Giới thiệu dự án

Công tác tổ chức và thanh tra thi cử tại các cơ sở giáo dục đại học luôn là khâu then chốt nhằm bảo đảm tính minh bạch, công bằng và chất lượng đào tạo. Theo các khảo sát quản trị giáo dục đại học, quy trình thanh tra và kiểm soát phòng thi truyền thống tiêu tốn từ 25–35% tổng thời lượng chuẩn bị của mỗi ca thi cho các công việc hành chính thủ công như dò danh sách giấy, đối chiếu thẻ sinh viên và ghi biên bản sự cố. Đặc biệt, tình trạng gian lận thi cử ngày càng tinh vi — điển hình là việc thi hộ, tráo đổi thẻ sinh viên hoặc sinh viên đăng ký trùng lịch/thi hộ nhiều ca — đặt ra thách thức lớn cho cán bộ coi thi và đội ngũ thanh tra.

Đề tài “Xây dựng website hỗ trợ giám sát các kỳ thi trong học kỳ” do sinh viên Nguyễn Khắc Dương (MSSV: 20110627) và Nguyễn Thanh Danh (MSSV: 20110617) thực hiện dưới sự hướng dẫn của ThS. Nguyễn Minh Đạo tại Khoa Công nghệ Thông tin – Trường Đại học Sư phạm Kỹ thuật TP.HCM (HCMUTE), nhằm giải quyết bài toán số hóa toàn diện quy trình thanh tra, điểm danh và giám sát phòng thi trong các kỳ thi học kỳ.

Mục tiêu dự án

  1. Số hóa quy trình thanh tra: Xây dựng hệ thống phân quyền 3 cấp (Admin, Phòng Đào tạo, Thanh tra) cho phép quản lý lịch thi, danh sách sinh viên, danh sách thanh tra và phân bổ phòng thi trực quan theo thời gian thực.
  2. Tích hợp trí tuệ nhân tạo (AI) trong điểm danh: Ứng dụng mô hình mạng nơ-ron nhận diện khuôn mặt (Facial Recognition) trực tiếp trên nền tảng web nhằm xác thực danh tính thí sinh nhanh chóng, loại bỏ nguy cơ thi hộ.
  3. Cảnh báo gian lận và hỗ trợ xử lý sự cố: Tự động phát hiện các trường hợp sinh viên nghi vấn (trùng lịch thi, thi 2 ca bất thường) và chuẩn hóa quy trình lập, phê duyệt biên bản sự cố phòng thi kèm bằng chứng hình ảnh.
  4. Tối ưu hóa hiệu năng hệ thống: Đảm bảo thời gian xử lý điểm danh dưới 1,5 giây/sinh viên, độ trễ API dưới 200ms và khả năng xuất báo cáo Excel đồng bộ theo chuẩn phòng thi.

Phạm vi và giới hạn đề tài

  • Phạm vi: Ứng dụng tập trung phục vụ công tác thanh tra nội bộ, phòng đào tạo và quản trị viên tại các kỳ thi tập trung quy mô khoa/trường. Hệ thống hỗ trợ điểm danh qua WebRTC camera trực tiếp hoặc upload hình ảnh tổng thể phòng thi.
  • Giới hạn: Mô hình nhận diện khuôn mặt phụ thuộc vào điều kiện ánh sáng phòng thi và chất lượng camera của thiết bị đầu cuối; chưa tích hợp cơ chế chống giả mạo sinh trắc học nâng cao (Anti-spoofing/Liveness Detection 3D).

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Trước khi xây dựng hệ thống, nhóm nghiên cứu đã tiến hành so sánh các phương pháp giám sát phòng thi hiện hành để xác định rõ khoảng trống công nghệ:

Tiêu chí đánh giá Điểm danh giấy truyền thống Hệ thống điểm danh vân tay Desktop Website Giám sát & AI MERN Stack (Đề tài)
Tốc độ xác thực 15–25 giây/thí sinh 4–6 giây/thí sinh 0,8–1,2 giây/thí sinh
Khả năng phát hiện thi hộ Thấp (phụ thuộc mắt thường) Trung bình (dễ ùn tắc cửa phòng) Cao (đối soát vector đặc trưng khuôn mặt)
Cảnh báo trùng lịch/nghi vấn Thủ công qua đối soát hậu kiểm Không hỗ trợ Tự động quét và cảnh báo tức thì
Chi phí đầu tư phần cứng Thấp (giấy tờ, in ấn) Cao (máy quét vân tay chuyên dụng) Tối ưu (tận dụng laptop/tablet/smartphone có sẵn camera)
Tổng hợp và xuất biên bản Trễ từ 1–3 ngày làm việc Thủ công qua cơ sở dữ liệu nội bộ Thời gian thực (Real-time), xuất Excel/PDF tức thì

Ma trận yêu cầu hệ thống (Phương pháp MoSCoW)

  • Must-have (Bắt buộc): Xác thực tài khoản đa quyền (Role-Based Access Control - RBAC); Tra cứu lịch thi, phòng thi theo năm/kỳ/khu vực; Điểm danh thí sinh bằng camera AI; Gửi và quản lý biên bản vi phạm kèm hình ảnh; Import dữ liệu Excel/CSV cho lịch thi và danh sách sinh viên.
  • Should-have (Nên có): Cảnh báo sinh viên thi 2 ca bất thường; Huấn luyện (training) dữ liệu vector đặc trưng khuôn mặt sinh viên và lưu trữ cấu trúc JSON; Xuất báo cáo phòng thi định dạng Excel.
  • Could-have (Có thể có): Điểm danh đồng loạt nhiều khuôn mặt qua một bức ảnh phòng thi; Lọc báo cáo đa tiêu chí theo tòa nhà, môn thi, trạng thái xử lý.
  • Won't-have (Chưa triển khai kỳ này): Nhận diện hành vi bất thường của thí sinh trong giờ thi qua video streaming thời gian thực; Tích hợp cổng thanh toán thù lao thanh tra.

Thiết kế hệ thống

Hệ thống được thiết kế theo kiến trúc 3 tầng (3-Tier Architecture) hoàn chỉnh trên nền tảng JavaScript đồng nhất, đảm bảo tính phân tách độc lập giữa tầng giao diện, tầng xử lý nghiệp vụ và tầng dữ liệu.

+-------------------------------------------------------------------------+
|                        CLIENT TIER (ReactJS v18.2)                      |
|  [Admin Dashboard]   [Inspector Mobile/Web UI]   [PĐT Schedule Portal]  |
|          |                         |                        |           |
|   Redux Toolkit              WebRTC Camera            Axios Client      |
|   (State Management)      (face-api.js Client)       (HTTP REST Calls)  |
+------------------------------------+------------------------------------+
                                     | JSON / RESTful APIs
+------------------------------------v------------------------------------+
|                       SERVER TIER (Node.js & ExpressJS)                 |
|  [Auth & RBAC]     [Exam Controller]    [Face Train]    [Report Engine] |
|  Middleware JWT     Schedule Parser      Vector Extract  Excel Exporter |
|                             (Multer Engine)                             |
+------------------------------------+------------------------------------+
                                     | BSON / Mongoose ODM (v7.2.0)
+------------------------------------v------------------------------------+
|                       DATABASE TIER (MongoDB v6.0)                      |
| Collections: accounts | students | exam_schedules | inspectors | reports|
|              trains   | rooms    | buildings      | subjects   | files  |
+-------------------------------------------------------------------------+

Chi tiết Tech Stack & Phiên bản

  • Frontend: ReactJS v18.2.0, Redux Toolkit v1.9.5, React Router DOM v6.11.0, TailwindCSS v3.3.0, Axios v1.4.0.
  • Face Recognition Engine: face-api.js v0.22.2 (dựa trên nền tảng TensorFlow.js core), sử dụng mô hình SSD MobileNet V1 cho Face Detection và ResNet-34 cho Face Feature Extraction (128-dimensional vector descriptors).
  • Backend: Node.js v18.16.0 LTS, Express.js v4.18.2, Mongoose ODM v7.2.0, Multer v1.4.5 (xử lý multipart/form-data), ExcelJS / XLSX v0.18.5.
  • Database: MongoDB v6.0.5 Community Server / MongoDB Atlas, lưu trữ dữ liệu phi quan hệ chuẩn BSON.

Thiết kế Cơ sở dữ liệu (Database Schema Collections)

Hệ thống chuẩn hóa 10 Collections chính trong MongoDB:

  1. accounts: Lưu thông tin đăng nhập, phân quyền (role: 'admin' | 'inspector' | 'pdt'), trạng thái khóa (isBanned).
  2. students: Lưu thông tin thí sinh (studentId, fullName, classId, avatarUrl, isTrained).
  3. inspectors: Quản lý hồ sơ cán bộ thanh tra (inspectorId, name, department, phoneNumber).
  4. exam_schedules: Lịch thi học kỳ (examDate, shift, subjectId, roomId, studentList: [studentId]).
  5. trains: Lưu trữ vector đặc trưng khuôn mặt (128 float values) tương ứng với từng studentId.
  6. reports: Biên bản sự cố (roomId, examScheduleId, inspectorId, reportType, notes, evidenceImages: [], status).
  7. rooms, buildings, subjects, uploadedFiles: Quản lý hạ tầng phòng máy/phòng lý thuyết, môn học và nhật ký import file.

Thiết kế RESTful API Endpoints tiêu biểu

  • POST /api/auth/login: Xác thực người dùng, tạo phiên làm việc và phân quyền RBAC.
  • GET /api/exams/today?date=YYYY-MM-DD: Lấy danh sách phòng thi và ca thi trong ngày của thanh tra.
  • GET /api/exams/suspicious: Thuật toán lọc các thí sinh trùng lịch thi hoặc thi 2 ca liên tiếp có dấu hiệu bất thường.
  • POST /api/attendance/verify-face: Gửi descriptor khuôn mặt hoặc hình ảnh chụp từ WebRTC để đối soát với dữ liệu trains.
  • POST /api/reports/create: Tạo biên bản vi phạm quy chế thi kèm hình ảnh minh chứng.
  • GET /api/exams/:id/export-excel: Xuất bảng điểm danh và tình trạng phòng thi ra định dạng .xlsx.

Phương pháp phát triển (Methodology)

Đề tài áp dụng mô hình phát triển phần mềm lặp (Iterative Agile/Scrum rút gọn), phân chia tiến độ thực hiện từ ngày 03/03/2024 đến ngày 09/07/2024 qua 8 mốc quan trọng:

[03/03 - 10/03] Lập kế hoạch & Khảo sát nghiệp vụ
       |
[11/03 - 16/03] Nghiên cứu công nghệ MERN & Face-API
       |
[17/03 - 23/03] Thiết kế Database & Collection Schemas
       |
[24/03 - 15/04] Thiết kế Wireframe & UI Client (ReactJS)
       |
[02/04 - 29/04] Xây dựng RESTful API Backend (Node/Express)
       |
[02/05 - 15/05] Tích hợp Client - Server & Module AI
       |
[16/05 - 15/06] Kiểm thử đơn vị, Tích hợp & Sửa lỗi
       |
[16/06 - 09/07] Nghiệm thu, Đo lường & Hoàn thiện báo cáo

Implementation và kết quả

Chi tiết giải thuật và mã nguồn tiêu biểu

1. Thuật toán trích xuất và so khớp Vector nhận diện khuôn mặt (Face Matching)

Hệ thống sử dụng khoảng cách Euclid (Euclidean Distance) giữa hai vector đặc trưng 128 chiều để xác định danh tính thí sinh. Ngưỡng phân định (Threshold) được thiết lập ở mức $D_{threshold} = 0.45$. Nếu khoảng cách Euclid $d(v_1, v_2) < 0.45$, hệ thống xác nhận trùng khớp danh tính.

// Trích xuất từ logic điểm danh nhận diện khuôn mặt phía Client/Server
import * as faceapi from 'face-api.js';

export async function matchStudentFace(capturedImageElement, trainedDescriptorsJSON) {
  // 1. Khởi tạo LabeledFaceDescriptors từ dữ liệu đã train trong Database
  const labeledDescriptors = trainedDescriptorsJSON.map(record => {
    const descriptors = record.descriptors.map(d => new Float32Array(d));
    return new faceapi.LabeledFaceDescriptors(record.studentId, descriptors);
  });

  // 2. Thiết lập FaceMatcher với ngưỡng Euclidean Distance 0.45
  const maxDescriptorDistance = 0.45;
  const faceMatcher = new faceapi.FaceMatcher(labeledDescriptors, maxDescriptorDistance);

  // 3. Nhận diện khuôn mặt từ camera WebRTC (Single Face Detection với 128 Descriptors)
  const singleDetection = await faceapi
    .detectSingleFace(capturedImageElement, new faceapi.SsdMobilenetv1Options({ minConfidence: 0.7 }))
    .withFaceLandmarks()
    .withFaceDescriptor();

  if (!singleDetection) {
    return { success: false, message: "Không phát hiện khuôn mặt trong khung hình!" };
  }

  // 4. Đối khớp vector đặc trưng
  const bestMatch = faceMatcher.findBestMatch(singleDetection.descriptor);
  return {
    success: true,
    studentId: bestMatch.label,
    distance: bestMatch.distance,
    isMatch: bestMatch.label !== 'unknown'
  };
}

2. Thuật toán phát hiện thí sinh nghi vấn trùng ca thi (Suspicious Candidates Detection)

Nhằm ngăn chặn việc thi hộ theo đường dây hoặc một thí sinh có tên trong nhiều phòng thi cùng một thời điểm, hệ thống triển khai pipeline truy vấn tổng hợp (Aggregation Pipeline) trên MongoDB:

// Express Controller: Phát hiện xung đột lịch thi sinh viên trong cùng khung giờ
export const getSuspiciousExamCandidates = async (req, res) => {
  try {
    const { examDate } = req.query;
    const conflicts = await ExamSchedule.aggregate([
      { $match: { examDate: new Date(examDate) } },
      { $unwind: "$studentList" },
      {
        $group: {
          _id: { studentId: "$studentList", shift: "$shift" },
          roomCount: { $sum: 1 },
          rooms: { $push: "$roomId" },
          subjects: { $push: "$subjectId" }
        }
      },
      { $match: { roomCount: { $gt: 1 } } }, // Thí sinh xuất hiện > 1 phòng thi trong cùng 1 ca
      {
        $lookup: {
          from: "students",
          localField: "_id.studentId",
          foreignField: "studentId",
          as: "studentInfo"
        }
      },
      { $unwind: "$studentInfo" }
    ]);

    return res.status(200).json({ success: true, data: conflicts });
  } catch (error) {
    return res.status(500).json({ success: false, error: error.message });
  }
};

Kiểm thử và đánh giá hiệu năng (Testing & Validation)

Quá trình kiểm thử phần mềm được tiến hành qua 85 trường hợp kiểm thử (test cases) bao phủ các module chức năng chính:

[Tổng số Test Cases: 85]
├── Authentication & RBAC: 12 cases (Đạt 100%)
├── Quản lý Lịch thi & Import File: 18 cases (Đạt 100%)
├── Module Nhận diện & Điểm danh AI: 25 cases (Đạt 96%)
├── Quản lý Biên bản & Sự cố: 15 cases (Đạt 100%)
└── Xuất dữ liệu Báo cáo Excel: 15 cases (Đạt 100%)

Kết quả Benchmark hiệu năng thực tế

  • Độ trễ phản hồi API (p95 API Latency): 142ms trên môi trường máy chủ nội bộ.
  • Tốc độ xử lý nhận diện khuôn mặt: Trung bình 850ms/khuôn mặt (thực hiện inference trực tiếp trên trình duyệt Client bằng WebGL GPU acceleration).
  • Độ chính xác nhận diện (Face Recognition Accuracy): Đạt 96,4% trong điều kiện ánh sáng phòng thi đạt chuẩn (300–500 lux) và góc nghiêng khuôn mặt không quá $25^\circ$.
  • Khả năng chịu tải (Throughput): Đạt 150 requests/giây (RPS) trên máy chủ cấu hình tiêu chuẩn (4 vCPU, 8GB RAM) không xảy ra hiện tượng tràn bộ nhớ.

Đổi mới và đóng góp

  1. Ứng dụng AI Edge Computing trên nền Web: Thay vì gửi toàn bộ luồng video độ phân giải cao về server gây nghẽn băng thông, giải pháp thực hiện trích xuất vector đặc trưng 128 chiều ngay tại Client thông qua face-api.js (WebAssembly/WebGL). Server chỉ lưu trữ và xử lý các mảng vector số, giúp giảm 88% áp lực băng thông mạng.
  2. Cơ chế phát hiện gian lận tự động đa chiều: Đề tài đã xây dựng thành công bộ lọc tự động phát hiện sinh viên trùng ca thi và bất thường lịch thi với độ phức tạp thuật toán $O(N \log N)$, giúp thanh tra phát hiện tức thì nguy cơ thi hộ trước khi ca thi bắt đầu.
  3. Quy trình lập biên bản số hóa tức thời: Rút ngắn thời gian tạo và phê duyệt biên bản sự cố từ 24 giờ xuống còn 30 giây, tích hợp hình ảnh bằng chứng lưu trữ an toàn, phục vụ công tác đối soát minh bạch.
  4. Hiệu quả định lượng:
    • Giảm 75% thời gian điểm danh đầu mỗi ca thi.
    • Giảm 95% sai sót đối soát thẻ sinh viên thủ công.
    • Cắt giảm 100% chi phí in ấn danh sách phòng thi và biên bản giấy.

Ứng dụng thực tế và triển khai

Kịch bản sử dụng thực tế (Use Case Scenario)

+-----------------------------------------------------------------------------------+
| TRƯỜNG ĐẠI HỌC VỚI 30.000+ SINH VIÊN - KỲ THI TẬP TRUNG HỌC KỲ                    |
|                                                                                   |
| 1. Phòng Đào tạo: Upload tệp Excel lịch thi & danh sách sinh viên lên hệ thống.   |
| 2. Quản trị viên: Kích hoạt tác vụ "Train hình ảnh sinh viên" tạo Vector Descriptors.|
| 3. Cán bộ Thanh tra:                                                             |
|    - Đăng nhập hệ thống trên máy tính bảng/laptop tại khu vực thi.               |
|    - Hệ thống cảnh báo danh sách "Sinh viên nghi vấn" cần kiểm tra trọng điểm.    |
|    - Thanh tra quét camera điểm danh nhanh tại cửa phòng hoặc chụp ảnh toàn phòng.|
|    - Nếu phát hiện vi phạm quy chế: Lập biên bản trực tiếp, chụp ảnh lưu chứng cứ.|
| 4. Ban Giám hiệu / Hội đồng thi: Giám sát dashboard báo cáo trực tuyến thời gian thực.|
+-----------------------------------------------------------------------------------+

Hướng dẫn triển khai hệ thống (Deployment Architecture)

  • Hạ tầng khuyến nghị:
    • Máy chủ: Ubuntu 22.04 LTS, 4 Core CPU, 8GB RAM, SSD 50GB.
    • Proxy & Web Server: Nginx làm Reverse Proxy, SSL Let's Encrypt, PM2 quản lý tiến trình Node.js.
    • Cơ sở dữ liệu: MongoDB Cluster hoặc MongoDB Atlas (M10 tier trở lên).
# Hướng dẫn khởi chạy nhanh môi trường Production
# 1. Clone source code và cài đặt dependencies
git clone https://github.com/exam-supervision-ute/exam-monitor.git
cd exam-monitor/server && npm install --production
cd ../client && npm install && npm run build

# 2. Khởi chạy Server Backend với PM2
pm2 start server.js --name "exam-monitor-api" -i max

# 3. Cấu hình Nginx điều hướng Frontend & API reverse proxy
sudo nginx -t && sudo systemctl reload nginx

Hạn chế và hướng phát triển

Hạn chế hiện tại

  • Môi trường nhận diện: Độ chính xác của AI giảm xuống còn ~82% trong điều kiện phòng thi thiếu sáng (< 150 lux) hoặc thí sinh đeo khẩu trang/kính râm che khuất các mốc nhận diện chính (facial landmarks).
  • Phụ thuộc kết nối mạng: Hệ thống yêu cầu kết nối Intranet/Internet liên tục để đồng bộ trạng thái điểm danh và gửi biên bản vi phạm về máy chủ trung tâm.

Hướng phát triển trong tương lai

  1. Tích hợp mô hình Anti-Spoofing: Bổ sung thuật toán phát hiện giả mạo khuôn mặt qua ảnh in/màn hình điện thoại (Liveness Detection dựa trên chớp mắt hoặc phân tích vi chuyển động).
  2. Kiến trúc Offline-First PWA: Ứng dụng Progressive Web App và IndexedDB để cán bộ thanh tra có thể điểm danh và lập biên bản ngay cả khi mất kết nối mạng, tự động đồng bộ khi có kết nối trở lại.
  3. Phân tích hành vi thí sinh qua AI Video Streaming: Tích hợp camera giám sát góc rộng trong phòng thi để tự động phát hiện hành vi trao đổi bài hoặc sử dụng tài liệu trái phép.

Đối tượng hưởng lợi

  • Sinh viên & Thí sinh: Đảm bảo quyền lợi cá nhân trong một môi trường thi cử công bằng, minh bạch; rút ngắn thời gian xếp hàng điểm danh vào phòng thi.
  • Cán bộ coi thi & Thanh tra: Giảm áp lực kiểm tra giấy tờ thủ công, sở hữu công cụ hỗ trợ thông minh để phát hiện gian lận và lập báo cáo nhanh chóng, chuẩn xác.
  • Nhà trường & Phòng Đào tạo: Tiết kiệm hàng trăm triệu đồng chi phí in ấn văn phòng phẩm mỗi năm; nắm bắt tiến độ và tình hình kỳ thi theo thời gian thực (Real-time Management Dashboard).
  • Lập trình viên & Nhà nghiên cứu: Nguồn tài liệu tham khảo thực tiễn chất lượng cao về việc kết hợp MERN Stack với Computer Vision (face-api.js) trên môi trường Web.

Câu hỏi thường gặp

1. Yêu cầu phần cứng và thiết bị tối thiểu để triển khai hệ thống là gì?

Thanh tra và giám thị chỉ cần thiết bị đầu cuối thông thường (laptop, tablet hoặc smartphone) có camera độ phân giải tối thiểu 720p và trình duyệt web hiện đại hỗ trợ WebRTC (Google Chrome, Microsoft Edge, Safari). Máy chủ trung tâm yêu cầu tối thiểu 2 vCPU và 4GB RAM cho quy mô đồng thời 50 phòng thi.

2. Dữ liệu khuôn mặt của sinh viên được lưu trữ và bảo mật như thế nào?

Hệ thống không cần lưu trữ toàn bộ ảnh gốc sau khi huấn luyện. Dữ liệu khuôn mặt được chuyển hóa thành các vector đặc trưng 128 chiều (LabeledFaceDescriptors) lưu dưới dạng mảng số thực trong collection trains. Dữ liệu này không thể dùng để dịch ngược lại thành ảnh chân dung gốc, đảm bảo chuẩn an toàn thông tin cá nhân.

3. Hệ thống xử lý thế nào khi sinh viên phẫu thuật thẩm mỹ hoặc thay đổi nhận dạng đáng kể?

Hệ thống hỗ trợ tính năng cho phép Quản trị viên cập nhật ảnh chân dung mới của sinh viên và thực hiện tác vụ "Re-train" đơn lẻ cho sinh viên đó trong vòng chưa đầy 3 giây mà không cần huấn luyện lại toàn bộ cơ sở dữ liệu.

4. Nếu mất kết nối Internet trong lúc thi thì biên bản và dữ liệu điểm danh có bị mất không?

Hiện tại, phiên bản yêu cầu kết nối mạng nội bộ của trường. Tuy nhiên, nếu xảy ra gián đoạn tạm thời, dữ liệu điểm danh trên giao diện ReactJS vẫn được lưu trữ tạm thời trong Redux State và có thể retry gửi lại API ngay khi kết nối được phục hồi.

5. Chi phí triển khai và thời gian hoàn vốn (ROI) của dự án?

Hệ thống tận dụng 100% công nghệ mã nguồn mở (MERN Stack, face-api.js) nên không tốn chi phí bản quyền phần mềm. Với một trường đại học quy mô 30.000 sinh viên, việc cắt giảm chi phí in ấn danh sách giấy, thẻ thi và nhân công kiểm tra giúp hoàn vốn đầu tư máy chủ chỉ sau 01 kỳ thi học kỳ.

Kết luận

Đề tài “Xây dựng website hỗ trợ giám sát các kỳ thi trong học kỳ” của nhóm tác giả Nguyễn Khắc Dương và Nguyễn Thanh Danh đã giải quyết triệt để bài toán số hóa công tác thanh tra thi cử tại các trường đại học. Bằng việc kết hợp hài hòa giữa kiến trúc MERN Stack hiện đại và công nghệ trí tuệ nhân tạo nhận diện khuôn mặt, hệ thống không chỉ nâng cao hiệu suất làm việc của cán bộ thanh tra mà còn kiến tạo môi trường học thuật văn minh, công bằng và minh bạch. Đây là giải pháp có tính ứng dụng thực tiễn cao, sẵn sàng chuyển giao và mở rộng cho các kỳ thi quy mô lớn trên toàn quốc.