KR20230060869A - 학습 관리 시스템 및 그의 학습 정보 제공 방법 - Google Patents

Abstract

본 발명에 따른 학습 관리 시스템의 학습 정보 제공 방법은, 나이, 학습 습관, 이해 수준, 취약점 및 학부모 전달사항을 포함한 학생 데이터와, 과목, 수업 회차, 진도, 수업 내용, 과제 및 달성률을 포함한 수업 데이터 및 학생의 성향, 코치의 성향, 사건, 문제점, 해결 방법 및 상기 해결 방법에 대한 효과를 포함한 경험 데이터를 데이터 베이스에 저장하는 단계; 자연어 처리 모델을 이용하여 정형 또는 비정형 텍스트를 포함하는 상기 학생 데이터, 상기 수업 데이터 및 상기 경험 데이터를 전처리하는 단계; 상기 전처리된 학생 데이터 및 수업 데이터 사이에 연관성을 부여함으로써, 입력되는 학생 데이터에 따라 맞춤 학습 정보를 출력하도록 학습 코칭 모델을 생성하는 단계; 상기 전처리된 학생 데이터 및 경험 데이터 사이에 연관성을 부여함으로써, 입력되는 학생 데이터에 따라 맞춤 인성 정보를 출력하도록 인성 코칭 모델을 형성하는 단계; 및 상기 학습 코칭 모델 및 상기 인성 코칭 모델을 메모리에 저장하는 단계를 포함한다.

Description

학습 관리 시스템 및 그의 학습 정보 제공 방법{learning management system and method of providing learning information thereof}

본 발명은 맞춤 학습 정보를 제공하는 학습 관리 시스템 및 그의 학습 정보 제공 방법에 관한 것이다.

대면 교육에 치중되어 있던 종래의 교육 방법은 코치에 따라 학생들을 지도하는 방법이 달라질 수 있으므로 제안된 학습 방법의 일관성을 담보하기 어렵고, 코치들 각각의 경험치에 따라 서로 다르게 제시되는 다양한 학습 방법들 중에서 최적의 학습 방법을 도출하기 어려운 문제가 있었다.

따라서, 학생들의 수업 정보와 상황을 분석하여 코치들에게 보편화된 맞춤 학습 방법을 제공하는 학습 관리 시스템 및 학습 정보 제공 방법이 요구된다.

특허등록공보 제10-2210504호 (등록일 : 2021.01.26.)

본 발명이 해결하고자 하는 과제는 복수의 학생 데이터에 기초하여 각각의 학생에 대한 맞춤 학습 방법을 출력하는 학습 관리 시스템 및 그의 학습 정보 제공 방법을 제공하는 것이다.

본 발명이 해결하고자 하는 과제들은 이상에서 언급된 과제로 제한되지 않으며, 언급되지 않은 또 다른 과제들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.

상술한 과제를 해결하기 위한 본 발명에 따른 학습 관리 시스템의 학습 정보 제공 방법은, 나이, 학습 습관, 이해 수준, 취약점 및 학부모 전달사항을 포함한 학생 데이터와, 과목, 수업 회차, 진도, 수업 내용, 과제 및 달성률을 포함한 수업 데이터 및 학생의 성향, 코치의 성향, 사건, 문제점, 해결 방법 및 상기 해결 방법에 대한 효과를 포함한 경험 데이터를 데이터 베이스에 저장하는 단계; 자연어 처리 모델을 이용하여 정형 또는 비정형 텍스트를 포함하는 상기 학생 데이터, 상기 수업 데이터 및 상기 경험 데이터를 전처리하는 단계; 상기 전처리된 학생 데이터 및 수업 데이터 사이에 연관성을 부여함으로써, 입력되는 학생 데이터에 따라 맞춤 학습 정보를 출력하도록 학습 코칭 모델을 생성하는 단계; 상기 전처리된 학생 데이터 및 경험 데이터 사이에 연관성을 부여함으로써, 입력되는 학생 데이터에 따라 맞춤 인성 정보를 출력하도록 인성 코칭 모델을 형성하는 단계; 및 상기 학습 코칭 모델 및 상기 인성 코칭 모델을 메모리에 저장하는 단계를 포함한다.

또한, 본 발명의 상기 방법은 상기 학습 코칭 모델 및 상기 인성 코칭 모델을 형성하기 위해 이용된 상기 학생 데이터, 상기 수업 데이터 및 상기 경험 데이터와 상이한 데이터인 대상 데이터를 데이터 베이스에 저장하는 단계; 상기 자연어 처리 모델을 이용하여 정형 또는 비정형 텍스트를 포함하는 상기 대상 데이터를 전처리하는 단계; 상기 전처리된 대상 데이터를 상기 메모리에 저장된 학습 코칭 모델에 적용함으로써 상기 전처리된 대상 데이터에 대한 최종 맞춤 학습 정보를 추출하는 단계; 및 상기 최종 맞춤 학습 정보를 스마트폰, 태블릿, PC 및 노트북 중 적어도 하나를 포함하는 컴퓨팅 장치를 이용하여 출력하는 단계를 더 포함할 수 있다.

또한, 본 발명의 상기 방법은, 상기 전처리된 대상 데이터를 상기 메모리에 저장된 인성 코칭 모델에 적용함으로써 상기 전처리된 대상 데이터에 대한 최종 맞춤 인성 정보를 추출하는 단계; 및 상기 최종 맞춤 인성 정보를 스마트폰, 태블릿, PC 및 노트북 중 적어도 하나를 포함하는 컴퓨팅 장치를 이용하여 출력하는 단계를 더 포함할 수 있다.

이때, 상기 학습 코칭 모델을 생성하는 단계는, 상기 학습 코칭 모델의 학습 내용 및 학습 결과를 상기 메모리에 저장하는 단계; 테스트용 학생 데이터를 상기 학습 코칭 모델에 적용함으로써 테스트용 맞춤 학습 정보를 추출하는 단계; 상기 테스트용 맞춤 학습 정보의 적합도를 측정하는 단계; 및 상기 테스트용 정보의 적합도가 기 설정된 값 이상인 경우 상기 학습 코칭 모델을 상기 메모리에 저장하고, 상기 테스트용 정보에 대한 적합도가 기 설정된 값 이하인 경우 상기 학습 코칭 모델을 재학습시키는 단계를 더 포함할 수 있다.

또한, 상기 최종 맞춤 학습 정보를 추출하는 단계는, 상기 전처리된 대상 데이터를 상기 메모리에 저장된 학습 코칭 모델에 적용함으로써 상기 전처리된 대상 데이터에 대한 맞춤 학습 정보를 추출하는 단계; 상기 맞춤 학습 정보의 개수를 판단하여, 상기 맞춤 학습 정보가 한 개인 경우, 상기 하나의 맞춤 학습 정보를 최종 맞춤 학습 정보로 결정하는 단계; 상기 맞춤 학습 정보의 개수를 판단하여, 상기 맞춤 학습 정보가 복수인 경우, 상기 복수의 맞춤 학습 정보들을 분류 인덱스 별로 분류하고, 상기 분류 인덱스는 학년, 지역 및 수준을 포함하는 단계; 및 상기 분류된 맞춤 학습 정보들을 최종 맞춤 학습 파라미터에 기초하여 재구성함으로써 최종 맞춤 학습 정보를 생성하고, 상기 최종 맞춤 학습 파라미터는 정답률, 이해 수준, 학습 시간, 집중 시간 및 학생의 의지를 포함하는 단계를 포함할 수 있다.

또한, 상기 최종 맞춤 학습 정보를 추출하는 단계는, 상기 최종 맞춤 학습 정보를 복수의 문장들로 나타낸 상세 학습 정보 및 상기 상세 학습 정보에 포함된 상기 복수의 문장들을 주요 문장 단위로 요약한 요약 학습 정보를 생성하는 단계; 및 상기 분류된 맞춤 학습 정보들을 상기 최종 맞춤 학습 파라미터에 기초하여 분석한 다각형 레이더 차트를 생성하는 단계를 더 포함할 수 있다.

이때, 상기 학생 데이터, 상기 수업 데이터 및 상기 경험 데이터를 전처리하는 단계는, 상기 학생 데이터, 상기 수업 데이터 및 상기 경험 데이터에 포함된 개인 식별 정보를 제거하는 단계를 더 포함하고, 상기 대상 데이터를 전처리하는 단계는, 상기 대상 데이터에 포함된 개인 식별 정보를 제거하는 단계를 더 포함할 수 있다.

또한, 상기 학생 데이터, 상기 수업 데이터 및 상기 경험 데이터를 전처리하는 단계는, 상기 최종 맞춤 학습 정보에 대한 신뢰도 정보를 수집하는 단계-상기 신뢰도 정보는 리커트 척도로 구성됨-; 및 상기 신뢰도 정보에 기초하여 계산된 점수가 기 설정된 값보다 낮은 경우, 상기 대상 데이터를 이용하여 상기 학습 코칭 모델을 업데이트하는 단계를 더 포함할 수 있다.

또한, 본 발명은 상술한 학습 정보 제공 방법을 수행하는 프로그램이 저장된 컴퓨터로 기록 가능한 기록 매체를 더 구비할 수 있다.

또한, 본 발명에 따른 학습 관리 서버는, 하나 이상의 프로세서; 및 상기 프로세서와 전기적으로 연결되고 상기 프로세서에서 수행되는 적어도 하나의 코드(Code)가 저장된 메모리를 포함하며, 상기 메모리는, 상기 프로세서를 통해 실행될 때, 상기 프로세서가, 나이, 학습 습관, 이해 수준, 취약점 및 학부모 전달사항을 포함한 학생 데이터와, 과목, 수업 회차, 진도, 수업 내용, 과제 및 달성률을 포함한 수업 데이터 및 학생의 성향, 코치의 성향, 사건, 문제점, 해결 방법 및 상기 해결 방법에 대한 효과를 포함한 경험 데이터를 데이터 베이스에 저장하고, 자연어 처리 모델을 이용하여 정형 또는 비정형 텍스트를 포함하는 상기 학생 데이터, 상기 수업 데이터 및 상기 경험 데이터를 전처리하고, 상기 전처리된 학생 데이터 및 수업 데이터 사이에 연관성을 부여하여, 입력되는 학생 데이터에 따라 맞춤 학습 정보를 출력하도록 학습 코칭 모델을 생성하고, 상기 학습 코칭 모델을 이용하여 대상 데이터에 대한 맞춤 학습 정보를 추출하고, 상기 대상 데이터에 대한 맞춤 학습 정보를 스마트폰, 태블릿, PC 및 노트북 중 적어도 하나를 포함하는 컴퓨팅 장치를 이용하여 출력하도록 야기하는 코드가 저장될 수 있다.

본 발명의 기타 구체적인 사항들은 상세한 설명 및 도면들에 포함되어 있다.

본 개시의 일 실시 예에 따르면, 학생 데이터 및 수업 데이터에 기초하여 학습된 학습 코칭 모델을 이용하여 대상 데이터에 대한 맞춤 학습 데이터를 출력할 수 있으므로 학생 별로 최적화된 학습 방향을 설계할 수 있다.

본 개시의 일 실시 예에 따르면, 학생 데이터 및 경험 데이터에 기초하여 학습된 인성 코칭 모델을 이용하여 대상 데이터에 대한 맞춤 인성 데이터를 출력할 수 있으므로 학생 별로 최적화된 인성 교육을 수행할 수 있다.

본 발명의 효과들은 이상에서 언급된 효과로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.

도 1은 본 발명의 일 실시 예에 따른 학습 관리 시스템을 개략적으로 설명하기 위한 도면이다.
도 2는 본 발명의 일 실시 예에 따른 학습 관리 서버의 구성을 나타내는 블록도이다.
도 3은 본 발명의 일 실시 예에 따른 딥러닝 모델 생성 방법을 나타내는 순서도이다.
도 4는 본 발명의 일 실시 예에 따른 학습 코칭 모델 생성 방법을 나타내는 순서도이다.
도 5는 본 발명의 일 실시 예에 따른 학습 관리 시스템의 맞춤 학습 정보 제공 방법을 나타내는 순서도이다.
도 6은 본 발명의 일 실시 예에 따른 맞춤 학습 정보 출력 방법을 나타내는 순서도이다.
도 7은 본 발명의 일 실시 예에 따른 학습 코칭 모델 업데이트 방법을 나타내는 순서도이다.

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 제한되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시 예들은 본 발명의 개시가 완전하도록 하고, 본 발명이 속하는 기술 분야의 통상의 기술자에게 본 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다.

본 명세서에서 사용된 용어는 실시 예들을 설명하기 위한 것이며 본 발명을 제한하고자 하는 것은 아니다. 본 명세서에서, 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함한다. 명세서에서 사용되는 "포함한다(comprises)" 및/또는 "포함하는(comprising)"은 언급된 구성요소 외에 하나 이상의 다른 구성요소의 존재 또는 추가를 배제하지 않는다. 명세서 전체에 걸쳐 동일한 도면 부호는 동일한 구성 요소를 지칭하며, "및/또는"은 언급된 구성요소들의 각각 및 하나 이상의 모든 조합을 포함한다. 비록 "제1", "제2" 등이 다양한 구성요소들을 서술하기 위해서 사용되나, 이들 구성요소들은 이들 용어에 의해 제한되지 않음은 물론이다. 이들 용어들은 단지 하나의 구성요소를 다른 구성요소와 구별하기 위하여 사용하는 것이다. 따라서, 이하에서 언급되는 제1 구성요소는 본 발명의 기술적 사상 내에서 제2 구성요소일 수도 있음은 물론이다.

다른 정의가 없다면, 본 명세서에서 사용되는 모든 용어(기술 및 과학적 용어를 포함)는 본 발명이 속하는 기술분야의 통상의 기술자에게 공통적으로 이해될 수 있는 의미로 사용될 수 있을 것이다. 또한, 일반적으로 사용되는 사전에 정의되어 있는 용어들은 명백하게 특별히 정의되어 있지 않는 한 이상적으로 또는 과도하게 해석되지 않는다.

이하, 첨부된 도면을 참조하여 본 발명의 실시 예를 상세하게 설명한다. 설명에 앞서 본 명세서에서 사용하는 용어의 의미를 간략히 설명한다. 그렇지만 용어의 설명은 본 명세서의 이해를 돕기 위한 것이므로, 명시적으로 본 발명을 한정하는 사항으로 기재하지 않은 경우에 본 발명의 기술적 사상을 한정하는 의미로 사용하는 것이 아님을 주의해야 한다.

도 1은 본 발명의 일 실시 예에 따른 학습 관리 시스템을 개략적으로 설명하기 위한 도면이다.

도 1을 참조하면, 학습 관리 시스템(100)은, 컴퓨팅 장치(10), 학습 관리 서버(20), 데이터 베이스(30) 및 네트워크(40)를 포함하여 동작할 수 있다.

컴퓨팅 장치(10)는 네트워크(40)에 접속할 수 있는 모든 장치를 포함할 수 있다. 예를 들어, 컴퓨팅 장치(10)는 스마트폰, 태블릿, PC, 노트북, 가전 디바이스, 카메라 및 웨어러블 장치 등을 포함할 수 있다. 일 실시예에서, 컴퓨팅 장치(10)는 학습 관리 서버(20)로부터 맞춤 학습 정보 및 맞춤 인성 정보 등을 제공받을 수 있다.

컴퓨팅 장치(10)는 학습 관리 서버(20)로부터 수신한 맞춤 학습 정보 및/또는 맞춤 인성 정보를 표시할 수 있다. 또한, 컴퓨팅 장치(10)는 사용자에 의해 입력되는 학생 데이터, 수업 데이터 및 경험 데이터 중 적어도 어느 하나를 수신할 수 있고, 네트워크(40)를 통해 학습 관리 서버(20) 및/또는 데이터 베이스(30)로 전송할 수 있다. 실시 예에 따라, 컴퓨팅 장치(10)는 메신저 형식 또는 검색엔진 형식으로 대상 데이터 또는 테스트용 데이터들을 입력받거나, 맞춤 학습 정보 및/또는 맞춤 인성 정보를 표시할 수 있다.

학습 관리 서버(20)는 네트워크(40)를 통해 컴퓨팅 장치(10)에 맞춤 학습 정보 및/또는 맞춤 인성 정보를 제공하기 위한 컴퓨팅 자원을 제공할 수 있다. 학습 관리 서버(20)는 클라우드 기반의 시스템으로 구현될 수 있으며, 내부에 다양한 서버, 장치, 디바이스, 단말 등을 포함할 수 있다. 예를 들어, 학습 관리 서버(20)는 애플리케이션 서버, 제어 서버, 데이터 수집 서버, 데이터 저장 서버, 데이터 처리 서버, API(Application Programming Interface) 제공 서버, 데이터 표시 서버, 특정 기능을 제공하기 위한 서버 등 다양한 종류의 서버를 포함할 수 있다. 학습 관리 서버(20)는 단일 시스템으로 구성되어 데이터 수집, 데이터 저장, 데이터 처리, API 제공, 데이터 표시 등의 프로세스를 수행할 수 있다. 그러나 이에 제한되지 않으며, 학습 관리 서버(20)는 복수의 서버들이 동시에 프로세스를 처리할 수도 있다.

학습 관리 서버(20)는 컴퓨팅 장치(10)를 통해 입력되는 학생 데이터, 수업 데이터 및 경험 데이터를 수집할 수 있다. 학생 데이터, 수업 데이터 및 경험 데이터는 정형 또는 비정형 텍스트들을 포함할 수 있다. 학생 데이터들 각각은 나이, 학습 습관, 이해 수준, 취약점 및 학부모 전달사항 중 적어도 일부를 포함할 수 있다. 수업 데이터들 각각은 과목, 수업 회차, 진도, 수업 내용, 과제 및 달성률 중 적어도 일부를 포함할 수 있다. 경험 데이터들 각각은 학생의 성향, 코치의 성향, 사건, 문제점, 해결 방법 및 상기 해결 방법에 대한 효과 중 적어도 일부를 포함할 수 있다. 그러나, 상술한 학생 데이터들, 수업 데이터들 및 경험 데이터들 각각에 포함되는 파라미터들은 설명을 위한 예시에 불과하며 실시 예가 이에 한정되는 것은 아니다.

학습 관리 서버(20)는 후술되는 도2를 참조하여 설명되는 바와 같이, 자연어 처리 모델, 학습 코칭 모델 및/또는 인성 코칭 모델을 형성할 수 있다. 자연어 처리 모델은 정형 또는 비정형 텍스트들로 구성된 데이터들을 전처리하여, 학습 코칭 모델 및/또는 인성 코칭 모델에 제공하도록 학습된 딥러닝 모델일 수 있다. 학습 코칭 모델은 전처리된 학생 데이터들 및 전처리된 수업 데이터들을 이용하여 맞춤 학습 정보를 생성하도록 학습된 딥러닝 모델일 수 있다. 인성 코칭 모델은 전처리된 학생 데이터들 및 전처리된 경험 데이터들을 이용하여 맞춤 인성 정보를 생성하도록 학습된 딥러닝 모델일 수 있다.

일 실시 예에서, 학습 관리 서버(20)는 챗봇을 생성하여 채팅창 형식의 UI를 통해 대상 데이터를 수신하고, 대상 데이터에 대한 맞춤 학습 정보 및/또는 맞춤 인성 정보를 채팅창 형식의 UI를 통해 출력할 수 있다. 일 실시 예에서, 학습 관리 서버(20)는 검색 엔진 형식의 UI를 통해 대상 데이터를 수신하고, 대상 데이터에 대한 맞춤 학습 정보 및/또는 맞춤 인성 정보를 검색 엔진 형식의 UI를 통해 출력할 수 있다. 학습 관리 서버(20)의 동작에 대하여는 도 2를 참조하여 상세하게 후술한다.

데이터 베이스(30)는 학습 관리 시스템(100)에 필요한 데이터를 저장할 수 있다. 데이터 베이스(30)는 학습 관리 서버(20)의 일부일 수 있으나 이에 제한되지 않으며, 학습 관리 서버(20)와 분리되어 운용될 수도 있다. 데이터 베이스(30)는 학생 데이터, 수업 데이터, 경험 데이터, 테스트용 데이터 및 대상 데이터 등을 저장할 수 있다. 데이터 베이스(30)는 전처리된 학생 데이터, 수업 데이터 및 경험 데이터를 저장할 수도 있다. 데이터 베이스(30)에 저장된 정보는 필요에 따라 학습 관리 서버(20)에 제공될 수 있며, 학습 관리 서버(20)에서 맞춤 학습 정보 및/또는 맞춤 인성 정보를 제공하는 과정에서 사용될 수 있다.

네트워크(40)는 인터넷(internet), 인트라넷(intranet), 엑스트라넷(extranet), LAN(Local Area Network), MAN(Metropolitan Area Network), WAN(Wide Area Network) 등 컴퓨팅 장치(10), 학습 관리 서버(20) 및 데이터 베이스(30)가 접속할 수 있는 모든 네트워크를 포함할 수 있다.

도 2는 본 발명의 일 실시 예에 따른 학습 관리 서버(20)의 구성을 나타내는 블록도이다. 이하에서는 도 1을 참조하여 설명한다.

도 2를 참조하면, 학습 관리 서버(20)는 통신 모듈(21), 메모리(22) 및 적어도 하나의 프로세서(23)를 포함할 수 있다. 상기 구성들은 학습 관리 서버(20)를 구현하기위해 필요한 필수적인 구성들은 아니며, 본 명세서의 학습 관리 서버(20)는 더 많은 구성 또는 더 적은 구성을 포함할 수 있다.

통신 모듈(21)은 이동 통신, 근거리 통신 등을 수행하기 위한 모듈을 포함할 수 있고, 유무선 통신을 수행하기 위한 모듈을 포함할 수 있다. 통신 모듈(21)은 프로세서(23)의 제어에 따라 동작할 수 있다. 통신 모듈(21)은 도 1의 컴퓨팅 장치(10), 데이터 베이스(30), 및/또는 네트워크(40)와 통신하기 위한 모듈일 수 있다. 통신 모듈(21)을 통해 컴퓨팅 장치(10)에 입력된 데이터가 학습 관리 서버(도 1의 20) 및/또는 데이터 베이스(도 1의 30)로 전송될 수 있다.

메모리(22)는 프로세서(23)와 전기적으로 연결될 수 있고, 프로세서(23)에서 수행되는 적어도 하나의 코드(Code)를 저장할 수 있다. 메모리(22)는 다양한 형태의 저장 장치를 통칭할 수 있다. 메모리(22)는 인공 지능, 머신 러닝, 인공 신경망을 이용하여 연산을 수행하는데 필요한 정보를 저장할 수 있다.

메모리(22)는 다양한 학습 모델을 저장할 수 있다. 메모리(22)에 저장된 학습 모델들은 학습 데이터가 아닌 새로운 입력 데이터에 대하여 결과 값을 추론할 수 있고, 추론된 값은 어떠한 동작을 수행하기 위한 판단의 기초로 이용될 수 있다. 메모리(22)에 저장된 학습 모델들은 레이블(Label) 정보에 기초하여 학습이 수행될 수 있고, 학습의 정확도를 높이기 위해, 손실 함수가 목표의 값을 갖도록 다양한 역전파(Backpropagation) 알고리즘이 적용될 수 있다.

예를 들어, 메모리(22)는 정형 또는 비정형 텍스트를 포함하는 데이터들을 전처리하도록 학습된 자연어 처리 모델, 자연어 처리 모델을 이용하여 전처리된 학생 데이터 및 전처리된 수업 데이터에 기초하여 맞춤 학습 정보를 추출하도록 학습된 학습 코칭 모델 및 자연어 처리 모델을 이용하여 전처리된 학생 데이터 및 전처리된 경험 데이터에 기초하여 맞춤 인성 정보를 추출하도록 학습된 인성 코칭 모델 중 적어도 하나를 저장할 수 있다. 메모리(22)는 자연어 처리 모델, 학습 코칭 모델 및 인성 코칭 모델의 학습 내용 및 학습 결과를 저장할 수 있다.

프로세서(23)는 하나 이상으로 구현될 수 있다. 이하에서, 프로세서(23)는 단수로 표현되더라도 복수로 간주될 수 있다. 프로세서(23)는 학습 관리 서버(20)의 구성들을 컨트롤할 수 있다. 프로세서(23)는 프로그램 내에 포함된 코드 또는 명령으로 표현된 기능을 수행하기 위해 물리적으로 구조화된 회로를 갖는, 하드웨어에 내장된 데이터 처리 장치를 의미할 수 있다. 이와 같이, 프로세서(23)는 하드웨어에 내장된 데이터 처리 장치의 일 예로써, 마이크로프로세서(microprocessor), 중앙처리장치(central processing unit: CPU), 프로세서 코어(processor core), 멀티프로세서(multiprocessor), ASIC(application-specific integrated circuit), FPGA(field programmable gate array) 등의 처리 장치를 망라할 수 있으나, 본 발명의 범위가 이에 한정되는 것은 아니다. 프로세서(23)는 인공 지능 연산을 수행하기 위한 러닝 프로세서를 별도로 구비하거나, 자체적으로 러닝 프로세서를 구비할 수 있다.

프로세서(23)는 자연어 처리 모듈(23-1), 맞춤 정보 생성 모듈(23-2), 대화 관리 모듈(23-3) 및 검색 모듈(23-4)을 포함할 수 있다. 그러나 이에 제한되지 않으며 도 2에 도시되지 않은 구성요소를 더 포함할 수도 있다.

자연어 처리 모듈(23-1)은 통신 모듈(21)을 통해 수신한 데이터들을 전처리하도록 자연어 처리 모델을 학습시킬 수 있다. 실시 예에 따라, 자연어 처리 모듈(23-1)은 대화 관리 모듈(23-3) 또는 검색 모듈(23-4)로부터 데이터를 수신할 수 있다. 실시 예에 따라, 자연어 처리 모듈(23-1)은 데이터들을 전처리하기 전에, 학생 데이터, 수업 데이터, 경험 데이터, 대상 데이터 및/또는 테스트용 데이터에 포함된 개인 식별 정보를 제거하도록 학습될 수 있다.

자연어 처리 모델은 학생 데이터, 수업 데이터, 경험 데이터, 대상 데이터 및/또는 테스트용 데이터를 전처리하여 맞춤 정보 생성 모듈(23-2)에서 이용될 수 있도록 가공할 수 있다. 전처리된 데이터들을 는 맞춤 정보 생성 모듈(23-2)로 전송될 수 있다. 자연어 처리 모델은 사용자의 의도에 기초하여 데이터들을 전처리하거나, 유사한 문장에 기초하여 데이터들을 전처리할 수 있다.

자연어 처리 모듈(23-1)은 주요 단어에 대한 정보를 이용하여 자연어 처리 모델을 학습시킴으로써, 사용자의 의도에 기초하여 데이터들을 전처리하는 자연어 처리 모델을 생성할 수 있다. 상기 주요 단어는 '엔티티(entity)' 를 포함하도록 구성될 수 있다. 엔티티는 일종의 데이터 사전으로서, 입력된 데이터에 대하여 사용자의 의도를 정의하기 위한 대표 단어들의 모음을 의미할 수 있다. 예를 들어, 엔티티는 '@나이', '@과목', '@학습 날짜, '@학습량', '@목표 점수', '집중 시간', '@학습 성향' 등을 포함할 수 있다. 예를 들어, 통신 모듈(21)로부터 '하루에 30분씩 수학 공부를 하는데 성적이 오르지 않아'라는 데이터를 수신한 경우, 자연어 처리 모델은 '@과목'에 기초하여 '과목-수학'을 인식할 수 있다.

자연어 처리 모듈(23-1)은 유사한 문장에 대한 정보를 이용하여 자연어 처리 모델을 학습시킴으로써, 문장의 유사도에 기초하여 데이터들을 전처리하는 전처리하는 자연어 처리 모델을 생성할 수 있다. 예를 들어, 자연어 처리 모델은 '하루에 30분씩 수학 공부를 하는데 성적이 오르지 않아'라는 데이터를 수신한 경우, '하루에 30분씩 수학 공부를 하는데 성적이 오르지 않아'라는 문장과 유사한 문장을 참조하여 그에 대응되는 데이터들을 추출하도록 학습될 수 있다.

실시 예에 따라, 자연어 처리 모듈(23-1)은 사용자의 의도에 기초하여 전처리를 수행하는 제1 자연어 처리 모델 및 유사한 문장에 기초하여 전처리를 수행하는 제2 자연어 처리 모델을 모두 생성할 수 있다. 제1 및 제2 자연어 처리 모델을 이용하는 경우, 각 자연어 처리 모델 대하여 임계치 또는 가중치 레벨을 설정함으로써 각 자연어 처리 모델에 의한 처리 정도를 커스텀할 수 있다. 또한, 제1 자연어 처리 모델을 이용하여 제1 전처리를 수행한 후 제2 자연어 처리 모델을 이용하여 제2 전처리를 수행하거나, 제2 자연어 처리 모델을 이용하여 제1 전처리를 수행한 후 제1 자연어 처리 모델을 이용하여 제2 전처리를 수행할 수 있다.

이 경우, 자연어 처리 모듈(23-1)은 제1 전처리를 수행하고, 제1 전처리의 결과에 따라 제2 전처리의 수행 여부를 결정하도록 구성될 수도 있다. 예를 들어, 자연어 처리 모듈(23-1)은 제1 자연어 처리 모델을 이용하여 제1 전처리를 수행하고, 제1 전처리의 결과 값에 대한 정확도에 기초하여 제2 자연어 처리 모델을 이용한 제2 전처리를 생략하거나 수행하도록 구성될 수 있다.

다른 실시 예에서, 제1 자연어 처리 모델 및 제2 자연어 처리 모델을 동시에 이용하여 전처리를 수행할 수도 있다. 자연어 처리 모듈(23-1)을 통해 전처리된 데이터들은 데이터 베이스(도 1의 30)에 저장될 수 있다.

맞춤 정보 생성 모듈(23-2)은 데이터 베이스(도 1의 30)에 저장된 전처리된 데이터들에 기초하여 학습 코칭 모델 및/또는 인성 코칭 모델을 생성할 수 있다. 맞춤 정보 생성 모듈(23-2)은 학습 코칭 모델을 이용하여 대상 데이터에 대한 맞춤 학습 정보를 추출할 수 있고, 인성 코칭 모델을 이용하여 대상 데이터에 대한 맞춤 인성 정보를 추출할 수 있다. 대상 데이터는 학습 코칭 모델 및/또는 인성 코칭 모델을 생성하기 위해 사용된 학생 데이터와 상이한 데이터일 수 있다.

학습 코칭 모델은 하나의 맞춤 학습 정보 또는 복수개의 맞춤 학습 정보들을 추출할 수 있다. 하나의 맞춤 학습 정보만 추출되는 경우 하나의 맞춤 학습 정보가 최종 맞춤 학습 정보로 결정될 수 있다. 복수개의 맞춤 학습 정보들을 추출하는 경우, 하나의 최종 맞춤 학습 정보로 재구성 되거나, 복수개의 맞춤 학습 정보들 중 하나가 최종 맞춤 학습 정보로 결정되거나, 복수개의 맞춤 학습 정보들 모두 출력될 수 있다. 이하에서는 복수개의 맞춤 학습 정보들을 추출하여 하나의 최종 맞춤 학습 정보로 재구성됨으로써 최종 맞춤 학습 정보를 출력하는 경우에 경우에 대하여 설명하나 이에 제한되는 것은 아니다.

인성 코칭 모델은 하나의 맞춤 인성 정보 또는 복수개의 맞춤 인성 정보들을 추출할 수 있다. 하나의 맞춤 인성 정보만 추출되는 경우 하나의 맞춤 인성 정보가 최종 맞춤 인성 정보로 결정될 수 있다. 복수개의 맞춤 인성 정보들을 추출하는 경우, 하나의 최종 맞춤 인성 정보로 재구성 되거나, 복수개의 맞춤 인성 정보들 중 하나가 최종 맞춤 인성 정보로 결정되거나, 복수개의 맞춤 인성 정보들 모두 출력될 수 있다. 이하에서는 복수개의 맞춤 인성 정보들을 추출하여 하나의 최종 맞춤 인성 정보로 재구성됨으로써 최종 맞춤 인성 정보를 출력하는 경우에 대하여 설명하나 이에 제한되는 것은 아니다.

최종 맞춤 학습 정보 및 최종 맞춤 인성 정보는 상세 학습 정보, 요약 학습 정보 및 다각형 레이더 차트 중 적어도 하나를 포함할 수 있다.

맞춤 정보 생성 모듈(23-2)은 전처리된 학생 데이터들 및 수업 데이터들에 기초하여 복수의 맞춤 학습 정보들을 생성하도록 학습 코칭 모델을 학습시킬 수 있다. 학습 코칭 모델은 전처리된 학생 데이터들 및 수업 데이터들 사이에 연관성을 부여함으로써 학생 데이터에 대응하는 복수의 맞춤 학습 정보들을 생성할 수 있다. 예를 들어, 학습 코칭 모델은 전처리된 학생 데이터들 및 전처리된 수업 데이터들을 기 설정된 연관성에 기초하여 맵핑할 수 있다.

학습 코칭 모델은 복수의 맞춤 학습 정보를 모두 출력할 수도 있고, 하나의 최종 맞춤 학습 정보로 재구성하거나 복수의 맞춤 학습 정보들 중 하나를 최종 맞춤 학습 정보로 결정하여 출력할 수도 있다. 최종 맞춤 학습 정보를 결정하기 위해, 학습 코칭 모델은 복수의 맞춤 학습 정보들을 분류 인덱스별로 분류할 수 있다. 학습 코칭 모델은 분류 인덱스에 따라 복수의 맞춤 학습 정보들을 자동으로 분류하도록 학습될 수 있다. 분류 인덱스는 학년, 지역, 수준 중 적어도 일부를 포함할 수 있고, 분류 인덱스는 사용자에 의해 입력, 수정, 삭제될 수 있다.

학습 코칭 모델은 분류된 맞춤 학습 정보들을 최종 맞춤 학습 파라미터에 기초하여 재구성함으로써 최종 맞춤 학습 정보를 생성할 수 있다. 최종 맞춤 학습 파라미터는 정답률, 이해 수준, 학습 시간, 집중 시간, 학생의 의지 중 적어도 일부를 포함할 수 있다. 최종 맞춤 학습 파라미터는 사용자에 의해 가중치가 부여될 수 있다.

학습 코칭 모델의 학습 내용 및 학습 결과는 메모리(22)에 저장될 수 있다. 맞춤 정보 생성 모듈(23-2)은 테스트용 학생 데이터를 학습 코칭 모델에 적용하여 테스트용 정보를 생성할 수 있다. 맞춤 정보 생성 모듈(23-2)은 기 설정된 적합도 측정 정보에 기초하여 테스트용 정보의 적합도를 측정할 수 있다. 그에 따라, 맞춤 정보 생성 모듈(23-2)은 학습 코칭 모델을 재학습 시키거나 상기 학습 코칭 모델을 메모리(23)에 저장할 수 있다. 저장된 학습 코칭 모델에 대상 데이터가 입력될 수 있다.

학습 코칭 모델은 사용자의 입력에 따라 최종 맞춤 학습 파라미터에 따른 분석 정보를 다각형 레이더 차트로써 출력하도록 학습될 수 있다. 학습 코칭 모델은 최종 맞춤 학습 정보를 복수의 문장으로 표현한 상세 학습 정보를 출력하도록 학습될 수 있다. 학습 코칭 모델은 상세 학습 정보를 주요 문장 단위로 요약한 요약 학습 정보를 출력하도록 학습될 수 있다. 학습 코칭 모델은 상세 학습 정보, 요약 학습 정보 및 다각형 레이더 차트 중 적어도 하나를 생성할 수 있다.

맞춤 정보 생성 모듈(23-2)은 전처리된 학생 데이터들 및 경험 데이터들에 기초하여 맞춤 인성 정보를 생성하도록 인성 코칭 모델을 학습시킬 수 있다. 인성 코칭 모델은 전처리된 학생 데이터들 및 경험 데이터들 사이에 연관성을 부여함으로써 학생 데이터에 대응하는 맞춤 인성 정보를 생성할 수 있다. 예를 들어, 인성 코칭 모델은 전처리된 학생 데이터들 및 전처리된 인성 데이터들을 기 설정된 연관성에 기초하여 맵핑할 수 있다.

인성 코칭 모델은 복수의 맞춤 인성 정보를 모두 출력할 수도 있고, 하나의 최종 맞춤 인성정보로 재구성하거나 복수의 맞춤 인성 정보들 중 하나를 최종 맞춤 인성 정보로 결정하여 출력할 수도 있다. 최종 맞춤 인성 정보를 결정하기 위해, 인성 코칭 모델은 복수의 맞춤 인성 정보들을 분류 인덱스별로 분류할 수 있다. 인성 코칭 모델은 분류 인덱스에 따라 복수의 맞춤 인성 정보들을 자동으로 분류하도록 학습될 수 있다. 분류 인덱스는 나이, 환경, 성향 중 적어도 일부를 포함할 수 있고, 분류 인덱스는 사용자에 의해 입력, 수정, 삭제될 수 있다.

인성 코칭 모델은 분류된 맞춤 인성 정보들을 최종 맞춤 인성 파라미터에 기초하여 재구성함으로써 최종 맞춤 인성 정보를 생성할 수 있다. 최종 맞춤 인성 파라미터는 외향성, 상상력, 감정형, 자존감, 생활 환경 중 적어도 일부를 포함할 수 있다. 최종 맞춤 인성 파라미터는 사용자에 의해 가중치가 부여될 수 있다.

인성 코칭 모델의 학습 내용 및 학습 결과는 메모리(22)에 저장될 수 있다. 맞춤 정보 생성 모듈(23-2)은 테스트용 학생 데이터를 인성 코칭 모델에 적용하여 테스트용 맞춤 인성 정보를 생성할 수 있다. 맞춤 정보 생성 모듈(23-2)은 기 설정된 적합도 측정 정보에 기초하여 테스트용 맞춤 인성 정보의 적합도를 측정할 수 있다. 그에 따라, 맞춤 정보 생성 모듈(23-2)은 인성 코칭 모델을 재학습 시키거나 인성 코칭 모델을 메모리(23)에 저장할 수 있다. 저장된 인성 코칭 모델에 대상 데이터가 입력될 수 있다.

인성 코칭 모델은 사용자의 입력에 따라 최종 맞춤 인성 파라미터에 따른 분석 정보를 다각형 레이더 차트로써 출력하도록 학습될 수 있다. 인성 코칭 모델은 최종 맞춤 인성 모델을 복수의 문장으로 표현한 상세 인성 정보를 출력하도록 학습될 수 있다. 인성 코칭 모델은 상세 인성 정보를 주요 문장 단위로 요약한 요약 인성 정보를 출력하도록 학습될 수 있다. 인성 코칭 모델은 상세 인성 정보, 요약 인성 정보 및 다각형 레이더 차트 중 적어도 하나를 생성할 수 있다.

학습 코칭 모델 및 인성 코칭 모델로부터 생성되는 복수의 맞춤 학습 정보들, 복수의 맞춤 인성 정보들, 최종 맞춤 학습 정보 및 최종 맞춤 인성 정보는 데이터 베이스(도 1의 30)에 저장될 수 있다. 또한, 학습 코칭 모델 및 인성 코칭 모델로부터 생성되는 다각형 레이더 차트, 상세 정보 및 요약정보는 데이터 베이스(도 1의 30)에 저장될 수 있다.

대화 관리 모듈(23-3)은 챗봇을 생성할 수 있고, 챗봇을 이용한 메신저 형식의 인터페이스를 제공할 수 있다. 즉, 대화 관리 모듈(23-3)은 메신저 앱에 가상 친구로 등록된 챗봇과 대화를 주고 받을 수 있도록 하는 인스턴스 메시징 서비스를 제공할 수 있다.

대화 관리 모듈(23-3)은 통신 모듈(21)을 통해 수신한 학생 데이터, 수업 데이터 및 경험 데이터를 질문 데이터로써 인식할 수 있고, 이를 자연어 처리 모듈(23-1)로 전송할 수 있다. 즉, 이 경우 상기 데이터들(학생 데이터, 수업 데이터 및 경험 데이터)은 대화 관리 모듈(23-3)에 먼저 입력될 수 있고, 대화 관리 모듈(23-3)에서 질문 데이터로 인식되어 자연어 처리 모듈(23-1)로 전송될 수 있다. 이 경우, 자연어 처리 모듈(23-1)은 주요 단어에 기초하여 학습된 자연어 처리 모델을 이용할 수 있다.

대화 관리 모듈(23-3)은 맞춤 정보 생성 모듈(23-2)을 통해 생성되어 데이터 베이스(도 1의 30)에 저장된 상세 정보 및/또는 요약정보를 수신하여 응답 데이터로써 출력할 수 있다. 대화 관리 모듈(23-3)은 응답 데이터를 통신 모듈(21)로 출력할 수 있고, 그에 따라 사용자의 컴퓨팅 장치(도 1의 10)의 채팅창의 응답 메시지가 표시될 수 있다.

본 개시에 따른 대화 관리 모듈(23-3)은 기존의 챗봇 플랫폼을 제공하는 챗봇 서버와 동일한 역할을 수행할 수 있으나, 예시에 불과하며 도 2의 대화 관리 모듈(23-3)이 이에 제한되는 것은 아니다.

검색 모듈(23-4)은 검색엔진 형식의 인터페이스를 제공할 수 있다. 검색 모듈(23-4)은 컴퓨팅 장치(도 1의 10)의 디스플레이를 통해 출력되는 검색엔진 형식의 인터페이스를 통해 수신하는 학생 데이터, 수업 데이터 및/또는 경험 데이터를 검색 데이터로써 수신할 수 있고, 이를 자연어 처리 모듈(23-1)로 전송할 수 있다. 즉, 이 경우 상기 데이터들(학생 데이터, 수업 데이터 및 경험 데이터)은 검색 모듈(23-4)에 먼저 입력될 수 있고, 검색 모듈(23-4)에서 검색 데이터로 인식되어 자연어 처리 모듈(23-1)로 전송될 수 있다. 이 경우, 자연어 처리 모듈(23-1)은 유사한 문장에 기초하여 학습된 자연어 처리 모델을 이용할 수 있다.

검색 모듈(23-4)은 맞춤 정보 생성 모듈(23-2)을 통해 생성되어 데이터 베이스(도 1의 30)에 저장된 다각형 레이더 차트, 상세 정보 및 요약정보 중 적어도 어느 하나를 수신하여 검색 결과 데이터로써 출력할 수 있다. 검색 모듈(23-4)은 검색 결과 데이터를 통신 모듈(21)로 출력할 수 있고, 그에 따라 사용자의 컴퓨팅 장치(도 1의 10)의 검색 창에 검색 결과가 표시될 수 있다.

본 명세서에서, 학습 관리 서버(20)가 상술한 구성들을 포함하는 것으로 설명하나, 구현 예에 따라서는, 학습 관리 서버(20)는 클라우드 기반의 시스템으로 구현되어, 데이터 수집, 데이터 처리, 데이터 저장, 데이터 표시 및 API 제공 등을 수행하는 서버 또는 장치를 별도로 포함할 수 있다.

도 3은 본 발명의 일 실시 예에 따른 학습 관리 시스템의 딥러닝 모델 생성 방법을 나타내는 순서도이다. 보다 상세하게는, 도 1의 학습 관리 시스템(100)의 학습 코칭 모델 및 인성 코칭 모델을 형성하는 방법(S100)을 나타내는 도면이다. 이하에서는, 도 1 및 도 2를 함께 참조하여 설명한다.

도 3을 참조하면, 딥러닝 모델 생성 방법(S100)은 단계들(S110~S160)을 포함할 수 있다.

단계(S110)에서, 컴퓨팅 장치(도 1의 10)를 통해 수신한 학생 데이터, 수업 데이터 및 경험 데이터를 데이터 베이스(도 1의 30)에 저장할 수 있다. 학생 데이터, 수업 데이터 및 경험 데이터는 정형 또는 비정형 텍스트들을 포함할 수 있다.

단계(S120)에서, 자연어 처리 모듈(도 2의 23-1)에 의해 학생 데이터, 수업 데이터 및 경험 데이터에 포함된 개인 식별 정보가 제거될 수 있다. 단계(S120)은 사용자의 입력에 따라 선택적으로 수행될 수 있다. 단계(S120)은 사용자의 입력에 따라 다양한 방법으로 수행될 수 있다. 예를 들어, 단계(S120)은 학생 데이터, 수업 데이터 및 경험 데이터 중 어느 하나의 데이터에 대하여만 개인 식별 정보를 제거하도록 설정되거나, 사용자가 지정한 특정 데이터에 대하여만 개인 식별 정보를 제거하도록 설정될 수 있다.

단계(S130)에서, 자연어 처리 모델을 이용하여 학생 데이터, 수업 데이터 및 경험 데이터를 전처리할 수 있다. 예를 들어, 비정형 텍스트를 포함하는 학생 데이터, 수업 데이터 및 경험 데이터를 정형 텍스트를 포함하도록 변환할 수 있다. 예를 들어, 정형 및/또는 비정형 텍스트를 포함하는 학생 데이터, 수업 데이터 및 경험 데이터로부터 주요 단어 및/또는 대응되는 문장을 추출할 수 있다.

자연어 처리 모델은 학생 데이터, 수업 데이터 및 경험 데이터를 사용자의 의도에 기초하여 전처리하거나, 유사한 문장에 기초하여 전처리할 수 있다. 사용자의 의도에 기초하여 학생 데이터, 수업 데이터 및 경험 데이터를 전처리하도록 학습된 자연어 처리 모델은 주요 단어에 대한 정보를 이용하여 학습될 수 있다. 유사한 문장에 기초하여 학생 데이터, 수업 데이터 및 경험 데이터를 전처리하도록 학습된 자연어 처리 모델은 유사한 문장에 대한 정보를 이용하여 학습될 수 있다.

실시 예에 따라, 사용자의 의도에 기초하여 전처리를 수행하는 제1 자연어 처리 모델 및 유사한 문장에 기초하여 전처리를 수행하는 제2 자연어 처리 모델을 모두 이용하여 학생 데이터, 수업 데이터 및 경험 데이터를 전처리할 수 있다. 예를 들어, 각 자연어 처리 모델 대하여 임계치 또는 가중치 레벨을 설정함으로써 각 자연어 처리 모델에 의한 처리 정도를 커스텀하여 이용할 수 있다. 예를 들어, 제1 자연어 처리 모델을 이용하여 제1 전처리를 수행하고, 제1 전처리의 결과에 따라 제2 자연어 처리 모델을 이용하여 제2 전처리의 수행 여부를 결정하도록 구성될 수도 있다.

단계(S140)에서, 전처리된 학생 데이터 및 전처리된 수업 데이터를 이용하여 학습 코칭 모델을 생성할 수 있다. 학습 코칭 모델은 딥러닝 모델일 수 있다. 학습 코칭 모델은 전처리된 학생 데이터 및 전처리된 수업 데이터를 이용하여 맞춤 학습 정보를 추출하도록 학습될 수 있다. 학습 코칭 모델은 전처리된 학생 데이터들 및 수업 데이터들 사이에 연관성을 부여함으로써 학생 데이터에 대응하는 맞춤 학습 정보를 생성할 수 있다. 예를 들어, 학습 코칭 모델은 전처리된 학생 데이터들 및 전처리된 수업 데이터들을 기 설정된 연관성에 기초하여 맵핑할 수 있다.

실시 예에 따라, 학습 코칭 모델은 복수의 맞춤 학습 정보들을 추출할 수 있다. 학습 코칭 모델은 복수의 맞춤 학습 정보들을 재구성함으로써 최종 맞춤 학습 정보를 생성할 수 있다. 예를 들어, 학습 코칭 모델은 분류 인덱스에 기초하여 복수의 맞춤 학습 정보들을 자동으로 분류하고, 분류된 맞춤 학습 정보들을 최종 맞춤 학습 파라미터에 기초하여 분석함으로써 최종 맞춤 학습 정보를 결정할 수 있다. 학습 코칭 모델 생성 방법에 대하여는 도 5를 참조하여 보다 상세하게 후술한다.

단계(S150)에서, 전처리된 학생 데이터 및 전처리된 경험 데이터를 이용하여 인성 코칭 모델을 생성할 수 있다. 인성 코칭 모델은 딥러닝 모델일 수 있다. 인성 코칭 모델은 전처리된 학생 데이터 및 전처리된 경험 데이터를 이용하여 맞춤 인성 정보를 추출하도록 학습될 수 있다. 인성 코칭 모델은 전처리된 학생 데이터들 및 경험 데이터들 사이에 연관성을 부여함으로써 학생 데이터에 대응하는 맞춤 인성 정보를 생성할 수 있다. 예를 들어, 인성 코칭 모델은 전처리된 학생 데이터들 및 전처리된 경험 데이터들을 기 설정된 연관성에 기초하여 맵핑할 수 있다.

인성 코칭 모델은 복수의 맞춤 인성 정보들을 추출할 수 있다. 인성 코칭 모델은 복수의 맞춤 인성 정보들을 재구성함으로써 최종 맞춤 인성 정보를 생성할 수 있다. 예를 들어, 인성 코칭 모델은 분류 인덱스에 기초하여 복수의 맞춤 인성 정보들을 자동으로 분류하고, 분류된 맞춤 인성 정보들을 최종 맞춤 인성 파라미터에 기초하여 분석함으로써 최종 맞춤 인성정보를 결정할 수 있다.

단계(S160)에서, 단계들(S140, S150)에서 생성된 학습 코칭 모델 및 인성 코칭 모델을 메모리(도 2의 22)에 저장할 수 있다.

이하에서는 도 5를 참조하여 단계(S140)에 대하여 보다 상세하게 설명하며, 단계(S150)는 학생 데이터 및 경험 데이터를이용하여 단계(S140)과 같은 방법으로 인성 코칭 모델을 생성할 수 있다.

도 4는 본 발명의 일 실시 예에 따른 학습 코칭 모델 생성 방법을 나타내는 순서도이다. 보다 상세하게는, 도 3의 단계(S140)에 대하여 보다 상세하게 설명한다.

도 4를 참조하면, 학습 코칭 모델 생성 방법(S140)은 단계들(S141~S145)을 포함할 수 있다.

단계(S141)에서, 데이터 베이스에 저장된 학생 데이터들 및 수업 데이터들에 기초하여 맞춤 학습 정보를 생성하도록 학습 코칭 모델을 학습시킬 수 있다. 데이터 베이스에 저장된 학생 데이터들 및 수업 데이터들은 단계(도 3의 S130)를 통해 전처리된 데이터들일 수 있다.

단계(S142)에서, 학습 코칭 모델의 학습 내용 및 학습 결과는 메모리(도 2의 22)에 저장될 수 있다.

단계(S143)에서, 테스트용 학생 데이터를 학습 코칭 모델에 적용함으로써 테스트용 정보를 생성할 수 있다. 테스트용 학생 데이터는 학습 코칭 모델이 제대로 학습되었는지 확인하기 위한 데이터로써, 학습 코칭 모델을 학습시키기 위해 이용된 학생 데이터들과 다른 데이터일 수 있다.

단계(S144)에서, 테스트용 정보의 적합도가 측정될 수 있다. 테스트용 정보의 적합도는 테스트용 정보에 대하여 수집된 만족도 정보에 기초하여 결정될 수 있다. 예를 들어, 테스트용 정보에 대하여 리커트 척도로 구성된 만족도 정보를 수집할 수 있다. 만족도 정보를 기 설정된 파라미터에 기초하여 점수화할 수 있다. 기 설정된 파라미터는 테스트용 정보의 정확도, 테스트용 정보에 포함된 단어들과 테스트용 맞춤 학습 정보에 포함된 단어들의 유사 정도, 테스트용 정보의 의도 및 테스트용 맞춤 학습 정보의 주요 단어 등을 포함할 수 있다. 실시 예에 따라, 상기 기 설정된 파라미터 각각은 사용자에 의해 가중치가 입력될 수 있다.

단계(S145)에서, 적합도가 기 설정된 값 이상인지 여부를 판단할 수 있다. 적합도기 기 설정된 값 이상인 경우 단계(S140)가 종료될 수 있다. 예를 들어, 기 설정된 값이 80인 경우, 기 설정된 파라미터에 기초하여 점수화된 적합도가 80 이상이면 단계(S140)가 종료될 수 있다.

단계(S146)에서, 적합도가 기 설정된 값 이하인 경우 학습 코칭 모델을 재학습시킬 수 있다. 예를 들어, 기 설정된 값이 80인 경우, 기 설정된 파라미터에 기초하여 점수화된 적합도가 80 이하면 단계(S141)를 다시 수행할 수 있다.

도 5는 본 발명의 일 실시 예에 따른 학습 관리 시스템의 맞춤 학습 정보 제공 방법을 나타내는 순서도이다. 보다 상세하게는, 도 5는 학습 관리 시스템(도 1의 100)의 맞춤 습 정보 제공 방법(S200)은 도 3 및 도 4에서 생성된 딥러닝 모델들을 적용하여 맞춤 학습 정보를 제공하는 방법을 설명하기 위한 순서도일 수 있다. 이하에서는 도 1 내지 도 4를 모두 참조하여 설명한다.

도 5를 참조하면, 맞춤 학습 정보 제공 방법(S200)은 단계들(S210~S270)을 포함할 수 있다.

단계(S210)에서, 컴퓨팅 장치(도 1의 10)로부터 입력받은 대상 데이터를 데이터 베이스(도 1의 30)에 저장할 수 있다. 대상 데이터는 사용자에 의해 입력될 수 있다. 대상 데이터는 사용자에 의해 도 2의 대화 관리 모듈(23-3)로부터 제공되는 채팅창 형식의 UI 또는 검색 모듈(23-4)로부터 제공되는 검색 엔진 형식의 UI를 통해 입력될 수 있다. 대화 관리 모듈(도 2의 23-3)는 입력된 대상 데이터를 질문 데이터로써 인식할 수 있고, 질문 데이터로 인식된 대상 데이터를 자연어 처리 모듈(도 2의 23-1)로 전송할 수 있다. 검색 모듈(도 2의 23-4)는 입력된 대상 데이터를 검색 데이터로써 인식할 수 있고, 검색 데이터로 인식된 대상 데이터를 자연어 처리 모듈(도 2의 23-1)로 전송할 수 있다.

단계(S220)에서, 자연어 처리 모듈(도 2의 23-1)에 의해 대상 데이터에 포함된 개인 식별 정보가 제거될 수 있다. 단계(S220)은 사용자의 입력에 따라 선택적으로 수행될 수 있다. 예를 들어, 대화 관리 모듈(도 2의 23-3) 및 검색 모듈(도 2의 23-4)에서 자연어 처리 모듈(도 2의 23-1)로 전송되는 대상 데이터는 단계(S220)을 수행한 후 자연어 처리 모듈(도 2의 23-1)로 전송될 수 있다.

단계(S230)에서, 자연어 처리 모델을 이용하여 대상 데이터를 전처리할 수 있다. 예를 들어, 자연어 처리 모델은 정형 및/또는 비정형 텍스트를 포함하는 대상 데이터를 정형 텍스트만 포함하는 데이터로 변환할 수 있다. 예를 들어, 자연어 처리 모델은 정형 및/또는 비정형 텍스트를 포함하는 대상 데이터로부터 주요 단어 및/또는 대응되는 문장을 추출할 수 있다. 자연어 처리 모델은 대상 데이터를 사용자의 의도에 기초하여 전처리하거나, 유사한 문장에 기초하여 전처리할 수 있다.

단계(S240)에서, 전처리된 대상 데이터를 학습 코칭 모델에 적용함으로써 최종 맞춤 학습 정보를 추출할 수 있다. 학습 코칭 모델은 도 3 및 도 4의 단계(S140)을 통해 생성되어 메모리에 저장된 딥러닝 모델일 수 있다. 학습 코칭 모델은 전처리된 대상 데이터에 대응되는 맞춤 학습 정보를 추출할 수 있다.

학습 코칭 모델은 하나의 맞춤 학습 정보를 추출할 수도 있고 복수의 맞춤 학습 정보를 추출할 수도 있다. 하나의 맞춤 학습 정보를 추출하는 경우, 하나의 맞춤 학습 정보가 최종 맞춤 학습 정보로 결정될 수 있다. 복수의 맞춤 학습 정보들을 추출하는 경우, 분류 인덱스에 기초하여 복수의 맞춤 학습 정보들을 자동으로 분류하고, 분류된 맞춤 학습 정보들을 최종 맞춤 학습 파라미터에 기초하여 분석함으로써 최종 맞춤 학습 정보를 생성할 수 있다. 다른 실시 예에서, 복수의 맞춤 학습 정보들 중 최종 맞춤 학습 정보를 결정하거나, 복수개의 맞춤 학습 정보들을 모두 출력할 수 있다.

학습 코칭 모델은 최종 맞춤 학습 정보에 대한 상세 학습 정보 및 요약 학습 정보 중 적어도 하나를 생성할 수 있고, 기 설정된 파라미터에 기초한 다각형 레이더 차트를 추가로 생성할 수 있다. 맞춤 학습 정보의 출력 방법에 대하여는 도 6을 참조하여 보다 상세하게 후술한다.

단계(S250)에서, 전처리된 대상 데이터를 인성 코칭 모델에 적용함으로써 맞춤 인성 정보를 추출할 수 있다. 인성 코칭 모델은 도 3의 단계(S150)을 통해 생성되어 메모리에 저장된 딥러닝 모델일 수 있다. 인성 코칭 모델은 전처리된 대상 데이터에 대응되는 맞춤 인성 정보를 추출할 수 있다.

인성 코칭 모델은 하나의 맞춤 인성 정보를 추출할 수도 있고 복수개의 맞춤 인성 정보를 추출할 수도 있다. 하나의 맞춤 인성 정보를 추출하는 경우, 하나의 맞춤 인성 정보가 최종 맞춤 인성 정보로 결정될 수 있다. 복수의 맞춤 인성 정보들을 추출하는 경우, 분류 인덱스에 기초하여 복수의 맞춤 인성정보들을 자동으로 분류하고, 분류된 맞춤 인성 정보들을 최종 맞춤 인성 파라미터에 기초하여 분석함으로써 최종 맞춤 인성 정보를 결정할 수 있다. 다른 실시 예에서, 복수의 맞춤 인성정보들 중 최종 맞춤 인성 정보를 결정하거나, 복수개의 맞춤 인성 정보들을 모두 출력할 수 있다.

인성 코칭 모델은 최종 맞춤 인성 정보에 대한 상세 인성 정보 및 요약 인성 정보 중 적어도 하나를 생성할 수 있고, 기 설정된 파라미터에 기초한 다각형 레이더 차트를 추가로 생성할 수 있다. 맞춤 인성 정보의 출력 방법은 도 6을 참조하여 설명되는 맞춤 학습 정보의 출력 방법과 같은 방법으로 구성될 수 있다.

단계(S260)에서, 단계들(S240, S250)로부터 출력된 최종 맞춤 학습 정보 및 최종 맞춤 인성 정보를 컴퓨팅 장치(도 1의 10)를 통해 출력할 수 있다. 단계들(S240, S250)로부터 출력된 최종 맞춤 학습 정보 및 최종 맞춤 인성 정보는 도 2의 대화 관리 모듈(23-3)로부터 제공되는 채팅창 형식의 UI 또는 검색 모듈(23-4)로부터 제공되는 검색 엔진 형식의 UI를 통해 출력될 수 있다.

대화 관리 모듈(도 2의 23-3)는 단계들(S240, S250)로부터 출력된 최종 맞춤 학습 정보 및 최종 맞춤 인성 정보를 응답 데이터로써 인식할 수 있고, 응답 데이터로 인식된 최종 맞춤 학습 정보 및 최종 맞춤 인성 정보를 컴퓨팅 장치(도 1의 10)로 출력할 수 있다.

검색 모듈(도 2의 23-4)은 단계들(S240, S250)로부터 출력된 최종 맞춤 학습 정보 및 최종 맞춤 인성 정보를 검색 결과 데이터로써 인식할 수 있고, 검색 결과 데이터로 인식된 최종 맞춤 학습 정보 및 최종 맞춤 인성 정보를 컴퓨팅 장치(도 1의 10)로 출력할 수 있다.

단계(S270)에서, 컴퓨팅 장치(도 1의 10)로 출력된 최종 맞춤 학습 정보 및 최종 맞춤 인성 정보에 대하여 수집된 만족도 정보에 기초하여 학습 코칭 모델 및/또는 인성 코칭 모델을 업데이트할 수 있다. 이에 대하여는 후술되는 도 7을 참조하여 보다 상세하게 설명한다.

도 6은 본 발명의 일 실시 예에 따른 맞춤 학습 정보의 추출 방법을 나타내는 순서도이다. 보다 상세하게는 도 5의 단계(S240)에서 맞춤 학습 정보를 출력하는 방법을 설명하기 위한 순서도이다. 이하에서는 도 1 내지 도 5를 함께 참조하여 설명한다.

도 6을 참조하면, 최종 맞춤 학습 정보를 결정하는 단계(S240)는 단계들(S241~S246)을 포함할 수 있다.

단계(S241)에서, 학습 코칭 모델을 이용하여 하나의 맞춤 학습 정보 또는 복수의 맞춤 학습 정보들 추출할 수 있다. 맞춤 학습 정보의 개수는 사용자에 의해 결정될 수 있다.

단계(S242)에서, 맞춤 학습 정보의 개수가 판단될 수 있다. 맞춤 학습 정보가 한 개만 추출된 경우 단계(S244)가 수행되고, 복수개가 추출된 경우 단계(S243)가 수행될 수 있다.

단계(S243)에서, 학습 코칭 모델은 복수의 맞춤 학습 정보들을 분류 인덱스별로 분류할 수 있다. 학습 코칭 모델은 복수의 맞춤 학습 정보들을 자동으로 분류할 수 있다. 분류 인덱스는 학년, 지역, 수준 등을 포함할 수 있다. 이하에서는 학년, 지연, 수준을 포함하는 분류 인덱스를 기준으로 설명하나 본 개시에 따른 실시예가 이에 제한되는 것은 아니며 다른 실시예에서 다양한 분류 인덱스를 포함할 수 있다.

단계(S244)에서, 학습 코칭 모델이 하나의 맞춤 학습 정보만을 추출하는 경우, 하나의 맞춤 학습 정보는 최종 맞춤 학습 정보로 결정될 수 있다.

학습 코칭 모델이 복수의 맞춤 학습 정보들을 추출하는 경우, 학습 코칭 모델은 분류된 맞춤 학습 정보들을 최종 맞춤 학습 파라미터에 기초하여 재구성함으로써 최종 맞춤 학습 정보를 생성할 수 있다. 최종 맞춤 학습 파라미터는 정답률, 이해 수준, 학습 시간, 집중 시간, 학생의 의지 중 적어도 일부를 포함할 수 있다. 사용자는 최종 맞춤 학습 파라미터에 가중치를 부여할 수 있다. 그에 따라 다양한 최종 맞춤 학습 정보가 생성될 수 있다.

다른 실시예에서, 학습 코칭 모델은 분류된 맞춤 학습 정보들을 최종 맞춤 학습 파라미터에 기초하여 분석함으로써 복수의 맞춤 학습 정보들 중 하나를 최종 맞춤 학습 정보로써 결정할 수 있다. 그러나 이에 제한되지 않으며, 사용자의 입력에 따라 단계(S243)가 생략되고 복수의 맞춤 학습 정보를 모두 출력할 수도 있다.

단계(S245)에서, 학습 코칭 모델은 최종 맞춤 학습 정보에 대한 상세 학습 정보 및 요약 학습 정보를 생성할 수 있다. 상세 학습 정보는 최종 맞춤 학습 정보를 복수의 문장들로 표현한 데이터일 수 있고, 요약 학습 정보는 상세 학습 정보에 포함된 복수의 문장들 중 주요 문장들로 구성된 데이터일 수 있다.

단계(S246)에서, 학습 코칭 모델은 다각형 레이더 차트를 생성할 수 있다. 다각형 레이더 차트는 최종 맞춤 학습 파라미터에 기초하여 생성될 수 있다. 예를 들어, 다각형 레이더 차트는 단계(S241)를 통해 분류된 복수의 맞춤 학습 데이터들을 정답률, 이해 수준, 학습 시간, 집중 시간, 학생의 의지에 따라 분석한 결과를 다각형 이미지로 표현한 데이터일 수 있다.

도 7은 본 발명의 일 실시 예에 따른 학습 코칭 모델 업데이트 방법을 나타내는 순서도이다. 상세하게는, 도 7은 도 5의 단계(S270)를 보다 상세하게 설명하기 위한 도면이다. 이하에서는 도 1 내지 도 6을 함께 참조하여 설명한다.

도 7을 참조하면, 단계(S270)는 단계들(S271~S273)을 포함할 수 있다.

단계(S271)에서, 최종 맞춤 학습 정보에 대한 신뢰도 정보를 수집할 수 있다. 신뢰도 정보는 리커트 척도로 구성될 수 있다.

단계(S272)에서, 신뢰도 정보에 기초하여 최종 맞춤 학습 정보 및/또는 최종 맞춤 인성 정보의 점수를 계산할 수 있다. 상기 점수가 기 설정된 값 이상인 경우 단계(S270)은 종료될 수 있고, 상기 점수가 기 설정된 값 이하인 경우 단계(S273)가 수행될 수 있다.

단계(S73)에서, 학습 코칭 모델 및/또는 인성 코칭 모델을 업데이트할 수 있다. 이 때, 대상 데이터는 딥러닝 모델을 업데이트하기 위해 이용될 수 있다.

이상에서 전술한 본 발명의 일 실시 예에 따른 학습 관리 시스템의 학습 정보 제공 방법은, 하드웨어인 컴퓨터와 결합되어 실행되기 위해 프로그램(또는 어플리케이션)으로 구현되어 매체에 저장될 수 있다. 여기서, 컴퓨터는 앞에서 설명한 컴퓨팅 장치(10) 또는 학습 관리 서버(20)일 수 있다.

상기 전술한 프로그램은, 상기 컴퓨터가 프로그램을 읽어 들여 프로그램으로 구현된 상기 방법들을 실행시키기 위하여, 상기 컴퓨터의 프로세서(CPU)가 상기 컴퓨터의 장치 인터페이스를 통해 읽힐 수 있는 C, C++, Python, JAVA, 기계어 등의 컴퓨터 언어로 코드화된 코드(Code)를 포함할 수 있다. 이러한 코드는 상기 방법들을 실행하는 필요한 기능들을 정의한 함수 등과 관련된 기능적인 코드(Functional Code)를 포함할 수 있고, 상기 기능들을 상기 컴퓨터의 프로세서가 소정의 절차대로 실행시키는데 필요한 실행 절차 관련 제어 코드를 포함할 수 있다. 또한, 이러한 코드는 상기 기능들을 상기 컴퓨터의 프로세서가 실행시키는데 필요한 추가 정보나 미디어가 상기 컴퓨터의 내부 또는 외부 메모리의 어느 위치(주소 번지)에서 참조되어야 하는지에 대한 메모리 참조관련 코드를 더 포함할 수 있다. 또한, 상기 컴퓨터의 프로세서가 상기 기능들을 실행시키기 위하여 원격(Remote)에 있는 어떠한 다른 컴퓨터나 서버 등과 통신이 필요한 경우, 코드는 상기 컴퓨터의 통신 모듈을 이용하여 원격에 있는 어떠한 다른 컴퓨터나 서버 등과 어떻게 통신해야 하는지, 통신 시 어떠한 정보나 미디어를 송수신해야 하는지 등에 대한 통신 관련 코드를 더 포함할 수 있다.

본 발명의 실시 예와 관련하여 설명된 방법 또는 알고리즘의 단계들은 하드웨어로 직접 구현되거나, 하드웨어에 의해 실행되는 소프트웨어 모듈로 구현되거나, 또는 이들의 결합에 의해 구현될 수 있다. 소프트웨어 모듈은 RAM(Random Access Memory), ROM(Read Only Memory), EPROM(Erasable Programmable ROM), EEPROM(Electrically Erasable Programmable ROM), 플래시 메모리(Flash Memory), 하드 디스크, 착탈형 디스크, CD-ROM, 또는 본 발명이 속하는 기술 분야에서 잘 알려진 임의의 형태의 컴퓨터 판독가능 기록매체에 상주할 수도 있다.

이상, 첨부된 도면을 참조로 하여 본 발명의 실시 예를 설명하였지만, 본 발명이 속하는 기술분야의 통상의 기술자는 본 발명이 그 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 실시될 수 있다는 것을 이해할 수 있을 것이다. 그러므로, 이상에서 기술한 실시 예들은 모든 면에서 예시적인 것이며, 제한적이 아닌 것으로 이해해야만 한다.

Claims (10)

1. 학습 관리 시스템의 학습 정보 제공 방법으로서,
   나이, 학습 습관, 이해 수준, 취약점 및 학부모 전달사항을 포함한 학생 데이터와, 과목, 수업 회차, 진도, 수업 내용, 과제 및 달성률을 포함한 수업 데이터 및 학생의 성향, 코치의 성향, 사건, 문제점, 해결 방법 및 상기 해결 방법에 대한 효과를 포함한 경험 데이터를 데이터 베이스에 저장하는 단계;
   자연어 처리 모델을 이용하여 정형 또는 비정형 텍스트를 포함하는 상기 학생 데이터, 상기 수업 데이터 및 상기 경험 데이터를 전처리하는 단계;
   상기 전처리된 학생 데이터 및 수업 데이터 사이에 연관성을 부여함으로써, 입력되는 학생 데이터에 따라 맞춤 학습 정보를 출력하도록 학습 코칭 모델을 생성하는 단계;
   상기 전처리된 학생 데이터 및 경험 데이터 사이에 연관성을 부여함으로써, 입력되는 학생 데이터에 따라 맞춤 인성 정보를 출력하도록 인성 코칭 모델을 형성하는 단계; 및
   상기 학습 코칭 모델 및 상기 인성 코칭 모델을 메모리에 저장하는 단계
   를 포함하는 학습 정보 제공 방법.
2. 제1항에 있어서,
   상기 학습 코칭 모델 및 상기 인성 코칭 모델을 형성하기 위해 이용된 상기 학생 데이터, 상기 수업 데이터 및 상기 경험 데이터와 상이한 데이터인 대상 데이터를 데이터 베이스에 저장하는 단계;
   상기 자연어 처리 모델을 이용하여 정형 또는 비정형 텍스트를 포함하는 상기 대상 데이터를 전처리하는 단계;
   상기 전처리된 대상 데이터를 상기 메모리에 저장된 학습 코칭 모델에 적용함으로써 상기 전처리된 대상 데이터에 대한 최종 맞춤 학습 정보를 추출하는 단계; 및
   상기 최종 맞춤 학습 정보를 스마트폰, 태블릿, PC 및 노트북 중 적어도 하나를 포함하는 컴퓨팅 장치를 이용하여 출력하는 단계
   를 더 포함하는 학습 정보 제공 방법.
3. 제2항에 있어서,
   상기 전처리된 대상 데이터를 상기 메모리에 저장된 인성 코칭 모델에 적용함으로써 상기 전처리된 대상 데이터에 대한 최종 맞춤 인성 정보를 추출하는 단계; 및
   상기 최종 맞춤 인성 정보를 스마트폰, 태블릿, PC 및 노트북 중 적어도 하나를 포함하는 컴퓨팅 장치를 이용하여 출력하는 단계
   를 더 포함하는 학습 정보 제공 방법.
4. 제3항에 있어서,
   상기 학습 코칭 모델을 생성하는 단계는,
   상기 학습 코칭 모델의 학습 내용 및 학습 결과를 상기 메모리에 저장하는 단계;
   테스트용 학생 데이터를 상기 학습 코칭 모델에 적용함으로써 테스트용 맞춤 학습 정보를 추출하는 단계;
   상기 테스트용 맞춤 학습 정보의 적합도를 측정하는 단계; 및
   상기 테스트용 정보의 적합도가 기 설정된 값 이상인 경우 상기 학습 코칭 모델을 상기 메모리에 저장하고, 상기 테스트용 정보에 대한 적합도가 기 설정된 값 이하인 경우 상기 학습 코칭 모델을 재학습시키는 단계
   를 더 포함하는 것을 특징으로 하는 학습 정보 제공 방법.
5. 제4항에 있어서,
   상기 최종 맞춤 학습 정보를 추출하는 단계는,
   상기 전처리된 대상 데이터를 상기 메모리에 저장된 학습 코칭 모델에 적용함으로써 상기 전처리된 대상 데이터에 대한 맞춤 학습 정보를 추출하는 단계;
   상기 맞춤 학습 정보의 개수를 판단하여, 상기 맞춤 학습 정보가 한 개인 경우, 상기 하나의 맞춤 학습 정보를 최종 맞춤 학습 정보로 결정하는 단계;
   상기 맞춤 학습 정보의 개수를 판단하여, 상기 맞춤 학습 정보가 복수인 경우, 상기 복수의 맞춤 학습 정보들을 분류 인덱스 별로 분류하고, 상기 분류 인덱스는 학년, 지역 및 수준을 포함하는 단계; 및
   상기 분류된 맞춤 학습 정보들을 최종 맞춤 학습 파라미터에 기초하여 재구성함으로써 최종 맞춤 학습 정보를 생성하고, 상기 최종 맞춤 학습 파라미터는 정답률, 이해 수준, 학습 시간, 집중 시간 및 학생의 의지를 포함하는 단계
   를 포함하는 것을 특징으로 하는 학습 정보 제공 방법.
6. 제5항에 있어서,
   상기 최종 맞춤 학습 정보를 추출하는 단계는,
   상기 최종 맞춤 학습 정보를 복수의 문장들로 나타낸 상세 학습 정보 및 상기 상세 학습 정보에 포함된 상기 복수의 문장들을 주요 문장 단위로 요약한 요약 학습 정보를 생성하는 단계; 및
   상기 분류된 맞춤 학습 정보들을 상기 최종 맞춤 학습 파라미터에 기초하여 분석한 다각형 레이더 차트를 생성하는 단계
   를 더 포함하는 것을 특징으로 하는 학습 정보 제공 방법.
7. 제6항에 있어서,
   상기 학생 데이터, 상기 수업 데이터 및 상기 경험 데이터를 전처리하는 단계는,
   상기 학생 데이터, 상기 수업 데이터 및 상기 경험 데이터에 포함된 개인 식별 정보를 제거하는 단계를 더 포함하고,
   상기 대상 데이터를 전처리하는 단계는,
   상기 대상 데이터에 포함된 개인 식별 정보를 제거하는 단계를 더 포함하는 것을 특징으로 하는 학습 정보 제공 방법.
8. 제7항에 있어서,
   상기 최종 맞춤 학습 정보에 대한 신뢰도 정보를 수집하는 단계-상기 신뢰도 정보는 리커트 척도로 구성됨-; 및
   상기 신뢰도 정보에 기초하여 계산된 점수가 기 설정된 값보다 낮은 경우, 상기 대상 데이터를 이용하여 상기 학습 코칭 모델을 업데이트하는 단계
   를 더 포함하는 것을 특징으로 하는 학습 정보 제공 방법.
9. 제1항 내지 제8항 중 어느 한 항의 학습 정보 제공 방법을 수행하는 프로그램이 저장된 컴퓨터로 기록 가능한 기록 매체.
10. 학습 관리 서버로서,
    하나 이상의 프로세서; 및
    상기 프로세서와 전기적으로 연결되고 상기 프로세서에서 수행되는 적어도 하나의 코드(Code)가 저장된 메모리를 포함하며,
    상기 메모리는, 상기 프로세서를 통해 실행될 때, 상기 프로세서가,
    나이, 학습 습관, 이해 수준, 취약점 및 학부모 전달사항을 포함한 학생 데이터와, 과목, 수업 회차, 진도, 수업 내용, 과제 및 달성률을 포함한 수업 데이터 및 학생의 성향, 코치의 성향, 사건, 문제점, 해결 방법 및 상기 해결 방법에 대한 효과를 포함한 경험 데이터를 데이터 베이스에 저장하고,
    자연어 처리 모델을 이용하여 정형 또는 비정형 텍스트를 포함하는 상기 학생 데이터, 상기 수업 데이터 및 상기 경험 데이터를 전처리하고,
    상기 전처리된 학생 데이터 및 수업 데이터 사이에 연관성을 부여하여, 입력되는 학생 데이터에 따라 맞춤 학습 정보를 출력하도록 학습 코칭 모델을 생성하고,
    상기 학습 코칭 모델을 이용하여 대상 데이터에 대한 맞춤 학습 정보를 추출하고,
    상기 대상 데이터에 대한 맞춤 학습 정보를 스마트폰, 태블릿, PC 및 노트북 중 적어도 하나를 포함하는 컴퓨팅 장치를 이용하여 출력하도록 야기하는 코드가 저장된, 학습 관리 서버.

Images