Kulttuurien välisten erojen vaikutus suomen kielen oppimiseen ja opettamiseen
Notice bibliographique
Résumé
Tarkastelen maisterintutkielmassani kulttuurien välisten erojen vaikutusta suomen kielen opettamiseen ja oppimiseen. Lähtökohtana tämän aiheen valintaan ovat omat kokemukseni opiskeluajasta Varsovan yliopistossa, jossa opiskelin suomen kieltä. Puolassa työskentelevien suomalaisten lehtoreiden esimerkin avulla tutkin vieraassa kulttuurisessa ympäristössä opettavien ulkomaalaisten opettajien tilannetta. Tutkielmassani keskityn Suomesta ulkomaille lähteviin suomen kielen lehtoreihin ja heidän työhönsä. Tutkin sitä, millä tavalla suomalaisten lehtoreiden työ heille vieraassa ympäristössä ja ulkomaalaisten opiskelijoiden opettaminen eroaa heidän työtavoistaan suomalaisissa yliopistoissa ja mitä mieltä puolalaiset opiskelijat ovat heidän opettamistavoistaan. Yritän selvittää, kuinka merkittäviä ovat mahdolliset Puolan ja Suomen opetuskulttuurien väliset erot ja miten ne voivat vaikuttaa kielen opettamiseen ja oppimiseen. Häiritsevätkö erot opetusta vai tuovatko ne vaihtelua opiskeluelämään? Tutkielman aineiston muodostavat vuonna 2013 tekemäni kyselyt Puolassa työskentelevien suomalaisten lehtoreiden sekä suomen kieltä pääaineena opiskelevien puolalaisten opiskelijoiden kanssa. Aineiston avaamisessa olen käyttänyt pääasiassa laadullisen sisällönanalyysin menetelmää. Aineistoanalyysin teoriataustana ovat G. Hofsteden kulttuurintutkimus sekä opettaja- ja oppijakeskeisen kulttuurin teoria. Tutkimukseni tuloksena on mahdollista vahvistaa joidenkin teoriapohjalla oletettujen kulttuurien välisten erojen olemassaolo ja kertoa ilmiöistä, jotka tulivat ilmi kyselyjen pohjalta. Tärkeimpänä tutkimustuloksena voi pitää sitä, että sekä haastateltujen opettajien että opiskelijoiden mielestä kulttuurien väliset erot eivät vaikuta negatiivisesti opiskeluprosessiin. Tutkimustulokseni voivat toimia oppaana Puolaan lähteville suomalaisille opettajille ja olla hyödyllisenä tiedonlähteenä kaikille, jotka ovat kiinnostuneita opetuksesta monikulttuurisessa ja -kielisessä ympäristössä.
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 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,005 | 0,002 |
| Communication savante | 0,009 | 0,004 |
| Science ouverte | 0,001 | 0,006 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,081 | 0,029 |
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 ».