Reducing undergraduate students’ trust of commercial contract cheating websites with an academic support literacy intervention
Notice bibliographique
Résumé
Abstract The acquisition of products and services from the commercial contract cheating industry has an extensive history, with the industry experiencing significant growth during the COVID-19 pandemic. Since then, these commercial entities have added generative artificial intelligence (genAI) to their websites to ensure continued use of their services by postsecondary students. Cheating providers use various other persuasive features (e.g., assurance of quality work, use of the words ‘guarantee’ and ‘secure’) to convince students to trust them and become customers. To counter the efforts of commercial cheating services, education about the cheating industry and academic integrity should reduce any trust that students have in them. We developed an academic support literacy module about appropriate (e.g., university assistance, legitimate tutors) and inappropriate (e.g., contract cheating services) academic support. Before and after the module, 39 introductory psychology students rated how much they trusted various websites using a 12-item consumer trust scale. Although a drop in trust after viewing the module was significant for all three types of academic support websites, it was greatest for contract cheating websites. Significant correlations were also found between the non-planning aspects of impulsiveness (as measured by the Barratt Impulsiveness Scale [BIS-11]; Patton et al. J Clin Psychol 51(6):768–774, 1995) and reputation ratings given for the contract cheating websites. Further study of perceptions (using objective and subjective measures) of contract cheating websites and how aspects of impulsiveness on website perceptions is necessary for the continued development of educational interventions to reduce temptations to engage with the industry. Our study findings contribute to the literature on the promotion of academic integrity and prevention of academic misconduct, particularly contract cheating, through education.
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 | 0,002 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».