Search

KR-20260060753-A - METHOD OF PROVIDING PERSONALIZED PROBLEMS TO STUDENTS USING GRAPH-BASED ARTIFICIAL INTELLIGENCE MODEL AND ELECTRONIC DEVICE PERFORMING THE SAME

KR20260060753AKR 20260060753 AKR20260060753 AKR 20260060753AKR-20260060753-A

Abstract

본 개시는 그래프 기반 인공지능 모델을 이용하여 학생 개인 맞춤형 문제를 제공하는 방법 및 이를 수행하는 전자 장치에 관한 것이다. 본 개시의 일 실시예에 따른 방법은, 제1 개념에 대한 제1 문제를 사용자 장치에 전달하는 단계, 사용자 장치로부터 제1 문제에 대한 학생의 답변에 대응하는 제1 사용자 입력을 수신하는 단계, 제1 사용자 입력에 기초하여 답변의 정답 여부를 결정하는 단계, 제1 문제, 결정된 정답 여부, 제1 문제를 풀이한 시점에 기초하여 제1 지식 그래프를 업데이트하는 단계, 업데이트된 제1 지식 그래프를 입력으로 하는 제1 인공지능 모델을 이용하여 학생의 제1 개념에 대한 학습 숙련도를 판단하는 단계, 판단된 학습 숙련도 및 제2 지식 그래프에 기초하여 제2 문제를 결정하는 단계, 제2 문제를 사용자 장치에 전달하는 단계를 포함할 수 있다.

Inventors

  • 최원영

Assignees

  • 주식회사 다넥트

Dates

Publication Date
20260506
Application Date
20241025

Claims (10)

  1. 그래프 기반 인공지능 모델을 이용하여 학생 개인 맞춤형 문제를 제공하는 방법에 있어서, 제1 개념에 대한 제1 문제를 사용자 장치에 전달하는 단계; 상기 사용자 장치로부터 상기 제1 문제에 대한 학생의 답변에 대응하는 제1 사용자 입력을 수신하는 단계; 상기 제1 사용자 입력에 기초하여 상기 답변의 정답 여부를 결정하는 단계; 상기 제1 문제, 상기 결정된 정답 여부, 상기 제1 문제를 풀이한 시점에 기초하여, 제1 지식 그래프를 업데이트하는 단계; 상기 업데이트된 제1 지식 그래프를 입력으로 하는 제1 인공지능 모델을 이용하여, 상기 학생의 상기 제1 개념에 대한 학습 숙련도를 판단하는 단계; 상기 판단된 학습 숙련도 및 제2 지식 그래프에 기초하여, 제2 문제를 결정하는 단계; 상기 제2 문제를 상기 사용자 장치에 전달하는 단계를 포함하는, 방법.
  2. 제1항에 있어서, 상기 제1 지식 그래프는, 학생 정보, 문제 정보, 문제풀이 시점 정보, 정답 여부 정보, 및 개념 정보에 대응하는 복수의 노드들을 포함하는, 방법.
  3. 제2항에 있어서, 상기 제1 지식 그래프를 업데이트하는 단계는: 제1 노드, 제2 노드, 제3 노드, 상기 제1 노드와 상기 제2 노드 간의 제1 엣지, 및 상기 제2 노드와 상기 제3 노드 간의 제2 엣지로 구성되도록 상기 제1 지식 그래프를 업데이트하는 단계를 포함하고, 상기 제1 노드는 상기 학생에 대한 식별자를 상기 학생 정보로 갖고, 상기 제2 노드는 상기 제1 문제에 대한 식별자를 상기 문제 정보로 갖고, 상기 제1 엣지는 상기 제1 문제를 풀이한 시점을 상기 문제풀이 시점 정보로 갖고, 상기 결정된 정답 여부에 대한 식별자를 상기 정답 여부 정보를 갖고, 상기 제3 노드는 상기 제1 문제에 대응하는 상기 개념을 상기 개념 정보로 갖는, 방법.
  4. 제1항에 있어서, 상기 제2 문제를 결정하는 단계는: 개념-문제 간 제2 지식 그래프를 획득하는 단계; 상기 제2 지식 그래프에 기초하여, 상기 제1 개념 또는 상기 제1 개념과 관련된 제2 개념에 대응하는 복수의 문제들을 획득하는 단계; 상기 판단된 학습 숙련도 및 상기 복수의 문제들을 입력으로 하는 제2 인공지능 모델을 이용하여, 상기 학생이 상기 복수의 문제들 각각에 대해 정답을 맞출 확률을 계산하는 단계; 및 상기 계산된 확률에 기초하여, 복수의 문제들의 확률들 중 기 정의된 조건을 만족하는 확률을 갖는 문제를 상기 제2 문제로 결정하는 단계를 포함하는, 방법.
  5. 제4항에 있어서, 상기 제1 개념과 상기 제2 개념은, 전제 조건 관계, 포함 관계, 상속 관계, 인과 관계, 및 연관 관계 중 적어도 하나의 관계를 갖는, 방법.
  6. 제4항에 있어서, 상기 제2 지식 그래프는 복수의 개념어 노드들과 복수의 문제 노드들을 포함하는, 방법.
  7. 제6항에 있어서, 상기 제2 지식 그래프의 상기 개념어 노드들에 대응하는 개념 리스트와, 상기 제1 지식 그래프의 개념 정보에 대응하는 개념 리스트는 동일한, 방법.
  8. 제2항에 있어서, 상기 업데이트된 제1 지식 그래프를 입력으로 하는 제1 인공지능 모델을 이용하여, 상기 학생의 상기 제1 개념에 대한 학습 숙련도를 판단하는 단계는: 상기 문제 정보에 대응하는 문제를 풀이하기 전에 제공된 문제를 풀이한 제1 시점과 상기 문제 정보에 대응하는 문제를 풀이한 제2 시점 간의 시간격을 계산하는 단계; 상기 계산된 시간격이 기 정의된 임계 값 이상인지를 판단하는 단계; 및 상기 계산된 시간격이 기 정의된 임계 값 이상인 것으로 판단하는 것에 기초하여, 상기 제1 인공지능 모델 중 적어도 하나의 레이어가 제1 가중치 파라미터들을 갖도록 설정하고, 상기 계산된 시간격이 기 정의된 임계 값 미만인 것으로 판단하는 것에 기초하여, 상기 제1 인공지능 모델 중 적어도 하나의 레이어가 제2 가중치 파라미터들을 갖도록 설정하는 단계를 포함하는, 방법.
  9. 제1항에 있어서, 적어도 하나의 시점에 따른 상기 판단된 학습 숙련도를 시각화하는 단계; 및 상기 시각화된 학습 숙련도를 상기 사용자 장치에 전달하는 단계를 포함하는, 방법.
  10. 전자 장치에 있어서, 프로세싱 회로를 포함하는 적어도 하나의 프로세서; 및 적어도 하나의 인스트럭션을 저장하는, 적어도 하나의 메모리를 포함하되, 상기 적어도 하나의 프로세서가 상기 적어도 하나의 인스트럭션을 실행함으로써, 상기 전자 장치는: 제1 개념에 대한 제1 문제를 사용자 장치에 전달하고, 상기 사용자 장치로부터 상기 제1 문제에 대한 학생의 답변에 대응하는 제1 사용자 입력을 수신하고, 상기 제1 사용자 입력에 기초하여 상기 답변의 정답 여부를 결정하고, 상기 제1 문제, 상기 결정된 정답 여부, 상기 제1 문제를 풀이한 시점에 기초하여, 제1 지식 그래프를 업데이트하고, 상기 업데이트된 제1 지식 그래프를 입력으로 하는 제1 인공지능 모델을 이용하여, 상기 학생의 상기 제1 개념에 대한 학습 숙련도를 판단하고, 상기 판단된 학습 숙련도 및 제2 지식 그래프에 기초하여, 제2 문제를 결정하고, 상기 제2 문제를 상기 사용자 장치에 전달하는, 전자 장치.

Description

그래프 기반 인공지능 모델을 이용하여 학생 개인 맞춤형 문제를 제공하는 방법 및 이를 수행하는 전자 장치{METHOD OF PROVIDING PERSONALIZED PROBLEMS TO STUDENTS USING GRAPH-BASED ARTIFICIAL INTELLIGENCE MODEL AND ELECTRONIC DEVICE PERFORMING THE SAME} 본 개시는 그래프 기반 인공지능 모델을 이용하여 학생 개인 맞춤형 문제를 제공하는 방법 및 이를 수행하는 전자 장치에 관한 것이며, 좀 더 상세하게는 학생의 문제풀이에 따라 지식 그래프를 동적으로 업데이트함으로써 학생 개인별 학습 숙련도를 추적하고, 복수의 지식 그래프들을 활용하여 특정 개념 혹은 관련 개념들에 대한 문제를 제공함으로써, 학생 개인 맞춤형 문제를 제공하는 방법 및 이를 수행하는 전자 장치에 관한 것이다. 최근 개인 맞춤형 학습에 있어서 지식 그래프를 활용하는 연구가 지속되고 있다. 지식 그래프는 학생들의 학습 데이터를 기반으로 각 학생에게 맞춤형 학습 경로를 제공하는 기술이다. 이를 통해 학생들은 자신의 학습 수준에 맞는 학습 자료와 문제를 제공받아 효율적으로 학습할 수 있다. 그러나, 현재의 기술은 특정 학생과 특정 문제에 대해 고정된 학습 피드백을 제공하는 데 그치고 있다. 이러한 고정된 학습 피드백은 학생들의 개별적인 학습 수준과 숙련도를 충분히 반영하지 못하는 문제를 가지고 있다. 학생마다 학습 속도와 이해도가 다르기 때문에, 동일한 피드백이 모든 학생에게 효과적이지 않을 수 있다. 특히, 첫 번째 챕터에서 개념을 이해하지 못한 학생은 뒤에 연결된 개념들과 문제를 이해하는 데 어려움을 겪게 된다. 이는 학습의 연속성을 저해하고, 학생들의 학습 동기를 떨어뜨릴 수 있다. 결과적으로, 이러한 문제는 교육 효과의 저하로 이어지며, 교사의 수업 진행에도 어려움을 초래한다. 교사는 각 학생의 학습 수준을 일일이 파악하고, 그에 맞는 피드백을 제공해야 하는 부담을 안게 된다. 이는 교사의 업무량을 증가시키고, 수업의 질을 저하시킬 수 있다. 따라서, 학생들의 개별적인 학습 수준을 반영한 보다 유연한 학습 피드백 시스템이 필요하다. 도 1은 본 개시의 일 실시예에 따른 개인 맞춤형 문제를 제공하는 방법을 보여주는 개념도이다. 도 2는 본 개시의 일 실시예에 따른 전자 장치를 보여주는 블록도이다. 도 3은 본 개시의 일 실시예에 따른 학습 숙련도 판단 모듈을 보여주는 블록도이다. 도 4는 본 개시의 일 실시예에 따른 문제 추천 모듈을 보여주는 블록도이다. 도 5는 본 개시의 일 실시예에 따른 전자 장치를 보여주는 블록도이다. 도 6은 본 개시의 일 실시예에 따른 전자 장치와 제1 사용자 장치를 보여주는 블록도이다. 도 7은 본 개시의 일 실시예에 따른 전자 장치, 제1 사용자 장치, 및 제2 사용자 장치를 보여주는 블록도이다. 도 8은 본 개시의 일 실시예에 따른 그래프 기반 인공지능 모델을 이용하여 학생 개인 맞춤형 문제를 제공하는 방법을 보여주는 흐름도이다. 도 9는 도 8의 S850 단계의 세부 단계들을 보여주는 흐름도이다. 도 10은 도 8의 S860 단계의 세부 단계들을 보여주는 흐름도이다 이하에서, 본 개시의 실시예들을 첨부된 도면을 참조하여 상세하게 설명한다. 본 개시의 기술 분야에서 통상의 지식을 가진 자가 본 개시를 용이하게 실시할 수 있을 정도로, 실시예들이 명확하게 상세하게 기재될 것이다. 그러나, 권리범위는 이러한 실시예들에 의해 제한되거나 한정되는 것은 아니다. 각 도면 상의 유사한 구성요소에 대해서는 동일 또는 유사한 참조부호가 사용되고, 동일 또는 유사한 구성요소에 대해서 중복되는 설명은 생략한다. 아래 설명에서 사용되는 용어는, 연관되는 기술 분야에서 일반적이고 보편적인 것으로 선택되었으나, 기술의 발달 및/또는 변화, 관례, 기술자의 선호 등에 따라 다른 용어가 있을 수 있다. 따라서, 아래 설명에서 사용되는 용어는 기술적 사상을 한정하는 것으로 이해되어서는 안 되며, 실시예들을 설명하기 위한 예시적 용어로 이해되어야 한다. 또한 특정한 경우는 출원인이 임의로 선정한 용어도 있으며, 이 경우 해당되는 설명 부분에서 상세한 그 의미를 기재할 것이다. 따라서 아래 설명에서 사용되는 용어는 단순한 용어의 명칭이 아닌 그 용어가 가지는 의미와 명세서 전반에 걸친 내용을 토대로 이해되어야 한다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함할 수 있다. 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 용어들은 본 명세서에 기재된 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가질 수 있다. 또한, 본 명세서에서 사용되는 '제1' 또는 '제2' 등과 같이 서수를 포함하는 용어는 다양한 구성 요소들을 설명하는데 사용할 수 있지만, 상기 구성 요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성 요소를 다른 구성 요소로부터 구별하는 목적으로만 사용된다. 명세서 전체에서 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있음을 의미한다. 또한, 명세서에 기재된 "부", "모듈" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어 또는 소프트웨어로 구현되거나 하드웨어와 소프트웨어의 결합으로 구현될 수 있다. 아래에서는 첨부한 도면을 참고하여 본 개시의 실시예에 대하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 그러나 본 개시는 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고 도면에서 본 개시를 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다. 또한, 각각의 도면에서 사용된 도면 부호는 각각의 도면을 설명하기 위한 것일 뿐, 상이한 도면들 각각에서 사용된 상이한 도면 부호가 상이한 요소를 나타내기 위한 것은 아니다. 이하 첨부된 도면을 참고하여 본 개시를 상세히 설명하기로 한다. 본 개시에서, '인공지능(Artificial Intelligence)'과 관련된 기능은 프로세서와 메모리를 통해 동작된다. 프로세서는 하나 또는 복수의 프로세서로 구성될 수 있다. 이때, 하나 또는 복수의 프로세서는 CPU, AP, DSP(Digital Signal Processor) 등과 같은 범용 프로세서, GPU, VPU(Vision Processing Unit)와 같은 그래픽 전용 프로세서 또는 NPU와 같은 인공지능 전용 프로세서일 수 있다. 하나 또는 복수의 프로세서는, 메모리에 저장된 기 정의된 동작 규칙 또는 인공지능 모델에 따라, 입력 데이터를 처리하도록 제어한다. 또는, 하나 또는 복수의 프로세서가 인공지능 전용 프로세서인 경우, 인공지능 전용 프로세서는, 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 시스템을 통해 이루어질 수도 있다. 학습 알고리즘의 예로는, 지도형 학습(supervised learning), 비지도형 학습(unsupervised learning), 준지도형 학습(semi-supervised learning) 또는 강화 학습(reinforcement learning)이 있으나, 전술한 예에 한정되지 않는다. 본 개시에서, '인공지능 모델'은 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 신경망 연산을 수행한다. 복수의 신경망 레이어들이 갖고 있는 복수의 가중치들은 심층 신경망 모델의 학습 결과에 의해 최적화될 수 있다. 예를 들어, 학습 과정 동안 심층 신경망 모델에서 획득한 로스(loss) 값 또는 코스트(cost) 값이 감소 또는 최소화되도록 복수의 가중치들이 갱신될 수 있다. 예를 들어, 심층 신경망 모델은 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) 등을 포함할 수 있으나, 이에 한정되지 않는다. 본 개시에서, '지식 그래프'는 개체(entity)와 그들 간의 관계를 표현하는 구조화된 데이터 모델을 의미한다. 개체는 노드로 표현되고, 관계는 엣지로 표현될 수 있다. 본 개시에서, '학습 숙련도'는 특정 개념에 대한 학생 개인의 학습 수준을 의미한다. 학습 숙련도는 연속적인 값으로 표현될 수도 있고, 비연속적인 기 정의된 값으로 표현될 수도 있다. 도 1은 본 개시의 일 실시예에 따른 개인 맞춤형 문제를 제공하는 방법을 보여주는 개념도이다. 도 1을 참조하면, 전자 장치(100)는 사용자 장치(200)와 네트워크를 통해 통신할 수 있다. 전자 장치(100)는 사용자 장치(200)에 문제를 제공하고, 사용자 장치(200)로부터 학생(10)의 답변을 수신할 수 있다. 수신된 답변을 기반으로 학생(10)의 학습 숙련도를 추론할 수 있다. 전자 장치(100)는 프로세서와 메모리를 포함할 수 있으며, 프로세서는 문제 제공, 답변 수신, 정답 여부 결정, 지식 그래프 업데이트, 학습