Dijital sınavlarda yapay zekâ ile kopya tespiti: Iğdır Üniversitesi örneği

Bu çalışmada, çevrimiçi sınavlarda kopya çekme davranışlarını tespit edebilmek amacıyla öğrencilerin sınav süreçleri analiz edilmiş ve dört farklı yapay zeka modeli Random Forest, XGBoost, K-Nearest Neighbors (KNN) ve Lojistik Regresyon kullanılmıştır. Çalışmanın temel amacı, öğrencilerin sınav esnasında gösterdiği davranışların benzerliklerini değerlendirerek kopya çekme durumunu pozitif veya negatif olarak sınıflandırmaktır. Analiz sonuçlarına göre, Random Forest modeli %66,29 doğruluk oranıyla en yüksek performansı sergilemiş, onu %58,98 doğruluk oranıyla XGBoost takip etmiştir; KNN ve Lojistik Regresyon ise daha düşük doğruluk oranlarıyla sınıflar arasındaki ayrımı başarılı bir şekilde yapamamıştır. ROC eğrileri incelendiğinde, Random Forest ve XGBoost modellerinin pozitif ve negatif sınıfları ayırt etmede oldukça başarılı olduğu; KNN ve Lojistik Regresyon modellerinin ise bu ayrımda daha zayıf performans gösterdiği görülmüştür. Çalışmada ayrıca özniteliklerin modeller üzerindeki etkisi analiz edilmiştir. "Giriş sayısı", "doğru cevap oranı" ve "yanlış cevap oranı" gibi bazı özniteliklerin modellerin başarısında belirgin bir rol oynadığı tespit edilmiştir. Random Forest ve XGBoost modelleri, belirli özniteliklerin çıkarılması durumunda dahi performanslarını koruyabilirken, KNN ve Lojistik Regresyon modelleri bu tür değişimlere daha duyarlı olmuştur. Çalışmada, performansın artırılmasına yönelik öneriler arasında daha karmaşık derin öğrenme tabanlı modellerin denenmesi, öznitelik mühendisliğinin geliştirilmesi ve veri setinin genişletilmesi gibi stratejiler yer almıştır. Bu bağlamda, Random Forest ve XGBoost modelleri çevrimiçi sınav güvenliğini sağlamak ve kopya çekme vakalarını tespit etmek için en güvenilir ve etkili modeller olarak öne çıkmış olup, sınav güvenliğini artırmaya yönelik stratejiler geliştirilmesinde önemli katkı sağlayabilecekleri sonucuna ulaşılmıştır.