📁

[E-AIDT] 학급별 추천 발송

Epic Link
Slack Link
SRS
Figma
Link
Link
Link
Link
FE
BE
QA
Data
이경민
김영훈
김시원
김정훈, 조하진

개요

현황 및 히스토리

배경

전통적인 학교 수업은 교사의 주도로 진행되며, 모든 학생에게 동일한 학습 콘텐츠와 속도로 수업이 이루어집니다. 이러한 일률적인 교육 방식은 학생 개개인의 학습 수준과 이해도를 충분히 반영하지 못해, 일부 학생들은 수업 내용을 이해하지 못하거나 지나치게 쉬운 내용으로 인해 학습 동기가 저하되는 문제를 야기할 수 있습니다. 디지털 교과서의 도입은 이러한 문제를 해결할 수 있는 기회를 제공합니다.

발견한 문제점

•
기존 학교 수업은 학생 개인의 학습 이해도나 진도를 고려한 맞춤형 학습 제공에는 한계가 있습니다.

가설

•
학생 개개인의 학습 이해도를 기반으로 추가 학습 또는 복습이 필요한 부분을 자동으로 제안하는 추천 학습 기능을 도입하면, 학습 효과를 극대화할 수 있을 것입니다. 이러한 기능은 디지털 교과서의 핵심적인 장점으로, 가장 디지털 교과서다운 기능이라 할 수 있습니다. 이를 통해 학생들은 자신의 학습 진도와 이해도에 맞춘 학습 경험을 제공받을 수 있으며, 학습 격차를 줄이고 학습 성과를 높일 수 있을 것으로 기대됩니다.

요구사항

•
학생의 정답률(상중하 성취율)에 따라서 맞춤형 추천 콘텐츠를 발송할 수 있어야 한다.
•
연수 버전의 발송 위치는 [커리큘럼 학급 대시보드] 에서 진행된다.
◦
커리큘럼 학급 대시보드의 각 Unit 별 AI 보조교사 추천 발송 버튼을 활용
•
대시보드 AI 보조교사가 Unit 학습 결과에 대한 피드백을 표현해야 한다.
•
주의사항*: 연수용으로 준비되는 버전이지만 하드코딩이 되면 안됨. 이 버전을 기반으로 개선 업데이트 예정.

이번에 고려하지 않아야 할 것

•
검인정 전 작업해야할 것
◦
유닛에 연결태그를 구성 (출판사 요구사항에 있으나 연수 버전 이후에 작업 필요)
◦
지식태그를 통한 추천 (추후 작업해야하나 지식 태그 관련 선작업이 필요)
◦
학급(학습) 요약을 통한 AI 보조교사 및 추천 발송
◦
각각 학생의 SA를 편집하는 화면 (FE 리소스 고려하여 현재 버전에서는 제외)
◦
각각 학생을 선택적으로 눌러서 발송하는 버튼
•
검인정 전에 하지 않아도 될 것
◦
Depth 가 깊은 추천 알고리즘 (선지식태그 등을 고려한)
◦
-

Key Results

•
교사의 커리큘럼 학급 대시보드에서 유닛별로 AI 보조교사가 피드백 문장을 출력할 수 있다.
•
교사가 커리큘럼 학급 대시보드에서 유닛 단위로 학생의 정답률에 따라 맞춤형 추천 콘텐츠를 Sub CCC기반으로 발송할 수 있다.
•
학생은 숙제 목록에서 숙제를 확인 및 학습할 수 있다.

추천 전략

•
상중하 기준
◦
하: 정답률 0~60%
◦
중: 정답률 60~90%
◦
상: 정답률 90~100%
•
연결태그
◦
선수 문제: 해당 SA를 틀렸을때 풀어야하는 선수 문제들
◦
쌍둥이 문제: 해당 SA와 같은 유형의 쌍둥이 문제들
◦
유사 문제: 해당 SA와 유사한 유형의 문제들
◦
심화 문제: 해당 SA의 심화 버전의 문제들
•
추천 알고리즘 (콘텐츠 구성에 따라 변경 가능함. 하드코딩하면 안됨X)
◦
성취율 하일때
▪
선수 문제 + 오답 문제
◦
성취율 중일때
▪
오답 문제 + 쌍둥이 문제
◦
성취율 상일때
▪
오답 문제 + 유사문제 + 심화 문제
•
위 알고리즘을 기준으로 적절하게 연수용 콘텐츠를 구성

추천 학습 -> 숙제 발송시, CSM 구성 방식

•
주요 정책
◦
성취율별 추천 태그
우수 그룹(정답률 90~100%대)
오답 문제 + 유사문제 + 심화 문제
중간 그룹(정답률 60~90%대)
오답 문제 + 쌍둥이 문제
기초 그룹(정답률 0~60%대)
개념 학습 + 오답 문제
◦
숙제 발송시 규칙
When
Then
추천 이유가 “오답 문제” 일 때
오답인 SA를 추천 목록에 포함합니다.
레벨이 “상위” && 추천 이유가 “심화 문제”일 때
SU에 포함된 SA의 정/오답 여부와 상관 없이 모든 SA에 연결된 [심화 문제]를 추천 목록에 포함합니다.
추천 이유가 나머지 유형일 때 (선수 문제, 쌍둥이 문제, 유사문제)
오답인 SA와 연결된 [선수 문제, 쌍둥이 문제, 유사문제]를 추천 목록에 포함합니다.
◦
추천 목록 구성 방식
▪
상중하 라벨링, 연결태그, 학생별 학습 결과에 따라 학습할 추천 SA 목록을 구성합니다.
▪
Edge Case
•
원본 SAI에 특정 연결태그를 포함하지 않는 경우, 추천 학습 목록에 포함되지 않습니다.
▪
숙제로 발송될 때 SAI 정렬 순서(️ 의도한 순서 있음 ! ️)
원본 SA의 순서
원본 SU에 포함된 원본 SA의 order순 정렬
태그간의 순서
데이터팀에서 내려주는 태그 배열 순서대로 정렬 - 21일 타겟으로 콘텐츠 구성 순서 : [개>오>쌍>유>심]
SA 순서
태그와 연결된 SA의 order순 정렬
▪
SAI Title
When
Then
추천 태그에 포함된 sa 가 1개인 경우
{원본 SAI 제목} 연관 / {추천 태그 제목}
추천 태그에 포함된 sa 가 2개 이상인 경우
제목 뒤에 ({번호})를 붙여 구분합니다. - ex. —— {원본 SAI 제목} 연관 / {추천 태그 제목} (1) —— {원본 SAI 제목} 연관 / {추천 태그 제목} (2)

솔루션

커리큘럼 학급 대시보드에서 유닛별로 AI 보조교사가 피드백을 출력할 수 있다.
교사가 커리큘럼 학급 대시보드에서 유닛 단위로 학생의 정답률에 따라 맞춤형 추천 콘텐츠를 Sub CCC기반으로 발송할 수 있다.
학생은 숙제 목록에서 숙제를 확인할 수 있다.

논의 사항

•
기존 논의한 [학생 목록 보여주기 - 콘텐츠 선택하기 - SA 미리보기] Flow를 타야하는가?
◦
세부 콘텐츠 확인 및 제외하는 UI는 없어도 됨.
◦
다만, 추천 근거가 무엇인지에 대해서는 UI에 노출하는 방향
◦
상/중/하 분류 - 데이터팀에서 로직 가져감

가설 및 지표

로그 설계

참고자료

•
SRS