aiedtechhigher educationassessmentlearning design

利用鍵盤動態偵測大型語言模型協助的學術不誠實行為

arXiv - Human-Computer InteractionAtharva Mehta, Rajesh Kumar, Aman Singla, Kartik Bisht, Yaman Kumar Singla, Rajiv Ratn Shah

本文證明鍵盤動態能有效區分學生自寫與 AI 協助寫作，並在實際部署中顯著優於純文字偵測。

AI 幫你先抓重點

AI 重點 1

鍵盤動態提供了寫作過程的行為特徵，能突破文字內容的偽裝。

滑鼠懸停看 AI 判斷理由
傳統抄襲檢測依賴文本相似度，易被 AI 生成或改寫內容迴避；鍵盤動態捕捉打字節奏、停頓等細節，對於 AI 協助寫作具有獨特辨識力，從而改變學術誠信檢測的實務做法。
AI 重點 2

即使在對抗性情境下，鍵盤動態模型仍優於純文字偵測，顯示實用性。

滑鼠懸停看 AI 判斷理由
研究顯示即使參與者嘗試隱蔽 AI 協助，鍵盤動態模型仍能保持較高偵測率，說明此方法在真實部署中具備較高的韌性，對教育機構的風險管理具有重要參考價值。

核心研究發現

  1. 1

    鍵盤動態模型在實際部署環境中，對 AI 協助寫作的偵測準確率顯著高於傳統文字偵測器。

  2. 2

    研究將樣本擴大至130名參與者，並加入改寫條件，模擬更真實的抄襲策略。

  3. 3

    在對抗性與欺騙性場景下，鍵盤動態模型仍保持較高的偵測效果，但性能略有下降。

  4. 4

    與人工評估者比較，鍵盤動態模型在速度與一致性上具有明顯優勢。

對教育工作者的啟發

教育機構可將鍵盤動態偵測納入現有抄襲檢測系統，透過收集學生打字行為建立本土化模型，提升偵測準確度。實務上需注意資料隱私與同意，並設計多層防禦機制以對抗對抗性嘗試。建議在課程設計中加入寫作行為指標，協助學生養成良好寫作習慣，同時為教職員提供即時偵測報告，降低學術不誠實風險。

原始文獻資訊

英文標題：
Detecting LLM-Assisted Academic Dishonesty using Keystroke Dynamics
作者：
Atharva Mehta, Rajesh Kumar, Aman Singla, Kartik Bisht, Yaman Kumar Singla, Rajiv Ratn Shah
來源：
arXiv - Human-Computer Interaction
AI 摘要模型：
openai/gpt-oss-20b
閱讀原文

每週精選研究電子報

每週五信箱收到精選 5 篇教育科技重點研究摘要，零時間壓力掌握學術前沿。