Teacher anger as a double-edged sword: Contrasting trait and emotional labor effects
Notice bibliographique
Résumé
Abstract In contrast to teachers’ positive emotions, such as enjoyment and enthusiasm, teachers’ negative emotions and the regulation of negative emotions have received limited empirical attention. As the most commonly experienced negative emotion in teachers, anger has to date demonstrated mixed effects on teacher development. On the one hand, habitual experiences of anger (i.e., trait anger ) exhaust teachers’ cognitive resources and impair pedagogical effectiveness, leading to poor student engagement. On the other hand, strategically expressing, faking, or hiding anger in daily, dynamic interactions with students can help teachers achieve instructional goals, foster student concentration, and facilitate student engagement. The current study adopted an intensive daily diary design to investigate the double-edged effects of teachers’ anger. Multilevel structural equation modeling of data from 4,140 daily diary entries provided by 655 practicing Canadian teachers confirmed our hypotheses. Trait anger in teachers was found to impair teacher-perceived student engagement. Daily genuine expression of anger corresponded with greater teacher-perceived student engagement; daily faking anger impaired perceived student engagement, and daily hiding anger showed mixed results. Moreover, teachers tended to hide anger over time, and were reluctant to express anger, genuine or otherwise, in front of their students. Finally, genuine expression and hiding of anger had only a temporary positive association with teacher-perceived student engagement, with student rapport being optimal for promoting sustained observed student engagement.
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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 ».