Project Introduction

Motivation

“어떻게 하면 학습한 내용을 잊어버리지 않고 오래 기억할 수 있을까?”

학습 과정에서 가장 어려운 점은 단순히 내용을 이해하는 것이 아니라, 시간이 지나도 다시 꺼내 쓸 수 있도록 기억에 남기는 것이라고 생각했습니다.

해당 프로젝트는 공부한 내용을 직접 질문으로 만들고,

답변을 통해 스스로 이해도를 점검하며,

부족한 부분을 반복적으로 학습할 수 있도록 돕는 것을 목표로 시작되었습니다.

---

About the Project

해당 프로젝트는 문제 기반 학습과 인터뷰 형식의 반복 학습을 결합한 학습 기록 및 자동 채점 플랫폼입니다.

사용자는 학습한 내용을 문제로 정리하고, 인터뷰 형식으로 답변하며, 채점 결과와 점수를 통해 자신의 약점을 인식하고 보완할 수 있습니다.

1. 문제 작성

사용자는 학습한 내용을 기반으로 문제(질문)를 직접 작성합니다.

문제에는 답변에 반드시 포함되어야 할 핵심 키워드를 함께 정의합니다.

작성된 문제는 관리자 리뷰를 거쳐 승인되며,

승인 전에는 PRIVATE, 승인 후에는 PUBLIC 상태로 전환되어 다른 사용자와 공유됩니다.

2. 문제 관리

사용자는 자신이 작성한 문제를 조회하고 관리할 수 있습니다.

문제는 개인 학습용(PRIVATE)과 서비스 공용(PUBLIC)으로 구분됩니다.

3. 인터뷰 & 채점

사용자는 학습한 내용을 인터뷰 형식으로 진행할 수 있습니다.

인터뷰 중 제출한 답변은 채점 시스템을 통해 평가됩니다.

채점 방식

1. NLI(자연어 추론) 분류: 모범 답변과 사용자 답변 간의 논리적 관계 판단

   • 함의(entailment): 정답과 일치 → 높은 점수
   • 중립(neutral): 부분 일치 → 중간 점수
   • 모순(contradiction): 오답 → 즉시 실패 처리

2. 키워드 매칭: FastText 단어 유사도 기반 키워드 포함 여부 확인

   • 원문 텍스트 직접 매칭
   • 한글→영어 번역 후 FastText 유사도 계산
   • 유사도 임계값(0.65) 이상이면 키워드 포함으로 판단

채점 결과는 문제의 카테고리별 점수로 기록되며,

이 점수는 사용자의 부족한 영역을 파악하는 데 사용되고

이후 인터뷰에서 문제 추천 시스템의 입력 값으로 활용됩니다.

인터뷰가 종료된 후에는 다음 정보를 다시 확인할 수 있습니다.

• 질문과 답변 내용
• 채점 점수
• 답변에 대한 피드백

또한 인터뷰에서는 서비스에서 기본 제공하는 문제(PUBLIC)와 사용자가 직접 작성한 문제(PRIVATE)를 혼합하여 제공함으로써 학습 범위를 확장합니다.

4. 마이 페이지

사용자는 카테고리별 점수를 한눈에 확인할 수 있습니다.

예: 컴퓨터 공학, 백엔드, 시스템 설계 등

각 카테고리를 선택하면 하위 카테고리 점수를 확인할 수 있습니다.

예: 컴퓨터 공학 → 네트워크, 데이터베이스

이를 통해 학습 강점과 약점을 직관적으로 파악할 수 있습니다.

Project Structure

해당 프로젝트는 Spring 기반 웹 애플리케이션과 Python 기반 Fast-api 채점 서버로 구성된 멀티 서버 아키텍처를 사용합니다.

Spring 서버는 웹 뷰 제공과 비즈니스 로직 처리를 담당하며, Python 채점 서버는 사용자 질문에 대한 대답을 채점을 담당합니다.

각 서버는 독립적으로 책임을 가지며, 자세한 설명은 하위 README를 참고합니다.

Documentation

👉 Spring API Server

👉 Python Evaluation Server

How to Run

전체 서비스는 Docker Compose를 통해 실행할 수 있습니다.

1. '.env-ex' 파일의 값을 채우고 '.env' 로 파일 이름 변경

2. 프로젝트 루트에서 아래 명령어 수행

   • docker compose --profile test up -d'

각 서버의 세부 실행 방법 및 환경 설정은 하위 README를 참고하세요.