Työkalut tekevät tunneapua antavasta tekoälystä luotettavampaa
Yöllä, kun oma huoli ei anna nukkua, moni on jo kokeillut jutella tekoälyn kanssa. Tällainen keskustelukumppani osaa yleensä sanoa: “ymmärrän, miltä sinusta tuntuu”. Mutta mitä tapahtuu, jos ihminen kysyy myös konkreettisia neuvoja – voinko yhdistää nämä lääkkeet, mistä saan apua vuokrarästiin, miten kerron pomolle uupumuksesta? Pelkkä myötätunto ei silloin riitä. Tarvitaan tietoa, joka pitää paikkansa.
Tähän asti tunneapuun koulitut tekoälyt on pitkälti rakennettu tekstin varaan: ne yrittävät olla empaattisia ja tukea kuuntelemalla. Uusi suuntaus ehdottaa jotain muuta. Sen mukaan luotettava tuki edellyttää kykyä tarkistaa asioita ulkopuolisista lähteistä keskustelun aikana. Toisin sanoen tekoälyn pitäisi pystyä paitsi lohduttamaan myös hakemaan faktoja – ja kertomaan, mistä ne ovat peräisin.
Tuore tutkimus tarjoaa tästä näyttöä. Siinä kehitettiin vuorovaikutteinen arviointialusta, jonka avulla tunneapua antavia keskustelumalleja testattiin tilanteissa, joissa niillä oli pääsy ulkopuolisiin työkaluihin. Työkaluilla tarkoitetaan esimerkiksi tapoja hakea taustatietoa tai tarkistaa yksityiskohtia keskustelun edetessä. Alusta sisälsi joukon realistisia tunne-elämän tilanteita ja mittareita, joilla arvioitiin paitsi tuen inhimillisyyttä myös sen tosiasiapohjaa.
Kokeissa vertailtiin yhdeksää suurta kielimallia. Tulokset olivat tasaisen suuntaisia: kun mallit saivat käyttää työkaluja, niiden antama tuki parani ja keksitty tieto väheni. Tekoälyt ovat tunnetusti alttiita “hallusinaatioille” – ne voivat tuottaa sujuvaa, mutta paikkansa pitämätöntä tekstiä. Työkalujen avulla tämä taipumus heikkeni, etenkin pidemmissä, usean viestin mittaisissa keskusteluissa.
Hyöty ei kuitenkaan ollut kaikille sama. Vahvemmat mallit osasivat käyttää työkaluja harkiten: ne turvautuivat niihin, kun siihen oli syy, ja jättivät käyttämättä, kun ei ollut. Heikommat mallit hyödynsivät työkaluja vähemmän tehokkaasti ja saivat vain vähäistä lisäapua. Toisin sanoen kyky käyttää työkaluja on itsessään taito, joka karttuu mallin yleisen osaamisen myötä.
Mitä tämä tarkoittaa arjessa? Kuvitellaan ihminen, joka on juuri saanut uuden diagnoosin ja pohtii, mitä arjen muutoksia se vaatii. Empaattinen keskustelukumppani voi sanoa: “tämä on varmasti pelottavaa”. Työkaluja käyttävä malli voi lisäksi hakea ajantasaisen yleiskuvauksen hoitovaihtoehdoista, huomauttaa, että ohjeet vaihtelevat yksilöllisesti, ja kehottaa keskustelemaan lääkärin kanssa. Se ei korvaa ammattiapua, mutta se ankkuroi keskustelun tarkistettaviin faktoihin. Ilman työkaluja malli saattaisi esittää kuulostavia, mutta virheellisiä väitteitä – juuri sitä, mitä huolen keskellä ei toivo.
Arviointialustassa katsottiin myös prosessia, ei vain lopputulosta: miten malli päätti, milloin se tarvitsi lisätietoa, ja perustuiko tuki tosiasioihin vai arvailuun. Tämä on olennainen ero aiempiin testeihin, jotka ovat painottaneet tunnetta ja lopullista vastausta. Tunnetuki on tärkeää, mutta kun keskustelu siirtyy arjen neuvoihin, faktat alkavat merkitä.
Tutkimuksessa julkaistiin lisäksi kokoelma keskusteluja, joissa malli hyödyntää työkaluja tunnealueen tilanteissa. Kun malleja opetettiin näillä esimerkeillä, ne paranivat niissä tilanteissa, joihin esimerkit olivat tehty. Kun tilanteet muuttuivat, parannus hiipui. Toisin sanoen mallien hienosäätö tehosi tuttuihin kuvioihin, mutta yleistyi heikosti uusiin. Se on käytännön varoitus: pelkkä opetusaineiston lisääminen ei tee tunneavusta luotettavaa kaikkialla, missä ihmiset sitä tarvitsevat.
On syytä huomata myös rajoitukset. Arviointialustan tilanteet ovat “realistisia”, mutta silti rakennettuja. Se tarkoittaa, että mallit testattiin huolellisesti kuvatuissa tapauksissa, eivätkä tulokset vielä kerro, miten ne toimisivat kaikissa tosielämän keskusteluissa. Vaikka työkalut vähentävät keksittyä tietoa keskimäärin, ne eivät poista riskiä. Lisäksi työkalujen käyttö herättää uusia kysymyksiä: mistä tiedot haetaan, miten lähteet valitaan ja selitetään, ja miten varmistetaan, ettei malli lipsu neuvonnasta sellaiseen rooliin, joka kuuluu ammattilaisille?
Silti suunta on selvä. Jos haluamme, että tekoäly osaa lohduttaa ilman että se keksii tärkeitä yksityiskohtia, sen täytyy voida tarkistaa asioita. Tuki, jossa tunne ja tieto yhdistyvät, vaikuttaa lupaavammalta kuin pelkkä myötätunto. Tutkimuksen viesti on käytännöllinen: työkalujen käyttö tekee tunneavusta yleensä parempaa, mutta siitä hyötyvät eniten kehittyneet mallit – ja jopa niille koulutus on suunniteltava huolella, jotta ne osaisivat toimia myös uusissa tilanteissa.
Tämä asettaa päättäjille ja palveluntarjoajille vaikean tehtävän. Jos tekoälyä aiotaan käyttää auttavana ensimmäisenä tukena, miten sen pääsy tietoon rakennetaan, mitä rajoja asetetaan ja kuka kantaa vastuun? Kun lohdutus alkaa nojata faktoihin, missä kulkee raja myötätunnon, neuvonnan ja hoidon välillä?
Paper: https://arxiv.org/abs/2601.18700v1
Register: https://www.AiFeta.com
tekoäly tunneapu kielimallit tutkimus luotettavuus
