Forensic Sci Int Synerg. 2026 fev 24;12:100669. doi: 10.1016\/j.fsisyn.2026.100669. publica\u00e7\u00e3o eletr\u00f4nica 2026 jun.<\/p>\n
RESUMO<\/p>\n
Este artigo investiga a aplicabilidade de t\u00e9cnicas baseadas em aprendizado profundo propostas para a ciberforense, explorando suas limita\u00e7\u00f5es pr\u00e1ticas. Embora os modelos atuais retratem est\u00e1gios disciplinados do processo de investiga\u00e7\u00e3o, ainda existem muitos problemas na utiliza\u00e7\u00e3o do mundo real. As principais preocupa\u00e7\u00f5es s\u00e3o a qualidade e o vi\u00e9s dos dados, a falta de valida\u00e7\u00e3o de n\u00edvel forense do m\u00e9todo, a baixa explicabilidade das sa\u00eddas do modelo e o risco para a integridade das evid\u00eancias ao realizar compara\u00e7\u00f5es automatizadas. O debate tamb\u00e9m chama a aten\u00e7\u00e3o para a necessidade de generalizar as metodologias existentes da revis\u00e3o p\u00f3s-incidente para a prontid\u00e3o forense e monitoramento em tempo real. O artigo argumenta que as ferramentas de aprendizado profundo devem servir como complemento, n\u00e3o como substituto, para o julgamento de especialistas, com salvaguardas apropriadas para transpar\u00eancia, responsabilidade e admissibilidade legal. Resolver esses problemas \u00e9 importante para estabelecer a liga\u00e7\u00e3o entre o entendimento conceitual e f\u00edsico com o processo forense confi\u00e1vel.<\/p>\n
PMID: 41815526 | PMC: PMC12973519 | DOI: 10.1016\/j.fsisyn.2026.100669<\/p>\n