Resumo
Ambientes virtuais de aprendizagem (AVAs) utilizados por alunos privados de liberdade devem impedir a comunicação indevida entre os envolvidos no processo de ensino e aprendizagem. As técnicas de aprendizagem de máquina podem ser empregadas para detectar padrões entre vários textos. E, devido ao número potencialmente elevado de mensagens em AVAs, faz-se necessária moderação inteligente dessa comunicação, com o objetivo de classificar os diálogos dos fóruns e verificar se são adequados ou inadequados. Com o intuito de solucionar esse problema, apresenta-se, nesta pesquisa, um modelo para moderação inteligente de mensagens em AVAs para alunos com restrição de liberdade. Para estabelecer as principais técnicas, algoritmos e métricas, realizou-se levantamento do estado da arte sobre classificação de textos e relacionaram-se os trabalhos com aspectos semelhantes ao deste trabalho. Além disso, descrevem-se, de forma sucinta, todas as técnicas utilizadas durante o processo de desenvolvimento do modelo. Para validar o modelo, é necessário possuir mensagens que representam os diálogos, tanto adequados, como inadequados. Logo, construiu-se um dataset, formado pelas mensagens obtidas de uma base de dados, de um curso à distância do Instituto Federal de Educação, Ciência e Tecnologia do Ceará e pelas mensagens encontradas em glossários, definidos por entidades governamentais, que descrevem as palavras, frases e gírias utilizadas por pessoas reclusas em sistemas prisionais. Com o propósito de avaliar as técnicas que devem ser utilizadas para implementação do modelo, analisaram-se os desempenhos dos classificadores Árvore de Decisão, Naive Bayes, K-NN, MLP, Regressão Logística e SVM, combinados com as técnicasdepré-processamentoderemoçãodestopwords,stemming,eastécnicasdeextração de características Count Vectorizer e Term Frequency – Inverse Document Frequency (TF-IDF). Indica-se, nos resultados, que o melhor desempenho, relativo à classificação dos diálogos, alcança valores de até 96,58% para a métrica F1-score, com o uso do classificador MLP. Porém, ressalta-se que a melhor configuração do modelo refere-se à utilização do classificador SVM, que alcança um valor inferior de 93,76% para F1-score. Entretanto, seu resultado de tempo de execução é treze vezes mais rápido, um resultado importante, pois as mensagens precisam ser classificadas o mais breve possível, para que não haja atraso no uso do AVA. Por fim, conclui-se que é possível detectar os diálogos inadequados e to