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/

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

Kuinka kansainväliset opiskelijat saadaan työllistymään?

Kirjoittajat: Anna Ollanketo ja Milla Roinainen.

Kansainvälisiä tutkinto-opiskelijoita halutaan entistä tuloksellisemmin integroida Suomen työmarkkinoille ja yhteiskuntaan. Kilkas – Kilpailukykyä ja kasvua ulkomaalaisten ammattikorkeakouluopiskelijoiden työllistymisen edistämiseksi –hankkeen tavoitteena oli rakentaa kaikki ammattikorkeakouluja palveleva toimintamalli ulkomaalaisen korkeakouluopiskelijan työllistymisen edistämiseen Suomessa. Hanke on rahoitettu Euroopan sosiaalirahastosta.

KILKAS-hanketta koordinoi Kaakkois-Suomen ammattikorkeakoulu (Xamk), ja se muodosti verkoston yhdessä Oulun, Seinäjoen, Tampereen ja Turun ammattikorkeakoulujen kanssa. Hankkeessa ammattikorkeakoulut tekivät omia paikallisia kokeiluja ulkomaalaisten korkeakouluopiskelijoiden työllistymisen edistämiseksi erityisesti liiketalouden opiskelijoiden parissa. Samaan aikaan kansallisessa työryhmässä prosessoitiin yhteistä toimintamallia.

Toimintamalli ja ketterät kokeilut

KILKAS-toimintamallin (Xamk n.d.) kohderyhmänä ovat kansainväliset tutkinto-opiskelijat ja ammattikorkeakoulujen henkilökunta. Mallin opiskelijoille suunnatussa englanninkielisessä versiossa kannustetaan ja ohjataan opiskelijaa kiinnittämään huomiota työllistymiseen opintojen alusta saakka (kuvio 1). Toimintamallin avulla opiskelijalle kerrotaan suomen kielen opintojen tärkeydestä, verkostoitumisesta Suomessa, työharjoittelusta, työelämäprojekteista, urasuunnittelusta ja mahdollisuuksista työllistyä Suomessa. Kaikkien opiskelijoiden tavoitteena ei ole työllistyä suomalaiseen yritykseen heti ammattikorkeakoulututkinnon jälkeen, minkä vuoksi heille on kerrottu myös mahdollisuudesta perustaa yritys ja jatkaa opintoja. Malli on kuvattu ammattikorkeakoulututkintoa suorittaville ulkomaalaisille opiskelijoille, mutta sitä voi hyödyntää myös eri tutkintoasteilla.

Kuvio 1. Englanninkielinen KILKAS-toimintamalli kansainvälisille opiskelijoille.

Mallin suomenkielisessä versiossa (kuvio 2) kuvataan opiskelijan opintopolku, jossa tuetaan opiskelijan integroitumista ja työllistymistä Suomeen. Malli toimii työkaluna ohjaus- ja opetustyötä tekeville tukemalla koulutusohjelmasuunnittelua, opiskelijan opinto- ja uraohjausta ja työelämäyhteistyön kytkemistä opintoihin koko opiskeluprosessin ajaksi.

Kuvio 2. Suomenkielinen KILKAS-toimintamalli opetus- ja ohjaushenkilöstön tueksi.

Toimintamalliin kuuluvissa ketterissä kokeiluissa on kuvattu paikallisia työllistymistä edistäviä toimenpiteitä, joita ammattikorkeakouluissa tehtiin hankkeen aikana. Onnistunut kokeilu oli esimerkiksi Career path – kansainvälisen opiskelijan polku työllistymiseen Suomessa, jossa paikalliset asiantuntijat TE-toimistosta, Uusyrityskeskuksesta, kehittämisyhtiöstä ja yrityksistä pitivät tietoiskuja työnhakemisesta, yrityksen perustamisesta, yrityksen rekrytointiprosesseista sekä alueen yritysrakenteesta ja suhdanteista (Xamk n.d.).

Uraohjauksen ketterässä kokeilussa, Job mentor -ohjelmassa, suomalaiset opiskelijat perehdyttivät kansainväliä opiskelijoita. Ohjelman tavoitteena oli perehdyttää kansainväliset opiskelijat suomalaiseen työkulttuuriin sekä antaa tietoa työmarkkinoista, työnhakemisesta, palkkauksesta ja työsuhteen solmimisesta. Job mentor -ohjelma antoi mahdollisuuden tavata ja verkostoitua suomalaisten kanssa sekä kehittää itseään suomalaisille työmarkkinoille. Mentorin avulla voi myös vahvistaa suomen kielen taitoa. (Järvinen, Ollanketo & Siitonen, 81–83.)

Erilaiset suomen kielen opetukseen liittyvät kokeilut olivat myös hyvin menestyksekkäitä. Turun ammattikorkeakoulun Business Finnish Communication -kurssilla haastettiin opiskelijoita pelien ja simulaatioiden avulla tutustumaan omiin vahvuuksiinsa ja suomalaisen työelämän piirteisiin. Opettajien kokemusten mukaan kurssi onnistui hyvin, koska opiskelijat olivat erittäin motivoituneita ja aktiivisia. Suomen kielen oppimisen kannalta tärkeintä olisi nivoa kielen opiskelu osaksi alan opintoja ja kaikkia opintojen vaiheita (Kivivuori & Sandberg 2018,15–23.)

Verkostoidu! – helpommin sanottu kuin tehty

Työharjoitteluun, kehittämisprojekteihin ja opinnäytteisiin liittyvistä ketteristä kokeilusta on löydettävissä yksi yhteinen nimittäjä, joka vaikuttaa ennakoivan opiskelijan työllistymistä. Tämä nimittäjä on verkostoituminen, tarkemmin ottaen verkostoituminen oman alan yritysten ja muiden sidosryhmien kanssa mahdollisimman varhaisessa vaiheessa opiskeluja. Yritysten kehittämisprojekteja voi hankkeistaa oppimistehtäviksi ja opinnäytetöiksi.

Alumnitoiminnan kehittäminen liittyi läheisesti verkostoitumiseen. Alumnitoiminnan kokeiluista Tampereella ja Turussa opittiin se, että tarvitaan sekä koko ammattikorkeakoulun tasolla yhteisesti koordinoitua alumnitoimintaa että tutkinto-ohjelmien omaa yhteistyötä. Tämän lisäksi on hyvä pitää mielessä, että kaikkia valmistuneita ei saada mukaan alumneiksi, joten on tärkeää panostaa aktiivisiin alumneihin, jotta verkosto pysyy elävänä. (Hopeela, Le Grand & Tuomala 2018, 65–71.)

Verkostoitumisen tavoitetta tukee myös Opetushallituksen (2016) toteuttama Uutta osaamista pk-yrityksiin -hanke, jossa kartoitettiin sitä, miten ja miksi suomalaiset pienet ja keskisuuret yritykset hyödyntävät kansainvälistä osaamista ja millaisia esteitä hyödyntämisen tiellä on. Tuloksista käy ilmi, että koulutusorganisaatioiden tulisi viestiä kv-osaajien rekrytoinnin hyödyistä yrityksille entistä tehokkaammin ja tukea kansainvälisiä opiskelijoita myös itse yhteydenotoissa yrityksiin. Eräs suurimmista syistä siihen, miksi pk-yrityksissä ei ole ollut kv-osaajia on se, etteivät he ole hakeneet pk-yrityksiin. (Opetushallitus 2017.)

Verkostoituminen liittyy moniin eri toimintoihin ja tekemiseen. Käytännössä verkostoituminen voi tuntua yksilölle vaikealta – etenkin toisesta maasta tulleena. Tämän vuoksi tarvitaan ammattikorkeakouluilta verkostoitumista tukevia rakenteita: yritysvierailuja, alumnitapahtumia, asiantuntijaluennoitsijoita työelämästä ja kehittämisprojekteja kaikissa opintojen vaiheissa. Jatkossa lisää panostusta tarvitaan entistä räätälöidympään uraohjaukseen opinnoista työelämään siirtymisen nivelvaiheessa.

Kirjoittajat

Anna Ollanketo, Tradenomi (yamk) ja projektipäällikkö, Kaakkois-Suomen ammattikorkeakoulu, anna.ollanketo(at)xamk.fi

Milla Roininen, VTM ja hankeasiantuntija, Turun ammattikorkeakoulu, milla.roininen(at)turkuamk.fi


XAMK (n.d.). KILKAS – Kilpailukykyä ja kasvua ulkomaalaisten ammattikorkeakouluopiskelijoiden työllistymisen edistämiseksi. Haettu 3.5.2018 osoitteesta https://www.xamk.fi/kilkas

Hopeela J., Le Grand N. & Tuomala M. (2018). Developing alumni activities in Tampere and Turku Universities of Applied Sciences. Julkaisussa Ollanketo A. (toim.) Kansainvälisten korkeakouluopiskelijoiden työllistymisen edistäminen. Toimintamalli ja ketteriä kokeiluja. XAMK kehittää 36. Kaakkois-Suomen ammattikorkeakoulu.

Järvinen T., Ollanketo A., & Siitonen M. (2018). Kokeiluja kansainvälisen opiskelijan uraohjauksessa. Julkaisussa Ollanketo A. (toim.) Kansainvälisten korkeakouluopiskelijoiden työllistymisen edistäminen. Toimintamalli ja ketteriä kokeiluja. XAMK kehittää 36. Kaakkois-Suomen ammattikorkeakoulu.

Kivivuori J. & Sandberg R. (2018). Positiivinen vire suomen kielen oppimisessa. Julkaisussa Ollanketo A. (toim.) Kansainvälisten korkeakouluopiskelijoiden työllistymisen edistäminen. Toimintamalli ja ketteriä kokeiluja. XAMK kehittää 36. Kaakkois-Suomen ammattikorkeakoulu.

Opetushallitus (2017). Uutta osaamista pk-yrityksiin. Osataanko ulkomaalaisia opiskelijoita hyödyntää pienissä ja keskisuurissa yrityksissä? Raportti. Opetushallitus, Owal Group. Haettu 15.5.2018 osoitteesta http://uuttaosaamista.fi/wp-content/uploads/2016/05/Uuttaosaamista.pdf