Betrugserkennung in Online-Prüfungen mit Hilfe Künstlicher Intelligenz

Mit der zunehmenden Nutzung von IKT und technischen Fortschritten im Bildungsbereich werden Fern- und Online-Bildung sowie Prüfungen häufig durchgeführt. Online-Prüfungen als Bewertungsmethode bieten jedoch das Risiko eines unüberwachten Umfelds, in dem Schüler vollen Zugang zu externen Ressourcen haben. Online überwachte Prüfungen sind der effizienteste Weg für Bildungseinrichtungen, akademische Ehrlichkeit und Ethik zu gewährleisten, um dem entgegenzuwirken. Typischerweise erfordert die Überwachung menschliche Unterstützung in Form von Online-Wächtern, die die Leistung der Schüler aus der Ferne überwachen. Angesichts der steigenden Nachfrage nach Personal und der aufdringlichen Natur der menschlichen Überwachung ist es jedoch notwendig, andere Bereiche zu erkunden. Um dieses drängende Problem zu lösen, zielt diese Forschungsarbeit darauf ab, eine neuartige Architektur zu entwickeln, die es durch die Entwicklung eines robusten und automatisierten Künstlichen Intelligenzsystems den Schülern ermöglicht, Prüfungen aus der Ferne abzulegen und die Beteiligung von Wächtern zu reduzieren. Die Methode überwindet die Schwächen des vorherigen automatisierten Überwachungssystems, indem sie wichtige Komponenten der Betrugserkennung bei Online-Prüfungen mit kostengünstiger und effizienter Hardware kombiniert. Durch den Vorschlag eines Hybrids aus FaceNet-Modell, Lucas Kanade-Algorithmus und aktivem Erscheinungsbildmodell zur Gesichtsdetektion und Aktivitätsüberwachung des Schülers extrahiert das vorgeschlagene System semantische Indikatoren, um zu bewerten, ob ein Antragsteller bei einer Online-Prüfung schummelt. Die experimentellen Ergebnisse des vorgeschlagenen Betrugserkennungssystems, gemessen an einem F-Score von 0,94, zeigen seine Wirksamkeit und vielversprechende Leistung im Vergleich zu den Standard-Basistechniken.