Estratégias computacionais para identificação e tratamento de fraudes em plataformas de aprendizado autodirigido

Abstract

O aprendizado autodirigido tem se destacado como uma abordagem educacional que permite aos cursistas conduzir de forma autônoma o seu processo de aprendizagem, especialmente em plataformas de ensino a distância. Porém, a ausência de supervisão direta nesses ambientes favorece o surgimento de práticas fraudulentas, como a utilização de respostas automatizadas ou a realização de atividades por terceiros, comprometendo a integridade e a eficácia do processo educacional. Este trabalho visa investigar padrões comportamentais que possam ser indicativos de fraudes em plataformas de aprendizado autodirigido, utilizando técnicas de análise de dados e mineração de processos. A pesquisa será conduzida por meio de uma revisão bibliográfica para identificar indicadores e padrões comportamentais típicos de práticas fraudulentas, bem como explorar ferramentas computacionais que possam ser aplicadas na análise e monitoramento desses ambientes. Os resultados obtidos evidenciam que a combinação de técnicas como Learning Analytics, Deep Learning e a análise de indicadores de engajamento e desempenho pode ser eficaz na detecção de fraudes. Além disso, a pesquisa aponta que o design instrucional e o uso de ambientes virtuais interativos desempenham um papel fundamental na prevenção dessas práticas, promovendo maior comprometimento e autenticidade no processo de aprendizado. Com base nessas descobertas, propõe-se um conjunto de diretrizes e métodos para dificultar práticas fraudulentas e fortalecer a credibilidade das plataformas de ensino a distância. A implementação dessas estratégias pode contribuir para um ambiente de aprendizado mais seguro, confiável e alinhado aos princípios de integridade acadêmica, beneficiando tanto os alunos quanto as instituições educacionais.