Tässä viisiosaisessa artikkelisarjassa tarkastellaan tekoälyn vaikutusta korkeakouluopetukseen yhdistäen tutkimustietoa ja havaintoja. Erityisenä esimerkkinä toimii ohjelmoinnin perusteiden opetus, jossa tekoälyn vaikutukset näkyvät poikkeuksellisen selvästi. Samat periaatteet ovat kuitenkin sovellettavissa laajasti kaikkeen asiantuntijuutta edellyttävään opetukseen. Tässä artikkelin ensimmäisessä osassa pohditaan, onko tekoäly opetuksessa uhka vai mahdollisuus, ja tarkastellaan sen vaikutusta oppimisen painopisteisiin erityisesti ohjelmoinnin opetuksessa.
Keskeinen havainto on yksinkertainen, mutta tutkimuksen tukema: tekoäly ei poista tarvetta perusteiden oppimiselle – päinvastoin, se tekee niistä entistä tärkeämpiä. Kysymys ei ole siitä, pitäisikö tekoälyä käyttää opetuksessa, vaan siitä, miten sitä käytetään niin, että se tukee oppimista eikä korvaa sitä.
Tekoäly mullistaa opetuksen – mutta ei poista perusteiden merkitystä. Generatiiviset kielimallit herättävät kysymyksen: jos kone tuottaa vastauksen esim. koodin sekunneissa, mitä opiskelijan enää tarvitsee oppia? Historia kuitenkin osoittaa, että uudet työkalut eivät korvaa ymmärrystä – ne siirtävät painopisteen mekaanisesta suorittamisesta kohti ajattelua ja kriittistä arviointia.
Suurten kielimallien ja generatiivisen tekoälyn (jäljempänä tekoäly) nopea yleistyminen korkeakouluopetuksessa on herättänyt voimakkaita reaktioita. Osa näkee sen uhkana oppimiselle, osa ratkaisuna opetuksen resurssihaasteisiin. Moni onkin kuvannut generatiivista tekoälyä disruptiiviseksi teknologiaksi, jonka mahdollisten vaikutusten arvioidaan ulottuvan opetuksen luonteesta aina työelämän toimintamalleihin.
Aiemmat murrokset opetuksessa
Pelko ei ole uusi – se vain näyttää siltä. Jo antiikin Kreikassa pohdittiin, että kirjoittamisen yleistyminen heikentäisi muistia ja antaisi vain näennäisen tiedon tunteen. Korkeakouluopetus on kohdannut vastaavia murroksia aiemminkin: laskimen, internetin, Excelin, AutoCADin ja muiden teknologioiden myötä.
Tekoäly asettuu tähän samaan jatkumoon. Se on tehokas työkalu, mutta vain siinä määrin kuin käyttäjällä on riittävä käsitteellinen ymmärrys ohjata, arvioida ja kriittisesti tarkastella sen tuottamia tuloksia. Ilman perusteita tekoäly ei vahvista oppimista – se ainoastaan peittää ymmärtämättömyyden.
Tekoäly opetuksessa – uusi työkalu vanhassa jatkumossa
Tekoäly nähdään usein opetuksessa mullistavana voimana – teknologiana, joka muuttaa oppimisen ja opettamisen perusluonteen. Erityisesti korkeakouluissa ja ohjelmoinnin opetuksessa huoli on ymmärrettävä: jos tekoäly ratkaisee tehtäviä, kirjoittaa koodia ja selittää ratkaisuja, mitä opiskelijan enää tarvitsee oppia? Onko perusteiden opettaminen yhä mielekästä?
Laskimen käyttöönotto herätti aikanaan saman kaltaista huolta: jos kone laskee puolestamme, tarvitseeko opiskelijan enää ymmärtää laskutoimituksia? Todellisuus oli päinvastainen. Laskin vapautti aikaa mekaanisesta laskennasta ja mahdollisti keskittymisen käsitteisiin ja ongelmanratkaisuun. Samalla se paljasti, että ilman matemaattista ymmärrystä laskin on hyödytön – tai jopa vaarallinen.
Sama ilmiö toistui internetin ja ohjelmistotyökalujen myötä. Excelin käyttöönotto synnytti pelon, että opiskelijat menettäisivät ymmärryksen laskennan ja talouden periaatteista ja keskittyisivät vain taulukoiden täyttämiseen. AutoCAD ei korvannut teknisen piirtämisen perusteita. Ohjelmoinnissa korkean tason kielet ja kirjastot ovat jo vuosikymmeniä automatisoineet yksityiskohtia, mutta tutkimukset korostavat edelleen algoritmisen ajattelun, tietorakenteiden ja mentaalimallien keskeistä roolia osaamisen kehittymisessä.
Mitä tapahtuu, kun perusteet puuttuvat?
Tekoäly asettuu tähän samaan pedagogiseen logiikkaan. Se voi nopeuttaa työskentelyä ja tarjota tukea, mutta ei poista tarvetta ymmärtää, mitä ollaan tekemässä.
Tutkimukset ja omat havaintoni osoittavat, että opiskelijat, joilla käsitteellinen ymmärrys on puutteellinen, turvautuvat usein tekoälyn vastauksiin ilman kriittistä arviointia eivätkä kykene erottamaan oikeaa väärästä. He käyttävät työkaluja mekaanisesti ja kohtaavat haasteita virheiden tunnistamisessa, ohjelmien selittämisessä sekä ratkaisujen soveltamisessa uusiin ongelmiin. Tällöin työkalut voivat peittää ymmärtämättömyyden sen sijaan, että tukisivat oppimista.
Tekoäly paljastaa oppimisen todellisen luonteen
Opiskelijat ja alan ammattilaiset, joilla on vahva perusosaaminen, käyttävät tekoälyä keskustelukumppanina: he testaavat ideoita, vertailevat ratkaisuja ja arvioivat tuotosten laatua kriittisesti.
Tekoäly ei ole uhka korkeakoulutukselle, vaan se paljastaa, missä oppiminen on perustunut rutiininomaiseen suorittamiseen ja missä todelliseen ymmärrykseen. Se haastaa opettajat ja oppilaitokset pohtimaan uudelleen, mitä pidämme keskeisenä osaamisena – ja miten sitä opetamme.
Kuten aiemmatkin työkalut, tekoäly siirtää painopistettä pois mekaanisista yksityiskohdista kohti ajattelua, arviointia ja ymmärtämistä. Juuri siksi perusteiden hallinta ei menetä merkitystään: se on edellytys sille, että tekoäly toimii oppimista tukevana työkaluna – ei sen korvikkeena.
Kirjoittaja:
Mika Matveinen, opettaja, Karelia-ammattikorkeakoulu
Lähteitä ja jatkolukemista
Becker, B. A., Denny, P., Finnie‑Ansley, J., Luxton‑Reilly, A., Prather, J., & Santos, E. A. 2023. Programming is hard – or at least it used to be: Educational opportunities and challenges of AI code generation. In Proceedings of the 54th ACM Technical Symposium on Computer Science Education (SIGCSE ’23) (pp. 500–506). ACM. https://doi.org/10.1145/3545945.3569759
LeBlanc, J. A. 2013, September 29. Socrates: Writing vs. Memory. ETEC540: Text Technologies blog. Retrieved from https://blogs.ubc.ca/etec540sept13/2013/09/29/socrates-writing-vs-memory/
Moursund, D. 1980. Calculators and the computer science curriculum. Proceedings of the ACM SIGCSE Technical Symposium on Computer Science Education, 115–122. https://doi.org/10.1145/382220.383047
Prather, J., Leinonen, J., Becker, B. A., Denny, P., & Smith, J. 2024. The widening gap: The benefits and harms of generative AI for novice programmers. In Proceedings of the 2024 ACM Conference on International Computing Education Research (ICER ’24). ACM. https://doi.org/10.1145/3632620.3671116