Generatiivisen tekoälyn mahdollisuudet matematiikan ylioppilaskokeeseen valmistautumisen tukena

Abstract

Tässä diplomityössä tarkastellaan generatiivisen tekoälyn mahdollisuuksia tukea lukiolaisten valmistautumista matematiikan ylioppilaskokeeseen. Työ on kehittämistutkimus, jossa yhdistyvät teoreettinen tarkastelu ja käytännöllinen kehitystyö. Teoreettinen viitekehys rakentuu generatiivista tekoälyä ja sen opetuskäyttöä koskevasta tutkimuksesta, teknologian hyväksymismallista sekä matematiikan akateemisesta lukutaidosta. Viitekehyksen pohjalta kehitettiin Matematiikka Tutor -oppimisympäristö, jonka tarkoituksena on tukea lukiolaisia matematiikan ylioppilaskokeeseen valmistautumisessa hyödyntämällä vanhoja ylioppilaskoetehtäviä, hyvän vastauksen piirteitä ja generatiiviseen tekoälyyn perustuvaa ohjausta. Työn matemaattinen sisältöalue kohdistui erityisesti funktion raja-arvon, jatkuvuuden ja derivoituvuuden teemoihin. Sisältöaluetta hyödynnettiin myös oppimisympäristön toiminnan testaamisessa työn tekijän toimesta.

Tutkimus eteni kolmessa vaiheessa. Ensimmäisessä vaiheessa toteutettiin alkukartoituskysely, jossa selvitettiin lukiolaisten kokemuksia tekoälytyökalujen käytöstä matematiikan opiskelussa sekä heidän tuen tarpeitaan ylioppilaskokeeseen valmistautumisessa. Kyselyyn vastasi 211 opiskelijaa. Toisessa vaiheessa kehitettiin alkukartoituksen tulosten ja teoreettisen viitekehyksen pohjalta Matematiikka Tutor -oppimisympäristö. Kehitysvaiheessa oppimisympäristöä testattiin myös tekijän toimesta tekoälyn matemaattisen sisällön ja antaman palautteen oikeellisuuden arvioimiseksi. Kolmannessa vaiheessa oppimisympäristöä pilotoitiin lukio-opiskelijoilla. Pilotointiin ilmoittautui 125 opiskelijaa, joista 26 vastasi palautekyselyyn.

Tulokset osoittivat, että opiskelijat haluavat valmistautumisensa tueksi erityisesti vanhoja ylioppilaskoetehtäviä, selkeästi avattuja välivaiheita ja malliratkaisuja sekä yksilöllistä palautetta omasta osaamisestaan. Pilotoinnin perusteella oppimisympäristö koettiin ennen kaikkea opiskelun sujuvuutta tukevaksi. Suosituimpia käyttötapoja olivat palautteen ja pistearvion pyytäminen omista ratkaisuista, asioiden selittäminen ja yksinkertaistaminen sekä vihjeiden saaminen tehtävien ratkaisemiseen. Tekoälyn antama palaute arvioitiin pääosin hyödylliseksi, ja enemmistö vastaajista koki opiskelun sujuneen tekoälyn avulla tavallista paremmin. Sen sijaan vaikutus syvällisen ymmärryksen kehittymiseen arvioitiin maltillisemmaksi. Lisäksi enemmistö palautekyselyyn vastanneista ilmoitti saattavansa haluta käyttää vastaavanlaisia tekoälyä hyödyntäviä oppimisympäristöjä myös tulevaisuudessa.

Tulosten perusteella generatiivinen tekoäly on lupaava väline matematiikan ylioppilaskokeeseen valmistautumisen tukena erityisesti silloin, kun sen käyttö perustuu pedagogisesti huolelliseen suunnitteluun ja opiskelijan ajattelua aktivoiviin ratkaisuihin.

This master’s thesis examines the potential of generative artificial intelligence to support upper secondary school students in preparing for the mathematics matriculation examination. The study is design-based research combining theoretical analysis with practical development work. The theoretical framework draws on research on generative AI and its educational use, the technology acceptance model, and academic literacy in mathematics. Based on this framework, a learning environment called Matematiikka Tutor was developed to support preparation for the mathematics matriculation examination through past exam tasks, characteristics of a good answer, and AI-based guidance. The mathematical content focused particularly on limits, continuity, and differentiability of functions, which were also used by the author in testing the learning environment.

The study proceeded in three phases. First, an initial survey examined students’ experiences of using AI tools in mathematics learning and their support needs in preparing for the matriculation examination. A total of 211 students responded. Second, the Matematiikka Tutor learning environment was developed based on the survey results and the theoretical framework. During this phase, the author also tested the environment to evaluate the correctness of the mathematical content and AI-generated feedback. Third, the learning environment was piloted with upper secondary school students. A total of 125 students registered for the pilot, of whom 26 responded to the feedback survey.

The results showed that students particularly wanted past matriculation examination tasks, clearly explained intermediate steps and model solutions, and individualized feedback on their own performance. Based on the pilot, the learning environment was seen primarily as supporting the fluency of studying. The most common uses were requesting feedback and score estimates on students’ own solutions, asking for explanations and simplifications, and receiving hints for solving tasks. The AI-generated feedback was generally considered useful, and most respondents felt that studying with AI was more effective than usual. However, its contribution to deep understanding was seen as more moderate. Most respondents also indicated that they might want to use similar AI-based learning environments in the future.

The results suggest that generative artificial intelligence is a promising tool for supporting preparation for the mathematics matriculation examination, particularly when its use is based on careful pedagogical design and solutions that actively engage students’ thinking.