Processus d’élaboration et de validation d’un questionnaire francophone sur les compétences socioémotionnelles des enseignants
Bibliographic record
Abstract
Cet article s’inscrit dans les recherches portant sur le bien-être des enseignants au Québec, plus spécifiquement, à brosser un portrait de leurs compétences socioémotionnelles (CSÉ) que les recherches ont jusqu’ici peu explorées. Face à l’absence de questionnaire en français (Yoder, 2014) pour évaluer les CSÉ, il a été proposé d’en élaborer un selon le processus en sept étapes de Frenette et al. (2019) qui maximise l’obtention de preuves de validité. Un échantillon de 401 enseignants a permis d’accumuler diverses preuves de validité soutenant l’utilisation de ce questionnaire. Les analyses effectuées ont montré que le modèle conceptuel à deux facteurs (intrapersonnel et interpersonnel) s’ajuste bien aux données. Selon la perception des enseignants québécois, les résultats pointent trois constats : 1) les CSÉ sont occasionnellement utilisées en classe ; 2) le volet interpersonnel est plus présent dans leurs interventions que le volet intrapersonnel ; et 3) les jeunes enseignants présentent des moyennes plus faibles pour le volet intrapersonnel comparativement à leurs collègues plus âgés. De futures recherches devront être réalisées pour appuyer ces constats et justifier l’importance d’introduire les CSÉ dans la formation des enseignants au Québec.
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 | 0.089 | 0.099 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.005 | 0.003 |
| Science and technology studies | 0.004 | 0.004 |
| Scholarly communication | 0.004 | 0.002 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.001 | 0.003 |
| Insufficient payload (model declined to judge) | 0.005 | 0.002 |
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".