“We have a lot of tools, but the soil is not good enough” : reasons Behind the Differences in English Language Skills in Finland and South Korea
Bibliographic record
Abstract
Suomi ja Etelä-Korea ovat molemmat usein erinäisten oppimistuloksia mittaavien tutkimusten (esim. PISA) kärkikastissa. Kuitenkin Education Firstin organisoimassa English Proficiency Index -testissä Suomi on kymmenen parhaan joukossa erinomaisen kielitaidon tasolla (sijoilla 3–9 vuosina 2019–2021) ja Etelä-Korea puolestaan keskivertaisen kielitaidon sijoilla 32–37. Miten tähän päädyttiin? Mikä selittää näin suuren eron näiden kahden maan englannin kielen tasossa, vaikka kaikkien muiden aineiden oppimistulosten suhteen maat ovat lähes tasavertaisia? Tämän tutkimuksen tavoitteena oli selvittää, millä tavoin suomen ja korean englanninopetusmetodit ja -tavat ovat erilaisia tai samanlaisia suomalaisten ja korealaisten englanninopettajien mielestä. Tarkoitus oli myös selvittää, osaisivatko nämä opettajat löytää syitä suomalaisten ja korealaisten englannin kielen taitotason eroihin. Lisäksi tutkimuksessa haluttiin kartoittaa, mitä mieltä opettajat ovat Suomen ja Korean välisistä koulutusvientimahdollisuuksista, ja mitä asioita tällaisessa yhteistyössä tulee heidän mielestään ottaa huomioon. Tutkimuksessa haastateltiin kahta suomalaista ja kolmea eteläkorealaista englanninopettajaa, joilla oli kokemusta sekä Suomen että Etelä-Korean englanninopetustavoista. Haastattelut toteutettiin puolistrukturoituina ja data analysoitiin deduktiivista sisällönanalyysimetodia hyödyntäen. Tutkimuksessa huomattiin, että englanninopetuksen haasteet eivät ole niinkään opetusmetodeissa vaan ympäröivässä kulttuurissa ja sen opettajiin ja oppilaisiin asettamissa vaatimuksissa. Koekeskeisyys, passiivisen kielitaidon painottaminen ja koulumaailman ulkoisen kielenopiskelumotivaation puuttuminen olivat keskeisiä teemoja kielitaidon erojen syitä pohdittaessa. Myös koulutusviennissä korostuivat erilaiset yhteiskuntatason haasteet; Suomen ja Etelä-Korean koulumaailman erot osoittautuivat niin suuriksi, että pelkkien kielenopetusmetodien muuttaminen ei yksin takaisi hyviä oppimistuloksia. Haastateltavat löysivät kuitenkin kehitysehdotuksia molempien maiden koulutusjärjestelmiin ja kieltenopetukseen. Tutkimus tuotti tärkeää tietoa englanninopetuksen kehittämisestä molemmissa maissa ja todisti, että opettajien näkemykset koulutuksen uudistamisessa ovat ensiarvoisen tärkeitä.
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 | 0.006 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.002 |
| Scholarly communication | 0.002 | 0.002 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.006 | 0.001 |
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".