Varhaiskasvatuksen ammattilaisten kokemukset tukitoimien laatimisesta, toteuttamisesta ja seurannasta koronakeväällä 2020
Bibliographic record
Abstract
Tutkimuksen tarkoituksena oli selvittää millaisia kokemuksia varhaiskasvatuksen ammattilaiset kokivat tukitoimien laatimisesta, toteuttamisesta sekä seurannasta koronakevään 2020 aikana. Lisäksi tarkastelin syitä, joita varhaiskasvatuksen ammattilaiset kuvasivat juuri tukitoimien seurannan onnistumisesta. Tämän tutkimuksen teoreettinen viitekehys koostuu varhaiskasvatuksen mahdollistamisen ja tukitoimien käsitteen purkamisesta. Lisäksi tarkastelen koronapandemian aiheuttamien poikkeusolojen vaikutuksia aiemmin tehdyissä tutkimuksissa niin valtakunnallesti kuin kansainvälisesti. Teoriaosassa tuon erityisesti esille niitä muutoksia, joita varhaiskasvatuksen ammattilaiset ovat huomanneet koronapandemian vaikuttavan. \nTutkimus oli kvalitatiivinen eli laadullinen ja olen käyttänyt tutkimuksessa aineistolähtöistä sisällönanalyysiä. Tutkimusaineistona toimii sekundaariaineisto, joka kuvaa hyvin laajasti koronapandemian vaikutuksia koronakeväällä 2020 niin varhaiskasvatuksen johtajien, opetus- ja kasvatushenkilökunnan kuin huoltajienkin näkökulmasta. Tähän tutkimukseen olen rajannut vain varhaiskasvatuksen opetus- ja kasvatushenkilökunnan kokemukset ja keskityn niiden analysointiin. \nTutkimukseni mukaan varhaiskasvatuksen ammattilaisten kokemukset tukitoimien laatimista, toteuttamista ja seurannasta käsittelivät pääasiassa niin lasten kuin henkilöstön poissaoloja. Toisiksi eniten kokemuksissa esiintyi resurssiongelmat varhaiskasvatuksessa. Kolmanneksi eniten vastauksissa esiintyi yhteydenpitoon liittyvät haasteet ja vähiten mainintoja tuli koronaohjeistuksien asettamista haasteista. Tukitoimien seurannan arvioinnissa kokemukset vaihtelivat jonkin verrankin onnistunutta tai epäonnistunutta seurantaa arvioidessa. Tukitoimien seurannassa onnistumisen edellytyksiksi koettiin vaihtelevasti samaisten teemojen esiintymistä. Vaikka lasten poissaolot on koettu haasteelliseksi seurannan onnistumisessa, osaltaan pienemmät lapsiryhmät ovat helpottaneet seurantaa. \nTulevaisuudessa on haastavaa pystyä ennustamaan seuraavan pandemian ajankohtaa. Miten tulevaisuuteen voi kuitenkin varautua, on hyvä tiedostaa tekijät, jotka aiheuttivat vastaavanlaisen kriisin aikana haasteita, jota opetus- ja kasvatusalalla kohdattiin. Erityistä huomiota tulisi kiinnittää niiden lasten oppimisen, kasvun ja kehityksen tukemiseen, joilla on jo ennestään ollut tuen tarpeita. Lisäksi olisi tärkeää, että varhaiskasvatuksen resursseihin kiinnitettäisiin jo etukäteen huomiota eikä vasta sitten, kun pahin on jo tapahtunut.
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 | 0.002 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.008 | 0.003 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.125 | 0.041 |
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".