Aikuisopiskelijoiden kokemuksia oppimista edistävästä verkkovuorovaikutuksesta
Bibliographic record
Abstract
Tämän tutkimuksen tavoitteena oli selvittää aikuisopiskelijoiden kokemuksia oppimista edistävästä verkkovuorovaikutuksesta. Aihetta tarkastellaan verkkovuorovaikutuksen määritelmän ja konstruktivistisen oppimiskäsityksen avulla. Lisäksi tutkimuksessa oltiin kiinnostuneita siitä, miten verkkovuorovaikutusta voisi kehittää, jotta se edistäisi oppimista mahdollisimman paljon. Tutkimus toteutettiin laadullisella tutkimusotteella. Tutkimukseen osallistui seitsemän avoimen yliopiston aikuisopiskelijaa. Tutkimuksen aineisto kerättiin tutkijan toimesta teemahaastatteluina syksyn 2022 aikana. Teemahaastattelut toteutettiin yksilöhaastatteluina verkon välityksellä. Aineisto analysoitiin laadullisella sisällönanalyysilla. Tutkimuksessa havaittiin, että opintojakson alussa toteutetulla ryhmäytymisellä on merkitystä yhteistyön ja keskustelujen aloittamiseen ja etenemiseen. Toisiin tutustuminen opintojakson alussa edistää työskentelyn etenemistä. Ryhmän jäsenten henkilökohtaiset tavoitteet opinnoissa heijastuvat keskustelujen aktiivisuuteen. Keskusteluiden parhaana antina koettiin erilaisilla taustoilla ja elämäntilanteilla olevat keskustelijat, jotka toivat omia erilaisia näkemyksiään keskusteluihin. Rakentava palaute koettiin oppimista edistäväksi. Palautteen antaminen tapahtui pääsääntöisesti kirjallisesti. Yhteistyön tekeminen pohjautui yhteistyön kautta tapahtuvaan oppimiseen (eng. cooperative learning), jossa yksilöt työskentelevät ensin autonomisesti ja lopuksi kaikkien ryhmän jäsenten tuotokset yhdistetään yhdeksi kokonaisuudeksi. Haasteena on se, ettei lopputuloksesta välttämättä tule ehyttä. Tämä työskentelytapa koettiin helpommaksi, sillä autonomisesti voi työskennellä silloin kuin itselle sopii. Yhteisöllinen oppiminen (eng. collaborative learning) vaatisi enemmän yhteistä aikaa, sillä tuotos tehtäisiin yhdessä alusta loppuun.
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 | 0.003 | 0.004 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.007 | 0.003 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.081 | 0.023 |
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".