Climat scolaire et soutien à la radicalisation violente du personnel enseignant au Québec en contexte de pandémie de COVID-19 : facteurs de risque et facteurs de protection
Notice bibliographique
Résumé
Le soutien à la radicalisation violente en milieux éducatifs préoccupe les écoles. Il a été documenté chez des élèves de collège et d’écoles secondaires. Qu’en est-il du personnel enseignant? Cette étude examine les associations entre détresse psychologique, climat dans le milieu de travail et expériences d’adversité sociale, de même qu’avec le soutien à la radicalisation violente de personnes enseignantes d’origines diverses dans des écoles primaires et secondaires de différentes régions du Québec au cours des deux premières vagues de la COVID-19. De plus, elle explore si ces associations varient entre les personnes enseignantes issues de l’immigration et celles d’implantation plus ancienne. Au total, 891 personnes enseignantes ont répondu à un questionnaire en ligne. Des analyses de régression linéaire ont montré qu’un engagement professionnel plus important et une meilleure santé mentale étaient associés à moins de soutien à la radicalisation violente. Plus d’expériences de violence était un facteur de risque pour le soutien à la radicalisation violente, et ce, surtout pour les personnes issues de l’immigration. Ces résultats suggèrent que la promotion d’un climat de travail plus positif et inclusif, ainsi que le soutien psychologique au personnel enseignant représentent des pistes prometteuses pour réduire les risques de violence en milieu éducatif.
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 | 0,001 | 0,003 |
| 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 | 0,004 | 0,002 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».