Työn imu ja työuupumus musiikinopettajien kokemana
Bibliographic record
Abstract
Tutkimuksessani tarkastelen musiikinopettajien työhyvinvointia uusimman positiivista työhyvinvointia kuvaavan käsitteen, työn imun, avulla. Millainen ilmiö työn imu on ja kuinka musiikinopettajat sitä kokevat? Saadakseni kokonaisvaltaisemman kuvan musiikinopettajien työhyvinvoinnista ja työpahoinvoinnista, kartoitan samanaikaisesti myös kokemuksia työuupumuksesta. Näin hyvinvoinnin tilaa selvitetään laaja-alaisesti yhdistämällä tarkasteluun sekä positiivinen että negatiivinen työhyvinvointi. Tutkimuksessa käsittelen sitä, kuinka musiikinopettajat eri ikäluokissa kokevat työn imua ja työuupumusta. Löytyykö sukupuolten välillä eroavaisuuksia? Onko merkitystä sillä, missä päin Suomea työpaikka sijaitsee? Kuinka työsuhteen muoto vaikuttaa koettuun työn imuun ja työuupumukseen? Vaikuttaako tähän myös viikossa tehty keskimääräinen työtuntimäärä? Entä kokevatko musiikinopettajat työn imua ja työuupumusta enemmän tai vähemmän verrattuna luokanopettajiin? Tutkimus on luonteeltaan kvantitatiivinen kyselytutkimus, jonka aineisto on kerätty survey - tyyppisellä verkkokyselyllä syys-lokakuussa 2012. Musiikinopettajien kokemaa työn imua tutkittiin Schaufelin työryhmän (2002) kehittämällä työn imun arviointi – menetelmällä (Utrecht Work Engagement Scale, UWES). Työuupumusta puolestaan tutkittiin Maslachin kehittämällä työuupumusmittarilla (Maslach Burnout Inventory, MBI). Tutkimuksen kohdejoukko koostui satunnaisotannalla 129 musiikin aineenopettajasta eri puolelta Suomea. Saaduista tuloksista on havaittavissa, että suurin osa musiikinopettajista kokee työn imua keskimäärin viikoittain, hyvin suuri osa jopa muutaman kerran viikossa. Kaikki vastaajat tuntevat työn imua jossain määrin. Toisin sanoen ei ole lainkaan musiikinopettajia, jotka eivät tuntisi työn imua koskaan. Suurimmalla osalla kyselyyn vastanneista musiikinopettajista ei myöskään ole työuupumusoireita. Vakavia työuupumusoireita oli vastaajajoukosta vain kolmella musiikinopettajalla.
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 | 0.003 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 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 | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.064 | 0.017 |
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".