QuizGen.kr
영어로 전환
실제 YouTube 자막 생성 사례

영상 전체 자막으로 신경망 기초 퀴즈 만들기

42분 분량의 신경망 학습 원리 영상을 전체 자막으로 가져온 뒤, AI가 핵심 내용을 추려 5문항 퀴즈로 만든 사례입니다.

아래 결과는 QuizGen에서 생성한 뒤 별도로 수정하지 않은 원본입니다. 영상 제작자의 허가를 받아 생성 결과와 검토 기준을 공개합니다.

원본 영상 보기YouTube 퀴즈 생성기

사용한 원자료와 생성 조건

자료 유형

YouTube 전체 자막

영상

How to train Neural Network (신경망 학습 원리, 역전파)

영상 길이

42분 24초

생성 결과

객관식 5문항 · 문항당 1점

생성 후 편집

수정하지 않은 원본 결과

공개 허가

영상 제작자 허가 완료

전체 자막이 퀴즈가 되는 과정

특정 장면 하나를 지정해 문제를 만드는 방식이 아니라, 영상 전체 자막을 텍스트 자료로 분석해 핵심 개념을 문제로 바꿉니다.

  1. 1. 자막 전체 가져오기

    YouTube URL에서 사용 가능한 자막을 가져와 영상 전체 내용을 텍스트로 준비합니다.

  2. 2. 핵심 내용 추출

    가중치, 손실, 경사 하강법, 모멘텀, 자동 미분처럼 반복해서 설명되는 학습 개념을 정리합니다.

  3. 3. 문제 초안 생성

    추려낸 개념을 바탕으로 신경망 학습 기초를 확인하는 객관식 문제를 생성합니다.

  4. 4. 원자료 대조

    실제 사용 전에는 생성된 정답과 해설이 원자료의 설명과 맞는지 사람이 확인해야 합니다.

수정하지 않은 QuizGen 생성 결과

다음은 생성 직후의 5문항입니다. 문항의 표현과 선택지는 공개 사례를 위해 다시 작성하지 않았습니다.

Q1. 객관식
원본 생성 결과

가중치와 바이어스가 학습 가능한 파라미터인 레이어에서, 입력이 출력으로 계산되는 순서로 옳은 것은?

  1. 1. 입력에 W를 곱한 뒤 b를 더하고 렐루(ReLU)를 적용한다.
  2. 2. 입력에 b를 더한 뒤 W를 곱하고 렐루(ReLU)를 적용한다.
  3. 3. 렐루(ReLU)를 먼저 적용한 뒤 W와 b를 반영한다.
  4. 4. W와 b를 평균한 뒤 입력과 합친다.

정답: 입력에 W를 곱한 뒤 b를 더하고 렐루(ReLU)를 적용한다.

해설: 레이어는 입력에 가중치 W를 곱하고 바이어스 b를 더한 뒤 렐루 함수에 통과시켜 출력을 계산한다. 2는 순서가 바뀌었고, 3은 활성화가 먼저라서 틀리며, 4는 제시된 계산 순서가 아니다.

Q2. 객관식
원본 생성 결과

훈련 루프에서 x를 모델에 넣어 y_prediction을 얻고, y_prediction과 y_true의 차이로 손실을 계산한다고 하자. 이 손실이 더 작아졌다는 뜻으로 가장 알맞은 것은?

  1. 1. 예측이 목표값에 더 가까워졌다.
  2. 2. 예측이 목표값과 더 멀어졌다.
  3. 3. 가중치와 바이어스가 모두 0이 되었다.
  4. 4. 배치 크기가 커졌다.

정답: 예측이 목표값에 더 가까워졌다.

해설: 손실은 예측값 y_prediction과 목표값 y_true의 불일치를 나타내므로, 손실이 작을수록 예측이 목표값에 더 가깝다는 뜻이다. 2는 반대 의미이고, 3과 4는 손실의 의미와 직접 연결되지 않는다.

Q3. 객관식
원본 생성 결과

경사 하강법에서 W ← W - 학습률 × 그레이디언트 형태로 업데이트할 때, 학습률로 알맞은 것은?

  1. 1. 0보다 큰 작은 값
  2. 2. 0보다 작은 값
  3. 3. 항상 1보다 큰 값
  4. 4. 부호가 정해지지 않은 임의의 값

정답: 0보다 큰 작은 값

해설: 학습률은 가중치를 얼마나 이동시킬지 정하는 작은 양의 값이다. 2는 음수라서 조건에 맞지 않고, 3과 4는 학습률의 제시된 성질과 다르다.

Q4. 객관식
원본 생성 결과

모멘텀 방법은 현재 지점의 그레이디언트만 쓰는 대신 무엇을 함께 사용해 파라미터를 업데이트하는가?

  1. 1. 이전에 사용한 그레이디언트와 현재 그레이디언트
  2. 2. 가중치와 바이어스의 평균
  3. 3. 손실값과 목표값의 차이만
  4. 4. 입력 x와 출력 y_prediction의 곱

정답: 이전에 사용한 그레이디언트와 현재 그레이디언트

해설: 모멘텀 방법은 이전에 사용한 그레이디언트와 현재 그레이디언트를 결합해 파라미터 업데이트에 사용한다. 2, 3, 4는 제시된 모멘텀의 결합 방식이 아니다.

Q5. 객관식
원본 생성 결과

다음 중 신경망의 여러 연산에 대한 미분을 자동으로 계산하는 기능을 제공하는 프레임워크 묶음은?

  1. 1. 텐서플로우, 파이토치, 잭스
  2. 2. 텐서플로우와 파이토치만
  3. 3. 파이토치와 잭스만
  4. 4. 텐서플로우와 잭스만

정답: 텐서플로우, 파이토치, 잭스

해설: 제시된 바에 따르면 텐서플로우, 파이토치, 잭스는 신경망 연산의 미분을 자동으로 계산하는 기능을 제공한다. 2, 3, 4는 셋 중 일부를 빠뜨려 조건과 일치하지 않는다.

공개 전 검토할 부분

원본 결과를 그대로 보여주되, 실제 수업이나 평가에 사용하기 전에는 다음 항목을 확인해야 합니다.

  • 문항 1은 선형 변환 뒤 ReLU를 적용하는 레이어라는 조건을 분명히 하면 더 정확합니다.
  • 문항 2는 사용한 손실 함수와 비교 조건에 따라 “목표값에 가깝다”는 표현을 확인해야 합니다.
  • 문항 3과 4는 학습률의 적절한 크기와 모멘텀의 누적 속도 개념을 더 엄밀하게 다듬을 수 있습니다.
  • 5문항이 모두 객관식이고 타임스탬프가 없으므로, 영상 전체 이해도를 빠르게 확인하는 샘플로 보는 것이 적절합니다.

YouTube 자막으로 직접 퀴즈를 만들어 보세요

자막이 있는 강의나 설명 영상을 입력하고, 생성된 문제를 확인한 뒤 필요한 부분을 편집할 수 있습니다.

YouTube 퀴즈 생성기 열기