Vieras- ja monikielisten lasten suomen kielen kehityksen tukemisessa käytettävät pedagogiset menetelmät : Alle esiopetusikäisten lasten ryhmissä työskentelevien varhaiskasvatuksen opettajien ja erityisopettajien näkökulma
Bibliographic record
Abstract
Opinnäytetyö tehtiin Lahden kaupungin varhaiskasvatuspalveluille. Sen aiheena on vieras- ja monikielisten lasten suomen kielen kehityksen tukemisessa käytettävät pedagogiset menetelmät. Toimeksiantajana toimi Lahden kaupunki. \nOpinnäytetyön tavoitteena oli selvittää, miten eri pedagogisia menetelmiä ja järjestelyjä hyödynnetään vieras- ja monikielisten lasten suomen kielen kehityksen tukemisessa. Tutkimus rajattiin neljään päiväkotiin, joissa on prosentuaalisesti eniten vieras- ja monikielisiä lapsia. Opinnäytetyön tarkoituksena oli tuottaa tietoa vieras- ja monikielisten lasten suomen kielen kehityksen tukemisessa käytettävien pedagogisten menetelmien hyödynnettävyydestä ja toimivuudesta. Opinnäytetyö on toteutettu laadullisen, eli kvalitatiivisen opinnäytetyön menetelmien mukaisesti. \nAineistonkeruumenetelmänä oli sähköinen kyselylomake. Opinnäytetyön avulla saimme selville, että suomen kielen kehitys kuuluu päiväkodeissa laajasti kaikkeen toimintaan, ja sitä toteutetaan arjen tilanteiden lomassa. Kielen kehityksen tukemiseen liittyy monia pedagogisia keinoja, mutta paljon vieras- ja monikielisiä lapsia sisällään pitävissä ryhmissä suomen kielen kehitys koetaan myös haastavana. Opettajat pyrkivät parhaansa mukaan vastaamaan vieras- ja monikielisten lasten suomen kielen kehityksen tarpeisiin.
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 | 0.002 | 0.002 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.004 | 0.003 |
| Scholarly communication | 0.009 | 0.004 |
| Open science | 0.001 | 0.006 |
| Research integrity | 0.002 | 0.004 |
| Insufficient payload (model declined to judge) | 0.049 | 0.016 |
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".