HQA2LFS — ocena jakości pisma ręcznego z wykorzystaniem aktywnego uczenia w smartfonach

Dlaczego twoje pismo nadal ma znaczenie

Nawet w erze laptopów i tabletów sposób, w jaki piszemy ręcznie, wciąż wpływa na to, jak nauczyciele oceniają pracę szkolną i jak klinicyści rozpoznają problemy z uczeniem się lub ruchem. Ręczne sprawdzanie stron jest jednak czasochłonne i subiektywne. W tym badaniu przedstawiono system działający na smartfonie, który fotografuje kartki z pismem ręcznym i automatycznie ocenia, jak czytelne, uporządkowane i odpowiednio rozstawione jest pismo. Łącząc doświadczenie ludzi z uczeniem maszynowym, system ma przekształcać sterty zeszytów w szybkie i wiarygodne informacje zwrotne dla uczniów, nauczycieli i specjalistów zdrowia.

Przekształcanie stron w mierzalne wzorce

Naukowcy zaczynają od tego, co nauczyciel już ma: zeskanowanych lub sfotografowanych telefonem stron prac uczniów, zarówno w linie, jak i na kartce gładkiej. Oprogramowanie najpierw oczyszcza każdą stronę, usuwając zakłócenia i konwertując obraz do wyraźnego czarno‑białego formatu, tak aby atrament wyraźnie odróżniał się od tła. Silnik rozpoznawania znaków (OCR) lokalizuje następnie każde napisane słowo i dzieli stronę na wiele małych „fragmentów słów”. Dla każdego fragmentu system mierzy, jak rozkładają się kreski od góry do dołu, czy linie są pochylone czy proste, jak równomierne jest odstępowanie między słowami oraz czy tekst przylega do wyimaginowanej linii bazowej lub od niej odpływa. Te pomiary przekładają wizualne wrażenie strony na ustrukturyzowaną tabelę liczb, z której komputer może się uczyć.

Ocenianie estetyki tak, jak robią to ludzie

Aby wyniki były sensowne, zespół zaprojektował „percepcyjny” wskaźnik, naśladujący sposób, w jaki ludzie oceniają słowo na pierwszy rzut oka. Na wynik składają się cztery elementy: gładkość kresek, kontrast atramentu względem strony, ilość rozprysków lub bazgrołów oraz ciągłość i poprawność kształtu kresek. Fragment każdego słowa jest też dzielony na sześć poziomych stref, od góry do dołu, aby uchwycić, czy litery prawidłowo „siedzą” na niewidocznej linii bazowej, czy części wysokie, jak wstawki górne, są jednolite, oraz czy pismo jest stłoczone czy rozciągnięte. Dodatkowe kontrole analizują zachowanie przy granicach poziomych linii, wykrywając tekst unoszący się lub opadający w stosunku do oczekiwanej linii, a także nieregularne przerwy między słowami i wierszami.

Nauczanie systemu przy mniejszej liczbie oznaczonych kartek

Kluczowe wyzwanie polega na tym, że oceny ekspertów są kosztowne: nauczyciele muszą oznaczyć wiele stron, zanim model się nauczy. Aby temu sprostać, autorzy zastosowali strategię „aktywnego uczenia”. Początkowo 10–12 doświadczonych nauczycieli ocenia niewielki zestaw stron w prostej czterostopniowej skali od słabo do doskonale. Trenowany jest model regresyjny, szczególnie metody oparte na drzewach, takie jak Random Forest i XGBoost, który przewiduje numeryczny wynik jakości pisma na podstawie zmierzonych cech. Zamiast losowo prosić o kolejne etykiety, system wyszukuje próbki, co do których jest najbardziej niepewny lub które przewiduje najsłabiej. Te strony pokazuje się następnie w interaktywnym panelu, gdzie eksperci mogą szybko potwierdzić lub skorygować sugerowane oceny. Ta pętla koncentruje wysiłek ludzki tam, gdzie najbardziej uczy ona model, zwiększając dokładność bez potrzeby ręcznej oceny każdej strony w dużej kolekcji.

Co liczby ujawniają o pisaniu i zmęczeniu

Wykorzystując dwie duże bazy danych — kartki bez linii, które sprawdzają własne poczucie wyrównania piszącego, oraz kartki w linie pisane w sesjach porannych i popołudniowych — system odkrywa wzorce zgodne z codziennymi obserwacjami w klasie. Większość stron mieści się w kategoriach dobrej lub doskonałej, ale wiele wciąż wykazuje zagęszczone obszary, problemy z odstępami lub krzywe linie. Na papierze w linie oceny mają tendencję do nieznacznego obniżenia się po południu, a cechy związane z utratą koncentracji i nierównym odstępowaniem pojawiają się częściej, co sugeruje zmęczenie lub obniżoną koncentrację. Modele trenowane na tych cechach bardzo ściśle odwzorowują oceny nauczycieli, z wartościami korelacji powyżej 0,9 i marginesami błędu na tyle małymi, by niezawodnie odróżniać wyraźnie napisane prace od problematycznego pisma, nawet dla autorów, których system wcześniej nie widział.

Od surowych ocen do użytecznych informacji zwrotnych

Mówiąc najprościej, badacze zbudowali asystenta opartego na aparacie, który potrafi „ocenić” wizualną jakość pisma ręcznego niemal tak konsekwentnie jak zespół nauczycieli, a przy tym wymaga znacznie mniej ocen ekspertów niż tradycyjne systemy. Łącząc osąd ludzki, starannie dobrane cechy wizualne i pętlę aktywnego uczenia skupioną na najtrudniejszych przypadkach, ich ramy przekształcają strony pisane ręcznie w interpretowalne oceny estetyki, odstępów i wyrównania. Przy dalszym rozwoju takie narzędzia mogłyby zasilać aplikacje klasowe, które sygnalizują uczniów potrzebujących dodatkowego wsparcia, monitorować zmęczenie lub stres podczas egzaminów, a także wspierać klinicystów i analityków kryminalistycznych, którzy muszą podejmować decyzje na podstawie tego, jak ktoś pisze, nie tylko co pisze.

Cytowanie: Koushik, K.S., Nair, B.J.B., Rani, N.S. et al. HQA²LFS-handwriting quality assessment using an active learning framework in smartphones. Sci Rep 16, 8186 (2026). https://doi.org/10.1038/s41598-026-38330-z

Słowa kluczowe: ocena jakości pisma ręcznego, obrazowanie smartfonowe, uczenie maszynowe, aktywne uczenie, technologia edukacyjna