GLOBAL TRENDS AND THEMES IN SOCIAL AND EMOTIONAL LEARNING (SEL) COMPETENCIES AMONG EDUCATORS: A BIBLIOMETRIC ANALYSIS
Notice bibliographique
Résumé
Educators’ Social and Emotional Learning (SEL) competencies foster a comprehensive teaching and learning process. This bibliometric analysis investigates the research landscape of lecturers’ SEL competencies over the last 25 years. Data are collected from Scopus and were analysed using MS Excel, Harzing’s Publish or Perish, and VOSviewer. A total of 151 papers were selected for analysis using PRISMA. The results of this study highlighted publication trends, influential contributors, key research areas, and international collaborations in SEL. The number of publications related to SEL competencies rose sharply after 2020, peaking at 32 papers in 2024. The United States takes the lead in research contributions with 99 papers, followed by Canada and other countries across Europe and Asia. The concentration of SEL research in Social Sciences (128 papers) and Psychology (59 papers) illustrates a wide-ranging interdisciplinary relevance in SEL. SEL research indicates key themes include emotional intelligence, classroom management, student engagement, equity, and mental health. The widely cited works of Hellman & Milling (2020) and Mondi & Reynolds (2021) underscore the importance of SEL in education and early intervention studies. Co-authorship and co-citation analyses demonstrate active collaborative networks among scholars and institutions such as Arizona State University. Keyword co-occurrence analyses further revealed emerging trends like social justice, inclusion, and the integration of SEL into digital and culturally responsive educational practices. The study further suggests that it is essential to cultivate an SEL-supportive learning environment through educator SEL skills and techniques.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,037 | 0,024 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».