КОМПЬЮТЕРНАЯ СИСТЕМА ДЛЯ АВТОМАТИЧЕСКОЙ ОБРАБОТКИ РЕЗУЛЬТАТОВ ТЕСТОВЫХ ЭКЗАМЕНОВ - Проблемы Информационных Технологий

КОМПЬЮТЕРНАЯ СИСТЕМА ДЛЯ АВТОМАТИЧЕСКОЙ ОБРАБОТКИ РЕЗУЛЬТАТОВ ТЕСТОВЫХ ЭКЗАМЕНОВ - Проблемы Информационных Технологий

КОМПЬЮТЕРНАЯ СИСТЕМА ДЛЯ АВТОМАТИЧЕСКОЙ ОБРАБОТКИ РЕЗУЛЬТАТОВ ТЕСТОВЫХ ЭКЗАМЕНОВ - Проблемы Информационных Технологий

КОМПЬЮТЕРНАЯ СИСТЕМА ДЛЯ АВТОМАТИЧЕСКОЙ ОБРАБОТКИ РЕЗУЛЬТАТОВ ТЕСТОВЫХ ЭКЗАМЕНОВ - Проблемы Информационных Технологий

КОМПЬЮТЕРНАЯ СИСТЕМА ДЛЯ АВТОМАТИЧЕСКОЙ ОБРАБОТКИ РЕЗУЛЬТАТОВ ТЕСТОВЫХ ЭКЗАМЕНОВ - Проблемы Информационных Технологий
КОМПЬЮТЕРНАЯ СИСТЕМА ДЛЯ АВТОМАТИЧЕСКОЙ ОБРАБОТКИ РЕЗУЛЬТАТОВ ТЕСТОВЫХ ЭКЗАМЕНОВ - Проблемы Информационных Технологий
НАЦИОНАЛЬНАЯ АКАДЕМИЯ НАУК АЗЕРБАЙДЖАНА

№2, 2020

КОМПЬЮТЕРНАЯ СИСТЕМА ДЛЯ АВТОМАТИЧЕСКОЙ ОБРАБОТКИ РЕЗУЛЬТАТОВ ТЕСТОВЫХ ЭКЗАМЕНОВ

Айда-заде Камил Р., Халилов Чингиз Дж., Мустафаев Эльшан Э., Махмудов Ильгар М.

Распознавание образов все чаще находит применение в больших информационных системах. Развитие теоретической базы обработки изображений и широкое использование свободных библиотек с открытым кодом делают возможным применение новых решений в разнообразных прикладных задачах. Одной из таких задач является автоматическая машинная обработка ответов массово проводимых тестовых экзаменов. В данной работе описывается разработанная система, используемая Государственным Экзаменационным Центром Азербайджана при обработке результатов проводимых промежуточных, выпускных школьных и приемных в вузы экзаменов, показавшая свою способность к надежному, быстрому, достоверному и объективному оцениванию. Данная система может быть настроена практически на любой применяемый на тестовых экзаменах тип бланка. Ее использование также позволяет отказаться от дорогих и сложных в эксплуатации оптических сканеров. Для повышения скорости обработки информации системы предложено использование свойства многопоточности современных процессоров для распараллеливания процессов в пределах одной станции. В результате проведенных численных экспериментов было выявлено, что использование многопоточной технологии распознавания позволяет увеличить производительность почти в 3,5 раза по сравнению с однопоточной (стр.32-40).

Ключевые слова: обработка информации, интеллектуальная система, оценивание результатов, обработка изображений, автоматическая обработка ответов.
DOI : 10.25045/jpit.v11.i2.03
Литература
  • 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.