Management des établissements scolaires : l’appui sur l’intelligence émotionnelle et la bienveillance
Bibliographic record
Abstract
Cet article propose d’articuler la question de la bienveillance avec celle de l’intelligence émotionnelle dans le cadre du management des établissements scolaires. Il met en dialogue deux recherches (Bélanger, 2017 ; Réto, 2017) qui s’intéressent à un échantillon de dirigeants d’établissement d’enseignement en contexte québécois et en contexte français. Il prend appui sur la clarification de la notion de bienveillance, en lien avec l’éthique du care, et précise l’interdépendance de l’intelligence émotionnelle et des compétences émotionnelles en lien avec le modèle du savoir agir avec compétence. L’étude sur les compétences émotionnelles exercées en situation professionnelle par les directrices et les directeurs généraux des cégeps au Québec a permis d’enrichir le modèle de Mikolajczak et al. (2014) par l’ajout de deux nouvelles compétences inspirées par l’éthique du care. Cette nouvelle dimension conceptuelle suscite une réflexion associative entre l’intelligence émotionnelle et la bienveillance. Un regard est donc porté sur le « management bienveillant » et permet d’interroger le rôle de l’intelligence émotionnelle dans sa mise en pratique par les directions d’établissement scolaire.
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 | 0.007 | 0.011 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.002 | 0.001 |
| Science and technology studies | 0.006 | 0.008 |
| Scholarly communication | 0.009 | 0.005 |
| Open science | 0.002 | 0.006 |
| Research integrity | 0.002 | 0.004 |
| Insufficient payload (model declined to judge) | 0.008 | 0.001 |
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".