Notice bibliographique
Résumé
In 2002, RMIT University trialled Turnitin (Barrie 1996) a text matching software package to assist in the identification of plagiarism. Turnitin enables access to databases of text stored digitally and provides a means of comparing student submissions. Subsequent to the initial use of Turnitin by staff, a pilot was conducted during which student groups had access to the software to check their submission drafts. Now student assessments whether online or on-campus can be run through the detection software. In this paper, we discuss the process and practices of using plagiarism detection software at RMIT and briefly examine some information gathered from students, both online and on-campus, informal comments regarding their participation in the student upload pilot. From these comments some suggested improvements to the implementation process are discussed. Some directions for future research into student use of Turnitin are also suggested. In recent years, the Schools of Computer Science and Information Technology (CS&IT) and Business and Information Technology (BIT) have spear-headed trials of the use of plagiarism detection software, as well as implementing processes, procedures and workshops for explaining and dealing with academic integrity. This has possibly occurred because most of their student submissions are electronic and therefore amenable to use of copy detection software, or because the staff are well aware of and interested in the technologies involved. Dealing with the numerous cases of plagiarism found by the software has posed difficult questions for both Schools and the University, and is the main issue addressed in this paper.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,104 | 0,323 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,006 | 0,005 |
| Études des sciences et des technologies | 0,016 | 0,024 |
| Communication savante | 0,028 | 0,023 |
| Science ouverte | 0,005 | 0,029 |
| Intégrité de la recherche | 0,010 | 0,014 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,030 | 0,008 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».