Kandidaatintutkielma Heidi Maanonen

Kiinnostaako äidinkieli?
Oppiainekohtainen kiinnostus ja koettu hyödyllisyys kurssikokemuksien ja
opintomenestyksen ennustajina.
Heidi Maanonen
Kandidaatintutkielma
Tammikuu 2017
Yleinen ja aikuiskasvatustiede
Käyttäytymistieteiden laitos
Käyttäytymistieteellinen tiedekunta
Helsingin yliopisto
Ohjaajat: Sami Paavola,
Markku Niemivirta

HELSINGIN YLIOPISTO – HELSINGFORS UNIVERSITET – UNIVERSITY OF HELSINKI
Tiedekunta – Fakultet – Faculty
Käyttäytymistieteellinen tiedekunta
Laitos – Institution – Department
Käyttäytymistieteiden laitos
Tekijä – Författare – Author
Heidi Maanonen
Työn nimi – Arbetets titel – Title
Kiinnostaako äidinkieli? Oppiainekohtainen kiinnostus ja koettu hyödyllisyys kurssikokemuksien ja opintome-
nestyksen ennustajina.
Oppiaine – Läroämne – Subject
Kasvatustieteet (yleinen ja aikuiskasvatustiede)
Työn ohjaaja(t) – Arbetets handledare – Supervisor
Sami Paavola, Markku Niemivirta
Vuosi – År – Year
2017
Tiivistelmä – Abstrakt – Abstract
Tämän tutkimuksen tavoitteena oli tarkastella, ennustavatko äidinkielen oppiainekohtainen kiinnostus
ja sen koettu hyödyllisuus lukio-opiskelijoiden ensimmäiseen äidinkielen kurssiin liittyviä kokemuk-
sia. Toisena tavoitteena oli tutkia, ennustavatko kurssikohtaiset kokemukset edelleen kurssin arvosa-
naa. Kurssikokemukset pitivät sisällään koetun kiinnostuksen, kuormittavuuden, panostamisen mää-
rän sekä onnistumisodotuksiin liitetyt tuntemukset. Kaikissa tutkimuskysymyksissä huomioitiin
aiempi koulumenestys. Toisessa tutkimuskysymyksessä huomioitiin lisäksi kurssikokemuksien vai-
kutukset. Tutkimusasetelma perustui kiinnostus- ja odotusarvoteorioihin.
Tutkimukseen vastaajat (n = 172) osallistuivat lukion ensimmäiselle äidinkielen kurssille vuosina
2012–2013. Kurssikokemuksien kyselylomakkeen toimivuutta testattiin faktorianalyysin avulla ja tut-
kimuskysymysten mukaisia ennusteita analysoitiin käyttämällä hierarkkista lineaarista regressio-
analyysiä.
Odotusten mukaisesti äidinkielen oppiainekohtainen kiinnostus ennusti kurssikohtaista kiinnostusta,
panostamisen määrää ja kuormittavuutta. Aiemmista tuloksista huolimatta oppiainekohtainen kiinnos-
tus ei ennustanut kurssiin liitettyjä onnistumisodotuksia eikä arvosanaa. Odotusten vastaisesti oppiai-
neen koettu hyödyllisyys ei ennustanut kurssiin liitettyjä kokemuksia eikä opintomenestystä. Kurssi-
kohtaiset kokemukset eivät ennustaneet kurssin arvosanoja. Aiempi opintomenestys ennusti mallien
ensimmäisillä askeleilla kurssikohtaista kiinnostusta ja onnistumisodotuksia, mutta kiinnostusta en-
nustettaessa mallin toisella askeleella, efekti ei ollut enää merkitsevä. Aiempi opintomenestys ennusti
kurssikohtaista arvosanaa hierarkkisen mallin kaikilla askeleilla.
Oppiainekohtaista kiinnostusta ja hyödyllisyyttä tutkittiin suhteellisen kapeasti. Olisi mielenkiintoista
toistaa asetelma tutkimalla ilmiöitä monipuolisemmin ja testata asetelmaa eri sukupuolten ja ikäryh-
mien välillä.
Avainsanat – Nyckelord – Keywords
motivaatio, kiinnostus, odotusarvoteoria, äidinkieli, lukio-opiskelijat, opintomenestys, faktorianalyysi, hierark-
kinen lineaarinen regressioanalyysi
Säilytyspaikka – Förvaringsställe – Where deposited
Helsingin yliopiston kirjasto – Helda / E-thesis (opinnäytteet) ethesis.helsinki.fi

HELSINGIN YLIOPISTO – HELSINGFORS UNIVERSITET – UNIVERSITY OF HELSINKI
Tiedekunta – Fakultet – Faculty
Faculty of Behavioural Sciences
Laitos – Institution – Department
Institute of Behavioural Sciences
Tekijä – Författare – Author
Heidi Maanonen
Työn nimi – Arbetets titel – Title
Finnish language, is it interesting? Subject interest and utility value: the predictors of course experiences and
grades.
Oppiaine – Läroämne – Subject
General and adult education
Työn ohjaaja(t) – Arbetets handledare – Supervisor
Sami Paavola, Markku Niemivirta
Vuosi – År – Year
2017
Tiivistelmä – Abstrakt – Abstract
The aim of the current study was to examine whether the subject interest and utility value of Finnish
language among high school students predicts the experiences of the first Finnish language course in
high school. The second aim was to explore whether these experiences predict further course grades.
Course experiences consisted feelings about interest, strain, effort and expectancies of success. All
research questions included the effect of earlier school success. The second question included also the
effect of the course experiences. The whole study was designed by means of Interest and Expectancy-
Value Theories.
The respondents of present study (n = 172) participated in first Finnish language course in High School
between 2012 and 2013. The factor analysis was used to test the questionnaire of course experiences
and the predictions of research questions was analyzed by means of hierarchical linear regression
analysis.
As expected results indicated that interest toward Finnish language predicted experiences of interest,
effort and strain of the first course. Despite expectations interest in Finnish did not predict the course
grades or expectancies of success. Despite expectations the utility value of Finnish did not have any
significant effect towards course experiences or grades. Course experiences did not predict the course
grades. At the first step earlier success predicted experiences of interest and success expectations, but
the effect predicting interest was not significant after second step. Earlier success predicted course
grades after every step of hierarchical model.
The interest and utility value toward subject was examined relative concisely. It would be interesting
to replicate the research setting by studying the phenomena more comprehensive and test the design
between genders and age groups.
Avainsanat – Nyckelord – Keywords
motivation, interest, expectancy-value theory, Finnish language, school success, high school students, factor
analysis, hierarchical linear regression analysis
Säilytyspaikka – Förvaringsställe – Where deposited
Helsingin yliopiston kirjasto – Helda / E-thesis (opinnäytteet) ethesis.helsinki.fi

SISÄLLYS
1 JOHDANTO............................................................................................................. 1
2 KIINNOSTUSTEORIA OSANA OPPIMISTA....................................................... 3
2.1 Akateeminen kiinnostus ................................................................................... 3
2.2 Tilannekohtainen ja yksilöllinen kiinnostus..................................................... 4
2.3 Akateemisen kiinnostuksen tutkiminen............................................................ 5
3 ODOTUSARVOTEORIA OSANA OPPIMISTA................................................... 6
3.1 Akateeminen käyttäytyminen odotusarvoteorian näkökulmasta...................... 6
3.2 Odotukset ja arvot............................................................................................. 7
3.3 Onnistumisodotusten ja arvouskomuksien tutkiminen..................................... 9
4 TUTKIMUSASETELMA JA TUTKIMUSKYSYMYKSET................................ 11
5 TUTKIMUKSEN TOTEUTUS JA ANALYYSIMENETELMÄT ....................... 13
5.1 Aineiston hankinta ja tutkittavien kuvaus ...................................................... 14
5.2 Tutkimuksen muuttujat ja mittarit.................................................................. 15
5.3 Muuttujien normaalisuuden testaaminen........................................................ 15
5.4 Aineiston katoanalyysi ................................................................................... 16
5.5 Faktorianalyysi ............................................................................................... 18
5.6 Hierarkkinen lineaarinen regressioanalyysi ................................................... 22
6 TUTKIMUSTULOKSET....................................................................................... 24
6.1 Faktorianalyysin ehtojen täyttyminen ja tulokset........................................... 24
6.2 Regressioanalyysin ehtojen täyttyminen ja korrelaatiotarkastelut ................. 28
6.3 Äidinkielen kurssikokemuksien ennustaminen .............................................. 30
6.4 Äidinkielen kurssin arvosanan ennustaminen ................................................ 34
7 POHDINTAA......................................................................................................... 36
7.1 Tuloksia koskeva pohdinta............................................................................. 36
7.2 Tutkimuksen rajoitukset................................................................................. 37
7.3 Tutkimuksen luotettavuus .............................................................................. 38
7.4 Suositukset ja jatkotutkimusaiheet ................................................................. 40
7.5 Johtopäätökset ................................................................................................ 41
LÄHTEET ...................................................................................................................... 43

LIITTEET
Liite 1, Muuttujien sisältö ja niitä vastaavat lyhenteet........................................................ 46
Liite 2, Teoreettinen faktoriratkaisu.................................................................................... 47
Liite 3, Muuttujien normaalisuustestit................................................................................. 48
Liite 4, Muuttujakohtainen puuttuvien havaintojen vaihtelu............................................... 49
Liite 5, ML-menetelmällä ekstraktoitujen muuttujien kommunaliteetit ............................. 50
Liite 6, Scree-testien kuvaajat ja arvioidut suunnanmuutospisteet...................................... 51
Liite 7, Summamuuttujien kuvailu, jakaumat ja normaalisuus ........................................... 52
KUVAT
Kuva 1, Hypoteettinen malli tutkimusasetelman mukaisista yhteyksistä............................ 12
Kuva 2, Muuttujakohtainen puuttuvien havaintojen vaihtelu ............................................. 17
TAULUKOT
Taulukko 1, Faktoriratkaisun muuttujien välinen korrelaatiomatriisi................................. 25
Taulukko 2, Faktoreiden ominaisarvot ja selitysasteet........................................................ 26
Taulukko 3, Rotatoitu faktorimatriisi (Pattern Matrix)....................................................... 27
Taulukko 4, Korrelaatiotarkastelut ja keskeisimmät tunnusluvut ....................................... 29
Taulukko 5, Kurssikohtaisten kokemuksien ennustaminen ................................................ 33
Taulukko 6, Äidinkielen kurssin arvosanan ennustaminen................................................. 35

1
1 Johdanto
Suomalaisten nuorten oppiminen herättää säännöllisesti kysymyksiä ja kannanottoja julkisessa
keskustelussa. Aihe nousi jälleen esille, kun MTV3 uutisoi marraskuussa 2016 yläasteikäisten
tyttöjen ja poikien arvosanaeroista. Uutinen perustui Valtioneuvoston teettämään selvitykseen,
jossa Helsingin yliopiston opettajankoulutuslaitos tutki oppilaiden siirtymiä toiselle asteelle.
Lisäksi tutkimuksessa huomioitiin nuorten osaamiseen ja hyvinvointiin liittyviä tekijöitä. (Ho-
tulainen ym., 2016.) Kirjoituksessa minua kiinnosti erityisesti sen painottama tutkimustulos,
jonka perusteella stressin sietäminen parantaa oppimistuloksia. Uutisen mukaan koulu voi tun-
tua ajoittain stressaavalta, mutta menestymisen eteen on kuitenkin nähtävä vaivaa (MTV3,
2016).
Uutinen herätti kysymyksiä siitä, millä tavoin opiskelun motivationaaliset tekijät voivat olla
yhteydessä koulumenestykseen. Esimerkiksi opiskelijoiden kiinnostus ja halu oppia saattavat
vaikuttaa ratkaisevasti oppimistuloksiin ja arvosanoihin. Tällaisten motivationaalisten tekijöi-
den vaikutukset voivat vaihdella oppilaiden välillä sekä oppiaineesta toiseen. Siksi onkin mie-
lenkiintoista pohtia, miten hyödylliseksi ja kiinnostavaksi koulun oppiaineet koetaan sekä min-
kälaisia yhteyksiä näillä tekijöillä voi edelleen olla oppiaineiden kurssikohtaisiin kokemuksiin
ja arvosanoihin.
Eri kasvatus- ja koulutustutkimusten mukaan koulutyöhön liittyvä kiinnostus sekä oppiaineiden
arvostaminen parantavat opintosuorituksia. Tämä tutkimus painottuu koulutyön motivationaa-
lisiin näkökulmiin. Tutkimuksen aineisto on hankittu Helsingin yliopistossa toteutettavan pro-
fessori Markku Niemivirran tutkimusryhmän laajemmasta ’Development of Learning and Mo-
tivation’ -tutkimushankkeesta (DeLeMo). Kokonaistutkimuksen tavoitteena on ollut selvittää
muun muassa sitä, miten kiinnostuneita lukioikäiset ovat lukion eri oppiaineista sekä kuinka
hyödylliseksi ja tärkeäksi ne koetaan. Näiden arvioiden pohjalta tarkoituksena on ollut selvittää,
miten oppiainekohtainen kiinnostus, koettu hyödyllisyys ja tärkeys ovat yhteydessä kurssikoh-
taisiin kokemuksiin, erilaisiin tehtäväsuorituksiin sekä opintomenestykseen.
Tämä osatutkimus keskittyy lukion äidinkieleen ja tarkastelee sitä, kuinka kiinnostavaksi ja
hyödylliseksi äidinkieli oppiaineena koetaan. Lisäksi työssä tarkastellaan, ennustavatko lukion

2
alussa annetut oppiainekohtaiset arviot lukion ensimmäiseen äidinkielen kurssiin liitettyä kiin-
nostusta, onnistumisodotuksia, kurssin koettua kuormittavuutta (strain) ja tunnetta panostami-
sen määrästä, kun aiempi opintomenestys otetaan huomioon. Lopuksi on tarkoitus selvittää,
ennustavatko kurssikohtaiset kokemukset lukion ensimmäisen äidinkielen kurssin arvosanaa,
kun aiempi opintomenestys ja oppiainekohtaiset arviot huomioidaan. Tämä tutkimus huomioi
koulutyön stressaavuuden kurssikohtaisten kuormittavuuden tuntemuksien kautta, mikä myös
aiemmin mainitussa uutisessa nostettiin esiin. Tämän yhtäläisyyden johdosta onkin mielenkiin-
toista nähdä, ovatko tämän tutkimuksen tulokset samansuuntaisia uutisoitujen tuloksien kanssa.
Lukio-opiskelijoiden oppiaine- ja kurssikohtaiset arviot jakautuvat tässä tutkimuksessa käsit-
teellisesti kahteen toisiaan täydentävään teoriataustaan: kiinnostus- ja odotusarvoteoriaan.
Kiinnostusteoria tutkii luonnollisesti kiinnostusta, sen erilaisia muotoja sekä kiinnostuksen yh-
teyttä koulutehtävien mielekkyyteen ja opintomenestykseen. Kiinnostusteoriaa tarkastellaan
seuraavassa pääluvussa. Luvussa kolme tutustutaan odotusarvoteoriaan, jonka avulla voidaan
tutkia koulusuorituksiin ja -suoriutumiseen liittyviä onnistumisodotuksia ja arvouskomuksia.
Luvussa neljä luodaan katsaus tutkimusasetelmaan ja tutkimuskysymyksiin. Asetelmaa havain-
nollistetaan kuvassa 1, joka kuvaa hypoteettista mallia tutkimusasetelman mukaisista ennus-
teista. Luvussa viisi tarkastellaan tässä tutkimuksessa käytettyjä tilastollisia tutkimus- ja ana-
lyysimenetelmiä, joiden tuloksia esitellään yksityiskohtaisemmin luvussa kuusi. Viimeisessä
luvussa pohditaan kattavammin tutkimuksen tuloksia, rajoituksia ja luotettavuutta sekä esite-
tään suosituksia ja jatkotutkimusaiheita.

3
2 Kiinnostusteoria osana oppimista
2.1 Akateeminen kiinnostus
Kiinnostuksen tutkimus voidaan jäljittää ainakin 1800-luvun loppupuolelle, jolloin sen nähtiin
myötävaikuttavan siihen, minkälaisiin asioihin ihmiset kiinnittivät huomiota ja minkälaisia ai-
heita ja kokonaisuuksia he muistivat (Hidi, 2006, s. 69). Kasvatus- ja motivaatiopsykologian
tutkijat ovat suunnanneet tarkemman huomionsa kiinnostuksen tutkimiseen kuitenkin vasta
vuonna 1992, jolloin ilmestyi eräänlaisena käännekohtana pidetty julkaisu: ’The Role of Interest
in Learning and Development’ (Schiefele, 2009, s. 197). Julkaisun jälkeen kiinnostusta on tut-
kittu laajasti niin neurotieteiden, psykologian kuin kasvatustieteidenkin näkökulmasta, mikä on
luonnollisesti myötävaikuttanut kiinnostuksen kirjavaan käsitteellistämiseen (Hidi, 2006, s. 69;
Schiefele, 2009, s. 197).
Silvia (2008, s. 57) määrittelee kiinnostuksen perusemootioksi ja sisäisen motivaation lähteeksi,
joka on yhteydessä ihmisen aktivaatiotasoon, keskittymiseen sekä edelleen oppimiseen. Hidi
(2006, s. 70–71) puolestaan luonnehtii kiinnostusta tyypillisesti positiivissävytteiseksi motiva-
tionaaliseksi tekijäksi ja psykologiseksi tilaksi, joka viriää ihmisten ja heidän kiinnostuksen
kohteiden välisessä vuorovaikutuksessa. Joistakin käsitteellisistä eroista huolimatta tutkijat
ovat melko yksimielisiä siitä, että kiinnostus sisältää sekä tunneperäisen affektiivisen että tie-
dollisen kognitiivisen puolen (Tapola & Niemivirta, 2014, s. 295–296; Hidi, 2006, s. 71). Kiin-
nostus nähdään yleisesti sisältökeskeisenä, sillä yksilöt ovat kiinnostuneita tietystä toiminnasta,
oppiaineesta, aihealueesta tai tehtävästä (Hidi 2006, s. 72). Voidaankin sanoa, että kiinnostuk-
sella on aina jokin kohde (Tapola & Niemivirta, 2014, s. 295; Tsai, Kunter, Lüdtke, Trautwein
& Ryan, 2008, s. 461).
Tämä tutkimus keskittyy akateemiseen kiinnostukseen, joka ei huomioi koulun ulkopuolisia
kiinnostuksen kohteita, kuten ammatillista tai vapaa-aikaan liittyvää kiinnostusta (Schiefele,
2009, s. 198). Kasvatus- ja koulutustutkimuksissa kiinnostus on pääsääntöisesti jaettu kahteen
akateemisen kiinnostuksen muotoon, jotka tunnetaan käsitteillä tilannekohtainen (situational
interest) ja yksilöllinen kiinnostus (individual interest) (Hidi, 2006, s. 72; Tapola & Niemivirta,
2014, s. 295).

4
2.2 Tilannekohtainen ja yksilöllinen kiinnostus
Tilannekohtainen kiinnostus kuvaa lyhytaikaista tai hetkellistä psykologista tilaa, joka näkyy
huomion keskittymisenä, tarkkaavaisuutena sekä lisääntyneenä kognitiivisena toimintana, sin-
nikkyytenä, nautintona tai affektiivisena, eli tunneperäisenä sitoutumisena ja uteliaisuutena
(Schiefele 2009, s. 198). Tilannekohtainen kiinnostus herää ympäristön vaikutuksesta, esimer-
kiksi tehtävän tai kohteen erityisistä ominaispiirteistä (Hidi, 2006, s. 72). Mikäli kiinnostus on
suurta, huomion keskittäminen ja kognitiivinen toiminta tuntuvat suhteellisen vaivattomilta:
kiinnostuksen tuntemuksista seuraakin useimmiten positiivis-emotionaalinen vire (Schiefele,
2009, s. 197–198).
Schiefelen (2009, s. 199) mukaan tilannekohtainen kiinnostus tulisi nähdä Silvian (2008, s. 57–
60) lailla ennemmin emootiona kuin Hidin (2006, s. 70) epäselvästi määrittelemänä psykologi-
sena tilana. Schiefele (2009, s. 217) perustelee näkemystään esimerkiksi sillä, että tällöin kiin-
nostus olisi helpommin erotettavissa sisäisen motivaation käsitteestä. Sen sijaan Hidin (2006)
mukaan kiinnostus voidaan nähdä perusemootiona sen syntyvaiheessa, kun taas kiinnostuksen
kehittyminen ja erityisesti sen säilyminen vaativat lisäksi kiinnostuksen kohteeseen liittyvää
kognitiivista toimintaa. Toisin sanoen kiinnostuksen kehittyminen vaatii mukaan sekä tunnepe-
räisen kiinnostumisen että tietoisen kiinnostuksen ylläpitämisen. (Hidi, 2006, s.71–72.)
Yksilöllinen kiinnostus kehittyy ajan myötä, jolloin se voidaan nähdä yksilön pysyvämpänä
taipumuksena suhteessa tiettyyn sisältöön tai kohteeseen (Hidi, 2006, s. 72; Schiefele, 2009, s.
198). Yksilöllinen kiinnostus on tilannekohtaisen kiinnostuksen tavoin yhteydessä positiivisiin
tuntemuksiin, mutta siihen saattaa lisäksi yhdistyä henkilökohtainen arvostus, kiinnostuksen
kohteen koettu tärkeys, tiedon määrä ja osaaminen tai koettu kyvykkyys (Tapola & Niemivirta,
2014, s. 296). Kiinnostuksen tutkiminen suhteessa oppimiseen ja oppimistuloksiin voidaankin
yhdistää odotusarvoteoriaan erityisesti edellä mainittujen arvonantojen ja tärkeyden johdosta
(Ainley, Hillman & Hidi, 2002, s. 412; Tsai, Kunter, Lüdtke, Trautwein & Ryan, 2008, s. 461).
Yksilöllisen kiinnostuksen kehittyminen vaatii oppijalta muun muassa sitä, että jokin oppimis-
sisältö koetaan merkityksellisenä (Tapola & Niemivirta, 2014, s. 309). Yksilöllisen kiinnostuk-
sen kehittyminen sekä erityisesti kiinnostuksen säilyminen vaativat myös tarpeellisen määrän

5
oppisisältöön liittyvää informaatiota sekä tietoa ja tunnetta osaamisesta (Hidi, 2006, s. 73). Il-
man näitä elementtejä kiinnostus voi jäädä lyhytaikaiseksi. Tiedon ja tietouden kehittymistä
kutsutaan kiinnostusteoriassa muun muassa varastoituneeksi tiedoksi, jolla voidaan viitata yk-
silön kehittyvään oppisisältökohtaiseen ymmärrykseen sekä tämän ymmärryksen ylläpitämi-
seen (Hidi, 2006, s. 73; Schiefele, 2009, s. 203).
2.3 Akateemisen kiinnostuksen tutkiminen
Oppimiseen liittyvää kiinnostusta on tutkittu niin tilannekohtaisen kuin yksilöllisen kiinnostuk-
sen teoreettisista lähtökohdista käsin (Ainley, Hillman & Hidi, 2002, s. 412). Kvantitatiivisilla
menetelmillä on pyritty selvittämään kiinnostuksen tasoa tai määrää suhteessa koulussa opetet-
taviin sisältöihin ja muihin oppimiseen liittyviin tekijöihin (Schiefele, 2009, s. 201). Tässä tut-
kimuksessa sovelletaan määrällisiä menetelmiä, joiden avulla tutkitaan lukio-opiskelijoiden yk-
silöllistä ja tilannekohtaista kiinnostusta. Lukion alussa kysytyn oppiainekohtaisen kiinnostuk-
sen tarkoituksena on kuvata äidinkieleen liittyvää yksilöllistä kiinnostusta, kun taas äidinkielen
kurssin alussa arvioitu kiinnostus kertoo tutkimusasetelman mukaisesti tilannekohtaisesta kiin-
nostuksesta. Harackiewicz, Durik, Barron, Linnenbrink-Garcia ja Tauer (2008) käyttävät sa-
mankaltaista tutkimusasetelmaa kuvatessaan yliopisto-opiskelijoiden psykologiaan liittämää
kiinnostusta.
Tämän tutkimuksen yhtenä tavoitteena on selvittää, ennustaako oppiainekohtainen kiinnostus
äidinkielen kurssiin liitettyä kiinnostusta sekä selvittää edelleen näiden kiinnostuksen muotojen
yhteyttä kurssikohtaiseen arvosanaan. Harackiewiczin ja hänen kollegoidensa (2008, s. 117)
tutkimustulosten perusteella opiskelijoiden alun perin ilmoittama kiinnostus ennusti kurssin
alussa arvioitua kiinnostusta, kiinnostuksen säilymistä kurssin aikana sekä kurssikohtaista ar-
vosanaa.
Yksilöllinen kiinnostus voidaan yhdistää opiskelun yhteydessä oppilaiden haluun tutkia ja op-
pia uutta mahdollisista vaikeuksista huolimatta (Durik & Harackiewicz, 2007, s. 598). Määri-
telmän seurauksena yksilöllinen kiinnostus voidaan liittää tässä tutkimuksessa tarkasteltavaan
koettuun kurssikohtaisen panostamiseen määrään sekä kuormittavuuden tuntemuksien sietämi-
seen. Toisaalta kiinnostus voi synnyttää positiivisten ajatusten lisäksi myös ristiriitaisia tunte-
muksia: se, mikä kiinnostaa, saattaa ajoittain tuntua myös haasteelliselta ja vaikealta (Tapola &

6
Niemivirta, 2014, s. 296). Tällöin tilanne on päinvastainen yllä mainittuun tulokseen verrattuna.
Opiskelija voi olla kiinnostunut oppiaineesta tai kurssista, mutta kokeekin opiskelun olevan
liian vaativaa, kuormittavaa tai vaikeaa.
Silvian (2008, s. 58) mukaan oppiaineesta kiinnostuneet opiskelijat jaksavat pääsääntöisesti
kuitenkin panostaa, syventyä ja kuluttaa opiskeluun enemmän aikaa verrattuna opiskelijoihin,
joiden kiinnostuksen taso on matalampi. Tämä voidaan nähdä johtuvan ainakin siitä, että kiin-
nostus innostaa ja motivoi opiskelijoita oppimaan sekä tekemään töitä opiskelun eteen (Ainley,
Hillman & Hidi, 2002, s. 412). Tällöin oppiaineeseen liittyvä kiinnostus johtaa edelleen parem-
piin oppimistuloksiin ja arvosanoihin (Silvia, 2008, s. 58). Schiefelen (2009, s. 201) mukaan
aiemmista tutkimuksista on löydetty runsaasti näyttöä, että kouluaineeseen liittyvä kiinnostus
ja koulumenestys ovat positiivisesti toisiinsa yhteydessä.
3 Odotusarvoteoria osana oppimista
3.1 Akateeminen käyttäytyminen odotusarvoteorian näkökulmasta
Nykyaikaiset motivaatiopsykologian odotusarvoteoriat perustuvat Atkinsonin vuonna 1957 ke-
hittämään suoritusmotivaatiota mittaavaan malliin, jonka tavoitteena oli selittää yksilöiden suo-
rituksiin sidoksissa olevaa käyttäytymistä: miten henkilö ahkeroi menestyäkseen, minkälaisia
valintoja hän tekee eri tehtävien välillä ja miten sinnikkäästi henkilö työskentelee (Wigfield,
Tonks & Klauda, 2009, s. 55–56; Eccles ym., 1983, s. 79). Tämän hetken koulutus- ja kasva-
tustutkimukset peilaavat tuloksiaan erityisesti Ecclesin ja hänen kollegoidensa vuonna 1983
edelleen kehittämään odotusarvomalliin (Wigfield, Tonks & Klauda, 2009, s. 56; Kokkonen,
Kokkonen & Yli-Piipari, 2013), jossa tutkijat kuvaavat hyvinkin tarkasti akateemiseen menes-
tymiseen ja suoriutumiseen yhteydessä olevia onnistumisodotuksia ja arvostuksia (Eccles ym.,
1983). Myös tämän tutkimuksen viittaukset odotusarvoteoriaan perustuvat Ecclesin ja hänen
kollegoidensa (1983) jatkokehittämään teoriamalliin (Expectancy-Value Model).
Odotusarvoteorian mallin mukaan oppilaiden onnistumisodotukset ja arvostukset vaikuttavat
suoraan tehtäväkohtaisiin valintoihin, suorituksiin, panostamiseen ja sinnikkyyteen (Wigfield

7
& Eccles, 2000, s. 68; Barron & Hulleman, 2015, s. 504). Tehtävällä voidaan tarkoittaa yksit-
täistä koulutehtävää, jonkin kurssin suorittamista tai muita koulun oppiaineisiin liittyviä suori-
tuksia. Nämä eri tehtäviin liittyvät uskomukset vaikuttavat henkilökohtaisten onnistumisodo-
tuksien ja arvouskomuksien taustalla (Wigfield, Tonks & Klauda, 2009, s. 56). Tehtäväkohtai-
siin uskomuksiin sisällytetään oppilaiden kyvykkyysuskomukset, tehtävän koettu vaikeustaso
sekä henkilökohtaiset tavoitteet, itsetunto ja affektiiviset muistot (Wigfield & Eccles, 2000, s.
69). Suoritustilanteisiin liittyvillä affektiivisilla muistoilla viitataan aiempiin suoritustilanteisiin
ja tuloksiin sekä niistä tehtyihin subjektiivisiin tulkintoihin (Wigfield, Tonks & Klauda, 2009,
s. 56).
3.2 Odotukset ja arvot
Odotusarvoteorian odotukset voidaan tulkita onnistumisodotuksiksi, jotka viittaavat yksilön us-
komuksiin siitä, miten hyvin hän tulee menestymään tietyssä tulevassa tehtävässä (Wigfield,
Tonks & Klauda, 2009, s. 57). Eccles kollegoineen (1983) käytti odotuksista myös nimitystä
’menestymisen todennäköisyys’. Onnistumisodotusten osalta opiskelija voisi pohtia ja arvioida,
kuinka hyvin hän tulee menestymään tietyssä oppiaineessa ensi lukuvuonna (Wigfield, Tonks
& Klauda, 2009, s. 57). Ajatusta sovelletaan tässä tutkimuksessa lukion äidinkielen kohdalla.
Kokkosen ja hänen kollegoidensa (2013, s. 523) tutkimuksessa onnistumisodotukset mielletään
myös tämän hetken kyvykkyysuskomuksiksi, kun taas Wigfieldin ja hänen kollegoidensa
(2009, s. 56) mukaan kyvykkyysuskomukset ovat ennemminkin onnistumisodotusten tausta-
vaikuttajia. Ne eivät siten ole tarkalleen ottaen toistensa synonyymejä.
Eccles ja hänen kollegansa (1983, s. 82) ehdottavat, että historian tapahtumat, aiemmat onnis-
tumiset ja epäonnistumiset vaikuttavat oppilaiden tehtäväkohtaisiin onnistumisodotuksiin epä-
suorasti. Tällöin opiskelija saattaa pohtia, mitä muut hänestä ajattelevat tai mitä muu ympäristö
häneltä odottaa (Eccles ym., 1983, s. 82). Tämän seurauksena on mielekästä pohtia tehtävän
suorittamisen ja siitä suoriutumisen välistä jännitettä koulutehtävien kuormittavuuden sekä nii-
hin annetun panostamisen näkökulmasta. Toisin sanoen oppilaalla voi olla halu panostaa kou-
lutehtäviin hyvän suorituksen ja opintomenestyksen toivossa. Voi kuitenkin käydä niin, että
vaikea ja stressaava tehtävä aiheuttaakin pelkoa tulevasta epäonnistumisesta, jolloin tämä ketju

8
kokonaisuudessaan vaikuttaa lopulliseen onnistumiseen. Tilanteen ratkaisee odotusten näkö-
kulmasta se, kumpaan oppilas uskoo enemmän: henkilökohtaiseen onnistumiseen vai epäon-
nistumiseen (Eccles ym., 1983, s. 82).
Odotusarvoteorian arvoilla viitataan erityisesti tehtäväkohtaisiin arvoihin (Task Value), joilla
tarkoitetaan yleisellä tasolla tehtävän ominaispiirteitä sekä niiden vaikutusta oppilaan haluk-
kuuteen suorittaa kyseistä tehtävää (Wigfield, Tonks & Klauda, 2009, s. 57). Tehtävän omi-
naispiirteet vaikuttavat siihen, millä tavoin tehtävään sitoudutaan ja kuinka paljon siihen pa-
nostetaan (Kokkonen, Kokkonen & Yli-Piipari, 2013, s. 523). Toisin sanoen tiettyyn kouluteh-
tävään tai oppiaineen kurssiin panostaminen kertoo osaltaan siitä, millä tavoin ja kuinka paljon
oppilas kyseistä toimintaa arvostaa. Tämän lisäksi on syytä huomioida arvojen subjektiivisuus
siten, että oppilaat voivat arvostaa samoja tehtäviä eri tavoin (Wigfield, Tonks & Klauda, 2009,
s. 57).
Odotusarvoteoriassa erilaiset arvoannot johtavat kokonaisarvon käsitteeseen, joka jakautuu nel-
jään osaulottuvuuteen: saavutusarvo (Attainment Value or Importance), sisällöllinen arvo
(Intrinsic or Interest Value), hyötyarvo (Utility value or Usefulness) ja koettu kustannus (Cost
of Success or Failure) (Wigfield, Tonks & Klauda, 2009, s. 57–58; Eccles ym., 1983, s. 89–
95). Saavutusta arvostavan opiskelijan kannalta on tärkeää, että tehtävä toteutetaan mahdolli-
simman hyvin, jolloin sen avulla voidaan saavuttaa lisää osaamista ja vahvistaa henkilökoh-
taista identiteettiä esimerkiksi identifioitumalla tietynlaisen sisällön osaajaksi (Eccles ym.,
1983, s. 89). Opiskelija, joka antaa tehtävälle sisällöllisen arvon, nauttii tehtävän tekemisestä.
Sisällöllinen arvo on jossain määrin samansuuntainen kiinnostuksen kanssa, vaikka käsitteet
tulevatkin erilaisista teoreettisista traditioista. (Wigfield, Tonks & Klauda, 2009, s. 58.) Nämä
kaksi arvoulottuvuutta eivät varsinaisesti sisälly tämän tutkimuksen käsitteisiin.
Kokonaisarvon kolmas ulottuvuus edustaa tehtävästä saatavaa hyötyä: miten jokin tehtävä tai
kurssi sopii opiskelijan tulevaisuudensuunnitelmiin joko suoraan tai välillisesti (Wigfield,
Tonks & Klauda, 2009, s. 58; Barron & Hulleman, 2015, s. 504). Lukio-opiskelija saattaa pa-
nostaa tietyn oppiaineen kursseihin, jos ne hyödyttävät häntä myöhemmissä jatko-opinnoissa
tai esimerkiksi pääsykokeissa. Tällöin oppiaine toimii välineenä halutun hyödyn saavutta-
miseksi. (Eccles ym., 1983, s. 89–90.) Hyötyarvo toimii tämän tutkimuksen yhtenä keskeisim-
mistä käsitteistä ja sitä mitataan lukio-opiskelijoiden arvioilla äidinkielen hyödyllisyydestä.

9
Vaikka hyötyarvoa kuvataan välineelliseksi, on tässä tutkimuksessa haluttu selvittää, onko sillä
yhteyttä ja ennustaako se kurssiin liitettyä kiinnostusta, kuormittavuutta, panostamisen määrää
ja onnistumisodotuksia. Tällä tavoin voidaan tutkia myös sitä, minkälainen yhteys odotusarvo-
teorialla on kiinnostusteoriaan ja voiko välineelliseen hyötyarvoon sekoittua myös affektiivisia
ominaisuuksia. Hyötyarvon merkityksellisyyttä tarkastellaan myös suhteessa opintomenestyk-
seen, jossa hyödyllisyyden välineellisyys tulee parhaiten esille.
Kokonaisarvon neljäs ulottuvuus kuvaa tehtävien aiheuttamia kustannusvaikutuksia: mistä ak-
tiviteeteista opiskelija joutuu luopumaan, mikäli hän päättää suorittaa juuri tämän tehtävän sekä
millä tavoin ja kuinka paljon opiskelija joutuu panostamaan tehtävään saadakseen sen valmiiksi
(Wigfield, Tonks & Klauda, 2009, s. 58). Luopuminen voi kuvata menetettyä aikaa, jonka opis-
kelija olisi voinut käyttää toisin esimerkiksi ystäviensä seurassa. Mikäli opiskelija arvostaa ys-
täviensä seuraa enemmän kuin koulutehtävää, mutta päättää silti jäädä kotiin sitä suorittamaan,
nousee tehtävän kustannus korkealle. (Eccles ym., 1983, s. 93–94.) Panostamisen suhde koet-
tuun kustannukseen voi nousta esille tilanteessa, jossa opiskelija pohtii, onko tämä panostami-
sen määrä kaiken sen työn arvoista; voisiko pienemmälläkin vaivalla pärjätä (Wigfield, Tonks
& Klauda, 2009, s. 58). Koettu kustannus voidaan liittää myös epäonnistumisen kustannuksiin,
kuten häpeään tai ahdistukseen (Barron & Hulleman, 2015, s. 505).
3.3 Onnistumisodotusten ja arvouskomuksien tutkiminen
Opiskeluun liittyviä onnistumisodotuksia ja arvouskomuksia on tutkittu useista oppimiseen liit-
tyvistä motivationaalisista näkökulmista käsin (Wigfield, Tonks & Klauda, 2009). Ne ovat yh-
distetty suureen määrään teoreettisia lähikäsitteitä, jonka johdosta odotusarvoteoria tarjoaa Bar-
ronin ja Hullemanin (2015, s. 504–505) mukaan perusrakenteen kaikille niille teoreettisille nä-
kökulmille, joiden tarkoituksena on tutkia kahta motivationaalista lähtökohtaa: uskooko opis-
kelija, että hän pystyy suoriutumaan tehtävästä ja menestyy siinä sekä haluaako hän sitoutua ja
syventyä tehtävään.
Opiskeluun liittyviä onnistumisodotuksia ja arvouskomuksia on tutkittu suurimmaksi osaksi
kvantitatiivisesti, joskin niiden laadullinen tutkimus on lisääntynyt viime vuosina (Barron &
Hulleman, 2015, s. 506). Tässä tutkimuksessa sovelletaan määrällisiä menetelmiä, joiden avulla
tutkitaan lukio-opiskelijoiden arvioimaa äidinkielen hyödyllisyyttä ja kurssikohtaisia arvioita

10
oppilaiden onnistumisodotuksista. Näistä jälkimmäinen tulkitaan odotusarvoteorian odotuksien
kautta, kun taas oppiaineen koetun hyödyllisyyden tarkoituksena on kuvastaa odotusarvoteo-
rian arvostuskomponenttia.
Barronin ja Hullemanin (2015, s. 504) mukaan teorian odotukset ennustavat useimmiten eri
suorituksiin liittyviä tuloksia, kun taas arvouskomukset ovat yleensä samansuuntaisesti yhtey-
dessä esimerkiksi kiinnostukseen sekä opiskelijan haluun sitoutua ja panostaa eri tehtäviin.
Trautweinin ja hänen kollegoidensa (2012, s. 1) mukaan sekä onnistumisodotukset että arvous-
komukset ennustavat erilaisia kouluun liittyviä suorituksia. Tämän tutkimuksen tarkoituksena
on selvittää, ennustaako äidinkielen koettu hyödyllisyys lukio-opiskelijoiden kurssikohtaisia
kokemuksia, kuten kiinnostusta, onnistumisodotuksia sekä koettua panostamisen määrää. Tä-
män lisäksi tavoitteena on tutkia kurssikohtaisten kokemuksien yhteyttä opintomenestykseen,
jolloin oppiainekohtaiset arviot otetaan huomioon.
Hulleman, Godes, Hendricks ja Harackiewicz (2010) tutkivat hyötyarvon yhteyttä muun mu-
assa tilannekohtaiseen ja yksilölliseen kiinnostukseen sekä kurssisuoritukseen. Tutkimuksen
kohteena olivat yliopiston psykologian ensimmäisen kurssin opiskelijat, mutta itse tutkimus
sisälsi matemaattisia tehtäviä ja kysymyksiä. Tutkimustulosten perusteella hyötyarvo ennusti
tilannekohtaista ja yksilöllistä kiinnostusta sekä lopullista kurssiarvosanaa. (Hulleman, Godes,
Hendricks & Harackiewicz, 2010 s. 885–890.)
Odotusarvoteorian mukaisia kustannusvaikutuksia on Barronin ja Hullemanin (2015, s. 504–
505) mukaan tutkittu melko vähän, sillä suuri osa tutkimuksista on keskittynyt kokonaisarvon
positiivisiin ulottuvuuksiin, kuten saavutus- ja sisältöarvoon. Kirjoittajat ehdottavatkin, että ko-
ettu kustannus eriytettäisiin omaksi ulottuvuudekseen, jolloin sen tulkitseminen olisi mielek-
käämpää (Barron & Hulleman, s. 504–505). Tässä tutkimuksessa lukio-opiskelijoiden arvioi-
mat kurssikohtaiset kuormittavuuden tuntemukset voidaan tulkita koulutyön kustannusvaiku-
tuksiksi. Kuormittavuutta tutkitaan omana ulottuvuutena ja sen yhteyttä tarkastellaan suhteessa
lukuvuoden alussa annettuihin arvioihin äidinkielen hyödyllisyydestä sekä suhteessa kurssikoh-
taiseen opintomenestykseen. Sen sijaan koulutyöhön panostaminen voidaan tulkita kustan-
nukseksi vain silloin, mikäli opiskelija itse kokee panostamisen ennemmin negatiivisena kuin
positiivisena (Wigfield, Tonks & Klauda, 2009, s. 58; Barron & Hulleman, s. 507).

11
4 Tutkimusasetelma ja tutkimuskysymykset
Tämän tutkimuksen aineisto on osa Helsingin yliopistossa toteutettavan professori Markku Nie-
mivirran tutkimusryhmän tutkimushankkeen (Development of Learning and Motivation, De-
LeMo) aineistoa. Yliopiston kokonaistutkimus tarkastelee erään suomalaisen kaupungin lukio-
opiskelijoiden arvioimaa kiinnostusta lukion eri oppiaineita kohtaan sekä oppilaiden oppiai-
nekohtaisia arvioita niiden hyödyllisyydestä ja tärkeydestä. Kokonaistutkimuksen tavoitteena
on peilata näitä arvioita edelleen lukiolaisten kurssikohtaisiin kokemuksiin sekä aiempaan ja
tulevaan opintomenestykseen. Kurssikohtaiset kyselyt toteutettiin kolmessa vaiheessa: kurssin
alku- ja loppuvaiheessa sekä kurssikohtaisen palautteen muodossa kurssikokeen jälkeen.
Tämä tutkimus keskittyy äidinkielen oppiaineeseen, lukion ensimmäiseen äidinkielen kurssiin
ja sen alkuvaiheessa toteutettuun kyselyyn. Tarkoituksena on ensin tarkastella, miten kiinnos-
tavaksi ja hyödylliseksi äidinkieli on lukion alussa arvioitu. Tämän jälkeen tutkimus keskittyy
selvittämään, ennustavatko oppiainekohtainen kiinnostus ja sen koettu hyödyllisyys opiskeli-
joiden kurssikohtaisia kokemuksia. Kokemuksiin sisältyvät kurssiin kohdistettu kiinnostus, ko-
ettu kuormittavuus, onnistumisodotukset ja ennalta arvioitu panostamisen määrä. Lopuksi tar-
kastellaan, ennustavatko kurssikohtaiset kokemukset kurssin arvosanaa. Tutkimusasetelmaa
havainnollistetaan kuvassa 1.
Varsinaiset tutkimuskysymykset ovat:
1. Ennustavatko äidinkielen oppiainekohtainen kiinnostus ja oppiaineen koettu hyödylli-
syys lukion ensimmäiseen äidinkielen kurssiin liitettyä kiinnostusta, kuormittavuutta,
onnistumisodotuksia ja oppilaiden arvioimaa panostamisen määrää, kun aiempi opinto-
menestys otetaan huomioon.
2. Ennustavatko kurssikohtainen kiinnostus, kuormittavuus, onnistumisodotukset ja arvi-
oitu panostamisen määrä kurssikohtaista arvosanaa, kun aiempi opintomenestys ja op-
piainekohtaiset arviot otetaan huomioon.
Kurssikohtaisia opiskeluun liittyviä kokemuksia tutkitaan ensimmäistä kertaa nykymuodos-
saan. Tämän seurauksena tutkimus tarkastelee kokemuksia arvioivan mittarin toimivuutta
eräänlaisena alaongelmana.

12
Kuva 1, Hypoteettinen malli tutkimusasetelman mukaisista yhteyksistä
Aiemmin kuvattujen tutkimustulosten perusteella voitaisiin odottaa, että kiinnostus äidinkielen
oppiainetta kohtaan ennustaisi positiivisesti ainakin kurssikohtaista kiinnostusta ja olisi yhtey-
dessä äidinkielen kurssin arvosanaan. Lisäksi voitaisiin odottaa, että kurssikohtainen kiinnostus
ennustaisi kurssiarvosanaa. (Harackiewicz ym., 2008.) Eri tutkimustulosten perusteella voidaan
myös odottaa, että oppiainekohtainen kiinnostus ennustaisi samansuuntaisesti opiskelijoiden
kokemaa kurssikohtaista panostamisen määrää (Silvia, 2008, s. 58; Ainley, Hillman & Hidi,
2002, s. 412). Sen sijaan oppiainekohtaisen kiinnostuksen yhteys koettuun kuormittavuuteen
voisi näkyä sekä saman- että erisuuntaisesti (Durik & Harackiewicz, 2007, s. 598; Tapola &
Niemivirta, 2014, s. 296). Samansuuntainen yhteys kertoisi siitä, että vaikka opiskelija olisi
erittäin kiinnostunut äidinkielestä, hän saattaisi tuntea kurssin olevan liian vaikea, uuvuttava tai
stressaava. Erisuuntaisessa tilanteessa äidinkielestä kiinnostunut opiskelija ei tuntisi kurssin
olevan lainkaan niin kuormittava. Äidinkielen oppiainekohtaisen kiinnostuksen yhteys kurssi-
kohtaisiin onnistumisodotuksiin jää tämän tutkimuksen selvitettäväksi. Aiemmin kuvatun kir-
jallisuuden pohjalta ei voida tehdä erityisiä olettamuksia.
Odotusarvoteoriaan perustuvien tutkimusten valossa voitaisiin odottaa, että äidinkielen oppiai-
neen koettu hyödyllisyys ennustaisi ainakin kurssikohtaista kiinnostusta sekä panostamisen
Kiinnostus äidinkielen kurssia
kohtaan
Äidinkielen kurssin koettu
kuormittavuus
Koettu kurssikohtainen panos-
tamisen määrä
Äidinkielen kurssiin kohdistu-
vat onnistumisodotukset
Oppiaineen
kiinnostus ja
hyödyllisyys
Kurssin
arvosana
Aiempi
opintome-
nestys

13
määrää ja olisi yhteydessä äidinkielen kurssin arvosanaan (Barron & Hulleman, 2015, s. 504;
Hulleman, Godes, Hendricks & Harackiewicz, 2010 s. 885–890). Oppiaineen koetun hyödylli-
syyden odotetun yhteyden luonne suhteessa panostamisen määrään riippuu ainakin siitä, miten
oppilaat ovat panostamisen kokeneet. Odotusarvoteorian perusteella panostamisen määrä voisi
kuvastaa kurssiin liittyviä kustannusvaikutuksia, mikäli opiskelijat ovat kokeneet kurssin esi-
merkiksi liian työlääksi (Wigfield, Tonks & Klauda, 2009, s. 58; Barron & Hulleman, s. 507).
Lisäksi voitaisiin odottaa, että äidinkielen oppiaineen koettu hyödyllisyys ennustaisi kurssiin
liittyviä onnistumisodotuksia, jotka puolestaan ennustaisivat edelleen kurssin arvosanaa (Bar-
ron & Hulleman, 2015, s. 504).
5 Tutkimuksen toteutus ja analyysimenetelmät
Tässä tutkimuksessa toteutetaan kvantitatiivista tutkimusstrategiaa, joka pohjautu empiiriseen
tutkimustapaan. Tiivistettynä empiirinen tutkimus perustuu havaintoihin ja niiden perusteella
tehtyihin johtopäätöksiin (Nummenmaa, 2009, s. 23). Luvun alkupuolella esitellään aineiston
hankintaan liittyneet menetelmät sekä tutkimukseen valittu kohdejoukko. Kuvailutietojen jäl-
keen luvussa 5.2 esitellään tutkimuksen muuttujat ja mittarit. Luvussa 5.3 tutkitaan muuttujien
normaalisuutta ja luvussa 5.4 analysoidaan aineistossa esiintyvää vastauskatoa, jotka toimivat
perusedellytyksinä varsinaisille analyysimenetelmille.
Tutkimuskysymyksissä ja kuvassa 1 (hypoteettinen malli tutkimusasetelman mukaisista yh-
teyksistä) esitettyjen kurssikohtaisten kokemuksien operationalisointi toteutetaan faktoriana-
lyysin avulla. Menetelmä esitellään luvussa 5.5 ja sen tulokset luvussa 6.1. Tutkimuskysymys-
ten mukaisia ennusteita arvioidaan hierarkkisen lineaarisen regressioanalyysin avulla, jonka
käyttöä kuvataan luvussa 5.6 ja tuloksia luvussa 6.3.
Kaikki tämän tutkimuksen tilastolliset menetelmät ja testit on suoritettu IBM:n SPSS-ohjelmis-
toversiolla 24.

14
5.1 Aineiston hankinta ja tutkittavien kuvaus
Tutkimuksen aineisto koostuu erään suomalaisen kaupungin kaikista lukio-opiskelijoista, jotka
aloittivat opintonsa vuosina 2013–2013. Kaupunki sijaitsee Etelä-Suomen maakunnassa, jossa
lukio-opiskelijoita on noin kuusisataa. Tähän tutkimukseen on valittu harkinnanvaraisesti ne
oppilaat, jotka osallistuivat lukion ensimmäisen äidinkielen kurssille vuosina 2012–2013. Voi-
daankin puhua harkinnanvaraisesta otannasta, jossa jää toteutumatta yksi otannan peruspiir-
teistä, missä jokaisella otantayksiköllä olisi yhtä suuri mahdollisuus tulla valituksi otokseen
(Holopainen & Pulkkinen, 2012, s. 36). Perusjoukon rajautuminen yhteen kouluun sekä otan-
nan harkinnanvaraisuus voivat johtaa käytännössä siihen, että tulosten yleistettävyyden suhteen
on hyvä olla varovainen (Mattila, 2003a, 31–32).
Tutkimuksen aineisto on kerätty oppilaitoksen rekisteritietojen ja strukturoitujen kyselylomak-
keiden avulla. Rekisteritiedoista saatiin äidinkielen peruskoulun päättötodistuksen sekä lukion
ensimmäisen äidinkielen kurssin arvosanat. Varsinainen kokonaistutkimus sisälsi neljä erilaista
kyselylomaketta, joista tässä sovelletaan osittain kahta. Kokonaistutkimuksen ensimmäinen ky-
sely kartoitti muun muassa lukio-opiskelijoiden arvioita eri oppiaineisiin kohdistuvasta kiin-
nostuksesta ja hyödyllisyydestä, jotka on valittu tähän tutkimukseen äidinkielen osalta. Näitä
tiedusteltiin opiskelijoilta lukion alussa. Toinen kyselylomake kartoitti oppilaiden kokemuksia
lukion ensimmäiseen äidinkielen kurssiin kohdistuvasta kiinnostuksesta, koetusta kuormitta-
vuudesta, panostamisen määrästä sekä kurssiin liitetyistä onnistumisodotuksista. Tämä kysely
toteutettiin kurssin alkupuolella. Liitteessä 1 on kuvattuna kaikkien tässä tutkimuksessa käytet-
tyjen muuttujien sisältö sekä niitä vastaavat lyhenteet.
Kyselytutkimuksen toteutuksen aikana vuosina 2012–2013 lukion äidinkielen ensimmäiselle
kurssille osallistui yhteensä 172 opiskelijaa. Äidinkielen peruskoulun päättötodistuksen arvo-
sana saatiin 156 (90,7 %) opiskelijalta. 154 (89,5 %) opiskelijaa esitti arvionsa äidinkielen hyö-
dyllisyydestä ja 155 (90,1 %) arvioi kiinnostuksensa kyseistä oppiainetta kohtaan. Äidinkielen
ensimmäisen kurssin arvosana saatiin yhteensä 168 (97,7 %) opiskelijalta, kun taas kurssikoh-
taisiin kokemuksiin vastasi 143 (83,1 %) opiskelijaa.

15
5.2 Tutkimuksen muuttujat ja mittarit
Äidinkielen oppiaineeseen liitettyä kiinnostusta ja sen koettua hyödyllisyyttä mitattiin seitse-
mänportaisella Likert-asteikolla kysymällä opiskelijoilta: ”Kuinka hyödyllisenä pidät äidin-
kieltä?” ja ”Kuinka kiinnostavana pidät äidinkieltä?”, (1 = ”en ollenkaan hyödyllisenä/ kiinnos-
tavana”, 7 = ”erittäin hyödyllisenä/ kiinnostavana”). Opintomenestystä arvioitiin lukion ensim-
mäisen äidinkielen kurssin arvosanan avulla, jota mitattiin kouluarvosana-asteikolla 4–10. Pe-
ruskoulun päättötodistuksen äidinkielen arvosanaa hyödynnetään ennusteisiin mahdollisesti
vaikuttavana kontrollimuuttujana, jota mitattiin kouluarvosana-asteikolla 4–10.
Kurssikohtaisia kokemuksia arvioitiin liitteen 1 osioiden AI1a_1a–AI1a_12a avulla. Väitteitä
1a–10a mitattiin seitsemänportaisella Likert-asteikolla (1 = ”ei pidä ollenkaan paikkaansa”, 7
= ”pitää täysin paikkansa”) ja osioita 11a–12a kymmenenportaisella Likert-asteikolla (1 = ”täy-
sin epävarma”, 10 = ”täysin varma”).
Kurssikohtaisten kokemuksien mittari (Niemivirta) on nykyisessä muodossaan uusi ja sitä on
tähän asti käytetty vain osittain (Rawlings, Tapola & Niemivirta, 2016). Alustavasti osioiden
on tässä tutkimuksessa tarkoitus kartoittaa neljää erilaista opiskeluun liittyvää oppilaiden arvi-
oimaa ilmiötä, joita tutkittiin lukion ensimmäisen äidinkielen kurssin alkuvaiheessa. Teorian
pohjalta ulottuvuudet näyttivät muodostuvan seuraavasti: kiinnostus äidinkielen kurssia koh-
taan, kurssin arvioitu kuormittavuus, koettu panostamisen määrä ja kurssiin liittyvät onnistu-
misodotukset. Mittarin uutuuden ja aiemman tutkimuksen puutteen vuoksi ulottuvuuksien toi-
mivuutta testataan faktorianalyysin avulla, joka esitellään tarkemmin luvussa 5.5. Liitteessä 2,
teoreettinen faktoriratkaisu (Nummenmaa, 2009, s. 400–401), kuvataan odotusarvo- ja kiinnos-
tusteorioiden pohjalta muotoiltu alustava mittausmalli, jossa kurssikokemuksia mittaavat osiot
on sijoitettu teorianmukaisten ulottuvuuksien alle.
5.3 Muuttujien normaalisuuden testaaminen
Muuttujien normaalijakautuneisuuden testaaminen kuuluu tutkimuksen rutiinitoimenpiteisiin
(Nummenmaa, 2009, s. 154), mikä koskettaa tässä tutkimuksessa hyödynnettäviä faktoriana-
lyysiä ja hierarkkista lineaarista regressioanalyysiä (Vehkalahti, 2008, s. 95). Jakaumaoletusta

16
voidaan testata SPSS-ohjelmistosta löytyvien Kolmogorov-Smirnov -testin (n > 50) tai Sha-
piro-Wilk -testin avulla (n < 50) (Taanila, 2012, s. 7–8; Nummenmaa, 2009, s. 154). Testien
perusteella muuttuja voidaan todeta normaalisti jakautuneeksi, mikäli testien p-arvot ovat suu-
rempia kuin .05 (Taanila, 2012, s. 8).
Nummenmaan (2009, s. 155) mukaan yllä mainitut normaalijakaumatestit ovat melko herkkiä
arvioimaan jakauman ei-normaaliksi, vaikka poikkeama olisi hyvin pieni. Toisena normaalija-
kautuneisuuden arviointikeinona voidaan pitää muuttujien vinous- (g1) ja huipukkuuskertoi-
mien (g2) tarkastelua: jakaumia voidaan pitää normaaleina, mikäli kumpikin kertoimista on
itseisarvoltaan ykköstä pienempiä (g1/g2 < |1|). Lisäksi olisi hyvä tarkastella jakaumien muo-
toa. (Nummenmaa, 2009, s. 154–155.)
Liitteestä 3 voidaan havaita, että Kolmogorov-Smirnov -testien perusteella muuttujat eivät täytä
normaalisuuden vaatimuksia, sillä kaikissa tapauksissa p < .05. Muuttujien vinous- ja huipuk-
kuuskertoimien perusteella voidaan kuitenkin todeta, että poikkeamat normaalisuudesta ovat
sen verran pieniä, että muuttujia voidaan tarkastella jatkoanalyysien kannalta normaalisti ja-
kautuneina. Kaikissa tapauksissa g1 < |1| ja g2 < |1|. Näitä tuloksia hyödynnetään pääsääntöi-
sesti faktorianalyysissä, jonka tuottamien summamuuttujien normaalisuus testataan erikseen.
5.4 Aineiston katoanalyysi
Luvussa 5.1 mainittujen vastausprosenttien perusteella voidaan ajatella, ettei tämän tutkimuk-
sen kato ole prosentuaalisesti kovin huolestuttava. Metsämuurosen (2010, s. 636) mukaan ky-
selytutkimuksien kato voi olla 20-30 % välillä ja Vehkalahden (2008, s. 44) mukaan jopa yli
50 %, kun se tässä tutkimuksessa vaihtelee muuttujittain 2,3 % ja 18 % välillä. Käytännössä
vaihtelu johtuu siitä, että toisiin kysymyksiin on saatu enemmän vastauksia kuin toisiin. Muut-
tujakohtaista vastauskatoa havainnollistetaan kuvassa 2. Tarkemmat muuttujakohtaiset puuttu-
vuustiedot ovat luettavissa liitteestä 4.

17
Kuva 2, Muuttujakohtainen puuttuvien havaintojen vaihtelu
Tutkivat saattavat pitää havaintojen määrän vaihtelua problemaattisena, koska tilasto-ohjelmat
pudottavat analyyseistä yleensä oletusarvoisesti niiden henkilöiden vastaukset, joilta puuttuu
vähintään yksi vastaus (Nummenmaa, 2009, s. 158; Vehkalahti, 2008, s. 69). Kyseessä on niin
sanottu ”listwise deletion”, joka toimii vakio-oletuksena myös SPSS-ohjelmistossa (IBM, 2014,
s.1). Tämä johtaisi siihen, että ilman muutoksia edellä mainittu 2,3 % kato muuttuisi analyy-
seissä automaattisesti 18 % kadoksi. Kutsun tätä asetusta jatkossa automaattiseksi pudotta-
miseksi. Mattilan (2003b, s. 62) mukaan puuttuvat havainnot ja automaattinen pudottaminen
saattavat vähentää saatujen testitulosten tarkkuutta erityisesti monimuuttujamenetelmien koh-
dalla, sillä niissä sovelletaan samaan aikaan useita muuttujia. Se, miten puuttuviin havaintoihin
tulisi suhtautua, riippuu ainakin siitä, johtuuko puuttuvuus satunnaisesta vai systemaattisesta
vaihtelusta (Garson, 2015).
Puuttuvien havaintojen satunnaisuutta voidaan testata puuttuvien havaintojen analyysillä, ”Mis-
sing Value Analysis, MVA” (IBM, 2014). Analyysin tarkoituksena on Garsonin (2015, s. 11–
16) mukaan selvittää, puuttuvatko havainnot täysin satunnaisesti (Missing Completely at Ran-
dom, MCAR), satunnaisesti (Missing at Random, MAR) vai systemaattisesti, eli ei-satunnaisesti
(Missing Not at Random, MNAR). Puuttuvien havaintojen satunnaisuuden testaamiseksi sovel-
letaan useimmiten Little’s MCAR -testiä. Mikäli testin tulos ei ole merkitsevä (p >.05), aineis-
ton puuttuvien havaintojen voidaan olettaa jakautuneen täysin satunnaisesti. (Garson, 2015, s.
0
20
40
60
80
100
120
140
160
180
200
Muuttujakohtainen puuttuvien havaintojen vaihtelu
Vastanneet Puuttuvat havainnot

18
12.) Aineistolle tekemäni testi osoitti, että aineiston havainnot puuttuivat täysin satunnaisesti,
eikä niillä siten ollut yhteyttä aineiston muihin arvoihin: χ2
(81) = 71.75, p = .76.
Lähtökohtaisesti MCAR-aineistojen kohdalla oletetaan, etteivät puuttuvat havainnot vääristä
testituloksia. Tällöin voidaan suositella joko havaintojen automaattista tai parittaista pudotta-
mista. Mikäli havaintojen puuttuvuus olisi ollut satunnaista (MAR), myös yksinkertaiset impu-
tointimenetelmät olisivat olleet mahdollisia. (Garson, 2015, s. 12–13.) Mattila (2003a, s. 63)
suosittelee havaintojen parittaista pudottamista erityisesti sellaisten monimuuttujamenetelmien
kohdalla, jotka perustuvat muuttujien kovarianssi- tai korrelaatiomatriisien analysointiin. Täl-
laisia menetelmiä ovat muun muassa faktori- ja regressioanalyysi (Mattila, 2003b, s. 63), joita
sovelletaan myös tässä tutkimuksessa. Havaintojen parittainen pudottaminen käyttää aineistoa
tehokkaammin verrattuna automaattiseen pudottamiseen: se estimoi kerrallaan esimerkiksi kah-
den muuttujan korrelaatiokertoimet ottamalla huomioon kummankin muuttujan saatavilla ole-
vat havainnot (Carter, 2006, s. 4). Käytännössä tämä tarkoittaa sitä, että aineiston jokainen kor-
relaatioarvo perustuu erilaiseen havaintoyksiköiden määrään (Mattila, 2003b, s. 63). Näistä
syistä tämän tutkimuksen jatkoanalyyseissä käytetään havaintojen parittaista pudottamista.
5.5 Faktorianalyysi
Faktorianalyysi on useampivaiheinen monimuuttujamenetelmä, jonka tarkoituksena on tiivistää
ja ryhmitellä aineiston muuttujat helpommin tulkittaviksi ulottuvuuksiksi, eli faktoreiksi (Heik-
kilä, 2014a, s. 1; Nummenmaa, 2009, s. 397). Analyysi pyrkii selvittämään keskenään saman-
kaltaista vaihtelua (shared variance) sisältävät latentit, eli niin sanotut taustalla olevat piilo-
muuttujat ja yhdistämään ne samaan ryhmään (Yong & Pearce, 2013, s. 79–80; Costello &
Osborne, 2005, s. 22).
Faktorianalyysi voidaan toteuttaa joko eksploratiivisesti (Exploratory Factor Analysis, EFA)
tai konfirmatorisesti (Confirmatory Factor Analysis, CFA) (Yong & Pearce, 2013, s. 79). Yk-
sinkertaistettuna eksploratiivinen faktorianalyysi tarkoittaa aineistolähtöistä tapaa etsiä muut-
tujakombinaatioita ilman vahvoja etukäteisodotuksia faktorien määrästä tai niiden tulkinnasta,
kun taas konfirmatorisessa faktorianalyysissä tutkijalle on jo etukäteen muodostunut vahva kä-
sitys faktoriratkaisun rakenteesta ja sen tulkinnasta (Henson & Roberts, 2006, s. 395; Mattila,

19
2003c, s. 110). Käytännössä faktorianalyysi toteutetaan usein edellisten menetelmien yhdistel-
mänä, jolloin tutkijalla voi olla etukäteen ajatus faktoreiden määrästä ja sisällöstä, mutta joita
hän voi jossain määrin muokata faktorianalyysin tulosten seurauksena (Walker & Madden,
2008, s. 326; Vehkalahti, 2008, s. 100–101).
Ennen varsinaisen faktorianalyysin suorittamista tulisi tarkastella muuttujien välisen korre-
laatiomatriisin rakennetta ja sen soveltuvuutta analyysiin (Metsämuuronen, 2011, s. 670). Yon-
gin ja Pearcen (2013, s. 87–88) mukaan muuttujien tulisi korreloida jossain määrin toistensa
kanssa, mutta ei toisaalta liikaa, jolloin muuttujien välinen multikolineaarisuus saattaa muodos-
tua ongelmaksi. Muuttujien multikolineaarisuus voidaan tarkistaa korrelaatiomatriisin determi-
nanttiarvon perusteella: mikäli arvo on suurempi kuin .00001, muuttujien välillä ei pitäisi esiin-
tyä multikolineaarisuutta (Young & Pearce, 2013, s. 88).
Aineiston korrelaatiomatriisin sopivuutta kannattaa testata lisäksi Kaiserin testin (Kaiser-
Meyer-Olkin Measure of Sampling Adequacy, KMO) sekä Bartlettin sväärisyystestin (Bartlett’s
Test of Sphericity) avulla (Heikkilä, 2014a, s. 6–7). Mikäli Kaiserin testisuure on suurempi tai
yhtä suuri kuin .60, voidaan havaintoaineistoa pitää tämän testin osalta mielekkäänä (Metsä-
muuronen, 2011, s. 670). Bartlettin sväärisyystesti tutkii hypoteesia, eroavatko korrelaatiomat-
riisin arvot nollasta: vaihtoehtoinen hypoteesi voidaan hyväksyä, mikäli testin p-arvo on pie-
nempi kuin .05 (Heikkilä, 2014a, s. 6-7).
Korrelaatiomatriisin soveltuvuustarkastelun jälkeen valitaan aineiston kannalta sopivin
ekstraktointimenetelmä, jonka avulla määritetään analyysiin sopivat muuttujat ja saadaan niin
sanotut faktorikohtaiset lataukset (Nummenmaa, 2009, s. 409). Ekstraktointimenetelmät saat-
tavat tuottaa erilaisia faktoriratkaisuja, jonka vuoksi on tärkeää perehtyä oikean menetelmän
valintaan (Nummenmaa, 2009, s. 409). Kirjallisuustarkastelu näytti suosivan ensisijaisesti suu-
rimman uskottavuuden menetelmää (Maximum Likelihood, ML) (Metsämuuronen, 2011, s. 62;
Costello & Osborne, 2005, s. 2; Schmitt, 2011, s. 307) ja toissijaisesti pääakselifaktorointia
(Principal Axis Factoring, PAF) (Costello & Osborne, 2005, s. 2; Schmitt, 2011, s. 308). ML-
menetelmän käyttö edellyttää muun muassa sitä, että aineiston muuttujat ovat suhteellisen nor-
maalisti jakautuneita (Costello & Osborne, 2005, s. 2) ja että havaintoja on riittävästi: 100 tai
enemmän (Metsämuuronen, 2011, s. 672). PAF-menetelmää suositellaan ainoastaan silloin,

20
kuin normaalijakaumaoletus ei ole voimassa ja aineisto on pieni (Schmitt, 2011, s. 307–308;
Yong & Pearce, 2013, s. 84).
Aineiston ekstraktointi tulostaa aluksi muuttujien kommunaliteetteja (initial and extracted com-
munalities) kuvaavan taulukon, joiden arvot kuvaavat sitä, kuinka suuren osuuden kaikki löy-
detyt faktorit pystyvät selittämään yksittäisen muuttujan vaihtelusta (Mattila, 2003c, s. 111–
112). Yleisen käytännön mukaan arvot, jotka ovat suurempia tai yhtä suuria kuin .30, voidaan
hyväksyä faktorimalliin (Nummenmaa, 2009, s. 403; Metsämuuronen, 2011, s. 669).
Muuttujien ekstraktoinnin yhteydessä tulee päättää, kuinka monta faktoria sisällytetään fakto-
reiden rotaatiotarkasteluun (Costello & Osborne, 2005, s. 2). Tutkijalla voi konfirmatorisen lä-
hestymistavan mukaan olla teorian pohjalta luotu käsitys ekstraktoitavasta faktorimäärästä,
joka voidaan syöttää ohjelmistolle etukäteen. Sopiva määrä tulee kuitenkin vahvistaa jälkikä-
teen esimerkiksi faktoreiden ominaisarvojen (initial eigenvalues) perusteella. Tätä voidaan ar-
vioida yleisesti käytetyllä Kaiser-kriteerillä: ominaisarvo ≥ 1. (Metsämuuronen, 2011, s. 669,
s. 677; Henson & Roberts, 2006, s. 398.) Metsämuurosen (2011, s. 669) mukaan ykköstä pie-
nemmät arvot ovat kuitenkin sallittuja, mikäli faktorit ovat helposti tulkittavissa. Tällaisessa
tilanteessa faktorimäärää voidaan arvioida myös Cattellin visuaalisella Scree-testillä, jota pide-
tään Costellon ja Osbornen (2005, s. 3) mukaan luotettavampana kuin Kaiser-kriteeriä. Sopiva
faktorimäärä nähdään kuvaajan suunnanmuutospisteen (point of inflexion) perusteella, jota
aiemmat datapisteet ovat todennäköisin yhteenlaskettu faktorimäärä (Yong & Pearce, 2013, s.
85). Ekstraktointi tulostaa ominaisarvojen lisäksi faktoreiden selitysvoimaa kuvaavat arvot
(Nummenmaa, 2009, s. 415), jotka kertovat, kuinka paljon faktorit pystyvät selittämään valit-
tujen muuttujien varianssista, eli vaihtelusta (Metsämuuronen, 2011, s. 677).
Ekstraktoinnin jälkeen faktoriratkaisu yleensä rotatoidaan, jotta se saadaan tulkinnallisesti mie-
lekkäämpään muotoon (Mattila, 2003c, s. 113). Rotaatiossa yksittäisten muuttujien lataukset
pyritään maksimoimaan yhteen faktoriin ja minimoimaan muihin (Nummenmaa, 2009, s. 411).
Suorakulmaisessa (orthogonal) rotaatiossa faktorit oletetaan toisistaan riippumattomiksi, kun
taas vinorotaatiossa (oblique) faktoreiden välinen yhteys sallitaan (Henson & Roberts, 2006, s.
399; Osborne, 2015, s. 4). Suuri osa kasvatuksen ja koulutuksen ilmiöistä on toisiinsa jossain

21
määrin yhteydessä, jolloin suorakulmaisten rotaatioiden (esim. Varimax) käyttäminen voi tuot-
taa epärealistisia faktoriratkaisuja (Schmitt, 2011, s. 312; Costello & Osborne, 2005, s. 3). SPSS
tarjoaa kaksi vaihtoehtoista vinorotaatiota: Direct Oblimin ja Promax (Brown, 2009, s. 21).
Metsämuuronen (2011, s. 668) suosittelee käyttämään Direct Oblimin -rotaatiota erityisesti
suurimman uskottavuuden menetelmiä hyödyntävien ratkaisujen yhteydessä. Costellon ja Os-
bornen (2005, s. 3) tutkimuksissa eri vinorotaatiomenetelmät tuottivat kuitenkin hyvin saman-
kaltaisia ratkaisuja.
Ennen varsinaisten faktorimatriisien ja tulosten tarkastelua vinorotaatio tuottaa yhdessä ML-
ekstraktoinnin kanssa faktoriratkaisun hyvyyttä tarkastelevan Goodness-of-Fit -testin (Metsä-
muuronen, 2011, s. 678). Mikäli testin p-arvo on suurempi kuin .05, faktoriratkaisua voidaan
pitää mielekkäänä (Metsämuuronen, 2011, s. 678). Testin yhteydessä on hyvä tiedostaa, että se
hylkää nollahypoteesin liian herkästi suurten otosten kohdalla (Metsämuuronen, 2011, s. 678).
Varsinaiset faktorianalyysin tulokset luetaan rotatoidusta faktorimatriisista, joka löytyy vi-
norotaatiota käytettäessä nimellä ’Pattern Matrix’ (Metsämuuronen, 2011, s. 679; Osborne,
2015, s. 4–5). Faktoriratkaisun reliabiliteetin kannalta faktorilatausten tulisi olla vähintään .32,
jotta tuloksia voitaisiin pitää tilastollisesti merkitsevänä (Young & Pearce, 2013, s. 85; Os-
borne, 2015, s. 4). Faktoriratkaisun lopulliseen hyvyyteen vaikuttaa lisäksi muuttujien kluste-
roituminen, eli niiden maksimoituminen yhteen faktoriin ja minimoituminen muihin (Young &
Pearce, 2013, s. 84). Huomattakoon, että kahden muuttujan faktoria voidaan pitää reliaabelina,
mikäli muuttujat korreloivat paljon keskenään (r > .70), mutta vain vähän muiden kanssa (Yong
& Pearce, 2013, s. 80).
Faktoreiden toimivuuden tarkastelun jälkeen muuttujat voidaan yhdistää kutakin ulottuvuutta
mittaavaksi summamuuttujaksi (Metsämuuronen, 2011, s. 671; Paaso, 2003, s. 61). Ennen sum-
mamuuttujien muodostamista on hyvä tarkastella mittareiden sisäistä konsistenssia, eli relia-
biliteettia esimerkiksi Cronbachin alfan (α) avulla (Metsämuuronen, 2011, s. 544). Metsä-
muurosen (2011, s. 549) mukaan Cronbachin alfan tulisi olla vähintään .60, jotta mittaria voi-
taisiin pitää reliaabelina. Tämän jälkeen tulee testata summamuuttujien normaalijakautunei-
suus, mikäli niitä halutaan hyödyntää jatkoanalyyseissä (Vehkalahti, 2008, s. 95).

22
5.6 Hierarkkinen lineaarinen regressioanalyysi
Lineaarisen regressioanalyysin avulla voidaan mallintaa yhden tai useamman selittävän (x)
muuttujan lineaarista riippuvuutta selitettävään (y) muuttujaan (Taanila, 2010, s. 1; Holopainen
& Pulkkinen, 2012, s. 261). Tässä tutkimuksessa sovelletaan lineaarisen regression hierarkkista
menetelmää (hierarchical, sequential or blocwise entry), jossa selittävien muuttujien malliin
tuomaa kontribuutiota tarkastellaan useammassa peräkkäisessä vaiheessa (Field, 2009, s. 212).
Hierarkkisessa regressiossa kiinnitetään huomiota eri vaiheissa tapahtuvaan muutokseen, kun
aiempien vaiheiden muuttujat on tilastollisesti kontrolloitu. Tavoitteena on tutkia, miten nämä
vaiheittaiset mallit ennustavat tutkimuskysymysten mukaisia ilmiöitä. (Petrocelli, 2003, s. 11–
17.) Lineaarisen regressioanalyysin tavoitteena on muodostaa malli, joka kuvaisi mahdollisim-
man hyvin aineistossa esiintyvää vaihtelua (Nummenmaa, 2009, s. 319), kun taas hierarkkisen
menetelmän tavoitteena on ennemmin testata teorian mukaisten olettamusten paikkansapitä-
vyyttä (Petrocelli, 2003, s. 17).
Ennen regressioanalyysin suorittamista tulisi tarkastella muuttujien välisiä lineaarisia yhteyksiä
(Nummenmaa, 2009, s. 314). Tämä järkevyystarkastelu voidaan toteuttaa tutkimalla ensin
muuttujien välisiä hajontakuvia sekä niissä mahdollisesti esiintyviä säännönmukaisuuksia ja
toiseksi muuttujien välisiä korrelaatioarvoja (Holopainen & Pulkkinen, 2012, s. 259). Hajonta-
kuvista kannattaa tarkistaa myös mahdolliset poikkeamat (outliers), sillä ne voivat vaikuttaa
analyysin toimivuuteen (Taanila, 2010, s. 11). Regressiomallit toimivat hyvin jo melko pienillä
otoksilla (Nummenmaa, 2009, s. 316). Useamman selittävän muuttujan malleissa suositellaan
vähintään 50, mutta mielellään 100 havainnon otoksia (Taanila, 2010, s. 1; Nummenmaa, 2009,
s. 316). Lineaarinen regressioanalyysi edellyttää lisäksi, että mitattavat muuttujat olisivat mah-
dollisimman normaalisti jakautuneita (Nummenmaa, 2009, s. 316).
Regressiomallin toimivuutta tarkastellaan yksisuuntaisen varianssianalyysin (Anova) ja sen si-
sältämän Fisherin F-suhteen avulla (Nummenmaa, 2009, s. 320). Mallia voidaan pitää merkit-
sevänä ja aineistoon sopivana, mikäli varianssianalyysin tulos on tilastollisesti merkitsevä (p <
.05) (Taanila, 2010, s. 15– 16). Hierarkkisessa regressiossa F-suhdetta tarkastellaan erikseen
jokaisessa vaiheessa, eli jokaisen askeleen yhteydessä. F-suhteen ja sen muutoksen (∆F) mer-
kitsevyyden avulla voidaan tulkita, parantavako malliin tuodut muuttujat lopputuloksen ennus-

23
tettavuutta. (Field, 2009, s. 237; Petrocelli, 2003, s. 11.) Regressiomallin hyvyyttä ja ennustei-
den luotettavuutta tarkastellaan mallin selitysasteen (R2
) avulla (Mattila, 2003e, s. 102). Seli-
tysaste kuvaa sitä, kuinka monta prosenttia selittävien muuttujien avulla voidaan ennustaa seli-
tettävän muuttujan arvojen vaihtelusta (Holopainen & Pulkkinen, 2012, s. 277–278). Hierark-
kisessa regressiossa kiinnitetään lisäksi huomiota eri askeleiden selitysasteiden muutokseen
(∆R2
) ja niiden merkitsevyyteen (Petrocelli, 2003, s. 11). Selitysasteen muutos on yhteydessä
F-suhteen muutokseen, jonka vuoksi F-suhteen muutosta ei raportoida erikseen. Tutkimuksessa
voidaan raportoida myös niin sanottu ’korjattu selitysaste’ (R2
a), joka antaa tutkijalle käsityksen
tulosten yleistettävyydestä laajemmin otoksen ulkopuolelle. (Field, 2009, s. 235.)
Lineaarisen regressiomallin regressiokertoimet (βk) kuvaavat sitä, kuinka paljon yksittäiset se-
littävät muuttujat pystyvät ennustamaan lopputulosta (Nummenmaa, 2009, s. 321). Hierarkki-
sissa malleissa kiinnitetään huomiota siihen, kuinka paljon yksittäiset selittävät muuttujat vai-
kuttavat lopputulokseen, kun muiden muuttujien efektit pysyvät vakioina, eli kun muiden teki-
jöiden vaikutukset ovat kontrolloitu. Selittävien muuttujien regressiokertoimien merkitsevyyttä
tarkastellaan vaiheittain, jolloin nähdään, tuottavatko uusien vaiheiden muuttujat regressiomal-
liin toivottua lisäarvoa. (Field, 2009, s. 238–239.) Kun mallin regressiokertoimet ovat tiedossa,
voidaan selitettävää muuttujaa ennustaa regressiosuoran yhtälön (ŷ = β0 + βkxk) avulla (Holo-
painen & Pulkkinen, 2012, s. 261–275). Ennusteen vakio β0 kuvaa sitä pistettä, jossa regres-
siosuora leikkaa y-akselin, eli pistettä, jossa selittävä muuttuja saa arvon 0 (Metsämuuronen,
2011, s. 715–716). Regressiokertoimet βk määräävät selitettävässä muuttujassa tapahtuman
muutoksen, eli regressiosuoran suunnan (Holopainen & Pulkkinen, 2012, s. 262). Nouseva
suora ja positiivinen regressiokerroin kertovat positiivisesta yhteydestä ja laskeva suora sekä
negatiivinen regressiokerroin negatiivisesta yhteydestä (Mattila, 2003e, s. 100; Field, 2009, s.
238).
Selittävien regressiokertoimien tilastollista merkitsevyyttä voidaan testata t-testin avulla (Num-
menmaa, 2009, s. 322). Mikäli testin p-arvo on pienempi kuin .05, regressiokerrointa voidaan
pitää tilastollisesti merkitsevänä (Taanila, 2010, s. 16). Mikäli selittäviä muuttujia on useita,
tulisi lisäksi tarkastella niiden mahdollista multikolineaarisuutta. Tätä voidaan alustavasti arvi-
oida muuttujien välisten korrelaatiokertoimien perusteella, joiden ei tulisi olla huomattavan
suuria (r < .90). (Field, 2009, s. 233.) Selittävien muuttujien multikolineaarisuutta voidaan li-
säksi arvioida tilasto-ohjelmien tulostamien toleranssi- ja VIF-arvojen perusteella (Holopainen

24
& Pulkkinen, 2012, s. 275–279). Yleisenä sääntönä voidaan pitää sitä, ettei toleranssi-arvo saisi
olla alle 0.20, eikä VIF-arvo yli 5 (Taanila, 2010, s. 21).
Viimeinen merkittävä regressiomallin hyvyyttä tutkiva menetelmä on jäännöstermien, eli resi-
duaalien tai mallivirheen tarkastelu (Nummenmaa, 2009, s. 324). Jäännöstermit kuvaavat mal-
lien selittämättä jäänyttä osaa (Holopainen & Pulkkinen, 2012, s. 282). Residuaalien jakautu-
neisuutta voidaan tarkastella tilasto-ohjelmien piirtämillä jäännöstermikuvaajilla (Nummen-
maa, 2009, s. 324). Siistissä jäännöskuviossa residuaalit ovat jakautuneet satunnaisesti ilman,
että jakaumassa olisi havaittavissa erityisiä säännönmukaisuuksia (Holopainen & Pulkkinen,
2012, s. 283). Tässä tutkimuksessa jäännöstermien jakautuneisuutta tarkastellaan normitetun
ennusteen (ZPRED) ja normitetun jäännöksen (ZRESID) avulla. (Taanila, 2010, s. 12.) Tämän
lisäksi tulisi tarkastella jäännösten normaalijakautuneisuutta sekä mahdollista residuaalien vä-
listä autokorreloituneisuutta. Normaalijakautuneisuus nähdään regressiomallien jäännöskuvaa-
jista, kun taas autokorreloituneisuutta voidaan arvioida tilasto-ohjelmien tulostaman Durbin-
Watson -arvon avulla. Yleisen käytännön mukaan regressiomallin jäännösten ei pitäisi korre-
loida keskenään, mikäli Durbin-Watson -arvot ovat suurempia kuin yksi ja pienempiä kuin
kolme. (Field, 2009, s. 220–221, 247–249.)
Tässä tutkimuksessa ennustavat ja ennustettavat muuttujat oli valittu etukäteen, jonka vuoksi
regressioanalyyseissä sovellettiin ’enter’-menetelmää. Taanilan (2010, s. 23) mukaan menetel-
män avulla voidaan mitata, kuinka hyvin ennalta määritetyt muuttujat sopivat regressiomalliin.
Nummenmaa (2009, s. 317) pitää ’enter’-menetelmää eleganteimpana vaihtoehtona ja tutki-
musmenetelmällisesti ideaaliratkaisuna.
6 Tutkimustulokset
6.1 Faktorianalyysin ehtojen täyttyminen ja tulokset
Tämän tutkimuksen yhtenä tavoitteena on tutkia kurssikohtaisten opiskeluun liittyvien koke-
muksien yhteyttä opintomenestykseen. Uudenlaisen kurssikokemuksia tarkastelevan mittaus-
mallin johdosta ulottuvuuksien toimivuus haluttiin vahvistaa faktorianalyysin avulla. Teorian

25
pohjalta ulottuvuudet näyttivät muodostuvan seuraavasti: kiinnostus äidinkielen kurssia koh-
taan, kurssin arvioitu kuormittavuus, koettu panostamisen määrä sekä kurssiin liittyvät onnis-
tumisodotukset. Liitteessä 2 on kuvattuna teoreettinen faktoriratkaisu, jossa kurssikohtaisten
kokemuksien osiot on sijoitettu teorianmukaisten ulottuvuuksien alle. Faktorianalyysi toteutet-
tiin pääosin eksploratiivisesti hyödyntämällä kuitenkin joitakin konfirmatorisen analyysin ole-
tuksia. Tällaisia olivat etukäteen muodostettu vahva käsitys faktorirakenteesta, faktoreiden
määrästä ja niiden tulkinnasta.
Taulukon 1 ja sen sisältämän determinanttiarvon perusteella voidaan todeta, että faktoriratkai-
sun muuttujat korreloivat sopivasti toistensa kanssa, eikä niiden välillä pitäisi esiintyä multiko-
lineaarisuutta (.013 > .00001). Myös Kaiserin testi (Kaiser-Meyer-Olkin Measure of Sampling
Adequacy, KMO) sekä Bartlettin sväärisyystesti (Bartlett’s Test of Sphericity) antavat tukea
hypoteesille, jonka mukaan korrelaatiomatriisi on faktorianalyysiin sopiva: Kaiser-Meyer-Ol-
kin Measure (KMO) = .75 ja Bartlett χ2
(66) = 637.134, p < .001.
Taulukko 1, Faktoriratkaisun muuttujien välinen korrelaatiomatriisi
Osiot 1a 2a 3a 4a 5a 6a 7a 8a 9a 10a 11a 12a
AI1a_1a 1
AI1a_2a -.265 1
AI1a_3a -.347 .546 1
AI1a_4a .377 -.010 -.088 1
AI1a_5a .790 -.240 -.289 .372 1
AI1a_6a -.091 .421 .402 .023 -.008 1
AI1a_7a -.571 .286 .428 -.258 -.569 .204 1
AI1a_8a .298 -.083 -.202 .440 .323 -.125 -.372 1
AI1a_9a .233 -.470 -.239 .190 .223 -.183 -.099 .164 1
AI1a_10a .491 -.098 -.251 .568 .469 .005 -.253 .459 .280 1
AI1a_11a .295 -.385 -.293 .096 .256 -.250 -.188 .081 .334 .361 1
AI1a_12a -.010 -.260 -.063 -.021 .018 -.134 -.082 .031 .277 .244 .552 1
Determinant = .013
Aineiston ekstraktointimenetelmänä käytettiin suurimman uskottavuuden menetelmää (Maxi-
mum Likelihood, ML), jonka edellyttämä muuttujien normaalijakautuneisuus oli voimassa lu-
vussa 5.3 analysoitujen tulosten mukaisesti. Lisäksi voidaan todeta, että havaintoja oli faktori-
analyysin kannalta riittävästi (n = 143). Liitteessä 5 on kuvattuna suurimman uskottavuuden

26
menetelmällä ekstraktoitujen muuttujien kommunaliteetit. Tulosteen perusteella voidaan ha-
vaita, että lukuun ottamatta osiota 9 (”Kurssi on helppo”), muuttujat latautuvat hyvin. Osion 9
kommunaliteetti jää hieman tavoitearvon alapuolelle: .277 < .30, jonka vuoksi ekstraktointi to-
teutettiin myös ilman kyseistä osiota (liite 5).
Ennalta syötetyn faktorimäärän (4 kpl) jälkeen faktoreiden ominaisarvoja (initial eigenvalues)
tarkasteltiin ensin Kaiser-kriteerin avulla (ominaisarvo ≥ 1). Taulukosta 2 nähdään neljän fak-
torin ominaisarvot sekä kaikkien osioiden 1–12 että vaihtoehtoisen ratkaisun osalta, jossa osio
9 on poistettu. Kummassakin tapauksessa kolme ensimmäistä faktoria latautuvat hyvin, mutta
neljäs faktori näyttää jäävän Kaiser-kriteerin suhteen hieman tavoitearvon alapuolella: .99 < 1.
Tämän vuoksi faktorimäärää arvioitiin myös Cattellin visuaalisen Scree-testin avulla, joka vah-
visti teorian mukaisen näkemyksen neljän faktorin ratkaisusta. Liitteessä 6 on havainnollistettu
Scree-testien tuloksia. Taulukosta 2 voidaan lukea myös eri faktoreiden selitysvoimaa kuvaavat
arvot Taulukon 2 sarake ’% varianssista’ kuvaa yksittäisten faktoreiden selitysvoimaa, kun taas
sarake ’Kumulat. selitysaste %’ mittaa faktoreiden yhteistä selitysastetta. Huomattakoon, että
ilman osiota 9, aineiston neljä faktoria selittävät kaiken kaikkiaan 73,3 % kaikkien muuttujien
vaihtelusta.
Taulukko 2, Faktoreiden ominaisarvot ja selitysasteet
OSIOT 1-12 OSIOT 1-12, osio 9 poistettu
Fak-
tori
Ominaisarvo % varianssista
Kumulat. se-
litysaste %
Ominaisarvo % varianssista
Kumulat. se-
litysaste %
1 4.02 33.53 33.53 3.83 34.78 34.78
2 1.98 16.50 50.04 1.91 17.34 52.12
3 1.38 11.51 61.55 1.34 12.20 64.32
4 .99 8.27 69.82 .99 8.97 73.29
*
Tiedot SPSS-tulosteen kohdasta ”Initial eigenvalues”
Ekstraktoitu faktoriratkaisu muutettiin tulkinnallisesti mielekkäämpään muotoon vinokulmai-
sella Direct Oblimin -rotaatiolla, joka sallii faktoreiden väliset yhteydet. Osio 9 (”Kurssi on
helppo”) osoittautui edelleen ongelmalliseksi, sillä rotaation yhteydessä tulostunut Goodness-
of-Fit -testi arvioi mallin heikoksi: χ2
(24) = 46,905 ja p = .003 (p < .05). Kun osio 9 poistettiin,
faktoriratkaisu osoittautui sopivaksi: χ2
(17) = 30,41 ja p = .024 (p > .05). Osion poistamisen
jälkeen toiseen faktoriin jäi vain kaksi muuttujaa, jotka kuitenkin latautuivat tarpeeksi voimak-
kaasti yhteen faktoriin (r > .70) ja vain vähän muihin (r < .30).

27
Taulukosta 3 nähdään varsinaisen faktorianalyysin tulokset, jossa alle .30 suuruiset lataukset
on jätetty huomioimatta. Tulosten perusteella voidaan todeta, että jäljelle jääneet muuttujat ovat
latautuneet hyvin alun perin suunnitelluille faktoreille, eikä yli .30 latauksia ole tulostunut rin-
nakkaisille faktoreille. Neljä faktoria selittävät kaiken kaikkiaan 73,3 % kaikkien muuttujien
vaihtelusta. Tuloksien perusteella ulottuvuuksia voidaan soveltaa jatkoanalyyseissä.
Taulukko 3, Rotatoitu faktorimatriisi (Pattern Matrix)
Yksittäiset osiot F1, Kiinnostus F2, Onnistu-
misodotukset
F3, Panostami-
nen
F4, Kuormitta-
vuus
AI1a_5a, Kurssin sisällöt ovat
mielenkiintoisia
.917
AI1a_1a, Tämä kurssi on kiin-
nostava
.836
AI1a_7a, Kurssin aiheet ovat
todella tylsiä
-.565
AI1a_12a, Kuinka varma olet,
että läpäiset kurssin?
-.739
AI1a_11a, Kuinka varma olet,
että pystyt omaksumaan kurs-
sin oppisisällöt riittävän hy-
vin?
-.719
AI1a_10a, Panostan tosissani
kurssin suorittamiseen
.794
AI1a_4a, Teen paljon töitä op-
piakseni kurssin asiat
.667
AI1a_8a, Teen aina kurssiin
liittyvät kotitehtävät
.574
AI1a_3a, Opiskelu tällä kurs-
silla on todella uuvuttavaa
.716
AI1a_6a, Tämä kurssi stressaa
minua
.618
AI1a_2a, Kurssin aiheet ja teh-
tävät ovat todella vaikeita
.610
Ominaisarvot 3.83 1.91 1.34 .99
Selitysosuus % varianssista 34.78 17.34 12.20 8.97
Faktorianalyysin jälkeen faktoreista muodostettiin eri ulottuvuuksia mittaavat summamuuttu-
jat, jotka koottiin laskemalla muuttujien arvot yhteen ja jakamalla summat muuttujien lukumää-
rällä. Tällä tavoin ulottuvuuksien tulkinta saadaan mielekkäämmäksi, kun muuttujat pysyvät
samalla vaihteluvälillä alkuperäisten osioiden kanssa. Opiskelijoiden kurssikohtaisten koke-
muksien eri ulottuvuuksien osiot korreloivat keskenään hyvin: kiinnostus äidinkielen kurssia
kohtaan α = .84, kurssiin liittyvät onnistumisodotukset α = .70, kurssiin panostaminen α = .73
ja kurssin arvioitu kuormittavuus α = .71. Kurssikohtaista kiinnostusta mittaava osion 7 (”Kurs-
sin aiheet ovat todella tylsiä”) mitta-asteikko käännettiin samansuuntaiseksi muiden osioiden

28
kanssa. Summamuuttujien ulottuvuudet, niitä vastaavat osiot sekä muuttujien jakaumia kuvaa-
vat histogrammit on esitelty liitteessä 7.
Liitteestä 8 nähdään lisäksi, etteivät muuttujat täyttäneet Kolmogorov-Smirnov -testien nor-
maalijakaumaoletuksia, sillä kaikissa tapauksissa p < .05. Muuttujien vinous- ja huipukkuus-
kertoimien perusteella voidaan kuitenkin todeta, että poikkeamat ovat sen verran pieniä, että
muuttujia voidaan tarkastella normaalisti jakautuneina. Kaikissa tapauksissa g1 < |1| ja g2 < |1|.
6.2 Regressioanalyysin ehtojen täyttyminen ja korrelaatiotarkastelut
Muuttujittain tarkastellut hajontakuvat osoittivat, että joidenkin ulottuvuuksien väliset lineaari-
set yhteydet voisivat olla mahdollisia. Kuvissa oli lisäksi havaittavissa joitakin lineaaristen reg-
ressiomallien kannalta poikkeavia arvoja, joille näytti kuitenkin löytyvän luonnollinen selitys:
esimerkkinä äidinkielen kurssin arvosanat, joihin sisältyi yksi viitonen. Poikkeavien arvojen
poistamiselle ei näyttänyt löytyvän perusteita, joten ne säilytettiin analyyseissä.
Taulukosta 4 nähdään tutkimuksen ulottuvuuksien väliset Pearsonin korrelaatiokertoimet sekä
keskeisimmät muuttujakohtaiset tunnusluvut. Taulukon 4 perusteella voidaan todeta, että kurs-
sikohtaisia kokemuksia selittävistä tekijöistä oppiainekohtainen kiinnostus on merkitsevästi yh-
teydessä kaikkiin kurssikohtaisiin kokemuksiin, kun taas oppiainekohtainen hyödyllisyys on
merkitsevästi yhteydessä ainoastaan kurssikohtaiseen kiinnostukseen ja kuormittavuuteen. Äi-
dinkielen päättötodistuksen arvosana on yhteydessä kumpaankin kurssikohtaisia kokemuksia
selittäviin tekijöihin sekä osaan kurssikohtaisista kokemuksista. Kurssikohtaisia kokemuksia
selittävät oppiainekohtainen kiinnostus ja sen koettu hyödyllisyys korreloivat vahvimmin kes-
kenään (r = .58***), mutta niiden toleranssiarvot (~0.6) ylittivät reilusti arvon 0.2 ja VIF-arvot
(~1.5) jäivät selvästi alle 5. Näiden seurauksena voidaan todeta, ettei selittävien muuttujien vä-
lillä esiinny multikolineaarisuutta. Myös päättötodistuksen arvosanan toleranssi- (0.91) ja VIF-
arvot (1.11) pysyivät sallitun rajoissa.
Kurssiarvosanaa selittävistä tekijöistä vain osa oppiainekohtaisista arvioista ja kurssikohtaisista
kokemuksista on siihen yhteydessä. Vahvin yhteys voidaan havaita peruskoulun päättöarvosa-
nan ja kurssikohtaisen arvosanan välillä (r = .55***). Oppiainekohtaisista arvioista vain kiin-

29
nostus on merkitsevästi yhteydessä kurssin arvosanaan ja kurssikohtaisista kokemuksista vas-
taava yhteys voidaan havaita vain onnistumisodotuksien ja arvosanan välillä. Kurssiarvosanaa
selittävistä tekijöistä osa korreloi myös keskenään. Vahvin yhteys voidaan havaita kurssikoh-
taisen kiinnostuksen ja panostamisen välillä (r = .50***). Kurssiarvosanaa selittävien tekijöiden
välillä ei voida kuitenkaan havaita multikolineaarisuutta, sillä niiden toleranssiarvot (0.57–
0.86) ja VIF-arvot (1.2–1.8) pysyivät selvästi sallitun rajoissa.
Taulukko 4, Korrelaatiotarkastelut ja keskeisimmät tunnusluvut
Osiot 1 2 3 4 5 6 7 8
1 Päättöarvosana 1
2 Oppiaine kiinnostava .301*** 1
3 Oppiaine hyödyllinen .228** .577*** 1
4 Kurssi kiinnostus .229** .416*** .365*** 1
5 Kurssin odotukset .220** .140* .118 .191* 1
6 Kurssiin panostaminen .082 .242** .031 .504*** .179* 1
7 Kurssin kuormittavuus -.053 -.259** -.191* -.344*** -.335*** -.143* 1
8 Kurssin arvosana .553*** .146* .065 .043 .235** .077 -.065 1
Vastaajien määrä, N 156 155 154 141 142 142 143 168
Minimi ja maksimi 4–10 1–7 1–7 1–7 1–10 1–7 1–7 4–10
Keskiarvo, M 8.32 4.3 5.45 4.57 8.35 4.96 3.00 7.73
Standardipoikkeama, SD 0.86 1.53 1.38 1.09 1.07 1.07 0.99 1.05
*p < 0.05, **p < 0.01, ***p < 0.001.
Regressioanalyysin edellyttämä muuttujien normaalijakautuneisuus oli voimassa luvussa 5.3
analysoitujen tulosten sekä liitteiden 4 ja 8 mukaisesti. Kaikkien selittävien muuttujien standar-
doidut jäännökset, suhteessa standardoituihin ennustearvioihin, olivat jakautuneet suhteellisen
satunnaisesti. Myös selitettävien muuttujien standardoidut jäännökset noudattivat pääosin nor-
maalijakaumaan, lukuun ottamatta äidinkielen kurssikohtaista arvosanaa, jonka jakaumassa
esiintyi lievää poikkeamaa. Regressiomallien selittävien muuttujien jäännösten välillä ei näyt-
tävät esiintyvän autokorreloituneisuutta, sillä kaikissa tapauksissa Durbin-Watson -arvot (~2.0)
olivat suurempia kuin yksi ja pienempiä kuin 3.
Yhteenvetona voidaan todeta, että aineisto vaikuttaa regressioanalyyseihin sopivalta.

30
6.3 Äidinkielen kurssikokemuksien ennustaminen
Ensimmäisen tutkimuskysymyksen tarkoituksena oli selvittää, ennustavatko lukio-opiskelijoi-
den arvioima äidinkielen oppiainekohtainen kiinnostus ja sen koettu hyödyllisyys kurssikoh-
taista kiinnostusta, kuormittavuutta, onnistumisodotuksia sekä oppilaiden arvioimaa panosta-
misen määrää, kun aiempi opintomenestys on otettu huomioon. Tutkimuskysymyksen mukaisia
ennusteita tarkasteltiin hierarkkisen lineaarisen regressioanalyysin avulla, jossa muuttujat lisät-
tiin malliin kaksivaiheisesti. Ensimmäisellä askeleella kuhunkin kurssikohtaisten kokemuksien
malleihin tuotiin peruskoulun päättötodistuksen äidinkielen arvosana ja toisella askeleella äi-
dinkielen oppiainekohtainen kiinnostus ja sen koettu hyödyllisyys. Regressioanalyysien tulok-
set on esitetty taulukossa 5.
Kurssikohtaista kiinnostusta ennustettaessa hierarkkisen lineaarisen regressioanalyysin ensim-
mäisen askeleen tulokset osoittivat, että päättötodistuksen arvosana selitti kurssikohtaisen kiin-
nostuksen määrän vaihtelusta noin 5 %. Malli sopi aineistoon hyvin (F1,137 = 7.58, p < .01) ja
päättöarvosana toimi tilastollisesti merkitsevänä ennustajana (β = .23, p < .01). Korkeamman
peruskoulun päättötodistuksen äidinkielen arvosanan saaneet opiskelijat olivat todennäköisesti
muita kiinnostuneempia lukion ensimmäisestä äidinkielen kurssista. Regressioanalyysin toi-
sella askeleella, päättötodistuksen arvosanan kontrolloimisen jälkeen, mallin selitysvoima kas-
voi merkitsevästi (∆R2
= .15, p < .001). Tällöin regressiomalli selitti kurssikohtaisen kiinnos-
tuksen määrän vaihtelusta noin 21 %. Malli säilyi aineistoon sopivana ja sen merkitsevyys pa-
rantui (F3,135 = 11.70, p < .001), vaikka päättötodistuksen arvosana ei säilynyt enää merkitse-
vänä (β = .10, p > .05). Oppiainekohtainen kiinnostus paransi odotetusti mallin selitysvoimaa
ja se toimi päättötodistuksen arvosanan kontrolloimisen jälkeen ainoana merkitsevänä ennusta-
jana (β = .28, p < .01). Tuloksen perusteella voidaan todeta, että äidinkielen oppiaineesta kiin-
nostuneet opiskelijat olivat todennäköisesti vielä kiinnostuneempia lukion ensimmäisestä äi-
dinkielen kurssista. Korrelaatiotarkasteluiden perusteella (taulukko 4) myös oppiaineen koettu
hyödyllisyys näytti olevan yhteydessä kurssikohtaiseen kiinnostukseen (r = .37, p < .001),
mutta päättötodistuksen arvosanan kontrolloimisen jälkeen yhteys ei ollut enää tilastollisesti
merkitsevä (β = .18, p > .05). Huomattakoon, että regressiokertoimen p-arvo (.059) ei ollut
kovin kaukana tilastollisesta merkitsevyydestä.

31
Kurssikohtaisia onnistumisodotuksia ennustettaessa hierarkkisen lineaarisen regressioanalyy-
sin ensimmäisen askeleen tulokset osoittivat, että päättötodistuksen arvosana selitti kurssikoh-
taisten onnistumisodotuksien vaihtelusta noin 5 %. Malli sopi aineistoon hyvin (F1,138 = 7.04,
p < .01 ja päättöarvosana toimi tilastollisesti merkitsevänä ennustajana (β = .22, p < .01). Kor-
keamman peruskoulun päättötodistuksen äidinkielen arvosanan saaneilla opiskelijoilla oli to-
dennäköisesti suuremmat lukion ensimmäiseen äidinkielen kurssiin kohdistuvat onnistumis-
odotukset. Ennusteen mukaan nämä opiskelijat olivat muita varmempia, että he pystyvät omak-
sumaan kurssin oppisisällöt ja tulevat läpäisemään kurssin. Regressioanalyysin toisella aske-
leella, päättötodistuksen arvosanan kontrolloimisen jälkeen, mallin selitysaste kasvoi, mutta ei
tilastollisesti merkitsevästi (∆R2
= .007, p > .05). Malli selitti toisella askeleella kurssiin koh-
distettujen onnistumisodotuksien vaihtelusta kaiken kaikkiaan noin 6 %. Onnistumisodotuksia
ennustava malli säilyi juuri ja juuri aineistoon sopivana (F3,136 = 2.67, p = .050), vaikka mer-
kitsevyys heikentyi. Päättötodistuksen arvosana säilyi merkitsevänä ennustajana (β = .19, p <
.05), vaikka sen tuoma arvo heikentyi. Korrelaatiotarkastelujen perusteella (taulukko 4) äidin-
kielen oppiainekohtainen kiinnostus näytti olevan heikosti, mutta tilastollisesti merkitsevässä
yhteydessä kurssikohtaisiin onnistumisodotuksiin (r = .14, p < .05). Päättötodistuksen arvosa-
nan kontrolloimisen jälkeen yhteys ei ollut enää tilastollisesti merkitsevä (β = .06, p > .05).
Äidinkielen oppiaineen koetun hyödyllisyyden ja onnistumisodotuksien välillä ei esiintynyt ti-
lastollisesti merkitsevää yhteyttä (r = .12, p > .05), eikä oppiainekohtainen hyödyllisyys tuonut
ennustemalliin lisäarvoa (β = .04, p > .05).
Kurssikohtaista panostamisen määrää ennustettaessa hierarkkisen lineaarisen regressioanalyy-
sin ensimmäisen askeleen tulokset osoittivat, että päättötodistuksen arvosana selitti kurssikoh-
taisen panostamisen määrän vaihtelusta alle 1 %. Mallia ei voinut pitää aineistoon sopivana
(F1,138 = 0.94, p > .05), eikä päättöarvosana toiminut tilastollisesti merkitsevänä ennustajana (β
= .08, p > .05). Regressioanalyysin toisella askeleella, päättötodistuksen arvosanan kontrolloi-
misen jälkeen, mallin selitysvoima kasvoi merkitsevästi (∆R2
= .07, p < .01), jolloin malli selitti
kurssikohtaisen panostamisen määrän vaihtelusta noin 8 %. Panostamisen määrää ennustava
regressiomalli muuttui toisella askeleella merkitseväksi (F3,136 = 3.75, p < .05), vaikka päättö-
todistuksen arvosana ei tuonut siihen edelleenkään lisäarvoa (β = .02, p > .05). Toisen askeleen
malli muuttui merkitseväksi ensisijaisesti ja odotetusti oppiainekohtaisen kiinnostuksen avulla,
joka toimi päättöarvosanan kontrolloimisen jälkeen ainoana merkitsevänä ennustajana (β = .33,

32
p < .01). Tämän perusteella voidaan todeta, että äidinkielen oppiaineesta kiinnostuneet opiske-
lijat olivat muita opiskelijoita valmiimpia panostamaan lukion ensimmäiseen äidinkielen kurs-
siin muun muassa tekemällä paljon töitä oppiakseen kurssin asiat. Ennakko-odotusten vastai-
sesti äidinkielen oppiainekohtainen hyödyllisyys ei tuonut malliin lisäarvoa kurssikohtaista pa-
nostamisen määrää ennustettaessa (β = -.16, p > .05).
Kurssikohtaisia kuormittavuuden tuntemuksia ennustettaessa hierarkkisen lineaarisen regres-
sioanalyysin ensimmäisen askeleen tulokset osoittivat, että päättötodistuksen arvosana selitti
kurssikohtaisen kuormittavuuden tuntemuksista vain noin 0.3 %. Mallia ei voinut pitää aineis-
toon sopivana (F1,139 = 0.39, p > .05), eikä päättöarvosana toiminut tilastollisesti merkitsevänä
ennustajana (β = -.05, p > .05). Analyysin toisella askeleella, päättöarvosanan kontrolloimisen
jälkeen, mallin selitysaste kasvoi merkitsevästi (∆R2
= .07, p < .01), jolloin regressiomalli selitti
kurssikohtaisten kuormittavuuden tuntemuksien vaihtelusta kaiken kaikkiaan noin 7 %. Toisen
askeleen malli sopi aineistoon hyvin (F3,137 = 3.47, p < .05), vaikka päättöarvosanaa ei tuottanut
uutta lisäarvoa (β = .03, p > .05). Oppiainekohtainen kiinnostus toimi päättöarvosanan kontrol-
loimisen jälkeen ainoana merkitsevänä ennustajana (β = -.23, p < .05). Tuloksen perusteella
voidaan todeta, että ne opiskelijat, jotka eivät olleet äidinkielen oppiaineesta kiinnostuneita,
kokivat lukion ensimmäisen äidinkielen kurssin todennäköisesti kuormittavana. Tällöin äidin-
kielen kurssin aiheet ja tehtävät saatettiin kokea vaikeina. Lisäksi kurssi saattoi tuntua stressaa-
valta ja kurssilla opiskelu uuvuttavalta. Huomattakoon, että tulos voidaan kääntää myös toisin
päin, jolloin äidinkielen oppiaineesta kiinnostuneet opiskelijat eivät todennäköisesti pitäneet
lukion ensimmäistä äidinkielen kurssia kuormittavana. Korrelaatiotarkasteluiden perusteella
(taulukko 4) oppiaineen koettu hyödyllisyys oli tilastollisesti merkitsevästi yhteydessä kurssin
koettuun kuormittavuuteen (r = -.23, p < .01). Päättöarvosanan kontrolloimisen jälkeen oppiai-
neen koettu hyödyllisyys ei kuitenkaan tuonut malliin odotettua lisäarvoa (β = -.07, p > .05).

33
Taulukko 5, Kurssikohtaisten kokemuksien ennustaminen
B SE β t ∆ R 2
B SE β t ∆ R 2
B SE β t ∆ R 2
B SE β t ∆ R 2
Askel 1
.052** .049** .007 .003
AI_pkpaatto
0.29** 0.11 .23** 2.75** 0.28** 0.10 .22** 2.65** 0.10 0.12 .08 0.97 -0.06 0.10 -.05 -0.62
Askel 2
.154*** .007 .070** .068**
AI_pkpaatto
0.13 0.10 .10 1.28 0.24* 0.11 .19* 2.21* 0.03 0.11 .02 0.23 0.04 0.10 .03 0.37
AI_kiinnostava
0.20** 0.07 .28** 2.94** 0.04 0.07 .06 0.57 0.23** 0.07 .33** 3.2** -0.15* 0.07 -.23* -2.24*
AI_hyödyllinen
0.14 0.07 .18 1.9 0.03 0.08 .04 0.39 -0.13 0.08 -.16 -1.62 -0.05 0.07 -.07 -0.65
Yhteensä R
2
.206 .056 .076 .071
Korjattu R
2
a .189 .035 .056 .050
*p < 0.05, **p < 0.01, ***p < 0.001
Kurssikohtainen kiinnostus Kurssin onnistumisodotukset Kurssiin panostaminen Kurssin kuormittavuus

34
6.4 Äidinkielen kurssin arvosanan ennustaminen
Kolmannen tutkimuskysymyksen tarkoituksena oli selvittää, ennustavatko kurssikohtainen
kiinnostus, kuormittavuus, onnistumisodotukset ja arvioitu panostamisen määrä kurssikohtaista
arvosanaa, kun aiempi opintomenestys ja oppiainekohtaiset arviot otetaan huomioon. Tutki-
muskysymyksen mukaisia ennusteita tarkasteltiin hierarkkisen lineaarisen regressioanalyysin
avulla, jossa muuttujat lisättiin malliin kolmivaiheisesti. Ensimmäisellä askeleella malliin tuo-
tiin peruskoulun päättötodistuksen äidinkielen arvosana ja toisella askeleella äidinkielen op-
piainekohtainen kiinnostus sekä sen koettu hyödyllisyys. Kolmannella askeleella malliin tuotiin
kaikki kurssikohtaiset kokemukset. Regressioanalyysin vaiheittaiset tulokset on esitetty taulu-
kossa 6.
Lukion ensimmäisen äidinkielen kurssin arvosanaa ennustettaessa hierarkkisen lineaarisen reg-
ressioanalyysin ensimmäisen askeleen tulokset osoittivat, että peruskoulun päättötodistuksen
arvosanat selittivät kurssikohtaisten arvosanojen vaihtelusta noin 31 %. Malli sopi aineistoon
hyvin (F1,137 = 60.45, p < .001) ja päättöarvosana toimi tilastollisesti merkitsevänä ennustajana
(β = .55, p < .001). Tuloksen perusteella voidaan todeta, että korkean peruskoulun päättötodis-
tuksen arvosanan saaneet opiskelijat saivat todennäköisesti korkeita arvosanoja myös lukion
ensimmäisen äidinkielen kurssin osalta.
Regressioanalyysin toisella askeleella, päättötodistuksen arvosanan kontrolloimisen jälkeen,
mallin selitysaste kasvoi, mutta ei tilastollisesti merkitsevästi (∆R2
= .004, p > .05). Malli selitti
toisella askeleella kurssikohtaisten arvosanojen vaihtelusta edelleen noin 31 % ja se säilyi ai-
neistoon sopivana (F3,135 = 20,26, p < .001). Myös peruskoulun päättöarvosana säilyi merkitse-
vänä ennustajana (β = .57, p < .001). Sen sijaan toisella askeleella tuodut äidinkielen oppiai-
nekohtainen kiinnostus (β = .02, p > .05) ja sen koettu hyödyllisyys (β = -.08, p > .05) eivät
tuoneet malliin odotettua lisäarvoa, vaikka korrelaatiotarkasteluiden perusteella äidinkielen op-
piainekohtainen kiinnostus oli kurssiarvosanaan merkitsevästi yhteydessä (r = .15, p < .05).
Regressioanalyysin kolmannella askeleella, päättötodistuksen arvosanan ja oppiainekohtaisten
arvioiden kontrolloimisen jälkeen, mallin selitysaste kasvoi, mutta ei tilastollisesti merkitse-
västi (∆R2
= .03, p > .05). Malli selitti kolmannella askeleella kurssikohtaisten arvosanojen
vaihtelusta kaiken kaikkiaan noin 34 % ja se säilyi aineistoon sopivana (F7,131 = 9.57, p < .001).

35
Myös peruskoulun päättöarvosana säilyi merkitsevänä ennustajana (β = .56, p < .001). Korre-
laatiotarkasteluiden perusteella (taulukko 4) äidinkielen kurssiin kohdistetut onnistumisodotuk-
set olivat yhteydessä kurssikohtaiseen arvosanaan (r = .24, p < .01). Efekti kuitenkin hävisi
kurssikohtaista arvosanaa ennustettaessa sen jälkeen, kun päättötodistuksen arvosana ja oppiai-
nekohtaiset arviot olivat kontrolloitu (β = .12, p > .05). Muutkaan kurssikohtaisista kokemuk-
sista eivät tuoneet lisäarvoa kolmannen askeleen malliin: kurssikohtainen kiinnostus (β = .02,
p > .05), kurssiin panostaminen (β = .08, p > .05) ja kurssin koettu kuormittavuus (β = -.04, p
> .05).
Yhteenvetona voidaan todeta, että kaikissa malleissa ainoastaan peruskoulun päättötodistuksen
äidinkielen arvosana toimi merkitsevänä ennustajana, kun ennustettiin lukion ensimmäisen äi-
dinkielen kurssin arvosanaa.
Taulukko 6, Äidinkielen kurssin arvosanan ennustaminen
B SE β t ∆ R
2
Askel 1 .306***
AI_pkpaatto 0.68*** 0.09 .55*** 7.78***
Askel 2 .004
AI_pkpaatto 0.69*** 0.09 .57*** 7.52***
AI_kiinnostava 0.01 0.06 .02 0.22
AI_hyödyllinen -0.06 0.07 -.08 -0.87
Askel 3 .028
AI_pkpaatto 0.68*** 0.09 .56*** 7.24***
AI_kiinnostava 0.01 0.06 .02 0.23
AI_hyödyllinen -0.03 0.07 -.04 -0.47
Kurssi_kiinnostus -0.15 0.09 -.16 -1.63
Kurssi_odotukset 0.11 0.08 .12 1.48
Kurssi_panostaminen 0.08 0.08 .08 0.92
Kurssi_kuormittavuus -0.04 0.09 -.04 -0.52
Yhteensä R
2
.338
Korjattu R
2
a .303
*p < 0.05, **p < 0.01, ***p < 0.001
Äidinkielen kurssin arvosana

36
7 Pohdintaa
7.1 Tuloksia koskeva pohdinta
Tämän tutkimuksen tarkoituksena oli selvittää ennustavatko äidinkielen oppiainekohtainen
kiinnostus ja sen koettu hyödyllisyys kurssikohtaisia kokemuksia, kun peruskoulun päättöto-
distuksen äidinkielen arvosana oli otettu huomioon. Oppiainekohtaisia arvioita kysyttiin lukio-
opintojen alkuvaiheessa ja kurssikohtaisia kokemuksia lukion ensimmäisen äidinkielen kurssin
alussa. Tutkimuksen toisena tavoitteena oli selvittää, ennustavatko äidinkielen kurssikohtaiset
kokemukset lukion ensimmäisen äidinkielen kurssin arvosanaa, kun aiempi opintomenestys ja
oppiainekohtaiset arviot oli otettu huomioon. Kurssikohtaiset kokemukset mittasivat kurssin
alussa koettua kiinnostusta, kurssiin liitettyjä onnistumisodotuksia, koettua kuormittavuutta ja
arvioitua panostamisen määrää.
Ensimmäisen tutkimuskysymyksen tulosten perusteella peruskoulun päättötodistuksen äidin-
kielen arvosana ennusti hierarkkisten mallien ensimmäisillä askeleilla kurssiin liitettyä kiinnos-
tusta ja onnistumisodotuksia. Mallien toisessa vaiheessa aiemman opintomenestyksen efekti
kuitenkin hävisi kurssikohtaista kiinnostusta ennustettaessa. Päättöarvosanan kontrolloimisen
jälkeen äidinkielen oppiainekohtainen kiinnostus ennusti kurssin alussa koettua kiinnostusta,
panostamisen määrää ja kuormittavuuden tuntemuksia. Tulokset ovat samansuuntaisia sekä
teorian että aiempien tutkimustuloksien kanssa. Harackiewiczin ja hänen kollegoidensa (2008,
s. 117) mukaan oppiainekohtainen kiinnostus ennusti kurssin alussa arvioitua kiinnostusta. Tu-
loksien perusteella voidaan siten todeta, että yksilöllisen kiinnostuksen perusteella voidaan en-
nustaa tilannekohtaista kiinnostusta. Lisäksi voidaan todeta, että oppiaineesta kiinnostuneet
opiskelijat jaksavat yleensä panostaa ja tehdä töitä opiskelun eteen (Silvia, 2008, s.58; Ainley,
Hillman & Hidi, 2002, s. 412) mahdollisista kuormittavuuden tuntemuksista huolimatta (Durik
& Harackiewicz, 2007, s. 598). Korrelaatiotarkastelujen vastaisesti oppiainekohtainen kiinnos-
tus ei ennustanut äidinkielen kurssiin liitettyjä onnistumisodotuksia.
Päättöarvosanan kontrolloimisen jälkeen oppiaineen koettu hyödyllisyys ei ennustanut kurssi-
kohtaisia kokemuksia. Huomattakoon, että kurssikohtaista kiinnostusta ennustettaessa, oppiai-
neen koetun hyödyllisyyden regressiokerroin oli hyvin lähellä tilastollista merkitsevyyttä (p =

37
.059). Merkitsevä tulos olisi ollut samansuuntainen aiempien tutkimuksien kanssa, sillä eri tut-
kimustuloksien mukaan odotusarvoteorian arvouskomuksien ja oppiaineen koetun hyödyllisyy-
den on todettu olevan samansuuntaisesti yhteydessä kurssin alussa koettuun kiinnostukseen
(Barron & Hulleman, 2015, s. 504; Hulleman, Godes, Hendricks & Harackiewicz, 2010 s. 885–
890). Kuormittavuuden tuntemuksia ei ole juuri tutkittu odotusarvoteorian näkökulmasta, mi-
käli ne tulkitaan opiskelun kustannusvaikutuksiksi. Barron ja Hulleman (2015, s. 504–505) eh-
dottavatkin, että tämän tyyppisiä tutkimusasetelmia lisättäisiin. Tässä tutkimuksessa äidinkie-
len oppiaineen koettu hyödyllisyys ei ennustanut kurssikohtaisia kuormittavuuden tuntemuksia.
Aiemmissa tutkimuksissa oppiaineen koettu hyödyllisyys on ennustanut myös kurssiin liitettyjä
onnistumisodotuksia (Barron & Hulleman, 2015, s. 504) sekä panostamisen määrää (Eccles
ym., 1983, s. 89–90), mutta ne eivät nousseet esille tässä tutkimuksessa.
Toisen tutkimuskysymyksen tulosten perusteella peruskoulun päättötodistuksen äidinkielen ar-
vosana ennusti kurssikohtaista arvosanaa hierarkkisen mallin kaikissa vaiheissa. Mallin toisessa
vaiheessa, päättöarvosanan kontrolloimisen jälkeen, oppiainekohtainen kiinnostus ei ennusta-
nut kurssikohtaista arvosanaa, vaikka näiden positiivisesta yhteydestä on runsaasti aiempaa tut-
kimusnäyttöä (Schiefelen, 2009, s. 201). Tilanne oli yhtäläinen oppiaineen koetun hyödyllisyy-
den kohdalla, vaikka tämänkin yhteyksistä opintomenestykseen löytyy aiempia tutkimustulok-
sia (Barron & Hulleman, 2015, s. 504; Hulleman, Godes, Hendricks & Harackiewicz, 2010 s.
885–890). Mallin kolmannessa vaiheessa yksikään kurssikohtaisista kokemuksista ei ennusta-
nut lukion ensimmäisen äidinkielen kurssin arvosanaa. Tulos on erisuuntainen suhteessa
Trautweinin ja hänen kollegoidensa (2012, s. 1) tutkimustuloksiin, joiden perusteella onnistu-
misodotukset ennustivat opintomenestystä. Lisäksi aiempien tutkimuksien perusteella olisi
voitu odottaa, että kurssikohtainen kiinnostus (Harackiewicz, ym., 2008, s. 117) ja panostami-
sen määrä (Durik & Harackiewicz, 2007, s. 598) olisivat ennustaneet kurssikohtaista opinto-
menestystä.
7.2 Tutkimuksen rajoitukset
Tutkimuksen tarkoituksena oli tarkastella lukio-opiskelijoiden äidinkieleen kytketyn motivaa-
tion yhteyttä kurssikokemuksiin ja oppimistuloksiin. Motivaatiota tarkasteltiin kiinnostus- ja
odotusarvoteorioiden näkökulmasta. Lukion alussa kysytyn oppiainekohtaisen kiinnostuksen
tarkoituksena oli kuvata äidinkieleen liittyvää yksilöllistä kiinnostusta, jota mitattiin kuitenkin

Kandidaatintutkielma Heidi Maanonen

Kandidaatintutkielma Heidi Maanonen

Recommended

Recommended

More Related Content

What's hot

What's hot (9)

Viewers also liked

Viewers also liked (7)

Similar to Kandidaatintutkielma Heidi Maanonen

Similar to Kandidaatintutkielma Heidi Maanonen (20)

More from Heidi Maanonen

More from Heidi Maanonen (8)

Kandidaatintutkielma Heidi Maanonen