What do we know about interventions to improve educator wellbeing? A systematic literature review
Notice bibliographique
Résumé
Abstract This systematic literature review summarises the research into interventions intended to improve the wellbeing of educators in the early childhood to secondary sectors. A search of articles published between 2000 and 2020 yielded 23 articles that met our inclusion criteria. Studies were included if they collected quantitative or qualitative data about educator wellbeing pre-intervention and post-intervention from the same group(s) of educators. We classified articles into five categories based on their content: multi-foci (several content areas included in a program), mindfulness, gratitude, professional development (classroom practice oriented), and physical environment. The articles revealed wide variations in: wellbeing theories underpinning interventions, the phenomena measured, and the effectiveness of the interventions. In some studies wellbeing was conceptualised as the absence of negative states (such as stress), in other studies to the presence of positive states (such as satisfaction), and in a few studies as the combination of both these approaches. Some of the gaps noted across the research include the lack of attention to the role of the school climate in determining the success of an intervention, and the lack of analysis to explore whether interventions work better for some individuals than others (for example, a lack of reporting of the characteristics of participants who drop out of the interventions). Overall, the multi-foci interventions show the most promise for improving educator wellbeing.
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 | 0,039 | 0,186 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,003 |
| Méta-épidémiologie (sens large) | 0,014 | 0,010 |
| Bibliométrie | 0,024 | 0,018 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,007 | 0,008 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,005 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 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 ».