Teachers' profiles of work engagement and burnout over the course of a school year
Notice bibliographique
Résumé
Abstract This research relies on a combination of variable‐ and person‐centered approaches to improve our understanding of the dimensionality of work engagement and burnout. Among 1004 teachers who completed a questionnaire twice over an eight‐month period, our results first revealed that work engagement and burnout ratings simultaneously reflected two global overarching constructs co‐existing with six specific dimensions (vigor, dedication, and absorption as well as emotional exhaustion, cynicism, and professional efficacy). We then examined the profiles taken by these global and specific dimensions, documented their stability and interrelations over time, and tested their associations with theoretically relevant predictors. Three work engagement (Vigorously Engaged, Disengaged, Engaged) and three burnout (Burned‐Out, Adapted, Normative) profiles were identified. Most Disengaged teachers at Time 1 corresponded to the Burned‐Out profile at Time 2, and most Burned‐Out teachers at Time 1 corresponded to the Disengaged profile at Time 2. Workload perceptions increased teachers' likelihood of membership into the Disengaged profile relative to the Engaged one. In contrast, most job resources perceptions (control, rewards, and values) predicted an increased likelihood of membership into the Engaged profile relative to the Disengaged one.
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 | 0,000 | 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) | 0,001 | 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 ».