我们的 “在线考试监控系统：检测在线考试中的异常行为” 旨在解决过去十年中越来越普遍的问题，尤其是在 COVID-19 大流行期间。该系统通过实时场景中高准确性和快速性来检测作弊行为，为监考人员提供有价值的信息，协助其决策，从而减轻在线考试作弊的普遍问题。
Feb, 2024
本文介绍了一种名为 CHEESE 的多实例学习的作弊行为检测框架，结合了身体姿势、背景信息、眼神、头部姿势和面部特征等特征，在视频剪辑中分析空间和时间的变化以检测作弊行为。实验证明我们的方法有效，并在 Online Exam Proctoring（OEP）数据集上获得 87.58％的帧级 AUC 得分。
利用自动化分析视频和检测考试期间的可疑活动，以有效地防止作弊，并促进学术诚信、公平和高质量教育的框架。
Jul, 2023
本文研究了在线考试作弊现象及其潜在危害，并提出了一种基于智能代理和行为监测的措施，包括使用 DenseLSTM 和一个新的 PT 行为数据库，在考试响应中检测和降低不当行为。实验表明，这种方法可达到高达 90.7% 的分类准确率。
Jan, 2022
介绍了一个人机协同的 AI 作弊圈侦测系统，旨在检测和阻止在线考试中的作弊行为，并遵守负责任的人工智能（RAI）标准，确保在整个开发过程中融入伦理考虑。
Mar, 2024
在线问卷调查、众包平台、人工智能、数据质量和自动 AI 检测系统是研究论文的关键词。该研究测试了人工智能生成的文本是否能被人类和自动化 AI 检测系统发现，结果表明人类的正确识别率还不足以确保满意的数据质量，而自动化 AI 检测系统目前是完全不可用的。如果人工智能在提交回应方面过于普及，检测欺诈性提交的成本将超过在线问卷的益处，个别的注意力检查将不再足以确保良好的数据质量，这个问题只能由众包平台进行系统性解决，但众包平台不能依赖自动 AI 检测系统，他们如何确保为付费客户提供数据质量尚不清楚。
Aug, 2023
本文旨在通过大数据分析和自动评分技术，解决开放式问答评估所面临的高成本和低效率的困难，构建一个能够实时记录学生答题进程并进行评分的系统，以改善教育质量。
Oct, 2022
该研究提出了一种基于击键动态的方法，以区分学术环境中真实和辅助写作，并利用改进的 TypeNet 架构训练检测器。研究结果突显了真实和辅助写作之间击键动态的显著差异，并对提高数字教育平台的可靠性产生影响。
Jun, 2024
该论文介绍了基于机器学习的人脸识别技术在 Web 系统中作为身份认证方法的应用，其中结合了 MTCNN、Facenet 和 LinearSVC 等多个算法进行人脸识别，最终实现了 95% 的准确率。
Mar, 2021
本文研究了多人游戏中作弊的问题及传统软件和统计方法预防作弊的局限性，利用生成对抗网络（GAN）技术提出了一种无法被检测出的自动瞄准辅助模型，旨在呼吁加强游戏安全保护和开展更深入研究。
May, 2022