Policy Review: Academic Cheating in Online Examinations during the COVID-19 Pandemic
Notice bibliographique
Résumé
With the liberalization policies towards the COVID-19 pandemic in various countries, in-person teaching is the mainstream currently. Many countries are more open to their border and quarantine/isolation requirements; however, this does not mean the contagious virus is gone. Various variants are still a threat to people’s health. Online teaching has its essential to students. Our observation was based on the almost three-year pandemic experience towards the widely used online teaching, especially on academic cheating behaviors during examinations. We found that the online teaching during the COVID-19 pandemic facilitated students to obtain high scores through improper cheating in online examinations. Academic faculty faces a big challenge when they try to use new technologies to protect the integrity of online exams because students can develop new strategies for cheating. They not only surf the internet to find the correct answers but also get help from peers and experts. Cheating prevents students from gaining essential skills and knowledge. It is unfair to honest students who spend time and effort studying course materials. In this article, we explored the common ways of cheating on online exams. We also provided recommendations to prevent academic misconduct in the digital environment.
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 | 0,039 | 0,211 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,003 |
| Bibliométrie | 0,007 | 0,007 |
| Études des sciences et des technologies | 0,004 | 0,006 |
| Communication savante | 0,011 | 0,008 |
| Science ouverte | 0,005 | 0,004 |
| Intégrité de la recherche | 0,033 | 0,018 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,025 | 0,008 |
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 ».