一种提升网络阅卷速度的方法及系统与流程

本发明属于计算机数据处理技术领域，尤其涉及一种提升网络阅卷速度的方法及系统。

背景技术：

随着计算机时代的到来，为了提高阅卷的效率，网络阅卷的应用越来越广泛。随着人工智能和机器学习技术在各大行业的普遍应用，网络阅卷也被提上了全国各个中小学的教育互联网化和教务智能化的日程。目前市面上已经有一些网络阅卷技术和产品，主要是利用扫描仪将纸质试卷扫描成图片，然后根据预设的线框标志进行切图，最后将切好的图片放到电脑上，由不同科目的老师进行网上阅卷。

目前大多数的网络阅卷都是每个老师审阅一个题组，由于老师在长时间重复的阅卷任务中容易产生疲劳感，会导致对一些答案的误判现象发生，这就造成了阅卷结果的不公平和不公正。简单的解决办法是，采用重复批阅的方式，最后取平均分，但是该办法存在效率低下，耗费更多时间和成本较高的缺陷。同时老师也不愿意花过多的时间进行重复的阅卷工作，这也是目前在网络阅卷产品上的一个难题。

技术实现要素：

有鉴于此，本发明实施例的目的在于提供一种提升网络阅卷速度的方法及系统，旨在通过人工智能和机器学习技术对阅卷者的行为和状态进行跟踪，减少重复阅卷工作和阅卷时间，从而提升网络阅卷的效率和准确度。

本发明采用的技术方案如下：

第一方面，本发明实施例提供的一种提升网络阅卷速度的方法，应用于提升网络阅卷速度的系统，所述提升网络阅卷速度的系统包括阅卷终端，所述提升网络阅卷速度的方法包括：

所述阅卷终端利用机器学习建立阅卷状态监测模型，实时获取并判断当前阅卷者的阅卷状态和阅卷速度信息，将所述阅卷状态和阅卷速度信息输入到所述阅卷状态监测模型；

根据所述阅卷状态监测模型对输入的阅卷状态和阅卷速度信息进行分析，得到当前阅卷者的阅卷标准度算法和行为数据库；

对所述阅卷标准度算法和行为数据库进行流式计算分析，得到并判断当前阅卷者的阅卷质量信息；

当所述阅卷质量信息低于预设质量信息时，控制当前阅卷者的阅卷速度，并将低于预设质量信息的部分存入阅卷队列，以进行重新阅卷。

进一步地，所述利用机器学习建立阅卷状态监测模型的步骤之前，所述方法包括：

在预设时间段内，利用机器学习持续获取当前阅卷者的阅卷行为信息，以判断当前阅卷者的阅卷状态和阅卷速度信息，其中，所述阅卷行为信息包括鼠标停留时间、鼠标滑过的内容和阅卷间隔时间。

进一步地，所述对所述阅卷标准度算法和行为数据库进行流式计算分析的步骤具体包括：

采用spark和storm技术对所述阅卷标准度算法和行为数据库进行流式计算分析。

进一步地，所述提升网络阅卷速度的系统还包括与所述阅卷终端通信连接的管理终端，所述提升网络阅卷速度的方法还包括：

所述阅卷终端将所述阅卷者的阅卷状态和阅卷质量信息同步发送到所述管理终端；

在所述阅卷管理者发现阅卷工作异常时，所述阅卷管理者通过所述管理终端向所述阅卷终端发送干预指令，以对所述阅卷者的阅卷工作进行干预。

第二方面，本发明实施例提供的一种提升网络阅卷速度的系统，包括阅卷终端，所述阅卷终端包括：

建立模块，用于利用机器学习建立阅卷状态监测模型；

判断模块，用于实时获取并判断当前阅卷者的阅卷状态和阅卷速度信息；

输入模块，用于将所述阅卷状态和阅卷速度信息输入到所述阅卷状态监测模型；

分析模块，用于根据所述阅卷状态监测模型对输入的阅卷状态和阅卷速度信息进行分析，得到当前阅卷者的阅卷标准度算法和行为数据库；

所述分析模块，还用于对所述阅卷标准度算法和行为数据库进行流式计算分析，得到并判断当前阅卷者的阅卷质量信息；

控制模块，用于在所述阅卷质量信息低于预设质量信息时，控制当前阅卷者的阅卷速度，并将低于预设质量信息的部分存入阅卷队列，以进行重新阅卷。

进一步地，所述阅卷终端还包括：

获取模块，用于在预设时间段内，利用机器学习持续获取当前阅卷者的阅卷行为信息，以判断当前阅卷者的阅卷状态和阅卷速度信息，其中，所述阅卷行为信息包括鼠标停留时间、鼠标滑过的内容和阅卷间隔时间。

进一步地，所述分析模块，具体用于采用spark和storm技术对所述阅卷标准度算法和行为数据库进行流式计算分析。

进一步地，所述提升网络阅卷速度的系统还包括与所述阅卷终端通信连接的管理终端，所述管理终端还包括：

发送模块，用于将所述阅卷者的阅卷状态和阅卷质量信息同步发送到所述管理终端；以及在所述阅卷管理者发现阅卷工作异常时，通过所述管理终端向所述阅卷终端发送干预指令，以对所述阅卷者的阅卷工作进行干预。

综上所述，本发明通过利用机器学习建立阅卷状态监测模型，实时获取并判断当前阅卷者的阅卷状态和阅卷速度信息，将所述阅卷状态和阅卷速度信息输入到所述阅卷状态监测模型，根据所述阅卷状态监测模型对输入的阅卷状态和阅卷速度信息进行分析，得到当前阅卷者的阅卷标准度算法和行为数据库，对所述阅卷标准度算法和行为数据库进行流式计算分析，得到并判断当前阅卷者的阅卷质量信息，当所述阅卷质量信息低于预设质量信息时，控制当前阅卷者的阅卷速度，并将低于预设质量信息的部分存入阅卷队列，以进行重新阅卷，减少了重复阅卷的工作量和阅卷所花费的时间，从而提升了网络阅卷的效率和准确度。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。

图1示出了本发明实施例提供的一种提升网络阅卷速度的系统的应用场景示意图。

图2示出了本发明实施例提供的一种提升网络阅卷速度的方法的流程示意图。

图3示出了本发明实施例提供的一种提升网络阅卷速度的系统中的阅卷终端的功能模块框图。

图4示出了本发明实施例提供的一种提升网络阅卷速度的系统中的管理终端的功能模块框图。

主要元件符号说明：

提升网络阅卷速度的系统10；阅卷终端100；管理终端200；建立模块101；判断模块102；输入模块103；分析模块104；控制模块105；获取模块106；发送模块201。

具体实施方式

下面将结合本发明实施例中附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。

目前大多数的网络阅卷都是每个老师审阅一个题组，由于老师在长时间重复的阅卷任务中容易产生疲劳感，会导致对一些答案的误判现象发生，这就造成了阅卷结果的不公平和不公正。简单的解决办法是，采用重复批阅的方式，最后取平均分，但是该办法存在效率低下，耗费更多时间和成本较高的缺陷。同时老师也不愿意花过多的时间进行重复的阅卷工作，这也是目前在网络阅卷产品上的一个难题。

有鉴于此，本发明实施例的目的在于提供一种提升网络阅卷速度的方法及系统，旨在通过人工智能和机器学习技术对阅卷者的行为和状态进行跟踪，减少重复阅卷工作和阅卷时间，从而提升网络阅卷的效率和准确度。

如图1所示，是本发明实施例提供的一种提升网络阅卷速度的系统10的应用场景示意图。其中，所述提升网络阅卷速度的系统10可以包括阅卷终端100和管理终端200，所述阅卷终端100和所述管理终端200通过网络进行通信连接，以进行数据访问或信令交互等。

实施例1

如图2所示，是本发明实施例提供的一种提升网络阅卷速度的方法的流程示意图。其中，所述提升网络阅卷速度的方法应用于所述提升网络阅卷速度的系统10中。所述提升网络阅卷速度的方法可以包括以下步骤：

步骤s101：利用机器学习建立阅卷状态监测模型，实时获取并判断当前阅卷者的阅卷状态和阅卷速度信息，将所述阅卷状态和阅卷速度信息输入到所述阅卷状态监测模型。

本实施例中，所述阅卷终端100首先利用机器学习建立阅卷状态监测模型，并实时获取当前阅卷者的阅卷状态和阅卷速度信息，以及对所述阅卷状态和阅卷速度信息进行判断。其次，所述阅卷终端100还将所述阅卷状态和阅卷速度信息输入到所述阅卷状态监测模型中进行训练。

进一步地，为了提供判断当前阅卷者的阅卷状态和阅卷速度信息的参考标准，在所述利用机器学习建立阅卷状态监测模型的步骤之前，所述方法包括以下步骤：

在预设时间段内，利用机器学习持续获取当前阅卷者的阅卷行为信息。可选地，所述预设时间段为5-10分钟。所述阅卷行为信息包括鼠标停留时间、鼠标滑过的内容和阅卷间隔时间。本实施例中，所述阅卷状态监测模型根据所述当前阅卷者的阅卷行为信息判断当前阅卷者的阅卷状态和阅卷速度信息。

步骤s102：根据所述阅卷状态监测模型对输入的阅卷状态和阅卷速度信息进行分析，得到当前阅卷者的阅卷标准度算法和行为数据库。

其中，所述阅卷终端100利用建立的阅卷状态监测模型对输入的阅卷状态和阅卷速度信息进行分析，采用机器学习得到当前阅卷者的阅卷标准度算法和行为数据库。

步骤s103：对所述阅卷标准度算法和行为数据库进行流式计算分析，得到并判断当前阅卷者的阅卷质量信息。

具体地，所述阅卷终端100采用spark和storm技术对所述阅卷标准度算法和行为数据库进行流式计算分析。其中，spark技术是专为大规模数据处理而设计的快速通用的计算引擎。spark是ucberkeleyamplab(加州大学伯克利分校的amp实验室)所开源的类hadoopmapreduce的通用并行框架。storm技术是一个分布式的、高容错的实时计算系统。storm设计用于在容错和水平可扩展方法中处理大量数据。它是一个流数据框架,具有最高的摄取率。

步骤s104：当所述阅卷质量信息低于预设质量信息时，控制当前阅卷者的阅卷速度，并将低于预设质量信息的部分存入阅卷队列，以进行重新阅卷。

其中，所述阅卷终端100利用阅卷状态监测模型，根据当前阅卷者的阅卷过程得到所述预设质量信息。根据所述阅卷标准度算法和行为数据库得到当前阅卷者的阅卷质量信息。并将当前阅卷者的阅卷质量信息和预设质量信息进行比较，当所述阅卷质量信息低于预设质量信息时，所述阅卷终端100控制当前阅卷者的阅卷速度。以及将低于所述预设质量信息的部分存入阅卷队列，以进行重新阅卷。可以理解的是，本实施例中采用人工智能和机器学习技术对阅卷者的行为和状态进行跟踪，只对阅卷质量低的部分进行重新阅卷，减少重复阅卷工作和阅卷时间，从而提升网络阅卷的效率和准确度。

另外，所述提升网络阅卷速度的方法还包括以下步骤：

所述阅卷终端100将所述阅卷者的阅卷状态和阅卷质量信息同步发送到所述管理终端200。以及

在所述阅卷管理者发现阅卷工作异常时，所述阅卷管理者通过所述管理终端200向所述阅卷终端100发送干预指令，以对所述阅卷者的阅卷工作进行干预。

实施时，所述管理终端200将接收到的阅卷者的阅卷信息显示在监控屏上，以便于阅卷管理者观察。在所述阅卷管理者发现阅卷工作异常时，所述阅卷管理者通过所述管理终端200向所述阅卷终端100发送干预指令，以对所述阅卷者的阅卷工作进行干预。如此可以针对特殊情况进行人工紧急干预，进一步提高阅卷的效率和准确度。

实施例2

如图3所示，是本发明实施例提供的一种提升网络阅卷速度的系统10中的阅卷终端100的功能模块框图。其中，所述阅卷终端100可以包括建立模块101、判断模块102、输入模块103、分析模块104、控制模块105和获取模块106。下面将对以上功能模块进行详细描述。

所述建立模块101，用于利用机器学习建立阅卷状态监测模型。

所述判断模块102，用于实时获取并判断当前阅卷者的阅卷状态和阅卷速度信息。

所述输入模块103，用于将所述阅卷状态和阅卷速度信息输入到所述阅卷状态监测模型。

优选地，所述输入模块103还将所述阅卷状态和阅卷速度信息输入到所述阅卷状态监测模型中进行训练。

本实施例中，在所述建立模块101运行之前，所述获取模块106，用于在预设时间段内，利用机器学习持续获取当前阅卷者的阅卷行为信息，以判断当前阅卷者的阅卷状态和阅卷速度信息。可选地，所述预设时间段为5-10分钟。所述阅卷行为信息包括鼠标停留时间、鼠标滑过的内容和阅卷间隔时间。

所述分析模块104，用于根据所述阅卷状态监测模型对输入的阅卷状态和阅卷速度信息进行分析，得到当前阅卷者的阅卷标准度算法和行为数据库。

所述分析模块104，还用于对所述阅卷标准度算法和行为数据库进行流式计算分析，得到并判断当前阅卷者的阅卷质量信息。

具体地，所述分析模块104，具体用于采用spark和storm技术对所述阅卷标准度算法和行为数据库进行流式计算分析。其中，所述阅卷终端100采用spark和storm技术对所述阅卷标准度算法和行为数据库进行流式计算分析。其中，spark技术是专为大规模数据处理而设计的快速通用的计算引擎。spark是ucberkeleyamplab(加州大学伯克利分校的amp实验室)所开源的类hadoopmapreduce的通用并行框架。storm技术是一个分布式的、高容错的实时计算系统。storm设计用于在容错和水平可扩展方法中处理大量数据。它是一个流数据框架,具有最高的摄取率。

所述控制模块105，用于在所述阅卷质量信息低于预设质量信息时，控制当前阅卷者的阅卷速度，并将低于预设质量信息的部分存入阅卷队列，以进行重新阅卷。

本实施例中，利用阅卷状态监测模型根据当前阅卷者的阅卷过程得到所述预设质量信息。根据所述阅卷标准度算法和行为数据库得到当前阅卷者的阅卷质量信息。并将当前阅卷者的阅卷质量信息和预设质量信息进行比较，当所述阅卷质量信息低于预设质量信息时，所述控制模块105控制当前阅卷者的阅卷速度。以及将低于所述预设质量信息的部分存入阅卷队列，以进行重新阅卷。可以理解的是，本实施例中采用人工智能和机器学习技术对阅卷者的行为和状态进行跟踪，只对阅卷质量低的部分进行重新阅卷，减少重复阅卷工作和阅卷时间，从而提升网络阅卷的效率和准确度。

如图4所示，是本发明实施例提供的一种提升网络阅卷速度的系统10中的管理终端200的功能模块框图。其中，所述管理终端200可包括发送模块201。

所述发送模块201，用于将所述阅卷者的阅卷状态和阅卷质量信息同步发送到所述管理终端200；以及在所述阅卷管理者发现阅卷工作异常时，通过所述管理终端200向所述阅卷终端100发送干预指令，以对所述阅卷者的阅卷工作进行干预。

实施时，所述发送模块201将接收到的阅卷者的阅卷信息显示在监控屏上，以便于阅卷管理者观察。在所述阅卷管理者发现阅卷工作异常时，所述阅卷管理者通过所述发送模块201向所述阅卷终端100发送干预指令，以对所述阅卷者的阅卷工作进行干预。如此可以针对特殊情况进行人工紧急干预，进一步提高阅卷的效率和准确度。

综上所述，本发明通过利用机器学习建立阅卷状态监测模型，实时获取并判断当前阅卷者的阅卷状态和阅卷速度信息，将所述阅卷状态和阅卷速度信息输入到所述阅卷状态监测模型，根据所述阅卷状态监测模型对输入的阅卷状态和阅卷速度信息进行分析，得到当前阅卷者的阅卷标准度算法和行为数据库，对所述阅卷标准度算法和行为数据库进行流式计算分析，得到并判断当前阅卷者的阅卷质量信息，当所述阅卷质量信息低于预设质量信息时，控制当前阅卷者的阅卷速度，并将低于预设质量信息的部分存入阅卷队列，以进行重新阅卷，减少了重复阅卷的工作量和阅卷所花费的时间，从而提升了网络阅卷的效率和准确度。

在本申请所提供的实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。另外，在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。

所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、磁碟或者光盘等各种可以存储程序代码的介质。需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。