Genom att kombinera big data med artificiell intelligens har forskare från Köpenhamns universitet kunnat avgöra om du skrivit din uppgift eller om en spökskrivare skrivit den åt dig – med nästan 90 procents noggrannhet.

Flera studier har visat att fusk med uppdrag är utbrett och blir allt vanligare bland gymnasieelever. Vid Köpenhamns universitets institution för datavetenskap, arbetet med att upptäcka fusk på uppdrag genom skrivanalys med artificiell intelligens har pågått under några år. Nu, baserat på analyser av 130, 000 skriftliga danska uppgifter, forskare kan, med nästan 90 procents noggrannhet, upptäcka om en elev har skrivit en uppgift på egen hand eller om en spökskrivare har skrivit den.

Danska gymnasier använder för närvarande Lectio-plattformen för att kontrollera om en elev har lämnat in plagiatarbete med stycken kopierade direkt från en tidigare inlämnad uppgift. Gymnasieskolor har svårare att upptäcka om en elev har värvat någon annan att skriva uppgiften åt dem, något som sker i mer eller mindre systematiserad grad via nättjänster. Fallet med SRP, en större skriftlig uppgift i sista året på danska gymnasiet, är särskilt talande. Eftersom uppdraget räknas dubbelt, studenter har gått så långt som att lämna ut sina skrivuppgifter på den danska hemliga webbplatsen, Den Blå Avis.

"Problemet idag är att om någon anställs för att skriva ett uppdrag, Lectio kommer inte att upptäcka det. Vårt program identifierar avvikelser i skrivstilar genom att jämföra nyligen inskickade skrifter med en elevs tidigare inlämnade arbete. Bland andra variabler, programmet tittar på:ordlängd, meningsuppbyggnad och hur ord används. Till exempel, om 'till exempel' skrivs som 'ex' eller 't.ex. "" förklarar Ph.D. student Stephan Lorenzen vid institutionen för datavetenskap. Han, tillsammans med resten av forskargruppen DIKU-DABAI, presenterade nyligen sina resultat vid en stor europeisk AI-konferens.

Innan du sätter ut fällan, en etisk debatt

Programmet, Spökskrivare, är uppbyggd kring maskininlärning och neurala nätverk – grenar av artificiell intelligens som är särskilt användbara för att känna igen mönster i bilder och texter. MaCom, företaget som tillhandahåller Lectio till danska gymnasier, har gjort en datauppsättning på 130, 000 skriftliga uppgifter från 10, 000 gymnasieelever tillgängliga för Ghostwriter-projektforskare vid institutionen för datavetenskap. Tills vidare, det är fortfarande ett forskningsprojekt.

Stephan Lorenzen tycker inte att det är orealistiskt att programmet ska leta sig in i gymnasiet inom en inte allt för avlägsen framtid, eftersom skolor ständigt måste följa den tekniska utvecklingen för att hantera författarskapsverifiering. "Jag tror att det är realistiskt att förvänta sig att gymnasieskolor kommer att börja använda det någon gång. Men innan de gör det, det behöver föras en etisk diskussion om hur tekniken ska tillämpas. Alla resultat som levereras av programmet ska aldrig stå av sig själva, men tjänar till att stödja och styrka en misstanke om fusk, " tror Lorenzen.

Polis och falska nyheter

Ghostwriters tekniska grund kan appliceras på andra håll i samhället. Till exempel, programmet skulle kunna användas i polisarbetet för att komplettera förfalskad dokumentanalys, en uppgift som utförs av rättsmedicinska dokumentgranskare m.fl.

"Det skulle vara roligt att samarbeta med polisen, som för närvarande använder rättsmedicinska dokumentgranskare för att leta efter kvalitativa likheter och skillnader mellan de texter de jämför. Vi kan titta på stora mängder data och hitta mönster. Jag föreställer mig att denna kombination skulle gynna polisarbetet, säger Lorenzen, som framhåller att det behövs etiska diskussioner även här.

Den artificiella intelligens som forskare vid institutionen för datavetenskap använder för att upptäcka fusk på uppdrag har en lång rad tillämpningar. Det har redan använts för att analysera Twitter-tweets för att avgöra om de komponerades av faktiska användare eller skrevs av betalda bedragare eller robotar.

Fakta:

• Ghostwriter-programmet använder vad som är känt som ett siamesiskt neuralt nätverk för att särskilja två texters skrivstilar. Nätverket är tränat på stora mängder data för att lära sig av representationer av skrivstilar, som sedan jämförs.
• När en elev lämnar in en uppgift, nätverket jämför det med sina tidigare uppdrag. För varje tidigare uppdrag, nätverket ger ett procenttal för skrivstilslikhet mot den nya uppgiften.
• I slutet, ett viktat medelvärde av dessa poäng beräknas med hjälp av en beräkning som även tar andra faktorer, som leveranstid, i åtanke. Detta slutresultat presenteras i procent och anger likheten mellan den nya uppgiften och elevens skrivstil.
• Forskargruppen bakom resultatet är det danska Center for Big Data Analytics-driven Innovation (DIKU-DABAI). Gruppen leds av professor Stephen Alstrup.