NHẬN DẠNG HÀNH VI GIAN LẬN TRONG THI CỬ TỪ HÌNH ẢNH CAMERA DỰA TRÊN MÔ HÌNH YOLOV8 VÀ RESNET-CBAM

Tóm tắt

Trong bối cảnh gia tăng các hình thức gian lận trong thi cử, đặc biệt tại các môi trường học tập trực tuyến và phòng thi được giám sát bằng camera, việc ứng dụng trí tuệ nhân tạo vào phát hiện hành vi gian lận đang trở thành hướng nghiên cứu quan trọng. Bài báo này đề xuất một mô hình học sâu hiệu quả nhằm nhận dạng hành vi gian lận trong thi cử dựa trên dữ liệu hình ảnh. Cụ thể, hệ thống gồm hai giai đoạn chính: (1) sử dụng mô hình YOLOv8 để phát hiện và cắt chính xác vùng chứa đối tượng thí sinh trong ảnh đầu vào; (2) áp dụng mô hình phân loại nhẹ dựa trên kiến trúc ResNet kết hợp cơ chế chú ý CBAM để nhận dạng hành vi gian lận như sử dụng điện thoại hoặc tài liệu. Kết quả thực nghiệm cho hai mô hình là ResNet18–CBAM và ResNet50-CBAM đạt độ chính xác từ 94,7% đến 96,3%, vượt trội so với các mô hình cùng loại đồng thời đạt tốc độ xử lý 37-57 khung hình/giây trên GPU RTX A4000, đáp ứng yêu cầu triển khai thời gian thực. Ngoài ra, kích thước mô hình chỉ khoảng 11 MB và 44,8 MB, cho phép tích hợp linh hoạt trên các hệ thống giám sát có tài nguyên hạn chế. Kết quả nghiên cứu khẳng định hiệu quả của việc kết hợp giữa mô hình phát hiện đối tượng nhanh YOLOv8 và mô hình phân loại nhẹ có cơ chế chú ý trong nhận dạng hành vi. Giải pháp này góp phần mở ra hướng tiếp cận khả thi cho việc tự động hóa giám sát thi cử, tăng cường tính minh bạch, và giảm thiểu sự phụ thuộc vào giám thị con người trong các hệ thống đánh giá học tập hiện đại.