SavedAdd your journal

Journals / Acta Infologica / 2022 / Cilt: 6 - Sayı: 1

Grading Traditional Exams Using Image Processing Techniques and the Word Similarity Weights Algorithm

Görüntü İşleme Teknikleri ve Kelime Benzerliklerinin Ağırlıkları Algoritması Kullanılarak Geleneksel Sınavların Değerlendirilmesi

Yahya Gedik
Serdar Solak
Mustafa Hikmet Bilgehan Uçar
Pages
127–139
Publication Date
2022-09-15
DOI
—
🏛️Bibliographic metadata and full text access for this article are provided via DergiPark.
DergiPark Record ↗
✨

AI Summary & Key Takeaways

AI Insight
⚡ TL;DR(Too Long; Didn't Read)

Thanks to this software, traditional exams can be evaluated quickly, efficiently, and accurately.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:The rapid developments in technology have also been reflected in education.
📊
Key Findings & Data:In this context, carrying out evaluations to be made accurately, reliably, and quickly becomes possible with the intelligent expert systems being designed.
💡
Conclusion & Impact:Thanks to this software, traditional exams can be evaluated quickly, efficiently, and accurately.
🔬Design:Research Article
📍Scope:Comprehensive Sample
⚙️Variables:Domain Parameters

Abstract

The rapid developments in technology have also been reflected in education. Educational institutions have started to support their computer-aided trainings with online and offline platforms. Exam evaluations can be carried out quickly by the system using these platforms. Meanwhile, exams containing test, classical, matching, and true-false types of questions are also applied to students in the classroom environment using traditional methods. The evaluation process for these takes a long time, especially when an exam has more than just multiple-choice questions. In this context, carrying out evaluations to be made accurately, reliably, and quickly becomes possible with the intelligent expert systems being designed. Using the word similarity weights algorithm (WSWA) and image processing techniques, this study develops software for quickly and reliably evaluating the traditional exams held in classrooms. By means of the proposed software, question types are separated, answers are distinguished from questions, handwriting is identified, and answers are evaluated on the exam papers using image processing techniques and WSWA. As a result of the experimental studies, the evaluation of just one exam paper is carried out in seconds, while the collective evaluation of all the papers in the exam is carried out in approximately 4 seconds per paper being evaluated. Thanks to this software, traditional exams can be evaluated quickly, efficiently, and accurately.

Özet

Teknolojide yaşanan hızlı gelişmeler eğitim alanına da yansımıştır. Eğitim kurumları, bilgisayar destekli olarak verdikleri eğitimleri çevrim içi veya çevrim dışı platformlarla desteklemeye başlamışlardır. Bu platformların kullanılması ile yapılan sınavların değerlendirilmesi sistem tarafından hızlı bir şekilde gerçekleştirilebilmektedir. Diğer taraftan, öğrencilere geleneksel yöntemler kullanılarak sınıf ortamında test, klasik, eşleştirmeli ve doğru yanlış tiplerinde soruları içeren sınavlar da uygulanmaktadır. Özellikle, sınavın sadece çoktan seçmeli sorulardan oluşmadığı durumlarda, değerlendirme işlemi uzun zaman almaktadır. Bu kapsamda yapılacak değerlendirmelerin doğru, güvenilir ve hızlı bir şekilde yürütülmesi tasarlanacak otomatikleşmiş akıllı uzman sistemlerle mümkündür. Bu çalışmada, sınıf ortamında gerçekleştirilen geleneksel sınavların hızlı ve güvenilir bir şekilde değerlendirilmesi için önerilen kelime benzerliklerinin ağırlıkları algoritması (KBAA) ve görüntü işleme tekniklerini kullanan bir yazılım geliştirilmiştir. Bu yazılım ile sınav kâğıtları üzerinde yer alan soru türlerinin ayrıştırılması, soru ve cevap ayrımı, el yazılarının tanımlanması ve cevapların değerlendirilmesi görüntü işleme ve KBAA kullanılarak gerçekleştirilmektedir. Deneysel çalışmalar sonucunda, sadece bir sınav kağıdının değerlendirilmesi saniyeler içerisinde gerçekleştirilirken sınavda yer alan tüm kağıtların toplu bir şekilde değerlendirilmesi ise değerlendirilen kâğıt başına yaklaşık 4 saniyede gerçekleştirilmektedir. Geliştirilen bu yazılım sayesinde geleneksel sınavların değerlendirilmesi hızlı, güvenilir, verimli ve adil bir şekilde gerçekleştirilebilmektedir.

🔖

Cite This Article

Gedik, Y., Solak, S., Uçar, M. H. B. (2022). Grading Traditional Exams Using Image Processing Techniques and the Word Similarity Weights Algorithm. Acta Infologica, Cilt: 6 - Sayı: 1, 127–139. https://ajindex.com/articles/425951

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (12)

  1. Bloomfield, A. (2010, October). Evolution of a digital paper exam grading system. In 2010 IEEE Frontiers in Education Conference (FIE) (pp. T1G-1). IEEE. Bradski, G., & Kaehler, A. (2008). Learning OpenCV: Computer vision with the OpenCV library. “ O’Reilly Media, Inc.”. Chi, Z., & Zhang, B. (2018). A sentence similarity estimation method based on improved siamese network. Journal of Intelligent Learning Systems and Applications, 10(4), 121-134.
  2. Clark, E., Celikyilmaz, A., & Smith, N. A. (2019, July). Sentence mover’s similarity: Automatic evaluation for multi-sentence texts. In Proceedings of the 57th Annual Meeting of the Association for Computational Linguistics (pp. 2748-2760).
  3. Çelik, A., (2020). Optik karakter tanımada hata yayılım algoritmalarının performans kıyaslaması. Journal of the Institute of Science and Technology, 10(4), 2328-2340.
  4. Çelik, A., (2021). Eğik Karakter Tanıma Başarısını Arttırmak için Yeni Bir Yöntemin Kullanılması. Harran Üniversitesi Mühendislik Dergisi, 6(1), 1-11.
  5. Gao, Y., Jin, L., He, C., & Zhou, G. (2011, September). Handwriting character recognition as a service: A new handwriting recognition system based on cloud computing. In 2011 International Conference on Document Analysis and Recognition (pp. 885-889).
  6. IEEE. Fowler, M., Chen, B., Azad, S., West, M., & Zilles, C. (2021, March). Autograding” Explain in Plain English” questions using NLP. In Proceedings of the 52nd ACM Technical Symposium on Computer Science Education (pp. 1163-1169).
  7. Gomes Rocha F., Rodriguez G., Andrade E.E.F., Guimarães A., Gonçalves V., Sabino R.F. (2021) Supervised Machine Learning for Automatic Assessment of Free-Text Answers. In: Batyrshin I., Gelbukh A., Sidorov G. (eds) Advances in Soft Computing. MICAI 2021. Lecture Notes in Computer Science, vol 13068. Springer, Cham. https://doi.org/10.1007/978-3-030-89820-5_1.
  8. Ha, L., Yaneva, V., Harik, P., Pandian, R., Morales, A., & Clauser, B. (2020). Automated prediction of examinee proficiency from short-answer questions. Proceedings of the 28th International Conference on Computational Linguistics, pages 893–903
  9. Barcelona, Spain (Online), December 8-13, 2020.
  10. Lagler, K., Schindelegger, M., Böhm, J., Krásná, H., & Nilsson, T. (2013). GPT2: Empirical slant delay model for radio space geodetic techniques. Geophysical research letters, 40(6), 1069-1073.
  11. Lee, J. S., & Hsiang, J. (2020). Patent claim generation by fine-tuning OpenAI GPT-2. World Patent Information, 62, 101983.
  12. Liu, T., Ding, W., Wang, Z., Ta