Did the Student Engage in Academic Dishonesty on their Exam? Yes, No, and Shades of Grey in Decision Making
Notice bibliographique
Résumé
In academia, there are guidelines as to what constitutes academic dishonesty, and how to report it. This leads to the assumption that when instances arise, there are clear yes or no answers to the questions: (a) did the student engage in academic dishonesty, and (b) how should the student be disciplined? Previous research has been conducted examining the behaviours students engage in and the repercussions, but less research has examined the cognitions and actions of the people who discover the instances of academic dishonesty. Therefore, the purpose of this study was to examine how participants make sense of potential academic dishonesty scenarios and the resulting actions they would take. We presented 201 preservice teachers with three scenarios: (a) sneaking answers into an exam, (b) having someone tell you the answers and (c) peeking at someone else’s answers. For each scenario, they had to respond to the items (1) to what extent do you consider the student’s behaviour as academic dishonesty, (2) What in the story helped you decide on your response? and (3) What do you think is an appropriate form of discipline? Overall, participants strongly agreed the behaviours were academically dishonest, however, when asked to indicate what in the story helped them decide, the majority made embellishments to the story, and close to half of the participants provided their opinions related to academic dishonesty more broadly. Moreover, participants indicated a wide range of disciplines for the same scenarios. The results will be utilized to create discussion around decision-making and academic dishonesty.
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 | 0,008 |
| 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 | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,002 | 0,015 |
| 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 ».