一种上机考试的考生考场异常行为分析方法和系统与流程

本发明实施例涉及数据处理，尤其涉及一种上机考试的考生考场异常行为分析方法和系统。

背景技术：

1、在现代教育和考试系统中，上机考试已成为一种常见的考试形式。为了确保考试的公平性和公正性，对考生在考试过程中的行为进行监控和分析变得尤为重要。

2、传统监考方式主要依靠人工和摄像头进行监考，现有方案通过人工巡逻进行监考，难以覆盖所有考生的行为，容易遗漏作弊行为；现有方案通过使用图像分析技术分析摄像头捕获的考场视频，识别考生异常行为，该技术仅依赖面部表情和身体姿态信息，缺乏对其他行为数据的综合分析，导致识别准确率较低；考生的自然动作可能导致误报和漏报，影响识别的可靠性和实用性。

技术实现思路

1、本发明实施例提供一种上机考试的考生考场异常行为分析方法和系统，用以解决现有技术中难以覆盖所有考生的行为，容易遗漏作弊行为、考生作弊行为识别准确率较、可靠性以及实用性低的问题。

2、第一方面，本发明实施例提供一种上机考试的考生考场异常行为分析方法，包括：

3、从监控图像中提取考生面部表情和身体姿态信息，并采用行为识别算法分析键盘敲击频率和鼠标移动轨迹，得到行为信息，将所述考生面部表情、所述身体姿态信息以及所述行为信息集成，得到综合行为特征集；

4、应用基于长短时记忆网络的时间序列预测算法，并结合注意力机制优化模型，对所述综合行为特征集中的时间维度上的行为模式进行分析，得到异常行为信息；

5、通过图神经网络算法根据考生座位布局创建目标考场环境图，通过分析所述异常行为信息，来识别协同作弊行为，得到协同作弊识别结果，引入基于q学习的强化学习框架，根据所述异常行为信息和所述协同作弊识别结果动态调整检测策略，得到目标检测策略；

6、采用极端梯度提升学习算法，将所述异常行为信息、所述协同作弊识别结果以及所述目标检测策略进行加权融合，在加权融合过程中通过设定不同的权重系数来分配各信息的贡献度，经计算后得到综合评分，并基于所述综合评分生成异常行为判定报告。

7、可选地，所述通过图神经网络算法根据考生座位布局创建目标考场环境图，通过分析所述异常行为信息，来识别协同作弊行为，得到协同作弊识别结果，引入基于q学习的强化学习框架，根据所述异常行为信息和所述协同作弊识别结果动态调整检测策略，得到目标检测策略，包括：

8、获取考生座位布局和考试期间的考场视频资料，得到考场资料信息，基于所述考场资料信息，利用图神经网络算法构建初始考场环境图，其中每个节点代表一个考生，边表示考生间的相对位置关系及考生实际互动程度，动态更新边的权重，得到目标考场环境图；

9、基于所述目标考场环境图，分析所述异常行为信息，识别出协同作弊行为，得到协同作弊识别结果，引入基于q学习的强化学习框架，在所述强化学习框架中集成自适应学习率调整机制，根据考场环境的变化调节学习速率，得到优化后的协同作弊识别模型；

10、基于所述优化后的协同作弊识别模型，动态调整检测策略，检测策略包括：对历史记录中作弊风险高于预设阈值的区域和考生增加监控力度，缩短异常行为检测的时间间隔，对历史记录中作弊风险低于预设阈值的考生降低监控频率，得到目标检测策略。

11、可选地，所述基于所述目标考场环境图，分析所述异常行为信息，识别出协同作弊行为，得到协同作弊识别结果，引入基于q学习的强化学习框架，在所述强化学习框架中集成自适应学习率调整机制，根据考场环境的变化调节学习速率，得到优化后的协同作弊识别模型，包括：

12、应用社区检测算法来识别考生之间的紧密联系群体，得到协同作弊群体候选列表；

13、基于所述协同作弊群体候选列表，采用孤立森林检测算法进行筛选，确定行为模式存在异常的群体，以定位协同作弊行为，得到协同作弊识别结果；

14、基于所述协同作弊识别结果，引入基于q学习的强化学习框架，集成自适应学习率调整机制，使模型能够根据考场环境变化动态调节学习速率，得到待优化的协同作弊识别模型，所述考场环境变化包括考试时间段和考场内考生分布密度；

15、将历史考试中积累的作弊行为数据作为先验知识库，应用迁移学习技术，训练所述待优化的协同作弊识别模型，得到优化后的协同作弊识别模型。

16、可选地，所述将历史考试中积累的作弊行为数据作为先验知识库，应用迁移学习技术，训练所述待优化的协同作弊识别模型，得到优化后的协同作弊识别模型，包括：

17、收集历史考试中积累的作弊行为数据，得到先验知识库，所述作弊行为数据包括已确认的作弊案例、疑似作弊行为记录及相关环境信息；

18、将所述先验知识库作为迁移学习的源域数据，利用领域对抗训练技术初步训练所述待优化的协同作弊识别模型，以优化所述待优化的协同作弊识别模型的关键特征提取性能，得到优化中的协同作弊识别模型；

19、应用微调技术和所述先验知识库对所述优化中的协同作弊识别模型进行二次训练，以加速所述优化中的协同作弊识别模型的收敛过程，在二次训练过程中引入正则化技术以防止所述优化中的协同作弊识别模型过拟合，训练结束得到优化后的协同作弊识别模型。

20、可选地，所述采用极端梯度提升学习算法，将所述异常行为信息、所述协同作弊识别结果以及所述目标检测策略进行加权融合，在加权融合过程中通过设定不同的权重系数来分配各信息的贡献度，经计算后得到综合评分，并基于所述综合评分生成异常行为判定报告，包括：

21、采用极端梯度提升学习算法对所述异常行为信息、所述协同作弊识别结果以及目标检测策略进行加权融合，在加权融合过程中通过设定不同的权重系数来分配各信息的贡献度，得到初始综合评估结果；

22、基于所述初始综合评估结果，利用极端梯度提升学习算法的特征重要性评估功能，调整所述异常行为信息、所述协同作弊识别结果以及目标检测策略的权重系数，并引入shapley值方法，量化每个信息的贡献，得到优化综合评估结果；

23、构建初始极端梯度提升学习模型，将所述优化综合评估结果输入所述初始极端梯度提升学习模型，并引入交叉验证方法和贝叶斯优化技术进行训练，得到优化极端梯度提升学习模型；

24、采用所述优化极端梯度提升学习模型和多种学习模型分别对作弊行为数据进行预测，得到多个原始预测结果，利用集成学习方法，集成所述多个原始预测结果，得到融合预测结果，基于所述融合预测结果训练初始化评分模型，得到初步综合评分模型，在所述初步综合评分模型中引入自适应加权融合方法，根据所述初步综合评分模型在不同子集上的表现动态调整各模型的权重，得到优化综合评分模型，所述多种学习模型包括随机森林和支持向量机；

25、基于所述优化综合评分模型计算得到综合评分，根据综合评分生成异常行为判定报告，所述异常行为判定报告包含异常行为描述、作弊可能性评估以及处理建议。

26、可选地，所述采用所述优化极端梯度提升学习模型和多种学习模型分别对作弊行为数据进行预测，得到多个原始预测结果，利用集成学习方法，集成所述多个原始预测结果，得到融合预测结果，基于所述融合预测结果训练初始化评分模型，得到初步综合评分模型，在所述初步综合评分模型中引入自适应加权融合方法，根据所述初步综合评分模型在不同子集上的表现动态调整各模型的权重，得到优化综合评分模型，所述多种学习模型包括随机森林和支持向量机，包括：

27、将所述优化极端梯度提升学习模型和多种学习模型作为初始基学习器；在作弊行为数据上分别训练所述初始基学习器，得到多个目标基学习器，基于所述多个目标基学习器对所述作弊行为数据进行预测，得到多个预测结果，通过加权平均的方式将所述多个预测结果进行融合，得到融合预测结果，将所述融合预测结果作为元特征；

28、构建初始化评分模型，将所述初始化评分模型作为元学习器，基于所述元特征和真实标签训练所述元学习器，得到初步综合评分模型，所述真实标签包括所述作弊行为数据和数据标签，所述数据标签包括正常行为、异常行为以及作弊行为；

29、将所述综合行为特征集划分为多个训练集和验证集，在每个验证集上评估所述初步综合评分模型的表现，得到评估表现结果，并记录所述多个目标基学习器的预测误差，基于所述评估表现结果和所述预测误差，使用在线梯度下降法动态调整所述多个目标基学习器的权重，得到调整后权重，使用所述调整后权重训练所述初步综合评分模型，得到优化综合评分模型。

30、可选地，所述应用基于长短时记忆网络的时间序列预测算法，并结合注意力机制优化模型，对所述综合行为特征集中的时间维度上的行为模式进行分析，得到异常行为信息，包括：

31、将所述综合行为特征集中的数据按时间顺序排列，并进行特征提取，得到时间序列数据，所述时间序列数据包括时间窗口内的统计特征；

32、构建基于长短时记忆网络的时间序列预测模型，在所述时间序列预测模型中引入注意力机制来优化模型，得到优化时间序列预测模型；

33、采用优化时间序列预测模型对所述时间序列数据进行分析，得到分析结果，使用异常检测算法对所述分析结果进行处理，得到行为异常值，预设一个合格阈值，当所述行为异常值大于所述合格阈值时，判断为异常行为，得到考生异常行为信息。

34、第二方面，本发明实施例提供一种上机考试的考生考场异常行为分析系统，包括：

35、集成模块，用于从监控图像中提取考生面部表情和身体姿态信息，并采用行为识别算法分析键盘敲击频率和鼠标移动轨迹，得到行为信息，将所述考生面部表情、所述身体姿态信息以及所述行为信息集成，得到综合行为特征集；

36、分析模块，用于应用基于长短时记忆网络的时间序列预测算法，并结合注意力机制优化模型，对所述综合行为特征集中的时间维度上的行为模式进行分析，得到异常行为信息；

37、识别模块，用于通过图神经网络算法根据考生座位布局创建目标考场环境图，通过分析所述异常行为信息，来识别协同作弊行为，得到协同作弊识别结果，引入基于q学习的强化学习框架，根据所述异常行为信息和所述协同作弊识别结果动态调整检测策略，得到目标检测策略；

38、生成模块，用于采用极端梯度提升学习算法，将所述异常行为信息、所述协同作弊识别结果以及所述目标检测策略进行加权融合，在加权融合过程中通过设定不同的权重系数来分配各信息的贡献度，经计算后得到综合评分，并基于所述综合评分生成异常行为判定报告。

39、第三方面，本发明实施例提供一种计算设备，包括处理器和存储器，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行第一方面任一所述的一种上机考试的考生考场异常行为分析方法。

40、第四方面，本发明实施例提供一种计算机存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现第一方面中任意一项所述的一种上机考试的考生考场异常行为分析方法。

41、本发明实施例中，从监控图像中提取考生面部表情和身体姿态信息，并采用行为识别算法分析键盘敲击频率和鼠标移动轨迹，得到行为信息，将所述考生面部表情、所述身体姿态信息以及所述行为信息集成，得到综合行为特征集；应用基于长短时记忆网络的时间序列预测算法，并结合注意力机制优化模型，对所述综合行为特征集中的时间维度上的行为模式进行分析，得到异常行为信息；通过图神经网络算法根据考生座位布局创建目标考场环境图，通过分析所述异常行为信息，来识别协同作弊行为，得到协同作弊识别结果，引入基于q学习的强化学习框架，根据所述异常行为信息和所述协同作弊识别结果动态调整检测策略，得到目标检测策略；采用极端梯度提升学习算法，将所述异常行为信息、所述协同作弊识别结果以及所述目标检测策略进行加权融合，在加权融合过程中通过设定不同的权重系数来分配各信息的贡献度，经计算后得到综合评分，并基于所述综合评分生成异常行为判定报告。本发明提供的技术方案提高了上机考试中异常行为和作弊行为的检测能力和效率，有助于维护考试的公平性和公正性。其中，迁移学习和领域对抗训练技术，优化了模型的关键特征提取能力，使模型在新环境中表现更佳；微调技术和正则化技术的应用，加速了模型的收敛过程，减少了训练时间和资源消耗，提高了训练效率；正则化技术防止了模型过拟合，提高了模型的泛化能力和鲁棒性，确保模型在面对新数据时依然表现良好；优化后的协同作弊识别模型能够全面、准确地监控考生行为，有效防止作弊行为，确保考试的公平性和公正性。

42、本发明的这些方面或其他方面在以下实施例的描述中会更加简明易懂。