How digital wellness is represented in school digital literacy and citizenship models: a qualitative comparative analysis
Notice bibliographique
Résumé
Research has begun to examine the role of digital wellness in educational contexts, suggesting that cultivating competencies such as self-regulation, emotional resilience, and intentional technology use may support healthier digital engagement and enhance both academic learning and student well-being. Despite its relevance, digital wellness remains underrepresented in educational discourse, often overshadowed by the dominant emphasis on digital literacy and digital citizenship in schools. Using the Qualitative Comparative Analysis-Based Research Synthesis (QCARS) method, this paper explored the representation of digital wellness within existing digital literacy and digital citizenship educational models or frameworks. In alignment with QCARS methodology, the synthesis was both descriptive and interpretive. Educational frameworks and models from the last 10–15 years (N = 15) were analyzed using a truth table informed by the QCARS method. Results revealed that fourteen of the twenty-four frameworks incorporated digital wellness constructs to varying degrees. The majority referred to digital wellness as a ‘subcomponent’ of digital literacy or digital competence, affirming their status as educational priorities globally. A notable observation, and a potential limitation of this analysis, is the terminological ambiguity, posing challenges for identification and comparison. As schools continue to navigate increasingly digital environments, cultivating not only digital competence but also digital wellness is critical.
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 | 0,033 | 0,031 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,006 | 0,007 |
| Études des sciences et des technologies | 0,007 | 0,012 |
| Communication savante | 0,006 | 0,007 |
| Science ouverte | 0,001 | 0,006 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».