Notice bibliographique
Résumé
While academic integrity as a specialised profession in higher education is still emerging (Vogt and Eaton, 2022; Mackenzie, 2024), learning developers (LDers) perform many duties to teach and cultivate academic integrity at their institutions. As Bickle, Allen and Mayer (2023, p.1) highlight, many LDers ‘have designed and delivered courses, quizzes, tutorials, and events to promote academic integrity’ and encourage ethical scholarly practices. At their ALDCon23 session about the role of learning development (LD) in academic integrity, Bickle, Allen and Mayer posed questions that are still pressing today, such as, ‘what training do learning developers need?’ and ‘what forms of collaborative cross institutional research on academic integrity would be advantageous?’. This poster (see Figure 1) responds to Bickle, Allen and Mayer’s session by sharing reflections on a new service our LD team launched in 2023 in partnership with our student conduct office. At our Canadian institution, instructors who report academic misconduct must select one or more ‘resolutions’, and a one-to-one meeting with an LDer is now one option. As LDers have no impact on institutional decisions around misconduct, we have attempted to create a neutral and safe space in these meetings for students to share their experience, deepen their understanding of academic integrity, and develop strategies to help them move forward more confidently in their studies and in contexts beyond higher education. While this model of LDer support is not brand new (Bridgewater, Pounds and Morley, 2019), it remains uncommon in Canada and is worthy of further exploration.
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 | 0,004 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,007 | 0,002 |
| Communication savante | 0,008 | 0,005 |
| Science ouverte | 0,002 | 0,013 |
| Intégrité de la recherche | 0,005 | 0,009 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,188 | 0,063 |
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 ».