Tekoälyä ja oppimisanalytiikkaa - poimintoja ITK2021-konferenssista

Tekoälylle (Artificial Intelligence) ei ehkä ole yhtä oikeaa määritelmää, mutta siihen sisältyy kaksi keskeistä ominaisuutta: autonomisuus ja adaptiivisuus. Autonomisuudella tarkoitetaan koneen kykyä tehdä asioita ilman käyttäjän jatkuvaa avustamista. Adaptiivisuudella taas viitataan koneen kykyyn kehittää toimintaa oppimisen kautta. Usein puhutaan koneoppimisesta, eli kone oppii toistuvista tapahtumista ilman, että ihminen sitä opettaa. Tämän tavoitteena on automatisoida tiedon tulkintaa ja laajentaa koneen havainnointikykyä. Tekoäly perustuu algoritmeihin, joilla tarkoitetaan yksityiskohtaista kuvausta siitä, miten joku tietty tehtävä suoritetaan tai tietynlainen ongelma ratkaistaan. [1]

Tekoälyn hyödyntämistä koulutuksen ja ohjauksen tarpeisiin on kehitelty mm. Älykäs ohjaus-hankkeessa, jossa ovat mukana ammattikorkeakoulut XAMK ja HAMK sekä ammatillisista oppilaitoksista ESEDU ja SAMI. Hankkeen yhteydessä on kehitetty tekoälysovellus, joka toimii XAMKin opiskelijoilla käytössä olevan Tuudo-mobiilisovelluksen yhteydessä. Ammatillisissa oppilaitoksissa tekoälysovellus välittää viestit opiskelijoille Wilma-järjestelmän kautta. Tekoälysovelluksen datan lähteenä on opiskelijahallintojärjestelmät Peppi ja Wilma sekä TE-palveluiden Työmarkkinatori. Sovelluksen tehtävänä on ehdottaa opiskelijoille valinnaiskursseja, työ- ja harjoittelupaikkoja sekä opintojen ohjaukseen liittyviä toimenpiteitä. [1]

Toinen esimerkki tekoälyn ja big datan hyödyntämisestä oli Headai-yrityksen toteuttama projekti, jossa analysoitiin Kenian työmarkkinoiden taitojen kysyntää suhteessa kahden kenialaisen yliopiston opetussuunnitelmiin ja niissä esitettyihin taitoihin. Projektiin oli sisällytetty noin 60 000 työpaikkailmoitusta, joiden perusteella on päästy vertaamaan koulutuksen tarjoamien taitojen sekä työelämän taitojen kysynnän vastaavuutta eli kohtaantoa. Tavoitteena on ollut tunnistaa niitä työelämässä tarvittavia taitoja, joita myös yliopistossa opetetaan sekä niitä, joita ei opeteta, tai joita opetetaan, mutta joille ei ole kysyntää työelämässä. Prosessissa on pyritty tunnistamaan tiettyjä avainsanoja sekä opetussuunnitelmista että työpaikkailmoituksista, joita analysoimalla varsinaiset tutkimuksen tulokset on saatu. Itse tutkimustuloksia enemmän huomioni kiinnittyi tiedonkäsittelytapaan, jonka tekoälyn käyttö mahdollistaa. Tässä ideana on ollut lukea suuri määrä dataa esim. verkosta siirtämättä sitä alkuperäisestä paikasta, ja tehdä siitä tavallaan ”koneelliset muistiinpanot”. Nämä ”muistiinpanot” eli metatieto on analysoitu ja visualisoitu eräänlaiseksi osaamiskartaksi. Tämän tyyppinen tiedon tarkastelu tarvitsee huomattavasti vähemmän kapasiteettiä laitteilta, ja on myös tietoturvan näkökulmasta edullisempi ratkaisu perinteisiin menetelmiin verrattuna. [2]

Useissa esityksissä ja puheenvuoroissa tekoäly ja oppilaitosten tietojärjestelmiin kertyvä big data nähtiin monia mahdollisuuksia tarjoavana työkaluna oppimisen, ohjauksen sekä koulutuksen johtamisen kehittämisessä. Kuitenkin myös kriittisiäkin kommentteja tuli esiin ainakin oppimiseen liittyvän analytiikan osalta. Oppiminen on pohjimmiltaan aina nykyhetkessä tapahtuvaa, jossa pitäisi miettiä, miten oppija pääsee jonkun esteen yli oppiakseen tai ymmärtääkseen jonkin asian. Analytiikan tarjoama tieto pohjautuu taas menneisyyteen (prof. J. Enkenbergin kommentti paneelikeskustelussa). Tästä päätellen näiden analytiikkatyökalujen hyödyntäminen soveltuisi enemmänkin ohjauksen ja tuen tarpeiden sekä oppimisympäristöjen ja oppimateriaalien kehittämiseen. Lisäksi monissa yhteyksissä korostettiin erityisesti näiden tietojen käsittelyyn liittyvien eettisten kysymysten huomioimista.

Lähdettäessä hyödyntämään tekoälyä oppilaitosten prosessien kehittämisessä liikkeelle ei kannata lähteä yksin vaan siinä kannattaa verkostoitua tekoälyhankkeissa jo mukana olleiden oppilaitosten kanssa. Varsinainen tekninen toteutus ja datan analysointi vaatii erikoisosaamista, johon alan yrityksillä on jo tarjolla erilaisia ratkaisuja. Edellä mainittujen lisäksi kehitystyöhön kannattaa ottaa mukaan myös opiskelijat, sillä pohjimmiltaan kyse on heitä koskevan tiedon käsittelystä, ja heiltä voi nousta esiin näkökulmia, jotka eivät välttämättä ilmene suoraan järjestelmiin tallennetusta datasta.

Pekka Hirvonen, digiasiantuntija

Lähteet:

[1] Niilo Korhosen (HAMK) ja Milja Mannisen (XAMK) esitys: Tekoälyä opinto- ja uraohjauksen tueksi ja hyödyksi? Visioita ja käytännön kokeiluja

[2] Eero Hammaisin (Headai) esitys: Tekoäly ja Big Data koulutussuunnitelman kehittämisessä - Case Kenia