رویکرد یادگیری ماشین درتشخیص تقلب آزمون های برخط

موسسات آموزشی در همه گیری کووید ۱۹ توجه زیادی به آموزش الکترونیکی داشته اند. محبوبیت یادگیری الکترونیکی در سراسر جهان به دلیل انعطاف پذیری، دسترسی و کاربرپسند بودن آن افزایش یافته است. با وجود مزایای آن، یک مشکل رایج در امتحان برخط، تقلب آسان نسبت به امتحان های حضوری است. تقلب در امتحان یک موضوع مهم در آموزش است و تلاش برای ارزیابی عملکرد دانشجویان را تضعیف می کند. روش پیشنهادی این پژوهش بر پایه ی سیستم DMDC (Data Mining to Detect Cheats) برای تشخیص تقلب در امتحان های برخط شامل چند مرحله از جمله استفاده از روش های آماری، معیارهای شباهت، نمرات دانشجو و استفاده از الگوریتم های طبقه بندی شامل K-نزدیکترین همسایه (KNN) و شبکه عصبی مصنوعی (ANN) می باشد. در این روش، برای هر مرحله (لایه) عملیات امتیازدهی صورت گرفته است که در نهایت قضاوت متقلب بودن یا نبودن افراد بر اساس مجموع امتیاز آن ها خواهد بود. این پژوهش از نتایج ارزیابی امتحان دانشجویان به منظور شناسایی نمرات غیرعادی در امتحانات استفاده کرده است که توانسته است تقلب دانشجویان را با دقت قابل قبولی تشخیص دهد. نتایج نشان دهنده ی این است که سیستم امتحان برخط پیشنهادی توانایی کاهش تقلب را به طور موثری دارا بوده و قادر به کمک در ارائه یک امتحان برخط معتبر می باشد.

کلیدواژه ها:

هوش مصنوعی ، آموزش الکترونیکی ، امتحان برخط ، تشخیص تقلب ، معیار شباهت ، الگوریتم طبقه بندی