CN116883953A - 在线考试防作弊方法、系统与存储介质 - Google Patents

在线考试防作弊方法、系统与存储介质 Download PDF

Info

Publication number
CN116883953A
CN116883953A CN202311152633.XA CN202311152633A CN116883953A CN 116883953 A CN116883953 A CN 116883953A CN 202311152633 A CN202311152633 A CN 202311152633A CN 116883953 A CN116883953 A CN 116883953A
Authority
CN
China
Prior art keywords
examinee
cheating
abnormal
examination
historical
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.)
Granted
Application number
CN202311152633.XA
Other languages
English (en)
Other versions
CN116883953B (zh
Inventor
蒯斌毅
卢风云
万仁良
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.)
Hangzhou Dongfang Wangsheng Technology Co ltd
Original Assignee
Hangzhou Dongfang Wangsheng Technology Co ltd
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 Hangzhou Dongfang Wangsheng Technology Co ltd filed Critical Hangzhou Dongfang Wangsheng Technology Co ltd
Priority to CN202311152633.XA priority Critical patent/CN116883953B/zh
Publication of CN116883953A publication Critical patent/CN116883953A/zh
Application granted granted Critical
Publication of CN116883953B publication Critical patent/CN116883953B/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
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Psychiatry (AREA)
  • Social Psychology (AREA)
  • Human Computer Interaction (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种在线考试防作弊方法、系统与存储介质，属于在线教育技术领域，具体包括：根据考生在历史考试中的异常历史行为次数将考生的历史考试划分为作弊考试、疑似作弊考试以及正常考试，并通过作弊考试、疑似作弊考试的次数以及考生的异常历史行为次数进行考生的历史作弊评估值的确定，根据异常考生的数量、考生数量、考试时长、考生的历史作弊评估值进行监测频率的确定，通过监测频率获取考生的行为监测结果，将考生的异常姿态行为划分为作弊行为、疑似作弊行为，并结合考生的异常操作行为进行考生的异常评估量的确定，并通过异常评估量和历史作弊评估值进行修正监测频率的确定，从而进一步提升了监测的针对性和准确性。

Description

在线考试防作弊方法、系统与存储介质
技术领域
本发明属于在线教育技术领域，尤其涉及一种在线考试防作弊方法、系统与存储介质。
背景技术
为了实现对在线考试的考生的在线作弊状态的识别，在发明专利《一种在线测试认证考试管理系统》中通过对区域图像中的考生行为进行行为识别处理，得到考生的行为结果，根据所述行为结果对目标考生进行警示，但是却存在以下技术问题：
忽视了根据考生的历史作弊行为和考生人数等进行考生姿态的监测频率的确定，具体的，对于历史中存在作弊行为的考生和未有作弊行为的考生若采用相同的监测分析频率，则有可能导致服务器的处理压力过大，无法实现对作弊考生的实时可靠监测。
忽视了根据考生的异常姿态行为、切屏等操作异常行为将所述考生进行分类，并根据分类结果进行差异化监测处理，具体的，当考生存在多次异常行为时，若不能对其进行差异性的监测处理，则同样无法准确的实现对考生的作弊行为的实时监测。
针对上述技术问题，本发明提供了一种在线考试防作弊方法、系统与存储介质。
发明内容
为实现本发明目的，本发明采用如下技术方案：
根据本发明的一个方面，提供了一种在线考试防作弊方法。
一种在线考试防作弊方法，其特征在于，具体包括：
S11根据考生在历史考试中的异常历史行为次数将所述考生的历史考试划分为作弊考试、疑似作弊考试以及正常考试，并通过所述作弊考试、疑似作弊考试的次数以及所述考生的异常历史行为次数进行所述考生的历史作弊评估值的确定，并根据所述历史作弊评估值确定所述考生是否为异常考生，若是，则采用第一频率进行所述考生的行为的监测，若否，则进入下一步骤；
S12根据所述异常考生的数量、考生数量以及考试时长进行所述考生的基础监测频率的确定，并通过所述基础监测频率以及所述考生的历史作弊评估值进行监测频率的确定，通过所述监测频率获取所述考生的行为监测结果；
S13根据所述考生的行为监测结果确定所述考生是否存在异常操作行为或者异常姿态行为，若是，则进入步骤S14，若否，则仍就采用所述监测频率对所述考生的行为进行监测；
S14将所述考生的异常姿态行为划分为作弊行为、疑似作弊行为，并结合所述考生的异常操作行为进行所述考生的异常评估量的确定，并通过所述异常评估量和历史作弊评估值对所述考生进行分类得到分类结果，并根据所述分类结果进行修正监测频率的确定。
通过所述作弊考试、疑似作弊考试的次数以及所述考生的异常历史行为次数进行所述考生的历史作弊评估值的确定，从而实现了从历史考试的实际情况对考生进行了分类，保证了历史考试中作弊次数较多的考生能够被及时监测，提升了监测的针对性和处理效率。
通过根据所述异常考生的数量、考生数量以及考试时长进行所述考生的基础监测频率的确定，并通过所述基础监测频率以及所述考生的历史作弊评估值进行监测频率的确定，在保证服务器的运行可靠性以及考试基本数据的基础上，保证了考生的监测频率的确定的可靠性，并通过结合考生的历史作弊评估值，从而实现了根据考生的历史作弊情况的差异化监测，保证了监测的处理效率。
通过将所述考生的异常姿态行为划分为作弊行为、疑似作弊行为，并结合所述考生的异常操作行为进行所述考生的异常评估量的确定，实现了从实时的考生的实际行为以及历史行为相结合的方式对考生的监测频率进行动态调整，既能保证监测分析的处理效率，同时也保证了作弊可能性较大的用户的作弊行为能够被及时发现。
进一步的技术方案在于，所述异常历史行为次数包括但不限于异常历史操作行为次数、历史异常姿态行为次数、特定异常历史行为次数，其中特定异常历史行为包括但不限于打电话、身份不符、拍摄或者截取显示器图像。
进一步的技术方案在于，当所述考生在历史考试中的异常历史行为次数大于预设次数或者所述考生在历史考试中的异常历史行为包括特定异常历史行为时，则确定所述历史考试为作弊考试。
进一步的技术方案在于，通过所述基础监测频率以及所述考生的历史作弊评估值进行监测频率的确定，具体包括：
获取所述考生的历史作弊评估值，并当所述考生的历史作弊评估值大于所述考试的考生的历史作弊评估值的均值时，则所述考生的监测频率的计算公式为：当所述考生的历史作弊评估值不大于所述考试的考生的历史作弊评估值的均值时，则所述考生的监测频率的计算公式为：其中Q、Q1、Pj分别为历史作弊评估值、考生的历史作弊评估值的均值、基础监测频率，N、Nlimit分别为历史作弊评估值大于历史作弊评估值的均值的人员数量以及预设数量。
进一步的技术方案在于，所述异常操作行为包括但不限于登录禁止客户端、切屏、长时间未操作、截取显示器图像；所述异常姿态行为包括但不限于打电话、身份不符、拍摄显示器图像、头部移动范围过大。
进一步的技术方案在于，所述分类结果包括但不限于重点关注考生、一般关注考生、其它考生，其中所述重点关注考生、一般关注考生、其它考生的修正监测频率通过预设的方式进行确定的，具体的所述重点关注考生的修正监测频率大于一般关注考生的修正监测频率，所述一般关注考生的修正监测频率大于其它考生的修正监测频率。
第二方面，本发明提供了一种计算机系统，包括：通信连接的存储器和处理器，以及存储在所述存储器上并能够在所述处理器上运行的计算机程序，其特征在于：所述处理器运行所述计算机程序时执行上述的一种在线考试防作弊方法。
第三方面，本发明提供了一种计算机存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行上述的一种在线考试防作弊方法。
其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点在说明书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
通过参照附图详细描述其示例实施方式，本发明的上述和其它特征及优点将变得更加明显；
图1是一种在线考试防作弊方法的流程图；
图2是考生的历史作弊评估值的确定的方法的流程图；
图3是考生的基础监测频率的确定的具体步骤的流程图；
图4是考生的异常评估量的确定的具体步骤的流程图；
图5是一种计算机系统的框架图。
具体实施方式
为了使本技术领域的人员更好地理解本说明书中的技术方案，下面将结合本说明书实施例中的附图，对本说明书实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都应当属于本说明书保护的范围。
如今越来越多的考试转向为线上的上机考试，为了实现对考生的作弊行为的监测，除了监考老师外，通过监控摄像头或者电脑自带的防作弊程序以及摄像头均可以实现对考生的作弊行为的监测。
申请人发现，在大型考试中，由于在线考试的考生数量较多，同时进行考生的作弊监控的监控装置（例如考场设置的摄像头或者电脑自带的摄像头）的图像分析服务器的处理能力也有限，同时在一个固定的角度仅能监测清楚部分考生的作弊行为，因此若实时对每一个考生均进行相同的分析频率的作弊行为监测，则有可能无法及时准确的发现历史中存在作弊行为或者多次作弊的考生的作弊行为的准确监测。
为了解决上述技术问题，申请人采用以下技术方案：
首先通过对考生的历史作弊情况进行分析，对于多次作弊且存在截屏、眼神飘忽不定等异常行为的考生，采用最高的监测频率进行考生的作弊行为的监测；
当用户不存在上述异常行为或者异常行为以及作弊次数不多的考生，则在服务器满足历史中的作弊行为较为严重的考生的监测的基础上，采用一个预设好的监测频率对其进行监测，直到发现考生存在头部的移动幅度过大或者存在截屏或者拍照等异常行为时，则通过考生的异常行为的次数对考生的监测频率进行修正，提高其监测的频率，具体的可以通过考生的异常行为的次数与预设好的基准次数的比值与基础监测频率的乘积进行考生的监测频率的确定。
以下将通过方法类实施例、系统类实施例以及介质类实施例对上述方案进行介绍
为解决上述问题，根据本发明的一个方面，如图1所示，提供了根据本发明的一个方面，提供了一种在线考试防作弊方法，其特征在于，具体包括：
S11根据考生在历史考试中的异常历史行为次数将所述考生的历史考试划分为作弊考试、疑似作弊考试以及正常考试，并通过所述作弊考试、疑似作弊考试的次数以及所述考生的异常历史行为次数进行所述考生的历史作弊评估值的确定，并根据所述历史作弊评估值确定所述考生是否为异常考生，若是，则采用第一频率进行所述考生的行为的监测，若否，则进入下一步骤；
具体的，所述异常历史行为次数包括但不限于异常历史操作行为次数、历史异常姿态行为次数、特定异常历史行为次数，其中特定异常历史行为包括但不限于打电话、身份不符、拍摄或者截取显示器图像。
具体的举例说明，当所述考生在历史考试中的异常历史行为次数大于预设次数或者所述考生在历史考试中的异常历史行为包括特定异常历史行为时，则确定所述历史考试为作弊考试。
可以理解的是，当考试在历史考试中的异常历史行为次数大于5次以上亦或者存在打电话等特定异常历史行为时，则确定为作弊考试。
具体的举例说明，如图2所示，所述考生的历史作弊评估值的确定的方法为：
S21获取所述考生的异常历史行为次数，并通过所述考生的异常历史行为次数以及所述考生的历史考试次数确定是否需要进一步的评估，若是，则进入步骤S22，若否，则确定所述考生不属于异常考生；
需要说明的是，当考生的异常历史行为次数与考生的历史考试次数的比值较大时，此时需要进行进一步的评估，否则，由于其异常历史行为次数较少，则无须进行进一步的评估。
S22获取所述考生的作弊考试的次数，并通过所述考生的作弊考试的次数以及所述考生的历史考试次数确定所述考生是否为异常考生，若是，则确定所述考生为异常考生，若否，则进入下一步骤；
S23获取所述考生的疑似作弊考试的次数，并通过所述考生的疑似作弊考试的次数、作弊考试的次数以及所述考生的历史考试次数确定是否需要进一步评估，若是，则进入步骤S24，若否，则进入步骤S25；
S24 根据所述考生的异常历史行为次数与所述考生的历史考试次数的比值、作弊考试的异常行为次数以及疑似作弊考试的异常行为次数进行所述考生的异常行为评估值的确定，并通过所述异常行为评估值确定所述考生是否为异常考生，若是，则确定所述考生为异常考生，若否，则进入步骤S25；
S25根据所述考生的疑似作弊考试的次数、作弊考试的次数以及所述考生的历史考试次数，并结合所述考生的异常行为评估值进行所述历史作弊评估值的确定。
可以理解的是，通过所述考生的作弊考试的次数以及所述考生的历史考试次数确定所述考生是否为异常考生，具体包括：
判断所述考生的作弊考试的次数是否大于预设次数，若是，则确定所述考生为异常考生，若否，则进入下一步骤；
将所述考生的作弊考试的次数与所述历史考试次数的比值作为作弊考试比，并通过所述作弊考试比确定所述考生是否为异常考生。
在本实施例中，通过所述作弊考试、疑似作弊考试的次数以及所述考生的异常历史行为次数进行所述考生的历史作弊评估值的确定，从而实现了从历史考试的实际情况对考生进行了分类，保证了历史考试中作弊次数较多的考生能够被及时监测，提升了监测的针对性和处理效率。
S12根据所述异常考生的数量、考生数量以及考试时长进行所述考生的基础监测频率的确定，并通过所述基础监测频率以及所述考生的历史作弊评估值进行监测频率的确定，通过所述监测频率获取所述考生的行为监测结果；
具体的举例说明，如图3所示，所述考生的基础监测频率的确定的具体步骤为：
S31获取所述考试的考试时长，并通过所述考试的考试时长确定是否能够采用预设监测频率进行所述考生的基础监测频率的确定，若是，则进入步骤S32，若否，则进入步骤S34；
S32获取所述考试的考生数量，并通过所述考试的考生数量确定是否能够采用预设监测频率进行所述考生的基础监测频率的确定，若是，则进入步骤S33，若否，则进入步骤S34；
S33获取所述考试的异常考生的数量，并通过所述考试的异常考试的数量确定是否能够采用预设监测频率进行所述考生的基础监测频率的确定，若是，则采用预设监测频率进行所述考生的基础监测频率的确定，若否，则进入步骤S34；
S34根据所述考试的异常考生的数量、考生数量、考试时长以及所述考试的考生的历史作弊评估值的均值进行所述考试的基础监测频率的确定。
可以理解的是，所述预设监测频率根据所述考试的后台监测分析服务器的硬件配置以及运行状态数据进行确定，具体的，根据所述考试的后台监测分析服务器的硬件配置确定硬件监测频率，并通过所述后台监测分析服务器的运行状态数据以及所述硬件监测频率进行所述预设监测频率的确定。
具体的举例说明，通过所述基础监测频率以及所述考生的历史作弊评估值进行监测频率的确定，具体包括：
获取所述考生的历史作弊评估值，并当所述考生的历史作弊评估值大于所述考试的考生的历史作弊评估值的均值时，则所述考生的监测频率的计算公式为：当所述考生的历史作弊评估值不大于所述考试的考生的历史作弊评估值的均值时，则所述考生的监测频率的计算公式为：其中Q、Q1、Pj分别为历史作弊评估值、考生的历史作弊评估值的均值、基础监测频率，N、Nlimit分别为历史作弊评估值大于历史作弊评估值的均值的人员数量以及预设数量。
在本实施例中，通过根据所述异常考生的数量、考生数量以及考试时长进行所述考生的基础监测频率的确定，并通过所述基础监测频率以及所述考生的历史作弊评估值进行监测频率的确定，在保证服务器的运行可靠性以及考试基本数据的基础上，保证了考生的监测频率的确定的可靠性，并通过结合考生的历史作弊评估值，从而实现了根据考生的历史作弊情况的差异化监测，保证了监测的处理效率。
S13根据所述考生的行为监测结果确定所述考生是否存在异常操作行为或者异常姿态行为，若是，则进入步骤S14，若否，则仍就采用所述监测频率对所述考生的行为进行监测；
具体的，所述异常操作行为包括但不限于登录禁止客户端、切屏、长时间未操作、截取显示器图像；所述异常姿态行为包括但不限于打电话、身份不符、拍摄显示器图像、头部移动范围过大。
S14将所述考生的异常姿态行为划分为作弊行为、疑似作弊行为，并结合所述考生的异常操作行为进行所述考生的异常评估量的确定，并通过所述异常评估量和历史作弊评估值对所述考生进行分类得到分类结果，并根据所述分类结果进行修正监测频率的确定。
具体的举例说明，如图4所示，所述考生的异常评估量的确定的具体步骤为：
S41获取所述考生的异常操作行为，并判断所述考生的异常操作行为是否存在特定操作行为，若是，则采用第一频率进行所述考生的行为的监测，若否，则进入下一步骤；
S42获取所述考生的异常姿态行为，并判断所述考生的异常姿态行为是否存在作弊行为，若是，则进入步骤S43，若否，则进入步骤S44；
S43通过所述考生的作弊行为的次数、疑似作弊行为的次数，并结合所述考生的作弊行为的持续时间以及所述疑似作弊行为的持续时间进行所述考生的异常姿态评估量的确定，并判断所述异常姿态评估量是否满足要求，若是，则采用第一频率进行所述考生的行为的监测，若否，则进入下一步骤；
S44获取所述考生的异常操作行为的类型，并结合不同类型的异常操作行为的类型的次数以及持续时间进行所述考生的异常操作评估量的确定，并通过所述考生的异常操作评估量、异常姿态评估量进行所述考生的异常评估量的确定。
可以理解的是，所述分类结果包括但不限于重点关注考生、一般关注考生、其它考生，其中所述重点关注考生、一般关注考生、其它考生的修正监测频率通过预设的方式进行确定的，具体的所述重点关注考生的修正监测频率大于一般关注考生的修正监测频率，所述一般关注考生的修正监测频率大于其它考生的修正监测频率。
在本实施例中，通过将所述考生的异常姿态行为划分为作弊行为、疑似作弊行为，并结合所述考生的异常操作行为进行所述考生的异常评估量的确定，实现了从实时的考生的实际行为以及历史行为相结合的方式对考生的监测频率进行动态调整，既能保证监测分析的处理效率，同时也保证了作弊可能性较大的用户的作弊行为能够被及时发现。
如图5所示，本发明提供了一种计算机系统，包括：通信连接的存储器和处理器，以及存储在所述存储器上并能够在所述处理器上运行的计算机程序，其特征在于：所述处理器运行所述计算机程序时执行上述的一种在线考试防作弊方法。
为便于理解，在其中的一个可能的具体的实施例中：
处理器执行的一种在线考试防作弊方法，具体包括：
根据考生在历史考试中的异常历史行为次数将所述考生的历史考试划分为作弊考试、疑似作弊考试以及正常考试，并通过所述作弊考试、疑似作弊考试的次数以及所述考生的异常历史行为次数进行所述考生的历史作弊评估值的确定，并根据所述历史作弊评估值确定所述考生不属于异常考生时，进入下一步骤；
获取所述考试的考试时长，并通过所述考试的考试时长确定不能够采用预设监测频率进行所述考生的基础监测频率的确定时，根据所述考试的异常考生的数量、考生数量、考试时长以及所述考试的考生的历史作弊评估值的均值进行所述考试的基础监测频率的确定，并通过所述基础监测频率以及所述考生的历史作弊评估值进行监测频率的确定，通过所述监测频率获取所述考生的行为监测结果；
根据所述考生的行为监测结果确定所述考生存在异常操作行为或者异常姿态行为时，进入下一步骤；
获取所述考生的异常操作行为的类型，并结合不同类型的异常操作行为的类型的次数以及持续时间进行所述考生的异常操作评估量的确定，并通过所述考生的异常操作评估量、异常姿态评估量进行所述考生的异常评估量的确定，并通过所述异常评估量和历史作弊评估值对所述考生进行分类得到分类结果，并根据所述分类结果进行修正监测频率的确定。
本发明提供了一种计算机存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行上述的一种在线考试防作弊方法。
为便于理解，在其中的一个可能的具体的实施例中：
上述的一种在线考试防作弊方法，具体包括：
获取所述考生的异常历史行为次数，并通过所述考生的异常历史行为次数以及所述考生的历史考试次数较多时，进入下一步骤；
获取所述考生的作弊考试的次数，并通过所述考生的作弊考试的次数以及所述考生的历史考试次数确定所述考生不为异常考生时，进入下一步骤；
获取所述考生的疑似作弊考试的次数，并通过所述考生的疑似作弊考试的次数、作弊考试的次数以及所述考生的历史考试次数确定需要进一步评估时，进入下一步骤；
可以理解的是，通过疑似作弊考试的次数与作弊考试的次数的和，并结合疑似作弊考试的权值与作弊考试的权值进行组合次数和的确定，并通过组合次数和与考生的历史考试次数的比值确定是否需要进一步评估，当该比值较大时，需要进行进一步的评估，此时说明属于异常考试的可能性较大。
根据所述考生的异常历史行为次数与所述考生的历史考试次数的比值、作弊考试的异常行为次数以及疑似作弊考试的异常行为次数进行所述考生的异常行为评估值的确定，并通过所述异常行为评估值确定所述考生不属于异常考生时，则进入下一步骤；
根据所述考生的疑似作弊考试的次数、作弊考试的次数以及所述考生的历史考试次数，并结合所述考生的异常行为评估值进行所述历史作弊评估值的确定，并根据所述历史作弊评估值确定所述考生是否为异常考生，若是，则采用第一频率进行所述考生的行为的监测，若否，则进入下一步骤；
根据所述异常考生的数量、考生数量以及考试时长进行所述考生的基础监测频率的确定，并通过所述基础监测频率以及所述考生的历史作弊评估值进行监测频率的确定，通过所述监测频率获取所述考生的行为监测结果；
根据所述考生的行为监测结果确定所述考生是否存在异常操作行为或者异常姿态行为，若是，则进入下一步骤，若否，则仍就采用所述监测频率对所述考生的行为进行监测；
将所述考生的异常姿态行为划分为作弊行为、疑似作弊行为，并结合所述考生的异常操作行为进行所述考生的异常评估量的确定，并通过所述异常评估量和历史作弊评估值对所述考生进行分类得到分类结果，并根据所述分类结果进行修正监测频率的确定。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置、设备、非易失性计算机存储介质实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
以上所述仅为本说明书的一个或多个实施例而已，并不用于限制本说明书。对于本领域技术人员来说，本说明书的一个或多个实施例可以有各种更改和变化。凡在本说明书的一个或多个实施例的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书的权利要求范围之内。

Claims (11)

1.一种在线考试防作弊方法，其特征在于，具体包括：
根据考生在历史考试中的异常历史行为次数将所述考生的历史考试划分为作弊考试、疑似作弊考试以及正常考试，并通过所述作弊考试、疑似作弊考试的次数以及所述考生的异常历史行为次数进行所述考生的历史作弊评估值的确定，并根据所述历史作弊评估值确定所述考生是否为异常考生，若是，则采用第一频率进行所述考生的行为的监测，若否，则进入下一步骤；
根据所述异常考生的数量、考生数量以及考试时长进行所述考生的基础监测频率的确定，并通过所述基础监测频率以及所述考生的历史作弊评估值进行监测频率的确定，通过所述监测频率获取所述考生的行为监测结果；
根据所述考生的行为监测结果确定所述考生是否存在异常操作行为或者异常姿态行为，若是，则进入下一步骤，若否，则仍就采用所述监测频率对所述考生的行为进行监测；
将所述考生的异常姿态行为划分为作弊行为、疑似作弊行为，并结合所述考生的异常操作行为进行所述考生的异常评估量的确定，并通过所述异常评估量和历史作弊评估值对所述考生进行分类得到分类结果，并根据所述分类结果进行修正监测频率的确定。
2.如权利要求1所述的一种在线考试防作弊方法，其特征在于，所述异常历史行为次数包括但不限于异常历史操作行为次数、历史异常姿态行为次数、特定异常历史行为次数，其中特定异常历史行为包括但不限于打电话、身份不符、拍摄或者截取显示器图像。
3.如权利要求1所述的一种在线考试防作弊方法，其特征在于，当所述考生在历史考试中的异常历史行为次数大于预设次数或者所述考生在历史考试中的异常历史行为包括特定异常历史行为时，则确定所述历史考试为作弊考试。
4.如权利要求1所述的一种在线考试防作弊方法，其特征在于，所述考生的历史作弊评估值的确定的方法为：
S21获取所述考生的异常历史行为次数，并通过所述考生的异常历史行为次数以及所述考生的历史考试次数确定是否需要进一步的评估，若是，则进入下一步骤，若否，则确定所述考生不属于异常考生；
S22获取所述考生的作弊考试的次数，并通过所述考生的作弊考试的次数以及所述考生的历史考试次数确定所述考生是否为异常考生，若是，则确定所述考生为异常考生，若否，则进入下一步骤；
S23获取所述考生的疑似作弊考试的次数，并通过所述考生的疑似作弊考试的次数、作弊考试的次数以及所述考生的历史考试次数确定是否需要进一步评估，若是，则进入步骤S24，若否，则进入步骤S25；
S24 根据所述考生的异常历史行为次数与所述考生的历史考试次数的比值、作弊考试的异常行为次数以及疑似作弊考试的异常行为次数进行所述考生的异常行为评估值的确定，并通过所述异常行为评估值确定所述考生是否为异常考生，若是，则确定所述考生为异常考生，若否，则进入步骤S25；
S25根据所述考生的疑似作弊考试的次数、作弊考试的次数以及所述考生的历史考试次数，并结合所述考生的异常行为评估值进行所述历史作弊评估值的确定。
5.如权利要求4所述的一种在线考试防作弊方法，其特征在于，通过所述考生的作弊考试的次数以及所述考生的历史考试次数确定所述考生是否为异常考生，具体包括：
判断所述考生的作弊考试的次数是否大于预设次数，若是，则确定所述考生为异常考生，若否，则进入下一步骤；
将所述考生的作弊考试的次数与所述历史考试次数的比值作为作弊考试比，并通过所述作弊考试比确定所述考生是否为异常考生。
6.如权利要求1所述的一种在线考试防作弊方法，其特征在于，所述异常操作行为包括但不限于登录禁止客户端、切屏、长时间未操作、截取显示器图像；所述异常姿态行为包括但不限于打电话、身份不符、拍摄显示器图像、头部移动范围过大。
7.如权利要求1所述的一种在线考试防作弊方法，其特征在于，所述考生的基础监测频率的确定的具体步骤为：
S31获取所述考试的考试时长，并通过所述考试的考试时长确定是否能够采用预设监测频率进行所述考生的基础监测频率的确定，若是，则进入步骤S32，若否，则进入步骤S34；
S32获取所述考试的考生数量，并通过所述考试的考生数量确定是否能够采用预设监测频率进行所述考生的基础监测频率的确定，若是，则进入步骤S33，若否，则进入步骤S34；
S33获取所述考试的异常考生的数量，并通过所述考试的异常考试的数量确定是否能够采用预设监测频率进行所述考生的基础监测频率的确定，若是，则采用预设监测频率进行所述考生的基础监测频率的确定，若否，则进入步骤S34；
S34根据所述考试的异常考生的数量、考生数量、考试时长以及所述考试的考生的历史作弊评估值的均值进行所述考试的基础监测频率的确定。
8.如权利要求1所述的一种在线考试防作弊方法，其特征在于，通过所述基础监测频率以及所述考生的历史作弊评估值进行监测频率的确定，具体包括：
获取所述考生的历史作弊评估值，并当所述考生的历史作弊评估值大于所述考试的考生的历史作弊评估值的均值时，则所述考生的监测频率的计算公式为：当所述考生的历史作弊评估值不大于所述考试的考生的历史作弊评估值的均值时，则所述考生的监测频率的计算公式为：其中Q、Q1、Pj分别为历史作弊评估值、考生的历史作弊评估值的均值、基础监测频率，N、Nlimit分别为历史作弊评估值大于历史作弊评估值的均值的人员数量以及预设数量。
9.如权利要求1所述的一种在线考试防作弊方法，其特征在于，所述分类结果包括但不限于重点关注考生、一般关注考生、其它考生，其中所述重点关注考生、一般关注考生、其它考生的修正监测频率通过预设的方式进行确定的，具体的所述重点关注考生的修正监测频率大于一般关注考生的修正监测频率，所述一般关注考生的修正监测频率大于其它考生的修正监测频率。
10.一种计算机系统，包括：通信连接的存储器和处理器，以及存储在所述存储器上并能够在所述处理器上运行的计算机程序，其特征在于：所述处理器运行所述计算机程序时执行权利要求1-9任一项所述的一种在线考试防作弊方法。
11.一种计算机存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行权利要求1-9任一项所述的一种在线考试防作弊方法。
CN202311152633.XA 2023-09-08 2023-09-08 在线考试防作弊方法、系统与存储介质 Active CN116883953B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311152633.XA CN116883953B (zh) 2023-09-08 2023-09-08 在线考试防作弊方法、系统与存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311152633.XA CN116883953B (zh) 2023-09-08 2023-09-08 在线考试防作弊方法、系统与存储介质

Publications (2)

Publication Number Publication Date
CN116883953A true CN116883953A (zh) 2023-10-13
CN116883953B CN116883953B (zh) 2023-11-17

Family

ID=88255454

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311152633.XA Active CN116883953B (zh) 2023-09-08 2023-09-08 在线考试防作弊方法、系统与存储介质

Country Status (1)

Country Link
CN (1) CN116883953B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102457339A (zh) * 2012-02-08 2012-05-16 国家无线电监测中心 一种无线电发射设备监测系统及方法
CN109785202A (zh) * 2019-01-11 2019-05-21 科学出版社成都有限责任公司 一种在线考试系统
CN109993148A (zh) * 2019-04-12 2019-07-09 张绿儿 一种基于人脸识别服务的考场验录系统
CN110502492A (zh) * 2019-08-14 2019-11-26 深圳市优课在线教育有限公司 一种面向在线教育的实时反作弊检测和预警方法
CN110782376A (zh) * 2019-09-24 2020-02-11 深圳市海云天科技股份有限公司 一种考试防作弊方法、装置、电子装置和存储介质
CN113393347A (zh) * 2021-06-07 2021-09-14 武汉华工智云科技有限公司 一种在线考试防作弊的方法和装置
KR20220074468A (ko) * 2020-11-27 2022-06-03 주식회사 잇올 온라인시험 부정행위 방지 시스템 및 그 방법
CN114639175A (zh) * 2022-03-23 2022-06-17 平安普惠企业管理有限公司 考试作弊行为预测方法、装置、设备及存储介质
CN116206258A (zh) * 2023-02-07 2023-06-02 广东德诚科教有限公司 一种基于考生行为检测统计的远程考场监控系统及方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102457339A (zh) * 2012-02-08 2012-05-16 国家无线电监测中心 一种无线电发射设备监测系统及方法
CN109785202A (zh) * 2019-01-11 2019-05-21 科学出版社成都有限责任公司 一种在线考试系统
CN109993148A (zh) * 2019-04-12 2019-07-09 张绿儿 一种基于人脸识别服务的考场验录系统
CN110502492A (zh) * 2019-08-14 2019-11-26 深圳市优课在线教育有限公司 一种面向在线教育的实时反作弊检测和预警方法
CN110782376A (zh) * 2019-09-24 2020-02-11 深圳市海云天科技股份有限公司 一种考试防作弊方法、装置、电子装置和存储介质
KR20220074468A (ko) * 2020-11-27 2022-06-03 주식회사 잇올 온라인시험 부정행위 방지 시스템 및 그 방법
CN113393347A (zh) * 2021-06-07 2021-09-14 武汉华工智云科技有限公司 一种在线考试防作弊的方法和装置
CN114639175A (zh) * 2022-03-23 2022-06-17 平安普惠企业管理有限公司 考试作弊行为预测方法、装置、设备及存储介质
CN116206258A (zh) * 2023-02-07 2023-06-02 广东德诚科教有限公司 一种基于考生行为检测统计的远程考场监控系统及方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
FENGYUN CAO ET AL.: "Recognition of Cheating Behaviors Based on Finetuning of Model Parameters", 《TRAITEMENT DU SIGNAL 》, vol. 39, no. 2, pages 677 - 682 *
余子恺 等: "基于图像识别的在线考试实时监测方法", 《嘉兴学院学报》, pages 1 - 5 *

Also Published As

Publication number Publication date
CN116883953B (zh) 2023-11-17

Similar Documents

Publication Publication Date Title
US7344251B2 (en) Mental alertness level determination
US9076030B2 (en) Liveness detection
Li et al. Massive open online proctor: Protecting the credibility of MOOCs certificates
CN108229308A (zh) 目标对象识别方法、装置、存储介质和电子设备
CN105791299A (zh) 一种无人监考的智能化上机考试系统
US10866852B2 (en) Image based fault state determination
KR20220074468A (ko) 온라인시험 부정행위 방지 시스템 및 그 방법
CN116823274B (zh) 一种应用于金融终端的欺诈风险评估方法及装置
CN113657300A (zh) 一种基于ai人脸识别技术的在线考试防作弊实现方法
CN112087603B (zh) 智慧考场监管方法
US10776666B2 (en) Apparatus and method for diagnosis of medical image
CN111714103A (zh) 一种针对驾考考生的健康监测装置
CN116206258A (zh) 一种基于考生行为检测统计的远程考场监控系统及方法
CN116883953B (zh) 在线考试防作弊方法、系统与存储介质
EP3801252A1 (en) Technology adapted to enable improved collection of involuntary eyelid movement parameters, including collection of eyelid movement parameters to support analysis of neurological factors
JP2022052144A (ja) Ｃｂｔにおける受験者の監視方法、及び、監視システム
CN116091963B (zh) 临床试验机构质量评估方法、装置、电子设备及存储介质
CN115174857A (zh) 实验考试的智能考场监控方法、系统、设备及存储介质
CN117058612B (zh) 一种在线考试作弊识别方法、电子设备及存储介质
CN117079211B (zh) 一种网络机房的安全监控系统及其方法
TWI796227B (zh) 遠距監考系統及方法
Perera Multiparameter-based evaluation to identify the trustworthiness of the examinee during e-assessments
Colloff et al. Child Witness Expressions of Certainty are Informative
CN116384954B (zh) 一种工程人员从岗情况评估方法及评估系统
Frame et al. Impact of video content and resolution on the cognitive dynamics of surveillance decision‐making

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