Navigating Online Learning and Artificial Intelligence: Identifying and Managing Assessment Risks in Private Higher Education in South Africa
Notice bibliographique
Résumé
This paper investigates assessment integrity risks in online distance learning programmes at a private higher education institution in South Africa and the strategies used to manage them. Guided by an interpretivist lens, the research applies the Committee of Sponsoring Organisations of the Treadway Commission (COSO) Enterprise Risk Management (ERM) framework and sociotechnical systems theory to explore how technological, behavioural, and institutional factors intersect to influence academic integrity. Data from staff questionnaires reveal three interrelated dimensions of risk: emergent (artificial intelligence-driven misconduct and integrity threats), behavioural (unethical and dishonest practices), and structural (technological barriers and infrastructural limitations). Synthesised through the Emergent, Behavioural, and Structural risks addressed through Tools, Practices, and Training (EBS-TPT) model, the research highlights the importance of integrating digital tools and ethical training within proactive, design-oriented assessment strategies. Rather than relying solely on detection mechanisms, institutions should foster artificial intelligence (AI) literacy, ethical awareness, and authentic assessment design to sustain credibility in digital learning environments. The paper contributes a conceptual framework and practical insights for higher education institutions seeking to balance technological innovation with academic integrity in the evolving AI era.Keywords: online distance learning, academic integrity, assessment dishonesty, risk management protocols, private higher education. French Cet article examine les risques liés à l’intégrité des évaluations dans les programmes d’apprentissage à distance en ligne d’un établissement privé d’enseignement supérieur en Afrique du Sud, ainsi que les stratégies mises en œuvre pour les gérer. S’appuyant sur une approche interprétativiste, l’étude mobilise le cadre de gestion des risques d’entreprise COSO (ERM) et la théorie des systèmes sociotechniques afin d’explorer comment les facteurs technologiques, comportementaux et institutionnels interagissent et influencent l’intégrité académique. Les données recueillies auprès du personnel révèlent trois dimensions interdépendantes du risque : émergent (manquements à l’intégrité favorisés par l’IA), comportemental (pratiques malhonnêtes et non éthiques) et structurel (barrières technologiques et limitations infrastructurelles). Synthétisées dans le modèle EBS-TPT (Emergent, Behavioural and Structural risks addressed through Tools, Practices and Training) ces dimensions soulignent l’importance d’intégrer les outils numériques et la formation éthique dans des stratégies d’évaluation proactives et centrées sur la conception. Plutôt que de se reposer uniquement sur les mécanismes de détection, les établissements devraient promouvoir la littératie en matière d’IA, la conscience éthique et la conception d’évaluations authentiques afin de préserver la crédibilité des apprentissages numériques. L’article propose ainsi un cadre conceptuel et des recommandations pratiques pour aider les établissements d’enseignement supérieur à concilier innovation technologique et intégrité académique à l’ère de l’IA. Mots-clés : Enseignement à distance, intégrité académique, fraude à l'évaluation, protocoles de gestion des risques, enseignement supérieur privé.
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 | 0,006 | 0,019 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,006 | 0,004 |
| Communication savante | 0,006 | 0,006 |
| Science ouverte | 0,001 | 0,007 |
| Intégrité de la recherche | 0,001 | 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 ».