KR20220142850A - Learning path recommendation system based on user characteristics and content analysis - Google Patents

Learning path recommendation system based on user characteristics and content analysis Download PDF

Info

Publication number
KR20220142850A
KR20220142850A KR1020210049403A KR20210049403A KR20220142850A KR 20220142850 A KR20220142850 A KR 20220142850A KR 1020210049403 A KR1020210049403 A KR 1020210049403A KR 20210049403 A KR20210049403 A KR 20210049403A KR 20220142850 A KR20220142850 A KR 20220142850A
Authority
KR
South Korea
Prior art keywords
learning
user
level
content
learning path
Prior art date
Application number
KR1020210049403A
Other languages
Korean (ko)
Other versions
KR102599934B1 (en
Inventor
김형준
최형순
Original Assignee
주식회사 클레슨
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 클레슨 filed Critical 주식회사 클레슨
Priority to KR1020210049403A priority Critical patent/KR102599934B1/en
Publication of KR20220142850A publication Critical patent/KR20220142850A/en
Application granted granted Critical
Publication of KR102599934B1 publication Critical patent/KR102599934B1/en

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION 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
    • G06Q50/00Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10Services
    • G06Q50/20Education
    • G06Q50/205Education administration or guidance
    • G06Q50/2057Career enhancement or continuing education service
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90Details of database functions independent of the retrieved data types
    • G06F16/907Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90Details of database functions independent of the retrieved data types
    • G06F16/95Retrieval from the web
    • G06F16/953Querying, e.g. by the use of web search engines
    • G06F16/9535Search customisation based on user profiles and personalisation

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Databases & Information Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Educational Administration (AREA)
  • Educational Technology (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Human Resources & Organizations (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Library & Information Science (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

A learning path recommendation system based on user characteristics and content analysis comprises: a user analysis module which analyzes user metadata including a user's current level, target level, competency evaluation result, desired learning speed, and field of interest; a learning content analysis module which analyzes learning content metadata including job category, level, required status, instructor, related lecture, and required time information until completion; and a learning path design module which recommends a combination of a plurality of learning content to a user based on the analyzed learning content metadata according to the user metadata.

Description

사용자 특성 및 컨텐츠 분석을 통한 학습 경로 추천 시스템 {LEARNING PATH RECOMMENDATION SYSTEM BASED ON USER CHARACTERISTICS AND CONTENT ANALYSIS}{LEARNING PATH RECOMMENDATION SYSTEM BASED ON USER CHARACTERISTICS AND CONTENT ANALYSIS}

본 개시는 사용자 특성 분석을 통한 학습 경로 추천 시스템에 관한 것으로 구체적으로, 음악관련 커리어 교육을 위해 사용자의 학습 성취도와 능력에 따라 최적화된 학습 경로(Learning Path)를 추천하는 시스템에 관한 것이다. The present disclosure relates to a system for recommending a learning path through user characteristic analysis, and more particularly, to a system for recommending a learning path optimized according to a user's learning achievement and ability for music-related career education.

본 명세서에서 달리 표시되지 않는 한, 이 섹션에 설명되는 내용들은 이 출원의 청구항들에 대한 종래 기술이 아니며, 이 섹션에 포함된다고 하여 종래 기술이라고 인정되는 것은 아니다.Unless otherwise indicated herein, the material described in this section is not prior art to the claims of this application, and inclusion in this section is not an admission that it is prior art.

추천 시스템은 정보 필터링 (IF) 기술의 일종으로, 특정 사용자가 관심을 가질만한 정보를 추천하는 것이다. 추천 시스템은 일반적으로 협업 필터링(Collaborative filtering) 방식과 컨텐츠 기반 필터링(content-based filtering) (personality-based approach라고도 불림) 방식을 통해 추천 목록을 만든다. 협업 필터링 기법은 소셜 북마크 사이트에서 링크를 사람들에게 추천하고 무비렌즈 데이터 세트에서 영화를 추천하는 방법 등이 이에 속한다. 추천 시스템은 검색 알고리즘의 유용한 대안이다. 왜냐하면 사용자가 찾지 못한 것들을 다른 방법으로 발견하게 해 주기 때문이다. 아주 흥미롭게도, 추천 시스템은 종종 비 전통 데이터(non-traditional data)를 묶으면서(indexing) 검색 엔진을 사용할 때 시행(implement)되기 때문이다.The recommendation system is a type of information filtering (IF) technology, and recommends information that may be of interest to a specific user. Recommendation systems generally create a list of recommendations through collaborative filtering and content-based filtering (also called personality-based approach). Collaborative filtering techniques include recommending links to people on social bookmarking sites and recommending movies from the MovieLens dataset. Recommendation systems are useful alternatives to search algorithms. Because it allows users to discover things that they couldn't find in other ways. Interestingly enough, recommender systems are often implemented when using search engines by indexing non-traditional data.

최근 영화, 음악, 책, 뉴스, 이미지, 웹페이지 등을 추천하는 다양한 추천시스템이 등장하고 있다. 종래 추천시스템은 간단한 사용자 분석을 통해 분석결과와 연관된 것들을 추천하지만, 특정 분야의 커리어 교육을 위해 컨텐츠와 사용자의 심층적인 분석을 수행하는 시스템은 전무한 실정이다. 특히, 종래 학습 시스템에서 제공하는 일방적인 학습 경로(Learning Path) 추천방식은 개별 상황이 다른 사용자에게 비효율적인 교육 컨텐츠를 제공하는 한계가 있다. Recently, various recommendation systems for recommending movies, music, books, news, images, web pages, etc. are emerging. The conventional recommendation system recommends things related to analysis results through simple user analysis, but there is no system that performs in-depth analysis of contents and users for career education in a specific field. In particular, the unilateral learning path recommendation method provided by the conventional learning system has a limitation in providing inefficient educational content to users with different individual situations.

1. 한국 공개특허공보 제 10-2018-0046496호 (2018년05월09일)1. Korean Patent Publication No. 10-2018-0046496 (May 09, 2018) 2. 한국 특허등록 제 10-1157453호 (2012년06월12일)2. Korean Patent Registration No. 10-1157453 (June 12, 2012)

실시예에 따른 사용자 특성 및 컨텐츠 분석을 통한 학습 경로 추천 시스템 은 사용자의 종합적인 능력, 학업성취정도를 포함하는 사용자 메타 데이터 및 컨텐츠 메타 데이터 등을 심층 분석하여 음악 분야의 커리어 교육을 위한 맞춤형 학습 경로를 추천한다.The learning path recommendation system through user characteristics and content analysis according to the embodiment is a customized learning path for career education in the music field by in-depth analysis of user metadata and content metadata including the user's overall ability and academic achievement. recommend

실시예에 따른 사용자 특성 및 컨텐츠 분석을 통한 학습 경로 추천 시스템은 사용자의 현재 레벨, 목표레벨, 역량 평가 결과, 원하는 학습속도, 관심분야를 포함하는 사용자 메타데이터를 분석하는 사용자 분석 모듈; 직무 카테고리, 레벨, 필수여부, 강사, 관련강의, 완료까지 필요한 시간 정보를 포함하는 학습 컨텐츠 메타데이터를 분석하는 학습 컨텐츠 분석 모듈; 및 분석된 학습 컨텐츠 메타데이터를 기반으로 사용자 메타 데이터에 따라 복수개의 학습 컨텐츠를 조합하여 사용자에게 추천하는 학습 경로 설계 모듈; 을 포함한다.A system for recommending a learning path through user characteristics and content analysis according to an embodiment includes: a user analysis module for analyzing user metadata including a user's current level, a target level, a competency evaluation result, a desired learning rate, and an area of interest; a learning content analysis module for analyzing learning content metadata including job category, level, necessity, instructor, related lecture, and time required to complete; and a learning path design module for combining a plurality of learning contents according to user metadata based on the analyzed learning contents metadata and recommending them to the user. includes

이상에서와 같은 사용자 특성 및 컨텐츠 분석을 통한 학습 경로 추천 시스템은 복합적인 능력이 요구되는 음악분야에서 커리어를 쌓길 희망하는 사용자들에게 맞춤형 학습 경로를 제공함으로써, 사용자 개인의 상황과 특성에 알맞은 학습을 수행할 수 있도록 한다. The learning path recommendation system through user characteristics and content analysis as described above provides a customized learning path to users who want to build a career in the field of music that requires complex abilities, thereby providing learning appropriate to the user's individual situation and characteristics. make it possible to perform

또한, 실시예를 통해 사용자의 강점과 약점을 객관적으로 파악할 수 있고, 이에 따라 사용자는 자신에게 최적화된 학습 프로그램을 추천받아 학습함으로써 학습 효율을 극대화할 수 있다.In addition, the user's strengths and weaknesses can be objectively identified through the embodiment, and accordingly, the user can maximize the learning efficiency by receiving and learning a learning program optimized for the user.

본 발명의 효과는 상기한 효과로 한정되는 것은 아니며, 본 발명의 상세한 설명 또는 특허청구범위에 기재된 발명의 구성으로부터 추론 가능한 모든 효과를 포함하는 것으로 이해되어야 한다.The effects of the present invention are not limited to the above effects, and it should be understood to include all effects that can be inferred from the configuration of the invention described in the detailed description or claims of the present invention.

도 1은 실시예에 따른 사용자 특성 및 컨텐츠 분석을 통한 학습 경로 추천 시스템의 개념 설명을 위한 도면
도 2는 실시예에 따른 사용자 특성 및 컨텐츠 분석을 통한 학습 경로 추천 시스템의 데이터 처리 블록을 나타낸 도면
도 3은 실시예에 따른 자체적인 직무 능력에 대한 정량화된 레벨 및 목표를 정의한 도표
도 4에 실시예에 따른 레벨 별 목표에 따른 주요 지표에 대한 정량적 프로필 정의한 도표
도 5는 실시예에 따른 데이터 정의 도표
도 6은 실시예에 따른 학습 컨텐츠의 단계별 역량 지표 차이에 따른 주제(Topic)의 비중 분석을 나타낸 도면
도 7 및 도 8은 실시예에 따른 학습 컨텐츠의 메타 데이터 설계를 나타낸 도면
도 9는 실시예에 따른 학습 컨텐츠 판단을 위한 도표
도 10은 실시예에 따른 맞춤 학습 경로 생성 결과도표
도 11은 실시예에 따른 레벨 달성에 필요한 크레딧을 산출도표
도 12는 실시예에 따른 필수 강의 달성 여부를 분석도표
도 13은 실시예에 따른 학습 경로 모듈의 우선순위 고려요인 및 측정 방법을 나타낸 도표
도 14는 관련성이 높은 강의를 순차적으로 나열한 실시예
도 15는 강의 별 추가 추천 코스를 삽입하여 사용자에게 최적화된 학습 경로를 생성 실시예를 나타낸 도면
1 is a diagram for explaining the concept of a system for recommending a learning path through user characteristics and content analysis according to an embodiment;
2 is a diagram illustrating a data processing block of a system for recommending a learning path through user characteristics and content analysis according to an embodiment;
3 is a chart defining quantified levels and goals for own job competency according to the embodiment;
4 is a table in which quantitative profiles are defined for main indicators according to goals for each level according to the embodiment
5 is a data definition chart according to the embodiment;
Figure 6 is a diagram showing the analysis of the weight of the topic (Topic) according to the difference in the competency index for each step of the learning content according to the embodiment
7 and 8 are diagrams illustrating meta data design of learning content according to an embodiment;
9 is a diagram for determining learning content according to the embodiment;
10 is a result chart for generating a customized learning path according to the embodiment;
11 is a calculation chart of credits required to achieve a level according to the embodiment;
12 is an analysis chart showing whether the required lecture is achieved according to the embodiment;
13 is a table showing a priority consideration factor and a measurement method of a learning path module according to an embodiment
14 is an embodiment in which lectures with high relevance are sequentially listed.
15 is a view showing an embodiment of creating a learning path optimized for a user by inserting an additional recommended course for each lecture

본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시 예들을 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 개시되는 실시 예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시 예들은 본 발명의 개시가 완전하도록 하고, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다. 명세서 전체에 걸쳐 동일 도면부호는 동일 구성 요소를 지칭한다.Advantages and features of the present invention, and a method of achieving them will become apparent with reference to the embodiments described below in detail in conjunction with the accompanying drawings. However, the present invention is not limited to the embodiments disclosed below, but may be implemented in various different forms, and only these embodiments allow the disclosure of the present invention to be complete, and common knowledge in the art to which the present invention pertains. It is provided to fully inform the possessor of the scope of the invention, and the present invention is only defined by the scope of the claims. Like reference numerals refer to like elements throughout.

본 발명의 실시 예들을 설명함에 있어서 공지 기능 또는 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략할 것이다. 그리고 후술되는 용어들은 본 발명의 실시 예에서의 기능을 고려하여 정의된 용어들로서 이는 사용자, 운용자의 의도 또는 관례 등에 따라 달라질 수 있다. 그러므로 그 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다.In describing the embodiments of the present invention, if it is determined that a detailed description of a well-known function or configuration may unnecessarily obscure the gist of the present invention, the detailed description thereof will be omitted. In addition, the terms to be described later are terms defined in consideration of functions in an embodiment of the present invention, which may vary according to intentions or customs of users and operators. Therefore, the definition should be made based on the content throughout this specification.

도 1은 실시예에 따른 사용자 특성 및 컨텐츠 분석을 통한 학습 경로 추천 시스템의 개념 설명을 위한 도면이다.1 is a diagram for explaining the concept of a system for recommending a learning path through user characteristics and content analysis according to an embodiment.

도 1을 참조하면, 실시예에 따른 학습 경로 시스템은 복합적인 능력이 요구되는 음악분야에서 커리어를 쌓길 희망하는 사용자들에게 맞춤형 학습 경로를 제공한다. 실시예에 따른 경로 추천 시스템은 사용자의 레벨, 희망학습 주제, 학습 희망 기간 등 사용자의 역량과 학습 정보를 분석한다. 또한, 시스템에 등록된 학습 컨텐츠인 코스의 주제, 레벨, 인기도 등을 분석하고 사용자 맞춤형 학습 프로그램을 생성하여 사용자에게 추천한다. 실시예에서는 사용자 특성과 목적에 맞는 학습 경로(Learning Path) 추천한다. 구체적으로, 실시예는 사용자 학습 목적에 맞는 첫 강의 추천 및 필요 강의 필터링 기능을 제공한다. 또한, 실시예에 따른 학습 경로 추천 시스템은 학습 컨텐츠 순서에 대한 정렬 기능을 제공한다. 실시예를 통해 사용자는 자신에게 최적화된 학습 프로그램을 추천받아 학습함으로써 음악분야 커리어 향상에 도움을 주는 다양한 능력을 효율적으로 향상시킬 수 있도록 한다.Referring to FIG. 1 , a learning path system according to an embodiment provides a customized learning path to users who want to build a career in a music field requiring complex abilities. The route recommendation system according to the embodiment analyzes the user's capabilities and learning information, such as the user's level, the desired learning topic, and the desired learning period. In addition, it analyzes the subject, level, popularity, etc. of the course, which is the learning content registered in the system, and creates a user-customized learning program and recommends it to the user. In the embodiment, a learning path suitable for user characteristics and purposes is recommended. Specifically, the embodiment provides a first lecture recommendation and necessary lecture filtering function suitable for user learning purposes. In addition, the learning path recommendation system according to the embodiment provides an arrangement function for the order of learning content. Through the embodiment, the user can efficiently improve various abilities that help improve his/her career in the music field by learning by receiving a learning program optimized for him/herself.

도 2는 실시예에 따른 사용자 특성 및 컨텐츠 분석을 통한 학습 경로 추천 시스템의 데이터 처리 블록을 나타낸 도면이다. 2 is a diagram illustrating a data processing block of a system for recommending a learning path through user characteristics and content analysis according to an embodiment.

도 2를 참조하면, 실시예에 따른 학습 경로 추천 시스템은 사용자 분석 모듈(100), 학습 컨텐츠 분석 모듈(200) 및 학습 경로 설계 모듈(300)을 포함하여 구성될 수 있다. 본 명세서에서 사용되는 '모듈' 이라는 용어는 용어가 사용된 문맥에 따라서, 소프트웨어, 하드웨어 또는 그 조합을 포함할 수 있는 것으로 해석되어야 한다. 예를 들어, 소프트웨어는 기계어, 펌웨어(firmware), 임베디드코드(embedded code), 및 애플리케이션 소프트웨어일 수 있다. 또 다른 예로, 하드웨어는 회로, 프로세서, 컴퓨터, 집적 회로, 집적 회로 코어, 센서, 멤스(MEMS; Micro-Electro-Mechanical System), 수동 디바이스, 또는 그 조합일 수 있다.Referring to FIG. 2 , the learning path recommendation system according to the embodiment may include a user analysis module 100 , a learning content analysis module 200 , and a learning path design module 300 . As used herein, the term 'module' should be construed to include software, hardware, or a combination thereof, depending on the context in which the term is used. For example, the software may be machine language, firmware, embedded code, and application software. As another example, the hardware may be a circuit, a processor, a computer, an integrated circuit, an integrated circuit core, a sensor, a Micro-Electro-Mechanical System (MEMS), a passive device, or a combination thereof.

사용자 분석 모듈(100)은 사용자의 현재 레벨, 목표레벨, 역량 평가 결과, 원하는 학습속도, 관심분야를 포함하는 사용자 메타데이터를 분석한다. 실시예에서 사용자 분석 모듈(100)은 사용자 개개인에 대한 테스트와 조사(survey)를 통해 사용자 메타 데이터를 생성할 수 있다. 또한, 실시예에서는 도 3에 도시된 바와 같이, 사용자 메타 데이터 생성을 위해 직무 능력에 대한 정량화된 레벨과 목표 데이터를 구축해 둘 수 있다. 또한, 사용자 메타 데이터 생성에 필요한 역량 판단을 위한 지표 데이터를 구축할 수 있다. 구체적으로, 실시예에서는 역량 판단 주요 지표를 아래 5가지로 정의하고 이를 기반으로 사용자 역량을 평가할 수 있도록 한다. The user analysis module 100 analyzes user metadata including the user's current level, target level, competency evaluation result, desired learning rate, and field of interest. In an embodiment, the user analysis module 100 may generate user metadata through tests and surveys for individual users. In addition, in the embodiment, as shown in FIG. 3 , a quantified level and target data for job ability may be established to generate user metadata. In addition, it is possible to build index data for determining the capabilities required to generate user metadata. Specifically, in the embodiment, the following five main indicators of capability determination are defined, and user capabilities can be evaluated based on them.

1) 기초역량(Basic): 음악관련 기초에 대한 이해 정도1) Basic Competence: The degree of understanding of music-related basics

2) 작업과정(Working Process): 해당 직무의 종합적인 한 업무 프로세스에 대한 이해 정도2) Working Process: The degree of understanding of one overall work process of the job

3) 품질 향상(Quality Improvement): 업계에서 요구하는 작업수준에 부합 정도3) Quality Improvement: The degree of conformity to the work level required by the industry

4) 커리어 패스 플랜(Career Path Plan): 관련 직무에 관한 커리어를 준비하고, 발전시키는 방법에 대한 이해 과정에 대한 계획과 발전시키는 방법의 이해4) Career Path Plan: Understanding how to prepare for and develop a career in a related job

5) 케이스 스터디 (Case Study): 다양한 형태의 상황에 대한 이해 및 대처 능력 보유5) Case Study: Possess understanding and ability to cope with various types of situations

또한, 실시예에 따른 사용자 분석 모듈(100)은 도 4에 도시된 바와 같이, 사용자 메타 데이터에 기반하여 레벨 별 목표에 따른 주요 지표에 대한 정량적 프로필 정의할 수 있다. In addition, as shown in FIG. 4 , the user analysis module 100 according to the embodiment may define a quantitative profile for a key indicator according to a goal for each level based on user metadata.

학습 컨텐츠 분석 모듈(200)은 직무 카테고리, 레벨, 필수여부, 강사, 관련강의, 완료까지 필요한 시간 정보를 포함하는 학습 컨텐츠 메타데이터를 분석한다. 도 5는 실시예에 따른 학습 컨텐츠(course) 구조 및 요소를 나타낸 도면이다. 실시예에서는 도 5에 도시된 바와 같이, 업로드 된 학습 컨텐츠의 분야, 난이도, 학습목표에 따라 학습 데이터를 정의할 수 있다. 또한 실시예에서는 도 6에 도시된 바와 같이, 학습 컨텐츠의 단계별 역량 지표 차이에 따른 주제(Topic)의 비중을 분석할 수 있다. The learning content analysis module 200 analyzes learning content metadata including job category, level, necessity, instructor, related lecture, and time required to complete. 5 is a diagram illustrating a structure and elements of a learning content (course) according to an embodiment. In the embodiment, as shown in FIG. 5 , learning data may be defined according to the field, difficulty, and learning goal of the uploaded learning content. Also, in the embodiment, as shown in FIG. 6 , it is possible to analyze the weight of the topic according to the difference in the competency index for each stage of the learning content.

또한, 학습 컨텐츠 분석 모듈(200)은 개별 학습 컨텐츠(Course) 분석을 위해 각 학습 컨텐츠에 대한 메타데이터를 설계할 수 있다. 도 7 및 도 8은 실시예에 따른 학습 컨텐츠의 메타 데이터 설계를 나타낸 도면이다. 도 7을 참조하면, 실시예에서는 각 학습 컨텐츠의 메타 데이터를 직무 카테고리, 목표 레벨, 목표 달성 필수 주제 여부, 역량 지표 분류 등으로 구분하고 구분된 속성값 각각을 학습 컨텐츠 데이터와 매칭 시킬 수 있다.Also, the learning content analysis module 200 may design metadata for each learning content for analyzing individual learning content (course). 7 and 8 are diagrams illustrating a meta data design of learning content according to an embodiment. Referring to FIG. 7 , in the embodiment, metadata of each learning content may be divided into job category, goal level, whether a subject is essential to achieve a goal, competency index classification, etc., and each of the divided attribute values may be matched with the learning content data.

실시예에 따른 사용자 분석 모듈(100)은 서베이(survey)를 통한 사용자 특성 분석할 수 있다. 구체적으로 실시예에 따른 사용자 분석 모듈은 사용자의 현재 레벨 분석 및 목표 레벨을 파악하고, 역량 평가를 통한 이미 알고 있는 주제(Topic)에 대한 평가, 희망 학습 속도 및 관심 분야를 파악한다. 이후, 사용자 분석 모듈(100)은 <표 1>과 같은 사용자 역량 지표 분석 및 레벨 정의 데이터를 생성할 수 있다.The user analysis module 100 according to an embodiment may analyze user characteristics through a survey. Specifically, the user analysis module according to the embodiment analyzes the current level and the target level of the user, and grasps the evaluation of the already known topic through the competency evaluation, the desired learning speed and the field of interest. Thereafter, the user analysis module 100 may generate user capability indicator analysis and level definition data as shown in <Table 1>.

역량 지표Competency Indicators 사용자 지표User metrics LEVEL 1LEVEL 1 달성Attainment LEVEL 2LEVEL 2 달성Attainment BasicBasic 7070 5050 OO 7070 OO Working ProcessWorking Process 55 4040 XX 7070 XX Quality ImprovementQuality Improvement 1010 3030 XX 7070 XX Career Path PlanCareer Path Plan 3030 3030 OO 6060 XX Case Studycase study 2020 1515 OO 3030 XX

또한, 실시예에서 사용자 분석 모듈(100)은 사용자 분석 결과를 기반으로 도 9에 도시된 바와 같이, 사용자에게 학습 컨텐츠가 필수 코스인지 판단할 수 있다. 학습 경로 설계 모듈(300)은 분석된 학습 컨텐츠 메타데이터를 기반으로 사용자 메타 데이터에 따라 복수개의 학습 컨텐츠를 조합하여 사용자에게 추천한다.이후, 학습경로 설계 모듈(300)은 사용자가 지정한 직무 카테고리 외 직무 코스, 지정된 레벨 외 스텝, 해당 레벨에서 이미 충족된 역량 지표 관련 강의, 해당 레벨에서 이미 충족된 필수 주제(Topic)의 코스를 필터링 한다.In addition, in an embodiment, the user analysis module 100 may determine whether the learning content is a required course for the user, as shown in FIG. 9 , based on the user analysis result. The learning path design module 300 recommends a combination of a plurality of learning contents according to the user metadata based on the analyzed learning contents metadata to the user. Thereafter, the learning path design module 300 performs other than the job category specified by the user. Filters job courses, steps outside the specified level, lectures related to competency indicators already met at that level, and courses with required topics already met at that level.

고려사항Considerations 필터링 방법Filtering method 지정한 직무 카테고리Specified job category 지정한 직무 카테고리 외 직무 Course 필터링Filter job courses outside of the specified job category 시작 레벨starting level 지정된 레벨 외 스텝 필터링Filter steps outside of the specified level 충족 역량 지표Metrics of competency to meet 해당 레벨에서 이미 충족된 역량 지표 관련 강의 필터링Filtering lectures related to competency indicators already met at that level 필수 TopicRequired Topic 해당 레벨에서 이미 충족된 필수 Topic의 Course 필터링Filter Courses from required topics that have already been met at that level 필수 CourseRequired Course 해당 레벨에서 이미 충족된 필수 Course 필터링Filter required courses already met at that level

또한, 학습경로 설계 모듈(300)은 사용자의 학습 우선순위를 반영하기 위해, 사용자의 역량지표가 레벨 달성에 부족한 정도, 관심분야와의 유사도, 학습 컨텐츠의 인기도, 학습 컨텐츠의 필수여부를 포함하는 심층 분석 정보 각각에 가중치를 반영하여 사용자별 학습 컨텐츠 맞춤 점수를 산출한다.실시예에서 학습 경로 설계 모듈(300)은 표 3과 같이, 심층 분석 정보 각각에 가중치를 반영하고 수학식 1을 통해 사용자별 학습 컨텐츠 맞춤 점수를 산출할 수 있다. In addition, the learning path design module 300 includes, in order to reflect the user's learning priority, the degree to which the user's competency index is insufficient to achieve the level, the degree of similarity to the field of interest, the popularity of the learning content, and whether the learning content is essential. By reflecting weights on each of the in-depth analysis information, a customized score for each user is calculated. In the embodiment, the learning path design module 300 reflects a weight to each of the in-depth analysis information, as shown in Table 3, and the user through Equation 1 It is possible to calculate a customized score for each learning content.

고려사항Considerations 측정 방법How to measure 역량 지표가 레벨 달성에 부족한 정도 The degree to which the competency indicator is insufficient to achieve the level A*X(A: 가중치, X: |부족한 수치|)A*X(A: weight, X: |insufficient number|) 관심 분야에 가까운지?Are you close to your area of interest? B*Y(B: 가중치, Y: 관심 사항 포함 메타 테그 수B*Y(B: weight, Y: number of meta tags with interest 전체 첫 강의 선호도Overall First Class Preference C*Z*100(C: 가중치, Z: 첫번째 강의로 선택 비율)C*Z*100 (C: weight, Z: percentage of selection as first lecture) 해당 직무/레벨 인기 강의Popular lectures for the job/level D*W(D: 가중치, W: 인기 지표)W=조회수 및 완독률 고려한 지표D*W (D: weight, W: popularity index) W = index considering the number of views and read rate 필수 Topic/Course 여부Required Topic/Course? E*P(E: 가중치, P: 필수 Course = 1, 필수 Topic & 비필수 Course=0.5, 둘다 아닌 경우= 0.1)E*P(E: Weight, P: Required Course = 1, Required Topic & Non-Required Course = 0.5, if neither = 0.1)

수학식 1: 점수 = A*X+B*Y+C*Z*100+D*W+E*P (표 3 참조)Equation 1: Score = A*X+B*Y+C*Z*100+D*W+E*P (see Table 3)

학습 경로 설계 모듈(300)은 산출된 점수를 도 10에 도시된 바와 같은 사용자 결과 데이터로 변환하고 이에 따라 맞춤 학습 경로를 생성한다. 예컨대, 학습 경로 설계 모듈(300)은 수학식 1을 통해 산출된 사용자 점수를 알고리즘 점수로 변환하여 도 11에 도시된 바와 같이, 사용자가 레벨 달성에 필요한 크레딧을 산출할 수 있다. 이후 도 12에 도시된 바와 같이, 필수 강의 달성 여부를 분석할 수 있다. The learning path design module 300 converts the calculated score into user result data as shown in FIG. 10 and generates a customized learning path accordingly. For example, the learning path design module 300 may convert the user score calculated through Equation 1 into an algorithm score to calculate the credit required for the user to achieve the level, as shown in FIG. 11 . Thereafter, as shown in FIG. 12 , it is possible to analyze whether the required lecture has been achieved.

또한, 학습 경로 설계 모듈(300)은 사용자 별 필요 크레딧을 반영하여 우선순위에 따라 학습 컨텐츠를 필터링 한다. 실시예에서 학습 경로 설계 모듈은 표 3에 도시된 바와 같이 사용자 역량 지표가 레벨 달성에 부족한 정도, 관심분야와 유사한 정도, 전체 첫 강의 선호도, 강의의 인기도 및 필수 코스인지 여부를 통해 우선순의 강의를 선정할 수 있다.In addition, the learning path design module 300 filters the learning content according to the priority by reflecting the required credit for each user. In the embodiment, as shown in Table 3, the learning path design module prioritizes lectures based on the degree to which the user competency index is insufficient to achieve the level, the degree of similarity to the field of interest, the overall first lecture preference, the popularity of the lecture, and whether it is a required course. can be selected.

도 13은 실시예에 따른 학습 경로 모듈의 우선순위 고려요인 및 측정 방법을 표로 나타낸 것이다. 13 is a table showing factors for consideration of priorities and a measurement method of a learning path module according to an embodiment.

이후 학습 경로 설계 모듈(300)은 필터링 된 학습 컨텐츠 간 관련성 분석을 통해 도 14에 도시된 바와 같이 관련성이 높은 강의를 순차적으로 정렬 할 수 있다. 이후 습 경로 설계 모듈(300)은 도 15에 도시된 바와 같이, 강의 별 추가 추천 코스를 삽입하여 사용자에게 최적화된 학습 경로를 생성하고 이를 추천할 수 있다. Thereafter, the learning path design module 300 may sequentially align lectures with high relevance as shown in FIG. 14 through a relevance analysis between the filtered learning contents. Thereafter, as shown in FIG. 15 , the wet path design module 300 may insert an additional recommended course for each lecture to generate a learning path optimized for the user and recommend it.

이상에서와 같은 사용자 특성 및 컨텐츠 분석을 통한 학습 경로 추천 시스템은 복합적인 능력이 요구되는 음악분야에서 커리어를 쌓길 희망하는 사용자들에게 맞춤형 학습 경로를 제공함으로써, 사용자 개인의 상황과 특성에 알맞은 학습을 수행할 수 있도록 한다. The learning path recommendation system through user characteristics and content analysis as described above provides a customized learning path to users who want to build a career in the field of music that requires complex abilities, thereby providing learning appropriate to the user's individual situation and characteristics. make it possible to perform

또한, 실시예를 통해 사용자의 강점과 약점을 객관적으로 파악할 수 있고, 이에 따라 사용자는 자신에게 최적화된 학습 프로그램을 추천받아 학습함으로써 학습 효율을 극대화할 수 있다.In addition, the user's strengths and weaknesses can be objectively identified through the embodiment, and accordingly, the user can maximize the learning efficiency by receiving and learning a learning program optimized for the user.

개시된 내용은 예시에 불과하며, 특허청구범위에서 청구하는 청구의 요지를 벗어나지 않고 당해 기술분야에서 통상의 지식을 가진 자에 의하여 다양하게 변경 실시될 수 있으므로, 개시된 내용의 보호범위는 상술한 특정의 실시예에 한정되지 않는다.The disclosed content is merely an example, and since various changes can be made by those skilled in the art without departing from the gist of the claims claimed in the claims, the protection scope of the disclosed content is limited to the specific It is not limited to an Example.

Claims (7)

사용자 특성 및 컨텐츠 분석을 통한 학습 경로 추천 시스템은
사용자의 현재 레벨, 목표레벨, 역량 평가 결과, 원하는 학습속도, 관심분야를 포함하는 사용자 메타데이터를 분석하는 사용자 분석 모듈;
직무 카테고리, 레벨, 필수여부, 강사, 관련강의, 완료까지 필요한 시간 정보를 포함하는 학습 컨텐츠 메타데이터를 분석하는 학습 컨텐츠 분석 모듈; 및
상기 분석된 학습 컨텐츠 메타데이터를 기반으로 사용자 메타 데이터에 따라 복수개의 학습 컨텐츠를 조합하여 사용자에게 추천하는 학습 경로 설계 모듈; 을 포함하는 학습 경로 추천 시스템.
Learning path recommendation system through user characteristics and content analysis
a user analysis module for analyzing user metadata including the user's current level, target level, competency evaluation result, desired learning speed, and interest;
a learning content analysis module for analyzing learning content metadata including job category, level, necessity, instructor, related lecture, and time required to complete; and
a learning path design module for combining a plurality of learning contents according to user metadata based on the analyzed learning contents metadata and recommending them to a user; A learning path recommendation system that includes.
제 1항에 있어서, 상기 학습경로 설계 모듈; 은
사용자가 지정한 직무 카테고리 외 직무 코스, 지정된 레벨 외 스텝, 해당 레벨에서 이미 충족된 역량 지표 관련 강의, 해당 레벨에서 이미 충족된 필수 주제(Topic)의 코스를 필터링하는 것을 특징으로 하는 학습 경로 추천 시스템.
According to claim 1, The learning path design module; silver
A learning path recommendation system characterized by filtering job courses outside the job category specified by the user, steps outside the specified level, lectures related to competency indicators already met at the corresponding level, and courses of required topics already satisfied at the corresponding level.
제 2항에 있어서, 상기 학습경로 설계 모듈; 은
사용자의 학습 우선순위를 반영하기 위해, 사용자의 역량지표가 레벨 달성에 부족한 정도, 관심분야와의 유사도, 학습 컨텐츠의 인기도, 학습 컨텐츠의 필수여부를 포함하는 심층 분석 정보 각각에 가중치를 반영하여 사용자별 학습 컨텐츠 맞춤 점수를 산출하는 것을 더 포함하는 것을 특징으로 하는 학습 경로 추천 시스템.
According to claim 2, The learning path design module; silver
In order to reflect the user's learning priority, weight is reflected in each of the in-depth analysis information including the degree to which the user's competency index is insufficient to achieve the level, the degree of similarity to the field of interest, the popularity of the learning content, and whether the learning content is essential. Learning path recommendation system, characterized in that it further comprises calculating a score tailored to each learning content.
제 3항에 있어서, 상기 학습 경로 설계 모듈; 은
사용자 목표, 필수 강의 수강여부에 따라 사용자 특성에 따른 학습 경로를 추천하는 것을 특징으로 하는 학습 경로 추천 시스템.
4. The method of claim 3, further comprising: the learning path design module; silver
A learning path recommendation system, characterized in that it recommends a learning path according to user characteristics according to user goals and whether to take required lectures.
제 4항에 있어서, 상기 학습 경로 설계 모듈; 은
사용자 별 학습 결과에 따른 필요 학습 컨텐츠를 추출하기 위해
레벨 별 학습 목표달성을 위한 필요 강의를 추출하고, 상기 추출된 강의를 기준으로 관련성 높은 강의를 순차적으로 추출하는 것을 특징으로 하는 학습 경로 추천 시스템.
The method of claim 4, further comprising: the learning path design module; silver
In order to extract the necessary learning contents according to the learning results for each user
A learning path recommendation system, characterized in that extracting necessary lectures for achieving learning goals for each level, and sequentially extracting highly relevant lectures based on the extracted lectures.
제 1항에 있어서, 상기 사용자 분석 모듈; 은
사용자 조사(survey) 및 테스트를 통해 사용자의 학습 희망 직무, 목표레벨, 역량지표를 파악하고, 역량 지표에 대한 이해도, 필수 주제에 대한 이해도, 주요 주제 및 흥미를 포함하는 사용자 러닝 데이터를 생성하는 것을 특징으로 하는 학습 경로 추천 시스템.
The method of claim 1 , further comprising: the user analysis module; silver
Through user survey and testing, the user's desired job, target level, and competency index are identified, and user learning data including understanding of competency index, understanding of essential topics, and main topics and interests are generated. Learning path recommendation system, characterized in that.
제 6항에 있어서, 상기 사용자 러닝 데이터에 따라 사용자의 레벨 및 필수 학습 컨텐츠가 결정되고, 필수 학습 주제와 컨텐츠가 필터링 되는 것을 특징으로 하는 학습 경로 추천 시스템.

[Claim 7] The system of claim 6, wherein the user's level and required learning content are determined according to the user learning data, and the required learning topic and content are filtered.

KR1020210049403A 2021-04-15 2021-04-15 Learning path recommendation system based on user characteristics and content analysis KR102599934B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210049403A KR102599934B1 (en) 2021-04-15 2021-04-15 Learning path recommendation system based on user characteristics and content analysis

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210049403A KR102599934B1 (en) 2021-04-15 2021-04-15 Learning path recommendation system based on user characteristics and content analysis

Publications (2)

Publication Number Publication Date
KR20220142850A true KR20220142850A (en) 2022-10-24
KR102599934B1 KR102599934B1 (en) 2023-11-09

Family

ID=83805683

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210049403A KR102599934B1 (en) 2021-04-15 2021-04-15 Learning path recommendation system based on user characteristics and content analysis

Country Status (1)

Country Link
KR (1) KR102599934B1 (en)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117743695A (en) * 2024-02-08 2024-03-22 暗物智能科技(广州)有限公司 Vocational training course recommendation method and device, electronic equipment and storage medium

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20100071399A (en) * 2008-12-19 2010-06-29 주식회사 케이티 Method and system for providing vocational education
KR101157453B1 (en) 2007-11-06 2012-06-22 숭실대학교산학협력단 System development apparatus and method for personalized service using contet-based recommendation method
KR20140052354A (en) * 2012-10-24 2014-05-07 주식회사 국민은행 Competency development supporting system and method thereof
KR20180046496A (en) 2016-10-28 2018-05-09 주식회사 소셜러닝 Open social learning platform

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101157453B1 (en) 2007-11-06 2012-06-22 숭실대학교산학협력단 System development apparatus and method for personalized service using contet-based recommendation method
KR20100071399A (en) * 2008-12-19 2010-06-29 주식회사 케이티 Method and system for providing vocational education
KR20140052354A (en) * 2012-10-24 2014-05-07 주식회사 국민은행 Competency development supporting system and method thereof
KR20180046496A (en) 2016-10-28 2018-05-09 주식회사 소셜러닝 Open social learning platform

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117743695A (en) * 2024-02-08 2024-03-22 暗物智能科技(广州)有限公司 Vocational training course recommendation method and device, electronic equipment and storage medium
CN117743695B (en) * 2024-02-08 2024-06-11 暗物智能科技(广州)有限公司 Vocational training course recommendation method and device, electronic equipment and storage medium

Also Published As

Publication number Publication date
KR102599934B1 (en) 2023-11-09

Similar Documents

Publication Publication Date Title
Wojcieszak et al. No polarization from partisan news: Over-time evidence from trace data
JP6515624B2 (en) Method of identifying lecture video topics and non-transitory computer readable medium
Chen et al. Mining students' learning patterns and performance in Web-based instruction: a cognitive style approach
US20070288308A1 (en) Method and system for providing job listing affinity
KR20190070911A (en) How to recommend an instructor in an online lecture system
Basaraba The emergence of creative and digital place-making: A scoping review across disciplines
US20100120012A1 (en) System for providing online learning contents
US10452411B2 (en) System and method of using emojis for interactive and enhanced data matching capabilities
Yang et al. The role of online reputation management, trolling, and personality traits in the crafting of the virtual self on social media
Behaz et al. Adaptation of learning resources based on the MBTI theory of psychological types
CN107850993A (en) Aggregation and the method for collaboratively searching result
Reichenbacher et al. Assessing geographic relevance for mobile search: A computational model and its validation via crowdsourcing
KR20220142850A (en) Learning path recommendation system based on user characteristics and content analysis
KR102546409B1 (en) An apparatus and a method for providing job suitability information services based on learning-based analysis of user&#39;s experience information
Tan et al. Preference-oriented mining techniques for location-based store search
KR20200124836A (en) Artificial intelligence book writing guiding system and thereof
Zhao et al. Read what you trust: An open wiki model enhanced by social context
Böhmová et al. Analyzing social media data for recruiting purposes
JP6963372B2 (en) Business card information management system and search result display program
JP3622710B2 (en) Video content viewer information providing system and method, viewer information providing apparatus, program, and program recording medium
Markussen et al. On What Grounds? An intra-disciplinary account of evaluation in research through design
Elalfy et al. Predicting best answer in community questions based on content and sentiment analysis
Sujatha et al. Mining competitors and finding winning plans using feature scoring and ranking-based CMiner++ algorithm: finding top-K competitors
Birkholz et al. Who are we talking about? Identifying scientific populations online
KR102712039B1 (en) Method, device and system for optimizing personality education curriculum of professionals based on multifaceted personality and aptitude test and test result

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
AMND Amendment
E601 Decision to refuse application
X091 Application refused [patent]
AMND Amendment
X701 Decision to grant (after re-examination)