It's Not Robotic: Barriers to Navigating Academic Integrity & the Role of Emotions
Notice bibliographique
Résumé
In December, 2022, Conestoga College’s Academic Integrity Office launched an all-faculty survey on Academic Integrity. It was sent to just under 2,500 full-time and part-time faculty, and we received 989 faculty responses, or a 40% response rate. Focus Groups were also conducted to enrich our findings with qualitative data. Generally, this survey is being conducted to better understand how faculty interact with the institution’s academic integrity policies and procedures and to identify faculty interpretation, and possible improvements to supports and resources. In particular, we are keen to ascertain data on two important, yet neglected, questions: What are the barriers faculty experience when navigating academic integrity violations and do these vary depending on faculty type (Full-Time vs. Part-Time). How do discrete emotions impact faculty when navigating academic integrity violations, and do emotions impact penalty decisions? It her chapter titled, “Impediments to Reporting Contract Cheating: Exploring the Role of Emotions” in A Research Agenda for Academic Integrity (Ed. T. Bretag, 2020), Felicity Prentice states, “if emotional responses by academic staff to breaches of academic integrity affect judgement and decision-making, […] it is timely to address this as a potentially significant avenue for research” (p. 70). Potentially significant avenue for research, indeed. Overall, participants will glean an understanding of the barriers faculty face as well as how emotions may influence the process of navigating academic integrity.
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 | 0,007 | 0,026 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,002 | 0,000 |
| Intégrité de la recherche | 0,003 | 0,030 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».