Education as a Financial Transaction: Contract Employment and Contract Cheating
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract Over the last decade, high-profile cases of academic misconduct have surfaced across Canada (Eaton, 2020a). I argue that it is systemic issues that contribute to their ubiquity: knowledge is seen as a commodity, transcripts and credentials as products, and students as consumers. As provincial governments in Ontario and Alberta introduce funding models tied to graduate earnings and employment (Anderson, 2020; Weingarten et al., 2019), education becomes a financial transaction and academic integrity is threatened. Credentials hold more value than the process of learning, and when students pay for credentials, it is more palatable to pay for grades. This is exacerbated by a supply and demand for academically dishonest practices. File sharing websites that facilitate cheating are ubiquitous; coursehero.com alone is worth over one billion dollars (Schubarth, 2020). Targeted advertisements for essay mills abound. Meanwhile, academia increasingly relies on the labour of sessionals (Shaker & Pasma, 2018), who tend to underestimate the scope of misconduct (Hudd et al., 2009) and are less likely to report infractions (Blau et al., 2018). Furthermore, those with graduate degrees are increasing (Wall et al., 2018) while stable academic jobs are fewer (Kezar, 2013). Academics faced with precarious employment often supplement income in what Kezar et al. (2019) refer to as the “gig academy”. They are well-positioned to meet the demand for ghost-written papers (Sivasubramaniam et al., 2016). Although many institutions have responded with well-articulated policies and procedures, when entrenched in a system that incentivises and facilitates dishonest practices, they are not lasting solutions to chronic problems.
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.
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 | 0,004 | 0,003 |
| 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 | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,002 | 0,013 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 découle