Будь ласка, використовуйте цей ідентифікатор, щоб цитувати або посилатися на цей матеріал:
http://elartu.tntu.edu.ua/handle/lib/40572
| Назва: | Automated AI-based proctoring for online testing in e-learning system |
| Інші назви: | Автоматизований прокторинг на основі ШІ для онлайн-тестування в системі електронного навчання |
| Автори: | Шкодзінський, Олег Ксаверович Луцків, Михайло Мирославович Shkodzinsky, Oleh Lutskiv, Mykhailo |
| Приналежність: | Тернопільський національний технічний університет імені Івана Пулюя, Тернопіль, Україна Ternopil Ivan Puluj National Technical University, Ternopil, Ukraine |
| Бібліографічний опис: | Shkodzinsky O. Automated AI-based proctoring for online testing in e-learning system / Oleh Shkodzinsky, Mykhailo Lutskiv // Scientific Journal of TNTU. — Tern. : TNTU, 2022. — Vol 107. — No 3. — P. 76–85. |
| Bibliographic description: | Shkodzinsky O., Lutskiv M. (2022) Automated AI-based proctoring for online testing in e-learning system. Scientific Journal of TNTU (Tern.), vol. 107, no 3, pp. 76-85. |
| Є частиною видання: | Вісник Тернопільського національного технічного університету, 3 (107), 2022 Scientific Journal of the Ternopil National Technical University, 3 (107), 2022 |
| Журнал/збірник: | Вісник Тернопільського національного технічного університету |
| Випуск/№ : | 3 |
| Том: | 107 |
| Дата публікації: | 4-жов-2022 |
| Дата подання: | 21-чер-2022 |
| Дата внесення: | 15-лют-2023 |
| Видавництво: | ТНТУ TNTU |
| Місце видання, проведення: | Тернопіль Ternopil |
| DOI: | https://doi.org/10.33108/visnyk_tntu2022.03.076 |
| УДК: | 378.14 |
| Теми: | розпізнавання обличчя фотофіксація перевірка знань алгоритми розпізнавання зображень ідентифікація особи точність ідентифікації face recognition photo fixation knowledge testing image recognition algorithms person identification identification accuracy |
| Кількість сторінок: | 10 |
| Діапазон сторінок: | 76-85 |
| Початкова сторінка: | 76 |
| Кінцева сторінка: | 85 |
| Короткий огляд (реферат): | Методи контролю знань у формі тестування зарекомендували себе як
один із перспективних засобів підвищення ефективності управління якістю навчального процесу.
З розвитком інформаційних технологій використання тестів у цій галузі вийшло на новий якісний
та кількісний рівень. Однак поряд із позитивним впливом інформаційних технологій на
розвиток інструментів для контролю знань, з’явилися нові можливості для недобросовісного
ставлення до проходження тестового контролю, особливо в умовах дистанційного навчання,
коли особи, які проходять контроль, розосереджені в просторі та перебувають поза
візуальним спостереженням екзаменатора. Це потребує додаткового запровадження
прокторингових дій як інструментів і заходів моніторингу перебігу процесу тестування, щоб
забезпечували підтвердження чесності поведінки кожного учасника. Переважна більшість
технічних вирішень, що стосуються вказаної проблеми, спираються на використання
мультимедійних засобів для розпізнавання особи та її дій. Додатковою умовою є те, що такі
технічні рішення мають легко інтегруватися з уже існуючими системами управління навчанням
(LMS), які тривалий час використовуються закладами освіти. На основі аналізу існуючих
на ринку алгоритмічних рішень верифікації особистості під час контролю знань в електронних
системах навчання сформовано вимоги до цільової системи. Розглянуто основні алгоритми
та підходи до виявлення та розпізнавання облич, у результаті чого обрано ефективну
комбінацію алгоритмів. Розроблено та впроваджено систему фотофіксації та перевірки
особистості під час контролю знань у LMS ATutor. Ефективність роботи системи перевірено
на основі вибірки тестових проходжень, сформованої під час її роботи в реальних умовах
навчального процесу. Зроблено висновки стосовно доцільності впровадження й подальшого
розвитку. Based on the analysis of existing on the market algorithmic solutions for identity verification during knowledge control in electronic learning systems, the requirements for the target system were formed. The main algorithms and approaches to the detection and recognition of faces were considered, as a result of which an effective combination of algorithms was chosen. The system of photo fixation and identity verification during knowledge control in LMS ATutor was designed and implemented. Its effectiveness was verified on the basis of a sample of test passes during its work in the real conditions of the educational process. Conclusions were made regarding the feasibility of implementation. |
| URI (Уніфікований ідентифікатор ресурсу): | http://elartu.tntu.edu.ua/handle/lib/40572 |
| ISSN: | 2522-4433 |
| Власник авторського права: | © Ternopil Ivan Puluj National Technical University, 2022 |
| URL-посилання пов’язаного матеріалу: | https://www.g2.com/categories/online-proctoring https://doi.org/10.1109/34.982883 https://doi.org/10.1117/12.183806 https://doi.org/10.1109/34.598227 https://doi.org/10.1016/j.patcog.2013.10.017 https://doi.org/10.1016/j.patcog.2004.12.006 http://dlib.net/python/#dlib.get_frontal_face_detector https://github.com/davisking/dlib-models#dlib_face_recognition_resnet_model_v1datbz2 http://vis-www.cs.umass.edu/lfw/ https://www.kaggle.com/getting-started/149448 https://doi.org/10.1109/ACCT.2015.32 |
| Перелік літератури: | 1. Шкодзінський О. К., Луцків М. М., Смолій І. М. І. Розвиток засобів верифікації особи та її дій при контролі знань в умовах дистанційного навчання. Актуальні задачі сучасних технологій: зб. тез доп. X міжнар. наук.-практ. конф. (м. Тернопіль, 24–25 лис. 2021 р.). Тернопіль, 2021. Том I. С. 138–139. 2. Best Online Proctoring Software, 2020. G2 Bussness Software Reviews. URL: https://www.g2.com/categories/online-proctoring. 3. Yang M. H., Kriegman D. J., and Ahuja N., 2002. Detecting faces in images: A survey. IEEE Transactions on Pattern Analysis and Machine Intelligence, 24 (1): 34–58. ISSN 01628828. DOI: https://doi.org/10.1109/34.982883 4. Lam K.-M. and Yan H., 1994. Fast algorithm for locating head boundaries. Journal of Electronic Imaging, 3 (4): 351–359. ISSN 1017-9909. DOI: https://doi.org/10.1117/12.183806 5. Chi L., Zhang H., and Chen M., 2017. End-To-End Face Detection and Recognition. arXiv preprint, 1703.10818:1-9. 6. Moghaddam B. and Pentland A., 1997. Probabilistic visual learning for object representation. IEEE Transactions on Pattern Analysis and Machine Intelligence, 19 (7): 696–710. ISSN 01628828. DOI: https://doi.org/10.1109/34.598227 7. Ou W., You X., Tao D., Zhang P., Tang Y., and Zhu Z., 2014. Robust face recognition via occlusion dictionary learning. Pattern Recognition, 47 (4): 1559–1572. ISSN 00313203. DOI: https://doi.org/10.1016/j.patcog.2013.10.017 8. Gao Y. and Qi Y., 2005. Robust visual similarity retrieval in single model face databases. Pattern Recognition, 38 (7): 1009-1020. ISSN 00313203. DOI: https://doi.org/10.1016/j.patcog.2004.12.006 9. Essa I. and Pentland A., 2002. Facial expression recognition using a dynamic model and motion energy. In Proceedings of 5th IEEE International Conference on Computer Vision. P. 360–367. IEEE. Doi: 10.1109/iccv.1995.466916. 20-23 June 1995. 10. S. Agrawal and P. Khatri, Facial Expression Detection Techniques: Based on Viola and Jones Algorithm and Principal Component Analysis, 2015 Fifth International Conference on Advanced Computing & Communication Technologies. 2015. P. 108–112. Doi: 10.1109/ACCT.2015.32. 11. dlib default face detector – dlib documentation. URL: http://dlib.net/python/#dlib.get_frontal_face_detector. 12. King Davis E., 2015 Max-margin object detection. arXiv preprint arXiv:1502.00046. 13. GitHub – davisking/dlib-models: Trained model files for dlib example programs. URL: https://github.com/davisking/dlib-models#dlib_face_recognition_resnet_model_v1datbz2. 14. LFW Face Database. URL: http://vis-www.cs.umass.edu/lfw/. 15. ImageNet Winning CNN Architectures (ILSVRC). URL: https://www.kaggle.com/getting-started/149448. DOI: https://doi.org/10.1109/ACCT.2015.32 |
| References: | 1. Shkodzinsky O. K., Lutskiv M. M., Smolii I.-M. S. Rozvytok zasobiv veryfikatsii osoby ta yii dii pry kontroli znan v umovakh dystantsiinoho navchannia. Zbirnyk tez dopovidei Ⅹ Mizhnarodnoi naukovopraktychnoi konferentsii molodykh uchenykh ta studentiv „Aktualni zadachi suchasnykh tekhnolohii“, 24–25.11.2021. T.: FOP Palianytsia V. A., 2021. Vol I. P. 138–139. (Kompiuterno-informatsiini tekhnolohii ta systemy zviazku). [In Ukrainian]. 2. Best Online Proctoring Software, 2020. G2 Bussness Software Reviews. URL: https://www.g2.com/categories/online-proctoring. 3. Yang M. H., Kriegman D. J., and Ahuja N. 2002. Detecting faces in images: A survey. IEEE Transactions on Pattern Analysis and Machine Intelligence, 24 (1): 34–58. ISSN 01628828. DOI: https://doi.org/10.1109/34.982883 4. Lam, K.-M. and Yan, H., 1994. Fast algorithm for locating head boundaries. Journal of Electronic Imaging, 3 (4): 351–359. ISSN 1017-9909. DOI: https://doi.org/10.1117/12.183806 5. Chi L., Zhang H. and Chen M., 2017. End-To-End Face Detection and Recognition. arXiv preprint, 1703.10818:1-9. 6. Moghaddam B. and Pentland A. 1997. Probabilistic visual learning for object representation. IEEE Transactions on Pattern Analysis and Machine Intelligence, 19 (7): 696–710. ISSN 01628828. DOI: https://doi.org/10.1109/34.598227 7. Ou W., You X., Tao D., Zhang P., Tang Y., and Zhu Z., 2014. Robust face recognition via occlusion dictionary learning. Pattern Recognition. 47 (4): 1559–1572. ISSN 00313203. DOI: https://doi.org/10.1016/j.patcog.2013.10.017 8. Gao Y. and Qi Y., 2005. Robust visual similarity retrieval in single model face databases. Pattern Recognition, 38 (7): 1009–1020. ISSN 00313203. DOI: https://doi.org/10.1016/j.patcog.2004.12.006 9. Essa I. and Pentland A., 2002. Facial expression recognition using a dynamic model and motion energy. In Proceedings of 5th IEEE International Conference on Computer Vision. 20–23 June 1995.P. 360–367. IEEE. Doi: 10.1109/iccv.1995.466916 10. Agrawal S. and Khatri P. Facial Expression Detection Techniques: Based on Viola and Jones Algorithm and Principal Component Analysis, 2015 Fifth International Conference on Advanced Computing & Communication Technologies. 2015. P. 108–112. Doi: 10.1109/ACCT.2015.32. 11. dlib default face detector – dlib documentation. URL: http://dlib.net/python/#dlib.get_frontal_face_detector. 12. King Davis E. 2015 Max-margin object detection. arXiv preprint arXiv:1502.00046. 13. GitHub – davisking/dlib-models: Trained model files for dlib example programs. URL: https://github.com/davisking/dlib-models#dlib_face_recognition_resnet_model_v1datbz2. 14. LFW Face Database. URL: http://vis-www.cs.umass.edu/lfw/. 15. ImageNet Winning CNN Architectures (ILSVRC). URL: https://www.kaggle.com/getting-started/149448. DOI: https://doi.org/10.1109/ACCT.2015.32 |
| Тип вмісту: | Article |
| Розташовується у зібраннях: | Вісник ТНТУ, 2022, № 3 (107) |
Файли цього матеріалу:
Усі матеріали в архіві електронних ресурсів захищені авторським правом, всі права збережені.