AIEd-tietopankkiAIEd KB
Tällä sivulla

Lue tämä sivu englanniksi

Käsitteet

Teknologis-pedagoginen aineenosasisältöosaaminen (TPACK)

Luotu 2026-08-14 · Päivitetty 2026-11-08

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

Teknologinen pedagoginen aineenosasisältöosaaminen (TPACK) — viitekehys (Mishra & Koehler, 2006), joka kuvaa integroitunutta tietämystä, jota opettajat tarvitsevat käyttääkseen teknologiaa tehokkaasti opetuksessa: teknologisen tiedon (TK), pedagogisen tiedon (PK) ja sisältötiedon (CK) vuorovaikutus ja niiden leikkauspisteet. Tekoälyaikakaudella TPACKia on laajennettu AI-TPACKiksi / GenAI-TPACKiksi, joka mallintaa, miten opettajat integroivat generatiivisen tekoälyn ainekohtaiseen opetukseen. Se on hallitseva teoreettinen linssi sen ymmärtämiseen, miten opettajan tekoälykompetenssi rakentuu ja miten sitä kehitetään ammatillisen kehittämisen kautta.

Tuo hallitsevuus on myös osittain hankinta-artefakti: PRISMA-kartoittavassa katsauksessa 195 teknologiaa tukevasta opettajankoulutustutkimuksesta digitaalinen kompetenssi, TPACK ja DigCompEdu olivat eksplisiittisiä hakusanoja, joten kompetenssiviitekehysten 46,5 %:n osuus kuvaa haettua korpusta eikä alaa (Patiño Hernández et al. (2026)).

Pohdittavaksi

  • TPACK väittää, ettei tehokas teknologian kanssa opettaminen ole erillisten taitojen summa (oman aineen tunteminen + opettamisen tunteminen + työkalun tunteminen) vaan niiden vuorovaikutuksen tulos. Muistele oppituntia, joka todella toimi teknologian kanssa. Mitkä sisällön, pedagogiikan ja teknologian tietämyksen yhdistelmät — eivät mikään yksittäinen niistä — näyttivät tekevän työn?
  • Yleinen oletus on, että "teknologiaosaava" opettaja on siksi valmis opettamaan tekoälyllä. Missä tuo oletus voi pettää — esimerkiksi kun teknisesti sujuva opettaja käyttää tekoälyä silti pedagogisesti pinnallisesti tai sisällöllisesti epätarkasti? Millainen "kompetenssi" jäisi yksinkertaiselta teknologiapainotteiselta testiltä huomaamatta?
  • Tekoälyaikakaudella TPACKin teknologia kehystetään uudelleen passiivisesta työkalusta aktiiviseksi toimijaksi, joka voi suunnitella, tuottaa ja ohjata. Jos opettajan työ siirtyy työkalun käyttämisestä itsenäisesti toimivan tekoälyn orkestrointiin, millaista uutta tietämystä se vaatii — ja voiko mikään staattinen tarkistuslista tavoittaa sen?
  • Sivu ehdottaa, että ammatillisen kehittämisen tulisi kouluttaa leikkauspisteitä, ei vain työkaluja. Mieti viimeisintä teknologiakoulutusta, johon osallistuit tai jonka suunnittelit. Oliko se pääosin "miten ohjelmistoa käytetään", vai rakensiko se sisältöä ja pedagogiikkaa yhdessä teknologian kanssa? Kumpi lähestymistapa muuttaisi luokkahuonekäytäntöä enemmän, ja miksi?
  • Tutkimus löysi erilaisia "opettaja-arkkityyppejä" — optimoijat, luojat, passiiviset havainnoijat — jotka hyötyvät erilaisesta tuesta. Mitä arkkityyppiä muistutat eniten käyttäessäsi tekoälyä opetuksessa, ja millainen tukeminen auttaisi sinua eniten? Kuvailisivatko oppijasi sinua samalla tavalla kuin sinä itseäsi?
  • Jotkut tutkijat väittävät, että tehokas tekoälyn integraatio kumpuaa opettajan uskomuksista ja pystyvyyden tunteesta eikä vain hänen tietämyksestään. Mitä uskot tekoälyn roolista oppimisessa, ja miten tuo uskomus — enemmän kuin tekninen taitosi — voi muovata sitä, integroitko sitä ja miten?

Johdanto

Viitekehys

TPACK väittää, että tehokas teknologian integraatio ei ole erillisten tietoalueiden summa vaan niiden dynaamisen vuorovaikutuksen tulos. Viitekehys koostuu kolmesta perusalueesta ja neljästä leikkauspisteestä:

  • Sisältötieto (CK) — tietämys opetettavasta aineesta.
  • Pedagoginen tieto (PK) — tietämys opetusmenetelmistä, strategioista ja siitä, miten opiskelijat oppivat.
  • Teknologinen tieto (TK) — tietämys työkalujen ja teknologioiden käytöstä, mukaan lukien generatiivinen tekoäly.
  • Pedagoginen sisältötieto (PCK) — miten tiettyä sisältöä opetetaan tehokkaasti.
  • Teknologinen sisältötieto (TCK) — miten teknologia muovaa ja representoi sisältöä.
  • Teknologinen pedagoginen tieto (TPK) — miten teknologia tukee tai rajoittaa opetusstrategioita.
  • TPACK — nouseva, integroitunut tietämys keskellä, jossa kaikki kolme aluetta ovat vuorovaikutuksessa mahdollistaen teknologiaa hyödyntävän, sisältökohtaisen opetuksen.
  • Viitekehys hallitsee alaa oletusarvoisesti, ja sitä venytetään sopimaan. PRISMA-ohjatussa katsauksessa 78 tekoälytuettua opetuksen suunnittelua koskevasta tutkimuksesta vain 19 sovelsi jotain nimettyä kompetenssiviitekehystä — ja TPACK ja sen variantit kattoivat 17 näistä 19:stä, käytettyinä tuottavasti analyyttisenä linssinä mutta venytettyinä alkuperäisen soveltamisalansa ulkopuolelle, koska TPACKia ei suunniteltu tekoälykohtaisia kyvykkyyksiä varten. Tätä varten rakennetut laajennukset ovat vastaavasti harvinaisia: Intelligent-TPACK esiintyi vain viidessä tutkimuksessa, tavallisesti yhdistettynä tekoälylukutaitoon kehityksellisen etenemisen käsittelemiseksi (Spyropoulou & Kameas, 2026).
  • Tutkimus etenee teoretisoimattomana, kun taas politiikkaviitekehykset jäävät testaamatta. Sama katsaus havaitsi, että 76 % tutkimuksista päätteli kompetenssit käytännöstä ilman mitään teoreettista kartoitusta, eikä DigCompEdua tai UNESCO:n tekoälyn kompetenssiviitekehystä opettajille sovellettu analyyttisenä viitekehyksenä yhdessäkään 78:sta — yhteyden puute, joka kulkee molempiin suuntiin, koska empiirinen työ ei kerrytä yhteistä sanastoa ja käytäntöä ohjaamaan tarkoitetut viitekehykset jäävät empiirisesti testaamattomiksi tässä kontekstissa.

AI-TPACK ja GenAI-TPACK

Tekoälyaikakaudella viitekehys on työntynyt kohti tulkintaa teknologiasta, jolla on älyä. Passiivisen työkalun sijaan generatiivinen tekoäly on aktiivinen toimija, joka voi suunnitella, tuottaa sisältöä, ohjata ja mukautua — joten integraatiotietämys sisältää yhä useammin orkestroinnin: päätöksen siitä, milloin ja miten tekoäly toimii, tukee tai väistyy ihmisen harkinnan tieltä.

  • Erillisen tiedon tuolle puolen. AI-TPACK-tutkimus väittää, että tehokas tekoälyn integraatio ei kumpua erillisten alueiden omistamisesta vaan järjestelmäajattelun, pedagogisten uskomusten ja itsetehokkuuden dynaamisesta vuorovaikutuksesta — mikä haastaa staattiset, tarkistuslistapohjaiset mallit opettajan tekoälykompetenssista. Opettaja-arkkityypit (systemaattiset optimoijat, tuotteliaat luojat, passiiviset havainnoijat) nousevat siitä, miten opettajat suunnittelevat moniagenttisia opetustyönkulkuja.

  • Mitä integraatioviitekehykset jättävät pois. Yhteistoimijuuskritiikki väittää, että TPACK ja SAMR käsittelevät opettajan tietämystä ja omaksumistasoja mutta jättävät vallan, datan omistajuuden ja vastuuvelvollisuuden käsittelemättä, joten integraatiotietämys tarvitsee eksplisiittisen eettisen rajan eikä uutta tietoaluetta (Poudyal (2026)).

  • Poikkitasoinen näyttö pedagogisesta ytimestä. Monitasoinen tutkimus 46 opettajasta ja 2 832 toisen asteen opiskelijasta havaitsi, että pelkkä tekninen tekoälytieto ei riittänyt — se jopa hieman heikensi opiskelijoiden käsityksiä tekoälystä yhteiskunnallisena hyvänä — kun taas pedagoginen tekoälytieto (TPAIK) oli se, mikä edisti opiskelijoiden käsityksiä ja aikomusta oppia tekoälyä. Tulos tiivistyy ohjeeksi "pedagogiikka ensin, teknologia toiseksi", joka kaikuu yllä olevia välittävän roolin löydöksiä.

  • Etiikka integratiivisena välittäjänä, ei rajana. Kyselytutkimuksessa 454 yliopisto-opettajasta erillinen tekoälyteknologinen tieto oli negatiivisesti suoraan yhteydessä integroituneeseen AI-TPACKiin (β = −0,303), kun taas sen kokonaisvaikutus pysyi positiivisena (β = 0,639) ja kulki pedagogisen, sisältö- ja eettisen tiedon kautta (Chen et al. (2026)). Eettinen tieto välitti vaikutusta edelleen ennustaen sekä pedagogista (β = 0,353) että sisältötietoa (β = 0,269).

  • Katsauslinssi koko alalle. Systemaattinen katsaus TPACK-näkökulmasta (Liu & Zhong, 2025) analysoi 71 empiiristä tutkimusta GenAI:sta opiskelijoiden oppimisessa, havaitsi kokonaisvaikutuksen olevan positiivinen (Hedgesin g = 0,752) ja nimesi opiskelijoiden GenAI-lukutaidon ja opettajien GenAI-TPACK-ammatillisen kehittämisen alan kahdeksi kriittiseksi prioriteetiksi.

  • Pelkkä taitavuus ei ennusta pedagogista integraatiota. Choi et al. (2026) mittasivat opettajien Intelligent-TPACKia osallistujien segmentoimiseksi ja havaitsivat, että jopa tekoälyssä taitavat noviisit nojasivat passiivisesti tekoälyn tuotokseen oppituntia suunnitellessaan, kun taas kokeneet opettajat — mitatulta AI-TPACKiltaan heikommat — ottivat tekoälyn ehdotukset kriittisesti uudelleen käsittelyyn ja mukauttivat ne pedagogiseen kontekstiin. Tulos vahvistaa yllä olevaa kuviota: AI-TPACK muuntuu hyväksi luokkahuonekäytöksi kokeneen pedagogisen harkinnan kautta, ja siksi Teacher Education-tuen on kohdistuttava tekoälytiedon soveltamiseen, ei sen pelkkään omistamiseen.

  • Opettajankoulutuksen konteksti. TPACK on keskeinen opettajien kyvyn kasvattamisessa integroida teknologiaa opetussuunnitelmakohtaiseen opetukseen, minkä vuoksi opettajankoulutus- ja PD-tutkimus (esim. intensiiviset GenAI-PD-ohjelmat, AI-TPACK-valmius opettajaopiskelijoilla) mittaa sitä yhä useammin kiinnostuksen kohteena olevana tuloksena.

  • Pedagoginen tieto välittää GenAI-integraatiota. Mohebi ja ElSayary (2026) kyselyttivät 325 työssä olevaa opettajaa 26 maassa ja haastattelivat seitsemää käyttäen selittävää peräkkäistä sekamenetelmäasetelmaa TPACK-GenAI:n mallintamiseen. Teknologinen tieto (TK), pedagoginen tieto (PK) ja pedagoginen sisältötieto (PCK) olivat kukin yhteydessä kokonais-TPACK-GenAIiin, mutta teknologinen pedagoginen tieto (TPK) välitti nämä yhteydet — näyttö siitä, että "taitavuudesta pedagogiikkaan" -liikkeellä on väliä: GenAI-taidon muuntaminen hyväksi luokkahuonekäytöksi kulkee pedagogis-teknologisen integraatiotiedon kautta eikä pelkän työkalutuntemuksen kautta.

  • Korkeakoulutuksessa sisältöasiantuntemus ei siirry GenAI-integraatioon. Sutedjo, Chowdhury & Liu (2026) mukauttivat TPACK-21-instrumentin kysyäkseen 127 tiedekunnan jäseneltä yhdysvaltalaisessa tutkimusyliopistossa GenAI:n käytöstä 21. vuosisadan taitojen opettamiseen. Tiedekunta raportoi vahvaa CK:ta (M = 5,15) ja PCK:ta (M = 4,70) mutta heikkoa teknologiaan integroitunutta tietämystä — TPK (M = 2,62), TCK (M = 2,75) ja kokonais-TPACK (M = 2,55, matalin alue) — eikä CK osoittanut merkittävää korrelaatiota TK:n tai minkään teknologiaan integroituneen alueen kanssa (r = ,11–,15, ei merkitsevä). Kolme teknologiaan integroitunutta aluetta korreloivat keskenään niin vahvasti (r = ,81–,91), että ne voivat toimia yhtenä GenAI-integraatiotekijänä. Tulos vahvistaa leikkauspisteiden kouluttamisen suunnitteluperiaatetta: tiedekuntakehityksen on tarkoituksellisesti rakennettava GenAI-integraatiotietämystä ainekohtaisten toimintojen kautta eikä oletettava, että aineasiantuntemus siirtyy itsestään, ja kohdeltava teknologiaan integroituneita alueita jaettuna GenAI-lukutaidon perustana.

  • Institutionaalinen muoto ja koulutustaso ovat vuorovaikutuksessa. Mnguni et al. (2026) vertasivat 186 viimeisen vuoden luonnontieteen opettajaopiskelijaa eteläafrikkalaisessa kampuksella toimivassa yliopistossa (n = 85) ja etäopetusyliopistossa (n = 97). Itsearvioitu TPACK oli korkeampi kampuksella (64,0 % vs. 47,4 %), pedagoginen tieto oli vähiten raportoitu alue molemmissa ryhmissä (53 % kampuksella), ja tekoälykoulutuksen taso oli yhteydessä itsearvioituun TPACKiin vain etälaitoksessa, jossa viiden opintopisteen lyhytkurssin suorittaminen ennusti heikompaa raportoitua TPACKia kuin koulutuksen puuttuminen kokonaan (p = ,039, vs. p = ,607 kampuksella). Valmius seuraa siis institutionaalista tarjonnan kontekstia eikä pelkkiä koulutustunteja, ja kirjoittajat varoittavat, ettei itsearvioitu valmius voi korvata suoriutumisnäyttöä.

Täydentävä mittausvaroitus tulee saman kirjoittajan kyvykkyys–päätösmallista: kun TPACK on itsearvioitu ja koettu käyttäytymiskontrolli mitataan itsetehokkuutena, kaksi ei ehkä ole empiirisesti erotettavissa, joten tutkimus ei voi kertoa, ennustaako kyvykkyys vai yleinen luottamus aikomusta (Mnguni (2026)).

  • Integroitunut TPACK liikkuu eniten, kun tekoäly on tuettu autenttisten ongelmapohjaisten tehtävien sisään. Chen ja Osman (2026) vertasivat kahdeksanviikkoista tekoälytuettua CTD-PBL-moduulia tavanomaiseen opetukseen 130 kolmannen vuoden fysiikan opettajaopiskelijalla fysiikan alalla ehjän luokan kvasikokeellisessa asetelmassa (65 kummassakin ehdossa), jossa ryhmät käyttivät DeepSeekiä tehtäväkohtaisten kehotemallien kautta ja jokaisen tekoälyn tuotoksen oli läpäistävä ihmisen varmentaminen ennen opetusartefaktiin siirtymistä. Moduuliryhmä raportoi korkeampaa TPACKia jälkitestissä (M = 4,04 vs. 3,40, p < 0,001, d = 1,02) ja korkeampaa koettua yhteistoiminnallista ongelmanratkaisua (M = 3,62 vs. 3,05, d = 0,88), ja molemmissa tuloksissa oli merkitseviä ryhmä × aika -vuorovaikutuksia. Se, mihin parannukset osuivat, on TPACKin kannalta olennainen yksityiskohta: suurimmat ulottuvuusvaikutukset olivat integroituneilla alueilla — TPCK (d = 1,21), PCK (d = 1,06) ja TPK (d = 0,95) — ja yhteistyön parannukset olivat selkeimpiä jaetussa tiedonrakentamisessa ja sosiaalisessa sääntelyssä, eli leikkauspisteissä eikä perusalueilla. Kirjoittajat esittävät nämä integroituun opetusehtoon liittyvinä eriytyvinä muutoksina, eivät tekoälyvaikutuksena: tekoälyä ei koskaan eristetty PBL-tehtäväketjusta, jäsennellystä yhteistyöstä, ohjaajan tukemisesta, vertaispalautteesta tai reflektiivisestä revisiosta, ja molemmat tulokset olivat kyselypohjaisia käsityksiä kompetenssista eivätkä osoitettua luokkahuonesuoriutumista.

  • Interventio voi liikuttaa ensin perusaluetta. Kuuden kuukauden ammatillinen kehittämisohjelma, joka rakennettiin suoraan Intelligent-TPACK-viitekehykselle, nosti eniten teknistä tekoälytietoa (AITK: 3,92 → 4,43, t(63) = 3,856, p < ,001, d = ,48), seuraavaksi teknologis-pedagogista tietoa (AITPK: d = ,33) ja vähiten integroitunutta AITPACKia (d = ,26), kun eettinen tietoisuus jäi suhteellisen paikalleen (Tan, Cheng & Ling, 2025). Järjestys on Chenin ja Osmanin integroituneiden alueiden parannusten peilikuva, ja molemmat ovat itsearviointia.

AI-TPACK välittäjänä lukutaidon ja luokkahuoneintegraation välillä. Kiinalaisten luonnontieteen opettajaopiskelijoiden rakenneyhtälömalli (Zou, Li, Wang & Du, 2026) asemoi AI-TPACKin ei rinnakkaiseksi kompetenssiksi vaan siirtomekanismiksi, jonka kautta yleinen tekoälylukutaito tulee opetuskäytännöksi. Tekoälylukutaito ennusti AI-TPACKia vahvasti, AI-TPACK puolestaan ennusti luonnontieteiden opettamisen itsetehokkuutta, ja opettamisen itsetehokkuus oli vahvin yksittäinen ennustaja aikomukselle opettaa tekoälyintegraation kautta tutkivaa oppimista.

Koko sarjaketju (tekoälylukutaito → AI-TPACK → itsetehokkuus → aikomus) oli merkitsevä, samoin kuin erilliset epäsuorat reitit AI-TPACKin ja itsetehokkuuden kautta; yhdessä suurin osa tekoälylukutaidon yhteydestä aikomukseen kulki näiden välittäjien kautta eikä suoraan, ja tulos piti sukupuolen, opintovuoden, pääaineen ja tekoälyn käyttötiheyden vakioinnin jälkeen. Mallin käytännöllinen väite on sekvenssi, jolla on sisääntulopiste: tekoälylukutaito on välttämätön mutta riittämätön, ja integraation työ tapahtuu siellä, missä teknologinen, pedagoginen ja sisältötieto yhdistyvät — mikä on myös se paikka, jossa opettajien luottamus aineen opettamiseen rakentuu.

  • Varmentaminen neljäntenä kompetenssina. Orhon, Cekerol ja Ugur (2026) laajentavat mallia AI-varmentamistiedolla — probabilistisen tekoälyn tuotoksen alistamisella ainekohtaiselle varmentamiselle ennen sen kohtelemista legitimiin päätökseen johtavana näyttönä — ja yhdistävät sen prosessisuuntautuneeseen rubriikkiin muotoilukoulutuksessa.

Miksi sillä on merkitystä tekoälykoulutuksessa

TPACK on jäsentävä viitekehys tietopohjan opettajapuolen näyttöpohjalle. Se selittää, miksi opettajan tekoälykompetenssi on enemmän kuin työkalusujuvuutta: opettajien on integroitava teknologinen, pedagoginen ja sisältötieto yhteen tehdäkseen tekoälystä oppimistuloksia. Tietopohjan Opettajan tekoälyosaaminen-sivu kattaa kompetenssiulottuvuudet; TPACK on tietorakenne, joka on niiden taustalla. Tutkimus opettajien luottamuksesta, ammatillisesta kehittämisestä ja muuttuvasta opettajan roolista toimii kaikki tämän viitekehyksen sisällä (tai sitä vastaan). Viitekehystä laajennetaan nyt kokonaisten ohjelmien arviointiin: Wu & Li (2026) rakentavat AHP-Fuzzy-AHP-arviointijärjestelmän tekoälysertifikaattiohjelmille TPACK-ulottuvuuksien pohjalta ja havaitsevat, että tiedekunnan ammatillinen kompetenssi — ei tekninen infrastruktuuri — on suurin kuilu asiantuntijoiden priorisoinnin ja nykyisen tarjonnan välillä, mikä viittaa siihen, että kredentioinnissa tulisi investoida opettajien integroituneeseen pedagogiseen kapasiteettiin.

Välitys kulkee pääosin käytön helppouden kautta. Zhao (2026) testasi kuutta epäsuoraa polkua tekoälylukutaidosta ja TPACKista syväoppimiseen 423 opettajaopiskelijalla: TPACK koetun käytön helppouden kautta oli suurin (0,212) ja tekoälylukutaito hyödyllisyyden kautta pienin (0,033), joten integraatiotietämys toimi käytettävyyden eikä hyödyn kautta. Komponentit eivät painotu yhtä paljon tekoälytapauksessa. 988 opettajaopiskelijan joukossa TCK (β = 0,67) ja TPK (β = 0,41) ennustivat integroitunutta AI-TPACKia, kun taas pelkkä TK ei (β = −0,10, p = 0,066), ja integroitunut TPACK ennusti asennetta GenAI:ta kohtaan (β = 0,75) (Khalil et al., 2026).

Suunnitteluvaikutukset

  1. Kouluta leikkauspisteitä, älä vain työkaluja. PD:n tulisi rakentaa teknologista, pedagogista ja sisältötietoa yhdessä erillisen työkalukoulutuksen tarjoamisen sijaan — TPACKin ydin suunnitteluperiaate.
  2. Kohtele tekoälyä toimijana, älä laitteena. AI-TPACK laajentaa viitekehystä kohti tekoälyagenttien orkestrointia ja vaatii järjestelmäajattelua ja pedagogista harkintaa siitä, milloin tekoälyn tulisi toimia.
  3. Eriytä PD opettajaprofiilin mukaan. Erilaiset opettaja-arkkityypit (optimoijat, luojat, havainnoijat) hyötyvät erilaisesta tukemisesta — edistyneistä viitekehyksistä, nopeasta palautteesta tai eksplisiittisestä mallintamisesta.
  4. Arvioi integroitunutta kompetenssia. TPACK-suuntautuneet tulokset (esim. AI-PCK-parannukset) tulisi mitata integroituneena kykynä, ei itsearvioituna työkalutuntemuksena.

Yleiset väärinkäsitykset

  • "TPACKin hallitsevuus heijastaa sen selitysvoimaa." Hallitsevuus on osittain hankinta-artefakti: PRISMA-kartoittavassa katsauksessa 195 teknologiaa tukevaa opettajankoulutustutkimusta digitaalinen kompetenssi, TPACK ja DigComp hallitsevat indeksoitua kirjallisuutta. Yleisyys haussa on alan käyttämän sanaston ominaisuus, ei todiste siitä, että viitekehys selittäisi enemmän.
  • "Tunnettu viitekehys on validoitu tekoälyä varten." TPACKia ei suunniteltu tekoälykohtaisia kyvykkyyksiä varten, minkä vuoksi Intelligent-TPACK kehitettiin — ja se esiintyy vain viidessä tutkimuksessa 78 tutkimuksen katsauksessa. TPACKin käyttäminen GenAI-kompetenssiin venyttää sitä sen rakenteen ulkopuolelle.
  • "Viitekehyksen soveltaminen tarkoittaa, että tutkimus on teoretisoitu." Sama katsaus havaitsi, että 76 % tutkimuksista päätteli kompetenssit käytännöstä ilman teoreettista kartoitusta, joten TPACKin läsnäolo alalla on rinnakkainen sen kanssa, että suurin osa tutkimuksesta on teoretisoimatonta. Nimetty viitekehys ei ole sama kuin viitekehys, joka tekee työtä.

Liittyvät konseptit

Liittyvät artikkelit

Liittyvät UKK:t

Metatiedot

KohderyhmäFaculty Developers, Instructors
Teknologiat ja tekniikatGenerative AI
Tekoälyn perusteet koulutuksessaTekoälylukutaito, Opetussuunnitelman suunnittelu, Koulutuksen kehittäminen, Oppimissuunnittelu, Opettaminen, Teknologis-pedagoginen aineenosasisältöosaaminen (TPACK), 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.