Tehtäviä, joissa tekoäly ei loista

Tekoäly on haastanut perinteiset oppimistehtävät ja aiheuttaa päänvaivaa arvioinnin suunnittelussa ja toteutuksessa. Essee syntyy suomeksikin automaattisesti merkki kerrallaan silmiemme edessä. Hallusinoidut lähteet olivat aluksi ongelmallisia, mutta opettajat oppivat havaitsemaan niitä lähdeluetteloista muun tarkastelun yhteydessä. Uutena ongelmana ovat teknisesti oikeat viittaukset aitoihin lähteisiin, joissa sisällöt tulevat joko tekoälyltä itseltään tai muista lähteistä liittymättä viittaamisen kohteeseen. Esseen käyttö on joka tapauksessa hankaloitunut arvioinnin kannalta ja tekoälypohdinnat aiheuttavat lisätyötä. Vastaavalla tavalla tekoäly taipuu esitysten käsikirjoittamiseen, jolloin olemme samojen haasteiden edessä. Edelleen videotuotannoissa voidaan hyödyntää robottiääntä tekoälypohjaisen tekstin pohjalta, jolloin opiskelijan oppimisen arviointi harjoitustyön perusteella on vaikeaa.

Moodlen monivalintatenteissä tekoäly löytää monissa tehtävätyypeissä oikeat vastaukset, mikä nakertaa etätenttien käyttökelpoisuutta. Vastaavasti tekoäly on loistava apu esimerkiksi erilaisissa ohjelmointi- ja tietokantatehtävissä, jolloin on vaikea arvioida, millä tasolla tekijän oma osaaminen on harjoitustyön perusteella. Olemme uuden edessä ja voimme joko kehittää tehtäviä, joiden suorittamisessa tekoälyn rooli on pienempi tai antautua kielimallien vietäväksi sisällyttäen ne niin tekemiseen kuin arviointiinkin. Tarkastellaan tässä kohtaa muutamia Digitaalisen markkinoinnin mittaamisen kurssin tehtäviä, joissa tekoäly ei vielä tai ainakaan aivan suoraan loista.

Teorian tulkinta kuvasta ja soveltaminen

Valitsin kurssin ensimmäiseksi arviotavaksi tehtäväksi digitaalisen markkinoinnin mittariston rakentamisen vastaamaan yrityksen strategisia tavoitteita. Jos tehtävänannon syöttää sellaisenaan tekoälylle, se varmasti pystyisi luomaan kuvitteellisen yrityksen, strategian ja valitsemaan myös suunnilleen sopivat mittarit näiden tavoitteiden täyttämiseen. Tehtävänannon kikka piilee kuvalähteessä, jossa markkinoinnin mittarit on upotettu myyntisuppilon eri vaiheisiin. Perus-ChatGPT tai Copilot ei vielä pysty tulkitsemaan tällaista kuvaa oikein. Opiskelijoiden tehtäväksi jää sovittaa yhteen yrityksen strategia ja sopivat mittarit, mikä on myös oleellista osaamista yritysten käytännön ohjauksessa. Samalla arvioinnin kannalta voidaan selkeästi todeta, onko mittarit valittu lähteeseen perustuen oikeasta kuvasta ja oikeasta vaiheesta. Niin opiskelija kuin tekoälykin voi tehdä virheen valitsemalla mittareita, jotka eivät huomioi taustalla piileviä strategisia tavoitteita, käyttökontekstia tai soveltuvuutta myyntisuppilon vaiheeseen. Joka tapauksessa mahdollisuudet parempaan arvosanaan ovat suuremmat analysoimalla itse kuva-aineisto.

Toki kuvaa voidaan kuvailla tekoälylle, jolloin lopputuloksena saattaa syntyä hyvinkin samanlainen mittaristokokonaisuus kuin ihmisen toimesta. Taitava promptaus säilyttää punaisen langan tavoitteista strategiaan ja digimarkkinoinnin mittareihin paremmin kuin huonosti aseteltu tehtävänkuvaus. Tämä kuuluu kuitenkin samaan keskusteluun teko- ja tukiälyn rajoista, jota joudutaan käymään joka tapauksessa tarkasteltaessa arviointia. Onko arvo ja osaaminen lopputuloksessa vai tuotantoprosessissa? Onko kuvan katsominen ja ajattelu arvokkaampaa kuin oikean promptin tekeminen tai oikein kysyminen?

Prosessimallinnus

Toisena kurssitehtävänä oli asiakaspolkujen mallinnus yhdistettynä datankeruun ja KPI-mittareiden tarkasteluun. Kuvatuotanto ei ole vielä tasolla, joka pystyisi tuottamaan uskottavia prosessikuvauksia, joten ihmisen kyky havainnoida ja mallintaa prosesseja on vielä melko helposti eriteltävä kokonaisuus arviointiin. Mallinnus mittaa myös kykyä hahmottaa toimintojen suhdetta mittaamiseen ja esimerkiksi asiakkaan kokemiin tunteisiin polun aikana samalla kun esimerkiksi ostotapahtumaa edeltävät ja sen jälkeen tapahtuvat asiat nousevat tarkasteluun. Kyseessä on monipuolinen kokonaisuus, jonka tarkastelussa omasta ajattelusta ja hiirenliikuttelutaidosta on hyötyä.

Toki tässäkin tehtävässä ajatustyön ja käsikirjoittamisen voi ulkoistaa tekoälylle hoitaen itse vain mallintamisen. Samoin tekoäly auttaa esimerkiksi asiakasroolin, toimenpiteiden tai tuntemusten keksimisessä. Toisaalta käsikirjoituksen siirtäminen mallinnukseksi on oppimiskokemus ja sen aikana mahdollisesti osoitettu kriittisyys on arvioinnin kannalta positiivinen näkökulma. Pyrkimys välttää tekoälyn käyttöä tuntuukin tyssäävän aina uusiin mahdollisuuksiin sen hyödyntämisessä. Kun tehtävää pilkkoo pienempiin osiin, niin löytyy uusi merkittävän työmäärän aiheuttava osio, jonka pystyy jollakin tavalla automatisoimaan.

Video- ja audiomateriaalin vertaaminen kurssin aiheisiin

Kolmantena tehtävänä käytettiin hyvin erilaisen luentotallenteen sovittamista kurssin aiheisiin. Pyysin poimimaan Esa Saarisen Filosofia- ja systeemiajattelu -luennosta teemoja ja pohtimaan niiden suhdetta kurssilla käsiteltyihin digitaalisen markkinoinnin mittaamisen käsitteisiin ja teemoihin. Varmistin etukäteen, että luennosta löytyy sopivia teemoja, vaikkakin niiden havaitseminen koettiin joltakin osin hankalaksi. Ajattelin, että video- ja audiomuoto suojaa jonkin verran tekoälyltä samalla kun ajattelun ajattelu saa pohtimaan kurssin sisältöjä uudesta näkökulmasta, kriittisesti ja eettisten näkökulmien kannalta. Samalla ajatuksellinen etäisyys lähdeaineistojen välillä kasvaa ja tekoälyn käyttö saattaisi synnyttää erikoisia tulkintoja.

Mennäänkö tältä osin jo liiaksi kikkailun puolelle? Onko tekoälyn välttämiseksi päädytty liian kauas kurssin sisällöistä? Varsinkin, kun videolla on tekstitys ja muutenkin äänen pystyy automaattisesti litteroimaan riittävällä tarkkuudella tekoälylle helpommin pureksittavaan muotoon. Näkisin, että tehtävä onnistui tavoitteessaan tuoda pohdintaan uusia näkökulmia eikä lopulta ajauduttu liian kauas kurssilta.

Entä sitten?

Jokainen tekoälyn välttämisyritys johtaa uusiin tapoihin hyödyntää sitä joko kokonaan tai osittain. Onko lopulta vain luotettava siihen, että tekoälyn käyttö raportoidaan avoimesti ja siirrytään uudenlaiseen tehtävien ja arvioinnin maailmaan? Onko kyse uudenlaisesta oppimisesta ja oppimatta jättämisestä, jolloin arvioinnin tulee vain elää muutoksen mukana? Paluu konseptipapereihin, ulkoa opetteluun ja lyijykyniin ei monessakaan tapauksessa ole ratkaisu.

Jos tässä kirjoituksessa tarkasteltiinkin keinoja tekoälyn käytön välttämiseksi tai ainakin inhimillisen kontribuution korostamiseksi, niin seuraavassa kirjoituksessani tarkastelen tilannetta kapitulaation näkökulmasta. Tietokantojen perusteissa kyky tuottaa lähes täydellisiä esimerkkejä omaa oppimista ja myös käytännön tekemistä varten muuttaa niin oppimisen kuin tekemisenkin luonnetta ratkaisevalla tavalla. Perinteinen tapa lähestyä tietokantaopetusta ER-kaavojen ja logiikkasääntöjen joutuu pakostakin antamaan tilaa promptaamiselle selkokielisenä tekstinä niin kantojen kuin kyselyjenkin luonnissa. Perus- ja syväosaaminen eriytyvät.

Mikko Kulmala
FM, KTM
Lehtori
SeAMK