Keystroke dynamics based text copying detection

Abstract

Digitaliseringen av akademisk arbeid har åpnet nye veier for akademisk uærlighet. Ved introduksjonen av digitale hjemmeeksamener har det blitt en utfordring å verifisere om det er studenten selv som svarer på eksamen, eller om noen andre svarer på vegne av studenten. Tidligere forskning har blitt gjort angående bruken av tasketrykk dynamikk for å verifisere om det er studenten som taster på tastaturet, men denne metoden kan bli forbigått hvis studenten fysisk taster på tastaturet, men kopierer tekst som noen andre har skrevet. I dette prosjektet viser vi potensialet for å oppdage tekst kopiering basert på tastetrykk mønster. Vi implementerer en rekke binære klassifiserere ved hjelp av en rekke tastetrykk egenskaper. Disse klassifiererne ble brukt til å klassifisere tastetrykk prøver som resultatet av enter fri tekst tasting eller kopi tasting. Vi testet disse klassifisererne på to dataset og oppnådde beste klassifikasjon treffsikkerhet på 100\%. Vi anser dette prosjektet som et lovende første innblikk på bruken av tastetrykk dynamikk for å oppdage tekst kopiering.

The digitalization of academic work has opened up new avenues for academic dishonesty. With the introduction of completely digital home exams it becomes challenging to verify whether the student is doing the exam, or if someone else is doing the exam on behalf of the student. Previous research has been done on using keystroke dynamics to verify whether or not the student is the one typing on the keyboard, however this method can be bypassed if the student physically types on the keyboard, but copies the text someone else has written. In this project we show the potential of detecting text copying based on keystroke typing patterns. We implemented a number of binary classifiers with a number of keystroke features. These binary classifiers were used to classify keystroke samples as either the result of free text typing or copy typing. We tested these classifiers on two different datasets and achieved a best classification accuracy of 100\%. This project is a promising first look into the use of keystroke dynamics to detect text copying.