Predicting teacher resilience by using artificial neural networks: influence of burnout and stress by COVID-19

Abstract

Background: Resilience in teachers allows them to face difficult situations to recover from adversity and there are gender differences. Likewise, artificial intelligence and the techniques associated with it have proven to be very useful in predicting educational variables and studying the interconnection between them after COVID-19. That said, the general objective of this research was to predict the levels of resilience in secondary school teachers through the design of an artificial neural network (ANN). Method: The Brief Resilient Coping Scale, the Maslach Burnout Inventory and the COVID-19 Stress Questionnaire were administered to 401 secondary school teachers (70.6% female) from schools in southeastern Spain, with a mean age of 44.36 years (SD = 9.38). Results: Differences were found in the configuration of the predictive models of resilience between male and female teachers, with the independent variables contributing to different degrees depending on gender. Conclusions: It is highlighted the usefulness of ANNs in the educational setting and the need to design more adjusted programs. Antecedentes: La resiliencia en el profesorado permite afrontar situaciones difíciles y reponerse a la adversidad existiendo diferencias de género al respecto. Asimismo, la inteligencia artificial y las técnicas asociadas a ella han resultado ser de gran utilidad para predecir variables educativas y estudiar la interconexión entre ellas tras la COVID-19. Dicho esto, el objetivo general de esta investigación fue predecir los niveles de resiliencia en las profesoras y profesores de Secundaria a través del diseño de una red neuronal artificial (RNA). Método: Se administró la Escala Breve de Afrontamiento Resiliente, el Inventario de Burnout de Maslach y el Cuestionario de Estrés frente a la COVID-19 a 401 docentes de secundaria (70.6% mujeres) de centros educativos del sureste español, con una edad media de 44.36 años (DT= 9.38). Resultados: Se hallaron diferencias en la configuración de los modelos predictivos de la resiliencia entre profesoras y profesores contribuyendo las variables independientes en diferente grado en función del género. Conclusiones: Se pone de manifiesto la utilidad de las RNA en el ámbito educativo y la necesidad de diseñar programas más ajustados.

Do artificial neural networks dream of understanding sentence comprehension? A preliminary study ( ¿Sueñan las redes neuronales artificiales con entender la comprensión de frases? Un estudio preliminar )

“…Likewise, the type of school (public versus subsidized-private) seems to affect student outcomes, and so environmental variables influence the neural network, as in biological models (Berman et al, 2019). Regarding h5, it is confirmed that it is possible to design a model through an ANN capable of predicting the results of a series of variables from the field of educational psychology in the school population, following previous studies carried out with the educational community (Feng & Law, 2021;Martínez-Ramón et al, 2023), suggesting that there is a body of knowledge and evidence to support the feasibility of building this type of model, beyond other fields where its efficacy has also been demonstrated (Badman et al, 2020;Farivar et al, 2020;Gorospe-Sarasúa et al, 2021;Sánchez et al, 2021).…”

“…En cuanto a la h5, se confirma que es posible diseñar un modelo a través de una RNA capaz de predecir los resultados de una serie de variables del campo de la psicología educativa en la población escolar, siguiendo anteriores estudios realizados con la comunidad educativa (Feng & Law, 2021; Martínez-Ramón et al, 2023), lo cual sugiere que hay un cuerpo de conocimiento y evidencia que respalda la viabilidad de la construcción de este tipo de modelos, más allá de otros ámbitos donde también se ha demostrado su eficacia (Badman et al, 2020; Farivar et al, 2020; Gorospe-Sarasúa et al, 2021; Sánchez et al, 2021).…”

“…Dentro del modelo computacional y la inteligencia artificial (IA), las redes neuronales artificiales (RNA) se han utilizado en campos muy diversos como la economía, la ingeniería o la medicina (Farivar et al, 2020;Gorospe-Sarasúa et al, 2021). Sin embargo, no ha ocurrido lo mismo en el ámbito educativo, aunque actualmente se encuentra en fase de desarrollo (Haghighi et al, 2021;Martínez-Ramón et al, 2023). En este sentido, las RNA en educación tienen un gran potencial, y se espera que en los próximos años se desarrollen para poder predecir variables relacionadas con el proceso de enseñanza-aprendizaje, basándose en un paradigma computacional y conexionista (Zepeda, 2022).…”

“…Within computational modelling and artificial intelligence (AI), artificial neural networks (ANNs) have been used in very diverse fields such as economics, engineering or medicine (Farivar et al, 2020;Gorospe-Sarasúa et al, 2021). However, the same has not been true for the educational field, although it is currently under development (Haghighi et al, 2021;Martínez-Ramón et al, 2023). In this sense, ANNs in education have great potential, and are expected to be developed in the coming years to be able to predict variables related to the teaching-learning process, based on a computational and connectionist paradigm (Zepeda, 2022).…”

Understanding School Anxiety in Italian Adolescence through an Artificial Neural Network: Influence of Social Skills and Coping Strategies

“…In the field of statistical treatment of these variables, artificial neural networks (ANN) are advanced machine learning techniques that have been used to model and predict various human behaviors and conditions, including the variables of educational psychology [60][61][62]. ANNs are especially useful because of their ability to model nonlinear and complex relationships between predictor and outcome variables, which can be particularly relevant when studying psychological phenomena such as school anxiety [63,64].…”