Miten tekoäly muuttaa liikuntatutkimuksen tulevaisuutta?

Samainen kiusaus on läsnä jokaisena päivänä ja yhä useammin erilaisissa arjen asioissa, sisältäen tutkimustyön. Kiire, aikarajat, työtehtävien paljous ja tuottavuusodotukset ajavat meidät vääjäämättä etsimään järkevöitystä ja helpotusta arkeemme. Fyysisen aktiivisuuden osalta, kuten tiedämme, se johtaa autoiluun kävelyn sijasta ja sohvalle iltalenkin asemasta. Tutkimuksen osalta se tarkoittaa yhä useammin tekoälyä omien aivojen rinnalla, tai pahimmillaan niiden sijasta.

Toisaalta ajatus täysin “omilla aivoilla” tehdystä tutkimuksesta on ollut vanhentunut jo pitkään. Emme ole pitäneet tietokoneita tai tilasto-ohjelmistoja uhkana ajattelullemme, vaan välineinä sen tukemiseen. Tekoäly on luonteva jatkumo tälle kehitykselle. Kysymys ei ole siitä, tuleeko sitä käyttää, vaan siitä, miten sitä käytetään.

Tekoäly tutkimuksen kiihdyttäjänä

Tekoäly on tullut tutkimukseen hyökyaallon lailla. Avoimista datoista tehtyjen kartoittavien tutkimusten sekä meta-analyysien määrä on räjähtänyt viime vuosina. Generatiiviset kielimallit kykenevät käymään läpi kirjallisuutta ja tuottamaan tekstiä sekä koodia ennennäkemättömällä nopeudella. Tutkimustyön tekninen toteutus onkin monella tapaa demokratisoitunut.

Väitöskirja-aikana käytin useita kuukausia EMG-signaalin siivoamiseen. Kokemus oli todellakin tärkeä, mutta tekoälyn avustamana olen onnistunut kehittämään automatisoidun algoritmin, joka hoitaa saman asian minuuteissa.

Tämä on ensimmäinen perustavanlaatuinen muutos liikuntatutkimuksen tulevaisuudessa. Datan analysoinnissa tekninen kyvykkyys ei ole enää haaste. Kysymys on siitä, onko asetelma ja data laadukasta. Yhtä lailla tärkeää on, mihin oma ymmärryksemme riittää tekoälyn ohjaamisessa ja mikä tärkeintä, tuloksen verifioinnissa ja tulkinnassa.

Vaikka tekoäly kykenee analysoimaan valtavia tietomääriä, se ei ainakaan vielä pysty arvioimaan tutkimuskysymyksen merkityksellisyyttä. Tai osaa se varmasti antaa siihen oman valistuneen näkemyksensä. Vielä jaksan uskoa meidän tutkijoiden olevan tässä keskeisessä roolissa. Tulevaisuudessa keskeinen kilpailuetu ei ole kyky analysoida dataa, vaan kyky kysyä oikeita kysymyksiä.

Tekoälyn tutkijankoulutuksessa: mitä taitoja meidän tulisi opettaa?

Nykyinen paine tehdä väitöskirjat kolmessa vuodessa johtaa vääjäämättä tilanteeseen, jossa väitöskirjaopiskelijoilla ei yksinkertaisesti ole aikaa kerätä omaa dataa. Ei ole aikaa opetella tiedonkeruun menetelmiä, pilotoida kädet savessa erilaisia mittauksia, varmistua datan laadusta, ymmärtää puutteita ja reunaehtoja erilaisille asetelmille ja toimia tutkittavien kanssa. Toisin sanoen, oppia oikeiden kysymysten kysymisen jälkeen tutkimuksen toteuttamisen kriittisin osa: laadukkaan alkuperäisen datan kerääminen.

Tekoälymurroksessa pidän tätä suurena ongelmana. Datan analysointi ja artikkeleiden kirjoittaminen vaatii vielä toistaiseksi tutkijaa ohjaksiin. Uskallan kuitenkin väittää, että muutaman vuoden päästä tekoälyn kyvykkyyksien kasvu tekee näistä monella tavalla teknisistä taidoista – niin halutessamme – triviaaleja (MIT Technology Review 2026). Sen sijaan kyky kerätä alkuperäistä, tarkoituksenmukaista ja laadukasta dataa on edelleen tutkijan supervoima, jota tekoäly ei voi korvata.

Tämä ei tarkoita, että analyysi tai kirjoittaminen menettäisivät merkityksensä. Päinvastoin. Jokaisen tutkijan tulee edelleen perehtyä syvällisesti ja itsenäisesti oman alansa kirjallisuuteen, osata tulkita olemassa olevaa tietoa kriittisesti, ja argumentoida ja rakentaa oma tutkimussuuntansa tämän pohjan päälle. Näissä kaikissa tekoäly voi olla erinomainen apuväline – nopeuttaen tiedon hakua, jäsentäen kokonaisuuksia ja haastamalla ajattelua. Mutta se ei korvaa ymmärrystä.

Juuri tämän vuoksi merkittävä osa tutkijakoulutuksesta olisi käytettävä alkuperäisen datan keräämisen ja tutkimusasetelmien suunnittelun oppimiseen – erityisesti aloilla, joissa mittaaminen on keskeisessä roolissa. Tämä tarkoittaa aikaa mittausmenetelmien haltuunottoon, pilotointiin, epäonnistumisiin ja niiden kautta syntyvään ymmärrykseen.

Tekoälyn vaikutus tiedon määrään ja laatuun

Tekoäly ei ainoastaan nopeuta yksittäisen tutkijan työtä, vaan lisää koko järjestelmän tuottavuutta. Tämä johtaa väistämättä julkaisuvolyymin kasvuun. Samalla vertaisarvioinnin kuormitus kasvaa, ja riskinä on, että signaali hukkuu kohinaan. Tilanne voi johtaa paradoksiin: mitä enemmän tutkimusta tuotetaan, sitä vaikeammaksi sen arviointi ja hyödyntäminen käy. Tällöin myös tutkimuksen laadun merkitys korostuu.

Hankehakemusten ja artikkeleiden kirjoittamiseen on saatavilla jo tarkoitukseen räätälöityjä ja erittäin kyvykkäitä kielimalleja. Mitä enemmän näitä käytetään, sitä suuremmaksi nousee arviointipyyntöjen ja julkaisujen määrä. Tämä johtaa tilanteeseen, jossa kenelläkään ei ole enää aikaa lukea, saati arvioida, tätä kasvavaa tekstimassaa – paitsi tekoälyllä.

Siksi väitän, että laadukkaan ja kilpailukykyisen tutkimuksen toteuttamisessa korostuvat kyky määritellä ongelmia ja rakentaa tutkimusasetelmia niiden ratkaisemiseen. Samalla painottuu osaaminen kerätä laadukasta alkuperäistä dataa (mielellään kokeellisissa) asetelmissa. Samalla korostuu laadukas alkuperäisdatan keräämisen mahdollistava infrastruktuuri. Yhtä lailla nousee datan omistajuuden merkitys ja kyky implementoida tietoa käytäntöön arvo. Näitä asioita tekoäly ei pysty toteuttamaan. Näiden kaikkien osien toimivuus on edellytys hyödyntää tekoälyä laadukkaasti ja ainutlaatuisen kilpailukyvyn turvin.

Lisäksi tutkimusten ja käytettävien menetelmien ennakkorekisteröinti ja riittävän tilastollisen tehon omaavat kokeelliset tutkimukset nousevat entistä suurempaan arvoon. Muuten avoimista datalähteistä ja havainnoivista asetelmista tehdyt kartoittavat artikkelit saturoivat tutkimuskirjallisuuttamme. Näitäkin tarvitaan, mutta toivon että näytön laadun painoarvo sekä väitöskirjoissa että tutkijanurien arvioinnissa, tulisi kasvamaan näytön määrän tavoittelun sijasta.

Tekoäly liikunnan edistämisessä

Ihmiset eivät enää kysy liikuntaneuvoja ja harjoitusohjelmia ensisijaisesti valmentajalta, vaan tekoälyltä. ”Miten aloitan liikunnan" tai ”mikä laji sopii minulle”, voisivat olla keskeisiä elintapaohjauksen keskustelunaiheita, mutta nyt jokaisella on näistä aiheista hämmentävän paljon tietävä keskustelukumppani kännykässä. Se osaa analysoida suuria datamassoja, kuten älykellon trendejä liikunnasta ja palautumisesta, silmän räpäyksessä, ja räätälöidä neuvot tähän dataan pohjaten. Tämä kyvykkyys tarjoaa ennennäkemättömän skaalan esimerkiksi personoidulle elintapapohjaukselle, kunhan me autamme kehittämään näitä alustoja turvallisiksi ja näyttöön perustuviksi.

Itseäni on viime aikoina kiinnostanut erityisesti niin kutsutut ”reaaliaikaiset adaptiiviset interventiot”, joissa tekoäly mukauttaa suosituksia yksilön arkisiin tilanteisiin sopiviksi. Näitä niin sanottuja juuri oikea-aikaisesti mukautuvia interventioita (just-in-time adaptive intervention) on tutkittu jo jonkin aikaa. Tekoäly mahdollistaa niissä vaadittavien monimutkaisten päättelyketjujen edelleen räätälöinnin ja monipuolistamisen, ja tekee niiden laajamittaisesta toteuttamisesta realistisempaa.

Lisäksi tekoäly voi muuttaa interventioiden ja liikunnan edistämisen toimenpiteiden osallistavaa suunnittelua. Esimerkiksi kaupunkisuunnittelun puolella tekoäly mahdollistaa muun muassa erilaisten suunnitelmien ja skenaarioiden tuottamisen tehokkaasti ja asiakasdatan hyödyntämisen näiden suunnitelmien muokkaamiseen. Sen ansiosta voidaan tehdä myös monimutkaisia ja laajojen palauteaineistojen yhteenvetoja (Raymond et al., 2025).

Mitä uutta tekoäly mahdollistaa omaan liikuntatutkimukseeni?

Tekoälyn vaikutukset liikuntatutkimukseen ovat varmasti moninaisia, mutta myös tieteenalakohtaisia. Omasta näkökulmastani näen ainakin kolme keskeistä uutta mahdollisuutta.

Ensimmäinen on biosignaalien analyysi. Esimerkiksi lihasaktiivisuuden mittaaminen tuottaa monimutkaista dataa, jonka tulkinta on perinteisesti ollut työlästä. Tekoäly mahdollistaa automatisoidun analyysin ja uusien ilmiöiden tunnistamisen.

Toinen on multimodaalinen mittaaminen. Yhdistämällä esimerkiksi liikeantureita, sykettä, glukoositasoja ja lihasaktiivisuutta, syntyy kokonaisuus, jonka analysointi ilman tekoälyä on käytännössä mahdotonta. Tämä mahdollistaa esimerkiksi eri asentojen, liikkeen määrän, frekvenssin, tyypin ja intensiteetin päivänaikaisen vaihtelun paremman mallintamisen ja niiden akuuttien ja viiveellä tapahtuvien terveysvasteiden ymmärtämisen.

Kolmas on interventioiden optimointi. Tekoälyn avulla voimme tarkastella, mikä toimii, kenelle ja missä tilanteessa. Tämä siirtää liikuntatieteen painopistettä keskimääräisistä vaikutuksista kohti yksilöllisiä ratkaisuja.

Mitä meidän tulisi tehdä?

Mielestäni nyt viimeistään on tärkeää kääriä hihat ja pyrkiä valjastamaan tekoäly oman tutkimustyön ja liikunnan edistämisen tehokkaaksi työvälineeksi. Uskon, että muutaman vuoden päästä voimme helposti moninkertaistaa tutkimustyömme tehokkuuden. Samalla meidän tulee vahvistaa kykyämme kerätä laadukasta alkuperäistä dataa ja vahvistaa infrastruktuurejamme. Samalla voimme lujittaa osaamistamme ja osallistavaa otetta tiedon implementointiin käytäntöön.

Samalla on entistä tärkeämpää tarkastella kriittisesti, mihin tuon tehokkuuden suuntaamme: osaammeko kysyä oikeita kysymyksiä, hankkia niihin relevantteja vastauksia, ja viedä tiedon käytäntöön ihmisten terveyttä ja hyvinvointia tukeviksi ratkaisuiksi? Tekoäly ei tee näitä asioita puolestamme, mutta voi auttaa meitä oleellisesti seuraavan askeleen ottamisessa liikuntatutkimuksen tulevaisuuden muovaamisessa.

 

Arto Pesola, LitT
Tutkimusyksikön johtaja
Terveyden edistämisen tutkimusyksikkö
Kaakkois-Suomen ammattikorkeakoulu

 

Lähteet:

MIT Technology Review. Open2026. AI is throwing everything into building a fully automated researcher [WWW Document]. MIT Technology Review. https://www.technologyreview.com/2026/03/20/1134438/openai-is-throwing-everything-into-building-a-fully-automated-researcher/ (accessed 4.25.26).

Raymond, C.M., Nummi, P., von Wirth, T., Poom, A., Ahdekivi, A., Barthel, S., Delmelle, E., Dunkel, E., Fagerholm, N., Grêt-Regamey, A., Hallikainen, F., Heinilä, A., Käyhkö, J., Kotavaara, O., Kyttä, M., Magyar, M., Pesola, A.J., McPhearson, T., Mustafa, A., Nurminen, V., Ramezani, S., Reed, P., Rinne, T., Schipperijn, J., Soininen, N., Toivonen, T. & Venuti, F. 2025. Uses, opportunities and risks of artificial intelligence in participatory urban planning. Discover Cities 2, 93. https://doi.org/10.1007/s44327-025-00137-4

 

Artikkeli on luettavissa myös pdf-muodossa.

 

Lue myös lehden muut verkkoartikkelit:

Pääkirjoitus: Inhimillisen viisauden tarve kasvaa tekoälyn voimistuessa

Jouko Kontulasta: Tekoäly hoi, oi ja voi!

Data ja tekoäly eivät syrjäytä ihmistä valmentajana

Somenäkyvyyden (syöksy) kierteessä: Urheilijat digitaalisena työvoimana

Liikkeen lisääminen kunnissa vaatii yhteispeliä