L'avaluació automatitzada d'exàmens escrits a mà ha estat durant molt de temps un repte tècnic complex, especialment quan s'utilitzen models de llenguatge petits (SLMs, per les sigles en anglès). Aquests models ofereixen avantatges innegables en termes de privadesa, cost i escalabilitat per a entorns educatius, però el seu rendiment es ressent en processar imatges grans i plenes de distraccions visuals, com una pàgina completa de respostes d'un estudiant. Investigacions recents, com la presentada al preprint arXiv:2607.18767, demostren que l'ús de bounding boxes per retallar les respostes dels estudiants pot millorar significativament tant la precisió com l'eficiència computacional dels SLMs en tasques de qualificació de respostes curtes. Aquesta troballa, basada en dades de l'examen de l'Olimpíada Australiana de Física 2025, obre la porta a aplicacions més robustes i econòmiques en el sector educatiu i més enllà.
Des d'una perspectiva tècnica, la clau és reduir l'espai de cerca visual. En aplicar bounding boxes, s'elimina el soroll de fons i el model se centra únicament en la regió d'interès —en aquest cas, la resposta manuscrita de l'alumne—. Això no només millora la precisió de l'avaluació (els models passen d'un 65% a un 85% d'exactitud en alguns casos), sinó que també redueix dràsticament els FLOPs necessaris, perquè el model processa una imatge de menor resolució. Aquest enfocament és especialment rellevant per a SLMs amb menys de 10 mil milions de paràmetres, que són els més viables per a desplegaments massius en escoles o universitats amb pressupostos ajustats.
En un context empresarial, aquesta metodologia té implicacions directes en el desenvolupament d'aplicacions a mida per al sector educatiu i de gestió documental. Per exemple, plataformes de correcció automàtica de proves, sistemes de digitalització de formularis o eines de processament d'enquestes manuscrites es poden beneficiar d'aquesta tècnica. A Q2BSTUDIO, com a empresa de desenvolupament de programari i tecnologia, hem aplicat principis similars en projectes d'IA per a l'extracció de dades en entorns amb alta variabilitat visual. La combinació de bounding boxes amb models lleugers permet crear solucions que funcionen en dispositius locals, respectant la privadesa de les dades i reduint la dependència de connexions al núvol.
A més, l'ús de bounding boxes no es limita a la qualificació d'exàmens. En tasques empresarials com la revisió de factures manuscrites, la lectura de formularis mèdics o l'anàlisi de signatures, aquesta tècnica pot integrar-se en fluxos de treball automatitzats. Aquí és on entren en joc els agents IA —agents autònoms que processen documents i prenen decisions en temps real—, una àrea en la qual Q2BSTUDIO està desenvolupant solucions personalitzades. Aquests agents poden combinar el retall intel·ligent amb models de llenguatge per classificar, extreure i validar informació sense intervenció humana, tot executant-se sobre infraestructures al núvol com AWS o Azure, que ofereixen escalabilitat elàstica i alta disponibilitat.
Per descomptat, la seguretat de les dades és un factor crític en aquest tipus de processos. En manejar informació sensible d'estudiants o clients, és imprescindible comptar amb mesures de ciberseguretat robustes. Les solucions que desenvolupem a Q2BSTUDIO inclouen xifrat d'extrem a extrem, autenticació multifactor i auditories de seguretat periòdiques. A més, la combinació de bounding boxes amb SLMs permet que el processament pugui realitzar-se íntegrament al dispositiu de l'usuari, minimitzant l'exposició de dades al núvol.
Un altre aspecte rellevant és la integració amb eines de Business Intelligence (BI). Un cop els exàmens o formularis es qualifiquen automàticament, els resultats es poden abocar en quadres de comandament de Power BI per analitzar tendències de rendiment, identificar àrees de millora o generar informes personalitzats. A Q2BSTUDIO oferim serveis de BI / Power BI que permeten connectar aquestes dades amb dashboards interactius, facilitant la presa de decisions basada en dades tant en l'àmbit educatiu com en el corporatiu.
Des del punt de vista de la implementació, l'ús de bounding boxes requereix un etiquetatge previ de les regions d'interès, que pot realitzar-se mitjançant models de detecció d'objectes preentrenats (com YOLO o Faster R-CNN) o mitjançant regles heurístiques si el disseny de l'examen és fix. Un cop obtinguts els retalls, es poden alimentar SLMs com Phi-3, Gemma o Llama 3.2, que amb menys de 8B paràmetres aconsegueixen resultats competitius quan es combinen amb Chain of Thought (CoT) i el retall adequat. La investigació mostra que el CoT per si sol no és suficient; el retall amb bounding boxes és el factor determinant.
En el futur, veurem com aquesta tècnica s'estén a altres dominis: des de la correcció d'exàmens de ciències fins a la revisió de contractes legals manuscrits. La capacitat de processar imatges complexes amb models petits obre la porta a la democratització de la intel·ligència artificial en entorns amb recursos limitats. A Q2BSTUDIO estem compromesos amb la innovació en aquest camp, desenvolupant aplicacions a mida que integren visió per computador, processament del llenguatge natural i automatització intel·ligent, sempre amb un enfocament en la privadesa, l'eficiència i l'escalabilitat.
En conclusió, l'ús de bounding boxes com a preprocessament en tasques de qualificació visual amb SLMs no només millora la precisió i redueix els costos computacionals, sinó que també habilita nous casos d'ús en educació i empresa. Per a les organitzacions que busquen implementar solucions d'aquest tipus, comptar amb un soci tecnològic com Q2BSTUDIO, especialitzat en cloud AWS/Azure, ciberseguretat, intel·ligència artificial i business intelligence, garanteix un desplegament exitós i sostenible a llarg termini.
