KR20240037846A - 학생의 인적성 및 성적 자료와 머신러닝 기술을 활용하여 학교에서 반 배정을 하는 장치 및 방법 - Google Patents

Abstract

본 개시는 학생의 인적성 및 성적 자료와 머신러닝 기술을 활용하여 학교에서 반 배정을 하는 방법에 관한 것으로, 학생들의 인적성 검사 결과 및 성적 결과를 기반으로 복수의 서로 다른 반에 복수의 학생들을 각각 반 배정한 후 각 학급에 적합한 담임 교사를 배정할 수 있는 효과가 있다.

Description

학생의 인적성 및 성적 자료와 머신러닝 기술을 활용하여 학교에서 반 배정을 하는 장치 및 방법 {Device and method for placing classroom placements using student personality and grade data and machine learning technology}

본 개시는 학교 내 반 배정을 하는 장치 및 방법에 관한 것으로, 보다 상세하게는 학생의 인적성 및 성적 자료와 머신러닝 기술을 활용하여 학교 내 반 배정을 하는 것에 관한 것이다.

기존의 반 배정은 주로 선생님들의 회의를 이용하였다.

그러나 이와 같은 기존의 반 배정 방식은 선생님의 개인적 견해가 반영되며, 같은 반 내에 성향이 비슷한 학생들끼리만 어울리며 융합을 해칠 수 있다는 문제점이 있다.

또한, 이러한 반 배정 방식은 담임 교사의 관심을 받지 못하고 방치되는 학생이 발생하는 등 다양한 문제가 발생할 소지가 있다.

이러한 문제점들을 해결하기 위해서는 기존의 일방적인 반 배정 방식에서 벗어나서 학생들의 성향, 교사들의 성향 등 다양한 면을 고려하여 반을 배정할 수 있는 반 배정 방법이 필요한 상황이지만, 현재로서는 이러한 기술이 공개되어 있지 않은 실정이다.

대한민국 공개특허공보 제10-2022-0034066호, (2022.03.17)

본 개시에 개시된 실시예는 학생의 인적성 및 성적 자료와 머신러닝 기술을 활용하여 학교에서 반 배정을 하는 방법을 제공하는데 그 목적이 있다.

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

상술한 과제를 해결하기 위한 본 개시의 일 실시예에 따른 반 배정 장치는, 반 배정 대상에 해당되는 복수의 담임 교사 및 복수의 학생에 대한 인적성 검사 결과를 수신하는 수신부; 인적성 유형 간의 조합 점수가 저장되어 있으며, 반 배정과 관련된 알고리즘이 미리 학습된 인공지능 모델이 저장된 메모리; 및 상기 인공지능 모델을 이용하여 반 배정 대상에 해당되는 각 학생의 인적성 검사 결과를 기반으로 학생 간의 조합 점수를 산출하고, 상기 산출된 결과를 기반으로 복수의 반 각각에 복수의 학생을 배정하고, 각 반에 배정된 학생들의 인적성 검사 결과를 기반으로, 각 반에 매칭되는 담임 교사를 배정하는 프로세서를 포함한다.

또한, 본 개시의 일 실시예에 따른 반 배정 방법은, 인적성 유형 간의 조합 점수, 및 반 배정과 관련된 알고리즘이 미리 학습된 인공지능 모델을 저장하는 단계; 반 배정 대상에 해당되는 복수의 담임 교사 및 복수의 학생에 대한 인적성 검사 결과를 수신하는 단계; 상기 인공지능 모델을 이용하여 반 배정 대상에 해당되는 각 학생의 인적성 검사 결과를 기반으로 학생 간의 조합 점수를 산출하는 단계; 상기 산출된 결과를 기반으로 복수의 반 각각에 복수의 학생을 배정하는 단계; 및 각 반에 배정된 학생들의 인적성 검사 결과를 기반으로, 각 반에 매칭되는 담임 교사를 배정하는 단계를 포함한다.

이 외에도, 본 개시를 구현하기 위한 실행하기 위한 컴퓨터 판독 가능한 기록 매체에 저장된 컴퓨터 프로그램이 더 제공될 수 있다.

이 외에도, 본 개시를 구현하기 위한 방법을 실행하기 위한 컴퓨터 프로그램을 기록하는 컴퓨터 판독 가능한 기록 매체가 더 제공될 수 있다.

본 개시의 전술한 과제 해결 수단에 의하면, 학생의 인적성 및 성적 자료와 머신러닝 기술을 활용하여 학교에서 반 배정을 할 수 있는 효과를 제공한다.

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

도 1은 본 개시의 실시예에 따른 반 배정 시스템의 개략도이다.
도 2는 본 개시의 실시예에 따른 반 배정 장치의 블록도이다.
도 3은 본 개시의 일 실시예에 따른 반 배정 방법의 흐름도이다.
도 4는 반 배정 대상에 해당되는 복수의 학생과 복수의 담임 교사를 Latent Space 상에 매핑한 것을 예시한 도면이다.
도 5는 A 학급에 배정된 학생의 매핑 포인트를 기반으로, 담임 교사를 배정한 것을 예시한 도면이다.
도 6은 본 개시의 다른 실시예에 따른 반 배정 방법의 흐름도이다.
도 7은 학생의 인적성 검사 결과를 기반으로 임베딩을 추출하는 방법을 설명하기 위한 도면이다.
도 8은 가중치를 활용하여 임베딩을 레이턴트 스페이스에 매핑하는 방법을 설명하기 위한 도면이다.
도 9는 축의 의미를 분석하는 방법을 설명하기 위한 도면이다.
도 10 내지 도 18은 거리 및 제약 사항을 활용하여 매핑 포인트들 클러스터링하는 방법을 설명하기 위한 도면이다.
도 19, 도 20, 및 도 21은 담임 선생님을 배정하는 방법을 설명하기 위한 도면이다.

본 개시 전체에 걸쳐 동일 참조 부호는 동일 구성요소를 지칭한다. 본 개시가 실시예들의 모든 요소들을 설명하는 것은 아니며, 본 개시가 속하는 기술분야에서 일반적인 내용 또는 실시예들 간에 중복되는 내용은 생략한다. 명세서에서 사용되는 ‘부, 모듈, 부재, 블록’이라는 용어는 소프트웨어 또는 하드웨어로 구현될 수 있으며, 실시예들에 따라 복수의 '부, 모듈, 부재, 블록'이 하나의 구성요소로 구현되거나, 하나의 '부, 모듈, 부재, 블록'이 복수의 구성요소들을 포함하는 것도 가능하다.

명세서 전체에서, 어떤 부분이 다른 부분과 "연결"되어 있다고 할 때, 이는 직접적으로 연결되어 있는 경우뿐 아니라, 간접적으로 연결되어 있는 경우를 포함하고, 간접적인 연결은 무선 통신망을 통해 연결되는 것을 포함한다.

또한 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다.

명세서 전체에서, 어떤 부재가 다른 부재 "상에" 위치하고 있다고 할 때, 이는 어떤 부재가 다른 부재에 접해 있는 경우뿐 아니라 두 부재 사이에 또 다른 부재가 존재하는 경우도 포함한다.

제 1, 제 2 등의 용어는 하나의 구성요소를 다른 구성요소로부터 구별하기 위해 사용되는 것으로, 구성요소가 전술된 용어들에 의해 제한되는 것은 아니다.

단수의 표현은 문맥상 명백하게 예외가 있지 않는 한, 복수의 표현을 포함한다.

각 단계들에 있어 식별부호는 설명의 편의를 위하여 사용되는 것으로 식별부호는 각 단계들의 순서를 설명하는 것이 아니며, 각 단계들은 문맥상 명백하게 특정 순서를 기재하지 않는 이상 명기된 순서와 다르게 실시될 수 있다.

이하 첨부된 도면들을 참고하여 본 개시의 작용 원리 및 실시예들에 대해 설명한다.

본 명세서에서 '본 개시에 따른 반 배정 장치(100)'는 연산처리를 수행하여 사용자에게 결과를 제공할 수 있는 다양한 장치들이 모두 포함된다. 예를 들어, 본 개시에 따른 반 배정 장치(100)는, 컴퓨터, 서버 장치 및 휴대용 단말기를 모두 포함하거나, 또는 어느 하나의 형태가 될 수 있다.

여기에서, 상기 컴퓨터는 예를 들어, 웹 브라우저(WEB Browser)가 탑재된 노트북, 데스크톱(desktop), 랩톱(laptop), 태블릿 PC, 슬레이트 PC 등을 포함할 수 있다.

상기 서버 장치는 외부 장치와 통신을 수행하여 정보를 처리하는 서버로써, 애플리케이션 서버, 컴퓨팅 서버, 데이터베이스 서버, 파일 서버, 게임 서버, 메일 서버, 프록시 서버 및 웹 서버 등을 포함할 수 있다.

상기 휴대용 단말기는 예를 들어, 휴대성과 이동성이 보장되는 무선 통신 장치로서, PCS(Personal Communication System), GSM(Global System for Mobile communications), PDC(Personal Digital Cellular), PHS(Personal Handyphone System), PDA(Personal Digital Assistant), IMT(International Mobile Telecommunication)-2000, CDMA(Code Division Multiple Access)-2000, W-CDMA(W-Code Division Multiple Access), WiBro(Wireless Broadband Internet) 단말, 스마트 폰(Smart Phone) 등과 같은 모든 종류의 핸드헬드(Handheld) 기반의 무선 통신 장치와 시계, 반지, 팔찌, 발찌, 목걸이, 안경, 콘택트 렌즈, 또는 머리 착용형 장치(head-mounted-device(HMD) 등과 같은 웨어러블 장치를 포함할 수 있다.

본 개시에 따른 인공지능과 관련된 기능은 프로세서(110)와 메모리(130)를 통해 동작된다. 프로세서(110)는 하나 또는 복수의 프로세서(110)로 구성될 수 있다. 이때, 하나 또는 복수의 프로세서(110)는 CPU, AP, DSP(Digital Signal Processor) 등과 같은 범용 프로세서(110), GPU, VPU(Vision Processing Unit)와 같은 그래픽 전용 프로세서(110) 또는 NPU와 같은 인공지능 전용 프로세서(110)일 수 있다. 하나 또는 복수의 프로세서(110)는, 메모리(130)에 저장된 기 정의된 동작 규칙 또는 인공지능 모델에 따라, 입력 데이터를 처리하도록 제어한다. 또는, 하나 또는 복수의 프로세서(110)가 인공지능 전용 프로세서(110)인 경우, 인공지능 전용 프로세서(110)는, 특정 인공지능 모델의 처리에 특화된 하드웨어 구조로 설계될 수 있다.

기 정의된 동작 규칙 또는 인공지능 모델은 학습을 통해 만들어진 것을 특징으로 한다. 여기서, 학습을 통해 만들어진다는 것은, 기본 인공지능 모델이 학습 알고리즘에 의하여 다수의 학습 데이터들을 이용하여 학습됨으로써, 원하는 특성(또는, 목적)을 수행하도록 설정된 기 정의된 동작 규칙 또는 인공지능 모델이 만들어짐을 의미한다. 이러한 학습은 본 개시에 따른 인공지능이 수행되는 기기 자체에서 이루어질 수도 있고, 별도의 서버 및/ 또는 시스템(10)을 통해 이루어 질 수도 있다. 학습 알고리즘의 예로는, 지도형 학습(supervised learning), 비지도 형 학습(unsupervised learning), 준지도형 학습(semi-supervised learning) 또는 강화 학습(reinforcement learning)이 있으나, 전술한 예에 한정되지 않는다.

인공지능 모델은, 복수의 신경망 레이어들로 구성될 수 있다. 복수의 신경망 레이어들 각각은 복수의 가중치들 (weight values)을 갖고 있으며, 이전(previous) 레이어의 연산 결과와 복수의 가중치들 간의 연산을 통해 신경 망 연산을 수행한다. 복수의 신경망 레이어들이 갖고 있는 복수의 가중치들은 인공지능 모델의 학습 결과에 의해 최적화될 수 있다. 예를 들어, 학습 과정 동안 인공지능 모델에서 획득한 로스(loss) 값 또는 코스트(cost) 값이 감소 또는 최소화되도록 복수의 가중치들이 갱신될 수 있다. 인공 신경망은 심층 신경망(DNN:Deep Neural Network)를 포함할 수 있으며, 예를 들어, CNN (Convolutional Neural Network), DNN (Deep Neural Network), RNN (Recurrent Neural Network), RBM (Restricted Boltzmann Machine), DBN (Deep Belief Network), BRDNN(Bidirectional Recurrent Deep Neural Network) 또는 심층 Q-네트워크 (Deep Q-Networks) 등이 있으나, 전술한 예에 한정되지 않는다.

본 개시의 예시적인 실시예에 따르면, 프로세서(110)는 인공지능을 구현할 수 있다. 인공지능이란 사람의 신경세포(biological neuron)를 모사하여 기계가 학습하도록 하는 인공신경망(Artificial Neural Network) 기반의 기계 학습법을 의미한다. 인공지능의 방법론에는 학습 방식에 따라 훈련데이터로서 입력데이터와 출력데이터가 같이 제공됨으로써 문제(입력데이터)의 해답(출력데이터)이 정해져 있는 지도학습(supervised learning), 및 출력데이터 없이 입력데이터만 제공되어 문제(입력데이터)의 해답(출력데이터)이 정해지지 않는 비지도학습(unsupervised learning), 및 현재의 상태(State)에서 어떤 행동(Action)을 취할 때마다 외부 환경에서 보상(Reward)이 주어지는데, 이러한 보상을 최대화하는 방향으로 학습을 진행하는 강화학습(reinforcement learning)으로 구분될 수 있다. 또한 인공지능의 방법론은 학습 모델의 구조인 아키텍처에 따라 구분될 수도 있는데, 널리 이용되는 딥러닝 기술의 아키텍처는, 합성곱신경망(CNN; Convolutional Neural Network), 순환신경망(RNN; Recurrent Neural Network), 트랜스포머(Transformer), 생성적 대립 신경망(GAN; generative adversarial networks) 등으로 구분될 수 있다.

반 배정 장치(100)는 인공지능 모델을 포함할 수 있다. 인공지능 모델은 하나의 인공지능 모델일 수 있고, 복수의 인공지능 모델로 구현될 수도 있다. 인공지능 모델은 뉴럴 네트워크(또는 인공 신경망)로 구성될 수 있으며, 기계학습과 인지과학에서 생물학의 신경을 모방한 통계학적 학습 알고리즘을 포함할 수 있다. 뉴럴 네트워크는 시냅스의 결합으로 네트워크를 형성한 인공 뉴런(노드)이 학습을 통해 시냅스의 결합 세기를 변화시켜, 문제 해결 능력을 가지는 모델 전반을 의미할 수 있다. 뉴럴 네트워크의 뉴런은 가중치 또는 바이어스의 조합을 포함할 수 있다. 뉴럴 네트워크는 하나 이상의 뉴런 또는 노드로 구성된 하나 이상의 레이어(layer)를 포함할 수 있다. 예시적으로, 장치는 input layer, hidden layer, output layer를 포함할 수 있다. 장치를 구성하는 뉴럴 네트워크는 뉴런의 가중치를 학습을 통해 변화시킴으로써 임의의 입력(input)으로부터 예측하고자 하는 결과(output)를 추론할 수 있다.

프로세서(110)는 뉴럴 네트워크를 생성하거나, 뉴럴 네트워크를 훈련(train, 또는 학습(learn)하거나, 수신되는 입력 데이터를 기초로 연산을 수행하고, 수행 결과를 기초로 정보 신호(information signal)를 생성하거나, 뉴럴 네트워크를 재훈련(retrain)할 수 있다. 뉴럴 네트워크의 모델들은 GoogleNet, AlexNet, VGG Network 등과 같은 CNN(Convolution Neural Network), R-CNN(Region with Convolution Neural Network), RPN(Region Proposal Network), RNN(Recurrent Neural Network), S-DNN(Stacking-based deep Neural Network), S-SDNN(State-Space Dynamic Neural Network), Deconvolution Network, DBN(Deep Belief Network), RBM(Restrcted Boltzman Machine), Fully Convolutional Network, LSTM(Long Short-Term Memory) Network, Classification Network 등 다양한 종류의 모델들을 포함할 수 있으나 이에 제한되지는 않는다. 프로세서(110)는 뉴럴 네트워크의 모델들에 따른 연산을 수행하기 위한 하나 이상의 프로세서(110)를 포함할 수 있다. 예를 들어 뉴럴 네트워크는 심층 뉴럴 네트워크 (Deep Neural Network)를 포함할 수 있다.

뉴럴 네트워크는 CNN(Convolutional Neural Network), RNN(Recurrent Neural Network), 퍼셉트론(perceptron), 다층 퍼셉트론(multilayer perceptron), FF(Feed Forward), RBF(Radial Basis Network), DFF(Deep Feed Forward), LSTM(Long Short Term Memory), GRU(Gated Recurrent Unit), AE(Auto Encoder), VAE(Variational Auto Encoder), DAE(Denoising Auto Encoder), SAE(Sparse Auto Encoder), MC(Markov Chain), HN(Hopfield Network), BM(Boltzmann Machine), RBM(Restricted Boltzmann Machine), DBN(Depp Belief Network), DCN(Deep Convolutional Network), DN(Deconvolutional Network), DCIGN(Deep Convolutional Inverse Graphics Network), GAN(Generative Adversarial Network), LSM(Liquid State Machine), ELM(Extreme Learning Machine), ESN(Echo State Network), DRN(Deep Residual Network), DNC(Differentiable Neural Computer), NTM(Neural Turning Machine), CN(Capsule Network), KN(Kohonen Network) 및 AN(Attention Network)를 포함할 수 있으나 이에 한정되는 것이 아닌 임의의 뉴럴 네트워크를 포함할 수 있음은 통상의 기술자가 이해할 것이다.

본 개시의 예시적인 실시예에 따르면, 프로세서(110)는 GoogleNet, AlexNet, VGG Network 등과 같은 CNN(Convolution Neural Network), R-CNN(Region with Convolution Neural Network), RPN(Region Proposal Network), RNN(Recurrent Neural Network), S-DNN(Stacking-based deep Neural Network), S-SDNN(State-Space Dynamic Neural Network), Deconvolution Network, DBN(Deep Belief Network), RBM(Restrcted Boltzman Machine), Fully Convolutional Network, LSTM(Long Short-Term Memory) Network, Classification Network, Generative Modeling, eXplainable AI, Continual AI, Representation Learning, AI for Material Design, 자연어 처리를 위한 BERT, SP-BERT, MRC/QA, Text Analysis, Dialog System, GPT-3, GPT-4, 비전 처리를 위한 Visual Analytics, Visual Understanding, Video Synthesis, ResNet 데이터 지능을 위한 Anomaly Detection, Prediction, Time-Series Forecasting, Optimization, Recommendation, Data Creation 등 다양한 인공지능 구조 및 알고리즘을 이용할 수 있으며, 이에 제한되지 않는다.이하, 첨부된 도면을 참조하여 본 개시의 실시예를 상세하게 설명한다.

도 1은 본 개시의 실시예에 따른 반 배정 시스템(10)의 개략도이다.

도 1을 참조하면, 교내 복수의 학생과 복수의 교사에 대한 정보가 입력되며, 반 배정 장치(100)가 인공지능 모델을 이용하여 학생과 담임 교사의 반 배정을 진행하는 것이 예시되어 있다.

종래에는 담임을 맡게 될 교사들의 논의를 통해서 교내 학생들의 반을 배정하였다면, 본 개시의 실시예에 따른 반 배정 시스템(10)은 이와 같이 인공지능 모델과 반 배정 알고리즘을 이용하여 학생들의 인적성, 성적, 교사들의 인적성을 기반으로 배정하여 종래의 반 배정에서 발생하던 각종 문제점을 없애거나 최소화하는 것을 목적으로 한다.

아래 실시예에서는 다른 도면들을 참조하여 이러한 반 배정 알고리즘에 대하여 보다 상세하게 설명하도록 한다.

도 2는 본 개시의 실시예에 따른 반 배정 장치(100)의 블록도이다.

도 2를 참조하면, 본 개시의 실시예에 따른 반 배정 장치(100)는 프로세서(110), 통신부(120) 및 메모리(130)를 포함한다.

다만, 몇몇 실시예에서 반 배정 장치(100)는 도 2에 도시된 구성요소보다 더 적은 수의 구성요소나 더 많은 구성요소를 포함할 수도 있다.

예를 들어, 본 개시의 실시예에 따른 반 배정 장치(100)는 입출력부(입력부, 출력부), 사용자 인터페이스 등의 구성을 더 포함할 수 있다.

본 개시의 실시예에서 반 배정 장치(100)는 서버 장치를 포함하여 서버로 동작하고, 웹 또는 애플리케이션을 통해 서버에 접속한 사용자에게 반 배정 프로그램, 서비스를 제공할 수도 있다.

프로세서(110)는 반 배정 장치(100) 내 구성들의 제어, 작동을 담당하며, 메모리(130)에 저장되어 있는 각종 명령어, 알고리즘, 인공지능 모델을 이용하여 학생과 교사들의 반 배정을 진행할 수 있다.

프로세서(110)는 반 배정 장치(100) 내의 구성요소들의 동작을 제어하기 위한 알고리즘 또는 알고리즘을 재현한 프로그램에 대한 데이터를 저장하는 메모리(130), 및 메모리(130)에 저장된 데이터를 이용하여 전술한 동작을 수행하는 적어도 하나의 프로세서(110)로 구현될 수 있다. 이때, 메모리(130)와 프로세서(110)는 각각 별개의 칩으로 구현될 수 있다. 또는, 메모리(130)와 프로세서(110)는 단일 칩으로 구현될 수도 있다.

또한, 프로세서(110)는 이하의 도면에서 설명되는 본 개시에 따른 다양한 실시 예들을 반 배정 장치(100) 상에서 구현하기 위하여, 위에서 살펴본 구성요소들을 중 어느 하나 또는 복수를 조합하여 제어할 수 있다.

본 개시의 실시예에서 반 배정 장치(100)는 수신부를 통해서 반 배정 대상에 해당되는 복수의 담임 교사 및 복수의 학생에 대한 인적성 검사 결과를 수신하고, 복수의 학생에 대한 성적 결과를 수신할 수 있다.

이때, 반 배정 장치(100)는 유무선 통신이 가능한 통신부(120)를 통해서 외부 서버로부터 인적성 검사 결과 또는 성적 결과를 수신할 수도 있다.

또한, 반 배정 장치(100)는 미리 수신된 정보들을 메모리(130)에 저장하고, 반 배정 과정에서 활용할 수도 있다.

통신부(120)는 외부 장치와 통신을 가능하게 하는 하나 이상의 구성 요소를 포함할 수 있으며, 예를 들어, 방송 수신 모듈, 유선통신 모듈, 무선통신 모듈, 근거리 통신 모듈, 위치정보 모듈 중 적어도 하나를 포함할 수 있다.

유선 통신 모듈은, 지역 통신(Local Area Network; LAN) 모듈, 광역 통신(Wide Area Network; WAN) 모듈 또는 부가가치 통신(Value Added Network; VAN) 모듈 등 다양한 유선 통신 모듈뿐만 아니라, USB(Universal Serial Bus), HDMI(High Definition Multimedia Interface), DVI(Digital Visual Interface), RS-232(recommended standard232), 전력선 통신, 또는 POTS(plain old telephone service) 등 다양한 케이블 통신 모듈을 포함할 수 있다.

무선 통신 모듈은 와이파이(Wifi) 모듈, 와이브로(Wireless broadband) 모듈 외에도, GSM(global System for Mobile Communication), CDMA(Code Division Multiple Access), WCDMA(Wideband Code Division Multiple Access), UMTS(universal mobile telecommunications system), TDMA(Time Division Multiple Access), LTE(Long Term Evolution), 4G, 5G, 6G 등 다양한 무선 통신 방식을 지원하는 무선 통신 모듈을 포함할 수 있다.

무선 통신 모듈은 신호를 송신하는 안테나 및 송신기(Transmitter)를 포함하는 무선 통신 인터페이스를 포함할 수 있다. 또한, 무선 통신 모듈은 프로세서(110)의 제어에 따라 무선 통신 인터페이스를 통해 프로세서(110)로부터 출력된 디지털 제어 신호를 아날로그 형태의 무선 신호로 변조하는 신호 변환 모듈을 더 포함할 수 있다.

근거리 통신 모듈은 근거리 통신(Short range communication)을 위한 것으로서, 블루투스(Bluetooth™RFID(Radio Frequency Identification), 적외선 통신(Infrared Data Association; IrDA), UWB(Ultra Wideband), ZigBee, NFC(Near Field Communication), Wi-Fi(Wireless-Fidelity), Wi-Fi Direct, Wireless USB(Wireless Universal Serial Bus) 기술 중 적어도 하나를 이용하여, 근거리 통신을 지원할 수 있다.

메모리(130)는 인적성 유형 간의 조합 점수가 저장되어 있으며, 반 배정과 관련된 각종 알고리즘이 미리 학습된 적어도 하나의 인공지능 모델이 저장되어 있다.

또한, 메모리(130)는 교사들의 인적성 검사 결과, 학생들의 인적성 검사 결과와 성적 결과, 반 배정 결과가 저장될 수 있다.

또한, 메모리(130)는 이전 학기 또는 이전 년도의 반 배정 결과와 이전 학기 또는 이전 년도의 각 반의 문제 발생 횟수, 문제 발생 내역 등의 정보들도 저장될 수 있다.

메모리(130)는 반 배정 장치(100)의 다양한 기능을 지원하는 데이터와, 프로세서(110)의 동작을 위한 프로그램을 저장할 수 있고, 입/출력되는 데이터들(예를 들어, 음악 파일, 정지영상, 동영상 등)을 저장할 있고, 반 배정 장치(100)에서 구동되는 다수의 응용 프로그램(application program 또는 애플리케이션(application)), 반 배정 장치(100)의 동작을 위한 데이터들, 명령어들을 저장할 수 있다. 이러한 응용 프로그램 중 적어도 일부는, 무선 통신을 통해 외부 서버로부터 다운로드 될 수 있다.

이러한, 메모리(130)는 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), SSD 타입(Solid State Disk type), SDD 타입(Silicon Disk Drive type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예를 들어 SD 또는 XD 메모리(130) 등), 램(random access memory; RAM), SRAM(static random access memory), 롬(read-only memory; ROM), EEPROM(electrically erasable programmable read-only memory), PROM(programmable read-only memory), 자기 메모리, 자기 디스크 및 광디스크 중 적어도 하나의 타입의 저장매체를 포함할 수 있다. 또한, 메모리(130)는 반 배정 장치(100)와는 분리되어 있으나, 유선 또는 무선으로 연결된 데이터베이스가 될 수도 있다.

입력부는 영상 정보(또는 신호), 오디오 정보(또는 신호), 데이터, 또는 사용자로부터 입력되는 정보의 입력을 위한 것으로서, 적어도 하나의 카메라, 적어도 하나의 마이크로폰 및 사용자 입력부 중 적어도 하나를 포함할 수 있다. 입력부에서 수집한 음성 데이터나 이미지 데이터는 분석되어 사용자의 제어명령으로 처리될 수 있다.

사용자 입력부는 사용자로부터 정보를 입력받기 위한 것으로서, 사용자 입력부를 통해 정보가 입력되면, 프로세서(110)는 입력된 정보에 대응되도록 반 배정 장치(100)의 동작을 제어할 수 있다. 이러한, 사용자 입력부는 하드웨어식 물리 키(예를 들어, 반 배정 장치(100)의 전면, 후면 및 측면 중 적어도 하나에 위치하는 버튼, 돔 스위치 (dome switch), 조그 휠, 조그 스위치 등) 및 소프트웨어식 터치 키를 포함할 수 있다. 일 예로서, 터치 키는, 소프트웨어적인 처리를 통해 터치스크린 타입의 디스플레이부 상에 표시되는 가상 키(virtual key), 소프트 키(soft key) 또는 비주얼 키(visual key)로 이루어지거나, 상기 터치스크린 이외의 부분에 배치되는 터치 키(touch key)로 이루어질 수 있다. 한편, 상기 가상키 또는 비주얼 키는, 다양한 형태를 가지면서 터치스크린 상에 표시되는 것이 가능하며, 예를 들어, 그래픽(graphic), 텍스트(text), 아이콘(icon), 비디오(video) 또는 이들의 조합으로 이루어질 수 있다.

출력부는 시각, 청각 또는 촉각 등과 관련된 출력을 발생시키기 위한 것으로, 디스플레이부, 음향 출력부, 햅틱 모듈(Haptic Module) 및 광 출력부 중 적어도 하나를 포함할 수 있다. 디스플레이부는 터치 센서와 상호 레이어 구조를 이루거나 일체형으로 형성됨으로써, 터치 스크린을 구현할 수 있다. 이러한 터치 스크린은, 반 배정 장치(100)와 사용자 사이의 입력 인터페이스를 제공하는 사용자 입력부로써 기능함과 동시에, 반 배정 장치(100)와 사용자 간에 출력 인터페이스를 제공할 수 있다.

디스플레이부는 반 배정 장치(100)에서 처리되는 정보를 표시(출력)한다. 예를 들어, 디스플레이부는 반 배정 장치(100)에서 구동되는 응용 프로그램(일 예로, 어플리케이션)의 실행화면 정보, 또는 이러한 실행화면 정보에 따른 UI(User Interface), GUI(Graphic User Interface) 정보를 표시할 수 있다.

인터페이스부는 반 배정 장치(100)에 연결되는 다양한 종류의 외부 기기와의 통로 역할을 수행한다. 이러한 인터페이스부는 유/무선 헤드셋 포트(port), 외부 충전기 포트(port), 유/무선 데이터 포트(port), 메모리(130) 카드(memory card) 포트, 식별 모듈(SIM)이 구비된 장치를 연결하는 포트(port), 오디오 I/O(Input/Output) 포트(port), 비디오 I/O(Input/Output) 포트(port), 이어폰 포트(port) 중 적어도 하나를 포함할 수 있다. 반 배정 장치(100)에서는, 상기 인터페이스부에 연결된 외부 기기와 관련된 적절한 제어를 수행할 수 있다.

아래에서는 도 3의 흐름도와 도 4 및 도 5의 예시도를 참조하여 반 배정 프로세스를 설명하도록 한다.

도 3은 본 개시의 실시예에 따른 반 배정 방법의 흐름도이다.

도 4는 반 배정 대상에 해당되는 복수의 학생과 복수의 담임 교사를 Latent Space 상에 매핑한 것을 예시한 도면이다.

도 5는 A 학급에 배정된 학생의 매핑 포인트를 기반으로, 담임 교사를 배정한 것을 예시한 도면이다.

반 배정 장치(100)가 수신부 또는 통신부(120)를 이용하여 반 배정 대상에 해당되는 복수의 담임 교사 및 복수의 학생에 대한 인적성 검사 결과를 수신한다. (S100)

이때, 반 배정 장치(100)는 미리 수행된 인적성 검사 결과를 수신할 수도 있고, 반 배정을 위해 인적성 검사를 요청할 수도 있다.

또한, 반 배정 장치(100)는 각 학생들의 성적 결과를 수신할 수 있으며, 각 학생의 이전 학기 또는 이전의 누적된 성적 결과를 수신할 수도 있고, 반 배정을 위해 시험 진행을 요청할 수도 있다.

일 실시예로, 반 배정 장치(100)는 반 배정 대상 학생이 2학년 이상인 경우, 이전의 성적 결과를 이용하거나 반 배정 시험 진행을 요청할 수 있고, 반 배정 대상 학생이 1학년에 해당되는 경우 입학 시험을 요청할 수도 있다.

이때, 인적성 검사는 성격 5요인 검사, SLT 자기조절 학습검사 등이 적용 가능하며, 이외에도 반 배정과 관련되어 학생, 교사의 인성, 적성 등을 평가할 수 있는 방법이라면 무엇이든 적용이 가능하다.

프로세서(110)가 각 학생의 인적성 검사 결과를 기반으로 학생 간의 조합 점수를 산출한다. (S200)

프로세서(110)가 S200에서 산출된 결과를 기반으로 복수의 반 각각에 복수의 학생을 배정한다. (S300)

종래에는 교사들이 학생들의 반을 배정하여 반 내에서 성향이 비슷한 학생들끼리만 어울리며 반 내 융합을 해치고, 담임 교사의 관심을 받지 못하고 방치되는 학생이 발생하는 문제점이 있었다.

본 개시의 실시예에서 반 배정 장치(100)는 성적 결과를 고려하는 것은 물론 같은 반 내에 학생들이 고른 인적성을 가진 상태로 분포되도록 반을 배정함으로써, 이러한 문제점을 해결하고자 한다.

이러한 반 배정을 위해 프로세서(110)는 Gini index와 같은 다양성 지표를 활용함으로써 기존 제약사항을 만족하면서 다양한 분포의 학생들이 같은 반으로 배정될 수 있도록 할 수 있다.

따라서, 프로세서(110)가 인공지능 모델을 이용하여 각 학생 간의 조합 점수를 산출하는 것은 학생들 간의 인적성 검사 결과를 기반으로, 둘 이상의 학생 간에 융화도, 갈등 발생 가능성, 문제 학생(예: 왕따 학생) 발생 가능성, 리스크 발생 가능성을 산출하는 것을 의미한다.

본 개시의 실시예에서 인공지능 모델은 반 배정과 관련된 각종 알고리즘이 미리 학습되어 있을 수 있다.

또한, 반 배정 장치(100)는 기존의 학생들 간의 조합 점수, 갈등 발생 내역과 횟수, 문제 학생 발생 내역과 횟수 등과 해당 학생들의 인적성 검사 결과를 학습 데이터셋으로 생성하고, 이를 인공지능 모델에 입력하여 학습할 수 있다.

이러한 학습을 통해서, 인공지능 모델은 둘 이상의 학생에 대한 인적성 검사 결과가 입력되면, 해당 학생들의 조합 점수, 갈등 발생 가능성, 문제 학생 발생 가능성을 산출할 수 있게 된다.

프로세서(110)가 각 반에 배정된 학생들의 인적성 검사 결과를 기반으로 담임 교사를 배정한다. (S400)

본 개시의 실시예에서, 프로세서(110)는 클러스터링 기법을 이용하여 반 배정을 수행할 수 있다.

클러스터링 방법은 decision tree, PCA, kNN(loss function: (-)gini index) 등의 기법을 통해 얼마나 비슷한 혹은 비슷하지 않은 아이들끼리 묶이도록 클러스터링을 하는 등 다양한 방법이 적용 가능하다.

본 개시의 실시예에서 반 배정 클러스터링 알고리즘에서 데이터 Dimension은 사용자가 정하는 Hyperparameter이며, Cluster number는 최적화 대상(elbow method, silhouette score)이 적용될 수 있다.

또한, 반 배정 장치(100)는 수신부, 통신부(120) 또는 입력부를 통해서 수신된 예외 조건을 수신할 수 있으며, 이때 예외 조건은 복수의 특정 학생은 같은 반에 배정되면 안된다는 조건일 수 있다. (예: 쌍둥이 등)

일 실시예로, 프로세서(110)는 S200에서 조합 점수를 산출한 후, 기 설정된 점수 이하의 점수가 산출되는 복수의 학생에 대하여 해당 학생들이 같은 반에 배정되면 안된다는 조건을 설정할 수 있다.

또한, 반 배정 장치(100)는 클러스터링이 잘 되었는지 확인하기 위해서, elbow method를 활용할 수 있으며, 반의 개수를 결정하는 과정에서도 활용할 수 있다.

본 개시의 실시예에서 반 배정 장치(100)는 반 배정 대상 학생의 수, 반 배정 대상 담임 교사의 수, 학생 간의 조합 점수 산출 결과를 기반으로 반 개수를 결정할 수 있다.

하지만, 이에 한정되는 것은 아니며, 사용자로부터 미리 결정된 반 개수를 입력받고, 이를 기반으로 다른 프로세스를 수행할 수도 있다.

도 4를 참조하면, 배정 대상 학생과 배정 대상 담임 교사를 Latent Space 상에 매핑한 것이 예시되어 있으며, 각 학생과 각 담임 교사는 Latent Space 상의 매핑 포인트를 갖고 있다.

프로세서(110)는 PCA 방법 등을 이용하여 각 학생의 인적성 검사 결과, 성적 결과를 기반으로 3차원으로 임베딩하여 Latent Space 상에 매핑할 수 있다.

프로세서(110)는 A반에 복수의 학생들은 배정하였으며, A반에 배정된 학생은 도 5와 같은 매핑 포인트를 갖고 있다.

도 5를 참조하면, 프로세서(110)는 A반에 배정된 학생들의 매핑 포인트를 기반으로, A반에 배정된 학생들의 평균 지점을 산출할 수 있으며, 산출된 평균 지점에서 가장 가까운 매핑 포인트를 갖는 담임 교사를 A반의 담임 교사로 배정할 수 있다.

이상으로 설명한 실시예에서, 반 배정 장치(100)는 학생들의 인적성 검사 결과 및 성적 결과를 기반으로 복수의 서로 다른 반에 복수의 학생들을 각각 반 배정한 후 각 학급에 적합한 담임 교사를 배정하고 있으며, 이러한 반 배정 방법은 종래의 반 배정 방법에서 발생되었던 각종 문제점들을 해결할 수 있는 효과를 발휘하게 된다.

도 6은 본 개시의 다른 실시예에 따른 반 배정 방법의 흐름도이다.

도 6을 참조하면, 도 6의 방법은 반 배정 장치(100)에 의해 수행될 수 있다.

단계 S1000에서, 학생의 인적성 검사 및 선생님의 인적성 검사를 추출하는 단계가 수행된다. 예를 들면, 데이터베이스(예, 메모리(130))에 저장된 학생 및 선생님 각각의 인정성 검사를 포함하는 데이터가 로드되고, 로드된 데이터가 반 배정 장치(100)의 프로세서(110)에 제공될 수 있다.

단계 S2000에서, 학생의 인적성 검사 결과를 레이턴트 스페이스 상으로 매핑하는 단계가 수행된다. 단계 S2000에 대한 설명은 도 7 및 도 8을 참조하여 후술된다.

단계 S3000에서, 레이턴트 스페이스에서 축의 의미를 분석하는 단계가 수행된다. 단계 S3000에 대한 설명은 도 9를 참조하여 후술된다.

단계 S4000에서, 레이턴트 스페이스에서 매핑 포인트들을 클러스터링하는 단계가 수행된다. 단계 S4000에 대한 설명은 도 10 내지 도 18을 참조하여 후술된다.

단계 S5000에서, 선생님의 인적성 검사 결과를 레이턴트 스페이스 상으로 매핑하는 단계가 수행된다. 단계 S5000에 대한 설명은 도 19 및 도 20을 참조하여 후술된다.

단계 S6000에서, 반 배정을 완료하는 단계가 수행된다. 예를 들면, 모든 학생들에 대한 반 배정이 끝날 수 있다. 또한, 선생님들의 담임 선생님으로서 반에 배정되는 것이 끝날 수 있다. 같은 클러스터로 클러스터링된 학생들 및 선생님들에 대한 정보가 어느 하나의 반으로 배정될 수 있다. 이에 대한 설명은 도 21을 참조하여 후술된다.

도 7은 학생의 인적성 검사 결과를 기반으로 임베딩을 추출하는 방법을 설명하기 위한 도면이다.

도 7을 참조하면, 일 실시예에서, 프로세서(110)는, 각 학생의 인적성 검사 결과를 인공지능 모델에 입력하여, 상기 인공지능 모델의 중간 결과를 N차원의 임베딩으로 추출할 수 있다. N은 2 이상의 자연수일 수 있다. 그리고, 프로세서(110)는, N차원의 임베딩을 기반으로 각 학생을 레이턴트 스페이스(Latent Space) 상에 매핑할 수 있다. 도 7을 참조하여 예를 들면, 인적성 검사 결과에서의 문항은, '나는 밖에 나가는 것을 좋아한다', '엄마에게 물어보지 않고 주로 혼자 결정한다', '나는 집에서 요리를 해먹는 것이 즐겁다', '나는 집에서 배달 음식을 먹는 것을 즐긴다' 등이 입력(INPUT)으로서 인공지능 모델(AIM)에 입력될 수 있다. 인공지능 모델(AIM)은 BERT일 수 있으나, 이에 한정되는 것은 아니다. 인공지능 모델(AIM)의 출력(OUTPUT)으로서, 각 문항에 대한 N차원의 벡터가 예측될 수 있다. 예를 들면, 각 문항에 대한 N차원의 벡터는, '[0.14, 0.55, …', '[0.42, 0.798, …', 및 '[0.74, 1.35, …'일 수 있다. 하지만, 이에 한정되는 것은 아니다. 프로세서(110)는, 인공지능 모델(AIM)의 최종 결과를 임베딩으로 추출할 수도 있다.

도 8은 가중치를 활용하여 임베딩을 레이턴트 스페이스에 매핑하는 방법을 설명하기 위한 도면이다.

도 8을 참조하면, 상기 인적성 검사 결과는, 인적성 검사의 문항에 대한 텍스트 정보, 및 상기 문항에 응답 결과를 수치로 나타내는 응답 결과 정보를 포함할 수 있다. 예를 들면, 제1 데이터(DATA1)는 인적성 검사의 문항에 대한 텍스트 정보 및 각 문항에 응답 결과의 값을 포함할 수 있다. 구체적으로 예를 들면, 제1 데이터(DATA1)에서의 '문항-응답'은, '나는 밖에 나가는 것을 좋아한다-응답(4)', '엄마에게 물어보지 않고 주로 혼자 결정한다-응답(3)', '집에서 요리를 해먹는 것이 즐겁다-응답(3)' 등을 포함할 수 있다. 프로세서(110)는, 상기 인적성 검사에 포함된 각 문항에 대응되는 응답 결과를 가중치로 이용하고, 상기 인적성 검사에 포함된 상기 각 문항에 대응되는 N차원의 임베딩에 상기 가중치로 이용되는 응답 결과의 수치를 연산하여, 상기 각 학생에 대응되는 복수의 N차원의 연산 벡터들을 생성할 수 있다. 상기 인적성 검사에 포함된 상기 각 문항에 대응되는 N차원의 임베딩 및 가중치에 대한 예를 들면, '나는 밖에 나가는 것을 좋아한다'라는 문항의 N차원의 임베딩은, '[0.14, 0.55, …'이고, 이에 대한 가중치의 값은 '4'일 수 있다. '엄마에게 물어보지 않고 주로 혼자 결정한다'라는 문항의 N차원의 임베딩은, '[0.14, 0.55, …'이고, 이에 대한 가중치의 값은 '3'일 수 있다. '집에서 요리를 해먹는 것이 즐겁다'라는 문항의 N차원의 임베딩은, '[0.14, 0.55, …'이고, 이에 대한 가중치의 값은 '3'일 수 있다. 프로세서는 각 임베딩과 가중치를 곱할 수 있다. 예를 들면, '[0.14, 0.55, …'과 '4'의 곱, '[0.14, 0.55, …'와 '3'의 곱, '[0.14, 0.55, …'와 '3'의 곱 각각을 계산할 수 있다. 하지만, 이에 한정되는 것은 아니며, 곱셉 이외에 사칙연산뿐만 아니라 고도화된 연산이 적용될 수도 있다. 일 실시예에서는 문항에 대한 응답의 값이 가중치로서 그대로 곱셈에 이용되고 있으나, 다른 실시예에서는 문항의 특성에 따라 응답의 값들이 역수로 곱셈에 이용될 수 있다. 예를 들어, 제1 문항과 제2 문항 각각에 대한 응답의 값이 '4'인 경우, 제1 문항에 대한 임베딩에 곱할 가중치의 값은 '1”이고, 제2 문항에 대한 임베딩에 곱할 가중치의 값이 '4'일 수 있다. 이러한 연산 벡터들이 제2 데이터(DATA2)로서 도시될 수 있다. 프로세서(110)는, 상기 각 학생에 대응되는 상기 복수의 N차원의 연산 벡터들을 합산한 하나의 합산 벡터를 기반으로, 상기 각 학생을 상기 레이턴트 스페이스 상에 매핑할 수 있다. 예를 들면, 제2 데이터(DATA2)에 포함된 '[0.14, 0.55, …', '[0.42, 0.798, …', 및 '[0.74, 1.35, …'이 모두 합산될 수 있다(예, [0.56, 2.2, …2.394, ……. 합산된 하나의 합산 벡터(예, [4.04, 8.644, …가 도 8에 도시된 레이턴트 스페이스 상의 매핑 포인트로 매핑될 수 있다. 레이턴트 스페이스 상의 매핑 포인트는 레이턴트 스페이스 상의 좌표로 지칭될 수 있다.

도 9는 축의 의미를 분석하는 방법을 설명하기 위한 도면이다.

도 9를 참조하면, 일 실시예에서, 프로세서(110)는, 실제 인적성 검사 결과를 레이턴트 스페이스 상의 매핑 포인트들과 매핑하여 각 축의 의미를 해석할 수 있다. 여기서, 레이턴트 스페이스에서의 각 축은, 벡터의 차원에 해당될 수 있다. 구체적으로, 프로세서(110)는, 상기 레이턴트 스페이스 상에 매핑된 매핑 포인트들 각각과 상기 각 학생의 인적성 검사 결과를 매핑하고, 상기 각 학생의 매핑 포인트와 상기 각 학생의 인적성 검사 결과 간의 매핑 결과를 기반으로, 상기 N차원에 대응되는 N축들 각각의 의미를 상기 문항에 대한 요인들과 관련하여 분석할 수 있다. 예를 들면, 레이턴트 스페이스 상의 매핑 포인트들이 도 9에 도시된 바와 같이 매핑될 수 있다. 하나의 매핑 포인트는 하나의 학생에 대한 것일 수 있다. 어떤 매핑 포인트에 대한 분석 결과는, '해당 학생이 성실하며 매우 외향적이고, 심리적으로 매우 안정되어 있음'으로 해석될 수 있다. 또한, 어떤 매핑 포인트에 대한 분석 결과는, '해당 학생이 매우 성실하며 다소 외향적임'으로 해석될 수 있다. 또한, 어떤 매핑 포인트에 대한 분석 결과는, '신경증이 높고, 외향성이 높음'으로 해석될 수 있다. 또한, 어떤 매핑 포인트에 대한 분석 결과는, '신경증이 높고, 외향성이 다소 높음'으로 해석될 수 있다. 또한, 어떤 매핑 포인트에 대한 분석 결과는, '매우 예민하며, 다소 내향적이며 성실함'으로 해석될 수 있다. 프로세서(110)는, 이러한 분석 결과를 기반으로 각 축의 의미를 분석할 수 있다.

일 실시예에서, 프로세서(110)는, 주성분 분석(Principal Component Analysis: PCA)을 이용하여, 상기 N차원의 개수를 축소하고(M은 N보다 작은 자연수), 축소된 M차원에 대응되는 M축들 각각의 의미를 상기 문항에 대한 요인들과 관련하여 분석할 수 있다. 예를 들면, M은 3인 것으로 가정한다. 즉, 프로세서(110)는 PCA를 이용하여 N차원을 3차원으로 축소시킬 수 있다. 이에 따르면, 축의 개수는 3개일 수 있다. N차원의 벡터도 3차원의 벡터로 변경될 수 있다. 도 9를 참조하여 예를 들면, 3개의 축은, X축, Y축, 및 Z축으로 구분될 수 있다. 프로세서(110)는, 전술한 바와 같이, 3차원에 대응되는 3개의 축들 각각의 의미를 문항에 대한 요인들과 관련하여 분석할 수 있다. 예를 들어, X축은 '신경증 문항에 대한 응답 값이 높을수록 큰 값을 가지는 축'으로 분석될 수 있다. Y축은 '외향성 문항에 대한 응답 값이 높을수록 큰 값을 가지는 축'으로 분석될 수 있다. Z축은 '성실성 문항에 대한 응답 값이 높을수록 큰 값을 가지는 축'으로 분석될 수 있다. 이에 따르면, X축은 '신경증 문항'에 대한 축이고, Y축은 '외향성 문항'에 대한 축이며, Z축은 '성실성 문항'에 대한 축으로 정의될 수 있다.

도 10 내지 도 18은 거리 및 제약 사항을 활용하여 매핑 포인트들 클러스터링하는 방법을 설명하기 위한 도면이다.

도 10 내지 도 18을 참조하면, 일 실시예에서, 프로세서(110)는, 상기 레이턴트 스페이스 상에 매핑된 상기 매핑 포인트들 간의 거리, 및 미리 설정된 제약 사항을 기반으로, 상기 매핑 포인트들 클러스터링하고, 같은 클러스터에 포함된 매핑 포인트들에 대응되는 학생들을 같은 반으로 배정할 수 있다.

도 10을 참조하면, 특정 성향을 갖는 학생이 같은 반 내에 일정 수 이상이면, 그 반의 분위기가 좋아지거나 반대로 나빠질 수 있다. 예를 들면, 신경증이 다소 높은 3명 이상의 학생들이 같은 반에 배정되면, 그 반의 분위기가 나빠질 수 있다. 하지만, 이에 한정되는 것은 아니다. 이러한 연구 결과를 고려한 제약 사항이 프로세서(110)에 미리 설정될 수 있다. 제약 사항은 적어도 하나 설정될 수 있다. 도 10을 참조하여 예를 들면, 제1 제약 사항은 신경증이 V1 이상인 학생은 한 군집(또는 클러스터)에 K1명 이하로 구성될 것일 수 있다. 여기서, K1은 설명의 편의상 1인 것으로 가정하지만, K1은 이에 한정되는 것은 아니다. V1은 임의의 수치일 수 있다. 제2 제약 사항은 외향성이 V2 이상인 학생과 V2 이하인 학생의 분포는 균등하게 구성될 것일 수 있다. V2는 임의의 수치일 수 있다. 이와 같이 제1 제약 사항 및 제2 제약 사항에 해당되는 학생들의 매핑 포인트들(또는 좌표들)이 도 10에 예시적으로 도시될 수 있다.

도 11을 참조하면, 일 실시예에서, 프로세서(110)는, 상기 레이턴트 스페이스 상에서 매핑 포인트들 간의 밀도를 기준으로 반의 개수를 설정할 수 있다. 예를 들면, 프로세서(110)는, 밀집된 매핑 포인트들을 그룹화할 수 있으며, 설명의 편의상 3개의 그룹들(GROUP1, GROUP2, GROUP3)이 도 11에 예시적으로 도시될 수 있다. 3개의 그룹들(GROUP1, GROUP2, GROUP3)이 있으므로, 반의 개수는 3개일 수 있다.

도 12 및 도 13를 참조하면, 일 실시예에서, 프로세서(110)는, 상기 각 반의 개수에 대응되는 밀도를 갖는 매핑 포인트들에서 중심에 위치하는 매핑 포인트를 중심 매핑 포인트로 설정할 수 있다. 도 12를 참조하여 예를 들면, 3개의 그룹들(GROUP1, GROUP2, GROUP3) 중 각 반에 대응되는 각 그룹에서 중심에 가까운 매핑 포인트가 중심 매핑 포인트로 선정될 수 있다. 도 13을 참조하여 예를 들면, 제1 그룹(GROUP1)에 포함된 매핑 포인트들 중 가장 중심에 가까운 매핑 포인트가 제1 중심 매핑 포인트(CMP1)로 선정될 수 있다. 제2 그룹(GROUP2)에 포함된 매핑 포인트들 중 가장 중심에 가까운 매핑 포인트가 제2 중심 매핑 포인트(CMP2)로 선정될 수 있다. 마찬가지로, 제3 그룹(GROUP3)에 포함된 매핑 포인트들 중 가장 중심에 가까운 매핑 포인트가 제3 중심 매핑 포인트(CMP3)로 선정될 수 있다. 중심 매핑 포인트는 중심 학생의 매핑 포인트일 수 있다. 한편, 주변 매핑 포인트는 중심 매핑 포인트의 주변에 있는 매핑 포인트, 중심 학생의 주변에 있는 주변 학생의 매핑 포인트일 수 있다.

도 14 내지 도 18를 참조하면, 일 실시예에서, 프로세서(110)는, 상기 중심 매핑 포인트으로부터 이격된 거리를 기반으로, 같은 반이 될 학생의 주변 매핑 포인트를 선택하고, 상기 제약 사항을 만족하면서 상기 거리가 가까운 순으로, 상기 중심 매핑 포인트에 대응되는 학생과 주변 매핑 포인트에 대응되는 학생을 같은 반으로 배정할 수 있다. 그리고, 프로세서(110)는, 클러스터링 시 상기 제약 사항이 만족하지 못한 경우, 상기 중심 매핑 포인트에 대응되는 학생과 상기 주변 매핑 포인트에 대응되는 학생을 다른 반으로 배정할 수 있다. 도 14를 참조하여 예를 들면, 먼저, 프로세서(110)는, 중심 매핑 포인트로부터의 거리를 바탕으로 같은 반으로 배정될 주변 매핑 포인트를 선택할 수 있다. 제1 내지 제3 중심 매핑 포인트들(CMP1, CMP2, CMP3) 각각으로부터 이격된 거리(d)가 계산될 수 있다. 제약 사항을 만족하면서 가장 거리가 가까운 주변 매핑 포인트가 선택되며, 제약 사항을 만족하지 못하는 매핑 포인트는 제외될 수 있다. 도 14에서 거리(d)가 계산된 경우에 제1 및 제2 제약 사항들을 만족한 것으로 가정한다. 도 15를 참조하여 예를 들면, 제1 중심 매핑 포인트(CMP1)으로부터 이격된 거리가 다음으로 가까운 매핑 포인트의 경우, 제1 중심 매핑 포인트(CMP1)와 같이, 제2 제약 사항에 해당되는 학생의 매핑 포인트일 수 있다. 이 경우, 제2 제약 사항이 위반되어, 해당 매핑 포인트는 제1 중심 매핑 포인트(CMP1)의 주변 매핑 포인트가 될 수 없고, 해당 매핑 포인트에 대응되는 학생은 제1 중심 매핑 포인트(CMP1)에 대응되는 중심 학생과 다른 반에 배정될 수 있다. 제2 중심 매핑 포인트(CMP2)으로부터 이격된 거리가 다음으로 가까운 매핑 포인트의 경우, 제2 중심 매핑 포인트(CMP2)와 같이, 제1 제약 사항에 해당되는 학생의 매핑 포인트일 수 있다. 이 경우, 제1 제약 사항이 위반되어, 해당 매핑 포인트에 대응되는 학생은 제2 중심 매핑 포인트(CMP2)에 대응되는 중심 학생과 다른 반에 배정될 수 있다. 제3 중심 매핑 포인트(CMP3)으로부터 이격된 거리가 다음으로 가까운 매핑 포인트는 제1 및 제2 제약 사항들을 만족하므로, 해당 매핑 포인트에 대응되는 학생이 제3 중심 매핑 포인트(CMP3)에 대응되는 중심 학생과 같은 반으로 배정되도록, 해당 매핑 포인트는 제3 중심 매핑 포인트(CMP3)의 주변 매핑 포인트로서 같이 클러스터링 될 수 있다. 이와 같은 방식의 클러스터링이 도 16 및 도 17에 도시된 바와 같이 반복될 수 있다. 3개의 클러스터들(CLUSTER1, CLUSTER2, CLUSTER3)가 도 18에 도시된 바와 같이 형성될 수 있다. 하나의 클러스터는 하나의 반에 대응될 수 있다. 예를 들면, 제1 클러스터(CLUSTER1)는 제1 반일 수 있고, 제2 클러스터(CLUSTER2)는 제2 반일 수 있고, 제3 클러스터(CLUSTER3)는 제3 반일 수 있으나, 이에 한정되는 것은 아니다.

한편, 도시되지 않았지만, 밀도 기반의 그룹에 대응되는 반의 개수가 일정 기준 개수 이상이거나 이하이면, 도 10 내지 도 18을 참조하여 전술한 바에 따라 클러스터링 동작이 다시 분리될 수 있다. 예를 들면, 반의 개수가 기준 개수 이하인 경우, 가장 큰 밀도를 가진 반 또는 클러스터가 순차적으로 일정 개수(예, 2개)로 분리될 수 있다. 분리된 클러스터에서 전술한 도 10 내지 도 18을 참조하여 전술한 바에 따라 클러스터링 동작이 수행될 수 있다. 예를 들면, 반의 개수가 기준 개수 이상인 경우, 프로세서(110)는 밀도가 가장 작은 클러스터부터 정렬한 후, 클러스터의 중심이 가까운 두 클러스터를 하나의 클러스터로 병합할 수 있다.

모든 학생들이 특정 반으로 배정될 때까지 반복되며, 더 이상 학생이 특정 반으로 배정되지 않는 경우 또는 남은 학생들이 모두 제약 조건을 만족하지 못할 경우, 프로세서(110)는 제약 조건의 우선 순위를 고려하여, 제약 조건의 기준치를 완화시키며 전술한 클러스터링 동작을 반복할 수 있다. 이 경우, 제약 조건은, 예를 들면, '신경증이 10이상인 학생은 한 군집에 3명 이하로 구성'하는 것일 수 있다. 다른 제약 조건은, 예를 들면, '외향성이 8이상인 학생과 -8이하인 학생의 분포를 균등하게 구성'하는 것일 수 있다. 제약 조건의 우선 순위는 예를 들면, 전술한 제약 조건, 다음에 다른 제약 조건 순서로 설정될 수 있다. 제약 조건의 기준치를 완화시키는 것은, 예를 들면, 제약 조건의 범위를 '신경증이 10이상인 학생은 한 군집에 4명 이하로 구성'으로 범위를 조정하는 것일 수 있다. 또한, ‘외향성이 7이상인 학생과 -7이하인 학생의 분포를 균등하게 구성’ 등과 같이 제약 조건이 완화되면서, 모든 학생에 대한 반 배정이 진행될 수 있다.

도 19, 도 20, 및 도 21은 담임 선생님을 배정하는 방법을 설명하기 위한 도면이다.

도 19 내지 도 21을 참조하면, 프로세서(110)는 모든 선생님들의 인적성 검사 결과를 전술한 레이턴트 스페이스 상에 매핑 포인트로 매핑할 수 있다. 그리고, 프로세서(110)는 각 클러스터의 중심과 가장 가까운 매핑 포인트에 대응되는 선생님을 각 반의 담임 선생님으로 배정할 수 있다. 일 실시예에서, 프로세서(110)는, 상기 반 배정 대상에 해당되는 복수의 담임 교사의 인적성 검사 결과를 기반으로 각 담임 교사를 레이턴트 스페이스 상에 매핑하고, 각 반에 배정된 모든 학생의 매핑 포인트의 중심점에서 가장 가까운 매핑 포인트를 갖는 담임 교사를 각 반의 담임 교사로 배정할 수 있다. 도 19를 참조하여 예를 들면, 각 선생님의 레이턴트 스페이스 상의 좌표들이 예시적으로 도시되어 있을 수 있다. 도 20을 참조하여 예를 들면, 각 선생님의 레이턴트 스페이스 상의 좌표들 각각과 3개의 클러스터들(CLUSTER1, CLUSTER2, CLUSTER3) 각각의 중심 간의 최단 거리가 계산될 수 있다. 도 21을 참조하여 예를 들면, 각 선생님의 좌표가 3개의 클러스터들(CLUSTER1, CLUSTER2, CLUSTER3) 각각에 포함됨으로써, 업데이트된 3개의 클러스터들(CLUSTER1', CLUSTER2', CLUSTER3')이 형성될 수 있다.

이상에서 전술한 본 개시의 일 실시예에 따른 방법은, 하드웨어인 서버와 결합되어 실행되기 위해 프로그램(또는 어플리케이션)으로 구현되어 매체에 저장될 수 있다.

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

상기 저장되는 매체는, 레지스터, 캐쉬, 메모리 등과 같이 짧은 순간 동안 데이터를 저장하는 매체가 아니라 반영구적으로 데이터를 저장하며, 기기에 의해 판독(reading)이 가능한 매체를 의미한다. 구체적으로는, 상기 저장되는 매체의 예로는 ROM, RAM, CD-ROM, 자기 테이프, 플로피디스크, 광 데이터 저장장치 등이 있지만, 이에 제한되지 않는다. 즉, 상기 프로그램은 상기 컴퓨터가 접속할 수 있는 다양한 서버 상의 다양한 기록매체 또는 사용자의 상기 컴퓨터상의 다양한 기록매체에 저장될 수 있다. 또한, 상기 매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어, 분산방식으로 컴퓨터가 읽을 수 있는 코드가 저장될 수 있다.

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

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

10: 반 배정 시스템
100: 반 배정 장치
110: 프로세서
120: 통신부
130: 메모리

Claims (10)

1. 반 배정 대상에 해당되는 복수의 담임 교사 및 복수의 학생에 대한 인적성 검사 결과를 수신하는 수신부;
   인적성 유형 간의 조합 점수가 저장되어 있으며, 반 배정과 관련된 알고리즘이 미리 학습된 인공지능 모델이 저장된 메모리; 및
   상기 인공지능 모델을 이용하여 반 배정 대상에 해당되는 각 학생의 인적성 검사 결과를 기반으로 학생 간의 조합 점수를 산출하고,
   상기 산출된 결과를 기반으로 복수의 반 각각에 복수의 학생을 배정하고,
   각 반에 배정된 학생들의 인적성 검사 결과를 기반으로, 각 반에 매칭되는 담임 교사를 배정하는 프로세서를 포함하는, 반 배정 장치.
2. 제1항에 있어서,
   상기 프로세서는,
   상기 각 학생의 인적성 검사 결과를 상기 인공지능 모델에 입력하여, 상기 인공지능 모델의 중간 결과를 N차원의 임베딩으로 추출하고(N은 2 이상의 자연수),
   상기 N차원의 임베딩을 기반으로 상기 각 학생을 레이턴트 스페이스(Latent Space) 상에 매핑하는 것을 특징으로 하는, 반 배정 장치.
3. 제2항에 있어서,
   상기 인공지능 모델은,
   인적성 검사의 문항에 대한 텍스트 정보, 상기 문항에 대한 요인들을 포함하는 N차원의 벡터를 포함하는 데이터 셋을 학습하는 것을 특징으로 하는, 반 배정 장치.
4. 제3항에 있어서,
   상기 인적성 검사 결과는,
   인적성 검사의 문항에 대한 텍스트 정보, 및 상기 문항에 응답 결과를 수치로 나타내는 응답 결과 정보를 포함하고,
   상기 프로세서는,
   상기 인적성 검사에 포함된 각 문항에 대응되는 응답 결과를 가중치로 이용하고,
   상기 인적성 검사에 포함된 상기 각 문항에 대응되는 N차원의 임베딩에 상기 가중치로 이용되는 응답 결과의 수치를 연산하여, 상기 각 학생에 대응되는 복수의 N차원의 연산 벡터들을 생성하고,
   상기 각 학생에 대응되는 상기 복수의 N차원의 연산 벡터들을 합산한 하나의 합산 벡터를 기반으로, 상기 각 학생을 상기 레이턴트 스페이스 상에 매핑하는 것을 특징으로 하는, 반 배정 장치.
5. 제4항에 있어서,
   상기 프로세서는,
   상기 레이턴트 스페이스 상에 매핑된 매핑 포인트들 각각과 상기 각 학생의 인적성 검사 결과를 매핑하고,
   상기 각 학생의 매핑 포인트와 상기 각 학생의 인적성 검사 결과 간의 매핑 결과를 기반으로, 상기 N차원에 대응되는 N축들 각각의 의미를 상기 문항에 대한 요인들과 관련하여 분석하는 것을 특징으로 하는, 반 배정 장치.
6. 제5항에 있어서,
   상기 프로세서는,
   주성분 분석(Principal Component Analysis: PCA)을 이용하여, 상기 N차원의 개수를 축소하고(M은 N보다 작은 자연수), 축소된 M차원에 대응되는 M축들 각각의 의미를 상기 문항에 대한 요인들과 관련하여 분석하는 것을 특징으로 하는, 반 배정 장치.
7. 제6항에 있어서,
   상기 프로세서는,
   상기 레이턴트 스페이스 상에 매핑된 상기 매핑 포인트들 간의 거리, 및 미리 설정된 제약 사항을 기반으로, 상기 매핑 포인트들 클러스터링하고,
   같은 클러스터에 포함된 매핑 포인트들에 대응되는 학생들을 같은 반으로 배정하는 것을 특징으로 하는, 반 배정 장치.
8. 제7항에 있어서,
   상기 프로세서는,
   상기 레이턴트 스페이스 상에서 매핑 포인트들 간의 밀도를 기준으로 반의 개수를 설정하고,
   상기 각 반의 개수에 대응되는 밀도를 갖는 매핑 포인트들에서 중심에 위치하는 매핑 포인트를 중심 매핑 포인트로 설정하고,
   상기 중심 매핑 포인트으로부터 이격된 거리를 기반으로, 같은 반이 될 학생의 주변 매핑 포인트를 선택하고,
   상기 제약 사항을 만족하면서 상기 거리가 가까운 순으로, 상기 중심 매핑 포인트에 대응되는 학생과 주변 매핑 포인트에 대응되는 학생을 같은 반으로 배정하고,
   클러스터링 시 상기 제약 사항이 만족하지 못한 경우, 상기 중심 매핑 포인트에 대응되는 학생과 상기 주변 매핑 포인트에 대응되는 학생을 다른 반으로 배정하는 것을 특징으로 하는, 반 배정 장치.
9. 제8항에 있어서,
   상기 프로세서는,
   상기 반 배정 대상에 해당되는 복수의 담임 교사의 인적성 검사 결과를 기반으로 각 담임 교사를 레이턴트 스페이스(Latent Space) 상에 매핑하고,
   각 반에 배정된 모든 학생의 매핑 포인트의 중심점에서 가장 가까운 매핑 포인트를 갖는 담임 교사를 각 반의 담임 교사로 배정하는 것을 특징으로 하는, 반 배정 장치.
10. 장치에 의해 수행되는, 방 배정 방법에 있어서,
    인적성 유형 간의 조합 점수, 및 반 배정과 관련된 알고리즘이 미리 학습된 인공지능 모델을 저장하는 단계;
    반 배정 대상에 해당되는 복수의 담임 교사 및 복수의 학생에 대한 인적성 검사 결과를 수신하는 단계;
    상기 인공지능 모델을 이용하여 반 배정 대상에 해당되는 각 학생의 인적성 검사 결과를 기반으로 학생 간의 조합 점수를 산출하는 단계;
    상기 산출된 결과를 기반으로 복수의 반 각각에 복수의 학생을 배정하는 단계; 및
    각 반에 배정된 학생들의 인적성 검사 결과를 기반으로, 각 반에 매칭되는 담임 교사를 배정하는 단계를 포함하는, 반 배정 방법.

Images