LaED: kaynakları sınırlı eğitim ortamlarında gizliliği koruyan yüz yoklama takibi için yeni, hafif, kenar-bilinçli ve açıklanabilir derin öğrenme modeli

Neden daha akıllı yoklama önemli

Yoklama almak rutin bir iş gibi görünse de birçok okulda bu görev yavaşça yüz tanımaya bırakılıyor. Bu değişim daha az hata ve daha az evrak vaad ediyor, ancak öğrenci gizliliği, dijital güvenlik ve adalet konusunda zor sorular da ortaya çıkarıyor. Bu çalışma, otomatik yüz tanımanın sunduğu kolaylığı korurken kamu tepkisi ve düzenleyici eylemlere yol açan riskleri azaltmaya çalışan yeni bir sınıf yoklama sistemi olan LaED’i tanıtıyor.

Basit yüz tarayıcılardan daha güvenli sınıf araçlarına

Erken sınıf sistemleri yoklamayı saf bir örüntü eşleştirme görevi olarak gördü: bir yüz bulun, saklı görüntüyle eşleştir, öğrenciyi hazır olarak işaretle. LaED farklı bir öncülle başlar. Aydınlatmanın değiştiği, öğrencilerin hareket ettiği ve herkesin taranmaya razı olmadığı gerçek sınıflar temel alınarak tasarlanmıştır. Yazarlar, ciddi bir çözümün aynı anda beş sorunu ele alması gerektiğini savunuyor: sahte yüzlere direnç, tanınmayan kişileri reddetme, demografik gruplara adil muamele, hassas verilerin korunması ve alınan kararların denetlenebilir bir izi. LaED, yalnızca doğruluğu kovalamak yerine bu endişelerin her birini ele alan üç katmanlı bir hat olarak tasarlandı.

Kameranın gösterdiğini değil gerçekten orada olanı görmek

Perception (algılama) katmanı olarak adlandırılan ilk katman, gözlemlenen bir yüzün gerçekten kameranın önündeki canlı bir kişiye ait olup olmadığını kontrol etmeye odaklanır. Nabızla ilişkili ciltteki küçük renk değişimlerini ve video karelerindeki ince zamanlama ipuçlarını kullanarak basılı fotoğrafları, yeniden oynatılan videoları, 3B maskeleri veya deepfake klipleri tespit eder. Sahte, düşük kaliteli veya ağır şekilde manipüle edilmiş görünen girdiler, kimlik kararı verilmeden önce elenir. Bu ekstra tarama adımı, bir öğrencinin telefon ekranıyla sistemi kandırma olasılığını veya bir yabancının sentetik medya kullanarak içeri sızma şansını keskin şekilde azaltır.

Yabancıları reddederken öğrencileri tanımak

Görüntü bu kontrollerden geçince, LaED’in kimlik katmanı Raspberry Pi veya Jetson Nano gibi düşük maliyetli donanıma göre ayarlanmış küçük bir transformer ağı kullanarak kompakt bir yüz temsili çıkarır. Her yüzü zorla bilinen bir kutuya sokmak yerine sistem, "açık küme" (open set) stratejisini kullanır: kayıtlı tüm öğrencilerle benzerlik belli bir eşikten düşükse kişi tanınmayan olarak etiketlenir ve yoklama listesine eklenmez. Eğitim sırasında model, yaş, cinsiyet ve ten tonu gruplarının iç temsillerinin daha dengeli kümelenmesi için de yönlendirilir; bu, özellikle daha koyu tenli ve daha genç öğrenciler için ticari sistemleri etkileyen performans farklarını azaltır.

Verileri yerelde tutmak ve kararları hesap verebilir kılmak

Son güven katmanı karar verildikten sonra olanlardan sorumludur. LaED biyometrik verileri merkezi bir bulutta değil okul cihazlarında tutar ve yalnızca karıştırılmış model güncellemelerinin paylaşıldığı federated learning (federe öğrenme) kullanır; bu sayede siteler arası performans geliştirilir. Ek matematiksel gürültü, bu güncellemelerden herhangi bir öğrencinin yüzünün yeniden oluşturulması riskini daha da azaltır. Her yoklama olayı, zamanlama, güven skoru ve onay durumu gibi bilgileri kaydeden tahrifata karşı kanıtlı bir günlüğe yazılır. Bu, okulların ve düzenleyicilerin sistemin nasıl davrandığını incelemesine ve geçmiş kayıtların silinmesi taleplerini yerine getirmesine olanak tanır.

Gerçek dünyada ne kadar iyi performans gösteriyor

LaED’i test etmek için araştırmacılar sahtecilik saldırıları, deepfake’ler ve çeşitli yüzleri içeren birkaç açık veri kümesini, ayrıca daha küçük, onay tabanlı bir sınıf koleksiyonunu birleştirdi. LaED yaklaşık yüzde 98 tanıma doğruluğuna ulaşırken sahte sunumlar için hata oranlarını yüzde 2’nin altında tuttu ve demografik gruplar arasında çok küçük performans farkları sağladı. Ayrıca, sadece birkaç watt güç kullanarak mütevazı kenar cihazlarda gerçek zamanlı kullanım için yeterince hızlı çalıştı. Sistem parçaları ablation testlerinde çıkarıldığında sahte saldırılar, adaletsiz muamele veya gizlilik riskleri hızla arttı; bu da tam katmanlı tasarımın gerekliliğini vurguladı.

Sorumlu yoklama takibi için temkinli bir yol

Halk için ana mesaj, otomatik yoklamanın kolaylık ile sivil haklar arasında ya hep ya hiç tarzı bir takas olmak zorunda olmadığıdır. LaED, sahte medyaya yönelik kontrolleri, tanınmayan yüzlerin dikkatli işlenmesini, adalet bilincine sahip eğitimi, yerel veri işleme ve ayrıntılı günlüklemeyi birleştirerek güvenilir yoklama bilgisi elde ederken öğrencilerin gizliliği ve onuruna daha çok saygı gösterilebileceğini gösteriyor. Yazarlar yine de teknolojinin tek başına yeterli olmadığını vurguluyor: kalıcı güven, açık onam, güçlü denetim ve yerel okul politikaları ile yasalara dikkatli uyum gerektirecektir.

Atıf: Abiodun, E.O., Abiodun, O.I., Alawida, M. et al. LaED: a novel lightweight, edge-aware and explainable deep learning model for privacy-preserving facial attendance tracking in resource-constrained educational environments. Sci Rep 16, 15215 (2026). https://doi.org/10.1038/s41598-026-42051-8

Anahtar kelimeler: eğitimde yüz tanıma, gizliliği koruyan yapay zeka, sınıf yoklama sistemi, deepfake ve sahtecilik tespiti, adil ve açıklanabilir biyometri