Kun tekoäly poistaa kitkan vuorovaikutuksesta, katoaako samalla jotain tärkeää?

Tekoäly voi parhaimmillaan toimia tehokkaana oppimisen tuutorina, mutta pahimmillaan se tekee ajattelun puolestamme ja tarjoaa aidon vuorovaikutuksen tilalle pelkän illuusion kohtaamisesta. Uusi tutkimus herättää kysymyksen siitä, miten hyödynnämme tekoälyä menettämättä samalla oppimiselle tärkeitä taitoja, kuten omaa ajattelua, kriittisyyttä, keskittymistä ja kykyä käydä hankalia keskusteluja toisten ihmisten kanssa.
Päivi Lohikoski

Pohdin tässä blogissa paria trendiä, johon viime aikoina olen törmännyt. Olen avoimen utelias tekoälyä kohtaan ja tässäkin jutussani olen sitä käyttänyt sparrauskaverina. Olen myös vuorovaikutus- ja johtamiskouluttaja ja siksi halusin kaivella tätä asiaa oppimisen ja vuorovaikutuksen näkökulmista.

Mielenkiintoisia termejä, joihin törmäsin ovat metakognitiivinen laiskuus ja pseudovuorovaikutus ihmissuhteissa ja oppimisessa. MIT professori ja tutkija Sherry Turkle on tutkinut tekoälyn vaikutusta ihmissuhteisiin ja puhunut tästä eri foorumeilla. Turklen mukaan sosiaalinen media on vienyt tarkkaavuutemme ja tekoäly vie nyt kiintymyskykymme. Turklen huoli on erityisesti siinä, mitä tekoälysuhteet tekevät kyvyllemme olla ihmisten kanssa. Huoli koskee käyttöä, jossa kone imitoi rakastavaa ja välittävää suhdetta. Tässä on löytynyt trendejä, jotka tekevät oikeasta ystävyydestä, yhteistyöstä ja parisuhteista joillekin ihmisille vaikeaa. Tämä näkyy erityisesti nuorilla ja yksinäisillä aikuisilla.

Kitka kehittää sietokykyä ja osaamista

Tekoälyn tarjotessa välittömän, konfliktittoman vuorovaikutuksen ja keinotekoista empatiaa, ja alamme pitää tätä riittävänä tasona vuorovaikutukseen ja alamme vältellä todellisia ihmissuhteita. Opimme, että voimme odottaa myös ihmisiltä samanlaista välitöntä, vaivatonta reagointia ja alamme pettyä ihmisten hitauteen, epätäydellisyyteen ja ristiriitaisuuteen. Todelliset ihmisethän ovat monimutkaisia, ennalta arvaamattomia, vaativia, eivätkä aina vastaa meille niin kuin toivoisimme.

Turklen yksi keskeinen käsite on kitka. Tekoäly tarjoaa intimiteetin illuusion ja helppojen ihmissuhteiden harhan ilman vaatimuksia. Todellisuudessahan ihmisten välisen keskustelun haasteet luovat pohjan vuorovaikutus- ja ongelmanratkaisutaidoille, joita tarvitaan oppimiseen ja ammatillisen identiteetin kehittymiseen. Kompetenssin tasommehan asettuu suhteessa muihin alan osaajiin.

Toinen mielenkiintoinen käsite on metakognitiivinen laiskuus, joka on Fanin ja tutkijakollegoidensa (2025) tutkimuksessaan esittämä käsite. Se tarkoittaa, että oppija nojaa tekoälyyn niin paljon, että hän ulkoistaa sille oman ajattelunsa ohjaamisen. Tekoäly hoitaa suunnittelun, oman ymmärryksen seuraamisen ja tulosten arvioinnin. Tehtävä valmistuu ja suoritus näyttää hyvältä, mutta oppimista ei välttämättä tapahdu juuri ollenkaan.

Vastalääke on pitää metakognitio omissa käsissä. Eli meidän kannattaa arvioida ja seurata itse, että mitä lopulta ymmärrämme. Täällä yliopistomaailmassa opettajan tulisi arvioidessaan arvioida itse, mitä opiskelija näyttää ymmärtävän. Joskus tämä selviää vasta keskustelemalla. Raporteista voi olla mahdotonta sanoa, missä ja miten tekoälyä on hyödynnetty.

Dialogi edistää oppimista

Elinikäinen oppiminen perustuu mm. keskusteluun, työssä oppimiseen ja yhteiseen ajatteluun. Turkle’n mukaan generatiivinen AI tarjoaa keinotekoista empatiaa ja riittävän hyviä vastauksia, jolloin ihmiset välttävät vaikeita keskusteluja ja menettävät kykyä käydä pitkiä, keskittyneitä dialogeja. Tämä heikentää kykyä rakentaa tietoa yhdessä, kykyä sietää erimielisyyttä ja kykyä oppia sosiaalisissa ympäristöissä. Oppiminen vaikeutuu, kun oppija saa jatkuvasti valmiita yltiöpositiivisia vastauksia, ei harjoita lähdekritiikkiä, ei opi arvioimaan argumentteja tilanteessa, eikä sietämään epävarmuutta ja jopa ahdistusta. Oppiminen, kehitys ja uudet osaamiset, kun sattuvat häämöttämään ahdistusvyöhykkeen tuolla puolen, oman mukavuusalueen ulottumattomissa.

Mielestäni voisi olla hyvä idea tehdä osaamisen mittausta ja kehittämistä palaamalla ajoittain luokkahuoneisiin keskustelemaan keskenämme, opettelemaan vaikeita vuorovaikutustilanteita kasvotusten, väittelemään ja opettelemaan eri mieltä olemista ja jopa kirjoittamaan kynällä vastaukset.

Elinikäinen oppiminen vaatii mm. pitkäkestoista keskittymistä, kykyä viipyä vaikeissa ongelmissa ilman jatkuvia keskeytyksiä ja kykyä rakentaa monimutkaisia ajatusketjuja. Lisäksi elinikäinen oppiminen on sosiaalista ja käytännön tehtävissä tapahtuvaa ongelmanratkaisua. Pahimmillaan tekoäly heikentää juuri näitä taitoja. Yhdessä oppiminen vaatii vaivannäköä, epäonnistumisia, turhautumisen sietoa sekä kysyä ottaa vastaan ja antaa muille palautetta myös ilman tekoälyn antamaa filtteriä. Esimerkiksi oma ammatillinen identiteetti, eettiset kysymykset ja ammatillinen kasvu rakentuvat suhteessa toisiin ihmisiin työyhteisöissä ja muilla foorumeilla. Ihminen tarvitsee myös ihmistä oppimiseen ja asiantuntijaksi kasvamiseen.

Viisas strategia tekoälyn käyttöön oppimisessa

Kestinin matemaattisiin ongelmiin liittyviä kokeiluja on tehty maailmalla ja tuloksia alkaa löytyä. Esimerkiksi Kestinin ja kumppaneiden löydös Harvadissa tehdyssä tekoälytutkimuksessa oli, että hyvä tekoälytuutor ohjaa ajattelemaan eikä anna vain vastauksia. Tekoälytuutorin tulisi kysyä, antaa vihjeitä, pyytää perusteluja ja auttaa opiskelijaa korjaamaan omaa ajatteluaan siltä tasolta, jolla hän on.

Tällainen agentti rakennetaan pedagogiikka edellä. Tarvitaan opettajan suunnittelemat tavoitteet, tehtävät ja ohjaavat kysymykset, palautteen logiikka ja oppimista vaiheistava rakenne, joka hyödyntää aktiivisen oppimisen periaatteita. Tutkitussa mallissa tehtävät kohdistuivat esimerkiksi Bloomin taksonomian ymmärtämisen, soveltamisen ja analysoinnin tasoille.

Niinpä opettajien kannattaa välttää tekoälyn muuttumista kainalosauvaksi. Jos opiskelija voi tekoälyn avulla ohittaa oman ajattelunsa, oppimishyöty voi kadota. Siksi tuutorin pitäisi mieluummin aktivoida ajattelua kuin tehdä ajattelutyö opiskelijan puolesta. Hyvä tekoälyagentti antaa jatkuvaa, yksilöllistä palautetta ja rakentaa oppimistilanteen, jossa opiskelija joutuu itse ajattelemaan, soveltamaan ja perustelemaan.

Tekoäly ja opetuksen liikennevalot

Oulun yliopistossa opettaja voi oppimistavoitteiden perusteella rajoittaa tai kieltää tekoälyn käyttöä, mutta myös kannustaa tai vaatia sen käyttöä. Opiskelijalta voidaan samalla edellyttää, että hän kertoo, mitä tekoälysovellusta hän on käyttänyt ja miten. Tekoälyliikennevalojen ajatuksena on tehdä näkyväksi, millä tavalla tekoälyä saa tai pitää käyttää opiskelutehtävässä.
Kiinnostava vaihtoehto syntyy silloin, kun tekoälyn käyttäminen on pakollinen osa tehtävää. Tavoitteena on silloin samalla harjoitella tekoälyn tarkoituksenmukaista, kriittistä ja vastuullista käyttöä.

Esimerkiksi markkinoinnin opiskelija voisi laatia uuden palvelun markkinointitekstin ensin itse ja sen jälkeen tekoälyn avulla. Lopuksi hän vertailisi versioita ja perustelisi, mitä tekoälyn ehdotuksista hyväksyi, mitä hylkäsi ja miksi.
Tällöin tekoäly ei tee oppimista opiskelijan puolesta. Tekoälyn tuotoksesta tulee oppimisen kohde, jota opiskelijan täytyy osata arvioida, haastaa ja parantaa.

Tekoälyn tehtävä ei ole vapauttaa meitä ajattelemisesta eikä toisistamme. Me tunnemme iloa, pelkoa, häpeää, rakkautta, pettymystä ja merkityksellisyyttä ja luottamus välillemme syntyy yhteisestä historiasta, vastavuoroisuudesta ja siitä, että olemme toisillemme merkityksellisiä. Yliopisto-opettaja huomaa opiskelijan eleistä, olemuksesta ja käyttäytymisestä asioita, joita pelkkä data ei paljasta.

“Käyttääkö tekoälyä vai ei tai miten käyttää tekoälyä?” kysymyksen sijasta hyvä idea voisi olla pohtia esimerkiksi, että miten tekoäly voi auttaa analysoimaan palautetta, valmistautumaan ja käymään vaikeita keskusteluja tai hahmottamaan eri vaihtoehtoja. Luottamuksen rakentaminen, toisen kohtaaminen, arvovalintojen tekeminen ja vastuun kantaminen kaiken tekemisemme seurauksista jää meille ihmisille.

Vinkit:

  1. Yritä ensin itse. Tee tehtävä tai kirjoita luonnos ennen tekoälyn käyttöä. Tekoälyn lisääminen aloittamisen jälkeen voi olla parempi kuin suoraan tekoälyn kanssa aloittaminen.
  2. Käytä tekoälyä tuutorina. Pyydä vihjeitä, kysymyksiä ja virheiden etsintää, mutta älä valmista ratkaisua. Älä automatisoi niitä osia, joissa harjoitellaan, kuten ongelmanratkaisua, perustelua ja omaa kirjoittamista. Automatisoi mieluummin rutiinia.
  3. Testaa itseäsi. Jos et osaa selittää asiaa omin sanoin tai tehdä tehtävää ilman tukea, et ole vielä oppinut sitä.
  4. Pidä metakognitio itselläsi. Arvioi ja seuraa omaa ymmärrystäsi ja suuntaa tekemistäsi itse. Ei kannata seurata botin palautetta sokeasti.
  5. Tarkista tulokset. Kielimallit tuottavat virheitä, ja niiden havaitseminen vaatii omaa osaamista.
  6. Vaali ihmissuhteita. Älä unohda soittaa kaverille, tavata ihmisiä kasvotusten, anna tilaa epävarmuudelle ja kaikenlaisille keskusteluille aitojen ihmisten kanssa.

Kirjoittaja: Päivi Lohikoski, FT, koulutuspäällikkö, Oulun yliopiston Kerttu Saalasti Instituutti

Lähteet:

Turkle, S. (2026). Connected but alone. TED Talk Machines.

Boston Globe (15.10.2026): haastattelu Turklen kanssa; MIT News -nosto samasta; NPR (2024): haastattelu Turklen kanssa.

Bastani, H., Bastani, O., Sungu, A., Ge, H., Kabakcı, Ö., & Mariman, R. (2025). Generative AI without guardrails can harm learning. PNAS, 122(26), e2422633122.

Fan, Y., ym. (2025). Beware of metacognitive laziness. British Journal of Educational Technology, 56(2), 489–530. https://doi.org/10.1111/bjet.13544

Kestin, G., ym. (2025). AI tutoring outperforms in-class active learning. Scientific Reports, 15, 17458. https://doi.org/10.1038/s41598-025-97652-6

Digital Promise (2025). Hearing from Students.

Kuva: Minna Kilpeläinen

Luotu 17.11.2026 | Muokattu 17.11.2026