MANIT:一个多层的ANN集成框架,使用生物识别和历史特征进行在线考试监督
Manit Malhotra1, Indu Chhabra2
1Department of Computer Science & Applications, Panjab University, Chandigarh, India. manitmalhotra@rediffmail.com.
Scientific reports
|August 11, 2025
概括
本研究介绍了一种多层ANN集成 (MANIT) 框架,用于自动化在线考试监督. 该系统使用生物识别和历史数据以确保高准确度的学术完整性.
科学领域:
- 计算机科学 计算机科学
- 人工智能的人工智能
- 教育技术的教育技术
背景情况:
- 在线教育广泛普及,引发了人们对远程考试学术诚信的担忧.
- 传统的监督方法对于在线设置是不可行的,需要自动化解决方案.
- 确保在线评估中学生工作的真实性是一个重大挑战.
研究的目的:
- 提出和评估在线考试的创新自动化监督框架.
- 提高在线评估中检测学术不诚实行为的可靠性和准确性.
- 利用人工神经网络 (ANN) 和生物识别技术进行强大的监督.
主要方法:
- 开发一个多层ANN集成 (MANIT) 框架.
- 整合生物识别特征 (面部定向,使用468个地标的眼睛运动) 和历史数据.
- 使用3层深层人工神经网络,以角度变化为基础的值和回归模型.
主要成果:
- 该ANN的平均绝对误差 (MAE) 为1.58,平均平方误差 (MSE) 为3.96,根平均平方误差 (RMSE) 为1.99.
- 马尼特框架在检测五个不诚实级别时显示了88.6%的准确性.
- 实现了高性能指标:90.2%的精度,90.8%的回忆率和90.4%的F1分数.
结论:
- MANIT框架为自动在线考试监督提供了可靠和创新的解决方案.
- 该系统有效地确保在线学习环境中的学术完整性.
- 生物识别和深度学习的结合提供了一个强大的方法来检测学术不诚实.
