پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 49 |
| تعداد شمارهها | 1,317 |
| تعداد مقالات | 11,386 |
| تعداد مشاهده مقاله | 24,343,964 |
| تعداد دریافت فایل اصل مقاله | 16,273,436 |
Application of the XGBoost Algorithm in Detecting AI-Generated Assignments: A Novel Approach to Preserving Academic Integrity in Distance Education. | ||
| Iranian Distance Education Journal | ||
| دوره 8، شماره 1، آذر 2026 اصل مقاله (1.28 M) | ||
| نوع مقاله: scientific-research | ||
| شناسه دیجیتال (DOI): 10.30473/idej.2026.13387 | ||
| چکیده | ||
| The emergence of novel AI-based language technologies has posed a serious challenge to verifying the authenticity of student assignments in distance education systems. This study proposes a practical solution based on the XGBoost algorithm capable of distinguishing AI-generated texts from human-written ones. The method employs 24 features across two categories-stylometric indicators (lexical, syntactic, and punctuation-related) and behavioral indicators (temporal, revision-based, and interaction-related)-and was evaluated using the standard HC3 dataset comprising 10000 samples. Validation was conducted through 5-fold cross-validation, and the results demonstrate strong model performance with 96.1% accuracy, 95.8% precision, 96.4% recall, and 96.1% F1-score. Feature importance analysis revealed that type-token ratio (TTR) and average sentence length are the most influential factors in the detection process. The proposed framework can serve as an effective tool for distance education instructors to monitor assignment authenticity and safeguard academic integrity in the age of artificial intelligence. | ||
| کلیدواژهها | ||
| Academic Discipline؛ E-Learning؛ XGBoost؛ Text Stylometry؛ Writing Behavior Tracking | ||
| عنوان مقاله [English] | ||
| کاربست الگوریتم XGBoost در تشخیص تکالیف مبتنی بر هوش مصنوعی: راهکاری نوین برای حفظ یکپارچگی آکادمیک در آموزش از راه دور. | ||
| چکیده [English] | ||
| ظهور فناوریهای نوین زبانی مبتنی بر هوش مصنوعی، اعتبارسنجی اصالت تکالیف در نظامهای آموزش از راه دور را با دشواری جدی روبهرو ساخته است. در این پژوهش، راهکاری مبتنی بر الگوریتم XGBoost ارائه میشود که قادر است متون تولیدشده توسط هوش مصنوعی را از نوشتههای انسانی بازشناسی کند. این روش با بهرهگیری از ۲۴ ویژگی شامل دو گروه شاخصهای سبکشناختی (واژگانی، نحوی و نگارشی) و شاخصهای رفتاری (زمانی، ویرایشی و تعاملی) و با استفاده از مجموعهداده استاندارد HC3 شامل ۱۰ هزار نمونه، مورد ارزیابی قرار گرفت. فرآیند اعتبارسنجی به روش ۵-تایی انجام شد و نتایج حاکی از عملکرد مطلوب مدل با نرخ درستی 1/96 درصد، دقت مثبت 8/95 درصد، حساسیت 4/96 درصد و نمره ترکیبی F1 برابر 1/96 درصد است. تحلیل اهمیت شاخصها نشان داد که نسبت نوع به شمار واژگان (TTR) و میانگین درازای جمله، تأثیرگذارترین مؤلفهها در فرآیند تشخیص هستند. چارچوب پیشنهادی میتواند ابزاری کارآمد برای مدرسان آموزش از راه دور در جهت پایش اصالت تکالیف و صیانت از انضباط علمی در دوران هوش مصنوعی تلقی گردد. | ||
| کلیدواژهها [English] | ||
| کاربست الگوریتم XGBoost در تشخیص تکالیف مبتنی بر هوش مصنوعی | ||
|
آمار تعداد مشاهده مقاله: 2 |
||