本發(fā)明實施例涉及數(shù)據(jù)處理，尤其涉及一種上機考試的考生考場異常行為分析方法和系統(tǒng)。

背景技術(shù)：

1、在現(xiàn)代教育和考試系統(tǒng)中，上機考試已成為一種常見的考試形式。為了確保考試的公平性和公正性，對考生在考試過程中的行為進(jìn)行監(jiān)控和分析變得尤為重要。

2、傳統(tǒng)監(jiān)考方式主要依靠人工和攝像頭進(jìn)行監(jiān)考，現(xiàn)有方案通過人工巡邏進(jìn)行監(jiān)考，難以覆蓋所有考生的行為，容易遺漏作弊行為；現(xiàn)有方案通過使用圖像分析技術(shù)分析攝像頭捕獲的考場視頻，識別考生異常行為，該技術(shù)僅依賴面部表情和身體姿態(tài)信息，缺乏對其他行為數(shù)據(jù)的綜合分析，導(dǎo)致識別準(zhǔn)確率較低；考生的自然動作可能導(dǎo)致誤報和漏報，影響識別的可靠性和實用性。

技術(shù)實現(xiàn)思路

1、本發(fā)明實施例提供一種上機考試的考生考場異常行為分析方法和系統(tǒng)，用以解決現(xiàn)有技術(shù)中難以覆蓋所有考生的行為，容易遺漏作弊行為、考生作弊行為識別準(zhǔn)確率較、可靠性以及實用性低的問題。

2、第一方面，本發(fā)明實施例提供一種上機考試的考生考場異常行為分析方法，包括：

3、從監(jiān)控圖像中提取考生面部表情和身體姿態(tài)信息，并采用行為識別算法分析鍵盤敲擊頻率和鼠標(biāo)移動軌跡，得到行為信息，將所述考生面部表情、所述身體姿態(tài)信息以及所述行為信息集成，得到綜合行為特征集；

4、應(yīng)用基于長短時記憶網(wǎng)絡(luò)的時間序列預(yù)測算法，并結(jié)合注意力機制優(yōu)化模型，對所述綜合行為特征集中的時間維度上的行為模式進(jìn)行分析，得到異常行為信息；

5、通過圖神經(jīng)網(wǎng)絡(luò)算法根據(jù)考生座位布局創(chuàng)建目標(biāo)考場環(huán)境圖，通過分析所述異常行為信息，來識別協(xié)同作弊行為，得到協(xié)同作弊識別結(jié)果，引入基于q學(xué)習(xí)的強化學(xué)習(xí)框架，根據(jù)所述異常行為信息和所述協(xié)同作弊識別結(jié)果動態(tài)調(diào)整檢測策略，得到目標(biāo)檢測策略；

6、采用極端梯度提升學(xué)習(xí)算法，將所述異常行為信息、所述協(xié)同作弊識別結(jié)果以及所述目標(biāo)檢測策略進(jìn)行加權(quán)融合，在加權(quán)融合過程中通過設(shè)定不同的權(quán)重系數(shù)來分配各信息的貢獻(xiàn)度，經(jīng)計算后得到綜合評分，并基于所述綜合評分生成異常行為判定報告。

7、可選地，所述通過圖神經(jīng)網(wǎng)絡(luò)算法根據(jù)考生座位布局創(chuàng)建目標(biāo)考場環(huán)境圖，通過分析所述異常行為信息，來識別協(xié)同作弊行為，得到協(xié)同作弊識別結(jié)果，引入基于q學(xué)習(xí)的強化學(xué)習(xí)框架，根據(jù)所述異常行為信息和所述協(xié)同作弊識別結(jié)果動態(tài)調(diào)整檢測策略，得到目標(biāo)檢測策略，包括：

8、獲取考生座位布局和考試期間的考場視頻資料，得到考場資料信息，基于所述考場資料信息，利用圖神經(jīng)網(wǎng)絡(luò)算法構(gòu)建初始考場環(huán)境圖，其中每個節(jié)點代表一個考生，邊表示考生間的相對位置關(guān)系及考生實際互動程度，動態(tài)更新邊的權(quán)重，得到目標(biāo)考場環(huán)境圖；

9、基于所述目標(biāo)考場環(huán)境圖，分析所述異常行為信息，識別出協(xié)同作弊行為，得到協(xié)同作弊識別結(jié)果，引入基于q學(xué)習(xí)的強化學(xué)習(xí)框架，在所述強化學(xué)習(xí)框架中集成自適應(yīng)學(xué)習(xí)率調(diào)整機制，根據(jù)考場環(huán)境的變化調(diào)節(jié)學(xué)習(xí)速率，得到優(yōu)化后的協(xié)同作弊識別模型；

10、基于所述優(yōu)化后的協(xié)同作弊識別模型，動態(tài)調(diào)整檢測策略，檢測策略包括：對歷史記錄中作弊風(fēng)險高于預(yù)設(shè)閾值的區(qū)域和考生增加監(jiān)控力度，縮短異常行為檢測的時間間隔，對歷史記錄中作弊風(fēng)險低于預(yù)設(shè)閾值的考生降低監(jiān)控頻率，得到目標(biāo)檢測策略。

11、可選地，所述基于所述目標(biāo)考場環(huán)境圖，分析所述異常行為信息，識別出協(xié)同作弊行為，得到協(xié)同作弊識別結(jié)果，引入基于q學(xué)習(xí)的強化學(xué)習(xí)框架，在所述強化學(xué)習(xí)框架中集成自適應(yīng)學(xué)習(xí)率調(diào)整機制，根據(jù)考場環(huán)境的變化調(diào)節(jié)學(xué)習(xí)速率，得到優(yōu)化后的協(xié)同作弊識別模型，包括：

12、應(yīng)用社區(qū)檢測算法來識別考生之間的緊密聯(lián)系群體，得到協(xié)同作弊群體候選列表；

13、基于所述協(xié)同作弊群體候選列表，采用孤立森林檢測算法進(jìn)行篩選，確定行為模式存在異常的群體，以定位協(xié)同作弊行為，得到協(xié)同作弊識別結(jié)果；

14、基于所述協(xié)同作弊識別結(jié)果，引入基于q學(xué)習(xí)的強化學(xué)習(xí)框架，集成自適應(yīng)學(xué)習(xí)率調(diào)整機制，使模型能夠根據(jù)考場環(huán)境變化動態(tài)調(diào)節(jié)學(xué)習(xí)速率，得到待優(yōu)化的協(xié)同作弊識別模型，所述考場環(huán)境變化包括考試時間段和考場內(nèi)考生分布密度；

15、將歷史考試中積累的作弊行為數(shù)據(jù)作為先驗知識庫，應(yīng)用遷移學(xué)習(xí)技術(shù)，訓(xùn)練所述待優(yōu)化的協(xié)同作弊識別模型，得到優(yōu)化后的協(xié)同作弊識別模型。

16、可選地，所述將歷史考試中積累的作弊行為數(shù)據(jù)作為先驗知識庫，應(yīng)用遷移學(xué)習(xí)技術(shù)，訓(xùn)練所述待優(yōu)化的協(xié)同作弊識別模型，得到優(yōu)化后的協(xié)同作弊識別模型，包括：

17、收集歷史考試中積累的作弊行為數(shù)據(jù)，得到先驗知識庫，所述作弊行為數(shù)據(jù)包括已確認(rèn)的作弊案例、疑似作弊行為記錄及相關(guān)環(huán)境信息；

18、將所述先驗知識庫作為遷移學(xué)習(xí)的源域數(shù)據(jù)，利用領(lǐng)域?qū)褂?xùn)練技術(shù)初步訓(xùn)練所述待優(yōu)化的協(xié)同作弊識別模型，以優(yōu)化所述待優(yōu)化的協(xié)同作弊識別模型的關(guān)鍵特征提取性能，得到優(yōu)化中的協(xié)同作弊識別模型；

19、應(yīng)用微調(diào)技術(shù)和所述先驗知識庫對所述優(yōu)化中的協(xié)同作弊識別模型進(jìn)行二次訓(xùn)練，以加速所述優(yōu)化中的協(xié)同作弊識別模型的收斂過程，在二次訓(xùn)練過程中引入正則化技術(shù)以防止所述優(yōu)化中的協(xié)同作弊識別模型過擬合，訓(xùn)練結(jié)束得到優(yōu)化后的協(xié)同作弊識別模型。

20、可選地，所述采用極端梯度提升學(xué)習(xí)算法，將所述異常行為信息、所述協(xié)同作弊識別結(jié)果以及所述目標(biāo)檢測策略進(jìn)行加權(quán)融合，在加權(quán)融合過程中通過設(shè)定不同的權(quán)重系數(shù)來分配各信息的貢獻(xiàn)度，經(jīng)計算后得到綜合評分，并基于所述綜合評分生成異常行為判定報告，包括：

21、采用極端梯度提升學(xué)習(xí)算法對所述異常行為信息、所述協(xié)同作弊識別結(jié)果以及目標(biāo)檢測策略進(jìn)行加權(quán)融合，在加權(quán)融合過程中通過設(shè)定不同的權(quán)重系數(shù)來分配各信息的貢獻(xiàn)度，得到初始綜合評估結(jié)果；

22、基于所述初始綜合評估結(jié)果，利用極端梯度提升學(xué)習(xí)算法的特征重要性評估功能，調(diào)整所述異常行為信息、所述協(xié)同作弊識別結(jié)果以及目標(biāo)檢測策略的權(quán)重系數(shù)，并引入shapley值方法，量化每個信息的貢獻(xiàn)，得到優(yōu)化綜合評估結(jié)果；

23、構(gòu)建初始極端梯度提升學(xué)習(xí)模型，將所述優(yōu)化綜合評估結(jié)果輸入所述初始極端梯度提升學(xué)習(xí)模型，并引入交叉驗證方法和貝葉斯優(yōu)化技術(shù)進(jìn)行訓(xùn)練，得到優(yōu)化極端梯度提升學(xué)習(xí)模型；

24、采用所述優(yōu)化極端梯度提升學(xué)習(xí)模型和多種學(xué)習(xí)模型分別對作弊行為數(shù)據(jù)進(jìn)行預(yù)測，得到多個原始預(yù)測結(jié)果，利用集成學(xué)習(xí)方法，集成所述多個原始預(yù)測結(jié)果，得到融合預(yù)測結(jié)果，基于所述融合預(yù)測結(jié)果訓(xùn)練初始化評分模型，得到初步綜合評分模型，在所述初步綜合評分模型中引入自適應(yīng)加權(quán)融合方法，根據(jù)所述初步綜合評分模型在不同子集上的表現(xiàn)動態(tài)調(diào)整各模型的權(quán)重，得到優(yōu)化綜合評分模型，所述多種學(xué)習(xí)模型包括隨機森林和支持向量機；

25、基于所述優(yōu)化綜合評分模型計算得到綜合評分，根據(jù)綜合評分生成異常行為判定報告，所述異常行為判定報告包含異常行為描述、作弊可能性評估以及處理建議。

26、可選地，所述采用所述優(yōu)化極端梯度提升學(xué)習(xí)模型和多種學(xué)習(xí)模型分別對作弊行為數(shù)據(jù)進(jìn)行預(yù)測，得到多個原始預(yù)測結(jié)果，利用集成學(xué)習(xí)方法，集成所述多個原始預(yù)測結(jié)果，得到融合預(yù)測結(jié)果，基于所述融合預(yù)測結(jié)果訓(xùn)練初始化評分模型，得到初步綜合評分模型，在所述初步綜合評分模型中引入自適應(yīng)加權(quán)融合方法，根據(jù)所述初步綜合評分模型在不同子集上的表現(xiàn)動態(tài)調(diào)整各模型的權(quán)重，得到優(yōu)化綜合評分模型，所述多種學(xué)習(xí)模型包括隨機森林和支持向量機，包括：

27、將所述優(yōu)化極端梯度提升學(xué)習(xí)模型和多種學(xué)習(xí)模型作為初始基學(xué)習(xí)器；在作弊行為數(shù)據(jù)上分別訓(xùn)練所述初始基學(xué)習(xí)器，得到多個目標(biāo)基學(xué)習(xí)器，基于所述多個目標(biāo)基學(xué)習(xí)器對所述作弊行為數(shù)據(jù)進(jìn)行預(yù)測，得到多個預(yù)測結(jié)果，通過加權(quán)平均的方式將所述多個預(yù)測結(jié)果進(jìn)行融合，得到融合預(yù)測結(jié)果，將所述融合預(yù)測結(jié)果作為元特征；

28、構(gòu)建初始化評分模型，將所述初始化評分模型作為元學(xué)習(xí)器，基于所述元特征和真實標(biāo)簽訓(xùn)練所述元學(xué)習(xí)器，得到初步綜合評分模型，所述真實標(biāo)簽包括所述作弊行為數(shù)據(jù)和數(shù)據(jù)標(biāo)簽，所述數(shù)據(jù)標(biāo)簽包括正常行為、異常行為以及作弊行為；

29、將所述綜合行為特征集劃分為多個訓(xùn)練集和驗證集，在每個驗證集上評估所述初步綜合評分模型的表現(xiàn)，得到評估表現(xiàn)結(jié)果，并記錄所述多個目標(biāo)基學(xué)習(xí)器的預(yù)測誤差，基于所述評估表現(xiàn)結(jié)果和所述預(yù)測誤差，使用在線梯度下降法動態(tài)調(diào)整所述多個目標(biāo)基學(xué)習(xí)器的權(quán)重，得到調(diào)整后權(quán)重，使用所述調(diào)整后權(quán)重訓(xùn)練所述初步綜合評分模型，得到優(yōu)化綜合評分模型。

30、可選地，所述應(yīng)用基于長短時記憶網(wǎng)絡(luò)的時間序列預(yù)測算法，并結(jié)合注意力機制優(yōu)化模型，對所述綜合行為特征集中的時間維度上的行為模式進(jìn)行分析，得到異常行為信息，包括：

31、將所述綜合行為特征集中的數(shù)據(jù)按時間順序排列，并進(jìn)行特征提取，得到時間序列數(shù)據(jù)，所述時間序列數(shù)據(jù)包括時間窗口內(nèi)的統(tǒng)計特征；

32、構(gòu)建基于長短時記憶網(wǎng)絡(luò)的時間序列預(yù)測模型，在所述時間序列預(yù)測模型中引入注意力機制來優(yōu)化模型，得到優(yōu)化時間序列預(yù)測模型；

33、采用優(yōu)化時間序列預(yù)測模型對所述時間序列數(shù)據(jù)進(jìn)行分析，得到分析結(jié)果，使用異常檢測算法對所述分析結(jié)果進(jìn)行處理，得到行為異常值，預(yù)設(shè)一個合格閾值，當(dāng)所述行為異常值大于所述合格閾值時，判斷為異常行為，得到考生異常行為信息。

34、第二方面，本發(fā)明實施例提供一種上機考試的考生考場異常行為分析系統(tǒng)，包括：

35、集成模塊，用于從監(jiān)控圖像中提取考生面部表情和身體姿態(tài)信息，并采用行為識別算法分析鍵盤敲擊頻率和鼠標(biāo)移動軌跡，得到行為信息，將所述考生面部表情、所述身體姿態(tài)信息以及所述行為信息集成，得到綜合行為特征集；

36、分析模塊，用于應(yīng)用基于長短時記憶網(wǎng)絡(luò)的時間序列預(yù)測算法，并結(jié)合注意力機制優(yōu)化模型，對所述綜合行為特征集中的時間維度上的行為模式進(jìn)行分析，得到異常行為信息；

37、識別模塊，用于通過圖神經(jīng)網(wǎng)絡(luò)算法根據(jù)考生座位布局創(chuàng)建目標(biāo)考場環(huán)境圖，通過分析所述異常行為信息，來識別協(xié)同作弊行為，得到協(xié)同作弊識別結(jié)果，引入基于q學(xué)習(xí)的強化學(xué)習(xí)框架，根據(jù)所述異常行為信息和所述協(xié)同作弊識別結(jié)果動態(tài)調(diào)整檢測策略，得到目標(biāo)檢測策略；

38、生成模塊，用于采用極端梯度提升學(xué)習(xí)算法，將所述異常行為信息、所述協(xié)同作弊識別結(jié)果以及所述目標(biāo)檢測策略進(jìn)行加權(quán)融合，在加權(quán)融合過程中通過設(shè)定不同的權(quán)重系數(shù)來分配各信息的貢獻(xiàn)度，經(jīng)計算后得到綜合評分，并基于所述綜合評分生成異常行為判定報告。

39、第三方面，本發(fā)明實施例提供一種計算設(shè)備，包括處理器和存儲器，所述存儲器中存儲有計算機程序，所述處理器被設(shè)置為運行所述計算機程序以執(zhí)行第一方面任一所述的一種上機考試的考生考場異常行為分析方法。

40、第四方面，本發(fā)明實施例提供一種計算機存儲介質(zhì)，其上存儲有計算機程序指令，所述計算機程序指令被處理器執(zhí)行時實現(xiàn)第一方面中任意一項所述的一種上機考試的考生考場異常行為分析方法。

41、本發(fā)明實施例中，從監(jiān)控圖像中提取考生面部表情和身體姿態(tài)信息，并采用行為識別算法分析鍵盤敲擊頻率和鼠標(biāo)移動軌跡，得到行為信息，將所述考生面部表情、所述身體姿態(tài)信息以及所述行為信息集成，得到綜合行為特征集；應(yīng)用基于長短時記憶網(wǎng)絡(luò)的時間序列預(yù)測算法，并結(jié)合注意力機制優(yōu)化模型，對所述綜合行為特征集中的時間維度上的行為模式進(jìn)行分析，得到異常行為信息；通過圖神經(jīng)網(wǎng)絡(luò)算法根據(jù)考生座位布局創(chuàng)建目標(biāo)考場環(huán)境圖，通過分析所述異常行為信息，來識別協(xié)同作弊行為，得到協(xié)同作弊識別結(jié)果，引入基于q學(xué)習(xí)的強化學(xué)習(xí)框架，根據(jù)所述異常行為信息和所述協(xié)同作弊識別結(jié)果動態(tài)調(diào)整檢測策略，得到目標(biāo)檢測策略；采用極端梯度提升學(xué)習(xí)算法，將所述異常行為信息、所述協(xié)同作弊識別結(jié)果以及所述目標(biāo)檢測策略進(jìn)行加權(quán)融合，在加權(quán)融合過程中通過設(shè)定不同的權(quán)重系數(shù)來分配各信息的貢獻(xiàn)度，經(jīng)計算后得到綜合評分，并基于所述綜合評分生成異常行為判定報告。本發(fā)明提供的技術(shù)方案提高了上機考試中異常行為和作弊行為的檢測能力和效率，有助于維護(hù)考試的公平性和公正性。其中，遷移學(xué)習(xí)和領(lǐng)域?qū)褂?xùn)練技術(shù)，優(yōu)化了模型的關(guān)鍵特征提取能力，使模型在新環(huán)境中表現(xiàn)更佳；微調(diào)技術(shù)和正則化技術(shù)的應(yīng)用，加速了模型的收斂過程，減少了訓(xùn)練時間和資源消耗，提高了訓(xùn)練效率；正則化技術(shù)防止了模型過擬合，提高了模型的泛化能力和魯棒性，確保模型在面對新數(shù)據(jù)時依然表現(xiàn)良好；優(yōu)化后的協(xié)同作弊識別模型能夠全面、準(zhǔn)確地監(jiān)控考生行為，有效防止作弊行為，確?？荚嚨墓叫院凸?。

42、本發(fā)明的這些方面或其他方面在以下實施例的描述中會更加簡明易懂。