การตรวจจับพฤติกรรมต้องสงสัยระหว่างสอบออนไลน์ด้วยตัวกรองอนุภาคแบบราวแบล็คเวลไลซ์

นัศพ์ชาณัณ  ชินปัญช์ธนะ; เตชค์ฐสิณป์  เพียซ้าย

ผู้แต่ง

นัศพ์ชาณัณ ชินปัญช์ธนะ อาจารย์, วิทยาลัยนวัตกรรมด้านเทคโนโลยีและวิศวกรรมศาสตร์ มหาวิทยาลัยธุรกิจบัณฑิตย์ 110/1-4 ถ.ประชาชื่น เขตหลักสี่ กรุงเทพฯ 10210
เตชค์ฐสิณป์ เพียซ้าย อาจารย์, สาขาวิทยาศาสตร์และเทคโนโลยี มหาวิทยาลัยสุโขทัยธรรมาธิราช ถ.แจ้งวัฒนะ เขตปากเกร็ด นนทบุรี 11120

คำสำคัญ:

การประมวลผลภาพ, พฤติกรรมมนุษย์, ท่าทางมนุษย์, ตัวกรองอนุภาคแบบราวแบล็ค-เวลไลซ์

บทคัดย่อ

ปัจจุบันการจัดการเรียนการสอนรวมทั้งการประเมินผลหลังเรียนจะอยู่ในรูปแบบออนไลน์ การสอบออนไลน์ส่วนใหญ่จะเห็นเพียงใบหน้าของผู้เข้าสอบทำให้ประสิทธิภาพของผู้คุมสอบถูกจำกัด มีงานวิจัยในสาขาคอมพิวเตอร์วิชันที่แสดงการตรวจจับรูปแบบพฤติกรรมของการทุจริตแต่ยังคงเป็นปัญหาเนื่องจากรูปแบบของการแสดงออกทางพฤติกรรมมีหลากหลาย รวมทั้งมีนักวิจัยพยายามนำอัลกอริธึมเข้ามาใช้ในการตรวจจับรูปแบบของพฤติกรรมในการสอบ แต่ยังคงมีข้อจำกัดในหลายกรณี ดังนั้นในงานิจัยนี้จึงได้นำเสนอ การตรวจจับพฤติกรรมต้องสงสัยระหว่างสอบออนไลน์ด้วยตัวกรองอนุภาคแบบราวแบล็คเวลไลซ์ โดยใช้การสกัดคุณลักษณะตำแหน่งสำคัญจากเฟรมข้อมูลด้วย OpenPose เพื่อนำมาใช้ในการจำแนกตรวจหาพฤติกรรมต้องสงสัย วิธีการดำเนินงานประกอบด้วย 3 ขั้นตอนหลักดังนี้ (1) การเตรียมข้อมูล (2) การตรวจจับพฤติกรรมด้วยตัวกรองอนุภาคแบบราวแบล็คเวลไลซ์ (3) การวัดประสิทธิภาพและประเมินผลจากการทดลอง จากผลการทดลองสามารถระบุได้ว่าการใช้แบบจำลองตัวกรองอนุภาคแบบราวแบล็คเวลไลซ์เพื่อตรวจจับพฤติกรรมต้องสงสัยในการสอบออนไลน์สามารถเพิ่มประสิทธิภาพของการจำแนกได้ดียิ่งขึ้นถึงร้อยละ 79.63 ด้วยชุดข้อมูลที่ 2

เอกสารอ้างอิง

Prince DJ, Fulton RA, Garsombke TW. Comparisons of proctored versus non-proctored testing strategies in graduate distance education curriculum. Journal of College Teaching & Learning 2009;6(7):51-62.

King DL, Case CJ. E-cheating: Incidence and trends among college students. Issues in Information Systems 2014;15(1):20-7.

Ullah A, Xiao H, Barker T. A classification of threats to remote online examinations. In: 2016 IEEE 7th Annual Information Technology. Electronics and Mobile Communication Conference (IEMCON); 2016. p.1-7.

Wei H, Li H, Xia M, Wang Y, Qu H. Predicting student performance in interactive online question pools using mouse interaction features. In: the 10th International Conference on Learning Analytics and Knowledge; 2020. p.645-54.

Rogers CF. Faculty perceptions about e-cheating during online testing. Journal of Computing Sciences in Colleges 2006;22(2):206-12.

Cluskey GR, Ehlen CR, Raiborn MH. Thwarting online exam cheating without proctor supervision. Journal of Academic and Business Ethics 2011;4(1):1-7.

Bella G, Giustolisi R, Lenzini G, Ryan PYA. A secure exam protocol without trusted parties. In: Proceedings International Conference on ICT Systems Security and Privacy Protection; 2015. p.495-509.

Mariani L, Micucci D. Audentes: Automatic detection of teNtative plagiarism according to a reference solution. ACM Transactions on Computing Education; 2012. p.1-26.

Chen K, Liu P, Zhang Y. Achieving accuracy and scalability simultaneously in detecting application clones on android markets. In: Proceedings 36th International Conference on Software Engineering; 2014. p.175-86.

Ullah A, Xiao H, Barker T. A dynamic profile questions approach to mitigate impersonation in online examinations. Journal of Grid Computing 2018;17:209-23.

Ullah A, Xiao H, Barker T. A classification of threats to remote online examinations. In: Proceedings IEEE 7th Annual Information Technology. Electronics and Mobile Communication Conference (IEMCON); 2016. p.1-7.

Kuhnke F, Ostermann J. Deep head pose estimation using synthetic images and partial adversarial domain adaption for continuous label spaces. In: 2019 IEEE/CVF International Conference on Computer Vision; 2019. p.10163-72.

Ruiz N, Chong E, Rehg JM. Fine-grained head pose estimation without keypoints. In: 2018 IEEE Conference on Computer Vision and Pattern Recognition Workshops; 2018. p.2074-83.

Prathish S, Narayanan SA, Bijlani K. An intelligent system for online exam monitoring. In: Proceedings International Conference on Information Science (ICIS); 2016. p.138-43.

Narayanan A, Kaimal RM, Bijlani K. Yaw estimation using cylindrical and ellipsoidal face models. IEEE Transactions on Intelligent Transportation Systems 2014;15(5):2308-20.

Wlodarczyk M, Kacperski D, Krotewicz P, Grabowski K. Evaluation of head pose estimation methods for a noncooperative biometric system. In: Proceedings 23rd International Conference Mixed Design of Integrated Circuits and Systems (MIXDES); 2016. p.394-8.

Hu S, Jia X, Fu Y. Research on abnormal behavior detection of online examination based on image information. In: Proceedings 10th International Conference on Intelligent Human-Machine Systems and Cybernetics (IHMSC); 2018. p.88-91.

Ghizlane M, Reda FH, Hicham B. A smart card digital identity check model for university services access. In: Proceedings The 2nd International Conference on Networking, Information Systems and Security; 2019. p.1-4.

Ghizlane M, Hicham B, Reda FH. A new model of automatic and continuous online exam monitoring. In: Proceedings 2019 International Conference on Systems of Collaboration Big Data, Internet of Things Security (SysCoBIoTS); 2019. p.1-5.

Garg K, Verma K, Patidar K, Tejra N, K. Patidar. Convolutional neural network based virtual exam controller. In: Proceedings 4th International Conference on Intelligent Computing and Control Systems (ICICCS); 2020. p.895-9.

Xia M, Wei H, Xu M, L YL, Wang Y, Zhang R, et al. Visual analytics of student learning behaviors on K-12 mathematics E-learning platforms. Computer Science, Education; 2019. p.1-2.

Yang T, Chen Y C, Lin YY, Chuang YY. FSA-Net: Learning fine-grained structure aggregation for head pose estimation from a single image. In: 2019 IEEE Conference on Computer Vision and Pattern Recognition (CVPR); 2019. p.1087-96.

Wan J, Zhao Y, Zhou S, Guyon I, Escalera S, Li SZ. Chalearn looking at people RGB-D isolated and continuous datasets for gesture recognition. In: Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition Workshops; 2016. p.56-64.

Negin F, Rodriguez P, Koperski M, Kerboua A, Gonzàlez J, Bourgeois J, et al. PRAXIS: Towards automatic cognitive assessment using gesture recognition. Expert Systems with Applications 2018;106:21-35.

Doucet A, Freitas N, Murphy K, Russell S. Rao–Blackwellised particle filtering for dynamic Bayesian networks. In: Proceedings of the Sixteenth Conference on Uncertainty in Artificial Intelligence; 2000. p.176-83.

Atoum Y, Chen L, Liu AX, Hsu SDH, Liu X. Automated online exam proctoring. IEEE Transactions on Multimedia 2017;19(7):1609-24.

Cao Z, Hidalgo G, Simon T, Wei SE, Sheik Y. OpenPose: realtime multi-person 2D pose estimation using Part Affinity Fields. IEEE Transactions on Pattern Analysis and Machine Intelligence 2018;43(1):172-186.

Murphy KP. Dynamic Bayesian networks: representation, inferenceand learning [Ph.D. thesis in Computer Science]. Berkeley, CA, USA: University of California, Berkeley; 2002.

Bishop CM. Pattern recognition and machine learning. New York, USA: Springer; 2006.

Simonyan K., Zisserman A. Very deep convolutional networks for large-scale image recognition. In: International Conference on Learning Representations;2015.

Donahue J, Hendricks LA, Sergio G, Marcus R, Subhashini V, Kate S, et al. Long-term recurrent convolutional networks for visual recognition and description. Computer Vision and Pattern Recognition 2014;39(4):677-91.

Yun S, Oh SJ, Heo B, Han D, Kim J. VideoMix: Rethinking data augmentation for video classification. Computer Vision and Pattern Recognition. 2020. arXiv:2012.03457.