Bibliographic record
Abstract
L a partie 1 de cet ouvrage porte sur le bien-être à l'école.Sept chapitres la composent, certains d'entre eux étudient le bien-être à l'école de l'ensemble de ses acteurs et actrices -élèves et enseignants et enseignantes -, d'autres sont plus enclins à s'intéresser au bien-être de l'élève, alors que d'autres encore étudient plutôt le bien-être du personnel enseignant.Les trois premières contributions sont européennes.Successivement, des auteurs et autrices universitaires de France, Roumanie et Suisse portent un regard national sur la question du bien-être à l'école dans leur pays respectif.Les quatre contributions suivantes sont canadiennes.Tour à tour, des auteurs et autrices universitaires de l'Alberta, du Québec, de la Saskatchewan et du Nouveau-Brunswick portent un regard provincial sur la question du bien-être à l'école dans leur province respective.Dans ces sept chapitres, il s'agit alors, pour le lectorat, de mieux saisir la façon dont, nationalement en Europe ou provincialement au Canada, la question du bien-être à l'école est envisagée, définie et investie au moyen des textes officiels, de la littérature scientifique puis, en fonction de ces éléments, de prendre connaissance de recommandations pouvant être émises au bénéfice, dans ces pays et provinces, du bien-être à l'école.
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 | 0.001 | 0.003 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.005 | 0.002 |
| Scholarly communication | 0.010 | 0.006 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.003 | 0.005 |
| Insufficient payload (model declined to judge) | 0.156 | 0.045 |
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".