آیا با هوش مصنوعی در آزمون های مجازی می توان تقلب کرد؟ بررسی سامانه های و مکانیزم های کشف تقلب

حفظ صداقت علمی در آزمون‌های مجازی به یکی از چالش‌های جدی نظام‌های آموزشی تبدیل شده است. تقلب با #هوش_مصنوعی و استفاده از ابزارهایی مانند ChatGPT برای پاسخ‌دهی به سوالات، نگرانی عمده‌ای برای اساتید و دانشگاه‌ها ایجاد کرده است. آزمون مجازی اگرچه دسترسی را آسان کرده، اما بستری برای انواع تخلفات از جمله کپی‌برداری، استفاده از منابع کمک‌آموزشی غیرمجاز و بهره‌گیری از مدل‌های زبانی بزرگ فراهم آورده است. در این مقاله جامع، مکانیزم‌های کشف تقلب و تخلف در آزمون‌های برخط را بررسی می‌کنیم و سپس وضعیت سامانه‌های مدیریت یادگیری (LMS) در دانشگاه‌های ایران را مورد ارزیابی قرار می‌دهیم تا تصویری روشن از راهکارهای موجود و کارآمدترین آن‌ها ارائه دهیم.

مکانیزم‌های کشف تقلب؛ از نظارت تا تحلیل محتوا

سیستم‌های پیشرفته کشف تقلب در آزمون مجازی از سه لایه اصلی تشکیل شده‌اند. لایه اول، نظارت بر فرد آزمون‌دهنده است که از طریق دوربین، میکروفن و تعاملات کاربر با دستگاه، رفتار داوطلب را بررسی می‌کند. لایه دوم، کنترل محیط و دستگاه شامل اجرای مرورگر امن، اسکن محیط اطراف و مسدودسازی نرم‌افزارهای غیرمجاز مانند ابزارهای هوش مصنوعی و کنترل از راه دور است. لایه سوم، بررسی محتوای پاسخ‌ها است که با استفاده از روش‌های تشابه‌یابی و تشخیص متن‌های تولیدشده توسط ماشین، اصالت پاسخ‌ها را ارزیابی می‌کند. این سه لایه در کنار هم، زنجیره‌ای از نظارت را شکل می‌دهند که از شروع آزمون تا ارزیابی نهایی پاسخ‌ها را پوشش می‌دهد.

در بخش نظارت تصویری، الگوریتم‌های بینایی رایانه نقش کلیدی ایفا می‌کنند. سیستم با استفاده از الگوریتم شناسایی اشیاء YOLO، وجود اشیاء ممنوعه مانند تلفن همراه، تبلت، کتاب و هدفون را در کادر دوربین تشخیص می‌دهد. همچنین رفتارهایی مانند کلیک‌های مشکوک ماوس، تاخیرهای غیرعادی در پاسخ‌دهی، تغییرات غیرطبیعی در حرکت نگاه و باز کردن تب‌های غیرمجاز در مرورگر، توسط سیستم‌های چندعاملی (MAS) شناسایی می‌شوند. این سیستم‌ها با دقتی بالغ بر ۸۷.۹ درصد قادر به شناسایی الگوهای تقلب هستند و با سرعت پردازش ۰.۱ تا ۰.۱۵ ثانیه برای هر فریم، امکان اجرا در زمان واقعی را فراهم می‌آورند.

بخش دیگری از مکانیزم‌های کشف تقلب با هوش مصنوعی، به تحلیل محتوای پاسخ‌ها اختصاص دارد. ابزارهای تشخیص متن‌های تولیدشده توسط هوش مصنوعی، با استفاده از مدل‌های یادگیری عمیق مانند BERT، الگوهای زبانی خاص ماشین را شناسایی می‌کنند. تحقیقات نشان داده است که این مدل‌ها با دقت ۹۲ درصد قادر به تفکیک متون تولیدشده توسط انسان از متون تولیدشده توسط هوش مصنوعی هستند. همچنین سامانه‌های مشابهت‌یاب پیشرفته، فراتر از تطابق کلمه‌به‌کلمه، به شباهت معنایی و سبک نگارش نیز توجه دارند و با استفاده از روش‌های پردازش زبان طبیعی، فاصلهٔ معنایی بین دو متن را محاسبه می‌کنند تا کپی‌برداری غیرمستقیم را نیز آشکار سازند.

ابزارهای تخصصی تشخیص محتوای هوش مصنوعی مانند ZeroGPT و نمونه‌های مشابه، در ایران نیز مورد استفاده قرار گرفته‌اند و گزارش‌هایی وجود دارد که در صورت تشخیص استفاده از هوش مصنوعی، دانشگاه‌ها اقدامات تنبیهی را در نظر می‌گیرند. این ابزارها با تحلیل الگوهای آماری، پیچیدگی زبانی و ساختار جملات، می‌توانند با دقت بالایی تشخیص دهند که یک متن توسط انسان نوشته شده یا توسط مدل‌های زبانی بزرگ تولید گردیده است. با این حال، چالش اصلی در این حوزه، پیچیده‌تر شدن روزافزون مدل‌های هوش مصنوعی است که تولید متونی بسیار شبیه به انسان را ممکن ساخته‌اند.

بررسی سامانه‌های LMS در دانشگاه‌های ایران

معاون آموزشی وزارت علوم، تحقیقات و فناوری به صراحت اعلام کرده است که گزارش‌هایی از به‌کارگیری هوش مصنوعی توسط دانشجویان در امتحانات مجازی وجود دارد و زمانی که نظارت کافی نباشد، دانشجویان می‌توانند به‌راحتی پاسخ‌ها را استخراج کنند. این اظهارات نشان‌دهنده ابعاد جدی چالش تقلب با هوش مصنوعی در نظام آموزش عالی کشور است و ضرورت به‌کارگیری مکانیزم‌های کارآمد را دوچندان می‌کند. در ادامه، وضعیت سامانه‌های مدیریت یادگیری در چند دانشگاه شاخص ایران را بررسی می‌کنیم.

یک مقاله از خانم طاهره رحیم پور رویکردی فنی و نوآورانه را پیشنهاد می دهد. محققان این دانشگاه سیستمی مبتنی بر ترکیب الگوریتم شناسایی اشیاء YOLO و سیستم‌های چندعاملی (MAS) برای شناسایی و پیشگیری از تقلب در آزمون مجازی طراحی کرده‌اند. این سیستم در آزمون‌های تستی دروس عمومی پرجمعیت از جمله معارف اسلامی، فارسی و اخلاق شبیه‌سازی شده و با دقت ۸۷.۹ درصد قادر به شناسایی تقلب است.

دانشگاه تهران با استفاده از سامانه ، بر روش‌های تنوع‌سازی سوالات تأکید دارد. طراحی سوالات متفاوت یا به‌هم‌ریختن ترتیب گزینه‌ها برای هر دانشجو، از طریق هم‌نشینی را به حداقل می‌رساند. همچنین زمان محدود پاسخ‌گویی، ارتباط با دیگران را دشوار می‌کند. سامانه هوشمند «امن آزمون» نیز که توسط نخبگان ایرانی طراحی شده، تا کنون در بیش از ۱۲ هزار آزمون از جمله آزمون زبان دانشگاه تهران مورد استفاده قرار گرفته است. .

دانشگاه آزاد اسلامی واحد اصفهان نیز سامانه آزمون مجازی خود را برای دروس ترم جاری فعال کرده است. با این حال، اطلاعات دقیقی درباره مکانیزم‌های کشف تقلب با هوش مصنوعی در این سامانه در دسترس نیست. به نظر می‌رسد این دانشگاه بیشتر بر جنبه‌های اجرایی برگزاری آزمون متمرکز است تا بر ابزارهای پیشرفته تشخیص تخلف. دانشگاه علوم پزشکی شیراز نیز تحقیقاتی در زمینه تشخیص محتوای تولیدشده توسط هوش مصنوعی در تکالیف دانشجویی انجام داده است، اما این تحقیقات بیشتر در سطح پژوهشی باقی مانده و به مرحله پیاده‌سازی گسترده در سامانه LMS نرسیده است.

سامانه دانشگاه اصفهان؛ جامع‌ترین رویکرد

در میان دانشگاه‌های ایران، سامانه دانشگاه اصفهان lms.ui.ac.ir رویکردی دوگانه و جامع را دنبال می‌کند که آن را از سایر دانشگاه‌ها متمایز می‌سازد. این سامانه هم به تشخیص محتوای تولیدشده توسط هوش مصنوعی مجهز است و هم ابزارهای پیشرفته مشابهت‌یابی پاسخ‌های دانشجویان را در اختیار دارد. علاوه بر آن چیدمان تصادفی سوالات و گزینه ها و انتخاب از بانک سوالات تصادفی امکان تقلب از طریق همنشینی دانشجویان و همچنین تقلب از طریق استفاده از هوش مصنوعی را به حداقل رسانده است. بخش تشخیص پاسخ های تولید شده با هوش مصنوعی/ کپی شده از اینترنت و حتی و بازنویسی شده توسط هوش مصنوعی (paraphraserپارافریزر) توسط سامانه شناسایی و لیست پاسخ ها و ضرایب شناسایی و کاربران متقلب به استاد برگزار کننده نمایش داده می شود. .

سامانه LMS دانشگاه اصفهان همچنین اطلاعاتی مانند آی‌پی‌ها، تغییر آی‌پی، سرعت پاسخ‌گویی به سوالات، زمان ماندن روی یک سوال، تعداد رفرش صفحه و از همه مهم‌تر، نتیجه پردازش سوالات را که در صورت شباهت پاسخ‌ها یا فایل‌ها، آن را به عنوان مشکوک به تقلب به اطلاع اساتید می‌رساند، ثبت و تحلیل می‌کند. قوانین سامانه نیز به گونه‌ای طراحی شده که باز کردن صفحه آزمون در دو تب مرورگر یا دو دستگاه مختلف، تقلب محسوب شده و دانشجو به صفحه هشدار هدایت می‌شود. همچنین اگر کاربر دیگری با همان مشخصات ارتباطی (آی‌پی، پروکسی یا دیوایس) وارد سامانه شود، تقلب محسوب می‌گردد.

آنچه دانشگاه اصفهان را از سایر دانشگاه‌ها متمایز می‌کند، ترکیب همزمان دو رویکرد نظارت بر رفتار و بررسی محتوای پاسخ‌ها است. در حالی که دانشگاه صنعتی اصفهان بیشتر بر نظارت تصویری و تحلیل رفتار حین آزمون متمرکز است و دانشگاه تهران بر تنوع‌سازی سوالات تأکید دارد، این رویکرد چندلایه، امکان تشخیص هر دو نوع تخلف رایج یعنی «کپی از دیگران» و «تولید پاسخ توسط ماشین» را فراهم می‌آورد و آن را به الگویی موفق در حفظ صداقت علمی تبدیل کرده است.

چالش‌ها و چشم‌انداز آینده

با وجود پیشرفت‌های چشمگیر در مکانیزم‌های کشف تقلب با هوش مصنوعی، این سیستم‌ها با چالش‌هایی نیز مواجه هستند. خطاهای مثبت کاذب، یعنی تشخیص اشتباه رفتارهای عصبی یا شرایط محیطی به عنوان تقلب، یکی از مشکلات رایج است. همچنین نگرانی‌های جدی درباره حفظ حریم خصوصی دانشجویان در نتیجه ضبط مستمر تصویر و صدا مطرح شده است. برخی مدل‌های تشخیص چهره نیز نسبت به گروه‌های نژادی یا جنسیتی خاص عملکرد ضعیف‌تری دارند که مسئله سوگیری الگوریتمی را پیش می‌کشد. علاوه بر این، روش‌های تقلب نیز به سرعت در حال تکامل هستند و همواره ابزارهای جدیدی برای دور زدن نظارت ارائه می‌شوند.

در آینده، انتظار می‌رود سیستم‌های هوشمندتر با بهره‌گیری از چند دوربین، پردازش بر روی خود دستگاه (برای کاهش انتقال داده و افزایش حریم خصوصی) و رویکردهای میان‌رشته‌ای که متخصصان فنی، حقوقی و روان‌شناسی را درگیر می‌کنند، جایگزین روش‌های فعلی شوند. همچنین توسعه مداوم الگوریتم‌ها، آموزش و آگاهی‌بخشی به داوطلبان و رعایت اصول اخلاقی از اهمیت ویژه‌ای برخوردار است. سامانه‌های یکپارچه مانند Verity که نظارت هوشمند، تشخیص سرقت ادبی و تحلیل محتوای تولیدشده توسط مدل‌های زبانی بزرگ را در یک معماری واحد ترکیب می‌کنند، می‌توانند الگوی مناسبی برای توسعه‌های آینده در دانشگاه‌های ایران باشند.