Evaluating the Psychometric Properties of a Questionnaire on Reasons Influencing Student to Plagiarize and Comparing the Perception of Teachers and Students
Notice bibliographique
Résumé
Translator Plagiarism in undergraduate programs has been an increasing concern for teachers and administrators, since its propagation in recent years, due to the COVID-19 pandemic and rapid evolution of generative artificial intelligence. It is by better understanding the reasons inciting students to plagiarize that actors in universities can implement the required support mechanisms to prevent plagiarism and promote academic integrity. As part of an international partnership on plagiarism prevention, we developed questionnaires administered to 1357 teachers and 4661 students across 31 universities in North America and Europe. The respondents identified their perceptions of reasons why students plagiarize by selecting among a list of 31 items. Then, we conducted exploratory and confirmatory factorial analyses to evaluate the psychometric properties of the questionnaire, and we propose a model allowing for the comparison of perceptions between teachers and students. The findings allowed for the validation of the factor structure in three theoretical dimensions: task characteristics, subjective norms, and personal characteristics. When comparing results in both groups, teachers are significantly more likely than students to perceive subjective norms as an incentive to plagiarize, whereas for students it is the components of the task that prevails. Finally, we suggest further scientific exploration of contextual or individual factors influencing the empirical structuring of responses, such as the impact of cultural or motivational variables. Translator Translator Translator
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 | 0,002 | 0,001 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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; un appel candidat d’une seule tête enseignante, 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 ».