論文の概要: E-cheating Prevention Measures: Detection of Cheating at Online Examinations Using Deep Learning Approach -- A Case Study

• arxiv url: http://arxiv.org/abs/2101.09841v1
• Date: Mon, 25 Jan 2021 01:09:54 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-14 18:55:36.316708
• Title: E-cheating Prevention Measures: Detection of Cheating at Online Examinations Using Deep Learning Approach -- A Case Study
• Title（参考訳）: E-cheating Prevention Measures: Detection of Cheating at Online examinations using Deep Learning Approach -- 事例研究
• Authors: Leslie Ching Ow Tiong and HeeJeong Jasmine Lee
• Abstract要約: この研究は、Covid-19パンデミック中に特に関連があるオンラインアセスメントの現在の問題に対処します。 我々は,オンライン不正行為を検知するメカニズムとして,eラーティング・インテリジェンス・エージェントを利用した。
• 参考スコア（独自算出の注目度）: 1.0152838128195467
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This study addresses the current issues in online assessments, which are particularly relevant during the Covid-19 pandemic. Our focus is on academic dishonesty associated with online assessments. We investigated the prevalence of potential e-cheating using a case study and propose preventive measures that could be implemented. We have utilised an e-cheating intelligence agent as a mechanism for detecting the practices of online cheating, which is composed of two major modules: the internet protocol (IP) detector and the behaviour detector. The intelligence agent monitors the behaviour of the students and has the ability to prevent and detect any malicious practices. It can be used to assign randomised multiple-choice questions in a course examination and be integrated with online learning programs to monitor the behaviour of the students. The proposed method was tested on various data sets confirming its effectiveness. The results revealed accuracies of 68% for the deep neural network (DNN); 92% for the long-short term memory (LSTM); 95% for the DenseLSTM; and, 86% for the recurrent neural network (RNN).
• Abstract（参考訳）: この研究は、Covid-19パンデミック中に特に関連があるオンラインアセスメントの現在の問題に対処します。 私たちの焦点は、オンラインアセスメントに関連するアカデミック不正です。 ケーススタディを用いてe-cheatingの可能性を検討し,実施可能な予防策を提案する。 我々は,インターネットプロトコル(IP)検出器と行動検出器という2つの主要なモジュールから構成されるオンライン不正行為の実践を検出するメカニズムとして,電子メール処理エージェントを利用した。 インテリジェンスエージェントは、学生の行動を監視し、悪意のあるプラクティスを防止および検出する能力を持っています。 コース試験でランダム化された複数選択の質問を割り当て、オンライン学習プログラムと統合して学生の行動を監視するために使用できます。 提案手法は, 各種データセット上で有効性を確認した。 その結果、ディープニューラルネットワーク(DNN)では68%、長期メモリ(LSTM)では92%、DenseLSTMでは95%、リカレントニューラルネットワーク(RNN)では86%の精度が示された。

関連論文リスト

• Model Inversion Attacks: A Survey of Approaches and Countermeasures [59.986922963781]
  近年、新しいタイプのプライバシ攻撃であるモデル反転攻撃(MIA)は、トレーニングのためのプライベートデータの機密性を抽出することを目的としている。 この重要性にもかかわらず、総合的な概要とMIAに関する深い洞察を提供する体系的な研究が欠如している。 本調査は、攻撃と防御の両方において、最新のMIA手法を要約することを目的としている。
  論文  参考訳（メタデータ） (2024-11-15T08:09:28Z)
• Deep Learning Approaches for Detecting Adversarial Cyberbullying and Hate Speech in Social Networks [0.0]
  本稿では、ソーシャルネットワークサイトテキストデータ中の敵対的攻撃コンテンツにおけるサイバーいじめの検出、特にヘイトスピーチを強調することに焦点を当てる。 100の固定エポックを持つLSTMモデルは、高い精度、精度、リコール、F1スコア、AUC-ROCスコアが87.57%、88.73%、88.15%、91%の顕著な性能を示した。
  論文  参考訳（メタデータ） (2024-05-30T21:44:15Z)
• Examining Monitoring System: Detecting Abnormal Behavior In Online Examinations [1.5613363580649218]
  オンライン検診における異常行動検出システム」は, 生徒の異常行動の特定を支援する。 本システムは,リアルタイムシナリオにおける不正検出の精度と高速化を実証する。
  論文  参考訳（メタデータ） (2024-02-19T14:37:17Z)
• Online Corrupted User Detection and Regret Minimization [49.536254494829436]
  現実世界のオンラインウェブシステムでは、複数のユーザがシステムに順次到着する。 乱れた行動から未知のユーザ関係を学習・活用するために,LOCUDという重要なオンライン学習問題を提案する。 我々はRCLUB-WCUの推測ユーザ関係に基づく新しいオンライン検出アルゴリズムOCCUDを考案した。
  論文  参考訳（メタデータ） (2023-10-07T10:20:26Z)
• Adversarial training with informed data selection [53.19381941131439]
  アドリアリトレーニングは、これらの悪意のある攻撃からネットワークを守るための最も効率的なソリューションである。 本研究では,ミニバッチ学習に適用すべきデータ選択戦略を提案する。 シミュレーションの結果,ロバスト性および標準精度に関して良好な妥協が得られることがわかった。
  論文  参考訳（メタデータ） (2023-01-07T12:09:50Z)
• Online Assessment Misconduct Detection using Internet Protocol and Behavioural Classification [0.6445605125467573]
  本稿では,オンラインアセスメント不正行為(e-cheating)の可能性について検討し,それに対する実践的対策を提案する。 インターネットプロトコル(IP)検出器と行動モニタとから構成される、電子商取引の知的エージェントの形式でオンライン不正行為を検出するメカニズムを提示する。
  論文  参考訳（メタデータ） (2022-01-24T03:48:45Z)
• Recursive Least-Squares Estimator-Aided Online Learning for Visual Tracking [58.14267480293575]
  オフライン学習を必要とせず、簡単な効果的なオンライン学習手法を提案する。 これは、モデルが以前見たオブジェクトに関する知識を記憶するための、内蔵されたメモリ保持メカニズムを可能にする。 我々は、RT-MDNetにおける多層パーセプトロンと、DiMPにおける畳み込みニューラルネットワークの追跡のためのオンライン学習ファミリーにおける2つのネットワークに基づくアプローチを評価する。
  論文  参考訳（メタデータ） (2021-12-28T06:51:18Z)
• Adversarial Machine Learning In Network Intrusion Detection Domain: A Systematic Review [0.0]
  ディープラーニングモデルは、誤った分類決定を行うためにモデルを誤解させる可能性のあるデータインスタンスに対して脆弱であることがわかった。 本調査では,ネットワーク侵入検出分野における敵機械学習のさまざまな側面を利用した研究について検討する。
  論文  参考訳（メタデータ） (2021-12-06T19:10:23Z)
• Experimental Review of Neural-based approaches for Network Intrusion Management [8.727349339883094]
  本稿では,侵入検出問題に適用したニューラルネットワーク手法の実験的検討を行う。 私たちは、ディープベースアプローチやウェイトレスニューラルネットワークを含む、侵入検出に関連する最も顕著なニューラルネットワークベースのテクニックの完全なビューを提供します。 我々の評価は、特に最先端のデータセットを使用してモデルのトレーニングを行う場合、ニューラルネットワークの価値を定量化する。
  論文  参考訳（メタデータ） (2020-09-18T18:32:24Z)
• Peer-inspired Student Performance Prediction in Interactive Online Question Pools with Graph Neural Network [56.62345811216183]
  本稿では,対話型オンライン質問プールにおいて,より優れた生徒のパフォーマンス予測を実現するために,グラフニューラルネットワーク(GNN)を用いた新しいアプローチを提案する。 具体的には,学生のインタラクションを用いた学生と質問の関係をモデル化し,学生のインタラクション・クエストネットワークを構築する。 1631の質問に対して4000人以上の学生の問題解決過程において生成した104,113個のマウス軌跡からなる実世界のデータセットに対するアプローチの有効性を評価した。
  論文  参考訳（メタデータ） (2020-08-04T14:55:32Z)
• EPARS: Early Prediction of At-risk Students with Online and Offline Learning Behaviors [55.33024245762306]
  リスク・アット・リスク(STAR)の早期予測は、ドロップアウトや自殺にタイムリーに介入するための有効かつ重要な手段である。 既存の作業は主に、学習プロセス全体を捉えるのに十分な包括的でないオンラインまたはオフラインの学習行動に依存する。 オンラインおよびオフライン学習行動のモデル化により,STARを1学期で早期に予測できる新しいアルゴリズム(EPARS)を提案する。
  論文  参考訳（メタデータ） (2020-06-06T12:56:26Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。