Exploring the Link between Academic Dishonesty and Economic Delinquency: A Partial Least Squares Path Modeling Approach
Notice bibliographique
Résumé
This paper advances the study of the relationship between the attitude towards academic dishonesty and other types of dishonest and even fraudulent behavior, such as tax evasion and piracy. It proposes a model in which the attitudes towards two types of cheating and fraud are systematically analyzed in connection with a complex set of latent construct determinants and control variables. It attempts to predict the tolerance towards tax evasion and social insurance fraud and piracy, using academic cheating as the main predictor. The proposed model surveys 504 student respondents, uses a partial least squares—path modeling analysis, and employs two subsets of latent constructs to account for context and disposition. The relationship between the outcome variable and the subset of predictors that account for context is mediated by yet another latent construct—Preoccupation about Money—that has been shown to strongly influence people’s attitude towards a whole range of social and economic behaviors. The results show academic dishonesty is a statistically significant predictor of an entire range of unethical and fraudulent behavior acceptance, and confirm the role played by both contextual and dispositional variables; moreover, they show that dispositional and contextual variables tend to be segregated according to how they impact the outcome. They also show that money priming does not act as a mediator, in spite of its stand-alone impact on the outcome variables. The most important result, however, is that the effect size of the main predictor is large. The contribution of this paper is two-fold: it advances a line of research previously sidestepped, and it proposes a comprehensive and robust model with a view to establish a hierarchy of significance and effect size in predicting deviance and fraud. Most of all, this research highlights the central role played by academic dishonesty in predicting the acceptance of any type of dishonest behavior, be it in the workplace, at home, or when discharging one’s responsibilities as a citizen. The results presented here give important clues as to where to start intervening in order to discourage the acceptance of deviance and fraud. Educators, university professors, and academic administrators should be at the forefront of targeted campaigns and policies aimed at fighting and reducing academic dishonesty.
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 | 0,003 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 ».