M’hammed Mellouki, dir., 2010 . Promesses et ratés de la réforme de l’éducation au Québec , Québec, Les Presses de l’Université Laval, coll. Formation et Profession, 332 pages
Bibliographic record
Abstract
RésuméLes médias traitent souvent du plagiat chez les écrivains, les musiciens ou les universitaires. Cette pratique concerne aussi les étudiants dont 34,5% auraient déjà recopié tout ou partie d’un texte pour le présenter comme personnel dans le cadre d’un travail individuel à rendre à un enseignant. Cette fréquence rencontre celle de travaux américains estimant entre un quart et un tiers la proportion d’étudiants ayant produit un travail reprenant quelques phrases sur Internet sans en fournir la source (Park 2003) quelle qu’en soit la forme (copier-coller, paraphrase, traduction, etc.). Ces plagiats ne sont pas tous détectables, malgré le développement de logiciels de repérage. Appuyé sur une enquête à laquelle ont répondu 1485 étudiants, l’article examine les caractéristiques individuelles et contextuelles associées à certaines formes de plagiat. Les principaux résultats issus des modèles de régression révèlent une corrélation significative entre le plagiat universitaire, le plagiat scolaire et d’autres formes de tricherie (fraude aux examens). Le plagiat est moins fréquent dans les filières littéraires que dans les filières scientifiques et économiques.
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 | 0.002 | 0.008 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.007 | 0.010 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.021 | 0.004 |
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".