O-197 COVID-19 AND HEALTH AND SAFETY OF THE DIGITAL EDUCATORS: A CASE STUDY OF BANGLADESH
Notice bibliographique
Résumé
Abstract Introduction The COVID-19 pandemic led to significant changes in the education sector worldwide, forcing schools to shift to remote online teaching. As such, the digital teaching introduced unique occupational health stressors that posed a threat to the wellbeing of educators in Bangladesh. While much attention has been given to the quality of education, there is a lack of understanding regarding the impact on teachers’ lives and wellbeing. The study aimed to identify specific health risks and needs related to the transition to digital teaching. Methods Six Focus Group Discussions (n=48) were conducted to solicit the (primary and high school) teachers’ and tutors’ experiences of digital teaching. Using purposive sampling strategies, we recruited participants from different groups, including genders, rural and urban settings, and many more. Results The findings reveal the dynamics of challenges the teachers encountered, which included the blurring work-life, competing responsibilities (e.g.,caregiving), dual burden (e.g., household chores) for females while teaching remotely, access and learning new technology (e.g., technostress), anxiety stemming from salary suspension or job loss. However, many expressed a positive outlook because of the convenience of commuting to schools amidst traffic jams. Discussion In Bangladesh, neither Labor laws nor recently developed (2013) occupational health and safety (OHS) policies do not cover schoolteachers’ OHS. As the Ministry of Education has no specific guidelines, it is high time to identify occupational health risks exposed to digital educators. Conclusion Digital educators face numerous health-related challenges that need to be communicated with the existing policies to understand the gaps between policy and practice.
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 | 0,000 | 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) | 0,000 | 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 ».