doi: 10.17586/2226-1494-2023-23-2-299-303


УДК 004.89

Голосовая система оценки ответов для учащихся с ограниченными физическими возможностями, использующих обработку естественного языка и машинное обучение

Талор М., Мане П.


Читать статью полностью 
Язык статьи - английский

Ссылка для цитирования:
Талор М., Мане П. Голосовая система оценки ответов для учащихся с ограниченными физическими возможностями, использующих обработку естественного языка и машинное обучение // Научнотехнический вестник информационных технологий, механики и оптики. 2023. Т. 23, № 2. С. 299–303 (на англ. яз.). doi: 10.17586/2226-1494-2023-23-2-299-303


Аннотация
В современном образовательном процессе возникает потребность в автоматизации систем оценки ответов. Задача проверяющего усложняется при анализе теоретических ответов, так как их онлайн-оценка доступна только для вопросов с несколькими вариантами ответов. Преподаватель тщательно изучает ответ, прежде чем поставить соответствующую оценку. Для изучения ответов существующий подход требует дополнительных сотрудников и времени. В работе представлено приложение, основанное на оценке ответов с использованием обработки естественного языка и машинного обучения, которое включает голосовую подсказку для слабовидящих учащихся. Приложение автоматизирует процесс проверки субъективных ответов, рассматривая извлечение текста и признаков, а также классификацию баллов. Мерами оценки являются сходства: Term Frequency-Inverse Document Frequency (TF-IDF), векторов, ключевых слов и грамматики, которые рассматриваются для определения общего сходства между результатом учителя и оценкой системы. Полученные результаты показали, что система оценивает ответы с точностью 95 %. Предлагаемая методика предназначена для оценки результатов экзаменов учащихся, не умеющих писать, но умеющих говорить. Применение разработанного приложения позволит сократить затраты труда и времени преподавателя за счет сокращения ручного труда.

Ключевые слова: косинусное сходство, машинное обучение, наивный байесовский анализ, обработка естественного языка, преобразование речи в текст

Список литературы
  1. Abhishek Girkar, Mohit Khambayat, Ajay Waghmare, Supriya Chaudhary. Subjective answer evaluation using natural language processing and machine learning//International Research Journal of Engineering and Technology (IRJET).2021.V. 8.N 4. P. 5040–5043.
  2. Shweta M. Patil, Sonal Patil. Evaluating student descriptive answers using natural language processing//International Journal of Engineering Research & Technology (IJERT).2014.V. 3.N 3. P. 1716–1718.
  3. Mercy R.A.Automated explanatory answer evaluation using machine learning approach//Design Engineering (Toronto). July 2021.
  4. Lakshmi V., Ramesh V. Evaluating students’ descriptive answers using natural language processing and artificial neural networks//IJCRT. 2017.V. 5. N 4.P. 3168–3173.
  5. Mittal H., Devi M.S. Computerized evaluation of subjective answers using hybrid technique // Advances in Intelligent Systems and Computing.2016. V. 413. P. 295–303. https://doi.org/10.1007/978-981-10-0419-3_35
  6. Sakhapara A., Pawade D., Chaudhari B., Gada R., Mishra A. Bhanushali S. Subjective answer grader system based on machine learning // Advances in Intelligent Systems and Computing. 2019. V. 898. P. 347–355. https://doi.org/10.1007/978-981-13-3393-4_36
  7. Mahmud T.A., Hussain M.G., Kabir S., Ahmad H., Sobhan M. A keyword based technique to evaluate broad question answer script // Proc. of the 9th International Conference on Software and Computer (ICSCA). 2020. P. 167–171. https://doi.org/10.1145/3384544.3384604
  8. Bano S., Jithendra P., Niharika G.L., Sikhi Y. Speech to text translation enabling multilingualism // Proc. of the IEEE International Conference for Innovation in Technology (INOCON). 2020. https://doi.org/10.1109/inocon50539.2020.9298280
  9. Bhatia M.S., Aggarwal A., Kumar N. Speech-to-text conversion using GRU and one hot vector encodings // Palarch’s Journal of Archaeology of Egypt/Egyptology. 2020. V. 17. N 9. P. 8513–8524.
  10. Johri E., Dedhia N., Bohra K., Chandak P., Adhikari H. ASSESS - automated subjective answer evaluation using semantic learning // Proc. of the 4th International Conference on Advances in Science & Technology (ICAST2021). 2021. http://dx.doi.org/10.2139/ssrn.3861851
  11. Deotare S., Khan R.A. Automatic online subjective text evaluation using text mining // International Journal of Recent Technology and Engineering (IJRTE). 2019. V. 8. N 2. P. 1238–1242. https://doi.org/10.35940/ijrte.I8725.078219
  12. Bahel V.,Thomas A. Text similarity analysis for evaluation of descriptive answers // arXiv. 2021. arXiv:2105.02935. https://doi.org/10.48550/arXiv.2105.02935
  13. Meenakshi Anurag T., Pradeep B.M., Vishaka M. Web app for quick evaluation of subjective answers using natural language processing // Научно-технически йвестни кинформационных технологий, механики и оптики. 2022. Т. 22.№ 3. С. 594–599. https://doi.org/10.17586/2226-1494-2022-22-3-594-599
  14. Mandge V.A., Thalor M.A. Revolutionize cosine answer matchingtechnique for question answering system // Proc. of the InternationalConference on Emerging Smart Computing and Informatics (ESCI).2021. P. 335–339. https://doi.org/10.1109/ESCI50559.2021.9396864
  15. Rish I. An empirical study of the naïve bayes classifier // IJCAI Work Empir Methods Artificial Intelligence. V. 3. 2001.


Creative Commons License

This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License
Информация 2001-2024 ©
Научно-технический вестник информационных технологий, механики и оптики.
Все права защищены.

Яндекс.Метрика