ВИКОРИСТАННЯ МОЖЛИВОСТЕЙ ЗГОРТКОВОЇ НЕЙРОМЕРЕЖІ ДЛЯ ВИЯВЛЕННЯ ПОЗИТИВНОГО ОЦІНЮВАННЯ НЕДОБРОЧЕСНИХ СТУДЕНТІВ
DOI:
https://doi.org/10.35546/kntu2078-4481.2024.2.35Ключові слова:
штучний інтелект, нейронна мережа, згорткова нейронна мережа, класифікація, інтелектуальні системи, мінімізація ризиків академічної недоброчесності.Анотація
Управління якістю освіти – ключовий елемент будь-якої сучасної освітньої системи, який вимагає ефективних засобів об’єктивного контролю навчальних досягнень студентів та виключення прояву недоброчесності. В Україні активно впроваджується в практику навчального процесу цілий комплекс методів оцінки навчальних успіхів як в звичайному режимі так і в дистанційному. Тема штучного інтелекту, навчання нейронної мережі та проведення досліджень у цьому напрямку є важливим критерієм для вимірювання технічного рівня дослідницьких установ, учбових закладів або підприємств. Можливості використання нейронних мереж не вивчені остаточно. Ще багато років вони будуть як засіб розвитку інформаційних технологій та потребуватимуть висококваліфікованих ІТ-спеціалістів. В статті проведено огляд, систематизація і узагальнення публікацій по питанням навчання нейронної мережі. Запропоновано за їх допомогою виявляти факти недоброчесності при здачі іспитів, заліків та мінімізувати ризики хибного визначення рівня підготовленості студентів. В роботі використані методи наукових досліджень такі як: експеримент, аналіз результатів діяльності. Із теоретичних методів дослідження використані: аналіз, синтез, порівняння. Основні результати дослідження. Для проведення експерименту було створено базу зображень поведінки людини в ситуації стресу та напруги на прикладі рольової інтелектуальної гри «Мафія» та з використанням стандартних методів бібліотеки Keras. Виділення обличчя виконується за допомогою методу Віоли-Джонса. Метод використовує технологію ковзного вікна. В результаті проведення експерименту були вибрані зображення з обраними особами, які при здачі іспиту вели себе не доброчесно. Точність достатньо висока, але помилки можливі. Наукова новизна. Для виявлення шахрайства в освітній сфері при здачі заліків та іспитів пропонується використання можливостей згорткової нейронної мережі, робота якої буде спрямована на класифікацію зображень відносно доброчесності. Для вияву шахрайства, при визначенні рівня підготовленності студентів, було використано алгоритм: 1. Перетворення кадру на чорно-біле зображення. 2. Виділення обличчя для аналізу. 3. Підготовка зображення для обробки нейронною мережею. 4. Класифікація поведінки студента.
Посилання
Ioffe, S., Szegedy, C.: “Batch normalization: Accelerating deep network training by re-ducing internal covariate shift,”arXiv preprint arXiv:1502.03167, Feb. (2015). URL: https://arxiv.org/abs/1502.03167/ (дата звернення: 01.02.2024).
Xiao, T., Zhang, J.: et al., “Error-driven incremental learning in deep convolutional neu-ral network for large-scale image classification,” in International Conference on Multi-media, no. 22. ACM, pp. 177–186 (2014)
Тымчук, А.: «Метод распознавания лиц Виолы-Джонса (Viola-Jones).(2015). URL: https://oxozle.com/2015/04/11/metod-raspoznavaniya-lic-violy-dzhonsa-viola-jones/ (дата звернення: 01.02.2024).
Baskin, C., Natan, L., Avi, M., Zheltonozhskii, E. (2017). Streaming Architecture for Large-Scale Quantized Neural Networks on an FPGA-Based Dataflow Platform.
Max pooling / pooling. (2018). Режим доступу: https://computersciencewiki.org/index.php/Max-pooling_/_Pooling/ (дата звернення: 11.02.2024).
Alom, Md., Z., Taha., T., Yakopcic, C., Westberg, S., Sidike, P., Nasrin., M., Hasan, M., Essen, B., Awwal, A., Asari, V.: A State-of-the-Art Survey on Deep Learning Theo-ry and Architectures. (2019). Electronics. 8. 292. 10.3390/electronics8030292.
Gibson, A., Patterson, J.: Deep Learning. O’Reilly Media, Inc., (2017). URL: https://www.safaribooksonline.com/library/view/deep-learning/9781491924570/(дата звернення: 11.02.2024).
Fishman T. (2012). The Fundamental Values of Academic Integrity (2nd edition). In-ternational Center for Academic Integrity, Clemson University. URL: http://www.academicintegrity.org/icai/assets/AUD_Integrity_Quotes.pdf
