🏆 수학문제 인지요소 분류기

2023 서울대학교 사범대학 AI융합교육 학생 연구 장기 프로젝트 동상 수상작

AI 기반 수학 문제 이미지 분석 및 인지요소 자동 분류 시스템

📋 프로젝트 개요

본 프로젝트는 수학 문제 이미지를 업로드하면 해당 문제가 다루는 수학적 개념을 자동으로 분류해주는 AI 시스템입니다. 특히 순환소수와 유한소수 관련 개념들을 6가지 카테고리로 분류하여 교육적 활용이 가능합니다.

🎉 수상 내역: 2023 서울대학교 사범대학 AI융합교육 학생 연구 장기 프로젝트 동상
📗 보고서 및 발표 영상: 2023 서울대학교 사범대학 AI융합교육 학생 연구 장기 프로젝트 결과

🎯 주요 기능

• 📸 이미지 업로드: 수학 문제 이미지 업로드
• 🔍 OCR 처리: MathPix API를 통한 수학 수식 인식
• 🤖 AI 분류: KLUE/BERT 기반 다중 라벨 분류
• 📊 결과 출력: 해당하는 수학 개념들 자동 표시

📚 분류 카테고리

1. 유한소수와 무한소수의 이해
2. 순환소수의 이해
3. 유한소수로 표현되는 분수 구별하기
4. 분수의 순환소수 표현
5. 순환소수의 분수 표현
6. 유리수와 순환소수의 관계 이해

🏗️ 시스템 아키텍처

이미지 업로드 → MathPix OCR → 텍스트 전처리 → BERT 분류 → 규칙 기반 후처리 → 결과 출력

핵심 구성요소

• Frontend: Streamlit 웹 애플리케이션
• OCR Engine: MathPix API (수학 수식 특화)
• AI Model: KLUE/BERT-base 다중 라벨 분류기
• Post-processing: 도메인 지식 기반 규칙 엔진

🔧 기술 스택

AI/ML

• PyTorch 2.1.0: 딥러닝 프레임워크
• Transformers 4.34.0: Hugging Face 트랜스포머
• KLUE/BERT-base: 한국어 사전훈련 모델

웹 프레임워크

• Streamlit 1.28.1: 웹 인터페이스

데이터 처리

• NLTK 3.8.1: 자연어 처리
• Pandas 2.1.2: 데이터 처리
• NumPy 1.26.2: 수치 연산

🚀 설치 및 실행

1. 환경 설정

# 가상환경 생성 및 활성화
python -m venv aied
source aied/bin/activate  # Windows: aied\Scripts\activate

# 의존성 설치
pip install -r requirements.txt

2. MathPix API 설정

Streamlit secrets에 MathPix API 키를 설정해야 합니다:

# .streamlit/secrets.toml
app_id = "your_mathpix_app_id"
app_key = "your_mathpix_app_key"

3. 애플리케이션 실행

streamlit run app.py

📁 프로젝트 구조

2023_snu_aied-research/
├── app.py                 # 메인 Streamlit 애플리케이션
├── predictor.py           # AI 모델 및 예측 로직
├── model_save.py          # 모델 저장/로드 유틸리티
├── model_last.pt          # 학습된 모델 파일
├── requirements.txt       # 의존성 목록
├── mathpix/              # MathPix API 모듈
│   ├── __init__.py
│   ├── client.py         # API 클라이언트
│   ├── mathpix.py        # 메인 MathPix 클래스
│   ├── utils.py          # 유틸리티 함수
│   └── errors.py         # 예외 처리
├── Sample/               # 테스트용 샘플 이미지
│   ├── Sample1.png
│   ├── Sample2.png
│   └── ...
└── README.md

🎮 사용 방법

1. 웹 애플리케이션 접속: streamlit run app.py 실행 후 브라우저에서 접속
2. 이미지 업로드: 수학 문제가 포함된 이미지 파일 업로드 (PNG, JPG, JPEG 지원)
3. 자동 분석: 시스템이 자동으로 OCR → AI 분류 → 결과 출력
4. 결과 확인: 해당 문제가 다루는 수학적 개념들을 확인

샘플 테스트

Sample/ 디렉토리의 이미지들을 사용하여 즉시 시스템을 테스트할 수 있습니다.

🧠 AI 모델 상세

모델 아키텍처

• Base Model: KLUE/BERT-base
• Task: Multi-label Classification (6개 클래스)
• Threshold: 0.5
• Max Length: 128 tokens

전처리 과정

def preprocess_question(self, text):
    # LaTeX 수식 제거
    text = re.sub(r'\$.*?\$', '', text)
    # 백슬래시 제거
    text = re.sub(r'\\', '', text)
    # 한글과 공백만 유지
    text = re.sub(r'[^가-힣 ]', '', text)
    # 연속 공백 정리
    text = re.sub(r'\s{2,}', ' ', text)
    return text

후처리 규칙

1. 규칙 1: 6번째 카테고리가 예측되면 3,4,5번 중 하나는 반드시 활성화
2. 규칙 2: 3,4,5번 중 하나가 예측되면 2번은 반드시 활성화

📊 성능 특징

• ✅ 완전한 End-to-End 파이프라인
• ✅ 수학 수식 특화 OCR
• ✅ 도메인 지식 기반 후처리
• ✅ 사용자 친화적 웹 인터페이스
• ✅ 즉시 테스트 가능한 샘플 데이터

👥 개발팀

개발자	소속	GitHub
최동민	서울대학교 수학교육과 17학번
이효준	서울대학교 수학교육과 18학번

📄 라이선스

이 프로젝트는 교육 목적으로 개발되었습니다.

---

🎓 Seoul National University College of Education

AI융합교육 학생 연구 장기 프로젝트