CN114419639A - 通用的练习册自动批阅方法 - Google Patents
通用的练习册自动批阅方法 Download PDFInfo
- Publication number
- CN114419639A CN114419639A CN202210084031.4A CN202210084031A CN114419639A CN 114419639 A CN114419639 A CN 114419639A CN 202210084031 A CN202210084031 A CN 202210084031A CN 114419639 A CN114419639 A CN 114419639A
- Authority
- CN
- China
- Prior art keywords
- answer
- answer sheet
- information
- student
- question
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Withdrawn
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Electrically Operated Instructional Devices (AREA)
Abstract
本发明公开了通用的练习册自动批阅方法,包括:数据库存储数据、生成答题卡、上传答题卡和自动批阅,通过数据库中的学生信息、试题题号、答案和老师自定义信息,即可自动设置答题卡;上传作答的答题卡之后,利用OCR和易混淆分析可实现客观题自动批改。本方案,自动批改客观题,可同时支持多学科的选择和填空,拓展了传统智能批阅系统只支持选择题批改的局限以及减轻了老师批改作业的工作量;在系统中只需要录入题号和答案信息,无需提前录入练习题的题干,选项,位置关系等全部信息,极大地减少了传统智能批阅系统的前期工作量和老师的使用成本。
Description
技术领域
本发明涉及智能作业批改技术领域,具体而言,涉及通用的练习册自动批阅方法。
背景技术
智能作业批阅是一套基于互联网的智能型,开放式,跨学科和多层次的作业系统,一般包含试题的设计或录入,作业布置,作业提交,自动批阅和结果统计等模块;智能作业一方面通过自动化的作业管理和部分客观题批改,从而方便老师对作业的管理并减轻老师的部分工作量,另一方面通过对作业作答情况的统计和分析,可个性化分析每个学生的学习情况,并为老师提供针对性的教学方案,虽然智能作业很多优点,但是在实际自动批改和试题管理上仍然具有很大的挑战。
目前,国内以练习形式出现的教育软件均只能解决选择题和判断题的批改,而不能自动识别和批阅计算题和填空题等题型,并且需要提前将完整的试题录入题库;国外在相关领域的研究和开发与国内的状况大致相同;例如,学科网的e卷通只支持客观题自动批改,并且需要提前将所需的试题录入题库,然后组卷之后才能使用自动批改的功能,缺乏灵活性;蜜蜂作业虽然支持多种题型的批改,但是在自动批改之后还需要人工批改或者校对,虽然老师的工作量减轻,但实际还需要公司的教研帮忙批改,人工成本只是从老师转移到公司教研,本质上没有减轻,还给学校或老师带来额外的经济负担;还有一些虽然是纸质作答练习册,但是需要在传统练习册中添加点阵码,属于使用特定的练习册,局限性很大,网易有道智能学习终端比前面几个方案稍好点,可保持原有纸质练习册的基础上进行客观题自动批改,主观题老师批改,但是是基于拍照搜题的技术,所以不可避免得要求系统需要提前录入全部试题信息,并且每年只给每个学校提供不到二十本练习册免费录入,也限制了不同年级不同学科不同练习册的使用。
因此,如何在不改变原来纸质作答习惯的基础上,有效减少作业批阅过程中的录题和批改的时间和人力成本成为一项值得研究的课题,同时,还需要研究如何提高智能作业批阅系统的易用性和兼容性,提高系统的广泛而高效使用。
发明内容
本发明的主要目的在于提供通用的练习册自动批阅方法,以改善相关技术中老师批改作业工作量大以及传统智能作业的对习题册或题库的限制,自动批阅无法做到广泛而高效地应用的问题。
为了实现上述目的,本发明提供了通用的练习册自动批阅方法,具体包括以下步骤:
S1、数据库存储数据:先将学生信息、试题题号、答案和老师自定义信息存储在数据库中;
S2、生成答题卡:通过数据库中的学生信息、试题题号、答案和老师自定义信息,即可自动设置答题卡;
S3、上传答题卡:生成答题卡后,即可上传答题卡;
S4、自动批阅:上传作答的答题卡之后,利用OCR和易混淆分析可实现客观题自动批改。
在本发明的一种实施例中,所述步骤S1中,所述数据库存储数据包括存储学生UUID信息、存储练习册的关键信息、存储生成的答题卡和存储批改结果,所述存储学生UUID信息与学生所在的学校,年级和班级对应,用于生成学生信息标识符,对上传的试卷按照学生进行分类,然后自动整理批阅,并且对每个学生的作答情况进行统计和分析,所述存储练习册的关键信息用于定位练习题中每一道练习题和自动化设置答题卡答题区域的大小和自动批改,所述存储生成的答题卡供老师随时快速下载并使用,所述存储批改结果用于后续查看和统计每个学生、每道题的得分情况,以及进一步对学生知识点掌握情况的深度分析。
在本发明的一种实施例中,所述存储练习册的关键信息包括章节、页码、题号和答案,所述章节、所述页码和所述题号用于定位练习题中每一道练习题,所述答案用于自动化设置答题卡答题区域的大小和自动批改。
在本发明的一种实施例中,所述存储生成的答题卡包括答题卡和答题卡模板,所述答题卡用于供老师随时快速下载并使用,所述答题卡模板用于在学生作答后的答题中卡裁切出作答区域。
在本发明的一种实施例中,所述步骤S2中,所述生成答题卡包括生成预留标识符、生成答题区域、生成完整的答题卡和模板,所述生成预留标识符根据数据库中学生UUID、习题的章节、页码和题号,生成预留的标识符,所述生成答题区域根据数据库中题号和答案信息以及老师个性化设置,自动设置每道题的答题区域以及对应模板的色块区域,所述生成完整的答题卡和模板中,答题卡供学生下载后在上面纸质作答,模板用于裁切学生每道题的作答区域。
在本发明的一种实施例中,所述生成预留标识符包括学生信息标识符、答题卡矫正标识符和页码标识符,所述学生信息标识符位于答题卡或试卷的右上角的二维码,内容是一个32位的UUID,对应学生的个人信息,所述答题卡矫正标识符位于答题卡或试卷的左上角,右上角,左下角,右下角的正方形,用于识别卷子方向,如果存在倾斜,则进行校正,所述页码标识符位于答题卡或试卷的顶端标识符,是中间镂空或实心的正方形,用于识别判断答题卡的页码。
在本发明的一种实施例中,所述步骤S3中,所述上传答题卡包括答题卡扫描、答题卡矫正、获取页码信息、获取学生信息和获取答题内容,所述答题卡扫描由老师使用扫描设备对答题卡进行批量扫描,所述答题卡矫正根据矫正标识符对答题卡进行矫正,所述获取页码信息根据页码标识符确定位置,所述获取学生信息根据学生标识符绑定对应学生,所述获取答题内容从数据库中获取对应的模板,进行匹配,对照模板获取答题区域。
在本发明的一种实施例中,所述扫描设备包括手机和扫描仪,老师利用手机拍照或者扫描仪获取答题卡图像。
在本发明的一种实施例中,所述步骤S4中,所述自动批阅包括答题区域进行OCR、易混淆分析和自动批改,所述答题区域进行OCR采用的模型是循环卷积神经网络基和于连接主义的时序分类技术,所述易混淆分析用于进一步弥补对复杂场景下学生书写区域的准确识别,弥补由于多余的笔迹、不同人书写习惯和字迹,答题卡不规律明暗变化等导致的OCR识别准确率不高的情况,所述自动批改即学生作答内容和数据库中答案进行匹配,用于客观题判题,批改结果存储在数据库中。
在本发明的一种实施例中,所述循环卷积神经网络是卷积神经网络和循环神经网络的组合。
与现有技术相比,本发明的有益效果是:通过上述设计的通用的练习册自动批阅方法,使用时,首先,数据库存储数据,包括存储学生UUID信息、存储练习册的关键信息、存储生成的答题卡和存储批改结果,即先将学生信息、试题题号、答案和老师自定义信息存储在数据库中,然后,生成答题卡和上传答题卡:生成答题卡包括生成预留标识符、生成答题区域、生成完整的答题卡和模板,上传答题卡包括答题卡扫描、答题卡矫正、获取页码信息、获取学生信息和获取答题内容,即通过数据库中的学生信息、试题题号、答案和老师自定义信息,即可自动设置答题卡,生成答题卡后,即可上传答题卡,最后,自动批阅:自动批阅包括答题区域进行OCR、易混淆分析和自动批改,上传作答的答题卡之后,利用OCR和易混淆分析可实现客观题自动批改;实现了自动批改客观题,可同时支持多学科的选择和填空,拓展了传统智能批阅系统只支持选择题批改的局限以及减轻了老师批改作业的工作量;在系统中只需要录入题号和答案信息,无需提前录入练习题的题干,选项,位置关系等全部信息,极大地减少了传统智能批阅系统的前期工作量和老师的使用成本;可在不改变原来纸质作答习惯的基础上,有效减少作业批阅过程中的录题和批改的时间和人力成本,提高智能作业批阅系统的易用性和兼容性。
附图说明
图1为根据本发明实施例提供的通用的练习册自动批阅方法的流程示意图;
图2为根据本发明实施例提供的通用的练习册自动批阅方法的数据库存储数据的内容示意图;
图3为根据本发明实施例提供的通用的练习册自动批阅方法的生成答题卡的内容示意图;
图4为根据本发明实施例提供的通用的练习册自动批阅方法的上传答题卡的内容示意图;
图5为根据本发明实施例提供的通用的练习册自动批阅方法的自动批阅的内容示意图;
图6为根据本发明实施例提供的通用的练习册自动批阅方法的完整的答题卡的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
在本发明中,术语“上”、“下”、“左”、“右”、“前”、“后”、“顶”、“底”、“内”、“外”、“中”、“竖直”、“水平”、“横向”、“纵向”等指示的方位或位置关系为基于附图所示的方位或位置关系。这些术语主要是为了更好地描述本发明及其实施例,并非用于限定所指示的装置、元件或组成部分必须具有特定方位,或以特定方位进行构造和操作。
并且,上述部分术语除了可以用于表示方位或位置关系以外,还可能用于表示其他含义,例如术语“上”在某些情况下也可能用于表示某种依附关系或连接关系。对于本领域普通技术人员而言,可以根据具体情况理解这些术语在本发明中的具体含义。
另外,术语“多个”的含义应为两个以及两个以上。
需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。
实施例1
请参阅图1-图6,本发明提供了通用的练习册自动批阅方法,具体包括以下步骤:
S1、数据库存储数据;
S2、生成答题卡;
S3、上传答题卡;
S4、自动批阅;
通过数据库中的学生信息、试题题号、答案和老师自定义信息,即可自动设置答题卡,上传作答的答题卡之后,利用OCR和易混淆分析可实现客观题自动批改;
OCR(Optical Character Recognition,光学字符识别)是指电子设备(例如扫描仪或数码相机)检查纸上打印的字符,通过检测暗、亮的模式确定其形状,然后用字符识别方法将形状翻译成计算机文字的过程;即,针对印刷体字符,采用光学的方式将纸质文档中的文字转换成为黑白点阵的图像文件,并通过识别软件将图像中的文字转换成文本格式,供文字处理软件进一步编辑加工的技术;
本发明自动批改客观题,可同时支持多学科的选择和填空,拓展了传统智能批阅系统只支持选择题批改的局限以及减轻了老师批改作业的工作量;
本发明在系统中只需要录入题号和答案信息,无需提前录入练习题的题干,选项,位置关系等全部信息,极大地减少了传统智能批阅系统的前期工作量和老师的使用成本。
请参阅图1和图2,步骤S1中,数据库存储数据包括存储学生UUID信息、存储练习册的关键信息、存储生成的答题卡和存储批改结果;
不同的学生有不同的UUID信息,存储学生UUID信息与学生所在的学校,年级和班级对应,用于生成学生信息标识符,系统可根据学生UUID信息,对上传的试卷按照学生进行分类,然后自动整理批阅,并且对每个学生的作答情况进行统计和分析;
UUID是通用唯一识别码(Universally Unique Identifier)的缩写;
存储练习册的关键信息用于定位练习题中每一道练习题和自动化设置答题卡答题区域的大小和自动批改,存储练习册的关键信息包括章节、页码、题号和答案,其中,章节、页码和题号用于定位练习题中每一道练习题,而答案用于自动化设置答题卡答题区域的大小和自动批改,首先练习册中的试题所属的章节、页码和题号先和答题卡页码关联,然后再和答题卡中的题号关联,最后再将练习册的答案和答题卡题号关联,这样答题卡的题号就可以和习题册中的答案直接关联,而避免了系统录入题干信息或者精心设计特定的练习册;
存储生成的答题卡供老师随时快速下载并使用,存储生成的答题卡包括答题卡和答题卡模板,答题卡用于供老师随时快速下载并使用,答题卡模板用于在学生作答后的答题中卡裁切出作答区域,有了上一步的答题卡和练习册答案的关联性,即可生成答题卡和模板,也就是说在出版社最后定稿练习册的时候,即可批量设计整本练习册的答题卡和答题卡模板并存在数据库中,老师一方面可以一键下载全部的答题卡并打印,也可根据教学需求个性化设置并编辑指定的答题卡,然后再下载使用,编辑答题卡之后,模板也会更新,新的答题卡和模板会和老师账号以及练习册绑定,这样就可以不影响其他老师的答题卡的使用和自动批阅;
存储批改结果用于后续查看和统计每个学生、每道题的得分情况,以及进一步对学生知识点掌握情况的深度分析,批改结果的有两方面应用:一、对整个班级乃至整个年纪的答题情况进行统计,分析出最低分、最高分、平均分、中位数、易错题等对教学有指导性意义的数据;二、对单个学生的作答情况进行分析,给出单个学生的学情分析,包括单词作答情况、历次成绩曲线、知识点掌握情况等,可用于后续对学生个性化推荐习题,针对短板进行强化练习。
请参阅图1、图3和图6,步骤S2中,生成答题卡包括生成预留标识符、生成答题区域、生成完整的答题卡和模板;
生成预留标识符根据数据库中学生UUID、习题的章节、页码和题号,生成预留的标识符,生成预留标识符包括学生信息标识符、答题卡矫正标识符和页码标识符,学生信息标识符位于答题卡或试卷的右上角的二维码,内容是一个32位的UUID,对应学生的个人信息,答题卡矫正标识符位于答题卡或试卷的左上角,右上角,左下角,右下角的正方形,用于识别卷子方向,如果存在倾斜,则进行校正,页码标识符位于答题卡或试卷的顶端标识符,是中间镂空或实心的正方形,用于识别判断答题卡的页码;
生成答题区域根据数据库中题号和答案信息以及老师个性化设置,自动设置每道题的答题区域以及对应模板的色块区域,答题区域不仅仅是学生作答的地方,也是作业自动批改之后反馈学生的每道题批改结果和老师评语的地方,所以对答题区域的大小不能暴力采用习题册中预留的大小,答题区域的大小在根据答案长短调整的基础上还应该考虑老师的个性化设置,同时老师也可在自动生成的答题卡基础上,对特定答题区域进行调整,极大地提高了该答题卡的实用性;
生成完整的答题卡和模板,有了预留标识符和答题区域,就可以利用前端技术批量生成练习册的答题卡以及对应的模板,答题卡可供学生下载后在上面纸质作答,模板用于裁切学生每道题的作答区域;
如图6所示,右上角的二维码是学生信息标识符,四角的中方形嵌套图案是答题卡矫正标识符,上方的中间镂空或实心的正方形是页码标识符,学生信息标识符可以对应出改学生叫“学生A”,学校是“中教云智中学”,年级是“七年级”,答题卡矫正标识符分别位于四个角,右下角的和其他三个角图案不一样,如果试卷发生旋转,也可根据这个设计的位置关系矫正,并且保证不一样的那个答题卡矫正标识符保持在矫正图像的右下角,这样就可以避免试卷发生180°旋转,页码标志符采用二进制方式,中间镂空的正方形表示“0”,实心的正方形表示“1”,所以此处表示的页码是“00000001”,即第1页;
二维码:也称为二维条码,是指在一维条码的基础上扩展出另一维具有可读性的条码,使用黑白矩形图案表示二进制数据,被设备扫描后可获取其中所包含的信息,一维条码的宽度记载着数据,而其长度没有记载数据,二维码的长度、宽度均记载着数据,二维码有一维条码没有的“定位点”和“容错机制”,容错机制在即使没有识别到全部的条码、或是说条码有污损时,也可以正确地还原条码上的信息。
请参阅图1、图4和图6,步骤S3中,上传答题卡包括答题卡扫描、答题卡矫正、获取页码信息、获取学生信息和获取答题内容;
答题卡扫描由老师使用扫描设备对答题卡进行批量扫描,扫描设备包括手机和扫描仪,老师利用手机拍照或者扫描仪获取答题卡图像,手机虽然便携,但是对扫描多份的答题卡任然存在速度慢的问题,所以老师在实际使用的时候,可以利用高速扫描仪对答题卡进行批量扫描;
由于本发明提供了学生信息标识符、答题卡矫正标识符和页码标识符,所以老师在准备扫描试卷的时候,对试卷无需进行排序、指定正反面、上下颠倒等繁琐的操作,直接讲收上来的来试卷放入扫描仪即可得到全部的电子版扫描文件;
答题卡矫正根据矫正标识符对答题卡进行矫正,上传上一步得到的电子版扫描文件,即可根据答题卡矫正标识符对答题卡进行矫正,例如把由于手机拍照或者扫描时候位置倾斜甚至颠倒的图像矫正,保证试卷正常识别和显示;
获取页码信息根据页码标识符确定位置,页码标志符采用二进制方式,中间镂空的正方形表示“0”,实心的正方形表示“1”,如图6所示,页码是“00000001”,即第1页;
获取学生信息根据学生标识符绑定对应学生,图6中学生信息标识符可以对应出改学生叫“学生A”,学校是“中教云智中学”,年级是“七年级”;
获取答题内容从数据库中获取对应的模板,进行匹配,对照模板获取答题区域,获取的作答区域可有效保留学生作答的信息,而去除无关的信息。
请参阅图1、图5和图6,步骤S4中,自动批阅包括答题区域进行OCR、易混淆分析和自动批改;
答题区域进行OCR采用的模型是循环卷积神经网络基和于连接主义的时序分类技术,目前较成熟的循环卷积神经网络(Convolutional Recurrent Neural Network,CRNN)基和于连接主义的时序分类(Connectionist Temporal Classification,CTC)技术,后面简称CRNN+CTC技术;
循环卷积神经网络,CRNN就是卷积神经网络(Convolutional Neural Networks,CNN)和循环神经网络(Recurrent neural networks,RNN)的组合;
CRNN+CTC的方案包括三层结构:CNN层、RNN层和CTC层。CNN 层用于提取输入图像的深度特征,原始论文中采用VGG网络,而在本发明中采用了ResNet,目的是可采用更深层次的网络提取特征,RNN层采用深层双向RNN,预测从卷积层获取的特征序列的标签序列,CTC层用于替代传统的softmax层,好处是无需对齐文本,利于模型的快速有效收敛;
本发明的数据来源三个方面:采集的真实数据、公共数据集、生成的数据;
真实数据从公司现有的数字课程教材云平台中采集了大量去敏感信息的学生书写数据,有限保障学生隐私的前提下,采集了的包括中英文和数学、物理、化学等,有效训练的总数据量达千万级别;
公共数据集包括了近十年多个国内外OCR项目竞赛公开的数据集,涵盖常用的中英文和公式的手写体和印刷体数据;
生成的数据主要针对手写体中英文数据,通过前面采集的手写体数据,提取单个字符,制作了超过2000人的手写字体,可根据特定文本和长度以及大小,生成指定数量的数据,极大地扩充了数据量;
本发明训练模型的服务器包括1台配有RTX A4000、4台配有RTX 3090、6台配有RTX3080和若干台配有RTX 2080的深度学习服务器,可支持分布式训练;
成熟的技术和优化方案,加上庞大的数据量,以及多个大型深度学习服务器的加持,对手写体的识别以及达到不错的效果,同时可对中英文和数学公式进行识别,兼容多学科;
易混淆分析用于进一步弥补对复杂场景下学生书写区域的准确识别,弥补由于多余的笔迹、不同人书写习惯和字迹,答题卡不规律明暗变化等导致的OCR识别准确率不高的情况,由于OCR网络的局限性,只分析字符图像的信息,而没有考虑前后语义,所以很难区分这些易混淆字符。所以我们的易混淆分析在对易混淆字符进行处理,先用正则匹配到这些字符,在根据前后书写内容进行语义分析,从而精准区分易混淆字符;
自动批改即学生作答内容和数据库中答案进行匹配,用于客观题判题,批改结果存储在数据库中,批改的结果反馈给学生和老师,在学生提交的答题卡上标注出对错,在老师和后台界面展示每个学生的批改数据以及批改的统计数据。
具体的,该通用的练习册自动批阅方法的工作原理:使用时,首先,数据库存储数据,包括存储学生UUID信息、存储练习册的关键信息、存储生成的答题卡和存储批改结果,即先将学生信息、试题题号、答案和老师自定义信息存储在数据库中,然后,生成答题卡和上传答题卡:生成答题卡包括生成预留标识符、生成答题区域、生成完整的答题卡和模板,上传答题卡包括答题卡扫描、答题卡矫正、获取页码信息、获取学生信息和获取答题内容,即通过数据库中的学生信息、试题题号、答案和老师自定义信息,即可自动设置答题卡,生成答题卡后,即可上传答题卡,最后,自动批阅:自动批阅包括答题区域进行OCR、易混淆分析和自动批改,上传作答的答题卡之后,利用OCR和易混淆分析可实现客观题自动批改。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.通用的练习册自动批阅方法,其特征在于,具体包括以下步骤:
S1、数据库存储数据:先将学生信息、试题题号、答案和老师自定义信息存储在数据库中;
S2、生成答题卡:通过数据库中的学生信息、试题题号、答案和老师自定义信息,即可自动设置答题卡;
S3、上传答题卡:生成答题卡后,即可上传答题卡;
S4、自动批阅:上传作答的答题卡之后,利用OCR和易混淆分析可实现客观题自动批改。
2.如权利要求1所述的通用的练习册自动批阅方法,其特征在于,所述步骤S1中,所述数据库存储数据包括存储学生UUID信息、存储练习册的关键信息、存储生成的答题卡和存储批改结果,所述存储学生UUID信息与学生所在的学校,年级和班级对应,用于生成学生信息标识符,对上传的试卷按照学生进行分类,然后自动整理批阅,并且对每个学生的作答情况进行统计和分析,所述存储练习册的关键信息用于定位练习题中每一道练习题和自动化设置答题卡答题区域的大小和自动批改,所述存储生成的答题卡供老师随时快速下载并使用,所述存储批改结果用于后续查看和统计每个学生、每道题的得分情况,以及进一步对学生知识点掌握情况的深度分析。
3.如权利要求2所述的通用的练习册自动批阅方法,其特征在于,所述存储练习册的关键信息包括章节、页码、题号和答案,所述章节、所述页码和所述题号用于定位练习题中每一道练习题,所述答案用于自动化设置答题卡答题区域的大小和自动批改。
4.如权利要求2所述的通用的练习册自动批阅方法,其特征在于,所述存储生成的答题卡包括答题卡和答题卡模板,所述答题卡用于供老师随时快速下载并使用,所述答题卡模板用于在学生作答后的答题中卡裁切出作答区域。
5.如权利要求1所述的通用的练习册自动批阅方法,其特征在于,所述步骤S2中,所述生成答题卡包括生成预留标识符、生成答题区域、生成完整的答题卡和模板,所述生成预留标识符根据数据库中学生UUID、习题的章节、页码和题号,生成预留的标识符,所述生成答题区域根据数据库中题号和答案信息以及老师个性化设置,自动设置每道题的答题区域以及对应模板的色块区域,所述生成完整的答题卡和模板中,答题卡供学生下载后在上面纸质作答,模板用于裁切学生每道题的作答区域。
6.如权利要求5所述的通用的练习册自动批阅方法,其特征在于,所述生成预留标识符包括学生信息标识符、答题卡矫正标识符和页码标识符,所述学生信息标识符位于答题卡或试卷的右上角的二维码,内容是一个32位的UUID,对应学生的个人信息,所述答题卡矫正标识符位于答题卡或试卷的左上角,右上角,左下角,右下角的正方形,用于识别卷子方向,如果存在倾斜,则进行校正,所述页码标识符位于答题卡或试卷的顶端标识符,是中间镂空或实心的正方形,用于识别判断答题卡的页码。
7.如权利要求1所述的通用的练习册自动批阅方法,其特征在于,所述步骤S3中,所述上传答题卡包括答题卡扫描、答题卡矫正、获取页码信息、获取学生信息和获取答题内容,所述答题卡扫描由老师使用扫描设备对答题卡进行批量扫描,所述答题卡矫正根据矫正标识符对答题卡进行矫正,所述获取页码信息根据页码标识符确定位置,所述获取学生信息根据学生标识符绑定对应学生,所述获取答题内容从数据库中获取对应的模板,进行匹配,对照模板获取答题区域。
8.如权利要求7所述的通用的练习册自动批阅方法,其特征在于,所述扫描设备包括手机和扫描仪,老师利用手机拍照或者扫描仪获取答题卡图像。
9.如权利要求1所述的通用的练习册自动批阅方法,其特征在于,所述步骤S4中,所述自动批阅包括答题区域进行OCR、易混淆分析和自动批改,所述答题区域进行OCR采用的模型是循环卷积神经网络基和于连接主义的时序分类技术,所述易混淆分析用于进一步弥补对复杂场景下学生书写区域的准确识别,弥补由于多余的笔迹、不同人书写习惯和字迹,答题卡不规律明暗变化等导致的OCR识别准确率不高的情况,所述自动批改即学生作答内容和数据库中答案进行匹配,用于客观题判题,批改结果存储在数据库中。
10.如权利要求9所述的通用的练习册自动批阅方法,其特征在于,所述循环卷积神经网络是卷积神经网络和循环神经网络的组合。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210084031.4A CN114419639A (zh) | 2022-01-25 | 2022-01-25 | 通用的练习册自动批阅方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210084031.4A CN114419639A (zh) | 2022-01-25 | 2022-01-25 | 通用的练习册自动批阅方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114419639A true CN114419639A (zh) | 2022-04-29 |
Family
ID=81278099
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210084031.4A Withdrawn CN114419639A (zh) | 2022-01-25 | 2022-01-25 | 通用的练习册自动批阅方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114419639A (zh) |
-
2022
- 2022-01-25 CN CN202210084031.4A patent/CN114419639A/zh not_active Withdrawn
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US8794978B2 (en) | Educational material processing apparatus, educational material processing method, educational material processing program and computer-readable recording medium | |
CN106781784A (zh) | 一种智能批改系统 | |
US20150187219A1 (en) | Systems and methods for computer-assisted grading of printed tests | |
CN111047933A (zh) | 一种教辅自动批改系统 | |
CN101334814A (zh) | 一种自动化的扫描阅卷系统及阅卷方法 | |
CN101901338A (zh) | 一种试卷分数统计方法及系统 | |
US20120282587A1 (en) | System and method for generating and implementing individualized educational practice worksheets | |
CN106846961A (zh) | 电子试卷的处理方法和装置 | |
CN107038438A (zh) | 一种基于图像识别的评阅方法 | |
CN110826872A (zh) | 考试成绩分析报告生成方法、系统、装置 | |
CN110837793A (zh) | 一种智能识别手写数学公式批阅系统 | |
CN112183143A (zh) | 批阅方法及教学系统 | |
KR20130021684A (ko) | 답안지 관리 시스템 및 그 방법 | |
CN115050039A (zh) | 自动化试卷分析方法、系统、电子设备、存储介质 | |
CN112396897A (zh) | 一种教学系统 | |
CN115620332B (zh) | 一种基于纸质作业的自动批阅方法及设备 | |
CN113705157B (zh) | 一种纸质作业拍照批改的方法 | |
CN115936937A (zh) | 基于智能答题卡的作业处理的方法、装置及系统 | |
CN114419639A (zh) | 通用的练习册自动批阅方法 | |
CN113903039A (zh) | 一种基于颜色的答题卡答案区域采集的方法 | |
KR101479444B1 (ko) | 답안 일체형 시험지 채점 방법 | |
CN211124053U (zh) | 一种考试信息采集装置 | |
KR20230036441A (ko) | 사용자 맞춤형 학습 서비스 시스템 | |
CN116303871A (zh) | 练习册批阅方法 | |
Bloomfield et al. | A tablet-based paper exam grading system |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20220429 |