Tricher à l’université avant et pendant la pandémie de COVID-19
Bibliographic record
Abstract
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.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.005 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.006 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".