Ανάπτυξη ενός αποδοτικού αλγόριθμου για την αναγνώριση των αποτελεσμάτων ενός ή περισσοτέρων τεστ πολλαπλής επιλογής.

Abstract

Οι ερωτήσεις πολλαπλής επιλογής αποτελούν έναν δημοφιλή τρόπο εξέτασης, που έχει επικρατήσει στην εκπαιδευτική πρακτική. Τα πλεονεκτήματα που συγκεντρώνει η παραπάνω μέθοδος την καθιστούν ιδανική σε σχέση με άλλες. Πιο συγκεκριμένα, επιτρέπουν την ταυτόχρονη εξέταση μεγάλου αριθμού εξεταζομένων σε μεγάλο όγκο της εξεταστέας ύλης, εξασφαλίζουν αντικειμενικότητα και αμεροληψία ενώ η δημιουργία τους είναι σχετικώς εύκολη και ταχεία υπόθεση. Ωστόσο, δεν λείπουν και τα μειονεκτήματα της μεθόδου αυτής με σημαντικότερο αυτό της βαθμολόγησης τους από τους από τους διδάσκοντες, η οποία είναι οπωσδήποτε χρονοβόρα. Ήδη από τη δεκαετία του 1890, πρωτοεμφανιστήκαν οι διάτρητες κάρτες φέρνοντας μια επανάσταση στον τρόπο συλλογής και αποθήκευσης δεδομένων. Οι διάτρητες κάρτες αποτέλεσαν πρόδρομο της τεχνολογίας της οπτικής αναγνώρισης σημαδιών (optical mark recognition ή OMR). Εξέλιξη της τεχνολογίας διάτρητων καρτών, υπήρξε η δημιουργία συσκευών από την IBM, οι οποίες σάρωναν την επιφάνεια του χαρτιού με μεταλλικές βούρτσες και μέσω της αγωγιμότητας του γραφίτη αναγνώριζαν τις απαντήσεις του χρήστη. Αργότερα, με τη νέα ψηφιακή επανάσταση και την δημιουργία των πρώτων προσωπικών υπολογιστών, δημιουργήθηκαν οπτικοί σαρωτές, οι οποίοι σάρωναν φόρμες που ήταν προτυπωμένες σε ειδικό χαρτί, που επέτρεπε την διέλευση του φωτός και μετρούσαν την ποσότητα του φωτός που διέτρεχε το χαρτί, έτσι ώστε τα σημάδια που βρίσκονται και στις δύο πλευρές του εγγράφου να μειώνουν την ποσότητα του φωτός που περνά μέσα από το έγγραφο. Σε αντίθεση με τους οπτικούς σαρωτές, το OMR λογισμικό δεν χρειάζεται εξειδικευμένο υλικό αλλά ούτε και προτυπωμένες φόρμες, με αποτέλεσμα το πολύ χαμηλό κόστος, κάνοντας έτσι την αυτόματη αναγνώριση τεστ πολλαπλής επιλογής πολύ προσιτή σε εκπαιδευτικά ιδρύματα, μικρούς οργανισμούς κ.α. Για το λόγο αυτό, δημιουργήσαμε ένα αυτοματοποιημένο σύστημα διόρθωσης τεστ πολλαπλής επιλογής με την χρήση της OpenCV, όπου η επαλήθευση των επιλογών του χρήστη, δηλαδή το αν ο χρήστης έχει μαρκάρει μια επιλογή, να γίνεται με τη χρήση των μηχανών διανυσμάτων υποστήριξης (support vector machines ή SVM), οι οποίες ανήκουν στον κλάδο της μηχανικής μάθησης.

The multiple choice questions are a popular way to review, which has prevailed in educational practice. The advantages obtained by the above method makes it ideal than others. More specifically, allowing simultaneous examination of a large number test a large volume of the syllabus, ensure objectivity and impartiality while their creation is relatively easy and quick affair. However, there are also disadvantages of this method with this important graduation from their teachers, which is certainly time consuming. Already by the 1890s, originated the punched cards bringing a revolution in data collection and storage. The punched cards were the precursor technology optical mark recognition ( OMR). Technology evolution punch cards, was the creation of appliances from IBM, which swept the surface of the paper with metal brushes and through conductivity graphite recognizes the user responses. Later, with the new digital revolution and the emergence of the first personal computer, created optical scanners, which swept preprinted forms that were on special paper, allowing the passage of light and measured the amount of light that ran the paper, so that marks found on both sides of the paper to reduce the amount of light that passes through the document. In other way optical scanners, the OMR software does not need specialized hardware nor preprinted forms, as for result in a very low cost, making the automatic recognition test multiple choice are very affordable to educational institutions, small organizations etc. For this reason, we created an automated correction system multiple choice test with the use of OpenCV, where the verification of user options, ie whether the user has marked a choice be made with the use of support vector machines (support vector machines or SVM), which belongs to the field of machine learning.