KR20230140061A

KR20230140061A - 인공지능을 이용한 학습 코스 추천 방법 및 이를 위한 학습 코스 추천 장치

Info

Publication number: KR20230140061A
Application number: KR1020220038685A
Authority: KR
Inventors: 박경수
Original assignee: 주식회사 아이스크림에듀
Priority date: 2022-03-29
Filing date: 2022-03-29
Publication date: 2023-10-06

Abstract

본 발명은 관리 교강사를 위한 학습 코스 추천 방법과 이 방법을 구현하기 위한 학습 코스 추천 장치에 관한 것이다. 보다 상세하게는, 인공지능을 통한 학습 분석을 통해 조정 난이도를 추론하고, 이를 바탕으로 객관적이고 일관성을 높일 수 있는 학습 코스를 학생에게 제공할 수 있는 학습 코스 추천 방법과 이를 위한 학습 코스 추천 장치에 관한 것이다.
본 발명에 따른 학습 코스 추천 방법은, 교과 학습 로그 데이터베이스, 교과 학습 분석 데이터베이스, 패턴 지식베이스 및 제어부를 포함하는 컴퓨터 시스템을 통해 이루어지는 학습 코스 추천 방법으로, (a) 상기 컴퓨터 시스템이, 상기 교과 학습 로그 데이터베이스에 수집된 데이터를 사용하여, 학습자가 수행한 교과 학습 결과를 분석하여 상기 교과 학습 분석 데이터베이스에 저장하는 단계; (b) 상기 컴퓨터 시스템이, 상기 교과 학습 분석 데이터베이스에 저장된 데이터를 사용하여, 난이도 추론 모델을 통해, 상기 학습자에 대한 현재 학습 코스의 추론 난이도를 도출하는 단계; 및 (c) 상기 컴퓨터 시스템이, 도출된 추론 난이도를 포함하는 정보를 이용하여 상기 패턴 지식베이스를 통해 조정된 학습 코스를 추천하는 단계;를 포함하는 것을 특징으로 한다.

Description

인공지능을 이용한 학습 코스 추천 방법 및 이를 위한 학습 코스 추천 장치 {Learning course recommendation method using artificial intelligence and Learning course recommendation device}

본 발명은 교강사 및/또는 학생을 위한 학습 코스 추천 방법과 이 방법을 구현하기 위한 학습 코스 추천 장치에 관한 것이다. 보다 상세하게는, 인공지능을 통한 학습 분석을 통해 수행 중인 학습 코스의 조정 난이도를 추론하고, 추론 난이도를 통해 객관적이고 신뢰성이 높은 학습 코스의 추천이 가능한 학습 코스 추천 방법과 이를 위한 학습 코스 추천 장치에 관한 것이다.

인터넷을 활용한 교육 서비스는 시간적, 공간적 제약을 극복하고 저비용의 교육이 가능하다는 이점 때문에 주요한 교육 학습 수단으로 사용되고 있다.

이러한 교육 서비스 중에는 특히 유치원생, 초등학생, 중학생과 같이 자발적으로 학습 관리가 용이하지 않고 관리가 필요한 사용자를 대상으로 관리 교강사가 배정되어 온라인 상에서 학습 코스의 추천, 학습계획 수행 이력 및 성취도 등을 관리하여 학업 성취도를 높이는 서비스가 제공되고 있다.

이러한 방식의 서비스의 경우, 종래에는 관리 교강사가 학생의 학습계획 수행 이력, 성취도, 학습시간 등에 대한 학습 이력을 모니터링하고, 이를 바탕으로 개개의 학생에 대한 학습 코스를 맞춤형으로 추천하고 관리하였다.

이러한 학습 코스 추천 방법은 교강사의 주관이 개입될 수밖에 없고, 교강사들 사이에 존재하는 능력 또는 평가 기준의 차이에 의해 학습자별로 추천되는 학습 코스에 상당한 편차가 발생하여, 서비스의 질과 신뢰도를 유지하기 어려운 문제점이 있다.

등록특허공보 제10-2283711호

본 발명은 전술한 종래의 문제점을 해결하기 위하여 안출된 것으로, 본 발명의 목적은 인공지능을 통한 학습 분석으로 학습자별로 조정 난이도를 추론하여 그에 맞는 학습 코스를 추천할 수 있는 학습 코스 추천 방법 및 학습 코스 추천 장치를 제공하는 것이다.

또한, 본 발명에서 이루고자 하는 기술적 과제들은 이상에서 언급한 것에 제한되지 않고, 언급되지 않은 또 다른 과제(들)은 아래의 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.

상기 과제를 해결하기 위한 본 발명의 일 측면은, 교과 학습 로그 데이터베이스, 교과 학습 분석 데이터베이스, 패턴 지식베이스 및 제어부를 포함하는 컴퓨터 시스템을 통해 이루어지는 학습 코스 추천 방법으로, (a) 상기 컴퓨터 시스템이, 상기 교과 학습 로그 데이터베이스에 수집된 데이터를 사용하여 학습자가 수행한 교과 학습 결과를 분석하고 상기 교과 학습 분석 데이터베이스에 저장하는 단계; (b) 상기 컴퓨터 시스템이, 상기 교과 학습 분석 데이터베이스에 저장된 데이터를 사용하여 난이도 추론 모델을 통해, 상기 학습자에 대한 현재 학습 코스의 추론 난이도를 도출하는 단계; 및 (c) 상기 컴퓨터 시스템이, 도출된 추론 난이도를 포함하는 정보를 이용하여 상기 패턴 지식베이스를 통해 조정된 학습 코스를 추천하는 단계;를 포함하는, 학습 코스 추천 방법을 제공하는 것이다.

또한, 상기 학습 코스 추천 방법에 있어서, 상기 (a) 단계의 교과 학습 로그 데이터베이스는 학습자에 관한 기본정보, 인증정보, 접속정보 및 학습 정보를 포함할 수 있다.

또한, 상기 학습 코스 추천 방법에 있어서, 상기 (a) 단계의 교과 학습 분석 결과는 소정 기간의 평균 학습 수행율과 평균 성취율을 포함할 수 있다.

또한, 상기 학습 코스 추천 방법에 있어서, 상기 (b) 단계는 상기 평균 학습 수행율 및 평균 성취율을 포함하는 데이터를 기초로 수행될 수 있다.

또한, 상기 학습 코스 추천 방법에 있어서, 상기 난이도 추론 모델은 입력층과 출력층 사이에 4개의 은닉층이 구비하고 활성 함수는 ReLU인 다층 퍼셉트론을 이용하여 구성될 수 있다.

또한, 상기 학습 코스 추천 방법에 있어서, 상기 (c) 단계에서 상기 패턴 지식 베이스는 상기 추론 난이도, 이전 난이도, 학습 구성 및 현재 시기를 포함하는 정보에 기초하여 학습 코스를 추천할 수 있다.

또한, 상기 학습 코스 추천 방법에 있어서, 상기 난이도 추론 모델은 상기 패턴 지식베이스에 업데이트된 자료를 통해 주기적으로 기계학습될 수 있다.

또한, 상기 학습 코스 추천 방법에 있어서, 상기 (c) 단계의 학습 코스 추천은, (c-1) 학습 횟수가 기준 미달인지를 확인하는 단계; (c-2) 학습 횟수가 기준 미달에 해당하는 경우에는 현재 학년의 기본 과정을 추천하고, 학습 횟수가 기준 미달에 해당하지 않는 경우에는 추론 난이도가 소정 범위를 초과하는지를 확인하는 단계; (c-3) 추론 난이도가 소정 범위를 초과하는 경우에는 현재 학습 코스 또는 미완료 학습 코스를 추천하고, 추론 난이도가 소정 범위를 초과하지 않는 경우에는 추론 난이도가 소정 범위 미만인지를 확인하는 단계; 및 (c-4) 추론 난이도가 소정 범위 미만인 경우에는 현재 학습 코스 또는 특별 학습 코스를 추천하고, 추론 난이도가 소정 범위 미만이 아닌 경우에는 소정 단계로 구분된 추론 난이도별로 상이한 학습 코스를 추천하는 단계;를 포함할 수 있다.

또한, 상기 학습 코스 추천 방법에 있어서, 상기 추론 난이도가 최상 또는 최하 레벨인 경우, 현재 시기가 1월 ~ 2월인 경우에는 직전 학년 또는 진급 학년 유사 과정을 추천하고, 현재 시기가 3월인 경우에는 현재 학년의 유사 과정을 추천하고, 현재 시기가 4월 ~ 12월인 경우에는 학습 코스 학년의 유사 과정을 추천하고, 상기 추론 난이도가 최상 또는 최하 레벨이 아닌 경우, 현재 시기가 1월 ~ 2월인 경우에는 직전 학년 또는 진급 학년의 개념 중심 과정을 추천하고, 현재 시기가 3월인 경우에는 현재 학년의 개념 중심 과정, 유사 과정, 문제 중심 과정 순으로 추천하고, 현재 시기가 9월인 경우에는 학습 코스 학년의 개념 중심 과정, 유사 과정, 문제 중심 과정 순으로 추천하고, 현재 시기가 4월, 6월, 10월, 12월인 경우에는 학습 코스 학년의 문제 중심 과정, 유사 과정, 개념 중심 과정 순으로 추천하고, 현재 시기가 5월, 10월인 경우에는 학습 코스 학년의 유사 과정, 개념 중심 과정, 문제 중심 과정 순으로 추천하고, 현재 시기가 7월, 8월인 경우에는 학습 코스 학년의 개념 중심 과정, 문제 중심 과정, 유사 과정 순으로 추천할 수 있다.

상기 과제를 해결하기 위한 본 발명의 다른 측면은, 학습자의 학습 로그 정보로부터, 학습 수행 이력, 성취도, 소정 기간 동안의 평균 수행율 및 소정 기간 동안의 평균 성취도를 산출하고 저장하는 교과 학습 분석부와, 상기 학습자의 학습 수행 이력, 성취도, 소정 기간 동안의 평균 수행율 및 소정 기간 동안의 평균 성취도를 사용하여, 난이도 추론 모델을 통해, 상기 학습자가 현재 수행하고 있는 학습 코스의 추론 난이도를 추론하는 난이도 추론부와, 상기 추론 난이도, 이전 난이도, 학습 구성 및 현재 시기를 포함하는 정보를 통해 조정된 학습 코스를 추천하는 학습 코스 추천부를 포함하는, 학습 코스 추천 장치를 제공하는 것이다.

또한, 상기 학습 코스 추천 장치에 있어서, 상기 교과 학습 분석부는, 상기 학습자의 학습 로그 정보를 저장하는 교과 학습 로그 데이터베이스와, 상기 교과 학습 로그 데이터베이스의 정보로부터 상기 학습자의 소정 기간 동안의 평균 수행율 및 소정 기간 동안의 평균 성취도를 포함하는 정보를 산출하는 교과 학습 분석부와, 상기 산출된 소정 기간 동안의 평균 수행율 및 소정 기간 동안의 평균 성취도를 포함하는 정보를 저장하는 교과 학습 분석 데이터베이스를 포함할 수 있다.

또한, 상기 학습 코스 추천 장치에 있어서, 상기 난이도 추론 모델은 기계 학습을 통해 학습된 것일 수 있다.

또한, 상기 학습 코스 추천 장치에 있어서, 상기 학습 코스 추천부는 상기 학습자의 학습 수행 이력, 성취도, 소정 기간 동안의 평균 수행율 및 소정 기간 동안의 평균 성취도를 포함하는 정보를 통해 학습 코스를 추천하는 패턴 지식베이스를 포함하고, 상기 추론 모델은 상기 패턴 지식베이스에 업데이트된 데이터를 훈련데이터로 사용하여 주기적으로 기계학습되는 것일 수 있다.

본 발명에 의하면, 종래의 교강사의 주관에 의한 학습 코스 추천 방법과 달리, 인공지능을 통한 학습 분석으로 조정 난이도를 추론하고 그에 맞게 과목별로 수준에 맞는 학습 구성을 추천하는 방법(또는 장치)를 통해 교강사 간의 편차를 줄여 서비스의 신뢰성과 일관성을 개선할 수 있을 뿐 아니라 학습 효과도 향상시킬 수 있다.

또한, 본 발명의 일 실시형태에 따르면, 조정 난이도를 추론하는 모델에 의해 추천 결과 및 그에 의한 학습결과를 바탕으로 주기적으로 추론 모델의 학습이 이루어지기 때문에 모델의 추론 성능이 고도화될 수 있어 시간이 갈수록 학습 추천 방법(또는 장치)의 신뢰성과 일관성이 더 향상되는 효과를 얻을 수 있다.

본 발명의 효과는 이상에서 기술된 효과들로 제한되지 않으며, 이하에서 설명할 내용으로부터 통상의 기술자에게 자명한 범위 내에서 다양한 효과들을 가질 수 있다.

도 1은 본 발명의 일 실시예에 따른 학습 코스 추천 시스템을 개략적으로 설명하기 위한 도면이다.
도 2는 본 발명의 일 실시예에 따른 사용자 단말기(학습자 또는 교강사)의 구성을 개략적으로 나타낸 블록도이다.
도 3은 본 발명의 일 실시예에 따른 학습 코스 추천 장치의 구성을 개략적으로 나타낸 블록도이다.
도 4는 본 발명의 일 실시예에 따른 학습 코스 추천 시에 사용된 난이도 추론 모델에 사용된 다층 퍼셉트론 구조를 설명하기 위한 도면이다.
도 5는 본 발명의 일 실시예에 따른 학습 코스 추천 다이어그램이다.
도 6은 본 발명의 일 실시예에 따른 학습 코스 추천 시에 사용된 난이도 추론 모델의 기계학습 과정을 설명하기 위한 도면이다.
도 7은 본 발명의 일 실시예에 따른 학습 코스 추천 방법에 있어서 난이도 추론 결과를 바탕으로 학습 코스가 추천되는 과정을 설명하기 위한 흐름도이다.

이하, 첨부한 도면들을 참조하여 본 발명의 바람직한 실시예들을 상세히 설명한다. 다음에 소개되는 실시예들은 당업자에게 본 발명의 사상이 충분히 전달될 수 있도록 하기 위해 예로서 제공되어지는 것이다. 따라서, 본 발명은 이하 설명되어지는 실시예들에 한정되지 않고 다른 형태로 구체화될 수도 있다. 그리고, 도면들에 있어서, 층 및 영역의 길이, 두께 등은 편의를 위하여 과장되어 표현될 수도 있다. 명세서 전체에 걸쳐서 동일한 참조번호들은 동일한 구성요소들을 나타낸다.

또한, 본 명세서에서 설명된 구현은, 예컨대, 방법 또는 프로세스, 장치, 소프트웨어 프로그램, 데이터 스트림 또는 신호로 구현될 수 있다. 단일 형태의 구현의 맥락에서만 논의(예컨대, 방법으로서만 논의)되었더라도, 논의된 특징의 구현은 또한 다른 형태(예컨대, 장치 또는 프로그램)로도 구현될 수 있다. 장치는 적절한 하드웨어, 소프트웨어 및 펌웨어 등으로 구현될 수 있다. 방법은, 예컨대, 컴퓨터, 마이크로프로세서, 집적 회로 또는 프로그래밍 가능한 로직 디바이스 등을 포함하는 프로세싱 디바이스를 일반적으로 지칭하는 프로세서 등과 같은 장치에서 구현될 수 있다. 프로세서는 또한 최종-사용자 사이에 정보의 통신을 용이하게 하는 컴퓨터, 셀 폰, 휴대용/개인용 정보 단말기(personal digital assistant: "PDA") 및 다른 디바이스 등과 같은 통신 디바이스를 포함한다.

명세서 전체에서 "학습 코스(learning course)"라 함은, 통신망을 통하여 접근 가능한, 문자, 부호, 음성, 음향, 음원, 이미지, 동영상 등으로 이루어지는 학습에 관련된 디지털 정보 또는 개별 정보 요소를 총칭하는 개념을 포함할 수 있다.

명세서 전체에서 "학습자"라 함은, 학습 코스 추천 어플리케이션 또는 학습 코스 추천 사이트에 접속한 후 인증 과정을 통하여, 추천된 학습 코스에 관한 학습 콘텐츠 서비스를 제공 받는 한 명 이상의 회원을 포함할 수 있다.

명세서 전체에서 "교강사"라 함은, 학습 코스 추천 어플리케이션 또는 학습 코스 추천 사이트에 접속한 후 인증 과정을 통하여 지정된 학습자의 학습 수행 과정을 모니터링하고 교과 과정을 추천할 수 있는 권한을 가진 한 명 이상의 회원을 포함할 수 있다.

명세서 전체에서 "개념 중심 과정"이라 함은, 학습 내용이 개념을 주로 하여 설정된 과정을 의미한다.

명세서 전체에서 "문제 중시 과정"이라 함은, 학습 내용이 문제를 주로 하여 설정된 과정을 의미한다.

명세서 전체에서 "유사 과정"이라 함은, 현재 수행 중인 학습 코스의 이름과 유사도가 높은 과정을 의미한다. 학습 코스의 구분을 별도로 고려하지 않고 추천하는 경우에는 유사 과정이라는 구분으로 추천하게 된다. 이때 이름을 기반으로 유사한 학습 코스를 찾는 방법으로는 예를 들어 자카드 계수(Jaccard coefficient)를 이용할 수 있다. 이는 0과 1 사이의 값을 가지며, 두 집합이 동일하면 1의 값을 가지고 공통의 원소가 하나도 없으면 0의 값을 가진다. 자카드 계수는 아래의 [식 1]로 정의된다.

[식 1]

상기 [식 1]을 사용하여, 학습 코스 이름의 문자열을 토큰으로 나누고 서로 다른 두 학습 코스 간 유사도를 계산할 수 있다.

명세서 전체에서 "이전 난이도"라 함은, 추론 난이도를 도출하기 전에 수행된 난이도 추론 결과를 의미하며, 추론 난이도를 도출하기 전에 수행된 난이도 추론 결과가 없다는 최초 부여된 값을 의미한다.

학습 코스 추천 시스템

도 1은 본 발명의 일 실시예에 따른 학습 코스 추천 시스템을 개략적으로 설명하기 위한 도면이다.

도 1을 참조하면, 본 발명의 일 실시 예에 따른 학습 코스 추천 시스템은 학습자 단말기(100), 교강사 단말기(200) 및 학습 코스 추천 장치(300)를 포함할 수 있다.

상기 학습자 및 교강사 단말기(100,200)과 학습 코스 추천 장치(300)는 근거리 통신 또는 원거리 통신을 통해 상호 접속될 수 있다. 여기서 이용될 수 있는 상기 무선 통신 기술로는 WLAN(Wireless LAN)(Wi-Fi), Wibro(Wireless broadband), Wimax(World Interoperability for Microwave Access), HSDPA(High Speed Downlink Packet Access) 등이 이용될 수 있다. 또한, 근거리 통신(short range communication)의 기술로는 블루투스(Bluetooth), RFID(Radio Frequency Identification), 적외선 통신(IrDA, infrared Data Association), UWB(Ultra-Wideband), ZigBee 등이 이용될 수 있으며, 반드시 이에 제한되는 것은 아니다.

구체적으로 학습자 단말기(100)를 통해 접속되어 수행된 개별 학습자의 학습 수행 이력 등에 관련된 정보가 학습 코스 추천 장치(300)에 저장되고 처리되어 학습자가 현재 수행하고 있는 학습 코스의 난이도 추론되고, 추론된 난이도를 바탕으로 조정된 학습 코스는 상기 교강사 단말기(200)를 통해 접속하는 교강사에게 전달된다. 교강사는 학습 코스 추천 장치(300)로부터 제공받은 조정된 학습 코스를 참조하여, 조정된 학습 코스를 그대로 적용하거나, 자신의 경험을 반영하여 재조정한 학습 코스를 학습자에게 적용할 수 있다.

단말기

상기 학습자 단말기(100)는 학습자가 학습 코스 추천 장치(300)에 접속하기 위한 단말기로, 교강사가 제공하는 학습 코스에 따라 학습 코스 추천 장치(300)의 학습 콘텐츠 또는 학습 콘텐츠 추천 사이트를 실행 및/또는 표시할 수 있다. 학습자 단말기(100)를 통하여 학습자의 접속 식별 정보(ID) 및 패스워드를 수신한 학습 코스 추천 장치(300)는 학습자 인증과 학습자의 학습 수행 이력 등 학습자의 로그 정보를 저장할 수 있다.

교강사 단말기(200)는 교강사가 학습 코스 추천 장치(300)에 접속하기 위한 단말기로, 학습 코스 추천 장치(300)가 제공하는 현재 학습 수행 결과를 통해 도출된 난이도를 반영한 조정된 학습 코스를 제공받고 자신의 경험을 반영하여 조정된 학습 코스를 입력하고 학습자에게 표시하는 작업을 수행할 수 있다.

이러한 학습자 및 교강사 단말기(100, 200)는 예를 들어, 데스크 탑 컴퓨터, 스마트폰, 노트북, 태블릿 PC, 스마트 TV, 휴대폰, PDA(personal digital assistant), 랩톱, 미디어 플레이어, 마이크로 서버, 전자책 단말기, 디지털방송용 단말기, 네비게이션, 키오스크, MP3 플레이어, 디지털 카메라, 가전기기 및 기타 모바일 또는 비모바일 컴퓨팅 장치, 통신 기능 및 데이터 프로세싱 기능을 구비한 시계, 안경, 헤어 밴드 및 반지 등의 웨어러블 기기일 수 있으나, 상기 기기들에 제한되지 않고, 웹 브라우징이 가능한 기기라면 제한 없이 사용될 수 있다.

도 2는 본 발명의 일 실시예에 따른 학습자 단말기의 구성을 개략적으로 나타낸 블록도이다. 상기 교강사 단말기(200)도 학습자 단말기(100)와 동일한 구성으로 이루어질 수 있으므로 설명을 생략한다. 또한, 본 발명의 실시예에서는 도 2의 블록도에 따른 구성을 제시하였으나, 본 발명의 범위는 이에 제한되지 않고 추가로 다른 구성을 포함하거나 일부 구성을 포함하지 않을 수 있다.

도 2를 참조하면, 본 발명의 일 실시예에 따른 학습자 단말기(100)는 통신부(110), 저장부(120), 입출력부(130), 표시부(140) 및 제어부(150)를 포함할 수 있다.

상기 통신부(110)는 학습 코스 추천 장치(300)와 유선 또는 무선 연결을 통해 제어 신호 또는 데이터 신호와 같은 신호를 송수신하기 위해 필요한 하드웨어 및 소프트웨어를 포함하는 장치일 수 있으며, 원거리 통신부 또는 근거리 통신부를 포함할 수 있다.

상기 저장부(120)는 상기 제어부(150)가 처리하는 데이터를 일시적 또는 영구적으로 저장하거나 학습자 단말기(100)로 전송된 학습 코스, 학습 콘텐츠 관련 데이터를 일시적 또는 영구적으로 저장할 수 있다. 상기 저장부(120)는 자기 저장 매체(magnetic storage media) 또는 플래시 저장 매체(flash storage media)를 포함할 수 있으나, 본 발명의 범위가 이에 제한되는 것은 아니다.

상기 입출력부(130)는 학습자 단말기(100)에 구비된 다양한 형태의 입력 및 출력 수단을 포함한다. 입출력부(130)는 다양한 입력 및 출력 수단을 이용하여 학습자의 입출력을 수행할 수 있다.

상기 표시부(140)는 디스플레이 화면에 이미지를 출력한다. 상기 표시부(140)은 상기 제어부(150)에 의해 실행되는 콘텐츠 또는 제어 명령에 기초한 유저 인터페이스 등을 출력할 수 있다.

상기 제어부(150)는 상기 통신부(110), 저장부(120), 입출력부(130), 표시부(140)를 제어한다. 상기 제어부(150)는 데이터를 처리할 수 있는 모든 종류의 장치를 포함할 수 있다. 예를 들어, 상기 제어부(150)는 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 장치일 수 있으며, 반드시 이에 제한되는 것은 아니다.

학습 코스 추천 장치

도 3은 본 발명의 일 실시예에 따른 학습 코스 추천 장치의 구성을 개략적으로 나타낸 블록도이고, 도 4는 본 발명의 일 실시예에 따른 학습 코스 추천 시에 사용된 난이도 추론 모델에 사용된 다층 퍼셉트론 구조를 설명하기 위한 도면이다.

도 3을 참조하면, 본 발명의 일 실시예에 따른 학습 코스 추천 장치(300)는 통신부(310), 인증부(320), 저장부(330), 학습 코스 분석부(340), 난이도 추론부(350), 학습 코스 추천부(360), 학습 추천 및 적용 저장부(370), 교강사 적용부(380) 및 제어부(390)를 포함한다.

상기 통신부(310)는 단말기(100,200) 및 다른 네트워크 장치와 유무선 연결을 통해 제어 신호 또는 데이터 신호와 같은 신호를 송수신하기 위해 필요한 하드웨어 및 소프트웨어를 포함하는 장치일 수 있고, 근거리 통신모듈, 무선 통신모듈, 이동통신 모듈, 유선 통신모듈 등 다양한 형태로 구현될 수 있다. 또한, 통신부(310)는 통신망과 연동하여 학습 코스 추천 장치(300)와 학습자 및 교강사 단말기(100, 200) 사이의 송수신 신호를 제공하는데 필요한 통신 인터페이스를 제공할 수 있다. 또한, 통신부(310)는 상기 단말기(100, 200)로부터 소정의 정보 요청 신호를 수신하거나, 상기 학습 코스 추천 장치(300)의 인공지능 프로그램에 의해 도출된 결과를 교강사 단말기(200)에 전달하거나, 교강사가 최종적으로 결정한 학습 코스를 학습자 단말기(100)로 전송하는 기능을 한다.

상기 저장부(320)는 학습 코스 추천 장치(300)의 동작과 관련된 데이터나 프로그램들을 저장하는 구성이다. 저장부(320)로는 다양한 저장매체를 이용할 수 있으며, 예를 들어, ROM, PROM, EPROM, E EPROM, RAM 등이 사용될 수 있다. 또한, 저장부(320)에는 교과 학습 분석 프로그램, 기계학습을 통해 학습된 난이도 추론 모델과 같이 상기 학습 코스 추천 장치(300)의 작동에 필요한 다양한 프로그램이 저장될 수 있다.

상기 인증부(330)는 상기 통신부(310)를 통해 수신한 학습자 또는 교강사의 인증 정보(예를 들어, 아이디, 비밀번호, 지문과 같은 생체 정보 등)를 검출하고, 교과 학습 로그 데이터베이스의 인증 정보와 일치 여부를 확인한다.

상기 학습 코스 분석부(340)는 학습자의 학습 로그 정보로부터, 학습 수행 이력, 성취도, 소정 기간 동안의 평균 수행율 및 소정 기간 동안의 평균 성취도를 산출하고 저장한다. 학습 코스 분석부(340)는 학습자의 학습 로그 정보를 저장하는 교과 학습 로그 데이터베이스와, 상기 저장부에 저장된 교과 학습 분석 프로그램을 사용하여 교과 학습 로그 데이터베이스의 정보를 통해 학습자의 학습 수행 이력, 성취도, 소정 기간 동안의 평균 수행율 및 소정 기간 동안의 평균 성취도 등을 산출한 후, 산출 결과를 저장하는 교과 학습 분석 데이터베이스를 포함한다.

상기 교과 학습 로그 데이터베이스는 학습자가 교과 과정 추천 장치(300)에 접속한 결과를 저장한다. 교과 학습 로그 데이터베이스는 예를 들어, 학습자의 이름, 소속, 인적 사항, 성별, 나이, 연락처, 이메일, 주소와 같은 기본 정보, 아이디(ID), 패스워드(password) 등의 인증 정보와, 접속 국가, 접속 위치, 접속에 이용한 장치에 대한 정보, 접속 시간, 접속된 네트워크 환경 등 접속 정보와, 학습자의 계획 학습 구성(예를 들어 교과 과목, 시간 등), 학습 시간 등의 학습 정보가 저장되어 있을 수 있다.

상기 교과 학습 분석 데이터베이스는 교과 학습 로그 데이터로부터 산출된 학습 수행 이력, 성취도, 소정 기간(예를 들어, 월별, 분기별, 연별) 동안의 평균 수행율, 평균 성취도 등에 관한 정보가 저장되어 있을 수 있다.

상기 난이도 추론부(350)는 상기 학습자의 학습 수행 이력, 성취도, 소정 기간 동안의 평균 수행율 및 소정 기간 동안의 평균 성취도 등의 정보를 사용하여, 난이도 추론 모델을 통해, 상기 학습자가 현재 수행하고 있는 학습 코스의 추론 난이도를 결정한다.

상기 난이도 추론 모델은 도 4에 도시된 것과 같이, 입력층과 출력층 사이에 4개의 은닉층과 은닉층에서의 활성 함수는 ReLU를 이용하여 구성한 다층 퍼셉트론 구조의 기계학습 모델을 사용하여 다음 학습 코스의 난이도를 상향, 유지 또는 하향 결정에 관한 조정 난이도를 결정할 수 있다. 본 발명에서는 4개의 은닉층을 구비하는 기계학습 모델을 사용하였으나, 본 발명의 범위가 이에 제한되지 않으며, 다양한 기계학습 모델이 적용될 수 있다.

상기 학습 코스 추천부(360)는 지식의 표현과 축적, 관리, 지식의 이용 및 그 지원 및 지식의 획득 및 그 지원이 가능하며, 실 세계 문제 영역내의 객체나 관계를 프로그램 내의 계산에서 사용하는 객체나 관계들로 매칭시키는 프로그램이 구비된 패턴 지식베이스로 이루어질 수 있으나, 반드시 이에 제한되는 것은 아니다. 학습 코스 추천부(360)는 지식베이스에 구비된 프로그램을 통해 상기 난이도 추론 모델로부터 도출된 결과를 입력 받고, 입력된 정보와 매칭되는 학습 코스 프로그램을 결과로 도출한다.

상기 학습 추천 및 적용 저장부(370)는 학습 코스 추천부(360)에 의해 추천된 학습 코스와 함께, 인공지능에 의해 추천된 학습 코스에 대하여 학습 관리 교강사의 학습 코스 적용 결과를 저장하는 지식베이스 또는 데이터베이스일 수 있다. 학습 관리 교강사의 학습 코스의 적용 내용은 학습 코스 추천부(360)의 추천 내용을 그대로 적용하거나, 부분적으로 변경되어 적용되거나, 전혀 적용하지 않는 형태가 있을 수 있다.

교강사 적용부(380)는 학습 코스 추천부(360)에 의해 추천된 학습 코스에 대해 학습 관리 교강사의 판단에 따라 적용된 결과를 저장하고, 저장된 결과를 가공하여 학습 코스 추천부(360)의 패턴 지식베이스에 정보를 제공하여 패턴 지식베이스를 업그레이드하는 교강사 적용 지식베이스를 포함한다.

상기 제어부(390)는 상기 통신부(310), 인증부(320), 저장부(330), 학습 코스 분석부(340), 난이도 추론부(350), 학습 코스 추천부(360), 학습 추천 지식베이스(370) 및 교강사 적용부(380)의 동작을 제어하는 구성으로, 중앙연산장치(CPU), 프로그래머블 디바이스 소자(CPLD, FPGA), 주문형 반도체 연산장치(ASIC) 또는 마이크로 컨트롤러 칩과 같은 연산장치일 수 있으나, 본 발명의 범위가 반드시 상기 예시된 연산장치에 제한되지 않고 다른 형태의 하드웨어로 구현될 수도 있다.

본 발명의 일 실시예에서는 상기와 같은 구성을 포함하는 학습 코스 추천 장치를 제시하였으나, 상기 구성 중의 일부, 예를 들어 학습 추천 지식베이스(370) 및 교강사 적용부(380)는 필수적으로 포함되지 않을 수도 있다. 본 발명의 일 실시예에 따른 학습 코스 추천 장치(300)는 교강사에게 제공되는 것을 전제로 하였으나, 본 발명에 따른 장치는 교강사를 거치지 않고 학습자에게 직접적으로 교과 과정 추천에도 사용될 수 있기 때문에, 본 발명은 상기 일 실시예에 따른 장치에 한정되지 않는 것으로 해석되어져야 한다.

학습 코스 추천 과정

다음으로 본 발명의 일 실시예에 따른 학습 코스 추천 장치(300)를 사용하여 학습 코스 추천이 이루어지는 과정을 상세하게 설명한다.

도 5는 본 발명의 일 실시예에 따른 학습 코스 추천 다이어그램이다.

도 5를 참조하면, 관리 교강사가 계획한 학습을 학습자인 학생이 수행하면 해당 로그는 교과 학습 로그 데이터베이스에 저장된다.

학습 코스 분석부(340)는 학습자의 학습 로그 정보로부터, 학습 수행 이력, 성취도, 월간 평균 수행율 및 월간 평균 성취도를 산출하여 교과 학습 분석 데이터베이스에 저장한다.

난이도 추론부(350)는 교과 학습 분석 데이터의 학습 수행 이력, 성취도, 월간 평균 수행율 및 월간 평균 성취도와 같은 정보를 사용하여 다층 퍼셉트론 구조를 가지는 인공지능 프로그램인 난이도 추론 모델을 사용하여 난이도를 도출한다.

도출된 난이도에 관한 결과는 학습 코스 추천부(360)를 구성하는 패턴 지식 베이스로 입력되고, 패턴 지식베이스의 프로그램을 통해 입력된 결과에 매칭되는 추천 학습(학습 코스)을 도출한다.

관리 교강사는 관리자 단말기(200)를 사용하여 관리자 웹페이지를 통해 학습 코스 추천 장치(300)에 접속하여 인공지능에 의한 분석결과와 추천 학습을 확인한다.

관리 교강사는 추천 학습 내용과 결과를 고려하여, 학습자의 수준에 맞는 학습을 계획 적용하고, 적용된 결과는 상기 학습 추천 지식베이스와 교강사 적용 지식베이스에 저장된다.

학습자(학생)은 교강사로부터 새롭게 계획된 학습 코스를 확인하고, 교과 학습을 진행하며, 일정 기간을 주기로 상기한 절차가 반복적으로 이루어진다.

도 6은 본 발명의 일 실시예에 따른 학습 코스 추천 시에 사용된 난이도 추론 모델의 학습 코스를 설명하기 위한 도면이다.

전술한 바와 같이, 교강사 적용 지식베이스의 적용 결과를 수집하여 패턴 지식베이스에 업데이트된다.

이와 같이 업데이트된 패턴 지식베이스의 정보를 토대로 도 6에 도시된 바와 같이, 난이도 추론 모델의 학습이 주기적(예를 들어, 1개월, 2개월, 6개월, 1년 단위)으로 이루어진다. 이를 통해, 인공지능에 의한 추천 결과를 반영하여 이루어진 학습 결과가 피드백됨으로써, 상기 난이도 추론 모델의 성능은 시간이 갈수록 고도화될 수 있다.

도 7은 본 발명의 일 실시예에 따른 학습 코스 추천 방법에 있어서 난이도 추론 결과를 바탕으로 학습 코스 추천부에 의해 학습 코스가 추천되는 과정을 설명하기 위한 흐름도이다.

학습 코스 추천부는 난이도 추론 모델에 의해 도출된 조정 난이도와 현재 학습 코스를 바탕으로, 한달 동안의 학습 횟수와 현재 날짜를 고려하여 다음과 같이 학습 코스를 추천한다.

또한, 난이도는 예를 들어 총 5개 레벨로 구분될 수 있으며, 최상 난이도는 학습 수행이 매우 우수하고, 차상 난이도는 학습 수행이 우수하고, 중간 난이도는 학습 수행이 보통이고, 차하 난이도는 학습 수행이 저조하고, 최하 난이도는 학습 수행이 매우 저조한 레벨이다.

한편, 최상 난이도와 최하 난이도의 경우 추론 결과가 설정된 난이도 범위를 벗어날 수도 있다. 이러한 경우, 현재 학습을 유지하면서 실력 보강 또는 강화할 수도 있도록 미완료 학습 또는 특별 학습을 추천한다.

이러한 학습 코스 추천 세부 내용은 다양하게 변형될 수 있으며, 본 발명의 범위가 하기 내용에 제한되지 않는 것으로 이해되어져야 한다.

도 7을 참조하면, 입력된 정보를 바탕으로 학습 코스 추천부는, 먼저 학습 횟수가 기준 미달인지를 확인한다(S1).

학습 횟수가 기준 미달에 해당하는 경우(예를 들어, 전월 말에 학습을 시작하여 충분한 학습 분석이 이루어지지 않는 경우)에는 현재 학년의 기본 과정을 추천하고(S2), 학습 횟수가 기준 미달에 해당하지 않는 경우에는 추론 난이도가 범위를 초과하는지를 확인한다(S3).

추론 난이도가 소정 범위를 초과하는 경우(전술한 바와 같이 최상 난이도와 최하 난이도의 경우)에는 현재 학습 코스 또는 미완료 학습 코스를 추천하고(S4), 추론 난이도가 범위를 초과하지 않는 경우에는 추론 난이도가 범위 미만인지를 확인한다(S5).

상기 추론 난이도가 소정 범위 미만인 경우에는 현재 학습 코스 또는 특별 학습 코스를 추천한다(S6).

상기 추론 난이도가 소정 범위 미만이 아닌 경우에는 추론 난이도가 최상 또는 최하인지를 확인한다(S7)

상기 추론 난이도가 최상 또는 최하인 경우 현재 날짜를 체크한다(S8).

상기 추론 난이도가 최상 또는 최하 레벨이면서 현재 날짜가 1월 ~ 2월인 경우에는 직전 학년 또는 진급 학년 유사 과정을 추천한다(S9).

상기 추론 난이도가 최상 또는 최하 레벨이면서 현재 날짜가 3월인 경우에는 현재 학년의 유사 과정을 추천한다(S10).

상기 추론 난이도가 최상 또는 최하 레벨이면서 현재 날짜가 4월 ~ 12월인 경우에는 학습 코스 학년의 유사 과정을 추천한다(S11).

상기 추론 난이도가 최상 또는 최하가 아닌 경우 현재 날짜를 체크한다(S12).

상기 추론 난이도가 최상 또는 최하 레벨이 아니면서 현재 날짜가 1월 ~ 2월인 경우에는 직전 학년 또는 진급 학년의 개념 중심 과정을 추천한다(S13).

상기 추론 난이도가 최상 또는 최하 레벨이 아니면서 현재 날짜가 3월인 경우에는 현재 학년의 개념 중심 과정, 유사 과정, 문제 중심 과정 순으로 추천한다(S14).

상기 추론 난이도가 최상 또는 최하 레벨이 아니면서 현재 날짜가 9월인 경우에는 학습 코스 학년의 개념 중심 과정, 유사 과정, 문제 중심 과정 순으로 추천한다(S15).

상기 추론 난이도가 최상 또는 최하 레벨이 아니면서 현재 날짜가 4월, 6월, 10월, 12월인 경우에는 학습 코스 학년의 문제 중심 과정, 유사 과정, 개념 중심 과정 순으로 추천한다(S16).

상기 추론 난이도가 최상 또는 최하 레벨이 아니면서 현재 날짜가 5월, 10월인 경우에는 학습 코스 학년의 유사 과정, 개념 중심 과정, 문제 중심 과정 순으로 추천한다(S17).

상기 추론 난이도가 최상 또는 최하 레벨이 아니면서 현재 날짜가 7월, 8월인 경우에는 학습 코스 학년의 개념 중심 과정, 문제 중심 과정, 유사 과정 순으로 추천한다(S18).

이상과 같은 과정을 통해, 종래의 교강사의 주관에 의한 학습 코스 추천 방법과 달리, 인공지능을 통한 학습 분석을 통해 과목별로 수준에 맞는 학습 구성을 추천하여 학생의 학업 성적을 보다 향상시킬 수 있고, 서비스의 신뢰성과 일관성을 개선할 수 있다.

100: 학습자 단말기
200: 교강사 단말기
300: 학습 코스 추천 장치
310: 통신부
320: 인증부
330: 저장부
340: 학습 코스 분석부
350: 난이도 추론부
360: 학습 코스 추천부
370: 학습 추천 및 적용 저장부
380: 교강사 적용부
390: 제어부

Claims

교과 학습 로그 데이터베이스, 교과 학습 분석 데이터베이스, 패턴 지식베이스 및 제어부를 포함하는 컴퓨터 시스템을 통해 이루어지는 학습 코스 추천 방법으로,
(a) 상기 컴퓨터 시스템이, 상기 교과 학습 로그 데이터베이스에 수집된 데이터를 사용하여, 학습자가 수행한 교과 학습 결과를 분석하여 상기 교과 학습 분석 데이터베이스에 저장하는 단계;
(b) 상기 컴퓨터 시스템이, 상기 교과 학습 분석 데이터베이스에 저장된 데이터를 사용하여, 난이도 추론 모델을 통해, 상기 학습자에 대한 현재 학습 코스의 추론 난이도를 도출하는 단계; 및
(c) 상기 컴퓨터 시스템이, 도출된 추론 난이도를 포함하는 정보를 이용하여 상기 패턴 지식베이스를 통해 조정된 학습 코스를 추천하는 단계;를 포함하는, 학습 코스 추천 방법.
제1항에 있어서,
상기 (a) 단계의 교과 학습 로그 데이터베이스는 학습자에 관한 기본정보, 인증정보, 접속정보 및 학습 정보를 포함할 수 있다.
제1항에 있어서,
상기 (a) 단계의 교과 학습 분석 결과는 소정 기간의 평균 학습 수행율과 평균 성취율을 포함할 수 있다.
제3항에 있어서,
상기 (b) 단계는 상기 평균 학습 수행율 및 평균 성취율을 포함하는 데이터를 기초로 수행되는, 학습 코스 추천 방법.
제1항에 있어서,
상기 난이도 추론 모델은 입력층과 출력층 사이에 4개의 은닉층이 구비하고 활성 함수는 ReLU인 다층 퍼셉트론 구조를 가지는, 학습 코스 추천 방법.
제1항에 있어서,
상기 (c) 단계에서 상기 패턴 지식 베이스는 상기 추론 난이도, 이전 난이도, 학습 구성 및 현재 시기를 포함하는 정보에 기초하여 학습 코스를 추천하는, 학습 코스 추천 방법.
제5항에 있어서,
상기 난이도 추론 모델은 상기 패턴 지식베이스에 업데이트된 자료를 통해 주기적으로 기계학습되는, 학습 코스 추천 방법.
제1항 내지 제7항 중 어느 한 항에 있어서,
상기 (c) 단계의 학습 코스 추천은,
(c-1) 학습 횟수가 기준 미달인지를 확인하는 단계;
(c-2) 학습 횟수가 기준 미달에 해당하는 경우에는 현재 학년의 기본 과정을 추천하고, 학습 횟수가 기준 미달에 해당하지 않는 경우에는 추론 난이도가 소정 범위를 초과하는지를 확인하는 단계;
(c-3) 추론 난이도가 소정 범위를 초과하는 경우에는 현재 학습 코스 또는 미완료 학습 코스를 추천하고, 추론 난이도가 소정 범위를 초과하지 않는 경우에는 추론 난이도가 소정 범위 미만인지를 확인하는 단계;
(c-4) 추론 난이도가 소정 범위 미만인 경우에는 현재 학습 코스 또는 특별 학습 코스를 추천하고, 추론 난이도가 소정 범위 미만이 아닌 경우에는 소정 단계로 구분된 추론 난이도별로 상이한 학습 코스를 추천하는 단계;를 포함하는, 학습 코스 추천 방법.
제8항에 있어서,
상기 추론 난이도가 최상 또는 최하 레벨인 경우, 현재 시기가 1월 ~ 2월인 경우에는 직전 학년 또는 진급 학년 유사 과정을 추천하고, 현재 시기가 3월인 경우에는 현재 학년의 유사 과정을 추천하고, 현재 시기가 4월 ~ 12월인 경우에는 학습 코스 학년의 유사 과정을 추천하고,
상기 추론 난이도가 최상 또는 최하 레벨이 아닌 경우, 현재 시기가 1월 ~ 2월인 경우에는 직전 학년 또는 진급 학년의 개념 중심 과정을 추천하고, 현재 시기가 3월인 경우에는 현재 학년의 개념 중심 과정, 유사 과정, 문제 중심 과정 순으로 추천하고, 현재 시기가 9월인 경우에는 학습 코스 학년의 개념 중심 과정, 유사 과정, 문제 중심 과정 순으로 추천하고, 현재 시기가 4월, 6월, 10월, 12월인 경우에는 학습 코스 학년의 문제 중심 과정, 유사 과정, 개념 중심 과정 순으로 추천하고, 현재 시기가 5월, 10월인 경우에는 학습 코스 학년의 유사 과정, 개념 중심 과정, 문제 중심 과정 순으로 추천하고, 현재 시기가 7월, 8월인 경우에는 학습 코스 학년의 개념 중심 과정, 문제 중심 과정, 유사 과정 순으로 추천하는, 학습 코스 추천 방법.
학습자의 학습 로그 정보로부터, 학습 수행 이력, 성취도, 소정 기간 동안의 평균 수행율 및 소정 기간 동안의 평균 성취도를 산출하고 저장하는 교과 학습 분석부와,
상기 학습자의 학습 수행 이력, 성취도, 소정 기간 동안의 평균 수행율 및 소정 기간 동안의 평균 성취도를 사용하여, 난이도 추론 모델을 통해, 상기 학습자가 현재 수행하고 있는 학습 코스의 추론 난이도를 추론하는 난이도 추론부와,
상기 추론 난이도, 이전 난이도, 학습 구성 및 현재 시기를 포함하는 정보를 통해 조정된 학습 코스를 추천하는 학습 코스 추천부를 포함하는, 학습 코스 추천 장치.
제10항에 있어서,
상기 교과 학습 분석부는,
상기 학습자의 학습 로그 정보를 저장하는 교과 학습 로그 데이터베이스와,
상기 교과 학습 로그 데이터베이스의 정보로부터 상기 학습자의 소정 기간 동안의 평균 수행율 및 소정 기간 동안의 평균 성취도를 포함하는 정보를 산출하는 교과 학습 분석부와,
상기 산출된 소정 기간 동안의 평균 수행율 및 소정 기간 동안의 평균 성취도를 포함하는 정보를 저장하는 교과 학습 분석 데이터베이스를 포함하는, 학습 코스 추천 장치.
제10항에 있어서,
상기 난이도 추론 모델은 기계 학습을 통해 학습된 것인, 학습 코스 추천 장치.
제12항에 있어서,
상기 학습 코스 추천부는 상기 학습자의 학습 수행 이력, 성취도, 소정 기간 동안의 평균 수행율 및 소정 기간 동안의 평균 성취도를 포함하는 정보를 통해 학습 코스를 추천하는 패턴 지식베이스를 포함하고,
상기 추론 모델은 상기 패턴 지식베이스에 업데이트된 데이터를 훈련데이터로 사용하여 주기적으로 기계학습되는, 학습 코스 추천 장치.