Tehisaru jõuab Eesti koolidesse üha kiiremini. Näiteks katsetatakse TI-hüppe raames lahendusi, mis aitavad õpet toetada ja muuta õppimist personaalsemaks. Idee on lihtne: kui õpilane ei saa näiteks ruutvõrranditest aru, suudab tehisintellektil põhinev süsteem selle tuvastada ja pakkuda talle sobivaid harjutusi. Selline lähenemine lubab muuta õppimise tõhusamaks ja kohandada seda õppijate vajadustele.

Tallinna Ülikoolis oleme sarnaseid lahendusi ka ise uurinud ja testinud. Paraku näitab meie hiljutine teadustöö¹, et tegelikkus on loodetud ideaalist märksa keerulisem. Paljud tänapäeva tehisarusüsteemid ei arvesta sellega, kuidas inimesed tegelikult õpivad. Seda ilmestavad probleemid avalduvad mitmel tasandil.

Üks peamisi probleeme on see, et tehisarusüsteemid keskenduvad kitsalt õpiülesannetele ja andmemustritele. Kõrvale jäävad aga õppimise jaoks olulised protsessid, nagu motivatsioon, emotsioonid ja eneseregulatsioon. Nii võib süsteem küll tuvastada, et õppijal on raskusi, kuid ei mõista, miks need tekivad, ega suuda pakkuda sisuliselt sobivat tuge.

Teine murekoht puudutab seda, kuidas neid süsteeme arendatakse ja hinnatakse. Hariduses kasutatakse sageli mudeleid, mille toimimine ei ole läbipaistev ning mida ei ole piisavalt võrreldud alternatiivsete lahendustega. See tähendab, et ei ole selge, kas valitud lahendus on tegelikult kõige tõhusam või lihtsalt tehniliselt kõige kättesaadavam.

Lisaks kerkivad esile eetilised küsimused. Tehisarusüsteemid õpivad olemasolevatest andmetest ja võivad seetõttu peegeldada neis sisalduvaid kallutatusi. Näiteks on uuringud näidanud, et suured keelemudelid võivad anda õppijatele erinevat tagasisidet sõltuvalt nende soost. Sellised kallutatused ei pruugi olla kohe nähtavad, kuid võivad mõjutada õppijate võimalusi ja enesekindlust.

Need probleemid ei ole üksikud, vaid korduvad paljudes tehisarulahendustes. Sageli jäävad need ka märkamata, kuigi mõjutavad otseselt seda, kuidas õppijad tuge saavad. Suurte keelemudelite levik on need kitsaskohad eriti selgelt esile toonud. Süsteemid on küll lihtsasti kasutatavad, kuid annavad vahel ebausaldusväärseid vastuseid ja nende tööpõhimõtted jäävad kasutajale arusaamatuks.

Kõrghariduses on osa neist probleemidest lihtsamini hallatavad ja tehisarust võib seal olla palju kasu. Üldhariduses on olukord keerulisem. Paljud koolides kasutatavad tehisintellektil põhinevad lahendused ei arvesta sellega, kuidas inimesed tegelikult õpivad.

Seetõttu peavad arendajad ja otsustajad nende kasutuselevõtul olema eriti ettevaatlikud. Ka meie toetame tehisaru toomist koolidesse, näiteks TI-hüppe kaudu, kuid ainult siis, kui seda tehakse teadlikult ja läbimõeldult.

Vastutustundlik tulevikuvaade

Tehisaru ei kao haridusest kuhugi. Õpilased kasutavad neid vahendeid juba praegu ja teevad seda ka edaspidi. See tähendab, et õpetajad ja koolid peavad mõistma, milliseid riske need tööriistad kaasa toovad. Kui õpilane usaldab tehisaru pimesi ja lahendab ülesande valesti, võib ta sattuda klassikaaslaste naerualuseks. Selline kogemus võib vähendada tugevalt tema enesekindlust ja motivatsiooni.

Suurte keelemudelite arendajad ja kasutajad tegelevad küll juba ise vigade parandamise ja kallutatuse vähendamisega, mis on vajalik, kuid see ei lahenda sügavamaid probleeme. Sarnastele järeldustele on jõudnud ka mitmed hiljutised uuringud, mis näitavad, et pelgalt tehniliste parandustega pole võimalik suurtel keelemudelitel põhinevate süsteemide peamisi kitsaskohti lahendada^2–6.

Tehisarumudelid õpivad olemasolevatest andmetest ning kannavad edasi neis sisalduvaid mustreid ja kallutatusi. Samal ajal loob nende võime anda näiliselt personaalseid vastuseid mulje, et tegemist on universaalse lahendusega. See ei vasta tegelikkusele.

Vastutustundlike tehisintellekti meetodite arendustöös tuleks kaasata erinevad huvirühmi: õpilasi, õpetajaid, koolijuhte, haridusteadlasi ja poliitikakujundajaid. Samuti on oluline rakendada erinevaid tehisintellektipõhiseid meetodeid, mitte ainult suuri keelemudeleid.

Tehisarul võib klassiruumis olla suur roll ja sellest võib õppimisel ka päriselt kasu olla. Ent seda ainult siis, kui me ei lase end tehnoloogiast pimestada. Kui kiirustame ja võtame lahendusi kasutusele ilma, et mõistaksime, kuidas need tegelikult toimivad, riskime sellega, et eksitame terve põlvkonna õppijaid.

Just neist noortest saavad aga tulevased arstid, õpetajad ja otsustajad. Seetõttu ei saa me hariduses tehisaru kasutamisel lubada endale juhuslikke valikuid.

Viited:
1 – Hooshyar, D., Šír, G., Yang, Y., Kikas, E., Hämäläinen, R., Kärkkäinen, T., ... & Azevedo, R. (2025a). Towards responsible AI for education: Hybrid human-AI to confront the Elephant in the room. Computers and Education: Artificial Intelligence, 100524.
2 – Du, Y., Borchers, C., & Cukurova, M. (2025). Benchmarking educational llms with analytics: A case study on gender bias in feedback. arXiv preprint arXiv:2511.08225.
3 – Hooshyar, D., Yang, Y., Šíř, G., Kärkkäinen, T., Hämäläinen, R., Cukurova, M., & Azevedo, R. (2025). Problems With Large Language Models for Learner Modelling: Why LLMs Alone Fall Short for Responsible Tutoring in K--12 Education. arXiv preprint arXiv:2512.23036.
4 – Resnik, P. (2025). Large language models are biased because they are large language models. Computational Linguistics, 51(3), 885-906.
5 – Lee, J., Hicke, Y., Yu, R., Brooks, C., & Kizilcec, R. F. (2024). The life cycle of large language models in education: A framework for understanding sources of bias. British Journal of Educational Technology, 55(5), 1982-2002.
6 – Borchers, C., & Shou, T. (2025, July). Can large language models match tutoring system adaptivity? a benchmarking study. In International Conference on Artificial Intelligence in Education (pp. 407-420). Cham: Springer Nature Switzerland.