KR20230028130A

KR20230028130A - 학습 실력 평가 방법, 학습 실력 평가 장치 및 학습 실력 평가 시스템

Info

Publication number: KR20230028130A
Application number: KR1020220067538A
Authority: KR
Inventors: 노현빈
Original assignee: (주)뤼이드
Priority date: 2021-08-20
Filing date: 2022-06-02
Publication date: 2023-02-28
Also published as: US20230056570A1; WO2023022406A1

Abstract

본 출원의 일 실시예에 따른 학습 실력 평가 방법은, 대상 사용자 및 기준 사용자의 타겟 도메인과 관련된 대상 평가 데이터를 획득하는 단계-상기 대상 평가 데이터는 상기 타겟 도메인과 관련된 문제 데이터 및 상기 문제 데이터에 대한 상기 대상 사용자 및 상기 기준 사용자 각각의 응답 데이터를 포함함-; 학습이 완료된 타겟 신경망 모델을 획득하는 단계; 상기 타겟 신경망 모델을 이용하여 상기 타겟 도메인에서의 상기 대상 사용자의 상기 기준 사용자에 대한 상대적인 실력을 나타내는 비교 정보를 획득하는 단계; 및 상기 비교 정보에 기초하여 상기 대상 사용자의 상기 타겟 도메인에서의 가상 점수를 연산하는 단계;를 포함한다.

Description

학습 실력 평가 방법, 학습 실력 평가 장치 및 학습 실력 평가 시스템{METHOD FOR, DEVICE FOR, AND SYSTEM FOR EVALUATING LEARNING ABILITY}

본 출원은 학습 실력 평가 방법, 학습 실력 평가 장치, 및 학습 실력 평가 시스템에 관한 것이다. 구체적으로 본 출원은 평가 데이터가 충분하지 않은 새로운 도메인에서의 학습자의 학습 실력을 정량화하는 학습 실력 평가 방법, 학습 실력 평가 장치, 및 학습 실력 평가 시스템에 관한 것이다.

인공 지능 기술이 발전하면서 학습자의 실력을 진단하고, 진단 결과에 기반하여 교육 컨텐츠를 추천하는 교육 기술 분야가 주목받고 있다. 특히 학습자의 실력별로 최적인 교육 컨텐츠를 제공하는 기술이 요구되면서 학습자의 실력을 정밀하게 정량화하는 기술에 대한 요구가 증대되고 있다.

종래에는 학생의 문항 반응 등을 이용하여 학습자의 실력을 평가하는 기술들을 연구하였다. 예컨대, 종래에는 학습자의 학습 데이터와 학습자의 실제 점수 정보를 이용하여 신경망 모델을 학습시킴으로써, 학습자의 실력을 정량화하였다. 다만, 신경망 모델을 학습시키기 위하여는 상당히 많은 양의 학습자의 학습 데이터와 학습자의 실제 점수 정보가 필요하기에, 종래 기술은 신경망 모델을 학습시키기 위한 학습 세트를 수집하는 데 상당한 비용과 시간이 소요된다는 문제가 존재하였다.

이에, 신경망 모델을 학습시키기 위한 학습 세트가 충분하지 않은 상황에서의 학습자의 학습 실력을 정밀하게 정량화하는 학습 실력 평가 방법, 장치 및 시스템의 개발이 요구된다.

본 발명이 해결하고자 하는 일 과제는, 학습자의 실력을 정량화하는 학습 실력 평가 방법, 학습 실력 평가 장치, 및 학습 실력 평가 시스템을 제공하는 것이다.

본 발명이 해결하고자 하는 일 과제는, 데이터가 충분하지 않은 교육 도메인에서의 학습자의 실력을 정량화하는 학습 실력 평가 방법, 학습 실력 평가 장치, 및 학습 실력 평가 시스템을 제공하는 것이다.

본 발명이 해결하고자 하는 과제가 상술한 과제로 제한되는 것은 아니며, 언급되지 아니한 과제들은 본 명세서 및 첨부된 도면으로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.

본 출원의 일 실시예에 따른 학습 실력 평가 방법은, 대상 사용자 및 기준 사용자의 타겟 도메인과 관련된 대상 평가 데이터를 획득하는 단계-상기 대상 평가 데이터는 상기 타겟 도메인과 관련된 문제 데이터 및 상기 문제 데이터에 대한 상기 대상 사용자 및 상기 기준 사용자 각각의 응답 데이터를 포함함-; 학습이 완료된 타겟 신경망 모델을 획득하는 단계; 상기 타겟 신경망 모델을 이용하여 상기 타겟 도메인에서의 상기 대상 사용자의 상기 기준 사용자에 대한 상대적인 실력을 나타내는 비교 정보를 획득하는 단계; 및 상기 비교 정보에 기초하여 상기 대상 사용자의 상기 타겟 도메인에서의 가상 점수를 연산하는 단계;를 포함할 수 있다.

본 출원의 일 실시예에 따른 학습 실력 평가 장치는, 상기 사용자 단말기와 통신하는 송수신부; 및 상기 송수신부를 통하여 사용자의 평가 데이터를 획득하고, 상기 평가 데이터에 기초하여 학습 실력을 평가하도록 구성된 컨트롤러;를 포함하되, 상기 컨트롤러는, 대상 사용자 및 기준 사용자의 타겟 도메인과 관련된 대상 평가 데이터-상기 대상 평가 데이터는 상기 타겟 도메인과 관련된 문제 데이터 및 상기 문제 데이터에 대한 상기 대상 사용자 및 상기 기준 사용자 각각의 응답 데이터를 포함함-를 획득하고, 학습이 완료된 타겟 신경망 모델을 획득하고, 상기 타겟 신경망 모델을 이용하여 상기 타겟 도메인에서의 상기 대상 사용자의 상기 기준 사용자에 대한 상대적인 실력을 나타내는 비교 정보를 획득하고, 상기 비교 정보에 기초하여 상기 대상 사용자의 상기 타겟 도메인에서의 가상 점수를 연산하도록 구성될 수 있다.

본 발명의 과제의 해결 수단이 상술한 해결 수단들로 제한되는 것은 아니며, 언급되지 아니한 해결 수단들은 본 명세서 및 첨부된 도면으로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.

본 출원의 실시예에 따른 학습 실력 평가 방법, 장치 및 시스템에 의하면, 학습자의 점수 정보의 수집을 최소화하고 학습자에게 논리적인 점수를 부여할 수 있다.

본 출원의 실시예에 따른 학습 실력 평가 방법, 장치 및 시스템에 의하면, 학습자의 평가 데이터를 수집하기 위하여 소요되는 시간과 비용을 절약할 수 있다.

본 발명의 효과가 상술한 효과들로 제한되는 것은 아니며, 언급되지 아니한 효과들은 본 명세서 및 첨부된 도면으로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확히 이해될 수 있을 것이다.

도 1은 본 출원의 일 실시예에 따른 학습 실력 평가 시스템에 관한 개략도이다.
도 2는 본 출원의 일 실시예에 따른 학습 실력 평가 시스템의 동작을 나타낸 도면이다.
도 3은 본 출원의 일 실시예에 따른 학습 장치의 동작을 나타낸 도면이다.
도 4는 본 출원의 일 실시예에 따른 타겟 신경망 모델을 획득하는 방법을 도시한 순서도이다.
도 5는 본 출원의 일 실시예에 따른 기준 신경망 모델을 학습시키는 방법을 구체화한 순서도이다.
도 6은 본 출원의 일 실시예에 따른 기준 신경망 모델을 학습시키는 일 양상을 도시한 도면이다.
도 7은 본 출원의 일 실시예에 따른 학습 실력 평가 방법을 도시한 순서도이다.
도 8은 본 출원의 일 실시예에 따른 타겟 신경망 모델을 통하여 대상 사용자의 비교 정보를 획득하는 일 양상을 나타낸 도면이다.

본 출원의 상술한 목적, 특징들 및 장점은 첨부된 도면과 관련된 다음의 상세한 설명을 통해 보다 분명해질 것이다. 다만, 본 출원은 다양한 변경을 가할 수 있고 여러 가지 실시예들을 가질 수 있는 바, 이하에서는 특정 실시예들을 도면에 예시하고 이를 상세히 설명하고자 한다.

명세서 전체에 걸쳐서 동일한 참조번호들은 원칙적으로 동일한 구성요소들을 나타낸다. 또한, 각 실시예의 도면에 나타나는 동일한 사상의 범위 내의 기능이 동일한 구성요소는 동일한 참조부호를 사용하여 설명하며, 이에 대한 중복되는 설명은 생략하기로 한다.

본 출원과 관련된 공지 기능 혹은 구성에 대한 구체적인 설명이 본 출원의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 본 명세서의 설명 과정에서 이용되는 숫자(예를 들어, 제1, 제2 등)는 하나의 구성요소를 다른 구성요소와 구분하기 위한 식별기호에 불과하다.

또한, 이하의 실시예에서 사용되는 구성요소에 대한 접미사 "모듈" 및 "부"는 명세서 작성의 용이함만이 고려되어 부여되거나 혼용되는 것으로서, 그 자체로 서로 구별되는 의미 또는 역할을 갖는 것은 아니다.

이하의 실시예에서, 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다.

이하의 실시예에서, 포함하다 또는 가지다 등의 용어는 명세서상에 기재된 특징, 또는 구성요소가 존재함을 의미하는 것이고, 하나 이상의 다른 특징들 또는 구성요소가 부가될 가능성을 미리 배제하는 것은 아니다.

도면에서는 설명의 편의를 위하여 구성 요소들이 그 크기가 과장 또는 축소될 수 있다. 예컨대, 도면에서 나타난 각 구성의 크기 및 두께는 설명의 편의를 위해 임의로 나타낸 것으로, 본 발명이 반드시 도시된 바에 한정되지 않는다.

어떤 실시예가 달리 구현 가능한 경우에 특정한 프로세스의 순서는 설명되는 순서와 다르게 수행될 수도 있다. 예를 들어, 연속하여 설명되는 두 프로세스가 실질적으로 동시에 수행될 수도 있고, 설명되는 순서와 반대의 순서로 진행될 수 있다.

이하의 실시예에서, 구성 요소 등이 연결되었다고 할 때, 구성 요소들이 직접적으로 연결된 경우뿐만 아니라 구성요소들 중간에 구성 요소들이 개재되어 간접적으로 연결된 경우도 포함한다.

예컨대, 본 명세서에서 구성 요소 등이 전기적으로 연결되었다고 할 때, 구성 요소 등이 직접 전기적으로 연결된 경우뿐만 아니라, 그 중간에 구성 요소 등이 개재되어 간접적으로 전기적 연결된 경우도 포함한다.

본 출원의 일 실시예에 따르면, 상기 타겟 신경망 모델은, 상기 대상 평가 데이터를 수신하기 위한 입력 레이어, 상기 타겟 도메인에서의 상기 대상 사용자의 상기 기준 사용자에 대한 비교 정보를 출력하기 위한 출력 레이어 및 상기 입력 레이어와 상기 출력 레이어를 연결하는 복수의 노드들을 갖는 히든 레이어를 포함할 수 있다.

본 출원의 일 실시예에 따르면, 상기 타겟 신경망 모델은, 상기 타겟 도메인과는 다른 기준 도메인과 관련된 기준 평가 데이터베이스에 기초하여 사용자 간의 실력 비율을 나타내는 라벨 정보를 출력하도록 훈련된 기준 신경망 모델을 전이함으로써 획득되되, 상기 기준 신경망 모델은 상기 기준 평가 데이터베이스에 기초하여 상기 라벨 정보를 출력하도록 상기 복수의 노드들의 가중치를 조절함으로써 훈련될 수 있다.

본 출원의 일 실시예에 따르면, 상기 타겟 신경망 모델을 획득하는 단계는, 상기 타겟 도메인과는 상이한 기준 도메인과 관련된 기준 평가 데이터베이스를 획득하는 단계-상기 기준 평가 데이터베이스는 상기 기준 도메인과 관련된 기준 문제 데이터, 상기 기준 문제 데이터에 대한 적어도 2 이상의 사용자의 각각의 응답 데이터, 및 상기 기준 도메인에서의 상기 적어도 2 이상의 사용자의 각각의 점수 데이터를 포함함-; 상기 기준 평가 데이터베이스로부터 상기 적어도 2 이상의 사용자의 상대적인 실력을 연산하기 위해 기초가 되는 피처(feature)를 추출하는 단계; 상기 추출된 피처(feature)에 기초하여 기준 신경망 모델을 학습시키는 단계; 및 학습이 완료된 상기 기준 신경망 모델을 상기 타겟 도메인으로 전이시키는 단계;를 포함할 수 있다.

본 출원의 일 실시예에 따르면, 상기 기준 신경망 모델을 학습시키는 단계는, 상기 기준 평가 데이터베이스로부터 상기 적어도 2 이상의 사용자의 상대적인 실력 비율과 관련된 라벨 정보를 포함하는 학습 세트를 획득하는 단계; 및 상기 피처 및 상기 학습 세트를 이용하여, 기준 신경망 모델의 입력 레이어에 상기 피처(feature)를 입력하고, 상기 기준 신경망 모델의 출력 레이어를 통하여 출력되는 출력 값과 상기 라벨 정보의 차이에 기초하여 상기 기준 신경망 모델의 노드의 가중치를 조절함으로써 상기 기준 신경망 모델을 학습시키는 단계;를 포함할 수 있다.

본 출원의 일 실시예에 따르면, 상기 학습 실력 평가 방법을 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체가 제공될 수 있다.

본 출원의 일 실시예에 따른 학습 실력 평가 장치는, 상기 사용자 단말기와 통신하는 송수신부; 및 상기 송수신부를 통하여 사용자의 평가 데이터를 획득하고, 상기 평가 데이터에에 기초하여 학습 실력을 평가하도록 구성된 컨트롤러;를 포함하되, 상기 컨트롤러는, 대상 사용자 및 기준 사용자의 타겟 도메인과 관련된 대상 평가 데이터-상기 대상 평가 데이터는 상기 타겟 도메인과 관련된 문제 데이터 및 상기 문제 데이터에 대한 상기 대상 사용자 및 상기 기준 사용자 각각의 응답 데이터를 포함함-를 획득하고, 학습이 완료된 타겟 신경망 모델을 획득하고, 상기 타겟 신경망 모델을 이용하여 상기 타겟 도메인에서의 상기 대상 사용자의 상기 기준 사용자에 대한 상대적인 실력을 나타내는 비교 정보를 획득하고, 상기 비교 정보에 기초하여 상기 대상 사용자의 상기 타겟 도메인에서의 가상 점수를 연산하도록 구성될 수 있다.

이하에서는 도 1 내지 도 8을 참고하여 본 출원의 실시예들에 따른 학습 실력 평가 방법, 학습 실력 평가 장치 및 학습 실력 평가 시스템에 관하여 설명한다.

도 1은 본 출원의 일 실시예에 따른 학습 실력 평가 시스템(10)의 개략도이다.

본 출원의 일 실시예에 따른 학습 실력 평가 시스템(10)은 사용자 단말(100), 데이터베이스(200), 학습 실력 평가 장치(1000) 및 학습 장치(2000)를 포함할 수 있다.

사용자 단말(100)은 학습 실력 평가 장치(1000) 혹은 임의의 외부장치로부터 문제 데이터베이스를 획득할 수 있다. 예를 들어, 사용자 단말(100)은 문제 데이터베이스에 포함된 일부 문제를 수신하고, 수신한 문제들을 사용자에게 디스플레이할 수 있다. 이어 사용자(혹은 학습자)는 제시된 문제에 대한 응답을 사용자 단말(100)에 입력할 수 있다.

사용자 단말(100)은 사용자의 응답에 기초하여 평가 데이터를 획득하고, 사용자의 평가 데이터를 학습 실력 평가 장치(1000)로 송신할 수 있다. 여기서, 평가 데이터란, 사용자가 풀이한 문제 정보, 이에 대한 사용자의 응답 정보 및/또는 정오답 정보 등을 포괄하는 의미일 수 있다. 한편, 사용자 단말(100)은 사용자의 식별 정보를 학습 실력 평가 장치(1000)로 송신할 수 있다.

한편, 사용자 단말(100)은 학습 실력 평가 장치(1000)로부터 연산된 점수 정보 및/또는 점수 정보에 기초하여 획득된 사용자 맞춤 교육 컨텐츠를 수신할 수 있다. 또한, 사용자 단말(100)은 점수 정보 및/또는 교육 컨텐츠를 사용자에게 디스플레이할 수 있다. 여기서 교육 컨텐츠란 교육과 관련된 웹 페이지, 문제에 대한 풀이 컨텐츠 및 추천 문제 컨텐츠 등 임의의 교육과 관련된 컨텐츠를 의미할 수 있다.

본 출원의 일 실시예에 따른 데이터베이스(200)는, 학습 능력 평가 시스템(10)의 각종 데이터들을 저장할 수 있다.

일 예로, 데이터베이스(200)는 기준 도메인과 관련된 각종 데이터를 저장할 수 있다. 예컨대, 데이터베이스(200)는 기준 도메인과 관련된 문제 정보, 문제에 대한 사용자들의 응답 정보 및/또는 기준 도메인에서의 사용자들의 점수 정보 등을 포함한 임의의 데이터를 포함할 수 있다.

다른 예로, 데이터베이스(200)는 학습 장치(2000)와 관련된 각종 데이터를 저장할 수 있다. 예컨대, 데이터베이스(200)는 학습된 신경망 모델의 노드의 가중치(혹은 파라미터 정보) 및/또는 학습된 신경망 모델의 실행 데이터를 포함하여 학습 장치(2000)로부터 학습된 신경망 모델의 임의의 데이터를 포함할 수 있다.

다만, 상술한 내용은 예시에 불과하며, 데이터베이스(200)는 타겟 도메인과 관련된 임의의 데이터를 저장할 수 있다. 예컨대, 데이터베이스(200)는 타겟 도메인과 관련된 문제 정보 및/또는 문제에 대한 사용자의 응답 정보를 저장할 수 있다.

한편, 기준 도메인은 사용자의 평가 데이터에 기초하여 산출된 사용자의 점수 정보가 존재하는 임의의 교육 도메인을 의미할 수 있다. 반면, 타겟 도메인은 사용자의 점수 정보가 존재하지 않거나 충분치 않은 임의의 교육 도메인을 의미할 수 있다.

본 출원의 일 실시예에 따른 학습 실력 평가 장치(1000)는 기준 도메인과 관련된 평가 데이터베이스로부터 학습된 신경망 모델을 이용하여, 사용자의 점수 정보가 존재하지 않는 타겟 도메인의 사용자의 학습 실력을 정량화하는 동작을 수행할 수 있다.

본 출원의 일 실시예에 따른 학습 실력 평가 장치(1000)는 송수신부(1100), 메모리(1200) 및 컨트롤러(1300)를 포함할 수 있다.

송수신부(1100)는 사용자 단말(100)을 포함한 임의의 외부 기기와 통신을 수행할 수 있다. 예컨대, 학습 실력 평가 장치(1000)는 송수신부(1100)를 통해, 사용자 단말(100)로부터 사용자의 평가 데이터 및/또는 사용자 식별 정보를 포함한 각종 데이터를 수신하거나 사용자의 점수 정보 및/또는 교육 컨텐츠를 포함하여 각종 데이터를 사용자 단말(100)로 송신할 수 있다.

학습 실력 평가 장치(1000)는, 송수신부(1100)를 통해 네트워크에 접속하여 각종 데이터를 송수신할 수 있다. 송수신부(1200)는 크게 유선 타입과 무선 타입을 포함할 수 있다. 유선 타입과 무선 타입은 각각의 장단점을 가지므로, 경우에 따라서 학습 실력 평가 장치(1000)에는 유선 타입과 무선 타입이 동시에 마련될 수도 있다. 여기서, 무선 타입의 경우에는 주로 와이파이(Wi-Fi) 같은 WLAN(Wireless Local Area Network) 계열의 통신 방식을 이용할 수 있다. 또는, 무선 타입의 경우에는 셀룰러 통신, 예컨대, LTE, 5G 계열의 통신 방식을 이용할 수 있다. 다만, 무선 통신 프로토콜이 상술한 예시에 제한되는 것은 아니며, 임의의 적절한 무선 타입의 통신 방식을 이용하는 것도 가능하다. 유선 타입의 경우에는 LAN(Local Area Network)이나 USB(Universal Serial Bus) 통신이 대표적인 예이며 그 외의 다른 방식도 가능하다.

메모리(1200)는 각종 정보를 저장할 수 있다. 메모리(1200)에는 각종 데이터가 임시적으로 또는 반영구적으로 저장될 수 있다. 메모리(1200)의 예로는 하드 디스크(HDD: Hard Disk Drive), SSD(Solid State Drive), 플래쉬 메모리(flash memory), 롬(ROM: Read-Only Memory), 램(RAM: Random Access Memory) 등이 있을 수 있다. 메모리(1200)는 학습 실력 평가 장치(1000)에 내장되는 형태나 탈부착 가능한 형태로 제공될 수 있다. 메모리(1200)에는 학습 실력 평가 장치(1000)를 구동하기 위한 운용 프로그램(OS: Operating System)이나 학습 실력 평가 장치(1000)의 각 구성을 동작시키기 위한 프로그램을 비롯해 학습 실력 평가 장치(1000)의 동작에 필요한 각종 데이터가 저장될 수 있다.

컨트롤러(1300)는 학습 실력 평가 장치(1000)의 전반적인 동작을 제어할 수 있다. 예컨대, 컨트롤러(1300)는 후술할 사용자의 대상 평가 데이터를 획득하는 동작, 대상 평가 데이터 및 타겟 신경망 모델을 이용하여 비교 정보를 획득하는 동작, 및/또는 비교 정보에 기초하여 사용자의 가상 점수를 연산하는 동작 등을 포함하여 학습 실력 평가 장치(1000)의 전반적인 동작을 제어할 수 있다. 구체적으로 컨트롤러(1300)는 메모리(1200)로부터 학습 실력 평가 장치(1000)의 전반적인 동작을 위한 프로그램을 로딩하여 실행할 수 있다. 컨트롤러(1300)는 하드웨어나 소프트웨어 또는 이들의 조합에 따라 AP(Application Processor), CPU(Central Processing Unit)나 이와 유사한 장치로 구현될 수 있다. 이때, 하드웨어적으로는 전기적 신호를 처리하여 제어 기능을 수행하는 전자 회로 형태로 제공될 수 있으며, 소프트웨어적으로는 하드웨어적 회로를 구동시키는 프로그램이나 코드 형태로 제공될 수 있다.

본 출원의 일 실시예에 따른 학습 장치(2000)는, 사용자의 학습 실력을 정량화하는 모델을 학습시키는 동작을 수행할 수 있다. 예컨대, 학습 장치(2000)는 기준 도메인과 관련된 평가 데이터베이스에 기초하여 타겟 도메인과 관련된 대상 사용자의 학습 실력을 정량화하는 모델을 학습시키는 동작을 수행할 수 있다.

일 예로, 학습 장치(2000)는, 사용자의 학습 실력을 정량화하기 위한 모델로 신경망 모델을 이용할 수 있다. 신경망 모델은 기계학습 모델로 제공될 수 있다. 기계학습 모델의 대표적인 예로는, 인공 신경망(Artificial Neural Network)이 있을 수 있다. 구체적으로 인공 신경망의 대표적인 예로는 데이터를 입력받는 입력 레이어, 결과를 출력하는 출력 레이어 및 입력 레이어와 출력 레이어 사이에서 데이터를 처리하는 히든 레이어(hidden layer)를 포함하는 딥 러닝 계열의 인공 신경망이 있다. 인공 신경망의 세부적인 예시들로는, 합성곱 인공 신경망(Convolution Neural Network), 순환신경망(Recurrent Neural Network), 심층신경망(Deep Neural Network), 생산적 적대 신경망(Generative Adversarial Network) 등이 있으며, 본 명세서에서 인공 신경망은 상술된 인공 신경망, 그 외의 다양한 형태의 인공 신경망 및 이들이 조합된 형태의 인공 신경망을 모두 포함하는 포괄적인 의미로 해석되어야 하며, 반드시 딥 러닝 계열이어야만 하는 것도 아니다.

뿐만 아니라, 기계학습 모델이 반드시 인공 신경망 모델 형태이어야만 하는 것은 아니며, 이외에도 최근접 이웃 알고리즘(KNN), 랜덤 포레스트(RandomForest), 서포트 벡터 머신(SVM), 주성분분석법(PCA) 등이 포함될 수 있다. 혹은 이상에서 언급된 기법들이 앙상블된 형태나 그 외에 다양한 방식으로 조합된 형태까지도 전부 포함할 수 있다. 한편, 인공 신경망을 중심으로 언급되는 실시예들에서 특별한 언급이 없는 한 인공 신경망이 다른 기계학습 모델로 대체될 수 있음을 미리 밝혀둔다.

나아가, 본 명세서에서 대상 사용자의 학습 실력을 정량화하는 알고리즘이 반드시 기계학습 모델로 한정되는 것은 아니다. 즉, 대상 사용자의 학습 실력을 하는 알고리즘은 기계학습 모델이 아닌 다양한 판단/결정 알고리즘이 포함될 수도 있다. 따라서, 본 명세서에서 대상 사용자의 학습 실력을 정량화하는 알고리즘은 대상 사용자의 대상 평가 데이터를 이용하여 대상 점수 정보를 연산하는 모든 형태의 알고리즘을 모두 포함하는 포괄적인 의미로 이해되어야 함을 밝혀 둔다. 다만 이하에서는 설명의 편의를 위하여 인공 신경망 모델을 중심으로 설명하기로 한다.

본 출원의 일 실시예에 따른 학습 장치(2000)는, 송수신부, 메모리 및 컨트롤러를 포함할 수 있다. 이와 관련해서는, 전술한 학습 실력 평가 장치(1000)의 송수신부, 메모리, 컨트롤러의 내용이 유추적용될 수 있으며, 이에 대한 내용은 생략하기로 한다.

한편, 도 1에서는 학습 실력 평가 장치(1000)와 학습 장치(2000)가 별도로 구성되는 것으로 도시하였다. 다만 이는 예시에 불과하며, 학습 실력 평가 장치(1000)와 학습 장치(2000)는 일체로 구성되도록 제공될 수 있다.

이하에서는 도 2 내지 도 8을 참고하여 본 출원의 실시예들에 따른 학습 실력 평가 시스템(10)에 포함된 학습 실력 평가 장치(1000) 및/또는 학습 장치(2000)의 동작을 구체적으로 서술한다.

종래에는 학생의 문항 반응 등을 이용하여 학습자의 실력을 평가하는 기술들을 연구하였다. 예컨대, 종래에는 학습자의 학습 데이터와 학습자의 실제 점수 정보를 이용하여 신경망 모델을 학습시킴으로써, 학습자의 실력을 정량화하였다. 다만, 신경망 모델을 학습시키기 위하여는 상당히 많은 양의 학습자의 학습 데이터와 학습자의 실제 점수 정보가 필요하기에, 종래 기술은 신경망 모델을 학습시키기 위한 학습 세트를 수집하는 데 상당한 비용과 시간이 소요된다는 문제가 존재하였다. 또한, 종래에는 신경망 모델을 학습시키기 위하여 타겟 도메인에서의 학습자의 실제 점수 정보가 필수적으로 요구된다는 제약이 존재하였다.

본 출원의 일 실시예에 따른 학습 실력 평가 장치(1000)는 신경망 모델을 학습시키기 위한 학습 세트(예, 타겟 도메인에서의 점수 정보 등)가 충분하지 않은 타겟 도메인에서의 학습자의 실력을 정량화하는 신경망 모델을 획득할 수 있다. 구체적으로 본 출원의 일 실시예에 따른 학습 실력 평가 장치(1000)는 기준 도메인과 관련된 학습 세트를 이용하여 훈련된 기준 신경망 모델을 타겟 도메인과 관련된 타겟 신경망 모델로 전이하는 기법을 이용하여, 데이터가 충분하지 않은 타겟 도메인에서의 학습자의 실력을 정량화하거나 평가할 수 있다.

이하에서는 도 2를 참고하여, 상술한 목적과 효과를 달성하기 위한 본 출원의 일 실시예에 따른 학습 실력 평가 시스템(10)의 학습 실력 평가 장치(1000)의 동작을 구체적으로 서술한다. 도 2는 본 출원의 일 실시예에 따른 학습 실력 평가 시스템(10)의 동작을 나타낸 도면이다.

본 출원의 일 실시예에 따른 학습 실력 평가 시스템(10)의 학습 실력 평가 장치(1000)는 사용자 단말(100)로부터 대상 평가 데이터를 획득할 수 있다. 여기서, 대상 평가 데이터는 타겟 도메인과 관련된 평가 데이터일 수 있다. 예컨대, 대상 평가 데이터는 타겟 도메인과 관련된 문제 데이터 및 문제 데이터에 대한 대상 사용자 및 기준 사용자 각각의 응답 데이터를 포함할 수 있다. 혹은 대상 평가 데이터는 타겟 도메인과 관련된 문제 데이터에 대한 대상 사용자 및 기준 사용자 각각의 정오답 데이터를 포함할 수 있다. 타겟 도메인은 전술한 바와 같이, 사용자의 점수 정보가 존재하지 않거나 충분하지 않은 임의의 교육 도메인을 의미할 수 있다.

본 출원의 일 실시예에 따른 학습 실력 평가 장치(1000)는 학습이 완료된 타겟 신경망 모델을 획득할 수 있다. 예컨대, 학습 실력 평가 장치(1000)는 학습 장치(2000)로부터 훈련된 타겟 신경망 모델과 관련된 실행 데이터 및/또는 노드의 가중치 데이터 등을 포함하여, 타겟 신경망 모델을 실행하기 위한 임의의 데이터를 획득할 수 있다.

본 출원의 일 실시예에 따른 학습 실력 평가 장치(1000)는 타겟 신경망 모델을 이용하여 대상 사용자의 타겟 도메인에서의 대상 점수 정보를 연산할 수 있다. 예컨대, 학습 실력 평가 장치(1000)는 타겟 신경망 모델을 이용하고, 대상 평가 데이터에 기초하여 대상 사용자의 기준 사용자에 대한 실력 비율을 나타내는 비교 정보를 획득할 수 있다. 또한, 학습 실력 평가 장치(1000)는 비교 정보에 기초하여 대상 사용자의 타겟 도메인에서의 가상 점수를 연산하는 동작을 수행할 수 있다.

본 출원의 일 실시예에 따른 학습 실력 평가 장치(1000)의 동작에 대하여는, 도 7 및 도 8에서 보다 구체적으로 서술하기로 한다.

이하에서는 도 3을 참고하여, 본 출원의 일 실시예에 따른 타겟 신경망 모델을 획득하기 위한 학습 장치(2000)의 동작을 구체적으로 서술한다. 도 3은 본 출원의 일 실시예에 따른 학습 장치(2000)의 동작을 나타낸 도면이다.

본 출원의 일 실시예에 따른 학습 장치(2000)는 데이터베이스(200)로부터 평가 데이터베이스를 획득할 수 있다. 여기서, 평가 데이터베이스(이하, 기준 평가 데이베이스로 지칭)는 기준 도메인과 관련된 문제 데이터, 문제 데이터에 대한 적어도 2 이상의 사용자들의 각각의 응답 데이터 및/또는 기준 도메인에서의 적어도 2 이상의 사용자들 각각의 점수 데이터를 포함할 수 있다. 혹은 기준 평가 데이터베이스는 기준 도메인과 관련된 문제 데이터에 대한 적어도 2 이상의 사용자들의 정오답 데이터를 포함할 수 있다. 여기서, 기준 도메인이란, 전술한 바와 같이, 사용자의 평가 데이터에 기초하여 산출된 사용자의 점수 정보가 존재하는 임의의 교육 도메인을 의미한다.

본 출원의 일 실시예에 따른 학습 장치(2000)는 기준 평가 데이터베이스로터 사용자들 간의 상대적인 실력 비율을 학습하기 위한 피처(feature)를 추출하는 동작을 수행할 수 있다.

일 예로, 학습 장치(2000)는 기준 평가 데이터베이스로부터 사용자들 간의 상대적인 실력과 관련된 피처를 추출할 수 있다. 예컨대, 학습 장치(2000)는 제1 사용자의 문제 데이터에 대한 응답 데이터를 제2 사용자의 문제 데이터에 대한 응답 데이터 및/또는 기준 도메인에서의 제2 사용자의 점수 데이터와 비교하여 기준 평가 데이터베이스로부터 피처(feature)를 추출할 수 있다. 예컨대, 학습 장치(2000)는 기준 도메인에서의 제1 사용자의 점수 데이터를, 제2 사용자의 문제 데이터에 대한 응답 데이터 및/또는 기준 도메인에서의 제2 사용자의 점수 데이터와 비교하여 기준 평가 데이터베이스로부터 피처(feature)를 추출할 수 있다.

다른 예로, 학습 장치(2000)는 기준 평가 데이터베이스로부터 사용자의 개별 피처를 추출할 수 있다. 이때, 추출된 사용자의 개별 피처는 사용자들 간의 상대적인 실력 차이를 연산하는 모델을 학습시키기 위하여 이용될 수 있다. 예컨대, 학습 장치(2000)는 기준 평가 데이터베이스로부터 각 사용자의 응답 평균 속도, 각 사용자가 푼 문제 세트의 정답률, 각 사용자의 평가 데이터에 기초하여 예측한 실력 지표(예컨대, ELO 모델, 문항반응이론(Item response theory, IRT) 모델 등을 포함하여 실력을 표현하기 위한 임의의 모델이 예측한 실력 지표) 및/또는 각 사용자의 기존 학습 점수 등을 포함한 임의의 피처를 추출할 수 있다.

본 출원의 일 실시예에 따른 학습 장치(2000)는 기준 신경망 모델을 학습시킬 수 있다. 구체적으로 학습 장치(2000)는 기준 평가 데이터베이스로부터 기준 도메인에서의 사용자들 간의 상대적인 실력 비율과 관련된 라벨 정보를 포함하는 학습 세트를 획득할 수 있다. 또한, 학습 장치(2000)는 피처(feature) 및 라벨 정보에 기초하여 기준 신경망 모델을 학습시킬 수 있다. 기준 신경망 모델을 학습시키는 내용과 관련해서는, 도 4 내지 도 6에서 보다 구체적으로 서술한다.

본 출원의 일 실시예에 따른 학습 장치(2000)는 학습이 완료된 기준 신경망 모델을 타겟 도메인으로 전이(transfer)하는 동작을 수행할 수 있다. 예컨대, 학습 장치(2000)는 전이 학습(transfer learning) 기법을 이용하여 기준 신경망 모델을 타겟 도메인에서 이용할 수 있는 타겟 신경망 모델로 전이할 수 있다. 또한, 본 출원의 일 실시예에 따른 학습 장치(2000)는 타겟 신경망 모델 및/또는 타겟 신경망 모델을 실행하기 위한 임의의 데이터를 학습 실력 평가 장치(1000)로 송신할 수 있다.

도 3에서는 학습 장치(2000)에서 전술한 동작들을 모두 수행하는 것으로 설명하였다. 다만, 이는 예시에 불과하며, 학습 장치(2000)의 적어도 일부 동작은 학습 실력 평가 장치(1000)를 포함한 임의의 외부 장치나 외부 서버에서 수행되도록 구현될 수 있을 것이다.

이하에서는 도 4를 참고하여, 본 출원의 일 실시예에 따른 타겟 신경망 모델을 획득하는 방법을 구체적으로 서술한다. 도 4는 본 출원의 일 실시예에 따른 타겟 신경망 모델을 획득하는 방법을 도시한 순서도이다.

본 출원의 일 실시예에 따른 타겟 신경망 모델을 획득하는 방법은, 평가 데이터베이스를 획득하는 단계(S1100), 피처(Feature)를 추출하는 단계, 기준 신경망 모델을 학습시키는 단계(S1300) 및 학습이 완료된 기준 신경망 모델을 타겟 신경망 모델로 전이(transfer)하는 단계(S1400)를 포함할 수 있다.

평가 데이터베이스를 획득하는 단계(S1100)에서는, 본 출원의 일 실시예에 따른 학습 장치(2000)는, 기준 평가 데이터베이스를 획득할 수 있다. 여기서, 기준 평가 데이터베이스는 기준 도메인과 관련된 임의의 데이터를 포함할 수 있다. 예컨대, 기준 평가 데이터베이스는 전술한 바와 같이, 기준 도메인과 관련된 문제 데이터, 문제 데이터에 대한 사용자들의 응답 데이터 및/또는 기준 도메인에서의 사용자들 각각의 점수 데이터를 포함할 수 있다. 혹은 기준 평가 데이터베이스는 기준 도메인과 관련된 문제 데이터에 대한 사용자들의 정오답 데이터를 포함할 수 있다. 여기서, 기준 도메인이란, 전술한 바와 같이, 사용자의 평가 데이터에 기초하여 산출된 사용자의 점수 정보가 존재하는 임의의 교육 도메인을 의미한다.

피처를 추출하는 단계(S1200)에서는, 본 출원의 일 실시예에 따른 학습 장치(2000)는, 기준 평가 데이터베이스로부터 사용자들 간의 상대적인 실력 비율을 연산하는 신경망 모델을 학습하는 데 기초가 되는 피처(feature)를 추출할 수 있다.

일 예로, 학습 장치(2000)는 기준 평가 데이터베이스로부터 사용자들 간의 상대적인 실력과 관련된 피처를 추출할 수 있다. 예컨대, 학습 장치(2000)는 기준 도메인과 관련된 문제 세트에 대한 제1 사용자의 응답 데이터와 대응되는 문제 세트에 대한 제2 사용자의 응답 데이터를 비교하여 제1 사용자와 제2 사용자 간의 상대적인 응답을 나타내는 피처(feature)를 추출할 수 있다. 구체적으로 학습 장치(2000)는 기준 도메인과 관련된 문제 세트에 대한 제1 사용자와 제2 사용자 간의 상대적인 응답에 따른 제1 사용자와 제2 사용자의 점수 정보를 비교하여 제1 사용자와 제2 사용자 간 상대적인 실력과 관련된 피처를 추출할 수 있다.

다른 예로, 학습 장치(2000)는 기준 평가 데이터베이스로부터 사용자의 개별 피처를 추출할 수 있다. 이때, 추출된 사용자의 개별 피처는 사용자들 간의 상대적인 실력 차이 또는 사용자들 간의 상대적인 실력 비율을 연산하는 신경망 모델을 학습시키는 데 이용될 수 있다. 예컨대, 학습 장치(2000)는 기준 평가 데이터베이스로부터 각 사용자의 문제에 대한 응답 평균 속도, 사용자가 풀이한 문제 세트에 대한 사용자의 정답률, 사용자의 평가 데이터에 기초하여 예측한 임의의 형태의 실력 지표(예컨대, ELO 모델, 문항반응이론(Item response theory, IRT) 모델 등을 포함하여 실력을 표현하기 위한 임의의 모델이 예측한 사용자의 실력 지표) 및/또는 사용자의 기존 점수 정보 등을 포함한 임의의 피처를 추출할 수 있다.

기준 신경망 모델을 학습시키는 단계(S1300)에서는, 본 출원의 일 실시예에 따른 학습 장치(2000)는, 피처(feature)에 기초하여 기준 신경망을 학습시킬 수 있다. 구체적으로 학습 장치(2000)는 기준 평가 데이터베이스로부터 적어도 2 이상의 사용자들 간의 상대적인 실력 비율과 관련된 라벨 정보를 포함하는 학습 세트를 획득할 수 있다. 이때, 학습 장치(2000)는 피처 및 학습 세트를 이용하여 기준 신경망 모델을 학습시키도록 구현될 수 있다.

도 5 및 도 6을 참고한다. 도 5는 본 출원의 일 실시예에 따른 기준 신경망 모델을 학습시키는 방법을 구체화한 순서도이다. 도 6은 본 출원의 일 실시예에 따른 기준 신경망 모델을 학습시키는 일 양상을 도시한 도면이다.

본 출원의 일 실시예에 따른 기준 신경망 모델을 학습시키는 단계(S1300)는, 학습 세트를 획득하는 단계(S1310) 및 피처 및 학습 세트를 이용하여 기준 신경망 모델을 학습시키는 단계(S1320)를 포함할 수 있다.

학습 세트를 획득하는 단계(S1310)에서는, 본 출원의 일 실시예에 따른 학습 장치(2000)는 기준 평가 데이터베이스로부터 적어도 2 이상의 사용자들 간의 상대적인 실력 비율과 관련된 라벨 정보를 포함하는 학습 세트를 획득할 수 있다. 예컨대, 학습 장치(2000)는 기준 평가 데이터베이스에 포함된 기준 도메인에서의 사용자들의 점수 정보에 기초하여 사용자의 상대적인 실력 비율을 나타내는 라벨 정보를 포함하는 학습 세트를 획득할 수 있다. 구체적으로 학습 세트는 제1 사용자의 기준 도메인에서의 제1 점수 값(s1)과 관련된 점수 정보와 제2 사용자의 기준 도메인에서의 제2 점수 값(s2)과 관련된 점수 정보에 기초하여 준비된 제1 사용자의 제2 사용자에 대한 상대적인 실력 비율과 관련된 라벨 정보(s1/(s1+s2))를 포함할 수 있다.

피처 및 학습 세트를 이용하여 기준 신경망 모델을 학습시키는 단계(S1320)에서는, 본 출원의 일 실시예에 따른 학습 장치(2000)는 기준 평가 데이터베이스에 포함된 기준 도메인에서의 사용자들의 문제 세트에 대한 응답 데이터 및 점수 데이터에 기초하여 기준 신경망 모델을 학습시킬 수 있다.

일 예로, 학습 장치(2000)는 피처 및 학습 세트를 이용하여 기준 신경망 모델을 학습시킬 수 있다. 예컨대, 기준 신경망 모델은 입력 레이어, 출력 레이어 및 입력 레이어와 출력 레이어를 연결하는 복수의 노드를 포함할 수 있다. 이때, 학습 장치(2000)는 입력 레이어에 전술한 바에 따라 추출된 피처(feature)를 입력하고, 출력 레이어를 통하여 출력되는 출력 값과 기준 도메인의 사용자들 간의 상대적인 실력과 관련된 라벨 정보의 차이에 기초하여 기준 신경망 모델의 적어도 하나의 노드의 가중치(혹은 파라미터)를 조절함으로써 기준 신경망 모델을 학습시킬 수 있다.

또한, 학습 장치(2000)는 상술한 학습 과정을 반복적으로 수행함으로써, 출력 레이어를 통하여 출력되는 출력 값이 라벨 정보에 근사되도록 훈련된 기준 신경망 모델을 획득할 수 있다.

다시 도 4를 참고하면, 본 출원의 일 실시예에 따른 타겟 신경망 모델을 획득하는 방법은 학습이 완료된 기준 신경망 모델을 타겟 신경망 모델로 전이하는 단계(S1400)를 포함할 수 있다.

*학습이 완료된 기준 신경망 모델을 타겟 신경망 모델로 전이하는 단계(S1400)에서는, 본 출원의 일 실시예에 따른 학습 장치(2000)는, 학습이 완료된 기준 신경망 모델을 타겟 도메인으로 전이하는 동작을 수행할 수 있다. 이때, 학습 장치(2000)는 전이 학습(Transfer Learning) 기법을 활용하여 학습이 완료된 기준 신경망 모델을 전이하여 타겟 도메인에서 이용될 수 있는 타겟 신경망 모델을 획득할 수 있다. 여기서, 전이 학습(Transfer Learning)이란 특정 영역에서 만들어진 모델을 유사한 영역으로 신경망 모델을 전이시키는 학습 기법으로써, 전이 학습(Transfer Learning)을 통하여, 전이될 영역의 데이터가 적거나 존재하지 않은 경우에도 해당 영역에 이용할 수 있는 성능을 가지는 모델을 생성할 수 있다.

한편, 도 4에서는 도시하지 않았으나, 본 출원의 일 실시예에 따른 학습 장치(2000)는 타겟 신경망 모델을 송신하도록 구현될 수 있다. 예컨대, 학습 장치(2000)는 타겟 신경망 모델의 복수의 노드의 파라미터(혹은 가중치) 데이터를 포함하여 타겟 신경망 모델을 실행시키기 위한 임의의 데이터를 학습 실력 평가 장치(1000)로 송신하도록 구현될 수 있다.

이하에서는 도 7 및 도 8을 참고하여 본 출원의 일 실시예에 따른 타겟 신경망 모델을 이용하여 사용자의 학습 실력을 평가하는 방법에 대하여 구체적으로 서술한다. 도 7은 본 출원의 일 실시예에 따른 학습 실력 평가 방법을 도시한 순서도이다. 도 8은 본 출원의 일 실시예에 따른 타겟 신경망 모델을 통하여 대상 사용자의 비교 정보를 획득하는 일 양상을 나타낸 도면이다.

본 출원의 일 실시예에 따른 학습 실력 평가 방법은, 타겟 도메인과 관련된 대상 평가 데이터를 획득하는 단계(S2100), 타겟 신경망 모델을 획득하는 단계(S2200), 타겟 신경망 모델을 이용하여 비교 정보를 획득하는 단계(S2300), 및 가상 점수를 연산하는 단계(S2400)를 포함할 수 있다.

타겟 도메인과 관련된 대상 평가 데이터를 획득하는 단계(S2100)에서는, 본 출원의 일 실시예에 따른 학습 실력 평가 장치(1000)는, 사용자 단말(100)로부터 타겟 도메인과 관련된 대상 평가 데이터를 획득할 수 있다. 여기서, 대상 평가 데이터는 타겟 도메인과 관련된 문제 데이터, 문제 데이터에 대한 사용자의 응답 데이터 및/또는 사용자의 문제에 대한 정오답 데이터를 포함할 수 있다. 예컨대, 학습 실력 평가 장치(1000)는 실력을 평가하고자 하는 대상 사용자의 대상 평가 데이터를 획득할 수 있다. 또한, 학습 실력 평가 장치(1000)는, 후술할 비교 정보를 산출하기 위하여 기준이 되는 적어도 하나의 기준 사용자의 대상 평가 데이터를 획득할 수 있다.

타겟 신경망 모델을 획득하는 단계(S2200)에서는, 본 출원의 일 실시예에 따른 학습 실력 평가 장치(1000)는, 타겟 신경망 모델을 획득할 수 있다. 구체적으로 학습 실력 평가 장치(1000)는 타겟 신경망 모델의 실행 데이터 및/또는 복수의 노드의 가중치(혹은 파라미터) 데이터를 포함하여 타겟 신경망 모델을 실행시키기 위하여 필요한 임의의 데이터를 획득할 수 있다.

타겟 신경망 모델을 이용하여 비교 정보를 획득하는 단계(S2300)에서는, 본 출원의 일 실시예에 따른 학습 실력 평가 장치(1000)는, 타겟 신경망 모델을 이용하여 타겟 도메인에서의 사용자의 상대적인 실력을 나타내는 비교 정보를 획득할 수 있다. 구체적으로 학습 실력 평가 장치(1000)는 타겟 신경망 모델의 입력 레이어에 대상 평가 데이터를 입력하고, 출력 레이어를 통하여 출력되는 타겟 도메인에서의 대상 사용자의 기준 사용자에 대한 상대적인 실력을 나타내는 비교 정보를 획득할 수 있다.

일 예로, 비교 정보는 타겟 도메인에서의 대상 사용자의 적어도 하나의 기준 사용자에 대한 실력의 비율을 추정하여 정량화한 형태의 정보일 수 있다. 예컨대, 대상 사용자가 타겟 도메인과 관련된 문제 세트에 대하여 제1 조합으로 응답을 하였고, 기준 사용자가 대응되는 문제 세트에 대하여 제2 조합으로 응답을 하였다면, 학습 실력 평가 장치(1000)는 대상 사용자와 기준 사용자의 응답 데이터(또는 정오답 데이터)간의 유사 및/또는 차이에 기초하여, 타겟 신경망 모델을 통하여, 대상 사용자의 기준 사용자에 대한 상대적인 실력을 나타내는 비교 정보를 획득할 수 있다.

타겟 신경망 모델은 기준 도메인에서의 사용자들의 문제에 대한 응답 데이터, 정오답 데이터 및/또는 기준 도메인에서의 점수 정보에 기초하여 사용자 간의 상대적인 실력 비율을 나타내는 라벨 정보를 출력하도록 학습이 수행되었기 때문에, 점수 정보가 부족한 타겟 도메인에서의 사용자들의 문제에 대한 응답 데이터(또는 정오답 데이터)에 기초하여 사용자 간 상대적인 실력을 나타내는 비교 정보를 출력할 수 있다.

다만 전술한 비교 정보는 예시에 불과하며, 사용자 간 상대적인 실력을 나타내는 임의의 형태의 정보를 획득하도록 신경망 모델이 구성될 수 있다. 또한, 사용자 간 상대적인 실력을 나타내는 임의의 형태의 정보를 획득하도록 학습 세트와 라벨 정보의 형태가 적절하게 변형될 수 있다.

가상 점수를 연산하는 단계(S2400)에서는, 본 출원의 일 실시예에 따른 학습 실력 평가 장치(1000)는, 비교 정보에 기초하여 대상 사용자의 타겟 도메인에서의 가상 점수를 연산하도록 구현될 수 있다. 예컨대, 학습 실력 평가 장치(1000)는 타겟 신경망 모델을 통하여 대상 사용자의 기준 사용자에 대한 상대적인 실력을 나타내는 비교 정보를 디코드(Decode)하여 대상 사용자의 가상 점수를 연산할 수 있다.

한편, 도 7에서는 도시하지 않았지만, 본 출원의 일 실시예에 따른 학습 실력 평가 방법은 가상 점수 정보를 송신하는 단계를 더 포함할 수 있다. 가상 점수 정보를 송신하는 단계에서는, 학습 실력 평가 장치(1000)는 송수신부(1100)를 통하여 가상 점수 정보를 사용자 단말(100)로 송신할 수 있다. 또한 가상 점수 정보를 수신한 사용자 단말(100)은 임의의 출력부(예, 디스플레이, 스피커, 모니터 등)를 통하여 가상 점수 정보를 사용자에게 출력할 수 있다.

본 출원의 일 실시예에 따른 학습 실력 평가 시스템(10)은 데이터가 부족한 새로운 도메인에서의 학습자의 점수 정보를 수집하지 않고 학습자에게 논리적으로 점수를 부여할 수 있는 모델을 생성할 수 있다. 따라서, 본 출원의 일 실시예에 따른 학습 실력 평가 시스템(10)은 타겟 도메인에서의 실제 점수 정보를 수집하기 위하여 소요되는 시간과 비용을 절약할 수 있다는 유리한 효과를 제공할 수 있다. 또한 본 출원의 일 실시예에 따른 학습 실력 평가 시스템(10)은 평가 데이터가 충분한 기준 도메인에서의 평가 데이터에 기초하여 정밀하게 학습된 신경망 모델을 타겟 도메인으로 전이하는 기법을 활용하여 정밀하게 학습자의 실력을 예측할 수 있다.

상술한 학습 실력 평가 장치(1000)의 다양한 동작들은 학습 실력 평가 장치(1000)의 메모리(12000)에 저장될 수 있으며, 학습 실력 평가 장치(1000)의 컨트롤러(1300)는 메모리(1200)에 저장된 동작들을 수행하도록 제공될 수 있다. 또한, 상술한 학습 장치(2000)의 다양한 동작들은 학습 장치(2000)의 메모리에 저장될 수 있으며, 학습 장치(2000)의 컨트롤러는 학습 장치(2000)의 메모리 저장된 동작들을 수행하도록 제공될 수 있다.

이상에서 실시 형태들에 설명된 특징, 구조, 효과 등은 본 발명의 적어도 하나의 실시 형태에 포함되며, 반드시 하나의 실시 형태에만 한정되는 것은 아니다. 나아가, 각 실시 형태에서 예시된 특징, 구조, 효과 등은 실시 형태들이 속하는 분야의 통상의 지식을 가지는 자에 의해 다른 실시 형태들에 대해서도 조합 또는 변형되어 실시 가능하다. 따라서 이러한 조합과 변형에 관계된 내용들은 본 발명의 범위에 포함되는 것으로 해석되어야 할 것이다.

또한, 이상에서 실시 형태를 중심으로 설명하였으나 이는 단지 예시일 뿐 본 발명을 한정하는 것이 아니며, 본 발명이 속하는 분야의 통상의 지식을 가진 자라면 본 실시 형태의 본질적인 특성을 벗어나지 않는 범위에서 이상에 예시되지 않은 여러 가지의 변형과 응용이 가능함을 알 수 있을 것이다. 즉, 실시 형태에 구체적으로 나타난 각 구성 요소는 변형하여 실시할 수 있는 것이다. 그리고 이러한 변형과 응용에 관계된 차이점들은 첨부된 청구 범위에서 규정하는 본 발명의 범위에 포함되는 것으로 해석되어야 할 것이다.

10: 학습 실력 평가 시스템
100: 사용자 단말
200: 데이터베이스
1000: 학습 실력 평가 장치
2000: 학습 장치

Claims

사용자의 문제에 대한 응답에 대응하여 사용자의 학습 실력을 평가하는 학습 실력 평가 장치가 사용자의 학습 실력을 평가하는 방법에 있어서, 상기 방법은,
대상 사용자 및 기준 사용자의 타겟 도메인과 관련된 대상 평가 데이터를 획득하는 단계-상기 대상 평가 데이터는 상기 타겟 도메인과 관련된 문제 데이터 및 상기 문제 데이터에 대한 상기 대상 사용자 및 상기 기준 사용자 각각의 응답 데이터를 포함함-;
학습이 완료된 타겟 신경망 모델을 획득하는 단계;
상기 타겟 신경망 모델을 이용하여 상기 타겟 도메인에서의 상기 대상 사용자의 상기 기준 사용자에 대한 상대적인 실력을 나타내는 비교 정보를 획득하는 단계; 및
상기 비교 정보에 기초하여 상기 대상 사용자의 상기 타겟 도메인에서의 가상 점수를 연산하는 단계;를 포함하되,
상기 비교 정보는,
상기 대상 사용자의 상기 타겟 도메인에서의 제1 예상 점수 정보와 상기 기준 사용자의 상기 타겟 도메인에서의 제2 예상 점수 정보의 합에 대한 상기 제1 예상 점수 정보의 비율과 관련된 값과 관련된 정보인,
학습 실력 평가 방법.
제1 항에 있어서,
상기 타겟 신경망 모델은,
상기 타겟 도메인과는 다른 기준 도메인과 관련된 기준 평가 데이터베이스에 기초하여 사용자 간의 실력 비율을 나타내는 라벨 정보를 출력하도록 훈련된 기준 신경망 모델을 전이함으로써 획득된,
학습 실력 평가 방법.
제2 항에 있어서,
상기 라벨 정보는,
제1 사용자의 상기 기준 도메인에서의 제1 점수 정보와 제2 사용자의 상기 기준 도메인에서의 제2 점수 정보의 합에 대한 상기 제1 점수 정보의 비율과 관련된 값과 관련된 정보인,
학습 실력 평가 방법.
제2 항에 있어서,
상기 기준 신경망 모델은 상기 기준 평가 데이터베이스에 기초하여 상기 라벨 정보를 출력하도록 상기 기준 신경망 모델의 복수의 노드들의 가중치를 조절함으로써 훈련되며,
학습 실력 평가 방법.
제1 항에 있어서,
상기 타겟 신경망 모델은,
상기 대상 평가 데이터를 수신하기 위한 입력 레이어, 상기 타겟 도메인에서의 상기 대상 사용자의 상기 기준 사용자에 대한 비교 정보를 출력하기 위한 출력 레이어 및 상기 입력 레이어와 상기 출력 레이어를 연결하는 복수의 노드들을 갖는 히든 레이어를 포함하는,
학습 실력 평가 방법.
제1 항에 있어서,
상기 가상 점수를 연산하는 단계는,
상기 비교 정보를 디코드(Decode)하여 상기 대상 사용자의 상기 타겟 도메인에서의 가상 점수를 연산하는 단계;를 더 포함하는,
학습 실력 평가 방법.
제1 항에 있어서,
상기 타겟 신경망 모델을 획득하는 단계는,
상기 타겟 도메인과는 상이한 기준 도메인과 관련된 기준 평가 데이터베이스를 획득하는 단계-상기 기준 평가 데이터베이스는 상기 기준 도메인과 관련된 기준 문제 데이터, 상기 기준 문제 데이터에 대한 적어도 2 이상의 사용자의 각각의 응답 데이터, 및 상기 기준 도메인에서의 상기 적어도 2 이상의 사용자의 각각의 점수 데이터를 포함함-;
상기 기준 평가 데이터베이스로부터 상기 적어도 2 이상의 사용자의 상대적인 실력을 연산하기 위해 기초가 되는 피처(feature)를 추출하는 단계;
상기 추출된 피처(feature)에 기초하여 기준 신경망 모델을 학습시키는 단계; 및
학습이 완료된 상기 기준 신경망 모델을 상기 타겟 도메인으로 전이시키는 단계;를 포함하는,
학습 실력 평가 방법.
제7 항에 있어서,
상기 기준 신경망 모델을 학습시키는 단계는,
상기 기준 평가 데이터베이스로부터 상기 적어도 2 이상의 사용자의 상대적인 실력 비율과 관련된 라벨 정보를 포함하는 학습 세트를 획득하는 단계; 및
상기 피처 및 상기 학습 세트를 이용하여, 기준 신경망 모델의 입력 레이어에 상기 피처(feature)를 입력하고, 상기 기준 신경망 모델의 출력 레이어를 통하여 출력되는 출력 값과 상기 라벨 정보의 차이에 기초하여 상기 기준 신경망 모델의 노드의 가중치를 조절함으로써 상기 기준 신경망 모델을 학습시키는 단계;를 포함하는,
학습 실력 평가 방법.
제8 항에 있어서,
상기 라벨 정보는,
제1 사용자의 상기 기준 도메인에서의 제1 점수 정보와 제2 사용자의 상기 기준 도메인에서의 제2 점수 정보의 합에 대한 상기 제1 점수 정보의 비율과 관련된 값과 관련된 정보인,
학습 실력 평가 방법.
컴퓨터에 제1 항 내지 제9 항 중 어느 하나의 항에 따른 방법을 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록 매체.