Change search
CiteExportLink to record
Permanent link

Direct link
Cite
Citation style
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Other style
More styles
Language
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Other locale
More languages
Output format
  • html
  • text
  • asciidoc
  • rtf
En bild säger mer än tusen ord: könsnormer i NO-läromedel i årskurs 4
University West, Department of Social and Behavioural Studies, Division for Educational Science and Languages.
University West, Department of Social and Behavioural Studies, Division for Educational Science and Languages.
2021 (Swedish)Independent thesis Basic level (professional degree), 10 credits / 15 HE creditsStudent thesisAlternative title
A picture is worth a thousand words : gender norms in science textbooks, year 4 (English)
Abstract [sv]

Genom tiderna har både mannen och kvinnan skildrats på många olika sätt. Hur kvinna och mannen ska se ut, bete sig eller vad de ska ha för personlighet är kulturella gemensamma föreställningar och dessa föreställningar kallas för könsstereotyper (Else-Quest & Hyde, 2021, s.58). Kvinnan och mannen framställs ofta, bland annat i media, som motpoler till varandra som förstärker dessa könsstereotyper (Svaleryd & Hjertson, 2018, s.92). Könsstereotyper kan göra stor skada på alla då man kan känna sig orättvist behandlad eller dömd på grund av dessa antaganden om hur man ska vara eller se ut (Else-Quest & Hyde, 2021, s.61).

I denna undersökning har bilder på personer i tre NO-läromedel analyserats utifrån ett genusperspektiv. De läromedlen vi har utgått ifrån är för årskurs 4 och heter Kolla på NO (2014), Lära NO (2019) och PULS NO (2020). Analysen har genomförts genom en innehållsanalys med inslag av en diskursanalytisk ansats.

Syftet med undersökningen är att ge insikt i huruvida NO-läromedlen framställer kön stereotypisk eller inte. I undersökningen har vi besvarat frågeställningarna ”hur ser könsfördelningen ut?”, ”hur ser könsfördelningen ut gällande barn respektive vuxna?”, ”i vilken utsträckning framställs kön stereotypiskt respektive icke-stereotypiskt?” och ”finns det likheter och/eller skillnader mellan läromedlen?”. Genom metoden innehållsanalys har vi sorterat vårt material och fått fram statistik på hur könsfördelningen och könsfördelningen gällande barn respektive vuxna ser ut. Med den diskursanalytiska ansatsen, som vi baserade på olika forskares referenser angående stereotypiska normer, analyserade vi om läromedlen framställde människorna stereotypisk eller inte.

Resultatet i vår undersökning visar att nyare läromedel, Lära NO & PULS NO, inte framställer kön lika stereotypiskt jämfört med det äldre läromedlet, Koll på NO. Resultatet visar även att det är mannen som framställs mest frekvent i alla tre läromedel. I undersökningen fick vi också fram en kategori som vi benämnde ospecificerad, då vi inte kunde avgöra kön på dessa människor utifrån våra riktlinjer. Denna kategori skapar enligt oss ett större tolkningsutrymme för läsaren som då inte behöver ta ställning angående kön.

Place, publisher, year, edition, pages
2021. , p. 25
Keywords [sv]
Läromedel, textanalys, genus, könsnormer, stereotyper
National Category
Educational Sciences
Identifiers
URN: urn:nbn:se:hv:diva-16679Local ID: EXG500OAI: oai:DiVA.org:hv-16679DiVA, id: diva2:1580379
Subject / course
Educational science
Educational program
Teacher Traning Programme
Examiners
Available from: 2021-07-21 Created: 2021-07-14 Last updated: 2021-07-21Bibliographically approved

Open Access in DiVA

No full text in DiVA

By organisation
Division for Educational Science and Languages
Educational Sciences

Search outside of DiVA

GoogleGoogle Scholar

urn-nbn

Altmetric score

urn-nbn
Total: 308 hits
CiteExportLink to record
Permanent link

Direct link
Cite
Citation style
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Other style
More styles
Language
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Other locale
More languages
Output format
  • html
  • text
  • asciidoc
  • rtf