Notice bibliographique
Résumé
This case study looks at how a fraudulent PhD thesis from a Canadian university became entangled in US politics, attracting US and Canadian media attention. In 2013, Douglas Mastriano, a US Army colonel, was granted a History PhD from the University of New Brunswick (UNB) under unusual circumstances. A thesis committee member was removed without his consent, then informed by UNB that the thesis had been approved over his strong objections. UNB declared a 17-year-long embargo on public access to Mastriano’s thesis (it later admitted that its rules limit thesis embargoes to 4 years). In 2014, Mastriano published a book based on his thesis. Respected historians found multiple instances of academic fraud in it, including falsification of archival information. Scholars who requested access to Mastriano’s thesis were rebuffed by UNB. There matters might have rested. However, in November 2022 Douglas Mastriano ran for Governor of Pennsylvania. A Donald Trump supporter and participant in the Jan. 6, 2021 US Capitol invasion, he often cited his PhD from UNB during his campaign. Under media pressure, UNB released his thesis in October 2022. So far, 213 cases of serious academic fraud have been found in it. Before November 2022, UNB promised that “two independent investigators” would investigate Mastriano’s 2013 thesis and the 17-year-embargo on access to it. Subsequently, UNB has walked back that promise. Attendees will learn about the practical and ethical issues faced by a Canadian university when an old case of academic fraud unexpectedly becomes a source of controversy in the media.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,035 | 0,009 |
| Communication savante | 0,008 | 0,003 |
| Science ouverte | 0,002 | 0,006 |
| Intégrité de la recherche | 0,007 | 0,007 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,019 | 0,003 |
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 source (Gemma direct ou Codex distillé), 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 ».