CN111611896B - 一种考试防作弊的管理系统 - Google Patents

一种考试防作弊的管理系统 Download PDF

Info

Publication number
CN111611896B
CN111611896B CN202010412948.3A CN202010412948A CN111611896B CN 111611896 B CN111611896 B CN 111611896B CN 202010412948 A CN202010412948 A CN 202010412948A CN 111611896 B CN111611896 B CN 111611896B
Authority
CN
China
Prior art keywords
examinee
examination
model
test
thinking
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202010412948.3A
Other languages
English (en)
Other versions
CN111611896A (zh
Inventor
关雪敏
邱兆新
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangxi Normal University for Nationalities
Original Assignee
Guangxi Normal University for Nationalities
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Guangxi Normal University for Nationalities filed Critical Guangxi Normal University for Nationalities
Priority to CN202010412948.3A priority Critical patent/CN111611896B/zh
Publication of CN111611896A publication Critical patent/CN111611896A/zh
Application granted granted Critical
Publication of CN111611896B publication Critical patent/CN111611896B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/174—Facial expression recognition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/20—Education
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/20—Movements or behaviour, e.g. gesture recognition

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Human Computer Interaction (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Tourism & Hospitality (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Multimedia (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Primary Health Care (AREA)
  • Social Psychology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Psychiatry (AREA)
  • Marketing (AREA)
  • Educational Technology (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Educational Administration (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Electrically Operated Instructional Devices (AREA)

Abstract

本发明涉及教学服务领域，具体公开了一种考试防作弊的管理系统，在前提的线下考试中建立考生的体态基准模型和思维基准模型，以便应对突发情况，当确实发生突发情况需要考生在家里考试时，在个人计算机的基础上配置摄像机和手写板，如此监控考生（系统在考试中监控考生的体态指标和思维指标，输入LSTM神经网络模型，形成体态实际模型和思维实际模型）。依据每个考生自己的考试习惯和一般考生的考试习惯为参照，系统给出考生是否作弊的评价，如果系统判断考生行为模棱两可，则切换老师观察判断。

Description

一种考试防作弊的管理系统
技术领域
本发明属于教学服务领域，特别涉及一种考试防作弊的管理系统。
背景技术
考试作为衡量一个学生知识掌握情况的重要手段，其重要性不言而喻。随着互联网的发展，线上考试成为了常态；比如说一个人被隔离在家，这个时候为了不耽误考试，只能在家里作答。由于家里缺乏监督，考生容易作弊。作弊方法可以用手机搜索答案，现有技术为了解决上述问题，会在考生前面设置摄像机，监控考生的行为。但存在一种特殊的情况，就是有旁人躲在摄像机的盲区，通过另一套显示器或语音协助考生。对于这种情况，现有技术没有很好的解决办法。
发明内容
本发明的目的在于提供一种考试防作弊的管理系统，既监控考生的整体体态行为，也监控考生思考过程的行为。
为实现上述目的，本发明提供了一种考试防作弊的管理系统，适用于数学、化学和物理考试，包括以下步骤：
S10.划分考生的体态为面部左右张望A1、面部前后探视A2、身体左右倾斜A3、身体前后倾斜A4、眼神飘忽A5、传递物品A6、拾取物品A7和中途离场A8，在每一场的线下考试中，通过布置在考生面前的摄像机，每隔预定时间就记录A1-A8这八个指标然后做成一组矩阵，将多组矩阵输入LSTM神经网络模型进行训练，得出该考生在正常考试时候的体态基准模型，系统初始化以便后续应对线上考试；同时建立题库且为题库中的每一道题的解答过程设置至少一条关键语句或关键语句出现顺序，设定为思维基准模型；
S20.线上考试开始后，核对考生身份后开始考试；
S30.从题库中提取试题分发到考生的电脑，系统在显示界面逐题显示题目；
S40.配置个人电脑及摄像机，对考生进行体态监测，摄像机每隔预定时间给考生拍照获取A1-A8这八个指标然后做成一组矩阵，输入上述训练好的LSTM神经网络模型，形成体态实际模型，系统对比体态基准模型和体态实际模型，得出作弊可能性的评价P1；
S50.在上述个人电脑上进一步配置手写板，对考生进行思考监测，需要考生以写字板为草稿，在上面演算计算流程，至少要罗列出关键语句，系统临时保存上述计算流程，系统根据被考生填写过的题目搜索当前或之前一段时间内的计算流程，获取出现的关键语句并形成思维实际模型，系统对比思维基准模型和思维实际模型，得出作弊可能性的评价P2；
S60.在上述个人电脑进一步配置警示模块，系统结合评价P1和评价P2，直接向考生发出警告或向老师发出提醒然后由老师分析考生的行为；
S70.时间到后结束考试或考生点击“交卷”后结束考试。
作为上述方案的改进，基于线下的若干次考试，重复所述步骤S10，将若干考生正常考试时的A1-A8这八个指标做成若干组矩阵，将上述多组矩阵输入LSTM神经网络模型进行训练，得出通常的考生在正常情况下的体态基准模型，基于上述的通常的考生在正常情况下的体态基准模型进行所述步骤S30-S70。
作为上述方案的改进，所述步骤S10中，所述题库按不同的难度等级划分题目，其中难度等级N1包括若干题目，难度等级N2包括若干题目，难度等级N3包括若干题目，系统从不同的难度等级中随机抽取若干题目组成一套试题。
作为上述方案的改进，所述步骤S20中，摄像机给考生拍照后通过面部识别判断考生身份。
作为上述方案的改进，所述步骤S30中，系统每次仅显示一道题目，由考生点击“下一题”后跳转。
作为上述方案的改进，所述步骤S60中，系统向考生直接发出的警告为弹出于显示界面的对话框，所述对话框的内容提醒考生“认真作答，切勿张望”，同时将该考生标记。
作为上述方案的改进，所述步骤S60中，系统向老师发出提醒后，系统将摄像机由拍照模式切换到录像模式，系统将视频上传到终端计算器，老师实时通过摄像机监控考生行为；当老师判断考生作弊时，老师发出的警告为弹出于显示界面的对话框，所述对话框的内容提醒考生“认真作答，切勿张望”，同时将该考生标记；当老师判断考生未作弊时，清除对于考生波动最大的体态实际模型和思维实际模型，系统重新恢复常态监测。
本发明具有如下有益效果：
在建立体态基准模型的过程中，将考生多次线下的考试习惯输入LSTM神经网络模型进行训练，在此基础上可以获取该考生的体态基准模型；为了增加样本量，则可以将多个考生的行为输入LSTM神经网络模型，获取通常的考生的考试习惯(需要注意的是，在建立体态基准模型的过程中不允许输入作弊的考生的行为；由于线下考试中，老师能起到很好的监督作用，所以线下考试能保持样本量的纯净)。
系统同时设置了思维基准模型，预置关键语句或关键语句的出现顺序，系统通过手写板读取考生作答情况，从而判断考生的做题思路。
上述两个方案单独使用各有优缺点，不过将两个模型结合起来综合评价考生的作弊行为能得到较为准确的结果；如果综合评价落入争议区间，系统既可以无伤大雅地督促正常考试的考生，也可以切换老师临时接管监控。如果考生已经作弊，则会被标记，后续处理。
附图说明
图1是管理系统的原理图。
具体实施方式
下面结合附图，对本发明的具体实施方式进行详细描述，但应当理解本发明的保护范围并不受具体实施方式的限制。
参照图1，本发明公开了一种考试防作弊的管理系统，适用于数学、化学和物理考试，创新点在于，在前期创建体态基准模型和思维基准模型，在后期引入体态实际模型和思维实际模型进行对比，通过分析差异化判断考生的行为和思维是否出现大的波动，从而综合判断考生是否作弊。以下按照步骤说明：
1、建立体态基准模型。划分考生的体态为面部左右张望A1、面部前后探视A2、身体左右倾斜A3、身体前后倾斜A4、眼神飘忽A5、传递物品A6、拾取物品A7和中途离场A8。其中A1-A8包含次数和频率这两个指标，A1-A5额外包含程度范围(面部向左朝向多少度)的指标，比如系统统计面部左右张望的次数、频率和扭头的程度。同理，A2-A8统计对应的指标。将单个考生在线下若干场考试的考试习惯做成若干组矩阵，将多组矩阵输入LSTM神经网络模型进行训练，得出该考生在正常考试时的体态基准模型。
在实现上述方案时，需要使用摄像机获取考生的动态。摄像机为教室内的考生拍照的时间间隔为1min，系统将多组照片结合起来分析；或者每个考生面前均布置一个摄像机，单独录入某个考生的考试习惯。在其他实施例中，摄像机可以采用录像方式，持续地获取图像信息，但对系统的负担较大(在设备允许的情况下，采用录像方式建立的模型会更准确)。
补充说明，以高中为例，一个学期有四次月考、期中考试和期末考试。在线下考试的时候，有监考老师巡查，老师能起到很好的监督作用，所以线下考试能保持样本量的纯净。需要注意的是，本实施例建立的是正常考试习惯的体态基准模型，不允许输入作弊的考生的行为。经过四次以上的学习，LSTM神经网络模型基本能给出稳定的体态基准模型。后续系统再获取考生的体态实际模型进行对比。
在其他实施例中，基于线下的若干次考试，直接统计全部考生正常考试时的A1-A8这八个指标做成若干组矩阵，将上述多组矩阵输入LSTM神经网络模型进行训练，得出通常的考生在正常情况下的体态基准模型。本方案输入的样本量极大，虽然没有定制化各个考生的情况，但优势在于体态基准模型准确率高。
2、建立思维基准模型。首先建立题库，题库按不同的难度等级划分题目，其中难度等级N1包括若干题目，难度等级N2包括若干题目，难度等级N3包括若干题目，系统从不同的难度等级中随机抽取若干题目组成一套试题；不同考生得到不同的试题，避免考生考试串通。其次为每一道题的解答过程设置至少一条关键语句或关键语句出现顺序，将上述过程称为思维基准模型。
比如说一道分析题，正常考生在做题时，一般都会在草稿上演算步骤和推导过程，这个时候，系统通过手写板获取考生的书写内容进行分析。分析题的得分点在不同的关键语句，这类型的题作弊难度大。针对这类题，主要通过观察考生的体态实际模型，判断考生是否作弊。对于选择题，有些时候考生依靠心算也能得出答案，不过这个时候需要设置考前注意事项，要求考生在手写板上为每道选择题写关键语句，做完这题后在手写板上抹除原笔迹即可。
上述工作为前期工作，建模的样本量和质量决定了体态基准模型和思维基准模型的准确性。
如果出现意外(比如发生疫情、地震或台风)需要考生在家考试，这个时候就开始进入下一步。考生在家里准备好个人计算机，配置摄像机和手写板，安装好本系统。系统内置一用于警示的软件模块，需要时调用即可。考生然后登陆系统开始考试，在登陆过程中需要考生输入准考号和密码，同时需要摄像机完成人脸识别。
3、系统从题库中提取试题分发到考生的电脑，个人计算机逐题显示题目。方便系统对应题目的思维实际模型，减少误差。相关的考试规范由老师在线下说明，或在系统的登录界面显示。
4、此时摄像机对考生进行体态监测，摄像机每隔预定时间给考生拍照获取A1-A8这八个指标然后做成一组矩阵(或者摄像机采用录像的方式实时统计考生A1-A8这八个指标然后做成一组矩阵)，输入上述训练好的LSTM神经网络模型，形成体态实际模型，系统对比体态基准模型和体态实际模型，得出作弊可能性的评价P1。
5、手写板对考生进行思考监测，需要考生以写字板为草稿，在上面演算计算流程，至少要罗列出关键语句，系统临时保存上述计算流程，系统根据被考生填写过的题目搜索当前或之前一段时间内的计算流程，获取出现的关键语句并形成思维实际模型，系统对比思维理论模型和思维实际模型，得出作弊可能性的评价P2。
6、系统结合评价P1和评价P2，直接向考生发出警告或向老师发出提醒然后由老师分析考生的行为。
一个实施例中，当P1超过70％后，警告模块直接在个人计算机的显示界面发出弹窗式的对话框“真作答，切勿张望”，将该考生标记；同时将情况上传给老师，老师重新核对摄像机拍摄的照片，同时摄像机切换为录像模式供老师直接查看。
另一个实施例中，当P2超过80％后，警告模块直接在个人计算机的显示界面发出弹窗式的对话框“真作答，切勿张望”，将该考生标记；同时将情况上传给老师，老师重新核对手写板上的草稿痕迹，同时摄像机切换为录像模式供老师直接查看。
一般情况下，如果满足P1+P2＜1，系统不自动认定考生作弊。当P1和P2所在的区间均为40-50％时，在系统较难判断考生是否作弊的情况下，交由老师处理。
一个实施例中，当P1为50％且P2为50％时，系统认为两个参数都具有参考性，则交由老师判断。系统向老师发出提醒后，系统将摄像头由拍照模式切换到录像模式，系统将视频上传到终端计算器，老师实时通过摄像头监控考生行为；当老师判断考生作弊时，老师发出的警告为弹出于显示界面的对话框，所述对话框的内容提醒考生“认真作答，切勿张望”，同时将该考生标记；当老师判断考生未作弊时，清除对于考生波动最大的体态实际模型和思维实际模型，系统重新恢复常态监测。
7、时间到后结束考试或考生点击“交卷”后结束考试。当考生被系统判定为作弊，但考生坚持认为自己没有作弊时，可以通过另一渠道申述。此时老师调取全部的考试过程用于分析。
本发明具有如下有益效果：
在建立体态基准模型的过程中，将考生多次线下的考试习惯输入LSTM神经网络模型进行训练，在此基础上可以获取该考生的体态基准模型；为了增加样本量，则可以将多个考生的行为输入LSTM神经网络模型，获取通常的考生的考试习惯(由于线下考试中有老师监考，能反映考生的正常考试习惯)。
系统同时设置了思维基准模型，预置关键语句或关键语句的出现顺序，系统通过手写板读取考生作答情况，从而判断考生的做题思路。
上述两个方案单独使用各有优缺点，不过将两个模型结合起来综合评价考生的作弊行为能得到较为准确的结果；就算综合评价落入争议区间，系统既可以无伤大雅地督促正常考试的考生，也可以切换老师临时接管监控给出判断。如果考生已经作弊，则会被标记，后续处理。
前述对本发明的具体示例性实施方案的描述是为了说明和例证的目的。这些描述并非想将本发明限定为所公开的精确形式，并且很显然，根据上述教导，可以进行很多改变和变化。对示例性实施例进行选择和描述的目的在于解释本发明的特定原理及其实际应用，从而使得本领域的技术人员能够实现并利用本发明的各种不同的示例性实施方案以及各种不同的选择和改变。本发明的范围意在由权利要求书及其等同形式所限定。

Claims (7)

1.一种考试防作弊的管理系统，适用于数学、化学和物理考试，其特征在于包括以下步骤：
S10.划分考生的体态为面部左右张望A1、面部前后探视A2、身体左右倾斜A3、身体前后倾斜A4、眼神飘忽A5、传递物品A6、拾取物品A7和中途离场A8，在每一场的线下考试中，通过布置在考生面前的摄像机，每隔预定时间就记录A1-A8这八个指标然后做成一组矩阵，将多组矩阵输入LSTM神经网络模型进行训练，得出该考生在正常考试时候的体态基准模型，系统初始化以便后续应对线上考试；同时建立题库且为题库中的每一道题的解答过程设置至少一条关键语句或关键语句出现顺序，设定为思维基准模型；
S20.线上考试开始后，核对考生身份后开始考试；
S30.从题库中提取试题分发到考生的电脑，系统在显示界面逐题显示题目；
S40.配置个人电脑及摄像机，对考生进行体态监测，摄像机每隔预定时间给考生拍照获取A1-A8这八个指标然后做成一组矩阵，输入上述训练好的LSTM神经网络模型，形成体态实际模型，系统对比体态基准模型和体态实际模型，得出作弊可能性的评价P1；
S50.在上述个人电脑上进一步配置手写板，对考生进行思考监测，需要考生以写字板为草稿，在上面演算计算流程，至少要罗列出关键语句，系统临时保存上述计算流程，系统根据被考生填写过的题目搜索当前或之前一段时间内的计算流程，获取出现的关键语句并形成思维实际模型，系统对比思维基准模型和思维实际模型，得出作弊可能性的评价P2；
S60.在上述个人电脑进一步配置警示模块，系统结合评价P1和评价P2，直接向考生发出警告或向老师发出提醒然后由老师分析考生的行为；
S70.时间到后结束考试或考生点击“交卷”后结束考试。
2.根据权利要求1所述的考试防作弊的管理系统，其特征在于：基于线下的若干次考试，重复所述步骤S10，将若干考生正常考试时的A1-A8这八个指标做成若干组矩阵，将上述多组矩阵输入LSTM神经网络模型进行训练，得出通常的考生在正常情况下的体态基准模型，基于上述的通常的考生在正常情况下的体态基准模型进行所述步骤S30-S70。
3.根据权利要求1所述的考试防作弊的管理系统，其特征在于：所述步骤S10中，所述题库按不同的难度等级划分题目，其中难度等级N1包括若干题目，难度等级N2包括若干题目，难度等级N3包括若干题目。
4.根据权利要求3所述的考试防作弊的管理系统，其特征在于：所述步骤S20中，摄像机给考生拍照后通过面部识别判断考生身份。
5.根据权利要求4所述的考试防作弊的管理系统，其特征在于：所述步骤S30中，系统每次仅显示一道题目，由考生点击“下一题”后跳转。
6.根据权利要求1至5任一项所述的考试防作弊的管理系统，其特征在于：所述步骤S60中，系统向考生直接发出的警告为弹出于显示界面的对话框，所述对话框的内容提醒考生“认真作答，切勿张望”，同时将该考生标记。
7.根据权利要求1至5任一项所述的考试防作弊的管理系统，其特征在于：所述步骤S60中，系统向老师发出提醒后，系统将摄像机由拍照模式切换到录像模式，系统将视频上传到终端计算器，老师实时通过摄像机监控考生行为；当老师判断考生作弊时，老师发出的警告为弹出于显示界面的对话框，所述对话框的内容提醒考生“认真作答，切勿张望”，同时将该考生标记；当老师判断考生未作弊时，清除对于考生波动最大的体态实际模型和思维实际模型，系统重新恢复常态监测。
CN202010412948.3A 2020-05-15 2020-05-15 一种考试防作弊的管理系统 Active CN111611896B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010412948.3A CN111611896B (zh) 2020-05-15 2020-05-15 一种考试防作弊的管理系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010412948.3A CN111611896B (zh) 2020-05-15 2020-05-15 一种考试防作弊的管理系统

Publications (2)

Publication Number Publication Date
CN111611896A CN111611896A (zh) 2020-09-01
CN111611896B true CN111611896B (zh) 2023-07-21

Family

ID=72200303

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010412948.3A Active CN111611896B (zh) 2020-05-15 2020-05-15 一种考试防作弊的管理系统

Country Status (1)

Country Link
CN (1) CN111611896B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114615223B (zh) * 2022-05-11 2022-08-09 深圳市永兴元科技股份有限公司 考试无人监控即时通讯方法、设备、系统及存储介质

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016030900A2 (en) * 2014-08-27 2016-03-03 Eyessessment Technologies Ltd. Evaluating test taking
CN105810045A (zh) * 2016-03-09 2016-07-27 深圳大学 一种基于认知模型的计算思维训练方法及装置
CN206421460U (zh) * 2016-12-20 2017-08-18 李芳� 一种防作弊计算机考试系统
WO2018080124A2 (ko) * 2016-10-24 2018-05-03 엘지전자 주식회사 딥 러닝 신경망 기반의 보안 시스템 및 그 제어 방법
CN109460727A (zh) * 2018-10-31 2019-03-12 中国矿业大学 一种基于人体行为识别的考场监控系统及方法
CN110032992A (zh) * 2019-04-25 2019-07-19 沈阳航空航天大学 一种基于姿态的考试作弊检测方法
CN110060531A (zh) * 2019-05-22 2019-07-26 清华大学 一种使用智能数码笔的计算机在线考试系统和方法
CN110458735A (zh) * 2019-07-05 2019-11-15 黄河水利职业技术学院 一种智能考场管理系统及方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9812027B2 (en) * 2016-03-08 2017-11-07 Gholam Hossein Zereshkian Anti-cheating device for online examination

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016030900A2 (en) * 2014-08-27 2016-03-03 Eyessessment Technologies Ltd. Evaluating test taking
CN105810045A (zh) * 2016-03-09 2016-07-27 深圳大学 一种基于认知模型的计算思维训练方法及装置
WO2018080124A2 (ko) * 2016-10-24 2018-05-03 엘지전자 주식회사 딥 러닝 신경망 기반의 보안 시스템 및 그 제어 방법
CN206421460U (zh) * 2016-12-20 2017-08-18 李芳� 一种防作弊计算机考试系统
CN109460727A (zh) * 2018-10-31 2019-03-12 中国矿业大学 一种基于人体行为识别的考场监控系统及方法
CN110032992A (zh) * 2019-04-25 2019-07-19 沈阳航空航天大学 一种基于姿态的考试作弊检测方法
CN110060531A (zh) * 2019-05-22 2019-07-26 清华大学 一种使用智能数码笔的计算机在线考试系统和方法
CN110458735A (zh) * 2019-07-05 2019-11-15 黄河水利职业技术学院 一种智能考场管理系统及方法

Also Published As

Publication number Publication date
CN111611896A (zh) 2020-09-01

Similar Documents

Publication Publication Date Title
US20230360551A1 (en) Adaptive learning environment driven by real-time identification of engagement level
CN105147304B (zh) 一种人格特质值测验的刺激信息编制方法
CN105139317B (zh) 兴趣取向值测验的认知指标分析方法
CN112862639B (zh) 一种基于大数据分析的在线教育平台的教育方法
CN110580470A (zh) 基于人脸识别的监测方法、装置、存储介质及计算机设备
CN111428686A (zh) 一种学生兴趣偏好评估方法、装置及系统
Hintz et al. Shared lexical access processes in speaking and listening? An individual differences study.
CN110956376A (zh) 一种适合衡量自适应学生学习效果的分析方法及系统
CN112085392A (zh) 一种学习参与度确定方法、装置及计算机设备
US20220309947A1 (en) System and method for monitoring and teaching children with autistic spectrum disorders
CN111611896B (zh) 一种考试防作弊的管理系统
CN111445214A (zh) 一种用于自闭症儿童的学习引导系统及方法
TW201913546A (zh) 心理與行為狀態評量暨診斷方法及系統
Hirt et al. Measuring emotions during learning: lack of coherence between automated facial emotion recognition and emotional experience
CN113611416A (zh) 基于虚拟现实技术心理场景评估方法及系统
WO2022181104A1 (ja) 分析装置、分析方法及び非一時的なコンピュータ可読媒体
CN116996722B (zh) 一种5g网络环境下虚拟同步课堂教学系统及其工作方法
Supitayakul et al. Assessing the effect of varying word classes on behavioral variables in technology mediated vocabulary learning
CN117496787B (zh) 一种针对儿童六项能力测评及其训练系统
Hirose Accurate Student Ability Estimation by Removing Teacher Evaluation Bias via Full Computer Based Testing
CN113920396B (zh) 一种特殊岗位人员视觉认知能力量化评测方法、系统及评测设备
Faria et al. Including emotion in learning process
CN114819523A (zh) 教学活动数字化系统
Sipos et al. Investigation of processing test results based on knowledge similarity
Duvivier et al. Eye tracking in a teaching context: comparative study of the professional vision of university supervisor trainers and pre-service teachers in initial training for secondary education in French-speaking Belgium

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant