Kaya, YılmazDaş, FevziKara, Derya2025-02-192025-02-192025-02-13Kara, D. (2025). Dijital sınavlarda yapay zekâ ile kopya tespiti: Iğdır Üniversitesi örneği. (Yayınlanmamış Yüksek Lisans Tezi). Batman Üniversitesi Lisansüstü Eğitim Enstitüsü, Batman.https://hdl.handle.net/20.500.12402/4865Bu 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.In this study, artificial intelligence models Random Forest, XGBoost, K-Nearest Neighbors (KNN), and Logistic Regression were employed to analyze students' behavior during online exams to detect potential cheating. The primary goal was to classify behaviors as indicative of cheating (positive) or not (negative) by evaluating similarities in student actions during exams. The analysis revealed that Random Forest achieved the highest performance with an accuracy of 66.29%, followed by XGBoost at 58.98%, while KNN and Logistic Regression demonstrated lower accuracy and struggled to distinguish between classes effectively. According to ROC curve analysis, Random Forest and XGBoost excelled in differentiating positive and negative classes, whereas KNN and Logistic Regression showed weaker performance. Additionally, the impact of individual features on the models was examined, with factors such as "number of logins," "correct answer ratio," and "incorrect answer ratio" found to significantly influence model performance. Random Forest and XGBoost remained robust even when certain features were removed, whereas KNN and Logistic Regression models were more sensitive to such changes. Recommendations to enhance performance include exploring more complex deep learning models, refining feature engineering, and expanding the dataset. Ultimately, Random Forest and XGBoost emerged as the most reliable and effective models for ensuring online exam security and detecting cheating, offering valuable insights for developing strategies to prevent academic dishonesty in remote education platforms.trinfo:eu-repo/semantics/openAccessÇevrimiçi SınavKopya TespitiSınav GüvenliğiYapay ZekâOnline ExamExam EvaluationExam SecurityArtificial IntelligenceMaster Thesis