• Kas põhikooli ja gümnaasiumi kirjandite parandamisel võiks olla tehisarust abi – nii, et lõplik otsus jääks endiselt inimesele? Tallinna ülikool lõpetas projekti, kus katseeksamite kirjandeid hindasid nii inimesed kui ka tehisaru.

„Esmased tulemused osutavad kirjandite automaathindamise võimalikkusele,“ ütleb projekti juht, emakeeleõpetuse lektor Merilin Aruvee. Tema sõnul oli projekti üks sihte tuua kokku eri instituutide pädevus ja saada lõpuks selge pilt, mida on masin suuteline tegema ja kus peab otsus jääma inimesele.

“Inimene on hindajana subjektiivne.

Merilin Aruvee

Praktilises plaanis jagunes töö neljaks: tekstikorpuse täiendamine emakeeleõppijate kirjutistega, automaathindamise võimaluste väljaselgitamine, masin- ja inimhindamise erinevuste analüüs ning hindamismaatriksite ja kirjutamisõpetuse arendamine.

„Saime teada, et suured keelemudelid ja keeletehnoloogilised masinõppemudelid saavad õpilastekstide hindamisega päris kenasti hakkama. Erinevus inimeste pandud hinnetega polnud suur, ja seda nii 9. kui ka 12. klassi tekstide puhul. Oma töövood talletasime vabavaralisena, et neid saaks edaspidi kasutada,“ lausub Aruvee.

Tehisaru lektor Andres Karjus selgitab, et suurte keelemudelitega hinnati 2024. ja 2025. aasta 9. ja 12. klassi katseeksami ligi 3000 kirjandit, et katta kõik hinnatavad aspektid grammatikast sisuni. Fookus oli 9. klassil – just seetõttu, et põhikooli lõpueksami kirjutamisülesande mudel ja hindamisloogika muutub ning vajab testimist.

Hindamiskriteeriumid olid detailsed: sissejuhatus ja pealkiri, teemaarenduslõikude struktuur, alustekstide kasutus, lõpetus, lisaks lausestus ja sõnastus ning õigekiri, kirjavahemärgistus ja vormistus.

Katsetati nii suuri generatiivseid mudeleid (sh OpenAI GPT ja Google Gemini) kui ka keeletehnoloogilisi tööriistu ja varasemate hinnete peal treenitud masinõppemudeleid.

“Lõpphinde paneb igal juhul inimene.

Andres Karjus

Kuidas masinale ülesanne anti, loeb rohkem, kui esmapilgul paistab. Projektimeeskonna sõnul võivad keelemudeleid eksitada liiga paljud ja üksteisele vastu käivad juhised – seetõttu on määrav, kui konkreetne ja optimaalne on töökorraldus. Nende katses hinnati keelemudeliga iga aspekti eraldi: see hoidis hindamisülesande selgena ning vähendas juhiste müra, mis võib muidu tulemusi kõigutada.

Kooskõla inimhindajaga

Loo üks keskseid küsimusi on, kas masin näeb kirjandit samamoodi nagu inimene. Karjuse sõnul võrreldi masinate ennustatud punktide erinevust inimhindajate keskmisest (konsensusest) ning vaadati ka seda, kas koondtulemus jääb kahe hindaja hinnete vahele.

Projekti tulemuste põhjal jäi mudelite koondhinne kahe hindaja vahele üle pooltel juhtudel. 9. klassi tekstide hindamine osutus keelemudelitele veidi lihtsamaks. 12. klassis prooviti ka rangemat juhendit, kuid see ei muutnud pilti oluliselt.

Digitehnoloogiate instituudi nooremteadur Kais Allkivi toob näite keeleaspektide hindamisest: sõnavaliku ning liigenduse ja vormistuse hindamisel oli keelemudeli hinnangute erinevus inimhindajate omast ligikaudu 0,4 punkti (0–3 skaalal) ning see jääb alla isegi inimhindajate omavahelisele ebakõlale. Keelevigadega seotud aspektides andsid õigekirja- ja grammatikakorrektorid paremaid tulemusi kui suured keelemudelid.

Aruvee sõnul paistab inimhindamises paratamatult välja subjektiivsus: osa hindajaid väldib maksimumi, osa kaldub keskmiste poole ning inimest mõjutavad ka halo- ja kajaefekt (näiteks eelnevalt loetud töö või hinnangute üldine keskmine). Masin ei väsi ega kiirusta emotsiooni pealt – ent riskid tulevad teisest kohast: mudelit võivad kallutada treenimine ning eksitada liiga pikad või vastukäivad juhised.

Seetõttu rõhutab Karjus, et päris eksamihindamises tuleks mõõta mitte ainult täpsust, vaid ka võimalikku kallutatust, mudelit vajadusel kalibreerida – ja lõpphinde paneb igal juhul inimene.

Karjuse sõnul ei loonud uurimisrühm veel eksamile valmis hindamisrakendust, vaid vaatas hindamisprotsessi köögipoolt: mida praegused keelemudelid ja keeletehnoloogilised lahendused katseeksami tekstidega üldse teha suudavad. Päris eksamikeskkonnaga pole lahendust seni liidestatud ning kui automaathindamist kunagi eksamites kasutada, peaks protsess olema läbipaistev – tema hinnangul isegi rohkem kui praegune hindamiskorraldus.

Projektis ilmnes, et osas grammatika- ja keelekriteeriumites olid spetsiifilised keeletehnoloogilised mudelid täpsemad, samal ajal kui generatiivsed keelemudelid hindasid kõrgemalt sisu aspekte, nagu sissejuhatust ja pealkirja. Aruvee sõnul osutus üheks praktiliseks õppetunniks, et pealkirja ja sissejuhatuse koos hindamine sama kriteeriumi all ei ole mõistlik – katse näitas, et need tuleks pigem lahutada.

Mis on õpetajale käegakatsutav kasu?

Kuigi projekti eesmärk ei olnud veel anda kätte valmis tööriist, kirjeldab Aruvee, et tulemused aitavad seada 9. klassi jaoks paremaid kriteeriume ning luua juhendeid, koolitusi ja õppematerjale. 

„Meie kõige praktilisem ja otsesem tulemus on viis Videoõpsi videot õpetajatele, mis on mõeldud 9. klassi kirjandiks valmistumiseks,“ lausub ta. „Neile pääseb ligi Videoõpsi Youtube’i kanalil. Praegu käib juba ka jätkuprojekt, kus kujundame ja arendame praktilist masinvõimestatud hindamise tööriista.“  

Kui rääkida tulevasest hübriidlahendusest (inimene + masin), siis Aruvee näeb masinat eelkõige abikäena üksikute kriteeriumite hindamisel: tuua esile grammatika ja sõnavara mitmekesisuse näitajaid, aidata vigu üles tähendada, märkida korduvaid vigu. Sisuliste kriteeriumite puhul saab masin üsna täpselt osutada, kuivõrd on õpilane tuginenud alustekstile, näiteks kuidas ta on teksti refereerinud. Suurem küsimus on tema sõnul järgmine samm: mis juhtub siis, kui inimhindaja näeb masina tagasisidet – kas ja kuidas see tema otsust mõjutab?

Karjus rõhutab, et inimene peab masina otsuse niikuinii üle vaatama – seda nõuab ka seadus. Nii nagu inimhindaja puhul, tekib ka masinhindamisel paratamatult erandeid: õpilane võib kirjutada kirjandi asemel kihutuskõne, muinasjutu või midagi muud, mis ei mahu tavapärasesse rubriiki. Sellistel juhtudel tulebki lähtuda mõistlikkusest ja inimlikkusest.

Aruvee ütleb edasiste plaanide kohta, et kolm projektiliiget arendavad ASTRA+ projektis „Arutleva kirjandi hübriidhindamise ja tagasisidestamise rakenduse prototüübi väljatöötamine“ rakendust, mis toetaks õpilaste kirjutamisoskust kirjandi hindamiskriteeriumite alusel ning pakuks kirjutajale toetavat tagasisidet tehisarult.

Digitehnoloogiate instituudi juhtimisel on käimas projekt „Eestikeelse teksti kirjutamisabi: automaatkorrektori ja paranduste selgitaja edasiarendus“, milles arvestatakse eesti keele kui teise keele õppe kõrval ka emakeeleõppe vajadusi ning kuhu emakeeleõpetuse eksperdina on kaasatud Merilin Aruvee. Katarin Leppik ja Merilin Aruvee jätkavad koostööd Harnoga, et arendada hindamist, luua koolitus- ja õppematerjali uue eksami toeks. 

„Loodetavasti võtab Harno ka EIS-i arendusel meie projekti tulemusi arvesse ja töötab välja viisi, kuidas keeletehnoloogia tuge saaks eksami hindamisel rakendada,“ lausub ta. 

---

Tallinna ülikooli projektis „Automaathindamise võimalikkusest põhikooli ja gümnaasiumi lõpueksami kirjutamisülesande näitel“ osalesid humanitaarteaduste instituudi digihumanitaaria ja tehisaru lektor Andres Karjus, tehisaru ja digihumanitaaria külalislektor Krister Kruusmaa, nooremteadur Katarin Leppik, digitehnoloogiate instituudist nooremteadur Kais Allkivi, analüütik Silvia Maine, ning keeletehnoloogid-tarkvaraarendajad Taavi Kamarik ja Harli Kodasma, projekti juhtis humanitaarteaduste instituudi emakeeleõpetuse lektor Merilin Aruvee.

Õpetajate Leht kirjutas teema avamisest ja esimestest plaanidest juba 10. detsembril 2024.