Automated Correction of Multiple Choice Tests Using Computer Vision
Abstract
Automated correction of multiple-choice exams is a challenge in large-scale assessments. Traditional OMR systems require costly hardware, while manual correction is slow and error-prone. This work proposes a lowcost solution based on computer vision, avoiding complex AI methods. Preprocessing includes adaptive thresholding, edge detection, and histogram equalization. The system was tested on 240 answer sheets labeled as blank, correct, or multiple-marked. Results indicate high accuracy and efficiency under varied scanning conditions. Our method also reduces hardware dependency. Thus, it offers an accessible and scalable alternative for educational institutions.
References
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).
Published
2025-09-17
How to Cite
MOREIRA, Pedro Henrique Campos; FERREIRA, Bianca Panacho; REIS, Marcus Vinicius Diniz dos.
Automated Correction of Multiple Choice Tests Using Computer Vision. In: WORKSHOP ON INFORMATION SYSTEMS (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.
