AIEd 知识库AIEd KB
本页内容

本页面已译为中文。文章页面仍以英文撰写。 阅读本页的英文版本

概念

远程监考

创建 2026-08-20 · 更新 2026-10-09

本页是英文页面的机器翻译，尚未经母语者审校。

远程监考（Remote proctoring） — 当学生在无监督的实体考场之外参加考试时对考试实施的监控，其形态从通过摄像头或控制中心观察的人类监考员，到使用机器学习/深度学习验证身份并标记可疑行为的全自动 AI 监考系统（AIPS）不等。它是在 在线与远程学习 中保全 终结性评价 效度与 学术诚信 的主要手段，因为在这些场景下现场监考往往不可行——但它引发了关于 隐私、学术监控、公平、公正以及 信任 侵蚀的严重关切，而这些代价本身就可能损害它本想保护的学习环境。

值得思考的问题

  • 在阅读之前，当你想到"在线考试中的学术诚信"时，你保全它的第一直觉是什么——这个直觉是关于抓住作弊者，还是关于建立信任？本页论证，这两种直觉反映的是两种截然不同的理念。
  • 远程监考的形态从人类通过摄像头观察，到 AI 系统分析眼动、头部姿态与面部表情。AI 系统在标记"可疑行为"时实际观察到了什么？你对"目光离开屏幕就等于作弊"这件事有多大信心？
  • 本页警告，监控可能适得其反：被观察会提升 考试焦虑，而焦虑的学生可能更可能作弊。你能想起一次压力或监控影响了自己表现的经历吗？那段经历是否削弱了监考的理由？
  • 自动监考会采集学生的居住空间、面部与声音，学生往往除了同意之外几乎没有真正的选择。合理的考试监督与"在证明诚实之前有罪推定"的监控之间，界线在哪里——这条线该由谁来画？
  • 研究表明，监考可能把良性行为标记为可疑，造成错误指控，且模型准确率会因人群与环境而异。如果你是一名 管理者，你如何权衡它挽回的诚信与它可能侵蚀的公平与信任？
  • 本页把监考定位为一种工具，而非解决方案——替代方案如口试与 过程性评估是存在的。在阅读之前，面对远程情境下的高风险评估，你会为哪一种方法辩护，什么证据会改变你的想法？

引言

远程监考存在于一个光谱之上。在线监考（online proctoring） 通常由人类监考员通过摄像头或从控制中心监控学生。自动化/AI 监考（AIPS） 用 机器学习 与深度学习系统（CNN、RNN、LSTM）取代或增强人类，实时分析视觉线索——眼动、头部姿态、面部表情与身体语言——以检测可疑行为。常见平台包括 ProctorU 与 Kryterion。AIPS 通常组合四项功能：（1）身份验证（如摄像头人脸核验），（2）浏览限制，（3）对考试的远程授权/控制，（4）从录制的会话生成报告。

优势与机会

  • 恢复在线评估的效度与诚信。 远程监考回答了一个真实的效度问题。在 在线评估 中，生成式 AI 使未监考的作业作为学习度量不可靠：无辅助、有监考、闭卷的度量是学生实际所知的最强信号（见 终结性评价、proctored retention evidence）。缺少某种形式的监督，在线考试会通过捕捉 AI 辅助而非独立的表现而虚高成绩。
  • 可扩展性与成本。 自动化监考减少了对专用实体考场与人类监考员的需求，使监控得以规模化实施——这对 MOOC 与大型在线课程项目是一项优势，因为传统监考在物流与财务上都不可行。
  • 可及性与覆盖范围。 监考使身处偏远地区的学生可以在任何地点参加考试，消除了通往证书认证的地理与时间障碍。
  • 检测能力。 先进的 ML/DL 系统比人工观察更可靠地检测作弊（眼动、头部姿态、面部表情），并且能够持续而非间歇地监控。

劣势、风险与危害

  • 对信任与师生关系的伤害。 远程监考最要紧的代价往往是关系性的。持续监控传递出学生被预设为不诚实的信息，这会侵蚀 信任、腐蚀师生关系，并瓦解支撑学术诚信的共同目标感。以执行为本位的监控可能挤占那种以信任为基础、具有教育性的诚信路径，而后者才培养负责任的工具使用。
  • 学术监控。 远程监考是一种学术监控，它把机构的监控延伸进学生的私人家庭环境。在考试之外，这些系统持续采集学生的居住空间、面部、声音与行为——这种程度的审视在 高等教育 中鲜有先例。批评者认为，这使一种"在证明诚实之前有罪推定"的监控文化常态化，重塑了机构与学习者之间的关系，并提出相称性问题：为少数人的过错让每个学生承受无处不在的监控，诚信收益是否值得。(隐私), 信任
  • 隐私与同意。 AIPS 持续访问面部影像、声音特征、注视与击键动态，往往通过持久的音视频监控实现。数据处理必须符合 GDPR 与印度 PDP 法案等框架，并要求清晰的同意与安全的生物特征数据处理。学生如果想参加考试，往往除了接受监控之外别无选择，这引发了同意是否真正自愿的问题。(隐私)
  • 误报、错误指控与焦虑。 系统可能把良性行为（看向别处、调整姿势）标记为可疑，侵蚀学生信任并造成错误的舞弊指控——在监考员或考生熟练度不足之处尤其如此。
  • 压力与考试焦虑。 参加有监考的考试本身就是显著压力与焦虑的来源。持续监控、对被错误标记的恐惧与被注视的压力会提升考试焦虑并损害表现——而按证据所示，焦虑的学生可能更可能诉诸不诚实行为，这意味着监控可能适得其反。被监控是有压力的，它本身就可能诱发它旨在防止的不道德行为。
  • 诚信理由未能通过最大规模的检验。 在跨越四波、105 门课程、1,760 名学生的研究中，监考提升了考试焦虑（β = 0.60, p < 0.001），但对作弊诱惑、感知难度或成绩均无影响，因此监控的代价没有被威慑收益抵消（Conijn 等（2022））。
  • 公平与数字鸿沟。 对设备的依赖、网络不稳、光照与硬件差异对农村及低带宽学生造成了不成比例的劣势；模型准确率会因人群与环境而异，带来不公平标记的风险。(数字鸿沟), 公平性 一项对 nursing 评估中监考的范围综述表明，这不是边缘案例：其纳入的六项研究中有四项报告了网络连接问题，一项报告了限电与流量套餐受限并存，而设备不兼容、浏览器扩展故障与环境扫描失败是常态——因此决定谁能被评估的，不只是模型偏见，还有基础设施上的不平等。(Under surveillance: Mapping remote proctoring practices in the assessment of nursing students — a scoping review)
  • 检测缺口与军备竞赛。 身份伪造（照片/视频蒙蔽）、浏览器使用与复制粘贴仍难以可靠捕捉；检测准确率受数据集局限、单模型评估与可复现性缺口的制约。监考并不能彻底解决诚信问题，反而可能制造虚假的安全感。
  • 治理问题。 监控是否为正确应对，还是应当 assessment redesign（口试、过程性评估、portfolio），是一个开放的机构决策；远程监考是一种工具，不是完整的解决方案。(AI 治理) 当执法出错时会随之而来的风险敞口——建立在分数与事件日志之上的指控、被采集数据的保留与后续处理、以及对残障学生或非母语学生不均衡适用的规则——在 法律问题与风险 上有映射。

证据基础

  • 一项为期十年的 systematic review 涵盖 80 项同行评议研究（2014–2024），发现先进的 ML/DL 监考比传统方法更可靠地检测作弊，但受限于数据集缺口（35% 未完整披露数据）、单模型评估（40%）、可复现性问题（30%）、伦理报告稀少（仅 25%）以及指标不一致（20%）。误报/漏报——把正常行为标记为可疑，或漏掉微妙的作弊——损害可靠性与信任。(Ensuring Academic Integrity through Automated Online Exam Proctoring: A Decade-Long Systematic Review)
  • 一项配套综述记录了 AI 必须应对的作弊手段（通过照片/视频的身份伪造、浏览器/设备使用、复制粘贴）以及实际障碍：考生焦虑、熟练度不足导致的错误指控，以及并非人人负担得起或可获得的（摄像头、麦克风、互联网等）基础设施。它报告约 37.8% 的大学生与约 41.8% 的高中生承认作弊——这是监控的动机所在。(A Comprehensive Review of the Changing Landscape of Academic Dishonesty in Automated Proctoring in the Era of Artificial Intelligence)
  • 教师看不到课外监考考试的好处。 Chan 等（2026） 在对一个 biology 系所有 38 门核心必修课程的课程大纲编码后，调查了该系的 56 名教师（47% 回复率），请他们对所使用的每一类评分环节评定其对学术不诚实的脆弱程度（0 = 极低至 4 = 极高）。有监考与无监考的课外考试被评为完全相同的中位数 3（中度脆弱），而现场有监考的考试是唯一被评为极低脆弱的类别（中位数 0），且显著低于其他每一类（p_adj < .01）。由于课外考试本可使用锁定浏览器，这一结果是一种感知——工具并未降低风险敞口——这与上述综述证据（在线监考只是不均衡地有效）以及有记载的焦虑、隐私与错误指控代价相一致，而这些代价使这种权衡充满争议。同一研究的分数分配也显示了利害所在：在使用课外考试的现场课程中，课外考试平均占成绩的 54.2%，而在在线课程中占 59.2%，且所有在线课程都依赖它。
  • 一项对 nursing student assessment 中远程监考的范围综述，描绘的是一系列形态而非单一实践——人工实时监考（ProctorU）、带摄像头、麦克风与行为标记的 AI 浏览器扩展监考（Honorlock）、摄像头加锁定浏览器监控（Respondus Monitor）、机构部署的移动监考应用，以及在中央监控下的固定考场桌面机——并论证这种多样性反映的是基础设施与机构能力的差异，而非一个共同标准。只有六项研究符合其纳入标准（美国、英国、南部非洲与埃及的 1,567 名护理学生），且无一项发表于 2021 年之前。该综述确立的是：监控产生的是威慑感知，以及沉重的教师复核负担——98–100% 认为摄像头监控与锁定浏览器能威慑作弊的 self-report 来自单一一个研究生执业护理师项目，高风险的 AI 告警罕见，不超过 5%，而频繁的小告警产生需要耗时复核的误报；南非讲师报告在积极监控下舞弊仍然持续。唯一的比较性表现研究指向相反方向——现场有监考队列在 HESI Exit Exam 与 NCLEX 准备度上显著高于 ProctorU 队列——而该综述把监控与更诚实学习之间的联系视为一个开放问题，而非已确立的收益。(Under surveillance: Mapping remote proctoring practices in the assessment of nursing students — a scoping review)
  • 一场有监考的面对面考试仍产生 44.2% 的高风险学生。 在一所土耳其公立大学的 Introduction to Programming 课程中，52 名大一学生中有 23 人依据记录复制、失焦与右键事件的考试日志被标记为高风险，尽管考试是在计算机实验室里有人监考进行的；同一研究还预测，风险来自学期初的 LMS 痕迹，而非考试中的行为。(Early Prediction of AI-Assisted Cheating Risk in Online Exams Through Learning Analytics)

建议方向

  • 人机混合监督。 把自动标记与 human review 配对，以减少误报并保持判断的情境性。
  • 隐私保护架构。 边缘处理、匿名化与端侧处理可降低持续数据采集的侵入性。
  • 公平意识部署。 使用多样、地理包容的数据集，以及面向低资源环境的轻量模型；为没有可靠设备/网络的学生提供可及的替代方案。
  • 先教育，后监控。 优先通过文化与信任建设培养 AI 素养 与 responsible use，把监考留给那些真正需要的高风险情形。

关联概念

关联文章

元数据

层次Higher Ed
学习与教学在线教学与学习
评估与测量过程导向评估, 远程监考, 终结性评价
公平、伦理与负责任使用公平性, 隐私
教育中的人工智能基础学术诚信
SourceHistoryEditChat

嵌入此页

复制下面的代码，将本页嵌入学习管理系统或其他网站。嵌入版本只显示页面内容 — 网站的页眉、导航和页脚会被隐藏。