Tekoäly tarjoaa mielettömiä mahdollisuuksia datan käsittelylle. Tämä kiinnostaa yhteiskuntaa ja tutkijoita kaikilla aloilla. Myös opetusalaa ja tekoälyn hyödyntämistä opetuksen sekä oppimisen tukena tutkitaan juuri nyt valtavasti. Uusia tutkimusartikkeleita julkaistaan päivittäin. Oppaan toinen tekijä, Johannes Pernaa, Helsingin yliopisto, tutkii aktiivisesti tekoälyn hyödyntämistä kemian opetuksen tukena.
Tutkimuksellisesta näkökulmasta on kiinnostavaa, miten generatiiviset tekoälysovellukset muuttavat opettajien ja oppijoiden informaatiokäyttäytymistä. Informaatiokäyttäytymisellä tarkoitetaan tiedonetsijän vuorovaikutusta informaation ja informaatiokanavien kanssa. Informaatiokäyttäytymisen tavoitteena on täyttää tiedontarpeita eli ratkaista jotain ongelmia.
Tekoäly muuttaa tiedon etsimistä
Työtehtävä synnyttää tiedontarpeen, joka tyydytetään informaatiokäyttäytymisellä. Informaatiokäyttäytyminen on siis tiedon etsimistä, kuten esim. muistelemista, tiedon luomista tai hankintaa. Tiedonhankkimista on esim. kouluttautuminen, muistiorganisaatioiden kanssa vuorovaikuttaminen, asiantuntijoiden kanssa keskustelu ja perinteinen tiedonhaku verkon hakukoneella.
Tässä kontekstissa on mielenkiintoista pohtia, millaisia mahdollisuuksia tekoäly antaa tiedon etsimiselle. Sitä voi tutkia esim. analysoimalla erilaisia tehtäviä, joissa opiskelijat hyödyntävät tekoälyä (ks. tarkemmin Pernaa ym., 2023).
Esimerkki 1: Tiivistelmän kirjoittaminen
Opiskelijoiden tehtävänä oli lukea artikkeli ja laatia siitä tiivistelmä tekoälyä hyödyntäen. Tekoälyn käyttö muutti tehtävän painopistealuetta kirjoittamisesta tekstin editointiin ja tarkistukseen.
Esimerkki 2: Käsitekartan tekeminen
Toinen esimerkki oli laatia n. 20 käsitteen laajuinen käsitekartta kemian ilmiöstä. Lähtöoletus oli, että opiskelijat muistavat noin 15 käsitettä, mutta voisivat hyötyä tekoälyn tuottamista käsite-ehdotuksista laajentaakseen muistiaan. Tämä mahdollisti jokaiselle henkilökohtaisen tutorin, jonka kanssa aiheesta voisi neuvotella.
Esimerkki 3: Kemian mittalaitteen rakentaminen
Kolmas harjoite oli hyvin vaativa. Tulevien aineenopettajien piti rakentaa kemian mittalaite Arduino-tietokoneelle. Tämä edellyttää aina ohjelmointia, josta opiskelijoilla ei ollut mitään osaamista. Sitä ei opeteta oletuksena kemian aineenopettajakoulutuksessa. Tämä tuo haasteita kurssin suunnitteluun kuormituksen näkökulmasta, sillä 135 työtuntia ei saa ylittää. Onneksi kävi ilmi, että generatiiviset chat-botit ovat erinomaisia generoimaan ohjelmakoodia. Koodi on juuri ja juuri toimivaa, mutta sen avulla oppimiskynnystä saatiin madallettua, jotta kaikki pääsivät alkuun.
Mitä käytännössä tapahtuu?
Informaation kanssa työskennellessä yksi keskeinen analogia on informaation jalostuminen oppimisen edetessä. Informaatio siis jalostuu ensin datasta informaatioksi, jonka jälkeen siitä syntyy tietoa ja lopulta kontekstisidonnaista osaamista. Tämä vaatii kovasti töitä ja aikaa, mutta tekoälystä voi olla suurtakin hyötyä jalostusprosessin tehostamisessa.
Koska oppiminen luonteeltaan myös sosiaalinen ilmiö, ei uuden teknologian mahdollisuuksia arvioidessa voi keskittyä pelkästään sisältöön. Sosiaalisesta näkökulmasta katsottuna yksi keskeisiä tavoitteita uudelle opetusteknologialle on pohtia, miten sillä voidaan tukea oppijoiden lähikehityksen vyöhykkeen (LKV) laajentumista. LKV on Lev Vygotskin muotoilema oppimispsykologinen käsite, jolla tarkoitetaan nykyisen ja potentiaalisen osaamisen välistä aluetta. Perinteisesti LKV:tä laajennetaan ryhmätöillä ja opettajan tuella, mutta tekoäly tarjoaa tähän uusia resursseja.
Esimerkiksi se, että kymmenet opiskelijat käyvät kymmeniä keskusteluja ohjelmakoodista tekoälyn kanssa, vapauttaa opettajan ajan muuhun oppimista tukevaan vuorovaikutukseen. Vuorovaikutusajan lisääminen on kiireisessä opettajan työn arjessa arvokas asia.
Käyttöönotto opetuksessa
Ei kannata ahdistua, jos tekoälyn käyttöönotto opetuksessa vaikuttaa aluksi haastavalta. Tämä johtuu siitä, että sen käyttäminen edellyttää monipuolista suunnittelua. Kokonaisuuden hahmottamiseen voi käyttää kuuluisaa teknologis-pedagogista sisältötieto -viitekehystä, joka tunnetaan paremmin lyhenteellä TPACK.
TPACK-työkalu auttaa opettajaa miettimään esimerkiksi
- millaiseen sisältöteemaan tekoälyn käyttö nivelletään (sisällön ja teknologian välinen yhteys (TCK))
- mikä on käytön opetuksellinen tavoite (TPK ja PCK).
Ilman jokaisen osatekijän huomioimista lopputulos voi jäädä vaikeasti ymmärrettäväksi sekä opettajalle että oppijalle. Paras lopputulos saavutetaan pienin askelin. Ensin voi tehdä pieniä kokeiluja, joista voi edetä isompiin haasteisiin.
Lisätietoa
Tällä sivulla on käsitelty muutamia ajatuksia artikkelista
Pernaa, J.; Ikävalko, T.; Takala, A.; Vuorio, E.; Pesonen, R.; Haatainen, O. Artificial Intelligence Chatbots in Chemical Information Seeking: Educational Insights through a SWOT analysis. Preprints 2023, 2023121066. https://doi.org/10.20944/preprints202312.1066.v1
- Palvelun tarjoaa e-Oppi Oy ja Star Cloud OÜ