Skrivundervisning : För elever i behov av särskilt stöd
Bibliographic record
Abstract
Syftet med studien är att belysa skrivundervisningen för elever i behov av särskilt stöd. Samhället idag ställer krav på människors skrivkunnighet och konsekvensen blir följaktligen att undervisningen i skolan bör hålla en god kvalité. Vi har i vår studie tittat på den generella undervisningen och på specialundervisningen i skrivande. Vi har valt att undersöka vad lärare och speciallärare anser vara viktigt att skrivundervisningen innehåller samt vilket arbetssätt de använder och vilka åtgärder som sätts in för elever i behov av särskilt stöd. Genom enkäter och intervjuer har vi fått en inblick i hur skrivundervisningen ser ut. Vi har haft läroplanens kunskapsmål som utgångspunkt. Olika kategorier av lärare, klasslärare och ämneslärare samt speciallärare och specialpedagoger, har fått värdera och beskriva hur undervisningen läggs upp utifrån detta. Vårt resultat visade att den generella undervisningen och specialundervisningen i skrivande både har likheter och skillnader. Båda undervisningsformerna innehåller undervisning i att skapa och bearbeta olika texttyper vilket även läroplanen fokuserar på. Lärarna i den generella undervisningen anser att stavning är ett viktigt moment. I motsats till speciallärare som menar att stavning bör ha en mindre framskjuten roll i undervisningen. Specialundervisningen visade sig innehålla fler och mer varierade arbetssätt och åtgärder än den generella undervisningen.
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 | 0.007 | 0.025 |
| Meta-epidemiology (narrow) | 0.002 | 0.000 |
| Meta-epidemiology (broad) | 0.002 | 0.001 |
| Bibliometrics | 0.002 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.003 | 0.004 |
| Open science | 0.002 | 0.003 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.019 | 0.013 |
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".