Tavoitteet ja huolet koronapandemian aikana: Perfektionistiset taipumukset opiskelustressin ja siitä selviämisen selittäjänä
Bibliographic record
Abstract
Selvitämme koronapandemian alussa yliopisto-opiskelijoiden (N=737) etäopetukseen siirtymisen seurauksena kokemaa stressiä, heidän soveltamiaan hallintakeinoja ja opiskelun aiheuttamasta kuormituksesta palautumista. Lisäksi selvitämme erilaisten perfektionististen pyrkimysten ja huolten painotuksien (perfektionismiprofiilien) yhteyksiä näihin kokemuksiin. Opiskelijat vastasivat sähköiseen kyselyyn touko–kesäkuussa 2020. Keskimäärin opiskelijat kokivat enemmän haastestressiä kuin haittastressiä. Tyypillisimmät hallintakeinot olivat hyväksyminen ja myönteinen tulkinta, kun taas muiden tukeen ja apuun turvauduttiin vähiten. Havaitsimme eroja näissä kuitenkin suhteessa latentin profiilianalyysin avulla tunnistettuihin neljään ryhmään: kunnianhimoiset (36 %), perfektionistit (25 %), ei-perfektionistit (24 %) ja huolestuneet (15 %). Huolia korostavat ryhmät (perfektionistit ja huolestuneet) kokivat stressiä enemmän kuin muut. Korkeita tavoitteita korostavat ryhmät (kunnianhimoiset ja perfektionistit) suosivat hallintakeinoista suunnitelmallista toimintaa. Perfektionistit arvioivat palautuvansa kuormituksesta muita heikommin. Tulostemme mukaan tavoitteita ja niiden saavuttamista koskevat erilaiset painotukset ovat yhteydessä koronapandemian aiheuttaman poikkeustilanteen stressikokemuksiin. Etenkin kovien tavoitteiden ja niitä koskevien huolten yhdistelmä vaikuttaisi riskiltä hyvinvoinnille. Yliopistoissa tulisi kiinnittää huomiota siihen, minkälaista tukea opiskelijoille tarjotaan tavoitteiden asettamiseen, omiin suorituksiin suhtautumiseen ja jaksamiseen.
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 | 0.001 | 0.002 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.001 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.026 | 0.003 |
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".