Climat scolaire et victimisation des enseignants ou des élèves : même combat ?
Bibliographic record
Abstract
Être victime de violence à l’école est un facteur qui affecte fortement le bien-être des personnes, élèves comme enseignants. Et améliorer le climat scolaire est souvent présenté, notamment dans des politiques publiques récentes, comme un moyen efficace pour prévenir ces violences. Dans cette présentation, nous passerons en revue les études empiriques qui se sont intéressées aux relations entre climat scolaire et victimisation à l’école, et nous discuterons de leurs limites théoriques et méthodologiques. Nous ferons ensuite état de deux études multiniveaux qui cherchent à dépasser ces limites, une réalisée au Québec (53 écoles, 11 241 élèves, 1 151 enseignants), l’autre en Belgique (37 écoles, 3 904 élèves, 834 enseignants). Ces études permettent de comparer les liens entre climat d’école, composition du public d’élèves et risque individuel de victimisation, chez les élèves et chez les enseignants. Les résultats font émerger à la fois des différences et des points communs entre élèves et enseignants. Ces résultats remettent en question plusieurs idées reçues concernant la conceptualisation et les effets supposés du climat scolaire. Les implications de ces résultats pour la recherche et la pratique seront discutées.
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 | 0.004 | 0.012 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.003 | 0.004 |
| Scholarly communication | 0.004 | 0.002 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.001 | 0.002 |
| 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".