Tekoäly tieteellisen tiedon tulkkina

LAB-ammattikorkeakoulun EAKR-rahoitteinen NOKKA-hanke pyrkii vahvistamaan pk-sektorin kyvykkyyksiä akateemisen tutkimustiedon hyödyntämiseksi. Hankkeen aikana on toteutettu työpajoja, jotka keskittyvät mm. tieteellisen tiedon tulkitsemiseen. Tämä artikkeli käsittelee tulkitsemista tekoälyn avulla.

Kirjoittaja: Jaani Väisänen

Tieteellisen tiedon tulkitsemisen tuska

Tieteellisen tutkimuksen tulkinta voi olla joskus haastavaa tutkijataustaiselle henkilölle, saati maallikolle. Opetamme LAB-ammattikorkeakoulussa Tutkimuksellinen kehittämistoiminta-opintojaksolla ylemmän ammattikorkeakoulututkinnon suorittavia opiskelijoita lukemaan ja kriittisesti analysoimaan tieteellisiä artikkeleja, ja opiskelijat (aivan oikein) kiinnittävät vuosi vuodelta huomiota samoihin seikkoihin. Kieli on koukeroista. Terminologia on haastavaa. Mitään ei oikein uskalleta sanoa varmasti. Tämä rapauttaa jo ammattikorkeakoululakiinkin kirjattua tehtävää aluekehityksestä, kun tieteellisen työn jalkauttaminen tyssää hankalasti luettaviin ja heikosti sovellettaviin artikkeleihin, joilla tutkijat pääsääntöisesti tuovat tekemisiään esiin.

Tieteellisen tutkimustyön sovellettavuutta helpottamaan on menossa LABin liiketoimintayksikön NOKKA-tutkimushanke. Hankkeen perimmäisenä tarkoituksena on tuoda tieteellinen tutkimustieto helpommin sovellettavaksi Etelä-Karjalan pk-yrityssektorille. Yhdessä hankkeen työpajoista pureuduimme siihen, voisiko tekoäly helpottaa tieteellisen tiedon tulkitsemista. Olen kirjoittanut tekoälyn ja tieteellisen tutkimuksen yhteenliittymästä ennenkin (Väisänen 2023), jolloin tulokset eivät olleet kovin mairittelevia. Ehkä nyt on kuitenkin aika uusintakierrokselle.

Tekoäly. Nyt.

Ensimmäinen huomio on, että vuodesta 2023 lähtien eri kuluttajille suunnatut tekoälymallit ovat ottaneet isoja harppauksia ulkoisen tiedon hankinnassa. Kun tekoäly tekee viittauksia tieteellisiin tutkimuksiin, se ei enää keksi omia lähteitä tai tuota vastauksia miellyttääkseen lukijaa läheskään samalla tavalla kuin kolme vuotta sitten. On kuitenkin otettava huomioon, että tekoälysovellusten käyttämät suuret kielimallit eivät ”tiedä” mitään; ne ainoastaan ennustavat todennäköisimmän seuraavan sanan generoimassaan vastauksessa annetun kehotteen ja niille syötetyn harjoitteludatan perusteella. Mikäli se löytää ristiriitaisuuksia niiden välillä, se pyrkii arvaamaan ennemmin kuin myöntämään, ettei vastausta löydy (Kalai et al. 2025).

Käytän itse tekoälyä paljon tieteellisen tutkimuksen lukemisessa ja jäsentelyssä, ja seuraavassa hieman työpajassa tehtyjä harjoitteita. Artikkelin ”lukeminen” alkaa aina ”Anna lyhyt yhteenveto tästä artikkelista” -tyylisellä kehotteella. Usein tämä on helpompaa kuin abstraktin lukeminen, koska abstraktissa ei välttämättä vielä tuoda esiin tutkimuksen konkreettisia tuloksia. Yhteenvedon perusteella tehdään päätös, kannattaako artikkeliin käyttää enemmän aikaa, minkä jälkeen tapahtuu seuraavanlainen prosessi:

Jokin konsepti yhteenvedossa tuntuu vieraalta tai en ole täysin varma, mitä sillä tarkoitetaan. ”En ymmärrä kirjoittajien käyttämää termiä X. Mitä he artikkelin perusteella tarkoittavat sillä?”
Ymmärrettyäni tarpeeksi tutkimuksen taustasta, haluan tietää, liittyykö tutkimuksen kohde omiin intresseihini. ”Anna lyhyt kuvaus, minkä ongelman kirjoittajat ovat ratkaisseet. Mitkä olivat heidän keskeiset tuloksensa?”
Jos tulokset yhtenevät omien kiinnostusten kohteideni kanssa, haluan varmuuden siitä, että tulokset ovat luotettavia. ”Kerro lyhyesti, kuinka tutkimus toteutettiin. Minkälaisia menetelmiä käytettiin, minkälaista otosta hyödynnettiin, milloin ja missä tutkimus toteutettiin?”

Jos tässä kohtaa olen vakuuttunut siitä, että tulokset ovat luotettavia ja että niillä on jokin yhteys tekemisiini, tulee se suuri ”mitä sitten”-kysymys. Yrittäjäkontekstissa tieteellisillä tutkimustuloksilla ei ole juurikaan arvoa, jos niitä ei pystytä soveltamaan käytännössä. Tekoäly hyötyy siitä, jos sille kehystetään esitetty asia. Näin se ymmärtää kontekstin paremmin ja osaa tuottaa vastauksia, jotka ovat sovellettavissa tilanteeseen. Yleensä hyvä tapa on yhdistää ongelma ja tieteellinen tutkimustulos eksplisiittisesti tekoälylle. ”Yrityksemme toimii toimialalla X, ja meillä on ongelma A. Kuinka voisimme hyödyntää tutkimuksen tuloksia ongelman ratkaisemisessa?”.

Soveltaen eteenpäin

Kehystäessä on pidettävä tarkkaa huolta siitä, että tarjoaa tarpeellisen ja rehellisen tiedon tekoälylle sekä omasta liiketoiminnastaan että omasta osaamisestaan. Tekoäly oppii nopeasti käyttäjänsä tavoille, mutta se ei edelleenkään tiedä, mitä sen käyttäjä tietää ja varsinkaan, mitä hän ei tiedä. Jos ja kun tekoälyn tuottama vastaus työpajassa oli ympäripyöreä tai vaikeasti hahmotettava, jouduttiin usein ottamaan pakkia ja pyytämään olemaan selkokielisempi. ”En ymmärtänyt, mitä tarkoitit edellisessä vastauksessasi. Selitä asia yksinkertaisemmin.”

On huomattava, että tässä tekstissä esitetyt kehotteet eivät ole yksi yhteen, mitä käyttäjän kannattaa tai pitää syöttää tekoälylle. Työpajassa tutustuimme useisiin ennalta näkemättömiin artikkeleihin ja joka kerralla kehotteiden muotoilu vaihteli hieman tilanteen mukaan. Samasta kehotteesta ei myöskään tule joka kerta täysin samaa vastausta. Eräs hyvä käytäntö, jota noudatan usein, on ensin kysyä yhtä asiaa yhdeltä tekoälyltä, kuten vaikka Microsoftin Copilotilta, ja pyytää toista tekoälyä – vaikka Google Geminiä – selittämään sama asia. Eri kielimallit voivat tuottaa eri painotuksia samaan asiaan, jolloin lukijan ymmärrys asiasta kasvaa.

Kuten edellä olevasta kuvauksesta näkyy, tieteellisen tiedon tulkitseminen tekoälyn avulla menee harvoin täysin samoja latuja eteenpäin. Edellä olevia esimerkkejä kannattaa ennemminkin pitää ideoina siitä, minkä tyyppisillä kehotteilla tieteellisestä tutkimustuloksesta voidaan päästä kiinni käytännön tekemiseen. En tarkoituksella käynyt läpi tieteellisen tutkimuksen löytämistä tekoälyn avulla, koska aihe keskittyy enemmän sen tulkitsemiseen. Tosimaailmassa yhden tieteellisen julkaisun lukeminen usein pakottaa toisen ja kolmannenkin etsimiseen ja lukemiseen, missä tekoäly toimii jo suurena apuna. NOKKA-työpajassa kaikki osallistujat löysivät harjoitteesta uusia mahdollisuuksia sekä uusia tutkimuksia liiketoimintaa kehittämään – kirjoittaja mukaan lukien.

Lähteet

Kalai, A., Nachum, O., Vempala, G. & Zhang, E. 2025. Why Language Models Hallucinate. arXiv preprint, arXiv:2509.04664. Viitattu 22.4.2026. Saatavissa: https://doi.org/10.48550/arXiv.2509.04664

Väisänen, J. 2023. Tekoälyn olkapäille nouseminen. LAB Focus. Viitattu 22.4.2026. Saatavissa https://blogit.lab.fi/labfocus/tekoalyn-olkapaille-nouseminen/

Kirjoittaja

Jaani Väisänen, FT, työskentelee digitaalisen liiketoiminnan yliopettajana LAB-ammattikorkeakoulun liiketoimintayksikössä. Hän toimii osana Kasvu ja Kaupallistaminen -tutkimusryhmää ja on tutkinut yritysten ja korkeakoulujen välistä yhteistyötä mm. NOKKA-hankkeen (https://lab.fi/fi/projekti/NOKKA) asiantuntijan roolissa.

Artikkelikuva: https://unsplash.com/photos/assorted-title-book-lot-on-shelf-_OZCl4XcpRw (Unsplash license)