KR20230089592A - 온라인 강사 매칭 방법 및 온라인 강사 매칭 시스템 - Google Patents
온라인 강사 매칭 방법 및 온라인 강사 매칭 시스템 Download PDFInfo
- Publication number
- KR20230089592A KR20230089592A KR1020210177425A KR20210177425A KR20230089592A KR 20230089592 A KR20230089592 A KR 20230089592A KR 1020210177425 A KR1020210177425 A KR 1020210177425A KR 20210177425 A KR20210177425 A KR 20210177425A KR 20230089592 A KR20230089592 A KR 20230089592A
- Authority
- KR
- South Korea
- Prior art keywords
- information
- instructor
- propensity
- user device
- selection
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000004364 calculation method Methods 0.000 claims description 22
- 230000005540 biological transmission Effects 0.000 claims description 15
- 238000012795 verification Methods 0.000 claims description 11
- 230000000873 masking effect Effects 0.000 claims description 10
- 230000001174 ascending effect Effects 0.000 claims description 8
- 230000001419 dependent effect Effects 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000011835 investigation Methods 0.000 claims description 2
- 230000006870 function Effects 0.000 description 15
- 238000004891 communication Methods 0.000 description 11
- 238000012545 processing Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 7
- 238000004590 computer program Methods 0.000 description 4
- 238000012790 confirmation Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000001965 increasing effect Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000011002 quantification Methods 0.000 description 2
- 230000002787 reinforcement Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 241000700605 Viruses Species 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 230000005226 mechanical processes and functions Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 229920001690 polydopamine Polymers 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000000153 supplemental effect Effects 0.000 description 1
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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Human Resources & Organizations (AREA)
- General Health & Medical Sciences (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Educational Technology (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
본 발명은 학생의 성향에 최적 적합도를 갖는 강사를 추천하기 위한 온라인 강사 매칭 방법 및 이를 통한 온라인 강사 매칭 시스템에 대한 것이다.
Description
본 발명은 학습 전문 강사를 매칭하기 위한 플랫폼에 관한 것으로, 보다 상세하게는 학생의 성향에 최적 적합도를 갖는 강사를 추천하기 위한 온라인 강사 매칭 방법 및 이를 통한 온라인 강사 매칭 시스템에 대한 것이다.
과외학습은 주로 초등, 중등 및 고등학생을 대상으로 이루어지는 방과 후 보충학습이다. 배움은 평생 지속되어야 한다는 기조가 사회 전반에 퍼져 있으므로 일반인 역시 자신의 자아실현 또는 업무능력의 향상을 위하여 과외학습을 받는 경우 역시 증가하고 있다.
과외학습은 스스로 전문적인 학원을 선택하여 찾아가거나 또는 원하는 장소에서 개인교습을 제공하는 교사와 매칭되어 진행되는 것이 일반적이었다. 오프라인 수업 같은 대면교육이 과외학습의 일반적 모습이었다면, 최근 전 세계적인 코로나 19 바이러스에 의한 팬데믹(pandemic) 상황하에서 온라인을 통한 비대면 과외학습의 선호가 크게 증가하여 과거와 다른 양상을 보이고 있다.
기존에도 온라인 강의가 제공되는 다수의 온라인사이트 또는 온라인플랫폼이 존재하지만, 오프라인 강의를 동영상 파일의 형태로 저장하였다가 다시 재생하는 방식으로 제공되어 실시간으로 상호 의사소통하거나 또는 즉각적인 피드백을 받는 등 개인화된 강의를 제공받을 수 없었다.
한편, 좋은 선생님이란, 당연히 실력도 좋지만, 학생과의 성향이 잘 맞아야 하는 선생님을 의미한다. 이런 선생님을 매칭할수록 학생의 만족도가 높아서 성적도 오르기 때문에 학습효과 측면과 재수강 의사결정에 영향을 미치는 중요한 요소가 된다. 따라서, 선생님을 먼저 검증하고, 이렇게 검증된 선생님들 중에서 학생의 성향에 맞는 선생님을 찾아내서 매칭 및 추천을 통해 학생에게 최적의 선생님을 연결하는 것이 중요하다.
개인 맞춤형 강의를 수강하기 위해서는 개인교습을 제공하는 교사와 대면강의를 진행하여야 하는데, 개인교습을 진행하는 교사와 학생이 서로 어떤 수준이며 어떤 방식으로 수업하기를 원하는지에 대한 사전 조율이 매우 어렵고 학습기간은 월 단위로 진행되는 것이 보통이어서 비능률적인 학습이 이루어지더라도 이를 감내하고 학습기간이 종료되기를 기다려야 하는 문제가 있었다.
효과적인 과외학습을 진행하기 위해서는 학생과의 성향이 잘 맞는 좋은 선생님과 매칭이 전제될 필요가 있다. 온라인을 통한 비대면 강의의 경우 대면방식의 학습이 제공하는 현장감을 제공하기 어려운 반면, 학생 스스로 자신에게 맞는 교사를 선택할 기회를 갖기 용이하고 교사 역시 교습을 원하는 학생을 찾기 위하여 시간과 노력을 줄일 수 있게 하는 장점이 존재한다.
학습목표가 특정되고 목표달성에 소요되는 자원을 최적화하여 분배하기 위해서는 최적 학습제공자를 탐색할 필요가 있다. 즉, 학생과 성향이 잘 맞으면서도 적절한 실력을 구비한 선생님을 만날 수 있는 기회를 제공할 필요가 있다. 다만, 보다 최적화된 학습을 위하여 학생과 성향이 맞는 최적의 교사를 매칭해 줄 수 있는 플랫폼 서비스가 부재하므로 본 발명자는 예의 노력한 결과 학생과 교사의 매칭이 이루어질 수 있는 방법과 이를 수행하는 플랫폼 발명에 이르게 되었다.
본 발명의 실시예에 따른 온라인 강사 매칭방법은 강사 선택정보와 강사 성향정보를 분석하여 학생성향과 최적의 적합도를 갖는 강사를 추천하기 위한 방법을 제공하는 것을 목적으로 한다.
본 발명의 다른 실시예에 따른 온라인 강사 매칭방법은 강사와 학생의 물리적 위치를 고려하여 부수적인 오프라인 교육의 제공기회를 제공하거나 또는 이를 제거하여 온라인 강사를 추천하기 위한 방법을 제공하는 것을 목적으로 한다.
본 발명의 목적은 이상에서 언급한 것으로 제한되지 않으며, 언급되지 않은 또 다른 목적들은 아래의 기재로부터 본 발명이 속하는 기술 분야의 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
상기 기술적 과제를 해결하기 위한 본 발명의 일양상에 따른 온라인 강사 매칭방법은, 서비스서버의 데이터송수신부를 통하여 제1 사용자기기로부터 강사 선택정보를 수신하는 단계, 데이터송수신부를 통하여 제1 사용자기기로부터 미리 구비된 복수의 성향선택항목으로부터 선택되거나 또는 성향을 표현하는 적어도 하나 이상의 단어가 포함된 문장으로 표현된 강사 성향정보를 수신하는 단계, 데이터송수신부를 통하여 제3 사용자기기로부터 미리 구비된 복수의 성향선택항목으로부터 선택된 학생 성향정보를 수신하는 단계, 서비스서버의 선택정보산정부를 통하여 제1 사용자기기로부터 수신된 강사 선택정보를 서열화 가능한 선택정량지표로 변환하는 단계, 서비스서버의 성향매칭도검증부를 통하여 강사 성향정보와 학생 성향정보를 비교하여 복수의 성향선택항목 중 공통된 개수를 측정하여 정량화된 성향매칭도를 산정하는 단계, 서비스서버의 강사등급관리부가 성향매칭도에 따라 미리 정해진 기준으로 서열화 된 강사등급을 부여하는 단계, 서비스서버의 성향매칭정보생성부가 강사등급 중 가장 높은 서열의 강사등급이 부여된 강사정보를 포함하는 성향매칭정보를 생성하는 단계, 서비스서버의 추천강사정보생성부가 성향매칭정보에 포함된 강사정보를 선택정량지표의 내림차순 또는 오름차순 순서에 따라 정렬하여 추천강사정보를 생성하는 단계, 데이터송수신부를 통하여 추천강사정보를 제3 사용자기기로 송신하는 단계를 포함한다.
여기서, 선택정보를 수신하는 단계는 온라인 강사 매칭 방법은 미리 설정된 주기로 데이터송수신부를 통하여 제1 사용자기기 및 제3 사용자기기로부터 각각 위치정보를 수신하는 단계를 더 포함할 수 있다.
여기서, 서비스서버의 위치정보산정부가 제1 사용자기기와 제3 사용자기기로부터 각각 수신된 위치정보를 이용하여 강사주생활위치정보와 학생주생활위치정보를 생성하는 단계 및 서비스서버의 주생활위치정보분석부가 미리 설정된 산식에 따라 강사주생활위치정보 및 학생주생활위치정보의 중첩도를 산정하는 단계를 더 포함할 수 있다.
서비스서버의 주생활위치정보전처리부가 소정의 시간 간격에 기초한 시계열 데이터를 기초로 제1 사용자기기와 제3 사용자기기의 위치 데이터를 생성하고, 시계열 데이터의 결측치에 24시간, 48시간 또는 24 x (n+2) 시간 (n은 자연수) 이전의 제1 사용자기기와 제3 사용자기기의 위치정보를 이용하여 제1 사용자기기와 제3 사용자기기의 위치 보간 데이터를 생성하고, 결측치를 구분하는 마스킹 데이터를 생성하는 단계 및 서비스서버의 주생활위치정보학습부가 시간 간격 데이터, 보간 데이터 및 마스킹 데이터에 기초하여, 시계열 데이터의 시간 간격에 의존하는 시간 가중치 및 시계열 데이터의 시간 흐름에 의존하는 시계열 가중치를 생성하기 위한 예측 모델의 가중치정보를 생성하는 단계를 더 포함할 수 있다.
여기서, 선택정량지표로 변환하는 단계는 서비스서버의 주생활위치예측부가 위치 데이터, 위치 보간 데이터 및 마스킹 데이터에 기초하여, 제1 사용자기기와 제3 사용자기기의 위치예측정보를 생성하는 단계 및 선택정보산정부가 위치예측정보를 기초로 제3 사용자기기와 위치예측정보가 중첩되는 적어도 하나 이상의 제1 사용자기기로부터 수신한 강사 선택정보를 제거하거나 또는 위치예측정보를 기초로 제3 사용자기기와 위치예측정보가 중첩되는 적어도 하나 이상의 제1 사용자기기 이외의 강사 선택정보를 제거하는 단계를 더 포함할 수 있다.
여기서, 강사 선택정보는 나이간격정보, 성별정보, 출신학교정보, 최종학력정보, 강의가능과목정보 및 출신학교 입학유형정보 중 하나 이상을 포함할 수 있다.
여기서, 강사 선택정보는 제3 사용자기기로부터 수신된 강사평가정보를 더 포함할 수 있다.
여기서, 서비스서버의 강사 성향정보를 수신하는 단계는, 서비스서버의 강사 성향정보분석부가 제1 사용자기기로부터 수신한 성향을 표현하는 적어도 하나 이상의 단어가 포함된 문장에 포함된 단어와 조사를 분리하여 성향관련단어로 분리하는 단계, 성향정보분석부가 미리 구비된 복수의 성향선택항목 및 성향관련단어에 대하여 각각 미리 정의된 규칙에 의하여 벡터 정보를 부여하는 단계 및 성향정보분석부가 성향관련단어를 미리 구비된 복수의 성향선택항목 중 하나로 변환하는 단계를 더 포함할 수 있다.
여기서, 선택정보를 수신하는 단계는 선택정보는 제3 사용자기기로부터 수신된 진학정보를 더 포함할 수 있다.
여기서, 추천강사정보는 제1 사용자기기로부터 수신한 수업가능일정정보를 포함할 수 있다.
본 발명의 다른 양상에 따른 온라인 강사 매칭 시스템은, 제1 사용자기기로부터 강사 선택정보를 수신하고, 상기 제1 사용자기기로부터 미리 구비된 복수의 성향선택항목으로부터 선택되거나 또는 성향을 표현하는 적어도 하나 이상의 단어가 포함된 문장으로 표현된 강사 성향정보를 수신하고, 제3 사용자기기로부터 상기 미리 구비된 복수의 성향선택항목으로부터 선택된 학생 성향정보를 수신하고, 추천강사정보를 상기 제3 사용자기기로 송신하도록 구비된 데이터송수신부, 상기 제1 사용자기기로부터 상기 수신된 강사 선택정보를 서열화 가능한 선택정량지표로 변환하도록 구비된 선택정보산정부, 상기 강사 성향정보와 상기 학생 성향정보를 비교하여 상기 복수의 성향선택항목 중 공통된 개수를 측정하여 정량화된 성향매칭도를 산정하도록 구비된 성향매칭도검증부, 상기 성향매칭도에 따라 미리 정해진 기준으로 서열화 된 강사등급을 부여하도록 구비된 강사등급관리부, 상기 강사등급 중 가장 높은 서열의 강사등급이 부여된 강사정보를 포함하는 성향매칭정보를 생성하도록 구비된 성향매칭정보생성부 및 상기 성향매칭정보에 포함된 강사정보를 상기 선택정량지표의 내림차순 또는 오름차순 순서에 따라 정렬하여 상기 추천강사정보를 생성하도록 구비된 추천강사정보생성부를 포함한다.
본 발명의 실시예에 따른 온라인 강사 매칭방법은 강사 선택정보와 강사 성향정보를 분석하여 학생성향과 최적의 적합도를 갖는 강사를 추천하기 위한 방법을 제공함으로써 지속적이고 효율적인 온라인 학습이 제공되도록 할 수 있다.
본 발명의 다른 실시예에 따른 온라인 강사 매칭방법은 강사와 학생의 물리적 위치를 고려하여 부수적인 오프라인 교육의 제공기회를 제공하거나 또는 이를 제거하여 온라인 강사를 추천하기 위한 방법을 제공함으로써 온라인 교육만이 제공되도록 하여 오프라인에서의 강사와 학생의 접촉을 제한하거나 또는 오프라인에서의 실습이 필수적인 학습에 있어서의 보충학습이 원활히 이루어질 수 있도록 할 수 있다.
본 발명의 효과는 이상에서 언급한 것으로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 아래의 기재로부터 본 발명이 속하는 기술 분야의 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
도 1은 본 발명의 실시예에 따른 온라인 강사 매칭 시스템의 시스템 블록도를 도시한 것이다.
도 2는 본 발명의 실시예에 따른 온라인 강사 매칭 방법의 순서도를 도시한 것이다.
도 3은 본 발명의 실시예에 따른 온라인 강사 매칭 방법을 수행하기 위한 서비스서버의 시스템 구성도를 도시한 것이다.
도 2는 본 발명의 실시예에 따른 온라인 강사 매칭 방법의 순서도를 도시한 것이다.
도 3은 본 발명의 실시예에 따른 온라인 강사 매칭 방법을 수행하기 위한 서비스서버의 시스템 구성도를 도시한 것이다.
본 발명의 목적 및 효과, 그리고 그것들을 달성하기 위한 기술적 구성들은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 본 발명을 설명함에 있어서 공지 기능 또는 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략할 것이다. 그리고 후술되는 용어들은 본 발명에서의 기증을 고려하여 정의된 용어들로서 이는 사용자, 운용자의 의도 또는 관례 등에 따라 달라질 수 있다.
그러나, 본 발명은 이하에서 개시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있다. 단지 본 실시예들은 본 발명의 개시가 완전하도록 하고, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다. 그러므로 그 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다.
명세서 전체에서, 어떤 부분이 어떤 구성요소를 "포함" 또는 "구비"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 "...유닛", "...부" 또는 "...모듈" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어나 소프트웨어 또는 하드웨어 및 소프트웨어의 결합으로 구현될 수 있다.
한편, 본 발명의 실시 예에 있어서, 각 구성요소들, 기능 블록들 또는 수단들은 하나 또는 그 이상의 하부 구성요소로 구성될 수 있으며, 각 구성요소들이 수행하는 전기, 전자, 기계적 기능들은 전자회로, 집적회로, ASIC(Application Specific Integrated Circuit) 등 공지된 다양한 소자들 또는 기계적 요소들로 구현될 수 있으며, 각각 별개로 구현되거나 2 이상이 하나로 통합되어 구현될 수도 있다.
또한 첨부된 블록도의 각 블록과 흐름도의 각 단계의 조합들은 컴퓨터 프로그램 인스트럭션들에 의해 수행될 수도 있다. 이들 컴퓨터 프로그램 인스트럭션들은 범용 컴퓨터, 특수용 컴퓨터, 휴대용 노트북 컴퓨터, 네트워크 컴퓨터, 스마트폰과 같은 모바일 기기, 온라인 게임 서비스 제공 서버 또는 기타 프로그램 가능한 데이터 프로세싱 장비의 프로세서에 탑재될 수 있으므로, 컴퓨터 장치 또는 기타 프로그램 가능한 데이터 프로세싱 장비의 프로세서를 통해 수행되는 그 인스트럭션들이 아래에서 설명할 블록도의 각 블록 또는 흐름도의 각 단계에서 설명된 기능들을 수행하는 수단을 생성하게 된다. 이들 컴퓨터 프로그램 인스트럭션들은 특정 방식으로 기능을 구현하기 위해 컴퓨터 장치 또는 기타 프로그램 가능한 데이터 프로세싱 장비를 지향할 수 있는 컴퓨터 장치에 이용 가능한 메모리 또는 컴퓨터 판독 가능 메모리에 저장되는 것도 가능하므로, 블록도의 각 블록 또는 흐름도 각 단계에서 설명된 기능을 수행하는 인스트럭션 수단을 내포하는 제조물을 생산하는 것도 가능하다. 컴퓨터 프로그램 인스트럭션들은 컴퓨터 장치 또는 기타 프로그램 가능한 데이터 프로세싱 장비 상에 탑재되는 것도 가능하므로, 컴퓨터 장치 또는 기타 프로그램 가능한 데이터 프로세싱 장비 상에서 일련의 동작 단계들이 수행되기 위한 프로세스를 생성하여 블록도의 각 블록 및 흐름도의 각 단계에서 설명된 기능들을 실행하기 위한 단계들을 제공하는 것도 가능하다.
또한, 각 블록 또는 각 단계는 특정된 논리적 기능(들)을 실행하기 위한 하나 이상의 실행 가능한 인스트럭션들을 포함하는 모듈, 세그먼트 또는 코드의 일부를 나타낼 수 있다. 또, 몇 가지 대체 실시예들에서는 블록들 또는 단계들에서 언급된 기능들이 순서를 벗어나서 발생하는 것도 가능함을 주목해야 한다. 예컨대, 잇달아 도시되어 있는 두 개의 블록들 또는 단계들은 사실 실질적으로 동시에 수행되는 것도 가능하고 또는 그 블록들 또는 단계들이 때때로 해당하는 기능에 따라 역순으로 수행되는 것도 가능하다.
본 발명의 실시예에 있어서, 사용자 기기라고 함은 데스크탑 컴퓨터, 노트북 컴퓨터, 스마트폰, PDA, 휴대전화, 게임기 등 데이터를 수집, 판독, 처리, 가공, 저장, 표시할 수 있는 모든 계산 수단을 의미한다. 특히, 본 발명의 실시예에 있어서의 사용자 기기는 해독 가능한 코드로 작성된 소프트웨어를 실행시킬 수 있으며, 이를 사용자에게 표시하여 전달할 수 있는 기능을 갖는 장치이다. 또한, 필요에 따라서는 소프트웨어를 자체적으로 저장하기도 하고, 또는 외부로부터 데이터와 함께 읽어 들일 수도 있다.
또한, 본 발명의 실시예에 있어서의 단말기에는 위와 같은 데이터 처리 기능 뿐 아니라 입력, 출력, 저장 등의 기능이 포함되어 있으며, 이를 위하여 일반적인 컴퓨터 장치들이 갖는 CPU, 메인보드, 그래픽 카드, 하드디스크, 사운드 카드, 스피커, 키보드, 마우스, 모니터, USB, 통신 모뎀 등의 각종 요소들 뿐만 아니라 무선 스마트폰 단말기들이 갖는 CPU, 메인보드, 그래픽 칩, 메모리 칩, 사운드엔진, 스피커, 터치패드, USB 등의 외부 연결 단자, 통신 안테나, 3G, LTE, LTE-A, WiFi, 블루투스 등의 통신을 구현할 수 있는 통신 모뎀 등을 포함할 수 있다. 이러한 각종 요소들이 단독으로 또는 2 이상이 함께, 또는 각종 요소들의 일부분이 결합되어 하나 또는 그 이상의 기능을 구현할 수 있으며, 본 발명의 실시예에서 도면이나 상세한 설명에서 하나 또는 그 이상의 블록으로 표시된 장치 또는 그 일부분들은 위와 같은 사용자 기기에 포함되어 있는 각종 요소들이 단독으로 또는 2 이상이 함께, 또는 각종 요소들의 일부분이 결합되어 하나 또는 그 이상의 기능을 나타내는 것을 의미할 수 있다.
한편, 본 발명의 실시예에서 사용자 기기, 서비스 서버 등은 통신 기능을 가질 수 있으며, 통신 기능을 구현하기 위하여 유선 인터넷, 무선 인터넷, 적외선 통신, 블루투스, WCDMA, Wibro, WiFi, LTE, LTE-A, 5G 유무선 전화망 등의 각종 네트워크 수단을 구비할 수 있다.
이하에서는 본 발명의 실시예에 따른 온라인 강사 매칭 방법에 대하여 첨부한 도면을 참고하여 구체적으로 설명하기로 한다.
도 1은 본 발명의 실시예에 따른 온라인 강사 매칭 방법을 수행하기 위한 서비스서버의 시스템 블록도를 도시한 것이다.
도 1을 참고하면, 상기 서비스서버는 데이터송수신부, 선택정보산정보, 성향매칭도검증부, 강사등급관리부, 성향매칭정보생성부, 추천강사정보생성부, 위치정보산정부, 주생활위치정보분석부, 주생활위치정보전처리부, 주생활위치정보학습부 및 주생활위치예측부를 포함할 수 있다.
상기 데이터송수신부는 적어도 하나 이상의 제1 사용자기기 또는 제3 사용자기기로부터 송신되는 데이터, 정보 등을 수신하거나 또는 적어도 하나 이상의 제1 사용자기기 또는 제3 사용자기기로 상기 데이터 또는 정보를 가공한 형태의 데이터 또는 정보를 송신하도록 구비될 수 있다.
예를 들면, 데이터송수신부는 제1 사용자기기로부터 강사 선택정보를 수신하고, 상기 제1 사용자기기로부터 미리 구비된 복수의 성향선택항목으로부터 선택되거나 또는 성향을 표현하는 적어도 하나 이상의 단어가 포함된 문장으로 표현된 강사 성향정보를 수신하고, 제3 사용자기기로부터 상기 미리 구비된 복수의 성향선택항목으로부터 선택된 학생 성향정보를 수신하고, 추천강사정보를 상기 제3 사용자기기로 송신하도록 구비될 수 있다.
또한, 선택정보산정부는 제1 사용자기기로부터 수신된 강사 선택정보를 서열화 가능한 선택정량지표로 변환하도록 구비될 수 있다. 수신된 강사 선택정보는 단어 또는 문장 등의 정성평가가 가능한 항목으로 이루어질 수 있는데, 이를 오름차순 또는 내림차순으로 상호 비교 가능한 형태의 선택정량지표로 변환할 수 있다
예를 들면, 강사 선택정보는 강사의 나이간격정보, 성별정보, 출신학교정보, 최종학력정보, 강의가능과목정보 및 출신학교 입학유형정보 중 선택될 수 있다.
상기 나이간격정보는 학생으로부터 수신한 학생나이정보와 강사로부터 수신한 강사나이정보의 차이를 수치로 표현한 것으로 정의될 수 있다. 상기 수치는 절대값으로 표현되어 학생과 강사의 나이사이의 간극을 측량하는 지표가 될 수 있다.
예를 들어 선택정보산정부는 학생과 강사의 나이의 간극을 기초로 생성된 나이간격정보를 이용하여 선택정량지표로 변환할 수 있다.
온라인 플랫폼을 통한 강사의 교육과목은 입시과목을 비롯하여, 피아노 강습 등의 악기 강습 또는 서예 강습 등 개인의 기예를 전수하기 위한 다양한 과목으로 이루어질 수 있으며, 실용회화 등 특수한 계층의 언어학습 등 다양하게 제공될 수 있으므로 나이의 간극을 서열화하여 학습에 적합한 강사를 필터링 하되, 이를 정량화하여 빠른 비교가 가능하도록 할 수 있다.
예를 들면, 진학과 관련한 교육이 필요한 경우, 학생의 연령대와 차이가 크지 않은 연령대의 강사가 선호될 수 있다. 반면, 서예 등 개인의 기예의 숙련도가 높을수록 선호되는 강사의 경우 나이의 간극이 큰 연령대의 강사가 선호될 수 있다. 또는, 어학학습의 경우 사회활동 경험 또는 동일 세대에 속하는 나이의 강사가 선호될 수 있다.
나이간격정보 | 1년 미만 | 2년 미만 | 3년 미만 | 4년 미만 | 5년 미만 | 6년 미만 | 7년 미만 | 8년 미만 | 9년 미만 | 10년미만 | 11년 미만 | 12년 미만 | 13년 미만 | 14년 미만 | 15년 미만 |
등급 | A | B | C | D | E | F | G | H | I | J | K | L | M | N | O |
한편, 선택정보산정부는 강사 선택정보 중 강사의 나이간격정보, 성별정보, 출신학교정보, 최종학력정보, 강의가능과목정보 및 출신학교 입학유형정보에서 선택된 2 이상의 복수의 조합을 추출하고 이를 선택정량지표로 변환하도록 구비될 수 있다. 예를 들면, 피아노관련 전문 강습을 제공하는 강사를 선택하기 위한 경우, 강사의 성별정보, 출신학교정보, 출신학교 입학유형정보를 선정하고 미리 설정된 기준에 따라서 서열화 가능한 선택정량지표로 변환할 수 있다.
성별 | 출신학교정보 | 출신학교 입학유형정보 | 등급 |
남 | S대 | 정시 | A |
여 | E대 | 정시 | B |
여 | S대 | 수시 | C |
남 | E대 | 수시 | D |
온라인으로 제공되는 강의에 있어서 다양한 과목의 학습이 이루어질 수 있으므로 다양한 변수를정량화하기 위한 선택정보산정부가 구비될 수 있으며, 이를 위해 강사 선택정보를 특정 과목에 대하여 정량화 할 수 있는 기준을 미리 설정하고 정량화하여 미리 마련하거나 또는 미리 설정된 기준을 전처리 데이터로 하여 지도학습, 자율학습 또는 강화학습 등이 속하는 기계 학습(Machine learning) 또는 심화 학습(Deep learning), 심화 학습의 일종인 적대적 생성 네트워크(GAN, Generative Adversarial Networks)으로 학습된 인공지능알고리즘이 적용되도록 선택정보산정부를 구비할 수 있다.
다음으로, 성향매칭도검증부는 강사 성향정보와 학생 성향정보를 비교하여 상기 복수의 성향선택항목 중 공통된 개수를 측정하여 정량화된 성향매칭도를 산정하도록 구비될 수 있다. 성향분석을 위하여 강사 또는 학생으로부터 제공되는 성향정보는 단어, 구문 또는 문장의 형식으로 제시될 수 있고, 자기소개와 수업스타일 및 경력사항에 대한 주제에 따라 제공된 것일 수 있다. 성향선택항목은 예를 들면, 효율추구, 멘토, 자신감 등 카테고리화 된 항목으로 미리 제시된 것일 수 있다. 이를 강사 또는 학생이 하나 이상 선택하고 이를 성향매칭에 활용하거나 또는 강사 또는 학생이 제공한 구문 또는 문장에서 추출된 단어를 분류하고 이를 효율추구, 멘토, 자신감 중 어느 하나의 카테고리에 속하는 것으로 정의한 후 이를 정량화하는 방법에 의하여 가장 높은 정량점수를 획득한 순서로 성향매칭도를 측정함으로써 성향매칭도를 산정하도록 구비될 수 있다.
예를 들면, 강사가 제공한 성향정보가 문장인 경우, 문장 중 포함된 단어와 조사를 분리한 후 성향관련 단어로 분리하고 성향관련단어에 대하여 미리 정의된 규칙에 따라 벡터 정보를 부여하여 특정 성향인 것으로 정의하고, 특정 성향인 것으로 측정된 개수를 측정하여 이를 특정 성향에 대한 정량점수로 환산하도록 구비될 수 있다. 마찬가지로, 학생이 제공한 성향정보가 문장인 경우, 문장 중 포함된 단어와 조사를 분리한 후 성향관련 단어로 분리하고 성향관련단어에 대하여 미리 정의된 규칙에 따라 벡터 정보를 부여하여 특정 성향인 것으로 정의하고, 특정 성향인 것으로 측정된 개수를 측정하여 이를 특정 성향에 대한 정량점수로 환산하도록 구비될 수 있다.
만약, 강사가 제공한 문장 중 효율추구에 속하는 벡터 정보를 부여받은 단어가 20개, 멘토에 속하는 벡터 정보를 부여받은 단어가 10개, 자신감에 속하는 벡터 정보를 부여받은 단어가 5개인 경우 효율추구에 대한 벡터 정보를 부여받은 단어가 높은 학생이 높은 성향매칭도를 갖는 것으로 산정될 수 있다.
또한, 강사등급관리부는 성향매칭도에 따라 미리 정해진 기준으로 서열화 된 강사등급을 부여하도록 구비될 수 있다. 즉, 학생과 높은 성향매칭도를 갖는 성향의 강사로부터 낮은 성향매칭도를 갖는 성향의 강사에 이르기까지 이를 서열화된 등급으로 분류하여 강사등급이 부여될 수 있다.
또한, 성향매칭정보생성부는 강사등급 중 가장 높은 서열의 강사등급이 부여된 강사정보를 포함하는 성향매칭정보를 생성하도록 구비될 수 있다. 강사등급에 앞서 기술된 강사 선택정보 중 적어도 하나 이상의 정보가 포함되도록 하여 강사등급이 부여된 성향매칭정보가 생성되어 특정 학생에 대한 강사의 서열을 측정하는 지표로 사용될 수 있다.
또한, 추천강사정보생성부는 성향매칭정보에 포함된 강사정보를 상기 선택정량지표의 내림차순 또는 오름차순 순서에 따라 정렬하여 상기 추천강사정보를 생성하도록 구비될 수 있다. 성향의 매칭여부와 선택정량지표에 따른 서열을 모두 포함하여 학생이 강사를 선택할 수 있도록 추천강사정보를 생성할 수 있는데, 예를 들면 추천강사정보생성부는 성향매칭정보에서 가장 높은 성향매칭도를 갖는 동시에, 특정 과목에서 가장 높은 선택정량지표를 갖는 강사의 정보가 추천강사정보로 생성되어 학생에게 제공되도록 구비될 수 있다.
도 2는 본 발명의 실시예에 따른 온라인 강사 매칭 방법의 순서도를 도시한 것이고, 도 3은 본 발명의 실시예에 따른 온라인 강사 매칭 시스템 구성도를 도시한 것이다.
이하, 도 2를 참고하여 본 발명의 실시예에 따른 온라인 강사 매칭 방법에 대항 상세히 설명한다.
본 발명의 일실시예에 따른 온라인 강사 매칭방법은, 서비스서버의 데이터송수신부를 통하여 제1 사용자기기로부터 강사 선택정보를 수신하는 단계를 포함한다 (S110).
상기 강사 선택정보는 나이간격정보, 성별정보, 출신학교정보, 최종학력정보, 강의가능과목정보 및 출신학교 입학유형정보 중 하나 이상을 포함할 수 있다. 강사의 나이간격정보, 성별정보는 스마트폰 등 사용가기기의 실명 인증 또는 신분증 인증을 통해 검증이 가능한 것을 사용하는 것이 바람직하다. 다만, 이에 한정하지 아니하며 개인의 동일성을 식별할 수 있는 전자적 인증방법에 따라 검증이 가능한 것이면 어느 것이든 적용 가능하다.
다음으로, 출신학교정보, 최종학력정보 등의 검증에 있어서, 이메일 확인코드 확인을 이용하여 학력의 검증을 수행할 수 있다. 예를 들면, 학교도메인을 이메일에 포함하는 경우 강사 회원 가입 시 학교 이메일을 등록하면 해당 이메일로 확인코드가 전송되고 강사는 학교 이메일에 접속하여 인증을 진행함으로써 해당 학교에 소속되어 있음을 검증할 수 있다. 이때, 재학증명서 또는 졸업증명서가 사용될 수 있으며, 재학증명서 또는 졸업증명서를 서비스서버에서 수신하고 서비스서버의 OCR 처리를 수행하는 이미지데이터처리부에 의하여 이미지 분석 후 학교 학과, 학번 추출 및 시스템에 자동 등록하거나 또는 해당 증명서의 고유번호를 통해 증명서 진위여부 확인하기 위하여 데이터송수신부를 통하여 해당 학교학위증명서버에 송신하고 진위여부 확인정보를 수신하도록 함으로써 출신학교정보 또는 최종학력정보를 검증할 수 있다. 한편, 상기 정보에 의하여 졸업 또는 재학여부가 함께 확인 및 검증될 수 있다.
또한, 입학유형에 따라 대학교 입학을 위한 강사의 능력과 강점분야가 다를 수 있으므로 정시 또는 수시 입학여부에 대한 정보를 요청하여 강사 선택정보로 사용할 수 있으며, 강의가능과목정보를 요청하여 수신함으로써 강사 선택정보로 사용할 수 있다.
한편, 상기 강사 선택정보는 제3 사용자기기로부터 수신된 강사평가정보를 더 포함할 수 있다. 이때 제3 사용자기기는 해당 강사로부터 이미 수강이력이 있는 학생의 사용자기기로써 a) 선생님의 지각 여부, b) 선생님의 노쇼 여부 또는 c) 수업 피드백 작성 여부 및 작성 내용에 대한 시스템 평가점수가 강사 선택정보로 사용될 수 있다.
본 발명의 다른 실시예에 따르면, 선택정보를 수신하는 단계는 선택정보는 제3 사용자기기로부터 수신된 진학정보를 더 포함할 수 있다. 예를 들면, 제3 사용자기기의 학생은 강사 선택정보를 송신한 강사로부터 수업을 수강한 학생일 수 있는데, 실제 원하는 학교로 진학하였는지 여부에 대한 사항을 서비스서버로 송신함으로써 강사 선택정보로 사용될 수 있다.
또한, 강사 선택정보는 제3 사용자기기로부터 수신된 강사평가정보를 더 포함할 수 있다. 제3 사용자기기의 학생이 동일 강사로부터 수업을 완료한 후 수업에 대한 전반의 평가를 서비스서버로 전송하고 이를 이용하여 강사 선택정보에 업데이트 함으로써 강사에 대한 정밀한 검증이 추가적으로 수행될 수 있다.
본 발명의 다른 실시예에 따르면, 선택정보를 수신하는 단계는 온라인 강사 매칭 방법은 미리 설정된 주기로 데이터송수신부를 통하여 제1 사용자기기 및 제3 사용자기기로부터 각각 위치정보를 수신하는 단계를 더 포함할 수 있다.
서비스서버를 통하여 강사와 매칭하거나 또는 학생과 매칭하는 학생 또는 강사의 경우 일정한 모수를 유지하며 서비스서버가 제공하는 정보 등을 지속적으로 이용하도록 관리하는 것이 서비스의 항상성 유지를 위하여 중요한 요소가 된다. 만약, 강사가 인근 지역의 학생과 매칭되고 오프라인 교육으로 변형하여 서비스서버의 학생에 관한 정보를 이용하거나 또는 학생과의 커뮤니케이션 과정에서 오프라인 교육을 유도하는 등의 경우 학생 또는 강사의 서비스서버 이용 빈도가 감소하는 문제가 될 수 있다. 이를 방지하기 위하여 강사와 학생은 가급적 물리적으로 가깝지 않은 거리에 위치하는 것이 바람직하다. 본 단계는 단순히 강사와 학생의 주소 등 정적데이터를 이용한 것이 아니라 실제 활동이 이루어지는 주요 생활 반경에 대한 정보를 통하여 실제 거리 차이에 대한 정보를 수집하기 위한 것이다. 이를 위하여 제1 사용자기기 및 제3 사용자기기로부터 사용자의 위치정보를 수집할 것에 대한 동의를 구하는 절차가 추가적으로 수행될 수 있다.
다음으로, 서비스서버의 위치정보산정부가 제1 사용자기기와 제3 사용자기기로부터 각각 수신된 위치정보를 이용하여 강사주생활위치정보와 학생주생활위치정보를 생성하는 단계 및 서비스서버의 주생활위치정보분석부가 미리 설정된 산식에 따라 강사주생활위치정보 및 학생주생활위치정보의 중첩도를 산정하는 단계를 더 포함할 수 있다.
수집된 강사주생활위치정보와 학생주생활위치정보는 공공 API로부터 제공되거나 또는 제3 서비스서버로부터 제공되는 지도데이터 등을 이용하여 각각의 위치가 표시되는 형태로 시각화될 수 있고, 시각화된 최외곽의 활동반경이 상호 중첩되는 면적을 포함하는지 또는 상호 중첩되는 시간이 존재하는지 여부를 통해 중첩여부를 판단하도록 이용될 수 있다.
주생활위치의 경우 시간에 따라 서로 중첩되지 않는 경우가 발생할 수 있다. 예를 들면, S대학교의 학생은 S대 인근에 위치할 확률이 높으나, 수업을 받지 않는 시간에 해당하는 경우 S대학 인근지역에 위치하지 않을 확률이 높다. 이 경우 S대학교 인근에 거주하는 학생의 경우 정규수업을 진행하는 오전과 오후 시간 이외에 방과 후 S대학교 인근에 위치할 확률이 높다. 단순히 지리적으로 중첩여부를 확인하는 것이 아니라 실제로 제1 사용자기기의 강사와 제3 사용자기기의 학생이 위치하는 주생활위치정보를 이용하면 동일한 시간에 중첩되지 않는 주생활위치에 있게 되므로 서로 오프라인을 통한 교육이 어렵게 될 수 있다. 이를 통해 온라인을 통한 수업의 욕구가 상승할 수 있으므로 강사 또는 학생의 서비스 이탈을 방지할 수 있다. 주생활위치의 파악은, 예를 들면, 강사와 학생의 위치정보는 IP 분석 후, 사설 API (예: naver geolocation api)를 통해 지역(시, 군, 구, 동)을 확인할 수 있다.
다만, 강사 또는 학생의 위치정보를 수집하기 위하여 사용자기기에 구비된 GPS (Global Positioning System) 등의 수단이 사용될 수 있고 이러한 수단에 의하여 위치정보가 수집 불가능 지역에 위치하는 경우가 발생할 수 있다. 이를 보완하기 위하여 서비스서버의 주생활위치정보전처리부가 소정의 시간 간격에 기초한 시계열 데이터를 기초로 제1 사용자기기와 제3 사용자기기의 위치 데이터를 생성하고, 시계열 데이터의 결측치에 24시간, 48시간 또는 24 x (n+2) 시간 (n은 자연수) 이전의 제1 사용자기기와 제3 사용자기기의 위치정보를 이용하여 제1 사용자기기와 제3 사용자기기의 위치 보간 데이터를 생성하고, 결측치를 구분하는 마스킹 데이터를 생성하는 단계 및 서비스서버의 주생활위치정보학습부가 시간 간격 데이터, 보간 데이터 및 마스킹 데이터에 기초하여, 시계열 데이터의 시간 간격에 의존하는 시간 가중치 및 시계열 데이터의 시간 흐름에 의존하는 시계열 가중치를 생성하기 위한 예측 모델의 가중치정보를 생성하는 단계를 더 포함할 수 있다.
예를 들면, 일정한 직업을 갖고 있거나, 대학에서 수학 중인 강사의 경우 일정한 패턴으로 활동이 이루어질 수 있는데, 1일 후 동일한 시간대 또는 1주일 후 동일한 시간대에는 동일한 위치 또는 해당위치의 인근에 위치할 가능성이 높다. 또는, 이동경로 중 일부 통신 음영지역 등이 존재할 수 있으며 앞, 뒤의 위치를 고려한 직선경로 또는 도로경로를 이용하여 위치정보를 추정하는 것이 위치에 대한 합리적인 추론이 되므로 위치 보간 데이터의 생성을 통해 결측치에 해당하는 위치정보를 생성함으로써 강사 또는 학생의 위치정보를 파악할 수 있다.
한편, 실제 위치가 파악되지 않아 위치 보간 데이터로 생성된 위치정보는 부정확할 수 있으므로 마스킹 데이터를 생성하여 이를 구분하고 위치정보를 보정하도록 구비될 수 있다. 다음으로, 데이터송수신부를 통하여 제1 사용자기기로부터 미리 구비된 복수의 성향선택항목으로부터 선택되거나 또는 성향을 표현하는 적어도 하나 이상의 단어가 포함된 문장으로 표현된 강사 성향정보를 수신하는 단계를 포함한다 (S120).
이때, 단어가 포함된 문장 뿐만 아니라 복수의 단어로 이루어진 문구 역시 강사 성향정보로 사용될 수 있다. 강사 성향정보는 강사의 자기소개를 위한 단어, 문구 또는 문장 또는 수업스타일에 대한 단어, 문구 또는 문장일 수 있다. 강사 성향정보를 수신하는 본 단계에서는 수업가능한 과목정보와 수업스타일, 수업가능일정 정보를 수집할 수 있다. 본 단계는 미리 제시된 선택항목을 체크하는 복수의 성향선택항목이 제시되고 강사는 하나 또는 다수의 성향선택항목을 선택하는 것으로 수행될 수 있다.
본 발명의 다른 실시예에 있어서 서비스서버의 강사 성향정보를 수신하는 단계는, 서비스서버의 강사 성향정보분석부가 제1 사용자기기로부터 수신한 성향을 표현하는 적어도 하나 이상의 단어가 포함된 문장에 포함된 단어와 조사를 분리하여 성향관련단어로 분리하는 단계, 성향정보분석부가 미리 구비된 복수의 성향선택항목 및 성향관련단어에 대하여 각각 미리 정의된 규칙에 의하여 벡터 정보를 부여하는 단계 및 성향정보분석부가 성향관련단어를 미리 구비된 복수의 성향선택항목 중 하나로 변환하는 단계를 더 포함할 수 있다.
예를 들어, 수치화가 가능하거나 서열화가 가능한 정보와 수치화 또는 서열화가 불가능한 정보를 서로 다른 카테고리로 분리하고, 서열화가 불가능한 정보의 경우에 해당하는 단어군을 선정하여 유사한 수치의 좌표값을 부여하는 것에 의하여 대략의 성향을 유추할 수 있다. 벡터 정보에 포함된 벡터값이 미리 설정한 유사 범위에 포함되는 경우 미리 구비된 하나의 성향선택항목으로 처리되어 강사의 성향을 나타내는 강사 성향정보로 이용될 수 있다.
다음으로, 데이터송수신부를 통하여 제3 사용자기기로부터 미리 구비된 복수의 성향선택항목으로부터 선택된 학생 성향정보를 수신하는 단계를 포함한다 (S130).
학생 성향정보 역시 자기소개를 위한 단어, 문구 또는 문장 또는 원하는 수업스타일에 대한 단어, 문구 또는 문장일 수 있다. 학생 성향정보를 수신하는 본 단계에서는 수업을 원하는 과목정보와 수업스타일, 수업가능일정 정보를 수집함에 있어서 미리 제시된 선택항목을 체크하는 복수의 성향선택항목이 제시되고 학생은 하나 또는 다수의 성향선택항목을 선택함으로써 본 단계를 수행할 수 있다.
다음으로, 서비스서버의 선택정보산정부를 통하여 제1 사용자기기로부터 수신된 강사 선택정보를 서열화 가능한 선택정량지표로 변환하는 단계를 포함한다 (S140).
수신된 강사 선택정보는 단어 또는 문장 등의 정성평가가 가능한 항목으로 이루어질 수 있는데, 이를 오름차순 또는 내림차순으로 상호 비교 가능한 형태의 선택정량지표로 변환할 수 있다.
여기서, 강사 선택정보는 나이간격정보, 성별정보, 출신학교정보, 최종학력정보, 강의가능과목정보 및 출신학교 입학유형정보 중 하나 이상을 포함할 수 있다. 앞서 기술한 바와 같이, 강사 선택정보는 강사의 나이간격정보, 성별정보, 출신학교정보, 최종학력정보, 강의가능과목정보 및 출신학교 입학유형정보 중 선택될 수 있다. 예를 들어 표 1에서 나타난 바와 같이 선택정보산정부는 강사의 나이간격정보를 기초로, 강사의 나이가 20~25세에 속하는 경우 A 등급, 26~30세에 속하는 경우 B 등급, 31~35세에 속하는 경우 C 등급 등의 선택정량지표로 변환할 수 있다. 강사의 교육과목은 입시과목을 비롯하여, 피아노 강습 등의 악기 강습 또는 서예 강습 등 개인의 기예를 전수하기 위한 다양한 과목으로 이루어질 수 있으므로 나이를 서열화하여 학습에 적합한 강사를 필터링 하되, 이를 정량화하여 빠른 비교가 가능하도록 할 수 있다. 예를 들면, 진학과 관련한 교육이 필요한 경우, 학생의 연령대와 차이가 크지 않은 연령대의 강사가 선호될 수 있으므로, 앞서 예시한 A등급의 강사를 선택할 수 있다. 반면, 서예 등 개인의 기예의 숙련도가 높을수록 선호되는 강사의 경우 60~65세에 해당하는 I 등급의 강사를 선택할 수 있도록 할 수 있다.
또한, 선택정보산정부는 강사 선택정보 중 강사의 나이간격정보, 성별정보, 출신학교정보, 최종학력정보, 강의가능과목정보 및 출신학교 입학유형정보에서 선택된 2 이상의 복수의 조합을 추출하고 이를 선택정량지표로 변환하도록 구비될 수 있다. 예를 들면, 피아노관련 전문 강습을 제공하는 강사를 선택하기 위한 경우, 강사의 성별정보, 출신학교정보, 출신학교 입학유형정보를 선정하고 미리 설정된 기준에 따라서 서열화 가능한 선택정량지표로 변환할 수 있다 (표 2 참고).
온라인으로 제공되는 강의에 있어서 다양한 과목의 학습이 이루어질 수 있으므로 다양한 변수를정량화하기 위한 선택정보산정부가 구비될 수 있으며, 이를 위해 강사 선택정보를 특정 과목에 대하여 정량화 할 수 있는 기준을 미리 설정하고 정량화하여 미리 마련하거나 또는 미리 설정된 기준을 전처리 데이터로 하여 지도학습, 자율학습 또는 강화학습 등이 속하는 기계 학습(Machine learning) 또는 심화 학습(Deep learning), 심화 학습의 일종인 적대적 생성 네트워크(GAN, Generative Adversarial Networks)으로 학습된 인공지능알고리즘이 적용되도록 선택정보산정부를 구비할 수 있다.
본 발명의 다른 실시예에 의한 경우, 선택정량지표로 변환하는 단계는 서비스서버의 주생활위치예측부가 위치 데이터, 위치 보간 데이터 및 마스킹 데이터에 기초하여, 제1 사용자기기와 제3 사용자기기의 위치예측정보를 생성하는 단계 및 선택정보산정부가 위치예측정보를 기초로 제3 사용자기기와 위치예측정보가 중첩되는 적어도 하나 이상의 제1 사용자기기로부터 수신한 강사 선택정보를 제거하거나 또는 위치예측정보를 기초로 제3 사용자기기와 위치예측정보가 중첩되는 적어도 하나 이상의 제1 사용자기기 이외의 강사 선택정보를 제거하는 단계를 더 포함할 수 있다.
앞서 기술한 바와 같이 강사와 학생의 주생활위치가 중첩되는 경우 또는 동일시간대 매우 인접한 주생활위치를 갖는 경우 서비스서버에서 이탈하여 오프라인 교육으로 이행하는 경우가 발생할 확률이 증가하게 될 수 있으므로, 강사 선택정보를 제거함으로써 서비스서버의 부하를 감소하고 온라인 이탈을 방지할 수 있다.
다만, 이론 교육과 실습 교육이 병행되어야 하는 특수한 과목의 경우, 예를 들면 이론 교육과 실습이 병행되어야 하는 악기 교육, 체육 교육 등의 경우 인접한 위치의 강사가 보다 최적화된 교육을 진행할 수 있으므로 위치예측정보가 중첩되는 강사 선택정보만을 이용하고 나머지 강사 선택정보를 제거함으로써 서비스서버의 부하를 감수하고 최적화된 강사를 매칭하는 것이 가능할 수 있다.
다음으로, 서비스서버의 성향매칭도검증부를 통하여 강사 성향정보와 학생 성향정보를 비교하여 복수의 성향선택항목 중 공통된 개수를 측정하여 정량화된 성향매칭도를 산정하는 단계를 포함한다 (S150).
성향매칭도검증부는 강사 성향정보와 학생 성향정보를 비교하여 상기 복수의 성향선택항목 중 공통된 개수를 측정하여 정량화된 성향매칭도를 산정하도록 구비될 수 있다. 성향분석을 위하여 강사 또는 학생으로부터 제공되는 성향정보는 단어, 구문 또는 문장의 형식으로 제시될 수 있고, 자기소개와 수업스타일 및 경력사항에 대한 주제에 따라 제공된 것일 수 있다. 성향선택항목은 예를 들면, 효율추구, 멘토, 자신감 등 카테고리화 된 항목으로 미리 제시된 것일 수 있다. 이를 강사 또는 학생이 하나 이상 선택하고 이를 성향매칭에 활용하거나 또는 강사 또는 학생이 제공한 구문 또는 문장에서 추출된 단어를 분류하고 이를 효율추구, 멘토, 자신감 중 어느 하나의 카테고리에 속하는 것으로 정의한 후 이를 정량화하는 방법에 의하여 가장 높은 정량점수를 획득한 순서로 성향매칭도를 측정함으로써 성향매칭도를 산정하도록 구비될 수 있다.
예를 들면, 강사가 제공한 성향정보가 문장인 경우, 문장 중 포함된 단어와 조사를 분리한 후 성향관련 단어로 분리하고 성향관련단어에 대하여 미리 정의된 규칙에 따라 벡터 정보를 부여하여 특정 성향인 것으로 정의하고, 특정 성향인 것으로 측정된 개수를 측정하여 이를 특정 성향에 대한 정량점수로 환산하도록 구비될 수 있다. 마찬가지로, 학생이 제공한 성향정보가 문장인 경우, 문장 중 포함된 단어와 조사를 분리한 후 성향관련 단어로 분리하고 성향관련단어에 대하여 미리 정의된 규칙에 따라 벡터 정보를 부여하여 특정 성향인 것으로 정의하고, 특정 성향인 것으로 측정된 개수를 측정하여 이를 특정 성향에 대한 정량점수로 환산하도록 구비될 수 있다.
만약, 강사가 제공한 문장 중 효율추구에 속하는 벡터 정보를 부여받은 단어가 20개, 멘토에 속하는 벡터 정보를 부여받은 단어가 10개, 자신감에 속하는 벡터 정보를 부여받은 단어가 5개인 경우 효율추구에 대한 벡터 정보를 부여받은 단어가 높은 학생이 높은 성향매칭도를 갖는 것으로 산정될 수 있다.
다음으로, 서비스서버의 강사등급관리부가 성향매칭도에 따라 미리 정해진 기준으로 서열화 된 강사등급을 부여하는 단계를 포함한다 (S160).
강사등급관리부는 성향매칭도에 따라 미리 정해진 기준으로 서열화 된 강사등급을 부여하도록 구비될 수 있다. 즉, 학생과 높은 성향매칭도를 갖는 성향의 강사로부터 낮은 성향매칭도를 갖는 성향의 강사에 이르기까지 이를 서열화된 등급으로 분류하여 강사등급이 부여될 수 있다.
다음으로, 서비스서버의 성향매칭정보생성부가 강사등급 중 가장 높은 서열의 강사등급이 부여된 강사정보를 포함하는 성향매칭정보를 생성하는 단계를 포함한다 (S170).
성향매칭정보생성부는 강사등급 중 가장 높은 서열의 강사등급이 부여된 강사정보를 포함하는 성향매칭정보를 생성하도록 구비될 수 있다. 강사등급에 앞서 기술된 강사 선택정보 중 적어도 하나 이상의 정보가 포함되도록 하여 강사등급이 부여된 성향매칭정보가 생성되어 특정 학생에 대한 강사의 서열을 측정하는 지표로 사용될 수 있다.
다음으로, 서비스서버의 추천강사정보생성부가 성향매칭정보에 포함된 강사정보를 선택정량지표의 내림차순 또는 오름차순 순서에 따라 정렬하여 추천강사정보를 생성하는 단계를 포함한다 (S180).
성향의 매칭여부와 선택정량지표에 따른 서열을 모두 포함하여 학생이 강사를 선택할 수 있도록 추천강사정보를 생성할 수 있는데, 예를 들면 추천강사정보생성부는 성향매칭정보에서 가장 높은 성향매칭도를 갖는 동시에, 특정 과목에서 가장 높은 선택정량지표를 갖는 강사의 정보가 추천강사정보로 생성되어 학생에게 제공되도록 구비될 수 있다.
다음으로, 데이터송수신부를 통하여 추천강사정보를 제3 사용자기기로 송신하는 단계를 포함한다 (S190). 한편, 추천강사정보는 제1 사용자기기로부터 수신한 수업가능일정정보를 포함할 수 있다.
추천강사정보에 포함된 수업가능일정정보를 통해 학생은 본인의 수업가능일정과 대비함으로써 강사를 선정할 지 여부에 대하여 판단할 수 있으며, 최종 선택을 통해 특정 강사와의 매칭이 이루어져 수업을 진행할 수 있게 구비될 수 있다.
본 명세서와 도면에는 본 발명의 바람직한 실시예에 대하여 개시하였으며, 비록 특정 용어들이 사용되었으나, 이는 단지 본 발명의 기술 내용을 쉽게 설명하고 발명의 이해를 돕기 위한 일반적인 의미에서 사용된 것이지, 본 발명의 범위를 한정하고자 하는 것은 아니다. 여기에 개시된 실시예 외에도 본 발명의 기술적 사상에 바탕을 둔 다른 변형예들이 실시 가능하다는 것은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에게 자명한 것이다.
Claims (10)
- 서비스서버의 데이터송수신부를 통하여 제1 사용자기기로부터 강사 선택정보를 수신하는 단계;
상기 데이터송수신부를 통하여 상기 제1 사용자기기로부터 미리 구비된 복수의 성향선택항목으로부터 선택되거나 또는 성향을 표현하는 적어도 하나 이상의 단어가 포함된 문장으로 표현된 강사 성향정보를 수신하는 단계;
상기 데이터송수신부를 통하여 제3 사용자기기로부터 상기 미리 구비된 복수의 성향선택항목으로부터 선택된 학생 성향정보를 수신하는 단계;
상기 서비스서버의 선택정보산정부를 통하여 상기 제1 사용자기기로부터 상기 수신된 강사 선택정보를 서열화 가능한 선택정량지표로 변환하는 단계;
상기 서비스서버의 성향매칭도검증부를 통하여 상기 강사 성향정보와 상기 학생 성향정보를 비교하여 상기 복수의 성향선택항목 중 공통된 개수를 측정하여 정량화된 성향매칭도를 산정하는 단계;
상기 서비스서버의 강사등급관리부가 상기 성향매칭도에 따라 미리 정해진 기준으로 서열화 된 강사등급을 부여하는 단계;
상기 서비스서버의 성향매칭정보생성부가 상기 강사등급 중 가장 높은 서열의 강사등급이 부여된 강사정보를 포함하는 성향매칭정보를 생성하는 단계;
상기 서비스서버의 추천강사정보생성부가 상기 성향매칭정보에 포함된 강사정보를 상기 선택정량지표의 내림차순 또는 오름차순 순서에 따라 정렬하여 추천강사정보를 생성하는 단계; 및
상기 데이터송수신부를 통하여 상기 추천강사정보를 상기 제3 사용자기기로 송신하는 단계;
를 포함하는 것을 특징으로 하는 온라인 강사 매칭 방법.
- 제1항에 있어서,
상기 선택정보를 수신하는 단계는,
상기 온라인 강사 매칭 방법은 미리 설정된 주기로 상기 데이터송수신부를 통하여 상기 제1 사용자기기 및 상기 제3 사용자기기로부터 각각 위치정보를 수신하는 단계;를 더 포함하는 것을 특징으로 하는 온라인 강사 매칭 방법.
- 제2항에 있어서,
상기 서비스서버의 위치정보산정부가 상기 제1 사용자기기와 상기 제3 사용자기기로부터 각각 수신된 위치정보를 이용하여 강사주생활위치정보와 학생주생활위치정보를 생성하는 단계; 및
상기 서비스서버의 주생활위치정보분석부가 미리 설정된 산식에 따라 상기 강사주생활위치정보 및 상기 학생주생활위치정보의 중첩도를 산정하는 단계;를 더 포함하는 것을 특징으로 하는 온라인 강사 매칭 방법.
- 제3항에 있어서,
상기 서비스서버의 주생활위치정보전처리부가 소정의 시간 간격에 기초한 시계열 데이터를 기초로 상기 제1 사용자기기와 상기 제3 사용자기기의 위치 데이터를 생성하고, 상기 시계열 데이터의 결측치에 24시간, 48시간 또는 24 x (n+2) 시간 (n은 자연수) 이전의 상기 제1 사용자기기와 상기 제3 사용자기기의 위치정보를 이용하여 상기 제1 사용자기기와 상기 제3 사용자기기의 위치 보간 데이터를 생성하고, 상기 결측치를 구분하는 마스킹 데이터를 생성하는 단계; 및
상기 서비스서버의 주생활위치정보학습부가 상기 시간 간격 데이터, 상기 보간 데이터 및 상기 마스킹 데이터에 기초하여, 상기 시계열 데이터의 시간 간격에 의존하는 시간 가중치 및 상기 시계열 데이터의 시간 흐름에 의존하는 시계열 가중치를 생성하기 위한 예측 모델의 가중치정보를 생성하는 단계;를 더 포함하는 것을 특징으로 하는 온라인 강사 매칭 방법.
- 제4항에 있어서,
상기 선택정량지표로 변환하는 단계는,
상기 서비스서버의 주생활위치예측부가 상기 위치 데이터, 위치 보간 데이터, 및 마스킹 데이터에 기초하여, 상기 제1 사용자기기와 상기 제3 사용자기기의 위치예측정보를 생성하는 단계; 및
상기 선택정보산정부가 상기 위치예측정보를 기초로 상기 제3 사용자기기와 위치예측정보가 중첩되는 적어도 하나 이상의 상기 제1 사용자기기로부터 수신한 강사 선택정보를 제거하거나 또는 상기 위치예측정보를 기초로 상기 제3 사용자기기와 위치예측정보가 중첩되는 적어도 하나 이상의 상기 제1 사용자기기 이외의 강사 선택정보를 제거하는 단계;를 더 포함하는 것을 특징으로 하는 온라인 강사 매칭 방법.
- 제1항에 있어서,
상기 강사 선택정보는 나이간격정보, 성별정보, 출신학교정보, 최종학력정보, 강의가능과목정보 및 출신학교 입학유형정보 중 하나 이상을 포함하는 것을 특징으로 하는 온라인 강사 매칭 방법.
- 제6항에 있어서,
상기 강사 선택정보는 상기 제3 사용자기기로부터 수신된 강사평가정보를 더 포함하는 것을 특징으로 하는 온라인 강사 매칭 방법.
- 제1항에 있어서,
상기 서비스서버의 강사 성향정보를 수신하는 단계는,
상기 서비스서버의 강사 성향정보분석부가 상기 제1 사용자기기로부터 수신한 상기 성향을 표현하는 적어도 하나 이상의 단어가 포함된 문장에 포함된 단어와 조사를 분리하여 성향관련단어로 분리하는 단계;
상기 성향정보분석부가 상기 미리 구비된 복수의 성향선택항목 및 상기 성향관련단어에 대하여 각각 미리 정의된 규칙에 의하여 벡터 정보를 부여하는 단계; 및
상기 성향정보분석부가 상기 성향관련단어를 상기 미리 구비된 복수의 성향선택항목 중 하나로 변환하는 단계;를 더 포함하는 것을 특징으로 하는 온라인 강사 매칭 방법.
- 제1항에 있어서,
상기 선택정보를 수신하는 단계는,
상기 선택정보는 상기 제3 사용자기기로부터 수신된 진학정보를 더 포함하는 것을 특징으로 하는 온라인 강사 매칭 방법.
- 온라인 강사 매칭 시스템에 있어서, 상기 시스템은,
제1 사용자기기로부터 강사 선택정보를 수신하고, 상기 제1 사용자기기로부터 미리 구비된 복수의 성향선택항목으로부터 선택되거나 또는 성향을 표현하는 적어도 하나 이상의 단어가 포함된 문장으로 표현된 강사 성향정보를 수신하고, 제3 사용자기기로부터 상기 미리 구비된 복수의 성향선택항목으로부터 선택된 학생 성향정보를 수신하고, 추천강사정보를 상기 제3 사용자기기로 송신하도록 구비된 데이터송수신부;
상기 제1 사용자기기로부터 상기 수신된 강사 선택정보를 서열화 가능한 선택정량지표로 변환하도록 구비된 선택정보산정부;
상기 강사 성향정보와 상기 학생 성향정보를 비교하여 상기 복수의 성향선택항목 중 공통된 개수를 측정하여 정량화된 성향매칭도를 산정하도록 구비된 성향매칭도검증부;
상기 성향매칭도에 따라 미리 정해진 기준으로 서열화 된 강사등급을 부여하도록 구비된 강사등급관리부;
상기 강사등급 중 가장 높은 서열의 강사등급이 부여된 강사정보를 포함하는 성향매칭정보를 생성하도록 구비된 성향매칭정보생성부; 및
상기 성향매칭정보에 포함된 강사정보를 상기 선택정량지표의 내림차순 또는 오름차순 순서에 따라 정렬하여 상기 추천강사정보를 생성하도록 구비된 추천강사정보생성부;
를 포함하는 것을 특징으로 하는 온라인 강사 매칭 시스템.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020210177425A KR20230089592A (ko) | 2021-12-13 | 2021-12-13 | 온라인 강사 매칭 방법 및 온라인 강사 매칭 시스템 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020210177425A KR20230089592A (ko) | 2021-12-13 | 2021-12-13 | 온라인 강사 매칭 방법 및 온라인 강사 매칭 시스템 |
Publications (1)
Publication Number | Publication Date |
---|---|
KR20230089592A true KR20230089592A (ko) | 2023-06-21 |
Family
ID=86990071
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020210177425A KR20230089592A (ko) | 2021-12-13 | 2021-12-13 | 온라인 강사 매칭 방법 및 온라인 강사 매칭 시스템 |
Country Status (1)
Country | Link |
---|---|
KR (1) | KR20230089592A (ko) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20030070884A (ko) | 2000-07-18 | 2003-09-02 | 홈워크나인원원닷컴, 인코포레이티드 | 학생과 지도교사를 연결해주는 대화식 온라인 학습 |
KR20150037058A (ko) | 2013-09-30 | 2015-04-08 | 김민철 | 온라인 상의 학습 파트너를 이용한 학습관리 방법 및 이에 사용되는 학습관리 서버 |
KR102169382B1 (ko) | 2020-04-03 | 2020-10-23 | 성은숙 | 인공지능 기반의 맞춤형 전문가 상호 매칭 및 제안 시스템 |
-
2021
- 2021-12-13 KR KR1020210177425A patent/KR20230089592A/ko not_active Application Discontinuation
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20030070884A (ko) | 2000-07-18 | 2003-09-02 | 홈워크나인원원닷컴, 인코포레이티드 | 학생과 지도교사를 연결해주는 대화식 온라인 학습 |
KR20150037058A (ko) | 2013-09-30 | 2015-04-08 | 김민철 | 온라인 상의 학습 파트너를 이용한 학습관리 방법 및 이에 사용되는 학습관리 서버 |
KR102169382B1 (ko) | 2020-04-03 | 2020-10-23 | 성은숙 | 인공지능 기반의 맞춤형 전문가 상호 매칭 및 제안 시스템 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zheng et al. | Learning in one-to-one laptop environments: A meta-analysis and research synthesis | |
CN108701293A (zh) | 用于对人才的数据驱动辨识的***和方法 | |
US20150206440A1 (en) | Computing system with learning platform mechanism and method of operation thereof | |
US20140052663A1 (en) | System and method for electronic evaluation and selection of schools based on user inputs | |
CN110622188A (zh) | 在基于互联网的社交网络服务中计算成员简档的排名和评级的***和方法以及用于此的记录介质 | |
US20200098073A1 (en) | System and method for providing tutoring and mentoring services | |
US20020116253A1 (en) | Systems and methods for making a prediction utilizing admissions-based information | |
Rahaman | Romantic relationship length and its perceived quality: Mediating role of Facebook-related conflict | |
KR20180014259A (ko) | 교육 중개 서비스 제공시스템, 교육 중개 서비스 제공서버 및 제공방법 | |
KR20160135451A (ko) | 학과계열 선정 시스템 및 그 방법 | |
KR101170997B1 (ko) | 진로 상담 시스템 및 방법 | |
Pupara et al. | An institution recommender system based on student context and educational institution in a mobile environment | |
US20140012853A1 (en) | Search device, search method, search program, and computer-readable memory medium for recording search program | |
CN113468402B (zh) | 目标对象确定方法、装置及存储介质 | |
KR102436551B1 (ko) | 성격 정보에 기초하여 매칭 정보를 제공하는 방법 및 장치 | |
US20160267615A1 (en) | Calculating an individual's national, state and district education and education environment index and recommending statistically proven methods of improvement tailored to input from a user such as a child's parent | |
WO2018132860A2 (en) | System and method for determining rank | |
CN108550019A (zh) | 一种简历筛选方法及装置 | |
KR102595170B1 (ko) | 강의 플랫폼을 이용하는 사용자들을 그룹핑하는 프로세서를 포함하는 서버 | |
KR20130134583A (ko) | 진로로드맵 제공 방법 및 장치 | |
KR20230089592A (ko) | 온라인 강사 매칭 방법 및 온라인 강사 매칭 시스템 | |
KR102423740B1 (ko) | 강의 플랫폼을 운용하는 방법 및 그 장치 | |
Roshanaei et al. | Emotionsensing: Predicting mobile user emotion | |
Amara et al. | Dynamic group formation in mobile computer supported collaborative learning environment | |
WO2020113122A1 (en) | Holistic online work marketplace |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
E902 | Notification of reason for refusal | ||
E601 | Decision to refuse application |