Las emociones como predictoras del engagement laboral en docentes de una institución educativa privada del Perú
Bibliographic record
Abstract
El presente estudio tuvo como objetivo determinar el nivel de engagement en docentes de una entidad educativa privada en el Perú, y si es que sus emociones predicen dicho nivel de engagement. Con el fin de sustentar teóricamente las hipótesis planteadas, se utilizó el Modelo Circumplejo de Emociones de Russell (2005); asimismo, dicho modelo, complementado por Bakker y Oerlemans (2011), fue utilizado para la variable engagement. El diseño de la investigación fue de tipo cuantitativo, explicativo, no experimental y transversal; en él participaron 293 docentes pertenecientes a la región Lima Sur, de los tres niveles escolares (inicial, primaria y secundaria) de la institución educativa mencionada. Los resultados encontrados en este estudio demostraron que las emociones predicen significativamente el engagement; en ese sentido, se halló que las emociones positivas predicen positivamente el engagement y las negativas lo predicen negativamente, en particular, con mayor incidencia en la dimensión vigor para ambos casos. Basados en los resultados indicados, se desarrolló un plan de acción a ser implementado en la organización seleccionada, cuyo objetivo busca optimizar y mantener el nivel de engagement en la organización; asimismo, busca promover las emociones positivas y reducir las negativas en sus docentes.
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 | 0.004 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.000 | 0.003 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.005 | 0.000 |
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".