Analyse des temps de réponse et triche en ligne

L’analyse fine des temps de réponse et des séquences d’actions devient un levier clé pour repérer la triche dans les examens en ligne. En combinant statistiques simples et détection d’anomalies, vous pouvez automatiser une grande partie du proctoring.

Publié le 7 juillet 2026

Pourquoi les temps de réponse sont si puissants

Les temps de réponse reflètent le « coût cognitif » réel d’une question. Lorsqu’un candidat répond :

  • trop vite à une question complexe ;
  • avec un rythme parfaitement régulier sur tout l’examen ;
  • beaucoup plus vite que d’habitude sur un thème difficile ;

cela peut signaler une aide externe, un partage de réponses ou l’usage d’un outil d’IA.

Les études récentes sur les LMS montrent qu’en modélisant les temps de réponse attendus (par question, par niveau, par profil d’étudiant), on peut repérer des comportements extrêmes sans même regarder la vidéo.

Modéliser un comportement « normal »

Pour détecter la fraude, il faut d’abord comprendre ce qui est normal :

  1. Par question :

    • temps médian et variance des réponses ;
    • distribution des temps selon la note obtenue ;
    • impact de la position de la question dans le test.

  2. Par étudiant :

    • historique de performance (notes, temps moyens) ;
    • style de réponse (réflexion longue puis validation, ou progression régulière) ;
    • évolution au fil du semestre.

  3. Par groupe :

    • comparaison entre promotions ou groupes TD ;
    • différences entre examens surveillés en présentiel et en ligne.

Une fois ces profils établis, vous pouvez calculer pour chaque nouvelle session un écart à la norme, question par question et candidat par candidat.

Fenêtres temporelles et séquences d’actions

La simple durée totale de l’examen ne suffit pas. Les recherches les plus récentes utilisent :

  • des fenêtres temporelles (par exemple 5 minutes) pour analyser les pics d’activité ;
  • des séquences d’actions (cliquer, revenir, changer d’onglet, coller du texte) ;
  • des patterns de navigation (sauts entre questions, retours fréquents sur un même item).

On traite la triche comme un problème d’outlier detection :

  • séquences ultra rapides suivies d’un score parfait ;
  • absence de corrections ou de retours en arrière ;
  • comportements synchronisés entre plusieurs candidats (mêmes temps de réponse, mêmes pauses).

Détecter la triche assistée par IA

L’usage d’outils comme les chatbots d’IA laisse souvent des traces dans les logs :

  • longues pauses suivies d’un bloc de texte complet ;
  • temps de réflexion quasi constants, quel que soit le type de question ;
  • alternance régulière entre changement d’onglet et collage de réponses.

En combinant ces signaux avec les temps de réponse, vous pouvez :

  • identifier les copies qui méritent une revue humaine ;
  • distinguer les candidats très rapides mais cohérents de ceux dont le comportement change brutalement ;
  • documenter vos décisions en cas de contestation.

Mettre en place une détection à moindre coût

Vous pouvez démarrer avec des outils simples :

  • exporter les logs de votre LMS (temps par question, navigation) ;
  • construire des tableaux de bord montrant les distributions de temps ;
  • définir des seuils d’alerte (par exemple, réponses dans le 1er centile de temps sur plusieurs questions difficiles) ;
  • envoyer automatiquement une liste de candidats à risque aux responsables d’examen.

Pour structurer cette démarche, un guide pratique peut vous accompagner pas à pas, en expliquant comment combiner temps de réponse, mouvements de souris et données IP pour générer des alertes automatiques, comme le propose ce Spark dédié à la sécurisation des examens en ligne : explorer la méthode détaillée.

Bénéfices pédagogiques et réglementaires

L’analyse des temps de réponse ne sert pas seulement à « traquer » la triche :

  • elle permet d’identifier les questions mal calibrées ;
  • elle met en lumière les inégalités de temps entre groupes ;
  • elle fournit des preuves objectives en cas de litige ;
  • elle contribue à une approche « privacy by design » en limitant la vidéo.

En intégrant cette brique analytique à vos examens en ligne, vous renforcez à la fois l’intégrité académique et la qualité pédagogique de vos évaluations.

Sources

  1. Proactive Proctoring: A Critical Analysis of Machine Learning Architectures and Custom Temporal Data Sets for Moodle Fraud Detection — mdpi.com — 2026-03-01
  2. Detecting AI-Assisted Cheating in Online Exams through Behavior Analytics — arxiv.org — 2025-09-14
  3. GDPR-First Online Proctoring – Online Exam Integrity & AI Cheating Detection — proctorsafe.eu
  4. MonitorExam – AI-Powered Exam Proctoring for Universities & EdTech — monitorexam.com
  5. Machine Learning Detection of IPKVM Exploitation in Online Exam Environments — scholarship.miami.edu — 2025-02-01
  6. Detecting Cheating in Proctored Tests Through Pupil Tracking — ischool.berkeley.edu — 2025-05-01
  7. EXAM CHEATING DETECTION USING WEBCAM FEED — ijerst.org — 2025-04-01
  8. Enhancing Online Exam Integrity: A Case Study of the University — papers.iafor.org — 2026-06-01