Tekoälyä ja tarralappuja – kuvaus opetuksellisesta lähestymistavasta teknologiaan

Antti Ollikainen
Senior Lecturer at Omnia, Espoon seudun koulutuskuntayhtymä

“Tämä kurssi pitäisi ehdottomasti olla yksi pakollisista aineista, varsinkin kun tekoäly ei ole pelkästään tulevaisuutta, vaan se on jo tätä päivää.” – Opiskelijapalaute

Kurssin alussa opiskelijat kirjoittavat pienissä ryhmissä tarralapuille ajatuksiaan siitä, millaisissa asioissa heidän mielestään on (vihreä lappu), ehkä on (keltainen) tai ei ole (punainen) tekoälyä, edes vähän. Tehtävä on vaikea, sillä opiskelijoille ei ole kerrottu, miten tekoäly ilmiönä voidaan ymmärtää. Tarkoituksena harjoituksessa on selvittää opiskelijoiden ennakkokäsityksiä aiheesta ja siten mahdollistaa myöhempi oppimisen tarkastelu, ennen kaikkea opiskelijoiden itsensä toimesta. Kun opiskelijoiden ymmärrys tekoälystä ilmiönä kasvaa, lappuja täydennetään ja järjestellään uudelleen vastaamaan parempaa käsitystä aiheesta, ja näin tehdään oppimista näkyväksi. 

Melko pian tarralappusirkuksen jälkeen opiskelijat tutustuvat Googlen Quick, Draw! -sovellukseen. Sovelluksessa “pelaajan” tehtävänä on piirtää kuva sovelluksen määrittämästä asiasta tai esineestä 20 sekunnissa. Saman aikarajan puitteissa tekoälyalgoritmi pyrkii päättelemään, mitä pelaajan piirtämä kuva esittää, perustuen noin 50 miljoonaan luokitellun piirroksen muodostamaan opetusdataan. Sovelluksen ideassa on paljon samaa kuin Pictionary-sananarvauspelissä. (Suosittelen kokeilemaan, sovellus on sangen koukuttava.)

Quick, Drawn!:n avulla voidaan oppia sellaisia tekoälyn kannalta keskeisiä käsitteitä kuin koneoppiminen, ohjattu oppiminen, luokittelu, opetusdata ja hahmontunnistus. Näillä ei kuitenkaan kokeilemista sotketa, vaan teoriaan palataan myöhemmin. Pedagogisena tavoitteena on, että vapaa kokeileminen sovelluksella tukee sellaisen kokemuspohjan syntymistä, jonka varaan keskeisten käsitteiden oppimista voidaan myöhemmin rakentaa. 

Pikakelaus näistä kurssin ensimmäisen päivän harjoituksista kurssin viidenteen ja viimeiseen päivään: Vuorossa on kurssin loppuhuipennus, työpaja autonomisista droneista ja niiden taustalla olevista tekoälyteknologioista. Työpajan pitää Gokul Krishna Srinivasan, joka päivätyönään on autonomisten dronejen ja tekoälyn kovan luokan asiantuntija sekä teknologiajohtaja yrityksessä nimeltä ThirdSpaceAuto, mutta josta työpajassa varsin pian paljastuu, että kyseessä on myös huippuluokan pedagogi. Työpaja on loistava, myös opiskelijapalautteen perusteella. Opiskelijat osallistuvat työpajaan aktiivisesti sekä esittävät kysymyksiä ja kommentteja, jotka selvästi osoittavat, että opiskelijoilla on hyvä perusymmärrys tekoälystä ilmiönä. 

Miten tähän on päästy? Tässä kirjoituksessa pyrin kuvaamaan, miten tekoälyä aiheena opetuksellisesti lähestyttiin. Pyrin myös hahmottelemaan, miten tekoälykurssimme sijoittuu suhteessa sellaisiin keskeisiin ajankohtaisiin pedagogisiin käsitteisiin kuin monialainen oppimiskokonaisuus ja laaja-alainen osaaminen.

Puhun siis koulua, mutta toivon kovasti, että tekoälystä kiinnostuneet ihmiset myös koulumaailman ulkopuolelta lukevat artikkelin ja innostuvat sitä kommentoimaan. Pidän välttämättömänä, että tällaista vuoropuhelua käydään, jos (ja kun) opetuksen halutaan myös tulevaisuudessa antavan oppilaille ja opiskelijoille valmiuksia ymmärtää ympäröivää maailmaa ja omaksua siinä aktiivisen toimijan rooli.

Mistä kurssissa oli kyse?

Opiskelijat olivat Omnian toisen asteen ammatillisia opiskelijoita eri ammattialoilta. He kokoontuivat kanssamme Espoon Otaniemeen opiskelemaan viiden päivän ajaksi tekoälyä, joka oli tämän intensiivikurssin teemana. Toimin kurssin opettajana yhdessä kollegani Jenni Huopaisen kanssa. 

Kurssimme päätöspäivään osallistui myös parikymmentä kiinalaista ammatillista toisen asteen opiskelijaa opettajineen. Heidän läsnäolonsa selvästi nosti kurssin päätöspäivän profiilia ja sai aikaan muun muassa hyviä kysymyksiä siitä, miten kasvontunnistukseen perustuva maksaminen käytännössä Kiinassa toimii.

Kurssin aikana pyrimme antamaan opiskelijoille kansalaistaitojen kannalta riittävän perusymmärryksen tekoälystä ilmiönä ja valmiuksia soveltaa oppimaansa omalla alallaan. Kurssilla ei tietenkään pyritty kouluttamaan esimerkiksi koneoppimisen tai data-analytiikan osaajia. Siihen eivät olisi riittäneet kurssille varatut viisi opetuspäivää eikä myöskään opettajien osaaminen. Kurssilla ei koodattu, vaan paneuduttiin tekoälyn yleisiin toimintaperiaatteisiin, yhteiskunnallisiin vaikutuksiin ja eettisiin näkökulmiin. 

Jotta kurssin tavoitteisiin päästäisiin, määrittelimme kurssille seuraavat osatavoitteet. (Kurssin aikana viisastuimme myös näiden tavoitteiden suhteen, ja aivan varmasti seuraavalla kerralla tavoitteitakin on määritelty uudelleen.)

Kurssin jälkeen opiskelija:

  • tuntee tekoälyyn liittyviä keskeisiä käsitteitä
  • ymmärtää tekoälyteknologioiden (enimmäkseen koneoppimisen) yleisiä toimintaperiaatteita
  • osaa arvioida erilaisia sovelluksia tekoälyn näkökulmasta (eli tunnistaa ainakin “puhtaan huuhaan”)
  • tuntee tapoja hyödyntää tekoälyteknologioita – ja osaa keksiä (itselleen) uusia tapoja
  • tuntee tekoälyteknologioiden hyödyntämiseen liittyviä mahdollisuuksia ja uhkia
  • osaa arvioida tekoälyteknologioiden hyödyntämismahdollisuuksia omalla alallaan
  • pystyy esittämään tekoälyyn liittyviä perusteltuja näkemyksiä

Kukaan ei pysty esittämään tekoälyyn liittyviä perusteltuja näkemyksiä (viimeinen tavoite), jos ei ymmärrä aiheeseen liittyviä keskeisiä käsitteitä (ensimmäinen tavoite). Tämä on aivan yhtä mahdotonta kuin säästä puhuminen, jos ei tiedä, mitä tarkoittavat esimerkiksi sade, pakkanen, lämpötila, pouta tai sumu. 

Pidimmekin välttämättömänä, että opiskelijat oppivat tuntemaan tekoälyyn liittyviä keskeisiä käsitteitä, kuten koneoppiminen, data, ohjattu oppiminen, ohjaamaton oppiminen, vahvistusoppiminen, neuroverkko, konenäkö ja hahmontunnistus. Jos näitä käsitteitä ei ymmärrä, ei todennäköisesti tiedä, mistä puhuu, kun puhuu tekoälystä. [Eipä silti, en minäkään täysin ymmärrä, mistä tekoälyssä on kyse, mutta sen ymmärrän, että opiskelijoiden kanssa on aiheen pariin sukellettava, oli valmista tai ei.]

Käsitteiden oppiminen ei välttämättä kuulosta kovin mielenkiintoiselta. Käsitteiden oppimisen ei kuitenkaan tarvitse tarkoittaa sitä, että opetellaan ulkoa jokin opettajan antama oikea määritelmä käsitteelle. Itse asiassa on mielestäni kaikki syy uskoa, ettei tämä ole lainkaan oikea lähestymistapa. Seuraavassa pyrin kertomaan, miten käsitteitä opetuksellisesti lähestyttiin.

Miten?

Alkuun on tärkeä todeta, että teknologia ei kurssilla ollut oppimisen väline vaan sen kohde. Kyse ei siis ollut tekoälyavusteisesta oppimisesta, vaan siitä, että otimme tekoälyn ilmiönä tarkastelun alle ja lähestyimme sitä erilaisista näkökulmista.

Kun tekoäly, tai mikä tahansa teknologia tai muu ilmiö, otetaan oppimisen kohteeksi, on hyvä huomata, että opetuksessa voidaan hyödyntää välineinä menestyksellisesti esimerkiksi kynää ja paperia, tarralappuja, keskusteluja ja draamallisia menetelmiä tai vaikka keppejä ja käpyjä, ainakin periaatteessa. Tekoälyn problematisointia ei tee mitenkään paremmaksi se, että opetuksessa käytetään tietotekniikkaa. Sitä vastoin havainnollisuuden kannalta voi olla perusteltua, että pelkästään kynttilänvalossa ei tekoälyä opiskella, kuten emme tehneetkään, vaikkakin ajatus on houkuttava.

Pyrimme kurssilla lähestymään tekoälyyn liittyvien keskeisten käsitteiden oppimista mahdollisimman paljon toiminnallisuuden kautta, vaikka toki oma osansa oli silläkin, että opettaja havainnollisti ja selitti asioita, ja hyvä niin.

Säästääkseni lukijan enemmältä jaarittelulta, listaan alle erilaisia tekoälyteemaan liittyviä harjoituksia, joita kurssia varten oli suunniteltu. Läheskään kaikkia emme ehtineet toteuttamaan, mutta se tuskin on oleellista. En myöskään kertaa jo aiemmin esiteltyjä harjoituksia.

Oppimispäiväkirja. Jokaisen päivän päätteeksi opiskelijat kirjoittivat oppimispäiväkirjaa, määritellen omin sanoin keskeisiä käsitteitä, tehden yhteenvetoa päivän aiheista, pohtien oppimaansa ja antaen palautetta päivän opetuksessa. Tässä opiskelijat hyödyntävät oppilaitoksessamme käytössä olevaa Microsoftin Sway-sovellusta.

Algoritmiharjoitus. Koneoppimista käsittelevän osion aluksi tarkoituksenmukaista on tutustua käsitteisiin algoritmi ja data. Algoritmiharjoituksessa opiskelijoiden tehtävänä on ryhmissä kirjoittaa koneelle yleiset ohjeet, joiden perusteella sen tulisi osata luokitella asialliset sähköpostit ja roskapostit erillisiin luokkiin. Tätä ennen olemme tutustuneet algoritmin käsitteeseen sekä sääntöpohjaisen ja oppivan algoritmin eroihin.

Dataharjoitus. Tähän harjoitukseen inspiraatio on saatu Linda Liukkaalta (linkki Ylen artikkeliin). Opiskelijoiden tehtävänä on koota netistä 50 kuvan “edustava” aineisto, jonka perusteella kone voisi tunnistaa ihmisen. Ideana on, että opetusdataan tulee sisältyä erilaisia esimerkkejä ihmisestä. Niin ikään tulee kerätä kymmenen kuvan testidata, jonka idea on siinä, että testidata sisältää esimerkkejä, joita ei sisälly opetusdataan. Opiskelijoille tehdään toki selväksi, että keräämämme data olisi tosiasiallisesti riittämätöntä tehtävän ratkaisemiseen – kyse on harjoituksesta.

Lähimmän naapurin luokitin -harjoitus, jossa yhdistyvät aiemmin opitut algoritmin ja datan käsitteet. Yksinkertaistaen lähimmän naapurin luokitin toimii esimerkiksi siinä, että vaikkapa Netflix tarjoaa minulle katsottavaksi sellaisia ohjelmia, joista minua mahdollisimman paljon muistuttavat käyttäjät ovat pitäneet. Yksinkertaisen harjoituksen tästä yleisestä sosiaalisen suodattamisen algoritmista voi rakentaa niin, että antaa opiskelijoiden valittavaksi vaikka 15 eri elokuvaa, joista jokaisen pitää valita viisi sellaista, joista pitää. Tämän jälkeen voidaan varsin nopeasti kerätyn datan perusteella antaa suosituksia siitä, mitä muita elokuvia 15 vaihtoehdon joukosta kenties kunkin kannattaisi seuraavaksi katsoa, perustuen siihen, millaisista elokuvista muut opiskelijat ovat pitäneet. 

Teachable Machine. Kun olemme perehtyneet koneoppimisen pääluokista ohjattuun oppimiseen, syvennämme oppimaamme Googlen Teachable Machine -sovelluksen avulla. Sovelluksen idea on, että koneelle opetetaan kolme luokkaa esimerkkikuvien avulla, ja tämän jälkeen kone esittää arvion siitä, mihin luokkaan opetusdataan sisältymätön kuva todennäköisimmin kuuluu. Käytämme opetus- ja testidatana kuvia C.G.E. Mannerheimista, Tarja Halosesta ja Paavo Väyrysestä, mutta yhtä hyvin data voisi muodostua vaikka kolmea eri eläintä esittävistä kuvista. Kun malli on opetettu datan avulla, voi jokainen myös kokeilla, ketä edellä mainituista henkilöistä algoritmin mukaan itse eniten muistuttaa.

Move Mirror. Tämä on kolmas hyödyntämämme Google AI Experiments -sovellus. Sovelluksen ideana on, että sovelluksen käyttäjä ottaa jonkin asennon tietokoneen kameran edessä, sovellus tunnistaa tämän asennon (automated pose detection, eli asennontunnistus) ja etsii kuvapankista mahdollisimman paljon vastaavassa asennossa olevan ihmisen kuvan. Tämän harjoituksen aika on, kun olemme tutustuneet koneoppimisen kolmeen pääluokkaan (ohjattu, ohjaamaton ja vahvistusoppiminen), ennen siirtymistä konenäön pariin, johon harjoitus keskeisesti liittyy.

Keksi sovelluskohteita. Kun opiskelijat tutustutetaan johonkin tekoälyn sovellusalueeseen, saavat he tehtäväksi keksiä tapoja hyödyntää ao. tekoälyteknologiaa käytännössä. Esimerkiksi asennontunnistukseen tai yleisemmin konenäköön liittyen opiskelijat pohtivat ryhmissä, miten teknologiaa voisi (omalla alalla) soveltaa. Asennontunnistuksen osalta hyvä tapa saada ajatukset virtaamaan voi olla pantomiimiharjoitus. Oikeasti. Kun hetki ollaan yhdessä haettu asentoja, joita voisi olla vaikkapa myymälävarkaalla, bensapumpulla tupakoivalla ihmisellä tai hukkuvalla ihmisellä, on kenties otollisemmat lähtökohdat miettiä, mihin asennontunnistusta voidaan soveltaa. Ja kun tähän tai muuhun harjoitukseen liittyen on ideoitu erilaisia sovelluskohteita, on hyvä hetki pysähtyä miettimään, mitä sovelluksia pidämme toivottavina ja mitä epätoivottavina. Tästähän voidaan vallan hyvin väitellä ja/tai äänestää, mikä toimintana ainakin jollain tavalla linkittyy teknologiaa koskevaan yhteiskunnalliseen päätöksentekoon.

Väärä positiivinen, väärä negatiivinen. Kun ollaan perehdytty siihen, miten tekoäly voisi tunnistaa esimerkiksi myymälävarkaan tai hukkuvan ihmisen konenäön avulla tai vaikkapa pedofiilin nettikeskustelupalstalta, pohditaan seuraavaksi sitä, missä tapauksessa olisi haitallisinta, jos kone ei tunnistaisi tapausta ehdot täyttäväksi (väärä negatiivinen) tai vastaavasti tunnistaisi väärän tapauksen oikeaksi (väärä positiivinen). Tässä harjoituksessa voi antaa vaikka kymmenen erilaista vaihtoehtoa, joista yhdessä keskustellen pitää päättää, mistä annetuista vaihtoehdoista väärä negatiivinen tai väärä positiivinen olisi kaikkein huonoin lopputulema.

Keskustele diasta, selosta kaverille. Kun opiskellaan uusia, vaikeitakin käsitteitä, kannattaa opiskelijat pitää hereillä ja antaa tehtäväksi vaikkapa selostaa dia kaverille tai keskustella siitä, jos opetus siis rakentuu diaesityksen varaan. Melko varmasti esitys rakentuu jonkin varaan, joten siitä jostakin voi myös keskustella.

Etiikkahaaste. Suomen tekoälyaika -toimenpidenohjelma on haastanut yritykset laatimaan eettisiä periaatteita, joita tekoälyn soveltamisessa tulisi hyödyntää. Vastaavalla tavalla opiskelijaryhmille voi antaa tehtäväksi laatia eettiset periaatteet tekoälyn soveltamiselle, kunhan aihetta on eettisestä näkökulmasta riittävästi tarkasteltu.

Väittely. Draamallisten menetelmien aatelia edustavat väittelyt, joita voi soveltaa miltei minkä tahansa mielipiteitä jakavan aiheen käsittelyyn. Oleellista on, että väittelyssä ei edusteta omaa mielipidettä, vaan opettaja jakaa roolit. “Te olette sitä mieltä, että tekoälyn kehitys tulee väistämättä johtamaan koneiden ylivaltaan, kun taas toiset olette eri mieltä. Valmistelkaa ryhmissä näkemystänne tukevia argumentteja ja valmistautukaa vastaamaan vastapuolen väitteisiin ja argumentteihin.” Ja tietysti hyvään väittelyharjoitukseen kuuluu, että kun on saatu aikaan oikein kiihkeä väittely, vaihdetaan puolia, ja ollaankin yhtäkkiä aivan toista mieltä. 

Dokkariraati. Katsotaan yhdessä aiheeseen liittyvä dokkari, josta tehdään muistiinpanoja. Valmistaudutaan siihen, että dokkarin jälkeen keskustellaan asiantuntijaroolissa keskustelun moderaattorin antamista aiheista. Yhtä aikaa keskustelevia ryhmiä voi olla vaikka kymmenen, ja kun kulloinkin käsiteltävä aihe heijastetaan vaikkapa piirtoheittimellä seinälle tai kirjoitetaan liitutaululle, voi opettaja kiertää ryhmissä ohjaamassa keskustelua.

Videot ja artikkelit. Menemättä yksityiskohtiin, opetuksen ajankohtaisuuden ja havainnollisuuden kannalta on olennaista, että opetuksessa hyödynnetään laajasti aiheeseen liittyviä ajankohtaisia uutis- ja tutkimusartikkeleita, videoita ja muuta sisältöä, ja että opettaja on näihin ennalta itse perehtynyt.

Vierailut. Opettaja pystyy oman työnsä ohessa omaksumaan korkeintaan perusymmärryksen tekoälyn kaltaisesta aiheesta, jos hänellä ei ole siihen liittyvää aiempaa koulutusta. Onkin ensiarvoisen tärkeää, että opetusta voidaan rikastaa myös ulkopuolisin voimin. Kurssillamme opetusta tukivat Sami Kuorilehto Tieto Oyj:ltä ja Gokul Krishna Srinivasan ThirdSpaceAutolta. Olemme tästä tuesta tavattoman kiitollisia.

Kokemukseni mukaan teknologia-alalla työskentelevät ihmiset pitävät koulutuksen saavutettavuutta tärkeänä arvona, ja heitä voi uskoakseni varsin mutkattomasti kutsua luennoimaan paikasta riippumatta esimerkiksi videoyhteyden välityksellä, jos oppilaitoksen lähettyvillä ei ole alan yrityksiä tai yhteisöjä. Tekoälyn oppimisen kannalta mielenkiintoisia eivät kuitenkaan mielestäni ole pelkästään tekoälysovelluksia kehittävät yritykset. Vähintään yhtä kiinnostavia ovat esimerkiksi tuotantolaitokset, jotka hyödyntävät tekoälyä – vaikkapa robotiikkaa, konenäköä tai data-analytiikkaa prosessiensa optimoinnissa. Näitä löytyy eri puolilta Suomea. Osaamista löytyy myös yliopistoista ja ammattikorkeakouluista, joita niin ikään on jokseenkin pitkin maata. Kannattaa kenties myös selvittää, mahtaako vaikkapa paikallinen kauppias hyödyntää jollain edistyneellä tavalla asiakasdataa kauppansa toiminnassa.

Mistä pedagogisessa mielessä oli kyse?

Perusopetuksen ja lukio-opetuksen parissa arvokasta työtä tekevien kannalta kenties oleellisinta voimassa olevien opetussuunnitelmien valossa on sanoa, että kurssimme oli ennen kaikkea tekoälyteeman ympärille rakentunut monialainen oppimiskokonaisuus, jossa tuettiin opiskelijoiden laaja-alaisen osaamisen kehittymistä.

Ammatillisessa koulutuksessa tavoitteita ei ilmaista aivan samoilla termeillä, mutta meilläkin tavoitteena on ”kehittää opiskelijan… kasvua sivistyneeksi ihmiseksi ja yhteiskunnan jäseneksi” (https://www.oph.fi/fi/koulutus-ja-tutkinnot/ammatillinen-koulutus). Kurssimme onkin osa ammatillista toisen asteen tutkintoa opiskelevien yleissivistäviä opintoja, joskin tämä kurssi on opiskelijoille valinnainen.

Mikä siis tekee kurssista monialaisen oppimiskokonaisuuden? Uskoakseni ainakin se, että tekoälyteemaa opiskellaan niin teknologian, yhteiskunnan, tekoälyn historian ja filosofian, erityisesti etiikan ja oikeudenmukaisuuden, sekä tulevaisuuden tutkimisen ja myös työn muutoksen näkökulmista. Ammatillisen koulutuksen näkökulmasta monialaisuutta ilmentänee sekin, että kurssille osallistuneet opiskelijat edustivat laajaa kirjoa Omniassa opiskeltavia eri ammattialoja, mikä näkyi positiivisesti esimerkiksi oppimiskeskusteluissa.

Perusopetuksen opetussuunnitelman mukaisista laaja-alaisen osaamisen tavoitteista opetus tuki (vaikka kyse ei ollutkaan perusopetuksesta) ainakin ajattelun, arjen taitojen, monilukutaidon, tieto- ja viestintäteknologisen osaamisen, vaikuttamisen ja kestävän tulevaisuuden rakentamisen taitojen edistymistä. Opetuksen sisällöt liittyivät muun muassa siihen, miten (suosittelu)algoritmit muokkaavat tapaamme hahmottaa maailmaa. Voiko tällaista aihetta edes käsitellä ilman, että tulee väistämättä ohjanneeksi opiskelijoita kriittiseen ajatteluun tai sitomatta aihetta osaksi medialukutaitoa (monilukutaitoa)?

Edellä mainitulla pyrin ennen kaikkea sanomaan, että tekoälyn kaltaiset laajasti ja syvästi yhteiskunnassa vaikuttavat teknologiat ovat otollinen teema ja lähtökohta monialaisille oppimiskokonaisuuksille ja laaja-alaisen osaamisen edistämiselle. Eivätkä vähiten siksi, että näistä on monesti opiskelijoilla tai oppilailla jo omakohtaisia kokemuksia, vaikuttaahan esimerkiksi tekoäly jo monella tavalla meidän kaikkien arjessamme.

Mitä seuraavaksi?

Opiskelijoista moni toivottavasti jatkaa tekoälyaiheen parissa vaikkapa Helsingin yliopiston ja Reaktorin Elements of AI -kurssilla, jota heille myös kurssin aikana markkinoimme. Ainakin moni kurssin osallistujista kertoi, että tekoälykurssillemme osallistuminen oli vahvistanut heidät käsitystään siitä, että Elements of AI -kurssille kannattaa osallistua. Omniassa tunnustamme kurssin osaksi opintoja, ja moni opiskelijoistamme jatkaa opintojaan korkea-asteelle, jossa kurssi niin ikään tunnustetaan osaksi opintoja.

Seuraava Omnian tekoälykurssi järjestetään joulukuussa 2019. Kurssi on jo nyt lokakuun lopulla täynnä. Myös maaliskuulle 2020 on tullut ilmoittautumisia niin paljon, että kurssi saadaan varmasti toteutettua. Tyypillisesti tässä vaiheessa syksyä ei vielä ajatella kevään kursseja, joten tekoälykurssi selvästi kiinnostaa oppilaitoksemme opiskelijoita ja henkilökuntaa. Henkilökunnan rooli on tässä keskeinen, sillä he hyvin usein ilmoittavat opiskelijoita kursseille, joista kokevat oman ammattitaitonsa perusteella olevan hyötyä opiskelijoille. Toki myös opiskelijoiden keskuudessa sana kursseista kiirii.

Aion jakaa opetusmateriaalini kollegoideni hyödynnettäväksi, jahka se saa jonkinlaisen vakiintuneen muodon, toivottavasti joulukuun kurssin jälkeen. Tällä ensimmäisellä kurssilla poimin materiaalin huomattavasti laajemmasta materiaalipankista, ja pyrin jatkossa tiivistämään opetusmateriaalin oleelliseen. Sellaisenaan en opetusmateriaalia voi kuitenkaan jakaa, sillä siinä on hyödynnetty kaikki ne mahdollisuudet, jotka OPH:n kopiointilupa opetusmateriaalin laatijalle suo. Toisin sanoen opetusmateriaalini sisältää paljon tekijänoikeuksien suojaamaa materiaalia, jota sellaisenaan en voi jakaa. Julkaisen kuitenkin opetusmateriaalin rungon, käsikirjoituksen tai muun vastaavan tuotoksen, kunhan olen varmistunut ratkaisun oikeellisuudesta tekijänoikeuksien näkökulmasta ja ehdin materiaalin tuottamaan.

Lopuksi

Oli upea mahdollisuus syventyä opiskelijoiden kanssa yhteen teemaan viiden päivän ajan. Tällaiset mahdollisuudet ovat oppilaitosten arjessa hyvin harvinaisia, ja kenties olisikin paikallaan pohtia, miten koulumaailman rakenteita tulisi uudistaa, jotta ilmiöihin syventymiseen olisi aidosti aikaa.

En ole tässä artikkelissa voinut tyhjentävästi esitellä koko viiden päivän kurssiamme. Osaltaan tämä on seurausta siitä, että päällekkäisten työtehtävien vuoksi en voinut valitettavasti osallistua opetukseen keskiviikkona ja torstaina. Näiden päivien osalta vetovastuussa oli kollegani Jenni, joka sosiaalipsykologina syventyi opiskelijoiden kanssa erityisesti tekoälyn eettisiin kysymyksiin, joita toki sivuttiin myös koneoppimista ja dataa koskevissa osuuksissa. Jenni oli läsnä omalla vastuullani olleissa päivissä (maanantai, tiistai ja perjantai) ja rikasti opetusta arvokkailla näkökulmillaan.

Jos olet jaksanut lukea artikkelin loppuun asti ja haluat sitä tai kurssiamme kommentoida taikka muuten keskustella tekoälystä, opetuksesta tai tekoälyyn liittyvästä opetuksesta, toivon sinun olevan minuun yhteydessä.

Kommentoi

Sähköpostiosoitettasi ei julkaista. Pakolliset kentät on merkitty *