Tekoälyjen ja opiskelijoiden kilpajuoksu

Kuva: Timo Seppälä

Kirjoittajat Atte Kapanen  & Timo Seppälä

Tekoälyn kilpajuoksu – Mihin toimenpiteisiin Aalto-yliopiston tekniikan opiskelijat hyödyntävät tekoälytyökaluja?
 

Tiivistelmä

Tarkoitus: Selvitetään, millaisiin toimenpiteisiin ja käyttötarkoituksiin Aalto-yliopiston opiskelijat ovat hyödyntäneet tekoälytyökaluja kandidaattitason kurssilla "TU-C2020 Operaatioiden johtaminen" osana harjoitusryhmätyön tekemistä vuosina 2024 ja 2025. Muodostetaan jatkotutkimuksia varten aineistopohjainen toimenpiteiden luokittelu. 

Aineisto, menetelmät ja aineiston jäsentyminen: Aineistona on opiskelijaryhmien vapaamuotoisoa ilmoituksia tekoälytyökalujen käytöstä harjoitustyössä (n = 259). Ilmoitukset kerättiin osana vaiheittain etenevää harjoitustyötä, jossa suunniteltiin tuotantojärjestelmä uudelle leluautolle. Ilmoitukset sisältävät kuvauksia siitä, miten tekoälytyökaluja hyödynnettiin ja miten tiedon oikeellisuus varmistettiin. Aineisto analysoitiin laadullisen sisällönanalyysin keinoin, ja sen pohjalta kehitettiin viiteen toimenpideluokkaan jäsentyvä luokittelu: 1. tiedonkäsittely ja muut senkaltaiset tukitoiminnot, 2. mekaaninen tiedonhaku, 3. selittäminen ja ohjeistaminen, 4. luovien tuotoksien synnyttäminen sekä 5. palautteen vaihto.

Löydöksiä, havaintoja ja pohdintaa: 1.Tekoälytyökalujen käyttö on opiskelijaryhmien keskuudessa yleistä ja hyvin moninaista, ja käyttö kohdistuu lukuisiin erilaisiin toimenpiteisiin harjoitustyön eri vaiheissa. 2. Saman toimenpideluokan sisällä käytön kognitiivinen syvyys ja vuorovaikutuksen luonne vaihtelevat, mikä näkyy erityisesti opiskelijan roolissa tuotoksien tulkitsijana. 3. ChatGPT:n kaltaiset tekoälysovellukset näyttäytyvät kaikkien ongelmien yleisavustajina. 4. Tekoälyä tai sen käyttöä ei voida ymmärtää yhtenä ilmiönä, vaan käytöstä pitää kerätä systemaattisemmin ja standardisoidummin ilmoituksia ja ilmoitusten tarkastelussa pitää huomioida useita ulottuvuuksia.

Avainsanat: Tekoälytyökalut, generatiivinen tekoäly, suuret kielimallit, yliopisto, korkeakouluopetus, opiskelijat, tekoälyohjeistus, käyttötapaukset. 

Johdanto

Tekoälykeskustelu on viime aikoina ollut vilkasta⁽¹⁾ ja tekoälytyökalujen käyttö on yleistynyt etenevissä määrin jopa akateemisessa kontekstissa⁽²⁾. Generatiivinen tekoäly on tullut monelle tutuksi useiden osin maksuttomasti käytettävien suurten kielimallien (eng. large language model, LLM) myötä.

Marraskuun 2022 lopussa yhdysvaltalainen OpenAI esitteli ChatGPT-3.5-mallin⁽³⁾, mikä nosti tekoälytyökalujen kehityksen laajaan tietoisuuteen ja vauhditti niiden laajamittaista kokeilemista yhteiskunnassa. Tämän jälkeen on julkaistu ChatGPT:n myöhempiä versioita sekä muiden toimijoiden tekstipohjaisia malleja, kuten Metan Llama-mallit (2/23–), Googlen Bard- (3/23) ja Gemini-mallit (2/24–), Anthropicin Claude-mallit (3/23–), xAI:n Grok-mallit (11/23–) ja kiinalaiset DeepSeek-mallit (1/25–)⁽⁴⁾. Mallien kilpajuoksu jatkuu edelleen. 

Sittemmin näistä tekoälysovelluksista on tullut tehokkaita tiedonkäsittelyn apuvälineitä, ja ne ovat tuoneet käyttäjien ulottuville työkaluja, jotka aiemmin olivat saavutettavissa vain teknisen osaamisen tai ohjelmointitaitojen avulla. Tekoälyratkaisuihin liitetään laajoja mahdollisuuksia: parhaimmillaan ne voivat tehostaa erilaisia prosesseja ja mahdollistaa sellaista, mikä ei ennen ollut mahdollista. Samaan aikaan keskustelu eettisistä ongelmista ja vaikutuksista esimerkiksi oppimiseen ja ihmisen omaan luovaan ja kriittiseen ajatteluprosessiin on kiihtynyt. 

Vaikka tekoälytyökalujen käytöstä on paljon havaintoja, niiden lyhyt- ja pitkäaikaisista vaikutuksista oppimiseen ja ajatteluun on vielä vähän empiirisesti perusteltua, aineistopohjaista tutkimustietoa⁽⁵⁾. Ongelmana on usein se, että tekoäly ei ole yksittäinen sovellus tai työkalu, vaan joukko teknologioita⁽⁶⁾, joita käytetään eri tarkoituksiin ja eri tavoilla, joiden käyttöön ei ole olemassa yhtenäistä ohjeistusta ja joiden toimintaperiaatteista ei ole tarkkaa tietoa. Lisäksi tarkasteluaika on edelleen lyhyt. Osa organisaatioista onkin rajoittanut tai jopa kieltänyt tekoälytyökalujen käytön, kun taas toiset ovat tarjonneet ohjeita ja tukea käyttöön.

Aalto-yliopistossa tekoälytyökalujen käyttö nähdään mahdollisuutena ja tärkeänä taitona osana sekä opetusta ja oppimista että tulevaisuuden työelämää⁽⁷⁾. Yliopiston yleisohjeistus ei rajoita tekoälyn käyttöä⁽⁸⁾, mutta yksittäisillä kursseilla voidaan asettaa käyttöä koskevia ehtoja tietyissä tehtävissä. Yliopisto tarjoaa ohjeita hyvään akateemiseen käytäntöön⁽⁹⁾, ja ohjeissa sivutaan myös tekoälytyökalujen käyttöä. 

Tuotantotalouden laitoksen järjestämällä kandidaattikurssilla ”TU-C2020 Operaatioiden johtaminen” tekoälytyökalujen käyttö harjoitusryhmätyössä on nähty hyödyllisenä ja siihen on kannustettu yleisten vinkkien muodossa. Opiskelijoita kuitenkin velvoitetaan ilmoittamaan ja kuvaamaan mahdollinen tekoälytyökalujen käyttö harjoitustyössä, jotta käytön vaikutuksia voidaan tarkastella esimerkiksi osana oppimisprosessia.

Operaatioiden johtamisen kurssilla yleensä noin neljän hengen ryhmissä tehtävässä harjoitustyössä opiskelijat suunnittelevat vaiheittain tuotantojärjestelmän uudelle muoviselle leluajoneuvolle. Työssä myös ratkaistaan keskeisiä operatiivisia kysymyksiä, perustellaan liiketoimintamalli ja laaditaan taloudellisia laskelmia. Tekoälytyökaluja on mahdollista hyödyntää muun muassa tiedonhaun, oppimisen, kääntämisen, vertaamisen, ideoimisen, analysoimisen, arvioimisen ja kirjoittamisen tukena, mikä erottaa työn luonteeltaan yksittäisiä, kapeampia suorituksia (esim. pelkkä essee, koodaus) laajemmaksi kokonaisuudeksi. 

Tässä tutkimuksessa käydään läpi opiskelijaryhmien ilmoitukset (n = 259) tekoälytyökalujen käytöstä kahden vuoden ajalta. Tavoitteena on muodostaa kokonaiskuva siitä, millaisiin toimenpiteisiin ja käyttötarkoituksiin tekoälytyökaluja on hyödynnetty. Aineisto esitellään tarkemmin, käytöstä kehitetään luokittelutapa suoritettavien toimenpiteiden mukaan ja jatkotutkimuksen mahdollisuuksia pohditaan.

Aineisto, menetelmät ja aineiston jäsentyminen

Aineiston kuvaus 

Aalto-yliopiston tuotantotalouden laitoksen kurssilla ”TU-C2020 Operaatioiden johtaminen” kandidaattitason opiskelijat tekevät yleensä neljän hengen ryhmissä teoriaa käytäntöön soveltavan neljästä osapalautuksesta sekä ne kokoavasta ja niitä täydentävästä loppupalautuksesta koostuvan harjoitustyökokonaisuuden (työmäärä arviolta 55 h per hlö). 

Harjoitustyössä suunnitellaan ja rakennetaan vaiheittain tuotantojärjestelmä uudelle muoviselle leluajoneuvolle, mietitään ratkaisuja keskeisiin operatiivisiin kysymyksiin, perustellaan liiketoimintamalli yritykselle ja tehdään taloudellisia laskelmia. Jokainen ryhmä saa oman ajoneuvotyypin (esim. kaivinkone) sekä yksilölliset kysyntäarviot lelulle ja analysoitavat tehtaan sijaintivaihtoehdot. 

Osapalautuksissa kirjoitetaan ja suunnitellaan osia harjoitustyön kokonaisuudesta. Loppupalautuksessa osapalautukset kootaan kokonaiseksi raportiksi, puutteita ja virheitä korjataan, analyysejä täydennetään ja esimerkiksi tiivistelmä kirjoitetaan. Lopputuotos on siis sujuvaksi ja yhtenäiseksi muotoiltu selkeärakenteinen raportti, joka sisältää on muun muassa tiivistelmän, sisällysluettelon, johdannon, kattavan lähdeluettelon, analyysitekstit, vertailut ja arviot, ratkaisut tuotantojärjestelmästä ja operatiivisesta toiminnasta, taloudellisia laskelmia sekä kuvia, taulukoita ja kaavioita.

Harjoitustyön voi kirjoittaa suomeksi, ruotsiksi tai englanniksi. Harjoitustyössä suositellaan käyttämään apuna kurssikirjaa⁽¹⁰⁾, jonka teorian soveltamiseen arviointikriteerit perustuvat. Hyvän tuloksen saaminen vaatii myös ulkopuolisia lähteitä ja viitteitä työssä tehtävien analyysien, päätelmien ja valintojen tueksi sekä selkeän ja yhtenäisen rakenteen ja muotoilun. Harjoitustyöhön ei ole yksittäistä oikeaa vastausta, vaan opiskelijoilta vaaditaan hyvin perusteltuja arvioita ja tulkintoja. 

Tietoteknisten ohjelmistojen tai työkalujen käyttöä ei rajoiteta tai velvoiteta. Opiskelijoilla on lupa hyödyntää tekoälytyökaluja (mm. generative pre-trained transformer eli GPT-sovelluksia) monipuolisesti. Tekoälyn käyttöön on vuodesta 2024 kannustettu tutustumaan ja sen hyödyntämisestä annetaan yleisiä vinkkejä videosarjaksi⁽¹¹⁾ koostetun käyttötapausesimerkkien muodossa. Ryhmien tulee kuitenkin ilmoittaa mahdollinen käyttö ja kertoa, miten ja minkälaisessa roolissa tekoälyä hyödynnettiin sekä miten sen tuotoksien oikeellisuus varmistettiin. Nämä opiskelijaryhmien vapaasti muotoilemat ilmoitukset on kerätty vuosilta 2024 ja 2025 erikseen joka palautuksesta.

Vuonna 2024 ilmoituksia tekoälyn käytöstä saatiin 37 ryhmältä 67 ryhmästä (noin 55 %:a ryhmistä) ja vuonna 2025 puolestaan 40 ryhmältä 69 ryhmästä (noin 58 %:a ryhmistä). Vuonna 2024 ilmoituksia kertyi yhteensä 142 kappaletta 355 palautuksesta (noin 40 %:sta tehdyistä palautuksista). Vuonna 2025 ilmoituksia kertyi yhteensä 117 kappaletta 355 palautuksesta (noin 33 %:sta tehdyistä palautuksista). Yhteensä ilmoituksia kertyi siis 259 kappaletta 77 ryhmältä 136 ryhmästä. Kurssilaiset ovat itse valinneet ryhmänsä, ja ryhmät edustavat pääasiassa tekniikan alan kandidaattitason DI-opiskelijoita Aalto-yliopiston eri korkeakouluista.

Joitakin esimerkkejä ryhmien ilmoitusten sisällöstä

Opiskelijaryhmien ilmoitukset eroavat toisistaan tyyliltään ja kattavuudeltaan. Ilmoituksissa ilmenee hyvin erilaisia käyttötapauksia tehostamisesta ja oppimisen tuesta kokeiluihin. Taulukko 1 näyttää kolme esimerkkiä opiskelijoiden ilmoituksista. 

TAULUKKO 1: Esimerkkejä opiskelijaryhmien ilmoituksista. 

Toimenpiteiden luokittelun muodostaminen

Analyysissa tarkasteltiin Aalto-yliopiston ”TU-C2020 Operaatioiden johtaminen” -kurssin opiskelijaryhmien ilmoituksia (259 kappaletta) tekoälytyökalujen käytöstä harjoitustöissään vuosina 2024 ja 2025. Harjoitustyön osapalautuksista ja loppupalautuksesta kerätyt opiskelijoiden vapaamuotoiset kuvaukset tekoälytyökalujen käytöstä, niiden roolista työssä ja käytön luotettavuuden varmistamisesta koottiin ryhmäkohtaisesti. Ilmoitukset tunnistettiin palautuksen ja ryhmän numeron mukaan, jolloin ryhmät jäsenet pysyivät anonyymeinä. 

Aineisto analysoitiin laadullisen sisällönanalyysin keinoin. Ilmoituksia luettiin ja tulkittiin, minkä perusteella muodostettiin viisi laajempaa toimenpideluokkaa, jotka kokoavat yhteen ja kuvaavat samankaltaisia tekoälysovelluksella suoritettavia toimenpiteitä⁽¹²⁾. Analyysin tavoitteena oli tunnistaa harjoitustyön kontekstissa keskeisimmät tekoälytyökalujen käyttötapauksia. Luokittelu toteutettiin aineistolähtöisesti, ja sen rakentamisessa hyödynnettiin myös keskusteluanalyysin keinoja.

Luokitteluprosessi eteni vaiheittain. Analysointi alkoi ilmoitusten läpikäynnillä ilman ennalta määriteltyjä luokitteluja. Ilmoitusten joukosta poimittiin erilaisia esimerkkejä ja niiden kuvauksia yksittäisistä tekoälyn käyttötapauksista. Poimittuja työkalujen käyttötapauksia ryhmiteltiin toiminnallisten piirteiden perusteella jonkinlaisiksi toimenpidekokonaisuuksiksi, kuten tiedon etsiminen, tekstin tiivistäminen tai kääntäminen. 

Näin toistuvista ja keskenään samankaltaisista käyttötapauksista alkoi vähitellen muodostua alustavia toimenpideluokkia. Luokkien sisältöä ja rajoja täsmennettiin vertaamalla uusia ilmoituksia ja niiden vastaavuutta kunkin hetkisiin luokkiin. Luokittelun muodostamisesta käytiin keskusteluja kurssin vastuuopettajan ja muun laitoksen henkilöstön kanssa, minkä pohjalta luokkien kuvauksia ja rajauksia saatiin hahmoteltua ja tarkennettua. Luokkia yhdisteltiin ja jaettiin osiin tarvittaessa. 

Lopuksi ilmoitukset käytiin uudelleen läpi ja luokkien ilmentymistä tarkasteltiin kussakin ilmoituksessa. 

Toimenpideluokat

Opiskelijaryhmien ilmoituksista tekoälytyökalujen käytöstä muodostui laadullisen sisällönanalyysin pohjalta viisi toimenpiteiden pääluokkaa. Luokat kuvaavat samantyyppisiä käyttötarkoituksia ja toimenpiteitä, joissa tekoälytyökaluja voidaan hyödyntää:

1. Tekstinkäsittely ja muut senkaltaiset tukitoiminnot

2. Mekaaninen tiedonhaku

3. Selittäminen ja ohjeistaminen

4. Luovien tuotoksien synnyttäminen

5. Palautteen vaihto

Luokat ovat osittain päällekkäisiä: sama tekoälyn käyttötapaus voi sijoittua useaan luokkaan. Esimerkiksi käännöstoiminto voi olla samaan aikaa tekstinkäsittelyä, mekaanista tiedonhakua ja ohjeistamista tilanteessa, jossa vieraskielinen tehtävänanto halutaan käännettynä ja selitettynä. Luokat eivät myöskään muodosta hierarkiaa, sillä mikään luokka ei ole toisen ylä- tai alapuolella sisällöllisesti tai teknisesti.

Opiskelijoiden ilmoituksien käyttötapaukset jakautuvat kuitenkin karkeasti näihin viiteen kategoriaan. Taulukko 2 esittää luokkien tarkemmat kuvaukset. 

On huomioitava, että vastaavia toimenpiteitä voi toteuttaa myös muilla teknologisilla työkaluilla, joita ei yleisesti mielletä tekoälyksi (esimerkiksi automaattinen oikoluku). Luokittelu ei ota kantaa suoritettavien toimenpiteiden tai tekoälytyökalujen hyödyntämisen järkevyyteen. 

KAAVIO 1: Hahmotelma luokkien päällekkäisyyksistä ja suuntaa antavista rajoista. Toimenpideluokkien rajat ovat karkeat ja niiden ulkopuolellakin on mahdollisesti toimenpiteitä.

TAULUKKO 2: Tekoälytyökalujen käytön viisi toimenpideluokkaa sekä niiden luonnehdinta ja esimerkit. 

Löydöksiä, havaintoja ja pohdintaa

1. Tekoälytyökalujen käyttö on moninaista ja vaihtelevaa

Opiskelijaryhmien ilmoituksien perusteella tekoälytyökalujen käyttö on moninaista ja vaihtelevaa. Käyttöä kohdistuu useisiin eri osiin harjoitustyön teossa, ja ilmoitusten perusteella sama ryhmä käyttää usein moniin eri toimenpiteisiin tekoälyä. Luokista eniten mainintoja saa luovien tuotoksien synnyttäminen (74 %) ja tekstinkäsittely ja muut senkaltaiset tukitoiminnot (68 %), kun taas vähiten mainintoja saa palautteen vaihto (16 %). Yksittäisissä toimenpiteissä korostuu erityisesti lähdeviitteiden formalisointi ja jonkinlainen inspiraation hakeminen. 

2. Toimenpideluokkien sisällä on eritasoista vuorovaikutusta ja erilaista kognitiivista syvyyttä

Saman toimenpideluokan sisällä ja jopa saman toimenpiteen nimellä kuvatuissa käyttötapauksissa voi esiintyä merkittäviä eroja niin tekoälysovelluksen ja ihmisen vuorovaikutuksen luonteessa kuin käytön kognitiivisessa syvyydessä. 

Eroja näkyy erityisesti siinä, miten tekoälysovelluksen tuottamaa tietoa hyödynnetään ja jäsennellään. Joskus tietoa ja tuotoksia käytetään sellaisenaan ja vuorovaikutus on yksisuuntaista, kun taas joskus ihmisen rooli on paljon laajempi: hän punnitsee ehdotuksia, vertaa niitä aiempaan osaamiseen ja tekee omia johtopäätöksiä. Tällöin käyttö on hyvin vuorovaikutteista, toistuvaa ja käyttäjältä aktiivista tulkintaa, arviointia ja päätöksentekoa edellyttävää. 

Esimerkiksi palautteen vaihto voi tarkoittaa pelkkää kieliasun kommentointia ja parannusehdotusten hyväksymistä taikka vaihtoehtoisesti tekoälyn hyödyntämistä sen arvioimiseen, kuinka hyvin tuotos vastaa tehtävänantoa ja onko johtopäätökset loogisia suhteessa annettuun dataan. Samoin luovan tuotoksen tuottaminen voi olla yksittäinen ehdotus, kuten yrityksen nimen keksiminen, tai pidemmälle menevä vuoropuhelu, jossa ihminen pyytää tekoälysovellukselta vaihtoehtoisia ratkaisuja johonkin ongelmaan ja arvioi niiden soveltuvuutta.

3. ChatGPT:n kaltaiset tekoälysovellukset näyttäytyvät yleisavustajina kaikenlaisissa tehtävissä

Opiskelijoiden tekoälytyökalujen käyttöilmoituksien perusteella ChatGPT:n kaltaiset tekoälysovellukset näyttäytyvät yleisavustajina kaikenlaisissa tehtävissä. Tästä herää kysymys, onko käymässä niin, että samaa sovellusta aletaan käyttää jokaiseen ongelmaan, vaikka parempiakin työkaluja olisi olemassa.

Aineiston perusteella vaikuttaa siltä, että kielimallipohjaista tekoälyä käytetään hyvin laajasti, myös tilanteissa, joissa olisi saatavilla tehtävään soveltuvampia ja aiemmin hyväksi todettuja työkaluja. Esimerkiksi lähdeviitteiden muotoilussa monet opiskelijaryhmät ovat pyytäneet ChatGPT:tä muuttamaan vapaamuotoisen lähdeluettelon oikeaan viittaustyyliin ja aakkosjärjestykseen, vaikka tarjolla olisi kyseiseen tarkoitukseen suunniteltuja viitteidenhallintaohjelmia, kuten Mendeley tai Zotero. Vastaavasti kaavioiden piirtämisessä tai yksinkertaisissa laskutoimituksissa osa opiskelijoista on turvautunut tekoälytyökaluihin, vaikka samat asiat olisivat toteutettavissa suoraan esimerkiksi Excelillä tai laskimella, joissa mikään kielimalli ei voisi muuttaa alkuperäistä aineistoa eli niin sanotusti hallusinoida. 

Tällainen käyttö voi kertoa siitä, että opiskelijat kokevat kielimallit helpoksi, mukavaksi ja matalan kynnyksen välineeksi, jota voi käyttää lähes kaikkeen, erityisesti silloin, kun tehtävä koetaan vaikeaksi, aikataulu on tiukka tai oma osaaminen epävarmaa. On myös mahdollista, ettei vaihtoehtoisia työkaluja tunneta tai hallita riittävästi, tai niihin ei koeta kannattavan panostaa, jos kielimalleilta saa valmiin vastauksen nopeammin. 

Kun sama tekoälysovellus toimii jatkuvasti ensisijaisena ratkaisijana erilaisiin ongelmiin, vaarana on liiallinen riippuvuus: ajattelun monipuolisuus kaventuu, oppimismahdollisuuksia jää hyödyntämättä ja opiskelijan työkalupakki pysyy suppeana. Olisiko tähän yhtenä ratkaisuna se, että eri työkalujen käyttöä esiteltäisiin ja opetettaisiin opiskelijoilla esimerkiksi ensimmäisenä yliopistovuonna, mikä nykyisin jää hyvin olemattomaksi?

4. Rajoitteet

Tutkimukseen liittyy joitakin rajoitteita, eikä löydökset siten välttämättä kuvasta ihan kaikkea tekoälytyökalujen käyttöä. 

Rajoitteet:

• Ilmoitusten luotettavuus: Opiskelijat eivät välttämättä ole ilmoittaneet kaikkea käyttöään. Osa käytöstä on saattanut jäädä ilmoittamatta esimerkiksi vilppiepäilyksien tai laiskuuden vuoksi. Julkinen keskustelu tekoälytyökalujen käytöstä on voinut synnyttää opiskelijoille epävarmuutta tai negatiivisia mielikuvia, jotka vaikuttavat siihen, mitä ja miten ilmoitetaan. Vaikka ilmoituksen tekeminen velvoitetaan, on mahdollista myös, etteivät opiskelijat ole jaksaneet kirjoittaa kuvausta tekoälytyökalujen käytöstä, koska siitä ei ole saanut lisäpisteitä harjoitustyöhön.
• Yksilötason erojen tunnistamattomuus: Ilmoitukset on tehty ryhmäkohtaisesti, eikä niistä voi päätellä yksittäisten opiskelijoiden tekoälytyökalujen käyttöä. On siis mahdollista, että ryhmässä pääasiassa vain yksi opiskelija on hyödyntänyt tekoälytyökaluja, mikä rajoittaa myöhempää mahdollista suoritustuloksien tarkastelua. Toisaalta ryhmätyö on pitänyt sovittaa yhteiseen muotoon ja opiskelijat eivät ole ainakaan täysin pystyneet jakamaan työn osia kullekin opiskelijalle tehtäväksi.
• Käytön määrän arvioinnin mahdottomuus: Ilmoituksista voidaan päätellä, mitä toimenpiteitä tekoälyllä on tehty, mutta ei aina sitä, kuinka paljon tekoälyä on käytetty, kuinka monta kertaa, kuinka pitkään tai missä vaiheissa työskentelyä. Näin ollen käytön intensiteetti jää aineistossa näkymättömäksi.
• Ilmoitusten tulkinta: Ilmoitukset ovat vapaamuotoisia, mikä tekee niistä keskenään vaihtelevia ja vaikeasti vertailtavia. Käytetty kieli, tarkkuuden taso ja kirjoittajan tyyli vaihtelevat. Luokittelu perustuu ilmoitusten tulkintaan ja on siten osin epävarma. 

5. Tekoälyn käyttöä ei voi tarkastella vain yhtenä ilmiönä – Tietoa tulisi kerätä systemaattisemmin ja täsmällisemmin

Jotta tekoälyn käyttöä voitaisiin tutkia tarkemmin ja luotettavammin, tietoa siitä tulisi kerätä systemaattisemmin ja täsmällisemmin. Nykyisen kaltainen vapaamuotoinen ilmoittaminen tuottaa laadullista ymmärrystä, mutta ei se sellaisenaan kovin hyvin mahdollista esimerkiksi kvantitatiivista vertailua, käyttömäärien arviointia tai käytön yhteyksien tarkastelua yksilöllisiin oppimistuloksiin, mikä olisi kiinnostava jatkotutkimuskohde. 

Pelkkä ilmoitus siitä, mihin toimenpiteisiin tekoälytyökaluja on käytetty ja miten tiedon oikeellisuus on varmistettu, ei riitä. Tekoälytyökalujen käyttö on moniulotteinen ilmiö, jota tulisi tarkastella useista rinnakkaisista näkökulmista. Jatkotutkimuksia varten olisi tarpeen kehittää standardoitu, palautusprosessiin liitettävä kyselylomake, joka tuottaisi tarkempaa, rakenteisempaa ja vertailukelpoisempaa tietoa opiskelijoiden käyttötapauksista. Jokaiselta opiskelijalta voitaisiin pyytää erillinen vastaus, ja lomakkeen täyttämisestä voitaisiin myös tarjota pieni kannustin, kuten lisäpiste, mikä motivoisi opiskelijoita täyttämään lomakkeen huolellisesti.

Tarkastelun kannalta olennaisia ulottuvuuksia olisivat esimerkiksi seuraavat:

• Tekoälysovellus ja vaihe osana työskentelyä: Mikä sovellus tai malli oli kyseessä? Millä teknologialla se toimii? Missä vaiheessa työskentelyä tekoälytyökaluja hyödynnettiin? Minkälaiset olivat opiskelijan valmiudet käyttää tekoälytyökaluja ja mikä oli osaamistaso tekoälytyökalun käytöstä?
• Käytön syy: Miksi päädyttiin käyttämään tekoälytyökalua? Johtuiko käyttö esimerkiksi ajanhallinnan tarpeesta, epävarmuudesta, helppoudesta vai uudenlaisen näkökulman etsimisestä? Olisiko opiskelija osannut tehdä saman asian muilla keinoilla? Miten hän koki hyötyneensä käytöstä? Tehostiko tai nopeuttiko oppimista tai harjoitustyön tekoa taikka tuottiko käyttö jonkinlaista uutta arvoa?
• Toimenpiteet: Mihin tehtäviin tai toimenpiteisiin tekoälyä hyödynnettiin? Mitä toimenpideluokkia käyttö kattoi?
• Vuorovaikutuksen luonne ja määrä: Kuinka toistuvaa ja kehittyvää vuorovaikutus oli? Kuinka paljon ajallisesti ja kuinka usein tekoälytyökaluja käytettiin? Oliko käyttö pääasiassa yksisuuntaista tiedon hakemista vai jatkuvaa, tavoitteellista vuoropuhelua?
• Roolien jakautuminen ja tiedon validointi: Mikä oli ihmisen ja tekoälyn suhde prosessissa? Miten opiskelija arvioi ja varmisti tekoälysovelluksen tuottaman tiedon luotettavuuden ja soveltuvuuden? Peilattiinko sisältöjä johonkin aiempaan, pohdittiinko vaihtoehtoja, tarkasteltiinko sisältöä monista näkökulmista vai hyväksyttiinkö tuotokset sellaisinaan?

Lisäksi on tärkeää huomioida, ettei tekoäly ole yksi yhtenäinen teknologia, vaan joukko erilaisia sovelluksia ja toimintaperiaatteita. Työkalut eroavat toisistaan siinä, mihin toimenpiteisiin ne soveltuvat ja millaista vuorovaikutusta ja käyttäjän osaamista ne edellyttävät. Myös ihmisten keinot oppia ja lähestyä tehtäviä vaihtelevat merkittävästi. 

Jos tekoälytyökalujen merkitystä oppimisessa ja sen vaikutuksia opiskelijan suorituksiin halutaan tarkemmin tutkia jatkossa, on tunnistettava käytön moniulotteisuus. Tekoälyn käyttö ei ole pelkkä kyllä tai ei -kysymys, vaan käytössä yhdistyvät tekoälytyökalujen teknologiset mahdollisuudet ja eettiset näkökulmat sekä opiskelijan motivaatio, osaaminen, kriittinen tekoälylukutaito ja työskentelytavat. Tekoälyn käyttöä koskevat yleistykset ja yleispäteviksi tarkoitetut ohjeet voivat olla harhaanjohtavia. Käytön vaikutusten arvioiminen on tehtävä tilannekohtaisesti, jotta voidaan tehdä johtopäätöksiä. 

Huomautukset ja viitteet

(1) Esimerkiksi epäsuorasti Google Trendsin hakudataa aihealueiden suosiosta tutkimalla selviää, että tekoälyä koskevat haut pysyivät vuosina 2015–2021 erittäin tasaisina, suhteellisen (asteikko 0–100 maksimisuosiosiosta) keskiarvon ollessa noin 6. Vuoden 2022 lopulta alkanut nousu on ollut jyrkkä: vuoden 2023 keskiarvo oli jo 46, vuonna 2024 noin 68 ja vuoden 2025 alkupuolella lähes 95 (kasvua yli 1 300 prosenttia vuodesta 2021). 

(2) Esimerkiksi Seppälä ja Mucha (2022) tarkastelevat kolumnissaan, kuinka koneoppimistekniikat ovat yleistyneet tutkijoiden käytössä mutta keskustelu niiden vaikutuksista esimerkiksi tieteelliseen kirjoittamiseen sekä alkuperäisyyden merkitykseen ja arviointikäytäntöihin.

Seppälä, T. & Mucha, T. (2022). Teknologian tehostama tutkimustyö – mahdollisuuksia ja uhkia (muillekin kuin) tietojenkäsittelytieteen tutkijoille. Etla – Elinkeinoelämän tutkimuslaitos, 4. marraskuuta. Saatavilla: https://www.etla.fi/ajankohtaista/kolumnit/teknologian-tehostama-tutkimustyo-mahdollisuuksia-ja-uhkia-muillekin-kuin-tietojenkasittelytieteen-tutkijoille/ (Viitattu 21.7.2025).

(3) OpenAI (2022). Introducing ChatGPT [esittelyjulkaisu]. OpenAI, 30. marraskuuta. Saatavilla: https://openai.com/index/chatgpt/ (Viitattu 21.7.2025).

(4)  Lista eri toimijoiden julkaisemista LLM-malleista ei ole täydellinen. Mukana on joitakin tunnetumpia malleja ja niiden julkaisuajankohtia. 

(5) Vertaisarvioitu, empiirisesti perusteltu aineistopohjainen tutkimustieto lisääntyy jatkuvasti, mutta on edelleen kapea-alaista. Näyttöä lyhyen aikavälin suoritushyödyistä eri tehtävissä löytyy jonkin verran (esim. Humlum & Vestergaard, 2025). Näyttö koskee tyypillisesti kuitenkin esimerkiksi ajansäästöä yksittäisissä työtehtävissä, eikä ole siten yleistettävissä tai verrattavissa todelliseen oppimiseen tai käytön muihin vaikutuksiin. 

Korkeakoulukontekstissa on yksittäisiä koe–kontrolliryhmätutkimuksia vaikutuksista oppimiseen ja suoritustuloksiin (esim. Shein, 2024; Kavadella et al., 2024), mutta tutkimukset ovat usein pienellä otoskoolla, lyhyellä aikavälillä järjestettyjä tai vain jotakin tietynlaista tehtävää koskevia (esim. esseen kirjoittaminen tai ohjelmointikoodi). Suurin osa julkaisuista korkeakoulukontekstissa on toistaiseksi erilaisia katsauksia, haastattelu- ja kyselytutkimuksia esimerkiksi uhista, mahdollisuuksista ja koetusta motivaatiosta. 

Empiirisiin tutkimuksiin perustuvissa meta-analyyseissa raportoidaan keskimäärin hieman positiivisia vaikutuksia, mutta eri tutkimuksien tulokset ovat usein ristiriitaisia eikä keskenään vertailukelpoisia (Wang et al., 2025). Kognitiotieteiden teoriaa ja aivomittauksia hyödynnetään toistaiseksi vain vähän tekoälyn käytön tutkimuksessa. Vaikka näillä aloilla on vahva perusta esimerkiksi kognitiiviselle kuormalle ja ulkoistamiselle, tällaisia tutkimuksia on vielä niukasti. Ensimmäisiä tuloksia on kuitenkin alkanut ilmestyä (Kosmyna et al., 2025).

Humlum, A. & Vestergaard, E. (2025). Large Language Models, Small Labor Market Effects. NBER Working Paper No. 33777. DOI: 10.3386/w33777

Kavadella, A., Dias da Silva, M.A., Kaklamanos, E.G., Stamatopoulos, V. & Giannakopoulos, K. (2024). Evaluation of ChatGPT’s Real-Life Implementation in Undergraduate Dental Education: Mixed Methods Study. JMIR Medical Education, 10, e51344. DOI: 10.2196/51344. 

Kosmyna, N., Hauptmann, E., Yuan, Y.T., Situ, J., Liao, X.-H., Beresnitzky, A.V., Braunstein, I. & Maes, P. (2025). Your Brain on ChatGPT: Accumulation of Cognitive Debt when Using an AI Assistant for Essay Writing Task. arXiv. DOI: 10.48550/arXiv.2506.08872.

Wang, J. & Fan, W. (2025). The effect of ChatGPT on students’ learning performance, learning perception, and higher-order thinking: insights from a meta-analysis. Humanities and Social Sciences Communications, 12, 621. DOI: 10.1057/s41599-025-04787-y. 

Shein, E. (2024). The Impact of AI on Computer Science Education. Communications of the ACM, 67(9), 13–15. DOI: 10.1145/3673428. 

(6) Tekoäly (eng. artificial intelligence, AI) määritellään teknologiaksi, joka mahdollistaa tietokoneiden koneoppimisen, päätöksenteon ja ongelmien ratkaisemisen ihmistä muistuttavalla tavalla. Generatiivinen tekoäly (luova tekoäly) puolestaan on tekoälymalli, joka tuottaa uutta sisältöä kirjoitetun tekstin, äänen, kuvien tai videoiden muodossa. (Suuri) kielimalli (engl. (large) language model, (L)LM) on koneoppimiseen perustuva malli, joka on koulutettu laajoilla tekstiaineistoilla siten, että se oppii ennustamaan sanojen, merkkien tai tokenien todennäköisyyksiä annetussa kontekstissa. Käytännössä kielimalli analysoi syötetyn tekstin rakenteita ja sisältöä ja tuottaa sen pohjalta todennäköisimmän seuraavan sanan, lauseen tai muun jatkon. Kielimalleja on useita, joista OpenAI:n GPT-malliperhe lienee tunnetuimpia.

(7) Helsingin Sanomat (2025). Tekoäly uhkaa jakaa kansaa voittajiin ja häviäjiin, Aalto-yliopiston rehtori sanoo. Rissanen, E., Helsingin Sanomat, 7. heinäkuuta. Saatavilla: https://www.hs.fi/pkseutu/art-2000011326042.html (Viitattu 22.7.2025).

(8) Aalto-yliopisto (2023). Ohjeistus tekoälyn käytöstä Aalto-yliopiston opetuksessa ja oppimisessa. Päivitetty 13.5.2025. Saatavilla: https://www.aalto.fi/fi/palvelut/ohjeistus-tekoalyn-kaytosta-aalto-yliopiston-opetuksessa-ja-oppimisessa (Viitattu 22.7.2025).

(9) Aalto-yliopisto. (2024). Hyvä akateeminen käytäntö opinnoissa Aalto-yliopistossa (voimassa 1.1.2025 alkaen). Saatavilla: https://www.aalto.fi/fi/hakemukset-ohjeet-ja-saannot/hyva-akateeminen-kaytanto-opinnoissa-aalto-yliopistossa-voimassa-112025 (Viitattu 22.7.2025).

(10) Kurssikirja: Slack, N., Brandon-Jones, A. & Johnston, R. (2011). Essentials of Operations Management. Harlow: Prentice Hall.

(11) Mucha, T. (2024). Generative AI Use Cases: Video Series Delving into 10 Realistic Business Applications. [videosarja] Aalto-yliopisto. Saatavilla: https://ourblogs.aalto.fi/tuta-blog/generative-ai-use-cases-video-series-delving-into-10-realistic-business-applications (Viitattu 22.7.2025).

(12) Toimenpide on yksittäinen tekoälytyökalun käyttötoimi, jonka avulla opiskelijaryhmä on suorittanut jonkin konkreettisen määrätehtävän tai -osatehtävän harjoitustyön tekemisen yhteydessä.