Erityislasten liikuntaharrastuksiin osallistumiseen vaikuttavia tekijöitä Helsingissä
Bibliographic record
Abstract
Opinnäytetyön tarkoitus oli selvittää erityislasten ohjattuihin liikuntaharrastuksiin osallistumiseen vaikuttavia tekijöitä Helsingissä. Tekijöitä on tärkeä selvittää, jotta urheiluseurat ja muut palveluntarjoajat osaavat ottaa ne tulevaisuudessa huomioon. Opinnäytetyö tehtiin yhteistyössä Suomen Vammaisurheilu ja -liikunta VAU ry:n kanssa, osaksi järjestön Valtti-ohjelman pilottikokeilua. \n \nAineisto kerättiin haastattelemalla kymmentä ohjattuun liikuntaan vähän tai ei ollenkaan osallistuvan 7-16-vuotiaan erityislapsen vanhempaa puolistrukturoiduilla teemahaastatteluilla. Haastattelukysymykset muodostettiin inhimillisen toiminnan mallin neljän teeman mukaan: tahto, tottumus, taidot ja ympäristö. Tulosten jäsentämistä ohjasi kansainvälisen ICF-luokituksen neljä osa-aluetta: 1) ruumiin/kehon toiminnot ja rakenteet, 2) suoritukset ja osallistuminen, 3) ympäristötekijät ja 4) yksilötekijät. \n \nOsallistumiseen vaikuttavia tekijöitä löytyi ICF-luokituksen jokaisesta osa-alueesta, mutta keskeisin vaikutus oli ympäristötekijöillä. Erityisesti osallistumiseen vaikuttaa tiedon puute lapselle soveltuvasta harrastustarjonnasta, perheen ulkopuolisen avustajan tarve, sekä harrastuksen tarjoajan resurssit huomioida lasten erityistarpeet. Tulokset ovat yhteneviä kansainvälisten tutkimusten kanssa. \n \nValtti-ohjelma vastaa osaltaan tiedon puutteen sekä perheen ulkopuolisen tuen tarpeen ongelmaan. Vapaa-ajan avustaja tai tukihenkilö mahdollistaa monen erityislapsen osallistumisen liikuntaharrastukseen. Vapaa-ajan avustajan saatavuutta tulisi kehittää. Riittävä ohjaajien määrä ja pienryhmät mahdollistaisivat yhä useamman erityistä tukea tarvitsevan lapsen osallistumisen. Erityislapsille soveltuvien harrastusmahdollisuuksien kokoaminen yhdelle nettisivustolle olisi tärkeää ja erityislapsille soveltuvan harrastustarjonnan kattavuuteen tulisi panostaa.
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 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.003 | 0.001 |
| Scholarly communication | 0.006 | 0.003 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.102 | 0.040 |
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".