Academic Integrity: Ethical approaches to teaching, learning and supporting student success during COVID-19 and beyond
Notice bibliographique
Résumé
Guest lecture for the Faculty of Science, York University, Toronto, Canada. Description: In this session we address how breaches of academic integrity have changed during the COVID-19 crisis, including a look into the predatory practices of commercial contract-cheating and file-sharing industry. We will look at what educators can change and what they cannot and how to support students as they learn during the pandemic. Learning Outcomes: By the end of this session, active participants will: • Develop a better understanding of tensions between normal online behaviours and academic misconduct. • Understand the rise in predatory practices of commercial third-parties. • Generate ideas about how to teach and learn ethically in an online environment. Speaker bio: Sarah Elaine Eaton, PhD, Associate Professor, Werklund School of Education and Educational Leader in Residence, Academic Integrity specializes in research on academic integrity, including contract cheating. She is the Editor-in-Chief of the International Journal for Educational Integrity (BMC Springer Nature). In 2020 she received the Research and Scholarship Award from the Canadian Society for the Study of Higher Education for her research contributions on academic integrity in Canada.
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 | 0,016 | 0,018 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,026 | 0,022 |
| Communication savante | 0,017 | 0,008 |
| Science ouverte | 0,004 | 0,024 |
| Intégrité de la recherche | 0,007 | 0,015 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,028 | 0,005 |
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 ».