KR-20260060903-A - APPARATUS FOR MANAGING LEARNING

KR20260060903AKR 20260060903 AKR20260060903 AKR 20260060903AKR-20260060903-A

Abstract

본 발명은 학습 관리 장치에 관한 것으로, 학습 관리 장치는, 학습자의 학습 데이터를 수집하는 학습활동 수집모듈; 데이터베이스; 통신모듈; 및 학습활동 수집모듈, 데이터베이스 및 통신모듈과 작동적으로 연결(operatively coupled to)된 프로세서;를 포함하되, 프로세서는 수집된 학습 데이터를 데이터베이스에 저장하고, 수집된 학습 데이터를 전처리하여 정제한 후 정제된 학습 데이터를 기반으로 학습자의 성향과 학습 패턴을 분석하여 학습 경로를 최적화하며, 최적화된 학습 경로에 맞춰진 맞춤형 문제 유형을 추천하고, 맞춤형 문제 유형에 해당하는 선행 개념을 분석하여 통신모듈을 통해 학습자 단말에 제공하는 것을 특징으로 한다.

Inventors

임상현
임도현

Assignees

주식회사 테이큰소프트

Dates

Publication Date: 20260506
Application Date: 20241025

Claims (8)

학습자의 학습 데이터를 수집하는 학습활동 수집모듈; 데이터베이스; 통신모듈; 및 상기 학습활동 수집모듈, 상기 데이터베이스 및 상기 통신모듈과 작동적으로 연결(operatively coupled to)된 프로세서;를 포함하되, 상기 프로세서는 수집된 학습 데이터를 상기 데이터베이스에 저장하고, 수집된 학습 데이터를 전처리하여 정제한 후 정제된 학습 데이터를 기반으로 상기 학습자의 성향과 학습 패턴을 분석하여 학습 경로를 최적화하며, 최적화된 상기 학습 경로에 맞춰진 맞춤형 문제 유형을 추천하고, 상기 맞춤형 문제 유형에 해당하는 선행 개념을 분석하여 상기 통신모듈을 통해 학습자 단말에 제공하는 것을 특징으로 하는 학습 관리 장치.
제1항에 있어서, 상기 프로세서는, 상기 학습활동 수집모듈을 통해 xAPI(Experience API)를 기반으로 상기 학습자의 학습 데이터를 수집하여 주어, 동사, 목적어, 정답 결과 및 문제 풀이 시간 요소 중 어느 하나 이상으로 세분화하여 저장하는 것을 특징으로 하는 학습 관리 장치.
제1항에 있어서, 상기 프로세서는, 오토인코더(Autoencoder)를 활용하여 불필요한 행동에서 발생하는 노이즈를 제거하여 학습 데이터를 전처리하는 것을 특징으로 하는 학습 관리 장치.
제1항에 있어서, 상기 프로세서는, 헤테로그래프(Heterogeneous Graph)를 사용하여 학습자 노드, 콘텐츠 노드 및 학습 이력 노드를 기반으로 상기 학습자의 성향을 분석하고, GCN(Graph Convolutional Network)을 결합하여 시간에 따른 상기 학습 패턴을 분석하는 것을 특징으로 하는 학습 관리 장치.
제4항에 있어서, 상기 학습자 노드는, 상기 학습자의 학습 성향을 나타내고, 상기 콘텐츠 노드는, 문제의 난이도, 유형, 선행 개념 중 어느 하나 이상을 포함하며, 상기 학습 이력 노드는, 학습자가 해결한 문제와 성과 중 어느 하나 이상을 포함하는 것을 특징으로 하는 학습 관리 장치.
제1항에 있어서, 상기 프로세서는, 최적화된 상기 학습 경로에 맞춰 EduNet-AE 알고리즘 기반으로 상기 맞춤형 문제 유형을 추천하는 것을 특징으로 하는 학습 관리 장치.
제1항에 있어서, 상기 프로세서는, 실시간으로 상기 학습자의 학습 진행상황을 모니터링하여 문제 풀이 후 제시된 개념의 이해 상태를 판단하여 학습 경로를 조정하는 것을 특징으로 하는 학습 관리 장치.
제1항에 있어서, 상기 프로세서는, 생성형 AI 모델을 통해 상기 학습자의 학습 이력과 성과를 기반으로 상기 맞춤형 문제 유형에 해당하는 선행 개념을 분석하고, 개념 설명의 난이도나 깊이를 조정하여 제공하는 것을 특징으로 하는 학습 관리 장치.

Description

학습 관리 장치{APPARATUS FOR MANAGING LEARNING} 본 발명은 학습 관리 장치에 관한 것으로서, 보다 상세하게는 학생의 학습 활동을 기반으로 학생 맞춤형 문제를 추천하고 최적의 학습경로를 제시하는 학습 관리 장치에 관한 것이다. 인터넷과 컴퓨터 활용에 따른 다양한 주변 환경의 변화로 인하여 교육 환경은 빠르게 변화하고 있다. 또한, 교육열 및 치열한 입시 경쟁으로 인해 교육 콘텐츠 시장은 점차 커지고 있는 추세이다. 한편, 인공지능 기술의 발전에 따라 사용자의 부족한 지식을 보충하기 위한 방법으로서, 교수자 또는 교육기관의 지식이나 노하우에 근거하여 학습 솔루션을 제공하는 전통적인 방식에서 벗어나, 인공지능 기술을 기반으로 사용자의 학습을 지원하는 다양한 학습 콘텐츠 및 응용 기술들이 개발 및 출시되고 있다. 최근들어 온라인을 통한 수업 진행이 늘어남에 따라, 학습자의 자기 주도적 학습을 지원하기 위한 동기강화 방안의 중요성이 증대되고 있다. 이러한 학습자의 학습 동기 강화를 위해서는, 학습자의 학습 진도, 현재 동일한 온라인 콘텐츠를 학습하고 있는 다른 학습자와의 비교를 통한 성취 정도, 과거 동일한 온라인 콘텐츠를 학습한 다른 학습자들의 데이터를 기반으로 한 예상 성과 등을 종합하여 현재 학습자를 지원하는 것이 필요하다. 본 발명의 배경기술은 대한민국 공개특허공보 제10-2023-0145761호(2023.10.18. 공개)에 개시되어 있다. 이러한 발명의 배경이 되는 기술에 개시된 상술한 정보는 본 발명의 배경에 대한 이해도를 향상시키기 위한 것뿐이며, 따라서 종래 기술을 구성하지 않는 정보를 포함할 수도 있다. 도 1은 본 발명의 일 실시예에 따른 학습 관리 장치를 나타낸 블록 구성도이다. 도 2는 본 발명의 일 실시예에 따른 학습 관리 장치의 동작을 설명하기 위한 흐름도이다. 이하, 첨부된 도면들을 참조하여 본 발명에 따른 학습 관리 장치의 실시 예를 설명한다. 이 과정에서 도면에 도시된 선들의 두께나 구성요소의 크기 등은 설명의 명료성과 편의상 과장되게 도시되어 있을 수 있다. 또한, 후술되는 용어들은 본 발명에서의 기능을 고려하여 정의된 용어들로서 이는 사용자, 운용자의 의도 또는 관례에 따라 달라질 수 있다. 그러므로 이러한 용어들에 대한 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다. 아래에서는 첨부한 도면을 참고로 하여 본 발명의 실시예에 대하여 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 그러나, 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고, 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면부호를 붙였다. 명세서 전체에서, 어떤 부분이 어떤 구성 요소를 "포함" 한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다. 본 명세서에서 설명된 구현은, 예컨대, 방법 또는 프로세스, 장치, 소프트웨어 프로그램, 데이터 스트림 또는 신호로 구현될 수 있다. 단일 형태의 구현의 맥락에서만 논의(예컨대, 방법으로서만 논의)되었더라도, 논의된 특징의 구현은 또한 다른 형태(예컨대, 장치 또는 프로그램)로도 구현될 수 있다. 장치는 적절한 하드웨어, 소프트웨어 및 펌웨어 등으로 구현될 수 있다. 방법은, 예컨대, 컴퓨터, 마이크로프로세서, 집적 회로 또는 프로그래밍 가능한 로직 디바이스 등을 포함하는 프로세싱 디바이스를 일반적으로 지칭하는 프로세서 등과 같은 장치에서 구현될 수 있다. 도 1은 본 발명의 일 실시예에 따른 학습 관리 장치를 나타낸 블록 구성도이다. 도 1에 도시된 바와 같이 본 발명의 일 실시예에 따른 학습 관리 장치는, 학습활동 수집모듈(10), 메모리(20), 프로세서(30), 통신모듈(40) 및 데이터베이스(50)를 포함할 수 있다. 학습활동 수집모듈(10)은 학습자의 학습 데이터를 수집하기 위해 학습자에게 온라인 학습을 제공하는 온라인 학습서버(100)와 연계하여 xAPI(Experience API) 표준에 맞춰 실시간으로 학습자의 학습 활동에 따른 학습 데이터를 수집할 수 있다. 여기서 온라인 학습서버(100)는 본 실시예에 따른 학습 관리 장치와 연계되어 학습 관리 장치에서 추천하는 맞춤형 문제 유형에 따라 온라인 학습을 제공할 수도 있다. 이때 학습활동 수집모듈(10)은 학습 데이터로써 학습자 정보 및 학습 성향, 문제의 난이도, 유형 및 선행 개념 등의 콘텐츠, 학습자가 해결한 문제와 성과 등의 학습 이력을 포함할 수 있다. 데이터베이스(50)는 학습활동 수집모듈(10)을 통해 수집된 학습 데이터를 저장할 수 있으며, 전처리하여 정제된 학습 데이터와 학습 관리를 위해 추천하는 맞춤형 문제 유형 및 최적의 학습 경로를 저장할 수도 있다. 통신모듈(40)은 학습자에게 제공되는 학습자에 따라 추천되는 맞춤형 문제 및 최적의 학습 경로의 시각화 정보를 통신망(60)을 통해 접속된 학습자 단말(110)에 제공할 수 있다. 여기서 통신망(60)은 유선 통신이나 무선 통신과 같은 통신 양태를 가리지 않고 구성될 수 있으며, 근거리 통신망(LAN; Local Area Network), 도시권 통신망(MAN; Metropolitan Area Network), 광역 통신망(WAN; Wide Area Network) 등 다양한 통신망으로 구성될 수 있다. 바람직하게는, 본 명세서에서 말하는 통신망(60)은 공지의 인터넷 또는 월드와이드웹(WWW; World Wide Web)일 수 있다. 그러나, 통신망(60)은, 굳이 이에 국한될 필요 없이, 공지의 유무선 데이터 통신망, 공지의 전화망 또는 공지의 유무선 텔레비전 통신망을 그 적어도 일부에 있어서 포함할 수도 있다. 또한, 학습자 단말(110)은 스마트폰, 태블릿 PC 등과 같이 메모리 수단을 구비하고 마이크로 프로세서를 탑재하여 연산 능력과 통신망(60)에 접속할 수 있는 디지털 기기라면 얼마든지 본 발명에 따른 학습자 단말(110)로서 채택될 수 있다. 메모리(20)는 학습 관리 장치의 동작과 관련한 실행 프로그램을 저장할 수 있으며, 저장되는 정보들은 필요에 따라 프로세서(30)에 의해 취사선택될 수 있다. 즉, 메모리(20)에는 학습 관리 장치의 구동을 위한 운영 체제(O/S; Operating System)나 어플리케이션(프로그램 또는 애플릿)의 실행과정에서 발생되는 여러 종류의 데이터 및 명령어가 저장된다. 이때, 메모리(20)는 비휘발성 메모리, 휘발성 메모리, 플래시메모리(flash-memory), 하드디스크 드라이브(HDD) 또는 솔리드 스테이트 드라이브(SSD) 등으로 구현될 수 있다, 또한, 메모리(20)는 액세스 되며, 프로세서(30)에 의한 데이터의 독취/기록/수정/삭제/갱신 등이 수행될 수 있다. 프로세서(30)는 학습활동 수집모듈(10), 메모리(20), 통신모듈(40) 및 데이터베이스(50)와 작동적으로 연결(operatively coupled to)되어, 학습 관리 장치의 전반적인 동작을 제어하기 위해 메모리(20)에 저장된 각종 프로그램을 램에 복사하고, 실행시켜 각종 동작을 수행할 수 있다. 또한 프로세서(30)는 각각의 기능을 수행하기 위한 구성이 하드웨어, 소프트웨어, 또는 로직 레벨에서 구분되어 구성될 수도 있다. 이러한 경우 각각의 기능을 수행하기 위한 전용 하드웨어가 사용될 수 있다. 이를 위해 프로세서(30)는 ASIC(Application Specific Integrated Circuit), DSP(Digital Signal Processor), PLD(Programmable Logic Devices), FPGAs(Field Programmable Gate Arrays), CPU(Central Processing unit), 마이크로 컨트롤러(microcontrollers) 및/또는 마이크로프로세서(microprocessors) 중 적어도 하나로 구현되거나 이들 중 적어도 하나를 포함할 수 있다. 프로세서(30)는 중앙 처리 장치(CPU: Central Processing Unit) 또는 SoC(System on Chip)로 구현될 수 있으며, 운영 체제 또는 어플리케이션을 구동하여 프로세서(30)에 연결된 복수의 하드웨어 또는 소프트웨어 구성요소들을 제어할 수 있고, 각종 데이터 처리 및 연산을 수행할 수 있다. 프로세서(30)는 메모리(20)에 저장된 적어도 하나의 명령을 실행시키고, 그 실행 결과 데이터를 메모리(20)에 저장하도록 구성될 수 있다. 즉, 프로세서(30)는 메모리(20)에 저장된 실행 프로그램을 실행한 후 학습활동 수집모듈(10)을 통해 수집된 학습 데이터를 데이터베이스(50)에 저장할 수 있다. 이때 프로세서(30)는 수집된 학습 데이터에 대해 주어(subject), 동사(verb), 목적어(object), 정답 결과(result) 및 문제 풀이 시간(time) 요소 중 어느 하나 이상으로 세분화하여 저장할 수 있다. 예를 들어, 학생이 문제를 풀었을 때, "학생(주어)", "풀다(동사)", "문제 유형(목적어)", "정답 여부(결과)", "문제 풀이 시간(시간)" 등이 기록될 수 있다. 이후 프로세서(30)는 수집된 학습 데이터를 전처리하여 정제할 수 있다. 초등학생과 같은 젊은 학습자들의 학습 이력은 집중력 부족이나 짧은 주의 집중 시간으로 인해 노이즈가 발생할 가능성이 높기 때문에 노이즈를 제거하기 위해 프로세서(30)는 오토인코더(Autoencoder)를 활용하여 인코딩 단계에서는 학습 이력 데이터의 중요한 특징을 추출하고, 디코딩 단계에서는 불필요한 노이즈를 제거함으로써 불필요한 행동에서 발생하는 노이즈를 제거하여 학습 데이터를 전처리할 수 있다. 이렇게 학습 데이터를 정제함으로써 학습자의 학습 패턴을 정확하게 분석할 수 있도록 한다. 또한, 프로세서(30)는 정제된 학습 데이터를 기반으로 학습자의 성향과 학습 패턴을 분석하여 학습 경로를 최적화할 수 있다. 프로세서(30)는 정제된 학습 데이터를 통해 헤테