Wie hilft künstliche Intelligenz beim Online-Proctoring?

KI oder Künstliche Intelligenz ist heutzutage ein trendiger Begriff quer durch fast alle Branchen. Trotz der Tatsache, dass es seit den 1950er Jahren existiert, wird es als Wendepunkt in seiner Anwendung im letzten Jahrzehnt angesehen, der schnell voranschreitet. Simulierte Intelligenz hat begonnen, verschiedene Aspekte der fortgeschrittenen Bildung zu durchdringen, aber die Anklage wurde von einigen frühen Fakultätsmitgliedern, einzelnen Universitäten und Abteilungen im Gegensatz zu allen vorangetrieben.

Um nur ein paar Modelle zu nennen:

• Die Zulassungsstelle der University of Arizona verwendet KI-geführte Keyword-Prüfungsinstrumente, um den Prozess der Bewerbungsprüfung zu unterstützen.
• Die Georgia State University hat einen von AdmitHub erstellten Chatbot vorbereitet, um bei der Beantwortung grundlegender Haushaltsleitfäden und Bewerbungsanfragen von Studenten zu helfen.
• Ein Tech-Lehrer aus Georgia nutzte die Watson-Technologie von IBM, um seinen eigenen virtuellen Lehrassistenten zu entwickeln.

Jeder dieser Fälle, in denen ein Professor, Dozent, eine Abteilung oder ein College positive Ergebnisse erzielt hat, verleiht Kollegen zusätzliche Sicherheit, darüber nachzudenken, wie KI helfen oder ihre eigenen Frameworks und Verfahren verbessern kann. Das Ziel jedes dieser Early Adopters war es nicht, die menschliche Komponente des Unterrichtens und Anpassens zu ersetzen, sondern die Ergebnisse für Zweitstudien zu verbessern. Alles in allem, was macht menschengemachtes Denken wirklich aus? Im Kern ist KI ein automatisiertes Framework oder eine Maschine, die entwickelt wurde, um menschliche Einsichten nachzubilden. Eine der Grundlagen, die das Gebiet der maschinellen Lern-KI beschreibt, ist, dass eine Komponente des „Lernens“ innerhalb des Frameworks stattfindet – entweder „verwaltet“, in dem die Vorbereitungsinformationen ein ausdrücklich gewünschtes Ergebnis enthalten, oder „unüberwacht“, in dem die Zubereitungsinformationen enthalten kein ideales Ergebnis.

Die drei anerkannten Regionen, in denen menschengemachte Intelligenz von dem Hauptziel profitieren wird, Brüche der schulischen Integrität zu erkennen und ihnen entgegenzuwirken, werden wie folgt erwähnt:

• Falsche Darstellung der Identität
• Betrugspraktiken
• Inhalt Einbruch

Wir haben festgestellt, dass die Bereitstellung von Zeit, Geld und Energie für eine KI-Vereinbarung, die sich auf diese Gebiete konzentriert, die Ergebnisse sowohl für Unternehmen als auch für Kunden verbessern würde. Das Ziel beim Hinzufügen von KI zu den Online-Überwachungsdiensten bestand nicht darin, Menschen zu ersetzen, sondern vielmehr die Genauigkeit der Live- und Computerverwaltung zu stärken. Darüber hinaus kann KI dazu beitragen, menschliche Fehler zu verringern, Fehler zu erkennen, die Menschen unvermeidlich übersehen, und die Vielseitigkeit von Diensten unterstützen.

Beim Aufbau einer robotisierten Aufsichtsanordnung werden die ersten KI-Ereignisse wie Gesichtserkennung und wesentliche Schwellenwerte für akustische und visuelle Zeichen implementiert. Die Innovation hinter einem regulären robotisierten Proctoring-Framework ist einfach das Alte, das neu wird. Die Berechnungen, die diese Frameworks ausführen, sind seit über vier Jahren vorhanden. Wie dem auch sei, diese Berechnungen sind statisch, es sei denn, sie werden von einem Designer im gesamten Framework geändert.

Der prinzipielle Gegensatz zwischen den alten mechanisierten und den neuen computerisierten Rahmenbedingungen besteht darin, dass die KI-Innovation mit jedem durchgeführten Test den Dreh herausbekommt, sich anpasst und „intelligenter“ wird. Heutzutage nutzen die Menschen KI nicht nur in ihrer mechanisierten Verwaltung, sondern sie schichten sie zusätzlich hinter ihre Live-Verwaltung. Über beide Serviceebenen hinweg wird die KI unter Verwendung eines unterstützten Lernmodells unterrichtet, bei dem ihre eigenen menschlichen Delegierten die Ausbilder des Frameworks sind.

Das wesentliche Verfahren des administrierten maschinellen Lernens besteht aus vier Phasen:

• Personenbereich und Namensinformationen.
• Sobald genügend Informationen um einen Namen herum angeordnet sind, wird eine „Gelegenheit“ um die Berechnung herum erstellt.
• Jedes aktuelle Datum wird durch die Berechnung geführt, um das kürzlich gemachte Ereignis oder den Anlass auszulösen.
• Menschen sehen sich diese Informationen noch einmal an und bestätigen, ob der Anlass eingetreten ist oder nicht, wodurch der Rahmen immer präziser wird, um diesen expliziten Anlass zu unterscheiden.

Auf einer großen Ebene klingt dieses Verfahren im Allgemeinen einfach, kann jedoch schnell verwirrt werden. Bei diesem gerichteten Lernmodell des maschinellen Lernens erfordert jede Aktivität oder jedes Beispiel mindestens 20.000 Informationspunkte, um am Ende zu einem „Ereignis“ im Framework zu werden. Wenn es zu diesem Zeitpunkt erstellt wird, muss das Modell immer mehr „Trainingsinformationen“ ermutigt werden, um die Genauigkeit um dieses Mal zu erweitern.

Eine große Anzahl von Praktiken ist ein Beweis für Duping, aber wie wäre es, wenn Sie sich auf eine konzentrieren. Stellen Sie sich die Augen und den Kopf eines Testteilnehmers vor, der sich schnell zur Seite bewegt und auf etwas außerhalb des Bildschirms blickt. Es würde 20.000 Beispiele dieser einen schnellen Bewegung brauchen, um das Framework zu trainieren, es als Betrugsereignis zu signalisieren. Als nächstes muss eine exponentielle Anzahl zusätzlicher Fälle herausspringen, um die Genauigkeit des Rahmens zu verbessern, der das Verhalten wahrnimmt und begrüßt. Erhöhen Sie jetzt, dass man durch eine große Anzahl von Tricks den Rahmen bereiten kann, um diese Gelegenheiten zu signalisieren. Wie Sie sehen, erfordert dieses Verfahren ein gigantisches Maß an Informationen. So entstehen Online-Aufsichtsdienste .

Nun stellt sich die Frage, woher all diese Informationen stammen? Die größte Internet-Aufsichtsorganisation delegiert jedes Jahr über eine Million Tests. Aus eindeutigen Schutzgründen anonymisiert, können alle Testinformationen zur Erstellung des KI-Modells verwendet werden.

Das obige Modell zeigt nur ein einsames betrügerisches Verhalten. Sollte also nicht etwas über Charakterverfälschung und Content-Einbruch gesagt werden? Das Verfahren zur Vorbereitung in diesen Zonen ist vergleichend, verwendet jedoch etwas einzigartige Ansätze. Online-Beaufsichtigung versucht, eine Sammlung von Fortschritten beim maschinellen Lernen zu integrieren, darunter angetriebene Gesichtserkennung, Objekterkennung, Ebenenerkennung, Sprache-zu-Inhalt, Erkennung von Augenbewegungen und Spracherkennung, um nur einige Beispiele zu nennen.

Das Trainingsverfahren der KI beim Online-Proctoring zeigt, dass sie intelligenter wird, da sie in der Lage sein wird, Dinge zu tun, zum Beispiel den Unterschied zwischen einem sprechenden Erwachsenen, einem sprechenden Kind, einem weinenden Säugling und einem schreienden Hund zu erkennen . Dies sind Dinge, die Menschen mühelos tun können, aber der Rahmen zeigt, welche davon ein Risiko für die wissenschaftliche Vertrauenswürdigkeit darstellen könnten und welche als harmlos bezeichnet werden können.

Der Weg zum Aufbau eines wirklich präzisen KI-Modells für die Internetüberwachung wird sich weiterentwickeln, wenn neue Innovationen auftauchen und für die Testteilnehmerpopulation zugänglich werden. Die Geschwindigkeit des mechanischen Fortschritts hat sich unbestreitbar schneller entwickelt. Da immer mehr Innovationen bei PCs, Wearables und Mobiltelefonen durchgeführt werden, werden die Menschen die Möglichkeit haben, diese Fortschritte in ihren eigenen Antworten zu nutzen und sie in das KI-Modell einzubeziehen.