Les variables associées à l’attitude du personnel enseignant du secteur collégial vis-à-vis des étudiantes et étudiants présentant un trouble de santé mentale
Bibliographic record
Abstract
Dans cet article, nous traitons des variables associées à l’attitude du personnel enseignant à l’égard d’étudiantes et étudiants présentant un trouble de santé mentale (TSM) et fréquentant seize cégeps au Québec. Ces variables regroupent le sexe, l’âge, l’expérience en enseignement et la source de connaissances sur les TSM. Le questionnaire évaluant l’attitude du personnel enseignant est constitué d’échelles duStudent Mental Illness Awareness Surveyet de trois échelles construites par l’équipe de recherche. Les résultats obtenus auprès de 232 enseignantes et enseignants sont présentés. Des analyses de variance univariées et des testsa posterioriont été réalisées. Certaines variables sont associées à une attitude plus positive à l’égard de ces étudiantes et étudiants : être une femme, être plus jeune, mais aussi enseigner depuis plus longtemps et avoir acquis des connaissances sur les TSM lors d’une formation universitaire ou en milieu de travail. En contrepartie, l’acquisition de connaissances sur les TSM par l’intermédiaire des médias est associée à une attitude plus négative. Ces travaux appuient l’efficacité des formations visant à améliorer l’attitude du personnel enseignant à l’égard des étudiantes et étudiants ayant un TSM et ainsi faciliter leur parcours scolaire. Les résultats éclairent l’effet potentiellement négatif des médias sur les attitudes. Nous proposons deux stratégies étudiées chez d’autres populations afin de contrebalancer cet effet.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.003 | 0.011 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.001 | 0.000 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.004 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".