KR20230066969A - 학습자 맞춤형 수학 교육 시스템 - Google Patents
학습자 맞춤형 수학 교육 시스템 Download PDFInfo
- Publication number
- KR20230066969A KR20230066969A KR1020210152557A KR20210152557A KR20230066969A KR 20230066969 A KR20230066969 A KR 20230066969A KR 1020210152557 A KR1020210152557 A KR 1020210152557A KR 20210152557 A KR20210152557 A KR 20210152557A KR 20230066969 A KR20230066969 A KR 20230066969A
- Authority
- KR
- South Korea
- Prior art keywords
- learner
- math
- difficulty
- state
- solution
- Prior art date
Links
- 238000000034 method Methods 0.000 claims abstract description 47
- 230000033001 locomotion Effects 0.000 claims abstract description 28
- 230000008569 process Effects 0.000 claims abstract description 22
- 210000001747 pupil Anatomy 0.000 claims abstract description 11
- 230000000193 eyeblink Effects 0.000 claims abstract description 5
- 238000001514 detection method Methods 0.000 claims abstract description 4
- 230000006870 function Effects 0.000 claims description 32
- 230000001149 cognitive effect Effects 0.000 claims description 15
- 239000013598 vector Substances 0.000 claims description 15
- 230000006399 behavior Effects 0.000 claims description 12
- 206010027175 memory impairment Diseases 0.000 claims description 10
- 230000007958 sleep Effects 0.000 claims description 9
- 230000003542 behavioural effect Effects 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 5
- 230000014509 gene expression Effects 0.000 claims description 3
- 230000007423 decrease Effects 0.000 claims 1
- 238000004891 communication Methods 0.000 description 48
- 238000012545 processing Methods 0.000 description 27
- 238000013528 artificial neural network Methods 0.000 description 22
- 238000007726 management method Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 10
- 238000004364 calculation method Methods 0.000 description 9
- 238000012546 transfer Methods 0.000 description 5
- 238000013473 artificial intelligence Methods 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 230000004622 sleep time Effects 0.000 description 4
- 210000004027 cell Anatomy 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000004397 blinking Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- VKWMGUNWDFIWNW-UHFFFAOYSA-N 2-chloro-1,1-dioxo-1,2-benzothiazol-3-one Chemical compound C1=CC=C2S(=O)(=O)N(Cl)C(=O)C2=C1 VKWMGUNWDFIWNW-UHFFFAOYSA-N 0.000 description 1
- 206010057342 Onychophagia Diseases 0.000 description 1
- 208000032140 Sleepiness Diseases 0.000 description 1
- 206010041349 Somnolence Diseases 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 230000010267 cellular communication Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 239000004020 conductor Substances 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000003155 kinesthetic effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000000284 resting effect Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 230000037321 sleepiness Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000005236 sound signal Effects 0.000 description 1
- 230000000638 stimulation Effects 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
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
- G06Q50/205—Education administration or guidance
- G06Q50/2057—Career enhancement or continuing education service
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/901—Indexing; Data structures therefor; Storage structures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/903—Querying
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/903—Querying
- G06F16/9035—Filtering based on additional data, e.g. user or group profiles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
- G06F3/048—Interaction techniques based on graphical user interfaces [GUI]
- G06F3/0487—Interaction techniques based on graphical user interfaces [GUI] using specific features provided by the input device, e.g. functions controlled by the rotation of a mouse with dual sensing arrangements, or of the nature of the input device, e.g. tap gestures based on pressure sensed by a digitiser
- G06F3/0488—Interaction techniques based on graphical user interfaces [GUI] using specific features provided by the input device, e.g. functions controlled by the rotation of a mouse with dual sensing arrangements, or of the nature of the input device, e.g. tap gestures based on pressure sensed by a digitiser using a touch-screen or digitiser, e.g. input of commands through traced gestures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/18—Eye characteristics, e.g. of the iris
- G06V40/19—Sensors therefor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/20—Movements or behaviour, e.g. gesture recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30041—Eye; Retina; Ophthalmic
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- General Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Educational Technology (AREA)
- Strategic Management (AREA)
- Multimedia (AREA)
- Tourism & Hospitality (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Human Resources & Organizations (AREA)
- Computational Linguistics (AREA)
- Economics (AREA)
- Primary Health Care (AREA)
- General Business, Economics & Management (AREA)
- Ophthalmology & Optometry (AREA)
- Marketing (AREA)
- Software Systems (AREA)
- Psychiatry (AREA)
- Social Psychology (AREA)
- User Interface Of Digital Computer (AREA)
Abstract
일 실시예에 따르면, 학습자 맞춤형 수학 교육 시스템이 제공된다. 학습자 맞춤형 수학 교육 시스템은, 학습자에 의한 수학 문제의 풀이 과정을 입력 받는 터치 스크린을 포함하는 학습자 단말; 상기 학습자의 모션, 동공의 움직임, 눈의 깜박임 속도를 포함하는 상기 학습자의 생체신호를 수집하는 생체신호 검출부; 및 중앙 서버; 를 포함하고, 상기 중앙 서버는: 데이터베이스를 포함하고, 상기 데이터베이스는 복수의 수학 문제들을 저장하고, 상기 학습자 단말로부터 상기 학습자의 학습자 상태 정보 및 학습 이력을 포함하는 학습자 정보를 수신하고, 상기 학습자 정보에 기반하여 상기 수학 문제들 각각의 초기 난이도를 산출하고, 상기 초기 난이도는 상급 난이도, 중급 난이도 또는 하급 난이도로 분류되고, 상기 중급 난이도에 대응하는 수학 문제를 상기 학습자 단말로 전송하고, 상기 학습자 단말로부터 상기 학습자의 상기 수학 문제에 대한 풀이 시간, 풀이 과정 및 풀이 결과를 포함하는 풀이 정보를 수신하고, 상기 학습자의 모션 및 동공의 움직임을 인식하여 상기 학습자의 집중도를 분석하고, 상기 학습자의 눈의 깜박임 속도에 기반하여 상기 학습자의 피로도를 분석하고, 상기 학습자의 상기 풀이 정보, 상기 집중도 및 상기 피로도에 기반하여 상기 학습자 상태 정보를 조정하고, 상기 풀이 정보에 기반하여 상기 수학 문제들 각각의 초기 난이도를 맞춤 난이도로 조정하고, 상기 조정된 학습자 상태 정보를 기초로 상기 조정된 맞춤 난이도에 대응하는 수학 문제를 상기 학습자 단말로 전송할 수 있다.
Description
본 발명의 실시예들은 학습자 맞춤형 수학 교육 시스템에 관한 것으로써, 보다 상세하게는 학습자의 학습자 상태 정보와 수학 문제들의 맞춤 난이도에 따라, 사용자에게 맞춤형 수학 문제를 제공하는 시스템에 관한 것이다.
교육 방법이 다양화되면서 기존의 오프라인 기반의 교육 기관이 주도되었으나 오늘날에는 온라인 교육 시스템이 도입되어 학습자의 선택의 폭이 넓어지고 있다. 교육 학습 서비스에 네트워크 기반 기술이 도입되면서 교육 기관으로의 거리, 시간에 구애받지 않고 학습할 수 있는 온라인 교육 시스템으로 인해 교육 시스템의 구조적 변화가 도래되고 있다.
실시예들은, 학습자에게 맞춤형 수학 교육 문제를 제공할 수 있는 수학 교육 시스템을 제공한다.
실시예들에서 이루고자 하는 기술적 과제들은 이상에서 언급한 사항들로 제한되지 않으며, 언급하지 않은 또 다른 기술적 과제들은 이하 설명할 다양한 실시예들로부터 당해 기술분야에서 통상의 지식을 가진 자에 의해 고려될 수 있다.
일 실시예에 따른 학습자 맞춤형 수학 교육 시스템은, 학습자에 의한 수학 문제의 풀이 과정을 입력 받는 터치 스크린을 포함하는 학습자 단말; 상기 학습자의 모션, 동공의 움직임, 눈의 깜박임 속도를 포함하는 상기 학습자의 생체신호를 수집하는 생체신호 검출부; 및 중앙 서버를 포함하고, 상기 중앙 서버는, 복수의 수학 문제들을 저장하는 데이터베이스를 포함하고, 상기 학습자 단말로부터 상기 학습자의 학습자 상태 정보 및 학습 이력을 포함하는 학습자 정보를 수신하고, 상기 학습자 정보에 기반하여 상기 수학 문제들 각각의 초기 난이도를 산출하고, 상기 초기 난이도는 상급 난이도, 중급 난이도 또는 하급 난이도로 분류되고, 상기 중급 난이도에 대응하는 수학 문제를 상기 학습자 단말로 전송하고, 상기 학습자 단말로부터 상기 학습자에 의해 풀이된 상기 중급 난이도에 대응하는 수학 문제에 대한 풀이 시간, 풀이 과정 및 풀이 결과를 포함하는 풀이 정보를 수신하고, 상기 학습자의 모션 및 동공의 움직임을 인식하여 상기 학습자의 집중도를 분석하고, 상기 학습자의 눈의 깜박임 속도에 기반하여 상기 학습자의 피로도를 분석하고, 상기 학습자의 상기 풀이 정보, 상기 집중도 및 상기 피로도에 기반하여 상기 학습자 상태 정보를 조정하고, 상기 풀이 정보에 기반하여 상기 수학 문제들 각각의 초기 난이도를 맞춤 난이도로 조정하고, 상기 조정된 학습자 상태 정보를 기초로 상기 맞춤 난이도에 대응하는 수학 문제를 상기 학습자 단말로 전송할 수 있다.
상기 학습이력은 상기 학습자의 동영상 강의의 수강이력, 상기 학습자의 수학 문제에 대한 풀이 이력 및 과거 난이도를 포함하고, 상기 학습자의 동영상 강의의 수강이력은 상기 동영상 강의의 종료 시각 및 현재 시각 간의 차이를 나타내는 학습 경과 시간을 포함하고, 제1 그룹, 제2 그룹 및 제3 그룹은 각각 동일한 공식을 이용하여 풀이될 수 있는 수학 문제들을 포함하고, 상기 중앙 서버는 상기 수학 문제들을 상기 제1 그룹, 상기 제2 그룹 및 상기 제3 그룹 중 적어도 하나로 분류하고, 상기 동영상 강의의 수강이력, 상기 풀이 이력 및 상기 과거 난이도에 기반하여 상기 학습자의 상기 학습 망각도를 산출하고, 상기 학습 망각도 및 상기 동일한 그룹에 속한 수학 문제의 전체 문제에 대한 정답률에 기반하여 상급 난이도, 중급 난이도 또는 하급 난이도 중의 하나로 상기 수학 문제들 각각의 초기 난이도를 산출할 수 있다.
상기 중앙 서버는, 상기 학습경과시간, 상기 종료 시각 이후 상기 학습자에 의해 풀이된 풀이 문제의 수, 상기 풀이 문제 중 상기 학습자에 의해 풀이된 상기 중급 난이도에 대응하는 수학 문제와 동일한 그룹에 속한 수학 문제의 수 및 상기 풀이 문제의 과거 난이도에 기반하여 학습 망각도를 산출할 수 있다.
상기 학습자 상태 정보는 제1 상태, 제2 상태, 제3 상태 또는 제4 상태 중 적어도 하나를 포함하고, 상기 중앙 서버는 상기 풀이 결과와 상기 수학 문제의 정답을 비교하여 상기 수학 문제의 오답여부를 판단하고, 상기 풀이 결과와 상기 수학 문제의 상기 정답이 불일치하는 경우, 상기 수학 문제에 대한 상기 학습자 상태 정보를 제1 상태 로 판단하고, 상기 풀이 결과와 상기 정답이 일치하고, 상기 풀이 시간이 제1 기준치를 초과하는 경우, 상기 수학 문제에 대한 상기 학습자 상태 정보를 제2 상태로 판단하고, 상기 풀이 결과와 상기 정답이 일치하고, 상기 풀이 시간이 제1 기준치 이하이고, 제2 기준치를 초과하는 경우, 상기 수학 문제에 대한 상기 학습자 상태 정보를 제3 상태로 판단하고, 상기 풀이 결과와 상기 정답이 일치하고, 상기 풀이 시간이 제2 기준치 이하에 해당하는 경우, 상기 수학 문제에 대한 상기 학습자 상태 정보를 제4 상태로 판단할 수 있다.
상기 중앙 서버는 상기 학습자의 동공의 움직임으로부터 상기 수학 문제가 표시된 학습자 단말을 벗어난 영역에 해당하는 외부 영역의 도달 횟수를 산출하고, 상기 학습자 상태 정보가 제1 상태 또는 제2 상태로 판단되는 경우, 상기 모션 인식 방법으로, 상기 수학 문제의 풀이 시간 동안의 기 설정된 횟수 이상 반복되는 학습자의 모션을 상기 학습자의 비인지 행동 지표로 설정하고, 상기 수학 문제의 풀이시간 동안의 비인지 행동 지표의 발생 횟수를 산출하고, 상기 외부 영역 도달 횟수 및 상기 비인지 행동 지표의 발생 횟수에 기반하여 상기 집중도의 집중도 지수를 산출하고, 상기 집중도 지수가 설정된 임계치를 미만에 해당하고, 상기 학습자 상태 정보가 제1 상태 또는 제2 상태가 아닌 경우에 한하여, 상기 학습자 상태 정보를 다음 순서의 상태로 설정하고, 상기 설정된 다음 순서의 상태에 대응하는 맞춤 난이도를 갖는 수학 문제를 상기 학습자 단말로 전송할 수 있다.
상기 중앙 서버는 상기 학습자 단말로부터 상기 학습자의 수면정보를 수신하고, 상기 학습자의 눈의 깜박임 속도 및 상기 학습자의 수면정보에 기반하여 상기 피로도의 피로도 지수를 산출하고, 상기 피로도 지수가 기 설정된 피로도 기준치 이하에 해당하고, 상기 학습자 상태 정보가 제1 상태 또는 제2 상태가 아닌 경우에 한하여, 상기 학습자 상태 정보를 다음 순서의 상태로 설정하고, 상기 설정된 다음 순서의 상태에 대응하는 맞춤 난이도에 대응하는 제2 수학 문제를 상기 학습자 단말로 전송할 수 있다.
상기 중앙 서버는 상기 학습자의 상기 학습자 상태 정보 및 상기 학습 이력을 기초로 초기 난이도 추정 모델을 이용하여 상기 수학 문제들 각각의 초기 난이도를 추정하고, 상기 초기 난이도 추정 모델은 입력 레이어, 하나 이상의 히든 레이어 및 출력 레이어를 포함하고, 학습자 상태 정보, 학습 이력 및 정답 초기 난이도를 쌍으로 하는 복수의 학습 데이터는 초기 난이도 추정 모델의 상기 입력 레이어에 입력되어 상기 하나 이상의 히든 레이어 및 출력 레이어를 통과하여 출력 벡터를 출력하고, 상기 출력 벡터는 상기 출력 레이어에 연결된 손실함수 레이어에 입력되고, 상기 손실함수 레이어는 상기 출력 벡터와 각각의 학습 데이터에 대한 정답 벡터를 비교하는 손실 함수를 이용하여 손실값을 출력하고, 초기 난이도 추정 모델의 파라미터는 상기 손실값이 작아지는 방향으로 학습되고,
[수학식]
상기 손실 함수는 상기 수학식을 따르고,
상기 수학식에서, N은 상기 복수의 학습 데이터의 수, n은 학습 데이터를 식별하는 자연수, k는 n번째 학습 데이터의 값을 식별하는 자연수, nk는 n번째 학습 데이터의 k번째 값을 의미하고, t는 정답 데이터를 의미하고, y는 상기 출력 벡터를 의미하고, E는 손실값을 의미할 수 있다.
실시예들에 따르면, 수학 교육 시스템을 통해서 학습자에게 맞춤화된 수학 교육 서비스를 제공할 수 있다.
실시예들로부터 얻을 수 있는 효과들은 이상에서 언급된 효과들로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 이하의 상세한 설명을 기반으로 당해 기술분야에서 통상의 지식을 가진 자에게 명확하게 도출되고 이해될 수 있다.
실시예들에 대한 이해를 돕기 위해 상세한 설명의 일부로 포함된, 첨부 도면은 다양한 실시예들을 제공하고, 상세한 설명과 함께 다양한 실시예들의 기술적 특징을 설명한다.
도 1은 일 실시예에 따른 전자 장치의 구성을 나타내는 도면이다.
도 2는 일 실시예에 따른 프로그램의 구성을 나타내는 도면이다.
도 3은 일 실시예에 따른 학습자 맞춤형 수학 교육 시스템을 나타내는 개략도이다.
도 4는 일 실시예에 따른 학습자 맞춤형 수학 교육 시스템을 나타내는 흐름도이다.
도 5는 일 실시예에 따른 수학 문제들의 초기 난이도를 산출하는 방법을 나타내는 흐름도이다.
도 6은 일 실시예에 따른 학습자에게 맞춤형 수학 교육을 제공하는 서버의 동작의 예시를 나타내는 흐름도이다.
도 7은 일 실시예에 따른 중앙 서버의 구성을 도시한 도면이다.
도 1은 일 실시예에 따른 전자 장치의 구성을 나타내는 도면이다.
도 2는 일 실시예에 따른 프로그램의 구성을 나타내는 도면이다.
도 3은 일 실시예에 따른 학습자 맞춤형 수학 교육 시스템을 나타내는 개략도이다.
도 4는 일 실시예에 따른 학습자 맞춤형 수학 교육 시스템을 나타내는 흐름도이다.
도 5는 일 실시예에 따른 수학 문제들의 초기 난이도를 산출하는 방법을 나타내는 흐름도이다.
도 6은 일 실시예에 따른 학습자에게 맞춤형 수학 교육을 제공하는 서버의 동작의 예시를 나타내는 흐름도이다.
도 7은 일 실시예에 따른 중앙 서버의 구성을 도시한 도면이다.
이하의 실시예들은 실시예들의 구성요소들과 특징들을 소정 형태로 결합한 것들이다. 각 구성요소 또는 특징은 별도의 명시적 언급이 없는 한 선택적인 것으로 고려될 수 있다. 각 구성요소 또는 특징은 다른 구성요소나 특징과 결합되지 않은 형태로 실시될 수 있다. 또한, 일부 구성요소들 및/또는 특징들을 결합하여 다양한 실시예들을 구성할 수도 있다. 다양한 실시예들에서 설명되는 동작들의 순서는 변경될 수 있다. 어느 실시예의 일부 구성이나 특징은 다른 실시예에 포함될 수 있고, 또는 다른 실시예의 대응하는 구성 또는 특징과 교체될 수 있다.
도면에 대한 설명에서, 다양한 실시예들의 요지를 흐릴 수 있는 절차 또는 단계 등은 기술하지 않았으며, 당해 기술분야에서 통상의 지식을 가진 자의 수준에서 이해할 수 있을 정도의 절차 또는 단계는 또한 기술하지 아니하였다.
명세서 전체에서, 어떤 부분이 어떤 구성요소를 "포함(comprising 또는 including)"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다. 또한, 명세서에 기재된 "...부", "...기", "모듈" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어나 소프트웨어 또는 하드웨어 및 소프트웨어의 결합으로 구현될 수 있다. 또한, "일(a 또는 an)", "하나(one)", "그(the)" 및 유사 관련어는 다양한 실시예들을 기술하는 문맥에 있어서(특히, 이하의 청구항의 문맥에서) 본 명세서에 달리 지시되거나 문맥에 의해 분명하게 반박되지 않는 한, 단수 및 복수 모두를 포함하는 의미로 사용될 수 있다.
이하, 다양한 실시예들에 따른 실시 형태를 첨부된 도면을 참조하여 상세하게 설명한다. 첨부된 도면과 함께 이하에 개시될 상세한 설명은 다양한 실시예들의 예시적인 실시형태를 설명하고자 하는 것이며, 유일한 실시형태를 나타내고자 하는 것이 아니다.
또한, 다양한 실시예들에서 사용되는 특정(特定) 용어들은 다양한 실시예들의 이해를 돕기 위해서 제공된 것이며, 이러한 특정 용어의 사용은 다양한 실시예들의 기술적 사상을 벗어나지 않는 범위에서 다른 형태로 변경될 수 있다.
도 1은 일 실시예에 따른 전자 장치의 구성을 나타내는 도면이다.
도 1은, 다양한 실시예들에 따른, 네트워크 환경(100) 내의 전자 장치(101)의 블록도이다. 도 1을 참조하면, 네트워크 환경(100)에서 전자 장치(101)는 제 1 네트워크(198)(예: 근거리 무선 통신 네트워크)를 통하여 전자 장치(102)와 통신하거나, 또는 제 2 네트워크(199)(예: 원거리 무선 통신 네트워크)를 통하여 전자 장치(104) 또는 서버(108) 중 적어도 하나와 통신할 수 있다. 일실시예에 따르면, 전자 장치(101)는 서버(108)를 통하여 전자 장치(104)와 통신할 수 있다. 일실시예에 따르면, 전자 장치(101)는 프로세서(120), 메모리(130), 입력 모듈(150), 음향 출력 모듈(155), 디스플레이 모듈(160), 오디오 모듈(170), 센서 모듈(176), 인터페이스(177), 연결 단자(178), 햅틱 모듈(179), 카메라 모듈(180), 전력 관리 모듈(188), 배터리(189), 통신 모듈(190), 가입자 식별 모듈(196), 또는 안테나 모듈(197)을 포함할 수 있다. 어떤 실시예에서는, 전자 장치(101)에는, 이 구성요소들 중 적어도 하나(예: 연결 단자(178))가 생략되거나, 하나 이상의 다른 구성요소가 추가될 수 있다. 어떤 실시예에서는, 이 구성요소들 중 일부들(예: 센서 모듈(176), 카메라 모듈(180), 또는 안테나 모듈(197))은 하나의 구성요소(예: 디스플레이 모듈(160))로 통합될 수 있다. 전자 장치(101)는 클라이언트, 단말기 또는 피어로 지칭될 수도 있다.
프로세서(120)는, 예를 들면, 소프트웨어(예: 프로그램(140))를 실행하여 프로세서(120)에 연결된 전자 장치(101)의 적어도 하나의 다른 구성요소(예: 하드웨어 또는 소프트웨어 구성요소)를 제어할 수 있고, 다양한 데이터 처리 또는 연산을 수행할 수 있다. 일실시예에 따르면, 데이터 처리 또는 연산의 적어도 일부로서, 프로세서(120)는 다른 구성요소(예: 센서 모듈(176) 또는 통신 모듈(190))로부터 수신된 명령 또는 데이터를 휘발성 메모리(132)에 저장하고, 휘발성 메모리(132)에 저장된 명령 또는 데이터를 처리하고, 결과 데이터를 비휘발성 메모리(134)에 저장할 수 있다. 일실시예에 따르면, 프로세서(120)는 메인 프로세서(121)(예: 중앙 처리 장치 또는 어플리케이션 프로세서) 또는 이와는 독립적으로 또는 함께 운영 가능한 보조 프로세서(123)(예: 그래픽 처리 장치, 신경망 처리 장치(NPU: neural processing unit), 이미지 시그널 프로세서, 센서 허브 프로세서, 또는 커뮤니케이션 프로세서)를 포함할 수 있다. 예를 들어, 전자 장치(101)가 메인 프로세서(121) 및 보조 프로세서(123)를 포함하는 경우, 보조 프로세서(123)는 메인 프로세서(121)보다 저전력을 사용하거나, 지정된 기능에 특화되도록 설정될 수 있다. 보조 프로세서(123)는 메인 프로세서(121)와 별개로, 또는 그 일부로서 구현될 수 있다.
보조 프로세서(123)는, 예를 들면, 메인 프로세서(121)가 인액티브(예: 슬립) 상태에 있는 동안 메인 프로세서(121)를 대신하여, 또는 메인 프로세서(121)가 액티브(예: 어플리케이션 실행) 상태에 있는 동안 메인 프로세서(121)와 함께, 전자 장치(101)의 구성요소들 중 적어도 하나의 구성요소(예: 디스플레이 모듈(160), 센서 모듈(176), 또는 통신 모듈(190))와 관련된 기능 또는 상태들의 적어도 일부를 제어할 수 있다. 일실시예에 따르면, 보조 프로세서(123)(예: 이미지 시그널 프로세서 또는 커뮤니케이션 프로세서)는 기능적으로 관련 있는 다른 구성요소(예: 카메라 모듈(180) 또는 통신 모듈(190))의 일부로서 구현될 수 있다. 일실시예에 따르면, 보조 프로세서(123)(예: 신경망 처리 장치)는 인공지능 모델의 처리에 특화된 하드웨어 구조를 포함할 수 있다. 인공지능 모델은 기계 학습을 통해 생성될 수 있다. 이러한 학습은, 예를 들어, 인공지능 모델이 수행되는 전자 장치(101) 자체에서 수행될 수 있고, 별도의 서버(예: 서버(108))를 통해 수행될 수도 있다. 학습 알고리즘은, 예를 들어, 지도형 학습(supervised learning), 비지도형 학습(unsupervised learning), 준지도형 학습(semi-supervised learning) 또는 강화 학습(reinforcement learning)을 포함할 수 있으나, 전술한 예에 한정되지 않는다. 인공지능 모델은, 복수의 인공 신경망 레이어들을 포함할 수 있다. 인공 신경망은 심층 신경망(DNN: deep neural network), CNN(convolutional neural network), RNN(recurrent neural network), RBM(restricted boltzmann machine), DBN(deep belief network), BRDNN(bidirectional recurrent deep neural network), 심층 Q-네트워크(deep Q-networks) 또는 상기 중 둘 이상의 조합 중 하나일 수 있으나, 전술한 예에 한정되지 않는다. 인공지능 모델은 하드웨어 구조 이외에, 추가적으로 또는 대체적으로, 소프트웨어 구조를 포함할 수 있다.
메모리(130)는, 전자 장치(101)의 적어도 하나의 구성요소(예: 프로세서(120) 또는 센서 모듈(176))에 의해 사용되는 다양한 데이터를 저장할 수 있다. 데이터는, 예를 들어, 소프트웨어(예: 프로그램(140)) 및, 이와 관련된 명령에 대한 입력 데이터 또는 출력 데이터를 포함할 수 있다. 메모리(130)는, 휘발성 메모리(132) 또는 비휘발성 메모리(134)를 포함할 수 있다.
프로그램(140)은 메모리(130)에 소프트웨어로서 저장될 수 있으며, 예를 들면, 운영 체제(142), 미들 웨어(144) 또는 어플리케이션(146)을 포함할 수 있다.
입력 모듈(150)은, 전자 장치(101)의 구성요소(예: 프로세서(120))에 사용될 명령 또는 데이터를 전자 장치(101)의 외부(예: 사용자)로부터 수신할 수 있다. 입력 모듈(150)은, 예를 들면, 마이크, 마우스, 키보드, 키(예: 버튼), 또는 디지털 펜(예: 스타일러스 펜)을 포함할 수 있다.
음향 출력 모듈(155)은 음향 신호를 전자 장치(101)의 외부로 출력할 수 있다. 음향 출력 모듈(155)은, 예를 들면, 스피커 또는 리시버를 포함할 수 있다. 스피커는 멀티미디어 재생 또는 녹음 재생과 같이 일반적인 용도로 사용될 수 있다. 리시버는 착신 전화를 수신하기 위해 사용될 수 있다. 일실시예에 따르면, 리시버는 스피커와 별개로, 또는 그 일부로서 구현될 수 있다.
디스플레이 모듈(160)은 전자 장치(101)의 외부(예: 사용자)로 정보를 시각적으로 제공할 수 있다. 디스플레이 모듈(160)은, 예를 들면, 디스플레이, 홀로그램 장치, 또는 프로젝터 및 해당 장치를 제어하기 위한 제어 회로를 포함할 수 있다. 일실시예에 따르면, 디스플레이 모듈(160)은 터치를 감지하도록 설정된 터치 센서, 또는 상기 터치에 의해 발생되는 힘의 세기를 측정하도록 설정된 압력 센서를 포함할 수 있다.
오디오 모듈(170)은 소리를 전기 신호로 변환시키거나, 반대로 전기 신호를 소리로 변환시킬 수 있다. 일실시예에 따르면, 오디오 모듈(170)은, 입력 모듈(150)을 통해 소리를 획득하거나, 음향 출력 모듈(155), 또는 전자 장치(101)와 직접 또는 무선으로 연결된 외부 전자 장치(예: 전자 장치(102))(예: 스피커 또는 헤드폰)를 통해 소리를 출력할 수 있다.
센서 모듈(176)은 전자 장치(101)의 작동 상태(예: 전력 또는 온도), 또는 외부의 환경 상태(예: 사용자 상태)를 감지하고, 감지된 상태에 대응하는 전기 신호 또는 데이터 값을 생성할 수 있다. 일실시예에 따르면, 센서 모듈(176)은, 예를 들면, 제스처 센서, 자이로 센서, 기압 센서, 마그네틱 센서, 가속도 센서, 그립 센서, 근접 센서, 컬러 센서, IR(infrared) 센서, 생체 센서, 온도 센서, 습도 센서, 또는 조도 센서를 포함할 수 있다.
인터페이스(177)는 전자 장치(101)가 외부 전자 장치(예: 전자 장치(102))와 직접 또는 무선으로 연결되기 위해 사용될 수 있는 하나 이상의 지정된 프로토콜들을 지원할 수 있다. 일실시예에 따르면, 인터페이스(177)는, 예를 들면, HDMI(high definition multimedia interface), USB(universal serial bus) 인터페이스, SD카드 인터페이스, 또는 오디오 인터페이스를 포함할 수 있다.
연결 단자(178)는, 그를 통해서 전자 장치(101)가 외부 전자 장치(예: 전자 장치(102))와 물리적으로 연결될 수 있는 커넥터를 포함할 수 있다. 일실시예에 따르면, 연결 단자(178)는, 예를 들면, HDMI 커넥터, USB 커넥터, SD 카드 커넥터, 또는 오디오 커넥터(예: 헤드폰 커넥터)를 포함할 수 있다.
햅틱 모듈(179)은 전기적 신호를 사용자가 촉각 또는 운동 감각을 통해서 인지할 수 있는 기계적인 자극(예: 진동 또는 움직임) 또는 전기적인 자극으로 변환할 수 있다. 일실시예에 따르면, 햅틱 모듈(179)은, 예를 들면, 모터, 압전 소자, 또는 전기 자극 장치를 포함할 수 있다.
카메라 모듈(180)은 정지 영상 및 동영상을 촬영할 수 있다. 일실시예에 따르면, 카메라 모듈(180)은 하나 이상의 렌즈들, 이미지 센서들, 이미지 시그널 프로세서들, 또는 플래시들을 포함할 수 있다.
전력 관리 모듈(188)은 전자 장치(101)에 공급되는 전력을 관리할 수 있다. 일실시예에 따르면, 전력 관리 모듈(188)은, 예를 들면, PMIC(power management integrated circuit)의 적어도 일부로서 구현될 수 있다.
배터리(189)는 전자 장치(101)의 적어도 하나의 구성요소에 전력을 공급할 수 있다. 일실시예에 따르면, 배터리(189)는, 예를 들면, 재충전 불가능한 1차 전지, 재충전 가능한 2차 전지 또는 연료 전지를 포함할 수 있다.
통신 모듈(190)은 전자 장치(101)와 외부 전자 장치(예: 전자 장치(102), 전자 장치(104), 또는 서버(108)) 간의 직접(예: 유선) 통신 채널 또는 무선 통신 채널의 수립, 및 수립된 통신 채널을 통한 통신 수행을 지원할 수 있다. 통신 모듈(190)은 프로세서(120)(예: 어플리케이션 프로세서)와 독립적으로 운영되고, 직접(예: 유선) 통신 또는 무선 통신을 지원하는 하나 이상의 커뮤니케이션 프로세서를 포함할 수 있다. 일실시예에 따르면, 통신 모듈(190)은 무선 통신 모듈(192)(예: 셀룰러 통신 모듈, 근거리 무선 통신 모듈, 또는 GNSS(global navigation satellite system) 통신 모듈) 또는 유선 통신 모듈(194)(예: LAN(local area network) 통신 모듈, 또는 전력선 통신 모듈)을 포함할 수 있다. 이들 통신 모듈 중 해당하는 통신 모듈은 제 1 네트워크(198)(예: 블루투스, WiFi(wireless fidelity) direct 또는 IrDA(infrared data association)와 같은 근거리 통신 네트워크) 또는 제 2 네트워크(199)(예: 레거시 셀룰러 네트워크, 5G 네트워크, 차세대 통신 네트워크, 인터넷, 또는 컴퓨터 네트워크(예: LAN 또는 WAN)와 같은 원거리 통신 네트워크)를 통하여 외부의 전자 장치(104)와 통신할 수 있다. 이런 여러 종류의 통신 모듈들은 하나의 구성요소(예: 단일 칩)로 통합되거나, 또는 서로 별도의 복수의 구성요소들(예: 복수 칩들)로 구현될 수 있다. 무선 통신 모듈(192)은 가입자 식별 모듈(196)에 저장된 가입자 정보(예: 국제 모바일 가입자 식별자(IMSI))를 이용하여 제 1 네트워크(198) 또는 제 2 네트워크(199)와 같은 통신 네트워크 내에서 전자 장치(101)를 확인 또는 인증할 수 있다.
무선 통신 모듈(192)은 4G 네트워크 이후의 5G 네트워크 및 차세대 통신 기술, 예를 들어, NR 접속 기술(new radio access technology)을 지원할 수 있다. NR 접속 기술은 고용량 데이터의 고속 전송(eMBB(enhanced mobile broadband)), 단말 전력 최소화와 다수 단말의 접속(mMTC(massive machine type communications)), 또는 고신뢰도와 저지연(URLLC(ultra-reliable and low-latency communications))을 지원할 수 있다. 무선 통신 모듈(192)은, 예를 들어, 높은 데이터 전송률 달성을 위해, 고주파 대역(예: mmWave 대역)을 지원할 수 있다. 무선 통신 모듈(192)은 고주파 대역에서의 성능 확보를 위한 다양한 기술들, 예를 들어, 빔포밍(beamforming), 거대 배열 다중 입출력(massive MIMO(multiple-input and multiple-output)), 전차원 다중입출력(FD-MIMO: full dimensional MIMO), 어레이 안테나(array antenna), 아날로그 빔형성(analog beam-forming), 또는 대규모 안테나(large scale antenna)와 같은 기술들을 지원할 수 있다. 무선 통신 모듈(192)은 전자 장치(101), 외부 전자 장치(예: 전자 장치(104)) 또는 네트워크 시스템(예: 제 2 네트워크(199))에 규정되는 다양한 요구사항을 지원할 수 있다. 일실시예에 따르면, 무선 통신 모듈(192)은 eMBB 실현을 위한 Peak data rate(예: 20Gbps 이상), mMTC 실현을 위한 손실 Coverage(예: 164dB 이하), 또는 URLLC 실현을 위한 U-plane latency(예: 다운링크(DL) 및 업링크(UL) 각각 0.5ms 이하, 또는 라운드 트립 1ms 이하)를 지원할 수 있다.
안테나 모듈(197)은 신호 또는 전력을 외부(예: 외부의 전자 장치)로 송신하거나 외부로부터 수신할 수 있다. 일실시예에 따르면, 안테나 모듈(197)은 서브스트레이트(예: PCB) 위에 형성된 도전체 또는 도전성 패턴으로 이루어진 방사체를 포함하는 안테나를 포함할 수 있다. 일실시예에 따르면, 안테나 모듈(197)은 복수의 안테나들(예: 어레이 안테나)을 포함할 수 있다. 이런 경우, 제 1 네트워크(198) 또는 제 2 네트워크(199)와 같은 통신 네트워크에서 사용되는 통신 방식에 적합한 적어도 하나의 안테나가, 예를 들면, 통신 모듈(190)에 의하여 상기 복수의 안테나들로부터 선택될 수 있다. 신호 또는 전력은 상기 선택된 적어도 하나의 안테나를 통하여 통신 모듈(190)과 외부의 전자 장치 간에 송신되거나 수신될 수 있다. 어떤 실시예에 따르면, 방사체 이외에 다른 부품(예: RFIC(radio frequency integrated circuit))이 추가로 안테나 모듈(197)의 일부로 형성될 수 있다.
다양한 실시예에 따르면, 안테나 모듈(197)은 mmWave 안테나 모듈을 형성할 수 있다. 일실시예에 따르면, mmWave 안테나 모듈은 인쇄 회로 기판, 상기 인쇄 회로 기판의 제 1 면(예: 아래 면)에 또는 그에 인접하여 배치되고 지정된 고주파 대역(예: mmWave 대역)을 지원할 수 있는 RFIC, 및 상기 인쇄 회로 기판의 제 2 면(예: 윗 면 또는 측 면)에 또는 그에 인접하여 배치되고 상기 지정된 고주파 대역의 신호를 송신 또는 수신할 수 있는 복수의 안테나들(예: 어레이 안테나)을 포함할 수 있다.
상기 구성요소들 중 적어도 일부는 주변 기기들간 통신 방식(예: 버스, GPIO(general purpose input and output), SPI(serial peripheral interface), 또는 MIPI(mobile industry processor interface))을 통해 서로 연결되고 신호(예: 명령 또는 데이터)를 상호간에 교환할 수 있다.
일실시예에 따르면, 명령 또는 데이터는 제 2 네트워크(199)에 연결된 서버(108)를 통해서 전자 장치(101)와 외부의 전자 장치(104)간에 송신 또는 수신될 수 있다. 외부의 전자 장치(102, 또는 104) 각각은 전자 장치(101)와 동일한 또는 다른 종류의 장치일 수 있다. 일실시예에 따르면, 전자 장치(101)에서 실행되는 동작들의 전부 또는 일부는 외부의 전자 장치들(102, 104, 또는 108) 중 하나 이상의 외부의 전자 장치들에서 실행될 수 있다. 예를 들면, 전자 장치(101)가 어떤 기능이나 서비스를 자동으로, 또는 사용자 또는 다른 장치로부터의 요청에 반응하여 수행해야 할 경우에, 전자 장치(101)는 기능 또는 서비스를 자체적으로 실행시키는 대신에 또는 추가적으로, 하나 이상의 외부의 전자 장치들에게 그 기능 또는 그 서비스의 적어도 일부를 수행하라고 요청할 수 있다. 상기 요청을 수신한 하나 이상의 외부의 전자 장치들은 요청된 기능 또는 서비스의 적어도 일부, 또는 상기 요청과 관련된 추가 기능 또는 서비스를 실행하고, 그 실행의 결과를 전자 장치(101)로 전달할 수 있다. 전자 장치(101)는 상기 결과를, 그대로 또는 추가적으로 처리하여, 상기 요청에 대한 응답의 적어도 일부로서 제공할 수 있다. 이를 위하여, 예를 들면, 클라우드 컴퓨팅, 분산 컴퓨팅, 모바일 에지 컴퓨팅(MEC: mobile edge computing), 또는 클라이언트-서버 컴퓨팅 기술이 이용될 수 있다. 전자 장치(101)는, 예를 들어, 분산 컴퓨팅 또는 모바일 에지 컴퓨팅을 이용하여 초저지연 서비스를 제공할 수 있다. 다른 실시예에 있어서, 외부의 전자 장치(104)는 IoT(internet of things) 기기를 포함할 수 있다. 서버(108)는 기계 학습 및/또는 신경망을 이용한 지능형 서버일 수 있다. 일실시예에 따르면, 외부의 전자 장치(104) 또는 서버(108)는 제 2 네트워크(199) 내에 포함될 수 있다. 전자 장치(101)는 5G 통신 기술 및 IoT 관련 기술을 기반으로 지능형 서비스(예: 스마트 홈, 스마트 시티, 스마트 카, 또는 헬스 케어)에 적용될 수 있다.
서버(108)는 전자 장치(101)가 접속되며, 접속된 전자 장치(101)로 서비스를 제공할 수 있다. 또한, 서버(108)는 회원 가입 절차를 진행하여 그에 따라 회원으로 가입된 사용자의 각종 정보를 저장하여 관리하고, 서비스에 관련된 각종 구매 및 결제 기능을 제공할 수도 있다. 또한, 서버(108)는, 사용자 간에 서비스를 공유할 수 있도록, 복수의 전자 장치(101) 각각에서 실행되는 서비스 애플리케이션의 실행 데이터를 실시간으로 공유할 수도 있다. 이러한 서버(108)는 하드웨어적으로는 통상적인 웹 서버(Web Server) 또는 왑 서버(WAP Server)와 동일한 구성을 가질 수 있다. 그러나, 소프트웨어적으로는, C, C++, Java, Visual Basic, Visual C 등 여하한 언어를 통하여 구현되어 여러 가지 기능을 하는 프로그램 모듈(Module)을 포함할 수 있다. 또한, 서버(108)는 일반적으로 인터넷과 같은 개방형 컴퓨터 네트워크를 통하여 불특정 다수 클라이언트 및/또는 다른 서버와 연결되어 있고, 클라이언트 또는 다른 서버의 작업수행 요청을 접수하고 그에 대한 작업 결과를 도출하여 제공하는 컴퓨터 시스템 및 그를 위하여 설치되어 있는 컴퓨터 소프트웨어(서버 프로그램)를 뜻하는 것이다. 또한, 서버(108)는, 전술한 서버 프로그램 이외에도, 서버(108) 상에서 동작하는 일련의 응용 프로그램(Application Program)과 경우에 따라서는 내부 또는 외부에 구축되어 있는 각종 데이터베이스(DB: Database, 이하 "DB"라 칭함)를 포함하는 넓은 개념으로 이해되어야 할 것이다. 따라서, 서버(108)는, 회원 가입 정보와, 게임에 대한 각종 정보 및 데이터를 분류하여 DB에 저장시키고 관리하는데, 이러한 DB는 서버(108)의 내부 또는 외부에 구현될 수 있다. 또한, 서버(108)는, 일반적인 서버용 하드웨어에 도스(DOS), 윈도우(windows), 리눅스(Linux), 유닉스(UNIX), 매킨토시(Macintosh) 등의 운영체제에 따라 다양하게 제공되고 있는 서버 프로그램을 이용하여 구현될 수 있으며, 대표적인 것으로는 윈도우 환경에서 사용되는 웹사이트(Website), IIS(Internet Information Server)와 유닉스환경에서 사용되는 CERN, NCSA, APPACH등이 이용될 수 있다. 또한, 서버(108)는, 서비스의 사용자 인증이나 서비스와 관련된 구매 결제를 위한 인증 시스템 및 결제 시스템과 연동할 수도 있다.
제1 네트워크(198) 및 제2 네트워크(199)는 단말들 및 서버들과 같은 각각의 노드 상호 간에 정보 교환이 가능한 연결 구조 또는 서버(108)와 전자 장치들(101, 104)을 연결하는 망(Network)을 의미한다. 제1 네트워크(198) 및 제2 네트워크(199)는 인터넷(Internet), LAN(Local Area Network), Wireless LAN(Wireless Local Area Network), WAN(Wide Area Network), PAN(Personal Area Network), 3G, 4G, LTE, 5G, Wi-Fi 등이 포함되나 이에 한정되지는 않는다. 제1 네트워크(198) 및 제2 네트워크(199)는 LAN, WAN 등의 폐쇄형 제1 네트워크(198) 및 제2 네트워크(199)일 수도 있으나, 인터넷(Internet)과 같은 개방형인 것이 바람직하다. 인터넷은 TCP/IP 프로토콜 및 그 상위계층에 존재하는 여러 서비스, 즉 HTTP(HyperText Transfer Protocol), Telnet, FTP(File Transfer Protocol), DNS(Domain Name System), SMTP(Simple Mail Transfer Protocol), SNMP(Simple Network Management Protocol), NFS(Network File Service), NIS(Network Information Service)를 제공하는 전 세계적인 개방형 컴퓨터 제1 네트워크(198) 및 제2 네트워크(199) 구조를 의미한다.
데이터베이스는 데이터베이스 관리 프로그램(DBMS)을 이용하여 컴퓨터 시스템의 저장공간(하드디스크 또는 메모리)에 구현된 일반적인 데이터구조를 가질 수 가질 수 있다. 데이터베이스는 데이터의 검색(추출), 삭제, 편집, 추가 등을 자유롭게 행할 수 있는 데이터 저장형태를 가질 수 있다. 데이터베이스는 오라클(Oracle), 인포믹스(Infomix), 사이베이스(Sybase), DB2와 같은 관계형 데이타베이스 관리 시스템(RDBMS)이나, 겜스톤(Gemston), 오리온(Orion), O2 등과 같은 객체 지향 데이타베이스 관리 시스템(OODBMS) 및 엑셀론(Excelon), 타미노(Tamino), 세카이주(Sekaiju) 등의 XML 전용 데이터베이스(XML Native Database)를 이용하여 본 개시의 일 실시예의 목적에 맞게 구현될 수 있고, 자신의 기능을 달성하기 위하여 적당한 필드(Field) 또는 엘리먼트들을 가질 수 있다.
도 2는 일 실시예에 따른 프로그램의 구성을 나타내는 도면이다.
도 2은 다양한 실시예에 따른 프로그램(140)을 예시하는 블록도(200)이다. 일실시예에 따르면, 프로그램(140)은 전자 장치(101)의 하나 이상의 리소스들을 제어하기 위한 운영 체제(142), 미들웨어(144), 또는 상기 운영 체제(142)에서 실행 가능한 어플리케이션(146)을 포함할 수 있다. 운영 체제(142)는, 예를 들면, AndroidTM, iOSTM, WindowsTM, SymbianTM, TizenTM, 또는 BadaTM를 포함할 수 있다. 프로그램(140) 중 적어도 일부 프로그램은, 예를 들면, 제조 시에 전자 장치(101)에 프리로드되거나, 또는 사용자에 의해 사용 시 외부 전자 장치(예: 전자 장치(102 또는 104), 또는 서버(108))로부터 다운로드되거나 갱신 될 수 있다. 프로그램(140)의 전부 또는 일부는 뉴럴 네트워크를 포함할 수 있다.
운영 체제(142)는 전자 장치(101)의 하나 이상의 시스템 리소스들(예: 프로세스, 메모리, 또는 전원)의 관리(예: 할당 또는 회수)를 제어할 수 있다. 운영 체제(142)는, 추가적으로 또는 대체적으로, 전자 장치(101)의 다른 하드웨어 디바이스, 예를 들면, 입력 모듈(150), 음향 출력 모듈(155), 디스플레이 모듈(160), 오디오 모듈(170), 센서 모듈(176), 인터페이스(177), 햅틱 모듈(179), 카메라 모듈(180), 전력 관리 모듈(188), 배터리(189), 통신 모듈(190), 가입자 식별 모듈(196), 또는 안테나 모듈(197)을 구동하기 위한 하나 이상의 드라이버 프로그램들을 포함할 수 있다.
미들웨어(144)는 전자 장치(101)의 하나 이상의 리소스들로부터 제공되는 기능 또는 정보가 어플리케이션(146)에 의해 사용될 수 있도록 다양한 기능들을 어플리케이션(146)으로 제공할 수 있다. 미들웨어(144)는, 예를 들면, 어플리케이션 매니저(201), 윈도우 매니저(203), 멀티미디어 매니저(205), 리소스 매니저(207), 파워 매니저(209), 데이터베이스 매니저(211), 패키지 매니저(213), 커넥티비티 매니저(215), 노티피케이션 매니저(217), 로케이션 매니저(219), 그래픽 매니저(221), 시큐리티 매니저(223), 통화 매니저(225), 또는 음성 인식 매니저(227)를 포함할 수 있다.
어플리케이션 매니저(201)는, 예를 들면, 어플리케이션(146)의 생명 주기를 관리할 수 있다. 윈도우 매니저(203)는, 예를 들면, 화면에서 사용되는 하나 이상의 GUI 자원들을 관리할 수 있다. 멀티미디어 매니저(205)는, 예를 들면, 미디어 파일들의 재생에 필요한 하나 이상의 포맷들을 파악하고, 그 중 선택된 해당하는 포맷에 맞는 코덱을 이용하여 상기 미디어 파일들 중 해당하는 미디어 파일의 인코딩 또는 디코딩을 수행할 수 있다. 리소스 매니저(207)는, 예를 들면, 어플리케이션(146)의 소스 코드 또는 메모리(130)의 메모리의 공간을 관리할 수 있다. 파워 매니저(209)는, 예를 들면, 배터리(189)의 용량, 온도 또는 전원을 관리하고, 이 중 해당 정보를 이용하여 전자 장치(101)의 동작에 필요한 관련 정보를 결정 또는 제공할 수 있다. 일실시예에 따르면, 파워 매니저(209)는 전자 장치(101)의 바이오스(BIOS: basic input/output system)(미도시)와 연동할 수 있다.
데이터베이스 매니저(211)는, 예를 들면, 어플리케이션(146)에 의해 사용될 데이터베이스를 생성, 검색, 또는 변경할 수 있다. 패키지 매니저(213)는, 예를 들면, 패키지 파일의 형태로 배포되는 어플리케이션의 설치 또는 갱신을 관리할 수 있다. 커넥티비티 매니저(215)는, 예를 들면, 전자 장치(101)와 외부 전자 장치 간의 무선 연결 또는 직접 연결을 관리할 수 있다. 노티피케이션 매니저(217)는, 예를 들면, 지정된 이벤트(예: 착신 통화, 메시지, 또는 알람)의 발생을 사용자에게 알리기 위한 기능을 제공할 수 있다. 로케이션 매니저(219)는, 예를 들면, 전자 장치(101)의 위치 정보를 관리할 수 있다. 그래픽 매니저(221)는, 예를 들면, 사용자에게 제공될 하나 이상의 그래픽 효과들 또는 이와 관련된 사용자 인터페이스를 관리할 수 있다.
시큐리티 매니저(223)는, 예를 들면, 시스템 보안 또는 사용자 인증을 제공할 수 있다. 통화(telephony) 매니저(225)는, 예를 들면, 전자 장치(101)에 의해 제공되는 음성 통화 기능 또는 영상 통화 기능을 관리할 수 있다. 음성 인식 매니저(227)는, 예를 들면, 사용자의 음성 데이터를 서버(108)로 전송하고, 그 음성 데이터에 적어도 일부 기반하여 전자 장치(101)에서 수행될 기능에 대응하는 명령어(command), 또는 그 음성 데이터에 적어도 일부 기반하여 변환된 문자 데이터를 서버(108)로부터 수신할 수 있다. 일 실시예에 따르면, 미들웨어(244)는 동적으로 기존의 구성요소를 일부 삭제하거나 새로운 구성요소들을 추가할 수 있다. 일 실시예에 따르면, 미들웨어(144)의 적어도 일부는 운영 체제(142)의 일부로 포함되거나, 또는 운영 체제(142)와는 다른 별도의 소프트웨어로 구현될 수 있다.
어플리케이션(146)은, 예를 들면, 홈(251), 다이얼러(253), SMS/MMS(255), IM(instant message)(257), 브라우저(259), 카메라(261), 알람(263), 컨택트(265), 음성 인식(267), 이메일(269), 달력(271), 미디어 플레이어(273), 앨범(275), 와치(277), 헬스(279)(예: 운동량 또는 혈당과 같은 생체 정보를 측정), 또는 환경 정보(281)(예: 기압, 습도, 또는 온도 정보 측정) 어플리케이션을 포함할 수 있다. 일실시예에 따르면, 어플리케이션(146)은 전자 장치(101)와 외부 전자 장치 사이의 정보 교환을 지원할 수 있는 정보 교환 어플리케이션(미도시)을 더 포함할 수 있다. 정보 교환 어플리케이션은, 예를 들면, 외부 전자 장치로 지정된 정보 (예: 통화, 메시지, 또는 알람)를 전달하도록 설정된 노티피케이션 릴레이 어플리케이션, 또는 외부 전자 장치를 관리하도록 설정된 장치 관리 어플리케이션을 포함할 수 있다. 노티피케이션 릴레이 어플리케이션은, 예를 들면, 전자 장치(101)의 다른 어플리케이션(예: 이메일 어플리케이션(269))에서 발생된 지정된 이벤트(예: 메일 수신)에 대응하는 알림 정보를 외부 전자 장치로 전달할 수 있다. 추가적으로 또는 대체적으로, 노티피케이션 릴레이 어플리케이션은 외부 전자 장치로부터 알림 정보를 수신하여 전자 장치(101)의 사용자에게 제공할 수 있다.
장치 관리 어플리케이션은, 예를 들면, 전자 장치(101)와 통신하는 외부 전자 장치 또는 그 일부 구성 요소(예: 외부 전자장치의 디스플레이 모듈 또는 카메라 모듈)의 전원(예: 턴-온 또는 턴-오프) 또는 기능(예: 밝기, 해상도, 또는 포커스)을 제어할 수 있다. 장치 관리 어플리케이션은, 추가적으로 또는 대체적으로, 외부 전자 장치에서 동작하는 어플리케이션의 설치, 삭제, 또는 갱신을 지원할 수 있다.
본 명세서에 걸쳐, 뉴럴 네트워크(neural network), 신경망 네트워크, 네트워크 함수는, 동일한 의미로 사용될 수 있다. 뉴럴 네트워크는, 일반적으로 "노드"라 지칭될 수 있는 상호 연결된 계산 단위들의 집합으로 구성될 수 있다. 이러한 "노드"들은, "뉴런(neuron)"들로 지칭될 수도 있다. 뉴럴 네트워크는, 적어도 둘 이상의 노드들을 포함하여 구성된다. 뉴럴 네트워크들을 구성하는 노드(또는 뉴런)들은 하나 이상의 "링크"에 의해 상호 연결될 수 있다.
뉴럴 네트워크 내에서, 링크를 통해 연결된 둘 이상의 노드들은 상대적으로 입력 노드 및 출력 노드의 관계를 형성할 수 있다. 입력 노드 및 출력 노드의 개념은 상대적인 것으로서, 하나의 노드에 대하여 출력 노드 관계에 있는 임의의 노드는 다른 노드와의 관계에서 입력 노드 관계에 있을 수 있으며, 그 역도 성립할 수 있다. 전술한 바와 같이, 입력 노드 대 출력 노드 관계는 링크를 중심으로 생성될 수 있다. 하나의 입력 노드에 하나 이상의 출력 노드가 링크를 통해 연결될 수 있으며, 그 역도 성립할 수 있다.
하나의 링크를 통해 연결된 입력 노드 및 출력 노드 관계에서, 출력 노드는 입력 노드에 입력된 데이터에 기초하여 그 값이 결정될 수 있다. 여기서, 입력 노드와 출력 노드를 상호 연결하는 노드는 가중치를 가질 수 있다. 가중치는 가변적일 수 있으며, 뉴럴 네트워크가 원하는 기능을 수행하기 위해, 사용자 또는 알고리즘에 의해 가변될 수 있다. 예를 들어, 하나의 출력 노드에 하나 이상의 입력 노드가 각각의 링크에 의해 상호 연결된 경우, 출력 노드는 상기 출력 노드와 연결된 입력 노드들에 입력된 값들 및 각각의 입력 노드들에 대응하는 링크에 설정된 가중치에 기초하여 출력 노드 값을 결정할 수 있다.
전술한 바와 같이, 뉴럴 네트워크는, 둘 이상의 노드들이 하나 이상의 링크를 통해 상호연결 되어 뉴럴 네트워크 내에서 입력 노드 및 출력 노드 관계를 형성한다. 뉴럴 네트워크 내에서 노드들과 링크들의 개수 및 노드들과 링크들 사이의 연관관계, 링크들 각각에 부여된 가중치의 값에 따라, 신경망 네트워크의 특성이 결정될 수 있다. 예를 들어, 동일한 개수의 노드 및 링크들이 존재하고, 링크들 사이의 가중치 값이 상이한 두 신경망 네트워크가 존재하는 경우, 두 개의 신경망 네트워크들은 서로 상이한 것으로 인식될 수 있다.
도 3은 일 실시예에 따른 학습자 맞춤형 수학 교육 시스템을 나타내는 개략도이다.
온라인 수학 교육 방식은 학습자에게 수학 문제를 제공하고, 수학 문제에 대한 정답과 풀이를 학습자에게 제공할 수 있다. 학습자들은 각각 서로 다른 수학 문제 풀이 능력을 가지고 있기 때문에, 학습자들에게 동일한 수준의 수학 문제를 제공하는 것은 오히려 학습자의 학습 효율 저해시키는 문제가 있다. 또한, 학습자 각각의 계산능력, 문제해석능력, 논리적 사고력, 피로도, 집중도 및 복습이력 등 개개인의 능력이 상이하기 때문에, 통합적인 수학 교육이 어려운 측면이 있다.
일 실시예에 따르면, 수학 교육 시스템(300)은 중앙 서버(310)(예: 도 1의 서버(108)), 메모리(311), 네트워크(320)(예: 도 1의 제2 네트워크(199)), 생체신호 검출부(330) 및 학습자 단말(340)(예: 도 1의 전자장치(100))을 포함할 수 있다.
중앙 서버(310)과 연동되는 학습자 단말(340)는 중앙 서버(310)에 액세스하기 위한 소프트웨어가 설치될 수 있다. 소프트웨어는 어플리케이션으로 지칭될 수 있다. 소프트웨어는 중앙 서버(310)에 연동되는 수학 교육 서비스를 원격으로 제공받기 위한 다양한 동작을 수행할 수 있다.
학습자는 학습자 단말(340)를 통해 수학 문제를 풀이할 수 있다. 학습자는 학습자 단말(340)에 설치된 어플리케이션을 통해 비대면으로 수학 문제에 대한 풀이 과정 및 풀이 결과를 기재하거나, 수학 문제의 오답여부를 확인하거나, 풀이하고자 하는 수학 문제의 난이도를 설정할 수 있다. 학습자 단말(340)은 학습자로부터 입력받은 수학 문제에 대한 풀이 과정, 풀이 결과 및 풀이하고자 하는 수학 문제의 난이도를 중앙 서버(310)에게 전송할 수 있다.
여기서, 중앙 서버(310)는 학습자 단말(340)로 수학 문제를 제공하고, 학습자의 수학 문제에 대한 오답여부에 따라 수학 문제의 난이도를 조정하여 다음 수학 문제를 학습자에게 제공할 수 있다. 중앙 서버(310)가 수학 문제의 난이도를 조정하는 방식은 두가지 방식으로 이루어질 수 있다.
첫째로, 학습자의 향상된 학습 능력을 평가하여 맞춤형 수학 문제를 제공할 수 있다. 학습자가 수학 문제를 풀이하면서 동일한 연산 과정이 필요한 수학 문제에 대하여 풀이 속도 및 논리적 사고력이 향상되는 것을 고려한 방식이다.
두번째로, 동일한 공식을 이용하여야 하는 동일한 난이도의 수학 문제의 제공 순서 및 제공 횟수에 따라 수학 문제의 난이도를 조정하는 방식이 있다. 이는, 동일한 난이도의 수학 문제에 해당하더라도 학습자가 가장 처음에 해당 수학 문제를 풀이했을 때와 동일한 공식을 이용하는 유사한 수학 문제들을 풀어본 이후에 풀이했을 때, 수학 문제의 번호(예를 들어, 풀이 순서)에 따라서 학습자의 정답률이 향상되는 것을 고려한 방식이다.
이를 위하여, 중앙 서버(310)는 학습자 단말로부터 학습자 상태 정보 및 학습 이력을 포함하는 학습자 정보를 수신할 수 있다. 또한, 학습자 상태 정보는 제1 상태, 제2 상태, 제3 상태 ??의 순서를 가질 수 있다. 예를 들어, 제4 상태의 다음 순서의 상태는 제5 상태에 해당할 수 있다. 학습자 상태 정보는 수학 문제의 기본적인 공식에 대한 이해도를 나타낼 수 있다. 학습 이력은 학습자의 동영상 강의의 수강이력, 학습자의 수학 문제에 대한 풀이 이력 및 난이도 정보를 포함할 수 있다. 또한, 학습자 정보는 학습자의 성별, 나이, 수학 단원별 수행평가성적, 중간고사 및 기말고사의 수학 점수, 모의고사 점수를 포함할 수 있다.
구체적으로, 이차방정식에 관한 수학 문제의 풀이(예를 들어, 
)에 있어서, 인수분해를 이용한 풀이(예를 들어, 
으로 인수분해하여 풀이하는 방식)에 대한 이해도를 나타낼 수 있다. 예를 들어, 학습자 상태 정보가 제1 상태로 판단된 경우, 기본적인 공식의 암기가 되어 있지 않은 상태를 나타낼 수 있다. 또는, 이차 방정식에 관한 수학 문제에 있어서, 완전 제곱식을 이용한 수학 문제(예를 들어, 
이 수학 문제인 경우, 
을 통해 풀이하는 방식)에 관해 학습자 상태 정보가 제2 상태로 판단되는 경우, 학습자의 풀이 결과와 수학 문제의 정답이 일치하고, 해당 문제에 대한 풀이 시간이 제1 기준치를 초과하는 경우로서, 학습자는 완전 제곱식에 대한 이해가 부족하고, 문제 풀이에 필요한 공식을 적용하기에 미숙한 상태를 나타낼 수 있다.
도 4는 일 실시예에 따른 학습자 맞춤형 수학 교육 시스템을 나타내는 흐름도이다.
동작(S401)에서, 중앙 서버(310)는 학습자 단말로부터 학습자의 학습자 상태 정보 및 학습 이력을 포함하는 학습자 정보를 수신할 수 있다. 중앙 서버(310)는 수신한 학습자 정보를 데이터베이스(미도시)에 저장할 수 있다.
동작(S402)에서, 중앙 서버(310)는 학습자 정보에 기반하여 수학 문제들 각각의 초기 난이도를 산출하고, 초기 난이도는 상급 난이도, 중급 난이도 또는 하급 난이도로 분류될 수 있다. 여기서 중앙 서버(310)가 수학 문제들 각각의 초기 난이도를 산출하는 방법은 도 5에서 구체적으로 후술한다.
동작(S403)에서, 중앙 서버(310)는 중급 난이도에 대응하는 맞춤 난이도에 대응하는 수학 문제를 학습자 단말로 전송할 수 있다. 학습자의 수학 문제 풀이능력에 맞추어 수학 문제의 초기 난이도를 산정하고, 중급 난이도의 수학 문제를 먼저 제공함으로써, 수학 교육 시스템(300)은 학습자의 흥미를 유도하고, 풀이 결과에 따라 명확한 학습자 상태 정보를 업데이트할 수 있다. 또한, 수학 문제의 난이도를 함께 조정하여, 수학 교육 시스템(300)은 학습자의 수학 풀이 능력에 맞춤화된 수학 교육을 제공할 수 있다.
동작(S404)에서, 중앙 서버(310)는 학습자 단말(340)로부터 학습자에 의해 풀이된 중급 난이도에 대응하는 수학 문제에 대한 풀이 시간, 풀이 과정 및 풀이 결과를 포함하는 풀이 정보를 수신할 수 있다. 풀이 시간은 학습자가 수학 문제의 풀이를 시작한 시각과 풀이 결과를 학습자 단말(340)에 입력한 시각의 차이 시간에 해당할 수 있다. 풀이 과정은 학습자가 학습자 단말에 스마트 펜슬(예를 들어, 스마트 펜, 터치펜, 갤럭시 스마트 펜슬, 애플 펜슬, 아이패드 펜슬, 스마트폰 터치펜 또는 테블릿 터치펜)을 이용하여 기재한 일련의 수학식들을 포함할 수 있다. 풀이 결과는 학습자가 학습자 단말(340)을 통해 입력한 수학 문제의 답에 해당할 수 있다.
동작(S405) 및 동작(S406)에서, 중앙 서버(310)는 학습자의 모션 및 동공의 움직임을 인식하여 학습자의 집중도를 분석하고, 학습자의 눈깜박임 속도에 기반하여 학습자의 피로도를 분석할 수 있다. 생체신호 검출부(330)는 학습자의 생체신호를 수집하고, 학습자의 생체신호를 생체신호 데이터로 변환하고, 수집된 학습자의 생체신호 데이터를 중앙 서버(310)로 전송할 수 있다. 여기서 생체신호 데이터는 음성 데이터, 학습자가 수학 문제를 풀이하는 동안 일정한 시점별 모션 데이터, 학습자의 동공의 움직임 데이터 및 학습자의 눈의 깜박임 속도 데이터를 포함할 수 있다. 중앙 서버(310)는 기 저장된 학습자의 목소리 외 다른 사람의 음성 데이터를 수신하는 경우, 집중도 수치를 낮게 산출할 수 있다.
동작(S407)에서, 중앙 서버(310)는 학습자의 풀이 정보, 집중도 및 피로도에 기반하여 학습자 상태 정보를 조정할 수 있다. 중앙 서버(310)는 학습자의 풀이 정보를 통해 해당 수학 문제에 대한 오답여부를 판단할 뿐만 아니라, 집중도 및 피로도를 함께 고려하여 학습자 상태 정보를 조정할 수 있다. 예를 들어, 학습자의 집중도가 낮거나, 피로도가 높은 상태에서 학습자가 수학 문제의 정답을 맞춘 경우, 중앙 서버(310)는 학습자 상태 정보의 학습자 상태 정보를 한 단계 더 높은 수준의 상태로 평가할 수 있다. 학습자의 집중도가 저하된 상태 또는 피로도가 높은 상태에서 학습자가 해당 수학 문제의 정답을 맞춘다는 것은 학습자가 해당 수학 문제를 풀이하는 데에 필요한 공식이나 논리적 사고가 이미 기계적으로 학습되어 있다는 것을 의미할 수 있다. 본 발명은 학습자의 풀이 정보뿐만 아니라 학습자의 피로도 및 집중도를 고려하여 학습자 상태 정보를 평가함으로써, 실제 학습자의 수학 문제 풀이 능력을 정확하게 파악할 수 있다. 또한, 본 발명은 학습자의 풀이 능력에 맞춤화된 난이도의 수학 문제를 제공하여 학습자의 수학 능력을 효율적으로 향상시킬 수 있다.
동작(S408)에서, 중앙 서버(310)는 풀이 정보에 기반하여 수학 문제들 각각의 초기 난이도를 맞춤 난이도로 조정할 수 있다. 여기서 예를 들어, 학습자가 완전 제곱식 공식을 이용하여야 하는 수학 문제를 맞춘 경우, 중앙 서버(310)는 완전 제곱식 공식에 관한 수학 문제들의 맞춤 난이도를 상향 조정할 수 있다. 또한, 학습자가 근의 공식을 이용하여야 하는 수학 문제를 틀린 경우, 중앙 서버(310)는 근의 공식을 이용하여야 하는 수학 문제들의 맞춤 난이도를 하향 조정할 수 있다.
동작(S409)에서, 중앙 서버(310)는 조정된 학습자 상태 정보를 기초로 맞춤 난이도에 대응하는 수학 문제를 학습자 단말로 전송할 수 있다. 수학 교육 시스템(300)은 본 발명은 실제 학습자의 수학 풀이 능력에 맞춤화된 수학 문제를 학습자에게 제공할 수 있다. 이를 통해, 수학 교육 시스템(300)은 학습자의 수학 풀이 능력을 효율적으로 향상시킬 수 있다.
도 5는 일 실시예에 따른 수학 문제들의 초기 난이도를 산출하는 방법을 나타내는 흐름도이다.
동작(S501)에서, 중앙 서버(310)는 수학 문제들을 제1 그룹, 제2 그룹 및 제3 그룹 중 적어도 하나로 분류할 수 있다. 여기서 제1 그룹, 제2 그룹 및 제3 그룹 각각은 동일한 공식을 이용하여 풀이할 수 있는 수학 문제들로 구성될 수 있다. 예를 들어, 제1 그룹에 속한 수학 문제들은 근의 공식을 이용하여 풀이할 수 있는 수학 문제에 해당할 수 있다. 제1 그룹에 속한 수학 문제들은 동일한 공식을 이용하여 풀이하여야 하나, 수학 연산의 복잡도에 따라 난이도는 다르게 산정될 수 있다.
동작(S502)에서, 중앙 서버(310)는 학습경과시간, 종료 시각 이후 학습자가 학습자 단말(340)을 통해 풀이한 풀이 문제의 수, 풀이 문제 중 맞춤 난이도를 산출하고자 하는 수학 문제와 동일한 그룹에 속한 동일한 그룹(예를 들어, 제1 그룹, 제2 그룹 또는 제3 그룹)의 수학 문제의 수 및 풀이 문제의 과거 난이도에 기반하여 학습 망각도를 산출할 수 있다. 학습경과시간은 학습자의 동영상 강의의 종료 시각 및 현재 시각 간의 차이를 의미할 수 있다. 풀이 문제의 수는 동일한 그룹(예를 들어, 제1 그룹, 제2 그룹 또는 제3 그룹)에 해당하는지 여부와 관계없이 학습자의 동영상 강의의 수강을 마친 종료 시각 이후 풀이한 전체 풀이 문제의 수를 의미할 수 있다. 동일한 그룹에 속하는 수학 문제들은 다른 숫자 연산을 필요로 하나, 동일한 공식을 이용하여야 풀이할 수 있으므로, 유사한 문제들에 해당할 수 있다.
여기서, 중앙 서버(310)는 하기 수학식 1에 의해 학습 망각도를 산출할 수 있다.
LF는 학습 망각도(Learning Forgetfulness)에 대응하고, T는 학습 경과 시간(Time)에 대응하고, TP는 학습자가 풀이한 전체 문제 개수(Total Problem)이고, PCA는 학습자의 전체 문제에 대한 정답률(Percentage of Correct Answers), SGP는 학습자가 풀이한 전체 수학 문제 중 맞춤 난이도를 산출하고자 하는 수학 문제와 동일한 공식을 이용하여 풀 수 있는 수학 문제의 개수(Same Group Problem)일 수 있다. 일 실시예에서, 수학식 1을 이용하여 학습 망각도를 산출하는 경우, 학습자의 기억력은 한계가 있으므로, 학습자가 풀어본 문제가 많을수록 오히려 학습 망각도는 높아지는 경우를 고려할 수 있다. 또한, 중앙 서버(310)는 동일한 공식의 이용 횟수에 대응하는 SGP를 이용해 학습자의 반복 학습에 의한 기억력 상승도를 고려할 수 있다.
동작(S503)에서, 중앙 서버(310)는 학습 망각도 및 동일 그룹 문제의 전체 문제 대비 정답률에 기반하여 상급 난이도, 중급 난이도 또는 하급 난이도 중 적어도 하나를 포함하는 수학 문제들 각각의 초기 난이도를 산출할 수 있다.
여기서, 중앙 서버(310)는 하기 수학식 2에 기반하여 초기 난이도를 산출할 수 있다.
CustD는 맞춤난이도(Custom Difficulty)에 대응하고, LF는 학습 망각도(Learning Forgetfulness)에 대응하고, PCA는 학습자의 전체 문제에 대한 정답률(Percentage of Correct Answers)일 수 있다. 이를 통해, 수학 교육 시스템은 학습자의 학습경과시간 뿐만 아니라 동일한 공식을 이용하여야 하는 유사 문제들의 풀이 횟수(예를 들어, SGP), 전체 문제 개수 및 정답률을 고려하여 학습자 개개인의 초기 난이도를 자동으로 산출할 수 있다. 또한, 학습자는 풀이한 수학 문제를 맞춘 경우보다 틀린 경우에 더 오래 기억하는 경향있으며, 수학 교육 시스템(300)은 PCA를 맞춤 난이도에 반영하여, 더 정확한 맞춤 난이도를 산출할 수 있다. 이를 통해 수학 교육 시스템은 학습에 효율적인 맞춤형 수학 교육 서비스를 제공할 수 있다. 또한, 학습자는 맞춤화된 수학 문제를 풀이함으로써, 수학에 대하여 더욱 흥미를 느끼고, 수학 풀이 능력을 보다 빠르게 향상시킬 수 있다.
다른 실시예에서, 중앙 서버(310)는 학습자의 학습자 상태 정보 및 학습 이력을 기초로 초기 난이도 추정 모델을 이용하여 수학 문제들 각각의 예상 초기 난이도를 추정할 수 있다. 여기서, 초기 난이도 추정 모델은 입력 레이어, 하나 이상의 히든 레이어 및 출력 레이어를 포함하고, 학습자 상태 정보, 학습 이력 및 정답 초기 난이도를 쌍으로 하는 복수의 학습 데이터는 초기 난이도 추정 모델의 입력 레이어에 입력되어 하나 이상의 히든 레이어 및 출력 레이어를 통과하여 출력 벡터를 출력하고, 출력 벡터는 출력 레이어에 연결된 손실함수 레이어에 입력되고, 손실함수 레이어는 출력 벡터와 각각의 학습 데이터에 대한 정답 벡터를 비교하는 손실 함수를 이용하여 손실값을 출력하고, 초기 난이도 추정 모델의 파라미터는 손실값이 작아지는 방향으로 학습될 수 있다.
여기서, 손실 함수는 수학식을 따를 수 있다. 수학식에서, N은 복수의 학습 데이터의 수, n은 학습 데이터를 식별하는 자연수, k는 n번째 학습 데이터의 값을 식별하는 자연수, nk는 n번째 학습 데이터의 k번째 값을 의미하고, t는 정답 데이터를 의미하고, y는 출력 벡터를 의미하고, E는 손실값을 의미할 수 있다.
도 6은 일 실시예에 따른 학습자에게 맞춤형 수학 교육을 제공하는 서버의 동작의 예시를 나타내는 흐름도이다.
동작(S601)에서, 중앙 서버(310)는 학습자 정보에 기반하여 수학 문제들 각각의 초기 난이도를 산출할 수 있다.
동작(S602)에서, 중앙 서버(310)는 중급 난이도에 대응하는 수학 문제를 학습자 단말(340)에게 전송할 수 있다. 중앙 서버(310)는 처음부터 학습자에게 상급 난이도에 대응하는 수학 문제보다 쉬운 중급 난이도에 대응하는 수학 문제를 제공함으로써, 학습자의 흥미를 유발할 수 있다.
동작(S603)에서, 중앙 서버(310)는 학습자 단말(340)로부터 수학 문제에 대한 풀이시간, 풀이 과정 및 풀이 결과를 포함하는 풀이 정보를 수신할 수 있다. 중앙 서버(310)는 학습자 단말(340)로부터 풀이 시간 및 풀이 결과뿐만 아니라 풀이 과정을 수신함으로써, 학습자가 취약한 파트를 판단할 수 있다. 예를 들어, 중앙 서버(310)는 풀이 과정에 수학 문제를 풀이하는데 필요한 수학 공식이 전혀 현출되어 있지 않은 경우, 학습자의 공식 암기가 미숙한 상태(예를 들어, 제1 상태)로 판단할 수 있다. 중앙 서버(310)는 학습자의 공식 암기가 미숙한 것으로 판단되는 경우, 풀이 시간 및 풀이 결과에 기반하여 학습자 상태 정보가 제4 상태로 판단되더라도, 중앙 서버(310)는 학습자 상태 정보를 제1 상태로 설정할 수 있다. 또한, 중앙 서버(310)는 풀이 과정에 필요한 수학 공식은 현출되어 있으나, 단순 숫자 계산에서 계산 오류가 있는 경우, 학습자의 수학 연산이 미숙한 것으로 판단하고, 단순 계산이 필요한 문제들의 맞춤 난이도를 한 단계 상향시킬 수 있다(예를 들어, 하급 난이도에 해당하는 수학 문제를 중급 난이도로 상향).
동작(S604)에서, 중앙 서버(310)는 학습자의 눈의 깜박임 속도 및 학습자의 수면정보에 기반하여 피로도 지수를 산출할 수 있다. 중앙 서버(310)는 기 설정된 시간 동안 학습자의 눈의 깜박임 속도가 임계 깜박임 속도 미만에 해당하는 경우, 학습자의 피로도 지수를 높게 산출할 수 있다. 또한, 학습자의 수면정보는 학습자의 평균 수면 패턴 및 학습자의 전날 수면 시간을 포함할 수 있다. 중앙 서버(310)는 학습자의 평균 수면 패턴에 기초하여 학습자의 평균 수면 시간을 계산하고, 학습자의 전날 수면 시간이 학습자의 평균 수면 시간보다 낮은 경우, 학습자의 피로도 지수를 높게 산출할 수 있다.
중앙 서버(310)는 피로도 지수가 기 설정된 피로도 기준치를 초과하는 경우 학습자 단말(340)에게 휴식 권고 신호를 전송할 수 있다. 휴식 권고 신호는 휴식 시간을 포함할 수 있다. 여기서 중앙 서버(310)는 휴식 시간을 피로도 지수에 비례하여 산정할 수 있다. 일 실시예에서, 피로도 지수가 6으로 산출되는 경우, 중앙 서버(310)는 휴식 시간을 20분으로 설정할 수 있다. 또한, 피로도 지수가 1로 산출되는 경우, 중앙 서버(310)는 휴식시간을 5분으로 설정할 수 있다. 다만, 이러한 설정방식은 예시에 불과하며 다양한 설정 작업이 포함될 수 있다.
또한, 중앙 서버(310)는 피로도 지수가 기 설정된 피로도 기준치 이하에 해당하고, 학습자 상태 정보가 제1 상태 또는 제2 상태가 아닌 경우에 한하여, 학습자 상태 정보를 다음 순서의 상태로 설정할 수 있다.
수학 교육 시스템(300)은 학습자의 졸음 정도를 피로도 지수로 환산하여, 학습자에게 필요한 휴식을 제공할 수 있다. 또한, 학습자에게 적절한 휴식을 권고하여, 수학 교육 시스템(300)은 학습자의 학습효율을 향상시킬 수 있다.
동작(S605)에서, 중앙 서버(310)는 외부 영역 도달 횟수 및 비인지 행동 지표의 발생 횟수에 기반하여 집중도의 집중도 지수를 산출할 수 있다. 외부 영역은 수학 문제가 표시된 학습자 단말(340)을 벗어난 영역을 의미할 수 있다. 중앙 서버(310)는 생체신호 검출부(330)로부터 수신한 학습자의 동공 움직임 데이터에 기초하여 시선 추적 방식으로 학습자의 시선을 추적할 수 있다. 중앙 서버(310)는 학습자의 시선이 외부 영역에 도달한 횟수가 기 설정된 영역 도달 횟수를 초과하는 경우, 집중도 지수를 낮게 산출할 수 있다.
또한, 중앙 서버(310)는 학습자 상태 정보가 제1 상태 또는 제2 상태로 판단되는 경우, 모션 인식 방법으로 수학 문제의 풀이 시간 동안의 기 설정된 횟수 이상 반복되는 학습자의 모션을 학습자의 비인지 행동 지표로 설정할 수 있다. 예를 들어, 비인지 행동 지표는 '반복하여 손가락으로 펜을 돌리는 행동', '턱을 괴는 행동', '손톱을 뜯는 행동' 및 '눈을 비비는 행동'을 포함할 수 있다. 다만, 이러한 비인지 행동 지표은 예시에 불과하며 다양한 행동 지표가 포함될 수 있다. 중앙 서버(310)는 학습자의 비인지 행동 지표의 발생 횟수에 반비례하여 집중도 지수를 산출할 수 있다. 이를 통해, 학습자가 수학 문제를 틀리거나, 풀이하는데 시간이 오래 걸리는 경우, 중앙 서버(310)는 반복되는 행동 패턴을 비인지 행동 지표로 설정하고, 비인지 행동 지표에 기반하여 집중도 지수를 산출함으로써, 실제 학습자의 집중도를 더욱 정확하게 산출할 수 있다. 수학 교육 시스템(300)은 비대면 온라인 교육에 있어서 학습자의 집중도를 파악하고, 그에 기반한 맞춤 난이도를 갖는 수학 문제를 제공함으로써, 대면 교육에 대응하는 교육 서비스를 제공할 수 있다.
동작(S606)에서, 중앙 서버(310)는 학습자의 풀이 결과와 수학 문제의 정답이 일치하는지 여부를 판단할 수 있다.
동작(S606)에서, 학습자의 풀이 결과와 수학 문제의 정답이 일치하는 경우, 중앙 서버(310)는 학습자의 풀이 시간이 제1 기준치를 초과하는지 판단할 수 있다(S607). 제1 기준치는 수학 문제의 적정 풀이 시간에 여유 시간을 더 포함하는 시간에 해당할 수 있다. 이를 통해, 학습자가 수학 문제의 정답을 맞췄더라도, 기준 시간내에 풀이하지 못한 경우를 파악하여, 정확한 학습자의 수학 풀이 능력을 산정할 수 있다.
동작(S608)에서, 중앙 서버(310)는 학습자의 풀이 시간이 제1 기준치를 초과하는 경우, 수학 문제에 대한 학습자 상태 정보를 제2 상태로 판단할 수 있다.
동작(S609)에서, 학습자의 풀이 시간이 제1 기준치를 초과하지 않는 경우, 중앙 서버(310)는 학습자의 풀이 시간이 제2 기준치를 초과하는지 여부를 판단할 수 있다. 일 예시에서, 제2 기준치는 제1 기준치보다 적은 시간값에 해당할 수 있다. 또한, 제2 기준치는 해당 수학 문제에 대한 적정 풀이 시간에 해당할 수 있다.
동작(S611)에서, 학습자의 수학 문제에 대한 풀이 결과와 정답이 일치하고, 학습자의 풀이시간이 제1 기준치 이하이면서, 제2 기준치를 초과하는 경우, 중앙 서버(310)는 수학 문제에 대한 학습자 상태 정보를 제3 상태로 판단할 수 있다. 제3 상태는 학습자가 해당 수학 문제를 정확히 이해하고, 풀이를 한 경우에 해당할 수 있다. 수학 교육 시스템(300)은 학습자의 수학 문제에 대한 풀이 결과뿐만 아니라 풀이 시간을 세분화하여 학습자의 수학 풀이 능력을 평가할 수 있으며, 해당 풀이 능력에 대응하는 수학 문제를 다시 제공함으로써, 수준 높은 수학 교육 서비스를 제공할 수 있다.
중앙 서버(310)는 제3 상태로 판단된 수학 문제와 동일한 그룹에 속하는 수학 문제들의 맞춤 난이도를 1단계 하향 조정할 수 있다. 수학 교육 시스템(300)은 학습자 상태 정보뿐만 아니라 수학 문제들의 맞춤 난이도를 조정하여 학습자의 향상된 능력에 따라 적합한 수학 문제를 제공할 수 있다.
동작(S612)에서, 학습자의 수학 문제에 대한 풀이 결과와 정답이 일치하고, 풀이 시간이 제2 기준치 이하에 해당하는 경우, 중앙 서버(310)는 수학 문제에 대한 학습자 상태 정보를 제4 상태로 판단할 수 있다. 제4 상태는 학습자의 공식에 대한 암기, 공식 응용 능력 및 수학 연산 능력이 우수한 상태에 해당할 수 있다.
동작(S614)에서, 중앙 서버(310)는 학습자의 피로도 지수가 기 설정된 피로도 기준치를 초과하는지 여부를 판단할 수 있다.
동작(S615)에서, 학습자의 피로도 지수가, 기 설정된 피로도 기준치를 초과하는 경우, 중앙 서버(310)는 수학 문제에 대한 학습자 상태 정보를 1단계 향상된 상태로 판단할 수 있다. 일 실시예에서, 중앙 서버(310)는 학습자의 풀이 정보에 기초하여 학습자 상태 정보가 제4 상태로 판단되는 경우라도, 피로도 지수가 피로도 기준치를 초과하는 경우 학습자 상태 정보를 제5 상태로 판단할 수 있다.
동작(S616)에서, 학습자의 피로도 지수가 기 설정된 피로도 기준치를 초과하지 않는 경우, 중앙 서버(310)는 학습자 상태 정보를 그대로 유지할 수 있다. 예를 들어, 학습자의 풀이 정보에 기초하여 학습자 상태 정보가 제3 상태로 판단되는 경우, 중앙 서버(310)는 학습자 상태 정보를 제3 상태로 그대로 유지시킬 수 있다.
동작(S617)에서, 중앙 서버(310)는 학습자의 집중도 지수가 기 설정된 임계치 미만에 해당하는지 판단할 수 있다.
동작(S618)에서, 학습자의 집중도 지수가 기 설정된 임계치 미만인 경우, 중앙 서버(310)는 수학 문제에 대한 학습자 상태 정보를 1단계 향상된 상태로 판단할 수 있다. 학습자가 집중을 하지 않는 상태에서도 수학 문제를 풀이하여 정답을 맞춘 경우, 중앙 서버(310)는 학습자의 수학 풀이 능력을 더 높게 평가할 수 있다. 이를 통해, 수학 교육 시스템(300)은 학습자의 집중도를 더 고려함으로써, 정확한 학습자의 수학 능력을 판단하고, 맞춤화된 수학 교육을 제공할 수 있다.
동작(S619)에서, 학습자의 집중도 지수가 기 설정된 임계치 이상인 경우, 중앙 서버(310)는 수학 문제에 대한 학습자 상태 정보를 그대로 유지할 수 있다. 예를 들어, 학습자의 풀이 정보에 기초하여 학습자 상태 정보가 제3 상태로 판단되는 경우, 중앙 서버(310)는 학습자 상태 정보를 제3 상태로 그대로 유지시킬 수 있다.
동작(S620)에서, 중앙 서버(310)는 학습자 단말(340)로 학습자 상태 정보에 대응하는 수학 문제를 전송할 수 있다. 예를 들어, 학습자 상태 정보가 제4 상태에 해당하는 경우, 중앙 서버(310)는 풀이한 수학 문제에 대하여는 학습자가 우수한 수학 풀이 능력을 가지고 있는 것으로 해석할 수 있으므로, 중앙 서버(310)는 학습자가 풀이한 수학 문제와 다른 그룹(예를 들면, 풀이한 문제가 제1 그룹이면, 제2 그룹에 속하는 수학 문제)에 속하고 중급 난이도에 대응하는 수학 문제를 제공할 수 있다.
또한, 일 예시에서, 학습자 상태 정보가 제2 상태에 해당하는 경우, 중앙 서버(310)는 학습자의 수학 풀이 능력이 미숙한 것으로 해석할 수 있다. 이 경우, 중앙 서버(310)는 학습자가 풀이한 수학 문제와 동일한 그룹에 속하는 다른 수학 문제를 제공할 수 있다.
동작(S610)에서, 학습자의 수학 문제에 대한 풀이 결과와 수학 문제의 정답이 불일치하는 경우, 수학 문제에 대한 학습자 상태 정보를 제1 상태로 판단할 수 있다. 제1 상태는 학습자가 정답을 맞추지 못한 경우로써, 학습자의 해당 수학 문제에 필요한 공식을 암기하지 못한 상태이거나 숫자 연산 과정이 틀린 경우에 해당할 수 있다. 제1 상태에 해당하는 경우, 중앙 서버(310)는 학습자의 풀이 과정을 해석하여, 학습자의 공식 암기가 부족한 경우인지, 숫자 연산이 틀린 경우인지 판단할 수 있다.
일 예시에서, 중앙 서버(310)는 학습자 상태 정보가 제1 상태에 해당하고, 학습자의 공식 암기가 부족한 경우로 판단되는 경우, 해당 공식과 관련된 동영상 강의 일정을 예약하고, 학습자 단말(340)로 예약된 강의 일정을 전송할 수 있다.
일 예시에서, 학습자 상태 정보가 제1 상태에 해당하고, 학습자의 숫자 연산 능력이 부족한 경우로 판단되는 경우, 중앙 서버(310)는 학습자가 풀이한 수학 문제와 동일한 그룹에 속하는 다른 수학 문제를 학습자 단말(340)에 전송할 수 있다.
동작(S613)에서, 중앙 서버(310)는 모션 인식 방법으로 수학 문제의 풀이 시간 동안의 기 설정된 횟수 이상 반복되는 학습자의 모션을 학습자의 비인지 행동 지표로 설정할 수 있다. 중앙 서버(310)는 동작(S605)와 동일한 방식으로 비인지 행동 지표를 설정할 수 있다.
도 7은 일 실시예에 따른 중앙 서버(310)의 구성을 도시한 도면이다.
중앙 서버(310)(예: 도1의 서버(110))는 메모리(memory)(710), 프로세서(processor)(720) 및 통신부(730)를 포함할 수 있다. 통신부(730)는 송수신기(transceiver)를 포함할 수 있다.
메모리(710)는 롬(ROM), 램(RAM), 비휘발성메모리, 휘발성메모리, 하드 디스크 드라이브(HDD), 솔리드 스테이트 드라이브(SSD), USB 메모리, 플래시 메모리 카드, 이에 대응하는 각종 이동식, 휴대식 저장매체(예컨대, SD(Secure Digital) 메모리 카드, microSD 메모리 카드, ISO 7816 표준의 저장장치 등)를 포함하지만, 이에 한정되지 않고 데이터를 저장하는 모든 종류의 저장 장치를 포함할 수 있다. 메모리(610)는 저장 장치로 지칭될 수 있다.
프로세서(720)는 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 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.
이상에서 설명된 실시예들은 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치, 방법 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.
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 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 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.
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. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상과 같이 실시예들이 비록 한정된 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기를 기초로 다양한 기술적 수정 및 변형을 적용할 수 있다. 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.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.
Claims (7)
- 학습자 맞춤형 수학 교육 시스템에 있어서,
학습자에 의한 수학 문제의 풀이 과정을 입력 받는 터치 스크린을 포함하는 학습자 단말;
상기 학습자의 모션, 동공의 움직임, 눈의 깜박임 속도를 포함하는 상기 학습자의 생체신호를 수집하는 생체신호 검출부; 및
중앙 서버를 포함하고,
상기 중앙 서버는,
복수의 수학 문제들을 저장하는 데이터베이스를 포함하고,
상기 학습자 단말로부터 상기 학습자의 학습자 상태 정보 및 학습 이력을 포함하는 학습자 정보를 수신하고,
상기 학습자 정보에 기반하여 상기 수학 문제들 각각의 초기 난이도를 산출하고, 상기 초기 난이도는 상급 난이도, 중급 난이도 또는 하급 난이도로 분류되고,
상기 중급 난이도에 대응하는 수학 문제를 상기 학습자 단말로 전송하고,
상기 학습자 단말로부터 상기 학습자에 의해 풀이된 상기 중급 난이도에 대응하는 수학 문제에 대한 풀이 시간, 풀이 과정 및 풀이 결과를 포함하는 풀이 정보를 수신하고,
상기 학습자의 모션 및 동공의 움직임을 인식하여 상기 학습자의 집중도를 분석하고,
상기 학습자의 눈의 깜박임 속도에 기반하여 상기 학습자의 피로도를 분석하고,
상기 학습자의 상기 풀이 정보, 상기 집중도 및 상기 피로도에 기반하여 상기 학습자 상태 정보를 조정하고,
상기 풀이 정보에 기반하여 상기 수학 문제들 각각의 초기 난이도를 맞춤 난이도로 조정하고,
상기 조정된 학습자 상태 정보를 기초로 상기 맞춤 난이도에 대응하는 수학 문제를 상기 학습자 단말로 전송하는,
학습자 맞춤형 수학 교육 시스템.
- 제1항에 있어서,
상기 학습 이력은 상기 학습자의 동영상 강의의 수강이력, 상기 학습자의 수학 문제에 대한 풀이 이력 및 과거 난이도를 포함하고,
상기 학습자의 동영상 강의의 수강이력은 상기 동영상 강의의 종료 시각 및 현재 시각 간의 차이를 나타내는 학습 경과 시간을 포함하고,
제1 그룹, 제2 그룹 및 제3 그룹은 각각 동일한 공식을 이용하여 풀이될 수 있는 수학 문제들을 포함하고,
상기 중앙 서버는:
상기 수학 문제들을 상기 제1 그룹, 상기 제2 그룹 및 상기 제3 그룹 중 적어도 하나로 분류하고,
상기 동영상 강의의 수강이력, 상기 풀이 이력 및 상기 과거 난이도에 기반하여 상기 학습자의 상기 학습 망각도를 산출하고,
상기 학습 망각도 및 상기 동일한 그룹에 속한 수학 문제의 전체 문제에 대한 정답률에 기반하여 상급 난이도, 중급 난이도 또는 하급 난이도 중의 하나로 상기 수학 문제들 각각의 초기 난이도를 산출하는,
학습자 맞춤형 수학 교육 시스템.
- 제2항에 있어서,
상기 중앙 서버는,
상기 학습 경과 시간, 상기 종료 시각 이후 상기 학습자에 의해 풀이된 풀이 문제의 수, 상기 풀이 문제 중 상기 학습자에 의해 풀이된 상기 중급 난이도에 대응하는 수학 문제와 동일한 그룹에 속한 수학 문제의 수 및 상기 풀이 문제의 과거 난이도에 기반하여 학습 망각도를 산출하는,
학습자 맞춤형 수학 교육 시스템.
- 제1항에 있어서,
상기 학습자 상태 정보는 제1 상태, 제2 상태, 제3 상태 또는 제4 상태 중 적어도 하나를 포함하고,
상기 중앙 서버는:
상기 풀이 결과와 상기 수학 문제의 정답을 비교하여 상기 수학 문제의 오답여부를 판단하고,
상기 풀이 결과와 상기 수학 문제의 상기 정답이 불일치하는 경우, 상기 수학 문제에 대한 상기 학습자 상태 정보를 제1 상태로 판단하고,
상기 풀이 결과와 상기 정답이 일치하고, 상기 풀이 시간이 제1 기준치를 초과하는 경우, 상기 수학 문제에 대한 상기 학습자 상태 정보를 제2 상태로 판단하고,
상기 풀이 결과와 상기 정답이 일치하고, 상기 풀이 시간이 제1 기준치 이하이고, 제2 기준치를 초과하는 경우, 상기 수학 문제에 대한 상기 학습자 상태 정보를 제3 상태로 판단하고,
상기 풀이 결과와 상기 정답이 일치하고, 상기 풀이 시간이 제2 기준치 이하에 해당하는 경우, 상기 수학 문제에 대한 상기 학습자 상태 정보를 제4 상태로 판단하는,
학습자 맞춤형 수학 교육 시스템.
- 제4항에 있어서,
상기 중앙 서버는:
상기 학습자의 동공의 움직임으로부터 상기 수학 문제가 표시된 학습자 단말을 벗어난 영역에 해당하는 외부 영역의 도달 횟수를 산출하고,
상기 학습자 상태 정보가 제1 상태 또는 제2 상태로 판단되는 경우, 상기 모션 인식 방법으로, 상기 수학 문제의 풀이 시간 동안의 기 설정된 횟수 이상 반복되는 학습자의 모션을 상기 학습자의 비인지 행동 지표로 설정하고,
상기 수학 문제의 풀이시간 동안의 비인지 행동 지표의 발생 횟수를 산출하고,
상기 외부 영역 도달 횟수 및 상기 비인지 행동 지표의 발생 횟수에 기반하여 상기 집중도의 집중도 지수를 산출하고,
상기 집중도 지수가 설정된 임계치를 미만에 해당하고, 상기 학습자 상태 정보가 제1 상태 또는 제2 상태가 아닌 경우에 한하여, 상기 학습자 상태 정보를 다음 순서의 상태로 설정하고,
상기 설정된 다음 순서의 상태에 대응하는 맞춤 난이도를 갖는 수학 문제를 상기 학습자 단말로 전송하는,
학습자 맞춤형 수학 교육 시스템.
- 제4항에 있어서,
상기 중앙 서버는:
상기 학습자 단말로부터 상기 학습자의 수면정보를 수신하고,
상기 학습자의 눈의 깜박임 속도 및 상기 학습자의 수면정보에 기반하여 상기 피로도의 피로도 지수를 산출하고,
상기 피로도 지수가 기 설정된 피로도 기준치 이하에 해당하고, 상기 학습자 상태 정보가 제1 상태 또는 제2 상태가 아닌 경우에 한하여, 상기 학습자 상태 정보를 다음 순서의 상태로 설정하고,
상기 설정된 다음 순서의 상태에 대응하는 맞춤 난이도에 대응하는 제2 수학 문제를 상기 학습자 단말로 전송하는,
학습자 맞춤형 수학 교육 시스템.
- 제1항에 있어서,
상기 중앙 서버는:
상기 학습자의 상기 학습자 상태 정보 및 상기 학습 이력을 기초로 초기 난이도 추정 모델을 이용하여 상기 수학 문제들 각각의 초기 난이도를 추정하고,
상기 초기 난이도 추정 모델은 입력 레이어, 하나 이상의 히든 레이어 및 출력 레이어를 포함하고,
학습자 상태 정보, 학습 이력 및 정답 초기 난이도를 쌍으로 하는 복수의 학습 데이터는 초기 난이도 추정 모델의 상기 입력 레이어에 입력되어 상기 하나 이상의 히든 레이어 및 출력 레이어를 통과하여 출력 벡터를 출력하고, 상기 출력 벡터는 상기 출력 레이어에 연결된 손실함수 레이어에 입력되고, 상기 손실함수 레이어는 상기 출력 벡터와 각각의 학습 데이터에 대한 정답 벡터를 비교하는 손실 함수를 이용하여 손실값을 출력하고, 초기 난이도 추정 모델의 파라미터는 상기 손실값이 작아지는 방향으로 학습되고,
[수학식]
상기 손실 함수는 상기 수학식을 따르고,
상기 수학식에서, N은 상기 복수의 학습 데이터의 수, n은 학습 데이터를 식별하는 자연수, k는 n번째 학습 데이터의 값을 식별하는 자연수, nk는 n번째 학습 데이터의 k번째 값을 의미하고, t는 정답 데이터를 의미하고, y는 상기 출력 벡터를 의미하고, E는 손실값을 의미하는,
학습자 맞춤형 수학 교육 시스템.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210152557A KR102544246B1 (ko) | 2021-11-08 | 2021-11-08 | 학습자 맞춤형 수학 교육 시스템 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210152557A KR102544246B1 (ko) | 2021-11-08 | 2021-11-08 | 학습자 맞춤형 수학 교육 시스템 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20230066969A true KR20230066969A (ko) | 2023-05-16 |
| KR102544246B1 KR102544246B1 (ko) | 2023-06-16 |
Family
ID=86545947
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210152557A KR102544246B1 (ko) | 2021-11-08 | 2021-11-08 | 학습자 맞춤형 수학 교육 시스템 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102544246B1 (ko) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102636079B1 (ko) * | 2023-06-08 | 2024-02-14 | 주식회사 화신이앤엘 (E&L) | 학습자에게 맞춤형 수학 문제를 제공하기 위한 장치 및 방법 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20140021208A (ko) * | 2012-08-09 | 2014-02-20 | 숭실대학교산학협력단 | 학습 의지 및 학습 능률 패턴 변동 예측을 통해 개인화된 콘텐츠 제공 장치 및 방법 |
| KR20150051198A (ko) * | 2015-04-09 | 2015-05-11 | 주식회사 테라클 | 학습자 맞춤형 학습 서비스 제공 서버 및 방법 |
| KR101672145B1 (ko) * | 2015-10-30 | 2016-11-03 | 박형용 | 개인 맞춤형 학습 및 분석 서비스 제공 방법 |
| KR20160139221A (ko) * | 2015-05-27 | 2016-12-07 | 노성렬 | 집중도 평가시스템 |
| KR20200048594A (ko) * | 2018-10-30 | 2020-05-08 | 주식회사 스터디맥스 | 인공지능을 이용한 사용자 맞춤형 학습 콘텐츠 제공 시스템 및 방법 |
-
2021
- 2021-11-08 KR KR1020210152557A patent/KR102544246B1/ko active IP Right Grant
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20140021208A (ko) * | 2012-08-09 | 2014-02-20 | 숭실대학교산학협력단 | 학습 의지 및 학습 능률 패턴 변동 예측을 통해 개인화된 콘텐츠 제공 장치 및 방법 |
| KR20150051198A (ko) * | 2015-04-09 | 2015-05-11 | 주식회사 테라클 | 학습자 맞춤형 학습 서비스 제공 서버 및 방법 |
| KR20160139221A (ko) * | 2015-05-27 | 2016-12-07 | 노성렬 | 집중도 평가시스템 |
| KR101672145B1 (ko) * | 2015-10-30 | 2016-11-03 | 박형용 | 개인 맞춤형 학습 및 분석 서비스 제공 방법 |
| KR20200048594A (ko) * | 2018-10-30 | 2020-05-08 | 주식회사 스터디맥스 | 인공지능을 이용한 사용자 맞춤형 학습 콘텐츠 제공 시스템 및 방법 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102636079B1 (ko) * | 2023-06-08 | 2024-02-14 | 주식회사 화신이앤엘 (E&L) | 학습자에게 맞춤형 수학 문제를 제공하기 위한 장치 및 방법 |
Also Published As
| Publication number | Publication date |
|---|---|
| KR102544246B1 (ko) | 2023-06-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11763599B2 (en) | Model training method and apparatus, face recognition method and apparatus, device, and storage medium | |
| KR102413770B1 (ko) | 뉴럴 네트워크를 이용하는 심리 치료 서비스 제공 방법 및 장치 | |
| KR102360727B1 (ko) | 뉴럴 네트워크를 이용한 차량 추천 방법 및 장치 | |
| KR102408462B1 (ko) | 뉴럴 네트워크를 이용한 의상 추천 방법 및 장치 | |
| KR102544246B1 (ko) | 학습자 맞춤형 수학 교육 시스템 | |
| KR102484291B1 (ko) | 뉴럴 네트워크를 이용하여 서버가 구직자 리스트를 단말에게 제공하는 방법 및 장치 | |
| KR102479512B1 (ko) | 성과 지향 교육 방법, 그 방법을 수행하는 서버 및 단말기 | |
| KR20220087410A (ko) | 뉴럴 네트워크를 이용하는 심리 치료 서비스 제공 방법 및 장치 | |
| KR102492334B1 (ko) | 뉴럴 네트워크를 이용하여 챗봇 서비스와 관련된 이용 정보를 기반으로 고객 단말과 상담원 단말 사이의 통화 연결을 관리하는 방법 및 장치 | |
| KR102384892B1 (ko) | 뉴럴 네트워크를 이용한 기부 컨텐츠 추천 방법 및 장치 | |
| KR102433654B1 (ko) | 뉴럴 네트워크를 이용하여 서버가 색상 이미지에 기반한 심리 상태와 관련된 정보를 단말에게 제공하는 방법 및 장치 | |
| KR102399945B1 (ko) | 유아 학습용 전자 장치의 광학 문자 인식 방법 | |
| KR102563678B1 (ko) | 학습된 뉴럴 네트워크를 이용하여 맞춤형 학습 서비스를 제공하는 서버 및 동작 방법 | |
| KR102446665B1 (ko) | 다자간 영상 회의 서비스를 이용한 교습 시스템을 제공하는 서버 및 그 동작 방법 | |
| KR20240015467A (ko) | 뉴럴 네트워크를 이용한 학습 관리 방법 및 장치 | |
| KR102562282B1 (ko) | 성향 기반 매칭 방법 및 장치 | |
| KR20210091442A (ko) | Vr 콘텐츠에 의한 학습 큐레이팅 서버 및 그의 동작방법 그리고 그 시스템 | |
| KR102439323B1 (ko) | 플랜트 상태 관리 시스템 | |
| KR102590839B1 (ko) | 뉴럴 네트워크 기반의 컨텍스트 분석을 통한 진로 상담 컨텐츠 제공 시스템 | |
| KR20240006984A (ko) | 뉴럴 네트워크를 이용한 메타인지 능력을 평가하는 방법 및 장치 | |
| KR20240006983A (ko) | 뉴럴 네트워크를 이용한 학습 피드백 제공 장치 및 방법 | |
| KR102513048B1 (ko) | 뉴럴 네트워크를 이용하여 지원 사업과 관련된 리포트 정보 및 지원 사업과 관련된 진행 정보를 기반으로 진단 정보를 멘토 단말에게 전송하는 방법 및 장치 | |
| KR20190106857A (ko) | 음성신호 및 텍스트가 매칭된 데이터베이스의 구축방법 및 이를 위한 시스템, 이를 기록한 컴퓨터 판독 가능한 기록매체 | |
| KR102465106B1 (ko) | 뉴럴 네트워크를 이용한 주식 종목 분석 방법 및 장치 | |
| KR102528416B1 (ko) | 뉴럴 네트워크를 이용하여 광고 대상에 대한 인지도의 차이에 기반하여 마케팅 비용에 대한 정보를 단말에게 전송하는 방법 및 장치 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| GRNT | Written decision to grant |