Автоматическая маркировка экзаменационных работ с использованием алгоритмов машинного обучения и облачных вычислений
Экзамен - это основная деятельность любого учебного заведения. По мере приближения университетских экзаменов возникает много работы, такой как объединение расписания каждого отдела колледжа, рассадки всех студентов в колледже, и самой важной задачей является проверка документов. В настоящее время в существующей системе проверка документов выполняется учителями или преподавателями вручную, поэтому это занимает много времени и требует людских ресурсов. Таким образом, автоматизированная система решит вышеуказанную проблему всего за несколько кликов. Автоматизированная система может использоваться с помощью контролируемых методов машинного обучения, при которых данные предварительного обучения будут предоставляться системе в качестве стандартного ожидаемого ответа, а ответы учащихся рассматриваются как данные тестирования. И мы можем интегрировать эту технику машинного обучения с другими технологиями, такими как облачные вычисления, с помощью которых университет может напрямую отслеживать детали студентов, такие как номер экзаменационного места, имя, полученные оценки и т. Д.
Существующий ручной процесс может быть автоматизирован с использованием наиболее подходящего алгоритма машинного обучения, такого как подход наивных ключевых слов, при котором ответы обрабатываются как `` набор слов '' с включенной семантической структурой и применяются дальнейшие шаги, включая семантическое преобразование, определение функций, подготовку данных, обучение данные и т. д., последний метод использует подход машинного обучения с использованием набора предварительно отмеченных ответов для процесса обучения с системой, в которой ответы обрабатываются как «мешок слов» без включенной семантической структуры. Был использован метод, известный как «k ближайший сосед (KNN)», который первоначально удаляет стоп-слова из наборов ответов и сопоставляет ключевые слова ответов с данными обучения. И эту автоматизированную систему можно интегрировать с облаком, чтобы к ней можно было получить доступ из любого места. Каждый институт должен пройти валидацию в облаке. Методы используют подход «контролируемого обучения», то есть мы обучаем классификатор с предварительно размеченными данными и используем их для отметки последующих ответов.
Вывод: Предлагаемая идея значительно сокращает кадровую ошибку, затраты времени и увеличивает точность. Уменьшится процент совершения ошибок. Это приносит пользу университету, институту, а также факультетам, поскольку снижает сложность проверки экзаменационных документов. Поскольку вся работа по проверке документов автоматизирована, университеты также могут получать оценки или получать к ним доступ автоматически с помощью технологии облачных вычислений. Вся подробная информация о студентах, информация о расписании экзаменов хранится в центральной базе данных, поэтому каждый (университет или институт) может получить доступ к информации в любое время.
