KR101866747B1 - 온라인 강사 추천 방법 - Google Patents

온라인 강사 추천 방법 Download PDF

Info

Publication number
KR101866747B1
KR101866747B1 KR1020170044814A KR20170044814A KR101866747B1 KR 101866747 B1 KR101866747 B1 KR 101866747B1 KR 1020170044814 A KR1020170044814 A KR 1020170044814A KR 20170044814 A KR20170044814 A KR 20170044814A KR 101866747 B1 KR101866747 B1 KR 101866747B1
Authority
KR
South Korea
Prior art keywords
matrix
recommendation
subscriber
online
weight
Prior art date
Application number
KR1020170044814A
Other languages
English (en)
Inventor
고동완
김기범
김옥빈
Original Assignee
주식회사 베티
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 주식회사 베티 filed Critical 주식회사 베티
Priority to KR1020170044814A priority Critical patent/KR101866747B1/ko
Priority to PCT/KR2017/012557 priority patent/WO2018186548A1/ko
Application granted granted Critical
Publication of KR101866747B1 publication Critical patent/KR101866747B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • 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
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/08—Auctions
    • 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

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Data Mining & Analysis (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Development Economics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Primary Health Care (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Human Resources & Organizations (AREA)
  • Algebra (AREA)
  • General Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Health & Medical Sciences (AREA)
  • Educational Technology (AREA)
  • Educational Administration (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

본 개시에 따르면 관리 서버에 의해 온라인 강사를 추천하는 방법으로서, 가입자에 대해 학습 성향을 파악하기 위한 질문 리스트를 제공하는 단계와, 상기 질문 리스트에 대한 상기 가입자의 응답 데이터를 수신하는 단계와, 상기 응답 데이터로부터 상기 가입자의 학습 성향에 관한 성향 요소를 추출하고 상기 성향 요소를 벡터화하여 제1 행렬을 얻는 단계와, 상기 관리 서버에 포함된 데이터베이스로부터, 상기 성향 요소와 온라인 강사들의 추천 대상 특성 간의 연관성에 대한 가중치를 추출하여 제2 행렬을 얻는 단계와, 상기 제1 행렬과 상기 제2 행렬을 행렬곱(matrix multiplication)하여 제3 행렬인 개인화 필터를 얻는 단계와, 상기 데이터베이스로부터 상기 온라인 강사들 각각에 대한 추천 대상 특성에 관한 데이터를 추출하여 제4 행렬을 얻는 단계와, 상기 제4 행렬의 각 행별로 상기 제3 행렬과 내적(inner product)하는 단계와, 상기 내적된 각 행의 요소의 점수들을 합산하여 높은 점수를 가진 소정 수의 온라인 강사를 추천하는 단계를 포함하는 온라인 강사 추천 방법이 제공된다.

Description

온라인 강사 추천 방법{Method of Recommending Online Lecturer}
본 개시는 온라인 강사를 추천하는 방법에 관한 것으로, 구체적으로는 온라인 강의 수강자의 학습 성향에 가장 최적인 온라인 강사를 추천하는 방법에 관한 것이다.
인터넷 기술이 발달함에 따라 종래의 오프라인으로 제공되던 강의는 인터넷을 통해서도 사용자에게 보급되고 있다. 인터넷을 통해 제공되는 강의를 온라인 강의라고 하는데, 온라인 강의는 시간과 장소의 제약을 받지 않고 수강할 수 있고 수강 비용도 저렴하다. 온라인 강의는 초중고생에서 대학생과 성인들까지 다양한 연령층에 의해 많이 이용되고 있으며, 이에 따라 온라인 강의와 관련된 시장은 지속적으로 성장하고 있다.
온라인 강의는 경험재이므로 콘텐츠를 직접 경험해보기 전까지는 효과 판단이 불가능하며, 일정 시간을 지나고 나서야 콘텐츠의 효과 및 만족도에 대한 평가가 가능한 특성을 가진다. 콘텐츠 사용자는 콘텐츠를 경험하기 전에 커뮤니티나 포털 검색을 통해 콘텐츠에 대한 정보 수집 활동을 하지만, 교육 전문 포털의 활동은 미약하고, 교육 온라인 커뮤니티나 지식 서비스는 콘텐츠에 대한 개인마다 다른 평가와 의견으로 인하여 정확한 학습 효과를 예측하기 어려운 면이 있다. 제한된 정보 유통 채널에서 마케팅 경쟁이 과열되어 정보 혼란이 가중되고 있고, 2013년부터 2015년까지 3년간 접수된 인터넷강의 관련 피해 건수는 총 1천441건이었다고 하고, 피해 건수는 해마다 증가하고 있다. 연 2천억 규모의 대입 온라인 강의 시장에서 수강 불만족도는 58.4%에 달한다고 한다.
사용자에 맞는 맞춤형 정보추천 기술이 발전함에 따라, 사용자들은 자신들이 입력한 상품기호에 맞는 상품을 추천받는 방식을 온라인 상품 구매에서 활용하고 있다. 하지만, 이러한 방식은 온라인쇼핑의 일반적인 상품(신발, 완구 등)을 추천하는 기술이며, 온라인 강의 분야에는 적용하기 적합하지 않은 면이 있다. 왜냐하면, 상품추천을 하기 위해서는 상품을 구매한 사람들이 상품에 대한 상품평을 기재하여야 하는데, 온라인 강의는 모든 상품에 대한 평가가 많지 않아 평가 희소성(rating sparsity)이 존재하기 때문이다. 따라서, 온라인 강의를 수강하고자 하는 사용자에게 기호를 반영한 적절한 온라인 강의를 추천할 수 있는 방안이 요구된다.
1. 등록특허 제10-0772183호 2. 등록특허 제10-0994457호
본 개시의 과제는 온라인 강의 수강자의 학습 성향을 파악하고 또한 온라인 강사의 특성을 파악함으로써 수강자에 대해 최적의 온라인 강사를 추천하는 방법을 제공하는 것이다.
본 개시가 해결하고자 하는 과제들은 이상에서 언급한 과제들에 제한되지 않으며, 언급되지 않은 또 다른 과제들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.
일 측면에서, 관리 서버에 의해 온라인 강사를 추천하는 방법으로서, 가입자에 대해 학습 성향을 파악하기 위한 질문 리스트를 제공하는 단계와, 상기 질문 리스트에 대한 상기 가입자의 응답 데이터를 수신하는 단계와, 상기 응답 데이터로부터 상기 가입자의 학습 성향에 관한 성향 요소를 추출하고 상기 성향 요소를 벡터화하여 제1 행렬을 얻는 단계와, 상기 관리 서버에 포함된 데이터베이스로부터, 상기 성향 요소와 온라인 강사들의 추천 대상 특성 간의 연관성에 대한 가중치를 추출하여 제2 행렬을 얻는 단계와, 상기 제1 행렬과 상기 제2 행렬을 행렬곱(matrix multiplication)하여 제3 행렬인 개인화 필터를 얻는 단계와, 상기 데이터베이스로부터 상기 온라인 강사들 각각에 대한 추천 대상 특성에 관한 데이터를 추출하여 제4 행렬을 얻는 단계와, 상기 제4 행렬의 각 행별로 상기 제3 행렬과 내적(inner product)하는 단계와, 상기 내적된 각 행의 요소의 점수들을 합산하여 높은 점수를 가진 소정 수의 온라인 강사를 추천하는 단계를 포함하는 온라인 강사 추천 방법이 제공된다.
일 실시예에서, 상기 제1 행렬을 얻는 단계는 상기 질문 리스트 각각에 대한 응답별 성향 요소에 대한 점수를 얻는 단계 - 상기 성향 요소는 무동기, 외재적, 성실함 등을 포함함 - 와, 상기 성향 요소의 각각에 대한 점수를 1열 행렬로 변환하는 단계를 포함할 수 있다.
일 실시예에서, 상기 추천 대상 특성은 동기 부여, 상호작용, 교재, 공부법 등을 포함할 수 있다.
일 실시예에서, 상기 제1 행렬은 1*a의 형태이고, a는 상기 성향 요소의 수일 수 있다.
일 실시예에서, 상기 제2 행렬은 a*m의 형태이고, a는 상기 성향 요소의 수이고, m은 상기 추천 대상 특성의 수일 수 있다.
일 실시예에서, 상기 제3 행렬은 1*m 형태이고 상기 제4 행렬은 n*m 행태이며, n은 상기 온라인 강사의 수이고 m은 상기 추천 대상 특성의 수일 수 있다.
일 실시예에서, 상기 가입자가 추천된 온라인 강사를 선택하는지 여부에 따라 상기 추천 대상 특성에 대한 가중치를 업데이트하는 단계를 더 포함할 수 있다.
일 실시예에서, 상기 추천 대상 특성에 대한 가중치를 업데이트하는 단계는 상기 가입자가 추천된 온라인 강사를 선택하는 경우가 미리 결정된 수에 이를 경우 상기 추천 대상 특성에 대한 가중치를 상승시키고, 상기 가입자가 추천된 온라인 강사를 선택하지 않는 경우가 미리 결정된 수에 이르지 않을 경우 상기 추천 대상 특성에 대한 가중치를 하강시키는 단계를 포함할 수 있다.
일 실시예에서, 상기 소정 수는 3일 수 있다.
다른 측면에서, 프로그램을 기록한 컴퓨터 판독가능 기록 매체로서, 상기 프로그램은 명령어들을 포함하고, 상기 명령어들은 컴퓨터에 의해 실행될 때 상기 어느 한 방법을 수행하는, 컴퓨터 판독가능 기록 매체가 제공된다.
본 개시에 의하면, 온라인 강의 수강자의 학습 성향 및 온라인 강사의 특성을 이용하여 수강자에 대한 최적의 온라인 강사를 추천할 수 있는 이점이 있다.
또한, 본 개시에 의하면, 온라인 강의 수강자의 피드백을 통해 온라인 강사 추천 방법을 업데이트함으로써 지속적으로 개선되는 강사 추천 방법을 제공할 수 있다.
도 1은 본 개시의 일 실시예에 따라, 온라인 강사를 추천하는 서비스를 제공하는 방법을 위한 시스템 환경을 나타낸 도면이다.
도 2는 본 개시의 일 실시예에 따른, 관리 서버의 내부 시스템 구성도를 나타낸 도면이다.
도 3은 본 개시의 일 실시예에 따라, 온라인 강사를 추천하는 방법을 설명하기 위한 흐름도이다.
도 4는 본 개시의 일 실시예에 따라, 가입자의 응답 데이터를 벡터화하여 제1 행렬을 얻는 과정을 나타낸 도면이다.
도 5는 본 개시의 일 실시예에 따라, 가입자의 성향 요소와 온라인 강사들의 추천 대상 특성 간의 연관에 대한 가중치를 추출하여 제2 행렬을 얻는 과정을 나타낸 도면이다.
도 6은 본 개시의 일 실시예에 따라, 제1 행렬과 제2 행렬을 행렬곱(matrix multiplication)하여 제3 행렬인 개인화 필터를 얻는 과정을 나타낸 도면이다.
도 7은 본 개시의 일 실시예에 따라, 온라인 강사들 각각에 대한 추천 대상 특성에 관한 데이터를 추출하여 제4 행렬을 얻는 과정을 나타낸 도면이다.
도 8은 본 개시의 일 실시예에 따라, 제4 행렬의 각 행별로 제3 행렬과 내적(inner product)하는 과정을 나타낸 도면이다.
도 9는 본 개시의 일 실시예에 따라, 내적된 각 행의 요소의 점수들을 합산하여 높은 점수 순으로 배열하는 과정을 나타낸 도면이다.
본 개시의 이점들과 특징들 그리고 이들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해 질 것이다. 그러나 본 개시는 이하에서 개시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 것이며, 본 실시예들은 단지 본 개시의 개시가 완전하도록 하며 본 개시가 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려 주기 위해 제공되는 것이며, 본 개시는 청구항의 범주에 의해 정의될 뿐이다.
본 명세서에서 사용되는 용어는 단지 특정한 실시예를 설명하기 위해 사용되는 것으로 본 개시를 한정하려는 의도에서 사용된 것이 아니다. 예를 들어, 단수로 표현된 구성 요소는 문맥상 명백하게 단수만을 의미하지 않는다면 복수의 구성 요소를 포함하는 개념으로 이해되어야 한다. 또한, 본 개시의 명세서에서, '포함하다' 또는 '가지다' 등의 용어는 명세서 상에 기재된 특징, 숫자, 단계, 동작, 구성 요소, 부분품 또는 이들을 조합한 것이 존재함을 지정하려는 것일 뿐이고, 이러한 용어의 사용에 의해 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성 요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성이 배제되는 것은 아니다. 또한, 본 명세서에 기재된 실시예에 있어서 '모듈' 혹은 '부'는 적어도 하나의 기능이나 동작을 수행하는 기능적 부분을 의미할 수 있다.
덧붙여, 다르게 정의되지 않는 한 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 개시가 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가진다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미가 있는 것으로 해석되어야 하며, 본 개시의 명세서에서 명백하게 정의하지 않는 한 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
이하, 첨부된 도면을 참조하여 본 개시의 실시예를 보다 상세히 설명한다. 다만, 이하의 설명에서는 본 개시의 요지를 불필요하게 흐릴 우려가 있는 경우, 널리 알려진 기능이나 구성에 관한 구체적 설명은 생략하기로 한다.
도 1은 본 개시의 일 실시예에 따라, 온라인 강사를 추천하는 서비스를 제공하는 방법을 위한 시스템 환경을 나타낸 도면이다.
도 1을 참조하면, 본 개시의 일 실시예에 따른, 온라인 강사를 추천하는 서비스를 제공하는 시스템 환경(100)은 강사 추천 서비스를 이용하여 강사를 추천 받고자 하는 수강자 즉, 강사 추천 서비스 웹(wep) 또는 앱(app)의 가입자의 단말기(110), 네트워크(120), 관리 서버(130)를 포함할 수 있다.
관리 서버(130)는 네트워크(120)를 통해 가입자 단말기(110)과 통신 가능하게 연결될 수 있다. 여기서, 네트워크(120)는 인터넷 망, 이동 통신망(예를 들면, WCDMA 망, GSM 망, CDMA 망 등), 무선 인터넷 망(예를 들면, 와이브로(Wibro), 와이맥스(Wimax) 망 등) 등의 유/무선 네트워크를 포함하지만 이에 한정되는 것은 아니다. 일 실시예에서, 관리 서버(130)는 전용 서버(dedicated server)와 같은 코로케이티드 서버(collocated server), 호스팅 서버 또는 클라우드 서버(cloud server)일 수 있다.
단말기(110)는 노트북, 노트 패드 등의 휴대용 단말기, 스마트 폰 등과 같은 다양한 종류의 핸드헬드(Handheld) 기반의 무선 통신 장치와, 네트워크(120)를 통해 다른 장치와 통신 가능한 컴퓨터, 서버 등을 포함할 수 있으나, 단말기(110)의 종류가 이에 제한되는 것은 아니다.
도 2는 본 개시의 일 실시예에 따른, 관리 서버의 내부 시스템 구성도를 나타낸 도면이다. 관리 서버(130)는 제어부(210), 제어부(210)와 통신 가능하게 연결되는 통신부(220) 및 저장부(230)를 포함할 수 있다.
제어부(210)는 통신부(220)를 통해 수신한 데이터를 처리하여 저장부(230)에 저장하거나 저장부(230)에 저장된 데이터를 처리하여 통신부(220)를 통해 가입자 단말기(110)에 송신할 수 있다.
통신부(220)는 제어부(210)의 제어에 따라 다양한 정보를 송수신할 수 있도록 지원하는 통신 프로토콜을 구현하도록 구성될 수 있다. 이 경우, 통신 프로토콜은 적절한 하드웨어 및/또는 펌웨어로 구현될 수 있다. 몇몇 구현예에서, 통신 프로토콜은 TCP/IP(Transmission Control Protocol/Internet Protocol) 프로토콜 및/또는 UDP(User Datagram Protocol) 프로토콜을 포함할 수 있다. 통신부(220)는 LTE/LTE-A를 비롯한 다양한 RAT들(Radio Access Technologies)을 구현하는 하드웨어 및/또는 펌웨어로 구현될 수 있다. 몇몇 구현예에서, 통신부(220)는 LTE-Ue와 같은 무선통신 인터페이스 규격을 따르도록 구현될 수 있다. 통신부(220)는 제어부(210)의 제어에 따라 가입자 단말기(110)와 통신한다.
저장부(230)는 사용자 정보 DB(database)(231)와 강사 정보 DB(232)를 포함할 수 있다.
사용자 정보 DB(231)는 사용자의 성향 요소에 대한 정보와 이를 알 수 있는 설문 정보(즉, 질문 리스트), 및 설문과 성향간의 상관 관계에 대한 정보를 저장할 수 있다. 설문 정보는 사용자(즉, 가입자)의 성향을 파악하기 위한 질문 리스트로서 설문 제목과 객관식 지문 정보에 관한 것일 수 있다. 성향 요소는 무동기, 내재적, 외재적, 계획적, 무계획, 현실적, 성실함, 불성실 등을 포함할 수 있다. 또한, 사용자 정보 DB(231)는 설문의 지문이 각 성향에 영향을 끼치는 정도를 저장할 수 있다. 사용자 정보 DB(231)는 또한 사용자가 질문 리스트에 대해 응답한 내용, 분석된 사용자의 성향, 사용자에 대해 추천된 강사 정보 등을 저장할 수 있다.
강사 정보 DB(232)는 강사명, 강의 과목, 강의 특성 등 강사에 대한 정보를 포함할 수 있다. 또한, 강사 정보 DB(232)는 동기 부여, 상호작용, 교재, 공부법, 판서 능력, 발성 능력, 교재의 퀄리티, 성별 등의 강사의 속성(즉, 추천 대상 특성)에 대한 정보를 저장할 수 있다. 이러한 추천 대상 특성은 다량의 데이터 학습을 통해 고도화되는 머신 러닝을 이용하여 추출해 낼 수 있다. 이러한 머신 러닝에 관한 각종 기법은 이미 주지된 바 있으므로, 이에 대한 설명은 생략한다. 또한, 강사 정보 DB(232)는 사용자의 성향 요소와 추천 대상 특성간의 상관관계에 대한 정보를 저장할 수 있고, 또한 가입자의 성향 요소에 대한 온라인 강사들의 추천 대상 특성 간의 가중치를 저장할 수 있다(도 5 참조).
저장부(230)는 또한 제어부(210)의 동작을 위한 소프트웨어/펌웨어 및/또는 데이터를 저장할 수 있고, 입/출력되는 데이터 등도 저장할 수 있다. 저장부(230)는 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예를 들어 SD 또는 XD 메모리 등), 램(Random Access Memory, RAM), SRAM(Static Random Access Memory), 롬(Read-Only Memory, ROM), EEPROM(Electrically Erasable Programmable Read-Only Memory), PROM(Programmable Read-Only Memory) 자기 메모리, 자기 디스크, 광디스크 중 적어도 하나의 타입의 저장 매체를 포함할 수 있다.
이하에서는 도 3 내지 도 9를 참조하여, 온라인 강사를 추천하는 일 예에 대해 설명하기로 한다.
도 3은 본 개시의 일 실시예에 따라, 온라인 강사를 추천하는 방법을 설명하기 위한 흐름도이다. 도 3을 참조하면, 관리 서버(130)는 제어부(210)의 제어에 따라 통신부(220)를 통해 가입자의 학습 성향을 파악하기 위해 가입자 단말기(110)에 대해 질문 리스트를 제공한다(S301). 질문 리스트는 아래 표 1과 같은 형태로 제공될 수 있으며, 문제를 이해하는데 도움이 될 수 있는 사진/그림이 각각의 질문과 함께 제공되는 것이 좋다.

1. 나는 자소서에 쓸 내용이
(1) 많다
(2) 적다
(3) 쓸게 너무 없어요. 도와 주세요..
2. 시험볼 때 나는
(1) 확실한 목표점수를 노린다
(2) 지난 번 시험보다 점수가 잘 나오기만을 바랄 뿐
(3) 점수 따위에 연연하지 않는다
3. 솔직히 당신이 학교에 가는 이유는
(1) 안 가면 혼나니까
(2) 공부하려고
(3) 학교를 졸업해야 하고 싶은 일을 하니까
관리 서버(130)는 가입자 단말기(110)로부터 질문 리스트에 대한 가입자의 응답 데이터를 수신한다(S302). 관리 서버(130)는 응답 데이터를 벡터화하여 제1 행렬을 얻는다(S303).
도 4는 본 개시의 일 실시예에 따라, 가입자의 응답 데이터를 벡터화하여 제1 행렬을 얻는 과정을 나타낸 도면이다.
가입자 단말기(110)가 문제 1 내지 8 등에 대해 "2, 3, 1, 4, 2, 3, 1, 2 ..." 등과 같은 응답 데이터를 관리 서버(130)로 전송하면, 관리 서버(130)는 저장부(230)로부터 각 문제에 대한 응답별 성향 요소를 추출한다. 저장부(230)는 각 문제에 대한 응답별 성향 요소를 저장하고 있다. 예컨대, 가입자 단말기(110)가 문제 1(표 1에서 "나는 자소서에 쓸 내용이")에 대한 답변으로 1("많다")를 선택한 경우, 저장부(230)는 무동기, 내재적, 외재적, 계획적, 무계획, 현실적, 성실함, 불성실 등을 포함하는 성향 요소들 중 "성실함"을 대응하는 성향 요소로 추출하고, 답변으로 2("적다")를 선택한 경우, "무동기"를 성향 요소로 추출하고, 답변으로 3("쓸게 너무 없어요. 도와 주세요.")를 선택한 경우, "불성실"을 성향 요소로 추출할 수 있다.
도 4를 참조하면, 관리서버(130)는 저장부(230)로부터, 문제 1에 대한 답변 2에 대해서는 "무동기"라는 성향 요소를 추출하고, 문제 2에 대한 답변 3에 대해서도 또한 "무동기"라는 성향 요소를 추출하고, 문제 3에 대한 답변 1에 대해서는 "외재적"이라는 성향 요소를 추출하고, 문제 4에 대한 답변 4에 대해서도 "외재적"이라는 성향 요소를 추출하고, 문제 5에 대한 답변 2에 대해서도 "외재적"이라는 성향 요소를 추출하고, 문제 6에 대한 답변 3에 대해서도 "외재적"이라는 성향 요소를 추출하고, 문제 7에 대한 답변 1에 대해서는 "성실함"이라는 성향 요소를 추출하고, 문제 8에 대한 답변 2에 대해서는 "계획적"이라는 성향 요소를 추출한다.
답변들을 바탕으로 성향 데이터를 산출해 보면, 도 4의 "성향 데이터"에서와 같이, 무동기는 2회 추출되었으므로 무동기는 "2", 내재적은 0회 추출되었으므로 내재적은 "0", 외재적은 4회 추출되었으므로 외재적은 "4", 성실함은 1회 추출되었으므로 성실함은 "1", 계획적은 1회 추출되었으므로 계획적은 "1"로 된 성향 데이터를 추출할 수 있고, 이러한 가입자 단말기(110)의 응답 데이터를 벡터화하여 {2, 0, 4, 1, 1, ...}과 같은 제1 행렬을 얻는다(S303). 제1 행렬은 1*a의 형태이고, a는 성향 요소의 수이다. 즉, 제1 행렬을 얻는 단계는 질문 리스트 각각에 대한 응답별 성향 요소에 대한 점수를 얻는 단계와, 상기 성향 요소의 각각에 대한 점수를 1열 행렬로 변환하는 단계를 포함한다.
도 5는 본 개시의 일 실시예에 따라, 가입자의 성향 요소와 온라인 강사들의 추천 대상 특성 간의 연관에 대한 가중치를 추출하여 제2 행렬을 얻는 과정을 나타낸 도면이다.
관리 서버(130)는 가입자의 성향 요소에 대한 온라인 강사들의 추천 대상 특성 간의 가중치를 저장부(230)로부터 추출하여 제2 행렬을 얻는다(S304). 가입자의 성향 요소에 대한 온라인 강사들의 추천 대상은 예컨대, 휴리스틱(Heuristic) 기법에 의해 대응시키고 가중치(1 내지 10의 범위)를 부여할 수 있고, 이러한 가중치는 가입자의 피드백(즉, 추천된 강사의 선택 여부)에 따라 업데이트할 수 있다.
도 5를 참조하면, 가입자의 "무동기"의 성향 요소에는 "동기 부여"의 추천 대상 특성이 가중치 4로 연관되고, 가입자의 "내재적"의 성향 요소에는 "상호 작용"의 추천 대상 특성이 가중치 3으로 연관되고, 가입자의 "외재적"의 성향 요소에는 "활기찬 분위기"의 추천 대상 특성이 가중치 5로 연관되고, 가입자의 "계획적"의 성향 요소에는 "교재"의 추천 대상 특성이 가중치 3으로 연관되고, 가입자의 "무계획"의 성향 요소에는 "공부법"의 추천 대상 특성이 가중치 4로 연관되고, 가입자의 "현실적"의 성향 요소에는 "단기 학습"의 추천 대상 특성이 가중치 4로 연관되고, 가입자의 "성실함"의 성향 요소에는 "상호 작용"의 추천 대상 특성이 가중치 3으로 연관되고, 가입자의 "불성실"의 성향 요소에는 "동기 부여"의 추천 대상 특성이 가중치 6으로 연관될 수 있다.
제2 행렬은 추천 대상 특성을 행으로 하고, 성향 요소를 열로 한 연관성 가중치 데이터를 얻고 이를 벡터화함으로써 얻어진다. 즉, 제2 행렬은 a*m의 형태이고, a는 성향 요소의 수이고, m은 추천 대상 특성의 수이다.
그 후, 관리 서버(130)는 제1 행렬과 제2 행렬을 행렬곱(matrix multiplication)하여 제3 행렬인 개인화 필터를 얻는다(S305). 도 6의 참조하면, 제1 행렬은 1*a의 형태이고 제2 행렬은 a*m의 형태이므로, 제3 행렬은 1*m의 형태가 됨을 알 수 있다.
도 7은 본 개시의 일 실시예에 따라, 온라인 강사들 각각에 대한 추천 대상 특성에 관한 데이터를 추출하여 제4 행렬을 얻는 과정을 나타낸 도면이다.
도 7을 참조하면, 관리 서버(130)는 강사들 각각에 대한 추천 대상 특성에 대한 점수를 저장부(230)로부터 추출한다. 즉, "동기 부여, 상호 작용, 활기찬 분위기, 교재, 공부법 ..." 등에 관한 추천 대상 특성에 대해, "김포프"라는 강사는 {2, 4, 3, 5, 3 ...}의 점수를 가지고, "홍길동"이라는 강사는 {3, 3, 2, 4, 2 ...}의 점수를 가지고, "이순신"이라는 강사는 {2, 5, 1, 2, 1 ...}의 점수를 가지고, "김수학"이라는 강사는 {1, 3, 4, 3, 4 ...}의 점수를 가지며, "박대진"이라는 강사는 {5, 4, 2, 4, 5 ...}의 점수를 가질 수 있다.
관리 서버(130)는 강사를 행으로 하고, 추천 대상 특성을 열로 하여 제4 행렬을 얻는다. 즉, 제4 행렬은 n*m 행태이고, n은 온라인 강사의 수이고 m은 추천 대상 특성의 수이다.
도 8을 참조하면, 관리 서버(130)는 제4 행렬의 각 행별로 제3 행렬과 요소끼리 내적(inner product)하여 변환된 제4 행렬을 얻는다(S307). 도 9를 참조하면, 관리 서버(130)는 내적된 변환된 제4 행렬의 각 행의 요소의 점수들을 합산하여 높은 점수를 가진 소정 수(예: 3)의 강사를 추천한다(S308). 즉, 도 9에서 변환된 제4 행렬의 각 행의 요소의 점수들을 합산하면, "96, 105, 52, 125, 142 ..." 등을 얻을 수 있고, 이를 높은 점수 순으로 "142, 125, 105, 96, 25 ..." 정렬하고 가장 높은 점수를 받은 3인, 즉 "142, 125, 015"의 점수를 받은 강사를 추천한다. 여기서, 소정 수는 3일 수 있지만, 이에 제한되는 것은 아니고, 1, 5, 7, 10 등 다른 수로 할 수 있다. 예컨대, 3명의 강사를 추천하면, 가입자가 그 중에서 원하는 강사를 선택할 수 있다.
관리 서버(130)는 가입자가 추천된 온라인 강사를 선택하는지 여부에 따라 추천 대상 특성에 대한 가중치를 업데이트한다(S309). 추천 대상 특성에 대한 가중치를 업데이트하는 단계는, 가입자가 추천된 온라인 강사를 선택하는 경우가 미리 결정된 수에 이를 경우 상기 추천 대상 특성에 대한 가중치를 상승시키고, 가입자가 추천된 온라인 강사를 선택하지 않는 경우가 미리 결정된 수에 이르지 않을 경우 상기 추천 대상 특성에 대한 가중치를 하강시키는 단계를 포함할 수 있다.
즉, 가입자가 추천된 강사들을 보고 1명의 강사를 선택(예: 가입자 단말기에서 "클릭")하는 경우 가중치 변수(v)를 "v = +0.1"로 하고, 가입자가 추천된 강사들 중 아무도 선택하지 않는 경우에는 "v = -0.1"로 하여, 예컨대 "v = +1"이 된 경우 가중치를 1단계 상승시키고, "v = -1"이 된 경우 가중치를 1단계 하강시키는 방식으로 추천 대상 특성에 대한 가중치를 업데이트할 수 있다. 도 5를 참조하면, "무동기"의 성향 요소에 대한 "동기 부여"의 가중치가 4이지만, "무동기"의 성향 요소를 가진 가입자가 추천된 강사를 선택한 경우가 많아져서 "v = +1"이 된 경우, 그 가중치는 5로 상승하게 된다.
상기 방법은 특정 실시예들을 통하여 설명되었지만, 상기 방법은 또한 컴퓨터 판독 가능한 기록매체에 컴퓨터 판독 가능한 코드로서 구현하는 것이 가능하다. 컴퓨터 판독 가능한 기록매체는 컴퓨터 시스템에 의해 판독될 수 있는 데이터가 저장되는 모든 종류의 기록장치를 포함한다. 컴퓨터 판독 가능한 기록매체의 예로는 ROM, RAM, CD-ROM, 자기 테이프, 플로피 디스크, 광데이터 저장장치 등이 있으며, 또한 케리어 웨이브(예를 들어 인터넷을 통한 전송)의 형태로 구현되는 것도 포함한다. 또한, 컴퓨터 판독 가능한 기록매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어, 분산방식으로 컴퓨터에 의해 판독될 수 있는 코드가 저장되고 실행될 수 있다. 그리고, 상기 실시예들을 구현하기 위한 기능적인(functional) 프로그램, 코드 및 코드 세그먼트들은 본 개시가 속하는 기술분야의 프로그래머들에 의해 용이하게 추론될 수 있다.
본원에 개시된 실시예들에 있어서, 도시된 구성 요소들의 배치는 발명이 구현되는 환경 또는 요구 사항에 따라 달라질 수 있다. 예컨대, 일부 구성 요소가 생략되거나 몇몇 구성 요소들이 통합되어 하나로 실시될 수 있다. 또한 일부 구성 요소들의 배치 순서 및 연결이 변경될 수 있다.
이상에서는 본 개시의 다양한 실시예들에 대하여 도시하고 설명하였지만, 본 개시는 상술한 특정의 실시예들에 한정되지 아니하며, 상술한 실시예들은 첨부하는 특허청구범위에서 청구하는 본 개시의 요지를 벗어남이 없이 당해 발명이 속하는 기술분야에서 통상의 지식을 가진 자에 의해 다양하게 변형 실시될 수 있음은 물론이고, 이러한 변형 실시예들이 본 개시의 기술적 사상이나 범위와 별개로 이해되어져서는 아니 될 것이다. 따라서, 본 개시의 기술적 범위는 오직 첨부된 특허청구범위에 의해서만 정해져야 할 것이다.
100: 시스템 환경
110: 가입자 단말기
120: 네트워크
130: 관리 서버

Claims (10)

  1. 관리 서버에 의해 온라인 강사를 추천하는 방법으로서,
    가입자에 대해 학습 성향을 파악하기 위한 질문 리스트를 제공하는 단계와,
    상기 질문 리스트에 대한 상기 가입자의 응답 데이터를 수신하는 단계와,
    상기 응답 데이터로부터 상기 가입자의 학습 성향에 관한 성향 요소를 추출하고 상기 성향 요소를 벡터화하여 제1 행렬을 얻는 단계와,
    상기 관리 서버에 포함된 데이터베이스로부터, 상기 성향 요소와 온라인 강사들의 추천 대상 특성 간의 연관성에 대한 가중치를 추출하여 제2 행렬을 얻는 단계 - 상기 추천 대상 특성은 동기 부여, 상호작용, 교재, 공부법, 판서 능력, 발성 능력, 교재의 퀄러티, 성별을 포함하고, 상기 성향 요소와 상기 추천 대상 특성 간의 연관성에 대한 가중치는 휴리스틱(Heuristic) 기법에 의해 대응되고 가중치(1 내지 10의 범위)를 부여할 수 있으며, 상기 가중치는 가입자의 피드백에 따라 업데이트 됨 -,
    상기 제1 행렬과 상기 제2 행렬을 행렬곱(matrix multiplication)하여 제3 행렬인 개인화 필터를 얻는 단계와,
    상기 데이터베이스로부터 상기 온라인 강사들 각각에 대한 추천 대상 특성에 관한 데이터를 추출하여 제4 행렬을 얻는 단계와,
    상기 제4 행렬의 각 행별로 상기 제3 행렬과 내적(inner product)하는 단계와,
    상기 내적된 각 행의 요소의 점수들을 합산하여 높은 점수를 가진 소정 수의 온라인 강사를 추천하는 단계
    를 포함하는 온라인 강사 추천 방법.
  2. 제1항에 있어서,
    상기 제1 행렬을 얻는 단계는
    상기 질문 리스트 각각에 대한 응답별 성향 요소에 대한 점수를 얻는 단계 - 상기 성향 요소는 무동기, 외재적, 성실함 등을 포함함 - 와,
    상기 성향 요소의 각각에 대한 점수를 1열 행렬로 변환하는 단계
    를 포함하는 온라인 강사 추천 방법.
  3. 삭제
  4. 제2항에 있어서,
    상기 제1 행렬은 1*a의 형태이고, a는 상기 성향 요소의 수인, 온라인 강사 추천 방법.
  5. 제4항에 있어서,
    상기 제2 행렬은 a*m의 형태이고, a는 상기 성향 요소의 수이고, m은 상기 추천 대상 특성의 수인, 온라인 강사 추천 방법.
  6. 삭제
  7. 제5항에 있어서,
    상기 가입자가 추천된 온라인 강사를 선택하는지 여부에 따라 상기 추천 대상 특성에 대한 가중치를 업데이트하는 단계
    를 더 포함하는 온라인 강사 추천 방법.
  8. 제7항에 있어서,
    상기 추천 대상 특성에 대한 가중치를 업데이트하는 단계는
    상기 가입자가 추천된 온라인 강사를 선택하는 경우가 미리 결정된 수에 이를 경우 상기 추천 대상 특성에 대한 가중치를 상승시키고, 상기 가입자가 추천된 온라인 강사를 선택하지 않는 경우가 미리 결정된 수에 이르지 않을 경우 상기 추천 대상 특성에 대한 가중치를 하강시키는 단계
    를 포함하는 온라인 강사 추천 방법.
  9. 삭제
  10. 프로그램을 기록한 컴퓨터 판독가능 기록 매체로서, 상기 프로그램은 명령어들을 포함하고, 상기 명령어들은 컴퓨터에 의해 실행될 때 제1항, 제2항, 제4항, 제5항, 제7항, 제8항 중 어느 한 항에 따른 방법을 수행하는, 컴퓨터 판독가능 기록 매체.
KR1020170044814A 2017-04-06 2017-04-06 온라인 강사 추천 방법 KR101866747B1 (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020170044814A KR101866747B1 (ko) 2017-04-06 2017-04-06 온라인 강사 추천 방법
PCT/KR2017/012557 WO2018186548A1 (ko) 2017-04-06 2017-11-08 온라인 강사 추천 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020170044814A KR101866747B1 (ko) 2017-04-06 2017-04-06 온라인 강사 추천 방법

Publications (1)

Publication Number Publication Date
KR101866747B1 true KR101866747B1 (ko) 2018-06-12

Family

ID=62622233

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020170044814A KR101866747B1 (ko) 2017-04-06 2017-04-06 온라인 강사 추천 방법

Country Status (2)

Country Link
KR (1) KR101866747B1 (ko)
WO (1) WO2018186548A1 (ko)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20200042655A (ko) 2018-10-16 2020-04-24 배찬호 단계별 강사 평가 및 추천 방법
KR20200042656A (ko) 2018-10-16 2020-04-24 배찬호 단계별 강사평가에 의한 강사추천 시스템
KR20200126549A (ko) * 2019-04-30 2020-11-09 김흥환 맞춤형 스포츠 대리 지도자 매칭 시스템 및 방법
KR102353584B1 (ko) * 2021-04-25 2022-01-21 주식회사 큐링크 입시 컨설팅 자동 관리 시스템
KR20220036173A (ko) * 2020-09-15 2022-03-22 주식회사 테크타카 상품의 포장을 위한 박스 추천을 수행하는 박스 추천 장치 및 그 동작 방법
KR20220138977A (ko) * 2021-04-07 2022-10-14 인천대학교 산학협력단 설문 결과를 통해 학습자에게 맞춤형 학습 콘텐츠를 추천하는 학습 콘텐츠 추천 서버 및 그 동작 방법
KR102519461B1 (ko) 2022-10-28 2023-04-10 주식회사 어썸스쿨 교육 학습 성취율 기반의 강사 훈련을 통한 강사 매칭 시스템
KR20240037846A (ko) * 2022-09-14 2024-03-22 주식회사 글로랑 학생의 인적성 및 성적 자료와 머신러닝 기술을 활용하여 학교에서 반 배정을 하는 장치 및 방법

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100772183B1 (ko) 2005-12-08 2007-11-01 한국전자통신연구원 개별 맞춤 학습이 가능한 온라인 교육 시스템 및 그 방법
KR20090004367A (ko) * 2006-12-05 2009-01-12 박남교 개인 맞춤형 강의 추천 장치 및 그 방법과 그의 접속단말기
KR100994457B1 (ko) 2008-03-18 2010-11-16 김용재 사용자 맞춤형 교육 서비스를 제공하기 위한 방법, 시스템및 컴퓨터 판독 가능한 기록 매체
JP2013029872A (ja) * 2009-10-19 2013-02-07 Nec Corp 情報推薦システム、方法、及び、プログラム

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101491986B1 (ko) * 2013-07-09 2015-02-16 김태정 개인화된 페르소나 그룹을 통한 소셜 질의응답 시스템
KR20170011933A (ko) * 2015-07-22 2017-02-02 주식회사 베티 온라인 강의를 추천하는 시스템
KR101771797B1 (ko) * 2015-08-21 2017-08-25 주식회사 튜터링 모바일 과외 플랫폼 서버 및 그것을 이용한 과외 서비스 제공 방법

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100772183B1 (ko) 2005-12-08 2007-11-01 한국전자통신연구원 개별 맞춤 학습이 가능한 온라인 교육 시스템 및 그 방법
KR20090004367A (ko) * 2006-12-05 2009-01-12 박남교 개인 맞춤형 강의 추천 장치 및 그 방법과 그의 접속단말기
KR100994457B1 (ko) 2008-03-18 2010-11-16 김용재 사용자 맞춤형 교육 서비스를 제공하기 위한 방법, 시스템및 컴퓨터 판독 가능한 기록 매체
JP2013029872A (ja) * 2009-10-19 2013-02-07 Nec Corp 情報推薦システム、方法、及び、プログラム

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20200042655A (ko) 2018-10-16 2020-04-24 배찬호 단계별 강사 평가 및 추천 방법
KR20200042656A (ko) 2018-10-16 2020-04-24 배찬호 단계별 강사평가에 의한 강사추천 시스템
KR20200126549A (ko) * 2019-04-30 2020-11-09 김흥환 맞춤형 스포츠 대리 지도자 매칭 시스템 및 방법
KR102427320B1 (ko) * 2019-04-30 2022-07-28 김흥환 맞춤형 스포츠 대리 지도자 매칭 시스템 및 방법
KR20220036173A (ko) * 2020-09-15 2022-03-22 주식회사 테크타카 상품의 포장을 위한 박스 추천을 수행하는 박스 추천 장치 및 그 동작 방법
KR102507976B1 (ko) * 2020-09-15 2023-03-09 주식회사 테크타카 상품의 포장을 위한 박스 추천을 수행하는 박스 추천 장치 및 그 동작 방법
KR20220138977A (ko) * 2021-04-07 2022-10-14 인천대학교 산학협력단 설문 결과를 통해 학습자에게 맞춤형 학습 콘텐츠를 추천하는 학습 콘텐츠 추천 서버 및 그 동작 방법
KR102627431B1 (ko) * 2021-04-07 2024-01-18 인천대학교 산학협력단 설문 결과를 통해 학습자에게 맞춤형 학습 콘텐츠를 추천하는 학습 콘텐츠 추천 서버 및 그 동작 방법
KR102353584B1 (ko) * 2021-04-25 2022-01-21 주식회사 큐링크 입시 컨설팅 자동 관리 시스템
KR20240037846A (ko) * 2022-09-14 2024-03-22 주식회사 글로랑 학생의 인적성 및 성적 자료와 머신러닝 기술을 활용하여 학교에서 반 배정을 하는 장치 및 방법
KR102671422B1 (ko) * 2022-09-14 2024-06-04 주식회사 글로랑 학생의 인적성 및 성적 자료와 머신러닝 기술을 활용하여 학교에서 반 배정을 하는 장치 및 방법
KR102519461B1 (ko) 2022-10-28 2023-04-10 주식회사 어썸스쿨 교육 학습 성취율 기반의 강사 훈련을 통한 강사 매칭 시스템

Also Published As

Publication number Publication date
WO2018186548A1 (ko) 2018-10-11

Similar Documents

Publication Publication Date Title
KR101866747B1 (ko) 온라인 강사 추천 방법
Hockly et al. Current and future digital trends in ELT
Jeong Defining assessment literacy: Is it different for language testers and non-language testers?
Blom et al. Searching for the core of journalism education: Program directors disagree on curriculum priorities
US20180130156A1 (en) Automatically generating a personalized course profile
JP6606750B2 (ja) Ｅラーニングシステム
Mahmud et al. Postgraduate research students and academic integrity:‘It's about good research training’
KR101182390B1 (ko) 외국어 단어 평생 학습 장치 및 방법
Arikan Environmental peace education in foreign language learners’ English grammar lessons
Lam Enacting feedback utilization from a task-specific perspective
Thang et al. The role of the electronic portfolio in enhancing information and communication technology and English language skills: The voices of six Malaysian undergraduates
TWI598855B (zh) 線上教學暨行動學習系統
US20180182256A1 (en) Method and system to optimize education content-learner engagement-performance pathways
Anđić et al. Mobile and printed dichotomous keys in constructivist learning of biology in primary school
Shehata Understanding academic reading behavior of Arab postgraduate students
Cooner et al. Creating a mobile app to teach ethical social media practices
Missen et al. Systematic review and usability evaluation of writing mobile apps for children
KR20000058885A (ko) 네트워크를 이용한 맞춤원격 교육 서비스 방법 및 시스템
Galloway et al. “I just wanted to learn Japanese and visit Japan”: The incentives and attitudes of international students in English-Medium Instruction programmes in Japan.
KR20160039505A (ko) 학습 컨텐츠 구성 장치 및 그 방법
Rizqiyyah et al. EFL Students’ Attitudes Towards Autonomous Learning Through Busuu: A Mobile Application
Miyakoda et al. Online multilingual vocabulary system and its application in L2 learning
Dokphrom Information Literacy of undergraduate students in Thailand: a case of the Faculty of Arts, Silpakorn University, Thailand
Chan et al. How clickstream tracking helps design mobile learning content
Bayer et al. The SIMPLE methodology for developing and evaluating cross-cultural virtual training systems SIEDS 2017

Legal Events

Date Code Title Description
GRNT Written decision to grant