Academic Integrity Through a SoTL Lens and 4M Framework: An Institutional Self-Study
Notice bibliographique
Résumé
Abstract Institutions are placing increased emphasis on the importance of academic integrity. Suffusing a culture of integrity is complex work. Influencing academic cultures (including the shared norms, values, behaviours and assumptions we hold) requires impact across multiple organization levels, stakeholders, structures and systems. These dimensions can be influenced by working with individual instructors, learners and staff (micro), across departments, faculties, networks and working groups (meso), through to the institution (macro), and disciplinary, national and international levels (mega). Akin to nurturing strong teaching and learning cultures communities and practices, institutions tend to support change at the institutional (vision, policies, structures) and individual levels (targeted programs to develop expertise). Less focus has been placed on how we establish strong networks of support and knowledge-sharing to influence decision-making, action, and change at the meso and mega levels. In this chapter we offer an institutional self-study of academic integrity through a scholarship of teaching and learning (SoTL) lens. Informed by the 4M (micro, meso, macro, mega) framework, we examine how integrity is upheld and enacted at each level. We examine both formal and informal approaches to academic integrity, looking at how a systematic, multi-stakeholder networked approach has helped to establish a culture of integrity at our institution, and make recommendations for others, wishing to do the same.
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 | 0,051 | 0,046 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,005 | 0,004 |
| Études des sciences et des technologies | 0,016 | 0,046 |
| Communication savante | 0,016 | 0,014 |
| Science ouverte | 0,002 | 0,018 |
| Intégrité de la recherche | 0,003 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».