Sääntöjä noudattava tekoäly voi neuvoa opiskelijoita luotettavammin kuin pelkkä kielimalli
Kuvittele ruuhkainen opinto-ohjaajan vastaanotto: viisi minuuttia per opiskelija, kiireiset kysymykset esitietovaatimuksista, pääaineen vaihtamisesta ja siitä, ehtiikö valmistua ajallaan. Monessa korkeakoulussa yhtä ohjaajaa kohti on satoja opiskelijoita. Vastausta ei aina saa silloin, kun päätöksiä pitäisi tehdä.
Viime vuodet ovat opettaneet, että suuret kielimallit, kuten ChatGPT-tyyppiset järjestelmät, osaavat jutella sujuvasti – mutta eivät aina toimi tilanteissa, joissa ”melkein oikein” ei riitä. Opintojen suunnittelussa pienikin virhe voi viivästyttää valmistumista. Siksi monet ovat pitäneet tekoälyä liian huteraa antamaan sitovia neuvoja: se keksii välillä omiaan eikä tunne oppilaitoksen tarkkoja sääntöjä.
Tuore arXiv-esijulkaisu esittää toisenlaisen lähestymistavan. Ajatuksena on sitoa tekoälyn puhelahjat tiukkoihin, koneen ymmärtämiin sääntöihin. Ensin kone tarkistaa faktat, vasta sitten se selittää ne ihmiskielellä. Tutkijoiden rakentama järjestelmä yhdistää kolme osaa: selkeästi jäsennellyn opintotietokannan, sääntökoneen, joka valvoo esitietovaatimuksia ja pistevaatimuksia, sekä kielimallin, joka muotoilee vastaukset ymmärrettävästi. Tuloksena on neuvoja, jotka ovat sekä kuulluja että kurinalaisia.
Miksi tätä kannattaa kuunnella? Siksi, että järjestelmä testattiin laajalla, etukäteen suunnitellulla tehtäväsarjalla, joka kattoi tavallisia ja hankaliakin ohjaustilanteita: ensi lukukauden kurssivalinnat, koko tutkinnon reittisuunnitelman, polut tiettyihin taitoihin sekä pyynnöt, joihin koneen ei pitäisi vastata lainkaan. Kun koneen vastauksia verrattiin asiantuntijoiden laatimiin mallivastauksiin, yhteneväisyys nousi selvästi: pelkällä kielimallilla mittari jäi tasolle 0,68, mutta sääntökoneen ja kurinalaisen tietokannan kanssa se nousi 0,93:een. Lähes puolessa sellaisista tehtävistä, joihin vastaus ylipäänsä oli mahdollinen, kone osui täysin oikein.
Vauhti oli käytännön kannalta yhtä tärkeä. Tavallisella tietokoneella keskimääräinen vastausaika oli 0,71 sekuntia, noin 83 kertaa nopeammin kuin pelkkä kielimalli samassa tehtävässä. Jos neuvoa pitää antaa suurelle joukolle opiskelijoita nopeasti, ero on enemmän kuin kosmeettinen.
Mitä ”sääntökone” ja ”kurinalainen tietokanta” käytännössä tarkoittavat? Opintokatalogi on pilkottu tarkkoihin, ristiriidattomiin palasiin, jotta samat säännöt eivät esiinny eri paikoissa eri muodoissa. Tämän päälle toimii vanhaa logiikkaohjelmointia hyödyntävä moottori, joka käy läpi vaatimukset: onko esitietokurssit suoritettu, täyttyvätkö pisteet, sallivatko säännöt poikkeuksen. Vasta sen jälkeen kielimalli kertoo vastauksen ihmisen kielellä ja perustelee, mihin sääntöihin se tukeutuu.
Yksi esimerkki tekee eron näkyväksi. Opiskelija haluaa syksyllä koneoppimisen kurssille. Systemaattinen järjestelmä käy sääntökirjan ensin läpi ja huomaa, että kurssi edellyttää lineaarialgebraa ja tilastotiedettä. Jos ne puuttuvat, kone ehdottaa polkua: keväälle lineaarialgebra, sen jälkeen kesällä tilastotiede, ja syksyllä vasta koneoppiminen. Jos opiskelija pyytää jotakin, mitä ohjeet eivät kata – vaikkapa kysyy asumistuesta tai tutkinnon ulkopuolisista aiheista – järjestelmä ei arvaile vaan kertoo, että pyyntö on sen vastuualueen ulkopuolella ja ohjaa eteenpäin. Tutkimuksessa tämä ”rehellinen kieltäytyminen” onnistui johdonmukaisesti.
Tässä näkyy jännite: vielä äskettäin keskustelu pyöri sen ympärillä, miten saataisiin kielimallit puhumaan vakuuttavammin. Nyt painopiste on siinä, miten ne saadaan puhumaan oikein – ja tekemään sen läpinäkyvästi. Kun säännöt ovat eksplisiittisiä ja kone todistaa, mihin neuvonsa nojaa, käyttäjän ei tarvitse arpoa, onko vastaus hatusta vedetty vai tutkinto-ohjelman mukainen.
On silti syytä katsoa numeroiden taakse. Testit tehtiin tutkimusryhmän rakentamalla esimerkkijoukolla, ei elävässä ohjaustilanteessa oikeiden opiskelijoiden kanssa. Esijulkaisu ei kerro, miten ratkaisu toimisi eri oppilaitosten kirjavissa säännöissä tai kuinka paljon työtä tietokannan ylläpito vaatisi, kun opetussuunnitelmat muuttuvat. Mittariksi valittu ”yhteneväisyys asiantuntijoiden vastauksiin” on järkevä lähtökohta, mutta se ei vielä kerro, vähenevätkö viivästykset tai eriarvoisuus, kun opiskelijat oikeasti käyttävät järjestelmää. Näitä kysymyksiä ei ole ratkaistu paperissa – eikä niitä voikaan ratkaista ilman kenttäkokeita.
Rajoituksia on toinenkin: järjestelmä on hyvä niissä rajoissa, jotka sille annetaan. Se on tarkka esitietovaatimuksissa ja pistelaskussa, mutta ei tietenkään tiedä, miksi opiskelija haluaisi vaihtaa suuntaa tai mitä elämäntilanne sallii. Se voi auttaa tekemään sääntöjen mukaisen suunnitelman, mutta ei korvaa keskustelua, jossa punnitaan tavoitteita, osaamista ja jaksamista. Hyvä ohjaus on aina ollut sääntöjen ja ihmisymmärryksen liittoa. Sama pätee koneisiin.
Silti tutkimus asettaa suunnan. Kun neuralle puhekyvylle antaa selkärangaksi selkeät säännöt, kone pystyy tuottamaan neuvoja, jotka ovat yhtä aikaa ymmärrettäviä ja tarkkoja. Jos tämä malli toimii myös käytännössä, se voisi keventää ohjaajien kuormaa ja tarjota tasalaatuisia vastauksia niille, jotka nyt jäävät jonon hännille. Silloin olennaisin kysymys ei ehkä olekaan, voiko tekoäly neuvoa – vaan kuka päättää säännöistä, joihin se neuvo nojaa, ja miten niitä päivitetään reilusti, kun todellisuus muuttuu?
Paper: https://arxiv.org/abs/2602.17999v1
Register: https://www.AiFeta.com
korkeakoulutus tekoaly opinto-ohjaus tutkimus datalogiikka
