Nopean nimeämisen yhteys lukutaitoon 3. luokalla
Bibliographic record
Abstract
Tutkimuksen tarkoituksena oli selvittää nopean nimeämisen yhteyttä lukutaitoon 3. luokalla. Tutkimus toteutettiin osana Nimeämisen, sanasujuvuuden ja lukemisen taidot kouluissa (NISULUKO) -hanketta. Tutkimusaineisto kerättiin keväällä 2023 seitsemästä koulusta eri puolilta Suomea. Tutkimusaineisto koostui 99 kolmasluokkalaisen yksilötestauksen tuloksista. Nopean nimeämisen tehtävissä lapset nimesivät esineitä ja kirjaimia, ja lukemistehtävissä lapset lukivat sanoja, epäsanoja ja tekstiä. Muuttujien välisiä yhteyksiä tarkasteltiin ensin Pearsonin tulomomentti-korrelaatiokertoimen avulla. Nopean nimeämisen tehtävien suoritusaikojen perusteella aineisto jaettiin kolmeen ryhmään: hyviin, tyypillisiin ja heikkoihin nimeäjiin. Monimuuttujaisella varianssianalyysillä tutkittiin näiden kolmen nimeäjäryhmän välisiä keskiarvoeroja lukutaidon suhteen. Tulokset osoittivat, että nopea nimeäminen ja lukutaito olivat tilastollisesti merkitsevästi yhteydessä toisiinsa. Kirjainten nimeämisellä oli esineiden nimeämistä voimakkaampi yhteys lukutaitoon. Mitä nopeammin lapsi pystyi nimeämään kirjaimia, sitä parempi hänen lukutaitonsa oli, ja päinvastoin, mitä hitaampi lapsen nimeämistaito oli, sitä heikompaa myös lukutaito oli. Pojilla tämä yhteys oli vielä voimakkaampi kuin tytöillä. Tulevaisuudessa olisi tärkeää selvittää lisää sukupuolten eroja nopean nimeämisen ja lukutaidon välillä sekä kehittää mittareita, joilla lukivaikeuksia voidaan kartoittaa tehokkaasti myös alkuopetuksen jälkeen.
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 | 0.000 | 0.000 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.000 | 0.002 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.058 | 0.017 |
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".