Notice bibliographique
Résumé
This talk traces the connections between the unethical use of algorithms, inattention to issues of equity and access, and failures of data privacy to the rise of contract cheating. The reported experiences of instructors and students tell us that contract cheating firms mine student data and exploit existing relationships between students and their educational technologies in order to find new clients and to extort the ones they already have. These companies use algorithmic searches of social media to track down vulnerable students, and once granted access to a closed educational context like Moodle, approach more students in the course or institution, which is how the use of these services seems to multiply by orders of magnitude within an institution. Once these companies have student ID and credit card information, they often engage in financial exploitation of students. Research demonstrates that many of the educational conditions that drive students to seek out contract cheating firms — lack of guidance on assignments; high-stakes assessments without appropriate scaffolding; personal or financial crises — are also conditions that do not promote learning. This talk argues that the epidemic of contract cheating can be insulated against by a renewed attention to ethical pedagogical strategies in the deployment of educational technologies. Given the explosive growth of the contract cheating problem and the huge money it makes for unethical players, it is imperative that post-secondary institutions protect students by all possible means. Limiting for-profit vendor access to student data, avoiding course-in-a-box homework system approaches to education, and using open pedagogical strategies to design persistent, non-disposable assignments are critical strategies in the fight against contract cheating, as is educating students and faculty about the importance of data security and privacy.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».