基于神经网络的空白题识别技术及其在CET主观题阅卷中的应用
在大规模高风险考试的阅卷过程中常会遇到一定数量的未作答空白题.这些空白题若能由计算机自动识别,将提高阅卷效率和降低阅卷成本.本研究尝试利用神经网络进行空白题识别技术的开发,并讨论该技术在CET主观题阅卷中的应用.该研究提取出图像像素灰度值矩阵行向量、列向量标准差的标准差作为识别空白题的特征参数,选取自学习能力较强的Elman模型,以训练速度快、准确度高的traindx函数为训练函数,以梯度下降的learngdm为学习函数,以非线性的tansig和logsig为隐藏层和输出层的传递函数,并通过对隐藏层神经元数目的调整来优化网络,使网络能以较少的运算消耗获得较好的识别效果.初步研究结果表明该技术可以较好地识别空白题,在保证识别正确率的同时节约人力等资源.
神经网络、空白题、识别技术、CET、主观题阅卷
H319(英语)
重庆大学中央高校基金科研专项人文社科重大项目编号 CDJSK11001;国家留学基金委全额奖学金资助
2013-06-09（万方平台首次上网日期，不代表论文的发表时间）
共4页
37-40
