一种促进在线考试监考的可视化分析方法

文献标题

使用视觉分析方法来促进在线考试监考

文献信息

• 主题领域: 视觉分析与在线考试监考方法
• 关键词: 在线监考, 视觉分析, 鼠标行为分析, 头部姿势估计, 作弊检测, 在线考试, 数据可视化, 人机交互, 学生行为分析, E-learning

研究背景与问题

• 问题与挑战:

  • 随着在线学习的发展，在线考试在评估学生知识方面越来越常用，但缺乏面对面互动使得监考变得困难。
  • 在线考试容易受到各种作弊行为的威胁，这可能损害考试的公正性和可信度。
  • 传统监考方法（如手动录像回看）劳动密集、耗时，现有自动化技术存在准确性和可靠性问题。

• 重要性:

  • 在线考试是当前教育模式的重要组成部分，尤其是在COVID-19疫情期间，很多学校转向在线教学。
  • 确保在线考试的公正性对维持其信任度至关重要，这对MOOC平台和大学尤为重要。

• 研究动机:

  • 现有监考方法要么高度依赖人力，要么完全自动化，但都难以实现效率与准确性的良好平衡。
  • 结合机器学习与人为交互可能是一种优化在线考试监考的新方向。

解决方案

• 方法与方案:

  • 提出了一种新颖的视觉分析方法，通过分析学生考试过程中的录像和鼠标移动数据来辅助在线考试的监考。
  • 结合人力判断与机器学习技术，并分三个层次详细可视化学生的可疑行为。

• 创新之处:

  • 数据选取：利用头部动作（例如头部旋转或面部消失）与鼠标动作（如复制粘贴、离开考试界面）作为可疑行为标志。
  • 可视化设计：设计了三层交互界面（全体学生视图、问题视图、详细行为视图）用于高效检查学生潜在的作弊行为。
  • 低硬件要求：只需前置摄像头和动态收集鼠标数据的插件，相比于依赖多个摄像头或额外传感器的方案，更具可行性。

• 实施步骤与关键技术:

  1. 数据收集:
     • 通过前置摄像头录制学生的视频，设计轻量化JavaScript插件收集鼠标动作。
     • 数据特性包括鼠标事件（如“Blur”、“Focus”、“Copy”、“Paste”）及头部动作（如Yaw、Pitch角度）。
  2. 作弊检测引擎:
     • 面部检测：通过Faster R-CNN模型识别面部框选位置。
     • 头部姿势估计：基于深度学习模型分析视频中的头部旋转数据。
     • 鼠标交互行为标记：基于鼠标轨迹数据检测异常事件。
     • 风险评分：结合数据自动计算每个学生和问题的作弊风险。
  3. 多层次可视化:
     • 学生列表视图：快速筛选高风险学生。
     • 问题列表视图：定位特定时间和问题内的高风险区域。
     • 行为视图：详细分析头部及鼠标动态，支持可疑行为验证。

研究成果

• 具体成果:

  • 可视化技术：设计了用于在线考试监考的直观、多层次的可视化系统。
  • 性能验证：通过场景案例、用户研究与专家访谈，对方法的有效性进行全面评估。
  • 技术适配性强：系统低成本，适用于真实的在线考试场景。
  • 开发开源工具：提供基于Web的鼠标行为采集插件和可视化系统代码。

• 优势:

  • 效率：显著减少审核视频所需的工作量。
  • 准确性：结合人机交互和多源数据检测，提高作弊行为的判别可靠性。
  • 可扩展性：适应不同规模考试，不同作弊形式的数据分析需求。

• 实验与评估结果:

  • 使用案例显示系统能够快速定位并验证作弊行为，如鼠标轨迹与头部动作的异常不一致。
  • 用户测试相比传统视频审查方法提高了准确性（88.8%）并减少了任务时间（约减少20%时间消耗）。
  • 专家一致认为该系统创新且有实际应用价值。

• 局限性与未来方向:

  • 数据不足：模拟在线考试的数据可能无法完全反映真实作弊方法和考试设置。
  • 实时处理：当前模型主要用于事后分析，需进一步优化以支持实时监考。
  • 隐私问题：需要平衡学术诚信与考生个人隐私保护。
  • 适配多样性：未来计划扩展到其他在线教育场景，如实时反作弊或电子竞技中的鼠标行为分析。