Proactive learner empowerment: towards a transformative academic integrity approach for English language learners
Notice bibliographique
Résumé
Abstract Socializing students to Academic Integrity (AI) in the face of great cultural, linguistic and socioeconomic diversity in the student population in higher education calls for innovative strategies that are aligned with equity, diversity and inclusion principles. Through a mixed method of quantitative analysis of learner engagement data from the Learning Management System (LMS) and analysis of anonymous evaluation survey, along with thematic analysis of students’ open-ended responses in the evaluation survey, the authors explored how students responded to AI Socialization during a 4-week non-credit, online co-curricular program called ‘Reading and Writing Excellence’ (RWE). Nine groups of undergraduate students ( N =182) from 34 disciplines in different global locations during the COVID-19 pandemic were introduced to a curated set of AI online resources. Through a learner-driven, instructor-facilitated approach the AI Socialization also engaged students in language development and empowered them to communicate about their disciplinary course topics through written journal entries, receiving instructor feedback that increased their cultural and linguistic capital for further academic writing. This approach led to a high volume of written output (on average 6064 words per student written over a 4-week period). Nonparametric ANOVA was used to establish that low-proficiency students were able to produce as much written output as their more proficient peers. Survey results for various aspects important to academic integrity show students’ self-perception of readiness for academic writing: paraphrasing and summarizing (92%); organization of ideas (92%); critical thinking (93%); logic/argument (92%). Insights gained about educative engagement, language development and learner empowerment that can help students from diverse backgrounds to avoid Academic Integrity Violations (AIVs) and gain transformative access and success in higher education are incorporated into a set of recommendations that are applicable to a wide range of teaching contexts.
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 | 0,021 | 0,021 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,007 | 0,011 |
| Communication savante | 0,013 | 0,008 |
| Science ouverte | 0,003 | 0,027 |
| Intégrité de la recherche | 0,002 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».