Impact of Trauma-Informed Training and Mindfulness-Based Social–Emotional Learning Program on Teacher Attitudes and Burnout: A Mixed-Methods Study
Notice bibliographique
Résumé
Abstract A trauma-informed approach can give teachers the strategies they need to help children affected by trauma reach their full potential in the classroom. Mindfulness-based social–emotional learning (SEL) programs equip teachers with essential tools to create a trauma-informed classroom, which in turn helps alleviate stress associated with supporting trauma-impacted children. Because existing research on SEL programs has predominantly focused on student well-being, there is a paucity of research examining teacher outcomes and the integration of a trauma-informed framework. The purpose of the study was to investigate the benefits of trauma-informed training and MindUP delivery on educator attitudes and burnout. Intervention educators received trauma-informed and MindUP training and implemented MindUP in their classrooms. Comparison educators did not participate in training and taught their usual curriculum. We compared trauma-informed attitudes and burnout levels among 112 educators ( n = 71 intervention, n = 41 comparison) using the Attitudes Related to Trauma-Informed Care (ARTIC) scale and the Maslach Burnout Inventory. Pre- and post-intervention quantitative data were augmented by qualitative focus group data. Results showed that educators in the intervention group reported significant decreases in emotional exhaustion, and significant improvements in the reactions subscale and overall scores on the ARTIC scale. Greatest improvements in self-efficacy and personal accomplishment were observed among educators who implemented MindUP for two consecutive years. These findings were supported by focus group data. Our results show that infusing trauma-informed training with an existing mindfulness-based SEL intervention may encourage teachers to embrace trauma-sensitive attitudes and reduce burnout.
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 | 0,000 |
| 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 ».