頑健な試験不正検知のための2段階・オブジェクト中心ディープラーニングフレームワーク

Abstract

学術的誠実性は、試験におけるカンニングという持続的な課題に直面し続けています。従来の監督（監視）は人の目による観察に依存しており、大規模運用では非効率でコストが高く、誤りも起こりやすいという問題があります。既存のAIを活用した監視システムが導入され、信頼されているものもありますが、多くは透明性を欠いているか、望ましい性能を達成するために多層的なアーキテクチャを必要とします。これらの課題を克服するために、本研究では、よく知られた技術を用いてオブジェクト検出と行動分析を統合する、シンプルな二段階フレームワークによる試験カンニング検出の改善案を提案します。まず、最先端のYOLOv8nモデルを用いて、試験室内の画像から受験者を局所化します。検出された各領域は切り出され、前処理されます。その後、微調整したRexNet-150モデルによって、正常な行動かカンニング行為かのいずれかに分類されます。システムは、合計273,897サンプルからなる10の独立した情報源で構築されたデータセットで学習され、正確度0.95、再現率0.94、適合率0.96、F1スコア0.95を達成しました。これは、動画ベースのカンニング検出におけるベースライン精度0.82に対して13の向上です。さらに、サンプルあたり平均推論時間13.9 msを実現しており、本提案手法は、大規模環境への導入に向けた頑健性とスケーラビリティを示しています。技術的な貢献に加えて、AI支援による監視システムは、例えば個人のメールを介するなど、試験後に最終的な結果を個々の受験者へ非公開で提供することで、倫理的な懸念にも対応しています。これにより、公開されて晒されることや非難されることを防ぎ、受験者が自らの行動を振り返る機会を提供できます。さらなる改善として、音声データや連続フレームといった追加の要因を組み込むことで、より高い精度を実現することが可能です。本研究は、リアルタイムでスケーラブル、倫理的、かつオープンソースなソリューションを開発するための基盤を提供します。