KR102217122B1 - 어플리케이션 기반 과외 매칭 방법 및 장치 - Google Patents

어플리케이션 기반 과외 매칭 방법 및 장치 Download PDF

Info

Publication number
KR102217122B1
KR102217122B1 KR1020190175729A KR20190175729A KR102217122B1 KR 102217122 B1 KR102217122 B1 KR 102217122B1 KR 1020190175729 A KR1020190175729 A KR 1020190175729A KR 20190175729 A KR20190175729 A KR 20190175729A KR 102217122 B1 KR102217122 B1 KR 102217122B1
Authority
KR
South Korea
Prior art keywords
tutor
student
account
tutoring
information
Prior art date
Application number
KR1020190175729A
Other languages
English (en)
Inventor
배가애
Original Assignee
배가애
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 배가애 filed Critical 배가애
Priority to KR1020190175729A priority Critical patent/KR102217122B1/ko
Application granted granted Critical
Publication of KR102217122B1 publication Critical patent/KR102217122B1/ko

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION 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
    • G06Q30/00Commerce
    • G06Q30/06Buying, selling or leasing transactions
    • G06Q30/08Auctions
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION 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
    • G06Q50/00Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10Services
    • G06Q50/20Education

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Tourism & Hospitality (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Human Resources & Organizations (AREA)
  • General Health & Medical Sciences (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Educational Technology (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

어플리케이션 기반 과외 매칭 방법 및 장치가 개시된다. 인공지능을 기반으로 어플리케이션 기반 과외 매칭을 제공하는 방법은, 스튜던트(student) 단말에 설치된 어플리케이션에 로그인된 스튜던트 계정의 스튜던트 정보를 획득하는 단계; 튜터(tutor) 단말들에 설치된 어플리케이션에 로그인된 튜터 계정들로부터 과외 대기 신청들을 획득하고, 과외 대기를 신청한 튜터 계정들의 미리 저장된 튜터 정보들을 과외 대기 예비 리스트에 포함시키는 단계; 스튜던트 단말로부터 과외 대기 리스트 보기 요청을 획득하는 단계; 스튜던트 정보 및 과외 대기 예비 리스트의 각각의 튜터 정보를 기초로, 각각의 스튜던트 맞춤 튜터 정보를 생성하고, 과외 대기 리스트에 각각의 스튜던트 맞춤 튜터 정보를 포함시키는 단계; 스튜던트 단말로 과외 대기 리스트를 전송하는 단계; 스튜던트 계정이 선택한 튜터 계정을 획득하는 단계; 선택된 튜터 계정이 로그인된 튜터 단말로 과외 매칭 수락 요청을 전송하는 단계; 선택된 튜터 계정이 로그인된 튜터 단말로부터 과외 매칭 수락 여부를 획득하는 단계; 및 스튜던트 단말로 과외 매칭 수락 여부를 전송하는 단계를 포함하며, 각각의 스튜던트 맞춤 튜터 정보는 스튜던트 계정에 맞춘 각각의 튜터 계정의 단위 시간당 과외 비용을 포함하며, 스튜던트 계정에 맞춘 각각의 튜터 계정의 단위 시간당 과외 비용은 인공지능의 추론을 기반으로 결정되며, 인공지능의 추론은 스튜던트 정보 및 각각의 튜터 정보를 기초로 이루어질 수 있다.

Description

어플리케이션 기반 과외 매칭 방법 및 장치{METHOD AND APPARATUS OF MATCHING TUTOR BASED ON APPLICATION}
아래 실시예들은 과외 매칭 어플리케이션을 이용하는 스튜던트(학생) 계정과 튜터(과외선생님) 계정 간의 매칭 기술에 관한 것이다.
실시예들과 관련된 배경기술로, 대한민국 등록특허공보 KR 10-1898103 B1은 온라인으로 그룹 과외 강사와 그룹 과외 수강생을 연결해주는 온라인 그룹 과외 제공 방법 및 그 시스템을 개시한다. 구체적으로, 선행문헌은 강사로부터 과목명, 강의 난이도 및 강의 규모를 포함하는 강의 정보가 입력되면 입력된 강의 정보가 포함된 강의 개설 요청을 과외수업 관리서버에 전송하는 강사 단말기; 수강생으로부터 과목명, 강의 난이도, 강의 규모 및 강의 진도를 포함하는 수강 요건이 입력되면 입력된 수강 요건이 포함된 강의 수강 신청을 과외수업 관리서버에 전송하고, 과외수업 관리서버로부터 수강 요건에 매칭되는 강의 정보를 포함하는 추천 강의 메시지가 수신되면 수강생으로부터 매칭되는 강의 정보에 대한 선택을 입력받고, 선택된 강의 정보에 관한 수강 등록 요청을 과외수업 관리서버에 전송하는 수강생 단말기; 및 강의 개설 요청이 수신되면, 강의 개설 요청에 포함된 강의 정보를 저장하고, 강의 수강 신청이 수신되면, 강의 수강신청에 포함된 수강 요건과 매칭되는 저장된 강의 정보를 조회하며, 강의 수강 신청에 대한 응답으로 조회된 강의 정보를 포함하는 추천 강의 메시지를 전송하고, 수강 등록 요청이 수신되면, 강의에 수강 등록된 수강생에 관한 수강생 정보를 관리하는 과외수업 관리서버를 포함하는 시스템을 개시한다.
이를 통해, 선행문헌은 그룹 과외를 하고자 하는 강사가 자신의 강의를 온라인 상으로 신청하면, 과외를 원하는 수강생을 소개받을 수 있고, 과외를 원하는 수강생들이 자신이 원하는 과외를 신청하면, 자동으로 매칭되는 과외 강의를 소개받을 수 있는 방법을 개시한다.
또한, 대한민국 등록특허공보 KR 10-1578054 B1은 과외 조건에 기초한 온라인 강사-학생 매칭 지원 장치 및 방법을 개시한다. 구체적으로, 선행문헌은 강사와 학생이 서로 원하는 과외 조건들을 온라인 상에 업로드해 두면, 해당 과외 조건들 간의 비교를 통해 최적의 과외 상대방을 매칭시킬 수 있도록 함으로써, 학생과 강사들의 편의를 도모할 수 있고, 상기 학생이 업로드한 과외 조건들과 완전히 일치하지는 않지만, 과외 조건의 변경을 통해 상기 학생과 매칭 가능한 강사를 자동으로 선택함으로써, 학생과 강사들 간의 과외 상대방 매칭 확률을 높일 수 있도록 하는 기법을 개시한다.
그러나 선행문헌들은 학생의 요구 조건에 맞추어 과외 선생님의 가격을 변동적으로 산정할 수 있는 방법을 개시하지 않는다. 가령, 선행문헌들은 학생들의 요구 조건에 부합할수록, 과외 선생님의 가격이 높아지도록, 과외 비용을 자동으로 산정하는 방법을 개시하지 않는다. 나아가, 선행문헌들은 온라인 과외를 진행함에 있어서, 학생과 과외 선생님 간의 위치가 시차(時差)가 발생할 정도로 먼 경우, 과외 선생님에게 제공할 인센티브를 산정하는 방법을 개시하지 않는다.
이에 따라, 온라인 상으로 과외를 매칭 및 진행함에 있어서, 학생의 요구 조건에 맞추어 과외 선생님의 가격을 변동적으로 산정할 수 있는 기술의 구현이 요청된다. 가령, 학생들의 요구 조건에 부합할수록, 과외 선생님의 가격이 높아지도록, 과외 비용을 자동으로 산정하는 기술의 구현이 요청된다. 나아가, 온라인 과외를 진행함에 있어서, 학생과 과외 선생님 간의 위치가 시차(時差)가 발생할 정도로 먼 경우, 과외 선생님에게 제공할 인센티브를 산정하는 기술의 구현이 요청된다.
대한민국 등록특허공보 KR 10-1898103 B1 대한민국 등록특허공보 KR 10-1578054 B1 대한민국 등록특허공보 KR 10-1771797 B1 대한민국 등록특허공보 KR 10-1923704 B1
실시예들은 스튜던트 계정과 튜터 계정 간의 과외 매칭이 이루어짐에 있어서, 스튜던트 계정 사용자가 요구한 입력 조건에 기초하여, 튜터 계정의 단위 시간당 과외 비용이 산정되는 방법을 제공하고자 한다.
실시예들은 스튜던트 계정 사용자(학생)는, 사는 장소에 구애없이, 원하는 과외 선생님과 매칭될 수 있는 기회를 보다 얻을 수 있고; 튜터 계정 사용자(과외 선생님)는, 매칭되는 학생과 시차가 많이 날수록, 인센티브를 통해 더욱 많은 소득을 올리는 기회를 얻을 수 있는 방법을 제공하고자 한다.
실시예들은 튜터 계정이 인센티브 미적용을 요청한 경우, 튜터 계정의 단위 시간당 인센티브에 따른 비용은 계산하지 않기로 설정하는 방법을 제공하고자 한다.
나아가, 실시예들은 상기 배경 기술에서 언급한 과제들 및 본 명세서에서 드러나는 해당 기술 분야의 과제들을 해결하기 위한 어플리케이션 기반 과외 매칭 방법 및 장치를 제공하고자 한다.
일실시예에 따른 어플리케이션 기반 과외 매칭 방법은 인공지능을 기반으로 과외 매칭을 제공하며, 스튜던트(student) 단말에 설치된 어플리케이션에 로그인된 스튜던트 계정의 스튜던트 정보를 획득하는 단계; 튜터(tutor) 단말들에 설치된 어플리케이션에 로그인된 튜터 계정들로부터 과외 대기 신청들을 획득하고, 과외 대기를 신청한 튜터 계정들의 미리 저장된 튜터 정보들을 과외 대기 예비 리스트에 포함시키는 단계; 상기 스튜던트 단말로부터 과외 대기 리스트 보기 요청을 획득하는 단계; 상기 스튜던트 정보 및 상기 과외 대기 예비 리스트의 각각의 튜터 정보를 기초로, 각각의 스튜던트 맞춤 튜터 정보를 생성하고, 과외 대기 리스트에 상기 각각의 스튜던트 맞춤 튜터 정보를 포함시키는 단계; 상기 스튜던트 단말로 과외 대기 리스트를 전송하는 단계; 상기 스튜던트 계정이 선택한 튜터 계정을 획득하는 단계; 선택된 튜터 계정이 로그인된 튜터 단말로 과외 매칭 수락 요청을 전송하는 단계; 상기 선택된 튜터 계정이 로그인된 튜터 단말로부터 과외 매칭 수락 여부를 획득하는 단계; 및 상기 스튜던트 단말로 상기 과외 매칭 수락 여부를 전송하는 단계를 포함하며, 상기 각각의 스튜던트 맞춤 튜터 정보는 스튜던트 계정에 맞춘 각각의 튜터 계정의 단위 시간당 과외 비용을 포함하며, 상기 스튜던트 계정에 맞춘 각각의 튜터 계정의 단위 시간당 과외 비용은 상기 인공지능의 추론을 기반으로 결정되며, 상기 인공지능의 추론은 상기 스튜던트 정보 및 상기 각각의 튜터 정보를 기초로 이루어질 수 있다.
일실시예에 따르면, 어플리케이션 기반 과외 매칭 방법은 상기 선택된 튜터 계정이 상기 과외 매칭 수락 요청을 수락한 경우, 상기 선택된 튜터 계정을 상기 스튜던트 계정과 매칭된 튜터 계정으로 설정하는 단계; 상기 매칭된 튜터 계정이 로그인된 튜터 단말로부터 과외 시작 알림을 획득하는 단계; 상기 스튜던트 단말로 과외 시작 승인 요청을 전송하는 단계; 상기 스튜던트 단말로부터 과외 시작 승인을 획득하는 단계; 과외 시작을 기록하는 단계; 상기 스튜던트 단말로부터 과외 종료 알림을 획득하는 단계; 상기 매칭된 튜터 계정이 로그인된 튜터 단말로 과외 종료 승인 요청을 전송하는 단계; 상기 매칭된 튜터 계정이 로그인된 튜터 단말로부터 과외 종료 승인을 획득하는 단계; 과외 종료를 기록하는 단계; 상기 과외 시작 기록 및 상기 과외 종료 기록을 기초로, 미리 정의된 기간 동안의 누적 과외 시간을 연산하는 단계; 상기 누적 과외 시간에, 상기 스튜던트 계정에 맞춘 상기 매칭된 튜터 계정의 단위 시간당 과외 비용을 적용하여, 상기 스튜던트 계정이 지급할 제 1 비용을 결정하는 단계를 더 포함할 수 있다.
일실시예에 따르면, 어플리케이션 기반 과외 매칭 방법은 상기 스튜던트 정보로부터 스튜던트 계정의 경도(經度)를 획득하는 단계; 상기 각각의 튜터 계정의 정보로부터 각각의 튜터 계정의 경도를 획득하는 단계; 상기 스튜던트 계정의 경도 및 상기 각각의 튜터 계정의 경도를 기초로, 각각의 스튜던트-튜터 시차(時差)를 생성하는 단계; 각각의 스튜던트-튜터 시차를 기초로, 상기 각각의 튜터 계정의 단위 시간당 인센티브를 생성하는 단계; 상기 각각의 튜터 계정의 단위 시간당 인센티브를 상기 각각의 스튜던트 맞춤 튜터 정보에 포함시키는 단계; 상기 누적 과외 시간에 상기 매칭된 튜터 계정의 단위 시간당 인센티브를 적용하여, 상기 스튜던트 계정이 지급할 제 2 비용을 결정하는 단계를 더 포함할 수 있다.
일실시예에 따르면, 어플리케이션 기반 과외 매칭 방법은 튜터 계정의 인센티브 미적용 요청을 획득하는 단계; 상기 과외 대기 리스트에서, 인센티브 미적용을 요청한 튜터 계정에 대응하는 스튜던트 맞춤 튜터 정보에, 인센티브 미적용 표시를 포함시키는 단계; 상기 매칭된 튜터 계정이 인센티브 미적용을 요청한 튜터 계정인 경우, 상기 제 2 비용을 계산하지 않기로 설정하는 단계를 더 포함할 수 있다.
일실시예에 따른 어플리케이션 기반 과외 매칭 장치는 스튜던트(student) 단말에 설치된 어플리케이션에 로그인한 스튜던트 계정의 스튜던트 정보를 획득하고, 튜터(tutor) 단말들에 설치된 어플리케이션에 로그인한 튜터 계정들로부터 과외 대기 신청들을 획득하고, 과외 대기를 신청한 튜터 계정들의 미리 저장된 튜터 정보들을 과외 대기 예비 리스트에 포함시키고, 상기 스튜던트 단말로부터 과외 대기 리스트 보기 요청을 획득하고, 상기 스튜던트 정보 및 상기 과외 대기 예비 리스트의 각각의 튜터 정보를 기초로, 각각의 스튜던트 맞춤 튜터 정보를 생성하고, 과외 대기 리스트에 상기 각각의 스튜던트 맞춤 튜터 정보를 포함시키고, 상기 스튜던트 단말로 과외 대기 리스트를 전송하고, 상기 스튜던트 계정이 선택한 튜터 계정을 획득하고, 선택된 튜터 계정이 로그인된 튜터 단말로 과외 매칭 수락 요청을 전송하고, 상기 선택된 튜터 계정이 로그인된 튜터 단말로부터 과외 매칭 수락 여부를 획득하고, 상기 스튜던트 단말로 상기 과외 매칭 수락 여부를 전송하는 프로세서를 포함하며, 상기 각각의 스튜던트 맞춤 튜터 정보는 스튜던트 계정에 맞춘 각각의 튜터 계정의 단위 시간당 과외 비용을 포함하며, 상기 스튜던트 계정에 맞춘 각각의 튜터 계정의 단위 시간당 과외 비용은 상기 인공지능의 추론을 기반으로 결정되며, 상기 인공지능의 추론은 상기 스튜던트 정보 및 상기 각각의 튜터 정보를 기초로 이루어질 수 있다.
실시예들은 스튜던트 계정과 튜터 계정 간의 과외 매칭이 이루어짐에 있어서, 스튜던트 계정 사용자가 요구한 입력 조건에 기초하여, 튜터 계정의 단위 시간당 과외 비용이 산정되는 방법을 제공할 수 있다. 이를 통해, 스튜던트 계정 사용자는 튜터 계정을 선택함에 있어서, 자신의 요구 조건에 맞추어 각각의 튜터 계정의 가격 조건을 더욱 합리적으로 받아볼 수 있다.
실시예들은 스튜던트 계정 사용자(학생)는, 사는 장소에 구애없이, 원하는 과외 선생님과 매칭될 수 있는 기회를 보다 얻을 수 있고; 튜터 계정 사용자(과외 선생님)는, 매칭되는 학생과 시차가 많이 날수록, 인센티브를 통해 더욱 많은 소득을 올리는 기회를 얻을 수 있는 방법을 제공할 수 있다. 이를 통해, 온라인의 장점인 시간적·공간적 무제약성을 극대화한 과외 매칭 및 진행이 적극적으로 이루어질 수 있다.
실시예들은 튜터 계정이 인센티브 미적용을 요청한 경우, 튜터 계정의 단위 시간당 인센티브에 따른 비용은 계산하지 않기로 설정하는 방법을 제공할 수 있다. 이를 통해, 다른 튜터 계정들에 비해 수업의 질적 측면에서 경쟁력이 상대적으로 떨어진다고 판단한 튜터 계정은, 스튜던트 계정과의 시차에도 불구하고 인센티브를 받지 않겠다고 설정함으로써, 다른 튜터들보다 상대적으로 저렴하게 과외 서비스를 제공하여, 경쟁력을 확보할 수 있는 방안을 가지도록 할 수 있다.
한편, 실시예들에 따른 효과는 이상에서 언급한 것으로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 아래의 기재로부터 해당 기술 분야의 통상의 지식을 가진 자에게 명확히 이해될 수 있을 것이다.
도 1은 일실시예에 따른 시스템의 구성의 예시도이다.
도 2는 일실시예에 따른 과외 매칭 동작을 설명하기 위한 도면이다.
도 3은 일실시예에 따른 과외 비용을 결정하는 동작을 설명하기 위한 도면이다.
도 4는 일실시예에 따른 인센티브 적용 동작을 설명하기 위한 순서도이다.
도 5는 일실시예에 따른 인센티브 미적용 동작을 설명하기 위한 순서도이다.
도 6은 일실시예에 따른 인공 신경망의 학습을 설명하기 위한 도면들이다.
도 7은 일실시예 따른 장치의 구성의 예시도이다.
이하에서, 첨부된 도면을 참조하여 실시예들을 상세하게 설명한다. 그러나, 실시예들에는 다양한 변경이 가해질 수 있어서 특허출원의 권리 범위가 이러한 실시예들에 의해 제한되거나 한정되는 것은 아니다. 실시예들에 대한 모든 변경, 균등물 내지 대체물이 권리 범위에 포함되는 것으로 이해되어야 한다.
실시예들에 대한 특정한 구조적 또는 기능적 설명들은 단지 예시를 위한 목적으로 개시된 것으로서, 다양한 형태로 변경되어 실시될 수 있다. 따라서, 실시예들은 특정한 개시형태로 한정되는 것이 아니며, 본 명세서의 범위는 기술적 사상에 포함되는 변경, 균등물, 또는 대체물을 포함한다.
제1 또는 제2 등의 용어를 다양한 구성요소들을 설명하는데 사용될 수 있지만, 이런 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 해석되어야 한다. 예를 들어, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소는 제1 구성요소로도 명명될 수 있다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다.
실시예에서 사용한 용어는 단지 설명을 목적으로 사용된 것으로, 한정하려는 의도로 해석되어서는 안된다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 명세서 상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
공간적으로 상대적인 용어인 "아래(below)", "아래(beneath)", "하부(lower)", "위(above)", "상부(upper)" 등은 도면에 도시되어 있는 바와 같이 하나의 구성요소와 다른 구성요소들과의 상관관계를 용이하게 기술하기 위해 사용될 수 있다. 공간적으로 상대적인 용어는 도면에 도시되어 있는 방향에 더하여 사용 시 또는 동작 시 구성요소들의 서로 다른 방향을 포함하는 용어로 이해되어야 한다. 예를 들어, 도면에 도시되어 있는 구성요소를 뒤집을 경우, 다른 구성요소의 "아래(below)"또는 "아래(beneath)"로 기술된 구성요소는 다른 구성요소의 "위(above)"에 놓일 수 있다. 따라서, 예시적인 용어인 "아래"는 아래와 위의 방향을 모두 포함할 수 있다. 구성요소는 다른 방향으로도 배향될 수 있으며, 이에 따라 공간적으로 상대적인 용어들은 배향에 따라 해석될 수 있다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 실시예가 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
또한, 첨부 도면을 참조하여 설명함에 있어, 도면 부호에 관계없이 동일한 구성 요소는 동일한 참조부호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 실시예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 실시예의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.
도 1은 일실시예에 따른 시스템의 구성의 예시도이다.
일실시예에 따른 시스템은 서버(100) 및 사용자 단말(111-113)들을 포함할 수 있다. 서버(100) 및 사용자 단말(111-113)들은 네트워크에 연결되어 유무선 통신을 통해 데이터를 교환할 수 있다.
서버(100)는 사용자 단말들(111-113)과 통신하며; 과외 매칭, 온라인 과외 환경 제공, 과외 비용 결정 등 온라인 과외 진행을 위한 동작들을 수행할 수 있다. 서버(100)는 서버(100)를 이용하여 서비스를 제공하는 자 내지 단체가 보유한 자체 서버일수도 있고; 클라우드 서버일 수도 있고; 분산된 노드(node)들의 p2p(peer-to-peer) 집합일 수도 있다. 서버(100)는 통상의 컴퓨터가 가지는 연산 기능; 저장/참조 기능; 입출력 기능; 및 제어 기능을 전부 또는 일부 수행하도록 구성될 수 있다. 서버(100)는 추론 기능을 수행하는 적어도 하나 이상의 인공 신경망을 구비할 수 있다. 서버(100)는 사용자 단말들(111-113)과 유무선으로 통신하도록 구성될 수 있다.
사용자 단말들(111-113)은 데스크탑 컴퓨터, 노트북, 태블릿, 스마트폰 등일 수 있다. 사용자 단말들(111-113)은 통상의 컴퓨터가 가지는 연산 기능; 저장/참조 기능; 입출력 기능; 및 제어 기능을 전부 또는 일부 수행하도록 구성될 수 있다. 사용자 단말들(111-113)은 서버(100)와 유무선으로 통신하도록 구성될 수 있다.
사용자 단말들(111-113)에는 서버(100)를 이용하여 서비스를 제공하는 자 내지 단체가 개발 내지 배포한 어플리케이션이 설치될 수 있다. 어플리케이션은 학생 또는 학부모를 위한 스튜던트(student)용 어플리케이션과; 과외 선생님 또는 과외 업체를 위한 튜터(tutor)용 어플리케이션이 있을 수 있다. 스튜던트용 어플리케이션은 온라인 과외 진행을 위한 과외 매칭, 온라인 과외 환경 제공, 과외 비용 납부 등의 기능을 포함할 수 있고; 튜터용 어플리케이션은 온라인 과외 진행을 위한 과외 매칭, 온라인 과외 환경 제공, 과외 비용 영수 등의 기능을 포함할 수 있다. 스튜던트 계정(121)은 스튜던트 단말(111)에 설치된 스튜던트용 어플리케이션에 로그인될 수 있고; 각각의 튜터 계정(122, 123)은 각각의 튜터 단말(112, 113)에 설치된 튜터용 어플리케이션에 로그인될 수 있다. 서버(100)와 사용자 단말들(111-113)은 유무선으로 통신할 수 있으므로, 사용자 단말들(111-113)에 설치된 어플리케이션에 로그인된 계정들(121-123)은 서버(100)와 데이터를 주고받을 수 있다.
예를 들어, 도 1과 같이, 스튜던트 단말(111)은 데스크탑 컴퓨터일 수 있고; 제 1 튜터 단말(112)은 노트북일 수 있고; 제 2 튜터 단말(113)은 스마트폰일 수 있다. 스튜던트 단말(111)은 스튜던트용 어플리케이션이 설치될 수 있고, 튜터 단말들(112, 113)은 튜터용 어플리케이션이 설치될 수 있다. 스튜던트 계정(121)은 스튜던트 단말(111)에 설치된 스튜던트용 어플리케이션에 로그인될 수 있고; 제 1 튜터 계정(122)은 제 1 튜터 단말(112)에 설치된 튜터용 어플리케이션에 로그인될 수 있고; 제 2 튜터 계정(123)은 제 2 튜터 단말(113)에 설치된 튜터용 어플리케이션에 로그인될 수 있다. 서버(100)와 사용자 단말들(111-113)은 유무선으로 통신할 수 있으므로, 사용자 단말들(111-113)에 설치된 어플리케이션에 로그인된 계정들(121-123)은 서버(100)와 데이터를 주고받을 수 있다. 서버(100)는 사용자 단말들(111-113)과 통신하며; 과외 매칭, 온라인 과외 환경 제공, 과외 비용 결정 등 온라인 과외 진행을 위한 동작들을 수행할 수 있다.
한편, 설명의 편의를 위해 도 1에서는 하나의 스튜던트 계정(121)과 두 개의 튜터 계정들(122, 123)만을 도시했으나, 스튜던트 계정들의 수 및 튜터 계정들의 수는 얼마든지 달라질 수 있으며, 이에 대응하여, 스튜던트 단말의 수 및 튜터 단말의 수도 얼마든지 달라질 수 있다. 나아가, 서버(100)의 처리 용량이 허용하는 한, 각각의 수의 한계는 특별한 제한이 없다.
이하에서, 서버(100)의 동작을 중심으로 실시예가 기술되며, 실시예들은 통신의 주체나 양상에 의해 제한되지 않고 다양한 응용예가 채용될 수 있다. 이하, 도 2를 참조하여, 과외 매칭 동작과 관련된 실시예가 설명된다. 도 3을 참조하여, 과외 비용을 결정하는 동작과 관련된 실시예가 설명된다. 도 4를 참조하여, 인센티브 적용 동작과 관련된 실시예가 설명된다. 도 5를 참조하여, 인센티브 미적용 동작과 관련된 실시예가 설명된다. 도 6을 참조하여, 인공 신경망의 학습 동작과 관련된 실시예가 설명된다.
도 2는 일실시예에 따른 과외 매칭 동작을 설명하기 위한 도면이다.
우선, 서버(100)는 스튜던트 단말(111)에 설치된 어플리케이션에 로그인된 스튜던트 계정(121)의 스튜던트 정보를 획득할 수 있다(201). 스튜던트 정보는 학생의 이름, 나이, 학년, 학업 수준, 지난 시험 성적 학생이 수업을 받고자 하는 과목, 준비하는 시험, 사는 위치 등을 포함할 수 있다. 학생 또는 학부모는 스튜던트 단말(111)을 통해 스튜던트 계정(121)의 스튜던트 정보를 입력할 수 있다. 예를 들어, 스튜던트 계정(121)의 사용자는 스튜던트 단말(111)을 통해 스튜던트 정보를 입력할 수 있다. 스튜던트 단말(111)은 스튜던트 정보를 서버(100)로 전송할 수 있다.
다음으로, 서버(100)는 튜터 단말들(112, 113)에 설치된 어플리케이션에 로그인된 튜터 계정들(122, 123)로부터 과외 대기 신청들을 획득할 수 있다(202). 과외 선생님 또는 과외 업체는 튜터 단말들(112, 113)을 통해 과외를 받을 학생을 구한다는 과외 대기 신청을 입력할 수 있다. 예를 들어, 제 1, 2 튜터 계정(122, 123)의 사용자는 제 1, 2 튜터 단말(112, 123)을 통해 과외를 받을 학생을 구한다는 과외 대기 신청을 입력할 수 있다. 튜터 단말들(112, 113)은 과외 대기 신청을 서버(100)로 전송할 수 있다.
이어서, 서버(100)는 과외 대기를 신청한 튜터 계정들의 미리 저장된 튜터 정보들을 과외 대기 예비 리스트에 포함시킬 수 있다(203). 미리 저장된 튜터 정보는 과외 선생님의 이름, 나이, 학력, 지난 과외 경험, 지난 과외 성과, 과외 선생님이 수업 가능한 과목, 수업 가능한 시험, 수업 가능한 시간 및 요일, 사는 위치 등을 포함할 수 있다. 서버(100)는 과외 대기 예비 리스트에 과외 대기를 신청한 튜터 계정들의 정보를 저장해 둘 수 있다. 예를 들어, 서버(100)는, 과외 대기 예비 리스트에, 미리 저장된 제 1, 2 튜터 계정(122, 123)에 대응하는 튜터 정보들을 저장해 둘 수 있다
이어지는 순서로, 서버(100)는 스튜던트 단말(111)로부터 과외 대기 리스트 보기 요청을 획득할 수 있다(204). 스튜던트 단말(111)은, 학생 또는 학부모로부터, 학생이 수업을 받고자 하는 과목, 준비하는 시험, 사는 지역, 온라인 과외를 받고자 하는 시간 및 요일, 지불의사가 있는 시간 당 과외 비용의 범위 등을 입력받을 수 있다. 스튜던트 단말(111)은, 서버(100)로, 입력 조건에 부합하는 튜터 계정들을 보여달라는 과외 대기 리스트 보기 요청을 전송할 수 있다.
다음으로, 서버(100)는 스튜던트 정보 및 과외 대기 예비 리스트의 각각의 튜터 정보를 기초로, 각각의 스튜던트 맞춤 튜터 정보를 생성할 수 있다(205). 이를 위해, 서버(100)는 과외 대기 예비 리스트에서, 과외 대기 리스트 보기 요청의 입력 조건에 부합하는 튜터 계정들(122, 123)을 분류할 수 있다. 이후, 서버(100)는 분류된 각각의 튜터 계정(122, 123)의 튜터 정보와, 과외 대기 리스트 보기를 요청한 스튜던트 계정(121)의 스튜던트 정보를 기초로, 각각의 스튜던트 맞춤 튜터 정보를 생성할 수 있다.
예를 들어, 서버(100)는 과외 대기 예비 리스트에서, 제 1 튜터 계정(122) 및 제 2 튜터 계정(123)이 스튜던트 계정(121)의 입력 조건에 부합하다고 분류할 수 있다. 이후, 서버(100)는 각각의 튜터 계정(122, 123)의 튜터 정보와, 스튜던트 계정(121)의 스튜던트 정보를 기초로, 각각의 스튜던트 맞춤 튜터 정보를 생성할 수 있다.
각각의 스튜던트 맞춤 튜터 정보는, 과외 대기 예비 리스트의 튜터 계정들 중에서, 스튜던트 계정이 입력한 조건에 부합하는 각각의 튜터 계정의 튜터 정보―과외 선생님의 이름, 나이, 학력, 지난 과외 경험, 지난 과외 성과, 과외 선생님이 수업 가능한 과목, 수업 가능한 시험, 사는 위치 등―및 스튜던트 계정에 맞춘 맞춤형 정보를 포함할 수 있다.
스튜던트 계정에 맞춘 맞춤형 정보는 스튜던트 계정에 맞춘 튜터 계정의 단위 시간당 과외 비용, 스튜던트-튜터 시차(時差), 튜터 계정의 시간당 인센티브 등을 포함할 수 있다. 단위 시간은, 가령, 1 시간일 수 있다. 스튜던트 계정에 맞춘 튜터 계정의 단위 시간당 과외 비용은, 스튜던트 계정(121)에 맞추어 산정된 각각의 튜터 계정(122, 123)의 단위 시간당 과외 비용일 수 있다. 구체적으로, 스튜던트 계정(121)에 맞춘 튜터 계정들의 단위 시간당 과외 비용은, 스튜던트 계정(121) 이 요청한 입력 조건에 부합할수록 높아질 수 있다. 이를 통해, 스튜던트 계정(121) 사용자는 튜터 계정을 선택함에 있어서, 자신의 요구에 부합하는 튜터 계정의 가격 조건을 더욱 합리적으로 받아볼 수 있다.
스튜던트 계정(121)에 맞춘 각각의 튜터 계정(122, 123)의 단위 시간당 과외 비용은 미리 학습된 인공지능(인공 신경망)의 추론을 기반으로 결정될 수 있다. 인공지능(인공 신경망)의 추론은 스튜던트 정보 및 각각의 튜터 정보를 기초로 이루어질 수 있다. 인공지능(인공 신경망)의 학습 방법은 도 6을 참조하여 후술된다.
이어서, 서버(100)는 과외 대기 리스트에 각각의 스튜던트 맞춤 튜터 정보를 포함시킬 수 있다(206). 과외 대기 리스트는 리스트(list) 형태의 자료구조일 수 있다. 과외 대기 리스트의 각각의 요소(element)는 스튜던트 맞춤 튜터 정보 객체(object)일 수 있다.
이어지는 순서로, 서버(100)는 스튜던트 단말(111)로 과외 대기 리스트를 전송할 수 있다(207). 과외 대기 리스트는 스튜던트 단말(111)에 UI의 형태로 표시될 수 있다. 예를 들어, 과외 대기 리스트는, 지도 상에 표시될 수 있다. 구체적으로, 각각의 튜터 계정에 대응하는 스튜던트 맞춤 튜터 정보가 각각의 과외 선생님이 사는 지역에 표시될 수 있다. 스튜던트 계정(121)의 사용자가 과외 대기 리스트를 통해 각각의 스튜던트 맞춤 튜터 정보를 용이하게 파악할 수만 있다면, 과외 대기 리스트가 스튜던트 단말(111)에 표시되는 방법은 특별한 제한이 없다.
다음으로, 서버(100)는 스튜던트 계정(121)이 선택한 튜터 계정을 획득할 수 있다(208). 이를 위해, 스튜던트 단말(111)은 스튜던트 계정(121)의 튜터 계정 선택을 입력받을 수 있다. 예를 들어, 스튜던트 계정(121) 사용자는 스튜던트 단말(111)에 표시되는 스튜던트 맞춤 튜터 정보 객체 중에서, 제 1 튜터 계정(122)에 대응하는 스튜던트 맞춤 튜터 정보 객체를 선택할 수 있다. 스튜던트 단말(111)은 서버(100)로 스튜던트 계정(121)이 제 1 튜터 계정(122)을 선택했음을 전송할 수 있다.
이어지는 순서로, 서버(100)는 선택된 튜터 계정이 로그인된 튜터 단말로 과외 매칭 수락 요청을 전송할 수 있다(209). 예를 들어, 서버(100)는 선택된 튜터 계정인 제 1 튜터 계정(122)이 로그인된 제 1 튜터 단말(112)로 과외 매칭 수락 요청을 전송할 수 있다. 이를 통해, 과외 매칭 수락 요청은 과외 매칭 수락 또는 과외 매칭 거절을 포함할 수 있다.
다음으로, 서버(100)는 선택된 튜터 계정이 로그인된 튜터 단말로부터 과외 매칭 수락 여부를 획득할 수 있다(210). 이를 위해, 선택된 튜터 계정이 로그인된 튜터 단말은 선택된 튜터 계정의 과외 매칭 수락 또는 거절을 입력받을 수 있다. 예를 들어, 제 1 튜터 단말(112)은 제 1 튜터 계정(122) 사용자의 과외 매칭 수락 또는 과외 매칭 거절을 입력받을 수 있다. 제 1 튜터 단말(112) 사용자가 과외 매칭을 수락한 경우, 제 1 튜터 단말(112)은 서버(100)로 과외 매칭 수락을 전송할 수 있다. 제 1 튜터 단말(112) 사용자가 과외 매칭을 거절한 경우, 제 1 튜터 단말(112)은 서버(100)로 과외 매칭 거절을 전송할 수 있다.
이어지는 순서로, 서버(100)는 스튜던트 단말(111)로 과외 매칭 수락 여부를 전송할 수 있다(211). 이를 통해, 스튜던트 단말(103)을 사용하는 스튜던트는 자신이 선택한 튜터와 매칭됐는지 여부를 확인할 수 있다.
이상을 통해, 스튜던트 계정(121)과 선택된 계정(122) 간의 과외 매칭이 이루어질 수 있다. 특히, 스튜던트 계정(121) 사용자가 요구한 입력 조건에 기초하여, 튜터 계정의 단위 시간당 과외 비용이 산정될 수 있다. 이를 통해, 스튜던트 계정(121) 사용자는 스튜던트 계정(121)에 맞춘 튜터 계정들의 단위 시간당 과외 비용들을 받아볼 수 있다. 이를 통해, 스튜던트 계정(121) 사용자는 튜터 계정을 선택함에 있어서, 각각의 튜터 계정의 가격 조건을 더욱 합리적으로 받아볼 수 있다.
선택된 계정(122)이 과외 매칭을 수락한 경우, 서버(100)는 선택된 튜터 계정(122)을 스튜던트 계정(121)과 매칭된 튜터 계정으로 설정할 수 있다. 이후, 서버(100)는 매칭된 튜터 계정(122)과 스튜던트 계정(121)을 위한 온라인 과외 환경을 제공하고, 과외 비용을 결정하는 동작을 수행할 수 있다. 또한, 서버(100)는 선택된 계정(122)의 수락 횟수를 기록하고, 매칭 수락 횟수가 높은 튜터 계정은 혜택을 적용할 수 있다.
한편, 선택된 계정(122)이 과외 매칭을 거절한 경우, 서버(100)는 스튜던트 계정(121)에게 선택된 계정(122)을 제외한 과외 대기 리스트를 다시 전송할 수 있다. 서버(100)는 선택된 계정(122)의 거절 횟수를 기록해 둘 수 있으며, 매칭 거절 횟수가 높은 튜터 계정은 패널티를 적용할 수 있다.
도 3은 일실시예에 따른 과외 비용을 결정하는 동작을 설명하기 위한 도면이다.
우선, 서버(100)는 과외 매칭 수락을 획득할 수 있다(301). 구체적으로, 서버(100)는 스튜던트 계정(121)이 선택한 튜터 계정(122)이 로그인된 제 1 튜터 단말(112)로 과외 매칭 수락 요청을 전송할 수 있다. 제 1 튜터 단말(112)은, 선택된 튜터 계정(122) 사용자로부터, 과외 매칭 수락 또는 과외 매칭 거절 중에서, 과외 매칭 수락을 입력받을 수 있다. 제 1 튜터 단말(112)은 입력받은 과외 매칭 수락을 서버(100)로 전송할 수 있다.
다음으로, 서버(100)는 선택된 튜터 계정이 과외 매칭 수락 요청을 수락한 경우, 선택된 튜터 계정(122)을 스튜던트 계정과 매칭된 튜터 계정(122)으로 설정할 수 있다(302). 예를 들어, 서버(100)는 선택된 계정(122)을 스튜던트 계정(121)과 매칭된 튜터 계정(122)으로 설정할 수 있다.
이어지는 순서로, 서버(100)는 매칭된 튜터 계정(122)이 로그인된 제 1 튜터 단말(122)로부터 과외 시작 알림을 획득할 수 있다(303). 이를 위해, 제 1 튜터 단말(112)은 매칭된 튜터 계정(122) 사용자로부터 과외가 시작됐다는 입력을 획득할 수 있다. 입력을 획득한 제 1 튜터 단말(112)은 서버(100)로 과외 시작 알림을 전송할 수 있다.
다음으로, 서버(100)는 스튜던트 단말(111)로 과외 시작 승인 요청을 전송할 수 있다(304).
이어지는 순서로, 서버(100)는 스튜던트 단말(111)로부터 과외 시작 승인을 획득할 수 있다(305). 이를 위해, 스튜던트 단말(111)은 스튜던트 계정(121) 사용자로부터 과외 시작 승인을 입력받을 수 있다. 과외 시작 승인을 입력받은 스튜던트 단말(111)은 서버(100)로 과외 시작 승인을 전송할 수 있다.
다음으로, 서버(100)는 과외 시작을 기록할 수 있다(306). 서버(100)는 과외 시작을 기록한 후, 스튜던트 계정(121)과 매칭된 튜터 계정(122)의 온라인 과외를 위한 환경을 제공할 수 있다. 구체적으로, 서버(100)는 스튜던트 단말(111) 및 제 1 튜터 단말(112)에 스튜던트 계정(121) 사용자와 매칭된 튜터 계정(122) 사용자의 사진 또는 영상을 표시하고; 교재, 칠판, 필기구 등에 대응하는 UI를 표시하고; 스튜던트 계정(121) 및 매칭된 튜터 계정(122)의 필기, 하이라이트 표시, 문제 풀이 등을 실시간으로 표시하는 온라인 공간을 생성할 수 있다. 또한, 서버(100)는 과외 시작을 기록한 후부터 경과되는 시간을 카운트할 수 있다.
이어지는 순서로, 서버(100)는 스튜던트 단말(111)로부터 과외 종료 알림을 획득할 수 있다(307). 이를 위해, 스튜던트 단말(111)은 스튜던트 계정(121) 사용자로부터 과외가 종료됐다는 입력을 획득할 수 있다. 입력을 획득한 스튜던트 단말(111)은 서버(100)로 과외 종료 알림을 전송할 수 있다.
다음으로, 서버(100)는 매칭된 튜터 계정이 로그인된 제 1 튜터 단말(112)로 과외 종료 승인 요청을 전송할 수 있다(308).
이어지는 순서로, 서버(100)는 매칭된 튜터 계정이 로그인된 제 1 튜터 단말(112)로부터 과외 종료 승인을 획득할 수 있다(309). 이를 위해, 제 1 튜터 단말(112)은 매칭된 튜터 계정(122) 사용자로부터 과외 종료 승인을 입력받을 수 있다. 과외 종료 승인을 입력받은 제 1 튜터 단말(112)는 서버(100)로 과외 종료 승인을 전송할 수 있다.
다음으로, 서버(100)는 과외 종료를 기록할 수 있다(310). 서버(100)는 과외 종료를 기록한 후, 스튜던트 계정(121)과 매칭된 튜터 계정(122)이 온라인 과외를 진행한 결과물을 저장하고, 온라인 과외를 위한 온라인 공간을 없앨 수 있다. 온라인 과외 진행 결과물은 스튜던트 계정(121) 또는 매칭된 튜터 계정(122)이 추후에 열람할 수 있다. 또한, 서버(100)는 과외 시작을 기록한 후부터 카운트한 시간을 멈출 수 있다.
이어서, 서버(100)는 과외 시작 기록 및 과외 종료 기록을 기초로, 미리 정의된 기간 동안의 누적 과외 시간을 연산할 수 있다(311). 미리 정의된 기간은, 가령, 1달일 수 있다. 미리 정의된 기간 동안, 서버(100)는 과외 시작 기록부터 과외 종료 기록까지 카운트된 시간을 그 동안의 누적 과외 시간에 합산하여, 가장 최근에 종료된 과외까지 반영한 누적 과외 시간을 연산할 수 있다.
이어지는 순서로, 서버(100)는, 누적 과외 시간에, 스튜던트 계정(121)에 맞춘 매칭된 튜터 계정(122)의 단위 시간당 과외 비용을 적용하여, 스튜던트 계정이 지급할 제 1 비용을 결정할 수 있다(312). 제 1 비용은 미리 정의된 기간 동안, 가령 1달 동안의 과외 비용일 수 있다. 미리 정의된 기간이 종료한 후, 서버는(100)는 스튜던트 계정(121)과 매칭된 튜터 계정(122) 간의 미리 정의된 기간 동안의 누적 과외 시간에, 스튜던트 계정(121)에 맞춘 매칭된 튜터 계정(122)의 단위 시간당 과외 비용을 곱하여, 미리 정의된 기간 동안의 과외 비용을 결정할 수 있다.
이상을 통해, 서버(100)는 매칭된 튜터 계정(122)의 과외 시작 입력을 출발점으로, 과외 시작 알림 및 과외 시작 승인을 획득하여, 과외 시작 기록을 수행하고; 스튜던트 계정(121)의 과외 종료 입력을 출발점으로, 과외 종료 알림 및 과외 종료 승인을 획득하여, 과외 종료 기록을 수행함으로써; 합리적인 비용 결정이 이루어질 수 있다. 즉, 서버(100)가 과외 시작을 기록하기까지의 동작이 매칭된 튜터 계정(122)의 입력으로부터 출발하지 않고 스튜던트 계정(121)의 입력으로부터 출발하는 경우, 스튜던트 계정(121)은 과외 시작을 고의로 늦게 입력할 수 있고, 이 경우 미리 정의된 기간 동안의 누적 과외 시간은 줄어드므로, 매칭된 튜터 계정(122)이 손해를 보게 된다. 또한, 서버(100)가 과외 종료를 기록하기까지의 동작이 스튜던트 단말(111)의 입력으로부터 출발하지 않고 매칭된 튜터 계정(122)의 입력으로부터 출발하는 경우, 매칭된 튜터 계정(122)은 과외 종료를 고의로 늦게 입력할 수 있고, 이 경우 미리 정의된 기간 동안의 누적 과외 시간은 늘어나므로, 스튜던트 계정(121)이 손해를 보게 된다. 따라서 스튜던트 계정(121)과 매칭된 튜터 계정(122) 모두가 부당한 손해를 입지 않고 합리적으로 과외 비용을 산정하기 위해, 서버(100)는 매칭된 튜터 단말(112)이 입력받은 과외 시작 입력을 기초로 과외 시작을 기록하고, 스튜던트 단말(111)이 입력받은 과외 종료 입력을 기초로 과외 종료를 기록하고 있다.
도 4는 일실시예에 따른 인센티브 적용 동작을 설명하기 위한 순서도이다.
우선, 서버(100)는 스튜던트 계정의 및 각각의 튜터 계정의 경도(經度)를 기초로, 각각의 스튜던트-튜터 시차(時差)를 생성할 수 있다(410). 이를 위해, 서버(100)는 스튜던트 정보 중에서 학생의 사는 위치로부터 스튜던트 계정의 경도를 획득할 수 있다. 또한, 서버(100)는 과외 대기 리스트에 포함되는 각각의 튜터 계정의 정보 중에서 과외 선생님이 사는 위치로부터 각각의 튜터 계정의 경도를 획득할 수 있다. 이후, 서버(100)는 스튜던트 계정의 경도 및 각각의 튜터 계정의 경도를 기초로, 각각의 스튜던트-튜터 시차를 생성할 수 있다.
예를 들어, 스튜던트 계정(121) 사용자는 뉴욕(New York)에 살 수 있고, 제 1 튜터 계정(122) 사용자는 텍사스(Texas)에 살 수 있고, 제 2 튜터 계정(123) 사용자는 캘리포니아(California)에 살 수 있다. 서버(100)는 스튜던트 계정(121)의 스튜던트 정보 중에서 학생이 사는 위치로부터 스튜던트 계정의 경도를 획득할 수 있고, 제 1 튜터 계정(122)의 튜터 정보 중에서 과외 선생님이 사는 위치로부터 제 1 튜터 계정의 경도를 획득할 수 있고, 제 2 튜터 계정(123)의 튜터 정보 중에서 과외 선생님이 사는 위치로부터 튜터 계정의 경도를 획득할 수 있다. 이후, 서버(100)는 스튜던트 계정의 경도 및 각각의 튜터 계정의 경도를 기초로, “스튜던트-제 1 튜터 시차: 1 시간” 및 “스튜던트-제 2 튜터 시차: 3시간”을 생성할 수 있다.
다음으로, 서버(100)는 각각의 스튜던트-튜터 시차를 기초로, 각각의 튜터 계정의 단위 시간당 인센티브를 생성할 수 있다(420). 단위 시간당 인센티브는, 스튜던트 계정에 맞춘 튜터 계정의 단위 시간당 과외 비용에 대한, 비율(%)로 이루어질 수도 있다.
이때, 제 1 시차 구간에서, 스튜던트-튜터 시차가 커질수록, 단위 시간당 인센티브는 선형적으로 증가하는 것보다 빨리 증가할 수 있다. 예를 들어, 스튜던트-제 1 튜터 시차는 1 시간이므로, 제 1 튜터 계정(122)의 단위 시간당 인센티브는 6%일 수 있고, 스튜던트-제 1 튜터 시차는 3 시간이므로, 제 1 튜터 계정(122)의 단위 시간당 인센티브는 6%의 3배보다 큰 값, 가령, 20%일 수 있다.
제 2 시차 구간에서, 스튜던트-튜터 시차가 커질수록, 단위 시간당 인센티브는 선형적으로 증가하는 것보다 느리게 증가할 수 있다. 예를 들어, 제 3 튜터 계정, 제 4 튜터 계정, 및 제 5 튜터 계정이 있다고 가정했을 때; 스튜던트-제 3 튜터 시차는 9 시간으로, 제 3 튜터 계정의 단위 시간당 인센티브는 35%일 수 있고, 스튜던트-제 4 튜터 시차는 10 시간으로, 제 4 튜터 계정의 단위 시간당 인센티브는 40%일 수 있고, 스튜던트-제 4 튜터 시차는 11 시간으로, 제 4 튜터 계정의 단위 시간당 인센티브는 45%보다 작은, 가령, 43%일 수 있다.
제 3 시차 구간에서, 스튜던트-튜터 시차가 커질수록, 단위 시간당 인센티브는 선형적으로 감소하는 것보다 빠르게 감소할 수 있다. 예를 들어, 제 6 튜터 계정, 제 7 튜터 계정, 및 제 8 튜터 계정이 있다고 가정했을 때; 스튜던트-제 6 튜터 시차는 13 시간으로, 제 3 튜터 계정의 단위 시간당 인센티브는 43%일 수 있고, 스튜던트-제 7 튜터 시차는 14 시간으로, 제 7 튜터 계정의 단위 시간당 인센티브는 40%일 수 있고, 스튜던트-제 4 튜터 시차는 15 시간으로, 제 4 튜터 계정의 단위 시간당 인센티브는 37%보다 작은, 가령, 35%일 수 있다.
제 4 시차 구간에서, 스튜던트-튜터 시차가 커질수록, 단위 시간당 인센티브는 선형적으로 감소하는 것보다 느리게 감소할 수 있다. 예를 들어, 제 9 튜터 계정, 제 10 튜터 계정, 및 제 11 튜터 계정이 있다고 가정했을 때; 스튜던트-제 9 튜터 시차는 21 시간으로, 제 9 튜터 계정의 단위 시간당 인센티브는 20%일 수 있고, 스튜던트-제 10 튜터 시차는 22 시간으로, 제 10 튜터 계정의 단위 시간당 인센티브는 12%일 수 있고, 스튜던트-제 11 튜터 시차는 23 시간으로, 제 11 튜터 계정의 단위 시간당 인센티브는 4%보다 큰, 가령, 6%일 수 있다.
제 1 시차 구간은 0시간 초과 6시간 이하일 수 있고; 제 2 시차 구간은 6시간 초과 12시간 이하일 수 있고; 제 3 시차 구간은 12시간 초과 18시간 이하일 수 있고; 제 4 시차 구간은 18시간 초과 24시간 미만일 수 있다. 스튜던트-튜터 시차가 0시간일 경우, 튜터 계정의 단위 시간당 인센티브는 0%일 수 있다.
이를 통해, 스튜던트 계정과 튜터 계정의 시차의 절대값이 작을수록(제 1 시차 구간 및 제 4 시차 구간), 단위 시간당 인센티브가 상대적으로 적고; 스튜던트 계정과 튜터 계정의 시차의 절대값이 클수록(제 2 시차 구간 및 제 3 시차 구간), 단위 시간당 인센티브가 상대적으로 많도록 설정할 수 있다. 또한, 스튜던트 계정과 튜터 계정의 시차의 절대값이 커질수록, 튜터 계정 사용자가 체감하는 시간 차이가 큰 구간(제 1 시차 구간 및 제 4 시차 구간)에서는, 시차의 절대값이 커짐에 따라, 단위 시간당 인센티브가 선형적으로 증가하는 경우보다 더 증가하고; 스튜던트 계정과 튜터 계정의 시차의 절대값이 커지더라도, 튜터 계정 사용자가 체감하는 시간 차이가 적은 구간(제 2 시차 구간 및 제 3 시차 구간)에서는, 시차의 절대값이 커짐에 따라, 단위 시간당 인센티브가 선형적으로 증가하는 경우보다 덜 증가하도록 설정할 수 있다. 이를 통해, 튜터 계정 사용자가 느끼기에 합리적인 시차에 따른 단위 시간당 인센티브가 설정될 수 있다.
한편, 시차에 따른 단위 시간당 인센티브 액수 또는 비율의 구체적인 산정은 서버(100)의 미리 학습된 인공지능(인공 신경망)에 의해 이루어질 수 있다. 인공지능(인공 신경망)의 학습 과정은 도 6을 참조하여 후술된다.
이어서, 서버(100)는 각각의 튜터 계정의 단위 시간당 인센티브를 각각의 스튜던트 맞춤 튜터 정보에 포함시킬 수 있다(430). 예를 들어, 제 1 튜터 계정(122)의 단위 시간당 인센티브는, 스튜던트 계정(121)에 맞춘 제 1 튜터 계정(122)의 단위 시간당 과외 비용의 6%일 수 있다. 제 2 튜터 계정(123)의 단위 시간당 인센티브는, 스튜던트 계정(121)에 맞춘 제 2 튜터 계정(123)의 단위 시간당 과외 비용의 20%일 수 있다. 서버(100)는 과외 대기 리스트에서, 각각의 튜터 계정(122, 123)에 대응하는 스튜던트 맞춤 튜터 정보 객체에, 각각의 튜터 계정(122, 123)의 단위 시간당 인센티브를 포함시킬 수 있다.
이어지는 순서로, 서버(100)는, 미리 정의된 기간 동안의 누적 과외 시간에, 매칭된 튜터 계정의 단위 시간당 인센티브를 적용하여, 스튜던트 계정이 지급할 제 2 비용을 결정할 수 있다(440). 예를 들어, 매칭된 튜터 계정은 제 1 튜터 계정(122)일 수 있다. 제 2 비용은 미리 정의된 기간 동안, 가령 1달 동안의 인센티브일 수 있다. 미리 정의된 기간이 종료한 후, 서버는(100)는 스튜던트 계정(121)과 매칭된 튜터 계정(122) 간의 미리 정의된 기간 동안의 누적 과외 시간에, 스튜던트 계정(121)에 맞춘 매칭된 튜터 계정(122)의 단위 시간당 과외 비용의 6%를 곱하여, 미리 정의된 기간 동안의 인센티브를 결정할 수 있다.
이를 통해, 튜터 계정 사용자(과외 선생님)는, 시차가 나는 지역의 스튜던트 계정과 온라인 과외를 진행해야 하는 경우, 인센티브를 받을 수 있기 때문에, 불편한 시간대라도(가령, 학생과 과외 선생님의 시차가 3시간이 나는 경우, 학생이 오후 6시에 과외 받길 희망한다면, 과외 선생님은 오후 9시에 과외를 진행해야 함) 온라인 과외를 진행할 동기가 생긴다. 또한, 스튜던트 계정 사용자(학생)는, 수업을 꼭 받고 싶은 과외 선생님이 있다면, 해당 과외 선생님이 시차가 날 정도로 먼 곳에 살더라도, 인센티브를 제공하면서 수업을 들을 수 있다. 이를 통해, 학생은, 사는 장소에 구애없이, 원하는 과외 선생님과 매칭될 수 있는 기회를 보다 얻을 수 있고; 과외 선생님은, 매칭되는 학생과 시차가 많이 날수록, 더욱 많은 소득을 올리는 기회를 얻을 수 있다. 이를 통해, 온라인의 장점인 시간적·공간적 무제약성을 극대화한 과외 매칭 및 진행이 적극적으로 이루어질 수 있다. 이를 통해, 더욱 많은 과외 선생님과 학생들이 온라인 과외 서비스를 이용하도록 유도할 수 있다.
도 5는 일실시예에 따른 인센티브 미적용 동작을 설명하기 위한 순서도이다.
우선, 서버(100)는 튜터 계정의 인센티브 미적용 요청을 획득할 수 있다(510). 예를 들어, 제 1 튜터 계정(122) 사용자 및 제 2 튜터 계정(123) 사용자는, 제 1, 2 튜터 단말(112, 113)을 통해, 시차가 나는 지역의 스튜던트 계정(121)과 매칭되더라도, 스튜던트-튜터 시차에 기초한 인센티브를 받지 않겠다는 요청을 입력할 수 있다. 사용자의 입력을 획득한 제 1, 2 튜터 단말(112, 113)은, 서버(100)로 제 1, 2 튜터 계정(122, 123)의 요청을 전송할 수 있다.
다음으로, 서버(100)는 과외 대기 리스트에서, 인센티브 미적용을 요청한 튜터 계정에 대응하는 스튜던트 맞춤 튜터 정보에, 인센티브 인센티브 미적용 표시를 포함시킬 수 있다(520). 예를 들어, 서버(100)는 과외 대기 리스트에서, 제 1, 2 튜터 계정(122, 123)에 대응하는 스튜던트 맞춤 튜터 정보 객체에, 제 1, 2 튜터 계정(122, 123)은 인센티브가 적용되지 않는 계정이라는 표시를 포함시킬 수 있다. 이에 따라, 과외 대기 리스트를 획득한 스튜던트 단말(111)은, 제 1, 2 튜터 계정(122, 123)은 인센티브를 받지 않는 계정이라고 표시할 수 있다. 이를 통해, 스튜던트 단말(111) 사용자는 인센티브를 받지 않는 튜터 계정을 선택할 수 있으므로, 비용을 상대적으로 아끼면서 과외 선생님을 고를 수 있는 기회를 제공받을 수 있다.
이어서, 서버(100)는 매칭된 튜터 계정이 인센티브 미적용을 요청한 튜터 계정인 경우, 매칭된 튜터 계정의 단위 시간당 인센티브를 미적용할 수 있다(530). 예를 들어, 매칭된 튜터 계정은 제 1 튜터 계정(122)일 수 있다. 서버는(100)는, 미리 정의된 기간, 가령, 1달이 종료한 후, 스튜던트 계정(121)과 매칭된 튜터 계정(122) 간의 미리 정의된 기간 동안의 누적 과외 시간에, 스튜던트 계정(121)에 맞춘 매칭된 튜터 계정(122)의 단위 시간당 과외 비용을 곱하여, 제 1 비용을 결정할 수 있다. 한편, 매칭된 튜터 계정(122)이 인센티브 미적용을 요청하지 않았다면, 서버는(100)는 미리 정의된 기간 동안의 누적 과외 시간에, 스튜던트 계정(121)에 맞춘 매칭된 튜터 계정(122)의 단위 시간당 과외 비용의 6%를 곱하여, 제 2 비용을 결정했을 것이나, 매칭된 튜터 계정(122)이 인센티브 미적용을 요청했으므로, 단위 시간당 인센티브를 미적용하여, 제 2 비용을 계산하지 않기로 설정할 수 있다. 이 경우, 스튜던트 계정(121)은 미리 정의된 기간이 지난 후, 제 1 비용만을 지불하면 되고, 제 2 비용은 생략된다.
이처럼, 서버(100)는 매칭된 튜터 계정이 인센티브 미적용을 요청한 튜터 계정인 경우, 미리 정의된 기간이 지나더라도, 튜터 계정의 단위 시간당 인센티브에 따른 비용, 즉 제 2 비용은 계산하지 않기로 설정할 수 있다. 이를 통해, 시간적 여유가 상대적으로 확보되어 있거나, 다른 튜터 계정들에 비해 수업의 질적 측면에서 경쟁력이 상대적으로 떨어진다고 판단한 튜터 계정은, 스튜던트 계정과의 시차에도 불구하고 인센티브를 받지 않겠다고 설정함으로써, 다른 튜터들보다 상대적으로 저렴하게 과외 서비스를 제공할 수 있다. 이를 통해, 시간적 여유가 많거나 수업 노하우가 적은 튜터 계정은 경쟁력을 확보할 수 있는 방안을 가질 수 있고, 스튜던트 계정의 선택을 받을 수 있는 기회를 높일 수 있다. 이를 통해, 더욱 많은 신규 과외 선생님들이 온라인 과외 시스템에 참여하도록 유도할 수 있다.
도 6은 일실시예에 따른 인공 신경망의 학습을 설명하기 위한 도면이다.
인공 신경망은 서버(100)에 포함되는 구성일 수 있으며, 서버(100) 또는 별도의 학습 장치를 통해서 학습될 수 있다.
제 1 인공 신경망은 스튜던트 정보(학생의 나이, 학년, 학업 수준, 지난 시험 성적 학생이 수업을 받고자 하는 과목, 준비하는 시험, 사는 위치 등), 스튜던트 요구 조건(학생이 수업을 받고자 하는 과목, 준비하는 시험, 사는 지역, 온라인 과외를 받고자 하는 시간 및 요일, 지불의사가 있는 시간 당 과외 비용의 범위 등), 및 튜터 정보(과외 선생님의 이름, 나이, 학력, 지난 과외 경험, 지난 과외 성과, 과외 선생님이 수업 가능한 과목, 수업 가능한 시험, 수업 가능한 시간 및 요일, 사는 위치 등)을 입력 받아, 스튜던트 계정에 맞춘 튜터 계정의 단위 시간당 과외 비용을 출력할 수 있다.
제 2 인공 신경망은 스튜던트-튜터 시차(時差)를 입력 받아, 튜터 계정의 단위 시간당 인센티브를 출력할 수 있다.
이하에서는 학습 장치를 통해 인공 신경망이 학습되는 과정을 설명한다.
우선, 학습 장치는 트레이닝 데이터(training data)와 레이블(label)을 획득할 수 있다(600).
제 1 인공 신경망 학습을 위해, 학습 장치는 실제로 과외 매칭이 이루어진 학생 및 과외 선생님의 스튜던트 정보, 스튜던트 요구 조건, 및 튜터 정보를 포함하는 각각의 스튜던트-튜터 정보 객체(object)를 트레이닝 데이터로 획득할 수 있다.
또한, 제 1 인공 신경망의 학습을 위해, 실제로 지불된 단위 시간당 과외 비용을 각각의 트레이닝 데이터에 대한 레이블로 획득할 수 있다. 이때, 스튜던트 요구 조건에 튜터 정보가 부합할수록, 실제로 지불된 단위 시간당 과외 비용은 높을 수 있다.
제 2 인공 신경망 학습을 위해, 학습 장치는 실제로 과외 매칭이 이루어진 학생 및 과외 선생님의 스튜던트-튜터 시차(時差)를 트레이닝 데이터로 획득할 수 있다.
또한, 제 2 인공 신경망의 학습을 위해, 학습 장치는 실제로 지불된 단위 시간당 인센티브를 각각의 트레이닝 데이터에 대한 레이블로 획득할 수 있다.
이제, 학습 장치는 트레이닝 데이터로부터 인공 신경망의 입력을 생성할 수 있다(610).
학습 장치는 트레이닝 데이터를 인공 신경망의 입력으로 그대로 사용하거나, 각각의 트레이닝 데이터에서 불필요한 정보를 제거하는 등의 기 알려진 처리를 거친 후, 인공 신경망의 입력을 생성할 수 있다.
다음으로, 학습 장치는 입력을 인공 신경망에 적용할 수 있다(620). 서버에 포함된 인공 신경망은 지도 학습(supervised learning)에 따라 학습되는 인공 신경망일 수 있다. 인공 신경망은 지도 학습을 통해 학습시키기에 적합한 컨볼루션 신경망(convolutional neural network, CNN) 또는 리커런트 신경망(recurrent neural network, RNN) 구조일 수 있다.
이어서, 학습 장치는 인공 신경망으로부터 출력을 획득할 수 있다(630).
제 1 인공 신경망의 출력은, 스튜던트 정보, 스튜던트 요구 조건, 및 튜터 정보에 따른 학생과 과외 선생님 간의 미리 정의된 기간 동안의 과외 비용의 추론일 수 있다. 구체적으로, 인공 신경망은 학생의 학년, 학업 수준, 준비하는 시험, 온라인 과외를 받고자 하는 시간, 지난 시험 성적 등과; 과외 선생님의 학력, 지난 과외 경험, 지난 과외 성과, 수업 가능한 과목 등에 따른 패턴을 분석하여, 학생 및 과외 선생님의 상태에 대응한다고 추론한 단위 시간당 과외 비용을 출력할 수 있다.
제 2 인공 신경망의 출력은, 스튜던트-튜터 시차에 따른 학생과 과외 선생님 간의 미리 정의된 기간 동안의 인센티브의 추론일 수 있다. 구체적으로, 인공 신경망은 스튜던트-튜터 시차가 제 1 시차 구간에 속하는 경우, 제 2 시차 구간에 속하는 경우, 제 3 시차 구간에 속하는 경우, 및 제 4 시차 구간에 속하는 경우 등에 따른 패턴을 분석하여, 학생 및 과외 선생님의 시차에 대응한다고 추론한 단위 시간당 인센티브를 출력할 수 있다.
이때, 제 2 인공 신경망의 출력의 특성은 4 개의 시차 구간으로 구분될 수 있다. 제 1 시차 구간에서, 스튜던트-튜터 시차가 커질수록, 단위 시간당 인센티브는 선형적으로 증가하는 것보다 빨리 증가할 수 있고; 제 2 시차 구간에서, 스튜던트-튜터 시차가 커질수록, 단위 시간당 인센티브는 선형적으로 증가하는 것보다 느리게 증가할 수 있고; 제 3 시차 구간에서, 스튜던트-튜터 시차가 커질수록, 단위 시간당 인센티브는 선형적으로 감소하는 것보다 빠르게 감소할 수 있고; 제 4 시차 구간에서, 스튜던트-튜터 시차가 커질수록, 단위 시간당 인센티브는 선형적으로 감소하는 것보다 느리게 감소할 수 있다.
제 1 시차 구간은 0시간 초과 6시간 이하일 수 있고; 제 2 시차 구간은 6시간 초과 12시간 이하일 수 있고; 제 3 시차 구간은 12시간 초과 18시간 이하일 수 있고; 제 4 시차 구간은 18시간 초과 24시간 미만일 수 있다. 스튜던트-튜터 시차가 0시간일 경우, 튜터 계정의 단위 시간당 인센티브는 0%일 수 있다.
이후, 학습 장치는 출력과 레이블을 비교할 수 있다(640). 추론에 해당하는 인공 신경망의 출력과 정답에 해당하는 레이블을 비교하는 과정은 손실함수(loss function)를 계산하여 이루어질 수 있다. 손실함수는 기 알려진 평균 제곱 오차(mean squared error, MSE), 교차 엔트로피 오차(cross entropy error, CEE) 등이 이용될 수 있다. 그러나, 이에 제한되는 것은 아니며, 인공 신경망의 출력과 레이블 간의 편차, 오차 내지는 차이를 측정할 수 있다면, 다양한 인공 신경망 모델들에서 이용되는 손실함수들이 이용될 수 있다.
다음으로, 학습 장치는 비교값을 기초로 인공 신경망을 최적화할 수 있다(650). 학습 장치 비교값이 점점 작아지도록 인공 신경망의 노드(node)들의 웨이트(weight)를 갱신함으로써, 추론에 해당하는 인공 신경망의 출력과 정답에 해당하는 레이블을 점점 일치시킬 수 있고, 이를 통해 인공 신경망은 정답에 가까운 추론을 출력하도록 최적화될 수 있다. 구체적으로, 학습 장치는 비교값에 해당하는 손실함수가 최소값의 추정치에 가까워지도록 인공 신경망의 웨이트(weight)를 재설정하는 과정을 반복함으로써 인공 신경망을 최적화할 수 있다. 인공 신경망의 최적화를 위해 기 알려진 역전파(backpropagation) 알고리즘, 확률론적 경사하강법(stochastic gradient descent) 등이 이용될 수 있다. 그러나, 이에 제한되는 것은 아니며, 다양한 신경망 모델들에서 이용되는 웨이트의 최적화 알고리즘이 이용될 수 있다.
학습 장치는 이와 같은 과정을 반복함으로써 인공 신경망을 학습시킬 수 있다.
이를 통해, 학습 장치는 스튜던트 정보, 스튜던트 요구 조건, 및 튜터 정보를 기초로; 스튜던트 계정에 맞춘 튜터 계정의 단위 시간당 과외 비용을 출력하는 인공 신경망을 학습시킬 수 있다. 이때, 스튜던트 요구 조건에 튜터 정보가 부합할수록, 출력되는 단위 시간당 과외 비용은 높을 수 있다. 인공 신경망은 도 2 및 3을 참조하여 전술한 스튜던트 계정에 맞춘 튜터 계정의 단위 시간당 과외 비용 및 매칭된 튜터 계정의 미리 정의된 기간 동안의 제 1 비용을 생성하는데 사용될 수 있다.
또한, 학습 장치는 스튜던트-튜터 시차를 기초로; 튜터 계정의 단위 시간당 인센티브를 출력하는 인공 신경망을 학습시킬 수 있다. 인공 신경망은 도 4를 참조하여 전술한 튜터 계정의 단위 시간당 인센티브 및 매칭된 튜터 계정의 미리 정의된 기간 동안의 제 2 비용을 생성하는데 사용될 수 있다.
도 7은 일실시예에 따른 장치의 구성의 예시도이다.
일실시예에 따른 장치(701)는 프로세서(702) 및 메모리(703)를 포함한다. 프로세서(702)는 도 1 내지 도 6을 참조하여 전술된 적어도 하나의 장치들을 포함하거나, 도 1 내지 도 6을 참조하여 전술된 적어도 하나의 방법을 수행할 수 있다. 구체적으로, 장치(701)는 서버(100), 스튜던트 단말(111), 튜터 단말들(112, 113), 또는 인공 신경망 학습 장치 등일 수 있다. 장치(701)를 이용하는 자 또는 단체는 도 1 내지 도 6을 참조하여 전술된 방법들 일부 또는 전부와 관련된 서비스를 제공할 수 있다.
메모리(703)는 전술된 방법들과 관련된 정보를 저장하거나 후술되는 방법들이 구현된 프로그램을 저장할 수 있다. 메모리(703)는 휘발성 메모리 또는 비휘발성 메모리일 수 있다.
프로세서(702)는 프로그램을 실행하고, 장치(701)를 제어할 수 있다. 프로세서(702)에 의하여 실행되는 프로그램의 코드는 메모리(703)에 저장될 수 있다. 장치(701)는 입출력 장치(도면 미 표시)를 통하여 외부 장치(예를 들어, 퍼스널 컴퓨터 또는 네트워크)에 연결되고, 유무선 통신을 통해 데이터를 교환할 수 있다.
장치(701)는 인공 신경망을 학습시키거나, 학습된 인공 신경망을 이용하는데 사용될 수 있다. 메모리(703)는 학습 중인 또는 학습된 인공 신경망을 포함할 수 있다. 프로세서(702)는 메모리(703)에 저장된 인공 신경망 알고리즘을 학습시키거나 실행시킬 수 있다. 인공 신경망을 학습시키는 장치(701)와 학습된 인공 신경망을 이용하는 장치(701)는 동일할 수도 있고 개별적일 수도 있다.
이상에서 설명된 실시예들은 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치, 방법 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
이상과 같이 실시예들이 비록 한정된 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기를 기초로 다양한 기술적 수정 및 변형을 적용할 수 있다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 청구범위의 범위에 속한다.

Claims (5)

  1. 스튜던트(student) 단말에 설치된 어플리케이션에 로그인된 스튜던트 계정의 스튜던트 정보를 획득하는 단계;
    튜터(tutor) 단말들에 설치된 어플리케이션에 로그인된 튜터 계정들로부터 과외 대기 신청들을 획득하고, 과외 대기를 신청한 튜터 계정들의 미리 저장된 튜터 정보들을 과외 대기 예비 리스트에 포함시키는 단계;
    상기 스튜던트 단말로부터 과외 대기 리스트 보기 요청을 획득하는 단계;
    상기 스튜던트 정보 및 상기 과외 대기 예비 리스트의 각각의 튜터 정보를 기초로, 각각의 스튜던트 맞춤 튜터 정보를 생성하고, 과외 대기 리스트에 상기 각각의 스튜던트 맞춤 튜터 정보를 포함시키는 단계;
    상기 스튜던트 단말로 과외 대기 리스트를 전송하는 단계;
    상기 스튜던트 계정이 선택한 튜터 계정을 획득하는 단계;
    선택된 튜터 계정이 로그인된 튜터 단말로 과외 매칭 수락 요청을 전송하는 단계;
    상기 선택된 튜터 계정이 로그인된 튜터 단말로부터 과외 매칭 수락 여부를 획득하는 단계; 및
    상기 스튜던트 단말로 상기 과외 매칭 수락 여부를 전송하는 단계
    를 포함하며,
    상기 각각의 스튜던트 맞춤 튜터 정보는 스튜던트 계정에 맞춘 각각의 튜터 계정의 단위 시간당 과외 비용을 포함하며,
    상기 스튜던트 계정에 맞춘 각각의 튜터 계정의 단위 시간당 과외 비용은 인공지능의 추론을 기반으로 결정되며,
    상기 인공지능의 추론은 상기 스튜던트 정보 및 상기 각각의 튜터 정보를 기초로 이루어지는,
    어플리케이션 기반 과외 매칭 방법에 있어서,
    상기 스튜던트 정보로부터 스튜던트 계정의 경도(經度)를 획득하는 단계;
    상기 각각의 튜터 계정의 정보로부터 각각의 튜터 계정의 경도를 획득하는 단계;
    상기 스튜던트 계정의 경도 및 상기 각각의 튜터 계정의 경도를 기초로, 각각의 스튜던트-튜터 시차(時差)를 생성하는 단계;
    상기 각각의 스튜던트-튜터 시차를 기초로, 상기 각각의 튜터 계정의 단위 시간당 인센티브를 생성하는 단계; 및
    상기 각각의 튜터 계정의 단위 시간당 인센티브를 상기 각각의 스튜던트 맞춤 튜터 정보에 포함시키는 단계;
    를 더 포함하고,
    스튜던트-튜터 시차는 4 개의 시차 구간으로 구분되고,
    제 1 시차 구간에서, 스튜던트-튜터 시차가 커질수록, 튜터 계정의 단위 시간당 인센티브는 선형적으로 증가하는 것보다 빠르게 증가하고;
    제 2 시차 구간에서, 스튜던트-튜터 시차가 커질수록, 튜터 계정의 단위 시간당 인센티브는 선형적으로 증가하는 것보다 느리게 증가하고;
    제 3 시차 구간에서, 스튜던트-튜터 시차가 커질수록, 튜터 계정의 단위 시간당 인센티브는 선형적으로 감소하는 것보다 빠르게 감소하고;
    제 4 시차 구간에서, 스튜던트-튜터 시차가 커질수록, 튜터 계정의 단위 시간당 인센티브는 선형적으로 감소하는 것보다 느리게 감소하고;
    상기 제 1 시차 구간은 0시간 초과 6시간 이하이고;
    상기 제 2 시차 구간은 6시간 초과 12시간 이하이고;
    상기 제 3 시차 구간은 12시간 초과 18시간 이하이고;
    상기 제 4 시차 구간은 18시간 초과 24시간 미만이고;
    스튜던트-튜터 시차가 0시간일 경우, 튜터 계정의 단위 시간당 인센티브는 없는;
    어플리케이션 기반 과외 매칭 방법.
  2. 제 1 항에 있어서,
    상기 선택된 튜터 계정이 상기 과외 매칭 수락 요청을 수락한 경우, 상기 선택된 튜터 계정을 상기 스튜던트 계정과 매칭된 튜터 계정으로 설정하는 단계;
    상기 매칭된 튜터 계정이 로그인된 튜터 단말로부터 과외 시작 알림을 획득하는 단계;
    상기 스튜던트 단말로 과외 시작 승인 요청을 전송하는 단계;
    상기 스튜던트 단말로부터 과외 시작 승인을 획득하는 단계;
    과외 시작을 기록하는 단계;
    상기 스튜던트 단말로부터 과외 종료 알림을 획득하는 단계;
    상기 매칭된 튜터 계정이 로그인된 튜터 단말로 과외 종료 승인 요청을 전송하는 단계;
    상기 매칭된 튜터 계정이 로그인된 튜터 단말로부터 과외 종료 승인을 획득하는 단계;
    과외 종료를 기록하는 단계;
    상기 과외 시작 기록 및 상기 과외 종료 기록을 기초로, 미리 정의된 기간 동안의 누적 과외 시간을 연산하는 단계;
    상기 누적 과외 시간에, 상기 스튜던트 계정에 맞춘 상기 매칭된 튜터 계정의 단위 시간당 과외 비용을 적용하여, 상기 스튜던트 계정이 지급할 제 1 비용을 결정하는 단계
    를 더 포함하는,
    어플리케이션 기반 과외 매칭 방법.
  3. 제 2 항에 있어서,
    상기 누적 과외 시간에 상기 매칭된 튜터 계정의 단위 시간당 인센티브를 적용하여, 상기 스튜던트 계정이 지급할 제 2 비용을 결정하는 단계
    를 더 포함하는,
    어플리케이션 기반 과외 매칭 방법.
  4. 제 3 항에 있어서,
    튜터 계정의 인센티브 미적용 요청을 획득하는 단계;
    상기 과외 대기 리스트에서, 인센티브 미적용을 요청한 튜터 계정에 대응하는 스튜던트 맞춤 튜터 정보에, 인센티브 미적용 표시를 포함시키는 단계;
    상기 매칭된 튜터 계정이 인센티브 미적용을 요청한 튜터 계정인 경우, 상기 제 2 비용을 계산하지 않기로 설정하는 단계;
    를 더 포함하는,
    어플리케이션 기반 과외 매칭 방법.
  5. 스튜던트(student) 단말에 설치된 어플리케이션에 로그인한 스튜던트 계정의 스튜던트 정보를 획득하고,
    튜터(tutor) 단말들에 설치된 어플리케이션에 로그인한 튜터 계정들로부터 과외 대기 신청들을 획득하고, 과외 대기를 신청한 튜터 계정들의 미리 저장된 튜터 정보들을 과외 대기 예비 리스트에 포함시키고,
    상기 스튜던트 단말로부터 과외 대기 리스트 보기 요청을 획득하고,
    상기 스튜던트 정보 및 상기 과외 대기 예비 리스트의 각각의 튜터 정보를 기초로, 각각의 스튜던트 맞춤 튜터 정보를 생성하고, 과외 대기 리스트에 상기 각각의 스튜던트 맞춤 튜터 정보를 포함시키고,
    상기 스튜던트 단말로 과외 대기 리스트를 전송하고,
    상기 스튜던트 계정이 선택한 튜터 계정을 획득하고,
    선택된 튜터 계정이 로그인된 튜터 단말로 과외 매칭 수락 요청을 전송하고,
    상기 선택된 튜터 계정이 로그인된 튜터 단말로부터 과외 매칭 수락 여부를 획득하고,
    상기 스튜던트 단말로 상기 과외 매칭 수락 여부를 전송하는 프로세서
    를 포함하며,
    상기 각각의 스튜던트 맞춤 튜터 정보는 스튜던트 계정에 맞춘 각각의 튜터 계정의 단위 시간당 과외 비용을 포함하며,
    상기 스튜던트 계정에 맞춘 각각의 튜터 계정의 단위 시간당 과외 비용은 인공지능의 추론을 기반으로 결정되며,
    상기 인공지능의 추론은 상기 스튜던트 정보 및 상기 각각의 튜터 정보를 기초로 이루어지는,
    어플리케이션 기반 과외 매칭 장치에 있어서,
    상기 프로세서가 수행하는 동작은,
    상기 스튜던트 정보로부터 스튜던트 계정의 경도(經度)를 획득하고,
    상기 각각의 튜터 계정의 정보로부터 각각의 튜터 계정의 경도를 획득하고,
    상기 스튜던트 계정의 경도 및 상기 각각의 튜터 계정의 경도를 기초로, 각각의 스튜던트-튜터 시차(時差)를 생성하고,
    상기 각각의 스튜던트-튜터 시차를 기초로, 상기 각각의 튜터 계정의 단위 시간당 인센티브를 생성하고,
    상기 각각의 튜터 계정의 단위 시간당 인센티브를 상기 각각의 스튜던트 맞춤 튜터 정보에 포함시키는
    동작을 포함하고,
    스튜던트-튜터 시차는 4 개의 시차 구간으로 구분되고,
    제 1 시차 구간에서, 스튜던트-튜터 시차가 커질수록, 튜터 계정의 단위 시간당 인센티브는 선형적으로 증가하는 것보다 빠르게 증가하고;
    제 2 시차 구간에서, 스튜던트-튜터 시차가 커질수록, 튜터 계정의 단위 시간당 인센티브는 선형적으로 증가하는 것보다 느리게 증가하고;
    제 3 시차 구간에서, 스튜던트-튜터 시차가 커질수록, 튜터 계정의 단위 시간당 인센티브는 선형적으로 감소하는 것보다 빠르게 감소하고;
    제 4 시차 구간에서, 스튜던트-튜터 시차가 커질수록, 튜터 계정의 단위 시간당 인센티브는 선형적으로 감소하는 것보다 느리게 감소하고;
    상기 제 1 시차 구간은 0시간 초과 6시간 이하이고;
    상기 제 2 시차 구간은 6시간 초과 12시간 이하이고;
    상기 제 3 시차 구간은 12시간 초과 18시간 이하이고;
    상기 제 4 시차 구간은 18시간 초과 24시간 미만이고;
    스튜던트-튜터 시차가 0시간일 경우, 튜터 계정의 단위 시간당 인센티브는 없는;
    어플리케이션 기반 과외 매칭 장치.

KR1020190175729A 2019-12-26 2019-12-26 어플리케이션 기반 과외 매칭 방법 및 장치 KR102217122B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020190175729A KR102217122B1 (ko) 2019-12-26 2019-12-26 어플리케이션 기반 과외 매칭 방법 및 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190175729A KR102217122B1 (ko) 2019-12-26 2019-12-26 어플리케이션 기반 과외 매칭 방법 및 장치

Publications (1)

Publication Number Publication Date
KR102217122B1 true KR102217122B1 (ko) 2021-02-17

Family

ID=74732078

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190175729A KR102217122B1 (ko) 2019-12-26 2019-12-26 어플리케이션 기반 과외 매칭 방법 및 장치

Country Status (1)

Country Link
KR (1) KR102217122B1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115167726A (zh) * 2022-07-08 2022-10-11 上海百家云科技有限公司 一种基于直播学习平台的辅导方式确定方法和确定装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100741390B1 (ko) * 2006-09-30 2007-07-20 안병표 네트워크상에서 이루어지는 전세계 언어 지원 응용 프로그램에 의한 개인 간 매칭과 이를 통한 교육과 지불 및 정산 방법
KR101578054B1 (ko) 2015-06-02 2015-12-16 에스와이엔터프라이즈 유한책임회사 과외 조건에 기초한 온라인 강사-학생 매칭 지원 장치 및 방법
KR101771797B1 (ko) 2015-08-21 2017-08-25 주식회사 튜터링 모바일 과외 플랫폼 서버 및 그것을 이용한 과외 서비스 제공 방법
KR101873926B1 (ko) * 2017-11-22 2018-07-04 김광호 빅데이터 기반 의료자문 서비스 제공 방법
KR101898103B1 (ko) 2017-04-04 2018-09-14 공대선 온라인 그룹 과외 제공 방법 및 그 시스템
KR101923704B1 (ko) 2017-08-18 2018-11-29 주식회사 튜터링 온디맨드 기반의 모바일 과외 서비스 장치 및 방법

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100741390B1 (ko) * 2006-09-30 2007-07-20 안병표 네트워크상에서 이루어지는 전세계 언어 지원 응용 프로그램에 의한 개인 간 매칭과 이를 통한 교육과 지불 및 정산 방법
KR101578054B1 (ko) 2015-06-02 2015-12-16 에스와이엔터프라이즈 유한책임회사 과외 조건에 기초한 온라인 강사-학생 매칭 지원 장치 및 방법
KR101771797B1 (ko) 2015-08-21 2017-08-25 주식회사 튜터링 모바일 과외 플랫폼 서버 및 그것을 이용한 과외 서비스 제공 방법
KR101898103B1 (ko) 2017-04-04 2018-09-14 공대선 온라인 그룹 과외 제공 방법 및 그 시스템
KR101923704B1 (ko) 2017-08-18 2018-11-29 주식회사 튜터링 온디맨드 기반의 모바일 과외 서비스 장치 및 방법
KR101873926B1 (ko) * 2017-11-22 2018-07-04 김광호 빅데이터 기반 의료자문 서비스 제공 방법

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115167726A (zh) * 2022-07-08 2022-10-11 上海百家云科技有限公司 一种基于直播学习平台的辅导方式确定方法和确定装置

Similar Documents

Publication Publication Date Title
US11983723B2 (en) Tracking digital credential usage in a sensor-monitored environment
US11651702B2 (en) Systems and methods for prediction of student outcomes and proactive intervention
KR101829814B1 (ko) 교육기관과 연계하는 원격 교육시스템 및 그 방법
CN109670765A (zh) 学术项目推荐
US20220375015A1 (en) Systems and methods for experiential skill development
JP2014512587A (ja) 通信授業のために他人の時間を予約するシステムおよび方法
KR102319077B1 (ko) 온라인 지원자 이력 제공 및 채용 방법, 장치, 및 시스템
US20190080295A1 (en) System, apparatus, and method for generating testing schedules for standarized tests
US20190108469A1 (en) Schedule management systems and methods
WO2021092165A1 (en) Systems and methods for objective-based skill training
US11024190B1 (en) Online classes and learning compliance systems and methods
KR102217122B1 (ko) 어플리케이션 기반 과외 매칭 방법 및 장치
KR101576468B1 (ko) 방과후학교 관리 시스템 및 그의 방과후학교 관리방법
KR102011255B1 (ko) 수업 매칭 시스템 및 이에 의한 수업 매칭 방법
US20220375017A1 (en) System and method for integrating an online platform with computing system infrastructures of educational institutions
KR102179086B1 (ko) 컨벤션 참가자 매칭 방법, 장치, 및 시스템
US20160232800A1 (en) Integrated social classroom and performance scoring
KR20190118422A (ko) 블루투스를 이용한 전자 출결 방법 및 그 시스템
US20220277271A1 (en) A career mentoring system and method
CN110879865B (zh) 核身产品的推荐方法和装置
Davia et al. Cloud computing services and architecture for education
US20130086171A1 (en) System and method for providing trending information related to individual passions
KR102173401B1 (ko) 정부 캠페인 시청 및 리워딩 방법, 장치, 및 시스템
KR20160011769A (ko) 강의 평가에 대한 인센티브를 부여하는 온라인 강의 시스템 및 이를 이용한 온라인 강의 서비스 제공 방법
KR102650587B1 (ko) 정량적 기준 및 정성적 기준을 고려한 계약 중개인에 대한 평가 및 매칭 솔루션 제공 방법, 장치 및 시스템

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant