Exploring Relationships Among Resilience, Engagement, Personality, and Performance in Teacher Education
Notice bibliographique
Résumé
Preservice teachers are the future of education and at the pinnacle of contemporary pedagogical practices, which could potentially influence generations of children. Investigating the relationships among preservice teachers’ resilience, engagement, personality traits, and their practicum and coursework performance is critical as it provides rich data for how preservice teachers professionally develop and succeed at the onset of their careers. Resilience, the quality of bouncing back from adversity; engagement, linked to workplace success and burnout, as well as personality, a stable trait of human behavior, are informative and measurable constructs. Self-reported grades on campus and in practicum; as well as self-evaluation on teaching confidence and preparedness are performance metrics in relation to these three psychological constructs. This study administered a five-part 39-item questionnaire to two-cohorts of 139 preservice teachers, one cohort beginning, and the other finishing their teacher education program. Descriptive statistics, factor analysis, correlation and regression analysis were completed. The results of this study indicated that engagement and two personality traits of conscientiousness and extraversion were significantly correlated and predicted four measures of performance. Although resilience was extracted as a single factor according to the BRS (Smith et al., 2008), this variable maintained no correlation to any of the four performance measures and negatively predicted self-evaluation of preparedness for teaching. Engagement was also extracted in a single factor, different from previous models using the ETS (Klassen, Yerdelen, & Durksen, 2013). Personality did not show any coherent factor structure in this study, and items were forced into respective personality factors according to previous work (Rammestedt & John, 2007). This study has important implications for teacher education and for teacher career onset and longevity.
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 | 0,002 | 0,005 |
| 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 | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| 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; 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 ».