KR100501910B1 - The remote education method of Educational environment Management System(EMS) for personalized learning - Google Patents
The remote education method of Educational environment Management System(EMS) for personalized learning Download PDFInfo
- Publication number
- KR100501910B1 KR100501910B1 KR10-2002-0052801A KR20020052801A KR100501910B1 KR 100501910 B1 KR100501910 B1 KR 100501910B1 KR 20020052801 A KR20020052801 A KR 20020052801A KR 100501910 B1 KR100501910 B1 KR 100501910B1
- Authority
- KR
- South Korea
- Prior art keywords
- learning
- learner
- path
- management system
- statistics
- Prior art date
Links
Landscapes
- Electrically Operated Instructional Devices (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
본 발명은 원격교육 환경 하에서 지속적으로 축적되는 학습자 DB, 학습객체(Learning Object) DB, 인터액션(Interaction) DB와 같은 데이터를 분석이 가능한 형태의 요약 통계 데이터(Summarized data) 로 정리하고, 이를 다변량 통계기법 및 데이터마이닝(Data Mining) 기법을 이용하여 분석함으로써 학습자에게 개인화된 학습을 지원할 수 있는 학습환경 관리시스템(Educational environment Management System : EMS)의 원격교육방법에 관한 것이다.The present invention organizes data such as learner DB, learning object DB, and interaction DB that are continuously accumulated in a distance learning environment into summary statistical data in a form that can be analyzed and multivariate statistics. The present invention relates to a distance learning method of an Educational Environment Management System (EMS) that can support learners' personalized learning by analyzing the data using techniques and data mining techniques.
본 발명에서의 EMS는 최신의 데이터 분석 기법을 이용하여 학습자의 특성에 맞는 최적의 학습 경로 및 학습 환경을 제공해 줌으로써 최고의 학습능률을 달성할 수 있는 학습환경 관리시스템이다.EMS in the present invention is a learning environment management system that can achieve the best learning efficiency by providing an optimal learning path and learning environment that meets the characteristics of learners using the latest data analysis techniques.
Description
본 발명은 원격교육 환경 하에서 지속적으로 축적되는 학습자 DB, 학습객체(Learning Object) DB, 인터액션(Interaction) DB와 같은 데이터를 분석이 가능한 형태의 요약 통계 데이터(Summarized data) 로 정리하고, 이를 다변량 통계기법 및 데이터마이닝(Data Mining) 기법을 이용하여 분석함으로써 학습자에게 개인화 된 학습을 지원 할 수 있는 학습환경 관리시스템(Educational environment Management System : EMS)의 원격 교육방법에 관한 것이다. 더 상세하게 본 발명은 다음과 같은 기술분야를 포함한다.The present invention organizes data such as learner DB, learning object DB, and interaction DB that are continuously accumulated in a distance learning environment into summary statistical data in a form that can be analyzed and multivariate statistics. The present invention relates to a distance learning method of an Educational Environment Management System (EMS) that can support learners' personalized learning by analyzing using techniques and data mining techniques. More specifically, the present invention includes the following technical field.
1) 원격 교육 시스템 구축 기술1) Remote education system building technology
2) 학습자 및 학습정보 저장 기술(데이터 베이스)2) Learner and learning information storage technology (database)
3) 학습자 수준/특성 평가 기술3) Learner level / characteristic evaluation technology
4) 학습자 수준에 맞는 학습자료 제공 기술4) Learning material provision technology suitable for learner level
원격 교육 환경 하에서의 학습자 수준을 평가하고 그에 맞는 학습 자료 제공하는 분야에 대한 종래기술은 거의 동일하게 다음과 같은 절차를 갖는다. 첫째, 학습자에게 학습자료를 제공하여 제공된 학습자료를 학습하도록 한다. 둘째, 학습이 끝나면 제공된 학습을 제대로 수행했는지를 평가하기 위하여 시험을 제출한다. 셋째, 학습자가 제출한 시험 문항을 채점하여 학습자의 수준을 평가한다. 넷째, 평가된 학습자의 수준에 따라 수준에 맞는 학습자료를 학습자에게 제공한다. 이러한 종래기술은 여러 가지 한계를 가지고 있는데 이를 정리하면 다음과 같다. The prior art in the field of evaluating the level of learners in a distance learning environment and providing corresponding learning materials has almost the same procedure. First, learners are provided with learning materials so that they can learn the learning materials provided. Second, at the end of learning, a test is submitted to assess whether the provided learning has been performed properly. Third, the learner's level is evaluated by scoring the test questions submitted by the learner. Fourth, according to the level of the assessed learner to provide the learner according to the level. This prior art has a number of limitations, which are summarized as follows.
1) 학습자 및 학습자료에 대한 데이터베이스가 표준화되어 있지 않다.1) The database of learners and learning materials is not standardized.
2) 학습자의 수준/특성을 추출하는 기술로 시험 문항 제공 및 채점을 채용하고 있어 학습자의 수준을 제대로 파악하기 어렵다.2) It is difficult to grasp learner's level because it adopts test item provision and scoring as a technology to extract learner's level / characteristic.
3) 학습자의 수준에 맞는 학습자료만을 제공하므로 각 단계별로 일관되지 못한 학습자료를 제공하게 된다. 즉, 일관된 학습경로를 제공하는 것이 아니라 각 단계별로 수준을 조정하므로 일관성이 부족하다.3) Because it provides only the learning materials for the level of the learner, it provides inconsistent learning materials for each step. In other words, there is a lack of consistency because the level is adjusted for each step rather than providing a consistent learning path.
4) 전체적인 학습 환경을 제공하지 못하고 학습 자료만 수준에 맞게 제공하게 된다. 즉, 학습자료가 수준에 맞지 않게 작성되어 있다면 이를 교정할 수 있는 기본 자료를 제공하지 못한다.4) It does not provide an overall learning environment, but only learning materials are provided at a level. In other words, if the learning materials are written at the wrong level, it cannot provide the basic data for correcting them.
본 발명은 상기의 종래기술의 문제점을 해결하기 위한 것으로서, 본 발명의 목적은 새로운 학습자가 학습을 시작하면 기본적인 그룹 학습경로를 제공하고 학습이 진행되면서 그에 맞는 소그룹 학습경로를 제공하며, 좀 더 개인화를 높이기 위해 개인 학습경로를 제공함으로써 학습자의 특성에 딱 맞는 학습 환경을 제공하여 학습자의 특성을 추출하고 그에 맞는 학습경로를 제공하여 학습자의 능률을 높이는 학습 환경 관리 시스템의 원격 교육방법을 제공하는데 있다.The present invention is to solve the problems of the prior art, an object of the present invention is to provide a basic group learning path when a new learner starts learning, and provides a small group learning path according to the learning progress, more personalized By providing a personal learning path to improve the learning environment, it provides a learning environment that is perfect for the learner's characteristics, extracts the learner's characteristics, and provides the learning path accordingly, thereby providing a distance learning method of the learning environment management system that enhances the learner's efficiency. .
본 발명의 목적을 좀더 상세하게 설명하면 다음과 같은 발명을 포함한다. In more detail, the object of the present invention includes the following invention.
1) 세계적 표준으로 자리잡고 있는 SCORM 모델의 데이터 모형을 채용한다. 1) Adopt a data model of the SCORM model, which has become a global standard.
즉, 원격 교육 모델의 세계적 표준으로 자리 잡고 있는 ADL(Advanced Distributed Learning) 의 교육 모델인 SCORM(Sharable Content Object Reference Model)에서 정한 표준 데이터 모형을 채용함으로써 이식성이 뛰어나고 학습자의 인터액션(Interaction) 정보까지 저장하는 자세한 학습 정보를 저장할 수 있는 표준화 된 데이터베이스를 구성한다. SCORM 은 학습자가 하나의 학습자료를 얼마의 시간동안 공부했는가? 와 같은 구체적인 정보를 제공함으로 좀 더 정확한 분석을 할 수 있도록 도와준다.In other words, by adopting the standard data model defined by the SCORM (Sharable Content Object Reference Model), which is an ADL (Advanced Distributed Learning) education model, which is a global standard of distance education model, it is highly portable and stores learner's interaction information. Configure a standardized database to store detailed learning information. How long did SCORM learn from a student? By providing specific information such as this, it helps to make a more accurate analysis.
2) 표준화된 데이터베이스에서 분석에 필요한 정보를 추출할 수 있는 사전처리 기술을 확보한다. 즉, 학습자 및 학습 정보만을 이용하여 분석하는 것이 아니라 한 단계 요약된 정보를 이용하여 더욱 자세한 정보를 추출하기 위해 기존 데이터를 요약된 통계 데이터 형태로 변환하는 기술을 확보한다.2) Secure the preprocessing technology to extract the information needed for analysis from the standardized database. In other words, instead of analyzing using only learners and learning information, technology for converting existing data into summarized statistical data in order to extract more detailed information using information summarized in one step is secured.
3) 학습자 정보, 요약 통계 데이터를 이용하여 학습 경로를 위한 데이터 분석 기법으로는, 다변량 분석과 같은 통계 분석, 경로분석, 군집분석, 선후관계분석, 의사결정나무, 사례기반추론과 같은 데이터 마이닝 기법을 복합적으로 사용한다. 즉, 그룹 학습경로를 추출하기 위해서는 다변량 통계 분석을 이용하고, 소그룹 학습경로를 추출하기 위해서는 다변량 분석, 군집 분석, 선후관계분석을 이용한 경로 분석, 그룹전이매트릭스 분석 등을 이용하고, 개인 학습경로를 자동으로 추출하기 위해서는 다변량 분석, 그룹전이매트릭스 분석 등을 이용한다. 3) Data analysis techniques for learning paths using learner information and summary statistical data include data mining techniques such as statistical analysis such as multivariate analysis, path analysis, cluster analysis, posterior relationship analysis, decision tree, and case-based reasoning. Use a combination of In other words, multivariate statistical analysis is used to extract group learning paths, and multivariate analysis, cluster analysis, path analysis using post-relational analysis, group transition matrix analysis, etc. are used to extract small group learning paths. For automatic extraction, multivariate analysis and group transition matrix analysis are used.
4) 분석 기법으로 나온 결과를 바탕으로 학습자에게 가장 알맞은 학습경로를 제공함으로써 학습능률을 높일 수 있는 학습환경을 제공하는 학습 환경 관리 시스템의 원격 교육방법을 구현한다.4) Implement the distance learning method of the learning environment management system that provides the learning environment to improve the learning efficiency by providing the best learning path for the learners based on the results of the analysis technique.
본 발명은 이러한 목적을 달성하기 위하여, 학습자의 인적사항, 성향 정보, 학습자별 기본 학습경로, 학습경로를 이용한 학습 능률(진도) 및 학습 인터액션데이터를 데이터 마이닝 기법을 통하여 과학적으로 분석함으로써 학습자의 특성에 꼭 맞는 학습경로를 포함한 학습 환경을 구성해 제공할 수 있다.In order to achieve the above object, the present invention provides the characteristics of learners by scientifically analyzing learner's personal information, disposition information, basic learning path for each learner, learning efficiency (learning) and learning interaction data using the data mining method. You can configure and provide a learning environment that includes a learning path that fits your needs.
본 발명은 원격 교육 환경 하에서 지속적으로 축적되는 학습데이터 베이스를 분석함으로써 학습자에게 개인화 된 통계 데이터를 추출하고 이를 종합적으로 분석하여 학습능률을 계산한다.The present invention calculates the learning efficiency by extracting statistical data personalized to learners by analyzing the learning database continuously accumulated in the distance learning environment and comprehensively analyzing it.
본 발명은 학습자 DB, 학습객체 DB, 인터액션 DB의 데이터를 취합하여 분석에 필요한 요약 통계 데이터로 변환하는 사전처리 과정인 제 1 단계; 상기 제 1 단계에서 변환된 데이터 중 전체 학습 통계 데이터를 다변량 통계 분석기법을 이용하여 분석함으로써 전체 학습자의 평균 학습능률을 계산하여, 학습 능률이 부적합 때에는 강사가 그룹 학습경로를 수정하는 제 2 단계; 상기 제 1 단계에서 변환된 데이터 중 개인별 학습 통계 데이터를 다변량 통계 분석기법과 그룹전이 매트릭스 분석을 이용하여 분석함으로써 해당 학습자의 학습능률을 계산하여, 학습 능률이 부적합 때에는 자동 수준 조정을 통한 개인 학습경로 수정단계인 제 3 단계; 상기 제 1 단계에서 변환된 데이터 중 개인별 학습 통계, 학습 경로 통계, 학습자 성향 DB의 군집분석 결과를 다변량 통계 분석기법과 선후관계분석을 이용한 경로분석을 이용하여 분석함으로써, 소그룹을 생성하고 그 소그룹에 속하는 학습자의 학습 경로를 추출해 내는 제 4 단계; 상기 4단계에서 추출한 소그룹에 속하는 학습자들의 특성을 추출하여 해당 소그룹의 특성을 확정 짓고, 새로운 학습자에게 해당 소그룹을 선택할 때, 각 소그룹의 특성과 비교하여 새로운 학습자의 특성과 가장 비슷한 소그룹에 새로운 학습자를 할당하는 5단계를 포함하는 학습환경 관리 시스템의 원격 교육방법을 제공한다. The present invention includes a first step of pre-processing to collect the data of the learner DB, the learning object DB, the interaction DB and converts the data into summary statistical data for analysis; A second step of calculating an average learning efficiency of all learners by analyzing the whole learning statistics data among the data converted in the first step by using a multivariate statistical analysis method, and instructing the instructor to correct the group learning path when the learning efficiency is inappropriate; The learning efficiency of the learner is calculated by analyzing the individual learning statistics data among the data converted in the first step by using the multivariate statistical analysis method and the group transition matrix analysis, and when the learning efficiency is inappropriate, the personal learning path is corrected through automatic level adjustment. A third step which is a step; Among the data transformed in the first step, the group analysis results of individual learning statistics, learning path statistics, and learner disposition DB are analyzed using multivariate statistical analysis and path analysis using post-relationship analysis, thereby creating a small group and belonging to the small group. Extracting a learner's learning path; The characteristics of the small groups are determined by extracting the characteristics of the learners belonging to the small group extracted in step 4, and when selecting the small groups for the new learners, the new learners are assigned to the small groups that are most similar to the characteristics of the new learners compared to the characteristics of each small group. Provides distance learning method of learning environment management system including five steps of allocation.
학습자 개인 관점에서 본 학습 경로의 변화는 다음과 같다. 첫째, 새로운 학습자는 해당 과목에 강사가 기본적으로 제공하도록 설정한 그룹 학습경로를 부여받게 된다. 학습자는 그룹 학습경로에서 제공하는 순서대로 학습을 수행하게 된다. 학습이 진행되면 학습자 DB, 학습객체 DB, 인터액션 DB 에 필요한 정보가 축적되고, 이 정보가 사전처리 되어 요약 통계 데이터로 변환된다. 학습환경 관리시스템은 이 요약 통계 데이터를 분석하여 학습자의 학습 능률을 계산하고, 또한 학습자의 성향정보를 종합하여 학습자에 맞는 소그룹을 설정한다. 그리고 해당 소그룹의 학습경로를 새롭게 학습자에게 제공한다. 학습자는 할당된 소그룹 학습경로를 통하여 개인화 된 학습을 계속 수행하고, 학습이 수행되면서 계속적으로 할당 소그룹과 학습경로는 수준에 맞게 변경되어 나간다. 학습 정보가 충분하게 축적되면 학습자 개인의 특성에 딱 맞는 개인화 학습경로를 추출해 낼 수 있게 되는 시점이 되면, 학습환경 관리시스템은 개인 학습경로를 추출해 내고 이를 학습자에게 제공함으로써 가장 높은 개인화 서비스를 제공할 수 있게 된다.The changes in the learning path from the learner's point of view are as follows. First, the new learner is given a group learning path that the instructor basically provides for the subject. The learner performs the learning in the order provided by the group learning path. As learning progresses, information necessary for learner DB, learning object DB, and interaction DB is accumulated, and this information is preprocessed and converted into summary statistical data. The learning environment management system analyzes the summary statistical data to calculate the learner's learning efficiency, and also aggregates the learner's disposition information and sets up a small group suitable for the learner. And provide the learner with a new learning path. The learner continues to personalize the learning through the assigned small group learning path, and as the learning is performed, the assigned small group and the learning path continue to change according to the level. When the learning information is sufficiently accumulated, it is time to extract personalized learning paths that fit the characteristics of the learners. The learning environment management system extracts individual learning paths and provides them to learners to provide the highest personalized service. It becomes possible.
이하, 본 발명의 구성에 대한 실시예를 첨부된 도면을 참조하여 상세히 설명하기로 한다.Hereinafter, with reference to the accompanying drawings an embodiment of the configuration of the present invention will be described in detail.
도 1은 본 발명에 따른 학습 환경 관리 시스템의 전체적인 모습을 보여주고 있다. 도 1에 도시된 바와 같이 학습 환경 관리 시스템(100)은 학습자들과의 직접적인 인터액션(interaction)이 있는 전반부 시스템(110)과 학습환경 관리시스템(100)에서 사용하는 데이터가 존재하는 후반부 시스템(120)으로 나눌 수 있다. 또한, 학습자는 학습자의 컴퓨터(140)을 가지고 인터넷(130)을 이용하여 전반부 시스템(110)에 접근할 수 있다.Figure 1 shows the overall appearance of the learning environment management system according to the present invention. As shown in FIG. 1, the learning environment management system 100 includes a first half system 110 having direct interaction with learners and a second half system 120 having data used in the learning environment management system 100. Can be divided into In addition, the learner may access the first half system 110 using the Internet 130 with the learner's computer 140.
전반부 시스템(110)은 시스템 운영부(111), 회원 인증부(112), 접속부(113) 등으로 구성되어 있다. 학습자가 개인PC(140)을 가지고 인터넷(130)을 통하여 사업자 시스템에 처음 접하게 되는 곳은 접속부(113)이다.접속부(113)에서는 학습자가 사업자 시스템의 홈페이지를 접하게 된다. 회원 인증부(112)에서는 학습자가 자신의 신분을 먼저 선택하게 된다. 즉, 교사인지 학생인지 선택해야 한다. 그 후에 아이디와 패스워드를 입력하면 시스템 운영부(111)을 통해서 학습자 데이터베이스(121)와 비교하여 올바른 학생인지 판단하게 된다. 만약 기존의 학습자가 아니라면 신규가입 버튼을 이용하여 신규가입을 하게 되면 시스템 운영부(111)를 통해서 학습자 데이터베이스(121)에 새로운 사용자 정보를 업데이트 하게 된다.The first half system 110 is composed of a system operation unit 111, a member authentication unit 112, a connection unit 113, and the like. The place where the learner first comes into contact with the operator system through the Internet 130 with the personal PC 140 is the connection part 113. In the connection part 113, the learner comes into contact with the homepage of the operator system. In the member authentication unit 112, the learner first selects his or her identity. That is, you must choose whether you are a teacher or a student. After that, if you enter the ID and password is compared with the learner database 121 through the system operating unit 111 determines whether the correct student. If a new learner is not an existing learner using the new join button, the new user information is updated in the learner database 121 through the system operating unit 111.
시스템 운영부(112)는 크게 두 가지의 주요한 일을 처리하게 된다. 하나는 앞에서 설명한 바와 같이 회원 인증부(112)에서 받은 사용자의 아이디와 패스워드를 받아 학습자 데이터베이스(121)와 비교하여 올바른 학습자가 접속했는지에 대한 여부를 파악하고, 다른 하나는, 학습 환경 관리 시스템(100)을 통하여 개인화된 홈페이지 화면 및 개인화된 과목별 학습 순서를 보여주게 된다. 이러한 개인화된 학습은 학습 환경 관리 시스템(100)에서 후반부 시스템(120)의 데이터베이스를 이용하여 개인별로 추출하게 된다. The system operation unit 112 will handle two main tasks. As described above, one receives the user ID and password received from the member authentication unit 112 and compares it with the learner database 121 to determine whether the correct learner is connected, and the other, the learning environment management system ( Through 100), a personalized homepage screen and a personalized learning sequence for each subject are shown. Such personalized learning is extracted for each individual in the learning environment management system 100 using a database of the latter half system 120.
후반부 시스템(120)은 크게 세 개의 데이터베이스로 구성되어 있다. 학습자 관련 데이터베이스(121), 인터액션 관련 데이터베이스(122), 학습객체(Learning Object) 관련 데이터베이스(123) 등의 세 가지이다. 학습자 데이터베이스(121)는 학습자에 관련된 데이터를 가지고 있다. 인터액션 데이터베이스(122)는 학습자가 원격 교육 시스템과의 학습을 통한 상호 작업과 관련된 자세한 데이터를 가지고 있다. 학습객체 데이터베이스(123)는 원격교육 시스템에서 사용하는 다양한 형태의 학습객체를 저장하고 있다.The second half system 120 is composed of three databases. The learner-related database 121, the interaction-related database 122, and the learning object-related database 123 are three. The learner database 121 has data related to the learner. Interaction database 122 has detailed data relating to the learner's interaction with the distance learning system. The learning object database 123 stores various types of learning objects used in the distance education system.
도 2는 도 1에서의 학습 환경 관리 시스템(100)의 전체적인 구조도이다. 도 2의 전체적인 모습은 다음과 같이 5개의 부분으로 나누어 설명할 수 있다. 요약 통계 데이터 추출, 그룹 학습 경로 재작성, 소그룹 학습 경로 재작성, 개인 학습 경로 재작성, 신규 학습자의 적절한 소그룹 배분 등이다. 5개 부분 각각에 대한 설명은 도 3에서 도 7에 대한 설명에서 자세히 제공된다.FIG. 2 is an overall structural diagram of the learning environment management system 100 of FIG. 1. The overall appearance of FIG. 2 may be divided into five parts as follows. Abstract statistical data extraction, group learning path rewriting, small group learning path rewriting, individual learning path rewriting, and new learner's appropriate small group allocation. A description of each of the five parts is provided in detail in the description of FIG. 3 to FIG. 7.
도 3은 그룹별 학습 경로 재작성 및 개인화된 학습 경로 재작성에 필요한 요약 통계 데이터(310)를 후반부 시스템(120)에서 추출하게 되는 단계이다. 요약 통계 데이터(310)를 추출하기 위해서는 사전처리작업(320)을 통하여 데이터를 정리하여야 한다. 사전처리작업(320)은 Missing 데이터 처리, 데이터 일치, 데이터 연결, 데이터 코딩, R.F.M 통계를 포함한 5단계로 구성된다.Missing 데이터 처리 기능은 데이터의 값 중에서 입력되지 않은 항목이 있을 때, 입력되지 않은 항목에 적절한 값을 자동으로 입력하거나 해당 데이터를 제거하는 기능이다.데이터 일치기능은 서로 같아야 되는 데이터 항목이 다르게 입력되어 있는 경우 이를 일치시켜 주는 기능이다. 즉, 한 사람의 학번이 학습자 DB와 학습객체 DB 데이터 사이에 다를 경우에 이를 일치시켜 준다.데이터 연결기능은 서로 다른 두 데이터를 공통 항목을 이용하여 하나의 데이터로 만드는 기능이다. 즉, 학습객체 DB의 학습데이터에 학습자 학번을 이용하여 학습자 정보를 추가로 연결하여 학습자 정보를 포함하는 커다란 학습정보데이터를 만드는 기능을 한다.데이터 코딩기능은 문자로 되어 있는 항목을 통계 데이터를 처리하기 편하도록 숫자로 바꿔주는 기능이다. 즉, 남성, 여성으로 되어 항목을 남성은 1, 여성은 2로 바꾸는 기능을 수행한다.R.F.M 통계 기능은 위 4단계를 통하여 사전처리된 데이터를 통계 데이터를 추출할 수 있도록 R.F.M 값을 생성해 주는 기능이다. 요약 통계 데이터(310)는 주로 R.F.M(Recency, Frequency, Monetary)값을 이용하여 얻게 된다. R(Recency)값은 학습자별로 각각의 학기마다 학습객체를 얼마나 최근에 방문하였는가를 나타내고, F(Frequency)값은 학습자별로 각각의 학기에 학습객체를 몇 번이나 방문하였는지를 나타내며, M(Monetary)값은 학습자별로 각각의 학기에 학습객체를 학습하는데 들인 시간을 나타낸다.요약 통계 데이터(310)는 크게 전체 학습 통계(311), 개인별 학습 통계(312), 학습 경로 통계(313)등의 세 부분으로 나눌 수 있다. 전체 학습 통계(311)는 학기별로 각각의 과목에 포함된 학습객체에 대한 수강하는 학생 전체의 통계값을 얻어낸다. 개인별 학습 통계(312)는 각각의 학생별로 특정 학기에 듣는 과목에 포함된 학습객체별 통계값을 추출한다. 학습 경로 통계(313)은 학습자가 학습을 진행한 경로에 대한 통계 데이터를 추출한다.도 4 는 도 1 에 나와 있듯이 요약 통계 데이터(310)의 전체 학습 통계(311)를 이용하여 다변량 통계 분석을 통해 그룹 학습 경로를 변경하여 그룹별 맞춤 학습구조도를 재작성하여 학습구조도 데이터베이스(414)에 저장하는 단계를 상세하게 나타낸 도표이다. 우선, SCO별 통계분석(410)단계는 전체 학습 통계(311)를 가지고 학습단위(SCO)별 F값을 기초로 한 통계데이터를 생성하고 평균 학습 정도(Average), 평균 학습 편차와 같은 통계값을 추출한다. 이를 통하여 SCO간 학습정도를 분석하고 이를 이용하여 SCO별 특성파악(411)을 한다. SCO 를 재구성하기 위해 SCO 에 포함되어 있는 더 작은 학습단위인 AU를 분석하기 위해 AU별 F값 통계 데이터를 생성한다. SCO별 통계데이터와 마찬가지로 AU별 통계분석(412)은 평균학습정도, 학습 편차와 같은 통계값을 계산한다. 이 통계값을 이용하여 각 AU별 학습정도와 편차를 파악하고 이를 통하여 SCO를 재조정(413)하고 이를 적용하여 그룹학습경로를 재조정하고 이를 학습구조도 데이터베이스(414)에 저장한다. 도 4에는 각 단계별 분석 예제가 포함되어 있다. SCO 1, 2, 3 로 구성되어 있는 그룹 학습 경로를 분석한 예를 보여주고 있다. 분석결과 SCO1, 2, 3 의 학습 정도와 학습 편차가 매우 크게 분석되었기 때문에 SCO1, 2, 3 에 대한 재조정이 필요하다고 분석되었다. SCO 재조정을 위하여 AU별 통계데이터를 생성하고 이를 통하여 SCO 1, 2, 3으로 구성되어 있던 것을 SCO 1, 2, 3, 4, 5, 6의 6개로 재조정한 것을 볼 수 있다. 이와 같이, SCO 재조정을 통하여 SCO 1 -> 2 -> 3 으로 구성되어 있던 그룹학습경로는 SCO 1 -> 2 -> 3 -> 4 -> 5 -> 6 순으로 재조정 된 것을 알 수 있다. 여기서, 기존 SCO1과 재조정된 SCO1은 다른 SCO이다.도 5 는 도 1 에 나와 있듯이 요약 통계 데이터(310)의 개인별 학습 통계를 이용하여 다변량 통계 분석을 통해 통계값을 추출하고, 군집분석을 통해 각 군집별로 소그룹 학습경로를 파악하여 개인별 맞춤 학습구조도를 재작성하여 학습구조도 데이터베이스에 저장하는 단계를 상세하게 나타낸 도표이다. 우선, SCO별 통계분석(510)단계는 요약 통계 데이터(310)을 가지고 학습단위(SCO)별 F값을 기초로 한 통계 데이터를 추출하여 SCO간 학습정도를 분석하는 단계이다. SCO별 통계 데이터를 이용하여 SCO별 군집분석(511)을 수행한다. 군집분석에는 일반적으로 사용하는 K-means 알고리즘이 사용된다. 군집이 형성되면 각 군집에 대한 특성을 추출하는 단계가 SCO별 특성파악(512) 단계이다. SCO 재조정이 필요하게 되면, AU별 통계분석(513)은 SCO를 재구성하기 위해 SCO에 포함되어 있는 다 작은 학습단위인 AU를 분석하기 위해 AU별 F값 통계데이터를 생성한다. AU별 군집분석(514)은 통계데이터를 이용하여 군집분석을 수행한다. 비슷하게 학습성향을 보이는 AU들이 하나의 군집으로 모아지고 다른 군집과 구별된다. 군집 분석을 바탕으로 SCO 를 재구성하고 소그룹별 학습경로를 재조정하는 것이 SCO재구성 및 소그룹 학습경로 재구성(515)이다. 도 5 에서는 SCO 1, 2, 3으로 구성되어 있는 소그룹별 학습 경로를 분석한 예를 보여주고 있다. 군집분석(511)을 수행해 보면 그룹이 3개가 생성되며, 각 그룹별로 SCO별 학습특성을 파악해 보면 그룹 1은 SCO1, 2 를 조정할 필요가 있으며, 그룹 2는 SCO 2와 3을 조정할 필요가 있는 것으로 파악되었다. 그룹 3은 현재 학습경로를 사용하여도 된다고 파악되었다. 이를 위하여, AU별 통계데이터를 생성하고 이를 통하여 SCO 1, 2, 3으로 구성되어 있던 것을 SCO 군집분석(511)에서 나뉘어진 3개의 소그룹별로 재조정할 수 있다. 즉, 소그룹 1은 SCO 1, 2, 3 를 모두 재조정하여 6개의 SCO로 나눌 수 있고, 소그룹 2는 SCO 2, 3 만 조정하여 5개의 SCO로 재조정할 수 있다. 소그룹 3은 SCO 1의 학습이 너무 쉬우므로 이를 제거하거나 새로운 SCO 를 추가하면 된다. 이렇게 소그룹별로 재구성된 SCO정보를 이용하여 각 소그룹별 학습 경로를 수정하고 이를 학습구조도 데이터베이스(414) 에 저장하면 소그룹 학습경로 조정이 마무리 된다. 또한, 학생들이 속한 소그룹이 변화하는 정보를 저장하는 그룹전이 매트릭스(515)를 구하여 학생이 현재 소속 소그룹에서 학기가 끝난 후에 원하는 소그룹으로 이동할 수 있도록 각각의 소그룹의 학습 경로를 조정하는 규칙(rule)을 발견하게 된다.도 6은 요약 통계 데이터(310)의 개인별 학습 통계(312)를 이용하여 다변량 통계 분석(410)을 통해 개인별 학습 경로(610)를 변경하여 재작성된 개인별 맞춤 학습 구조도(CSF; Course Structure Format)를 학습구조도 데이터베이스(414)에 저장하는 단계이다. 도 4의 그룹 학습 경로 변경과, 도 5의 소그룹 학습 경로 변경과 마찬가지로 개인별 학습 통계(312)를 모니터링(Monitoring)하다가 학습 능률이 떨어지게 되면 개인 학습 경로를 변경해 주게 된다. 즉, 학습 능률이 너무 낮게 되면 레벨이 낮은 학습객체를 개인 학습 경로에 포함시켜 주고, 학습 능률이 너무 높으면 레벨이 높은 학습객체를 개인 학습 경로에 포함시켜 주게 된다. 또한, 도 6은 도 5에서 구한 그룹전이 매트릭스(515)의 규칙(rule)을 이용하여 개인의 학습 경로를 변경하는 데 이용하게 된다.도 7은 새로운 학습자(720)이 기존의 과목에 대한 수강 정보 없이 과목을 수강하였을 경우에 대한 전체적인 흐름을 보여준다. 우선, 도 5에서 설명했듯이 요약 통계 데이터(310)와 학습자 성향 데이터베이스(730)을 이용하여 군집분석(Clustering) (740)을 수행하게 된다. 이러한 수행 후에 각각의 특성이 비슷한 소그룹이 나누어지는데, 이러한 소그룹들을 의사결정나무방법(Decition Tree)이나 사례기반추론기법(CBR; Case Based Reasoning)을 이용하여 각각의 소그룹을 구분짓는 군집분류 규칙(710)을 발견하게 된다. 이러한 군집분류 규칙(710)을 이용하여 새로운 학습자(710)에게 성향이 비슷한 소그룹을 할당하여, 새로운 학습자(710)에게 적절한 학습 경로를 제공하여 준다. 이러한 새로운 학습자(710)은 그룹 학습 경로를 통하여 학습을 수행할 수도 있으나, 보다 적절한 학습 경로를 찾아주기 위해 군집분류 규칙(710)을 발견하여, 새로운 학습자(710)에게 맞는 학습 경로를 제시하게 된다. 새로운 학습자(710)도 기존의 학생들과 마찬가지로 도 4, 도 5, 도 6에 설명되어 있는 그룹 학습 경로 변경, 소그룹 학습 경로 변경, 개인 학습 경로 변경 등을 통하여 학습 경로가 변경될 수도 있다.도 8은 새로운 학습자(720)이 학습을 진행하면서 학습능률에 맞게 계속적으로 학습경로를 변경해 나가는 전체적인 흐름을 보여준다. 새로운 학습자(720)에게는 과목에 기본적으로 할당되어 있는 그룹 학습경로(810)가 제공되거나, 만약 그룹전이 매트릭스(840)에 저장된 패턴을 가지고 있다면, 성향이 비슷한 소그룹을 할당하여, 해당 소그룹의 학습 경로(820)가 제공된다. 우선, 그룹 학습경로(810)가 제공된 학습자는 학습을 진행하게 되고, 일정기간 학습이 진행된 후 학습능률 및 학습경로를 분석하여 가장 적합한 소그룹을 할당하고, 해당 소그룹의 학습경로(820)가 제공된다. 학습이 진행되면서 학습능률 및 학습경로를 분석하여 계속적으로 소속 소그룹은 변경되고 소그룹 학습경로(820)도 계속적으로 변경된다. 소그룹 학습경로(820)를 통한 학습이 진행되면서 소그룹 학습경로로는 해당 학습자의 학습능률 및 학습 진행을 향상시킬 수 없을 때, 해당 학습자의 학습능률 및 성향에 맞는 개인 학습경로(830)를 제공하게 된다. 개인학습경로(830)도 개인의 학습능률을 계속적으로 모니터링하면서 좀 더 학습자에게 특성화된 형태로 수정된다.FIG. 3 is a step of extracting summary statistical data 310 necessary for rewriting a learning path for each group and rewriting a personalized learning path from the second half system 120. In order to extract the summary statistical data 310, the data should be organized through the preprocessing operation 320. The preprocessing operation 320 is composed of five steps including missing data processing, data matching, data connection, data coding, and RFM statistics. Automatically input the appropriate value to the item or remove the corresponding data. The data matching function is used to match data items that should be identical to each other. In other words, if a student's student number is different between the learner DB and the learning object DB data, it is matched. The data linking function is to make two different data into one data using a common item. That is, it functions to create a large learning information data including learner information by additionally connecting learner information to the learning data of the learning object DB using the learner student ID number. The data coding function processes statistical data on items in letters. It is a function that converts numbers to make it easier to do. In other words, it becomes male and female and changes the item to 1 for male and 2 for female. The RFM statistics function generates RFM values to extract statistical data from preprocessed data through the above 4 steps. Function. The summary statistical data 310 is mainly obtained using R.F.M (Recency, Frequency, Monetary) values. The R (Recency) value indicates how recently the learner visited the learning object for each semester for each learner, and the F (Frequency) value indicates how many times the learner visited the learning object for each semester for each learner, and the M (Monetary) value Represents the time taken to learn the learning object for each semester. The summary statistics data 310 is divided into three parts, such as the overall learning statistics 311, the individual learning statistics 312, and the learning path statistics 313. Can be divided. The total learning statistics 311 obtains the statistics of all students taking the learning objects included in each subject for each semester. Individual learning statistics 312 extracts statistical values for each learning object included in a subject that is heard in a specific semester for each student. The learning path statistics 313 extracts statistical data on the path through which the learner has learned. FIG. 4 shows multivariate statistical analysis using the total learning statistics 311 of the summary statistical data 310 as shown in FIG. Through changing the group learning path through the group to rewrite the customized learning structure for each group is a diagram showing in detail the step of storing in the learning structure database 414. First, the statistical analysis step 410 for each SCO generates statistical data based on the F value for each learning unit (SCO) with the overall learning statistics 311 and statistical values such as average learning average and average learning deviation. Extract Through this, we analyze the learning degree between SCOs and use it to identify the characteristics of each SCO (411). To reconstruct the SCO, generate AU-specific F-value statistical data to analyze the AU, the smaller learning unit included in the SCO. Similar to the statistical data for each SCO, statistical analysis 412 for each AU calculates statistical values such as average learning degree and learning deviation. Using this statistical value, the learning degree and deviation of each AU are identified, and through this, the SCO is readjusted (413), and then, the group learning path is readjusted and stored in the learning structure database (414). 4 includes an example analysis of each step. An example analysis of group learning paths consisting of SCO 1, 2, and 3 is shown. As a result of the analysis, the learning degree and learning deviation of SCO1, 2, 3 were analyzed so much that it was necessary to readjust SCO1, 2, 3. For the SCO re-adjustment, AU statistical data was generated, and through this, SCO 1, 2, 3 were reconstructed into 6 of SCO 1, 2, 3, 4, 5, and 6. In this way, it can be seen that the group learning paths composed of SCO 1-> 2-> 3 were re-adjusted in the order of SCO 1-> 2-> 3-> 4-> 5-> 6 through SCO readjustment. Here, the existing SCO1 and the rescheduled SCO1 are different SCOs. FIG. 5 extracts statistical values through multivariate statistical analysis using individual learning statistics of the summary statistical data 310 as shown in FIG. This chart shows the detailed steps of identifying small group learning paths by cluster, rewriting individual customized learning plans and storing them in the database. First, the statistical analysis step 510 for each SCO is a step of analyzing the learning degree between the SCO by extracting the statistical data based on the F value for each learning unit (SCO) with the summary statistical data 310. Cluster analysis for each SCO (511) is performed using statistical data for each SCO. Cluster analysis uses the commonly used K-means algorithm. When the clusters are formed, the step of extracting the characteristics of each cluster is the step of identifying the characteristics of each SCO (512). When the SCO rebalancing is needed, AU-specific statistical analysis 513 generates F-value statistical data for each AU to analyze AU, which is a smaller learning unit included in the SCO, to reconstruct the SCO. AU cluster analysis 514 performs a cluster analysis using the statistical data. Similarly, learning-oriented AUs are grouped into one cluster and distinguished from others. SCO reconstruction and small group learning path reconstruction (515) are based on cluster analysis. Figure 5 shows an example of analyzing the learning path for each small group consisting of SCO 1, 2, 3. When performing cluster analysis (511), three groups are generated, and when learning the learning characteristics of each SCO for each group, group 1 needs to adjust SCO1 and 2, and group 2 needs to adjust SCO 2 and 3. I figured out. Group 3 was found to be able to use the current learning path. To this end, AU statistical data can be generated and through this, SCOs 1, 2, and 3 can be readjusted for each of three subgroups divided by the SCO cluster analysis 511. In other words, small group 1 can be divided into six SCOs by rebalancing SCOs 1, 2, and 3, and small group 2 can be rebalanced into five SCOs by adjusting only SCOs 2 and 3. Small Group 3 is so easy to learn SCO 1 that you can remove it or add a new SCO. The small group learning path adjustment is completed by modifying the learning path for each small group using the SCO information reconstructed for each small group and storing the learning path in the learning structure database 414. In addition, a rule is used to obtain a group transition matrix (515), in which small groups belonging to students change information, so that students can move from their current small group to the desired small group after the end of the semester. FIG. 6 illustrates a rewritten personalized learning structure diagram (CSF) rewritten by changing the individual learning path 610 through multivariate statistical analysis 410 using the individual learning statistics 312 of the summary statistical data 310. ; Course Structure Format) is stored in the learning structure database 414. Similar to the group learning path change of FIG. 4 and the small group learning path change of FIG. 5, when learning efficiency decreases while monitoring individual learning statistics 312, the individual learning path is changed. That is, if the learning efficiency is too low, the low level learning objects are included in the personal learning path. If the learning efficiency is too high, the high level learning objects are included in the personal learning path. In addition, FIG. 6 is used to change an individual's learning path by using the rules of the group transition matrix 515 obtained in FIG. 5. FIG. 7 shows that a new learner 720 takes an existing course. The overall flow of the course without information is shown. First, as illustrated in FIG. 5, clustering 740 is performed using the summary statistical data 310 and the learner disposition database 730. After this performance, subgroups with similar characteristics are divided, and these subgroups are classified using a decision tree method or a case based reasoning method (CBR). ). The grouping rule 710 is used to allocate a small group with similar propensity to the new learner 710 to provide an appropriate learning path to the new learner 710. The new learner 710 may perform the learning through the group learning path, but in order to find a more appropriate learning path, the cluster classification rule 710 is found to suggest a learning path suitable for the new learner 710. . Like the existing students, the new learner 710 may also change the learning path through the group learning path change, the small group learning path change, and the personal learning path change described in FIGS. 4, 5, and 6. Shows the overall flow of the new learner 720 continuously changing the learning path according to the learning efficiency while learning. The new learner 720 is provided with a group learning path 810 which is basically assigned to the subject, or if the group transition has a pattern stored in the matrix 840, a small group having similar propensity is assigned to the learning path of the small group. 820 is provided. First, the learner provided with the group learning path 810 proceeds with learning, and after learning for a predetermined period of time, the learning efficiency and the learning path are analyzed to allocate the most suitable small group, and the learning path 820 of the corresponding small group is provided. . As learning progresses, learning efficiency and learning paths are analyzed to continuously change small groups and small group learning paths 820 are continuously changed. As the learning through the small group learning path 820 progresses, when the small group learning path cannot improve the learning efficiency and learning progress of the learner, the individual learning path 830 may be provided according to the learning efficiency and disposition of the learner. do. The personal learning path 830 is also modified in a more specialized form while continuously monitoring the learning efficiency of the individual.
삭제delete
삭제delete
삭제delete
삭제delete
삭제delete
삭제delete
삭제delete
삭제delete
삭제delete
본 발명은 상술한 바와 같이 세계적 표준으로 자리잡고 있는 원격 교육 데이터 모형을 사용하였고, 학습자 및 학습정보를 이용한 학습 능률을 계산하고 이를 통계적 분석 방법과 데이터 마이닝 분석 방법을 적용함으로써 학습자의 특성을 추출하고 이에 딱 맞는 학습 경로를 그룹 학습경로, 소그룹 학습경로, 개인 학습경로의 형태로 제공함으로써 학습 능률을 극대화 시킬 수 있는 학습환경 관리시스템의 원격 교육방법을 제안하였다. 이러한 시스템을 통하영 얻을 수 있는 효과는 다음과 같다.As described above, the present invention uses a distance education data model that is set as a global standard, calculates learning efficiency using learners and learning information, and extracts learner's characteristics by applying statistical and data mining analysis methods. We proposed a distance learning method of learning environment management system that can maximize learning efficiency by providing learning paths in the form of group learning paths, small group learning paths, and individual learning paths. The effects that can be achieved through such a system are as follows.
1) 원격 교육 시스템간의 이식성 극대화 : 표준 데이터 모형을 채용한 모든 시스템 뿐 아니라 기존 원격 교육 시스템도 표준 데이터 모형으로 매핑(Mapping) 작업만을 수행함으로써 본 시스템을 채용하여 개인화 된 교육 환경을 제공할 수 있다. 1) Maximize portability between distance education systems: Not only all systems adopting standard data models but also existing distance education systems can provide a personalized education environment by adopting this system by only mapping to standard data models. .
2) 학습자 특성/수준 분석 기법 다양화 : 시험 출제 및 채점에 의한 단순한 학습자 수준 분석 기법과 차별화 된 다변량 통계 기법 및 데이터 마이닝 분석 기법을 적용함으로써 분석 기법을 다양화할 수 있다. 2) Diversification of Learner Characteristics / Level Analysis Techniques: The analysis techniques can be diversified by applying simple learner-level analysis techniques by test-taking and grading, and multivariate statistical and data mining analysis techniques.
3) 학습자 특성에 맞는 학습경로 제공으로 학습능률 극대화 : 데이터 마이닝 기법을 통하여 과학적인 데이터를 바탕으로 그룹 학습 경로, 소그룹 학습 경로, 개인 학습경로를 단계별로 제공함으로써 학습자 특성에 딱 맞는 학습경로를 제공할 수 있다. 이를 통하여 학습자의 학습 능률을 극대화 시킬 수 있다.3) Maximize learning efficiency by providing learning paths that meet the learner's characteristics: Provides learning paths that match the learner's characteristics by providing group learning paths, small group learning paths and individual learning paths based on scientific data through data mining techniques. can do. Through this, learners can maximize their learning efficiency.
도 1은 본 발명의 실시예에 따른 학습환경 관리시스템(EMS)이 포함된 원격 교육 시스템에 대한 개략적인 블록도이다.1 is a schematic block diagram of a distance learning system including a learning environment management system (EMS) according to an embodiment of the present invention.
도 2는 본 발명의 실시예에 따른 학습환경 관리시스템의 각 분석과정을 도시한 것이다.Figure 2 illustrates each analysis process of the learning environment management system according to an embodiment of the present invention.
도 3은 본 발명의 실시예에 따른 요약통계 데이터 추출단계의 분석과정을 도시한 것이다.Figure 3 shows the analysis process of the summary statistical data extraction step according to an embodiment of the present invention.
도 4는 본 발명의 실시예에 따른 그룹 학습 경로 재작성 단계의 분석과정 및 분석예제를 도시한 것이다.4 illustrates an analysis process and an analysis example of a group learning path rewriting step according to an embodiment of the present invention.
도 5는 본 발명의 실시예에 따른 소그룹 학습 경로 재작성 단계의 분석과정및 분석예제를 도시한 것이다.5 illustrates an analysis process and an example analysis of a small group learning path rewriting step according to an exemplary embodiment of the present invention.
도 6은 본 발명의 실시예에 따른 개인 학습 경로 재작성 단계의 분석과정을 도시한 것이다.6 is a diagram illustrating an analysis process of a personal learning path rewriting step according to an exemplary embodiment of the present invention.
도 7은 본 발명의 실시예에 따른 군집분류 규칙을 적용한 신규학습자의 소그룹 학습경로 배정 단계의 분석과정을 도시한 것이다.7 is a flowchart illustrating a process of assigning a small group learning path of a new learner to which a cluster classification rule is applied according to an exemplary embodiment of the present invention.
도 8은 본 발명의 실시예에 따른 시간의 흐름에 따른 개인 학습자의 학습 경로 변경에 대한 절차를 도시한 것이다.8 illustrates a procedure for changing a learning path of an individual learner over time according to an exemplary embodiment of the present invention.
< 도면의 주요부호에 대한 설명><Description of Major Symbols in Drawing>
100 : 학습환경 관리시스템 110 : 전반부 시스템100: learning environment management system 110: first half system
111 : 시스템 운영부 112 : 회원 인증부111: system operation unit 112: member authentication unit
113 : 접속부 120 : 후반부 시스템113: connection part 120: second half system
121 : 학습자 DB 122 : 인터액션 DB121: learner DB 122: interaction DB
123 : 학습객체 DB 130 : 인터넷123: learning object DB 130: the Internet
140 : 학습자 PC140: learner PC
Claims (8)
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR10-2002-0052801A KR100501910B1 (en) | 2002-09-03 | 2002-09-03 | The remote education method of Educational environment Management System(EMS) for personalized learning |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR10-2002-0052801A KR100501910B1 (en) | 2002-09-03 | 2002-09-03 | The remote education method of Educational environment Management System(EMS) for personalized learning |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20040021212A KR20040021212A (en) | 2004-03-10 |
| KR100501910B1 true KR100501910B1 (en) | 2005-07-18 |
Family
ID=37325429
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR10-2002-0052801A KR100501910B1 (en) | 2002-09-03 | 2002-09-03 | The remote education method of Educational environment Management System(EMS) for personalized learning |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR100501910B1 (en) |
Families Citing this family (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100877583B1 (en) * | 2006-07-19 | 2009-01-07 | 성균관대학교산학협력단 | Diagnosis System of Learning Style and Method Thereof |
| KR101041672B1 (en) * | 2008-06-24 | 2011-06-14 | 에스케이 텔레콤주식회사 | An Intelligent Customized Learning Service Method |
| KR101068937B1 (en) * | 2009-11-18 | 2011-09-29 | 숭실대학교산학협력단 | Personalized Studying Path Generating Method in Serious Game |
| WO2011074714A1 (en) * | 2009-12-15 | 2011-06-23 | 주식회사 아이싸이랩 | Method for intelligent personalized learning service |
| KR101248283B1 (en) * | 2011-02-24 | 2013-03-27 | 한국과학기술원 | Smart study agent system and managing method using the same |
| KR101403329B1 (en) * | 2012-05-09 | 2014-06-09 | 한양대학교 산학협력단 | Apparatus and method for providing with study contents based on affective event ontology |
| KR101251628B1 (en) * | 2012-05-18 | 2013-04-08 | 박민규 | Service providing method for learning management based on life engineering |
| KR101679109B1 (en) * | 2014-01-03 | 2016-11-23 | 이화여자대학교 산학협력단 | Method for providing learning guideline, server for providing learning guideline and user device |
| US20170193620A1 (en) * | 2014-05-30 | 2017-07-06 | Hewlett-Packard Development Company, L.P | Associate a learner and learning content |
| KR102198946B1 (en) * | 2018-06-07 | 2021-01-06 | (주)제로엑스플로우 | Method and device for attaining the goal of study by providing individual curriculum |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20000023996A (en) * | 2000-01-06 | 2000-05-06 | 이상현 | Educating method using internet and an apparatus therefor |
| KR20000053983A (en) * | 2000-05-16 | 2000-09-05 | 이창주 | Adaptive learning and administering method based on learning result |
| KR20020005242A (en) * | 2000-07-06 | 2002-01-17 | 최환원 | Method and system for providing education service by using the internet |
| KR20020045303A (en) * | 2000-12-08 | 2002-06-19 | 정상철 | method of distance learning considering individual peculiarities |
-
2002
- 2002-09-03 KR KR10-2002-0052801A patent/KR100501910B1/en not_active IP Right Cessation
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20000023996A (en) * | 2000-01-06 | 2000-05-06 | 이상현 | Educating method using internet and an apparatus therefor |
| KR20000053983A (en) * | 2000-05-16 | 2000-09-05 | 이창주 | Adaptive learning and administering method based on learning result |
| KR20020005242A (en) * | 2000-07-06 | 2002-01-17 | 최환원 | Method and system for providing education service by using the internet |
| KR20020045303A (en) * | 2000-12-08 | 2002-06-19 | 정상철 | method of distance learning considering individual peculiarities |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20040021212A (en) | 2004-03-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhang et al. | R2MLwiN: A program to run the MLwiN multilevel modelling software from within R | |
| CN106528656B (en) | A kind of method and system for realizing that course is recommended based on student's history and real-time learning state parameter | |
| CN107301199B (en) | Data tag generation method and device | |
| US20060069576A1 (en) | Method and system for identifying candidate colleges for prospective college students | |
| KR100501910B1 (en) | The remote education method of Educational environment Management System(EMS) for personalized learning | |
| Jugo et al. | Increasing the adaptivity of an intelligent tutoring system with educational data mining: a system overview | |
| CN112487290B (en) | Internet accurate teaching method and system based on big data and artificial intelligence | |
| CN106886408A (en) | It is applied to the intelligent decision system of robot software engineer | |
| CN108062366A (en) | Public culture information recommendation system | |
| Ahmadi et al. | Data mining in teacher evaluation system using WEKA | |
| CN109214965B (en) | Data sorting method, system and device | |
| CN114490918A (en) | Dynamic knowledge graph building system and method based on dynamic learning model and application | |
| CN110070232B (en) | Method for multi-dimensional student score prediction by introducing teacher teaching style | |
| CA2835698A1 (en) | Dynamic framework for psychometric testing | |
| Mamcenko et al. | On using learning analytics to personalise learning in virtual learning environments | |
| CN113256100A (en) | Teaching method and system for indoor design based on virtual reality technology | |
| Iglesias et al. | An experience applying reinforcement learning in a web-based adaptive and intelligent educational system | |
| Oleynikov et al. | ARACE–a new method for verbal decision analysis | |
| Sukhija et al. | Educational data mining towards knowledge engineering: a review state | |
| Kim et al. | A computer art therapy system for kinetic family drawing (CATS_KFD) | |
| Adel et al. | Towards socially intelligent automated tutors: Predicting learning style dimensions from conversational dialogue | |
| Li et al. | Analysis of online learning style model based on K-means algorithm | |
| KR20220027513A (en) | System for learning schedule management according to psychological profile data and method thereof | |
| Menaka et al. | Performance of Data Mining Classifiers on Kolb’s Learning Style Inventory (KLSI)’ | |
| KR20210091442A (en) | System and server and operating method to curate study contents by VR contents |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A201 | Request for examination | ||
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant | ||
| FPAY | Annual fee payment |
Payment date: 20100628 Year of fee payment: 6 |
|
| LAPS | Lapse due to unpaid annual fee |