Osobna i profesionalna dobrobit učitelja u hrvatskim školama
Bibliographic record
Abstract
Učiteljska dobrobit je višedimenzionalni konstrukt koji obuhvaća pozitivne aspekte poput pozitivnih emocija, radnog angažmana, osjećaja smisla, ali i izostanak negativnih stanja kao što su stres i profesionalno sagorijevanje. Uslijed rastućeg broja izazova koji se pred učitelje postavljaju, uz istovremeno neadekvatne kompenzacijske mehanizme, moguće su posljedice za osobnu i profesionalnu dobrobit učitelja. Osim za osobu i njenu neposrednu okolinu, narušena dobrobit učitelja može imati značajne posljedice i za obrazovni sustav, primjerice za kvalitetu poučavanja, odnos s učenicima i kolegama, učiteljski absentizam, napuštanje profesije i dr. Znanstvena istraživanja i programi profesionalnog usavršavanja učitelja u Hrvatskoj, ali i šire, tek odnedavno posvećuju potrebnu pažnju problemu dobrobiti učitelja. Cilj ovog izlaganja je potaknuti raspravu o ulozi školskih psihologa u pružanju podrške dobrobiti učitelja, kroz predstavljanje polazišta i rezultata Erasmus+ projekta „Hand in Hand: Osnaživanje socio-emocionalnih kompetencija i svijesti o različitosti kod učitelja širom Europe“. U okviru projekta osmišljen je program profesionalnog usavršavanja učitelja koji je tijekom školske godine 2022./2023. proveden i evaluiran u 5 europskih zemalja, uključujući i Hrvatsku. U izlaganju će ukratko biti predstavljene ključne komponente i aktivnosti programa. Naposljetku će se sumirati iskustva 100-injak polaznika Hand in Hand programa usmjerenog osnaživanju učitelja.
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 | 0.002 | 0.006 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.003 | 0.003 |
| Scholarly communication | 0.010 | 0.003 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.024 | 0.005 |
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".