การประเมินพฤติกรรมทุจริตระหว่างการสอบออนไลน์ด้วยปัญญาประดิษฐ์บนระบบการรับรู้การแสดงออกทางสีหน้าของนักศึกษาแบบอัตโนมัติ
Article Sidebar
Main Article Content
บทคัดย่อ
ปัญหาหลักจากการเปลี่ยนแปลงการสอบแบบเผชิญหน้าที่ห้องสอบมาเป็นการสอบแบบออนไลน์ คือ การแสดงออกทางสีหน้าและพฤติกรรมเฉพาะตัวของนักศึกษาแต่ละคนซึ่งยากต่อการเข้าใจด้วยมนุษย์ งานวิจัยครั้งนี้มีวัตถุประสงค์เพื่อ 1) พัฒนานวัตกรรมทางการศึกษาที่รองรับระบบการประเมินพฤติกรรมทุจริตระหว่างการสอบออนไลน์ด้วยปัญญาประดิษฐ์บนระบบการรับรู้การแสดงออกทางสีหน้าของนักศึกษาแบบอัตโนมัติ 2) ประเมินประสิทธิผลของแบบจำลอง จากค่าความถูกต้อง ค่าความแม่นยำ ค่าความครบถ้วน และค่าประสิทธิผลโดยรวม และ 3) ประเมินผลประสิทธิผลของระบบการประเมินพฤติกรรมทุจริตระหว่างการสอบออนไลน์ด้วยปัญญาประดิษฐ์ในการทดสอบการใช้งานจริง ผลการวิจัยพบว่า 1) แบบจำลองที่พัฒนาขึ้นเป็นการแก้ปัญหาด้วยวิธีการเรียนรู้เชิงลึกของปัญญาประดิษฐ์ ประกอบด้วย 6 ขั้นตอน ได้แก่ การเก็บรวบรวมข้อมูลจากไฟล์วิดีโอการสอบออนไลน์ การเตรียมข้อมูลโดยตัดไฟล์ภาพวิดีโอออกเป็นเฟรมภาพ การสร้างแบบจำลองการรับรู้อัตโนมัติจากการแสดงออกทางใบหน้า หรือ ชื่อว่า STOU-ASFER โดยใช้อัลกอริธึม 2 ตัว ได้แก่ โครงข่ายประสาทเทียมแบบคอนโวลูชัน และโครงข่ายประสาทเทียมแบบหลายชั้น การประเมินแบบจำลองด้วย 4 เมตริกหลัก ได้แก่ ค่าความถูกต้อง ค่าความแม่นยำ ค่าความครบถ้วน และค่าประสิทธิผลโดยรวม การปรับค่าพารามิเตอร์ และการนำไปใช้เพื่อแจ้งเตือนแบบเรียลไทม์และสร้างรายงานสรุป 2) การประเมินแบบจำลองพบว่า มีค่าความถูกต้อง 86.2% ค่าความแม่นยำ 77.34% ค่าความครบถ้วน 95.7% และค่าประสิทธิผลโดยรวม 85.6% และ 3) แบบจำลองมีประสิทธิผลดีในการทำนายพฤติกรรมทุจริตในสภาพแวดล้อมการสอบจำลอง อย่างไรก็ตามแบบจำลองยังต้องการการปรับปรุงในส่วนของการตรวจจับใบหน้าในกรณีที่ใบหน้าอยู่ในตำแหน่งแบบสุ่มหรือมีขนาดภาพเล็กเพื่อเพิ่มความแม่นยำและประสิทธิผลในอนาคต
Article Details
เอกสารอ้างอิง
มหาวิทยาลัยสุโขทัยธรรมาธิราช. (2566, 5 พฤษภาคม). ระเบียบและแนวปฏิบัติในการสอบออนไลน์. https://www.stou.ac.th/offices/ore/rere/goto/newsfeed353
Abdullah, M., Ahmad, M., & Han, D. (2020). Facial expression recognition in videos: An CNN-LSTM based model for video classification. 2020 International Conference on Electronics, Information, and Communication (ICEIC), 1–3.
Aggarwal, C. (2018). Neural networks and deep learning. Springer.
Bargal, A., Barsoum, E., Ferrer, C., & Zhang, C. (2016, October). Emotion recognition in the wild from videos using images. In Proceedings of the 18th ACM International Conference on Multimodal Interaction (pp. 433–436).
Ekman, P. (1992). Facial expressions of emotion: An old controversy and new findings. Philosophical Transactions of the Royal Society of London. Series B: Biological Sciences, 335(1273), 63–69.
Ekundayo, O. S., & Viriri, S. (2021). Facial expression recognition: A review of trends and techniques. IEEE Access, 9, 136944–136973.
Frank, M. G. (2001). Facial expressions. In International encyclopedia of the social & behavioral sciences (pp. 5230–5234).
Gavade, P. A., Bhat, V. S., & Gavade, A. B. (2023). Learning face expression features from video using spatio-temporal feature extractor and CNN-LSTM. 2023 Seventh International Conference on Image Information Processing (ICIIP), 46–50.
Google AI for Developers. (2022, November 11). Face landmark detection guide. https://ai.google.dev/edge/mediapipe/solutions/vision/face_landmarker
Guodong, G., & Na, Z. (2019). A survey on deep learning-based face recognition. Computer Vision and Image Understanding, 189, 1–37.
Haghpanah, M., Saeedizade, E., Masouleh, M. T., & Kalhor, A. (2022). Real-time facial expression recognition using facial landmarks and neural networks. 2022 International Conference on Machine Vision and Image Processing (MVIP), 1–7.
Indolia, S., Kumar, A., Goswami, M., & Pooja, A. (2018). Conceptual understanding of convolutional neural network- A deep learning approach. Procedia Computer Science, 132, 679–688.
Iqbal, T., Ali, T., Shaf, A., & Ali, M. S. (2023). Enhancing online exam security: Deep learning algorithms for cheating detection. 2023 International Conference on Frontiers of Information Technology (FIT), 126–131.
Lapan, M. (2020). Deep reinforcement learning hands-on (2nd ed.). Packt Publishing.
Mohamad Nezami, O., Dras, M., Hamey, L., Richards, D., Wan, S., & Paris, C. (2020). Automatic recognition of student engagement using deep learning and facial expression. In Machine learning and knowledge discovery in databases. ECML PKDD 2019. Lecture notes in computer science (Vol. 11908, pp. 273–289). Springer.
Noorbehbahani, F., Mohammadi, A., & Aminazadeh, M. (2022). A systematic review of research on cheating in online exams from 2010 to 2021. Education and Information Technologies, 27(6), 8413–8460.
Panlima, A., & Sukvichai, K. (2023). Investigation on MLP, CNNs and Vision Transformer models performance for extracting a human emotions via facial expressions. Proceedings of the IEEE International Conference on Instrumentation, Control, Artificial Intelligence, and Robotics (ICA-SYMP), 127–130.
Ramzan, M., Abid, A., Bilal, M., Aamir, K. M., Memon, S. A., & Chung, T.-S. (2024). Effectiveness of pre-trained CNN networks for detecting abnormal activities in online exams. IEEE Access, 12, 21503–21519.
Soltane, M., & Laouar, M. R. (2021). A smart system to detect cheating in the online exam. 2021 International Conference on Information Systems and Advanced Technologies (ICISAT), 1–5.
Zhang, C., Pan, X., Huapeng, L., Gardiner, A., Sargent, I., Hare, J., & Atkinson, P. (2018). A hybrid MLP-CNN classifier for very fine resolution remotely sensed image classification. ISPRS Journal of Photogrammetry and Remote Sensing, 140, 133–144.
