'인 경우, 교육 프로그램 추천 장치(10)는 학습자 프로파일 데이터(112)에 수집된 정보와 대응되도록 교육 프로그램 데이터(122)의 학습 대상이 '남성, 고등학교 2학년'이고, 수업 목표가 '입시 준비'이며, 미술 형식의 주요 장르가 '현대 미술'에 해당하는 교육 프로그램을 학습자에게 추천한다.
도 4는 본 명세서의 일 실시예에 따른 교육 프로그램 추천 방법의 순서도이다.
도면을 참조하면 교육 프로그램 추천 장치(10)는 복수의 학습자의 이전 교육 활동 내역을 포함하는 복수의 학습자 프로파일 데이터 및 전체 교육 프로그램의 내용과 특성에 관한 정보인 교육 프로그램 데이터를 수집한다(S100).
또한, 교육 프로그램 추천 장치(10)는 복수의 학습자 프로파일 데이터 중 추천 대상 학습자의 제1 학습자 프로파일 데이터 및 비추천 대상 학습자의 제2 학습자 프로파일 데이터를 비교하여 학습자 유사도를 산출하고, 제1 학습자 프로파일 데이터 및 교육 프로그램 데이터에 기초하여 교육 프로그램 유사도를 산출한다(S200).
구체적으로, 교육 프로그램 추천 장치(10)는 피어슨 상관계수(Pearson correlation coefficient), 스피어만 순위 상관계수(Spearman`s rank correlation coefficient) 및 코사인 유사도(cosine similarity) 중 하나를 이용하여 학습자 유사도를 산출하고, 교육 프로그램 데이터의 교육 프로그램에서 추천 대상 학습자의 이전 교육 활동 내역에 대응되는 교육 프로그램을 제외한 교육 프로그램을 추천 대상 학습자의 이전 교육 활동 내역에 포함된 교육 프로그램과 비교하여 교육 프로그램 유사도를 산출한다.
이후, 교육 프로그램 추천 장치(10)는 복수의 학습자 프로파일 데이터, 교육 프로그램 데이터, 학습자 유사도 및 교육 프로그램 유사도를 이용하여 추천 대상 학습자에게 복수의 맞춤형 교육 프로그램을 추천한다(S300).
이와 같이, 본 명세서의 일 실시예에 따른 교육 프로그램 추천 방법 및 장치는 학습자 유사도 비교 및 교육 프로그램 유사도 비교를 이용하여 학습자의 수준에 적합한 교육 프로그램을 추천할 수 있다.
또한, 본 명세서의 일 실시예에 따른 교육 프로그램 추천 방법 및 장치는 복수의 학습자 프로파일 데이터 및 복수의 교육 프로그램 데이터를 통해 학습자의 성취도 및 선호도가 반영된 교육 프로그램을 추천할 수 있다.
이상과 같이 본 발명에 대해서 예시한 도면을 참조로 하여 설명하였으나, 본 명세서에 개시된 실시 예와 도면에 의해 본 발명이 한정되는 것은 아니며, 본 발명의 기술 사상의 범위 내에서 통상의 기술자에 의해 다양한 변형이 이루어질 수 있음은 자명하다. 아울러 앞서 본 발명의 실시 예를 설명하면서 본 발명의 구성에 따른 작용 효과를 명시적으로 기재하여 설명하지 않았을지라도, 해당 구성에 의해 예측 가능한 효과 또한 인정되어야 함은 당연하다.

Claims (16)

  1. 복수의 학습자의 이전 교육 활동 내역을 포함하는 복수의 학습자 프로파일 데이터 및 전체 교육 프로그램의 내용과 특성에 관한 정보인 교육 프로그램 데이터를 수집하는 단계;
    상기 복수의 학습자 프로파일 데이터 중 추천 대상 학습자의 제1 학습자 프로파일 데이터 및 비추천 대상 학습자의 제2 학습자 프로파일 데이터를 비교하여 학습자 유사도를 산출하고, 상기 제1 학습자 프로파일 데이터 및 상기 교육 프로그램 데이터에 기초하여 교육 프로그램 유사도를 산출하는 단계; 및
    상기 복수의 학습자 프로파일 데이터, 상기 교육 프로그램 데이터, 상기 학습자 유사도 및 상기 교육 프로그램 유사도를 이용하여 상기 추천 대상 학습자에게 복수의 맞춤형 교육 프로그램을 추천하는 단계를 포함하는
    교육 프로그램 추천 방법.
  2. 제1항에 있어서,
    상기 복수의 학습자 프로파일 데이터는
    상기 복수의 학습자의 인적사항, 학습 목적, 선호 매체, 교육 성향, 성취도 평가, 선호도 및 만족도 중 적어도 하나를 더 포함하는
    교육 프로그램 추천 방법.
  3. 제1항에 있어서,
    상기 교육 프로그램 데이터는
    학습 대상, 수업 목표, 수업 내용 및 수업 과정 중 적어도 하나를 포함하는
    교육 프로그램 추천 방법.
  4. 제1항에 있어서,
    상기 학습자 유사도 및 상기 교육 프로그램 유사도를 산출하는 단계는
    상기 학습자 유사도를 산출할 때,
    피어슨 상관계수(Pearson correlation coefficient), 스피어만 순위 상관계수(Spearman`s rank correlation coefficient) 및 코사인 유사도(cosine similarity) 중 하나를 이용하는
    교육 프로그램 추천 방법.
  5. 제2항에 있어서,
    상기 학습자 유사도 및 상기 교육 프로그램 유사도를 산출하는 단계는
    상기 교육 프로그램 유사도를 산출할 때,
    상기 교육 프로그램 데이터의 교육 프로그램에서 상기 추천 대상 학습자의 이전 교육 활동 내역에 대응되는 교육 프로그램을 제외한 교육 프로그램을 상기 추천 대상 학습자의 이전 교육 활동 내역에 포함된 교육 프로그램과 비교하여 상기 교육 프로그램 유사도를 산출하는 단계를 포함하는
    교육 프로그램 추천 방법.
  6. 제1항에 있어서,
    상기 추천 대상 학습자에게 복수의 맞춤형 교육 프로그램을 추천하는 단계는
    상기 학습자 프로파일 데이터 및 상기 학습자 유사도를 이용하여 제1 맞춤형 교육 프로그램을 결정하는 단계;
    상기 학습자 프로파일 데이터, 상기 교육 프로그램 데이터 및 상기 교육 프로그램 유사도를 이용하여 제2 맞춤형 교육 프로그램을 결정하는 단계; 및
    상기 제1 맞춤형 교육 프로그램 및 상기 제2 맞춤형 교육 프로그램을 이용하여 복수의 맞춤형 교육 프로그램을 상기 추천 대상 학습자에게 추천하는 단계를 포함하는
    교육 프로그램 추천 방법.
  7. 제6항에 있어서,
    상기 학습자 프로파일 데이터 및 상기 학습자 유사도를 이용하여 제1 맞춤형 교육 프로그램을 결정하는 단계는
    상기 비추천 대상 학습자 중 상기 추천 대상 학습자와의 학습자 유사도가 소정의 기준 유사도 보다 높은 학습자인 선별 학습자의 이전 교육 활동 내역을 추출하는 단계; 및
    상기 추천 대상 학습자의 이전 교육 활동 내역에 포함되지 않는 교육 프로그램에 대하여 상기 추출된 선별 학습자의 이전 교육 활동 내역 중 소정의 기준 만족도 보다 높은 만족도가 부여된 교육 프로그램을 제1 맞춤형 교육 프로그램으로 결정하는 단계를 포함하는
    교육 프로그램 추천 방법.
  8. 제6항에 있어서,
    상기 학습자 프로파일 데이터, 상기 교육 프로그램 데이터 및 상기 교육 프로그램 유사도를 이용하여 제2 맞춤형 교육 프로그램을 획득하는 단계는
    상기 교육 프로그램 유사도 및 소정의 기준치에 기초하여 상기 교육 프로그램 데이터로부터 유사 교육 프로그램을 선정하는 단계;
    상기 제1 학습자 프로파일 데이터에 포함된 교육 프로그램 중 성취도 평가 또는 선호도가 미리 설정된 기준값 보다 큰 선호 교육 프로그램을 추출하는 단계; 및
    상기 추출된 선호 교육 프로그램에 대응되는 유사 교육 프로그램을 제2 맞춤형 교육 프로그램으로 결정하는 단계를 포함하는
    교육 프로그램 추천 방법.
  9. 복수의 학습자의 이전 교육 활동 내역을 포함하는 복수의 학습자 프로파일 데이터 및 전체 교육 프로그램의 내용과 특성에 관한 정보인 교육 프로그램 데이터를 수집하는 데이터 수집부;
    상기 복수의 학습자 프로파일 데이터 중 추천 대상 학습자의 제1 학습자 프로파일 데이터 및 비추천 대상 학습자의 제2 학습자 프로파일 데이터를 비교하여 학습자 유사도를 산출하고, 상기 제1 학습자 프로파일 데이터 및 상기 교육 프로그램 데이터에 기초하여 교육 프로그램 유사도를 산출하는 데이터 분석부;
    상기 복수의 학습자 프로파일 데이터, 상기 교육 프로그램 데이터, 상기 학습자 유사도 및 상기 교육 프로그램 유사도를 이용하여 상기 추천 대상 학습자에게 복수의 맞춤형 교육 프로그램을 추천하는 프로그램 추천부를 포함하는
    교육 프로그램 추천 장치.
  10. 제9항에 있어서,
    상기 복수의 학습자 프로파일 데이터는
    상기 복수의 학습자의 인적사항, 학습 목적, 선호 매체, 교육 성향, 성취도 평가, 선호도 및 만족도 중 적어도 하나를 더 포함하는
    교육 프로그램 추천 장치.
  11. 제9항에 있어서,
    상기 교육 프로그램 데이터는
    학습 대상, 수업 목표, 수업 내용 및 수업 과정 중 적어도 하나를 포함하는
    교육 프로그램 추천 장치.
  12. 제9항에 있어서,
    상기 데이터 분석부는
    피어슨 상관계수(Pearson correlation coefficient), 스피어만 순위 상관계수(Spearman`s rank correlation coefficient) 및 코사인 유사도(cosine similarity) 중 하나를 이용하는
    교육 프로그램 추천 장치.
  13. 제10항에 있어서,
    상기 데이터 분석부는
    상기 교육 프로그램 데이터의 교육 프로그램에서 상기 추천 대상 학습자의 이전 교육 활동 내역에 대응되는 교육 프로그램을 제외한 교육 프로그램을 상기 추천 대상 학습자의 이전 교육 활동 내역에 포함된 교육 프로그램과 비교하여 상기 교육 프로그램 유사도를 산출하는
    교육 프로그램 추천 장치.
  14. 제9항에 있어서,
    상기 프로그램 추천부는
    상기 학습자 프로파일 데이터 및 상기 학습자 유사도를 이용하여 제1 맞춤형 교육 프로그램을 결정하고, 상기 학습자 프로파일 데이터, 상기 교육 프로그램 데이터 및 상기 교육 프로그램 유사도를 이용하여 제2 맞춤형 교육 프로그램을 결정하고, 상기 제1 맞춤형 교육 프로그램 및 상기 제2 맞춤형 교육 프로그램을 이용하여 복수의 맞춤형 교육 프로그램을 상기 추천 대상 학습자에게 추천하는
    교육 프로그램 추천 장치.
  15. 제10항에 있어서,
    상기 프로그램 추천부는
    상기 비추천 대상 학습자 중 상기 추천 대상 학습자와의 학습자 유사도가 소정의 기준 유사도 보다 높은 학습자인 선별 학습자의 이전 교육 활동 내역을 추출하고, 상기 추천 대상 학습자의 이전 교육 활동 내역에 포함되지 않는 교육 프로그램에 대하여 상기 추출된 선별 학습자의 이전 교육 활동 내역 중 소정의 기준 만족도 보다 높은 만족도가 부여된 교육 프로그램을 제1 맞춤형 교육 프로그램으로 결정하는
    교육 프로그램 추천 장치.
  16. 제14항에 있어서,
    상기 프로그램 추천부는
    상기 교육 프로그램 유사도 및 소정의 기준치에 기초하여 상기 교육 프로그램 데이터로부터 유사 교육 프로그램을 선정하고, 상기 제1 학습자 프로파일 데이터에 포함된 교육 프로그램 중 성취도 평가 또는 선호도가 미리 설정된 기준값 보다 큰 선호 교육 프로그램을 추출하고, 상기 추출된 선호 교육 프로그램에 대응되는 유사 교육 프로그램을 제2 맞춤형 교육 프로그램으로 결정하는
    교육 프로그램 추천 장치.

KR1020210042083A 2021-03-31 2021-03-31 학습자 맞춤형 온라인 교육 프로그램 추천 방법 및 장치 KR102616803B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210042083A KR102616803B1 (ko) 2021-03-31 2021-03-31 학습자 맞춤형 온라인 교육 프로그램 추천 방법 및 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210042083A KR102616803B1 (ko) 2021-03-31 2021-03-31 학습자 맞춤형 온라인 교육 프로그램 추천 방법 및 장치

Publications (2)

Publication Number Publication Date
KR20220135852A true KR20220135852A (ko) 2022-10-07
KR102616803B1 KR102616803B1 (ko) 2023-12-20

Family

ID=83595423

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210042083A KR102616803B1 (ko) 2021-03-31 2021-03-31 학습자 맞춤형 온라인 교육 프로그램 추천 방법 및 장치

Country Status (1)

Country Link
KR (1) KR102616803B1 (ko)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101859620B1 (ko) * 2016-12-23 2018-05-18 충북대학교 산학협력단 온라인 소셜 네트워크에서 신뢰성 기반의 콘텐츠 추천 방법 및 시스템
KR102128043B1 (ko) * 2018-12-21 2020-06-29 주식회사 스위트케이 개인맞춤형 생활체육 추천 플랫폼 시스템
KR102137076B1 (ko) * 2019-04-15 2020-07-23 최수지 스포츠 수강이력관리를 이용한 맞춤형 스포츠 추천 서비스 제공 시스템
KR20200092465A (ko) * 2019-01-07 2020-08-04 삼성전자주식회사 추천 컨텐츠 리스트 제공 방법 및 그에 따른 전자 장치
KR20210034447A (ko) * 2019-09-20 2021-03-30 (주) 나인엘더스 수련자 개인 맞춤형 수련 컨텐츠 추천 장치 및 방법

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101859620B1 (ko) * 2016-12-23 2018-05-18 충북대학교 산학협력단 온라인 소셜 네트워크에서 신뢰성 기반의 콘텐츠 추천 방법 및 시스템
KR102128043B1 (ko) * 2018-12-21 2020-06-29 주식회사 스위트케이 개인맞춤형 생활체육 추천 플랫폼 시스템
KR20200092465A (ko) * 2019-01-07 2020-08-04 삼성전자주식회사 추천 컨텐츠 리스트 제공 방법 및 그에 따른 전자 장치
KR102137076B1 (ko) * 2019-04-15 2020-07-23 최수지 스포츠 수강이력관리를 이용한 맞춤형 스포츠 추천 서비스 제공 시스템
KR20210034447A (ko) * 2019-09-20 2021-03-30 (주) 나인엘더스 수련자 개인 맞춤형 수련 컨텐츠 추천 장치 및 방법

Also Published As

Publication number Publication date
KR102616803B1 (ko) 2023-12-20

Similar Documents

Publication Publication Date Title
CN107230174B (zh) 一种基于网络的在线互动学习系统和方法
Truong Integrating learning styles and adaptive e-learning system: Current developments, problems and opportunities
Wright Consumer choice strategies: Simplifying vs. optimizing
Chen et al. Personalized curriculum sequencing utilizing modified item response theory for web-based instruction
CN112214670A (zh) 一种在线课程推荐方法、装置、电子设备及存储介质
Lallé et al. Prediction of users' learning curves for adaptation while using an information visualization
Bourkoukou et al. Toward a hybrid recommender system for e-learning personnalization based on data mining techniques
Wong Sequence based course recommender for personalized curriculum planning
US10956969B2 (en) Matching system for career and academic counseling
Lee et al. An intelligent course recommendation system
CN113656687B (zh) 基于教研数据的教师画像构建方法
KR102201709B1 (ko) 국어 텍스트 자동 분석을 통한 독해지수 측정 방법 및 시스템
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
CN111581529A (zh) 一种结合学生适合度和课程搭配度的课程推荐方法及装置
Khodeir Student modeling using educational data mining techniques
Sigalingging et al. Usability Analysis of My TelU Application Using System Usability Scale
Aji et al. An implementation of C4. 5 classification algorithm to analyze student’s performance
Roose et al. Measuring teachers’ professional vision of inclusive classrooms through video-based comparative judgement. What does it mean to misfit?
Stanica et al. How to choose one’s career? a proposal for a smart career profiler system to improve practices from romanian educational institutions
Chaudhary et al. Student future prediction using machine learning
KR20220135852A (ko) 학습자 맞춤형 온라인 교육 프로그램 추천 방법 및 장치
US20170193620A1 (en) Associate a learner and learning content
KR20220138713A (ko) Ai학습장치 및 ai학습계획을 제공하는 방법
Takci et al. Measurement of the appropriateness in career selection of the high school students by using data mining algorithms: A case study
Ochirbat et al. Occupation recommendation with major programs for adolescents

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant