一种Revit建模考试的作弊行为检测方法、存储介质及设备技术

本发明专利技术公开了一种Revit建模考试的作弊行为检测方法、存储介质及设备，方法包括步骤：获取登录用户的考试信息；根据所述考试信息，获得特殊标识信息，并将所述特殊标识信息添加到Revit模型文件新创建的构件的扩展存储中；收集所有用户的Revit模型文件，组成模型文件的Dictionary字典；根据所述Revit模型文件的Dictionary字典，检测各用户是否存在作弊行为。本发明专利技术通过获取登录用户的考试信息，对所有新创建的构件增加特殊标识信息，然后收集所有用户的模型文件，即可自动快速地对所有用户的模型文件进行作弊行为检测，有效提高作弊检测的效率和准确率。测的效率和准确率。测的效率和准确率。

【技术实现步骤摘要】
一种Revit建模考试的作弊行为检测方法、存储介质及设备


[0001]本专利技术涉及BIM
，具体涉及一种Revit建模考试的作弊行为检测方法、存储介质及设备。

技术介绍

[0002]随着BIM技术的普及和应用，行业内出现了许多Revit相关的等级考试、技能比赛和培训测验等活动，在进行阅卷工作的时候，都需要检查考生是否存在作弊行为。另外，许多院校也广泛开设了Revit应用课程，往往通过实操考试来检验学习成果，同样需要检查考生是否存在作弊行为。
[0003]对此，传统的检测考生作弊的方法是阅卷时，通过人工逐一查看Revit模型中构件ID，如果两个考生的Revit模型出现构件的ID相同，则会认定考生存在作弊行为。这种检测方法非常容易出现错漏，而且效率非常低，短时间内很难完成大量的阅卷工作。
[0004]另外，当作弊行为较隐蔽时，例如通过新建项目文件，再复制其它考生的部分或全部Revit模型的构件到新建项目文件后，构件的ID会发生改变，则无法通过构件的ID来判断是否存在作弊行为。

技术实现思路

[0005]为了克服上述技术缺陷，本专利技术提供一种Revit建模考试的作弊行为检测方法、存储介质及设备，其能在Revit建模考试中，快速的检测考生是否存在作弊行为。
[0006]为了解决上述问题，本专利技术按以下技术方案予以实现：
[0007]第一方面，本专利技术提供一种Revit建模考试的作弊行为检测方法，包括步骤：
[0008]获取登录用户的考试信息；
[0009]根据所述考试信息，获得特殊标识信息，并将所述特殊标识信息添加到Revit模型文件新创建的构件的扩展存储中；
[0010]收集所有用户的Revit模型文件，组成模型文件的Dictionary字典；
[0011]根据所述Revit模型文件的Dictionary字典，检测各用户是否存在作弊行为。
[0012]作为上述方案的改进，所述考试信息包括考试名称、姓名、考号和答题时间。
[0013]作为上述方案的改进，所述根据所述考试信息，获得特殊标识信息，并将所述特殊标识信息添加到Revit模型文件新创建的构件的扩展存储中，包括步骤：
[0014]利用JsonConvert.SerializeObject将所述考试信息进行序列化，获得String类型的特殊标识信息；
[0015]利用模型动态更新的接口IUpdater，监听项目文件Document；
[0016]利用UpdaterData的GetAddedElementIds方法获得用户新创建的构件；
[0017]利用SetEntity将所述特殊标识信息记录到所述新创建的构件的Extensible storages扩展存储中。
[0018]作为上述方案的改进，所述收集所有用户的Revit模型文件，组成模型文件的
Dictionary字典，包括步骤：
[0019]收集所有用户的Revit模型文件；
[0020]创建Dictionary字典，将Key值设为用户信息，Value值设为对应的Revit模型文件；
[0021]将所述所有用户的Revit模型文件，记录到Dictionary字典中。
[0022]作为上述方案的改进，所述用户信息包括姓名和考号。
[0023]作为上述方案的改进，所述根据所述模型文件的Dictionary字典，检测各用户是否存在作弊行为，包括步骤：
[0024]遍历所述Revit模型文件的Dictionary字典，获得各个用户信息和Revit模型文件；
[0025]根据所述Revit模型文件，获得该Revit模型文件的所有的构件模型集合；
[0026]遍历所述构件模型集合，获得构件扩展存储中的考试信息；
[0027]根据所述考试信息，结合用户信息判断是否存在作弊行为。
[0028]作为上述方案的改进，所述遍历所述构件模型集合，获得构件扩展存储中的考试信息，包括步骤：
[0029]遍历所述构件模型集合，获得各个构件模型；
[0030]根据所述构件模型，利用GetEntity获得构件扩展存储中的Entity数据；
[0031]根据所述Entity数据，利用Entity.Get获得String类型的特殊标识信息；
[0032]根据所述String类型的特殊标识信息，利用JsonConvert.DeserializeObject反序列化获得考试信息。
[0033]作为上述方案的改进，当所述考试信息和用户信息存在考试异常情况中的至少一种情况时，判定用户可能存在作弊行为，其中，所述考试异常情况包括考试信息不存在、考试信息的姓名和考号存在多个且不相同、考试信息中的姓名和考号与用户信息中的姓名和考号不相同、答题时间不在考试时间的范围内。
[0034]第二方面，本专利技术提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、至少一段程序、代码集或指令集由处理器加载并执行以实现如第一方面所述的Revit建模考试的作弊行为检测方法。
[0035]第三方面，本专利技术提供一种设备，所述设备包括处理器和存储器，所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、至少一段程序、代码集或指令集由所述处理器加载并执行以实现如第一方面所述的Revit建模考试的作弊行为检测方法。
[0036]与现有技术相比，本专利技术具有以下有益效果：
[0037]本专利技术公开了一种Revit建模考试的作弊行为检测方法，通过获取登录用户的考试信息，对所有新创建的构件增加特殊标识信息，然后收集所有用户的模型文件，即可自动快速地对所有用户的模型文件进行作弊行为检测，有效提高作弊检测的效率和准确率。
附图说明
[0038]下面结合附图对本专利技术的具体实施方式作进一步详细的说明，其中：
[0039]图1为本申请实施例中Revit建模考试的作弊行为检测方法的流程示意图；
[0040]图2为本申请实施例中Revit建模考试的作弊行为检测方法的考试登录界面；
[0041]图3为本申请实施例中所述特殊标识信息页；
[0042]图4为本申请一些实施例中所述步骤S200的流程示意图；
[0043]图5为本申请一些实施例中所述步骤S300的流程示意图；
[0044]图6为本申请一些实施例中所述步骤S400的流程示意图；
[0045]图7为本申请一些实施例中所述步骤S430的流程示意图；
[0046]图8为本申请一些实施例中所述的按照规定登录作答的模型扩展存储信息页；
[0047]图9为本申请一些实施例中所述的未按照规定登录作答的模型扩展存储信息页；
[0048]图10为本申请一些实施例中所述考试信息存在多个的模型扩展存储信息页；
[0049]图11为本申请一些本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种Revit建模考试的作弊行为检测方法，其特征在于，包括步骤：获取登录用户的考试信息；根据所述考试信息，获得特殊标识信息，并将所述特殊标识信息添加到Revit模型文件新创建的构件的扩展存储中；收集所有用户的Revit模型文件，组成模型文件的Dictionary字典；根据所述Revit模型文件的Dictionary字典，检测各用户是否存在作弊行为。2.根据权利要求1所述的Revit建模考试的作弊行为检测方法，其特征在于，所述考试信息包括考试名称、姓名、考号和答题时间。3.根据权利要求1所述的Revit建模考试的作弊行为检测方法，其特征在于，所述根据所述考试信息，获得特殊标识信息，并将所述特殊标识信息添加到Revit模型文件新创建的构件的扩展存储中，包括步骤：利用JsonConvert.SerializeObject将所述考试信息进行序列化，获得String类型的特殊标识信息；利用模型动态更新的接口IUpdater，监听项目文件Document；利用UpdaterData的GetAddedElementIds方法获得用户新创建的构件；利用SetEntity将所述特殊标识信息记录到所述新创建的构件的Extensible storages扩展存储中。4.根据权利要求1所述的Revit建模考试的作弊行为检测方法，其特征在于，所述收集所有用户的Revit模型文件，组成模型文件的Dictionary字典，包括步骤：收集所有用户的Revit模型文件；创建Dictionary字典，将Key值设为用户信息，Value值设为对应的Revit模型文件；将所述所有用户的Revit模型文件，记录到Dictionary字典中。5.根据权利要求4所述的Revit建模考试的作弊行为检测方法，其特征在于，所述用户信息包括姓名和考号。6.根据权利要求1所述的Revit建模考试的作弊行为检测方法，其特征在于，所述根据所述模型文件的Dictionar...

【专利技术属性】
技术研发人员：何晓华，程莉霞，罗远峰，
申请(专利权)人：广州珠江外资建筑设计院有限公司，
类型：发明
国别省市：