KR20240006984A - 뉴럴 네트워크를 이용한 메타인지 능력을 평가하는 방법 및 장치 - Google Patents

Abstract

실시예들은 뉴럴 네트워크를 이용한 메타인지 능력을 평가하는 방법 및 장치를 제공한다. 실시예에 따른 뉴럴 네트워크를 이용한 메타인지 능력을 평가하는 방법은, 학습 서버에 의해, 데이터베이스에서 학습 체크 문제를 선택하고, 학습자 단말에 상기 학습 체크 문제를 송신하는 단계; 상기 학습자 단말로부터 상기 학습 체크 문제에 대한 학습자의 학습 체크 응답을 수신하는 단계; 상기 학습 체크 응답의 난이도 예측값을 기초로 상기 학습자의 난이도 인지능력을 평가하고, 평가 결과를 기초로 상기 학습자의 난이도 예측정확도를 산출하는 단계; 상기 학습 체크 응답의 풀이결과 예측값을 기초로 상기 학습자의 풀이결과 인지능력을 평가하고, 평가 결과를 기초로 상기 학습자의 풀이결과 예측정확도를 산출하는 단계; 상기 학습자의 상기 난이도 예측정확도 및 상기 풀이결과 예측정확도를 기초로 상기 학습자의 메타인지 능력 지수를 산출하여 상기 학습자 단말에 송신하는 단계;를 포함하되, 상기 학습자의 난이도 예측정확도를 산출하는 단계는, 상기 학습 체크 문제의 각 문항에 대한 상기 학습자의 실제 풀이시간을 기초로 상기 각 문항의 난이도 등급을 생성하는 단계, 상기 실제 풀이시간과 상기 각 문항의 정답율을 기초로 난이도 등급 보정 계수를 산출하는 단계, 상기 난이도 등급 보정 계수를 이용하여 상기 각 문항의 상기 난이도 등급을 보정하는 단계, 보정된 상기 난이도 등급을 기초로 상기 학습자의 상기 난이도 예측정확도를 산출하는 단계를 포함할 수 있다.

Description

뉴럴 네트워크를 이용한 메타인지 능력을 평가하는 방법 및 장치{METHOD AND APPARATUS FOR EVALUATING METACOGNITIVE ABILITY USING NEURAL NETWORKS}

본 발명의 실시예들은 뉴럴 네트워크를 이용한 메타인지 능력을 평가하는 방법 및 장치에 관한 것으로서, 보다 상세하게는 뉴럴 네트워크를 이용하여 학습자의 메타인지 능력을 정확하게 측정하고, 측정 결과를 이용하여 학습자에게 적절한 학습 컨텐츠를 제공하는 방법 및 장치에 관한 것이다.

최근 통신 기술이 발전함에 따라 교육 분야에 있어서도 온라인 교육 서비스가 점차 증가하고 있다. 기존의 오프라인 교육의 경우 학습자가 직접 학원까지 이동해서 수업을 수강해야 하기 때문에 학원에서 멀리 떨어진 지역에 거주하는 학습자의 경우 수업을 수강하지 못하거나, 하나의 강의를 수강할 수 있는 학습자의 수가 제한되는 등 다양한 불편함이 있다. 그러나 온라인 교육 서비스의 경우, 그러한 불편함이 해소되고, 교육 서비스 제공자가 다양한 방식으로 학습자에게 서비스를 제공할 수 있기 때문에 실질적으로 학습 서비스의 퀄리티가 상승할 수 있다.

또한, 최근에는 메타인지(metacognition)능력의 개발을 통한 새로운 학습법이 제안되고 있다. 메타인지는 자신의 생각에 대해 판단하는 능력을 말한다. 이러한 메타인지 능력을 통한 학습법은 다수의 학습자에게 문제의 풀이과정에서 부족한 부분을 인지하도록 하여 문제 풀이과정에서의 오답의 이유가 풀이시간의 부족 또는 불완전한 문제의 이해 등에 해당하는지를 명확하고 빠르게 파악할 수 있어 자신에게 적합한 최적의 학습법을 설정하도록 할 수 있다.

그러나, 종래의 메타인지 능력을 통한 학습법은 학습자의 메타인지 능력에 대한 정확한 평가가 불가하여 학습자별 최적의 학습법을 설정하는 데 어려움이 있었다.

위에서 설명한 배경기술은 발명자가 본원의 개시 내용을 도출하는 과정에서 보유하거나 습득한 것으로서, 반드시 본 출원 전에 일반 공중에 공개된 공지기술이라고 할 수는 없다.

실시예들은, 뉴럴 네트워크를 이용한 메타인지 능력을 평가하는 방법 및 장치를 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.

본 발명의 일 실시예에 따른 뉴럴 네트워크를 이용한 메타인지 능력을 평가하는 방법은, 학습 서버에 의해, 데이터베이스에서 학습 체크 문제를 선택하고, 학습자 단말에 상기 학습 체크 문제를 송신하는 단계; 상기 학습자 단말로부터 상기 학습 체크 문제에 대한 학습자의 학습 체크 응답을 수신하는 단계; 상기 학습 체크 응답의 난이도 예측값을 기초로 상기 학습자의 난이도 인지능력을 평가하고, 평가 결과를 기초로 상기 학습자의 난이도 예측정확도를 산출하는 단계; 상기 학습 체크 응답의 풀이결과 예측값을 기초로 상기 학습자의 풀이결과 인지능력을 평가하고, 평가 결과를 기초로 상기 학습자의 풀이결과 예측정확도를 산출하는 단계; 상기 학습자의 상기 난이도 예측정확도 및 상기 풀이결과 예측정확도를 기초로 상기 학습자의 메타인지 능력 지수를 산출하여 상기 학습자 단말에 송신하는 단계;를 포함하되, 상기 학습자의 난이도 예측정확도를 산출하는 단계는, 상기 학습 체크 문제의 각 문항에 대한 상기 학습자의 실제 풀이시간을 기초로 상기 각 문항의 난이도 등급을 생성하는 단계, 상기 실제 풀이시간과 상기 각 문항의 정답율을 기초로 난이도 등급 보정 계수를 산출하는 단계, 상기 난이도 등급 보정 계수를 이용하여 상기 각 문항의 상기 난이도 등급을 보정하는 단계, 보정된 상기 난이도 등급을 기초로 상기 학습자의 상기 난이도 예측정확도를 산출하는 단계를 포함할 수 있다.

상기 난이도 등급 보정 계수는 난이도 등급 하향 보정 계수를 포함하고,

[수학식]

상기 학습 서버는, 상기 수학식을 이용하여 상기 난이도 등급 하향 보정 계수를 산출하되, 상기 수학식에서, M_l은 난이도 등급 하향 보정 계수, i는 문항을 구별하기 위한 자연수, t는 문항의 실제 풀이시간, P_c는 문항의 정답율, k_l는 하향 보정 상수를 의미할 수 있다.

상기 난이도 등급 보정 계수는 난이도 등급 상향 보정 계수를 포함하고,

[수학식]

상기 학습 서버는, 상기 수학식을 이용하여 상기 난이도 등급 상향 보정 계수를 산출하되, 상기 수학식에서, M_u는 난이도 등급 상향 보정 계수, i는 문항을 구별하기 위한 자연수, t는 문항의 실제 풀이시간, P_c는 문항의 정답율, k_u는 상향 보정 상수를 의미할 수 있다.

[수학식]

상기 학습 서버는, 상기 수학식을 이용하여 상기 학습자의 메타인지 능력 지수를 산출하되, 상기 수학식에서 A는 가중치를 의미할 수 있다.

상기 학습 서버는, 난이도예측 평가 모델을 이용하여 상기 학습자의 난이도 예측값을 기초로 생성된 문항 난이도 등급인 제1 등급과, 상기 학습자의 실제 풀이시간을 기초로 생성된 문항 난이도 등급인 제2 등급을 비교하여 일치여부를 판단하고, 상기 난이도예측 평가 모델은 입력 레이어, 하나 이상의 히든 레이어 및 출력 레이어를 포함하고, 상기 제1 등급과 상기 제2 등급에 관한 복수의 학습 데이터는 상기 난이도예측 평가 모델의 상기 입력 레이어에 입력되어, 상기 하나 이상의 히든 레이어 및 상기 출력 레이어를 통과하여 출력 벡터로 출력되고, 상기 출력 벡터는 상기 출력 레이어에 연결된 손실함수 레이어에 입력되고, 상기 손실함수 레이어는 상기 출력 벡터와 각각의 상기 학습 데이터에 대한 정답 벡터를 비교하는 손실 함수를 이용하여 손실값을 출력하고, 상기 난이도예측 평가 모델의 파라미터는 상기 손실값이 작아지는 방향으로 학습될 수 있다.

실시예들에 따르면, 뉴럴 네트워크를 이용한 메타인지 능력을 평가하는 방법 및 장치는, 특정 문항, 즉 문항의 난이도 예측값과 문항의 실제 풀이시간에 의해 결정된 난이도 등급이 일치하거나 또는 불일치하는 문항을 추출하여 생성된 새로운 문제를 학습자 단말로 전송하여 메타인지 능력지수를 산출할 수 있다. 이에, 본 발명은 학습자의 난이도 인지능력의 평가 정확도 및 그로 인해 메타인지 능력지수의 산출 정확도를 향상시킬 수 있다. 또한, 어느 하나의 문항에 대한 학습자의 실제 문제풀이시간 외에도 해당 문항의 정답율을 기초로 문항의 객관적인 난이도 등급을 산출하여, 산출한 난이도 등급을 기초로 학습자의 메타인지 능력을 평가할 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 본 발명의 일 실시예에 따른 전자 장치의 구성을 나타내는 도면이다.
도 2는 본 발명의 일 실시예에 따른 프로그램의 구성을 나타내는 도면이다.
도 3은 본 발명의 일 실시예에 따른 학습 서버를 포함한 네트워크 환경을 개략적으로 도시한 도면이다.
도 4는 도 3에 도시된 학습 서버(300)를 설명하기 위한 블록도이다.
도 5는 학습 피드백 제공 방법을 설명하기 위한 흐름도이다.
도 6은 본 발명의 일 실시예에 따른 메타인지 능력 평가방법을 나타내는 도면이다.
도 7은 본 발명의 다른 실시예에 따른 메타인지 능력 평가방법을 나 타내는 도면이다.
도 8은 도 7의 S740 단계를 설명하기 위한 흐름도이다.

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 본 발명의 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 본 발명의 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 갱신될 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.

도 3은 본 발명의 일 실시예에 따른 학습 서버를 포함한 네트워크 환경을 개략적으로 도시한 도면이다.

도 3을 참조하면, 네트워크 환경에서 학습자 단말(400)은 네트워크(500)를 통하여 학습 서버(300)와 통신할 수 있다. 학습자 단말(400)은 네트워크(500)를 통해 학습 서버(300)로부터 제공된 학습 어플리케이션 설치 파일을 수신할 수 있다. 학습 서버(300)는 학습자 단말(400)에 학습 피드백을 제공할 수 있다. 또는, 학습 서버(300)는 학습자 단말(400)을 이용하는(학습자 단말(400)에 대응하는) 학습자의 메타인지 능력을 평가할 수 있다. 이에 따라, 학습 서버(300)는 학습 피드백 제공 장치 또는 메타인지 능력 평가 장치로 지칭될 수 있다.

일 실시예에서, 학습자 단말(400)은 프로세서, 메모리, 입력 모듈, 디스플레이 모듈, 카메라 모듈, 통신 모듈을 포함할 수 있다. 다른 실시예에서, 학습자 단말(400)은 이 구성요소들 중 적어도 하나가 생략되거나, 하나 이상의 다른 구성요소가 추가될 수 있다. 다른 설명이 없는 한, 학습자 단말(400)의 각 구성요소는 도 1을 참조하여 설명한 전자 장치(101)와 동일하거나 유사할 수 있다.

학습자 단말(400)의 프로세서는, 예를 들면, 소프트웨어를 실행하여 프로세서에 연결된 학습자 단말(400)의 적어도 하나의 다른 구성요소를 제어할 수 있고, 다양한 데이터 처리 또는 연산을 수행할 수 있다. 일 실시예에서, 데이터 처리 또는 연산의 적어도 일부로서, 학습자 단말(400)의 프로세서는 다른 구성요소로부터 수신된 명령 또는 데이터를 휘발성 메모리에 저장하고, 휘발성 메모리에 저장된 명령 또는 데이터를 처리하고, 결과 데이터를 비휘발성 메모리에 저장할 수 있다.

학습자 단말(400)의 메모리는 학습 어플리케이션 설치 파일을 저장할 수 있다. 학습자 단말(400)의 프로세서는, 학습자 단말(400)의 메모리에 저장된 학습 어플리케이션 설치 파일을 실행하여 학습 어플리케이션을 학습자 단말(400)에 설치할 수 있다. 일 실시예에서, 학습 어플리케이션의 컨텐츠는, 예를 들면, 수학 교육에 관한 학습 컨텐츠를 포함할 수 있다. 학습 어플리케이션의 컨텐츠는 하나 이상의 수학개념 및 정의, 문제 데이터를 포함할 수 있다. 학습 어플리케이션의 컨텐츠는 하나 이상의 수학개념 설명 영상을 포함할 수 있다. 학습 어플리케이션 컨텐츠는 후술할 학습 컨텐츠에 대응할 수 있다.

입력 모듈은 예를 들면 마이크, 마우스, 키보드, 키(예: 버튼), 또는 디지털 펜을 포함할 수 있다. 입력 모듈은 문제에 대한 학습자의 응답 내용을 입력받을 수 있다. 학습자 단말(400)은 학습자의 응답 내용을 기초로 문제에 대한 응답을 생성할 수 있다.

디스플레이 모듈은 학습자 단말(400)의 외부로 정보를 시각적으로 제공할 수 있다. 디스플레이 모듈은 학습자 단말(400)의 프로세서의 제어에 기초하여 학습 어플리케이션의 컨텐츠를 시각적으로 제공할 수 있다. 예를 들면, 디스플레이 모듈은 학습자 단말(400)의 프로세서의 제어에 기초하여 상기 수학개념 설명 영상을 시각적으로 제공할 수 있다. 디스플레이 모듈은, 터치를 감지하도록 설정된 터치 센서, 또는 상기 터치에 의해 발생되는 힘의 세기를 측정하도록 설정된 압력 센서를 포함하는 터치 디스플레이 모듈을 포함할 수 있다.

카메라 모듈은 정지 영상 및 동영상을 촬영할 수 있다. 카메라 모듈은 하나 이상의 렌즈들, 이미지 센서들, 이미지 시그널 프로세서들, 또는 플래시들을 포함할 수 있다. 학습자가 제공된 문제를 보고 종이 등에 필기구를 이용하여 응답 내용을 작성한 경우, 카메라 모듈은 응답 내용을 촬영할 수 있다. 학습자 단말(400)의 프로세서는 상기 촬영된 내용을 기초로 광학 문자 인식(Optical Character Recognition) 기술을 이용하여 응답을 생성할 수 있다.

통신 모듈은 학습자 단말(400)과 네트워크(500)를 통해 연결된 학습 서버(300) 간의 통신 채널의 수립, 및 수립된 통신 채널을 통한 통신 수행을 지원할 수 있다.

학습 서버(300)는 학습자 단말(400)이 접속되며, 접속된 학습자 단말(400)로 개인 맞춤형 학습 서비스를 제공할 수 있다. 또한, 학습 서버(300)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, 학습 서버(300)는, 이러한 학습 서버(300)는 하드웨어적으로는 통상적인 웹 서버(Web Server) 또는 왑 서버(WAP Server)와 동일한 구성을 가질 수 있다. 또한, 학습 서버(300)는, 서비스의 사용자 인증이나 서비스와 관련된 구매 결제를 위한 인증 시스템 및 결제 시스템과 연동할 수도 있다.

학습 서버(300)는 복수의 학습 컨텐츠를 학습자 단말(400)에 송신할 수 있다. 복수의 학습 컨텐츠는 복수의 과목 및 복수의 챕터(chapter)분류될 수 있다. 복수의 챕터는 제1 챕터, 제2 챕터, 제3 챕터를 포함할 수 있다. 여기서, 제1, 제2 및 제3은 복수의 챕터를 특정하기 위한 요소일 뿐, 복수의 챕터의 순서를 한정하는 것은 아니다. 제1 챕터로 분류되는 학습 컨텐츠는, 학습자가 제2 챕터로 분류되는 학습 컨텐츠를 학습하기 위해(즉, 학습자가 제2 챕터로 분류되는 학습 컨텐츠를 인지하고 이를 이해하기 위해) 선행되어야 하는 학습 컨텐츠를 포함할 수 있다.

학습 서버(300)는 학습자 단말(400)로부터 학습자 정보를 수신할 수 있다. 학습자 정보는 학습자가 학습자 단말(400)을 통해 입력하는 데이터를 포함하거나, 학습자가 학습자 단말(400)을 통해 입력하는 데이터를 기초로 학습자 단말(400)이 생성하는 데이터일 수 있다. 학습자 정보는 학습자의 학습 수준을 나타내는 데이터일 수 있다. 예를 들면, 학습자 정보는 학습자의 나이, 공부 기간, 테스트 점수 등에 대응하는 정보를 포함할 수 있다. 학습 서버(300)는 학습자가 본 발명의 일 실시예에 따른 개인 맞춤형 학습 서비스에 가입하는 경우, 가입 단계에서 학습자 단말(400)로부터 상기 학습자 정보를 수신할 수 있다.

도 3에 도시된 학습 서버(300), 학습자 단말(400)은 무선 또는 유선으로 연결된 네트워크(500)를 통해 데이터를 송신하거나 수신할 수 있다. 네트워크(500)는 유선 인터넷 기술, 무선 인터넷 기술 및 근거리 통신 기술에 의한 네트워크를 포함할 수 있다. 유선 인터넷 기술은 예를 들어, 근거리 통신망(LAN, Local area network) 및 광역 통신망(WAN, wide area network) 중 적어도 하나를 포함할 수 있다.

무선 인터넷 기술은 예를 들어, 무선랜(Wireless LAN: WLAN), DLNA(Digital Living Network Alliance), 와이브로(Wireless Broadband: Wibro), 와이맥스(World Interoperability for Microwave Access: Wimax), HSDPA(High Speed Downlink Packet Access), HSUPA(High Speed Uplink Packet Access), IEEE 802.16, 롱 텀 에볼루션(Long Term Evolution: LTE), LTE-A(Long Term Evolution-Advanced), 광대역 무선 이동 통신 서비스(Wireless Mobile Broadband Service: WMBS) 및 5G NR(New Radio) 기술 중 적어도 하나를 포함할 수 있다. 단, 본 실시예가 이에 제한되는 것은 아니다.

학습 서버(300), 학습자 단말(400)이 무선 통신 방식으로 데이터를 송/수신하는 경우, 학습 서버(300), 학습자 단말(400)은 이동통신을 위한 기술표준 및 표준 통신 방식을 준수할 수 있다. 예를 들어, 표준 통신 방식은 GSM(Global System for Mobilommunication), CDMA(Code Division Multi Access), CDMA2000(Code Division Multi Access 2000), EV-DO(Enhanced Voice-Data Optimized or Enhanced Voice-Data Only), WCDMA(Wideband CDMA), HSDPA(High Speed Downlink Packet Access), HSUPA(High Speed Uplink Packet Access), LTE(Long Term Evolution), LTEA(Long Term Evolution-Advanced) 및 5G NR(New Radio) 중 적어도 하나를 포함할 수 있다. 단, 본 실시예가 이에 제한되는 것은 아니다.

도 4는 도 3에 도시된 학습 서버(300)를 설명하기 위한 블록도이다.

도 4를 참조하면, 학습 서버(300)는 데이터베이스, 프로세서, 학습자 관리 모듈을 포함할 수 있다.

데이터베이스는 복수의 학습 컨텐츠를 저장할 수 있다. 학습 컨텐츠는, 예를 들면, 수학 교육에 관한 학습 컨텐츠를 포함할 수 있다. 학습 컨텐츠는 하나 이상의 수학개념 및 정의, 문제 데이터를 포함할 수 있다. 학습 컨텐츠는 하나 이상의 수학개념 설명 영상을 포함할 수 있다. 학습 서버(300)는 데이터베이스에 저장된 하나 이상의 학습 컨텐츠 중 어느 하나를 선택하여 학습자 단말(400)에 송신할 수 있다. 학습자 단말(400)의 디스플레이 모듈은 학습자 단말(400)의 프로세서의 제어에 기초하여 상기 선택된 학습 컨텐츠를 시각적으로 출력할 수 있다. 복수의 학습 컨텐츠가 복수의 챕터로 분류되는 경우, 데이터베이스는 각각의 챕터로 분류되는 학습 컨텐츠 저장 구조를 가질 수 있다.

데이터베이스는 하나 이상의 학습 컨텐츠 각각에 대응하는 학습 체크 문제를 저장할 수 있다. 학습 체크 문제는, 학습자가 학습 컨텐츠를 이해했는지 여부를 판단하기 위해 제공되는 문제일 수 있다. 예를 들면, 학습 컨텐츠가 삼각비 정의에 대한 내용을 설명하는 컨텐츠인 경우, 상기 학습 컨텐츠에 대응하는 학습 체크 문제는 삼각비 정의를 묻는 문제일 수 있다. 또한, 데이터베이스는 학습 체크 문제에 대응하는 학습 체크 문제 정답 및 학습 체크 문제 해설을 저장할 수 있다. 이 경우, 데이터베이스는 학습 체크 문제와 학습 체크 문제 정답 및 학습 체크 문제 해설을 한 쌍으로 하여 컨텐츠들을 저장할 수 있다. 예를 들면, 제1 학습 체크 문제와, 제1 학습 체크 문제에 대응하는 제1 학습 체크 문제 정답은 동일한 제1 메타 정보를 데이터 패킷의 일부로서 포함할 수 있다. 프로세서는 제1 메타 정보를 기초로, 복수의 학습 체크 문제 정답 중에서 제1 학습 체크 문제에 대응하는 학습 체크 문제 정답을 제1 학습 체크 문제 정답으로 결정할 수 있다.

데이터베이스는 데이터베이스 관리 프로그램(DBMS)을 이용하여 학습 서버(300)의 저장공간에 구현된 일반적인 데이터구조를 가질 수 가질 수 있다. 데이터베이스는 데이터베이스 관리 프로그램을 이용하여, 프로세서의 제어 신호에 응답하여, 데이터베이스 내에 저장된 하나 이상의 학습 컨텐츠 중 어느 하나를 선택할 수 있다.

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.

프로세서는 데이터베이스에 저장된 하나 이상의 학습 컨텐츠 중 어느 하나를 선택하여 학습자 단말(400)에 송신할 수 있다. 프로세서는 또한, 상기 선택된 학습 컨텐츠에 대응하는 학습 체크 문제를 학습자 단말(400)에 송신할 수 있다. 프로세서는 상기 학습 체크 문제에 대응하는 학습 체크 응답을 학습자 단말(400)로부터 수신할 수 있다. 프로세서는 수신한 학습 체크 응답의 정답 또는 오답 여부를 판단할 수 있다. 또한 프로세서는 수신한 학습 체크 응답을 기초로 학습자 단말(400)에 대응하는 학습자 능력을 결정할 수 있다.

학습자 관리 모듈은 학습 서버(300)에서 제공되는 개인 맞춤형 학습 서비스에 가입된 학습자의 정보를 수신하고, 상기 정보를 관리할 수 있다. 학습자 관리 모듈은 학습 서버(300)에 연결된 학습자 단말(400)의 고유 정보를 기초로 학습자의 정보를 저장할 수 있다. 여기서 학습자의 정보는, 학습자의 나이, 사전 테스트에 대한 학습자의 평가 점수, 학습자의 누적 학습 시간, 특정 학습 컨텐츠에 대한 학습자의 이해 여부 등에 대응하는 정보를 포함할 수 있다.

학습 서버(300)에 포함된 각 구성요소는 장치 내부의 소프트웨어적인 모듈 또는 하드웨어적인 모듈을 연결하는 통신 경로에 연결되어 상호 간에 유기적으로 동작할 수 있다. 이러한 구성요소는 하나 이상의 통신 버스 또는 신호선을 이용하여 통신할 수 있다. 학습 서버(300)의 각 구성요소는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 소프트웨어적인 모듈, 하드웨어적인 모듈 또는 소프트웨어와 하드웨어의 결합으로 구현될 수 있다.

도 4에 도시된 학습 서버(300)의 구성은 반드시 필수적인 것은 아니고, 필요에 따라 몇몇 구성을 생략하거나, 도 4에 도시되지 않은 다른 구성을 추가할 수 있을 것이다. 즉, 도 4에 도시된 구성은 설명의 편의를 위한 것이지, 실시예들이 이에 제한되는 것은 아니다. 본 발명의 기술 분야에서 통상의 지식을 가진 자는 본 발명의 범위를 벗어나지 않고 본 발명의 실시예들을 변형하여 실시할 수 있을 것이다.

도 5는 학습 피드백 제공 방법을 설명하기 위한 흐름도이다.

도 5를 참조하면, 먼저, 학습자 단말(400)이 학습 서버(300)에 접속(연결)되면, 프로세서는 데이터베이스에 저장된 복수의 학습 컨텐츠 중 하나 이상을 선택하여 학습자 단말(400)에 송신한다(S510).

프로세서는 상기 학습자의 학습자 정보를 기초로 데이터베이스에 저장된 복수의 학습 컨텐츠 중 어느 하나를 선택하여 학습자 단말(400)에 송신할 수 있다.

일 실시예에서, 복수의 학습 컨텐츠는 복수의 과목으로 분류될 수 있다. 예를 들면, 복수의 학습 컨텐츠는 수학 학습 컨텐츠, 영어 학습 컨텐츠, 국어 학습 컨텐츠로 분류될 수 있다. 또한, 특정 과목의 복수의 학습 컨텐츠는 복수의 챕터(chapter)분류될 수 있다. 복수의 챕터는 제1 챕터, 제2 챕터, 제3 챕터를 포함할 수 있다. 여기서, 제1, 제2 및 제3은 복수의 챕터를 특정하기 위한 요소일 뿐, 복수의 챕터의 순서를 한정하는 것은 아니다. 제1 챕터로 분류되는 학습 컨텐츠는, 학습자가 제2 챕터로 분류되는 학습 컨텐츠를 학습하기 위해(즉, 학습자가 제2 챕터로 분류되는 학습 컨텐츠를 인지하고 이를 이해하기 위해) 선행되어야 하는 학습 컨텐츠를 포함할 수 있다. 이에 따라, 프로세서는 데이터베이스에 저장된 복수의 학습 컨텐츠 중에서 제1 챕터로 분류되는 학습 컨텐츠들을 선택하여 학습자 단말(400)에 송신하고, 이에 후속하여 제2 챕터로 분류되는 학습 컨텐츠들을 선택하여 학습자 단말(400)에 송신할 수 있다.

학습자 단말(400)이 선택된 학습 컨텐츠를 수신하는 경우, 학습자 단말(400)의 디스플레이 모듈은 상기 학습 컨텐츠를 출력할 수 있다. 학습자는 학습자 단말(400)의 디스플레이 모듈을 통해 상기 학습 컨텐츠를 인지하고, 상기 학습 컨텐츠에 포함된 설명 내용을 학습할 수 있다.

데이터베이스에 저장된 복수의 학습 체크 문제 중 하나 이상을 선택하여 학습자 단말(400)에 송신한다(S520).

프로세서는 데이터베이스에 저장된 복수의 학습 체크 문제 중에서, S510에서 선택한 학습 컨텐츠에 대응하는 학습 체크 문제를 선택하여 학습자 단말(400)에 송신할 수 있다. 예를 들면, 프로세서가 S510에서 선택한 학습 컨텐츠가 삼각비 정의에 대한 내용을 설명하는 데이터인 경우, 프로세서는 데이터베이스에 저장된 복수의 학습 체크 문제 중에서 삼각비 정의를 묻는 문제를 포함하는 학습 체크 문제를 학습자 단말(400)에 송신할 수 있다. 이 경우, 학습 체크 문제는 학습 컨텐츠의 분류에 따라 분류될 수 있다. 예를 들면, 학습 컨텐츠가 '수학'과목 및 '삼각비'챕터로 분류되는 경우, 학습 체크 문제 또한 '수학'과목 및 '삼각비'챕터로 분류될 수 있다.

학습자 단말(400)이 학습 체크 문제를 수신하는 경우, 학습자 단말(400)의 디스플레이 모듈은 상기 학습 체크 문제를 출력할 수 있다. 즉, 학습자 단말(400)의 디스플레이 모듈에는 학습 체크 문제에 포함된 학습 체크 문제가 출력될 수 있다. 학습자는 학습자 단말(400)의 디스플레이 모듈에 출력된 학습 체크 문제를 인지하고 학습 체크 문제에 대한 응답을 학습자 단말(400)에 입력할 수 있다. 학습자가 학습자 단말(400)에 학습 체크 문제에 대한 응답을 입력하는 방법은 다양할 수 있다. 예를 들면, 학습자는 학습자 단말(400)에 포함된 터치 디스플레이(touch display)를 통해 학습 체크 문제에 대한 풀이 과정을 입력할 수 있다. 이 경우, 학습자 단말(400)은 광학 문자 인식(Optical character recognition; OCR) 방식을 이용하여 상기 입력된 학습 체크 문제에 대한 풀이 과정을 기초로 학습 체크 응답을 생성할 수 있다. 본 발명의 실시예가 이에 한정되는 것은 아니고, 학습자 단말(400)이 학습자가 입력한 학습 체크 문제에 대한 풀이 과정을 기초로 학습 체크 응답을 생성하는 방식은 다양할 수 있으며, 특정한 방식에 제한되는 것은 아니다. 여기서, 학습 체크 응답은 상기 학습 체크 문제에 대응하는 학습자의 문제 풀이 내용(응답 내용)을 포함할 수 있다. 예를 들면, 학습 체크 문제가 삼각비의 정의를 묻는 문제를 포함하는 경우, 학습 체크 응답은 삼각비에 대한 정의를 설명하는 학습자의 텍스트를 포함할 수 있을 것이다. 또한, 학습 체크 응답은 학습자로부터 입력된 학습 체크 문제의 각 문항에 대한 풀이가능시간 예측값에 기초하여 생성되는 난이도 예측값, 및 학습자로부터 입력된 학습 체크 문제의 각 문항에 대한 풀이시간 예측값 및 정답 예측값에 기초하여 생성된 풀이결과 예측값을 포함할 수 있다. 난이도 예측값 및 풀이결과 예측값에 대해서는 후술한다. 즉, 학습 체크 응답은 학습 체크 문제의 종류에 따라 다양한 형태의 정보를 포함할 수 있다.

일 실시예에서, 학습 서버(300)의 프로세서는 데이터베이스에 저장된 복수의 학습 체크 문제 중에서, S510에서 선택한 학습 컨텐츠에 대응하는 복수의 학습 체크 문제를 선택하여 학습자 단말(400)에 송신할 수 있다. 복수의 학습 체크 문제는 제1 학습 체크 문제, 제2 학습 체크 문제, 제3 학습 체크 문제를 포함할 수 있다. 상기 제1 내지 제3 학습 체크 문제는 하나의 학습 컨텐츠에 대한 학습자의 이해 여부를 판단하기 위한 학습 체크 문제들일 수 있다. 여기서 제1 내지 제3은 학습 체크 문제를 특정하기 위한 것이고, 학습 체크 문제의 순서를 한정하는 것은 아니다.

학습 서버(300)의 프로세서는, 상기 학습자 단말로부터 상기 선택된 학습 체크 문제에 대응하는 학습 체크 응답을 수신한다(S530).

일 실시예에서, 상기 선택된 학습 체크 문제가 복수의 학습 체크 문제를 포함하는 경우, 학습 서버(300)의 프로세서는 학습자 단말로부터 상기 복수의 학습 체크 문제 각각에 대응하는 복수의 학습 체크 응답을 수신할 수 있다.

학습 서버(300)의 프로세서는, 수신한 학습 체크 응답에 대해 정답 또는 오답 여부를 판단할 수 있다. 학습 서버(300)의 프로세서는 학습 체크 문제에 대한 학습 체크 응답을, 상기 학습 체크 문제에 대응하는 학습 체크 문제 정답과 비교할 수 있다. 학습 서버(300)의 프로세서는 학습 체크 응답을 학습 체크 문제 정답 과 비교하여 학습 체크 응답에 대한 정답 또는 오답 여부를 판별할 수 있다.

일 실시예에서, 학습 서버(300)의 프로세서가 학습자 단말로부터 복수의 학습 체크 문제 각각에 대응하는 복수의 학습 체크 응답을 수신하는 경우, 학습 서버(300)의 프로세서는 상기 복수의 학습 체크 응답 각각에 대한 정답 또는 오답 여부를 판별할 수 있다.

학습 서버(300)의 프로세서는, 학습 체크 문제에 대한 난이도를 나타내는 제1 벡터를 생성할 수 있다(S540).

일 실시예에서, 학습 서버(300)의 프로세서는, 학습 체크 문제에 대한 정답율을 기초로 학습 체크 문제에 대한 난이도를 산출할 수 있다. 학습 서버(300)의 프로세서는, 학습 서버(300)에 접속(연결)된 복수의 학습자 단말 각각에 학습 체크 문제를 송신하고, 학습 체크 문제에 대응하는 복수의 학습 체크 응답을 수신할 수 있다. 학습 서버(300)의 프로세서는 상기 복수의 학습 체크 응답 각각의 정답 여부를 판별할 수 있다. 학습 서버(300)의 프로세서는 상기 복수의 학습 체크 응답 중 정답으로 판별되는 학습 체크 응답의 비율을 기초로 상기 학습 체크 문제에 대한 난이도를 산출할 수 있다. 학습 서버(300)의 프로세서는 상기 학습 체크 문제에 대한 난이도를 기초로 제1 벡터를 생성할 수 있다. 제1 벡터의 방향은 상기 학습 체크 문제가 분류되는 과목, 챕터, 및 문제 고유 식별 번호에 대응할 수 있고, 제1 벡터의 크기는 상기 학습 체크 문제의 난이도에 대응할 수 있다. 예를 들면, 제1 학습 체크 문제의 제1 벡터의 방향과, 제1 학습 체크 문제와 다른 문제인 제2 학습 체크 문제의 제1 벡터의 방향은 서로 다르다. 그러나 이 경우에도 제1 학습 체크 문제의 제1 벡터와 제2 학습 체크 문제의 제1 벡터의 크기는 같을 수 있다.

학습 서버(300)의 프로세서는, 학습자 단말에 대응하는 학습자 능력을 나타내는 제2 벡터를 생성할 수 있다(S550).

학습 서버(300)의 프로세서는 학습 체크 응답을 기초로 학습자 단말에 대응하는 학습자 능력을 나타내는 제2 벡터를 생성할 수 있다. 일 실시예에서, 학습자 능력은 특정 과목에 대한 학습 능력에 대응하는 제1 학습자 능력과, 특정 챕터에 대한 학습 능력에 대응하는 제2 학습자 능력을 포함할 수 있다. 예를 들면, 학습 체크 응답에 대응하는 학습 체크 문제가 '수학'과목의 '삼각비'챕터로 분류되는 경우, 학습 서버(300)의 프로세서는 학습 체크 응답을 기초로 '수학'과목에 대한 학습자의 학습 능력과, '삼각비'챕터에 대한 학습자의 학습 능력을 각각 산출할 수 있다. 학습 서버(300)의 프로세서는 제1 학습자 능력 및 제2 학습자 능력을 산출하기 위해 학습자 단말(400)의 학습 시간, 학습 진도 등을 참고할 수 있다. 또한, 학습 서버(300)의 프로세서는 학습자 단말(400)에 특정 과목의 특정 챕터로 분류되는 복수의 학습 체크 문제를 송신하고, 학습자 단말(400)로부터 상기 복수의 학습 체크 문제 각각에 대응하는 복수의 학습 체크 응답을 수신할 수 있다. 이 경우 학습 서버(300)의 프로세서는 복수의 학습 체크 응답 중 정답이라고 판단되는 학습 체크 응답의 개수를 기초로 제1 학습자 능력 및 제2 학습자 능력을 산출할 수 있다.

학습 서버(300)의 프로세서는 제1 학습자 능력을 기초로 제1 서브 벡터를 생성할 수 있다. 제1 서브 벡터는 제1 학습자 능력을 나타낼 수 있다. 또한, 학습 서버(300)의 프로세서는 제2 학습자 능력을 기초로 제2 서브 벡터를 생성할 수 있다. 제2 서브 벡터는 제2 학습자 능력을 나타낼 수 있다. 학습 서버(300)의 프로세서는 제1 서브 벡터와 제2 서브 벡터에 서로 다른 가중치를 부여하여 제2 벡터를 생성할 수 있다.

일 실시예에서, 학습 서버(300)의 프로세서는 제1 서브 벡터보다 제2 서브 벡터에 더 큰 가중치를 부여하여 제2 벡터를 생성할 수 있다.

일 실시예에서, 학습 서버(300)의 프로세서는 <수학식 1>을 이용하여 제2 벡터를 생성할 수 있다. <수학식 1>에서, v_2는 제2 벡터, v_s1은 제1 서브 벡터, v_s2는 제2 서브 벡터, w는 가중치, S는 제1 서브 벡터와 제2 서브 벡터의 유사도를 의미할 수 있다.

<수학식 1>에서 제1 서브 벡터와 제2 서브 벡터의 유사도(S)는 0보다 크고 1보다 작은 값을 가질 수 있다. 이 경우, w보다 w/S의 값이 더 클 수 있다.

학습 서버(300)의 프로세서는 Cosine Similarity, Jaccard similarity, Euclidean distance, Levenshtein distance 중 어느 하나를 이용하여 제1 서브 벡터와 제2 서브 벡터의 유사도를 계산할 수 있다. 그러나 이는 예시적인 것이고, 본 발명의 실시예는 이에 제한되지 않는다. 즉, 학습 서버(300)의 프로세서가 제1 서브 벡터와 제2 서브 벡터의 유사도를 계산하는 방식은 다양할 수 있다.

일 실시예에서, 학습 서버(300)의 프로세서는, <수학식 2>를 기초로 제1 서브 벡터와 제2 서브 벡터의 유사도를 출력할 수 있다. <수학식 2>에서, S는 제1 서브 벡터와 제2 서브 벡터의 유사도, v_s1는 제1 서브 벡터, v_s2는 제2 서브 벡터, k는 벡터를 식별하기 위한 자연수를 의미할 수 있다.

일 실시예에서, 학습 서버(300)의 프로세서는 학습자 평가 모델을 이용하여 제1 서브 벡터와 제2 서브 벡터를 기초로 제2 벡터를 생성할 수 있다. 이를 위해, 학습자 평가 모델은 입력 레이어, 하나 이상의 히든 레이어 및 출력 레이어를 포함할 수 있다. 학습자 평가 모델은 학습 과정을 통해 제1 서브 벡터와 제2 서브 벡터를 기초로 제2 벡터를 정확하게 생성할 수 있도록 미리 학습될 수 있다. 이를 위하여, 학습 과정에서 제1 서브 벡터와 제2 서브 벡터에 관한 복수의 학습 데이터는 학습자 평가 모델의 입력 레이어에 입력되어 하나 이상의 히든 레이어 및 출력 레이어를 통과하여 출력 벡터가 출력될 수 있다. 출력 벡터는 출력 레이어에 연결된 손실함수 레이어에 입력될 수 있다. 손실함수 레이어는 출력 벡터와 각각의 학습 데이터에 대한 정답 벡터를 비교하는 손실 함수를 이용하여 손실값을 출력할 수 있다. 학습자 평가 모델의 파라미터는 손실값이 작아지는 방향으로 학습될 수 있다.

예를 들어, 손실 함수는 <수학식 3>을 따라 손실 값을 계산할 수 있다. <수학식 3>에서, 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.

또는, 손실 함수는 <수학식 4>를 따라 손실 값을 계산할 수 있다. <수학식 4>에서, n은 클래스 별 학습 데이터의 수, y와 j는 클래스를 나타내는 식별자, C는 상수값, M은 클래스의 개수, x_y는 학습 데이터가 클래스 y에 속할 확률값, x_j는 학습 데이터가 클래스 j에 속할 확률값, L은 손실값을 의미할 수 있다.

이를 위해, 학습 서버(300)의 프로세서는 인공지능 기계학습 모델을 포함할 수 있다. 학습 서버(300)가 하드웨어로 구현되는 경우, 학습 서버(300)의 프로세서는 기계학습 모델의 처리에 특화된 하드웨어 구조를 포함할 수 있다. 기계학습 모델은 인공지능 기계 학습을 통해 생성될 수 있다.

기계 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.

학습 서버(300)의 프로세서는, 제1 벡터와, 제2 벡터를 기초로 학습 체크 응답을 Q 유형 또는 M 유형으로 분류하고, 학습 체크 응답에 대응하는 분류 정보를 생성할 수 있다(S560).

일 실시예에서, 학습 서버(300)의 프로세서는, 제1 벡터와 제2 벡터의 크기를 비교할 수 있다. 제1 벡터가 제2 벡터보다 큰 경우, 학습 서버(300)의 프로세서는, 학습 체크 응답을 Q 유형으로 분류할 수 있다. 즉, 학습 체크 문제의 난이도가 높고, 학습 체크 문제에 대한 학습자 단말(400)에 대응하는 학습자 능력이 낮은 경우, 학습 서버(300)의 프로세서는 학습 체크 응답을 Q 유형으로 분류할 수 있다. 이에 따라, 학습 서버(300)의 프로세서는 학습 체크 응답이 오답인 것에 대하여, 학습자의 실수보다는 학습자의 학습량 부족에 따른 것이라고 판단할 수 있다.

제2 벡터가 제1 벡터보다 큰 경우 학습 서버(300)의 프로세서는, 학습 체크 응답을 M 유형으로 분류할 수 있다. 즉, 학습 체크 문제의 난이도가 낮고, 학습 체크 문제에 대한 학습자 단말(400)에 대응하는 학습자 능력이 높은 경우, 학습 서버(300)의 프로세서는 학습 체크 응답을 M 유형으로 분류할 수 있다. 이에 따라, 학습 서버(300)의 프로세서는 학습 체크 응답이 오답인 것에 대하여, 학습자의 학습량 부족보다는 학습자의 실수에 따른 것이라고 판단할 수 있다.

학습 서버(300)의 프로세서는, 제1 벡터와 제2 벡터의 비교 결과를 기초로 학습 체크 응답을 분류한 유형에 대한 바이어스(bias)를 출력할 수 있다. 즉, 학습 서버(300)의 프로세서는 학습 체크 응답을 분류한 후 분류 결과에 대해 편향 정도를 함께 생성할 수 있다. 예를 들면, 학습 서버(300)의 프로세서가 학습 체크 응답을 Q 유형으로 분류한 경우, 학습 서버(300)의 프로세서는 상기 Q 유형의 바이어스를 생성할 수 있다. 이 경우, 학습 서버(300)의 프로세서는 제1 벡터가 제2 벡터보다 큰 정도를 기초로 상기 Q 유형의 바이어스를 생성할 수 있다. 또는, 학습 서버(300)의 프로세서가 학습 체크 응답을 M 유형으로 분류한 경우, 학습 서버(300)의 프로세서는 제2 벡터가 제1 벡터보다 큰 정도를 기초로 상기 M 유형의 바이어스를 생성할 수 있다.

학습 서버(300)의 프로세서는, 학습 체크 응답을 분류한 유형과 바이어스를 기초로 분류 정보를 생성할 수 있다. 즉 분류 정보는 학습 체크 응답에 대한 Q 유형 또는 M 유형의 분류와, 상기 분류된 유형에 대응하는 바이어스를 포함할 수 있다.

학습 서버(300)의 프로세서가 학습 체크 응답을 오답으로 판단하는 경우, 분류 정보를 기초로 학습자 단말(400)에 학습 체크 문제에 대한 학습 체크 정답, 학습 체크 해설을 포함하는 학습 체크 응답에 대한 피드백을 송신한다(S550).

전술한 바와 같이, 본 발명의 일 실시예에 따른 학습 피드백 제공 장치 및 방법은, 오답으로 판별된 학습 체크 응답을 분석하여 학습자 능력을 산출하고, 산출 결과를 기초로 학습자가 오답을 낸 이유를 판별하여 적절한 피드백을 제공할 수 있다. 즉, 단순히 학습 체크 응답이 오답인 경우 학습 체크 문제에 대한 해설을 제공하는 것이 아니라, 오답을 낸 이유를 분석하여 오답 원인을 제거할 수 있도록 적절한 피드백을 제공할 수 있다. 이에 따라, 학습자는 자신의 오답 원인이 무엇인지 정확하게 파악하고 그에 따른 학습 방법을 찾을 수 있을 것이다.

다음으로, 도 3 및 도 6 내지 도 8을 참조하여, 본 발명의 일 실시예에 따른 메타인지 능력 평가방법에 대해 설명한다.

먼저, 도 3을 참조하면, 본 발명의 일 실시예에 따른 메타인지 능력 평가시스템(10)은 학습자 단말(400)로부터 네트워크(500)를 통해 송신되는 평가정보에 기초하여 해당 사용자, 즉 학습자 단말(400)을 소지한 학습자의 메타인지 능력을 평가하는 학습 서버(300)를 포함할 수 있다. 학습 서버(300)는 메타인지 능력 평가결과를 네트워크를 통해 학습 서버(300)로 송신할 수 있다.

학습 서버(300)는 메타인지 능력 평가를 위한 학습 체크 문제를 학습자 단말(400)로 전송하고, 상기 학습자 단말(400)로부터 상기 학습 체크 문제에 대응하는 학습 체크 응답에 기초하여 각 학습자의 메타인지 능력을 평가할 수 있다. 여기서, 학습 체크 응답은 학습자 단말(400)로 제공된 학습 체크 문제에 대한 난이도 예측 정보, 풀이결과 예측 정보 및 실제 문제풀이 결과, 즉 답안에 대한 정보 등을 포함할 수 있다.

학습 서버(300)는 문제 추출부, 문제풀이 채점부, 난이도예측 평가부, 풀이결과예측 평가부 및 메타인지 지수산출부를 포함할 수 있다.

문제 추출부는 메타인지 능력을 평가하고자 하는 학습자에 대한 정보에 기초하여 데이터베이스에 저장된 다수의 학습 체크 문제들 중에서 적어도 하나의 학습 체크 문제를 추출하고, 추출된 학습 체크 문제를 해당하는 학습자 단말(400)로 송신할 수 있다. 여기서, 학습자 단말(400)로 송신되는 학습 체크 문제에는 메타인지 능력 평가를 위한 다수의 문항들이 포함될 수 있다.

또한, 문제 추출부는 후술될 난이도예측 평가부의 평가결과에 기초하여 학습자 단말(400)에 기 송신된 학습 체크 문제의 다수의 문항 중 적어도 하나의 문항을 추출하고, 추출된 문항을 새로운 학습 체크 문제로 구성하여 해당하는 학습자 단말(400)로 송신할 수 있다.

이를 위해, 데이터베이스에는 각각이 하나 이상의 문항으로 이루어진 다수의 학습 체크 문제들이 저장될 수 있다. 또한, 데이터베이스에는 각 학습 체크 문제의 문항에 대한 문항정보, 예컨대 각 학습 체크 문제의 문항별 난이도가 저장될 수 있다.

일 실시예에서, 학습 체크 문제의 난이도는 학습 체크 문제의 각 문항에 대한 평균 풀이시간을 기준으로 산출될 수 있다. 난이도는 평균 풀이시간에 기초하여 상급 난이도, 중급 난이도 및 하급 난이도로 설정될 수 있다. 여기서, 상급 난이도는 문항의 평균 풀이시간이 3분 초과인 경우를 의미하고, 중급 난이도는 문항의 평균 풀이시간이 1~3분인 경우를 의미하며, 하급 난이도는 문항의 평균 풀이시간이 1분 미만인 경우를 의미할 수 있다.

다른 실시예에서, 학습 체크 문제의 난이도는 학습 체크 문제의 다수의 문항 각각에 대한 답안 중 정답으로 판별되는 답안의 비율을 기초로 산출될 수 있다. 이 경우, 학습 체크 문제의 난이도는 학습 서버(300)에 연결된 복수의 학습자 단말(400) 각각으로부터 수신한 학습 체크 응답들에 포함된 답안의 정답 비율에 기초하여 산출될 수 있다.

또 다른 실시예에서, 학습 체크 문제의 난이도는 학습 체크 문제의 각 문항에 대한 평균 풀이시간을 기준으로 산출되고, 학습 체크 문제의 다수의 문항 각각에 대한 답안 중 정답으로 판별되는 답안의 비율을 기초로 보정될 수 있다.

문제풀이 채점부는 학습자 단말(400)로부터 학습 체크 문제의 각 문항에 대한 학습 체크 응답, 즉 풀이 결과 또는 답안을 제공받을 수 있다. 문제풀이 채점부는 학습자 단말(400)에서 송신된 답안의 정답 및 오답 여부를 채점하여 최종 평가점수를 도출할 수 있다.

난이도예측 평가부는 학습자 단말(400)로부터 난이도 예측값을 제공받을 수 있다. 또한, 난이도예측 평가부는 난이도 예측값에 기초하여 학습자의 문제에 대한 난이도 인지능력을 평가할 수 있다. 난이도예측 평가부는 평가된 난이도 인지능력에 따라 학습자의 문제 난이도 예측의 정확도를 분석할 수 있다.

풀이결과예측 평가부는 학습자 단말(400)로부터 풀이결과 예측값을 제공받을 수 있다. 또한, 풀이결과예측 평가부는 풀이결과 예측값에 기초하여 학습자의 문제에 대한 풀이결과 인지능력을 평가할 수 있다. 풀이결과예측 평 가부는 평가된 풀이결과 인지능력에 기초하여 학습자의 문제 풀이결과 예측의 정확도를 분석할 수 있다.

메타인지 지수산출부는 난이도예측 평가부의 난이도 예측 정확도 및 풀이결과예측 평가부의 풀이결과 예측정확도에 기초하여 각 학습자에 대한 메타인지 능력지수를 산출할 수 있다.

메타인지 능력지수는 학습자의 문제에 대한 난이도 또는 풀이결과의 인 지능력을 나타내는 수치일 수 있다. 이러한 메타인지 능력지수는 학습자 단말(400) 또는 학습 서버(300)로 송신되어 학습자의 메타인지 능력 향상을 위한 참고자료로 활용될 수 있다.

학습자 단말(400)은 메타인지 능력의 평가를 받고자 하는 학습자들 각각 이 소지하는 단말장치로, 전술된 학습 서버(300)와 유/무선 네트워크를 통해 연결될 수 있다.

학습자 단말(400)은 난이도예측부, 문제풀이부 및 풀이결과예측부를 포함할 수 있다. 또한, 학습자 단말(400)은 학습 서버 (100)에 접속하기 위한 학습자정보, 예컨대 ID 또는 패스워드 등의 접속정보 또는 학생의 나이, 성별, 관심분야, 학업성취정도 등의 개인정보가 저장된 정보저장부(미도시)를 더 포함할 수 있다.

난이도예측부는 학습 서버(300)에서 제공된 문제의 각 문항에 대한 난이도 예측값을 생성하고, 이를 학습 서버(300)로 송신할 수 있다. 난이도 예측값은 학습자로부터 입력되는 각 문항에 대한 풀이가능시간 예측값에 기초하여 생성될 수 있다.

예컨대, 학습 서버(300)로부터 송신된 문제는 학습자 단말(400)의 표시부를 통해 학습자에게 표시될 수 있다. 표시부를 통해 문제를 인지한 학습자는 각 문항의 읽기과정, 다시 말해 실제 풀이없이 각 문항을 읽어본 후, 그에 따라 각 문항에 대한 풀이가능시간을 예측하여 입력할 수 있다. 난이도예측부는 학습자로부터 입력된 각 문항의 풀이가능시간으로부터 각 문항의 난이도 예측값을 생성할 수 있다.

여기서, 난이도예측부는 각 문항에 대하여 상급/중급/하급의 난이도 예측값을 생성할 수 있다. 상급 난이도 예측값은 입력된 풀이가능시간이 3분 초과인 경우에 생성될 수 있다. 중급 난이도 예측값은 풀이가능시간이 1~3분인 경우에 생성될 수 있다. 하급 난이도 예측값은 풀이가능시간이 1분 미만인 경우에 생성될 수 있다.

문제풀이부는 학습자로부터 입력된 각 문항의 풀이결과에 기초하여 답안을 생성하고, 이를 학습 서버(300)로 송신할 수 있다.

풀이결과예측부는 문제풀이부에서 문제의 답안이 생성된 후, 다시 말해 학습자로부터 문제의 각 문항에 대한 풀이결과가 입력된 후, 각 문 항에 대한 풀이결과 예측값을 생성하고, 이를 학습 서버(300)로 송신할 수 있다. 풀이결과 예측값은 학습자로부터 입력되는 각 문항에 대한 풀이시간 예측값 또는 정답가능 예측값에 기초하여 생성될 수 있다.

예컨대, 학습자는 학습자 단말(400)의 입력부를 통해 표시부에 표시된 문제의 각 문항에 대한 실제 풀이를 수행할 수 있다. 이어, 학습자는 풀이한 문항에 대한 실제풀이 시간을 예측하여 입력할 수 있다. 또한, 학습자는 풀이한 문항에 대한 정답가능여부를 예측하여 입력할 수 있다. 풀이결과예측부는 학습자로부터 입력된 각 문항에 대한 실제풀이 시간 예측 및 정답가능여부 예측에 기초하여 각 문항에 대한 풀이결과 예측값을 생성할 수 있다.

전술한 바와 같이, 본 발명의 일 실시예에 따른 메타인지 능력 평가시스템(10)은 학습자 단말(400)로부터 학습 서버(300)로 회신되는 다수의 예측값, 즉 학습자 단말(400)로 송신된 문제에 대한 난이도 또는 풀이결과에 대한 예측값에 기초하여 학습자의 메타인지 능력지수를 산출할 수 있다.

또한, 학습 서버(300)는 산출된 메타인지 능력지수를 학습자 단말(400) 또는 학습 서버(300)로 전송하여 각 학습자의 메타인지 능력을 향상시키는 교육이 이루어지도록 할 수 있다. 이로 인해, 학습자들은 자신의 메타인지 능력을 향상시킬 수 있으며, 향상된 메타인지 능력을 통한 최적의 학습방법을 설정할 수 있다.

도 6은 본 발명의 일 실시예에 따른 메타인지 능력 평가방법을 나타내는 도면이다. 도 6의 S610 내지 S630 단계는, 도 5를 참조하여 설명한 S510 내지 S530 단계와 동일하거나 유사할 수 있다. 이하에서는 도 5를 참조하여 설명한 내용과 중복되는 내용은 생략하고, 도 5와의 차이점을 중심으로 설명한다.

도 6을 참조하면, 학습자 단말(400)이 학습 서버(300)에 접속(연결)되면, 학습 서버(300)는 데이터베이스에 저장된 복수의 학습 컨텐츠 중 하나 이상을 선택하여 학습자 단말(400)에 송신한다(S610). 학습 체크 문제는 다수의 문항을 포함할 수 있다.

학습 서버(300)는 데이터베이스에 저장된 복수의 학습 체크 문제 중 하나 이상을 선택하여 학습자 단말(400)에 송신한다(S620). 학습자 단말(400)은 학습자로부터 입력된 학습 체크 문제의 각 문항에 대한 풀이가능시간 예측값에 기초하여 난이도 예측값을 생성할 수 있다. 또한, 학습자 단말(400)은 학습자로부터 입력된 학습 체크 문제의 각 문항에 대한 풀이결과로부터 답안을 생성하고, 각 문항에 대한 풀이시간 예측값 및 정답 예측값에 기초하여 풀이결과 예측값을 생성할 수 있다.

학습 서버(300)는, 상기 학습자 단말(400)로부터 상기 선택된 학습 체크 문제에 대응하는 학습 체크 응답을 수신한다(S630). 학습 서버(300)는 학습자 단말(400)로부터 학습 체크 문제에 대한 난이도 예측값, 답안 및 풀이결과 예측값을 포함하는 학습 체크 응답을 수신할 수 있다.

학습 서버(300)의 난이도예측 평가부는 학습 체크 응답의 난이도 예측값을 기초로 학습자의 난이도 인지능력을 평가하고, 평가결과를 기초로 학습자의 난이도 예측정확도를 산출한다(S640).

학습 서버(300)의 난이도예측 평가부는 학습자 단말(400)을 통해 학습 체크 문제의 각 문항에 대한 학습자의 실제풀이시간을 검출할 수 있다. 그리고, 검출된 실제 풀이시간으로부터 각 문항의 난이도 등급을 생성할 수 있다.

예컨대, 하나의 문항에 대하여 실제 풀이시간이 3분 초과인 경우에, 학습 서버(300)의 난이도예측 평가부는 해당 문항의 난이도 등급을 상급으로 생성할 수 있다. 또한, 실제 풀이시간이 1~3분인 경우에 난이도예측 평가부는 해당 문항의 난이도 등급을 중급으로 생성할 수 있다. 실제 풀이시간이 1분 미만인 경우 학습 서버(300)의 난이도예측 평가부는 해당 문항의 난이도 등급을 하급으로 생성할 수 있다.

학습 서버(300)의 난이도예측 평가부는 생성된 각 문항의 난이도 등급을 난이도 예측값의 등급과 비교하여 일치여부를 판단할 수 있다.

앞서 설명한 바와 같이, 난이도 예측값은 풀이가능시간의 범위에 따라 상급, 중급 및 하급 중 하나로 생성될 수 있다. 따라서, 학습 서버(300)의 난이도예측 평가부는 하나의 문항에 대하여 난이도 예측값의 등급과 실제 풀이시간의 등급을 비교하여 일치여부를 판단할 수 있다.

그리고, 학습 서버(300)의 난이도예측 평가부는 일치여부의 판단결과로부터 문제의 전체 문항 중에서 난이도 예측값의 등급과 실제 풀이시간의 등급이 일치하는 문항 수에 대한 난이도 예측율을 퍼센트(%)로 산출할 수 있다. 이렇게 산출된 난이도 예측율에 따라 학습자의 학습 체크 문제에 대한 난이도 인지능력을 평가하고, 그에 따른 난이도 예측의 정확도를 분석할 수 있다.

일 실시예에서, 학습 서버(300)는 난이도예측 평가 모델을 이용하여 학습자의 난이도 예측값을 기초로 생성된 문항 난이도 등급(제1 등급)과, 학습자의 실제 풀이시간을 기초로 생성된 문항 난이도 등급(제2 등급)을 비교하여 일치여부를 판단할 수 있다. 이를 위해, 난이도예측 평가 모델은 입력 레이어, 하나 이상의 히든 레이어 및 출력 레이어를 포함할 수 있다. 난이도예측 평가 모델은 학습 과정을 통해 난이도 예측값의 등급(제1 등급)과 실제 풀이시간의 등급(제2 등급)을 정확하게 비교할 수 있도록 미리 학습될 수 있다. 이를 위하여, 학습 과정에서 제1 등급과 제2 등급에 관한 복수의 학습 데이터는 난이도예측 평가 모델의 입력 레이어에 입력되어 하나 이상의 히든 레이어 및 출력 레이어를 통과하여 출력 벡터가 출력될 수 있다. 출력 벡터는 출력 레이어에 연결된 손실함수 레이어에 입력될 수 있다. 손실함수 레이어는 출력 벡터와 각각의 학습 데이터에 대한 정답 벡터를 비교하는 손실 함수를 이용하여 손실값을 출력할 수 있다. 난이도예측 평가 모델의 파라미터는 손실값이 작아지는 방향으로 학습될 수 있다.

일 실시예에서, 손실 함수는, 전술한 <수학식 3> 또는 <수학식 4>를 따라 손실 값을 계산할 수 있다.

학습 서버(300)의 난이도예측 평가부는 학습 체크 응답의 풀이결과 예측값을 기초로 학습자의 풀이결과 인지능력을 평가하고, 평가결과를 기초로 학습자의 풀이결과 예측정확도를 산출한다(S650).

학습 서버(300)의 문제풀이 채점부는 학습자 단말(400)로부터 송신된 각 문항의 답안에 대한 정답 및 오답여부를 채점할 수 있다. 풀이 결과예측 평가부는 학습자 단말(400)로부터 풀이결과 예측값, 즉 각 문항에 대한 정답가능 예측값을 수신할 수 있다.

학습 서버(300)의 풀이결과예측 평가부는 각 문항에 대한 문제풀이 채점부의 채점결과와 학습자 단말(400)에서 송신된 풀이결과 예측값의 정답가능 예측값을 비교하여 일치여부를 판단할 수 있다.

예컨대, 학습자 단말(400)로부터 하나의 문항에 대한 답안과 상기 문 항에 대한 O/X 형태의 정답가능 예측값이 학습 서버(300)로 전송될 수 있다. 문제풀이 채점부는 송신된 답안을 채점하여 정답 또는 오답의 채점결과를 출력할 수 있다. 풀이결과예측 평가부는 상기 문항에 대한 채점결과와 이에 대한 학습자 단말(400)에서 송신된 정답가능 예측값을 비교하여 일치여부를 판단할 수 있다.

그리고, 풀이결과예측 평가부는 일치여부의 판단결과로부터 문제의 전체 문항 중에서 채점결과와 정답가능 예측값이 일치하는 문항 수에 대한 풀이결과 예측율을 퍼센트로 산출할 수 있다. 이렇게 산출된 풀이결과 예측율에 기초하여 학습자의 문제에 대한 풀이결과 인지능력을 평가하여 풀이결과 예측의 정확도를 분석할 수 있다.

학습 서버(300)는 학습자의 난이도 예측정확도 및 풀이결과 예측정확도를 기초로 학습자의 메타인지 능력 지수를 산출하여 학습자 단말에 송신한다(S660).

학습 서버(300)의 메타인지 지수산출부는 <수학식 5>를 이용하여 메타인지 능력지수를 산출할 수 있다. <수학식 5>에서, 메타인지 능력지수는 퍼센트로 산출될 수 있고, A는 가중치를 의미할 수 있다.

그리고, 학습 서버(300)는 도 6에 도시된 바와 같이, 다수의 학습자 각각에 제공된 문제에 대한 난이도 예측 정확도, 풀이결과 예측 정확도 및 메타인지 능력지수가 기재된 메타인지 능력 분석표를 생성하고, 이를 다수의 학습자 단말(400) 로 송신할 수 있다.

전술한 바와 같이, 본 발명의 일 실시예에 따른 메타인지 능력 평가방법은 학습자 단말(400)로 제공되는 학습 체크 문제의 각 문항에 대한 난이도 예측값 및 풀이결과 예측값을 회신받고, 이로부터 문항에 대한 난이도예측 정확도와 풀이결과예측 정확도를 분석하여 학습자에 대한 메타인지 능력지수를 산출할 수 있다. 본 실시예에 따라 산출되는 메타인지 능력지수는 학습자의 문제에 대한 난이도 인지능력과 풀이결과 인지능력에 대한 정보를 포함할 수 있다.

이에, 본 발명은 각 학습자에 대한 메타인지 능력지수를 통해 학습자별 메타인지 능력의 향상을 위한 최적의 교육이 이루어지도록 할 수 있으며, 이로 인해 학습자들은 향상된 메타인지 능력을 통한 최적의 학습방법을 설정할 수 있다.

한편, 본 실시예의 메타인지 능력 평가 방법은 학습자 단말(400)에서 송신된 풀이결과 예측값에 기초하여 문제의 각 문항에 대한 풀이시간 예측 정확도를 분석하는 단계(미도시)를 더 포함할 수 있다.

예컨대, 풀이결과예측 평가부는 학습자 단말(400)로부터 풀이결과 예측값, 즉 풀이시간 예측값을 제공받을 수 있다. 또한, 풀이결과예측 평가부는 난이도예측 평가부로부터 문제의 각 문항에 대하여 검출된 학습자의 실제 풀이시간을 제공받을 수 있다.

이어, 풀이결과예측 평가부는 풀이시간 예측값에서 실제 풀이 시간을 차감하고, 이의 절대값을 산출하여 각 문항에 대한 풀이시간 오차값을 산출할 수 있다. 그리고, 풀이결과예측 평가부는 모든 문항에 대하여 산출된 풀이 시간 오차값을 합산하여 문항 수로 평균값을 산출함으로써, 해당 문제에 대한 학습자의 풀이시간 인지능력을 평가하고, 그에 따른 풀이시간예측 정확도를 분석할 수 있다.

이렇게 분석된 풀이시간예측 정확도는 메타인지 지수산출부에서 전술된 난이도예측 정확도 및 풀이결과예측 정확도와 함께 학습자의 메타인지 능 력지수를 산출하는데 활용될 수 있다.

도 7은 본 발명의 다른 실시예에 따른 메타인지 능력 평가방법을 나 타내는 도면이다. 도 7의 S710 내지 S740 단계는, 도 6을 참조하여 설명한 S610 내지 S640 단계와 동일하거나 유사할 수 있다. 이하에서는 도 6을 참조하여 설명한 내용과 중복되는 내용은 생략하고, 도 6과의 차이점을 중심으로 설명한다.

도 7을 참조하면, 학습자 단말(400)이 학습 서버(300)에 접속(연결)되면, 학습 서버(300)는 데이터베이스에 저장된 복수의 학습 컨텐츠 중 하나 이상을 선택하여 학습자 단말(400)에 송신한다(S710).

학습 서버(300)는 데이터베이스에 저장된 복수의 학습 체크 문제 중 하나 이상을 선택하여, 제1 학습 체크 문제를 학습자 단말(400)에 송신한다(S720).

학습 서버(300)는, 상기 학습자 단말(400)로부터 상기 선택된 제1 학습 체크 문제에 대응하는 제1 학습 체크 응답을 수신한다(S730). 제1 학습 체크 응답은 제1 학습 체크 문제에 대한 난이도 예측값, 답안 및 풀이결과 예측값을 포함할 수 있다.

학습 서버(300)의 난이도예측 평가부는 제1 학습 체크 응답의 난이도 예측값을 기초로 학습자의 난이도 인지능력을 평가하고, 평가결과를 기초로 학습자의 난이도 예측정확도를 산출한다(S740).

학습 서버(300)의 문제추출부는 난이도예측 평가부의 예측 정확도 분석결과에 기초하여 학습자 단말(400)로 제1 학습 체크 문제의 다수의 문항에서 적어도 하나의 문항을 추출하고, 이로부터 새로운 제2 학습 체크 문제를 생성할 수 있다(S750).

예컨대, 학습 서버(300)의 문제추출부는 기 송신된 제1 학습 체크 문제의 다수의 문항 중에서 난이도 예측이 일치한 하나 이상의 문항을 추출할 수 있다. 그리고, 문제추출부는 추출된 문항을 포함하는 새로운 제2 학습 체크 문제를 생성하고, 이를 학습자 단말(400)로 송신할 수 있다.

또한, 학습 서버(300)의 문제추출부는 기 송신된 제1 학습 체크 문제의 다수의 문항 중에서 난이도 예측이 불일치한 하나 이상의 문항을 추출할 수 있다. 그리고, 문제추출부는 추출된 문항을 포함하는 새로운 제3 학습 체크 문제를 생성하고, 이를 학습자 단말(400)로 송신할 수 있다.

즉, 본 실시예의 학습 서버(300)의 문제추출부는 난이도 예측의 정확도 분석결과에 기초하여 학습자 단말(400)로 송신된 문제의 다수의 문항 중에서 난이도 예측이 일치한 하나 이상의 문항 또는 난이도 예측이 불일치한 하나 이상의 문항을 추출하여 새로운 문제를 생성할 수 있다.

학습 서버(300)로부터 학습자 단말(400)을 통해 새로운 학습 체크 문제를 수신한 학습자는 상기 학습 체크 문제의 다수의 문항 각각을 풀이하여 답안을 작 성하고, 상기 각 문항에 대한 풀이결과 예측값을 포함하는 새로운 학습 체크 응답을 학습 서버(300)로 송신할 수 있다. 학습 서버(300)의 풀이결과예측 평가부는 학습자 단말(400)로부터 송신된 풀이결과 예측값에 기초하여 문제에 대한 풀이결과예측 정확도를 분석할 수 있다(S760).

학습 서버(300)는 학습자의 난이도 예측정확도 및 풀이결과 예측정확도를 기초로 학습자의 메타인지 능력 지수를 산출하여 학습자 단말에 송신한다(S760).

전술한 바와 같이, 본 발명의 다른 실시예에 따른 메타인지 능력 평가방법은 학습자 단말(400)로 제공되는 문제의 각 문항에 대한 난이도 예측값 및 풀이결과 예측값을 수신하고, 이로부터 문항에 대한 난이도예측 정확도와 풀이결과예측 정확도를 분석하여 학습자에 대한 메타인지 능력지수를 산출할 수 있다. 본 실시예에 따라 산출되는 메타인지 능력지수는 학습자의 문제에 대한 난이도 인지능력과 풀이결과 인지능력에 대한 정보를 포함할 수 있다.

이에, 본 발명은 각 학습자에 대한 메타인지 능력지수를 통해 학습자별 메타인지 능력의 향상을 위한 최적의 교육이 이루어지도록 할 수 있으며, 이로 인해 학습자들은 향상된 메타인지 능력을 통한 최적의 학습방법을 설정할 수 있다.

또한, 본 실시예의 메타인지 능력 평가방법은, 특정 문항, 즉 문항의 난이도 예측값과 문항의 실제 풀이시간에 의해 결정된 난이도 등급이 일치하거나 또는 불일치하는 문항을 추출하여 생성된 새로운 문제를 학습자 단말(400)로 전송하여 메타인지 능력지수를 산출할 수 있다. 이에, 본 발명은 학습자의 난이도 인지능력의 평가 정확도 및 그로 인해 메타인지 능력지수의 산출 정확도를 향상시킬 수 있다.

도 8은 도 7의 S740 단계를 설명하기 위한 흐름도이다.

일 실시예에서, 학습 서버(300)는 학습 체크 문제의 각 문항에 대한 평균 풀이시간을 기준으로 학습 체크 문제의 난이도를 산출하고, 학습 체크 문제의 다수의 문항 각각에 대한 답안 중 정답으로 판별되는 답안의 비율을 기초로 산출한 난이도를 보정할 수 있다.

도 8을 참조하면, 먼저, 학습 서버(300)는 학습 체크 문제의 각 문항에 대한 실제 풀이시간을 기초로 각 문항의 난이도 등급을 생성할 수 있다(S741).

전술한 바와 같이, 학습 서버(300)는 학습자 단말(400)을 통해 학습 체크 문제의 각 문항에 대한 학습자의 실제풀이시간을 검출할 수 있다. 그리고, 검출된 실제 풀이시간으로부터 각 문항의 난이도 등급을 생성할 수 있다. 예컨대, 하나의 문항에 대하여 실제 풀이시간이 3분 초과인 경우에, 학습 서버(300)는 해당 문항의 난이도 등급을 상급으로 생성할 수 있다. 또한, 실제 풀이시간이 1~3분인 경우에 학습 서버(300)는 해당 문항의 난이도 등급을 중급으로 생성할 수 있다. 실제 풀이시간이 1분 미만인 경우 학습 서버(300)는 해당 문항의 난이도 등급을 하급으로 생성할 수 있다.

학습 서버(300)는 각 문항에 대한 실제 풀이시간과 문항의 정답율을 기초로 난이도 등급 보정 계수를 산출할 수 있다(S743).

일 실시예에서, 학습 서버(300)는 학습 체크 문제의 각 문항에 대한 평균 풀이시간을 기준으로 학습 체크 문제의 난이도를 산출하고, 학습 체크 문제의 다수의 문항 각각에 대한 답안 중 정답으로 판별되는 답안의 비율을 기초로 산출한 난이도를 보정할 수 있다.

이어서, 학습 서버(300)는 학습 체크 문제의 다수의 문항 각각의 정답율을 기초로, 생성한 학습 체크 문제의 각 문항에 대한 난이도 등급을 보정할 수 있다. 학습 서버(300)는 상기 문항의 난이도 등급을 보정하기 위해, 상기 문항의 정답율을 참고할 수 있다. 정답율은, 학습 서버(300)에 연결된 복수의 학습자 단말(400) 각각으로부터 수신한 학습 체크 응답들에 포함된 답안 중 정답으로 판별된 비율을 의미할 수 있다. 정답율은 0~100의 범위에서 퍼센트(%) 단위로 산출될 수 있다. 정답율은 학습 서버(300)의 데이터베이스에 저장될 수 있다.

즉, 어느 하나의 문항에 대하여 실제 풀이시간에 기초하여 학습 서버(300)는 해당 문항의 난이도 등급을 생성할 수 있다. 이어서, 학습 서버(300)는 해당 문항의 정답율을 불러올 수 있다. 해당 문항의 정답율이 50% 이상 100% 이하인 경우, 학습 서버(300)는 해당 문항의 난이도 등급을 하향 조정할 수 있다. 반면, 해당 문항의 정답율이 0% 이상 50% 미만인 경우, 학습 서버(300)는 해당 문항의 난이도 등급을 상향 조정할 수 있다. 학습 서버(300)의 문항 난이도 등급 조정량은 정답율에 따라 다를 수 있다.

예를 들면, 제1 학습 체크 문제의 제1 문항에 대해, 실제 풀이시간이 3분을 초과한 경우, 학습 서버(300)는 제1 문항의 난이도 등급을 상급으로 생성할 수 있다. 그러나, 제1 문항의 정답율이 90%인 경우, 학습 서버(300)는 제1 문항의 난이도 등급을 중급으로 보정할 수 있다. 반면, 제1 문항의 정답율이 50%인 경우, 학습 서버(300)는 제1 문항의 난이도 등급을 보정하지 않고, 상급으로 유지할 수 있다. 즉, 학습 서버(300)는 문항의 정답율에 따라 문항의 난이도 등급을 보정할 수도 있고, 보정하지 않고 유지할 수도 있다.

또한, 학습 서버(300)가 어느 하나의 문항에 대하여 난이도 등급을 보정하는 경우, 실제 풀이시간을 함께 참조할 수 있다. 학습 서버(300)는 어느 하나의 문항에 대하여 실제 풀이시간과 정답율을 함께 참조하여 최종 난이도 등급을 생성할 수 있다. 이 경우, 학습 서버(300)는 난이도 등급 분류 임계값과 실제 풀이시간의 차이를 기초로 난이도 등급을 보정할 수 있다. 또한, 학습 서버(300)는 정답율의 편중도를 기초로 난이도 등급을 보정할 수 있다. 여기서, 정답율의 편중도는, 정답율이 50%를 기준으로 50%보다 높거나 50%보다 낮은 경우, 높거나 낮은 정도를 의미할 수 있다. 예를 들면, 제1 문항에 대해 실제 풀이시간이 3분 10초여서, 제1 문항의 난이도 등급을 상급으로 생성한 경우에, 제1 문항의 정답율이 90%라면, 학습 서버(300)는 제1 문항의 난이도 등급을 상급에서 중급으로 보정할 수 있다. 반면, 제1 문항에 대해 실제 풀이시간이 5분 40초이고, 제1 문항의 난이도 등급을 상급으로 생성한 경우에, 제1 문항의 정답율이 50%라면, 학습 서버(300)는 제1 문항의 난이도 등급을 상급으로 유지할 수 있다.

일 실시예에서, 학습 서버(300)는 어느 하나의 문항에 대하여, 해당 문항의 실제 풀이시간 및 정답율을 기초로 문항 난이도 등급 보정 계수를 산출할 수 있다. 문항 난이도 등급 보정 계수는 문항 난이도 등급 하향 보정 계수와 문항 난이도 등급 상향 보정 계수를 포함할 수 있다.

학습 서버(300)는 <수학식 6>을 이용하여 문항 난이도 등급 하향 보정 계수를 산출할 수 있다. <수학식 6>에서, M_l은 난이도 등급 하향 보정 계수, i는 문항을 구별하기 위한 자연수, t는 문항의 실제 풀이시간, P_c는 문항의 정답율, k_l는 하향 보정 상수를 의미할 수 있다.

학습 서버(300)는 <수학식 7>을 이용하여 문항 난이도 등급 상향 보정 계수를 산출할 수 있다. <수학식 7>에서, M_u는 난이도 등급 상향 보정 계수, i는 문항을 구별하기 위한 자연수, t는 문항의 실제 풀이시간, P_c는 문항의 정답율, k_u는 상향 보정 상수를 의미할 수 있다.

학습 서버(300)는 난이도 등급 보정 계수를 이용하여 각 문항에 대한 난이도 등급을 보정할 수 있다(S745).

학습 서버(300)는 문항의 난이도를 상급으로 생성한 경우, 문항 난이도 등급 하향 보정 계수를 이용하여 문항 난이도를 중급으로 보정할지 여부를 결정할 수 있다. 학습 서버(300)는 또한, 문항의 난이도를 하급으로 생성한 경우, 문항 난이도 등급 상향 보정 계수를 이용하여 문항 난이도를 중급으로 보정할지 여부를 결정할 수 있다.

학습 서버(300)는 최종 생성된 난이도 등급을 기초로 학습자의 난이도 예측정확도를 산출할 수 있다(S747).

전술한 바와 같이, 본 발명의 실시예에 따른 학습 서버(300)는, 어느 하나의 문항에 대한 학습자의 실제 문제풀이시간 외에도 해당 문항의 정답율을 기초로 문항의 객관적인 난이도 등급을 산출하여, 산출한 난이도 등급을 기초로 학습자의 메타인지 능력을 평가할 수 있다.

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 송신되는 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 (5)

1. 학습 서버에 의해, 데이터베이스에서 학습 체크 문제를 선택하고, 학습자 단말에 상기 학습 체크 문제를 송신하는 단계;
   상기 학습자 단말로부터 상기 학습 체크 문제에 대한 학습자의 학습 체크 응답을 수신하는 단계;
   상기 학습 체크 응답의 난이도 예측값을 기초로 상기 학습자의 난이도 인지능력을 평가하고, 평가 결과를 기초로 상기 학습자의 난이도 예측정확도를 산출하는 단계;
   상기 학습 체크 응답의 풀이결과 예측값을 기초로 상기 학습자의 풀이결과 인지능력을 평가하고, 평가 결과를 기초로 상기 학습자의 풀이결과 예측정확도를 산출하는 단계;
   상기 학습자의 상기 난이도 예측정확도 및 상기 풀이결과 예측정확도를 기초로 상기 학습자의 메타인지 능력 지수를 산출하여 상기 학습자 단말에 송신하는 단계;를 포함하되,
   상기 학습자의 난이도 예측정확도를 산출하는 단계는,
   상기 학습 체크 문제의 각 문항에 대한 상기 학습자의 실제 풀이시간을 기초로 상기 각 문항의 난이도 등급을 생성하는 단계,
   상기 실제 풀이시간과 상기 각 문항의 정답율을 기초로 난이도 등급 보정 계수를 산출하는 단계,
   상기 난이도 등급 보정 계수를 이용하여 상기 각 문항의 상기 난이도 등급을 보정하는 단계,
   보정된 상기 난이도 등급을 기초로 상기 학습자의 상기 난이도 예측정확도를 산출하는 단계를 포함하는,
   뉴럴 네트워크를 이용한 메타인지 능력을 평가하는 방법.
2. 제1항에 있어서,
   상기 난이도 등급 보정 계수는 난이도 등급 하향 보정 계수를 포함하고,
   [수학식]
   
   상기 학습 서버는, 상기 수학식을 이용하여 상기 난이도 등급 하향 보정 계수를 산출하되, 상기 수학식에서, M_l은 난이도 등급 하향 보정 계수, i는 문항을 구별하기 위한 자연수, t는 문항의 실제 풀이시간, P_c는 문항의 정답율, k_l는 하향 보정 상수를 의미하는,
   뉴럴 네트워크를 이용한 메타인지 능력을 평가하는 방법.
3. 제1항에 있어서,
   상기 난이도 등급 보정 계수는 난이도 등급 상향 보정 계수를 포함하고,
   [수학식]
   
   상기 학습 서버는, 상기 수학식을 이용하여 상기 난이도 등급 상향 보정 계수를 산출하되, 상기 수학식에서, M_u는 난이도 등급 상향 보정 계수, i는 문항을 구별하기 위한 자연수, t는 문항의 실제 풀이시간, P_c는 문항의 정답율, k_u는 상향 보정 상수를 의미하는,
   뉴럴 네트워크를 이용한 메타인지 능력을 평가하는 방법.
4. 제1항에 있어서,
   [수학식]
   
   상기 학습 서버는, 상기 수학식을 이용하여 상기 학습자의 메타인지 능력 지수를 산출하되, 상기 수학식에서 A는 가중치를 의미하는,
   뉴럴 네트워크를 이용한 학습 피드백 제공 방법.
5. 제1항에 있어서,
   상기 학습 서버는, 난이도예측 평가 모델을 이용하여 상기 학습자의 난이도 예측값을 기초로 생성된 문항 난이도 등급인 제1 등급과, 상기 학습자의 실제 풀이시간을 기초로 생성된 문항 난이도 등급인 제2 등급을 비교하여 일치여부를 판단하고,
   상기 난이도예측 평가 모델은 입력 레이어, 하나 이상의 히든 레이어 및 출력 레이어를 포함하고,
   상기 제1 등급과 상기 제2 등급에 관한 복수의 학습 데이터는 상기 난이도예측 평가 모델의 상기 입력 레이어에 입력되어, 상기 하나 이상의 히든 레이어 및 상기 출력 레이어를 통과하여 출력 벡터로 출력되고,
   상기 출력 벡터는 상기 출력 레이어에 연결된 손실함수 레이어에 입력되고, 상기 손실함수 레이어는 상기 출력 벡터와 각각의 상기 학습 데이터에 대한 정답 벡터를 비교하는 손실 함수를 이용하여 손실값을 출력하고,
   상기 난이도예측 평가 모델의 파라미터는 상기 손실값이 작아지는 방향으로 학습되는,
   뉴럴 네트워크를 이용한 메타인지 능력을 평가하는 방법.
   

Images