摘要：隨著教育信息化的不斷發(fā)展，傳統(tǒng)的手動(dòng)評(píng)分方式在教育評(píng)估領(lǐng)域逐漸暴露出效率低、主觀性強(qiáng)、可擴(kuò)展性差等問(wèn)題。自動(dòng)改卷系統(tǒng)的提出，旨在利用現(xiàn)代計(jì)算機(jī)技術(shù)，特別是人工智能和機(jī)器學(xué)習(xí)技術(shù)，解決這些問(wèn)題，并為教育領(lǐng)域提供一種高效、公正的評(píng)估手段。自動(dòng)改卷系統(tǒng)集成了選擇題、填空題、簡(jiǎn)答題、主觀題以及圖像識(shí)別等多種評(píng)分模塊，利用自然語(yǔ)言處理、機(jī)器學(xué)習(xí)和圖像識(shí)別技術(shù)實(shí)現(xiàn)了自動(dòng)化評(píng)分，能夠自動(dòng)化處理各種類(lèi)型的試卷評(píng)分工作，極大地提高了評(píng)分的效率和準(zhǔn)確度。

關(guān)鍵詞：自動(dòng)改卷；模塊；評(píng)分；設(shè)計(jì)

中圖分類(lèi)號(hào)：TP311 文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1009-3044（2025）01-0054-03 開(kāi)放科學(xué)（資源服務(wù)） 標(biāo)識(shí)碼（OSID） ：

隨著技術(shù)的持續(xù)革新，尤其是人工智能和大數(shù)據(jù)技術(shù)的廣泛普及，自動(dòng)改卷系統(tǒng)的研究逐漸從單一的題目評(píng)分向智能化評(píng)估轉(zhuǎn)變。自動(dòng)化評(píng)分系統(tǒng)不僅是一種提升評(píng)分效率的技術(shù)手段，更蘊(yùn)含著深遠(yuǎn)的教育意義。一方面，自動(dòng)評(píng)分能在確保評(píng)分公正性的同時(shí)，消除人為因素帶來(lái)的偏差，特別是在大規(guī)模考試或在線教育環(huán)境中，其系統(tǒng)化和標(biāo)準(zhǔn)化的評(píng)分方式能確保所有學(xué)生接受統(tǒng)一標(biāo)準(zhǔn)的評(píng)估。另一方面，自動(dòng)評(píng)分系統(tǒng)還能為教師提供詳盡的成績(jī)分析報(bào)告和反饋，助力教師更深入地了解學(xué)生的學(xué)習(xí)狀況和知識(shí)掌握水平[1]。借助自動(dòng)化評(píng)分系統(tǒng)，教師不僅能減輕批改負(fù)擔(dān)，還能將更多時(shí)間和精力投入教學(xué)策略的優(yōu)化和學(xué)生個(gè)性化輔導(dǎo)中。

1 自動(dòng)改卷系統(tǒng)架構(gòu)設(shè)計(jì)

1.1 系統(tǒng)總體架構(gòu)設(shè)計(jì)

自動(dòng)改卷系統(tǒng)的總體架構(gòu)設(shè)計(jì)是構(gòu)建高效、可靠的自動(dòng)評(píng)分平臺(tái)的基礎(chǔ)，它決定了整個(gè)系統(tǒng)的性能、可擴(kuò)展性以及后續(xù)的維護(hù)和優(yōu)化難度。自動(dòng)改卷系統(tǒng)的架構(gòu)設(shè)計(jì)需要從功能模塊的劃分、數(shù)據(jù)流的傳遞、技術(shù)棧的選擇以及系統(tǒng)的可擴(kuò)展性等多個(gè)方面進(jìn)行綜合考慮。具體的系統(tǒng)功能圖如圖1所示。

首先，系統(tǒng)應(yīng)采用模塊化架構(gòu)，每個(gè)功能模塊的獨(dú)立性和耦合度較低，以確保系統(tǒng)的靈活性和可擴(kuò)展性，通常自動(dòng)改卷系統(tǒng)可以分為數(shù)據(jù)獲取模塊、評(píng)分引擎、反饋模塊、報(bào)告生成模塊和數(shù)據(jù)庫(kù)模塊5大主要模塊，每個(gè)模塊相對(duì)獨(dú)立，各自承擔(dān)不同的功能，且模塊之間通過(guò)標(biāo)準(zhǔn)化接口進(jìn)行數(shù)據(jù)交互和通信，從而實(shí)現(xiàn)高效協(xié)同工作。其次，評(píng)分模塊依據(jù)題型和題目性質(zhì)，采用不同的評(píng)分算法。再者，在學(xué)生提交答案后，評(píng)分結(jié)果和反饋內(nèi)容需要通過(guò)反饋模塊及時(shí)傳達(dá)給學(xué)生，該模塊不僅要輸出學(xué)生的得分，還應(yīng)提供具體的答案解析、錯(cuò)題分析和改進(jìn)建議。最后，報(bào)告生成模塊則負(fù)責(zé)根據(jù)評(píng)分結(jié)果生成詳細(xì)的成績(jī)報(bào)告，報(bào)告內(nèi)容應(yīng)包括學(xué)生在每道題目中的得分情況、各個(gè)知識(shí)點(diǎn)的掌握程度、優(yōu)缺點(diǎn)分析以及學(xué)習(xí)建議等，此模塊不僅能夠幫助教師快速了解學(xué)生的學(xué)習(xí)狀態(tài)，也能為學(xué)生提供有價(jià)值的學(xué)習(xí)反饋。在實(shí)際應(yīng)用中，自動(dòng)改卷系統(tǒng)需要有一個(gè)數(shù)據(jù)庫(kù)模塊來(lái)進(jìn)行數(shù)據(jù)存儲(chǔ)和管理，所有的答卷、評(píng)分結(jié)果、學(xué)生反饋和報(bào)告都需要存儲(chǔ)在數(shù)據(jù)庫(kù)中，確保數(shù)據(jù)的安全性、完整性和高效訪問(wèn)。

1.2 選擇題與填空題評(píng)分模塊設(shè)計(jì)

1.2.1 選擇題評(píng)分設(shè)計(jì)

選擇題因其具有固定的標(biāo)準(zhǔn)答案，其評(píng)分邏輯主要基于學(xué)生答案與標(biāo)準(zhǔn)答案的匹配度。在設(shè)計(jì)選擇題評(píng)分模塊時(shí)，首要考慮的是如何精確識(shí)別學(xué)生的選擇。對(duì)于計(jì)算機(jī)化試卷，選擇題答案以電子形式記錄，系統(tǒng)只須比對(duì)學(xué)生答案與標(biāo)準(zhǔn)答案，即可直接給出評(píng)分。該模塊的核心任務(wù)是判斷學(xué)生選擇是否正確，采用精確匹配方式，即將學(xué)生答案與正確答案直接比對(duì)。每道選擇題的得分規(guī)則應(yīng)明確，通常每題得分固定，正確得滿分，錯(cuò)誤得零分。對(duì)于選擇題評(píng)分系統(tǒng)，處理非標(biāo)準(zhǔn)化答案格式是一大技術(shù)難點(diǎn)。系統(tǒng)需通過(guò)預(yù)設(shè)規(guī)則，自動(dòng)識(shí)別選擇題的答題方式，并根據(jù)不同情況給出相應(yīng)評(píng)分。為提高系統(tǒng)的通用性和準(zhǔn)確性，可引入模糊匹配技術(shù)。對(duì)于多選題等復(fù)雜選擇情況，系統(tǒng)可根據(jù)學(xué)生選擇選項(xiàng)與正確答案的重合度，自動(dòng)計(jì)算得分。

1.2.2 填空題評(píng)分設(shè)計(jì)

與選擇題不同，填空題的答案并非固定選項(xiàng)，而是要求學(xué)生填寫(xiě)空白處的正確答案。因此，填空題評(píng)分設(shè)計(jì)需更加靈活，以適應(yīng)多樣化的答案格式。傳統(tǒng)填空題評(píng)分采用精確匹配方式，但這種方式忽略了學(xué)生答案的多樣性和變化性。為適應(yīng)實(shí)際應(yīng)用場(chǎng)景，填空題評(píng)分模塊須具備更高靈活性。在設(shè)計(jì)時(shí)，首要考慮的是如何進(jìn)行答案匹配。對(duì)于大多數(shù)填空題，答案通常為關(guān)鍵字或短語(yǔ)，系統(tǒng)需識(shí)別學(xué)生填寫(xiě)內(nèi)容是否與標(biāo)準(zhǔn)答案一致或相似。精確匹配雖能滿足基本需求，但對(duì)于同義詞、拼寫(xiě)錯(cuò)誤等非標(biāo)準(zhǔn)化回答，則顯得過(guò)于嚴(yán)苛。因此，模糊匹配技術(shù)在填空題評(píng)分中尤為重要。通過(guò)引入自然語(yǔ)言處理（NLP） 技術(shù)，系統(tǒng)能夠理解學(xué)生答案的上下文語(yǔ)義，識(shí)別出與標(biāo)準(zhǔn)答案意思相近的回答，并據(jù)此給出評(píng)分。

1.3 簡(jiǎn)答題與主觀題評(píng)分模塊設(shè)計(jì)

簡(jiǎn)答題與主觀題的評(píng)分模塊是自動(dòng)改卷系統(tǒng)中最具挑戰(zhàn)性的部分。相較于選擇題和填空題，簡(jiǎn)答題和主觀題的答案具有開(kāi)放性和主觀性，評(píng)分標(biāo)準(zhǔn)難以統(tǒng)一。因此，設(shè)計(jì)一個(gè)高效、準(zhǔn)確的評(píng)分模塊對(duì)自動(dòng)改卷系統(tǒng)的成功至關(guān)重要。該模塊的核心任務(wù)是通過(guò)自然語(yǔ)言處理（NLP） 技術(shù)和機(jī)器學(xué)習(xí)方法，對(duì)學(xué)生的文本答案進(jìn)行語(yǔ)義理解和評(píng)估，以提供公正、精確的評(píng)分結(jié)果。首先，須對(duì)學(xué)生的文本答案進(jìn)行預(yù)處理，包括去除停用詞、分詞、詞性標(biāo)注、命名實(shí)體識(shí)別、同義詞替換等步驟，以提取有意義的特征，為評(píng)分提供基礎(chǔ)數(shù)據(jù)。其次，簡(jiǎn)答題與主觀題的評(píng)分方法可分為基于規(guī)則的評(píng)分和基于模型的評(píng)分兩類(lèi)?；谝?guī)則的評(píng)分方法通過(guò)關(guān)鍵詞匹配、句型結(jié)構(gòu)分析等預(yù)定義規(guī)則進(jìn)行評(píng)分；而基于模型的評(píng)分方法則通過(guò)訓(xùn)練機(jī)器學(xué)習(xí)模型進(jìn)行評(píng)分。為確保評(píng)分系統(tǒng)的準(zhǔn)確性和公平性，需使用廣泛的測(cè)試數(shù)據(jù)集進(jìn)行訓(xùn)練和評(píng)估，確保評(píng)分結(jié)果與人工評(píng)分的一致性。同時(shí)，系統(tǒng)還應(yīng)進(jìn)行不同題型、不同學(xué)科的多維度測(cè)試，以保證其通用性和擴(kuò)展性。最終，系統(tǒng)應(yīng)具備自我學(xué)習(xí)能力，通過(guò)學(xué)習(xí)和優(yōu)化錯(cuò)誤案例，不斷提升評(píng)分的精度。

1.4 圖像識(shí)別與手寫(xiě)評(píng)分模塊設(shè)計(jì)

圖像識(shí)別與手寫(xiě)評(píng)分模塊的設(shè)計(jì)旨在高效處理手寫(xiě)卷面，并保證評(píng)分的準(zhǔn)確性和一致性。系統(tǒng)采用圖像識(shí)別技術(shù)，結(jié)合現(xiàn)代OCR技術(shù)，將手寫(xiě)答案轉(zhuǎn)化為可供機(jī)器處理的文本，再根據(jù)特定的評(píng)分算法進(jìn)行評(píng)分[2]。圖像識(shí)別的首要步驟是手寫(xiě)試卷圖像的預(yù)處理，隨后通過(guò)OCR技術(shù)將手寫(xiě)圖像中的文字轉(zhuǎn)換成機(jī)器可理解的文本。然而，手寫(xiě)字體的多樣性和個(gè)體差異性對(duì)OCR的準(zhǔn)確性構(gòu)成挑戰(zhàn)，尤其是字跡潦草、筆跡不清的學(xué)生答案。因此，手寫(xiě)評(píng)分系統(tǒng)的OCR模塊設(shè)計(jì)需選擇合適的OCR工具，并對(duì)識(shí)別結(jié)果進(jìn)行優(yōu)化和后處理。常見(jiàn)的后處理方法包括糾錯(cuò)算法、字符組合和字典匹配，以有效減少OCR識(shí)別錯(cuò)誤引起的評(píng)分不準(zhǔn)確問(wèn)題。在獲得清晰的文本信息后，手寫(xiě)評(píng)分模塊的核心任務(wù)是對(duì)這些文本信息進(jìn)行分析和評(píng)分。為提升評(píng)分準(zhǔn)確性，系統(tǒng)可訓(xùn)練機(jī)器學(xué)習(xí)模型，基于大量歷史答卷數(shù)據(jù)學(xué)習(xí)如何根據(jù)書(shū)寫(xiě)內(nèi)容進(jìn)行評(píng)分。基于深度學(xué)習(xí)的評(píng)分模型能夠識(shí)別復(fù)雜的語(yǔ)句結(jié)構(gòu)和細(xì)節(jié)，尤其在具有開(kāi)放性答案的主觀題中，能更準(zhǔn)確地判斷學(xué)生是否掌握核心知識(shí)點(diǎn)。

2 自動(dòng)改卷系統(tǒng)評(píng)分算法的實(shí)現(xiàn)

2.1 選擇題與填空題評(píng)分算法

選擇題與填空題的評(píng)分相對(duì)直接，主要依賴于答案的匹配程度。對(duì)于選擇題，為提高系統(tǒng)效率，通常采用規(guī)則引擎進(jìn)行處理。具體而言，每道選擇題均設(shè)有固定標(biāo)準(zhǔn)答案，系統(tǒng)會(huì)將用戶答案與標(biāo)準(zhǔn)答案進(jìn)行直接比對(duì)，并返回正確或錯(cuò)誤的評(píng)分結(jié)果。對(duì)于填空題，評(píng)分方法則更為多樣，包括精確匹配、模糊匹配以及正則表達(dá)式匹配。在精確匹配中，系統(tǒng)會(huì)對(duì)學(xué)生的答案與標(biāo)準(zhǔn)答案進(jìn)行逐一比對(duì)，完全一致時(shí)方得分。若存在同義詞或近似表達(dá)，則通過(guò)模糊匹配算法計(jì)算兩個(gè)字符串的相似度，以判斷答案的正確性。選擇題和填空題的評(píng)分不僅在于給出分?jǐn)?shù)，更需在錯(cuò)誤情況下提供有效反饋。當(dāng)學(xué)生答案與標(biāo)準(zhǔn)答案存在細(xì)微差異時(shí)，系統(tǒng)應(yīng)能自動(dòng)生成糾錯(cuò)建議，這既有助于學(xué)生理解錯(cuò)誤原因，也能提升系統(tǒng)評(píng)分的透明度和用戶滿意度。為進(jìn)一步提升評(píng)分算法的性能與適應(yīng)性，系統(tǒng)結(jié)合了機(jī)器學(xué)習(xí)技術(shù)，通過(guò)訓(xùn)練自動(dòng)識(shí)別填空題的潛在答案模式。此外，評(píng)分算法的改進(jìn)還依賴于教師或用戶的反饋數(shù)據(jù)。當(dāng)用戶發(fā)現(xiàn)評(píng)分結(jié)果有誤時(shí)，手動(dòng)修改的記錄可作為訓(xùn)練數(shù)據(jù)，助力系統(tǒng)優(yōu)化評(píng)分規(guī)則。

2.2 簡(jiǎn)答題與主觀題評(píng)分算法

簡(jiǎn)答題和主觀題的答案往往具有開(kāi)放性和多樣性，人工評(píng)分雖帶主觀性，但能綜合考慮答案的邏輯性、完整性和準(zhǔn)確性等多個(gè)維度。為在自動(dòng)評(píng)分中模擬這種人工評(píng)分效果，評(píng)分算法常借助自然語(yǔ)言處理和機(jī)器學(xué)習(xí)技術(shù)。在基于機(jī)器學(xué)習(xí)的評(píng)分方法中，簡(jiǎn)答題和主觀題評(píng)分算法多采用監(jiān)督學(xué)習(xí)模型，需通過(guò)大量標(biāo)注數(shù)據(jù)進(jìn)行訓(xùn)練。訓(xùn)練數(shù)據(jù)包括學(xué)生答案及其對(duì)應(yīng)評(píng)分[3]。常用的機(jī)器學(xué)習(xí)模型有支持向量機(jī)（SVM） 、決策樹(shù)、隨機(jī)森林（RF） 等，它們能學(xué)習(xí)到不同答案的評(píng)分規(guī)律。在深度學(xué)習(xí)領(lǐng)域，卷積神經(jīng)網(wǎng)絡(luò)（CNN） 、長(zhǎng)短期記憶網(wǎng)絡(luò)（LSTM） 和雙向編碼器表示（BERT） 等深度神經(jīng)網(wǎng)絡(luò)模型也常被應(yīng)用于文本分類(lèi)和評(píng)分任務(wù)，能自動(dòng)從學(xué)生答案中提取特征并進(jìn)行評(píng)分。對(duì)于簡(jiǎn)答題和主觀題評(píng)分，僅給出分?jǐn)?shù)是不夠的，還需為學(xué)生提供針對(duì)性反饋。這不僅有助于學(xué)生認(rèn)識(shí)自身不足，也能幫助教師改進(jìn)教學(xué)。評(píng)分系統(tǒng)可根據(jù)答案內(nèi)容生成自動(dòng)化評(píng)語(yǔ)，如指出錯(cuò)漏點(diǎn)、提出改進(jìn)建議等。為實(shí)現(xiàn)這一目標(biāo)，系統(tǒng)結(jié)合了生成式語(yǔ)言模型（如GPT） 來(lái)生成反饋內(nèi)容。對(duì)于錯(cuò)誤答案，系統(tǒng)可提供正確答案的簡(jiǎn)要說(shuō)明，并指出學(xué)生答案中遺漏的關(guān)鍵點(diǎn)。通過(guò)引入反饋機(jī)制，系統(tǒng)評(píng)分功能得以擴(kuò)展，不僅成為評(píng)估工具，更是學(xué)習(xí)指導(dǎo)工具。同時(shí)，反饋機(jī)制還能與教師評(píng)價(jià)相結(jié)合，使評(píng)分結(jié)果更加可靠。

2.3 評(píng)分評(píng)估與優(yōu)化

評(píng)分算法的準(zhǔn)確性是衡量自動(dòng)改卷系統(tǒng)優(yōu)劣的關(guān)鍵。因此，評(píng)估和優(yōu)化算法是實(shí)現(xiàn)高效自動(dòng)評(píng)分的核心步驟。在訓(xùn)練評(píng)分模型時(shí)，需首先劃分訓(xùn)練集、驗(yàn)證集和測(cè)試集，并采用交叉驗(yàn)證等方法評(píng)估模型的泛化能力。在評(píng)估評(píng)分算法性能時(shí)，常用指標(biāo)包括準(zhǔn)確率、召回率、F1分?jǐn)?shù)等。對(duì)于主觀題評(píng)分，還可引入Kappa系數(shù)、平均絕對(duì)誤差（MAE） 等指標(biāo)來(lái)衡量評(píng)分的一致性和準(zhǔn)確度[4]。在算法優(yōu)化方面，最常用的方法是調(diào)整模型參數(shù)。對(duì)于支持向量機(jī)（SVM） ，可調(diào)整核函數(shù)和正則化參數(shù)；對(duì)于深度學(xué)習(xí)模型，則可優(yōu)化學(xué)習(xí)率、網(wǎng)絡(luò)層數(shù)和激活函數(shù)等。近年來(lái)，自動(dòng)化超參數(shù)搜索工具在評(píng)分算法中得到廣泛應(yīng)用，能高效找到最優(yōu)參數(shù)組合。通過(guò)引入集成學(xué)習(xí)方法，如隨機(jī)森林（RF） 或梯度提升樹(shù)（GBDT） ，綜合多個(gè)模型的預(yù)測(cè)結(jié)果，可進(jìn)一步提升評(píng)分算法的穩(wěn)定性和準(zhǔn)確性。在數(shù)據(jù)優(yōu)化方面，擴(kuò)大和多樣化數(shù)據(jù)集是提升評(píng)分效果的重要手段。通過(guò)收集更多實(shí)際考試中的答題數(shù)據(jù)，并進(jìn)行高質(zhì)量標(biāo)注，可顯著提高模型的泛化能力。同時(shí)，為避免模型在某些特定答案類(lèi)型上的偏差，可設(shè)計(jì)針對(duì)性的訓(xùn)練集，如增加非標(biāo)準(zhǔn)答案、非完整答案的樣本比例。此外，數(shù)據(jù)增強(qiáng)（Data Augmentation） 技術(shù)也能生成更多樣化的訓(xùn)練樣本，增強(qiáng)模型的魯棒性[5]。在系統(tǒng)性能優(yōu)化方面，實(shí)時(shí)評(píng)分的響應(yīng)速度是一個(gè)關(guān)鍵指標(biāo)。優(yōu)化系統(tǒng)性能可通過(guò)改進(jìn)底層計(jì)算架構(gòu)來(lái)實(shí)現(xiàn)。此外，緩存（Caching） 技術(shù)也能加快評(píng)分速度，將標(biāo)準(zhǔn)答案和評(píng)分規(guī)則預(yù)先存儲(chǔ)在高效緩存中，減少重復(fù)計(jì)算的時(shí)間消耗。對(duì)于大規(guī)模考試，系統(tǒng)應(yīng)采用分布式部署方式，將評(píng)分任務(wù)分配到多個(gè)服務(wù)器節(jié)點(diǎn)，以確保高并發(fā)情況下的評(píng)分穩(wěn)定性。

3 結(jié)束語(yǔ)

綜上所述，自動(dòng)改卷系統(tǒng)的提出旨在利用人工智能和機(jī)器學(xué)習(xí)等現(xiàn)代信息技術(shù)解決傳統(tǒng)手動(dòng)評(píng)分方式在教育評(píng)估領(lǐng)域存在的效率低、主觀性強(qiáng)、可擴(kuò)展性差等問(wèn)題，并為教育領(lǐng)域提供一種高效、公正的評(píng)估手段。本文設(shè)計(jì)了包括數(shù)據(jù)采集模塊、評(píng)分模塊、反饋模塊、報(bào)告生成模塊和數(shù)據(jù)庫(kù)模塊在內(nèi)的多層次系統(tǒng)架構(gòu)，采用分布式架構(gòu)以確保在大規(guī)模用戶訪問(wèn)下保持高效的響應(yīng)速度和穩(wěn)定性。盡管系統(tǒng)實(shí)現(xiàn)仍面臨一些技術(shù)與實(shí)踐挑戰(zhàn)，但隨著相關(guān)技術(shù)的不斷成熟和優(yōu)化，自動(dòng)改卷系統(tǒng)將逐步走向成熟，并在未來(lái)的教育實(shí)踐中發(fā)揮越來(lái)越重要的作用。

參考文獻(xiàn)：

[1] 李燁紅，黃培泉，周詩(shī)婷，等.基于微服務(wù)架構(gòu)的自動(dòng)判卷系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)[J].現(xiàn)代信息科技，2024，8（11）：101-105，110.

[2] 朱家全，韋海清.淺析自動(dòng)改卷系統(tǒng)優(yōu)勢(shì)的探究[C].第四屆創(chuàng)新教育與發(fā)展學(xué)術(shù)會(huì)議論文集（二） ，2023：221-229.

[3] 高強(qiáng)，潘俊，劉薇，等.基于機(jī)器視覺(jué)的答題卡自動(dòng)評(píng)分系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)[J].計(jì)算機(jī)時(shí)代，2023（12）：180-183.

[4] 錢(qián)升華.基于孿生網(wǎng)絡(luò)和BERT模型的主觀題自動(dòng)評(píng)分系統(tǒng)[J].計(jì)算機(jī)系統(tǒng)應(yīng)用，2022，31（3）：143-149.

[5] 高強(qiáng)，黃宇飛，潘俊.基于SVG的可定制答題卡生成系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)[J].軟件，2023，44（3）：84-89.

【通聯(lián)編輯：代影】

基金項(xiàng)目：2023 年廣西高校中青年教師科研基礎(chǔ)能力提升項(xiàng)目“大數(shù)據(jù)背景下高校自動(dòng)改卷智能化系統(tǒng)的研究”（編號(hào)：2023KY1595）