KR102232344B1 - 빅데이터 및 인공지능 기반의 맞춤형 학습 방법 및 시스템 - Google Patents

Abstract

본 발명은 빅데이터 및 인공지능 기반의 맞춤형 학습 방법 및 시스템에 관한 것이다. 본 발명의 일예와 관련된 웹, 외부 서버 및 단말과 네트워크를 구축한 교육용 서버를 이용하는, 빅데이터 및 인공지능 기반의 맞춤형 학습 방법에 있어서, 상기 교육용 서버가, 상기 웹, 외부 서버 및 단말 중 적어도 하나로부터 학습자의 나이 정보를 수신하는 제 1 단계; 상기 교육용 서버가, 미리 저장된 학습 생애 주기 중 상기 나이 정보에 대응하는 제 1 주기를 결정하는 제 2 단계; 상기 교육용 서버가, 상기 웹, 외부 서버 및 단말 중 적어도 하나로부터 상기 제 1 주기와 관련된 제 1 학습 영역 정보를 수신하는 제 3 단계; 상기 교육용 서버가, 상기 학습자와 관련된 제 1 학습자 정보를 수집하는 제 4 단계; 상기 교육용 서버가, 상기 제 1 학습 영역 정보 및 상기 제 1 학습자 정보를 기초로 결정된 제 1 교육 컨텐츠를 상기 학습자에게 제공하는 제 5 단계; 상기 교육용 서버가, 상기 제 1 교육 컨텐츠와 관련된 상기 학습자의 제 2 학습자 정보를 누적하여 수집하는 제 6 단계; 상기 제 1 주기가 종료하는 경우, 상기 교육용 서버가 상기 미리 저장된 학습 생애 주기 중 제 2 주기와 관련된 제 2 학습 영역 정보를 수신하는 제 7 단계; 및 상기 교육용 서버가, 상기 제 2 학습 영역 정보 및 상기 누적된 제 2 학습자 정보를 기초로 결정된 제 2 교육 컨텐츠를 상기 학습자에게 제공하는 제 8 단계;를 포함할 수 있다.

Description

빅데이터 및 인공지능 기반의 맞춤형 학습 방법 및 시스템 {personalized and adaptive learning method based on artificial intelligence (AI) using big data, and system}

본 발명은 빅데이터 및 인공지능 기반의 맞춤형 학습 방법 및 시스템에 관한 것이다.

개인용 컴퓨터, 노트북, 휴대폰 등과 같은 단말기는 다양한 기능을 수행할 수 있도록 구성될 수 있다. 그러한 다양한 기능들의 예로 데이터 및 음성 통신 기능, 카메라를 통해 사진이나 동영상을 촬영하는 기능, 음성 저장 기능, 스피커 시스템을 통한 음악 파일의 재생 기능, 이미지나 비디오의 디스플레이 기능 등이 있다. 일부 단말기는 게임을 실행할 수 있는 추가적 기능을 포함하고, 다른 일부 단말기는 멀티미디어 기기로서 구현되기도 한다. 더욱이 최근의 단말기는 방송이나 멀티캐스트(multicast) 신호를 수신하여 비디오나 텔레비전 프로그램을 시청할 수 있다.

일반적으로 단말기는 이동 가능 여부에 따라 이동 단말기(mobile/portable terminal) 및 고정 단말기(stationary terminal)로 나뉠 수 있다. 다시 이동 단말기는 사용자의 직접 휴대 가능 여부에 따라 휴대(형) 단말기(handheld terminal) 및 거치형 단말기(vehicle mount terminal)로 나뉠 수 있다.

이와 같은 단말기(terminal)는 기능이 다양화됨에 따라 예를 들어, 사진이나 동영상의 촬영, 음악이나 동영상 파일의 재생, 게임, 방송의 수신 등의 복합적인 기능들을 갖춘 멀티미디어 기기(Multimedia player) 형태로 구현되고 있다.

이러한 단말기의 기능 지지 및 증대를 위해, 단말기의 구조적인 부분 및/또는 소프트웨어적인 부분을 개량하는 것이 고려될 수 있다.

이러한 단말을 통해 제공되는 컨텐츠를 기초로 사용자들에 대한 교육이 빈번하게 수행되고 있다.

단, 현재 적용되는 방법 및 시스템에서는 교육 컨텐츠만을 일방향으로 사용자들에게 제공할 뿐이고, 학습 이벤트에 따른 사용자의 피드백을 반영한 교육은 이루어지지 못하다는 문제점이 있다.

예를 들어, 종래의 방법에서는, 언제 로그인하고 로그아웃/타임아웃 했는지. 시험과 평가문항을 어떻게 이용하고 있는지, 자동 채점되는 시험점수는 어떻게 되는지, 오늘의 학습을 얼마나, 어떻게 이용하고 있는지, 어떤 동영상 자료를 어떻게 이용하고 있는지, 교육 중에 어떤 질문이나 태그를 달고 있는지, 어떤 순서로 컨텐츠를 이용하고 있으며, 어떤 자료들을 보고 있는지, 어떤 어플리케이션들을 이용하고 있는지, 적립 현황, 캐릭터 변경, 검색 키워드는 무엇인지 등에 대해 사용자 맞춤형으로 선별된 정보를 제공받는 것은 어렵다는 문제점이 있다.

이러한 개인 맞춤형 학습은 학습자의 능력과 특성에 맞춰, 지능적으로 콘텐츠와 서비스를 제공하여 편리하고 효율적으로 학습 효과를 증대하는 기술이다.

종래 상용화되었던 맞춤형 학습 기술들은 학습 콘텐츠 간의 연계에 의존하거나, 틀린 문제의 개수를 단순하게 세어서 취약한 개념을 진단하는 정도에 그쳐, 학습자의 학습 능력 진단이 정교하지 않은 문제점도 존재하였다.

즉, 개인화된 맞춤형 학습을 제공하고자 하는 경우에도, 정확하지 않은 학습 능력 진단에 근거하게 됨으로써, 맞춤형 학습 시스템의 효율성 및 신뢰성을 확보하지 못하는 한계점이 있어 왔다.

또한, Z 세대 (‘95~’10년생)의 행동 양식은 기존 세대와 현저히 다르고, 정보 습득 및 학습 방식 또한 Z세대에 맞추어 빠르게 변화하고 있음에도 불구하고, 오늘날 우리의 교육은 여전히 기존 방식을 고수하여 Z세대에게 효율적 교육을 제공하지 못하고, 그 영향으로 전 연령대에 걸쳐 저조한 학습 흥미도를 보이고 있다는 큰 문제점이 존재한다.

따라서 이를 해결할 수 있기 위해, 소통을 중시하는 Digital Native 세대의 니즈에 맞춰, 효율적 교육 제공과 학습 흥미 고취를 위한 실감형 학습 방법 및 시스템에 대한 니즈가 높아지고 있는 실정이다.

(1) 대한민국 특허청 출원번호 제10-2018-0002730호 (2) 대한민국 특허청 출원번호 제10-2016-0161796호

본 발명은 상기 종래의 문제점을 해소하기 위해, 빅데이터 및 인공지능 기반의 맞춤형 학습 방법 및 시스템을 사용자에게 제공하고자 한다.

구체적으로 본 발명은 교육 기회 평등 및 학습 효과 향상을 위한 인공지능(AI) 기반의 맞춤형 학습 플랫폼(Adaptive Learning Platform, ALP1))을 제안하고, 이를 통한 고품질 교육 서비스의 가격 파괴와 글로벌 경쟁력을 보유한 교육 서비스를 제공하고자 한다.

또한, 본 발명은 학생의 생애 주기에 맞춰 실감형 AI 튜터(가정교사)가 학생을 지속 관리하고, 각종 학습과 평가 등을 통해 축적된 교육 빅데이터를 학생별 e포트폴리오에 반영하여 학생의 성장을 지속적으로 모니터링할 수 있는 실감 콘텐츠가 적용된 인공지능 기반의 맞춤형 학습 방법 및 시스템을 사용자에게 제공하고자 한다.

또한, 본 발명은 학습 이벤트 기반 데이터 수집 및 빅데이터 아키텍처를 제공하고, 교육과정 지식체계와 지능형 학습분석 시스템을 사용자에게 제공하고자 한다.

또한, 본 발명은 학습-진단 통합 e포트폴리오 서비스 및 NUI/NUX 기반 AI 튜터(가정교사) 인터페이스 서비스를 제공하고자 한다.

또한, 본 발명은 유아용 AI 기반 진단검사 서비스와 실감형 콘텐츠 지원 디바이스 고도화를 통한 실감형 콘텐츠 서비스를 제공하는 실감 콘텐츠가 적용된 인공지능 기반의 맞춤형 학습 방법 및 시스템을 사용자에게 제공하고자 한다.

다만, 본 발명에서 이루고자 하는 기술적 과제들은 이상에서 언급한 기술적 과제들로 제한되지 않으며, 언급하지 않은 또 다른 기술적 과제들은 아래의 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.

상술한 과제를 실현하기 위한 본 발명의 일예와 관련된 웹, 외부 서버 및 단말과 네트워크를 구축한 교육용 서버를 이용하는, 빅데이터 및 인공지능 기반의 맞춤형 학습 방법에 있어서, 상기 교육용 서버가, 상기 웹, 외부 서버 및 단말 중 적어도 하나로부터 학습자의 나이 정보를 수신하는 제 1 단계; 상기 교육용 서버가, 미리 저장된 학습 생애 주기 중 상기 나이 정보에 대응하는 제 1 주기를 결정하는 제 2 단계; 상기 교육용 서버가, 상기 웹, 외부 서버 및 단말 중 적어도 하나로부터 상기 제 1 주기와 관련된 제 1 학습 영역 정보를 수신하는 제 3 단계; 상기 교육용 서버가, 상기 학습자와 관련된 제 1 학습자 정보를 수집하는 제 4 단계; 상기 교육용 서버가, 상기 제 1 학습 영역 정보 및 상기 제 1 학습자 정보를 기초로 결정된 제 1 교육 컨텐츠를 상기 학습자에게 제공하는 제 5 단계; 상기 교육용 서버가, 상기 제 1 교육 컨텐츠와 관련된 상기 학습자의 제 2 학습자 정보를 누적하여 수집하는 제 6 단계; 상기 제 1 주기가 종료하는 경우, 상기 교육용 서버가 상기 미리 저장된 학습 생애 주기 중 제 2 주기와 관련된 제 2 학습 영역 정보를 수신하는 제 7 단계; 및 상기 교육용 서버가, 상기 제 2 학습 영역 정보 및 상기 누적된 제 2 학습자 정보를 기초로 결정된 제 2 교육 컨텐츠를 상기 학습자에게 제공하는 제 8 단계;를 포함할 수 있다.

또한, 상기 미리 저장된 학습 생애 주기는, 유아 주기, 초등 주기, 중등 주기 및 고등 주기를 포함하고, 상기 초등 주기는 미리 지정된 학년을 기준으로 낮은 학년에 대한 제 1 초등 주기와 상기 기준보다 높은 학년에 대한 제 2 초등 주기로 구분될 수 있다.

또한, 상기 제 1 주기가 유아 주기인 경우, 상기 제 1 학습 영역 정보는, 상기 학습자의 창의력 및 커뮤니케이션과 관련된 것이고, 상기 제 1 학습자 정보는, 창의력 지표와 관련된 것이며, 상기 제 1 교육 컨텐츠는 상기 학습자의 창의력 및 학습 습관과 관련될 수 있다.

또한, 상기 제 1 주기가 초등 주기인 경우, 상기 제 1 학습 영역 정보는, 상기 학습자의 창의력, 사고력, 자기관리 및 커뮤니케이션과 관련된 것이고, 상기 제 1 학습자 정보는, 학습, 성향, 지능 및 적성과 관련된 것이며, 상기 제 1 주기가 상기 제 1 초등 주기인 경우에는, 상기 제 1 교육 컨텐츠는 상기 학습자의 사고력 및 학습 선호도에 관한 것이고, 상기 제 1 주기가 상기 제 2 초등 주기인 경우에는, 상기 제 1 교육 컨텐츠는 상기 학습자의 교과 이해도 및 학습 성향에 관련 될 수 있다.

또한, 상기 제 1 주기가 중등 주기인 경우, 상기 제 1 학습 영역 정보는, 상기 학습자의 창의력, 사고력, 자기관리 및 커뮤니케이션과 관련된 것이고, 상기 제 1 학습자 정보는, 학습, 성향, 지능, 적성 및 진로와 관련된 것이며, 상기 제 1 교육 컨텐츠는 상기 학습자의 교과 이해도 및 핵심 역량에 관한 것일 수 있다.

또한, 상기 제 1 주기가 고등 주기인 경우, 상기 제 1 학습 영역 정보는, 상기 학습자의 창의력, 사고력, 자기관리, 비판적 사고능력 및 커뮤니케이션과 관련된 것이고, 상기 제 1 학습자 정보는, 학습, 성향, 지능, 적성, 진로 및 진학과 관련된 것이며, 상기 제 1 교육 컨텐츠는 상기 학습자의 수항 능력, 적성 및 진로에 관한 것일 수 있다.

한편, 상술한 과제를 실현하기 위한 본 발명의 다른 일예와 관련된 웹, 외부 서버 및 단말과 네트워크를 구축한 빅데이터 및 인공지능 기반의 교육용 서버에 있어서, 상기 교육용 서버는, 상기 웹, 외부 서버 및 단말 중 적어도 하나로부터 학습자의 나이 정보를 수신하고, 미리 저장된 학습 생애 주기 중 상기 나이 정보에 대응하는 제 1 주기를 결정하며, 상기 웹, 외부 서버 및 단말 중 적어도 하나로부터 상기 제 1 주기와 관련된 제 1 학습 영역 정보를 수신하고, 상기 학습자와 관련된 제 1 학습자 정보를 수집하며, 상기 제 1 학습 영역 정보 및 상기 제 1 학습자 정보를 기초로 결정된 제 1 교육 컨텐츠를 상기 학습자에게 제공하고, 상기 제 1 교육 컨텐츠와 관련된 상기 학습자의 제 2 학습자 정보를 누적하여 수집하며, 상기 제 1 주기가 종료하는 경우, 상기 미리 저장된 학습 생애 주기 중 제 2 주기와 관련된 제 2 학습 영역 정보를 수신하고, 상기 제 2 학습 영역 정보 및 상기 누적된 제 2 학습자 정보를 기초로 결정된 제 2 교육 컨텐츠를 상기 학습자에게 제공할 수 있다.

상기와 같이 구성되는 본 발명의 적어도 하나의 실시예는 빅데이터 및 인공지능 기반의 맞춤형 학습 방법 및 시스템을 사용자에게 제공할 수 있다.

구체적으로 본 발명은 교육 기회 평등 및 학습 효과 향상을 위한 AI인공지능 기반의 맞춤형 학습 플랫폼(ALP1))을 제안하고, 이를 통한 고품질 교육 서비스의 가격 파괴와 글로벌 경쟁력을 보유한 교육 서비스를 사용자에게 제공할 수 있다.

또한, 본 발명은 학생의 생애 주기에 맞춰 실감형 AI 튜터(가정교사)가 학생을 지속 관리하고, 각종 학습과 평가 등을 통해 축적된 교육 빅데이터를 학생별 e포트폴리오에 반영하여 학생의 성장을 지속적으로 모니터링할 수 있는 실감 콘텐츠가 적용된 인공지능 기반의 맞춤형 학습 방법 및 시스템을 사용자에게 제공할 수 있다.

또한, 본 발명은 학습 이벤트 기반 데이터 수집 및 빅데이터 아키텍처를 제공하고, 교육과정 지식체계와 지능형 학습분석 시스템을 사용자에게 제공하고자 한다.

또한, 본 발명은 학습-진단 통합 e포트폴리오 서비스 및 NUI/NUX 기반 AI 튜터(가정교사) 인터페이스 서비스를 사용자에게 제공할 수 있다.

또한, 본 발명은 유아용 AI 기반 진단검사 서비스와 실감형 콘텐츠 지원 디바이스 고도화를 통한 실감형 콘텐츠 서비스를 제공하는 실감 콘텐츠가 적용된 인공지능 기반의 맞춤형 학습 방법 및 시스템을 사용자에게 제공할 수 있다.

구체적으로, 본 발명은 플랫폼을 통해, 역량/적성/관심에 따라 맞춤형으로 구성되는 개인 맞춤형 학습 환경(Personalized Learning Environment, PLE)에서 AI 튜터가 촉진자(facilitator) 역할을 수행하면서 끊김 없는 학습경험을 제공할 수 있다.

또한, 본 발명은 국제 표준 기반의 데이터 수집체계와 클라우드 기반 빅데이터 분석 기술과 학습 분석이 가능하고, 교과별 성적과 학습 습관에 대한 데이터 분석 결과를 토대로 AI를 이용한 추론 결과를 사용자에게 제공할 수 있다.

또한, 본 발명은 e포트폴리오 서비스 구축을 통해, 학기 단위의 활동을 포함해서 전 학습 기간에 대한 학습 포트폴리오와 적성/성향/관심 분야에 대한 성장기록을 하는 것이 가능하다.

또한, 본 발명은 AI 튜터(가정교사) 인터페이스를 통해, NUI/NUX 기반의 AI 튜터가 음성인식, 챗봇, 학습 네비게이터 기능을 수행하는 학습 에이전트 기술을 사용자에게 제공할 수 있다.

또한, 본 발명은 콘텐츠를 기초로, 정적인 학습자료로 이해하기 어려운 단원과 주제의 학습을 위한 몰입감 있는 실감형 콘텐츠와 학습자 간, 교사와 학습자 간 커뮤니케이션에 증강 객체를 활용한 몰입도 높은 대화형 도구를 사용자에게 제공할 수 있다.

또한, 본 발명은 유아 창의력 진단검사를 기초로, 유아 학습자를 위한 대화형 진단 검사를 위해 음성인식 및 발화평가 엔진, QA 엔진을 제공할 수 있다.

또한, 본 발명이 제공하는 실감형 콘텐츠는 유아 학습자의 창의력 향상을 위한 실감형 콘텐츠를 개발하고, 학습자들을 위한 실감형 콘텐츠와 증강 객체를 지원하는 커뮤니케이션 도구를 포함할 수 있다.

또한, 본 발명에 따른 서비스에는 실감형 커뮤니케이션과 몰입형 콘텐츠를 재생할 수 있는 학습 전용 디바이스 고도화가 적용될 수 있다.

다만, 본 발명에서 얻을 수 있는 효과는 이상에서 언급한 효과들로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 아래의 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.

도 1은 본 발명과 관련하여, 초중고 학생들의 사교육비 변화 추이를 설명하는 도면이다.
도 2는 본 발명과 관련하여, 연도별 1인당 월평균 사교육비와 학교급별 1인당 월평균 사교육비를 설명하기 위한 도면이다.
도 3은 본 발명과 관련하여 실감 콘텐츠를 통한 맞춤형 학습 플랫폼의 필요성을 설명하기 위한 도면이다.
도 4는 본 발명과 관련하여 기존의 교육 현황 및 한계점을 설명하기 위한 도면이다.
도 5는 본 발명을 통한 교육 개선 방향성 및 본 발명이 제안하는 기술을 설명하기 위한 도면이다.
도 6은 본 발명이 제안하는 AI인공지능 기반의 맞춤형 학습 플랫폼을 설명하는 도면이다.
도 7은 본 발명이 제안하는 AI인공지능 기반의 맞춤형 학습 플랫폼을 기초로 교육 서비스를 제공하는 시나리오를 설명하는 도면이다.
도 8은 본 발명과 관련된 학습 분석 시스템의 블록 구성도(block diagram)를 도시한 것이다.
도 9는 본 발명과 관련된 학습 분석 시스템의 구성 요소 및 서비스를 설명하는 방법을 함께 도시한 것이다.
도 10은 본 발명과 관련한 AI인공지능 기반의 맞춤형 학습 플랫폼의 전체 구성도의 일례를 도시한 것이다.
도 11은 본 발명과 관련한 AI인공지능 기반의 맞춤형 학습 플랫폼 실용화의 일례를 도시한 것이다.
도 12는 본 발명과 관련하여, 학습 이벤트 기반 데이터 수집 및 빅데이터 아키텍처의 일례를 도시한 것이다.
도 13은 본 발명과 관련하여, 교육과정 지식체계와 지능형 학습분석의 일례를 도시한 것이다.
도 14는 본 발명과 관련하여, 학습-진단 통합 e포트폴리오 서비스의 일례를 도시한 것이다.
도 15는 본 발명과 관련하여, AI 처리 엔진 및 실감형 AI튜터(가정교사) 서비스의 일례를 도시한 것이다.
도 16은 본 발명과 관련하여, NUI/NUX 기반 AI 튜터(가정교사) 인터페이스의 일례를 도시한 것이다.
도 17은 본 발명과 관련하여, 유아용 AI 기반 진단검사 서비스의 일례를 도시한 것이다.
도 18은 본 발명과 관련하여, 유아용 AI 기반 진단 검사 서비스의 일례를 도시한 것이다.
도 19는 본 발명과 관련하여, 유아 개별 맞춤 학습 분석 서비스의 일례를 도시한 것이다.
도 20은 본 발명과 관련하여, 실감형 콘텐츠 및 대화도구 서비스의 일례를 도시한 것이다.
도 21은 본 발명이 제공하는 실감형 콘텐츠 지원 디바이스 고도화의 일례를 도시한 것이다.
도 22는 본 발명과 관련하여, 음성인식 기술을 적용한 서비스를 설명하기 위한 도면이다.
도 23은 본 발명과 관련하여, 음성인식 시스템을 이용한 스팸음성 데이터의 텍스트 변환 성능 향상을 위한 방법을 설명하는 도면이다.

본 발명과 관련된 시장

도 1은 본 발명과 관련하여, 초중고 학생들의 사교육비 변화 추이를 설명하는 도면이다.

도 1을 참조하면, 2017년 사교육비 총액은 약 18조 6000억원으로, 2016년 18조 1000억원에 비해 5620억원(3.1%↑) 증가하였다.

구체적으로, 교과 사교육비 총액은 13조 6000억원이며, 이 중 영어가 5조 4250억원, 수학은 5조 3931억원, 국어는1조2577억원의 순으로 사교육비를 많이 지출하였다.

또한, 월평균 교과 사교육비는 영어 7만9000원(0.5%↑), 수학 7만8000원(3.3%↑), 국어 1만8000원(14.2%↑), 사회·과학은 1만1000원(8.5%↑) 이다.

또한, 과목별 성장 특징은 국어가 14.2%로 상승폭이 가장 컸고, 수학은 3.3%, 영어는 0.5% 각각 증가하였으면, 영어 사교육 시장은 규모 자체는 여전히 크지만 다른 과목에 비해 성장이 정체된 것으로 보이지만, 2018 대학수학능력시험에서 영어만 절대평가로 전환한 풍선효과라는 지적이 있다.

전체 사교육비 지출 규모 중 수학이 차지하는 비중은 약 29%. 따라서 수학 사교육비 총액은 약 5.4조로 볼 수 있다.

한편, 도 4는 본 발명과 관련하여, 연도별 1인당 월평균 사교육비와 학교급별 1인당 월평균 사교육비를 설명하기 위한 도면이다.

도 4를 참조하면, 학교급별 사교육 참여율은 초등학생이 82.3%(2.4%p↑)로 가장 많았고, 중학생 66.4%(2.5%p↑), 고등학생 55.0%(2.6%p↑)순이었다.　

또한, 최근 학생·학부모의 예술·체육 분야에 대한 관심과 학습욕구가 증대해 사교육비 총액 중 예체능 및 취미·교양 사교육이 차지하는 비중이 5년 만에 9%p 상승(2012년 18% → 2017년 27%)했다.

예체능 및 취미·교양의 월평균 사교육비를 학교급별로 보면 초등학생 10만7000원(7000원↑), 중학생 3만5000원(7000원↑), 고등학생 4만5000원(8000원↑)이었다.　

세부 과목별로는 월평균 사교육비가 음악 2만4000원(1000원, 5.3%↑), 미술 1만1000원(1000원, 10.3%↑), 체육 2만8000원(4000원, 17.0%↑), 취미·교양 7000원(2000원, 31.2%↑)이었다.

중학생의 경우 음악(23.3%↑)·미술,(67.0%↑) 고등학생은 체육 및 취미(77.4%↑)·교양(54.9%↑) 1인당 월평균 사교육비가 크게 증가한 것이 눈에 띈다.

교육부는 이같이 사교육비 총액이 전반적으로 확대된 이유로는 예술·체육에 대한 관심 증대로 인한 예체능 및 취미·교양 사교육비의 증가, 취미·교양·재능개발 및 보육 등 사교육 목적의 다양화로 분석된다.

사교육 수강목적으로는 교과의 경우 학교수업 보충·심화(48.8%) > 선행학습(20.9%) > 진학준비(17.0%) > 불안심리(5.2%) > 기타(3.0%) 순으로 선행학습이나 진학준비를 위한 사교육을 보이고 있다.

월평균 소득 700만원 이상 가구의 월평균 사교육비가 45만5000원, 200만원 미만 가구는 9만3000원으로, 사교육 참여율의 경우 월평균 소득 700만원 이상 가구의 참여율은 전년(81.9%) 대비 1.7%p 상승한 83.6%, 200만원 미만 가구는 전년(40.2%) 대비 2.9%p 상승한 43.1%를 보였다.

지역별 지출 규모는 서울(39.0만원), 대구(30.0만원), 경기(28.6만원) 순이며, 전남(15.7만원)이 가장 낮고, 참여율에서도 서울(76.7%)이 가장 높았고, 세종(74.0%), 대구(73.6%) 순이었다.

종래기술의 문제점

도 3은 본 발명과 관련하여 실감 콘텐츠를 통한 맞춤형 학습 플랫폼의 필요성을 설명하기 위한 도면이다.

도 3을 참조하면, Z 세대 (‘95~’10년생)의 행동 양식은 기존 세대와 현저히 다른데, 이는 시대적 배경에서 비롯된 것으로, 행동 패턴과 소비 패턴에서 기존의 패턴과 매우 큰 차이를 보인다.

즉, Z 세대 (‘95~’10년생)는 모바일, 다중현실, 소셜 네트워크, 디지털 네이티브 등에 노출되어 있고, 행동 패턴으로, 소통 중독적, 대화 중심적, 현실주의적, 무한한 신원 등을 보인다.

또한, 소비 패턴으로, 독창적 제품을 선호하고, 확장성과 윤리성을 강조하는 모습을 보인다.

이에 따라 정보 습득 및 학습 방식 또한 Z세대에 맞추어 빠르게 변화하고 있고, 현재 이들이 가장 선호하는 학습방법은 도 3에 나타난 것과 같이, 디바이스를 통해 서로 대화/소통 (Interactive)하는 교육을 선호하고 있다.

한편, 도 4는 본 발명과 관련하여 기존의 교육 현황 및 한계점을 설명하기 위한 도면이다.

도 4를 참조하면, 아쉽게도 오늘날 우리의 교육은 여전히 기존 방식을 고수하여 Z세대에게 효율적 교육을 제공하지 못하고, 그 영향으로 전 연령대에 걸쳐 저조한 학습 흥미도를 보이고 있다.

학생의 니즈는 다음과 같다.

“참여를 통해 흥미롭게 배우는게 좋아요.”

“획일적인 것 보다, 나의 특성과 장점을 맞춰주었으면 해요.”

“직업이 꼭 판사, 의사만 있는건 아닌데… 제 성격에는 무엇을 해야 할가요?”

그러나 교육 현황은 주입식 교육, 획일적 교육, 입시/성과 위주 교육, 일관되지 않은 교육 정책이 적용됨으로써, 결국 큰 갭(GAP) 심화를 가져오고 있는 것이 현실이다.

따라서 본 발명은 상기 종래의 문제점을 해소하기 위해, 실감 콘텐츠가 적용된 인공지능 기반의 맞춤형 학습 방법 및 시스템을 사용자에게 제공하고자 한다.

구체적으로 본 발명은 교육 기회 평등 및 학습 효과 향상을 위한 AI인공지능 기반의 맞춤형 학습 플랫폼(ALP1))을 제안하고, 이를 통한 고품질 교육 서비스의 가격 파괴와 글로벌 경쟁력을 보유한 교육 서비스를 제공하고자 한다.

또한, 본 발명은 학생의 생애 주기에 맞춰 실감형 AI 튜터(가정교사)가 학생을 지속 관리하고, 각종 학습과 평가 등을 통해 축적된 교육 빅데이터를 학생별 e포트폴리오에 반영하여 학생의 성장을 지속적으로 모니터링할 수 있는 실감 콘텐츠가 적용된 인공지능 기반의 맞춤형 학습 방법 및 시스템을 사용자에게 제공하고자 한다.

또한, 본 발명은 학습 이벤트 기반 데이터 수집 및 빅데이터 아키텍처를 제공하고, 교육과정 지식체계와 지능형 학습분석 시스템을 사용자에게 제공하고자 한다.

또한, 본 발명은 학습-진단 통합 e포트폴리오 서비스 및 NUI/NUX 기반 AI 튜터(가정교사) 인터페이스 서비스를 제공하고자 한다.

또한, 본 발명은 유아용 AI 기반 진단검사 서비스와 실감형 콘텐츠 지원 디바이스 고도화를 통한 실감형 콘텐츠 서비스를 제공하는 실감 콘텐츠가 적용된 인공지능 기반의 맞춤형 학습 방법 및 시스템을 사용자에게 제공하고자 한다.

맞춤형 학습 시스템

도 5는 본 발명을 통한 교육 개선 방향성 및 본 발명이 제안하는 기술을 설명하기 위한 도면이다.

도 5를 참조하면, 본 발명에서는, 소통을 중시하는 Digital Native 세대의 니즈에 맞춰, 효율적 교육 제공과 학습 흥미 고취를 위한 실감형 서비스를 개발하고, 이를 미래세대에게 전 방위적 채널로 제공하고자 한다.

즉, 소통 가능한 실감형 교육 서비스를 통해, Digital Native 세대의 학습 흥미도 및 학업 성취도를 제고하고, 4차 산업 기술을 융합시킴으로써, 서비스 전달 채널을 학교, 기관, 학생 및 학부모에게 제공할 수 있는 맞춤 학습 플랫폼을 구축하고자 한다.

도 6은 본 발명이 제안하는 AI인공지능 기반의 맞춤형 학습 플랫폼을 설명하는 도면이다.

도 6을 참조하면, 본 발명에서는 교육 기회 평등 및 학습 효과 향상을 위한 AI인공지능 기반의 맞춤형 학습 플랫폼(Adaptive Learning Platform, ALP)을 제안하고, 이를 통한 고품질 교육 서비스의 가격 파괴와 글로벌 경쟁력을 보유한 교육 서비스를 제공하고자 한다.

즉, 1) 최소의 가격으로 양질의 교육 서비스/콘텐츠를 제공함으로써, 교육 기회를 평등하게 제공하고, 2) 학습 흥미 고취 및 집중이 가능한 학습 환경을 제공함으로써, 몰입감 있는 학습경험을 제공하며, 3) 지속적인 학습을 통한 학업 성취도를 제고함으로써, 학습 성과를 향상시키고자 한다.

본 발명에서는 상기 목적을 달성하기 위해, 교육용 빅데이터 기술, 인공지능 기술, 실감형 콘텐츠, AI 튜터 (가정교사)를 통한 학생 지도 등을 활용할 수 있으며, 이를 통해 AI인공지능 기반의 맞춤형 학습 플랫폼(Adaptive Learning Platform, ALP)을 구축할 수 있다.

본 발명에 따른 기대 효과로는, 저비용 고효율, 정확한 학생 데이터 이해, 끊김없는 학습경험 제공, 몰입감 있는 학습경험 제공, 역량 기반 학습 경험 제공, 국제표준과 글로벌향 서비스 제공 등을 들 수 있다.

한편, 도 7은 본 발명이 제안하는 AI인공지능 기반의 맞춤형 학습 플랫폼을 기초로 교육 서비스를 제공하는 시나리오를 설명하는 도면이다.

도 7을 참조하면, 본 발명에서는, 학생의 생애 주기에 맞춰 실감형 AI 튜터(가정교사)가 학생을 지속 관리하고, 각종 학습과 평가 등을 통해 축적된 교육 빅데이터를 학생별 e포트폴리오에 반영하여 학생의 성장을 지속적으로 모니터링 할 수 있다.

즉, 유아, 초등(저), 초등(고), 둥등, 고등 및 성인의 전체 학습 생애주기에 맞추어 축적된 교육 빅데이터를 학생별 e포트폴리오에 반영하여 학생의 성장을 지속적으로 모니터링하게 된다.

본 발명에 따른 학습 AI 가정교사는 연령별 특성/성향에 맞춘 AI 튜터 관리가 가능하고, 도 7에 도시된 것과 같이, 학습 영역, 수집 데이터를 거쳐 상호 작용방식으로 AI 튜터 관리가 적용된다.

학습 분석 시스템 및 서비스

다음으로, 본 발명과 관련된 학습 분석 방법 및 시스템을 설명하고자 한다.

구체적으로 본 발명은 데이터 수집 체계를 기준으로, 문항 반응 모델을 수립하고, 머신 러닝을 적용하여 성취 수준(역량)에 따라 개인화된 학습 경로와 컨텐츠/자원을 제공하며, 학습자, 교사 및 학부모에 구체적이고 개인화된 피드백(처방)을 제공하고, 학습자의 학습 성과를 진단하여 문제점을 조기에 발견 및 해소할 수 있는 학습 분석 방법 및 시스템을 제안하고자 한다.

이하의 설명에서 사용되는 구성요소에 대한 접미사 "모듈" 및 "부"는 명세서 작성의 용이함만이 고려되어 부여되거나 혼용되는 것으로서, 그 자체로 서로 구별되는 의미 또는 역할을 갖는 것은 아니다.

도 8은 본 발명의 일 실시예와 관련된 학습 분석 시스템의 블록 구성도(block diagram)를 도시한 것이다.

도 8을 참조하면, 학습 분석 시스템(10)은 단말(100)과 서버(200)를 포함할 수 있다.

먼저, 단말(100)은 무선 통신부(110), A/V(Audio/Video) 입력부(120), 사용자 입력부(130), 센싱부(140), 출력부(150), 메모리(160), 인터페이스부(170), 제어부(180) 및 전원 공급부(190) 등을 포함할 수 있다.

단, 도 8에 도시된 구성요소들이 필수적인 것은 아니어서, 그보다 많은 구성요소들을 갖거나 그보다 적은 구성요소들을 갖는 학습 분석 시스템이 구현될 수도 있다.

이하, 상기 구성요소들에 대해 차례로 살펴본다.

무선 통신부(110)는 학습 분석 시스템과 무선 통신 시스템 사이 또는 기기와 기기가 위치한 네트워크 사이의 무선 통신을 가능하게 하는 하나 이상의 모듈을 포함할 수 있다.

예를 들어, 무선 통신부(110)는 이동통신 모듈(112), 무선 인터넷 모듈(113), 근거리 통신 모듈(114) 및 위치정보 모듈(115) 등을 포함할 수 있다.

방송 수신 모듈(111)은 방송 채널을 통하여 외부의 방송 관리 서버로부터 방송 신호 및/또는 방송 관련된 정보를 수신한다.

상기 방송 채널은 위성 채널, 지상파 채널을 포함할 수 있다. 상기 방송 관리 서버는, 방송 신호 및/또는 방송 관련 정보를 생성하여 송신하는 서버 또는 기 생성된 방송 신호 및/또는 방송 관련 정보를 제공받아 단말기에 송신하는 서버를 의미할 수 있다. 상기 방송 신호는, TV 방송 신호, 라디오 방송 신호, 데이터 방송 신호를 포함할 뿐만 아니라, TV 방송 신호 또는 라디오 방송 신호에 데이터 방송 신호가 결합한 형태의 방송 신호도 포함할 수 있다.

상기 방송 관련 정보는, 방송 채널, 방송 프로그램 또는 방송 서비스 제공자에 관련한 정보를 의미할 수 있다. 상기 방송 관련 정보는, 이동통신망을 통하여도 제공될 수 있다. 이러한 경우에는 상기 이동통신 모듈(112)에 의해 수신될 수 있다.

상기 방송 관련 정보는 다양한 형태로 존재할 수 있다. 예를 들어, DMB(Digital Multimedia Broadcasting)의 EPG(Electronic Program Guide) 또는 DVB-H(Digital Video Broadcast-Handheld)의 ESG(Electronic Service Guide) 등의 형태로 존재할 수 있다.

상기 방송 수신 모듈(111)은, 예를 들어, DMB-T(Digital Multimedia Broadcasting-Terrestrial), DMB-S(Digital Multimedia Broadcasting-Satellite), MediaFLO(Media Forward Link Only), DVB-H(Digital Video Broadcast-Handheld), DVB-CBMS, OMA-BCAST, ISDB-T(Integrated Services Digital Broadcast-Terrestrial) 등의 디지털 방송 시스템을 이용하여 디지털 방송 신호를 수신할 수 있다. 물론, 상기 방송 수신 모듈(111)은, 상술한 디지털 방송 시스템뿐만 아니라 다른 방송 시스템에 적합하도록 구성될 수도 있다.

방송 수신 모듈(111)을 통해 수신된 방송 신호 및/또는 방송 관련 정보는 메모리(160)에 저장될 수 있다.

이동통신 모듈(112)은, 이동 통신망 상에서 기지국, 외부의 단말, 서버 중 적어도 하나와 무선 신호를 송수신한다. 상기 무선 신호는, 음성 호 신호, 화상 통화 호 신호 또는 문자/멀티미디어 메시지 송수신에 따른 다양한 형태의 데이터를 포함할 수 있다.

무선 인터넷 모듈(113)은 무선 인터넷 접속을 위한 모듈을 말하는 것으로, 단말(100)에 내장되거나 외장될 수 있다.

상기 무선 인터넷의 기술로는 WLAN(Wireless LAN)(Wi-Fi), Wibro(Wireless broadband), Wimax(World Interoperability for Microwave Access), HSDPA(High Speed Downlink Packet Access) 등이 이용될 수 있다.

근거리 통신 모듈(114)은 근거리 통신을 위한 모듈을 말한다. 상기 근거리 통신(short range communication)의 기술로는 블루투스(Bluetooth), RFID(Radio Frequency Identification), 적외선 통신(IrDA, infrared Data Association), UWB(Ultra-Wideband), ZigBee 등이 이용될 수 있다.

위치 정보 모듈(115)은 단말(100)의 위치를 획득하기 위한 모듈로서, 그의 대표적인 예로는 GPS(Global Position System) 모듈이 있다. 현재 기술에 의하면, 상기 GPS모듈(115)은 3개 이상의 위성으로부터 떨어진 거리 정보와 정확한 시간 정보를 산출한 다음 상기 산출된 정보에 삼각법을 적용함으로써, 위도, 경도, 및 고도에 따른 3차원의 현 위치 정보를 정확히 산출할 수 있다. 현재, 3개의 위성을 이용하여 위치 및 시간 정보를 산출하고, 또다른 1개의 위성을 이용하여 상기 산출된 위치 및 시간 정보의 오차를 수정하는 방법이 널리 사용되고 있다. 또한, GPS 모듈(115)은 현 위치를 실시간으로 계속 산출함으로써 속도 정보를 산출할 수 있다.

도 8을 참조하면, A/V(Audio/Video) 입력부(120)는 오디오 신호 또는 비디오 신호 입력을 위한 것으로, 이에는 카메라(121)와 마이크(122) 등이 포함될 수 있다.

카메라(121)는 촬영 모드에서 이미지 센서에 의해 얻어지는 정지영상 또는 동영상 등의 화상 프레임을 처리하고, 처리된 화상 프레임은 디스플레이부(151)에 표시될 수 있다.

카메라(121)에서 처리된 화상 프레임은 메모리(160)에 저장되거나 무선 통신부(110)를 통하여 외부로 전송될 수 있다.

카메라(121)는 사용 환경에 따라 2개 이상이 구비될 수도 있다.

마이크(122)는 녹음모드, 음성인식 모드 등에서 마이크로폰(Microphone)에 의해 외부의 음향 신호를 입력 받아 전기적인 음성 데이터로 처리한다.

처리된 음성 데이터는 이동통신 모듈(112)을 통하여 이동통신 기지국으로 송신 가능한 형태로 변환되어 출력될 수 있다.

마이크(122)에는 외부의 음향 신호를 입력 받는 과정에서 발생되는 잡음(noise)을 제거하기 위한 다양한 잡음 제거 알고리즘이 구현될 수 있다.

다음으로, 사용자 입력부(130)는 사용자가 학습 분석 시스템의 동작 제어를 위한 입력 데이터를 발생시킨다. 사용자 입력부(130)는 키 패드(key pad) 돔 스위치 (dome switch), 터치 패드(정압/정전), 조그 휠, 조그 스위치 등으로 구성될 수 있다.

센싱부(140)는 학습 분석 시스템의 개폐 상태, 학습 분석 시스템의 위치, 사용자 접촉 유무, 학습 분석 시스템의 방위, 학습 분석 시스템의 가속/감속 등과 같이 학습 분석 시스템의 현 상태를 감지하여 학습 분석 시스템의 동작을 제어하기 위한 센싱 신호를 발생시킨다.

센싱부(140)는 전원 공급부(190)의 전원 공급 여부, 인터페이스부(170)의 외부 기기 결합 여부 등을 센싱할 수도 있다.

한편, 출력부(150)는 시각, 청각 또는 촉각 등과 관련된 출력을 발생시키기 위한 것으로, 이에는 디스플레이부(151), 음향 출력 모듈(152), 알람부(153), 햅틱 모듈(154) 및 프로젝터 모듈(155), 헤드업 디스플레이(head-up display, HUD), 헤드 마운티드 디스플레이(head mounted display, HMD) 등이 포함될 수 있다.

디스플레이부(151)는 학습 분석 시스템에서 처리되는 정보를 표시(출력)한다.

디스플레이부(151)는 액정 디스플레이(liquid crystal display, LCD), 박막 트랜지스터 액정 디스플레이(thin film transistor-liquid crystal display, TFT LCD), 유기 발광 다이오드(organic light-emitting diode, OLED), 플렉시블 디스플레이(flexible display), 3차원 디스플레이(3D display) 중에서 적어도 하나를 포함할 수 있다.

이들 중 일부 디스플레이는 그를 통해 외부를 볼 수 있도록 투명형 또는 광투과형으로 구성될 수 있다. 이는 투명 디스플레이라 호칭될 수 있는데, 상기 투명 디스플레이의 대표적인 예로는 TOLED(Transparant OLED) 등이 있다. 디스플레이부(151)의 후방 구조 또한 광 투과형 구조로 구성될 수 있다. 이러한 구조에 의하여, 사용자는 학습 분석 시스템 바디의 디스플레이부(151)가 차지하는 영역을 통해 학습 분석 시스템 바디의 후방에 위치한 사물을 볼 수 있다.

학습 분석 시스템의 구현 형태에 따라 디스플레이부(151)이 2개 이상 존재할 수 있다. 예를 들어, 학습 분석 시스템에는 복수의 디스플레이부들이 하나의 면에 이격되거나 일체로 배치될 수 있고, 또한 서로 다른 면에 각각 배치될 수도 있다.

디스플레이부(151)와 터치 동작을 감지하는 센서(이하, '터치 센서'라 함)가 상호 레이어 구조를 이루는 경우(이하, '터치 스크린'이라 함)에, 디스플레이부(151)는 출력 장치 이외에 입력 장치로도 사용될 수 있다. 터치 센서는, 예를 들어, 터치 필름, 터치 시트, 터치 패드 등의 형태를 가질 수 있다.

터치 센서는 디스플레이부(151)의 특정 부위에 가해진 압력 또는 디스플레이부(151)의 특정 부위에 발생하는 정전 용량 등의 변화를 전기적인 입력신호로 변환하도록 구성될 수 있다. 터치 센서는 터치 되는 위치 및 면적뿐만 아니라, 터치 시의 압력까지도 검출할 수 있도록 구성될 수 있다.

터치 센서에 대한 터치 입력이 있는 경우, 그에 대응하는 신호(들)는 터치 제어기로 보내진다. 터치 제어기는 그 신호(들)를 처리한 다음 대응하는 데이터를 제어부(180)로 전송한다. 이로써, 제어부(180)는 디스플레이부(151)의 어느 영역이 터치 되었는지 여부 등을 알 수 있게 된다.

상기 근접 센서(141)는 상기 터치스크린에 의해 감싸지는 학습 분석 시스템의 내부 영역 또는 상기 터치 스크린의 근처에 배치될 수 있다. 상기 근접 센서는 소정의 검출면에 접근하는 물체, 혹은 근방에 존재하는 물체의 유무를 전자계의 힘 또는 적외선을 이용하여 기계적 접촉이 없이 검출하는 센서를 말한다. 근접 센서는 접촉식 센서보다는 그 수명이 길며 그 활용도 또한 높다.

상기 근접 센서의 예로는 투과형 광전 센서, 직접 반사형 광전 센서, 미러 반사형 광전 센서, 고주파 발진형 근접 센서, 정전용량형 근접 센서, 자기형 근접 센서, 적외선 근접 센서 등이 있다. 상기 터치스크린이 정전식인 경우에는 상기 포인터의 근접에 따른 전계의 변화로 상기 포인터의 근접을 검출하도록 구성된다. 이 경우 상기 터치 스크린(터치 센서)은 근접 센서로 분류될 수도 있다.

이하에서는 설명의 편의를 위해, 상기 터치스크린 상에 포인터가 접촉되지 않으면서 근접되어 상기 포인터가 상기 터치스크린 상에 위치함이 인식되도록 하는 행위를 "근접 터치(proximity touch)"라고 칭하고, 상기 터치스크린 상에 포인터가 실제로 접촉되는 행위를 "접촉 터치(contact touch)"라고 칭한다. 상기 터치스크린 상에서 포인터로 근접 터치가 되는 위치라 함은, 상기 포인터가 근접 터치될 때 상기 포인터가 상기 터치스크린에 대해 수직으로 대응되는 위치를 의미한다.

상기 근접센서는, 근접 터치와, 근접 터치 패턴(예를 들어, 근접 터치 거리, 근접 터치 방향, 근접 터치 속도, 근접 터치 시간, 근접 터치 위치, 근접 터치 이동 상태 등)을 감지한다. 상기 감지된 근접 터치 동작 및 근접 터치 패턴에 상응하는 정보는 터치 스크린상에 출력될 수 있다.

음향 출력 모듈(152)은 녹음 모드, 음성인식 모드, 방송수신 모드 등에서 무선 통신부(110)로부터 수신되거나 메모리(160)에 저장된 오디오 데이터를 출력할 수 있다.

음향 출력 모듈(152)은 학습 분석 시스템에서 수행되는 기능과 관련된 음향 신호를 출력하기도 한다. 이러한 음향 출력 모듈(152)에는 리시버(Receiver), 스피커(speaker), 버저(Buzzer) 등이 포함될 수 있다.

알람부(153)는 학습 분석 시스템의 이벤트 발생을 알리기 위한 신호를 출력한다.

알람부(153)는 비디오 신호나 오디오 신호 이외에 다른 형태, 예를 들어 진동으로 이벤트 발생을 알리기 위한 신호를 출력할 수도 있다.

상기 비디오 신호나 오디오 신호는 디스플레이부(151)나 음성 출력 모듈(152)을 통해서도 출력될 수 있어서, 그들(151,152)은 알람부(153)의 일부로 분류될 수도 있다.

햅틱 모듈(haptic module)(154)은 사용자가 느낄 수 있는 다양한 촉각 효과를 발생시킨다. 햅틱 모듈(154)이 발생시키는 촉각 효과의 대표적인 예로는 진동이 있다. 햅택 모듈(154)이 발생하는 진동의 세기와 패턴 등은 제어 가능하다.

예를 들어, 서로 다른 진동을 합성하여 출력하거나 순차적으로 출력할 수도 있다.

햅틱 모듈(154)은, 진동 외에도, 접촉 피부면에 대해 수직 운동하는 핀 배열, 분사구나 흡입구를 통한 공기의 분사력이나 흡입력, 피부 표면에 대한 스침, 전극(eletrode)의 접촉, 정전기력 등의 자극에 의한 효과와, 흡열이나 발열 가능한 소자를 이용한 냉온감 재현에 의한 효과 등 다양한 촉각 효과를 발생시킬 수 있다.

햅틱 모듈(154)은 직접적인 접촉을 통해 촉각 효과의 전달할 수 있을 뿐만 아니라, 사용자가 손가락이나 팔 등의 근 감각을 통해 촉각 효과를 느낄 수 있도록 구현할 수도 있다. 햅틱 모듈(154)은 학습 분석 시스템의 구성 태양에 따라 2개 이상이 구비될 수 있다.

프로젝터 모듈(155)은, 학습 분석 시스템을 이용하여 이미지 프로젝트(project) 기능을 수행하기 위한 구성요소로서, 제어부(180)의 제어 신호에 따라 디스플레이부(151)상에 디스플레이되는 영상과 동일하거나 적어도 일부가 다른 영상을 외부 스크린 또는 벽에 디스플레이할 수 있다.

구체적으로, 프로젝터 모듈(155)은, 영상을 외부로 출력하기 위한 빛(일 예로서, 레이저 광)을 발생시키는 광원(미도시), 광원에 의해 발생한 빛을 이용하여 외부로 출력할 영상을 생성하기 위한 영상 생성 수단 (미도시), 및 영상을 일정 초점 거리에서 외부로 확대 출력하기 위한 렌즈(미도시)를 포함할 수 있다. 또한, 프로젝터 모듈(155)은, 렌즈 또는 모듈 전체를 기계적으로 움직여 영상 투사 방향을 조절할 수 있는 장치(미도시)를 포함할 수 있다.

프로젝터 모듈(155)은 디스플레이 수단의 소자 종류에 따라 CRT(Cathode Ray Tube) 모듈, LCD(Liquid Crystal Display) 모듈 및 DLP(Digital Light Processing) 모듈 등으로 나뉠 수 있다. 특히, DLP 모듈은, 광원에서 발생한 빛이 DMD(Digital Micromirror Device) 칩에 반사됨으로써 생성된 영상을 확대 투사하는 방식으로 프로젝터 모듈(151)의 소형화에 유리할 수 있다.

바람직하게, 프로젝터 모듈(155)은, 학습 분석 시스템의 측면, 정면 또는 배면에 길이 방향으로 구비될 수 있다. 물론, 프로젝터 모듈(155)은, 필요에 따라 학습 분석 시스템의 어느 위치에라도 구비될 수 있음은 당연하다.

또한, 헤드업 디스플레이(head-up display, HUD, 156)는 차량 등에서 차량 현재 속도, 연료 잔량, 내비게이션 길안내 정보 등을 운전자 바로 앞 유리창 부분에 그래픽 이미지로 투영해주는 장치를 의미한다.

또한, 헤드 마운티드 디스플레이(head mounted display, HMD, 157)는 가상 현실(Virtual reality) 정보를 출력할 수 있는 대표적인 장치이다.

가상 현실(Virtual reality)이란 컴퓨터를 통해 어떤 특정한 환경이나 상황을 입체감있는 3D 컨텐츠로 제작하여, 그 3D 컨텐츠를 사용하는 사람이 마치 실제 주변 상황, 환경과 상호작용하고 있는 것처럼 만들어 주는 인간-컴퓨터 사이의 인터페이스 등을 총칭한다.

일반적으로 사람이 지각하는 입체감은 관찰하는 물체의 위치에 따른 수정체의 두께 변화 정도, 양쪽 눈과 대상물과의 각도 차이, 그리고 좌우 눈에 보이는 대상물의 위치 및 형태의 차이, 대상물의 운동에 따라 생기는 시차, 그 밖에 각종 심리 및 기억에 의한 효과 등이 복합적으로 작용하여 생긴다.

그 중 사람이 입체감을 느끼는 가장 중요한 요인은, 사람의 두 눈이 가로 방향으로 약 6.5㎝가량 떨어져 있음으로써, 나타나게 되는 양안 시차(binocular disparity)이다. 즉, 양안 시차에 의해 대상물에 대한 각도 차이를 가지고 바라보게 되고, 이 차이로 인해 각각의 눈에 들어오는 이미지가 서로 다른 상을 갖게 되며 이 두 영상이 망막을 통해 뇌로 전달되면 뇌는 이 두 개의 정보를 정확히 서로 융합하여 본래의 3D 입체 영상을 느낄 수 있는 것이다.

이러한 입체감있는 3D 컨텐츠들은 이미 여러 미디어 분야에 두루 이용되어 소비자들로부터 호평을 받아오고 있다. 예를 들어 3D 영화, 3D 게임 및 체험 디스플레이와 같은 것들이 대표적이다.

이와 같이 가상 현실 기술 3D 컨텐츠들의 보편화와 더불어, 더욱 몰입도 높은 가상 현실 서비스를 제공할 수 있는 기술의 개발이 다각적으로 요구되고 있다.

일반적으로 이미지 디스플레이 장치는 눈과 매우 근접한 위치에서 발생하는 영상광을 정밀한 광학 장치를 이용하여 먼 거리에 가상의 대형화면이 구성될 수 있도록 초점을 형성함으로써 사용자로 하여금 확대된 허상을 볼 수 있도록 하는 화상 표시 장치를 말한다.

또한, 이미지 디스플레이 장치는, 주위 환경은 볼 수 없고 디스플레이 소자에서 발산된 영상광만을 볼 수 있는 밀폐형(See-close)과, 윈도우를 통해 주위 환경을 볼 수 있으면서도 디스플레이 소자에서 발산된 영상광을 동시에 볼 수 있는 투과식(See-through)으로 나뉠 수 있다.

본 발명에 따른 헤드 마운티드 디스플레이(head mounted display, HMD, 157)란 안경처럼 머리에 착용하여 멀티미디어 컨텐츠를 제공받을 수 있도록 하는 각종디지털 디바이스를 말한다. 디지털 디바이스의 경량화 및 소량화 추세에 따라, 다양한 웨어러블 컴퓨터(Wearable Computer)가 개발되고 있으며, HMD 또한 널리 사용되고 있다. HMD(157)는 단순한 디스플레이 기능을 넘어 증강 현실 기술, N 스크린 기술 등과 조합되어 유저에게 다양한 편의를 제공할 수 있다.

예를 들어, HMD(157)에 마이크와 스피커가 장착되는 경우, 유저는 HMD(157)를 착용한 상태에서, 전화 통화를 수행할 수 있다. 또한, 예를 들어, HMD(157)에 원적외선 카메라(122)가 장착되는 경우, 유저는 HMD(157)를 착용한 상태에서, 유저가 원하는 방향의 이미지를 캡쳐할 수 있다.

또한, 메모리부(160)는 제어부(180)의 처리 및 제어를 위한 프로그램이 저장될 수도 있고, 입/출력되는 데이터들(예를 들어, 메시지, 오디오, 정지영상, 동영상 등)의 임시 저장을 위한 기능을 수행할 수도 있다. 상기 메모리부(160)에는 상기 데이터들 각각에 대한 사용 빈도도 함께 저장될 수 있다. 또한, 상기 메모리부(160)에는 상기 터치스크린 상의 터치 입력시 출력되는 다양한 패턴의 진동 및 음향에 관한 데이터를 저장할 수 있다.

메모리(160)는 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예를 들어 SD 또는 XD 메모리 등), 램(Random Access Memory, RAM), SRAM(Static Random Access Memory), 롬(Read-Only Memory, ROM), EEPROM(Electrically Erasable Programmable Read-Only Memory), PROM(Programmable Read-Only Memory), 자기 메모리, 자기 디스크, 광디스크 중 적어도 하나의 타입의 저장매체를 포함할 수 있다. 학습 분석 시스템은 인터넷(internet)상에서 상기 메모리(160)의 저장 기능을 수행하는 웹 스토리지(web storage)와 관련되어 동작할 수도 있다.

인터페이스부(170)는 학습 분석 시스템에 연결되는 모든 외부기기와의 통로 역할을 한다. 인터페이스부(170)는 외부 기기로부터 데이터를 전송받거나, 전원을 공급받아 학습 분석 시스템 내부의 각 구성 요소에 전달하거나, 학습 분석 시스템 내부의 데이터가 외부 기기로 전송되도록 한다. 예를 들어, 유/무선 헤드셋 포트, 외부 충전기 포트, 유/무선 데이터 포트, 메모리 카드(memory card) 포트, 식별 모듈이 구비된 장치를 연결하는 포트, 오디오 I/O(Input/Output) 포트, 비디오 I/O(Input/Output) 포트, 이어폰 포트 등이 인터페이스부(170)에 포함될 수 있다.

식별 모듈은 학습 분석 시스템의 사용 권한을 인증하기 위한 각종 정보를 저장한 칩으로서, 사용자 인증 모듈(User Identify Module, UIM), 가입자 인증 모듈(Subscriber Identify Module, SIM), 범용 사용자 인증 모듈(Universal Subscriber Identity Module, USIM) 등을 포함할 수 있다. 식별 모듈이 구비된 장치(이하 '식별 장치')는, 스마트 카드(smart card) 형식으로 제작될 수 있다. 따라서 식별 장치는 포트를 통하여 학습 분석 시스템과 연결될 수 있다.

상기 인터페이스부는 학습 분석 시스템이 외부 크래들(cradle)과 연결될 때 상기 크래들로부터의 전원이 상기 학습 분석 시스템에 공급되는 통로가 되거나, 사용자에 의해 상기 크래들에서 입력되는 각종 명령 신호가 상기 이동기기로 전달되는 통로가 될 수 있다. 상기 크래들로부터 입력되는 각종 명령 신호 또는 상기 전원은 상기 이동기기가 상기 크래들에 정확히 장착되었음을 인지하기 위한 신호로 동작될 수도 있다.

제어부(controller, 180)는 통상적으로 학습 분석 시스템의 전반적인 동작을 제어한다.

제어부(180)는 데이터 수집/저장부(181), 데이터 분석부(182) 및 대시보드부(183) 등을 포함할 수 있다.

여기서 수집/저장부(181)는, 문항과 코스 정보 메타데이터를 수집하고, Caliper 데이터 변환에 필요한 메타데이터를 저장하며, 분석 성능 향상을 위한 파일을 Merge하고, 분석이 필요한 다른 서비스가 들어오면 새로운 스트림을 생성하는 등의 기능을 제공한다.

또한, 데이터 분석부(182)는 Caliper Data로부터 데이터 카탈로그를 생성하고, 데이터 ETL 작업 후 Redshift로 삽입하며, 일/주/월 단위로 데이터를 분석하는 증의 기능을 제공한다.

또한, 대시보드부(183)는 디스플레이부(151)와 연동하여 사용자에게 교육 관련 컨텐츠 제공 및 피드백 생성을 위한 정보를 제공하는 기능을 제공한다.

상기 데이터 수집/저장부(181), 데이터 분석부(182) 및 대시보드부(183)의 기능에 대해서는 도 9를 참조하여 보다 구체적으로 후술한다.

한편, 전원 공급부(190)는 제어부(180)의 제어에 의해 외부의 전원, 내부의 전원을 인가 받아 각 구성요소들의 동작에 필요한 전원을 공급한다.

여기에 설명되는 다양한 실시예는 예를 들어, 소프트웨어, 하드웨어 또는 이들의 조합된 것을 이용하여 컴퓨터 또는 이와 유사한 장치로 읽을 수 있는 기록매체 내에서 구현될 수 있다.

하드웨어적인 구현에 의하면, 여기에 설명되는 실시예는 ASICs (application specific integrated circuits), DSPs (digital signal processors), DSPDs (digital signal processing devices), PLDs (programmable logic devices), FPGAs (field programmable gate arrays, 프로세서(processors), 제어기(controllers), 마이크로 컨트롤러(micro-controllers), 마이크로 프로세서(microprocessors), 기타 기능 수행을 위한 전기적인 유닛 중 적어도 하나를 이용하여 구현될 수 있다. 일부의 경우에 본 명세서에서 설명되는 실시예들이 제어부(180) 자체로 구현될 수 있다.

소프트웨어적인 구현에 의하면, 본 명세서에서 설명되는 절차 및 기능과 같은 실시예들은 별도의 소프트웨어 모듈들로 구현될 수 있다. 상기 소프트웨어 모듈들 각각은 본 명세서에서 설명되는 하나 이상의 기능 및 작동을 수행할 수 있다. 적절한 프로그램 언어로 쓰여진 소프트웨어 어플리케이션으로 소프트웨어 코드가 구현될 수 있다. 상기 소프트웨어 코드는 메모리(160)에 저장되고, 제어부(180)에 의해 실행될 수 있다.

또한, 서버(200)는 데이터 베이스를 구축하여, 단말(100)과 정보를 교환할 수 있다.

이때, 서버(200)와 단말(100) 간에는 근거리 통신 또는 원거리 통신이 적용될 수 있다.

여기서 이용될 수 있는 상기 무선 통신 기술로는 WLAN(Wireless LAN)(Wi-Fi), Wibro(Wireless broadband), Wimax(World Interoperability for Microwave Access), HSDPA(High Speed Downlink Packet Access) 등이 이용될 수 있다.

또한, 근거리 통신(short range communication)의 기술로는 블루투스(Bluetooth), RFID(Radio Frequency Identification), 적외선 통신(IrDA, infrared Data Association), UWB(Ultra-Wideband), ZigBee 등이 이용될 수 있다.

도 9는 본 발명에 따른 학습 분석 시스템의 구성 요소 및 서비스를 설명하는 방법을 함께 도시한 것이다.

도 9를 참조하면, 서버(200), 데이터 수집/저장부(181), 데이터 분석부(182) 및 대시보드부(183) 등이 수행하는 서비스 플로우가 구체적으로 도시된다.

먼저, 서버(200)는 데이터 베이스를 구축할 수 있다(S10)

다음으로, 데이터 수집/저장부(181)의 EC2(Batch Server)는 일 단위 배치 작업으로서, 문항과 코스 정보 메타데이터를 수집하게 된다(S11).

또한, 데이터 수집/저장부(181)의 RDS(Aurora)는 Caliper 데이터 변환에 필요한 메타데이터를 저장한다(S12).

또한, API Gateway(210)로부터 데이터 수집/저장부(181)의 Kinesis는 Home-Learn Lambda Stream을 생성하는데, 즉, 분석이 필요한 다른 서비스가 들어오면 새로운 스트림을 생성한다(S14).

또한, Lambda는 Store_Raw_Data 기능을 제공하는데, Raw Data를 저장하고, 필요한 경우, 이벤트 발생 시간을 교정하는 역할을 한다(S15).

또한, S3(Data Lake)는 hl-analyticsraw-data를 수집하고(S16), Lambda로 전달하게 된다(S17).

이후, Lambda는 데이터 수집/저장부(181)의 RDS(Aurora)와 교류하고, 지속적인 Lambda 함수 호출 실패시 SQS로 자료를 전달하게 된다(S18).

또한, S3(hl-analyticsraw-data)를 통해, JSON 파일 인 Caliper 데이터를 저장한다(S19).

또한, S3(hl-analyticsraw-data)는 EC2와 자료를 교환하고, EC2는 분석 성능 향상을

위한 파일을 Merge한다(S20). 예를 들어, 10분 단위로 파일의 Merge가 수행될 수 있다.

또한, Lambda와 연계하여, S3(hl-analyticsraw-data)는 이미지/긴 텍스트 데이터가 들어오는 경우, 이미지/텍스트 파일로 저장하는 기능을 제공한다(S21).

또한, Lambda와 연계하여, S3(hl-analyticsraw-data)는 변환에 실패한 raw data를 저장하는 것도 가능하다(임시 bucket, S22)).

이후, 실행에 관련된 모니터링(S23), SNS 알림 서비스(S24), Slack(S25)의 과정이 순차적으로 수행될 수 있다.

한편, 데이터 분석부(182)는 Glue가 (1) Caliper Data로부터 데이터 카탈로그를 생성하고(예를 들어, 3시간 단위), (2) 데이터 ETL 작업 후 Redshift로 삽입(예를 들어, 1일 단위 / 6시간 단위)하는 기능을 제공한다(S26).

또한, Redshift(Data Warehouse)는 Athena에 대해 웹에서 데이터 조회가 가능하도록 할 수 있다(S27, S28).

또한, Step Functions인 Lambda는 Redshift(Data Warehouse)와 통신하고, 일/주/월 단위 데이터를 분석함으로써, 배치 작업을 수행한다(S29).

이후, RDS(MySQL)가 분석하는 데이터베이스(DB)로서의 역할을 제공한다(S30).

나아가 대시보드부(183)는 디스플레이부(151)와 연동하여 동작하는데, 먼저, 대시보드 DB인 RDS (MySQL)로 데이터가 전달되고(S31), EC2 (WAS)가 이를 통신하여 수신 및 피드백하며(S32), 웹인 EC2와 이에 대한 데이터를 통신하게 된다(S33).

AI인공지능 기반의 맞춤형 학습 플랫폼

도 10은 본 발명과 관련한 AI인공지능 기반의 맞춤형 학습 플랫폼의 전체 구성도의 일례를 도시한 것이다.

도 10을 참조하면, 본 발명에서는 빅데이터-인공지능 기반 혁신 기술이 적용될 수 있다.

빅데이터-인공지능 기반 혁신 기술이 접목된 것으로, 학습 이벤트 기반 데이터 수집 및 빅데이터 아키텍처, 교육과정 지식체계와 지능형 학습분석 시스템, 학습-진단 통합 e포트폴리오 서비스, NUI/NUX 기반 AI 튜터(가정교사) 인터페이스 등을 사용자에게 제공할 수 있다.

또한, 도 10을 참조하면, 본 발명에서는 실감형 핵심 콘텐츠 기술이 적용될 수 있다.

실감형 핵심 콘텐츠 기술이 접목된 것으로, 유아용 AI 기반 대화형 진단검사 시스템, 실감형 콘텐츠 및 대화도구 개발, 실감형 콘텐츠 지원 디바이스 고도화 등을 사용자에게 제공할 수 있다.

또한, 본 발명이 제안하는 서비스 전체 구성도가 도 10에 도시되어 있다.

도 10을 참조하면, 복수의 단말(100a, 100b, 100c)와 무선, 유선 통신하는 반응형 웹 인터페이스(310), 학습기 프로파일링 인터페이스(320), 학습도구 상호운용성(LTI) 서비스(330) 등이 활용된다.

또한, AI처리 영역(340)으로, 학습 에이전트, 검색 엔진, 교과상담 챗봇, 시각지능 처리, 학습 추천, 추론 엔진 등이 활용된다.

또한, 학습 분석 영역(350)으로, 데이터 수집, 데이터 분석, 데이터 저장, 데이터 베이스, 데이터 가공, 대시보드 등이 활용된다.

또한, 콘텐츠 처리 영역(360)으로, 문제 은행, 지식맵, 영상자료, 교육과정 성취기준, 학습자료, 진단 검사 자료 등이 활용된다.

한편, 도 11은 본 발명과 관련한 AI인공지능 기반의 맞춤형 학습 플랫폼 실용화의 일례를 도시한 것이다.

도 11을 참조하면, 본 발명에서는 국내/외 B2B, B2C, B2G 고객 유형별 요건에 유연하게 대응할 수 있도록 서비스를 분류하고, 각각의 제품의 내용 및 특성에 따라 수익모델을 다각화 하고 있다.

서비스 컴포넌트 구성에 따른 모델로서, 대고객 서비스 Layer(410), Back-end/엔진 Layer(420), 리소스 뱅크(430) 등을 들 수 있다.

대고객 서비스 Layer(410), Back-end/엔진 Layer(420), 리소스 뱅크(430) 등은 상호 통신하여 데이터를 교환한다.

대고객 서비스 Layer(410)는, 교과상담 챗봇(411), AI 스피커(412), AR/3D App(413), 학습 AI가정교사 플랫폼(414) 등이 활용된다.

Back-end/엔진 Layer(420)는, 분석 엔진(421), 검색 엔진(422), 추론 엔진(423), 추천 엔진(424), STT/NLP(425) 등이 활용된다.

리소스 뱅크(430)는, 진단 맵(431), 학습 데이터(문제은행, 지식맵 등, 432), 영상, 사진 리소스(433) 등이 활용된다.

여기서 통합 서비스는, 대화형 학습튜터 시스템과 실감형 콘텐츠를 활용한 통합 서비스로서, [B2C] 대고객 직접 서비스, [B2B2C] 교육기관/단체 통한 간접 서비스 제공 등으로 모델링 가능하다.

또한, 학습분석 서비스는 학습-진단검사 통합 학습분석 서비스, 머신러닝 기반 취약점 진단 및 추천모델, 학습성과 예측 서비스로서, [B2G/B2B] 학교, 학원 등 기관에 서비스하는 것으로 모델링 가능하다.

또한, e포트폴리오 서비스는, 학습 및 진단 포트폴리오, 역량 인증체계 및 오픈배지 / 디지털 백팩 관리 서비스 및 유통환경, 진로/직업 추천 서비스를 포함하고, [B2B/B2C] 학교, 학원 및 고객 직접 서비스 제공 등으로 모델링 가능하다.

본 발명에서는, 개별 IP 및 Brand 화를 통한 ‘따로 또 같이’ 전략을 통한 AI 인공지능 기반의 생애주기별 맞춤형 학습 서비스를 구축하고, 국내/외 B2B, B2C, B2G별 고객 니즈에 맞춘 상용화 유형(서비스, 패키지, SI, 콘텐츠)을 분류하고, 각각의 제품의 내용 및 특성에 따라 수익모델을 다각화할 수 있다.

결국, 본 발명의 목표는 인공지능 기술을 기반으로 한 튜터(가정교사) 시스템 상용화를 위해 기능 모델링 및 트레이닝 데이터 구축 완성과 역량 기반 교육 서비스와 실감형 콘텐츠 활용 모델 정착을 위한 학습 자원을 사용자에게 제공하는 것이다.

전술한 본 발명의 구성에 따라 제공되는 서비스는 크게 7가지로 나누어 볼 수 있고, 구체적인 내용은 다음과 같다.

(1) 학습 이벤트 기반 데이터 수집 및 빅데이터 아키텍처

(2) 교육과정 지식체계와 지능형 학습분석 시스템

(3) 학습-진단 통합 e포트폴리오 서비스

(4) NUI/NUX 기반 AI 튜터(가정교사) 인터페이스

(5) 유아용 AI 기반 대화형 진단검사 시스템

(6) 실감형 콘텐츠 및 대화도구 개발

(7) 실감형 콘텐츠 지원 디바이스 고도화

이하에서는, 도면을 참조하여 7가지 형태의 서비스에 대한 내용을 구체적으로 설명한다.

제 1 서비스 - 학습 이벤트 기반 데이터 수집 및 빅데이터 아키텍처

도 12는 본 발명과 관련하여, 학습 이벤트 기반 데이터 수집 및 빅데이터 아키텍처의 일례를 도시한 것이다.

도 12를 참조하면, 학습 이벤트 기반 데이터 수집 및 빅데이터 아키텍처 서비스에서는, (1) 수집 SDK로 데이터 생태계를 조성하는 것 (2) 초등학생(1학년~6학년) 대상 데이터 수집 및 AI생활기록부 서비스 제공사용과 학부모용) 등을 대표적인 일례로 들 수 있다.

즉, 제 1 서비스에서는, 학습 이벤트와 비정형 데이터의 빠짐없는 수집 및 분석을 통한 정확한 학생 상태/수준 진단하는 것을 목적으로 한다.

도 12를 참조하면, 학습 이벤트(510)로서 학습 시간, 평가정보, 미디어 시청 등의 정보와 NUI/NUX (비정형 데이터)로서 음성 데이터, 챗봇 대화, 표정, 모션 등의 정보를 빅데이터 수집 및 분석 시스템(530)에서 수집 및 저장하고, 이를 가공함으로써, 분석하게 된다.

이러한 분석 결과를 기초로 피드백/처방(540)이 사용자에게 제공될 수 있다.

플랫폼과 관련하녀, 본 발명은 역량/적성/관심에 따라 맞춤형으로 구성되는 개인 맞춤형 학습 환경(PLE: Personalized Learning Environment)에서 AI 튜터가 촉진자(facilitator) 역할을 수행하면서 끊김없는 학습경험을 제공할 수 있다.

빅데이터와 관련하여, 본 발명은 직접적인 학습 이벤트(Caliper 표준)와 사용자 이벤트(Experience API)를 구분하여 기록하는 데이터 수집체계와 이질적인 데이터들을 통합해서 분석하는 데이터 레이크와 마트로 구성된 분석 스트림라인을 클라우드에 구축할 수 있다.

또한, 본 발명은 학습 및 비학습 활동에 대한 수집된 데이터를 실시간으로 가공 및 데이터 세트를 생성할 수 있는 국제 표준 워크플로우를 적용한 빅데이터 아키텍처 고도화를 할 수 있다.

제 1 서비스는, 국제 표준 기반의 학습 및 비학습 활동 이벤트를 수집체계를 설계하여 초기부터 글로벌향 서비스로 제공할 수 있다.

구체적으로, 학습 활동(학습 시간, 읽기, 평가, 토론, 미디어 활용, 학습도구 활용 등)에 대한 이벤트는 아이스크림 홈런을 통해 이미 검증된 IMS Caliper 버전 1.1 표준을 계속 활용하고, 비학습 활동(페이지 내 클릭 스트림, 음성 데이터, 챗봇 대화 등)에 대한 이벤트는 Experience API(xAPI) 표준을 참조하여 설계하여 본 사업을 위한 통합 데이터 수집체계인 (가칭) ‘xCaliper 표준 프로파일’을 적용할 수 있다.

또한, 학습 및 비학습 활동에 대한 수집된 데이터를 실시간으로 가공 및 데이터 세트를 생성할 수 있는 국제 표준 워크플로우를 적용한 빅데이터 아키텍처 고도화를 할 수 있다.

본 발명에서는, 인프라의 규모에 영향을 받지 않는 클라우드 서비스를 위해 ‘API Gateway’, 서버 없는 컴퓨팅(serverless computing)을 위한 함수(‘Lamda’), 대용량 파일 시스템(‘S3’) 등으로 구성된 데이터 스트림 라인을 구축하고, 서비스에 최적화된 형태로 프로파일을 적용할 수 있다.

또한, 본 발명에서는, xAPI 및 Caliper 형식으로 학습 이벤트를 수집하고, LRS(Learning Record Store)를 ‘Data Lake’와 ‘Data Mart’로 이원화하여 1차 데이터 수집 공간과 가공된 데이터 세트 공간을 분리하여 적용할 수 있다.

제 2 서비스 - 교육과정 지식체계와 지능형 학습분석 서비스

도 13은 본 발명과 관련하여, 교육과정 지식체계와 지능형 학습분석의 일례를 도시한 것이다.

도 13을 참조하면, 교육과정 지식체계와 지능형 학습분석 서비스는, 글로벌 교육과정을 연계하기 위한 지식공간과 교과 지식맵 구축을 위한 시스템 설계와 AI 기반의 수준별 맞춤 학습(추천과 처방)을 제공하는 서비스 등을 대표적인 일례로 들 수 있다.

즉, 제 2 서비스에서는, 초1부터 고3까지 전체 수학지도를 구성하여 AI가 약점을 찾아 최적의 학습 경로를 제시하는 것을 목적으로 한다.

도 13을 참조하면, 글로벌 교육과정 연계와 (수학) 교과 지식맵 구축(610), (수학) 교과 지식맵과 디지털 콘텐츠 연계(62), 지식공간 기반의) AI 수학 서비스(630) 등이 도시된다.

학습분석과 관련하여, 본 발명은 학습자의 학습 패턴, 미디어 소비 습관, 소셜 그래프 방식의 학습 관계망, 교과별 성적 등에 대한 데이터 분석을 토대로 교과 지식의 약점과 강점, 강한 지능과 약한 지능, 적성과 관심 분야에 대한 진단과 처방 피드백 기술을 제공할 수 있다.

또한, 본 발명은 학습 이벤트를 기반으로 자기주도적 학습습관을 진단하여 개인별로 처방해주는 학습분석과 시험지별로 문항풀이 습관과 이해수준을 진단하는 평가분석 서비스를 제공할 수 있다.

제 2 서비스에서는, 교육과정과 성취기준을 역량체계, (상황) 맥락, 주제, 학습자원 등을 의미적으로 연결한 링크드데이터 프로파일 설계 및 지식체계(지식베이스)를 구축할 수 있다.

즉, 초등학교 1학년부터 고등학교 3학년까지 수학 교과의 교육과정과 성취기준을 기반으로 AI가 맞춤형 커리큘럼과 실시간 코칭을 할 수 있는 지식체계(Knowledge Space)를 구성하였으며, 글로벌 교육과정과 연계할 수 있는 인터페이스를 제공할 수 있다.

또한, 학습 이벤트를 기반으로 자기주도적 학습습관을 진단하여 개인별로 처방해 주는 학습분석과 시험지별로 문항풀이 습관과 이해수준을 진단하는 평가분석 서비스를 제공할 수 있다.

본 발명에서는, 학생들의 학습 수행률과 성적 외에도 다양한 학습습관들을 고려해서 학습 성과를 과학적으로 예측하고 있으며, 전체 학습이나 과목별 학습 중도포기 위험을 사전에 감지하여 선제적 처방을 제공할 수 있다.

제 3 서비스 - 학습-진단 통합 e포트폴리오 서비스

도 14는 본 발명과 관련하여, 학습-진단 통합 e포트폴리오 서비스의 일례를 도시한 것이다.

도 14를 참조하면, 학습-진단 통합 e포트폴리오 서비스는, 초.중등 학생 대상 다중지능 및 학습성향 검사 및 학습 분석 결과와 연계 해석하는 서비스와 초.중등 학생 대상 수학지능 검사지와 시스템 등을 대표적인 일례로 들 수 있다.

즉, 제 3 서비스의 목적은, 전 학생 생애 주기에 걸친 정보(학습, 성향 등) 분석을 통해 성장/진로/진학 위한 가이드 제공하는 것이다.

도 14의 (a)에는 학습 데이터, 성향 정보, 과거 학습 이력, 진로 정보 등을 수집하는 과정이 도시되고, (b)에는 이에 따른 분석결과가 도시되며, (c)에는 e포트폴리오가 도시되고, (d)에는 e포트폴리오 및 역량 인증 배지의 SNS 공유하는 과정이 도시된다.

e포트폴리오와 관련하여, 본 발명은 학기 단위의 활동을 포함해서 전 학습 기간에 대한 학습 포트폴리오와 적성/성향/관심 분야에 대한 성장기록인 진단 포트폴리오를 통합해서 제공하는 e포트폴리오 서비스를 제공할 수 있다.

또한, 본 발명은 역량 기반 서비스(Competency Based Education, CBE)를 위해 획득한 역량 인증 배지를 보관하고 공개할 수 있는 디지털 백팩을 e포트폴리오의 부속 서비스로 제공할 수 있다.

제 3 서비스에서는, 다중지능검사와 학습성향검사를 통해서 학습자의 특성과 학습스타일을 기반으로 한 학습자 프로파일을 관리하고 있으며, 이를 토대로 학습자 별 튜터들이 추천 학습자료와 주간 학습 계획을 수립하여 제공할 수 있다.

본 발명에 따른 다중지능검사는 심리학자 하워드 가드너의 다중지능이론(Multiple Intelligence)을 바탕으로 개인별 8개 지능의 발달 수준을 측정하는 검사로써, 개인별 강점지능을 파악하여 학습자의 성향에 맞는 추천 직업 및 효율적인 학습법을 제시하고, 약점지능을 향상시키기 위한 학습 솔루션을 제공할 수 있다.

또한, 본 발명에 따른 학습성향검사는 Felder & Silverman의 학습성향이론을 바탕으로 학습 과정에서 나타나는 개인의 성격적인 특성을 알아보는 검사로써, 학습 정보를 받아들이고 이해하며 처리하는 과정에서 개인마다 다르게 나타나는 선호도에 따른 유형별 학습 성향을 진단하고, 유형별 맞춤형 학습법을 제공할 수 있다.

또한, 본 발명은 학습자의 강점 지능, 적성, 관심 분야, 교과별 이해수준 등을 종합적으로 고려해서 현재 갖춘 핵심역량과 앞으로 갖추어야 할 추천 역량들을 제시함으로써 스스로 미래의 진로와 직업을 설계할 수 있는 e포트폴리오 서비스를 사용자에게 제공할 수 있다.

제 4 서비스 - AI 처리 엔진 및 실감형 AI튜터(가정교사) 서비스

도 15는 본 발명과 관련하여, AI 처리 엔진 및 실감형 AI튜터(가정교사) 서비스의 일례를 도시한 것이다.

도 15를 참조하면, AI 처리 엔진 및 실감형 AI튜터(가정교사) 서비스는, 학습 관련 대화 맥락 축적과 지식베이스 구축을 위한 선행 프로젝트로 아이스크림 홈런의 챗봇 시스템, 한국어 및 영어 음성인식이 가능한 SDK 도입 및 초등학생 대상 가상 비서 서비스 등을 대표적인 모델로 예를 들 수 있다.

즉, 제 4 서비스에서는, AI 에이전트가 전 학습 과정을 밀착 지원하는 토탈 케어 학습 지원 서비스를 제공하는 것을 목적으로 한다.

도 15의 (a)를 참조하면, AI 처리 영역(710)과 콘텐츠 처리 영역(720)이 도시되고, 그 이외에 교과 지식맵(730)과 글로벌 교육과정/성취기준을 접목한 정보(740)가 도시된다.

이러한 AI 엔진을 통해, AI 튜터(고객 서비스)가 제공되고, (b)에는 진단검사, 맞춤 실감형 콘텐츠, 콘첸츠 큐레이션 등이 도시된다.

또한, 튜터의 진단으로서, “철희야 안녕? 오늘 공부할 내용은’우리의 몸’ 단원이야. 어제 얘기 들어보니 상당히 피곤해 보이던데, 조금만 힘을 내어 공부해 볼까?” 등의 피드백 과정이 표시된다.

또한, 도 16은 본 발명과 관련하여, NUI/NUX 기반 AI 튜터(가정교사) 인터페이스의 일례를 도시한 것이다.

도 16의 (a) 내지 (d)에서는, 데이터 소스, 챗봇 플랫폼, 분석 엔진, 연계 서비스와 이를 통한 단말 상의 인터페이스 일례가 구체적으로 도시되어 있다.

본 발명은 AI 튜터(가정교사). NUI/NUX 기반의 AI 튜터가 음성인식, 3D 캐릭터 챗봇, 학습 네비게이터 기능을 수행하면서 전 학습 과정을 밀착해서 지원하는 가정교사형 학습 에이전트를 제공할 수 있다.

또한, 본 발명은 (지식베이스) 대화형 AI 튜터를 구현하기 위해 유아부터 K-12 학습자 전 연령대의 음성 데이터베이스 구축 및 대화 맥락에 적절한 반응을 하기 위한 능동형 대화관리 지식베이스를 사용자에게 제공할 수 있다.

제 4 서비스에서는, 대화형 AI 튜터 서비스를 위해 연령대별 학습자의 표현 이해를 위한 대화 문장과 다양한 맥락의 지식체계를 구축하고, 학부모와 성인 고객을 대상으로 한 챗봇 서비스를 제공하며, 이 서비스를 통해 사용자는 챗봇에게 단문 형태의 질의를 하고 챗봇은 그에 따라 답변을 하거나 부가적인 질의를 하는 등의 흐름으로 대화를 주고받게 설계할 수 있다.

또한, 사용자의 표현을 이해하기 위해 학습 서비스에서 발생할 수 있는 다양한 단문에 대한 대화 지식체계를 구축하게 되며, 대화 지식체계는 학습자원 지식베이스를 참고/연계하여 구축하고 대화표현 이해를 위한 학습에 활용할 수 있다.

또한, 본 발명에서는 현재 웹 형태로 제공되는 인포그래픽스 형식의 그래프와 텍스트 형태의 처방 메시지를 챗봇으로 전달하기 위한 정보 표현 재설계 과정은 향후 AI 튜터가 처리할 수 있는 형태의 정보 표현 형식으로 제공될 수도 있다.

또한, 본 발명에 따른 AI 튜터는 단순 학습 리포터 또는 네비게이터 역할을 넘어서 교과 학습시 필요한 상황에서 학습 과정에 개입하여 바른 학습습관이나 문제 해결을 능동적으로 지원할 수 있다.

제 5 서비스 - 유아용 AI 기반 진단검사 서비스

도 17은 본 발명과 관련하여, 유아용 AI 기반 진단검사 서비스의 일례를 도시한 것이다.

도 17을 참조하면, 유아용 AI 기반 진단검사 서비스는 유아 대상 창의력 진단 검사 시스템을 “음성과 이미지 데이터 수집 및 평가” 방식으로 서비스하는 것 등을 대표적인 구현 모델로 들 수 있다.

즉, 본 발명에 따른 제 5 서비스는 유아의 자연스러운 대화형 인터페이스로 정확한 창의력 진단 검사와 균형 있는 성장 환경 조성을 목적으로 한다.

도 17을 참조하면, 서비스 화면 UX(810), 검사 화면 UX(820), 결과 리포트 화면 UX(830) 등이 도시된다.

본 발명은 (NUI/NUX) 웹, 모바일, 학습 전용 단말기 등 다양한 학습 환경에 내장되는 AI 튜터(가정교사) 인터페이스는 음성대화와 같은 NUI 형태를 지향해야 하므로 현재의 정보구조를 NUI로 표현하기 위한 NUX 설계가 적용될 수 있다.

제 6 서비스 - 실감형 콘텐츠 서비스

도 18은 본 발명과 관련하여, 유아용 AI 기반 진단 검사 서비스의 일례를 도시한 것이다.

도 18을 참조하면, 유아용 AI 기반 대화형 진단 검사 시스템의 일례가 도시되고, 1. 창의력 발달 검사 진단으로, 대화형/놀이형 창의력 검사, 창의력 진단 /학습 준비도 단 결과, 도형 검사 포트폴리오 등이 제공될 수 있다.

또한, 2. 유아 개별 맞춤 학습 가이드 제공으로, 검사 결과에 맞춰 연계 교육과정 안내((4 Type 학습 로드맵 제시)가 제공될 수 있다.

또한, 3. 맞춤 콘텐츠 큐레이션(O2O)으로, 인지 수준, 발달 수준을 고려한 개별 맞춤 콘텐츠 큐레이션이 제공될 수 있다.

또한, 4. 대화형 상호작용 통한 학습 과정 이력 및 이벤트 수집으로, 캐릭터/콘텐츠와 상호작용하는 콘텐츠, 실감형 콘텐츠를 통한 몰입 경험 등이 제공될 수 있다.

또한, 5. 학습 이벤트 DATA 수집, 분석 알고리즘으로, 이력/피드백 수집 기준 수립, 비정형 데이터에 관한 검색 알고리즘 수립 등이 적용될 수 있다.

또한, 6. 창의력 e-Portfolio 제공으로, 과정, 결과, 성향 데이터, 분석 개인별 포트폴리오 등이 제공될 수 있다.

콘텐츠와 관련하여, 본 발명은 정적인 학습자료로 이해하기 어려운 단원과 주제의 학습을 위한 몰입감 있는 실감형 콘텐츠와 학습자 간, 교사와 학습자 간 커뮤니케이션에 증강 객체를 활용한 몰입도 높은 대화형 도구를 제공할 수 있다.

또한, 본 발명은 대화형 진단검사. 유아 학습자를 위한 대화형 진단 검사를 위해 음성인식 및 발화평가 엔진, QA 엔진을 적용하여 PDM 창의력 발달검사 어플리케이션을 제공할 수 있다.

또한, 본 발명은, 만 4~6세 유아를 타깃으로 하는 PDM 창의력 발달검사 앱(Set 1: 만4세~5.5세, Set 2: 만 5.5세~6세)은 기존 고가의 1:1 관찰 검사 방식에서 벗어나 1:1 디지털 검사 방식으로 제공되며 유아 친화적인 검사환경을 조성하기 위해 캐릭터와의 대화를 통해 진행되며 유아의 표현방식인 음성, 그림과 같은 비정형 데이터를 수집하여 이를 전문가가 분석, 피드백하고, 향후 DB 누적을 통한 머신러닝을 통해 자동화된 리포트 생성이 가능하도록 back office를 제공할 수 있다.

또한, 본 발명은 대화형 검사 모델을 개발하기 위한 음성인식엔진(유아 연속어 엔진) 개발 및 학습자 데이터 수집, 분석을 통한 맞춤 피드백(결과지)를 제공할 수 있다.

제 7 서비스 - 실감형 콘텐츠 지원 디바이스 고도화

도 19는 본 발명과 관련하여, 유아 개별 맞춤 학습 분석 서비스의 일례를 도시한 것이다.

도 19를 참조하면, 본 발명에 따른 제 7 서비스에서는, 단계 별 제공된 학습 콘텐츠(실물 교재/교구+디지털 콘텐츠)를 학습하고 나면 학습 과정 중 이벤트를 수집하여 분석하는 것을 목표로 한다.

즉, 도 19에 도시된 것과 같이, 유아 창의력 학습, 데이터 수집 및 분석과 유아 창의력 e-Portfolio를 사용자에게 제공할 수 있다.

또한, 도 20은 본 발명과 관련하여, 실감형 콘텐츠 및 대화도구 서비스의 일례를 도시한 것이다.

도 20을 참조하면, 본 발명에 따른 제 6 서비스에서는 창의력 향상을 위한 실감형 콘텐츠 개발 및 실감형 콘텐츠와 증강 객체를 지원하는 커뮤니케이션을 목표로 한다.

도 20을 참조하면, 애니메이션과 주제가 동일한 스토리북을 개발하고, 각 스토리북에 나오는 다양한 캐릭터와 상호작용하는 서비스 등을 대표적인 구현 모델로 들 수 있다.

도 20의 (a)와 (b)에서는 이야기 놀이 실감형 콘텐츠의 구체적인 일례가 도시되어 있다.

또한, 도 21은 본 발명이 제공하는 실감형 콘텐츠 지원 디바이스 고도화의 일례를 도시한 것이다.

도 21을 참조하면, 제 7 서비스에서는, AI 가정교사 서비스 제공을 위한 하드웨어 성능 고도화 및 실감형 콘텐츠 표현력 극대화화는 것을 목표로 한다.

실감형 커뮤니케이션과 몰입형 콘텐츠를 재생할 수 있도록 홈런 디바이스 소프트웨어적인 업그레이드 하는 것과 실감형 콘텐츠 활용폭을 넓히기 위한 고성능 디바이스 설계하는 것 등이 이에 해당될 수 있다.

본 발명은 디바이스. 아이스크림 홈런 전용 학습기에서 실감형 커뮤니케이션과 몰입형 콘텐츠를 재생할 수 있도록 소프트웨어적인 업그레이드와 써드파티 악세사리가 장착될 수 있는 인터페이스 지원할 수 있다.

또한, 본 발명은 360 영상과 가상현실 콘텐츠를 재생할 수 있도록 센서와 플레이어앱 등을 업그레이드하여 본 사업 결과물들을 풍부히 공급할 수 있는 학습 환경을 제공할 수 있다.

본 발명과 관련하여, 실감형 콘텐츠 유형으로는 마커를 증강 후 놀이를 하거나 마커 없이 현실 배경 위에 앱상의 오브젝트가 떠서 보다 생생한 Mixed Reality 경험을 제공하는 형태로 구분될 수 있다.

기존 시장의 AR 콘텐츠에 대한 유아의 반응은 초기에는 상당히 호감을 느끼나, 반복 활용 시 계속 디바이스나 폰을 들고 있어야 해서 오는 피로감이나 증강 후 앱으로 전환되어 놀이하는 부분에서 기존 디지털 콘텐츠와의 큰 차이점을 느끼지 못하고 있다.

본 서비스에서는, 실감형 콘텐츠의 장점인 폭넓은 경험을 제공하는 부분에 집중하고 이와 더불어 오감을 자극할 수 있는 tangible한 교구와의 최적화된 연계 방안을 모색하였음. 이를 위해 유아가 캐릭터 칩를 증강하기 전에 먼저 각 스토리의 배경이 되는 입체적인 무대를 직접 꾸미고, 무대 앞에서 캐릭터 집을 증강시켜 증강된 캐릭터(스토리의 주인공)가 아이와 함께 대화를 하는 <내가 꾸민 무대 위에서 <주인공과 대화하는 증강 콘텐츠>를 제공할 수 있다.

이를 위해, 본 발명에서는 창의력을 높이는 데 도움이 되는 한국전래, 명작동화를 선정(올해 14권), 상상력을 자극하고 이야깃거리를 제공하기 위해 해외 작가가 삽화 작업을 진행하고, 이를 그림책과 결합한 실감형 콘텐츠로 제공할 수 있다.

또한, 본 발명에 적용되는 단말기는 국내뿐 아니라 세계 최초로 학습 전용 단말기로서 모바일 학습 플랫폼의 기능을 수행하면서 플래그십을 강화할 수 있다.

즉, 360 영상과 가상현실 콘텐츠를 재생할 수 있도록 센서와 플레이어앱 등을 업그레이드하여 본 사업 결과물들을 풍부히 공급할 수 있는 학습 환경을 제공할 수 있다.

음성인식 적용 서비스

도 22는 본 발명과 관련하여, 음성인식 기술을 적용한 서비스를 설명하기 위한 도면이다.

도 22를 참조하면, 음성인식 기술 적용 방안(한국어 연속어 음성인식)에 대한 구체적인 과정이 도시된다.

즉, 음성이 입력되면, 잡음 처리, 음성 특징 추출 및 디코딩의 과정이 진행된다.

디코딩 과정에서 음향 모델, 발음 사전, 언어 모델이 적용될 수 있다.

즉, 음향 모델에서는 “음성 ⇔ 음소”의 과정이 적용되고, 학습용 음성 DB가 이용되며, 1,366시간 분량의 음성 DB가 이용되고, DNN-HMM 학습 등이 적용될 수 있다.

또한, 발음 사전에서는, “음소 ⇔ 단어”의 과정으로서, 발음사전 & 발음열 자동생성기가 적용되고, 발음사전을 활용하게 된다.

또한, 언어 모델에서는, “단어 ⇔ 문장” 과정으로서, 학습용 텍스트 DB가 이용된다.

이를 기초로, 텍스트를 추출하고, 인식 결과 후처리 과정을 거쳐, 의미를 도출한 후에 응용 소프트웨어에 적용하게 된다.

또한, 도 23은 본 발명과 관련하여, 음성인식 시스템을 이용한 스팸 음성 데이터의 텍스트 변환 성능 향상을 위한 방법을 설명하는 도면이다.

도 23을 참조하면, 음성인식 시스템을 이용한 스팸 음성 데이터의 텍스트 변환 성능 향상을 위한 방안이 도시된다.

도 23에서는, 스팸 음성 데이터를 1차, 2차, 3차에 거쳐 처리하는 과정이 도시된다.

먼저, 음성인식기를 이용한 스팸 음성 데이터의 자동 전사(S100)가 진행되고, 이후, 모니터링 요원의 자동전사 결과 확인 작업 (수동전사 및 확인작업)이 진행된다(S200).

또한, 언어모델을 위한 학습 데이터 구축과 음향모델을 위한 학습 데이터 구축이 수행되고(S300), 언어모델 음향모델 학습 적용을 기초로 음성인식기 성능 향상이 수행된다(S400).

사용자는 PDM에서 제공한 학습 콘텐츠를 통해 음성을 녹음하게 되며, 녹음된 음성 DB는 Eidware의 DB와 PDM의 DB에 동시에 저장됨. 저장된 음성 DB는 OpenSpeech APIs를 통해 전사되며, 이를 PDM과 Eidware에서 검증하는 과정을 거칠 수 있다.

이를 위한 STT API는 REST API를 사용하며, 음성인식을 위한 음성 DATA를 HTTP 통신으로 음성인식 서버에 전달하여 처리함. 2차년도는 Native API를 사용하며 음성데이터를 streaming으로 받고 TEXT를 연속적으로 return할 수 있다.

아동발화평가의 목적은 실제 발음의 정확도를 평가하거나, 이를 통해 자신감 등의 발화 특성을 찾아내고 분석하는 데에 있고, 발화평가를 위해서 본 발명에서는 녹음된 아동의 음성을 레이블링(Labeling)하고 GoP(Goodness of Pronunciation) 또는 Deep Learning 기법을 이용하여 아동의 발화를 평가하고자 한다.

여기서, GoP기술은 GMM-HMM기반의 분석기술로 각 음소별 확률값을 계산하고 기준이 되는 음향모델과 비교를 통해 발화한 음소를 평가하는 기술이다.

본 발명에 따른 효과

상기와 같이 구성되는 본 발명의 적어도 하나의 실시예는 빅데이터 및 인공지능 기반의 맞춤형 학습 방법 및 시스템을 사용자에게 제공할 수 있다.

구체적으로 본 발명은 교육 기회 평등 및 학습 효과 향상을 위한 AI인공지능 기반의 맞춤형 학습 플랫폼(ALP1))을 제안하고, 이를 통한 고품질 교육 서비스의 가격 파괴와 글로벌 경쟁력을 보유한 교육 서비스를 사용자에게 제공할 수 있다.

또한, 본 발명은 학생의 생애 주기에 맞춰 실감형 AI 튜터(가정교사)가 학생을 지속 관리하고, 각종 학습과 평가 등을 통해 축적된 교육 빅데이터를 학생별 e포트폴리오에 반영하여 학생의 성장을 지속적으로 모니터링할 수 있는 실감 콘텐츠가 적용된 인공지능 기반의 맞춤형 학습 방법 및 시스템을 사용자에게 제공할 수 있다.

또한, 본 발명은 학습 이벤트 기반 데이터 수집 및 빅데이터 아키텍처를 제공하고, 교육과정 지식체계와 지능형 학습분석 시스템을 사용자에게 제공하고자 한다.

또한, 본 발명은 학습-진단 통합 e포트폴리오 서비스 및 NUI/NUX 기반 AI 튜터(가정교사) 인터페이스 서비스를 사용자에게 제공할 수 있다.

또한, 본 발명은 유아용 AI 기반 진단검사 서비스와 실감형 콘텐츠 지원 디바이스 고도화를 통한 실감형 콘텐츠 서비스를 제공하는 실감 콘텐츠가 적용된 인공지능 기반의 맞춤형 학습 방법 및 시스템을 사용자에게 제공할 수 있다.

구체적으로, 본 발명은 플랫폼을 통해, 역량/적성/관심에 따라 맞춤형으로 구성되는 개인 맞춤형 학습 환경(Personalized Learning Environment, PLE)에서 AI 튜터가 촉진자(facilitator) 역할을 수행하면서 끊김 없는 학습경험을 제공할 수 있다.

또한, 본 발명은 국제 표준 기반의 데이터 수집체계와 클라우드 기반 빅데이터 분석 기술과 학습 분석이 가능하고, 교과별 성적과 학습 습관에 대한 데이터 분석 결과를 토대로 AI를 이용한 추론 결과를 사용자에게 제공할 수 있다.

또한, 본 발명은 e포트폴리오 서비스 구축을 통해, 학기 단위의 활동을 포함해서 전 학습 기간에 대한 학습 포트폴리오와 적성/성향/관심 분야에 대한 성장기록을 하는 것이 가능하다.

또한, 본 발명은 AI 튜터(가정교사) 인터페이스를 통해, NUI/NUX 기반의 AI 튜터가 음성인식, 챗봇, 학습 네비게이터 기능을 수행하는 학습 에이전트 기술을 사용자에게 제공할 수 있다.

또한, 본 발명은 콘텐츠를 기초로, 정적인 학습자료로 이해하기 어려운 단원과 주제의 학습을 위한 몰입감 있는 실감형 콘텐츠와 학습자 간, 교사와 학습자 간 커뮤니케이션에 증강 객체를 활용한 몰입도 높은 대화형 도구를 사용자에게 제공할 수 있다.

또한, 본 발명은 유아 창의력 진단검사를 기초로, 유아 학습자를 위한 대화형 진단 검사를 위해 음성인식 및 발화평가 엔진, QA 엔진을 제공할 수 있다.

또한, 본 발명이 제공하는 실감형 콘텐츠는 유아 학습자의 창의력 향상을 위한 실감형 콘텐츠를 개발하고, 학습자들을 위한 실감형 콘텐츠와 증강 객체를 지원하는 커뮤니케이션 도구를 포함할 수 있다.

또한, 본 발명에 따른 서비스에는 실감형 커뮤니케이션과 몰입형 콘텐츠를 재생할 수 있는 학습 전용 디바이스 고도화가 적용될 수 있다.

다만, 본 발명에서 얻을 수 있는 효과는 이상에서 언급한 효과들로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 아래의 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.

또한, 본 발명의 일실시예에 의하면, 전술한 방법은, 프로그램이 기록된 매체에 프로세서가 읽을 수 있는 코드로서 구현하는 것이 가능하다. 프로세서가 읽을 수 있는 매체의 예로는, ROM, RAM, CD-ROM, 자기 테이프, 플로피 디스크, 광 데이터 저장장치 등이 있으며, 캐리어 웨이브(예를 들어, 인터넷을 통한 전송)의 형태로 구현되는 것도 포함한다.

상기와 같이 설명된 방법 및 시스템은 상기 설명된 실시예들의 구성과 방법이 한정되게 적용될 수 있는 것이 아니라, 상기 실시예들은 다양한 변형이 이루어질 수 있도록 각 실시예들의 전부 또는 일부가 선택적으로 조합되어 구성될 수도 있다.

Claims (7)

1. 웹, 외부 서버 및 단말과 네트워크를 구축한 교육용 서버를 이용하는, 빅데이터 및 인공지능 기반의 맞춤형 학습 방법에 있어서,
   상기 교육용 서버가, 상기 웹, 외부 서버 및 단말 중 적어도 하나로부터 학습자의 나이 정보를 수신하는 제 1 단계;
   상기 교육용 서버가, 미리 저장된 학습 생애 주기 중 상기 나이 정보에 대응하는 제 1 주기를 결정하는 제 2 단계;
   상기 교육용 서버가, 상기 웹, 외부 서버 및 단말 중 적어도 하나로부터 상기 제 1 주기와 관련된 제 1 학습 영역 정보를 수신하는 제 3 단계;
   상기 교육용 서버가, 상기 학습자와 관련된 제 1 학습자 정보를 수집하는 제 4 단계;
   상기 교육용 서버가, 상기 제 1 학습 영역 정보 및 상기 제 1 학습자 정보를 기초로 결정된 제 1 교육 컨텐츠를 상기 학습자에게 제공하는 제 5 단계;
   상기 교육용 서버가, 상기 제 1 교육 컨텐츠와 관련된 상기 학습자의 제 2 학습자 정보를 누적하여 수집하는 제 6 단계;
   상기 제 1 주기가 종료하는 경우, 상기 교육용 서버가 상기 미리 저장된 학습 생애 주기 중 제 2 주기와 관련된 제 2 학습 영역 정보를 수신하는 제 7 단계; 및
   상기 교육용 서버가, 상기 제 2 학습 영역 정보 및 상기 누적된 제 2 학습자 정보를 기초로 결정된 제 2 교육 컨텐츠를 상기 학습자에게 제공하는 제 8 단계;를 포함하고,
   
   상기 미리 저장된 학습 생애 주기는, 유아 주기, 초등 주기, 중등 주기 및 고등 주기를 포함하고,
   상기 초등 주기는 미리 지정된 학년을 기준으로 낮은 학년에 대한 제 1 초등 주기와 상기 기준보다 높은 학년에 대한 제 2 초등 주기로 구분되며,
   
   상기 제 1 주기가 유아 주기인 경우,
   상기 제 1 학습 영역 정보는, 상기 학습자의 창의력 및 커뮤니케이션과 관련된 것이고,
   상기 제 1 학습자 정보는, 창의력 지표와 관련된 것이며,
   상기 제 1 교육 컨텐츠는 상기 학습자의 창의력 및 학습 습관과 관련되고,
   
   상기 제 1 주기가 초등 주기인 경우,
   상기 제 1 학습 영역 정보는, 상기 학습자의 창의력, 사고력, 자기관리 및 커뮤니케이션과 관련된 것이고,
   상기 제 1 학습자 정보는, 학습, 성향, 지능 및 적성과 관련된 것이며,
   상기 제 1 주기가 상기 제 1 초등 주기인 경우에는, 상기 제 1 교육 컨텐츠는 상기 학습자의 사고력 및 학습 선호도에 관한 것이고,
   상기 제 1 주기가 상기 제 2 초등 주기인 경우에는, 상기 제 1 교육 컨텐츠는 상기 학습자의 교과 이해도 및 학습 성향에 관한 것이며,
   
   상기 제 1 주기가 중등 주기인 경우,
   상기 제 1 학습 영역 정보는, 상기 학습자의 창의력, 사고력, 자기관리 및 커뮤니케이션과 관련된 것이고,
   상기 제 1 학습자 정보는, 학습, 성향, 지능, 적성 및 진로와 관련된 것이며,
   상기 제 1 교육 컨텐츠는 상기 학습자의 교과 이해도 및 핵심 역량에 관한 것이고,
   
   상기 제 1 주기가 고등 주기인 경우,
   상기 제 1 학습 영역 정보는, 상기 학습자의 창의력, 사고력, 자기관리, 비판적 사고능력 및 커뮤니케이션과 관련된 것이고,
   상기 제 1 학습자 정보는, 학습, 성향, 지능, 적성, 진로 및 진학과 관련된 것이며,
   상기 제 1 교육 컨텐츠는 상기 학습자의 수항 능력, 적성 및 진로에 관한 것을 특징으로 하는 빅데이터 및 인공지능 기반의 맞춤형 학습 방법.
   
2. 삭제
3. 삭제
4. 삭제
5. 삭제
6. 삭제
7. 웹, 외부 서버 및 단말과 네트워크를 구축한 빅데이터 및 인공지능 기반의 교육용 서버에 있어서,
   상기 교육용 서버는,
   상기 웹, 외부 서버 및 단말 중 적어도 하나로부터 학습자의 나이 정보를 수신하고,
   미리 저장된 학습 생애 주기 중 상기 나이 정보에 대응하는 제 1 주기를 결정하며,
   상기 웹, 외부 서버 및 단말 중 적어도 하나로부터 상기 제 1 주기와 관련된 제 1 학습 영역 정보를 수신하고,
   상기 학습자와 관련된 제 1 학습자 정보를 수집하며,
   상기 제 1 학습 영역 정보 및 상기 제 1 학습자 정보를 기초로 결정된 제 1 교육 컨텐츠를 상기 학습자에게 제공하고,
   상기 제 1 교육 컨텐츠와 관련된 상기 학습자의 제 2 학습자 정보를 누적하여 수집하며,
   상기 제 1 주기가 종료하는 경우, 상기 미리 저장된 학습 생애 주기 중 제 2 주기와 관련된 제 2 학습 영역 정보를 수신하고,
   상기 제 2 학습 영역 정보 및 상기 누적된 제 2 학습자 정보를 기초로 결정된 제 2 교육 컨텐츠를 상기 학습자에게 제공하며,
   
   상기 미리 저장된 학습 생애 주기는, 유아 주기, 초등 주기, 중등 주기 및 고등 주기를 포함하고,
   상기 초등 주기는 미리 지정된 학년을 기준으로 낮은 학년에 대한 제 1 초등 주기와 상기 기준보다 높은 학년에 대한 제 2 초등 주기로 구분되며,
   
   상기 제 1 주기가 유아 주기인 경우,
   상기 제 1 학습 영역 정보는, 상기 학습자의 창의력 및 커뮤니케이션과 관련된 것이고,
   상기 제 1 학습자 정보는, 창의력 지표와 관련된 것이며,
   상기 제 1 교육 컨텐츠는 상기 학습자의 창의력 및 학습 습관과 관련되고,
   
   상기 제 1 주기가 초등 주기인 경우,
   상기 제 1 학습 영역 정보는, 상기 학습자의 창의력, 사고력, 자기관리 및 커뮤니케이션과 관련된 것이고,
   상기 제 1 학습자 정보는, 학습, 성향, 지능 및 적성과 관련된 것이며,
   상기 제 1 주기가 상기 제 1 초등 주기인 경우에는, 상기 제 1 교육 컨텐츠는 상기 학습자의 사고력 및 학습 선호도에 관한 것이고,
   상기 제 1 주기가 상기 제 2 초등 주기인 경우에는, 상기 제 1 교육 컨텐츠는 상기 학습자의 교과 이해도 및 학습 성향에 관한 것이며,
   
   상기 제 1 주기가 중등 주기인 경우,
   상기 제 1 학습 영역 정보는, 상기 학습자의 창의력, 사고력, 자기관리 및 커뮤니케이션과 관련된 것이고,
   상기 제 1 학습자 정보는, 학습, 성향, 지능, 적성 및 진로와 관련된 것이며,
   상기 제 1 교육 컨텐츠는 상기 학습자의 교과 이해도 및 핵심 역량에 관한 것이고,
   
   상기 제 1 주기가 고등 주기인 경우,
   상기 제 1 학습 영역 정보는, 상기 학습자의 창의력, 사고력, 자기관리, 비판적 사고능력 및 커뮤니케이션과 관련된 것이고,
   상기 제 1 학습자 정보는, 학습, 성향, 지능, 적성, 진로 및 진학과 관련된 것이며,
   상기 제 1 교육 컨텐츠는 상기 학습자의 수항 능력, 적성 및 진로에 관한 것을 특징으로 하는 교육용 서버.

Images