Att manuellt kontrollera OMR-blanketter är den typen av ”enkelt” jobb som i tysthet saboterar din dag. Du kisar mot bubblor, tvivlar på markeringar, skriver sedan in resultaten igen i ett kalkylark och hoppas att inget missades.
Den här OMR-rättningsautomationen slår hårdast mot lärare och provsamordnare, men driftteam på coachingcenter och EdTech-team känner också av den. Resultatet är tydligt: snabbare rättning, färre inmatningsfel och en strukturerad Google Sheets-logg som du faktiskt kan granska.
Du sätter upp ett n8n-flöde som tar emot en skannad OMR-bild, extraherar markerade svar med AI-vision, poängsätter mot din facitnyckel och skriver hela resultatet till Google Sheets (och returnerar sedan JSON för din app eller portal).
Så fungerar den här automationen
Här är det kompletta flödet du kommer att sätta upp:
n8n Workflow Template: Google Sheets + Gemini: rätta OMR-skanningar
flowchart LR
subgraph sg0["Analyze image Flow"]
direction LR
n0@{ icon: "mdi:robot", form: "rounded", label: "Analyze image", pos: "b", h: 48 }
n1["<div style='background:#f5f5f5;padding:10px;border-radius:8px;display:inline-block;border:1px solid #e0e0e0'><img src='https://flowpast.com/wp-content/uploads/n8n-workflow-icons/merge.svg' width='40' height='40' /></div><br/>Merge Answer"]
n2["<div style='background:#f5f5f5;padding:10px;border-radius:8px;display:inline-block;border:1px solid #e0e0e0'><img src='https://flowpast.com/wp-content/uploads/n8n-workflow-icons/code.svg' width='40' height='40' /></div><br/>Calculate Result"]
n3["<div style='background:#f5f5f5;padding:10px;border-radius:8px;display:inline-block;border:1px solid #e0e0e0'><img src='https://flowpast.com/wp-content/uploads/n8n-workflow-icons/webhook.dark.svg' width='40' height='40' /></div><br/>Send Result Respond"]
n4["<div style='background:#f5f5f5;padding:10px;border-radius:8px;display:inline-block;border:1px solid #e0e0e0'><img src='https://flowpast.com/wp-content/uploads/n8n-workflow-icons/code.svg' width='40' height='40' /></div><br/>Convert User Ans in Formate"]
n5@{ icon: "mdi:swap-vertical", form: "rounded", label: "Set Your Correct Answer", pos: "b", h: 48 }
n6["<div style='background:#f5f5f5;padding:10px;border-radius:8px;display:inline-block;border:1px solid #e0e0e0'><img src='https://flowpast.com/wp-content/uploads/n8n-workflow-icons/webhook.dark.svg' width='40' height='40' /></div><br/>Send Student Ans Img"]
n7@{ icon: "mdi:database", form: "rounded", label: "Append Result in Sheet", pos: "b", h: 48 }
n1 --> n2
n0 --> n4
n2 --> n7
n6 --> n0
n6 --> n5
n7 --> n3
n5 --> n1
n4 --> n1
end
%% Styling
classDef trigger fill:#e8f5e9,stroke:#388e3c,stroke-width:2px
classDef ai fill:#e3f2fd,stroke:#1976d2,stroke-width:2px
classDef aiModel fill:#e8eaf6,stroke:#3f51b5,stroke-width:2px
classDef decision fill:#fff8e1,stroke:#f9a825,stroke-width:2px
classDef database fill:#fce4ec,stroke:#c2185b,stroke-width:2px
classDef api fill:#fff3e0,stroke:#e65100,stroke-width:2px
classDef code fill:#f3e5f5,stroke:#7b1fa2,stroke-width:2px
classDef disabled stroke-dasharray: 5 5,opacity: 0.5
class n0 ai
class n7 database
class n3,n6 api
class n2,n4 code
classDef customIcon fill:none,stroke:none
class n1,n2,n3,n4,n6 customIcon
Varför det här spelar roll: OMR-kontroll är långsam, skör och svår att skala
OMR-rättning ser enkel ut tills du gör den för en hel klass (eller tio). Du hanterar samma blankett flera gånger: först för att läsa svar, sedan för att räkna ihop, sedan för att mata in poäng, och sedan igen när någon frågar: ”Kan du kolla om rullnummer 1023?” Det handlar inte bara om tiden. Det är den mentala belastningen av att vara konsekvent genom hundratals små beslut, särskilt när en elev markerar två alternativ eller skanningen är lite sned. Och varje manuell copy-paste till ett kalkylark är en ny chans att skapa en avvikelse som du inte upptäcker förrän på resultatdagen.
Friktionen byggs på. Här brukar det oftast fallera.
- Att kontrollera 100 blanketter för hand kan sluka större delen av en eftermiddag, vilket skjuter analys och rapportering till ”senare”.
- Tvetydiga markeringar hanteras inkonsekvent mellan rättare, så samma svar kan få olika poäng.
- Att skriva in rullnummer och poäng i Google Sheets öppnar för små fel som är jobbiga att spåra i efterhand.
- När du behöver statistik per fråga fastnar du med att mata in data på nytt eftersom du bara sparade totaler.
Det du bygger: AI-baserad OMR-poängsättning loggad till Google Sheets
Det här flödet gör om en skannad OMR-svarsblankett till en poängsatt, strukturerad post automatiskt. Det startar när ett system (din provportal, ett enkelt uppladdningsformulär, eller till och med ett script) skickar en POST-begäran till en n8n-webhook med skanningen bifogad. Ett AI-visionsteg läser blanketten enligt tydliga regler: det fokuserar på svarsbubblorna, hanterar flera markeringar genom att välja det mörkaste alternativet, och hoppar över omarkerade frågor i stället för att gissa. Flödet formaterar sedan de upptäckta svaren till en strukturerad lista, jämför dem mot en fördefinierad facitnyckel som du styr, och räknar ut totaler som antal rätt, antal fel och procent. Till sist lägger det till hela resultatet i Google Sheets och returnerar ett JSON-svar som din anropande app kan visa direkt.
Flödet börjar med en bilduppladdning till webbhooken. Sedan extraherar AI elevuppgifter och fråga–svar-par, kodlogik poängsätter allt mot facitnyckeln, och Google Sheets blir din ”single source of truth”. Dina rättare slutar dubbelkolla bubblor och börjar granska undantag.
Det du bygger
| Det som automatiseras | Det du uppnår |
|---|---|
|
|
Förväntat resultat
Säg att du kör ett veckovis övningsprov med 120 elever och 20 frågor. Manuellt, om kontroll och inmatning per blankett tar cirka 2 minuter, blir det ungefär 4 timmar repetitivt arbete, plus de oundvikliga uppföljningarna ”snälla kolla min igen”. Med det här flödet kan uppladdning av skanningar ta runt 10 minuter totalt (eller så gör din portal det automatiskt), och sedan bearbetar och loggar n8n allt medan du går vidare. Du granskar fortfarande gränsfall, men du gör inte längre 120 varv av bubbel-läsning och kalkylarksinmatning.
Innan du börjar
- n8n-instans (prova n8n Cloud gratis)
- Alternativ för egen hosting om du föredrar det (Hostinger fungerar bra)
- Google Sheets för att spara resultat och export.
- Åtkomst till Google-konto för att auktorisera Sheets-kopplingen.
- Inloggningsuppgifter för AI-modell (konfigurera i AI Agent/chat-modellen som används i flödet).
Kunskapsnivå: Medel. Du behöver inte koda från grunden, men du bör vara bekväm med att redigera en facitnyckel och mappa fält till ett Google Sheet.
Vill du att någon bygger detta åt dig? Prata med en automationsexpert (gratis konsultation i 15 minuter).
Steg för steg
En uppladdning träffar din webhook-endpoint. Flödet startar när en skannad OMR-bild postas till n8n som form-data (nyckel: file). Det kan vara din provportal, ett internt verktyg eller en enkel uppladdningssida.
AI-vision tolkar blanketten. Steget ”Interpret OMR Image” extraherar bara det du bryr dig om: elevuppgifter och markerade svar. Det följer regler för att undvika hallucinationer och hanterar stökiga fall som flera markeringar genom att välja det mörkaste alternativet.
Din facitnyckel slås ihop. Flödet håller facitnyckeln i n8n (enkelt att uppdatera) och kombinerar den sedan med de tolkade elevsvaren så att poänglogiken har båda uppsättningarna sida vid sida.
Poängsättning och loggning sker automatiskt. Kodnoder räknar antal rätt, antal fel, totaler, procent och 1/0-resultat per fråga. Därefter lägger steget ”Log Results in Sheet” till en ny rad i Google Sheets, och webbhooken returnerar en strukturerad JSON-payload för direkt visning eller lagring.
Du kan enkelt ändra formatet på facitnyckeln så att det matchar din blankettlayout, eller justera vad som loggas (bara totaler vs. fulla kolumner per fråga) utifrån dina behov. Se den fullständiga implementeringsguiden nedan för anpassningsalternativ.
Felsökningstips
- Google Sheets-credentials kan löpa ut eller kräva specifika behörigheter. Om det skapar fel, kontrollera först n8n-panelen Credentials och ditt Google-kontos åtkomst till målarket.
- AI-visionens output kan förändras när skanningar är suddiga, roterade eller dåligt belysta. Om du ser saknade svar, standardisera skanningskvaliteten (samma DPI, orientering och beskärning) innan du antar att flödet är fel.
- Fel i facitnyckeln leder till lägen där ”allt ser fel ut”. Bekräfta att frågenumrering och alternativ (A/B/C/D) i steget ”Define Answer Key” matchar exakt det format som parsing-noden producerar.
Snabba svar
Cirka 30 minuter om ditt Google Sheet och dina AI-credentials är klara.
Nej. Du klistrar främst in din facitnyckel och mappar några fält till Google Sheets. Poänglogiken är redan inbyggd i flödet.
Ja. n8n har ett gratis alternativ för egen hosting och en gratis provperiod på n8n Cloud. Cloud-planer börjar på 20 USD/månad för högre volym. Du behöver också räkna med kostnader för användning av AI-modellen (ofta några cent per skanning, beroende på modell och bildstorlek).
Två alternativ: n8n Cloud (hanterat, enklast att komma igång) eller egen hosting på en VPS. För egen hosting är Hostinger VPS prisvärd och kör n8n stabilt. Egen hosting ger dig obegränsade körningar men kräver grundläggande serverhantering.
Ja, och det bör du sannolikt göra. De flesta ändringar sker i ”Define Answer Key” (uppdatera frågor/alternativ), ”Interpret OMR Image” (finjustera extraktionsregler för din blankettlayout) och ”Log Results in Sheet” (välj vilka kolumner du lagrar). Vissa team lagrar bara totaler, medan andra lagrar varje fråga som Q1..Qn för analys och item analysis.
Oftast beror det på att Googles auktorisering har löpt ut eller att credential skapades under ett annat Google-konto än arkets ägare. Återanslut Google Sheets-credential i n8n och bekräfta sedan att kalkylarket delas med samma konto. Om det fortfarande fallerar, kontrollera att fliknamnet i arket inte har ändrats och att ditt flöde lägger till rader i rätt dokument.
I en typisk setup är batchar på några hundra skanningar per dag realistiska, och med egen hosting kan du gå högre om servern är dimensionerad för det.
Ofta, ja, eftersom den ”svåra delen” här är förgreningarna och poänglogiken, inte bara att flytta data mellan appar. n8n hanterar kodsteg, sammanslagningar och villkorslogik utan att göra din automation till en skör kedja av mini-zaps. Du får också möjligheten att hosta själv, vilket är viktigt när provsäsongen ökar volymerna och du inte vill att varje körning ska debiteras separat. Zapier eller Make kan fortfarande fungera om du gör en väldigt lätt version (uppladdning → extrahera → logga) och inte behöver robust poängsättning per fråga. Om du är osäker, prata med en automationsexpert så kvalitetssäkrar vi angreppssättet.
När det här väl är igång slutar rättningen att vara en flaskhals och blir en bakgrundsprocess. Du får korrekta poäng i Sheets, plus frågedatan du behöver för att faktiskt förbättra provet.
Kontakta oss
Hör av dig, så diskuterar vi hur just din verksamhet kan dra nytta av alla fantastiska möjligheter som AI skapar.