Tutkimusperustaisten opetusmenetelmien käyttö vaativan erityisen tuen oppilaiden opetuksessa opettajien raportoimana
Bibliographic record
Abstract
Tässä pro gradu –tutkielmassa tarkastellaan opetushenkilöstön käyttämiä opetusmenetelmiä vaativan erityisen tuen oppilaiden opetuksessa. Tutkimuksen tarkoituksena oli selvittää, millaisia opetusmenetelmiä opetusalan henkilöstö käyttää vaativan erityisen tuen oppilaiden opetuksessa, mistä he hankkivat tiedon opetusmenetelmistä ja miten he perustelevat opetusmenetelmällisiä valintojaan. Tutkimusaineisto koostui sähköpostikyselyllä kerätyistä vastauksista. Aineiston analysointi toteutettiin aineistolähtöisellä sisällönanalyysillä. Tutkimustulosten mukaan opetusalan henkilöstö käyttää tutkimusperustaisia opetusmenetelmiä vaativan erityisen tuen oppilaiden opetuksessa, mutta heidän kuvauksensa pedagogisista ratkaisuista olivat paljolti yleisluonteisia ja he nimesivät opetusmenetelmät eri tavalla kuin tutkimustietoon perustuvat opetusmenetelmät on kirjallisuudessa nimetty. Lisäksi opettajat käyttivät tulosten perusteella myös kokemuksen pohjalta tutuksi tulleita opetusmenetelmiä. Opetusmenetelmän valinnan perusteina olivat toimivuus, vaikuttavuus, yksilöllinen räätälöitävyys ja menetelmän tukeminen myönteisen opettaja-oppilassuhteen syntymistä. Tärkeiksi tavoiksi hankkia tietoa opetusmenetelmistä osoittautuivat keskustelu kollegoiden kanssa, ammattikirjallisuuden lukeminen ja alan koulutuksiin osallistuminen, kun taas sosiaalisesta mediasta saatu tieto tai, että on nähnyt jonkun muun käyttävän menetelmää, mainittiin tiedonlähteenä vain harvoin. Tutkimus vahvistaa tutkimusperustaisia opetusmenetelmiä koskevan tiedon levittämisen tärkeyttä, jotta opetus olisi yksilöllistä, tarkoituksenmukaista ja laadukasta.
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 | 0.005 | 0.003 |
| Scholarly communication | 0.009 | 0.004 |
| Open science | 0.001 | 0.007 |
| Research integrity | 0.001 | 0.004 |
| Insufficient payload (model declined to judge) | 0.056 | 0.021 |
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".