Automated Correction of Multiple Choice Tests Using Computer Vision
Resumo
A correção automatizada de exames de múltipla escolha é um desafio em avaliações de larga escala. Sistemas OMR exigem hardware caro, enquanto a correção manual é lenta e propensa a erros. Este trabalho propõe uma solução de baixo custo com visão computacional, sem uso de IA complexa. O pré-processamento inclui limiarização adaptativa, detecção de bordas e equalização de histograma. O sistema foi testado em 240 folhas classificadas como em branco, corretas ou com múltiplas marcações. Os resultados mostram alta acurácia e eficiência. O método também reduz a dependência de hardware. Assim, é uma alternativa acessível e escalável para instituições de ensino.
Referências
China, R. T., de Assis Zampirolli, F., de Oliveira Neves, R. P., and Quilici-Gonzalez, J. A. (2016). An application for automatic multiple-choice test grading on android. Revista Brasileira de Iniciação Científica, 3(2):4–25.
de Assis Zampirolli, F., Batista, V., and Quilici-Gonzalez, J. A. (2016). An automatic generator and corrector of multiple choice tests with random answer keys. In 2016 IEEE Frontiers in Education Conference (FIE), pages 1–8.
de Elias, E. M., Tasinaffo, P. M., and Hirata, R. (2021). Optical Mark Recognition: Advances, Difficulties, and Limitations. SN Computer Science, 2(5):367.
Dias, N. M. C. (2018). Desenvolvimento de uma nova abordagem baseada em inteligência artificial (rpa) para deteção e correção automática de problemas em processos de suporte de ti.
Fawcett, T. (2006). An introduction to roc analysis. Pattern recognition letters, 27(8):861–874.
Gonzalez, R. C. and Woods, R. E. (2008). Digital Image Processing. Pearson Prentice Hall, Upper Saddle River, NJ, USA, 3 edition.
Hafeez, Q., Aslam, W., Aziz, R., and Aldehim, G. (2024). An Enhanced Fault Tolerance Algorithm for Optical Mark Recognition Using Smartphone Cameras. IEEE Access, pages 1–1.
Pereira, L. V. (2019). Uma abordagem automática para leitura óptica de cartões: um estudo de caso.
Silva, F. A. et al. (2015). Aplicação do pré-processamento de imagens para otimização do reconhecimento de padrões na detecção de deficiência nutricional em espécies vegetais. Anais XVII Simpósio Brasileiro de Sensoriamento Remoto-SBSR. João Pessoa.
Silva Filho, D. d. C. (2022). Reconhecimento de caracteres utilizando redes neurais convolucionais para auxiliar nas correções do sistema multiprova. B.S. thesis, Universidade Federal do Rio Grande do Norte.
Sommerville, I. (2015). Software Engineering. Pearson, 10th edition.
Tieppo, S. M., Cappelin, A., Zanatta, L. F., Nogueira, C. M. I., and Rezende, V. (2023). Um panorama de situações do tipo misto em provas do Exame Nacional do Ensino Médio. Ciência & Educação (Bauru), 29:e23009.
Zafar, M. F. (2023). Webcam-based optical mark reader for grading assessments. Master’s thesis, University of Windsor (Canada).
de Assis Zampirolli, F., Batista, V., and Quilici-Gonzalez, J. A. (2016). An automatic generator and corrector of multiple choice tests with random answer keys. In 2016 IEEE Frontiers in Education Conference (FIE), pages 1–8.
de Elias, E. M., Tasinaffo, P. M., and Hirata, R. (2021). Optical Mark Recognition: Advances, Difficulties, and Limitations. SN Computer Science, 2(5):367.
Dias, N. M. C. (2018). Desenvolvimento de uma nova abordagem baseada em inteligência artificial (rpa) para deteção e correção automática de problemas em processos de suporte de ti.
Fawcett, T. (2006). An introduction to roc analysis. Pattern recognition letters, 27(8):861–874.
Gonzalez, R. C. and Woods, R. E. (2008). Digital Image Processing. Pearson Prentice Hall, Upper Saddle River, NJ, USA, 3 edition.
Hafeez, Q., Aslam, W., Aziz, R., and Aldehim, G. (2024). An Enhanced Fault Tolerance Algorithm for Optical Mark Recognition Using Smartphone Cameras. IEEE Access, pages 1–1.
Pereira, L. V. (2019). Uma abordagem automática para leitura óptica de cartões: um estudo de caso.
Silva, F. A. et al. (2015). Aplicação do pré-processamento de imagens para otimização do reconhecimento de padrões na detecção de deficiência nutricional em espécies vegetais. Anais XVII Simpósio Brasileiro de Sensoriamento Remoto-SBSR. João Pessoa.
Silva Filho, D. d. C. (2022). Reconhecimento de caracteres utilizando redes neurais convolucionais para auxiliar nas correções do sistema multiprova. B.S. thesis, Universidade Federal do Rio Grande do Norte.
Sommerville, I. (2015). Software Engineering. Pearson, 10th edition.
Tieppo, S. M., Cappelin, A., Zanatta, L. F., Nogueira, C. M. I., and Rezende, V. (2023). Um panorama de situações do tipo misto em provas do Exame Nacional do Ensino Médio. Ciência & Educação (Bauru), 29:e23009.
Zafar, M. F. (2023). Webcam-based optical mark reader for grading assessments. Master’s thesis, University of Windsor (Canada).
Publicado
17/09/2025
Como Citar
MOREIRA, Pedro Henrique Campos; FERREIRA, Bianca Panacho; REIS, Marcus Vinicius Diniz dos.
Automated Correction of Multiple Choice Tests Using Computer Vision. In: WORKSHOP DE SISTEMAS DE INFORMAÇÃO (WSIS), 16. , 2025, Rio Paranaíba/MG.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2025
.
p. 1-10.
DOI: https://doi.org/10.5753/wsis.2025.15732.
