특허 출원 진행 중 · 1/3Provisional Patent Application · 1/3

Fischer 동적 기술 수준 적응 시스템 Fischer Dynamic Skill Level Adaptation System

사용자의 언어 표현으로부터 인지·정서 발달 수준을 13단계로 자동 추정하고, AI 응답의 복잡도·어휘·구조를 실시간으로 정합시키는 컴퓨터 구현 방법. A computer-implemented method for automatically inferring a user's cognitive-affective developmental level on a 13-tier scale from linguistic features, and dynamically calibrating an AI conversational system's response complexity, vocabulary, and structural depth in real time.

출원인Applicant Boston Neuromind, LLC

발명자Inventor [발명자명] (BCN, PhD, Ed.D.) [Inventor Name] (BCN, PhD, Ed.D.)

상태Status USPTO 가출원 준비 USPTO Provisional Pending

분류Classification G06N 20/00 / G16H 50/20 / A61B 5/377

목차Table of Contents

초록Abstract
발명 분야Field of Invention
배경 기술Background
해결 과제Problem Statement
발명 요약Summary of Invention
상세 설명Detailed Description
도면 설명Drawings
청구항Claims
선행 기술 비교Prior Art Comparison
산업상 이용 가능성Industrial Applicability
관련 논문References

01초록Abstract

📋 핵심 요약 (한 문단) 📋 One-Paragraph Summary

본 발명은 사용자가 입력한 자연어 텍스트(채팅 메시지, 일기, 자가보고)에서 추출한 17개 언어 특징(평균 어휘 복잡도, 문장 길이 분산, 추상 명사 비율, 메타인지 마커 빈도, 인과 연결사 밀도 등)을 입력으로 하여, Harvard 대학 Kurt Fischer의 동적 기술 이론(Dynamic Skill Theory)에 기반한 13단계(Tier 0–12) 발달 수준을 가중 합 + 시그모이드 활성화 함수를 통해 추정하고, 추정된 수준에 따라 AI 챗봇 시스템의 응답 생성 시 (a) 어휘 복잡도, (b) 문장 구조 깊이, (c) 비유적 추상 사용 비율, (d) 메타인지 유도 빈도를 자동 조절하여 사용자의 발달 영역(Zone of Proximal Development, +1 tier)에서의 학습·치료 효과를 극대화하는 컴퓨터 구현 방법 및 시스템에 관한 것이다. The present invention relates to a computer-implemented method and system that extracts seventeen (17) linguistic features from natural language input (chat messages, journal entries, self-reports) submitted by a user — including mean lexical complexity, sentence length variance, abstract noun ratio, metacognitive marker frequency, and causal connective density — and infers a developmental level on a thirteen-tier scale (Tier 0 through Tier 12) derived from Harvard professor Kurt Fischer's Dynamic Skill Theory, via a weighted-sum-plus-sigmoid activation function; based on the inferred tier, the system dynamically calibrates an AI chatbot's response-generation parameters — specifically (a) vocabulary complexity, (b) syntactic structure depth, (c) figurative/abstract usage ratio, and (d) metacognitive prompt frequency — to maintain conversation within the user's Zone of Proximal Development (tier + 1), thereby maximizing therapeutic and educational effect.

02발명 분야Field of Invention

본 발명은 인공지능 기반 디지털 정신건강 서비스(Digital Mental Health) 및 적응형 학습 시스템(Adaptive Learning Systems) 분야에 속한다. 더욱 구체적으로는, 사용자의 언어 표현으로부터 발달 수준을 추정하고, 그 수준에 맞춰 AI 대화 에이전트(LLM 기반 챗봇)의 응답 매개변수를 자동 조정하는 시스템에 관한 것이다. The present invention pertains to the fields of AI-based Digital Mental Health Services and Adaptive Learning Systems. More specifically, it relates to a system that infers a user's developmental level from linguistic expression and automatically adjusts the response parameters of an AI conversational agent (an LLM-based chatbot) to match said level.

03배경 기술Background

3.1 Fischer 동적 기술 이론3.1 Fischer's Dynamic Skill Theory

Kurt W. Fischer 교수(Harvard Graduate School of Education)는 1980년 "A theory of cognitive development: The control and construction of hierarchies of skills"(Psychological Review, 87(6), 477–531)에서 인간의 인지·정서 발달이 13단계의 위계적 기술 구조를 따르며, 각 단계는 비선형적·맥락 의존적으로 발달한다는 이론을 제시했다. Professor Kurt W. Fischer (Harvard Graduate School of Education) proposed in his seminal 1980 paper, "A theory of cognitive development: The control and construction of hierarchies of skills" (Psychological Review, 87(6), 477–531), that human cognitive-affective development follows a hierarchical skill structure across thirteen tiers, with each tier developing nonlinearly and context-dependently.

계층Tier	단계명Stage Name	전형적 연령Typical Age	언어적 특징Linguistic Marker
0	Single Reflexes	0–4mo	언어 이전pre-verbal
1	Reflex Mappings	4–8mo	언어 이전pre-verbal
2	Reflex Systems	8–12mo	단어 단편word fragments
3	Single Sensorimotor Actions	1–2y	단일 단어single words
4	Sensorimotor Mappings	2y	2-3 단어 결합two- to three-word combinations
5	Sensorimotor Systems	3–4y	단순 문장simple sentences
6	Single Representations	4–6y	구체적 명사·동사concrete nouns and verbs
7	Representational Mappings	6–10y	관계·인과 연결relational and causal connectives
8	Representational Systems	10–12y	조건·가설 표현conditional and hypothetical expressions
9	Single Abstractions	12–15y	추상 명사abstract nouns
10	Abstract Mappings	15–19y	메타인지 표현metacognitive expressions
11	Abstract Systems	19–24y	다관점 통합multi-perspective integration
12	Single Principles	24y+	원리·체계 통합principle and system synthesis

Fischer 이론의 핵심 통찰은 발달이 "단일 영역의 일직선 진행"이 아니라 "맥락별·기능별로 다른 수준에서 동시 작동"한다는 점이다. 따라서 동일한 사용자도 정서적 표현에서는 Tier 8, 추상 사고에서는 Tier 11에 위치할 수 있다. The core insight of Fischer's theory is that development does not proceed as a "linear advance through a single domain"; rather, it operates simultaneously at different levels across contexts and functions. Hence the same user may operate at Tier 8 for emotional expression while operating at Tier 11 for abstract reasoning.

3.2 ZPD (근접 발달 영역) 원리3.2 ZPD (Zone of Proximal Development) Principle

Vygotsky(1978)의 ZPD 개념은 학습 효과가 극대화되는 지점이 현재 수준보다 약간 높은(현재 + 1) 영역임을 시사한다. 너무 쉬우면 지루하고 학습이 일어나지 않으며, 너무 어려우면 좌절과 회피가 발생한다. Vygotsky's ZPD concept (1978) holds that learning is maximized when material is positioned slightly above the current level (current + 1). Material too easy yields boredom and no learning; material too difficult yields frustration and avoidance.

3.3 기존 LLM 챗봇의 한계3.3 Limitations of Existing LLM Chatbots

현재 사용 중인 GPT-4, Claude, Gemini 등의 LLM 챗봇은 모두 사용자의 발달 수준을 무시하고 고정된 출력 스타일로 응답한다. 정신건강·교육 도메인에서 이는 다음 문제를 발생시킨다: Currently deployed LLM chatbots (GPT-4, Claude, Gemini, and similar systems) respond in a fixed output style that disregards the user's developmental level. In mental health and educational domains, this produces the following problems:

치료 동맹 약화: 13세 청소년에게 Tier 11–12 어휘로 답하면 위협감·소외감을 유발한다.Weakened therapeutic alliance: answering an adolescent at Tier 11–12 vocabulary triggers feelings of threat and alienation.
학습 비효율: 박사급 사용자에게 Tier 6 수준 응답은 무성의·비전문적으로 인식된다.Inefficient learning: Tier 6 responses to a doctoral-level user are perceived as superficial and unprofessional.
치료 동맹 신호 손실: 응답 매개변수가 정합되지 않으면 사용자가 "이해받지 못한다"는 감각을 받는다.Loss of alliance signal: mismatched response parameters give the user a felt sense of "not being understood."

기존 LLM 시스템은 "system prompt"를 수동으로 설정하여 톤을 조정할 수 있지만, 이는 (a) 사용자 입력으로부터 자동 추정되지 않으며, (b) 대화 진행 중 동적으로 갱신되지 않으며, (c) Fischer 13단계와 같은 발달 이론적 근거가 없다. Existing LLM systems allow manual tone adjustment via a "system prompt," but such tuning (a) is not automatically inferred from user input, (b) is not dynamically updated as the conversation progresses, and (c) is not grounded in any developmental theoretical framework comparable to Fischer's thirteen tiers.

04해결 과제Problem Statement

⚠️ 본 발명이 해결하려는 핵심 문제⚠️ Core Problems Addressed by the Invention

자동 발달 수준 추정의 부재.Absence of automatic developmental-level inference. 현재 어떤 LLM 시스템도 사용자의 발달 수준을 자동 추정하여 응답 매개변수를 조정하지 않는다. No existing LLM system automatically infers a user's developmental level and adjusts response parameters accordingly.
표준화된 13단계 매핑의 부재.Absence of a standardized 13-tier mapping. 언어 특징 → 발달 단계 매핑을 제공하는 알고리즘이 상업적으로 존재하지 않는다. No commercially available algorithm provides a linguistic-feature-to-developmental-tier mapping.
맥락별 차등 적응의 부재.Absence of context-specific differential adaptation. 사용자가 정서·인지·관계 영역마다 다른 발달 수준에 있을 수 있음을 반영하는 시스템이 부재하다. No system reflects the fact that a user may operate at different developmental tiers across emotional, cognitive, and relational contexts.
실시간 동적 갱신의 부재.Absence of real-time dynamic updating. 대화가 진행됨에 따라 사용자의 표현 수준이 변화할 수 있으나, 이를 즉시 반영하는 메커니즘이 없다. A user's expressive level may shift as the conversation progresses, yet no mechanism exists to immediately reflect such shifts.
ZPD 기반 응답 보정의 부재.Absence of ZPD-based response calibration. 현재 수준 + 1로 응답을 자동 보정하여 학습·치료 효과를 극대화하는 시스템이 부재하다. No system performs ZPD-based calibration — automatically setting the response one tier above the user's current level — to maximize learning and therapeutic effect.

05발명 요약Summary of Invention

💎 발명의 핵심 구성💎 Core Components of the Invention

5.1 시스템 구성 요소5.1 System Components

언어 특징 추출 모듈 (LFE)Linguistic Feature Extractor (LFE): 사용자 입력 텍스트로부터 17개 정량 특징을 추출extracts seventeen (17) quantitative features from user input text
Tier 추론 엔진 (TIE)Tier Inference Engine (TIE): 가중 합 + 시그모이드를 통해 0–12 단계를 추정infers a 0–12 tier via weighted-sum-plus-sigmoid activation
맥락 분리 모듈 (CSM)Context Separation Module (CSM): 정서·인지·관계 도메인별로 별도 Tier 추정estimates separate Tiers for emotional, cognitive, and relational domains
응답 매개변수 매퍼 (RPM)Response Parameter Mapper (RPM): Tier → AI 응답 매개변수(어휘 복잡도, 문장 깊이, 추상 비율, 메타인지 빈도) 매핑maps Tier values to AI response parameters (vocabulary complexity, syntactic depth, abstraction ratio, metacognitive prompt frequency)
ZPD 보정기 (ZAC)ZPD Adjuster (ZAC): 응답 Tier = 사용자 Tier + 1로 보정calibrates response Tier as user Tier + 1
동적 갱신 루프 (DUL)Dynamic Update Loop (DUL): 매 메시지마다 Tier 재추정 및 응답 매개변수 갱신re-estimates Tier and updates response parameters on each message

5.2 핵심 차별점 (Inventive Step)5.2 Inventive Steps

발달 이론과 LLM 결합:Coupling developmental theory with LLMs: Fischer 13단계 + LLM 응답 매개변수의 직접 매핑은 선행 기술에 존재하지 않는다.A direct mapping between Fischer's thirteen tiers and LLM response parameters does not exist in the prior art.
맥락 분리 추정:Context-separated inference: 단일 점수가 아닌 도메인별 다차원 Tier 벡터.a multi-dimensional Tier vector across domains, not a single score.
실시간 ZPD 보정:Real-time ZPD calibration: 매 응답마다 +1 보정으로 학습 영역 유지.+1 calibration applied at each response to keep dialogue within the learning zone.
언어 특징 가중치의 임상적 검증:Clinically validated linguistic-feature weights: Boston Neuromind 임상 데이터로 보정된 17개 특징 가중치.weights for the seventeen features calibrated against Boston Neuromind clinical data.

06상세 설명Detailed Description

6.1 17개 언어 특징의 정의6.1 Definition of the Seventeen Linguistic Features

각 사용자 입력 메시지로부터 다음 17개 정량 특징을 추출한다:From each user input message, the following seventeen quantitative features are extracted:

#	특징명Feature	정의Definition	발달 시그널Developmental Signal
F1	MLD (Mean Lexical Difficulty)	단어별 빈도 역수 평균average inverse word-frequency	Tier ↑
F2	SLV (Sentence Length Variance)	문장 길이 분산variance in sentence length	Tier ↑
F3	ANR (Abstract Noun Ratio)	전체 명사 중 추상명사 비율ratio of abstract nouns among all nouns	Tier 9+
F4	MMF (Metacognitive Marker Frequency)	"내 생각", "느낌상" 등 빈도frequency of markers such as "I think," "I feel like"	Tier 10+
F5	CCD (Causal Connective Density)	"따라서", "왜냐하면" 밀도density of "therefore," "because" connectives	Tier 7+
F6	CHD (Conditional Hypothetical Density)	"만약 ~라면" 빈도frequency of "if-then" constructions	Tier 8+
F7	SCD (Subordinate Clause Depth)	종속절 평균 깊이average depth of subordinate clauses	Tier ↑
F8	FUR (Figurative Usage Ratio)	은유·비유 비율ratio of metaphors and similes	Tier 9+
F9	MPI (Multi-Perspective Indicator)	"한편으로는" 등 다관점 마커multi-perspective markers such as "on the other hand"	Tier 11+
F10	EVL (Emotion Vocabulary Lexicon)	정서 어휘 풍부도richness of emotional vocabulary	Tier 9+
F11	TPS (Temporal Perspective Shifts)	과거·미래·가정 시제 전환 빈도frequency of past–future–hypothetical tense shifts	Tier 8+
F12	NEG (Negation Complexity)	중첩 부정 사용use of nested negation	Tier 8+
F13	QDF (Question Depth Factor)	질문의 추상도abstractness of questions posed	Tier ↑
F14	SLF (Self-Reflection Frequency)	자기 참조 + 평가 마커frequency of self-reference + evaluation markers	Tier 10+
F15	SCC (System Concept Count)	체계 개념 어휘count of system-level concept terms	Tier 12
F16	PRC (Principle Reference Count)	원리 참조 표현references to principles	Tier 12
F17	NRD (Narrative Reasoning Depth)	서사적 인과 깊이depth of narrative causal reasoning	Tier ↑

6.2 Tier 추론 수식6.2 Tier Inference Formula

발달 단계 Tier T(x)는 다음 식으로 계산한다:The developmental tier T(x) is computed as follows:

수식 1: Tier 추정 함수Equation 1: Tier Inference Function T(x) = round( 12 · σ( Σᵢ wᵢ · Fᵢ(x) + b ) ) where: x = user input text Fᵢ = i-th linguistic feature (i = 1..17) wᵢ = trained weight for feature i (calibrated on Boston Neuromind clinical corpus) b = bias term σ = logistic sigmoid: σ(z) = 1 / (1 + e^(-z)) round(·) = nearest integer in {0, 1, 2, ..., 12}

6.3 맥락 분리 추정6.3 Context-Separated Inference

동일 사용자에 대해 3개 도메인별로 독립적인 Tier를 산출한다:Three independent Tiers are computed per user, one for each domain:

T_emotional = T(x, weights_emotional) T_cognitive = T(x, weights_cognitive) T_relational = T(x, weights_relational) → Tier Vector V = (T_e, T_c, T_r)

각 도메인별 가중치(weights_emotional, weights_cognitive, weights_relational)는 17개 특징 중 해당 도메인에 더 강한 시그널을 주는 특징을 강조한다.Each domain weight set (weights_emotional, weights_cognitive, weights_relational) emphasizes the features that provide the strongest signal for that domain among the seventeen features.

6.4 응답 매개변수 매핑6.4 Response Parameter Mapping

추정된 Tier에 따라 LLM 응답 생성 시 다음 4개 매개변수가 자동 조절된다:Based on the inferred Tier, the following four parameters are automatically adjusted at the time of LLM response generation:

매개변수Parameter	Tier 0–4	Tier 5–8	Tier 9–12
P1: 어휘 복잡도Vocabulary Complexity	기초 1000 단어basic 1,000-word	표준 3000 단어standard 3,000-word	고급 6000+ 단어advanced 6,000+ word
P2: 문장 깊이Syntactic Depth	단순문 위주predominantly simple	복문 허용complex clauses allowed	중첩 종속절nested subordinate clauses
P3: 추상 비율Abstraction Ratio	0–10%	10–35%	35–70%
P4: 메타인지 유도Metacognitive Prompts	없음none	간헐적intermittent	자주frequent

6.5 ZPD 보정 (+1 Rule)6.5 ZPD Calibration (the "+1" Rule)

T_response = min( T_user + 1, 12 ) → Response is generated using parameter set for T_response, not T_user, ensuring conversation stays in Zone of Proximal Development

예: 사용자 Tier 7 (10세 아동 수준) → 응답 Tier 8 (조건·가설 수준 한 단계 추가) 으로 생성하여 사용자가 새 추론 패턴에 도전하도록 유도한다.Example: a user at Tier 7 (10-year-old level) is met with a response generated at Tier 8 (introducing one level of conditional/hypothetical reasoning above current capacity), thereby inviting the user to engage with a new reasoning pattern.

6.6 동적 갱신 루프6.6 Dynamic Update Loop

매 사용자 메시지 수신 시 다음 절차를 반복한다:The following procedure is iterated upon receipt of each user message:

텍스트 입력 → 17개 특징 추출 (LFE)Text input → extract seventeen features (LFE)
3개 도메인별 Tier 추정 (TIE + CSM)Estimate Tier for three domains (TIE + CSM)
최근 5개 메시지 이동 평균으로 Tier 안정화Stabilize Tier via moving average over the most recent five messages
+1 보정 적용 (ZAC)Apply +1 calibration (ZAC)
응답 매개변수 업데이트 (RPM)Update response parameters (RPM)
LLM에 매개변수 적용된 system prompt 주입 후 응답 생성Generate response after injecting parameter-adjusted system prompt into the LLM

07도면 설명Drawings

도 1.FIG. 1. 시스템 전체 데이터 흐름. LFE → TIE → CSM → ZAC → RPM → LLM 응답 생성. 빨간 점선은 동적 갱신 루프(DUL). Overall system data flow: LFE → TIE → CSM → ZAC → RPM → LLM response generation. Red dashed line indicates the Dynamic Update Loop (DUL).

도 2.FIG. 2. Fischer 13단계 위계와 ZPD +1 보정 원리. Fischer's 13-tier hierarchy and the ZPD +1 calibration principle.

08청구항Claims

청구항 1 (독립항)Claim 1 (Independent)

사용자의 자연어 입력에 응답하는 인공지능 대화 시스템에 의해 수행되는, 컴퓨터 구현 적응형 응답 생성 방법으로서:
(a) 사용자 입력 텍스트로부터 평균 어휘 복잡도, 문장 길이 분산, 추상 명사 비율, 메타인지 마커 빈도 및 인과 연결사 밀도를 포함하는 복수의 정량적 언어 특징을 추출하는 단계;
(b) 추출된 언어 특징의 가중 합에 비선형 활성화 함수를 적용하여, Fischer 동적 기술 이론에서 정의된 0부터 12까지의 13개 발달 단계 중 사용자의 현재 발달 단계 추정값을 산출하는 단계;
(c) 추정된 발달 단계에 1을 가산하여 응답 단계를 결정하되, 최댓값을 12로 제한하는 단계;
(d) 결정된 응답 단계에 따라 인공지능 응답 생성기의 (i) 어휘 복잡도, (ii) 문장 구조 깊이, (iii) 추상 표현 비율 및 (iv) 메타인지 유도 빈도를 포함하는 응답 매개변수 집합을 자동 조정하는 단계; 및
(e) 조정된 응답 매개변수를 적용하여 응답 텍스트를 생성하는 단계;
를 포함하는 것을 특징으로 하는 방법. A computer-implemented method, performed by an artificial intelligence conversational system responding to natural language input from a user, the method comprising:
(a) extracting, from a user input text, a plurality of quantitative linguistic features including mean lexical complexity, sentence length variance, abstract noun ratio, metacognitive marker frequency, and causal connective density;
(b) computing a weighted sum of the extracted linguistic features and applying a nonlinear activation function thereto, thereby yielding an estimated current developmental tier of the user, said tier being one of thirteen tiers (Tier 0 through Tier 12) defined in Fischer's Dynamic Skill Theory;
(c) determining a response tier by adding one (1) to the estimated current developmental tier, subject to a maximum of twelve (12);
(d) automatically adjusting a set of response parameters of an artificial intelligence response generator according to the determined response tier, said set comprising (i) vocabulary complexity, (ii) syntactic structure depth, (iii) abstract-expression ratio, and (iv) metacognitive prompt frequency; and
(e) generating a response text by applying the adjusted response parameters.

청구항 2 (종속항)Claim 2 (Dependent)

청구항 1에 있어서, 단계 (a)는 17개의 정량적 언어 특징을 추출하고, 상기 17개 특징은 평균 어휘 난이도, 문장 길이 분산, 추상 명사 비율, 메타인지 마커 빈도, 인과 연결사 밀도, 조건/가설 표현 밀도, 종속절 깊이, 비유 사용 비율, 다관점 지표, 정서 어휘 풍부도, 시제 전환 빈도, 부정 복잡도, 질문 깊이, 자기성찰 빈도, 체계 개념 수, 원리 참조 수 및 서사적 추론 깊이를 포함하는 것을 특징으로 하는 방법. The method of Claim 1, wherein step (a) extracts seventeen (17) quantitative linguistic features, said seventeen features comprising: mean lexical difficulty; sentence length variance; abstract noun ratio; metacognitive marker frequency; causal connective density; conditional/hypothetical density; subordinate clause depth; figurative usage ratio; multi-perspective indicator; emotion vocabulary richness; temporal perspective shifts; negation complexity; question depth factor; self-reflection frequency; system concept count; principle reference count; and narrative reasoning depth.

청구항 3 (종속항)Claim 3 (Dependent)

청구항 1에 있어서, 단계 (b)는 정서적 도메인, 인지적 도메인 및 관계적 도메인에 대해 각각 별개의 가중치 집합을 적용하여 3개의 독립적인 발달 단계 추정값을 산출하고, 단계 (d)의 응답 매개변수 조정은 도메인별 추정값에 기반하여 수행되는 것을 특징으로 하는 방법. The method of Claim 1, wherein step (b) computes three independent developmental-tier estimates by applying distinct weight sets for an emotional domain, a cognitive domain, and a relational domain, respectively, and wherein the response-parameter adjustment of step (d) is performed based on the domain-specific estimates.

청구항 4 (종속항)Claim 4 (Dependent)

청구항 1에 있어서, 사용자와의 대화가 진행되는 동안 매 사용자 입력 메시지마다 단계 (a) 내지 (e)를 반복하고, 단계 (b)의 발달 단계 추정값을 최근 N개(N≥2) 메시지에 대한 이동 평균으로 안정화하는 것을 특징으로 하는 방법. The method of Claim 1, further comprising iterating steps (a) through (e) for each user input message during the course of a conversation, and stabilizing the developmental-tier estimate of step (b) by computing a moving average over the most recent N messages, where N is greater than or equal to two.

청구항 5 (종속항)Claim 5 (Dependent)

청구항 1에 있어서, 단계 (b)의 비선형 활성화 함수는 로지스틱 시그모이드 함수인 σ(z) = 1 / (1 + e^(-z)) 이고, 발달 단계 추정값은 12 · σ(가중합 + 편향)을 가장 가까운 정수로 반올림하여 결정되는 것을 특징으로 하는 방법. The method of Claim 1, wherein the nonlinear activation function of step (b) is the logistic sigmoid function σ(z) = 1 / (1 + e^(-z)), and the developmental-tier estimate is determined by rounding 12·σ(weighted sum + bias) to the nearest integer.

청구항 6 (종속항)Claim 6 (Dependent)

청구항 1에 있어서, 단계 (e)의 응답 텍스트 생성은 대형 언어 모델(LLM)에 시스템 프롬프트를 주입함으로써 수행되며, 상기 시스템 프롬프트는 단계 (d)에서 결정된 응답 매개변수에 따라 동적으로 구성되는 것을 특징으로 하는 방법. The method of Claim 1, wherein the response text generation of step (e) is performed by injecting a system prompt into a Large Language Model (LLM), said system prompt being dynamically composed according to the response parameters determined in step (d).

청구항 7 (독립항 — 시스템)Claim 7 (Independent — System)

청구항 1 내지 6 중 어느 한 항의 방법을 수행하기 위한, 적어도 하나의 프로세서와 상기 프로세서에 의해 실행되는 명령어를 저장하는 비일시적 컴퓨터 판독 가능 저장 매체를 포함하는 적응형 인공지능 대화 시스템. An adaptive artificial intelligence conversational system for performing the method of any one of Claims 1 through 6, the system comprising at least one processor and a non-transitory computer-readable storage medium storing instructions executable by the processor.

청구항 8 (독립항 — 매체)Claim 8 (Independent — Medium)

컴퓨터에 의해 실행될 때 청구항 1 내지 6 중 어느 한 항의 방법을 수행하도록 하는 명령어를 저장하는 비일시적 컴퓨터 판독 가능 저장 매체. A non-transitory computer-readable storage medium storing instructions which, when executed by a computer, cause the computer to perform the method of any one of Claims 1 through 6.

09선행 기술 비교Prior Art Comparison

선행 기술Prior Art	접근 방식Approach	한계Limitation	본 발명과의 차이Distinction from Invention
OpenAI GPT-4 (2023) System prompts	수동 톤 조정manual tone adjustment	자동 추정 없음, 발달 이론 부재no auto-inference; no developmental grounding	17 특징 자동 추출 + 13단계 매핑17-feature auto-extraction + 13-tier mapping
Khan Academy Khanmigo (2023)	학년별 사전 설정grade-level presets	정적, 사용자 입력 기반 조정 없음static; no input-based adjustment	실시간 동적 갱신 + ZPD +1real-time dynamic updating + ZPD +1
Replika / Character.AI	고정 페르소나fixed personas	사용자 발달 수준 무관decoupled from user developmental level	맥락별 도메인 분리 추정domain-separated context-specific inference
Woebot / Wysa (CBT 챗봇)	고정 스크립트fixed scripts	언어 적응 없음no linguistic adaptation	개별 메시지마다 매개변수 갱신per-message parameter updating
Lexile / Flesch-Kincaid (가독성 점수)	텍스트 난이도 측정text difficulty scoring	출력 측정만 가능, 입력→출력 매핑 없음output measurement only; no input-to-output mapping	사용자 입력 → AI 응답 매개변수 직접 매핑direct mapping from user input to AI response parameters

🎯 발명의 진보성 (Inventive Step)🎯 Inventive Step

본 발명은 (1) Fischer 13단계 발달 이론을 LLM 응답 매개변수와 직접 매핑한 최초의 시스템이며, (2) 사용자 입력으로부터 자동 추정된 발달 단계에 따라 응답을 ZPD(+1)로 보정하고, (3) 정서·인지·관계 도메인을 분리하여 다차원 적응을 수행한다. 이 세 가지 결합은 선행 기술에 존재하지 않으며, 발명의 비자명성(non-obviousness)을 구성한다. The present invention is (1) the first system to directly map Fischer's 13-tier developmental theory to LLM response parameters; (2) it calibrates responses to ZPD (+1) based on developmental tiers automatically inferred from user input; and (3) it performs multi-dimensional adaptation by separating the emotional, cognitive, and relational domains. The combination of these three elements does not exist in the prior art and establishes the non-obviousness of the invention.

10산업상 이용 가능성Industrial Applicability

10.1 적용 시장10.1 Target Markets

디지털 정신건강:Digital mental health: 치료 챗봇, 자가 도움 앱, 행동 코칭 (Woebot, Wysa, Replika 등 추월)therapeutic chatbots, self-help apps, behavioral coaching (overtaking Woebot, Wysa, Replika)
교육 EdTech:Educational EdTech: 개인화 튜터링, 적응형 학습 플랫폼 (Khan Academy, Duolingo)personalized tutoring, adaptive learning platforms (Khan Academy, Duolingo)
직장 코칭:Workplace coaching: 리더십 개발, 인사 코칭 챗봇leadership development, HR coaching chatbots
고객 서비스:Customer service: 고객 발달 수준에 맞춘 응대 (특히 시니어 케어)level-matched customer service, especially in senior care
임상 도구:Clinical tools: 치료사 보조, 환자 자가보고 분석therapist assistance, patient self-report analysis

10.2 구현 형태10.2 Implementations

SaaS API: 다른 챗봇 회사가 Tier 추정·매핑 기능을 API로 호출SaaS API: other chatbot vendors invoke tier inference and mapping via API
B2C: TalkCatcher.com — 직접 적용한 컴패니언 봇B2C: TalkCatcher.com — companion bot with direct application
B2B 라이선스: 의료기관·교육기관 SDK 제공B2B licensing: SDK delivery to medical and educational institutions

10.3 이론적 기반10.3 Theoretical Basis

본 발명은 발명자(Boston Neuromind 설립자)가 Harvard Graduate School of Education의 Visiting Scholar로서 故 Kurt Fischer 교수의 직접 지도하에 동적 기술 이론을 학습하고, 뇌파 ERP 기반 학습 최적화 연구에 참여한 경험을 토대로 구상되었다. 이론적 기반의 깊이와 임상적 검증의 결합이 본 발명의 독창성을 뒷받침한다. The invention was conceived by the inventor — founder of Boston Neuromind — based on direct mentorship with the late Professor Kurt Fischer at the Harvard Graduate School of Education as Visiting Scholar, where the inventor studied Dynamic Skill Theory firsthand and participated in EEG/ERP-based learning-optimization research. The depth of theoretical grounding combined with clinical validation underpins the originality of this invention.

11관련 논문References

본 발명의 이론적·임상적 근거가 되는 핵심 논문 및 자료. 클릭하면 외부 출처로 이동합니다. Key papers and resources providing the theoretical and clinical basis for this invention. Click links to access external sources.

A. Fischer 동적 기술 이론A. Fischer Dynamic Skill Theory

A1Fischer KW. A theory of cognitive development: The control and construction of hierarchies of skills. Psychological Review, 1980; 87(6):477-531. DOI ↗
A2Fischer KW, Bidell TR. Dynamic development of action and thought. In: Damon W, Lerner RM (Eds.), Handbook of Child Psychology, 6th ed. Wiley, 2006; 1:313-399.
A3Fischer KW, Daley SG. Connecting cognitive science and neuroscience to education: Potentials and pitfalls in inferring executive processes. In: Mind, Brain, and Education in Reading Disorders, Cambridge University Press, 2007; 55-72.
A4Fischer KW. Dynamic cycles of cognitive and brain development: Measuring growth in mind, brain, and education. In: Battro AM et al. (Eds.), The Educated Brain, Cambridge University Press, 2008; 127-150.

B. Vygotsky ZPD 및 발달 학습 이론B. Vygotsky ZPD and Developmental Learning

B1Vygotsky LS. Mind in Society: The Development of Higher Psychological Processes. Harvard University Press, 1978.
B2Wood D, Bruner JS, Ross G. The role of tutoring in problem solving. Journal of Child Psychology and Psychiatry, 1976; 17(2):89-100. DOI ↗
B3Chaiklin S. The zone of proximal development in Vygotsky's analysis of learning and instruction. In: Kozulin A et al. (Eds.), Vygotsky's Educational Theory in Cultural Context, Cambridge University Press, 2003; 39-64.

C. 언어 복잡도 및 가독성 측정C. Linguistic Complexity and Readability

C1Flesch R. A new readability yardstick. Journal of Applied Psychology, 1948; 32(3):221-233. DOI ↗
C2McCarthy PM, Jarvis S. MTLD, vocd-D, and HD-D: A validation study of sophisticated approaches to lexical diversity assessment. Behavior Research Methods, 2010; 42(2):381-392. DOI ↗
C3Lu X. Automatic analysis of syntactic complexity in second language writing. International Journal of Corpus Linguistics, 2010; 15(4):474-496. DOI ↗
C4Graesser AC, McNamara DS, Louwerse MM, Cai Z. Coh-Metrix: Analysis of text on cohesion and language. Behavior Research Methods, Instruments, & Computers, 2004; 36(2):193-202. DOI ↗

D. LLM 및 대화형 AID. LLMs and Conversational AI

D1Brown TB, Mann B, Ryder N, et al. Language Models are Few-Shot Learners (GPT-3 paper). NeurIPS 2020. arXiv ↗
D2Devlin J, Chang MW, Lee K, Toutanova K. BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding. NAACL 2019. arXiv ↗
D3Bommasani R, Hudson DA, Adeli E, et al. On the Opportunities and Risks of Foundation Models. arXiv:2108.07258, 2021. arXiv ↗

E. 적응형 학습 시스템E. Adaptive Learning Systems

E1VanLehn K. The Behavior of Tutoring Systems. International Journal of Artificial Intelligence in Education, 2006; 16(3):227-265.
E2Aleven V, Sewall J. Hands-on tutorial: Constructing tutors with the Cognitive Tutor Authoring Tools. Proceedings of the 2010 ACM CHI Workshop, 2010.

F. 디지털 정신건강F. Digital Mental Health

F1Fitzpatrick KK, Darcy A, Vierhile M. Delivering Cognitive Behavior Therapy to Young Adults with Symptoms of Depression and Anxiety Using a Fully Automated Conversational Agent (Woebot): A Randomized Controlled Trial. JMIR Mental Health, 2017; 4(2):e19. DOI ↗
F2Inkster B, Sarda S, Subramanian V. An Empathy-Driven, Conversational Artificial Intelligence Agent (Wysa) for Digital Mental Well-Being. JMIR mHealth and uHealth, 2018; 6(11):e12106. DOI ↗

Fischer 동적 기술 수준 적응 시스템 Fischer Dynamic Skill Level Adaptation System

01초록Abstract

02발명 분야Field of Invention

관련 기술 분야Related Technical Fields

03배경 기술Background

3.1 Fischer 동적 기술 이론3.1 Fischer's Dynamic Skill Theory

3.2 ZPD (근접 발달 영역) 원리3.2 ZPD (Zone of Proximal Development) Principle

3.3 기존 LLM 챗봇의 한계3.3 Limitations of Existing LLM Chatbots

04해결 과제Problem Statement

05발명 요약Summary of Invention

5.1 시스템 구성 요소5.1 System Components

5.2 핵심 차별점 (Inventive Step)5.2 Inventive Steps

06상세 설명Detailed Description

6.1 17개 언어 특징의 정의6.1 Definition of the Seventeen Linguistic Features

6.2 Tier 추론 수식6.2 Tier Inference Formula

6.3 맥락 분리 추정6.3 Context-Separated Inference

6.4 응답 매개변수 매핑6.4 Response Parameter Mapping

6.5 ZPD 보정 (+1 Rule)6.5 ZPD Calibration (the "+1" Rule)

6.6 동적 갱신 루프6.6 Dynamic Update Loop

07도면 설명Drawings

08청구항Claims

09선행 기술 비교Prior Art Comparison

10산업상 이용 가능성Industrial Applicability

10.1 적용 시장10.1 Target Markets

10.2 구현 형태10.2 Implementations

10.3 이론적 기반10.3 Theoretical Basis

11관련 논문References