WO2023277614A1

WO2023277614A1 - 사용자에게 교육 효과가 최대화되는 풀이 컨텐츠를 추천하는 방법, 장치, 및 시스템

Info

Publication number: WO2023277614A1
Application number: PCT/KR2022/009422
Authority: WO
Inventors: 노현빈
Original assignee: (주)뤼이드
Priority date: 2021-07-01
Filing date: 2022-06-30
Publication date: 2023-01-05
Also published as: JP2023536769A; TW202314631A; CN115943416A

Abstract

본 출원의 일 실시예에 따른 교육 컨텐츠 추천 방법은, 사용자의 검색 정보를 획득하는 단계; 상기 검색 정보에 기초하여 검색된 문제 정보를 추출하는 단계; 상기 문제 정보와 관련된 풀이 컨텐츠 세트를 획득하는 단계-상기 풀이 컨텐츠 세트는 제1 풀이 정보 및 제2 풀이 정보를 포함함-; 상기 검색 정보에 기초하여 사용자의 학습 능력 정보를 산출하는 단계; 상기 학습 능력 정보 및 상기 풀이 컨텐츠 세트에 기초하여, 예상 교육 효과와 관련된 지표를 계산하는 단계; 상기 지표에 기초하여 상기 풀이 컨텐츠 세트 중에서 대상 풀이 컨텐츠를 선택하는 단계; 및 상기 대상 풀이 컨텐츠를 송신하는 단계;를 포함한다.

Description

사용자에게 교육 효과가 최대화되는 풀이 컨텐츠를 추천하는 방법, 장치, 및 시스템

본 출원은 교육 컨텐츠 추천 방법, 교육 컨텐츠 추천 장치 및 교육 컨텐츠 추천 시스템에 관한 것이다. 구체적으로 본 출원은 사용자의 학습 능력 정보를 정량화하고, 학습 능력 정보에 기초하여 교육 컨텐츠를 추천하기 위한 교육 컨텐츠 추천 방법, 교육 컨텐츠 추천 장치 및 교육 컨텐츠 추천 시스템에 관한 것이다.

인공 지능 기술이 발전하면서 사용자의 학습 실력을 진단하고, 진단 결과에 기반하여 교육 컨텐츠를 추천하는 교육 기술 분야가 주목받고 있다. 특히 사용자의 학습 능력을 고려하여 사용자에게 최적의 풀이 컨텐츠나 웹페이지를 제공하는 기술이 요구되고 있다.

그러나 종래의 기술들은 문제에 대응되는 풀이만을 제공하거나 사용자의 검색 정보에 기초하여 신뢰도가 높은 웹페이지만을 선별하는 데에 목적을 두고 있으며, 이러한 종래의 기술들은 사용자들의 학습 능력을 고려하여 최선의 교육 컨텐츠를 제공하기에는 한계점을 나타내고 있다.

이에, 사용자의 학습 능력 정보를 정량화하고 사용자의 학습 능력 정보에 기초하여 최적의 풀이나 웹페이지와 관련된 교육 컨텐츠를 사용자에게 적절하게 추천함으로써 사용자의 교육 효과를 최대화할 수 있는 교육 컨텐츠 추천 방법 및 장치의 개발이 요구된다.

본 발명이 해결하고자 하는 일 과제는, 사용자의 학습 능력 정보를 정량화하는 교육 컨텐츠 추천 방법, 교육 컨텐츠 추천 장치 및 교육 컨텐츠 추천 시스템을 제공하는 것이다.

본 발명이 해결하고자 하는 일 과제는, 사용자의 학습 능력 정보에 기초하여 대상 웹페이지를 제공하는 교육 컨텐츠 추천 방법, 교육 컨텐츠 추천 장치 및 교육 컨텐츠 추천 시스템을 제공하는 것이다.

본 발명이 해결하고자 하는 일 과제는, 사용자의 학습 능력 정보에 기초하여 대상 풀이 컨텐츠를 제공하는 교육 컨텐츠 추천 방법, 교육 컨텐츠 추천 장치 및 교육 컨텐츠 추천 시스템을 제공하는 것이다.

본 발명이 해결하고자 하는 과제가 상술한 과제로 제한되는 것은 아니며, 언급되지 아니한 과제들은 본 명세서 및 첨부된 도면으로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.

본 출원의 일 실시예에 따른 교육 컨텐츠 추천 방법은, 사용자의 검색 정보를 획득하는 단계; 상기 검색 정보에 기초하여 검색된 문제 정보를 추출하는 단계; 상기 문제 정보와 관련된 풀이 컨텐츠 세트를 획득하는 단계-상기 풀이 컨텐츠 세트는 제1 풀이 정보 및 제2 풀이 정보를 포함함-; 상기 검색 정보에 기초하여 사용자의 학습 능력 정보를 산출하는 단계; 상기 학습 능력 정보 및 상기 풀이 컨텐츠 세트에 기초하여, 예상 교육 효과와 관련된 지표를 계산하는 단계; 상기 지표에 기초하여 상기 풀이 컨텐츠 세트 중에서 대상 풀이 컨텐츠를 선택하는 단계; 및 상기 대상 풀이 컨텐츠를 송신하는 단계;를 포함할 수 있다.

본 출원의 일 실시예에 따른 사용자의 검색 정보를 외부의 사용자 단말기로부터 수신하여 교육 컨텐츠를 추천하는 장치는, 상기 사용자 단말기와 통신하는 송수신부; 및 상기 송수신부를 통하여 사용자의 검색 정보를 획득하고, 상기 검색 정보에 기초하여 대상 풀이 컨텐츠를 선택하도록 구성된 컨트롤러;를 포함하되, 상기 컨트롤러는, 사용자의 검색 정보를 획득하고, 상기 검색 정보에 기초하여 검색된 문제 정보를 추출하고, 상기 문제 정보와 관련된 풀이 컨텐츠 세트-상기 풀이 컨텐츠 세트는 제1 풀이 정보 및 제2 풀이 정보를 포함함-;를 획득하고, 상기 검색 정보에 기초하여 사용자의 학습 능력 정보를 산출하고, 상기 학습 능력 정보 및 상기 풀이 컨텐츠 세트에 기초하여 예상 교육 효과와 관련된 지표를 계산하고, 상기 지표에 기초하여 상기 풀이 컨텐츠 세트 중에서 대상 풀이 컨텐츠를 선택하고, 상기 대상 풀이 컨텐츠를 송신하도록 구성될 수 있다.

본 출원의 일 실시예에 따른 교육 컨텐츠 추천 방법은, 사용자의 검색 정보를 획득하는 단계; 상기 검색 정보에 기초하여 후보 웹페이지 세트를 획득하는 단계-상기 후보 웹페이지 세트는 제1 웹페이지 및 제2 웹페이지를 포함함-; 상기 검색 정보에 기초하여 사용자의 학습 능력 정보를 계산하는 단계; 상기 학습 능력 정보 및 상기 제1 웹페이지에 포함된 제1 컨텐츠 정보에 기초하여 상기 제1 웹페이지가 상기 사용자에게 제공되었을 때의 예상 교육 효과와 관련된 제1 지표를 계산하는 단계; 상기 학습 능력 정보 및 상기 제2 웹페이지에 포함된 제2 컨텐츠 정보에 기초하여 상기 제2 웹페이지가 상기 사용자에게 제공되었을 때의 예상 교육 효과와 관련된 제2 지표를 계산하는 단계; 상기 제1 지표 및 상기 제2 지표에 기초하여 대상 웹 페이지를 선택하는 단계; 및 상기 대상 웹페이지를 송신하는 단계를 포함할 수 있다.

본 출원의 일 실시예에 따른 사용자의 검색 정보를 외부의 사용자 단말기로부터 수신하여 사용자에게 제공될 대상 웹페이지를 선택하는 장치에 있어서, 상기 사용자 단말기와 통신하는 송수신부; 및 상기 송수신부를 통하여 사용자의 검색 정보를 획득하고, 상기 검색 정보에 기초하여 대상 웹 페이지를 선택하도록 구성된 컨트롤러;를 포함하되, 상기 컨트롤러는, 사용자의 검색 정보를 획득하고, 상기 검색 정보에 기초하여 후보 웹페이지 세트- 상기 후보 웹페이지 세트는 제1 웹페이지 및 제2 웹페이지를 포함함-를 획득하고, 상기 검색 정보에 기초하여 사용자의 학습 능력 정보를 계산하고, 상기 학습 능력 정보 및 상기 제1 웹페이지에 포함된 제1 컨텐츠 정보에 기초하여 상기 제1 웹페이지가 상기 사용자에게 제공되었을 때의 예상 교육 효과와 관련된 제1 지표를 계산하고, 상기 학습 능력 정보 및 상기 제2 웹페이지에 포함된 제2 컨텐츠 정보에 기초하여 상기 제2 웹페이지가 상기 사용자에게 제공되었을 때의 예상 교육 효과와 관련된 제2 지표를 계산하고, 상기 제1 지표 및 상기 제2 지표에 기초하여 대상 웹 페이지를 선택하고, 상기 대상 웹페이지를 송신하도록 구성될 수 있다.

본 출원의 일 실시예에 따른 학습 능력 평가 방법은, 대상 사용자의 검색 정보를 획득하는 단계; 상기 검색 정보에 기초하여 학습 세트 정보를 획득하는 단계; 상기 학습 세트 정보에 기초하여 복수의 사용자의 검색 데이터베이스를 획득하는 단계-상기 검색 데이터베이스는 사용자 식별 정보 및 상기 학습 세트 정보에 포함된 문제에 대한 사용자의 검색 여부에 따라 할당된 기준값을 포함함-; 상기 검색 정보에 기초하여 상기 학습 세트 정보에 포함된 적어도 하나의 문제에 대하여 검색 여부에 따라 특징값을 할당하는 단계; 상기 검색 데이터베이스의 상기 기준값 및 상기 대상 사용자와 관련된 상기 특징값에 기초하여 제1 매트릭스를 생성하는 단계; 상기 기준값과 상기 특징값의 유사성에 기초하여 상기 제1 매트릭스를 상기 제2 매트릭스로 변환하는 단계; 및 상기 제2 매트릭스에 기초하여 상기 대상 사용자의 학습 능력 점수를 계산하는 단계;를 포함할 수 있다.

본 출원의 일 실시예에 따른 대상 사용자의 검색 정보를 외부의 사용자 단말기로부터 수신하여 대상 사용자의 학습 능력을 정량화하는 장치는, 상기 사용자 단말기와 통신하는 송수신부; 및 상기 송수신부를 통하여 대상 사용자의 검색 정보를 획득하고, 상기 검색 정보에 기초하여 대상 사용자의 학습 능력을 정량화하도록 구성된 컨트롤러;를 포함하되, 상기 컨트롤러는, 대상 사용자의 검색 정보를 획득하고, 상기 검색 정보에 기초하여 학습 세트 정보를 획득하고, 상기 학습 세트 정보에 기초하여 복수의 사용자의 검색 데이터베이스-상기 검색 데이터베이스는 사용자 식별 정보 및 사용자의 상기 학습 세트 정보에 포함된 문제에 대한 검색 여부에 따라 할당된 기준값을 포함함-를 획득하고, 상기 검색 정보에 기초하여 상기 학습 세트 정보에 포함된 적어도 하나의 문제에 대하여 검색 여부에 따라 특징값을 할당하고, 상기 검색 데이터베이스의 상기 기준값 및 상기 대상 사용자와 관련된 상기 특징값에 기초하여 제1 매트릭스를 생성하고, 상기 기준값과 상기 특징값의 유사성에 기초하여 상기 제1 매트릭스를 상기 제2 매트릭스로 변환하고, 상기 제2 매트릭스에 기초하여 상기 대상 사용자의 학습 능력 점수를 계산하도록 구성될 수 있다.

본 발명의 과제의 해결 수단이 상술한 해결 수단들로 제한되는 것은 아니며, 언급되지 아니한 해결 수단들은 본 명세서 및 첨부된 도면으로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.

본 출원의 실시예에 따른 교육 컨텐츠 추천 방법, 장치 및 시스템에 의하면, 사용자의 검색 정보에 기초하여 사용자의 학습 능력 정보를 정량화할 수 있다.

본 출원의 실시예에 따른 교육 컨텐츠 추천 방법, 장치 및 시스템에 의하면, 사용자의 학습 능력을 고려하여 교육 컨텐츠를 선별함으로써 사용자의 실력 향상에 가장 도움이 되는 교육 컨텐츠를 사용자에게 제공할 수 있다.

본 발명의 효과가 상술한 효과들로 제한되는 것은 아니며, 언급되지 아니한 효과들은 본 명세서 및 첨부된 도면으로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확히 이해될 수 있을 것이다.

도 1은 본 출원의 일 실시예에 따른 교육 컨텐츠 추천 시스템에 관한 개략도이다.

도 2는 본 출원의 제1 실시예에 따른 교육 컨텐츠 추천 장치(1000)의 동작을 나타낸 도면이다.

도 3은 본 출원의 제1 실시예에 따른 교육 컨텐츠 추천 방법의 순서도이다.

도 4는 본 출원의 제1 실시예에 따라 교육 컨텐츠 추천 장치(1000)가 대상 풀이 컨텐츠를 선택하는 양상을 나타낸 예시적인 도면이다.

도 5는 본 출원의 제2 실시예에 따른 교육 컨텐츠 추천 장치(1000)의 동작을 나타낸 도면이다.

도 6은 본 출원의 제2 실시예에 따른 교육 컨텐츠 추천 방법의 순서도이다.

도 7은 본 출원의 제2 실시예에 따라 교육 컨텐츠 추천 장치(1000)가 대상 웹페이지를 선택하는 양상을 나타낸 예시적인 도면이다.

도 8은 본 출원의 일 실시예에 따른 사용자의 학습 능력 정보를 계산하는 방법을 도시한 순서도이다.

도 9는 본 출원의 일 실시예에 따른 검색 정보에 기초하여 특징값을 할당하는 단계(S3400)를 구체화한 순서도이다.

도 10은 본 출원의 일 실시예에 따른 검색 정보에 기초하여 특징값을 할당하는 일 양상을 나타낸 도면이다.

도 11은 본 출원의 일 실시예에 따라 생성된 제1 매트릭스 및 제2 매트릭스의 일 양상을 나타낸 도면이다.

도 12는 본 출원의 일 실시예에 따른 대상 사용자의 학습 능력 점수를 계산하는 방법을 구체화한 순서도이다.

도 13은 본 출원의 일 실시예에 따른 비교 정보를 획득하기 위하여 신경망 모델을 학습시키는 일 양상을 나타낸 도면이다.

도 14는 본 출원의 일 실시예에 따라 학습된 신경망 모델을 통하여 대상 사용자의 비교 정보 및 학습 능력 점수를 획득하는 일 양상을 나타낸 도면이다.

본 출원의 일 실시예에 따르면, 상기 검색 정보는, 검색한 시간 데이터와 검색 결과의 열람 시간 데이터를 포함하는 로그 데이터를 포함할 수 있다.

본 출원의 일 실시예에 따르면, 상기 학습 능력 정보를 계산하는 단계는, 상기 로그 데이터 및 상기 문제 정보에 기초하여 학습 세트 정보를 획득하는 단계; 및 상기 학습 세트 정보에 포함된 문제들에 대한 검색 여부에 기초하여 상기 학습 능력 정보를 계산하는 단계를 더 포함할 수 있다.

본 출원의 일 실시예에 따르면, 상기 학습 세트 정보를 획득하는 단계는, 상기 로그 데이터의 시간 데이터 및 상기 문제 정보에 기초하여 제1 기간 동안 검색이 수행된 문제 정보를 획득하는 단계; 및 상기 문제 정보에 기초하여 상기 학습 세트 정보를 획득하는 단계를 더 포함할 수 있다.

본 출원의 일 실시예에 따르면, 상기 지표를 계산하는 단계는, 상기 학습 능력 정보 및 상기 제1 풀이 정보에 기초하여, 상기 제1 풀이 정보가 사용자에게 제공되었을 때의 예상 교육 효과와 관련된 제1 지표를 획득하는 단계; 및 상기 학습 능력 정보 및 상기 제2 풀이 정보에 기초하여, 상기 제2 풀이 정보가 사용자에게 제공되었을 때의 예상 교육 효과와 관련된 제2 지표를 획득하는 단계;를 더 포함할 수 있다.

본 출원의 일 실시예에 따르면, 상기 대상 풀이 컨텐츠를 선택하는 단계는, 상기 제1 지표 및 상기 제2 지표를 비교하여 더 큰 값으로 계산된 풀이 정보를 상기 대상 풀이 컨텐츠로 결정하는 단계를 더 포함할 수 있다.

본 출원의 일 실시예에 따르면, 상기 교육 컨텐츠 추천 방법을 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체가 제공될 수 있다.

본 출원의 일 실시예에 따르면, 상기 컨트롤러는, 상기 로그 데이터 및 상기 문제 정보에 기초하여 학습 세트 정보를 획득하고, 상기 학습 세트 정보에 포함된 문제들에 대한 검색 여부에 기초하여 상기 학습 능력 정보를 계산하도록 구성될 수 있다.

본 출원의 일 실시예에 따르면, 상기 컨트롤러는, 상기 로그 데이터의 시간 데이터 및 상기 문제 정보에 기초하여 제1 기간 동안 검색이 수행된 문제 정보를 획득하고, 상기 문제 정보에 기초하여 상기 학습 세트 정보를 획득하도록 구성될 수 있다.

본 출원의 일 실시예에 따르면, 상기 컨트롤러는, 상기 학습 능력 정보 및 상기 제1 풀이 정보에 기초하여 상기 제1 풀이 정보가 사용자에게 제공되었을 때의 예상 교육 효과와 관련된 제1 지표를 획득하고, 상기 학습 능력 정보 및 상기 제2 풀이 정보에 기초하여 상기 제2 풀이 정보가 사용자에게 제공되었을 때의 예상 교육 효과와 관련된 제2 지표를 획득하도록 구성될 수 있다.

본 출원의 일 실시예에 따르면, 상기 컨트롤러는, 상기 제1 지표 및 상기 제2 지표를 비교하여 더 큰 값으로 계산된 풀이 정보를 상기 대상 풀이 컨텐츠로 결정하도록 구성될 수 있다.

본 출원의 일 실시예에 따른 교육 컨텐츠 추천 방법은, 사용자의 검색 정보를 획득하는 단계; 상기 검색 정보에 기초하여 후보 웹페이지 세트를 획득하는 단계-상기 후보 웹페이지 세트는 제1 웹페이지 및 제2 웹페이지를 포함함-; 상기 검색 정보에 기초하여 사용자의 지식 수준 정보를 계산하는 단계; 상기 지식 수준 정보 및 상기 제1 웹페이지에 포함된 제1 컨텐츠 정보에 기초하여 상기 제1 웹페이지가 상기 사용자에게 제공되었을 때의 예상 교육 효과와 관련된 제1 지표를 계산하는 단계; 상기 지식 수준 정보 및 상기 제2 웹페이지에 포함된 제2 컨텐츠 정보에 기초하여 상기 제2 웹페이지가 상기 사용자에게 제공되었을 때의 예상 교육 효과와 관련된 제2 지표를 계산하는 단계; 상기 제1 지표 및 상기 제2 지표에 기초하여 대상 웹 페이지를 선택하는 단계; 및 상기 대상 웹페이지를 송신하는 단계를 포함할 수 있다.

본 출원의 일 실시예에 따르면, 상기 검색 정보는, 색한 시간 데이터와 검색 결과의 열람 시간 데이터를 포함하는 로그 데이터 및 검색한 문제를 나타내는 문제 식별 정보를 포함할 수 있다.

본 출원의 일 실시예에 따르면, 상기 지식 수준 정보를 계산하는 단계는, 상기 로그 데이터 및 상기 문제 식별 정보에 기초하여 학습 세트 정보를 획득하는 단계; 및 상기 학습 세트 정보에 포함된 문제들에 대한 검색 여부에 기초하여 상기 지식 수준 정보를 계산하는 단계를 더 포함할 수 있다.

본 출원의 일 실시예에 따르면, 상기 학습 세트 정보를 획득하는 단계는, 기 로그 데이터의 시간 데이터 및 상기 문제 식별 정보에 기초하여 제1 기간 동안 검색이 수행된 문제 정보를 획득하는 단계; 및 상기 문제 정보에 기초하여 상기 학습 세트 정보를 획득하는 단계를 더 포함할 수 있다.

본 출원의 일 실시예에 따르면, 상기 후보 웹 페이지 세트를 획득하는 단계는, 상기 검색 정보로부터 키워드를 추출하는 단계; 및 상기 추출된 키워드와 관련된 컨텐츠를 포함하는 후보 웹 페이지 세트를 획득하는 단계;를 더 포함할 수 있다.

본 출원의 일 실시예에 따르면, 상기 대상 웹 페이지를 선택하는 단계는, 상기 제1 지표 및 상기 제2 지표를 비교하여 더 큰 값으로 계산된 웹 페이지를 상기 대상 웹페이지로 결정하는 단계를 더 포함할 수 있다.

본 출원의 일 실시예에 따른 사용자의 검색 정보를 외부의 사용자 단말기로부터 수신하여 사용자에게 제공될 대상 웹페이지를 선택하는 장치에 있어서, 상기 사용자 단말기와 통신하는 송수신부; 및 상기 송수신부를 통하여 사용자의 검색 정보를 획득하고, 상기 검색 정보에 기초하여 대상 웹 페이지를 선택하도록 구성된 컨트롤러;를 포함하되, 상기 컨트롤러는, 사용자의 검색 정보를 획득하고, 상기 검색 정보에 기초하여 후보 웹페이지 세트- 상기 후보 웹페이지 세트는 제1 웹페이지 및 제2 웹페이지를 포함함-를 획득하고, 상기 검색 정보에 기초하여 사용자의 지식 수준 정보를 계산하고, 상기 지식 수준 정보 및 상기 제1 웹페이지에 포함된 제1 컨텐츠 정보에 기초하여 상기 제1 웹페이지가 상기 사용자에게 제공되었을 때의 예상 교육 효과와 관련된 제1 지표를 계산하고, 상기 지식 수준 정보 및 상기 제2 웹페이지에 포함된 제2 컨텐츠 정보에 기초하여 상기 제2 웹페이지가 상기 사용자에게 제공되었을 때의 예상 교육 효과와 관련된 제2 지표를 계산하고, 상기 제1 지표 및 상기 제2 지표에 기초하여 대상 웹 페이지를 선택하고, 상기 대상 웹페이지를 송신하도록 구성될 수 있다.

본 출원의 일 실시예에 따르면, 상기 검색 정보는, 검색한 시간 데이터와 검색 결과의 열람 시간 데이터를 포함하는 로그 데이터 및 검색한 문제를 나타내는 문제 식별 정보를 포함할 수 있다.

본 출원의 일 실시예에 따르면, 상기 컨트롤러는, 상기 로그 데이터 및 상기 문제 식별 정보에 기초하여 학습 세트 정보를 획득하고, 상기 학습 세트 정보에 포함된 문제들에 대한 검색 여부에 기초하여 상기 지식 수준 정보를 계산하도록 구성될 수 있다.

본 출원의 일 실시예에 따르면, 상기 컨트롤러는, 상기 로그 데이터의 시간 데이터 및 상기 문제 식별 정보에 기초하여 제1 기간 동안 검색이 수행된 문제 정보를 획득하고, 상기 문제 정보에 기초하여 상기 학습 세트 정보를 획득하도록 구성될 수 있다.

본 출원의 일 실시예에 따르면, 상기 컨트롤러는, 상기 검색 정보로부터 키워드를 추출하고, 상기 추출된 키워드와 관련된 컨텐츠를 포함하는 후보 웹 페이지 세트를 획득하도록 구성될 수 있다.

본 출원의 일 실시예에 따르면, 상기 컨트롤러는, 상기 제1 지표 및 상기 제2 지표를 비교하여 더 큰 값으로 계산된 웹 페이지를 상기 대상 웹페이지로 결정하도록 구성될 수 있다.

본 출원의 일 실시예에 따르면, 상기 특징값을 할당하는 단계는, 상기 대상 사용자가 검색한 상기 학습 세트 정보의 제1 문제군에 대하여는 제1 값을 할당하는 단계; 및 상기 대상 사용자가 검색하지 않은 상기 학습 세트 정보의 제2 문제군에 대하여는 상기 제1 값과는 다른 제2 값을 할당하는 단계;를 더 포함할 수 있다.

본 출원의 일 실시예에 따르면, 상기 제2 매트릭스로 변환하는 단계는, 상기 제1 매트릭스에 대하여 블록 컴프레스(Block compress)를 수행하여 상기 제2 매트릭스를 획득하는 단계를 더 포함할 수 있다.

본 출원의 일 실시예에 따르면, 상기 대상 사용자의 학습 능력 점수를 계산하는 단계는, 상기 제2 매트릭스에 기초하여 상기 대상 사용자의 상기 복수의 사용자에 대한 상대적인 위치를 나타내는 비교 정보를 획득하는 단계; 및 상기 비교 정보에 기초하여 상기 대상 사용자의 학습 능력 점수를 계산하는 단계;를 더 포함할 수 있다.

본 출원의 일 실시예에 따르면, 상기 학습 능력 평가 방법을 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체가 제공될 수 있다.

본 출원의 일 실시예에 따르면, 상기 컨트롤러는, 상기 대상 사용자가 검색한 상기 학습 세트 정보의 제1 문제군에 대하여는 제1 값을 상기 특징값으로 할당하고, 상기 대상 사용자가 검색하지 않은 상기 학습 세트 정보의 제2 문제군에 대하여는 상기 제1 값과는 다른 제2 값을 상기 특징값으로 할당하도록 구성될 수 있다.

본 출원의 일 실시예에 따르면, 상기 컨트롤러는, 상기 제1 매트릭스에 대하여 블록 컴프레스(Block compress)를 수행하여 상기 제2 매트릭스를 획득하도록 구성될 수 있다.

본 출원의 일 실시예에 따르면, 상기 컨트롤러는, 상기 제2 매트릭스에 기초하여 상기 대상 사용자의 상기 복수의 사용자에 대한 상대적인 위치를 나타내는 비교 정보를 획득하고, 상기 비교 정보에 기초하여 상기 대상 사용자의 상기 학습 능력 점수를 계산하도록 구성될 수 있다.

본 출원의 상술한 목적, 특징들 및 장점은 첨부된 도면과 관련된 다음의 상세한 설명을 통해 보다 분명해질 것이다. 다만, 본 출원은 다양한 변경을 가할 수 있고 여러 가지 실시예들을 가질 수 있는 바, 이하에서는 특정 실시예들을 도면에 예시하고 이를 상세히 설명하고자 한다.

명세서 전체에 걸쳐서 동일한 참조번호들은 원칙적으로 동일한 구성요소들을 나타낸다. 또한, 각 실시예의 도면에 나타나는 동일한 사상의 범위 내의 기능이 동일한 구성요소는 동일한 참조부호를 사용하여 설명하며, 이에 대한 중복되는 설명은 생략하기로 한다.

본 출원과 관련된 공지 기능 혹은 구성에 대한 구체적인 설명이 본 출원의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 본 명세서의 설명 과정에서 이용되는 숫자(예를 들어, 제1, 제2 등)는 하나의 구성요소를 다른 구성요소와 구분하기 위한 식별기호에 불과하다.

또한, 이하의 실시예에서 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.

이하의 실시예에서, 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다.

이하의 실시예에서, 포함하다 또는 가지다 등의 용어는 명세서상에 기재된 특징, 또는 구성요소가 존재함을 의미하는 것이고, 하나 이상의 다른 특징들 또는 구성요소가 부가될 가능성을 미리 배제하는 것은 아니다.

도면에서는 설명의 편의를 위하여 구성 요소들이 그 크기가 과장 또는 축소될 수 있다. 예컨대, 도면에서 나타난 각 구성의 크기 및 두께는 설명의 편의를 위해 임의로 나타낸 것으로, 본 발명이 반드시 도시된 바에 한정되지 않는다.

어떤 실시예가 달리 구현 가능한 경우에 특정한 프로세스의 순서는 설명되는 순서와 다르게 수행될 수도 있다. 예를 들어, 연속하여 설명되는 두 프로세스가 실질적으로 동시에 수행될 수도 있고, 설명되는 순서와 반대의 순서로 진행될 수 있다.

이하의 실시예에서, 구성 요소 등이 연결되었다고 할 때, 구성 요소들이 직접적으로 연결된 경우뿐만 아니라 구성요소들 중간에 구성 요소들이 개재되어 간접적으로 연결된 경우도 포함한다.

예컨대, 본 명세서에서 구성 요소 등이 전기적으로 연결되었다고 할 때, 구성 요소 등이 직접 전기적으로 연결된 경우뿐만 아니라, 그 중간에 구성 요소 등이 개재되어 간접적으로 전기적 연결된 경우도 포함한다.

이하에서는 도 1 내지 도 14를 참고하여 본 출원의 실시예들에 따른 교육 컨텐츠 추천 방법, 교육 컨텐츠 추천 장치 및 교육 컨텐츠 추천 시스템에 관하여 설명한다.

도 1은 본 출원의 일 실시예에 따른 교육 컨텐츠 추천 시스템의 개략도이다.

본 출원의 일 실시예에 따른 교육 컨텐츠 추천 시스템(10)은 사용자 단말(100) 및 교육 컨텐츠 추천 장치(1000)를 포함할 수 있다.

사용자 단말(100)은 교육 컨텐츠 추천 장치(1000) 혹은 임의의 외부장치로부터 문제 데이터베이스를 획득할 수 있다. 예를 들어, 사용자 단말(100)은 문제 데이터베이스에 포함된 일부 문제를 수신하고, 수신한 문제들을 사용자에게 디스플레이할 수 있다. 이어 사용자는 제시된 문제에 대한 응답을 사용자 단말(100)에 입력할 수 있다.

사용자 단말(100)은 사용자의 응답에 기초하여 교육 데이터를 획득하고, 사용자의 교육 데이터를 교육 컨텐츠 추천 장치(1000)로 송신할 수 있다. 여기서, 교육 데이터란, 사용자가 풀이한 문제 식별 정보, 이에 대한 사용자의 응답 정보 및/또는 정오답 정보 등을 포괄하는 의미일 수 있다. 한편, 사용자 단말(100)은 사용자의 식별 정보를 교육 컨텐츠 추천 장치(1000)로 송신할 수 있다.

또한, 사용자 단말(100)은 사용자의 검색 정보를 획득하고, 사용자의 검색 정보를 교육 컨텐츠 추천 장치(1000)로 송신할 수 있다. 여기서, 검색 정보란, 사용자의 검색과 관련된 로그 데이터, 검색과 관련된 문제 식별 정보, 검색 쿼리 및 검색 쿼리로부터 유래된 임의의 유형의 정보를 포괄하는 의미일 수 있다. 로그 데이터는 검색이 수행된 시간 데이터 및 검색 결과의 열람 시간 데이터 등을 포함할 수 있다. 문제 식별 정보는 사용자가 검색한 문제를 나타내는 임의의 정보를 포괄하는 의미일 수 있다.

한편, 사용자 단말(100)은 교육 컨텐츠 추천 장치(1000)로부터 계산된 추천 컨텐츠를 수신할 수 있다. 또한, 사용자 단말(1000)은 수신된 추천 컨텐츠를 사용자에게 디스플레이할 수 있다. 여기서 추천 컨텐츠란 교육과 관련된 웹 페이지, 검색과 관련된 문제에 대한 풀이 및 추천 문제 등 검색 정보에 기반하여 획득된 임의의 교육과 관련된 컨텐츠를 의미할 수 있다.

본 출원의 일 실시예에 따른 교육 컨텐츠 추천 장치(1000)는 송수신부(1100), 메모리(1200) 및 컨트롤러(1300)를 포함할 수 있다.

송수신부(1100)는 사용자 단말(100)을 포함한 임의의 외부 기기와 통신을 수행할 수 있다. 예컨대, 교육 컨텐츠 추천 장치(1000)는 송수신부(1100)를 통해, 사용자 단말(100)로부터 사용자의 교육 데이터, 사용자 식별 정보 및/또는 검색 정보를 수신하거나 추천 컨텐츠를 사용자 단말(100)로 송신할 수 있다.

교육 컨텐츠 추천 장치(1000)는, 송수신부(1100)를 통해 네트워크에 접속하여 각종 데이터를 송수신할 수 있다. 송수신부(1200)는 크게 유선 타입과 무선 타입을 포함할 수 있다. 유선 타입과 무선 타입은 각각의 장단점을 가지므로, 경우에 따라서 교육 컨텐츠 추천 장치(1000)에는 유선 타입과 무선 타입이 동시에 마련될 수도 있다. 여기서, 무선 타입의 경우에는 주로 와이파이(Wi-Fi) 같은 WLAN(Wireless Local Area Network) 계열의 통신 방식을 이용할 수 있다. 또는, 무선 타입의 경우에는 셀룰러 통신, 예컨대, LTE, 5G 계열의 통신 방식을 이용할 수 있다. 다만, 무선 통신 프로토콜이 상술한 예시에 제한되는 것은 아니며, 임의의 적절한 무선 타입의 통신 방식을 이용하는 것도 가능하다.

유선 타입의 경우에는 LAN(Local Area Network)이나 USB(Universal Serial Bus) 통신이 대표적인 예이며 그 외의 다른 방식도 가능하다.

메모리(1200)는 각종 정보를 저장할 수 있다. 메모리(1200)에는 각종 데이터가 임시적으로 또는 반영구적으로 저장될 수 있다. 메모리(1200)의 예로는 하드 디스크(HDD: Hard Disk Drive), SSD(Solid State Drive), 플래쉬 메모리(flash memory), 롬(ROM: Read-Only Memory), 램(RAM: Random Access Memory) 등이 있을 수 있다. 메모리(1200)는 교육 컨텐츠 추천 장치(1000)에 내장되는 형태나 탈부착 가능한 형태로 제공될 수 있다. 메모리(1200)에는 교육 컨텐츠 추천 장치(1000)를 구동하기 위한 운용 프로그램(OS: Operating System)이나 교육 컨텐츠 추천 장치 (1000)의 각 구성을 동작시키기 위한 프로그램을 비롯해 교육 컨텐츠 추천 장치 (1000)의 동작에 필요한 각종 데이터가 저장될 수 있다.

컨트롤러(1300)는 교육 컨텐츠 추천 장치(1000)의 전반적인 동작을 제어할 수 있다. 예컨대, 컨트롤러(1300)는 후술할 사용자의 검색 정보에 기초하여 학습 능력 정보를 계산하거나, 교육 컨텐츠를 학습하였을 때 사용자의 예상 교육 효과를 정량화하거나, 대상 풀이 컨텐츠 혹은 대상 웹페이지를 결정하는 등 교육 컨텐츠 추천 장치(1000)의 전반적인 동작을 제어할 수 있다. 구체적으로 컨트롤러(1300)는 메모리(1200)로부터 교육 컨텐츠 추천 장치(1000)의 전반적인 동작을 위한 프로그램을 로딩하여 실행할 수 있다. 컨트롤러(1300)는 하드웨어나 소프트웨어 또는 이들의 조합에 따라 AP(Application Processor), CPU(Central Processing Unit)나 이와 유사한 장치로 구현될 수 있다. 이때, 하드웨어적으로는 전기적 신호를 처리하여 제어 기능을 수행하는 전자 회로 형태로 제공될 수 있으며, 소프트웨어적으로는 하드웨어적 회로를 구동시키는 프로그램이나 코드 형태로 제공될 수 있다.

이하에서는 도 2 내지 도 14를 참고하여 본 출원의 실시예들에 따른 교육 컨텐츠 추천 장치(1000)의 동작을 구체적으로 서술한다. 구체적으로 도 2 내지 도 4에서는 본 출원의 제1 실시예에 따른 사용자의 검색 정보에 기초하여 대상 풀이 컨텐츠를 선택하는 교육 컨텐츠 추천 장치(1000)의 동작을 서술한다. 도 5 내지 도 7에서는 본 출원의 제2 실시예에 따른 사용자의 검색 정보에 기초하여 대상 웹페이지를 선택하는 교육 컨텐츠 추천 장치(1000)의 동작을 서술한다. 도 8 내지 도 14에서는 사용자의 검색 정보에 기초하여 사용자의 학습 능력 정보를 계산하는 교육 컨텐츠 추천 장치(1000)의 동작을 서술한다.

본 출원의 제1 실시예에 따른 교육 컨텐츠 추천 장치(1000)는 사용자의 검색 정보에 기초하여 풀이 컨텐츠를 추천하는 동작을 수행할 수 있다.

종래 기술에 따르면, 사용자가 문제를 이미지로 촬영하거나 문제의 내용을 입력하면 입력에 대응되는 풀이 정보를 획득하고 이를 사용자에게 제공하였다. 다만 특정 문제에 대하여 복수의 풀이가 존재할 수 있다. 구체적으로 같은 문제에 대하여 여러 가지 방법의 풀이가 존재할 수 있으며, 풀이에 따라 사용자의 학습 효과가 달라질 수 있다. 다만, 종래 기술은 하나의 문제에 대하여 대응되는 하나의 풀이만을 제공하고 있는 실정이다. 따라서, 검색된 문제와 관련된 복수의 풀이 컨텐츠 세트를 획득하고 사용자에게 교육 효과를 최대화할 수 있는 풀이 컨텐츠를 선별하는 기술에 대한 연구가 요구된다.

본 출원의 제1 실시예에 따른 교육 컨텐츠 추천 장치(1000)는 사용자의 검색 정보에 기초하여 사용자의 학습 능력 정보를 계산하고, 사용자의 학습 능력 정보에 기초하여 대상 풀이 컨텐츠를 선택함으로써, 사용자에 최적화된 풀이 컨텐츠를 사용자에게 제공할 수 있다.

이하에서는 도 2를 참고하여, 상술한 목적과 효과를 달성하기 위한 본 출원의 제1 실시예에 따른 교육 컨텐츠 추천 장치(1000)의 동작을 구체적으로 서술한다. 도 2는 본 출원의 제1 실시예에 따른 교육 컨텐츠 추천 장치(1000)의 동작을 나타낸 도면이다.

본 출원의 일 실시예에 따른 교육 컨텐츠 추천 장치(1000)는 사용자의 검색 정보를 획득할 수 있다. 여기서, 검색 정보는, 전술한 바와 같이, 사용자의 검색과 관련된 로그 데이터, 검색과 관련된 문제 식별 정보, 검색 쿼리 및 검색 쿼리로부터 유래된 임의의 유형의 정보를 포괄하는 의미일 수 있다. 이때, 획득된 검색 정보는 사용자의 학습 능력 정보를 계산하는 데 이용될 수 있다.

도 2에는 도시되지 않았으나, 본 출원의 일 실시예에 따른 교육 컨텐츠 추천 장치(1000)는 사용자의 문제 풀이 이력과 관련된 문제에 대한 응답 정보 및/또는 정오답 정보를 획득할 수 있다.

본 출원의 일 실시예에 따른 교육 컨텐츠 추천 장치(1000)는 사용자가 검색한 문제를 나타내는 문제 정보를 획득할 수 있다. 구체적으로 교육 컨텐츠 추천 장치(1000)는 사용자의 검색 정보에 기초하여 문제 정보를 획득할 수 있다. 예컨대, 교육 컨텐츠 추천 장치(1000)는 검색 정보의 문제 식별 정보에 기초하여 문제 정보를 획득할 수 있다. 여기서, 문제 정보(혹은 문제 식별 정보)는 후술할 바와 같이 데이터베이스로부터 풀이 컨텐츠 세트를 획득하는 데 이용될 수 있다.

본 출원의 일 실시예에 따른 교육 컨텐츠 추천 장치(1000)는 사용자의 학습 능력을 평가하거나 학습 능력을 정량화하는 동작을 수행할 수 있다. 구체적으로 교육 컨텐츠 추천 장치(1000)는 사용자의 검색 정보에 기초하여 사용자의 학습 능력을 정량화하여 사용자의 학습 능력 정보를 계산할 수 있다. 여기서 학습 능력이란, 사용자의 각종 시험에 대한 현재 점수, 예측 점수, 추론력, 논리력, 집중력, 잠재능력, 지식 수준 등 임의의 방법을 이용하여 진단가능한 학습 혹은 지식 수준과 관련된 사용자의 능력을 포괄하는 의미일 수 있다. 또한, 학습 능력 정보는 전술한 학습 능력을 정량화하거나 정량화할 수 있는 임의의 형태의 정보를 포괄할 수 있다.

본 출원의 일 실시예에 따른 교육 컨텐츠 추천 장치(1000)는 사용자의 검색 정보에 기초하여 문제 세트에 포함된 문제들에 특징값을 할당하여 매트릭스를 생성하고 생성된 매트릭스에 기초하여 사용자의 학습 능력 정보를 계산할 수 있다. 사용자의 학습 능력 정보를 계산하는 동작에 대하여는 도 8 내지 도 14에서 구체적으로 후술한다.

본 출원의 일 실시예에 따른 교육 컨텐츠 추천 장치(1000)는 데이터베이스로부터 풀이 컨텐츠 세트를 획득할 수 있다. 구체적으로 교육 컨텐츠 추천 장치(1000)는 문제 정보(혹은 문제 식별 정보)에 기초하여 데이터베이스로부터 문제 정보와 관련된 풀이 컨텐츠 세트를 획득할 수 있다. 예컨대, 교육 컨텐츠 추천 장치(1000)는 사용자가 제1 문제와 관련된 풀이를 검색한 경우에는, 제1 문제와 관련된 적어도 하나의 풀이 컨텐츠를 포함하는 풀이 컨텐츠 세트를 데이터베이스로부터 획득하도록 구현될 수 있다.

본 출원의 일 실시예에 따른 교육 컨텐츠 추천 장치(1000)는 풀이 컨텐츠 세트에 포함된 각각의 풀이 컨텐츠가 사용자에게 제공되었을 때의 예상 교육 효과를 추정하거나 정량화할 수 있다. 구체적으로 교육 컨텐츠 추천 장치(1000)는 사용자의 학습 능력 정보에 기초하여 풀이 컨텐츠 세트에 포함된 각각의 풀이 컨텐츠가 사용자에게 제공되었을 때의 예상 교육 효과를 추정하거나 정량화할 수 있다. 예컨대, 교육 컨텐츠 추천 장치(1000)는 사용자의 학습 능력 정보에 기초하여, 풀이 컨텐츠 세트에 포함된 제1 풀이 컨텐츠가 사용자에게 제공되었을 때, 예상 교육 효과와 관련된 제1 지표를 계산할 수 있다. 또한, 교육 컨텐츠 추천 장치(1000)는 사용자의 학습 능력 정보에 기초하여, 풀이 컨텐츠 세트에 포함된 제2 풀이 컨텐츠가 사용자에게 제공되었을 때, 예상 교육 효과와 관련된 제2 지표를 계산할 수 있다.

본 출원의 일 실시예에 따른 교육 컨텐츠 추천 장치(1000)는 풀이 컨텐츠 세트 중에서 예측되는 교육 효과가 가장 큰 풀이 컨텐츠를 대상 풀이 컨텐츠로 선택할 수 있다. 예컨대, 제1 풀이 컨텐츠가 사용자에게 제공되었을 때 예상되는 교육 효과가 제1 지표로 계산되고, 제2 풀이 컨텐츠가 사용자에게 제공되었을 때 예상되는 교육 효과가 제2 지표로 계산된 경우, 교육 컨텐츠 추천 장치(1000)는 제1 지표와 제2 지표를 비교하여 대상 풀이 컨텐츠를 선택하도록 구현될 수 있다. 예컨대, 제1 지표가 제2 지표가 더 크게 계산되었다면, 교육 컨텐츠 추천 장치(1000)는 제1 풀이 컨텐츠를 대상 풀이 컨텐츠로 선택하도록 구현될 수 있다.

본 출원의 일 실시예에 따른 교육 컨텐츠 추천 장치(1000)는 선택된 대상 풀이 컨텐츠를 사용자 단말(100)로 송신할 수 있다. 구체적으로 교육 컨텐츠 추천 장치(1000)는, 송수신부(1100)를 통하여, 선택된 대상 풀이 컨텐츠를 사용자 단말(100)로 송신할 수 있다.

도 3은 본 출원의 제1 실시예에 따른 교육 컨텐츠 추천 방법의 순서도이다. 구체적으로 도 3은 본 출원의 제1 실시예에 따른 풀이 컨텐츠 추천 방법의 순서도이다. 본 출원의 제1 실시예에 따른 풀이 컨텐츠 추천 방법은 사용자의 검색 정보를 획득하는 단계(S1100), 문제 정보를 획득하는 단계(S1200), 문제 정보와 관련된 풀이 컨텐츠 세트를 획득하는 단계(S1300), 사용자의 학습 능력 정보를 계산하는 단계(S1400), 예상 교육 효과에 대한 지표를 계산하는 단계(S1500) 및 대상 풀이 컨텐츠를 선택하는 단계(S1600)를 포함할 수 있다.

사용자의 검색 정보를 획득하는 단계(S1100)에서는, 교육 컨텐츠 추천 장치(1000)는 사용자 단말(100)로부터 수신된 사용자의 검색 정보를 획득할 수 있다.

문제 정보를 획득하는 단계(S1200)에서는, 교육 컨텐츠 추천 장치(1000)는 검색 정보로부터 사용자가 검색한 문제를 나타내는 문제 정보를 획득할 수 있다. 여기서 문제 정보란, 사용자가 검색한 문제를 식별할 수 있는 임의의 정보를 포괄하는 의미일 수 있다.

문제 정보와 관련된 풀이 컨텐츠 세트를 획득하는 단계(S1300)에서는, 교육 컨텐츠 추천 장치(1000)는 문제 정보에 기초하여, 문제 정보에 대응되는 풀이 컨텐츠 세트를 데이터베이스로부터 획득할 수 있다. 풀이 컨텐츠 세트는 제1 풀이 컨텐츠 및 제2 풀이 컨텐츠를 포함하여 복수의 풀이 컨텐츠를 포함할 수 있다. 이때, 사용자별로 교육 효과가 증대될 것으로 예상되는 풀이 컨텐츠가 상이할 수 있다. 따라서, 본 출원의 일 실시예에 따른 교육 컨텐츠 추천 장치(1000)는 풀이 컨텐츠별로 예상 교육 효과를 정량화하고, 정량화된 지표를 비교하여 대상 풀이 컨텐츠로 선택함으로써 사용자에게 최적의 풀이 컨텐츠를 제공할 수 있다. 이때, 교육 컨텐츠 추천 장치(1000)는 대상 풀이 컨텐츠를 선택하는 데 사용자의 학습 능력 정보를 이용할 수 있다.

사용자의 학습 능력 정보를 계산하는 단계(S1400)에서는, 교육 컨텐츠 추천 장치(1000)는 사용자의 검색 정보에 기초하여 사용자의 학습 능력 정보를 계산할 수 있다. 보다 구체적으로 사용자의 학습 능력 정보를 계산하는 단계(S1400)에서는, 교육 컨텐츠 추천 장치(1000)는 사용자의 검색 정보에 기초하여 관련 있는 문제의 집합인 문제 세트를 획득할 수 있다. 또한, 교육 컨텐츠 추천 장치(1000)는 문제 세트 및 검색 정보에 기초하여 사용자의 학습 능력 정보를 정량화할 수 있다. 예컨대, 교육 컨텐츠 추천 장치(1000)는 문제 세트에 포함된 문제 중 사용자가 검색한 문제에 대하여는 제1 특징값을 할당하고, 문제 세트에 포함된 문제 중 사용자가 검색하지 않은 문제에 대하여는 제1 특징값과는 다른 제2 특징값을 할당함으로써 매트릭스(matrix)를 생성할 수 있다. 이때, 교육 컨텐츠 추천 장치(1000)는 생성된 매트릭스에 기초하여 사용자의 학습 능력 정보를 계산하도록 구현될 수 있다.

사용자의 학습 능력 정보를 계산하는 동작에 대하여는 도 8 내지 도 14에서 보다 구체적으로 후술한다.

대상 풀이 컨텐츠를 선택하는 단계(S1600)에서는, 교육 컨텐츠 추천 장치(1000)는 예상 교육 효과에 대한 지표에 기초하여 대상 풀이 컨텐츠를 선택할 수 있다. 구체적으로 교육 컨텐츠 추천 장치(1000)는 풀이 컨텐츠 세트 중 사용자에게 예측되는 교육 효과가 가장 높은 풀이 컨텐츠를 대상 풀이 컨텐츠로 선택할 수 있다. 예컨대, 다시 도 4를 참고하면, 제1 풀이 컨텐츠가 사용자에게 제공되었을 때 예상되는 교육 효과가 제1 지표로 계산되고 제2 풀이 컨텐츠가 사용자에게 제공되었을 때 예상되는 교육 효과가 제2 지표로 계산된 경우, 교육 컨텐츠 추천 장치(1000)는 제1 지표와 제2 지표를 비교하여 대상 풀이 컨텐츠를 선택하도록 구현될 수 있다. 특히 제1 지표가 제2 지표가 더 크게 계산되었다면, 교육 컨텐츠 추천 장치(1000)는 제1 풀이 컨텐츠를 대상 풀이 컨텐츠로 선택하도록 구현될 수 있다.

일 예로, 교육 컨텐츠 추천 장치(1000)는 풀이 컨텐츠가 사용자에게 제공되고 사용자가 풀이 컨텐츠를 소비한 이후의 사용자의 학습 능력을 예측하고 사용자의 예측된 학습 능력에 기초하여 대상 풀이 컨텐츠를 선택하도록 구성될 수 있다. 예컨대, 교육 컨텐츠 추천 장치(1000)는 풀이 컨텐츠가 사용자에게 제공되었을 때, 사용자가 나타낼 반응들(예컨대, 어떤 내용을 클릭하거나 등)의 확률들을 예측하고, 각각의 반응들에 기초하여 사용자의 학습 능력의 예측값을 계산하도록 구성될 수 있다. 이때, 교육 컨텐츠 추천 장치(1000)는 확률 및 예측값에 기초하여 풀이 컨텐츠 세트 중 가장 큰 기대값을 나타내는 풀이 컨텐츠를 대상 풀이 컨텐츠로 선택하도록 구현될 수 있다.

다만, 상술한 대상 풀이 컨텐츠를 선택하는 방법은 예시에 불과하며, 교육 컨텐츠 추천 장치(1000)는 사용자의 교육 데이터(예, 풀이 이력과 관련된 정보)에 기초하여 대상 풀이 컨텐츠를 선택하도록 구성될 수 있다. 예컨대, 사용자의 풀이 이력과 유사한 풀이 컨텐츠를 대상 풀이 컨텐츠로 선택하거나, 사용자의 풀이 이력과 상이한 풀이 컨텐츠를 대상 풀이 컨텐츠로 선택하도록 구현될 수 있다.

본 출원의 제1 실시예에 따르면, 복수의 풀이 컨텐츠 중에서 사용자의 예상 교육 효과가 가장 큰 풀이 컨텐츠가 대상 풀이 컨텐츠로 선택되도록 구현될 수 있기 때문에, 실력 향상에 가장 도움이 되는 풀이 컨텐츠가 사용자에게 제공될 수 있다.

이하에서는 도 5 내지 도 7을 참고하여 본 출원의 제2 실시예에 따른 사용자의 검색 정보에 기초하여 대상 웹페이지를 선택하는 교육 컨텐츠 추천 장치(1000)의 동작을 구체적으로 서술한다. 이하에서는 제1 실시예에서 추가되거나 변경되는 내용을 중심으로 서술한다. 또한, 이하에서는 제1 실시예에서 기재된 내용과 중복되는 내용은 생략될 수 있으며, 제1 실시예에서 서술한 내용이 유추적용될 수 있다.

본 출원의 제2 실시예에 따른 교육 컨텐츠 추천 장치(1000)는 사용자의 검색 정보에 기초하여 웹페이지를 추천하는 동작을 수행할 수 있다.

종래에는 사용자의 검색에 기초하여 페이지로 인입되는 링크의 개수에 따라 각 페이지에 점수를 산출하여 웹페이지를 추천하였다. 종래 기술에 따르면 검색과 관련된 복수의 페이지 중에서 가장 신뢰성이 높은 컨텐츠를 많이 포함하고 있는 웹페이지가 사용자에게 제공되었다. 다만, 종래 기술에 따르면 신뢰도가 높은 웹페이지는 사용자에게 교육적 효과가 없을 수 있다. 특히, 다양한 컨텐츠들이 포함된 각종 웹페이지에서 검색과 관련된 웹페이지를 선별하는 데에는 종래의 기술이 적합할 수 있다. 다만, 종래 기술은 이미 신뢰도가 확보된 교육 컨텐츠 안에서 교육적 효과를 최대화하는 컨텐츠를 선택하기에는 제약이 존재하는 실정이다. 따라서, 사용자의 지식 수준 정보(혹은 학습 능력 정보)를 고려하여 가장 큰 교육 효과를 제공할 수 있는 웹페이지를 선별하는 검색 엔진과 관련된 기술에 대한 연구가 요구되는 실정이다. 이하에서는 지식 수준 정보와 학습 능력 정보를 혼용하여 설명하기로 한다. 다만, 이는 설명의 편의를 위한 것일 뿐 용어의 차이에 따라 제한적으로 해석되지 않는다.

본 출원의 제2 실시예에 따른 교육 컨텐츠 추천 장치(1000)는 사용자의 검색 정보에 기초하여 사용자의 학습 능력 정보를 계산하고, 사용자의 학습 능력 정보에 기초하여 대상 웹페이지를 선택함으로써, 사용자의 검색 정보와 가장 연관성이 높으면서도 사용자에 대한 교육적 효과를 최대화할 수 있는 웹페이지를 사용자에게 제공할 수 있다.

이하에서는 도 5를 참고하여, 상술한 목적과 효과를 달성하기 위한 본 출원의 제2 실시예에 따른 교육 컨텐츠 추천 장치(1000)의 동작을 구체적으로 서술한다. 도 5는 본 출원의 제2 실시예에 따른 교육 컨텐츠 추천 장치(1000)의 동작을 나타낸 도면이다.

본 실시예에 따른 교육 컨텐츠 추천 장치(1000)는 사용자의 검색 정보를 획득할 수 있다. 여기서, 검색 정보는, 사용자의 검색 쿼리, 검색 쿼리로부터 유래된 임의의 유형의 정보 및/또는 사용자의 검색과 관련된 로그 데이터, 검색과 관련된 문제 식별 정보를 포괄하는 의미일 수 있다. 예컨대, 교육 컨텐츠 추천 장치(1000)는 사용자의 검색 쿼리를 획득하고, 획득된 검색 쿼리로부터 키워드를 추출하는 동작 또는 자연어 처리 동작을 통하여 검색 정보를 획득할 수 있다. 이때, 교육 컨텐츠 추천 장치(1000)는 검색 정보에 기초하여, 사용자의 학습 능력 정보를 산출하거나 데이터베이스로부터 후보 웹페이지 세트를 선별할 수 있다.

도 5에는 도시되지 않았으나, 본 실시예에 따른 교육 컨텐츠 추천 장치(1000)는 사용자의 문제 풀이 이력과 관련된 사용자의 문제에 대한 응답 정보 및/또는 정오답 정보를 획득할 수 있다.

본 실시예에 따른 교육 컨텐츠 추천 장치(1000)는 사용자의 학습 능력을 평가하거나 학습 능력을 정량화하는 동작을 수행할 수 있다. 구체적으로 교육 컨텐츠 추천 장치(1000)는 사용자의 검색 정보에 기초하여 사용자의 학습 능력을 정량화하여 사용자의 학습 능력 정보(혹은 지식 수준 정보, 이하에서는 학습 능력 정보의 용어로 설명)를 계산할 수 있다. 사용자의 학습 능력 정보를 계산하는 동작에 대하여는 도 8 내지 도 14에서 구체적으로 후술한다.

본 실시예에 따른 교육 컨텐츠 추천 장치(1000)는 데이터베이스로부터 후보 웹페이지 세트를 획득할 수 있다. 구체적으로 교육 컨텐츠 추천 장치(1000)는 사용자의 검색 정보에 기초하여, 사용자의 검색 정보와 관련성이 존재하는 적어도 하나의 웹페이지 세트를 데이터베이스로부터 획득하도록 구현될 수 있다.

본 실시예에 따른 교육 컨텐츠 추천 장치(1000)는 후보 웹페이지 세트 포함된 각각의 웹페이지가 사용자에게 제공되었을 때의 예상 교육 효과를 추정하거나 정량화할 수 있다. 구체적으로 교육 컨텐츠 추천 장치(1000)는 사용자의 학습 능력 정보에 기초하여 후보 웹페이지 세트에 포함된 각각의 웹페이지가 사용자에게 제공되었을 때의 예상 교육 효과를 추정하거나 정량화할 수 있다. 이때, 교육 컨텐츠 추천 장치(1000)는 웹페이지의 예상 교육 효과를 정량화하기 위하여 사용자 정보(예, 사용자의 학습 능력 정보), 웹페이지에 포함된 컨텐츠 및/또는 검색 정보를 이용할 수 있다. 예컨대, 교육 컨텐츠 추천 장치(1000)는 사용자의 학습 능력 정보에 기초하여, 후보 웹페이지 세트에 포함된 제1 웹페이지가 사용자에게 제공되었을 때, 예상 교육 효과와 관련된 제1 지표를 계산할 수 있다. 또한, 교육 컨텐츠 추천 장치(1000)는 사용자의 학습 능력 정보에 기초하여, 후보 웹페이지 세트에 포함된 제2 웹페이지가 사용자에게 제공되었을 때, 예상 교육 효과와 관련된 제2 지표를 계산할 수 있다.

본 실시예에 따른 교육 컨텐츠 추천 장치(1000)는 후보 웹페이지 세트 중에서 예측되는 교육 효과가 가장 큰 웹 페이지를 대상 웹페이지로 선택할 수 있다. 예컨대, 제1 웹 페이지가 사용자에게 제공되었을 때 예상되는 교육 효과가 제1 지표로 계산되고, 제2 웹 페이지가 사용자에게 제공되었을 때 예상되는 교육 효과가 제2 지표로 계산된 경우, 교육 컨텐츠 추천 장치(1000)는 제1 지표와 제2 지표를 비교하여 대상 웹페이지를 결정하도록 구현될 수 있다. 예컨대, 제1 지표가 제2 지표가 더 크게 계산되었다면, 교육 컨텐츠 추천 장치(1000)는 제1 웹페이지를 대상 웹페이지로 선택하도록 구현될 수 있다.

본 실시예에 따른 교육 컨텐츠 추천 장치(1000)는 선택된 대상 웹페이지를 사용자 단말(100)로 송신할 수 있다. 구체적으로 교육 컨텐츠 추천 장치(1000)는, 송수신부(1100)를 통하여, 선택된 대상 웹페이지를 사용자 단말(100)로 송신할 수 있다.

도 6은 본 출원의 제2 실시예에 따른 교육 컨텐츠 추천 방법의 순서도이다. 구체적으로 도 6은 본 출원의 제2 실시예에 따른 웹 페이지 추천 방법의 순서도이다. 본 출원의 제2 실시예에 따른 웹 페이지 추천 방법은, 사용자의 검색 정보를 획득하는 단계(S2100), 후보 웹페이지 세트를 획득하는 단계(S2200), 사용자의 학습 능력 정보를 계산하는 단계(S2300), 예상 교육 효과에 대한 지표를 계산하는 단계(S2400) 및 대상 웹페이지를 선택하는 단계(S2500)를 포함할 수 있다.

사용자의 검색 정보를 획득하는 단계(S2100)에서는, 교육 컨텐츠 추천 장치(1000)는 사용자 단말(100)로부터 수신된 사용자의 검색 정보를 획득할 수 있다. 구체적으로 교육 컨텐츠 추천 장치(1000)는 사용자 단말(100)로부터 수신된 사용자의 검색 쿼리로부터, 키워드를 추출하고 자연어 처리 프로세스를 통하여 사용자의 검색 정보를 획득할 수 있다. 다만 이는 예시에 불과하며, 사용자 단말(100)이 검색 쿼리로부터 키워드를 추출하고 자연어로 처리하여 검색 정보를 획득한 후 이를 교육 컨텐츠 추천 장치(1000)로 송신함으로써, 교육 컨텐츠 추천 장치(1000)가 검색 정보를 획득하도록 구현될 수 있다.

후보 웹페이지 세트를 획득하는 단계(S2200)에서는, 교육 컨텐츠 추천 장치(1000)는 데이터베이스로부터 후보 웹페이지 세트를 획득할 수 있다. 이때 후보 웹페이지 세트는 제1 웹페이지 및 제2 웹페이지를 포함하여 적어도 하나의 웹페이지를 포함할 수 있다. 구체적으로 교육 컨텐츠 추천 장치(1000)는 사용자의 검색 정보에 기초하여 데이터베이스로부터 후보 웹페이지 세트를 획득할 수 있다. 일 예로, 교육 컨텐츠 추천 장치(1000)는 사용자의 검색 정보와 관련성이 존재하는 웹페이지들을 선별하고, 선별된 웹페이지들을 후보 웹 페이지 세트로 획득할 수 있다. 예컨대, 교육 컨텐츠 추천 장치(1000)는 사용자의 검색 정보의 키워드와 관련된 정보가 존재하는 컨텐츠를 포함하는 웹페이지를 후보 웹페이지 세트로 획득하도록 구현될 수 있다.

사용자의 학습 능력 정보를 계산하는 단계(S2300)에서는, 교육 컨텐츠 추천 장치(1000)는 사용자의 검색 정보에 기초하여 사용자의 학습 능력 정보를 계산할 수 있다. 사용자의 학습 능력 정보를 계산하는 동작에 대하여는 도 8 내지 도 14에서 보다 구체적으로 후술한다.

도 7은 본 출원의 제2 실시예에 따라 교육 컨텐츠 추천 장치(1000)는 대상 웹페이지를 선택하는 양상을 나타낸 예시적인 도면이다.

대상 웹페이지를 선택하는 단계(S2500)에서는, 교육 컨텐츠 추천 장치(1000)는 예상 교육 효과에 대한 지표에 기초하여 대상 웹페이지를 선택할 수 있다. 구체적으로 교육 컨텐츠 추천 장치(1000)는 후보 웹페이지 세트 중 사용자에게 예측되는 교육 효과가 가장 높은 웹페이지를 대상 웹페이지로 선택할 수 있다. 예컨대, 다시 도 7을 참고하면, 제1 웹페이지가 사용자에게 제공되었을 때 예상되는 교육 효과가 제1 지표로 계산되고 제2 웹페이지가 사용자에게 제공되었을 때 예상되는 교육 효과가 제2 지표로 계산된 경우, 교육 컨텐츠 추천 장치(1000)는 제1 지표와 제2 지표를 비교하여 대상 웹페이지를 선택하도록 구현될 수 있다. 특히 제1 지표가 제2 지표가 더 크게 계산되었다면, 교육 컨텐츠 추천 장치(1000)는 제1 웹페이지를 대상 웹페이지로 선택하도록 구현될 수 있다.

일 예로, 교육 컨텐츠 추천 장치(1000)는 후보 웹페이지 세트에 포함된 웹 페이지가 사용자에게 제공되고 사용자가 웹 페이지를 소비한 이후의 사용자의 학습 능력(혹은 지식 수준)을 예측하고 사용자의 예측된 학습 능력에 기초하여 대상 웹페이지를 선택하도록 구성될 수 있다. 예컨대, 교육 컨텐츠 추천 장치(1000)는 웹 페이지가 사용자에게 제공되었을 때, 사용자가 나타낼 반응들(예컨대, 어떤 내용을 클릭하거나 등)의 확률들을 예측하고, 각각의 반응들에 기초하여 사용자의 학습 능력의 예측값을 계산하도록 구성될 수 있다. 이때, 교육 컨텐츠 추천 장치(1000)는 확률 및 예측값에 기초하여 후보 웹 페이지 세트 중 가장 큰 기대값을 나타내는 웹 페이지를 대상 웹 페이지로 선택하도록 구현될 수 있다.

본 출원의 제2 실시예에 따르면, 복수의 웹페이지 중에서 사용자의 예상 교육 효과가 가장 큰 컨텐츠가 포함된 웹페이지가 대상 웹페이지로 선택되도록 구현될 수 있다. 따라서, 사용자의 실력 향상에 가장 도움이 되는 웹페이지가 사용자에게 제공될 수 있다는 유리한 효과가 존재한다.

이하에서는 도 8 내지 도 14를 참고하여 제1 실시예와 S1400 단계와 제2 실시예의 S2300 단계에 공통적으로 적용될 수 있는 사용자의 학습 능력 정보를 계산하는 방법에 대하여 구체적으로 서술한다. 이하에서는 상술한 교육 컨텐츠 추천 장치(1000)가 사용자의 학습 능력을 평가한다는 의미에서 학습 능력 평가 장치(2000)로 지칭하기로 한다. 다만 이는 설명의 편의를 위한 것일 뿐 제한적으로 해석되지 않는다.

도 8은 본 출원의 일 실시예에 따른 사용자의 학습 능력 정보를 계산하는 방법을 도시한 순서도이다. 사용자의 학습 능력 정보를 계산하는 방법은, 대상 사용자의 검색 정보를 획득하는 단계(S3100), 검색 정보에 기초하여 학습 세트 정보를 획득하는 단계(S3200), 복수의 사용자의 검색 데이터베이스를 획득하는 단계(S3300), 검색 정보에 기초하여 특징값을 할당하는 단계(S3400), 제1 매트릭스를 생성하는 단계(S3500), 제1 매트릭스를 변환하여 제2 매트릭스를 생성하는 단계(S3600) 및 대상 사용자의 학습 능력 점수를 계산하는 단계(S3700)를 포함할 수 있다.

대상 사용자의 검색 정보를 획득하는 단계(S3100)에서는, 학습 능력 평가 장치(2000)는 사용자 단말(100)로부터 수신된 대상 사용자의 검색 정보를 획득할 수 있다. 혹은 학습 능력 평가 장치(2000)는 사용자 단말(100)로부터 수신된 데이터로부터 대상 사용자의 검색 정보를 획득할 수 있다. 전술한 바와 같이 검색 정보는 사용자의 검색과 관련된 로그 데이터, 검색과 관련된 문제 식별 정보, 검색 쿼리 및 검색 쿼리로부터 유래된 임의의 유형의 정보를 포괄하는 의미일 수 있다. 또한 로그 데이터는 대상 사용자가 특정 문제를 쿼리한 시간 데이터, 검색 결과를 열람한 시간 데이터를 포함할 수 있다.

검색 정보에 기초하여 학습 세트 정보를 획득하는 단계(S3200)에서는, 학습 능력 평가 장치(2000)는 검색 정보에 기초하여 학습 세트 정보를 획득할 수 있다. 구체적으로 학습 능력 평가 장치(2000)는 로그 데이터 및 문제 식별 정보에 기초하여 학습 세트 정보를 획득할 수 있다. 예컨대, 학습 능력 평가 장치(2000)는 로그 데이터의 시간 데이터 및 문제 식별 정보에 기초하여 미리 결정된 제1 기간 동안 검색이 수행된 문제에 대한 정보를 획득할 수 있다. 여기서, 제1 기간 동안 검색이 수행된 문제들이 서로 연관성이 높은 문제들일 가능성이 높다. 특히, 공통된 학습 세트일 가능성이 높을 수 있다. 따라서, 학습 능력 평가 장치(2000)는 제1 기간 동안 검색이 수행된 문제 정보에 기초하여 학습 세트 정보를 획득할 수 있다.

한편, 도 8에서는 도시하지 않았지만, 본 출원의 일 실시예에 따른 학습 능력 평가 장치(2000)는 검색 정보에 기초하여 대상 사용자가 문제를 이해하고 있는지 예측할 수 있다. 예컨대, 검색 정보의 로그 데이터에 기초하여 대상 사용자가 검색한 문제를 이해하고 있는지 예측할 수 있다. 구체적으로 대상 사용자가 검색 결과를 열람한 열람 시간 데이터가 미리 결정된 시간보다 작은 경우, 대상 사용자가 검색한 문제에 대하여는 이해를 하고 있을 가능성이 높을 수 있다. 반면, 대상 사용자가 검색 결과를 열람한 열람 시간 데이터가 미리 결정된 시간보다 큰 경우, 대상 사용자가 검색한 문제에 대하여는 이해를 못하고 있었을 가능성이 높을 수 있다. 따라서, 본 출원의 일 실시예에 따른 학습 능력 평가 장치(2000)는 로그 데이터에 기초하여 대상 사용자의 문제에 대한 이해도를 예측하거나 정량화할 수 있다.

또한, 본 출원의 일 실시예에 따른 학습 능력 평가 장치(2000)는 검색 정보에 기초하여 문제 간 관계를 파악할 수 있다. 예컨대, 학습 능력 평가 장치(2000)는 로그 데이터로부터 문제별 검색 시간 정보를 획득할 수 있다. 학습 능력 평가 장치(2000)는 문제별 검색 시간 정보에 기초하여 문제 간 관계를 파악하도록 구성될 수 있다. 예컨대, 전술한 바 같이, 미리 결정된 제1 기간 동안 검색이 수행된 문제들은 공통의 학습 세트를 구성할 가능성이 높을 수 있다. 학습 능력 평가 장치(2000)는 미리 결정된 제1 기간 동안 검색이 수행된 문제들을 학습 세트 정보로 획득할 수 있다. 또한, 제1 문제가 검색되고 제2 문제가 검색되는 비율이, 제2 문제가 검색되고 제1 문제가 검색되는 비율보다 높은 경우, 제1 문제가 제2 문제보다 선행하여 학습되어야 할 가능성이 높을 수 있다. 따라서, 본 출원의 일 실시예에 따른 학습 능력 평가 장치(2000)는 검색 정보의 로그 데이터에 기초하여 제1 문제와 제2 문제 중에서 선행 학습 문제가 무엇인지와 관련된 정보를 계산할 수 있다.

검색 데이터베이스를 획득하는 단계(S3300)에서는, 학습 능력 평가 장치(2000)는 학습 세트 정보에 기초하여 복수의 사용자의 검색 데이터베이스를 획득할 수 있다. 구체적으로 검색 데이터베이스는 학습 세트 정보에 포함된 문제 정보에 기초하여 획득될 수 있다. 예컨대, 학습 세트 정보에 제1 문제가 포함된 경우에는 학습 능력 평가 장치(2000)는 제1 문제의 식별 정보에 기초하여 제1 문제에 대한 복수의 사용자들의 검색 정보가 포함된 검색 데이터베이스를 획득할 수 있다. 여기서, 검색 데이터베이스는 복수의 사용자 각각의 식별 정보를 포함할 수 있다. 또한, 검색 데이터베이스는 복수의 사용자 각각의 검색 정보에 기초하여 학습 세트 정보에 포함된 문제에 대한 검색 여부에 따라 할당된 기준값에 대한 정보를 포함할 수 있다. 예컨대, 제1 사용자가 학습 세트 정보에 포함된 제1 문제에 대하여 검색을 수행한 이력이 있다면, 검색 데이터베이스는 제1 문제에 대한 식별 정보 및 제1 문제에 대하여 제1 값이 부여된 기준값에 대한 정보를 포함할 수 있다. 다른 예를 들어, 제1 사용자가 학습 세트 정보에 포함된 제2 문제에 대하여 검색을 수행하지 않았다면, 검색 데이터베이스는 제2 문제에 대한 식별 정보 및 제2 문제에 대하여 제2 값이 부여된 기준값에 대한 정보를 포함할 수 있다. 한편, 제2 사용자가 학습 세트 정보에 포함된 제1 문제에 대하여 검색을 수행하지 않았다면, 검색 데이터베이스는 제1 문제에 대한 식별 정보 및 제1 문제에 대하여 제2 값이 부여된 기준값에 대한 정보를 포함할 수 있다. 다른 예를 들어, 제2 사용자가 학습 세트 정보에 포함된 제2 문제에 대하여 검색을 수행하였다면, 검색 데이터베이스는 제2 문제에 대한 식별 정보 및 제2 문제에 대하여 제1 값이 부여된 기준값에 대한 정보를 포함할 수 있다. 이때, 제1 값과 제2 값은 상이할 수 있다. 다시 말해, 검색 데이터베이스는, 사용자 식별 정보 및 상기 학습 세트 정보에 포함된 문제에 대한 사용자의 검색 여부에 따라 할당된 기준값에 대한 정보를 포함할 수 있다.

추가적으로 학습 세트 정보에 포함된 문제에 대한 검색 여부가 확인되지 않는 경우가 존재할 수 있다. 이때, 검색 데이터베이스는 검색 여부가 확인되지 않는 학습 세트 정보의 문제들에 대하여는 제1 값 및 제2 값과는 상이한 제3 값을 기준값으로 할당할 수 있다.

검색 정보에 기초하여 특징값을 할당하는 단계(S3400)에서는, 학습 능력 평가 장치(2000)는 대상 사용자의 검색 정보에 기초하여 학습 세트 정보에 포함된 문제 각각에 대하여, 대상 사용자의 검색 여부에 따라 특징값을 할당할 수 있다.

도 9 및 도 10을 참고한다. 도 9는 본 실시예에 따른 검색 정보에 기초하여 특징값을 할당하는 단계(S3400)를 구체화한 순서도이다. 도 10은 본 실시예에 따른 검색 정보에 기초하여 특징값을 할당하는 일 양상을 나타낸 도면이다.

검색 정보에 기초하여 특징값을 할당하는 단계(S3400)는 대상 사용자가 검색한 제1 문제군에 대하여는 제1 값을 할당하는 단계(S3410) 및 대상 사용자가 검색하지 않은 제2 문제군에 대하여는 제2 값을 할당하는 단계(S3420)를 포함할 수 있다.

대상 사용자가 검색한 제1 문제군에 대하여는 제1 값을 할당하는 단계(S3410)에서는, 학습 능력 평가 장치(2000)는 대상 사용자의 검색 정보에 기초하여 학습 세트 정보에 포함된 문제들 중 대상 사용자가 검색한 제1 문제군에 대하여는 제1 값(도 10의 A)으로 특징값을 할당할 수 있다. 구체적으로, 학습 세트 정보에 포함된 문제들 중 제1 문제 및 제N 문제를 포함하는 제1 문제군에 대하여는 대상 사용자가 검색을 수행하였다고 가정한다. 이때, 학습 능력 평가 장치(2000)는 대상 사용자의 검색 정보로부터 대상 사용자가 제1 문제 및 제N 문제를 포함하는 제1 문제군에 대하여 검색을 수행하였다는 정보를 인식할 수 있으며, 제1 문제 및 제N 문제를 포함하여 제1 문제군에 속한 문제들 각각에 대하여 제1 값으로 특징값을 할당할 수 있다.

대상 사용자가 검색하지 않은 제2 문제군에 대하여는 제2 값을 할당하는 단계(S3410)에서는, 학습 능력 평가 장치(2000)는 대상 사용자의 검색 정보에 기초하여 학습 세트 정보에 포함된 문제들 중 대상 사용자가 검색하지 않은 제2 문제군에 대하여는 제2 값(도 10의 B)으로 특징값을 할당할 수 있다. 구체적으로, 학습 세트 정보에 포함된 문제들 중 제2 문제 및 제N-1 문제를 포함하는 제2 문제군에 대하여는 대상 사용자가 검색을 수행하지 않았다고 가정한다. 이때, 학습 능력 평가 장치(2000)는 대상 사용자의 검색 정보로부터 대상 사용자가 제2 문제 및 제N-1 문제를 포함하는 제2 문제군에 대하여 검색을 수행하지 않았다는 정보를 인식할 수 있으며, 제2 문제 및 제N-1 문제를 포함하여 제2 문제군에 속한 문제들 각각에 대하여 제2 값으로 특징값을 할당할 수 있다.

제1 매트릭스를 생성하는 단계(S3500)에서는, 학습 능력 평가 장치(2000)는 검색 데이터베이스의 기준값 및 대상 사용자와 관련된 특징값에 기초하여 제1 매트릭스를 생성할 수 있다. 구체적으로 학습 능력 평가 장치(2000)는 학습 세트 정보에 포함된 문제들에 대한 대상 사용자의 검색 여부에 따라 할당된 특징값과 학습 세트 정보에 포함된 문제들에 대한 복수의 사용자의 검색 여부에 따라 할당된 기준값에 기초하여 제1 매트릭스를 생성할 수 있다.

도 11을 참고한다. 도 11은 본 실시예에 따라 생성된 제1 매트릭스 및 제2 매트릭스의 일 양상을 나타낸 도면이다. 예컨대, 대상 사용자의 특징값과 검색 데이터베이스의 기준값에 기초하여 생성된 제1 매트릭스는 사용자 식별 정보를 행(또는 열)로 하고 문제 식별 정보를 열(또는 행)으로 하며 특징값과 기준값이 성분으로 구성된 매트릭스(matrix)일 수 있다.

제1 매트릭스를 변환하여 제2 매트릭스를 생성하는 단계(S3600)에서는, 학습 능력 평가 장치(2000)는 제1 매트릭스를 변환하여 제2 매트릭스를 획득할 수 있다. 예컨대, 학습 능력 평가 장치(2000)는 블록 컴프레싱(block compressing) 기법을 이용하여 제1 매트릭스의 값들을 변환할 수 있다. 블록 컴프레싱(block compressing) 기법을 이용하면 제1 매트릭스에 포함된 기준값과 특징값의 유사성에 기초하여 제1 매트릭스가 제2 매트릭스로 변환될 수 있다. 좀 더 구체적으로 블록 컴프레싱(block compressing) 기법을 이용하면 제1 매트릭스에 포함된 기준값과 특징값이 같은 성분들끼리 군집화될 수 있다.

예컨대, 도 11을 다시 참고하면, 제1 매트릭스를 변환하여 제2 매트릭스가 생성될 수 있으며, 이때, 제2 매트릭스는 대상 사용자의 성분과 동일한 성분을 갖는 기준값과 관련된 성분들이 군집화될 수 있다. 좀 더 구체적으로 제2 매트릭스는 대상 사용자가 제1 값(예, A)을 특징값으로 갖는 성분으로 하는 문제들(예, 문제 1, 문제 i, 문제 j)에 대하여 대상 사용자와 동일한 제1 값을 갖는 기준값을 갖는 성분들이 군집화될 수 있다.

대상 사용자의 학습 능력 점수를 계산하는 단계(S3700)에서는, 학습 능력 평가 장치(2000)는 제2 매트릭스에 기초하여 대상 사용자의 학습 능력 점수를 계산할 수 있다. 구체적으로 제2 매트릭스는 대상 사용자와 복수의 사용자들이 학습 세트 정보에 포함된 문제들에 대한 검색 여부에 대한 정보를 내포하고 있다. 예컨대, 사용자가 문제에 대하여 검색을 하였다는 것은 검색한 문제에 대하여 완전히 알지 못한다는 것을 의미할 가능성이 높다. 반면 사용자가 문제에 대하여 검색을 하지 않았다는 것은 해당 문제에 대하여는 알고 있을 가능성이 높다는 것을 의미할 수 있다. 따라서, 본 실시예에 따른 학습 능력 평가 장치(2000)는 제2 매트릭스에 기초하여 대상 사용자의 학습 능력 점수를 계산함으로써, 대상 사용자의 학습 능력 정보를 정량화할 수 있다.

이하에서는 도 12 내지 도 14를 참고하여, 본 실시예에 따른 학습 능력 평가 장치(2000)가 대상 사용자의 학습 능력 점수를 계산하는 방법에 대하여 구체적으로 서술한다.

도 12는 본 출원의 일 실시예에 따른 대상 사용자의 학습 능력 점수를 계산하는 방법을 구체화한 순서도이다. 본 실시예에 따른 대상 사용자의 학습 능력 점수를 계산하는 단계는, 대상 사용자의 복수의 사용자에 대한 상대적인 실력을 나타내는 비교 정보를 획득하는 단계(S3710) 및 비교 정보에 기초하여 대상 사용자의 학습 능력 점수를 계산하는 단계(S3720)를 포함할 수 있다.

대상 사용자의 복수의 사용자에 대한 상대적인 실력을 나타내는 비교 정보를 획득하는 단계(S3710)에서는, 학습 능력 평가 장치(2000)는 제2 매트릭스에 기초하여 비교 정보를 획득할 수 있다. 일 예로, 학습 능력 평가 장치(2000)는 학습된 신경망 모델을 통하여 비교 정보를 획득할 수 있다.

본 실시예에 따르면, 대상 사용자의 학습 능력 점수를 계산하기 위한 방법은 신경망 모델을 이용할 수 있다. 구체적으로 신경망 모델은 기계학습 모델로 제공될 수 있다. 기계학습 모델의 대표적인 예로는, 인공 신경망(Artificial Neural Network)이 있을 수 있다. 구체적으로 인공 신경망의 대표적인 예로는 데이터를 입력받는 입력 레이어, 결과를 출력하는 출력 레이어 및 입력 레이어와 출력 레이어 사이에서 데이터를 처리하는 히든 레이어(hidden layer)를 포함하는 딥 러닝 계열의 인공 신경망이 있다. 인공 신경망의 세부적인 예시들로는, 합성곱 인공 신경망(Convolution Neural Network), 순환신경망(Recurrent Neural Network), 심층신경망(Deep Neural Network), 생산적 적대 신경망(Generative Adversarial Network) 등이 있으며, 본 명세서에서 인공 신경망은 상술된 인공 신경망, 그 외의 다양한 형태의 인공 신경망 및 이들이 조합된 형태의 인공 신경망을 모두 포함하는 포괄적인 의미로 해석되어야 하며, 반드시 딥 러닝 계열이어야만 하는 것도 아니다.

뿐만 아니라, 기계학습 모델이 반드시 인공 신경망 모델 형태이어야만 하는 것은 아니며, 이외에도 최근접 이웃 알고리즘(KNN), 랜덤 포레스트(RandomForest), 서포트 벡터 머신(SVM), 주성분분석법(PCA) 등이 포함될 수 있다. 혹은 이상에서 언급된 기법들이 앙상블된 형태나 그 외에 다양한 방식으로 조합된 형태까지도 전부 포함할 수 있다. 한편, 인공 신경망을 중심으로 언급되는 실시예들에서 특별한 언급이 없는 한 인공 신경망이 다른 기계학습 모델로 대체될 수 있음을 미리 밝혀둔다.

나아가, 본 명세서에서 대상 사용자의 비교 정보를 획득하는 알고리즘이 반드시 기계학습 모델로 한정되는 것은 아니다. 즉, 대상 사용자의 비교 정보를 획득하는 알고리즘은 기계학습 모델이 아닌 다양한 판단/결정 알고리즘이 포함될 수도 있다. 따라서, 본 명세서에서 대상 사용자의 비교 정보를 획득하는 알고리즘은 대상 사용자의 입력 데이터를 이용하여 비교 정보를 획득하는 모든 형태의 알고리즘을 모두 포함하는 포괄적인 의미로 이해되어야 함을 밝혀 둔다.

다시 도 13을 참고하면, 본 실시예에 따른 대상 사용자의 비교 정보를 획득하는 신경망 모델은 학습 데이터를 입력 받고 출력 데이터를 출력하도록 구성될 수 있다.

여기서 학습 데이터는 임의의 사용자들(예, 사용자 i, 사용자 j)의 점수 정보를 포함할 수 있다. 구체적으로 임의의 사용자들의 점수 정보는 산출하고자 하는 대상 사용자의 학습 능력 정보의 교육 시스템과는 다른 교육 시스템에 대한 정보일 수 있다. 일 예로, 산출하고자 하는 대상 사용자의 학습 능력 점수는 제1 교육 시스템(예, SAT, Scholastic Aptitude Test)와 관련된 정보일 수 있다. 반면, 신경망 모델을 학습시키기 위하여 이용되는 학습 데이터는 제1 교육 시스템(예, SAT)과는 다른 제2 교육 시스템(예, 토익)과 관련된 정보일 수 있다. 본 실시예에 따르면, 제1 교육 시스템에 대한 사용자들의 교육 데이터에 기초하여, 제2 교육 시스템에 대한 대상 사용자의 학습 능력 정보를 획득할 수 있다. 특히 제2 교육 시스템에 대하여 대상 사용자의 검색 정보만이 존재하는 경우에도, 제1 교육 시스템에 대한 사용자의 교육 데이터에 기초하여 제2 교육 시스템에서의 대상 사용자의 학습 능력 정보를 계산할 수 있다.

또한, 학습 데이터는 임의의 사용자(예, 사용자 i, 사용자 j)의 응답 정보 및/또는 정오답 정보를 포함할 수 있다. 구체적으로 학습 데이터는 임의의 사용자들 간의 응답 비교 정보를 포함할 수 있다. 응답 비교 정보는 사용자 i와 사용자 j가 모두 맞춘 문제의 수(TT), 사용자 i만 맞춘 문제의 수(TF), 사용자 j만 맞춘 문제의 수(FT) 및 사용자 i와 사용자 j가 모두 틀린 문제의 수(FF)와 관련된 정보를 포함할 수 있다. 다만, 응답 비교 정보는 완전히 동일한 문제에 대한 응답 비교 정보뿐만 아니라, 미리 설정된 범위 내에 유사성을 가지는 문제들에 대한 응답 비교 정보를 포함할 수 있다. 예를 들어, 사용자 i가 제1 문제를 풀고 사용자 j가 제2 문제를 풀었지만, 제 문제와 제2 문제가 미리 설정된 범위 내의 유사성을 가져 비슷한 난이도 또는 유형이라고 판단되는 경우, 이를 동일한 문제를 풀이한 것으로 간주하고 응답 비교 정보에 반영할 수 있다.

본 실시예에 따른 신경망 모델은 입력 레이어를 통하여 학습 데이터를 입력 받고 출력 레이어를 통하여 출력 데이터를 출력하도록 구성된다. 이때, 신경망 모델은 출력 데이터와 레이블 정보가 최소화되도록 신경망 모델에 포함된 적어도 하나의 노드의 파라미터를 조절하는 동작을 반복적으로 수행함으로써 학습될 수 있다. 여기서, 레이블 정보는 사용자들 간의 상대적인 실력을 나타내는 정보일 수 있다. 일 예로, 사용자 i의 상대적인 실력을 나타내는 레이블 정보는, 사용자 i와 사용자 j가 모두 맞춘 문제의 수(TT)/(사용자 i와 사용자 j가 모두 맞춘 문제의 수(TT) + 사용자 j만 맞춘 문제의 수(FT))와 관련된 정보일 수 있다. 예컨대, 사용자 i과 사용자 j가 모두 맞춘 문제 수가 90개, 사용자 i만 맞춘 문제 수가 10개, 사용자 j만 맞춘 문제 수가 110개, 둘 다 틀린 문제 수가 40개이라고 가정하자. 이때 사용자 i는 사용자 j가 올바르게 응답한 200개의 문제 중 45%({(90/(90+110)} * 100)에 올바르게 응답했고, 사용자 j는 사용자 i가 올바르게 응답한 100개의 문제 중 90% ({(90/(90+10)} * 100)에 올바르게 응답했음을 알 수 있다. 즉, 사용자 j의 지식이 사용자 i의 지식을 포함하는 것을 의미할 수 있으며, 결과적으로 레이블 정보를 통하여 사용자 j가 사용자 i보다 상대적으로 높은 실력을 가짐을 나타내는 상대적인 실력 정보를 획득할 수 있다.

상술한 학습 프로세스를 통하여 신경망 모델은 학습 데이터에 기초하여 출력 레이어를 통하여 출력되는 출력 데이터가 레이블 정보에 근접해지도록 학습될 수 있다.

도 14는 본 출원의 일 실시예에 따라 학습된 신경망 모델을 통하여 대상 사용자의 비교 정보 및 학습 능력 점수를 획득하는 일 양상을 나타낸 도면이다. 학습 능력 평가 장치(2000)는 제2 매트릭스로부터 입력 데이터를 획득할 수 있다. 여기서 입력 데이터는 도 13과 관련하여 상술한 대상 사용자와 임의의 사용자 간의 응답 비교 정보와 유사한 형태일 수 있다. 구체적으로 입력 데이터는 대상 사용자의 검색 정보 및 검색 데이터베이스의 검색 정보에 기초하여 획득될 수 있다. 전술한 바와 같이 학습 세트 정보에 포함된 문제 중 대상 사용자(혹은 복수의 사용자)가 검색한 문제(예, 특징값으로 A가 할당된 문제)는 해당 문제에 대하여 모르고 있을 가능성이 높기 때문에 응답 비교 정보의 틀린 문제 수로 대응되어 입력 데이터가 획득될 수 있다. 반면, 학습 세트 정보에 포함된 문제 중 대상 사용자(혹은 복수의 사용자)가 검색하지 않은 문제(예, 특징값으로 B가 할당된 문제)는 해당 문제에 대하여 알고 있을 가능성이 높기 때문에 응답 비교 정보의 맞춘 문제 수로 대응되어 입력 데이터가 획득될 수 있다.

한편, 입력 데이터에 포함된 복수의 사용자는 대상 사용자와 검색한 문제가 상대적으로 많이 겹치는 사용자일 수 있다. 예컨대, 입력 데이터에 포함된 복수의 사용자는 제2 매트릭스 상에서 대상 사용자와 군집화된 사용자 중 적어도 하나일 수 있다.

학습 능력 평가 장치(2000)는 입력 데이터를 학습된 신경망 모델로 입력하고, 학습된 신경망 모델을 통하여 출력되는 비교 정보를 획득할 수 있다. 신경망 모델은 출력 레이어를 통하여 레이블 정보에 근접하는 값을 출력하도록 학습되었기 때문에, 학습된 신경망 모델은 대상 사용자의 복수의 사용자들에 대한 상대적인 실력과 관련된 비교 정보를 출력할 수 있다. 따라서, 본 실시예에 따른 학습 능력 평가 장치(2000)는 학습된 신경망 모델을 통하여 비교 정보를 획득할 수 있다. 또한, 비교 정보는 대상 사용자와 임의의 사용자에 대한 상대적인 학습 능력에 대한 지표이기 때문에, 학습 능력 평가 장치(2000)는 대상 사용자와 적어도 하나의 사용자 간의 비교 정보를 획득하여 대상 사용자의 상대적인 실력을 학습 능력 점수로 수치화할 수 있다

비교 정보에 기초하여 대상 사용자의 학습 능력 점수를 계산하는 단계(S3720)에서는, 학습 능력 평가 장치(2000)는 학습된 신경망 모델을 통하여 획득된 비교 정보에 기초하여 대상 사용자의 학습 능력 점수를 계산할 수 있다. 여기서 대상 사용자의 학습 능력 점수는 공인 시험과 관련된 점수 등을 포함하여 복수의 사용자에 대한 대상 사용자의 상대적인 실력을 나타낼 수 있는 임의의 형태의 수치를 포괄하는 의미일 수 있다.

한편, 도 12 내지 도 14에서는 학습 데이터에 기초하여 비교 정보를 출력하도록 신경망 모델을 학습시키는 내용을 중심으로 서술하였다. 다만, 이는 예시에 불과하며, 대상 사용자의 학습 능력 점수를 출력하도록 제2 신경망 모델이 학습될 수 있을 것이다. 예컨대, 제2 신경망 모델은 사용자 j의 점수와 응답 비교 정보를 입력 받고 사용자 i의 점수를 레이블 정보로 하여 출력 데이터가 레이블 정보에 근접되도록 학습될 수 있다. 이때, 학습 능력 평가 장치(2000)는 학습된 제2 신경망 모델을 통하여 대상 사용자의 학습 능력 점수를 획득하도록 구현될 수 있을 것이다.

본 출원의 일 실시예에 따른 교육 컨텐츠 추천 장치(1000)(또는 학습 능력 평가 장치(2000))는 사용자의 검색 정보에 기초하여 사용자의 학습 능력 정보를 정량화할 수 있다. 특히, 사용자의 검색 정보만을 이용하여도 사용자의 상대적인 학습 능력 정보를 산출할 수 있다는 유리한 효과가 제공될 수 있다.

또한, 본 출원의 일 실시예에 따른 교육 컨텐츠 추천 장치(1000)(또는 학습 능력 평가 장치(2000))는 사용자의 검색 정보에 기초하여 사용자에게 예상 교육 효과가 최대화되는 교육 컨텐츠(예, 웹페이지, 풀이 정보)를 사용자에게 제공할 수 있다.

상술한 교육 컨텐츠 추천 장치(1000)(또는 학습 능력 평가 장치(2000))의 다양한 동작들은 교육 컨텐츠 추천 장치(1000)의 메모리(12000)에 저장될 수 있으며, 교육 컨텐츠 추천 장치(1000)의 컨트롤러(1300)는 메모리(1200)에 저장된 동작들을 수행하도록 제공될 수 있다.

이상에서 실시 형태들에 설명된 특징, 구조, 효과 등은 본 발명의 적어도 하나의 실시 형태에 포함되며, 반드시 하나의 실시 형태에만 한정되는 것은 아니다. 나아가, 각 실시 형태에서 예시된 특징, 구조, 효과 등은 실시 형태들이 속하는 분야의 통상의 지식을 가지는 자에 의해 다른 실시 형태들에 대해서도 조합 또는 변형되어 실시 가능하다. 따라서 이러한 조합과 변형에 관계된 내용들은 본 발명의 범위에 포함되는 것으로 해석되어야 할 것이다.

또한, 이상에서 실시 형태를 중심으로 설명하였으나 이는 단지 예시일 뿐 본 발명을 한정하는 것이 아니며, 본 발명이 속하는 분야의 통상의 지식을 가진 자라면 본 실시 형태의 본질적인 특성을 벗어나지 않는 범위에서 이상에 예시되지 않은 여러 가지의 변형과 응용이 가능함을 알 수 있을 것이다. 즉, 실시 형태에 구체적으로 나타난 각 구성 요소는 변형하여 실시할 수 있는 것이다. 그리고 이러한 변형과 응용에 관계된 차이점들은 첨부된 청구 범위에서 규정하는 본 발명의 범위에 포함되는 것으로 해석되어야 할 것이다.

Claims

사용자의 검색 정보를 분석하는 장치가 교육 컨텐츠를 추천하는 방법에 있어서,

사용자의 검색 정보를 획득하는 단계;

상기 검색 정보에 기초하여 검색된 문제 정보를 추출하는 단계;

상기 문제 정보와 관련된 풀이 컨텐츠 세트를 획득하는 단계-상기 풀이 컨텐츠 세트는 제1 풀이 정보 및 제2 풀이 정보를 포함함-;

상기 검색 정보에 기초하여 사용자의 학습 능력 정보를 산출하는 단계;

상기 학습 능력 정보 및 상기 풀이 컨텐츠 세트에 기초하여, 예상 교육 효과와 관련된 지표를 계산하는 단계;

상기 지표에 기초하여 상기 풀이 컨텐츠 세트 중에서 대상 풀이 컨텐츠를 선택하는 단계; 및

상기 대상 풀이 컨텐츠를 송신하는 단계;를 포함하는,

교육 컨텐츠 추천 방법.
제1 항에 있어서,

상기 검색 정보는,

검색한 시간 데이터와 검색 결과의 열람 시간 데이터를 포함하는 로그 데이터를 포함하는,

교육 컨텐츠 추천 방법.
제2 항에 있어서,

상기 학습 능력 정보를 계산하는 단계는,

상기 로그 데이터 및 상기 문제 정보에 기초하여 학습 세트 정보를 획득하는 단계; 및

상기 학습 세트 정보에 포함된 문제들에 대한 검색 여부에 기초하여 상기 학습 능력 정보를 계산하는 단계를 더 포함하는,

교육 컨텐츠 추천 방법.
제3 항에 있어서,

상기 학습 세트 정보를 획득하는 단계는,

상기 로그 데이터의 시간 데이터 및 상기 문제 정보에 기초하여 제1 기간 동안 검색이 수행된 문제 정보를 획득하는 단계; 및

상기 문제 정보에 기초하여 상기 학습 세트 정보를 획득하는 단계를 더 포함하는,

교육 컨텐츠 추천 방법.
제1 항에 있어서,

상기 지표를 계산하는 단계는,

상기 학습 능력 정보 및 상기 제1 풀이 정보에 기초하여, 상기 제1 풀이 정보가 사용자에게 제공되었을 때의 예상 교육 효과와 관련된 제1 지표를 획득하는 단계; 및

상기 학습 능력 정보 및 상기 제2 풀이 정보에 기초하여, 상기 제2 풀이 정보가 사용자에게 제공되었을 때의 예상 교육 효과와 관련된 제2 지표를 획득하는 단계;를 더 포함하는,

교육 컨텐츠 추천 방법.
제5 항에 있어서,

상기 대상 풀이 컨텐츠를 선택하는 단계는,

상기 제1 지표 및 상기 제2 지표를 비교하여 더 큰 값으로 계산된 풀이 정보를 상기 대상 풀이 컨텐츠로 결정하는 단계를 더 포함하는,

교육 컨텐츠 추천 방법.
사용자의 검색 정보를 분석하는 장치가 교육 컨텐츠를 추천하는 방법에 있어서,

사용자의 검색 정보를 획득하는 단계;

상기 검색 정보에 기초하여 후보 웹페이지 세트를 획득하는 단계-상기 후보 웹페이지 세트는 제1 웹페이지 및 제2 웹페이지를 포함함-;

상기 검색 정보에 기초하여 사용자의 지식 수준 정보를 계산하는 단계;

상기 지식 수준 정보 및 상기 제1 웹페이지에 포함된 제1 컨텐츠 정보에 기초하여 상기 제1 웹페이지가 상기 사용자에게 제공되었을 때의 예상 교육 효과와 관련된 제1 지표를 계산하는 단계;

상기 지식 수준 정보 및 상기 제2 웹페이지에 포함된 제2 컨텐츠 정보에 기초하여 상기 제2 웹페이지가 상기 사용자에게 제공되었을 때의 예상 교육 효과와 관련된 제2 지표를 계산하는 단계;

상기 제1 지표 및 상기 제2 지표에 기초하여 대상 웹 페이지를 선택하는 단계; 및

상기 대상 웹페이지를 송신하는 단계를 포함하는,

교육 컨텐츠 추천 방법.
제7 항에 있어서,

상기 검색 정보는,

검색한 시간 데이터와 검색 결과의 열람 시간 데이터를 포함하는 로그 데이터 및 검색한 문제를 나타내는 문제 식별 정보를 포함하는,

교육 컨텐츠 추천 방법.
제8 항에 있어서,

상기 지식 수준 정보를 계산하는 단계는,

상기 로그 데이터 및 상기 문제 식별 정보에 기초하여 학습 세트 정보를 획득하는 단계; 및

상기 학습 세트 정보에 포함된 문제들에 대한 검색 여부에 기초하여 상기 지식 수준 정보를 계산하는 단계를 더 포함하는,

교육 컨텐츠 추천 방법.
제9 항에 있어서,

상기 학습 세트 정보를 획득하는 단계는,

상기 로그 데이터의 시간 데이터 및 상기 문제 식별 정보에 기초하여 제1 기간 동안 검색이 수행된 문제 정보를 획득하는 단계; 및

상기 문제 정보에 기초하여 상기 학습 세트 정보를 획득하는 단계를 더 포함하는,

교육 컨텐츠 추천 방법.
제7 항에 있어서,

상기 후보 웹 페이지 세트를 획득하는 단계는,

상기 검색 정보로부터 키워드를 추출하는 단계; 및

상기 추출된 키워드와 관련된 컨텐츠를 포함하는 후보 웹 페이지 세트를 획득하는 단계;를 더 포함하는,

교육 컨텐츠 추천 방법.
제7 항에 있어서,

상기 대상 웹 페이지를 선택하는 단계는,

상기 제1 지표 및 상기 제2 지표를 비교하여 더 큰 값으로 계산된 웹 페이지를 상기 대상 웹페이지로 결정하는 단계를 더 포함하는,

교육 컨텐츠 추천 방법.
사용자의 검색 정보를 분석하는 장치가 사용자의 학습 능력을 평가하는 방법에 있어서,

대상 사용자의 검색 정보를 획득하는 단계;

상기 검색 정보에 기초하여 학습 세트 정보를 획득하는 단계;

상기 학습 세트 정보에 기초하여 복수의 사용자의 검색 데이터베이스를 획득하는 단계-상기 검색 데이터베이스는 사용자 식별 정보 및 상기 학습 세트 정보에 포함된 문제에 대한 사용자의 검색 여부에 따라 할당된 기준값을 포함함-;

상기 검색 정보에 기초하여 상기 학습 세트 정보에 포함된 적어도 하나의 문제에 대하여 검색 여부에 따라 특징값을 할당하는 단계;

상기 검색 데이터베이스의 상기 기준값 및 상기 대상 사용자와 관련된 상기 특징값에 기초하여 제1 매트릭스를 생성하는 단계;

상기 기준값과 상기 특징값의 유사성에 기초하여 상기 제1 매트릭스를 상기 제2 매트릭스로 변환하는 단계; 및

상기 제2 매트릭스에 기초하여 상기 대상 사용자의 학습 능력 점수를 계산하는 단계;를 포함하는,

학습 능력 평가 방법.
제13 항에 있어서,

상기 특징값을 할당하는 단계는,

상기 대상 사용자가 검색한 상기 학습 세트 정보의 제1 문제군에 대하여는 제1 값을 할당하는 단계; 및

상기 대상 사용자가 검색하지 않은 상기 학습 세트 정보의 제2 문제군에 대하여는 상기 제1 값과는 다른 제2 값을 할당하는 단계;를 더 포함하는,

학습 능력 평가 방법.
제13 항에 있어서,

상기 제2 매트릭스로 변환하는 단계는,

상기 제1 매트릭스에 대하여 블록 컴프레스(Block compress)를 수행하여 상기 제2 매트릭스를 획득하는 단계를 더 포함하는,

학습 능력 평가 방법.
제13 항에 있어서,

상기 대상 사용자의 학습 능력 점수를 계산하는 단계는,

상기 제2 매트릭스에 기초하여 상기 대상 사용자의 상기 복수의 사용자에 대한 상대적인 위치를 나타내는 비교 정보를 획득하는 단계; 및

상기 비교 정보에 기초하여 상기 대상 사용자의 학습 능력 점수를 계산하는 단계;를 더 포함하는,

학습 능력 평가 방법.