A inteligência artificial e a fraude

acadêmica no contexto

universitário

La inteligencia artificial y el fraude académico

en el contexto universitario

Como citar: Puche, V. D. J. (2025). A inteligência artificial e a fraude acadêmica no contexto universitário.

Revista Digital de Investigación y Postgrado, 6(11), 77-92. https://doi.org/10.59654/kg944e15

* Doutorado Latino-Americano em Educação: Políticas Públicas e Profissão Docente, MSc. em Ensino de Biologia,

Licenciatura em Educação com menção em Biologia. Universidad Nacional Experimental Libertador, Facultad de

de Letras e Educación, Escuela de Educación, Caracas - Venezuela. Correio eletrônico: deinnypuche@gmail.com

Revista Digital de Investigación y Postgrado, 6(11), 77-92

ISSN Eletrônico: 2665-038X

Deinny José Puche Villalobo

https://orcid.org/0009-0003-9646-2356

Caracas / Venezuela

Recebido: Setembro / 3 / 2024 Aceito: Outubro / 23 / 2024

https://doi.org/10.59654/kg944e15

Resumo

O estudo surgiu da observação crescente do uso de IA na educação e da incapacidade dos

estudantes de explicar seus processos, sugerindo o uso indevido de IA em seus trabalhos. O

objetivo foi determinar a relação entre o uso de IA e a fraude acadêmica no contexto univer-

sitário. A metodologia foi positivista, com abordagem quantitativa e de nível correlacional. Foi

utilizado um questionário virtual, com uma confiabilidade de 0,980 e validado por cinco espe-

cialistas, aplicado a uma amostra de 144 professores tutores (48 da Venezuela, 48 da Colômbia

e 44 do Peru). Os resultados mostraram uma correlação de Pearson de 0,980 entre o uso de

IA e a fraude acadêmica, indicando uma relação positiva muito forte. Palavras-chave: inteli-

gência artificial, fraude acadêmica, correlação.

Palavras-chave: inteligência artificial, fraude acadêmica, correlação.

Resumen

El estudio surge de la observación creciente del uso de la IA en la educación y la incapacidad

de los estudiantes para explicar sus procesos, sugiriendo un uso indebido de la IA en sus tra-

bajos. El objetivo fue determinar la relación entre el uso de la IA y el fraude académico en el

contexto universitario. La metodología fue positivista, con enfoque cuantitativo y de nivel co-

rrelacional. Se utilizó un cuestionario virtual, con una confiabilidad de 0.980 y validado por

cinco expertos, aplicado a una muestra de 144 docentes tutores (48 de Venezuela, 48 de Co-

lombia y 44 de Perú). Los resultados mostraron una correlación de Pearson de 0.980 entre el

uso de la IA y el fraude académico, indicando una relación positiva muy fuerte

Palabras clave: inteligencia artificial, fraude académico, correlación.

Introdução

A Inteligência Artificial (IA) está tendo um impacto significativo na educação, revolucionando

os processos acadêmicos e apresentando inúmeras vantagens tanto para estudantes quanto

para professores. Seu impacto nos processos acadêmicos é cada vez mais notável, oferecendo

muitas oportunidades para alunos e educadores.

Nesse sentido, Jofre (2023) destaca que a importância da IA no campo educacional se manifesta

em vários aspectos, pois permite adaptar os processos de ensino e aprendizagem às necessi-

dades individuais de cada aluno, oferecendo planos de estudo personalizados e feedback in-

dividualizado. Além disso, a IA pode automatizar tarefas administrativas e repetitivas, liberando

tempo para que os professores se concentrem em aspectos mais importantes.

Segundo Granero (2021), os sistemas de IA atuam como tutores inteligentes, oferecendo assis-

tência personalizada aos alunos a qualquer hora e em qualquer lugar. Esses sistemas também

podem analisar dados para identificar padrões que podem indicar dificuldades de aprendizado,

78 Deinny José Puche Villalobo

Revista Digital de Investigación y Postgrado, 5(11), 77-92

ISSN Eletrônico: 2665-038X

A inteligência artificial e a fraude acadêmica no contexto universitário

permitindo intervenções precoces. Os sistemas de IA podem avaliar continuamente o progresso

dos alunos e fornecer informações detalhadas aos professores e pais.

No mesmo contexto, Alonso e Quinde (2023) afirmam que a IA pode facilitar o acesso a uma

educação de qualidade para alunos em áreas remotas ou com recursos limitados. Ela também

promove a inclusão em sala de aula ao fornecer ferramentas e recursos que apoiam alunos

com necessidades educacionais especiais. Além disso, a IA ajuda a impulsionar a pesquisa e o

desenvolvimento educacional ao fornecer ferramentas para analisar grandes conjuntos de

dados e avaliar a eficácia de diferentes estratégias de ensino.

Com base nos argumentos acima, observa-se que os autores acreditam que a IA pode fomen-

tar a criatividade e o pensamento crítico nos alunos, fornecendo ferramentas para explorar

ideias e resolver problemas de maneira criativa. A educação impulsionada pela IA pode ajudar

os alunos a adquirir as habilidades necessárias para prosperar em um ambiente de trabalho

transformado pela IA.

No entanto, o uso indiscriminado e inconsciente da IA pode ter consequências adversas nos

níveis de aprendizado e na produção intelectual, pois muitas vezes a responsabilidade de extrair

informações é delegada a esses programas sem analisar ou questionar a veracidade das infor-

mações. Isso significa que, embora o impacto da IA nos processos de ensino e aprendizagem

apresente muitos benefícios, surgem novas preocupações sobre o uso potencial da IA para co-

meter fraudes acadêmicas.

Nesse sentido, García et al. (2024) apontam que as formas de fraude acadêmica envolvendo

IA incluem plágio, falsidade ideológica, criação de conteúdo falso e manipulação de dados.

Isso é significativo porque compromete a integridade acadêmica, afeta a equidade educacional,

dificulta a avaliação da aprendizagem real e desencoraja a criatividade e o pensamento crítico.

De acordo com Mayta et al. (2023), para combater a fraude acadêmica na era da IA, é impor-

tante promover uma cultura de integridade acadêmica, implementar medidas de detecção de

fraudes, projetar avaliações mais inovadoras, incentivar o uso responsável da IA e promover a

colaboração entre instituições educacionais e desenvolvedores de tecnologia.

Assim, o autor do estudo acredita que a inteligência artificial apresenta desafios e oportunidades

para a educação. É fundamental abordar o risco de seu uso indevido para fraude acadêmica,

promovendo a integridade acadêmica, implementando medidas de detecção eficazes, proje-

tando avaliações robustas e educando sobre o uso responsável da IA. A IA não deve ser vista

como uma ameaça, mas como uma ferramenta que, usada de maneira responsável, pode con-

tribuir para fortalecer a educação e promover uma aprendizagem honesta e significativa.

Após revisar algumas teorias e postulados sobre esse tema, o pesquisador acredita que com-

preender a relação entre o uso de IA e a fraude acadêmica é de grande importância para man-

ter a integridade acadêmica, que é um pilar fundamental da educação, especialmente no nível

80 Deinny José Puche Villalobo

universitário em cursos de pós-graduação. Entender como a IA pode influenciar a fraude aca-

dêmica ajuda as instituições a manter altos padrões éticos e de qualidade no aprendizado e

na pesquisa, garantindo que as conquistas acadêmicas reflitam verdadeiramente as capacidades

e os esforços dos alunos.

Além disso, este estudo visa identificar essa relação, pois permite que as instituições educacio-

nais desenvolvam políticas e diretrizes claras sobre o uso da IA. Estabelecer limites e normas

para sua utilização garante que a IA seja utilizada de maneira ética e responsável. Nesse sentido,

essas políticas não só previnem fraudes, mas também promovem o uso construtivo da tecno-

logia nos processos educacionais.

Também é importante compreender os riscos associados ao mau uso da IA para oferecer progra-

mas de educação e formação ética. Além disso, entender a relação entre IA e fraude acadêmica

pode impulsionar o desenvolvimento e a melhoria de ferramentas de detecção de plágio e fraude.

Por fim, compreender como a IA pode afetar a qualidade educacional permite que as instituições

adotem medidas proativas para garantir que os alunos recebam uma educação autêntica e valiosa.

As universidades têm a responsabilidade de formar profissionais éticos e competentes, e com-

preender os desafios que a IA apresenta em termos de fraude acadêmica é essencial para cumprir

essa responsabilidade social. Nesse contexto, o pesquisador apresenta uma figura que reúne, se-

gundo ele, os fatores que podem influenciar a fraude acadêmica por meio do uso de IA.

Figure 1

Facteurs pouvant influencer la fraude académique par l'utilisation de l'IA.

Fonte: Elaboração própria (2024).

A Figura 1 mostra que, de acordo com o pesquisador, a relação entre o uso da IA e a fraude

acadêmica pode estar implicada na acessibilidade e facilidade de uso da IA, permitindo que os

alunos utilizem ferramentas de geração de conteúdo, como chatbots e geradores de texto,

Revista Digital de Investigación y Postgrado, 5(11), 77-92

ISSN Eletrônico: 2665-038X

sem a necessidade de habilidades técnicas avançadas. Da mesma forma, a pressão acadêmica

é outro fator significativo. Os estudantes podem sentir uma intensa pressão para alcançar altos

resultados acadêmicos, o que pode levá-los a recorrer à IA para concluir tarefas de forma mais

rápida e eficiente, embora de maneira desonesta. Além disso, a falta de educação adequada

sobre o uso ético da IA e as consequências da fraude acadêmica pode fazer com que os alunos

subestimem a gravidade de utilizar IA para fins desonestos.

Por outro lado, considerando a argumentação de Puche (2024), que sugere que a ausência de

políticas claras e diretrizes institucionais sobre o uso da IA na educação pode criar um ambiente

em que os estudantes não sabem o que é permitido e o que não é, facilitando a fraude.

Em outra linha de pensamento, Alonso e Quinde (2023) destacam que as ferramentas atuais

de detecção de plágio podem não estar totalmente equipadas para identificar conteúdo gerado

por IA, permitindo que a fraude passe despercebida. A IA pode proporcionar uma maneira

conveniente e rápida de gerar conteúdo acadêmico, o que pode ser tentador para os alunos

que buscam economizar tempo e esforço.

Além disso, Alonso (2024) afirma que os alunos que utilizam IA para concluir tarefas podem

não estar envolvidos no processo de aprendizado, resultando em uma desconexão entre o

conhecimento adquirido e o trabalho apresentado. A percepção de que os professores não

revisam detalhadamente os trabalhos ou não detectam o uso de IA pode fomentar a fraude,

já que os alunos acreditam que não serão descobertos. Além disso, a ausência de métodos de

avaliação que se concentrem no processo e não apenas no produto final pode permitir que a

fraude acadêmica passe despercebida.

Portanto, o autor do estudo infere que, ao abordar esses elementos por meio de políticas edu-

cacionais claras, programas de formação ética e o desenvolvimento de melhores ferramentas

de detecção, as instituições podem mitigar o risco de fraude acadêmica associado ao uso de

IA. É importante que as instituições de ensino adotem uma abordagem proativa para enfrentar

esses desafios e garantir a integridade acadêmica na era da inteligência artificial. Nesse sentido,

o estudo teve como objetivo determinar a relação entre inteligência artificial e fraude acadêmica

na Venezuela, Colômbia e Peru.

Metodologia

A metodologia do estudo segue os processos do paradigma positivista, que busca ser o mais ob-

jetivo possível na busca pelo conhecimento, empregando procedimentos ordenados e disciplinados

que permitam testar as ideias do pesquisador sobre a natureza dos fenômenos estudados (Acosta,

2023). Além disso, foi considerado o enfoque quantitativo, definido por Arias (2019) como aquele

que se baseia na ideia de que todos os fenômenos estudados pelas ciências são mensuráveis.

O estudo é do tipo descritivo, já que, segundo Hernández e Mendoza (2018), é um tipo de pes-

quisa que tem como principal objetivo descrever as características ou propriedades de um fenô-

A inteligência artificial e a fraude acadêmica no contexto universitário

82 Deinny José Puche Villalobo

meno, situação ou área de estudo, sem manipular as variáveis nem estabelecer relações causais.

Seu foco principal é fornecer uma representação detalhada e precisa do que está send estudado.

Também apresentou um nível correlacional, já que, segundo Hernández e Mendoza (2018), é

um tipo de estudo que busca avaliar a relação entre duas variáveis, com o objetivo de estudar

o grau de correlação entre elas. Essa abordagem se concentra em descobrir como uma variável

varia em relação à outra, analisando a direção do movimento e a intensidade da relação. É im-

portante destacar que a correlação não implica causalidade, ou seja, não estabelece uma re-

lação de causa e efeito entre as variáveis.

Para Arias (2019), nesse tipo de pesquisa, são utilizadas ferramentas estatísticas para medir e

entender o grau de correlação entre as variáveis estudadas. Por exemplo, podem ser empre-

gados coeficientes de correlação, como o coeficiente de Spearman, para analisar as informa-

ções obtidas e estabelecer conclusões sobre a relação entre as variáveis.

A amostra foi composta por 48 professores da Venezuela, 48 da Colômbia e 44 do Peru, todos

do nível universitário. Os critérios de inclusão foram baseados em um nível de experiência de

mais de 5 anos no ensino superior, grau de mestre ou doutor, e lecionarem cursos de seminário

(tese) no nível universitário, sendo selecionados de várias universidades em cada país.

Foi aplicada a técnica de pesquisa por meio de um questionário de alternativas múltiplas com

respostas (sempre, às vezes e nunca). Este questionário foi validado por 5 especialistas com

grau de doutor (2 da Venezuela, 2 colombianos e 1 peruano) por meio do coeficiente alfa de

Cronbach, que apresentou uma confiabilidade de 0,980. No que diz respeito às considerações

éticas, foi garantida a transparência, sendo comunicados os objetivos do estudo, assegurando-

se o uso exclusivo das informações para fins acadêmicos e científicos, além de manter a iden-

tidade das universidades e participantes em sigilo. Os dados foram processados por meio de

estatísticas descritivas, apresentando os dados em tabelas de frequência. Além disso, foi utili-

zada estatística inferencial para analisar o nível de correlação entre as variáveis do estudo.

Resultados

Tabela 1

Elementos que influenciam a fraude acadêmica

Dimensões Indicadores

Opções de respostas

Sempre Algunas

vezes Nunca

F % F % F %

Negligência

na supervisão

Falta de instrução e orientação adequadas 93 66.42 37 26.42 10 7.14

Falta de acompanhamento do progresso do

aluno 88 62.85 40 28.57 12 8.57

Falta de comunicação com os professores. 112 80.0 23 16.42 5 3.57

Revista Digital de Investigación y Postgrado, 5(11), 77-92

ISSN Eletrônico: 2665-038X

Fonte : Elaboração própria (2024).

A Tabela 1 revela os elementos que influenciam a fraude acadêmico. Assim, a primeira dimen-

são corresponde à "Negligência na supervisão", sendo o primeiro indicador analisado a falta

de instrução e orientação adequadas. Observou-se que 66,42% dos entrevistados indicaram

que isso ocorre sempre, 26,42% apontaram que ocorre algumas vezes, e 7,14% afirmaram

que nunca acontece. Quanto à falta de acompanhamento do progresso dos alunos, 62,85%

dos participantes afirmaram que essa falta ocorre sempre, enquanto 28,57% disseram que

ocorre algumas vezes e 8,57% mencionaram que nunca ocorre. Finalmente, em relação à falta

de comunicação com os professores, 80,0% dos entrevistados consideram que essa falta sem-

pre existe, 16,42% indicaram que acontece algumas vezes e 3,57% afirmaram que nunca acon-

tece.

Referente à dimensão "Comportamento Facilitador", que analisa através de dois indicadores:

não desafiar nem questionar o trabalho dos alunos e não sancionar o fraude. No primeiro in-

dicador, 65,0% dos entrevistados disseram que sempre evitam desafiar ou questionar o trabalho

dos alunos, 27,85% indicaram que isso ocorre algumas vezes, e 7,14% mencionaram que nunca

acontece. Em relação a não sancionar o fraude, 88,57% dos participantes afirmaram que esse

comportamento sempre se apresenta, 11,42% apontaram que ocorre algumas vezes e nenhum

entrevistado disse que nunca acontece.

Em relação à dimensão "Conflitos de Interesse", observou-se que, segundo os resultados,

70,71% dos entrevistados indicaram que sempre existem essas relações próximas entre tutores

e alunos, 14,28% afirmaram que ocorrem algumas vezes e 15,0% apontaram que nunca acon-

tecem.

Nesse sentido, o pesquisador considera que os resultados indicam que a negligência na su-

pervisão, o comportamento facilitador e os conflitos de interesse são problemas significativos

no ambiente acadêmico avaliado. Além disso, a falta de instrução adequada, o acompanha-

mento insuficiente do progresso dos alunos e a comunicação deficiente com os professores

são práticas comumente reportadas, o que sugere uma supervisão inadequada. Além disso,

a falta de sanções contra o fraude e a ausência de questionamentos ao trabalho dos alunos

refletem um comportamento permissivo que pode afetar negativamente a integridade aca-

dêmica. Finalmente, as relações pessoais próximas com os alunos revelam possíveis conflitos

de interesse que podem comprometer a imparcialidade e a equidade no tratamento dos alu-

nos.

A inteligência artificial e a fraude acadêmica no contexto universitário

Comportamento

facilitador

Não desafiar nem questionar o tra-

balho dos alunos. 91 65.0 39 27.85 10 7.14

Não sancionar a fraude. 124 88.57 16 11.42 0 0

Conflitos de

interesse

Relações pessoais próximas com os

alunos. 99 70.71 20 14.28 21 15.0

Total 140 100 140 100 140 100

84 Deinny José Puche Villalobo

Tabela 2

Fraudes comuns cometidas por meio da IA

Note: Elaboração própria (2024)..

A Tabela 2 revela os resultados para analisar os fraudes mais comuns cometidos por meio da IA.

Em relação à dimensão "Plágio assistido por IA", especificamente com relação ao indicador de

geração de trabalhos completos utilizando IA, 85,41% dos entrevistados indicaram que os estu-

dantes sempre recorrem a essa prática, enquanto 11,80% acreditam que o fazem às vezes. Da

mesma forma, em relação à prática de parafrasear textos existentes para evitar a detecção de

plágio, observou-se que 46,38% dos entrevistados destacaram que os estudantes sempre

utilizam IA para esse fim, 15,97% que o fazem algumas vezes e 4,86% que nunca o fazem.

Quanto à dimensão "Engano assistido por IA", 27,77% dos participantes mencionaram que os

estudantes sempre usam ferramentas de IA para criar respostas em entrevistas, enquanto

34,72% o fazem às vezes. Ademais, 34,72% acreditam que os estudantes nunca recorrem a

essa prática. Ao analisar a dimensão "Criação de conteúdo falso assistido por IA", especifica-

mente na invenção de dados ou resultados de pesquisa, evidenciou-se que 48,61% dos entre-

vistados manifestaram que os estudantes sempre cometem essa prática, 24,30% que o fazem

algumas vezes, e outro 24,30% considera que nunca o fazem.

Finalmente, em relação à dimensão "Apropriação indevida de ideias assistida por IA", obser-

vou-se que 63,88% dos entrevistados disseram que os estudantes sempre apresentam como

próprio o trabalho gerado por IA, 26,38% que o fazem algumas vezes e 6,94% que nunca o

fazem.

Dimensões Indicadores

Opções de respostas

Sempre Algumas

vezes Nunca

F % F % F %

Plágio assistido por IA

Gerar trabalhos completos usando

ferramentas de IA. 123 85,41 17 11,80 0 0

Parafrasear texto existente para

evitar a detecção de plágio. 110 46,38 23 15,97 7 4,86

Engano assistido por IA Usar ferramentas de IA para criar

respostas de entrevistas. 40 27,77 50 34,72 50 34,72

Criação de conteúdo

falso assistida por IA

Inventar dados ou resultados de

pesquisa. 70 46,61 35 24,30 35 24,30

Apropriação indevida

de ideias assistida por

IA.

Apresentar o trabalho gerado por

IA como próprio. 92 63,88 38 26,38 10 6,94

Não citar adequadamente as fon-

tes de IA. 140 100 0 0 0 0

Total 140 100 140 100 140 100

Revista Digital de Investigación y Postgrado, 5(11), 77-92

ISSN Eletrônico: 2665-038X

A critério do pesquisador, os resultados sugerem uma dependência significativa das ferramentas

de IA para produzir trabalhos acadêmicos sem uma contribuição pessoal autêntica. Também

se observa que, segundo os docentes entrevistados, há uma prevalência significativa do uso

inadequado das ferramentas de IA para cometer plágio e engano.

Tabela 3

Coeficiente de correlação entre as variáveis

Note : Elaboração própria (2024).

A Tabela 3 mostra uma correlação de Pearson entre as variáveis IA e fraude acadêmica, evi-

denciando que a correlação de Pearson entre essas duas variáveis é de 0,980, o que indica

uma relação positiva muito forte. Isso significa que, à medida que aumenta o uso da inteligência

artificial na educação, tende a aumentar também o fraude acadêmica. Além disso, ressalta-se

que a correlação não implica causalidade. Ou seja, o fato de duas variáveis estarem correlacio-

nadas não significa que uma cause a outra.

Discussão

Considerando os resultados da percepção dos docentes sobre o uso que os alunos fazem da

IA na realização de trabalhos de pesquisa, tem-se que, segundo Caceres e Ulloa (2023), muitas

vezes os alunos utilizam a IA de maneira inadequada, o que, devido à negligência na supervi-

são, afeta negativamente a qualidade educacional ao permitir que os alunos se desviem dos

objetivos de aprendizado sem serem corrigidos a tempo.

Nesse sentido, Granero (2021) aponta que, quando os supervisores não monitoram adequa-

damente o desempenho dos alunos, estes podem desenvolver maus hábitos de estudo, carecer

de orientação em seus projetos e, em casos extremos, recorrer a práticas desonestas, como o

plágio ou o uso de IA para criar conteúdo falso. A falta de vigilância cria um ambiente onde os

padrões acadêmicos se deterioram, e os alunos não alcançam seu máximo potencial.

Por outro lado, Granero (2021) considera que a falta de instrução e orientação adequadas im-

pede que os alunos compreendam claramente as expectativas acadêmicas e como cumpri-las.

Segundo García et al. (2024), sem uma orientação apropriada, os alunos podem se sentir per-

A inteligência artificial e a fraude acadêmica no contexto universitário

Inteligência artificial Fraude acadêmica

Rho de

Spearman

Inteligência artificial

Correlação de Pearson 10,980**

Sig. (bilateral) 0,000

N140 140

Fraude acadêmica

Correlação de Pearson 0,980** 1

Sig. (bilateral) 0,000

N140 140

86 Deinny José Puche Villalobo

didos e recorrer a soluções rápidas, como o uso de ferramentas de IA para completar suas ta-

refas. Isso não apenas afeta seu aprendizado e desenvolvimento de habilidades, mas também

perpetua uma cultura de dependência, em vez de fomentar o pensamento crítico e a resolução

de problemas. A ausência de instrução clara mina a confiança dos alunos em suas capacidades

e no sistema educacional como um todo.

Nesse sentido, Crawford (2023) afirma que a falta de acompanhamento do progresso do aluno

impede a identificação oportuna de dificuldades e áreas de melhoria, resultando em interven-

ções tardias ou inexistentes. Sem um acompanhamento contínuo, os problemas acadêmicos e

pessoais dos alunos podem passar despercebidos, aumentando o risco de desmotivação, baixo

desempenho e abandono escolar. Para García et al. (2024), a ausência de feedback construtivo

deixa os alunos sem orientação sobre como melhorar, afetando seu desenvolvimento acadê-

mico e pessoal. Essa falta de atenção pode levar a uma diminuição geral da qualidade educa-

cional e do sucesso estudantil.

Além disso, Belda (2019) afirma que a falta de comunicação com os professores cria um vazio

no processo educativo, onde os alunos não recebem a orientação necessária para seu desen-

volvimento acadêmico e pessoal. Sem uma comunicação efetiva, os professores não podem

identificar as necessidades individuais dos alunos nem fornecer o apoio adequado. Isso pode

resultar em uma compreensão incompleta do material, dificuldades não resolvidas e falta de

direção no aprendizado. A desconexão entre alunos e professores também pode levar a uma

diminuição na motivação e no engajamento dos alunos com seus estudos.

Dentro desse contexto, Soria et al. (2022) e Vries (2023) expõem que o comportamento facili-

tador, como não desafiar nem questionar o trabalho dos alunos, contribui para uma baixa qua-

lidade educacional ao não promover o pensamento crítico e a autoavaliação. Para Mayta et al.

(2023), quando os alunos não são desafiados a justificar e refletir sobre seu trabalho, perde-se

a oportunidade de desenvolver habilidades analíticas e de raciocínio. Assim, a falta de rigor

acadêmico permite que os alunos se contentem com um esforço mínimo e não alcancem seu

máximo potencial, perpetuando uma cultura de mediocridade em vez de excelência.

Por outro lado, Puche (2024) destaca que não sancionar o fraude cria um ambiente onde a deso-

nestidade acadêmica pode proliferar sem consequências, minando a integridade do sistema edu-

cacional. A falta de sanções claras e consistentes envia uma mensagem de que o fraude é tolerado,

o que pode incentivar mais alunos a participar de práticas desonestas. Isso não apenas afeta a equi-

dade e a justiça no âmbito acadêmico, mas também degrada o valor dos títulos e certificações con-

cedidos, prejudicando tanto os alunos honestos quanto a reputação da instituição educacional.

Continuando com a análise dos resultados deste estudo, Vander e Cury (2024) afirmam que os

conflitos de interesse, como relações pessoais próximas com os alunos, podem comprometer

a imparcialidade e a objetividade na avaliação e supervisão acadêmica. Isso indica que esses

conflitos podem levar a favoritismos, onde certos alunos recebem tratamento preferencial ou

avaliações injustamente positivas, afetando a equidade na sala de aula. Além disso, essas rela-

Revista Digital de Investigación y Postgrado, 5(11), 77-92

ISSN Eletrônico: 2665-038X

ções podem dificultar a aplicação de sanções disciplinares e a tomada de decisões acadêmicas

baseadas em mérito. A presença de tais conflitos corrói a confiança na integridade do processo

educativo e pode gerar um ambiente de desconfiança e ressentimento entre os alunos.

Na mesma linha de pensamento, Zuñiga e Polanco (2023) destacam que o plágio assistido por

IA ocorre quando se utiliza a tecnologia de inteligência artificial para copiar e apresentar o tra-

balho de outros como próprio. Isso se manifesta através de textos ou trabalhos que contêm

frases ou parágrafos inteiros que coincidem com fontes existentes sem a devida citação, o que

é facilmente identificável por meio de software de detecção de plágio.

No entanto, Alonso e Quinde (2023) apontam que esses trabalhos frequentemente apresentam

um estilo de escrita inconsistente ou pouco natural, já que as partes copiadas não se integram

bem com o restante do conteúdo original. O uso de ferramentas de IA para parafrasear ou re-

formular conteúdo sem mudar significativamente seu significado é outro indicador importante.

Assim, esses elementos revelam a dependência em IA para criar trabalhos acadêmicos ou pro-

fissionais que não são totalmente originais.

Quanto à criação de conteúdo falso assistida por IA, Franganillo (2022) expõe que isso envolve

o uso de tecnologias de inteligência artificial para gerar textos que não são autênticos. Enquanto

Jofre (2023) afirma que isso afeta gravemente a qualidade educativa ao inundar o ambiente

acadêmico com informações imprecisas ou enganosas, dificultando a distinção entre fatos ve-

rídicos e fabricados, o que pode levar à propagação de conhecimentos errôneos entre alunos

e professores, comprometendo a integridade do aprendizado e da pesquisa.

De acordo com Villalobos (2024), isso fomenta uma cultura de desconfiança nas fontes de in-

formação e reduz o valor do trabalho acadêmico genuíno, ao mesmo tempo em que desen-

coraja o pensamento crítico e a verificação rigorosa dos dados. Infere-se, portanto, que esses

efeitos erodem a credibilidade e a eficácia do sistema educacional em sua missão de formar

indivíduos bem informados e capazes de contribuir positivamente para a sociedade.

Ao contrastar os resultados com a teoria de Gallent et al. (2023), que afirma que a apropriação

indevida de ideias assistida por IA ocorre quando ferramentas de IA são usadas para tomar ideias

originais de outros e apresentá-las como próprias, isso é evidente em propostas de projetos, pes-

quisas ou apresentações que refletem ideias ou conceitos previamente apresentados por outras

pessoas sem o devido reconhecimento. Assim, os dados do estudo mostram uma fraqueza sig-

nificativa em relação a essa dimensão (apropriação indevida de ideias assistida por IA.

Nesse contexto, Díaz (2023) considera que trabalhos que demonstram um conhecimento avan-

çado ou detalhado que não corresponde ao nível de experiência do autor também são suspeitos.

Para Alonso (2024), o uso de IA para explorar bancos de dados de pesquisas e depois reformular

ligeiramente sem dar crédito aos autores originais é uma prática comum. Isso revela que as dis-

crepâncias entre o conhecimento do autor sobre o tema e a qualidade do trabalho apresentado

indicam uma possível dependência de IA para apropriar-se indevidamente das ideias de outros.

A inteligência artificial e a fraude acadêmica no contexto universitário

88 Deinny José Puche Villalobo

Ao considerar os resultados obtidos, evidencia-se que os alunos não estão utilizando a IA de

maneira adequada. Em vez de empregá-la como uma ferramenta de apoio para enriquecer e

facilitar seu trabalho acadêmico, os alunos estão delegando à IA a construção e redação de

cada elemento de seus trabalhos de pesquisa. Ou seja, baseia-se no alto nível de correlação

determinado entre as variáveis analisadas, o que sugere uma dependência excessiva da IA para

realizar tarefas que deveriam ser realizadas pelos próprios alunos.

Nesse sentido, o uso inadequado da IA tem implicações sérias para a qualidade educacional,

já que os alunos não estão desenvolvendo as habilidades críticas necessárias para seu cresci-

mento acadêmico e profissional. A falta de envolvimento pessoal no processo de pesquisa e

redação pode levar a uma compreensão superficial do conteúdo e à incapacidade de aplicar

o conhecimento adquirido em contextos reais.

Para abordar essa problemática, foi realizada uma reunião com docentes (orientadores de trabalhos

de pesquisa), que participaram da pesquisa e compartilharam suas observações e preocupações.

Por consenso, foram estabelecidas algumas diretrizes destinadas a coibir o uso indevido da IA.

Essas diretrizes têm como objetivo promover um uso responsável e ético da tecnologia, garantindo

que os alunos desenvolvam as competências necessárias para seu sucesso acadêmico.

Nesse sentido, considerou-se a necessidade de incorporar workshops ou módulos obrigatórios nos

programas de pós-graduação, o que é fundamental para educar os alunos sobre o uso responsável

da inteligência artificial na pesquisa e na elaboração de teses. Assim, esses programas devem abor-

dar o alcance e as limitações das ferramentas de IA para a escrita e a geração de conteúdo, bem

como as normas éticas e acadêmicas relacionadas à integridade do trabalho intelectual.

Além disso, é relevante informar os alunos sobre as consequências do plágio e do uso indevido

da IA, orientando-os sobre seu uso adequado, já que essa ferramenta virtual pode auxiliá-los

na busca e organização de informações, análise de dados e geração de visualizações, além da

redação e revisão de textos acadêmicos. Portanto, foram propostas uma série de atividades

que podem fazer parte da solução para os problemas identificados.

Tabela 4

Sugestões para enfrentar a problemática do uso da IA para cometer fraude acadêmica.

Atividade Descrição Benefícios para prevenir o uso inde-

vido de IA em tesesbido de IA en tesis

•Incorporar oficinas ou módulos obrigatórios nos

programas de pós-graduação.

•Educar os alunos sobre o uso responsável da in-

teligência artificial na pesquisa e na elaboração de

teses, incluindo: (a) Os alcances e limitações das

ferramentas de IA para escrita e geração de con-

teúdo. (b) As normas éticas e acadêmicas relacio-

nadas com a integridade do trabalho intelectual.

Revista Digital de Investigación y Postgrado, 5(11), 77-92

ISSN Eletrônico: 2665-038X

Nota: Elaboración propia (2024).

Conclusões

Os resultados do estudo revelam uma correlação de Pearson de 0,980 entre o uso da IA e a

fraude acadêmica. Esse valor indica uma relação positiva muito forte, sugerindo que, à me-

dida que aumenta o uso da IA na educação, também tende a aumentar a fraude acadêmica.

No entanto, é relevante destacar que a correlação não implica causalidade. Embora ambas

as variáveis estejam fortemente relacionadas, não se pode concluir que o uso da IA cause

diretamente a fraude acadêmica. É possível que outros fatores estejam influenciando essa

relação.

Portanto, esses achados ressaltam a necessidade de implementar regulamentações e políticas

educacionais que abordem o uso ético da IA. Além disso, é importante educar os alunos sobre

o uso responsável das ferramentas de IA e estabelecer diretrizes claras que possam ajudar a mi-

tigar o risco de fraude acadêmica. Promover o desenvolvimento de habilidades de pensamento

crítico e análise nos alunos é de suma importância para que possam utilizar a IA de maneira

A inteligência artificial e a fraude acadêmica no contexto universitário

da IA na elaboração de teses.

•Promover o uso de ferramentas de IA para o

aprendizado e a pesquisa.

•Orientar os alunos no uso adequado de ferramen-

tas de IA para apoiar seu processo de aprendizado

e pesquisa, como: busca e organização de infor-

mações relevantes; análise de dados e geração de

visualizações; redação e revisão de textos acadê-

micos; enfatizar a importância do pensamento crí-

tico e da originalidade: incentivar nos alunos o

desenvolvimento de habilidades de pensamento

crítico e análise para avaliar as informações obti-

das por meio da IA e gerar suas próprias ideias e

argumentos.

•Estimula o desenvolvimento de habili-

dades de pensamento crítico e análise,

essenciais para avaliar informações,

formular argumentos e gerar conheci-

mento original.

Estabelecer di-

retrizes claras

para o uso da

IA na elabora-

ção de teses

• Definir os tipos de ferramentas de IA permitidas:

Especificar quais ferramentas de IA podem ser uti-

lizadas pelos alunos na elaboração de suas teses,

considerando seu impacto na originalidade e no

valor acadêmico do trabalho; estabelecer limites

para a utilização da IA: determinar a quantidade

de conteúdo gerado por IA que pode ser utilizado

em uma tese, garantindo que o trabalho principal

seja realizado pelo aluno; exigir transparência no

uso da IA: Requerer que os alunos citem clara-

mente qualquer ferramenta ou recurso de IA uti-

lizado na elaboração de sua tese, incluindo a

descrição de sua função e o impacto no conteúdo

final.

•Proporciona aos alunos uma guia clara

sobre o que se espera em relação ao

uso da IA em suas teses, evitando con-

fusões e possíveis transgressões às

normas acadêmicas.

•Garante que a maior parte do trabalho

de tese seja realizada pelo aluno, as-

segurando o desenvolvimento de suas

habilidades de pesquisa e escrita.

•Fomenta a transparência e a rastreabi-

lidade do uso da IA, permitindo que os

avaliadores compreendam o processo

de elaboração da tese e a contribuição

real do aluno.

90 Deinny José Puche Villalobo

ética e responsável. Essas habilidades ajudarão os alunos a avaliar as informações geradas pela

IA e a desenvolver seus próprios argumentos e conclusões.

Nesse sentido, também se infere que é fundamental implementar estratégias de avaliação e

detecção de fraude, como o uso de softwares de detecção de plágio e revisões por pares, para

assegurar a integridade acadêmica, uma vez que essas medidas podem ajudar a identificar e

prevenir a fraude acadêmica relacionada ao uso da IA. Além disso, é necessário fomentar uma

cultura de integridade acadêmica, o que é fundamental para reduzir a incidência de fraude

acadêmica.

Vale destacar que outro aspecto importante é informar os alunos sobre as expectativas, as nor-

mas éticas e as consequências da fraude, junto com reconhecer e premiar o comportamento

ético, pode incentivar um comportamento acadêmico honesto e responsável. Portanto, embora

o estudo tenha revelado uma relação positiva muito forte entre o uso da IA e a fraude acadê-

mica, é realmente importante abordar essa questão de múltiplas maneiras, incluindo a educação,

a regulamentação, a avaliação e a promoção de uma cultura de integridade acadêmica, pois o

pesquisador considera que somente por meio de uma abordagem holística e multifacetada é

possível enfrentar efetivamente o desafio da fraude acadêmica no contexto do crescente uso

da IA

Referências

Alonso, A. J. e Quinde, C. M. (2023). ChatGPT: La creación automática de textos académicos

con Inteligencia artificial y su impacto en la comunicación académica y educativa. Desiderata,

6(22), 136-142. https://gredos.usal.es/handle/10366/152505

Alonso, R. A. (2024). Hacia un marco ético de la inteligencia artificial en la educación. Teoría de

la Educación. Revista Interuniversitaria, 36(2), 79-98. https://revistas.usal.es/tres/index.php/

1130-3743/article/view/31821

Belda, I. (2019). Inteligencia artificial. RBA Libros.

Caceres, K. e Ulloa, S. (2023). Implicancias del uso de la inteligencia artificial al emitir resoluciones

judiciales respecto de los Derechos Fundamentales. [Tesis de grado, Universidad Cesar Vallejo]

https://repositorio.ucv.edu.pe/handle/20.500.12692/144174

Crawford, K. (2023). Atlas de inteligencia artificial: Poder, política y costos planetarios. Fondo de

Cultura Económica Argentina.

Díaz, D. (2023). Inteligencia artificial vs. Turnitin: implicaciones para el plagio académico. Revista

cognosis, 8 (1) 15-26 https://doi.org/10.33936/cognosis.v8i1.5517

Franganillo, J. (2022). Contenido generado por inteligencia artificial: oportunidades y amenazas.

Revista Digital de Investigación y Postgrado, 5(11), 77-92

ISSN Eletrônico: 2665-038X

Anuario ThinkEPI, 16. https://doi.org/10.3145/thinkepi.2022.e16a24

Gallent, T. C., Zapata, G. A. e Ortego, H. J. (2023). El impacto de la inteligencia artificial generativa

en educación superior: una mirada desde la ética y la integridad académica. RELIEVE. Revista

Electrónica de Investigación y Evaluación Educativa, 29(2), 1-21. https://www.redalyc. org/jour-

nal/916/91676028011/91676028011.pdf

García, F.., Llorens, L. F. e Vidal, J. (2024). The new reality of education in the face of advances

in generative artificial intelligence. [La nueva realidad de la educación ante los avances de

la inteligencia artificial generativa]. RIED-Revista Iberoamericana de Educación a Distancia,

27(1). https://doi.org/10.5944/ried.27.1.37716

Granero, H. (2021). Inteligencia artificial y derecho, un reto social. elDial. com.

Hurtado, M. (2020). Liderazgo pedagógico e inteligencia artificial Maestría en educación de una

institución de educación superior. Estudio de caso. .[Tesis de maestría, Universidad militar de

Granada] https://repository.unimilitar.edu.co/handle/10654/36061

Jofre, C. (2023). ChatGPT, Inteligencia Artificial y Universidad. Nuevas tensiones, transformacio-

nes y desafíos en la educación superior. Campo Universitario, 4(7). https://www.academia.

edu/download/104836259/ChatGPT_Inteligencia_artificial_y_Universidad.pdf

Mayta, T. P., Borja, G. R. e Angulo, B. Y. (2023). Compra y venta de autorías en Perú: Fraude cien-

tífico, mala conducta científica o práctica cuestionable en investigación. Revista del Cuerpo

Médico Hospital Nacional Almanzor Aguinaga Asenjo, 16(4). http://www.cmhnaaa.

org.pe/ojs/index.php/rcmhnaaa/article/download/2370/878

Puche, D. (2024). Fraude académico en los trabajos de investigación: Desafíos y ética en la in-

tegridad académica. Revista En Prospectiva| Universidad Yacambú, 5(1), 61-89. https://re-

vista.uny.edu.ve/ojs/index.php/en-prospectiva/article/view/371

Soria, E., Rodríguez, P., García, Q., Vaquer, F., Vicent, J. e Vila, J. (2022). Inteligencia artificial. Ra-

Ma Editorial.

VanderLinde, G. e Cury, T. M. (2024). El uso de inteligencia artificial y sus desafíos para la eva-

luación académica: una revisión de la literatura. Cuaderno de Pedagogía Universitaria, 21(41).

Villalobos, L. J. (2024). El Plagio Académico y las Repercusiones Legales en las Tesis de Grado

en México. Revista Docentes 2.0, 17(1), 5-17. https://ojs.docentes20.com/index.php/revista-

docentes20/article/view/436

Vries, W. (2023). Como (no) combatir el fraude académico: Lecciones internacionales. Revista

mexicana de investigación educativa, 28(97), 637-650. https://www.scielo.org.mx/scielo.php?

A inteligência artificial e a fraude acadêmica no contexto universitário

92 Deinny José Puche Villalobo

pid=S1405-66662023000200637&script=sci_arttext

Zuñiga, G. e Polanco, P. (2023). Plagio y ética profesional en el proceso de investigación social.

Revista de la Universidad, 1, 50-59. https://doi.org/10.5377/ru.v1i1.17244