چکیده: یکی از مشکلات اساسی در آزمون‌های الکترونیکی، نظارت بر صحنه‌های آزمون برای جلوگیری از تقلب است. استفاده از سامانه‌های ویدئویی هوشمند برای تشخیص خودکار تقلب در آزمون‌های غیرحضوری از اهمیت ویژه‌ای برخوردار است. تقلب ممکن است به صورت آشکار (علنی) یا مخفی انجام گیرد. تقلب آشکار، عموما با استفاده آشکار از ابزارهایی نظیر برگه‌ی یادداشت، تلفن همراه و سایر وسائل غیرمجاز صورت می‌گیرد و با بررسی صحنه به سادگی قابل تشخیص است. اما در تقلب مخفی رفتارهای شرکت‌کنندگان اهمیت دارد. در این نوع صحنه‌ها، معمولا ابزار تقلب از دید ناظر مخفی نگه داشته شده یا تقلب بدون ابزار خاصی انجام می‌گیرد. در هنگام رخداد تقلب مخفی، آزمون‌دهنده رفتاری غیرمعمول، نظیر نگاه به اطراف و عدم توجه به سئوالات آزمون از خود نشان می‌دهد. برای تشخیص تقلب در ویدئوهای آزمون‌های الکترونیکی، محققان در کارهای گذشته اکثرا از نمای روبروی دوربین (زاویه دید وبکم) برای نظارت ویدئویی استفاده کرده‌اند. به همین دلیل آنها برای تشخیص تقلب مخفی محدود به بررسی حالت‌های مختلف سر، زاویه نگاه و حالت چهره برای تشخیص رفتارهای مشکوک به تقلب بوده‌اند و حرکات دست‌ها و اعمال انجام شده توسط بالاتنه شرکت‌کنندگان در آزمون کمتر مورد توجه قرار گیرد. همچنین آنها تقلب را با استفاده از آستانه‌های از پیش تعیین شده روی مقادیر ویژگی‌هایی مانند زوایای چرخش سر و چشم، و حالت لب تشخیص داده‌اند. در کارهای دیگری نیز محققان الگوهای مشخص از رفتارها را به عنوان تقلب تعیین کرده و مدل‌هایی نظارت شده را برای تشخیص آنها به کار برده‌اند. اما تقلب مخفی می‌تواند بسیار پیچیده‌تر از آن باشد که بتوان با تعیین آستانه‌های مشخص یا تعریف الگوهایی محدود آنها را تشخیص داد. در این پژوهش تشخیص صحنه‌های مشکوک به تقلب مخفی در آزمون‌های الکترونیکی از طریق تحلیل رفتاری آزمون‌دهنده مد‌نظر قرار گرفته است. این موضوع را می‌توان یک مسئله تشخیص ناهنجاری در ویدئو دانست. بر خلاف کارهای انجام شده در پیشینه پژوهش، در این رساله به دلیل ذات مسئله یعنی نادر بودن صحنه‌های مشکوک به تقلب نسبت به صحنه‌های عادی، مسئله به صورت نیمه‌نظارت‌شده در نظر گرفته می‌شود. با توجه به اینکه هدف این رساله تشخیص رفتارهای تقلب‌آمیز بدون دخالت ابزارهای غیرمجاز در آزمون و صرفا بر اساس کنش و رفتار شرکت‌کنندگان می‌باشد، استفاده از داده‌های اسکلت بدن پیشنهاد می‌شود. با استخراج ویژگی‌های مبتنی بر اسکلت بدن، داده‌های ویدئویی به صورت سری‌های زمانی از ویژگی‌های مفاصل بدن در می‌آید. در نتیجه، مسئله تشخیص تقلب به مسئله تشخیص ناهنجاری در سری‌های زمانی تبدیل می‌شود و الگوریتم‌های بسیاری در این زمینه برای کاربردهای گوناگون توسط محققین پیشنهاد شده است. در این رساله کارایی برخی از روش‌های مختلف تشخیص ناهنجاری نیمه‌نظارت‌شده مبتنی بر یادگیری عمیق بررسی می‌شود. در بررسی روش‌های موجود به تفاوت رفتارهای نرمال در افراد مختلف نیز توجه کردیم و مدلی برای آموزش مطرح کردیم که بتوانیم هم از الگوهای کلی و هم از الگوهای منحصر به فرد افراد برای تحلیل رفتارهای آنها استفاده کنیم. برای ارزیابی رویکردهای پیشنهادی یک مجموعه‌داده از ویدئوهای آزمون‌های راه دور متشکل از 91 ویدئو جمع‌آوری شده است. نتایج به دست آمده از آزمایش‌های گوناگون با معیارهای دقت متوسط (AP) و سطح زیرمنحنی مشخصه عملکرد گیرنده (AUC) ارزیابی شده و به ترتیب مقادیر 66/0 و 82/0 را ارائه داده است و بیش از 10% بهبود را نسبت به روش‌های مورد مقایسه نشان می‌دهد.