Tekoäly koulutuksessa

Tämän englanninkielisen sivun automaattinen konekäännös, jota ei ole vielä tarkastanut äidinkielinen puhuja.

Tekoäly koulutuksessa (AIED) — laaja, tieteidenvälinen ala, joka soveltaa tekoälyä opetukseen ja oppimiseen sekä tutkii sen suunnittelua, käyttöä, arviointia ja seurauksia. Tietopohjan kattokonseptina tekoäly koulutuksessa käsittää tekoälyä koulutukseen (tekoälyn käyttöä opetuksen ja arvioinnin parantamiseen) ja koulutusta tekoälystä (tekoälylukutaidon ja kriittisen ymmärryksen kehittämistä). Se sijaitsee opetusteknologian, oppimistieteiden — empiirisen tutkimusalan, joka kysyy muuttuiko oppija eikä vain toimiiko työkalu — tietojenkäsittelytieteen, koulutuspolitiikan, etiikan ja tasa-arvon leikkauspisteessä. Tämä sivu on johdanto alaan ja kartta kaikista tietopohjan kattamista konsepteista.

Pohdittavaksi

• 'Tekoäly koulutuksessa' käsittää kaksi suuntaa: tekoälyä koulutukseen (tekoälyn käyttöä opetuksen parantamiseen) ja koulutusta tekoälystä (lukutaidon ja kriittisen ymmärryksen rakentamista). Kumpi niistä on sinulle tutumpi, ja kumman taipumus olla huomioimatta?
• Alan historia on kehystetty hallinnan ja oppijan toimijuuden väliseksi toistuvaksi jännitteeksi. Kun tarkkailet tekoälytyökalujen yleistymistä, missä huomaat saman jännitteen ilmentyvän nykyään?
• Tekoäly koulutuksessa sijaitsee teknologian, oppimistieteen, politiikan, etiikan ja tasa-arvon leikkauspisteessä. Mitä näistä linssistä sovellet luonnostaan arvioidessasi tekoälytyökalua — ja minkä todennäköisesti unohdat?
• Tämä tietopohja järjestää alan haaroiksi: pedagogiikka, oppimisteoriat, teknologiat, oppiaineet, arviointi, palaute, sidosryhmät ja hallinto. Jos kartoittaisit omaa tekoälyn käyttöäsi, millä haaran löytäisit itsesi olevan?
• AIED käsittää oppilaiden opettamisen käyttämään tekoälyä kriittisesti tavoitteena itsessään. Omassa kontekstissasi kohdellaanko tekoälyä enemmän opetettavana aineena vai käytettävänä työkaluna — ja heijastaako tämä tasapaino sitä, mitä oppijat todella tarvitsevat?
• Oppilaat voivat oppia tekoälylukutaitoa käyttämällä tekoälyä kriittisesti, eivät pelkästään opettelemalla tekoälystä. Miten käytännöllinen, kriittinen käyttö voisi rakentaa ymmärrystä, jota passiivinen opetus ei voi?

Johdanto

Tekoäly koulutuksessa on katto, jonka kaikki muut konseptisivut yhdessä määrittelevät. Tietopohja järjestää alan alla oleviin päähaaroihin, joista jokainen linkittää asiaankuuluviin konseptisivuihin.

Merkittävä historiallinen katsaus, Mishra et al., jäljittää AIED:n kybernetiikasta ja vuoden 1956 Dartmouth-konferenssista kognitiivisten tutorien ja Papertin konstruktionismin kautta, ja väittää, että nykypäivän GenAI-keskustelut toistavat alan perustavanlaatuisen hallinnan ja toimijuuden välisen jännitteen.

Miten tietopohja on järjestetty: kattosivut

Tietopohjan konseptikattavuus on ankkuroitu useisiin kattosivuihin, jotka ryhmittelevät toisiinsa liittyviä konsepteja navigoitaviksi haaroiksi. Ne ovat hyviä lähtökohtia alaan tutustumisessa:

• Tekoäly koulutuksessa — tämä sivu, alan yleiskatsaus ja kartta koko kattavuuteen.
• Tekoälylukutaito — katto tekoälyn ymmärtämiselle, käyttämiselle ja kriittiselle arvioinnille, kattaen kehoitetekniikan, kriittisen ajattelun, tekoälyetiikan ja vastuullisen käytön. Sen rinnalla ihmisen ja tekoälyn yhteistyö ja agenttinen tekoäly kehystävät, miten ihmiset ja tekoäly työskentelevät yhdessä.
• Pedagogiikat ja opetusstrategiat — katto sille, miten opetus tapahtuu: opetusmenetelmille ja -strategioille, joiden puitteissa tekoäly toimii (aktiivinen, yhteistyöllinen, projektipohjainen, ongelmapohjainen, kokemuksellinen, pelipohjainen, sokraattinen, tukeminen ja muita), mukaan lukien verkko-opetuksen ja -oppimisen erillinen konteksti.
• Oppimisteoriat — katto sille, miten oppiminen tapahtuu: teoreettisille viitekehyksille (behaviorismi, kognitivismi, konstruktivismi, sosiokulttuurinen, kognitiivinen, motivaatioon liittyvä), jotka muovaavat tekoälyn suunnittelua ja arviointia.
• Teknologiat — katto tekniselle kerrokselle: tekoälyjärjestelmille (LLM:t, generatiivinen tekoäly, multimodaaliset, robotiikka) ja tekniikoille (hakutiivistetty generointi, kehoitetekniikka, vahvistusoppiminen, mallin koulutus, agenttinen orkestrointi), jotka tekevät AIED:n mahdolliseksi. Oppijamallinnusperhe — tiedon jäljitys, kognitiivinen diagnoosi, oppilaiden simuloiminen ja niitä kuluttavat järjestelmät (älykäs opastus, mukautuva oppiminen, personoitu oppiminen) — on ryhmitetty Oppijamallinnus ja mukautuva opetus-katon alle tämän teknisen haaran sisällä.
• Tekoäly oppiaineissa — katto sille, miten tekoälyä sovelletaan eri ainealueilla (matematiikka, fysiikka, kielten oppiminen, tietojenkäsittely, kirjoittaminen, STEM, insinööritieteet, kauppatieteet, opettajankoulutus, terveysalan ammatit ja muita) — ja, akateemisten aineiden ohi, ammatillinen ja soveltava haara, joka arvioi näytettyä käytäntöä eikä oikeellisuutta (hoitotyö, tietotekniikka, ammattikoulutus ja ammatillinen koulutus, muotoilukoulutus) — sekä oppimistasot (K-12, korkeakoulutus, aikuisoppiminen).
• Assessment (formatiivisin, summatiivisin, autenttisin, suullisin ja automatisoiduin haaroineen) — katto sille, miten tekoäly sekä arvioi oppijoita että muokkaa arvioinnin validiteettia ja eheyttä.
• Feedback — katto sille, miten palaute luodaan, toimitetaan ja käytetään: palautesilmukka, palautteen laatu, palautelukutaito ja sen arviointikontekstit (formatiivinen, vertaisarviointi, automatisoitu).
• Sidosryhmät tekoälykoulutuksessa — katto sille, keitä toimijat ovat: oppijat, opettajat, oppimissuunnittelijat, hallinnoijat ja päättäjät.
• Tekoälykoulutuksen arviointi ja tutkimusmenetelmät — katot sille, miten tiedämme toimiiko tekoäly: vaikuttavuustutkimukset, vertailuanalyysit, satunnaistetut kontrolloidut kokeet, meta-analyysi ja oppimistulokset keskeisenä tulosmittarina. Lukijoiden tulisi myös punnita tämän evidenssin poikkileikkaavat rajoitukset.
• Tekoälyn hallinto, tekoälyn koulutuspolitiikka ja tasa-arvo — katot institutionaaliselle, sääntelevälle ja oikeudenmukaisuutta koskevalle kerrokselle (katso myös sääntely ja yksityisyys).

Näitä kattosivuja linkitetään kauttaaltaan alla olevissa osioissa; jokainen haara mainitsee sekä kattonsa että sen muodostavat konseptit.

Tekoälyn koulutuksessa kaksi ulottuvuutta

Tekoäly koulutuksen tutkimus käsittää kaksi toisiinsa liittyvää suuntaa:

• Tekoälyä koulutukseen — tekoälyjärjestelmien käyttö opetuksen, oppimisen, arvioinnin ja hallinnon vahvistamiseen. Tähän kuuluvat tekoälyopastus, mukautuva oppiminen, personoitu oppiminen, automaattinen esseen arviointi, automaattinen kysymysten luonti, automaattinen arviointi, formatiivinen arviointi, oppimisanalytiikka ja palautesilmukat.
• Koulutusta tekoälystä — oppijoiden ja kouluttajien opettamista ymmärtämään, käyttämään ja arvioimaan kriittisesti tekoälyä. Ydin on tekoälylukutaito, jota tukevat kehoitetekniikka, kriittinen ajattelu, tekoälyetiikka, hallintokasvatus, digitaalinen lukutaito ja vastuullinen käyttö.

Nämä kaksi ulottuvuutta eivät ole erillisiä: tekoälyn hyvä käyttäminen vaatii sen ymmärtämistä, ja opettaminen tekoälystä rikastuu sen käyttämisestä. Tämä ihmisen ja tekoälyn yhteistyö on keskeinen teema.

Tekoälyn koulutuksen perusteet

Alan poikkileikkaavat ja perustavat konseptit ankkuroivat tietopohjan kattavuuden ja esiintyvät ensimmäisinä sivupalkissa. Ne alkavat Perusasioiden ryhmästä — konsepteista, joista jokaisen lukijan tulisi aloittaa: katto itse, tekoälystä pidetyt harhaluulot, tekoälylukutaito, agenttinen tekoäly, kognitiivinen siirtokuormitus, miten tekoälyn käyttö kehystetään oppilaille, tekoälyn väärinkäytön vähentäminen, akateeminen rehellisyys, opettaminen, oppimissuunnittelu ja koulutuksen kehittäminen. Alan haara kattaa sitten alan historian, evidenssipohjan poikkileikkaavat rajoitukset, sen filosofian, teorioiden ja viitekehyksien kartan ja teorian kehittämisen. Poikkileikkaavat teemat — ihmisen ja tekoälyn yhteistyö, oppijan toimijuus, oppijan identiteetti, suunnitteluajattelu, opetussuunnitelman suunnittelu, kriittinen ajattelu ja laskennallinen ajattelu — kulkevat läpi jokaisen haaran, koska ihmisten pitämät epätarkat mentaaliset mallit ovat väärinkäytön ja vajavasti kalibroidun luottamuksen ylävirrassa.

Oppiminen ja opetus

Miten tekoäly tukee opetusta ja oppimista, on alan ydin. Keskeisiä konsepteja:

• Ydinpedagogiikat: pedagogiikat ja opetusstrategiat — katto tietopohjan opetusmenetelmäkattaukselle — sekä pedagogiset kuviot (testatut jonot, joiksi nämä menetelmät ratkeavat), aktiivinen oppiminen, yhteistyöllinen oppiminen, ryhmätyö, projektipohjainen oppiminen, ongelmapohjainen oppiminen, tuottava epäonnistuminen, tiedonhankintapohjainen oppiminen, kokemuksellinen oppiminen, pelipohjainen oppiminen, oppiminen opettamalla, tukeminen, sokraattinen menetelmä, kriittinen pedagogiikka, pedagogiset kumppanuudet, tarinoinnin käyttö, oppimissuunnittelu, verkko-opetus ja -oppiminen ja video koulutuksessa.
• Oppimisteoriat ja prosessit: oppimisteorioiden katto (behaviorismi, kognitivismi, konstruktivismi, sosiokulttuurinen, hajautettu kognitio, sijoitettu oppiminen, kehollistunut oppiminen, tiedusteluyhteisö) toimii oppijakeskeisten prosessien rinnalla, kuten itsesäännelty oppiminen, itsemääräämisteoria, motivaatio, itsetehokkuus, omatoiminen oppiminen, metakognitio, toivotut vaikeudet, oppimisen siirtäminen, aiempi tieto, ICAP kognitiivinen sitoutuminen, kumoava teksti, muistelun, aikavälisten ja lomittuneiden toistojen harjoittelu ja toimintateoria.
• Oppijan sitoutuminen ja kokemus: oppilaan sitoutuminen, avun hakeminen, sosioemotionaalinen oppiminen, hyvinvointi, luovuus, ongelmanratkaisu, hallitseva oppiminen ja oppilaan ja tekoälyn vuorovaikutus muovaavat, miten oppijat todella kohtaavat tekoälyn ja miten se vaikuttaa heihin, kun taas tekoälyn käytön ympärille asettuvat sosiaaliset normit määräävät, miten avoimesti siitä voi keskustella. Kurssin ulkopuolella oppilastuki ja menestyminen kattaa institutionaalisen puolen työn — opinto-ohjauksen, tavoittamisen, välityksen ja niukkojen resurssien kohdentamisen — jossa tekoäly luotettavasti lisää tehtävien suorittamista mutta ei sinnikkyyttä tai valmistumista.

Teknologiat ja tekniikat

Teknologiat-sivu on katto tekniselle kerrokselle:

• Mallit ja tekniikat: generatiivinen tekoäly, suuret kielimallit, hakutiivistetty generointi, multimodaaliset mallit, koulutuksellinen NLP, vahvistusoppiminen, tietoverkot, robotit koulutuksessa, keskusteleva tekoäly, simulaatio ja LLM-koulutus ja hienosäätö. Myös taustalla olevat menetelmät merkitsevät: koneoppiminen on se, missä nämä järjestelmät rakennetaan, puhe- ja ääniteknologiat kantavat puhuttua opastusta ja kielenharjoittelua, visualisointi kattaa kojelaudat ja visuaalisen analytiikan oppijoille ja opettajille, ja virtuaali- ja lisätty todellisuus isännöi immersiivistä harjoittelua, jonka visuaalisen kerroksen malli voi nyt generoida. Tänne kuuluvat myös uudemmat vuorovaikutustyylit — näkyvimmin vibe coding, luonnollisella kielellä ohjattu työnkulku, jossa käyttäjä määrittää ohjelman kehottamalla LLM:ää ja arvioi tuloksena saatavaa käyttäytymistä sen sijaan, että lukisi tai muokkaisi lähdekoodia. Se kehystää uudelleen ohjelmoinnin ilmaisun ja verifioinnin tekona ja madaltaa kynnystä loppukäyttäjille rakentaa omia työkalujaan. Integraation syvyyden viitekehykset, kuten SAMR ja adoptioteoriat, kuten TAM, luokittelevat, miten syvällisesti tekoälyä otetaan käyttöön ja miten paljon se muuttaa tehtävää.
• Oppijamallinnus ja mukautuvat järjestelmät: tekniset järjestelmät, jotka edustavat oppijaa ja mukautuvat häneen, on ryhmitetty Oppijamallinnus ja mukautuva opetus-katon alle — tiedon jäljitys, kognitiivinen diagnoosi, oppilaiden simuloiminen, älykäs opastus, mukautuva oppiminen, personoitu oppiminen, suositusjärjestelmät ja oppimispolut, pedagogiset agentit, affektiivinen opastus, affektiivinen laskenta, ihminen-silmukassa-tekoäly ja oppimisanalytiikka. Nämä sijaitsevat teknisellä kerroksella, koska ne ovat itse tekoälyjärjestelmiä, erillään pedagogiikoista, joita ne toteuttavat.

Tekoäly oppiaineissa

Tekoälyä sovelletaan eri oppiaineissa ja oppimistasoilla. Tietopohjan yleiskatsaus AIEDistä oppiaineissa kartoittaa ainealuekohtaista kattavuutta — oppimistieteiden rinnalla, jotka eivät ole opetettava aine vaan poikkileikkaava tutkimusala, joka tutkii oppimista itseään ja kohtelee oppiainetta yhtenä muuttujana muiden joukossa:

• Ainealueet: matematiikka, fysiikka, kemia, biologia, tietojenkäsittely, insinööritieteet, STEM, kirjoittaminen, kielten oppiminen, englannin kielen opetus (EAP/EFL/ESL), luonnontieteiden opetus, kauppatieteet, taloustiede ja johtaminen, humanistiset ja yhteiskuntatieteet, taide-, muotoilu- ja mediakasvatus, lääketiede ja terveysalan ammatit, oikeustieteellinen koulutus sekä ammatilliset ja soveltavat haarat — hoitotyö, tietotekniikka, ammattikoulutus ja ammatillinen koulutus ja muotoilukoulutus.

Tasot ja kontekstit

Sama tekoälytyökalu kohtaa hyvin erilaisia ympäristöjä, ja tietopohja erottaa oppimistason pedagogiikasta, jotta tulokset eivät hiljaa siirry niiden yli: K-12-koulut, varhaiskasvatus ja alkuopetus, korkeakoulutus, aikuisoppiminen, ammattikoulutus ja ammatillinen koulutus, erityisopetus ja opettajankoulutus. Tasot leikkaavat, niitä lähellä olevat konseptit sisältävät universaalin oppimissuunnittelun, neurodiversiteetin, monikielisen oppimisen ja sosioemotionaalisen oppimisen.

Arviointi ja mittaaminen

Tekoäly muuttaa sekä sitä, miten arvioimme oppijoita, että sitä, miten arvioimme itse tekoälyjärjestelmiä:

• Arviointi ja palaute: arviointi, formatiivinen arviointi, summatiivinen arviointi, autenttinen arviointi, sähköinen portfolio, palaute ja palautelukutaito, tekoälypalautteen laatu, vertaisarviointi, suullinen arviointi, automaattinen arviointi, automaattinen esseen arviointi ja automaattinen kysymysten luonti. Koska malli voi nyt tuottaa uskottavaa valmista työtä pyydettäessä, tietopohja nostaa etualalle kyvyn, joka jää oppijan omaksi: arvioiva harkinta, kapasiteetin arvioida oman työn, vertaisten työn ja tekoälyn tuottaman kykyä järkeilevien kriteerien avulla. Se on konstrukti, johon useat palaute- ja autenttisen arvioinnin tutkimukset suppenevat — hybridi-palautetila päihittää suoran tekoälypalautteen monisijaisessa kokeessa, kestävyysvaje tekoälyn formatiivisessa palautteessa ja käytännön siirto arvioida oppijoiden tekemiä päätöksiä eikä vain tuotosta — ja se on keskeinen syy, miksi tekoälyaikainen uudelleensuunnittelu siirtyy havaitsemisesta kohti tehtäviä, joiden eheys kestää tarkastelun. Myös ryhmätyötä arvioidaan sekä prosessin että tuotteen osalta, jolloin tiimien on neuvoteltava, kenen ja minkä tyyppinen tekoäly sitoutuminen katsotaan hyväksyttäväksi.
• Mittaaminen ja validiteetti: arvioinnin validiteetti, psykometrisesti tietoinen tekoäly, koulutuksellinen mittaaminen, item response theory, itsearviointimittarit (instrumentti, joka on monen evidenssin taustalla ja toistuva rajoitus), tekoälyn havaitseminen, etävalvonta ja akateeminen rehellisyys.

Tutkimusmenetelmät ja arviointi

Miten tiedämme toimiiko tekoäly, on oma haaransa, ja tietopohja kohtelee sitä sellaisena:

• Tutkimusmenetelmät: AIEDin tutkimusmenetelmät kattona, laadullisin, määrällisin, sekamenetelmällisin, suunnittelupohjaisin ja käytettävyyden tutkimus lähestymistavoin, sekä satunnaistetut kontrolloidut kokeet, meta-analyysi ja systemaattinen katsaus ja verkostoanalyysi.

Alan oma tutkimustyö on nyt itse aihe. Tekoälyavusteinen koulutustutkimus kattaa tekoälyn käytön instrumenttina kirjallisuushaun, seulonnan, laadullisen koodauksen, analyysin ja kirjoittamisen osalta, mukaan lukien käytännön tutkimus, kuten opetuksen ja oppimisen tutkimus. Se pysyy erillään malleista, joita käytetään tutkimaan, mitä tekoäly tekee oppijoille.

• Tekoälyjärjestelmien arviointi: Tekoälykoulutuksen arviointi ja vertailuanalyysit järjestelmän kyvyn arvioimiseksi, oppimistulokset tuloksena, jolla on merkitystä, ja tämän evidenssin poikkileikkaavat rajoitukset sekä miten lukea yksittäinen tutkimus varoittavana vastapainona.

Ihmiset

Tekoäly koulutuksessa muuttaa jokaisen sidosryhmän roolia. Tietopohjan Sidosryhmät tekoälykoulutuksessa-sivu on katto, joka kattaa ne kaikki:

• Oppijat: oppilaan kokemus, uran kehittäminen ja valmius ja tekoälyahdistus ja -stressi muovaavat, miten opiskelijat kohtaavat tekoälyn.
• Perheet ja yhteisöt: vanhemmat ja perheet ovat yleisö, jota koulut puhuttelevat useimmin tekoälystä ja jolla on vähiten tutkimusta ohjeiden takana, joten heidän huolensa kuuluvat sidosryhmäkuvaan eivätkä ulkopuolelle.
• Opettajat ja opetusviitekehykset: opettajan tekoälykompetenssi, teknologis-pedagoginen aineenosasisältöosaaminen (TPACK), SAMR ja koulutuksen kehittäminen käsittelevät kouluttajien valmistautumista ja tukea.
• Rakentajat: Educational Technology Developers — tuotesuunnittelijat, ohjelmistokehittäjät, oppimisinsinöörit ja analytiikkasuunnittelijat, jotka muuttavat mallin kyvyn joksikin, jonä instituutio voi hankkia. He ovat eri yleisö kuin yllä olevat ammattilaiset ja hallinnoijat, ja he istuvat työkalunsa käyttööottavien instituutioiden ulkopuolella, minkä vuoksi oletusarvot, yhteissuunnittelu ja rahoituksen jälkeinen ylläpito esiintyvät tässä tietopohjassa pedagogisina kysymyksinä eikä kaupallisina.

Instituutiot ja politiikka

Institutionaalinen kerros on se, jossa tekoälypäätökset todella tehdään ja puolustetaan: hallinnoijat ja institutionaaliset johtajat, tekoälyn koulutuspolitiikka, tekoälyn hallinto, muutosjohtaminen työnä tehdä käyttöönotosta pysyvä, tekoälyn sääntely sekä hankinta- ja alustakysymykset, jotka seuraavat teknologian käyttöönotosta, avoin lähdekoodi ja edtech-alustat, ammatillisen ja elinikäisen oppimisen ja ammatillisen koulutuksen rinnalla.

Tasa-arvo, etiikka ja vastuullinen käyttö

Oikeudenmukaisuus, saatavuus ja vastuu ovat keskeisiä tekoälylle koulutuksessa:

• Tasa-arvo ja saatavuus: tasa-arvo, erilaiset vaikutukset eri oppijaryhmillä (kysymys siitä, kenelle havainto pätee), digitaalinen kuilu, vinoumuksen lieventäminen, kulttuurisesti relevantti pedagogiikka, monikielinen oppiminen, osallistava oppiminen, saavutettavuus, apuvälineteknologia, neurodiversiteetti, universaali oppimissuunnittelu ja eteläisen pallonpuoliskon tutkimukset.
• Etiikka ja vastuu: tekoälyetiikka, tekoälyn väärinkäyttö ja oppimishaitta, oikeudelliset kysymykset ja riskit, tekoälyn käytön ilmoittaminen, suojakehykset, yksityisyys, hallusinaatioriski, tekoälyn mielistely, luottamus, luottamuksen kalibrointi, tekoälyn väärinkäytön vähentäminen, miten tekoälyn käyttö kehystetään oppilaille, pedagoginen turvallisuus, kestävyys ja kognitiivinen siirtokuormitus.

Alan etiikkakirjallisuuden systemaattinen katsaus (Agarwal et al. 2026, 25 artikkelia) konsolidoi AIED-etiikan kuuteen pääasialliseen eettiseen arvoon — syrjimättömyys, datan hoitaminen, inhimillinen valvonta, hyväntahtoisuus, selitettävyys ja koulutuksellinen soveltuvuus — ja kartoittaa eettiset normit sidosryhmä- ja arvomatriisiin. Se havaitsee, että loppukäyttäjät ovat etiikkakirjallisuudessa suurelta osin passiivisia (oppilaiden äänet käytännössä poissa) ja kehottaa integroimaan etiikan AIED-suunnitteluun ja keskittymään enemmän AIED-etiikan koulutukselliseen (pedagogiseen) ulottuvuuteen.

Nousevat ja poikkileikkaavat teemat

Useat teemat kulkevat läpi alan:

• Luottamus ja kriittinen käyttö: luottamus, luottamuksen kalibrointi, tekoälyn mielistely, kriittinen ajattelu, kognitiivinen siirtokuormitus, kriittinen pedagogiikka ja tekoälyn väärinkäytön vähentäminen (katso myös miten tekoälyn käyttö kehystetään oppilaille). Miten oppijat ja opettajat päättävät ottaa tekoälyn käyttöön ja luottaa siihen, on mallinnettu teknologian hyväksynnän tutkimuksella, kun taas eteläisen pallonpuoliskon tutkimukset nostavat etualalle tasa-arvon ja kulttuurikontekstin käyttöönotossa. Empiirisesti se, miten tekoäly selittää itseään, muovaa tätä luottamusta: Feldman-Maggor et al. (2025) osoittivat, että selitettävä tekoäly rakentaa opettajien luottamusta tekoälyn suosituksiin ymmärrettävyyden kautta, ja että alaan pohjautuvia (opetussuunnitelman kielellisiä) selityksiä luotetaan ja hyväksytään enemmän kuin dataan pohjautuvaa piirremerkittävyys-tulosta.
• Alan evoluutio: tietopohja jäljittää tekoälyn koulutuksessa varhaisista älykkäistä opetusjärjestelmistä ja tiedon jäljityksestä LLM-ohjattuun opastukseen, agentteihin ja agenttiseen tekoälyyn — nopea siirtyminen työkalukeskeisistä tutkimuksista sosioteknisiin viitekehyksiin (suunnitteluajattelu, opetussuunnitelman suunnittelu, institutionaalinen muutos), ja käsinkirjoitetuista järjestelmistä käyttäjälle ohjattuihin työnkuluihin, joissa oppija tai ei-ohjelmoija määrittää käyttäytymisen luonnollisella kielellä (vibe coding). Rismanchian & Doroudi formalisoivat tämän kehityskaaren AI×Ed-viitekehyksellään, jäljittäen artikkeleita neljän vuosikymmenen konferenssijulkaisuista osoittaakseen, että ala siirtyi monipuolisesta yhdistelmästä — mukaan lukien merkittävä tutkimus, joka kohteli tekoälyä analogiana ihmisälylle ja -oppimiselle — kohti lähes yksinomaista painotusta soveltavaan, datan ohjaamaan, tutkijakeskeiseen käyttöön, käänteeseen, jota LLM:ien nousu näyttää nyt osittain peruuttavan (kolme neljästä "tekoäly analogiana" -artikkelista AIED 2024:ssa olivat LLM-pohjaisia).
• Tunteet, ahdistus ja urakehitys: Tekoäly aiheuttaa ja muovaa tunnereaktioita — tekoälyahdistus ja -stressi, jotka käsittävät etävalvonnan, eheyspelot ja työn menettämisen — kun taas uran kehittäminen ja valmius käsittelevät, miten koulutus valmistaa oppijoita tekoälyn mullistamille työmarkkinoille (katso myös hyvinvointi).

Alan kypsyys

Tietopohja heijastaa nopeasti kehittyvää alaa — varhaisista älykkäistä opetusjärjestelmistä LLM-ohjattuun opastukseen ja agenttiseen tekoälyyn; havaitsemiskeskeisistä akateemisen eheyden työkaluista arvioinnin uudelleensuunnitteluun; työkalukeskeisistä tutkimuksista sosioteknisiin ja tasa-arvoon keskittyviin viitekehyksiin. Evidenssipohja korostaa yhä enemmän tiukkoja tutkimusmenetelmiä, arviota, kokeellisia suunnitelmia ja pitkäaikaisia tuloksia.

Yhteydet

Tekoäly koulutuksessa liittyy jokaiseen konseptiin tietopohjassa — se on ala, jonka kaikki muut konseptisivut yhdessä määrittelevät. Käytä tätä sivua lähtökohtana koko tietopohjan navigointiin.

Liittyvät konseptit

• Pedagogical Patterns — Testatut jonot, jotka operationalisoivat alan pedagogiikat
• Tekoälylukutaito — katto: tekoälyn ymmärtäminen, käyttäminen ja arvioiminen
• Human AI Collaboration — katto: miten ihmiset ja tekoäly työskentelevät yhdessä
• Pedagogies and Teaching Strategies — katto: opetusmenetelmät ja strategiat
• Learning Theories — katto: miten oppiminen tapahtuu
• Technologies — katto: mallit, tekniikat ja järjestelmät
• AIEd in the Disciplines — katto: tekoäly eri ainealueilla ja tasoilla
• Assessment — katto: miten tekoäly arvioi oppijoita ja muokkaa validiteettia
• Feedback — katto: miten palaute luodaan, toimitetaan ja käytetään
• Stakeholders — katto: keitä toimijat ovat
• Learners — katto: oppijapuolen konseptit (kokemus, identiteetti, toimijuus, vuorovaikutus, oppijamallit)
• AI Ed Evaluation — katto: miten tiedämme toimiiko tekoäly
• Research Methods in AIED — katto: vaikuttavuuden tutkimusmenetelmät
• AI-Assisted Educational Research — Tekoälyavusteinen koulutustutkimus
• AI Governance — katto: institutionaalinen ja sääntelevä kerros
• Educational AI Policy — katto: politiikka, ohjeistus ja toimeenpano
• Equity — katto: oikeudenmukaisuus, saatavuus ja osallisuus
• Learning Sciences — AIEDin taustalla oleva empiirinen ala
• Ethics — tekoälyn eettiset ulottuvuudet koulutuksessa
• Misconceptions about AI — mentaaliset mallit, jotka ihmiset tuovat tekoälylle
• Interpreting and Applying AIEd Research — tutkimuksen lukeminen ja havainnon vieminen käytäntöön
• Limitations in AIEd Research — evidenssipohjan poikkileikkaavat rajat
• Meta-Analysis and Systematic Review — mitä katsaukset ja meta-analyysit osoittavat
• History of AI in Education — miten ala on kehittynyt
• Philosophy of AI in Education — filosofiset perusteet
• Theories and Frameworks — teoria- ja viitekehyssolmujen kartta
• Theory Development in AI in Education — teorian rakentaminen ja tarkistaminen

Liittyvät artikkelit

Alan laajuisia katsauksia tekoälystä koulutuksessa — tutkimuksia, jotka kartoittavat koko alaa tai kokonaista oppimistasoa yhden aiheen sijaan:

• The Evolution of Research on AI and Education Across Four Decades: Insights from the AIxEd Framework — Tekoäly- ja koulutustutkimuksen kehitys neljän vuosikymmenen ajalta (AIxEd-viitekehys)
• Control vs. Agency: Exploring the History of AI in Education — Hallinta vs. toimijuus: tekoälyn historian katsaus koulutuksessa
• Generative AI in Higher Education: A Systematic Review of Opportunities, Challenges, and Pedagogical Innovations (2022–2025) — Generatiivinen tekoäly korkeakoulutuksessa: 125 tutkimuksen systemaattinen katsaus
• The Evidence Base on AI in K-12: A 2026 Review — Evidenssipohja tekoälystä K-12-tasolla: katsaus 818 artiklaan
• Generative AI technologies and educational outcomes: a comprehensive meta-analysis comparing traditional and AI-driven approaches — Generatiivinen tekoäly ja koulutukselliset tulokset: kattava meta-analyysi