AgensGraph Use Case #6. AI 기반 학습 관리 시스템 (Personalized Education Service) 편

안녕하세요. 국내 유일 그래프 데이터베이스 연구 개발 전문기업 비트나인입니다.

AgensGraph의 여섯 번 째 Use case로 E 사의 AI 기반 학습 관리 시스템 (Personalized Education Service) 적용 사례를 소개해 드리고자 합니다.

---

Background

학생들이 공부를 지루해하는 이유 중 하나는 다양한 학생들을 똑같은 방식으로 가르치려고 하는 것입니다. E 사는 이러한 방식을 혁신하고 새로운 교육 서비스를 제공하려는 회사 중 하나였고 이들에게 AgensGraph는 열쇠였습니다.

Challenge

기존 교육 시스템은 학생 개인을 일일이 관리할 자원과 시간이 부족하며 이 과정을 자동화하기 위한 준비가 미흡했습니다. E 사는 오랜 시간 축적된 방대한 양의 학습 데이터와 노하우를 가지고 있었지만 학생 개인의 특성을 고려한 학습 모델을 모두에게 효율적으로 제공하기는 쉽지 않았습니다.

E 사의 근본적인 문제는 개인화된 교육 서비스를 제공하려면 학생 개인마다 새로운 커리큘럼을 구성해야 한다는 점이었습니다. 새로운 커리큘럼은 순서에 상관없이 필요에 따라 자유롭게 이 내용 또는 저 내용을 오가며 가르칠 수 있도록 모든 개념이 서로 연결된 네트워크 구조로 구성되어야 유리합니다. 문제는, E 사가 기존까지 사용해왔던 관계형 데이터베이스는 데이터를 테이블 형태로 저장하기 때문에 이렇게 네트워크 형태로 지식 체계를 관리하는 데 필요한 성능을 제공하기 어려웠습니다.

Solution

Bitnine은 E 사에 크게 3가지 솔루션을 제공했습니다.

먼저, Bitnine은 각 교과목에 대한 학습 체계(Knowledge Space)를 자사의 그래프 데이터베이스인 AgensGraph를 사용해 구축했습니다. 교과목, 영역, 단원, 개념단위, 문항 등은 그래프 모델에서 하나의 ‘점’으로 표현되고 이들 간의 관계는 ‘선’으로 표현되어 여러 지식 단위가 서로 연결된 네트워크 구조인 그래프(Graph)가 형성됩니다.

다음으로, Bitnine은 이러한 지식 공간을 기반으로 학생 한 명 한 명마다 최적화된 교육 서비스를 구현했습니다. 이 서비스는 우선, 문제를 풀다가 실수할 확률 등 학습 과정에 존재하는 여러 변수를 분석해 학생의 현재 지식 상태를 진단합니다. 또 학습에 몰입한 정도, 종합적인 이해도 등 학습 행동 데이터를 활용해 취약한 부분을 파악하고 이에 따라 학습 경로를 추천하고 진도를 조정해줍니다.

위 교육 서비스를 제공하기 위해 Bitnine은 학생이 공부하는 과정에서 수집한 데이터를 분석해 학생의 성향을 파악하는 모델을 만들었습니다. 이 모델은 학생 데이터를 분석해 문제해결 능력, 추론 능력, 집중력, 성실한 정도 등을 파악하고 이를 바탕으로 학생 성향을 판단합니다.

Benefits

이제 E 사는 AgensGraph를 사용해 개인화된 교육 서비스를 제공할 수 있습니다. E 사의 교육 서비스는 학생 한 명, 한 명의 학업 성취도, 행동 패턴, 개인 성향을 함께 고려해 각 학생이 어떻게 공부해야 효과적인지 구체적으로 제시합니다. 이로 인해 E 사는 단순히 시험 점수를 반영해 진도를 수정하는 방식을 ‘맞춤형’ 교육으로 포장하는 경쟁업체와는 차원이 다른 서비스를 제공하며, 학생들이 시행착오를 줄이고 더 효율적으로 학습하는 기반을 제공할 수 있습니다.

---

지금까지 E 사의 AI 기반 학습 관리 시스템 (Personalized Education Service) 사례를 간략히 설명해드렸습니다.

비트나인 홈페이지 방문 시, 좀 더 자세한 내용을 확인하실 수 있습니다.

▶AI 기반 학습 관리 시스템 (Personalized Education Service Use case) 자세히 보기

▶ AgensGraph 직접 사용해보기

AgensGraph에 관한 질문사항이나 기타 문의가 있으시면 언제든지 agens@bitnine.net으로 메일을 보내주시면 빠른 답변 드리도록 하겠습니다.

감사합니다!