تشخیص حضور و غیاب تقلبی دانشجویان دانشگاه تبریز با استفاده از رویکردهای یادگیری ماشین و یادگیری عمیق همراه با خوشه بندی فازی بر مبنای امضا

در این پژوهش، به مسئله تشخیص حضور و غیاب تقلبی دانشجویان دانشگاه تبریز با استفاده از ترکیب روش های یادگیری ماشین و یادگیری عمیق همراه با خوشه بندی فازی بر مبنای امضا توجه شده است. هدف پژوهش، ارائه رویکردی کارآمد جهت شناسایی رفتارهای غیرطبیعی و افزایش امنیت سامانه های حضور و غیاب است. در بخش روش شناسی، داده های امضای کاربران جمع آوری و با استفاده از الگوریتم های ماشین بردار پشتیبان، نزدیک ترین همسایه، جنگل تصادفی، درخت تصمیم، شبکه عصبی مصنوعی و حافظه طولانی-کوتاه مدت تحلیل شدند. همچنین، به منظور افزایش دقت دسته بندی، از خوشه بندی فازی برای تفکیک الگوهای مشابه استفاده شد. یافته ها نشان داد تمامی مدل های آزمایش شده قادر به تمایز داده های مربوط به حضور و غیاب عادی از نمونه های تقلبی بوده و مدل های ماشین بردار پشتیبان و جنگل تصادفی به علت دقت و قابلیت تفسیر مناسب، به عنوان گزینه های برتر برای پیاده سازی های عملی انتخاب شدند. شبکه عصبی مصنوعی و حافظه طولانی-کوتاه مدت نیز در شناسایی الگوهای پیچیده و پیوسته عملکرد مطلوبی نشان دادند. نتایج به دست آمده موید اثربخشی تلفیق این روش ها در ارتقای امنیت و کاهش وقوع تقلب در سامانه های حضور و غیاب دانشگاهی است.

کلیدواژه ها:

تشخیص حضور و غیاب ، خوشه بندی فازی ، یادگیری عمیق ، یادگیری ماشین ، امنیت سامانه های دانشگاهی