The Relationship Between Longevity and a Leader’s Emotional Intelligence and Resilience
Notice bibliographique
Résumé
The role of an educational leader is complex, challenging and, at times, fraught with adversity. Overcoming the many challenges and hardships, and flourishing as an educational leader, requires resilience and an instinct for survival. According to Maulding, Leonard, Peters, Roberts and Sparkman (2012), understanding how to prevail in the face of difficult conditions, by employing one’s emotional strengths as well as vulnerabilities and how to increase one’s ability to remain resilient, is valuable for an educational leader to succeed in the face of adversity. The purpose of this study was to research Montana educational leaders to discern whether emotional intelligence (EI) is necessary to remain resilient and successful in a leadership role despite adversity. This quantitative research was undertaken as a non-experimental, ex post facto, or after-the-fact research. Participants for this study included sixty-one superintendents, principals, and assistant principals, from a population of 935 educational leaders, who held a leadership position in the State of Montana during the 2017-2018 school year. A linear regression was used to examine the proportion of variance in years in a leadership position that can be explained by emotional intelligence and resilience. This analysis demonstrated that some EI competencies appear to have an effect on the longevity of an educational leader in a position. However, the effects vary between assistant principals, principals, and superintendents, not all competencies were equal. The coefficient of determination showed assistant principals and principals’ years of service is more strongly influenced by all emotional intelligence competencies than is that of the superintendent.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».