Ohjelmistoalan oppimateriaalin rikastus tekoälyn avulla : opetusalan tekoäly sovellutus
Miettinen, Karri (2025)
Julkaisun pysyvä osoite on
https://urn.fi/URN:NBN:fi:amk-2025121134813
https://urn.fi/URN:NBN:fi:amk-2025121134813
Tiivistelmä
Opinnäytetyön tavoitteena oli kehittää menetelmä, jonka avulla ohjelmistoalan Markdown-pohjaisia oppimateriaaleja voidaan jalostaa paremmin soveltuviksi erilaisiin oppimisympäristöihin hyödyntäen tekoälyä. Tutkimus toteutettiin konstruktiivisella tutkimusotteella LAB-ammattikorkeakoulun toimeksiannosta, ja sen tuloksena rakennettiin Bash- ja Python-pohjainen sovellus hyödyntäen OpenAI:n tekoälymalleja.
Sovellus koostui neljästä rikastusprosessista, joita olivat koodiesimerkkien selittäminen, kielikäännös, teksti puheeksi (TTS) ja puhe tekstiksi (STT). Prosessien tuottamat sisällöt voitiin julkaista lopuksi HTML-muodossa.
Tulokset osoittivat, että modernit tekoälymallit soveltuvat hyvin teknisen oppimateriaalin rikastamiseen, kääntämiseen ja saavutettavuuden parantamiseen. Menetelmällä voitiin myös nopeuttaa oppimateriaalin luontia erityisesti monikielisiin oppimisympäristöihin soveltuvaksi. The objective of this thesis was to develop a method for refining Markdown-based learning materials in the software industry to make them better suited for various learning environments, utilising artificial intelligence. The study was conducted using a constructive research approach commissioned by LAB University of Applied Sciences. The result was the creation of a Bash and Python-based software leveraging OpenAI’s artificial intelligence models.
The application consisted of four enrichment processes, which were code example explanation, language translation, text-to-speech (TTS), and speech-to-text (STT). The content produced by these processes could ultimately be published in HTML format.
The results indicated that modern AI models are well-suited for enriching, translating, and improving the accessibility of technical learning materials. The method also demonstrated the potential to accelerate the creation of learning materials, especially for those applicable in multilingual learning environments.
Sovellus koostui neljästä rikastusprosessista, joita olivat koodiesimerkkien selittäminen, kielikäännös, teksti puheeksi (TTS) ja puhe tekstiksi (STT). Prosessien tuottamat sisällöt voitiin julkaista lopuksi HTML-muodossa.
Tulokset osoittivat, että modernit tekoälymallit soveltuvat hyvin teknisen oppimateriaalin rikastamiseen, kääntämiseen ja saavutettavuuden parantamiseen. Menetelmällä voitiin myös nopeuttaa oppimateriaalin luontia erityisesti monikielisiin oppimisympäristöihin soveltuvaksi.
The application consisted of four enrichment processes, which were code example explanation, language translation, text-to-speech (TTS), and speech-to-text (STT). The content produced by these processes could ultimately be published in HTML format.
The results indicated that modern AI models are well-suited for enriching, translating, and improving the accessibility of technical learning materials. The method also demonstrated the potential to accelerate the creation of learning materials, especially for those applicable in multilingual learning environments.