KR20220143327A - Ai-based university student db analysis integrated management and performance diffusion system - Google Patents

Ai-based university student db analysis integrated management and performance diffusion system Download PDF

Info

Publication number
KR20220143327A
KR20220143327A KR1020210049721A KR20210049721A KR20220143327A KR 20220143327 A KR20220143327 A KR 20220143327A KR 1020210049721 A KR1020210049721 A KR 1020210049721A KR 20210049721 A KR20210049721 A KR 20210049721A KR 20220143327 A KR20220143327 A KR 20220143327A
Authority
KR
South Korea
Prior art keywords
student
information
counseling
analysis
academic
Prior art date
Application number
KR1020210049721A
Other languages
Korean (ko)
Other versions
KR102661319B1 (en
Inventor
서동환
주양익
이수환
Original Assignee
한국해양대학교 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 한국해양대학교 산학협력단 filed Critical 한국해양대학교 산학협력단
Priority to KR1020210049721A priority Critical patent/KR102661319B1/en
Publication of KR20220143327A publication Critical patent/KR20220143327A/en
Application granted granted Critical
Publication of KR102661319B1 publication Critical patent/KR102661319B1/en

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/20—Education
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/35—Clustering; Classification
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G06N3/0455—Auto-encoder networks; Encoder-decoder networks
    • 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
    • G06Q10/10—Office automation; Time management

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Educational Administration (AREA)
  • Educational Technology (AREA)
  • Primary Health Care (AREA)
  • Databases & Information Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

An AI-based university student analysis and management support system is disclosed. A student analysis and management support method performed by the student analysis and management support system may comprise the following steps of: collecting data including admission information related to academic matters, life information including grades, and counseling information including counseling details; analyzing student information including the academic matters and reasons of a student from the collected data by using artificial intelligence; and recommending necessary counseling content for the analyzed student information.

Description

AI 기반 대학 학생 분석 및 관리 지원 시스템{AI-BASED UNIVERSITY STUDENT DB ANALYSIS INTEGRATED MANAGEMENT AND PERFORMANCE DIFFUSION SYSTEM}AI-Based University Student Analysis and Management Support System {AI-BASED UNIVERSITY STUDENT DB ANALYSIS INTEGRATED MANAGEMENT AND PERFORMANCE DIFFUSION SYSTEM}

아래의 설명은 학생에게 필요한 상담 및 학사 서비스를 제공하는 기술에 관한 것이다.The description below relates to the technology to provide students with the counseling and academic services they need.

기존의 학생 관리 시스템은 행정적 효율성을 높이기 위해 스마트폰 및 컴퓨터에서 학부모 및 학생과 같은 외부 관련인의 접근과 모든 데이터를 한 곳에 열람할 수 있도록 구축된 서버 및 플랫폼이다. 이러한 시스템에서 실질적인 학사관리를 위한 분석 및 교수지원 시스템과의 연동은 대부분 수작업으로 이루어지기 때문에 행정적 효율성이 아닌 학사 업무적 효율성은 고려되지 않았다. 따라서 모든 데이터를 종합적으로 분석하여 교수 및 관련 교원들이 적절한 행동을 할 수 있도록 지원하는 시스템이 요구된다. The existing student management system is a server and platform built so that external parties such as parents and students can access and view all data in one place on smartphones and computers to increase administrative efficiency. In such a system, since most of the analysis and interworking with the faculty support system for actual academic management are done manually, academic work efficiency, not administrative efficiency, was not considered. Therefore, a system that comprehensively analyzes all data and supports professors and related faculty to take appropriate actions is required.

한편, 빅데이터를 이용한 플랫폼 기반 대학 정보 데이터 분석 시스템(등록번호 10-1996382), 글로벌학사관리교육활동과정의 관리 시스템 및 방법(등록번호 10-19618730000)이 개시된 바 있다. On the other hand, a platform-based university information data analysis system (registration number 10-1996382) using big data, and a management system and method (registration number 10-19618730000) of the global academic management education course have been disclosed.

행정적 편의만을 고려한 기존의 학생 정보 관리 시스템을 탈피하여 실질적으로 학생에게 필요한 상담 및 학사 서비스를 제공하기 위해 AI 기반으로 학생의 정보를 분석하여 추천 상담 내용을 교원에게 추천하는 학생 분석 및 상담 지원 시스템 및 방법을 제공할 수 있다. In order to break away from the existing student information management system that only considers administrative convenience and provide practically necessary counseling and academic services to students, a student analysis and counseling support system that analyzes student information based on AI and recommends counseling contents to teachers and method can be provided.

학생의 입학 시점부터 현 시점까지의 종합적인 모든 데이터를 보유한 학생 종합 데이터베이스를 분석하여 중도탈락율, 취업률, 진학률 등 종합적인 데이터를 통해 취업상담, 진학상담 등의 필요 상담 내용을 판단하는 시스템 및 방법을 제공할 수 있다. A system and method for judging the contents of necessary counseling such as employment counseling and college entrance counseling through comprehensive data such as dropout rate, employment rate, and higher education rate by analyzing the student comprehensive database that has all the data from the time of admission to the present time. can provide

학생 분석 및 관리 지원 시스템에 의해 수행되는 학생 분석 및 관리 지원 방법은, 학적 사항과 관련된 입학 정보, 성적 사항을 포함하는 생활 정보, 상담 내역을 포함하는 상담 정보를 포함하는 데이터를 수집하는 단계; 인공지능을 이용하여 상기 수집된 데이터로부터 학생의 학적 상황 및 사유를 포함하는 학생 정보를 분석하는 단계; 및 상기 분석된 학생 정보에 대한 필요 상담 내용을 추천하는 단계를 포함할 수 있다. The student analysis and management support method performed by the student analysis and management support system includes: collecting data including admission information related to academic records, life information including grades, and counseling information including counseling details; analyzing student information including the student's academic situation and reason from the collected data using artificial intelligence; and recommending necessary counseling contents for the analyzed student information.

상기 수집하는 단계는, 상기 입학 정보와 신상 정보를 포함하는 정적 정보와, 상기 정적 정보 이외의 매 학기 갱신되는 생활 정보, 상담 정보를 포함하는 동적 정보를 구분하여 분류하고, 상기 분류된 정적 정보 및 동적 정보를 수집하는 단계를 포함할 수 있다. In the collecting step, static information including the admission information and personal information, life information updated every semester other than the static information, and dynamic information including counseling information are divided and classified, and the classified static information and It may include collecting dynamic information.

상기 수집하는 단계는, 주기적인 상담을 통해 예측 시점 별로 고정된 정적 정보를 CNN을 기반으로 설계된 인코더를 통해 학생 기본 프로파일로 제작하는 단계를 포함할 수 있다. The collecting may include producing static information fixed for each prediction time point through periodic consultation as a basic student profile through an encoder designed based on CNN.

상기 분석하는 단계는, CNN을 기반으로 설계된 인코더를 통해 인코딩된 학생 기본 프로파일을 RNN의 초기 은닉 정보로 사용하여 학기별 동적 정보를 디코더에 입력하여 매 학기의 학적 사항을 예측하는 단계를 포함하고, 상기 예측된 학적 사항은, 재학, 휴학, 제적을 포함하는 학생의 현황에 따라 다음 학기의 학적 사항을 예측하는 확률 데이터로 출력될 수 있다. The analyzing step uses the student basic profile encoded through an encoder designed based on CNN as the initial hidden information of the RNN to input dynamic information for each semester into the decoder to predict the academic details of each semester, The predicted academic records may be output as probability data for predicting the academic records of the next semester according to the current status of the student including enrollment, leave of absence, and expulsion.

상기 분석하는 단계는, 특정 임계값을 초과하는 확률 데이터를 가진 학생을 위험 학생군으로 분류하여 관리 대상으로 선정하는 단계를 포함할 수 있다. The analyzing may include classifying a student having probability data exceeding a specific threshold as a risk student group and selecting the student as a management target.

상기 분석하는 단계는, 상기 학생의 현황 중 제적 및 휴학 사항을 각 위험사유로 매핑한 데이터에 기초하여 사유 정보를 판단하는 단계를 포함하고, 상기 위험 사유는, 학사경고, 편입, 자퇴, 개인사정을 포함할 수 있다. The analyzing includes determining reason information on the basis of data that maps expulsion and leave of absence from the student's current status to each risk reason, and the risk reason is school warning, transfer, dropout, personal circumstances may include

상기 추천하는 단계는, 상기 분석된 학생 정보를 통해 생성된 학적 사항과 사유 정보에 기초하여 상담 주제를 포함하는 상담 내용을 추천하는 단계를 포함할 수 있다. The recommending may include recommending counseling content including a counseling topic based on academic records and reason information generated through the analyzed student information.

상기 추천하는 단계는, 상기 추천된 상담 주제를 포함하는 상담 내용을 통해 상담 프로파일을 생성하고, 상기 생성된 상담 프로파일을 데이터베이스에 업로드하여 학생 데이터를 업데이트하는 단계를 포함할 수 있다. The recommending may include generating a counseling profile through counseling content including the recommended counseling topic, and uploading the generated counseling profile to a database to update student data.

학생 분석 및 관리 지원 시스템은, 학적 사항과 관련된 입학 정보, 성적 사항을 포함하는 생활 정보, 상담 내역을 포함하는 상담 정보를 포함하는 데이터를 수집하는 데이터 수집부; 인공지능을 이용하여 상기 수집된 데이터로부터 학생의 학적 상황 및 사유를 포함하는 학생 정보를 분석하는 학생 분석부; 및 상기 분석된 학생 정보에 대한 필요 상담 내용을 추천하는 상담 추천부를 포함할 수 있다. The student analysis and management support system includes: a data collection unit for collecting data including admission information related to academic records, life information including grades, and counseling information including counseling details; a student analysis unit that analyzes student information including the student's academic status and reason from the collected data using artificial intelligence; and a counseling recommendation unit for recommending necessary counseling contents for the analyzed student information.

상기 데이터 수집부는, 상기 입학 정보와 신상 정보를 포함하는 정적 정보와, 상기 정적 정보 이외의 매 학기 갱신되는 생활 정보, 상담 정보를 포함하는 동적 정보를 구분하여 분류하고, 상기 분류된 정적 정보 및 동적 정보를 수집할 수 있다. The data collection unit divides and classifies static information including the admission information and personal information, and dynamic information including life information and counseling information, which are updated every semester other than the static information, and classifies the classified static information and dynamic information. information can be collected.

상기 데이터 수집부는, 주기적인 상담을 통해 예측 시점 별로 고정된 정적 정보를 CNN을 기반으로 설계된 인코더를 통해 학생 기본 프로파일로 제작할 수 있다. The data collection unit may produce static information fixed for each prediction point through periodic consultation as a basic student profile through an encoder designed based on CNN.

상기 학생 분석부는, CNN을 기반으로 설계된 인코더를 통해 인코딩된 학생 기본 프로파일을 RNN의 초기 은닉 정보로 사용하여 학기별 동적 정보를 디코더에 입력하여 매 학기의 학적 사항을 예측하는 것을 포함하고, 상기 예측된 학적 사항은, 재학, 휴학, 제적을 포함하는 학생의 현황에 따라 다음 학기의 학적 사항을 예측하는 확률 데이터로 출력될 수 있다. The student analysis unit uses the student basic profile encoded through an encoder designed based on CNN as initial hidden information of the RNN to input dynamic information for each semester to the decoder to predict the academic details of each semester, and the prediction The completed academic record can be output as probability data to predict the next semester's academic record according to the student's current status, including enrollment, leave of absence, and expulsion.

상기 학생 분석부는, 특정 임계값을 초과하는 확률 데이터를 가진 학생을 위험 학생군으로 분류하여 관리 대상으로 선정할 수 있다. The student analysis unit may classify a student having probability data exceeding a specific threshold as a risk student group and select it as a management target.

상기 학생 분석부는, 상기 학생의 현황 중 제적 및 휴학 사항을 각 위험사유로 매핑한 데이터에 기초하여 사유 정보를 판단하는 것을 포함하고, 상기 위험 사유는, 학사경고, 편입, 자퇴, 개인사정을 포함할 수 있다. The student analysis unit includes determining reason information based on data that maps expulsion and leave of absence from the student's current status to each risk reason, and the risk reason includes school warning, transfer, dropout, and personal circumstances can do.

상기 상담 추천부는, 상기 분석된 학생 정보를 통해 생성된 학적 사항과 사유 정보에 기초하여 상담 주제를 포함하는 상담 내용을 추천하고, 상기 추천된 상담 주제를 포함하는 상담 내용을 통해 상담 프로파일을 생성하고, 상기 생성된 상담 프로파일을 데이터베이스에 업로드하여 학생 데이터를 업데이트할 수 있다. The counseling recommendation unit recommends counseling content including a counseling topic based on academic records and reason information generated through the analyzed student information, and creates a counseling profile through the counseling content including the recommended counseling topic, , it is possible to update the student data by uploading the generated counseling profile to the database.

학생 분석 및 관리 지원 시스템에 의해 수행되는 학생 분석 및 관리 지원 방법을 실행시키기 위해 컴퓨터 판독가능한 기록 매체에 저장되는 컴퓨터 프로그램은, 학적 사항과 관련된 입학 정보, 성적 사항을 포함하는 생활 정보, 상담 내역을 포함하는 상담 정보를 포함하는 데이터를 수집하는 단계; 인공지능을 이용하여 상기 수집된 데이터로부터 학생의 학적 상황 및 사유를 포함하는 학생 정보를 분석하는 단계; 및 상기 분석된 학생 정보에 대한 필요 상담 내용을 추천하는 단계를 포함할 수 있다. The computer program stored in a computer-readable recording medium to execute the student analysis and management support method performed by the student analysis and management support system includes admission information related to academic records, life information including grades, and counseling details. collecting data including counseling information including; analyzing student information including the student's academic situation and reason from the collected data using artificial intelligence; and recommending necessary counseling contents for the analyzed student information.

학생의 동적 정보, 정적 정보를 분석하여 탈락, 취업 등 대학생의 상담 효율성을 증진시키고 교육 효과를 극대화하고, 종합적인 데이터 분석을 통해 학생 상담을 지원할 수 있다. By analyzing the dynamic and static information of students, it is possible to improve the counseling efficiency of college students such as dropout and employment, maximize the educational effect, and support student counseling through comprehensive data analysis.

기존의 전문가가 행하던 과정을 최적화하여 교원의 부하를 줄이며 동시에 학생 상담의 효율을 높일 수 있다.By optimizing the process performed by the existing experts, it is possible to reduce the load on teachers and increase the efficiency of student counseling at the same time.

상담이 필요한 위험 학생군에 포함된 학생을 탐색하고, 탐색된 학생에게 필요한 정보를 제공하는 상담 서비스를 추천할 수 있다. It is possible to search for students included in the at-risk student group in need of counseling and recommend a counseling service that provides necessary information to the discovered students.

도 1은 일 실시예에 따른 학생 분석 및 관리 지원 시스템의 동작을 설명하기 위한 도면이다.
도 2는 일 실시예에 따른 학생 분석 및 관리 지원 시스템에서 학생 정보를 분석하는 동작을 설명하기 위한 도면이다.
도 3은 일 실시예에 따른 학생 분석 및 관리 지원 시스템의 구성을 설명하기 위한 블록도이다.
도 4는 일 실시예에 따른 학생 분석 및 관리 지원 시스템에서 학생 분석 및 관리 지원 방법을 설명하기 위한 흐름도이다.1 is a view for explaining the operation of the student analysis and management support system according to an embodiment.
2 is a view for explaining an operation of analyzing student information in the student analysis and management support system according to an embodiment.
3 is a block diagram illustrating the configuration of a student analysis and management support system according to an embodiment.
4 is a flowchart illustrating a method for supporting student analysis and management in the student analysis and management support system according to an embodiment.

이하, 실시예를 첨부한 도면을 참조하여 상세히 설명한다.Hereinafter, embodiments will be described in detail with reference to the accompanying drawings.

도 1은 일 실시예에 따른 학생 분석 및 관리 지원 시스템의 동작을 설명하기 위한 도면이다. 1 is a view for explaining the operation of the student analysis and management support system according to an embodiment.

학생 분석 및 관리 지원 시스템(100)은 학생의 정적 정보 및 동적 정보를 분석하여 탈락, 취업 등 대학생의 상담의 효율성을 증진시켜 교육 효과를 극대화하기 위하여 종합적인 데이터 분석을 통해 학생상담을 지원할 수 있다. 이때, 기존의 전문가가 행하던 과정을 최적화하여 교원의 부하를 줄이며 동시에 학생 상담의 효율을 높이기 위해 세 단계의 과정이 수행될 수 있다. The student analysis and management support system 100 can support student counseling through comprehensive data analysis in order to maximize the educational effect by analyzing the static and dynamic information of the student to improve the efficiency of counseling of college students such as dropout and employment. . At this time, the three-step process may be performed to optimize the process performed by the existing experts to reduce the load on the teacher and to increase the efficiency of student counseling at the same time.

학생 분석 및 관리 지원 시스템(100)은 학생 종합 시스템(110)으로부터 필요한 데이터를 수집하는 데이터 수집 과정, 수집된 데이터를 바탕으로 학생의 학적 상황 및 사유를 분석하는 학생 정보 분석 과정(120) 및 분석된 학생의 학적 상황 및 사유를 통해 추출된 위험 학생군의 데이터를 분석하여 필요 상담 내용을 추천하는 학생 상담 추천 과정(130)으로 구성될 수 있다. The student analysis and management support system 100 includes a data collection process for collecting necessary data from the student comprehensive system 110, a student information analysis process 120 for analyzing the student's academic situation and reasons based on the collected data, and analysis It may be composed of a student counseling recommendation process 130 that recommends necessary counseling contents by analyzing the data of the at-risk student group extracted through the academic situation and reasons of the enrolled students.

이때, 학생 종합 정보 시스템(110)은 학생이 대학을 입학하면서부터 졸업할 때까지 축적되는 데이터를 관리할 수 있다. 이때, 데이터베이스에 학생의 학적 사항, 성적 사항, 기타 사항 및 상담 내역이 저장될 수 있다. 학생 종합 정보 시스템에 입학 시점에 고정된 입학 정보, 시간(예를 들면, 매 학기)에 따른 생활 정보, 특수한 기타 정보가 취합되어 학생 분석 및 관리 지원 시스템에 전달될 수 있다. In this case, the student comprehensive information system 110 may manage data accumulated from when a student enters a university until graduation. In this case, the student's academic records, grades, other matters, and counseling details may be stored in the database. Admission information fixed at the time of admission, life information according to time (eg, every semester), and other special information may be collected in the student comprehensive information system and transmitted to the student analysis and management support system.

학생 분석 및 관리 지원 시스템(100)은 기 구축된 학생 종합 정보 시스템을 바탕으로 입학 및 신상과 같은 정적 정보와 매 학기마다 갱신되는 동적 정보를 분류하여 수집할 수 있다. 학생 분석 및 관리 지원 시스템(100)은 주기적인 상담을 통해 예측 시점 별로 고정되는 정적 정보를 CNN을 기반으로 설계된 인코더를 통해 학생 기본 프로파일로 제작할 수 있다. 학생 분석 및 관리 지원 시스템(100)은 제작된 학생 기본 프로파일을 인공지능이 특징을 이해할 수 있는 형태로 인코딩하여 학생 정보 분석 과정에서 이용할 수 있다. 학생 분석 관리 지원 시스템(100)은 데이터 처리 과정을 통해 학생 정보를 인공지능이 인식할 수 있는 형태로 재배치할 수 있다. 일반적으로 딥러닝을 기반한 인공지능은 정적 정보와 동적 정보 중 한 형태의 데이터에 전용한 구조로 설계되기 때문에 매 학기 갱신되는 정적 정보가 중심인 학생 분석 및 관리 지원 시스템(100)은 정적 정보를 인코딩하여 분석하는 디코더가 인식 가능한 형식으로 변경할 수 있다. The student analysis and management support system 100 may classify and collect static information such as admission and personal information and dynamic information updated every semester based on a pre-established student comprehensive information system. The student analysis and management support system 100 may produce static information fixed for each prediction point through periodic consultation as a student basic profile through an encoder designed based on CNN. Student analysis and management support system 100 can be used in the student information analysis process by encoding the created student basic profile in a form that artificial intelligence can understand the characteristics. The student analysis management support system 100 may rearrange student information in a form that can be recognized by artificial intelligence through a data processing process. In general, artificial intelligence based on deep learning is designed with a structure dedicated to data of one type of static information and dynamic information, so the student analysis and management support system 100 centered on static information updated every semester encodes static information Thus, it can be changed to a format that the analyzing decoder can recognize.

학생 분석 및 관리 지원 시스템(100)은 학생 정보 분석 과정(120)에서 학적 분석과 현황 추정을 수행할 수 있다. 학생 분석 및 관리 지원 시스템(100)은 인코딩된 학생 기본 프로파일을 RNN의 초기 은닉 정보로 사용하여 학기 별로 동적 정보를 디코더에 입력하여 매 학기의 학적 사항을 예측할 수 있다. 이때, 예측된 학적 사항은 재학, 휴학, 제적 등의 학생의 현황을 통해 개별적으로 다음 학기의 확률 데이터로 출력될 수 있다. 예를 들면, 학생이 재학중이면 0, 학생이 휴학 또는 제적 중 일 경우, 1로 구분하여 확률화 할 수 있고, 확률화를 통해 학생이 다음 학기에 재학, 휴학, 제적 등의 여부가 분석될 수 있다. 다시 말해서, 수집된 데이터에 대한 확률 분석을 통해 위험 학생군이 분류될 수 있다. 학생 분석 및 관리 지원 시스템(100)은 특정 임계값을 초과하는 확률 데이터를 가진 학생을 위험 학생군으로 분류하여 독립적으로 관리할 수 있다. 이때, 특정 임계값은 사전에 교원 또는 상담 전문가에 의해 설정될 수 있다. 학생 분석 및 관리 지원 시스템(100)은 수집된 데이터에 기초하여 학생이 중도탈락(자퇴, 편입, 학사 경고)와 같은 위험사유를 분석하여 위험 학생군을 분류하여 해당 학생을 기준으로 상담 프로파일을 구성할 수 있다. 예를 들면, 학생 분석 및 관리 지원 시스템(100)은 수집된 데이터에 기초하여 학생의 한 학기 동안의 출결 현황, 과제 제출 여부, 성적 정보 등의 요소 정보를 분석하여 위험 학생군을 분류할 수 있다. 이때, 위험 학생군을 분류하는 방법은 다양하게 존재할 수 있으며, 각각의 요소 정보에 대하여 0 또는 1로 구분하고, 0과 1로 분류된 값들을 가산한 후 평균함으로써 각각의 학생에 대한 위험 요소값을 도출할 수 있다. 이와 같이 도출된 위험 요소 값을 다른 학생들과 비교함으로써 기 설정된 순위 이상의 위험 요소 값을 갖는 학생을 위험 학생군으로 분류할 수 있다. The student analysis and management support system 100 may perform academic analysis and current status estimation in the student information analysis process 120 . The student analysis and management support system 100 may use the encoded basic student profile as the initial hidden information of the RNN and input dynamic information for each semester into the decoder to predict the academic details of each semester. In this case, the predicted academic records may be individually output as probability data for the next semester through the current status of students such as enrollment, leave of absence, and expulsion. For example, if a student is enrolled in school, it can be divided into 0, if a student is on leave of absence or expulsion, it can be divided into 1 for randomization. can In other words, risk student groups can be classified through probability analysis on the collected data. The student analysis and management support system 100 may classify students having probability data exceeding a specific threshold into a risk student group and independently manage them. In this case, the specific threshold may be set in advance by a teacher or a counselor. The student analysis and management support system 100 analyzes risk reasons such as dropout (dropout, transfer, academic warning) of a student based on the collected data, classifies the risk student group, and configures a counseling profile based on the student can do. For example, the student analysis and management support system 100 may classify the risk student group by analyzing element information such as the student's attendance status, assignment submission, and grade information for one semester based on the collected data. . At this time, there may be various methods for classifying the risk student group, and each element information is classified as 0 or 1, and the values classified as 0 and 1 are added and averaged to determine the risk factor value for each student. can be derived. By comparing the derived risk factor values with other students, a student having a risk factor value greater than or equal to a preset rank can be classified as a high-risk student group.

이를 통해 기존의 단순하게 모든 학생에 대하여 일괄적으로 상담을 진행하는 방식에 비해 특정 학생에 대한 집중을 통해 상담의 질을 높이며 담당 교원들의 업무 부하를 최소화할 수 있다. 학적 상항 분석을 위한 디코더의 은닉 정보는 학적 특징 정보를 포함하기 때문에 일종의 개별적으로 구성된 학생 학적 프로파일이라고 할 수 있다. 이러한 은닉 정보를 현황 추정에 사용함으로써 구체적인 사유를 획득할 수 있다.Through this, it is possible to improve the quality of counseling by focusing on a specific student and minimize the workload of the teachers in charge compared to the existing simple method of conducting counseling for all students at once. Since the hidden information of the decoder for academic constant analysis includes academic feature information, it can be said to be a kind of individually constructed student academic profile. Specific reasons can be obtained by using this hidden information to estimate the current situation.

학생 분석 및 관리 지원 시스템(100)은 제적, 휴학 사항을 각 위험사유로 매핑한 데이터에 기초하여 실제 사유를 판단할 수 있다. 이때, 위험사유는 학사경고, 편입, 자퇴, 개인사정을 포함할 수 있다. 예를 들면, 학생 분석 및 관리 지원 시스템(100)은 학생의 개인 사정으로 인한 휴학, 학생의 제적으로 인한 학사 경고 등과 같이 실제 사유를 판단할 수 있다. 학생 분석 및 관리 지원 시스템(100)은 제적 및 휴학의 경우, 학생이 최종 결정 단계에서 상담을 진행하기 때문에 구체적인 사유를 알기 쉽고, 상담을 통해 축적된 데이터베이스를 바탕으로 학습을 수행할 수 있다. 또한, 학생 분석 및 관리 지원 시스템(100)은 중도탈락학생 데이터베이스에 기초하여 학생의 실제 사유를 분석할 수 있다. 예를 들면, 자퇴, 개인 사정 등으로 인해 학업을 중도 포기한 학생들과 관련된 정보가 중도탈락학생 데이터베이스에 저장되어 있을 수 있다. 중도탈락학생 데이터베이스에 저장된 정보와 학생 종합 정보 시스템(100)에 저장된 정보를 함께 고려하여 학생의 실제 사유를 판단할 수 있다. The student analysis and management support system 100 may determine the actual reason based on the data in which the expulsion and leave of absence are mapped to each risk reason. In this case, the risk reasons may include academic warning, transfer, dropout, and personal circumstances. For example, the student analysis and management support system 100 may determine an actual reason, such as a leave of absence due to a student's personal circumstances, a school warning due to a student's expulsion, and the like. In the case of expulsion and leave of absence, the student analysis and management support system 100 makes it easy to understand the specific reason because the student proceeds with counseling at the final decision stage, and learning can be performed based on the database accumulated through counseling. In addition, the student analysis and management support system 100 may analyze the actual reason of the student based on the dropout student database. For example, information related to students who have dropped out of school due to dropout, personal circumstances, etc. may be stored in the dropout student database. The actual reason of the student may be determined by considering the information stored in the dropout student database and the information stored in the student comprehensive information system 100 together.

학생 분석 및 관리 지원 시스템(100)은 학생 정보를 분석함에 따라 생성된 학적과 사유가 학생 상담 추천 과정을 통해 실제 상담 내용으로 추천할 수 있다. 예를 들면, 학생 분석 및 관리 지원 시스템(100)은 학생 통합 정보 시스템(110)에 저장된 데이터에 기초하여 사유와 상담 간의 연관성을 바탕으로 확률을 통해 추정된 사유 강도를 통해 개별적 상담의 필요성을 분석할 수 있다. 사유와 사유 강도는 벡터화된 결과로써, 상담 종류별 사유 벡터와의 상호 정보(mutual information)을 계산하여 가장 적합한 상담 주제(예를 들면, 진로, 취업, 학원, 심리 등)들을 추천할 수 있다. 예를 들면, 학생 분석 및 관리 지원 시스템(100)에 지금까지 상담을 통해 저장된 상담 정보가 존재할 수 있다. 학생 분석 및 관리 지원 시스템(100)은 상담 정보에 기초하여 학생에게 적합한 추천 상담 내용을 추출할 수 있다. The student analysis and management support system 100 may recommend academic records and reasons generated by analyzing student information as actual counseling contents through a student counseling recommendation process. For example, the student analysis and management support system 100 analyzes the need for individual counseling based on the data stored in the student integrated information system 110 through the intensity of reason estimated through probability based on the correlation between reason and counseling can do. The reason and intensity of reason are vectorized results, and mutual information with the thought vector for each type of counseling can be calculated to recommend the most suitable counseling topics (eg, career, employment, academy, psychology, etc.). For example, counseling information stored through counseling so far may exist in the student analysis and management support system 100 . The student analysis and management support system 100 may extract recommended counseling content suitable for the student based on the counseling information.

학생 분석 및 관리 지원 시스템(100)은 추천된 상담 주제를 통해 디지털화된 상담 프로파일을 생성할 수 있다. 학생 분석 및 관리 지원 시스템(100)은 추천된 상담 주제를 통해 상담을 진행할 때, 음성 또는 텍스트 형태로 진행할 수 있다. 예를 들면, 학생 분석 및 관리 시스템(100)은 학생에 따라 추천된 상담 주제를 통해 학생과 질의하기 위한 상담 내용을 생성할 수 있으며, 생성된 상담 내용을 답변받을 수 있다. 이때, 학생에 따라 상담 내용의 강도가 정해질 수 있다. 이러한 상담이 진행됨으로써 상담 프로파일이 완성될 수 있다. 학생 분석 및 관리 시스템은 상담 프로파일을 학생 종합 정보 시스템(110)에 저장할 수 있다. 이에, 학생 종합 정보 시스템(110)에 저장된 상담 내역이 업데이트될 수 있다. Student analysis and management support system 100 may generate a digitized counseling profile through the recommended counseling topic. The student analysis and management support system 100 may proceed in the form of voice or text when counseling is conducted through the recommended counseling topic. For example, the student analysis and management system 100 may generate counseling content for inquiring with the student through a counseling topic recommended according to the student, and the generated counseling content may be answered. In this case, the strength of the counseling content may be determined according to the student. As such a consultation proceeds, a consultation profile may be completed. The student analysis and management system may store the counseling profile in the student comprehensive information system 110 . Accordingly, the counseling details stored in the student comprehensive information system 110 may be updated.

학생 분석 및 관리 지원 시스템(100)은 디지털화된 상담 프로파일을 통해 상담의 질을 향상시키며 실질적으로 학생에게 필요한 부분을 매칭할 수 있다. 또한, 학생 분석 및 관리 지원 시스템(100)은 디지털화된 상담 프로파일을 다시 학생 종합 정보 시스템에 업로드하여 지속적인 시스템 개선을 수행할 수 있다.The student analysis and management support system 100 improves the quality of counseling through a digitized counseling profile and can match the part that is actually needed for the student. In addition, the student analysis and management support system 100 may perform continuous system improvement by uploading the digitized counseling profile back to the student comprehensive information system.

학생 분석 및 관리 지원 시스템(100)은 신청하는 내담자만이 제한적 정보를 바탕으로 대응하는 소극적인 방식을 넘어 위험 학생을 찾아내어 필요한 정보를 제공하는 실질적인 상담 서비스를 제공할 수 있으며, 이러한 과정을 위한 전반적인 행정적 부담을 최소화시킬 수 있다. 예를 들면, 학생 분석 및 관리 지원 시스템(100)은 비대면 또는 대면 상담 서비스를 제공할 수 있다. 학생 분석 및 관리 지원 시스템(100)은 비대면 상담 서비스를 진행할 경우, 온라인을 통해 학생과 교원/상담 전문가와의 상담이 이루어지도록 할 수 있고, 대면 상담 서비스를 진행할 경우, 오프라인을 통해 학생과 교원/상담 전문가의 상담이 이루어지도록 할 수 있다. 이때, 학생과 교원/상담 전문가 간 상담 시간을 조율한 후, 비대면 또는 대면 상담 서비스가 진행될 수 있다. The student analysis and management support system 100 can provide a practical counseling service that finds at-risk students and provides necessary information beyond the passive way of responding only to the applicant based on limited information, and provides an overall Administrative burden can be minimized. For example, the student analysis and management support system 100 may provide a non-face-to-face or face-to-face counseling service. The student analysis and management support system 100 can provide counseling with students and teachers/counseling experts through online when non-face-to-face counseling services are performed, and when conducting face-to-face counseling services, offline counseling with students and teachers Expert advice can be provided. In this case, after coordinating the counseling time between the student and the teacher/counseling expert, a non-face-to-face or face-to-face counseling service may be performed.

도 2는 일 실시예에 따른 학생 분석 및 관리 지원 시스템에서 학생 정보를 분석하는 동작을 설명하기 위한 도면이다. 2 is a view for explaining an operation of analyzing student information in the student analysis and management support system according to an embodiment.

학생 분석 및 관리 지원 시스템(100)은 각 학생별 탈락 확률을 분석하고, 분석된 각 학생별 탈락 확률에 대한 위험 정보를 통해 인공지능을 이용하여 추천된 상담 내용을 교원에게 제시할 수 있다. 학생 분석 및 관리 지원 시스템(100)은 학생 정보를 바탕으로 재학, 휴학, 제적 등의 학생 현황에 대한 학적 사항을 분석하여 위험 학생군을 분류할 수 있다. 학생 분석 및 관리 지원 시스템(100)은 위험 학생군으로 분류된 학생을 기준으로 상담 프로파일을 생성할 수 있다. 예를 들면 학생 분석 및 관리 지원 시스템은 딥러닝 기반의 모델을 통해 특징 정보를 추출하고, 추출된 특징 정보를 시간에 따라 동적인 생활 정보와 함께 처리하여 각 학기별 학생의 위험 추이를 분석할 수 있다. 최종적으로 미래인 다음 학기의 학적 사항을 예측함으로써 위험 학생군을 분류할 수 있다. 예를 들면, 다음 학기에 학생이 재학중일 확률이 도출될 수 있다. The student analysis and management support system 100 may analyze the dropout probability for each student and present the recommended counseling contents to the teacher using artificial intelligence through the analyzed risk information on the dropout probability for each student. The student analysis and management support system 100 may classify the at-risk student group by analyzing the academic records of the student status such as attendance, leave of absence, and expulsion based on student information. The student analysis and management support system 100 may generate a counseling profile based on students classified as at-risk students. For example, the student analysis and management support system extracts feature information through a deep learning-based model, and processes the extracted feature information with dynamic life information over time to analyze the risk trend of students for each semester. have. Finally, it is possible to classify the at-risk student group by predicting the academic details of the next semester, which is the future. For example, the probability that a student is enrolled in the next semester may be derived.

일례로, 딥러닝 기반의 모델은 학생 분석 및 관리 지원을 위하여 구성된 것일 수 있다. 딥러닝 기반의 모델은 학생들에 대한 입학 정보와 신상 정보, 매 학기 갱신되는 생활 정보, 상담 정보 등의 데이터 셋을 이용하여 학습된 수 있다. 실시예에서는 딥러닝 기반의 모델은 인코더 및 디코더를 포함할 수 있다. 이때, 인코더는 CNN을 기반으로 설계된 것일 수 있고, 디코더는 RNN을 기반으로 설계된 것일 수 있다. 인코더 및 디코더는 이외에도 다양한 형태로 설계될 수 있다. As an example, the deep learning-based model may be configured to support student analysis and management. The deep learning-based model can be learned using data sets such as admission information and personal information about students, life information updated every semester, and counseling information. In an embodiment, the deep learning-based model may include an encoder and a decoder. In this case, the encoder may be designed based on CNN, and the decoder may be designed based on RNN. The encoder and the decoder may be designed in various other forms.

도 2를 참고하면, 주기적인 상담을 통해 예측 시점 별로 고정된 정적 정보를 CNN을 기반으로 설계된 인코더를 통해 학생 기본 프로파일로 제작될 수 있다. 인코더에 입학 정보 및 상담 정보가 입력 데이터로 입력될 수 있다. 인코더를 통해 인코딩된 학생 기본 프로파일을 RNN의 초기 은닉 정보로 사용하여 학기별 동적 정보를 디코더에 입력하여 매 학기의 학적 사항이 예측될 수 있다. 인코딩된 학생 기본 파일과 생활 정보를 디코더에 입력함으로써 학생에 대한 학적 사항이 분석될 수 있다. 학생 분석 및 관리 지원 시스템(100)은 학생에 대한 학적 사항이 분석됨에 따라 학생이 위험 학생군인지 여부가 판단될 수 있다. Referring to FIG. 2 , static information fixed for each prediction point through periodic counseling can be produced as a student basic profile through an encoder designed based on CNN. Admission information and counseling information may be input to the encoder as input data. By using the student basic profile encoded through the encoder as the initial hidden information of the RNN, dynamic information for each semester is input to the decoder, so that the academic details of each semester can be predicted. By inputting the encoded basic student file and life information into the decoder, the student's academic record can be analyzed. The student analysis and management support system 100 may determine whether the student is a high-risk student group as the student's academic records are analyzed.

학생 분석 및 관리 지원 시스템(100)은 위험 학생군으로 분류된 학생에 대한 필요 상담 내용을 상담자 혹은 관련 교원에게 전달할 수 있다. 이때, 위험 학생군으로 분류된 학생의 정보만을 필터링하여 추출된 특징 정보 및 학기별 정보를 입력받을 수 있다. The student analysis and management support system 100 may deliver necessary counseling for students classified as risky students to a counselor or a related teacher. At this time, it is possible to receive the extracted characteristic information and information by semester by filtering only the information of students classified as risky students.

학생 분석 및 관리 지원 시스템(100)은 위험의 원인을 분석한 뒤, 이를 기반으로 필요 상담 내용을 과거의 데이터베이스에서 검색하여 상담자 혹은 관련 교원에게 전달할 수 있다. 이러한 상담 내용 추천을 통해 전문 상담자의 부하를 최소화시키는 것이 가능하며, 더 나아가 상담과 관련하여 전문성이 비교적 낮은 교원을 지원 가능하다. After analyzing the cause of the risk, the student analysis and management support system 100 may search the past database for necessary counseling contents based on this and deliver it to a counselor or a related teacher. It is possible to minimize the load of professional counselors by recommending such counseling contents, and furthermore, it is possible to support teachers with relatively low expertise in counseling.

도 3은 일 실시예에 따른 학생 분석 및 관리 지원 시스템의 구성을 설명하기 위한 블록도이고, 도 4는 일 실시예에 따른 학생 분석 및 관리 지원 시스템에서 학생 분석 및 관리 지원 방법을 설명하기 위한 흐름도이다.Figure 3 is a block diagram for explaining the configuration of the student analysis and management support system according to an embodiment, Figure 4 is a flow chart for explaining the student analysis and management support method in the student analysis and management support system according to an embodiment to be.

학생 분석 및 관리 지원 시스템(100)의 프로세서는 데이터 수집부(310), 학생 분석부(320) 및 상담 추천부(330)를 포함할 수 있다. 이러한 프로세서의 구성요소들은 학생 분석 및 관리 지원 시스템에 저장된 프로그램 코드가 제공하는 제어 명령에 따라 프로세서에 의해 수행되는 서로 다른 기능들(different functions)의 표현들일 수 있다. 프로세서 및 프로세서의 구성요소들은 도 4의 학생 분석 및 관리 지원 방법이 포함하는 단계들(410 내지 430)을 수행하도록 학생 분석 및 관리 지원 시스템을 제어할 수 있다. 이때, 프로세서 및 프로세서의 구성요소들은 메모리가 포함하는 운영체제의 코드와 적어도 하나의 프로그램의 코드에 따른 명령(instruction)을 실행하도록 구현될 수 있다. The processor of the student analysis and management support system 100 may include a data collection unit 310 , a student analysis unit 320 , and a counseling recommendation unit 330 . These processor components may be representations of different functions performed by the processor in accordance with control instructions provided by program code stored in the student analysis and management support system. The processor and components of the processor may control the student analysis and management support system to perform steps 410 to 430 included in the student analysis and management support method of FIG. 4 . In this case, the processor and the components of the processor may be implemented to execute instructions according to the code of the operating system included in the memory and the code of at least one program.

프로세서는 학생 분석 및 관리 지원 방법을 위한 프로그램의 파일에 저장된 프로그램 코드를 메모리에 로딩할 수 있다. 예를 들면, 학생 분석 및 관리 지원 시스템에서 프로그램이 실행되면, 프로세서는 운영체제의 제어에 따라 프로그램의 파일로부터 프로그램 코드를 메모리에 로딩하도록 학생 분석 및 관리 지원 시스템을 제어할 수 있다. 이때, 데이터 수집부(310), 학생 분석부(320) 및 상담 추천부(330) 각각은 메모리에 로딩된 프로그램 코드 중 대응하는 부분의 명령을 실행하여 이후 단계들(410 내지 430)을 실행하기 위한 프로세서의 서로 다른 기능적 표현들일 수 있다.The processor may load into memory the program code stored in the file of the program for student analysis and management support methods. For example, when a program is executed in the student analysis and management support system, the processor may control the student analysis and management support system to load a program code from a file of the program into the memory according to the control of the operating system. At this time, each of the data collection unit 310 , the student analysis unit 320 , and the counseling recommendation unit 330 executes a command of a corresponding part of the program code loaded in the memory to execute subsequent steps 410 to 430 . may be different functional representations of the processor for

단계(410)에서 데이터 수집부(310)는 학적 사항과 관련된 입학 정보, 성적 사항을 포함하는 생활 정보, 상담 내역을 포함하는 상담 정보를 포함하는 데이터를 수집할 수 있다. 데이터 수집부(310)는 입학 정보와 신상 정보를 포함하는 정적 정보와, 정적 정보 이외의 매 학기 갱신되는 생활 정보, 상담 정보를 포함하는 동적 정보를 구분하여 분류하고, 분류된 정적 정보 및 동적 정보를 수집할 수 있다. 데이터 수집부(310)는 정적인 입학 정보(학적 사항)와 동적인 생활 정보(성적 사항, 장학 사항)뿐만 아니라 간헐적으로 등장하는 기타 정보(입상 정보, 건강 정보 등)를 포함하는 데이터베이스에서 필요 데이터를 선택 및 취합하여 인공지능이 이해할 수 있는 형태로 변형할 수 있다. 데이터 수집부(310)는 주기적인 상담을 통해 예측 시점 별로 고정된 정적 정보를 CNN을 기반으로 설계된 인코더를 통해 학생 기본 프로파일로 제작할 수 있다. In step 410 , the data collection unit 310 may collect data including admission information related to academic records, life information including grades, and counseling information including counseling details. The data collection unit 310 divides and classifies static information including admission information and personal information, and dynamic information including life information and counseling information updated every semester other than static information, classified static information and dynamic information can be collected. The data collection unit 310 is required data from a database including static admission information (scholarship information) and dynamic life information (grades information, scholarship information) as well as other information that appears intermittently (principal information, health information, etc.) can be transformed into a form that can be understood by artificial intelligence by selecting and combining them. The data collection unit 310 may produce static information fixed for each prediction point through periodic consultation as a basic student profile through an encoder designed based on CNN.

단계(420)에서 학생 분석부(320)는 인공지능을 이용하여 수집된 데이터로부터 학생의 학적 상황 및 사유를 포함하는 학생 정보를 분석할 수 있다. 학생 분석부(320)는 CNN을 기반으로 설계된 인코더를 통해 인코딩된 학생 기본 프로파일을 RNN의 초기 은닉 정보로 사용하여 학기별 동적 정보를 디코더에 입력하여 매 학기의 학적 사항을 예측할 수 있다. 학생 분석부(320)는 특정 임계값을 초과하는 확률 데이터를 가진 학생을 위험 학생군으로 분류하여 관리 대상으로 선정할 수 있다. 학생 분석부(320)는 학생의 현황 중 제적 및 휴학 사항을 각 위험사유로 매핑한 데이터에 기초하여 사유 정보를 판단할 수 있다. 예를 들면, 학생 분석부(320)는 학사경고로 인한 제적, 개인사정으로 인한 휴학 등 사유 정보를 생성할 수 있다. In step 420, the student analysis unit 320 may analyze the student information including the student's academic situation and reason from the data collected using artificial intelligence. The student analysis unit 320 may predict the academic details of each semester by inputting dynamic information for each semester to the decoder by using the student basic profile encoded through an encoder designed based on CNN as the initial hidden information of the RNN. The student analysis unit 320 may classify students having probability data exceeding a specific threshold as a risk student group and select them as management targets. The student analysis unit 320 may determine the reason information based on the data in which the student's status of expulsion and leave of absence are mapped to each risk reason. For example, the student analysis unit 320 may generate reason information, such as expulsion due to school warning or leave of absence due to personal circumstances.

단계(430)에서 상담 추천부(330)는 분석된 학생 정보에 대한 필요 상담 내용을 추천할 수 있다. 상담 추천부(330)는 분석된 학생 정보를 통해 생성된 학적 사항과 사유 정보에 기초하여 상담 주제를 포함하는 상담 내용을 추천할 수 있다. 상담 추천부(330)는 추천된 상담 주제를 포함하는 상담 내용을 통해 상담 프로파일을 생성하고, 생성된 상담 프로파일을 데이터베이스에 업로드하여 학생 데이터를 업데이트할 수 있다. 예를 들면, 상담 추천부(330)는 심리 상담, 진로 상담, 취업 상담을 포함하는 상담 결과를 학생 종합 정보 시스템의 상담 내역에 저장할 수 있다. 상담 추천부(330)는 학생에게 필요한 상담을 추출할 수 있고, 추출된 상담 정보를 이용하여 상담을 제공할 수 있다. 이때, 심리 상담, 진로 상담, 취업 상담에 따라 학생에게 제공되는 상담 정보가 다를 수 있으며, 학생의 상태에 따라 동일한 상담 주제일지라도 상담 내용이 다르게 될 수 있다. 일례로, 상담 추천부(330)는 학생이 자퇴할 확률에 따라 상담 내용이 달라질 수 있다. 예를 들면, 상담 추천부(330)는 학생이 교우 관계로 인한 자퇴할 확률이 기 설정된 기준 이상으로 판단됨에 따라 보다 심층적으로 심리 상담을 진행할 수 있다. 이때, 심리 상담의 내용이 분석된 학생의 학적 사항 및 사유 정보에 따라 질의 내용이 생성될 수 있으며, 생성된 질의를 바탕으로 학생을 상담할 수 있다. 또한, 심리 상담, 진로 상담, 취업 상담이 모두 이루어질 경우에도, 학생의 학적 사항 및 사유 정보에 따라 각각의 상담이 진행되는 비율이 달라질 수 있다. 예를 들면, 심리 상담 20분, 진로 상담 20분, 취업 상담 30분 등 학생의 상태에 따라 상담 시간이 정해질 수 있다. In step 430 , the counseling recommendation unit 330 may recommend necessary counseling content for the analyzed student information. The counseling recommendation unit 330 may recommend counseling content including a counseling topic based on academic records and reason information generated through the analyzed student information. The counseling recommendation unit 330 may generate a counseling profile through counseling content including the recommended counseling topic, and upload the generated counseling profile to a database to update student data. For example, the counseling recommendation unit 330 may store counseling results including psychological counseling, career counseling, and employment counseling in the counseling history of the student comprehensive information system. The counseling recommendation unit 330 may extract counseling necessary for the student, and may provide counseling using the extracted counseling information. At this time, counseling information provided to students may be different depending on psychological counseling, career counseling, and employment counseling, and depending on the student's condition, the counseling content may be different even for the same counseling topic. For example, the counseling recommendation unit 330 may provide different counseling contents according to the probability that the student will drop out. For example, the counseling recommendation unit 330 may conduct psychological counseling in more depth as it is determined that the probability that the student will drop out due to peer relationship is greater than or equal to a preset standard. In this case, the contents of the psychological counseling may be generated according to the student's academic record and reason information analyzed, and the student may be consulted based on the generated query. In addition, even when psychological counseling, career counseling, and employment counseling are all conducted, the rate at which each counseling is conducted may vary depending on the student's academic record and reason information. For example, 20 minutes of psychological counseling, 20 minutes of career counseling, 30 minutes of job counseling, etc. The counseling time may be determined according to the student's condition.

이상에서 설명된 장치는 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.The device described above may be implemented as a hardware component, a software component, and/or a combination of the hardware component and the software component. For example, devices and components described in the embodiments may include, for example, a processor, a controller, an arithmetic logic unit (ALU), a digital signal processor, a microcomputer, a field programmable gate array (FPGA). , a programmable logic unit (PLU), microprocessor, or any other device capable of executing and responding to instructions, may be implemented using one or more general purpose or special purpose computers. The processing device may execute an operating system (OS) and one or more software applications running on the operating system. The processing device may also access, store, manipulate, process, and generate data in response to execution of the software. For convenience of understanding, although one processing device is sometimes described as being used, one of ordinary skill in the art will recognize that the processing device includes a plurality of processing elements and/or a plurality of types of processing elements. It can be seen that may include For example, the processing device may include a plurality of processors or one processor and one controller. Other processing configurations are also possible, such as parallel processors.

소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치에 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.The software may comprise a computer program, code, instructions, or a combination of one or more thereof, which configures a processing device to operate as desired or is independently or collectively processed You can command the device. The software and/or data may be any kind of machine, component, physical device, virtual equipment, computer storage medium or device, to be interpreted by or to provide instructions or data to the processing device. may be embodied in The software may be distributed over networked computer systems and stored or executed in a distributed manner. Software and data may be stored in one or more computer-readable recording media.

실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 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 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. The method according to the embodiment may be implemented in the form of program instructions that can be executed through various computer means and recorded in a computer-readable medium. The computer-readable medium may include program instructions, data files, data structures, etc. alone or in combination. The program instructions recorded on the medium may be specially designed and configured for the embodiment, or may be known and available to those skilled in the art of computer software. Examples of the computer-readable recording medium include magnetic media such as hard disks, floppy disks and magnetic tapes, optical media such as CD-ROMs and DVDs, and magnetic such as floppy disks. - includes magneto-optical media, and hardware devices specially configured to store and execute program instructions, such as ROM, RAM, flash memory, and the like. Examples of program instructions include not only machine language codes such as those generated by a compiler, but also high-level language codes that can be executed by a computer using an interpreter or the like.

이상과 같이 실시예들이 비록 한정된 실시예와 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.As described above, although the embodiments have been described with reference to the limited embodiments and drawings, various modifications and variations are possible by those skilled in the art from the above description. For example, the described techniques are performed in a different order than the described method, and/or the described components of the system, structure, apparatus, circuit, etc. are combined or combined in a different form than the described method, or other components Or substituted or substituted by equivalents may achieve an appropriate result.

그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.Therefore, other implementations, other embodiments, and equivalents to the claims are also within the scope of the following claims.

Claims (16)

학생 분석 및 관리 지원 시스템에 의해 수행되는 학생 분석 및 관리 지원 방법에 있어서,
학적 사항과 관련된 입학 정보, 성적 사항을 포함하는 생활 정보, 상담 내역을 포함하는 상담 정보를 포함하는 데이터를 수집하는 단계;
인공지능을 이용하여 상기 수집된 데이터로부터 학생의 학적 상황 및 사유를 포함하는 학생 정보를 분석하는 단계; 및
상기 분석된 학생 정보에 대한 필요 상담 내용을 추천하는 단계
를 포함하는 학생 분석 및 관리 지원 방법.A method for student analysis and management support performed by a student analysis and management support system, the method comprising:
collecting data including admission information related to academic matters, life information including grades, and counseling information including counseling details;
analyzing student information including the student's academic situation and reason from the collected data using artificial intelligence; and
Recommending necessary counseling contents for the analyzed student information
Methods of supporting student analysis and management, including. 제1항에 있어서,
상기 수집하는 단계는,
상기 입학 정보와 신상 정보를 포함하는 정적 정보와, 상기 정적 정보 이외의 매 학기 갱신되는 생활 정보, 상담 정보를 포함하는 동적 정보를 구분하여 분류하고, 상기 분류된 정적 정보 및 동적 정보를 수집하는 단계
를 포함하는 학생 분석 및 관리 지원 방법.According to claim 1,
The collecting step is
Classifying and classifying static information including the admission information and personal information, and dynamic information including life information and counseling information updated every semester other than the static information, and collecting the classified static information and dynamic information
Methods of supporting student analysis and management, including. 제2항에 있어서,
상기 수집하는 단계는,
주기적인 상담을 통해 예측 시점 별로 고정된 정적 정보를 CNN을 기반으로 설계된 인코더를 통해 학생 기본 프로파일로 제작하는 단계
것을 특징으로 하는 학생 분석 및 관리 지원 방법.3. The method of claim 2,
The collecting step is
The stage of producing static information fixed for each prediction point through periodic consultation as a student basic profile through an encoder designed based on CNN
Student analysis and management support method, characterized in that. 제1항에 있어서,
상기 분석하는 단계는,
CNN을 기반으로 설계된 인코더를 통해 인코딩된 학생 기본 프로파일을 RNN의 초기 은닉 정보로 사용하여 학기별 동적 정보를 디코더에 입력하여 매 학기의 학적 사항을 예측하는 단계
를 포함하고,
상기 예측된 학적 사항은, 재학, 휴학, 제적을 포함하는 학생의 현황에 따라 다음 학기의 학적 사항을 예측하는 확률 데이터로 출력되는
것을 특징으로 하는 학생 분석 및 관리 지원 방법.According to claim 1,
The analyzing step is
The step of predicting the academic details of each semester by inputting dynamic information by semester to the decoder using the student basic profile encoded through the encoder designed based on CNN as the initial hidden information of the RNN.
including,
The predicted academic records are output as probability data that predicts the academic records of the next semester according to the current status of students including enrollment, leave of absence, and expulsion.
Student analysis and management support method, characterized in that. 제4항에 있어서,
상기 분석하는 단계는,
특정 임계값을 초과하는 확률 데이터를 가진 학생을 위험 학생군으로 분류하여 관리 대상으로 선정하는 단계
를 포함하는 학생 분석 및 관리 지원 방법.5. The method of claim 4,
The analyzing step is
Classifying students with probability data exceeding a specific threshold as at-risk students and selecting them for management
Methods of supporting student analysis and management, including. 제4항에 있어서,
상기 분석하는 단계는,
상기 학생의 현황 중 제적 및 휴학 사항을 각 위험사유로 매핑한 데이터에 기초하여 사유 정보를 판단하는 단계
를 포함하고,
상기 위험 사유는, 학사경고, 편입, 자퇴, 개인사정을 포함하는
것을 특징으로 하는 학생 분석 및 관리 지원 방법.5. The method of claim 4,
The analyzing step is
Determining reason information based on data that maps expulsion and leave of absence from the student's current status to each risk reason
including,
The above risk reasons include academic warning, transfer, dropout, and personal circumstances.
Student analysis and management support method, characterized in that. 제1항에 있어서,
상기 추천하는 단계는,
상기 분석된 학생 정보를 통해 생성된 학적 사항과 사유 정보에 기초하여 상담 주제를 포함하는 상담 내용을 추천하는 단계
를 포함하는 학생 분석 및 관리 지원 방법.According to claim 1,
The recommended steps are:
Recommending counseling content including counseling topics based on academic records and reason information generated through the analyzed student information
Methods of supporting student analysis and management, including. 제7항에 있어서,
상기 추천하는 단계는,
상기 추천된 상담 주제를 포함하는 상담 내용을 통해 상담 프로파일을 생성하고, 상기 생성된 상담 프로파일을 데이터베이스에 업로드하여 학생 데이터를 업데이트하는 단계
를 포함하는 학생 분석 및 관리 지원 방법.8. The method of claim 7,
The recommended steps are:
creating a counseling profile through counseling content including the recommended counseling topic, and uploading the generated counseling profile to a database to update student data
Methods of supporting student analysis and management, including. 학생 분석 및 관리 지원 시스템에 있어서,
학적 사항과 관련된 입학 정보, 성적 사항을 포함하는 생활 정보, 상담 내역을 포함하는 상담 정보를 포함하는 데이터를 수집하는 데이터 수집부;
인공지능을 이용하여 상기 수집된 데이터로부터 학생의 학적 상황 및 사유를 포함하는 학생 정보를 분석하는 학생 분석부; 및
상기 분석된 학생 정보에 대한 필요 상담 내용을 추천하는 상담 추천부
를 포함하는 학생 분석 및 관리 지원 시스템.In the student analysis and management support system,
a data collection unit for collecting data including admission information related to academic matters, life information including grades, and counseling information including counseling details;
a student analysis unit for analyzing student information including the student's academic status and reason from the collected data using artificial intelligence; and
Counseling recommendation unit that recommends necessary counseling contents for the analyzed student information
A student analysis and management support system that includes. 제9항에 있어서,
상기 데이터 수집부는,
상기 입학 정보와 신상 정보를 포함하는 정적 정보와, 상기 정적 정보 이외의 매 학기 갱신되는 생활 정보, 상담 정보를 포함하는 동적 정보를 구분하여 분류하고, 상기 분류된 정적 정보 및 동적 정보를 수집하는
것을 특징으로 하는 학생 분석 및 관리 지원 시스템.10. The method of claim 9,
The data collection unit,
Classifying and classifying static information including the admission information and personal information, and dynamic information including life information and counseling information updated every semester other than the static information, and collecting the classified static information and dynamic information
Student analysis and management support system, characterized in that. 제10항에 있어서,
상기 데이터 수집부는,
주기적인 상담을 통해 예측 시점 별로 고정된 정적 정보를 CNN을 기반으로 설계된 인코더를 통해 학생 기본 프로파일로 제작하는
것을 특징으로 하는 학생 분석 및 관리 지원 시스템.11. The method of claim 10,
The data collection unit,
Through periodic consultation, static information fixed by prediction time is produced as a student basic profile through an encoder designed based on CNN.
Student analysis and management support system, characterized in that. 제9항에 있어서,
상기 학생 분석부는,
CNN을 기반으로 설계된 인코더를 통해 인코딩된 학생 기본 프로파일을 RNN의 초기 은닉 정보로 사용하여 학기별 동적 정보를 디코더에 입력하여 매 학기의 학적 사항을 예측하는 것을 포함하고,
상기 예측된 학적 사항은, 재학, 휴학, 제적을 포함하는 학생의 현황에 따라 다음 학기의 학적 사항을 예측하는 확률 데이터로 출력되는
것을 특징으로 하는 학생 분석 및 관리 지원 시스템.10. The method of claim 9,
The student analysis unit,
Using the student basic profile encoded through an encoder designed based on CNN as the initial hidden information of the RNN, and inputting dynamic information for each semester into the decoder to predict the academic details of each semester,
The predicted academic records are output as probability data that predicts the academic records of the next semester according to the current status of students including enrollment, leave of absence, and expulsion.
Student analysis and management support system, characterized in that. 제12항에 있어서,
상기 학생 분석부는,
특정 임계값을 초과하는 확률 데이터를 가진 학생을 위험 학생군으로 분류하여 관리 대상으로 선정하는
것을 특징으로 하는 학생 분석 및 관리 지원 시스템.13. The method of claim 12,
The student analysis unit,
Students with probability data exceeding a certain threshold are classified as at-risk and selected for management.
Student analysis and management support system, characterized in that. 제12항에 있어서,
상기 학생 분석부는,
상기 학생의 현황 중 제적 및 휴학 사항을 각 위험사유로 매핑한 데이터에 기초하여 사유 정보를 판단하는 것을 포함하고,
상기 위험 사유는, 학사경고, 편입, 자퇴, 개인사정을 포함하는
것을 특징으로 하는 학생 분석 및 관리 지원 시스템.13. The method of claim 12,
The student analysis unit,
Including determining reason information based on data that maps expulsion and leave of absence from the student's current status to each risk reason,
The above risk reasons include academic warning, transfer, dropout, and personal circumstances.
Student analysis and management support system, characterized in that. 제9항에 있어서,
상기 상담 추천부는,
상기 분석된 학생 정보를 통해 생성된 학적 사항과 사유 정보에 기초하여 상담 주제를 포함하는 상담 내용을 추천하고, 상기 추천된 상담 주제를 포함하는 상담 내용을 통해 상담 프로파일을 생성하고, 상기 생성된 상담 프로파일을 데이터베이스에 업로드하여 학생 데이터를 업데이트하는
것을 특징으로 하는 학생 분석 및 관리 지원 시스템.10. The method of claim 9,
The counseling recommendation department,
Based on the academic records and reason information generated through the analyzed student information, counseling content including a counseling topic is recommended, a counseling profile is created through the counseling content including the recommended counseling topic, and the generated counseling Updating student data by uploading a profile to a database
Student analysis and management support system, characterized in that. 학생 분석 및 관리 지원 시스템에 의해 수행되는 학생 분석 및 관리 지원 방법을 실행시키기 위해 컴퓨터 판독가능한 기록 매체에 저장되는 컴퓨터 프로그램에 있어서,
학적 사항과 관련된 입학 정보, 성적 사항을 포함하는 생활 정보, 상담 내역을 포함하는 상담 정보를 포함하는 데이터를 수집하는 단계;
인공지능을 이용하여 상기 수집된 데이터로부터 학생의 학적 상황 및 사유를 포함하는 학생 정보를 분석하는 단계; 및
상기 분석된 학생 정보에 대한 필요 상담 내용을 추천하는 단계
를 포함하는 컴퓨터 판독가능한 기록 매체에 저장된 컴퓨터 프로그램.
A computer program stored in a computer-readable recording medium for executing a student analysis and management support method performed by a student analysis and management support system,
collecting data including admission information related to academic matters, life information including grades, and counseling information including counseling details;
analyzing student information including the student's academic situation and reason from the collected data using artificial intelligence; and
Recommending necessary counseling contents for the analyzed student information
A computer program stored in a computer-readable recording medium comprising a.
KR1020210049721A 2021-04-16 2021-04-16 Ai-based university student db analysis integrated management and performance diffusion system KR102661319B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210049721A KR102661319B1 (en) 2021-04-16 2021-04-16 Ai-based university student db analysis integrated management and performance diffusion system

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210049721A KR102661319B1 (en) 2021-04-16 2021-04-16 Ai-based university student db analysis integrated management and performance diffusion system

Publications (2)

Publication Number Publication Date
KR20220143327A true KR20220143327A (en) 2022-10-25
KR102661319B1 KR102661319B1 (en) 2024-04-30

Family

ID=83803573

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210049721A KR102661319B1 (en) 2021-04-16 2021-04-16 Ai-based university student db analysis integrated management and performance diffusion system

Country Status (1)

Country Link
KR (1) KR102661319B1 (en)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101318562B1 (en) * 2012-06-15 2013-10-16 김근진 System and method for providing information for entering school, and recording medium thereof
KR102186494B1 (en) * 2020-03-05 2020-12-03 연성대학교 산학협력단 Adaptive big data analysis method and system for integrated university performance management and personalized student support
KR20210036627A (en) * 2019-09-26 2021-04-05 (주)강안교육 Learning management system

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101318562B1 (en) * 2012-06-15 2013-10-16 김근진 System and method for providing information for entering school, and recording medium thereof
KR20210036627A (en) * 2019-09-26 2021-04-05 (주)강안교육 Learning management system
KR102186494B1 (en) * 2020-03-05 2020-12-03 연성대학교 산학협력단 Adaptive big data analysis method and system for integrated university performance management and personalized student support

Also Published As

Publication number Publication date
KR102661319B1 (en) 2024-04-30

Similar Documents

Publication Publication Date Title
US11687811B2 (en) Predicting user question in question and answer system
US20220245557A1 (en) Analyzing agent data and automatically delivering actions
US10460245B2 (en) Flexible, personalized student success modeling for institutions with complex term structures and competency-based education
AlGhamdi et al. A machine learning approach for graduate admission prediction
KR20210024963A (en) Method, apparatus and computer-readable recording medium for recommending a study abroad course suitable for the foreign university desired by the user
US10354543B2 (en) Implementing assessments by correlating browsing patterns
US20200311541A1 (en) Metric value calculation for continuous learning system
Mitrofanova et al. Project management as a tool for smart university creation and development
US12111885B2 (en) Image dispositioning using machine learning
Grewal et al. Developing an intelligent recommendation system for course selection by students for graduate courses
US20190372863A1 (en) Simulating a user score from input objectives
KR20200052412A (en) Artificial intelligence employment system and employing method of thereof
CN114398556A (en) Learning content recommendation method, device, equipment and storage medium
Al-Rawahnaa et al. Data mining for Education Sector, a proposed concept
KR102171658B1 (en) Crowd transcription apparatus, and control method thereof
Chaudhary et al. Student future prediction using machine learning
CN112734142A (en) Resource learning path planning method and device based on deep learning
Parkhi et al. Machine Learning Based Prediction Model for College Admission
KR20220143327A (en) Ai-based university student db analysis integrated management and performance diffusion system
Derbel et al. Automatic classification and analysis of multiple-criteria decision making
Ranbaduge Use of data mining methodologies in evaluating educational data
US20220414504A1 (en) Identifying traits of partitioned group from imbalanced dataset
CN114580790A (en) Life cycle stage prediction and model training method, device, medium and equipment
Kaur et al. A prediction model for student academic performance using machine learning-based analytics
Campagni et al. The influence of first year behaviour in the progressions of university students

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