KR20230155630A - 비교과콘텐츠/학생프로파일을 이용한 개인화 비교과콘텐츠추천방법 및 추천장치 - Google Patents
비교과콘텐츠/학생프로파일을 이용한 개인화 비교과콘텐츠추천방법 및 추천장치 Download PDFInfo
- Publication number
- KR20230155630A KR20230155630A KR1020220054722A KR20220054722A KR20230155630A KR 20230155630 A KR20230155630 A KR 20230155630A KR 1020220054722 A KR1020220054722 A KR 1020220054722A KR 20220054722 A KR20220054722 A KR 20220054722A KR 20230155630 A KR20230155630 A KR 20230155630A
- Authority
- KR
- South Korea
- Prior art keywords
- content
- data
- student
- profile
- extracurricular
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000009223 counseling Methods 0.000 claims abstract description 38
- 238000007781 pre-processing Methods 0.000 claims description 18
- 230000000694 effects Effects 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 16
- 238000012360 testing method Methods 0.000 claims description 15
- 238000004458 analytical method Methods 0.000 claims description 14
- 239000000203 mixture Substances 0.000 claims description 13
- 230000000877 morphologic effect Effects 0.000 claims description 13
- 239000013598 vector Substances 0.000 claims description 13
- 230000000052 comparative effect Effects 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 8
- 238000007726 management method Methods 0.000 description 7
- 238000000605 extraction Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000011056 performance test Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 238000004138 cluster model Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000007704 transition Effects 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/20—Education
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/903—Querying
- G06F16/90335—Query processing
-
- 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
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/268—Morphological analysis
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Tourism & Hospitality (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- General Business, Economics & Management (AREA)
- Primary Health Care (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Educational Technology (AREA)
- Educational Administration (AREA)
- Artificial Intelligence (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Eye Examination Apparatus (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Alarm Systems (AREA)
Abstract
본 발명은 콘텐츠추천방법 및 장치에 관한 것으로, 보다 구체적으로는 e-러닝시스템에서 학습콘텐츠를 포함한 각종 콘텐츠를 제공받는 학생단말기로부터 수집된 교과콘텐츠가 아닌 상담콘텐츠 및/또는 비교과콘텐츠 데이터를 이용하여 각각의 학생에게 최적화된 것으로 판단된 개인화비교과콘텐츠를 추천할 수 있는 비교과콘텐츠/학생프로파일을 이용한 개인화 비교과콘텐츠추천방법 및 추천장치에 관한 것이다.
Description
본 발명은 콘텐츠추천방법 및 장치에 관한 것으로, 보다 구체적으로는 e-러닝시스템에서 학습콘텐츠를 포함한 각종 콘텐츠를 제공받는 학생단말기로부터 수집된 교과콘텐츠가 아닌 상담콘텐츠 및/또는 비교과콘텐츠 데이터를 이용하여 각각의 학생에게 최적화된 것으로 판단된 개인화비교과콘텐츠를 추천할 수 있는 비교과콘텐츠/학생프로파일을 이용한 개인화 비교과콘텐츠추천방법 및 추천장치에 관한 것이다.
일반적으로 온라인 강의는 PC 및 노트북이나 태블릿 및 스마트폰 등과 같은 휴대용 단말기를 이용하여 시간과 장소의 제한 없이 편리하게 수강할 수 있는 장점이 있어 널리 이용되고 있다. 현재 국어, 수학, 과학 등과 같은 학교 교육 과정의 과목들에 대한 강좌, 영어, 중국어, 일본어 등과 같은 어학 강좌, 프레젠테이션 스킬과 같은 직장인 직무 관련 강좌뿐만 아니라, 골프와 같은 체육 강좌에 대한 온라인 학습서비스 중 학습자가 원하는 강좌를 각종 단말기 특히 휴대용 단말기로 제공받아 수강할 수 있다.
그러나, 오프라인 강의와 달리 강사 등의 직접적인 관리가 이루어지지 않아 시청자(학습자)의 의지에 따라 학습효율이 저하될 수 있는 문제점이 있는데, 이러한 문제점은 초등학교, 중학교 및 고등학교 교과과정에 대한 학습콘텐츠를 제공하는 e-러닝에서 두드러질 수 있다. 이를 보완하기 위하여 학습컨텐츠를 제공하는 e-러닝 기업들은 학습자에게 과제를 부여하고 이를 제출하는 것을 통해 해당 수업에 대한 출석 및 학업 달성도를 확인하는 시스템을 구축하기도 하였으나, 온라인 교육의 특성상 실제 학습자가 직접 수업을 수강하였는지 여부, 및 해당 학습자의 학업 달성도를 판단하는 데는 어려움이 있었다.
이와 같이, 학생단말기를 통해 온라인상에서 학습콘텐츠가 제공됨에 따라 교육자와 학생들의 편리성이 증대되었지만, 온라인상 학습콘텐츠의 제공은 해당 콘텐츠를 학습중인 학생의 집중 여부를 파악할 수 있는 기술적 장치가 부재하거나 있더라도 완벽하지 않기 때문에, 효과적인 온라인 학습을 위해서는 학습자가 스스로 학습에 몰입할 수 있는 환경이 매우 중요하다.
그런데 현재 대부분의 온라인 학습서비스 기업들은 정규교과과정에만 치중하여 학습자의 태도, 흥미, 선호도 등과 무관하게 일방적으로 강의를 전달하는 방식으로 진행되어 학습효과가 떨어지는 문제점이 있었다.
이러한 문제점을 해결하기 위해 학습자 맞춤형으로 학습콘텐츠를 제공하려는 시도가 없는 것은 아니지만, 초등학교, 중학교 및 고등학교 교과과정에 대한 학습콘텐츠를 제공하는 e-러닝에서는 정해진 교과과정이 있기 때문에 학습자의 학습패턴 등을 분석한 결과를 반영하여 학생의 흥미를 불러일으킬 수 있는 맞춤형 콘텐츠를 제공하는데 여전히 한계가 존재한다.
본 발명자들은 상술된 문제점을 해결하기 위한 다수의 연구결과 대부분의 e-러닝시스템에서 교과콘텐츠만이 아니라 비교과콘텐츠를 제공하는 것에 착안하여, 비교과콘텐츠 및/또는 상담데이터를 기반으로 각 학생별로 가장 적합하도록 개인화된 비교과콘텐츠를 추천할 수 있는 기술을 개발함으로써 본 발명을 완성하였다.
따라서, 본 발명의 목적은 학생단말기로부터 수집된 비교과콘텐츠 및/또는 상담데이터와 이를 학습하거나 상담한 학생을 연관시켜 분석함으로써 얻어진 각각의 학생이 어떤 속성을 갖고 있는지 보여주는 학생프로파일과 각각의 비교과콘텐츠가 어떤 속성을 갖고 있는지 보여주는 비교과콘텐츠프로파일을 이용하여 학생별로 가장 적합한 비교과콘텐츠를 추천함으로써 교과과정에 대한 전반적인 이해력을 향상시키고 흥미를 부여하므로 자기주도 학습습관을 형성하는데 기여할 수 있는 개인화비교과콘텐츠 추천방법 및 장치를 제공하는 것이다.
본 발명의 목적은 이상에서 언급한 목적으로 제한되지 않으며, 명시적으로 언급되지 않았더라도 후술되는 발명의 상세한 설명의 기재로부터 통상의 지식을 가진 자가 인식할 수 있는 발명의 목적 역시 당연히 포함될 수 있을 것이다.
상술된 본 발명의 목적을 달성하기 위해, 먼저 본 발명은 e-러닝시스템을 이용하는 학생단말기로부터 수집된 데이터 중 일부를 데이터전처리부가 학생프로파일 또는 비교과콘텐츠프로파일 구성에 사용될 수 있도록 전처리하는 단계; 상기 전처리된 데이터 및 상담데이터를 기반으로 학생프로파일구성부가 1차학생프로파일을 구성하는 단계; 상기 전처리된 데이터 및 상기 1차학생프로파일 구성과정에서 생성된 일부데이터를 기반으로 비교과콘텐츠프로파일구성부가 비교과콘텐츠프로파일을 구성하는 단계; 상기 비교과콘텐츠프로파일, 상기 학생프로파일 및 상기 프로파일 구성과정에서 생성된 일부데이터 중 하나 이상을 기반으로 추천콘텐츠구성부가 개인화추천콘텐츠를 구성하는 단계; 및 상기 학생프로파일구성부가 상기 개인화추천콘텐츠를 구성하는 단계에서 얻어진 일부데이터를 상기 1차 학생프로파일에 추가하여 학생프로파일을 구성하는 단계;를 포함하는 비교과콘텐츠/학생프로파일을 이용한 개인화 비교과콘텐츠추천방법을 제공한다.
바람직한 실시예에 있어서, 상기 수집된 데이터는 교과/비교과 학습활동을 나타내는 학습활동내역데이터(assignable event;계획데이터), 시험용 문항풀이 활동을 나타내는 평가이벤트데이터(assessment event;시험데이터), 계획되지 않은 학습활동을 나타내는 메뉴이동/실행 이벤트데이터(navigation event;이동/실행데이터) 및 상담데이터를 포함한다.
바람직한 실시예에 있어서, 상기 수집된 데이터를 전처리하는 단계는 상이한 수집기준으로 수집된 계획데이터, 시험데이터 및 이동/실행데이터 중 하나 이상에 대한 표준화처리를 수행한다.
바람직한 실시예에 있어서, 상기 1차 학생프로파일을 구성하는 단계는 상기 표준화 처리된 계획데이터, 시험데이터 및 이동/실행데이터를 기반으로 학생프로파일용 학습데이터를 추출하는 단계; 상기 수집된 데이터 중 상담데이터로부터 키워드를 추출하고, 추출된 키워드를 기반으로 조합키워드를 형성하며, 추출된 키워드 및 조합키워드를 기반으로 학생프로파일용 상담데이터를 추출하는 단계; 및 상기 추출된 학습데이터 및 상담데이터를 시간순으로 정렬하고 학생ID별 관계 레이블 값을 부여하여 생성된 1차학생프로파일을 저장하는 단계;를 포함하여 수행된다.
바람직한 실시예에 있어서, 상기 학생프로파일용 상담데이터를 추출하는 단계는 공지된 키워드 사전을 기준으로 상기 수집된 상담데이터에서 학생별 상담 내역을 통합하고 형태소 분석을 진행한 후 TF-IDF를 사용하여 명사 및 형용사 키워드를 추출하는 단계; 상기 추출된 키워드를 기준으로 앞뒤 등장하는 명사 및 형용사 키워드의 전체 조합을 확인하는 단계; 키워드 전체 조합의 분포 및 커버리지를 확인하는 단계; 분포 기준 구간별 조합의 적합도를 판별하는 단계; 및 구간별 적합도의 변곡점 기준 상위 N개내 키워드 조합을 검토하고 키워드 조합사전을 생성하는 단계;를 포함한다.
바람직한 실시예에 있어서, 상기 키워드 조합 사전은 상기 e-러닝시스템을 이용하는 학생들의 전체 데이터에서 의미 없는 단어를 필터링한 후 원하는 키워드가 선별되어 조합된 말뭉치사전이다.
바람직한 실시예에 있어서, 상기 커버리지는 상기 상담 내역에 해당 키워드를 포함하는 학생 수를 의미한다.
바람직한 실시예에 있어서, 상기 비교과콘텐츠 프로파일을 구성하는 단계는 상기 표준화 처리된 데이터 중 이동/실행데이터를 기반으로 비교과콘텐츠프로파일용 학습데이터를 추출하는 단계; 상기 이동/실행데이터와 1차학생프로파일 구성시 얻어지는 학생프로파일용 상담데이터를 기반으로 비교과콘텐츠별 학생데이터를 추출하는 단계; 및 상기 추출된 데이터를 시간순으로 정렬하고 비교과콘텐츠ID별 관계 레이블 값을 부여하여 생성된 비교과콘텐츠프로파일을 저장하는 단계;를 포함하여 수행된다.
바람직한 실시예에 있어서, 상기 비교과콘텐츠프로파일용 학습데이터를 추출하는 단계는 상기 추출된 학습데이터 중 일부를 대상으로 1차학생 프로파일 구성시 얻어지는 키워드조합사전을 기준으로 형태소 분석을 진행한 후 TF-IDF를 사용하여 키워드를 추출하는 단계를 더 수행한다.
바람직한 실시예에 있어서, 상기 개인화추천콘텐츠를 구성하는 단계는 표준화처리된 이동/실행데이터를 기반으로 학생별 소비한 비교과콘텐츠 리스트를 생성하는 단계; 상기 학생별 소비한 비교과콘텐츠 리스트에서 관계 레이블 값을 부여하여 학생ID 당 매칭된 하나 이상의 비교과콘텐츠ID를 포함하는 데이터셋을 구성하는 단계; 상기 데이터셋을 기반으로 모델학습하는 단계; 상기 모델학습 결과로 얻어진 item to item 추천결과데이터를 저장하는 단계;를 포함한다.
바람직한 실시예에 있어서, 상기 개인화추천콘텐츠를 구성하는 단계는 표준화처리된 이동/실행데이터를 기반으로 학생별 소비한 비교과콘텐츠 리스트를 생성하는 단계; 상기 학생별 소비한 비교과콘텐츠 리스트에서 관계 레이블 값을 부여하여 학생ID 당 매칭된 하나 이상의 비교과콘텐츠ID를 포함하는 데이터셋을 구성하는 단계; 상기 데이터셋을 기반으로 모델학습하는 단계; 상기 모델학습하는 단계에서 얻어진 비교과콘텐츠별 벡터 값을 기반으로 각 학생별로 최근에 본 15개 이하의 비교과콘텐츠를 선정하는 단계; 선정된 비교과콘텐츠 벡터의 평균을 산출하여 User2vec 결과를 생성하는 단계; 상기 User2vec 결과를 기반으로 K-maans Clustering를 수행하는 단계; 상기 수행결과로 얻어진 seg to item 추천결과데이터를 저장하는 단계;를 포함한다.
바람직한 실시예에 있어서, 상기 K-maans Clustering을 위한 K값이 11일 때 가장 우수한 군집분류 품질을 얻을 수 있다.
바람직한 실시예에 있어서, 상기 seg to item 추천결과데이터를 기반으로 결정된 특정 학생이 특정 군집에 속함을 표시하는 user2vec 기반 seg데이터가 상기 학생프로파일 구성부에 의해 상기 1차 학생프로파일에 추가된다.
바람직한 실시예에 있어서, 상기 개인화추천콘텐츠를 구성하는 단계는 표준화처리된 이동/실행데이터를 기반으로 학생별 소비한 비교과콘텐츠 리스트를 생성하는 단계; 상기 학생별 소비한 비교과콘텐츠 리스트에서 관계 레이블 값을 부여하여 학생ID 당 매칭된 하나 이상의 비교과콘텐츠ID를 포함하는 데이터셋을 구성하는 단계; 상기 데이터셋을 기반으로 모델학습하는 단계; 상기 모델학습하는 단계에서 얻어진 비교과콘텐츠별 벡터 값을 기반으로 각 학생별로 최근에 본 15개 이하의 비교과콘텐츠를 선정하는 단계; 선정된 비교과콘텐츠 벡터의 평균을 산출하여 User2vec 결과를 생성하는 단계; 상기 User2vec 결과를 기반으로 KNN모델학습을 수행하여 코사인 유사도를 구하는 단계; 상기 구해진 코사인유사도를 기반으로 얻어진 user to item 추천결과데이터를 저장하는 단계;를 포함한다.
바람직한 실시예에 있어서, 상기 user to item 추천결과데이터는 상기 구해진 코사인 유사도를 기반으로 타겟 학생별 최근접 이웃학생 4명 내지 8명이 선정되는 단계; 및 선정된 최근접 이웃학생 중 상위 2명 내지 4명의 최근 7일 동안의 비교과콘텐츠데이터를 분류하여 저장하는 단계;를 포함하여 얻어진다.
바람직한 실시예에 있어서, 상기 개인화추천콘텐츠를 구성하는 단계는 상기 표준화처리된 이동/실행데이터를 기반으로 학생별 소비한 비교과콘텐츠 리스트를 생성하는 단계; 상기 학생별 소비한 비교과콘텐츠 리스트에서 비교과콘텐츠 유닛명을 대상으로 형태소 분석을 진행한 후 TF-IDF를 사용하여 비교과콘텐츠별로 대표키워드를 추출하는 단계; 및 상기 추출된 대표키워드를 상기 1차 학생프로파일 및 비교과콘텐츠프로파일 중 어느 하나 이상을 기준으로 매칭시켜 얻어진 keyword to item 추천결과데이터를 저장하는 단계;를 포함한다.
바람직한 실시예에 있어서, 상기 개인화추천콘텐츠를 구성하는 단계에서 얻어진 item to item 추천결과데이터, seg to item 추천결과데이터, user to item 추천결과데이터 및 keyword to item 추천결과데이터 중 하나 이상을 기반으로 각 학생별로 가장 적합하다고 판단된 개인화추천콘텐츠를 선정하고 이를 목록화하여 각 학생의 학습단말기로 제공하는 단계;를 더 포함한다.
또한, 본 발명은 학생프로파일 및 비교과 콘텐츠프로파일 중 하나 이상을 이용한 개인화 비교과콘텐츠 추천장치로서, e-러닝시스템을 이용하는 학생단말기로부터 수집된 데이터를 학생프로파일 또는 비교과 콘텐츠프로파일을 구성하는데 사용될 수 있도록 표준화처리하는 데이터전처리부; 상기 데이터천처리부에 의해 표준화된 데이터 및 상담데이터를 기반으로 1차학생프로파일을 구성한 후 추천콘텐츠구성부에 의해 구성된 일부데이터를 상기 1차학생프로파일에 추가하여 학생프로파일을 구성하는 학생프로파일구성부; 상기 표준화된 데이터 및 상기 1차학생프로파일 구성과정에서 생성된 일부데이터를 기반으로 비교과콘텐츠프로파일을 구성하는 비교과콘텐츠프로파일구성부; 및 상기 비교과콘텐츠프로파일, 상기 학생프로파일 및 이들 프로파일 구성과정에서 생성된 일부데이터 중 하나 이상을 기반으로 개인화추천콘텐츠를 구성하는 추천콘텐츠구성부;를 포함하는 비교과콘텐츠/학생프로파일을 이용한 개인화 비교과콘텐츠추천장치를 제공한다.
바람직한 실시예에 있어서, 상기 추천콘텐츠구성부에 의해 구성된 개인화추천콘텐츠는 item to item 추천결과데이터, seg to item 추천결과데이터, user to item 추천결과데이터 및 keyword to item 추천결과데이터 중 하나 이상을 포함한다.
바람직한 실시예에 있어서, 상기 추천콘텐츠구성부에 의해 구성된 개인화추천콘텐츠인 item to item 추천결과데이터, seg to item 추천결과데이터, user to item 추천결과데이터 및 keyword to item 추천결과데이터 중 하나 이상을 기반으로 각 학생별로 가장 적합하다고 판단된 개인화추천콘텐츠를 선정하고 이를 목록화하여 각 학생의 학습단말기로 제공하는 개인화비교과콘텐츠제공부;를 더 포함한다.
상술된 본 발명의 개인화비교과콘텐츠 추천방법 및 장치에 의하면, 학생단말기로부터 수집된 비교과콘텐츠 및/또는 상담데이터와 이를 학습하거나 상담한 학생을 연관시켜 분석함으로써 얻어진 각각의 학생이 어떤 속성을 갖고 있는지 보여주는 학생프로파일과 각각의 비교과콘텐츠가 어떤 속성을 갖고 있는지 보여주는 비교과콘텐츠프로파일을 이용하여 학생별로 가장 적합한 비교과콘텐츠를 추천함으로써 교과과정에 대한 전반적인 이해력을 향상시키고 흥미를 부여하여 학생의 학습의욕을 향상시키므로 자기주도 학습습관을 형성하는데 기여할 수 있다.
본 발명의 이러한 기술적 효과들은 이상에서 언급한 범위만으로 제한되지 않으며, 명시적으로 언급되지 않았더라도 후술되는 발명의 실시를 위한 구체적 내용의 기재로부터 통상의 지식을 가진 자가 인식할 수 있는 발명의 효과 역시 당연히 포함된다.
도 1a는 본 발명에 따른 개인화 비교과콘텐츠추천장치가 포함된 e-러닝시스템을 도시한 개념도이고, 도 1b는 본 발명의 다양한 실시예에 따른 개인화 비교과콘텐츠추천장치의 일구현예를 도시한 블록도이며, 도 1c는 데이터전처리부(110)에 의해 수집된 데이터가 표준화되기 전과 표준화 된 후 데이터 정렬상태의 일구현예를 나타낸 도면이다.
도 2는 본 발명의 다양한 실시예에 따른 개인화 비교과콘텐츠추천방법의 일구현예를 도시한 흐름도이다.
도 3은 도 2에 도시된 흐름도를 보다 상세하게 도시한 것이다.
도 4a는 학생프로파일을 구성하는 학습데이터 및 상담데이터 기반 데이터셋을 요약한 것이고, 도 4b는 1차 학생프로파일을 구성하는 데이터셋을 요약한 것이고, 도 4c는 도 4b의 구체적인 예시를 보여주는 1차 학생프로파일 데이터샘플이며, 도 4d는 1차 학생프로파일의 일구현예를 나타낸 도면이다.
도 5a는 비교과콘텐츠프로파일을 구성하는 학습데이터 및 비교과콘텐츠별 학생데이터 기반 데이터셋을 요약한 것이고, 도 5b는 도 5a의 구체적인 예시를 보여주는 비교과콘텐츠프로파일 데이터샘플이며, 도 5c는 비교과콘텐츠프로파일의 일구현예를 나타낸 도면이다.
도 6a는 학생별 소비한 비교과콘텐츠 리스트의 일부 구현예를 도시한 것이고, 도 6b는 도 6a의 비교과콘텐츠 리스트를 이용하여 구성된 데이터셋의 일부 구현예를 도시한 것이다.
도 7a 및 7b는 본 발명의 개인화 비교과콘텐츠추천방법에 의해 얻어진 개인화추천콘텐츠를 예시한 것이다.
도 2는 본 발명의 다양한 실시예에 따른 개인화 비교과콘텐츠추천방법의 일구현예를 도시한 흐름도이다.
도 3은 도 2에 도시된 흐름도를 보다 상세하게 도시한 것이다.
도 4a는 학생프로파일을 구성하는 학습데이터 및 상담데이터 기반 데이터셋을 요약한 것이고, 도 4b는 1차 학생프로파일을 구성하는 데이터셋을 요약한 것이고, 도 4c는 도 4b의 구체적인 예시를 보여주는 1차 학생프로파일 데이터샘플이며, 도 4d는 1차 학생프로파일의 일구현예를 나타낸 도면이다.
도 5a는 비교과콘텐츠프로파일을 구성하는 학습데이터 및 비교과콘텐츠별 학생데이터 기반 데이터셋을 요약한 것이고, 도 5b는 도 5a의 구체적인 예시를 보여주는 비교과콘텐츠프로파일 데이터샘플이며, 도 5c는 비교과콘텐츠프로파일의 일구현예를 나타낸 도면이다.
도 6a는 학생별 소비한 비교과콘텐츠 리스트의 일부 구현예를 도시한 것이고, 도 6b는 도 6a의 비교과콘텐츠 리스트를 이용하여 구성된 데이터셋의 일부 구현예를 도시한 것이다.
도 7a 및 7b는 본 발명의 개인화 비교과콘텐츠추천방법에 의해 얻어진 개인화추천콘텐츠를 예시한 것이다.
이하의 내용은 단지 본 발명의 원리를 예시한다. 그러므로 당업자는 비록 본 명세서에 명확히 설명되거나 도시되지 않았지만 본 발명의 원리를 구현하고 본 발명의 개념과 범위에 포함된 다양한 장치를 발명할 수 있는 것이다.
본 발명의 원리, 관점 및 실시 예들뿐만 아니라 특정 실시 예를 열거하는 모든 상세한 설명은 이러한 사항의 구조적 및 기능적 균등물을 포함하도록 의도되는 것으로 이해되어야 한다. 또한 이러한 균등물들은 현재 공지된 균등물뿐만 아니라 장래에 개발될 균등물 즉 구조와 무관하게 동일한 기능을 수행하도록 발명된 모든 소자를 포함하는 것으로 이해되어야 한다.
따라서, 예를 들어, 본 명세서의 블럭도는 본 발명의 원리를 구체화하는 예시적인 회로의 개념적인 관점을 나타내는 것으로 이해되어야 한다. 이와 유사하게, 모든 흐름도, 상태 변환도, 의사 코드 등은 컴퓨터가 판독 가능한 매체에 실질적으로 나타낼 수 있고 컴퓨터 또는 프로세서가 명백히 도시되었는지 여부를 불문하고 컴퓨터 또는 프로세서에 의해 수행되는 다양한 프로세스를 나타내는 것으로 이해되어야 한다.
프로세서 또는 이와 유사한 개념으로 표시된 기능 블럭을 포함하는 도면에 도시된 다양한 소자의 기능은 전용하드웨어뿐만 아니라 적절한 소프트웨어와 관련하여 소프트웨어를 실행할 능력을 가진 하드웨어의 사용으로 제공될 수 있다. 프로세서에 의해 제공될 때, 상기 기능은 단일 전용 프로세서, 단일 공유 프로세서 또는 복수의 개별적 프로세서에 의해 제공될 수 있고, 이들 중 일부는 공유될 수 있다.
또한 프로세서, 제어 또는 이와 유사한 개념으로 제시되는 용어의 명확한 사용은 소프트웨어를 실행할 능력을 가진 하드웨어를 배타적으로 인용하여 해석되어서는 안 되고, 제한 없이 디지털 신호 프로세서(DSP) 하드웨어, 소프트웨어를 저장하기 위한 롬(ROM), 램(RAM) 및 비 휘발성 메모리를 암시적으로 포함하는 것으로 이해되어야 한다. 주지관용에 따른 하드웨어도 포함될 수 있다.
본 발명에 기재된 기능을 수행하기 위한 수단으로 표현된 구성요소는 예를 들어 상기 기능을 수행하는 회로 소자의 조합 또는 펌웨어/마이크로 코드 등을 포함하는 모든 형식의 소프트웨어를 포함하는 기능을 수행하는 모든 방법을 포함하는 것으로 의도되었으며, 상기 기능을 수행하도록 상기 소프트웨어를 실행하기 위한 적절한 회로와 결합된다. 이러한 청구범위에 의해 정의되는 본 발명은 다양하게 열거된 수단에 의해 제공되는 기능들이 결합되고 청구항이 요구하는 방식과 결합되기 때문에 상기 기능을 제공할 수 있는 어떠한 수단도 본 명세서로부터 파악되는 것과 균등한 것으로 이해되어야 한다.
본 발명에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "포함하다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 발명에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
본 발명에서 사용되는 용어 “비교과콘텐츠”는 정규교과과정에 포함되는 학습콘텐츠는 아니지만, 예절이나 역사이야기, 과학실험 등 교과과정과 어느 정도 관련성이 있고 학생들이 흥미를 가지고 즐길 수 있는 내용으로 만들어진 콘텐츠로서 특히 동영상콘텐츠를 의미한다. 경우에 따라서 “비교과콘텐츠”는 정규교과과정 학습콘텐츠를 제외한 모든 콘텐츠를 의미할 수도 있다.
상술한 목적, 특징 및 장점은 첨부된 도면과 관련한 다음의 상세한 설명을 통하여 보다 분명해질 것이며, 그에 따라 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 본 발명의 기술적 사상을 용이하게 실시할 수 있을 것이다. 또한, 본 발명을 설명함에 있어서 본 발명과 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에 그 상세한 설명을 생략하기로 한다.
이하, 첨부된 도면을 참조하여 본 발명에 따른 바람직한 실시 예를 상세히 설명하기로 한다.
도 1a는 본 발명에 따른 개인화 비교과콘텐츠추천장치가 포함된 e-러닝시스템(1)을 도시한 개념도이고, 도 1b는 본 발명의 다양한 실시예에 따른 개인화 비교과콘텐츠추천장치(100)의 일구현예를 도시한 블록도이며, 도 1c는 데이터전처리부(110)에 의해 수집된 데이터가 표준화 되기 전과 표준화 된 후 데이터 정렬상태를 나타낸 도면이다.
도 1a를 참조하면, 본 발명의 개인화 비교과콘텐츠추천장치(10)는 다수의 학생들이 소지한 학생단말기(10) 및 상기 학생단말기(10)로 교과콘텐츠 및 비교과콘텐츠를 포함하는 각종 학습콘텐츠를 제공하는 서버(20)를 적어도 포함하는 e-러닝시스템(1)의 일부 또는 연계되지만 별개의 장치로 구현될 수 있음을 알 수 있다. 특히, 개인화 비교과콘텐츠추천장치(10)가 e-러닝시스템(1)의 일부로 구현되는 경우 서버(20)와 별개로 독립된 장치로 구현될 수도 있지만 서버(20)의 일부로 통합되어 구현될 수도 있음은 물론이다.
여기서, 학생단말기(10)는 각종 학습콘텐츠를 제공하는 서버(20)로부터 학습콘텐츠를 제공받아 학생들이 학습콘텐츠를 학습할 수 있고, 학생들의 학습기록 등을 수집하여 서버(20)의 데이터베이스(DB :21)로 송신할 수 있는 스마트 폰, 태블릿 PC, 통신 모듈을 구비한 카메라 중 어느 하나의 장치를 포함할 수 있다. 이에 한정되지 않고, 학생단말기(10)는 데스크톱 PC, 랩톱 PC, PDA, VR(Virtual Reality) 영상 장치, AR(Augmented Reality) 영상 장치와 같은 컴퓨팅 장치 중 어느 하나일 수도 있다. 특히 학생단말기(10)가 특정 e-러닝시스템(1)에 전용으로 사용되는 태블릿 PC 등과 같은 휴대용 단말기인 것이 바람직할 수 있다.
데이터베이스(DB)는 e-러닝시스템(1) 운영에 필요한 데이터를 포함하여 e-러닝시스템(1)을 사용하는 모든 학생들에게 공유되어 사용될 목적으로 각종 데이터를 통합하여 저장, 관리 및 제공하는 구성요소로서, 공지된 데이터베이스가 사용될 수 있다. 이하 도면에서는 DB(21)를 서버(20)의 일부 구성으로 도시하였으나, 학생단말기(10) 및 서버(20)와 통신망으로 연결되기만 하면 별개의 구성으로 구현할 수도 있을 것이다. 또한, 도시된 바와 같이 DB(21)에는 본 발명의 개인화비교과콘텐츠추천장치(100)와 관련된 데이터만을 표시했음을 밝혀둔다.
도 1b를 참조하면, 본 발명의 실시예에 따른 개인화 비교과콘텐츠추천장치(100)는 학생프로파일 및 비교과 콘텐츠프로파일 중 하나 이상을 이용한 개인화 비교과콘텐츠 추천장치로서 데이터전처리부(110), 학생프로파일구성부(120), 비교과콘텐츠프로파일구성부(130), 추천콘텐츠구성부(140) 및 개인화비교과콘텐츠제공부(150)를 포함한다. 필요한 경우 개인화비교과콘텐츠제공부(!50)는 추천콘텐츠구성부(140)에통합되어 구현될 수 있다.
데이터전처리부(110)는 e-러닝시스템(1)을 이용하는 학생단말기(10)로부터 수집된 데이터를 학생프로파일 또는 비교과콘텐츠프로파일 구성에 사용될 수 있도록 표준화처리한다.
여기서, e-러닝시스템(1)을 이용하는 학생단말기(10)로부터 수집된 데이터는 학습콘텐츠에 대한 학생별 사용기록데이터 및 상담데이터를 포함할 수 있다. 특히 학생별 사용기록데이터는 교과/비교과 학습활동을 나타내는 학습활동내역데이터(assignable event; 이하 “계획데이터”), 시험용 문항풀이 활동을 나타내는 평가이벤트데이터(assessment event; 이하 “시험데이터”), 계획되지 않은 학습활동을 나타내는 메뉴이동/실행 이벤트데이터(navigation event; 이하 “이동/실행 데이터”)를 포함한다. 일구현예로서, 계획 데이터는 LMS(Learning Management System)을 통해 e-러닝시스템(1)의 관리 교사가 학생과 주 1회 전화(화상 포함), SMS 등을 통해서 학생의 최근 학습 진행 상황이나 관심 과목, 학습 진행 시, 학생에게 발생하는 학습 관련 이슈 등을 포함할 수 있고, 관리 교사가 관리하고 있는 학생의 학습 진도를 기반으로 교과 및 비교과 학습에 대한 계획을 포함할 수 있다. 시험 데이터는 학생들이 정규 교육 과정(실력 평가, 단원 평가 등) 및 비교과 시험(모의고사, 수학 경시 등)을 풀이 및 풀이 결과에 대한 데이터를 포함하고 있으며, 이동/실행 데이터는 비교과 콘텐츠로 이동하거나 이동 한 뒤 실행한 이력 데이터를 포함 할 수 있다. 상담데이터는 e-러닝시스템(1)의 관리 교사가 학생과 주 1회 전화(화상 포함), SMS 등을 통해서 학생의 최근 학습 진행 상황이나 관심 과목, 학습 진행 시, 학생에게 발생하는 학습 관련 이슈 등을 포함할 수 있다.
이와 같이, 학생프로파일 및/또는 비교과콘텐츠프로파일을 구성하기 위해서는 학생단말기(10)로부터 수집되어 DB(21)에 저장된 상술된 데이터가 필요한데, 학습콘텐츠에 대한 학생별 사용기록데이터의 경우 모든 데이터가 동일한 수집기준으로 수집되지 않기 때문에 이들 데이터를 동등하게 취급할 수 있도록 표준화가 필요하다.
따라서, 데이터전처리부(110)는 도 1c에 도시된 바와 같이 계획데이터, 시험데이터 및 이동/실행 데이터에 대해 동일한 정렬기준이 적용될 수 있도록 처리하여 표준화된 데이터목록을 생성하여 이를 학생프로파일구성부(120) 및 비교과콘텐츠프로파일구성부(130)에 제공할 수 있다.
이 때 데이터전처리부(110)가 전처리하는 수집된 데이터는 추천시점까지 적어도 3개월 이상 축적된 데이터로서, 데이터의 축적 기간이 길수록 길수록 학생이 선호하는 콘텐츠를 추천할 확률이 높아질 수 있지만, 학년의 변경, 학기의 변경 등을 고려하면 추천 시점에서 1년 이내의 기간 동안 축적된 데이터가 사용될 수 있을 것이다.
학생프로파일구성부(120)는 각각의 학생들이 어떤 특징을 갖고 있는지 알 수 있도록 정리된 결과물인 학생프로파일을 만드는 구성요소로서, 후술하는 바와 같이 데이터천처리부(110)에 의해 표준화된 데이터 및 상담데이터를 기반으로 1차학생프로파일을 구성한 후 추천콘텐츠구성부(140)에 의해 구성된 일부데이터를 상기 1차학생프로파일에 추가하여 학생프로파일을 구성할 수 있다.
비교과콘텐츠프로파일구성부(130)는 비교과콘텐츠가 어떤 속성을 갖고 있고 이와 연관되어 각각의 학생들이 어떤 속성을 갖고 있는지 알 수 있도록 정리된 결과물인 비교과콘텐츠프로파일을 만드는 구성요소로서, 후술하는 바와 같이 데이터천처리부(110)에 의해 표준화된 데이터 및 학생프로파일구성부(120)에 의해 1차학생프로파일 구성과정에서 생성된 일부데이터를 기반으로 비교과콘텐츠프로파일을 구성할 수 있다.
추천콘텐츠구성부(140)는 각각의 학생들에게 가장 적합한 비교과콘텐츠인 개인화추천콘텐츠를 생성하는 구성요소로서, 후술하는 바와 같이 비교과콘텐츠프로파일, 학생프로파일 및 이들 프로파일 구성과정에서 생성된 일부데이터 중 하나 이상을 기반으로 item to item 추천결과데이터, seg to item 추천결과데이터, user to item 추천결과데이터 및 keyword to item 추천결과데이터 중 하나 이상을 구성할 수 있다.
개인화비교과콘텐츠제공부(150)는 추천콘텐츠구성부(140)에 의해 구성된 개인화추천콘텐츠인 item to item 추천결과데이터, seg to item 추천결과데이터, user to item 추천결과데이터 및 keyword to item 추천결과데이터 중 하나 이상을 기반으로 학생에게 어떤 방식의 콘텐츠를 제공하는 것이 학습자의 학습 역량 개선에 효과적일지 판단한 서비스 기획에 따라 추천 방식을 각 학생별로 가장 적합하다고 판단된 개인화추천콘텐츠를 선정하고 목록화 하여 각 학생의 학습단말기(10)로 제공하는 구성요소로서, 필요한 경우 추천콘텐츠구성부(140)에 통합되어 구성될 수도 있다.
도 2는 본 발명의 다양한 실시예에 따른 개인화 비교과콘텐츠추천방법의 일구현예를 도시한 흐름도이고, 도 3은 도 2에 도시된 흐름도를 보다 상세하게 도시한 것이다. 도 4a는 학생프로파일을 구성하는 학습데이터 및 상담데이터 기반 데이터셋을 요약한 것이고, 도 4b는 1차 학생프로파일을 구성하는 데이터셋을 요약한 것이고, 도 4c는 도 4b의 구체적인 예시를 보여주는 1차 학생프로파일 데이터샘플이며, 도 4d는 1차 학생프로파일의 일구현예를 나타낸 도면이다. 도 5a는 비교과콘텐츠프로파일을 구성하는 학습데이터 및 비교과콘텐츠별 학생데이터 기반 데이터셋을 요약한 것이고, 도 5b는 도 5a의 구체적인 예시를 보여주는 비교과콘텐츠프로파일 데이터샘플이며, 도 5c는 비교과콘텐츠프로파일의 일구현예를 나타낸 도면이다.
상술된 구성을 갖는 개인화 비교과콘텐츠추천장치(100)를 구성하는 데이터전처리부(110), 학생프로파일구성부(120), 비교과콘텐츠프로파일구성부(130) 및 추천콘텐츠구성부(140)에 의해 개인화 비교과콘텐츠가 도 2에 도시된 바와 같은 단계를 거쳐 추천될 수 있다.
1. 수집된 데이터 전처리단계(S100)
데이터전처리부(110)는 학생프로파일 또는 비교과콘텐츠프로파일 구성에 사용될 수 있도록 학생단말기(10)로부터 수집되어 DB(21)에 저장된 데이터 중 학습콘텐츠에 대한 학생별 사용기록데이터 즉 계획데이터, 시험데이터 및 이동/실행 데이터를 표준화하여 동일한 정렬기준이 적용된 데이터목록을 생성한다.
2. 1차 학생프로파일 구성단계(S200)
전처리된 데이터 및 상담데이터를 기반으로 학생프로파일구성부(120)가 1차학생프로파일을 구성하는 단계로서, 학생프로파일용 학습데이터를 추출하는 단계, 학생프로파일용 상담데이터를 추출하는 단계 및 1차학생프로파일을 저장하는 단계를 포함하여 수행될 수 있다.
(1) 학생프로파일용 학습데이터를 추출하는 단계
학생프로파일용 학습데이터를 추출하는 단계는 전처리된 데이터 즉 표준화 처리된 계획데이터, 시험데이터 및 이동/실행데이터를 기반으로 학생프로파일구성부(120)가 1차 학생프로파일용 학습데이터를 추출하여 수행될 수 있다. 1차 학생프로파일용 학습데이터의 추출은 일 구현예로서 학생프로파일구성부(120)에 의해 IMS(Instructional Management System) Caliper라는 학습 이벤트 표준 스키마를 통해 적재 된 학습자용 학습 이벤트 데이터에서 해당 추천 모델에 활용 될 이벤트 특성들을 AWS Redshift 저장소에서 질의를 통해서 추출하여 수행될 수 있다.
1차 학생프로파일용 학습데이터는 일구현예로서 도 4b에 도시된 바와 같이 학생ID, 학년, 총 학습 콘텐츠 수(교과, 비교과), 총 학습 교과 콘텐츠 수, 총 학습 비교과 콘텐츠 수, 총 학습 unique콘텐츠 수(교과, 비교과), 총 학습 unique 비교과콘텐츠 수, 총 수행 시험 수, 총 수행 unique 시험 수, 최빈 학습 교과카테고리 RANK 1위~3위, 최빈 학습 비교과카테고리 RANK 1위~3위, 최빈/최근 학습 교과카테고리 RANK 1위~3위, 최빈/최근 학습 비교과카테고리 RANK 1위~3위, 최빈/최근 수행시험 RANK 1위~3위, 최빈/최근 학습미계획 학습활동 RANK 1위~3위, 주 활동 시간대 RANK 1위~3위로 구성될 수 있다. 도 4c로부터 구체적인 1차 학생프로파일용 학습데이터 결과 값을 알 수 있다.
(2) 학생프로파일용 상담데이터를 추출하는 단계
학생프로파일용 학습데이터를 추출하는 단계는 도 3에 도시된 바와 같이 형태소분석, TF-IDF, 대표키워드추출을 통해 1차적으로 단일키워드를 추출한 후 word2vec을 수행하여 학생프로파일구성부(120)가 단일키워드 및 단일키워드조합을 포함하는 학생프로파일용 상담데이터를 추출할 수 있는데 보다 구체적으로 살펴보면 다음과 같다.
먼저, 형태소분석, TF-IDF, 단일키워드추출은 공지된 키워드 사전을 기준으로 상기 수집된 상담데이터에서 학생별 상담 내역을 통합하고 형태소 분석을 진행한 후 TF-IDF를 사용하여 명사 및 형용사 키워드를 추출하여 수행될 수 있는데, 이 단계에서 얻어진 대표키워드가 단일키워드가 될 수 있다.
그 후 추출된 명사 및 형용사 키워드에 대해 word2vec을 수행하는데, 추출된 키워드를 기준으로 앞뒤 등장하는 명사 및 형용사 키워드의 전체 조합을 확인하는 단계; 키워드 전체 조합의 분포 및 커버리지를 확인하는 단계; 분포 기준 구간별 조합의 적합도를 판별하는 단계; 및 구간별 적합도의 변곡점 기준 상위 N개내 키워드 조합을 검토하고 키워드 조합사전을 생성하는 단계;를 포함할 수 있으며, 키워드 조합사전을 통해 조합키워드를 얻을 수 있다. 여기서, 커버리지는 상담 내역에 해당 키워드를 포함하는 학생 수를 의미하며, 분포 기준 구간별 조합의 적합도는 두 가지 방식을 통해서 단일 키워드 간 조합도를 평가하였다. 첫 번째는 단일 키워드의 적절성을 TF-IDF와 wordrank의 한국어 버전인 KR-wordrank를 통해서 도출 된 중요도 및 커버리지 랭킹을 학습 담당자 및 모델 개발자가 직접 정성적 평가를 통해서 선별하였으며, 두 번째로 중요도 및 커버리지 분포에서 전체의 80% 정도를 설명하는 분포의 대표치를 기반으로 판별하였다.
키워드 조합 사전은 특정 e-러닝시스템을 이용하는 학생들의 전체 데이터에서 의미 없는 단어 즉 학생의 콘텐츠를 추천하는데 효용성이 없다고 판단 되는 단어를 모델 개발자 및 교사를 중심으로 선별하여 필터링한 후 원하는 키워드가 선별되어 조합된 말뭉치사전이다. 시뮬레이션을 통한 실험결과 구간별 적합도의 변곡점 기준 상위 N개는 700 내지 900개로서 상위 N개 내 키워드 조합에서 의미 없는 키워드를 제외하여 키워드조합사전을 생성할 수 있다.
(3) 1차 학생프로파일을 저장하는 단계
1차 학생프로파일을 저장하는 단계는 상술된 방법으로 추출된 학습데이터 및 상담데이터를 시간 순으로 정렬하고 학생ID별 관계 레이블 값을 부여하여 도 4d에 도시된 바와 같이, 1차 학생프로파일을 생성한 후 이를 저장하여 수행될 수 있다.
3. 비교과콘텐츠프로파일을 구성하는 단계((S300)
전처리된 데이터 및 1차학생프로파일 구성과정에서 생성된 일부데이터를 기반으로 비교과콘텐츠프로파일구성부(130)가 비교과콘텐츠프로파일을 구성하는 단계로서, 비교과콘텐츠프로파일용 학습데이터를 추출하는 단계, 비교과콘텐츠별 학생데이터를 추출하는 단계 및 비교과콘텐츠프로파일을 저장하는 단계를 포함하여 수행될 수 있다.
(1) 비교과콘텐츠프로파일용 학습데이터를 추출하는 단계
비교과콘텐츠프로파일용 학습데이터를 추출하는 단계는 전처리된 데이터를 모두 사용하는 것이 아니라 표준화 처리된 이동/실행데이터를 기반으로 비교과콘텐츠프로파일구성부(130)가 비교과콘텐츠프로파일용 학습데이터를 추출하여 수행될 수 있다. 비교과콘텐츠프로파일용 학습데이터의 추출은 일 구현예로서 비교과콘텐츠프로파일구성부(130)에 의해 IMS (Instructional Management System) Caliper라는 학습 이벤트 표준 스키마를 통해 적재 된 학습자용 학습 이벤트 데이터에서 해당 추천 모델에 활용 될 이벤트 특성들을 AWS Redshift 저장소에서 질의를 통해서 비교과 학습(정규 학습 외 콘텐츠)의 학습 이벤트 데이터를 추출하여 추출하여 수행될 수 있다.
비교과콘텐츠프로파일용 학습데이터는 일구현예로서 도 5a에 도시된 바와 같이 콘텐츠ID, 콘텐츠명, 소카테고리ID(object_course_id), 소카테고리명 (object_course_name), 중카테고리명(object_ispartof_name), 대카테고리명 (object_ispartof_section), 콘텐츠 과목 분류(object_presubjnm), 콘텐츠 학년 정보(object_gradegbn), 콘텐츠 학기 정보(object_semestergbn), 콘텐츠명 기준핵심 키워드 RANK, 콘텐츠 UNIT명 기준 메타 1, 콘텐츠 UNIT명 기준 메타 2, 콘텐츠 UNIT명 기준 메타 3, 콘텐츠 UNIT명 기준 메타 4, 콘텐츠 UNIT명 기준 메타 5로 구성될 수 있다. 도 5b로부터 구체적인 1차 학생프로파일용 학습데이터 결과 값을 알 수 있다.
필요한 경우, 추출된 학습데이터 중 일부를 대상으로 1차학생 프로파일 구성시 얻어지는 키워드조합사전을 기준으로 형태소 분석을 진행한 후 TF-IDF를 사용하여 키워드를 추출하는 단계가 더 수행될 수 있는데, 이러한 과정을 통해 도 5c에 도시된 비교과콘텐츠프로파일 중 유닛명 형태소분석 키워드1 내지 8을 추출할 수 있다.
(2) 비교과콘텐츠별 학생데이터를 추출하는 단계
비교과콘텐츠별 학생데이터를 추출하는 단계는 표준화 처리된 이동/실행데이터와 1차학생프로파일 구성시 얻어진 학생프로파일용 상담데이터를 기반으로 즉 도 3에 도시된 바와 같이 표준화 처리된 이동/실행데이터와 수집된 상담데이터로부터 vord2vec이 수행된 데이터를 기반으로 비교과콘텐츠프로파일구성부(130)가 비교과콘텐츠별 학생데이터를 추출하여 수행될 수 있다. 즉, 비교과 콘텐츠 관련 AWS Redshift에 적재되어 있는 이동/실행 이벤트 데이터를 기반으로 비교과 콘텐츠 별 실행한 학습자의 특성을 나타낼 수 있도록 데이터를 집계하여 메타 데이터로 활용한다. 예를 들어, 특정 비교과 콘텐츠를 활용한 학생들의 상담 키워드를 가장 많은 빈도수의 키워드로 연관 관심도를 추출한다던가 사용한 학생들이 최근 사용한 비교과 콘텐츠 중 가장 다 빈도의 콘텐츠와 연관 시켜 추출하는 것들이 있을 수 있다.
비교과콘텐츠별 학생데이터는 일구현예로서 도 5a에 도시된 바와 같이 콘텐츠학습학생정보 기반 메타1 내지 5로서, 학생 전체의 최빈 키워드 RANK, 콘텐츠 수행학생 수, 최빈 학년 정보, 학생들의 최빈 비교과 정보, 학생들의 최신 비교과 정보로 구성될 수 있다. 도 5b로부터 구체적인 비교과콘텐츠별 학생데이터 결과 값을 알 수 있다.
(3) 비교과콘텐츠프로파일을 저장하는 단계
비교과콘텐츠학생프로파일을 저장하는 단계는 상술된 방법으로 추출된 학습데이터 및 비교과콘텐츠별 학생데이터를 시간 순으로 정렬하고 콘텐츠ID별 관계 레이블 값을 부여하여 일 구현예로 도 5c에 도시된 바와 같이, 비교과콘텐츠프로파일을 생성한 후 이를 저장하여 수행될 수 있다.
여기서, 도 5a는 전반적인 스키마의 프레임워크이고, 도 5c는 최종적으로 설계된 결과이다. 따라서, 도 5a에 도시된 프레임워크가 실제 스키마로 개발하는 과정에서 세분화 되거나 위계 구조가 추가되어 개발 될 수 있어, 데이터가 반드시 1:1 매칭되지 않을 수 있음을 밝혀둔다.
4. 개인화추천콘텐츠를 구성하는 단계((S400)
개인화추천콘텐츠를 구성하는 단계는 도 3에 도시된 바와 같이 비교과콘텐츠프로파일, 학생프로파일 및 이들 프로파일 구성과정에서 생성된 일부데이터 중 하나 이상을 기반으로 추천콘텐츠구성부(140)가 각각의 학생에게 최적화된 맞춤형 개인화콘텐츠를 구성하는 단계로서, item to item 추천결과데이터, seg to item 추천결과데이터, user to item 추천결과데이터 및 keyword to item 추천결과데이터 중 하나 이상을 생성하여 저장하는 단계를 포함할 수 있다. 여기서 상술된 4개의 추천결과데이터는 동시에 또는 순차적으로 생성되어 저장될 수 있는데, 이들 추천결과데이터는 일구현예로서 도 7a 및 도 7b와 같이 얻어 질 수 있다.
(1) item to item 추천결과데이터
item to item 추천결과데이터는 학생별로 소비한 비교과콘텐츠를 기반으로 모델 학습하여 수행된 Item2vec 을 통해 얻어진 연관콘텐츠 결과물로서, 학생별 소비한 비교과콘텐츠 리스트를 생성하는 단계, 데이터셋을 구성하는 단계, 모델학습하는 단계 및 모델학습 결과로 얻어진 item to item 추천결과데이터를 저장하는 단계를 포함하여 얻어질 수 있다.
① 학생별 소비한 비교과콘텐츠 리스트를 생성하는 단계
학생별 소비한 비교과콘텐츠 리스트를 생성하는 단계는 도 6a에 도시된 바와 같이 표준화 처리된 이동/실행데이터를 기반으로 일정기간동안 각 학생이 소비한 비교과콘텐츠를 학생별로 정렬하여 수행될 수 있다.
② 데이터셋을 구성하는 단계
데이터셋을 구성하는 단계는 도 6b에 도시된 바와 같이 학생별 소비한 비교과콘텐츠 리스트에서 관계 레이블 값을 부여하여 학생ID 당 매칭된 하나 이상의 비교과콘텐츠ID를 포함하는 데이터셋을 구성하여 수행될 수 있다.
③ 모델학습하는 단계
모델학습하는 단계는 구성된 데이터셋을 기반으로 skip-gram, negative sampling, CBOW(Continuous Bag-of-Words) 중 하나 이상의 모델로 학습시켜 수행될 수 있다. 일 구현예로서 단어를 벡터화 하는 모델의 경우 입력과 출력에 따라 CBOW 모델과 Skip-Gram 모델 두 가지로 구분 되며, 두 가지 중 학습 속도, 정확도, 주요 단어의 빈도 등을 고려해서 선택해 모델을 학습 시켜 수행 될 수 있다.
④ item to item 추천결과데이터를 저장하는 단계
item to item 추천결과데이터를 저장하는 단계는 모델학습 결과로 얻어진 연관콘텐츠를 item to item 추천결과데이터로 저장하여 수행될 수 있다. 즉, Item 2 item의 경우 학생이 활용한 비교과 콘텐츠의 콘텐츠 명을 입력으로 하여 콘텐츠를 벡터화 하고, 이를 통해 콘텐츠 간 연관성을 고려해 추천 콘텐츠를 저장하여 수행 될 수 있다.
따라서, Item 2 Item 추천결과데이터를 얻기 위해 직접적으로는 비교과 콘텐츠 프로파일링이 사용 되진 않지만, Item based 기반 협업 필터링에는 비교과 콘텐츠 프로파일링이 활용 될 수 있기 때문에 추천 모델 선택 시, 비교과 콘텐츠 프로파일링의 존재는 주요한 포인트가 될 수 있다.
(2) seg to item 추천결과데이터
seg to item 추천결과데이터는 상술된 Item2vec에서 추출된 벡터 값으로부터 생성된 use2vec 결과를 기반으로 비교과콘텐츠를 소비한 학생들을 공통 속성을 갖는 몇 개의 군집으로 분류하고 이를 통해 얻어진 군집별 연관콘텐츠 결과물로서, 학생별 소비한 비교과콘텐츠 리스트를 생성하는 단계, 데이터셋을 구성하는 단계, 모델학습하는 단계, 각 학생별로 최근에 본 15개 이하의 비교과콘텐츠를 선정하는 단계, User2vec 결과를 생성하는 단계, K-maans Clustering를 수행하는 단계 및 seg to item 추천결과데이터를 저장하는 단계를 포함하여 얻어질 수 있다. 여기서, seg to item 추천결과데이터는 군집 모델을 구성할 때 학생 프로파일링 데이터를 기반으로 군집을 형성하는데, 경우에 따라서는, 이를 바탕으로 동일 군집 내에서 실행한 콘텐츠 중 학생이 실행하지 않은 콘텐츠를 추천하는 방식으로 얻어질 수도 있다.
① 학생별 소비한 비교과콘텐츠 리스트를 생성하는 단계, ②데이터셋을 구성하는 단계 및 ③모델학습하는 단계는 item to item 추천결과데이터를 생성하기 위한 Item2vec에서 수행되는 것과 동일하므로 상술된 설명으로 대신한다.
④ 각 학생별로 최근에 본 15개 이하의 비교과콘텐츠를 선정하는 단계
각 학생별로 최근에 본 15개 이하의 비교과콘텐츠를 선정하는 단계는 모델학습하는 단계에서 얻어진 비교과콘텐츠별 벡터 값을 기반으로 각 학생별로 최근에 본 15개 이하, 바람직하게는 10개의 비교과콘텐츠를 선정하여 수행될 수 잇다.
⑤ User2vec 결과를 생성하는 단계
User2vec 결과를 생성하는 단계는 각 학생 별로 선정된 10개의 비교과콘텐츠 벡터의 평균을 산출하여 수행될 수 있다.
⑥ K-maans Clustering를 수행하는 단계
K-maans Clustering를 수행하는 단계는 K개의 클러스터로 묶는 알고리즘인 K-maans Clustering를 사용하여 생성된 User2vec 결과를 K개의 클로스터로 분류하여 수행될 수 있다. 이 때, 학생들을 몇 개의 군집으로 분류할지 결정하는 K값은 11을 사용하여 11개로 분류하였는데 K값은 실험적으로 결정된 것이다. 즉, 최적 K값을 구할 때 판단할 수 있는 지표로 사용되는 하기 표1의 유효성판단지수를 5개 사용하여 도출된 K별로 값이 얼마 나오는지를 본 다음 11일 때 가장 우수한 군집 품질을 얻을 수 있다고 판별되었기 때문이다.
⑦ seg to item 추천결과데이터를 저장하는 단계
seg to item 추천결과데이터를 저장하는 단계는 K-maans Clustering 결과로서 얻어진 11개의 군집별 연관콘텐츠를 seg to item 추천결과데이터로 저장하여 수행될 수 있다.
(3) user to item 추천결과데이터
user to item 추천결과데이터는 상술된 Item2vec에서 추출된 벡터 값으로부터 생성된 use2vec 결과를 기반으로 선정된 각 학생별 최근접 이웃학생이 소비한 비교과콘텐츠를 고려하여 얻어진 연관콘텐츠 결과물로서, 학생별 소비한 비교과콘텐츠 리스트를 생성하는 단계, 데이터셋을 구성하는 단계, 모델학습하는 단계, 각 학생별로 최근에 본 15개 이하의 비교과콘텐츠를 선정하는 단계, User2vec 결과를 생성하는 단계, 코사인 유사도를 구하는 단계 및 user to item 추천결과데이터를 저장하는 단계를 포함하여 얻어질 수 있다. 즉, 코사인 유사도를 구하기 위한 KNN을 구현하기 위해서는 학생 간의 근접도를 파악하는 것이 필요하며, 이때 학생 프로파일링 정보를 입력 값으로 활용할 수 있다.
① 학생별 소비한 비교과콘텐츠 리스트를 생성하는 단계, ②데이터셋을 구성하는 단계, ③모델학습하는 단계, ④ 각 학생별로 최근에 본 15개 이하의 비교과콘텐츠를 선정하는 단계 및 ⑤ User2vec 결과를 생성하는 단계는 seg to item 추천결과데이터를 생성하기 위해 수행되는 것과 동일하므로 상술된 설명으로 대신한다.
⑥ 코사인 유사도를 구하는 단계
코사인 유사도를 구하는 단계는 User2vec 결과를 기반으로 KNN모델학습을 수행하여 콘텐츠별 코사인 유사도를 계산함으로써 수행될 수 있다.
⑦ user to item 추천결과데이터를 저장하는 단계
user to item 추천결과데이터를 저장하는 단계는 구해진 코사인 유사도를 기반으로 타겟 학생별 최근접 이웃학생 4명 내지 8명이 선정되는 단계 및 선정된 최근접 이웃학생 중 상위 2명 내지 4명의 최근 7일 동안의 비교과콘텐츠데이터를 분류하여 저장하는 단계를 포함하여 얻어진 연관콘텐츠를 user to item 추천결과데이터로 저장하여 수행될 수 있다.
(4) keyword to item 추천결과데이터
keyword to item 추천결과데이터는 학생들이 소비한 비교과컨텐츠 리스트에서 추출된 비교과컨텐츠별 대표키워드와 학생프로파일 및/또는 비교과콘텐츠프로파일을 비교하여 매칭시켜 얻어진 연관콘텐츠결과물로서, 학생별 소비한 비교과콘텐츠 리스트를 생성하는 단계, 비교과콘텐츠별로 대표키워드를 추출하는 단계, keyword to item 추천결과데이터를 저장하는 단계를 포함하여 얻어질 수 있다.
① 학생별 소비한 비교과콘텐츠 리스트를 생성하는 단계
학생별 소비한 비교과콘텐츠 리스트를 생성하는 단계는 도 6a에 도시된 바와 같이 표준화 처리된 이동/실행데이터를 기반으로 일정기간동안 각 학생이 소비한 비교과콘텐츠를 학생별로 정렬하여 수행될 수 있다.
② 비교과콘텐츠별로 대표키워드를 추출하는 단계
비교과콘텐츠별로 대표키워드를 추출하는 단계는 학생별 소비한 비교과콘텐츠 리스트에서 비교과콘텐츠 유닛명을 대상으로 형태소 분석을 진행한 후 TF-IDF를 사용하여 비교과콘텐츠별로 대표키워드를 추출하여 수행될 수 있다. 즉, 비교과콘텐츠 이름의 경우, 기호 등을 제외한 단어를 기반으로 형태소 분석을 진행하며, 학생 별 활용한 비교과 콘텐츠의 키워드 빈도를 파악하기 위해 TF-IDF를 추출하여 상위 랭크 된 키워드를 대표 키워드로 추출하여 수행 될 수 있기 때문이다.
③ keyword to item 추천결과데이터를 저장하는 단계
keyword to item 추천결과데이터를 저장하는 단계는 추출된 대표키워드를 1차 학생프로파일(경우에 따라서는 학생프로파일일 수도 있음) 및 비교과콘텐츠프로파일 중 어느 하나 이상을 기준으로 매칭 시켜 얻어진 연관콘텐츠를 keyword to item 추천결과데이터로 저장하여 수행될 수 있다.
5. 학생프로파일을 구성하는 단계((S500)
학생프로파일을 구성하는 단계는 도 3에 도시된 바와 같이 개인화추천콘텐츠를 구성하는 단계(S400)에서 얻어진 일부데이터를 학생프로파일구성부(120)가 1차 학생프로파일에 추가하여 학생프로파일을 완성하는 단계로서, seg to item 추천결과데이터를 기반으로 결정된 특정 학생이 특정 군집에 속함을 표시하는 user2vec 기반 seg데이터를 1차 학생프로파일에 추가시켜 수행될 수 있다.
따라서, 학생프로파일을 구성하는 단계((S500)는 seg to item 추천결과데이터만 생성되면 수행될 수 있으므로, 경우에 따라서는 개인화추천콘텐츠를 구성하는 단계(S400)가 완료되기 전에 먼저 수행될 수도 있을 것이다.
6. 개인화추천콘텐츠를 각 학생의 학습단말기로 제공하는 단계(S600)
개인화추천콘텐츠를 각 학생의 학습단말기로 제공하는 단계는 개인화추천콘텐츠를 구성하는 단계(S500)에서 얻어진 item to item 추천결과데이터, seg to item 추천결과데이터, user to item 추천결과데이터 및 keyword to item 추천결과데이터 중 하나 이상을 기반으로 개인화비교과콘텐츠제공부(150)가 각 학생별로 가장 적합하다고 판단된 개인화추천콘텐츠를 선정하고 이를 목록화하여 각 학생의 학습단말기로 제공함으로써 수행될 수 있다. 여기서, 개인화비교과콘텐츠제공부(150)는 학생단말기(10)로 제공할 개인화추천콘텐츠를 4개의 추천결과데이터 중 어느 하나만 기준으로 선정할 수도 있지만, 2개 이상의 추천결과데이터를 기준으로 선정하고자 할 경우에는 추천 서비스 기획에 따라 선정시 사용할 추천결과데이터 종류 및 개수, 랭킹에 따라 결정하여 사용할 수 있다.
상술된 구성을 갖는 본 발명에 따른 개인화비교과콘텐츠추천방법 및 장치는 개별적으로 학생의 학습 성향을 교과과정과 직접적으로 관련성이 적은 비교과콘텐츠 및 상담데이터를 통해 진단하고, 각 학생별로 진단된 학습 성향을 고려하여 맞춤형 비교과학습 컨텐츠를 제공함으로써, 교과과정에 대한 전반적인 이해력을 향상시키고 흥미를 부여하므로 자기주도 학습습관을 형성하는데 기여할 수 있을 것이다.
본 발명은 이상에서 살펴본 바와 같이 바람직한 실시 예를 들어 도시하고 설명하였으나, 상기한 실시 예에 한정되지 아니하며 본 발명의 정신을 벗어나지 않는 범위 내에서 당해 발명이 속하는 기술분야에서 통상의 지식을 가진 자에 의해 다양한 변경과 수정이 가능할 것이다.
1 : e-러닝 시스템
10 : 사용자단말기 20 : 서버
100 : 개인화비교과콘텐츠추천장치 110 : 데이터전처리부
120 : 학생프로파일구성부 130 : 비교과콘텐츠프로파일구성부
140 : 추천콘텐츠제공부 150 : 개인화비교과콘텐츠제공부
10 : 사용자단말기 20 : 서버
100 : 개인화비교과콘텐츠추천장치 110 : 데이터전처리부
120 : 학생프로파일구성부 130 : 비교과콘텐츠프로파일구성부
140 : 추천콘텐츠제공부 150 : 개인화비교과콘텐츠제공부
Claims (20)
- e-러닝시스템을 이용하는 학생단말기로부터 수집된 데이터 중 일부를 데이터전처리부가 학생프로파일 또는 비교과콘텐츠프로파일 구성에 사용될 수 있도록 전처리하는 단계;
상기 전처리된 데이터 및 상담데이터를 기반으로 학생프로파일구성부가 1차학생프로파일을 구성하는 단계;
상기 전처리된 데이터 및 상기 1차학생프로파일 구성과정에서 생성된 일부데이터를 기반으로 비교과콘텐츠프로파일구성부가 비교과콘텐츠프로파일을 구성하는 단계;
상기 비교과콘텐츠프로파일, 상기 학생프로파일 및 상기 프로파일 구성과정에서 생성된 일부데이터 중 하나 이상을 기반으로 추천콘텐츠구성부가 개인화추천콘텐츠를 구성하는 단계; 및
상기 학생프로파일구성부가 상기 개인화추천콘텐츠를 구성하는 단계에서 얻어진 일부데이터를 상기 1차 학생프로파일에 추가하여 학생프로파일을 구성하는 단계;를 포함하는 비교과콘텐츠/학생프로파일을 이용한 개인화 비교과콘텐츠추천방법.
- 제 1 항에 있어서,
상기 수집된 데이터는 교과/비교과 학습활동을 나타내는 학습활동내역데이터(assignable event;계획데이터), 시험용 문항풀이 활동을 나타내는 평가이벤트데이터(assessment event;시험데이터), 계획되지 않은 학습활동을 나타내는 메뉴이동/실행 이벤트데이터(navigation event;이동/실행데이터) 및 상담데이터를 포함하는 것을 특징으로 하는 비교과콘텐츠/학생프로파일을 이용한 개인화 비교과콘텐츠추천방법.
- 제 2 항에 있어서,
상기 수집된 데이터를 전처리하는 단계는 상이한 수집기준으로 수집된 계획데이터, 시험데이터 및 이동/실행데이터 중 하나 이상에 대한 표준화처리를 수행하는 것을 특징으로 하는 비교과콘텐츠/학생프로파일을 이용한 개인화 비교과콘텐츠추천방법.
- 제 3 항에 있어서, 상기 1차 학생프로파일을 구성하는 단계는
상기 표준화 처리된 계획데이터, 시험데이터 및 이동/실행데이터를 기반으로 학생프로파일용 학습데이터를 추출하는 단계;
상기 수집된 데이터 중 상담데이터로부터 키워드를 추출하고, 추출된 키워드를 기반으로 조합키워드를 형성하며, 추출된 키워드 및 조합키워드를 기반으로 학생프로파일용 상담데이터를 추출하는 단계; 및
상기 추출된 학습데이터 및 상담데이터를 시간순으로 정렬하고 학생ID별 관계 레이블 값을 부여하여 생성된 1차학생프로파일을 저장하는 단계;를 포함하여 수행되는 것을 특징으로 하는 비교과콘텐츠/학생프로파일을 이용한 개인화 비교과콘텐츠추천방법.
- 제 4 항에 있어서, 상기 학생프로파일용 상담데이터를 추출하는 단계는
공지된 키워드 사전을 기준으로 상기 수집된 상담데이터에서 학생별 상담 내역을 통합하고 형태소 분석을 진행한 후 TF-IDF를 사용하여 명사 및 형용사 키워드를 추출하는 단계;
상기 추출된 키워드를 기준으로 앞뒤 등장하는 명사 및 형용사 키워드의 전체 조합을 확인하는 단계;
키워드 전체 조합의 분포 및 커버리지를 확인하는 단계;
분포 기준 구간별 조합의 적합도를 판별하는 단계; 및
구간별 적합도의 변곡점 기준 상위 N개내 키워드 조합을 검토하고 키워드 조합사전을 생성하는 단계;를 포함하는 것을 특징으로 하는 비교과콘텐츠/학생프로파일을 이용한 개인화 비교과콘텐츠추천방법.
- 제 5 항에 있어서,
상기 키워드 조합 사전은 상기 e-러닝시스템을 이용하는 학생들의 전체 데이터에서 의미 없는 단어를 필터링한 후 원하는 키워드가 선별되어 조합된 말뭉치사전인 것을 특징으로 하는 개인화 비교과콘텐츠추천방법.
- 제 5 항에 있어서,
상기 커버리지는 상기 상담 내역에 해당 키워드를 포함하는 학생 수를 의미하는 것을 특징으로 하는 개인화 비교과콘텐츠추천방법.
- 제 3 항에 있어서, 상기 비교과콘텐츠 프로파일을 구성하는 단계는
상기 표준화 처리된 데이터 중 이동/실행데이터를 기반으로 비교과콘텐츠프로파일용 학습데이터를 추출하는 단계;
상기 이동/실행데이터와 1차학생프로파일 구성시 얻어지는 학생프로파일용 상담데이터를 기반으로 비교과콘텐츠별 학생데이터를 추출하는 단계; 및
상기 추출된 데이터를 시간순으로 정렬하고 비교과콘텐츠ID별 관계 레이블 값을 부여하여 생성된 비교과콘텐츠프로파일을 저장하는 단계;를 포함하여 수행되는 것을 특징으로 하는 비교과콘텐츠/학생프로파일을 이용한 개인화 콘텐츠추천방법.
- 제 8 항에 있어서,
상기 비교과콘텐츠프로파일용 학습데이터를 추출하는 단계는 상기 추출된 학습데이터 중 일부를 대상으로 1차학생 프로파일 구성시 얻어지는 키워드조합사전을 기준으로 형태소 분석을 진행한 후 TF-IDF를 사용하여 키워드를 추출하는 단계를 더 수행하는 것을 특징으로 하는 비교과콘텐츠/학생프로파일을 이용한 개인화 비교과콘텐츠추천방법.
- 제 1 항에 있어서,
상기 개인화추천콘텐츠를 구성하는 단계는 표준화처리된 이동/실행데이터를 기반으로 학생별 소비한 비교과콘텐츠 리스트를 생성하는 단계; 상기 학생별 소비한 비교과콘텐츠 리스트에서 관계 레이블 값을 부여하여 학생ID 당 매칭된 하나 이상의 비교과콘텐츠ID를 포함하는 데이터셋을 구성하는 단계; 상기 데이터셋을 기반으로 모델학습하는 단계; 상기 모델학습 결과로 얻어진 item to item 추천결과데이터를 저장하는 단계;를 포함하는 것을 특징으로 하는 비교과콘텐츠/학생프로파일을 이용한 개인화 비교과콘텐츠추천방법.
- 제 1 항에 있어서,
상기 개인화추천콘텐츠를 구성하는 단계는 표준화처리된 이동/실행데이터를 기반으로 학생별 소비한 비교과콘텐츠 리스트를 생성하는 단계; 상기 학생별 소비한 비교과콘텐츠 리스트에서 관계 레이블 값을 부여하여 학생ID 당 매칭된 하나 이상의 비교과콘텐츠ID를 포함하는 데이터셋을 구성하는 단계; 상기 데이터셋을 기반으로 모델학습하는 단계; 상기 모델학습하는 단계에서 얻어진 비교과콘텐츠별 벡터 값을 기반으로 각 학생별로 최근에 본 15개 이하의 비교과콘텐츠를 선정하는 단계; 선정된 비교과콘텐츠 벡터의 평균을 산출하여 User2vec 결과를 생성하는 단계; 상기 User2vec 결과를 기반으로 K-maans Clustering를 수행하는 단계; 상기 수행결과로 얻어진 seg to item 추천결과데이터를 저장하는 단계;를 포함하는 것을 특징으로 하는 비교과콘텐츠/학생프로파일을 이용한 개인화 비교과콘텐츠추천방법.
- 제 11 항에 있어서,
상기 K-maans Clustering을 위한 K값이 11일 때 가장 우수한 군집분류 품질을 얻을 수 있는 것을 특징으로 하는 비교과콘텐츠/학생프로파일을 이용한 개인화 비교과콘텐츠추천방법.
- 제 11 항에 있어서,
상기 seg to item 추천결과데이터를 기반으로 결정된 특정 학생이 특정 군집에 속함을 표시하는 user2vec 기반 seg데이터가 상기 학생프로파일 구성부에 의해 상기 1차 학생프로파일에 추가되는 것을 특징으로 하는 비교과콘텐츠/학생프로파일을 이용한 개인화 비교과콘텐츠추천방법.
- 제 1 항에 있어서,
상기 개인화추천콘텐츠를 구성하는 단계는 표준화처리된 이동/실행데이터를 기반으로 학생별 소비한 비교과콘텐츠 리스트를 생성하는 단계; 상기 학생별 소비한 비교과콘텐츠 리스트에서 관계 레이블 값을 부여하여 학생ID 당 매칭된 하나 이상의 비교과콘텐츠ID를 포함하는 데이터셋을 구성하는 단계; 상기 데이터셋을 기반으로 모델학습하는 단계; 상기 모델학습하는 단계에서 얻어진 비교과콘텐츠별 벡터 값을 기반으로 각 학생별로 최근에 본 15개 이하의 비교과콘텐츠를 선정하는 단계; 선정된 비교과콘텐츠 벡터의 평균을 산출하여 User2vec 결과를 생성하는 단계; 상기 User2vec 결과를 기반으로 KNN모델학습을 수행하여 코사인 유사도를 구하는 단계; 상기 구해진 코사인유사도를 기반으로 얻어진 user to item 추천결과데이터를 저장하는 단계;를 포함하는 것을 특징으로 하는 비교과콘텐츠/학생프로파일을 이용한 개인화 비교과콘텐츠추천방법.
- 제 14 항에 있어서,
상기 user to item 추천결과데이터는 상기 구해진 코사인 유사도를 기반으로 타겟 학생별 최근접 이웃학생 4명 내지 8명이 선정되는 단계; 및 선정된 최근접 이웃학생 중 상위 2명 내지 4명의 최근 7일 동안의 비교과콘텐츠데이터를 분류하여 저장하는 단계;를 포함하여 얻어지는 것을 특징으로 하는 비교과콘텐츠/학생프로파일을 이용한 개인화 비교과콘텐츠추천방법.
- 제 1 항에 있어서,
상기 개인화추천콘텐츠를 구성하는 단계는 상기 표준화처리된 이동/실행데이터를 기반으로 학생별 소비한 비교과콘텐츠 리스트를 생성하는 단계; 상기 학생별 소비한 비교과콘텐츠 리스트에서 비교과콘텐츠 유닛명을 대상으로 형태소 분석을 진행한 후 TF-IDF를 사용하여 비교과콘텐츠별로 대표키워드를 추출하는 단계; 및 상기 추출된 대표키워드를 상기 1차 학생프로파일 및 비교과콘텐츠프로파일 중 어느 하나 이상을 기준으로 매칭시켜 얻어진 keyword to item 추천결과데이터를 저장하는 단계;를 포함하는 것을 특징으로 하는 비교과콘텐츠/학생프로파일을 이용한 개인화 비교과콘텐츠추천방법.
- 제 10 항 내지 제 16 항 중 어느 한 항에 있어서,
상기 개인화추천콘텐츠를 구성하는 단계에서 얻어진 item to item 추천결과데이터, seg to item 추천결과데이터, user to item 추천결과데이터 및 keyword to item 추천결과데이터 중 하나 이상을 기반으로 각 학생별로 가장 적합하다고 판단된 개인화추천콘텐츠를 선정하고 이를 목록화하여 각 학생의 학습단말기로 제공하는 단계;를 더 포함하는 것을 특징으로 비교과콘텐츠/학생프로파일을 이용한 개인화 비교과콘텐츠추천방법.
- 학생프로파일 및 비교과 콘텐츠프로파일 중 하나 이상을 이용한 개인화 비교과콘텐츠 추천장치로서,
e-러닝시스템을 이용하는 학생단말기로부터 수집된 데이터를 학생프로파일 또는 비교과 콘텐츠프로파일을 구성하는데 사용될 수 있도록 표준화처리하는 데이터전처리부;
상기 데이터천처리부에 의해 표준화된 데이터 및 상담데이터를 기반으로 1차학생프로파일을 구성한 후 추천콘텐츠구성부에 의해 구성된 일부데이터를 상기 1차학생프로파일에 추가하여 학생프로파일을 구성하는 학생프로파일구성부;
상기 표준화된 데이터 및 상기 1차학생프로파일 구성과정에서 생성된 일부데이터를 기반으로 비교과콘텐츠프로파일을 구성하는 비교과콘텐츠프로파일구성부; 및
상기 비교과콘텐츠프로파일, 상기 학생프로파일 및 이들 프로파일 구성과정에서 생성된 일부데이터 중 하나 이상을 기반으로 개인화추천콘텐츠를 구성하는 추천콘텐츠구성부;를 포함하는 비교과콘텐츠/학생프로파일을 이용한 개인화 비교과콘텐츠추천장치.
- 제 18 항에 있어서,
상기 추천콘텐츠구성부에 의해 구성된 개인화추천콘텐츠는 item to item 추천결과데이터, seg to item 추천결과데이터, user to item 추천결과데이터 및 keyword to item 추천결과데이터 중 하나 이상을 포함하는 것을 특징으로 하는 개인화 비교과콘텐츠추천장치.
- 제 18 항에 있어서,
상기 추천콘텐츠구성부에 의해 구성된 개인화추천콘텐츠인 item to item 추천결과데이터, seg to item 추천결과데이터, user to item 추천결과데이터 및 keyword to item 추천결과데이터 중 하나 이상을 기반으로 각 학생별로 가장 적합하다고 판단된 개인화추천콘텐츠를 선정하고 이를 목록화하여 각 학생의 학습단말기로 제공하는 개인화비교과콘텐츠제공부;를 더 포함하는 것을 특징으로 하는 개인화 비교과콘텐츠추천장치.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220054722A KR20230155630A (ko) | 2022-05-03 | 2022-05-03 | 비교과콘텐츠/학생프로파일을 이용한 개인화 비교과콘텐츠추천방법 및 추천장치 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220054722A KR20230155630A (ko) | 2022-05-03 | 2022-05-03 | 비교과콘텐츠/학생프로파일을 이용한 개인화 비교과콘텐츠추천방법 및 추천장치 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20230155630A true KR20230155630A (ko) | 2023-11-13 |
Family
ID=88746858
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020220054722A KR20230155630A (ko) | 2022-05-03 | 2022-05-03 | 비교과콘텐츠/학생프로파일을 이용한 개인화 비교과콘텐츠추천방법 및 추천장치 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR20230155630A (ko) |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101166130B1 (ko) | 2007-08-30 | 2012-07-23 | 삼성전자주식회사 | 컨텐츠 태그를 이용하여 사용자 프로파일을 구성하는 방법및 장치, 그리고 생성된 사용자 프로파일을 이용하여컨텐츠를 추천하는 방법 |
-
2022
- 2022-05-03 KR KR1020220054722A patent/KR20230155630A/ko not_active Application Discontinuation
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101166130B1 (ko) | 2007-08-30 | 2012-07-23 | 삼성전자주식회사 | 컨텐츠 태그를 이용하여 사용자 프로파일을 구성하는 방법및 장치, 그리고 생성된 사용자 프로파일을 이용하여컨텐츠를 추천하는 방법 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11862041B2 (en) | Integrated student-growth platform | |
| Atman Uslu et al. | Predicting technology integration based on a conceptual framework for ICT use in education | |
| CN107230174B (zh) | 一种基于网络的在线互动学习系统和方法 | |
| US7299217B2 (en) | Systems and methods for providing adaptive tools for enabling collaborative and integrated decision-making | |
| US9262746B2 (en) | Prescription of electronic resources based on observational assessments | |
| US20080227079A1 (en) | Method, Apparatus and Computer Program Code for Automation of Assessment Using Rubrics | |
| Ludlow et al. | An accountability model for initial teacher education | |
| CN113886567A (zh) | 一种基于知识图谱的教学方法及系统 | |
| Devaul et al. | Computer‐assisted assignment of educational standards using natural language processing | |
| Barker et al. | Teaching intercultural communication in a technical writing service course: real instructors' practices and suggestions for textbook selection | |
| Nkhoma et al. | Learning analytics techniques and visualisation with textual data for determining causes of academic failure | |
| Atabekova | Employers’ contribution to law students’ multilingual communication skills training in remote mode due to pandemic emergency: Pilot study | |
| Monteiro et al. | A systematic review of design factors to prevent attrition and dropout in e-learning courses | |
| US20220406210A1 (en) | Automatic generation of lectures derived from generic, educational or scientific contents, fitting specified parameters | |
| de la Chica et al. | Computational foundations for personalizing instruction with digital libraries | |
| KR20230155630A (ko) | 비교과콘텐츠/학생프로파일을 이용한 개인화 비교과콘텐츠추천방법 및 추천장치 | |
| Binh et al. | An integrated approach for an academic advising system in adaptive credit-based learning environment | |
| Zhang et al. | The development and validation of an L2 student digital multimodal composing competence scale | |
| Yang et al. | A Learning Preference Analysis Method Based on a Novel Developed Teaching Skill Training App for Mobile Learning | |
| Onyekaba | A framework for mapping multimedia to educational concepts | |
| Meng | Intelligent Integration of Online Environmental Education Resources for English Language and Literature Majors Based on Collaborative Filtering Algorithm | |
| Shuib | Information seeking tool based on learning style | |
| Chernobilsky et al. | Utilizing Learning Analytics in Small Institutions: A Study of Performance of Adult Learners in Online Classes | |
| Santos et al. | A TEXTUAL CONVERSATIONAL AGENT AS A VIRTUAL ASSISTANT TO STUDENTS IN THE MOODLE LMS | |
| Li | Educational Content Linking for Enhancing Learning Need Remediation in MOOCs |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal |