Mieux saisir la résilience chez les enseignants : étude longitudinale d’unprocessus non linéaire
Bibliographic record
Abstract
La profession enseignante comporte un fort risque d’épuisement. Parce que le fait d’être très résilient s’accompagne d’un meilleur bien-être en faire la promotion dans ce corps de métier devient alléchant. Bien que le concept populaire ait fait naître nombre d’études, la majorité d’entre elles cible l’enfant ou l’adolescent. Très peu d’informations sont disponibles via des études longitudinales, et encore moins au niveau des adultes. Le processus de résilience s’avère donc difficile à décrire bien que le fait de surmonter l’adversité à des situations et des moments précis ne garantit pas du succès dans le futur. La résilience possède un caractère fluctuant. Notre étude longitudinale cible cent cinquante enseignants québécois du primaire et du secondaire et s’attarde au processus dans le temps. Des analyses préliminaires via MANOVA montrent que les plus résilients sont aussi ceux qui sont le plus en bienêtre, aux deux temps de mesure. Par contre, alors que les moins résilients ont des niveaux de résilience et de bien-être supérieurs à la deuxième mesure, les plus résilients au temps un voient leur niveaux diminués aussi bien pour la résilience que pour le bien-être. D’autres variables médiatrices, organisationnelles et personnelles, peuvent intervenir. Le soutien et les contraintes entourant la profession peuvent influencer les capacités personnelles de résilience. Les enseignants les plus résilients sont tout autant à risque de brisure de résilience.
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 | 0.006 | 0.009 |
| Meta-epidemiology (narrow) | 0.000 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.002 | 0.002 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.004 | 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".