Detecção automatizada de indícios de desonestidade acadêmica em MOOCs que utilizam Avaliações Baseadas no Envio de Imagens

Abstract

A Desonestidade Acadêmica (DA) reduz a credibilidade dos cursos e das instituições de ensino, principalmente no ambiente online, considerando a facilidade de fraudes proporcionada por ferramentas digitais, além da dificuldade de supervisão e monitoramento. A DA também ocorre em Cursos Online Abertos Massivos, do inglês Massive Open Online Courses (MOOC), sendo necessário a utilização de métodos tecnológicos para detecção automática. Esta automatização da detecção de plágio no contexto de arquivos de imagem se torna bem mais problemática, considerando a dificuldade computacional de identificar imagens originais. Neste trabalho foi proposto, desenvolvido e avaliado uma ferramenta que possa detectar indícios DA em atividades baseadas no envio de imagens, permitindo que os administradores de ambientes de MOOCs, como o Lúmina - plataforma institucional da Universidade Federal do Rio Grande do Sul para cursos online abertos e massivos - possam descobrir atividades de estudantes com indícios de DA. Antes do desenvolvimento do sistema foi realizada a coleta de imagens, a análise do professor e a análise com Redes Neurais Convolucionais (Convolutional Neural Network - CNN). Após o desenvolvimento do sistema, foi verificado mais de 82% de concordância entre a ferramenta desenvolvida e a professora dos cursos, utilizando 369 imagens de 5 cursos.

Academic Dishonesty (AD) reduces the credibility of courses and educational institutions, especially in the online environment, considering the ease of fraud provided by digital tools, in addition to the dif iculty of supervision and monitoring. AD also occurs in Massive Open Online Courses (MOOC), requiring technological methods for automatic detection. This automation of plagiarism detection in the context of image files becomes much more problematic, considering the computational dif iculty of identifying original images. In this work, we proposed, developed, and evaluated a tool that can detect signs of AD in activities based on the submission of images, allowing administrators of MOOC environments, such as Lúmina - an institutional platform of the Federal University of Rio Grande do Sul for massive open online courses - to discover student activities with signs of AD. Before developing the system, images were collected, analyzed by the teacher, and analyzed with Convolutional Neural Networks (CNN). After creating the system, more than 82% agreement was verified between the developed tool and the course teacher, using 369 images from 5 courses.