
Korean: 
안녕하세요, 저는 Carrie Anne입니다. 
컴퓨터 과학 특강에 오신 것을 환영합니다!
컴퓨팅 기술에 의해 가능해진 가장 드라마틱한
변화 중 하나는 정보의 생성과 보급입니다.
컴퓨팅 기술에 의해 가능해진 가장 드라마틱한
변화 중 하나는 정보의 생성과 보급입니다.
현재 인터넷에 13억 개의 웹 사이트가 있습니다.
위키피디아만 해도 500만 개의 영어 기사가 있으며,
1518년의 무도광 현상에서부터 적절한 화장지 두루마리
방향에 이르기까지 모든 것을 망라합니다.
매일 Google은 정보에 접근하기 위해
40억 건의 검색을 내놓습니다.
매분 350만 개의 동영상이 유튜브에서 보여지고,
400시간의 새 비디오가 사용자에 의해 업로드됩니다.
매분 350만 개의 동영상이 유튜브에서 보여지고,
400시간의 새 비디오가 사용자에 의해 업로드됩니다.
이러한 견해의 대부분은 강남 스타일와 Despacito를
보는 사람들입니다.
그러나 또 다른 큰 비율로 여러분이 지금 하는 것과 같이
교육으로 간주되는 것도 있습니다.
이 놀라운 보물 정보는 단지 스마트폰을
몇 번만 치면 접근할 할 수있습니다.
이 놀라운 보물 정보는 단지 스마트폰을
몇 번만 치면 접근할 할 수있습니다.
언제든, 어디에서든지요.
그러나 이용 가능한 정보를 갖고 있는 것은, 그것을
배우는 것과 같지 않습니다.
분명히, 우리는 우리는 여기서 Crash Course에서 
우리는 상호 작용하는 클래스 안의 학습의 큰 팬이며,
직접 대화, 실습 경험을 학습을 위한
강력한 도구로 활용할 수 있습니다.

English: 
Hi, I’m Carrie Anne, and welcome to Crash
Course Computer Science!
One of the most dramatic changes enabled by
computing technology has been the creation
and widespread availability of information.
There are currently 1.3 billion websites on
the internet.
Wikipedia alone has five million English language
articles, spanning everything from the Dancing
Plague of 1518 to proper toilet paper roll
orientation.
Every day, Google serves up four billion searches
to access this information.
And every minute, 3.5 million videos are viewed
on Youtube, and 400 hours of NEW video get
uploaded by users.
Lots of these views are people watching Gangnam
Style and Despacito.
But another large percentage could be considered educational, like what you’re doing right now.
This amazing treasure trove of information
can be accessed with just a few taps on your
smartphone.
Anywhere, anytime.
But, having information available isn’t
the same as learning from it.
To be clear, we here at Crash Course we are
big fans of interactive in-class learning,
directed conversations, and hands-on experiences
as powerful tools for learning.

English: 
But we also believe in the additive power
of educational technology both inside and
outside the classroom.
So today we’re going to go a little meta,
and talk specifically about how computer science
can support learning with educational technology.
Intro
Technology, from paper and pencil to recent
machine-learning-based intelligent systems,
has been supporting education for millennia
- even as early as humans drawing cave paintings
to record hunting scenes for posterity.
Teaching people at a distance has long been
a driver of educational technology.
For example, around 50 CE, St. Paul was sending
epistles that offered lessons on religious
teachings for new churches being set up in
Asia.
Since then, several major waves of technological
advances have each promised to revolutionize
education, from radio and television, to DVDs
and laserdiscs.
In fact, as far back as 1913, Thomas Edison
predicted,
“Books will soon be obsolete in the schools…

Korean: 
그러나 우리는 또한 교실 내외의 교육 기술의
부가적인 힘 또한 믿습니다.
그러나 우리는 또한 교실 내외의 교육 기술의
부가적인 힘 또한 믿습니다.
그래서 오늘은 약간의 메타를 사용하여,
컴퓨터 과학이 교육 기술을 통한 학습을 어떻게 지원할
수 있는지에 대해 구체적으로 이야기 할 것입니다.
 
종이와 연필에서 기계 학습 기반 지능형 시스템까지,
최근의 기술은 수 천년 동안 교육을 지원해왔습니다.
일찍이 인간은 후세를 위한 사냥 장면을
동굴 벽화로 그리기도 했습니다.
일찍이 인간은 후세를 위한 사냥 장면을
동굴 벽화로 그리기도 했습니다.
멀리있는 사람들을 가르치는 것은 오랫동안
교육 기술의 동인이 되어왔습니다.
예를 들어, 서기 50년경에 성 바울은 서신을 보내어
아시아에 새로운 교회가 세워질 때
종교적인 가르침에 대한 교훈을 주었습니다.
그 이후로 몇 가지 주요 기술 진보가 라디오와 TV, DVD 및
레이저 디스크에 이르기까지 교육 혁명을 약속했습니다.
그 이후로 몇 가지 주요 기술 진보가 라디오와 TV, DVD 및
레이저 디스크에 이르기까지 교육 혁명을 약속했습니다.
사실은, 1913년으로 거슬러 가 보면, Thomas Edison이
다음과 같이 예언했습니다.
"곧 학교에서 책이 쓸모 없어질 것입니다 ...

English: 
It is possible to teach every branch of human
knowledge with the motion picture.
Our school system will be completely changed
in the next ten years.”
Of course, you know that didn’t happen.
But distributing educational materials in
formats like video has become more and more popular.
Before we discuss what educational technology
research can do for you, there are some simple
things research has shown you can do, while
watching an educational video like this one,
to significantly increase what you learn and
retain.
First, video is naturally adjustable, so make
sure the pacing is right for you, by using
the video speed controls.
On YouTube, you can do that in the right hand
corner of the screen.
You should be able to understand the video
and have enough time to reflect on the content.
Second, pause!
You learn more if you stop the video at the
difficult parts.
When you do, ask yourself questions about
what you’ve watched, and see if you can answer.
Or ask yourself questions about what might
be coming up next, and then play the video
to see if you’re right.
Third, try any examples or exercises that
are presented in the video on your own.
Even if you aren’t a programmer, write pseudocode
on paper, and maybe even give coding a try.

Korean: 
영화를 통해 인간 지식의 모든 분야를 가르칠 수 있습니다.
우리 학교 시스템이 향후 10년 안에 완전히 바뀔 것입니다. "
물론, 여러분은 그것이 일어나지 않았다는 것을 압니다.
그러나 비디오와 같은 형식으로 교육 자료를 배포하는 
것이 점점 더 인기를 얻고 있습니다.
우리가 교육 기술 연구가 여러분을 위해 
무엇을 하는 지 논의하기 전에,
이 같은 교육용 비디오를 보면서 연구하고 배운 것을 
크게 늘릴 수 있다는 연구 결과가 있습니다.
이 같은 교육용 비디오를 보면서 연구하고 배운 것을 
크게 늘릴 수 있다는 연구 결과가 있습니다.
첫째, 동영상은 자연스럽게 조절할 수 있으므로
동영상 속도 컨트롤을 사용하여 속도 조절이
여러분에게 적절한 지 확인하십시오.
YouTube에서는 이를 화면의 
오른 쪽 코너에서 할 수 있습니다.
여러분은 동영상을 이해하고 콘텐츠에 대해
충분히 숙고 할 수 있어야 합니다.
둘째, 일시 정지입니다.
어려운 부분의 동영상을 중단하면
더 많은 것을 알 수 있습니다.
그럴 때 여러분이 본 것은 무엇이며, 대답 할 수 있는지
자신에 대해 물어보십시오.
또는 다음에 무엇이 나올지 스스로에게 질문하고
그것이 옳은지 확인하기 위해 비디오를 재생하십시오.
또는 다음에 무엇이 나올지 스스로에게 질문하고
그것이 옳은지 확인하기 위해 비디오를 재생하십시오.
세 번째로, 비디오에 나타난 어떤 활동이나 예시들을 
스스로 따라해 보십시오.
프로그래머가 아니더라도 종이에 의사 코드를 써 보고,
심지어 코딩을 시도해 볼 수도 있습니다.

Korean: 
이와 같은 능동적 학습 기술은 학습을 10배나
증가시키는 것으로 나타났습니다.
이와 같은 능동적 학습 기술은 학습을 10배나
증가시키는 것으로 나타났습니다.
그리고 여러분이 이러한 정보를 원한다면
- 여기에 전체 과정이 있습니다.
양질의 교육을 전파하는 방법으로써 비디오의 개념은
지난 세기 동안 많은 사람들에게 호소력을 발휘했습니다.
양질의 교육을 전파하는 방법으로써 비디오의 개념은
지난 세기 동안 많은 사람들에게 호소력을 발휘했습니다.
이 아이디어의 가장 최근 모습은 대규모의 
개방형 온라인 코스(MOOCs)의 형태로 제공됩니다.
이 아이디어의 가장 최근 모습은 대규모의 
개방형 온라인 코스(MOOCs)의 형태로 제공됩니다.
사실, 뉴욕 타임스는 2012년을
MOOC의 해로 선언했습니다.
초기 형태의 많은 것은 단지 유명한 교수의
강연이었습니다.
그러나 잠시 동안, 어떤 사람들은 이것을 우리가 알고
있는 대학의 종말을 의미 할 수도 있다고 여겼습니다.
여러분이 이 아이디어에 대해
걱정 또는 흥분했는 지에 상관없이,
그 미래도 실제로 지나가지 않았으며
과대 광고의 대부분은 사라졌습니다.
이것은 아마 기술을 사용하여 수 백만명의 학생들을
 소수의 교수진들로 학습을 확장하고자 할 때
또는 심지어 교수진이 아무도 없을 때,
여러분은 많은 문제를 겪기 때문일 것입니다.
또는 심지어 교수진이 아무도 없을 때,
여러분은 많은 문제를 겪기 때문일 것입니다.
다행히도 이러한 문제는 컴퓨터 과학자, 더 구체적으로는
이를 해결할 방법을 찾고 있는 교육 기술자들로 하여금
흥미를 불러 일으켰습니다.
예를 들어 효과적인 학습은 적시의 
적절한 피드백과 관련이 있습니다.

English: 
Active learning techniques like these have
been shown to increase learning by a factor
of ten.
And if you want more information like this
- we’ve got a whole course on it here.
The idea of video as a way to spread quality
education has appealed to a lot of people
over the last century.
What’s just the latest incarnation of this
idea came in the form of Massive Open Online
Courses, or MOOCs.
In fact, the New York Times declared 2012
the Year of the MOOC!
A lot of the early forms were just videos
of lectures from famous professors.
But for a while, some people thought this
might mean the end of universities as we know them.
Whether you were worried about this idea or
excited by it, that future also hasn’t really
come to pass and most of the hype has dissipated.
This is probably mostly because when you try
to scale up learning using technology to include
millions of students simultaneously with small
numbers of instructional staff - or even none
- you run into a lot of problems.
Fortunately, these problems have intrigued
computer scientists and more specifically,
educational technologists, who are finding
ways to solve them.
For example, effective learning involves getting
timely and relevant feedback – but how do

English: 
you give good feedback when you have millions
of learners and only one teacher?
For that matter, how does a teacher grade
a million assignments?
Solving many of these problems means creating
hybrid, human-technology systems.
A useful, but controversial insight, was that
students could be a great resource to give
each other feedback.
Unfortunately, they’re often pretty bad
at doing so – they’re neither experts
in the subject matter, nor teachers.
However, we can support their efforts with
technology.
Like, by using algorithms, we can match perfect
learning partners together, out of potentially
millions of groupings.
Also, parts of the grading can be done with
automated systems while humans do the rest.
For instance, computer algorithms that grade
the writing portions of the SATs have been
found to be just as accurate as humans hired
to grade them by hand.
Other algorithms are being developed that
provide personalized learning experiences,
much like Netflix’s personalized movie recommendations or Google’s personalized search results.
To achieve this, the software needs to understand
what a learner knows and doesn’t know.
With that understanding, the software can
present the right material, at the right time,

Korean: 
하지만 수백만명의 학생과 한명의 선생님이 있을때
어떻게 피드백을 할 수 있을까요?
그 점에 관해, 교사는 어떻게 수백만의
과제에 점수를 매길 수 있을까요?
이러한 많은 문제를 해결하는 것은
인간 - 기술 시스템의 혼합을 의미합니다.
유용하지만 논란의 여지가 있는 식견은 학생들을 서로 
피드백을 줄 수있는 훌륭한 자원으로 보는 것 입니다.
유용하지만 논란의 여지가 있는 식견은 학생들을 서로 
피드백을 줄 수있는 훌륭한 자원으로 보는 것 입니다.
불행히도, 그들은 그 분야의 전문가 또는 교사가 아니기
때문에 피드백을 잘 못합니다.
불행히도, 그들은 그 분야의 전문가 또는 교사가 아니기
때문에 피드백을 잘 못합니다.
그러나, 우리는 기술적으로 그들의 노력을 
지원할 수 있습니다.
알고리즘을 사용하여 수백만 개의 그룹으로 구성된
완벽한 학습 파트너를 매치할 수 있습니다.
알고리즘을 사용하여 수백만 개의 그룹으로 구성된
완벽한 학습 파트너를 매치할 수 있습니다.
또한 자동화 시스템을 통해 채점 작업을 수행하는 반면
인간은 나머지 작업을 수행 할 수 있습니다.
예를 들어, SAT의 글쓰기 부분을 채점하는
컴퓨터 알고리즘은
직접 채점하기 위해 고용한 사람만큼
정확함이 밝혀졌습니다.
개인화된 학습 경험을 제공하는 
다른 알고리즘들이 개발되고 있습니다.
예를 들어, 넷플릭스의 개별화된 영화 추천이나
Google의 맞춤 검색 결과와 같은 것들입니다.
이를 달성하기 위해서는, 소프트웨어는 학습자가
알고 있는 것과 모르는 것을 이해할 필요가 있습니다.
이러한 이해를 바탕으로 소프트웨어는
적시에 적절한 자료를 제공하여

Korean: 
각 학습자가 이미 잘 하고있는 것보다
자신에게 가장 힘든 일을 연습할 수 있습니다.
각 학습자가 이미 잘 하고있는 것보다
자신에게 가장 힘든 일을 연습할 수 있습니다.
인공 지능으로 구동되는 이러한 시스템은 일반적으로
지능형 학습 시스템으로 불립니다.
인공 지능으로 구동되는 이러한 시스템은 일반적으로
지능형 학습 시스템으로 불립니다.
일반적인 규칙을 따르는 가설적인 시스템으로
나누어 봅시다.
자, 한 학생이 이 대수학 문제를 가상의 개인 교습
소프트웨어로 공부하고 있다고 상상해 봅시다.
올바른 다음 해결 단계는 
양쪽에서 7을 빼는 것 입니다.
이 단계를 수행하는 데 필요한 지식은
산출 규칙이라고 불리는 것으로 표현 될 수 있습니다.
이들은 IF-THEN 문과 같은 절차로 설명합니다.
이 단계에 대한 산출 규칙의 의사 코드는 변수와 같은
쪽에 상수가 있으면 양쪽에서 상수를 빼는 것입니다.
이 단계에 대한 산출 규칙의 의사 코드는 변수와 같은
쪽에 상수가 있으면 양쪽에서 상수를 빼는 것입니다.
산출 규칙에 관한 멋진 점은 학생들이 흔히 범하는
실수를 찾는 데 사용될 수 있다는 것입니다.
산출 규칙에 관한 멋진 점은 학생들이 흔히 범하는
실수를 찾는 데 사용될 수 있다는 것입니다.
이러한 산출 규칙을 "마차 규칙"이라고 합니다.
예를 들어, 상수를 빼는 대신,
학생이 실수로 계수를 뺄 수 있습니다.
예를 들어, 상수를 빼는 대신,
학생이 실수로 계수를 뺄 수 있습니다.
할 수 없죠!
학생이 단계를 완료 한 후에 여러 경쟁적인 산출 규칙이 
실행되는 것이 전적으로 가능합니다.

English: 
to give each particular learner practice on
the things that are hardest for them, rather
than what they’re already good at.
Such systems – most often powered by Artificial
Intelligence – are broadly called
Intelligent Tutoring Systems.
Let’s break down a hypothetical system that
follows common conventions.
So, imagine a student is working on this algebra
problem in our hypothetical tutoring software.
The correct next step to solve it, is to subtract
both sides by 7.
The knowledge required to do this step can
be represented by something called a production rule.
These describe procedures as IF-THEN statements.
The pseudo code of a production rule for this
step would say if there is a constant on the
same side as the variable, then subtract that
constant from both sides.
The cool thing about production rules is that
they can also be used to represent common
mistakes a student might make.
These production rules are called “buggy
rules”.
For example, instead of subtracting the constant,
the student might mistakenly try to subtract
the coefficient.
No can do!
It’s totally possible that multiple competing
production rules are triggered after a student

English: 
completes a step – it may not be entirely
clear what misconception has led to a student’s answer.
So, production rules are combined with an
algorithm that selects the most likely one.
That way, the student can be given a helpful
piece of feedback.
These production rules, and the selection
algorithm, combine to form what’s called
a Domain Model, which is a formal representation
of the knowledge, procedures and skills of
a particular discipline - like algebra.
Domain models can be used to assist learners
on any individual problem, but they’re insufficient
for helping learners move through a whole
curriculum because they don’t track any
progress over time.
For that, intelligent tutoring systems build
and maintain a student model – one that
tracks, among other things, what production
rules a student has mastered, and where they
still need practice.
This is exactly what we need to properly personalize
the tutor.
That doesn’t sound so hard, but it’s actually
a big challenge to figure out what a student
knows and doesn’t know based only on their
answers to problems.
A common technique for figuring this out is
Bayesian knowledge tracing.
The algorithm treats student knowledge as
a set of latent variables, which are variables
whose true value is hidden from an outside
observer, like our software.

Korean: 
오해가 학생의 답을 이끌어내는 원인을
완전히 밝히지 못할 수도 있습니다.
따라서 산출 규칙은 가장 가능성이 높은 규칙을
선택하는 알고리즘과 결합됩니다.
그렇게 하면, 학생에게 유용한 피드백을 줄 수 있습니다.
이러한 산출 규칙과 선택 알고리즘은 결합하여
대수학과 같은 특정 분야의 지식,
절차 및 기술을 공식적으로 표현한 
도메인 모델이라고 불리는 것을 형성합니다.
절차 및 기술을 공식적으로 표현한 
도메인 모델이라고 불리는 것을 형성합니다.
도메인 모델은 학습자가
개인 문제를 해결할 때 도움이 될 수 있지만,
시간 경과에 따른 진행 상황을 추적하지 않기 때문에
전체 커리큘럼을 통해 학습자가 이동할 수는 없습니다.
시간 경과에 따른 진행 상황을 추적하지 않기 때문에
전체 커리큘럼을 통해 학습자가 이동할 수는 없습니다.
이를 위해, 지능형 학습 시스템을 구축하고
학생 모델을 유지하십시오.
특히, 학생 모델은 학생이 마스터한 산출 규칙과
연습이 필요한 부분을 추적합니다.
특히, 학생 모델은 학생이 마스터한 산출 규칙과
연습이 필요한 부분을 추적합니다.
이것은 정확하게 우리가 튜터를 적절히
개인화하기 위해 필요한 것입니다.
그렇게 어렵게 들리진 않지만,
문제에 대한 답변만으로 학생들이
알고 있는 것과 모르는 것을 파악하는 것은 
실제로 큰 도전입니다.
이것을 알아내는 일반적인 방법은 
베이지안 지식 추적입니다.
이 알고리즘은 학생 지식을 잠정적 변수의
집합으로 취급합니다.
변수는 우리의 소프트웨어처럼
외부의 관찰자에게 숨겨진 참 값입니다.

English: 
This is also true in the physical world, where
a teacher would not know for certain whether
a student knows something completely.
Instead, they might probe that knowledge using a test to see if the student gets the right answer.
Similarly, Bayesian knowledge tracing updates
its estimate of the students’ knowledge
by observing the correctness of each interaction
using that skill.
To do this, the software maintains four probabilities..
First is the probability that a student has
learned how to do a particular skill.
For example, the skill of subtracting constants
from both sides of an algebraic equation.
Let’s say our student correctly subtracts
both sides by 7.
Because she got the problem correct, we might
assume she knows how to do this step.
But there’s also the possibility that the
student got it correct by accident, and doesn’t
actually understand how to solve the problem.
This is the probability of guess.
Similarly, if the student gets it wrong, you
might assume that she doesn’t know how to
do the step.
But, there’s also the possibility that she
knows it, but made a careless error or other slip-up.
This is called the probability of slip.
The last probability that Bayesian knowledge
tracing calculates is the probability that

Korean: 
이는 실제 세계에서도 마찬가지입니다.
교사는 학생이 무언가를 완전히 알고 있는지 여부를
확실히 알지 못할 것입니다.
대신 학생이 올바른 답을 얻었는지 확인하기 위해
그 지식을 물어볼 수 있습니다.
마찬가지로 베이지안 지식 추적은 해당 기술을 사용하는
각 상호 작용의 정확성을 관찰함으로써
학생의 지식 추정치를 업데이트합니다.
마찬가지로 베이지안 지식 추적은 해당 기술을 사용하는
각 상호 작용의 정확성을 관찰함으로써
학생의 지식 추정치를 업데이트합니다.
이를 위해, 소프트웨어는 네 가지 가능성을 유지합니다.
첫 번째는 학생이 특정 기술을 수행하는
방법을 배웠을 가능성입니다.
예를 들어, 대수 방정식의 양쪽에서
상수를 빼는 기술이 있습니다.
우리 학생이 정확하게 양쪽에서 7을 뺀다고 
가정해 봅시다.
그녀는 문제를 잘 이해했으므로, 
이 단계를 수행하는 방법을 알고있을 것입니다.
그러나, 학생이 우연히 맞았고 실제로 문제를 해결하는
방법을 이해하지 못할 수도 있습니다.
그러나, 학생이 우연히 맞았고 실제로 문제를 해결하는
방법을 이해하지 못할 수도 있습니다.
이는 추측의 가능성입니다.
마찬가지로, 학생이 답을 틀리면, 여러분은 학생이
그 단계를 어떻게 하는지 모른다고 예상할 것입니다.
마찬가지로, 학생이 답을 틀리면, 여러분은 학생이
그 단계를 어떻게 하는지 모른다고 예상할 것입니다.
하지만 그녀가 그것을 알고 있지만, 부주의한 오류나
다른 실수를 할 수 있을 가능성도 있습니다.
이것을 미끄러질 가능성이라고 합니다.
베이지안 지식 추척 계산의 마지막 확률은

English: 
the student started off the problem not knowing
how to do the step, but learned how to do
it as a result of working through the problem.
This is called the probability of transit.
These four probabilities are used in a set
of equations that update the student model,
keeping a running assessment for each skill
the student is supposed to know.
The first equation asks: what’s the probability
that the student has learned a particular
skill which takes into account the probability
that it was already learned previously and
the probability of transit.
Like a teacher, our estimate of this probability that it was already learned previously
depends on whether we observe a student getting a question correct or incorrect,
and so we have these two equations to pick from.
After we compute the right value, we plug
it into our first equation, updating the probability
that a student has learned a particular skill,
which then gets stored in their student model.
Although there are other approaches, intelligent
tutoring systems often use Bayesian knowledge
tracing to support what’s called mastery
learning, where students practice skills,
until they’re deeply understood.
To do this most efficiently, the software
selects the best problems to present to the

Korean: 
학생이 단계를 수행하는 방법을 
모르는 문제를 시작했지만,
문제를 해결한 결과로 이를 수행하는 방법을
배웠을 가능성입니다.
이를 통과 가능성이라고 합니다.
이 4가지 가능성은 학생 모델을 업데이트하는
방정식 세트에서 사용되며
학생이 알아야 할 각 스킬에 대한
실행중인 평가를 유지합니다.
첫 번째 방정식은 묻습니다 :
학생이 이전에 이미 배웠던 확률을 고려한 특정 기술을
배웠을 확률과 통과 가능성은 얼마입니까?
학생이 이전에 이미 배웠던 확률을 고려한 특정 기술을
배웠을 확률과 통과 가능성은 얼마입니까?
교사와 마찬가지로, 이전에 
이미 배웠던 확률에 대한 추정치는
우리가 학생의 질문을 정확하게 또는 부정확하게
이해했는지 관찰하는 것에 의존하며
그래서 우리는 이 두 방정식을 가지고 있습니다.
올바른 값을 계산 한 후,
첫 번째 방정식에 연결하여
학생이 특정 스킬을 학습 한 확률을 업데이트 한 다음
학생 모델에 저장합니다.
다른 접근 방식이 있지만 지능형 학습 시스템은
종종 베이지안 지식 추적을 사용하여
학생들이 기술을 깊이 이해할 때 까지 연습하는 
완전 습득 학습이라는 것을 할 때까지 지원합니다.
학생들이 기술을 깊이 이해할 때 까지 연습하는 
완전 습득 학습이라는 것을 할 때까지 지원합니다.
이 작업을 가장 효율적으로 수행하기 위해, 소프트웨어는
학생에게 숙달을 위해 제시할 최상의 문제를 선택합니다.

Korean: 
이를 순차적 적응이라고 부르며, 개인화의 한 형태입니다.
이를 순차적 적응이라고 부르며, 개인화의 한 형태입니다.
그러나 우리의 예는 여전히 
한 학생의 데이터만을 다루고 있습니다.
인터넷에 연결된 교육용 앱이나 사이트는 교사와 연구원이
수백만 명의 학습자로부터 데이터를 수집할 수 있게 합니다.
이 데이터를 통해, 일반적인 함정과
학생들이 좌절하는 곳을 발견할 수 있습니다.
학생의 질문에 대한 답변 이외에도, 
답변을 입력하기 전에 잠시 멈추는 시간,
비디오 속도를 높이는 위치, 토론 포럼에서 다른 학생들
과 상호 작용하는 방법을 살펴보는 것도 있습니다.
비디오 속도를 높이는 위치, 토론 포럼에서 다른 학생들
과 상호 작용하는 방법을 살펴보는 것도 있습니다.
이 분야를 교육용 데이터 마이닝이라고하며,
미래의 개인화 학습을 향상시키는 데 도움이 되는
모든 좌절 및 깨달음의 순간을 사용할 수 있습니다.
미래에 관해 말하자면, 교육 기술자들은 종종
과학 소설에서 혁신에 대한 영감을 얻었습니다.
미래에 관해 말하자면, 교육 기술자들은 종종
과학 소설에서 혁신에 대한 영감을 얻었습니다.
특히 많은 연구자들이 닐 스티븐슨의 "다이아몬드
시대"에서 상상된 미래에 영감을 얻었습니다.
특히 많은 연구자들이 닐 스티븐슨의 "다이아몬드
시대"에서 상상된 미래에 영감을 얻었습니다.
그 책은 일련의 가상 에이전트 세트를 가진
책에서 배우는 어린 소녀를 묘사합니다.
가상 에이전트는 자연어로 그녀와 상호작용하면서
코치, 교사 및 멘토 역할을 하여
그녀가 성장함에 따라 함께 변합니다.

English: 
student to achieve mastery, what’s called
adaptive sequencing, which is one form of
personalization.
But, our example is still just dealing with
data from one student.
Internet-connected educational apps or sites now allow teachers and researchers the ability
to collect data from millions of learners.
From that data, we can discover things like
common pitfalls and where students get frustrated.
Beyond student responses to questions, this
can be done by looking at how long they pause
before entering an answer, where they speed
up a video, and how they interact with other
students on discussion forums.
This field is called Educational Data Mining,
and it has the ability to use all those facepalms
and “ah ha” moments to help improve personalized
learning in the future.
Speaking of the future, educational technologists
have often drawn inspiration for their innovations
from science fiction.
In particular, many researchers were inspired
by the future envisioned in the book
"The Diamond Age" by Neal Stephenson.
It describes a young girl who learns from
a book that has a set of virtual agents who
interact with her in natural language acting
as coaches, teachers, and mentors who grow
and change with her as she grows up.

English: 
They can detect what she knows and how’s
she’s feeling, and give just the right feedback
and support to help her learn.
Today, there are non-science-fiction researchers,
such as Justine Cassell, crafting pedagogical
virtual agents that can “exhibit the verbal
and bodily behaviors found in conversation
among humans, and in doing so, build trust, rapport and even friendship with their human students."
Maybe Crash Course in 2040 will have a little John Green A.I. that lives on your iPhone 30.
Educational technology and devices are now
moving off of laptop and desktop computers,
and onto huge tabletop surfaces, where students
can collaborate in groups, and also tiny mobile
devices, where students can learn on the go.
Virtual reality and augmented reality are
also getting people excited and enabling new
educational experiences for learners – diving
deep under the oceans, exploring outer space,
traveling through the human body, or interacting
with cultures they might never encounter in
their real lives.
If we look far into the future, educational
interfaces might disappear entirely, and instead
happen through direct brain learning, where
people can be uploaded with new skills, directly
into their brains.

Korean: 
그들은 그녀가 알고 있는 것과 기분이 어떤지를 감지하며
학습을 돕기 위한 지원과 올바른 피드백을 제공합니다.
그들은 그녀가 알고 있는 것과 기분이 어떤지를 감지하며
학습을 돕기 위한 지원과 올바른 피드백을 제공합니다.
오늘날에는 공상 과학자가 아닌 Justine Cassell와 같은 
연구가가 교육용 가상 에이전트를 만들었습니다.
그녀는 "인간 사이의 대화에서 발견되는 
언어적 및 육체적 행동을 보여 주며
그렇게 함으로써 인간 학생과의
신뢰와 우정을 구축하게 됩니다"라고 했습니다.
어쩌면 2040년 Crash Course는 iPhone 30에 살고 있는 
소년 John Green AI가 있을 것입니다.
교육 기술 및 장치가 지금 
랩톱 및 데스크톱 컴퓨터에서 벗어나,
학생들이 그룹으로 협업할 수 있는 거대한 테이블탑과
이동 중에도 학습 할 수 있는
작은 모바일 장치들로 옮겨 가고 있습니다.
가상 현실과 증강 현실은 또한 사람들을 흥분시키고
학습자에게 새로운 교육 경험을 가능케 합니다.
예를 들면 바닷 속 깊은 곳으로 다이빙, 우주 공간 탐험,
인체를 통해 여행 하거나, 현실에서 결코 만날 수없는
문화와 함께 상호작용 하는 것과 같은 것들입니다.
인체를 통해 여행 하거나, 현실에서 결코 만날 수없는
문화와 함께 상호작용 하는 것과 같은 것들입니다.
우리가 미래를 내다 볼 때, 교육적
인터페이스가 완전히 사라지고 그 대신에
직접적인 두뇌 학습을 통해 새로운 기술을 자신의 뇌에 
직접 업로드 할 수도 있습니다.
직접적인 두뇌 학습을 통해 새로운 기술을 자신의 뇌에 
직접 업로드 할 수도 있습니다.

English: 
This might seem really far fetched, but scientists
are making inroads already - such as detecting
whether someone knows something just from
their brain signals.
That leads to an interesting question: if
we can download things INTO our brains, could
we also upload the contents of our brains?
We’ll explore that in our series finale
next week about the far future of computing.
I'll see you then.

Korean: 
이것은 실제로 멀리서 가져온 것처럼 보일지도 모르지만,
과학자들은 이미 뇌파 신호로부터 뭔가를 알고 있는지
여부를 감지하는 것과 같은 탐지를 하고 있습니다.
이것은 흥미로운 질문으로 이어집니다 : 만약
우리의 두뇌에 어떤 것을 다운로드 할 수 있다면,
또한 뇌의 내용을 업로드 할 수 있습니까?
우리는 강의 마지막에서 그에 대해 탐험할 것이고,
다음 주에는 컴퓨팅의 미래에 대해 이야기할 것입니다.
그때 만나요.
