AI ระบบตรวจการบ้านอัตโนมัติ: การจดจำหลายโหมดและการให้คะแนนอัตโนมัติ

ในยุคที่การศึกษาออนไลน์เติบโตอย่างรวดเร็ว ครูและอาจารย์ต้องเผชิญกับภาระงานจำนวนมากในการตรวจการบ้าน บทความนี้จะพาคุณสร้าง AI Homework Grading System ที่สามารถตรวจทั้งข้อความ รูปภาพ และเสียงพูดได้ในคราวเดียว โดยใช้ HolySheep AI เป็นแกนหลัก

ทำไมต้องเลือก HolySheep สำหรับระบบตรวจการบ้าน

การสร้างระบบตรวจการบ้านด้วย API อย่างเป็นทางการมีค่าใช้จ่ายสูงมาก แต่ HolySheep AI เสนอราคาที่ประหยัดกว่า 85% พร้อมความเร็วตอบสนองต่ำกว่า 50 มิลลิวินาที และรองรับการชำระเงินผ่าน WeChat และ Alipay

ตารางเปรียบเทียบบริการ AI API สำหรับระบบตรวจการบ้าน

สถาปัตยกรรมระบบตรวจการบ้านแบบ Multi-modal

ระบบตรวจการบ้านอัตโนมัติที่ดีต้องสามารถจัดการกับข้อมูลหลายรูปแบบพร้อมกัน ทั้งข้อความที่พิมพ์ รูปภาพของงานเขียนมือ สูตรคณิตศาสตร์ และเสียงพูดของนักเรียนที่อธิบายคำตอบ

การติดตั้งและตั้งค่า

pip install requests python-dotenv Pillow openai

import os
import base64
import json
from pathlib import Path
from openai import OpenAI

ตั้งค่า HolySheep AI
client = OpenAI(
    api_key="YOUR_HOLYSHEEP_API_KEY",
    base_url="https://api.holysheep.ai/v1"
)

การสร้างระบบตรวจการบ้านแบบ Multi-modal

def encode_image_to_base64(image_path):
    """แปลงรูปภาพเป็น base64 สำหรับส่งไปยัง API"""
    with open(image_path, "rb") as image_file:
        return base64.b64encode(image_file.read()).decode("utf-8")

def grade_homework_with_ai(image_path, student_answer, subject="general"):
    """
    ตรวจการบ้านโดยใช้ AI วิเคราะห์รูปภาพและข้อความ
    
    Args:
        image_path: ที่อยู่ไฟล์รูปภาพงานนักเรียน
        student_answer: คำตอบที่นักเรียนตอบในรูปแบบข้อความ
        subject: วิชาที่ต้องการตรวจ (math, science, language, general)
    """
    
    # แปลงรูปภาพเป็น base64
    image_base64 = encode_image_to_base64(image_path)
    
    # กำหนด rubric สำหรับการตรวจตามวิชา
    rubric_prompts = {
        "math": "ตรวจคำตอบทางคณิตศาสตร์ พร้อมระบุขั้นตอนที่ถูกต้อง",
        "science": "ตรวจคำตอบวิทยาศาสตร์ รวมถึงการอธิบายหลักการ",
        "language": "ตรวจคำผิด ไวยากรณ์ และความเหมาะสมของเนื้อหา",
        "general": "ตรวจความถูกต้องทั่วไปและให้คำแนะนำ"
    }
    
    system_prompt = f"""คุณเป็นครูผู้เชี่ยวชาญในการตรวจการบ้าน
{rubric_prompts.get(subject, rubric_prompts['general'])}

กรุณาตรวจและให้ผลลัพธ์ในรูปแบบ JSON:
{{
    "score": คะแนน (0-100),
    "correct_answers": ["คำตอบที่ถูกต้อง"],
    "wrong_answers": ["คำตอบที่ผิดพร้อมเฉลย"],
    "feedback": "คำแนะนำสำหรับนักเรียน",
    "areas_to_improve": ["จุดที่ควรปรับปรุง"]
}}"""

    try:
        response = client.chat.completions.create(
            model="gpt-4o",
            messages=[
                {
                    "role": "system",
                    "content": system_prompt
                },
                {
                    "role": "user",
                    "content": [
                        {
                            "type": "text",
                            "text": f"งานนักเรียน:\n{student_answer}"
                        },
                        {
                            "type": "image_url",
                            "image_url": {
                                "url": f"data:image/jpeg;base64,{image_base64}"
                            }
                        }
                    ]
                }
            ],
            max_tokens=2000,
            temperature=0.3
        )
        
        result_text = response.choices[0].message.content
        # ตัดข้อความ JSON จาก response
        if "```json" in result_text:
            result_text = result_text.split("``json")[1].split("``")[0]
        elif "```" in result_text:
            result_text = result_text.split("``")[1].split("``")[0]
            
        return json.loads(result_text.strip())
        
    except Exception as e:
        return {"error": str(e), "score": 0}

ตัวอย่างการใช้งาน
result = grade_homework_with_ai(
    image_path="student_homework.jpg",
    student_answer="1. 2x + 3 = 7, x = 2\n2. พื้นที่สามเหลี่ยม = 1/2 × 4 × 3 = 6",
    subject="math"
)
print(f"คะแนน: {result['score']}")
print(f"คำตอบที่ถูกต้อง: {result.get('correct_answers', [])}")

ระบบตรวจเสียงพูดอธิบายคำตอบ

import base64
import requests

def transcribe_and_grade_audio(audio_file_path, correct_answer, question):
    """
    ตรวจการบ้านจากเสียงพูดของนักเรียน
    
    Args:
        audio_file_path: ที่อยู่ไฟล์เสียง
        correct_answer: คำตอบที่ถูกต้อง
        question: คำถามที่ต้องตอบ
    """
    
    # อัปโหลดไฟล์เสียงไปยัง API
    with open(audio_file_path, "rb") as audio_file:
        audio_base64 = base64.b64encode(audio_file.read()).decode("utf-8")
    
    # สร้าง prompt สำหรับการวิเคราะห์เสียง
    system_prompt = f"""คุณเป็นครูที่กำลังฟังนักเรียนอธิบายคำตอบ
คำถาม: {question}
คำตอบที่ถูกต้อง: {correct_answer}

วิเคราะห์เสียงพูดและให้ผลลัพธ์ในรูปแบบ JSON:
{{
    "transcription": "ข้อความที่พูด",
    "score": คะแนน (0-100),
    "explanation_quality": "คุณภาพการอธิบาย (ดี/พอใช้/ต้องปรับปรุง)",
    "feedback": "คำแนะนำสำหรับนักเรียน",
    "is_correct": true/false
}}"""

    try:
        response = client.chat.completions.create(
            model="gpt-4o-audio-preview",
            modalities=["text", "audio"],
            audio={"voice": "alloy", "format": "wav"},
            messages=[
                {
                    "role": "system",
                    "content": system_prompt
                },
                {
                    "role": "user",
                    "content": [
                        {
                            "type": "text",
                            "text": "กรุณาวิเคราะห์เสียงพูดนี้:"
                        },
                        {
                            "type": "input_audio",
                            "input_audio": {
                                "data": audio_base64,
                                "format": "wav"
                            }
                        }
                    ]
                }
            ],
            max_tokens=1500
        )
        
        result_text = response.choices[0].message.content
        if "```json" in result_text:
            result_text = result_text.split("``json")[1].split("``")[0]
            
        return json.loads(result_text.strip())
        
    except Exception as e:
        return {"error": str(e), "score": 0, "transcription": ""}

ตัวอย่างการใช้งาน
result = transcribe_and_grade_audio(
    audio_file_path="student_explanation.wav",
    correct_answer="สูตรพื้นที่วงกลม = πr²",
    question="จงหาพื้นที่วงกลมที่มีรัศมี 5 ซม."
)
print(f"คะแนน: {result['score']}")
print(f"สิ่งที่พูด: {result['transcription']}")

การสร้าง Batch Processing สำหรับตรวจงานหลายคน

from concurrent.futures import ThreadPoolExecutor
import time

def batch_grade_homework(homework_list, max_workers=5):
    """
    ตรวจการบ้านหลายคนพร้อมกัน
    
    Args:
        homework_list: รายการ dict ที่มี image_path, student_answer, student_id
        max_workers: จำนวนงานที่ทำพร้อมกัน
    
    Returns:
        dict: ผลลัพธ์การตรวจทั้งหมด
    """
    results = {}
    
    def process_single_homework(homework):
        student_id = homework.get("student_id", "unknown")
        try:
            result = grade_homework_with_ai(
                image_path=homework["image_path"],
                student_answer=homework["student_answer"],
                subject=homework.get("subject", "general")
            )
            return student_id, result
        except Exception as e:
            return student_id, {"error": str(e), "score": 0}
    
    start_time = time.time()
    
    with ThreadPoolExecutor(max_workers=max_workers) as executor:
        futures = [executor.submit(process_single_homework, hw) 
                   for hw in homework_list]
        
        for future in futures:
            student_id, result = future.result()
            results[student_id] = result
    
    elapsed = time.time() - start_time
    
    return {
        "results": results,
        "summary": {
            "total_students": len(results),
            "average_score": sum(r.get("score", 0) for r in results.values()) / len(results),
            "processing_time": f"{elapsed:.2f} วินาที"
        }
    }

ตัวอย่างการใช้งาน
homework_batch = [
    {
        "student_id": "ST001",
        "image_path": "hw_st001.jpg",
        "student_answer": "คำตอบของนักเรียนคนที่ 1",
        "subject":
แหล่งข้อมูลที่เกี่ยวข้อง
📚 บทช่วยสอน AI API
💰 ดูราคา
📖 เอกสารสำหรับนักพัฒนา
🚀 สมัครฟรี
บทความที่เกี่ยวข้อง
Dify 工作流编排：LLM Chain 与 ReAct Agent 实战指南
AI Workflow Monitoring: คู่มือการวิเคราะห์ Log และระบบแจ้งเต
AI ระบบช่วยครูในห้องเรียน: วิเคราะห์การมีส่วนร่วมและความสนใจ