Lukumummit ja -vaarit lasten lukutaidon tukena jo kymmenen vuotta
Bibliographic record
Abstract
Niilo Mäki Instituutin Lukumummi ja -vaari -toiminta viettää tänä vuonna juhlavuotta. Vuodesta 2012 asti Lukumummit ja -vaarit ovat käyneet kouluilla lukemassa lasten kanssa. Sosiaali- ja terveysjärjestöjen avustuskeskuksen (STEA) tuella kehitetyssä toiminnassa seniori-ikäiset vapaaehtoiset lukevat koulupäivän aikana koulun tiloissa oppilaiden kanssa kahden kesken. Viikoittaisilla lukutuokioilla luetaan yhdessä sopivantasoista kaunokirjaa ja keskustellaan luetusta. Niilo Mäki Instituutti on luonut tämän tutkimustietoon perustuvan toimintamuodon lukutaidon ja lukemisen tukemiseen. Alusta asti yhteistyökumppanina on toiminut Mannerheimin Lastensuojeluliitto (MLL), ja yhteistyö on tiivistynyt entisestään vuonna 2018, jolloin toiminnan ylläpito- ja vakiinnuttamisvaihe käynnistyi. Viimeisen kolmen vuoden aikana MLL:n rekrytoinnin ansiosta vapaaehtoisten määrä on kolminkertaistunut, ja tällä hetkellä vapaaehtoisia on toiminnassa mukana yli 900 ja lapsia noin 3000. Kouluja on mukana toiminnassa ympäri Suomen. Kuten kaikissa Niilo Mäki Instituutin hankkeissa, myös tässä toiminnassa on kehitetty mallit erilaisiin tarpeisiin ja eri kohderyhmille. Toisessa toimintamallissa Lukumummit ja -vaarit lukevat niiden oppilaiden kanssa, jotka tarvitsevat vahvistusta sujuvaan lukutaitoon ja lukumotivaatioon, ja toisessa suomi toisena kielenä -oppijoiden kanssa keskittyen erityisesti sanavaraston kehityksen tukemiseen. Toimintaan osallistuvat oppilaat ovat alakouluikäisiä.
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 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.004 | 0.001 |
| Scholarly communication | 0.006 | 0.003 |
| Open science | 0.001 | 0.005 |
| Research integrity | 0.001 | 0.003 |
| Insufficient payload (model declined to judge) | 0.116 | 0.039 |
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".