📊 Streamlit Level Test MOC

1. 프로젝트 목적 (Purpose)

• Interactive Diagnosis: [[05 Projects/Darlbit_Level_Test_MOC|Darlbit Level Test Engine]]을 웹 환경에서 즉시 실행하고 결과를 시각화하기 위한 경량 웹 애플리케이션.
• Accessibility: 별도의 설치 없이 브라우저상에서 학생이 응시하고, 교사가 실시간으로 성취도를 파악할 수 있는 환경 제공.

2. 주요 기능 및 구성

• Real-time Assessment: 문항 응시와 동시에 서버(Streamlit)에서 채점 및 단계별 분석 수행.
• Dynamic Visualization: 학생의 역량(어휘, 문법, 추론, 유창성 등)을 레이더 차트나 바 형식으로 실시간 대시보드 출력.
• Instant Report Generation: 테스트 종료와 동시에 개별 피드백 리포트를 웹 화면에 렌더링하고 PDF 다운로드 지원.

3. 기술 스택

• Engine: Python
• Frontend/Backend Framework: Streamlit (반응형 웹 UI)
• Data Integration: SQLite 또는 로컬 JSON 파일을 활용한 임시 응시 기록 저장.

4. 리소스 및 경로

• Source Code Path: F:/dev/streamlit-lv-test
• Core Engine: [[05 Projects/Darlbit_Level_Test_MOC|Darlbit Level Test System Core]]

Status Note: 웹 UI 프레임워크 및 실시간 대시보드 연동 완료. 상담 시 신규 학생의 기본 역량을 즉석에서 진단하는 도구로 활용 중.

✨ Starcloud Studio (Obsidian AI Extension) MOC

1. 프로젝트 개요

옵시디언 내의 텍스트 노트를 기반으로 시각적/청각적 멀티미디어 자산을 자동 생성하는 전문 플러그인. ‘보는 노트’를 ‘경험하는 콘텐츠’로 변환하는 것이 핵심 목표.

2. 주요 생성 모듈 (Output Modules)

1. Knowledge Posters: 복잡한 노트를 한 장의 인포그래픽 포스터로 시각화 (Canvas API/SVG 활용).
2. Interactive Slides: 마크다운을 Reveal.js 기반의 HTML 슬라이드 또는 PPTX로 자동 변환.
3. Speech Audio (TTS): Google/OpenAI TTS를 활용하여 노트를 팟캐스트 형식의 오디오로 변환.

3. 핵심 시스템 통합

• Google Drive Sync: 원클릭으로 생성된 결과물을 클라우드로 백업 및 공유.
• GitHub Pages Integration: 슬라이드 및 포스터를 웹에 즉시 호스팅하여 온라인 배포 자동화.
• Multi-AI Support: Gemini, OpenAI, Claude 중 최적의 모델을 선택하여 콘텐츠 기획 및 초안 작성.

4. 리소스 및 경로

• Source Code Path: F:/dev/starcloud-studio
• Tech Stack: Node.js, Typescript, Obsidian API, Google Cloud SDK.

Status Note: 플러그인 핵심 아키텍처 및 도구 통합 완료. 제텔카스텐 지식을 외부 콘텐츠로 확장하는 최종 출구(Exit) 시스템으로 운용.

📚 Sigil Automation MOC

1. 프로젝트 목적 (Purpose)

• EPUB 제작 효율화: 마크다운(Markdown) 또는 HTML 형태의 원고를 Sigil 규격에 맞는 고품질 EPUB3 전자책으로 자동 변환하여 정식 출판(교보문고, 리디북스 등) 가능한 상태로 마감.
• 포맷팅 자동화: 스타일시트(CSS) 삽입, 메타데이터 입력, 목차(TOC) 생성 등의 반복적이고 기술적인 공정을 자동화.

2. 주요 기능 및 파이프라인

• MD-to-EPUB Converter: [[05 Projects/EduPrompT/사과 하나의 무게_최종본|EduPrompT 원고]]와 같은 마크다운 파일을 Sigil 전용 HTML 구조로 변환.
• Automated CSS Injector: 전자책의 가독성을 극대화하는 프리미엄 폰트 및 레이아웃 스타일시트를 자동으로 주입.
• Validation Check: EPUB 표준 규격(EPUBCheck) 준수 여부를 자동으로 검증하여 유통 오류 방지.
• Cover & Metadata Auto-Sync: 책 표지 이미지와 제목, 저자 정보를 원본 메타데이터에서 추출하여 EPUB 내부에 자동 삽입.

3. 핵심 아키텍처

• Processor: Python 기반의 BeautifulSoup 및 EbookLib 라이브러리 활용.
• Template Engine: 장르별(에세이, 전문 서적, 만화 등)로 최적화된 EPUB 템플릿 라이브러리 운용.

4. 리소스 및 경로

• Source Code Path: F:/dev/sigil-automation
• Related Project: [[05 Projects/AI_Publisher/PUBLISHER_MASTER_CONTROL|AI Publisher System]]

Status Note: 원고-전자책 변환 핵심 파이프라인 구축 완료. 출판 준비가 완료된 텍스트를 정식 도서 규격으로 전환하는 ‘최종 마감 공정’으로 활용됨.

📚 Quizlet Update MOC

1. 프로젝트 목적 (Purpose)

• Vocabulary Workflow Integration: 수업 중 추출된 핵심 어휘 또는 [[05 Projects/02 F-Drive-Index/homework-system|Homework System]]의 단어 데이터를 퀴즐렛(Quizlet) 플랫폼으로 자동 전송하여 학생용 디지털 단어장을 생성/업데이트.
• Manual Effort Elimination: 수동 입력 과정을 제거하여 교육 콘텐츠의 디지털 전송 속도 극대화.

2. 주요 기능 및 파이프라인

• Data Extractor: Excel, CSV, 또는 마크다운 형식의 단어 리스트에서 표제어와 뜻, 예문을 자동 추출.
• Quizlet Auto-Uploader: 퀴즐렛 웹 인터페이스 또는 API(지원 시)를 연동하여 새로운 세트를 생성하거나 기존 세트를 덮어쓰기.
• Example Sentence Generator: AI(Gemini)를 활용하여 단어의 난이도에 맞는 자연스러운 예문을 추가하여 학습 효과 증대.

3. 핵심 시스템

• Automation Core: Python (Selenium 또는 Requests 활용).
• Format Support: 한글(HWP)/엑셀 데이터를 퀴즐렛 표준 업로드 포맷으로 변환하는 전처리기 포함.

4. 리소스 및 경로

• Source Code Path: F:/dev/quizlet-update
• Related Context: [[05 Projects/Homework_2025_MOC|Integrated Vocabulary Management]]

Status Note: 어휘 데이터 전처리 및 퀴즐렛 업로드 자동화 스크립트 구축 완료. 매주 신규 클래스별 전용 단어장 배포용으로 운용 중.

🔍 Paddle OCR Digitization System (MOC)

1. 프로젝트 개요

종이 기반의 영미 아동 문학 원서 및 한국 중/고교 영어 시험지를 AI 텍스트 데이터로 변환하기 위한 고성능 OCR 웹 인터페이스 서비스.

2. 핵심 기술 스택

• OCR Engine: PaddleOCR (PP-OCRv4 모델 사용) – 다국어 및 수직/경사진 텍스트 인식에 강점.
• Backend Framework: Flask / FastAPI
• Frontend: HTML5 + Vanilla JS (Drag & Drop interface)
• Processing Unit: CPU/GPU 동적 감지 및 가속 모델 적용.

3. 데이터 파이프라인 (The Pipeline)

1. Upload: 다중 이미지 (JPG/PNG) 업로드.
2. Pre-processing: 대비 향상 및 수평 조정(Deskewing) – 인식률 극대화 작업.
3. Extraction: 각 영역별 텍스트 및 신뢰도(Confidence score) 추출.
4. Post-processing: 수능 또는 시험지 특유의 특수기호(예: ■, ①) 및 단락 구분 자동 보정.

4. 응용 및 확장

• 추출된 텍스트는 즉시 [[02 F-Drive-Index/text-dna-gen|LECTURA AI]]의 분석 소스로 전달됨.
• 대량의 아동 도서 데이터를 [[05 Projects/AI_Publisher/PUBLISHER_MASTER_CONTROL|AI Publisher]]의 리서치 데이터로 활용.

Status Note: 다중 이미지 일괄 처리 엔진 안정화 완료. 실제 가공 환경(F:/paddle_ocr)에서 운용 중.

🛠️ Obsidian Plugin Development MOC

1. 프로젝트 목적 (Purpose)

• Custom Knowledge Engine: 옵시디언의 기본 기능을 넘어, 베이컨(Bacon-style) 사고 체계 또는 에이전틱(Agentic) 워크플로우에 최적화된 고유의 플러그인을 직접 개발하고 배포.
• Workflow Optimization: 지식 수집, 인덱싱, 출력(Publishing)으로 이어지는 전 공정의 마찰을 줄이는 자동화 도구 라이브러리 구축.

2. 주요 개발 항목 및 기술

• Knowledge Linker (Concept): 노트 내용의 문맥을 AI가 읽어 유사한 개념을 가진 노트를 자동으로 추천하거나 연결해주는 지항 기능.
• Plugin Scaffolding: 옵시디언 플러그인 개발을 위한 기본 템플릿 및 빌드 환경(Webpack/Vite) 관리.
• API Sandbox: 옵시디언 내부의 MetadataCache, App, Vault API를 테스트하고 활용하는 코드 조각(Snippets) 저장소.

3. 기술 스택

• Language: TypeScript (Type-safe Obsidian API interaction).
• Runtime: Node.js (Development environment).
• Framework: Svelte 또는 React (플러그인 설정 및 복잡한 UI 구현용).

4. 리소스 및 경로

• Source Code Path: F:/dev/obsi-plugin
• Reference: [[05 Projects/Starcloud_Studio_MOC|Integrated Output Plugin Example]]

Status Note: 플러그인 개발 환경 및 핵심 스니펫 라이브러리 구축 완료. 제텔카스텐의 생산성을 극대화하기 위한 ‘맞춤형 도구 제작소’로 활용 중.

🧠 Meta Question Workbook MOC

1. 프로젝트 목적 (Purpose)

• Beyond Correct Answers: 단순히 정답을 맞히는 것을 넘어, 학생이 어떤 사고 과정을 거쳐 그 답에 도달했는지를 스스로 인지하게 만드는 ‘메타 질문’ 중심의 워크북 생성 시스템.
• Cognitive Trace: 문제 풀이 단계마다 사고의 결함이나 비약이 생기는 지점을 포착하는 질문 설계.

2. 주요 질문 설계 전략 (Questioning Strategy)

• The “Why” Behind Choice: “왜 (A)가 답인가?” 대신 “(B)가 답이 될 수 없는 결정적인 문맥적 증거는 무엇인가?”와 같은 소거법적 추론 유도.
• Inference Gap Check: 지문의 명시적 정보와 정답 사이의 논리적 간극(Gap)을 어떻게 메웠는지 설명하게 함.
• Emotional & Contextual Anchor: 지문 속 화자의 표정이나 상황의 온도를 상상하게 하여 텍스트를 입체적으로 읽게 함.

3. 워크북 구성 원리

• Step-by-Step Scaffolding: 텍스트 읽기 → 초기 가설 설정 → 증거 수집 → 메타 질문 응답 → 최종 확정의 흐름.
• Reflective Feedback: 학생의 응답을 AI가 분석하여 사고의 편향성이나 습관적 오류를 진단.

4. 리소스 및 경로

• Source Code Path: F:/meta-question-workbook
• Educational Philosophy: [[00 Brain Kernel/00_Metacognition|Metacognitive Intelligence Principles]]

Status Note: 메타 질문 추출 알고리즘 및 워크북 레이아웃 템플릿 완성. 학습자의 ‘사고 체력’을 기르는 심화 교재 생성 엔진으로 활용.