--- title: Analyzátor písomných prác published: true --- # Analyzátor písomných prác Projekt Živé IT 2026-2027 Ľudia: - Sofia Sedláková - Samuel Prokop - Adrián Nguyen Quogoc - Matúš Farbár Z firmy: - Viktória Barátová, Indícia n.o. - v oblasti vzdelávania, Projekt Kľúče k slovenčine. - Michal Tornay, VŠVU, Typolab - písmo Zdroje: - https://git.kpi.fei.tuke.sk/sp171ny/analyzator-pisomnych-prac - https://drive.google.com/drive/folders/11eZP-jnBA1gLZOgBbc0CENzStDxFlXoF - Naša zhrnujúca koncepcia písania: https://docs.google.com/document/d/1TNHjqe7zs-LuOXIRockMaO4MmddTw2_5zjKSR2REeXc/edit - Skeny pracovných listov: https://drive.google.com/drive/folders/1B5aA1aLBmfnLOHXXIRWvVNHcmYHcnKaa Cieľ Navrhnúť a vytvoriť prototyp AI nástroja, ktorý analyzuje naskenované pracovné listy žiakov z písania a pomáha nášmu tímu vidieť, kde deti potrebujú podporu a kde treba upraviť zadania. V prvom kroku slúži nástroj na vývoj metodiky. V druhom kroku bude pre pedagóga identifikovať individuálne potreby detí. Očakávaný výstup na konci - funkčný prototyp s možnosťou rozšírenia, - ukážka práce na reálnych dátach, Dáta spracúvame anonymizovane, s ohľadom na súkromie žiakov a škôl. - export dát, - odporúčania pre ďalší rozvoj. - Úzky a realistický rozsah : radšej menej vecí spoľahlivo než všetko naraz. - Výsledky majú byť jednoduché a zrozumiteľné aj pre učiteľa bez technických znalostí. S čím budete pracovať - naskenované pracovné listy žiakov z pilotovania (1. a 2. ročník), - stručný popis cieľov jednotlivých úloh, - odborné a teoretické podklady k písaniu, - ukážky kategórií chýb a pozorovaní z pilotu, prípadne poznámky tímu. Sledovať budeme tieto prúdy - pilot prvých ročníkov 2025/26, - pilot prvých ročníkov 2026/27, - pilot druhých ročníkov 2026/27. Tri roviny 1. Technická podoba písma – aká je predloha, ako ju deti reálne píšu, kde vznikajú odchýlky a ak sa dá, prečo. Pri odchýlkach rozlíšiť, či ide o problém s tvarom, ktorý treba upraviť v predlohe, alebo o individuálnu ťažkosť dieťaťa, ktorá môže byť prediktorom oslabenia či poruchy a treba na ňu upozorniť (napr. zámena smeru chvostíka pri písmenách ako l a j). 2. Funkčnosť pracovných listov – či repetitívne listy upevňujú schopnosť čitateľne písať, a ak nie, kde to klesá; či a kde nerepetitívne listy vedú k tvorivému písaniu. Pri odchýlkach rozlíšiť, či ide o problém s tvarom, ktorý treba upraviť v predlohe, alebo o individuálnu ťažkosť dieťaťa, ktorá môže byť prediktorom oslabenia či poruchy a treba na ňu upozorniť 3. Plnenie písomných zadaní – aké slová a vety deti píšu, kvalitatívne aj kvantitatívne. Pri odchýlkach rozlíšiť, či ide o problém s tvarom, ktorý treba upraviť v predlohe, alebo o individuálnu ťažkosť dieťaťa, ktorá môže byť prediktorom oslabenia či poruchy a treba na ňu upozorniť (DLD). Čo má nástroj vedieť 1. Spracovať naskenovaný pracovný list. 2. Priradiť výstup k typu úlohy a k tomu, čo sa v nej sleduje. 3. Porovnať cieľ úlohy s tým, čo dieťa napísalo. 4. Rozpoznať technické chyby v písme, opakujúce sa slabé miesta a neporozumenie zadaniu. 5. Pripraviť stručné zhrnutie a odporúčanie pre tím, ako upraviť zadanie, aby ho deti zvládli a rozvíjalo potrebné zručnosti. 6. Pripraviť indikátory pre pedagóga a odporúčaný postup v individuálnych potrebách deti. Stretnutie 22.10. 2026 (Farbár, Prokop, Sedláková, Barátová, Tornay, Hládek) - Aké sú technické možnosti? - Aké sú potreby pedagógov? - Aké sú akceptovateľné odchýlky od normy? Otáča dieťa písmená? Toto je dôležité Technický postup riešenia: 1. Predspracovanie - uvedenie do "spracovateľnej podoby" 1. Segementácia - kde sú záujmové oblasti? Identifikácia riadkov a jednotlivých písmen. 1. Klasifikácia - čo vieme zistiť zo záujmových oblastí?. Porovnanie písmen so vzormi. Aké to je písmeno? Ako veľmi sa podobá na svoj vzor? Podobá sa na nagetívy vzor? 1. Postspracovanie - celkový záver zo spracovania Úlohy: - Urobiť rešerš dostupných nástrojov pre segmentáciu a klasifikáciu - Anotovať možné varianty písma Možné nástroje: ## Toolkity ### DTLR — Differential Temporal Line Recognition [GitHub](https://github.com/raphael-baena/DTLR) Segmentácia historických rukopisov pomocou differenciálnej geometrie a pilot curves. Dobrá na detekciu riadkov v historických/štýlových textoch. Pre moderný detský písmo menej priamočiara — na úroveň písmen by bolo treba ďalšej segmentácie. ### Kraken [GitHub](https://github.com/mittagessen/kraken) | [Dokumentácia](https://github.com/mittagessen/kraken) Modulárny OCR toolbox pre historické dokumenty. Robustná riadková segmentácia (projekčné profily, morfologické operácie), bilingual segmentation na rozdeľovanie písmen, link-time line segmentation pre adaptívne prispôsobenie. Ideálne na riadkovú segmentáciu, dá sa učiť na vlastných dátach. **Najvhodnejší nástroj na riadky.** ### Pyliaia [Doc](https://doc.teklia.com/pylaia/) HTR riešenie na frameworku LaIA s kompletným pipeline: binarizácia, detekcia riadkov, detekcia písmen. Podporuje transfer learning a vlastné tréningové dáta. Rieši aj riadky aj písmená v jednom pipeline, silné v adaptácii na nové štýly písma. ### PERO OCR [GitHub](https://github.com/DCGM/pero-ocr) Complete OCR toolkit od DCGM: riadková segmentácia (projekčné profily), detekcia znakových oblastí, klasifikácia. Primárne pre tlačený text, s úpravami použiteľné pre rukopis. ### Escriptorium [GitHub](https://github.com/UB-Mannheim/escriptorium) Nástroj na transkripciu historických rukopisov s vlastnou anotáciou a HTR modelmi. Má nástroje na segmentáciu, primárne postavený na už anotovaných dátach. Skôr celkový HTR pipeline — po prispôsobení použiteľný ako klasifikačný backend. ## Modely ### OCR on the Hub [Hugging Face Collection](https://huggingface.co/collections/davanstrien/ocr-on-the-hub) Kolekcia rôznych OCR modelov — prehľad aktuálnych riešení. Nie priamo nástroj, ale orientačný bod pre výber konkrétnych modelov (TROCR, Indra, atď.). ### Qwen3-VL [GitHub](https://github.com/QwenLM/Qwen3-VL) Multimodálny vision-language model — dokáže priamo "vidieť" obrázok a rozumieť mu. Detekuje oblasti záujmu, extrahuje text, popisuje obsah. **Vhodné na vyššiu úroveň**: klasifikácia typu chyby, kvalitatívny popis, identifikácia neporozumenia zadaniu. Nie na granularnú písmenkovú segmentáciu. ### TROCR Handwritten [Hugging Face](https://huggingface.co/microsoft/trocr-base-handwritten) Transformer-based OCR špeciálne na rukopis. Pracuje riadok po riadku (potrebuje predchádzajúcu riadkovú segmentáciu). **Výborný na klasifikáciu písmen** po predchádzajúcej segmentácii riadkov. Po pretrénovaní na detskom písme potenciálne veľmi presný. ### Indra-OCR [Hugging Face](https://huggingface.co/datalab-to/indra-ocr) Nový multimodálny OCR model od DataLab. Primárne na rýchlu extrakciu textu z obrázkov — good pre riadky/odseky, nie na písmenkovú úroveň. ### Dots.OCR [GitHub](https://github.com/studio-dots-ai/dots.ocr) Moderné OCR riešenie od štúdia Dots. Podobný prístup ako ostatné moderné OCR nástroje — extrakcia textu, nie granularná segmentácia. ### Unlimited-OCR [GitHub](https://github.com/baidu/Unlimited-OCR) OCR riešenie od Baidu. Široký rozsah podporovaných jazykov a formátov, ale primárne orientované na tlačený text a všeobecnú extrakciu textu. Nie na granularnú písmenkovú segmentáciu.