WO2022059921A1 - 사용자의 학습효과를 반영하여 추천 문제를 결정하는 학습 컨텐츠 추천 장치, 시스템 및 그것의 동작 방법 - Google Patents

사용자의 학습효과를 반영하여 추천 문제를 결정하는 학습 컨텐츠 추천 장치, 시스템 및 그것의 동작 방법 Download PDF

Info

Publication number
WO2022059921A1
WO2022059921A1 PCT/KR2021/010566 KR2021010566W WO2022059921A1 WO 2022059921 A1 WO2022059921 A1 WO 2022059921A1 KR 2021010566 W KR2021010566 W KR 2021010566W WO 2022059921 A1 WO2022059921 A1 WO 2022059921A1
Authority
WO
WIPO (PCT)
Prior art keywords
user
expected score
learning
information
score
Prior art date
Application number
PCT/KR2021/010566
Other languages
English (en)
French (fr)
Inventor
노현빈
Original Assignee
(주)뤼이드
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by (주)뤼이드 filed Critical (주)뤼이드
Publication of WO2022059921A1 publication Critical patent/WO2022059921A1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/20—Education
    • G—PHYSICS
    • G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
    • G09B—EDUCATIONAL OR DEMONSTRATION APPLIANCES; APPLIANCES FOR TEACHING, OR COMMUNICATING WITH, THE BLIND, DEAF OR MUTE; MODELS; PLANETARIA; GLOBES; MAPS; DIAGRAMS
    • G09B7/00—Electrically-operated teaching apparatus or devices working with questions and answers
    • G09B7/02—Electrically-operated teaching apparatus or devices working with questions and answers of the type wherein the student is expected to construct an answer to the question which is presented or wherein the machine gives an answer to the question presented by a student
    • G09B7/04—Electrically-operated teaching apparatus or devices working with questions and answers of the type wherein the student is expected to construct an answer to the question which is presented or wherein the machine gives an answer to the question presented by a student characterised by modifying the teaching programme in response to a wrong answer, e.g. repeating the question, supplying a further explanation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0631—Item recommendations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks

Definitions

  • the present invention relates to a learning content recommendation apparatus, system, and method of operation thereof for determining a recommendation problem by reflecting a user's learning effect. It relates to a learning content recommendation apparatus, a system, and an operating method thereof that reflect the user's learning level after the progress and provide a user with a problem that is determined to show the highest score improvement
  • the use of the Internet and electronic devices has been actively carried out in each field, and the educational environment is also changing rapidly.
  • learners can choose and use a wider range of learning methods.
  • the education service through the Internet has been positioned as a major teaching and learning method because of the advantage of overcoming time and spatial constraints and enabling low-cost education.
  • Collaborative Filter This is a method of predicting the correct answer rate for a given new problem by collecting the user's problem solving results.
  • the correct answer rate is predicted on the premise that responses to new problems of other users will also be similar to their own problem solving results.
  • collaborative filtering the problem with the highest probability of being wrong, that is, the problem with the lowest predicted correct rate, has been recommended to the user.
  • the problem arises that it cannot recommend problems that the user really needs because it simply recommends the problem with the highest probability of being wrong by the user.
  • a user with a current TOEIC score of 500 can be provided with a problem that a user with a level of 900 can only solve simply because there is a high probability of being wrong.
  • the user had to gradually build up skills starting with the 600-point problem, there was a problem that the learning efficiency was lowered because the user had no choice but to be recommended a high-level problem with poor learning efficiency.
  • the present invention provides a recommendation problem that is determined to show the highest score improvement (expected score) through problem solving, so that the problem that can help improve the user's ability the most can be recommended. It is possible to provide a learning content recommendation apparatus, a system, and an operating method thereof.
  • the present invention reflects the educational effect that the user obtains by solving problems such as reading explanations for problems or taking related lectures, calculating the expected score, and determining the recommended problem based on the expected score, thereby providing continuous learning. It is possible to provide a learning content recommendation apparatus, system, and operating method thereof that can reflect a user's improved ability through the
  • the present invention provides a learning content recommendation device and The present invention relates to a method of operating an apparatus for recommending learning content.
  • the learning content recommendation apparatus that determines the recommendation problem by reflecting the user's learning effect can have when the user answers the candidate problem based on user information including the problem solved by the user previously and the user's response to it
  • Expected score calculation unit that calculates expected score information including the maximum expected score, which is the expected score, and the minimum expected score, which is the expected score that the user can have if the candidate problem is wrong;
  • the recommendation problem determining unit includes a learning level calculating unit that calculates the degree of learning, which is the probability of correcting the problem when the user solves the same or similar type of problem again after learning about the previously wrong problem, and the expected score information and the correct rate Calculate a first expected score to which the learning degree is not reflected based on one or more of the information, and a second expectation to which the learning degree is reflected based on at least one of the first expected score, the maximum expected score, and the learning degree and an expected score calculating unit for calculating the score.
  • the degree of learning is the probability of correcting the problem when the user solves the same or similar type of problem again after learning about the previously wrong problem
  • the expected score information and the correct rate Calculate a first expected score to which the learning degree is not reflected based on one or more of the information, and a second expectation to which the learning degree is reflected based on at least one of the first expected score, the maximum expected score, and the learning degree and an expected score calculating unit for calculating the score.
  • a method of operating a learning content recommendation apparatus for determining a recommendation problem by reflecting a user's learning effect includes the steps of: a sampling unit sampling a candidate problem for determining a recommendation problem; an expected score calculating unit selecting the candidate problem from the sampling unit Based on user information including the problem previously solved by the user and the user's response to the problem, the maximum expected score, which is the expected score that the user can have when the user answers the candidate problem, and the user can determine the candidate problem Calculating expected score information including a minimum expected score that is an expected score that can be obtained in the wrong case, a correct rate predicting unit, receiving the candidate problem from the sampling unit, and the probability that the user will correct the candidate problem based on the user information Predicting correct answer rate information, the recommended problem determining unit receives the expected score information from the expected score calculating unit, and receives the correct rate information from the correct correct rate predicting unit, at least one of the expected score information, the correct rate information, and the degree of learning calculating an expected score based on , determining a recommendation problem according
  • the step of determining the recommendation problem calculates the degree of learning that is the probability of correcting the problem when the user solves the same or similar type of problem again after learning about the previously wrong problem calculating a first expected score to which the learning degree is not reflected based on at least one of the expected score information and the correct answer rate information, and one of the first expected score, the maximum expected score, and the learning degree and an expected score calculation step of calculating a second expected score to which the learning degree is reflected based on the above.
  • the expected score is calculated by reflecting the educational effect that the user obtains by solving the problem, such as reading an explanation of the problem or taking a related lecture, and the recommendation problem is determined based on the expected score, It has the effect of reflecting the skill of the user, which is improved through learning, in real time.
  • FIG. 1 is a diagram for explaining a learning content recommendation system according to an embodiment of the present invention.
  • FIG. 2 is a diagram for explaining in detail an operation of an apparatus for recommending learning content according to an embodiment of the present invention.
  • FIG. 3 is a view for explaining a recommendation problem determining unit according to an embodiment of the present invention.
  • FIG. 4 is a graph for explaining the calculation of an expected score to which a learning effect is reflected, according to an embodiment of the present invention.
  • FIG. 5 is a flowchart illustrating a method of operating a learning content recommendation system according to an embodiment of the present invention.
  • step S511 of FIG. 5 is a flowchart for describing in detail step S511 of FIG. 5 .
  • FIG. 1 is a diagram for explaining a learning content recommendation system according to an embodiment of the present invention.
  • a learning content recommendation system 50 may include a user terminal 100 and a learning content recommendation apparatus 200 .
  • the learning content recommendation system 50 may provide a problem that is expected to have the highest learning efficiency to the user terminal 100 based on a problem solved by the user and a response to the problem solved by the user.
  • the recommendation problem may be a problem in which the user is expected to show the highest score improvement (expected score) after solving the problem.
  • CF Collaborating Filter
  • a user with a current TOEIC score of 500 can be provided with a problem that a user with a level of 900 can only solve simply because there is a high probability of being wrong.
  • the user had to gradually build up skills starting with the 600-point problem there was a problem that the learning efficiency was lowered because the user had no choice but to be recommended a high-level problem with poor learning efficiency.
  • the learning content recommendation system 50 collects user response information, and calculates an expected score that the user is expected to receive when solving a specific problem. Then, a problem having the highest expected score may be determined as a recommendation problem and transmitted to the user terminal 100 .
  • the learning content recommendation apparatus 200 may calculate an expected score based on the response information collected from the user terminal 100 and determine a recommendation problem based on this. To this end, the learning content recommendation apparatus 200 may include an expected score calculation unit 210 , a correct rate prediction unit 220 , and a recommendation problem determination unit 230 .
  • the predicted score calculating unit 210 may calculate the predicted score of the user for each case where the user corrects a specific problem and when the user makes a mistake based on the user information.
  • the expected score in the case of correcting the problem may be the maximum expected score
  • the expected score in the case of getting the problem wrong may be the minimum expected score.
  • the user information may include a problem previously solved by the user and the user's response to the problem. User information can be updated in real time whenever the user solves a problem.
  • a score that the user is expected to obtain after solving a specific problem may be an expected score.
  • the learning content recommendation system 50 may determine a problem having the highest expected score as a recommendation problem.
  • the expected score may have a value within the range of the expected score.
  • the expected score when the user corrects the corresponding question may be the maximum expected score, and the expected score when the user gets the corresponding question wrong may be the minimum expected score.
  • the learning content recommendation apparatus 200 may use the correct answer rate to obtain a fixed expected score value within a range of expected scores.
  • the correct answer rate may be a probability that the user corrects the corresponding question.
  • the correct answer rate prediction unit 220 may predict the correct answer rate based on user information.
  • Various artificial neural network models including RNN, LSTM, bidirectional LSTM, or an artificial neural network with a transformer structure, can be used for predicting the correct answer rate.
  • the correct answer rate of the problem may be predicted by inputting problem information to the encoder side and response information to the decoder side.
  • the recommendation problem determining unit 230 may determine the recommendation problem based on the expected score information calculated by the expected score calculating unit 210 and the correct answer rate information predicted by the correct answer rate predicting unit 220 .
  • the recommendation problem may be the problem with the highest expected score calculated based on expected score information and correct answer rate information.
  • the recommendation problem is not limited to the one problem with the highest expected score.
  • a preset number of problems in the order of highest expected score may be determined as the recommendation problem, or a problem having an expected score greater than a preset value may be determined as the recommendation problem.
  • the recommendation problem determining unit 230 may calculate an expected score according to a preset algorithm.
  • the algorithm may include the first algorithm and/or the second algorithm, and in some cases, one or more of the two algorithms may be used to calculate the expected score.
  • the first algorithm is an algorithm that calculates an expected score using only expected score information and correct answer rate information without reflecting the learning level.
  • the user information collected up to t problems is , the t+1th problem to predict the expected score is , the expected response of the user to the t+1th problem is can be
  • the expected score that does not reflect the learning level according to the first algorithm is , the expected score (that is, the maximum expected score) when the user got the question right is , the expected score when the user gets the question wrong (ie, the minimum expected score) is , the percentage of correct answers for the t+1th question by the user is can be
  • the expected score according to Algorithm 1 may be calculated by adding "a value obtained by multiplying the correct answer rate by the maximum expected score” and "a value obtained by multiplying the probability of being wrong and the minimum expected score”.
  • the expected score to which the degree of learning is reflected according to the second algorithm may be described with reference to Equation (2).
  • the learning degree may be ⁇ .
  • the expected score reflecting the learning degree is "the value obtained by multiplying the learning level by the maximum expected score” and "the value obtained by multiplying the non-learning level (1- ⁇ ) by the expected score not reflecting the learning level” It can be calculated by summing.
  • the learning content recommendation system 50 reflects the learning degree, which is information about the educational effect generated when solving problems such as reading explanations for problems or taking related lectures when calculating expected scores.
  • the degree of learning can be calculated from the probability of correcting the problem when solving the same or similar type of problem again after learning about the previously wrong problem. There may be multiple problems to be solved again, and in this case, the learning level may be the average correct rate of the problems given to the user at least once.
  • the degree of learning calculation is not limited to the correct rate for the same or similar problem, and various variables that can be considered in the user's problem solving environment (eg, the probability of deviation during learning, problem solving time) , the number of problems solved, ...) can be used at the same time.
  • the recommendation problem determining unit 230 may calculate an expected score based on the expected score information, the correct answer rate information, and the learning level.
  • the calculated expected score may be iteratively performed for each of a plurality of problems.
  • the expected score expected to be obtained by the user after solving a random problem is calculated for each problem. And, based on this, a problem expected to have the highest expected score may be provided to the user as a recommendation problem.
  • a recommendation problem is determined based on the calculated expected score, so that it is better than simply recommending a problem with a high probability of being wrong. It has the effect of recommending problems optimized for improving the user's score.
  • the learning content recommendation system 50 by using artificial intelligence to provide detailed educational content according to the learning ability of the learner, it breaks away from the uniform education method of the past and the individual competency of the learner There is an effect that can provide educational contents according to the
  • FIG. 2 is a diagram for explaining in detail an operation of an apparatus for recommending learning content according to an embodiment of the present invention.
  • the learning content recommendation apparatus 200 includes a sampling unit 240 and user information in addition to the expected score calculating unit 210 , the correct rate predicting unit 220 , and the recommendation problem determining unit 230 of FIG. 1 described above.
  • a storage unit 250 may be further included.
  • the learning content recommendation apparatus 200 may calculate an expected score for each problem, and determine the problem having the highest expected score as the recommendation problem. At this time, calculating the expected scores for all the problems of the problem database 300 may reduce the overall performance due to the huge amount of resources consumed.
  • the sampling unit 240 may receive problem information from the problem database 300 and sample candidate problems for determining a recommended problem.
  • the learning content recommendation apparatus 200 may calculate an expected score only for candidate problems sampled to determine a recommendation problem.
  • the sampling unit 240 may sample candidate problems in various ways according to embodiments.
  • the sampling method is: 1) selecting random questions, 2) selecting problems with a low average correct answer rate, 3) selecting the latest questions that reflect the trend, 3) selecting problems with high user concentration It may include one or more of the selection methods, but is not limited thereto.
  • the sampling unit 240 may generate sampling information by sampling candidate problems and receiving user information from the user information storage unit 250 .
  • the sampling information may include sampled problem information and user information. Thereafter, the sampling unit 240 may transmit the sampling information to the expected score calculation unit 210 and the correct answer rate prediction unit 220 .
  • the predicted score calculator 210 may generate predicted score information based on the sampling information. Specifically, the predicted score calculating unit 210 may calculate the expected score of the user for each of the case of correcting the sampled candidate problem and the incorrect case of the sampled candidate problem, based on the user information.
  • the expected score in the case of correcting the problem may be the maximum expected score, and the expected score in the case of getting the problem wrong may be the minimum expected score.
  • the percentage correct prediction unit 220 may use the percentage correct to obtain a fixed expected point value within the range of expected points.
  • the correct answer rate may be a probability that the user corrects the corresponding question.
  • the expected score may have a value within the range of the expected score. When the user corrects the corresponding question, the expected score may be the maximum expected score, and if the user gets the corresponding question wrong, the expected score may be the minimum expected score.
  • the correct answer rate prediction unit 220 may predict the correct answer rate based on user information.
  • Various artificial neural network models including RNN, LSTM, bidirectional LSTM, or an artificial neural network with a transformer structure, can be used for predicting the correct answer rate.
  • the correct answer rate of the problem may be predicted by inputting problem information to the encoder side and response information to the decoder side.
  • the recommendation problem determining unit 230 may determine the recommendation problem based on the expected score information calculated by the expected score calculating unit 210 and the correct answer rate information predicted by the correct answer rate predicting unit 220 .
  • the recommendation problem may be the problem with the highest expected score calculated based on expected score information and correct answer rate information.
  • the recommendation problem determining unit 230 may use the learning degree when calculating the expected score.
  • the learning chart may include information on educational effects generated when solving problems, such as reading explanations for problems or taking related lectures. The process of calculating the expected score using the learning curve will be described in detail with reference to FIG. 3 to be described later.
  • the recommendation problem determining unit 230 may provide the determined recommendation problem to the user terminal 100 .
  • the user may provide the result of solving the recommendation problem to the user information storage 250 as response information.
  • FIG. 3 is a view for explaining a recommendation problem determining unit according to an embodiment of the present invention.
  • the recommendation problem determining unit 230 may include an expected score calculating unit 231 and a learning degree calculating unit 232 .
  • the expected score calculating unit 231 may calculate an expected score from the expected score according to the first algorithm and/or the second algorithm.
  • the first algorithm may be an algorithm that calculates an expected score using only expected score information and correct answer rate information without reflecting the degree of learning.
  • the expected score may be calculated by adding the “value obtained by multiplying the correct answer rate by the maximum expected score” and “the value obtained by multiplying the probability of being wrong and the minimum expected score”.
  • the expected score calculated according to the first algorithm is the expected score to which the learning degree ⁇ is not reflected.
  • the second algorithm may be an algorithm that calculates the expected score by reflecting the degree of learning.
  • the second algorithm may calculate the expected score by using the learning degree, the expected score information, and the correct answer rate information.
  • the expected score reflecting the learning degree is obtained by adding "the value obtained by multiplying the learning level by the maximum expected score" and "the value obtained by multiplying the non-learning level (1- ⁇ ) by the expected score not reflecting the learning level". An expected score can be calculated.
  • the use of the first algorithm may be accompanied.
  • the expected score calculated according to the second algorithm reflects the degree of learning, it is possible to reflect the skill of the user, which is improved in each problem solving step. Therefore, there is an effect of enabling effective learning by providing learning contents that reflect the user's current ability.
  • the user information storage unit 250 may receive and store response information to the recommendation problem from the user terminal 100 . Thereafter, the user information storage unit 250 may update the user information according to the received response information, and provide the user information for calculating a new recommendation problem. The user information storage unit 250 may provide the user information to the predicted score calculation unit 210 and the correct answer rate prediction unit 220 for artificial intelligence prediction, and store response information according to the user's problem solving.
  • the user information is provided to the expected score calculating unit 210 and the correct rate predicting unit 220 through the sampling unit 240 , but this is only an example and is predicted without going through the sampling unit 240 . It may be provided to the score calculating unit 210 and the correct rate predicting unit 220 .
  • FIG. 4 is a graph for explaining the calculation of an expected score to which a learning effect is reflected, according to an embodiment of the present invention.
  • FIG. 4 is a graph illustrating a change in a user's score over time.
  • P represents the current state of the user.
  • the user has a skill of 500 points. Users can have improved skills in t2 after learning, such as solving problems, reading explanations, or taking related lectures.
  • the learning content recommendation system 50 may calculate an expected score and an expected score of a user expected after solving a problem.
  • the predicted score may include a maximum predicted score (Smax) when the corresponding question is correct and a minimum predicted score (Smin) when the question is wrong.
  • the user's expected score when the question is wrong, the user's expected score may be 420, and when the question is correct, the user's expected score may be 700 points.
  • the expected score has a value within the expected score range, and may be calculated by reflecting the user's correct rate for the problem.
  • Path A is the process of calculating the expected score (E) that does not reflect the learning level.
  • the expected score (E) to which the degree of learning is not reflected may be calculated using the maximum expected score (Smax), the minimum expected score (Smin), and the percentage of correct answers.
  • the expected score not reflecting the learning level does not reflect the user's improved ability after learning, it has a lower score than the expected score E' reflecting the learning level.
  • the expected score E′ to which the degree of learning is reflected is 660 points, while the expected score E to which the degree of learning is not reflected is 550 points.
  • Path B is the process of calculating the expected score (E') reflecting the degree of learning.
  • the expected score (E') reflecting the learning level may be calculated using the maximum expected score (Smax), the minimum expected score (Smin), the percentage of correct answers, and the learning rate.
  • the expected score E' to which the degree of learning is reflected may be calculated by using the calculated expected score E' to which the degree of learning is not reflected along the path A.
  • a specific formula can be understood through Equation 2 described above.
  • the learning chart may include information on educational effects generated when solving problems, such as reading explanations for problems or taking related lectures. By calculating the expected score by reflecting the degree of learning, there is an effect that the improved ability of the user after learning can be reflected in real time.
  • FIG. 5 is a flowchart illustrating a method of operating a learning content recommendation system according to an embodiment of the present invention.
  • the learning content recommendation system 50 may receive problem information from the problem database 300 and sample candidate problems from among the received problem information.
  • Calculating the expected score for all problems possessed by the problem database 300 may reduce overall performance due to the enormous resources required for the calculation, so the learning content recommendation system 50 first samples the candidate problems for calculating the expected score will do
  • the learning content recommendation system 50 may receive user information including a problem previously solved by the user and a response to the problem.
  • User information may consist of pairs of problems and responses to problems. Each time the user solves a problem, the user information may be updated to reflect the solution result.
  • the learning content recommendation system 50 may transmit the sampled problem information and user information to the artificial intelligence model.
  • the sampled problem information and user information may be sampling information.
  • the learning content recommendation system 50 may predict an expected score and a correct answer rate by inputting sampling information into the artificial intelligence model. Expected scores and correct answers can be predicted using different AI models optimized for each.
  • the learning content recommendation system 50 may predict the correct answer rate of the sampled question based on user information. And, in step S509, the learning content recommendation system 50 based on the user information, the user's expected score (maximum expected score) when the sampled problem is correct and the user's expected score when the sampled problem is wrong ( minimum expected score).
  • the learning content recommendation system 50 may determine a recommendation problem based on the expected score information and the correct answer rate information and provide it to the user.
  • step S511 is to calculate the degree of learning, which is information about the educational effect that occurs when solving a problem, such as reading an explanation for a problem or taking a related lecture. It includes a step S601 and a step S603 of calculating an expected score reflecting the learning effect based on the degree of learning, expected score information, and correct answer rate information.
  • the user terminal 100 and the learning content recommendation apparatus 200 may be computing devices each including one or more processors.
  • components constituting the learning content recommendation apparatus 200 may be implemented as modules.
  • a module refers to software or hardware components such as Field Programmable Gate Array (FPGA) or Application Specific Integrated Circuit (ASIC), and the module performs certain roles.
  • FPGA Field Programmable Gate Array
  • ASIC Application Specific Integrated Circuit
  • a module is not meant to be limited to software or hardware.
  • a module may be configured to reside on an addressable storage medium and may be configured to execute one or more processors.
  • a module includes components such as software components, object-oriented software components, class components, and task components, and processes, functions, properties, procedures, subroutines. fields, segments of program code, drivers, firmware, microcode, circuitry, data, databases, data structures, tables, arrays, and variables.
  • a function provided by the components and modules may be combined into a smaller number of components and modules or further divided into additional components and modules.
  • the learning content recommendation apparatus, system, and operation method thereof as described above may be applied to the field of education services through the Internet.

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Educational Technology (AREA)
  • Educational Administration (AREA)
  • Accounting & Taxation (AREA)
  • Primary Health Care (AREA)
  • Human Resources & Organizations (AREA)
  • Finance (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Development Economics (AREA)
  • Electrically Operated Instructional Devices (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

틀린 문제에 대한 해설을 읽거나 동영상 강의를 수강하는 등 학습을 진행한 후의 사용자의 학습도를 반영하여, 가장 높은 점수 향상을 보일 것으로 판단되는 문제를 사용자에게 제공하는 학습 컨텐츠 추천 장치가 개시된다. 사용자의 학습효과를 반영하여 추천 문제를 결정하는 학습 컨텐츠 추천 장치는, 사용자가 이전에 풀이한 문제와 이에 대한 사용자의 응답을 포함하는 사용자 정보를 기초로, 사용자가 후보 문제를 맞힐 경우에 가질 수 있는 예상점수인 최대 예상점수와 사용자가 상기 후보 문제를 틀릴 경우에 가질 수 있는 예상점수인 최소 예상점수를 포함하는 예상점수 정보를 연산하는 예상점수 연산부, 사용자 정보를 기초로 사용자가 후보 문제를 맞힐 확률인 정답률 정보를 예측하는 정답률 예측부, 및 예상점수 정보, 상기 정답률 정보 및 학습도 중 하나 이상에 근거하여 기대점수를 연산하고, 기대점수에 따라 추천 문제를 결정하는 추천 문제 결정부를 포함한다.

Description

사용자의 학습효과를 반영하여 추천 문제를 결정하는 학습 컨텐츠 추천 장치, 시스템 및 그것의 동작 방법
본 발명은 사용자의 학습효과를 반영하여 추천 문제를 결정하는 학습 컨텐츠 추천 장치, 시스템 및 그것의 동작 방법에 관한 것으로, 보다 구체적으로, 틀린 문제에 대한 해설을 읽거나 동영상 강의를 수강하는 등 학습을 진행한 후의 사용자의 학습도를 반영하여, 가장 높은 점수 향상을 보일 것으로 판단되는 문제를 사용자에게 제공하는 학습 컨텐츠 추천 장치, 시스템 및 그것의 동작 방법에 관한 것이다
최근 인터넷과 전자장치의 활용이 각 분야에서 활발히 이루어지며 교육 환경 역시 빠르게 변화하고 있다. 특히, 다양한 교육 매체의 발달로 학습자는 보다 폭넓은 학습 방법을 선택하고 이용할 수 있게 되었다. 그 중에서도 인터넷을 통한 교육 서비스는 시간적, 공간적 제약을 극복하고 저비용의 교육이 가능하다는 이점 때문에 주요한 교수 학습 수단으로 자리매김하게 되었다.
이러한 경향에 부응하여 이제는 제한된 인적, 물적 자원으로 오프라인 교육에서는 불가능했던 맞춤형 교육 서비스도 다양해지는 추세이다. 예를 들어, 인공지능을 활용하여 학습자의 개성과 능력에 따라 세분화된 교육 컨텐츠를 제공함으로써, 과거의 획일적 교육 방법에서 탈피하여 학습자의 개인 역량에 따른 교육 콘텐츠를 제공하고 있다.
교육 분야에서는 일반적으로 협업 필터링(Collaborating Filter, CF)을 이용해 학습 컨텐츠를 추천해왔다. 이는 사용자들의 문제 풀이 결과를 수집하여 주어진 새로운 문제에 대한 정답률을 예측하는 방법이다. 즉, 과거에 유사한 문제 풀이 이력을 가지고 있는 다른 사용자와 비교하여, 다른 사용자의 새로운 문제에 대한 응답 또한 자신의 문제 풀이 결과와 유사할 것이라는 사실을 전제로 정답률을 예측하는 것이다. 협업 필터링에서는 사용자가 틀릴 확률이 가장 높은 문제, 즉 예측된 정답률이 가장 낮은 문제를 사용자에게 추천해왔다.
협업 필터링에서는 단순히 사용자가 틀릴 확률이 가장 높은 문제를 추천해주기 때문에 사용자에게 정말 필요한 문제를 추천해 줄 수 없다는 문제가 발생한다. 예를 들어, 현재 토익 실력이 500점인 사용자에게 900점 수준의 사용자가 겨우 풀 수 있는 문제를 단순히 틀릴 확률이 높다는 이유만으로 제공할 수 있는 것이다. 사용자는 600점 수준의 문제부터 점차적으로 실력을 쌓아야 하는데도 불구하고 학습 효율이 떨어지는 고난이도의 문제를 추천받을 수밖에 없어 학습 효율이 떨어지는 문제가 존재하였다.
전술한 문제를 해결하기 위해, 본 발명은 문제 풀이를 통해서 가장 높은 점수 향상(기대점수)을 보일 것으로 판단되는 추천 문제를 제공함으로써, 사용자의 실력 향상에 가장 도움을 줄 수 있는 문제를 추천할 수 있는 학습 컨텐츠 추천 장치, 시스템 및 그것의 동작 방법을 제공할 수 있다.
또한, 본 발명은 사용자가 문제에 대한 해설을 읽거나 관련 강의를 수강하는 등 문제를 풀이함으로써 얻는 교육적 효과를 반영하여 기대점수를 연산하고, 기대점수를 기초로 추천 문제를 결정함으로써, 지속적인 학습을 통해 향상되는 사용자의 실력을 반영할 수 있는 학습 컨텐츠 추천 장치, 시스템 및 그것의 동작 방법을 제공할 수 있다.
본 발명은 틀린 문제에 대한 해설을 읽거나 동영상 강의를 수강하는 등 학습을 진행한 후의 사용자의 학습도를 반영하여, 가장 높은 점수 향상을 보일 것으로 판단되는 문제를 사용자에게 제공하는 학습 컨텐츠 추천 장치 및 학습 컨텐츠 추천 장치의 동작 방법에 관한 것이다.
사용자의 학습효과를 반영하여 추천 문제를 결정하는 학습 컨텐츠 추천 장치는, 사용자가 이전에 풀이한 문제와 이에 대한 사용자의 응답을 포함하는 사용자 정보를 기초로, 사용자가 후보 문제를 맞힐 경우에 가질 수 있는 예상점수인 최대 예상점수와 사용자가 상기 후보 문제를 틀릴 경우에 가질 수 있는 예상점수인 최소 예상점수를 포함하는 예상점수 정보를 연산하는 예상점수 연산부, 사용자 정보를 기초로 사용자가 후보 문제를 맞힐 확률인 정답률 정보를 예측하는 정답률 예측부, 및 예상점수 정보, 상기 정답률 정보 및 학습도 중 하나 이상에 근거하여 기대점수를 연산하고, 기대점수에 따라 추천 문제를 결정하는 추천 문제 결정부를 포함한다.
여기서, 추천 문제 결정부는 사용자가 이전에 틀렸던 문제에 대해 학습한 후, 동일 또는 유사한 유형의 문제를 다시 풀었을 때 맞힐 확률인 상기 학습도를 연산하는 학습도 연산부, 및 상기 예상점수 정보 및 상기 정답률 정보 중 하나 이상에 근거하여 상기 학습도가 반영되지 않은 제1 기대점수를 연산하고, 상기 제1 기대점수, 상기 최대 예상점수 및 상기 학습도 중 하나 이상에 근거하여 상기 학습도가 반영된 제2 기대점수를 연산하는 기대점수 연산부를 포함한다.
사용자의 학습효과를 반영하여 추천 문제를 결정하는 학습 컨텐츠 추천 장치의 동작 방법은, 샘플링부가, 추천 문제를 결정하기 위한 후보 문제를 샘플링하는 단계, 예상점수 연산부가, 상기 샘플링부로부터 상기 후보 문제를 수신하고, 사용자가 이전에 풀이한 문제와 이에 대한 사용자의 응답을 포함하는 사용자 정보를 기초로, 사용자가 상기 후보 문제를 맞힌 경우에 가질 수 있는 예상점수인 최대 예상점수와 사용자가 상기 후보 문제를 틀린 경우에 가질 수 있는 예상점수인 최소 예상점수를 포함하는 예상점수 정보를 연산하는 단계, 정답률 예측부가, 상기 샘플링부로부터 상기 후보 문제를 수신하고, 사용자 정보를 기초로 사용자가 후보 문제를 맞힐 확률인 정답률 정보를 예측하는 단계 추천 문제 결정부가, 상기 예상점수 연산부로부터 상기 예상점수 정보를 수신하고, 상기 정답률 예측부로부터 상기 정답률 정보를 수신하여, 상기 예상점수 정보, 정답률 정보 및 학습도 중 하나 이상에 근거하여 기대점수를 연산하고, 상기 기대점수에 따라 추천 문제를 결정하는 단계, 및 상기 추천 문제를 사용자 단말로 전송하는 단계를 포함한다.
여기서, 추천 문제를 결정하는 단계는, 상기 추천 문제를 결정하는 단계는, 사용자가 이전에 틀렸던 문제에 대해 학습한 후, 동일 또는 유사한 유형의 문제를 다시 풀었을 때 맞힐 확률인 상기 학습도를 연산하는 단계, 상기 예상점수 정보 및 상기 정답률 정보 중 하나 이상에 근거하여 상기 학습도가 반영되지 않은 제1 기대점수를 연산하는 단계, 및 상기 제1 기대점수, 상기 최대 예상점수 및 상기 학습도 중 하나 이상에 근거하여 상기 학습도가 반영된 제2 기대점수를 연산하는 기대점수 연산 단계를 포함한다.
본 발명에 따르면, 문제 풀이를 통해서 가장 높은 점수 향상(기대점수)을 보일 것으로 판단되는 추천 문제가 사용자에게 제공되므로, 사용자의 실력 향상에 가장 도움이 되는 문제를 추천해 줄 수 있는 효과가 있다.
또한, 본 발명에 따르면, 사용자가 문제에 대한 해설을 읽거나 관련 강의를 수강하는 등 문제를 풀이함으로써 얻는 교육적 효과를 반영하여 기대점수가 연산되고, 기대점수를 기초로 추천 문제가 결정되므로, 지속적인 학습을 통해 향상되는 사용자의 실력을 실시간으로 반영할 수 있는 효과가 있다.
도 1은 본 발명의 실시 예에 따른, 학습 컨텐츠 추천 시스템을 설명하기 위한 도면이다.
도 2는 본 발명의 실시 예에 따른, 학습 컨텐츠 추천 장치의 동작을 상세하게 설명하기 위한 도면이다.
도 3은 본 발명의 실시 예에 따른, 추천 문제 결정부를 설명하기 위한 도면이다.
도 4는 본 발명의 실시 예에 따른, 학습효과가 반영된 기대점수의 연산을 설명하기 위한 그래프이다.
도 5는 본 발명의 실시 예에 따른, 학습 컨텐츠 추천 시스템의 동작 방법을 설명하기 위한 순서도이다.
도 6은 도 5의 S511 단계를 상세하게 설명하기 위한 순서도이다.
이하, 첨부된 도면을 참조하여 본 명세서에 개시된 실시예를 상세히 설명하되, 도면 부호에 관계없이 동일하거나 유사한 구성요소는 동일한 참조 번호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다.
본 명세서에 개시된 실시예를 설명함에 있어서 어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다.
또한, 본 명세서에 개시된 실시예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 명세서에 개시된 실시예의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 첨부된 도면은 본 명세서에 개시된 실시예를 쉽게 이해할 수 있도록 하기 위한 것일 뿐, 첨부된 도면에 의해 본 명세서에 개시된 기술적 사상이 제한되지 않으며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.
본 명세서와 도면에 개시된 본 발명의 실시 예들은 본 발명의 기술 내용을 쉽게 설명하고 본 발명의 이해를 돕기 위해 특정 예를 제시한 것뿐이며, 본 발명의 범위를 한정하고자 하는 것은 아니다. 여기에 개시된 실시 예들 이외에도 본 발명의 기술적 사상에 바탕을 둔 다른 변형 예들이 실시 가능하다는 것은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에게 자명한 것이다.
도 1은 본 발명의 실시 예에 따른, 학습 컨텐츠 추천 시스템을 설명하기 위한 도면이다.
도 1을 참조하면, 본 발명의 실시 예에 따른 학습 컨텐츠 추천 시스템(50)은, 사용자 단말(100) 및 학습 컨텐츠 추천 장치(200)를 포함할 수 있다.
학습 컨텐츠 추천 시스템(50)은 사용자가 풀이한 문제와 사용자가 풀이한 문제에 대한 응답을 기초로 학습 효율이 가장 높을 것으로 예상되는 문제를 사용자 단말(100)로 제공할 수 있다. 실시 예에서, 추천 문제는 사용자가 문제를 풀이한 이후 가장 높은 점수 향상(기대점수)를 보일 것으로 예상되는 문제일 수 있다.
종래 인터넷을 통한 교육 서비스는 협업 필터링(Collaborating Filter, CF)을 사용하여 추천 문제를 결정하였다. 협업 필터링에서는 기존 사용자들의 응답을 수집하고, 새로 유입된 사용자의 정답률을 예측한다. 협업 필터링 기반의 문제 추천에서는 예측된 정답률이 가장 낮은 문제, 즉 틀릴 확률이 가장 높은 문제를 추천 문제로 결정한다.
이러한 협업 필터링에서는 단순히 틀릴 확률이 가장 높은 문제를 추천해주기 때문에, 사용자의 실력 향상과 직접적인 관계가 없는 문제가 추천되는 문제가 있다.
예를 들어, 현재 토익 실력이 500점인 사용자에게 900점 수준의 사용자가 겨우 풀 수 있는 문제를 단순히 틀릴 확률이 높다는 이유만으로 제공할 수 있는 것이다. 사용자는 600점 수준의 문제부터 점차적으로 실력을 쌓아야 하는데도 불구하고 학습 효율이 떨어지는 고난이도의 문제를 추천받을 수밖에 없어 학습 효율이 떨어지는 문제가 존재하였다.
이러한 문제를 해결하기 위해, 본 발명의 실시 예에 따른 학습 컨텐츠 추천 시스템(50)은, 사용자의 응답 정보를 수집하여, 특정 문제를 풀이했을 때 사용자가 받을 것으로 예상되는 기대점수를 연산한다. 그리고, 기대점수가 가장 높은 문제를 추천 문제로 결정하여, 사용자 단말(100)로 전송할 수 있다.
현재 토익 500점의 사용자가 A 문제를 풀이한 이후 530점을 받을 것으로 예상되고, B 문제를 풀이한 이후 570점을 받을 것으로 예상되는 경우, B 문제를 추천 문제로 결정하는 방법이다.
학습 컨텐츠 추천 장치(200)는 사용자 단말(100)로부터 수집된 응답 정보를 통해 기대점수를 연산하고 이를 기초로 추천 문제를 결정할 수 있다. 이를 위해, 학습 컨텐츠 추천 장치(200)는 예상점수 연산부(210), 정답률 예측부(220) 및 추천 문제 결정부(230)를 포함할 수 있다.
예상점수 연산부(210)는 사용자 정보를 기초로 사용자가 특정 문제를 맞힐 경우와 틀릴 경우 각각에 대해 사용자의 예상점수를 연산할 수 있다. 이때 문제를 맞힐 경우의 예상점수는 최대 예상점수, 문제를 틀릴 경우의 예상점수는 최소 예상점수일 수 있다. 사용자 정보는 이전에 사용자가 풀이한 문제와 이에 대한 사용자의 응답을 포함할 수 있다. 사용자 정보는 사용자가 문제를 풀이할 때마다 실시간으로 업데이트 될 수 있다.
사용자가 특정 문제를 풀이한 이후에 획득할 것으로 예상되는 점수는 기대점수일 수 있다. 전술한 바와 같이, 본 발명의 실시 예에 따른 학습 컨텐츠 추천 시스템(50)은, 기대점수가 가장 높은 문제를 추천 문제로 결정할 수 있다.
기대점수는 예상점수의 범위 내의 값을 가질 수 있다. 사용자가 해당 문제를 맞혔을 경우의 기대점수는 최대 예상점수일 것이고, 사용자가 해당 문제를 틀렸을 경우의 기대점수는 최소 예상점수일 수 있다.
학습 컨텐츠 추천 장치(200)는 예상점수의 범위 내에서 고정된 기대점수 값을 획득하기 위해 정답률을 사용할 수 있다. 정답률은 사용자가 해당 문제를 맞힐 확률일 수 있다.
정답률 예측부(220)는 사용자 정보를 기초로 정답률을 예측할 수 있다. 정답률 예측에는 RNN, LSTM, 양방향 LSTM 또는 트랜스포머 구조의 인공신경망을 비롯해 다양한 인공신경망 모델이 사용될 수 있다. 일 실시 예에서, 트랜스포머 구조의 인공신경망을 사용하는 경우, 인코더 측에는 문제 정보를 입력하고, 디코더 측에는 응답 정보를 입력하여 문제의 정답률을 예측할 수 있다.
추천 문제 결정부(230)는 예상점수 연산부(210)가 연산한 예상점수 정보와 정답률 예측부(220)가 예측한 정답률 정보를 기초로 추천 문제를 결정할 수 있다. 추천 문제는 예상점수 정보와 정답률 정보를 통해 연산된 기대점수가 가장 높은 문제일 수 있다.
다만, 추천 문제는 기대점수가 가장 높은 하나의 문제에 한정되지 않는다. 다른 실시 예에 따르면, 기대점수가 높은 순으로 미리 설정된 개수의 문제를 추천 문제로 결정하거나, 미리 설정된 값보다 큰 기대점수를 가지는 문제를 추천 문제로 결정할 수도 있다.
추천 문제 결정부(230)는 미리 설정된 알고리즘에 따라 기대점수를 연산할 수 있다. 알고리즘은 제1 알고리즘 및/또는 제2 알고리즘을 포함할 수 있으며, 경우에 따라 둘 중 하나 이상의 알고리즘을 사용해 기대점수를 연산할 수 있다.
제1 알고리즘은 학습도를 반영하지 않고, 예상점수 정보와 정답률 정보만을 사용하여 기대점수를 연산하는 알고리즘이다. 아래의 수학식 1을 참조하면, t개의 문제까지 수집된 사용자 정보는
Figure PCTKR2021010566-appb-img-000001
, 기대점수를 예측하고자 하는 t+1번째 문제는
Figure PCTKR2021010566-appb-img-000002
, t+1번째 문제에 대한 사용자의 예상 응답은
Figure PCTKR2021010566-appb-img-000003
일 수 있다.
이때, 제1 알고리즘에 따라 학습도가 반영되지 않은 기대점수는
Figure PCTKR2021010566-appb-img-000004
, 사용자가 문제를 맞혔을 때의 예상점수(즉, 최대 예상점수)는
Figure PCTKR2021010566-appb-img-000005
, 사용자가 문제를 틀렸을 때의 예상점수(즉, 최소 예상점수)는
Figure PCTKR2021010566-appb-img-000006
, 사용자가 t+1번째 문제를 맞힐 정답률은
Figure PCTKR2021010566-appb-img-000007
일 수 있다.
아래 수학식 1을 참고하면, 알고리즘 1에 따른 기대점수는 "정답률과 최대 예상점수를 곱한 값"과 "틀릴 확률과 최소 예상점수를 곱한 값"을 합산하여 연산될 수 있다.
Figure PCTKR2021010566-appb-img-000008
반면, 제2 알고리즘에 따라 학습도가 반영된 기대점수는 수학식 2를 참고하여 설명될 수 있다. 이때 학습도는 α일 수 있다. 아래 수학식 2를 참고하면, 학습도가 반영된 기대점수는 "학습도에 최대 예상점수를 곱한 값"과 "비학습도(1-α)에 학습도가 반영되지 않은 기대점수를 곱한 값"을 합산하여 연산될 수 있다.
Figure PCTKR2021010566-appb-img-000009
본 발명의 실시 예에 따른 학습 컨텐츠 추천 시스템(50)은, 기대점수 연산 시 문제에 대한 해설을 읽거나 관련 강의를 수강하는 등 문제를 풀 때 발생되는 교육적 효과에 관한 정보인 학습도를 반영할 수 있다.
학습도는 이전에 틀렸던 문제에 대해 학습한 후, 동일 또는 유사한 유형의 문제를 다시 풀었을 때 맞힌 확률로부터 연산될 수 있다. 다시 풀이하는 문제는 여러 개일 수 있고, 이 경우 학습도는 사용자에게 적어도 한 번 이상 주어진 문제들에 대한 평균 정답률일 수 있다.
다만, 실시 예에 따라, 학습도 연산은 동일 또는 유사한 문제에 대한 정답률에 한정되지 않고, 사용자의 문제풀이 환경에서 고려될 수 있는 다양한 변수들(예를 들어, 학습 도중 이탈할 확률, 문제 풀이 시간, 풀이한 문제의 수, … ) 중 하나 이상이 동시에 사용될 수 있다.
추천 문제 결정부(230)는 상술한 바와 같이 예상점수 정보, 정답률 정보, 학습도를 기초로 기대점수를 연산할 수 있다. 연산된 기대점수는 복수의 문제들 각각에 대해 반복적으로 수행될 수 있다.
사용자가 임의의 문제를 풀이한 후 획득할 것으로 예상되는 기대점수를 각 문제마다 연산한다. 그리고, 이를 기초로 가장 높은 기대점수를 가질 것으로 예상되는 문제를 추천 문제로 사용자에게 제공할 수 있다.
본 발명의 실시 예에 따른 학습 컨텐츠 추천 시스템(50)에 따르면, 문제마다 기대점수를 연산한 후, 연산된 기대점수에 기초하여 추천 문제를 결정함으로써, 단순히 틀릴 확률이 높은 문제를 추천할 때보다 사용자의 점수 향상에 최적화된 문제를 추천할 수 있는 효과가 있다.
또한, 본 발명의 실시 예에 따른 학습 컨텐츠 추천 시스템(50)에 따르면, 인공지능을 활용하여 학습자의 학습 능력에 따라 세분화된 교육 컨텐츠를 제공함으로써, 과거의 획일적 교육 방법에서 탈피하여 학습자의 개인 역량에 따른 교육 콘텐츠를 제공할 수 있는 효과가 있다.
도 2는 본 발명의 실시 예에 따른, 학습 컨텐츠 추천 장치의 동작을 상세하게 설명하기 위한 도면이다.
도 2를 참고하면, 학습 컨텐츠 추천 장치(200)는 전술한 도 1의 예상 점수 연산부(210), 정답률 예측부(220), 추천 문제 결정부(230) 외에도, 샘플링부(240) 및 사용자 정보 저장부(250)를 더 포함할 수 있다.
학습 컨텐츠 추천 장치(200)는 각 문제마다 기대점수를 연산하여, 기대점수가 가장 높은 문제를 추천 문제로 결정할 수 있다. 이때 문제 데이터베이스(300)가 가진 모든 문제에 대한 기대점수를 연산하는 것은 소모되는 리소스가 방대하여 전체적인 성능이 저하될 수 있다.
따라서, 샘플링부(240)는 문제 데이터베이스(300)로부터 문제 정보를 수신하고, 추천 문제를 결정하기 위한 후보 문제들을 샘플링할 수 있다. 학습 컨텐츠 추천 장치(200)는 추천 문제를 결정하기 위해 샘플링된 후보 문제에 대해서만 기대점수를 연산할 수 있다.
샘플링부(240)는 실시 예에 따라 다양한 방법으로 후보 문제들을 샘플링 할 수 있다. 샘플링 방법은, 1) 임의의 문제들을 선택하는 방법, 2) 사용자의 평균 정답률이 낮은 문제들을 선택하는 방법, 3) 트랜드가 반영된 최신 기출 문제들을 선택하는 방법, 3) 사용자의 집중도가 높은 문제들을 선택하는 방법 중 하나 이상을 포함할 수 있으나, 이에 한정되지 않는다.
샘플링부(240)는 후보 문제들을 샘플링하고, 사용자 정보 저장부(250)로부터 사용자 정보를 수신하여 샘플링 정보를 생성할 수 있다. 샘플링 정보는 샘플링된 문제 정보와 사용자 정보를 포함할 수 있다. 이후 샘플링부(240)는 샘플링 정보를 예상점수 연산부(210)와 정답률 예측부(220)에 전달할 수 있다.
예상점수 연산부(210)는 샘플링 정보를 기초로 예상점수 정보를 생성할 수 있다. 구체적으로, 예상점수 연산부(210)는 사용자 정보를 기초로, 샘플링된 후보 문제를 맞힐 경우와 틀릴 경우 각각에 대해 사용자의 예상점수를 연산할 수 있다. 문제를 맞힐 경우의 예상점수는 최대 예상점수일 수 있고, 문제를 틀릴 경우의 예상점수는 최소 예상점수일 수 있다.
정답률 예측부(220)는 예상점수의 범위 내에서 고정된 기대점수 값을 획득하기 위해 정답률을 사용할 수 있다. 정답률은 사용자가 해당 문제를 맞힐 확률일 수 있다. 기대점수는 예상점수의 범위 내의 값을 가질 수 있다. 사용자가 해당 문제를 맞힌 경우 기대점수는 최대 예상점수이고, 사용자가 해당 문제를 틀린 경우 기대점수는 최소 예상점수일 수 있다.
정답률 예측부(220)는 사용자 정보를 기초로 정답률을 예측할 수 있다. 정답률 예측에는 RNN, LSTM, 양방향 LSTM 또는 트랜스포머 구조의 인공신경망을 비롯해 다양한 인공신경망 모델이 사용될 수 있다. 일 실시 예에서, 트랜스포머 구조의 인공신경망을 사용하는 경우, 인코더 측에는 문제 정보를 입력하고, 디코더 측에는 응답 정보를 입력하여 문제의 정답률을 예측할 수 있다.
추천 문제 결정부(230)는 예상점수 연산부(210)가 연산한 예상점수 정보와 정답률 예측부(220)가 예측한 정답률 정보를 기초로 추천 문제를 결정할 수 있다. 추천 문제는 예상점수 정보, 정답률 정보를 통해 연산된 기대점수가 가장 높은 문제일 수 있다.
추천 문제 결정부(230)는 기대점수 연산 시 학습도를 이용할 수 있다. 학습도는 문제에 대한 해설을 읽거나 관련 강의를 수강하는 등 문제를 풀 때 발생되는 교육적 효과에 관한 정보를 포함할 수 있다. 학습도를 이용해 기대점수를 연산하는 과정은 후술하는 도 3에 대한 설명에서 상세하게 설명하기로 한다.
추천 문제 결정부(230)는 결정된 추천 문제를 사용자 단말(100)에 제공할 수 있다. 사용자는 추천 문제를 풀이한 결과를 응답 정보로써 사용자 정보 저장부(250)에 제공할 수 있다.
도 3은 본 발명의 실시 예에 따른, 추천 문제 결정부를 설명하기 위한 도면이다.
도 3을 참조하면, 추천 문제 결정부(230)는 기대점수 연산부(231) 및 학습도 연산부(232)를 포함할 수 있다.
기대점수 연산부(231)는 제1 알고리즘 및/또는 제2 알고리즘에 따라 예상점수로부터 기대점수를 연산할 수 있다.
제1 알고리즘은 학습도를 반영하지 않고, 예상점수 정보와 정답률 정보만을 사용하여 기대점수를 연산하는 알고리즘일 수 있다. 제1 알고리즘에 따르면, “정답률과 최대 예상점수를 곱한 값”과 “틀릴 확률과 최소 예상점수를 곱한 값”을 합산하여 기대점수를 연산할 수 있다.
제1 알고리즘에 따라 연산된 기대점수는 학습도(α)가 반영되지 않은 기대점수이다. 학습도가 반영되지 않은 기대점수는 문제풀이 후 해설을 읽거나 강의를 수강하는 등 학습 이후의 사용자의 실력 향상을 충분히 반영하지 못하기 때문에 현재 사용자의 실력에 가장 적합한 학습 컨텐츠를 추천할 수 없다는 문제가 있다.
반면, 제2 알고리즘은 학습도를 반영하여 기대점수를 연산하는 알고리즘일 수 있다. 제2 알고리즘은 학습도, 예상점수 정보, 정답률 정보를 이용하여 기대점수를 연산할 수 있다. 제2 알고리즘에 따르면, 학습도가 반영된 기대점수는 "학습도에 최대 예상점수를 곱한 값"과 "비학습도(1-α)에 학습도가 반영되지 않은 기대점수를 곱한 값"을 합산하여 기대점수를 연산될 수 있다.
제2 알고리즘으로 기대점수를 연산하더라도, 학습도가 반영된 기대점수 연산시 학습도가 반영되지 않은 기대점수를 사용하므로, 제1 알고리즘의 사용은 수반될 수 있다.
제2 알고리즘에 따라 연산된 기대점수는 학습도를 반영하기 때문에 매 문제풀이 단계마다 향상되는 사용자의 실력을 반영할 수 있다. 따라서 사용자의 현재 실력을 반영한 문제를 학습 컨텐츠를 제공함으로써 효과적인 학습이 가능하도록 하는 효과가 있다.
사용자 정보 저장부(250)는 사용자 단말(100)로부터 추천 문제에 대한 응답 정보를 수신하고 저장할 수 있다. 이후 사용자 정보 저장부(250)는 사용자 정보를 수신한 응답 정보에 따라 업데이트 하고, 새로운 추천 문제 연산을 위해 사용자 정보를 제공할 수 있다. 사용자 정보 저장부(250)는 인공지능 예측을 위해 상기 예상점수 연산부(210)와 상기 정답률 예측부(220)에 상기 사용자 정보를 제공하고, 사용자의 문제 풀이에 따른 응답 정보를 저장할 수 있다.
도 2에서는, 사용자 정보가 샘플링부(240)를 통해 예상점수 연산부(210)와 정답률 예측부(220)로 제공되는 것으로 도시되었지만, 이는 하나의 예시일 뿐 샘플링부(240)를 거치치 않고 예상점수 연산부(210)와 정답률 예측부(220)에 제공될 수 있다.
도 4는 본 발명의 실시 예에 따른, 학습효과가 반영된 기대점수의 연산을 설명하기 위한 그래프이다.
도 4를 참조하면, 도 4는 시간의 흐름에 따라 사용자의 점수 변화를 그래프로 도시하고 있다.
P는 사용자의 현재 상태를 나타낸다. t1에서 사용자는 500점의 실력을 보유하고 있다. 사용자는 문제를 풀이하고 해설을 읽거나 관련 강의를 수강하는 등의 학습 후 t2에서 향상된 실력을 보유할 수 있다.
본 발명의 실시 예에 따른 학습 컨텐츠 추천 시스템(50)은, 문제를 풀이한 이후 예상되는 사용자의 예상점수와 기대점수를 연산할 수 있다. 예상점수는 해당 문제를 맞힌 경우의 최대 예상점수(Smax)와 문제를 틀린 경우의 최소 예상점수(Smin)를 포함할 수 있다.
도 4의 실시 예에서, 문제를 틀릴 경우 사용자의 예상점수는 420점이고, 문제를 맞힐 경우 사용자의 예상점수는 700점일 수 있다. 기대점수는 예상점수 범위 내의 값을 가지며, 그 문제에 대한 사용자의 정답률을 반영하여 연산될 수 있다.
경로 A는 학습도가 반영되지 않은 기대점수(E)를 연산하는 과정이다. 학습도가 반영되지 않은 기대점수(E)는 최대 예상점수(Smax), 최소 예상점수(Smin) 및 정답률을 사용하여 연산될 수 있다.
학습도가 반영되지 않은 기대점수는 실제로 학습 후 향상된 사용자의 실력을 반영하지 못하기 때문에, 학습도가 반영된 기대점수(E')보다 낮은 점수를 갖는다. 도 4에서, 학습도가 반영된 기대점수(E')는 660점인 반면, 학습도가 반영되지 않은 기대점수(E)는 550점이다.
경로 B는 학습도가 반영된 기대점수(E')를 연산하는 과정이다. 학습도가 반영된 기대점수(E')는 최대 예상점수(Smax), 최소 예상점수(Smin), 정답률 및 학습도를 사용하여 연산될 수 있다.
학습도가 반영된 기대점수(E')는 경로 A에 따라 학습도가 반영되지 않은 기대점수(E)를 연산한 후, 이를 이용하여 연산될 수 있다. 구체적인 수식은 전술한 수학식 2를 통해 이해될 수 있다.
학습도는 문제에 대한 해설을 읽거나 관련 강의를 수강하는 등 문제를 풀 때 발생되는 교육적 효과에 관한 정보를 포함할 수 있다. 학습도를 반영하여 기대점수를 연산함으로써, 학습 후 향상된 사용자의 실력을 실시간으로 반영할 수 있는 효과가 있다.
도 5는 본 발명의 실시 예에 따른, 학습 컨텐츠 추천 시스템의 동작 방법을 설명하기 위한 순서도이다.
도 5를 참조하면, S501 단계에서, 학습 컨텐츠 추천 시스템(50)은 문제 데이터베이스(300)로부터 문제 정보를 수신하고, 수신한 문제 정보 중에서 후보 문제들을 샘플링할 수 있다.
문제 데이터베이스(300)가 보유한 모든 문제에 대해 기대점수를 연산하는 것은 연산에 요구되는 리소스가 방대하여 전체적인 성능이 저하될 수 있으므로, 학습 컨텐츠 추천 시스템(50)은 기대점수를 연산할 후보 문제들을 먼저 샘플링하는 것이다.
S503 단계에서, 학습 컨텐츠 추천 시스템(50)은 사용자가 이전에 풀이한 문제와 그 문제에 대한 응답을 포함하는 사용자 정보를 수신할 수 있다.
사용자 정보는 문제와 문제에 대한 응답의 쌍으로 구성될 수 있다. 사용자 정보는 사용자가 문제를 풀이할 때마다, 풀이 결과를 반영하여 업데이트 될 수 있다.
S505 단계에서, 학습 컨텐츠 추천 시스템(50)은 샘플링된 문제 정보와 사용자 정보를 인공지능 모델에 전송할 수 있다. 샘플링된 문제 정보와 사용자 정보는 샘플링 정보일 수 있다.
학습 컨텐츠 추천 시스템(50)은 샘플링 정보를 인공지능 모델에 입력하여 예상점수와 정답률을 예측할 수 있다. 예상점수와 정답률은 각자에 최적화된 서로 다른 인공지능 모델을 사용하여 예측될 수 있다.
구체적으로, S507 단계에서, 학습 컨텐츠 추천 시스템(50)은 사용자 정보를 기초로 샘플링된 문제의 정답률을 예측할 수 있다. 그리고, S509 단계에서, 학습 컨텐츠 추천 시스템(50)은 사용자 정보를 기초로, 샘플링된 문제를 맞혔을 경우의 사용자의 예상점수(최대 예상점수)와 샘플링된 문제를 틀렸을 경우의 사용자의 예상점수(최소 예상점수)를 연산할 수 있다.
S511 단계에서, 학습 컨텐츠 추천 시스템(50)은 예상점수 정보와 정답률 정보를 기초로 추천 문제를 결정하고, 사용자에게 제공할 수 있다.
S511 단계에 대한 좀 더 구체적인 설명을 위해 도 6을 참조하면, S511 단계는, 문제에 대한 해설을 읽거나 관련 강의를 수강하는 등 문제를 풀 때 발생되는 교육적 효과에 관한 정보인 학습도를 연산하는 S601 단계와, 학습도, 예상점수 정보 및 정답률 정보를 기초로 학습효과가 반영된 기대점수를 연산하는 S603 단계를 포함한다.
이상, 도 1 내지 도 6을 참조하여 본 발명의 실시 예들을 설명하였다. 도 1 내지 도 3에서 사용자 단말(100) 및 학습 컨텐츠 추천 장치(200)는 각각 하나 이상의 프로세서를 포함하는 컴퓨팅 장치일 수 있다.
또한, 학습 컨텐츠 추천 장치(200)를 구성하는 구성요소들은 모듈로 구현될 수 있다. 모듈은 소프트웨어 또는 Field Programmable Gate Array(FPGA)나 주문형 반도체(Application Specific Integrated Circuit, ASIC)와 같은 하드웨어 구성요소를 의미하며, 모듈은 어떤 역할들을 수행한다. 그렇지만 모듈은 소프트웨어 또는 하드웨어에 한정되는 의미는 아니다. 모듈은 어드레싱할 수 있는 저장 매체에 있도록 구성될 수도 있고 하나 또는 그 이상의 프로세서들을 실행시키도록 구성될 수도 있다. 따라서, 일 예로서 모듈은 소프트웨어 구성요소들, 객체지향 소프트웨어 구성요소들, 클래스 구성요소들 및 태스크 구성요소들과 같은 구성요소들과, 프로세스들, 함수들, 속성들, 프로시저들, 서브루틴들, 프로그램 코드의 세그먼트들, 드라버들, 펌웨어, 마이크로코드, 회로, 데이터, 데이터베이스, 데이터 구조들, 테이블들, 어레이들, 및 변수들을 포함한다. 구성요소들과 모듈들에서 제공되는 기능은 더 작은 수의 구성요소들 및 모듈들로 결합되거나 추가적인 구성요소들과 모듈들로 더 분리될 수 있다.
본 명세서와 도면에 게시된 본 발명의 실시 예들은 본 발명의 기술 내용을 쉽게 설명하고 본 발명의 이해를 돕기 위해 특정 예를 제시한 것뿐이며, 본 발명의 범위를 한정하고자 하는 것은 아니다. 여기에 게시된 실시 예들 이외에도 본 발명의 기술적 사상에 바탕을 둔 다른 변형 예들이 실시 가능하다는 것은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에게 자명한 것이다.
상술한 바와 같은 학습 컨텐츠 추천 장치, 시스템 및 그것의 동작 방법은 인터넷을 통한 교육 서비스 분야에 적용될 수 있다.

Claims (6)

  1. 사용자의 학습효과를 반영하여 추천 문제를 결정하는 학습 컨텐츠 추천 장치에 있어서,
    사용자가 이전에 풀이한 문제와 이에 대한 사용자의 응답을 포함하는 사용자 정보를 기초로, 사용자가 후보 문제를 맞힐 경우에 가질 수 있는 예상점수인 최대 예상점수와 사용자가 상기 후보 문제를 틀릴 경우에 가질 수 있는 예상점수인 최소 예상점수를 포함하는 예상점수 정보를 연산하는 예상점수 연산부;
    상기 사용자 정보를 기초로 사용자가 상기 후보 문제를 맞힐 확률인 정답률 정보를 예측하는 정답률 예측부; 및
    상기 예상점수 정보, 상기 정답률 정보 및 학습도 중 하나 이상에 근거하여 기대점수를 연산하고, 상기 기대점수에 따라 추천 문제를 결정하는 추천 문제 결정부;를 포함하되,
    상기 추천 문제 결정부는,
    사용자가 이전에 틀렸던 문제에 대해 학습한 후, 동일 또는 유사한 유형의 문제를 다시 풀었을 때 맞힐 확률인 상기 학습도를 연산하는 학습도 연산부; 및
    상기 예상점수 정보 및 상기 정답률 정보 중 하나 이상에 근거하여 상기 학습도가 반영되지 않은 제1 기대점수를 연산하고, 상기 제1 기대점수, 상기 최대 예상점수 및 상기 학습도 중 하나 이상에 근거하여 상기 학습도가 반영된 제2 기대점수를 연산하는 기대점수 연산부;를 포함하는 학습 컨텐츠 추천 장치.
  2. 제1항에 있어서,
    문제 데이터베이스로부터 문제 정보를 수신하고, 추천 문제를 결정하기 위한 상기 후보 문제들을 샘플링하는 샘플링부;
    인공지능 예측을 위해 상기 예상점수 연산부와 상기 정답률 예측부에 상기 사용자 정보를 제공하고, 사용자의 문제 풀이에 따른 응답 정보를 저장하는 사용자 정보 저장부;를 더 포함하는 학습 컨텐츠 추천 장치.
  3. 제1항에 있어서,
    상기 정답률 예측부는,
    RNN, LSTM, 양방향 LSTM 및 트랜스포머 구조의 인공신경망 중 하나 이상의 인공신경망 모델을 사용하여 상기 정답률을 예측하고,
    상기 트랜스포머 구조의 인공신경망은,
    인코더 측에는 상기 문제 정보를 입력하고, 디코더 측에는 상기 응답정보를 입력하여 상기 정답률을 예측하는 학습 컨텐츠 추천 장치.
  4. 제1항에 있어서,
    상기 기대점수 연산부는 제1 알고리즘을 포함하고,
    상기 제1 알고리즘은 상기 예상점수 정보 및 상기 정답률 정보에 기초하여 상기 제1 기대점수를 연산하는 학습 컨텐츠 추천 장치.
  5. 제1항에 있어서,
    상기 기대점수 연산부는 제2 알고리즘을 포함하고,
    상기 제2 알고리즘은 상기 예상점수 정보, 상기 정답률 정보 및 상기 학습도를 사용하여 상기 제2 기대점수를 연산하는 학습 컨텐츠 추천 장치.
  6. 사용자의 학습효과를 반영하여 추천 문제를 결정하는 학습 컨텐츠 추천 장치의 동작 방법에 있어서, 상기 동작 방법은,
    샘플링부가, 추천 문제를 결정하기 위한 후보 문제를 샘플링하는 단계;
    예상점수 연산부가, 상기 샘플링부로부터 상기 후보 문제를 수신하고, 사용자가 이전에 풀이한 문제와 이에 대한 사용자의 응답을 포함하는 사용자 정보를 기초로, 사용자가 상기 후보 문제를 맞힌 경우에 가질 수 있는 예상점수인 최대 예상점수와 사용자가 상기 후보 문제를 틀린 경우에 가질 수 있는 예상점수인 최소 예상점수를 포함하는 예상점수 정보를 연산하는 단계;
    정답률 예측부가, 상기 샘플링부로부터 상기 후보 문제를 수신하고, 상기 사용자 정보를 기초로 사용자가 상기 후보 문제를 맞힐 확률인 정답률 정보를 예측하는 단계;
    추천 문제 결정부가, 상기 예상점수 연산부로부터 상기 예상점수 정보를 수신하고, 상기 정답률 예측부로부터 상기 정답률 정보를 수신하여, 상기 예상점수 정보, 상기 정답률 정보 및 학습도 중 하나 이상에 근거하여 기대점수를 연산하고, 상기 기대점수에 따라 추천 문제를 결정하는 단계; 및
    상기 추천 문제를 사용자 단말로 전송하는 단계를 포함하되,
    상기 추천 문제를 결정하는 단계는,
    사용자가 이전에 틀렸던 문제에 대해 학습한 후, 동일 또는 유사한 유형의 문제를 다시 풀었을 때 맞힐 확률인 상기 학습도를 연산하는 단계;
    상기 예상점수 정보 및 상기 정답률 정보 중 하나 이상에 근거하여 상기 학습도가 반영되지 않은 제1 기대점수를 연산하는 단계; 및
    상기 제1 기대점수, 상기 최대 예상점수 및 상기 학습도 중 하나 이상에 근거하여 상기 학습도가 반영된 제2 기대점수를 연산하는 단계;를 포함하는 학습 컨텐츠 추천 장치의 동작 방법.
PCT/KR2021/010566 2020-09-16 2021-08-10 사용자의 학습효과를 반영하여 추천 문제를 결정하는 학습 컨텐츠 추천 장치, 시스템 및 그것의 동작 방법 WO2022059921A1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR10-2020-0119163 2020-09-16
KR1020200119163A KR102283711B1 (ko) 2020-09-16 2020-09-16 사용자의 학습효과를 반영하여 추천문제를 결정하는 학습 컨텐츠 추천 장치, 시스템 및 그것의 동작 방법

Publications (1)

Publication Number Publication Date
WO2022059921A1 true WO2022059921A1 (ko) 2022-03-24

Family

ID=77148640

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2021/010566 WO2022059921A1 (ko) 2020-09-16 2021-08-10 사용자의 학습효과를 반영하여 추천 문제를 결정하는 학습 컨텐츠 추천 장치, 시스템 및 그것의 동작 방법

Country Status (3)

Country Link
US (1) US20220084428A1 (ko)
KR (11) KR102283711B1 (ko)
WO (1) WO2022059921A1 (ko)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102283711B1 (ko) * 2020-09-16 2021-07-30 (주)뤼이드 사용자의 학습효과를 반영하여 추천문제를 결정하는 학습 컨텐츠 추천 장치, 시스템 및 그것의 동작 방법
KR20230140061A (ko) 2022-03-29 2023-10-06 주식회사 아이스크림에듀 인공지능을 이용한 학습 코스 추천 방법 및 이를 위한 학습 코스 추천 장치
KR102509107B1 (ko) * 2022-07-07 2023-03-14 주식회사 에이치투케이 인공지능 기반 학습자 상태 진단 장치 및 방법
KR102513758B1 (ko) * 2022-07-07 2023-03-27 주식회사 에이치투케이 커리큘럼 내 학습 세션 추천 시스템 및 방법
KR20240011370A (ko) 2022-07-19 2024-01-26 주식회사 유리프트 코딩학습데이터에 기반한 비대면 학습 커리큘럼 생성 및 추천 시스템
KR102637603B1 (ko) * 2022-12-12 2024-02-16 주식회사 아티피셜 소사이어티 사용자 맞춤형 학습 컨텐츠를 제공하기 위한 방법 및 장치

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20100123209A (ko) * 2009-05-14 2010-11-24 윤주웅 온라인 학습 평가 방법 및 그 장치, 그 기록 매체
KR101996247B1 (ko) * 2019-01-17 2019-07-04 주식회사 아노토코리아 진단 검사 방법 및 장치
KR102015075B1 (ko) * 2018-10-16 2019-08-27 (주)뤼이드 학습 효율을 기반으로 개인 맞춤형 교육 컨텐츠를 제공하기 위한 기계학습 방법, 장치 및 컴퓨터 프로그램
KR20190105252A (ko) * 2018-03-05 2019-09-17 (주)뤼이드 Ai 튜터를 이용한 학습 컨텐츠 제공 방법 및 장치
KR102064683B1 (ko) * 2018-09-21 2020-01-09 이화여자대학교 산학협력단 아동의 언어발달상태 측정 장치 및 방법, 그 방법을 수행하기 위한 기록 매체
KR102283711B1 (ko) * 2020-09-16 2021-07-30 (주)뤼이드 사용자의 학습효과를 반영하여 추천문제를 결정하는 학습 컨텐츠 추천 장치, 시스템 및 그것의 동작 방법

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20100123209A (ko) * 2009-05-14 2010-11-24 윤주웅 온라인 학습 평가 방법 및 그 장치, 그 기록 매체
KR20190105252A (ko) * 2018-03-05 2019-09-17 (주)뤼이드 Ai 튜터를 이용한 학습 컨텐츠 제공 방법 및 장치
KR102064683B1 (ko) * 2018-09-21 2020-01-09 이화여자대학교 산학협력단 아동의 언어발달상태 측정 장치 및 방법, 그 방법을 수행하기 위한 기록 매체
KR102015075B1 (ko) * 2018-10-16 2019-08-27 (주)뤼이드 학습 효율을 기반으로 개인 맞춤형 교육 컨텐츠를 제공하기 위한 기계학습 방법, 장치 및 컴퓨터 프로그램
KR101996247B1 (ko) * 2019-01-17 2019-07-04 주식회사 아노토코리아 진단 검사 방법 및 장치
KR102283711B1 (ko) * 2020-09-16 2021-07-30 (주)뤼이드 사용자의 학습효과를 반영하여 추천문제를 결정하는 학습 컨텐츠 추천 장치, 시스템 및 그것의 동작 방법

Also Published As

Publication number Publication date
KR20220036900A (ko) 2022-03-23
KR102626443B1 (ko) 2024-01-18
KR20220036903A (ko) 2022-03-23
KR20220036848A (ko) 2022-03-23
KR20220036906A (ko) 2022-03-23
KR20220036904A (ko) 2022-03-23
KR20220036902A (ko) 2022-03-23
KR20220036905A (ko) 2022-03-23
KR20220036901A (ko) 2022-03-23
KR20220036907A (ko) 2022-03-23
KR20220036899A (ko) 2022-03-23
KR102283711B1 (ko) 2021-07-30
US20220084428A1 (en) 2022-03-17

Similar Documents

Publication Publication Date Title
WO2022059921A1 (ko) 사용자의 학습효과를 반영하여 추천 문제를 결정하는 학습 컨텐츠 추천 장치, 시스템 및 그것의 동작 방법
WO2021251690A1 (ko) 인공 지능 학습 기반의 학습 컨텐츠 추천 시스템 및 그것의 동작 방법
WO2018212397A1 (ko) 시험 점수를 추정하는 방법, 장치 및 컴퓨터 프로그램
WO2020218758A1 (ko) 학습자 맞춤형 교육 서비스를 제공하기 위한 방법, 시스템 및 비일시성의 컴퓨터 판독 가능한 기록 매체
WO2021095987A1 (ko) 다중타입 엔티티에 기반한 지식 보완 방법 및 장치
CN106021347B (zh) 一种免信息打扰的在线交互答疑系统及方法
US20140322694A1 (en) Method and system for updating learning object attributes
WO2013115488A1 (ko) 클라우드 컴퓨팅 기반 ｎ 스크린 스마트 교육 시스템 및 그 방법
WO2022145829A1 (ko) 잠재인자에 기반한 협업 필터링을 사용하여 사용자의 정답확률을 예측하는 학습 컨텐츠 추천 시스템 및 그것의 동작방법
CN110189238A (zh) 辅助学习的方法、装置、介质以及电子设备
WO2015064839A1 (ko) 학습 관리 서버 및 학습 관리 방법
CN110765362A (zh) 一种基于学习情况相似度的协同过滤个性化学习推荐方法
CN114090839A (zh) 用于学习者认知结构的处理方法、系统、装置及存储介质
CN114283036A (zh) 一种基于大数据的减负增效学习系统
US20130034839A1 (en) Computer Method And System Determining What Learning Elements Are Most Effective
WO2019139248A1 (ko) 네트워크 상의 어학 스피킹 수업 관리 방법 및 이에 사용되는 관리 서버
WO2022102966A1 (ko) 점수 확률 분포 형태 통일화를 통해 평가 가능한 문제를 추천하는 학습 문제 추천 시스템 및 이것의 동작 방법
WO2022080666A1 (ko) 인공 지능 학습 기반의 사용자 지식 추적 장치, 시스템 및 그것의 동작 방법
WO2022270840A1 (ko) 외국어 학습자의 어휘 실력 예측과 향상을 위한 딥러닝 기반의 단어 추천 시스템
WO2022149758A1 (ko) 풀이 경험이 없는 추가된 문제 컨텐츠에 대한 예측된 정답 확률을 기초로, 문제를 평가하는 학습 컨텐츠 평가 장치, 시스템 및 그것의 동작 방법
WO2021049700A1 (ko) 서비스 인력 관리를 위한 애플리케이션 및 서버
WO2014092456A1 (ko) 학습 컨텐츠 제공 방법 및 장치
WO2023101235A1 (ko) 학습자 행동 정보 기반 맞춤형 문제 제공 플랫폼 운영 방법 및 시스템
WO2022097909A1 (ko) 비지도 기반 질의 생성 모델의 학습 방법 및 장치
WO2017043798A1 (ko) 언어 학습을 지원하기 위한 방법, 시스템 및 비일시성의 컴퓨터 판독 가능한 기록 매체

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 21869544

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 21869544

Country of ref document: EP

Kind code of ref document: A1