Recommendations for a balanced approach to supporting academic integrity: perspectives from a survey of students, faculty, and tutors
Notice bibliographique
Résumé
Abstract Maintaining academic integrity is a growing concern for higher education, increasingly so due to the pivot to remote learning in 2020 caused by the COVID-19 pandemic. We canvassed students, faculty, and tutors at an online Canadian university about their perspectives on academic integrity and misconduct. The survey asked how the university could improve policies concerning issues of academic integrity, how faculty and tutors handled cases of misconduct, about satisfaction with how academic violations were treated, and about the role of students, faculty, and tutors in encouraging academic integrity. As well, we collected suggestions from respondents for reducing cheating, addressing academic misconduct, and general ideas about academic integrity. The distinction between misconduct and integrity was not always clear in their comments. We received responses from 228 students and 73 faculty and tutors, generating hundreds of comments. In this paper we focus only on the answers to open-ended questions. Using content analysis, we categorized the replies into similar threads. After multiple iterations of analysis, we extracted three general recommendation groupings: Policy and Procedures, Compliance and Commitment, and Resources. Based on respondents’ views, we propose a balanced approach to supporting academic integrity. Although we conducted the study pre-COVID-19, the recommendations apply to current and future academic integrity practices in our context and beyond.
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 | 0,099 | 0,186 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,012 | 0,007 |
| Communication savante | 0,013 | 0,011 |
| Science ouverte | 0,002 | 0,008 |
| Intégrité de la recherche | 0,006 | 0,007 |
| 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 ».