Opetusvuorovaikutuksen laatu ja määrä 7. luokan matematiikan ja äidinkielen oppitunneilla
Notice bibliographique
Résumé
Oppilaiden oppimisprosesseja tulisi ohjata kouluissa mahdollisimman tehokkaasti, joten tästä syystä opetusvuorovaikutuksen tutkiminen on tärkeää. Opetusvuorovaikutuksen tutkimista varten kehitettiin opettajan ja oppilaan välistä opetusvuorovaikutusta luokitteleva menetelmätyökalu. Tämän lisäksi tutkimuksen toisena tehtävänä oli selvittää, missä määrin opetusvuorovaikutuskategorioita esiintyy CLASS-S-menetelmän mukaisesti pisteytetyillä oppitunneilla. Menetelmätyökalun avulla myös opetusvuorovaikutuskategorioiden ajalliset esiintyvyydet pystyttiin määrittelemään oppitunneilta. Tutkimuksen aineistona oli CLASS-S-menetelmän mukaisesti pisteytettyjä oppitunteja. CLASS-S:n avulla opetuksen laatua arvioidaan ja pisteytetään kolmen opetuksessa annetun tuen kautta. Nämä ovat ohjauksellinen tuki, organisatorinen tuki sekä tunnetuki. Tutkimuksen aineistona oli 15 Alkuportaat-tutkimusprojektissa videoitua ja CLASS-S:n mukaisesti pisteytettyä oppituntia. Videot oli kuvattu 7. vuosiluokan matematiikan ja äidinkielen oppitunneilla. Tuloksista ilmeni, että opetuksessa esiintyi ajallisesti eniten oppilaiden oppimista tukevaa opetusvuorovaikutuskategoriaa, kun taas oppilaiden oppimista laajentavaa opetusvuorovaikutuskategoriaa esiintyi vähäisesti. Yllättävä tutkimuslöydös havaittiin myös CLASS-S:n mukaisesti luokitelluilta oppitunneilta: oppilaan oppimista laajentavaa opetusvuorovaikutuskategoriaa esiintyi eniten korkean tunnetuen oppitunnilla, vaikka hypoteesi on, että sitä esiintyisi eniten korkean ohjauksellisen tuen oppitunnilla.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,002 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,002 | 0,004 |
| Études des sciences et des technologies | 0,005 | 0,005 |
| Communication savante | 0,001 | 0,006 |
| Science ouverte | 0,007 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,003 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».