Ohjelmoinnin opetus valtakunnallisella MAA11 opintojaksolla
Bibliographic record
Abstract
Tässä tutkielmassa tutkitaan ohjelmoinnin opetusta lukion pitkän matematiikan opintojaksolla MAA11, joka on ainoa vuoden 2019 lukion opetussuunnitelman perusteissa mainittu ohjelmointia sisältävä opintojakso. Tutkielman päätavoite on selkeyttää sitä, miten ohjelmoinnin opetusta toteutetaan kyseisellä opintojaksolla, sillä pelkän opetussuunnitelmatekstin perusteella ei synny selkeää kuvaa siitä, opetetaanko ohjelmointia lainkaan saati millä tavoin ja mitä teknologioita hyödyntäen. Tämän takia mielenkiinnon kohteena on erityisesti ohjelmointikielten valinta, opetettavien ohjelmointiteknologioiden valinta sekä opettajien suhtaututuminen ohjelmointiin, ja onko tällä vaikutusta siihen, miten ohjelmointia opetetaan. \nTutkielma on toteutettu sähköisenä kyselytutkimuksena, joka on vuoden 2024 toukokuussa lähetetty sähköpostitse lähes kaikkiin Suomen lukioihin. Itse kysely on luotu RedCAP-ohjelmistolla, josta kerättyä dataa on analysoitu taulukkolaskentasovelluksilla. Eri vastausvaihtoehtojen välillä on etsitty vaikuttavuuksia ja lisäksi kaikkien muuttujien välillä on laskettu Pearsonin korrelaatiokertoimet. \nKyselyyn vastasi yhteensä 74 opettajaa 61 eri lukiosta, mikä kattaa hieman alle viidenneksen kaikista Suomen lukioista. Vastausten perusteella kaikissa lukioissa opetetaan ohjelmointia Pythonilla ja kaikissa kyselyyn vastanneissa lukioissa oppilaille opetetaan sekä ehto- että toistolauseiden käyttöä. Valtaosa opettajista näkee ohjelmoinnin omana kokonaisuutenaan, joka on yhtä tärkeä kuin MAA11 kurssin matemaattinen sisältö. Lisäksi yli puolessa kaikista kyselyyn vastanneista lukioista ohjelmointia opetetaan opintojaksolla vähintään seitsemän 75 minuutin oppitunnin verran. Melkein kaikkien muuttujien väliset korrelaatiokertoimet ovat joko mitättömiä tai pieniä. Jos opettaja näkee ohjelmoinnin vähemmän tärkeänä kokonaisuutena kuin MAA11 kurssin matemaattisen sisällön, on tällä keskivahva negatiiviinen korrelaatio sen kanssa, että oppilaat ohjelmoivat itsenäisesti opintojakson aikana. Lisäksi oppimateriaalien ja käytettyjen opetusmetodien välillä on pieniä korrelaatioita. \nTutkielman tulosten perusteella jatkotutkimuksessa olisi hyvä kiinnittää tarkempaa huomiota ohjelmoinnin opetusta sisältävien oppituntien määrään ja siihen, miten määrä vaikuttaa esimerkiksi valittuihin oppimateriaaleihin. Samalla perusteltua olisi tutkia laajemmin opettajien suhtautumista ohjelmointiin ja miten suhtautuminen vaikuttaa matematiikan opetukseen integroituun ohjelmoinnin opetukseen.
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 | 0.003 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 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) | 0.142 | 0.045 |
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".