ロバストな試験不正検出のための 2 段階の、オブジェクト中心なディープラーニングフレームワーク

arXiv:2604.16234v1 Announce Type: new 要約：学術的誠実性は、試験不正という恒常的な課題に直面している。従来の厳守は人間の観察を依存しており、それは非効率、高コスト、大規模においてエラーに苛む。ある既存の AI を活用した監視システムが導入され信頼を得ているにもかかわらず、多くのものは透明性を欠き、望ましいパフォーマンスを得るために複数階層のアーキテクチャを必要とする。これらの課題を超え、検出のための単純な 2 段階フレームワークの上昇を、オブジェクト検出および行動分析を有名な技術に統合して提案する。まず、最先端の YOLOv8n モデルを使用して、試験室画像内の学生を検出する。各検出された領域は切り出し、事前処理され、精細調整された RexNet-150 モデルによって正常または不正行為として分類される。システムは、10 個の独立したソースから構成された、合計 273,897 のサンプルを持つデータセットでトレーニングされ、0.95 の精度、0.94 の再現率、0.96 の精密度、および 0.95 の F1 スコア、ビデオベースの不正検出のベースライン精度 0.82 を 13% 上回ることを実現した。加えて、平均推論時間がサンプルごとに 13.9 ms のため、大規模環境での導入のための頑健性とスケーラビリティを示す。技術的貢献の外に、AI 支援の監視システムは、最終結果が試験後に個人の学生に個人メールを通じて送達されることを保証することによって倫理的懸念にも対処する。これは、公の暴露または恥を与えず、学生が自分の行動について反省する機会を提供する。より良い改善のために、オーディオデータや連続するフレームなどの追加因子を統合することは可能である。この研究は、リアルタイム、スケーラブル、倫理的、かつオープンソースのソリューションの開発の基礎を提供する。

arXiv:2604.16234v1 Announce Type: new Abstract: Academic integrity continues to face the persistent challenge of examination cheating. Traditional invigilation relies on human observation, which is inefficient, costly, and prone to errors at scale. Although some existing AI-powered monitoring systems have been deployed and trusted, many lack transparency or require multi-layered architectures to achieve the desired performance. To overcome these challenges, we propose an improvement over a simple two-stage framework for exam cheating detection that integrates object detection and behavioral analysis using well-known technologies. First, the state-of-the-art YOLOv8n model is used to localize students in exam-room images. Each detected region is cropped and preprocessed, then classified by a fine-tuned RexNet-150 model as either normal or cheating behavior. The system is trained on a dataset compiled from 10 independent sources with a total of 273,897 samples, achieving 0.95 accuracy, 0.94 recall, 0.96 precision, and 0.95 F1-score - a 13\% increase over a baseline accuracy of 0.82 in video-based cheating detection. In addition, with an average inference time of 13.9 ms per sample, the proposed approach demonstrates robustness and scalability for deployment in large-scale environments. Beyond the technical contribution, the AI-assisted monitoring system also addresses ethical concerns by ensuring that final outcomes are delivered privately to individual students after the examination, for example, via personal email. This prevents public exposure or shaming and offers students an opportunity to reflect on their behavior. For further improvement, it is possible to incorporate additional factors, such as audio data and consecutive frames, to achieve greater accuracy. This study provides a foundation for developing real-time, scalable, ethical, and open-source solutions.