CN110083808A - 基于用户答案的作弊判定方法、装置、设备及存储介质 - Google Patents
基于用户答案的作弊判定方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN110083808A CN110083808A CN201910203513.5A CN201910203513A CN110083808A CN 110083808 A CN110083808 A CN 110083808A CN 201910203513 A CN201910203513 A CN 201910203513A CN 110083808 A CN110083808 A CN 110083808A
- Authority
- CN
- China
- Prior art keywords
- paper
- detected
- similarity
- answer
- cheating
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000001514 detection method Methods 0.000 claims abstract description 54
- 238000012360 testing method Methods 0.000 claims abstract description 53
- 238000013179 statistical model Methods 0.000 claims abstract description 48
- 238000012550 audit Methods 0.000 claims description 14
- 239000000178 monomer Substances 0.000 claims description 3
- 230000006870 function Effects 0.000 description 6
- 238000007726 management method Methods 0.000 description 6
- 241000009298 Trigla lyra Species 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 239000000203 mixture Substances 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 235000013399 edible fruits Nutrition 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000005194 fractionation Methods 0.000 description 2
- 230000007115 recruitment Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/10—Text processing
- G06F40/194—Calculation of difference between files
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/10—Office automation; Time management
- G06Q10/105—Human resources
- G06Q10/1053—Employment or hiring
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Artificial Intelligence (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Electrically Operated Instructional Devices (AREA)
Abstract
本发明公开了一种基于用户答案的作弊判定方法、装置、设备及存储介质。所述方法包括:根据试卷唯一编号自数据库中调取包含主观题的待检测试卷;获取待检测试卷中与每一个主观题对应的单题相似度;将各主观题的单题相似度输入至预设的统计模型,接收统计模型输出的待检测试卷的整体相似度;根据整体相似度获取待检测试卷的作弊检测结果,并将整体相似度与作弊检测结果关联存储至待检测试卷中的预设的检测区域。本发明实现了自动化、高效化地作弊检测和抄袭认定,且减少了人力投入。
Description
技术领域
本发明涉及智能决策领域,具体涉及一种基于用户答案的作弊判定方法、装置、设备及存储介质。
背景技术
目前,在招聘过程中,尤其是在招聘考试的笔试环节中,针对主观题提交的用户答案,在该用户答案存在相似情形时,由于人工审阅工作量大,且存在主观因素影响,故很难通过人工区分用户答题的相似性,进而判断用户存在抄袭行为。而现有的考试***,通过采集考场现场的监控图像,检测用户是否存在作弊行为,而在试卷评分过程中,不进行作弊检测。
基于此,有必要提供一种作弊判定方法,解决人工认定抄袭困难的问题,以及减少人力投入。
发明内容
本发明实施例提供一种基于用户答案的作弊判定方法、装置、设备及存储介质,应用于智能考试***,为该智能考试***提供一个可靠的作弊检测工具,实现了自动化、高效化地作弊检测,减少了人力投入。
一种基于用户答案的作弊判定方法,包括:
根据试卷唯一编号自数据库中调取包含主观题的待检测试卷;
获取所述待检测试卷中与每一个所述主观题对应的单题相似度;
将各所述主观题的单题相似度输入至预设的统计模型,接收所述统计模型输出的所述待检测试卷的整体相似度;
根据所述整体相似度获取所述待检测试卷的作弊检测结果,并将所述整体相似度与所述作弊检测结果关联存储至所述待检测试卷中的预设的检测区域。
一种基于用户答案的作弊判定装置,包括:
调取模块,用于根据试卷唯一编号自数据库中调取包含主观题的待检测试卷;
单题检测模块,用于获取所述待检测试卷中与每一个所述主观题对应的单题相似度;
单题统计模块,用于将各所述主观题的单题相似度输入至预设的统计模型,接收所述统计模型输出的所述待检测试卷的整体相似度;
作弊判定模块,用于根据所述整体相似度获取所述待检测试卷的作弊检测结果,并将所述整体相似度与所述作弊检测结果关联存储至所述待检测试卷中的预设的检测区域。
一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机可读指令,所述处理器执行所述计算机可读指令时实现上述基于用户答案的作弊判定方法。
一种计算机可读存储介质,所述计算机可读存储介质存储有计算机可读指令,所述计算机可读指令被处理器执行时实现上述基于用户答案的作弊判定方法。
本发明提供的基于用户答案的作弊判定方法、装置、设备及存储介质,将获取的各所述单题相似度输入至预设的统计模型中,即可接收所述统计模型输出的整体相似度,实现了自动化、高效化地作弊检测和抄袭认定,且减少了人力投入;同时将作弊检测结果和检测数据添加至所述待检测试卷的检测区域中,使得作弊检测结果和检测数据有据可依,有利于数据的统一管理。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例的描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明一实施例中基于用户答案的作弊判定方法的一应用环境示意图;
图2是本发明一实施例中基于用户答案的作弊判定方法的一流程图;
图3是本发明一实施例中基于用户答案的作弊判定方法的一流程图;
图4是本发明一实施例中基于用户答案的作弊判定方法的一流程图;
图5是本发明一实施例中基于用户答案的作弊判定方法的一流程图;
图6是本发明一实施例中基于用户答案的作弊判定方法的一流程图;
图7是本发明一实施例中基于用户答案的作弊判定装置的一原理框图;
图8是本发明一实施例中基于用户答案的作弊判定装置的一原理框图;
图9是本发明一实施例中计算机设备的一示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明提供的基于用户答案的作弊判定方法,可应用在如图1的应用环境中,其中,客户端通过网络与服务器进行通信。其中,客户端包括但不限于为各种个人计算机、笔记本电脑、智能手机、平板电脑、摄像头和便携式可穿戴设备。服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一实施例中,如图2所示,提供一种基于用户答案的作弊判定方法,以该方法应用在图1中的服务器为例进行说明,包括以下步骤:
S10、根据试卷唯一编号自数据库中调取包含主观题的待检测试卷。
其中,所述待检测试卷是指,将应聘者提交之后需要进行作弊检测的答题试卷记录为待检测试卷;所述待检测试卷包含用户答案、应聘者信息和试卷唯一编号等。
优选地,所述数据库设置有管理员库、考生库、答题库、试卷库等。其中,管理员库用于存储管理员信息;所述考生库用于存储应聘者信息;所述答题库用于存储由管理员录入的主观题、自网上获取的主观题以及上述主观题的参***(所述参***可用于试卷评分阶段);所述试卷库用于存储历史答卷(以往应聘者的已评分试卷)和新增试卷(当前应聘者的待检测试卷)。
且优选地,包含上述数据库的服务器应用于智能考试***,所述智能考试***设置有登录界面、答题界面、审阅界面等。其中,登录界面用于以供应聘者登录和管理员登录;所述答题界面用于显示答题试卷,且所述答题界面设置有答题区域以供应聘者作答时录入用户答案;所述审阅界面用于显示待评分试卷(即已经过作弊检测的待检测试卷),而仅有审阅权限的管理员才能对所述审阅界面中的待检测试卷进行试卷评分和用户评价。
在本实施例中,当检测到应聘者提交的答题试卷之后,将已作答的所述答题试卷记录为待检测试卷,并立即对所述待检测试卷进行作弊检测。
在另一实施例中,在同一批应聘者完成笔试之后,从数据库中调取多份待检测试卷,在后续步骤中,根据试卷唯一编号顺次对所有的待检测试卷进行作弊检测。
S20、获取所述待检测试卷中与每一个所述主观题对应的单题相似度。
优选地,获取所述主观题的题目信息和用户答案,进而根据所述主观题的题目信息检测所述试卷库中已有的答题试卷(包含非同一批的以往应聘者的历史试卷或者同一批的其它应聘者的新增试卷)是否存在相同主观题,在所述试卷库中存在相同主观题时,获取所有的所述相同主观题的对比答案,此时,通过检测所述用户答案和所述对比答案即可获取所述主观题的单题相似度。其中,所述题目信息包括题目中的关键词、题目所属考查范围等。
在另一实施例中,可以根据获取的所述主观题的题目信息从所述答题库中直接调取所述主观题的参***,此时,通过检测所述用户答案和所述参***即可获取所述主观题的单题相似度。可理解的,若某主观题的单题相似度越高,该题存在抄袭嫌疑越大。
S30、将各所述主观题的单题相似度输入至预设的统计模型,接收所述统计模型输出的所述待检测试卷的整体相似度。
具体的,获取所述待检测试卷中各所述主观题的单题相似度、单题相似度所占的权重或者单题相似度的个数,即可通过预设的统计模型获取所述待检测试卷的整体相似度。优选地,所述统计模型包括基于平均算法的第一统计模型和基于权重的第二统计模型。
S40、根据所述整体相似度获取所述待检测试卷的作弊检测结果,并将所述整体相似度与所述作弊检测结果关联存储至所述待检测试卷中的预设的检测区域。
其中,所述检测区域是指待检测试卷中预设识别标签(比如:包含“检测结果”、“相似度”等字符的标题)之后的空白区域,且所述检测区域可以根据需求设置。
所述作弊检测结果包含存在作弊和不存在作弊。
在本实施例中,检测所述整体相似度是否超过预设的作弊阈值,在所述整体相似度超过预设的作弊阈值时,确认所述待检测试卷存在作弊,并将所述整体相似度和存在作弊的作弊检测结果对应添加至所述待检测试卷中的预设的检测区域;而在所述整体相似度未超过预设的作弊阈值时,确认所述待检测试卷不存在作弊,将所述整体相似度和不存在作弊的作弊检测结果对应添加至所述待检测试卷中的预设的检测区域。其中,所述预设的作弊阈值用于捞取出无作弊的应聘者,同时屏蔽掉存在作弊的应聘者。
进一步的,将所述整体相似度与所述作弊检测结果关联存储至所述待检测试卷中的预设的检测区域,同时还可以将其它的检测数据添加至该预设区域的对应位置,比如:每一个主观题对应的单题相似度,用户答案中存在抄袭的具体字段等。可理解的,所述检测数据包含各主观题对应的单题相似度、该待检测试卷的整体相似度以及存在抄袭的具体段落等。
综上所述,本发明提供的基于用户答案的作弊判定方法,在同一批次的应聘者完成笔试之后,根据试卷的唯一编号调取待检测试卷,并分别获取该待检测试卷中各主观题对应的单题相似度,进而将各所述单题相似度输入至预设的统计模型中,即可得到所述统计模型输出的整体相似度;进一步的,根据所述待检测试卷的整体相似度获取作弊检测结果,并将所述作弊检测结果和检测数据添加至所述待检测试卷的检测区域中,实现了自动化、高效化地作弊检测和抄袭认定,且减少了人力投入;同时使得作弊检测结果和检测数据有据可依,有利于数据的统一管理。
在一实施例中,在同一批的应聘者的待检测试卷经过作弊检测之后,获取该批试卷的统计数据,并检测所述统计数据达到预设的阈值报警值,若所述统计数据达到预设的阈值报警值,则自动触发异常处理指令,并根据异常数据重新设置相关数据。比如:主观题的作弊概率达到其对应的阈值报警值,则用针对性更强的主观题替换该作弊概率较高(针对性偏弱)的主观题。
其中,所述统计数据包括主观题的出现概率、主观题的作弊概率等。比如:数据库存储有100份待检测试卷,若某主观题在该批待检测试卷中出现的次数10次,则该主观题的出现概率为1/10;若在该10份待检测试卷中,有8份待检测试卷中该主观题的单题相似度均超过预设作弊阈值,则该主观题的作弊概率为8/10。
在另一实施例中,在同一批的应聘者的待检测试卷经过作弊检测之后,获取该批试卷的统计数据,并将所述统计数据发送至具有查看权限的管理员(比如:主任或者经理),而所述管理员查看所述统计数据时发现了异常数据(比如:不同答卷中作弊问题集中在同一主观题),即可向所述服务器发送包含异常数据的异常处理指令,而服务器接收到该异常处理指令时,根据所述异常数据重新设置相关数据。
在一实施例中,如图3所示,所述步骤S10之前,即所述根据试卷唯一编号自数据库中调取包含主观题的待检测试卷之前,包括以下步骤:
S101、接收包含应聘者账号的第一登录指令,在数据库查询是否存在与所述应聘者账号匹配的应聘者信息。
其中,所述应聘者账号包含用户在智能考试***的登录界面录入的姓名和笔试考号等。
所述第一登录指令是指,应聘者在智能考试***的登录界面录入应聘者账号之后,点击预设的登录按钮发送至服务器的。
优选地,接收包含应聘者账号的第一登录指令,根据所述应聘者账号自所述考生库查询该应聘者为预先存储在所述考生库中的哪一应聘者,也即,验证该应聘者身份。
S102、在存在与所述应聘者账号的应聘者信息时,自所述数据库随机选取预定数量和总分值的主观题生成答题试卷。
优选地,在存在与所述应聘者账号匹配的应聘者信息时,提示该应聘者验证通过,从答题库随机选取预定数量和总分值的主观题生成答题试卷,并将该答题试卷分页显示在智能考试***的答题界面,以供所述应聘者作答之后获得包含用户答案的答题试卷。比如:答题试卷共10道主观题,主观题总分值为50分,一页显示5道主观题。
进一步的,所述答题库可以根据考查范围可以分为多个子库,此时,根据预设抽取比例从各子库中选取与比例对应的主观题,再组合生成答题试卷。其中,考查范围包括考查应聘者的沟通能力、解决问题能力、团队合作能力、创新思维能力、专业知识能力等。可理解的,由于答题试卷的主观题是从答题库中随机抽取的,因此不同的应聘者对应的答题试卷并不相同,有利于避免不同应聘者之间的互相抄袭,以及提高应聘者成绩真实性。
比如:智能考试***设置的答题试卷包含五大部分,共计20道题,若按照预设抽取比例1:1:1:1:1从答题库抽取主观题,则分别选取用于考查沟通能力、解决问题能力、团队合作能力、创新思维能力、专业知识能力的主观题各4个。
S103、接收包含试卷唯一编号的提交指令,将已作答的所述答题试卷记录为待检测试卷,并将所述试卷唯一编号和所述待检测试卷关联存储至数据库中。
其中,所述试卷唯一编号由应聘者的笔试考号、试卷提交时间、当前提交序号中的一种或多种组成。
优选地,在应聘者确认答题无误,并点击预设提交按钮时,接收包含试卷唯一编号的提交指令,将所述试卷唯一编号和包含应聘者信息、各主观题的题目信息、用户答案的待检测试卷关联存储至试卷库中。
在另一实施例中,在应聘者点击预设提交按钮时,检测各所述主观题对应的答题区域内是否存在用户答案,若某一主观题的答题区域未检测到用户答案,则提示用户该主观题未答题,并等待用户进一步确认提交;比如:提示内容为“题X未答题,是否继续提交”。
综上所述,本发明提供的基于用户答案的作弊判定方法,在应聘者身份验证通过之后,自数据库随机选取预设数量和总分值的主观题生成答题试卷,以供应聘者作答之后获得用户答案;而在获取到同一批次应聘者的答题试卷之后,将已作答的答题试卷记录为待检测答卷,并将所述试卷唯一编号和所述待检测试卷关联存储至数据库中,以供服务器进行作弊检测,有利于防作弊和试卷的统一管理,提高了作弊检测效率。
在一实施例中,如图4所示,所述步骤S20,即所述获取所述待检测试卷中与每一个所述主观题对应的单题相似度,具体包括以下步骤:
S201、获取所述待检测试卷中每一个所述主观题的题目信息及其用户答案,并将获取的所述主观题的用户答案记录为待检测答案。
S202、根据所述主观题的题目信息,从所述数据库中获取其他试卷中相同主观题的用户答案,并将获取的所述其他试卷中相同主观题的用户答案记录为对比答案。
S203、通过预设的匹配规则检测所述待检测答案与所述对比答案之间的纯文字相似度和/或语义相似度,并根据所述纯文字相似度和/或所述语义相似度获取所述主观题的单题相似度。
其中,所述匹配规则包含字符匹配和语义匹配;其中所述字符匹配是指两个字符相同且字符数相同的字符串为同一字符串;语义匹配是指两个语义相同的字符串为同一字符串,比如:“你多大”与“你年龄多少”。
在本实施例的一方面,通过预设的结尾符号和字数阈值对待检测答案进行拆分,生成多个包含拆分标签的文字片段,并根据各所述文字片段在所述对比答案中进行字符匹配检测,获取该待检测答案的纯文字相似度,并将所述纯文字相似度记录为所述主观题的单题相似度。其中。所述文字片段的形式为:[文字片段+拆分标签];比如:[文字片段a1]。
比如:某待检测答案拆分成15个文字片段,且每个文字片段为10个字符,在该文字片段对应的字符串在所述对比答案中存在完全相同的字符串(字符相同且字符数相同的连续字符)时,确定该文字片段为抄袭,若检测到对比答案A中存在字符串与[文字片段a1]和[文字片段a2]相同,对比答案B中存在字符串与[文字片段a1]和[文字片段a3]相同,则该待检测答案的纯文字相似度为20%。
在本实施例的另一方面,获取到多个文字片段之后,并根据各所述文字片段在所述对比答案中进行语义匹配检测,获取该待检测答案的语义相似度,并将所述待检测答案的语义相似度记录为所述主观题的单题相似度
在本实施例的又一方面,根据所述纯文字相似度、所述纯文字相似度对应的权重、所述语义相似度以及所述语义相似度对应的权重,获取所述主观题的单题相似度。
在一实施例中,所述步骤S30,即所述将各所述主观题的单题相似度输入至预设的统计模型,接收所述统计模型输出的所述待检测试卷的整体相似度,包括以下步骤:
将各所述主观题的单题相似度输入至基于平均算法的第一统计模型,接收所述第一统计模型输出的所述待检测试卷的整体相似度;所述第一统计模型为:
其中,Q为整体相似度;Pi为单题相似度;N为单体相似度的个数。
可理解的,获知各所述单题相似度和试题总数,即可通过第一统计模型计算获得所述待检测试卷的整体相似度。
比如:已知待检测试卷共5题,且每题均为20分,若第1题的单题相似度为15%、第2题的单题相似度为95%、第3题的单题相似度为90%、第4题的单题相似度为10%、第5题的单题相似度为85%,则利用上述第一统计模型可以获得该检测答卷的整体相似度为59%。
在另一实施例中,所述步骤S30,即所述将各所述主观题的单题相似度输入至预设的统计模型,接收所述统计模型输出的所述待检测试卷的整体相似度,包括以下步骤:
将各所述主观题的单题相似度输入至基于权重的第二统计模型,接收所述第二统计模型输出的所述待检测试卷的整体相似度;所述第二统计模型为:
其中,Ki为单题相似度所占的权重;且
可理解的,获知各所述单题相似度和所述单题相似度所占的权重,即可通过所述第二统计模型计算获得所述答卷的整体相似度。其中,所述单题相似度所占的权重与所述待答题试卷中各主观题的分值成正比,分值越高,该主观题的单题相似度所占的权重越大;比如:若主观题为考查重点和考查难点,则相对于常规题上述重难点题可以设置较高分值。
比如:已知待检测试卷共5,且设置的分值分布情况为第1题10分、第2题10分、第3题20分、第4题30分和第5题30分,此时,根据该分值分布情况可以获知各题的单题相似度所占的权重分别为1/10、1/10、2/10、3/10和3/10,若第1题的单题相似度为15%、第2题的单题相似度为95%、第3题的单题相似度为90%、第4题的单题相似度为10%、第5题的单题相似度为85%,则利用上述第二统计模型可以获得该检测答卷的整体相似度为57.5%。
在一实施例中,如图5所示,所述步骤S40之前,包括以下步骤:
S501、检测各所述单题相似度是否超过预设的动态阈值。
S502、获取所述单题相似度超过所述动态阈值的单题数量,并检测所述单题数量是否超过预设数量阈值。
S503、在所述单题数量超过预设数量阈值时,根据预设的调整模型增加所述整体相似度;所述调整模型为:
QS=Q±ΔQ=Q±|n-n0|*S0*F
其中,QS为调整后的整体相似度;ΔQ为调整值;n0为预设数量阈值;n为单题数量;S0为动态阈值;F为调整系数。
优选地,调整系数存在预设的对应关系,比如为:调整系数可以为以预设数量阈值为第一项的等比数列或者等差数列。
在所述单题数量超过预设数量阈值时,该待检测试卷存在作弊的概率越高,此时,根据预设的调整公式增加所述整体相似度,即在初始的整体相似度增加一个调整值得到调整后的整体相似度。比如:令预设数量阈值为3个,初始的整体相似度为59%,预设的作弊阈值为60%,调整系数如表1所示;若某份待检测试卷中主观题的单题相似度超过预设的动态阈值(比如:90%)的单题数量为5,则根据预设的调整公式可以获得调整值为5.4%,调整后的整体相似度为64.4%;在后续步骤中,若预设的作弊阈值为60%,则确认所述待检测试卷存在作弊。
表1预设数量阈值为3的调整系数表
项数 | 单题数量(单位:个) | 调整系数 |
1 | 3 | f(0)=1 |
2 | 4 | f(1)=2 |
3 | 5 | f(2)=3 |
…… | …… | …… |
m | n | f(m)=f(0)+d*(m-1) |
S504、在所述单题数量未超过预设数量阈值时,保持所述整体相似度不变或者根据预设的调整模型减小所述整体相似度。
其中,根据预设的调整公式减少所述整体相似度,即在初始的整体相似度减少一个调整值得到调整后的整体相似度,在后续步骤中,若调整后的整体相似度仍超过预设的作弊阈值,则确认所述待检测试卷存在作弊;若调整后的整体相似度未超过预设的作弊阈值,则确认所述待检测试卷不存在作弊。比如:令预设数量阈值为3个,初始的整体相似度为64%,预设的作弊阈值为60%;若某份待检测试卷中主观题的单题相似度超过预设的动态阈值(比如:90%)的单题数量为2,调整系数为2(与单题数量为4的调整系数相同),则根据预设的调整公式可以获得调整值为1.8%,调整后的整体相似度为62.2%;在后续步骤中,若预设的作弊阈值为60%,则确认所述待检测试卷存在作弊。
综上所述,本发明提供的基于用户答案的作弊判定方法,通过检测单题数量是否超过预设数量阈值来调整整体相似度,有利于提高作弊检测结果的可靠性。
在一实施例中,如图6所示,所述作弊检测结果包含未存在作弊和存在作弊,此时,所述方法还包括以下步骤:
S601、接收包含管理员账号的第二登录指令,在数据库查询是否存在与所述管理员账号匹配的管理员信息。
其中,所述管理员账号包括管理员在智能考试***的登录界面录入的姓名、工号、管理权限号等。
优选地,接收包含管理员账号的第二登录指令,根据所述管理员账号自所述管理员库查询该管理员为预先存储在所述管理员库中的哪一管理员,也即验证该管理员身份。
可理解的,各管理员的权限范围并不相同,比如:具有查询权限的管理员可以查看应聘者的答题试卷以及该答题试卷对应的应聘者信息,而具有审阅权限的管理员可以仅可以查看与之匹配的应聘者的答题试卷(比如:作弊检测结果为存在作弊,但试卷得分值超过预设审核阈值的待检测试卷),并对所述答题试卷进行审核,但无法获知所述答题试卷对应的应聘者信息等;同时,各管理员的权限等级并不相同,比如:非人事资源部的部门经理只能查看相关部门的应聘者的答题试卷,而人事部的负责人可以查看所有的应聘者的答题试卷。
S602、在存在与所管理员账号匹配的管理员信息时,获取与所述管理员账号匹配且其作弊检测结果为存在作弊的所述待检测试卷。
也即,在存在与所述第二登录信息匹配的用户信息时,提示该管理员验证通过,进入智能考试***的查阅界面,同时获取与所述管理员账号匹配且其作弊检测结果为存在作弊的所述待检测试卷;而在不存在与所述第二登录信息匹配的管理员信息时,提示不存在该账户。
S603、根据预设的评分参数获取所述待检测试卷的试卷得分值,并检测所述试卷得分值是否超过预设的审核阈值。
其中,所述评分参数可以评分人员在所述智能考试***的查阅界面录入的分值或等级,亦可以是使用预设的评分模型对所述待检测试卷检测之后获得的分值或等级;所述审核阈值根据需求设置;比如:100分。
在本实施例的一方面,针对各所述主观题设置有不同的分值(比如:0~10分),此时,根据获取的所述待检测试卷中每一道主观题的分值,统计并计算所述待检测试卷的试卷得分值;而在本实施例的一方面,针对各所述主观题设置有不同的等级(比如:及格、一般、良好以及优),且不同的等级对应有一固定分值(比如:及格为6分,一般为7分,良为8分、优为10分等),此时,根据获取的所述待检测试卷中每一道主观题的等级,统计并计算所述待检测试卷的试卷得分值。进一步的,在获取到所述待检测试卷的试卷得分值之后,检测所述试卷得分值是否达到预设的审核阈值。
S604、在所述试卷得分值达到预设的审核阈值时,将与该试卷得分值对应的所述待检测试卷以预设的展示形式显示在客户端。
其中,所述展示形式包含列表、小图标、大图标等,且可以根据用户需求切换各展示形式。
也即,在所述试卷得分值达到预设的审核阈值时,可以将作弊检测结果为存在作弊的所述待检测试卷记录为疑似作弊试卷,并将所述疑似作弊试卷以列表显示在所述查阅界面的待评分列表中,以供所述管理员审核,以进一步确定该疑似作弊试卷的所述试卷得分值是否真实,也即确定该疑似作弊试卷的作弊检测结果是否有效;而在所述试卷得分值未达到预设的审核阈值时,将作弊检测结果为存在作弊的所述待检测试卷对应的应聘者的笔试结果标记为未通过笔试。可理解的,具体的展示形式可以为:[试卷唯一编号][试卷名称],比如,BS20171023018-综合能力。
进一步的,若所述管理员确定存在作弊的作弊检测结果为有效,则将所述应聘者的笔试结果标记为未通过笔试;而若所述管理员确定存在作弊的作弊检测结果为无效,则发送一个提示包;比如,该应聘者的试卷得分值为XX,面试阶段可重点关注。可理解的,在作弊检测结果为存在作弊,但试卷得分值超过预设审核阈值的待检测试卷较多时,所述管理员有权限将需要进行审核的所述待检测试卷转让给其它的具有审阅权限的管理员。
综上所述,本发明提供的基于用户答案的作弊判定方法,在作弊检测阶段之后,还设置有试卷审核阶段,能够避免整体相似度较高但分值较高的待检测试卷被误判为存在作弊的待检测试卷,有效避免错失优选人才。
在一实施例中,如图7所示,提供一种基于用户答案的作弊判定装置,该基于用户答案的作弊判定装置与上述实施例中基于用户答案的作弊判定方法一一对应。该基于用户答案的作弊判定装置包括调取模块110、单题检测模块120、单题统计模块130和作弊判定模块140。各功能模块详细说明如下:
调取模块110,用于根据试卷唯一编号自数据库中调取包含主观题的待检测试卷。
单题检测模块120,用于获取所述待检测试卷中与每一个所述主观题对应的单题相似度。
单题统计模块130,用于将各所述主观题的单题相似度输入至预设的统计模型,接收所述统计模型输出的所述待检测试卷的整体相似度。
作弊判定模块140,用于根据所述整体相似度获取所述待检测试卷的作弊检测结果,并将所述整体相似度与所述作弊检测结果关联存储至所述待检测试卷中的预设的检测区域。
在一实施例中,基于用户答案的作弊判定装置还包括以下模块,各功能模块详细说明如下:
第一登录模块,用于接收包含应聘者账号的第一登录指令,在数据库查询是否存在与所述应聘者账号匹配的应聘者信息。
答题模块,用于在存在与所述应聘者账号的应聘者信息时,自所述数据库随机选取预定数量和总分值的主观题生成答题试卷。
存储模块,用于接收包含试卷唯一编号的提交指令,将已作答的所述答题试卷记录为待检测试卷,并将所述试卷唯一编号和所述待检测试卷关联存储至数据库中。
在一实施例中,在所述作弊检测结果包含未存在作弊和存在作弊时,基于用户答案的作弊判定装置还包括以下模块,各功能模块详细说明如下:
第二登录模块,用于接收包含管理员账号的第二登录指令,在数据库查询是否存在与所述管理员账号匹配的管理员信息。
匹配获取模块,用于在存在与所管理员账号匹配的管理员信息时,获取与所述管理员账号匹配且其作弊检测结果为存在作弊的所述待检测试卷。
分值检测模块,用于根据预设的评分参数获取所述待检测试卷的试卷得分值,并检测所述试卷得分值是否超过预设的审核阈值。
审核模块,用于在所述试卷得分值达到预设的审核阈值时,将与该试卷得分值对应的所述待检测试卷以预设的展示形式显示在客户端。
在一实施例中,如图8所示,所述单题检测模块120包括以下子模块,各功能子模块详细说明如下:
第一记录子模块121,用于获取所述待检测试卷中每一个所述主观题的题目信息及其用户答案,并将获取的所述主观题的用户答案记录为待检测答案。
第二记录子模块122,用于根据所述主观题的题目信息,从所述数据库中获取其他试卷中相同主观题的用户答案,并将获取的所述其他试卷中相同主观题的用户答案记录为对比答案。
匹配子模块123,用于通过预设的字符匹配规则检测所述待检测答案与所述对比答案之间的纯文字相似度和/或语义相似度,并根据所述纯文字相似度和/或所述语义相似度获取所述主观题的单题相似度。
在一实施例中,所述单题统计模块130包括第一输出子模块,该功能子模块详细说明如下:
第一输出子模块,用于将各所述主观题的单题相似度输入至基于平均算法的第一统计模型,接收所述第一统计模型输出的所述待检测试卷的整体相似度;所述第一统计模型为:
其中,Q为整体相似度;Pi为单题相似度;N为单体相似度的个数。
在另一实施例中,所述单题统计模块130包括第二输出子模块,该功能子模块详细说明如下:
第二输出单元,用于将各所述主观题的单题相似度输入至基于权重的第二统计模型,接收所述第二统计模型输出的所述待检测试卷的整体相似度;所述第二统计模型为:
其中,Ki为单题相似度所占的权重;且
在一实施例中,基于用户答案的作弊判定装置还包括以下模块,各功能模块详细说明如下:
第一检测模块,用于检测各所述单题相似度是否超过预设的动态阈值。
第二检测模块,用于获取所述单题相似度超过所述动态阈值的单题数量,并检测所述单题数量是否超过预设数量阈值。
第一调整模块,用于在所述单题数量超过预设数量阈值时,根据预设的调整模型增加所述整体相似度;所述调整模型为:
QS=Q±ΔQ=Q±|n-n0|*S0*F
其中,QS为调整后的整体相似度;ΔQ为调整值;n0为预设数量阈值;n为单题数量;S0为动态阈值;F为调整系数。
第二调整模块,用于在所述单题数量未超过预设数量阈值时,保持所述整体相似度不变或者根据预设的调整模型减小所述整体相似度。
关于基于用户答案的作弊判定装置的具体限定可以参见上文中对于基于用户答案的作弊判定方法的限定,在此不再赘述。上述基于用户答案的作弊判定装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图9所示。该计算机设备包括通过***总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***、计算机可读指令和数据库。该内存储器为非易失性存储介质中的操作***和计算机可读指令的运行提供环境。该计算机可读指令被处理器执行时以实现一种基于用户答案的作弊判定方法。
在一个实施例中,提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机可读指令,处理器执行计算机可读指令时实现以下步骤:
根据试卷唯一编号自数据库中调取包含主观题的待检测试卷;
获取所述待检测试卷中与每一个所述主观题对应的单题相似度;
将各所述主观题的单题相似度输入至预设的统计模型,接收所述统计模型输出的所述待检测试卷的整体相似度;
根据所述整体相似度获取所述待检测试卷的作弊检测结果,并将所述整体相似度与所述作弊检测结果关联存储至所述待检测试卷中的预设的检测区域。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机可读指令,计算机可读指令被处理器执行时实现以下步骤:
根据试卷唯一编号自数据库中调取包含主观题的待检测试卷;
获取所述待检测试卷中与每一个所述主观题对应的单题相似度;
将各所述主观题的单题相似度输入至预设的统计模型,接收所述统计模型输出的所述待检测试卷的整体相似度;
根据所述整体相似度获取所述待检测试卷的作弊检测结果,并将所述整体相似度与所述作弊检测结果关联存储至所述待检测试卷中的预设的检测区域。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机可读指令来指令相关的硬件来完成,所述的计算机可读指令可存储于一非易失性计算机可读取存储介质中,该计算机可读指令在执行时,可包括如上述各方法的实施例的流程。其中,本发明所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路DRAM(SLDRAM)、存储器总线直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元或模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元或模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。
以上所述实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于用户答案的作弊判定方法,其特征在于,包括:
根据试卷唯一编号自数据库中调取包含主观题的待检测试卷;
获取所述待检测试卷中与每一个所述主观题对应的单题相似度;
将各所述主观题的单题相似度输入至预设的统计模型,接收所述统计模型输出的所述待检测试卷的整体相似度;
根据所述整体相似度获取所述待检测试卷的作弊检测结果,并将所述整体相似度与所述作弊检测结果关联存储至所述待检测试卷中的预设的检测区域。
2.如权利要求1所述的基于用户答案的作弊判定方法,其特征在于,所述获取所述待检测试卷中与每一个所述主观题对应的单题相似度,包括:
获取所述待检测试卷中每一个所述主观题的题目信息及其用户答案,并将获取的所述主观题的用户答案记录为待检测答案;
根据所述主观题的题目信息,从所述数据库中获取其他试卷中相同主观题的用户答案,并将获取的所述其他试卷中相同主观题的用户答案记录为对比答案;
通过预设的匹配规则检测所述待检测答案与所述对比答案之间的纯文字相似度和/或语义相似度,并根据所述纯文字相似度和/或所述语义相似度获取所述主观题的单题相似度。
3.如权利要求1所述的基于用户答案的作弊判定方法,其特征在于,所述将各所述主观题的单题相似度输入至预设的统计模型,接收所述统计模型输出的所述待检测试卷的整体相似度,包括:
将各所述主观题的单题相似度输入至基于平均算法的第一统计模型,接收所述第一统计模型输出的所述待检测试卷的整体相似度;所述第一统计模型为:
其中,Q为整体相似度;Pi为单题相似度;N为单体相似度的个数;
或
将各所述主观题的单题相似度输入至基于权重的第二统计模型,接收所述第二统计模型输出的所述待检测试卷的整体相似度;所述第二统计模型为:
其中,Ki为单题相似度所占的权重;且
4.如权利要求1所述的基于用户答案的作弊判定方法,其特征在于,所述根据所述整体相似度获取所述待检测试卷的作弊检测结果之前,包括:
检测各所述单题相似度是否超过预设的动态阈值;
获取所述单题相似度超过所述动态阈值的单题数量,并检测所述单题数量是否超过预设数量阈值;
在所述单题数量超过预设数量阈值时,根据预设的调整模型增加所述整体相似度;所述调整模型为:
QS=Q±ΔQ=Q±|n-n0|*S0*F
其中,QS为调整后的整体相似度;ΔQ为调整值;n0为预设数量阈值;n为单题数量;S0为动态阈值;F为调整系数;
在所述单题数量未超过预设数量阈值时,保持所述整体相似度不变或者根据预设的调整模型减小所述整体相似度。
5.如权利要求1所述的基于用户答案的作弊判定方法,其特征在于,所述根据试卷唯一编号自数据库中调取包含主观题的待检测试卷之前,包括:
接收包含应聘者账号的第一登录指令,在数据库查询是否存在与所述应聘者账号匹配的应聘者信息;
在存在与所述应聘者账号的应聘者信息时,自所述数据库随机选取预定数量和总分值的主观题生成答题试卷;
接收包含试卷唯一编号的提交指令,将已作答的所述答题试卷记录为待检测试卷,并将所述试卷唯一编号和所述待检测试卷关联存储至数据库中。
6.如权利要求1所述的基于用户答案的作弊判定方法,其特征在于,所述作弊检测结果包含未存在作弊和存在作弊;
所述根据所述整体相似度获取所述待检测试卷的作弊检测结果,并将所述整体相似度与所述作弊检测结果关联存储至所述待检测试卷中的预设的检测区域之后,包括:
接收包含管理员账号的第二登录指令,在数据库查询是否存在与所述管理员账号匹配的管理员信息;
在存在与所管理员账号匹配的管理员信息时,获取与所述管理员账号匹配且其作弊检测结果为存在作弊的所述待检测试卷;
根据预设的评分参数获取所述待检测试卷的试卷得分值,并检测所述试卷得分值是否超过预设的审核阈值;
在所述试卷得分值达到预设的审核阈值时,将与该试卷得分值对应的所述待检测试卷以预设的展示形式显示在客户端。
7.一种基于用户答案的作弊判定装置,其特征在于,包括:
调取模块,用于根据试卷唯一编号自数据库中调取包含主观题的待检测试卷;
单题检测模块,用于获取所述待检测试卷中与每一个所述主观题对应的单题相似度;
单题统计模块,用于将各所述主观题的单题相似度输入至预设的统计模型,接收所述统计模型输出的所述待检测试卷的整体相似度;
作弊判定模块,用于根据所述整体相似度获取所述待检测试卷的作弊检测结果,并将所述整体相似度与所述作弊检测结果关联存储至所述待检测试卷中的预设的检测区域。
8.如权利要求7所述的基于用户答案的作弊判定装置,其特征在于,所述单题检测模块,包括:
第一记录子模块,用于获取所述待检测试卷中每一个所述主观题的题目信息及其用户答案,并将获取的所述主观题的用户答案记录为待检测答案;
第二记录子模块,用于根据所述主观题的题目信息,从所述数据库中获取其他试卷中相同主观题的用户答案,并将获取的所述其他试卷中相同主观题的用户答案记录为对比答案;
匹配子模块,用于通过预设的匹配规则检测所述待检测答案与所述对比答案之间的纯文字相似度和/或语义相似度,并根据所述纯文字相似度和/或所述语义相似度获取所述主观题的单题相似度。
9.一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机可读指令,其特征在于,所述处理器执行所述计算机可读指令时实现如权利要求1至6任一项所述基于用户答案的作弊判定方法。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机可读指令,其特征在于,所述计算机可读指令被处理器执行时实现如权利要求1至6任一项所述基于用户答案的作弊判定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910203513.5A CN110083808B (zh) | 2019-03-18 | 2019-03-18 | 基于用户答案的作弊判定方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910203513.5A CN110083808B (zh) | 2019-03-18 | 2019-03-18 | 基于用户答案的作弊判定方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110083808A true CN110083808A (zh) | 2019-08-02 |
CN110083808B CN110083808B (zh) | 2024-04-02 |
Family
ID=67413172
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910203513.5A Active CN110083808B (zh) | 2019-03-18 | 2019-03-18 | 基于用户答案的作弊判定方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110083808B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110674722A (zh) * | 2019-09-19 | 2020-01-10 | 浙江蓝鸽科技有限公司 | 一种试卷拆分方法及其*** |
CN112308417A (zh) * | 2020-10-30 | 2021-02-02 | 领扣网络(上海)有限公司 | 在线测评的防作弊方法及*** |
CN112529091A (zh) * | 2020-12-18 | 2021-03-19 | 广州视源电子科技股份有限公司 | 课件相似度检测方法、装置及存储介质 |
CN113095968A (zh) * | 2019-12-23 | 2021-07-09 | 深圳云天励飞技术有限公司 | 一种作弊识别方法、装置及电子设备 |
CN113786625A (zh) * | 2021-07-28 | 2021-12-14 | 北京永信至诚科技股份有限公司 | 一种在线反作弊监控方法及装置 |
CN114912510A (zh) * | 2022-04-07 | 2022-08-16 | 央视市场研究股份有限公司 | 一种线上调研样本质量评估*** |
CN117874416A (zh) * | 2024-01-12 | 2024-04-12 | 网才科技(广州)集团股份有限公司 | 一种试卷断崖式异常分析方法及*** |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20060125234A (ko) * | 2005-06-02 | 2006-12-06 | 헌 김 | 부정 행위 근절을 위한 시험 문제지 생성 방법 및 시스템 |
KR20140042440A (ko) * | 2012-09-28 | 2014-04-07 | 길석면 | 온라인 시험용 평가 보안방법 |
KR20140052685A (ko) * | 2012-10-25 | 2014-05-07 | 에스케이텔레콤 주식회사 | 문장 유사도를 이용한 문장 평가 방법, 이를 위한 장치 및 이 방법이 기록된 컴퓨터로 판독 가능한 기록 매체 |
KR20140052268A (ko) * | 2012-10-24 | 2014-05-07 | 에스케이텔레콤 주식회사 | 웹 검색 엔진을 이용한 문장 평가 방법, 이를 위한 장치 및 이 방법이 기록된 컴퓨터로 판독 가능한 기록 매체 |
US20150193651A1 (en) * | 2014-01-03 | 2015-07-09 | Gleim Conferencing, Llc | System and method for validating test takers |
CN106170002A (zh) * | 2016-09-08 | 2016-11-30 | 中国科学院信息工程研究所 | 一种中文仿冒域名检测方法及*** |
CN108170469A (zh) * | 2017-12-20 | 2018-06-15 | 南京邮电大学 | 一种基于代码提交历史的Git仓库相似性检测方法 |
CN108829780A (zh) * | 2018-05-31 | 2018-11-16 | 北京万方数据股份有限公司 | 文本检测方法、装置、计算设备及计算机可读存储介质 |
CN108961122A (zh) * | 2018-08-08 | 2018-12-07 | 安徽建筑大学 | 一种考试防作弊方法、相关设备及*** |
CN108984493A (zh) * | 2018-07-19 | 2018-12-11 | 中国联合网络通信集团有限公司 | 一种中文文章查重方法和*** |
-
2019
- 2019-03-18 CN CN201910203513.5A patent/CN110083808B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20060125234A (ko) * | 2005-06-02 | 2006-12-06 | 헌 김 | 부정 행위 근절을 위한 시험 문제지 생성 방법 및 시스템 |
KR20140042440A (ko) * | 2012-09-28 | 2014-04-07 | 길석면 | 온라인 시험용 평가 보안방법 |
KR20140052268A (ko) * | 2012-10-24 | 2014-05-07 | 에스케이텔레콤 주식회사 | 웹 검색 엔진을 이용한 문장 평가 방법, 이를 위한 장치 및 이 방법이 기록된 컴퓨터로 판독 가능한 기록 매체 |
KR20140052685A (ko) * | 2012-10-25 | 2014-05-07 | 에스케이텔레콤 주식회사 | 문장 유사도를 이용한 문장 평가 방법, 이를 위한 장치 및 이 방법이 기록된 컴퓨터로 판독 가능한 기록 매체 |
US20150193651A1 (en) * | 2014-01-03 | 2015-07-09 | Gleim Conferencing, Llc | System and method for validating test takers |
CN106170002A (zh) * | 2016-09-08 | 2016-11-30 | 中国科学院信息工程研究所 | 一种中文仿冒域名检测方法及*** |
CN108170469A (zh) * | 2017-12-20 | 2018-06-15 | 南京邮电大学 | 一种基于代码提交历史的Git仓库相似性检测方法 |
CN108829780A (zh) * | 2018-05-31 | 2018-11-16 | 北京万方数据股份有限公司 | 文本检测方法、装置、计算设备及计算机可读存储介质 |
CN108984493A (zh) * | 2018-07-19 | 2018-12-11 | 中国联合网络通信集团有限公司 | 一种中文文章查重方法和*** |
CN108961122A (zh) * | 2018-08-08 | 2018-12-07 | 安徽建筑大学 | 一种考试防作弊方法、相关设备及*** |
Non-Patent Citations (2)
Title |
---|
RAZAN BAWARITH ET.AL: "E-exam Cheating Detection System", 《(IJACSA) INTERNATIONAL JOURNAL OF ADVANCED COMPUTER SCIENCE AND APPLICATIONS》, vol. 8, no. 4, pages 176 - 181 * |
常永虎 等: "基于考生在线行为的互抄袭作弊检测算法研究", 重庆工商大学学报(自然科学版), vol. 33, no. 03, pages 51 - 55 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110674722A (zh) * | 2019-09-19 | 2020-01-10 | 浙江蓝鸽科技有限公司 | 一种试卷拆分方法及其*** |
CN110674722B (zh) * | 2019-09-19 | 2023-04-07 | 浙江蓝鸽科技有限公司 | 一种试卷拆分方法及其*** |
CN113095968A (zh) * | 2019-12-23 | 2021-07-09 | 深圳云天励飞技术有限公司 | 一种作弊识别方法、装置及电子设备 |
CN112308417A (zh) * | 2020-10-30 | 2021-02-02 | 领扣网络(上海)有限公司 | 在线测评的防作弊方法及*** |
CN112308417B (zh) * | 2020-10-30 | 2024-01-23 | 领扣网络(上海)有限公司 | 在线测评的防作弊方法及*** |
CN112529091A (zh) * | 2020-12-18 | 2021-03-19 | 广州视源电子科技股份有限公司 | 课件相似度检测方法、装置及存储介质 |
CN113786625A (zh) * | 2021-07-28 | 2021-12-14 | 北京永信至诚科技股份有限公司 | 一种在线反作弊监控方法及装置 |
CN114912510A (zh) * | 2022-04-07 | 2022-08-16 | 央视市场研究股份有限公司 | 一种线上调研样本质量评估*** |
CN114912510B (zh) * | 2022-04-07 | 2023-08-15 | 央视市场研究股份有限公司 | 一种线上调研样本质量评估*** |
CN117874416A (zh) * | 2024-01-12 | 2024-04-12 | 网才科技(广州)集团股份有限公司 | 一种试卷断崖式异常分析方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN110083808B (zh) | 2024-04-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110083808A (zh) | 基于用户答案的作弊判定方法、装置、设备及存储介质 | |
Zwilling et al. | Cyber security awareness, knowledge and behavior: A comparative study | |
US9460217B2 (en) | Optimizing search engine ranking by recommending content including frequently searched questions | |
Millot | International rankings: Universities vs. higher education systems | |
CN113545026B (zh) | 用于漏洞评估和补救措施识别的***和方法 | |
Chandra et al. | National security: Concept, measurement and management | |
Ruggeri et al. | Events data as Bismarck's sausages? Intercoder reliability, coders' selection, and data quality | |
CN107872436A (zh) | 一种账号识别方法、装置及*** | |
Aiken et al. | Program targeting with machine learning and mobile phone data: Evidence from an anti-poverty intervention in Afghanistan | |
Holt et al. | An examination of English and Welsh constables’ perceptions of the seriousness and frequency of online incidents | |
Davenport et al. | Interpreting the public interest: A survey of professional accountants | |
JP2003216577A (ja) | セキュリティレベル情報提供方法及びシステム | |
Checco et al. | All that glitters is gold—an attack scheme on gold questions in crowdsourcing | |
Kouatli | People-process-performance benchmarking technique in cloud computing environment: An AHP approach | |
Joo et al. | The influence of information security on the adoption of web-based integrated information systems: an e-government study in Peru | |
CN112702410B (zh) | 一种基于区块链网络的评估***、方法及相关设备 | |
McVay et al. | Preparers and the financial reporting system | |
CN107944841A (zh) | 薪酬计算***及方法 | |
Iqbal et al. | Financial information security behavior in online banking | |
Matsieli et al. | Evaluation of e-Government websites in Lesotho: An empirical study | |
García-Hernández et al. | Effectiveness of new safeguards and prohibitions to protect audit independence: an empirical research with auditors | |
CN108053510A (zh) | 智能考勤***及方法 | |
Nifakos | Think Twice Before you Click! Exploring the Role of Human Factors in Cybersecurity and Privacy Within Healthcare Organizations | |
US20240129284A1 (en) | Method and system for influencing user interactions | |
Solanki et al. | Technology Adoption in Banking Sector–Issues and Challenges |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |