Tekoälystä ja sen etiikasta opinto- ja uraohjauksessa

Kirjoittajat: Mikko Lampi & Piia-Elina Ikonen.

Useimpiin tekoälymenetelmiin liittyy riskejä ja eettisiä kysymyksiä. Millaista valtaa kone voi käyttää? Kenellä on vastuu päätöksistä? Miten estämme syrjivät algoritmit ja muut vinoumat? Entä katoaako ihmiskontakti, jos automatisoimme liikaa? On varottava, ettemme rakenna kalliita ja monimutkaisia hirviötä, joiden toimintaa emme tunne tai osaa selittää.

Teknohuumasta tekoälyn todellisuuteen

Pohdimme artikkelissa tekoälyä ja sen etiikkaa opinto- ja uraohjauksessa. Valmiita vastauksia ei ole, joten tarvitaan monialaista keskustelua, tutkimusta ja parempaa ymmärrystä. Artikkelissamme resonoi realistisen skeptinen, mutta optimismiin lopulta taipuva lähestyminen tekoälyn soveltamiseen. Ilmiöt, joihin tekoäly vaikuttaa ovat monimutkaisia ja moniulotteisia. Tekoälyyn liittyy paljon eettisiä kysymyksiä sekä osittain teknohuumaa. Tekoälyn realistisia mahdollisuuksia opinto- ja uraohjauksessa käsitellään artikkelin lopulla, kun esittelemme Älykäs ohjaus- sekä Ohjaus tulevaisuuden työhön -kehittämishankkeita.

Nimestään huolimatta tekoälyä on vaikea sanoa sangen älykkääksi, sillä se on nykyään usein niin sanottua kapeaa tai heikkoa tekoälyä. Se suoriutuu hyvin tarkasti rajatuista toiminnoista jopa siinä määrin, että se saattaa vaikuttaa älykkäältä. Nykyiset tekoälysovellukset on kuitenkin kehitetty ja sovitettu suorittamaan kapea-alaisia tehtäviä. Esimerkiksi konenäkö tunnistaa hahmoja tai kuvioita, joita se on opetettu havainnoimaan. Suosittelumoottorit osaavat hyödyntää vain tietynlaista aineistoa ja tehdä suosituksia aineiston perusteella. Tekoälypohjaiset roskapostisuodattimet puolestaan eivät ymmärrä sähköpostien sisältöä tai tarkoitusta, vaan perustuvat matemaattisiin sääntöihin ja alkeelliseen sanojen yhdistelyyn. (Kts. esim. Elements of AI -verkkokurssi).

Tunnetuimpia tekoälyyn yhdistettyjä menetelmiä ovat koneoppiminen, syväoppiminen, neuroverkot sekä erilaiset matemaattiset menetelmät, kuten sumea logiikka ja epälineaariset tilastolliset mallit. Niiden taustalla toimii erilaisia matemaattisia algoritmeja sekä automatisaatiota. Nykyisenkaltainen tekoäly suoriutuu hyvin monista ihmisille hankalista tehtävistä, kuten suurten tietomassojen käsittelystä, muuttujien tunnistamisesta ja yhteyksien havainnoinnista.

Toisaalta monet ihmiselle luontevat asiat, kuten kielen merkityksien ymmärtäminen sekä laajemman kokemuksen ja tietopohjan hyödyntäminen päätöksenteossa ovat tekoälylle vaikeita. Tekoälyn on vaikea esimerkiksi erottaa chihuahuaa ja mustikkamuffinia toisistaan (Kuva 1) (Yao, 2017). Ei siis ole välttämättä pelkoa koneiden kapinasta tai ihmisen korvaamisesta tekoälyllä. Työelämän ja koulutuksen muutokseen kannattaa joka tapauksessa varautua, koska tekoälyä tullaan soveltamaan monenlaisiin tehtäviin koko koulutussektorilla, myös korkeakouluissa. Korkeakoulut eivät kuitenkaan yleensä toimi tekoälyn soveltamisen kärkenä. Tämä on toisaalta hyvä, koska valmiita menetelmiä ja teknologioita hyödyntämiseen on jo olemassa. Korkeakouluissa osataan toivottavasti myös kyseenalaistaa teknohuuma.

Kuva 1. Chihuahua or muffin? (Yao, 2017).

Tekoäly ohjaustoiminnassa

Tekoälyä hyödyntäviä opinto- ja uraohjauksen ratkaisuja on tutkittu kansainvälisesti (mm. Mehraj & Baba, 2019; Cao & Zhang, 2011; Leung ym., 2010). Tutkimusten mukaan tekoälystä on haettu tehokkuuden kasvua, mutta samalla myös pyritty vahvistamaan ohjauksen saavutettavuutta opiskelijoille. Klutka ym. (2018) korostavat omassa selvityksessään, että olemassa olevien ohjauksen palvelujärjestelmien laatua ei saa kuitenkaan vaarantaa. Tavoitteena on pikemmin tunnistaa tekoälyratkaisujen tuottama lisäarvo korkeakoulujen ohjaustoiminnalle.

Tutkimusten mukaan tekoälyä hyödyntävää ohjausta voitiin tarjota vain kulttuurisesti ja demografisesti melko homogeeniselle joukolle opiskelijoita (Mehraj & Baba, 2019; Cao & Zhang, 2011; Leung ym., 2010). Monet tekoälymenetelmät eivät kyenneet ottamaan huomioon monimutkaisia ja huonosti kvantifioitavia muuttujia, kuten persoonallisuutta ja luonteenpiirteitä. Itsepalveluna toimiva tekoälyyn pohjautuva ohjaus olisi tutkimusten mukaan teknisesti mahdollista, mutta se sisältää suuria riskejä ja ohjauseettisiä ongelmia. Kenellä on ohjauseettinen vastuu, jos sovellus tekee virhepäätelmiä, algoritmi ruokkii vinoumia tai opiskelija tekee tai jättää tekemättä valintoja suositusmoottorin perusteella?

Monesti monimutkaiset tekniset ratkaisut, kuten geneettiset algoritmit, laajat tietämystietokannat ja kognitiivinen laskenta, saattoivat edellä mainittujen selvitysten mukaan päästä kohtuullisiin tuloksiin, mutta niiden kehittäminen oli vaivalloista, kallista ja ylläpito haasteellista. Perinteisemmät ja yksinkertaisemmat tilastolliset mallit soveltuvat huonosti epätäydellisen ja moniulotteisen datan käsittelyyn. Vastaavasti sääntöjen kuvaaminen tarkasti ja koneiden ymmärtämällä tavalla on haasteellista. Ratkaisuna voidaan soveltaa esimerkiksi sumeaa logiikkaa, mutta vain osittain. (Mehraj & Baba, 2019). Harva opettaja tai opinto-ohjaaja kykenee mallintamaan tietämystään koneiden käyttöön. Tämä tarkoittaa sitä, että ohjauksen asiantuntijuuteen liittyvä tieto ja kokemus on kyettävä kuvaamaan tietokantaan tallennettavassa muodossa (Kts. Cao & Zhang, 2011).

Koneoppiminen, neuroverkot ja syväoppiminen ovat lupaavia ja suosiotaan jatkuvasti kasvattavia menetelmiä erilaisissa tekoälysovelluksissa. Myös niiden kanssa törmätään helposti eettisiin kysymyksiin. Kun algoritmi toimii lentokoneen mustan laatikon tavoin, sovellukseen voi kertyä opetusdatan kautta erilaisia vinoutumia. On myös kyseenalaista, millaisia päätöksiä tai suosituksia läpinäkymätön algoritmi voi tehdä ihmisten puolesta. Kenties helpoimmat ja riskittömimmät tekoälyratkaisut liittyvät luonnollisen kielen käsittelyyn. Nämä menetelmät mahdollistavat uudenlaisten käyttöliittymien kehittämisen ja voivat osaltaan vapauttaa ohjaustyötä tekevien työaikaa oleelliseen, kuten opiskelijoiden kohtaamiseen.

Ihmisen, teknologian ja etiikan suhde

Valtionvarainministeriö (2018) on toteuttanut selvityksen eettisestä tietopolitiikasta tekoälyn aikakaudella. Suomessa on siten visio eettisesti kestävästä ja kilpailukykyä kehittävästä tekoälystä. Visiota tavoiteltaessa on tärkeää pohtia tiedon ja datan eettisyyttä, koska kaikki tekoälymenetelmät pohjautuvat tavalla tai toisella saatavilla olevaan dataan. Esimerkiksi niin sanottu omadata sisältää periaatteet ihmiskeskeiselle datan käsittelylle. Luottamus ja läpinäkyvyys ovat edellytyksinä tekoälyn eettisyydelle. Ei ole aivan sama, miten ja millaiset algoritmit henkilödataa käsittelevät ja millaisia päätöksiä niiden pohjalta tehdään. On kuitenkin tärkeää, ettei teknologian soveltaminen, eikä edes kehittäminen, ole yksinomaan yritysten tai teknologistien käsissä. Teknologian kehittämiseen tarvitaan myös ohjauseettistä asiantuntijuutta.

Esimerkiksi Kaakkois-Suomen ammattikorkeakoulussa on meneillään hankkeita, joissa pyritään tunnistamaan tekoälyn sovelluskohteita opinto- ja uraohjauksessa ammatillisella toisella asteella sekä ammattikorkeakoulussa. Joudumme pohtimaan eettisiä kysymyksiä esimerkiksi Älykäs ohjaus ja Ohjaus tulevaisuuden työhön -hankkeidemme yhteydessä1.

1Älykäs ohjaus -hankkeessa (1.9.2019 – 31.8.2021) tavoitellaan digitaalista data-analytiikkaa ja tekoälyä hyödyntäen ratkaisumalleja opinto- ja uraohjaukseen liittyvien prosessien ja mallien haasteisiin.

Kirjoittajat

Mikko Lampi, Insinööri (AMK), Kehitysjohtaja, Metatavu Oy, mikko.lampi(at)metatavu.fi

Piia-Elina Ikonen, TtM, projektipäällikkö, Kaakkois-Suomen ammattikorkeakoulu, Piia-Elina.Ikonen(at)xamk.fi


Cao, Y., & Zhang, L. (2011, August). Research about the college students career counseling expert system based on agent. In 2011 2nd International Conference on Artificial Intelligence, Management Science and Electronic Commerce (AIMSEC). IEEE, 3208–3211.

Elements of AI -verkkokurssi (2018). Helsingin yliopisto & Reaktor. Haettu 12.8.2019 osoitteesta https://www.elementsofai.com/

Klutka, J., Ackerly, N. & Magda, A. (2018). Artificial Intelligence in Higher Education – Current Uses and Future Applications. Wiley education services. Haettu 22.5.2019 osoitteesta https://www.learninghouse.com/knowledge-center/research-reports/artificial-intelligence-in-higher-education/

Mehraj, T. & Baba, A. (2019). Scrutinising Artificial Intelligence based Career Guidance and Counselling Systems: An Appraisal. International Journal of Interdisciplinary Research and Innovations, vol. 7(1), 402–411.

Leung, C. M., Tsang, E. Y., Lam, S. S., & Pang, D. C. (2010). Intelligent counseling system: A 24 x 7 academic advisor. Educause Quarterly, 33(4).

Valtionvarainministeriö (2018). Eettistä tietopolitiikkaa tekoälyn aikakaudella -selonteko. Haettu 12.9.2019 osoitteesta https://vm.fi/documents/10623/7768305/Eettist%C3%A4+tietopolitiikkaa+teko%C3%A4lyn+aikakaudella+-selonteko.pdf/bf0ef101-5e11-175e-a87a-dea78359780c/Eettist%C3%A4+tietopolitiikkaa+teko%C3%A4lyn+aikakaudella+-selonteko.pdf.pdf/Eettist%C3%A4+tietopolitiikkaa+teko%C3%A4lyn+aikakaudella+-selonteko.pdf.pdf

Yao, M. (2017, syyskuu 22). Chihuahua or muffin? My search for the best computer vision API. Topbost 22.9.2017. Haettu 12.9.2019 osoitteesta https://www.topbots.com/chihuahua-muffin-searching-best-computer-vision-api/

Korvaavatko robotti ja botti-kuiskaaja opinto-ohjaajan?

Kirjoittaja: Jouni Soitinaho.

Chat-palvelu on vakiintunut yritysten digitaalisessa asiakaspalvelussa, ja tutkimusten mukaan jopa 25 prosenttia kuluttajabrändeistä ottaa käyttöön myös palvelurobotin eli chatbotin asiakaspalvelun tueksi vuonna 2020 (Gartner 2018). Käyttäjät ovat saaneet käyttökokemuksia chatin ja chatbotin käytöstä asiakaspalveluissa eri esimerkiksi vakuutus- ja pankkitoimialoilla. Kertyneet kokemukset nostavat käyttäjien vaatimustasoa yritysten digitaalisten palveluiden suhteen. Sama koskee luonnollisesti myös koulujen tarjoamien digitaalisten palvelujen vaatimuksia. Chat ja varsinkin chatbot ovat kuitenkin vielä hyvin harvinaisia koulujen oman toiminnan tukena, vaikka näitä koskevia opintojaksoja onkin jo opetustarjonnassa. Tässä artikkelissa hahmotellaan, mitä chatbot voisi tarjota ammattikorkeakoulun opinto-ohjaukseen?

Chatbotin arvolupaus opinto-ohjaukseen

Opinto-ohjaus on perinteisesti perustunut henkilökohtaiseen neuvontaan ja nettisivuihin. Henkilökohtainen neuvonta on opiskelijan kannalta usein paras ratkaisu, mutta koulun kannalta se saatetaan nähdä kustannustehokkuudeltaan heikkona. Nettisivujen ongelmana puolestaan on tiedon huono löydettävyys ja luotettavuuden haasteet. Samanaikaisesti monet yritykset ja organisaatiot ovat kokeneet saaneensa hyviä tuloksia chatbotin käyttöönotosta lähtien (Kinos 2019) ja asettaneet korkeita tavoitteita toiminnan tehostamiselle (Digi.hel.fi 2019). On siis hyvä syy olettaa, että myös opinto-ohjausta voidaan tehostaa huomattavasti chatbotin avulla varsinkin, kun suuri osa ohjaajalle tulevista kysymyksistä on yksinkertaisia ja toistuvia. Lisäksi 24/7-käyttö antaa muiden muassa aikuisopiskelijoille merkittävän lisähyödyn, koska heidän kysymyksensä ajoittuvat usein iltaan ja viikonloppuun. Toisaalta chatbotit pystyvät toistaiseksi vastaamaan vain yksinkertaisiin kysymyksiin, joten tulkintaa ja päätöksentekoa vaativat kysymykset on edelleen jätettävä henkilökohtaisen neuvonnan varaan.

Mahdollisuudet opiskelijoiden kokeman palvelutason parantamiseen ja opinto-ohjauksen kustannustehokkuuden parantamiseen eivät olleet ainoat syyt, kun päätimme lähteä kokeilemaan chatbotin käyttöönottoa Haaga-Helian master-ohjelmissa. Halusimme myös saada käytännön kokemusta palvelun toteuttamisesta ja ymmärtää, minkälaista osaamista toteutus vaatii ja miten vaativiin kysymyksiin chatbot pystyy tämän hetken teknologialla vastaamaan. Samalla tämä kokemus auttaa meitä ymmärtämään myös yritysten tarvitsemaa käytännönläheistä osaamista ja näin kehittämään myös opetustarjontaa todellista tarvetta vastaavaksi.

Tekemällä oppii

Chatbotin rakentaminen ei ole tänä päivänä tekninen ongelma. Pilvipalveluna ostetun chatbotin tapauksessa ainoa tekninen toimenpide on minimissään vain chat-ikkunan integroiminen halutuille web-sivuille. Päätimme kuitenkin varautua myös opinto-ohjaajien henkilökohtaisen chat-palvelun tarjoamiseen jatkossa, joten integroimme HUGI-chatbottimme myös toisaalla Haaga-Heliassa käytössä olevaan giosg-chattiin (Kuva 1). Varsinainen työ rakentamisvaiheessa on kysymys-vastausparien luominen niin, että opiskelijat saavat saman vastauksen, vaikka he muotoilevat kysymyksensä hiukan eri sanoin. Lähdimme liikkeelle noin sadasta tunnistetusta yksinkertaisesta kysymyksestä, joihin vastauksen löytäminen verkkosivuilta on työlästä.

Kuva 1. HUGI-chatbotin aloitusteksti opiskelijoiden web-sivulla

Sadalla kysymyksellä pääsee kyllä liikkeelle, kunhan uusien lisääminen ja vanhojen muokkaaminen on hyvin suunniteltu. Käytännössä aidot kysymyksethän tulevat vasta opiskelijoilta, ja botin on opittava vastaamaan niihin nopeasti, jotta käyttäjät huomaavat sen oppivan jatkuvasti. Ylläpidon suunnittelua ja taustalla tietokonetta opastavan ”botti-kuiskaajan” roolia emme ymmärtäneet täysin alussa. Jouduimme muuttamaan kysymysten ryhmittelyä myöhemmin helpottaaksemme päivittämistyötä. Olennaista on myös nojata vastauksissa koulun muissa tietojärjestelmissä ylläpidettäviin tietoihin, jotta vältämme päivämäärien ja muiden muuttuvien tietojen tuplapäivittämisen.

Opimme matkan varrella myös tulkitsemaan opiskelijan kysymyksen takana olevaa tietotarvetta paremmin. Alusta lähtien pyrimme selvittämään kysymyksen merkityksen avainsanojen avulla. Huomasimme pian etsivämme turhaan tiettyjä kysymyssanoja opiskelijan esittämästä kysymyksestä. Tämä osoittautui tarpeettomaksi ja aiheutti usein opiskelijan jäämisen vastausta vaille. Useimmiten on parempi pyrkiä ymmärtämään merkitys pääpiirteissään ja ohjata opiskelija eteenpäin esimerkiksi web-sivulle, kuin pyrkiä liian yksityiskohtaiseen vastaukseen. Näistä alkuvaiheen kokemuksista kertyi kosolti osaamista ja botti-kuiskaajan rooli alkoi vähitellen hahmottua.

Tärkeä päätös oli myös toteuttaa ja testata ensin vain suomenkielinen versio, jotta kysymysten ryhmittely- ja muotoilumuutoksia ei tarvitse suorittaa kahteen kertaan. Jatkossa joudutaan uudet kysymys-vastausparit luonnollisesti laatimaan kahdella kielellä

Ensivaiheen tuloksia

Alustavat tulokset testikäytön ajalta ovat rohkaisevia. Botti on vastannut lähes neljään viidesosaan kysymyksistä ja saanut käyttäjiltä arvosanaksi lähes 7/10 (Kuva 2). Nämä luvut ovat kuitenkin vain suuntaa antavia, koska ne eivät täysin perustu aitoihin opiskelijoiden tekemiin kysymyksiin. Botin ylläpitäjän kannalta käyttöliittymä on hyvin yksinkertainen. Botti-kuiskaajan tehtävänä on käydä läpi kysymykset, joihin botti ei ole osannut vastata (escalations) ja etsiä vastaukset niihin. Tämä tapahtuu joko yleistämällä olemassa olevaa kysymys/vastausparia tai luomalla kokonaan uusi kysymys.

Kuva 2. Otos HUGI-chatbotin analytiikkanäkymästä testikäytön jälkeen.

HUGI-chatbotti otetaan varsinaisesti käyttöön syyslukukauden 2019 aikana master-opiskelijoiden ohjauksessa. Käyttöönottoon on osallistunut aktiivisesti kolme henkilöä Haaga-Heliasta ja toimittajan puolelta yksi. Koska kaikki ovat osallistuneet työhön vain lyhyitä aikoja puolen vuoden aikana, on käytettyä työaikaa vaikea arvioida. Suuruusluokaltaan Haaga-Helian oma panos on ollut kaiken kaikkiaan noin 20-25 työpäivää. Koska alkuvaihe vaati opettelua, käytetty resurssi oli suurempi kuin etukäteen arvioitiin. Botti-kuiskaajan ylläpitotyö vaatinee jatkossa noin 1-2 työpäivän panoksen kuukaudessa. Hyöty kasvaa sitä mukaa kun käyttömäärä kasvaa. Se taas edellyttää palvelun markkinointia ja hyötyä voidaankin mitata vasta muutaman kuukauden käytön jälkeen.

Perustus on luotu – mitä sitten?

Botti pystyy tällä hetkellä antamaan vain yleistä tietoa käyttäjälle ja ohjaamaan hänet oikealle sivulle ilmoittautumisten ja muiden toimenpiteiden suorittamiseksi. Se toimii siis ikään kuin edistyneenä FAQ-palveluna. Tämä on kuitenkin tärkeä välivaihe ketterässä kehittämisessä, minkä jälkeen toiminnallisuutta voidaan viedä eteenpäin henkilökohtaisemman palvelun suuntaan. Sen edellytyksinä ovat käyttäjän tunnistaminen ja palvelun integroiminen koulun perusjärjestelmiin sekä aiempien keskustelujen tallettaminen. Näiden avulla botilla olisi tietoaa käyttäjän opintojen tilasta ja se osaisi personoida neuvontaa. Samalla se vapauttaisi opinto-ohjaajat syvällisempää päätöksentekoa vaativiin tehtäviin. Näiden toteuttaminen on teknisesti vaativampi toimenpide kuin chatbotin pystyttäminen.

HUGI:n kaltainen yksinkertainen chatbot perustuu perinteisten säännöllisten ehtolausekkeiden käyttöön. Se on kuitenkin toteutettu alustalle, jolle voidaan vähitellen tuoda tekoälyä mukaan. Yhtenä haasteena ovat tällä hetkellä lukemattomat erilaiset kysymysten muotoilut, joilla samaa asiaa voidaan kysyä. Kun tekoälyä kehitetään ymmärtämään paremmin luonnollista kieltä, päästään botin ylläpidossa vähitellen eroon säännöllisten lausekkeiden käytöstä. Tämä etenee palvelun toimittajan kehitystyön mukana eikä se vaadi asiakkaalta erityisiä toimenpiteitä. Tässä suhteessa toimittajan valinta on tärkeä, pitkälle vaikuttava päätös.

Yksinkertaisten kysymysten ymmärtämisen jälkeen tekoälyä voidaan hyödyntää vastausten generoimisessa vaativampiin kysymyksiin. Mikäli chatbotille on kertynyt runsaasti dataa erilaisista ohjaustilanteista ja niiden onnistumisesta, se voisi opiskelijan tilanteen perusteella oppia antamaan älykkäämpiä, opiskelijan kokonaistilanteen ymmärtämiseen perustuvia neuvoja. Tällöin botti voisi myös kysyä opiskelijalta tarkentavia kysymyksiä päätöksenteon pohjaksi, jolloin chatbotilla päästäisiin lähemmäksi todellista interaktiivista opinto-ohjausta. Tähän on vielä pitkä matka, mikä vaatii paljon tutkimustyötä ja soveltamiskokemuksia. Yksinkertaisella chatbotilla matkalle pääsee helposti mukaan!

Kirjoittaja

Jouni Soitinaho, Yliopettaja, Koulutusohjelmavastaava, Haaga-Helia AMK


Digi.hel.fi. (2019). Tekoäly purkaa ruuhkia ja parantaa asiakaspalvelua – Digitaalinen Helsinki. Haettu 12.9.2019 osoitteesta https://digi.hel.fi/blogikirjoitukset/tekoaly-purkaa-ruuhkia-ja-parantaa-asiakaspalvelua/

Gartner, Inc. (2018). Press Release: 25 Percent of Customer Service Operations Will Use Virtual Customer Assistants by 2020. Julkaistu 19.2.2018. Haettu 12.9.2019 osoitteesta https://www.gartner.com/en/newsroom/press-releases/2018-02-19-gartner-says-25-percent-of-customer-service-operations-will-use-virtual-customer-assistants-by-2020

Kinos, T. (2019). How a multinational insurance company automates over 60% of their customer service queries?. Getjenny.com. Haettu 12.9.2019 osoitteesta https://www.getjenny.com/blog/how-a-multinational-insurance-company-automates-over-60-of-their-customer-service-queries

Osaavaa ohjausta Master-opiskelijalle työssä ja opiskelussa

Kirjoittaja: Kirsti Kehusmaa.

Ylemmän ammattikorkeakoulututkinnon opiskelijat eli Master-opiskelijat ovat työelämän ja opiskelun taitureita monessa merkityksessä. Tai ainakin heidän edellytetään sitä usein olevan jo opintojen alkaessa. Master-tutkintoa suoritetaan pääsääntöisesti työn ohessa. Opinnot ja oppimistehtävät linkitetään omaan työhön eri tavoin ja moni tekee myös opinnäytetyönsä kehittämisprojektina työnantajalleen. Parhaimmassa tapauksessa oppimisen vaikutukset siirtyvät laaja-alaisesti työpaikalle hyödyttämään liiketoimintaa ja/tai työyhteisöä laaja-alaisesti. Opiskelija pystyy kehittämään osaamistaan ja työtään sekä samalla omia uramahdollisuuksiaan.

Pahimmassa tapauksessa Master-opiskelu sitoo opiskelijan työnantajaan, jonka palveluksessa hän ei halua pysyä tai työhön, joka ei häntä motivoi enää. Opintovapaa mahdollistaa joillekin irtioton nykyisestä työpaikasta, mutta opinnäytetyöaiheen ja uuden toimeksiantajan löytäminen opintovapaalla voi puolestaan tuottaa haasteita. Osa opiskelijoista ryhtyy yrittäjiksi opintojen aikana tai valmistelee oman yrityksen perustamista. Opiskelijoita voi motivoida myös toive siirtyä urallaan eteenpäin tehtäviin, joissa edellytetään ylempää korkeakoulututkintoa.

Moni Master-opiskelija elää ruuhkavuosiaan sovittaen yhteen lasten hoitoa, omista ikääntyvistä vanhemmista huolehtimista, työtä ja opiskelua. Lyhyellekin opiskeluajalle saattaa kasautua useita elämää mullistavia tekijöitä: työpaikalla tapahtuu merkittäviä muutoksia, työpaikka, opiskelija tai joku hänen perhepiirissään sairastuu vakavasti, avioliitto hajoaa.

Master-opiskelija on usein vaativissa asiantuntija- tai esimiestehtävissä toimiva ammattilainen, jolle on kertynyt työelämän osaamista vuosien ajalta. Hän on ehkä jo aiemmin suorittanut työn ohessa alemman korkeakoulututkinnon tai muita opintoja. Tämä saattaa luoda harhakuvan, että Master-opiskelija luovii sujuvasti läpi opintojen ilman erityistä ohjaustarvetta. Tosiasiassa ohjaustarve vaihtelee voimakkaasti yksilön ja hänen kulloisen tilanteensa mukaan.

Ohjaajan monet kasvot

Opinnäytetyön tekeminen merkitsee jokaiselle opiskelijalle ohjaussuhdetta, osalle opiskelijoista ehkä ainoaa ohjaussuhdetta opintojen aikana. Toisaalta juuri opinnäytetyön tekeminen on useimmille opintojen suurin ponnistus. Opinnäytetyön ohjauksella on keskeinen rooli opintojen sujuvoittamisessa ja mielekkyyden takaamisessa.

Haaga-Heliassa on käynnistetty yhden Master-koulutusohjelman puitteissa malli, jossa sama opettaja vastaa oman pienryhmänsä opintojen ja opinnäytetyön ohjauksesta koko opiskelun ajan. Meneillään olevassa kaikkia Haaga-Helian Master-ohjelmia koskevassa opetussuunnitelmauudistuksessa kehitetään opinnäytetyön ja opintojen ohjauksen prosesseja hyödyntäen kokemuksia mm. tästä mallista.

Opinnäytetyön ja opintojen ohjauksen yhdistäminen tukee hyvin opiskelujen edistymistä, mutta siihen liittyy myös joitakin haasteita. Saman opettajan tulisi olla paitsi kykenevä, myös motivoitunut ohjaamaan sekä opintoja että opinnäytetöitä. Tämän lisäksi ohjaajan pitää pystyä käsittelemään opiskelijan kanssa tämän uraan tai elämäntilanteeseen liittyviä, monesti varsin haasteellisia asioita. Henkilökohtaisen opintosuunnitelman, oppimistehtävien ja opinnäytetyön tulee muodostaa looginen kokonaisuus, joka tukee parhaalla mahdollisella tavalla opiskelijan urakehitystä ja osaamistavoitteita – nykyisessä ja tulevissa tehtävissään.

Opettajatiimi monipuolisen ohjauksen takaajana

Kaiken edellä mainitun ja lisäksi syvällisen asiaosaamisen yhdistyminen samassa opettaja-ohjaajassa on harvinaista. Eräs vaihtoehtoinen ratkaisu on tiimiopettajuus, joka mahdollistaa monipuolisen tuen Master-opiskelijoille. Haaga-Helian Master-koulutuksen uudistuksessa pohditaan parhaillaan mallia, jossa Master-opettajatiimi vastaisi oman osaamisalueensa opintokokonaisuuden ohessa myös samaan osaamisalueeseen liittyvien opinnäytetyöryhmien ja -tekijöiden ohjauksesta. Vaikka asiaosaaminen toimii tässä mallissa opettajatiimin kokoavana tekijänä, on toivottavaa, että tiimissä olisi monipuolisesti ohjauksellista, pedagogista, työelämä- ja TKI-osaamista.

Ohjaustyössä on huomioitava ammattikorkeakoulun TKI-toiminnan monet mahdollisuudet, jotta opinnäytetyöt ja opinnot kytkeytyvät hanketyöhön soveltuvin osin. Opettajatiimin tai jonkun sen jäsenen integroituminen TKI-toimintaan on aika lailla välttämätöntä, jotta tämä yhteys saadaan syntymään. Ohjaus- ja opetustyössä tarvitaan kattavaa työelämätuntemusta ja monipuolisia verkostoja paitsi ohjaukseen, myös opinnollistamiseen, opintojen suunnitteluun ja kehittämiseen sekä opinnäytetyöaiheiden kartoittamiseen. Haaga-Heliassa Work & Study -malliksi konseptoitu opinnollistaminen on Master-opinnoissa vielä suhteellisen vähän hyödynnetty mahdollisuus. Erityisen toivottavaa olisi saada aikaiseksi Master-koulutuksiin Work & Study -opintokokonaisuuksia, joissa opinnollistamista voitaisiin suunnitella ja toteuttaa myös ryhmissä. Esimerkiksi yrittäjäksi ryhtyville tai omaa yritystään kehittäville Master-opiskelijoille Work & Study -opinnot tuntuvat toimivan hyvin.

Opettajatiimissä työelämäosaaminen ja -kontaktit sekä niiden hyödyntämismahdollisuudet moninkertaistuvat verrattuna yhden opettajan resursseihin. Hyväksi havaitut ohjaamisen käytännöt leviävät ja osaaminen kasvaa opettajatiimin sisällä yhteisten kokemusten myötä. Opiskelija tarvinnee jatkossakin yhden henkilökohtaisesti nimetyn ohjauksesta vastaavan henkilön, mutta opettajatiimi tuo mukanaan laajempaa ja monipuolisempaa asiantuntemusta ja tukea opiskelun ja ohjauksen erilaisiin tarpeisiin.

Robotti avuksi

Ohjaustyöhön sisältyy merkittävä määrä rutiiniluonteista työtä ja neuvontaa yhä uudestaan toistuvista teemoista. Tekoälyyn perustuvat oppimisanalytiikan ratkaisut ja chatbotit ovat jo tulossa ohjaustyön tueksi. Haaga-Helian Master-opinnoissa on pilotoitu tekoälyn hyödyntämistä opintojakson ”co-teacherinä”. Kehitystyötä tullaan jatkamaan tällä saralla, jotta edellä kuvatut opettajatiimit voidaan vapauttaa rutiiniluontoisemmasta ohjaustyöstä. Haaga-Helian Master-opetussuunnitelmauudistuksen tavoitteena on luoda entistä parempia mahdollisuuksia monimuotoisiin, monialaisiin ja yksilöllisesti suunniteltaviin opintopolkuihin. Tämä edellyttää puolestaan entistä henkilökohtaisempaa opinto-ohjausta. Samaan aikaan rutiinimainen ja toistuva ohjaus ja neuvonta on pystyttävä hoitamaan opiskelijaa hyvin palvellen.

Tulevaisuudessa tekoälyä hyödyntävät ratkaisut pystyvät entistä vaativampaan ohjaustyöhön. Niiden avulla tunnistetaan opiskelun pullonkauloja, kohdistetaan ohjausta ja tukitoimia, autetaan yksilöllisten oppimispolkujen suunnittelussa, mahdollistetaan monipuolista arviointia ja palautteiden hyödyntämistä. Ihanteellisessa tilanteessa opettajat ja ohjaajat yhdessä näiden teknologisten ratkaisujen kanssa luovat oppimiskokemuksia, jotka tukevat opiskelijaa läpi opiskeluajan ja kannustavat elinikäisen oppimisen tielle. Ehkä näin opiskelijoistamme tulee paitsi todellisia työelämän mestareita ja ajankäytön mastereita, myös oppimisen ammattilaisia?

Kirjoittaja

Kirsti Kehusmaa, Tekn.lis. (työpsykologia ja johtaminen) Haaga-Helia ammattikorkeakoulu
Kehityspäällikkö, Master-ohjelmat, kirsti.kehusmaa(at)haaga-helia.fi