������

Kehotteiden suunnittelu ei kannata, koska LLM-mallit ovat ihmistä parempia kirjoittamaan kehotteita. Sen sijaan, että opettelisit kehotteiden suunnittelua tai tallentaisit kirjanmerkkeihin kehotteita, jotka eivät ehkä enää toimi uusien mallien kanssa, voit pyytää �ٱ���ä����ä kirjoittamaan kehote puolestasi ja huolehtia siitä, että ohjeistat sitä myös esittämään täsmentäviä kysymyksiä ennen kehotteen tuottamista.

Esimerkki 1: Tässä esimerkissä on luottamuksellista tietoa käynnissä olevasta tutkimusprojektista, joten tätä voisi käyttää Aalto AI Assistantissa, ai.aalto.fi:ssä.

Yritän valita, mitä analyysimenetelmää käyttäisin aineistoni kanssa (litteroidut haastattelut suomalaisista yrityksen omistajista, jotka liittyvät heidän asenteeseensa �ٱ���ä����n aiheuttamaa työn vaativuuden alenemista kohtaan). Laadi minulle kehote käytettäväksi [mallin] kanssa. Ennen kuin tuotat kehotteen, esitä minulle muutama kysymys sen tarkentamiseksi.

Esimerkki 2: Aalto AI Assistantilla ei ole pääsyä internetiin, joten se ei voi tehdä hakuja tai tarkistaa kirjallisuutta. Tässä on kehote, joka käyttää Google Geminin "deep research" -ominaisuutta (OpenAI:n ChatGPT:llä ja Anthropicin Claudella on jotain vastaavaa), jotta se voi hakea tietoa internetistä. Tämä kehote ei sisällä mitään luottamuksellisia yksityiskohtia:

Olen aivokuvantamistutkija, mutta en tunne genomiikkaa ja aivokuvantamiskirjallisuutta kovin hyvin. Kirjoita minulle kehote käytettäväksi Google Geminin Deep Research -toiminnon kanssa, jotta se kartoittaa viimeisen viiden vuoden olennaista kirjallisuutta ja tunnistaa tärkeät vertaisarvioidut artikkelit, joissa yhdistyvät genetiikka ja aivokuvantaminen. Myös katsausartikkelit tulisi sisällyttää. Ennen kuin tuotat kehotteen, esitä minulle muutama kysymys sen tarkentamiseksi.

Huomio: vaikka "deep research" vaikuttaa ensi käyttökerralla hämmästyttävältä, monet Aallon tutkijat, jotka ovat osallistuneet aiempiin työpajoihimme, ovat kertoneet, että se taipuu sepittämään asioita ja raportoimaan yksityiskohtia, joita ei ole lainkaan mainituissa viitteissä. Suhtaudu deep researchiin välineenä, jonka avulla voi löytää osan kirjallisuudesta, mutta lue sen jälkeen varsinaiset artikkelit ja tee tavanomaiset haut artikkelitietokannoista.

Generatiivinen �ٱ���ä���� on erittäin hyvä kääntämään yhdestä kielestä toiseen, ja yksi hyödyllisimmistä käyttötapauksista on luonnollisen englannin kääntäminen Pythoniksi (tai miksi tahansa ohjelmointikieleksi, jota käytät). CodeRefineryn oppitunnissa “Responsible Use of Generative AI in Assisted Coding” esitellään kolme tapaa työskennellä �ٱ���ä����n tuottaman koodin kanssa:

1. Täysi hallinta — kopioi ja liitä koodi manuaalisesti funktio funktiolta, tarkista jokainen osa ja aja se itse. Pienin riski.
2. IDE (kehitysympäristö) �ٱ���ä����laajennuksella — �ٱ���ä���� ehdottaa koodia suoraan editorissa: hyväksyt rivin tai lohkon kerrallaan, sinä ajat koodin. Kohtalainen riski.
3. Täysi agenttitila — toimit projektipäällikkönä: agentti kirjoittaa ja ajaa koodia itsenäisesti. Suurin riski.

Aloita skenaariosta 1. Siirry skenaarioon 2 vasta, kun olet varma, että osaat arvioida tuotettua koodia. Skenaariosta 3 kerrotaan seuraavassa osiossa.

�ձ���ä���ⲹ����Գپ��� (erityisesti koodausagentit) aiheuttavat suurempia riskejä, koska ne voivat toimia itsenäisesti. Ainakin kaksi riskityyppiä tulisi mainita.

• Luottamuksen rapautuminen: mitä enemmän käytät agenttia, sitä useammin hyväksyt sen ehdotukset ilman, että tarkistat niitä. Käytännöllinen ratkaisu on katselmoida säännöllisesti: tarkista käsin agentin tekemiset ennen kuin jatkat seuraavaan vaiheeseen.
• Kehoteinjektio: haitallinen ohje, joka on upotettu ulkoiseen tiedostoon (README-tiedosto, aineiston kuvaus), voi kaapata agentin toiminnan.

Ennen kuin käytät agentteja jaetulla infrastruktuurilla, lue aiheeseen liittyvät ohjeet ja tutustu siellä olevaan riskitaulukkoon. Suurin osa HPC-järjestelmiä (High Performance Computing) koskevista riskeistä pätee yhtä lailla henkilökohtaiseen tietokoneeseen.

Ohjeita ja lisätietoja:

Ohjeet Aalto-koodiavustajien käytön aloittamiseen | Aalto-yliopisto

Yleinen suositus on käyttää vain Aallon hyväksymiä �ٱ���ä����työkaluja, ja tässä sovelletaan ohjetta Responsible use of Generative Artificial Intelligence in the research process. Tutkijoiden täytyy kuitenkin usein vertailla erilaisia työkaluja tai käyttää uusia ominaisuuksia, joita Aallon ekosysteemissä ei vielä ole. Jos sinun täytyy testata ei-hyväksyttyä työkalua, noudata näitä yleisiä suosituksia:

• Käytä vuorovaikutuksessa vain täysin julkisia tietoja (ihanteellisesti julkisia tietoja, jotka eivät sisällä henkilötietoja).
• Oleta, että koko vuorovaikutus on kenen tahansa nähtävissä.
• Älä paljasta julkaisemattomia hypoteeseja, menetelmiä tai tutkimustuloksia.

Joissakin tapauksissa tehtäväsi on hyvin rajattu eikä vaadi suurta kielimallia. Esimerkiksi puheesta tekstiksi -transkriptio voidaan tehdä kokonaan paikallisesti Aallon laskentaympäristössä.

Käännöksiä kielestä toiseen voidaan myös suorittaa paikallisesti. IT-palvelumme ja tutkimusohjelmistojen asiantuntijat kehittävät näitä työkaluja, ja sillä välin voit käyttää Aalto AI Assistantia ja pyytää sitä kääntämään tekstin puolestasi.

Tekoälyä voidaan käyttää kuvien tuottamiseen, mutta koska tutkijalla ei yleisesti ole tekijänoikeuksia puhtaasti �ٱ���ä����n tuottamiin kuviin, niitä ei hyväksytä moniin tieteellisiin tarkoituksiin, kuten tieteellisiin julkaisuihin. Tästä huolimatta tällainen työkalu voi olla hyödyllinen tutkijoille visuaalisen aineiston luomisessa. Joitakin hyväksyttäviä tapoja integroida generatiivista �ٱ���ä����ä tieteelliseen työskentelyyn ovat:

1. Käsitteellinen kartoitus ja estetiikan tutkiminen

   Kun jokin käsite on liian abstrakti tai kun monimutkaisten käsitteiden kääntäminen konkreettisiksi esityksiksi on hankalaa, tutkijat voivat käyttää �ٱ���ä����ä visualisoidakseen käsitettä. Voit luoda visuaalisia metaforia datalle sekä kokeilla erilaisia väripaletteja, tekstuureja ja esitystyylejä rakentaaksesi yhtenäisen visuaalisen ilmeen tutkimusprojektille tai rahoitushakemukselle.

2. Useiden variaatioiden luominen yhdestä konseptista

   Edellinen kohta käsitteli abstraktien ideoiden tutkimista, kun taas tässä on kyse siitä, miten toteuttaa visuaalisesti jo määritelty konsepti. Tekoäly pystyy tuottamaan täsmälleen saman konseptin lukuisissa eri taidetyyleissä. Voit pyytää sitä luonnostelemaan kuvan, joka on lähellä haluttua estetiikkaa, ja siten testata nopeasti erilaisia sommitteluja, kuvakulmia ja rajauksia. Kun löydät sopivan visuaalisen lähestymistavan, tämä �ٱ���ä����n tuottama kuva voi toimia rakenteellisena pohjana tai viiteluonnoksena, jonka voit jäljentää käsin ja luoda oman alkuperäisen vektorigrafiikkasi (esim. Inkscapella tai Illustratorilla).

3. Nopea kuvageneraattori esityksiä varten

   Joskus tiedät tarkalleen, millaisen kuvan haluat, mutta sinulla ei ole riittävästi aikaa sen tekemiseen. Visuaalinen materiaali voi usein ratkaista sen, saatko yleisön huomion, olipa kyseessä ryhmäkokous tai seminaariesitys. Koska tällaiset tuotokset ovat yleensä sisäiseen käyttöön tai tilapäisiin esityksiin, tekijänoikeuden omistaminen ei ole välttämätöntä. Tekoäly soveltuu mainiosti taustagrafiikan, käsitteellisten ikonien tai koriste-elementtien luomiseen esityskalvoja varten.

4. Skriptaus 3D-mallinnuksen ja renderöinnin automatisointiin

   Kuvamallien lisäksi �ٱ���ä���� soveltuu erinomaisesti skriptien laatimiseen. Voit pyytää laajaa kielimallia, LLM:ää, kirjoittamaan Python-skriptejä Blenderiin (ja vastaaviin), jotta voit ohjelmallisesti luoda tarkkoja geometrioita, asettaa kamerakulmia tai animoida molekyylirakenteita.

5. Tekstistä diagrammisyntaksiksi

   Dokumentaation, koejärjestelyjen ja projektiaikataulujen ylläpito edellyttää selkeitä ja helposti muokattavia kaavioita. LLM-mallit ovat erittäin taitavia muuntamaan tekstikuvauksia diagrammikoodeiksi (esim. Mermaid.js, Graphviz, PlantUML). Tällä lähestymistavalla voit luoda vuokaavioita, diagrammeja ja tiekarttoja koodilla, jota voidaan muokata, versioida Gitin avulla ja renderöidä suoraan markdown-dokumentteihin tai laboratorion muistiinpanoihin.

Laadullinen tutkimus on perinteisesti toteutunut ensisijaisesti tutkijan, aineiston ja tutkimusryhmän kollegoiden välillä. Tällaisessa tutkimuksessa keskeistä ovat tutkijan tulkinnat sekä vastuu pohtia omaa vaikutustaan aineiston tulkintaan. Menetelmällisessä kirjallisuudessa tätä kutsutaan refleksiivisyydeksi, ja sitä on pitkään pidetty laadullisen tutkimuksen ytimessä. Monissa laadullisen tutkimuksen traditioissa analyysilla ei tavoitella yhtä ainoaa absoluuttista totuutta, vaan se koostuu aineiston subjektiivisesta tulkinnasta ja sen käsittelemisestä yhtenä todellisuuden muotona. Tämä subjektiivisuus on olennainen osa analyyttista prosessia ja toimii tutkijalle resurssina (Braun & Clarke, 2019). Se, mitä voidaan pitää perusteltuna tulkintana, riippuu tutkijan omaksumasta tietoteoreettisesta kannasta ja niistä perusteista, joihin tulkinnalliset valinnat pohjautuvat.

Suurten kielimallien (Large Language Models, LLM) pohjalle rakentuva �ٱ���ä����järjestelmä tuo analyyttiseen vuorovaikutukseen mukaan uuden osallistujan, joka tuottaa sanoja ja generoi valtaosan chat-käyttöliittymän kautta syntyvästä tekstistä. Tekoäly ei kuitenkaan toimi yksinkertaisesti täysin itsenäisenä kolmantena osallistujana, koska se ei ole yhtenäinen tai pysyvä toimija, vaan mallit toimivat erilaisten mahdollisten persoonien superpositiona. Jokainen kehote tuottaa vastauksia, joita muovaavat useat kerrostumat, kuten laajaan tekstiaineistoon perustuva esikoulutus, esimerkkikeskusteluihin perustuva hienosäätö sekä ihmispalautteeseen perustuvat säädöt (kuten RLHF), jotka kaikki yhdessä rakentavat tyypillistä avustajapersoonaa. Lisäksi tuotokseen vaikuttavat myös itse kehotus, istunnon konteksti ja muisti. 

Koska tutkijat keskustelevat näiden järjestelmien kanssa arkikielellä chatin kautta, he voivat käydä edestakaista vuoropuhelua, joka ajan myötä vaikuttaa heidän ajatteluunsa ja päätöksiinsä. Laadullisesta tulkinnasta tulee helpommin puolustettavissa oleva, kun tutkija pystyy selittämään, miten se on muotoutunut, mutta merkitysten muuttuessa pitkäkestoisen dialogin myötä yhteisrakenteisiksi refleksiivisyyden ylläpitäminen voi olla haastavaa. Mikään tämä ei tee �ٱ���ä����stä käyttökelvotonta laadullisessa työssä; refleksiivisesti käytettynä se voi auttaa jäsentämään omia ajatuksia, järjestämään aineistoa uudelleen tai testaamaan tulkintaa eri vaihtoehtoihin verrattuna, kunhan tutkija tietoisesti säilyttää toimijuuden tulkintaprosessin ohjauksessa. Seuraavassa on joitakin hyödyllisiä vinkkejä, jotka on hyvä pitää mielessä tehtäessä laadullista analyysia �ٱ���ä����järjestelmän kanssa: 

1. Tee ensin oma tulkintasi. Lue keräämäsi aineisto ja muodosta oma analyyttinen tulkintasi ennen kuin otat �ٱ���ä����n mukaan, jotta tulkinta saa alkunsa sinusta.
2. Kiinnitä huomiota siihen, mitä syötät järjestelmään. Aallon ohjeistus on selkeä siinä, että henkilötietoja sisältävää tutkimusaineistoa ei tule syöttää ulkoisiin �ٱ���ä����järjestelmiin. Suosi Aallon hyväksymiä järjestelmiä ja käsittele myös järjestelmän tuottamaa aineistoa mahdollisesti arkaluonteisena. 
3. Tarkista �ٱ���ä����n tuotos aineistoasi vasten ja pidä oma analyysisi erillään. Testaa sen ehdotuksia omaa aineistoasi vasten äläkä pidä niitä neutraalina luentana. Koska järjestelmä tuottaa suurimman osan sanoista, voit helposti lipsahtaa tilanteeseen, jossa analysoit oman aineistosi sijaan �ٱ���ä����n tuotoksia, mikä voi vaikeuttaa lopputuloksen puolustamista omana tulkintanasi.
4. Määritä konteksti, josta malli työskentelee. Et voi muuttaa mallin koulutusaineistoa, mutta voit määritellä ohjeistukset, keskusteluhistorian ja sen, mitä järjestelmä muistaa. Käytä näitä tarkoituksenmukaisesti, esimerkiksi saadaksesi mallin haastamaan omaa tulkintaasi aineistosta. Nämä asetukset muokkaavat tuotosta, mutta eivät kontrolloi sitä täysin, joten hyödynnä niitä ajattelun tukena ja ideoiden jäsentämisessä, älä tulkinnallisten päätösten tekemisessä puolestasi.
5. Säilytä refleksiivisyys molempiin suuntiin pitämällä refleksiivistä muistiota. Kirjaa ylös omat muuttuvat oletuksesi ja positiosi rinnakkain �ٱ���ä����n roolin kanssa analyysissa. Kirjoita ylös antamasi kehotteet, sen ehdotukset sekä se, mitä otit käyttöön tai jätit sivuun ja miksi, jotta jokainen tulkinnallinen valinta voidaan jäljittää omaan päättelyysi.
6. Säilytä chat-lokit dokumenttina itse prosessista. Analyyttinen tuotoksesi – olipa se tekstiä, artefakti tai asiakirja – syntyi itse vuorovaikutuksen kautta, riippumatta siitä vastasiko järjestelmä vain chatissa vai toimiko se myös työkalujen, tiedostojen ja muiden agenttien kautta, joita et voinut täysin nähdä. Lue keskusteluja uudelleen analyysin edetessä ja kiinnitä huomiota siihen, miten dialogi muovasi ajatteluasi.

Suositeltavaa luettavaa

Braun, V., & Clarke, V. (2019). Reflecting on reflexive thematic analysis. Qualitative Research in Sport, Exercise and Health, 11(4), 589–597.

Finlay, L. (2002). Negotiating the swamp: The opportunity and challenge of reflexivity in research practice. Qualitative Research, 2(2), 209–230.

Gulay, E., Picco, E., Glerean, E., & Coupette, C. (2026). Relational dissonance in human-AI interactions: The case of knowledge work. Teoksessa Proceedings of the 2026 CHI Conference on Human Factors in Computing Systems (CHI ’26). ACM.

Madill, A., Jordan, A., & Shirley, C. (2000). Objectivity and reliability in qualitative analysis: Realist, contextualist and radical constructionist epistemologies. British Journal of Psychology, 91(1), 1–20.


 

V1: Manuaalinen tarkistus on käytännössä ainoa luotettava menetelmä. Työnkulku, jota kuvataan The Lancet -lehdessä (2026):

1. Jos DOI tai PubMed ID on annettu, tarkista, että se viittaa viitattuun artikkeliin
2. Jos on ristiriita, merkitse viite tarkistettavaksi
3. Sulje pois virheelliset osumat (kirjoitusvirheet, lyhennemuunnelmat)
4. Hae otsikkoa neljästä tietokannasta: PubMed, Crossref, OpenAlex, Google Scholar

Tekoälypohjaiset tunnistustyökalut (jotka nekin perustuvat �ٱ���ä����yn) eivät ole luotettavia tähän tarkoitukseen.

V2: Horizon Europe on . ICML teki , jossa saatiin opettavaisia havaintoja sääntörikkomuksista.

V3: Kyllä, kaikkein sitkeimpiä tutkijoita ovat ne, jotka osaavat edelleen ajatella huolellisesti silloinkin, kun �ٱ���ä����ä ei ole saatavilla tai se on väärässä, ja jotka pystyvät aina palaamaan alkuperäisiin lähteisiin (lukevat artikkelit kokonaan, osaavat tarkistaa ohjelmistokirjastojen dokumentaation). Kuten jokainen 7-vuotias sanoisi: kertotaulut kannattaa yhä opetella, vaikka laskimia on olemassa.

A4: Kirjallisuudessa esitetyt havainnot ovat ristiriitaisia. Ohjelmoinnissa, joka on se alue, jolla �ٱ���ä���� suoriutuu parhaiten, tuottavuuden kasvua voidaan mitata, mutta hinnaksi koituu suurempi määrä vaikeasti ylläpidettävää koodia sekä nopeasti nousevat työkalukustannukset. Laajemmin tutkimuksessa �ٱ���ä���� voi poistaa joitakin pullonkauloja yksittäisten tutkijoiden työstä, mutta siirtää pullonkaulan vertaisarviointiin, joka pysyy edelleen tiukkana rajana sille, millä vauhdilla tutkimusta voidaan validoida ja julkaista. Tuottavuuden lisäys, joka ohittaa arvioinnin laadun, ei ole todellista edistystä tieteen kannalta.

V5: Joidenkin tutkimusten mukaan vaikutukset ympäristöön ovat selviä (yksi esimerkki täällä), mutta toisaalta datakeskukset kertovat käyttävänsä vihreää energiaa ja tavoittelevansa jätteettömyyttä vuoteen 2030 mennessä (katso Microsoft Azure). 

Yleisesti ottaen suurten �ٱ���ä����järjestelmien energiakustannukset ovat korkeammat kuin yksinkertaisen verkkohakukonehaun (joka ei käytä �ٱ���ä����ä) suorittaminen, joten jos kysymykseesi löytyy vastaus tavallisella hakukoneella, kannattaa harkita sen käyttämistä �ٱ���ä����keskustelubotin sijaan. Esimerkkejä hyvistä hakukoneista, joissa �ٱ���ä����tulokset voi kytkeä pois päältä ja jotka ovat myös yksityisyyttä kunnioittavia: https://duckduckgo.com/ , https://www.ecosia.org/ 

V6: Tieteellinen vapaus on yksi tutkimuksen perusperiaatteista. Sinun ei tulisi koskaan tuntea itseäsi pakotetuksi käyttämään �ٱ���ä����ä työssäsi, varsinkaan silloin, kun tiedät sen aiheuttavan enemmän haittaa kuin hyötyä. On kuitenkin tärkeää oppia, miten näitä työkaluja on rakennettu ja miten ne voivat (tai eivät voi) toimia tutkimuksesi kannalta. Luovan �ٱ���ä����n järjestelmien käyttäminen, kun ne on rakennettu aineistoilla, jotka on kerätty tai , ei ehkä ole linjassa omien eettisten periaatteidesi kanssa. Harkitse �ٱ���ä����työkalujen käyttämistä, kun ne on rakennettu vastuullisesti. Valitettavasti tämä on helpommin sanottu kuin tehty – tehdään töitä tämän eteen yhdessä!

Tutkimusvilppi tarkoittaa Suomessa (ja laajemmin akateemisessa maailmassa) ����辱�ٳ�ä��������ä, ��ää�������ٱ����ä ja plagiointia. Ellei generatiivista �ٱ���ä����ä käytetä huolellisesti, siitä voi käytännössä tulla “täydellinen vilppikone”, koska se voi erittäin helposti syyllistyä mihin tahansa näistä kolmesta väärinkäytöksen muodosta. Tutustu riskeihin, jotka on käsitelty ohjeistuksessa.

����辱�ٳ�ä�����Ա��

Generatiiviset �ٱ���ä����järjestelmät sepittävät asioita koko ajan, ja näitä sepitteitä kutsutaan usein ”harhoiksi”: ne voivat olla uskottavan näköistä tekstiä, viitteitä, tilastoja tai dataa, joita ei todellisuudessa ole olemassa. Vuoden 2026 tutkimus () havaitsi, että yli 2800 vertaisarvioitua artikkelia, jotka on julkaistu kahden viime vuoden aikana, sisältää sepitettyjä viittauksia. ArXiv-preprintpalvelu on nyt ottanut käyttöön käsikirjoituksille, jotka sisältävät �ٱ���ä����n sepittämiä viitteitä tai muuta kiistatonta �ٱ���ä����kuraa. Kustantajat ovat ottamassa käyttöön samankaltaisen linjauksen. 

Tekoälyn käyttäminen viitteiden muotoilun apuna tai viite-ehdotusten tekemiseen ilman, että jokaista viitettä tarkistetaan käsin, on merkittävä riski. Tämä koskee jopa näennäisen ”turvallisia” muotoilutehtäviä: viitelistaa järjestävä �ٱ���ä���� voi muuttaa kirjoittajien järjestystä, julkaisuvuotta tai keksiä uuden otsikon tai lehden nimen (tämä on todennäköisempää, jos lista on pitkä). Generatiivinen �ٱ���ä���� on myös melko huono artikkeleiden tiivistämisessä: se liioittelee tai lisää, poistaa tai muuttaa tuloksia aina sepittämiseen asti ().

��ää�������ٱ����

�ձ���ä����ٲ�ö�첹����t eivät päättelyltään toimi kuten ihmiset, vaan ne ennustavat koulutusdatansa perusteella tilastollisesti todennäköisintä seuraavaa merkkiä (tokenia). Tekoälyn käyttäminen tutkimustulosten tuottamiseen tai tulkintaan luo korkean riskin virheellisille johtopäätöksille. Määrällinen ja laadullinen analyysi on tehtävä menetelmillä, jotka tutkija voi luotettavasti validoida ja toistaa (reproduktiivisuus). un �ٱ���ä����ä käytetään ehdottamaan analyysitapaa, suorita aina keskeiset vaiheet itsenäisesti uudelleen tai varmista ne tunnetulla menetelmällä ennen kuin luotat tulokseen.

Plagiointi

Suuret kielimallit on koulutettu käytännössä kaikella saatavilla olevalla ihmistekstillä (sekä äänillä ja kuvilla). Ne tuottavat uutta tekstiä ilmoittamatta lähteitä. Tuoreen tutkimuksen () mukaan suuresta kielimallista oli mahdollista purkaa lähes sanatarkkana jopa 95 % yhdestä Harry Potter -kirjasta. Vaikka et kopioisi ja liittäisi suoraan �ٱ���ä����n tuottamaa tekstiä plagioinnin välttämiseksi, �ٱ���ä����n käyttäminen ideoiden ”sparraajana” ja tämän jälkeen idean esittäminen omana alkuperäisenäsi, ilman että tarkistat, esiintyykö sama idea jo kirjallisuudessa, voi silti täyttää plagioinnin tunnusmerkit.