Lukemisahdistuksen yhteydet matematiikka-ahdistukseen, lukusujuvuuteen, sukupuoleen ja luokka-asteeseen
Bibliographic record
Abstract
Tämän tutkimuksen tarkoituksena oli selvittää, missä määrin 2.–5. luokkalaisilla oppilailla esiintyy lukemisahdistusta ja onko lukemisahdistus yhteydessä matematiikka-ahdistukseen. Lisäksi selvitettiin, miten lukemisahdistus selittää lukusujuvuutta sekä ovatko sukupuoli ja luokka-aste yhteydessä lukemisahdistukseen ja matematiikka-ahdistukseen. Tämän tutkimuksen aineisto oli osa Minäpystyvyys ja oppimisvaikeusinterventiot -hankkeen aineistoa. Hanke oli Jyväskylän yliopiston ja Niilo Mäki Instituutin toteuttama. Tutkittavia tässä tutkimuksessa oli yhteensä 1383. Aineiston analysointiin käytettiin Pearsonin korrelaatiokerrointa, ristiintaulukointia, hierarkkista regressioanalyysiä sekä monimuuttujaista varianssianalyysia (MANOVA). Tutkimuksen tulokset osoittivat, että lukemisahdistusta koetaan jo alakoulussa ja sitä raportoitiin lähes yhtä paljon kuin matematiikka-ahdistusta. Lisäksi tässä tutkimuksessa todettiin, että lukemisahdistus ja matematiikka-ahdistus olivat yhteydessä toisiinsa. Tulokset osoittivat myös, että lukemisahdistus selitti lukusujuvuutta, kun matematiikka-ahdistus oli kontrolloitu. Sukupuoli ja luokka eivät olleet yhteydessä lukemis- ja matematiikka-ahdistukseen. Tämä tutkimus osoitti, että vaikka lukemisahdistuksesta ei ole vielä juurikaan tutkimustietoa, vaikuttaa sitä esiintyvän alakouluikäisillä lapsilla ja se vaikuttaa olevan melko yleistä. Kuitenkaan lukemisahdistuksesta ei vielä tiedetä tarpeeksi, joten tutkimusta tarvitaan lisää. Tutkimus lukemisahdistuksesta on tärkeää, jotta esimerkiksi opettajat osaavat tunnistaa lukemisahdistusta kokevat oppilaat.
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 | 0.005 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.004 | 0.002 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.058 | 0.012 |
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".