介绍
COVID-19 大流行是影响高等教育机构的全球性问题（Reedy 等人，2021）。世界各地的学术机构被迫推迟或取消现场讲座并转向远程在线教学（Elsalem 等人，2021）。这影响了不同的教育方面（Gamage et al. 2020），包括学术不诚实（AD）（Turner et al. 2022）。研究表明，AD 等学术不端行为在全球范围内急剧增加（Erguvan 2021）。AD 构成严重威胁，破坏教育系统的完整性（Miller 2019）。此外，AD 具有道德和实际意义（Bacon et al. 2020），随着学生的道德行为转移到就业队伍中（Walsh et al. 2021）。因此，职业教育也应注重道德形成（Guerrero-Dib et al. 2020）。最近的研究（Etgar et al. 2019）揭示了动机在学生 AD 倾向中的关键作用。根据Ryan和Deci（2008，2020 ）的自我决定理论（SDT） ，动机来自内部或外部激励，这表明由某些外部因素促使的自我发起活动的领域（Locquiao和Ives 2020 ）。SDT 为理解 AD 动机提供了一个广泛的心理框架（Krou et al. 2021）。

此外，统计学知识已被认为是学术教育中的必修课（Trassi et al. 2022）；目前的学术培训包括必修的统计入门课程。有时，一些学生将这些与高度焦虑联系起来（O'Bryant et al. 2021）。对于一些患有统计焦虑 (SA) 的学生来说，这项作业会对他们的学术经历产生负面影响 (Trassi et al. 2022 )。之前对社会科学本科生的研究（Steinberger et al. 2021）表明，学生对统计的焦虑会对学习和学业成绩产生负面影响。此外，焦虑和不适当的学术行为是相关的（Zhang et al. 2020）。此外，（Tindall et al. 2021）发现，负面情绪会影响学生从事抄袭等不道德行为的倾向。

同样，研究表明，对统计的态度、焦虑和表现之间存在显着的相互关系，这取决于学生之前的统计或数学教育（Peiró-Signes et al. 2021）。学术评论文献（Cui et al. 2019；Chiang et al. 2022）表明，性格特征和个人相关环境决定了统计焦虑（SA）。此外，关于 SA 对学生学业成绩影响的研究非常多（O'Bryant et al. 2021），其中包括预测 AD 的因素（Roe 2022）。

然而，关于 SA、AD 和大流行情况的研究很少（Steinberger 等人，2021）。我们的研究填补了这一空白，通过检验社会科学本科生在不同学习环境（面对面 - F2F、计划在线学习 - POE）中学习统计学导论必修课程的 AD、SA、人格特质和动机之间的关系来填补这一空白。和紧急远程教学 - ERT）。了解 AD 的概况和可能性是个性化学术干预的关键，旨在阻止和减少 AD 和 SA 在不同学习环境中的表现。此外，我们的研究揭示了 SA 和动机在人格特质、过往成就和 AD 关系中的中介作用。因此，主要的研究问题是：SA、人格特质、以往成就、

理论背景
学术不诚信
有效的学习和教学是高等教育的关键研究课题（Steinberger et al. 2021）。学术诚信是优质教育的必要条件（Ozoliņa 和 Bēriņa 2021）。如果不尊重学术诚信（Artiukhov 和 Liuta 2017），并且不维护教育领域的优质教育过程标准（Kudeikina 等人2022），优质教育就无法实现。了解这一点有助于扩大学术诚信方面的学术知识并预防 AD（Parnther 2020）。而学术诚信是指信任、尊重、公平和负责任的行为（Sefcik et al. 2020），AD 所指的犯罪行为包括：作弊、抄袭、捏造和提供便利（Etgar et al. 2019）。研究表明，AD 作为一种正常的学生行为，无处不在（Krou et al. 2021；Chiang et al. 2022；Christensen Hughes and Eaton 2022），并且大多数学生在学习的某个阶段都会参与 AD（Peled et al. 2019 ） ）。此外，其他研究表明 AD 更有可能在某些人群中流行（Hensley 等人，2013）。例如，商科学生比非商科学生更容易作弊（McCabe et al. 2006）。

统计焦虑
统计素养已成为高等教育学生学术和未来专业实践的一项基本技能（Berndt 等人，2021），包括商业课程（Vaziri 等人，2022）。然而，研究表明，学生在学习、理解和使用基本统计概念方面遇到问题。统计焦虑（SA）是随之而来的最常见现象之一（Murtonen 2015）。SA 指的是因任何形式的与统计相关内容的接触而引发的负面情绪状态或态度（O'Bryant et al. 2021）。因此，它经常干扰教学定量材料。根据研究文献综述（Cui et al. 2019），SA的前因是：（a）性格因素（人格特质），（b）个人因素（以前的学业成就、动机）和（c）情境因素（与统计相关的态度）。

SA 六因素模型是一种得到广泛认可的方法（Levpušček 和 Cukon 2020），它确定了告知 SA 的六个要素，并由 Cruise 等人将其集成到通用 SA 评级量表 (STARS) 中。（1985年）。以上涵盖了焦虑情绪和学习者对统计的态度： 解释焦虑——因需要解释不同统计数据而产生的焦虑；考试和课堂焦虑——参加统计课程和参加统计测试时表现出来的焦虑；害怕寻求帮助——在请求帮助以理解统计数据时表现出的焦虑；计算自我概念——个人对其学习统计的数学能力的看法；统计的价值——学习统计的意义和相关性，对统计教师的恐惧——学生对统计教师的看法。

人格特质
McCrae 和 Costa ( 1987 ) 提出的五因素模型 (FFM)是公认的用于从理论上评估和测量人格特质的心理学工具 (Dimitriadis et al. 2017 )。FFM 的设计目的既不是为了识别也不是为了衡量道德行为（Sleep 等人，2021）。尽管如此，研究表明，特质对于了解学生参与 AD 的倾向至关重要（Peled 等人，2019）。FFM将人格分为五个不同的特征： 开放的体验，表达对艺术、冒险、非典型想法和想象力的热爱；尽责性，是指表现出自律和尽职尽责的倾向；外向性，与与外部世界的接触密切相关，通常被认为是精力充沛的人的特征；宜人性与与他人相处的价值相关，具有后一种特质的人往往体贴、善良、慷慨、信任、乐于助人、乐观；神经质（或情绪不稳定），与易受愤怒、焦虑、压力和抑郁等负面情绪影响的倾向有关。研究表明，FFM 显着影响 SA（Steinberger 等人，2021）。例如，对经验的开放性和宜人性与SA呈负相关，神经质和外向性与SA呈正相关。责任心与之无关（Cui et al. 2019）。这项开创性的研究可能会澄清上述问题，并通过阐明不同学习环境（F2F、POE 和 ERT）中 FFM、AD 和 SA 之间的关系，为发展积极的教育成果和干预措施开辟道路。

学术不诚实、统计焦虑和人格特质
AD研究多次采用FFM（Eshet et al. 2014）。研究表明，性格决定了作弊行为，因为它对个人信念、学习态度和目标实现方式有影响（Malesky et al. 2022）。例如，负面情绪预示着抄袭（Tindall et al. 2021）。此外，人格特质也与 SA 相关（Chew 和 Dillon 2014）。先前关于人格特质 AD 和 SA 之间关系的研究表明： 在体验开放性方面得分较高的学生，他们对学习感兴趣且好奇，往往不赞成 AD（Lee et al. 2020）并表现出较低的焦虑水平（斯坦伯格等人。2021）。责任心得分高的学生，遵守规则的倾向高，作弊倾向低（Giluk 和 Postlethwaite 2015），并且与 SA 无关（Chew 和 Dillon 2014）。外向性得分高的学生通常很自信，容易作弊（Malesky et al. 2022），并且与 SA 的某些组成部分呈正相关（Agbaria 和 Mokh 2021）。宜人性得分高的学生与 AD (Malesky et al. 2022 ) 和 SA (Cui et al. 2019 )呈显着负相关。神经质得分高的学生（情绪稳定性得分低的学生）与 AD 呈正相关（Muntada 2013）和SA。因此，我们假设：

假设1：
统计焦虑将调节学生人格特质与学术不诚实的关系

动机导向
动机可以在心理上加强和刺激学生的学习过程和活动（Becerra 和 Almendra 2020）。因此，它可以预测学习成绩（Tonguç and Ozaydın Ozkara 2020；Zalts et al. 2021），同时解释一个人的意图行为（Shi et al. 2021）。此外，动机是调节焦虑的重要因素（Luo et al. 2020）。例如，数学水平较低的学生会表现出较高的焦虑率（Faber and Drexler 2019）和对统计学的消极态度（Bromage et al. 2021）。根据 Deci 和 Ryan 的自决理论（SDT）（2008），动机可以是内在的，也可以是外在的。内在动机是指基于内在特征（真正的兴趣和享受）从事教育活动的意愿。相反，外在动机是指由于外部结果或奖励而导致一个人做某事的动机。内在动机与学业成功、表现和自信呈正相关（Foutz et al. 2021）。研究指出，内在动机对自信心和责任感有积极影响，而外在动机则与焦虑和责任冷漠等不相容行为有关（Lavasani et al. 2014 ））。外在动机得分高的学生是由成绩、班级排名和收入驱动的（Zalts et al. 2021）。此外，动机和 FFM 与学业成绩呈正相关。研究表明，根据不同的人格特质，有不同的动机取向（Arniatika 2020）。例如，意识和对经历的开放性与内在动机相关。神经质与外在动机相关（Müller et al. 2006）。因此，我们假设：

氢2
学生的动机将调节学生的人格特质和统计焦虑之间的关系。

以往的成就、统计焦虑和学术不诚实
以前的学术成就可以预测未来的学术成果（Hensley et al. 2013）和统计课程的成功（Sorge and Schau 2002）。大量研究探索了影响学生统计表现的认知和情感因素。根据普遍的观念，成绩不佳与学术不端行为密切相关（Koscielniak 和 Bojanowska 2019）。例如，之前的研究发现，之前的学业成绩和 SA 密切相关（Siew 等人，2019 年；Steinberger 等人，2021 年）。例如，一些学生由于缺乏数学知识而经历 SA (Onwuegbuzie and Wilson 2003）。因此，将焦虑与表现联系起来会导致学生出现更高的拖延率并避免与统计相关的任务（Onwuegbuzie 和 Wilson 2003）。这会导致回避行为（Hong，Tsai，＆Tai，2021）作为一种补偿策略，以获得更好的结果（Koscielniak 和 Bojanowska 2019），从而诱发 AD。其他研究强调，道德价值行为可以归因于动机、学习策略和学生以前的成就（Koscielniak 和 Bojanowska 2019），包括 AD。因此，我们假设：

H3
统计焦虑会调解学生以往的成就与学术不诚实之间的关系。

自Covid-19以来不同学习环境中的学术不诚实现象
COVID-19 大流行之前的 AD 实践多种多样（Gamage 等人，2020）。后者爆发之前的学术研究可以确定，技术的扩散已经改变了AD犯罪的性质（Meiring 2019）。然而，自 Covid-19 以来，人们对这些影响的了解仍然很少。自大流行爆发以来，在线教学呈指数级增长，从而改变了未来几年教育实践的性质和交付方式（Li 和 Lalani 2020）。此外，对大流行的应对措施加强了教育的积极维度（Crawford 2020），例如主动学习、独立和批判性思维、个人探索和参与性发展（Armellini et al. 2021 ））。学生在这种背景下适应不同的学习环境，通常与学术出勤义务不相容（Butler-Henderson 和 Crawford 2020）。学者们补充说，教育情境的多样性和异构学习技术的实施导致了关于技术如何影响教育的不同教育理论（Venn et al. 2020）。因此，仔细阐明数字完整性如何成为一项关键的 21 世纪技能，影响学生道德和成功地评估、处理和共享知识的能力（Miller 2019））。值得注意的是，对于在线教学和面对面教学之间的教学差异，学术界达成了广泛的共识。由于经常造成紧张局势，仅将传统教育方法应用于在线环境已被证明是无效的（Badiozaman 2021）。要充分理解上述现象，就必须将其置于具体情境中。

学习环境包括影响学生成绩的心理、教学和社会特征（Helms 2014）。过去几十年见证了学习环境的转变。这些变化进一步促进了与现代技术相结合的创新教学方法的实施（Valtonen 等人，2021），例如信息与通信技术（ICT）教师或以学生为中心的方法的整合（Mesny 等人，2021）。教育工作者制定并决定课程的结构、内容和教育过程（Greenberg et al. 2007）。此外，技术进步带来了数字化——完全在线（计划在线环境——POE）或传统面对面（F2F）教育的混合模块。因此，这引起了人们对 AD 及其不同作弊方式的担忧（Ikram 和 Rabbani 2021）。此外，Covid-19大流行促使教育转变为在线交付（Turnbull等人，2021），导致计划外的在线教学和学习形式（Lowenthal等人，2020），被称为紧急远程教学——ERT（Hodges等人） .2020 ）。这进一步导致教育面临新的挑战（Whalen 2020）。先前的学术研究表明，学生的学习体验和表现根据学习环境的不同而有所不同（Mørk et al. 2020；Maqableh and Alia 2021），包括课程注册和授课方式：F2F、POE 和 ERT。例如，指导强度、混乱和压迫可能会提高 SA 水平。此外，学习环境和教师互动也会影响学生的动机（du Rocher 2020）。专注于统计学习的研究比较了 POE 和 F2F 统计课程获得的结果。POE 教学不如面对面教学有效，因为它可以让学习者更具体地了解教育者的态度和关注点。因此，POE 设置中的性能低于 F2F 设置中的性能（Cui 等人，2019）。因此，我们假设：

H4
学习环境之间的关系会存在差异，包括统计焦虑、人格特质、动机、学术不诚实和以前的学术成就。

研究模型
基于上述文献，研究模型假设AD受到人格特质和学生以往成绩的影响，并以动机和SA为中介（图 1）。

该研究模型呈现了人格特质（通过外向性、宜人性、尽责性、对经历的开放性和情绪稳定性来衡量）、学生之前的成就（通过数学水平、平均绩点和数学入学成绩来衡量）以及潜在的中介因素。动机变量（通过外部调节、内射调节、识别调节和内在动机来衡量）和SA（通过统计价值、解释焦虑、测试和课堂焦虑、计算自我概念、害怕寻求帮助和害怕寻求帮助来衡量）统计学教师）作为假设影响 AD 的因素..

方法
参与者和程序
数据收集自五个以色列学术机构攻读社会科学学士学位的学生，他们参加了统计学入门课程。共有 649 名参与者，其中 7% 是男生，93% 是女生。参与者的平均年龄为 23.5 岁，范围在 18 岁至 42 岁之间，SD 7 岁。经道德委员会批准后，通过在线平台以三种不同的课程报名方式对参与者进行了问卷调查。超过一半的学生（59%）参加了 POE 课程，18% 参加了 F2F 课程，23% 参加了 ERT 课程。填写问卷的平均时间为 12 分钟。14% 的参与者因调查工具不完整（低于 80%）或粗心填写而被排除在分析之外。参加者中有6人。5% 的人报告 SA 较高（从 1 到 5 的等级平均值高于 4）。在所有三种学习环境之间发现了显着差异[F(2,646)  = 36.637，p < 0.001]（对于 POE，M = 2.50，SD = 0.60；对于 F2F，M = 3.02，SD = 0.62；对于 ERT，M = 2.80，SD = 0.56）。近三分之二的参与者 (64.6%) 表示在 POE 学习环境中至少参与过一次 AD，而在 F2F 学习环境中这一比例为 55%，在 ERT 模式中为 43.5%。AD 中所有三种学习环境 [F (2,646)  = 17.893，p < 0.001] 之间均存在显着差异（POE 的 M = 4.12，SD = 0.41，F2F 的 M = 3.85，SD = 0.44，M = 3.99， ERT 的 SD = 0.41)..

仪器
因变量
学术不诚实行为是通过学术不端行为量表（Bolin 2004）直接衡量的，并通过学术诚信量表（Kisamore et al. 2007）间接衡量的。并根据以色列的情况验证了这些文书。学术不端行为量表由10 个项目组成，采用李克特五点量表，其中 1 表示“从未”，5 表示“多次”。其可靠性非常出色（0.91 Cronbach's alpha）。学术诚信量表由 8 个项目组成，采用李克特五点量表，其中 1 表示“极不可能”，5 表示“极有可能”。其可靠性是可以接受的（0.75 Cronbach's alpha）。

中介变量
统计焦虑- 本研究使用希伯来语版本的统计焦虑评定量表 (H-STARS)，它是由 Cruise 等人开发的 STARS 量表的删减版。（1985）。H-STARS 已根据以色列的情况进行了调整，并被认为是可靠且有效的（Steinberger 2020）。希伯来语版本的 STARS 包含 30 个项目，并采用六个不同的子量表：统计价值；解释焦虑；考试和课堂焦虑；计算性自我概念；害怕寻求帮助；害怕统计老师。参与者回答有关可能引起焦虑的情况以及他们对统计数据的态度的问题，分 5 分制，其中 1 表示不焦虑，5 表示非常焦虑。斯坦伯格 ( 2020）报告了良好的内部一致性可靠性（0.80–0.94）。这些与 Cruise 等人之前提出的内容一致。（1985）。按照作者的建议，计算总分是对所有问卷项目进行平均，因此分数越高，焦虑水平越高。

动机导向——我们采用了学术自我调节问卷（SRQ-A）（Ryan 和 Connell 1989），它评估四种类型的动机：内在动机、识别动机、内射动机和外部调节。参与者采用李克特五点量表回答了 17 个问题，其中 1 表示“完全不正确”，5 表示“非常正确”。根据 Cronbach's alpha 测量，问卷的可靠性是可以接受的 (0.75)。

自变量
人格特质——调查采用了Gosling 等人的十项人格量表 (TIPI)量表。（2003），它由 10 个项目组成，旨在以五点李克特量表评估参与者的人格特征，其中 1 表示“完全不真实”，5 表示“非常真实”。每个特征都有两个陈述。根据 Cronbach's alpha 测量，该问卷的可靠性值得怀疑 (0.63)。

以前的学业成绩是根据学生的高中数学水平、平均绩点、数学入学成绩和课程注册类型来衡量的。

分析计划
我们通过结构方程模型（SEM）分析了数据。使用矩结构分析 (AMOS) 程序（Arbuckle 和 Wothke 1999）计算完整信息最大似然估计。使用 χ2、比较拟合指数 (CFI) 和近似均方根误差 (RMSEA) 拟合指数检查模型的拟合优度。CFI 值高于 0.90 和 0.95 分别表明模型拟合充分且良好，RMSEA 值低于 0.08 和 0.05 分别表明模型拟合充分且良好（Browne 和 Cudeck 1992；Hu 和 Bentler 1999）。此外，我们使用描述性统计和皮尔逊相关系数来分析数据。还进行了可靠性分析。

结果
研究变量之间的描述性统计和相关性如表1所示 。

结果显示，所有五种人格特质与 AD 之间均呈显着负相关。此外，识别调节与AD之间存在显着负相关，而AD、外部和内射调节以及内在动机之间存在显着正相关。SA 和 AD 的各个组成部分之间存在正相关关系。表 2展示了三种学习环境中统计焦虑、动机、人格特质以及学术不端行为和学术诚信的因变量之间的相互关系。

结果显示，在所有三种学习环境中，体验开放性和情绪稳定性的人格特质与统计焦虑之间，以及宜人性和尽责性的人格特质与统计焦虑之间都存在显着的负相关，尽管仅在 ERT 样本中。此外，在POE和ERT学习环境中，外部调节与统计焦虑之间存在显着正相关，而在所有三种学习环境中，识别调节与内在动机和统计焦虑之间存在显着负相关。尽管如此，在 POE 和 ERT 样本中发现统计焦虑与因变量之间存在显着的正相关性，但在 F2F 样本中却没有发现。AD变量由学术不端行为和学术诚信变量、人格潜变量、动机潜变量、学生以往成绩的潜变量以及SA潜变量的中介来建模。数据与学术不诚实模型的拟合程度稍好（χ2 = 1,426.37，N = 649，df = 564，p < 0.001，CFI = 0.801，RMSEA = 0.049）。

学术不诚信分析-POE样本
POE样本中学术不诚信的结构模型如图2所示。

分析结果表明，AD 的方差可以通过学生的人格特质来解释，并以 SA 为中介。因此，POE样品支持H 2。SA是对学术不端行为影响较大的变量，总效应为67%。如图 2所示，考试焦虑和课堂焦虑是SA最有影响力的组成部分。它具有最高的影响之一（b  = 0.79，p  < 0.001），这意味着学生在考试和课堂焦虑方面的 SA 水平越高，他们作弊的倾向就越高。这同样适用于 SA 中有关计算自我概念的部分。人们发现它也具有很强的显着效果（b  = 0.77，p < 0.001)，而学生的计算自我概念[SA水平]越高，他们从事学术不端行为的可能性就越高。解释焦虑（b  = 0.76，p  < 0.001）是影响学术不端行为的另一个重要因素。因此，关于解释焦虑的SA会增加学术不端行为。此外，性格特征被发现对SA有显着的负面影响（b = -0.34，p  < 0.05）。所有五种人格特质对 SA 的中介变量都有显着影响：外向性（b  = 0.16，p  < 0.05）、宜人性（b  = 0.48，p < 0.05)、责任心 ( b  = 0.46, p  < 0.001)、对经验的开放性 ( b  = 0.23, p  < 0.01) 和情绪稳定性 ( b  = 0.73, p  < 0.001)。因此，学生的人格特质水平越高，他们的焦虑就越少。还发现动机对 SA 有显着的负面影响（b = -0.36，p  < 0.01），而所有动机类型对中介变量都有显着影响：外部调节（b  = 0.21，p  < 0.001）、内射调节( b  = 0.70, p  < 0.001)，确定的调节 ( b = 0.76 p  < 0.001) 和内在动机 ( b  = 0.77, p  < 0.001)。换句话说，学生的动机越高，他们的SA水平就越低。

学术不诚信分析——F2F样本
F2F样本中AD的结构模型如图3所示。

分析结果表明，AD 的方差可以通过学生的人格特质和动机来解释，而 SA 作为中介因素则没有显着影响。因此，在 F2F 样本中没有获得对这四个假设的支持。如图 3所示，发现人格特质对 SA 有显着负向影响（b= -0.55，p < 0.01），而三个人格特质对中介变量有显着影响：责任心（b = 0.35，p < 0.05）、开放性经验（b = 0.72，p < 0.001）和情绪稳定性（b = 0.67，p < 0.001）。这意味着学生的人格特质越高，他们的SA水平就越低。还发现动机对 SA 具有负边际显着影响 (b= -0.36, p = 0.065)，而所有动机类型对中介变量都有显着影响：外部调节 (b = 0.58, p < 0.001)、内射监管（b = 0.98，p < 0.001），识别监管（b = 0.36 p < 0.001）和内在动机（b = 0.34，p < 0.01）。换句话说，学生的积极性越高，他们越不焦虑。平均绩点（b = 0.46，p < 0.05）是另一个对 SA 有显着负面影响的变量。学生的平均绩点越高，他们的 SA 就越低。还发现性别和年龄对 SA 有显着影响（分别为 b = 0.22，p < 0.05 和 b = 0.23，p < 0.01）。因此，女性比男性经历更多的 SA，并且学生年龄越大，SA 就越大。

学术不诚实分析 - ERT 样本
ERT样本中AD的结构模型如图4所示 。

分析结果表明，AD 的方差是由学生的人格特质和学生之前的成绩来解释的，并以 SA 为中介。因此，在ERT样品中确认了H 2和H 4 。SA是对学术不端行为影响最大的变量，总影响率为49%。如图 4所示、考试和课堂焦虑是 SA 中最有影响力的组成部分；它具有较高的效应之一（b = 0.83，p < 0.001）。学生对考试和课堂焦虑的 SA 水平越高，他们作弊的倾向就越高。同样，SA 中关于害怕寻求帮助的成分也被发现具有很强的显着影响（b = 0.82，p < 0.001）。学生对寻求帮助的恐惧程度越高，他们从事学术不端行为的可能性就越高。此外，解释焦虑（b = 0.80，p < 0.001）是影响学术不端行为的另一个重要因素。此外，性格特征被发现对 SA 有显着的负面影响（b = -0.55，p < 0.001），同时对动机有显着的积极影响（b = 0.46，p < 0.01），而所有人格特质对中介变量都有显着影响：外向性（b = 0.36，p < 0.001），宜人性（b = 0.38，p < 0.001），责任心（b = 0.58，p < 0.001），对经验的开放性（ b = 0.55，p < 0.001）和情绪稳定性（b = 0.54，p < 0.001）。这意味着学生的上述人格特质之一的水平越高，他们的积极性就越高，焦虑也就越少。另一组对 SA 有负面显着影响的变量是与以前学生成绩相关的变量 (b= -0.46, p < 0.05)：平均绩点 (b = 0.53, p < 0.05)、数学水平 (b = 0.25, p < 0.05）和数学入学成绩（b = 0.42，p < 0.05）。以前的学生成绩越高，SA 水平越低。外向性（b = 0.36，p < 0.001），宜人性（b = 0.38，p < 0.001），责任心（b = 0.58，p < 0.001），对经验的开放性（b = 0.55，p < 0.001）和情绪稳定性（b = 0.55，p < 0.001） = 0.54，p < 0.001）。这意味着学生的上述人格特质之一的水平越高，他们的积极性就越高，焦虑也就越少。另一组对 SA 有负面显着影响的变量是与以前学生成绩相关的变量 (b= -0.46, p < 0.05)：平均绩点 (b = 0.53, p < 0.05)、数学水平 (b = 0.25, p < 0.05）和数学入学成绩（b = 0.42，p < 0.05）。以前的学生成绩越高，SA 水平越低。外向性（b = 0.36，p < 0.001），宜人性（b = 0.38，p < 0.001），责任心（b = 0.58，p < 0.001），对经验的开放性（b = 0.55，p < 0.001）和情绪稳定性（b = 0.55，p < 0.001） = 0.54，p < 0.001）。这意味着学生的上述人格特质之一的水平越高，他们的积极性就越高，焦虑也就越少。另一组对 SA 有负面显着影响的变量是与以前学生成绩相关的变量 (b= -0.46, p < 0.05)：平均绩点 (b = 0.53, p < 0.05)、数学水平 (b = 0.25, p < 0.05）和数学入学成绩（b = 0.42，p < 0.05）。以前的学生成绩越高，SA 水平越低。体验的开放性（b = 0.55，p < 0.001）和情绪稳定性（b = 0.54，p < 0.001）。这意味着学生的上述人格特质之一的水平越高，他们的积极性就越高，焦虑也就越少。另一组对 SA 有负面显着影响的变量是与以前学生成绩相关的变量 (b= -0.46, p < 0.05)：平均绩点 (b = 0.53, p < 0.05)、数学水平 (b = 0.25, p < 0.05）和数学入学成绩（b = 0.42，p < 0.05）。以前的学生成绩越高，SA 水平越低。体验的开放性（b = 0.55，p < 0.001）和情绪稳定性（b = 0.54，p < 0.001）。这意味着学生的上述人格特质之一的水平越高，他们的积极性就越高，焦虑也就越少。另一组对 SA 有负面显着影响的变量是与以前学生成绩相关的变量 (b= -0.46, p < 0.05)：平均绩点 (b = 0.53, p < 0.05)、数学水平 (b = 0.25, p < 0.05）和数学入学成绩（b = 0.42，p < 0.05）。以前的学生成绩越高，SA 水平越低。另一组对 SA 有负面显着影响的变量是与以前学生成绩相关的变量 (b= -0.46, p < 0.05)：平均绩点 (b = 0.53, p < 0.05)、数学水平 (b = 0.25, p < 0.05）和数学入学成绩（b = 0.42，p < 0.05）。以前的学生成绩越高，SA 水平越低。另一组对 SA 有负面显着影响的变量是与以前学生成绩相关的变量 (b= -0.46, p < 0.05)：平均绩点 (b = 0.53, p < 0.05)、数学水平 (b = 0.25, p < 0.05）和数学入学成绩（b = 0.42，p < 0.05）。以前的学生成绩越高，SA 水平越低。

如表3所示 ，分析结果表明，在任何学习环境中，人格特质和SA之间不存在通过动机中介的显着间接影响。因此，没有获得H 1的支持。在 POE 和 ERT 样本中发现了 SA 介导的人格特质与 AD 之间存在显着的间接影响，从而部分证实了 H 2。仅在 POE 样本中发现通过动机的中介在学生成绩和 SA 之间存在显着的间接影响，从而部分证实了 H 3。仅在 ERT 样本中发现通过 SA 的中介，学生成绩与 AD 之间存在显着的间接影响，从而部分证实了 H 4..

讨论
学术机构促进和维护学术诚信是值得关注的重大问题（Chugh 等人，2021）。这同样适用于数字完整性，它已成为一项关键的 21 世纪技能，影响着学生以道德方式处理和分享知识的能力 (Miller 2019 )，同时保持他们的表现水平 (Amigud 和 Lancaster 2019 )）。在此背景下，本研究首次对不同学习环境（F2F、POE 和 ERT）中的学术道德行为、SA、人格特质和动机进行了比较。此外，它依赖于自决理论，并扩展了有关学生不诚实行为（缺乏学术诚信）的现有文献以及他们在统计入门课程中参与此类行为的动机。根据学术文献（Krou et al. 2021），我们认为了解不道德学术行为中涉及的动机和焦虑相关机制是设计未来教学、学习和评估方法的关键（Etgar et al. 2019；Steinberger等人，2021）。

结果表明，学习环境（F2F、POE 和 ERT）会影响 SA、动机、人格特质和 AD 的交互作用并发挥重要作用 (H 4 )。此外，研究结果表明 AD 在 POE 中比在 F2F 和 ERT 环境中更普遍。这项研究的结果改进了之前研究中采用的模型（Peled 等人，2019 年；Steinberger 等人，2021 年））通过揭示 SA 在包括学习环境在内的环境中发挥着重要作用，在人格特质和 AD 之间发挥着重要作用。更具体地说，本研究表明学习环境决定SA的中介作用。在数字学习环境（POE、ERT）中，学生的人格特质与 AD 之间存在中介作用。在物理学习环境 F2F 中无法建立类似的并行中介。与学术文献一致（Whittle et al. 2020），这些差异可能归因于教师在不同学习环境中的影响。这种差异可能是由于 POE 和 ERT 学习模式中的虚拟交流和缺乏学术导师的实际存在造成的，这可能会增加学生的焦虑。然而，F2F 学习的主要特点是学生与教师和同学直接、即时的互动。教师不在场可能会导致不确定性和焦虑，并直接影响学生的道德去抑制。

此外，检查两种数字环境的差异表明，在 ERT 中，SA 在学生之前的成绩和 AD 之间发挥中介作用。在 POE 环境中找不到类似的并行中介。这种差异可能归因于教育交付方法（异步与同步），这会影响学习质量和过程（Steinberger et al. 2021）。此外，在全球大流行期间，在没有事先准备的情况下立即转向数字学习给学生带来了严重的困扰。这些人被迫应对存在的健康焦虑和持续的不确定性，同时继续采取艰巨的方针，可能会唤醒SA。此外，由于在没有任何事先教学准备的情况下立即实施远程教学，ERT 的远程教学质量较低（Hollweck 和 Doucet 2020）。因此，面临这种特殊和极端情况的学生可能完全依赖于他们以前的学术经验或一般研究成果，更具体地说，数学研究成果。一个成功的学生可能不会那么担心统计数据，从而避免不道德的行为。另一方面，在异步在线课程中，一个人以前的学业成功经验与由SA介导的AD无关。

结论
学习是一项由社会决定的活动（Goodhart 2020），因为个人可以向他人学习或与他人一起学习，即使是远距离的学习。因此，在线课程应根据以学生为中心的方法进行设计（Rapanta et al. 2020）。上述内容可能包括：教师的即时性、改进的沟通、基于学习任务预先计划的现实生活（Neumann 等人，2013）以及对学生进度的监控，其中使用持续形成性评估是关键（Torres Martín 等人，2021））。这种方法可以创造最佳的课堂氛围，克服数字学习的局限性，并减少 SA 和 AD。因为，教师的即时性和直接沟通在 F2F 教学中具体化，而 POE 和 ERT 则依赖于电子媒介的沟通。这反过来又增强了学生在整个学习过程中的自我能力和自主意识，从而减少了不诚实行为（Kanat-Maymon et al. 2015）。此外，对学习统计学的积极态度对于激励学生并唤醒他们对这门学科的兴趣至关重要。这些都会显着影响整体班级氛围和​​学生的学业成绩（Bromage 等人，2021）。在这种背景下，最近的奖学金显示，学生付费给外部代理来准备学术作业的趋势日益明显（合同作弊）（Birks et al. 2020）。造成这种情况的主要原因是学生对教学环境的不满、时间的压力以及由于当前各种技术可能性促进非道德行为而产生的作弊机会的认知（Amzalag et al. 2021）。因此，学者们强调，深化学生的参与和学习需要兼职教师参与讨论和交流想法，制定明确的政策和共同任务（Artiukhov 和 Liuta 2017）。

局限性和未来研究
在学术机构制定明确的考试政策以过渡到远程学习之前收集数据。因此，受访者对课程的评估方法（测试或论文）感到模糊，无法设计不道德行为策略。他们也不知道后者是在校园内进行还是以远程电子方式进行。与任何其他经验模型一样，本模型是分析和反映给定实践（其数据）的特定理论构造。换句话说，我们的模型提供了一般社会文化现象的特殊理论视角。这意味着研究、理论和实践都可能从关注额外背景和采用其他预测因素的类似测试中受益。