با گسترش سریع آموزش‌های آنلاین، حفظ صداقت علمی در آزمون‌های مجازی به چالشی اساسی برای مؤسسات آموزشی تبدیل شده است. این تحقیق که در دانشگاه صنعتی اصفهان و در محیط آزمایشگاهی ویژه آزمون‌های آنلاین حضوری شبیه‌سازی شده است، سیستمی نوآورانه را معرفی می‌کند که از ترکیب الگوریتم شناسایی اشیاء YOLO و سیستم‌های چندعاملی (MAS) برای شناسایی و پیشگیری از تقلب استفاده می‌نماید. در این سیستم، الگوریتم YOLO به‌منظور شناسایی اشیاء غیرمجاز مانند تلفن‌های همراه و تبلت‌ها از تحلیل ویدئویی بهره می‌برد، در حالی‌که سیستم MAS با ارزیابی رفتارهای غیرعادی دانشجویان، همچون کلیک‌های مشکوک ماوس، تأخیرهای غیرعادی در پاسخ‌دهی، تغییرات غیرطبیعی در حرکت نگاه و باز کردن تب‌های غیرمجاز در مرورگر، به شناسایی الگوهای احتمالی تقلب می‌پردازد. این سیستم در آزمون‌های تستی دروس عمومی پرجمعیت دانشگاه صنعتی اصفهان از جمله معارف اسلامی، فارسی و اخلاق شبیه‌سازی شده است و نتایج نشان می‌دهد که با دقت 87.9 درصد قادر به شناسایی تقلب است. همچنین، با سرعت پردازش 0.1 تا 0.15 ثانیه برای هر فریم، این سیستم امکان اجرای آن در زمان واقعی را فراهم می‌آورد. یافته‌های این تحقیق تأکید دارند که ترکیب الگوریتم‌های یادگیری عمیق و سیستم‌های مبتنی بر عامل می‌تواند راهکاری مؤثر و مقیاس‌پذیر برای تقویت امنیت آزمون‌های آنلاین حضوری ارائه دهد و در نهایت به ارتقای اعتماد به فرآیندهای ارزیابی آنلاین و تضمین عدالت آموزشی کمک نماید.