Skip to main content

AI ja metakognitsioon: kuidas AI muudab õppimist

I. Sissejuhatus: probleem ühe lausega​

Meil pole AI probleem — meil on metakognitsiooni probleem. Tudengid ei tea, et nad ei tea, ja AI muudab selle illusiooni veenvamaks kui kunagi varem. Ainus lahendus, mis töötab, on panna inimene teise inimese ette ja küsida: seleta mulle, mida see kood teeb.

II. Lähteolukord: 10/80/10​

Praktiline tähelepanek 15st aastast C#, Native mobile, ASP.NET Core ja JavaScript full-stack ainete õpetamisest TalTech-is (~300 tudengit semestris):

  • Ülemine 10% — sisemiselt motiveeritud, õpivad sõltumata metoodikast. AI on neile tööriist, mitte kark.
  • Alumine 10% — ei taha õppida, ei õpi. AI olemasolu ei muuda midagi.
  • Keskmine 80% — see on murdekoht. Varem said nad arenduse "pikkamööda selgeks" läbi sunni — koodi pidid ise kirjutama, sest alternatiivi polnud. Nüüd on alternatiiv olemas: lase AI-l kirjutada ja esita tulemus. Neile kätte antud vabadus on põhjustanud laisklemist ja viimasele hetkele jätmist. See 80% vajub järjest rohkem alumise 10% juurde.

Tulemus: ~45% tudengeid kukub suulisel code review'l läbi. Nad ei suuda selgitada, mida nende enda esitatud kood teeb.

III. Mida uuringud näitavad​

III.1 AI "karguefekt" — Bastani et al. (2025), PNAS​

Kõige tugevam üksikuuring selle teema kohta. Ligi tuhat keskkooli matemaatika õpilast said juurdepääsu kahele erinevale GPT-4 põhisele tuutorile.

Tulemused:

  • Piiramatult GPT-4 kasutanud õpilased ("GPT Base") said harjutuste ajal 48% paremaid tulemusi.
  • Aga: kui AI ära võeti, olid nende tulemused 17% halvemad kui kontrollgrupil, kes polnud üldse AI-d kasutanud.
  • Hoolikalt disainitud kaitsemeetmetega tuutor ("GPT Tutor"), mis andis vihjeid lahenduse asemel, parandas tulemusi 127% JA ei kahjustanud õppimist.
  • Tudengid kasutasid piiramatut GPT-d "karguna" — kopeerisid lahendusi.
  • Kriitiliselt: tudengid ise ei tajunud mingit vähenemist oma õppimises. Nad ei olnud teadlikud, kuidas AI nende arengut pärsib.

Järeldus: Probleem pole AI ise, vaid see, kuidas seda kasutada lastakse. Ning tudengid ei oska ise hinnata, kas nad õpivad.

Viide: Bastani, H., Bastani, O., Sungu, A., Ge, H., Kabakcı, Ö., & Mariman, R. (2025). Generative AI without guardrails can harm learning: Evidence from high school mathematics. Proceedings of the National Academy of Sciences, 122(26), e2422633122.

III.2 "Desirable Difficulties" — Bjork & Bjork (1994, 2011, 2020)​

Robert ja Elizabeth Bjork on näidanud aastakümnete jooksul, et:

  • Tingimused, mis tunduvad õppijale ebamugavad ja aeglustavad näilist progressi, toovad pikas perspektiivis oluliselt tugevama mälu ja parema teadmiste ülekande.
  • Tingimused, mis loovad kiire jõudluse kasvu (AI-lt kohesed vastused, korduslugemine, mass-harjutamine), ei toeta pikaaegset säilitamist.
  • Tudengid hindavad pidevalt valesti, millised õpistrateegiad tegelikult töötavad — nad eelistavad meetodeid, mis tunduvad produktiivsed.

AI eemaldab täpselt need "soovitavad raskused", mis õppimist tegelikult toetavad. Suulised eksamid on "retrieval practice" puhtaimal kujul — üks Bjorki soovitatud desirable difficulty.

Viited: Bjork, R. A. (1994). Memory and metamemory considerations in the training of human beings. In J. Metcalfe & A. Shimamura (Eds.), Metacognition: Knowing about knowing (pp. 185–205). MIT Press.
Bjork, E. L., & Bjork, R. A. (2011). Making things hard on yourself, but in a good way: Creating desirable difficulties to enhance learning. Psychology and the real world (2nd ed., pp. 59–68). Worth.
Bjork, R. A., & Bjork, E. L. (2020). Desirable difficulties in theory and practice. Journal of Applied Research in Memory and Cognition, 9(4), 475–479.

III.3 METR RCT — kogenud arendajad AI-ga aeglasemad (2025)​

16 kogenud open-source arendajat (keskmiselt 5a kogemust oma projektidega) täitsid 246 ülesannet, mis juhuslikult määrati AI-ga või ilma.

  • Arendajad ennustasid enne alustamist, et AI vähendab aega 24%.
  • Pärast lõpetamist arvasid nad, et AI vähendas aega 20%.
  • Tegelik tulemus: AI-ga oldi 19% aeglasemad.

Tajuline lõhe reaalsuse ja enesehinnangu vahel on massiivne — ja see eksisteerib isegi kogenud professionaalide juures.

Viide: Becker, J., et al. (2025). Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity. arXiv:2507.09089.

III.4 Tööstuse andmed​

  • Faros AI (2025, 10 000+ arendajat): AI-ga arendajad tegelesid 9% rohkemate ülesannetega ja 47% rohkemate pull request'idega päevas, aga kontekstivahetus ja kvaliteedikontroll söövad kiirenduse ära. 75% inseneridest kasutab AI-d, aga enamik organisatsioone ei näe mõõdetavat jõudluse paranemist.
  • MIT Technology Review (dets 2025): Coinbase kogemuse järgi toodavad juuniorid AI-ga nii palju koodi, et vanemad arendajad ei suuda seda enam kõike üle vaadata. AI automatiseerib madalama tasandi tööd, mis surub survet ülespoole.
  • Stanfordi uuring: 22-25-aastaste tarkvaraarendajate tööhõive langes ligi 20% aastatel 2022-2025.
  • JetBrains 2025: 85% arendajatest kasutab regulaarselt AI tööriistu. 68% ootab, et tööandjad nõuavad tulevikus AI-tööriistade oskust.

Viited: Faros AI (2025). The AI Productivity Paradox Report. faros.ai.
MIT Technology Review (2025). AI coding is now everywhere. But not everyone is convinced.
JetBrains (2025). The State of Developer Ecosystem 2025.

IV. Vastuargumendid — miks see 80% ei pruugi alla vajuda​

IV.1 "Crutch" efekt on disainitav​

Bastani et al. ise näitasid, et hoolikalt disainitud GPT Tutor, mis annab vihjeid lahenduse asemel, parandas tulemusi 127% JA ei kahjustanud õppimist. Probleem pole AI, vaid kuidas seda kasutada lastakse.

IV.2 Juuniorid saavad kõige rohkem kasu​

Mitmed uuringud näitavad, et kogenematud arendajad näevad AI-st suuremat kiirendust kui kogenud. Onboarding-aeg (mõõdetuna "aeg 10. pull request'ini") on andmete järgi Q1 2024-st Q4 2025-ni lõigatud poole peale. Argument: ehk peaks haridus õpetama AI kasutamist, mitte ilma selleta hakkama saamist.

IV.3 Kalkulaatori paralleel​

Iga uue tööriista puhul on olnud sama paanika. Bastani et al. tunnistasid ise, et ChatGPT pole esimene selline — trükkimine vähendas käekirja vajadust, kalkulaatorid arvutamise vajadust. Aga nad lisasid olulise nüansi: ChatGPT on fundamentaalselt laiem ja intellektuaalsem kui eelnevad näited, ning ChatGPT on ebausaldusväärne — annab sageli valesid vastuseid.

IV.4 Mastery approach töötab​

Uuring Taylor & Francis'es (2025, 192 tudengi reflektsiooni): kõrgem õppimise tase tekib siis, kui tudengid kasutavad GenAI-d teadmiste konstrueerimiseks ja täiendamiseks (mastery approach), mitte lihtsalt vastuste kopeerimiseks. See on pedagoogilise disaini küsimus.

IV.5 Tööturul oodatakse AI oskusi​

JetBrains 2025 andmetel: 85% arendajatest kasutab regulaarselt AI tööriistu ja 68% ootab, et tööandjad nõuavad AI-tööriistade oskust. Kui keelad AI ära, valmistad ette tööturule, mida enam ei eksisteeri.

V. TalTechi lähenemine: asümmeetriline mudel​

V.1 Mudeli kirjeldus​

TalTechi C#/ASP.NET Core kursusel kasutatakse asümmeetrilist mudelit:

  1. Õppejõud demonstreerib ilma AI-ta — kirjutab kogu lahenduse (ASP.NET Core + JS esirakendus) klassi ees käsitsi, seletades aeglaselt iga otsust (n-tier, clean architecture, SOLID, DRY, KISS jne).
  2. Tudeng kasutab AI-d vabalt — Claude Code, Copilot, mis iganes. Spec-driven development on osa kursusest.
  3. Suuline code review 3x semestris — tudeng peab tõestama, et ta saab aru, mida tema esitatud kood teeb.

Kohalviibimise kohustust pole. Ainus nõue on kolme suulise kaitsmine läbimine.

V.2 Miks õppejõul on AI keelatud​

See polnud pedagoogiline otsus ülalt alla — see oli tudengite soov. Põhjus: kui õppejõud kasutab AI-d ja suunab seda arhitektuuriliste otsuste suunas, siis tudeng näeb kahte asja korraga: (a) õppejõu domääniteadmist, mis dikteerib, mida küsida, ja (b) AI väljundit. Probleem on, et (a) on implitsiitne — see on 35 aasta kogemuses — ja tudengile nähtamatu. Nad näevad ainult (b) ja ei suuda eristada, kus lõpeb ekspertiis ja kus algab AI.

Kui õppejõud kirjutab ise, on kogu mõtteprotsess aeglane ja jälgitav. Iga tühi rida, iga hetk mõtlemiseks — see on nähtav signaal, et siin toimub otsus.

V.3 Live-coding uuringutega toetatud​

  • Rubin (2013, SIGCSE) leidis, et live-coding on sama hea kui mitte parem kui staatilised koodinäited, ja live-coding grupi tudengid said lõpuprojektis statistiliselt oluliselt paremaid tulemusi.
  • Raj et al. (2018, Koli Calling) leidsid, et live-coding muudab programmeerimisprotsessi algajatele arusaadavamaks, aitab debugimist õppida ja eksponeerib tudengeid headele praktikatele.
  • Instruktorid raporteerisid kõrgemat tudengite kaasatust live-coding ajal võrreldes slaidipõhiste loengutega (Su et al., 2025, CHI EA).
  • The Carpentries (rahvusvaheline mittetulundusühing) kasutab participatory live-coding'ut oma põhimeetodina ja õpetab seda eksplitsiitselt instruktorikoolituses.

Viited: Rubin, M. J. (2013). The effectiveness of live-coding to teach introductory programming. SIGCSE '13.
Raj, A. G. S., et al. (2018). Role of Live-coding in Learning Introductory Programming. Koli Calling '18.
Su, X. & Wang, A. (2025). The Stress of Improvisation: Instructors' Perspectives on Live Coding. CHI EA '25.
Nederbragt, A., et al. (2020). Ten quick tips for teaching with participatory live coding. PLOS Computational Biology.

V.4 Suulised eksamid AI-kindlad​

  • Hartman (2025) kinnitas, et suulised eksamid on loomupäraselt AI-kindlad — tudengid peavad mõtlema kohapeal, vastama jätkuküsimustele ja näitama mõistmist reaalajas.
  • Hardie et al. (2024) testisid 17 erinevat hindamisvormaati GenAI vastu — enamik kukkus läbi. Suulised eksamid pidasid vastu.
  • Eachempati et al. (2025, Advances in Physiology Education) pakkusid, et AI ajastul on suuline eksam alahinnatud tööriist autentse hindamise jaoks.
  • FACT raamistik (Frontiers in Education, 2025) kombineerib fundamentaalsed oskused, rakendusprojektid, kontseptuaalne mõistmine ja kriitiline mõtlemine — sealhulgas suulised kaitsed.

Viited: Hartman (2025). Oral exams and AI-resistant assessment.
Hardie et al. (2024). Testing 17 assessment types against generative AI.
Eachempati, P., Komattil, R., & Arakala, A. (2025). Should oral examination be reimagined in the era of AI? Advances in Physiology Education, 49(1), 208–209.

V.5 Miks pööratud klassiruum ei töötanud​

Pööratud klassiruum eeldab, et tudengid vaatavad videod enne tundi ette. Paljud ei tee seda. Ja AI ajastul on motivatsioon veelgi madalam — miks vaadata 45-minutilist videot, kui saab küsida "seleta mulle" ja saada kohene vastus?

Lisaks: video on live-coding'u halvim versioon. Kogu adaptiivsus puudub. Instruktorid rõhutavad, et live-coding'u tugevus on paindlikkus — võime minna "uutele radadele" vastuseks tudengi küsimusele. See on videos võimatu.

V.6 "Let the AI Explain" — alternatiivne lähenemine​

Kursusematerjali hulka kuulub eraldi peatükk (Lecture 70), kus tudengitele õpetatakse, kuidas AI-lt seletusi nõuda oma koodibaasi kohta. Eesmärk: mitte koodi genereerimine, vaid olemasoleva koodi ja arhitektuuriliste otsuste mõistmine. Tudengitele antakse struktureeritud promptid, mis nõuavad AI-lt end-to-end selgitusi koos koodiviidetega.

VI. Prokrastinatsioon ja eneseregulatsioon​

VI.1 SDT (Self-Determination Theory) kokkukukkumine​

AI ajastul kukuvad kokku kõik kolm Deci & Ryani põhivajadust:

  • Autonoomia — tudengitele antakse vabadus (pole kohustuslikku kohalkäimist, AI vabalt kasutatav), aga autonoomia eeldab eneseregulatsiooni, mida suurel osal pole.
  • Kompetentsus — AI annab tunde kompetentsusest (kood kompileerub, testid lähevad läbi), aga tegelikku kompetentsust pole. Bastani "crutch" efekt.
  • Seotus — kui tundi ei tule, puudub sotsiaalne surve ja grupikuuluvus.

VI.2 AI ja prokrastinatsioon​

Mukhtar et al. (2025) leidsid positiivse korrelatsiooni AI-st liigse sõltuvuse ja suurenenud prokrastinatsiooni vahel. Kuigi AI tööriistad aitavad ülesandeid hallata, vähendab liigne sõltuvus eneseregulatsiooni ja sisemist motivatsiooni.

Prokrastineerijatel puuduvad eneseregulatsiooni oskused emotsioonide, mõtete, käitumise ja aja haldamiseks. Nad alahindavad ülesanneteks kuluvat aega ja alustavad õppimist hilja. AI ei paranda seda probleemi — AI teeb prokrastineerimise efektiivsemaks, sest viimasel hetkel koodi genereerimine on nüüd võimalik.

Viited: Mukhtar et al. (2025). Perceived impact of AI dependence on procrastination among university students.
Ye, Z., et al. (2025). The impact of basic psychological needs on academic procrastination. Frontiers in Psychology.

VI.3 "Evolutsiooni vastu" — ümbersõnastus​

Väide "me läheme evolutsiooni vastu" on tugevam, kui seda sõnastada teisiti: ilma tajutava surveta pole eneseregulatsiooni. See pole laiskus — see on ratsionaalne käitumine lühiajalises perspektiivis. Tudengid optimeerivad tajutavat kulu ja keegi ei prokrastineeri samadel põhjustel: mõnda mõjutab läbikukkumise hirm, teisi ärevus, kolmandaid sisemise motivatsiooni puudumine.

Suulised code review'd on selektsioonisurve simulatsioon akadeemilises keskkonnas — analoog töökoha koodiülevaatusest ja pull request review'st.

VI.4 Ootus vs reaalsus: 10 000 tunni illusioon mikrokeerukusel​

Üks ainepunkt (EAP) eeldab 26 tundi tööd. 6 EAP aine = 156 tundi = ligikaudu 10 tundi nädalas. Kaks ainet paralleelselt = 20 tundi nädalas ainuüksi nendele ainetele. Tudengid ei kuluta seda aega. AI võimendab seda probleemi: kui varem oli 10 tundi nädalas minimaalne, et koodi ise kirjutades edasi liikuda, siis nüüd saab Claude Code'iga 2 tunniga "valmis" midagi, mis näeb välja nagu 10 tunni töö. Aga 8 tundi mõtlemist ja arusaamist jääb tegemata.

See on Bjorki teooria otsene ilming: kiire näiline tulemus (AI-genereeritud kood) asendab aeglast tegelikku õppimist. Tudeng tajub, et ta on "valmis", kuigi ta pole isegi alustanud.

VI.5 Teadmiste haihtuvus semestrite vahel​

Konkreetne näide: eelmine semester oli C# programmeerimine, praegune semester on C# veebirakendused. Semestrite vahe oli 3 nädalat. Esimene ülesanne on 75% ulatuses vana materjali meeldetuletus. Tulemus: nagu polekski eelmist semestrit olnud.

See on Bjorki "desirable difficulties" raamistiku otsene ennustus — kui õppimine toimus madalal raskusastmel (AI abiga läbi tehtud, mitte ise läbi mõeldud), siis pikaajaline säilitamine on nõrk. 3 nädala pärast on kõik kadunud, sest seda polnudki korralikult kodeeritud. Ja ilma AI-ta sama tulemust ei teki — arusaamine, mida Bastani nimetab "kompetentsuse illusiooniks", evaporeerub koos semestripausiga.

VI.6 "Mul on savi" — häbi kadumine​

TA tähelepanek: üllatavalt paljud tudengid tulevad kaitsmisele ilma, et nõuded oleksid täidetud. Puuduvad AI promptid (mis on eksplitsiitselt nõutud), puudub README koos kasutusjuhendiga. Nad tulevad kaitsma teades, et nõuded pole täidetud.

Varasem norm: "ma ei julgenud enne kaitsma tulla, kui kõik nõuded olid 100% täidetud — häbi oleks olnud."

See on fundamentaalne nihe. Põhjused on mitmekihilised:

  1. Tagasiside puudumine — kui keegi pole sind 16 nädalat näost näkku näinud (tundi ei tule), siis kaitsmine on võõraga kohtumine, mitte mentorile aru andmine. Häbi eeldab suhet.
  2. Tasuta haridus — tudeng pole investeerinud raha, seega läbikukkumise "hind" on abstraktne. See on ajakulu, mitte rahakulu — ja aega on 22-aastasel (tajutavalt) lõputult.
  3. AI normaliseerib poolikust — kui AI genereerib koodi, mis "enam-vähem töötab", siis pooliku esitamine tundub aktsepteeritav. Kvaliteedistandard on nihkunud "toimib" pealt "kompileerub" peale.
  4. Massiloeng anonümiseerib — 200 tudengi hulgas on üksikisik nähtamatu. Häbi on sotsiaalne emotsioon, mis vajab publikut.

VII. Isiklik kogemus: õppejõud kui katsejänes​

VII.1 AI võimendusefekt​

Õppejõud ise kasutab Claude Code'i igapäevatöös. Tulemus: 2-3 projekti asemel suudab hoida töös 10 eri projekti. See on 3-4x kordistaja.

VII.2 Sama probleem, teine skaala​

Aga tekivad täpselt samad sümptomid, mida näeb tudengites:

  • Kognitiivne ülekoormatus — pealelõunaks on vaimselt läbi. Pudelikael pole kood, pudelikael on pea. See peegeldab Faros AI leidu, et AI-ga arendajad tegelevad rohkemate asjadega, aga kontekstivahetus sööb produktiivsuse.
  • Kognitiivne dissonants — tunne, et "raiskan aega", kui parasjagu ei anna AI-le järgmist ülesannet. Tegelikkuses toimub sel hetkel mõtlemine — aga see ei tundu tööna, sest väljund pole nähtav.
  • Mõtlemise teisenemine — varem mõtles projekte läbi koodi kirjutamise ajal. Nüüd toimub mõtlemine asünkroonselt: jooksmise, rattasõidu, muude tegevuste ajal. Kood on delegeeritud, aga aju vajab endiselt aega ideede seostamiseks.

VII.3 Kriitiline erinevus tudengist​

35-aastase kogemusega professionaal tunneb ära, et midagi on valesti. Ta tajub ülekoormust, kognitiivset dissonantsi, mõtlemise muutumist. Tudengil seda filtrit pole. Ta ei tea, et ta ei tea — ja AI muudab selle illusiooni veenvamaks.

VII.4 Aus vastuolu​

Õppejõud nõuab tudengitelt, et nad suudaksid ilma AI-ta selgitada, mida kood teeb. Aga ta ise ei tööta enam ilma AI-ta. Ta saaks, aga ta ei tee seda, sest see oleks irratsionaalne. See vastuolu väärib ausat tunnistamist — ja on tegelikult tugevam argument kui teoreetiline arutelu.

VIII. Tööturuväljavaade​

VIII.1 Juuniorite positsiooni muutumine​

Tööturg ei oota enam klassikalist juuniori. Firmad ootavad, et üks inimene + AI teeb seda, mida varem tegi 3 juuniori. Tudengid ei konkureeri enam teiste juunioridega — nad konkureerivad AI + ühe kogenud arendajaga. Stanfordi andmetel langes 22-25-aastaste arendajate tööhõive ligi 20% aastatel 2022-2025.

VIII.2 Vale dikotoomia​

Küsimus "kas õpetada arhitektuuri või koodi kirjutamist" on vale dikotoomia. Tööandjad tahavad inimest, kes suudab AI väljundit hinnata. Selleks on vaja mõlemat — arhitektuurimõtlemist JA piisavat tehnilist sügavust, et vigu märgata.

VIII.3 Ülikool pole kunagi tootnud arhitekti​

10+ aasta lihvimine pole kunagi mahtunud paarile aastale. Varem varjasid seda vahed — juunior läks tööle, tegi 2-3a lihtsamat tööd, ja töökoht oli see koht, kus ta arengu sai. Ülikool on tootnud inimesi, kes on võimelised arhitektiks saama. Küsimus on, kas AI ajastul see "võimelisus" nõuab teistsugust baasi — ja kas see lihtsamate ülesannete faas töökohal üldse veel eksisteerib.

VIII.4 Esimese kruvi teooria — minimaalne arusaamine enne võimendust​

Analoogia: selleks et ehitada raketti, peab aru saama, kuidas kruvikeeraja käes püsib ja kruvi keerata saab. Tarkvaraarenduses: kui sa ei saa aru, kuidas veebileht on üles ehitatud — DOM, elemendid, HTTP päring, request-response tsükkel — siis ei saa sa ehitada rakendust, isegi mitte AI abiga. Sest sa ei tea, mida küsida. Sa ei tea, millal AI väljund on vale. Sa ei tea, miks miski ei tööta.

"Esimese 1000 rea" printsiip: on olemas minimaalne kriitiline mass teadmisi, mis peavad olema peas enne, kui AI muutub võimendajaks karu asemel.

  • Alla läve: AI on kark. Tudeng genereerib koodi, mida ta ei mõista. Vigade ilmnemisel ei oska ta isegi probleemi sõnastada. Bastani GPT Base efekt — 17% halvem tulemus kui ilma AI-ta.
  • Üle läve: AI on võimendaja. Arendaja teab piisavalt, et hinnata väljundit, küsida õigeid küsimusi ja suunata AI-d arhitektuuriliste otsuste suunas. Nagu 35-aastane kogemus, mis võimaldab hoida 10 projekti 3 asemel.

See lävend on koht, kus esimene kruvi peab ise keeratud olema. Pärast seda saab AI abil keerata 10 kruvi korraga. Aga ilma esimese kruvita pole mitte midagi, mida võimendada.

Küsimus haridusele: kus see lävend täpselt on? Kas see on 1000 rida käsitsi kirjutatud koodi? Kas see on ühe terve request-response tsükli mõistmine andmebaasist brauserini? Keegi ei tea täpselt. Aga me teame, et see eksisteerib — sest 45% kaitsmisel läbikukkujad on need, kes pole seda lävendit ületanud.

Paradoks: AI võimaldab tudengil kiiresti prototüüpida ja vigu leida — see osa õppimiskõverast kiireneb. Aga see osa, mis nõuab arusaamist — miks asjad niimoodi on, mis on alternatiivid, millal muster sobib ja millal mitte — see jääb AI-st puutumata. See on koht, mida õppejõud on 10+ aasta jooksul katsetamiste kaudu teada saanud, ja mida AI ei asenda.

IX. Skaleerimise paradoks: kvaliteetne hindamine AI ajastul​

IX.1 Numbrid​

Kahe aine peale kokku 200 unikaalset tudengit (170 võtab mõlemat ainet). 5 assistenti (kõik juuniorarhitekti tasemel). 3 kaitsmislainet semestris.

Praegune reaalsus:

  • 200 tudengit × 30 min × 3 lainet = 18 000 minutit = 300 tundi semestris
  • 6 inimest (õppejõud + 5 TA-d) = 50 tundi per inimene per semester
  • Ühe kaitsmislaine korraldamine: kaks reedet, minimaalselt 10 tundi pidevat tööd iga TA kohta

Tegelik vajadus:

  • 60 minutit per tudeng oleks vajalik — 200 × 60 min × 3 = 36 000 minutit = 600 tundi
  • See nõuaks 10 TA-d juuniorarhitekti tasemel
  • Aga kust leida 10 sellist inimest, kes on nõus reedeti tudengeid küsitlema?

IX.2 Põhiparadoks​

AI muudab koodi kirjutamise odavaks, aga koodi mõistmise kontrollimise kalliks.

Varem oli hindamine odav — automaattestid, koodikontroll, plagiaadituvastus. Nüüd on ainus usaldusväärne hindamine suuline eksam, mis on kõige kallim formaat, mis eksisteerib. Borges et al. (2024) näitasid PNAS-is, et ChatGPT suutis vastata õigesti 65.8% ülikoolieksamite küsimustest 50 erineva kursuse lõikes — kirjalikud eksamid on sisuliselt katki.

IX.3 Tasuta kõrghariduse mudeli vastuolu​

Eestis on riigi poolt rahastatav kõrgharidus — õppemaksu ei ole. See tähendab:

  • Ülikoolile on kasulik suur rühm ja vähe õppejõude — mastaabiefekt. 300 tudengit ühes rühmas ühe õppejõuga on efektiivsem kui 30 tudengit 10 rühmas.
  • Tudengile puudub "kliendi" surve — ta ei nõua kvaliteeti, sest ta pole investeerinud. Aga ta ei tunne ka "kaotuse" survet — läbikukkumine on tasuta. Worst case proovib järgmisel semestril uuesti. See on veel üks puuduv motivaator lisaks AI-ga kaasnevale kompetentsuse illusioonile.
  • Riigile on küsimus: kas Eesti on nõus maksma selle eest, et IT-haridus oleks kvaliteetne? Kvaliteet AI ajastul tähendab rohkem inimressurssi hindamiseks, mitte vähem. See on vastuolus iga efektiivsusargumendiga.

IX.4 TA-de paradoks​

TA peab olema juuniorarhitekti tasemel, et suulist code review'd läbi viia. Aga täpselt neid inimesi on tööturul üha vähem vaja — AI asendab juuniore. Samas hindamiseks on neid endiselt vaja. TA-de leidmine muutub igal aastal raskemaks, sest nende turuväärtus tõuseb ja ülikool ei suuda konkureerida erasektori palkadega.

IX.5 Võimalik pragmaatiline leevendus​

Kas AI ise saaks aidata hindamisel — mitte asendada suulist, aga sõeluda? Näiteks: enne suulist kaitsmist peab tudeng läbima AI-põhise eelvestluse, kus ta selgitab oma koodi. AI annab eelhinnangu. TA-d saavad keskenduda piiripeaalsetele juhtumitele, kus tulemus pole ilmne.

See on irooniline — kasutada AI-d, et kontrollida, kas tudeng saab AI väljundist aru. Aga see võib muuta 30 minutit efektiivsemaks.

IX.6 Kokkuvõte​

Ainus hindamine, mis AI ajastul töötab, on suuline eksam. Aga suuline eksam on kõige kallim hindamisvorm, mis eksisteerib. Ja Eesti tasuta kõrghariduse mudel surub täpselt vastupidises suunas — suured rühmad, vähe raha. Me oleme olukorras, kus teame, mis töötab, aga ei suuda selle eest maksta.

X. Kokkuvõte: tees​

45% läbikukkumine on valus, aga alternatiiv — kõigi läbilaskmine ilma mõistmiseta — toodab inimesi, kes ei leia ka tööd, aga kellel on diplom, mis ütleb, et nad peaksid leidma.

Võimalik, et praegune 55% läbisaamine on ausam number kui varasemalt , kus osa tudengitest said hinde kätte StackOverflow-kopeerimise ja viimasel hetkel kokkulapitud koodiga.

Ühe lausega esitlusele:

"Ma ise suudan AI abil hoida 10 projekti käigus 2-3 asemel. Aga ma saan seda teha sellepärast, et mul on 35 aastat kogemust, mis ütleb mulle, millal AI ajab jama. Minu tudengil seda filtrit pole. Ja ma ei tea, kuidas seda filtrit õpetada kiiremini kui kogemus seda annab."

Teine lause:

"Ainus hindamine, mis AI ajastul töötab, on suuline eksam. Aga suuline eksam on kõige kallim hindamisvorm, mis eksisteerib. Me teame, mis töötab — me lihtsalt ei suuda selle eest maksta."

XI. Viited​

Põhiuuringud​

  1. Bastani, H., Bastani, O., Sungu, A., Ge, H., Kabakcı, Ö., & Mariman, R. (2025). Generative AI without guardrails can harm learning: Evidence from high school mathematics. Proceedings of the National Academy of Sciences, 122(26), e2422633122. https://doi.org/10.1073/pnas.2422633122

  2. Bjork, R. A. (1994). Memory and metamemory considerations in the training of human beings. In J. Metcalfe & A. Shimamura (Eds.), Metacognition: Knowing about knowing (pp. 185–205). MIT Press.

  3. Bjork, E. L., & Bjork, R. A. (2011). Making things hard on yourself, but in a good way: Creating desirable difficulties to enhance learning. In Psychology and the real world (2nd ed., pp. 59–68). Worth Publishers.

  4. Bjork, R. A., & Bjork, E. L. (2020). Desirable difficulties in theory and practice. Journal of Applied Research in Memory and Cognition, 9(4), 475–479.

  5. Becker, J., et al. (2025). Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity. arXiv:2507.09089.

Live-coding ja pedagoogika​

  1. Rubin, M. J. (2013). The effectiveness of live-coding to teach introductory programming. Proceedings of the 44th ACM Technical Symposium on Computer Science Education (SIGCSE '13).

  2. Raj, A. G. S., Patel, J. M., Halverson, R., & Halverson, E. R. (2018). Role of Live-coding in Learning Introductory Programming. Proceedings of the 18th Koli Calling International Conference on Computing Education Research.

  3. Su, X. & Wang, A. (2025). The Stress of Improvisation: Instructors' Perspectives on Live Coding in Programming Classes. CHI EA '25.

  4. Nederbragt, A., et al. (2020). Ten quick tips for teaching with participatory live coding. PLOS Computational Biology, 16(9), e1008090.

Hindamine AI ajastul​

  1. Hartman (2025). Research on oral exams as AI-resistant assessment.

  2. Hardie et al. (2024). Testing 17 assessment types against generative AI.

  3. Eachempati, P., Komattil, R., & Arakala, A. (2025). Should oral examination be reimagined in the era of AI? Advances in Physiology Education, 49(1), 208–209.

  4. Frontiers in Education (2025). Balancing AI-assisted learning and traditional assessment: the FACT assessment framework. https://doi.org/10.3389/feduc.2025.1596462

Tööstuse raportid​

  1. Faros AI (2025). The AI Productivity Paradox Report. https://www.faros.ai/blog/ai-software-engineering

  2. JetBrains (2025). The State of Developer Ecosystem 2025. https://blog.jetbrains.com/research/2025/10/state-of-developer-ecosystem-2025/

  3. MIT Technology Review (2025). AI coding is now everywhere. But not everyone is convinced. https://www.technologyreview.com/2025/12/15/1128352/rise-of-ai-coding-developers-2026/

CS haridus ja AI​

  1. Beale, R. (2025). Computer Science Education in the Age of Generative AI. arXiv:2507.02183.

  2. Taylor & Francis (2025). Mastering knowledge: the impact of generative AI on student learning outcomes. Studies in Higher Education. https://doi.org/10.1080/03075079.2025.2487570

Prokrastinatsioon ja eneseregulatsioon​

  1. Mukhtar et al. (2025). Perceived impact of AI dependence on procrastination among university students. De Gruyter / Libri.

  2. Ye, Z., Chi, S., Ma, X., & Pan, L. (2025). The impact of basic psychological needs on academic procrastination. Frontiers in Psychology, 16. https://doi.org/10.3389/fpsyg.2025.1576619

  3. Elizondo et al. (2024). Self-regulation and procrastination in college students: A tale of motivation, strategy, and perseverance. Psychology in the Schools, 61, 887–902.

Üldised AI hariduses​

  1. Programs.com (2026). The Latest AI in Education Statistics. https://programs.com/resources/ai-education-statistics/

  2. Borges, B., et al. (2024). Could ChatGPT get an engineering degree? Proceedings of the National Academy of Sciences, 121(49), e2414955121.