رصد الغش من خلال أزمنة الاستجابة والتعلم الآلي

في عالم تعليمي يتجه نحو الرقمنة الكاملة، تتزايد التحديات المتعلقة بالحفاظ على النزاهة الأكاديمية. لم يعد الغش يقتصر على النقل التقليدي أو تداول الأسئلة، بل بات مدعوما بأدوات ذكاء اصطناعي قادرة على توليد إجابات دقيقة في اختبارات متعددة الخيارات أو تحرير مقالات علمية.

في مواجهة هذه التحديات، ظهرت حلول علمية متقدمة تعتمد على الذكاء الاصطناعي ذاته، لتكون وسيلة فعالة لرصد أنماط الغش الخفي. من بين هذه الحلول تبرز ثلاث مقاربات أساسية: تحليل الاستجابة للمفردة (IRT)، وتحليل زمن الإجابة، ونماذج التعلم الآلي للكشف عن الحالات الشاذة.

1- التمييز بين البشر والذكاء الاصطناعي باستخدام IRT

• ما هي IRT؟

نظرية الاستجابة للمفردة (Item Response Theory – IRT) هي نموذج رياضي يستخدم لتحليل أداء المتعلمين في اختبارات متعددة الخيارات، بحيث يتم تقدير “قدرة الطالب” بناء على صعوبة الأسئلة ونسبة الإجابات الصحيحة. وبعكس النماذج التقليدية (مثل مجموع النقاط)، تسمح IRT بتحليل دقيق لسلوك الممتحنين، وتُستخدم على نطاق واسع في بناء الاختبارات القياسية مثل SAT وTOEFL.

• تطبيقها في كشف الغش المدعوم بالذكاء الاصطناعي

أثبتت دراسة حديثة أن نماذج IRT يمكنها رصد الفروق الدقيقة بين استجابات الطلاب البشريين وتلك التي تولدها النماذج اللغوية الكبيرة (LLMs) مثل ChatGPT. فعلى سبيل المثال، تم اختبار عدة نماذج ذكاء اصطناعي على بنوك أسئلة رسمية، ولوحظ أن أنماط إجاباتها تميل إلى التطرف (إما إجابات صحيحة جدا أو خاطئة تماما)، كما أن “إحصائيات ملاءمة الشخص” (person-fit statistics) أظهرت انحرافات غير طبيعية عند تحليل هذه الإجابات مقارنة بالبشر.

• دلالة ذلك في البيئة الامتحانية

إذا قدّم طالب إجابات لا تتناسب مع قدراته السابقة أو مع منحنى التوزيع الإحصائي المتوقع، يمكن للأنظمة المبنية على IRT أن تصدر إشارات تحذيرية، مما يسهم في تحقيق رقابة ذكية دون اختراق للخصوصية أو الحاجة لتسجيلات فيديو.

2- تحليل زمن الاستجابة كعلامة على الغش الرقمي

من الأساليب الدقيقة التي تقترحها الأبحاث الحديثة، تحليل زمن استجابة الطالب لكل سؤال. فكما أن الإجابات الآلية غالبا ما تُولد بسرعة مفرطة، فإن الطالب الذي يحصل على المساعدة من أداة ذكاء اصطناعي يميل لأن يجيب عن الأسئلة الصعبة بنفس سرعة الأسئلة السهلة، مما يخالف النمط الطبيعي البشري.

• نموذج تطبيقي

باستخدام خوارزميات إحصائية مثل الانحدار الخطي ومقارنة الأوساط، يمكن التنبؤ بزمن الإجابة الطبيعي لكل سؤال. عند رصد إجابات سريعة جدا على أسئلة مصنفة بـ”عالية الصعوبة”، يمكن للنظام إصدار إنذارات باحتمال وجود غش تقني.

3- التعلم الآلي لرصد الأنماط الشاذة في نتائج الامتحانات

دراسة منشورة على موقع PubMed Central اقترحت استخدام الشبكات العصبية التكرارية (RNN) لتوقع نتيجة الامتحان النهائي لكل طالب بناء على بيانات أدائه في الامتحانات القصيرة والأنشطة السابقة. بعد توليد النموذج التنبؤي، يتم استخدام تقنية تحليل الشذوذ (Anomaly Detection) مثل Kernel Density Estimation لتحديد الحالات التي تظهر تحسنا غير طبيعي في النتائج.

• أهمية هذا النموذج

يتيح هذا النهج التحقق من مدى اتساق تطور الطالب خلال الدورة الدراسية، وبالتالي يمكن تحديد الطلبة الذين يقفزون فجأة إلى مستويات غير متوقعة من الأداء، وهو مؤشر يحتمل أن يكون مرتبطا بالغش.

تحديات ومحددات

• الخصوصية: تتطلب بعض النماذج بيانات دقيقة عن الطالب، ما قد يثير قضايا الخصوصية.
• العدالة: الطلاب ذوو القدرات غير المتجانسة قد يُرصدون خطأ كغشاشين.
• التحيز الخوارزمي: إذا تم تدريب النماذج على بيانات غير ممثلة، قد تصدر أحكاما غير دقيقة.

خلاصة:

تشير الأدلة المتزايدة إلى أن أدوات الذكاء الاصطناعي لا تُستخدم فقط في الغش، بل يمكن أيضا توظيفها بفعالية لكشفه. ومع استمرار تطور التكنولوجيا، فإن الحلول المبنية على تحليل زمن الاستجابة، ونماذج IRT، والتعلم الآلي ستشكل العمود الفقري لأي استراتيجية موثوقة لضمان النزاهة الأكاديمية في المستقبل.

مراجع:

1. Applying IRT to Distinguish Between Human and Generative AI Responses to Multiple-Choice Assessments
   arxiv.org/abs/2412.02713
2. Response times in computerized adaptive testing: a method for cheating detection
   doi.org/10.1016/j.chb.2020.106467

3. Machine learning based approach to exam cheating detection
   PMC8336856