Yliopisto-opiskelijoiden motivaatioprofiilit koronapandemian aikana ja toiveet opetuksen toteuttamisesta jatkossa
Bibliographic record
Abstract
Tämän tutkimuksen ensimmäisenä tehtävänä oli tarkastella, minkälaisia motivaatioprofiileja – odotusten, arvostusten ja kustannusten painotuksia – voidaan tunnistaa yliopisto-opiskelijoilla koronapandemian aikana. Tutkimuksen toisena tehtävänä oli tutkia, miten opintojen vaihe on yhteydessä motivaatioon, eli miten eri aikoihin opintonsa aloittaneet (esimerkiksi ennen koronapandemiaa aloittaneet vs. pandemian aikana aloittaneet) opiskelijat jakautuvat motivaatioryhmiin. Kolmantena tehtävänä oli tarkastella, minkälaisia toiveita eri tavoin motivoituneilla opiskelijoilla on opetuksen toteuttamisesta jatkossa (lähi-, hybridi- vai etäopetus). Tutkimuksen aineisto kerättiin sähköisellä kyselylomakkeella keväällä 2021. Tutkimukseen osallistui 1718 eri alojen yliopisto-opiskelijaa. Henkilösuuntautuneen tutkimusotteen mukaisesti opiskelijat ryhmiteltiin eri motivaatioprofiileihin TwoStep-ryhmittelyanalyysillä. Tunnistimme viisi erilaista motivaatioprofiilia: heikosti motivoituneet kuormittuneet (30 %), kohtalaisen motivoituneet (25 %), kuormittuneet hyötyorientoituneet (16 %), hyötyorientoituneet (16 %) ja myönteisen kunnianhimoiset (13 %). Ristiintaulukoinnin mukaan alkuvaiheen opiskelijoita oli kielteisimmässä, heikosti motivoituneiden kuormittuneiden, ryhmässä odotettua vähemmän. Eri tavoin motivoituneet opiskelijat erosivat siinä, minkälaisia toiveita heillä oli opetuksen toteuttamisesta pandemian jälkeen. Heikosti motivoituneet kuormittuneet kaipasivat takaisin lähiopetukseen, kun taas myönteisen kunnianhimoiset toivoivat voivansa jatkaa opintojaan etänä tulevaisuudessakin. Vaikuttaa siis siltä, että toisille opiskelijoille etäopetuksella voi olla kielteisempiä seurauksia kuin toisille.
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 | 0.003 | 0.004 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.004 | 0.002 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.054 | 0.011 |
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".