Teknologia-avusteisen opetuksen yhteys 5.-luokkalaisten oppilaiden kokemaan motivaatioilmastoon, viihtymiseen ja liikuntamotivaatioon koulun liikuntatunneilla
Notice bibliographique
Résumé
Nina Hietanen ja Sanni Seppälä (2015). Teknologia-avusteisen opetuksen yhteys 5-luokkalaisten oppilaiden kokemaan motivaatioilmastoon, viihtymiseen ja liikuntamotivaatioon koulun liikuntatunneilla. Liikuntakasvatuksen laitos, Jyväskylän yliopisto, liikuntapedagogiikka pro gradu -tutkielma, 79 s., 4 liitettä. Tutkimuksen tavoitteena oli arvioida 5-luokkalaisten tyttöjen ja poikien kokemaa motivaatioilmastoa, sisäistä moti-vaatiota ja viihtymistä liikuntatunneilla. Tarkoituksena oli myös selvittää sukupuolten sekä teknologia-avusteisen liikunnanopetuksen ja perinteisen liikunnanopetuksen välisiä eroja edellä kuvatuissa muuttujissa. Tutkimuksen teh-tävänä oli lisäksi verrata, tapahtuuko motivaatioilmaston kokemisessa, sisäisessä motivaatiossa tai viihtymisessä muutosta tutkimuksen alku- ja loppumittauksen aikana. Tutkimuksen kohdejoukkona oli Joensuun Normaalikoulusta yksi viides luokka (n=24) sekä Jyväskylän Normaalikoululta kolme viidettä luokkaa (n=69). Yhteensä tutkimuksessa oli mukana 93 oppilasta, joista tyttöjä oli 43 ja poikia 50. Tutkimusta varten oppilaat täyttivät kyselylomakkeen kahteen kertaan, ensimmäisen kerran syyskuun alussa 2014 ja toisen kerran joulukuun alussa 2014. Molemmilla mittauskerroilla kyselyyn vastasi 89 oppilasta. Sisäistä motivaatiota tarkasteltiin Sports Motivation Scale -mittarilla (Pelletier ym. 1995). Motivaatioilmaston tutkimiseen käytettiin Soinin ym. (2014) Motivational Climate in Physical Education Scale -mittaria. Viihtymistä liikuntatunneilla puolestaan mitattiin Soinin (2006) muokkaamalla Enjoyment in Sport -mittaristolla (Scanlan ym. 1993). Mittareiden luotettavuutta tarkasteltiin eksploratiivisen faktorianalyysin, Pearsonin tulomomenttikorrelaatiokertoimen ja Cronbachin alfakertoimen avulla. Tuloksia analysoitiin t-testin ja Pearsonin tulomomenttikorrelaatiokertoimen avulla. Oppilaat kokivat liikuntatuntien ilmaston enemmän tehtäväsuuntautuneeksi kuin minäsuuntautuneeksi. Pojat kokivat liikuntatunnit molemmissa mittauksissa enemmän minäsuuntautuneiksi kuin tytöt. Sekä teknologiaa hyödyntävän liikunnanopetusryhmän että perinteisen liikunnanopetusryhmän oppilaat kokivat liikuntatunneilla koko tutkimuksen ajan keskimäärin hyvin korkeaa sosiaalista yhteenkuuluvuutta. Molemmissa liikunnanopetuksen ryhmissä autonomian kokeminen laski toisella mittauskerralla. Molemmat ryhmät kokivat liikuntatunnit sisäisesti motivoiviksi. Teknologiaa hyödyntäneet oppilaat kokivat loppumittauksessa enemmän sisäistä motivaatiota liikuntaa kohtaan. Oppilaat, jotka olivat mukana perinteisessä liikunnanopetuksessa, eivät kokeneet muutosta sisäisessä motivaatiossa alku- ja loppumittauksen välillä. Heidän kokema sisäisen motivaation keskiarvo oli kuitenkin korkeampi kuin teknologiaa hyödyntäneen luokan keskiarvo. Tehtäväsuuntautunut ilmasto oli molemmilla mittauskerroilla myönteisesti yhteydessä viihtymiseen ja sosiaaliseen yhteenkuuluvuuteen. Oppilaiden sisäinen motivaatio ja viihtyminen olivat todella voimakkaasti yhteydessä toisiinsa, erityisesti pojilla. Oppilaat viihtyivät hyvin sekä teknologia-avusteisilla että perinteisillä liikuntatunneilla. Pojat viihtyivät kuitenkin tyttöjä paremmin molemmilla mittauskerroilla. Tulosten perusteella näyttäisi siltä, että tehtäväsuuntautuneen motivaatioilmaston luominen liikuntatunneille on tärkeää, koska tehtäväsuuntautuneisuus on myönteisesti yhteydessä viihtymiseen ja sosiaaliseen yhteenkuuluvuuteen alakouluikäisillä. Tehtäväsuuntautunutta motivaatioilmastoa tulisikin korostaa koululiikunnassa, sillä viihtyminen ja sosiaalisen yhteenkuuluvuuden tunne ovat lapsille ja nuorille tärkeitä tekijöitä liikuntamotivaation kehittymisen kannalta. Tutkimuksen perusteella teknologian hyödyntämisestä liikunnanopetuksessa ei näyttäisi olevan haittaa motivaatioilmastolle, viihtymiselle eikä sisäiselle motivaatiolle.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,006 | 0,004 |
| Communication savante | 0,010 | 0,005 |
| Science ouverte | 0,001 | 0,004 |
| Intégrité de la recherche | 0,002 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,050 | 0,014 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».