Varhaiskasvatuksen merkitys lasten mielenterveyden tukemisessa
Bibliographic record
Abstract
Tässä kandidaatin tutkielmassa selvitettiin lasten mielenterveyden tukemisen keinoja varhaiskasvatuksessa opettajien näkökulmasta sekä lasten mielenterveyden tukemisen haasteita varhaiskasvatuksessa. Aiheen tutkiminen on tärkeää, koska lasten mielenterveyden tukemista on tutkittu vähän niin Suomessa kuin kansainvälisestikin. Tutkimuksen tulosten avulla on mahdollista saada lisää tietoa keinoista ja menetelmistä, joilla lasten mielenterveyttä voidaan tukea. Tutkimus toteutettiin syksyllä 2024 kyselyllä sosiaalisessa mediassa sekä sähköpostin välityksellä. Kysely oli puolistrukturoitu. Kyselyyn vastasi 15 varhaiskasvatuksen ammattilaista. Tutkimus oli laadullinen tutkimus. Aineisto analysoitiin sisällönanalyysin luokittelulla. Tulosten perusteella lasten mielenterveyttä tuetaan monella tavalla varhaiskasvatuksessa. Keskeisenä näyttäytyivät monipuoliset käytännöt sekä yhteisöllinen lähestymistapa. Opettajat tukivat lasten mielenterveyttä tukemalla ja opettamalla erilaisia taitoja, kuten kaveri- ja tunnetaitoja. Kiusaamisen ehkäiseminen painottui myös. Mielenterveyden tukemisen haasteena olivat varhaiskasvatuksessa henkilöstön kuormittavuus sekä lasten tuen toteutumattomuus. Keskeisinä haasteina tuotiin ilmi tuen saamisen haasteet, henkilöstön osaamattomuus sekä haasteet henkilöstön hyvinvoinnissa. Tutkimuksen perusteella voidaan todeta, että varhaiskasvatuksessa opettajilla on monenlaisia tapoja tukea lasten mielenterveyttä, mutta varhaiskasvatuksessa on myös sellaisia asioita, jotka haastavat opettajien työtä.
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 | 0.001 | 0.002 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.003 | 0.001 |
| Scholarly communication | 0.006 | 0.002 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.099 | 0.035 |
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".