The Impact of Technology on Academic Dishonesty: Perspectives from Accounting Faculty
Notice bibliographique
Résumé
New technology has had a significant impact on higher education, including the area of academic dishonesty. Technology provides new opportunities for students to engage in dishonest behaviour while simultaneously providing faculty members with new ways to control such behaviour. The purpose of this study is to investigate academic dishonesty in accounting programs from the perspective of accounting faculty members with a focus on the impacts of technology. Over 375 survey responses were received from faculty members across Canada and the United States. The results reveal that accounting faculty perceive academic dishonesty to be a significant issue that is compromising the integrity of the classroom and that incidences of academic dishonesty have increased over the past five to ten years. The proliferation of technology has resulted in increased incidences of academic dishonesty, and has a more significant impact on plagiarism as opposed to exams. The three types of academic dishonesty impacted the most by technology are: i) using information without proper referencing; ii) using unauthorized materials during a test; and iii) using another students assignments from a previous semester. There is also broader agreement that creating and using new exams, cases and assignments every year is an effective control against academic dishonesty. For greater effectiveness, assessment should be designed such that student responses are unique; however, this type of assessment requires significant time and effort and faculty members’ contributions in this regard should be encouraged, facilitated and recognised by the academic administration.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,005 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,010 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,003 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 tête enseignante, 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 ».