Tekoäly muuttaa korkeakouluopetusta – näin tekoälychatit voivat tukea oppimista

Tekoäly muuttaa korkeakoulujen arkea ja oppimisprosesseja. Enää ei ole kyse siitä, halutaanko tekoäly ottaa osaksi opetusta, vaan siitä, miten sitä hyödynnytetään hallitusti ja tehokkaasti.

Tässä kirjoituksessa tarkastellaan, mitä tuoreet tutkimukset kertovat tekoälyn tehokkuudesta oppimisessa. Voiko tekoäly auttaa saavuttamaan parempia oppimistuloksia korkeakouluissa, ja jos voi, niin miten? Keskitymme pääasiassa kaikkien ulottuvilla oleviin tekoälychatteihin, eli sellaisiin vuorovaikutteisiin generatiivisiin tekoälysovelluksiin kuin ChatGPT ja Copilot.

Asiaa lähestytään ensin yleisesti laajahkon metatutkimuksen valossa. Sen jälkeen käydään läpi muutamia yksittäisiä tutkimuksia korkeakoulukontekstista. Tarkoituksena on esitellä tutkimusesimerkkien avulla mahdollisia tapoja hyödyntää tekoälyä korkeakouluopetuksessa sekä nostaa esiin näissä tutkimuksissa ilmenneitä vahvuuksia ja rajoitteita, joita sen käyttöön voi liittyä.

ChatGPT voi parantaa oppimistuloksia

Keväällä 2025 julkaistussa metatutkimuksessa tarkasteltiin 51 valikoidun tutkimuksen tuloksia ChatGPT:n käytöstä opetuksessa (Wang & Fan, 2025). Siinä selvitettiin, miten tekoäly vaikuttaa oppimistuloksiin, oppimiskokemukseen ja korkeamman tason ajattelutaitojen, kuten kriittisen ja luovan ajattelun, kehitykseen.

Tutkimus osoitti, että tekoäly voi parantaa merkittävästi oppimistuloksia ja sillä voi olla positiivista vaikutusta myös oppimiskokemukseen ja ajattelutaitoihin. Tähän vaikuttaa kuitenkin merkittävästi muun muassa se, millaisessa roolissa tekoäly on oppimisprosessissa ja minkä tyyppiseen opiskeluun se yhdistetään. (Wang & Fan, 2025.)

Metatutkimuksen mukaan tekoäly voi parantaa oppimista erityisesti silloin, kun se toimii tuutorina, joka auttaa opiskelijaa tehtävissä. Parhaat oppimistulokset saavutettiin, kun tekoälychattia käytettiin pitkäjänteisesti neljästä kahdeksaan viikkoa ja sen rooli oli pedagogisesti suunniteltu. (Wang & Fan, 2025.)

Wang ja Fan (2025) korostavat, etteivät positiiviset vaikutukset synny itsestään, vaan tekoälyn käyttö on sidottava pedagogiseen viitekehykseen, kuten Bloomin taksonomiaan. Opetusmenetelmistä ongelmaperustainen oppiminen (Problem Based Learning) osoittautui erityisen toimivaksi malliksi tekoälyn tukemana. Tekoälychatit näyttävät siis olevan tehokkaimpia aktiivisen ja tutkivan oppimisen tukena – ei tiedon tarjoajina, vaan kumppaneina, jotka auttavat opiskelijaa ajattelemaan ja soveltamaan tietoa.

Tekoälytuutori ohjaa oppimaan

Tarkastellaan seuraavaksi tarkemmin tekoälytuutorin käyttöä korkeakouluopetuksessa. L’Enfantin (2024) tutkimuksessa käsiteltiin ChatGPT:n ja Copilotin käyttöä englanninopettajaopiskelijoiden reflektiivisenä valmentajana. Opiskelijat keskustelivat tekoälyn kanssa useita kertoja opintojakson aikana. He käyttivät yksityiskohtaista kehotetta, jossa rajattiin tekoälyn käyttämät lähteet ja määriteltiin vaiheittainen lähestymistapa Mollickin ja Mollickin (2023) metakognitiivisen reflektiomallin mukaisesti. (L’Enfant, 2024.)

Mollickien mallissa opiskelijoita ohjataan tekemään oma ajattelunsa näkyväksi ja etenemään vaiheittain perustelusta johtopäätökseen. Tekoälytuutori ei tarjoa vastauksia vaan esittää tarkentavia kysymyksiä, haastaa opiskelijan ajattelua ja auttaa rakentamaan loogisen ajatteluketjun. Näin opiskelija harjoittelee metakognitiivisia taitoja ja syventää ymmärrystään ratkaisujensa taustalla olevasta ajattelusta. (Mollick & Mollick, 2023; L’Enfant, 2024.)

Tätä nykyä tekoälyn ohjaava käyttö on jo yleistynyt. Esimerkiksi ChatGPT:n Learning Mode toimii samankaltaisella periaatteella, joskin yksinkertaisemmassa muodossa. Se ohjaa opiskelijaa ajattelemaan ja ratkaisemaan ongelmia kysymysten ja vaiheittaisten vihjeiden avulla.

L’Enfantin (2024) mukaan tekoälyvalmennus auttoi opiskelijoita itsearvioinnissa ja ajattelun jäsentämisessä sekä tarjosi ajasta ja paikasta riippumatonta palautetta perinteisen ohjauksen tueksi. Osa opiskelijoista kuitenkin koki tekoälyn antaman palautteen pinnalliseksi tai yksipuoliseksi, minkä vuoksi tekoälytuutoria tulisikin täydentää ihmisen antamalla ohjauksella ja pedagogisella tuella (L’Enfant, 2024).

Tällaiset strukturoidut keskustelut, joissa opiskelijaa ohjataan käyttämään tekoälyä ajattelunsa jäsentämiseen, ideointiin ja reflektointiin, soveltuvat korkeakouluopetukseen monialaisesti.

Strukturoidut keskustelut, joissa opiskelijaa ohjataan käyttämään tekoälyä ajattelunsa jäsentämiseen, ideointiin ja reflektointiin, soveltuvat korkeakouluopetukseen monialaisesti.

Täsmäoppia asiakaskohtaamiseen

Edellä kuvattujen oppimisprosessia tukevien käyttötapojen lisäksi tekoälychatti tarjoaa luontevan ympäristön harjoitella chat-pohjaista asiakas- ja potilasviestintää. Tätä on tutkittu esimerkiksi Helsingin yliopistossa, jossa kehitettiin skenaarioihin pohjautuva tekoälypotilas lääketieteen ja kätilötyön opiskelijoiden käyttöön. Tekoälypotilas luotiin yliopiston omaan CurreChatiin, ja opiskelijat harjoittelivat sen avulla ehkäisyyn liittyviä keskusteluja ja digitaalista vuorovaikutusta. (Vilanti ym., 2025.)

Tutkimuksessa havaittiin, että opiskelijat käsittelivät keskusteluissa olennaisia teemoja ja sovelsivat Käypä hoito -suosituksiin liittyvää sisältöä. Huolellinen kysymysten muotoilu paransi tekoälyn antamien vastausten laatua ja tuki opiskelijoiden vuorovaikutus- ja viestintätaitojen kehittymistä. (Vilanti ym., 2025.) Vilanti ja kollegat (2025) korostavat, että tällaisia ratkaisuja tulee kehittää edelleen ja hyödyntää pedagogisesti ohjatusti, sillä simulaatioihin liittyy myös käytännön haasteita.

Tekoälyyn pohjautuvia keskusteluharjoituksia voidaan toteuttaa myös pienimuotoisemmin. Esimerkiksi Copilotin agenttitoiminnon avulla opiskelijat voivat harjoitella ammatillisia keskustelutilanteita, kuten asiakkaan ohjaamista ja palautteen antamista. Vaikka tällaiset ratkaisut eivät vielä vastaa räätälöityjen chatbotien tasoa, ne tarjoavat helposti saavutettavan tavan harjoitella vuorovaikutustaitoja tekoälyn tuella.

Tekoäly ongelmanratkaisussa yksin ja ryhmässä

Wangin ja Fanin (2025) mukaan yksi tehokas tapa hyödyntää tekoälyä on yhdistää se tutkiviin ja ongelmalähtöisiin oppimismenetelmiin, kuten Problem Based Learningiin (PBL). Tätä näkökulmaa täydentävät Songin ja kollegoiden (2025) tulokset Kiinassa toteutetusta tutkimuksesta, jossa tohtoriopiskelijat hyödynsivät ChatGPT:n kaltaista Dou Bao -tekoälychattiä tutkimussuunnitelman laatimisessa.

Chatin käyttö perustui luovaan ongelmanratkaisuun (Creative Problem Solving), joka PBL:n tavoin hyödyntää tutkivan ja vaiheittaisen ongelmanratkaisun periaatteita. Tämän viitekehyksen mukaisesti opiskelijat kävivät viisi puolen tunnin keskustelua tekoälyn kanssa tutkimussuunnitelman eri vaiheista. (Song ym., 2025.)

Tutkimuksessa todettiin, että tekoälyn kanssa käydyt keskustelut olivat tiiviimpiä ja tiedollisesti painottuneita, kun taas vertaisryhmien keskustelut olivat pidempiä ja subjektiivisempia. Tekoäly auttoi opiskelijoita jäsentämään ajatteluaan, minkä ansiosta he tuottivat laadukkaampia tutkimussuunnitelmia. (Song ym., 2025.) Song ja muut (2025) kuitenkin huomauttavat, että tekoälyn tuottama tieto oli paikoin virheellistä.

Tekoäly voi tukea myös tiimityöskentelyä. Yhteistyöhön liittyvää ongelmanratkaisua tutkivat Wei ja kollegat (2025), jotka tarkastelivat kolmen generatiivisen tekoälytyökalun – ChatGPT:n, Midjourneyn ja Runwayn – käyttöä digitaalisen tarinankerronnan (Digital Storytelling) projekteissa.

Tutkimuksen mukaan tekoäly paransi sekä opiskelijoiden yhteisöllisiä ongelmanratkaisutaitoja että tiimien luovuutta. Siitä oli myös apua ryhmien tehtävänjaossa, palautteenannossa ja ideoinnissa. (Wei ym., 2025.)

Opiskelijat ilmaisivat kuitenkin huolensa liiallisesta riippuvuudesta tekoälyn apuun ja siitä, että sen tuottamat ideat tuntuivat ajoittain epäaidoilta tai emotionaalisesti pinnallisilta (Wei ym, 2025). Wei ja muut (2025) korostavatkin, että tekoälyä tulisi käyttää ihmisen luovuutta täydentävänä – ei korvaavana – työkaluna ja että on tärkeää tukea opiskelijoiden kriittistä arviointikykyä.

Tutkimustieto korkeakouluopetuksen kehittämisen kulmakivenä

Tutkimukset osoittavat varsin kiistattomasti, että tekoäly voi tukea oppimista. Jo nykyisellään tekoälychatit mahdollistavat esimerkiksi oppimisprosessin ja opiskelutaitojen reflektoinnin sekä siten opiskelijan metakognitiivisten taitojen kehittymisen. Ne mahdollistavat myös oppimissisältöjen personoinnin sekä henkilökohtaisen ja nopean palautteen saannin.

Tekoäly ei kuitenkaan vapauta opettajaa pedagogisesta tehtävästään. Sen käyttö vaatii linjakasta suunnittelua ja pedagogista viitekehystä. Tekoälyä hyödyntävien tehtävien pedagogiset tavoitteet tulee arvioida huolella ja viestiä opiskelijoille selkeästi. Tekoäly ei korvaa opettajan antamaa palautetta eikä syrjäytä luovaa ajattelua tai yhteistyötä muiden opiskelijoiden kanssa.

Tekoälyyn liittyy myös monia puutteita, jotka on syytä ottaa huomioon opetusta suunniteltaessa. Aiemmin tässä artikkelissa mainittujen haasteiden lisäksi ei tule unohtaa tietosuojariskejä ja tekoälyn tuottaman tiedon vinoumia.

Korkeakouluopetuksen tulisi perustua ajantasaiseen tutkimustietoon, ja tutkimustietoa tulisi hyödyntää myös opetusmenetelmien kehittämisessä. Tutkimusten mukaan tekoälyn käyttöä korkeakouluopetuksessa kannattaa lisätä. Tämä vaatii tutkimuksen seuraamista ja hyväksi havaittujen menetelmien soveltamista, mutta myös rohkeita kokeiluja ja uskallusta poiketa vanhoista toimintatavoista.

Lähteet

L’Enfant, J. (2024). AI as a reflective coach in graduate ESL practicum: Activity theory insights into student-teacher development. European Journal of Open, Distance and E-Learning, 26(S1), 1–19. https://doi.org/10.2478/eurodl-2024-0003

Mollick, E. R. & Mollick, L. (2023). Assigning AI: Seven Approaches for Students, with Prompts. The Wharton School Research Paper. http://dx.doi.org/10.2139/ssrn.4475995

Song, Y., Huang, L., Zheng, L., Fan, M. & Liu, Z. (2025). Interactions with generative AI chatbots: Unveiling dialogic dynamics, students’ perceptions, and practical competencies in creative problem-solving. International Journal of Educational Technology in Higher Education, 22(12). https://doi.org/10.1186/s41239-025-00508-2

Vilanti, T., Luiro, K., Dahlqvist, I., Piipponen, J., Hemminki-Reijonen, U., Tkalcan, S., Ketamo, H. & Koivisto, J.-M. (2025). Contraception-related topics in chat dialogues between healthcare students and generative AI patients: A natural language processing analysis. BMC Medical Education, 25. https://doi.org/10.1186/s12909-025-08032-7

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. https://doi.org/10.1057/s41599-025-04787-y

Wei, X., Wang, L., Lee, L.-L. & Ruixue, L. (2025). The effects of generative AI on collaborative problem-solving and team creativity performance in digital story creation: an experimental study. International Journal of Educational Technology in Higher Education, 22(23). https://doi.org/10.1186/s41239-025-00526-0

Pysyvä osoite: http://urn.fi/URN:NBN:fi-fe20251120109705