Thông tin luận án tiến sĩ - NCS Đào Phúc Minh Huy

TRANG THÔNG TIN LUẬN ÁN

Tên luận án:  A Novel Artificial Intelligence Smart Education System for Combating Online Examination Frauds

Chuyên ngành: Khoa học máy tính (Computer Science) 

Mã số: 9.48.01.01 

Họ và tên nghiên cứu sinh: Đào Phúc Minh Huy

Người hướng dẫn khoa học:

1.     PGS.TS. Nguyễn Gia Như 

2.     PGS.TS. Lê Đắc Nhường 

Tên cơ sở đào tạo: Đại học Duy Tân

1. Mục đích và đối tượng nghiên cứu của luận án

1.1. Mục đích nghiên cứu

Mục đích chính của luận án là thiết kế, phát triển và đánh giá một giải pháp toàn diện, tích hợp ứng dụng trí tuệ nhân tạo (AI) nhằm đảm bảo tính trung thực trong thi cử trực tuyến qua ba giai đoạn: trước, trong và sau kỳ thi. Cụ thể:

§  Phát triển các mô-đun sinh trắc học để xác thực danh tính sinh viên mạnh mẽ (khuôn mặt, vân tay).

§  Xây dựng mô hình học sâu lai (hybrid deep-learning) để giám sát hành vi và phát hiện gian lận theo thời gian thực qua video.

§  Xây dựng khung máy học để dự đoán gian lận dựa trên quỹ đạo điểm số thi cử, giải quyết vấn đề mất cân bằng dữ liệu.

1.2. Đối tượng nghiên cứu

§  Các phương pháp và kỹ thuật xác thực sinh trắc học (nhận diện khuôn mặt, vân tay).

§  Các hành vi gian lận trong thi cử trực tuyến và dữ liệu video giám sát thi cử.

§  Dữ liệu kết quả học tập, điểm số và lịch sử thi cử của sinh viên.

§  Các thuật toán Học Máy (Machine Learning) và Học Sâu (Deep Learning) ứng dụng trong phát hiện bất thường và khai phá dữ liệu giáo dục (EDM).

2. Các phương pháp nghiên cứu đã sử dụng 

Luận án sử dụng phương pháp nghiên cứu đa phương thức, kết hợp giữa lý thuyết và thực nghiệm trên các tập dữ liệu thực tế và mô phỏng:

§  Phương pháp sinh trắc học: Sử dụng mạng nơ-ron tích chập (MTCNN, FaceNet) cho điểm danh khuôn mặt và thuật toán CNN-FSPM (Convolutional Neural Network with Full-Scope Pattern Matching) cho lập chỉ mục và khớp vân tay.

§  Phương pháp Thị Giác Máy Tính (Computer Vision): Kết hợp các mô hình phát hiện vật thể (YOLOv12, SSD-MobileNet, Faster R-CNN) với các bộ phân loại thời gian (CNN, Bi-GRU, LSTM) để phân tích video giám sát thi cử.

§  Phương pháp Khai Phá Dữ Liệu Giáo Dục (EDM) & Máy Học (Machine Learning): Sử dụng các thuật toán truyền thống (Logistic Regression, SVM, Random Forest) và các phương pháp học tăng cường (XGBoost, CatBoost, LightGBM), cùng các kiến trúc sâu (RNN, 1D-CNN) để phân tích chuỗi điểm số.

§  Phương pháp đánh giá: Sử dụng các chỉ số Precision, Recall, F1-score, ROC-AUC, Recall@Top-k% và ma trận nhầm lẫn để đánh giá hiệu suất mô hình trên các tập dữ liệu mất cân bằng.

3. Các kết quả chính và kết luận

3.1. Các kết quả chính

§  Hệ thống điểm danh khuôn mặt: Đạt độ chính xác trung bình 97.3% khi triển khai thực tế trên 193 sinh viên, hỗ trợ điểm danh tự động hiệu quả.

§  Xác thực vân tay: Đề xuất thuật toán CNN-FSPM cho lập chỉ mục và khớp vân tay, đạt tỷ lệ thành công 96.7% cho phân loại thô và 98.83% cho nhận diện chi tiết trên tập dữ liệu DTU-2024.

§  Phát hiện gian lận qua video: Mô hình lai kết hợp YOLOv12 và CNN đạt độ chính xác tổng thể cao nhất là 97.15%, cân bằng tốt nhất giữa hiệu suất và thời gian thực so với các kết hợp khác (như Faster R-CNN hay SSD-MobileNet).

§  Dự đoán gian lận qua điểm số: Các mô hình chuỗi thời gian (GRU-RNN và 1D-CNN) vượt trội hơn các mô hình bảng truyền thống, đạt ROC-AUC xấp xỉ 0.98 và độ chính xác khoảng 92.5%, chứng minh khả năng phát hiện các mẫu điểm bất thường hiệu quả.

3.2. Kết luận 

Luận án khẳng định rằng việc tích hợp các mô-đun AI đa phương thức (xác thực danh tính trước thi, giám sát hành vi trong thi, và phân tích điểm số sau thi) tạo ra một hệ thống bảo mật thi cử mạnh mẽ và toàn diện hơn so với các giải pháp đơn lẻ. Hệ thống đề xuất không chỉ có độ chính xác cao mà còn khả thi để triển khai thực tế, hỗ trợ ra quyết định cho các nhà quản lý giáo dục.

4. Đóng góp mới về khoa học của luận án 

Luận án có 06 đóng góp mới chính:

1. Đề xuất một kiến trúc bảo mật thi cử thống nhất, đa giai đoạn (multi-phase architecture) tích hợp cả sinh trắc học, giám sát thời gian thực và phân tích hậu kiểm.

2.  Phát triển hệ thống điểm danh và xác thực danh tính bằng khuôn mặt tích hợp chặt chẽ với hệ thống quản lý đào tạo.

3. Đề xuất phương pháp lập chỉ mục và khớp vân tay mới dựa trên CNN-FSPM, giúp tăng tốc độ và độ chính xác trong xác thực danh tính trước kỳ thi quy mô lớn.

4. Xây dựng mô hình lai (Hybrid Deep Learning) cho giám sát video, chứng minh hiệu quả vượt trội của việc kết hợp YOLOv12 và CNN trong phát hiện hành vi gian lận.

5. Phát triển khung dự đoán gian lận dựa trên quỹ đạo điểm số (score-trajectory-based framework), áp dụng các kỹ thuật xử lý mất cân bằng dữ liệu và hiệu chỉnh xác suất để phát hiện các bất thường tinh vi mà giám sát trực tiếp có thể bỏ qua.

6. Đưa ra các hướng dẫn triển khai thực tế liên quan đến đạo đức, quyền riêng tư và quy trình giám sát có con người tham gia (human-in-the-loop).