Teknologia-avusteisen opetuksen yhteys 5.-luokkalaisten oppilaiden kokemaan motivaatioilmastoon, viihtymiseen ja liikuntamotivaatioon koulun liikuntatunneilla
Bibliographic record
Abstract
Nina Hietanen ja Sanni Seppälä (2015). Teknologia-avusteisen opetuksen yhteys 5-luokkalaisten oppilaiden kokemaan motivaatioilmastoon, viihtymiseen ja liikuntamotivaatioon koulun liikuntatunneilla. Liikuntakasvatuksen laitos, Jyväskylän yliopisto, liikuntapedagogiikka pro gradu -tutkielma, 79 s., 4 liitettä. Tutkimuksen tavoitteena oli arvioida 5-luokkalaisten tyttöjen ja poikien kokemaa motivaatioilmastoa, sisäistä moti-vaatiota ja viihtymistä liikuntatunneilla. Tarkoituksena oli myös selvittää sukupuolten sekä teknologia-avusteisen liikunnanopetuksen ja perinteisen liikunnanopetuksen välisiä eroja edellä kuvatuissa muuttujissa. Tutkimuksen teh-tävänä oli lisäksi verrata, tapahtuuko motivaatioilmaston kokemisessa, sisäisessä motivaatiossa tai viihtymisessä muutosta tutkimuksen alku- ja loppumittauksen aikana. Tutkimuksen kohdejoukkona oli Joensuun Normaalikoulusta yksi viides luokka (n=24) sekä Jyväskylän Normaalikoululta kolme viidettä luokkaa (n=69). Yhteensä tutkimuksessa oli mukana 93 oppilasta, joista tyttöjä oli 43 ja poikia 50. Tutkimusta varten oppilaat täyttivät kyselylomakkeen kahteen kertaan, ensimmäisen kerran syyskuun alussa 2014 ja toisen kerran joulukuun alussa 2014. Molemmilla mittauskerroilla kyselyyn vastasi 89 oppilasta. Sisäistä motivaatiota tarkasteltiin Sports Motivation Scale -mittarilla (Pelletier ym. 1995). Motivaatioilmaston tutkimiseen käytettiin Soinin ym. (2014) Motivational Climate in Physical Education Scale -mittaria. Viihtymistä liikuntatunneilla puolestaan mitattiin Soinin (2006) muokkaamalla Enjoyment in Sport -mittaristolla (Scanlan ym. 1993). Mittareiden luotettavuutta tarkasteltiin eksploratiivisen faktorianalyysin, Pearsonin tulomomenttikorrelaatiokertoimen ja Cronbachin alfakertoimen avulla. Tuloksia analysoitiin t-testin ja Pearsonin tulomomenttikorrelaatiokertoimen avulla. Oppilaat kokivat liikuntatuntien ilmaston enemmän tehtäväsuuntautuneeksi kuin minäsuuntautuneeksi. Pojat kokivat liikuntatunnit molemmissa mittauksissa enemmän minäsuuntautuneiksi kuin tytöt. Sekä teknologiaa hyödyntävän liikunnanopetusryhmän että perinteisen liikunnanopetusryhmän oppilaat kokivat liikuntatunneilla koko tutkimuksen ajan keskimäärin hyvin korkeaa sosiaalista yhteenkuuluvuutta. Molemmissa liikunnanopetuksen ryhmissä autonomian kokeminen laski toisella mittauskerralla. Molemmat ryhmät kokivat liikuntatunnit sisäisesti motivoiviksi. Teknologiaa hyödyntäneet oppilaat kokivat loppumittauksessa enemmän sisäistä motivaatiota liikuntaa kohtaan. Oppilaat, jotka olivat mukana perinteisessä liikunnanopetuksessa, eivät kokeneet muutosta sisäisessä motivaatiossa alku- ja loppumittauksen välillä. Heidän kokema sisäisen motivaation keskiarvo oli kuitenkin korkeampi kuin teknologiaa hyödyntäneen luokan keskiarvo. Tehtäväsuuntautunut ilmasto oli molemmilla mittauskerroilla myönteisesti yhteydessä viihtymiseen ja sosiaaliseen yhteenkuuluvuuteen. Oppilaiden sisäinen motivaatio ja viihtyminen olivat todella voimakkaasti yhteydessä toisiinsa, erityisesti pojilla. Oppilaat viihtyivät hyvin sekä teknologia-avusteisilla että perinteisillä liikuntatunneilla. Pojat viihtyivät kuitenkin tyttöjä paremmin molemmilla mittauskerroilla. Tulosten perusteella näyttäisi siltä, että tehtäväsuuntautuneen motivaatioilmaston luominen liikuntatunneille on tärkeää, koska tehtäväsuuntautuneisuus on myönteisesti yhteydessä viihtymiseen ja sosiaaliseen yhteenkuuluvuuteen alakouluikäisillä. Tehtäväsuuntautunutta motivaatioilmastoa tulisikin korostaa koululiikunnassa, sillä viihtyminen ja sosiaalisen yhteenkuuluvuuden tunne ovat lapsille ja nuorille tärkeitä tekijöitä liikuntamotivaation kehittymisen kannalta. Tutkimuksen perusteella teknologian hyödyntämisestä liikunnanopetuksessa ei näyttäisi olevan haittaa motivaatioilmastolle, viihtymiselle eikä sisäiselle motivaatiolle.
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 | 0.003 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.006 | 0.004 |
| Scholarly communication | 0.010 | 0.005 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.002 | 0.005 |
| Insufficient payload (model declined to judge) | 0.050 | 0.014 |
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".