Quizzing Students about their Writing: Implications for Deterring and Detecting Contract Cheating, and Promoting Academic Integrity and Greater Engagement
Notice bibliographique
Résumé
Contract cheating is a significant concern in the higher education sector, and a multi-faceted approach focusing on student learning and growth, in addition to deterring and detection cheating, is necessary to address the issue. One way to support student learning is by encouraging active engagement in learning activities and assessments. To this end, we explored the utility Auth+ by Sikanai, an authorship verification platform that auto-generates six multiple-choice questions based on students’ writing submissions and generates scores based on responses to the questions. Auth+ is designed to encourage students to engage in the learning process and to facilitate the detection of potential contract cheating. Auth+ was implemented in a third-year computer science course, and 24 students shared their perceptions of its value for teaching and learning. Only 25% of students agreed that Auth+ would be useful in their studies but 62.5% agreed it would deter contract cheating. We also found an association between Auth+ scores and individual differences in working memory (τB = .391). Our findings suggest that, with further technology development, authorship verification platforms may be useful for promoting academic integrity and deeper engagement in learning at scale. Training educators to interpret the results and use them as part of a multi-faceted strategy for promoting academic integrity and reduce academic misconduct is important.
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 | 0,008 | 0,006 |
| 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 | 0,003 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,002 | 0,011 |
| 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 ».