“Not try to save them or ask them to breathe through their oppression”: Educator perceptions and the need for a human-centered, liberatory approach to social and emotional learning
Notice bibliographique
Résumé
Introduction Social and emotional learning (SEL) has been identified as one approach to promote positive mental health outcomes while alleviating the stressors of systemic racism and a global pandemic. As the United States turns to SEL as a remedy for mental health challenges and the current civil unrest, it becomes increasingly relevant to understand what SEL means to those who use it the most to strengthen the implementation of current programs as well as to inform the development of new programs to fill existing gaps. Methods This abductive qualitative study expands prior research by exploring how in-service educators define SEL ( N = 427). Results Our findings highlight that educators perceive SEL as more expansive than current competency-based models. Educators describe SEL as a praxis that can be responsive to student and community needs, facilitate healing, and center humanity along with racial and social justice. Discussion We discuss implications that highlight the potential risks and harm that can be perpetuated by the current practice of SEL and, like the educators in our study, advocate for dismantling white supremacy structures in education through the co-creation of a humanizing SEL approach.
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 | 0,031 | 0,046 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,012 | 0,015 |
| Communication savante | 0,009 | 0,008 |
| Science ouverte | 0,002 | 0,009 |
| Intégrité de la recherche | 0,004 | 0,008 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,001 |
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 ».