Opiskelijat ulkoistavat lukemisen ensimmäisen kierroksen tekoälylle

Yhä useammat käyttävät chattibotteja suodattimina, mikä nopeuttaa lukemista mutta voi typistää ajattelun syventymistä.

Moni yliopisto-opiskelija tekee nykyään saman liikkeen: ennen kuin avaa artikkelin tai kurssikirjan luvun, hän avaa ensin tekoälychatin. Teksti liukuu ruutuun, ja muutamassa sekunnissa kone tarjoaa tiivistelmän ja lupauksen siitä, mitä kannattaa lukea tarkemmin.

Tämä tapa kuulostaa houkuttelevalta – onhan lukeminen nykymaailmassa usein ylenpalttista, aikaa vähän ja deadlinet lähellä. Pitkään on myös ajateltu, että tekoäly voisi toimia ajattelun kumppanina: auttaa purkamaan vaikeita käsitteitä, rakentamaan yhteyksiä ja tarkkailemaan omaa ymmärrystä. Tuore kahdeksan viikon seurantatutkimus antaa kuitenkin maltillisemman kuvan siitä, miten opiskelijat tosiasiassa hyödyntävät apulaisiaan.

Tutkimuksessa 15 perustutkinto-opiskelijaa käytti tekoälyä lukutehtäviensä tukena yhden kurssin ajan. Aineistoksi kertyi 239 lukukertaa ja 838 pyyntöä, joita opiskelijat kirjoittivat chatbotille. Pyynnöt jaettiin neljään arkiseen kategoriaan:

• purkaminen (esimerkiksi vaikean termin tai symbolin selitys),
• ymmärtäminen (tiivistys tai kohta kohdalta selventäminen),
• pohdinta (asioiden vertaaminen, syiden ja seurausten puntarointi, soveltaminen),
• itsensä ohjaaminen (oman oppimisen suunnittelu ja tarkkailu: mitä en vielä ymmärrä, miten etenisin?).

Ylivoimaisesti suurin osa pyynnöistä (noin 60 prosenttia) liittyi ymmärtämiseen: opiskelijat pyysivät tiivistelmiä ja selityksiä. Lähes kolmannes koski pohdintaa, kun taas oman oppimisen säätelyyn ja puhtaan terminpurun kaltaiseen perustyöhön turvauduttiin selvästi harvemmin. Monessa lukukerrassa näkyi luonnollinen siirtymä siitä, että ensin selvitetään mistä tekstissä on kyse ja vasta sitten pohditaan, miten väitteet suhteutuvat toisiinsa. Silti eteneminen katkesi usein varhain.

Yksi käytännön selitys on yksinkertainen: suurimmassa osassa lukukertoja (72 prosentissa) opiskelijat esittivät täsmälleen kolme pyyntöä – kurssin tehtävä edellytti vähintään kolmea. Kun minimi tuli täyteen, keskustelu päättyi, vaikka tilaa syventymiselle olisi ollut. Tämä kertoo jotain tärkeää arjesta: tehokkuus ohjaa toimintaa, etenkin kun aikataulu kiristää.

Mitä opiskelijat sitten konkreettisesti pyysivät? Tyypillisiä olivat pyynnöt kuten ”tiivistä tämä kappale omin sanoin”, ”mitä kirjoittaja tarkoittaa käsitteellä X” tai ”miten tämän luvun pääväite vertautuu edellisen viikon lukemiseen?”. Harvemmin esitettiin oman ajattelun säätelyyn liittyviä kysymyksiä, kuten ”mitä kohtia en vielä ymmärrä ja miten voisin tarkistaa sen?”.

Tutkimuksen laadullinen analyysi paljasti myös mielenkiintoisen ristiriidan. Opiskelijat tiesivät, että hyvät kysymykset vaativat vaivaa: mitä täsmällisemmin pyytää, sitä hyödyllisempää vastaus on. Käytännössä tätä tietoa sovellettiin kuitenkin harvoin. Tehokkuus veti pitemmän korren, ja tekoäly toimi monelle ennen kaikkea seulana, jonka läpi teksti valutettiin. Uutena tapana nousi esiin ”lukeminen tekoälyn kautta”: opiskelija käytti ensin koneen tuottamaa tiivistelmää päämateriaalina ja päätti sen perusteella, mitkä kohdat alkuperäistekstistä ansaitsivat tarkempaa huomiota.

Tämä ei välttämättä ole pelkästään huono asia. Kun lukemista on liikaa, suodatin voi auttaa suuntaamaan energian sinne, missä siitä on eniten hyötyä. Samalla tavassa on ilmeinen riski. Jos ensimmäinen kierros ulkoistetaan, jäävät helposti väliin ne hetket, joissa oma ymmärrys nyrjähtää raosta uuteen asentoon – juuri ne, joista syvempi oivallus usein syntyy. Tutkimuksessa havaittu ”katkennut eteneminen” kuvastaa tätä: siirtymä kohti pohdintaa alkoi, mutta jäi useimmiten lyhyeksi.

Mielenkiintoista on myös se, mitä ei muuttunut. Kahdeksan viikon aikana opiskelijoiden tavat käyttää tekoälyä pysyivät yllättävän vakaina, ja yksilölliset erot säilyivät. Osa käytti botteja lähinnä tiivistelmiin, osa rakensi enemmän yhteyksiä ja vertailuja. Paineet ja kiinnostus ohjasivat käyttöä: jos aihe ei sytyttänyt tai kalenteri oli täynnä, tekoäly sai suuremman roolin karsijana.

On syytä huomioida rajoitukset. Kyse oli pienestä otoksesta yhden kurssin puitteissa, eikä tutkimus kerro, miten tavat siirtyvät muihin aineisiin tai pidemmälle tulevaisuuteen. Se ei myöskään mittaa oppimistuloksia. Lisäksi kurssitehtävä – vähintään kolme pyyntöä per lukukerta – ohjasi väistämättä käyttäytymistä ja saattaa selittää osan havaituista rutiineista. Silti aineisto tarjoaa läpileikkauksen siitä, millaisiksi uudet lukutavat ovat muotoutumassa – ja mitä ne korostavat tai sivuuttavat.

Mitä tästä seuraa opetukselle ja työkalujen suunnittelulle? Tutkimus viittaa siihen, että jos haluamme tukea sitkeää ajattelua, meidän on autettava opiskelijoita kysymään ”seuraava kysymys”. Tekoälyjärjestelmät voisivat houkutella jatkamaan yhden tiivistelmäpyynnön yli: ehdottaa vertailua toiseen lukuun, pyytää perustelemaan, kehottaa tarkistamaan, mitä jäi epäselväksi. Tekijät esittävätkin ideoita siitä, miten järjestelmät voisivat tukea pitkäjänteistä otetta tekstiin, ei vain nopeuttaa ensilukua.

Samalla meidän on kysyttävä itseltämme: millaisen lukukulttuurin haluamme? Jos kone toimii portinvartijana, päädymmekö lukemaan vain sellaista, jonka se nimeää tärkeäksi? Vai voisiko fiksu tuki vapauttaa aikaa juuri niille sivuille, joilla tapahtuu ajattelun kannalta arvokkain hapuilu? Se, mihin suuntaan kallistumme, ei ratkea tekoälyn ominaisuuksilla yksin, vaan sillä, mitä pyydämme siltä – ja mitä odotamme itseltämme.

Paper: https://arxiv.org/abs/2602.09907v1

Register: https://www.AiFeta.com

tekoäly lukeminen oppiminen korkeakoulut koulutus tiede