본 논문에서는 스마트폰 상에서 한자 학습 시스템을 랭크부스트 알고리즘을 이용하여 개인화하는 방법에 대해 논하고자 한다. 한자 학습의 일반적인 환경을 보면, 학습자는 급수에 따라 일정한 개수의 학습할 한자들이 있으며, 학습이 진행됨에 따라 그 한자들 중 자신이 잘 틀리는, 즉 자신에게는 난이도가 높은 한자들이 생기게 된다. 본 논문에서는 이러한 난이도의 측정을 랭크부스트 알고리즘을 통해 구현하였다. 알고리즘은 초기에는 모든 한자들에 대해 동일한 가중치를 가지고 학습을 시작하게 하지만, 사용자가 자주 틀리는 한자에 대해서는 가중치를 높여 나간다. 본 논문에서 제안하는 랭크부스트 알고리즘은 학습자에 개인화된 난이도 순위를 매겨줌으로, 학습자가 어려운 한자에 더 자주 노출되게 한다면 학습 효과를 높일 수 있다.
본 논문에서는 스마트폰 상에서 한자 학습 시스템을 랭크부스트 알고리즘을 이용하여 개인화하는 방법에 대해 논하고자 한다. 한자 학습의 일반적인 환경을 보면, 학습자는 급수에 따라 일정한 개수의 학습할 한자들이 있으며, 학습이 진행됨에 따라 그 한자들 중 자신이 잘 틀리는, 즉 자신에게는 난이도가 높은 한자들이 생기게 된다. 본 논문에서는 이러한 난이도의 측정을 랭크부스트 알고리즘을 통해 구현하였다. 알고리즘은 초기에는 모든 한자들에 대해 동일한 가중치를 가지고 학습을 시작하게 하지만, 사용자가 자주 틀리는 한자에 대해서는 가중치를 높여 나간다. 본 논문에서 제안하는 랭크부스트 알고리즘은 학습자에 개인화된 난이도 순위를 매겨줌으로, 학습자가 어려운 한자에 더 자주 노출되게 한다면 학습 효과를 높일 수 있다.
In this paper, we propose a personalized Chinese character education system using RankBoost algorithm on a smartphone. In a typical Chinese character education scenario, a trainee is supplied with a finite number of Chinese characters as an input set in the beginning. And, as the training session re...
In this paper, we propose a personalized Chinese character education system using RankBoost algorithm on a smartphone. In a typical Chinese character education scenario, a trainee is supplied with a finite number of Chinese characters as an input set in the beginning. And, as the training session repeats, the trainee will notice her/his difficult characters in the set which she/he hardly answers. Those characters reflect their personalized degrees of difficulty. Our proposed system constructs these personalized degrees of difficulty using RankBoost algorithm. In the beginning, the algorithm start with the set of Chinese characters, of which each is associated with the same weight values. As the training sessions are repeated, the algorithm increase the weights of Chinese characters that the trainee mistakes, thereby eventually constructs the personalized difficulty degrees of Chinese characters. The proposed algorithm maximizes the educational effects by having the trainee exposed to difficult characters more than easy ones.
In this paper, we propose a personalized Chinese character education system using RankBoost algorithm on a smartphone. In a typical Chinese character education scenario, a trainee is supplied with a finite number of Chinese characters as an input set in the beginning. And, as the training session repeats, the trainee will notice her/his difficult characters in the set which she/he hardly answers. Those characters reflect their personalized degrees of difficulty. Our proposed system constructs these personalized degrees of difficulty using RankBoost algorithm. In the beginning, the algorithm start with the set of Chinese characters, of which each is associated with the same weight values. As the training sessions are repeated, the algorithm increase the weights of Chinese characters that the trainee mistakes, thereby eventually constructs the personalized difficulty degrees of Chinese characters. The proposed algorithm maximizes the educational effects by having the trainee exposed to difficult characters more than easy ones.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
. 기존 연구 중 학습 효과를 높여주는 방법들과 제안한 방법의 정량적 비교평가- 기존연구들을심층적으로 살펴보고, 제안된 방법 과 정 량적 인 비 교를 통해 제안한 방법 의 우수성을 평가하고자 한다.
본 논문에서는 스마트폰 상에서 한자 학습 시스템을랭크부스트 알고리즘을 학습자를 대상으로 역 이용하여 개인화하는 방법에 대해 논하였다. 이러한개인화 시스템을 스마트폰에 적용하는 경우, 개인이 사용하는 스마트폰의 특성과 잘 들어맞으므로, 안드로이드 운영체제상에서 시스템을 구현하였다’
더 빠른 학습 속도를 보였다. 이러한 랭크 부스트 방법은 기계 학습에서는 널리 쓰이고 있으며, 수학적으로도 형식적으로 잘 정리되어 있으나, 교육용 소프트웨어, 특히 개 인화가 중요한 스마트폰 상의 교육용 소프트웨어에서는 그리 언급되지 않음으로 본 논문에서 제안하고자 하는 것이다.
반면, 스마트 폰[2]의 경우, 공장에서 대량생산되지만 대부분의 경우 한 사람의 소비자에 의해서만 사용되므로, PC와 비교해 볼 때 개인화의 효과가 더 크다고 볼 수 있다. 이러한 배 경 에 근거 하여, 본 논문에 서는 스마트폰 상에서 개인화된 한자 학습 시스템을 랭크부스트 알고리즘[3]을 사용하여 설계하는 방법에 대해 논하고자 한다.
제안 방법
전체 한자들의 개수가 m 이라면, 한 번의 시험에서 학습자가풀게 될 한자의 개수는 I (I < m)이다. 각 한자들마다의 확률 분포 Dt 에 근거하여 무작위로 1/2개의 한자를 선정하고, 선정되지 않은 그 외 의 한자들에 대해서는 동일한 확률 분포를 가정하고 무작위로 〃2개의 한자를 선정하여, 총 Z 개의 한자들을 학습자에게 학습시킨다. 즉, 절반은 부스팅 된 확률 분포에 근거해서 선정된, 학습자가 그동안 잘 틀린 한자들이며, 나머지 절반은 무작위로 선정된 한자들이다.
본 논문에서 제안하는 시스템은 구글의 안드로이드 운영체제 상에서 자바 언어로 구현되었으며, 스마트폰의 GUI 프로그램 개발을 위해서 구글 안드로이드 SDK 1.5를 사용하였다. 사용된 한자는 사단법 인 한자교육진흥회 의 국가 공인 한자 급수 자격 시험 중 5급 한자의 250자이며, 4명 의 초등학교 2학년 실험자들에 대해 실험을 수행하였다.
본 논문에서 제안하는 시스템의 효과를 검증하기 위 해, 사단법 인 한자교육진흥회의 국가 공인 한자 급수 자격 시험 중 5급 한자의 250자를 가지 고, 4 명 의 초등학교 2학년생 실험자들에 대해 학습 실험을 수행하였다.
말한다. 본 논문에서 제안한 시스템은 위에 서 는 기 계적으로 생성된 분류기를 인간인 학습자의 학습 성과로 대체한 것이다.
방법에 대해 논하였다. 이러한개인화 시스템을 스마트폰에 적용하는 경우, 개인이 사용하는 스마트폰의 특성과 잘 들어맞으므로, 안드로이드 운영체제상에서 시스템을 구현하였다’
대상 데이터
실험 설정은 다음과 같다. 각각의 실험자를 위해 250 자 중 100 자의 한자를 무작위로 선정한다. 선정된 100 자의 한자들 중, 50자는 대조군 설정을 위해 무작위로 문제를 제시하는 프로그램(Baseline)을 사용하여 공부하고, 다른 50자는 랭크부스트(RankBoost)를 사용하는 프로그램으로 공부한다(m=50).
본 논문에서 제안하는 시스템은 안드로이드 운영체제[4] 상에서 구현되었으며, 사단법인 한자교육진흥회의 국가 공인 한자 급수 자격 시험 [5] 중 5급 한자의 250 자를 가지 고, 4 명 의 초등학교 2학년 실험 자들에 대해 실험을 수행하였다.
본 연구에서는 제안된 알고리즘의 평가를 위해 4명의 초등학생을 대상으로 5급 한자 데이터를 사용하였다. 반복적인 학습 실험을 통해 다소간 의미있는 결과를 도출하였으나, 통계적으로 더욱 의미 있는 결과를 내기 위해서는 보다 확장된 실험이 필요할 것으로 여겨진다.
5를 사용하였다. 사용된 한자는 사단법 인 한자교육진흥회 의 국가 공인 한자 급수 자격 시험 중 5급 한자의 250자이며, 4명 의 초등학교 2학년 실험자들에 대해 실험을 수행하였다.
이론/모형
본 논문에서는 학습자 개개인의 난이도의 측정을 랭크부스트 알고리즘을 통해 구현하였다. 알고리즘은 초기에는 모든 한자들에 대해 동일한 가중치를 가지고 학습을 시 작하게 하지 만, 사용자가 자주 틀리 는 한자에 대해서는 가중치를 높여 나간다.
알고리즘을 설명해야 한다. 이를 위해 대표적인 부스팅 알고리즘인 AdaBoost 알고리 즘[6]을 소개하도록 하겠다. AdaBoost는 (Adaptive Boost)의 으¥자로, 어떠한 학습 알고리즘에도 적용할 수 있는 메타 알고리즘이다.
성능/효과
알고리즘은 초기에는 모든 한자들에 대해 동일한 가중치를 가지고 학습을 시 작하게 하지 만, 사용자가 자주 틀리 는 한자에 대해서는 가중치를 높여 나간다. 본 논문에서 제안하는 한자 학습을 위해 랭크부스트 알고리즘을 적용한 스마트폰 응용 시스템은 학습자에 개 인화된 난이도 순위를 매겨줌으로, 학습자가 어려운 한자에 더 자주 노출되 게 한다면 학습 효과를 높일 수 있다.
후속연구
. 실험군 및 실험 데이터의 확장- 실험 대상의 숫자를 더 늘리고 고학년 및 저학년 학생으로 계층화한 후, 다양한 급수의 한자 데이터를 적용하여, 통계적으로 더욱 의미가 있는 결과를 도출하도록 할 예정이다.
필기 인식 시스템과의 연동- 한자급수 시험은 단순히 음훈 읽기만 테스트하는 것이 아니라, 쓰는 법도 테스트한다. 따라서 향후의 연구는 학습자가 쓴 한자를 인식하는 법에 대한 연구를 포함할 것이다. 이는 한자를 인식하여 검색하는 한자 필기 검색 엔진으로의 응용도 가능하다.
사용하였다. 반복적인 학습 실험을 통해 다소간 의미있는 결과를 도출하였으나, 통계적으로 더욱 의미 있는 결과를 내기 위해서는 보다 확장된 실험이 필요할 것으로 여겨진다. 이에 대해서는 향후 연구에서 더 자세히 서술하였다.
참고문헌 (6)
A. Das, M. Datar, A. Garg, and S. Rajaram, "Google News Personalization: Scalable Online Collaborative Filtering," In the proceedings of 16th International World Wide Web Conference (WWW 2007), May 8-12, 2007, Banff, Alberta, Canada.
R. Ballagas, J. Borchers, M. Rohs, and J. G. Sheridan, "The Smart Phone: A Ubiquitous Input Device," IEEE Pervasive Computing, vol. 5, no. 1, pp. 70-77, January-March, 2006.
Y. Frewd, R. lyer, R. E. Schapire, and Y. Singer. "An efficient boosting algorithm for combining preferences," Journal of Machine Learning Research, 4:933-969, Nov. 2003.
J. Aguero, M. Rebollo, C. Carrascosal and V. Julianl, "Does Android Dream with Intelligent Agents?," International Symposium on Distributed Computing and Artificial Intelligence, pp. 194-204, 2008.
사단법인 한자교육진흥회, 국가 공인 한자 급수 자격 시험, http://www.hanja114.org/.
Y. Freund and R. E. Schapire, "A decision-theoretic generalization of on-line learning and an application to boosting," Journal of Computer and System Sciences, no. 55. 1997.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.