Understanding language teacher wellbeing: An ESM study of daily stressors and uplifts
Notice bibliographique
Résumé
This study focuses on understanding language teachers’ lived experiences of their stressors and positive uplifts from a holistic perspective covering their professional lives in school, their personal lives beyond, and the connection between the two. The aim was to explore the nature of teachers’ experiences of stress and how they spilled over from work into home domains. We also were keen to understand the dynamics of their experiences of stress and how their perception of daily stressors was related to their overall sense of wellbeing as well as their life and chronic stressors. The data were collected via a specially created app, which collected survey data and experience sampling method (ESM) data from language teachers across the globe. Teachers’ wellbeing was investigated using the PERMA Profiler (Butler & Kern, 2016), their personality using Goldberg’s (1992) Big Five measurement tool, and a questionnaire on chronic stressors and stressful life events. From a larger sample ( n = 47), a set of 6 case studies of teachers who scored highly for wellbeing and those who scored low on wellbeing was examined to explore in depth and across time, the relationships between overall wellbeing, chronic stressors and stressful life events, the experience of daily stressors, and perceptions of health. The findings point to the complexity of the relationships between stress, wellbeing, and health as well as the dynamism of stress and the relationships between stress experienced in the workplace and at home. The study has important implications for research in this area and reveals the merits of working with this innovative data collection tool.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,005 | 0,004 |
| Communication savante | 0,003 | 0,005 |
| Science ouverte | 0,001 | 0,005 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».