راهکاری نوین در پیشگیری از تقلب در آزمون‌های آنلاین دانشگاه صنعتی اصفهان، با بهره‌گیری از تکنیک yolo و سیستم‌های چندعاملی

با گسترش سریع آموزش‌های آنلاین، حفظ صداقت علمی در آزمون‌های مجازی به چالشی اساسی برای موسسات آموزشی تبدیل شده است. این تحقیق که در دانشگاه صنعتی اصفهان و در محیط آزمایشگاهی ویژه آزمون‌های آنلاین حضوری شبیه‌سازی شده است، سیستمی نوآورانه را معرفی می‌کند که از ترکیب الگوریتم شناسایی اشیاء yolo و سیستم‌های چندعاملی (mas) برای شناسایی و پیشگیری از تقلب استفاده می‌نماید. در این سیستم، الگوریتم yolo به‌منظور شناسایی اشیاء غیرمجاز مانند تلفن‌های همراه و تبلت‌ها از تحلیل ویدئویی بهره می‌برد، در حالی‌که سیستم mas با ارزیابی رفتارهای غیرعادی دانشجویان، همچون کلیک‌های مشکوک ماوس، تاخیرهای غیرعادی در پاسخ‌دهی، تغییرات غیرطبیعی در حرکت نگاه و باز کردن تب‌های غیرمجاز در مرورگر، به شناسایی الگوهای احتمالی تقلب می‌پردازد. این سیستم در آزمون‌های تستی دروس عمومی پرجمعیت دانشگاه صنعتی اصفهان از جمله معارف اسلامی، فارسی و اخلاق شبیه‌سازی شده است و نتایج نشان می‌دهد که با دقت 87.9 درصد قادر به شناسایی تقلب است. همچنین، با سرعت پردازش 0.1 تا 0.15 ثانیه برای هر فریم، این سیستم امکان اجرای آن در زمان واقعی را فراهم می‌آورد. یافته‌های این تحقیق تاکید دارند که ترکیب الگوریتم‌های یادگیری عمیق و سیستم‌های مبتنی بر عامل می‌تواند راهکاری موثر و مقیاس‌پذیر برای تقویت امنیت آزمون‌های آنلاین حضوری ارائه دهد و در نهایت به ارتقای اعتماد به فرآیندهای ارزیابی آنلاین و تضمین عدالت آموزشی کمک نماید.

prevention of cheating in online exams at isfahan university of technology using yolo technique and multi-agent systems

with the rapid growth of online education, maintaining academic integrity in virtual exams has become a major challenge for educational institutions. this research, which was simulated at the isfahan university of technology in a laboratory designed for online in-person exams, introduces an innovative system that utilizes a combination of the yolo object detection algorithm and multi-agent systems (mas) to detect and prevent cheating. in this system, the yolo algorithm uses video analysis to detect unauthorized objects such as mobile phones and tablets, while the mas analyzes students' abnormal behaviors, such as suspicious mouse clicks, unusual delays in responses, abnormal eye movement patterns, and the opening of unauthorized browser tabs, to identify potential cheating patterns. the system was simulated in test exams for popular general courses at isfahan university of technology, including islamic studies, persian, and ethics, and the results showed that it can detect cheating with 87.9% accuracy. furthermore, with a processing speed of 0.1 to 0.15 seconds per frame, the system is capable of real-time execution. the findings of this study emphasize that combining deep learning algorithms and agent-based systems can provide an effective and scalable solution to enhance the security of online in-person exams, ultimately contributing to greater trust in online assessment processes and ensuring educational fairness.