AIEd-tietopankkiAIEd KB
Tällä sivulla

Lue tämä sivu englanniksi

Käsitteet

Koulutuksen kehittäminen

Luotu 2026-10-27 · Päivitetty 2026-10-27

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

Koulutuksen kehittäminen (tunnetaan myös nimellä opettajakunnan kehittäminen) tarkoittaa prosesseja, ohjelmia ja institutionaalisia tukia, jotka auttavat kasvattajia kehittämään taidot, itseluottamuksen ja ammatillisen identiteetin opettaakseen tehokkaasti tekoälyn kanssa. Koulutuksen kehittäminen kattaa yksilöllisen koulutuksen, opetussuunnitelman uudistamisen, institutionaalisen politiikan muutoksen ja sen kulttuurisen työn, jolla selvitetään, mitä generatiivinen tekoäly merkitsee akateemiselle ammattikunnalle.

Pohdittavaksi

  • Jos saman laitoksen opettajat kuvaavat tekoälyä toisaalta ihmisen kaltaiseksi 'avustajaksi' ja toisaalta pelkäksi 'työkaluksi' tai 'hakukoneeksi', voiko koulutusohjelma todella onnistua ennen kuin nämä taustalla olevat mentaaliset mallit tuodaan esiin? Mitä voisi tapahtua, jos kehittäminen ohittaa tuon vaiheen?
  • Koulutuksen kehittämistä pidetään usein taitoaukon sulkemisena: opeta opettajille työkalut, niin he ottavat ne käyttöön. Osa tutkimuksesta kehystää generatiivisen tekoälyn integroinnin kuitenkin identiteettitason muutokseksi ('mitä järkeä opettamisessa on generatiivisen tekoälyn maailmassa?'). Kumpi kehystys on mielestäsi osuvampi, ja millaisia erilaisia toimia kumpikin niistä merkitsee?
  • Valmiusviitekehykset, kuten EPIQ-AI, jakavat opettajien valmiuden episteemiseen, pedagogiseen, institutionaaliseen sekä laadun ja vaatimustenmukaisuuden osa-alueeseen. Jos valmius on sosiotekninen yhteensovittamisongelma eikä yksilön taitoaukko, mitä se kertoo siitä, mihin yksinäinen 'tekoälytyöpaja' todennäköisesti jää vajaaksi?
  • Milloin omat oletuksesi uudesta teknologiasta ovat nousseet esiin ja muuttuneet keskustelun, metaforan tai jaetun kielen kautta eivätkä opetuksen kautta? Millainen rooli jaetulla kielellä ja metafora-analyysilla on mielestäsi siinä, että kasvattajat saavat tolkkua tekoälystä?
  • Ajattele matalan teknologian 'metaforatyöpajaa', jossa opettajat, henkilökunta ja opiskelijat sanoittavat, tuntuuko tekoäly sveitsiläiseltä linkkuveitseltä, auttajalta, mustalta laatikolta vai kilpailijalta. Voisiko pelkojen esiin nostaminen (mukaan lukien pelko siitä, että tekoäly korvaa opettajan roolit) tehdä käyttöönoton hyväksi enemmän kuin teknisempi koulutus?

Johdanto

Koulutuksen kehittäminen on ammatillista ja institutionaalista työtä, jonka kautta opettajat rakentavat kyvyn suunnitella, opettaa ja arvioida hyvin, ja tekoälyn aikakaudella siitä on tullut minkä tahansa pedagogisen muutoksen toteutumisen edellytys. Käsite kattaa sekä yksilön (tekoälylukutaito, itseluottamus, kompetenssi, asenteet) että instituution (standardit, politiikka, laadunvarmistus ja ilmaistujen tekoälyodotusten ja todellisen arviointisuunnittelun välinen yhdenmukaisuus). Tässä tietopohjassa toistuva havainto on, että näyttö tehokkaasta käytännöstä ylittää selvästi sen, mitä useimmat instituutiot ovat toteuttaneet, mikä tekee kehittämistyöstä eikä lisätutkimuksesta sitovan rajoitteen. Oppimistieteet tuottavat ne löydökset, joita tämä työ kuljettaa: kun tuo ala osoittaa empiirisesti, miten ihmiset oppivat ja mitkä suunnitteluratkaisut muuttavat tuloksia, koulutuksen kehittäminen on se institutionaalinen käytäntö, joka siirtää tällaisen näytön siihen, miten opettajat todella opettavat ja arvioivat. Sen työtä rajaa kuitenkin institutionaalinen reuna: kehittäminen rakentaa kyvykkyyttä instituution sisällä olevaan henkilöstöön, kun taas työkalut, joiden käyttöön tuo henkilöstö sitten pyydetään, rakennetaan yleensä sen ulkopuolella koulutusteknologian kehittäjien toimesta, ja heidän suunnittelu- ja hankintapäätöksensä (oletusarvot, muokattavuus, mikä säilyy rahoituksen jälkeen) saapuvat ohjelman rajoitteina eivätkä sen tuotoksina.

Koulutuksen kehittäminen tekoälyn aikakaudella

  • Valmiusviitekehykset: EPIQ-AI-viitekehys tunnistaa neljä valmiuden osa-aluetta: episteeminen, pedagoginen, institutionaalinen sekä laatu ja vaatimustenmukaisuus. Opettajien valmius on sosiotekninen yhteensovittamisongelma eikä vain yksilön taitoaukko.

  • Tarkista, mitä viitekehyksen tasot kuvaavat, ennen kuin otat sen käyttöön. Kuudessatoista institutionaalisesti hyväksytystä tekoälykompetenssiviitekehyksestä tekoälyn käyttö, tuotoksen arviointi ja alakohtainen soveltaminen olivat sisällöllisesti käsiteltyjä kaikissa 16:ssa, kun taas ongelmanmuodostus (7), datakompetenssi (9) ja tekoälyn luominen (8) eivät olleet; lisäksi osaamistasot kuvaavat joko oppijan kehitystä, ammatillista roolia tai luokka-astetta, joten ne eivät ole suoraan vertailukelpoisia (Fitsilis (2026)).

  • Standardit teknologian integroinnille: Crompton et al. käyttävät suunnittelupohjaista tutkimusta kehittääkseen opettajastandardit teknologian (mukaan lukien tekoälyn) integroinnille korkeakouluinstituutioissa.

  • Käyttöönotto ja itseluottamus: Opettajien tekoälyn käyttöönoton tutkimus tunnistaa huolet, tuen, itseluottamuksen ja asenteet keskeisiksi ennustajiksi. Opettajakunnan kehittämisohjelmien on käsiteltävä kaikkia neljää.

  • Opetussuunnitelman integrointi: Institutionaalisen muutoksen viitekehykset ja arvioinnin uudistaminen edellyttävät opettajilta kurssien uudelleensuunnittelua eikä vain tekoälytyökalujen lisäämistä.

  • Koulutusohjelmat: Tekoälyn osaamisen päivittämisen viitekehykset ja TPACK-pohjainen opettajankoulutus tarjoavat malleja jäsenneltyyn opettajien tekoälykoulutukseen.

  • Tekoälyn välittämä ammatillinen reflektio. Reflective Triangle -malli asettaa tekoälyn kognitiiviseksi välittäjäksi itsearvioinnin, yhteisöllisen reflektion ja ammatillisen oppimisyhteisön yhteisreflektion yli, ja se testattiin neljän viikon toteutettavuustapauksessa kuuden opettajan kanssa; sen piirtämä raja on, että yksilöllinen oivallus ei muutu automaattisesti jaetuksi ammatilliseksi tiedoksi (Nguyen (2026)).

  • Hallinto ja politiikka: Institutionaalisen tekoälypolitiikan analyysi dokumentoi kuilun institutionaalisten tavoitteiden ja opettajien tukikapasiteetin välillä.

  • Tekoälylukutaito on institutionaalisesti näkymätöntä. Systemaattinen katsaus 32 tutkimuksesta kieltenopettajien tekoälylukutaidosta havaitsi sen puuttuvan työkuormamalleista, ylennyspolitiikoista ja resurssien kohdentamisesta, kehittämisen olevan pirstaleista ja vastuun siirtyneen instituutioiden ja virastojen välillä, joten lukutaidon kehittäminen jää yksilön oman vaivannäön varaan rakenteellisen tuen sijaan (Deng, Çelik & Duran, 2026).

Metaforat ja jaettu kieli koulutuksen kehittämisessä

Opettajilla on heterogeeniset, usein syvästi ambivalentit mentaaliset mallit tekoälystä, ja tehokkaan kehittämisen on nostettava ne esiin ja työskenneltävä niiden kanssa. Gerhardt et al. osoittavat, että insinöörialan opettajat kehystävät tekoälyä metaforilla, jotka sekä rakentavat että rajoittavat ymmärrystä (tekoäly ihmisen kaltaisena "avustajana" vs. "työkaluna" tai "hakukoneena"); koska saman laitoksen opettajilla on usein perustavasti erilaiset käsitteellistykset, jaettu ja täsmällinen kieli generatiivisesta tekoälystä on edellytys tehokkaalle opettajakunnan kehittämiselle ja tuottaville laitostason käyttöönottokeskusteluille.

Käytännöllinen menetelmä näiden mentaalisten mallien esiin nostamiseen on metafora-analyysityöpaja. Vallis, Wilson & Casey (2025) suunnittelivat ja validoivat matalan teknologian yhteistoiminnallisen työpajan opettajille, henkilökunnalle ja opiskelijoille heidän generatiivista tekoälyä koskevien metaforiensa sanoittamiseksi. Osallistujien metaforat ryhmittyivät neljään luokkaan: Toiminnot (työkalumaiset: "sveitsiläinen linkkuveitsi"), Roolit (ihmisen kaltaiset: "auttaja", "ystävänvihollinen"), Ominaisuudet (tuntemattomat: "musta laatikko", "liukuva rinne") ja Toimijuus (uhkaavat: "kilpailija", "pahaenteinen robotti"), mikä nosti esiin pysyviä jännitteitä ihmisen ja koneen toimijuuden sekä tunnetun ja tuntemattoman välillä. Työpaja auttoi osallistujia nostamaan esiin oletuksiaan, yhdistymään roolien yli, tuntemaan, ettei ole "yksin", ja pohtimaan generatiivisen tekoälyn etiikkaa ilman teknistä asiantuntemusta. Kehittämistyökaluna se antaa ohjelmasuunnittelijoille matalan kynnyksen tavan nostaa tiimin oletukset esiin ennen arvioinnin uudelleensuunnittelua tai politiikan käyttöönottoa ja kohdata pelot suoraan, mukaan lukien pelko siitä, että tekoäly korvaa opettajan roolit.(Fear and Awe: Making Sense of Generative AI Through Metaphor)

Generatiivinen tekoäly identiteettityönä, ei vain osaamisen päivittämisenä

Kynnyskäsiteteoriaan nojaava näkemys kehystää generatiivisen tekoälyn integroinnin opettajille ontologiseksi muutokseksi eikä taitoaukoksi. Soveltaen kynnyskäsitteiden teoriaa (Meyer & Land) Laidlaw väittää, että generatiivinen tekoäly osoittaa kaikki viisi kynnyksen ominaispiirrettä: muuttava (rakentaa uudelleen oletukset arvioinnista, pedagogiikasta ja ammatillisesta roolista), hankala (rikkoo uskomuksia omaperäisyydestä, inhimillisestä toimijuudesta ja vaivan ja saavutuksen suhteesta), peruuttamaton, integroiva (yhdistää teknologian, pedagogiikan, epistemologian ja identiteetin) ja rajattu (generatiivisen tekoälyn sujuvuudesta tulee uusi ammatillisen valuutan merkki).(When faculty ask, 'what's the point of teaching?': GenAI as identity crisis, not skills gap)

Tässä tulkinnassa opettajat, jotka kysyvät "mitä järkeä opettamisessa on generatiivisen tekoälyn maailmassa?", eivät ole kompetenssiltaan puutteellisia; he ovat liminaalisessa kynnyksen ylityksen vaiheessa, jossa ahdistus, vastustus ja hämmennys ovat muutoksen välttämättömiä osia eivätkä poistettavia esteitä. Taitopohjainen koulutus, joka vastaa kompetenssikysymykseen, jota opettajat eivät esitä, voi jäädä sivuun todellisesta muutoksesta, ja hyväntahtoinen hallinto voi lipsahtaa "täytäntöönpanon illuusioksi": sääntöjen viestimiseksi muutoksen tukemisen sijaan.(When faculty ask, 'what's the point of teaching?': GenAI as identity crisis, not skills gap)

Suunnittelun seuraus: täydennä (älä korvaa) taidon rakentamista identiteettiä tukevilla käytännöillä: avoimia istuntoja identiteettikysymysten äärellä teknisten demojen sijaan, jatkuvia alakohtaisia kohortteja, joissa opettajat tutkivat, mitä generatiivinen tekoäly merkitsee heidän alansa tarkoitukselle, vertaismentorointirakenteita, jotka kunnioittavat erilaisia muutoksen aikatauluja, ja pelkopohjaisen epäröinnin (joka hyötyy tuesta) erottamista periaatteellisesta käyttöönotosta kieltäytymisestä, joka nojaa legitiimeihin tieteenalakohtaisiin arvoihin (joka ansaitsee kunnioitusta).(When faculty ask, 'what's the point of teaching?': GenAI as identity crisis, not skills gap) Yllä kuvattu metaforatyöpajamalli on yksi konkreettinen toteutus tästä: teknisen osaamisen päivittämisen sijaan se avaa tulkitsevalla, identiteettiin kietoutuvalla kysymyksellä siitä, mitä generatiivinen tekoäly merkitsee osallistujille.

Empiirinen tuki identiteettityön kehykselle. Farazouli et al. (2026) tarjoavat suoraa laadullista näyttöä tälle tulkinnalle: 24 ruotsalaista yliopisto-opettajaa kuvasi generatiivisen tekoälyn esiintuloa hälyttäväksi ja ylivoimaiseksi ja raportoi "haavoittuvuuden tilasta" (heikko itseluottamus, epävarmuus, pelko siitä, ettei ole "opiskelijoita edellä") sekä tunteesta, että on "jumissa" utopististen ja dystopisten diskurssien välissä. Heidän rajallinen tietämyksensä ja kokemuksensa yhdessä haavoittuvuuden tunteiden kanssa korostavat opettajien puutteellista valmiutta navigoida, arvioida ja omaksua generatiivista tekoälyä, ja kirjoittajat väittävät, että instituutioiden on tarjottava nimettyjä tiloja ja aikaa, jotta opettajat voivat kokeilla generatiivista tekoälyä, vaihtaa ajatuksia ja kehittää yhdessä käytäntöjä ja ohjeita institutionaalisella, laitos- ja kurssitasolla. Tämä perustaa identiteettityöhön ja tukeen suuntautuvan lähestymistavan opettajien omaan raportoituun kokemukseen eikä vain teoriaan.

Ohjelma, joka käsitteli identiteettikysymystä suoraan. Chick, Morello & Staffey (2026) raportoivat kuuden viikon kesäinstituutista, joka vei kymmenen opettajaa kasvatustieteistä, terveystieteistä, liiketaloudesta ja muista ohjelmista matalasta tekoälysujuvuudesta (itsearvio keskiarvo 1,89 kuusiportaisella asteikolla) siihen, että 60 % raportoi korkeaa itseluottamusta opiskelijoiden tekoälyn käytön ohjaamisessa ja 90 %:lla oli positiivinen käsitys, ja he selittävät muutosta vähemmän työkalukoulutuksella kuin jäsennellyllä, turvallisella kokeilulla, joka avautui ammatillisen arvon eksistentiaalisella kysymyksellä eikä demoilla. Sanaston muutos on se merkki, johon he nojaavat: varhaiset kehystykset tekoälystä "huijauskoneena" tai "epäinhimillistävänä voimana" väistyivät "uteliaan avustajan" tieltä, ja heidän neljä teemaansa (pelosta uteliaisuuteen, kaipaus eettiseen selkeyteen, jota politiikan tyhjiö ei tarjonnut, osallistava suunnittelu tasa-arvon vahvistajana ja opettajat portinvartijoista oppaiksi) kuvaavat osittaista, tarkoituksellista opetuksellisen identiteetin uudelleensuuntaamista. Kymmenen päätösprojektin uudelleensuunnitelmat ovat kovempaa näyttöä, ja kahdeksassa kymmenestä tekoäly sijoitettiin tueksi, joka tukee ajattelua sen korvaamisen sijaan, ja kirjoittajien symbioottinen pedagogiikka formalisoi sen, mitä osallistujat rakensivat: täydentävä suunnittelu, läpinäkyvä prosessi, kriittinen integraatio, sisäänrakennettu eettinen päättely ja iteratiivinen hienosäätö. Varauma on rakenteellinen eikä yksilöllinen: samat osallistujat nimesivät ristiriitaisia politiikkasignaaleja, henkilökohtaisia työkalutilauksia ja sen, ettei uudelleensuunnitteluun annettu vapautusta työajasta, joten kirjoittajat päättelevät, että vastustus ei koskaan ollut ongelma ja että paloittaiset vastaukset, jotka jättävät politiikan ja infrastruktuurin koskemattomiksi, epäonnistuvat innokkaankin kohortin kanssa.

Kehittäminen välittämisenä ja ensimmäinen kysymys, jonka kehittäjä esittää. Sithole (2026) tutkii akateemista kehittämistä (alan vanhempi nimi ja termi, jota International Journal for Academic Development käyttää ja joka julkaisi artikkelin) kahdessa eteläafrikkalaisessa historiallisesti heikommassa asemassa olevassa instituutiossa ja kehystää kehittäjät uudelleen teknisiksi toteuttajiksi sijaan digitaalisiksi välittäjiksi, jotka työskentelevät kolmella rekisterillä: pedagogisella (tekoälydiskurssin kääntäminen toimivaksi opetuksen, oppimisen ja arvioinnin käytännöksi), eettisellä (automaation pitäminen akateemista rehellisyyttä vasten, innovaation pitäminen huolenpitoa vasten) ja institutionaalisella (työskentely johdon vaatimusten ja akateemisten huolten välisessä liminaalitilassa). Kaksi löydöstä on olennaisia ohjelmasuunnittelulle. Ensinnäkin suodattava kysymys on kontekstuaalinen ennen kuin tekninen: "mitä tämä merkitsee opetukselle täällä, köyhistä kouluista tuleville opiskelijoillemme?", ja käyttöönoton hidastaminen lasketaan osaksi työtä eikä sen vastustukseksi. Toiseksi affektiivinen kustannus on rakenteellinen eikä henkilökohtainen: kehittäjiltä odotettiin asiantuntijuuden osoittamista työkaluissa, joiden seurauksia he vasta selvittivät ("tunnen itseni huijariksi. Opin tekoälyä matkan varrella, mutta instituutio odottaa asiantuntijuutta"), ja heidän vastauksensa oli vertaisten ammatillinen oppiminen, joka tähtäsi harkintaan eikä taitoon, mukaan lukien työkalujen tarkoituksellinen rikkomaan yrittäminen. Artikkelin analyyttinen anti on erottaa digitaalinen eriarvoisuus jakautumisongelmana algoritmisesta kolonialisuudesta, joka on episteeminen ongelma ja säilyy täydestä pääsystä huolimatta, ja sijoittaa molemmat eteläisen pallonpuoliskon korkeakoulutukseen, jossa kehittämistyöltä odotetaan muutosta eikä neutraalia tukipalvelua.

Syyllisyys ja moraalinen epämukavuus kehityssignaalina. Vassallo (2026) tarjoaa identiteettitulkinnan affektiivisen vastineen. Kyselyssä maltalaisen yliopiston akateemiselle henkilöstölle (109 vastausta, 3,5 prosentin vastausaste, jonka artikkeli lukee itsessään kertovaksi eettisen keskustelun tilasta) syyllisyys seurasi salaamista eikä ilmoittamista: tekoälyn käytön rajoittaminen epämukavuuden vuoksi korreloi AI Guilt Indexin kanssa r = 0,62 ja kollegoille ilmoittamisen välttäminen r = 0,50, kun taas muodollinen ilmoittaminen akateemisissa tuotoksissa ei osoittanut yhteyttä (r = 0,08). Vain 31,2 % näki selkeät institutionaaliset ohjeet, ja tuon selkeyden ja matalamman syyllisyyden välinen korrelaatio oli heikko (r = −0,25, p = 0,010), minkä artikkeli lukee näytöksi siitä, että ylhäältä alas annetut määräykset eivät voi ratkaista osittain emotionaalista ja identiteettipohjaista ongelmaa. Sen suositukset ovat suoraan kehittäviä: kohdella syyllisyyttä ja identiteettihuolta normaaleina siirtymävaiheen reaktioina eikä korjattavina virheinä, käytä jäsenneltyä matalan panoksen kokeilua henkilöstön viemiseksi ennakoivan ahdistuksen läpi ja nojaa vanhempien akateemikkojen mentorointiin, koska syyllisyys oli korkeinta uran alkuvaiheen henkilöstöllä (M = 2,71) ja matalinta kokeneemmilla (M = 2,03).

Käytännön ohjeita ohjelmasuunnittelijoille

Opettajakunnan kehittäjille, akateemisille johtajille ja tekoälyn ammatillista kehittämistä suunnitteleville opetussuunnittelijoille tietopohjan näyttö ehdottaa seuraavaa:

Käsittele neljää käyttöönoton ajuria, ei vain tietoa. Itseluottamus, asenteet, tuki ja huolet ennustavat, ottavatko opettajat tekoälyn todella käyttöön, joten pelkkään tietoon keskittyvä työpaja, joka jättää ne huomiotta, tuskin muuttaa käytäntöä. Suunnittele kehittäminen rakentamaan itseluottamusta käytännön kautta, tarjoa jatkuvaa tukea (ei kertaluontoista koulutusta) ja nosta opettajien huolet aktiivisesti esiin ja vastaa niihin.(AI Adoption Among Teachers: Insights on Concerns, Support, Confidence, and Attitudes)

Itseluottamus ja lukutaito eivät ole keskenään vaihdettavia tavoitteita: 502 vastaajan SEM-analyysissä yliopisto-opettajista tekoälylukutaito oli tekoälyhyvinvoinnin hallitseva ennustaja (β = 0,713), kun taas teknologinen itsetehokkuus selitti vähän (β = 0,082) ja tuki saavutti hyvinvoinnin vain epäsuorasti (Liu et al. (2026)).

Käsittele ohjeiden kysyntää ja ohjeiden riittävyyttä erillisinä ongelmina. Erään yliopiston opettajat tukivat vahvasti institutionaalisia toimia epäeettistä tekoälyn käyttöä vastaan (M = 4,59) mutta arvioivat olemassa olevat ohjeet heikoimmiksi (M = 2,99) ja nimesivät datan yksityisyyden ja kulttuurisen osallisuuden heikoimmiksi tietämyksensä alueiksi, mikä on konkreettinen kohde ammatilliselle kehittämiselle (Bilgic & Sever, 2026).

Käsittele valmiutta sosioteknisenä yhteensovittamisongelmana. EPIQ-AI-viitekehys osoittaa, että opettajien valmius jakautuu episteemiseen, pedagogiseen, institutionaaliseen sekä laadun ja vaatimustenmukaisuuden osa-alueeseen. Ohjelmat, jotka kouluttavat vain yksilöä, jättävät huomiotta ne institutionaaliset vivut (politiikka, työkuorma, kannustimet, laatustandardit), jotka mahdollistavat muutoksen tai estävät sen: sovita ne yhteen koulutuksen rinnalle.(Faculty Readiness for AI-Supported Teaching and Scalable Online Program Delivery in Higher Education: The EPIQ-AI Framework for Epistemic Integrity)

Älä samaista infrastruktuuri-investointeja muutokseen. Kaikkiaan 125 tutkimuksessa institutionaaliset investoinnit generatiivisen tekoälyn infrastruktuuriin ja koulutuksen kehittämiseen korreloivat vain heikosti todellisen pedagogisen muutoksen kanssa (r = 0,12), kun taas 60-70 % opettajista tunsi olevansa valmistautumattomia integroimaan generatiivista tekoälyä, mikä tekee kehittämisestä eikä hankinnasta sitovan rajoitteen.(Rathnayake (2026))

Rakenna kohti opetussuunnitelman uudistamista, ei työkalun käyttöönottoa. Tavoitteena on, että opettajat suunnittelevat kurssit ja arvioinnin uudelleen eivätkä vain lisää tekoälytyökaluja. Perusta ammatillinen kehittäminen kurssitason uudelleensuunnittelutyöhön ja arvioinnin uudistamiseen ja anna opettajille jäsennellyt viitekehykset sen tekemiseen (esim. arviointiasteikot, institutionaalisen muutoksen viitekehykset).(A Framework for Institutional Change in the Age of AI)(A bit of chaos and madness: The AI Assessment Scale and the work of assessment reform)

Kokoa kylä, älä yksilöä. Kaikkiaan 12 akateemikon ja 17 opiskelijan haastatteluissa generatiivisen tekoälyn aikakauden arvioinnin uudelleensuunnittelu ylitti yksittäisen akateemikon kyvyt: joustamattomat prosessit, pitkät läpimenoajat ja työkuormataakka nimettiin, joten kirjoittajat ehdottavat ohjelman laajuista tiimiä, joka yhdistää arviointisuunnittelun, generatiivisen tekoälyn, aineasiantuntemuksen, ohjelman ja toimialan asiantuntemuksen (Nicola-Richmond et al., 2025).

Rakenna sarja huoneen omalle datalle, älä tuodulle parhaalle käytännölle. Perl-Nussbaum ja Finkelstein (2026) dokumentoivat mallin suuresta julkisesta R1-fysiikan laitoksesta: kuusi kahden viikon välein pidettävää 60-75 minuutin istuntoa, joihin osallistui sarjan aikana yhdeksäntoista opettajaa ja yksittäisessä tapaamisessa noin kymmenen, ja joissa jokainen istunto avautui paikallisella datalla tai laitoksen omalla materiaalilla, eteni pienryhmissä tapahtuvaan tekoälyn testaamiseen oikeita anonymisoituja opiskelijoiden kotitehtäviä vastaan ja päättyi yhteiseen keskusteluun. Se, mitä opettajat testaamalla löysivät, oli hyödyllisempää kuin mikään valmis paketti, jonka vetäjät olisivat voineet tuoda: tekoäly ratkaisi jokaisen kokeillun ongelman, mutta sen palaute oikeasta opiskelijatyöstä oli epätasaista, kehotteista riippuvaa ja pintakeskeistä ilman eksplisiittisiä tavoitteita ja arviointikriteerejä, ja opiskelijat kehotteistivat pinnallisesti ja muokkasivat tuotosta pinnallisesti, ellei tuottavaa käyttöä mallinnettu. Ensimmäinen konkreettinen tuotos oli elävä viiden merkinnän tietovarasto: opetussuunnitelman politiikkalausumat, luokkahuonekeskustelumateriaalit, opiskelijakysely, tekoälyä integroivat kotitehtävät ja arviointirakenteet, minkä vuoksi kirjoittajat pitävät istuntorakennetta itseään argumenttina eivätkä mitään sen välittämää sisältöä.

Ankkuroi kompetenssiviitekehykseen. Kehittämisen tulisi rakentaa myös pedagogista kehoteosaamista eli kykyä koodata pedagogiset aikomukset kehotteisiin, koska Talebzadeh (2026) havaitsee, että opettajien tekoälyavusteisen suunnittelutyön laadun ratkaisee pedagoginen asiantuntemus eikä tekoälysujuvuus.(AI-accelerated End-to-End Framework for Rapid Professional Upskilling)(AI literacy-related domains and AI-TPACK readiness among preservice mathematics teachers: A factor-informed structural equation modelling study)(The Architecture of Roles in AI-Designed Group Activities: A comparative inductive analysis of novice and experienced teachers' differentiated instruction within the IAT framework)

Järjestä ymmärrys ennen automaatiota. Kriittinen diskurssianalyysi 14:stä marraskuun 2022 ja huhtikuun 2025 välillä julkaistusta harmaan kirjallisuuden tekstistä, jotka neuvoivat toimijoita generatiivisen tekoälyn käytössä konstruktiivisen linjauksen tueksi, havaitsee, että kyvykkyyden on edellettävä työkalupääsyä: koska konstruktivistisessa viitekehyksessä sitoutumisen laatu edeltää ymmärryksen laatua, riski kasvaa käänteisesti tuttuuden myötä ja noviisit ovat kaikkein alttiimpia uskottavuuteen nojaavalle hyväksynnälle tuotoksista, jotka näyttävät uskottavilta mutta ovat pedagogisesti ohuita. McInnes et al. (2026) väittävät lisäksi, että kehittämisyksiköiden tulisi vastustaa teknististä toimeksiantoa (auttaa opettajia "saavuttamaan sujuvuus" työkaluissa, jotka tekevät kurssisuunnittelun "raskaan työn"), koska tuo kehystys sulkee kehittäjät suljetun kasvattaja-generatiivinen tekoäly -silmukan ulkopuolelle ja muuttaa arvojohtoisen, relationaalisen kehittämisen ohjelmiston käyttöönoton välitysmekanismiksi. Puolustettavissa oleva vaihtoehto pitää koulutuksen kehittäjät minkä tahansa institutionaalisesti rajattuun hakukanavointiin perustuvan linjausavustajan kuraattoreina ja sääntöjen asettajina; avustaja esittää koettelevia kysymyksiä, merkitsee ali- ja yliarviointia ja tuottaa vaihtoehtoja mutta ei koskaan valmiita artefakteja, ja eskalaatio inhimilliseen harkintaan akkreditointi- ja ohjelmien välisissä kysymyksissä käsitellään ominaisuutena eikä poikkeuksena.

Nosta esiin ja käsittele pelkoja ja mentaalisia malleja. Ennen opetuksen uudelleensuunnittelua käytä metafora-analyysityöpajaa (Vallis, Wilson & Casey 2025) tiimin generatiivista tekoälyä koskevien oletusten ja huolten esiin nostamiseen, mukaan lukien pelko siitä, että se korvaa opettajan roolit, ja rakenna kehittäminen vastaamaan niihin niiden ohittamisen sijaan.(Fear and Awe: Making Sense of Generative AI Through Metaphor)

Mallinna tekoälylukutaitoa ja mittaa todellista kehitystä. Opettajakunnan kehittämisen tulisi itse toteuttaa opetettavia käytäntöjä (käyttää tekoälyä pedagogisesti, arvioida tuotoksia kriittisesti) ja arvioida osoitettua kompetenssia eikä itse raportoitua itseluottamusta, koska minäkäsitys yliarvioi tekoälytaidon luotettavasti.(How to Assess AI Literacy: Misalignment Between Self-Reported and Objective-Based Measures)(Efficacy of an Intensive Generative AI Professional Development Program on Pedagogical Content Knowledge (AI-PCK) and the Comparative Analysis of Learning Gain between Experienced and Pre-service Teachers)

Älä oleta, että aineasiantuntemus siirtyy generatiiviseen tekoälyyn. Sutedjo, Chowdhury & Liu (2026) kyselyttivät 127 yhdysvaltalaisen tutkimusyliopiston opettajaa TPACK-21-instrumentilla ja havaitsivat, että sisältötiedolla (CK) ei ollut merkittävää korrelaatiota teknologisen tiedon tai minkään teknologiaa integroivan osa-alueen kanssa (r = 0,11-0,15, ei merkitsevä): tieteenalakohtainen asiantuntemus ei ennustanut generatiivisen tekoälyn integraatiotietoa. Teknologiaa integroivat osa-alueet (TPK, TCK, TPACK) korreloivat keskenään niin vahvasti (r = 0,81-0,91), että ne voivat toimia yhtenä generatiivisen tekoälyn integraatiotekijänä. Käytännössä: rakenna generatiivisen tekoälyn integraatio alakohtaisten toimintojen kautta, jotka yhdistävät tekoälyn tarjoamat mahdollisuudet kunkin opettajan omaan aineeseen, ja käsittele teknologiaa integroivia osa-alueita yhtenä jaettuna tekoälylukutaidon perustana niiden erillisenä kouluttamisen sijaan.(Assessing faculty self-perceived knowledge in using generative AI to teach 21st-century skills)

Alakohtaiset älyluokkamallit. Zhu, Liang, Mao ja Wang (2026) osoittavat, miten matematiikan maisterikurssia voidaan vahvistaa älykkäillä koulutuksen teknologioilla (automatisoitu pisteytys, personoidut suositukset, moninkertainen tekoälypalaute), jotka on integroitu ennen tuntia, tunnin aikana ja tunnin jälkeen kolmiulotteisessa älyluokkaviitekehyksessä. Heidän kvasikokeensa havaitsi tilastollisesti merkitsevää kehitystä opetustavoitteiden suunnittelun osaamisessa ja tarjoaa siirrettävän D-T-E-mallin (Disciplinary Demand - Technological Empowerment - Evaluation Loop) opettajankouluttajille ja koulutuksen kehittäjille, jotka haluavat siirtää älykkään koulutuksen viitekehykset makrotason käsitteistä alakohtaiseen käytäntöön.

Mittaa osallistumista, ei sitoutumisen tunnetta. Kuuden kuukauden Intelligent-TPACK-ohjelmassa 64 yliopisto-opettajalle osallistumisaste ennusti tekoälykompetenssin kehitystä (β = 0,407, p = 0,001), kun taas itse koettu osallistuminen ei ennustanut (β = 0,049, p = 0,692), minkä kirjoittajat lukevat konkreettiseksi käyttäytymisinvestoinniksi pinnallista sitoutumista vastaan (Tan, Cheng & Ling, 2025). Ohjelma yhdisti verkkoluennot kolmeen kasvokkain pidettävään työpajaan ja edellytti sitten opettajia uudistamaan opetussuunnitelmansa ja toteuttamaan ne seuraavalla lukukaudella, ja kirjoittajat suosittelevat osallistumisen sitomista kehityskeskusteluihin merkityksellisten kannustimien ohella.

Vertaa siihen, mitä opettajat itse raportoivat. Watson & Rainien (2026) kysely 1 057 yhdysvaltalaiselle opettajalle havaitsee institutionaalisen kerroksen ohueksi tavoilla, joita ohjelmasuunnittelijat voivat mitata suoraan: 59 % arvioi koulunsa valmistautumattomaksi käyttämään generatiivista tekoälyä tehokkaasti opiskelijoiden valmistamisessa tulevaisuuteen ja 68 % sanoi, ettei se ollut valmistanut opettajia käyttämään sitä opetuksessa ja mentoroinnissa, kun taas rakenteellinen vastaus oli työryhmä 55 prosentissa instituutioista mutta tekoälylukutaidon yleissivistävä oppimistavoite vain 13 prosentissa. Opettajat eivät olleet odottaneet politiikkaa: 87 % kirjoitti omat tehtäväkohtaiset sääntönsä, kun 48 % pystyi osoittamaan institutionaalisen, ja he nimesivät esteiksi laitoksen käyttöönotolle kollegoiden vastustuksen (82 %) ja tuntemattomuuden (83 %) eivätkä määräystä. Kehittämisohjelmille tämä puoltaa vertaisnormien, jaetun tehtäväkohtaisen politiikkakielen ja institutionaalisen valmiuden eksplisiittisten mittareiden käsittelemistä osana interventiota sen sijaan, että ne jätettäisiin politiikka-asiakirjalle.

Opettajan vastaus heijastaa valtakeskuksia, ei asennetta. Instrumentaalisessa tapaustutkimuksessa 33 kirjoittamisen opettajasta neljä monikeskeistä valtakeskusta (globaali generatiivisen tekoälyn trendi, yliopisto ja laitos, kollegat ja opiskelijat) muovasivat käytäntöä, ja rajallisen diskurssivallan vuoksi rajoitetut tuntiopettajat siirtyivät tunnistamisesta hyväksyttävän käytön opettamiseen (Zuo et al. (2026)).

  • Kuusi ammatillisen kehittämisen perhettä, kolme vahvimmin näyttöön perustuvaa ja selkeä voittaja. Katsaus 78 tutkimuksesta tekoälytuetusta opetuksen suunnittelusta lajittelee dokumentoidun ammatillisen kehittämisen kompakteihin upotettuihin moduuleihin (2-4 viikkoa), lukukauden mittaiseen mikrokoulutukseen, tehtäväpohjaisiin suunnittelusykleihin, yhteistoiminnallisiin dialogipohjaisiin kysymysketjuihin, kriittiseen yhteisölliseen löytämiseen ja itseohjautuvaan ammattilaisen oppimiseen. Tulosnäyttö on vahvinta kompakteille upotetuille moduuleille: kolmen viikon moduuli tuotti tilastollisesti merkitsevää kehitystä kaikilla kuudella Intelligent-TPACK-osa-alueella keskisuurin ja suurin vaikutuskokoin, ja neljän viikon ohjelma, jossa oli 436 opettajaopiskelijaa ja kontrolliehto, on korpuksen vahvin kontrolloitu arviointi (Spyropoulou & Kameas, 2026).
  • Kolme suunnitteluominaisuutta erottaa parhaiten evidensoidut interventiot. Etiikka upotettuna hajautetuksi harjoitteluksi tarkistuspisteineen jokaisessa tehtävässä eikä erillisenä istuntona; suorituspohjainen kompetenssiarviointi tuntisuunnitelmien, päätöslokien ja mikrotuutoroinnin avulla, motivoituna suoraan itsearvioinnin epäluotettavuudesta; ja kehotteistaminen kehitettynä reflektiivisenä, pedagogisesti perusteltuna käytäntönä. Käyttöönotto ei ole sama vipu kuin suoritus: 200 opettajassa Pohjois-Sumatralla tekoälyn käytöllä ei ollut suoraa vaikutusta opettajan suoritukseen (β = 0,112, p = 0,087), kun taas organisatorinen kansalaiskäyttäytyminen kantoi sen epäsuorasti, joten yhteistoiminnalliseen, roolin ylittävään käyttöön tähtäävä opettajakunnan kehittäminen on se versio, jota näyttö tukee (Sherly et al. (2027)). Rinnakkainen kahden viikon tutkimus havaitsi nopeaa kehitystä tiedossa ja itseluottamuksessa ja tunnisti vinouman havaitsemisen heikoimmaksi kehittyväksi kompetenssiksi, mikä aukko säilyi pidempään moduuliin ja on johdonmukainen sen kanssa, että eettinen havaintokyky kehittyy hitaammin kuin teknologinen tuttuus.

Yleiset väärinkäsitykset

"Taitotyöpaja on se interventio, jota koulutuksen kehittäminen tarvitsee." Valmius on sosiotekninen yhteensovittamisongelma eikä yksilön puute, minkä vuoksi yksinäinen "tekoälytyöpaja" jää vajaaksi suhteessa siihen tarpeeseen, johon se vastaa. Ohjelma, joka käsitteli kysymystä suoraan, oli kuuden viikon kesäinstituutti, joka vei kymmenen opettajaa kasvatus-, terveys-, liiketalous- ja muista ohjelmista identiteettitason työhön. Kesto ja kohortti eivät ole tuossa suunnittelussa sivuasia, vaan juuri se, mikä erottaa sen ominaisuuksien esittelykierroksesta.

"Selkeämmät institutionaaliset ohjeet ratkaisevat opettajien epämukavuuden." Ohjeista on apua, mutta ne eivät tavoita ongelmaa. Vain 31,2 % maltalaisen yliopiston akateemisesta henkilöstöstä koki institutionaaliset ohjeet selkeiksi, ja ohjeiden selkeyden ja matalamman syyllisyyden välinen korrelaatio oli heikko (r = −0,25, p = 0,010). Heikko yhteys tuossa mittakaavassa tarkoittaa, että ylhäältä alas annetut määräykset eivät voi ratkaista sitä, minkä artikkeli lukee osittain emotionaaliseksi ja identiteettipohjaiseksi ongelmaksi: se viidennes varianssista, jonka ne selittävät, ei ole se viidennes, jolla on merkitystä.

"Syyllisyys tekoälyn käytöstä osoittaa sääntöjen rikkomista." Se seuraa salaamista eikä ilmoittamista: tekoälyn käytön rajoittaminen epämukavuuden vuoksi korreloi sen piilottamisen kanssa eikä kielletyn käyttäytymisen kanssa. Syyllisyyden lukeminen näytöksi väärinkäytöksestä tunnistaa siis sen lähteen väärin, ja sen käsitteleminen vaatimustenmukaisuussignaalina työntää käyttäytymisen entistä kauemmas näkyvistä.

"Matala kyselyn vastausaste tarkoittaa, ettei opettajilla ole vahvoja tunteita." Artikkeli lukee 109 vastaustaan (3,5 prosentin vastausaste) itsessään kertovaksi eettisen keskustelun tilasta: matala vastausaste epämukavuutta koskevaan kysymykseen on löydös tuosta epämukavuudesta eikä sen puuttumisesta. Ja pelkäksi osaamisen päivittämiseksi kehystetty generatiivisen tekoälyn integraatio ohittaa identiteettikysymyksen, jota osa opettajista todella esittää: mitä järkeä opettamisessa on generatiivisen tekoälyn maailmassa.

Liittyvät käsitteet

Liittyvät artikkelit

Liittyvät UKK:t

Liittyvät resurssit

  • Education Agent Skills
    A library of 165 evidence-grounded agent skills covering pedagogy, learning science, curriculum, and assessment, packaged for Claude, Codex, and Hermes.
  • FPDS Apps and Resources
    The public resource page of Faculty Professional Development Services at Hillsborough College, collecting its AI design coaches, Canvas courses and accessibility guides in one place.

Metatiedot

TasoHigher Ed, K 12
KohderyhmäFaculty Developers, Instructors
Instituutiot ja käytännötEducational AI Policy
Tekoälyn perusteet koulutuksessaTekoälylukutaito, Curriculum Design, Oppimissuunnittelu, Opettaminen, Opettajan tekoälyosaaminen
LähdeHistoriaMuokkaaKeskustelu

Upota tämä sivu

Kopioi alla oleva koodi upottaaksesi tämän sivun oppimisympäristöön tai muulle verkkosivustolle. Upotettu versio näyttää vain sivun sisällön — sivuston otsikko, navigointi ja alatunniste jäävät siitä pois.