Etat de l'art commercial

Les systèmes de proctoring en ligne offrent une solution innovante pour surveiller les examens à distance, et ils présentent une gamme variée de fonctionnalités en fonction des fournisseurs. Nous avons exploré les principaux acteurs du marché du proctoring pour nous inspirer de leurs solutions.

ProctorU, fondé en 2008 aux États-Unis par Don Kassner et Jarrod Morgan, est reconnu comme l’un des leaders du marché. Leur processus d’authentification comprend la vérification par photo et carte d’identité, ainsi que la réalisation de 6 scans différents de la chambre de l’étudiant (derrière le bureau, à gauche, à droite, en bas de la table, le bureau et le PC) pour garantir l’intégrité des examens. Les tarifs de ProctorU varient en fonction de la durée de l’examen et du niveau de surveillance requis, nous n’avons pas trouvé sur leur site une page qui montre clairement leurs tarifs cependant des devis personnalisés sont disponibles sur demande. L’utilisation de ProctorU nécessite le téléchargement de leur chat application sur l’ordinateur.

ProctorExam propose également des fonctionnalités de proctoring en ligne, avec une vérification d’identité et une inspection complète de la chambre de l’étudiant. Leur système est entièrement basé sur le web, sans nécessité de téléchargement d’application supplémentaire, et requiert un microphone, une webcam, un partage d’écran et un smartphone placé derrière l’examiné pour une surveillance complète. Une collaboration entre France Université Numérique et ProctorExam a permis de fixer les prix des examens en ligne entre 10 et 20 euros, selon un rapport de News Tank Éducation et Recherche en 2019.

Une étude de l’IGI Global a mis en lumière la diversité des fonctionnalités des systèmes de proctoring en ligne, témoignant du développement continu de ces programmes. Cette variabilité peut rendre difficile le choix du meilleur système pour les enseignants. L’étude a également comparé l’efficacité des approches automatisées et manuelles du proctoring, soulevant des préoccupations concernant la précision de la détection des comportements suspects dans les systèmes automatisés.

En conclusion, bien que les systèmes de proctoring en ligne offrent une solution précieuse pour surveiller les examens à distance, leur efficacité et leur précision peuvent varier. Il est recommandé aux éducateurs de veiller à disposer d’un soutien organisationnel adéquat et de considérer l’utilisation d’un mélange d’approches automatisées et manuelles pour garantir l’intégrité des examens en ligne.

Liens :

https://www.igi-global.com/article/state-of-the-art-of-commercial-proctoring-systems-and-their-use-in-academic-online-exams/271279

https://www.youtube.com/watch?v=zIePW7DrcD0&ab_channel=ProctorExam

https://education.newstank.fr/article/view/149415/telesurveillance-examens-accord-entre-france-universite-numerique.html

https://www.youtube.com/watch?v=5zyNQPoHdt4&t=200s&ab_channel=MeazureLearning

Etat de l'art technique

Pour une solution de proctoring en ligne qui utilise trois approches distinctes pour détecter la triche, nous avons utilisé diverses technologies, langages et bibliothèques. Voici une description détaillée de chaque approche :

Reconnaissance faciale :

Pour la reconnaissance faciale, nous avons utilisé Python avec les bibliothèques OpenCV et face_recognition. OpenCV est une bibliothèque open-source puissante pour la vision par ordinateur, qui offre de nombreux outils pour le traitement d’images.

La bibliothèque face_recognition, quant à elle, utilise des techniques de machine learning pour identifier et vérifier les visages avec une grande précision. Ensemble, ces outils nous permettent de détecter et de suivre les visages des étudiants pendant l’examen afin de s’assurer qu’ils restent dans le cadre de la caméra et qu’aucune personne non autorisée n’entre dans la pièce.

Liens :

https://youtu.be/tl2eEBFEHqM

https://youtu.be/lH01BgsIPuE

https://pypi.org/project/face-recognition/

https://pyimagesearch.com/2018/09/24/opencv-face-recognition/

Détection de voix :

Nous utilisons la bibliothèque “react-speechrecognition”, qui transcrit également dans d’autres langues, avec des voix basses et des fautes de grammaire. Cette solution est performante et légère, ne surchargeant pas le serveur. Pour mesurer la similarité des phrases, nous employons la bibliothèque “sentence_similarity”, qui se base sur le contexte. Elle encode les deux phrases à comparer en vecteurs et utilise la similarité cosinus pour déterminer le score de similarité. Le modèle est redémarré chaque fois qu’une nouvelle question est posée dans l’examen, cela permet de traiter une seule question à la fois et cela garantit que la détection reste pertinente par rapport au contenu de l’examen.

Liens :

https://www.npmjs.com/package/react-speech-recognition

Détection d’objet :

On utilise le modèle YOLO pour analyser les images et détecter la présence d’objets interdits sur le bureau. Si l’objet détecté est dans la liste des quatre objets interdits sur le bureau avec une similarité de 70%, on signale une fraude. La solution étant déployée sur l’application mobile, cela allège la charge du serveur. Cependant, le modèle YOLO peut parfois donner des résultats incorrects. Pour pallier cela, le micro-service répète l’opération de détection toutes les 30 secondes et enregistre la fréquence d’apparition des objets. Cela permet de négliger les erreurs potentielles causées par le modèle et d’assurer une surveillance efficace d’objets présents sur le bureau.

 Liens :

https://github.com/haroonshakeel/tensorflow-yolov4-tflite