Kun ChatGPT ja muut suuret kielimallit (LLM) tulivat laajaan käyttöön loppuvuodesta 2022, miljoonat ihmiset alkoivat hyödyntää niitä kysymysten vastaamiseen, tiedon yhteenvedon tekemiseen ja tehtävien nopeuttamiseen, jotka aiemmin vaativat aikaa vieviä hakuja. Uusi joukko kontrolloituja kokeita osoittaa, että tämä käytännöllisyys voi tulla hinnalla: ihmiset, jotka tukeutuvat LLM-yhteenvedon antamiin vastauksiin, kehittävät usein pinnallisempaa tietämystä kuin ne, jotka tutkivat aiheita perinteisen verkkohau nä kautta.

Miten kokeet suoritettiin ja mitä ne paljastivat

Tutkijat Shiri Melumad ja Jin Ho Yun, molemmat markkinoinnin professorit, johtivat seitsemää kontrolloitua tutkimusta, joissa oli yli 10 000 osallistujaa. Tutkimuksen tarkoituksena oli verrata oppimista tilanteissa, joissa osallistujat käyttivät suurta kielimallia (esimerkiksi ChatGPT:tä) verrattuna perinteiseen Google-hakuun. Osallistujia pyydettiin oppimaan arkipäiväisistä aiheista—esimerkiksi miten perustaa ja hoitaa vihannespuutarhaa—ja heidät jaettiin satunnaisesti joko LLM:n käyttäjiin tai sellaisiin, jotka selasivat ja avasivat verkkolähteitä vanhanaikaisella tavalla. Hakuun ja LLM-kehotuksiin ei asetettu aikarajoja eikä rajoituksia määrälle tai laadulle.

Kokeissa mitattiin sekä subjektiivisia kokemuksia (kuten koettu oppiminen ja käytetty vaivannäkö) että objektiivisia tuloksia (esimerkiksi kirjoitetun neuvon pituus, tarkkuus ja konkreettisuus). Tutkijat pyysivät osallistujia laatimaan tutkimansa aiheen pohjalta neuvoja ystävälle, minkä jälkeen riippumattomat arvioijat, jotka eivät tienneet käytettyä työkalua, arvioivat näitä neuvoja informatiivisuuden ja hyödyllisyyden perusteella.

Yhtenäinen kuvio nousi esiin: LLM-yhteenvetoja käyttäneet osallistujat raportoivat oppineensa vähemmän, käyttäneensä vähemmän vaivaa neuvojen kirjoittamiseen ja tuottaneensa lyhyempiä, geneerisempiä ja vähemmän faktapohjaisia tekstejä kuin osallistujat, jotka olivat kaivaneet tietoa suoraan verkkosivuilta. Tämä vaikutus näkyi useilla eri aihealueilla ja eri väestöotoksissa, mikä tekee tuloksista yleistettävämpiä.

Kun riippumattomat lukijat arvioivat neuvoja ilman tietoa lähteestä, he arvioivat systemaattisesti LLM:stä peräisin olevat ohjeet vähemmän informatiivisiksi ja vähemmän hyödyllisiksi, ja he ilmoittivat todennäköisemmin, etteivät seuraisi niitä. Tulokset olivat vahvoja myös silloin, kun kokeissa kontrolloitiin faktapitoisuutta: jossain kokeessa molemmille ryhmille annettiin identtinen faktasisältö, mutta silti se, miten tieto oli esitetty (yhteenvedon muoto vs. aktiivinen linkkien selaaminen), vaikutti oppimisen syvyyteen.

Tutkimusasetelmassa huomioitiin myös mahdolliset vaihtoehtoiset selitykset. Yksi hypoteeseista oli, että LLM:t vain rajoittaisivat käyttäjän altistusta tietylle, suppealle faktajoukolle, jolloin tuotettu sisältö olisi vähemmän eklektistä. Tämän kontrolloimiseksi osassa kokeita annettiin molemmille ryhmille sama faktamateriaali. Toisissa vertailluissa asetelmissa käytettiin samaa alustaa, esimerkiksi Googlen tavallisia hakutuloksia vastaan AI Overview -ominaisuutta, ja vaikutus pysyi: yhteenvedot johtivat yleensä pinnallisempaan ymmärrykseen kuin aktiivinen, lähdeselausta vaatinut kootu työskentely.

Perinteinen Google-haku vaatii laajempaa lukemista ja lähdekritiikkiä.

Miksi syntetisoidut vastaukset voivat heikentää syvällistä oppimista

Tulosten ytimessä on oppimisen tieteen hyvin dokumentoitu periaate: aktiivinen osallistuminen rakentaa vahvempaa ja siirrettävämpää tietämystä. Perinteinen verkkohaku pakottaa oppijan lukemaan erilaisia lähteitä, arvioimaan niiden luotettavuutta, tulkitsemaan erilaisten näkökulmien ristiriitoja ja yhdistämään näitä elementtejä omaan mielensisältöön. Tämä vaivannäkö—ns. "toivottavat vaikeudet" (desirable difficulties)—tuottaa kognitiivista kitkaa, joka tukee pitkäkestoista oppimista ja tiedon siirrettävyyttä.

LLM:t sen sijaan tiivistävät monista lähteistä nousevan tiedon sujuvaksi yhteenvedoksi ja tekevät merkityksenluonnin ja synteesin käyttäjän puolesta. Vuorovaikutus muuttuu passiivisemmaksi: esitä kysymys, vastaanotat yhtenäisen vastauksen ja siirryt eteenpäin. Tämä kontekstin ja jäsennyksen tarjoaminen on erittäin käytännöllistä, mutta se näyttää kaventavan tiedon syvällistä koodausta ja vähentävän niitä mentaalisia yhteyksiä, jotka mahdollistavat tiedon joustavan soveltamisen myöhemmin.

Kognitiivisten mekanismien näkökulmasta syvällinen oppiminen liittyy hakemistomaisen tiedon rakentumiseen—mihin liittyy semanttisten yhteyksien muodostaminen, kontekstuaalinen oppiminen ja muistin hakupolkujen luominen. Kun käyttäjän tehtäväksi jää vain hyväksyä valmis synteesi, nämä prosessit jäävät usein vajaiksi. Tutkimus oli myös kiinnostunut siitä, onko kyseistä vaikutusta mahdollista kompensoida esimerkiksi esittämällä sama määrä faktoja molemmille ryhmille; kontrolloiduissa asetelmissa syntetisoidut yhteenvedot silti näyttivät heikentävän syvempää ymmärrystä verrattuna tilanteisiin, joissa käyttäjä laati tai valikoi tiedon itse.

Tämän ilmiön ymmärtäminen liittyy laajempiin keskusteluihin siitä, miten pedagogiset menetelmät kuten palautteen anto, hakuharjoittelu (retrieval practice) ja generatiivinen oppiminen vaikuttavat muistijäljen lujittumiseen. Generatiivinen oppiminen—opiskelijan tuottama selitys, päätelmä tai yhteenveto—on usein tehokkaampaa kuin pelkkä vastaanottava luku. LLM:t voivat rajoittaa tätä generaatioprosessia, ellei käyttöä muotoilla siten, että oppija saa tilaisuuden tuottaa ja testata omaa ymmärrystään.

Jos tavoitteena on syvällisempi ymmärrys, LLM ei aina ole paras lähtökohta.

Käytännön vaikutukset oppijoille, opettajille ja ammattilaisille

Nämä löydökset eivät tarkoita, että LLM:t pitäisi kieltää. Suuret kielimallit ovat tehokkaita tuottavuustyökaluja: nopeat selitykset, koodin apu, luonnostelu ja ideointi ovat luonnollisia käyttötapauksia. Keskeinen viesti on kuitenkin vivahteikkuus—oppijoiden, opettajien ja työntekijöiden tulisi harkita tarkoituksenmukaisesti, milloin nojata tekoälyyn ja milloin omaksua vaativampi, aktiivinen tiedonhankinta.

Nopeisiin faktakyselyihin tai tilanteisiin, joissa aika on kriittinen, LLM voi tarjota hyödyllisen ensisijaisen läpikäynnin ja auttaa jäsentämään ongelman. Kuitenkin silloin, kun tavoitteena on kehittää syvää ja yleistettävää asiantuntemusta—opettaa aihetta muille, argumentoida sen puolesta tai soveltaa sitä uudenlaisiin tilanteisiin—pelkkään syntetisoituun vastaukseen tukeutuminen todennäköisesti heikentää päämäärää.

Opetuksellisessa ja ammatillisessa käytössä tämä tarkoittaa suosituksia ja rajoitteita: suunnittele oppimistehtäviä niin, että LLM toimii tukena, ei korvikkeena oppimisprosessille. Esimerkiksi opettajat voivat käyttää LLM:ää inspiraationlähteenä tai alustavana tiivistelmänä, mutta vaatia opiskelijoita seuraamaan alkuperäislähteitä, perustelemaan väitteensä ja laajentamaan tiivistelmiä sovelletuiksi projekti-kokonaisuuksiksi. Ammattilaisille suositus on käyttää AI-kumppania tehokkuuteen liittyvissä vaiheissa, mutta säilyttää lähteiden tarkastus- ja validointikäytännöt ennen kriittisiä päätöksiä.

Tutkimuksessa testattiin myös, auttaisiko lähestymistapojen sekoittaminen: yhdessä kokeessa osallistujat käyttivät erikoistettua GPT-mallia, joka tarjosi reaaliaikaisia verkkolinkkejä yhteenvedon rinnalla. Vaikka linkit olivat saatavilla, käyttäjät usein tyytyivät valmiiseen synteesiin eivätkä tutustuneet alkuperäisiin lähteisiin yhtä aktiivisesti kuin ne, jotka olivat alun perin navigoineet linkkejä itse. Näin ollen pelkkä lähteiden tarjoaminen ei yksinään riittänyt palauttamaan aktiivisen tiedonhankinnan etuja; tarvitaan myös käyttöliittymä- ja pedagogisia ratkaisuja, jotka ohjaavat käyttäjiä hyödyntämään lähteitä.

Asiantuntijan näkökulma

Dr. Elena Morales, kognitiotieteen tutkija, joka on erikoistunut oppimiseen ja teknologiaan, kiteyttää: "Automaattiset yhteenvedot säästävät aikaa, mutta ne voivat katkaista sen mentaalisen työn, joka on välttämätöntä pitkäkestoiselle oppimiselle. Opettajien ja työkalujen suunnittelijoiden haaste on rakentaa terveitä kitkoja—rakenteellisia kehotteita, palautteen muotoja ja vaatimuksia lähteiden käytöstä—jotka kannustavat käyttäjiä ajattelemaan aktiivisesti eikä passiivisesti hyväksymään valmista vastausta."

Moralesin kommentti korostaa, että ongelma ei ole vain tekninen vaan myös pedagoginen. Teknologiaa voidaan muotoilla tukemaan oppimisen parhaita käytäntöjä sen sijaan, että se heikentäisi niitä. Tämä voi sisältää käyttöliittymän muutoksia, jotka edellyttävät käyttäjän omaa tuottamista ennen yhteenvedon antamista, tai järjestelmiä, jotka mittaavat ja palauttavat informaation etsintään käytettyä aikaa ja syvyyttä.

Mitä keinoja on LLM-tuen parantamiseksi oppimisessa?

Melumad ja Yun ehdottavat tutkimusohjelmaa, joka keskittyy muotoilutoimenpiteisiin—interventioihin, jotka säilyttävät generatiivisen tekoälyn tehokkuuden mutta tuovat takaisin tuottavat kitkat oppimisprosessiin. Mahdollisia lähestymistapoja ovat työkalut, jotka kehottaa oppijaa ensin selittämään vastauksen omin sanoin, vaativat muistiyrityksiä (retrieval attempts) ennen yhteenvedon tarjoamista tai korostavat monipuolisia lähdelinkkejä ja esittävät kohdennettuja jatkokysymyksiä, jotka kannustavat verifiointiin ja syvällisempään tutkimukseen.

Tällaiset suojatoimet voivat olla erityisen tärkeitä toisen asteen ja korkeakoulutuksen yhteydessä, missä perustavanlaatuisten lukemisen, kirjoittamisen ja päättelyn taitojen rakentaminen on olennainen tehtävä. Opettajat voivat esimerkiksi yhdistää LLM:n tuottamat tiivistelmät tehtäviin, joissa opiskelijat joutuvat lainamaan alkuperäislähteitä, puolustamaan väitteitä tai muuttamaan yhteenvedon sovellettavaan projektiin, mikä pakottaa syvempään käsittelyyn.

Teknologian suunnittelussa voidaan lisäksi hyödyntää käyttödataa ja adaptatiivisia mekanismeja: jos järjestelmä havaitsee, että käyttäjä ei klikkaa lähteitä tai ei yritä syventävää hakua, se voi aktivoida oppimista edistävän kehotevirran tai vaatia lyhyttä omaa tiivistelmää ennen lisätiedon näyttämistä. Tällaiset design-päätökset voivat nostaa käyttöliittymästä syntyvien tottumusten laatua ja edistää pitkäjänteisempää oppimista.

Johtopäätös

ChatGPT:n ja muiden suurten kielimallien nousu merkitsee merkittävää muutosta tiedon saatavuudessa ja käytössä. Kokeelliset todisteet osoittavat kuitenkin, että helppous voi tulla syvyyden kustannuksella. Sen sijaan, että hylkäisimme nämä työkalut, etusijalle pitäisi asettaa fiksumpi käyttö: valitse työkalu tehtävän mukaan ja suunnittele oppimiskokemuksia, jotka palauttavat aktiivisen käsittelyn niin, että syvällinen ymmärrys ja siirrettävät taidot rakentuvat vakaasti.

Lisäksi organisaatioiden ja koulutuslaitosten kannattaisi kehittää käytäntöjä ja mittareita, joilla seurataan LLM:n käytön vaikutuksia oppimistuloksiin ja päätöksenteon laatuun. Pitkällä aikavälillä menestyvät lähestymistavat yhdistävät tekoälyn tuottavuusedut ja didaktisesti perustellut menetelmät, jotka varmistavat, että tieto pysyy sekä nopeasti saatavana että riittävän syvällisenä käytettäväksi monimutkaisissa, muuttuvissa tilanteissa.