Tekoälyn käyttö kurssikokeen laatimisessa

Laajat kielimallit ovat avanneet mahdollisuuden ovia vähentää tavallista liukuhihnatyötä. Näiden hyödyntämisessä on myös suuri houkutus ulkoistaa oma luova ajattelu koneelle. Tässä artikkelissa tarkastelemme meidän Helsingin yliopiston aineenopettajien seminaarityötä, jossa tutkittiin tekoälyn kykyä luoda lukion fysiikan kolmannen moduulin, FY3 energia ja lämpö, kurssikoe. Tekoälynä hyödynnettiin ChatGPT:tä.

Johdanto

Viime vuosien aikana laajoja kielimalleja (large language model, “LLM”) hyödyntävät sovellukset eli generatiiviset tekoälyt ovat nopeasti nousseet jokapäiväiseen käyttöön niin työssä, vapaa-ajalla kuin oppilaitoksissakin. Tekoälyn yleistynyt käyttö herättää esimerkiksi fysiikanopettajan näkökulmasta paljon kysymyksiä siitä, miten laajoja kielimalleja voidaan käyttää oppimisen ja opettamisen tukena. Onhan fysiikan tietorakenne erittäin monimutkainen ja monipuolinen. Viime vuosina tekoälyn kyky ratkaista fysiikan tehtäviä, noudattaa annettuja ohjeita sekä käyttää fysiikan suureita ja käsitteitä johdonmukaisesti on parantunut huomattavasti. Tämä kehitys synnyttää kiinnostuksen tarkastella, missä määrin tekoäly voisi toimia opettajan työkaluna myös kurssikokeiden ja arvioinnin suunnittelussa. Keskeiseksi kysymykseksi nousee, pystyykö generatiivinen tekoäly laatimaan pedagogisesti tarkoituksenmukaisia tehtäviä. On myös tärkeää arvioida sitä, noudattavatko tekoälyn tuottamat tehtävät ja kurssikokeet opetussuunnitelman määrittelemiä tavoitteita ja tukevatko ne kurssin keskeisten sisältöjen oppimista. Tässä katsauksessa tarkastelemme seminaarityömme tuloksia. Tutkimuksen pääkysymys oli: ”Voidaanko generatiivista tekoälyä käyttää kurssikokeen laatimisessa niin, että koe täyttää sille asetetut tavoitteet?” Aihe jakoi vahvasti opettajien mielipiteitä. Tutkimuksessa kartoitettiin opettajien näkemyksiä haastatteluin, arvioitiin tekoälyn kykyä luoda opetusmateriaaleja ja kokeita sekä tarkasteltiin käyttöön liittyviä eettisiä ja lainsäädännöllisiä näkökulmia Opetushallituksen (2026) linjausten pohjalta.

Bloomin taksonomia ja opettajan asiantuntemus kokeen mittarina

Kun generatiivisia kielimalleja valjastetaan opettajan avuksi arvioinnin suunnitteluun, on niille annettavaa pedagogista ohjausta pohdittava tarkasti. Kielimallien toimintalogiikka perustuu pohjimmiltaan tilastolliseen ennustamiseen. Ne arvaavat valtavan opetusaineistonsa perusteella, mikä merkki tai laskun vaihe seuraa loogisesti edellistä. Koska ne pikemminkin jäljittelevät ihmisen tapaa ratkaista tehtäviä kuin aidosti ymmärtävät fysiikan tai matematiikan syvällisiä tietorakenteita, niiden tuottaman materiaalin pedagogista tasoa on välttämätöntä arvioida teoreettisten viitekehysten valossa. Kokeen rakenteellisessa ohjaamisessa ja sen vaativuustason mallintamisessa Bloomin taksonomia tarjoaa opettajalle korvaamattoman mittarin.

Esimerkiksi fysiikan kurssikokeen elementit edellyttävät erottelukykyä eli sitä, että koe sisältää eritasoisia tehtäviä alimmilta muistamisen tasoilta aina korkeammille soveltamisen ja analysoinnin tasoille. Jos tekoälyn annetaan toimia kokeen laadinnassa itsenäisenä isäntänä ilman taksonomiaa, riskinä on kokeen validiteetin eli pätevyyden romuttuminen. Tällöin koe saattaa muodollisesti kattaa opetussuunnitelman aihealueet, mutta tehtävät saattavat muuttua pelkäksi pinnallisiksi ja mekaanisiksi harjoittelutehtäviksi, jotka eivät kykene erottelemaan keskitasoista ja vahvaa osaamista toisistaan. Taksonomian korkeampien tasojen mittaaminen korostuu erityisesti avoimissa tehtävissä. Jotta kokeesta muodostuu pedagoginen työkalu, joka pelkän lopputuloksen mittaamisen sijaan testaa ja tukee oppilaan todellista oppimisprosessia, opettajan on käytettävä asiantuntijuuttaan tekoälyn luomien tehtävänantojen hiomiseeen.

Promptista kokeeksi

Esittelemme tässä, miten muotoilimme promptin. Yksi tärkeimmistä asioista tekoälyn kanssa toimiessa on käyttää oikeanlaista promptia eli käskyä, joka tuottaisi yhdellä promptilla loogisen ja järkevän, tavoitteisiin perustuvan kokeen ja jolla on hyvän kokeen elementit. Toistaiseksi meillä ei ole vielä tällaista universaalia käskyä. Olisi siis mielekästä, jos tutkimusta jatkettaisiin myös tähän suuntaan. Tässä työssä artifisiaalisesti laadimme kohdennetun käskyn, jolla tuotettiin tässä tutkimuksessa tarkasteltava kurssikoe. Kurssikoe laadittiin hyödyntämällä generatiivista tekoälyä siten, että tekoäly toimi kokeen suunnittelussa opettajaa tukevana työkaluna, ei itsenäisenä päätöksentekijänä. Lähtökohtana kokeen laatimiselle olivat lukion opetussuunnitelman (LOPS) FY3-kurssin energia ja lämpö -tavoitteet sekä seuraavana esitetyt hyvän kokeen pedagogiset kriteerit. Tekoälyn käyttö rajattiin nimenomaan kokeen luonnosteluun ja tehtävien ideointiin, minkä jälkeen tuotosta tarkasteltiin kriittisesti opettajien näkökulmasta. Promptauksessa hyödynnetään jo mallin valmista opetusaineistoa promptaamalla tavoitteet ja käskyn luodaan koe. Tämän jälkeen promptia kehitetään ja tarkennetaan ja annetaan mahdollisesti esimerkkiaineistoa. Tueksi annetaan myös Bloomin taksonomia.

Opettajien kokemukset ja eettisyys arvioinnissa

Saimme tiedonkeruuvaiheessa vain kahdelta lukion opettajalta vastauksia. Siitä huolimatta että jaoimme tiedonkeruupyynnön fysiikan opettajien vertaisryhmään Facebookissa. Näkemykset olivat pääosin kriittisiä, vaikka he tunnistavat myös joitakin myönteisiä puolia tekoälyn hyödyntämisessä kokeen laadinnassa. Yleisesti ottaen tekoäly nähdään hyödyllisenä työkaluna erityisesti ajankäytön tehostamisessa ja ideoiden tuottamisessa. Opettajat kuvaavat sitä ennemmin “sparrauskaverina” kuin itsenäisenä isäntänä, mikä korostaa näkemystä siitä, että vastuu pedagogisista ratkaisuista säilyy opettajalla. Myös se näkyy positiivisena, että työn kuormitus vähenee.

Kokeen laadun osalta opettajat kuitenkin ilmaisevat epävarmuutta erityisesti sen luotettavuuden ja asiallisuuden suhteen. Tämä liittyy keskeisesti hyvän kokeen periaatteisiin, kuten validiteettiin ja reliabiliteettiin. Opettajien mukaan tehtävänannot ovat osin epäselviä ja monitulkintaisia, mikä heikentää kokeen reliabiliteettia, koska eri oppilaat voivat ymmärtää kysymykset eri tavoin. Lisäksi avoimiin tehtäviin ei juurikaan luoteta, sillä niiden arviointi koetaan epävarmaksi ilman selkeitä kriteerejä.

Validiteetin näkökulmasta opettajat arvioivat, että vaikka osa kysymyksistä liittyy opetussuunnitelman tavoitteisiin, koe ei riittävästi mittaa keskeisiä moduulin sisältöjä. Tehtävät painottuvat liikaa teoreettisen tiedon muistamiseen, eikä niissä juurikaan vaadita soveltamista tai syvällistä ajattelua. Tämä heikentää kokeen kykyä arvioida oppilaiden todellista osaamista monipuolisesti.

Eettiset kysymykset nousevat myös esiin. Opettajat korostavat, että tekoälyn käyttö arvioinnin tukena edellyttää läpinäkyvyyttä. Mikäli koe on tuotettu kokonaan tekoälyn avulla, siitä tulisi informoida oppilaita, jotta luottamus arviointiin säilyy. Lisäksi opettajat painottavat, ettei tekoälyn tuottamiin sisältöihin tule luottaa sellaisenaan, vaan niiden tarkistaminen ja muokkaaminen on välttämätöntä.

Vaikka tekoäly voi vähentää työkuormaa kokeen laatimisessa, opettajat eivät pidä sitä riittävän luotettavana itsenäisenä arviointivälineenä. Tämä näkyy myös siinä, että kumpikaan vastaajista ei kokisi turvalliseksi päästää oppilasta etenemään esimerkiksi ylioppilaskirjoituksiin pelkästään tämän kokeen perusteella. Kokonaisuutena opettajien näkemykset korostavat kriittisen arvioinnin, pedagogisen harkinnan ja tekoälyn vastuullisen käytön merkitystä kokeen laadinnassa.

Opetussuunnitelman mukainen arviointi kokeesta

Tässä osiossa arvioimme tekoälyn laatiman kokeen toimivuutta opetussuunnitelman näkökulmasta. Koe vastaa melko hyvin FY3-kurssin opetussuunnitelman keskeisiä sisältöjä ja tavoitteita, mutta sen validiteetissa on myös selviä puutteita, joiden vuoksi sitä ei voi pitää täysin onnistuneena tai erityisen vahvana kurssikokeena. Kokonaisuutena koe on käyttökelpoinen ja perusrakenteeltaan toimiva, mutta se jää monilta osin melko pintapuoliseksi suhteessa opetussuunnitelman tavoitteisiin.

Kokeen vahvuutena on se, että siinä käsitellään useita FY3-kurssin keskeisiä teemoja. Mukana ovat esimerkiksi ideaalikaasun tilanyhtälö, lämpömäärä, olomuodon muutokset, lämpölaajeneminen, energian säilyminen sekä energiantuotanto ja ilmastonmuutos. Lisäksi tehtävätyypit vaihtelevat kohtuullisen hyvin: mukana on monivalintoja, laskutehtäviä, kuvaajan ja taulukon tulkintaa sekä laajempi pohdintatehtävä energiantuotannosta. Tämä tekee kokeesta pedagogisesti monipuolisemman kuin pelkkä mekaaninen laskukoe. Erityisesti viimeinen tehtävä energiantuotannosta on opetussuunnitelman tavoitteiden kannalta onnistunut. Siinä opiskelijan täytyy käyttää fysiikan käsitteitä, vertailla energiamuotoja sekä pohtia energiatehokkuutta ja ilmastonmuutosta. Tällainen tehtävä mittaa aidosti ymmärrystä eikä pelkästään kaavojen muistamista. Myös kuvaajan ja taulukon tulkintaan liittyvät tehtävät ovat hyviä siinä mielessä, että opiskelija joutuu analysoimaan havaintoja eikä vain sijoittamaan lukuja kaavoihin. 

Silti kokeen suurin ongelma on se, että suuri osa tehtävistä jää melko helpoiksi ja pinnallisiksi. Monet tehtävät mittaavat lähinnä peruskaavojen tunnistamista ja suoraviivaista soveltamista. Esimerkiksi lämpömäärän laskeminen tai potentiaalienergian laskeminen ovat hyvin tyypillisiä perustason tehtäviä, joissa ei juuri testata syvempää fysiikan ymmärtämistä. Vaativampia monivaiheisia ongelmia ei käytännössä ole lainkaan. Tästä syystä koe ei erottele kovin hyvin keskitasoista ja vahvaa osaamista toisistaan.

Myös opetussuunnitelman sisältöjen kattavuudessa voidaan nähdä puutteita. Hydrostaattinen paine esiintyy kokeessa vain yksinkertaisena monivalintakysymyksenä, vaikka se on mainittu OPS:ssa erillisenä keskeisenä sisältönä. Tämä on melko heikko tapa arvioida kyseistä osa-aluetta, sillä opiskelija voi tunnistaa oikean vaihtoehdon ilman todellista ymmärrystä ilmiöstä. Samoin mekaaninen työ jää kokeessa hyvin vähäiseen rooliin. Työ mainitaan teoriatasolla yhdessä tehtävässä, mutta varsinaista työn laskemista tai soveltamista ei juuri arvioida. Myös voiman käsite jää lähes kokonaan sivuun, vaikka opetussuunnitelmassa voima määritellään keskeiseksi sisällöksi.

Kokeen tutkimuksellinen ulottuvuus jää myös melko ohueksi. Opetussuunnitelmassa korostetaan ilmiöiden tutkimista ja kokeellisuutta, mutta tässä kokeessa tutkimuksellinen osaaminen näkyy lähinnä yksinkertaisina kuvaajan ja taulukon tulkintoina. Varsinaisia kokeellisen fysiikan taitoja, kuten mittausdatan kriittistä analysointia, virhelähteiden arviointia tai johtopäätösten tekemistä mittaustuloksista, ei juuri arvioida. Tämä heikentää kokeen validiteettia suhteessa opetussuunnitelman tutkimuksellisiin tavoitteisiin. Tosin, jos kurssin aikana on esimerkiksi tehty arvioitava kokeellinen työ edellä mainituista aiheista, tällöin kurssikokeessa ei tarvitse välttämättä arvioida oppilaiden laajempaa ymmärrystä aiheesta. 

Kokeellisen työn tekeminen itse kurssin aikana, voidaan katsoa riittäväksi oppilaiden summatiiviseen arviointiin, jotta voidaan katsoa opetussuunnitelman kriteerit täytetyiksi. Koe antaa myös hieman epätasaisen kuvan kurssin eri sisältöjen osaamisen vaateista. Toisaalta mukana on laajoja pohdintatehtäviä, mutta toisaalta suuri osa laskuista on melko mekaanisia ja helposti ratkaistavia. Tämän vuoksi koe muistuttaa paikoin enemmän harjoitustehtäväkokoelmaa kuin huolellisesti rakennettua summatiivista kurssikoetta. Erityisesti vahvoille opiskelijoille koe saattaa olla liian helppo eikä välttämättä tarjoa riittävästi mahdollisuuksia osoittaa syvällistä osaamista. Lisäksi koe kysyy tehtäväkohtaisesti yhtä kurssin sisällön asiaa kerrallaan, sen sijaan että se niin sanotusti kuljettaisi oppilaan kurssilla muodostuneiden käsitteiden verkoston läpi.

Kokonaisuutena opetussuunnitelman näkökulmasta kokeen validiteetti on siis kohtalainen mutta ei erityisen vahva. Koe mittaa useita opetussuunnitelman keskeisiä sisältöjä, mutta monien osa-alueiden käsittely jää pinnalliseksi, ja osa tärkeistä sisällöistä näkyy liian vähän. Lisäksi tehtävien vaativuustaso painottuu melko selvästi perustasolle. Pienillä muutoksilla kokeesta voisi kuitenkin saada huomattavasti paremman: mukaan voisi lisätä esimerkiksi vaativamman soveltavan laskun, hydrostaattiseen paineeseen liittyvän tehtävän tai kokeellisen datan analysointia. Tällöin koe vastaisi paremmin opetussuunnitelman tavoitteita, eriyttämisen tarpeita sekä fysiikan oppiaineen luonnetta analyyttisenä ja tutkimuksellisena tieteenä. Toisaalta opetussuunnitelman antamat kriteerit ja vaatimukset kattavat koko kurssin aikana suoritetun toiminnan, eikä ainoastaan kurssin päättävän kurssikokeen sisällöt.

Lopuksi

Tämän työn perusteella generatiivista tekoälyä voidaan pitää hyödyllisenä apuvälineenä kurssikokeen laatimisessa, mutta ei sellaisena työkaluna, jonka tuottamaan kokeeseen voisi luottaa täysin sellaisenaan ilman asiantuntevan opettajan laadunvalvontaa. Tekoälyn suurin hyöty opettajan näkökulmasta liittyy ajankäytön tehostamiseen, ideointiin ja työn kuormituksen vähentämiseen. Mutta on huomioitava, että tekoälyn ohjaamiseen voi helposti kulua enemmän aikaa, kuin kokeen laatimiseen ilman tekoälyn käyttöä. Tekoäly pystyy nopeasti tuottamaan kokeen rungon, tehtäväideoita sekä opetussuunnitelman tavoitteisiin pohjautuvia tehtävänantoja. Tässä mielessä tekoäly toimii hyvin opettajan mielikuvituksen tukena ja eräänlaisena “sparrauskaverina”.

Tekoäly siis kykenee rakentamaan kurssikokeen, joka täyttää opetussuunnitelman keskeiset tavoitteet ja sisällölliset kriteerit melko hyvin. Koe sisältää useita FY3-kurssin olennaisia aihealueita, erilaisia tehtävätyyppejä sekä laskennallista että käsitteellistä osaamista mittaavia tehtäviä. Lisäksi mukana on opetussuunnitelman tavoitteiden mukaisesti energiantuotantoon, ilmastonmuutokseen ja fysiikan ilmiöiden tulkintaan liittyviä tehtäviä. Tästä näkökulmasta tarkasteltuna voidaan sanoa, että tekoäly pystyy ainakin teknisesti ja rakenteellisesti tuottamaan opetussuunnitelman mukaisen kokeen. Toisaalta opetussuunnitelman voi ajatella viitekehykseksi, jonka tulkitseminen on jätettävä opettajalle, eikä ulkoistaa tekoälylle. Lisäksi opetussuunnitelman tulkitseminen voi olla opettajalle haastavaa ja henkilökohtaista, jolloin tekoälyn ei voida odottaa osaavan “tulkita” opetussuunnitelmaa yhtä hienovaraisesti kuin harjaantunut opettaja. Tämä havainto on työn kannalta merkittävä, sillä se osoittaa eron opetussuunnitelman muodollisen toteutumisen ja opettajan pedagogisen arvioinnin välillä. 

Tekoäly pystyy rakentamaan kokeen, joka “rastittaa” opetussuunnitelman keskeiset osa-alueet, mutta se ei vielä kykene samalla tavalla arvioimaan tehtävien pedagogista laatua, erottelukykyä tai sitä, kuinka hyvin koe todella mittaa opiskelijan osaamista. Lisäksi kokeesta puuttuu kurssikokeelle ominainen ryhmäkohtainen kohdennus, voidaan sanoa siitä puuttuvan tietynlainen “inhimillisyys”. Opettajat tarkastelevat koetta paljon laajemmasta näkökulmasta kuin pelkästään sisältöjen kattavuuden kautta. He arvioivat myös esimerkiksi tehtävien selkeyttä, soveltavuutta, vaikeustason tasapainoa, arvioitavuutta ja sitä, antaako koe realistisen kuvan opiskelijan valmiuksista jatko-opintoihin tai ylioppilaskirjoituksiin.

Lähteet

[1] Salih, S., Husain, O., Hamdan, M., Abdelsalam, S., Elshafie, H., & Motwakel, A. (2025). Transforming education with ai: A systematic review of chatgpt’s role in learning, academic practices, and institutional adoption. Results in Engineering, 25 (103837), 27 s.

[2] Opetushallitus. (2025). Tekoäly varhaiskasvatuksessa ja koulutuksessa – lainsäädäntö ja suositukset. Saatavilla https://www.oph.fi/fi/tekoalysuositukset (viitattu 10.02.2026)

[3] Banta, T. W., & Palomba, C. A. (2014). Assessment essentials: Planning, implementing, and improving assessment in higher education. John Wiley & Sons.

[4] Busuttil, L., & Calleja, J. (2025). Teachers’ Beliefs and Practices About the Potential of ChatGPT in Teaching Mathematics in Secondary Schools. Digital Experiences in Mathematics Education, 11(1), 140–166. https://doi.org/10.1007/s40751-024-00168-3

[5] Ding, L., Li, T., Jiang, S., & Gapud, A. (2023). Students’ perceptions of using ChatGPT in a physics class as a virtual tutor. International Journal of Educational Technology in Higher Education, 20(1), 63. https://doi.org/10.1186/s41239-023-00434-1

[6] Jalon, J. B., Chua, G. A., & Torres, M. D. L. (2024). ChatGPT as a Learning Assistant: Its Impact on Students Learning and Experiences. International Journal of Education in Mathematics, Science and Technology, 1603–1619. https://doi.org/10.46328/ijemst.4471

[7] Kortemeyer, G., & Nöhl, J. (2025). Assessing confidence in AI-assisted grading of physics exams through psychometrics: An exploratory study. Physical Review Physics Education Research, 21(1), 010136. https://doi.org/10.1103/PhysRevPhysEducRes.21.010136

[8] Mok, R., Akhtar, F., Clare, L., Li, C., Ida, J., Ross, L., & Campanelli, M. (2025). Using large language models for grading in education: An applied test for physics. Physics Education, 60(3), 035006. https://doi.org/10.1088/1361-6552/adb92b

[9] Picton, I., & Clark, C. (2024). Children and Young People’s Use of Generative AI to Support Literacy in 2024. National Literacy Trust.

[10] Yeadon, W., Inyang, O.-O., Mizouri, A., Peach, A., & Testrow, C. P. (2023). The death of the short-form physics essay in the coming AI revolution. Physics Education, 58(3), 035027. https://doi.org/10.1088/1361-6552/acc5cf