MétaCan
Menu
Retour à la cohorte
Enregistrement W4387002596 · doi:10.1111/medu.15239

Why we should view the decision of medical trainees to cheat as the product of a person‐by‐situation interaction

2023· review· en· W4387002596 sur OpenAlexaff
Sarah Weeks, Janeve Desy, Kevin McLaughlin

Notice bibliographique

RevueMedical Education · 2023
Typereview
Langueen
DomaineSocial Sciences
ThématiqueAcademic integrity and plagiarism
Établissements canadiensUniversity of Calgary
Organismes subventionnairesnon disponible
Mots-clésProduct (mathematics)Medical educationPsychologyMedicineMathematics

Résumé

récupéré en direct d'OpenAlex

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 machine sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,028
score de la tête « metaresearch » (Gemma)0,064
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: Théorique ou conceptuel
GenreSignal candidat: Synthèse · Signal consensuel: aucune
Score de désaccord entre enseignants0,028
Score d'incertitude au seuil0,148

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0280,064
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0050,034
Communication savante0,0130,013
Science ouverte0,0030,004
Intégrité de la recherche0,0110,014
Charge utile insuffisante (le modèle a refusé de juger)0,0060,002

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.

Tête enseignante Opus0,131
Tête enseignante GPT0,483
Écart entre enseignants0,352 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeThéorique ou conceptuel
Domainenon disponible
GenreSynthèse

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations2
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueMedical EducationMême sujetAcademic integrity and plagiarismTravaux en français237 207