Evaluation of a Tutorial Designed to Promote Academic Integrity
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Academic integrity violations undermine principles of integrity and the quality of education. Reducing the prevalence of dishonesty in scholarly work requires a multi-faceted approach (Stephens, 2016), which may include the implementation of e-learning tutorials. Tutorials and other brief educational interventions increase students’ perceived knowledge and understanding of academic integrity and related topics (Stoesz & Yudintseva, 2018); however, it is unclear from the literature which students benefit most from completing them. In two studies, secondary (i.e., middle and high) school students were recruited to complete an e-learning tutorial and surveys about academic integrity, approaches to learning, motivation for learning, and personality. 88 students participated in an online study, but only 15 participants completed the tutorial. Knowledge and perceived seriousness of academic integrity violations increased significantly in this small sample; these changes were not evident in the remaining participants. A follow-up study with 90 students tested in face-to-face classroom sessions confirmed the results of the first study. Moreover, the changes in perception were larger for the youngest and oldest participants compared to the middle age group, and were correlated with use of deep learning strategies and agreeableness. Overall, the findings provide evidence for the effectiveness of academic integrity tutorials, and suggest individual difference factors must be considered when designing and implementing brief educational interventions. Examining behaviour change and long-term outcomes for secondary school students, and exploring the influences of learning environment and teacher characteristics on learning the values of academic integrity are important avenues for future research.
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.
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 | 0,021 | 0,017 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,004 | 0,017 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 découle