Cheating after the test: who does it and how often?
Notice bibliographique
Résumé
Self-reports suggest >50% of university students cheat at some point in their academic career (Christensen Hughes JM, McCabe DL. Can J High Educ 36: 49–63, 2006), although objective values of academic misconduct (AM) are difficult to obtain. In a physiology-based department, we had a concern that students were altering written tests and resubmitting them for higher grades; thereby compromising the integrity of our primary assessment style. Therefore, we directly quantified the prevalence of AM on written tests in 11 courses across the department. Three thousand six hundred and twenty midterms were scanned, and any midterm submitted for regrading was compared with its original for evidence of AM. Student characteristics, test details, and course information were recorded. On a department level, results show that this form of AM was rare: prevalent on 2.2% of all tests written. However, of the tests submitted for regrading, 17.4% contained AM (range: 0–26%). The majority of AM was conducted by high-achieving students, (60% of offenders earned >80%), and there was a trend toward women being more likely to commit AM ( P = 0.056). While our results objectively show that this type of AM is low, we highlight that large competitive courses face significantly higher prevalence, and high-achieving students may have gone underreported in previous literature. Vigilance should be employed by all faculty who accept tests for regrading.
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 | 0,008 | 0,038 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».