Notice bibliographique
Résumé
As academic honesty policies are being revised at Canadian universities, in order to balance the maintenance of rigorous standards of academic conduct with principles of anti-racism and equity, diversity and inclusion, data on academic honesty breaches become an important source of information for policymaking and improvement of existing practices. Rather than examine the usual kinds of self-report and student survey data found in the scholarship on academic integrity, this presentation explores what conclusions can be drawn from so-called official data on academic honesty breaches in the largest liberal arts faculty in Canada. Collected over two years during the height of the COVID-19 pandemic in Canada, this faculty-level data highlights how academic dishonesty incidents, although counted as instances of individual student misconduct, point to larger systemic issues in teaching and learning in higher education. When performed under emergency, pandemic conditions, online teaching and learning had the effect of exacerbating poor assessment design and learner disengagement at a time when predatory third parties were offering online contract cheating services, especially to racialized students. While present data reporting relies on making a distinction between domestic and international students, such a categorical difference obscures the ways in which racialized students, irrespective of VISA status, are disproportionately caught in the web of academic honesty processes. If data-driven decision-making will help shape the future of academic integrity policies and practices, then it is imperative that we recognize the limitations embedded in the official data that we currently collect.
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 | 0,009 | 0,016 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,000 | 0,003 |
| Science ouverte | 0,004 | 0,000 |
| Intégrité de la recherche | 0,004 | 0,039 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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; 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 ».