Riikka Partanen, FT, lehtori, Vastuulliset palvelut, Lapin ammattikorkeakoulu
Tanja Kyykkä, FM, lehtori, Uudistuva teollisuus, Lapin ammattikorkeakoulu
Johdanto
Noin 700 miljoonaa ihmistä käyttää tekoälyä joka viikko. Se tarkoittaa joka kymmenettä aikuista, joista puolet on alle 26-vuotiaita. Heistä 80 prosenttia käyttää tekoälyä kirjoittamiseen, tiedon etsimiseen, perehtymiseen tai neuvon kysymiseen. (Chatterji ym. 2025.) Chatterjin ynnä muiden (2025) tutkimus vahvistaa, että tekoälyä käytetään esimerkiksi sopivien lähteiden etsimisen sijasta syntetisoitujen vastausten kuluttamiseen. Toisin sanoen, tekoäly on siellä, missä ihmiset nykyään ajattelevat, etsivät tietoa ja oppivat.
ChatGPT:stä onkin Chatterjin ynnä muiden (2025) mukaan tullut suurin informaalin oppimisen alusta historiassa, ja se tekee opiskelijoiden tekoälytaitojen kehittämisestä merkittävän osaamistavoitteen lähes jokaiselle korkeakoulun opintojaksolle. Tekoälyn myötä oppimisen luonne on muuttunut yhteistoiminnalliseksi prosessiksi ja toimijuus jaetuksi (co-agency, shared agency) (Holter ym. 2025; Luckin 2018; Bandura 2001). Muutos luo sekä pedagogisia haasteita että mahdollisuuksia erityisesti työelämälähtöisille ammattikorkeakouluille (Silvennoinen, Aksovaara, Paananen & Koskinen 2025).
Tekoälyn integroiminen ammattikorkeakoulujen opetussuunnitelmiin on välttämätöntä, jotta opiskelijoille voidaan tarjota osaamista, joka edistää työllistymistä ja tukee tekoälyn hyödyntämistä työelämässä (Silvennoinen ym. 2025). Tässä artikkelissa tarkastellaan, miten tekoälyn kanssa jaettu toimijuus uudistaa korkeakouluopetuksen rakenteita, pedagogiikkaa ja arviointia. Luonnostelemme myös Lapin AMKin omaa opintojaksokohtaista tekoälyn käyttöselvitystä.
Tekoäly oppimisen kumppanina
Tekoälyn kanssa jaettu toimijuus tarkoittaa, että opiskelija hyödyntää tekoälyä tavoitteiden saavuttamisessa, arvioi sen tuottamaa sisältöä ja säätää omaa toimintaansa vuorovaikutuksessa tekoälyn kanssa (Holter ym. 2025; Luckin 2018; Bandura 2001). Korkeakouluissa tekoäly tulisi nähdä oppimisen kumppanina, joka osallistuu tiedon tuottamiseen, ongelmanratkaisuun ja päätöksentekoon yhdessä opiskelijan kanssa (Paananen & Pernu 2025). Kumppanuus on vuorovaikutteinen prosessi, jossa opiskelija tekee aloitteen, tekoäly reagoi, ja tämä iteratiivinen sykli muovaa lopputulosta. Esimerkiksi akateemisessa kirjoitustehtävässä opiskelija luonnostelee tekstin, tekoäly ehdottaa parannuksia ja opiskelija arvioi ja muokkaa tekstiä edelleen. Näin toimijuus jakautuu, mutta päätösvalta säilyy opiskelijalla.
Tekoälyn kanssa jaettu toimijuus laajentaa oppimisen mahdollisuuksia (Paananen & Pernu 2025), mutta edellyttää uudenlaista metatoimijuutta; pohdintaa siitä, mihin tekoälyä kannattaa käyttää ja missä sen käyttö voi heikentää oppimista. Opettajan rooli on ohjata opiskelijaa kriittisyyteen ja tekoälyn vastuulliseen käyttöön ja näyttää mallia, miten uutta teknologiaa on mahdollista hyödyntää. Tekoälylukutaito tarkoittaakin esimerkiksi kykyä ymmärtää, miten tekoälyjärjestelmät tuottavat tietoa, miten niitä käytetään ja millaisia eettisiä valintoja niihin sisältyy (Salonen 2025).
Haasteena on, että liiallinen tekoälyavusteisuus voi heikentää kriittistä ajattelua ja kaventaa oppimisen autonomiaa, jolloin opiskelija voi tulla riippuvaiseksi tekoälyn käytöstä. Opiskelijan voi olla myös vaikea erottaa oma ajattelu tekoälyn tuotoksesta. Malgieri ja Pasquale (2024) huomauttavatkin, että tekoälystä on tullut osa arkea nopeasti, mutta sen sääntely on jäänyt jälkeen, minkä vuoksi haavoittuvassa asemassa olevia ryhmiä koskevat riskit ovat jo konkretisoituneet. Vakavampien ongelmien syntyminen tulevaisuudessa on erittäin todennäköistä, ellei tekoälyä säännellä vastuullisesti. (Malgieri & Pasquale 2024.) Korkeakouluilla voi olla tässä kehityksessä merkittävä rooli, jos halutaan, että tekoälyllä on väestölle enemmän hyvinvointi- eikä pahoinvointivaikutuksia (Li, Zhang, Lee, Kraut & Mohr 2023; Pataranutaporn ym. 2021).
Näemmekin, että parhaimmillaan oppimisen kumppanuus ja jaettu toimijuus tekoälyn kanssa voi vähentää korkeakouluopiskelijan opiskelukuormaa, tukea kielellistä tasa-arvoa, auttaa oppimisvaikeuksissa ja tarjota henkilökohtaista palautetta (Jeon 2024; Bahari, Han, & Strzelecki 2025). Tekoälyn avulla voidaan vahvistaa oppimismotivaatiota ja minäpystyvyyttä (Kymäläinen 2025), jos oppimisprosessi tehostuu ja opiskelija saa tekoälyltä välitöntä palautetta.
Mitä korkeakouluopettaja voi nyt siis käytännössä tehdä?
Tekoälyn nopea yleistyminen on asettanut korkeakoulut pohtimaan, miten sen käyttöä ohjataan niin, että oppimismahdollisuudet ovat tasapuoliset ja pedagogisesti mielekkäät. Nyt opiskelijat kokeilevat generatiivista tekoälyä itsenäisesti epäselvien sääntöjen varassa, mikä Silvennoisen ym. (2025) mukaan voi johtaa eriarvoisiin oppimismahdollisuuksiin.
On kehitettävä mielekästä tekoälypedagogiikkaa, joka Salosen ja Kotilaisen (2025) mukaan tarkoittaa, että kaikilla opiskelijoilla on mahdollisuus käyttää tekoälyä ja että käyttö lisää osallisuutta ja kriittistä ajattelua. Opettajan tehtäväksi muodostuu tekoälyn integroiminen osaksi opetusta, oppimista ja arviointia. Korkeakouluopettajan rooli muuttuu oppimisprosessin suunnittelijaksi, tekoälyn eettisen ja kriittisen käytön ohjaajaksi, reflektion ja syventävän ajattelun fasilitoijaksi ja tiedon laadun vartijaksi.
Oppilaitoksissa on jo kehitetty ratkaisuja, jotka tukevat opiskelijoiden ja tekoälyn jaettua toimijuutta. Esimerkiksi LUC-konsernissa on huolehdittu yhdenvertaisesta pääsystä tekoälytyökaluihin lisäämällä Copilot osaksi opiskelijoiden käyttäjätilejä. Lisäksi opintojaksojen kuvauksissa on otettu käyttöön Arenen (2024) liikennevalomalli (kuva 1), joka selkeyttää tekoälyn käyttöä koskevia periaatteita.
Kuva 1. Arenen liikennevalomalli 2024 (Arene 2024)
Opiskelijoiden osallisuuden ja kriittisen ajattelun tukemiseksi jokaisen korkeakouluopettajan tulisi pohtia, miten tekoälyllä voisi tukea oman opintojakson oppimistehtäviä, ohjausta, palautetta ja opiskelijan itseohjautuvuutta. Esimerkiksi JAMKin opiskelijoilla toteutetussa tutkimuksessa havaittiin, että opiskelijat pitivät tekoälyä hyödyllisimpänä opintojakson loppuesitysten laatimisessa, mutta vähemmän hyödyllisenä arviointikeskusteluihin valmistautumisessa. Tulokset korostavat, että tehtävien suunnittelu vaikuttaa ratkaisevasti siihen, millaiseksi tekoälyn pedagoginen arvo koetaan. (Silvennoinen ym. 2025.)
Korkeakouluopettajat ovatkin ansiokkaasti järjestäneet AI‑klinikoita, rakentaneet botteja ja perustaneet vertaisverkostoja, joissa jaetaan prompteja ja mallitehtäviä ja pohditaan arvioinnin periaatteita. Koska opiskelijalla ei välttämättä ole pohjalla aiempaa osaamista opintojakson sisällöistä, korostuu tarve mallintaa vastuullisuutta tekoälyn käytössä. Opettajan on perusteltua havainnollistaa osana opetustaan, kuinka oppiva tekoäly ei vain käsittele tietoa, vaan muodostaa uusia merkityksiä. Tiedonmuodostusprosessiin voi syntyä vinoumia ja virheitä, jotka voivat vaikuttaa tekoälyn tuottamiin sisältöihin ja niiden pohjalta tehtyihin päätöksiin (Salonen 2025). Opettajalla on oman alansa asiantuntijana loistava mahdollisuus tehdä tekoälyn virheet näkyviksi ja osoittaa ne opiskelijoille, jotta he oppivat suhtautumaan tekoälyyn kriittisesti.
Opiskelijoita voisi palvella erityisesti vastuullisen tekoälyn käytön mallintaminen opintojaksolla, mutta se vaatii opettajalta työaikaa opintojakson ennakkovalmisteluun ja tehtävien muokkaamista. Tasa-arvoa ja osallisuutta voidaan vahvistaa osallistavilla käytännöillä pyytämällä opiskelijoilta ideoita ja kokemuksia tekoälystä. Opintojakson alussa opiskelijoilta voidaan esimerkiksi kysyä, miten he itse hyödyntäisivät tekoälyä oppimistavoitteiden saavuttamisessa. Näin tekoälypedagogiikka ei jää pelkäksi tekniseksi ohjeistukseksi, vaan rakentuu yhteisöllisesti ja tukee kriittisen ajattelun kehittymistä.
Mitä tulee opintojaksojen arviointiin?
Tekoälyn yleistyessä oppimisen kumppanina arviointi ei voi perustua vain yhteen kurssitehtävään, vaan on tarkasteltava oppimisprosessia ja sitä, miten opiskelija käyttää, arvioi ja säätää tekoälyn tuottamaa sisältöä (Arene 2024). Korkeakouluissa onkin yleistymässä tapa edellyttää tekoälyn käytön läpinäkyvyyttä esimerkiksi vaatimalla AI‑käyttöselvitystä palautusten yhteydessä. Myös EU:n tekoälyasetus (Regulation (EU) 2024/1689), jonka kansallista toimeenpanoa koskevat lait tulivat Suomessa voimaan 1.1.2026, ohjaa läpinäkyvyyteen osana arviointia. Esimerkiksi Metropoliassa on laadittu tekoälyllä tekoälyn käytön ohjeita opinnäytetyössä ja Haaga-Heliassa tekoälyn käytön ohjeita tiedonhakuun.
Lapin ammattikorkeakoulun opintojaksokohtainen AI-käyttöselvitys voisi perustua Albert Banduran (2006; 2018) sosiokognitiiviseen toimijuuden teoriaan, sillä sen avulla on mahdollista tukea sekä opettajaa että opiskelijaa vastuullisessa tekoälyn käytössä ja sen mallintamisessa. Teorian mukaan toimijuuden osa-alueita ovat aikomuksellisuus, ennakointi, reaktiivisuus ja itsereflektio.
Banduran (2001; 2018) mukaan toimijuus alkaa aikomusten asettamisesta. Oppimisen arvioinnissa aikomuksellisuus näkyy siinä, että tekoälyn käyttö on linjassa tehtävän tavoitteiden kanssa. Opettaja voisi tukea opiskelijan tekoälytaitoja kertomalla ja konkreettisesti osoittamalla, miten hän suosittelee tekoälyä käytettäväksi opintojaksolla. Opiskelija voi osoittaa osaamistaan esimerkiksi perustelemalla mihin tekoälyä käytettiin ja miksi. Ennakointi puolestaan kiteytyy siinä, että opiskelija tunnistaa työkalujen rajoitteet, riskit ja eettiset reunaehdot sekä tarkistaa väitteet luotettavista lähteistä. Opettaja voi tukea opiskelijaa osoittamalla, miten tekoälyn tuottaman tiedon luotettavuutta voi arvioida ja pyytää opiskelijaa esimerkiksi osoittamaan, miten lähteiden luotettavuus on varmistettu.
Tekoälyn kanssa jaettu toimijuus edellyttää myös itsesäätelyä (Bandura 2006; 2018). Olennaista on, kykeneekö opiskelija korjaamaan tekoälyn virheitä, rajaamaan tekoälyn roolia ja säätelemään luottamustaan sen tuottamiin vastauksiin. Opettajan olisikin hyvä jakaa oppimistehtävän tekeminen erilaisiin työvaiheisiin ja mallintaa konkreettisesti tekoälyn vastuullista käyttöä, jotta opiskelija voisi reflektoida tekoälyn hyödyntämisen vaikutusta omaan oppimiseensa. Arvioinnin tueksi opiskelijaa voi pyytää esittämään konkreettisia esimerkkejä siitä, millä tavoin hän arvioi ja muokkasi tekoälyn tuottamaa informaatiota.
Opintojakson lopussa opiskelijalta voidaan pyytää kirjallinen pohdinta oppimisprosessista. Opiskelija voi arvioida, miten tekoäly tuki oppimista, missä vaiheissa sen käyttö oli hyödyllistä tai haitallista ja mitä prosessi opetti. Reflektointi tekee näkyväksi opiskelijan toimijuuden kehittymisen. Opettaja voi jakaa myös omia havaintojaan, kuten mitä hän oppi kokeillessaan tekoälyä oppimistehtävissä ja miten se muokkasi hänen ajatteluaan.
Kuva 2. Jaettu toimijuus tekoälyn kanssa
Pohdinta
Tekoälyn kanssa jaettu toimijuus muuttaa korkeakoulutusta perustavanlaatuisesti. Painopiste siirtyy tuotoksista prosesseihin, opettamisesta fasilitointiin ja yksinoppimisesta yhteistoimijuuteen tekoälyn kanssa. Muutoksen hallinta edellyttää yhtä aikaa kriittistä ja mahdollistavaa otetta, jotta tekoäly vahvistaa sekä opettajan että opiskelijan toimijuutta ja hyvinvointia.
Tekoälyn hyvinvointia lisäävä potentiaali ja toimiva oppimiskumppanuus toteutuvat, kun opettaja ohjaa opiskelijoita käyttämään tekoälyä tarkoituksenmukaisesti, kriittisesti ja vastuullisesti niin, että tekoäly tukee, mutta ei korvaa oppijan toimijuutta. Samalla on syytä tarkastella kestävyyttä, sillä tekoälysysteemien hiilijalanjälki voi nousta lähes 80 miljoonaan tonniin (de Vries‑Gao 2025). Tämä herättää kysymyksen siitä, miten yksittäiset korkeakoulut voisivat vähentää tai kompensoida tekoälyn käytön ilmastovaikutuksia.
Vastuullinen tekoälypedagogiikka valmistaa opiskelijoita työelämään, jossa tekoäly ja muut nousevat teknologiat ovat arkipäivää. Opettajien tehtävä on tukea kasvua muuttamalla omaa toimintaansa jo nyt ja vahvistamalla opiskelijoiden yhteiskunnallista osallisuutta. Salonen (2025) muistuttaa, että jos tekoälyä käytetään esimerkiksi sosiaaliturvan valvonnassa, jokaisella kansalaisella tulee olla automaattinen pääsy raporttiin kerätyistä tiedoista, niiden yhdistämisestä ja päätelmistä sekä oikeus korjata virheet – ja meidän opettajina on osoitettava opetuksessa, miksi tämä on olennaista.
Korkeakouluopetuksen tuleva tehtävä on opettaa, miten tekoälyä kyseenalaistetaan ja miten näkyväksi tehdään vastausten taustalla oleva, usein näkymätön prosessi. DiPaola, Payne ja Breazeal (2020) korostavat, että opiskelijoista tulee kasvattaa sekä tietoisia tekoälyn käyttäjiä että uusien tekoälyratkaisujen tuottajia.
Tässä artikkelissa esitelty Banduran toimijuuden teoriaan perustuva AI-käyttöselvitys tarjoaa käytännöllisen viitekehyksen tekoälyn käytön mallintamiseen ja arvioimiseen opintojaksoilla. Sen avulla opettaja voi systemaattisesti tukea aikomuksellisuutta, ennakointia, itsesäätelyä ja reflektiota niin, että tekoäly vahvistaa opiskelijan kykyä toimia tulevaisuuden työelämässä.
Lähteet
Arene 2024. Arenen suositukset tekoälyn hyödyntämisestä ammattikorkeakouluille 2024. Ammattikorkeakoulujen rehtorineuvosto Arene ry. Viitattu 12.1.2026 https://arene.fi/wp-content/uploads/2025/12/Arenen-suositukset-tekoalyn-hyodyntamisesta-ammattikorkeakouluille-2024.pdf.
Bahari, A., Han, F., & Strzelecki, A. 2025. Integrating CALL and AIALL for an interactive pedagogical model of language learning. Education and Information Technologies, Volume 30, January 2025, 14305–14333. Viitattu 16.1.2026 https://doi.org/10.1007/s10639-025-13388-w.
Bandura, A. 2001. Social cognitive theory: An agentic perspective. Annual Review of Psychology, Volume 52, 1–26. Viitattu 16.1.2026 https://doi.org/10.1146/annurev.psych.52.1.1.
Bandura, A. 2006. Toward a psychology of human agency. Perspectives on Psychological Science, 1(2), 164–180. Viitattu 16.1.2026 https://doi.org/10.1111/j.1745-6916.2006.00011.x.
Bandura, A. 2018. Toward a psychology of human agency: Pathways and reflections. Perspectives on Psychological Science, 13(2), 130–136. Viitattu 16.1.2026 https://doi.org/10.1177/1745691617699280.
Chatterji, A., Cunningham, T., Deming, D. J., Hitzig, Z., Ong, C., Shan, C. Y., & Wadman, K. 2025. How people use ChatGPT. National Bureau of Economic Research, Working Paper, September 2025. Viitattu 16.1.2026 https://doi.org/10.3386/w34255.
de Vries-Gao, A. 2025. The carbon and water footprints of data centers and what this could mean for artificial intelligence. Patterns, Volume 7, Issue 1, 9 January 2026. Viitattu 16.1.2026 https://doi.org/10.1016/j.patter.2025.101430.
DiPaola, D. & Payne, B. H. & Breazeal, C. 2020. Decoding design agendas: an ethical design activity for middle school students. Proceedings of the interaction design and children conference, 1–10. Viitattu 10.1.2026 https://doi.org/10.1145/3392063.3394396.
Holter, S., Moruzzi, C., & El-Assady, M. 2025. Towards Agency in Human-AI Collaboration. IEEE Computer Graphics and Applications. Viitattu 16.1.2026 https://doi.org/10.1109/MCG.2025.3623892
Jeon, J. 2024. Exploring AI chatbot affordances in the EFL classroom: Young learners’ experiences and perspectives. Computer Assisted Language Learning, 37(1-2), 1-26. Viitattu 16.1.2026 https://doi.org/10.1080/09588221.2021.2021241.
Kymäläinen, L. 2025. Tekoäly oppimiseen sitouttajana yläkouluissa. Kandidaatin tutkielma, Oulun yliopisto. Viitattu 16.1.2026 https://urn.fi/URN:NBN:fi:oulu-202505153437.
Li, H., Zhang, R., Lee, Y. C., Kraut, R. E., & Mohr, D. C. 2023. Systematic review and meta-analysis of AI-based conversational agents for promoting mental health and well-being. NPJ Digital Medicine, Volume 6, December 2023. Viitattu 16.1.2026 https://doi.org/10.1038/s41746-023-00979-5.
Luckin, R. 2018. Machine learning and human intelligence: The future of education. Lontoo: UCL Institute of Education Press.
Malgieri, G., & Pasquale, F. 2024. Licensing high-risk artificial intelligence: Toward ex ante justification for a disruptive technology. Computer Law & Security Review, Volume 52, April 2024. Viitattu 16.1.2026 https://doi.org/10.1016/j.clsr.2023.105899.
Paananen, S., & Pernu, H. 2025. AI in Collaborative Learning Situations in Higher Education A systematic literature review. Master’s thesis, Jyväskylän yliopisto. Viitattu 16.1.2026 https://jyx.jyu.fi/jyx/Record/jyx_123456789_103602.
Pataranutaporn, P., Danry, V., Leong, J., Punpongsanon, P., Novy, D., Maes, P., & Sra, M. 2021. AI-generated characters for supporting personalized learning and well-being. Nature Machine Intelligence, Volume 3, December 21. Viitattu 16.1.2026 https://doi.org/10.1038/s42256-021-00417-9.
Regulation (EU) 2024/1689 of the European parliament and of the Council. Viitattu 10.1.2026 https://eur-lex.europa.eu/eli/reg/2024/1689/oj/eng.
Salonen, S. 2025. Tekoälyn käyttö sosiaaliturvan valvonnassa voi johtaa rakenteelliseen syrjintään. Mielipidekirjoitus, Helsingin Sanomat 28.12.2026. Viitattu 16.1.2026 https://www.hs.fi/mielipide/art-2000011710209.html.
Salonen, S. & Kotilainen, S. 2025. Inclusive AI pedagogy in Media Education. MEC Abstracts. Viitattu 14.1.2026 https://share.google/QsVG9Qb2aK2EGQXkG.
Silvennoinen, M., Aksovaara, S., Paananen, S. & Koskinen, M. 2025. From Resource to Learning Companion: Student Engagement with Generative AI in Higher Education. MEC Abstracts. Viitattu 14.1.2026 https://share.google/QsVG9Qb2aK2EGQXkG.
Asiasanat: arviointi, korkeakouluopetus, tekoäly, vastuullisuus, yhdenvertaisuus