Climat scolaire et soutien à la radicalisation violente du personnel enseignant au Québec en contexte de pandémie de COVID-19 : facteurs de risque et facteurs de protection
Bibliographic record
Abstract
Le soutien à la radicalisation violente en milieux éducatifs préoccupe les écoles. Il a été documenté chez des élèves de collège et d’écoles secondaires. Qu’en est-il du personnel enseignant? Cette étude examine les associations entre détresse psychologique, climat dans le milieu de travail et expériences d’adversité sociale, de même qu’avec le soutien à la radicalisation violente de personnes enseignantes d’origines diverses dans des écoles primaires et secondaires de différentes régions du Québec au cours des deux premières vagues de la COVID-19. De plus, elle explore si ces associations varient entre les personnes enseignantes issues de l’immigration et celles d’implantation plus ancienne. Au total, 891 personnes enseignantes ont répondu à un questionnaire en ligne. Des analyses de régression linéaire ont montré qu’un engagement professionnel plus important et une meilleure santé mentale étaient associés à moins de soutien à la radicalisation violente. Plus d’expériences de violence était un facteur de risque pour le soutien à la radicalisation violente, et ce, surtout pour les personnes issues de l’immigration. Ces résultats suggèrent que la promotion d’un climat de travail plus positif et inclusif, ainsi que le soutien psychologique au personnel enseignant représentent des pistes prometteuses pour réduire les risques de violence en milieu éducatif.
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) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.004 | 0.002 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.002 |
| 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".