Kun kone oppi kirjoittamaan kokemuksista, joita sillä ei ole
Generatiivisen tekoälyn tultua korkeakouluihin moni opettaja ajatteli yhden opiskelutehtävän säilyvän turvassa. Esseen voi kirjoittaa tekoälyllä, mutta reflektiota ei, sillä reflektio perustuu omiin kokemuksiin. Kone ei voi tietää, miltä opiskelijasta tuntui, kun ryhmäkeskustelu lähti käsistä tai puhe-esitys onnistui yli odotusten. Myös tutkijat arvioivat aluksi, ettei tekoäly kykene reflektioon (Pollard 2026).
Tämän ajatuksen taustalla oli kuitenkin syvempi oletus siitä, että reflektioraportti kertoo opiskelijan ajattelusta. Juuri tämän oletuksen tekoäly pakottaa meidät opettajat arvioimaan uudelleen. Pohdimme tässä tekstissä, mikä reflektion tehtävä tekoälyn aikakaudella on, ja kuvaamme, millaista ratkaisua kokeilemme sen pohjalta omassa vuorovaikutusosaamisen opetuksessamme Itä-Suomen yliopistossa.
Kone kirjoittaa vakuuttavan reflektion
Kun kielimallin tuottamia reflektiotekstejä verrattiin opiskelijoiden kirjoittamiin, koneen tekstit arvioitiin kaikilla käytetyillä kriteereillä laadukkaammiksi, eivätkä kokeneet opettajat erottaneet niitä opiskelijoiden teksteistä luotettavasti (Li ym. 2023). Kone ei silti reflektoi mitään, koska sillä ei ole kokemuksia, joihin palata. Se osaa kuitenkin tuottaa tekstin, joka näyttää reflektiolta, sillä sopivasti epäröivä sävy, uskottava oivalluksen kaari ja oikeanlainen itsekriittisyys ovat kielellisiä piirteitä. Kaavamaiseksi muuttunut reflektio on helposti jäljiteltävissä, ja siksi reflektiota on ajateltava uudelleen (Pollard 2026). Palautettavana dokumenttina reflektio on siis yhtä ulkoistettavissa kuin essee. Tämä ei vie reflektiolta merkitystä, mutta pakottaa kysymään, mikä reflektioraportin pedagoginen tehtävä oikeastaan on.
Ajattelutyön on säilyttävä opiskelijalla
Vuorovaikutusosaamisessa reflektio ei ole oppimisen sivutuote vaan sen keskeinen väline. Emme yleensä tiedä, miltä kuulostamme tai mitä keskustelussa oikeastaan teemme, ennen kuin pysähdymme tarkastelemaan omaa toimintaamme. Reflektiossa ei myöskään vain palata siihen, miltä tilanne tuntui, vaan eritellään, mitkä tekijät johtivat onnistumiseen tai epäonnistumiseen ja miksi. Kun opiskelija tarkastelee kokemustaan vuorovaikutuksen teorian käsittein, hän voi tunnistaa näitä tekijöitä ja arvioida, kuinka tarkoituksenmukaisesti omat valinnat palvelivat tilanteen tavoitetta. Juuri tämä tekee aiemmin näkymättömän näkyväksi ja mahdollistaa oppimisen.
Jos tämä ajattelutyö ulkoistuu tekoälylle, ei menetetä vain tehtävää vaan vaihe, jossa oppiminen tapahtuu. Huoli ei ole pelkästään teoreettinen. Kun Anthropicin koulutusraportissa analysoitiin yli puolta miljoonaa opiskelijoiden tekoälykeskustelua, noin 70 prosentissa niistä kone teki korkeamman tason ajattelutehtäviä (Handa ym. 2025). Tutkimuksessa puhutaan jo metakognitiivisesta laiskuudesta, jossa opiskelija ulkoistaa koneelle myös oman oppimisensa ohjaamisen (Fan ym. 2025).
Ongelma ei siis ole ensisijaisesti reflektioraportin aitous vaan se, säilyykö ajattelutyö opiskelijalla.
Reflektiotehtävän paradoksi
Palautettavan raportin tiukempi valvonta ei ratkaise ongelmaa, sillä siihen liittyy paradoksi. Jos opiskelija palauttaa reflektioraportin, tekoäly voi tuottaa myös sen. Jos reflektiota ei puolestaan palauteta lainkaan, se jää kiireisessä opiskeluarjessa helposti tekemättä.
Ratkaisu voi löytyä reflektion pedagogisen tehtävän tarkistamisesta. Ajatus ei sinänsä ole uusi, sillä reflektion klassisissa malleissa katse on aina suunnattu myös tulevaan toimintaan. Palautettavaksi raportiksi vakiintunut käytäntö on kuitenkin painottanut menneen dokumentointia, ja juuri tähän teorian ja käytännön väliseen eroon tekoäly nyt osuu. Reflektion tarkoitus ei ole ensisijaisesti dokumentoida mennyttä vaan valmistaa seuraavaa vuorovaikutustilannetta. Sen tehtävä on auttaa opiskelijaa ymmärtämään, mitä edellisessä tilanteessa tapahtui, miksi niin tapahtui ja mitä hän tekee seuraavalla kerralla tarkoituksenmukaisemmin. Vuorovaikutustilanteiden väliin ajoittuva reflektio tuottaa myös konkreettisen hyödyn, sillä oivalluksen pääsee kokeilemaan jo seuraavassa harjoitustilanteessa. Vaikuttavuus ei synny reflektion määrästä vaan sen ajoituksesta ja kohdentamisesta yhteen konkreettiseen havaintoon tai toimintatapaan (vrt. Choi ym. 2025). Myös onnistumisia kannattaa tarkastella, sillä niiden taustalla olevien tekijöiden tunnistaminen kertoo, mitä seuraavissa tilanteissa on tarkoituksenmukaista säilyttää. Vuorovaikutusosaamisessa oppimisen näyttö syntyy lopulta seuraavassa vuorovaikutustilanteessa, eikä sitä voi kirjoittaa tekoälyllä etukäteen.
Reflektio siirtyy raportista dialogiksi
Olemme rakentaneet tämän ajatuksen varaan Itä-Suomen yliopistossa tekoälyavustajan, jonka nimesimme Sokratiaksi, koska se toimii sokraattisen pedagogiikan tapaan kysymällä. Kyse ei ole valmiista tuotteesta vaan omasta pedagogisesta ratkaisustamme vuorovaikutusosaamisen opetukseen. Sokratia ei pyydä opiskelijaa kirjoittamaan reflektiota vaan esittää kysymyksiä, joihin opiskelija vastaa, ja keskustelu etenee opiskelijan omista havainnoista käsin. Näin ajattelutyö säilyy opiskelijalla. Tavoitteena ei ole tuottaa arvioitavaa tekstiä vaan auttaa opiskelijaa jäsentämään omaa toimintaansa ennen seuraavaa vuorovaikutustilannetta. Dialogisesta tekoälytuesta on myös kokeellista näyttöä, sillä satunnaistetuissa luokkahuonekokeissa kielimallin ohjaama reflektio lisäsi opiskelijoiden itseluottamusta ja paransi myöhempää koesuoriutumista (Kumar ym. 2024).
Keskustelua ei palauteta, vaan opiskelija tuo pienryhmään sen tuloksen: mitä hän aikoo seuraavassa vuorovaikutustilanteessa tehdä toisin ja miksi. Muutama virke riittää, kun kirjaus etenee konkreettisesta havainnosta käsitteen kautta perusteltuun johtopäätökseen. Kun opiskelija sanoo aikomuksensa ääneen ryhmässä, syntyy toteuttamisaikomus ja sosiaalinen sitoumus, jotka lisäävät todennäköisyyttä kokeilla suunniteltua käytännössä. Toki johtopäätöksenkin voi pyytää tekoälyltä. Sitoumusta ei kuitenkaan lunasteta tekstissä vaan seuraavassa vuorovaikutustilanteessa, jossa ryhmä näkee, muuttuuko toiminta. Samalla jaetut askeleet kartuttavat koko ryhmän ymmärrystä.
Oppimisen etenemistä ja työmäärän täyttymistä seurataan tehtäväketjun etenemisestä, ei tekoälykeskustelun sisällöstä. Ajattelun kehittäminen tapahtuu edelleen pienryhmässä ja opettajan kanssa. Tekoälyn tehtävänä on valmistaa siihen, ei korvata sitä. Pilotoimme kokonaisuutta syksyllä 2026 ja arvioimme sen toimivuutta tutkimuksen keinoin.
Mikään edellä kuvatusta ei kuitenkaan edellytä Sokratiaa. Kantavat periaatteet, reflektion ajoitus, ryhmään tuotava aikomus ja jäsennelty kirjaus, ovat pedagogisia ja toimivat millä tahansa keskustelevalla tekoälyllä tai kokonaan ilman sitä.
Tekoäly pakottaa pohtimaan reflektion tehtävää uudelleen
Tekoäly ei tee reflektiosta tarpeetonta, mutta se pakottaa meidät opettajat tarkentamaan, mitä reflektiolla tavoittelemme. Kun painopiste siirtyy menneen toiminnan dokumentoinnista seuraavan toiminnan valmisteluun, huomio kohdistuu raportin sijaan siihen, mitä opiskelija aikoo seuraavassa tilanteessa tehdä ja miksi. Sokratia on rakennettu tukemaan juuri tätä. Ratkaisevaa on lopulta, ulkoistaako opiskelija ajattelunsa koneelle vai käyttääkö hän tekoälyä oman ajattelunsa jäsentämisen ja syventämisen välineenä.
Kirjoittajat:
Jaana Tyrmi Yliopisto-opettaja, FT, Kielikeskus, Itä-Suomen yliopisto
Päivi Karunne Lehtori, FL, Kielikeskus, Itä-Suomen yliopisto
Kirjallisuus
Choi, H., Phung, T., Wu, M., Singla, A. & Brooks, C. (2025). Reflection-satisfaction tradeoff: Investigating impact of reflection on student engagement with AI-generated programming hints. arXiv preprint. https://doi.org/10.48550/arXiv.2512.04630
Fan, Y., Tang, L., Le, H., Shen, K., Tan, S., Zhao, Y., Shen, Y., Li, X. & Gašević, D. (2025). Beware of metacognitive laziness: Effects of generative artificial intelligence on learning motivation, processes, and performance. British Journal of Educational Technology, 56(2), 489–530. https://doi.org/10.1111/bjet.13544
Handa, K., Bent, D., Tamkin, A., McCain, M., Durmus, E., Stern, M., Schiraldi, M., Huang, S., Ritchie, S., Syverud, S., Jagadish, K., Vo, M., Bell, M. & Ganguli, D. (2025). Anthropic Education Report: How university students use Claude. Anthropic, 8.4.2025. https://www.anthropic.com/news/anthropic-education-report-how-university-students-use-claude
Kumar, H., Xiao, R., Lawson, B., Musabirov, I., Shi, J., Wang, X., Luo, H., Williams, J. J., Rafferty, A. N., Stamper, J. & Liut, M. (2024). Supporting self-reflection at scale with large language models: Insights from randomized field experiments in classrooms. Proceedings of the Eleventh ACM Conference on Learning @ Scale, 86–97. https://doi.org/10.1145/3657604.3662042
Li, Y., Sha, L., Yan, L., Lin, J., Raković, M., Galbraith, K., Lyons, K., Gašević, D. & Chen, G. (2023). Can large language models write reflectively. Computers and Education: Artificial Intelligence, 4, 100140. https://doi.org/10.1016/j.caeai.2023.100140
Pollard, V. (2026). Slow and surprising reflection: Rethinking reflective practice in the era of GenAI. Reflective Practice. https://doi.org/10.1080/14623943.2026.2647743