Thriving after crisis: Mixed-method research of teacher resilience after COVID-19
Notice bibliographique
Résumé
The aftermath of COVID-19 continues to significantly affect K-12 educators, resulting in heightened workloads and diminished commitment, well-being, and health. School leaders are still grappling with persistent concerns regarding post-pandemic teacher burnout and attrition. To address these challenges, some researchers advocate fostering resilience to help teachers. This paper delves into the post-pandemic resilience of K-12 teachers in Alberta, Canada. Using an explanatory sequential mixed-method research design, Wagnild’s Resilience Survey and Resilience Supporting Questionnaires yielded quantitative data (N=71) for descriptive statistical analysis, followed by in-person semi-structured interviews (N=6), providing qualitative insights into correlated teacher behaviors. For example, resilient teachers regularly use their time and skills to help and encourage others, learn new things, and take their responsibilities seriously. Findings revealed that highly resilient teachers emphasized maintaining balance, engaging meaningfully with others, and taking personal responsibility, suggesting that resilience emerged from coping strategies and purpose-driven behaviors. This study concludes that resilience is a multifaceted process, and fostering it requires coordinated efforts between individual practices and systemic administrative support. The results offer insights and recommendations to guide administrative decisions that strengthen personal and programmatic support, encouraging behavior that fortifies resilience and increases teacher commitment and well-being.
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| 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 | 0,001 | 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 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 ».