Clues to Fostering a Program Culture of Academic Integrity: Findings from a Multidimensional Model
Notice bibliographique
Résumé
Drawing on the responses from a survey of 852 undergraduates in a business program in Canada we identified situational, personality and contextual variables correlated with business students’ self-reported rates of academic integrity violations. The most influential predictors of increasing rates were: greater estimates of peers’ violations, increasingly negative perceptions of the program’s academic integrity culture, and rating questionable academic behaviours less seriously. Individual priorities, personal characteristics and social support were less influential. We then analyzed our quantitative results in light of our deep understanding of the broader context in which the students were located to derive richer insights from the interplay of our independent variables. Importantly, our results indicated that program-led proactive messaging designed to foster a culture of academic integrity could effectively buffer tendencies towards academic dishonesty. Absent ongoing messaging, however, increasing academic pressures may have eroded those initial benefits. Moreover, we identified how repercussions of major academic integrity breaches could be long lasting suggesting an even greater need for fostering academic integrity culture a priori. Based on our results we recommended a public health practice of identifying positive deviants – individuals who thrive in hostile environments – and then, in an effort to change a peer support system that fostered increasing rates of violations into one that does the opposite, engaging with those individuals to understand why and how they resisted the status quo.
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 | 0,002 | 0,007 |
| 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 | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,004 | 0,020 |
| 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».