Cyberbullying of professors: what measures are in place in universities and what solutions are proposed by victims?
Notice bibliographique
Résumé
Cyberbullying in the workplace is a growing phenomenon and universities are no exceptions. As teachers and researchers, university professors interact online with a diversity of people, placing them in a vulnerable position towards cyberbullying. Despite this situation, measures in universities are not well known and studies on the subject are scarce. The present article tackles this issue in presenting the results of a mixed-method research that aimed to analyze (1) measures in place associated with cyberbullying in universities and (2) solutions proposed by professors. To collect quantitative and qualitative data, a questionnaire (n = 202) was sent online and interviews (n = 9) were conducted with professors from two universities in Quebec, Canada. Besides confirming that measures in place associated with cyberbullying are largely unknown by professors, the results of the research show that they are often insufficient to manage the complexity and the diversity of professors’ cyberbullying incidents. To address this complexity, answers given by professors on possible solutions to prevent cyberbullying, manage incident and support victims were inductively analyzed. Solutions emanating from this analysis are presented such as empowerment, policy implementation and, clarity and independence of the reporting process. Implications of these solutions for future research and for universities are also discussed.
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 | 0,022 | 0,072 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,006 | 0,009 |
| Études des sciences et des technologies | 0,007 | 0,008 |
| Communication savante | 0,012 | 0,008 |
| Science ouverte | 0,002 | 0,005 |
| Intégrité de la recherche | 0,002 | 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 ».