Digital Frontiers: Investigating the Impact of Online Teaching Engagement on Thai Teachers’ Self-Efficacy and Burnout amid the Covid-19 Pandemic
Notice bibliographique
Résumé
This study aims to investigate experienced Thai teachers’ experiences of burnout during online teaching and learning, and examine how teachers’ self-efficacy and burnout levels impact their teaching performance. The research concerns differences in perceptions of emotional exhaustion, depersonalization, personal accomplishment/assessment, teachers’ self-efficacy, and online teaching performance among teachers in Thailand. The sample selection was conducted using a stratified random sampling technique. Data collection involved self-reported surveys from 243 elementary, secondary, and vocational schoolteachers in metropolitan areas and Thailand’s north, northeast, east, and south regions. MANOVA and correlation analysis were employed to analyze burnout, teachers’ self-efficacy, and teaching performance. The results indicated differences in online teaching performance and teachers’ self-efficacy between two groups: high-risk and moderate-to-low risk of burnout. Teachers with a low risk of burnout demonstrated higher self-efficacy and better performance during online teaching. The study identified two burnout subscales—emotional exhaustion and depersonalization—originally included in the Maslach’s burnout inventory. However, we also incorporated teachers’ online teaching performance into the assessment, necessitating modifying the Maslach Burnout Inventory. Regarding implications, we recommend practical applications in policy improvements related to teachers’ mental support and reducing burnout causes while enhancing online teaching performance.
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 | 0,001 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,000 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».