Why we should view the decision of medical trainees to cheat as the product of a person‐by‐situation interaction
Notice bibliographique
Résumé
BACKGROUND: Cheating during medical training is a delicate subject matter with varying opinions on the prevalence, causes and gravity of cheating during training. PROPOSED FRAMEWORK: In this article, the authors suggest that the decision to cheat is best viewed as the product of a person-by-situation interaction rather than indicating inherent dishonesty and/or extrinsic motivation in those who participate in cheating. This framework can explain why individuals who would typically default to honesty may participate in cheating if there is perceived justification for cheating and where situational variables, such as ease of cheating, rewards for cheating and perceived risk associated with cheating, make the decision to cheat appear rational. DISCUSSION: They discuss why the impression that there is a culture of cheating can provide perceived justification for medical trainees to cheat if they have the opportunity. They then describe how aspects of medical training and assessment may enable or hinder cheating by trainees. Consistent with the person-by-situation interaction framework, they contend that our response to cheating should include interventions directed at both the person who cheated and situational variables that enabled cheating. Recognising that some forms of cheating may be widespread, difficult to detect and contentious (such as the creation and use of exam reconstructs), their proposal for dealing with suspected and pervasive cheating is to identify and target enabling variables such that the decision to cheat becomes less rational. Their hope is that in so doing, we can gradually nudge trainees and the culture of medical training towards honesty.
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 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 | 0,010 | 0,039 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».