Burnout Experience among Iranian Teachers during the COVID-19 Pandemic
Notice bibliographique
Résumé
This study represents the first attempt to explore teachers’ burnout experience during one of the most critical phases of the COVID-19 pandemic in Iran. The main goals were to estimate the prevalence of burnout in Iranian men and women teachers and analyse the association of sociodemographic variables on burnout levels. A total of 125 Iranian teachers participated in this study. Results suggest that Iranian teachers perceive high levels of burnout during the COVID-19 pandemic, with 24% of participants reporting high levels of overall burnout. Furthermore, 32% of the sample reported high levels of physical fatigue, 24.8% high levels of cognitive weariness, and 17.6% high levels of emotional exhaustion, suggesting that a considerable number of Iranian teachers are already struggling to deal with their job-related stressors. Significant differences were found for sex, with men reporting higher exhaustion than women. No significant differences were found between other sociodemographic characteristics and burnout. We analyse the results from a cultural perspective and discuss its implications for future research and psychological interventions in schools. Future studies explore how school contextual variables can mediate or moderate the effect of sociodemographic characteristics on teachers’ burnout. Intervention programmes should consider local schools’ characteristics and be sensitive to teachers’ individual needs and consider the added weight of the pandemic to teachers’ daily job-related stressors.
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 | 0,001 | 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 | 0,001 |
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 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 ».