”Ajattelun kuuluu olla hidasta ja kivuliasta”

Teksti terhi hautamäki kuvitus Outi Kainiemi

Tutkimusidean matka mielikuvituksesta konkreettiseksi tutkimukseksi on lyhentynyt.

Tämä on Jyväskylän yliopiston tutkijatohtorin Risto Turusen lyhyt vastaus siihen, miten työ on muuttunut. Hänelle kielimallit eivät ole vain toimistotyökaluja. Ne ovat tutkimuksen ytimessä. Hän tutkii poliittista kieltä ja on hyödyntänyt kielimalleja demokratian historian ja tulevaisuusvisioiden tutkimisessa.

”Alussa digitaaliset ihmistieteet perustuivat lähinnä sanojen laskemiseen. Kielimallien avulla voidaan laskea analyyttisesti mielenkiintoisempia ilmiöitä, kuten tunteita tai ajallisuuksia teksteissä”, Turunen sanoo.

Koneoppimismalli muuttaa historiantutkimuksen aineistot koneluettavaksi dataksi, jopa käsinkirjoitetun arkistoaineiston. Humanisti saa kielimalleilta myös koodausapua yksinkertaiseen data-analyysiin.

”Kielimallien avulla voidaan laskea analyyttisesti mielenkiintoisempia ilmiöitä, kuten tunteita tai ajallisuuksia teksteissä.”

Politiikan ajat (POLTE) -hankkeessa kolme tutkijaa luokitteli kaksi tuhatta eduskuntapuheiden virkettä sen mukaan, onko virkkeessä viittaus tulevaisuuteen. Tämän jälkeen kielimalli luokitteli kuusi miljoonaa virkettä jäljitellen tutkijoiden ajattelua. Tällaisen ohjatun käytön lisäksi Turunen käyttää kielimalleja myös ohjaamattomasti, jolloin kone tunnistaa automaattisesti rakenteita, kuten samankaltaisuuksia eri maiden parlamenttipuheista.

Laskennallisten menetelmien avulla voi löytää säännönmukaisuuksia, joita olisi muuten vaikea havaita. Myös perinteinen lähilukeminen tehostuu.

”Kun esimerkiksi eduskunnan puheet on muutettu vektoritietokannaksi, kymmenien tuhansien puheenvuorojen joukosta voi hakea ne, joissa esitetään demokratian olevan vaarassa.”

Räätälöity malli on usein parempi

Isot kielimallit ovat olleet esillä kolmisen vuotta. Yliopistot ovat kehittäneet myös omia työkaluja, jotka pohjautuvat lähinnä suuriin kaupallisiin kielimalleihin. Turusen mukaan on muitakin hyviä vaihtoehtoja: hän itse käyttää esimerkiksi suomenkielisiin aineistoihin sopivaa TurkuNLP:n FinBERTiä sekä avoimia Poro-kielimalleja.

Turusen mukaan ero avoimien ja suljettujen kaupallisten mallien välillä on kaventunut.

”Monissa luokitteluongelmissa pieni, ongelmaa varten räätälöity malli pärjää paremmin kuin energiasyöppö iso malli.”

Tutkijat pyörittelevät kysymystä, kuinka paljon tekoälyä voi hyödyntää siten, että tutkija pysyy kuljettajan paikalla. Puhtaasti tekoälyllä tuotetun tekstin tunnistaa geneerisistä, pinnallisista ideoista, jotka eivät kehity eteenpäin. Ideoiden pallottelukin sujuu edelleen paremmin kahvihuoneessa kuin kielimallin kanssa.

Menetelmien soveltaminen vaatii tieteenalakohtaista ajattelua. Historiantutkimuksessa internet-ajan datalla koulutettu kielimalli voi johdatella anakronistisiin tulkintoihin. Kun tutkimusta voi työvälineiden ansiosta skaalata pidemmille aikajänteille tai useampaan maahan kerralla, tarvitaan yhä monipuolisempaa sisältöosaamista.

Turunen opetteli tekstinlouhinnan alkeet väitöskirjaa tehdessä. Postdoc-projekteissa hän on opetellut uusia taitoja osana isompia tutkimusryhmiä. Hänestä olisi hyvä, jos koneoppimisen alkeet olisivat osa ihmistieteiden koulutusta.

”Minusta ne kuuluvat samalla tavalla historiantutkijan taitoihin kuin arkistotyö tai tieteellinen kirjoittaminen.”

Onko tekoäly oikeassa käytössä? 

Tekoälymenetelmät ovat usein parhaimmillaan tehtävissä, jotka eivät ole ihmisen ydinosaamista: suurten aineistomassojen nopeassa läpikäymisessä ja säännönmukaisuuksien havaitsemisessa.  Toisaalta kielimallien tulo herätti toiveen rutiinityön tehostamisesta. Ne auttavat tekstin muotoilussa, tiedonhaun tukena, kirjallisuuskatsausten teossa, esitysmateriaalien muotoilussa, oikoluvussa ja käännöksissä. Ihanteellisesti tekoäly hoitaa tylsät työt, jolloin jää aikaa mielekkäisiin asioihin.

”Vaikuttaa siltä, että emme ole kovin hyvin osanneet pitää tästä ohjenuorasta kiinni”, arvioi tietojenkäsittelytieteen professori Teemu Roos Helsingin yliopistosta.

”Ihmiset käyttävät tekoälyä usein niihin asioihin, joiden pitäisi olla ydinosaamistamme: ajattelu, kirjoittaminen, ideoiden arviointi ja vertaisarviointien tekeminen.”

Roos on nähnyt viitteitä siitä, että artikkelien arvioijat käyttävät tekoälyä apunaan, mikä ei luonnollisesti ole vain hyvä asia. Kyse on laajemmasta ongelmasta, artikkelien ja niiden näköisten tekoälytuotosten määrän valtavasta kasvusta, jossa ihmisten työhön perustuva vertaisarviointijärjestelmä on jo akuutissa kriisissä.

”Ihmiset käyttävät tekoälyä usein niihin asioihin, joiden pitäisi olla ydinosaamistamme: ajattelu, kirjoittaminen, ideoiden arviointi ja vertaisarviointien tekeminen.”

”Kun tuupataan lisää inputtia, ei riitä arvioijia, joilla olisi aikaa paneutua. Se haittaa huolella valmisteltuja artikkeleita, joiden julkaisu hidastuu tai pahimmillaan estyy.”

Helsingin Sanomat kertoi syyskuussa 2025, että tekoälyalan AAAI-konferenssiin lähetettiin 29 000 tutkimuspaperia. Se on määrä, jolle ei löydy maailmasta tarpeeksi päteviä arvioijia. Vaikka paperit eivät olisi vain ”tekoälyroskaa”, tekstin tuottamisen kynnys on madaltunut niin, ettei kenelläkään ole aikaa lukea kaikkea ja erotella, mikä on hyvää.

Iso kysymys on se, mitä kirjoittamisen, lukemisen ja ajattelun ulkoistaminen tekee oppimiselle. Roos sanoo, että monet kollegat ovat jo palanneet tentteihin, jotka tehdään tenttisalissa paperilla tai tietokoneella ilman verkkoyhteyttä.

Tuottavuus ei räjähdäkään

Roosin mukaan eri tieteenaloilla tulisi ottaa omistajuutta ilmiöön, joka ei ole vain tekninen asia. Viime vuosina on opittu, että tekoäly ei ole monoliitti: ei hyvä tai paha, ei sellainen, joka kuuluu minulle tai ei kuulu.

”Kun puhutaan tekoälyn tuomista talouden ja työelämän muutoksista, näiden alojen tutkijoita kuunnellaan yllättävän vähän ja yllättävän paljon meikäläisen kaltaisia tekoälytutkijoita.”

Roos ajattelee, että tutkijat voisivat olla järjen ääni keskustelussa, jota nyt hallitsevat tekoälystä hyötyvät kaupalliset tahot ja konsultit.

”Lehdistä saa lukea, kuinka jonkin asian tekemiseen meni aiemmin viikkoja ja tekoälyn avulla puoli tuntia. Mutta kun katsoo tuottavuusindikaattoreita, työtuntien tuottamaa rahaa tai bruttokansantuotetta, kasvu onkin hyvin vaatimatonta.”

Tutkijat voisivat olla järjen ääni keskustelussa, jota nyt hallitsevat tekoälystä hyötyvät kaupalliset tahot ja konsultit.

Kyse on samankaltaisesta tuottavuusparadoksista kuin toimistotietokoneiden tulo aiheutti. Tuottavuus ei räjähtänytkään kasvuun. Roosin mukaan tuottavuus on noussut tekoälyn ansiosta yksittäisissä tehtävissä. Kukaan ei kuitenkaan tee kokopäiväisesti työtä, jonka tekeminen on tehostunut tuhatkertaiseksi.

”Järjestelmien rakentaminen ja käyttöönotto, jatkokehitys, valvonta ja ylläpito lisensseineen ja sähkölaskuineen voivat myös maksaa niin paljon, että hyöty saattaa olla plus miinus nolla.”

Roos näkee tekoälyn käytössä yhä ”matalalla riippuvia hedelmiä”, helppoja mahdollisuuksia parantaa työtä. Kielimallien ja niihin perustuvien AI-agenttien ohella on mahdollista hyödyntää paljon muuta tekoälyä, jolla mallinnetaan aineistoja tilastollisesti.

”Harmittaa, että analytiikkatyyppinen koneoppiminen on jäänyt niin syrjään, vaikka se oli kovassa nosteessa reilut viisi vuotta sitten. Tämä on monelle tutumpaa kuin arvaisi. Esimerkiksi Excelissä on tapoja tehdä ennustavia malleja.”

Kaikilla tieteenaloilla käytetään tilastoanalyysiprosesseja. Kun näitä menetelmiä viedään pidemmälle, aletaankin puhua koneoppimisesta.

”Se ei kuulosta kovin seksikkäältä, mutta se on tieteen tekemiselle varmaan isompi juttu kuin generatiivinen tekoäly”, Roos sanoo.

Arviointia täytyy miettiä uusiksi

Tekoälystä on korkeakouluissa puhuttu ehkä eniten opiskelun ja arvioinnin näkökulmista. Usein keskitytään ongelmiin, esimerkiksi siihen, miten estää vilppiä tai haitallista käyttöä. Yliopistonlehtori Heidi Salmento työskentelee Turun yliopiston yliopistopedagogiikan keskuksessa ja tutkii muiden työtehtäviensä ohella tekoälyn käyttöä opiskelussa. Salmennon mukaan opiskelijat eivät aina käytä tekoälyä oppimisen kannalta mielekkäällä tavalla, mutta osaavat kysyttäessä reflektoida työvälineiden vaikutusta oppimiseensa.

”Meillä on taitavia ja luotettavia opiskelijoita, jotka ajattelevat ja toimivat yleensä vastuullisesti. Perinteiset tehtävätyypit saattavat silti houkutella käyttämään tekoälyä oppimisen kannalta epäedullisella tavalla. Välillä opiskelijat oikovat niissä.”

Eettiset kysymykset sekä energian ja luonnonvarojen kulutus mietityttävät myös opiskelijoita. Tällä hetkellä haetaan pedagogisesti mielekkäitä tapoja käyttää tekoälymenetelmiä. Osa opettajista harjoittelee niitä opiskelijoiden kanssa. Esimerkiksi eräs tekniikan alan opettaja on pyytänyt opiskelijoita opettamaan, miten nämä hyödyntävät tekoälyä. Yhdessä on mietitty, mikä on hyödyllistä käyttöä ja mikä taas voi heikentää oppimista.

Salmento näkee tekoälytyökalut tärkeiksi, mutta niiden rinnalla tulisi kirkastaa tieteellisen ajattelun taitoja. Yliopistossa on jouduttu miettimään opetusta uudella tavalla ja kyseenalaistamaan perinteistä tekstikeskeistä arviointia.

Yliopistossa on jouduttu miettimään opetusta uudella tavalla ja kyseenalaistamaan perinteistä tekstikeskeistä arviointia.

”Se on perustunut oletukseen, että tekstin laatu heijastaisi ajattelun kehittymistä. Teksti ei välttämättä ole enää riittävä evidenssi, kun on mahdollista tuottaa näennäisesti oikeannäköistä tekstiä ilman syvällistä ajattelua.”

Osa opettajista on ottanut käyttöön suullisia tenttejä tai muita tapoja mitata oppimista. Tekstimuotoisissa tehtävissä on entistä tärkeämpää painottaa persoonallista, eteenpäin vievää ajattelua. Oleellista on, miten opiskelija ymmärtää omaa ja muiden ajattelua ja sitä, miten tietoa luodaan. 

”Korostetaan tieteellistä tietoa ja tieteellisen ajattelun taitoja, mikä muutenkin on akateemisen maailman ydin.”

Työkalut muuttavat ajattelua

Professori Minna Ruckenstein Helsingin yliopiston Kuluttajatutkimuskeskuksesta kysyi hiljattain kurssillaan opiskelijoilta, haluavatko he käyttää tekoälyä. Osa halusi, osa ei halunnut ollenkaan.  Syntyi kiinnostava keskustelu siitä, miten opiskelijat itse ajattelevat oppimisestaan.

”Työkalut muuttavat ajattelua, tekemistä ja tekijää”,  Ruckenstein sanoo.

Ruckenstein tutkii tekoälyn inhimillisiä ja sosiaalisia kytköksiä. Hän johtaa Strategisen tutkimuksen neuvoston rahoittamaa REPAIR-hanketta, jossa tutkitaan algoritmisia järjestelmiä yhteiskunnan eri osa-alueilla.

Ruckensteinin mukaan tekoälyn vaikutuksia on tärkeä pohtia laajemmin kuin työkalujen tasolla.  Hyödyt näkyvät monessa asiassa. Esimerkiksi kyselyiden, analyysien, litterointien ja käännösten teko on sujuvaa. On tärkeää pohtia, mikä oppimisessa ja työssä on itselle tärkeä osuus, jota ei voi ulkoistaa tai nopeuttaa.

Ruckenstein muistuttaa, että oppimisen edellytyksenä on, että se on hieman hankalaa.

”Ajattelun kuuluu olla hidasta ja kivuliasta. Tekstien lukeminen on toisinaan vaikeaa. Jos teksteistä saa helpotettuja yhteenvetoja, monet tärkeät asiat voivat jäädä huomaamatta.” 

Tämä aika vaatii dialogisuutta

Konkreettisena muutoksena työssä näkyy ylenmääräinen AI-generoitu roska. Ruckenstein sanoo, että hakemuksia väitöskirjatutkijaksi tulee siihen tahtiin, että sähköposteja ei jaksaisi enää availla. Toinen muutos ilmenee opetuksessa. Hän ei enää laittaisi opiskelijoita tekemään reflektiopapereita yksittäisistä artikkeleista.

”Opetusresursseja ei ole tarpeeksi läheiseen työskentelyyn opiskelijoiden kanssa, vaikka tämä aika vaatisi juuri dialogisuutta ja asioiden kehittelyä yhdessä.”

Ruckenstein on havainnut opiskelijoissa kyynistymistä. He pohtivat, mihin pitäisi suunnata ja kannattaako enää ponnistella. Taloustilanne vaikuttaa. Opiskelijat pelkäävät, että he eivät työllisty tai tekoäly vie työpaikat. Kyynisyyttä luo myös teknologiavälitteinen todellisuus, joka irrottaa ihmisiä juuriltaan ja kierrättää tietoa, joka ei kiinnity mihinkään.

REPAIR-hankkeella on kyynisen tulevaisuuden korjausprojekti, jossa diagnosoidaan nuorten näkökulmasta ongelman syitä ja mietitään ratkaisuja.

Ruckensteinin mukaan juuri nyt olisi hyvä aika pohtia, mitä haluamme välittää nuorille aikuisille, millaisena tiedon tuottajana yliopisto nähdään sekä miten työtä mitataan ja arvioidaan. Tieteen tekeminen ei ole vain artikkelien putkauttamista ulos, vaan yhdessä ajattelua, syvällistä ymmärrystä, maailman hahmottamista kirjoittamalla.

”Työn hienous on jatkuva keskustelu tiedon luonteesta, joka on julkisuudessa ymmärretty hirveän väärin viime vuosina. Parhaat tutkijat ymmärtävät oman tietonsa rajallisuuden ja uskaltavat muuttaa mielipiteensä, kun tulee uutta tietoa.”