Helsingin yliopiston Somekone tekee näkyväksi, miten tykkäykset, katseluajat ja reaktiot muuttuvat käyttäjäprofiiliksi ja vaikuttavat somen suosituksiin.
Sosiaalisen median algoritmi oppii käyttäjästään paljon enemmän kuin pelkistä tykkäyksistä. Suomessa kehitetty Somekone näyttää koululaisille käytännössä, kuinka katseluaika, kommentit, jakaminen ja jopa hetkellinen pysähtyminen sisällön äärelle alkavat muokata käyttäjästä muodostuvaa profiilia ja sitä, mitä hänelle seuraavaksi näytetään.
Somessa myös tekemättä jättäminen voi kertoa jotain
Puhelimen näytölle ilmestyy kuva. Et paina tykkäystä, et kommentoi etkä jaa sitä eteenpäin. Katsot sitä kuitenkin muutaman sekunnin tavallista pidempään ennen kuin jatkat selaamista.
Ulospäin ei näyttäisi tapahtuneen juuri mitään.
Sosiaalisen median suosittelujärjestelmän näkökulmasta tapahtui silti jotakin kiinnostavaa: sisältö sai huomiosi.
Juuri tällaisia mekanismeja Suomessa kehitetty Somekone pyrkii tekemään näkyviksi lapsille ja nuorille. Generation AI -tutkimusohjelmassa kehitetty oppimisympäristö jäljittelee sosiaalisen median toimintaa niin, että käyttäjä näkee samalla, millaista tietoa hänen toiminnastaan syntyy.
Ajatus on yksinkertainen mutta paljastava. Sen sijaan että oppilaalle vain kerrotaan algoritmien keräävän tietoa, hän näkee prosessin omin silmin.
Somekone näyttää käyttäjälle hänen oman profiilinsa syntymisen
Somekone muistuttaa käyttöliittymältään tuttua sosiaalisen median sovellusta. Oppilaat selaavat kuvavirtaa, tykkäävät, kommentoivat, seuraavat käyttäjiä, jakavat sisältöä ja käyttävät emoji-reaktioita.
Taustalla järjestelmä tarkkailee toimintaa.
Se tallentaa esimerkiksi kuvien katseluaikoja, tykkäyksiä, kommentteja ja niiden pituuksia, reaktioita, seuraamisia ja jakamisia.
Tämän perusteella muodostuu käyttäjäprofiili, jossa näkyvät selailusta päätellyt kiinnostuksen kohteet. Niitä voidaan esittää esimerkiksi sanapilvenä.
Oppilas näkee siis konkreettisesti, kuinka hajanaisilta tuntuvat pienet valinnat muuttuvat vähitellen järjestelmän käsitykseksi siitä, millainen käyttäjä hän on.
Seuraava sisältö ei ilmesty sattumalta
Somekone ei ainoastaan kerää tietoa. Se käyttää muodostamaansa profiilia seuraavien sisältöjen suosittelemiseen.
Samalla se kertoo käyttäjälle, miksi tietty sisältö valittiin.
Syynä voi olla esimerkiksi se, että käyttäjä on aikaisemmin pitänyt samankaltaisesta aiheesta. Toisessa tilanteessa suositus voi perustua siihen, että muut käyttäjät, joiden käyttäytyminen muistuttaa kyseisen oppilaan toimintaa, ovat kiinnostuneet samasta sisällöstä.
Tämä avaa yhden sosiaalisen median keskeisistä mutta tavalliselle käyttäjälle yleensä näkymättömistä tapahtumaketjuista.
Ensin ihminen käyttää palvelua.
Sitten palvelu muodostaa tästä käyttäytymisestä tulkintoja.
Näiden tulkintojen perusteella se päättää, mitä käyttäjälle kannattaa seuraavaksi näyttää.
Ja sen jälkeen käyttäjän reaktio tähän uuteen sisältöön tuottaa jälleen lisää tietoa.
Näin käyttäjä ja suosittelujärjestelmä vaikuttavat jatkuvasti toisiinsa.
Myös sekunnit voivat olla tietoa
Somekoneen kiinnostavimpia opetuksia on huomion merkitys.
Digitaalista jalanjälkeä ajatellaan helposti näkyvien tekojen kautta. Tykkäys kertoo kiinnostuksesta, kommentti mielipiteestä ja seuraaminen halusta nähdä lisää tietyn käyttäjän sisältöä.
Todellisuudessa myös huomattavasti hienovaraisempi käyttäytyminen voi olla arvokasta tietoa.
Jos ihminen pysähtyy tietyn sisällön kohdalle, järjestelmä voi käyttää katseluaikaa yhtenä vihjeenä kiinnostuksesta. Käyttäjän ei tarvitse tietoisesti ilmoittaa pitävänsä jostakin aiheesta, jotta hänen toimintansa voi alkaa vaikuttaa tuleviin suosituksiin.
Tämä on tärkeä ero.
Sosiaalisen median käyttäjä ei siis pelkästään kerro itsestään silloin, kun hän päättää julkaista jotain. Hän tuottaa tietoa myös selaamalla muiden sisältöä.
Kokonainen luokka näkee, kuinka somekuplat voivat muodostua
Somekone vie havaintoa vielä pidemmälle.
Opettajan näytöllä koko luokan käyttäjäprofiilit voidaan esittää reaaliaikaisena verkostona. Oppilaat, joiden toiminnasta löytyy samankaltaisia kiinnostuksen kohteita, alkavat sijoittua lähemmäs toisiaan.
Näin abstrakti puhe somekuplista muuttuu näkyväksi.
Oppilas voi nähdä, kuinka hänen omat valintansa vaikuttavat paitsi hänestä muodostuvaan profiiliin myös laajemmin suositusjärjestelmän toimintaan.
Tällä on merkitystä, koska sosiaalisen median personointi ei tapahdu täysin erillään muista käyttäjistä. Suosittelujärjestelmät hyödyntävät myös tietoa siitä, miten käyttäjä muistuttaa muita ihmisiä ja mistä samankaltaiset käyttäjät ovat kiinnostuneet.
Yksittäisen ihmisen klikkaaminen ei siten ole pelkästään hänen ja sovelluksen välinen tapahtuma.
Algoritmeista liikkuu myös paljon kansanuskomuksia
Sosiaalisen median algoritmeista puhutaan paljon, mutta niiden toimintaa tunnetaan huonosti.
Tästä syntyy helposti yksinkertaistettuja käsityksiä: puhelin kuuntelee kaiken, yksi tietty sana muuttaa algoritmin tai tietyn toiminnon tekeminen takaa näkyvyyden.
Tutkijat kutsuvat tällaisia epämuodollisia käsityksiä algoritmeista kansanuskomuksiksi. Osa havainnoista voi perustua todellisiin kokemuksiin, mutta niiden perusteella ei välttämättä pystytä päättelemään, miksi jokin sisältö lopulta näytettiin.
Ongelma on suurempi kuin se ensi silmäyksellä vaikuttaa.
Jos ihminen ei ymmärrä edes pääpiirteittäin, kuinka hänen käyttämänsä järjestelmä muodostaa suosituksia, hänen on vaikea arvioida myöskään sitä, kuinka paljon hänen omaa käyttäytymistään järjestelmä ohjaa.
Somekoneen tavoite ei ole paljastaa esimerkiksi Instagramin tai TikTokin todellista algoritmia. Kyse on yksinkertaistetusta oppimisympäristöstä, jonka avulla sosiaalisen median seurannan, profiloinnin ja suosittelun periaatteita voidaan tarkastella turvallisesti.
Medialukutaito ei enää tarkoita vain toden ja valheen erottamista
Koulujen mediakasvatuksessa on perinteisesti opetettu esimerkiksi lähdekritiikkiä, tietoturvaa ja väärän tiedon tunnistamista.
Ne ovat edelleen tarpeellisia taitoja.
Sosiaalinen media on kuitenkin tuonut rinnalle uuden kysymyksen: miksi juuri tämä sisältö tuli minun nähtäväkseni?
Se voi olla tulevaisuuden medialukutaidon tärkeimpiä kysymyksiä.
Kaksi ihmistä voi avata saman sovelluksen samalla hetkellä ja nähdä täysin erilaisen maailman. Molemmille syntyvä näkymä perustuu ainakin osittain heidän aikaisempaan käyttäytymiseensä ja järjestelmän siitä tekemiin päätelmiin.
Silloin käyttäjän pitäisi osata arvioida sisällön lisäksi myös sitä mekanismia, joka valitsi sisällön hänen puolestaan.
Nuoria ei haluta jättää vain rajoitusten kohteiksi
Somekoneen taustalla on myös laajempi ajatus lasten ja nuorten asemasta digitaalisessa ympäristössä.
Sosiaalisen median käytöstä keskustellaan usein rajoittamisen kautta. Pohditaan ikärajoja, ruutuaikaa, koulujen puhelinkieltoja ja sitä, kuinka paljon nuorten pitäisi saada käyttää erilaisia palveluja.
Generation AI -tutkimuksen näkökulma tuo keskusteluun toisen puolen.
Nuorten pitäisi myös itse ymmärtää käyttämäänsä teknologiaa riittävän hyvin, jotta he voivat muodostaa siitä oman mielipiteensä.
Tämä muuttaa nuoren roolia. Hän ei ole pelkästään suojeltava käyttäjä, jolle aikuinen määrittelee säännöt, vaan ihminen, jonka pitäisi vähitellen oppia tunnistamaan teknologian toimintaperiaatteita ja arvioimaan niitä kriittisesti.
Tietosuoja rakennettiin osaksi oppimisympäristöä
Lasten käyttäytymistä seuraavassa opetustyökalussa tietosuoja on väistämättä keskeinen kysymys.
Somekone on siksi rakennettu suljetuksi oppimisympäristöksi. Oppitunnilla syntyvä tieto tallentuu paikallisesti opettajan tietokoneelle ja poistuu automaattisesti tunnin päätyttyä.
Tunnistettavia käyttäjätietoja ei lähetetä ulkopuolisille palvelimille.
Ratkaisu on tarkoituksellinen. Olisi ristiriitaista opettaa lapsille profiloinnin ja tiedonkeruun toimintaa työkalulla, joka samalla itse keräisi heidän tietojaan pysyvästi.
Somekonetta on kokeillut jo noin 400 lasta
Oppimisympäristö ei ole enää vain tutkijoiden suunnitelma.
Somekonetta on testattu noin 400 lapsen kanssa kymmenissä suomalaisissa kouluissa. Sen tutkimuksellista perustaa on lisäksi käsitelty vertaisarvioidussa IEEE:n konferenssijulkaisussa.
Työkalun kehittäjät painottavat kokemuksellista oppimista. Algoritmeista ei tarvitse ensin ymmärtää ohjelmointia tai monimutkaista matematiikkaa.
Oppilas pystyy muuttamaan omaa käyttäytymistään ja katsomaan heti, kuinka muutos vaikuttaa profiiliin ja suosituksiin.
Tämän kaltaisessa opetuksessa teknologian ymmärtäminen lähtee siitä, minkä nuori jo tuntee: sosiaalisen median käyttämisestä.
Suomalaista ratkaisua on huomattu myös maailmalla
Somekone kuuluu laajempaan Generation AI -oppimiskokonaisuuteen, jossa suomalaiset yliopistot ja yhteistyökumppanit ovat kehittäneet tekoälylukutaidon opetukseen erilaisia välineitä.
Generation AI voitti kesällä 2026 Euroopan unionin Digital Skills Awards -kilpailun lasten ja nuorten tekoälylukutaidon edistämisestä. Digital Skills for Education -sarjassa oli 90 osallistujaa ja koko kilpailussa 220 osallistujaa.
Kokonaisuuden avoimia ja maksuttomia työkaluja oli Helsingin yliopiston mukaan käytetty kesään mennessä yli 200 000 kertaa yli 50 maassa.
Mukana ovat Helsingin yliopiston lisäksi Itä-Suomen yliopisto, Oulun yliopisto ja Code School Finland.
Kyse ei siis ole vain yksittäisestä suomalaisesta koulukokeilusta. Taustalla on yritys kehittää mallia siihen, kuinka tekoälyä ja algoritmisia järjestelmiä pitäisi opettaa sukupolvelle, jonka arkeen ne kuuluvat jo ennen aikuisuutta.
Mitä tämä merkitsee Suomelle?
Suomessa on pitkään pidetty medialukutaitoa yhtenä koulutuksen vahvuuksista. Somekone osoittaa, että käsitettä on nyt päivitettävä.
Nuoren ei riitä tulevaisuudessa tietää, onko verkossa vastaan tullut väite luotettava. Hänen pitäisi ymmärtää myös, miksi järjestelmä päätti näyttää juuri kyseisen väitteen hänelle.
Tässä suomalaisella koulutuksella on mahdollisuus olla edelläkävijä. Algoritmien ja tekoälyn kriittinen ymmärtäminen voidaan tehdä osaksi tavallista kansalaistaitoa ilman, että jokaisesta oppilaasta yritetään tehdä ohjelmoijaa.
Generation AI:n kansainvälinen kiinnostus kertoo samalla suomalaisen koulutusosaamisen uudesta vientimahdollisuudesta. Seuraava suomalainen koulutusinnovaatio ei välttämättä ole uusi oppikirja tai opetusmenetelmä, vaan turvallinen tapa opettaa lapsille heidän jokapäiväisen digitaalisen ympäristönsä toimintaa.
Mitä tämä merkitsee lukijalle?
- Sosiaalinen media voi käyttää kiinnostuksen arvioimiseen muutakin kuin tykkäyksiä. Myös katseluaika, kommentit, jakaminen ja muu käyttäytyminen voivat tuottaa tietoa siitä, mistä käyttäjä näyttää olevan kiinnostunut.
- Sinulle näkyvä somevirta ei ole neutraali läpileikkaus kaikesta tarjolla olevasta sisällöstä. Se on ainakin osittain järjestelmän tekemä valinta, johon aikaisempi käyttäytymisesi vaikuttaa.
- Nuoren kanssa kannattaa puhua ruutuajan lisäksi siitä, miksi jokin sisältö ilmestyy hänen nähtäväkseen. Algoritmin ymmärtäminen auttaa tarkastelemaan omaa somevirtaa kriittisemmin.
Toimituksen näkökulma
Sosiaalisen median suurin valta ei ehkä ole siinä, mitä se tietää meistä, vaan siinä, mitä se pystyy tuon tiedon perusteella valitsemaan eteemme seuraavaksi.
Siksi digitaalinen sivistys tarvitsee uuden kerroksen. Meidän ei pitäisi opettaa lapsille vain sitä, mitä verkossa kannattaa uskoa, vaan myös sitä, miksi he ylipäätään näkivät juuri kyseisen asian.
Kun algoritmi oppii käyttäjästä koko ajan lisää, käyttäjän pitäisi oppia edes hieman lisää algoritmista.
Lähteet
- Helsingin yliopisto – Somekone näyttää nuorille, miten sosiaalisen median algoritmi kerää tietoa heistä. (Helsingin Yliopisto)
- Helsingin yliopiston tutkimusportaali / Pope, Kahila, Laru, Vartiainen, Roos & Tedre – An Educational Tool for Learning about Social Media Tracking, Profiling, and Recommendation, IEEE ICALT 2024. (University of Helsinki Research Portal)
- Helsingin yliopisto – Euroopan paras tekoälylukutaitoja edistävä oppimisratkaisu tulee Suomesta. (Helsingin Yliopisto)
