論文の概要: Early Prediction of AI-Assisted Cheating Risk in Online Exams Through Learning Analytics

• arxiv url: http://arxiv.org/abs/2609.37280v1
• Date: Tue, 29 Sep 2026 11:24:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-30 21:28:47.441196
• Title: Early Prediction of AI-Assisted Cheating Risk in Online Exams Through Learning Analytics
• Title（参考訳）: 学習分析によるオンラインエクササイズにおけるAI支援暖房リスクの早期予測
• Abstract要約: 本研究では, 学生の学習管理システムにおけるデジタルトレースを用いて, 最終試験におけるAI支援不正行為のリスクを予測できるかどうかを検討する。 以上の結果から,LMSインタラクションデータは,AIによる不正行為の早期シグナルとなる可能性が示唆された。
• 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 become an important threat to the security of online exams. This study examines whether the risk of AI-assisted cheating in the final exam can be predicted using students' digital traces in the learning management system (LMS) during the first eight weeks of the semester. The sample comprised 52 first-year undergraduates enrolled in a bachelor's program in Computer Education and Instructional Technology and taking an Introduction to Programming course at a public university in Turkiye. Students were labeled as low- or high-risk based on suspicious behaviors recorded in the final-exam logs, including copy, focus-loss, and right-click events. Of the 52 students, 23 (44.2%) were labeled as high-risk in a proctored, face-to-face exam. Group membership was then predicted using five features selected from 27 candidates extracted from students' digital traces. Logistic Regression, Naive Bayes, Random Forest, and Gradient Boosting algorithms were used to build the prediction models. Model performance was evaluated using leave-one-out cross-validation (LOOCV) with fold-specific preprocessing and feature selection. Logistic Regression achieved the best performance (Accuracy = 73.1%). The results indicate that LMS interaction data can provide an early signal of AI-assisted cheating risk. Course-module views, assignment submissions, and the number of days on which course videos were accessed were the most consistently selected features across the LOOCV folds. These predictions are intended to support timely academic guidance, not to establish misconduct or initiate disciplinary action.
• Abstract（参考訳）: AIによる不正行為は、オンライン試験の安全性にとって重要な脅威となっている。 本研究は, 学期前半の8週間に, 学習管理システム(LMS)において, 学生のデジタルトレースを用いて, 最終試験におけるAI支援不正行為のリスクを予測できるかどうかを検討する。 このサンプルは、コンピュータ教育・教育工学の学士課程に入学し、テュルクアイの公立大学でプログラミング入門講座を受講した52人の学部生で構成された。 学生は、コピー、フォーカスロス、右クリックイベントを含む最終試験ログに記録された疑わしい行動に基づいて、低リスクまたは高リスクとラベル付けされた。 52人の学生のうち23人(44.2%)が、対面試験でハイリスクと認定された。 グループメンバーシップは、学生のデジタルトレースから抽出された27の候補の中から選択された5つの特徴を用いて予測された。 予測モデルの構築には、ロジスティック回帰、ネイブベイズ、ランダムフォレスト、グラディエントブースティングアルゴリズムが使用された。 モデル性能は, 折り畳み前処理と特徴選択を併用したLOOCV (Leave-one-out Cross-validation) を用いて評価した。 ロジスティック回帰は最高のパフォーマンス(精度=73.1%)を達成した。 以上の結果から,LMSインタラクションデータは,AIによる不正行為の早期シグナルとなる可能性が示唆された。 コースモジュールビュー、課題の提出、コースビデオがアクセスされた日数は、LOOCVの折りたたみ線の中で最も一貫して選択された機能である。 これらの予測は、不正行為の確立や懲戒行為の開始ではなく、タイムリーな学術的指導を支援することを意図している。

関連論文リスト

• Shockingly Simple Self-retrospection Improves Agentic Models Without RL [56.88703385147974]
  本研究は,説明のみの訓練がその後の行動に与える影響を分離するために,レトロスペクティブ・オンリー・ファインチューニングについて検討する。 Qwen3.5-4B を用いたソフトウェア工学実験では、ROFT は成功と失敗の混合したベースモデルの試行に関する問題で訓練されている。 また、64のサンプルベースモデル試みが失敗する個々のタスクの解決も学べる。
  論文  参考訳（メタデータ） (2026-09-28T17:54:24Z)
• Which CS1 Students Will Fail? Identifying Digital Markers from Learning Analytics in Computer Systems and Architecture Using Weighted Academic Momentum and Interaction Logs [0.0]
  デジタル学習プラットフォームは、苦労している学生を早期に特定する可能性を提供する、リッチな行動トレース(デジタルマーカー)を生成する。 本稿では,従来のマーカーとデジタルマーカーを組み合わせることで,初年度のCS1コースの障害を予測できるかどうかを検討する。
  論文  参考訳（メタデータ） (2026-07-16T08:32:54Z)
• AcademiClaw: When Students Set Challenges for AI Agents [69.70303995121154]
  AcademiClaw(アカデミクロー)は、大学生の実際の学術的切断から直接引き出された80の複雑な長い水平タスクのベンチマークである。 最高のモデルでさえ、55%のパスレートしか達成できないことを示す。 AcademiClawとそのオープンソースデータとコードが、OpenClawコミュニティにとって有用なリソースになることを願っています。
  論文  参考訳（メタデータ） (2026-05-04T14:40:42Z)
• Detecting AI-Assisted Cheating in Online Exams through Behavior Analytics [0.0]
  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。
  論文  参考訳（メタデータ） (2025-09-14T11:54:54Z)
• Predicting ChatGPT Use in Assignments: Implications for AI-Aware Assessment Design [0.0]
  この研究は、ChatGPTを新しい概念の学習に頻繁に使うことは、潜在的過度に相関していることを示している。 我々は、イノベーションと学術的厳密さのバランスをとるために、規律に特有なガイドラインと再考された評価戦略を提案する。
  論文  参考訳（メタデータ） (2025-08-16T11:09:38Z)
• Starting Seatwork Earlier as a Valid Measure of Student Engagement [2.364788972996476]
  その信頼性と予測妥当性を評価するために,セッションレベルの尺度に関する先行作業を構築した。 以上の結果から,これらの指標は月ごとの信頼性が中程度から高いことが示唆された。 それらは、事前の知識やゲーム・ザ・システム・ビヘイビアを超えて、最終的な数学スコアの予測を強化する。
  論文  参考訳（メタデータ） (2025-05-19T16:49:08Z)
• ASPEST: Bridging the Gap Between Active Learning and Selective Prediction [56.001808843574395]
  選択予測は、不確実な場合の予測を棄却する信頼性のあるモデルを学ぶことを目的としている。 アクティブラーニングは、最も有意義な例を問うことで、ラベリングの全体、すなわち人間の依存度を下げることを目的としている。 本研究では,移動対象領域からより情報のあるサンプルを検索することを目的とした,新たな学習パラダイムである能動的選択予測を導入する。
  論文  参考訳（メタデータ） (2023-04-07T23:51:07Z)
• A Predictive Model for Student Performance in Classrooms Using Student Interactions With an eTextbook [0.0]
  本稿では,学生がインタラクティブなオンラインeTextbookとどのように相互作用するかの分析に基づいて,学生のパフォーマンスを予測する新しいモデルを提案する。 提案モデルを構築するために,データ構造とアルゴリズムのコースから得られたデータに基づいて,最も一般的な分類アルゴリズムと回帰アルゴリズムを評価した。
  論文  参考訳（メタデータ） (2022-02-16T11:59:53Z)
• Predicting MOOCs Dropout Using Only Two Easily Obtainable Features from the First Week's Activities [56.1344233010643]
  いくつかの特徴は、学習者の誘惑や興味の欠如に寄与すると考えられており、そのことが解脱や総減退につながる可能性がある。 この研究は、いくつかの機械学習アプローチを比較して、最初の1週間から早期のドロップアウトを予測することを目的としている。
  論文  参考訳（メタデータ） (2020-08-12T10:44:49Z)
• 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。