학습 이력 기반 맞춤 콘텐츠 추천 앱

학습자의 최근 풀이 이력과 정답 비율로 학습 수준을 산정하고, 수준과 관심 주제에 맞는 다음 콘텐츠 카드를 추천 근거 문구와 함께 보여줍니다.

• 최근 풀이 이력의 정답 비율과 난이도를 가중 합산하는 학습 수준 산정식 정의
• 수준 적합도·관심 주제·최근 미노출 여부를 합산하는 추천 점수식과 폴백 규칙 구현
• NestJS 추천 모듈이 MySQL 풀이 결과와 MongoDB 콘텐츠 메타를 결합하는 서비스 계층 설계

점수식의 가중치를 코드가 아닌 설정값으로 분리하여 같은 추천 모듈이 설정만 바꿔 다른 기준으로 동작하도록 설계합니다.

기존 앱 홈 화면에 오늘의 추천 영역을 추가하여 주제 칩으로 좁혀 보고, 카드를 누르면 퀵뷰에서 문항 수와 적립 리워드를 확인한 뒤 바로 시작합니다.

• 기존 홈 화면 컴포넌트 트리에 추천 영역을 독립 컴포넌트로 삽입하는 구조 설계
• React Native FlatList 가로 카드 목록과 주제 칩 필터 구현
• 추천 API 실패·지연 시 영역만 스켈레톤 후 숨김 처리하는 오류 경계 구현

추천 영역을 기존 화면과 분리된 컴포넌트로 만들어, 기존 홈 화면 코드를 최소한만 수정하는 고도화 방식을 설계합니다.

퀴즈를 마친 직후 결과와 적립 리워드를 보여주고, 방금 푼 결과를 반영한 다음 추천 콘텐츠를 이어서 제안하여 바로 다음 학습으로 연결합니다.

• 풀이 결과 저장 이벤트 이후 추천을 재계산하는 NestJS 서비스 호출 순서 설계
• 정답 비율에 따라 같은 난이도·한 단계 위 난이도를 구분해 제안하는 규칙 구현
• 기존 학습 완료 화면 하단에 추천 카드 영역과 다시 풀기 버튼을 추가하는 컴포넌트 구성

방금 푼 결과가 같은 요청 흐름 안에서 추천에 반영되도록 저장과 추천 호출 순서를 정의하여 결과와 추천이 어긋나지 않는 구조를 설계합니다.

추천 결과를 조회하는 API 명세와 응답 예시, 환경별 설정, 배포 구성을 한 화면에서 확인하고 결과보고서에 들어갈 화면 캡처 목록을 점검합니다.

• 추천 조회 API의 요청·응답 DTO와 Swagger 명세 구성
• Dockerfile, ECR 이미지 푸시, ECS 서비스 정의를 GitHub Actions 워크플로로 구성
• 환경별 설정 파일과 추천 점수식 설정값 분리 구조 설계

추천 설계서의 점수식과 API 명세가 같은 설정값을 참조하도록 정리하여 문서와 구현이 어긋나지 않는 구조를 설계합니다.