論文の概要: Dynamic Optical Test for Bot Identification (DOT-BI): A simple check to identify bots in surveys and online processes

• arxiv url: http://arxiv.org/abs/2512.03580v1
• Date: Wed, 03 Dec 2025 09:03:35 GMT
• ステータス: 情報取得中
• システム内更新日: 2025-12-04 12:13:16.109762
• Title: Dynamic Optical Test for Bot Identification (DOT-BI): A simple check to identify bots in surveys and online processes
• Title（参考訳）: Dynamic Optical Test for Bot Identification (DOT-BI): 調査およびオンラインプロセスにおけるボットを識別するための簡単なチェック
• Authors: Malte Bleeker, Mauro Gotsch,
• Abstract要約: DOT-BI: 人間の動きの知覚を利用して、人間の回答者と自動システムとを区別する、迅速で簡単な方法。 DOT-BIでは、背景と同じランダムな白黒のテクスチャで「隠れた」番号を表示する。 最先端、ビデオ対応、マルチモーダルモデル(GPT-5-ThinkingとGemini 2.5 Pro)は正しい値の抽出に失敗した。 オンライン調査では、99.5% (181/182) の参加者がこの課題を解決し、エンドツーエンドの平均完了時間は10.7秒であった。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: We propose the Dynamic Optical Test for Bot Identification (DOT-BI): a quick and easy method that uses human perception of motion to differentiate between human respondents and automated systems in surveys and online processes. In DOT-BI, a 'hidden' number is displayed with the same random black-and-white pixel texture as its background. Only the difference in motion and scale between the number and the background makes the number perceptible to humans across frames, while frame-by-frame algorithmic processing yields no meaningful signal. We conducted two preliminary assessments. Firstly, state-of-the-art, video-capable, multimodal models (GPT-5-Thinking and Gemini 2.5 Pro) fail to extract the correct value, even when given explicit instructions about the mechanism. Secondly, in an online survey (n=182), 99.5% (181/182) of participants solved the task, with an average end-to-end completion time of 10.7 seconds; a supervised lab study (n=39) found no negative effects on perceived ease-of-use or completion time relative to a control. We release code to generate tests and 100+ pre-rendered variants to facilitate adoption in surveys and online processes.
• Abstract（参考訳）: ロボット識別のための動的光学テスト(DOT-BI: Dynamic Optical Test for Bot Identification)を提案する。 DOT-BIでは、背景と同じランダムな白黒のテクスチャで「隠れた」番号を表示する。 フレーム単位のアルゴリズム処理では意味のある信号が得られないのに対して、数字と背景の間の動きとスケールの違いは、フレーム間の人間に知覚できる数を与える。 予備評価は2回行った。 第一に、最先端、ビデオ対応、マルチモーダルモデル(GPT-5-ThinkingとGemini 2.5 Pro)は、メカニズムに関する明示的な指示が与えられたとしても、正しい値の抽出に失敗する。 第二に、オンライン調査(n=182)では、99.5% (181/182)の参加者がこの課題を解決し、平均的なエンドツーエンドの完了時間は10.7秒であった。 テストを生成するコードと100以上のプレレンダリングされた亜種をリリースして、調査やオンラインプロセスの採用を容易にします。

関連論文リスト

• AutoOEP -- A Multi-modal Framework for Online Exam Proctoring [1.6522310568442877]
  本稿では,コンピュータビジョンと機械学習を活用した総合的マルチモーダルフレームワークであるAutoOEP(Automated Online Exam Proctoring)を紹介する。 このシステムは、デュアルカメラ装置を使用して、検査の正面ビューとワークスペースの側面ビューの両方をキャプチャし、盲点を最小限にする。 Hand Moduleは、禁止アイテム(携帯電話、ノートなど)を検知し、これらのオブジェクトに手近をトラッキングするために、微調整されたYOLOv11モデルを使用している。
  論文  参考訳（メタデータ） (2025-09-13T16:34:38Z)
• No Identity, no problem: Motion through detection for people tracking [48.708733485434394]
  本稿では,検出のみの監視を行いながら,動きの手がかりを利用する手法を提案する。 提案アルゴリズムは,2つの画像間の2次元運動推定とともに,2つの異なるタイミングで熱マップを検出する。 提案手法は,MOT17およびWILDTRACKデータセット上でのマルチターゲット・シングルビュー・マルチターゲット・トラッキングに対して,最先端の結果を提供する。
  論文  参考訳（メタデータ） (2024-11-25T15:13:17Z)
• Automatically Detecting Online Deceptive Patterns [24.018376492278033]
  デジタルインターフェースの認識パターンは、ユーザに意図しない決定をさせ、認知バイアスと心理的脆弱性を悪用させる。 このギャップに対処するため、私たちはAutoBotフレームワークを導入し、Web利害関係者がオンラインの偽装パターンをナビゲートし緩和するのを支援しています。 AutoBotは、基盤となるHTMLコードに頼ることなく、ウェブサイトのスクリーンショットから偽のパターンを正確に識別し、ローカライズする。
  論文  参考訳（メタデータ） (2024-11-11T23:49:02Z)
• Visual Agents as Fast and Slow Thinkers [88.1404921693082]
  本稿では、Fast and Slow Thinking機構を視覚エージェントに組み込んだFaSTを紹介する。 FaSTは、システム1/2モード間の動的選択にスイッチアダプタを使用する。 モデルの信頼性を調整し、新しいコンテキストデータを統合することで、不確実で目に見えないオブジェクトに取り組む。
  論文  参考訳（メタデータ） (2024-08-16T17:44:02Z)
• Read Pointer Meters in complex environments based on a Human-like Alignment and Recognition Algorithm [16.823681016882315]
  これらの問題を克服するための人間ライクなアライメントと認識アルゴリズムを提案する。 STM(Spatial Transformed Module)は,画像のフロントビューを自己自律的に取得するために提案される。 VAM(Value Acquisition Module)は、エンドツーエンドのトレーニングフレームワークによって正確なメーター値を推測するために提案される。
  論文  参考訳（メタデータ） (2023-02-28T05:37:04Z)
• IM-IAD: Industrial Image Anomaly Detection Benchmark in Manufacturing [88.35145788575348]
  画像異常検出(英: Image Anomaly Detection、IAD)は、産業用コンピュータビジョンの課題である。 統一IMベンチマークの欠如は、現実世界のアプリケーションにおけるIADメソッドの開発と利用を妨げる。 7つの主要なデータセットに19のアルゴリズムを含む包括的画像異常検出ベンチマーク(IM-IAD)を構築した。
  論文  参考訳（メタデータ） (2023-01-31T01:24:45Z)
• Where is my hand? Deep hand segmentation for visual self-recognition in humanoid robots [129.46920552019247]
  本稿では、画像からロボットの手を切り離すための畳み込みニューラルネットワーク(CNN)を提案する。 ヒューマノイドロボットVizzyの手のセグメンテーションのために,Mask-RCNNネットワークを微調整した。
  論文  参考訳（メタデータ） (2021-02-09T10:34:32Z)

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。