Сочинение на тему Оценка ответа с использованием машинного обучения

Аюш КаулТакурский колледж техники и технологии, МумбаиШарад БхарадиаТакурский колледж техники и технологии, Мумбаи Принц СинхаТакурский колледж техники и технологии, Мумбаи.

В эту современную эпоху, когда мир движется в сторону автоматизации, существует необходимость в автоматизации в системе оценки ответов. В настоящее время для ответа на вопрос mcq доступна онлайн-оценка ответов, поэтому оценка теоретического ответа является беспокойной для проверяющего. Учитель вручную проверяет ответ и разрешает оценки. Нынешняя система требует больше рабочей силы и времени, чтобы оценить ответ. Этот проект представляет собой приложение, основанное на оценке ответов с использованием машинного обучения. Проект разработан специально для сокращения рабочей силы и временных затрат. Поскольку при оценке ответов вручную, трудовые ресурсы и затраты времени гораздо больше. Кроме того, в ручной системе может быть возможно, что оценки, присвоенные двум одинаковым ответам, будут разными.

Эта прикладная система обеспечивает автоматическую оценку ответа на основе ключевого слова, предоставленного приложению в форме набора данных пользователем, что обеспечит равномерное распределение оценок и сократит время и трудовые ресурсы. Ключевые слова – OCR, алгоритм обратного распространения, ReLU, ANN. Введение (заголовок 1). Ручная оценка ответов – очень утомительная задача. Ручная проверка является очень трудоемким процессом, а также требует большого количества рабочей силы. Кроме того, средство проверки бумаги не может одинаково выставлять оценки. Таким образом, наша система будет оценивать ответ на основе некоторых ключевых слов, а также будет сохранена рабочая сила. Только один должен отсканировать документ, основываясь на ключевом слове в ответе, система поставит оценки для вопроса в соответствии с имеющимся набором данных. Кроме того, с этой системой, ошибка оценки оценки для конкретного вопроса будет уменьшена. Таким образом, наша система будет оценивать ответ на основе некоторых ключевых слов, а также будет сохранена рабочая сила. Только один должен отсканировать документ, после чего система разделит ответ, используя OCR [3], основываясь на ключевом слове в ответе, система поставит метки на вопрос в соответствии с имеющимся набором данных [4]. Существует необходимость в таком приложении, которое обеспечит легкую оценку ответа и может дать приемлемые оценки. Кроме того, это приложение поможет различным колледжам, университетам, коучинговым институтам оценить ответ за меньшее время и с меньшими трудовыми ресурсами.

Проверка ответов требует высокой концентрации в течение большого количества времени, что часто приводит к ошибкам. Автоматизация этой задачи повысит эффективность оценки ответов в больших масштабах. После непродолжительного обсуждения выяснилось, что лист ответов оценивается с учетом определенных ключевых слов, которые модераторы ищут для ответа при оценке ответа. Наш предложенный алгоритм потребует ключевых слов в качестве входных данных. Эти ключевые слова будут предоставлены экспертом по теме. Предлагаемый нами алгоритм будет сопоставлять эти ключевые слова с обнаруженными словами, которые извлекаются из листа ответов с использованием алгоритма контролируемого обучения. Этап обучения модели потребует рукописного набора данных для алфавитов английского языка.

Эти наборы данных доступны онлайн в различных форматах, которые можно использовать для обучения модели. Модель машинного обучения, используемая в предлагаемом нами алгоритме, – это нейронные сети с несколькими скрытыми слоями. Модель рассчитывает ошибку, используя алгоритм обратного распространения. Веса сети обновляются в направлении, противоположном частичному дифференцированию ошибки относительно взвешенного ввода в нейрон в конкретном слое. Функция активации, используемая для модели, – это ReLU (выпрямленная линейная единица), которая вычисляется как: f ( x) = max (0, x) Здесь переменная x является входом для функции. Предлагаемый нами алгоритм также учитывает длину ответа в качестве параметра для оценки ответа. Идеальная длина ответа будет принята за вклад учителя.

Научно-исследовательский документ «Подход к оценке субъективных вопросов для системы онлайн-экзаменов», подготовленный Шибой Правин, доцентом кафедры CSE, Интегральный университет, Лакхнау, США, Индия. В последние годы мы видели, что ряд правительств, полугосударственные экзамены прошли онлайн, например [Общий письменный экзамен IBPS (CWE)]. Эта система или любые другие подобные системы являются преимуществами с точки зрения экономии ресурсов. Тем не менее, мы заметили, что эти системы обслуживают только вопросы с множественным выбором, и нет никаких положений, чтобы распространить эти системы на субъективные вопросы. Наша цель – разработать алгоритм автоматической оценки описательного ответа в одном предложении.