高中数学题目提取

数据准备

• 从高中数学的教材中提取所有知识点
• 从新课标中提取数学教学培养的学生的数学素养：
  • 数学抽象
  • 逻辑推理
  • 数学建模
  • 直观想象
  • 数学运算
  • 数据分析

流水线

流水线主要分为三个阶段：

1. OCR解析PDF格式的文件
2. LLM多解析后的文件进行题目提取，对于高中数学的试卷，单选题、多选题、填空题和解答题的分布是固定的
3. LLM对题目打标签 确定题目的难度、考察的知识点和考察的数学素养

对于每个阶段，都有对应的状态，特别是是否需要人工审核：

• OCR的准确性
• LLM提取题目的准确性
• Label的准确性

OCR

这块走了很多弯路，之前试过几个方案：

1. 本地部署MinerU + LLM清理
2. PDF转图片 + 支持试卷的LLM解析

MinerU提取效果不是很理想：

• latex公式提取不准。不是latex公式补全、就是识别错误
• 试卷的层级结构识别不准。高中数学试卷的格式相对固定：单选题、多选题、填空题和解答题。MinerU对于扫描版的PDF提取的结构不准，而只又会导致LLM拆题也不准

最终还是使用PaddleOCR-VL-1.6，效果很不错，百度给的免费额度基本够用。

注意事项：

1. 如果都是数字版的PDF，直接用PDF解析库即可处理。
2. Word版本的试卷都是转换成PDF后再处理的，因为Word的公式处理起来比较麻烦，不过使用PaddleOCR-VL-1.6的话，差别应该不大。

拆题

对于OCR提取后的数据，使用LLM进行拆题，借助提示词从一份试卷中提取出单选题、多选题、填空题和解答题，以及题目的图片。

需要注意几点：

• 解答题一般有多个问题，每个问题可能还会有解答题
• 题目可能有图片，需要考虑到

Label

目前只实现了一个MVP版本的标签：

• 题目难度 LLM自行判读
• 考察的知识点 将高中数学知识点全部使用提示词注入，让LLM来自行判断
• 数学素养 和知识点一样，提示词注入 + LLM