A prática do plágio é um problema grave e crescente no meio acadêmico, que interfere diretamente na qualidade do ensino. Esta pesquisa se contextualiza no problema da detecção de plágio entre códigos-fonte nas disciplinas de introdução de programação. Nessas disciplinas, os códigos desenvolvidos pelos alunos tendem a ser simples e pequenos, dificultando o processo de detecção de plágio por parte dos métodos tradicionais baseados em similaridade de código. Para contornar essa dificuldade, neste trabalho é proposto um método de detecção de plágio baseado em evidências extraídas de registros de logs de sistemas juízes online, onde as evidências estão relacionadas com o comportamento dos alunos durante suas tentativas de resolução dos exercícios de programação. Como resultado, o método proposto alcançou 0.83 na medida-F durante o processo de detecção de plágio.
Introdução: O vírus Sars-CoV-2 da família dos coronavírus foi descoberto em dezembro de 2019 na República Popular da China, na cidade de Wuhan, foco inicial da pandemia da doença do coronavírus 2019 (COVID-19). Essa doença ocasionou diversos óbitos mundialmente e a presença de comorbidades foi associada com o aumento dessas ocorrências. Objetivo: Utilizar ferramentas de Data Science para analisar se o acometimento por COVID-19 no Amazonas aumentava o risco de ocorrência de óbitos em pacientes que desenvolveram síndrome respiratória aguda grave (SRAG) e concomitantemente apresentavam alguma comorbidade associada. Material e Métodos: Estudo observacional retrospectivo do tipo caso-controle pareado a partir de dados de SRAG disponíveis no OpenDataSUS, pelo Ministério da Saúde, utilizando linguagem de programação Python e a biblioteca Pandas. Resultados: Constatou-se 17.924 casos de COVID-19 em 2020 no Amazonas, desses 5.882 pacientes vieram a óbito. Dentre os casos de óbitos decorrente de COVID-19, verificou-se que 68,74% apresentavam alguma comorbidade associada. Ao comparar os grupos de acordo com a exposição e a ocorrência de desfecho, verificou-se que a exposição à COVID-19 em pacientes com comorbidades associadas aumentou o risco para ocorrência de óbitos, exceto quando presente síndrome de Down. A comorbidade mais prevalente entre os casos de COVID-19 foi a doença cardiovascular crônica (47,84%) e a mais letal foi a doença renal crônica (62,23%). Conclusão: Este estudo demonstrou que o acometimento por COVID-19 aumentou a chance de ocorrência de óbitos em indivíduos com comorbidades que desenvolveram SRAG em 2020 no Amazonas, além de explicitar o impacto negativo dos acometimentos cardiovasculares sobre a progressão da COVID-19.
Em sistemas juízes on-line a autenticação do aluno é feita apenas no início da sessão de login, o que pode ocasionar problemas de autenticidade ou falsificação de identidade. Esta pesquisa apresenta um método de autenticação de alunos em sistemas Juiz on-line utilizando a dinâmica de digitação após o login sem a necessidade de utilizar hardware adicional. Para isso, projetou-se uma arquitetura de Rede Neural Profunda que aprende e reconhece de forma automática os padrões de digitação dos alunos em exercícios de programação, considerando a evolução temporal de aprendizagem dos alunos. Para validar o método, foram utilizados dados de dinâmica de digitação de 42 alunos no sistema juiz on-line CodeBench. Por fim, foram realizados experimentos que demonstraram a eficácia do método proposto.
Como na maioria dos sistemas computacionais, a autenticação do aluno em ambientes de juiz on-line é feita somente no início da sessão mediante a digitação de um login e senha. Entretanto, no caso de exercícios e avaliações feitas em ambientes como esse, há a necessidade da verificação contínua e não-intrusiva da identidade dos estudantes durante toda a sessão, não apenas no login. Neste artigo, apresentamos um método de autenticação contínua dos alunos em ambientes de Juiz on-line utilizando biometria comportamental, mas especificamente a dinâmica da codificação. Para isso, foi projetada uma arquitetura de rede neural convolucional siamesa que busca aprender de maneira automática a representação necessária para o reconhecimento dos alunos. Nos experimentos, nosso método atinge uma precisão de reconhecimento de 97,2%.
scite is a Brooklyn-based organization that helps researchers better discover and understand research articles through Smart Citations–citations that display the context of the citation and describe whether the article provides supporting or contrasting evidence. scite is used by students and researchers from around the world and is funded in part by the National Science Foundation and the National Institute on Drug Abuse of the National Institutes of Health.
hi@scite.ai
334 Leonard St
Brooklyn, NY 11211
Copyright © 2024 scite LLC. All rights reserved.
Made with 💙 for researchers
Part of the Research Solutions Family.