Suomea toisena kielenä puhuvien oppijoiden lukemisvaikeuksien tunnistaminen
Bibliographic record
Abstract
Tämän artikkelimuotoisen pro gradu -tutkielman tarkoituksena oli selvittää, millaisena opettajat kokevat suomea toisena kielenä puhuvien oppijoiden lukemisvaikeuksien tunnistamisen. Toteutimme tutkimuksen laadullisia menetelmiä käyttäen. Tavoitteenamme oli tutkia, millaisia haasteita opettajat kokevat, ja toisaalta millaisia keinoja heillä on suomea toisena kielenä puhuvien oppijoiden lukemisvaikeuksien tunnistamiseen. Aineisto on kerätty puolistrukturoitujen haastatteluiden muodossa. Toteutimme haastattelut kevään 2024 aikana, ja niihin osallistui luokanopettaja, vieraan kielen opettaja, suomen kielen opettajia sekä erityisopettajia eri puolilta Suomea. Tutkimusaineisto koostui yhteensä kuuden opettajan haastattelusta. Käytimme aineiston analysointiin aineistolähtöistä sisällönanalyysia ja luokittelimme opettajien kokemukset suomea toisena kielenä puhuvien oppijoiden lukemisvaikeuksien tunnistamisen haasteisiin sekä keinoihin. Tutkimuksen tuloksena havaitsimme, että opettajat kokevat laajoja haasteita S2-oppijoiden lukemisvaikeuksien tunnistamiseen liittyen. Toisaalta tutkimustuloksena voimme pitää myös haastateltavien opettajien nimeämiä keinoja S2-oppijoiden lukemisvaikeuksien tunnistamisessa. Tutkimuksen keskeisenä johtopäätöksenä näyttäytyi monialaiset haasteet S2-oppijoiden lukemisvaikeuksien tunnistamisen ympärillä. Tutkimustulosten perusteella olisi tarpeen tutkia S2-oppijoiden lukemisvaikeuden tunnistamista eri näkökulmista.
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 | 0.005 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.004 | 0.002 |
| Scholarly communication | 0.012 | 0.004 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.001 | 0.003 |
| Insufficient payload (model declined to judge) | 0.088 | 0.023 |
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".