Teachers’ Indicators Used to Describe Professional Well-Being
Notice bibliographique
Résumé
The teaching profession has been studied and discussed from a problem-oriented point of view and cultivated by a problem-oriented scientific tradition. Years of research have enabled a better understanding of difficult teaching conditions and teachers’ ill-being; an ideological and scientific shift, however, appears necessary to enrich and broaden our present knowledge. One particular question arises: which determinants optimize teachers’ professional well-being? In response, our study seeks to identify indicators that allow teachers to create, maintain or restore a state of professional well-being. Our research objective thus aims to describe teachers’ indicators regarding the “optimal functioning” that characterizes professional well-being (Seligman, 2011). The research protocol targets physical education teachers insofar as they are now recognized as leaders and models for promoting healthy lifestyles in schools and communities (MEQ, 2001). The methodology involved 5 focus groups composed of 37 teachers from 7 regions of Quebec. As the findings indicate, this approach allowed us to paint an integrative portrait of teachers’ indicators relative to professional well-being. Two categories have proved effective in terms of professional well-being: the first is Self and includes 4 variables: meaning, positive emotions, engagement and vitality; the second is Others and includes 3 sub-categories: students, colleagues and school administration. The sub-categories comprise 6 variables divided as follows: positive relationships, learning, collaboration, transfer (specifically for the two first sub-categories), followed by vision and valorization for the third sub-category.
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 | 0,000 |
| 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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 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 ».