MétaCan
Menu
← Retour à la cohorte
Enregistrement W7162950449 · doi:10.17605/osf.io/jav8g

Digital Interventions for Teacher Mental Health and Wellbeing: A Systematic Review and Meta-Analysis of Randomised Controlled Trials

2025· other· W7162950449 sur OpenAlexaboutno aff
Danielle Jaen, Theresa Dicke, Thomas Falls

Notice bibliographique

RevueOpen MIND · 2025
Typeother
Langue
Domaine
Thématique
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésMental healthBurnoutPsychological interventionCoping (psychology)FeelingPopulationDistressMental distressWell-being

Résumé

récupéré en direct d'OpenAlex

Mental health and wellbeing concerns are prevalent among teachers worldwide. Results from the 2023 International Barometer on Education Staff (I-BEST) surveying over 26,000 education personnel across 11 territories suggest that psychological health is a concern in many countries particularly Canada, France, and Belgium (Education and Solidarity Network, 2023). In a national survey of 4,245 Australian teachers, the Black Dog Institute found that almost half were considering leaving their job in the next 12 months and reported elevated levels of stress, anxiety, and depression compared to the general population and less than 20% of surveyed teachers reported feeling optimistic about the future (Black Dog Institute, 2023). Similarly, in a survey of 1,479 teachers in the United States, more than half of respondents reported experiencing frequent job-related stress and burnout and 22% reported challenges coping (Doan et al., 2024). High staff turnover and shortages, limited access to staff wellbeing support and resources, lack of time, and inadequate preparation to provide support after critical incidents are among the main contributors of poor mental health and wellbeing outcomes in teachers (Beyond Blue National Mental Health in Education Survey, 2024). Research also suggests that the mental health and wellbeing of teachers is closely tied to that of their students as greater teacher depressive symptoms are associated with poorer wellbeing and higher psychological distress in students (Harding et al., 2018). Interventions that support teachers’ mental health, wellbeing, and/or burnout are available but there are barriers to access (e.g., inconvenient locations and hours; Beames et al., 2023; Gearhart et al., 2022). In their meta-analysis and systematic review of interventions addressing teacher mental health, professional burnout, and/or wellbeing, Beames et al. (2023) found that most interventions use face-to-face modalities rather than online, requiring significant resources, time, and effort from participants. Mulvaney-Day et al. (2022) suggest that access to online behavioural health services post-pandemic may be an important consideration for employers when offering benefit packages to employees. Research further suggests that digital interventions show promise in the treatment of mental health conditions (Philippe et al., 2022). In their meta-analysis, Lehr et al. (2016) found that internet-based interventions can lead to reductions in depressive symptoms, perseverative thinking, and worry as well as improved sleep quality. The availability of technology-based healthcare is developing rapidly as the demand for more flexible healthcare increases (Lindardon et al., 2019). Therefore, an up-to-date systematic review and meta-analysis is needed to synthesise and assess the impact of digital interventions on teacher mental health and wellbeing.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,007
score de la tête « metaresearch » (Gemma)0,028
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Méta-analyse · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,013
Score d'incertitude au seuil0,036

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0070,028
Méta-épidémiologie (sens strict)0,0020,001
Méta-épidémiologie (sens large)0,0130,017
Bibliométrie0,0040,004
Études des sciences et des technologies0,0010,001
Communication savante0,0030,002
Science ouverte0,0020,002
Intégrité de la recherche0,0020,002
Charge utile insuffisante (le modèle a refusé de juger)0,0090,000

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.

Tête enseignante Opus0,185
Tête enseignante GPT0,445
Écart entre enseignants0,260 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeMéta-analyse
Domainenon disponible
GenreSynthèse

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueOpen MIND→Travaux en français237 207→