Selkokirjoja, sananselitystä ja äänikirjoja – Suomi toisena kielenä -oppilaiden huomiointi alakoulun kirjallisuuden opetuksessa
Bibliographic record
Abstract
Vuoden 2018 PISA-tutkimuksen tulokset osoittavat, että Suomessa lukutaidon tasoero maahanmuuttajataustaisten ja kantaväestöön kuuluvien oppilaiden välillä on OECD-maiden suurin. Lukuisat tutkimukset ovat osoittaneet sujuvan lukutaidon olevan yksilön nyky-yhteiskunnassa toimimisen kannalta välttämätön edellytys. Tämän tutkimuksen tavoitteena oli luoda opettajille suunnatun kyselyaineiston pohjalta katsaus siihen, millä tavoin äidinkieleltään muita kuin suomenkielisiä oppilaita huomioidaan suomalaisten alakoulujen kirjallisuuden opetuksessa. Jotta toimintaa voitaisiin jatkossa kehittää suuntaan, joka voisi kaventaa näiden ryhmien välistä luku-taidon tasoeroa, on tärkeää tuntea ilmiön nykytilanne ja se, miten opettajat huomioivat – tai eivät huomioi – äidinkieleltään muut kuin suomenkieliset oppilaat kirjallisuutta opettaessaan. Tutkimus toteutettiin osana Lukuklaani-hanketta, ja aineistona hyödynnettiin hankkeen keräämää kyselyaineistoa. Kyselytutkimus on tehty vuonna 2017, ja siihen on vastannut yhteensä 885 alakoulun opettajaa. Tämän tutkimuksen aineistona toimi yhden kyselystä valikoidun kysymyksen vastausaineisto, joka oli 378 vastauksen suuruinen. Vastausaineistoa tutkittiin pääasiassa kvalitatiivisin menetelmin teoriaohjaavaa sisällönanalyysia käyttäen, mutta siihen tehtiin katsausta myös kvantitatiivisia menetelmiä hyödyntäen. Tutkimus toi esiin, että 89 % aineiston opettajista huomioi suomi toisena kielenä -oppilaita kirjallisuutta opettaessaan jollakin tavoin. Huomiointiin hyödynnettiin moninaisia työtapoja ja menetelmiä. Yleisimmin S2-oppilaiden huomiointi tapahtui yhteistoiminnallisilla työtavoilla. Toiseksi yleisintä oli, että huomioinnin menetelmät liittyivät opettajan toimintaan. Vain pieni osa opettajista hyödynsi huomioinnissa yksilötyöskentelyä. Suurin osa aineiston vastaajista kuvaili S2-oppilaidensa lukevan kirjallisuutta, joka on valittu jollakin tietyllä perusteella juuri heidän luettavakseen. Suurin osa näistä valintaperusteista liittyi kirjassa käytettyyn kieleen. Kielen lisäksi myös kirjan sisältö vaikutti siihen, pidetäänkö teosta sopivana S2-oppilaille. Aineiston opettajista 11 % ilmaisi vastauksessaan, ettei kohdista S2-oppilaisiin erityishuomiota kirjallisuuden opetuksessa. Huomioimattomuudelle esitettiin muutamia erilaisia perusteluita, jotka liittyivät joko oppilaaseen tai koulun toimintaan.
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) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.004 | 0.002 |
| Scholarly communication | 0.008 | 0.003 |
| Open science | 0.001 | 0.005 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.091 | 0.025 |
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".