Phát hiện gian lận trong quá trình kiểm tra đánh giá trên nền tảng NTU E-learning tại Trường Đại học Nha Trang sử dụng thị giác máy tính
##plugins.themes.academic_pro.article.main##
Author
-
Cấn Thị PhượngTrường Đại học Nha Trang, Việt NamBùi Thị Hồng MinhTrường Đại học Nha Trang, Việt NamPhạm Quang ThuậnTrường Cao đẳng Sư phạm Trung ương – Nha Trang, Việt Nam
Từ khóa:
Tóm tắt
Phát hiện và chống gian lận trong kiểm tra đánh giá là công việc quan trọng trong các cơ sở giáo dục và trên các hệ thống trực tuyến. Trên nền tảng Moodle hoặc bất cứ nền tảng E-learning khác, thách thức để đảm bảo tính trung thực của sinh viên càng trở nên phức tạp. Việc gian lận khi mở một thẻ khác hoặc cửa sổ khác trong quá trình làm bài kiểm tra đánh giá trên E-learning cần phải được phát hiện. Trong nghiên cứu này, nhóm tác giả sẽ xây dựng một tập dữ liệu gồm các ảnh chụp màn hình thi trong trường hợp bình thường và có gian lận. Nhóm tác giả đề xuất một chiến lược phát hiện gian lận dựa vào thị giác máy tính, cụ thể là YOLOv8. Mục tiêu của chiến lược phát hiện gian lận là nhận biết các hành vi mở một thẻ hoặc cửa sổ khác trong quá trình kiểm tra đánh giá trên nền tảng Moodle. Điều này sẽ giúp đảm bảo công bằng, giảm thời gian và công sức của giám thị coi thi. Kết quả nghiên cứu đã chứng minh được khả năng phát hiện chính xác và tính khả thi.
Tài liệu tham khảo
-
[1] S. Desai, J. Hart, and T. C. Richards, “E-learning: Paradigm shift in education”, Education, vol. 129, no. 2, 2008.
[2] Moodle, “Statistics”, org, May 25, 2024. [Online]. Available: https://stats.moodle.org [Accessed May 25, 2024].
[3] Redmon, S. Divvala, R. Girshick, and A. Farhadi, “You Only Look Once: Unified, Real-Time Object Detection”, in 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2016, pp. 779–788, doi: 10.1109/CVPR.2016.91.
[4] M. Radwan, S. Alabachi, and A. S. Al-Araji, “In-class Exams Auto Proctoring by Using Deep Learning on Students’ Behaviors”, Journal of Optoelectronics Laser, vol 41, no. 5, 2022, doi: 10050086.2022.05.114.
[5] L. McCabe, K. D. Butterfield, and L. K. Treviño, Cheating in college: Why students do it and what educators can do about it. The Johns Hopkins University Press, 2012.
[6] C. Harton, S. Aladia, and A. Gordon, “Faculty and Student Perceptions of Cheating in Online vs. Traditional Classes”, Online Journal of Distance Learning Administration, vol 22, issue 4, 2019.
[7] M. Dyer, H. C. Pettyjohn, and S. Saladin, “Academic Dishonesty and Testing: How Student Beliefs and Test Settings Impact Decisions to Cheat”, Journal of the National College Testing Association, vol 4, no. 1, 2020.
[8] Bawarith, D. A. Basuhail, D. A. Fattouh, and P. D. S. Gamalel-Din, “E-exam Cheating Detection System”, Int. J. Adv. Comput. Sci. Appl., vol. 8, no. 4, 2017, doi: 10.14569/IJACSA.2017.080425.
[9] M. Duhaim, S. O. Al-mamory, and M. S. Mahdi, “Cheating Detection in Online Exams during Covid-19 Pandemic Using Data Mining Techniques”, Webology, vol. 19, no. 1, pp. 341–366, 2022, doi: 10.14704/web/v19i1/web19026.
[10] C. O. Tiong and H. J. Lee, “E-cheating Prevention Measures: Detection of Cheating at Online Examinations Using Deep Learning Approach - A Case Study”, Journal of Latex class files, vol. xx, no. xx, 2021, doi: https://doi.org/10.48550/arXiv.2101.09841.
[11] D. C. Chia Yuan Chuang and J. Femiani, “Detecting probable cheating during online assessments based on time delay and head pose”, High. Educ. Res. & Dev., vol. 36, no. 6, pp. 1123–1137, 2017, doi: 10.1080/07294360.2017.1303456.
[12] Jalali and F. Noorbehbahani, “An Automatic Method for Cheating Detection in Online Exams by Processing the Student`s Webcam Images Learner assessment View project An Automatic Method for Cheating Detection in Online Exams by Processing the Student`s Webcam Images”, Researchgate.Net, no. June, pp. 96170–31805, 2017, [Online]. Available: http://conf.isc.gov.ir/etech2017.
[13] Soman, M. N. R. Devi, and G. Srinivasa, “Detection of anomalous behavior in an examination hall towards automated proctoring”, in 2017 Second International Conference on Electrical, Computer and Communication Technologies (ICECCT), 2017, pp. 1–6, doi: 10.1109/ICECCT.2017.8117908.
[14] Song-Lin and C. Rong-Yi, “Human behavior recognition based on sitting postures”, in 2010 International Symposium on Computer, Communication, Control and Automation (3CA), 2010, vol. 1, pp. 138–141, doi: 10.1109/3CA.2010.5533871.
[15] Sylla, B. Babou, and S. Ouya, “Secure Dematerialization of Assessments in Digital Universities Through Moodle, Webrtc and Safe Exam Browser (Seb)”, Proc. 19th Int. Conf. Cogn. Explor. Learn. Digit. Age, CELDA 2022, no. Celda, pp. 259–266, 2022, doi: 10.33965/celda2022_202207l033.
[16] Slusky, “Cybersecurity of Online Proctoring Systems”, J. Int. Technol. Inf. Manag., vol. 29, no. 1, pp. 56–83, 2020, doi: 10.58729/1941-6679.1445.
[17] Malhotra, R. Suri, P. Verma, and R. Kumar, “Smart Artificial Intelligence Based Online Proctoring System”, in 2022 IEEE Delhi Section Conference (DELCON), 2022, pp. 1–5, doi: 10.1109/DELCON54057.2022.9753313.
[18] Gopane and R. Kotecha, “Enhancing Monitoring in Online Exams Using Artificial Intelligence”, in Proceedings of International Conference on Data Science and Applications, 2022.
[19] Sapre, K. Shinde, K. Shetta, and V. Badgujar, “AI-ML Based Smart Online Examination Framework”, Lect. Notes Networks Syst., vol. 441 LNNS, no. January 2022, pp. 17–25, 2022, doi: 10.1007/978-3-030-98531-8_2.
[20] Nigam, R. Pasricha, T. Singh, and P. Churi, “A Systematic Review on AI-based Proctoring Systems: Past, Present and Future”, Educ. Inf. Technol., vol. 26, no. 5, pp. 6421–6445, 2021, doi: 10.1007/s10639-021-10597-x.
[21] Glenn Jocher, Dependabot, F.Akyon, Laughing-q, and Burhan-Q, “Model Training with Ultralytics YOLO”, com, Mar. 03, 2024. [Online]. Available: https://docs.ultralytics.com/modes/train/#augmentation-settings-and-hyperparameters. [Accessed Mar. 03, 2024].
[22] -Y. Wang, H.-Y. M. Liao, and I.-H. Yeh, “Designing Network Design Strategies Through Gradient Path Analysis”, arXiv preprint arXiv:2211.04800, 2022, https://doi.org/10.48550/arXiv.2211.04800.
[23] RangeKing, “Brief summary of YOLOv8 model structure”, github.com, Apr 28, 2024. [Online]. Available: https://github.com/ultralytics/ultralytics/issues/189 [Accessed Apr. 28, 2024].