一种主观题自动打分的方法及系统与流程

1.本发明属于计算机阅卷技术领域，更具体地说，涉及一种主观题自动打分的方法及系统。


背景技术：

2.目前，越来越多考试的主观题阅卷都是由一定规模的阅卷老师团队来完成的。团队中的各成员通过主观评判、手动打分以及打分结果统计汇总合作完成各种考试的主观题阅卷。但是人工进行主观题阅卷打分时，阅卷老师的个人认知以及严谨程度可能均不同，评判标准很难统一，并且阅卷分量较大时需要耗费大量的人力和时间，从而导致阅卷老师在对考生试卷进行主观题阅卷时，往往会出现评分标准不一致、阅卷速度慢等问题，进而使得阅卷效率低下以及阅卷团队工作成本的提高。如需要所有阅卷老师对各考生的答案均进行统一打分，操作过程复杂、难度较大，且可能会影响该场考试阅卷进度。
3.针对上述问题也进行了相应的改进，如中国专利申请号cn202110206238.x，公开日为2021年7月23日，该专利公开了一种用于主观题的网上阅卷方法，涉及信息处理技术领域。该种用于主观题的网上阅卷方法，包括以下具体步骤：s1.首先由网上阅卷设备管理人员将学生的答题卷利用设备进行统一扫描，并将学生的答题卡扫描图片上传至阅卷系统；s2.待答题卡扫描图片被上传至阅卷系统中后，阅卷系统会自动对答题卡扫描图片进行统一的分题切割，从而将所有答题卡扫描图片上的题目进行分类统一收集和整理。通过采用多人分题阅卷的方式，可以大大降低现有阅卷系统在阅卷时容易产生误差或误判的情况，而且对于一些非大型统一考试，阅卷教师可以采取手机终端阅卷系统进行阅卷，既方便快捷，同时也能在任意环境下进行自由阅卷，从而使其工作效率大大提高，值得大力推广。该专利的不足之处在于：虽然通过多人分题阅卷的方式减小误差，但是整体人力成本仍较高，效率仍然较慢。
4.又如中国专利申请号cn201910726595.1，公开日为2019年11月5日，该专利公开了一种面向主观题的智能阅卷方法，包括对考生答案文本和参考答案文本分别进行预处理，以获得二者对应的词向量序列表示；利用语义特征抽取网络提取考生答案和参考答案中句子的语义向量；利用融合注意力机制计算考生答案和参考答案句向量的语义匹配程度；利用此匹配结果，计算考生答案加权句向量；针对完整考生答案的句向量序列和基于融合注意力机制的加权句向量序列；利用语义特征抽取网络分别计算完整答案的语义向量和基于参考答案注意力的语义向量；将两个向量进行粘接，形成考生答案的最终向量表示。该专利的不足之处在于：计算过程复杂，成本高。


技术实现要素：

5.1、要解决的问题
6.针对现有主观题阅卷人工效率慢且误差大的问题，本发明提供一种主观题自动打分的方法及系统。本发明的方法采用自动化打分，避免人工阅卷所带来的弊端；同时减少不
必要的逻辑运行，提高了运算速度；并且有效保证判断的准确性。本发明的系统结构简单，提高工作效率且减少成本投入。
7.2、技术方案
8.为解决上述问题，本发明采用如下的技术方案。
9.一种主观题自动打分的方法，其特征在于：包括以下步骤：
10.s1：获取主观题的标准答案、标准分以及考生答案；
11.s2：对标准答案以及考生答案进行数据预处理；
12.s3：判断标准答案与考生答案是否完全相同，若完全相同，直接按照标准分输出分数；若否，则进入下一步；
13.s4：根据标准答案判断标准答案的类型，所述标准答案的类型包括字类型，词类型和句类型；
14.s5：当标准答案类型为字类型或词类型时：对标准答案依据字词对应关系进行扩展得到等价答案，若等价答案中包含考生答案，则直接按照标准分输出分数；若等价答案中不包含考生答案，则对标准答案进行同义词和近义词转换得到近似答案，若近似答案中包含考生答案，则通过标准分乘以相似度值输出实际分数；
15.s6：当标准答案类型为句类型时：对标准答案和考生答案分别进行转换成字+词+短语的组合，对标准答案转换后的组合进行扩展和同义词近义词转换，得到新组合，判断新组合与考生答案转换后的组合的重合度，根据重合度在标准分的基础上输出分数。
16.更进一步的，所述步骤s6具体包括如下步骤：
17.s61：将标准答案按照字+词+短语的形式组合成数组m1，将考生答案按照字+词+短语的形式组合成数组m2；
18.s62：对数组m1按照对应关系得到新的数组m3，对m3中的元素进行同义词近义词扩展得到数组m4；
19.s63：比较数组m2和m4，取m2和m4中元素的交集m5；
20.s64：计算m1对m5的贡献量比例p(0≤p≤1)，标准分数乘以p输出得分。
21.一种应用如上述任一项所述的主观题自动打分方法的系统，包括：
22.接收模块：用于接收主观题的标准答案、标准分以及考生答案；
23.预处理模块：用于对标准答案和考生答案进行数据预处理；
24.判断模块：用于判断考生答案与标准答案是否完全一致；
25.分类模块：用于对标准答案进行类型判断；
26.计算模块：用于对标准答案进行转换；
27.评分模块：用于计算考生答案的分数；
28.显示模块：用于显示最终的分数。
29.3、有益效果
30.相比于现有技术，本发明的有益效果为：
31.(1)本发明通过先对标准答案以及考生答案进行预处理去除空格等非得分性无关字符，过滤非得分性内容以减轻后续计算压力，提高后续计算效率；再通过对标准答案进行类型判断，将文字内容拆分成字、词和句的形式单元化处理，逻辑多元化，逻辑出口非单一，由简单基础判断至复杂逻辑处理运算，满足任意一部逻辑即终止运行输出分数，减少不必
要的逻辑运行，提高了运算速度；并且对标准答案进行扩展以及同义词近义词转换，增加了判断的准确性，降低了误判的可能性，从而进一步提高阅卷的准确性；整个方法自动化程度大幅度提高，避免人工阅卷所带来的弊端；
32.(2)本发明的系统各模块各司其职，工作稳定的同时互不干扰，有效解决了现有的人工阅卷评判标准不统一、耗费人力以及人工阅卷效率较低的技术问题；并且整个系统构成简单，无需复杂的运算过程，提高工作效率的同时减少成本的投入。
附图说明
33.图1为本发明的流程图；
34.图2为本发明的逻辑图。
具体实施方式
35.下面结合具体实施例和附图对本发明进一步进行描述。
36.实施例1
37.如图1和图2所示，一种主观题自动打分的方法，包括以下步骤：
38.s1：获取主观题的标准答案、标准分以及考生答案；
39.s2：对标准答案以及考生答案进行数据预处理；
40.s3：判断标准答案与考生答案是否完全相同，若完全相同，直接按照标准分输出分数；若否，则进入下一步；
41.s4：根据标准答案判断标准答案的类型，所述标准答案的类型包括字类型，词类型和句类型；
42.s5：当标准答案类型为字类型或词类型时：对标准答案依据字词对应关系进行扩展得到等价答案，若等价答案中包含考生答案，则直接按照标准分输出分数；若等价答案中不包含考生答案，则对标准答案进行同义词和近义词转换得到近似答案，若近似答案中包含考生答案，则通过标准分乘以相似度值输出实际分数；
43.s6：当标准答案类型为句类型时：通过ai智能提取关键词，ai语义分析后自动拆分和提取关键字词句，对句子进行分割、截取、识别；对标准答案和考生答案分别进行转换成字+词+短语的组合，对标准答案转换后的组合进行扩展和同义词近义词转换，得到新组合，判断新组合与考生答案转换后的组合的重合度，根据重合度在标准分的基础上输出分数；所述步骤s6具体包括如下步骤：
44.s61：将标准答案按照字+词+短语的形式组合成数组m1，将考生答案按照字+词+短语的形式组合成数组m2；
45.s62：对数组m1按照对应关系得到新的数组m3，对m3中的元素进行同义词近义词扩展得到数组m4；
46.s63：比较数组m2和m4，取m2和m4中元素的交集m5；
47.s64：计算m1对m5的贡献量比例p(0≤p≤1)，标准分数乘以p输出得分。
48.具体的，在本实施例中对ai智能提取关键词进行具体举例：
49.ai智能提取关键词得：
50.m1＝(α1,α2,α3,
…
)
51.m2＝(β1,β2,β3,
…
)
52.m1对应关系：
53.α1-》(α11,α12,α13,
…
)
54.α2-》(α21,α22,α23,
…
)
55.α3-》(α31,α32,α33,
…
)
56.…
57.组合得：
58.m3＝m1+(α11,α12,α13,
…
)+(α21,α22,α23,
…
)+(α31,α32,α33,
…
)+(
…
)
59.m3同义词近义词语义扩展：
60.α1-》(α101,α102,α103,
…
)
61.α2-》(α201,α202,α203,
…
)
62.α3-》(α301,α302,α303,
…
)
63.…
64.α11-》(α111,α112,α113,
…
)
65.α12-》(α121,α122,α123,
…
)
66.α13-》(α131,α132,α133,
…
)
67.…
68.α21-》(α211,α212,α213,
…
)
69.α22-》(α221,α222,α223,
…
)
70.α23-》(α231,α232,α233,
…
)
71.…
72.α31-》(α311,α312,α313,
…
)
73.α32-》(α321,α322,α323,
…
)
74.α33-》(α331,α332,α333,
…
)
75.…
76.组合得：
77.m4＝m3+(α101,α102,α103,
…
)+(α201,α202,α203,
…
)+(α301,α302,α303,
…
)+(α111,α112,α113,
…
)+(α121,α122,α123,
…
)+(α131,α132,α133,
…
)+(
…
)
78.m2和m4取交集得：
79.m5＝(γ1,γ2,γ3,
…
)
80.对m5通过回归分析，计算m1对m5的贡献量比例：
81.p＝count(regression[γ(x)])/count(m1)
[0082]
其中regression[γ(x)]为m的回归分析方法，对m5中元素回归、分析、溯源、合并。
[0083]
例：
[0084]
设m1＝(α1,α2,α3,α4),m5＝(α102,α103,α201,α202,α111,α112)
[0085]
则
[0086]
m5-》regression[γ(x)]-》[α102-》α1,α103-》α1,α201-》α2,α202-》α2,α111-》α11-》α1,α112-》α11-》α1]-》(α1,α2)
[0087]
p＝count(regression[γ(x)])/count(m1)＝2/4＝0.5
[0088]
本发明通过先对标准答案以及考生答案进行预处理去除空格等非得分性无关字符，过滤非得分性内容以减轻后续计算压力，提高后续计算效率；再通过对标准答案进行类型判断，将文字内容拆分成字、词和句的形式单元化处理，逻辑多元化，逻辑出口非单一，由简单基础判断至复杂逻辑处理运算，满足任意一部逻辑即终止运行输出分数，减少不必要的逻辑运行，提高了运算速度；并且对标准答案进行扩展以及同义词近义词转换，增加了判断的准确性，降低了误判的可能性，从而进一步提高阅卷的准确性；整个方法自动化程度大幅度提高，避免人工阅卷所带来的弊端。
[0089]
实施例2
[0090]
一种应用如上述任一项所述的主观题自动打分方法的系统，包括：
[0091]
接收模块：用于接收主观题的标准答案、标准分以及考生答案；
[0092]
预处理模块：用于对标准答案和考生答案进行数据预处理；
[0093]
判断模块：用于判断考生答案与标准答案是否完全一致，若完全相同，直接按照标准分输出分数；若否，则进入下一步；
[0094]
分类模块：用于对标准答案进行类型判断，所述标准答案的类型包括字类型，词类型和句类型；
[0095]
计算模块：用于对标准答案进行转换，当标准答案类型为字类型或词类型时：对标准答案依据字词对应关系进行扩展得到等价答案，若等价答案中包含考生答案，则直接按照标准分输出分数；若等价答案中不包含考生答案，则对标准答案进行同义词和近义词转换得到近似答案，若近似答案中包含考生答案，则通过标准分乘以相似度值输出实际分数；当标准答案类型为句类型时：通过ai智能提取关键词，ai语义分析后自动拆分和提取关键字词句，对句子进行分割、截取、识别；对标准答案和考生答案分别进行转换成字+词+短语的组合，对标准答案转换后的组合进行扩展和同义词近义词转换，得到新组合，判断新组合与考生答案转换后的组合的重合度，根据重合度在标准分的基础上输出分数；
[0096]
评分模块：用于计算考生答案的分数；
[0097]
显示模块：用于显示最终的分数。
[0098]
本发明的系统各模块各司其职，工作稳定的同时互不干扰，有效解决了现有的人工阅卷评判标准不统一、耗费人力以及人工阅卷效率较低的技术问题；并且整个系统构成简单，无需复杂的运算过程，提高工作效率的同时减少成本的投入。
[0099]
本发明所述实例仅仅是对本发明的优选实施方式进行描述，并非对本发明构思和范围进行限定，在不脱离本发明设计思想的前提下，本领域工程技术人员对本发明的技术方案作出的各种变形和改进，均应落入本发明的保护范围。