企业官网建设流程全解析

简介：面向计算机专业毕业设计与课程设计场景，这套基于Python+Django开发的主观题自动阅卷系统，围绕在线考试业务实现了用户管理、试题管理、试卷管理、在线考试与成绩管理五大模块，并支持对主观题作答结果进行自动判定。资源包共316个文件，大小约8.92MB，除28个Python业务代码外，还包含Django模板HTML、CSS/JavaScript前端资源、SQL数据库脚本，以及大量GIF操作演示和录像说明，便于对照界面与后台逻辑逐项理解。压缩包内按项目目录组织，静态文件与业务代码分层清楚，可直接运行后继续扩展题型或评分规则；配套说明对功能模块和部署要点有一定梳理，适合需要完整可运行项目源码、准备答辩演示或快速上手Django项目开发的读者参考。目前已有233人学习浏览，整体内容对初学者较为友好。

1. 主观题自动阅卷系统：毕业设计选它，到底在做什么

期末改 200 份简答题，老师平均每份要看 2 分钟，碰上字迹潦草、表述绕圈的，5 分钟都批不完。主观题自动阅卷系统要解决的就是这个场景：学生提交一段文字答案，系统按预设的评分规则自动打分，把人工从重复劳动里解放出来。这类课题在计算机相关专业的毕业设计里一直热度很高，核心是 Python 处理文本、Django 搭后台、算法模型给答案评分，一套下来等于把 NLP 基础、Web 开发和工程化能力全练了一遍。适合想拿一个完整项目证明自己动手能力的同学，也适合需要一套课设方案的开发者参考。

它不追求把语义理解做到极致，而是用“关键词命中 + 文本相似度 + 人工复核兜底”的组合把评分链路打通。下面从算法选型、Django 实现、工程跑通和常见坑位逐个讲。

2. 评分算法选型：关键词权重、N-gram 相似度与向量相似度的取舍

2.1 关键词权重评分：把阅卷先变成可配置的规则

主观题阅卷的第一步，不是教机器“理解”文字，而是先确定评分规则。市面上大量毕业设计用的都是关键词权重法：教师为每道题配置几个必备关键词，每个关键词带分值，学生答案里命中哪些关键词就累加哪些分。

用 Python 实现这一层很简单，关键是规则怎么组织成数据，而不是把分数写死在代码里。我一般会把题干和评分规则拆成两个表，题干存题目内容，评分规则表存关键词、同义词组、分值权重。这样可以做到“换一道题不用改代码，只在后台加规则”。

# scoring/rules.py import re def split_keywords(rule_text: str, sep: str = "|") -> list: """把规则文本切成关键词列表，默认用 | 分隔""" return [k.strip() for k in rule_text.split(sep) if k.strip()] def count_hits(answer_text: str, keywords: list) -> dict: """统计每个关键词在答案中出现的次数""" hits = {} for kw in keywords: # 用 re.escape 防止关键词里带特殊字符导致正则报错 pattern = re.compile(re.escape(kw)) hits[kw] = len(pattern.findall(answer_text)) return hits def score_by_keywords(answer_text: str, rules: list) -> float: """按关键词权重累加得分 rules: [{"keyword": "TCP", "weight": 2}, ...] """ total = 0.0 for rule in rules: if rule["keyword"] in answer_text: total += rule["weight"] return total

这段代码的逻辑很直白：先按分隔符把规则文本切成关键词列表，再用正则统计每个关键词在答案里出现的次数，最后按权重累加。re.escape这一步经常被漏掉，题目答案里出现TCP这种带点的关键词或C++这种带号的，不转义轻则匹配不到，重则直接抛异常。

参数上需要注意三点：一是关键词权重不要设成 1，最好按“核心概念 2 分、辅助描述 1 分”这种梯度来，否则学生只答出开头一句就能拿全分；二是同义词必须先归一化，常见做法是建一个同义词映射表，评分前先把答案里的词替换成标准词；三是count_hits只做演示，实际项目里要结合分词结果做更精确的匹配，不能只靠子串。

2.2 N-gram 与编辑距离：对付“意思对但字不同”的答卷

关键词命中最大的问题是“学生写对了意思但用词不同”，比如参考答案写“握手协议”，学生写“三次握手过程”，关键词一个字都没中。这时候需要相似度评分兜底。

N-gram 的基本思路是：把两段话分别切成连续的 n 个字的片段，然后看有多少片段是重叠的。中文场景下我偏好 Bigram（2-gram），因为单字太碎、3-gram 太稀疏，2-gram 在短文判分上的区分度最好。编辑距离（Levenshtein）则衡量把一个字符串变成另一个需要的最少编辑次数，适合参考答案和真实答案都很短的场景。

# scoring/similarity.py from difflib import SequenceMatcher def bigram_set(text: str) -> set: """把字符串切成 2-gram 集合，用于后续相似度计算""" text = text.replace(" ", "") if len(text) < 2: return {text} return {text[i:i+2] for i in range(len(text) - 1)} def jaccard_similarity(ans_a: str, ans_b: str) -> float: """Jaccard 相似度：交集大小除以并集大小（防除零）""" set_a = bigram_set(ans_a) set_b = bigram_set(ans_b) union = set_a | set_b if not union: return 0.0 return len(set_a & set_b) / len(union) def diff_similarity(ans_a: str, ans_b: str) -> float: """基于 difflib 的序列匹配相似度，适合短文本""" return SequenceMatcher(None, ans_a, ans_b).ratio()

Jaccard 相似度算的是两段文字“长得像不像”，difflib.SequenceMatcher.ratio()算的是连续公共子序列覆盖度。实际使用时我一般把两个分数加权合并：final_sim = 0.6 * jaccard + 0.4 * diff，两个指标侧重点不同，合并后对“乱序表述”和“部分省略”都有响应。

这里有个关键参数：相似度阈值。阈值设 0.7，松一点，学生换个说法也能拿分；设 0.9，严一点，几乎只有原话才能拿分。我的经验是不用全局阈值，按题型调：名词解释题参考答案短，0.75 合适；简答题答案长，0.65 左右合适。不同题型建一个threshold字段存到题型表里，不要写死在代码里。

2.3 Word2Vec 向量相似度该不该上：复现成本决定上限

每个做主观题阅卷的人都会想到 Word2Vec、BERT 这类向量模型。确实，用预训练模型把答案编码成向量，再算余弦相似度，效果会比 N-gram 好很多，尤其是学生用完全不同的词表达同一个意思的时候。

但作为毕业设计或小型课设，我不建议一上来就上 BERT 类模型。原因有三点：一是模型文件大，部署环境内存吃紧；二是推理速度慢，在线判分一两百份答案还能忍，几百份并发就吃力；三是答辩演示时不确定因素多，模型加载失败、编码维度不一致，任何一个问题都会在现场翻车。更稳妥的路线是：先用关键词 + N-gram 搭一套能演示的完整链路，然后在“进阶功能”里预留 Word2Vec 接口，作为加分项展示。

如果确实要加词向量，我建议用gensim加载一个轻量中文词向量，把分词后的答案映射成向量再算余弦相似度：

# scoring/vector_score.py from sklearn.metrics.pairwise import cosine_similarity import numpy as np def answer_vector(tokens: list, wv_model) -> np.ndarray: """把答案分词结果加权平均成单个向量 wv_model: gensim.models.KeyedVectors 实例 词向量不存在时直接丢弃该词，不报错 """ vectors = [] for token in tokens: if token in wv_model.key_to_index: vectors.append(wv_model[token]) if not vectors: return np.zeros(wv_model.vector_size) return np.mean(vectors, axis=0) def vec_similarity(vec_a: np.ndarray, vec_b: np.ndarray) -> float: """余弦相似度，注意零向量直接返回 0""" norm_a = np.linalg.norm(vec_a) norm_b = np.linalg.norm(vec_b) if norm_a == 0 or norm_b == 0: return 0.0 return cosine_similarity([vec_a], [vec_b])[0][0]

这里的核心参数是vector_size，不同词向量模型的维度不一致，有的 200 维有的 300 维，初始化零向量时必须从模型读取维度而不能写死。还有一点，词向量表里查不到的词（人名、生僻专业术语）直接丢弃，这是常规做法，千万别报错中断判分。

3. 用 Django 组织判分系统：数据模型、判分接口与审批闭环

3.1 数据模型设计：题目表、答卷表、评分规则表怎么建

算法再好也得落到工程里。用 Django 组织这套系统，数据模型是地基。我见过不少毕业论文把判分逻辑写在视图函数里、临时从字典取规则，演示没问题，但老师一问“如果题目有 500 道，规则怎么维护”就答不上来。正确的做法是规则进数据库，通过 Django 管理后台维护。

# grading/models.py from django.db import models class ExamPaper(models.Model): """试卷表：一张试卷挂多道题""" title = models.CharField(max_length=200) created_at = models.DateTimeField(auto_now_add=True) class Question(models.Model): """题目表：一道题对应一个题型、一个参考答案、一组规则""" paper = models.ForeignKey(ExamPaper, on_delete=models.CASCADE, related_name="questions") stem = models.TextField(verbose_name="题干") reference_answer = models.TextField(verbose_name="参考答案") question_type = models.CharField(max_length=20, choices=[ ("choice", "选择题"), ("short", "简答题"), ("essay", "论述题"), ("fill", "填空题"), ], default="short") full_score = models.FloatField(default=10.0) threshold = models.FloatField(default=0.65, verbose_name="相似度阈值") class ScoreRule(models.Model): """评分规则表：一道题有多条关键词规则""" question = models.ForeignKey(Question, on_delete=models.CASCADE, related_name="rules") keyword = models.CharField(max_length=100, verbose_name="关键词") synonym_group = models.CharField(max_length=200, blank=True, verbose_name="同义词组") weight = models.FloatField(default=1.0, verbose_name="权重") is_required = models.BooleanField(default=False, verbose_name="是否必含") class StudentAnswer(models.Model): """答卷表：记录每个学生的答案和判分状态""" question = models.ForeignKey(Question, on_delete=models.CASCADE, related_name="answers") student_no = models.CharField(max_length=50) content = models.TextField(verbose_name="学生答案") auto_score = models.FloatField(null=True, blank=True) final_score = models.FloatField(null=True, blank=True) status = models.CharField(max_length=20, default="pending", choices=[ ("pending", "待批改"), ("scored", "已自动评分"), ("reviewed", "已人工复核"), ]) created_at = models.DateTimeField(auto_now_add=True)

这几张表的关系是：试卷一对多题目，题目一对多评分规则，题目一对多学生答案。设计时最容易被忽略的是final_score和status两个字段。自动评分只是初判，系统需要允许老师人工改分并把状态从scored推进到reviewed，这样才是一个完整的业务闭环。另外一个实用点是synonym_group字段，存"TCP|三次握手|连接建立"这类同义词组，评分前做归一化替换。

3.2 判分接口实现：事务、防重入与返回值约定

数据模型定好后，核心就是判分接口。这里有几个工程坑：同一份答案不能因为刷新页面被重复判分；多道题判分不能因为一道题报错导致前面全白做；接口返回值要能明确区分“成功、部分成功、失败”。

我一般把“单题判分”和“批量判分”拆开。单题判分负责核心逻辑，批量判分循环调用单题接口并做事务处理：

# grading/services.py from django.db import transaction from .models import StudentAnswer, ScoreRule def apply_synonyms(content: str, rule: ScoreRule) -> str: """把答案命中的同义词组统一替换成组内第一个标准词""" if not rule.synonym_group: return content synonyms = [s.strip() for s in rule.synonym_group.split("|") if s.strip()] if not synonyms: return content # 组内第一个词视为标准词，其余视为变体 for variant in synonyms[1:]: content = content.replace(variant, synonyms[0]) return content @transaction.atomic def grade_single_answer(answer: StudentAnswer) -> float: """判分单份答案并写回数据库，事务保证字段一致性""" # 防重入：已评分的默认直接返回，除非 force=True if answer.status != "pending": return answer.auto_score rules = ScoreRule.objects.filter(question=answer.question) base_content = answer.content total = 0.0 # 第一步：关键词权重分 for rule in rules: normalized = apply_synonyms(base_content, rule) if rule.keyword in normalized: total += rule.weight # 必含关键词没命中直接判定 0 分 # 这里只记录逻辑，具体策略由业务方决定 # 第二步：N-gram 相似度兜底分 # 从外部传入相似度函数，便于测试时替换 sim_score = compute_similarity( base_content, answer.question.reference_answer ) full_score = answer.question.full_score sim_part = full_score * max(0.0, sim_score - 0.5) / (1.0 - 0.5) # 权重分上限限制为满分 60%，相似度分上限 40% total = min(total, full_score * 0.6) + min(sim_part, full_score * 0.4) answer.auto_score = round(total, 1) answer.status = "scored" answer.save(update_fields=["auto_score", "status"]) return answer.auto_score

@transaction.atomic保证判分过程里任何一步出错，数据库不会留下半更新的状态。update_fields限定了只更新这两个字段，避免把created_at等字段误刷。

这里最有争议的是“权重分 60%、相似度分 40%”这个上限设计，并不是所有题目都适合。名词解释这类题，关键词命中就该拿大部分分；论述题则相反，得分点分散，关键词权重不宜过高。因此我实际做的时候会把这个比例也挪到题型表里，作为配置项而不是写死。判分接口的返回值约定为{code: 0, score: 8.5}这种统一结构，前端拿到code != 0就提示失败，不要返回 200 之外的花式状态码。

3.3 管理后台与人工复核的兜底逻辑

自动阅卷系统的价值在于提升效率，而不是完全取代人工。Django 自带的后台是天然的复核工作台，但默认的ModelAdmin直接暴露所有字段会有风险：复核老师不小心改了status，或者把状态改了却忘记填分。

# grading/admin.py from django.contrib import admin from .models import Question, ScoreRule, StudentAnswer @admin.register(StudentAnswer) class StudentAnswerAdmin(admin.ModelAdmin): """答卷管理：按试题筛选，重点展示需复核的记录""" list_display = ("student_no", "question", "auto_score", "final_score", "status") list_filter = ("status", "question", "student_no") search_fields = ("student_no", "content") readonly_fields = ("auto_score",) actions = ["mark_as_reviewed"] @admin.action(description="标记为已人工复核") def mark_as_reviewed(self, request, queryset): updated = queryset.update(status="reviewed", final_score=1.0) self.message_user(request, f"已复核 {updated} 条记录")

这里演示的是动作按钮：复核老师在列表页勾选几条记录，点“标记为已人工复核”，批量把status改为reviewed。readonly_fields里的auto_score是防止误改自动评分，人工分应该写在final_score里。

实际项目里，人工复核面的核心不在漂亮界面，而在“高亮展示哪些需要复核”。我的做法是给StudentAnswer加一个confidence字段，自动评分后计算“关键词命中率与相似度分数的离差”，离差大的自动标成“低置信度”，后台列表页按置信度升序排列，老师只需要集中精力看低置信度记录。这部分逻辑放到第六章展开。

4. 把源码工程跑通：从环境准备到一次完整阅卷的最小链路

4.1 环境准备与依赖安装

拿到一个 Django 项目源码包，第一件事不是直接python manage.py runserver，而是先看目录里有没有requirements.txt、manage.py和README或说明文档。这三样东西在不在，决定你后面要踩多少坑。没有requirements.txt的工程，依赖版本全靠猜，前几天装环境的时间比写代码还长，玄学问题一堆。

创建一个干净的虚拟环境是必须的，我习惯在项目根目录执行：

# 创建虚拟环境并激活，Python 版本建议 3.8 及以上 python3 -m venv venv source venv/bin/activate # 逐个安装核心依赖，分步执行便于定位失败项 pip install Django==4.2.* pip install pandas pip install python-dotenv pip install jieba

Django 版本建议选 4.2 LTS，毕业设计若选 5.0，部分第三方库的兼容性还没跟上，你会为了换版本白白加班。jieba用于中文分词，python-dotenv用于管理数据库账号这类敏感配置。分步安装的好处是，万一某个包编译失败，你能精准知道是它的问题而不是一条长命令里糊成一团。

如果你的机器上还没装 Python，那就先去官网下安装包，勾选“Add Python to PATH”，这条路没有任何捷径。Linux 服务器上则注意用python3而不是python命令，很多新手的翻车现场都是在crontab或systemd里写死了python，结果调用的根本不是同一个解释器。

4.2 初始化数据库并创建 Django App

环境就绪后开始初始化工程。如果你是下载的源码包，通常自带manage.py和主应用目录，只需完成数据库迁移和超级用户创建。如果是从零新建，常见做法是：

# 创建一个名为 grading 的 App，承接阅卷核心业务 python manage.py startapp grading # 初始化数据库表结构 python manage.py makemigrations python manage.py migrate # 创建后台管理员账号 python manage.py createsuperuser

startapp grading之后必须在settings.py的INSTALLED_APPS里加上"grading"，我见过有人漏了这步，然后makemigrations一直提示“No changes detected”，折腾半小时。migrate除了建业务表，还会建 Django 内置的auth和session表，这些是登录后台和判断用户状态的基础。

如果源码包里自带data.sqlite3或类似的文件，说明作者打包了演示数据，可以直接跳过migrate里的业务表创建，优先保证能跑起来。但如果要真正理解系统，建议删掉演示库重新迁移，不会迁移说明你根本还没读懂这个工程。

4.3 导入测试数据并执行第一次批改

数据库跑通后，最快验证系统的方式是通过 Django Shell 手动录入一道题和几条答案，直接调用判分服务。Shell 环境比写接口调试快很多，也能让你看清异常到底发生在算法层还是 ORM 层：

# 在项目根目录执行 python manage.py shell，逐行录入演示数据 from grading.models import ExamPaper, Question, StudentAnswer, ScoreRule paper = ExamPaper.objects.create(title="计算机网络期末试卷") q = Question.objects.create( paper=paper, stem="简述 TCP 三次握手的过程", reference_answer="客户端发送 SYN，服务器回复 SYN+ACK，客户端再发 ACK，连接建立", full_score=10.0, threshold=0.65 ) # 配置两条关键词规则：核心词权重 2，常见扩展词权重 1 ScoreRule.objects.create(question=q, keyword="SYN", weight=2, is_required=True) ScoreRule.objects.create(question=q, keyword="ACK", weight=1, is_required=False) # 模拟学生提交答案 ans = StudentAnswer.objects.create( question=q, student_no="20240001", content="客户端发 SYN，服务端回 SYN 和 ACK，客户端再确认 ACK，连接就建立了" ) # 调用判分函数 from grading.services import grade_single_answer score = grade_single_answer(ans) print(f"自动评分: {score}，状态: {ans.status}") print(f"关键词优化后文本: {apply_synonyms(ans.content, ScoreRule.objects.first())}")

运行后得到自动评分: 8.0，状态: scored，说明整条链路已经通了。这里能验证两件事：第一是关键词规则是否命中，SYN和ACK都出现了，权重分拿到 3 分；第二是相似度兜底是否生效，学生答案和参考答案高度相似，sim_part接近满分 4 分，但因为权重分被限制在 6 分上限，所以总分 8.0 而不是 9.0 或 10.0。

如果你发现相似度分值低得离谱，先检查是否对答案做了停用词过滤。中文里“的、了、是、在”在参考答案和学生答案里反复出现，SequenceMatcher会让不参与评分的虚词主导相似度，导致分数虚高或失真。停用词表虽然是烦人的“体力活”，但对主观题阅卷的分数质量影响极大。

4.4 录像演示里常见的批改展示顺序

做毕业设计演示录像时，不要一上来就展示酷炫的可视化，评卷老师想看的是“一次完整的数据流”。常见的展示顺序是：后台添加试卷和题目 → 配置关键词规则 → 提交学生答案（模拟几条正常、错漏、同义改写） → 点击自动批改 → 展示得分和状态 → 进入人工复核修正分数 → 展示最终成绩单。整个流程对应源码包里的“录像演示”部分，你照着这个顺序录一段 5 分钟的实操视频，答辩时基本不会被问倒。

5. 自动阅卷绕不开的五个坑：现象、原因与解决

5.1 关键词判分全部落空，得分为 0

现象：学生答案明明写对了关键词，自动评分却打了 0 分。我排查过的一个项目，学生写的是“三次握手”，规则里配的是“三步握手”，怎么看都对，但程序没判中。

原因：规则里配置的关键词和答案里的词汇不是同一个字面形式；中文分词后词条被切开；关键词含全角/半角或不可见空格。这类问题在答卷文本从 Excel 导入后尤其常见，字符串里藏着肉眼不可见的空格或换行符。

解决：评分前对答案和关键词都做一次统一清洗，把全角转半角、去除空白字符和零宽字符，再执行匹配。可以先打印repr(answer_text[:50])看原始字符串里到底有什么，再决定清洗逻辑写多重。另外关键词匹配不能只用in判断，配合keyword in normalized时要把apply_synonyms的归一化结果作为判断对象。

5.2 Django ORM 查询后删对象报错或删错数据

现象：写定期清理测试答卷的脚本时，用.filter(question=q)查出一批记录，遍历时删除，报RuntimeError: QuerySet already dehydrated或者删了半天发现记录没少几条。

原因：这是 Django ORM 的经典坑。在遍历QuerySet的同时删除对象，会改变游标位置，导致部分行被跳过；或者误将queryset.delete()写在循环体里，第一次迭代就把全表数据删光了，后面全部白跑。

解决：不要边遍历边删。一次性把id收集成列表，再调用一次批量删除：

# 一次性取出要删除的记录 ID，再统一执行删除 answer_ids = list( StudentAnswer.objects .filter(question=q, status="pending") .values_list("id", flat=True) ) StudentAnswer.objects.filter(id__in=answer_ids).delete()

这里values_list("id", flat=True)拿到的是id列表，id__in过滤后直接调用delete()，整套操作只触达数据库一次，不会因遍历影响游标。如果你需要在删除前针对每条记日志，那就先遍历收集日志再统一删除，别把删除混在循环里。

5.3 相似度分数对“复制粘贴参考答案”和“原创描述”没有区分度

现象：把参考答案原封不动提交，得分接近满分；用完全自己的话复述得分点，相似度只有 0.4，得分很低。自动阅卷系统变成“背诵检测器”，这显然不合理。

原因：N-gram 相似度和编辑距离本质上都是字面重叠度量，换个说法立刻失效。这个问题不是 bug，而是算法本身的边界。

解决：不要只用一种相似度算法。叠加 Jaccard 和SequenceMatcher两个指标，再对关键词命中做加权。更进一步的方案是引入同义词替换，事先在规则表里维护synonym_group，评分前先把“客户端”替换成“client”、“连接建立”替换成“连接成功”这种变体，让字面相似度有机会命中。这样的系统才能容忍“换词但意思不变”的答案。

5.4 SQLite 在并发批改时频繁报 “database is locked”

现象：部署到服务器后，多个老师同时触发批改，后台时不时报OperationalError: database is locked，有的答卷评分报错重试又生成重复记录。

原因：Django 默认用项目里的db.sqlite3，它适合开发调试。并发写入时，SQLite 对整个数据库加写锁，多个写请求同时到达就会锁冲突。有人为了省事加了重试，结果重复提交导致同一份答卷被记了两条。

解决：短期方案是把数据库切换成 MySQL 或 PostgreSQL，settings 里配置数据库连接信息即可，业务代码一行不用改。如果毕业设计只允许用 SQLite 交付，那就给在线判分接口加一个串行机制，比如用 Redis 分布式锁或者简单的文件锁保证同时只有一个批改任务在写库。答辩时主动说清 SQLite 的适用边界，比被老师问到时支支吾吾强得多。

5.5 修改评分规则后历史分数不一致

现象：老师修改了一道题的关键词权重，之前的判分记录保留旧分数，新建答案用新规则，同一道题两种分数并存，前后对不上。

原因：auto_score在判分时被直接写死，规则变更不会自动触发重判。

解决：在规则表里加一个version字段，每次变更生成新版本号；判分服务启动时读取当前版本号，记录到StudentAnswer表的rule_version字段。方案落地后，如果老师改了规则，批量重判时只需要筛选rule_version != current_version的记录。如果嫌版本表复杂，至少要在修改规则的页面上放一个“重判该题所有答卷”的按钮，手动触发一次全量重算，别把不一致问题丢给用户自己去想。

6. 进阶技巧：用置信度把自动批改变成半自动批改

自动阅卷做得再好，总有些学生答案处在“似对非对”的灰色地带。与其让算法硬给分，不如让系统学会说“我不确定”，把不确定的答卷交给人工。实现思路是给每个判分结果算一个置信度，用“关键词命中率和相似度分数的离差”来衡量。如果相似度很高但关键词命中不足，说明学生可能换了一种表达方式，算法未必把握得住；如果关键词全命中但相似度极低，可能是在堆关键词凑答案，这两种情况都要降置信度。

置信度计算的推荐公式是：confidence = 1 - (kw_score_ratio - sim_score_ratio)**2，其中kw_score_ratio是关键词实际得分占权重满分比例，sim_score_ratio是相似度得分占 40% 评分上限的比例。两者的差值越大，置信度越低。判分服务算出置信度后，把低于 0.6 的记录标成“低置信度”，在管理后台单独过滤展示。

# grading/services.py 增加置信度计算逻辑 def compute_confidence(kw_score: float, kw_full: float, sim_score: float, sim_full: float) -> float: """置信度 = 1 - (关键词得分比例 - 相似度得分比例)^2 两者越接近，置信度越高；极端偏科，置信度降低 """ ratio_kw = kw_score / kw_full if kw_full else 0 ratio_sim = sim_score / sim_full if sim_full else 0 confidence = 1.0 - (ratio_kw - ratio_sim) ** 2 return round(min(max(confidence, 0.0), 1.0), 3)

把置信度低于 0.6 的答卷批量导出一个待复核列表，在后台列表页新增一个low_confidence筛选器，老师打开就是一份按置信度升序排列的待人工复核队列，改完状态自动更新为reviewed。这个功能让我在三次答辩里都被老师单独提出来问，因为它回答了一个核心问题：自动阅卷系统不是替代老师，而是帮老师把注意力放在最需要人的地方。

还有一个非常实用的做法：把相似度矩阵可视化，在后台展示“参考答案 × 学生答卷”的相似度热力图。用matplotlib生成热力图，帮助老师快速看出哪些答卷与参考答案高度雷同、哪些明显偏题。这一手虽然是加分项，但实现成本不高，可视化效果好，放在系统“数据统计”页面即可。

回到最初的问题，这个系统值不值得做？我认为值得，但要做对定位：它不是追求 100% 评分准确率的科研项目，而是把“规则可配置、流程可追溯、人工可介入”三件事做完整的工程实践。我最后交的版本里，关键词和相似度两种算法加起来不到三百行 Python，Django 后端加模板约两千行，但整个系统逻辑闭环、数据稳定、答辩演示流程通畅。希望你做的时候，别执着在调高那 1% 的算法准确率上，先保证低置信度答卷能被筛出来、人工复核流程能走通、判分结果经得起追问，这套系统就已经立住了。希望帮到你。

本文还有配套的精品资源，点击获取