Peruskoulun 3.-6. luokan suomen kielen ja kirjallisuuden tehtävien sähköistettävyys
Bibliographic record
Abstract
Pro gradu -tutkielmassani tutkin kolmen alakoulun 3.–6. luokan oppikirjasarjan (Kirjakuja, Kulkuri ja Vipunen) tehtäväkirjoja ja selvitin, onko tehtäviä mahdollista sähköistää sellaisenaan tai muunneltuina. Tarkemmin paneuduin myös Turun yliopiston Tulevaisuuden teknologioiden laitoksen luomaan sähköiseen ViLLE-oppimisympäristöön ja sen mahdollisuuksiin tehtävien sähköistettävyydessä. Vertasin tehtäväkirjojen tehtäviä myös Perusopetuksen opetussuunnitelman perusteiden 2014 vaatimuksiin opetettavista asioista. Tutkimukseni oli osa ViLLE-tutkimushanketta. \nEnsin kävin läpi 12 tehtäväkirjaa ja merkitsin niistä jokaisen tehtävän sopivaan tehtävätyyppi ja opittavan asian -kategoriaan. Kategorioita loin lisää sitä mukaa, kun oli tarvetta. Tämän jälkeen minulla oli selkeä kuva siitä, millaisia tehtäviä opetetaan milläkin luokka-asteella. Teoriataustana on tietoa sähköisistä oppimateriaaleista, erilaisista oppimisympäristöistä sekä Perusopetuksen opetussuunnitelman perusteet 2004 ja 2014. \nTulosteni perusteella nykyään lähes kaikki tehtävät on sähköistettävissä, mutta jos sähköistettävyyttä arvioidaan automaattisen palautteen näkökulmasta, niin esimerkiksi pohdinta- ja näyttelemistehtävät sekä sisällöllisesti arvioitavat kirjoittamistehtävät eivät sovellu sähköistettäviksi. Hyvin sähköistettäviksi automaattisen palautteen näkökulmasta soveltuvat monivalinta-, poiminta-/tunnistamis- ja aukkotehtävät.
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 | 0.001 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.003 | 0.001 |
| Scholarly communication | 0.003 | 0.001 |
| Open science | 0.000 | 0.003 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.105 | 0.033 |
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".