Tricher à l’université avant et pendant la pandémie de COVID-19
Notice bibliographique
Résumé
La pandémie de COVID-19 a amené une hausse des cas de tricherie dans les universités, accélérant une tendance qui avait cours depuis les dernières décennies. Bien que certaines pratiques pédagogiques, telles que le soutien à l'autonomie des personnes étudiant à l’université, soient liées à une diminution de la tricherie, il demeure difficile de déterminer comment ces associations ont évolué au cours de la pandémie. Notre étude, ancrée dans la théorie de l’autodétermination, examine comment les pratiques pédagogiques perçues comme soutenants et/ou entravants les besoins psychologiques fondamentaux (BPF) sont associées à la tricherie dans les études universitaire avant et pendant la pandémie de COVID-19. Les résultats de modélisation par équation structurelle sur des échantillons de 1783 (avant la pandémie) et 1053 (durant la pandémie) personnes étudiant à l’université ont révélé que les pratiques enseignantes qui affectent les BPF sont liées à la tricherie. Cette association est plus marquée avant la pandémie qu’elle l’est pendant la pandémie, suggérant une évolution de la dynamique enseignant-étudiant. De façon générale, un faible soutien et une entrave élevée des BPF prédisent la tricherie étudiante. L’entrave à l’appartenance sociale se dégage également comme un facteur spécifique associé positivement à la tricherie aux deux périodes. Ces résultats soulignent que plusieurs facteurs identifiés comme prédicteurs de la tricherie ne sont pas nécessairement mis en cause lorsque celle-ci augmente comme cela a été le cas lors de la pandémie de COVID-19 ou, encore, au fil des dernières décennies.
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 | 0,005 |
| 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 | 0,002 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,001 |
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 ».