Faculty Burnout in Higher Education: Effects on Student Engagement, Learning Outcomes, and Artificial Intelligence-Driven Institutional Responses
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Faculty burnout is a significant challenge in higher education, impacting educators and students. This condition, characterized by emotional exhaustion, depersonalization, and reduced effectiveness, leads to decreased teaching quality and student engagement. Stress factors, including heavy workloads, administrative pressures, and job insecurity, contribute to burnout, which in turn leads to faculty attrition and poorer student outcomes. This study utilizes the SANRA (Scale for the Quality Assessment of Narrative Review Articles) framework to provide a high-quality review of existing research. The research explores the causes and consequences of faculty burnout, its impact on students, and potential institutional solutions. The review examined 20 peer-reviewed journal articles that provide a comprehensive analysis of the issue. The study identifies common factors contributing to burnout, its adverse effect on student academic performance, and practical strategies for alleviating burnout. The results demonstrate that educator burnout decreases student motivation, lowers engagement, and poorer educational outcomes. Contributing factors include overwhelming workloads, administrative demands, and lack of institutional support. Digital tools and AI-driven automation are underutilized yet promising solutions for reducing faculty workload. To address burnout, it is essential to implement balanced workloads, provide mental health resources, and utilize technological innovations to support faculty well-being and enhance student success.
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.
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 découle