TEST İMTAHANLARININ NƏTİCƏLƏRİNİN AVTOMATİK EMALI ÜÇÜN KOMPÜTER SİSTEMİ - İnformasiya Texnologiyaları Problemləri

TEST İMTAHANLARININ NƏTİCƏLƏRİNİN AVTOMATİK EMALI ÜÇÜN KOMPÜTER SİSTEMİ - İnformasiya Texnologiyaları Problemləri

TEST İMTAHANLARININ NƏTİCƏLƏRİNİN AVTOMATİK EMALI ÜÇÜN KOMPÜTER SİSTEMİ - İnformasiya Texnologiyaları Problemləri

TEST İMTAHANLARININ NƏTİCƏLƏRİNİN AVTOMATİK EMALI ÜÇÜN KOMPÜTER SİSTEMİ - İnformasiya Texnologiyaları Problemləri

TEST İMTAHANLARININ NƏTİCƏLƏRİNİN AVTOMATİK EMALI ÜÇÜN KOMPÜTER SİSTEMİ - İnformasiya Texnologiyaları Problemləri
TEST İMTAHANLARININ NƏTİCƏLƏRİNİN AVTOMATİK EMALI ÜÇÜN KOMPÜTER SİSTEMİ - İnformasiya Texnologiyaları Problemləri
AZƏRBAYCAN MİLLİ ELMLƏR AKADEMİYASI

№2, 2020

TEST İMTAHANLARININ NƏTİCƏLƏRİNİN AVTOMATİK EMALI ÜÇÜN KOMPÜTER SİSTEMİ

Ayda-zadə Kamil R., Xəlilov Çingiz C., Mustafayev Elşən E., Mahmudov İlqar M.

Surətlərin tanınması getdikcə böyük informasiya sistemlərində daha tez-tez tətbiq olunur. Təsvirin emalı üçün nəzəri bazanın inkişafı və açıq mənbəli kitabxanaların geniş istifadəsi müxtəlif tətbiqi məsələlərdə yeni həllərin tətbiqinə imkan verir. Belə məsələlərdən biri kütləvi test imtahanlarının cavablarının avtomatik kompüter (maşın) emalıdır. Məqalədə Azərbaycan Dövlət İmtahan Mərkəzinin məktəblərdə buraxılış və ali məktəblərə qəbul imtahanlarının nəticələrinin emalında istifadə edilən işlənmiş sistem təsvir edilir. Sistem qısa müddətdə kütləvi imtahanların keçirilməsinə və onların düzgün və obyektiv qiymətləndirilməsini təmin etməyə imkan verir. Bu sistem test imtahanlarında istifadə olunan, demək olar ki, istənilən forma tipinə uyğunlaşdırıla bilər. Onun istifadəsi, həmçinin bahalı və mürəkkəb optik skanerlərin istifadəsindən imtina etməyə imkan verir. Sistemin məhsuldarlığı artırmaq məqsədilə bir stansiya daxilində prosesləri paralel aparmaq üçün müasir prosessorların çoxaxınlılıq (ing. multi-thread) xüsusiyyətlərindən istifadəsi təklif olunub. Aparılmış ədədi eksperimentlər nəticəsində aşkar edilmişdir ki, çoxaxınlı tanınma texnologiyasından istifadə zamanı məhsuldarlıq biraxınlı təcrübələrlə müqayisədə 3,5 dəfə artır (səh.32-40).

Açar sözlər: informasiyanın emalı, intellektual sistem, nəticələrin qiymətləndirilməsi, təsvirlərin emalı, cavabların avtomatik emalı.
DOI : 10.25045/jpit.v11.i2.03
Ədəbiyyat
  • Optical mark recognition. https://en.wikipedia.org/wiki/Optical_mark_recognition
  • ABBYY FormReader Enterprise Edition. User`s Guide. 2016.
  • Bhatia E.N. Optical Character Recognition Techniques: A Review // International Journal of Advanced Research in Computer Science and Software Engineering, vol.4, issue 5, May 2014, pp.1219–1223.
  • Hamad K.A., Kaya M. A Detailed Analysis of Optical Character Recognition Technology // International Journal of Applied Mathematics, Electronics and Computers, 2016, 4 (Special Issue), pp.244–249.
  • Мустафаев Э.Э. Многоуровневая иерархическая система распознавания рукописных форм / Материалы научной конференции «Современные проблемы прикладной математики», Баку, 2002, с.154–157.
  • Айда-заде К.Р., Талыбов С.Г., Мустафаев Э.Э. Многоуров­невая система распознавания рукописных форм / Доклады 11-й Всероссийской конференции «Математические методы распознавания образов», Москва, 2003, с.230–233.
  • Monga P.H., Kaur M. A Novel Optical Mark Recognition Technique Based on Biogeography Based Optimization // International Journal of Information Technology and Knowledge Management, July-December 2012, vol.5, no.2, pp.331–333.
  • Rakesh S, Kailash Atal, Ashish Arora. Cost Effective Optical Mark Reader // International Journal of Computer Science and Artificial Intelligence Jun. 2013, vol.3, issue 2, pp.44–49.
  • LeCun Y., Doser B., Denker J. et al. Handwritten Digit Recognition with a Back-Propagation Network // Advances in Neural Information Processing Systems, D.S.Touretzky, Ed., Denver, 1990, vol.2, pp.396–404.
  • LeCun Y., Bottou L., Orr G., and Muller K. Efficient BackProp // Neural Networks: Tricks of the Trade, Germany, Berlin:Springer, 2012, pp.9–48.
  • LeCun Y., Denker J., Solla S. Optimal Brain Damage // Advances in Neural Information Processing Systems 2, 1990, pp.598–605.
  • Айда-заде К.Р, Мустафаев Э.Э. Ассоциативные многоуров­невые системы распознавания объектов // Известия НАН Азербайджана, серия ф.т. и м.н., 2001, №3, с.15–18.
  • Айда-заде К.Р., Мустафаев Э.Э. Повышение интеллек­туального уровня искусственных нейронных сетей // Известия НАН Азербайджана, серия ф.т. и м.н., 2003, №3, с.17–20.
  • Mori M., Wakahara T., Ogura K. Measures for Structural and Global Shape Description in Handwritten Kanji Character Recognition / Proc. SPIE 3305, Document Recognition V, 1 April 1998, pp.81–89.
  • Hwang Y.S., Bang S.Y. Recognition of Unconstrained Handwritten Numerals by Radial Basis Function Network Classifier // Pattern Recognition Letters, 1997, vol.18, pp.657–664.
  • Thomas H. Cormen, Charles E. Leiserson, Rjnald L. Rivest. Clifford Stein. Introduction to Algorithms. M: Publishing house “Williams”, 2014.