HQA2Evaluación de la calidad de la escritura a mano de LFS utilizando un marco de aprendizaje activo en teléfonos...

Área de la Ciencia:

• Ciencias de la computación Ciencias de la computación
• Ciencias Forenses Ciencias Forenses.

Sus antecedentes:

• La evaluación de la calidad de la escritura a mano es crucial para diversas aplicaciones, incluido el análisis forense y la evaluación educativa.
• Los métodos existentes a menudo carecen de medidas objetivas y cuantitativas para la evaluación de la escritura a mano a nivel de palabras.

Objetivo del estudio:

• Desarrollar y evaluar un enfoque basado en regresión para evaluar la calidad de la escritura a mano a nivel de la palabra.
• Identificar las características clave que influyen en la calidad de la escritura a mano y comparar diferentes modelos de aprendizaje automático.

Principales métodos:

• Utilizó un diverso corpus de más de 1296 muestras de escritura sin reglas y 1160 reglas de escritura de más de 65 escritores.
• Empleó características estructurales, perceptivas y marginales para el análisis.
• Entrenado y comparado varios modelos de aprendizaje automático, incluidos Random Forest y XGBoost, que incorporan una estrategia de aprendizaje activo.

Principales resultados:

• Los modelos Random Forest y XGBoost lograron un excelente valor de R-cuadrado de 0.996.
• Los atributos perceptivos (limpieza, legibilidad) fueron las características más influyentes.
• El aprendizaje activo mejoró la capacitación del modelo mediante la selección efectiva de muestras inciertas en comparación con el muestreo aleatorio.

Conclusiones:

• El enfoque basado en regresión desarrollado evalúa con precisión la calidad de la escritura a mano a nivel de palabra.
• Los hallazgos destacan la importancia de las características perceptivas y la eficacia del aprendizaje activo en el refinamiento del modelo.
• El método proporciona una herramienta robusta para analizar las características de la escritura a mano e identificar manuscritos de baja calidad.