该智能批阅系统聚焦语言类课程评估痛点,采用 Java+Python 双后端架构,集成 OCR 识别、语音识别等技术,实现作文批改、口语评估等功能。其业务亮点在于通过技术融合提升批阅效率与公平性,解决人工批阅效率低、标准主观等问题。
功能包括:登录注册、作文批改(支持 OCR 识别,可检测语法等错误并生成评分报告)、口语学习(基于语音识别与 NLP 技术评估发音等指标)、作文题库、我的作文(含历史分析与 AI 重写)、AI 对话等模块。
从用户角度看:用户可完成登录注册,进行作文在线批改、口语训练,从题库选题写作,查看历史作文并获取分析建议,与 AI 对话答疑。
主要功能路径:用户登录→选择作文批改 / 口语学习等模块→按指引操作(如上传作文、录音)→系统处理并反馈结果→用户查看并根据建议改进。
开发周期:
6 个月
个人职责:
独立承担全栈开发任务,负责设计并实现作文批改和口语评估的核心 API,集成 OCR 和语音识别服务,开发前端 Vue.js 交互界面,优化 NLP 模型调用效率,完成数据库设计与搭建,编写单元测试并进行系统调试,实现从后端逻辑到前端交互的全流程功能开发。
技术栈:
后端:Java(Spring Boot)、Python(Flask)
前端:Vue.js、Element UI
算法:PyTorch(NLP 模型)、百度 OCR / 语音识别 API
数据库:MySQL、Redis
部署:Docker、Kubernetes
架构亮点:
采用微服务架构,将作文批改、口语评估等功能拆分为独立服务,提升扩展性。
实现双引擎协作(Java 处理业务逻辑,Python 调用 AI 模型),平衡性能与灵活性。
难点与解决方案:
难点 1:低延迟调用 NLP 模型。
方案:引入 Redis 缓存高频问题的批改结果,模型推理时间从平均 3 秒降至 500 毫秒。
难点 2:多语言口语评估准确性。
方案:结合百度语音识别 API 与自定义韵律模型,使发音评分准确率提升至 92%。
难点 3:OCR 识别手写作文的准确率。
方案:训练基于 CRNN 的手写文字识别模型,在教育场景下的准确率达 88%。