A Two-Stage, Object-Centric Deep Learning Framework for Robust Exam Cheating Detection

Resumen Técnico: Marco de Aprendizaje Profundo Centrado en Objetos para la Detección Robusta de Trampas en Exámenes

1. Planteamiento del Problema

La integridad académica enfrenta un desafío persistente debido al fraude en exámenes. Los métodos tradicionales de vigilancia dependen de la observación humana, lo cual es ineficiente, costoso y propenso a errores a gran escala. Aunque existen sistemas de monitoreo impulsados por IA, muchos presentan limitaciones críticas:

• Falta de transparencia y complejidad: Algunos requieren arquitecturas multicapa excesivas.
• Ruido de fondo: Los enfoques de clasificación de "cuadro completo" (full-frame) a menudo fallan al no poder distinguir acciones sutiles de los individuos del ruido de fondo en entornos con múltiples personas.
• Escasez de datos: Existe una falta de conjuntos de datos públicos, grandes y diversos, lo que impide el desarrollo de modelos generalizables y el benchmarking justo.
• Falta de granularidad: Los sistemas actuales a menudo no pueden localizar dónde ocurre el fraude ni identificar al individuo responsable en un grupo.

2. Metodología Propuesta

Los autores proponen un marco innovador de dos etapas centrado en objetos que desacopla la comprensión de la escena en dos subproblemas manejables:

• Etapa 1: Localización de Objetos (Detección):

  • Se utiliza el modelo YOLOv8n (Nano), preentrenado en COCO, para detectar objetos en las imágenes del aula.
  • El sistema filtra las detecciones, reteniendo únicamente las cajas delimitadoras etiquetadas como "persona".
  • Se extraen las Regiones de Interés (ROI) recortando y preprocesando estas áreas específicas de los estudiantes, eliminando así el ruido de fondo.

• Etapa 2: Análisis de Comportamiento (Clasificación):

  • Las ROIs extraídas se redimensionan a 224x224 píxeles y se alimentan a un clasificador basado en RexNet-150.
  • Se emplea una estrategia de aprendizaje por transferencia, inicializando el modelo con pesos preentrenados en ImageNet y afinándolo (fine-tuning) específicamente para distinguir entre comportamiento "normal" y "fraudulento".
  • El sistema está diseñado para ser eficiente en el borde (edge deployment), logrando un tiempo de inferencia promedio de 13.9 ms por muestra.

• Conjunto de Datos:

  • Se creó un conjunto de datos estandarizado y a gran escala consolidando 10 fuentes públicas independientes.
  • El dataset total contiene 273,897 muestras, divididas en 80% entrenamiento, 10% validación y 10% prueba.
  • Se estandarizaron las etiquetas diversas de las fuentes originales a una clasificación binaria: "trampa" (cheating) y "no trampa" (not cheating).

3. Contribuciones Clave

1. Marco de Dos Etapas Centrado en Objetos: Un enfoque novedoso que mejora la precisión al aislar a los sujetos de interés, eliminando el ruido de fondo y permitiendo una evaluación granular por persona.
2. Dataset Estandarizado a Gran Escala: La creación y publicación de un benchmark robusto derivado de 10 fuentes públicas, abordando la escasez crítica de datos en este campo.
3. Validación Experimental Exhaustiva: Demostración de rendimiento superior mediante estudios de ablación y comparaciones de modelos, estableciendo un nuevo estado del arte (SOTA) en la detección de trampas.
4. Enfoque Ético: El sistema está diseñado para entregar resultados de manera privada (ej. por correo electrónico) para evitar la exposición pública o la vergüenza de los estudiantes, fomentando la reflexión sobre su comportamiento.

4. Resultados Cuantitativos y Cualitativos

El modelo fue evaluado en un conjunto de prueba de 6,895 muestras (5,057 "no trampa" y 1,838 "trampa"):

• Métricas de Rendimiento:
  • Precisión: 0.96 (general), 0.91 para la clase "trampa".
  • Recall (Sensibilidad): 0.94 (general), 0.91 para la clase "trampa".
  • F1-Score: 0.95 (general), 0.91 para la clase "trampa".
  • Precisión Global: 95.16%.
• Comparación con Baseline:
  • Al comparar con un modelo de "cuadro completo" (sin recorte de objetos), el enfoque propuesto mostró una mejora de +16.64% en precisión global y un aumento de +28% en el F1-Score para la clase de fraude.
• Análisis de Errores:
  • Falsos Positivos: Ocurren a menudo por gestos ambiguos (ej. apoyarse en la mano) que el modelo interpreta como sospechosos debido a la falta de contexto temporal.
  • Falsos Negativos: Se producen cuando la evidencia del fraude (ej. un teléfono en el regazo) queda fuera de la caja delimitadora ajustada a la persona, perdiendo el contexto espacial.

5. Significado e Impacto

Este estudio proporciona una base sólida para el desarrollo de soluciones de detección de trampas en tiempo real, escalables y éticas.

• Eficiencia Operativa: La arquitectura ligera permite su despliegue en hardware modesto, haciéndola viable para instituciones educativas con recursos limitados.
• Superioridad Técnica: Demuestra que la separación de la detección de objetos y la clasificación de comportamiento es significativamente más efectiva que los enfoques holísticos tradicionales.
• Futuro: El trabajo sienta las bases para futuras mejoras que incluyan el análisis de datos de audio, el uso de secuencias de frames consecutivos (para contexto temporal) y la expansión de las ROIs para capturar más contexto espacial (manos, escritorio), mejorando aún más la robustez y reduciendo los falsos positivos.

En conclusión, el marco propuesto no solo resuelve problemas técnicos de ruido y generalización, sino que también aborda consideraciones éticas, ofreciendo un modelo equilibrado entre la seguridad académica y el respeto a la privacidad del estudiante.