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. Lue tästä sarjan ensimmäinen osa tekoälystä ohjelmoinnin opetuksessa. Tässä artikkelisarjan toisessa osassa käsittelen kysymystä: mitä tekoäly ei voi tehdä opiskelijan puolesta, ja miksi perusteiden merkitys korostuu entisestään tekoälyn aikakaudella.
Tekoäly voi tuottaa vastauksia, mutta se ei voi rakentaa opiskelijan ymmärrystä – ja juuri siksi sen pedagoginen käyttö on ratkaisevaa. Nopeus ja tehokkuus eivät ole oppimisen mittareita, mutta tuore tutkimus osoittaa, että oikein suunniteltuna tekoälyn käyttäminen voi vahvistaa oppimista jopa paremmin kuin perinteinen aktiivinen opetus. Tekoäly ei vähennä oppimisen vaatimuksia, vaan tekee niiden merkityksen näkyvämmäksi ja tarjoaa uusia mahdollisuuksia syvällisen ymmärryksen tukemiseen.
Tekoälyn suurin pedagoginen haaste ei ole siinä, mitä se osaa tehdä, vaan siinä, mihin se näyttää pystyvän. Tekoäly pystyy tuottamaan sujuvaa tekstiä, toimivaa koodia ja uskottavia ratkaisuja monenlaisiin ongelmiin, mikä luo helposti illuusion oppimisesta. Jos tekoäly osaa kaiken tämän, mitä opiskelijan enää täytyy osata itse? Vastaus on selkeä: tekoäly voi tuottaa vastauksia, mutta sen ohjaamaton käyttö ei voi rakentaa opiskelijan ymmärrystä. Perusteiden oppiminen on prosessi, jota ei voi ulkoistaa millekään työkalulle – ei tekoälylle sen enempää kuin laskimelle tai kehitysympäristölle. Ilman pedagogisesti ohjattua käyttöä tekoäly voi jopa vaarantaa ymmärryksen kehittymisen.
Oppiminen on prosessi, ei pelkkä lopputulos
Nopea ja oikea vastaus voi luoda vaikutelman oppimisesta, vaikka opiskelijan käsitteellinen ymmärrys ei ole muuttunut. Tutkimuksissa tätä on pidetty erityisen ongelmallisena, koska oppiminen on prosessi, ei pelkkä lopputulos. Ohjelmoinnin oppimista koskeva tutkimus korostaa käsitteellisen ymmärryksen ja mentaalimallien merkitystä: vaikeudet eivät yleensä johdu syntaksista tai työkalujen puutteesta, vaan siitä, ettei opiskelijalle ole muodostunut toimivaa käsitystä siitä, miten ohjelma etenee tai miksi jokin ratkaisu toimii. Nämä ovat asioita, joita mikään ulkoinen työkalu ei voi oppia opiskelijan puolesta.
Tekoäly ei korvaa perustaitoja – se paljastaa niiden puutteen
Tekoäly ei muuta tätä perusasetelmaa – se pikemminkin korostaa sitä. Opiskelija voi pyytää tekoälyä kirjoittamaan ohjelman tai ratkaisemaan tehtävän, mutta ilman perusteiden hallintaa häneltä puuttuu kyky arvioida ratkaisun oikeellisuutta, tunnistaa virheitä tai soveltaa ratkaisua uuteen tilanteeseen. Tämä näkyy harjoitustöissä esimerkiksi niin, että opiskelija hyväksyy tekoälyn tuottaman koodin, vaikka se olisi tehotonta, virhealtista tai kontekstissaan väärin. Tekoälyn ratkaisut voivat olla syntaktisesti oikein, mutta pedagogisesti heikkoja: ne hyödyntävät harvinaista syntaksia, tiivistä ja implisiittistä koodia, mikä ei tue aloittelijan oppimista. Lisäksi tekoäly esittää ratkaisunsa vakuuttavasti, mikä voi estää kriittisen arvioinnin ja johtaa virheellisten ratkaisujen hyväksymiseen. Tämän seurauksena opiskelija ei ainoastaan epäonnistu ratkaisun laadun arvioinnissa, vaan ei myöskään pysty selittämään, miksi ratkaisu toimii – tai miksi se ei toimi – mikä heikentää olennaisesti oppimisprosessia.
Nopeus vai ymmärrys?
Ymmärryksen ohittamisen nopeuden ja tuottavuuden nimissä olen havainnut myös ammattilaisten keskuudessa, mikä korostaa ongelman laajempaa merkitystä. Eikä tämä ole uusi ilmiö ainakaan sovelluskehityksessä: vastaavaa on nähty jo aikaisemmin valmisohjelmakirjastojen ja automaattisten koodigeneraattorien käytössä, joissa tehokkuus on syrjäyttänyt syvällisen ymmärryksen.
Tekoäly vain kiihdyttää tätä kehitystä. Tutkimusten keskeinen havainto on, että oppiminen tapahtuu silloin, kun opiskelija joutuu aktiivisesti rakentamaan ja testaamaan omaa ymmärrystään. Selittämään käsitteitä, analysoimaan virheitä ja vertailemaan ratkaisuja. Tekoäly voi tukea näitä prosesseja, mutta vain, jos opiskelijalla on jo riittävät perusteet. Ilman niitä oppiminen siirtyy pois kognitiivisesti vaativista tehtävistä kohti passiivista hyväksymistä, mikä heikentää metakognitiivisten taitojen kehittymistä. Tämä pätee ohjelmoinnin lisäksi kirjoittamiseen, matematiikkaan, taloushallintoon ja moniin muihin aloihin.
Arviointikyky on asiantuntijuuden ydin
Tekoäly ei pysty kehittämään opiskelijan metakognitiivisia taitoja eli kykyä arvioida omaa osaamistaan ja tunnistaa, mitä ei vielä ymmärrä. Juuri nämä taidot erottavat aloittelijat edistyneemmistä oppijoista. Ilman perusteiden hallintaa opiskelijalta puuttuu kieli ja viitekehys, jonka avulla hän voisi käydä mielekästä vuoropuhelua tekoälyn kanssa. Tästä näkökulmasta tekoäly ei vie pois tarvetta perusteiden oppimiselle, vaan tekee siitä näkyvämpää ja välttämätöntä. Se paljastaa nopeasti, perustuuko osaaminen ymmärrykseen vai ulkoiseen apuun. Perusteiden oppiminen ei ole historiallinen jäänne, vaan asiantuntijuuden ydin – myös, ja erityisesti tekoälyn aikakaudella.
Tekoäly oppimisen vahvistajana
Tekoäly ei ole pedagogisesti hyödytön – päinvastoin, oikein käytettynä se voi vahvistaa oppimista. Tutkimukset osoittavat, että tekoäly tukee erityisesti aloilla, joissa opiskelijat kamppailevat abstraktien käsitteiden kanssa. Sen arvo ei ole pelkässä tehokkuudessa, vaan siinä, että se voi tehdä ajattelusta näkyvämpää. Keskeinen kysymys ei ole, käytetäänkö tekoälyä opetuksessa, vaan miten ja milloin sitä käytetään. Oppimista tukevat parhaiten työkalut, jotka auttavat etenemään ongelmanratkaisussa, mutta eivät vie pois kognitiivista vastuuta. Tekoäly voi toimia juuri tällaisena tukirakenteena, mutta vain pedagogisesti ohjattuna.
Tuore tutkimus Scientific Reports ‑lehdessä (2025) osoittaa, että huolellisesti suunniteltu tekoälytuutori voi jopa ylittää perinteisen aktiivisen oppimisen tehokkuuden. Harvardin fysiikan kurssilla toteutetussa kokeessa opiskelijat oppivat merkittävästi enemmän tekoälytuutorin avulla kuin luokkaopetuksessa, ja samalla he kokivat suurempaa motivaatiota ja sitoutumista. Ratkaisevaa ei ollut pelkkä tekoälyn käyttö, vaan sen pedagoginen muotoilu: tuutori tarjosi vaiheittaisia vihjeitä ja oppimisen tukirakenteita, jotka tukivat ongelmanratkaisua ilman, että opiskelijoilta vietiin ajattelun vastuu.
Tekoäly voi auttaa ymmärtämään
Ohjelmoinnin opetuksessa tekoäly voi tukea oppimista, kun opiskelija pyytää selitystä omalle ratkaisulleen tai vertailee vaihtoehtoisia toteutustapoja. Oppiminen syvenee erityisesti silloin, kun opiskelija arvioi ja perustelee, miksi jokin ratkaisu on parempi kuin toinen. Tekoäly voi tarjota nopeasti lisätehtäviä, vaihtoehtoja ja palautetta, mutta itse arviointi jää opiskelijalle. Virheiden käsittely on toinen keskeinen oppimisen lähde. Aloittelevat ohjelmoinnin opiskelijat kokevat virheilmoitukset usein turhauttavina ja vaikeaselkoisina. Tekoäly voi auttaa purkamaan ongelmatilanteita ymmärrettävään muotoon ja ohjata opiskelijaa kysymään oikeita kysymyksiä. Ei tarjoamalla suoraa ratkaisua, vaan tukemalla ymmärrystä.
Tekoäly tukee oppimista, mutta ei korvaa ajattelua
Tekoälyn käyttö muuttuu ongelmalliseksi, kun se poistaa tarpeen ajatella. Automatisoidut ratkaisut ja valmiit esimerkit voivat heikentää oppimista, jos ne omaksutaan ilman käsitteellistä käsittelyä. Tekoäly tehostaa tätä riskiä, koska se tuottaa vastauksia nopeasti ja vakuuttavasti. Tutkimus viittaa siihen, että tekoäly tukee oppimista parhaiten oppimisprosessin keskivaiheilla. Alussa opiskelijan on rakennettava peruskäsitteet ja mentaalimallit ilman ulkoista automaatiota, ja lopussa hänen on osoitettava osaamisensa itsenäisesti. Näiden välissä tekoäly voi toimia tehokkaana oppimisen vahvistajana.
Sama ilmiö näkyy myös kirjoittamisessa, matematiikassa ja tilastotieteessä. Tekoäly voi auttaa jäsentämään ajatuksia, selittämään käsitteitä ja tarkistamaan välivaiheita, mutta se ei voi korvata opiskelijan omaa ajattelua. Oppiminen edellyttää aktiivista osallistumista, ja tekoäly on hyödyllinen vain, jos se tukee tätä aktiivisuutta.
Tekoäly tuo mahdollisuuden yksilöllisempään oppimiseen: se voi tarjota eri tasoisia lisätehtäviä, vaihtoehtoisia näkökulmia ja välitöntä palautetta ilman, että opettajan rooli heikkenee. Parhaimmillaan tekoäly vapauttaa opettajan aikaa ohjaukseen, arviointiin ja pedagogiseen suunnitteluun.
Tekoälyn pedagoginen arvo syntyy ymmärryksestä, ei teknologiasta
Tekoäly ei ole oppimisen vastakohta, vaan potentiaalinen vahvistaja. Sen pedagoginen arvo syntyy vasta silloin, kun käyttö perustuu ymmärrykseen oppimisesta eikä pelkästään teknologian tarjoamiin mahdollisuuksiin. Tekoäly tukee oppimista, kun se haastaa opiskelijan ajattelemaan, selittämään ja arvioimaan. Oppiminen heikentyy, jos tekoäly vapauttaa opiskelijan näistä tehtävistä. Tämä periaate ei ole uusi, mutta tekoäly tekee sen merkityksen näkyvämmäksi kuin koskaan.
Kirjoittaja:
Mika Matveinen, lehtori, Karelia-ammattikorkeakoulu
Lähteitä ja jatkolukemista:
Denny, P., Prather, J., Becker, B. A., et al. 2024. Computing education in the era of generative AI. Communications of the ACM, 67(2), 56–67. https://doi.org/10.1145/3624720
Kestin, G., Miller, K., Klales, A., Milbourne, T., & Ponti, G. 2025. AI tutoring outperforms in-class active learning: An RCT introducing a novel research-based design in an authentic educational setting. Scientific Reports, 15, Article 97652. https://doi.org/10.1038/s41598-025-97652-6
Lee, J., Kazerouni, A. M., Siu, C., & Migler, T. 2023. Exploring the impact of cognitive awareness scaffolding for debugging in an introductory computer science class. In Proceedings of the 54th ACM Technical Symposium on Computer Science Education (SIGCSE 2023). ACM. https://doi.org/10.1145/3545945.3569871
Logacheva, E., Hellas, A., Prather, J., Sarsa, S., & Leinonen, J. 2024. Evaluating contextually personalized programming exercises created with generative AI. Proceedings of the 20th ACM Conference on International Computing Education Research (ICER ’24). https://doi.org/10.1145/3632620.3671103
Rahe, U., & Maalej, W. 2025. How do programming students use generative AI? Proceedings of the ACM on Human-Computer Interaction, 9(CSCW2), Article 3715762. https://doi.org/10.1145/3715762
