KR20240072384A - 한국어 학습 서비스 제공을 위한 인공 지능 시스템, 방법 및 프로그램 - Google Patents

Abstract

뉴스 데이터를 활용하여 신규 문제를 생성하고 학습 패턴을 분석하여 학습 방향을 가이드할 수 있는 한국어 학습 서비스 제공을 위한 인공 지능 시스템, 방법 및 프로그램에 관한 것으로, 기출 문제 데이터와 뉴스 데이터를 획득하는 단계, 상기 기출 문제 데이터의 문장을 분석하여 기출 문제 패턴을 추정하고, 상기 뉴스 데이터의 문장을 분석하여 최신 트렌드 키워드를 추출하는 단계, 상기 기출 문제 패턴와 상기 최신 트렌드 키워드를 기반으로 신규 문제를 생성하여 상기 신규 문제를 기반으로 데이터베이스를 업데이트하는 단계, 학습자의 평가 결과 정보를 획득하는 단계, 상기 학습자의 평가 결과 정보를 기반으로 상기 학습자의 개인 목표를 설정하는 단계, 상기 데이터베이스로부터 상기 학습자의 개인 목표에 상응하는 신규 문제들을 추출하여 개인 맞춤 문제를 생성하는 단계, 및 상기 생성한 개인 맞춤 문제를 상기 상응하는 학습자에게 제공하는 단계를 포함하는 것을 특징으로 한다.

Description

한국어 학습 서비스 제공을 위한 인공 지능 시스템, 방법 및 프로그램{ARITFICIAL INTERLLIGENCE SYSTEM, METHOD AND PROGRAM FOR PROVIDING KOREAN LANGUAGE LEARNING SERVICE}

본 개시는 인공 지능 시스템에 관한 것으로, 보다 상세하게는 뉴스 데이터를 활용하여 신규 문제를 생성하고 학습 패턴을 분석하여 학습 방향을 가이드할 수 있는 한국어 학습 서비스 제공을 위한 인공 지능 시스템, 방법 및 프로그램에 관한 것이다.

최근, 국내 기업의 해외거점 진출이 늘어나고, K-POP 열풍 등을 기반으로 한국어를 배우고자 하는 외국인의 수가 크게 증가하고 있다.

또한, 많은 외국인들은, 국내 학업 과정 참여, 취업 비자 발급, 국내 업체 노동 참여 및 결혼 비자 획득 등을 위하여, 한국어 사용에 대한 공인된 평가기관에서 한국어 능력을 평가받아야 하는 허들이 존재하고 있다.

한국어를 평가하는 공인체계로서, 한국어능력시험인 토픽(TOPIK)이 교육부 산하의 국립국제교육원을 통해 이루어지고 있는데, 토픽 응시자의 수는, 매년 크게 증가하고 있다.

하지만, 한국어 능력을 평가받고자 하는 외국인의 수가 빠르게 증가하고 있음에도 불구하고, 이들을 교육할 수 있는 한국어 학당 등의 교육 기관은, 각 나라의 대도시에만 위치하고 있으므로 접근성이 좋지 않은 문제가 있었다.

또한, 한국어 교육 기관의 경우, 한국어 사용을 위한 교육 과정 중심으로 교육이 이루어지므로 토픽 응시를 위한 교육 과정이 부족한 문제가 있었고, 비자격 강사가 한국어를 강의하는 신뢰성 문제와 오래된 학습 문제들이 포함되는 교재를 사용하는 문제도 있었다.

따라서, 향후, 최신 트렌드에 맞는 신규 문제와 모의 고사 평가 서비스를 제공하고, 이를 기반으로 개별 학습 패턴을 분석하여 학습 방향을 가이드할 수 있는 한국어 학습 서비스 제공을 위한 인공 지능 시스템의 개발이 요구되고 있다.

대한민국 등록특허공보 10-2353687호(2022년 01월 17일)

상술한 바와 같은 문제점을 해결하기 위한 본 개시의 일 목적은, 기출 문제 패턴와 최신 트렌드 키워드를 기반으로 신규 문제를 생성하고, 학습자의 개인 목표에 상응하는 신규 문제들을 활용하여 개인 맞춤 문제를 생성함으로써, 최신 트렌드에 맞는 신규 문제와 모의 고사 평가 서비스를 제공하고, 이를 기반으로 개별 학습 패턴을 분석하여 개인별 학습 방향을 가이드할 수 있는 한국어 학습 서비스 제공을 위한 인공 지능 시스템, 방법 및 프로그램을 제공하는 것이다.

본 개시가 해결하고자 하는 과제들은 이상에서 언급된 과제로 제한되지 않으며, 언급되지 않은 또 다른 과제들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.

상술한 과제를 해결하기 위한 본 개시의 일 실시예에 따른 한국어 학습 서비스 제공 방법은, 기출 문제 데이터와 뉴스 데이터를 획득하는 단계, 상기 기출 문제 데이터의 문장을 분석하여 기출 문제 패턴을 추정하고, 상기 뉴스 데이터의 문장을 분석하여 최신 트렌드 키워드를 추출하는 단계, 상기 기출 문제 패턴와 상기 최신 트렌드 키워드를 기반으로 신규 문제를 생성하여 상기 신규 문제를 기반으로 데이터베이스를 업데이트하는 단계, 학습자의 평가 결과 정보를 획득하는 단계, 상기 학습자의 평가 결과 정보를 기반으로 상기 학습자의 개인 목표를 설정하는 단계, 상기 데이터베이스로부터 상기 학습자의 개인 목표에 상응하는 신규 문제들을 추출하여 개인 맞춤 문제를 생성하는 단계, 및 상기 생성한 개인 맞춤 문제를 상기 상응하는 학습자에게 제공하는 단계를 포함하는 것을 특징으로 한다.

실시 예에 있어서, 상기 기출 문제 패턴을 추정하는 단계는, 상기 기출 문제 데이터의 문장을 적어도 하나의 분석 인자를 기반으로 분석하여 상기 기출 문제 패턴을 추정하고, 상기 기출 문제 패턴을 기반으로 뉴럴 네트워크 모델을 학습시켜 문제 모델을 생성하는 것을 특징으로 한다.

실시 예에 있어서, 상기 기출 문제 패턴을 추정하는 단계는, 상기 기출 문제 데이터의 문장을 유형, 난이도 및 등장 빈도수 중 적어도 하나의 분석 인자를 기반으로 분석하여 상기 기출 문제 패턴을 추정하는 것을 특징으로 한다.

실시 예에 있어서, 상기 최신 트렌드 키워드를 추출하는 단계는, 상기 뉴스 데이터를 사전 학습한 뉴럴 네트워크 모델에 입력하여 상기 뉴스 데이터의 문장으로부터 코어 단어들을 추출하고, 상기 추출한 단어들에 각각 최신 트렌드에 대한 가중치를 부여하며, 상기 단어의 가중치를 기반으로 최신 트렌드 키워드를 추출하는 것을 특징으로 한다.

실시 예에 있어서, 상기 가중치를 부여하는 단계는, 단어 빈도(term frequency) 및 역 문서 빈도(inverse document frequency)를 기반으로 상기 단어들에 대한 가중치를 부여하는 것을 특징으로 한다.

실시 예에 있어서, 상기 신규 문제를 생성하는 단계는, 상기 기출 문제 패턴를 기반으로 생성한 문제 모델과 상기 최신 트렌드 키워드를 조합하여 신규 문제를 생성하는 것을 특징으로 한다.

실시 예에 있어서, 상기 학습자의 개인 목표를 설정하는 단계는, 상기 학습자의 평가 결과 정보를 분석하고, 상기 학습자의 학습 능력에 대한 강점 요소와 약점 요소를 추출하며, 상기 학습자의 학습 능력에 대한 강점 요소와 약점 요소를 기반으로 상기 학습자의 개인 목표를 설정하는 것을 특징으로 한다.

실시 예에 있어서, 상기 학습자의 평가 결과 정보를 분석하는 단계는, 상기 학습자의 평가 결과 정보를 기반으로 오답 비율, 오답 및 정답 패턴, 문제 풀이 소요 시간 중 적어도 어느 하나를 포함하는 상기 학습자의 학습 능력을 분석하는 것을 특징으로 한다.

본 개시의 일 실시예에 따른 인공 지능 시스템은, 학습자 단말기 및 외부 서버에 통신 연결되어 한국어 학습 서비스를 제공하는 플랫폼 서버를 포함하고, 상기 플랫폼 서버는, 하나 이상의 코어를 포함하는 프로세서 및 데이터베이스를 포함하며, 상기 프로세서는, 기출 문제 데이터와 뉴스 데이터를 획득하고, 상기 기출 문제 데이터의 문장을 분석하여 기출 문제 패턴을 추정하고, 상기 뉴스 데이터의 문장을 분석하여 최신 트렌드 키워드를 추출하며, 상기 기출 문제 패턴와 상기 최신 트렌드 키워드를 기반으로 신규 문제를 생성하여 상기 신규 문제를 기반으로 상기 데이터베이스를 업데이트하고, 학습자의 평가 결과 정보를 획득하며, 상기 학습자의 평가 결과 정보를 기반으로 상기 학습자의 개인 목표를 설정하며, 상기 데이터베이스로부터 상기 학습자의 개인 목표에 상응하는 신규 문제들을 추출하여 개인 맞춤 문제를 생성하고, 상기 생성한 개인 맞춤 문제를 상기 상응하는 학습자에게 제공하는 것을 특징으로 한다.

상술한 과제를 해결하기 위한 본 개시의 다른 실시 예에 따른 한국어 학습 서비스 제공 방법을 제공하는 컴퓨터 프로그램은, 하드웨어인 컴퓨터와 결합되어 상술한 방법 중 어느 하나의 방법을 수행하기 위해 매체에 저장된다.

이 외에도, 본 개시를 구현하기 위한 다른 방법, 다른 시스템 및 상기 방법을 실행하기 위한 컴퓨터 프로그램을 기록하는 컴퓨터 판독 가능한 기록 매체가 더 제공될 수 있다.

상기와 같이 본 개시에 따르면, 기출 문제 패턴와 최신 트렌드 키워드를 기반으로 신규 문제를 생성하고, 학습자의 개인 목표에 상응하는 신규 문제들을 활용하여 개인 맞춤 문제를 생성함으로써, 최신 트렌드에 맞는 신규 문제와 모의 고사 평가 서비스를 제공하고, 이를 기반으로 개별 학습 패턴을 분석하여 개인별 학습 방향을 가이드할 수 있다.

즉, 본 개시는, 기존 문제은행 및 책자 등으로 공개된 문제 패턴을 데이터 분석하여 분석된 문제 구조 위에 최신 국내뉴스의 시사, 문화 등의 정보에서 검출된 문구와 단어등을 자연어처리(NLP) 또는 RNN(LSTM) 학습 과정을 거쳐 분석하고, 학습자에게 최근 트렌드가 반영된 시의성 높은 예상문제를 생성하여 제공할 수 있다.

또한, 본 개시는, 어플리케이션을 활용하여 학습자에게 모의고사 형태의 문제를 제공하여 시험의 직접적 또는 간접적 체험을 돕고, 문제 해결 경험을 제공할 수 있다.

또한, 본 개시는, 학습자의 오답비율, 오/정답패턴, 풀이소요시간 등을 분석하여 학습자의 학습능력에 대한 강/약점 요소를 추출하여 학습자에게 맞는 학습목표와 평가목표를 제시할 수 있다.

또한, 본 개시는, 국내 회사취업 및 이민 등의 절차를 활용하고자 하는 사람들에게 최신 트렌드가 반영된 문항을 기준으로 생성된 모의고사를 체험 진행할 수 있고, 오프라인 교육에 따르는 시간과 비용을 절약할 수 있도록 유도할 수 있다.

또한, 본 개시는, 한국어에 대한 공인된 실력을 대외적으로 평가받고, 문화 콘텐츠에 대한 관심을 통해 한국에 관심을 갖고 있는 사람들에게 문화에서 생활로의 언어적 허들을 낮추는 교육적 효과를 제공할 수 있다.

본 개시의 효과들은 이상에서 언급된 효과로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.

도 1은, 본 개시에 따른 인공 지능 시스템을 설명하기 위한 개략도이다.
도 2는, 도 1의 플랫폼 서버를 설명하기 위한 블럭 구성도이다.
도 3은, 본 개시에 따른 인공 지능 시스템의 한국어 학습 서비스 제공 과정을 설명하기 위한 도면이다.
도 4는, 본 개시에 따른 인공 지능 시스템의 신규 문제 생성 과정을 설명하기 위한 도면이다.
도 5는, 본 개시에 따른 인공 지능 시스템의 학습자 학습 능력에 대한 분석 결과 정보를 설명하기 위한 도면이다.
도 6은, 본 개시에 따른 한국어 학습 서비스 제공 방법을 설명하기 위한 흐름도이다.

본 개시의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나, 본 개시는 이하에서 개시되는 실시예들에 제한되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시예들은 본 개시의 개시가 완전하도록 하고, 본 개시가 속하는 기술 분야의 통상의 기술자에게 본 개시의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 개시는 청구항의 범주에 의해 정의될 뿐이다.

본 명세서에서 사용된 용어는 실시예들을 설명하기 위한 것이며 본 개시를 제한하고자 하는 것은 아니다. 본 명세서에서, 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함한다. 명세서에서 사용되는 "포함한다(comprises)" 및/또는 "포함하는(comprising)"은 언급된 구성요소 외에 하나 이상의 다른 구성요소의 존재 또는 추가를 배제하지 않는다. 명세서 전체에 걸쳐 동일한 도면 부호는 동일한 구성 요소를 지칭하며, "및/또는"은 언급된 구성요소들의 각각 및 하나 이상의 모든 조합을 포함한다. 비록 "제1", "제2" 등이 다양한 구성요소들을 서술하기 위해서 사용되나, 이들 구성요소들은 이들 용어에 의해 제한되지 않음은 물론이다. 이들 용어들은 단지 하나의 구성요소를 다른 구성요소와 구별하기 위하여 사용하는 것이다. 따라서, 이하에서 언급되는 제1 구성요소는 본 개시의 기술적 사상 내에서 제2 구성요소일 수도 있음은 물론이다.

다른 정의가 없다면, 본 명세서에서 사용되는 모든 용어(기술 및 과학적 용어를 포함)는 본 개시가 속하는 기술분야의 통상의 기술자에게 공통적으로 이해될 수 있는 의미로 사용될 수 있을 것이다. 또한, 일반적으로 사용되는 사전에 정의되어 있는 용어들은 명백하게 특별히 정의되어 있지 않는 한 이상적으로 또는 과도하게 해석되지 않는다.

이하, 첨부된 도면을 참조하여 본 개시의 실시예를 상세하게 설명한다.

설명에 앞서 본 명세서에서 사용하는 용어의 의미를 간략히 설명한다. 그렇지만 용어의 설명은 본 명세서의 이해를 돕기 위한 것이므로, 명시적으로 본 개시를 한정하는 사항으로 기재하지 않은 경우에 본 개시의 기술적 사상을 한정하는 의미로 사용하는 것이 아님을 주의해야 한다.

또한, 본 명세서에 걸쳐, 뉴럴 네트워크(neural network), 신경망 네트워크, 네트워크 함수는, 동일한 의미로 사용될 수 있다. 뉴럴 네트워크는, 일반적으로 “노드”라 지칭될 수 있는 상호 연결된 계산 단위들의 집합으로 구성될 수 있다. 이러한 “노드”들은, “뉴런(neuron)”들로 지칭될 수도 있다. 뉴럴 네트워크는, 적어도 둘 이상의 노드들을 포함하여 구성된다. 뉴럴 네트워크들을 구성하는 노드(또는 뉴런)들은 하나 이상의 “링크”에 의해 상호 연결될 수 있다.

도 1은, 본 개시에 따른 인공 지능 시스템을 설명하기 위한 개략도이다.

도 1에 도시된 바와 같이, 본 개시에 따른 인공 지능 시스템(100)은, 학습자 단말기(200) 및 외부 서버(300)에 네트워크를 통해 통신 연결되는 플랫폼 서버(100)를 포함할 수 있다.

여기서, 학습자 단말기(200)는, PC(Personal Computer), 네트워크 TV(Network TV), HBBTV(Hybrid Broadcast Broadband TV), 스마트 TV(Smart TV), IPTV(Internet Protocol TV) 등과 같은 고정형 디바이스(standing device)와, 스마트 폰(Smart Phone), 태블릿 PC(Tablet PC), 노트북(Notebook), PDA(Personal Digital Assistant) 등과 같은 모바일 디바이스(mobile device or handheld device)가 모두 포함될 수 있다.

그리고, 학습자 단말기(200)과 외부 서버(300) 및 플랫폼 서버(100) 사이를 통신 연결하는 네트워크는, 유/무선 네트워크를 모두 포함하는데, 학습자 단말기(200)과 플랫폼 서버(100) 사이 또는 외부 서버(300)와 플랫폼 서버(100) 사이에서 페어링 또는/및 데이터 송수신을 위해 다양한 통신 규격 내지 프로토콜을 지원하는 통신 네트워크를 통칭한다.

이러한 유/무선 네트워크는, 규격에 의해 현재 또는 향후 지원될 통신 네트워크를 모두 포함하며, 그를 위한 하나 또는 그 이상의 통신 프로토콜들을 모두 지원 가능하다.

이러한 유/무선 네트워크에는 예컨대, USB(Universal Serial Bus), CVBS(Composite Video Banking Sync), 컴포넌트(Component), S-비디오(아날로그), DVI(Digital Visual Interface), HDMI(High Definition Multimedia Interface), RGB, D-SUB와 같은 유선 연결을 위한 네트워크와 그를 위한 통신 규격 내지 프로토콜과, 블루투스(Bluetooth), RFID(Radio Frequency Identification), 적외선 통신(IrDA: infrared Data Association), UWB(Ultra Wideband), 지그비(ZigBee), DLNA(Digital Living Network Alliance), WLAN(Wireless LAN)(Wi-Fi), Wibro(Wireless broadband), Wimax(World Interoperability for Microwave Access), HSDPA(High Speed Downlink Packet Access), LTE/LTE-A(Long Term Evolution/LTE-Advanced), Wi-Fi 다이렉트(direct)와 같은 무선 연결을 위한 네트워크와 그를 위한 통신 규격 내지 프로토콜에 의하여 형성될 수 있다.

그리고, 플랫폼 서버(100)는, 프로세서(110), 데이터베이스(130), 네트워크부(150)를 포함할 수 있다.

프로세서(110)는, 외부 서버(300)으로부터 기출 문제 데이터와 뉴스 데이터를 획득하고, 기출 문제 데이터의 문장을 분석하여 기출 문제 패턴을 추정하고 뉴스 데이터의 문장을 분석하여 최신 트렌드 키워드를 추출하며, 기출 문제 패턴와 최신 트렌드 키워드를 기반으로 신규 문제를 생성하여 신규 문제를 기반으로 데이터베이스(130)를 업데이트하고, 학습자의 평가 결과 정보를 획득하며, 학습자의 평가 결과 정보를 기반으로 학습자의 개인 목표를 설정하며, 데이터베이스(130)로부터 학습자의 개인 목표에 상응하는 신규 문제들을 추출하여 개인 맞춤 문제를 생성하고, 생성한 개인 맞춤 문제를 상응하는 학습자 단말기(200)에 제공할 수 있다.

여기서, 프로세서(110)는, 기출 문제 데이터를 획득할 때, 외부 서버(300)로부터 한국어능력시험에 기출된 문제 데이터를 획득할 수 있다.

즉, 프로세서(110)는, 기출 문제 데이터를 획득할 때, 기출 문제 데이터의 수집 요청이 수신되면 수집 기간의 설정 여부를 확인하고, 수집 기간이 설정되면 수집 기간을 기반으로 수집 기간 내에 생성된 기출 문제 데이터를 획득하여 데이터베이스(130)에 저장할 수 있다.

일 예로, 프로세서(110)는, 기출 문제 데이터를 획득할 때, 수집 기간이 설정되면 기출 문제 데이터의 생성 날짜를 확인하고, 기출 문제 데이터의 생성 날짜가 수집 기간 내에 포함되면 해당하는 기출 문제 데이터를 획득할 수 있다.

여기서, 프로세서(110)는, 기출 문제 데이터를 획득할 때, 기출 문제 데이터의 생성 날짜가 수집 기간 내에 미포함되면 해당하는 기출 문제 데이터를 무시할 수 있다.

또한, 프로세서(110)는, 수집 기간의 설정 여부를 확인할 때, 수집 기간이 미설정되면 기본 설정 기간을 기반으로 기본 설정 기간 내에 생성된 기출 문제 데이터를 획득할 수도 있다.

즉, 프로세서(110)는, 수집 기간의 설정 여부를 확인할 때, 수집 기간이 미설정되면 기본 설정 기간을 기반으로 기본 설정 기간 내에 생성된 기출 문제 데이터를 획득하고, 기본 설정 기간 내에 생성된 기출 문제 데이터 양이 기준 목표량 이하이면 기본 설정 기간을 더 연장시키며, 연장 기간을 기반으로 연장 기간 내에 생성된 기출 문제 데이터를 획득할 수 있다.

여기서, 프로세서(110)는, 기본 설정 기간을 더 연장시킬 때, 기출 문제 데이터 양이 기준 목표량에 도달할 때까지 반복적으로 기본 설정 기간을 연장시킬 수 있다.

또한, 프로세서(110)는, 연장 기간이 최대 연장 기간일 때, 최대 연장 기간 내에 생성된 기출 문제 데이터 양이 기준 목표량에 미도달하면 기본 설정 기간의 연장을 종료하고, 기준 목표량에 미도달한 기출 문제 데이터 양만을 획득할 수도 있다.

다른 경우로서, 프로세서(110)는, 수집 기간의 설정 여부를 확인할 때, 수집 기간이 미설정되면 현재일부터 순차적으로 과거일별로 생성된 기출 문제 데이터를 획득하고, 획득한 기출 문제 데이터 양이 과거 특정 시점에 기준 목표량에 도달하면 과거 특정 시점에서 기출 문제 데이터의 획득을 종료할 수도 있다.

다음, 프로세서(110)는, 뉴스 데이터를 획득할 때, 온라인 상에서 제공되는 최신 뉴스 데이터를 분야별로 획득할 수 있다.

즉, 프로세서(110)는, 뉴스 데이터를 획득할 때, 뉴스 데이터의 수집 요청이 수신되면 수집 기간의 설정 여부를 확인하고, 수집 기간이 설정되면 수집 기간을 기반으로 수집 기간 내에 생성된 뉴스 데이터를 획득하고, 획득한 뉴스 데이터를 분야별로 분류하여 데이터베이스(130)에 저장할 수 있다.

여기서, 프로세서(110)는, 뉴스 데이터를 획득할 때, 수집 기간이 설정되면 뉴스 데이터의 생성 날짜를 확인하고, 뉴스 데이터의 생성 날짜가 수집 기간 내에 포함되면 해당하는 뉴스 데이터를 획득할 수 있다.

또한, 프로세서(110)는, 뉴스 데이터를 획득할 때, 뉴스 데이터의 생성 날짜가 수집 기간 내에 미포함되면 해당하는 뉴스 데이터를 무시할 수 있다.

그리고, 프로세서(110)는, 수집 기간의 설정 여부를 확인할 때, 수집 기간이 미설정되면 기본 설정 기간을 기반으로 기본 설정 기간 내에 생성된 뉴스 데이터를 획득할 수 있다.

일 예로, 기본 설정 기간은, 최대 3년 이내일 수 있는데, 이는 일 실시예일 뿐, 이에 한정되지 않는다.

또한, 프로세서(110)는, 수집 기간의 설정 여부를 확인할 때, 수집 기간이 미설정되면 기본 설정 기간을 기반으로 기본 설정 기간 내에 생성된 뉴스 데이터를 획득하고, 기본 설정 기간 내에 생성된 뉴스 데이터 양이 기준 목표량 이하이면 기본 설정 기간을 더 연장시키며, 연장 기간을 기반으로 연장 기간 내에 생성된 뉴스 데이터를 획득할 수 있다.

여기서, 프로세서(110)는, 기본 설정 기간을 더 연장시킬 때, 뉴스 데이터 양이 기준 목표량에 도달할 때까지 반복적으로 기본 설정 기간을 연장시킬 수 있다.

또한, 프로세서(110)는, 연장 기간이 최대 연장 기간일 때, 최대 연장 기간 내에 생성된 뉴스 데이터 양이 기준 목표량에 미도달하면 기본 설정 기간의 연장을 종료하고, 기준 목표량에 미도달한 뉴스 데이터 양만을 획득할 수도 있다.

경우에 따라, 프로세서(110)는, 수집 기간의 설정 여부를 확인할 때, 수집 기간이 미설정되면 현재일부터 순차적으로 과거일별로 생성된 뉴스 데이터를 획득하고, 획득한 뉴스 데이터 양이 과거 특정 시점에 기준 목표량에 도달하면 과거 특정 시점에서 뉴스 데이터의 획득을 종료할 수 있다.

다음, 프로세서(110)는, 기출 문제 패턴을 추정할 때, 기출 문제 데이터의 문장을 적어도 하나의 분석 인자를 기반으로 분석하여 기출 문제 패턴을 추정하고, 기출 문제 패턴을 기반으로 뉴럴 네트워크 모델을 학습시켜 문제 모델을 생성할 수 있다.

여기서, 프로세서(110)는, 기출 문제 패턴을 추정할 때, 기출 문제 데이터의 문장을 유형, 난이도 및 등장 빈도수 중 적어도 하나의 분석 인자를 기반으로 분석하여 기출 문제 패턴을 추정할 수 있다.

이어, 프로세서(110)는, 최신 트렌드 키워드를 추출할 때, 뉴스 데이터를 사전 학습한 뉴럴 네트워크 모델에 입력하여 뉴스 데이터의 문장으로부터 코어 단어들을 추출하고, 추출한 단어들에 각각 최신 트렌드에 대한 가중치를 부여하며, 단어의 가중치를 기반으로 최신 트렌드 키워드를 추출할 수 있다.

여기서, 프로세서(110)는, 가중치를 부여할 때, 단어 빈도(term frequency) 및 역 문서 빈도(inverse document frequency)를 기반으로 단어들에 대한 가중치를 부여할 수 있다.

그리고, 프로세서(110)는, 신규 문제를 생성할 때, 기출 문제 패턴를 기반으로 생성한 문제 모델과 최신 트렌드 키워드를 조합하여 신규 문제를 생성할 수 있다.

여기서, 프로세서(110)는, 신규 문제를 생성할 때, 생성한 신규 문제를 문제 패턴별로 분류하여 데이터베이스(130)에 저장할 수 있다.

일 예로, 프로세서(110)는, 신규 문제를 생성할 때, 생성한 신규 문제를 문제 유형별. 문제 난이도별, 문제 등장 빈도수별 중 적어도 어느 하나로 분류하여 데이터베이스(130)에 저장할 수 있다.

프로세서(110)는, 신규 문제를 분류할 때, 신규 문제가 생성되면 신규 문제가 문제 유형별로 분류되는 제1 분류 그룹. 문제 난이도별로 분류되는 제2 분류 그룹, 문제 등장 빈도수별로 분류되는 제3 분류 그룹 중 적어도 어느 하나로 분류하여 데이터베이스(130)에 저장할 수 있다.

일 예로, 신규 문제는, 제1 분류 그룹, 제2 분류 그룹, 제3 분류 그룹에 중복되어 저장될 수 있다.

다음, 프로세서(110)는, 학습자의 평가 결과 정보를 획득할 때, 학습자 단말기(200)로부터 학습자가 수행 완료한 평가 문제 테스트에 대한 평가 결과 정보를 획득할 수 있다.

여기서, 프로세서(110)는, 학습자의 평가 결과 정보를 획득할 때, 학습자 단말기(200)에 평가 결과 정보 제공을 요청하고, 학습자 단말기(200)로부터 평가 결과 정보 제공에 대한 승인이 수신되면 학습자 단말기(200)에 평가 결과 정보에 대한 존재 여부를 확인하며, 평가 결과 정보가 존재하면 학습자 단말기(200)로부터 학습자가 수행 완료한 평가 문제 테스트에 대한 평가 결과 정보를 획득할 수 있다.

또한, 프로세서(110)는, 학습자의 평가 결과 정보를 획득할 때, 학습자 단말기(200)로부터 평가 결과 정보 제공에 대한 거부가 수신되면 거부로 인한 평가 결과 정보 미획득을 알리는 알림 메시지를 생성하여 학습자 단말기(200)로 전송할 수 있다.

또한, 프로세서(110)는, 학습자의 평가 결과 정보를 획득할 때, 평가 결과 정보 미획득으로 인한 개인 맞춤 문제 제공 불가를 알리는 추가 알림 메시지를 생성하여 학습자 단말기(200)로 전송할 수도 있다.

경우에 따라, 프로세서(110)는, 학습자의 평가 결과 정보를 획득할 때, 평가 결과 정보가 미존재하면 학습자 단말기(200)에 기초 평가 문제 테스트를 제공하고, 기초 평가 문제 테스트에 대한 학습자의 평가가 완료되면 기초 평가 문제 테스트에 대한 평가 결과 정보를 획득할 수 있다.

이어, 프로세서(110)는, 학습자의 개인 목표를 설정할 때, 학습자의 평가 결과 정보를 분석하고, 학습자의 학습 능력에 대한 강점 요소와 약점 요소를 추출하며, 학습자의 학습 능력에 대한 강점 요소와 약점 요소를 기반으로 학습자의 개인 목표를 설정할 수 있다.

여기서, 프로세서(110)는, 학습자의 평가 결과 정보를 분석할 때, 학습자의 평가 결과 정보를 기반으로 오답 비율, 오답 및 정답 패턴, 문제 풀이 소요 시간 중 적어도 어느 하나를 포함하는 학습자의 학습 능력을 분석할 수 있다.

그리고, 프로세서(110)는, 학습자의 평가 결과 정보를 분석할 때, 학습자의 학습 능력에 대한 분석이 완료되면 학습자의 학습 능력에 대한 분석 결과 정보를 생성할 수 있다.

경우에 따라, 프로세서(110)는, 학습자의 학습 능력에 대한 분석 결과 정보를 생성할 때, 분석 결과 정보가 생성되면 분석 결과 정보의 생성을 알리는 알림 메시지를 생성하여 학습자 단말기(200)에 제공하고, 학습자 단말기(200)로부터 분석 결과 정보의 요청을 수신하면 분석 결과 정보를 학습자 단말기(200)로 전송할 수 있다.

다음, 프로세서(110)는, 개인 맞춤 문제를 생성할 때, 데이터베이스(130)에 업데이트된 신규 문제들 중 학습자의 개인 목표에 상응하는 신규 문제들을 추출하고, 추출한 신규 문제들을 기반으로 학습자 개인별로 개인 맞춤 문제를 생성할 수 있다.

여기서, 프로세서(110)는, 학습자의 개인 목표에 상응하는 신규 문제들을 추출할 때, 학습자의 학습 능력에 대한 강점 요소와 약점 요소를 기반으로 강점 요소에 상응하는 신규 문제의 양을 줄여서 추출하고, 약점 요소에 상응하는 신규 문제의 양을 늘려서 추출할 수 있다.

일 예로, 프로세서(110)는, 개인 맞춤 문제를 생성할 때, 학습자의 학습 능력에 대한 약점 요소에 대응하는 신규 문제들을 위주로 개인 맞춤 문제를 생성할 수 있다.

경우에 따라, 개인 맞춤 문제는, 학습자의 학습 능력에 대한 약점 요소에 대응하는 신규 문제들이 차지하는 비율이 가장 높도록 생성할 수도 있다.

이어, 프로세서(110)는, 생성한 개인 맞춤 문제를 상응하는 학습자 단말기(200)에 제공할 때, 개인 맞춤 문제가 생성되면 개인 맞춤 문제의 생성을 알리는 알림 메시지를 생성하여 학습자 단말기(200)에 제공하고, 학습자 단말기(200)로부터 개인 맞춤 문제의 요청을 수신하면 개인 맞춤 문제를 학습자 단말기(200)로 전송할 수 있다.

또한, 프로세서(110)는, 개인 맞춤 문제를 학습자 단말기(200)로 전송할 때, 개인 맞춤 문제를 학습자 단말기(200)로 전송한 이후에 개인 맞춤 문제에 대한 동의 또는 변경에 대한 피드백을 요청하고, 학습자 단말기(200)로부터 피드백이 수신되면 피드백에 상응하여 개인 맞춤 문제를 유지 또는 변경할 수 있다.

또한, 프로세서(110)는, 기출문제 유형을 분석할 때, 공개된 기출문제와 시중에 판매되는 TOPIK 예상문제집의 문제유형을 머신 러닝의 분류 기술로 분류하여 정리한 다음에, 이를 토대로 패턴을 도출할 수도 있다.

예를 들면, 프로세서(110)는, "보기의 내용을 읽고 맞는 답을 고르시오"라는 제1 문제 유형, "( )안에 들어갈 단어를 고르시오"라는 제2 문제 유형, "설명에 맞는 단어를 고르시오"라는 제3 문제 유형, "보기의 글을 읽고 다음 물음에 답하시오"라는 제4 문제 유형 등과 같이, 다양한 문제 유형을 분류할 수 있다.

또한, 프로세서(110)는, 뉴스 내용 문제을 활용할 때, 뉴스의 내용을 요약 정리하여 저작권 이슈를 해결할 수 있다.

여기서, 프로세서(110)는, 요약 정리할 때, 딥러닝 모델을 활용할 수 있다.

일 예로, 긴 문장을 읽고 이해를 하여 요약하는 딥러닝 기술(기계독해)로서, KoBart 모델을 활용하여 구현이 가능하지만, 이는 일 실시예일 뿐, 이에 한정되지 않는다,

따라서, 프로세서(110)는, 이를 토대로 긴 문장을 200~300자 문장으로 요약하여 저작권을 회피하여 문제 생성 데이터를 만들 수 있다.

또한, 프로세서(110)는, "보기의 내용을 읽고 맞는 답을 고르시오"라는 제1 문제 유형을 생성할 때, 요약 문장을 토대로 맞는 답안과 틀린 답안을 만들어 구현할 수 있다.

이때, 자연어 추론(NLI,Natural Language Inference) 모델을 활용하며, 생성된 답안 중에 요약 내용와 일치하는지 또는 다른지를 추론하여 정답을 정할 수 있다.

또한, 프로세서(110)는, "( )안에 들어갈 단어를 고르시오"라는 제2 문제 유형을 생성할 때, 요약 문장 중 중요한 문장을 선택하여 그 문장에 핵심이 되는 단어를 DF-IDF로 선택하고, 해당 단어를 ( )로 구성하는 문제를 생성할 수 있다.

또한, 프로세서(110)는, "설명에 맞는 단어를 고르시오"라는 제3 문제 유형을 생성할 때, 설명을 기계독해를 진행하여 내용을 이해하고, 이때 등장하는 주요단어를 추출한 다음, 해당 단어와 유사한 단어를 말뭉치(copus)에서 선택하여 보기로 제시하는 문제를 생성할 수 있다.

또한, 프로세서(110)는, "보기의 글을 읽고 다음 물음에 답하시오"라는 제4 문제 유형을 생성할 때, 문장을 생성하는데 KoGPT3 모델을 활용하여 문장을 생성하고, 이를 보기의 글로 제시하여 제1 문제 유형과 비슷하게 문장을 추론하여 맞는 답안과 틀린답안을 생성할 수 있다.

일 예로, 자연어 딥러닝 모델은, KoBART, KoBERT, KoGPT, RNN, LSTM의 모델을 활용하여 문제를 다양하게 생성할 수 있는데, 이는 일 실시예일 뿐, 이에 한정되지 않는다.

여기서, KoBERT 모델은 분석, KoGPT 모델은 문장생성, KoBART 모델은 추론을 담당할 수 있다.

또한, 프로세서(110)는, 뉴스기사나, 예상문제, 기출문제 등은 저작권이 있기 때문에 예상문제 및 기출문제를 문제유형 분류 및 판단을 위한 목적의 데이터로 활용하고, 뉴스기사를 요약 정리하는 방식으로 저작권 이슈를 회피할 수 있다.

여기서, 프로세서(110)는, 문제를 주기적으로 생성해야 하며, 생성된 문제가 중복되지 않도록 중복체크를 수행할 수 있다.

그리고, 생성된 문제는, 문제 데이터베이스에 저장되고, 이를 API로 구현하여 다양한 디바이스를 통해서 모의 문제를 제공할 수 있다.

한편, 전술한 뉴럴 네트워크 모델은, 딥 뉴럴 네트워크일 수 있다. 본 명세서에 걸쳐, 신경망, 네트워크 함수, 뉴럴 네트워크(neural network)는 동일한 의미로 사용될 수 있다. 딥 뉴럴 네트워크(DNN: deep neural network, 심층신경망)는, 입력 레이어와 출력 레이어 외에 복수의 히든 레이어를 포함하는 신경망을 의미할 수 있다. 딥 뉴럴 네트워크를 이용하면 데이터의 잠재적인 구조(latent structures)를 파악할 수 있다. 즉, 사진, 글, 비디오, 음성, 음악의 잠재적인 구조(예를 들어, 어떤 물체가 사진에 있는지, 글의 내용과 감정이 무엇인지, 음성의 내용과 감정이 무엇인지 등)를 파악할 수 있다. 딥 뉴럴 네트워크는 컨벌루셔널 뉴럴 네트워크 (CNN: convolutional neural network), 리커런트 뉴럴 네트워크(RNN: recurrent neural network), 제한 볼츠만 머신(RBM: restricted boltzmann machine), 심층 신뢰 네트워크(DBN: deep belief network), Q 네트워크, U 네트워크, 샴 네트워크 등을 포함할 수 있다.

본 개시의 일 실시예에 따르면, 프로세서(110)는, 하나 이상의 코어로 구성될 수 있으며, 컴퓨팅 장치의 중앙 처리 장치(CPU: central processing unit), 범용 그래픽 처리 장치 (GPGPU: general purpose graphics processing unit), 텐서 처리 장치(TPU: tensor processing unit) 등의 데이터 분석, 딥러닝을 위한 프로세서를 포함할 수 있다. 프로세서(110)는, 데이터베이스(130)에 저장된 컴퓨터 프로그램을 판독하여 본 개시의 일 실시예에 따른 기계 학습을 위한 데이터 처리를 수행할 수 있다. 본 개시의 일실시예에 따라 프로세서(110)는, 신경망의 학습을 위한 연산을 수행할 수 있다. 프로세서(110)는, 딥러닝(DL: deep learning)에서 학습을 위한 입력 데이터의 처리, 입력 데이터에서의 피처 추출, 오차 계산, 역전파(backpropagation)를 이용한 신경망의 가중치 업데이트 등의 신경망의 학습을 위한 계산을 수행할 수 있다. 프로세서(110)의 CPU, GPGPU, 및 TPU 중 적어도 하나가 네트워크 함수의 학습을 처리할 수 있다. 예를 들어, CPU 와 GPGPU가 함께 네트워크 함수의 학습, 네트워크 함수를 이용한 데이터 분류를 처리할 수 있다. 또한, 본 개시의 일 실시예에서 복수의 컴퓨팅 장치의 프로세서를 함께 사용하여 네트워크 함수의 학습, 네트워크 함수를 이용한 데이터 분류를 처리할 수 있다. 또한, 본 개시의 일 실시예에 따른 컴퓨팅 장치에서 수행되는 컴퓨터 프로그램은, CPU, GPGPU 또는 TPU 실행가능 프로그램일 수 있다.

본 개시의 일 실시예에 따르면, 데이터베이스(130)는, 신규 문제 생성 및 개인 맞춤 문제 생성을 위한 컴퓨터 프로그램을 저장할 수 있으며, 저장된 컴퓨터 프로그램은 프로세서(120)에 의하여 판독되어 구동될 수 있다. 데이터베이스(130)는, 프로세서(110)가 생성하거나 결정한 임의의 형태의 정보 및 네트워크부(150)가 수신한 임의의 형태의 정보를 저장할 수 있다.

본 개시의 일 실시예에 따르면, 데이터베이스(130)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. 플랫폼 서버(100)는 인터넷(internet) 상에서 데이터베이스(130)의 저장 기능을 수행하는 웹 스토리지(web storage)와 관련되어 동작할 수도 있다. 전술한 데이터베이스에 대한 기재는 예시일 뿐, 이에 제한되지 않는다.

본 개시의 일 실시예에 따른 네트워크부(150)는, 신규 문제 생성 및 개인 맞춤 문제 생성을 위한 정보 등을 다른 컴퓨팅 장치, 서버 등과 송수신할 수 있다. 또한, 네트워크부(150)는, 복수의 컴퓨팅 장치 사이의 통신을 가능하게 하여 복수의 컴퓨팅 장치 각각에서 신규 문제 생성 및 개인 맞춤 문제 생성을 위한 동작들이 분산 수행되도록 할 수 있다. 네트워크부(150)는, 복수의 컴퓨팅 장치 사이의 통신을 가능하게 하여 신규 문제 생성 및 개인 맞춤 문제 생성 또는 네트워크 함수를 사용한 모델 학습을 위한 연산을 분산 처리하도록 할 수 있다.

본 개시의 일 실시예에 따른 네트워크부(150)는, 근거리(단거리), 원거리, 유선 및 무선 등과 같은 현재 사용 및 구현되는 임의의 형태의 유무선 통신 기술에 기반하여 동작할 수 있으며, 다른 네트워크들에서도 사용될 수 있다.

본 개시의 플랫폼 서버(100)는, 출력부 및 입력부를 더 포함할 수도 있다.

본 개시의 일 실시예에 따른 출력부는, 신규 문제 생성 및 개인 맞춤 문제 생성 결과를 제공하기 위한 사용자 인터페이스(UI, user interface)를 표시할 수 있다. 출력부는, 프로세서(110)가 생성하거나 결정한 임의의 형태의 정보 및 네트워크부(150)가 수신한 임의의 형태의 정보를 출력할 수 있다.

본 개시의 일 실시예에서, 출력부는, 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 디스플레이 모듈은, 그를 통해 외부를 볼 수 있도록 투명형 또는 광 투과형으로 구성될 수 있다. 이는 투명 디스플레이 모듈이라 지칭될 수 있는데, 상기 투명 디스플레이 모듈의 대표적인 예로는 TOLED(Transparent OLED) 등이 있다.

본 개시의 일 실시예에 따른 입력부는, 사용자 입력을 수신할 수 있다. 입력부는, 사용자 입력을 수신받기 위한 사용자 인터페이스 상의 키 및/또는 버튼들, 또는 물리적인 키 및/또는 버튼들을 구비할 수 있다. 입력부를 통한 사용자 입력에 따라 본 개시의 실시예들에 따른 디스플레이를 제어하기 위한 컴퓨터 프로그램이 실행될 수 있다.

본 개시의 실시예들에 따른 입력부는, 사용자의 버튼 조작 또는 터치 입력을 감지하여 신호를 수신하거나, 카메라 또는 마이크로폰을 통하여 사용자 등의 음성 또는 동작을 수신하여 이를 입력 신호로 변환할 수도 있다. 이를 위해 음성 인식(Speech Recognition) 기술 또는 동작 인식(Motion Recognition) 기술들이 사용될 수 있다.

본 개시의 실시예들에 따른 입력부는, 플랫폼 서버(100)와 연결된 외부 입력 장비로서 구현될 수도 있다. 예를 들어, 입력 장비는 사용자 입력을 수신하기 위한 터치 패드, 터치 펜, 키보드 또는 마우스 중 적어도 하나일 수 있으나, 이는 예시일 뿐이며 이에 제한되는 것은 아니다.

본 개시의 일 실시예에 따른 입력부는, 사용자 터치 입력을 인식할 수 있다. 본 개시의 일 실시예에 따른 입력부는, 출력부와 동일한 구성일 수도 있다. 입력부는, 사용자의 선택 입력을 수신하도록 구현되는 터치 스크린으로 구성될 수 있다. 터치 스크린은, 접촉식 정전용량 방식, 적외선 광 감지 방식, 표면 초음파(SAW) 방식, 압전 방식, 저항막 방식 중 어느 하나의 방식이 사용될 수 있다. 전술한 터치 스크린에 대한 자세한 기재는, 본 개시의 일 실시예에 따른 예시일 뿐이며, 다양한 터치 스크린 패널이 플랫폼 서버(100)에 채용될 수 있다. 터치 스크린으로 구성된 입력부는, 터치 센서를 포함할 수 있다. 터치 센서는, 입력부의 특정 부위에 가해진 압력 또는 입력부의 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 터치입력이 있는 경우, 그에 대응하는 신호(들)는 터치 제어기로 보내진다. 터치 제어기는, 그 신호(들)를 처리한 다음 대응하는 데이터를 프로세서(110)로 전송할 수 있다. 이로써, 프로세서(110)는 입력부의 어느 영역이 터치 되었는지 여부 등을 인식할 수 있게 된다.

본 개시의 일 실시예에서, 플랫폼 서버(100)는, 서버의 서버 환경을 수행하기 위한 다른 구성들이 포함될 수도 있다. 플랫폼 서버(100)는 임의의 형태의 장치는 모두 포함할 수 있다. 플랫폼 서버(100)는, 디지털 기기로서, 랩탑 컴퓨터, 노트북 컴퓨터, 데스크톱 컴퓨터, 웹 패드, 이동 전화기와 같이 프로세서를 탑재하고 메모리를 구비한 연산 능력을 갖춘 디지털 기기일 수 있다.

본 개시의 일 실시예에 따른 신규 문제 생성 및 개인 맞춤 문제 생성 결과를 표시하는 사용자 인터페이스를 학습자 단말기(200)로 제공하기 위한 동작을 수행하는 플랫폼 서버(100)는, 네트워크부, 프로세서 및 메모리를 포함할 수 있다.

서버는, 본 개시의 실시예들에 따른 사용자 인터페이스를 생성할 수 있다. 플랫폼 서버(100)는, 클라이언트(예를 들어, 학습자 단말기)에게 네트워크를 통해 정보를 제공하는 컴퓨팅 시스템일 수 있다. 플랫폼 서버(100)는, 생성한 사용자 인터페이스를 학습자 단말기(200)로 전송할 수 있다. 이러한 경우, 학습자 단말기(200)는, 플랫폼 서버(100)에 액세스할 수 있는 임의의 형태의 컴퓨팅 장치일 수 있다. 플랫폼 서버(100)의 프로세서(110)는, 네트워크부(150)를 통해 학습자 단말기(200)로 사용자 인터페이스를 전송할 수 있다. 본 개시의 실시예들에 따른 플랫폼 서버(100)는 예를 들어, 클라우드 서버일 수 있다. 플랫폼 서버(100)는 서비스를 처리하는 웹 서버일 수 있다. 전술한 플랫폼 서버(100)의 종류는 예시일 뿐이며 이에 제한되지 않는다.

이와 같이, 본 개시는, 기출 문제 패턴와 최신 트렌드 키워드를 기반으로 신규 문제를 생성하고, 학습자의 개인 목표에 상응하는 신규 문제들을 활용하여 개인 맞춤 문제를 생성함으로써, 최신 트렌드에 맞는 신규 문제와 모의 고사 평가 서비스를 제공하고, 이를 기반으로 개별 학습 패턴을 분석하여 개인별 학습 방향을 가이드할 수 있다.

즉, 본 개시는, 기존 문제은행 및 책자 등으로 공개된 문제 패턴을 데이터 분석하여 분석된 문제 구조 위에 최신 국내뉴스의 시사, 문화 등의 정보에서 검출된 문구와 단어등을 자연어처리(NLP) 또는 RNN(LSTM) 학습 과정을 거쳐 분석하고, 학습자에게 최근 트렌드가 반영된 시의성 높은 예상문제를 생성하여 제공할 수 있다.

또한, 본 개시는, 어플리케이션을 활용하여 학습자에게 모의고사 형태의 문제를 제공하여 시험의 직접적 또는 간접적 체험을 돕고, 문제 해결 경험을 제공할 수 있다.

또한, 본 개시는, 학습자의 오답비율, 오/정답패턴, 풀이소요시간 등을 분석하여 학습자의 학습능력에 대한 강/약점 요소를 추출하여 학습자에게 맞는 학습목표와 평가목표를 제시할 수 있다.

또한, 본 개시는, 국내 회사취업 및 이민 등의 절차를 활용하고자 하는 사람들에게 최신 트렌드가 반영된 문항을 기준으로 생성된 모의고사를 체험 진행할 수 있고, 오프라인 교육에 따르는 시간과 비용을 절약할 수 있도록 유도할 수 있다.

또한, 본 개시는, 한국어에 대한 공인된 실력을 대외적으로 평가받고, 문화 콘텐츠에 대한 관심을 통해 한국에 관심을 갖고 있는 사람들에게 문화에서 생활로의 언어적 허들을 낮추는 교육적 효과를 제공할 수 있다.

도 2는, 도 1의 플랫폼 서버를 설명하기 위한 블럭 구성도이다.

도 2에 도시된 바와 같이, 본 개시의 플랫폼 서버(100)는, 크게 신규 문제 생성부(100a)와 개인 맞춤 문제 생성부(100b)를 포함할 수 있다.

신규 문제 생성부(100a)는, 외부 서버(300)으로부터 기출 문제 데이터와 뉴스 데이터를 획득하는 데이터 획득부, 기출 문제 데이터의 문장을 분석하여 기출 문제 패턴을 추정하는 문제 패턴 추정부, 뉴스 데이터의 문장을 분석하여 최신 트렌드 키워드를 추출하는 키워드 추출부, 기출 문제 패턴와 최신 트렌드 키워드를 기반으로 신규 문제를 생성하는 문제 생성부를 포함할 수 있다.

여기서, 데이터 획득부는, 외부 서버(300)로부터 한국어능력시험에 기출된 문제 데이터를 획득할 수 있고, 온라인 상에서 제공되는 최신 뉴스 데이터를 분야별로 획득할 수 있는데, 이는 일 실시예일 뿐, 이에 한정되지 않는다.

또한, 데이터 획득부는, 기출 문제 데이터 및 뉴스 데이터의 수집 요청이 수신되면 수집 기간의 설정 여부를 확인하고, 수집 기간이 설정되면 수집 기간을 기반으로 수집 기간 내에 생성된 기출 문제 데이터 및 뉴스 데이터를 획득하여 데이터베이스에 저장할 수 있다.

여기서, 데이터 획득부는, 수집 기간의 설정 여부를 확인할 때, 수집 기간이 미설정되면 기본 설정 기간을 기반으로 기본 설정 기간 내에 생성된 기출 문제 데이터 및 뉴스 데이터를 획득할 수도 있다.

또한, 데이터 획득부는, 수집 기간의 설정 여부를 확인할 때, 수집 기간이 미설정되면 현재일부터 순차적으로 과거일별로 생성된 기출 문제 데이터 및 뉴스 데이터를 획득하고, 획득한 기출 문제 데이터 및 뉴스 데이터 양이 과거 특정 시점에 기준 목표량에 도달하면 과거 특정 시점에서 기출 문제 데이터 및 뉴스 데이터의 획득을 종료할 수도 있다.

그리고, 문제 패턴 추정부는, 기출 문제 데이터의 문장을 적어도 하나의 분석 인자를 기반으로 분석하여 기출 문제 패턴을 추정하고, 기출 문제 패턴을 기반으로 뉴럴 네트워크 모델을 학습시켜 문제 모델을 생성할 수 있다.

이어, 키워드 추출부는, 뉴스 데이터를 사전 학습한 뉴럴 네트워크 모델에 입력하여 뉴스 데이터의 문장으로부터 코어 단어들을 추출하고, 추출한 단어들에 각각 최신 트렌드에 대한 가중치를 부여하며, 단어의 가중치를 기반으로 최신 트렌드 키워드를 추출할 수 있다.

다음, 문제 생성부는, 기출 문제 패턴를 기반으로 생성한 문제 모델과 최신 트렌드 키워드를 조합하여 신규 문제를 생성할 수 있다.

한편, 개인 맞춤 문제 생성부(100b)는, 생성된 신규 문제를 저장하고 이를 기반으로 업데이트하는 데이터베이스, 학습자 단말기(200)로부터 학습자의 평가 결과 정보를 획득하는 학습자 정보 획득부, 학습자의 평가 결과 정보를 기반으로 학습자의 개인 목표를 설정하는 개인 목표 설정부, 데이터베이스로부터 학습자의 개인 목표에 상응하는 신규 문제들을 추출하여 개인 맞춤 문제를 생성하는 개인 목표 문제 생성부, 생성한 개인 맞춤 문제를 상응하는 학습자 단말기(200)로 전송하는 출력부를 포함할 수 있다.

여기서, 데이터베이스는, 생성한 신규 문제를 문제 패턴별로 분류하여 저장할 수 있다.

일 예로, 데이터베이스는, 생성한 신규 문제를 문제 유형별. 문제 난이도별, 문제 등장 빈도수별 중 적어도 어느 하나로 분류하여 저장할 수 있다.

다음, 학습자 정보 획득부는, 학습자 단말기(200)로부터 학습자가 수행 완료한 평가 문제 테스트에 대한 평가 결과 정보를 획득할 수 있다.

이어, 개인 목표 설정부는, 학습자의 평가 결과 정보를 분석하고, 학습자의 학습 능력에 대한 강점 요소와 약점 요소를 추출하며, 학습자의 학습 능력에 대한 강점 요소와 약점 요소를 기반으로 학습자의 개인 목표를 설정할 수 있다.

여기서, 개인 목표 설정부는, 학습자의 학습 능력에 대한 분석이 완료되면 학습자의 학습 능력에 대한 분석 결과 정보를 생성할 수 있다.

다음, 개인 목표 문제 생성부는, 데이터베이스에 업데이트된 신규 문제들 중 학습자의 개인 목표에 상응하는 신규 문제들을 추출하고, 추출한 신규 문제들을 기반으로 학습자 개인별로 개인 맞춤 문제를 생성할 수 있다.

이어, 출력부는, 개인 맞춤 문제가 생성되면 개인 맞춤 문제의 생성을 알리는 알림 메시지를 생성하여 학습자 단말기(200)에 제공하고, 학습자 단말기(200)로부터 개인 맞춤 문제의 요청을 수신하면 개인 맞춤 문제를 학습자 단말기(200)로 전송할 수 있다.

도 3은, 본 개시에 따른 인공 지능 시스템의 한국어 학습 서비스 제공 과정을 설명하기 위한 도면이다.

도 3에 도시된 바와 같이, 본 개시는, 신규 문제 생성부(100a)를 통해 신규 문제를 생성하는 과정과 개인 맞춤 문제 생성부(100b)를 통해 개인 맞춤 문제를 생성하는 과정을 포함할 수 있다.

본 개시의 신규 문제 생성 과정은, 다음과 같다.

본 개시는, 외부 서버(300)으로부터 기출 문제 데이터와 뉴스 데이터를 획득할 수 있다.

이어, 본 개시는, 뉴스 데이터의 문장을 분석하여 최신 트렌드 키워드를 추출할 수 있다.

여기서, 본 개시는, 뉴스 데이터를 사전 학습한 뉴럴 네트워크 모델에 입력하여 뉴스 데이터의 문장으로부터 코어 단어들을 추출하고, 추출한 단어들에 각각 최신 트렌드에 대한 가중치를 부여하며, 단어의 가중치를 기반으로 최신 트렌드 키워드를 추출할 수 있다.

일 예로, 본 개시는, 뉴스 사이트 등의 국내 뉴스 데이터를 오픈 소스인 셀레니움(selenium)으로 크롤링하여 시의적 가중치가 높은 단어와 키워드들을 오픈소스인 KoNLP를 사용하여 추출할 수 있는데, 이는 일 실시예일 뿐, 이에 한정되지 않는다.

그리고, 본 개시는, 기출 문제 데이터의 문장을 분석하여 기출 문제 패턴을 추정할 수 있다.

즉, 본 개시는, 기출 문제 데이터의 문장을 적어도 하나의 분석 인자를 기반으로 분석하여 기출 문제 패턴을 추정하고, 기출 문제 패턴을 기반으로 뉴럴 네트워크 모델을 학습시켜 문제 모델을 생성할 수 있다.

일 예로, 본 개시는, 기존 한국어능력시험(TOPIK)에서 제공하고 있는 문제 데이터베이스를 본 개시의 서비스에 등록한 다음, 유형, 난이도, 등장 빈도수 등 분석 인자들에 대한 패턴을 가지고 RNN(LSTM) 딥러닝(TensorFlow 2.0 + Keras)을 진행하여 문제의 모델링을 생성할 수 있는데, 이는 일 실시예일 뿐, 이에 한정되지 않는다.

다음, 본 개시는, 기출 문제 패턴와 최신 트렌드 키워드를 기반으로 신규 문제를 생성할 수 있다.

즉, 본 개시는, 기출 문제 패턴를 기반으로 생성한 문제 모델과 최신 트렌드 키워드를 조합하여 신규 문제를 생성할 수 있다.

한편, 본 개시의 개인 맞춤 문제 생성 과정은, 다음과 같다.

먼저, 본 개시는, 생성한 신규 문제를 데이터베이스에 저장하고, 신규 문제를 기반으로 데이터베이스를 업데이트할 수 있다.

여기서, 본 개시는, 생성한 신규 문제를 문제 패턴별로 분류하여 데이터베이스에 저장할 수 있다.

일 예로, 본 개시는, 생성한 신규 문제를 문제 유형별. 문제 난이도별, 문제 등장 빈도수별 중 적어도 어느 하나로 분류하여 데이터베이스에 저장할 수 있다.

즉, 본 개시는, 신규 문제가 생성되면 신규 문제가 문제 유형별로 분류되는 제1 분류 그룹. 문제 난이도별로 분류되는 제2 분류 그룹, 문제 등장 빈도수별로 분류되는 제3 분류 그룹 중 적어도 어느 하나로 분류하여 데이터베이스에 저장할 수 있다.

여기서, 신규 문제는, 제1 분류 그룹, 제2 분류 그룹, 제3 분류 그룹에 중복되어 저장될 수 있다.

다음, 본 개시는, 학습자 단말기(200)로부터 학습자의 평가 결과 정보를 획득할 수 있다.

즉, 본 개시는, 학습자 단말기(200)로부터 학습자가 수행 완료한 평가 문제 테스트에 대한 평가 결과 정보를 획득할 수 있다.

여기서, 본 개시는, 학습자 단말기(200)에 평가 결과 정보 제공을 요청하고, 학습자 단말기(200)로부터 평가 결과 정보 제공에 대한 승인이 수신되면 학습자 단말기(200)에 평가 결과 정보에 대한 존재 여부를 확인하며, 평가 결과 정보가 존재하면 학습자 단말기(200)로부터 학습자가 수행 완료한 평가 문제 테스트에 대한 평가 결과 정보를 획득할 수 있다.

또한, 본 개시는, 학습자 단말기(200)로부터 평가 결과 정보 제공에 대한 거부가 수신되면 거부로 인한 평가 결과 정보 미획득을 알리는 알림 메시지를 생성하여 학습자 단말기(200)로 전송할 수 있다.

또한, 본 개시는, 평가 결과 정보 미획득으로 인한 개인 맞춤 문제 제공 불가를 알리는 추가 알림 메시지를 생성하여 학습자 단말기(200)로 전송할 수도 있다.

경우에 따라, 본 개시는, 평가 결과 정보가 미존재하면 학습자 단말기(200)에 기초 평가 문제 테스트를 제공하고, 기초 평가 문제 테스트에 대한 학습자의 평가가 완료되면 기초 평가 문제 테스트에 대한 평가 결과 정보를 획득할 수 있다.

이어, 본 개시는, 학습자의 평가 결과 정보를 기반으로 학습자의 개인 목표를 설정할 수 있다.

여기서, 본 개시는, 학습자의 평가 결과 정보를 분석하고, 학습자의 학습 능력에 대한 강점 요소와 약점 요소를 추출하며, 학습자의 학습 능력에 대한 강점 요소와 약점 요소를 기반으로 학습자의 개인 목표를 설정할 수 있다.

일 예로, 본 개시는, 학습자의 평가 결과 정보를 기반으로 오답 비율, 오답 및 정답 패턴, 문제 풀이 소요 시간 중 적어도 어느 하나를 포함하는 학습자의 학습 능력을 분석할 수 있다.

그리고, 본 개시는, 학습자의 학습 능력에 대한 분석이 완료되면 학습자의 학습 능력에 대한 분석 결과 정보를 생성할 수 있다.

여기서, 본 개시는, 분석 결과 정보가 생성되면 분석 결과 정보의 생성을 알리는 알림 메시지를 생성하여 학습자 단말기(200)에 제공하고, 학습자 단말기(200)로부터 분석 결과 정보의 요청을 수신하면 분석 결과 정보를 학습자 단말기(200)로 전송할 수 있다.

다음, 본 개시는, 데이터베이스로부터 학습자의 개인 목표에 상응하는 신규 문제들을 추출하여 개인 맞춤 문제를 생성할 수 있다.

여기서, 본 개시는, 데이터베이스에 업데이트된 신규 문제들 중 학습자의 개인 목표에 상응하는 신규 문제들을 추출하고, 추출한 신규 문제들을 기반으로 학습자 개인별로 개인 맞춤 문제를 생성할 수 있다.

일 예로, 본 개시는, 학습자의 학습 능력에 대한 강점 요소와 약점 요소를 기반으로 강점 요소에 상응하는 신규 문제의 양을 줄여서 추출하고, 약점 요소에 상응하는 신규 문제의 양을 늘려서 추출할 수 있다.

즉, 본 개시는, 학습자의 학습 능력에 대한 약점 요소에 대응하는 신규 문제들을 위주로 개인 맞춤 문제를 생성할 수 있다.

경우에 따라, 개인 맞춤 문제는, 학습자의 학습 능력에 대한 약점 요소에 대응하는 신규 문제들이 차지하는 비율이 가장 높도록 생성할 수도 있다.

이어, 본 개시는, 개인 맞춤 문제를 상응하는 학습자 단말기(200)로 전송할 수 있다.

여기서, 본 개시는, 개인 맞춤 문제가 생성되면 개인 맞춤 문제의 생성을 알리는 알림 메시지를 생성하여 학습자 단말기(200)에 제공하고, 학습자 단말기(200)로부터 개인 맞춤 문제의 요청을 수신하면 개인 맞춤 문제를 학습자 단말기(200)로 전송할 수 있다.

또한, 본 개시는, 개인 맞춤 문제를 학습자 단말기(200)로 전송한 이후에 개인 맞춤 문제에 대한 동의 또는 변경에 대한 피드백을 요청하고, 학습자 단말기(200)로부터 피드백이 수신되면 피드백에 상응하여 개인 맞춤 문제를 유지 또는 변경할 수 있다.

도 4는, 본 개시에 따른 인공 지능 시스템의 신규 문제 생성 과정을 설명하기 위한 도면이다.

도 4에 도시된 바와 같이, 먼저, 본 개시는, 온라인 상에서 제공되는 최신 뉴스 데이터를 분야별로 획득할 수 있다.

즉, 본 개시는, 뉴스 데이터의 수집 요청이 수신되면 수집 기간의 설정 여부를 확인하고, 수집 기간이 설정되면 수집 기간을 기반으로 수집 기간 내에 생성된 뉴스 데이터를 획득하고, 획득한 뉴스 데이터를 분야별로 분류할 수 있다.

여기서, 본 개시는, 수집 기간이 설정되면 뉴스 데이터의 생성 날짜를 확인하고, 뉴스 데이터의 생성 날짜가 수집 기간 내에 포함되면 해당하는 뉴스 데이터를 획득할 수 있다.

또한, 본 개시는, 뉴스 데이터의 생성 날짜가 수집 기간 내에 미포함되면 해당하는 뉴스 데이터를 무시할 수 있다.

그리고, 본 개시는, 수집 기간이 미설정되면 기본 설정 기간을 기반으로 기본 설정 기간 내에 생성된 뉴스 데이터를 획득할 수 있다.

일 예로, 기본 설정 기간은, 최대 3년 이내일 수 있는데, 이는 일 실시예일 뿐, 이에 한정되지 않는다.

또한, 본 개시는, 수집 기간이 미설정되면 기본 설정 기간을 기반으로 기본 설정 기간 내에 생성된 뉴스 데이터를 획득하고, 기본 설정 기간 내에 생성된 뉴스 데이터 양이 기준 목표량 이하이면 기본 설정 기간을 더 연장시키며, 연장 기간을 기반으로 연장 기간 내에 생성된 뉴스 데이터를 획득할 수 있다.

여기서, 본 개시는, 기본 설정 기간을 더 연장시킬 때, 뉴스 데이터 양이 기준 목표량에 도달할 때까지 반복적으로 기본 설정 기간을 연장시킬 수 있다.

또한, 본 개시는, 연장 기간이 최대 연장 기간일 때, 최대 연장 기간 내에 생성된 뉴스 데이터 양이 기준 목표량에 미도달하면 기본 설정 기간의 연장을 종료하고, 기준 목표량에 미도달한 뉴스 데이터 양만을 획득할 수도 있다.

경우에 따라, 본 개시는, 수집 기간이 미설정되면 현재일부터 순차적으로 과거일별로 생성된 뉴스 데이터를 획득하고, 획득한 뉴스 데이터 양이 과거 특정 시점에 기준 목표량에 도달하면 과거 특정 시점에서 뉴스 데이터의 획득을 종료할 수 있다.

이어, 본 개시는, 뉴스 데이터를 사전 학습한 뉴럴 네트워크 모델에 입력하여 뉴스 데이터의 문장으로부터 코어 단어들을 추출할 수 있다.

여기서, 사전 학습한 뉴럴 네트워크 모델은, 자연어 처리 모델(NLP)를 포함할 수 있는데, 이는 일 실시예일 뿐, 이에 한정되지 않는다,

다음, 본 개시는, 추출한 단어들에 각각 최신 트렌드에 대한 가중치를 부여하며, 단어의 가중치를 기반으로 최신 트렌드 키워드를 추출할 수 있다.

여기서, 본 개시는, 단어 빈도(term frequency) 및 역 문서 빈도(inverse document frequency)를 기반으로 단어들에 대한 가중치를 부여할 수 있다.

일 예로, 본 개시는, 뉴스 사이트 등의 국내 뉴스 데이터를 오픈 소스인 셀레니움(selenium)으로 크롤링하여 시의적 가중치가 높은 단어와 키워드들을 오픈소스인 KoNLP를 사용하여 추출할 수 있는데, 이는 일 실시예일 뿐, 이에 한정되지 않는다.

한편, 본 개시는, 한국어능력시험에서 기출된 문제 데이터를 획득할 수 있다.

여기서, 본 개시는, 기출 문제 데이터의 수집 요청이 수신되면 수집 기간의 설정 여부를 확인하고, 수집 기간이 설정되면 수집 기간을 기반으로 수집 기간 내에 생성된 기출 문제 데이터를 획득할 수 있다.

일 예로, 본 개시는, 수집 기간이 설정되면 기출 문제 데이터의 생성 날짜를 확인하고, 기출 문제 데이터의 생성 날짜가 수집 기간 내에 포함되면 해당하는 기출 문제 데이터를 획득할 수 있다.

여기서, 본 개시는, 기출 문제 데이터의 생성 날짜가 수집 기간 내에 미포함되면 해당하는 기출 문제 데이터를 무시할 수 있다.

또한, 본 개시는, 수집 기간이 미설정되면 기본 설정 기간을 기반으로 기본 설정 기간 내에 생성된 기출 문제 데이터를 획득할 수도 있다.

즉, 본 개시는, 수집 기간이 미설정되면 기본 설정 기간을 기반으로 기본 설정 기간 내에 생성된 기출 문제 데이터를 획득하고, 기본 설정 기간 내에 생성된 기출 문제 데이터 양이 기준 목표량 이하이면 기본 설정 기간을 더 연장시키며, 연장 기간을 기반으로 연장 기간 내에 생성된 기출 문제 데이터를 획득할 수 있다.

여기서, 본 개시는, 기본 설정 기간을 더 연장시킬 때, 기출 문제 데이터 양이 기준 목표량에 도달할 때까지 반복적으로 기본 설정 기간을 연장시킬 수 있다.

또한, 본 개시는, 연장 기간이 최대 연장 기간일 때, 최대 연장 기간 내에 생성된 기출 문제 데이터 양이 기준 목표량에 미도달하면 기본 설정 기간의 연장을 종료하고, 기준 목표량에 미도달한 기출 문제 데이터 양만을 획득할 수도 있다.

다른 경우로서, 본 개시는, 수집 기간이 미설정되면 현재일부터 순차적으로 과거일별로 생성된 기출 문제 데이터를 획득하고, 획득한 기출 문제 데이터 양이 과거 특정 시점에 기준 목표량에 도달하면 과거 특정 시점에서 기출 문제 데이터의 획득을 종료할 수도 있다.

다음, 본 개시는, 기출 문제 데이터의 문장을 적어도 하나의 분석 인자를 기반으로 분석하여 기출 문제 패턴을 추정할 수 있다.

여기서, 본 개시는, 기출 문제 데이터의 문장을 유형, 난이도 및 등장 빈도수 중 적어도 하나의 분석 인자를 기반으로 분석하여 기출 문제 패턴을 추정할 수 있다.

이어, 본 개시는, 기출 문제 패턴을 기반으로 뉴럴 네트워크 모델을 학습시켜 문제 모델을 생성할 수 있다.

일 예로, 본 개시는, 기존 한국어능력시험(TOPIK)에서 제공하고 있는 문제 데이터베이스를 본 개시의 서비스에 등록한 다음, 유형, 난이도, 등장 빈도수 등 분석 인자들에 대한 패턴을 가지고 RNN(LSTM) 딥러닝(TensorFlow 2.0 + Keras)을 진행하여 문제의 모델링을 생성할 수 있는데, 이는 일 실시예일 뿐, 이에 한정되지 않는다.

다음, 본 개시는, 기출 문제 패턴와 최신 트렌드 키워드를 기반으로 신규 문제를 생성할 수 있다.

즉, 본 개시는, 기출 문제 패턴를 기반으로 생성한 문제 모델과 최신 트렌드 키워드를 조합하여 신규 문제를 생성할 수 있다.

이어, 본 개시는, 생성한 신규 문제를 데이터베이스에 등록하고, 그를 기반으로 데이터베이스를 업데이트할 수 있다.

도 5는, 본 개시에 따른 인공 지능 시스템의 학습자 학습 능력에 대한 분석 결과 정보를 설명하기 위한 도면이다.

도 5에 도시된 바와 같이, 본 개시는, 학습자가 수행 완료한 평가 문제 테스트에 대한 평가 결과 정보를 획득하고, 학습자의 평가 결과 정보를 분석하여 학습자의 학습 능력에 대한 강점 요소와 약점 요소를 추출할 수 있다.

일 예로, 본 개시는, 학습자의 평가 결과 정보를 기반으로 오답 비율, 오답 및 정답 패턴, 문제 풀이 소요 시간 중 적어도 어느 하나를 포함하는 학습자의 학습 능력을 분석할 수 있다.

그리고, 도 5와 같이, 본 개시는, 학습자의 학습 능력에 대한 분석이 완료되면 학습자의 학습 능력에 대한 분석 결과 정보를 생성할 수 있다.

일 예로, 분석 결과 정보는, 학습자의 영역별 점수, 학습자의 영역별 학습 성취도, 그리고 학습자의 영역별 데이터 그래프 등을 포함할 수 있는데, 이는 일 실시예일 뿐, 이에 한정되지 않는다.

또한, 본 개시는, 분석 결과 정보가 생성되면 분석 결과 정보의 생성을 알리는 알림 메시지를 생성하여 학습자 단말기에 제공하고, 학습자 단말기로부터 분석 결과 정보의 요청을 수신하면 분석 결과 정보를 학습자 단말기로 전송할 수도 있다.

이처럼, 본 개시는, 학습자의 학습 능력에 대한 분석 결과 정보를 기반으로 학습자의 개인 목표를 설정하고, 학습자의 개인 목표에 상응하는 신규 문제들을 기반으로 학습자 개인별로 개인 맞춤 문제를 생성할 수 있다.

일 예로, 본 개시는, 학습자의 학습 능력에 대한 강점 요소와 약점 요소를 기반으로 강점 요소에 상응하는 신규 문제의 양을 줄여서 추출하고, 약점 요소에 상응하는 신규 문제의 양을 늘려서 추출할 수 있다.

도 6은, 본 개시에 따른 한국어 학습 서비스 제공 방법을 설명하기 위한 흐름도이다.

도 6에 도시된 바와 같이, 본 개시는, 기출 문제 데이터와 뉴스 데이터를 획득할 수 있다(S10).

이어, 본 개시는, 기출 문제 데이터의 문장을 분석하여 기출 문제 패턴을 추정하고, 뉴스 데이터의 문장을 분석하여 최신 트렌드 키워드를 추출할 수 있다(S20).

여기서, 본 개시는, 기출 문제 데이터의 문장을 적어도 하나의 분석 인자를 기반으로 분석하여 기출 문제 패턴을 추정하고, 기출 문제 패턴을 기반으로 뉴럴 네트워크 모델을 학습시켜 문제 모델을 생성할 수 있다.

일 예로, 본 개시는, 기출 문제 데이터의 문장을 유형, 난이도 및 등장 빈도수 중 적어도 하나의 분석 인자를 기반으로 분석하여 기출 문제 패턴을 추정할 수 있다.

또한, 본 개시는, 뉴스 데이터를 사전 학습한 뉴럴 네트워크 모델에 입력하여 뉴스 데이터의 문장으로부터 코어 단어들을 추출하고, 추출한 단어들에 각각 최신 트렌드에 대한 가중치를 부여하며, 단어의 가중치를 기반으로 최신 트렌드 키워드를 추출할 수 있다.

여기서, 본 개시는, 단어 빈도(term frequency) 및 역 문서 빈도(inverse document frequency)를 기반으로 상기 단어들에 대한 가중치를 부여할 수 있다.

다음, 본 개시는, 기출 문제 패턴와 최신 트렌드 키워드를 기반으로 신규 문제를 생성하고, 신규 문제를 기반으로 데이터베이스를 업데이트할 수 있다(S30).

여기서, 본 개시는, 기출 문제 패턴를 기반으로 생성한 문제 모델과 최신 트렌드 키워드를 조합하여 신규 문제를 생성할 수 있다.

그리고, 본 개시는, 학습자의 평가 결과 정보를 획득할 수 있다(S40).

여기서, 본 개시는, 학습자의 단말기로부터 학습자가 수행 완료한 평가 문제 테스트에 대한 평가 결과 정보를 획득할 수 있다.

일 예로, 본 개시는, 학습자의 단말기에 평가 결과 정보 제공을 요청하고, 학습자의 단말기로부터 평가 결과 정보 제공에 대한 승인이 수신되면 학습자의 단말기에 평가 결과 정보에 대한 존재 여부를 확인하며, 평가 결과 정보가 존재하면 학습자의 단말기로부터 학습자가 수행 완료한 평가 문제 테스트에 대한 평가 결과 정보를 획득할 수 있다.

이어, 본 개시는, 학습자의 평가 결과 정보를 기반으로 학습자의 개인 목표를 설정할 수 있다(S50).

여기서, 본 개시는, 학습자의 평가 결과 정보를 분석하고, 학습자의 학습 능력에 대한 강점 요소와 약점 요소를 추출하며, 학습자의 학습 능력에 대한 강점 요소와 약점 요소를 기반으로 학습자의 개인 목표를 설정할 수 있다.

일 예로, 본 개시는, 학습자의 평가 결과 정보를 기반으로 오답 비율, 오답 및 정답 패턴, 문제 풀이 소요 시간 중 적어도 어느 하나를 포함하는 학습자의 학습 능력을 분석할 수 있다.

다음, 본 개시는, 데이터베이스로부터 학습자의 개인 목표에 상응하는 신규 문제들을 추출하여 개인 맞춤 문제를 생성할 수 있다(S60).

여기서, 본 개시는, 데이터베이스에 업데이트된 신규 문제들 중 학습자의 개인 목표에 상응하는 신규 문제들을 추출하고, 추출한 신규 문제들을 기반으로 학습자 개인별로 개인 맞춤 문제를 생성할 수 있다.

일 예로, 본 개시는, 학습자의 학습 능력에 대한 강점 요소와 약점 요소를 기반으로 강점 요소에 상응하는 신규 문제의 양을 줄여서 추출하고, 약점 요소에 상응하는 신규 문제의 양을 늘려서 추출할 수 있다.

그리고, 본 개시는, 생성한 개인 맞춤 문제를 상응하는 학습자에게 제공할 수 있다(S70).

여기서, 본 개시는, 개인 맞춤 문제가 생성되면 개인 맞춤 문제의 생성을 알리는 알림 메시지를 생성하여 학습자의 단말기에 제공하고, 학습자의 단말기로부터 개인 맞춤 문제의 요청을 수신하면 개인 맞춤 문제를 학습자의 단말기로 전송할 수 있다.

일 예로, 본 개시는, 개인 맞춤 문제를 학습자의 단말기로 전송한 이후에 개인 맞춤 문제에 대한 동의 또는 변경에 대한 피드백을 요청하고, 학습자의 단말기로부터 피드백이 수신되면 피드백에 상응하여 개인 맞춤 문제를 유지 또는 변경할 수도 있다.

이와 같이, 본 개시는, 기출 문제 패턴와 최신 트렌드 키워드를 기반으로 신규 문제를 생성하고, 학습자의 개인 목표에 상응하는 신규 문제들을 활용하여 개인 맞춤 문제를 생성함으로써, 최신 트렌드에 맞는 신규 문제와 모의 고사 평가 서비스를 제공하고, 이를 기반으로 개별 학습 패턴을 분석하여 개인별 학습 방향을 가이드할 수 있다.

즉, 본 개시는, 기존 문제은행 및 책자 등으로 공개된 문제 패턴을 데이터 분석하여 분석된 문제 구조 위에 최신 국내뉴스의 시사, 문화 등의 정보에서 검출된 문구와 단어등을 자연어처리(NLP) 또는 RNN(LSTM) 학습 과정을 거쳐 분석하고, 학습자에게 최근 트렌드가 반영된 시의성 높은 예상문제를 생성하여 제공할 수 있다.

또한, 본 개시는, 어플리케이션을 활용하여 학습자에게 모의고사 형태의 문제를 제공하여 시험의 직접적 또는 간접적 체험을 돕고, 문제 해결 경험을 제공할 수 있다.

또한, 본 개시는, 학습자의 오답비율, 오/정답패턴, 풀이소요시간 등을 분석하여 학습자의 학습능력에 대한 강/약점 요소를 추출하여 학습자에게 맞는 학습목표와 평가목표를 제시할 수 있다.

또한, 본 개시는, 국내 회사취업 및 이민 등의 절차를 활용하고자 하는 사람들에게 최신 트렌드가 반영된 문항을 기준으로 생성된 모의고사를 체험 진행할 수 있고, 오프라인 교육에 따르는 시간과 비용을 절약할 수 있도록 유도할 수 있다.

또한, 본 개시는, 한국어에 대한 공인된 실력을 대외적으로 평가받고, 문화 콘텐츠에 대한 관심을 통해 한국에 관심을 갖고 있는 사람들에게 문화에서 생활로의 언어적 허들을 낮추는 교육적 효과를 제공할 수 있다.

이상에서 전술한 본 개시의 일 실시예에 따른 방법은, 하드웨어인 서버와 결합되어 실행되기 위해 프로그램(또는 어플리케이션)으로 구현되어 매체에 저장될 수 있다.

상기 전술한 프로그램은, 상기 컴퓨터가 프로그램을 읽어 들여 프로그램으로 구현된 상기 방법들을 실행시키기 위하여, 상기 컴퓨터의 프로세서(CPU)가 상기 컴퓨터의 장치 인터페이스를 통해 읽힐 수 있는 C, C++, JAVA, 기계어 등의 컴퓨터 언어로 코드화된 코드(Code)를 포함할 수 있다. 이러한 코드는 상기 방법들을 실행하는 필요한 기능들을 정의한 함수 등과 관련된 기능적인 코드(Functional Code)를 포함할 수 있고, 상기 기능들을 상기 컴퓨터의 프로세서가 소정의 절차대로 실행시키는데 필요한 실행 절차 관련 제어 코드를 포함할 수 있다. 또한, 이러한 코드는 상기 기능들을 상기 컴퓨터의 프로세서가 실행시키는데 필요한 추가 정보나 미디어가 상기 컴퓨터의 내부 또는 외부 메모리의 어느 위치(주소 번지)에서 참조되어야 하는지에 대한 메모리 참조관련 코드를 더 포함할 수 있다. 또한, 상기 컴퓨터의 프로세서가 상기 기능들을 실행시키기 위하여 원격(Remote)에 있는 어떠한 다른 컴퓨터나 서버 등과 통신이 필요한 경우, 코드는 상기 컴퓨터의 통신 모듈을 이용하여 원격에 있는 어떠한 다른 컴퓨터나 서버 등과 어떻게 통신해야 하는지, 통신 시 어떠한 정보나 미디어를 송수신해야 하는지 등에 대한 통신 관련 코드를 더 포함할 수 있다.

상기 저장되는 매체는, 레지스터, 캐쉬, 메모리 등과 같이 짧은 순간 동안 데이터를 저장하는 매체가 아니라 반영구적으로 데이터를 저장하며, 기기에 의해 판독(reading)이 가능한 매체를 의미한다. 구체적으로는, 상기 저장되는 매체의 예로는 ROM, RAM, CD-ROM, 자기 테이프, 플로피디스크, 광 데이터 저장장치 등이 있지만, 이에 제한되지 않는다. 즉, 상기 프로그램은 상기 컴퓨터가 접속할 수 있는 다양한 서버 상의 다양한 기록매체 또는 사용자의 상기 컴퓨터상의 다양한 기록매체에 저장될 수 있다. 또한, 상기 매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어, 분산방식으로 컴퓨터가 읽을 수 있는 코드가 저장될 수 있다.

본 개시의 실시예와 관련하여 설명된 방법 또는 알고리즘의 단계들은 하드웨어로 직접 구현되거나, 하드웨어에 의해 실행되는 소프트웨어 모듈로 구현되거나, 또는 이들의 결합에 의해 구현될 수 있다. 소프트웨어 모듈은 RAM(Random Access Memory), ROM(Read Only Memory), EPROM(Erasable Programmable ROM), EEPROM(Electrically Erasable Programmable ROM), 플래시 메모리(Flash Memory), 하드 디스크, 착탈형 디스크, CD-ROM, 또는 본 개시가 속하는 기술 분야에서 잘 알려진 임의의 형태의 컴퓨터 판독가능 기록매체에 상주할 수도 있다.

이상, 첨부된 도면을 참조로 하여 본 개시의 실시예를 설명하였지만, 본 개시가 속하는 기술분야의 통상의 기술자는 본 개시가 그 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 실시될 수 있다는 것을 이해할 수 있을 것이다. 그러므로, 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며, 제한적이 아닌 것으로 이해해야만 한다.

Claims (10)

1. 기출 문제 데이터와 뉴스 데이터를 획득하는 단계;
   상기 기출 문제 데이터의 문장을 분석하여 기출 문제 패턴을 추정하고, 상기 뉴스 데이터의 문장을 분석하여 최신 트렌드 키워드를 추출하는 단계;
   상기 기출 문제 패턴와 상기 최신 트렌드 키워드를 기반으로 신규 문제를 생성하여 상기 신규 문제를 기반으로 데이터베이스를 업데이트하는 단계;
   학습자의 평가 결과 정보를 획득하는 단계;
   상기 학습자의 평가 결과 정보를 기반으로 상기 학습자의 개인 목표를 설정하는 단계;
   상기 데이터베이스로부터 상기 학습자의 개인 목표에 상응하는 신규 문제들을 추출하여 개인 맞춤 문제를 생성하는 단계; 및
   상기 생성한 개인 맞춤 문제를 상기 상응하는 학습자에게 제공하는 단계를 포함하는 것을 특징으로 하는 한국어 학습 서비스 제공 방법.
2. 제1 항에 있어서,
   상기 기출 문제 패턴을 추정하는 단계는,
   상기 기출 문제 데이터의 문장을 적어도 하나의 분석 인자를 기반으로 분석하여 상기 기출 문제 패턴을 추정하고, 상기 기출 문제 패턴을 기반으로 뉴럴 네트워크 모델을 학습시켜 문제 모델을 생성하는 것을 특징으로 하는 한국어 학습 서비스 제공 방법.
3. 제2 항에 있어서,
   상기 기출 문제 패턴을 추정하는 단계는,
   상기 기출 문제 데이터의 문장을 유형, 난이도 및 등장 빈도수 중 적어도 하나의 분석 인자를 기반으로 분석하여 상기 기출 문제 패턴을 추정하는 것을 특징으로 하는 한국어 학습 서비스 제공 방법.
4. 제1 항에 있어서,
   상기 최신 트렌드 키워드를 추출하는 단계는,
   상기 뉴스 데이터를 사전 학습한 뉴럴 네트워크 모델에 입력하여 상기 뉴스 데이터의 문장으로부터 코어 단어들을 추출하고, 상기 추출한 단어들에 각각 최신 트렌드에 대한 가중치를 부여하며, 상기 단어의 가중치를 기반으로 최신 트렌드 키워드를 추출하는 것을 특징으로 하는 한국어 학습 서비스 제공 방법.
5. 제4 항에 있어서,
   상기 가중치를 부여하는 단계는,
   단어 빈도(term frequency) 및 역 문서 빈도(inverse document frequency)를 기반으로 상기 단어들에 대한 가중치를 부여하는 것을 특징으로 하는 한국어 학습 서비스 제공 방법.
6. 제1 항에 있어서,
   상기 신규 문제를 생성하는 단계는,
   상기 기출 문제 패턴를 기반으로 생성한 문제 모델과 상기 최신 트렌드 키워드를 조합하여 신규 문제를 생성하는 것을 특징으로 하는 한국어 학습 서비스 제공 방법.
7. 제1 항에 있어서,
   상기 학습자의 개인 목표를 설정하는 단계는,
   상기 학습자의 평가 결과 정보를 분석하고, 상기 학습자의 학습 능력에 대한 강점 요소와 약점 요소를 추출하며, 상기 학습자의 학습 능력에 대한 강점 요소와 약점 요소를 기반으로 상기 학습자의 개인 목표를 설정하는 것을 특징으로 하는 한국어 학습 서비스 제공 방법.
8. 제7 항에 있어서,
   상기 학습자의 평가 결과 정보를 분석하는 단계는,
   상기 학습자의 평가 결과 정보를 기반으로 오답 비율, 오답 및 정답 패턴, 문제 풀이 소요 시간 중 적어도 어느 하나를 포함하는 상기 학습자의 학습 능력을 분석하는 것을 특징으로 하는 한국어 학습 서비스 제공 방법.
9. 하드웨어인 컴퓨터와 결합되어, 상기 제1 항 내지 제8 항 중 어느 한 항의 한국어 학습 서비스 제공 방법을 수행하기 위해 매체에 저장된, 인공 지능 시스템의 한국어 학습 서비스 제공 방법을 제공하는 컴퓨터 프로그램.
10. 학습자 단말기 및 외부 서버에 통신 연결되어 한국어 학습 서비스를 제공하는 플랫폼 서버를 포함하는 인공 지능 시스템에 있어서,
    상기 플랫폼 서버는,
    하나 이상의 코어를 포함하는 프로세서; 및
    데이터베이스를 포함하고,
    상기 프로세서는,
    기출 문제 데이터와 뉴스 데이터를 획득하고,
    상기 기출 문제 데이터의 문장을 분석하여 기출 문제 패턴을 추정하고, 상기 뉴스 데이터의 문장을 분석하여 최신 트렌드 키워드를 추출하며,
    상기 기출 문제 패턴와 상기 최신 트렌드 키워드를 기반으로 신규 문제를 생성하여 상기 신규 문제를 기반으로 상기 데이터베이스를 업데이트하고,
    학습자의 평가 결과 정보를 획득하며,
    상기 학습자의 평가 결과 정보를 기반으로 상기 학습자의 개인 목표를 설정하며,
    상기 데이터베이스로부터 상기 학습자의 개인 목표에 상응하는 신규 문제들을 추출하여 개인 맞춤 문제를 생성하고,
    상기 생성한 개인 맞춤 문제를 상기 상응하는 학습자에게 제공하는 것을 특징으로 하는 인공 지능 시스템.

Images