WO2019124606A1

WO2019124606A1 - 가상현실 및 증강현실 콘텐츠에서 학습 데이터를 추출하여 데이터 형식으로 변환하는 시스템 및 방법

Info

Publication number: WO2019124606A1
Application number: PCT/KR2017/015365
Authority: WO
Inventors: 유재욱; 손정은; 이효정
Original assignee: 한국교육학술정보원
Priority date: 2017-12-22
Filing date: 2017-12-22
Publication date: 2019-06-27

Abstract

본 발명의 일 양상인 가상현실 및 증강현실 콘텐츠에서 학습 데이터를 추출하는 방법에 있어서, 상기 가상현실 및 증강현실 중 적어도 하나를 지원하는 디바이스에서 상기 가상현실 및 증강현실 콘텐츠의 표시를 위해, 상기 디바이스 상의 어플리케이션(application)이 실행되는 제 1 단계; 상기 디바이스가 컨텐츠 저장소로 상기 가상현실 및 증강현실 콘텐츠의 조회를 요청하는 제 2 단계; 상기 디바이스가 상기 컨텐츠 저장소에서 조회가 확인된 상기 가상현실 및 증강현실 콘텐츠를 수신하는 제 3 단계; 상기 수신된 가상현실 및 증강현실 콘텐츠가 상기 디바이스 상에서 표시되는 제 4 단계; 상기 디바이스가 상기 가상현실 및 증강현실 콘텐츠가 표시되는 학습 환경에서 수행되는 학습 활동 데이터를 추출하여 바인딩 하는 제 5 단계; 상기 디바이스가 상기 바인딩 된 학습 활동 데이터를 학습 데이터 변환기로 전송하는 제 6 단계; 상기 학습 데이터 변환기에서 상기 바인딩 된 학습 활동 데이터에 적용할 변환 표준을 선택하는 제 7 단계; 상기 학습 데이터 변환기에서 선택한 변환 표준에 따라 상기 바인딩 된 학습 활동 데이터가 변환되는 제 8 단계; 및 상기 학습 데이터 변환기가 변환된 학습 활동 데이터를 저장소로 전송하는 제 9 단계;를 포함할 수 있다.

Description

가상현실 및 증강현실 콘텐츠에서 학습 데이터를 추출하여 데이터 형식으로 변환하는 시스템 및 방법

본 발명은 가상현실과 증강현실 콘텐츠로부터 학습 데이터를 추출해서 변환하는 시스템 및 방법에 관한 것으로써, 보다 상세하게는 교육을 목적으로 하는 가상현실과 증강현실 콘텐츠를 활용할 때 발생하는 학습 데이터를 추출해서 학습 분석을 목적으로 하는 데이터 형식으로 변환하는 시스템 및 방법에 관한 것이다.

개인용 컴퓨터, 노트북, 휴대폰 등과 같은 단말기는 다양한 기능을 수행할 수 있도록 구성될 수 있다. 그러한 다양한 기능들의 예로 다양한 애플리케이션 구동 기능, 웹 브라우징 기능, 데이터 및 음성 통신 기능, 카메라를 통해 사진이나 동영상을 촬영하는 기능, 음성 저장 기능, 스피커 시스템을 통한 음악 및 오디오 파일의 재생 기능, 이미지나 비디오의 디스플레이 기능 등이 있다. 일부 단말기는 게임을 실행할 수 있는 추가적 기능을 포함하고, 다른 일부 단말기는 멀티미디어 기기로서 구현되기도 한다. 더욱이 최근의 단말기는 방송이나 멀티캐스트 신호를 수신하여 비디오나 텔레비전 프로그램을 시청할 수 있다. 이러한 모든 기능은 교육 분야의 학습을 위한 기능으로도 활용될 수 있다.

*일반적으로 단말기는 이동 가능 여부에 따라 이동 단말기 (mobile/portable terminal) 및 고정 단말기(stationary terminal)로 나뉠 수 있다. 다시 이동 단말기는 사용자의 직접 휴대 가능 여부에 따라 휴대(형) 단말기(handheld terminal) 및 거치형 단말기(vehicle mount terminal)로 나뉠 수 있다.

이와 같은 단말기(terminal)는 기능이 다양화됨에 따라 예를 들어, 사진이나 동영상의 촬영, 음악이나 동영상 파일의 재생, 게임, 방송의 수신 등의 복합적인 기능들을 갖춘 멀티미디어 기기(Multimedia player) 형태로 구현되고 있다.

이러한 단말기의 기능 지지 및 증대를 위해, 단말기의 구조적인 부분 및/또는 소프트웨어적인 부분을 개량하는 것이 고려될 수 있다.

몇 년 전부터 전세계를 휩쓴 이동단말기(100), 태블릿 PC열풍이 소비 성향을 비롯해 생활 패턴까지 변화시키고 있으며 최근에는 가상현실 콘텐츠 소비를 위한 착용형 기기(Head-Mounted Display)까지 등장하고 있다.

그만큼 요즘 IT 기기는 우리의 일상과 대단히 밀접한 관계를 갖고 있다. 그 동안 영화에서나 볼 법한 신기술을 이제는 누구라도 쉽게 사용할 수 있게 되었기 때문이다.

그 대표적인 신기술 중 하나가 바로 증강현실(Augmented Reality, AR) 이다.

그런데 적지 않은 사람들이 가상현실(VirtualReality, VR)과 증강현실을 혼동하고 있다.

가상현실은 자신(객체)과 배경, 환경 모두 현실이 아닌 가상의 이미지를 사용하는데 반해, 증강현실(Augmented Reality, AR)은 현실의 이미지나 배경에 3차원 가상 이미지를 겹쳐서 하나의 영상으로 보여주는 기술이다.

또한, 증강현실은 혼합현실(Mixed Reality, MR)이라고도 하는데, 비행기 제조사인 보잉사에서 1990경 비행기 조립 과정에 가상의 이미지를 첨가하면서 증강현실이 처음으로 세상에 소개됐다.

증강현실과 가상현실은 서로 비슷한 듯 하지만 그 주체가 허상이냐 실상이냐에 따라 명확히 구분된다.

컴퓨터 게임으로 예를 들면, 가상현실 격투 게임은 나를 대신하는 캐릭터가 가상의 공간에서 가상의 적과 대결하지만, 증강현실 격투 게임은 현실의 내가 현실의 공간에서 가상의 적과 대결을 벌이는 형태가 된다.

따라서 가상현실은 증강현실에 비해 몰입감이 뛰어나고, 증강현실은 가상현실에 비해 현실감이 뛰어나다는 특징이 있다.

또한 증강현실과 가상현실 콘텐츠는 기존의 웹 및 모바일 콘텐츠보다 더 다양하고 새로운 조작 인터페이스가 추가되어 사용자와 콘텐츠 간 상호작용(interaction)이 활발하게 일어난다.

반면 증강현실과 가상현실 기술을 활용한 콘텐츠들을 교육 분야에서 효과적으로 활용하기 위해서는 학습 활동과 관련된 데이터를 수집할 수 있어야 하며, 수집된 데이터를 분석하여 학습 태도 및 참여도 등 학습 분석 시스템과 연결될 필요가 있다.

교육 분야에서는 학습 시간, 평가, 토론, 미디어 조작, 콘텐츠의 활용 등 다양한 형태의 학습활동 데이터를 수집하여 분석하는 학습 분석(learning analytics)을 통해 개인화된 진단과 처방을 하고 있으므로, 증강현실과 가상현실 콘텐츠를 활용 및 조작하면서 발생하는 학습 데이터도 학습 분석에 활용될 수 있도록 추출될 수 있어야 한다.

본 명세서에서는 증강현실과 가상현실 콘텐츠로부터 학습 데이터를 추출하는 방법과 학습 분석을 위해 표준화된 학습 데이터 형식으로 변환하는 절차와 방법을 제시하고자 한다.

본 발명은 가상현실과 증강현실 콘텐츠로부터 학습 데이터를 추출해서 변환하는데 그 목적이 있다. 구체적으로, 본 발명은 교육을 목적으로 하는 가상현실과 증강현실 콘텐츠를 활용할 때 발생하는 학습 데이터를 추출해서 학습 분석을 목적으로 하는 데이터 형식으로 변환하는 시스템 및 방법에 관한 것이다.

한편, 본 발명에서 이루고자 하는 기술적 과제들은 이상에서 언급한 기술적 과제들로 제한되지 않으며, 언급하지 않은 또 다른 기술적 과제들은 아래의 기재로부터 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.

상기의 기술적 과제를 달성하기 위한 본 발명의 일 양상인 가상현실 및 증강현실 콘텐츠에서 학습 데이터를 추출하는 방법에 있어서, 상기 가상현실 및 증강현실 중 적어도 하나를 지원하는 디바이스에서 상기 가상현실 및 증강현실 콘텐츠의 표시를 위해, 상기 디바이스 상의 어플리케이션(application)이 실행되는 제 1 단계; 상기 디바이스가 컨텐츠 저장소로 상기 가상현실 및 증강현실 콘텐츠의 조회를 요청하는 제 2 단계; 상기 디바이스가 상기 컨텐츠 저장소에서 조회가 확인된 상기 가상현실 및 증강현실 콘텐츠를 수신하는 제 3 단계; 상기 수신된 가상현실 및 증강현실 콘텐츠가 상기 디바이스 상에서 표시되는 제 4 단계; 상기 디바이스가 상기 가상현실 및 증강현실 콘텐츠가 표시되는 학습 환경에서 수행되는 학습 활동 데이터를 추출하여 바인딩 하는 제 5 단계; 상기 디바이스가 상기 바인딩 된 학습 활동 데이터를 학습 데이터 변환기로 전송하는 제 6 단계; 상기 학습 데이터 변환기에서 상기 바인딩 된 학습 활동 데이터에 적용할 변환 표준을 선택하는 제 7 단계; 상기 학습 데이터 변환기에서 선택한 변환 표준에 따라 상기 바인딩 된 학습 활동 데이터가 변환되는 제 8 단계; 및 상기 학습 데이터 변환기가 변환된 학습 활동 데이터를 저장소로 전송하는 제 9 단계;를 포함할 수 있다.

또한, 상기 학습 데이터 변환기에서 선택한 변환 표준은 xAPI 및 IMS Caliper를 포함할 수 있다.

또한, 상기 제 8 단계에서, 상기 학습 데이터 변환기는, 상기 학습 활동 데이터의 클래스 및 속성을 상기 선택한 변환 표준에 따른 클래스 및 속성으로 변환할 수 있다.

또한, 상기 제 8 단계에서, 상기 학습 데이터 변환기는, 상기 학습 활동 데이터의 의미를 상기 선택한 변환 표준에 따른 의미로 추가적으로 변환할 수 있다.

또한, 상기 제 8 단계에서, 상기 학습 데이터 변환기는, 상기 학습 활동 데이터의 클래스와 속성의 구조적 및 구문적 매핑 인스턴스 테이블 및 상기 학습 활동 데이터의 의미가 온톨로지 규칙에 따라 나타난 의미적 인스턴스 테이블을 포함할 수 있다.

또한, 상기 구조적 및 구문적 매핑 인스턴스 테이블의 클래스 및 속성 각각에는 고유한 식별번호가 부여될 수 있다.

또한, 상기 제 8 단계에서, 상기 학습 활동 데이터의 속성이 상기 구조적 및 구문적 매핑 인스턴스 테이블에 포함되지 않은 경우, 상기 학습 데이터 변환기는, 상기 포함되지 않는 속성을 상기 구조적 및 구문적 매핑 인스턴스 테이블에 추가할 수 있다.

또한, 상기 제 8 단계에서, 상기 학습 활동 데이터의 클래스 또는 속성이 상기 매핑 인스턴스 테이블에 따라 대응되지 않거나, 상기 학습 활동 데이터의 의미가 상기 의미적 인스턴스 테이블에 따라 대응되지 않는 경우, 상기 학습 데이터 변환기는, 상기 제 1 학습 활동 데이터에 대해 예외 처리할 수 있다.

또한, 상기 제 9 단계에서, 상기 저장소는, 상기 변환된 학습 활동 데이터가 미리 설정된 기준에 따른 클래스, 속성 및 의미를 가지는지 여부를 판단하는 적합성 검사를 하여, 적합한 경우, 상기 변환된 상기 학습 활동 데이터를 저장하고, 적합하지 않은 경우, 예외 처리할 수 있다.

한편, 상기의 기술적 과제를 달성하기 위한 본 발명의 다른 양상인 가상현실 및 증강현실 콘텐츠에서 학습 데이터를 추출하는 시스템에 있어서, 외부로부터 가상현실 및 증강현실 콘텐츠의 조회를 요청받는 컨텐츠 저장소; 상기 가상현실 및 증강현실 중 적어도 하나를 지원하고, 상기 컨텐츠 저장소에서 조회가 확인된 상기 가상현실 및 증강현실 콘텐츠를 수신하며, 상기 수신된 가상현실 및 증강현실 콘텐츠를 표시하고, 상기 가상현실 및 증강현실 콘텐츠가 표시되는 학습 환경에서 수행되는 학습 활동 데이터를 추출하여 바인딩 하며, 상기 바인딩 된 학습 활동 데이터를 전송하는 디바이스; 상기 디바이스로부터 상기 학습 활동 데이터를 수신하고, 상기 바인딩 된 학습 활동 데이터에 적용할 변환 표준을 선택하며, 상기 선택한 변환 표준에 따라 상기 바인딩 된 학습 활동 데이터를 변환하는 학습 데이터 변환기; 및 상기 학습 데이터 변환기로부터 상기 변환된 학습 활동 데이터를 수신하여 저장하는 저장소;를 포함할 수 있다.

본 발명은 가상현실과 증강현실 콘텐츠로부터 학습 데이터를 추출해서 효과적으로 변환하기 위한 것이다. 구체적으로 교육을 목적으로 하는 가상현실과 증강현실 콘텐츠를 활용할 때 발생하는 학습 데이터를 추출해서 학습 분석을 목적으로 하는 데이터 형식으로 효과적으로 변환함으로써 학습 데이터에 대한 상호 운용성을 제공할 수 있다.

한편, 본 발명에서 얻을 수 있는 효과는 이상에서 언급한 효과들로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 아래의 기재로부터 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.

본 명세서에 첨부되는 다음의 도면들은 본 발명의 바람직한 일 실시예를 예시하는 것이며, 발명의 상세한 설명과 함께 본 발명의 기술적 사상을 더욱 이해시키는 역할을 하는 것이므로, 본 발명은 그러한 도면에 기재된 사항에만 한정되어 해석되어서는 아니 된다.

도 1은 학습 데이터를 효과적으로 표현하기 위한 데이터 바인딩 형식을 개념적으로 나타낸 것으로써 서술식 데이터 표현을 위한 구조를 보여주는 것이다.

도 2a는 학습 데이터를 수집하는 국제 표준인 xAPI(Experience API)를 설명하는 개념을 나타낸다.

도 2b는 학습 데이터를 수집하는 국제 표준인 IMS Caliper를 설명하는 개념을 나타낸다.

도 3은 도 2a와 도 2b에 설명된 표준을 따라 생성된 이질적인 데이터를 상호 변환하는 절차를 표현한 것이다.

도 4는 도 3에 표현된 절차를 따라 이질적인 학습 데이터 매핑 및 매칭을 통한 변환 시스템이 동작하는 흐름을 나타낸다.

도 5는 도 3에 표현된 절차를 따라 이질적인 데이터들이 구조적, 구문적으로 매핑되는 예를 나타낸다.

도 6은 도 5에 예시된 데이터 표현된 절차를 따라 이질적인 데이터들이 구조적, 구문적으로 매핑되는 예를 나타낸다.

도 7은 본 발명의 일 실시예에 따른 가상현실과 증강현실 콘텐츠를 활용하면서 발생하는 학습 데이터를 추출해서 표준화된 데이터 수집 API로 변환해서 전송 및 저장하는 순서를 나타낸다.

도 8은 본 발명의 일 실시예에 따른 가상현실과 증강현실 콘텐츠를 실행하면서 발생하는 학습 데이터를 추출하고 표준화된 학습 데이터 형식으로 변환해서 전송하는 절차를 설명하기 위한 순서도이다.

이하, 본 발명과 관련된 휴대 단말기에 대하여 도면을 참조하여 보다 상세하게 설명한다. 이하의 설명에서 사용되는 구성요소에 대한 접미사 "모듈" 및 "부"는 명세서 작성의 용이함만이 고려되어 부여되거나 혼용되는 것으로서, 그 자체로 서로 구별되는 의미 또는 역할을 갖는 것은 아니다.

스마트폰과 소셜네트워크가 일반화되면서 전 세계에서 수십억의 사용자들이 생성하는 데이터의 유형과 양은 가히 폭발적인 속도로 증가하고 있으며, 정부와 공공 분야, 민간기업의 깨어있는 리더들은 이러한 다양한 데이터 활용에 주목하고 있다.

특히 빅데이터는 집단을 대표하는 데이터라기보다는 마치 개인의 필요와 행동을 표현한 그림 같은 것이어서 개인화된 맞춤 서비스를 지향하는 모든 분야에서 매우 유용하게 활용될 수 있을 것으로 기대된다.

일반적으로 교실과 온라인에서 ICT (Information and Communication Technology)를 활용한 다양한 학습 활동이 수행되면서 의미 있는 데이터들이 생성되고 있지만, 이 데이터들은 활동이나 과정이 종료되면 폐기 되거나 일부만 발췌되어 기록 및 관리되고 있다.

그러다 보니 학습자의 이해 수준과 과정을 정확하게 이해하지 못한 상황에서 평균 수준에 맞춰진 자료와 후속 활동이 요구되고 있어서 개인화된 학습 환경을 제공하거나 수준별 학습을 지원하는 일들이 쉽지 않다.

예를 들어, 기존의 오프라인 교육에서는 시험 결과와 같은 최종 평가 데이터만 수작업으로 기록하고 있으며, 학습 과정에서의 의미 있는 활동 기록이 축적되지 못하는 실정이어서 수준별 학습 지도 및 개별 학습의 한계에 직면하게 된다.

더욱이 정형화된 시험을 통해서만 학생들의 학업 수준을 측정하므로 학습 습관, 인지 수준 등 개인화된 피드백 제공에 어려움을 겪기도 한다.

이와 같은 제한적인 상황을 극복하고 개별 학습자를 위한 지원과 동기부여를 위해 데이터를 기반으로 한 새로운 서비스, 즉 학습 분석(learning analytics) 기술 개발이 국제 표준화 단체와 기구를 중심으로 활발히 추진되고 있다.

그러나 데이터를 수집하기 위한 사용자의 학습 환경, 즉 플랫폼과 소프트웨어가 매우 다양하기 때문에 체계적이고 정확한 데이터 수집이 어려운 것이 현실이다.

이 문제를 해결하기 위해 몇몇 표준화 단체에서는 데이터 수집을 위한 데이터 프로파일 및 데이터 수집 API를 표준화하여 체계적인 데이터 수집체계를 마련하고 있으나 표준화된 데이터 수집체계들이 이질적인 구조와 API들로 구성되어 있기 때문에 어떤 상황에서는 하나의 교육기관 또는 서비스 기관이 이질적인 데이터 수집 표준을 사용하는 상황에 직면하고 있다.

본 명세서를 통해, 발명자는 이질적인 데이터 수집체계와 API로 수집된 데이터의 상호운용성을 확보할 수 있는 규칙, 절차, 방법을 제시하고자 한다.

구체적으로, 본 명세서에서는 교육 분야에서 대표적인 데이터 수집체계로 알려진 xAPI와 IMS Caliper Sensor API에 대해 설명하고, 학습 데이터 수집체계에 대해 분석하며, 데이터 변환 체계 설계 내용을 설명한다.

xAPI와 IMS Caliper 표준 모두 데이터를 기술하는 방식은 트리플(triple) 구조를 채택하고 있다.

트리플은 RDF (Resource Description Framework)의 개념 표현 방식인데, <Subject (주어), Predicate (술어), Object (목적어)>로 구성되는 형태를 말한다.

도 1을 참조하면, xAPI와 IMS Caliper 데이터 모두 트리플 형태의 구조를 채택하고 있으며 부가적인 정보는 맥락(context) 정보로서 덧붙이는(envelop) 방식으로 데이터를 표현한다.

맥락 정보 중에는 사용된 앱, 시간 정보, 코스웨어 정보, 학습 결과, 사용자가 생성한 데이터 등이 포함된다.

Experience API는 줄여서 xAPI라고 부르며, 이 데이터 수집체계 표준을 개발한 단체는 미국방성 산하의 ADL (Advanced Distributed Learning)이다.

ADL은 이러닝 콘텐츠 표준 중 하나인 SCORM (Sharable Content Object Reference Model)을 개발한 곳이기도 하다.

xAPI는 ‘TinCan API’라는 이름으로도 알려져 있는데, TinCan API는 연구단계의 프로젝트명이었고, 연구기간이 종료된 후에 ADL에서 Experience API로 명칭을 수정해서 일반에 공개하였다.

xAPI는 교육뿐만 아니라 다양한 도메인에서 수행되는 활동들의 연속(activity stream)을 체계적으로 파악하기 위해 사용자의 활동을 설명할 수 있는 데이터 구조를 정의한 것이다.

*교육 분야에서는 SCORM 기반 콘텐츠를 활용할 때 발생하는 로그성 데이터들을 수집하는데 xAPI가 주로 사용되고 있다.

xAPI를 통해 수집된 데이터는 지정된 저장소(LRS: Learning Record Store)로 모아져서 학습관리시스템으로 전송되거나 분석 단계를 거쳐 리포팅 도구로 전달된다.

도 2a는 전술한 학습 데이터를 수집하는 국제 표준인 xAPI(Experience API)를 설명하는 개념을 나타낸다.

한편, IMS Caliper는 학습 활동을 측정하기 위한 기준(metric profile)을 정의한 표준이며, 데이터를 수집하는 기능을 수행하는 API를 IMS Caliper Sensor API라고 부른다.

*이 표준은 교육 분야의 대표적인 표준화 단체인 IMS Global Learning Consortium에서 개발한 것이다.

IMS Caliper 표준의 특징은 학습 활동의 유형별 측정기준을 정의하여 데이터의 정확성과 효율성을 높이는 데 있다.

도 2b를 참조하면, 학습 활동의 유형은 평가, 미디어 활용, 읽기, 과제, 세션정보 등 다양하며, 앞으로 계속 활동의 유형이 추가될 수 있다.

IMS Caliper 표준도 데이터를 수집해서 저장소(event store)로 전송하는 것까지만 표준의 범위로 한정하고 있다.

다음으로, 학습 데이터 수집체계를 분석하는 방법과 관련하여, 전술한 도 1의 데이터 바인딩 구조를 기초로 데이터 흐름에 대해 설명한다.

즉, 학습 데이터가 발생하는 시점부터 데이터 저장소로 모아지는 과정을 일련의 흐름으로 정리한 것이 도 3이다.

도 3을 참조하면, 본 발명의 학습 데이터 매핑 및 매칭을 통한 변환 시스템(100)은 학습 환경(10), 데이터 프로파일(20), 데이터 수집 API(30), 데이터 저장소(40), 데이터 저장소 프로파일(50), 및 데이터 매핑 및 매칭 프로세스(60) 등으로 구성될 수 있다.

단, 도 3에 도시된 구성 요소들이 필수적인 것은 아니어서 그 보다 많은 구성 요소들을 갖거나 그보다 적은 구성 요소들을 갖는 데이터 매핑 및 매칭 시스템(100)이 구현될 수도 있다.

또한 도 3에 도시된 구성 요소는 상호 의존적으로 연결되어 있으며, 각 구성 요소가 도 3에 도시된 것과 달리 별도로 또는 통합하여 구현하는 것도 가능하다.

이하, 상기 구성 요소들에 대해 차례로 살펴본다.

학습 환경(10)은 다양한 환경(11, 12)으로 구성될 수 있으며, 사용자는 학습 환경(10)에서 제공하는 콘텐츠, 서비스, 웹 링크, 소프트웨어를 활용하여 학습 활동에 참여하면서 학습 데이터를 생성하게 된다.

이러한 학습 데이터는 표준화된 데이터 프로파일(20)을 따라 생성된다. 데이터 프로파일(20)의 예로는 IMS Caliper Metric Profile(21), xAPIs Recipes(22) 등이 있다. 이러한 데이터 프로파일(20)은 교육기관, 지역, 국가 별로 다양하게 활용될 수 있다.

데이터 프로파일(20)에 따라 생성된 데이터들은 데이터 수집 API(30)에 의해 획득, 저장, 전송되는데, 이들 데이터 수집 API(30)도 데이터 프로파일(20)의 다양성에 따라 이질적인 형태(31, 32)로 운영될 수 있다. 즉, IMS Caliper Metric Profile(21)에 따라 생성된 데이터는 IMS Caliper Sensor APIs(31)에 의해 운영되고, xAPIs Recipes(22)에 따라 생성된 데이터는 xAPIs(32)에 의해 운영될 수 있다.

데이터 수집 API(30)에 의해 전송된 데이터들은 데이터 수집 저장소(40)에 보존되는데, 이질적인 데이터들을 보존하는 저장소(41, 42)들 간의 데이터 교환이 필요할 경우, 데이터 매핑 및 매칭 인스턴스(60)에 변환 요청을 해서 변환된 데이터를 제공받을 수 있다. 데이터 매핑 및 매칭 인스턴스(60)는 요청된 저장소들에 적용된 데이터 프로파일과 위치 등에 대한 프로파일을 얻기 위해 메타데이터(51, 52)를 조회하고 변환대상이 대는 데이터 프로파일에 대한 변환 규칙에 따라 데이터를 변환 한 후에 데이터 저장소(60)로 되돌려 줌으로써 데이터 상호운용성 제공 기능을 수행한다.

상기 시스템의 대표적인 예로는 학습 분석 서비스를 들 수 있다. 학습 분석 서비스에서 서비스 제공자는 일반적으로 다양한 기기에서 동작하는 학습 환경(10)을 제공하며, IMS Global Learning Consortium과 Advanced Distributed Learning과 같은 표준화 단체에서 제공하는 데이터 수집 체계인 IMS Caliper(21) 또는 xAPI(22)와 같은 표준을 부분적 또는 전적으로 준수하는 데이터 수집 API(31, 32)를 이용해서 데이터를 생성 및 저장한다.

수집되는 데이터에는 세션 정보, 퀴즈 및 시험 결과, 읽기 활동 내역, 과제 수행 내역, 미디어 활용 등이 포함될 수 있으며, 이들 데이터들은 학습 데이터 저장소(41, 42)에 저장되었다가 분석 과정을 거쳐 대시보드 형태의 시각화 정보로 가공되어 사용자에게 전달된다.

한편, 데이터 프로파일(20)은 각기 다른 데이터 프로파일과 어휘들을 사용하고 있고, 특히 xAPI 표준은 사용기관마다 각자의 프로파일들을 레시피(xAPIs Recipes)(22)라는 이름으로 개별적으로 생성 및 사용하도록 권장하고 있기 때문에 데이터 수집 API에 따라 이질적인 데이터가 생성되고 있다.

특히, 도 3에서는 xAPI와 IMS Caliper 모두 같은 흐름으로 데이터를 수집해서 전송하고 있지만, 전송되는 데이터들이 이질적인 모델과 내용을 담고 있기 때문에 저장소와 저장소 사이에 변환을 위한 프로세스를 위치시켜야 한다.

학습 환경(11)은 데이터 수집 API에 따라 각각 다른 환경으로 분류한다.

xAPI로 데이터를 수집하는 환경과 IMS Caliper Sensor API로 데이터를 수집하는 환경을 데이터 관점에서는 다르게 인식한다는 의미이다.

IMS Caliper의 측정 기준에 따라 수집된 데이터는 이벤트 저장소에 데이터가 모아지고, xAPI의 수집 모델(recipe)에 의해 수집된 데이터는 학습 기록 저장소(42)로 데이터가 모아진다.

두 저장소 사이에는 데이터 매핑 및 매칭 프로세스가 있으며, 이 프로세스를 통해 데이터가 변환된다.

한편, 도 4는 도 3에 표현된 절차를 따라 이질적인 학습 데이터 매핑 및 매칭을 통한 변환 시스템이 동작하는 흐름을 나타낸다.

먼저, 이질적인 데이터 교환이 수행되기 전 절차에 대해 설명한다.

데이터 매핑 및 매칭 인스턴스(60)에 변환 대상이 되는 데이터 프로파일의 구조적, 구문적인 정보가 등록된다(S110).

즉, 데이터 프로파일의 클래스와 속성에 URI와 같은 식별번호를 부여하는 식별체계 프로세스에 해당하는 것이다.

또는, API 모델을 위한 식별 엔티티와 property 등이 이에 해당한다.

다음으로, 이질적인 데이터 프로파일간 구조적 및 구문적 매핑을 한다(S120).

이는 이하의 단계에서 데이터 변환을 위해 구조적, 구문적 매핑을 하는 프로세스이다.

xAPI와 IMS Caliper로 수집된 데이터는 둘 다 체계적으로 정확하게 수집된 데이터이지만 각기 다른 데이터 모델을 적용하고 있기 때문에 기계적으로는 이질적인 데이터로 해석된다.

*따라서 기계적으로 이들 데이터를 변환하려면 각 데이터의 속성들이 의미하는 것을 사전에 매핑 시켜야 한다.

도 1에 표현한 것처럼 xAPI와 IMS Caliper의 트리플을 우선 매핑하고, 그 다음에는 맥락에 해당되는 내용들을 각각 매핑한다.

예를 들어, 시간, 앱, 사용자가 생성한 데이터, 학습 환경 별로 각 데이터 모델의 속성을 매핑하는 방식으로 이 과정을 수행할 수 있다.

도 5는 이러한 매핑 결과를 보여주는 예이다. 즉, 도 5는 도 3에 표현된 절차를 따라 이질적인 데이터들이 구조적, 구문적으로 매핑되는 예를 나타낸다.

도 5에 예시된 바와 같이 각 데이터 프로파일에 사용된 클래스와 속성들은 고유한 식별값을 URI로 부여받아 N:M 관계로 매핑될 수 있는 식별체계를 갖는다.

데이터 변환 대상이 IMS Caliper와 xAPI, 이렇게 두 개만 존재한다면 데이터 변환 단계는 도 6처럼 구조적/구문적 매핑과 의미적 매칭 단계로 설계할 수 있다.

이때, 가정은 xAPI의 Recipe로 알려진 데이터 모델을 하나의 유형으로 통합해서 해석하는 것이다.

변환 단계는 먼저 도 5에서 설명한 것처럼 구조적/구문적 변환을 수행한다.

이 단계는 데이터 모델과 모델 간 변환 규칙에 의해 수행된다.

그 다음은 의미적 변환인데, 매핑이 된 속성의 값을 같은 의미인지, 유사 의미인지, 또는 다른 의미인지를 판단하는 과정이다.

예를 들어, 술어에 사용된 단어가 IMS Caliper는 completed인데, xAPI는 finish라고 가정해 보면, 같은 의미이지만 기계적으로는 같은 의미인지 판단할 수 없다.

이 문제를 해결하기 위해서 온톨로지 테이블을 사용해야 한다. 온톨로지 테이블에 completed와 finish가 같은 의미로 사용된다고 등록해 놓으면 의미적으로도 정확한 변환이 수행될 수 있다.

구체적으로, 도 6은 도 5에 예시된 데이터 표현된 절차를 따라 이질적인 데이터들이 구조적, 구문적으로 매핑되는 예를 나타낸다.

도 6은 본 발명의 일 실시예에 따라 교육 분야에서 데이터를 수집하기 위한 데이터 프로파일이 2개 존재하는 경우, 두 단계로 구성된 데이터 매핑 및 매칭 순서를 개념적으로 나타내는 것으로서, 도 6에서 예시된 바와 같이 이러한 관계 매핑은 클래스에 부여된 식별값(111)과 클래스별 속성들에 대한 식별값(112)들을 위계를 갖는 구조로 매핑한다.

한편, 데이터 변환 대상이 다수인 경우, xAPI의 정보 모델(recipe)을 서로 다른 정보모델로 해석해야 한다면, 변환 과정은 시맨틱 필터와 매퍼 기능을 수행하는 프로세스를 거쳐서 변환이 수행되는 모델이 적용될 수 있다.

여기서 필터와 매퍼가 수행하는 기능은 사전에 정의된 규칙에 의해서만 수행될 수 없기 때문에 그 이상의 기능을 고려해야 한다.

예를 들면, 구조적/구문적 매핑은 사전에 정의된 규칙으로 수행할 수 있지만, 의미적 변환 단계에서는 규칙을 업데이트하는 학습 규칙을 반영해야 한다.

다시 도 4로 복귀하여, 시퀀스의 시작은 구조적/구문적 변환 규칙과 의미적 변환을 위한 온톨로지 규칙을 사전에 정의하는 것에서 수행된다.

그리고 데이터 수집 API를 통해 수집된 데이터를 저장소로 전송하는 과정은 개인정보 보호를 위해 인증 단계가 포함되어야 한다.

저장소에 데이터를 저장하기 전에 IMS Caliper의 경우 적합성 검사(conformance test)를 수행하지만 xAPI는 적합성 검사를 하지 않기 때문에 이 단계는 선택적으로 처리할 수 있다.

실질적인 변환 프로세스를 수행하기에 앞서 저장소의 메타데이터를 확인하는데, 저장소에 적용된 데이터 모델을 판단할 필요가 있기 때문이다.

저장소에 대한 파악이 되고 나면 전술한 것과 같이, 구조적/구문적 매핑과 의미적 매칭을 수행한 후에 변환 결과물을 요청한 저장소로 전송한다.

만약 변환 규칙을 적용할 수 없는 예외적인 상황이 발생하면 예외 처리를 해서 전송한다.

구체적으로 S120 단계 이후, 의미적 매칭을 한다(S130).

즉, 이하의 단계에서 데이터 변환을 위해 각 데이터 프로파일에서 사용하는 어휘들, 문장들의 의미를 분석하여 동의와 유의 정도를 매칭하는 것이다.

의미적 매핑을 위해서는 각 데이터 프로파일에서 사용하는 어휘들에 대한 매핑 규칙을 적용한 인스턴스 테이블(140)을 사용할 수 있다.

다음으로, 데이터를 수집하여 저장하는 절차에 대해 설명한다.

도 4를 참조하면, 먼저, 데이터 수집 API(30)가 학습 활동의 발생을 알림 받는다(S210).

사용자가 학습에 참여할 때는 학습 환경(10)을 이용하게 된다. 학습 환경(10)에서 학습 활동이 이루어지면 동기 또는 비동기화된 방식으로 데이터가 생성된 것을 데이터 수집 API(30)가 알림받는다.

다음으로, 데이터가 생성된 것을 인지한 데이터 수집 API(30)가 생성된 데이터를 데이터 프로파일에 따라 바인딩하여 API의 임시 저장 모듈(end-point)에 보관한다(S220).

즉, 생성된 데이터를 데이터 프로파일에 따라 바인딩하여 임시로 저장하는 것이다.

다음으로, 데이터 수집 API(30)가 임시보관된 데이터를 데이터 저장소(40)로 전송하기 위해서 인증을 요청한다(S310).

이는 데이터 수집 API(30)와 데이터 저장소(40) 상호간 인증을 하는 절차로서, 데이터 저장소(40)는 인증이 되면 데이터 수집 API(30)에 대해 이를 승인할 수 있다.

그 후, 데이터 수집 API(30)가 임시 보관한 데이터는 데이터 저장소(40)로 전송된다(S320).

다음으로, 데이터 저장소(40)는 수신한 데이터가 데이터 프로파일에 따라 작성된 것인지 여부를 시험하는 적합성 검사를 할 수 있다(S330). 다만, S330 단계는 선택적으로 수행될 수 있다.

이하에서는 데이터 저장소에 저장된 데이터가 변환되는 과정에 대해 설명한다.

이질적인 데이터들이 저장된 저장소(40)에서 상호 데이터 교환이 필요할 경우, 어느 한 저장소(40)에서 다른 저장소(40)로 데이터를 이관할 경우, 또는 여러 데이터 저장소(40)에서 어느 한 저장소(40)로 일괄적으로 데이터를 모으는 경우, 먼저 데이터 저장소(40)는 데이터 매핑 및 매칭 인스턴스(60)에 데이터 변환 요청을 한다(S510).

다음으로, 데이터 매핑 및 매칭 인스턴스(60)는 데이터 수신에 앞서 각 데이터 저장소에 적용된 데이터 프로파일과, 송수신 위치 정보 등을 파악하기 위해 데이터 저장소의 프로파일 메타데이터를 조회한다(S520).

즉, 데이터 저장소에 저장된 데이터가 어떠한 데이터 프로파일에 따라 생성된 것인지, 데이터가 어떤 위치에 저장된 것이지를 조회하는 것이다.

다음으로, 데이터 저장소(40)가 데이터 매핑 및 매칭 인스턴스(60)에 변환을 요청하는 데이터를 전송한다(S530).

다음으로, 데이터 매핑 및 매칭 인스턴스(60)가 수신한 데이터를 변환 대상이 되는 클래스와 속성으로 변환한다(S610).

데이터 매핑 및 매칭 인스턴스(60)는 구조적, 구문적 매핑 인스턴스 테이블을 이용하여 수신한 데이터의 클래스와 속성을 변환 대상이 되는 클래스와 속성으로 변환하는 것이다.

이 후, 데이터 매핑 및 매칭 인스턴스(60)가 수신한 데이터의 의미를 매칭한다(S620).

데이터 매핑 및 매칭 인스턴스(60)는 수신한 데이터와 변환 데이터에 사용된 어휘와 문장을 추출하여 동의(Same meaning) 또는 유의(Similar meaning)를 인스턴스 테이블의 온톨로지 규칙을 이용하여 매칭하는 것이다.

데이터 매핑 및 매칭 인스턴스(60)는 S510 단계에서의 매핑 또는 S520 단계에서의 매칭이 되지 않는 경우, 수신한 데이터를 예외 처리할 수 있다.

다음으로, 데이터 매핑 및 매칭 인스턴스(60)는 변환된 데이터를 전송 대상이 되는 데이터 저장소(40)로 전송한다(S540).

이 후, 데이터 저장소(40)가 수신한 데이터의 적합성을 검사하고, 비적합 데이터를 예외 처리하여 저장한다(S550).

데이터 저장소(40)는 수신한 변환된 데이터에 대해 선택적으로 적합성 검사를 수행하고, 정확하게 매핑되지 않았거나 의미적으로 매칭되지 않은 경우 예외 처리를 하여 저장한다.

한편, 데이터 저장소(40)에서 데이터 매핑 및 매칭 인스턴스(60)로 데이터를 전송해서 구조적, 구문적 매핑(S610) 및 의미적 매칭(S620) 프로세스를 수행할 때 새로운 구조와 속성, 어휘들이 수신될 경우, 데이터 매핑 및 매칭 인스턴스(60)는 온톨로지 규칙을 이용해서 도 5b에 예시된 의미적 필터 및 매퍼(113)를 업데이트 할 수 있다.

온톨로지 규칙은 초기에 구축된 데이터와 새로 수신된 데이터들의 구조와 구문, 어휘 배치를 이용하여 자동화된 방식으로 업데이트될 수 있다.

한편, 본 발명은 가상현실과 증강현실 콘텐츠를 활용하면서 발생하는 학습 데이터를 추출해서 표준화된 데이터 수집 API로 변환해서 전송 및 저장할 수도 있다.

또한, 도 8은 본 발명의 일 실시예에 따른 가상현실과 증강현실 콘텐츠를 실행하면서 발생하는 학습 데이터를 추출하고 표준화된 학습 데이터 형식으로 변환해서 전송하는 절차를 설명하기 위한 순서도이다.

도 7및 도 8을 참조하면, 가장 먼저, 사용자가 가상현실과 증강현실 콘텐츠 활용을 위해 장치의 어플리케이션을 실행하는 단계(S711)가 수행된다.

이후, 콘텐츠 저장소로 콘텐츠를 위한 서치(search), 문의(query)를 송부하고, 콘텐츠 저장소에서 가상현실 또는 증강현실 콘텐츠 목록을 조회한다(S712).

이후, 콘텐츠 저장소로부터 해당되는 컨텐츠를 다운로드 하고, 사용자가 장치 또는 단말에서 해당 콘텐츠를 플레이하게 된다(S713).

이후, 러닝 데이터를 추출하여 전술한 바인딩 과정이 수행되고(S714), 이후, 러닝 데이터를 학습 데이터 변환기 또는 유틸리티로 전송하게 된다(S715).

이를 수신한 학습 데이터 변환기 또는 유틸리티는 러닝 데이터를 변환(S716)하고, S716 단계에서는 데이터 변환 대상 표준을 선택하게 된다.

만약, xAPI를 선택하는 경우에는 xAPI 데이터 형식으로 변환이 진행되고(S810), IMS Caliper를 선택하는 경우에는 IMS CaIiper 데이터 형식으로 변환이 진행된다.

이후, xAPI 데이터 형식 또는 IMS CaIiper 데이터 형식으로 변환된 에이터를 러닝 데이터 저장소로 전송하고, 해당 데이터를 데이터 저장소가 저장한다(S717).

전술한 본 발명의 구성에 따르면, 가상현실과 증강현실 콘텐츠로부터 학습 데이터를 추출해서 효과적으로 변환할 수 있다.

구체적으로 교육을 목적으로 하는 가상현실과 증강현실 콘텐츠를 활용할 때 발생하는 학습 데이터를 추출해서 학습 분석을 목적으로 하는 데이터 형식으로 효과적으로 변환함으로써 학습 데이터에 대한 상호 운용성을 제공할 수 있다.

정확한 학습 분석 서비스를 위해 체계적인 데이터 수집은 핵심 성공 요인(CSF ; Critical Success Factor)이라고 할 수 있다.

부정확하거나 모호한 의미의 데이터들이 섞여 있거나 다수의 데이터들이 그러한 데이터라고 하면 데이터를 정제하는 과정에서 많은 시간과 노력이 요구되기 때문에 실시간 분석은 기대할 수 없는 서비스가 될 것이다.

그만큼 데이터 수집체계에 대한 표준화의 중요성과 의미가 크다. 그러나 요즘처럼 다양한 컴퓨팅 환경 속에서 데이터 수집을 위한 단일 표준 체계를 기대하는 것은 무리이다.

대안은 데이터 상호운용성을 보장할 수 있는 교환 메커니즘을 표준의 범위로 설정하는 것이고, 이 연구는 그러한 목적으로 추진되었다.

데이터 변환 과정은 크게 구조적/구문적 변환 단계와 실제 데이터가 담고 있는 의미를 매칭하는 의미적 변환 단계로 구분된다.

본 명세서에서는 이러한 두 단계의 데이터 매핑 및 매칭 프로세스를 설계하였다.

또한, 이질적인 데이터 간 변환 규칙과 방법에 대한 주제는 국내뿐 아니라 xAPI와 IMS Caliper를 개발한 국제 표준화 단체에서도 큰 관심을 가지고 있는 기술이므로 국제 표준화 과제로도 추진되는 것이 바람직하다.

본 명세서에서 제안한 발명은 이질적인 학습 데이터 간 교환을 위한 상호운용성 확보를 위해 기술적인 기초를 제공할 수 있다.

상술한 본 발명의 실시예들은 다양한 수단을 통해 구현될 수 있다. 예를 들어, 본 발명의 실시예들은 하드웨어, 펌웨어(firmware), 소프트웨어 또는 그것들의 결합 등에 의해 구현될 수 있다.

하드웨어에 의한 구현의 경우, 본 발명의 실시예들에 따른 방법은 하나 또는 그 이상의 ASICs(Application Specific Integrated Circuits), DSPs(Digital Signal Processors), DSPDs(Digital Signal Processing Devices), PLDs(Programmable Logic Devices), FPGAs(Field Programmable Gate Arrays), 프로세서, 컨트롤러, 마이크로 컨트롤러, 마이크로 프로세서 등에 의해 구현될 수 있다.

펌웨어나 소프트웨어에 의한 구현의 경우, 본 발명의 실시예들에 따른 방법은 이상에서 설명된 기능 또는 동작들을 수행하는 모듈, 절차 또는 함수 등의 형태로 구현될 수 있다. 소프트웨어 코드는 메모리 유닛에 저장되어 프로세서에 의해 구동될 수 있다. 상기 메모리 유닛은 상기 프로세서 내부 또는 외부에 위치하여, 이미 공지된 다양한 수단에 의해 상기 프로세서와 데이터를 주고 받을 수 있다.

상술한 바와 같이 개시된 본 발명의 바람직한 실시예들에 대한 상세한 설명은 당업자가 본 발명을 구현하고 실시할 수 있도록 제공되었다. 상기에서는 본 발명의 바람직한 실시예들을 참조하여 설명하였지만, 해당 기술 분야의 숙련된 당업자는 본 발명의 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다. 예를 들어, 당업자는 상술한 실시예들에 기재된 각 구성을 서로 조합하는 방식으로 이용할 수 있다. 따라서, 본 발명은 여기에 나타난 실시형태들에 제한되려는 것이 아니라, 여기서 개시된 원리들 및 신규한 특징들과 일치하는 최광의 범위를 부여하려는 것이다.

본 발명은 본 발명의 정신 및 필수적 특징을 벗어나지 않는 범위에서 다른 특정한 형태로 구체화될 수 있다. 따라서, 상기의 상세한 설명은 모든 면에서 제한적으로 해석되어서는 아니 되고 예시적인 것으로 고려되어야 한다. 본 발명의 범위는 첨부된 청구항의 합리적 해석에 의해 결정되어야 하고, 본 발명의 등가적 범위 내에서의 모든 변경은 본 발명의 범위에 포함된다. 본 발명은 여기에 나타난 실시형태들에 제한되려는 것이 아니라, 여기서 개시된 원리들 및 신규한 특징들과 일치하는 최광의 범위를 부여하려는 것이다. 또한, 특허청구범위에서 명시적인 인용 관계가 있지 않은 청구항들을 결합하여 실시예를 구성하거나 출원 후의 보정에 의해 새로운 청구항으로 포함할 수 있다.

Claims

가상현실 및 증강현실 콘텐츠에서 학습 데이터를 추출하는 방법에 있어서,

상기 가상현실 및 증강현실 중 적어도 하나를 지원하는 디바이스에서 상기 가상현실 및 증강현실 콘텐츠의 표시를 위해, 상기 디바이스 상의 어플리케이션(application)이 실행되는 제 1 단계;

상기 디바이스가 컨텐츠 저장소로 상기 가상현실 및 증강현실 콘텐츠의 조회를 요청하는 제 2 단계;

상기 디바이스가 상기 컨텐츠 저장소에서 조회가 확인된 상기 가상현실 및 증강현실 콘텐츠를 수신하는 제 3 단계;

상기 수신된 가상현실 및 증강현실 콘텐츠가 상기 디바이스 상에서 표시되는 제 4 단계;

상기 디바이스가 상기 가상현실 및 증강현실 콘텐츠가 표시되는 학습 환경에서 수행되는 학습 활동 데이터를 추출하여 바인딩 하는 제 5 단계;

상기 디바이스가 상기 바인딩 된 학습 활동 데이터를 학습 데이터 변환기로 전송하는 제 6 단계;

상기 학습 데이터 변환기에서 상기 바인딩 된 학습 활동 데이터에 적용할 변환 표준을 선택하는 제 7 단계;

상기 학습 데이터 변환기에서 선택한 변환 표준에 따라 상기 바인딩 된 학습 활동 데이터가 변환되는 제 8 단계; 및

상기 학습 데이터 변환기가 변환된 학습 활동 데이터를 저장소로 전송하는 제 9 단계;를 포함하고,

상기 학습 데이터 변환기에서 선택한 변환 표준은 xAPI 및 IMS Caliper를 포함하며,

상기 제 8 단계에서,

상기 학습 데이터 변환기는, 상기 학습 활동 데이터의 클래스 및 속성을 상기 선택한 변환 표준에 따른 클래스 및 속성으로 변환하고,

상기 제 8 단계에서,

상기 학습 데이터 변환기는, 상기 학습 활동 데이터의 의미를 상기 선택한 변환 표준에 따른 의미로 추가적으로 변환하며,

상기 제 8 단계에서,

상기 학습 데이터 변환기는,

상기 학습 활동 데이터의 클래스와 속성의 구조적 및 구문적 매핑 인스턴스 테이블 및 상기 학습 활동 데이터의 의미가 온톨로지 규칙에 따라 나타난 의미적 인스턴스 테이블을 포함하는 것을 특징으로 하는 가상현실 및 증강현실 콘텐츠에서 학습 데이터를 추출하는 방법.
제 1항에 있어서,

상기 구조적 및 구문적 매핑 인스턴스 테이블의 클래스 및 속성 각각에는 고유한 식별번호가 부여된 것을 특징으로 하는 가상현실 및 증강현실 콘텐츠에서 학습 데이터를 추출하는 방법.
제 2항에 있어서,

상기 제 8 단계에서,

상기 학습 활동 데이터의 속성이 상기 구조적 및 구문적 매핑 인스턴스 테이블에 포함되지 않은 경우,

상기 학습 데이터 변환기는, 상기 포함되지 않는 속성을 상기 구조적 및 구문적 매핑 인스턴스 테이블에 추가하는 것을 특징으로 하는 가상현실 및 증강현실 콘텐츠에서 학습 데이터를 추출하는 방법.
제 3항에 있어서,

상기 제 8 단계에서,

상기 학습 활동 데이터의 클래스 또는 속성이 상기 매핑 인스턴스 테이블에 따라 대응되지 않거나, 상기 학습 활동 데이터의 의미가 상기 의미적 인스턴스 테이블에 따라 대응되지 않는 경우,

상기 학습 데이터 변환기는, 상기 제 1 학습 활동 데이터에 대해 예외 처리하는 것을 특징으로 하는 가상현실 및 증강현실 콘텐츠에서 학습 데이터를 추출하는 방법.
제 4항에 있어서,

상기 제 9 단계에서,

상기 저장소는,

상기 변환된 학습 활동 데이터가 미리 설정된 기준에 따른 클래스, 속성 및 의미를 가지는지 여부를 판단하는 적합성 검사를 하여,

적합한 경우, 상기 변환된 상기 학습 활동 데이터를 저장하고,

적합하지 않은 경우, 예외 처리하는 것을 특징으로 하는 가상현실 및 증강현실 콘텐츠에서 학습 데이터를 추출하는 방법.