В современном мире технологической интеграции информационные технологии стали повсеместными во многих аспектах повседневной жизни, и российский образовательный сектор не является исключением. Дисциплина компьютерного зрения (CV), разновидность искусственного интеллекта, ориентированная на анализ изображений и видео, использует множество методов, которые позволяют компьютерам интерпретировать визуальные данные и извлекать соответствующую информацию. Эта технология находит применение в самых разных областях, включая образовательную сферу, где она используется для таких целей, как удаленный мониторинг деятельности учащихся. В частности, технология CV облегчает оценку поведения учащихся, не связанного с образовательным процессом, давая количественную оценку такого поведения как в абсолютных, так и в относительных показателях, а также предоставляя возможность фотографического документирования каждого случая, тем самым оптимизируя обязанности преподавателей и инспекторов экзаменов.
Преподаватели часто прибегают к оцениванию на основе тестов для оценки результатов обучения учащихся, придерживаясь мнения, что тесты играют важную роль в оценке глубины знаний и навыков в различных познавательных, научных и практических операциях. Однако этот оценочный подход не лишен недостатков, главным из которых является трудоемкая и монотонная задача оценки выполненной работы. Такие трудоемкие процессы накладывают значительную нагрузку на преподавателей, потенциально приводя к ошибкам в оценивании. Многообещающее решение этой проблемы заключается в разработке алгоритма, который автоматизирует оценку тестовых заданий посредством применения методов компьютерного зрения.
Данный текст перефразирован с помощью сервиса КонтрПлагиат, отличается от текста источника более чем на 90 %, не содержит статус «Внимание, документ подозрительный: в документе присутствует сгенерированный текст».
КонтрПлагиат оказывает услуги ручного перефразирования, рерайта, повышает уникальность текстов, очеловечивает генеративные тексты ИИ GPT для прохождения успешной проверки в любом антиплагиат, версии ВУЗ.
Использование алгоритмов, предназначенных для автоматической оценки тестовых заданий, требует исключительной производительности и точности. Не менее важна универсальность этих алгоритмов, которые должны работать на широком спектре платформ, включая мобильные телефоны, компьютеры и веб-браузеры. Следовательно, это накладывает определенные ограничения на выбор языков программирования и библиотек, подходящих для задач компьютерного зрения. В ходе нашего исследования мы тщательно изучили множество библиотек, специально предназначенных для приложений компьютерного зрения.
OpenCV, библиотека компьютерного зрения с открытым исходным кодом, — это известная библиотека с открытым исходным кодом, посвященная компьютерному зрению и машинному обучению, созданная на языке программирования C++. Он может похвастаться надежностью и быстрой обработкой, что делает его предпочтительным выбором для предприятий, стремящихся использовать и адаптировать код, благодаря лицензии BSD. OpenCV пользуется широкой популярностью благодаря своей способности преобразовывать изображения в альтернативные форматы, обширному набору методологий и алгоритмов компьютерного зрения, а также совместимости с широким спектром языков программирования, включая C++, Python, Java, MATLAB и другие.
В сложной сфере компьютерного зрения VXL (Vision Library) выступает в качестве аналога OpenCV, созданного на языке программирования C++ и включающего набор приложений C++, тщательно созданных для целей научных исследований и реализации компьютерного зрения. Однако необходимо признать, что сложность этого пакета может создать огромные проблемы на этапах сборки и установки.
За пределами низкоуровневых библиотек C++ область компьютерного зрения обогащается обширным набором библиотек интерпретируемого языка программирования Python, получившего широкое признание за свою эффективность в обработке изображений. Среди них библиотеки Pillow, Pillow-SIMD, VIPS и другие. Подводя итог, можно сказать, что основной инструмент разработки зависит от разумного выбора языка программирования Python в сочетании с библиотеками OpenCV — комбинации, которая дает разработчикам возможность выполнять все поставленные задачи с предельной точностью.
После выбора подходящей библиотеки и языка программирования первостепенное значение приобретает определение конкретных объектов, которые, как ожидается, распознает компьютерный алгоритм. Чтобы облегчить анализ бумажных материалов, мы разработали специальную таблицу с контрольными точками, как показано на рисунке 1. Эта таблица служит навигационным помощником для компьютера, позволяя ему определить положение документа внутри захваченных материалов. изображение. Последующая задача заключалась в том, чтобы дать указание компьютеру идентифицировать эти опорные точки и точно сориентировать изображение, тем самым подготавливая почву для последующего анализа ответов.
После успешной реализации алгоритма, отвечающего за определение ориентации формы, акцент сместился на разработку механизма, предназначенного для оценки самой работы. Процесс выяснения того, был ли задан вопрос, включает в себя тщательное изучение окраски всех соответствующих полей для каждого вопроса, а также дополнительных полей, предназначенных для исправлений. Если окраска отличается от базовой белой, поле отмечается и интерпретируется как ответ; при отсутствии такого отклонения поле игнорируется как запрос без ответа.
В ходе наших исследований мы тщательно разработали и внедрили алгоритм, адаптированный к форме теста, специально предназначенной для этой цели, как показано на рисунке 1. Алгоритм структурирован следующим образом:
- Он оснащен возможностью определения правильного ответа на оцениваемое задание.
- Он обладает возможностью очерчивать периметры формы на фотографии, на которой записаны ответы.
- Он имеет возможность выполнять поворотную регулировку изображения, когда это будет сочтено необходимым.
- Проводит тщательный анализ работы, который влечет за собой:
4.1. Генерация цифровой версии ответов на чтение.
4.2. Проверка ответов по заранее установленному набору правильных решений.
4.3. Сбор окончательных результатов, включающий количественную оценку точно выполненных задач как доли от общего количества задач, а также расчет процента выполненной работы.
- Это облегчает распространение результатов тестирования.
Алгоритм умело обрабатывает тестовые задачи, предлагающие один или множество вариантов ответа. Благоприятный путь для улучшения алгоритма предполагает включение открытых вариантов ответа. Такое усовершенствование устранило бы возможность произвольного выбора правильных ответов, тем самым оказав благоприятное влияние на достоверность оценок знаний и предоставив пользователям повышенную гибкость в организации сценариев тестирования.
Дополнительное перспективное усовершенствование алгоритма предполагает его объединение с системами, предназначенными для мониторинга успеваемости учащихся. Встраивая в форму уникальный идентификатор учащегося, алгоритм получает возможность автономно оценивать задания. Это нововведение обещает ускорить передачу студентам информации о результатах выполненных ими заданий и одновременно предлагает средства для искоренения ошибок, связанных с дневниковыми записями, вызванными человеческим фактором.
Шабалин Д.М., Новиков М.Ю., Институт радиоэлектроники и информационных технологий, г. Екатеринбург