Miten estän opiskelijoita nojautumasta liikaa tekoälyyn

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

Opiskelija saa kotitehtäväsarjasta täydet pisteet ja jättää puolet tentistä tyhjäksi. Joku palauttaa laboratorioselostuksen, jota hän ei osaa selittää sinulle, tai koodinpätkän, jota hän ei osaa selittää rivi riviltä. Kollega haluaa kieltää työkalun ensimmäisen vuoden kurssilla, ja sinä punnitset, mitä se maksaa niille opiskelijoille, jotka nojaavat siihen eniten.

Ydinasia: liiallinen nojautuminen on enimmäkseen kysymys siitä, mihin työkalu sijoitetaan. Ratkaisut, jotka vähentävät sitä, asettavat opiskelijan oman yrityksen työkalun edelle, säätävät tekoälyn vihjailemaan vastaamisen sijaan, tekevät tarkistamisesta vaaditun tuotoksen ja pitävät yhden arvosteltavan hetken ilman työkalua.

Lyhyesti

1. Aseta opiskelijan omat ideat, hypoteesi tai karkea luonnos työkalun eteen ennen kuin se avataan.

2. Säädä tekoäly vihjailemaan, kysymään ja antamaan esimerkkejä aina, kun arvostelet juuri sitä taitoa.

3. Tee tarkistamisesta palautettava, jolla on oma rivinsä tehtävänannossa.

4. Pidä arvosteltava hetki ilman työkalua ja vertaa avustettua työtä siihen.

5. Ajoita pohdintakehotus siihen tehtävän vaiheeseen, jossa se voi vielä muuttaa jotain.

6. Katso, ketkä suunnitelmasi jättää jälkeen, aiemman tiedon mukaan eikä keskiarvon.

Päätä, onko sinulla ongelma vai vain runsasta käyttöä

Kognitiivinen siirtokuormitus tarkoittaa kognitiivisen vaatimuksen siirtämistä ulkoiselle työkalulle, mikä vapauttaa rajallisia henkisiä resursseja muuhun työhön. Guo ja Ye (2026) tarkastelevat käsitettä Nelsonin ja Narenin dynaamisen metakognitiivisen mallin kautta, jossa vaikeuden seuraaminen ohjaa päätöstä siirtää kuormitusta sisäiseen tai ulkoiseen strategiaan. Siirtokuormitus on itsesäätelyyn perustuva valinta, ja huolestuttava epäonnistuminen on virhekalibrointi; pelkkä määrä kertoo vähän.

Biswas (2026) mallintaa nojautumisen kolmena toimintana: ratkaise yksin, hyväksy tekoälyn vastaus tarkistamatta tai käytä sitä ja tarkista. Kalibrointi epäonnistuu molempiin suuntiin. Liiallinen nojautuminen on väärän tuotoksen hyväksymistä ja liian vähäinen nojautuminen hyödyllisen tekoälyn hylkäämistä, kun se erehtyy. Kollektiivinen liiallinen nojautuminen tarkoittaa väestöä, joka on luopunut tarkistamisesta, ja koska raaka liiallinen nojautuminen poikkeaa katumuksesta, runsas käyttö sopii yhteen hyvien tulosten kanssa. Opiskelija, joka tarkistaa jokaisen tekoälyn vastauksen sinun materiaalejasi vasten, ei ole ongelmasi. Se, joka palauttaa mallin ensimmäisen luonnoksen, on.

Lodge ja Loble (2026) kutsuvat mekanismia ”sujuvuudeksi tilauksesta”: johdonmukainen ja varma tuotos, joka ohittaa ne toivottavat vaikeudet (mieleen palauttamisen, jäsentämisen ja tuottamisen), joiden kautta tieto lujittuu. Heidän suoritusparadoksinsa on, että avustettu työ tuntuu sujuvalta ja opiskelijat suoriutuvat hetkessä hyvin mutta muistavat vähemmän, mitä he kutsuvat osaamisen illuusioksi. He nimeävät metakognitiivisen laiskuuden (Fan ym. 2024 mukaan), jossa kätevyys saa oppijat luopumaan itsesäätelyprosesseista, joita heidän pitäisi kehittää.

Niiden erottaminen omalla kurssillasi vaatii vertailua, ei lukua. Etsi työtä, joka on parempi kuin opiskelijan aiempi työ ja huonompi kuin hänen selityksensä siitä: vahva tehtäväsarja, jota seuraa heikko tentti, hiottu raportti, josta opiskelija ei osaa keskustella, oikea vastaus, jota ei pysty toistamaan samankaltaisessa tehtävässä. Mikään yksittäinen kuvio ei todista mitään. Kaksi tai kolme yhdessä oikeuttaa suunnitelman muuttamisen.

Suurin osa siitä, mitä tässä voi mitata, on itseraportointia. Gerlich (2025) kyseli 666 brittiläiseltä osallistujalta ja teki 50 haastattelua ja havaitsi, että tekoälyn käyttö korreloi negatiivisesti kriittisen ajattelun kanssa (r = -0,68) ja että siirtokuormitus välitti yhteyttä osittain (kokonaisvaikutus b = -0,42; epäsuora b = -0,25). Gao, Sun ja Khan (2026) käyttivät kolmen aallon aikaviivästettyä kyselyaineistoa 623 kiinalaiselta opiskelijalta sekä kasvattajien haastatteluja ja havaitsivat, että tehokas tekoälyn käyttö nostaa kestävää oppimistulosta ja liiallista nojautumista samaan aikaan. Molemmat asetelmat ovat korrelatiivisia, ja molemmat sanovat sen itse.

Käyttäytymiseen perustuvat mittarit ovat ohuempia. PAUSE (Alam, 2026) on vain selaimessa toimiva itsetarkistus, josta ei ole reliaabelius- eikä validiteettinäyttöä, ja sen tekijät varoittavat väittämien validiteetista. Väittämät kirjaavat, milloin ja kuinka usein tekoäly tulee työnkulkuun, eivät sitä, pysyikö opiskelijan oma päättely mukana, joten opiskelija, joka tukee itseään tarkoituksella tekoälyllä varhain, saa rehellisesti siirtokuormittajan pistemäärän. PAUSE viittaa myös Padmakumarin ym. (2026) Offloading Score -mittariin, joka arvioi käyttäytymislokeista sen osuuden työstä, joka on siirretty (n = 40 kehittäjää). Se, mitä haluat tietää, on se, mihin opiskelija pystyy ilman apua.

Aseta opiskelijan yritys työkalun eteen

Selkein testattu järjestys on ”ajattele ensin, ChatGPT myöhemmin”. Wong ja Qiu (2026) jakoivat N = 196 opiskelijaa työskentelemään itsenäisesti, käyttämään ChatGPT:tä vapaasti tai työskentelemään säännellyssä tilanteessa: tuota omat ideasi, työstä niitä ChatGPT:n kanssa parantaaksesi ja arvioidaksesi niitä ja hio ja palauta sitten yksi ratkaisu itsenäisesti. Vapaan käytön ryhmä tuotti enemmän luovaa työtä avustetussa tehtävässä ja palasi pelkän ihmisen tasolle myöhemmässä, vaikeammassa tehtävässä, joka tehtiin ilman ChatGPT:tä. Säännelty ryhmä ei saanut välitöntä etua ja päihitti molemmat muut ryhmät itsenäisessä luovuudessa jälkeenpäin.

Kehotetieto selittää eron. Säännellyssä ryhmässä 88,6 % kehotteista oli yhteistoiminnallisia, ja se oli ainoa kehotetyyppi, joka korreloi merkitsevästi myöhemmän itsenäisen omaperäisyyden kanssa. Vapaan käytön ryhmässä 70,9 % kehotteista oli ei-yhteistoiminnallisia ja 59,6 % pyysi ChatGPT:tä suoraan tuottamaan ideoita. Sama työkalu, kahdella eri tavalla pyydettynä, tuotti kaksi erilaista oppijaa.

Tehtäväpaperillasi tästä tulee järjestyskehotus: ideat, hypoteesit tai karkea luonnos ensin, sitten työkalu. Yksi lause sivun alussa riittää, kunhan seuraava vaihe kerää sen, mitä opiskelija kirjoitti.

Kaksi luokkahuoneen yksityiskohtaa ratkaisee, pitääkö järjestys. Ensimmäinen on aika. Jos itsenäinen vaihe tapahtuu luokan ulkopuolella, osa opiskelijoista avaa työkalun ensin ja kirjoittaa ideat ylös vasta jälkeenpäin. Toinen on kerääminen. Jos siitä vaiheesta ei palauteta mitään, järjestys on olemassa vain paperilla. Puoli sivua muistiinpanoja, kerättynä tunnin lopussa, riittää tekemään järjestyksestä todellisen.

Säädä työkalu vihjailemaan vastaamisen sijaan

Brcic ja Frljic (2026) esittävät terävimmän version sijoittelun argumentista. Vartioimaton tekoälyapu jätti lukiolaiset noin 17 % heikommiksi ilman apua tehdyssä kokeessa kuin vertaiset, joilla ei ollut työkalua lainkaan. Sama malli uudelleenrakennettuna pidättämään vastaukset poisti haitan, ja hyvin suunniteltu ohjaaja suunnilleen kaksinkertaisti oppimisen. Heidän diagnostinen kysymyksensä toimii millä tahansa kurssilla: jos tekoälyn päästäminen mukaan tekee tehtävästä vaivattoman, työkalu on väärässä paikassa.

Zohar, Bloom ja Inzlicht (2026) antavat argumentille muodon. He väittävät, että ponnistelun ja merkityksen suhde on käänteinen U, joten tavoitteena on liukuva asteikko: poista ylivoimaiset esteet ja säilytä ne ponnistelut, jotka tuottavat ymmärrystä ja omistajuutta, apu lisänä. Heidän argumenttinsa on käsitteellinen kommentti ilman uutta aineistoa, ja käänteisen U:n suhde lepää yhden empiirisen kiinnekohdan varassa kvantifioimatta sitä, joten kukaan ei pysty sanomaan, missä optimi on tietylle oppijalle.

Käytännössä se tarkoittaa vartioitua tekoälyä tehtävän keskivaiheessa, jossa vihjeet, malliesimerkit ja harjoitustehtävät tekevät työn, ja suojattua tarkistusta lopussa. Se muuttaa myös tekoälyn käytön säännön taitokohtaiseksi sijoittelusäännöksi, jota on helpompi kirjoittaa ja puolustaa kuin kieltojen luetteloa.

Vihje on kysymys opiskelijan seuraavasta askeleesta, malliesimerkki samankaltaisesta tehtävästä tai viittaus asiaankuuluvaan kohtaan. Vastaus on valmis lause, jonka opiskelija voi liittää sellaisenaan. Useimmat yleiskäyttöiset chatbotit tuottavat oletuksena jälkimmäistä, sujuvana tekstinä, joka näyttää avulta, ja siksi asetukset merkitsevät enemmän kuin opiskelijan aikomukset.

Vaadi tarkistus ja tee siitä näkyvä

Tarkistaminen on halvin vipu, jolla on todellista kausaalista tukea. Biswas (2026) havaitsi, että tarkistamisen tekeminen näkyväksi käynnisti vastakaskadin lähes täydelliseen tarkistamiseen: liiallinen nojautuminen putosi 0,00:aan ja katumus 0,07:ään. Tarkistamisen kitkan vähentäminen oli saman mallin heikoin vipu, koska este on sosiaalinen eikä mekaaninen. Linkki kirjastoon ei saa opiskelijaa tarkistamaan väitettä.

Viberg ja kollegat (2026) havaitsivat, että opiskelijat, jotka jo tekevät tämän hyvin, tarkistavat tuotoksen kurssimateriaaleja, vertaisia tai opettajia vasten, kun tarkkuus on epävarma. Se on käyttäytymistä, jota voit vaatia. Laita tehtävään yksi rivi: mitä tarkistit ja mitä vasten. Lue se osana arvosanaa, ja normista tulee koko luokalle näkyvä eikä vain tunnolliselle vähemmistölle.

Rivi antaa sinulle myös jotain, johon palata. Kun opiskelija kirjoittaa tarkistaneensa väitteen kurssitekstistä, voit kysyä miltä sivulta. Kun hän kirjoittaa vertailleensa vertaiseen, voit kysyä mitä vertainen sanoi. Se maksaa yhden lauseen. Jatkokysymys on se, joka saa opiskelijat kohtelemaan sitä työnä.

Tarkistaminen tarvitsee myös laajuuden. Sen tarkistaminen, että väite vastaa kurssitekstiä, on eri teko kuin lauseen uudelleenlukeminen kieliopin vuoksi, ja ensimmäinen on se, missä malli epäonnistuu useammin. Sano, kumpaa rivillä pyydetään, tai saat oikolukua.

Näytä yksi varma epäonnistuminen

Aseta tehtävä, jonka vastauksessa malli on varmasti väärässä, ja anna luokan tarkistaa se vastaus kurssitekstiä vasten. Se toimii, koska virhe saapuu samalla äänellä kuin oikeat vastaukset. Lisää näyttö jälkeenpäin: vartioimaton apuri jätti opiskelijat noin 17 % heikommiksi ilman apua tehdyssä kokeessa, ja GPT-4:n saaneet opiskelijat ratkaisivat työkalun kanssa enemmän tehtäviä ja suoriutuivat heikommin kuin kontrolliryhmä, kun työkalu poistettiin (PAUSE raportoi Bastani ym., 2025). Sama lähde lisää, että Liu ym. (2026) havaitsivat avun vähentävän sinnikkyyttä satunnaistetuissa kontrolloiduissa kokeissa (N = 1 222).

Valitse epäonnistuminen, joka on maltillinen ja tarkistettavissa, kuten lähdeviite, jota ei ole olemassa, väärä päivämäärä tai laskelma, joka ei täsmää. Pyydä sitten luokkaa kirjoittamaan korjaus ja se tarkistus, jolla he löysivät sen. Kirjoitettu korjaus on tuotos, ja se kertoo sinulle, osaavatko he tehdä tarkistuksen ilman, että seisot heidän vieressään.

Pidä arvosteltava hetki ilman työkalua

Avustettu tuotos on huono mittari osaamiselle, joten ainakin yhden arvosteltavan hetken on tapahduttava ilman työkalua. Wongin ja Qiun (2026) myöhempi avustamaton tehtävä on se mittaus. Heidän pelkän ihmisen ryhmänsä myös heikkeni vaikeammassa jatkotehtävässä, mikä sulkee pois korjauksen yksinkertaisen version: työkalun poistaminen ilman oppijan tukemista ei ole interventio.

Vuorottelevilla tiloilla on tukea. PAUSE raportoi Kosmyna ym. (2025) neljännen istunnon tuloksen, jossa pelkällä aivoillaan työskennelleet osallistujat, jotka myöhemmin käyttivät ChatGPT:tä, päihittivät jatkuvat LLM:n käyttäjät. Vastuullisuus toimii myös selittämisen kautta: Makransky ym. (2025) havaitsivat, että ohjauschatbot, joka kehotti opiskelijoita yhdistämään ideoita ja selittämään päättelynsä, tuotti parempaa arviointisuoriutumista kuin perinteinen opetus.

Kurssilla vuorottele: avustettua työtä harjoittelussa, avustamatonta siellä, missä sillä on merkitystä. Lue avustettu osuus tallenteena suoriutumisesta hyvissä olosuhteissa ja avustamaton osuus näyttönä oppimisesta. Niiden vertaaminen on myös hyödyllisin keskustelu, jonka voit käydä opiskelijan kanssa, joka ei ymmärrä arvosanaansa.

Aikataulu on rajoite. Työkaluton hetki tarvitsee tilan, ajan ja tehtävän, joka mahtuu siihen, joten halvin versio on lyhyt tunnilla tehty osuus, joka liitetään tehtävään, jonka olet jo antanut. Erillinen tentti on suurempi sitoumus eikä yleensä tarpeen ensimmäisellä yrityksellä.

Avustamaton osuus saa myös toisen käytön: anna se takaisin seuraavan jakson alussa, niin molemmat näette, mikä säilyi tauon yli.

Erottele instrumentaalinen apu eksekutiivisesta avusta

Viberg, Feldman-Maggor ja Wong (2026) haastattelivat 20 STEM-alan yliopisto-opiskelijaa ja löysivät nelivaiheisen prosessin: päätös siitä, tarvitaanko apua, lähteen valinta, avun tyypin valinta ja saadun avun arviointi. Vahvemmat opiskelijat suosivat instrumentaalista apua eli vihjeitä ja selityksiä eksekutiivisen avun eli suorien ratkaisujen sijaan. Sama tutkimus varoittaa, että LLM:ien käyttö virheenkorjaukseen tai kieltenväliseen ohjelmointiin voi ohittaa itsenäisen ongelmanratkaisun, vaikka opiskelijat eivät koskaan pyytäisi vastausta.

Se vastaa siististi kognitiivista siirtokuormitusta. Instrumentaalinen käyttö on toistavaa siirtokuormitusta, joka pitää, kun työkalu viedään pois, koska opiskelija silti koodaa päättelyn itselleen. Eksekutiivinen käyttö on korvaavaa siirtokuormitusta, joka romahtaa, kun ulkoinen varasto poistetaan. Guo ja Ye (2026) vetävät rajan täsmälleen näillä sanoilla: poista varasto, niin korvaavat siirtokuormittajat heikkenevät voimakkaasti, kun taas toistavat siirtokuormittajat säilyttävät tarkkuutensa sisäisen koodauksen kautta.

Kirjoita ero tehtävään. Pyydä opiskelijoita merkitsemään jokainen tekoälyn käyttö joko instrumentaaliseksi tai eksekutiiviseksi, vaadi ainakin yksi yhteistoiminnallinen kehote ja arvostele se päättely, jonka he lisäsivät vastauksen jälkeen. Wongin ja Qiun vapaan käytön tilanteessa oletusarvo ajautui eksekutiiviseen käyttöön ilman, että kukaan päätti ajautua.

Kaikki siirtokuormitus ei ole epäilyttävää. PAUSE viittaa Hong ym. (2025), jossa alempien kirjoittamisen taitojen tarkoituksellinen siirtäminen vapautti huomiota analyysiin ja muokkaamiseen ja tuotti suuremmat kriittisen ajattelun voitot. Testi on se, onko siirrettävä osuus juuri se taito, jota arvostelet.

Merkinnät diagnosoivat myös tehtäväsi. Jos suurin osa luokasta raportoi eksekutiivista käyttöä, tehtävä kutsuu siihen riippumatta siitä, mitä säännössä sanotaan, ja seuraava muutos kuuluu tehtävään eikä säännön sanamuotoon.

Ajoita kehotus vaiheeseen

Palaute, joka kohdistuu vakaaseen uskomukseen, toimii ennen tehtävän alkua. Palaute välittömästä oikeellisuudesta ja vaikeudesta toimii sen aikana. Guo ja Ye (2026) kutsuvat tätä ajoituksen ja komponentin yhteensovittamiseksi, ja se selittää, miksi projektin lopussa palautettava pohdinta muuttaa niin vähän: siinä vaiheessa valinnat on jo tehty.

Lodge ja Loble (2026) suosittelevat integroituja metakognitiivisia kehotuksia, jotka saavat oppijat pysähtymään, pohtimaan ja arvioimaan ymmärrystään työskentelyn aikana, sekä Load Reduction Instruction -menetelmää, joka hallitsee kognitiivista kuormaa samalla kun mahdollistaa asteittaisen itsenäistymisen. Minuutin mittainen ennuste ennen vaikeaa jaksoa, kirjoitettuna ylös ja vertailtuna jälkeenpäin, sopii siihen ikkunaan eikä maksa mitään arvostella.

Kehotuksen sanamuoto merkitsee vähemmän kuin sen sijainti. Ennen jaksoa kysy, mitä opiskelija odottaa olevan vaikeaa ja miksi. Sen aikana kysy, mihin askeleeseen hän on juuttunut ja mitä hän on yrittänyt. Projektin lopun pohdinta lähinnä kirjaa, mitä tapahtui, ja siksi se muuttaa niin vähän. Pidä ennuste samalla sivulla kuin työ, niin lopun vertailu ei vaadi arkistointia.

Odota riskin kasautuvan

Lodge ja Loble (2026) sijoittavat riskin aiempaan tietoon ja itsesäätelyyn ja nimeävät metakognitiivisen tasa-arvokuilun: tekoälyn hyvä käyttö vaatii resursseja, joita aloittelijoilta puuttuu, joten opiskelijat, jotka tarvitsisivat harjoitusta eniten, todennäköisimmin delegoivat itse oppimisen. He raportoivat, että 80 % australialaisista opiskelijoista käyttää jo tekoälyä ja että kaksi kolmasosaa yläkoulun alkuvaiheen opettajista tekee samoin (OECD 2025).

Ikä ja tottumus korreloivat saman kuvion kanssa. Gerlich (2025) havaitsi, että 17-25-vuotiaat vastaajat osoittivat suurempaa tekoälyriippuvuutta ja siirtokuormitusta ja heikompaa kriittistä ajattelua kuin 46-vuotiaat ja sitä vanhemmat, ja että koulutustaso ennusti parempaa kriittistä ajattelua tekoälyn käytöstä riippumatta (r = +0,34), ja merkitsevä interaktio osoitti, että koulutustaso lieventää kielteistä vaikutusta. Gao, Sun ja Khan (2026) havaitsivat, että moniaikaisuus eli taipumus tehdä useita asioita yhtä aikaa muunteli polkua, ja voimakkaasti moniaikaiset opiskelijat olivat suuremmassa riskissä.

Osastolle se puoltaa sitä, että tarkkailet eniten heikoimmin valmistautuneita opiskelijoita, ja sitä, että tarkistat, onko oma tehtäväsi luonut olosuhteet, joissa tarkistaminen lakkaa. Vaativa tehtävä yhdistettynä pätevään malliin on yhdistelmä, jonka Biswasin malli merkitsee suurimman katumuksen lähteeksi, ja se on helppo luoda vahingossa.

Konteksti merkitsee yhtä paljon kuin henkilö, ja kurssisi hallitsee osaa kontekstista. Biswas (2026) osoittaa, että tehtävän vaikeus ja tekoälyn laatu asettavat perustason: liiallinen nojautuminen nousee noin 0,02:sta 0,38:aan vaikeuden mukana, ja vaikeissa tehtävissä se on 0,38 heikolla tekoälyllä ja 0,16 hyvällä. Suurin katumus syntyy laadukkaasta tekoälystä vaikeissa tehtävissä (0,441), koska agentit nojautuvat liikaa työkaluun ja turvautuvat itseensä harvoin. Sosiaalinen todistus vahvistaa sitä: kun näkyvä käyttö nousee 0:sta 0,6:een, tarkistaminen romahtaa 0,29:stä 0,002:een. Tarkistaminen lakkaa täsmälleen siellä, missä malli on vahvimmillaan ja tehtävä vaikein, mikä on harvoin se, mihin opettaja katsoo ensin.

Päätä, kuinka paljon painoa näytölle annat

Mikään tässä aineistossa ei testaa, pitääkö jokin tietty liiallisen nojautumisen interventio eri ympäristöissä tai lukukausilla. Ajattele ensin -menetelmä lepää yhden kokeen varassa, jossa N = 196. Vastausten pidättämisen tulos tulee Brcicin ja Frljicin (2026) synteesistä eikä omasta kokeesta. Kitka-argumentti on käsitteellinen kommentti ilman uutta aineistoa. Biswas (2026) ilmoittaa mallinsa rajat: eksogeeninen stationaarinen tekoälyn laatu, kiinteä verkosto ja tyylitelty tarkistaminen. Todellisten arvojen arvioiminen vaatisi pitkittäisiä jälkiä tehtäväkohtaisista tarkistusasteista, sosiaalisen todistuksen vahvuudesta ja siitä, miten luottamus päivittyy tarkistetun ja tarkistamattoman käytön jälkeen.

Mittaus on edelleen heikoin lenkki. Kyselyasetelmat hallitsevat, ja sekä Gerlich (2025) että Gao, Sun ja Khan (2026) peräänkuuluttavat pitkittäistä ja kokeellista jatkoa. PAUSE:lta puuttuu psykometria, ja se rakennettiin aikuisille. Sitä, voidaanko tasa-arvokuilu sulkea opetuksella, on teoretisoitu muttei osoitettu.

Jäljelle jää kohtuullinen veto, halvalla tehtynä. Muuta yksi tehtävä, pidä avustamaton mittari ja katso, kapeneeko avustetun ja avustamattoman työn väli. Älä rakenna kurssia uudelleen näiden lukujen varassa.

Mitä opettajat ymmärtävät tässä väärin

Eniten käyttävät opiskelijat ovat ne, joilla on ongelmia. Tiheys on se, minkä kyselyt tavoittavat ja kojelaudat näyttävät, eikä se ole se konstrukti. Opiskelija, joka tarkistaa jokaisen vastauksen ja viittaa materiaaleihisi, voi käyttää tekoälyä päivittäin ja voida hyvin. Opiskelijalla, joka palauttaa ensimmäisen tuotoksen kerran viikossa, on ongelma.

Kielto poistaa riskin. Vahvimmat tulokset tässä tulevat sijoittelusta, ja Wongin ja Qiun kokeessa myös pelkän ihmisen haara heikkeni vaikeammassa jatkotehtävässä. Työkalun poistaminen ilman oppijan tukemista jättää vaikeuden sinne, missä se oli.

Halvempi tarkistaminen korjaa tarkistamisen. Tarkistamisen helpottaminen oli heikoin vipu Biswasin mallissa, koska este on sosiaalinen. Parempi plagiointitarkistin ei saa opiskelijaa lukemaan lähdettä.

Käyttökojelaudasta näen, kuka siirtokuormittaa. PAUSEn väittämät kirjaavat, milloin ja kuinka usein tekoäly tulee työnkulkuun, ja tekijät nostavat itse esiin validiteettiongelman. Huolellinen tukija saa siirtokuormittajan pistemäärän, joten niiden lukujen perusteella toimiminen rankaisee juuri niitä opiskelijoita, jotka haluat pitää.

Sujuvuus ja tyytyväisyys osoittavat, että suunnitelma toimii. Se on se illuusio, jonka Lodge ja Loble (2026) kuvaavat suoritusparadoksissaan: työ tuntuu sujuvalta ja opiskelijat suoriutuvat hetkessä hyvin mutta muistavat vähemmän. Avustamaton suoriutuminen ja viivästynyt siirto ovat mittarit, jotka vastaavat kysymykseen.

Opetetaan opiskelijoille tekoälylukutaitoa, niin ongelma katoaa. Lodge ja Loble (2026) varoittavat, että liiallinen panostus opiskelijoille suunnattuun tekoälylukutaitoon voi olla väärä kohdistus, kun otetaan huomioon se, mitä aloittelijoilta puuttuu.

Mitä sinulle tullaan sanomaan

”Tämä on vain hyvää pedagogiikkaa uudella nimellä.” Osittain. Tukeminen, formatiivinen palaute ja tuottava ponnistelu ovat vanhoja ideoita. Uudempaa on järjestys: näkyvä tarkistaminen voitti halvemman tarkistamisen, ja kaksi hetkeä, jotka kannattaa suojata, ovat ensimmäinen vaikea yritys ja lopullinen avustamaton tarkistus. Tee tutut asiat uudessa järjestyksessä.

”En voi valvoa sitä.” Et voi, eikä näyttö kehota yrittämään. Sijoittelu tuotti vahvimman tuloksen. Suunnittele tehtävä niin, että työkalun käyttö väärällä hetkellä näkyy itse työstä: vastauksena, jota opiskelija ei osaa selittää, tai puuttuvana tarkistusvaiheena.

”Kurssini on liian suuri jaksotettuun kokonaisuuteen.” Halvat vivut skaalautuvat: tarkistusrivi, minuutin ennuste ja arvostellun tarkistuksen siirtäminen tekoälyttömään tilaan. Kallis osa, täysin jaksotettu ajattele ensin -kokonaisuus, voi alkaa yhdestä tehtävästä. Jaa yksi tehtäväsarja avustettuun ja avustamattomaan puoliskoon ja katso, mitä väli kertoo.

”Opiskelijani ovat aloittelijoita. He tarvitsevat apua.” He tarvitsevat enemmän vihjeitä kuin vastauksia, ja tasa-arvohavainto on syy siihen. Opiskelijat, joilla on vähiten aiempaa tietoa, todennäköisimmin delegoivat päättelyn, ja työkalu, joka pidättää vastaukset, pitää harjoituksen siellä, mihin se kuuluu.

”Eivätkö heikommat opiskelijat vain reputa avustamattomassa tarkistuksessa?” Joskus reputtavat, ja se tulos on tietoa eikä tuomio. Työkaluton tarkistus, jonka suuri osa luokasta reputtaa, kertoo, että harjoitus kantoi suoriutumista, ja se oli se, mitä sinun piti tietää. Punnitse sitä näyttönä, opeta uudelleen se, minkä se paljastaa, ja tarjoa toinen yritys rinnakkaisella tehtävällä. Mikään tutkimus tässä ei testaa, palautuuko oppiminen, kun reputetun avustamattoman tarkistuksen jälkeen opetetaan uudelleen, joten se osa on ammatillista harkintaasi.

”Osa opiskelijoistani käyttää tekoälyä rehellisenä tukena. Pitääkö minun estää se?” Ei. Opiskelija, joka lukee vihjeen, yrittää askeleen ja tarkistaa tuloksen, tekee sitä toistavaa siirtokuormitusta, joka kestää työkalun poistamisen. Haluat tehtävän, joka pitää sen käytön mahdollisena ja tekee eksekutiivisesta versiosta vähemmän palkitsevaa, ja se on kysymys siitä, mitä tehtävä kerää ja mistä arvosteluperuste maksaa.

”Näyttö on ohutta, joten miksi muuttaa mitään?” Se on ohutta tietyissä kohdissa, jotka rajat yllä nimeävät. Johdonmukaista tutkimusten välillä on suunta: sijoittelu, näkyvä tarkistaminen ja avustamaton mittari. Yksi muutettu tehtävä, avustamaton tulos tallessa, on tarpeeksi pieni kokeilu tehtäväksi sillä perusteella.

Mitä tehdä tällä viikolla

1. Lisää seuraavaan tehtävään tarkistusrivi: yksi lause, joka nimeää, mitä opiskelija tarkisti ja mitä vasten.

2. Siirrä arvosteltu tarkistus hetkeen ilman työkalua ja arvostele se.

3. Laita ensimmäinen vaikea yritys ennen työkalua ja kerää ideat, hypoteesi tai luonnos, joka siitä syntyy.

4. Muuta suosittelemasi työkalun asetus vihjailevaksi vastaamisen sijaan ja kerro opiskelijoille, että teit niin.

5. Aja yksi varma tekoälyn epäonnistuminen livenä, anna opiskelijoiden napata se kurssitekstiä vasten ja pidä korjaus, jonka he kirjoittivat.

Mihin seuraavaksi

Naapurikysymystä, tuottaako tekoäly ylipäätään oppimista, käsitellään sivulla Auttaako tekoälyn käyttö todella opiskelijoitani oppimaan?. Miten voin vähentää tekoälyhuijaamista kurssillani? käsittelee rehellisyyttä ja havaitsemisen rajoja, ja Miten suunnittelen arvioinnin uudelleen niin, että arvosana kertoo yhä jotain puolustettavaa siitä, mitä opiskelija tietää tai osaa? käsittelee sitä arviointiarkkitehtuuria, jonka tämä sivu olettaa. Taustalla olevista ideoista katso Kognitiivinen siirtokuormitus, Metacognition ja Desirable Difficulties.