Perceptions of Digital Academic Dishonesty in English Writing at Applied Colleges
Notice bibliographique
Résumé
Since the last decade, English instructors have often found digital academic English writing dishonesty (Tayan, 2017) among Saudi EFL graduating students due to the serious issues of adapting the online ghostwrites and tools, fabricating the English writing practices (Al-Khairy, 2013), plagiarism (Madkhali, 2017; Jenkins, 2018), neglecting proper citation and referencing, a lack of critical thinking and analysis, limited vocabulary and weak language proficiency (Fareed et al., 2016, Alsowat, 2017), and inadequate grammar and syntax, all of which affect their English writing skills ethically. However, such serious issues and digital factors devalue the hard work of honest students and negatively impact the integrity of the educational system. Therefore, this research attempt investigated critically the perceptions of digital academic dishonesty by Saudi EFL students in English writing at the Applied Colleges of King Khalid University. The objective of this study was to examine the awareness and understanding of digital academic dishonesty among diploma students enrolled in applied colleges. A descriptive quantitative analysis of 134 students' questionnaires was conducted, and data was gathered regarding their perceptions of academic dishonesty and such mediums by which students take part in academically dishonest activities. Also, the study explored the prevalent types of digital academic dishonesty that Saudi students engage in and the causes behind such behaviors. The investigation identified such common types of digital academic dishonesty as plagiarism, unauthorized collaboration, utilizing essay mills, and falsification of sources, among others. By investigating the motivations behind such behaviors, the study, therefore, aimed to shed light on suggestions to reduce digital academic dishonesty in the context of English writing assignments.
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 | 0,003 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,003 |
| Communication savante | 0,004 | 0,002 |
| Science ouverte | 0,000 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 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 ».