Handschriftherkenning in 2026: waarom AI keurig én slordig leerlingenhandschrift nu wél leest
Klassieke OCR struikelde niet over het handschrift, maar over het blad: doorgekraste tekst, pijlen en tekst in de kantlijn. Visiemodellen lezen de bladzijde zoals een mens dat doet.
Traditionele OCR is gebouwd om gedrukte tekst regel voor regel om te zetten in karakters. Een gemaakte toets is geen gedrukte tekst: er wordt doorgekrast, bijgeschreven in de kantlijn, met een pijl verwezen en halverwege van gedachten veranderd. Moderne multimodale modellen lezen de hele pagina als beeld en gebruiken de vraag en de context om te bepalen wat er staat. Daardoor werkt het nu wel, ook bij slordig handschrift.
- Het probleem zat zelden in het handschrift zelf, het rommelige blad eromheen was lastiger.
- Klassieke OCR leest karakters; een visiemodel leest de pagina in samenhang.
- Context uit de vraag lost dubbelzinnige woorden op die losse tekenherkenning niet kan oplossen.
- Wat nog misgaat: formules, chemische notatie, zeer licht potlood en overlappende doorhalingen.
Wie tien jaar geleden probeerde een stapel gemaakte toetsen door tekstherkenning te halen, kreeg iets terug wat op willekeurige letters leek. En de conclusie die daaruit getrokken werd, namelijk dat een machine geen handschrift kan lezen, is blijven hangen, ook nadat hij niet meer klopte.
De reden dat het toen niet werkte is interessanter dan de reden dat het nu wel werkt. Want het echte struikelblok was zelden het handschrift zelf.
Wat klassieke OCR eigenlijk deed
Traditionele OCR is ontworpen voor een gescande brief of een boekpagina. De aanname eronder is streng en volkomen redelijk voor drukwerk: de pagina bestaat uit rechte regels, regels bestaan uit woorden, woorden bestaan uit losse tekens, en elk teken lijkt op één van een bekende verzameling vormen.
- Segmenteren. Knip de pagina in regels, de regels in woorden, de woorden in tekens.
- Classificeren. Bepaal per teken welke letter het het meest waarschijnlijk is.
- Corrigeren. Leg de uitkomst langs een woordenboek en repareer wat er niet in staat.
Elke stap in die keten valt om zodra de pagina niet meer op drukwerk lijkt. En ik kan je vertellen dat een toets van een vijftienjarige echt niet op drukwerk lijkt.
Hoe een gemaakte toets er werkelijk uitziet
Leg tien nagekeken toetsen naast elkaar en je ziet steeds hetzelfde repertoire. Dat zijn geen uitzonderingen; zo ziet een normale stapel eruit.
- Doorhalingen
- Een half antwoord dat is doorgestreept, met het echte antwoord eronder. De segmentatiestap ziet een streep dwars door een regel en snapt er helemaal niks meer van, dus het geschrapte antwoord komt gewoon mee in de uitvoer.
- De kantlijn
- Het antwoord past niet, dus de laatste zin staat verticaal in de marge of onderaan de bladzijde met een pijl erheen. Voor een regelgebaseerde lezer is dat een los tekstblok zonder verband.
- Invoegtekens
- Een dakje tussen twee woorden met het vergeten woord erboven. De leesvolgorde staat niet in de pixels; die moet je afleiden uit wat er logisch staat.
- Wisselende bladspiegel
- Antwoord 3 in twee kolommen, antwoord 4 in een tabelletje, antwoord 5 een schets met bijschriften. Eén paginamodel past daar niet op.
- De scan zelf
- Scheef door de printer, een schaduw van de nietjes, doordruk van de achterkant, of een foto met een telefoon onder een lamp. Ruis die drukwerk nooit heeft.
Wat er sinds de visiemodellen veranderd is
Een modern multimodaal model doet die keten van segmenteren-classificeren-corrigeren helemaal niet. Het krijgt de bladzijde als beeld binnen en geeft tekst terug, in één stap, met de hele pagina tegelijk in beeld. Dat klinkt als een detail, maar het verandert drie dingen fundamenteel.
De pagina wordt als geheel gelezen
Een pijl van de kantlijn naar een plek in de tekst is een visueel patroon dat het model herkent, net als een lezer dat doet. De verwijzing hoeft niet gereconstrueerd te worden uit losse fragmenten. Hij is gewoon zichtbaar.
Betekenis helpt bij het ontcijferen
Bij een reeks losse tekens is 'rn' niet van 'm' te onderscheiden. Maar als er staat 'Dit is een heel modem apparaat.' dan weet het model dat het 'modern' zou moeten zijn. Losse tekenherkenning heeft die context niet.
Doorgehaald is niet hetzelfde als geschreven
Een model dat de bladzijde ziet, ziet ook dat er een streep doorheen staat, en kan de instructie krijgen om dat als geschrapt te behandelen.
Wat nog steeds lastig blijft
Het zou oneerlijk zijn om te doen alsof het probleem verdwenen is. Er is een categorie die nog altijd meer aandacht van de docent vraagt, en die is redelijk goed af te bakenen.
| Situatie | Waarom het lastig blijft |
|---|---|
| Wiskundige uitwerkingen | Twee dimensies tellen mee: wat boven en onder de breukstreep staat, waar een exponent hangt, welke haakjes bij elkaar horen. Een klein leesfoutje verandert de hele uitwerking. |
| Chemische notatie | Subscripts, superscripts en pijlen liggen dicht bij elkaar en zijn vaak nauwelijks te zien. |
| Zeer licht potlood | Als het contrast in de scan al bijna weg is, valt er niets meer te herstellen. Dit is een scanprobleem, geen modelprobleem. |
| Dichte doorhalingen | Een antwoord dat volledig is zwartgemaakt en waar overheen is geschreven, is ook voor een mens gokwerk. |
Wat je er zelf aan kunt doen
De grootste kwaliteitswinst zit in de scan. Vier dingen die in de praktijk het meeste schelen:
- Scan de hele klas in één keer op de kopieermachine en niet met de telefoon. De belichting is dan gelijkmatiger en het papier ligt vlak.
- Kies grijswaarden in plaats van zwart-wit. Zwart-wit gooit lichte potloodlijnen weg voordat er iets mee gedaan kan worden.
- Laat leerlingen met pen schrijven en de bladzijde niet volledig volschrijven tot in de randen.
- Nummer de vragen duidelijk. Een genummerd antwoord is makkelijker aan de juiste vraag te koppelen dan een antwoord dat ergens op de pagina begint.
En onthoud één ding: de tekstherkenning is een leesstap, geen beoordelingsstap. Wat er is gelezen hoort zichtbaar te blijven naast het antwoord, zodat je een leesfout kunt zien voor hij een puntenfout wordt. Bij ToetsChecker controleert bovendien een beter model achteraf een aantal toetsen door de bladzijde zélf opnieuw te lezen, juist om dit soort fouten te vangen.
Veelgestelde vragen
Kan AI handgeschreven toetsen lezen?
Ja. Moderne multimodale modellen lezen een gescande of gefotografeerde bladzijde als beeld en gebruiken de context van de vraag om te bepalen wat er staat. Daardoor kunnen ze ook omgaan met doorhalingen, tekens en tekst in de kantlijn, precies de dingen waar klassieke OCR op vastliep.
Waarom werkte OCR vroeger niet bij toetsen?
Klassieke OCR knipt een pagina in regels, woorden en losse tekens en herkent die tekens één voor één. Een gemaakte toets voldoet niet aan die aanname: er wordt doorgekrast, bijgeschreven in de marge en met pijlen verwezen. De segmentatiestap loopt daarop stuk, nog voordat er één letter herkend is.
Wat als de AI het handschrift verkeerd leest?
Dan hoort dat zichtbaar te zijn. De uitgelezen tekst staat naast het beoordeelde antwoord, zodat de docent een leesfout kan corrigeren voordat die een puntenfout wordt. In ToetsChecker controleert een beter controlemodel daarnaast een aantal bladzijden zelf opnieuw en meldt verschillen.
Werkt het ook bij wiskunde en scheikunde?
Deels. Gewone tekst en losse berekeningen gaan goed, maar tweedimensionale notatie (breuken, exponenten, chemische subscripts) blijft foutgevoeliger. Voor die vakken is de controle van de docent op de uitgelezen uitwerking belangrijker dan bij talen of zaakvakken.
Daniël van EgdomOprichter ToetsChecker