論文の概要: Detecting AI-Assisted Cheating in Online Exams through Behavior Analytics

• arxiv url: http://arxiv.org/abs/2510.18881v1
• Date: Sun, 14 Sep 2025 11:54:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-07 19:06:32.097955
• Title: Detecting AI-Assisted Cheating in Online Exams through Behavior Analytics
• Title（参考訳）: 行動分析によるオンラインエクササイズにおけるAI支援チーティングの検出
• Authors: Gökhan Akçapınar,
• Abstract要約: AIによる不正行為は、オンライン試験の文脈において重大な脅威として浮上している。 疑わしい試験行動は、質問領域内のテキストの選択、右クリック、試験ページへのフォーカスの喪失と定義された。 6つのクラスタのうち4人の学生は、全サンプルの約33%を占めており、様々なレベルで不審な行動を示した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: AI-assisted cheating has emerged as a significant threat in the context of online exams. Advanced browser extensions now enable large language models (LLMs) to answer questions presented in online exams within seconds, thereby compromising the security of these assessments. In this study, the behaviors of students (N = 52) on an online exam platform during a proctored, face-to-face exam were analyzed using clustering methods, with the aim of identifying groups of students exhibiting suspicious behavior potentially associated with cheating. Additionally, students in different clusters were compared in terms of their exam scores. Suspicious exam behaviors in this study were defined as selecting text within the question area, right-clicking, and losing focus on the exam page. The total frequency of these behaviors performed by each student during the exam was extracted, and k-Means clustering was employed for the analysis. The findings revealed that students were classified into six clusters based on their suspicious behaviors. It was found that students in four of the six clusters, representing approximately 33% of the total sample, exhibited suspicious behaviors at varying levels. When the exam scores of these students were compared, it was observed that those who engaged in suspicious behaviors scored, on average, 30-40 points higher than those who did not. Although further research is necessary to validate these findings, this preliminary study provides significant insights into the detection of AI-assisted cheating in online exams using behavior analytics.
• Abstract（参考訳）: AIによる不正行為は、オンライン試験の文脈において重大な脅威として浮上している。 高度なブラウザ拡張により、大規模言語モデル(LLM)は、オンライン試験で提示された質問に答えて、これらのアセスメントのセキュリティを損なうことができる。 本研究では, 対面試験におけるオンライン試験プラットフォーム上での学生の行動(N=52)をクラスタリング法を用いて分析し, 不正行為に関連する疑わしい行動を示す学生群を同定することを目的とした。 また、異なるクラスタの学生は、試験の点数で比較した。 本研究は,質問領域内でのテキストの選択,右クリック,テストページへの注目の喪失など,突発的な試験行動を定義した。 試験期間中に各学生が行った行動の総頻度を抽出し,k平均クラスタリングを用いて分析を行った。 その結果,学生は疑わしい行動に基づいて6つの集団に分類された。 その結果、全サンプルの約33%にあたる6つのクラスタのうち4人の学生が、様々なレベルの不審な行動を示した。 これらの学生の試験スコアを比較すると、疑わしい行動に関わった学生は、平均30～40ポイント高く評価された。 これらの知見を検証するためには、さらなる研究が必要であるが、この予備研究は、行動分析を用いたオンライン試験におけるAI支援不正の検出に関する重要な洞察を提供する。

関連論文リスト

• Which Questions Improve Learning the Most? Utility Estimation of Questions with LM-based Simulations [37.87879572754863]
  本稿では,言語モデルを用いて学習者のシミュレートと質問の有用性の定量化を行うフレームワークであるQUESTを紹介する。 QUESTは、質問をし、教科書の章を勉強している間に回答を受け取った学習者をシミュレートし、それを使ってチャプタ試験を終了させる。 実験の結果、QUESTでトレーニングされたモデルによって生成された質問は、強いベースラインと比較して、シミュレーションテストのスコアを20%以上改善することがわかった。
  論文  参考訳（メタデータ） (2025-02-24T18:08:41Z)
• Beyond Model Adaptation at Test Time: A Survey [43.03129492126422]
  機械学習アルゴリズムは、テストディストリビューションのサンプルがトレーニング中に観察されるものから逸脱し始めたときに苦労する。 テスト時間適応は、ソースデータのみに基づくトレーニングモデルによるドメイン適応とドメイン一般化の利点を組み合わせる。 テスト時間適応に関する総合的かつ体系的なレビューを行い、400以上の最近の論文を取り上げている。
  論文  参考訳（メタデータ） (2024-11-06T06:13:57Z)
• 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)
• Generating and Evaluating Tests for K-12 Students with Language Model Simulations: A Case Study on Sentence Reading Efficiency [45.6224547703717]
  本研究は,学生の読解能力の経時的評価に用いるサイレント文読解効率の試験に焦点を当てた。 本研究では,従来の学生が未確認項目に対してどのように反応したかをシミュレートするために,大規模言語モデル(LLM)を微調整することを提案する。 生成したテストは,クラウドワーカーの反応に基づいて,元のテストの難易度と信頼性に密接に対応していることを示す。
  論文  参考訳（メタデータ） (2023-10-10T17:59:51Z)
• A Data Mining Approach for Detecting Collusion in Unproctored Online Exams [0.5130440339897477]
  新型コロナウイルスのパンデミックで予防措置が講じられたため、多くの大学が未熟な在宅試験を提供した。 本研究では,学生間の衝突の可能性を検出する手法を提案し,パンデミック時の在宅試験のイベントログデータに我々のアプローチを適用した。
  論文  参考訳（メタデータ） (2023-02-14T12:48:02Z)
• Statistical and Computational Phase Transitions in Group Testing [73.55361918807883]
  本研究の目的は、希少な疾患を患っているk人の集団を同定することである。 個々人のテストを割り当てるための2つの異なる単純なランダムな手順を考える。
  論文  参考訳（メタデータ） (2022-06-15T16:38:50Z)
• The Familiarity Hypothesis: Explaining the Behavior of Deep Open Set Methods [86.39044549664189]
  特徴ベクトルデータに対する異常検出アルゴリズムは異常を外れ値として識別するが、外れ値検出はディープラーニングではうまく機能しない。 本論文は, 新規性の有無ではなく, 慣れ親しんだ特徴の欠如を検知しているため, これらの手法が成功するというFamiliarity仮説を提案する。 本論文は,親しみやすさの検出が表現学習の必然的な結果であるかどうかを論じる。
  論文  参考訳（メタデータ） (2022-03-04T18:32:58Z)
• E-cheating Prevention Measures: Detection of Cheating at Online Examinations Using Deep Learning Approach -- A Case Study [1.0152838128195467]
  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。
  論文  参考訳（メタデータ） (2021-01-25T01:09:54Z)
• Catch Me if I Can: Detecting Strategic Behaviour in Peer Assessment [61.24399136715106]
  我々は、試験やホームワークの査定や採用・昇進の査定など、様々な査定課題における戦略的行動の課題について考察する。 我々はこのような操作を検出する方法の設計に重点を置いている。 具体的には、エージェントがピアのサブセットを評価し、後に集約されたランキングを最終的な順序付けとして出力する設定について検討する。
  論文  参考訳（メタデータ） (2020-10-08T15:08:40Z)

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。