HQA2LFS-akıllı telefonlarda aktif öğrenme çerçevesi kullanarak el yazısı kalite değerlendirmesi

Neden el yazınız hâlâ önemli

Dizüstü bilgisayarların ve tabletlerin çağında bile, elle yazma biçimimiz öğretmenlerin okul çalışmalarını nasıl değerlendirdiğini ve kliniklerin öğrenme veya hareket sorunlarını nasıl fark ettiğini şekillendiriyor. Ancak sayfa sayfa el yazısını kontrol etmek yavaş ve öznel bir süreç. Bu çalışma, elle yazılmış sayfaların fotoğrafını çekebilen ve yazının ne kadar okunaklı, düzenli ve iyi aralıklı olduğunu otomatik olarak tahmin edebilen bir akıllı telefon tabanlı sistem sunuyor. İnsan uzmanlığını makine öğrenimiyle harmanlayarak, dağınık defter yığınlarını öğrencilere, öğretmenlere ve sağlık profesyonellerine hızlı, güvenilir geri bildirimlere dönüştürmeyi hedefliyor.

Sayfaları ölçülebilir desenlere dönüştürmek

Araştırmacılar öğretmenin zaten sahip olduğu şeyle başlıyor: çizgili ve çizgisiz kağıtlardaki taranmış veya telefonla çekilmiş öğrenci çalışmalarının sayfaları. Yazılımları önce her sayfayı temizliyor, gürültüyü kaldırıyor ve mürekkebin arka plandan net şekilde ayrılması için keskin siyah‑beyaz bir görüntüye dönüştürüyor. Bir optik karakter tanıma motoru sonra her elle yazılmış kelimeyi buluyor ve sayfayı birçok küçük "kelime yaması"na bölüyor. Her yama için sistem, vuruşların yukarıdan aşağı nasıl dağıldığını, çizgilerin eğilip eğilmediğini veya düz kalıp kalmadığını, kelimelerin ne kadar eşit aralıklı olduğunu ve metnin varsayımsal taban çizgisine yakın mı yoksa ondan uzaklaştığını ölçüyor. Bu ölçümler bir sayfanın görsel hissini bir bilgisayarın öğrenebileceği yapılandırılmış bir sayı tablosuna çeviriyor.

İnsanların gördüğü şekilde düzenliliği görmek

Puanları anlamlı kılmak için ekip, bir kelimeyi bir bakışta insanların nasıl değerlendirdiğini taklit eden bir "algısal" puan tasarladı. Bu puanı yönlendiren dört bileşen var: vuruşların ne kadar pürüzsüz göründüğü, mürekkebin sayfadan ne kadar güçlü ayrıldığı, ne kadar yabancı mürekkep ya da karalama benzeri gürültü olduğu ve vuruşların ne kadar sürekli ve iyi biçimlendirildiği. Her kelime yaması ayrıca harflerin görünmez bir taban çizgisine düzgün oturup oturmadığını, yükseklik gibi uzun parçaların tutarlı olup olmadığını ve yazının sıkışık mı yoksa gerilmiş mi olduğunu yakalamak için yukarıdan aşağı altı yatay bölgeye bölünüyor. Ek kontroller, yatay çizgiler boyunca kenar davranışını inceleyerek metnin olması gerekenin üstünde mi yüzdüğünü yoksa altında mı battığını ve kelimeler ile satırlar arasındaki düzensiz boşlukları tespit ediyor.

Daha az işaretlenmiş sayfayla sistemi öğretmek

Temel zorluk, uzman puanlarının maliyetli olması: bir modelin öğrenebilmesi için öğretmenlerin birçok sayfayı etiketlemesi gerekiyor. Bunu ele almak için yazarlar "aktif öğrenme" stratejisi kullanıyor. Başlangıçta 10–12 deneyimli öğretmen, yetersizden mükemmele kadar basit dört seviyeli bir ölçekle mütevazı bir sayfa kümesini puanlıyor. Özellikle Random Forest ve XGBoost gibi ağaç tabanlı yöntemler olmak üzere bir regresyon modeli, ölçülen özelliklerden sayısal bir el yazısı kalite puanı tahmin etmek üzere eğitiliyor. Sistemin rastgele olarak daha fazla etiket istemek yerine belirsiz olduğu veya kötü tahmin yaptığı örneklere bakıyor. Bu sayfalar daha sonra uzmanların önerilen puanları hızlıca onaylayıp ayarlayabildiği etkileşimli bir panoda gösteriliyor. Bu döngü, insan çabasını modele en çok öğreten örneklerde yoğunlaştırarak büyük bir koleksiyondaki her sayfanın elle puanlanmasını gerektirmeden doğruluğu artırıyor.

Rakamlar yazma ve yorgunluk hakkında neler ortaya koyuyor

Çizgisiz sayfaların yazarın kendi hizalanma duygusunu test ettiği ve sabah ile öğleden sonra oturumlarında yazılmış çizgili sayfaların bulunduğu iki büyük veri kümesi kullanılarak sistem, günlük sınıf deneyimiyle örtüşen desenleri açığa çıkarıyor. Çoğu sayfa iyi veya mükemmel kategorilere giriyor, ancak birçok sayfa hâlâ yoğun bölgeler, boşluk sorunları veya eğik satırlar gösteriyor. Çizgili kağıtta puanlar öğleden sonra hafifçe düşme eğiliminde ve odak kaybı ile düzensiz boşluklarla bağlantılı özellikler daha yaygın hale geliyor; bu da yorgunluk veya azalan konsantrasyona işaret ediyor olabilir. Bu özellikler üzerinde eğitilmiş modeller öğretmen puanlarını çok yakından izliyor; korelasyon değerleri 0,9’un üzerinde ve hata payları, sistemin daha önce hiç görmediği yazarlarda bile açıkça düzgün yazılmış çalışmayı bozuk el yazısından güvenilir şekilde ayırabilmesine yetecek kadar küçük.

Ham puanlardan yararlı geri bildirime

Basitçe söylemek gerekirse, araştırmacılar, öğretmen panelleri kadar tutarlı bir şekilde el yazısının görsel kalitesini "okuyabilen" bir kamera tabanlı yardımcı inşa ettiler; bunun için geleneksel sistemlere kıyasla çok daha az uzman değerlendirmesi yeterli oluyor. İnsan yargısını, özenle seçilmiş görsel özellikleri ve en zor vakalara odaklanan aktif öğrenme döngüsünü birleştirerek, çerçeveleri el yazısı sayfalarını düzenlilik, aralık ve hizalama hakkında yorumlanabilir puanlara dönüştürüyor. Daha fazla geliştirme ile bu tür araçlar, ekstra desteğe ihtiyaç duyan öğrencileri işaretleyen sınıf uygulamalarını destekleyebilir, sınav sırasında yorgunluk veya stresi izleyebilir ya da yalnızca ne yazıldığı değil nasıl yazıldığına göre karar vermesi gereken klinisyenler ve adli analistler için yardımcı olabilir.

Atıf: 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

Anahtar kelimeler: el yazısı kalite değerlendirmesi, akıllı telefon görüntüleme, makine öğrenimi, aktif öğrenme, eğitim teknolojisi