KR102377320B1 - Apparatus and method for suggesting learning path - Google Patents

Abstract

본 발명은 인공 지능 기반의 학습 모델을 이용하여 학생의 학업을 지도하기 위해, 학습 맵을 생성하고, 학습 맵 상에서 학생의 현재 수준을 고려하여 최적의 학습 방안을 제공하는 기술에 관한 것이다. 본 발명의 일 측면에 따르면, 학습 경로 추천 장치에 의해 수행되는 방법으로서, 학생의 현재 학습 수준 및 목표 학습 수준을 입력 받는 단계; 학습 개념 및 연관 관계로 표현되는 학습 맵 상에서 상기 현재 학습 수준에서 상기 목표 학습 수준에 이르는 학습 경로를 검색하는 단계; 및 검색된 학습 경로에 따른 학습 개념에 대응하는 문제 리스트를 제공하는 단계;를 포함하는, 학습 경로 추천 방법이 제공된다.The present invention relates to a technology that creates a learning map to guide a student's studies using an artificial intelligence-based learning model and provides an optimal learning plan by considering the student's current level on the learning map. According to one aspect of the present invention, a method performed by a learning path recommendation device includes: receiving a student's current learning level and target learning level; Searching for a learning path from the current learning level to the target learning level on a learning map represented by learning concepts and associations; and providing a list of problems corresponding to learning concepts according to the searched learning path. A learning path recommendation method is provided, including.

Description

학습 경로 추천 장치 및 그 방법{APPARATUS AND METHOD FOR SUGGESTING LEARNING PATH}Learning path recommendation device and method {APPARATUS AND METHOD FOR SUGGESTING LEARNING PATH}

본 발명은 인공 지능 기반의 학습 모델을 이용하여 학생의 학업을 지도하기 위해, 학습 맵을 생성하고, 학습 맵 상에서 학생의 현재 수준을 고려하여 최적의 학습 방안을 제공하는 기술에 관한 것이다. The present invention relates to a technology that creates a learning map to guide a student's studies using an artificial intelligence-based learning model and provides an optimal learning plan by considering the student's current level on the learning map.

최근 학습 커리큘럼의 체계화됨에 따라 이에 맞는 학습 지도 시스템의 도입이 중요한 이슈가 되고 있다. 많은 수의 학생은 각각 상이한 학습 수준 및 발전 속도가 차이가 있음에도 이들을 지도하기 위한 선생님의 수는 현저히 적은 현실이다. 이러한 교육 환경에서 선생님이 일일이 개별 학생 수준을 평가하고 이에 따른 학습 지도를 제공하는 것은 사실상 불가능할 수 밖에 없는 실정이다.Recently, as the learning curriculum has become systematized, the introduction of a learning guidance system appropriate for it has become an important issue. Although there are a large number of students with different learning levels and development speeds, the number of teachers to guide them is significantly small. In this educational environment, it is virtually impossible for teachers to individually evaluate each student's level and provide learning guidance accordingly.

한국 공개특허공보 공개번호 제10-2020-0103146호(발명의 명칭: 온톨로지 기반의 지식맵을 활용한 인공지능 학습진단 시스템)Korean Patent Publication No. 10-2020-0103146 (Title of invention: Artificial intelligence learning diagnosis system using ontology-based knowledge map)

따라서, 본 발명의 목적은 인공지능 학습 모델을 기반으로 학업의 커리큘럼을 기반으로 학습 맵을 생성하고 이를 기반으로 학생의 수준을 평가하여 학습 지도를 위함 문제를 제공하는 기술을 제공하는 것이다. Therefore, the purpose of the present invention is to provide a technology that generates a learning map based on an academic curriculum based on an artificial intelligence learning model, evaluates the student's level based on this, and provides problems for learning guidance.

본 발명의 일 측면에 따르면, 학습 경로 추천 장치에 의해 수행되는 방법으로서, 학생의 현재 학습 수준 및 목표 학습 수준을 입력 받는 단계; 학습 개념 및 연관 관계로 표현되는 학습 맵 상에서 상기 현재 학습 수준에서 상기 목표 학습 수준에 이르는 학습 경로를 검색하는 단계; 및 검색된 학습 경로에 따른 학습 개념에 대응하는 문제 리스트를 제공하는 단계;를 포함하는, 학습 경로 추천 방법이 제공된다.According to one aspect of the present invention, a method performed by a learning path recommendation device includes: receiving a student's current learning level and target learning level; Searching for a learning path from the current learning level to the target learning level on a learning map represented by learning concepts and associations; and providing a list of problems corresponding to learning concepts according to the searched learning path. A learning path recommendation method is provided, including.

일 실시예에서, 학습 경로를 검색하는 단계는, 다익스트라(Dijkstra), 벨만포드(Bellman-Ford's), 플로이드-워셜(Floyd-Warshall) 및 에이스타(A star) 중 어느 하나의 패스 파인딩 알고리즘(path finding algorithm)을 기반으로 최적 학습 경로를 검색할 수 있다.In one embodiment, the step of searching for a learning path includes using any one of Dijkstra, Bellman-Ford's, Floyd-Warshall, and A star path finding algorithms ( The optimal learning path can be searched based on the path finding algorithm.

일 실시예에서, 문제 리스트를 제공하는 단계는, 제1 문제 리스트에 대한 학생의 풀이 정보를 입력 받고, 학생 수준 및 문제 풀이 정보를 기반으로 미리 학습된 LSTM 강화 학습 모델을 이용하여, 제2 문제 리스트를 제공할 수 있다.In one embodiment, the step of providing a problem list includes receiving the student's solution information for the first problem list, using a pre-trained LSTM reinforcement learning model based on the student's level and problem solution information, and solving the second problem. A list can be provided.

일 실시예에서, 풀이 정보는, 문제 리스트의 문제 정보, 문제 난이도 정보 및 정오 정보를 포함할 수 있다.In one embodiment, the solution information may include problem information, problem difficulty information, and error information of the problem list.

일 실시예에서, 연관 관계는, 복수의 학습 용어 간의 선행학습 관계, 포함 관계 및 결합 문제 출제 관계 중 적어도 하나를 포함할 수 있다.In one embodiment, the association relationship may include at least one of a prior learning relationship, an inclusion relationship, and a combination problem question relationship between a plurality of learning terms.

본 발명의 일 측면에 따르면, 학생의 수준 맞는 학습 지도를 가능하게 한다. According to one aspect of the present invention, it is possible to provide learning guidance appropriate to the student's level.

도 1은 학습 지도 시스템을 설명하기 위한 도면.
도 2 내지 도 7은 본 발명의 일 실시예에 따른 학습 맵 생성 장치를 설명하기 위한 도면.
도 8 내지 도 15은 본 발명의 일 실시예에 따른 학업 수준 결정 장치를 설명하기 위한 도면.
도 16 내지 도 20은 본 발명의 일 실시예에 다른 학습 경로 추천 장치를 설명하기 위한 도면.
도 21는 본 발명의 다른 실시예에 따른 학습 지도 시스템의 블록도.1 is a diagram for explaining a learning guidance system.
2 to 7 are diagrams for explaining a learning map generating device according to an embodiment of the present invention.
8 to 15 are diagrams for explaining a device for determining academic level according to an embodiment of the present invention.
16 to 20 are diagrams for explaining a learning path recommendation device according to an embodiment of the present invention.
Figure 21 is a block diagram of a learning guidance system according to another embodiment of the present invention.

본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고 이를 상세한 설명을 통해 상세히 설명하고자 한다. 그러나, 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 본 발명을 설명함에 있어서, 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 본 명세서 및 청구항에서 사용되는 단수 표현은, 달리 언급하지 않는 한 일반적으로 "하나 이상"을 의미하는 것으로 해석되어야 한다.Since the present invention can make various changes and have various embodiments, specific embodiments will be illustrated in the drawings and described in detail through detailed description. However, this is not intended to limit the present invention to specific embodiments, and should be understood to include all changes, equivalents, and substitutes included in the spirit and technical scope of the present invention. In describing the present invention, if it is determined that a detailed description of related known technologies may unnecessarily obscure the gist of the present invention, the detailed description will be omitted. Additionally, as used in this specification and claims, the singular expressions “a,” “a,” and “an” should generally be construed to mean “one or more,” unless otherwise specified.

이하, 본 발명의 바람직한 실시예를 첨부도면을 참조하여 상세히 설명하기로 하며, 첨부 도면을 참조하여 설명함에 있어, 동일하거나 대응하는 구성 요소는 동일한 도면번호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다.Hereinafter, preferred embodiments of the present invention will be described in detail with reference to the accompanying drawings. In the description with reference to the accompanying drawings, identical or corresponding components will be assigned the same drawing numbers and redundant description thereof will be omitted. Do this.

도 1은 학습 지도 시스템을 설명하기 위한 도면이다. Figure 1 is a diagram for explaining a learning guidance system.

도 1을 참조하면, 학습 지도 시스템(1000)은 학습 커리큘럼 데이터 및 학교 교재 데이터를 입력 받아 학습 맵을 생성하는 학습 맵 생성 장치(1100), 학생의 문제 풀이 데이터를 입력 받아 학습 맵 상에서 학생의 학업 수준을 결정하는 학업 수준 결정 장치(1200) 및 학습 목표를 입력 받아 학습 맵 상에서 학생의 학업 수준에 맞는 학습 경로를 추천하는 학습 경로 추천 장치(1300)를 포함할 수 있다. Referring to FIG. 1, the learning guidance system 1000 includes a learning map generating device 1100 that receives learning curriculum data and school textbook data and generates a learning map, and receives student problem solving data and performs the student's academic work on the learning map. It may include an academic level determination device 1200 that determines the level and a learning path recommendation device 1300 that receives learning goals and recommends a learning path appropriate for the student's academic level on the learning map.

일 실시예에서, 학습 맵 생성 장치(1100), 학업 수준 결정 장치(1200) 및 학습 경로 추천 장치(1300) 중 적어도 2 이상은 하나의 장치로 구현될 수 있다. In one embodiment, at least two of the learning map generating device 1100, the academic level determining device 1200, and the learning path recommending device 1300 may be implemented as one device.

이하, 학습 맵 생성 장치(1100), 학업 수준 결정 장치(1200) 및 학습 경로 추천 장치(1300) 각각에 대해 상세히 설명한다. Hereinafter, each of the learning map generating device 1100, the academic level determining device 1200, and the learning path recommending device 1300 will be described in detail.

도 2는 본 발명의 일 실시예에 따른 학습 맵 생성 장치의 블록도이다. Figure 2 is a block diagram of a learning map generating device according to an embodiment of the present invention.

도 2를 참조하면, 학습 맵 생성 장치(1100)는 커리큘럼 입력부(1110), 학습 용어 추출부(1120), 연관 관계 추출부(1130), 학습 맵 생성부(1140), 난이도 추출부(1150) 및 문제 난이도 데이터 생성부(1160)를 포함할 수 있다. Referring to FIG. 2, the learning map generating device 1100 includes a curriculum input unit 1110, a learning term extracting unit 1120, a correlation extracting unit 1130, a learning map generating unit 1140, and a difficulty extracting unit 1150. and a problem difficulty data generation unit 1160.

커리큘럼 입력부(1110)는 학습 맵을 생성하는데 사용되는 학습 커리큘럼 데이터, 학습 교재 데이터, 문제집 데이터, 기출 문제 시험지 등의 데이터를 입력 받을 수 있다. 여기서, 입력되는 데이터는 워드 파일 등과 같이 별도의 처리 없이 텍스트를 검출할 텍스트 형태의 데이터, 이미지를 텍스트로 변환 처리가 요구되는 이미지 형태의 데이터일 수 있다. The curriculum input unit 1110 can receive data such as learning curriculum data, learning textbook data, workbook data, and past exam papers used to create a learning map. Here, the input data may be text-type data to detect text without additional processing, such as a word file, or image-type data that requires conversion of an image into text.

일 실시예에서, 커리큘럼 입력부(1110)는 이미지 형태의 문서로부터 문자, 기호 등을 추출할 수 있다. 예를 들어, 커리큘럼 입력부(1110)는 입력된 학습 커리큘럼 데이터, 학습 교재 등의 데이터가 이미지 형태의 데이터인 경우, OCR(optical character recognition) 등의 문자 추출 기술을 기반으로, 문자, 기호, 수식 등을 추출할 수 있다. In one embodiment, the curriculum input unit 1110 may extract characters, symbols, etc. from a document in the form of an image. For example, when the input learning curriculum data, learning materials, etc. are data in the form of images, the curriculum input unit 1110 uses characters, symbols, formulas, etc. based on character extraction technology such as OCR (optical character recognition). can be extracted.

일 실시예에서, 커리큘럼 입력부(1110)는 학습 커리큘럼 데이터, 학습 교재 등의 데이터에 수학식이 포함된 경우, 도 3에 도시된 바와 같이, 수학식을 LaTeX 형식으로 변환할 수 있다. In one embodiment, the curriculum input unit 1110, when data such as learning curriculum data or learning materials includes a mathematical equation, may convert the mathematical equation into LaTeX format, as shown in FIG. 3.

학습 용어 추출부(1120)는 학습 커리큘럼 데이터, 학습 교재 등의 데이터로부터 추출된 문자, 기호 등으로부터 학습 용어를 추출할 수 있다. 여기서, 학습 용어는 예를 들어, 수학에서는 분수, 약수, 자연수, 덧셈, 뺄셈, 곱셈, 나눗셈 등과 같은 특정 개념을 형성하는 용어를 의미할 수 있다. The learning term extractor 1120 may extract learning terms from characters, symbols, etc. extracted from data such as learning curriculum data and learning textbooks. Here, in mathematics, for example, a learning term may mean a term that forms a specific concept such as a fraction, divisor, natural number, addition, subtraction, multiplication, division, etc.

일 실시예에서, 학습 용어 추출부(1120)는 인공지능 언어모델인 BERT(Bidirectional Encoder Representations from Transformers) 기반으로 학습 용어를 추출할 수 있다. 구체적으로, 학습 용어 추출부(1120)는 학습 커리큘럼 데이터, 학습 교재 등의 데이터로부터 추출된 문자, 기호 등에서, BERT를 기반으로 Neural Sequence Labeling을 수행함으로써, 학습 용어를 추출할 수 있다. 이때, 추출되는 학습 용어는 도 4에 도시된 바와 같이, BIO tag 형식으로 분류될 수 있다. 이를 위해 학습 용어 추출부(1120)는 학습 커리큘럼 데이터, 학습 교재 등의 데이터로부터 추출된 문자, 기호 등에서 학습 용어를 추출하도록 BERT 기반으로 미리 학습된 모델을 이용할 수 있다.In one embodiment, the learning term extractor 1120 may extract learning terms based on BERT (Bidirectional Encoder Representations from Transformers), an artificial intelligence language model. Specifically, the learning term extractor 1120 can extract learning terms from characters, symbols, etc. extracted from data such as learning curriculum data and learning textbooks by performing Neural Sequence Labeling based on BERT. At this time, the extracted learning terms can be classified in BIO tag format, as shown in FIG. 4. To this end, the learning term extractor 1120 may use a model pre-trained based on BERT to extract learning terms from characters, symbols, etc. extracted from data such as learning curriculum data and learning textbooks.

연관 관계 추출부(1130)는 학습 용어들 간의 연관 관계를 추출할 수 있다. 여기서, 연관 관계는 학습 용어들 간의 논리적 선후 관계, 학습적 선후 관계, 포함 관계, 결합 문제 출제 관계 등을 의미할 수 있다. 또한, 연관관계는 학습 용어들이 학습되어야 하는 초,중,고, 대학교, 학년, 학기 단위로 구분될 수 있다.The association relationship extractor 1130 may extract associations between learning terms. Here, the association relationship may mean a logical precedence relationship, a learning precedence relationship, an inclusion relationship, a combination problem question relationship, etc. between learning terms. Additionally, the relationship can be divided into elementary, middle, high school, university, grade, and semester units in which learning terms must be learned.

일 실시예에서, 연관 관계 추출부(1130)는 추출된 학습 용어들을 임베딩(embedding)하여 벡터 값으로 변환하고, 학습 용어들이 변환된 벡터 값들의 코사인 유사도를 학습 용어들 간의 연관 관계로 추출할 수 있다. 이 때, 연관 관계 추출부(1130)는 Universal Encoder, Sentence BERT 등을 기반으로 학습 용어들을 임베딩할 수 있다. 예를 들어, 도 5를 참조하면, 도 5 (a)는 학습 용어 덧셈 및 뺄셈과 이들의 연관 관계인 전제(학습적 선행 관계)가 추출된 예시이며, 도 5 (b)는 학습 용어 함수와 역함수와 이들의 연관 관계가 포함 관계가 추출된 예시를 나타낸다.In one embodiment, the association extractor 1130 may embed the extracted learning terms and convert them into vector values, and extract the cosine similarity of the vector values into which the learning terms have been converted as the association relationship between the learning terms. there is. At this time, the correlation extractor 1130 may embed learning terms based on Universal Encoder, Sentence BERT, etc. For example, referring to Figure 5, Figure 5 (a) is an example of the learning terms addition and subtraction and their related premises (learning antecedents) extracted, and Figure 5 (b) is an example of the learning term functions and inverse functions. and their related relationships represent examples of extracted relationships.

학습 맵 생성부(1140)는 학습 용어 및 학습 용어들 간의 연관 관계를 기반으로 시각화된 학습 맵을 생성할 수 있다. The learning map generator 1140 may generate a visualized learning map based on learning terms and associations between learning terms.

일 실시예에서, 학습 맵 생성부(1140)는 도 6에 도시된 바와 같이, 학습 용어들을 노드, 연관 관계를 노드들 간의 거리로 표현되는 학습 맵을 생성할 수 있다. 여기서, 노드들 간을 연결하는 화살표의 방향은 논리적 선후 관계 또는 학습적 선후 관계를 의미할 수 있다.In one embodiment, the learning map generator 1140 may generate a learning map in which learning terms are expressed as nodes and correlations are expressed as distances between nodes, as shown in FIG. 6 . Here, the direction of the arrow connecting the nodes may mean a logical precedence relationship or a learning precedence relationship.

일 실시예에서, 학습 맵 생성부(1140)는 t-SNE(Stochastic Nearest Neighbor) 알고리즘을 기반으로 2차원 공간에 표현되는 학습 맵을 생성할 수 있다. 난이도 추출부(1150)는 문제집 등으로부터 추출된 학습 용어들의 난이도를 추출할 수 있다. In one embodiment, the learning map generator 1140 may generate a learning map expressed in a two-dimensional space based on the t-SNE (Stochastic Nearest Neighbor) algorithm. The difficulty extraction unit 1150 can extract the difficulty level of learning terms extracted from workbooks, etc.

일 실시예에서, 학습 용어들의 난이도는 연관 관계 즉, 결합 출제되는 학습 용어와의 관계에서 결정될 수 있다. 예를 들어, 난이도 추출부(1150)는 문제 1에 학습 용어 2 및 학습 용어 10이 포함되고, 학습 용어 10이 학습 용어 2 보다 후에 학습해야 하는 내용(즉, 학습 용어 2는 중학교 2학년, 학습 용어 10은 중학교 3학년에 학습해야 하는 내용인 경우)에, 학습 용어 2의 난이도를 높게 결정할 수 있다. In one embodiment, the difficulty level of learning terms may be determined based on a relationship, that is, a relationship with learning terms that are presented in combination. For example, the difficulty extraction unit 1150 determines that problem 1 includes learning term 2 and learning term 10, and learning term 10 is content that must be learned later than learning term 2 (i.e., learning term 2 is the second year of middle school, learning term 10). If term 10 is content that must be learned in the third year of middle school), the difficulty level of learning term 2 can be determined to be high.

문제 난이도 데이터 생성부(1160)는 문제집 데이터에 포함된 문제, 이들 문제로부터 추출된 학습 용어 및 이들 학습 용어들에 대한 난이도 데이터를 포함하는 문제 난이도 데이터를 생성할 수 있다. The problem difficulty data generation unit 1160 may generate problem difficulty data including problems included in workbook data, learning terms extracted from these problems, and difficulty data for these learning terms.

일 실시예에서, 문제 난이도 데이터는 아래 표 1 및 표 2와 같은 데이터 구조를 가질 수 있다. In one embodiment, the problem difficulty data may have a data structure as shown in Tables 1 and 2 below.

표 1은 학습 용어를 기준으로 각 학습 용어를 포함하는 문제의 일련 번호 및 그에 따른 학습 용어의 나이도가 분류되어 있다.Table 1 classifies the serial number of problems containing each learning term and the corresponding age of the learning term based on the learning term.

표 2는 문제 일련 번호를 기준으로, 각 문제에 포함된 학습 용어의 일련 번호 및 난이도가 분류되어 있다. Table 2 classifies the serial number and difficulty level of the learning terms included in each problem based on the problem serial number.

도 7은 본 발명의 일 실시예에 따른 학습 맵 생성 방법의 흐름도이다. Figure 7 is a flowchart of a learning map generation method according to an embodiment of the present invention.

이하, 도 2에 도시된 학습 맵 생성 장치(1100)에 의해 도 7의 방법이 수행되는 것을 예시로 설명하는 바, 도 2에 도시된 학습 맵 생성 장치(1100)에 대한 설명은 도 7의 방법에 확장됨은 자명하다. Hereinafter, the method of FIG. 7 will be described as an example in which the learning map generating device 1100 shown in FIG. 2 is performed. The description of the learning map generating device 1100 shown in FIG. 2 is the method of FIG. 7. It is obvious that it extends to .

단계 S7100에서, 학습 맵 생성 장치(1100)는 학습 커리큘럼 데이터, 학습 교재 데이터, 문제집 데이터, 기출 문제 시험지 등의 데이터를 입력 받을 수 있다.In step S7100, the learning map generating device 1100 may receive data such as learning curriculum data, learning textbook data, workbook data, and past question test papers.

일 실시예에서, 학습 커리큘럼 데이터, 학습 교재 데이터, 문제집 데이터, 기출 문제 시험지 등의 데이터는 별도의 데이터 처리 없이 문자, 기호 등을 추출할 수 있는 텍스트 형태의 데이터, 이미지에 포함된 문자, 기호 등을 추출하기 위해 문자, 기호 등을 추출하기 위한 데이터 처리가 요구되는 이미지 형태의 데이터일 수 있다. In one embodiment, data such as learning curriculum data, learning textbook data, workbook data, and previous exam questions are data in text form from which characters, symbols, etc. can be extracted without separate data processing, characters, symbols, etc. included in images, etc. It may be data in the form of an image that requires data processing to extract characters, symbols, etc.

일 실시예에서, 학습 맵 생성 장치(1100)는 학습 커리큘럼 데이터, 학습 교재 데이터, 문제집, 기출 문제 시험지 등의 데이터가 이미지 형태의 데이터인 경우, OCR을 기반으로 텍스트로 변환하여 문자 기호 등을 추출할 수 있다. In one embodiment, the learning map generating device 1100 converts data such as learning curriculum data, learning textbook data, workbooks, and past question test papers into image data by converting it to text based on OCR to extract character symbols, etc. can do.

일 실시예에서, 학습 커리큘럼 데이터, 학습 교재 데이터, 문제집, 기출 문제 시험지 등의 데이터에 수학식이 포함된 경우, 수학식을 LaTeX 형식으로 변환할 수 있다.In one embodiment, when data such as learning curriculum data, learning textbook data, workbooks, and past exam papers contain mathematical expressions, the mathematical expressions may be converted to LaTeX format.

단계 S7200에서, 학습 맵 생성 장치(1100)는 학습 커리큘럼 데이터 및 학습 교재 데이터로부터 복수의 학습 용어를 추출할 수 있다. 여기서, 학습 용어는 수학에서는 분수, 약수, 자연수, 덧셈, 뺄셈, 곱셈, 나눗셈 등과 같은 특정 개념을 형성하는 용어를 의미할 수 있다. In step S7200, the learning map generating device 1100 may extract a plurality of learning terms from the learning curriculum data and learning textbook data. Here, learning terms may mean terms that form specific concepts such as fractions, divisors, natural numbers, addition, subtraction, multiplication, division, etc. in mathematics.

일 실시예에서, 학습 맵 생성 장치(1100)는 인공지능 언어모델인 BERT(Bidirectional Encoder Representations from Transformers) 기반으로 학습 용어를 추출할 수 있다. 구체적으로, 학습 맵 생성 장치(1100)는 학습 커리큘럼 데이터, 학습 교재 등의 데이터로부터 추출된 문자, 기호 등에서, BERT를 기반으로 Neural Sequence Labeling을 수행함으로써, 학습 용어를 추출할 수 있다. 이를 위해 학습 맵 생성 장치(1100)는 학습 커리큘럼 데이터, 학습 교재 등의 데이터로부터 추출된 문자, 기호 등에서 학습 용어를 추출하도록 BERT 기반으로 미리 학습된 모델을 이용할 수 있다.In one embodiment, the learning map generating device 1100 may extract learning terms based on BERT (Bidirectional Encoder Representations from Transformers), an artificial intelligence language model. Specifically, the learning map generating device 1100 can extract learning terms from characters, symbols, etc. extracted from data such as learning curriculum data and learning textbooks by performing Neural Sequence Labeling based on BERT. To this end, the learning map generating device 1100 may use a model previously trained based on BERT to extract learning terms from characters, symbols, etc. extracted from data such as learning curriculum data and learning textbooks.

단계 S7300에서, 학습 맵 생성 장치(1100)는 추출된 복수의 학습 용어 간의 연관 관계를 추출할 수 있다. 여기서, 연관 관계는 학습 용어들 간의 논리적 선후 관계, 학습적 선후 관계, 포함 관계,, 결합 문제 출제 관계 등을 의미할 수 있다. In step S7300, the learning map generating device 1100 may extract the association between the plurality of extracted learning terms. Here, the association relationship may mean a logical precedence relationship, a learning precedence relationship, an inclusion relationship, a combination problem question relationship, etc. between learning terms.

일 실시예에서, 학습 맵 생성 장치(1100)는 추출된 학습 용어들을 임베딩(embedding)하여 벡터 값으로 변환하고, 학습 용어들이 변환된 벡터 값들의 코사인 유사도를 학습 용어들 간의 연관 관계로 추출할 수 있다. 이 때, 학습 맵 생성 장치(1100)는 Universal Encoder, Sentence BERT 등을 기반으로 학습 용어들을 임베딩할 수 있다. In one embodiment, the learning map generating device 1100 may embed the extracted learning terms and convert them into vector values, and extract the cosine similarity of the vector values into which the learning terms are converted as an association relationship between the learning terms. there is. At this time, the learning map generating device 1100 may embed learning terms based on Universal Encoder, Sentence BERT, etc.

단계 S7400에서, 학습 맵 생성 장치(1100)는 학습 용어 및 연관 관계를 기반으로 시각화된 학습 맵을 생성할 수 있다. In step S7400, the learning map generating device 1100 may generate a visualized learning map based on learning terms and correlations.

일 실시예에서, 학습 맵 생성 장치(1100)는 학습 용어들을 노드, 연관 관계를 노드들 간의 거리로 표현되는 학습 맵을 생성할 수 있다.In one embodiment, the learning map generating device 1100 may generate a learning map in which learning terms are expressed as nodes and association relationships are expressed as distances between nodes.

일 실시예에서, 학습 맵 생성 장치(1100)는 t-SNE(Stochastic Nearest Neighbor) 알고리즘을 기반으로 2차원 또는 3차원 공간에 표현되는 학습 맵을 생성할 수 있다.In one embodiment, the learning map generating device 1100 may generate a learning map expressed in two-dimensional or three-dimensional space based on the t-SNE (Stochastic Nearest Neighbor) algorithm.

단계 S7500에서, 학습 맵 생성 장치(1100)는 학습 용어의 난이도를 추출할 수 있다. 구체적으로, 학습 맵 생성 장치(1100)는 문제집 데이터에 포함된 문제들에 포함된 학습 용어들의 난이도를 추출할 수 있다. In step S7500, the learning map generating device 1100 may extract the difficulty level of the learning term. Specifically, the learning map generating device 1100 may extract the difficulty level of learning terms included in problems included in workbook data.

단계 S7600에서, 학습 맵 생성 장치(1100)는 추출된 학습 용어들의 난이도를 기반으로 문제집 데이터에 포함된 문제, 이들 문제에 포함된 학습 용어, 이들 학습 용어의 난이도를 포함하는 문제 난이도 데이터를 생성할 수 있다.In step S7600, the learning map generating device 1100 generates problem difficulty data including problems included in the workbook data, learning terms included in these problems, and the difficulty level of these learning terms based on the difficulty level of the extracted learning terms. You can.

도 8은 본 발명의 일 실시예에 따른 학생 학업 수준 결정 장치의 블록도이다. Figure 8 is a block diagram of a device for determining a student's academic level according to an embodiment of the present invention.

도 8을 참조하면, 학생 학업 수준 결정 장치(1200)는 현재 수준 정보 입력부(1210), 테스트 문제 결정부(1220) 및 학업 수준 결정부(1230)를 포함할 수 있다. Referring to FIG. 8 , the device 1200 for determining a student's academic level may include a current level information input unit 1210, a test question determination unit 1220, and an academic level determination unit 1230.

현재 수준 정보 입력부(1210)은 학생의 현재 학업 정보, 즉, 초등학교, 중학교, 고등학교, 대학교, 대학원 등 어느 하나에 해당하고, 학년 및 학기에 대한 정보를 포함하는 현재 학업 정보를 입력 받을 수 있다. The current level information input unit 1210 can receive the student's current academic information, that is, current academic information corresponding to any one of elementary school, middle school, high school, university, graduate school, etc., and including information about grade and semester.

테스트 문제 결정부(1220)는 학생의 현재 학업 수준을 결정하는데 이용되는 문제인 테스트 문제를 결정할 수 있다. 이때, 테스트 문제는 학습 맵 생성 장치(1100)에 의해 생성된 문제 난이도 데이터 중에서 결정된다. 구체적으로, 테스트 문제 결정부(1220)는 학습 맵 상에서 학생의 현재 학업 정보에 대응하는 학습 용어를 선택하고, 선택된 학습 용어를 포함하는 적어도 하나의 문제를 문제 난이도 데이터에 포함된 문제 중에서 결정할 수 있다. The test question determination unit 1220 may determine a test question that is used to determine the student's current academic level. At this time, the test problem is determined from the problem difficulty data generated by the learning map generating device 1100. Specifically, the test problem determination unit 1220 selects a learning term corresponding to the student's current academic information on the learning map, and determines at least one problem including the selected learning term from among the problems included in the problem difficulty data. .

일 실시예에서, 테스트 문제 결정부(1220)는 하나의 학습 용어에 대해 상이한 난이도가 포함될 수 있도록, 테스트 문제를 결정할 수 있다. In one embodiment, the test problem determination unit 1220 may determine a test problem so that different levels of difficulty can be included for one learning term.

학업 수준 결정부는 학생이 테스트 문제를 풀이한 정오 정보를 기반으로 학습 맵 상에서 학생의 학업 수준을 결정할 수 있다. The academic level determination unit can determine the student's academic level on the learning map based on the information obtained by the student solving the test questions.

일 실시예에서, 학업 수준 결정부(1230)는 정오 정보를 기반으로 학생이 풀이한 문제들에 포함된 학습 용어에 대한 이해 여부를 판단할 수 있다. In one embodiment, the academic level determination unit 1230 may determine whether the student understands the learning terms included in the problems solved based on the information.

일 실시예에서, 학업 수준 결정부(1230)는 Bi-LSTM을 기반으로 미리 학습된 모델을 이용하여, 학생이 풀이한 문제들에 포함된 학습 용어에 대한 이해 여부를 판단할 수 있다. 구체적으로, 도 9를 참조하면, 학생이 풀이한 문제들에 포함된 학습 용어, 정오 정보를 예시적으로 나타낸 표이며, 도 11을 참조하면 학생이 풀이한 문제를 행, 문제들로부터 추출된 학습 용어를 열로 표현한 학습 용어 매트릭스이며, 각 문제에 포함된 학습 용어는 1, 각 문제에 포함되지 않은 학습 용어는 0으로 값을 설정한 예시가 도시된다. 또한, 도 10을 참조하면, 학생이 풀이한 문제를 행, 정오 정보를 열로 표현한 정오 매트릭스이며, 학습 용어가 문제에 포함되고 정답인 경우에는 1, 학습 용어가 포함되지 않은 경우에는 -1, 학습 용어가 포함되었으나 오답인 경우에는 0으로 값을 설정한 예가 도시된다. 도 13은 학습 용어 매트릭스 및 정오 매트릭스 각각의 n 번째 열을 임베딩하고 그 합을, BI-LSTM 기반으로 미리 학습된 모델에 입력함으로써, 학습 용어 각각에 대한 학생의 이해 여부를 판단할 수 있다. 상기 도 10에서는 발명의 이해를 돕기 위해 난이도에 대한 반영을 생략하였다.In one embodiment, the academic level determination unit 1230 may use a pre-trained model based on Bi-LSTM to determine whether the student understands the learning terms included in the problems solved. Specifically, referring to Figure 9, it is a table illustrating the learning terms and error information included in the problems solved by the student, and referring to Figure 11, the learning terms extracted from the problems solved by the student are shown. It is a learning term matrix expressing terms in columns, and an example is shown where learning terms included in each problem are set to 1, and learning terms not included in each problem are set to 0. In addition, referring to Figure 10, it is a confusion matrix that expresses the problem solved by the student as a row and the error information as a column, and is 1 if the learning term is included in the problem and the correct answer is, -1 if the learning term is not included, and learning If a term is included but the answer is incorrect, an example of setting the value to 0 is shown. Figure 13 shows that the student's understanding of each learning term can be determined by embedding the nth column of each of the learning term matrix and the confusion matrix and inputting the sum into a pre-trained model based on BI-LSTM. In FIG. 10, reflection of difficulty level was omitted to facilitate understanding of the invention.

학업 수준 결정부(1230)는 학습 용어에 대한 학생의 이해 여부 판단 결과를 학습 맵 상에 매핑할 수 있다. 구체적으로, 도 14를 참조하면, 학업 수준 결정부(1230)는 학생이 풀이한 문제들에 포함된 학습 용어를 노드 6, 노드 7, 노드 9, 노드 10, 노드 11, 노즈 13, 노드 14, 노드 15, 노드 17 및 노드 18에 대응하여 매핑할 수 있다. 도 15를 참조하면, 학업 수준 결정부(1230)는 도 13와 같이 학습 용어가 매핑된 이후, 학생이 학습 용어에 대한 이해 여부 판단 결과에 따라, 학생이 이해한 것으로 판단된 노드 6, 노드 7, 노드 9, 노드 10, 노드 13 및 노드 14와 학생이 이해하지 못한 것으로 판단된 노드 11, 노드 15, 노드 17 및 노드 18을 도 13에 표시된 도면에 반영함으로써, 도 14와 같이 나타낼 수 있다. The academic level determination unit 1230 may map the results of determining whether the student understands the learning terms on the learning map. Specifically, referring to FIG. 14, the academic level determination unit 1230 divides the learning terms included in the problems solved by the student into node 6, node 7, node 9, node 10, node 11, node 13, node 14, It can be mapped corresponding to node 15, node 17, and node 18. Referring to FIG. 15, after the learning term is mapped as shown in FIG. 13, the academic level determination unit 1230 selects node 6 and node 7 that are determined to be understood by the student, according to the result of determining whether the student understands the learning term. , node 9, node 10, node 13, and node 14, and node 11, node 15, node 17, and node 18 that were determined not to be understood by the student can be represented as shown in FIG. 14 by reflecting them in the drawing shown in FIG. 13.

학업 수준 결정부(1230)는, 학생의 학습 용어에 대한 이해 여부 판단 결과를 기반으로, 학생의 학업 수준을 결정할 수 있다. 구체적으로, 도 14에서 학생이 이해한 학습 용어 및 학생이 이해하지 못한 학습 용어를 기반으로, 학생의 학업 수준이 노드 7, 노드 13 및 노드 14에 대응하는 수준임을 결정할 수 있다.The academic level determination unit 1230 may determine the student's academic level based on the result of determining whether the student understands the learning terminology. Specifically, in Figure 14, based on the learning terms understood by the student and the learning terms the student did not understand, it can be determined that the student's academic level is a level corresponding to node 7, node 13, and node 14.

도 16은 본 발명의 일 실시예에 학업 수준 결정 방법의 흐름도이다. Figure 16 is a flowchart of a method for determining academic level in one embodiment of the present invention.

이하, 도 8에 도시된 학생 학업 수준 결정 장치(1200)에 의해 도 15의 방법이 수행되는 것을 예시로 설명하는 바, 도 8에 도시된 학생 학업 수준 결정 장치(1200)에 대한 설명은 도 15의 방법에 확장됨은 자명하다. Hereinafter, the method of FIG. 15 will be described as an example in which the method of FIG. 15 is performed by the device 1200 for determining the student academic level shown in FIG. 8. The description of the device 1200 for determining the student academic level shown in FIG. 8 is provided in FIG. 15. It is obvious that the method is extended.

단계 S1510에서, 학생 학업 수준 결정 장치(1200)는 학생의 현재 학업 정보, 즉, 초등학교, 중학교, 고등학교, 대학교, 대학원 등 어느 하나에 해당하고, 학년 및 학기에 대한 정보를 포함하는 현재 학업 정보를 입력 받을 수 있다. In step S1510, the student academic level determination device 1200 determines the student's current academic information, that is, current academic information corresponding to any one of elementary school, middle school, high school, university, graduate school, etc., and including information about grade and semester. You can receive input.

단계 S1520에서, 학생 학업 수준 결정 장치(1200)는 학생의 현재 학업 수준을 결정하는데 이용되는 문제인 테스트 문제를 결정할 수 있다. 이때, 테스트 문제는 학습 맵 생성 장치(1100)에 의해 생성된 문제 난이도 데이터 중에서 결정된다. 구체적으로, 테스트 문제 결정부(1220)는 학습 맵 상에서 학생의 현재 학업 정보에 대응하는 학습 용어를 선택하고, 선택된 학습 용어를 포함하는 적어도 하나의 문제를 문제 난이도 데이터에 포함된 문제 중에서 결정할 수 있다. In step S1520, the student academic level determination device 1200 may determine a test problem that is a problem used to determine the student's current academic level. At this time, the test problem is determined from the problem difficulty data generated by the learning map generating device 1100. Specifically, the test problem determination unit 1220 selects a learning term corresponding to the student's current academic information on the learning map, and determines at least one problem including the selected learning term from among the problems included in the problem difficulty data. .

일 실시예에서, 학업 수준 결정 장치(1200)는 하나의 학습 용어에 대해 상이한 난이도가 포함될 수 있도록, 테스트 문제를 결정할 수 있다. In one embodiment, the academic level determination device 1200 may determine test questions to include different levels of difficulty for one learning term.

학업 수준 결정 장치(1200)는 학생이 테스트 문제를 풀이한 정오 정보를 기반으로 학습 맵 상에서 학생의 학업 수준을 결정할 수 있다. The academic level determination device 1200 may determine the student's academic level on the learning map based on the information obtained by the student solving the test problem.

일 실시예에서, 학업 수준 결정 장치(1200)는 정오 정보를 기반으로 학생이 풀이한 문제들에 포함된 학습 용어에 대한 이해 여부를 판단할 수 있다. In one embodiment, the academic level determination device 1200 may determine whether the student understands the learning terms included in the problems solved based on the information.

단계 S1530에서, 학업 수준 결정 장치(1200)는, 학생의 학습 용어에 대한 이해 여부 판단 결과를 기반으로, 학생의 학업 수준을 결정할 수 있다. 도 16은 본 발명의 일 실시예에 따른 학습 경로 추천 장치의 블록도이다. In step S1530, the academic level determination device 1200 may determine the student's academic level based on the result of determining whether the student understands the learning term. Figure 16 is a block diagram of a learning path recommendation device according to an embodiment of the present invention.

도 16을 참조하면, 학습 경로 추천 장치(1300)는 목표 학습 수준 입력부(1310), 학습 경로 검색부(1320) 및 문제 리스트 제공부(1330)를 포함할 수 있다. Referring to FIG. 16, the learning path recommendation device 1300 may include a target learning level input unit 1310, a learning path search unit 1320, and a problem list providing unit 1330.

목표 학습 수준 입력부(1310)는, 학생의 현재 학업 수준 및 목표 학습 수준을 입력 받을 수 있다. 여기서, 학생의 현재 학업 수준은 학습 맵 상에 매핑된 학생의 현재 학업 수준을 의미하며, 목표 학습 수준은 학습 맵 상에서 학생이 도달하고자 하는 학습 수준을 의미할 수 있다. The target learning level input unit 1310 can receive input of the student's current academic level and target learning level. Here, the student's current academic level may mean the student's current academic level mapped on the learning map, and the target learning level may mean the learning level that the student wants to reach on the learning map.

학습 경로 검색부(1320)는, 학습 맵 상에서 학생의 현재 학업 수준과 목표 학습 수준이 입력되면, 학습 맵 상의 현재 학업 수준에서 목표 학습 수준에 이르는 학습 경로를 검색할 수 있다. 예를 들어, 도 17에 도시된 바와 같이, 학습 매상에서 학생의 현재 학업 수준이 노드 7, 13 및 14이고, 학습 목표가 노드 19로 입력된 경우, 학습 경로는 노드 11에서 시작하여 노드 15, 노드 18 및 노드 17를 순차적으로 거쳐 최종적으로 노드 19에 도달하는 학습 경로를 생성할 수 있다. When the student's current academic level and target learning level are input on the learning map, the learning path search unit 1320 can search for a learning path from the current academic level on the learning map to the target learning level. For example, as shown in Figure 17, if the student's current academic level in the learning module is nodes 7, 13, and 14, and the learning goal is entered as node 19, the learning path starts at node 11, goes to node 15, and then node 15. A learning path can be created that sequentially passes through nodes 18 and 17 and finally reaches node 19.

일 실시예에서, 학습 경로 검색부(1320)는 현재 학업 수준에서 목표 학습 수준에 이르는 최단 경로를 학습 경로로 검색할 수 있다. 예를 들어, 학습 경로 검색부(1320)는 다익스트라(Dijkstra), 벨만포드(Bellman-Ford's), 플로이드-워셜(Floyd-Warshall) 및 에이스타(A star) 등의 패스 파인딩 알고리즘(path finding algorithm)을 이용하여, 최단 경로를 검색할 수 있다. In one embodiment, the learning path search unit 1320 may search for the shortest path from the current academic level to the target learning level as the learning path. For example, the learning path search unit 1320 uses path finding algorithms such as Dijkstra, Bellman-Ford's, Floyd-Warshall, and A star. ), you can search for the shortest path.

문제 리스트 제공부(1330)는 검색된 학습 경로 상에 존재하는 노드에 대응하는 학습 개념에 따른 문제 리스트를 제공할 수 있다. 또한, 문제 리스트 제공부(1330)는 학습 맵에 존재하는 노드에 대응하는 학습 개념 각각에 대응하는 문제를 난이도 별로 구분하여 복수의 문제를 저장할 수 있다. The problem list provider 1330 may provide a problem list according to a learning concept corresponding to a node existing on the searched learning path. Additionally, the problem list provider 1330 may classify problems corresponding to each learning concept corresponding to a node existing in the learning map by difficulty level and store a plurality of problems.

일 실시예에서, 문제 리스트 제공부(1330)는 학습 맵 생성 장치(1100)에 의해 생성된 문제 난이도 데이터를 포함할 수 있다.In one embodiment, the problem list provider 1330 may include problem difficulty data generated by the learning map generating device 1100.

일 실시예에서, 문제 리스트 제공부(1330)는 강화 학습 모델을 기반으로 문제 리스트를 제공할 수 있다. 예를 들어, 문제 리스트 제공부(1330)는 LSTM(Long Short-Term Memory) 모델 기반의 강화 학습 모델을 이용하여, 제1 문제 리스트를 제공하고, 학생이 제1 문제 리스트를 풀이한 정보를 입력 받아 학생의 실력 향상 및 문제 풀이 기록에 따라 제2 문제 리스트를 다시 제공할 수 있다. 또한, 문제 리스트 제공부(1330)는 학생이 제2 문제 리스트를 풀이한 정보를 기반으로 다시 제3 문제를 리스트를 제공할 수 있다. 도 18를 참조하면, 학생의 현재 학업 수준이 입력되면, Ranking engine 모델은 현재 학업 수준을 기반으로 학생이 풀이할 문제 리스트를 제공할 수 있다. 이후, 학생이 문제 리스트를 풀이하면, 문제 풀이 정보를 다시 입력 받고 이전에 풀이한 문제 리스트 및 현재 문제 풀이 정보를 기반으로 새로운 문제 리스트를 제공할 수 있다. 또한, 도 19을 참조하면, agent는 ranking engine(랭킹 엔진) 모델, state는 학습 용어에 대한 학생의 과거 문제 풀이 정보, 학업 수준 정보, 문제별 수준 정보 등의 학생의 학업 수준을 측정할 수 있는 데이터, action은 학습 용어를 정복하기 위한 추천 문제 리스트, reword는 학습 용어 정복률, 추천 문제 리스트에 대한 학생이 정답률을 포함하는 학습 효율을 높일 수 있는 함수 조합 형태(weighted sum)을 의미한다. 시간 T1에서는 T1에서의 학생의 과거 문제 풀이 정보 등을 입력 받아 T1에서의 추천 문제 리스트를 제공하고, 시간 T2에서는 시간 T2를 기준으로 과거 학생이 풀이한 문제 정보 등과 T2 현재의 학생의 학업 수준을 고려하여, T2에서의 추천 문제 리스트를 제공하는 연속적인 구조의 Neural Network 구조를 갖는다. In one embodiment, the problem list provider 1330 may provide a problem list based on a reinforcement learning model. For example, the problem list provider 1330 uses a reinforcement learning model based on a Long Short-Term Memory (LSTM) model to provide a first problem list and input information about how the student solved the first problem list. Depending on the student's improvement in skill and problem-solving record, a second list of problems can be provided again. Additionally, the problem list provider 1330 may provide a third problem list based on information about how the student solved the second problem list. Referring to Figure 18, when the student's current academic level is input, the Ranking engine model can provide a list of problems for the student to solve based on the current academic level. Afterwards, when the student solves the problem list, the problem solving information can be re-entered and a new problem list can be provided based on the previously solved problem list and the current problem solving information. In addition, referring to Figure 19, the agent is a ranking engine model, and the state is a model that can measure the student's academic level, such as the student's past problem solving information for learning terms, academic level information, and level information for each problem. Data and action are a list of recommended problems for conquering learning terms, and reword means a function combination form (weighted sum) that can increase learning efficiency, including the learning term conquest rate and the student's correct answer rate for the recommended problem list. At time T1, information on the student's past problem solving at T1 is input and a list of recommended problems at T1 is provided. At time T2, information on problems solved by past students based on time T2 and the student's current academic level at T2 are provided. Considering this, it has a continuous Neural Network structure that provides a list of recommended problems at T2.

도 20은 본 발명의 일 실시예에 따른 학습 경로 추천 방법의 흐름도이다. Figure 20 is a flowchart of a learning path recommendation method according to an embodiment of the present invention.

이하, 도 17에 도시된 학습 경로 추천 장치(1300)에 의해 도 20의 방법이 수행되는 것을 예시로 설명하는 바, 도 17에 도시된 학습 경로 추천 장치(1300)에 대한 설명은 도 15의 방법에 확장됨은 자명하다. Hereinafter, the method of FIG. 20 will be described as an example in which the learning path recommendation device 1300 shown in FIG. 17 is performed. The description of the learning path recommendation device 1300 shown in FIG. 17 is the method of FIG. 15. It is obvious that it extends to .

단계 S21100에서, 학습 경로 추천 장치(1300)는 학생의 현재 학업 수준 및 목표 학습 수준을 입력 받을 수 있다. 여기서, 학생의 현재 학업 수준은 학습 맵 상에 매핑된 학생의 현재 학업 수준을 의미하며, 목표 학습 수준은 학습 맵 상에서 학생이 도달하고자 하는 학습 수준을 의미할 수 있다. In step S21100, the learning path recommendation device 1300 may receive input of the student's current academic level and target learning level. Here, the student's current academic level may mean the student's current academic level mapped on the learning map, and the target learning level may mean the learning level that the student wants to reach on the learning map.

단계 S21200에서, 학습 경로 추천 장치(1300)는, 학습 맵 상에서 학생의 현재 학업 수준과 목표 학습 수준이 입력되면, 학습 맵 상의 현재 학업 수준에서 목표 학습 수준에 이르는 학습 경로를 검색할 수 있다. In step S21200, when the student's current academic level and target learning level are input on the learning map, the learning path recommendation device 1300 may search for a learning path from the current academic level on the learning map to the target learning level.

일 실시예에서, 학습 경로 추천 장치(1300)는 현재 학업 수준에서 목표 학습 수준에 이르는 최단 경로를 학습 경로로 검색할 수 있다. 예를 들어, 학습 경로 추천 장치(1300)는 다익스트라(Dijkstra), 벨만포드(Bellman-Ford's), 플로이드-워셜(Floyd-Warshall) 및 에이스타(A star) 등의 패스 파인딩 알고리즘(path finding algorithm)을 이용하여, 최단 경로를 검색할 수 있다. In one embodiment, the learning path recommendation device 1300 may search for the shortest path from the current academic level to the target learning level as the learning path. For example, the learning path recommendation device 1300 may use path finding algorithms such as Dijkstra, Bellman-Ford's, Floyd-Warshall, and A star. ), you can search for the shortest path.

단계 S21300에서, 학습 경로 추천 장치(1300)는 검색된 학습 경로 상에 존재하는 노드에 대응하는 학습 개념에 따른 문제 리스트를 제공할 수 있다. 또한, 학습 경로 추천 장치(1300)는 학습 맵에 존재하는 노드에 대응하는 학습 개념 각각에 대응하는 문제를 난이도 별로 구분하여 복수의 문제를 저장할 수 있다. In step S21300, the learning path recommendation device 1300 may provide a list of problems according to learning concepts corresponding to nodes existing on the searched learning path. Additionally, the learning path recommendation device 1300 may categorize problems corresponding to each learning concept corresponding to a node existing in the learning map by difficulty level and store a plurality of problems.

도 21은 본 발명의 다른 실시예에 따른 학습 맵 생성 장치(1100), 학업 수준 결정 장치(1200) 및 학습 경로 추천 장치(1300)의 블록도이다.Figure 21 is a block diagram of a learning map generating device 1100, an academic level determining device 1200, and a learning path recommending device 1300 according to another embodiment of the present invention.

도 21에 도시된 바와 같이, 학습 맵 생성 장치(1100), 학업 수준 결정 장치(1200) 및 학습 경로 추천 장치(1300)는 프로세서(2110), 메모리(2120), 저장부(2130), 사용자 인터페이스 입력부(2140) 및 사용자 인터페이스 출력부(2150) 중 적어도 하나 이상의 요소를 포함할 수 있으며, 이들은 버스(2160)를 통해 서로 통신할 수 있다. 또한, 학습 맵 생성 장치(1100), 학업 수준 결정 장치(1200) 및 학습 경로 추천 장치(1300)는 네트워크에 접속하기 위한 네트워크 인터페이스(1670)를 또한 포함할 수 있다. 프로세서(2110)는 메모리(2120) 및/또는 저장소(2130)에 저장된 처리 명령어를 실행시키는 CPU 또는 반도체 소자일 수 있다. 메모리(2120) 및 저장부(2130)는 다양한 유형의 휘발성/비휘발성 기억 매체를 포함할 수 있다. 예를 들어, 메모리는 ROM(2124) 및 RAM(2125)을 포함할 수 있다. As shown in FIG. 21, the learning map generating device 1100, the academic level determining device 1200, and the learning path recommending device 1300 include a processor 2110, a memory 2120, a storage unit 2130, and a user interface. It may include at least one element of the input unit 2140 and the user interface output unit 2150, and they may communicate with each other through the bus 2160. Additionally, the learning map generating device 1100, the academic level determining device 1200, and the learning path recommending device 1300 may also include a network interface 1670 for connecting to a network. Processor 2110 may be a CPU or semiconductor device that executes processing instructions stored in memory 2120 and/or storage 2130. The memory 2120 and the storage unit 2130 may include various types of volatile/non-volatile storage media. For example, memory may include ROM 2124 and RAM 2125.

이제까지 본 발명에 대하여 그 실시예들을 중심으로 살펴보았다. 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자는 본 발명이 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 변형된 형태로 구현될 수 있음을 이해할 수 있을 것이다. 그러므로 개시된 실시예들은 한정적인 관점이 아니라 설명적인 관점에서 고려되어야 한다. 본 발명의 범위는 전술한 설명이 아니라 특허청구범위에 나타나 있으며, 그와 동등한 범위 내에 있는 모든 차이점은 본 발명에 포함된 것으로 해석되어야 할 것이다.So far, the present invention has been examined focusing on its embodiments. A person skilled in the art to which the present invention pertains will understand that the present invention may be implemented in a modified form without departing from the essential characteristics of the present invention. Therefore, the disclosed embodiments should be considered from an illustrative rather than a restrictive perspective. The scope of the present invention is indicated in the claims rather than the foregoing description, and all differences within the equivalent scope should be construed as being included in the present invention.

1000 : 학습 지도 시스템
1100 : 학습 맵 생성 장치
1200 : 학업 수준 결정 장치
1300 : 학습 경로 추천 장치1000: Learning guidance system
1100: Learning map generation device
1200: Academic level determination device
1300: Learning path recommendation device

Claims (10)

학습 경로 추천 장치에 의해 수행되는 방법으로서,
a) 학습 경로 추천 장치(1300)가 학생의 현재 학습 수준 및 목표 학습 수준을 입력 받는 단계;
b) 상기 학습 경로 추천 장치(1300)가 학습 개념 및 학습 용어 간의 선행학습 관계, 포함 관계 및 결합 문제 출제 관계를 포함한 연관 관계로 표현되는 학습 맵 상에서 상기 현재 학습 수준에서 상기 목표 학습 수준에 이르는 학습 경로를 검색하는 단계; 및
c) 상기 학습 경로 추천 장치(1300)가 검색된 학습 경로에 따른 학습 개념에 대응하는 문제 리스트를 제공하는 단계;를 포함하고,
상기 c) 단계는 학습 경로 추천 장치(1300)가 미리 학습된 LSTM 강화 학습 모델을 이용하여 학습 용어에 대한 학생의 과거 문제 풀이 정보, 학업 수준 정보, 문제별 수준 정보를 기반으로 학업 수준 측정과 학습 용어를 학습하기 위한 제1 문제 리스트를 출력하고,
상기 제1 문제 리스트에 대하여 문제 리스트의 문제 정보, 문제 난이도 정보 및 정오 정보에 기반한 학생의 문제 풀이 정보가 입력되면, 학습 용어 정복률, 상기 제1 문제 리스트에 대한 학생의 정답률을 포함하는 가중치 합(weighted sum)인 리워드와, 현재 학생 수준 정보 및 과거 학생의 문제 풀이 정보를 기반으로 제2 문제 리스트를 출력하며,
상기 LSTM 강화 학습 모델은 에이전트(agent)를 통해 학습 용어에 대한 학생의 과거 문제 풀이 정보, 학업 수준 정보, 문제별 수준 정보를 기반으로 학생이 풀이할 문제 리스트를 제공하고, 상기 제공된 문제 리스트의 문제 풀이 정보를 다시 입력 받아 이전에 풀이한 문제 리스트와 현재 문제 풀이 정보와 학업 수준 정보, 문제별 수준 정보에 기반하여 학생이 풀이할 새로운 추천 문제 리스트를 제공하도록 액션을 결정하며, 상기 학습 용어의 정복률과 추천 문제 리스트에 대한 학생의 정답률을 기반으로 학습 효율이 증가하는 방향으로 리워드(reword)를 제공하는 것을 특징으로 하는 학습 경로 추천 방법.
A method performed by a learning path recommendation device, comprising:
a) a step where the learning path recommendation device 1300 receives input of the student's current learning level and target learning level;
b) The learning path recommendation device 1300 learns from the current learning level to the target learning level on a learning map expressed by association relationships including prior learning relationships, inclusion relationships, and combination problem question relationships between learning concepts and learning terms. retrieving a route; and
c) providing, by the learning path recommendation device 1300, a list of problems corresponding to learning concepts according to the searched learning path;
In step c), the learning path recommendation device 1300 uses a pre-trained LSTM reinforcement learning model to measure and learn the student's academic level based on the student's past problem solving information, academic level information, and problem-specific level information for learning terms. Print the first problem list for learning terms,
When the student's problem solving information based on the problem information, problem difficulty information, and error information of the problem list is input to the first problem list, a weighted sum including the learning term conquest rate and the student's correct answer rate for the first problem list A second list of problems is output based on the reward (weighted sum), current student level information, and past student problem solving information.
The LSTM reinforcement learning model provides a list of problems to be solved by the student based on the student's past problem solving information, academic level information, and problem-specific level information for learning terms through an agent, and solves problems in the provided problem list. The solution information is re-entered and an action is determined to provide a new list of recommended problems for the student to solve based on the list of previously solved problems, current problem solution information, academic level information, and level information for each problem, and conquer the learning terminology. A learning path recommendation method characterized by providing a reward in the direction of increasing learning efficiency based on the student's rate of correct answers to the list of recommended problems.
삭제delete 삭제delete 삭제delete 삭제delete 프로세서 및 메모리를 포함하는 학습 경로 추천 장치로서,
상기 메모리에 학습 맵을 생성하기 위한 명령어들이 저장되며,
상기 명령어들은, 상기 프로세서에 의해 실행될 때, 상기 프로세서로 하여금, 학생의 현재 학습 수준 및 목표 학습 수준을 입력 받고, 학습 개념 및 학습 용어 간의 선행학습 관계, 포함 관계 및 결합 문제 출제 관계를 포함한 연관 관계로 표현되는 학습 맵 상에서 상기 현재 학습 수준에서 상기 목표 학습 수준에 이르는 학습 경로를 검색하며, 검색된 학습 경로에 따른 학습 개념에 대응하는 문제 리스트를 제공하게 하는 명령어들을 포함하고,
상기 프로세서는, 미리 학습된 LSTM 강화 학습 모델을 이용하여 학습 용어에 대한 학생의 과거 문제 풀이 정보, 학업 수준 정보, 문제별 수준 정보를 기반으로 학업 수준 측정과 학습 용어를 학습하기 위한 제1 문제 리스트를 출력하고, 상기 제1 문제 리스트에 대하여 문제 리스트의 문제 정보, 문제 난이도 정보 및 정오 정보에 기반한 학생의 문제 풀이 정보가 입력되면, 학습 용어 정복률, 상기 제1 문제 리스트에 대한 학생의 정답률을 포함하는 가중치 합(weighted sum)인 리워드와, 현재 학생 수준 정보 및 과거 학생의 문제 풀이 정보를 기반으로 제2 문제 리스트를 출력하며,
상기 LSTM 강화 학습 모델은 에이전트(agent)를 통해 학습 용어에 대한 학생의 과거 문제 풀이 정보, 학업 수준 정보, 문제별 수준 정보를 기반으로 학생이 풀이할 문제 리스트를 제공하고, 상기 제공된 문제 리스트의 문제 풀이 정보를 다시 입력 받아 이전에 풀이한 문제 리스트와 현재 문제 풀이 정보와 학업 수준 정보, 문제별 수준 정보에 기반하여 학생이 풀이할 새로운 추천 문제 리스트를 제공하도록 액션을 결정하며, 상기 학습 용어의 정복률과 추천 문제 리스트에 대한 학생의 정답률을 기반으로 학습 효율이 증가하는 방향으로 리워드(reword)를 제공하는 것을 특징으로 하는 학습 경로 추천 장치.A learning path recommendation device comprising a processor and memory,
Commands for creating a learning map are stored in the memory,
When executed by the processor, the instructions cause the processor to receive the student's current learning level and target learning level, and to provide an association relationship between learning concepts and learning terms, including prior learning relationships, inclusion relationships, and combination problem question relationships. Searches for a learning path from the current learning level to the target learning level on a learning map represented by and includes commands to provide a list of problems corresponding to learning concepts according to the searched learning path,
The processor uses a pre-trained LSTM reinforcement learning model to measure academic level and learn learning terms based on the student's past problem solving information, academic level information, and problem-specific level information for learning terms. A first problem list for learning learning terms. is output, and when the student's problem solving information based on the problem information, problem difficulty information, and error information of the problem list is input for the first problem list, the learning term conquest rate and the student's correct answer rate for the first problem list are calculated as A second problem list is output based on the reward, which is a weighted sum, and the current student level information and past student problem solving information.
The LSTM reinforcement learning model provides a list of problems to be solved by the student based on the student's past problem solving information, academic level information, and problem-specific level information for learning terms through an agent, and solves problems in the provided problem list. The solution information is re-entered and an action is determined to provide a new list of recommended problems for the student to solve based on the list of previously solved problems, current problem solution information, academic level information, and level information for each problem, and conquer the learning terminology. A learning path recommendation device that provides rewards in the direction of increasing learning efficiency based on the student's rate of correct answers to the list of recommended problems. 삭제delete 삭제delete 삭제delete 삭제delete