Uso de Evidências Baseadas no Comportamento dos Alunos para Identificação de Plágio em Ambientes de Juízes Online

• José Lázaro M. de L. Filho Universidade Federal do Amazonas (UFAM)
• Rafael Giusti Universidade Federal do Amazonas (UFAM)
• Leandro Carvalho Universidade Federal do Amazonas (UFAM) https://orcid.org/0000-0003-2970-2084
• Horácio Fernandes Universidade Federal do Amazonas (UFAM)
• David B. F. Oliveira Universidade Federal do Amazonas (UFAM) https://orcid.org/0000-0002-2887-2324

DOI: https://doi.org/10.5753/sbie.2026.28256

Resumo

Logs gerados por juízes online podem oferecer evidências comportamentais associadas à transcrição de soluções prontas em atividades de programação. Este trabalho propõe um método baseado em aprendizagem de máquina para identificar sessões de codificação com padrões compatíveis com possível comportamento de cópia. A abordagem utiliza 19 características extraídas de logs de interação, incluindo latência entre teclas, ações de edição, proporções de eventos, perda de foco e períodos de pausa. Para avaliar o método, foi construído um conjunto de dados próprio com 155 sessões de codificação, e nove modelos de classificação foram treinados por meio de validação cruzada aninhada. O melhor resultado foi obtido pelo modelo Gradient Boosting, que alcançou 0,89 de F1-score macro, 0,91 de precisão, 0,90 de revocação e 0,89 de acurácia. Esses resultados sugerem que características comportamentais extraídas desses registros podem apoiar a identificação de sessões com indícios de cópia.

Palavras-chave: Detecção de Plágio, Juízes Online, Aprendizagem de Máquina

Referências

Alves, A., Carvalho, L. S. G. d., Oliveira, E., and Fernandes, D. (2019). Análise comportamental em juízes online para predição do desempenho final de alunos em disciplinas de computação. In Anais do XXX Simpósio Brasileiro de Informática na Educação, pages 1906–1915, Porto Alegre, RS, Brasil. SBC.

Becker, B. A., Denny, P., Finnie-Ansley, J., Luxton-Reilly, A., Prather, J., and Santos, E. A. (2023). Programming is hard — or at least it used to be: Educational opportunities and challenges of AI code generation. In Proceedings of the 54th ACM Technical Symposium on Computer Science Education, volume 1 of SIGCSE 2023, pages 500–506, New York, NY, USA. ACM.

Chen, T. and Guestrin, C. (2016). Xgboost: A scalable tree boosting system. In Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, pages 785–794. ACM.

Dillon, R. and De Marsico, M. (2025). Behavioral biometrics for remote exam integrity: Continuous authenticity assessment via keystroke dynamics. Procedia Computer Science, 274:402–411.

Gitchell, D. and Tran, N. (1999). Sim: A utility for detecting similarity in computer programs. In Proceedings of the Thirtieth SIGCSE Technical Symposium on Computer Science Education, pages 266–270. ACM.

Grinsztajn, L., Oyallon, E., and Varoquaux, G. (2022). Why do tree-based models still outperform deep learning on typical tabular data? In Advances in Neural Information Processing Systems, volume 35.

Khan, M. F. A., Edwards, J., Bodily, P., and Karimi, H. (2023). Deciphering student coding behavior: Interpretable keystroke features and ensemble strategies for grade prediction. In 2023 IEEE International Conference on Big Data (BigData), pages 5799–5808. IEEE.

Li, Z. et al. (2023). Applying coding behavior features to student plagiarism detection on programming assignments. Journal of Circuits, Systems and Computers, 32(17):2350286.

Ljubovic, V. and Pajic, E. (2020). Plagiarism detection in computer programming using feature extraction from ultra-fine-grained repositories. IEEE Access, 8:96505–96514.

Oliveira, D. B. F. d., Lavareda Filho, R. M., Oliveira, E. H. T. d., Carvalho, L. S. G. d., Pereira, F. D., Colonna, J. G., and Menezes, A. (2021). Um método de detecção de plágio para sistemas juiz on-line baseado no comportamento dos alunos. In Anais do XXXII Simpósio Brasileiro de Informática na Educação, pages 836–848, Porto Alegre, RS, Brasil. SBC.

Prather, J., Denny, P., Leinonen, J., Becker, B. A., Albluwi, I., Craig, M., Keuning, H., Kiesler, N., Kohn, T., Luxton-Reilly, A., MacNeil, S., Petersen, A., Pettit, R., Reeves, B. N., and Savelka, J. (2023). The robots are here: Navigating the generative ai revolution in computing education. In Proceedings of the 2023 Working Group Reports on Innovation and Technology in Computer Science Education, ITiCSE-WGR '23, page 108–159, New York, NY, USA. Association for Computing Machinery.

Prechelt, L., Malpohl, G., and Philippsen, M. (2002). Finding plagiarisms among a set of programs with jplag. Journal of Universal Computer Science, 8(11):1016–1038.

Sarker, I. H. (2021). Machine learning: Algorithms, real-world applications and research directions. SN Computer Science, 2(3):160.

Schleimer, S., Wilkerson, D. S., and Aiken, A. (2003). Winnowing: Local algorithms for document fingerprinting. In Proceedings of the 2003 ACM SIGMOD International Conference on Management of Data, pages 76–85. ACM.

Schneider, J., Bernstein, A., vom Brocke, J., Damevski, K., and Shepherd, D. C. (2018). Detecting plagiarism based on the creation process. IEEE Transactions on Learning Technologies, 11(3):348–361.

Shadman, R., Wahab, A. A., Manno, M., Lukaszewski, M., Hou, D., and Hussain, F. (2025). Keystroke dynamics: Concepts, techniques, and applications. ACM Computing Surveys, 57(11):1–35.

Trezise, K., Ryan, T., de Barba, P. G., and Kennedy, G. E. (2019). Detecting contract cheating using learning analytics. Journal of Learning Analytics, 6(3):137–150.