ГИБРИДНАЯ СИСТЕМА ОЦЕНКИ КАЧЕСТВА РУКОПИСНОГО ВВОДА НА ОСНОВЕ СВЁРТОЧНОЙ НЕЙРОННОЙ СЕТИ ДЛЯ ОБУЧЕНИЯ НАПИСАНИЮ БУКВ АНГЛИЙСКОГО АЛФАВИТА

<jats:p>В условиях цифровизации образования всё более актуальной становится задача создания обучающих систем, способных не только распознавать рукописный ввод, но и объективно оценивать его качество. Большинство существующих цифровых решений либо ограничиваются механической обводкой по шаблону, либо используют стандартные технологии оптического распознавания символов, которые недостаточно адаптированы к высокой вариативности детского почерка. В работе представлена гибридная система оценки качества рукописного ввода, объединяющая свёрточную нейронную сеть, обученную на расширенном наборе данных EMNIST ByClass с добавлением синтетических образцов шрифта Caveat, и модуль постобработки, реализующий геометрический анализ изображения и эвристические правила. Такой подход позволяет одновременно определять введённый символ и количественно оценивать правильность его написания. Научная новизна состоит в практической реализации гибридного метода, сочетающего возможности глубокого обучения с символическим анализом геометрических характеристик почерка. Разработанная модель демонстрирует точность до 99,177 % на данных, приближенных к реальному детскому почерку, при среднем времени инференса менее 500 миллисекунд. Web-приложение внедрено в образовательный процесс Детского технопарка «Кванториум» и обеспечивает сохранение результатов, выявление типичных ошибок и мониторинг индивидуального прогресса учащихся</jats:p> <jats:p>In the context of digitalization of education, the task of creating training systems that can not only recognize handwritten input, but also objectively assess its quality is becoming more and more urgent. Most existing digital solutions are either limited to mechanical strokes on a template, or use standard optical character recognition technologies that are not sufficiently adapted to the high variability of children's handwriting. The paper presents a hybrid handwriting quality assessment system that combines a convolutional neural network trained on the EMNIST ByClass extended dataset with the addition of synthetic Caveat font samples, and a post-processing module that implements geometric image analysis and heuristic rules. This approach allows you to simultaneously determine the entered symbol and quantify the correctness of its spelling. The scientific novelty consists in the practical implementation of a hybrid method that combines the possibilities of deep learning with a symbolic analysis of the geometric characteristics of handwriting. The developed model demonstrates accuracy up to 99.177% on data close to real children's handwriting, with an average inference time of less than 500 milliseconds. The web application is implemented in the educational process of the Quantorium Children's Technopark and ensures the preservation of results, identification of typical errors and monitoring of individual progress of students</jats:p>