A Pre-Registered Examination of the Relationship Between Personality, Stress, and Academic Cheating in the Age of Online Learning
Notice bibliographique
Résumé
The shift to online learning during the COVID-19 pandemic provided university students with many more opportunities for academic cheating. Using survey data from 530 Canadian undergraduate students collected during the winter semester of 2021, we examined the relationships between stress due to COVID-19, attitudes, personality traits (i.e., HEXACO, psychopathy, grandiose and vulnerable narcissism, Machiavellianism), demographic variables, and engagement in academic cheating during the fall 2020 semester. Cheating was assessed using both a binary self-report (yes/no) and a checklist of 14 specific cheating behaviours. Overall, 67.5% of students admitted to engaging in at least one form of cheating (e.g., using textbooks during online exams), and 86.6% believed that moving classes online increased cheating rates among other students. Regression analyses indicated that younger age, positive attitudes toward cheating, and lower honesty-humility (e.g., dishonest, greedy, immodest) were associated with higher cheating engagement across both measures. On the other hand, grandiose narcissism was uniquely related to the behavioural checklist, whereas vulnerable narcissism was uniquely related to the binary cheating outcome. Contrary to our expectations, COVID-related stress was unrelated to cheating. Considering our findings, we discuss avenues for targeted interventions that may help promote academic integrity in current university settings.
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 | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 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 ».