Opettajan tekoälyosaaminen

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

Opettajan tekoälyosaaminen: tiedot, taidot ja valmiudet, joita opettajat tarvitsevat integroidakseen tekoälyn tehokkaasti, eettisesti ja tasa-arvoisesti opetukseen ja oppimiseen. Se ulottuu teknisen työkalukäytön ulkopuolelle ja kattaa pedagogisen integraation, arviointilukutaidon, eettisen harkinnan ja luottamuksen siihen, että osaa käyttää tekoälyä hyvin. Opettajan tekoälyosaaminen on opettajapuolen vastine käsitteelle Tekoälylukutaito, ja sitä kehitetään ammatillisen kehittämisen kautta. Se on keskeinen siinä, miten opettajan rooli muuttuu tekoälyn täydentämissä luokkahuoneissa.

Pohdittavaksi

• Sivu väittää, että opettaja on "ratkaiseva tekijä" siinä, parantaako tekoäly oppimista: työkalut auttavat vain, kun opettajat pystyvät suunnittelemaan niitä varten, tukemaan niiden käyttöä ja arvioimaan tuotoksia. Vastaako tämä kokemustasi, vai uskotko, että itse työkalulla on enemmän merkitystä kuin opettajalla?
• Opettajan tekoälyosaaminen kattaa teknisen taidon, pedagogisen integraation, arviointilukutaidon ja eettisen harkinnan. Mitä näistä opettajilta mielestäsi puuttuu eniten, ja mitä on vaikein kouluttaa?
• Tutkimus dokumentoi kuilun opettajien itse koetun ja todellisen tekoälytaidon välillä. Miksi ihmiset mielestäsi yliarvioivat valmiuttaan, ja mitä kuilun rehellinen sulkeminen vaatisi?
• Intensiivinen ammatillisen kehittämisen ohjelma tuotti suuria voittoja tekoälyn pedagogisessa taidossa viitatussa tutkimuksessa, mikä viittaa siihen, että teknispedagoginen taito on koulutettavissa. Jos näin on, miksi niin moni opettaja vaikuttaa silti valmistautumattomalta: mikä on esteenä?
• Jos opettaja osaa "käyttää tekoälyä hyvin", mitä "hyvin" tarkoittaa sinulle, ja miten tietäisit opettajan saavuttaneen sen eikä vain omaksuneen työkalun?

Johdanto

Opettajan tekoälyosaaminen on tärkeää, koska opettaja on ratkaiseva tekijä siinä, parantaako tekoäly oppimista. Tutkimus osoittaa johdonmukaisesti, että tekoälytyökalut muuntuvat paremmiksi tuloksiksi vain, kun opettajat pystyvät suunnittelemaan niitä varten, tukemaan opiskelijoiden käyttöä, arvioimaan tuotoksia ja integroimaan ne yhtenäiseen opetukseen. Tietopohjan kirjallisuus tarkastelee tämän osaamisen ulottuvuuksia, kuiluja itsekäsityksen ja todellisen taidon välillä sekä sitä ammatillista kehittämistä, joka rakentaa sitä.

Nunez-Canal et al. (2026) yhdistävät tiedekunnan tekoälyosaamisen suoraan opiskelijoiden tuloksiin käyttäen inhimillisen pääoman ja sidosryhmien teorioita liiketoiminnan ja taloustieteen tiedekuntaa koskevassa kyselyssä ja väittävät, että yliopistojen panostus tiedekunnan osaamiseen ei ole harkinnanvaraista.

• Kehoteharjoittelu ostaa aikaa, ei parempia materiaaleja. Esirekisteröidyssä RCT:ssä 204 opettajan kanssa Appel, Fervers ja Piepenburg (2026) havaitsivat, että ChatGPT paransi oppitunnin valmistelumateriaalien laatua ja leikkasi valmisteluaikaa 34 %, kun taas aiempi tekoälykoulutus toi vielä 21 % lisäajan säästöä parantamatta arvioitua laatua (Appel et al., 2026). Koulutetut opettajat kirjoittivat pidempiä kehotteita ja iteroivat vähemmän; molemmat reitit saavuttivat yhtä hyvän laadun.

Osaamisen ydinulottuvuudet

Tietopohjan tutkimus päätyy yhdessä useisiin toisiinsa kytkeytyviin ulottuvuuksiin:

• Tekninen taito: tehokkaiden kehotteiden laatiminen koulutuksellisiin tavoitteisiin, tekoälyn arviointi työkalujen pedagogisen sopivuuden ja turvallisuuden osalta sekä vikojen vianmääritys reaaliajassa. Intensiivinen GenAI-PD-ohjelma dokumentoi merkittäviä voittoja kaikissa viidessä AI-PCK-komponentissa (kokonais-d = 2,36), mikä osoittaa, että teknispedagoginen taito on koulutettavissa.

• Agenttityönkulkujen määrittely: kun opettajat konfiguroivat chatbottia luonnollisella kielellä, hallitseva epäonnistuminen on kadonnut tarkoitus eikä väärät faktat: botit ohittivat vaadittuja työnkulun vaiheita 53,8 prosentissa loppukäyttäjäkeskusteluista ja jättivät odotusten asettamisen pois 33,4 prosentissa (Liu et al. (2026)), joten järjestettyjen, eksplisiittisten vaiheiden kirjoittaminen on oma koulutettava osaamisulottuvuutensa.

• Pedagoginen tieto on ratkaiseva kerros. Poikkitasoinen tutkimus toisen asteen tekoälykoulutuksesta (46 opettajaa, 2 832 opiskelijaa) havaitsi, että pelkkä tekninen tekoälytieto oli riittämätöntä ja saattoi jopa hieman heikentää opiskelijoiden käsityksiä tekoälystä yhteiskunnallisena hyvänä, kun taas pedagoginen tekoälytieto ohjasi opiskelijoiden käsityksiä ja heidän aikomustaan oppia tekoälyä. Osaamiskehysten pitäisi siksi painottaa pedagogista tekoälytietoa keskeisenä ulottuvuutena, ei pehmeänä lisänä.

• Pedagoginen integraatio: tekoälyn käytön kartoittaminen oppimistavoitteisiin, tukirakenteiden suunnittelu (Scaffolding), jotka tukevat opiskelijoiden metakognitiota ja itsesäätelyä (Metacognition ja AI Regulation in Education), ja tekoälyn integrointi oppimissuunnitteluun. AI-TPACK-tutkimus mallintaa, miten opettajat yhdistävät teknologista, pedagogista ja sisältötietoa moni-agenttityönkulkujen kautta, kun taas viisitasoinen opettaja-tekoäly-tiimityksen kehys (transaktionaalisesta synergistiseen) kuvaa, miten GenAI voi korvata, täydentää tai laajentaa opettajan osaamista.

• Arviointilukutaito: tekoälyn tuottaman sisällön ja opiskelijoiden tekoälytuotosten arviointi sekä sen ymmärtäminen, miten validiteetti muuttuu, kun opiskelijat käyttävät tekoälyä. Tämä kytkeytyy Automated Assessment- ja AI Detection-kysymyksiin sekä laajempaan Assessment-uudistusagendaan. Suositusjärjestelmissä tämä ulottuu siihen, että arvioidaan, ovatko tekoälyn selitykset aidosti ymmärrettäviä ja pedagogisesti merkityksellisiä: Feldman-Maggor et al. (2025) havaitsivat, että opettajat luottivat tekoälyn ryhmittelysuosituksiin enemmän, kun selitykset kehystettiin alan (opetussuunnitelman) kielellä sen sijaan että ne paljastivat mallin raakoja piirteitä: taito, jolla selitysten laatua vaaditaan ja arvioidaan läpinäkymättömän tuotoksen hyväksymisen sijaan.

• Mallin valinta ja kehotteen suunnittelu osoitettavina taitoina: instrumentaalinen Tekoälylukutaito sisältää sen tietämisen, mitä mallia käytetään ja miten tehtävä muotoillaan. Jacobsen et al. (2026) antoivat ChatGPT-4:n, Claude 3:n ja Gemini Advancedin arvostella 153 opettajaopiskelijan oppituntisuunnittelutavoitteet neljän systemaattisesti vaihdellun kehotteen alla (N = 240 palautetta tutkimuksessa 1, 345 tutkimuksessa 2), ja palaute (Feedback) arvioitiin yhdeksässä laatuluokassa. Pelkkä mallin valinta selitti 26,9 % arvioidun laadun varianssista (18,4 % tutkimuksessa 2) ja kehotteen suunnittelu lisäsi merkitsevän 15,9 % (5,7 %) sen päälle; yksittäinen ratkaiseva kehotepiirre oli alakohtainen tekninen kieli, jonka poistaminen laski laatua merkitsevästi (β = −0,412), kun taas esimerkkien lisääminen ja ajatusketjuohjeen poistaminen eivät tuottaneet merkitsevää eroa tutkimuksessa 1. Heidän luentansa (että alan terminologia sekä avaa relevanttia koulutusdatasisältöä että kehystää pyynnön ammatillisesti, kuten roolikehotteet) yhdessä nyrkkisäännön kanssa käyttää kyvykkäintä nykyistä huippumallia tekee mallin valinnasta didaktisen eikä teknisen päätöksen.

• Eettinen ja kriittinen käyttö: vinouman tunnistaminen tekoälyn tuotoksissa, opiskelijatietojen suojaaminen (Privacy), ja tasa-arvoisten lopputulosten varmistaminen (Equity). Kulttuurisesti relevantti tekoälyn käyttö tarkastelee, miten opettajat voivat käyttää LLM:iä materiaalien monipuolistamiseen vallitsevien normien vahvistamisen sijaan.

• Eettinen vastuu on jaettua, ei yksilöllistä. Seitsemässä kansallisessa tapauksessa opettajat asemoidaan tekoälyn käytön moraalisiksi portinvartijoiksi samalla kun heiltä puuttuu institutionaalinen ja episteeminen tuki, joten eettisen tekoälylukutaidon on ulotuttava kriittiseen ja poliittiseen toimijuuteen eikä tekniseen taitoon (Raffaghelli et al. (2026)).

• Luottamus ja asenteet: opettajan itsetehokkuus muovaa omaksumista. Omaksumistutkimus havaitsee, että luottamus, tuki ja koettu hyödyllisyys ohjaavat sitä, käyttävätkö opettajat tekoälyä todella, ja tiedekunnan orientaatiot muovaavat omaksumista tutkimuksessa ja opetuksessa.

• Viiden maan kyselyssä 1 405 K-12-opettajasta tekoälyvalmius ennusti myönteisiä uskomuksia GenAI:n opetuksellisesta arvosta (B = ,59, R² = ,50) mutta ennusti suurempaa Creativity-huolta (B = ,18), ja samat ennustajat selittivät huolesta vain 7 % ja 6 %: pelkkä valmiuden rakentaminen jättää huolen koskematta (Xiu et al. (2026)).

Valmius pitäisi järjestää ja mitata vastaavasti: Capability-Decision-malli sijoittaa osoitetun tekoälykyvykkyyden asenteen ja luottamuksen ylävirtaan ja ehdottaa suoriutumisindikaattoreita pelkän itsearvioinnin sijaan: oppituntisuunnittelutehtäviä, virheillä siemennettyjä kehotteenarviointitehtäviä, sisällön validiteettia koskevia arvioita ja luokkahuoneartefaktien rubriikkeja (Mnguni (2026)).

Emotionaalinen ja moraalinen valmius on erillinen ulottuvuus. Vassallo (2026) kartoitti maltalaisen yliopiston akateemisen henkilökunnan (109 vastaajaa) ja rakensi AI Guilt Index -indeksin (α = 0,88) neljästä moraalitunne-aiheesta, ja havaitsi, että ennakoiva syyllisyys oli suurempaa kuin käytön jälkeen koettu katumus: vahvin hyväksyntä oli huoli siitä, että tekoälyn käyttö heikentää omaa uskottavuutta (34,9 % samaa mieltä), sitten tunne siitä, että huijaa käyttäessään sitä (25,7 %), kun taas käytön jälkeinen katumus sai vain 9,2 %. Osaamiskehysten kannalta merkitykselliset havainnot ovat, että käyttämättömät raportoivat korkeampaa syyllisyyttä kuin käyttäjät (M = 3,25 vs. M = 2,32) ja että syyllisyys laski uraturvallisuuden kasvaessa: uran alkuvaiheen akateemikot raportoivat eniten (M = 2,71) ja seniorit vähiten (M = 2,03). Emotionaalista valmiutta eivät siis tavoita taidon tai luottamuksen mittarit, ja artikkeli väittää, että osaamiskehysten pitäisi kohdella syyllisyyttä ja identiteettihuolta normaaleina siirtymävaiheen reaktioina eikä korjattavina virheinä.

Vahvempi versio tuosta uudelleenkehyksestä pitää GenAI:ta kynnyskäsitteenä eikä taitokuiluna: autoetnografinen kertomus väittää, että tiedekunnan ahdistus ja vastarinta ovat kynnyksen ylittämisen rakennusaineita, joten taitopohjainen koulutus epäonnistuu ja periaatteellista käyttämättömyyttä pitäisi kunnioittaa eikä korjata (Laidlaw (2026)).

Osaamisen kuilu

Keskeinen havainto on kuilu itse raportoidun ja suoriutumispohjaisen osaamisen välillä. Tekoälylukutaidon arviointia koskeva tutkimus dokumentoi huomattavan eron (jopa noin 40 %) sen välillä, mitä opettajat uskovat pystyvänsä tekemään ja mitä he todella pystyvät osoittamaan: tekoälytaitoihinsa luottavilta opettajilta puuttuu usein perustavanlaatuisia kehotetus- ja arviointikykyjä. Tämä motivoi opettajan osaamisen suoriutumispohjaista arviointia itsearviointiin nojaamisen sijaan ja kytkeytyy kalibroituun itsearviointiin. Kansallinen kysely 2 586 nigerialaisesta toisen asteen opettajasta mittasi molemmat puolet erillisillä mittareilla: kohtalainen tekoälytietoisuus (M = 3,13 asteikolla 8) vastaan matalampi tekoälyn pedagoginen taito (M = 2,47 asteikolla 5), ja uran alku- ja keskivaiheen opettajat raportoivat korkeampaa taitoa kuin kokeneet kollegat (Olurinola et al., 2026).

Valmius on dokumentoiduin este matematiikan kirjallisuudessa. Katsaus 54 matematiikan opetuksen tutkimuksesta havaitsi teknologispedagogisen integraation ja opettajan valmiuden useimmin raportoiduiksi haasteiksi (38 tutkimuksessa 54:stä), ennen arvioinnin validiteettia ja rehellisyyttä (26) sekä liiallista riippuvuutta (24) (Manto et al. (2026)).

Kuilu ei ole vain koetun ja todellisen taidon välillä vaan siinä, miten laajasti opettajat tietävät: kansallinen kysely 2 018 ukrainalaisesta toisen asteen kasvattajasta havaitsi, että 84 % raportoi käyttävänsä tekoälyä ammatillisessa työssä, mutta vain 11 % pystyi nimeämään erikoistuneen tekoälypalvelun ChatGPT:n lisäksi (Marienko, Markova & Semerikov (2026)). Toinen kapeus näkyy siinä, mitä opettajat tarjoavat vapaaehtoisesti sen sijaan, mitä he pystyvät nimeämään: 53 työssä olevaa opettajaa merkitsi omat luokkahuonetapauksensa OECD:n AI Literacy Framework -kehykseen ja kuvasivat 43 tekoälylukutaitoista käytäntöä vastaan vain 10 epäonnistumista (Wang et al., 2026). Heidän osaamisvalintansa keskittyivät käytännön harkintaan (tekoälyn tuotosten arviointi, N = 38) ja ylsivät harvoin yhteiskunnalliseen vinoumaan (N = 5), eettiseen yhdenmukaisuuteen (N = 6) tai tekoälyn energiankulutukseen (N = 9).

Kysely 132 indonesialaisopettajalle havaitsi lähes yleismaailmallisen hyväksynnän yhdessä ohuen mekanistisen ymmärryksen kanssa: 96,2 % hyväksyi opettajien tekoälyn käytön, mutta vain 4,6 % nimesi tokenisoinnin tai dekoodauksen ja 21,5 % uskoi, että ChatGPT haki tietokannasta tai internetistä (Aji et al. (2026)). Myönteinen asenne ei ole näyttöä toimivasta mielikuvasta työkalusta.

Kuilu näkyy artefaktissa yhtä lailla kuin itsearvioinnissa. Opettajankoulutuksen poikkilaitoksellinen tiedekuntakollaboratorio, jossa opettajakouluttajat suunnittelivat tekoälyn omiin menetelmäopintojaksoihinsa, raportoi, että opettajaopiskelijat pystyivät tuottamaan hiottuja tekoälyavusteisia oppituntisuunnitelmia mutta eivät selittämään, miksi suunnitelma sopi oppijoille ja standardeille, koska suunnitelma itsessään ei kerro mitään sen taustalla olevasta päättelystä. Perustelun arvosteleminen tuotoksen sijaan on yksi vastaus. Käytäntöjen pedagogiikka -kehys ehdottaa toista: harjoittelun kohtelemista käytännön approksimaationa, sillä tekoälyn välittämä harjoittelu, johon liittyi jäsennelty harjoittelunjälkeinen palaute, lisäsi opiskelijoiden koettelevien ja tutkivien kysymysten käyttöä, mutta opiskelijoiden omat arviot suoriutumisestaan poikkesivat silti siitä, mihin havainnoijat päätyivät.

Itsearvioinnin lasku koulutuksen jälkeen voi viestiä oppimisesta eikä menetyksestä. Kuuden kuukauden Intelligent-TPACK-ammatillisen kehittämisen ohjelmassa, jossa oli 64 Hongkongin yliopiston opettajaa 61 verrokkiopettajaa vastaan, kokonaisteoälyosaaminen nousi noin puoli keskihajontaa (Cohenin d = −,521), mutta jotkut opettajat molemmissa ryhmissä saivat jälkitestissä alemman pistemäärän kuin esitestissä (Tan, Cheng & Ling, 2025). Haastattelut selittivät laskut siirtymänä tiedostamattomasta tietoiseen osaamattomuuteen, mikä on Dunning-Kruger-ilmiön ennustama uudelleenkalibrointi, eikä menetettyyn taitoon. Tekijät päättelevät, että esi- ja jälkimittauksen itsearviointi aliarvioi intervention, koska osa voitosta saapuu mittarin itsensä alaspäin korjaamisena.

Kuilu näkyy myös osallistumattomuutena. Watson & Rainie (2026) kartoittivat 1 057 yhdysvaltalaista korkeakouluopettajaa loppuvuodesta 2025 ja havaitsivat, että 26 % ei käytä generatiivisen tekoälyn työkaluja lainkaan, kolmannes päättää olla käyttämättä niitä opetuksessa ja käyttämättömyys keskittyy taiteisiin ja humanistisiin aloihin (40 %). Kuilun institutionaalinen puoli oli yksilöllistä suurempi: 68 % sanoi, etteivät heidän oppilaitoksensa olleet valmistaneet tiedekuntaa käyttämään generatiivista tekoälyä opetuksessa ja ohjauksessa, ja tiedekunta nimesi kollegoiden vastarinnan (82 %) ja tuntemattomuuden (83 %) johtaviksi esteiksi laitoksen omaksumiselle: kuva, jossa kapasiteetin rakentamisen, vertaisnormien ja politiikan on liikuttava yhdessä.

Opettajankoulutus väistää pitkälti osaamisen eettisen ulottuvuuden. Systemaattinen katsaus tekoälystä luokanopettajaksi koulutettavien matematiikan opettajien peruskoulutuksessa (Pinto et al. 2026, 11 tutkimusta 341 tietueesta) havaitsi, että interventiot keskittyivät lyhyen aikavälin teknisiin ja pedagogisiin voittoihin, yhdeksän yhdestätoista oli lyhyitä interventioita, jotka kestivät yhdestä kuuteen istuntoa, ja raportoi, että etiikkaa käsiteltiin vain kolmessa yhdestätoista tutkimuksesta. Osaamiskehykset nimeävät eettisen harkinnan ulottuvuudeksi; sen rakentamiseen tarkoitettu peruskoulutuskirjallisuus harvoin opettaa tai mittaa sitä.

• Seitsemän osaamisklusteria, heikoimpana lenkkinä etiikka. 78 tutkimuksen temaattinen synteesi tuottaa klusterit kehoitetekniikalle, tekoälyn tuotosten kriittiselle arvioinnille, eettiselle tietoisuudelle ja vinouman havaitsemiselle, pedagogis-sisällölliselle yhdenmukaisuudelle, käsitteelliselle tekoälylukutaidolle sekä inhimilliselle valvonnalle ja reflektiolle. Kehoitetekniikka oli johdonmukaisimmin dokumentoitu ja käyttäytyy kehityksellisenä spektrinä eikä yksittäisenä taitona, mikä johti katsauksen tekijät väittämään, että se on parhaiten ymmärrettävissä uuden välineen kautta harjoitettuna pedagogisena päättelynä: kehote ulkoistettuna suunnittelupäätöksenä. Eettinen tietoisuus oli heikoimmin dokumentoitu osaamisalue opettajaopiskelijatutkimuksissa (Spyropoulou & Kameas, 2026).
• Opettajat yliarvioivat oman arviointitaitonsa. Sen lisäksi, että vain 38,3 % tekoälyn tuottamista oppimistavoitteista täytti kaikki laatukriteerit ilman korjausta, opettajaopiskelijat yliarvioivat järjestelmällisesti kykynsä arvioida chatbotin tuotosta, minkä katsauksen tekijät lukevat mahdollisesti havaintoperäiseksi eikä deklaratiiviseksi puutteeksi. Siksi he väittävät, että osaaminen pitäisi arvioida suoriutumisartefakteilla (oppituntisuunnitelmat, päätöslokit, mikroyliopetusopetus) itsearvioinnin sijaan: itsearvioinnin epäluotettavuus osoitetaan juuri siinä kirjallisuudessa, jota koulutuksen on tarkoitus käsitellä.

Toimiva ammatillinen kehittäminen

Tietopohjan PD-kirjallisuus tunnistaa tehokkaita lähestymistapoja:

• Intensiiviset, teoriaan ankkuroidut ohjelmat: Intensiivinen GenAI-PD-ohjelma 163 opettajan ja opettajaopiskelijan kanssa tuotti merkitseviä voittoja kaikissa AI-PCK-komponenteissa, ja opettajaopiskelijat hyötyivät eniten. Itsemääräämisteoriaan perustuva PD osoittaa, että tarpeita tukeva koulutus parantaa opettajien tekoälylukutaitoa, asenteita ja sitoutumista sekä vähentää ahdistusta.
• Suunnittelututkimukselliset ja integroidut lähestymistavat: DBR-pohjainen GenAI-lukutaidon koulutus käsittelee teknisen tiedon ja GenAI:ta edeltävien työkalujen ylikorostusta; integratiiviset, kehitykselliset kehykset ja sosioemotionaalisen osaamisen integrointi laajentavat lukutaitoa puhtaan tekniikan ulkopuolelle.
• Tutkiva ja autenttinen käytäntö: Tekoälyä tukevat tutkivan oppimisen mallit rakentavat tekoälylukutaitoa ja autenttista suoriutumista opettajaopiskelijoilla.
• Kontekstikohtainen valmius: EPIQ-AI-valmiuskehys korostaa, että tiedekunnan valmius on sosiotekninen kysymys, joka edellyttää tiedekunnan kapasiteetin, AI Governance ja laadunvarmistuksen yhdenmukaistamista.
• Tuen on eriydyttävä kokemuksen ja tekoälytaituruuden mukaan. Choi et al. (2026) havaitsivat, että se, miten opettajat todella ovat vuorovaikutuksessa tekoälyn kanssa oppituntisuunnittelussa, riippuu opetuskokemuksen ja tekoälytaituruuden yhteisvaikutuksesta, ei kummastakaan yksin. Korkean tekoälytaituruuden kokeneet opettajat mukauttavat tekoälyn tuotosta kriittisesti kontekstiin (uudelleenkehottaminen, laajentaminen), kun taas noviisit, jopa teknisesti sujuvat, hyväksyvät tekoälyn vastaukset suoraan ja harvoin huomioivat opiskelijoita ja kontekstia. Tämä puoltaa profiilipohjaista PD:tä: vastausten arviointitarkistuslistoja ja kehotemalleja noviiseille sekä käytännön taitojen rakentamista kokeneille opettajille, joilla on matalampi tekoälytaituruus.
• Aikahyöty seuraa kokemusta ja luottamusta, ei vain tuen suunnittelua. Roy et al.:n (2026) kokeessa tekoälypohjaisella oppituntiavustajalla työkuorman väheneminen oli suurempaa opettajilla, joilla oli matalampi luottamus aineosaamiseensa, matalampi pedagoginen tieto, vähemmän aikaa ammatissa tai korkeampi luottamus teknologiaan. Taituruus ja luottamus ovat siis osa intervention vaikutusta, eivät vain osa sen käyttöönottoa.

Uskomuskonfiguraatio on toinen profiiliakseli: 40 680 opettajan joukossa TALIS 2024 -aineistossa sama käyttämättömyyden tila peitti vastakkaiset esteet: 83,3 % Indifferent-profiilista mainitsi pedagogiset varaukset, kun taas 66,2 % Measured Endorsement -profiilista mainitsi riittämättömät tiedot ja taidot (Fang & Jin (2026)). Tekoälyyn liittyvä ammatillinen oppiminen seurasi profiilijäsenyyttä johdonmukaisemmin kuin ikä tai koulutustaso.

• Opettajat eivät jaa yhtä käsitystä tekoälystä. Fenomenografinen tutkimus 16 tanskalaisesta korkeakouluopettajasta löysi kolme käsitystä opettamisesta tekoälyn kanssa ja kolme oppimisesta tekoälyn kanssa, joten yksittäinen työpajamalli tavoittaa vain osan mistä tahansa tiedekuntaryhmästä (Stenalt (2026)).

• Yhteissuunnittelu ja pedagoginen kehotelukutaito ovat osaamista, eivät lisukkeita. Systemaattinen katsaus opettajan ja tekoälyn yhteissuunnittelusta oppimistehtävissä (Wang, Liu & Islam 2026, 28 tutkimusta) havaitsee, että hallitseva yhteistyötapa on tekoäly avustajana ja sisällöntuottajana, ja paikantaa kuilun opettajien täydemmässä yhteissuunnittelu- ja dialogisessa kumppanuuskyvyssä. Talebzadeh (2026) osoittaa, että PD, joka yhdistää teknisen tekoälykoulutuksen pedagogiseen päättelyyn ja rakentaa "pedagogista kehotelukutaitoa" (PCK:n koodaamista kehotteisiin), on se, mikä auttaa opettajia muuttamaan tekoälyn tuotoksen tehokkaiksi eriyttäviksi ryhmätoiminnoiksi.

• Rakenteet, jotka rakentavat osaamista, eivät sen luettelot. Perl-Nussbaum ja Finkelstein (2026) pitivät kuuden istunnon kahden viikon välein kokoontuvaa tiedekunnan oppimisyhteisöä suuressa julkisessa R1-fysiikan laitoksessa (yhdeksäntoista tiedekunnan jäsentä sarjan aikana, noin kymmenen jokaisessa tapaamisessa), jossa jokainen istunto avautui paikallisella aineistolla, siirtyi pienryhmissä tehtävään tekoälyn testaamiseen oikeaa anonymisoitua opiskelijakotitehtävää vastaan ja sulkeutui yhteisessä keskustelussa, ja se tuotti viisimerkintäisen yhteisen tietovaraston koulutuspaketin sijaan. Arviointilukutaitoa voidaan rakentaa samalla tavalla suunnittelutyökalun kautta: Paula et al.:n (2026) pilotissa kahdeksan kokenutta STEM- ja terveysalan kurssikoordinaattoria kasvattivat arviointilukutaitoaan arvostelemalla mukautetun GPT:n arviointiluonnoksia alakohtaisia standardeja vastaan, vaikka tuotokset toistuvasti sivuuttivat alakohtaisen kontekstin, jättivät aiheiden järjestyksen huomiotta ja yhdessä tapauksessa kuljettivat keksittyjä viitteitä toistuvan kehottamisen läpi. Kaikki kahdeksan pitivät akateemisen harkinnan itsellään ja kieltäytyivät päästä päähän -automaatiosta, mikä tekee tuotettujen luonnosten jäsennellystä kritiikistä kehitysmekanismin työkalukoulutuksen sijaan.

• Lyhyet istunnot voivat liikuttaa hyväksyntää liikuttamatta omaksumista. Mesenhöller ja Böhme (2026) arvioivat kolmen tunnin INSIGHT-istunnon 100 saksalaisen opettajan kanssa ja havaitsivat, että koettu hyödyllisyys ja koettu käytön helppous nousivat molemmat merkitsevästi (hyödyllisyys t(99) = -3,24, p = ,002, d = ,32; käytön helppous d = ,25), kun taas aikomus käyttää tekoälypohjaisia teknologioita eriyttämiseen ei muuttunut. Tekijät huomauttavat, että heidän lähtötasonsa olivat jo myönteiset, joten kattoefekti on uskottava. PD-suunnittelun luenta on kapea mutta hyödyllinen: lyhyt istunto voi muuttaa sitä, miten opettajat arvioivat tekoälytyökaluja, muuttamatta sitä, aikovatko he käyttää niitä, ja se on muutos, joka vaatii jatkoa eikä kertaluonteista tapahtumaa.

• Opettajat suosivat sujuvuutta mutta liittävät oppimisen tukeen. 41 opettajan joukossa GPT-4o-perustasoa suosittiin kokonaisuutena (21 vs. 13), mutta hienosäädetty kolmivaiheinen malli (tunnista, tutki, kehitä) sai useammin kunnian oppimisesta (18 vs. 13), ja kaksi arviota olivat yhtä mieltä vain 39 %:ssa tapauksista (Molnar et al. (2026)).

• Institutionaalinen tuki: ammatillinen kehittäminen on yhdistettävä institutionaaliseen infrastruktuuriin (politiikka, institutionaalinen muutos) kestävän omaksumisen saavuttamiseksi.

• Julkaisutyökalut eivät takaa pedagogista uskollisuutta. Riahi et al. (2026) tutkivat 27 yläkoulun opettajaa, jotka konfiguroivat koulutuksellisia chatbotteja ammatillisen kehittämisen työpajoissa, analysoiden fokusryhmiä sekä konfiguraatio- ja vuorovaikutuslokeja. Opettajat kohtelivat chatbottia opetuksellisena tukena, jota opettajan määrittelemät säännöt rajasivat, mutta lokipohjainen yhdenmukaisuus aikomuksen ja käyttäytymisen välillä oli vahvempaa responsiivisuuden (88,9 %) ja persoonan (81,5 %) osalta kuin sääntöjen (70,4 %) ja tarkoituksen (59,3 %) osalta. Pelkät konfiguroitavat säätimet eivät kanna pedagogista aikomusta käyttäytymiseen, joten chatbotin pedagogiikan ilmaiseminen, testaaminen ja hienosäätäminen on itsessään osaamista, jota julkaisutyökalujen on tuettava.

Suunnittelututkimuksellinen vastaesimerkki kohtelee osaamista tilannesidonnaisena eikä tikkailla kiipeämisenä. Eyalin vuoden 2025 suunnittelututkimus 22 korkeakoulun opettajakouluttajan kanssa antoi osallistujien tarkastella viittä julkaistua arviointikehystä ja suunnitella yhdessä vaihtoehdon, joka järjestyy kolmen toisiinsa kytkeytyvän akselin ympärille: kontekstisopivuus (infrastruktuuri, sosiokulttuuriset tekijät, paikalliset tarpeet, kehitysvaihe), ammatilliset tarpeet (ala, pedagogiikka, johtajuus, tuki) ja dynaaminen kehitys. Malli hylkää kiinteät osaamistasot ja sallii epälineaarisen etenemisen, ja sen mukana tulee 20 kohdan reflektoiva itsearviointikysely asteikolla 1-5. Sen validointi on vain laadullinen, ilman määrällistä reliabiliteettitestausta, joten se on suunnittelukontribuutio eikä validoitu mittari.

• Meta-analyyttinen arvio. Guo et al. (2026) yhdistivät 212 vaikutuskokoa 34 tutkimuksesta ja arvioivat opettajien tekoälylukutaidon PD:n arvoksi g = 0,76 (95 % CI [0,50, 1,02]), vahvimmaksi taidoissa (g = 0,91) ja heikoimmaksi asenteissa ja arvoissa (g = 0,61); ilmeisen julkaisuvalikoitumisen korjaaminen laskee arvion noin arvoon g = 0,49.

• Osallistuminen ennustaa voittoja siellä, missä osallistumisen tunne ei. Samassa kuuden kuukauden ohjelmassa osallistumisaste ennusti osaamisen kasvua (β = ,407, p = ,001), kun taas itse koettu osallistuminen ei (β = ,049, p = ,692), ja ala, opetuskokemus ja ammattinimike selittivät vähän; tekijät lukevat osallistumisen käyttäytymiselliseksi sijoitukseksi ja koetun osallistumisen pinnalliseksi sitoutumiseksi (Tan, Cheng & Ling, 2025).

• Arvot laahaavat taitoja jäljessä myös alakohtaisessa ohjelmassa. Vuoden mittaisessa Hongkongin ohjelmassa 30 englannin opettajan kanssa Multimodal AI-arviointistrategioiden tietämys nousi 3,13:sta 4,15:een asteikolla 5 (osittainen η² = 0,571) ja osaaminen opiskelijoiden tukemisessa 3,05:stä 3,98:aan (0,482), molemmat merkitseviä, kun taas jokainen arvoalue pysyi tilastollisesti tasaisena Bonferroni-korjatulla alfalla ,006. Opettajat liittivät voitot koulun sisäiseen yhteissuunnitteluun ja koulujen välisiin klusteritapaamisiin eivätkä pelkkiin työpajoihin (Jiang et al., 2026).

• Mikro-oppiminen voi kehittää yliopisto-opettajien tekoälyosaamista. Cechovsky (2026) jalosti kahta Vocational Education and Training-moduulia kahden verkossa käydyn ryhmäkeskustelun kautta viideksi suunnitteluperiaatteeksi (selkeä rakenne ja orientaatio, ohjaus ja navigointituki, segmentointi ja modulointi, multimodaalinen esittäminen ja oppijan aktivointi) ja havaitsi alustan navigoinnin ja moduulien löytämisen tärkeimmiksi käytännön esteiksi.

Opettajan tekoälyosaaminen ja muuttuva opettajan rooli

Kun tekoäly ottaa haltuunsa rutiininomaisia opetus- ja arviointitehtäviä, opettajan erottuva panos siirtyy orkestrointiin, harkintaan ja suhteeseen: sen päättämiseen, milloin ja miten tekoälyä käytetään, opiskelijan toimijuuden ja kriittisen käytön tukemiseen, tasa-arvon varmistamiseen ja sellaisen sosiaalisen ja emotionaalisen tuen tarjoamiseen, johon tekoäly ei pysty. Tämä kehystää opettajan osaamisen uudelleen ihmisen silmukassa tapahtuvan valvonnan, eettisen harkinnan ja itsesäädellyn oppimisen tukemisen ympärille kytkeytyen opettajan rooliin (Opettaminen) ja liialliselta riippuvuudelta suojautumiseen.

Seuraukset tekoälylle koulutuksessa

• Arvioi suoriutumista, ei vain itsearviointia: opettajan osaaminen pitäisi arvioida osoittamisen kautta, kun otetaan huomioon dokumentoitu itsearviointikuilu.

• Kouluta koko osaaminen, ei vain työkaluja: PD:n pitäisi rakentaa tekniset, pedagogiset, arvioinnilliset ja eettiset ulottuvuudet yhdessä oppimisteoriaan ankkuroituna.

• Rakenna luottamusta taidon rinnalle: asenteet ja Self-Efficacy muovaavat omaksumista, joten PD:n pitäisi vähentää ahdistusta ja rakentaa luottamusta autenttisen, tuetun harjoittelun kautta.

• Tue institutionaalista kerrosta: kestävä opettajan osaaminen edellyttää yhdenmukaista politiikkaa, hallintoa ja kapasiteettia, ei erillistä koulutusta.

• Opettajan digitaalinen kompetenssi GenAI:n opetussuunnittelussa. Guillén-Gámez (2026) validoi TAM-pohjaisen diagnostiikkamittarin 434 työssä olevalla opettajalla; käyttäytymisaikomus oli tärkein digitaalisen kompetenssin ennustaja GenAI:n käytölle opetussuunnitelman suunnittelussa, ja itsetehokkuus oli juuritekijä.

Psykometrinen mittari opettajan tekoälyosaamiselle

• Psykometrinen tutkimus kehitti Teachers' AI Literacy Scale (TAILS) -mittarin mittaamaan tekoälylukutaitoa erityisesti kieltenopettajien koulutuksessa operationalisoiden ED-AI-kehyksen kuusi ulottuvuutta. Mittarin kehittäminen täyttää aukon arvioinneissa, jotka kohdistuvat opiskelijoihin tai yleiskäyttäjiin, ja tukee opettajan tekoälyosaamisen mittaamista.

Mittaristoa itsessään on sittemmin arvioitu katsauksessa. Zainal, Mohd Matore ja Maatin vuoden 2026 systemaattinen katsaus opettajien tekoälylukutaidon mittausvälineistä arvioi 33 välinettä, jotka julkaistiin vuosien 2019 ja 2025 välillä, ja havaitsi alan menetelmällisesti yksitoikkoiseksi: 31 (93,9 %) on itsearviointiasteikkoja koetusta luottamuksesta, vain kaksi (6,1 %) testaa tietoa objektiivisesti, eikä yksikään käytä suoriutumispohjaisia tehtäviä. Sisäinen johdonmukaisuus oli vahvin laatualue (28:lla 33:sta arvosana A) ja oikeudenmukaisuus heikoin, ja viisi välinettä (15,2 %) raportoi mittausinvarianssista tai differentiaalisesta osioutumisesta. Sisältö laahaa myös teknologiaa jäljessä: 29 välinettä (87,9 %) kohdistuu yleisiin tekoälykäsitteisiin ja vain neljä (12,1 %), kaikki vuodelta 2025, käsittelee generatiivista tekoälyä.

Yleiset väärinkäsitykset

• "Kehoteharjoittelu parantaa opettajien materiaaleja." Kehoteharjoittelu ostaa aikaa, ei parempia materiaaleja: esirekisteröidyssä RCT:ssä 204 opettajan kanssa Appel, Fervers ja Piepenburg (2026) havaitsivat ChatGPT:n parantaneen käytettyä aikaa, kun taas materiaalin laatu ei seurannut perässä. Tehokkuusvoitto on todellinen, eikä se ole laatavoitto.
• "Kun opettajat konfiguroivat chatbottia, epäonnistuminen on faktavirhe." Kun opettajat konfiguroivat chatbottia luonnollisella kielellä, hallitseva epäonnistuminen on kadonnut tarkoitus eikä väärät faktat: botit ohittavat sen vaiheen, jonka opettaja tarkoitti. Ohjeiden noudattaminen epäonnistuu rakenteellisesti eikä faktuaalisesti.
• "Tekninen taito on ratkaiseva kerros." Pedagoginen tieto on ratkaiseva kerros: poikkitasoinen tutkimus toisen asteen tekoälykoulutuksesta Shen et al., 2026. Se osaaminen, joka määrää lopputuloksen, on se, johon useimmat koulutusohjelmat panostavat vähiten.

Liittyvät käsitteet

• Tekoälylukutaito
• Koulutuksen kehittäminen
• Opettaminen
• Prompt Engineering
• Oppimissuunnittelu
• Scaffolding
• Metacognition
• Assessment Validity
• Equity
• Ethics
• Self-Efficacy
• Human-in-the-Loop
• Learner Agency
• Kognitiivinen siirtokuormitus
• Educational AI Policy
• Tekoäly koulutuksessa
• Technological Pedagogical Content Knowledge (TPACK)
• Teacher Education
• Pedagogies and Teaching Strategies - Kattokäsite: pedagogiikat ja opetusstrategiat tekoälykoulutuksessa

Liittyvät artikkelit

• Lesson planning using AI lesson assistant, Aila - A Teacher Choices Trial — Mitkä opettajat hyötyivät suunnitteluajasta: matalampi luottamus aineosaamiseen, matalampi pedagoginen tieto, uudempi ammatissa tai korkea teknologialuottamus

• AI Misconception and Adoption Among Indonesian K-12 Teachers — Opettajat hyväksyvät tekoälyn mutta ymmärtävät väärin, miten se toimii (Aji et al. 2026)

• AI integration in mathematics education: A systematic review of implementation challenges and pedagogical implications (2017-2025) — Opettajan valmius ja teknologispedagoginen integraatio useimmin raportoituina haasteina 54 matematiikan opetuksen tutkimuksessa (Manto et al. 2026)

• Conceptualizing and developing second language teachers' multimodal assessment literacy in the GenAI era — Multimodaalinen arviointilukutaito: vuoden ohjelma, jossa tieto ja osaaminen liikkuivat mutta arvot eivät

• The impact of professional development programs on K-12 teachers' AI literacy: A systematic review and meta-analysis

• Enhancing Teachers' AI Competency: A Professional Development Intervention Study Based on Intelligent-TPACK Framework — Intelligent-TPACK-PD: puoli keskihajontaa voittoa, ja negatiiviset voitot uudelleenkalibrointina - Ammatillisen kehittämisohjelmien vaikutus K-12-opettajien tekoälylukutaitoon: systemaattinen katsaus ja meta-analyysi

• AILitHub: Building AI Literacy Infrastructure to Situate Frameworks into Practice — Opettajat merkitsivät omat luokkahuoneen tekoälytapauksensa ja ylsivät helposti käytännön osaamisiin mutta harvoin yhteiskunnallisiin ja eettisiin (Wang et al. 2026)

• Typology of Generative AI Tools for Education — Työkalun valinta kasvattajan toimijuuden harjoituksena

• Generative Artificial Intelligence (GAI) in Teaching and Learning Processes at the K-12 Level: A Systematic Review — Systemaattinen katsaus generatiivisesta tekoälystä K-12-opetuksessa ja -oppimisessa (Marzano 2026)

• Pedagogy first, technology second: Cross-level relationships between teacher professional knowledge and student — Opettajan ammatillinen tieto K-12:n tekoälykoulutuksessa: TAIK vs. TPAIK ja opiskelijoiden oppiminen (Shen et al. 2026)

• Analyzing teacher-AI interaction patterns across teacher experience and AI proficiency in student-centered lesson design — Opettajan ja tekoälyn vuorovaikutuskuviot oppituntisuunnittelussa kokemuksen ja tekoälytaituruuden mukaan (Choi et al. 2026)

• Preparing Pre-Service Teachers for Responsible Generative AI Use: Curriculum Implications for Ethics, Privacy, and AI Literacy — Opettajaopiskelijoiden vastuullinen GenAI-käyttö: opetussuunnitelmalliset seuraukset (Kohnke et al. 2026)

• Validating AI-generated classroom observations: Reliability, accuracy, and limits of LLM-based pedagogical judgment — LLM-pohjainen luokkahuonehavainnointi opettajien ammatilliseen kehittämiseen (Melo et al. 2026)

• Responsible Integration of AI into Pedagogies of Practice in Mathematics Teacher Education — Generatiivinen tekoäly esitystapojen, pilkkomisten ja approksimaatioiden yli: harjoittelu, jäsennelty palaute ja tarkkuusvaroitukset

• 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 — Intensiivisen GenAI-ammatillisen kehittämisohjelman vaikuttavuus

• Modeling AI-TPACK in Practice: Insights from Teachers'' Multi-Agent Workflow Design — AI-TPACK:n mallintaminen opettajan moniagenttityönkulkujen kautta

• Towards Synergistic Teacher-AI Interactions with Generative Artificial Intelligence — Kohti synergistisiä opettaja-tekoäly-vuorovaikutuksia

• Teacher education for artificial intelligence literacy through a self-determination theory perspective — Opettajankoulutus tekoälylukutaitoon itsemääräämisteorian kautta

• Development and evaluation of artificial intelligence literacy training for teacher education students — Suunnittelututkimuksellinen GenAI-lukutaidon koulutus

• Rethinking Generative AI Literacy: An Integrative, Developmental, and Dialectical Framework for K-12 Teacher Education — GenAI-lukutaidon uudelleenajatteleminen opettajankoulutuksessa

• Exploring interfaces and implications for integrating social-emotional competencies into AI literacy for education: a narrative review — Sosioemotionaalisten kompetenssien integrointi tekoälylukutaitoon

• AI Adoption Among Teachers: Insights on Concerns, Support, Confidence, and Attitudes — Tekoälyn omaksuminen opettajilla: luottamus ja tuki

• Faculty Orientations Shape Adoption of AI in Research and Teaching — Tiedekunnan orientaatiot muovaavat tekoälyn omaksumista

• How to Assess AI Literacy: Misalignment Between Self-Reported and Objective-Based Measures — Itse raportoidun ja suoriutumispohjaisen tekoälyosaamisen yhteensopimattomuus

• Effects of an AI-supported inquiry model on AI literacy and authentic performance: A quasi-experimental study with preservice teachers — Tekoälyä tukeva tutkiva oppiminen opettajaopiskelijoille

• Faculty Readiness for AI-Supported Teaching and Scalable Online Program Delivery in Higher Education: The EPIQ-AI Framework for Epistemic Integrity — EPIQ-AI-tiedekunnan valmiuskehys

• LLMs to Support K-12 Teachers in Culturally Relevant Pedagogy: An AI Literacy Example — LLM:t kulttuurisesti relevantissa K-12-pedagogiikassa

• A Framework for Institutional Change in the Age of AI — Institutionaalisen muutoksen kehys tekoälylle

• TeachingCoach: A Fine-Tuned Scaffolding Chatbot for Instructional Guidance to Instructors — TeachingCoach-chatbot opettajien ohjaukseen

• When faculty ask, 'what's the point of teaching?': GenAI as identity crisis, not skills gap — GenAI identiteettikriisinä, ei taitokuiluna

• Situated AI ethics: a cultural-historical and ecological framework for education

• Transforming Curriculum Design with Generative AI: A Model for Assessing Teacher Digital Competence — Opettajan digitaalisen kompetenssin arviointi GenAI:n opetussuunnittelussa (Guillén-Gámez 2026)

• Understanding what good education is: a phenomenographic investigation of university teachers' understandings of AI — Fenomenografinen tutkimus yliopisto-opettajien tekoälykäsityksistä

• AI Literacy in Secondary Education: Framework, Assessment, and Professional Development in the Ukrainian Context — Viisitasoinen tekoälylukutaidon kehys ja PD ukrainalaisille toisen asteen kasvattajille (Marienko et al. 2026)

• Reimagining teacher-AI co-design in learning task design: trends and perspectives — Opettajan ja tekoälyn yhteissuunnittelu oppimistehtävissä: trendit ja näkymät (Wang et al. 2026)

• The Architecture of Roles in AI-Designed Group Activities: A comparative inductive analysis of novice and experienced teachers' differentiated instruction within the IAT framework — Roolien arkkitehtuuri tekoälyn suunnittelemissa eriytetyissä ryhmätoiminnoissa (Talebzadeh 2026)

• The Impact of Explainable AI on Teachers' Trust and Acceptance of AI EdTech Recommendations: The Power of Domain-specific Explanations

• AI Literacy of Teachers: Prompt Engineering and Model Selection as Predictors of AI-Feedback Quality — Kehoitetekniikka ja mallin valinta tekoälypalautteen laadun ennustajina (Jacobsen et al. 2026)

• The AI guilt complex: Moral emotions and ethical dilemmas in academic technology adoption — AI Guilt Complex: ennakoiva syyllisyys ja neljä moraalivasteprofiilia akateemisessa henkilökunnassa (Vassallo 2026)

• Empowering teachers to use AI for differentiation: changes in teachers’ acceptance of AI-based technologies following participation in a short professional development training session — Kolmen tunnin opettajien PD-istunto nosti koettua hyödyllisyyttä ja käytön helppoutta mutta ei ilmoitettua aikomusta omaksua (Mesenhöller & Böhme 2026)

• Artificial intelligence in initial teacher training for pre-service primary school teachers in mathematics: a systematic review — Systemaattinen katsaus tekoälystä luokanopettajaksi koulutettavien matematiikan opettajien peruskoulutuksessa: etiikka käsiteltiin vain kolmessa yhdestätoista tutkimuksesta (Pinto et al. 2026)

• The AI Challenge: How college faculty assess the present and future of higher education in the age of AI — AAC&U:n ja Elonin kysely 1 057 yhdysvaltalaiselle tiedekunnan jäsenelle: valmius, käyttämättömyys ja yksilöllisen ja institutionaalisen politiikan kuilu (Watson & Rainie 2026)

• AI Integration as Instructional Design: Lessons from a Cross-Institutional Faculty Collaboratory in Teacher Preparation — Poikkilaitoksellinen tiedekuntakollaboratorio: tekoälyintegraatio oppimissuunnitteluna opettajankoulutuksessa

• Assessing teachers' AI literacy: a systematic review of measurement tools — Systemaattinen katsaus 33 välineeseen opettajien tekoälylukutaidon mittaamiseksi: 31 itsearviointia, kaksi objektiivista tietotestiä, ei suoriutumistehtäviä (Zainal, Mohd Matore & Maat 2026)

• Rethinking artificial-intelligence literacy through the lens of teacher educators: The adaptive AI model — Suunnittelupohjainen adaptiivinen tekoälylukutaidon malli ja 20 kohdan reflektoiva kysely, jotka suunniteltiin yhdessä 22 opettajakouluttajan kanssa (Eyal 2025)

• A Workshop Series for Effective Use of AI in Uncertain Times: Building a Physics Faculty Learning Community — Työpajasarja tekoälyn tehokkaasta käytöstä epävarmoina aikoina: fysiikan tiedekunnan oppimisyhteisön rakentaminen

• Designing Authentic Assessments with Generative AI: A Pilot Study of Assessment Authentifire in Higher Education — Autenttisten arviointien suunnittelu generatiivisella tekoälyllä: pilottitutkimus Assessment Authentifiresta korkeakoulutuksessa

• Will It Teach as Intended? How Teachers Configure Educational AI Chatbots — Opettaako se tarkoitetulla tavalla? Miten opettajat konfiguroivat koulutuksellisia tekoälychatbotteja

• A Capability–Decision Model of teacher readiness for AI integration in teaching — Järjestetty, kyvykkyys edellä -opettajan valmiusmalli, jossa on suoriutumispohjaiset kyvykkyysindikaattorit

• K-12 in-service teachers' beliefs about generative AI in classrooms: insights from the United States, India, Qatar, Colombia, and the Philippines — Valtioiden välinen kysely 1 405 K-12-opettajalle: valmius ennustaa myönteisiä uskomuksia mutta ei huolta

• Teachers’ AI Belief Profiles and Their Associations with AI Use, Pedagogical Applications, and Barriers: A Person-Centered Analysis of TALIS 2024 — Neljä TALIS 2024 -opettajien uskomusprofiilia yhdistävät ammatillisen oppimisen ja profiilikohtaiset esteet tekoälyn käytölle

• Designing Microlearning Modules on AI for University Teachers in Vocational Teacher Education: A Design-Based Research Study — Mikro-oppimismoduulien suunnittelu tekoälystä ammatillisen opettajankoulutuksen yliopisto-opettajille: suunnittelututkimuksellinen tutkimus

• EduWild: How Teacher-Configured Chatbots Fail in Real-World Use and How to Fix Them — EduWild: Miten opettajien konfiguroimat chatbotit epäonnistuvat tosielämän käytössä ja miten ne korjataan