KR102559074B1 - 뉴럴 네트워크를 이용하여 학습자 단말과 학부모 단말에게 영어 교육 서비스를 제공하는 방법 및 장치 - Google Patents

뉴럴 네트워크를 이용하여 학습자 단말과 학부모 단말에게 영어 교육 서비스를 제공하는 방법 및 장치 Download PDF

Info

Publication number
KR102559074B1
KR102559074B1 KR1020230001120A KR20230001120A KR102559074B1 KR 102559074 B1 KR102559074 B1 KR 102559074B1 KR 1020230001120 A KR1020230001120 A KR 1020230001120A KR 20230001120 A KR20230001120 A KR 20230001120A KR 102559074 B1 KR102559074 B1 KR 102559074B1
Authority
KR
South Korea
Prior art keywords
learner terminal
english
learning
neural network
terminal
Prior art date
Application number
KR1020230001120A
Other languages
English (en)
Inventor
강가람
Original Assignee
주식회사 예드
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 주식회사 예드 filed Critical 주식회사 예드
Priority to KR1020230001120A priority Critical patent/KR102559074B1/ko
Application granted granted Critical
Publication of KR102559074B1 publication Critical patent/KR102559074B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/20—Education
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G—PHYSICS
    • G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
    • G09B—EDUCATIONAL OR DEMONSTRATION APPLIANCES; APPLIANCES FOR TEACHING, OR COMMUNICATING WITH, THE BLIND, DEAF OR MUTE; MODELS; PLANETARIA; GLOBES; MAPS; DIAGRAMS
    • G09B19/00—Teaching not covered by other main groups of this subclass
    • G09B19/06—Foreign languages
    • G—PHYSICS
    • G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
    • G09B—EDUCATIONAL OR DEMONSTRATION APPLIANCES; APPLIANCES FOR TEACHING, OR COMMUNICATING WITH, THE BLIND, DEAF OR MUTE; MODELS; PLANETARIA; GLOBES; MAPS; DIAGRAMS
    • G09B5/00—Electrically-operated educational appliances
    • G09B5/02—Electrically-operated educational appliances with visual presentation of the material to be studied, e.g. using film strip
    • G—PHYSICS
    • G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
    • G09B—EDUCATIONAL OR DEMONSTRATION APPLIANCES; APPLIANCES FOR TEACHING, OR COMMUNICATING WITH, THE BLIND, DEAF OR MUTE; MODELS; PLANETARIA; GLOBES; MAPS; DIAGRAMS
    • G09B5/00—Electrically-operated educational appliances
    • G09B5/04—Electrically-operated educational appliances with audible presentation of the material to be studied
    • G—PHYSICS
    • G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
    • G09B—EDUCATIONAL OR DEMONSTRATION APPLIANCES; APPLIANCES FOR TEACHING, OR COMMUNICATING WITH, THE BLIND, DEAF OR MUTE; MODELS; PLANETARIA; GLOBES; MAPS; DIAGRAMS
    • G09B5/00—Electrically-operated educational appliances
    • G09B5/06—Electrically-operated educational appliances with both visual and audible presentation of the material to be studied
    • G09B5/065—Combinations of audio and video presentations, e.g. videotapes, videodiscs, television systems
    • G—PHYSICS
    • G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
    • G09B—EDUCATIONAL OR DEMONSTRATION APPLIANCES; APPLIANCES FOR TEACHING, OR COMMUNICATING WITH, THE BLIND, DEAF OR MUTE; MODELS; PLANETARIA; GLOBES; MAPS; DIAGRAMS
    • G09B7/00—Electrically-operated teaching apparatus or devices working with questions and answers
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
    • G10L25/27—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique
    • G10L25/30—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique using neural networks
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
    • G10L25/48—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use
    • G10L25/51—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination
    • G10L25/63—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination for estimating an emotional state

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Educational Administration (AREA)
  • Educational Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Tourism & Hospitality (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Multimedia (AREA)
  • Biomedical Technology (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Strategic Management (AREA)
  • Primary Health Care (AREA)
  • Biophysics (AREA)
  • Marketing (AREA)
  • Data Mining & Analysis (AREA)
  • Human Resources & Organizations (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Business, Economics & Management (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Acoustics & Sound (AREA)
  • Economics (AREA)
  • Signal Processing (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Human Computer Interaction (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Child & Adolescent Psychology (AREA)
  • Hospice & Palliative Care (AREA)
  • Psychiatry (AREA)
  • Electrically Operated Instructional Devices (AREA)

Abstract

실시예들은 뉴럴 네트워크를 이용하여 학습자 단말과 학부모 단말에게 영어 교육 서비스를 제공하는 방법 및 장치를 제시한다. 일 실시예에 따른 상기 방법은, 상기 영어 교육 서버에 입력된 커리큘럼 정보를 기반으로 학습 동영상을 학습자 단말에게 전송하고, 상기 학습자 단말로부터 상기 학습 동영상에 대한 시청을 완료한 것을 나타내는 시청 완료 메시지를 수신하고, 상기 시청 완료 메시지를 수신한 것에 기반하여 상기 학습자 단말의 영어 발음 테스트하기 위한 테스트 메시지를 상기 학습자 단말에게 전송하고, 상기 학습자 단말로부터 음성 데이터를 포함하는 테스트 결과 메시지를 수신하고, 상기 음성 데이터는 상기 테스트 메시지에 따라 상기 학습자 단말에 의해 녹음된 적어도 하나의 영어 문장을 포함하고, 상기 음성 데이터에 기반하여 제1 뉴럴 네트워크를 이용한 제1 평가 모델을 통해 상기 학습자 단말의 제1 평가 점수를 결정하고, 상기 음성 데이터에 기반하여 제2 뉴럴 네트워크를 이용한 감정 분석 모델을 통해 상기 학습자 단말에 대해 감정 상태를 나타내는 복수의 점수들을 결정하고, 상기 제1 평가 점수 및 상기 감정 상태를 나타내는 복수의 점수들에 기반하여 상기 학습 동영상과 관련된 학습 컨텐츠를 상기 학습자 단말에게 전송하고, 상기 학습자 단말로부터 상기 학습 컨텐츠에 따른 학습 결과를 수신하고, 상기 학습 결과 및 상기 감정 상태를 나타내는 복수의 점수들에 기반하여 상기 학습 동영상과 관련된 한글 스크립트를 상기 학습자 단말에게 전송하고, 상기 학습자 단말로부터 상기 학습자 단말의 사용자가 상기 학습 동영상과 관련된 한글 스크립트를 영어로 말하는 모습을 녹화한 영어 스피킹 동영상을 수신하고, 상기 영어 스피킹 동영상을 상기 학습자 단말과 사전 매칭된 학부모 단말에게 전송할 수 있다.

Description

뉴럴 네트워크를 이용하여 학습자 단말과 학부모 단말에게 영어 교육 서비스를 제공하는 방법 및 장치{METHOD AND APPARATUS FOR PROVIDING ENGLISH EDUCATION SERVICES TO A LEARNER TERMINAL AND A PARENT TERMINAL USING A NEURAL NETWORK}
본 개시의 실시예들은 학습자 단말과 학부모 단말에게 영어 교육 서비스를 제공하는 기술에 관한 것으로, 뉴럴 네트워크를 이용하여 학습자 단말과 학부모 단말에게 영어 교육 서비스를 제공하는 기술에 대한 것이다.
한편, 스마트패드, 스마트폰 등과 같은 휴대용 컴퓨터 기술이 발달하고, 그 보급률이 급속도로 높아짐에 따라, 교육 분야에서도 휴대용 컴퓨터 기술을 이용한 다양한 교육 방법들이 발생하고 있다.
특히, 영어 교육과 관련하여, 단순한 동영상을 통한 학습으로 일 방향 학습 컨텐츠들이 주류를 이루고 있으며, 학습 컨텐츠 또한 다양하지 않고, 학습자들의 관심사와 영어 실력에 적합하지 않은 학습 컨텐츠로 인해 교육의 효율이 떨어지는 문제점이 있다. 또한, 한국어는 음절 박자 언어(syllable-timed language)의 특징을 지니고 있어서 영어의 강세 박자 언어(stress-timed language)의 특징인 리듬, 강세, 억양 등의 초 분절음소 자질을 습득하는데 많은 어려움이 있다.
한편, 코로나 바이러스의 확산으로 비대면 학습이 주목받으면서, 온라인으로 제공되는 교육에 학부모가 학습자의 교육에 직접 관여하고자 하는 욕구가 증가하고 있다. 하지만, 현재 온라인 학습과 관련된 영어 교육 서비스는 학부모의 참여를 배제하고, 학습자 위주로 교육 서비스가 제공되고 있기 때문에, 학부모의 참여 욕구를 충족시켜주지 못하고 있다.
이에, 학부모가 교육에 직접 참여하여 학습자의 관심사나 영어 실력에 맞게 영어 학습을 위한 커리큘럼을 짜고, 해당 커리큘럼에 의해 제공된 학습 컨텐츠에 따라 학습자가 녹음한 음성 데이터 및 학습자가 영어로 말하는 모습을 녹화한 영상을 기반으로 학습자의 발음을 평가할 뿐만 아니라, 학습자의 감성 상태에 따라 동기부여를 줄 수 있고, 학습자의 발음을 교정할 수 있는 종합적인 영어 교육 서비스가 필요하다.
본 개시의 실시예들은, 뉴럴 네트워크를 이용하여 학습자 단말과 학부모 단말에게 영어 교육 서비스를 제공하는 방법 및 장치를 제공할 수 있다.
실시예들에서 이루고자 하는 기술적 과제들은 이상에서 언급한 사항들로 제한되지 않으며, 언급하지 않은 또 다른 기술적 과제들은 이하 설명할 다양한 실시예들로부터 당해 기술분야에서 통상의 지식을 가진 자에 의해 고려될 수 있다.
일 실시예에 따른 뉴럴 네트워크를 이용하여 영어 교육 서버가 학습자 단말과 학부모 단말에게 영어 교육 서비스를 제공하는 방법은, 상기 영어 교육 서버에 입력된 커리큘럼 정보를 기반으로 학습 동영상을 학습자 단말에게 전송하고, 상기 학습자 단말로부터 상기 학습 동영상에 대한 시청을 완료한 것을 나타내는 시청 완료 메시지를 수신하고, 상기 시청 완료 메시지를 수신한 것에 기반하여 상기 학습자 단말의 영어 발음 테스트하기 위한 테스트 메시지를 상기 학습자 단말에게 전송하고, 상기 학습자 단말로부터 음성 데이터를 포함하는 테스트 결과 메시지를 수신하고, 상기 음성 데이터는 상기 테스트 메시지에 따라 상기 학습자 단말에 의해 녹음된 적어도 하나의 영어 문장을 포함하고, 상기 음성 데이터에 기반하여 제1 뉴럴 네트워크를 이용한 제1 평가 모델을 통해 상기 학습자 단말의 제1 평가 점수를 결정하고, 상기 음성 데이터에 기반하여 제2 뉴럴 네트워크를 이용한 감정 분석 모델을 통해 상기 학습자 단말에 대해 감정 상태를 나타내는 복수의 점수들을 결정하고, 상기 제1 평가 점수 및 상기 감정 상태를 나타내는 복수의 점수들에 기반하여 상기 학습 동영상과 관련된 학습 컨텐츠를 상기 학습자 단말에게 전송하고, 상기 학습자 단말로부터 상기 학습 컨텐츠에 따른 학습 결과를 수신하고, 상기 학습 결과 및 상기 감정 상태를 나타내는 복수의 점수들에 기반하여 상기 학습 동영상과 관련된 한글 스크립트를 상기 학습자 단말에게 전송하고, 상기 학습자 단말로부터 상기 학습자 단말의 사용자가 상기 학습 동영상과 관련된 한글 스크립트를 영어로 말하는 모습을 녹화한 영어 스피킹 동영상을 수신하고, 상기 영어 스피킹 동영상을 상기 학습자 단말과 사전 매칭된 학부모 단말에게 전송할 수 있다.
예를 들어, 상기 커리큘럼 정보는 복수의 단계별 학습 동영상 및 복수의 단계별 학습 컨텐츠를 포함할 수 있다. 상기 학습 동영상은 상기 복수의 단계별 학습 동영상 중에서 상기 학습자 단말과 관련된 관심사에 대한 정보, 상기 학습자 단말과 관련된 학업 성적에 대한 정보 및 상기 학습자 단말에 대한 영어 레벨에 기반하여 결정될 수 있다. 상기 학습 컨텐츠는 상기 학습 동영상과 관련된 복수의 단계별 학습 컨텐츠 중에서 상기 제1 평가 점수 및 상기 감정 상태를 나타내는 복수의 점수들에 기반하여 결정될 수 있다. 상기 학습자 단말과 관련된 관심사에 대한 정보 및 상기 학습자 단말과 관련된 학업 성적에 대한 정보는 상기 학부모 단말로부터 상기 영어 교육 서버에게 전송될 수 있다. 상기 학습자 단말에 대한 영어 레벨은 상기 학습자 단말과 관련된 학업 성적에 대한 정보를 기반으로 사전 설정된 복수의 영어 레벨 중에서 결정된 영어 레벨일 수 있다.
예를 들어, 상기 음성 데이터에 대한 데이터 전처리를 통해 피치 주기와 관련된 값, 진폭과 관련된 값, 기본 주파수와 관련된 값, 하모닉 에너지와 관련된 값 및 하모닉과 잡음의 에너지 비율과 관련된 값으로 구성된 입력 벡터가 결정될 수 있다. 상기 입력 벡터가 상기 제1 뉴럴 네트워크 및 상기 제2 뉴럴 네트워크에 입력될 수 있다. 상기 감정 상태를 나타내는 복수의 점수들은 기쁜 감정 상태를 나타내는 제1 점수, 슬픈 감정 상태를 나타내는 제2 점수 및 분노한 감정 상태를 나타내는 제3 점수를 포함할 수 있다. 상기 제1 뉴럴 네트워크는 제1 입력 레이어, 하나 이상의 제1 히든 레이어 및 제1 출력 레이어를 포함할 수 있다. 복수의 음성 데이터, 복수의 기준 음성 데이터 및 정답 제1 평가 점수로 구성된 각각의 제1 뉴럴 네트워크의 학습을 위한 데이터는 상기 제1 뉴럴 네트워크의 상기 제1 입력 레이어에 입력되고, 상기 하나 이상의 제1 히든 레이어 및 제1 출력 레이어를 통과하여 제1 출력 벡터를 출력하고, 상기 제1 출력 벡터는 상기 제1 출력 레이어에 연결된 제1 손실함수 레이어에 입력되고, 상기 제1 손실함수 레이어는 상기 제1 출력 벡터와 각각의 학습 데이터에 대한 제1 정답 벡터를 비교하는 제1 손실 함수를 이용하여 제1 손실값을 출력하고, 상기 제1 뉴럴 네트워크의 파라미터가 상기 제1 손실값이 작아지는 방향으로 학습될 수 있다. 상기 제2 뉴럴 네트워크는 제2 입력 레이어, 하나 이상의 제2 히든 레이어 및 제2 출력 레이어를 포함할 수 있다. 복수의 입력 벡터 및 정답 감정 상태를 나타내는 복수의 점수들로 구성된 각각의 제2 뉴럴 네트워크의 학습을 위한 데이터는 상기 제2 뉴럴 네트워크의 상기 제2 입력 레이어에 입력되고, 상기 하나 이상의 제2 히든 레이어 및 제2 출력 레이어를 통과하여 제2 출력 벡터를 출력하고, 상기 제2 출력 벡터는 상기 제2 출력 레이어에 연결된 제2 손실함수 레이어에 입력되고, 상기 제2 손실함수 레이어는 상기 제2 출력 벡터와 각각의 학습 데이터에 대한 제2 정답 벡터를 비교하는 제2 손실 함수를 이용하여 제2 손실값을 출력하고, 상기 제2 뉴럴 네트워크의 파라미터가 상기 제2 손실값이 작아지는 방향으로 학습될 수 있다.
예를 들어, 상기 영어 스피킹 동영상의 밝기 차를 이용하는 하르 특징 분류기(Haar Cascade Classifier)를 통해 상기 학습자 단말의 사용자의 얼굴에 대한 복수의 특징점이 검출될 수 있다. 상기 복수의 특징점을 기반으로 입영역의 가로 길이, 입 영역의 세로 길이, 윗입술의 길이, 아랫입술의 길이, 왼쪽 볼과 오른쪽 볼 사이의 거리, 입 영역의 상단과 코 영역의 하단의 길이 및 입 영역의 상단과 턱의 하단 사이의 길이에 대한 시계열적인 데이터를 포함하는 입모양 속성 값이 결정될 수 있다. 상기 입모양 속성 값이 제3 뉴럴 네트워크를 이용한 비교 모델에 입력되는 것에 기반하여, 상기 영어 스피킹 동영상에 대해 사전 설정된 복수의 구간 각각에 대한 제2 평가 점수가 결정될 수 있다. 상기 사전 설정된 복수의 구간 중에서 상기 제2 평가 점수가 사전 설정된 값보다 작은 구간에 대해 영어 발음을 교정하기 위한 정보가 상기 학습자 단말에게 전송될 수 있다. 상기 제3 뉴럴 네트워크는 제3 입력 레이어, 하나 이상의 제3 히든 레이어 및 제3 출력 레이어를 포함할 수 있다. 복수의 입모양 속성 값, 복수의 기준 입모양 속성 값 및 정답 제2 평가 점수로 구성된 각각의 제3 뉴럴 네트워크의 학습을 위한 데이터는 상기 제3 뉴럴 네트워크의 상기 제3 입력 레이어에 입력되고, 상기 하나 이상의 제3 히든 레이어 및 제3 출력 레이어를 통과하여 제3 출력 벡터를 출력하고, 상기 제3 출력 벡터는 상기 제3 출력 레이어에 연결된 제3 손실함수 레이어에 입력되고, 상기 제3 손실함수 레이어는 상기 제3 출력 벡터와 각각의 학습 데이터에 대한 제3 정답 벡터를 비교하는 제3 손실 함수를 이용하여 제3 손실값을 출력하고, 상기 제3 뉴럴 네트워크의 파라미터가 상기 제3 손실값이 작아지는 방향으로 학습될 수 있다.
일 실시예에 따르면, 상기 학습 결과 및 상기 감정 상태를 나타내는 복수의 점수들에 기반하여 동기 부여와 관련된 점수가 결정될 수 있다. 상기 동기 부여와 관련된 점수가 사전 설정된 임계 값보다 작은 것에 기반하여, 격려 메시지를 요청하는 요청 메시지가 상기 영어 교육 서버로부터 상기 학부모 단말에게 전송될 수 있다. 상기 요청 메시지는 상기 학습 결과 및 상기 감정 상태를 나타내는 복수의 점수들을 포함할 수 있다. 상기 학부모 단말로부터 격려 메시지가 상기 영어 교육 서버에게 전송될 수 있다. 상기 격려 메시지가 상기 영어 교육 서버로부터 상기 학습자 단말에게 전송될 수 있다.
부가적으로, 예를 들어, 정답 제1 평가 점수는 하기 수학식에 의해 결정될 수 있다.
상기 수학식에서, 상기 Pev1은 상기 정답 제1 평가 점수이고, 상기 v1avg는 음성 데이터의 피치 주기의 평균 변화율이고, 상기 v2avg는 음성 데이터의 진폭 변화율의 평균 값이고, 상기 v1ref는 기준 음성 데이터의 피치 주기의 평균 변화율이고, 상기 v2ref는 기준 음성 데이터의 진폭 변화율의 평균 값이고, 상기 F0max는 음성 데이터의 F0의 최고 값이고, 상기 F0min은 음성 데이터의 F0의 최저 값이고, 상기 FOrefmax는 기준 음성 데이터의 F0의 최고 값이고, 상기 F0refmin은 기준 음성 데이터의 F0의 최저 값이고, 상기 Px는 인토네이션에 대한 기본 점수이고, 상기 ns는 음성 데이터의 초당 음절수이고, 상기 nref는 기준 음성 데이터의 초당 음절수이고, 상기 F2는 음성 데이터의 F2 값이고, 상기 F1은 음성 데이터의 F1 값이고, 상기 F2ref는 기준 음성 데이터의 F2 값이고, 상기 F1ref는 기준 음성 데이터의 F1 값이고, 상기 Py는 발화속도에 대한 기본 값일 수 있다.
부가적으로, 예를 들어, 학습 컨텐츠의 단계가 하기 수학식에 의해 결정될 수 있다.
상기 수학식에서, 상기 S1은 상기 학습 컨텐츠의 단계이고, 상기 Pev1은 상기 제1 평가 점수이고, 상기 n은 상기 영어 교육 서버에 등록된 학습자 단말들 중에서 상기 학습자 단말에 대한 영어 레벨에 해당하는 학습자 단말의 개수이고, 상기 P1i는 i번째 학습자 단말의 제1 평가 점수이고, 상기 E1은 상기 학습자 단말에 대한 제1 점수이고, 상기 E2는 상기 학습자 단말에 대한 제2 점수이고, 상기 E3는 상기 학습자 단말에 대한 제3 점수이고, 상기 SL은 상기 학습자 단말에 대한 영어 레벨에 매칭된 학습 컨텐츠의 단계일 수 있다.
부가적으로, 예를 들어, 동기 부여와 관련된 점수는 하기 수학식에 의해 결정될 수 있다.
상기 수학식에서, 상기 Mp는 상기 동기 부여와 관련된 점수이고, 상기 at는 상기 학습 컨텐츠에 포함된 평가 문제의 개수이고, 상기 an은 상기 학습 컨텐츠에 포함된 평가 문제에 대한 정답 개수이고, 상기 E1은 상기 학습자 단말에 대한 제1 점수이고, 상기 E2는 상기 학습자 단말에 대한 제2 점수이고, 상기 E3는 상기 학습자 단말에 대한 제3 점수일 수 있다.
실시예들에 따르면, 영어 교육 서버가 학습자 단말에 의해 녹음된 적어도 하나의 영어 문장을 포함하는 음성 데이터에 기반하여 제1 뉴럴 네트워크를 이용한 제1 평가 모델을 통해 학습자 단말의 제1 평가 점수를 결정하고, 제2 뉴럴 네트워크를 이용한 감정 분석 모델을 통해 학습자 단말에 대해 감정 상태를 나타내는 복수의 점수들을 결정할 수 있다. 이를 통해, 영어 교육 서버는 학습자 단말의 사용자에 대한 현재 영어 실력 뿐만 아니라 감정 상태까지 고려하여 학습 컨텐츠의 단계를 결정할 수 있다.
실시예들에 따르면, 영어 교육 서버는 학습 컨텐츠에 따른 학습 결과 및 감정 상태를 나타내는 복수의 점수들에 기반하여 학습 동영상과 관련된 한글 스크립트를 학습자 단말에게 전송하고, 학습자 단말로부터 해당 한글 스크립트를 영어로 말하는 모습을 녹화한 영어 스피킹 동영상을 수신하고, 영어 스피킹 동영상을 학부모 단말에게 전송할 수 있다. 또한, 영어 교육 서버는 영어 스피킹 동영상에 포함된 현재 학습자의 입모양을 제3 뉴럴 네트워크를 통해 분석하고, 분석 결과에 따라 학습자의 영어 발음을 교정할 수 있다. 이를 통해, 영어 교육 서버는 학습자의 영어 성취도를 학부모가 직접 확인할 수 있게 하고, 동기 부여가 필요한 경우에는 학부모에게 격려 메시지를 요청함으로써, 학습자에 대한 학습 욕구를 증가시킬 수 있다.
실시예들로부터 얻을 수 있는 효과들은 이상에서 언급된 효과들로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 이하의 상세한 설명을 기반으로 당해 기술분야에서 통상의 지식을 가진 자에게 명확하게 도출되고 이해될 수 있다.
실시예들에 대한 이해를 돕기 위해 상세한 설명의 일부로 포함된, 첨부 도면은 다양한 실시예들을 제공하고, 상세한 설명과 함께 다양한 실시예들의 기술적 특징을 설명한다.
도 1은 일 실시예에 따른 전자 장치의 구성을 나타내는 도면이다.
도 2는 일 실시예에 따른 프로그램의 구성을 나타내는 도면이다.
도 3은 일 실시예에 따른 영어 교육 서버가 학습자 단말과 학부모 단말에게 영어 교육 서비스를 제공하는 방법을 나타낸다.
도 4는 일 실시예에 따른 감정 분석 모델을 나타낸 도면이다.
도 5는 일 실시예에 따른 영어 교육 서버가 학습자 단말과 학부모 단말에게 영어 교육 서비스를 제공하는 방법에 대한 흐름도이다.
도 6은 일 실시예에 따른 영어 교육 서버의 구성을 나타내는 블록도이다.
이하의 실시예들은 실시예들의 구성요소들과 특징들을 소정 형태로 결합한 것들이다. 각 구성요소 또는 특징은 별도의 명시적 언급이 없는 한 선택적인 것으로 고려될 수 있다. 각 구성요소 또는 특징은 다른 구성요소나 특징과 결합되지 않은 형태로 실시될 수 있다. 또한, 일부 구성요소들 및/또는 특징들을 결합하여 다양한 실시예들을 구성할 수도 있다. 다양한 실시예들에서 설명되는 동작들의 순서는 변경될 수 있다. 어느 실시예의 일부 구성이나 특징은 다른 실시예에 포함될 수 있고, 또는 다른 실시예의 대응하는 구성 또는 특징과 교체될 수 있다.
도면에 대한 설명에서, 다양한 실시예들의 요지를 흐릴 수 있는 절차 또는 단계 등은 기술하지 않았으며, 당해 기술분야에서 통상의 지식을 가진 자의 수준에서 이해할 수 있을 정도의 절차 또는 단계는 또한 기술하지 아니하였다.
명세서 전체에서, 어떤 부분이 어떤 구성요소를 "포함(comprising 또는 including)"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다. 또한, 명세서에 기재된 "...부", "...기", "모듈" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어나 소프트웨어 또는 하드웨어 및 소프트웨어의 결합으로 구현될 수 있다. 또한, "일(a 또는 an)", "하나(one)", "그(the)" 및 유사 관련어는 다양한 실시예들을 기술하는 문맥에 있어서(특히, 이하의 청구항의 문맥에서) 본 명세서에 달리 지시되거나 문맥에 의해 분명하게 반박되지 않는 한, 단수 및 복수 모두를 포함하는 의미로 사용될 수 있다.
이하, 다양한 실시예들에 따른 실시 형태를 첨부된 도면을 참조하여 상세하게 설명한다. 첨부된 도면과 함께 이하에 개시될 상세한 설명은 다양한 실시예들의 예시적인 실시형태를 설명하고자 하는 것이며, 유일한 실시형태를 나타내고자 하는 것이 아니다.
또한, 다양한 실시예들에서 사용되는 특정(特定) 용어들은 다양한 실시예들의 이해를 돕기 위해서 제공된 것이며, 이러한 특정 용어의 사용은 다양한 실시예들의 기술적 사상을 벗어나지 않는 범위에서 다른 형태로 변경될 수 있다.
도 1은 일 실시예에 따른 전자 장치의 구성을 나타내는 도면이다.
도 1은, 다양한 실시예들에 따른, 네트워크 환경(100) 내의 전자 장치(101)의 블록도이다. 도 1을 참조하면, 네트워크 환경(100)에서 전자 장치(101)는 제 1 네트워크(198)(예: 근거리 무선 통신 네트워크)를 통하여 전자 장치(102)와 통신하거나, 또는 제 2 네트워크(199)(예: 원거리 무선 통신 네트워크)를 통하여 전자 장치(104) 또는 서버(108) 중 적어도 하나와 통신할 수 있다. 일실시예에 따르면, 전자 장치(101)는 서버(108)를 통하여 전자 장치(104)와 통신할 수 있다. 일실시예에 따르면, 전자 장치(101)는 프로세서(120), 메모리(130), 입력 모듈(150), 음향 출력 모듈(155), 디스플레이 모듈(160), 오디오 모듈(170), 센서 모듈(176), 인터페이스(177), 연결 단자(178), 햅틱 모듈(179), 카메라 모듈(180), 전력 관리 모듈(188), 배터리(189), 통신 모듈(190), 가입자 식별 모듈(196), 또는 안테나 모듈(197)을 포함할 수 있다. 어떤 실시예에서는, 전자 장치(101)에는, 이 구성요소들 중 적어도 하나(예: 연결 단자(178))가 생략되거나, 하나 이상의 다른 구성요소가 추가될 수 있다. 어떤 실시예에서는, 이 구성요소들 중 일부들(예: 센서 모듈(176), 카메라 모듈(180), 또는 안테나 모듈(197))은 하나의 구성요소(예: 디스플레이 모듈(160))로 통합될 수 있다. 전자 장치(101)는 클라이언트, 단말기 또는 피어로 지칭될 수도 있다.
프로세서(120)는, 예를 들면, 소프트웨어(예: 프로그램(140))를 실행하여 프로세서(120)에 연결된 전자 장치(101)의 적어도 하나의 다른 구성요소(예: 하드웨어 또는 소프트웨어 구성요소)를 제어할 수 있고, 다양한 데이터 처리 또는 연산을 수행할 수 있다. 일실시예에 따르면, 데이터 처리 또는 연산의 적어도 일부로서, 프로세서(120)는 다른 구성요소(예: 센서 모듈(176) 또는 통신 모듈(190))로부터 수신된 명령 또는 데이터를 휘발성 메모리(132)에 저장하고, 휘발성 메모리(132)에 저장된 명령 또는 데이터를 처리하고, 결과 데이터를 비휘발성 메모리(134)에 저장할 수 있다. 일실시예에 따르면, 프로세서(120)는 메인 프로세서(121)(예: 중앙 처리 장치 또는 어플리케이션 프로세서) 또는 이와는 독립적으로 또는 함께 운영 가능한 보조 프로세서(123)(예: 그래픽 처리 장치, 신경망 처리 장치(NPU: neural processing unit), 이미지 시그널 프로세서, 센서 허브 프로세서, 또는 커뮤니케이션 프로세서)를 포함할 수 있다. 예를 들어, 전자 장치(101)가 메인 프로세서(121) 및 보조 프로세서(123)를 포함하는 경우, 보조 프로세서(123)는 메인 프로세서(121)보다 저전력을 사용하거나, 지정된 기능에 특화되도록 설정될 수 있다. 보조 프로세서(123)는 메인 프로세서(121)와 별개로, 또는 그 일부로서 구현될 수 있다.
보조 프로세서(123)는, 예를 들면, 메인 프로세서(121)가 인액티브(예: 슬립) 상태에 있는 동안 메인 프로세서(121)를 대신하여, 또는 메인 프로세서(121)가 액티브(예: 어플리케이션 실행) 상태에 있는 동안 메인 프로세서(121)와 함께, 전자 장치(101)의 구성요소들 중 적어도 하나의 구성요소(예: 디스플레이 모듈(160), 센서 모듈(176), 또는 통신 모듈(190))와 관련된 기능 또는 상태들의 적어도 일부를 제어할 수 있다. 일실시예에 따르면, 보조 프로세서(123)(예: 이미지 시그널 프로세서 또는 커뮤니케이션 프로세서)는 기능적으로 관련 있는 다른 구성요소(예: 카메라 모듈(180) 또는 통신 모듈(190))의 일부로서 구현될 수 있다. 일실시예에 따르면, 보조 프로세서(123)(예: 신경망 처리 장치)는 인공지능 모델의 처리에 특화된 하드웨어 구조를 포함할 수 있다.
인공지능 모델은 기계 학습을 통해 생성될 수 있다. 이러한 학습은, 예를 들어, 인공지능 모델이 수행되는 전자 장치(101) 자체에서 수행될 수 있고, 별도의 서버(예: 서버(108))를 통해 수행될 수도 있다. 학습 알고리즘은, 예를 들어, 지도형 학습(supervised learning), 비지도형 학습(unsupervised learning), 준지도형 학습(semi-supervised learning) 또는 강화 학습(reinforcement learning)을 포함할 수 있으나, 전술한 예에 한정되지 않는다. 인공지능 모델은, 복수의 인공 신경망 레이어들을 포함할 수 있다. 인공 신경망은 심층 신경망(DNN: deep neural network), CNN(convolutional neural network), RNN(recurrent neural network), RBM(restricted boltzmann machine), DBN(deep belief network), BRDNN(bidirectional recurrent deep neural network), 심층 Q-네트워크(deep Q-networks) 또는 상기 중 둘 이상의 조합 중 하나일 수 있으나, 전술한 예에 한정되지 않는다. 인공지능 모델은 하드웨어 구조 이외에, 추가적으로 또는 대체적으로, 소프트웨어 구조를 포함할 수 있다.
메모리(130)는, 전자 장치(101)의 적어도 하나의 구성요소(예: 프로세서(120) 또는 센서 모듈(176))에 의해 사용되는 다양한 데이터를 저장할 수 있다. 데이터는, 예를 들어, 소프트웨어(예: 프로그램(140)) 및, 이와 관련된 명령에 대한 입력 데이터 또는 출력 데이터를 포함할 수 있다. 메모리(130)는, 휘발성 메모리(132) 또는 비휘발성 메모리(134)를 포함할 수 있다.
프로그램(140)은 메모리(130)에 소프트웨어로서 저장될 수 있으며, 예를 들면, 운영 체제(142), 미들 웨어(144) 또는 어플리케이션(146)을 포함할 수 있다.
입력 모듈(150)은, 전자 장치(101)의 구성요소(예: 프로세서(120))에 사용될 명령 또는 데이터를 전자 장치(101)의 외부(예: 사용자)로부터 수신할 수 있다. 입력 모듈(150)은, 예를 들면, 마이크, 마우스, 키보드, 키(예: 버튼), 또는 디지털 펜(예: 스타일러스 펜)을 포함할 수 있다.
음향 출력 모듈(155)은 음향 신호를 전자 장치(101)의 외부로 출력할 수 있다. 음향 출력 모듈(155)은, 예를 들면, 스피커 또는 리시버를 포함할 수 있다. 스피커는 멀티미디어 재생 또는 녹음 재생과 같이 일반적인 용도로 사용될 수 있다. 리시버는 착신 전화를 수신하기 위해 사용될 수 있다. 일실시예에 따르면, 리시버는 스피커와 별개로, 또는 그 일부로서 구현될 수 있다.
디스플레이 모듈(160)은 전자 장치(101)의 외부(예: 사용자)로 정보를 시각적으로 제공할 수 있다. 디스플레이 모듈(160)은, 예를 들면, 디스플레이, 홀로그램 장치, 또는 프로젝터 및 해당 장치를 제어하기 위한 제어 회로를 포함할 수 있다. 일실시예에 따르면, 디스플레이 모듈(160)은 터치를 감지하도록 설정된 터치 센서, 또는 상기 터치에 의해 발생되는 힘의 세기를 측정하도록 설정된 압력 센서를 포함할 수 있다.
오디오 모듈(170)은 소리를 전기 신호로 변환시키거나, 반대로 전기 신호를 소리로 변환시킬 수 있다. 일실시예에 따르면, 오디오 모듈(170)은, 입력 모듈(150)을 통해 소리를 획득하거나, 음향 출력 모듈(155), 또는 전자 장치(101)와 직접 또는 무선으로 연결된 외부 전자 장치(예: 전자 장치(102))(예: 스피커 또는 헤드폰)를 통해 소리를 출력할 수 있다.
센서 모듈(176)은 전자 장치(101)의 작동 상태(예: 전력 또는 온도), 또는 외부의 환경 상태(예: 사용자 상태)를 감지하고, 감지된 상태에 대응하는 전기 신호 또는 데이터 값을 생성할 수 있다. 일실시예에 따르면, 센서 모듈(176)은, 예를 들면, 제스처 센서, 자이로 센서, 기압 센서, 마그네틱 센서, 가속도 센서, 그립 센서, 근접 센서, 컬러 센서, IR(infrared) 센서, 생체 센서, 온도 센서, 습도 센서, 또는 조도 센서를 포함할 수 있다.
인터페이스(177)는 전자 장치(101)가 외부 전자 장치(예: 전자 장치(102))와 직접 또는 무선으로 연결되기 위해 사용될 수 있는 하나 이상의 지정된 프로토콜들을 지원할 수 있다. 일실시예에 따르면, 인터페이스(177)는, 예를 들면, HDMI(high definition multimedia interface), USB(universal serial bus) 인터페이스, SD카드 인터페이스, 또는 오디오 인터페이스를 포함할 수 있다.
연결 단자(178)는, 그를 통해서 전자 장치(101)가 외부 전자 장치(예: 전자 장치(102))와 물리적으로 연결될 수 있는 커넥터를 포함할 수 있다. 일실시예에 따르면, 연결 단자(178)는, 예를 들면, HDMI 커넥터, USB 커넥터, SD 카드 커넥터, 또는 오디오 커넥터(예: 헤드폰 커넥터)를 포함할 수 있다.
햅틱 모듈(179)은 전기적 신호를 사용자가 촉각 또는 운동 감각을 통해서 인지할 수 있는 기계적인 자극(예: 진동 또는 움직임) 또는 전기적인 자극으로 변환할 수 있다. 일실시예에 따르면, 햅틱 모듈(179)은, 예를 들면, 모터, 압전 소자, 또는 전기 자극 장치를 포함할 수 있다.
카메라 모듈(180)은 정지 영상 및 동영상을 촬영할 수 있다. 일실시예에 따르면, 카메라 모듈(180)은 하나 이상의 렌즈들, 이미지 센서들, 이미지 시그널 프로세서들, 또는 플래시들을 포함할 수 있다.
전력 관리 모듈(188)은 전자 장치(101)에 공급되는 전력을 관리할 수 있다. 일실시예에 따르면, 전력 관리 모듈(188)은, 예를 들면, PMIC(power management integrated circuit)의 적어도 일부로서 구현될 수 있다.
배터리(189)는 전자 장치(101)의 적어도 하나의 구성요소에 전력을 공급할 수 있다. 일실시예에 따르면, 배터리(189)는, 예를 들면, 재충전 불가능한 1차 전지, 재충전 가능한 2차 전지 또는 연료 전지를 포함할 수 있다.
통신 모듈(190)은 전자 장치(101)와 외부 전자 장치(예: 전자 장치(102), 전자 장치(104), 또는 서버(108)) 간의 직접(예: 유선) 통신 채널 또는 무선 통신 채널의 수립, 및 수립된 통신 채널을 통한 통신 수행을 지원할 수 있다. 통신 모듈(190)은 프로세서(120)(예: 어플리케이션 프로세서)와 독립적으로 운영되고, 직접(예: 유선) 통신 또는 무선 통신을 지원하는 하나 이상의 커뮤니케이션 프로세서를 포함할 수 있다. 일실시예에 따르면, 통신 모듈(190)은 무선 통신 모듈(192)(예: 셀룰러 통신 모듈, 근거리 무선 통신 모듈, 또는 GNSS(global navigation satellite system) 통신 모듈) 또는 유선 통신 모듈(194)(예: LAN(local area network) 통신 모듈, 또는 전력선 통신 모듈)을 포함할 수 있다. 이들 통신 모듈 중 해당하는 통신 모듈은 제 1 네트워크(198)(예: 블루투스, WiFi(wireless fidelity) direct 또는 IrDA(infrared data association)와 같은 근거리 통신 네트워크) 또는 제 2 네트워크(199)(예: 레거시 셀룰러 네트워크, 5G 네트워크, 차세대 통신 네트워크, 인터넷, 또는 컴퓨터 네트워크(예: LAN 또는 WAN)와 같은 원거리 통신 네트워크)를 통하여 외부의 전자 장치(104)와 통신할 수 있다. 이런 여러 종류의 통신 모듈들은 하나의 구성요소(예: 단일 칩)로 통합되거나, 또는 서로 별도의 복수의 구성요소들(예: 복수 칩들)로 구현될 수 있다. 무선 통신 모듈(192)은 가입자 식별 모듈(196)에 저장된 가입자 정보(예: 국제 모바일 가입자 식별자(IMSI))를 이용하여 제 1 네트워크(198) 또는 제 2 네트워크(199)와 같은 통신 네트워크 내에서 전자 장치(101)를 확인 또는 인증할 수 있다.
무선 통신 모듈(192)은 4G 네트워크 이후의 5G 네트워크 및 차세대 통신 기술, 예를 들어, NR 접속 기술(new radio access technology)을 지원할 수 있다. NR 접속 기술은 고용량 데이터의 고속 전송(eMBB(enhanced mobile broadband)), 단말 전력 최소화와 다수 단말의 접속(mMTC(massive machine type communications)), 또는 고신뢰도와 저지연(URLLC(ultra-reliable and low-latency communications))을 지원할 수 있다. 무선 통신 모듈(192)은, 예를 들어, 높은 데이터 전송률 달성을 위해, 고주파 대역(예: mmWave 대역)을 지원할 수 있다. 무선 통신 모듈(192)은 고주파 대역에서의 성능 확보를 위한 다양한 기술들, 예를 들어, 빔포밍(beamforming), 거대 배열 다중 입출력(massive MIMO(multiple-input and multiple-output)), 전차원 다중입출력(FD-MIMO: full dimensional MIMO), 어레이 안테나(array antenna), 아날로그 빔형성(analog beam-forming), 또는 대규모 안테나(large scale antenna)와 같은 기술들을 지원할 수 있다. 무선 통신 모듈(192)은 전자 장치(101), 외부 전자 장치(예: 전자 장치(104)) 또는 네트워크 시스템(예: 제 2 네트워크(199))에 규정되는 다양한 요구사항을 지원할 수 있다. 일실시예에 따르면, 무선 통신 모듈(192)은 eMBB 실현을 위한 Peak data rate(예: 20Gbps 이상), mMTC 실현을 위한 손실 Coverage(예: 164dB 이하), 또는 URLLC 실현을 위한 U-plane latency(예: 다운링크(DL) 및 업링크(UL) 각각 0.5ms 이하, 또는 라운드 트립 1ms 이하)를 지원할 수 있다.
안테나 모듈(197)은 신호 또는 전력을 외부(예: 외부의 전자 장치)로 송신하거나 외부로부터 수신할 수 있다. 일실시예에 따르면, 안테나 모듈(197)은 서브스트레이트(예: PCB) 위에 형성된 도전체 또는 도전성 패턴으로 이루어진 방사체를 포함하는 안테나를 포함할 수 있다. 일실시예에 따르면, 안테나 모듈(197)은 복수의 안테나들(예: 어레이 안테나)을 포함할 수 있다. 이런 경우, 제 1 네트워크(198) 또는 제 2 네트워크(199)와 같은 통신 네트워크에서 사용되는 통신 방식에 적합한 적어도 하나의 안테나가, 예를 들면, 통신 모듈(190)에 의하여 상기 복수의 안테나들로부터 선택될 수 있다. 신호 또는 전력은 상기 선택된 적어도 하나의 안테나를 통하여 통신 모듈(190)과 외부의 전자 장치 간에 송신되거나 수신될 수 있다. 어떤 실시예에 따르면, 방사체 이외에 다른 부품(예: RFIC(radio frequency integrated circuit))이 추가로 안테나 모듈(197)의 일부로 형성될 수 있다.
다양한 실시예에 따르면, 안테나 모듈(197)은 mmWave 안테나 모듈을 형성할 수 있다. 일실시예에 따르면, mmWave 안테나 모듈은 인쇄 회로 기판, 상기 인쇄 회로 기판의 제 1 면(예: 아래 면)에 또는 그에 인접하여 배치되고 지정된 고주파 대역(예: mmWave 대역)을 지원할 수 있는 RFIC, 및 상기 인쇄 회로 기판의 제 2 면(예: 윗 면 또는 측 면)에 또는 그에 인접하여 배치되고 상기 지정된 고주파 대역의 신호를 송신 또는 수신할 수 있는 복수의 안테나들(예: 어레이 안테나)을 포함할 수 있다.
상기 구성요소들 중 적어도 일부는 주변 기기들간 통신 방식(예: 버스, GPIO(general purpose input and output), SPI(serial peripheral interface), 또는 MIPI(mobile industry processor interface))을 통해 서로 연결되고 신호(예: 명령 또는 데이터)를 상호간에 교환할 수 있다.
일실시예에 따르면, 명령 또는 데이터는 제 2 네트워크(199)에 연결된 서버(108)를 통해서 전자 장치(101)와 외부의 전자 장치(104)간에 송신 또는 수신될 수 있다. 외부의 전자 장치(102, 또는 104) 각각은 전자 장치(101)와 동일한 또는 다른 종류의 장치일 수 있다. 일실시예에 따르면, 전자 장치(101)에서 실행되는 동작들의 전부 또는 일부는 외부의 전자 장치들(102, 104, 또는 108) 중 하나 이상의 외부의 전자 장치들에서 실행될 수 있다. 예를 들면, 전자 장치(101)가 어떤 기능이나 서비스를 자동으로, 또는 사용자 또는 다른 장치로부터의 요청에 반응하여 수행해야 할 경우에, 전자 장치(101)는 기능 또는 서비스를 자체적으로 실행시키는 대신에 또는 추가적으로, 하나 이상의 외부의 전자 장치들에게 그 기능 또는 그 서비스의 적어도 일부를 수행하라고 요청할 수 있다. 상기 요청을 수신한 하나 이상의 외부의 전자 장치들은 요청된 기능 또는 서비스의 적어도 일부, 또는 상기 요청과 관련된 추가 기능 또는 서비스를 실행하고, 그 실행의 결과를 전자 장치(101)로 전달할 수 있다. 전자 장치(101)는 상기 결과를, 그대로 또는 추가적으로 처리하여, 상기 요청에 대한 응답의 적어도 일부로서 제공할 수 있다. 이를 위하여, 예를 들면, 클라우드 컴퓨팅, 분산 컴퓨팅, 모바일 에지 컴퓨팅(MEC: mobile edge computing), 또는 클라이언트-서버 컴퓨팅 기술이 이용될 수 있다. 전자 장치(101)는, 예를 들어, 분산 컴퓨팅 또는 모바일 에지 컴퓨팅을 이용하여 초저지연 서비스를 제공할 수 있다. 다른 실시예에 있어서, 외부의 전자 장치(104)는 IoT(internet of things) 기기를 포함할 수 있다. 서버(108)는 기계 학습 및/또는 신경망을 이용한 지능형 서버일 수 있다. 일실시예에 따르면, 외부의 전자 장치(104) 또는 서버(108)는 제 2 네트워크(199) 내에 포함될 수 있다. 전자 장치(101)는 5G 통신 기술 및 IoT 관련 기술을 기반으로 지능형 서비스(예: 스마트 홈, 스마트 시티, 스마트 카, 또는 헬스 케어)에 적용될 수 있다.
서버(108)는 전자 장치(101)가 접속되며, 접속된 전자 장치(101)로 서비스를 제공할 수 있다. 또한, 서버(108)는 회원 가입 절차를 진행하여 그에 따라 회원으로 가입된 사용자의 각종 정보를 저장하여 관리하고, 서비스에 관련된 각종 구매 및 결제 기능을 제공할 수도 있다. 또한, 서버(108)는, 사용자 간에 서비스를 공유할 수 있도록, 복수의 전자 장치(101) 각각에서 실행되는 서비스 애플리케이션의 실행 데이터를 실시간으로 공유할 수도 있다. 이러한 서버(108)는 하드웨어적으로는 통상적인 웹 서버(Web Server) 또는 서비스 서버(Service Server)와 동일한 구성을 가질 수 있다. 그러나, 소프트웨어적으로는, C, C++, Java, Python, Golang, kotlin 등 여하한 언어를 통하여 구현되어 여러 가지 기능을 하는 프로그램 모듈(Module)을 포함할 수 있다. 또한, 서버(108)는 일반적으로 인터넷과 같은 개방형 컴퓨터 네트워크를 통하여 불특정 다수 클라이언트 및/또는 다른 서버와 연결되어 있고, 클라이언트 또는 다른 서버의 작업수행 요청을 접수하고 그에 대한 작업 결과를 도출하여 제공하는 컴퓨터 시스템 및 그를 위하여 설치되어 있는 컴퓨터 소프트웨어(서버 프로그램)를 뜻하는 것이다. 또한, 서버(108)는, 전술한 서버 프로그램 이외에도, 서버(108) 상에서 동작하는 일련의 응용 프로그램(Application Program)과 경우에 따라서는 내부 또는 외부에 구축되어 있는 각종 데이터베이스(DB: Database, 이하 "DB"라 칭함)를 포함하는 넓은 개념으로 이해되어야 할 것이다. 따라서, 서버(108)는, 회원 가입 정보와, 게임에 대한 각종 정보 및 데이터를 분류하여 DB에 저장시키고 관리하는데, 이러한 DB는 서버(108)의 내부 또는 외부에 구현될 수 있다. 또한, 서버(108)는, 일반적인 서버용 하드웨어에 윈도우(windows), 리눅스(Linux), 유닉스(UNIX), 매킨토시(Macintosh) 등의 운영체제에 따라 다양하게 제공되고 있는 서버 프로그램을 이용하여 구현될 수 있으며, 대표적인 것으로는 윈도우 환경에서 사용되는 IIS(Internet Information Server)와 유닉스환경에서 사용되는 CERN, NCSA, APPACH, TOMCAT 등을 이용하여 웹 서비스를 구현할 수 있다. 또한, 서버(108)는, 서비스의 사용자 인증이나 서비스와 관련된 구매 결제를 위한 인증 시스템 및 결제 시스템과 연동할 수도 있다.
제1 네트워크(198) 및 제2 네트워크(199)는 단말들 및 서버들과 같은 각각의 노드 상호 간에 정보 교환이 가능한 연결 구조 또는 서버(108)와 전자 장치들(101, 104)을 연결하는 망(Network)을 의미한다. 제1 네트워크(198) 및 제2 네트워크(199)는 인터넷(Internet), LAN(Local Area Network), Wireless LAN(Wireless Local Area Network), WAN(Wide Area Network), PAN(Personal Area Network), 3G, 4G, LTE, 5G, Wi-Fi 등이 포함되나 이에 한정되지는 않는다. 제1 네트워크(198) 및 제2 네트워크(199)는 LAN, WAN 등의 폐쇄형 제1 네트워크(198) 및 제2 네트워크(199)일 수도 있으나, 인터넷(Internet)과 같은 개방형인 것이 바람직하다. 인터넷은 TCP/IP 프로토콜, TCP, UDP(user datagram protocol) 등의 프로토콜 및 그 상위계층에 존재하는 여러 서비스, 즉 HTTP(HyperText Transfer Protocol), Telnet, FTP(File Transfer Protocol), DNS(Domain Name System), SMTP(Simple Mail Transfer Protocol), SNMP(Simple Network Management Protocol), NFS(Network File Service), NIS(Network Information Service)를 제공하는 전 세계적인 개방형 컴퓨터 제1 네트워크(198) 및 제2 네트워크(199) 구조를 의미한다.
데이터베이스는 데이터베이스 관리 프로그램(DBMS)을 이용하여 컴퓨터 시스템의 저장공간(하드디스크 또는 메모리)에 구현된 일반적인 데이터구조를 가질 수 있다. 데이터베이스는 데이터의 검색(추출), 삭제, 편집, 추가 등을 자유롭게 행할 수 있는 데이터 저장형태를 가질 수 있다. 데이터베이스는 오라클(Oracle), 인포믹스(Infomix), 사이베이스(Sybase), DB2와 같은 관계형 데이타베이스 관리 시스템(RDBMS)이나, 겜스톤(Gemston), 오리온(Orion), O2 등과 같은 객체 지향 데이타베이스 관리 시스템(OODBMS) 및 엑셀론(Excelon), 타미노(Tamino), 세카이주(Sekaiju) 등의 XML 전용 데이터베이스(XML Native Database)를 이용하여 본 개시의 일 실시예의 목적에 맞게 구현될 수 있고, 자신의 기능을 달성하기 위하여 적당한 필드(Field) 또는 엘리먼트들을 가질 수 있다.
도 2는 일 실시예에 따른 프로그램의 구성을 나타내는 도면이다.
도 2은 다양한 실시예에 따른 프로그램(140)을 예시하는 블록도(200)이다. 일실시예에 따르면, 프로그램(140)은 전자 장치(101)의 하나 이상의 리소스들을 제어하기 위한 운영 체제(142), 미들웨어(144), 또는 상기 운영 체제(142)에서 실행 가능한 어플리케이션(146)을 포함할 수 있다. 운영 체제(142)는, 예를 들면, AndroidTM, iOSTM, WindowsTM, SymbianTM 또는 TizenTM 를 포함할 수 있다. 프로그램(140) 중 적어도 일부 프로그램은, 예를 들면, 제조 시에 전자 장치(101)에 프리로드되거나, 또는 사용자에 의해 사용 시 외부 전자 장치(예: 전자 장치(102 또는 104), 또는 서버(108))로부터 다운로드되거나 갱신 될 수 있다. 프로그램(140)의 전부 또는 일부는 뉴럴 네트워크를 포함할 수 있다.
운영 체제(142)는 전자 장치(101)의 하나 이상의 시스템 리소스들(예: 프로세스, 메모리, 또는 전원)의 관리(예: 할당 또는 회수)를 제어할 수 있다. 운영 체제(142)는, 추가적으로 또는 대체적으로, 전자 장치(101)의 다른 하드웨어 디바이스, 예를 들면, 입력 모듈(150), 음향 출력 모듈(155), 디스플레이 모듈(160), 오디오 모듈(170), 센서 모듈(176), 인터페이스(177), 햅틱 모듈(179), 카메라 모듈(180), 전력 관리 모듈(188), 배터리(189), 통신 모듈(190), 가입자 식별 모듈(196), 또는 안테나 모듈(197)을 구동하기 위한 하나 이상의 드라이버 프로그램들을 포함할 수 있다.
미들웨어(144)는 전자 장치(101)의 하나 이상의 리소스들로부터 제공되는 기능 또는 정보가 어플리케이션(146)에 의해 사용될 수 있도록 다양한 기능들을 어플리케이션(146)으로 제공할 수 있다. 미들웨어(144)는, 예를 들면, 어플리케이션 매니저(201), 윈도우 매니저(203), 멀티미디어 매니저(205), 리소스 매니저(207), 파워 매니저(209), 데이터베이스 매니저(211), 패키지 매니저(213), 커넥티비티 매니저(215), 노티피케이션 매니저(217), 로케이션 매니저(219), 그래픽 매니저(221), 시큐리티 매니저(223), 통화 매니저(225), 또는 음성 인식 매니저(227)를 포함할 수 있다.
어플리케이션 매니저(201)는, 예를 들면, 어플리케이션(146)의 생명 주기를 관리할 수 있다. 윈도우 매니저(203)는, 예를 들면, 화면에서 사용되는 하나 이상의 GUI 자원들을 관리할 수 있다. 멀티미디어 매니저(205)는, 예를 들면, 미디어 파일들의 재생에 필요한 하나 이상의 포맷들을 파악하고, 그 중 선택된 해당하는 포맷에 맞는 코덱을 이용하여 상기 미디어 파일들 중 해당하는 미디어 파일의 인코딩 또는 디코딩을 수행할 수 있다. 리소스 매니저(207)는, 예를 들면, 어플리케이션(146)의 소스 코드 또는 메모리(130)의 메모리의 공간을 관리할 수 있다. 파워 매니저(209)는, 예를 들면, 배터리(189)의 용량, 온도 또는 전원을 관리하고, 이 중 해당 정보를 이용하여 전자 장치(101)의 동작에 필요한 관련 정보를 결정 또는 제공할 수 있다. 일실시예에 따르면, 파워 매니저(209)는 전자 장치(101)의 바이오스(BIOS: basic input/output system)(미도시)와 연동할 수 있다.
데이터베이스 매니저(211)는, 예를 들면, 어플리케이션(146)에 의해 사용될 데이터베이스를 생성, 검색, 또는 변경할 수 있다. 패키지 매니저(213)는, 예를 들면, 패키지 파일의 형태로 배포되는 어플리케이션의 설치 또는 갱신을 관리할 수 있다. 커넥티비티 매니저(215)는, 예를 들면, 전자 장치(101)와 외부 전자 장치 간의 무선 연결 또는 직접 연결을 관리할 수 있다. 노티피케이션 매니저(217)는, 예를 들면, 지정된 이벤트(예: 착신 통화, 메시지, 또는 알람)의 발생을 사용자에게 알리기 위한 기능을 제공할 수 있다. 로케이션 매니저(219)는, 예를 들면, 전자 장치(101)의 위치 정보를 관리할 수 있다. 그래픽 매니저(221)는, 예를 들면, 사용자에게 제공될 하나 이상의 그래픽 효과들 또는 이와 관련된 사용자 인터페이스를 관리할 수 있다.
시큐리티 매니저(223)는, 예를 들면, 시스템 보안 또는 사용자 인증을 제공할 수 있다. 통화(telephony) 매니저(225)는, 예를 들면, 전자 장치(101)에 의해 제공되는 음성 통화 기능 또는 영상 통화 기능을 관리할 수 있다. 음성 인식 매니저(227)는, 예를 들면, 사용자의 음성 데이터를 서버(108)로 전송하고, 그 음성 데이터에 적어도 일부 기반하여 전자 장치(101)에서 수행될 기능에 대응하는 명령어(command), 또는 그 음성 데이터에 적어도 일부 기반하여 변환된 문자 데이터를 서버(108)로부터 수신할 수 있다. 일 실시예에 따르면, 미들웨어(244)는 동적으로 기존의 구성요소를 일부 삭제하거나 새로운 구성요소들을 추가할 수 있다. 일 실시예에 따르면, 미들웨어(144)의 적어도 일부는 운영 체제(142)의 일부로 포함되거나, 또는 운영 체제(142)와는 다른 별도의 소프트웨어로 구현될 수 있다.
어플리케이션(146)은, 예를 들면, 홈(251), 다이얼러(253), SMS/MMS(255), IM(instant message)(257), 브라우저(259), 카메라(261), 알람(263), 컨택트(265), 음성 인식(267), 이메일(269), 달력(271), 미디어 플레이어(273), 앨범(275), 와치(277), 헬스(279)(예: 운동량 또는 혈당과 같은 생체 정보를 측정), 또는 환경 정보(281)(예: 기압, 습도, 또는 온도 정보 측정) 어플리케이션을 포함할 수 있다. 일실시예에 따르면, 어플리케이션(146)은 전자 장치(101)와 외부 전자 장치 사이의 정보 교환을 지원할 수 있는 정보 교환 어플리케이션(미도시)을 더 포함할 수 있다. 정보 교환 어플리케이션은, 예를 들면, 외부 전자 장치로 지정된 정보 (예: 통화, 메시지, 또는 알람)를 전달하도록 설정된 노티피케이션 릴레이 어플리케이션, 또는 외부 전자 장치를 관리하도록 설정된 장치 관리 어플리케이션을 포함할 수 있다. 노티피케이션 릴레이 어플리케이션은, 예를 들면, 전자 장치(101)의 다른 어플리케이션(예: 이메일 어플리케이션(269))에서 발생된 지정된 이벤트(예: 메일 수신)에 대응하는 알림 정보를 외부 전자 장치로 전달할 수 있다. 추가적으로 또는 대체적으로, 노티피케이션 릴레이 어플리케이션은 외부 전자 장치로부터 알림 정보를 수신하여 전자 장치(101)의 사용자에게 제공할 수 있다.
장치 관리 어플리케이션은, 예를 들면, 전자 장치(101)와 통신하는 외부 전자 장치 또는 그 일부 구성 요소(예: 외부 전자장치의 디스플레이 모듈 또는 카메라 모듈)의 전원(예: 턴-온 또는 턴-오프) 또는 기능(예: 밝기, 해상도, 또는 포커스)을 제어할 수 있다. 장치 관리 어플리케이션은, 추가적으로 또는 대체적으로, 외부 전자 장치에서 동작하는 어플리케이션의 설치, 삭제, 또는 갱신을 지원할 수 있다.
본 명세서에 걸쳐, 뉴럴 네트워크(neural network), 신경망 네트워크, 네트워크 함수는, 동일한 의미로 사용될 수 있다. 뉴럴 네트워크는, 일반적으로 "노드"라 지칭될 수 있는 상호 연결된 계산 단위들의 집합으로 구성될 수 있다. 이러한 "노드"들은, "뉴런(neuron)"들로 지칭될 수도 있다. 뉴럴 네트워크는, 적어도 둘 이상의 노드들을 포함하여 구성된다. 뉴럴 네트워크들을 구성하는 노드(또는 뉴런)들은 하나 이상의 "링크"에 의해 상호 연결될 수 있다.
뉴럴 네트워크 내에서, 링크를 통해 연결된 둘 이상의 노드들은 상대적으로 입력 노드 및 출력 노드의 관계를 형성할 수 있다. 입력 노드 및 출력 노드의 개념은 상대적인 것으로서, 하나의 노드에 대하여 출력 노드 관계에 있는 임의의 노드는 다른 노드와의 관계에서 입력 노드 관계에 있을 수 있으며, 그 역도 성립할 수 있다. 전술한 바와 같이, 입력 노드 대 출력 노드 관계는 링크를 중심으로 생성될 수 있다. 하나의 입력 노드에 하나 이상의 출력 노드가 링크를 통해 연결될 수 있으며, 그 역도 성립할 수 있다.
하나의 링크를 통해 연결된 입력 노드 및 출력 노드 관계에서, 출력 노드는 입력 노드에 입력된 데이터에 기초하여 그 값이 결정될 수 있다. 여기서, 입력 노드와 출력 노드를 상호 연결하는 노드는 가중치를 가질 수 있다. 가중치는 가변적일 수 있으며, 뉴럴 네트워크가 원하는 기능을 수행하기 위해, 사용자 또는 알고리즘에 의해 가변될 수 있다. 예를 들어, 하나의 출력 노드에 하나 이상의 입력 노드가 각각의 링크에 의해 상호 연결된 경우, 출력 노드는 상기 출력 노드와 연결된 입력 노드들에 입력된 값들 및 각각의 입력 노드들에 대응하는 링크에 설정된 가중치에 기초하여 출력 노드 값을 결정할 수 있다.
전술한 바와 같이, 뉴럴 네트워크는, 둘 이상의 노드들이 하나 이상의 링크를 통해 상호연결 되어 뉴럴 네트워크 내에서 입력 노드 및 출력 노드 관계를 형성한다. 뉴럴 네트워크 내에서 노드들과 링크들의 개수 및 노드들과 링크들 사이의 연관관계, 링크들 각각에 부여된 가중치의 값에 따라, 신경망 네트워크의 특성이 결정될 수 있다. 예를 들어, 동일한 개수의 노드 및 링크들이 존재하고, 링크들 사이의 가중치 값이 상이한 두 신경망 네트워크가 존재하는 경우, 두 개의 신경망 네트워크들은 서로 상이한 것으로 인식될 수 있다.
도 3은 일 실시예에 따른 영어 교육 서버가 학습자 단말과 학부모 단말에게 영어 교육 서비스를 제공하는 방법을 나타낸다. 도 3의 일 실시예는 본 개시의 다양한 실시예들과 결합될 수 있다.
도 3을 참조하면, 단계 S301에서, 영어 교육 서버는 상기 영어 교육 서버에 입력된 커리큘럼 정보를 기반으로 학습 동영상을 학습자 단말에게 전송할 수 있다.
여기서, 영어 교육 서버는 학습자 단말 및 학부모 단말에게 영어 교육 서비스를 제공하는 서버일 수 있다. 예를 들어, 영어 교육 서버는 도 1의 서버(108)일 수 있다. 학습자 단말은 상기 영어 교육 서버로부터 영어 교육 서비스를 제공받는 단말로서, 영어 교육 서비스를 통해 영어 학습을 진행하는 학습자가 사용하는 단말일 수 있다. 예를 들어, 학습자 단말은 도 1의 전자 장치(101)일 수 있다. 학부모 단말은 상기 영어 교육 서비스를 통해 영어 학습을 진행하는 학습자의 학부모가 사용하는 단말일 수 있다. 예를 들어, 학부모 단말은 도 1의 전자 장치(101) 또는 전자 장치(102)일 수 있다.
커리큘럼 정보는 상기 학습자 단말에게 제공되는 영어 학습의 커리큘럼에 대한 정보일 수 있다. 예를 들어, 상기 커리큘럼 정보는 복수의 단계별 학습 동영상 및 복수의 단계별 학습 컨텐츠를 포함할 수 있다. 여기서, 단계별 학습 동영상은 학습자 단말의 영어 실력에 따라 단계별로 분류된 학습 동영상일 수 있다. 단계별 학습 컨텐츠는 학습자 단말의 영어 실력에 따라 단계별로 분류된 학습 컨텐츠로서, 상기 학습 동영상에 대한 영어 스크립트를 기반으로 생성된 학습 컨텐츠일 수 있다.
예를 들어, 복수의 단계별 학습 컨텐츠는 알파벳 및 기본적인 영어 문법을 포함하는 제1 기초 단계 콘텐츠, 적어도 하나의 영어 단어로 구성된 제2 기초 단계 컨텐츠, 기본 문장 구조를 포함하는 영어 문장으로 구성된 제3 기초 단계 컨텐츠, 기본 문장 구조에 전치사구를 결합한 영어 문장으로 구성된 제1 중급 단계 컨텐츠, 기본 문장 구조에 동명사구를 결합한 영어 문장으로 구성된 제2 중급 단계 컨텐츠, 기본 문장 구조에 형용사구를 결합한 영어 문장으로 구성된 제3 중급 단계 컨텐츠, 기본 문장 구조에 명사절, 형용사절 또는 부사절 중 적어도 하나를 결합한 제4 중급 단계 컨텐츠, 드라마, 영화, 다큐멘터리 또는 애니메이션 중 적어도 하나를 포함하는 고급 단계 콘텐츠를 포함할 수 있다.
예를 들어, 영어 교육 서버는 상기 제1 중급 단계 컨텐츠부터 고급 단계 컨텐츠를 구성하는 영어 문장을 학습 동영상에 대한 영어 스크립트를 기반으로 결정할 수 있다. 영어 교육 서버는 학습 동영상에 대한 영어 스크립트에 포함된 영어 문장의 시제를 변화시킬 수 있다. 영어 교육 서버는 상기 제1 중급 단계 컨텐츠부터 고급 단계 컨텐츠를 구성하는 영어 문장에 포함된 주어, 동사, 목적어에 대한 형태소를 자연어 처리를 통해 분석함으로써, 토큰 및 벡터로 태그를 부가하여 각 품사나 시제를 구분할 수 있다. 또는, 예를 들어, 영어 교육 서버는 개체명을 인식하는 인공 지능 모델을 이용하여 상기 제1 중급 단계 컨텐츠부터 고급 단계 컨텐츠를 구성하는 영어 문장에 대해 각 형태소를 분리한 후, 각 품사별로 태깅한 이후에 개체명을 인식시킴으로써, 각 단계에서 필요한 단어의 조합이나 문장을 생성할 수 있다. 여기서, 자연어 처리를 위한 단어 임베딩 모델은 다양한 인공 신경망 모델(NNLM(Neural Network Language Model), NNLM에 RNN(Recurrent Neural Network)를 적용한 RNNLM(Recurrent Neural Network Language Model))을 사용할 수 있다. 개체명 인식 모델은 양방향성 LSTM(Bidirectional Long Short Term Memory)이나 양방향성 GRU(Bidirectional Gated Recurrent Units)에 CRFs(Conditional random fields)를 결합한 방법이 이용될 수도 있다. 예를 들어, 개체명은 인명, 장소명 및 기관명 등 문장에서 특정한 의미를 가지고 있는 단어나 어구를 포함할 수 있다.
복수의 단계별 학습 컨텐츠는 각 단계별로 상기 학습 동영상에 대한 영어 스크립트에 대한 단어 학습 컨텐츠, 청크(Chunk) 학습 컨텐츠, 리딩 학습 컨텐츠, 어순 학습 컨텐츠 및 평가 학습 컨텐츠를 포함할 수 있다. 청크 학습 컨텐츠는 사전 저장된 관용어구를 문장과 분리하여 학습시키는 것으로, 사전 저장된 개수의 단어로 구성된 관용어구들을 학습시키는 컨텐츠일 수 있다. 리딩 학습 컨텐츠는 학습자가 발화한 음성 데이터와 사전 저장된 기준 음성 데이터를 비교함으로써, 단어 또는 문장의 인토네이션(Intonation)이 사전 설정된 인토네이션과 유사해지도록 학습시키는 컨텐츠일 수 있다. 어순 학습 컨텐츠는, 영어 문장의 뜻을 영어 어순에 대응되도록 재배열된 한국어를 기반으로 단어를 배치시키면서 학습시키는 컨텐츠일 수 있다. 평가 학습 컨텐츠는 단어 학습 컨텐츠, 청크(Chunk) 학습 컨텐츠, 리딩 학습 컨텐츠 및 어순 학습 컨텐츠를 기반으로 사전 작성된 평가 문제를 통해 학습자의 학습 정도를 평가하기 위한 컨텐츠일 수 있다.
예를 들어, 학습 동영상은 상기 복수의 단계별 학습 동영상 중에서 상기 학습자 단말과 관련된 관심사에 대한 정보, 상기 학습자 단말과 관련된 학업 성적에 대한 정보 및 상기 학습자 단말에 대한 영어 레벨에 기반하여 결정될 수 있다. 상기 학습자 단말과 관련된 관심사에 대한 정보 및 상기 학습자 단말과 관련된 학업 성적에 대한 정보는 상기 학부모 단말로부터 상기 영어 교육 서버에게 전송될 수 있다.
여기서, 학습자 단말과 관련된 관심사에 대한 정보는 게임에 대한 제1 카테고리, SNS에 대한 제2 카테고리, 영화에 대한 제3 카테고리, 드라마에 대한 제4 카테고리, 애니메이션에 대한 제5 카테고리, 웹툰에 대한 제6 카테고리, 스포츠에 대한 제7 카테고리, 음악에 대한 제8 카테고리, 패션에 대한 제9 카테고리 및 이성친구에 대한 제10 카테고리를 포함할 수 있다. 예를 들어, 각각의 카테고리는 복수의 세부 카테고리를 포함할 수 있고, 각각의 세부 카테고리마다 사전 설정된 카테고리 값이 매칭될 수 있다. 사전 설정된 카테고리 값에 따라 카테고리 별로 학습 동영상이 분류될 수 있다. 예를 들어, 학습자 단말과 관련된 관심사가 힙합인 경우, 제8 카테고리 중에서 힙합에 해당하는 세부 카테고리에 매칭된 카테고리 값이 학습자 단말과 관련된 관심사에 대한 정보에 포함될 수 있다.
학습자 단말과 관련된 학업 성적에 대한 정보는 학습자 단말의 사용자에 대한 생활 통지표에 대한 이미지 정보 또는 학습자 단말의 사용자에 대한 성적표에 대한 이미지 정보를 포함할 수 있다. 생활 통지표는 초등학생의 학적을 기록한 문서이며, 성적표는 중학생 또는 고등학생의 성적을 기록한 문서이다. 학습자 단말에 대한 영어 레벨은 상기 학습자 단말과 관련된 학업 성적에 대한 정보를 기반으로 사전 설정된 복수의 영어 레벨 중에서 결정된 영어 레벨일 수 있다.
예를 들어, 상기 학습자 단말과 관련된 학업 성적에 대한 정보에 학습자 단말의 사용자에 대한 생활 통지표에 대한 이미지 정보가 포함된 경우, 영어 교육 서버는 생활 통지표에 대한 이미지 정보에서 딥러닝 기반의 OCR(optical character recognition) 방식을 통해 각 과목의 평가 항목 또는 종합 의견에 대한 텍스트 데이터를 추출할 수 있다. 예를 들어, 영어 교육 서버는 생활 통지표에 대한 이미지 정보에 대해 픽셀 값들을 분석하여 밝기와 명암 대비를 조절하는 전처리를 수행하고, 생활 통지표에 대한 이미지 정보에 텍스트가 기재된 영역을 수평하게 회전시킬 수 있다. 이후, 영어 교육 서버는 생활 통지표에 대한 이미지 정보에 텍스트가 기재된 영역에 대한 특징 값들을 결정하여 딥러닝 알고리즘을 통해 텍스트 데이터를 인식하고, 인식된 텍스트 데이터의 오타를 수정함으로써, 텍스트 데이터를 추출할 수 있다.
영어 교육 서버는 각 과목의 평가 항목 또는 종합 의견에 대한 텍스트 데이터에 포함된 사전 설정된 단어에 따라 각 과목에 대한 값을 결정하고, 각 과목에 대한 값의 평균 값과 영어 과목의 값을 합산한 값에 따라 사전 설정된 복수의 영어 레벨 중에서 영어 레벨이 선택될 수 있다. 여기서, 사전 설정된 단어는 2차 도달, 1차 도달, 미도달, 잘함, 보통 및 노력요함 등 학습자의 성적을 나타내는 다양한 단어들을 포함할 수 있다. 이때, 사전 설정된 단어마다 점수가 상이하게 매칭되고, 각 과목의 평가 항목 또는 종합 의견에 포함된 사전 설정된 단어에 매칭된 점수가 각 과목의 값으로 결정될 수 있다. 예를 들어, 영어 과목의 평가 항목 또는 종합 의견에 포함된 사전 설정된 단어가 2차 도달인 경우, 영어 과목에 대한 값이 3으로 결정될 수 있다. 여기서, 사전 설정된 복수의 영어 레벨은 초등학생에 대한 복수의 영어 레벨, 중학생에 대한 복수의 영어 레벨 및 고등학생에 대한 복수의 영어 레벨을 포함할 수 있다. 이를 통해, 영어 교육 서버는 각 과목의 값과 영어 과목의 값을 합산한 값이 클수록 사전 설정된 복수의 영어 레벨 중에서 높은 영어 레벨을 선택할 수 있다.
또는, 예를 들어, 상기 학습자 단말과 관련된 학업 성적에 대한 정보를 학부모 단말로부터 수신하지 못한 경우, 학습자 단말에 대한 영어 레벨은 상기 사전 설정된 복수의 영어 레벨 중에서 기본 영어 레벨로 설정될 수 있다.
예를 들어, 영어 교육 서버는 복수의 단계별 학습 동영상 중에서 학습자 단말에 대한 영어 레벨에 매칭되는 적어도 하나의 학습 동영상을 결정하고, 상기 적어도 하나의 학습 동영상 중에서 학습자 단말과 관련된 관심사에 대한 정보에 포함된 카테고리 값에 매칭되는 학습 동영상을 결정할 수 있다.
예를 들어, 영어 교육 서버는 해당 학습 동영상과 관련된 복수의 단계별 학습 컨텐츠 중에서 학습자 단말에 대한 영어 레벨에 매칭되는 학습 컨텐츠를 결정할 수 있다. 학습자 단말에 대한 영어 레벨에 매칭되는 학습 컨텐츠는 상기 영어 교육 서버에 사전 설정될 수 있다.
단계 S302에서, 영어 교육 서버는 상기 학습자 단말로부터 상기 학습 동영상에 대한 시청을 완료한 것을 나타내는 시청 완료 메시지를 수신할 수 있다.
단계 S303에서, 영어 교육 서버는 상기 시청 완료 메시지를 수신한 것에 기반하여 테스트 메시지를 상기 학습자 단말에게 전송할 수 있다.
여기서, 테스트 메시지는 상기 학습자 단말의 영어 발음을 테스트하기 위한 메시지로서, 상기 학습 동영상의 영어 스크립트에 포함된 적어도 하나의 영어 문장을 포함할 수 있다. 예를 들어, 학습 동영상의 영어 스크립트에 포함된 적어도 하나의 영어 문장은 학습 동영상의 영어 스크립트에 포함된 복수의 영어 문장 중에서 랜덤하게 선택될 수 있다.
단계 S304에서, 영어 교육 서버는 상기 학습자 단말로부터 음성 데이터를 포함하는 테스트 결과 메시지를 수신할 수 있다. 예를 들어, 테스트 결과 메시지는 상기 테스트 메시지에 따라 상기 학습자 단말에 의해 녹음된 적어도 하나의 영어 문장을 포함하는 메시지일 수 있다. 음성 데이터는 상기 테스트 메시지에 포함된 적어도 하나의 영어 문장을 상기 학습자 단말의 사용자가 발화한 오디오 데이터일 수 있다.
단계 S305에서, 영어 교육 서버는 상기 음성 데이터에 기반하여 제1 뉴럴 네트워크를 이용한 제1 평가 모델을 통해 상기 학습자 단말의 제1 평가 점수를 결정할 수 있다.
음성 데이터에 대한 데이터 전처리를 통해 피치 주기와 관련된 값, 진폭과 관련된 값, 기본 주파수와 관련된 값, 하모닉 에너지와 관련된 값 및 하모닉과 잡음의 에너지 비율과 관련된 값 및 초당 평균 음절 수로 구성된 입력 벡터가 결정될 수 있다.
예를 들어, 영어 교육 서버는 음성 데이터에 대한 데이터 전처리를 통해 음원 정보를 결정할 수 있고, 상기 음원 정보를 기반으로 피치 주기와 관련된 값, 진폭과 관련된 값, 기본 주파수와 관련된 값, 하모닉 에너지와 관련된 값, 하모닉과 잡음의 에너지 비율과 관련된 값 및 초당 평균 음절 수로 구성된 입력 벡터를 결정할 수 있다.
영어 교육 서버는 상기 음성 데이터의 파형을 일정 프레임으로 나누고, 시간 영역에서 주파수 영역으로 변환시킴으로써, 서로 다른 주파수의 합의 형태로 변환할 수 있다. 예를 들어, 과거의 일정 개수의 샘플 값들에 계수를 각각 곱하고 이를 총 합한 값으로 현재의 샘플 값을 예측하는 방식의 선형 예측 계수(linear Predictive coefficient, LPC) 기술, 켑스트럼(cepstrum) 기술, 사람의 귀가 주파수 변화에 반응하게 되는 양상이 선형적이지 않고 로그스케일과 비슷한 멜스케일을 따르는 청각적 특성을 반영한 MFCC(Mel Frequency Cepstral Coefficient) 기술 및 각 대역통과 필터를 통과한 출력의 에너지 값을 음성 특징으로 사용하는 주파수 대역별 에너지(filter bank energy) 기술 등과 같이 다양한 음성 특징 추출 기술을 통해 영어 교육 서버는 상기 음성 데이터에 대한 음원 정보를 결정할 수 있다.
상기 음원 정보는 피치(pitch)와 관련된 값, 진폭(amplitude)과 관련된 값, 포만트(formant)와 관련된 값, 하모닉 에너지와 관련된 값 및 하모닉과 잡음의 에너지 비율과 관련된 값을 포함할 수 있다. 여기서, 피치는 기본 주파수(fundamental frequency), 즉, F0를 의미하고, 음성의 주기적 특성을 나타낼 수 있다. 여기서, 진폭은 소리의 크기를 결정하는 요소이다. 여기서, 포만트는 성도의 공명을 나타내는 것으로, 음성 신호를 주파수 영역으로 변환하여 주파수 에너지의 정점을 연결한 선들을 의미한다. 이때, 가장 낮은 주파수 정점부터 F1, F2, F3의 순서로 표현하며, 일반적으로 모음에 대해 F1 내지 F3 주파수 영역에서 높은 에너지가 나타날 수 있다. 여기서, 하모닉은 기본 주파수의 배수 주파수 성분으로, 하모닉 에너지는 기본 주파수의 배수 주파수에 대한 에너지이다.
예를 들어, 피치와 관련된 값은 피치 주기의 평균 변화율을 포함할 수 있다. 진폭과 관련된 값은 진폭 변화율의 평균값을 포함할 수 있다. 포만트와 관련된 값은 포만트의 진폭 및 포먼트의 대역폭을 포함할 수 있다. 하모닉 에너지와 관련된 값은 주파수가 증가함에 따른 하모닉 에너지의 감소율, 저주파에서의 하모닉 에너지와 고주파에서의 에너지의 비율 및 하모닉의 진폭을 포함할 수 있다. 하모닉과 잡음의 에너지 비율은 복수의 주파수 범위에 대한 하모닉과 잡음의 에너지 비율을 포함할 수 있다. 초당 평균 음절수는 발화 시간에 전체 음절수를 나눈 값으로 결정될 수 있다.
예를 들어, 상기 입력 벡터가 상기 제1 뉴럴 네트워크에 입력될 수 있다. 상기 제1 뉴럴 네트워크는 제1 입력 레이어, 하나 이상의 제1 히든 레이어 및 제1 출력 레이어를 포함할 수 있다. 복수의 음성 데이터, 복수의 기준 음성 데이터 및 정답 제1 평가 점수로 구성된 각각의 제1 뉴럴 네트워크의 학습을 위한 데이터는 상기 제1 뉴럴 네트워크의 상기 제1 입력 레이어에 입력되고, 상기 하나 이상의 제1 히든 레이어 및 제1 출력 레이어를 통과하여 제1 출력 벡터를 출력하고, 상기 제1 출력 벡터는 상기 제1 출력 레이어에 연결된 제1 손실함수 레이어에 입력되고, 상기 제1 손실함수 레이어는 상기 제1 출력 벡터와 각각의 학습 데이터에 대한 제1 정답 벡터를 비교하는 제1 손실 함수를 이용하여 제1 손실값을 출력하고, 상기 제1 뉴럴 네트워크의 파라미터가 상기 제1 손실값이 작아지는 방향으로 학습될 수 있다.
여기서, 기준 음성 데이터는 학습자의 음성 데이터를 평가하기 위해 기준이 되는 음성 데이터이며, 상기 영어 교육 서버에 사전 저장될 수 있다. 예를 들어, 기준 음성 데이터는 각 학년별로 나이 및 성별에 해당하는 발화자가 녹음한 영어 문장에 대한 오디오 데이터일 수 있다. 즉, 초등학교 3학년의 남자 학습자의 경우에는 초등학교 3학년의 나이에 해당하는 남자 발화자가 녹음한 영어 문장에 대한 오디오 데이터가 기준 음성 데이터로 결정될 수 있다.
정답 제1 평가 점수는 음성 데이터와 기준 음성 데이터를 비교함으로써 결정된 인토네이션과 관련된 점수 및 발화속도와 관련된 점수를 포함할 수 있다.
부가적으로, 예를 들어, 정답 제1 평가 점수는 하기 수학식 1에 의해 결정될 수 있다.
상기 수학식 1에서, 상기 Pev1은 상기 정답 제1 평가 점수이고, 상기 v1avg는 음성 데이터의 피치 주기의 평균 변화율이고, 상기 v2avg는 음성 데이터의 진폭 변화율의 평균 값이고, 상기 v1ref는 기준 음성 데이터의 피치 주기의 평균 변화율이고, 상기 v2ref는 기준 음성 데이터의 진폭 변화율의 평균 값이고, 상기 F0max는 음성 데이터의 F0의 최고 값이고, 상기 F0min은 음성 데이터의 F0의 최저 값이고, 상기 FOrefmax는 기준 음성 데이터의 F0의 최고 값이고, 상기 F0refmin은 기준 음성 데이터의 F0의 최저 값이고, 상기 Px는 인토네이션에 대한 기본 점수이고, 상기 ns는 음성 데이터의 초당 음절수이고, 상기 nref는 기준 음성 데이터의 초당 음절수이고, 상기 F2는 음성 데이터의 F2 값이고, 상기 F1은 음성 데이터의 F1 값이고, 상기 F2ref는 기준 음성 데이터의 F2 값이고, 상기 F1ref는 기준 음성 데이터의 F1 값이고, 상기 Py는 발화속도에 대한 기본 값일 수 있다.
여기서, floor 함수는 내림 함수로 괄호 안의 숫자에서 소수점 이하의 숫자를 생략할 수 있다.
이를 통해, 서버는 음성 데이터에 대한 음원 정보와 기준 음성 데이터에 대한 음원 정보를 비교한 차이 값에 기초하여 보다 정확하게 음성 데이터에 대한 제1 평가 점수를 결정할 수 있다.
예를 들어, 영어 교육 서버는 제1 평가 모델을 통해 음성 데이터에 대해 하나의 영어 문장 별로 제1 평가 점수를 결정할 수 있다.
단계 S306에서, 영어 교육 서버는 상기 음성 데이터에 기반하여 제2 뉴럴 네트워크를 이용한 감정 분석 모델을 통해 상기 학습자 단말에 대해 감정 상태를 나타내는 복수의 점수들을 결정할 수 있다. 여기서, 감정 상태를 나타내는 복수의 점수들은 기쁜 감정 상태를 나타내는 제1 점수, 슬픈 감정 상태를 나타내는 제2 점수 및 분노한 감정 상태를 나타내는 제3 점수를 포함할 수 있다. 예를 들어, 제1 점수, 제2 점수 및 제3 점수 각각은 0보다 크고 10 이하인 값일 수 있다.
음성 데이터에 대한 데이터 전처리를 통해 피치 주기와 관련된 값, 진폭과 관련된 값, 기본 주파수와 관련된 값, 하모닉 에너지와 관련된 값, 하모닉과 잡음의 에너지 비율과 관련된 값 및 초당 평균 음절 수로 구성된 입력 벡터가 결정될 수 있다.
예를 들어, 영어 교육 서버는 음성 데이터에 대한 데이터 전처리를 통해 음원 정보를 결정할 수 있고, 상기 음원 정보를 기반으로 피치 주기와 관련된 값, 진폭과 관련된 값, 기본 주파수와 관련된 값, 하모닉 에너지와 관련된 값, 하모닉과 잡음의 에너지 비율과 관련된 값 및 초당 평균 음절 수로 구성된 입력 벡터를 결정할 수 있다.
예를 들어, 상기 입력 벡터는 제2 뉴럴 네트워크에 입력될 수 있다. 제2 뉴럴 네트워크는 제2 입력 레이어, 하나 이상의 제2 히든 레이어 및 제2 출력 레이어를 포함할 수 있다. 복수의 입력 벡터 및 정답 감정 상태를 나타내는 복수의 점수들로 구성된 각각의 제2 뉴럴 네트워크의 학습을 위한 데이터는 상기 제2 뉴럴 네트워크의 상기 제2 입력 레이어에 입력되고, 상기 하나 이상의 제2 히든 레이어 및 제2 출력 레이어를 통과하여 제2 출력 벡터를 출력하고, 상기 제2 출력 벡터는 상기 제2 출력 레이어에 연결된 제2 손실함수 레이어에 입력되고, 상기 제2 손실함수 레이어는 상기 제2 출력 벡터와 각각의 학습 데이터에 대한 제2 정답 벡터를 비교하는 제2 손실 함수를 이용하여 제2 손실값을 출력하고, 상기 제2 뉴럴 네트워크의 파라미터가 상기 제2 손실값이 작아지는 방향으로 학습될 수 있다.
여기서, 정답 감정 상태를 나타내는 복수의 점수들은 상기 영어 교육 서버에 사전 설정될 수 있다. 부가적으로, 예를 들어, 복수의 음성 데이터 각각에 대해 복수의 제1 점수, 복수의 제2 점수 및 복수의 제3 점수가 크라우드 소싱(crowd sourcing)을 통해 획득될 수 있다. 영어 교육 서버는 복수의 음성 데이터 각각에 대해 데이터 전처리를 수행한 정답 벡터에 복수의 제1 점수를 평균한 값, 복수의 제2 점수를 평균한 값 및 복수의 제3 점수를 평균한 값을 매칭시킬 수 있다. 정답 감정 상태를 나타내는 복수의 점수들은 복수의 음성 데이터 각각에 대해 데이터 전처리를 수행한 정답 벡터에 복수의 제1 점수를 평균한 값, 복수의 제2 점수를 평균한 값 및 복수의 제3 점수를 평균한 값을 매칭한 점수들일 수 있다. 즉, 영어 교육 서버는 입력 벡터를 기반으로 생성된 특징 벡터와 가장 유사한 정답 벡터를 결정하고, 가장 유사한 정답 벡터에 대한 정답 감정 상태를 나타내는 복수의 점수들을 상기 학습자 단말에 대해 감정 상태를 나타내는 복수의 점수들로 결정할 수 있다.
일반적으로 RNN(recurrent neural network)은 내부에 저장된 기존 입력에 대한 히든 레이어 값이 다음 입력 값에 대한 출력에서 고려되기 때문에, 시계열적 정보를 효과적으로 모델링할 수 있다. 그러나, RNN은 과거 관측 값에 의존하는 구조이므로, 기울기가 소실(vanishing gradient)되거나 기울기가 매우 큰 값(exploding gradient)을 가지게 되는 문제가 발생할 수 있다. 이를 해결하기 위한 모델이 LSTM이며, LSTM 내부의 노드는 메모리 셀로 대체함으로써, 정보를 축적하거나 과거 정보의 일부를 삭제가 가능하며, 상기 RNN의 문제를 보완할 수 있다. 또한, 양방향 LSTM은 양방향성을 갖는 LSTM으로, 정방향 LSTM과 역방향 LSTM을 포함할 수 있다. 예를 들어, 정방향 LSTM의 활성화 함수는 선형 함수가 사용될 수 있고, 역방향 LSTM의 활성화 함수는 시그모이드 함수가 사용될 수 있다.
예를 들어, 영어 교육 서버는 입력 벡터를 기반으로 양방향 LSTM을 포함하는 제2 뉴럴 네트워크를 이용한 감정 분석 모델을 통해 학습자 단말에 대해 감정 상태를 나타내는 복수의 점수들이 결정할 수 있다.
단계 S307에서, 영어 교육 서버는 상기 제1 평가 점수 및 상기 감정 상태를 나타내는 복수의 점수들에 기반하여 상기 학습 동영상과 관련된 학습 컨텐츠를 상기 학습자 단말에게 전송할 수 있다.
예를 들어, 상기 학습 컨텐츠는 상기 학습 동영상과 관련된 복수의 단계별 학습 컨텐츠 중에서 상기 제1 평가 점수 및 상기 감정 상태를 나타내는 복수의 점수들에 기반하여 결정될 수 있다.
부가적으로, 예를 들어, 학습 컨텐츠의 단계가 수학식 2에 의해 결정될 수 있다.
상기 수학식 2에서, 상기 S1은 상기 학습 컨텐츠의 단계이고, 상기 Pev1은 상기 제1 평가 점수이고, 상기 n은 상기 영어 교육 서버에 등록된 학습자 단말들 중에서 상기 학습자 단말에 대한 영어 레벨에 해당하는 학습자 단말의 개수이고, 상기 P1i는 i번째 학습자 단말의 제1 평가 점수이고, 상기 E1은 상기 학습자 단말에 대한 제1 점수이고, 상기 E2는 상기 학습자 단말에 대한 제2 점수이고, 상기 E3는 상기 학습자 단말에 대한 제3 점수이고, 상기 SL은 상기 학습자 단말에 대한 영어 레벨에 매칭된 학습 컨텐츠의 단계일 수 있다.
Round 함수는 반올림 함수로, 괄호 안의 값의 소수점이 0.5 이상의 값이면 소수점 아래를 생략하고 해당 정수부에 1를 더해준 값으로 결정하고, 괄호 안의 값의 소수점이 0.5 미만의 값이면 소수점 아래를 생략하고 해당 정수부로 결정하는 함수이다. 학습자 단말에 대한 영어 레벨은 사전 설정된 복수의 영어 레벨 중에서 상기 학습자 단말과 관련된 학업 성적에 대한 정보를 기반으로 결정된 영어 레벨일 수 있다.
이를 통해, 서버는 학습자 단말의 사용자에 대한 영어 실력 및 사용자의 감정 상태를 고려하여 학습 컨텐츠의 단계를 조절할 수 있다.
상기 학습 동영상과 관련된 학습 컨텐츠는 상기 학습 동영상과 관련된 복수의 단계별 학습 컨텐츠 중에서 상기 학습 컨텐츠의 단계에 해당하는 학습 컨텐츠로서, 상기 학습 동영상과 관련된 학습 컨텐츠는 평가 학습 컨텐츠를 포함할 수 있고, 평가 학습 컨텐츠는 학습 동영상에 대한 영어 스크립트를 기반으로 기 작성된 평가 문제를 포함할 수 있다.
단계 S308에서, 영어 교육 서버는 상기 학습자 단말로부터 상기 학습 컨텐츠에 따른 학습 결과를 수신할 수 있다. 여기서, 상기 학습 컨텐츠에 따른 학습 결과는 학습 컨텐츠에 포함된 평가 문제에 대한 정답 개수를 포함할 수 있다.
단계 S309에서, 영어 교육 서버는 상기 학습 결과 및 상기 감정 상태를 나타내는 복수의 점수들에 기반하여 상기 학습 동영상과 관련된 한글 스크립트를 상기 학습자 단말에게 전송할 수 있다.
예를 들어, 상기 학습 동영상과 관련된 복수의 한글 스크립트 중에서 어느 하나의 한글 스크립트가 상기 학습 결과 및 상기 감정 상태를 나타내는 복수의 점수들을 기반으로 결정될 수 있다. 상기 학습 동영상과 관련된 복수의 한글 스크립트는 학습 컨텐츠의 단계마다 단어의 개수가 상이할 수 있다. 예를 들어, 학습 컨텐츠의 단계가 높을수록 한글 스크립트에 포함된 문장을 구성하는 단어의 개수가 증가할 수 있다. 상기 학습 동영상과 관련된 복수의 한글 스크립트 각각은 학습 컨텐츠의 단계에 매칭되어 상기 영어 교육 서버에 사전 저장될 수 있다.
부가적으로, 예를 들어, 상기 학습 컨텐츠의 단계는 상기 학습 결과 및 상기 감정 상태를 나타내는 복수의 점수들에 기반하여 변경될 수 있다. 예를 들어, 상기 학습 컨텐츠의 단계는 하기 수학식 3에 의해 변경될 수 있다.
상기 수학식 2에서, 상기 S2는 변경된 학습 컨텐츠의 단계이고, 상기 at는 상기 학습 컨텐츠에 포함된 평가 문제의 개수이고, 상기 an은 상기 학습 컨텐츠에 포함된 평가 문제에 대한 정답 개수이고, 상기 E1은 상기 학습자 단말에 대한 제1 점수이고, 상기 E2는 상기 학습자 단말에 대한 제2 점수이고, 상기 E3는 상기 학습자 단말에 대한 제3 점수이고, 상기 S1은 변경되기 이전의 학습 컨텐츠의 단계일 수 있다. 여기서, floor 함수는 내림 함수로, 괄호 안의 값의 소수점을 생략하고 해당 정수부에 1를 뺀 값으로 결정하는 함수이다.
즉, 영어 교육 서버는 상기 학습 결과 및 상기 감정 상태를 나타내는 복수의 점수들에 기반하여 상기 학습 컨텐츠의 단계를 변경시키고, 변경된 학습 컨텐츠의 단계에 매칭되는 학습 동영상과 관련된 한글 스크립트를 결정할 수 있다.
이를 통해, 서버는 학습자 단말의 사용자의 학습 결과 및 사용자의 감정 상태를 고려하여 한글 스크립트의 난이도를 조절할 수 있다.
단계 S310에서, 영어 교육 서버는 상기 학습자 단말로부터 상기 학습자 단말의 사용자가 상기 학습 동영상과 관련된 한글 스크립트를 영어로 말하는 모습을 녹화한 영어 스피킹 동영상을 수신할 수 있다.
예를 들어, 영어교육 서버는 상기 영어 스피킹 동영상의 밝기 차를 이용하는 하르 특징 분류기(Haar Cascade Classifier)를 통해 상기 학습자 단말의 사용자의 얼굴에 대한 복수의 특징점을 검출할 수 있다. 하르 특징 분류기는 머신 러닝 기반의 오브젝트 검출 알고리즘으로, 이미지 또는 동영상에서 오브젝트를 검출하기 위해 사용될 수 있다.
하르 특징 분류기는 직사각형 영역을 사용하기 때문에 픽셀을 직접 사용할 때보다 동작 속도가 빠른 장점이 있다. 예를 들어, 영어 교육 서버는 검색하는 오브젝트(예: 얼굴)가 포함된 복수의 제1 이미지와 오브젝트가 포함되지 않은 복수의 제2 이미지를 사용하여 하르 특징 분류기를 학습시킬 수 있다. 영어 교육 서버는 복수의 제1 이미지와 복수의 제2 이미지에 대해 모든 가능한 크기의 커널을 가지고 이미지 전체를 스캔하면서, 위치를 이동시키는 인접한 직사각형들의 영역 내에 있는 픽셀의 합의 차이를 이용함으로써, 하르 특징을 계산할 수 있다. 예를 들어, 두 개의 인접한 직사각형으로 구성된 하르 특징의 값은 두 사각 영역 내부에 있는 픽셀들을 합하여 뺀 값일 수 있다. 예를 들어, 세 개의 인접한 직사각형으로 구성된 하르 특징의 값은 중앙의 사각 영역 내부에 있는 픽셀들의 합에서 바깥 영역의 두 사각 영역 내부의 픽셀들의 합을 뺀 값일 수 있다. 예를 들어, 네 개의 인접한 직사각형으로 구성된 하르 특징의 값은 대각 부분에 위치한 두 사각 영역 내부에 있는 픽셀들의 합에서 반대의 대각 부분에 위치한 두 사각 영역 내부에 있는 픽셀들의 합을 뺀 값일 수 있다. 이렇게 계산된 하르 특징의 값들을 기반으로 최적의 임계 값을 결정하고, 임계 값 이상인 경우에는 얼굴에 대한 특징을 나타내는 영역으로 결정하는 과정을 반복함으로써, 하르 특징 분류기를 학습시킬 수 있다.
예를 들어, 영어 교육 서버는 상기 복수의 특징점을 기반으로 입영역의 가로 길이, 입 영역의 세로 길이, 윗입술의 길이, 아랫입술의 길이, 왼쪽 볼과 오른쪽 볼 사이의 거리, 입 영역의 상단과 코 영역의 하단의 길이 및 입 영역의 상단과 턱의 하단 사이의 길이 각각에 대한 시계열적인 데이터를 포함하는 입모양 속성 값을 결정할 수 있다. 상기 입모양 속성 값이 제3 뉴럴 네트워크를 이용한 비교 모델에 입력되는 것에 기반하여, 상기 영어 스피킹 동영상에 대해 사전 설정된 복수의 구간 각각에 대한 제2 평가 점수가 결정될 수 있다. 예를 들어, 제3 뉴럴 네트워크를 이용한 비교 모델에 입력되는 입모양 속성 값은 입모양 속성 값에 학습자의 나이 및 성별에 따라 가중치가 적용된 값일 수 있다. 또는, 예를 들어, 제3 뉴럴 네트워크를 이용한 비교 모델은 입모양 속성 값과 학습자의 나이 및 성별에 대한 값을 기반으로 상기 영어 스피킹 동영상에 대해 사전 설정된 복수의 구간 각각에 대한 제2 평가 점수를 결정할 수 있다. 여기서, 학습자의 나이 및 성별에 대한 값은 상기 영어 교육 서버에 사전 저장될 수 있다. 예를 들어, 학습자의 나이 및 성별에 대한 값은 학습자 단말과 사전 매칭된 학부모 단말로부터 수신한 값일 수 있다.
부가적으로, 예를 들어, 사전 설정된 복수의 구간은 상기 영어 스피킹 동영상에 포함된 영어 문장 내 각 음소마다 설정된 구간일 수 있다.
예를 들어, 제2 평가 점수가 사전 설정된 값보다 작은 구간에 대해 영어 발음을 교정하기 위한 정보가 상기 학습자 단말에게 전송될 수 있다.
여기서, 사전 설정된 값은 상기 학습 컨텐츠의 단계 및 상기 감정 상태를 나타내는 복수의 점수들에 따라 조정될 수 있다. 예를 들어, 사전 설정된 기본 값에 상기 학습 컨텐츠의 단계에 대한 제1 가중치 및 상기 감정 상태를 나타내는 복수의 점수들에 따른 제2 가중치를 적용함으로써, 사전 설정된 값이 결정될 수 있다.
영어 발음을 교정하기 위한 정보는 해당 구간의 영어 단어 또는 영어 단어의 조합을 올바르게 발음하는 정보를 포함할 수 있다. 예를 들어, 해당 구간의 영어 단어 또는 영어 단어의 조합을 올바르게 발음하는 정보는 발음 기호에 대한 정보, 입 모양에 대한 정보 및 혀의 위치에 대한 정보를 포함할 수 있다. 예를 들어, 영어 발음을 교정하기 위한 정보는 해당 구간의 영어 단어 또는 영어 단어의 조합을 발음하는 원어민의 영상을 포함할 수 있다.
제3 뉴럴 네트워크는 제3 입력 레이어, 하나 이상의 제3 히든 레이어 및 제3 출력 레이어를 포함할 수 있다. 예를 들어, 제3 뉴럴 네트워크는 CNN 모델이 사용될 수 있다. 예를 들어, CNN은 딥러닝 알고리즘의 한 종류이며, 격자 형태로 배열된 데이터를 처리하는 것에 특화되어 데이터의 패턴을 식별하는데 효과적일 수 있다. 상기 하나 이상의 제3 히든 레이어는 하나 이상의 컨벌루션 레이어 및 하나 이상의 풀링 레이어를 포함할 수 있다.
예를 들어, 컨벌루션 레이어에서 입영역의 가로 길이, 입 영역의 세로 길이, 윗입술의 길이, 아랫입술의 길이, 왼쪽 볼과 오른쪽 볼 사이의 거리, 입 영역의 상단과 코 영역의 하단의 길이 및 입 영역의 상단과 턱의 하단 사이의 길이 각각에 대한 시계열적인 데이터와 인접한 데이터가 필터링될 수 있고, 컨벌루션 레이어를 통해 특징 맵(feature map)이 형성될 수 있다.
예를 들어, 풀링 레이어에서 상기 형성된 특징 맵에 기반하여 차원 축소를 위해 특징과 관련된 고정 벡터를 선별하고, 상기 형성된 특징 맵에서 서브-샘플링을 수행함으로써, 상기 벡터화된 시계열 데이터에서 중요한 특징을 추출할 수 있다. 예를 들어, 풀링 레이어는 가장 큰 값을 추출하는 맥스 풀링 레이어일 수 있다. 예를 들어, 풀링 레이어는 평균 값을 추출하는 평균 풀링 레이어일 수 있다. 예를 들어, 이때, 상기 제3 뉴럴 네트워크의 파라미터는 상기 컨벌루션 레이어 및 상기 풀링 레이어와 관련된 파라미터(특징 맵의 크기, 필터의 크기, 깊이, 스트라이드, 제로 패딩)를 포함할 수 있다.
복수의 입모양 속성 값, 복수의 기준 입모양 속성 값 및 정답 제2 평가 점수로 구성된 각각의 제3 뉴럴 네트워크의 학습을 위한 데이터는 상기 제3 뉴럴 네트워크의 상기 제3 입력 레이어에 입력되고, 상기 하나 이상의 제3 히든 레이어 및 제3 출력 레이어를 통과하여 제3 출력 벡터를 출력하고, 상기 제3 출력 벡터는 상기 제3 출력 레이어에 연결된 제3 손실함수 레이어에 입력되고, 상기 제3 손실함수 레이어는 상기 제3 출력 벡터와 각각의 학습 데이터에 대한 제3 정답 벡터를 비교하는 제3 손실 함수를 이용하여 제3 손실값을 출력하고, 상기 제3 뉴럴 네트워크의 파라미터가 상기 제3 손실값이 작아지는 방향으로 학습될 수 있다.
여기서, 기준 입모양 속성 값은 학습자의 입모양 속성 값을 평가하기 위해 기준이 되는 값이며, 상기 영어 교육 서버에 사전 저장될 수 있다. 예를 들어, 기준 입모양 속성 값은 기준 입모양 속성 값에 대한 기본 값에 대해 나이 및 성별에 따라 상이한 가중치가 적용된 값일 수 있다.
단계 S311에서, 영어 교육 서버는 상기 영어 스피킹 동영상을 상기 학습자 단말과 사전 매칭된 학부모 단말에게 전송할 수 있다.
예를 들어, 학습자 단말과 학부모 단말은 하나의 세트로 상기 영어 교육 서버에 복수의 세트가 사전 저장될 수 있다.
일 실시예에 따르면, 상기 학습 컨텐츠에 따른 학습 결과 및 상기 학습자 단말 대해 감정 상태를 나타내는 복수의 점수들에 기반하여 동기 부여와 관련된 점수가 결정될 수 있다.
여기서, 동기 부여와 관련된 점수는 하기 수학식 4에 의해 결정될 수 있다.
상기 수학식 4에서, 상기 Mp는 상기 동기 부여와 관련된 점수이고, 상기 at는 상기 학습 컨텐츠에 포함된 평가 문제의 개수이고, 상기 an은 상기 학습 컨텐츠에 포함된 평가 문제에 대한 정답 개수이고, 상기 E1은 상기 학습자 단말에 대한 제1 점수이고, 상기 E2는 상기 학습자 단말에 대한 제2 점수이고, 상기 E3는 상기 학습자 단말에 대한 제3 점수일 수 있다.
이를 통해, 영어 교육 서버는 학습 결과 및 사용자의 감정 상태를 반영하여 학습자 단말의 사용자에 대한 동기 부여가 필요한지 여부를 결정할 수 있고, 동기 부여가 필요한 경우 학습자 단말과 매칭된 학부모 단말에게 격려 메시지를 전송할 것을 요청함으로써, 학습자 단말의 사용자에 대한 학습 욕구를 증가시킬 수 있다.
상기 동기 부여와 관련된 점수가 사전 설정된 임계 값보다 작은 것에 기반하여, 격려 메시지를 요청하는 요청 메시지가 상기 영어 교육 서버로부터 상기 학부모 단말에게 전송될 수 있다.
상기 요청 메시지는 상기 학습 결과 및 상기 감정 상태를 나타내는 복수의 점수들을 포함할 수 있다. 상기 학부모 단말로부터 격려 메시지가 상기 영어 교육 서버에게 전송될 수 있다. 여기서, 격려 메시지는 학부모 단말에 의해 입력된 텍스트 메시지 또는 학부모 단말에 의해 녹음된 음성 메시지 중 적어도 하나를 포함할 수 있다. 상기 격려 메시지가 상기 영어 교육 서버로부터 상기 학습자 단말에게 전송될 수 있다.
도 4는 일 실시예에 따른 감정 분석 모델을 나타낸 도면이다. 도 4의 실시예는 본 개시의 다양한 실시예들과 결합될 수 있다.
도 4를 참조하면, 감정 분석 모델(400)은 데이터 전처리부(410), 양방향 LSTM을 포함하는 제2 뉴럴 네트워크(420) 및 어텐션 레이어(430)를 포함할 수 있다.
영어 교육 서버는 복수의 음성 데이터를 기반으로 데이터 전처리부(410)를 통해 피치 주기의 평균 변화율, 진폭 변화율의 평균 값, 포만트의 진폭, 포만트의 대역폭, 주파수에 기반한 하모닉 에너지의 감소율, 저주파에서의 하모닉 에너지와 고주파에서의 에너지의 비율, 하모닉의 진폭, 복수의 주파수 범위에 대한 하모닉과 잡음의 에너지 비율을 복수의 입력 벡터로 결정할 수 있다.
제2 뉴럴 네트워크(420)는 제2 입력 레이어, 하나 이상의 제2 히든 레이어 및 제2 출력 레이어를 포함할 수 있다. 예를 들어, 상기 하나 이상의 제2 히든 레이어는 하나 이상의 정방향 LSTM 블록 및 하나 이상의 역방향 LSTM을 포함하고, 각 LSTM 블록은 메모리 셀(memory cell), 입력 게이트(input gate), 삭제 게이트(forget gate), 출력 게이트(output gate)를 포함할 수 있다. 상기 메모리 셀은 활성화 함수를 통해 결과를 출력하는 노드이며, 상기 메모리 셀은 바로 이전 시점에서의 메모리 셀에서 출력된 값을 현재 시점에서 자신의 입력으로 사용하는 재귀적 동작을 수행할 수 있다. 예를 들어, 현재 시점이 t인 경우, 현재 시점 t에서 메모리 셀에 의해 출력되는 값은 과거의 메모리 셀들의 값에 영향을 받을 수 있다. 메모리 셀은 셀 스테이트(Ct) 값과 히든 스테이트(ht) 값을 출력할 수 있다. 즉, 메모리 셀은 t-1 시점의 메모리 셀이 전달한 셀 스테이트 값(Ct-1) 및 히든 스테이트 값(ht-1)을 t 시점의 셀 스테이트 값과 히든 스테이트 값을 계산하기 위한 입력 값으로 사용할 수 있다.
예를 들어, 제2 뉴럴 네트워크에 대해, 정방향 LSTM 블록은 활성화 함수로 선형 함수가 사용되고, 역방향 LSTM 블록은 활성화 함수로 시그모이드 함수가 사용될 수 있다. 이를 통해 비선형성을 유지하면서, 그라디언트의 손실 문제를 감소시킬 수 있다.
즉, 영어 교육 서버는 복수의 입력 벡터 및 정답 감정 상태를 나타내는 복수의 점수들로 구성된 각각의 제2 뉴럴 네트워크의 학습을 위한 데이터를 상기 제2 뉴럴 네트워크의 상기 제2 입력 레이어에 입력시키고, 상기 하나 이상의 제2 히든 레이어 및 제2 출력 레이어를 통과하여 제2 출력 벡터를 출력하고, 상기 제2 출력 벡터를 상기 제2 출력 레이어에 연결된 제2 손실함수 레이어에 입력시키고, 상기 제2 손실함수 레이어를 통해 상기 제2 출력 벡터와 각각의 학습 데이터에 대한 제2 정답 벡터를 비교하는 제2 손실 함수를 이용하여 제2 손실값을 출력하고, 상기 제2 뉴럴 네트워크의 파라미터가 상기 제2 손실값이 작아지는 방향으로 학습시킬 수 있다.
어텐션 레이어(430)는 상기 제2 뉴럴 네트워크(420)를 통해 출력된 제2 벡터 중에서 감정 상태와 관련된 벡터에 대한 가중치를 부가할 수 있고, 소프트맥스(softmax) 함수를 통해 각 감정 상태에 대한 값을 확률 값으로 결정할 수 있다. 영어 교육 서버는 각 감정 상태에 대한 확률 값을 기반으로 각 감정 상태에 대한 점수를 결정할 수 있다.
도 5는 일 실시예에 따른 영어 교육 서버가 학습자 단말과 학부모 단말에게 영어 교육 서비스를 제공하는 방법에 대한 흐름도이다. 도 5의 실시예는 본 개시의 다양한 실시예들과 결합될 수 있다.
도 5를 참조하면, 단계 S501에서, 영어 교육 서버는 학습자 단말과 관련된 학업 성적에 대한 정보가 존재하는지 여부를 결정할 수 있다.
예를 들어, 학습자 단말과 관련된 학업 성적에 대한 정보는 학습자 단말과 사전 매칭된 학부모 단말로부터 수신할 수 있다.
단계 S502에서, 학습자 단말과 관련된 학업 성적에 대한 정보가 존재하는 경우, 영어 교육 서버는 학습자 단말에 대한 영어 레벨을 결정할 수 있다.
예를 들어, 학습자 단말에 대한 영어 레벨은 상기 학습자 단말과 관련된 학업 성적에 대한 정보를 기반으로 사전 설정된 복수의 영어 레벨 중에서 결정된 영어 레벨일 수 있다.
단계 S503에서, 학습자 단말과 관련된 학업 성적에 대한 정보가 존재하지 않는 경우, 영어 교육 서버는 학습자 단말에 대한 영어 레벨은 상기 사전 설정된 복수의 영어 레벨 중에서 기본 영어 레벨로 설정할 수 있다.
단계 S504에서, 영어 교육 서버는 상기 영어 교육 서버에 입력된 커리큘럼 정보를 기반으로 학습 동영상을 학습자 단말에게 전송할 수 있다.
예를 들어, 학습 동영상은 커리큘럼 정보에 포함된 복수의 단계별 학습 동영상 중에서 학습자 단말과 관련된 관심사에 대한 정보, 학습자 단말과 관련된 학업 성적에 대한 정보 및 학습자 단말에 대한 영어 레벨에 기반하여 결정될 수 있다.
단계 S505에서, 영어 교육 서버는 테스트 메시지에 따라 학습자 단말로부터 음성 데이터를 포함하는 테스트 결과 메시지를 수신할 수 있다.
예를 들어, 영어 교육 서버는 상기 학습자 단말로부터 상기 학습 동영상에 대한 시청을 완료한 것을 나타내는 시청 완료 메시지를 수신하고, 테스트 메시지를 상기 학습자 단말에게 전송하고, 상기 테스트 메시지에 따라 테스트 결과 메시지를 수신할 수 있다.
단계 S506에서, 영어 교육 서버는 음성 데이터에 기반하여 제1 뉴럴 네트워크를 이용한 제1 평가 모델을 통해 학습자 단말의 제1 평가 점수를 결정할 수 있다.
단계 S507에서, 영어 교육 서버는 음성 데이터에 기반하여 제2 뉴럴 네트워크를 이용한 감정 분석 모델을 통해 학습자 단말에 대해 감정 상태를 나타내는 복수의 점수들을 결정할 수 있다.
단계 S508에서, 영어 교육 서버는 제1 평가 점수 및 감정 상태를 나타내는 복수의 점수들에 기반하여 학습 컨텐츠의 단계를 결정하고, 학습 컨텐츠의 단계에 해당하는 학습 동영상과 관련된 학습 컨텐츠를 학습자 단말에게 전송할 수 있다.
예를 들어, 학습 동영상과 관련된 학습 컨텐츠는 상기 학습 동영상과 관련된 복수의 단계별 학습 컨텐츠 중에서 상기 학습 컨텐츠의 단계에 해당하는 학습 컨텐츠로서, 상기 학습 동영상과 관련된 학습 컨텐츠는 평가 학습 컨텐츠를 포함할 수 있고, 평가 학습 컨텐츠는 학습 동영상에 대한 영어 스크립트를 기반으로 기 작성된 평가 문제를 포함할 수 있다.
단계 S509에서, 영어 교육 서버는 학습자 단말로부터 상기 학습 컨텐츠에 따른 학습 결과를 수신할 수 있다.
단계 S510에서, 영어 교육 서버는 상기 학습 컨텐츠에 따른 학습 결과 및 상기 감정 상태를 나타내는 복수의 점수들에 기반하여 학습 컨텐츠의 단계를 변경할지 여부를 결정할 수 있다.
단계 S511에서, 학습 컨텐츠의 단계가 변경된 경우, 영어 교육 서버는 학습 동영상과 관련된 복수의 한글 스크립트 중에서 변경된 학습 컨텐츠의 단계에 매칭되는 학습 동영상과 관련된 한글 스크립트를 학습자 단말에게 전송할 수 있다.
단계 S512에서, 학습 컨텐츠의 단계가 변경되지 않은 경우, 영어 교육 서버는 학습 동영상과 관련된 복수의 한글 스크립트 중에서 기존 학습 컨텐츠의 단계에 매칭되는 학습 동영상과 관련된 한글 스크립트를 학습자 단말에게 전송할 수 있다.
단계 S513에서, 영어 교육 서버는 학습자 단말로부터 영어 스피킹 동영상을 수신할 수 있다.
단계 S514에서, 영어 교육 서버는 영어 스피킹 동영상을 기반으로 제3 뉴럴 네트워크를 이용한 비교 모델을 통해 영어 스피킹 동영상에 대해 사전 설정된 복수의 구간 각각에 대해 제2 평가 점수를 결정할 수 있고, 영어 스피킹 동영상에 대해 사전 설정된 복수의 구간 중에서 제2 평가 점수가 사전 설정된 값보다 작은 구간을 결정할 수 있다.
단계 S515에서, 영어 스피킹 동영상에 대해 사전 설정된 복수의 구간 중에서 제2 평가 점수가 사전 설정된 값보다 작은 구간이 존재하는 경우, 영어 교육 서버는 제2 평가 점수가 사전 설정된 값보다 작은 구간에 대해 영어 발음을 교정하기 위한 정보를 상기 학습자 단말에게 전송할 수 있다.
단계 S516에서, 영어 교육 서버는 영어 스피킹 동영상을 상기 학습자 단말과 사전 매칭된 학부모 단말에게 전송할 수 있다.
예를 들어, 영어 교육 서버는 영어 스피킹 동영상을 학습자 단말에게 전송할 수 있다.
단계 S517에서, 영어 교육 서버는 상기 학습 컨텐츠에 따른 학습 결과 및 상기 학습자 단말 대해 감정 상태를 나타내는 복수의 점수들에 기반하여 동기 부여와 관련된 값을 결정하고, 상기 동기 부여와 관련된 값이 사전 설정된 임계 값보다 작은지 여부를 결정할 수 있다.
단계 S518에서, 상기 동기 부여와 관련된 값이 사전 설정된 임계 값보다 작은 경우, 영어 교육 서버는 격려 메시지를 요청하는 요청 메시지가 상기 학부모 단말에게 전송할 수 있다.
단계 S519에서, 영어 교육 서버는 상기 학부모 단말로부터 격려 메시지를 수신하고, 상기 격려 메시지를 학습자 단말에게 전송할 수 있다.
도 6은 일 실시예에 따른 영어 교육 서버의 구성을 나타내는 블록도이다. 도 6의 일 실시예는 본 개시의 다양한 실시예들과 결합될 수 있다.
도 6에 도시된 바와 같이, 영어 교육 서버(600)는 프로세서(610), 통신부(620) 및 메모리(630)를 포함할 수 있다. 그러나, 도 6에 도시된 구성 요소 모두가 영어 교육 서버(600)의 필수 구성 요소인 것은 아니다. 도 6에 도시된 구성 요소보다 많은 구성 요소에 의해 영어 교육 서버(600)가 구현될 수도 있고, 도 6에 도시된 구성 요소보다 적은 구성 요소에 의해 영어 교육 서버(600)가 구현될 수도 있다. 예를 들어, 일부 실시예에 따른 영어 교육 서버(600)는 프로세서(610), 통신부(620) 및 메모리(630) 이외에 사용자 입력 인터페이스(미도시), 출력부(미도시) 등을 더 포함할 수도 있다.
프로세서(610)는, 통상적으로 영어 교육 서버(600)의 전반적인 동작을 제어한다. 프로세서(610)는 하나 이상의 프로세서를 구비하여, 영어 교육 서버(600)에 포함된 다른 구성 요소들을 제어할 수 있다. 예를 들어, 프로세서(610)는, 메모리(630)에 저장된 프로그램들을 실행함으로써, 통신부(620) 및 메모리(630) 등을 전반적으로 제어할 수 있다. 또한, 프로세서(610)는 메모리(630)에 저장된 프로그램들을 실행함으로써, 도 3 내지 도 5에 기재된 영어 교육 서버(600)의 기능을 수행할 수 있다.
통신부(620)는, 영어 교육 서버(600)가 다른 장치(미도시) 및 서버(미도시)와 통신을 하게 하는 하나 이상의 구성요소를 포함할 수 있다. 다른 장치(미도시)는 영어 교육 서버(600)와 같은 컴퓨팅 장치이거나, 센싱 장치일 수 있으나, 이에 제한되지 않는다. 통신부(620)는 네트워크를 통해, 다른 전자 장치로부터의 사용자 입력을 수신하거나, 외부 장치로부터 외부 장치에 저장된 데이터를 수신할 수 있다.
예를 들어, 통신부(620)는 적어도 하나의 장치와 연결을 확립하기 위한 메시지를 송수신할 수 있다. 통신부(620)는 프로세서(610)에서 생성된 정보를 서버와 연결된 적어도 하나의 장치에게 전송할 수 있다. 통신부(620)는 서버와 연결된 적어도 하나의 장치로부터 정보를 수신할 수 있다. 통신부(620)는 적어도 하나의 장치로부터 수신한 정보에 대응하여, 수신한 정보와 관련된 정보를 전송할 수 있다.
메모리(630)는, 프로세서(610)의 처리 및 제어를 위한 프로그램을 저장할 수 있다. 예를 들어, 메모리(630)는 서버에 입력된 정보 또는 네트워크를 통해 다른 장치로부터 수신된 정보를 저장할 수 있다. 또한, 메모리(630)는 프로세서(610)에서 생성된 데이터를 저장할 수 있다. 메모리(630)는 영어 교육 서버(600)로 입력되거나 영어 교육 서버(600)로부터 출력되는 정보를 저장할 수도 있다.
메모리(630)는 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예를 들어 SD 또는 XD 메모리 등), 램(RAM, Random Access Memory) SRAM(Static Random Access Memory), 롬(ROM, Read-Only Memory), EEPROM(Electrically Erasable Programmable Read-Only Memory), PROM(Programmable Read-Only Memory), 자기 메모리, 자기 디스크, 광디스크 중 적어도 하나의 타입의 저장매체를 포함할 수 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.
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.
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.
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 특허청구범위의 범위에 속한다.

Claims (5)

  1. 뉴럴 네트워크를 이용하여 영어 교육 서버가 학습자 단말과 학부모 단말에게 영어 교육 서비스를 제공하는 방법에 있어서,
    상기 영어 교육 서버에 입력된 커리큘럼 정보를 기반으로 학습 동영상을 학습자 단말에게 전송하는 단계;
    상기 학습자 단말로부터 상기 학습 동영상에 대한 시청을 완료한 것을 나타내는 시청 완료 메시지를 수신하는 단계;
    상기 시청 완료 메시지를 수신한 것에 기반하여 상기 학습자 단말의 영어 발음을 테스트하기 위한 테스트 메시지를 상기 학습자 단말에게 전송하는 단계;
    상기 학습자 단말로부터 음성 데이터를 포함하는 테스트 결과 메시지를 수신하는 단계;
    상기 음성 데이터는 상기 테스트 메시지에 따라 상기 학습자 단말에 의해 녹음된 적어도 하나의 영어 문장을 포함하고,
    상기 음성 데이터에 기반하여 제1 뉴럴 네트워크를 이용한 제1 평가 모델을 통해 상기 학습자 단말의 제1 평가 점수를 결정하는 단계;
    상기 음성 데이터에 기반하여 제2 뉴럴 네트워크를 이용한 감정 분석 모델을 통해 상기 학습자 단말에 대해 감정 상태를 나타내는 복수의 점수들을 결정하는 단계;
    상기 제1 평가 점수 및 상기 감정 상태를 나타내는 복수의 점수들에 기반하여 상기 학습 동영상과 관련된 학습 컨텐츠를 상기 학습자 단말에게 전송하는 단계;
    상기 학습자 단말로부터 상기 학습 컨텐츠에 따른 학습 결과를 수신하는 단계;
    상기 학습 결과 및 상기 감정 상태를 나타내는 복수의 점수들에 기반하여 상기 학습 동영상과 관련된 한글 스크립트를 상기 학습자 단말에게 전송하는 단계;
    상기 학습자 단말로부터 상기 학습자 단말의 사용자가 상기 학습 동영상과 관련된 한글 스크립트를 영어로 말하는 모습을 녹화한 영어 스피킹 동영상을 수신하는 단계; 및
    상기 영어 스피킹 동영상을 상기 학습자 단말과 사전 매칭된 학부모 단말에게 전송하는 단계를 포함하되,
    상기 커리큘럼 정보는 복수의 단계별 학습 동영상 및 복수의 단계별 학습 컨텐츠를 포함하고,
    상기 학습 동영상은 상기 복수의 단계별 학습 동영상 중에서 상기 학습자 단말과 관련된 관심사에 대한 정보, 상기 학습자 단말과 관련된 학업 성적에 대한 정보 및 상기 학습자 단말에 대한 영어 레벨에 기반하여 결정되고,
    상기 학습 컨텐츠는 상기 학습 동영상과 관련된 복수의 단계별 학습 컨텐츠 중에서 상기 제1 평가 점수 및 상기 감정 상태를 나타내는 복수의 점수들에 기반하여 결정되고,
    상기 학습 컨텐츠의 단계는 수학식에 의해 결정되고,

    상기 수학식에서, 상기 S1은 상기 학습 컨텐츠의 단계이고, 상기 Pev1은 상기 제1 평가 점수이고, 상기 n은 상기 영어 교육 서버에 등록된 학습자 단말들 중에서 상기 학습자 단말에 대한 영어 레벨에 해당하는 학습자 단말의 개수이고, 상기 P1i는 i번째 학습자 단말의 제1 평가 점수이고, 상기 E1은 상기 학습자 단말에 대한 제1 점수이고, 상기 E2는 상기 학습자 단말에 대한 제2 점수이고, 상기 E3는 상기 학습자 단말에 대한 제3 점수이고, 상기 SL은 상기 학습자 단말에 대한 영어 레벨에 매칭된 학습 컨텐츠의 단계이고,
    상기 학습자 단말과 관련된 관심사에 대한 정보 및 상기 학습자 단말과 관련된 학업 성적에 대한 정보는 상기 학부모 단말로부터 상기 영어 교육 서버에게 전송되고,
    상기 학습자 단말에 대한 영어 레벨은 상기 학습자 단말과 관련된 학업 성적에 대한 정보를 기반으로 사전 설정된 복수의 영어 레벨 중에서 결정된 영어 레벨이고,
    상기 음성 데이터에 대한 데이터 전처리를 통해 피치 주기와 관련된 값, 진폭과 관련된 값, 기본 주파수와 관련된 값, 하모닉 에너지와 관련된 값 및 하모닉과 잡음의 에너지 비율과 관련된 값으로 구성된 입력 벡터가 결정되고,
    상기 입력 벡터가 상기 제1 뉴럴 네트워크 및 상기 제2 뉴럴 네트워크에 입력되고,
    상기 감정 상태를 나타내는 복수의 점수들은 기쁜 감정 상태를 나타내는 제1 점수, 슬픈 감정 상태를 나타내는 제2 점수 및 분노한 감정 상태를 나타내는 제3 점수를 포함하고,
    상기 제1 뉴럴 네트워크는 제1 입력 레이어, 하나 이상의 제1 히든 레이어 및 제1 출력 레이어를 포함하고,
    복수의 음성 데이터, 복수의 기준 음성 데이터 및 정답 제1 평가 점수로 구성된 각각의 제1 뉴럴 네트워크의 학습을 위한 데이터는 상기 제1 뉴럴 네트워크의 상기 제1 입력 레이어에 입력되고, 상기 하나 이상의 제1 히든 레이어 및 제1 출력 레이어를 통과하여 제1 출력 벡터를 출력하고, 상기 제1 출력 벡터는 상기 제1 출력 레이어에 연결된 제1 손실함수 레이어에 입력되고, 상기 제1 손실함수 레이어는 상기 제1 출력 벡터와 각각의 학습 데이터에 대한 제1 정답 벡터를 비교하는 제1 손실 함수를 이용하여 제1 손실값을 출력하고, 상기 제1 뉴럴 네트워크의 파라미터가 상기 제1 손실값이 작아지는 방향으로 학습되고,
    상기 제2 뉴럴 네트워크는 제2 입력 레이어, 하나 이상의 제2 히든 레이어 및 제2 출력 레이어를 포함하고,
    복수의 입력 벡터 및 정답 감정 상태를 나타내는 복수의 점수들로 구성된 각각의 제2 뉴럴 네트워크의 학습을 위한 데이터는 상기 제2 뉴럴 네트워크의 상기 제2 입력 레이어에 입력되고, 상기 하나 이상의 제2 히든 레이어 및 제2 출력 레이어를 통과하여 제2 출력 벡터를 출력하고, 상기 제2 출력 벡터는 상기 제2 출력 레이어에 연결된 제2 손실함수 레이어에 입력되고, 상기 제2 손실함수 레이어는 상기 제2 출력 벡터와 각각의 학습 데이터에 대한 제2 정답 벡터를 비교하는 제2 손실 함수를 이용하여 제2 손실값을 출력하고, 상기 제2 뉴럴 네트워크의 파라미터가 상기 제2 손실값이 작아지는 방향으로 학습되고,
    상기 학습 결과 및 상기 감정 상태를 나타내는 복수의 점수들에 기반하여 동기 부여와 관련된 점수가 결정되고,
    상기 동기 부여와 관련된 점수가 사전 설정된 임계 값보다 작은 것에 기반하여, 격려 메시지를 요청하는 요청 메시지가 상기 영어 교육 서버로부터 상기 학부모 단말에게 전송되고,
    상기 요청 메시지는 상기 학습 결과 및 상기 감정 상태를 나타내는 복수의 점수들을 포함하고,
    상기 학부모 단말로부터 격려 메시지가 상기 영어 교육 서버에게 전송되고,
    상기 격려 메시지가 상기 영어 교육 서버로부터 상기 학습자 단말에게 전송되는,
    방법.
  2. 삭제
  3. 삭제
  4. 제 1항에 있어서,
    상기 영어 스피킹 동영상의 밝기 차를 이용하는 하르 특징 분류기(Haar Cascade Classifier)를 통해 상기 학습자 단말의 사용자의 얼굴에 대한 복수의 특징점이 검출되고,
    상기 복수의 특징점을 기반으로 입영역의 가로 길이, 입 영역의 세로 길이, 윗입술의 길이, 아랫입술의 길이, 왼쪽 볼과 오른쪽 볼 사이의 거리, 입 영역의 상단과 코 영역의 하단의 길이 및 입 영역의 상단과 턱의 하단 사이의 길이에 대한 시계열적인 데이터를 포함하는 입모양 속성 값이 결정되고,
    상기 입모양 속성 값이 제3 뉴럴 네트워크를 이용한 비교 모델에 입력되는 것에 기반하여, 상기 영어 스피킹 동영상에 대해 사전 설정된 복수의 구간 각각에 대한 제2 평가 점수가 결정되고,
    상기 사전 설정된 복수의 구간 중에서 상기 제2 평가 점수가 사전 설정된 값보다 작은 구간에 대해 영어 발음을 교정하기 위한 정보가 상기 학습자 단말에게 전송되고,
    상기 제3 뉴럴 네트워크는 제3 입력 레이어, 하나 이상의 제3 히든 레이어 및 제3 출력 레이어를 포함하고,
    복수의 입모양 속성 값, 복수의 기준 입모양 속성 값 및 정답 제2 평가 점수로 구성된 각각의 제3 뉴럴 네트워크의 학습을 위한 데이터는 상기 제3 뉴럴 네트워크의 상기 제3 입력 레이어에 입력되고, 상기 하나 이상의 제3 히든 레이어 및 제3 출력 레이어를 통과하여 제3 출력 벡터를 출력하고, 상기 제3 출력 벡터는 상기 제3 출력 레이어에 연결된 제3 손실함수 레이어에 입력되고, 상기 제3 손실함수 레이어는 상기 제3 출력 벡터와 각각의 학습 데이터에 대한 제3 정답 벡터를 비교하는 제3 손실 함수를 이용하여 제3 손실값을 출력하고, 상기 제3 뉴럴 네트워크의 파라미터가 상기 제3 손실값이 작아지는 방향으로 학습되는,
    방법.
  5. 삭제
KR1020230001120A 2023-01-04 2023-01-04 뉴럴 네트워크를 이용하여 학습자 단말과 학부모 단말에게 영어 교육 서비스를 제공하는 방법 및 장치 KR102559074B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020230001120A KR102559074B1 (ko) 2023-01-04 2023-01-04 뉴럴 네트워크를 이용하여 학습자 단말과 학부모 단말에게 영어 교육 서비스를 제공하는 방법 및 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020230001120A KR102559074B1 (ko) 2023-01-04 2023-01-04 뉴럴 네트워크를 이용하여 학습자 단말과 학부모 단말에게 영어 교육 서비스를 제공하는 방법 및 장치

Related Child Applications (1)

Application Number Title Priority Date Filing Date
KR1020230094139A Division KR20240109902A (ko) 2023-07-19 뉴럴 네트워크를 이용하여 학습자 단말과 학부모 단말에게 영어 교육 서비스를 제공하는 방법 및 장치

Publications (1)

Publication Number Publication Date
KR102559074B1 true KR102559074B1 (ko) 2023-07-26

Family

ID=87427514

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020230001120A KR102559074B1 (ko) 2023-01-04 2023-01-04 뉴럴 네트워크를 이용하여 학습자 단말과 학부모 단말에게 영어 교육 서비스를 제공하는 방법 및 장치

Country Status (1)

Country Link
KR (1) KR102559074B1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102652008B1 (ko) * 2023-09-07 2024-03-27 아이보람 주식회사 모국어 습득 원리를 적용한 영어 교육을 수행함에 있어, 뉴럴 네트워크를 이용하여 사용자 단말에게 멀티모달 기반의 영어 학습 서비스를 제공하는 방법 및 장치

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20160137269A (ko) * 2015-05-22 2016-11-30 주식회사 와이젠스쿨 학부모 참여형 다자학습평가 영어교육 시스템
KR20200043611A (ko) * 2018-10-18 2020-04-28 주식회사 퓨처앤스터디 학습 콘텐츠 제공 방법
KR20210048730A (ko) * 2019-10-24 2021-05-04 신아람 언어교육 서비스 시스템 및 그 제공방법
KR102405570B1 (ko) * 2020-02-10 2022-06-03 대구대학교 산학협력단 베이지안 분류를 이용한 입 모양 기반의 발음 인식방법
KR20220077430A (ko) * 2020-12-02 2022-06-09 이정은 학습자기개념 정립을 위한 온라인 학습 서비스 시스템 및 방법
KR102480969B1 (ko) * 2022-10-06 2022-12-23 최강현 뉴럴 네트워크를 이용하여 설정된 값을 기반으로 몰래 카메라를 탐지한 결과에 따라 전력을 공급하는 방법 및 장치

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20160137269A (ko) * 2015-05-22 2016-11-30 주식회사 와이젠스쿨 학부모 참여형 다자학습평가 영어교육 시스템
KR20200043611A (ko) * 2018-10-18 2020-04-28 주식회사 퓨처앤스터디 학습 콘텐츠 제공 방법
KR20210048730A (ko) * 2019-10-24 2021-05-04 신아람 언어교육 서비스 시스템 및 그 제공방법
KR102405570B1 (ko) * 2020-02-10 2022-06-03 대구대학교 산학협력단 베이지안 분류를 이용한 입 모양 기반의 발음 인식방법
KR20220077430A (ko) * 2020-12-02 2022-06-09 이정은 학습자기개념 정립을 위한 온라인 학습 서비스 시스템 및 방법
KR102480969B1 (ko) * 2022-10-06 2022-12-23 최강현 뉴럴 네트워크를 이용하여 설정된 값을 기반으로 몰래 카메라를 탐지한 결과에 따라 전력을 공급하는 방법 및 장치

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102652008B1 (ko) * 2023-09-07 2024-03-27 아이보람 주식회사 모국어 습득 원리를 적용한 영어 교육을 수행함에 있어, 뉴럴 네트워크를 이용하여 사용자 단말에게 멀티모달 기반의 영어 학습 서비스를 제공하는 방법 및 장치

Similar Documents

Publication Publication Date Title
US12033621B2 (en) Method for speech recognition based on language adaptivity and related apparatus
US20220180882A1 (en) Training method and device for audio separation network, audio separation method and device, and medium
CN111897964B (zh) 文本分类模型训练方法、装置、设备及存储介质
US11842164B2 (en) Method and apparatus for training dialog generation model, dialog generation method and apparatus, and medium
US20220172737A1 (en) Speech signal processing method and speech separation method
EP4113507A1 (en) Speech recognition method and apparatus, device, and storage medium
US11556302B2 (en) Electronic apparatus, document displaying method thereof and non-transitory computer readable recording medium
US11776544B2 (en) Artificial intelligence apparatus for recognizing speech of user and method for the same
KR20190123362A (ko) 인공지능을 이용한 음성 대화 분석 방법 및 장치
US20220309088A1 (en) Method and apparatus for training dialog model, computer device, and storage medium
KR20210155401A (ko) 인공 지능을 이용하여, 합성 음성의 품질을 평가하는 음성 합성 장치 및 그의 동작 방법
KR102148378B1 (ko) 기계 학습 모델을 이용한 관심 이벤트의 알림 제공 장치 및 방법
CN111192659A (zh) 用于抑郁检测的预训练方法和抑郁检测方法及装置
CN112562723B (zh) 发音准确度确定方法、装置、存储介质和电子设备
KR102559074B1 (ko) 뉴럴 네트워크를 이용하여 학습자 단말과 학부모 단말에게 영어 교육 서비스를 제공하는 방법 및 장치
CN113763925B (zh) 语音识别方法、装置、计算机设备及存储介质
KR20180105501A (ko) 언어 정보를 처리하기 위한 방법 및 그 전자 장치
CN117633198A (zh) 角色对话模型的训练方法、对话生成方法、装置和设备
KR102492332B1 (ko) 뉴럴 네트워크를 이용하여 단말로부터 획득된 통화 음성 데이터를 기반으로 음악 데이터를 상기 단말에게 제공하는 방법 및 장치
CN113409770A (zh) 发音特征处理方法、装置、服务器及介质
CN116978359A (zh) 音素识别方法、装置、电子设备及存储介质
KR20240109902A (ko) 뉴럴 네트워크를 이용하여 학습자 단말과 학부모 단말에게 영어 교육 서비스를 제공하는 방법 및 장치
KR102525978B1 (ko) 뉴럴 네트워크를 이용하여 응시자 단말에게 모의고사 서비스를 제공하는 방법 및 장치
KR102658238B1 (ko) 모국어 습득 원리를 적용한 영어 교육을 수행함에 있어, 뉴럴 네트워크를 이용하여 사용자 단말에게 영어 글쓰기 서비스를 제공하는 방법 및 장치
KR102652009B1 (ko) 모국어 습득 원리를 적용한 영어 교육을 수행함에 있어, 뉴럴 네트워크를 이용하여 사용자 단말에게 동영상을 기반으로 하는 이북을 제공하는 방법 및 장치

Legal Events

Date Code Title Description
A107 Divisional application of patent
GRNT Written decision to grant