Tổng quan nghiên cứu

Trong bối cảnh công nghệ thông tin phát triển mạnh mẽ, khả năng tính toán của máy tính ngày càng được nâng cao cùng với sự bùng nổ của dữ liệu lớn (big data). Theo ước tính, việc ứng dụng các mô hình học sâu trong nhận diện hình ảnh đã đạt được độ chính xác trên 90% trong nhiều bài toán thực tế. Tuy nhiên, trong lĩnh vực giáo dục, đặc biệt là giám sát thí sinh trong phòng thi, việc áp dụng công nghệ này vẫn còn nhiều hạn chế. Vấn đề nghiên cứu tập trung vào việc xây dựng một hệ thống giám sát thí sinh tự động, giúp phát hiện các hành vi gian lận như sử dụng tài liệu hay quay cóp, từ đó nâng cao chất lượng và tính công bằng trong đánh giá học sinh.

Mục tiêu cụ thể của nghiên cứu là ứng dụng mô hình YOLO (You Only Look Once) để xây dựng hệ thống giám sát thí sinh trong phòng thi tại trường THCS Quảng Phú, thành phố Quảng Ngãi, tỉnh Quảng Ngãi. Phạm vi nghiên cứu tập trung vào việc phát triển và thử nghiệm mô hình trên dữ liệu hình ảnh và video thu thập trong phòng thi thực tế. Ý nghĩa của nghiên cứu được thể hiện qua việc cải thiện hiệu quả giám sát, giảm thiểu sai sót do con người và thúc đẩy ý thức học tập nghiêm túc của học sinh. Hệ thống dự kiến sẽ hỗ trợ các hội đồng coi thi trong việc quản lý và giám sát thí sinh một cách khách quan, minh bạch.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu dựa trên hai nền tảng lý thuyết chính: học máy (Machine Learning) và học sâu (Deep Learning). Học máy là lĩnh vực trí tuệ nhân tạo cho phép hệ thống tự động học từ dữ liệu để cải thiện hiệu suất công việc. Trong đó, học sâu là một nhánh của học máy sử dụng mạng nơ-ron nhân tạo nhiều lớp để xử lý các dữ liệu phức tạp như hình ảnh và video.

Mô hình YOLO, một kiến trúc mạng nơ-ron tích chập (CNN), được sử dụng để phát hiện và nhận diện đối tượng trong ảnh với tốc độ xử lý nhanh và độ chính xác cao. Các khái niệm chính bao gồm:

  • Mạng nơ-ron nhân tạo (ANN): Mạng gồm các lớp nơ-ron kết nối với nhau, bao gồm lớp đầu vào, lớp ẩn và lớp đầu ra, sử dụng hàm kích hoạt như ReLU để tăng tính phi tuyến.
  • Thuật toán lan truyền ngược (Backpropagation): Phương pháp huấn luyện mạng nơ-ron bằng cách điều chỉnh trọng số dựa trên sai số giữa dự đoán và thực tế.
  • Hàm đánh giá Intersection Over Union (IOU): Đo lường độ chính xác của hộp giới hạn dự đoán so với hộp giới hạn thực tế, với ngưỡng IOU > 0.5 được coi là dự đoán chính xác.
  • Thuật toán SORT (Simple Online and Realtime Tracking): Thuật toán theo dõi đối tượng trong video thời gian thực, kết hợp với YOLO để xác định vị trí và gán nhãn liên tục cho thí sinh.

Phương pháp nghiên cứu

Nguồn dữ liệu chính bao gồm hình ảnh và video thu thập tại phòng thi trường THCS Quảng Phú, với cỡ mẫu khoảng vài trăm video và hàng nghìn hình ảnh được ghi nhận trong các kỳ thi giữa kỳ và cuối kỳ. Dữ liệu được tiền xử lý bao gồm chuẩn hóa kích thước ảnh về 416x416 hoặc 608x608 pixel, và gán nhãn đối tượng thí sinh.

Phương pháp phân tích sử dụng mô hình YOLO v7 để huấn luyện và nhận diện thí sinh trong phòng thi. Quá trình huấn luyện mô hình được thực hiện trên tập dữ liệu đã gán nhãn, sử dụng thuật toán lan truyền ngược để tối ưu hàm mất mát tổng hợp giữa dự đoán nhãn, tọa độ hộp giới hạn và độ tin cậy. Thuật toán SORT được tích hợp để theo dõi chuyển động của thí sinh trong video, giúp xác định hành vi gian lận như sử dụng tài liệu hay trao đổi.

Timeline nghiên cứu kéo dài khoảng 6 tháng, bao gồm các giai đoạn thu thập dữ liệu (2 tháng), huấn luyện và tinh chỉnh mô hình (3 tháng), và thử nghiệm, đánh giá kết quả (1 tháng).

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

  1. Hiệu suất nhận diện thí sinh: Mô hình YOLO v7 đạt độ chính xác trung bình (mAP) khoảng 92% trong việc phát hiện thí sinh trong phòng thi với tốc độ xử lý đạt 30 FPS, đảm bảo khả năng giám sát thời gian thực.

  2. Độ chính xác theo dõi đối tượng: Thuật toán SORT kết hợp với YOLO giúp theo dõi liên tục các thí sinh với tỷ lệ nhận diện chính xác trên 89%, giảm thiểu hiện tượng mất dấu trong quá trình giám sát.

  3. Phát hiện hành vi gian lận: Hệ thống phát hiện được các trường hợp thí sinh sử dụng tài liệu hoặc trao đổi với tỷ lệ phát hiện chính xác khoảng 85%, cao hơn 20% so với phương pháp giám sát thủ công.

  4. Tác động đến ý thức thí sinh: Qua khảo sát tại một số kỳ thi, việc áp dụng hệ thống giám sát tự động đã giúp giảm 30% số vụ vi phạm quy chế thi so với các kỳ thi trước đó.

Thảo luận kết quả

Nguyên nhân của hiệu quả cao đến từ việc mô hình YOLO v7 sử dụng 9 anchor box đa dạng kích thước, giúp phát hiện chính xác các đối tượng có hình dạng và kích thước khác nhau trong phòng thi. Việc tích hợp thuật toán SORT giúp duy trì nhận diện liên tục, khắc phục hạn chế của các mô hình chỉ nhận diện từng khung hình riêng lẻ.

So sánh với các nghiên cứu trước đây, hệ thống này có tốc độ xử lý nhanh hơn khoảng 15-20% và độ chính xác cao hơn nhờ áp dụng kỹ thuật focal loss thay cho cross-entropy loss truyền thống, giúp cải thiện khả năng phát hiện các đối tượng nhỏ và phức tạp.

Ý nghĩa của kết quả thể hiện rõ trong việc nâng cao tính công bằng và minh bạch trong giám sát thi cử, giảm thiểu sai sót do con người và tăng cường ý thức tự giác của học sinh. Dữ liệu có thể được trình bày qua biểu đồ mAP theo từng phiên bản YOLO và bảng so sánh tỷ lệ phát hiện gian lận giữa giám sát tự động và thủ công.

Đề xuất và khuyến nghị

  1. Triển khai hệ thống giám sát tự động tại các trường học: Khuyến nghị các trường THCS và THPT áp dụng hệ thống giám sát dựa trên mô hình YOLO v7 trong vòng 12 tháng tới nhằm nâng cao hiệu quả quản lý phòng thi.

  2. Đào tạo và nâng cao nhận thức cho giám thị: Tổ chức các khóa đào tạo về sử dụng hệ thống và nhận diện hành vi gian lận cho giám thị, đảm bảo họ có thể phối hợp hiệu quả với công nghệ mới.

  3. Mở rộng phạm vi ứng dụng: Phát triển thêm các tính năng như nhận diện hành vi bất thường, cảnh báo tự động và lưu trữ dữ liệu để phục vụ công tác kiểm tra, đánh giá trong các kỳ thi lớn.

  4. Cập nhật và bảo trì hệ thống định kỳ: Thiết lập quy trình bảo trì, cập nhật mô hình và phần mềm hàng năm để đảm bảo hệ thống hoạt động ổn định và chính xác theo sự thay đổi của môi trường thi.

Đối tượng nên tham khảo luận văn

  1. Nhà quản lý giáo dục: Giúp hiểu rõ về ứng dụng công nghệ trong giám sát thi cử, từ đó xây dựng chính sách và kế hoạch triển khai phù hợp.

  2. Giảng viên và sinh viên ngành Khoa học dữ liệu, Trí tuệ nhân tạo: Cung cấp kiến thức thực tiễn về ứng dụng mô hình YOLO và thuật toán SORT trong bài toán nhận diện và theo dõi đối tượng.

  3. Các chuyên gia phát triển phần mềm giáo dục: Tham khảo để phát triển các giải pháp công nghệ hỗ trợ giám sát và quản lý thi cử hiệu quả.

  4. Hội đồng coi thi và giám thị: Nắm bắt công nghệ mới giúp nâng cao hiệu quả công tác giám sát, giảm thiểu gian lận và sai sót trong phòng thi.

Câu hỏi thường gặp

1. Mô hình YOLO có thể áp dụng cho các phòng thi có nhiều thí sinh không?
Có, YOLO v7 với 9 anchor box và khả năng xử lý đa đối tượng giúp nhận diện chính xác trong môi trường đông người như phòng thi.

2. Hệ thống có thể phát hiện các hành vi gian lận như thế nào?
Hệ thống nhận diện thí sinh và theo dõi chuyển động, phát hiện các hành vi bất thường như sử dụng tài liệu hay trao đổi qua cử chỉ, dựa trên dữ liệu video thời gian thực.

3. Tốc độ xử lý của hệ thống có đáp ứng được yêu cầu giám sát thời gian thực không?
Với tốc độ xử lý khoảng 30 FPS, hệ thống hoàn toàn đáp ứng được yêu cầu giám sát liên tục và kịp thời trong phòng thi.

4. Hệ thống có thể áp dụng cho các cấp học khác ngoài THCS không?
Có, mô hình có thể được điều chỉnh và huấn luyện lại để phù hợp với các môi trường thi khác nhau như THPT hoặc đại học.

5. Chi phí triển khai hệ thống có cao không?
Chi phí chủ yếu liên quan đến phần cứng camera và máy chủ xử lý, tuy nhiên với sự phát triển của công nghệ IoT và thiết bị giá rẻ, chi phí có thể được tối ưu để phù hợp với ngân sách các trường học.

Kết luận

  • Nghiên cứu đã thành công trong việc ứng dụng mô hình YOLO v7 kết hợp thuật toán SORT xây dựng hệ thống giám sát thí sinh trong phòng thi với độ chính xác nhận diện trên 90%.
  • Hệ thống giúp phát hiện hành vi gian lận với tỷ lệ chính xác khoảng 85%, góp phần nâng cao tính công bằng trong thi cử.
  • Việc áp dụng công nghệ này thúc đẩy ý thức học tập nghiêm túc của học sinh và hỗ trợ hiệu quả cho giám thị trong công tác quản lý.
  • Đề xuất triển khai hệ thống tại các trường học trong vòng 12 tháng tới, đồng thời tổ chức đào tạo và bảo trì định kỳ để đảm bảo hiệu quả lâu dài.
  • Các bước tiếp theo bao gồm mở rộng tính năng phát hiện hành vi bất thường và tích hợp cảnh báo tự động nhằm nâng cao khả năng giám sát toàn diện.

Hành động ngay hôm nay để ứng dụng công nghệ hiện đại vào quản lý giáo dục, góp phần xây dựng môi trường học tập công bằng và minh bạch.