Tehisintellektiga kodeerimise õpetamine ilma vibratsioonikodeerijaid loomata: pedagoogiline raamistik 2026. aastaks

Kui te õpetate programmeerimist 2026. aastal, on teil kaks valikut, mis ei tööta, ja üks, mis töötab. Kaks toimimatut on tuttavad: tehisintellekti keelamine oma kursusel (võimatu valvata, viib kasutamise salajaseks, jätab lõpetajad tööstuseks ette valmistamata) või üliõpilastele vaba tehisintellekti kasutamise lubamine (toodab lõpetajaid, kes oskavad küll prompata, kuid ei suuda reageerida ega aru saada). Toimiv lahendus on keerulisem. See nõuab teilt uuesti kujundamist, kuidas tehisintellekt õppeprotsessis osaleb — mitte lahendajana, mitte keelatud tööriistana, vaid huolelliselt toetatud abiõpetajana (scaffolded TA), mis jätab kognitiivse töö üliõpilastele, mille tehisintellekt oli nende eest ära tegemas.

See on pedagoogiline raamistik, mida te vajate. Mitte nimekiri tehisintellekti reeglitest. Mitte tuvastustööriistade võidujooks. Tõeline õpetamismudel, mis põhineb kolmel aastakümnel õppimissuunalistel uuringutel õppetoest (scaffolding) ja lähima arengu tsoonist (zone of proximal development), kohandatud agentsete kooditööriistade ajastule, mis lahendavad mängeldes mis tahes kodutöö.

See juhend on mõeldud programmeerimise õpetajatele, kes soovivad luua õppekava, mis toodab tõelisi programmeerijaid 2026. aastal. Käime läbi pedagoogilised alused, seitsmeetapilise raamistiku tehisintellekti toetatud programmeerimise õpetamiseks, klassiruumi mustrid, mida oleme näinud töötavat aluskursustest (CS1) kuni lopputöödeni, ja tööriistakihi — sealhulgas Plagly.ai — mis teeb raamistiku praktiliseks suures ulatuses.

Miks mõlemad äärmused aastatel 2024–2025 ebaõnnestusid

Kaks aastat kestnud eksperiment on läbi ja otsus on tehtud. Programmid, mis keelasid tehisintellekti täielikult (väike laine arvutiteaduse osakondi 2024. aastal), nägid kontrolli kokkuvarisemist ühe semestri jooksul, üliõpilasi, kes hiilisid reeglitest vaikselt mööda, ning kasvavat lõhet õpilaste ja tööturu vahel. Programmid, mis valisid vastupidise tee — pole sise-eeskirju, õpilased kasutavad kõike, mida soovivad — tõid tööturule kohordid, kes ei suutnud oma koodi siluda (debugging). Rekrytoijad vastasid sellele live-koodi intervjuude ja oskuste kontrollidega, milles diplomeeritud lõpetajad läbi kukkusid.

Mõlemal epäonnistumistaval on ühine põhjus. Nad kohtlesid tehisintellekti jah/ei-küsimusena pieteetliku pedagoogilise muuttuja asemel. Õige küsimus pole, kas üliõpilased peaksid tehisintellekti kasutama, vaid mis hetkel õppeprotsessis peaks tehisintellekt sekkuma ja millises rollis. See on küsimus, millele see raamistik vastab.

Pedagoogiline alus: produktiivne pingutus ja õppetugi (Scaffolding)

Kaks õppimissuunalist kontseptsiooni toetavad kõike järgnevat. Esimene on produktiivne pingutus (productive struggle): kognitiivne seisund, kus õppijal on piisavalt teavet edasiliikumiseks, kuid mitte piisavalt, et teha seda ilma vaevata. Uuringud näitavad järjepidevalt, et õppimine toimub produktiivses pingutuses. Liiga lihtsad ülesanded ei arenda oskusi. Liiga rasked ülesanded tekitavad vaid frustratsiooni. Kuldne kesktee — lähima arengu tsoon — on see, kus tegelikult kujunevad närviteed probleemide lahendamiseks.

Teine kontseptsioon on õppetugi (scaffolding): ajutine tugi, mille pakub võimekam osapool (traditsiooniliselt õpetaja, kaaslane või õpik), et õppija saaks tegutseda veidi väljaspool oma iseseisvat võimekust. Tuge vähendatakse järk-järgult, kui õppija sisendab põhioskuse. Hea õppetugi ei lahenda probleemi; see toetab üliõpilast probleemi lahendamisel iseseisvalt.

„Vibe codingi“ pedagoogiline ebaõnnestumine on selles raamistikus hästi näha: LLM, mis pakub valmis lahendust, hävitab produktiivse pingutuse, eemaldades kognitiivse töö, mis toodab õppimist. See võrdub tutoriga, kes lahendab iga probleemi hetkel, kui üliõpilane kulmu kortsutab. Üliõpilane istub küll toolil, kuid mingit õppimist ei toimu, sest pingutust pole.

Pedagoogiline võimalus on samuti nähtav. Sama LLM, mis on häälestatud säilitama produktiivset pingutust — esitama diagnostilisi küsimusi, andma osalisi vihjeid, keelduma koodi kirjutamisest, mida õpilane pole veel välja teeninud — on kõige võimsam õppetoe tööriist, mis kunagi leiutatud. See on kannatlik. See on lõputult kättesaadav. See kohandub iga õpilasega. See ei muutu kunagi frustreerituks. Sama mudel, mis hävitab õppimise ühel viisil konfigureerituna, võimaldab seda teisel viisil konfigureerituna.

Hiljutine arXiv-is 2025. aasta novembris avaldatud uuring (Scaffolding Metacognition in Programming Education) kinnitas seda empiiriliselt. Uuring näitas, et õpilased rõhutasid, et tehisintellekti süsteemid peaksid „vältima täielike vastuste andmist liiga kiiresti“, eelistades toetatud lähenemisviise koos samm-sammuliste vihjete ja kohanduva küsitlemisega. Õpilased ei palunud vähem tehisintellekti abi, vaid paremini disainitud tehisintellekti abi.

Seitsmeetapiline raamistik tehisintellekti toetatud programmeerimise õpetamiseks

Siin on raamistik, mida oleme viimase kaheksateistkümne kuu jooksul hienosäätäneet programmeerimise õpetajatega aluskursustest lopputöödeni. See jagab õppeprotsessi seitsmeks eraldi etapiks ja määrab, mida tehisintellekt peaks ja mida ei tohiks igas etapis teha. Raamistik on kindla seisukohaga — eesmärk on anda õpetajatele vaikimisi mudel, mida nad saavad kohandada, mitte lõputu valikuvõimaluste menüü.

1. etapp: Probleemi kohtamine

Üliõpilane loeb probleemi kirjeldust. Tehisintellekti roll siin on mitte midagi. Üliõpilane peab enne tehisintellekti abi lubamist kujundama oma esialgse mõistmise. See ei ole läbiräägitav. Tehisintellekti lubamine probleemi kokkuvõtmiseks või selgitamiseks selles etapis lühistab mõistmise. Praktikas saab seda rakendada kursuse reeglitega („ei mingit tehisintellekti esimese kümne minuti jooksul“), esitamise reeglitega (peab sisaldama probleemi kirjalikku uuesti sõnastamist enne tehisintellekti abi kasutamist) või lihtsalt klassiruumi kultuuriga.

2. etapp: Dekompositsioon

Üliõpilane jagab probleemi alamosadeks. Tehisintellekti roll siin on diagnostiline küsitlemine. Üliõpilane kirjutab alamosadeks jagamise mustandi ning tehisintellekt esitab selle kohta sokraatilisi küsimusi: „Mis muutub, kui sisend on tühi?“ „Kuidas sinu plaan tegeleb duplikaatidega?“ „Millises alamosas tegelik algoritmiline töö toimub?“ Tehisintellekt ei tohi pakkuda oma jaotust alamosadeks; see saab vaid uurida üliõpilase oma.

3. etapp: Lähenemisviisi valik

Üliõpilane kohustub valima algoritmilise strateegia (rekursioon vs iteraatio, hash map vs massiiv jne). Tehisintellekti roll siin on vertailu ja kompromisside analüüs. Kui üliõpilane on lähenemisviisi välja pakkunud, saab tehisintellekt võrrelda seda alternatiividega, selgitada kompromisse ning küsida, kas üliõpilase valik vastab piirangutele. Tehisintellekt ei vali. Tehisintellekt aitab üliõpilasel mõista, mida tema valik tähendab.

4. etapp: Teostus

Üliõpilane kirjutab koodi. Tehisintellekti roll siin on kõige peenem. Vaikimisi on see ainult süntaksi- ja idiomitugi: tehisintellekt saab vastata küsimusele „mis on Pythoni süntaks listikompressioonile (list comprehension), mis filtreerib ja muundab“, kuid mitte „kirjuta listikompressioon, mida mul selle probleemi lahendamiseks vaja läheb“. Tehisintellekt saab parandada süntaksivea, kuid mitte koodi ymber kujundada. Edasijõudnud üliõpilaste või lopputööde puhul võib see reegel olla vabam: tehisintellekt parikoodaajana, kus üliõpilane juhib. Aluskursustel (CS1) ei tohiks seda lubada.

5. etapp: Testimine ja silumine (debugging)

Üliõpilane käivitab testid ja kohtab vigu. Tehisintellekti roll siin on juhendatud hüpoteeside loomine. Kui test ebaõnnestub, ei ütle tehisintellekt „viga on real 12“. See küsib: „Kus koodis arvad sa vea olevat? Mida sinu funktsioon tagastab, kui sisend on tühi? Käi minuga see testjuhtum samm-sammult läbi.“ Siin toimub kõige suurem õppimine ja siin on ka kõige suurem kiusatus oikotie valimiseks. Hästi häälestatud tehisintellekt treenib silumisintuitsiooni, mis jääb kestma kogu karjääriks. Huonosti häälestatud tehisintellekt hävitab selle.

6. etapp: Refaktoreerimine ja peegeldamine

Üliõpilasel on töötav kood. Tehisintellekti roll siin on kritiseerimine ja alternatiivide esitlemine. Tehisintellekt saab nüüd näidata, kuidas kogenud programmeerija kirjutaks sama koodi, selgitada, miks tema versioon on parem või erinev, ning paluda üliõpilasel võrdlust hinnata. See on etapp, kus tehisintellekt saab olla kõige generatiivsem — põhimõtteline õppimine on juba toimunud ja lisaväärtuseks on kokkupuude kõrgema kvaliteediga mustritega.

7. etapp: Generaliseerimine

Üliõpilane peab oskuse üle kandma veidi erinevale probleemile. Tehisintellekti roll siin naaseb tasemele mitte midagi. Algupärasest probleemist esitatakse väike muudatus ning üliõpilane lahendab selle ilma tehisintellekti abita. See on hindamise etapp. Kui üliõpilane sisustas alla kuuluva oskuse, on muudatus lihtne. Kui mitte, paljastab muudatus tühimiku teadmistes.

Raamistiku rakendamine klassiruumi praktikas

Raamistik on põhimõte. Klassiruumi mustrid allpool on praktika. Iga muster operationaliseerib ühe või mitu raamistiku etappi konkreetsesse ülesandesse või tegevusse. Õpetajad kinnitavad järjepidevalt, et just need mustrid töötavad.

• Tosporeinen (kaherajaline) ülesanne. Igal olulisel ülesandel on soolo-osa (7. etapi generaliseerimine, tehisintellekt keelatud) ja tööriista-osa (etapid 1–6, toetatud tehisintellekt). Soolo-osa on lühem, kuid sellele antakse võrdne osakaal hindamisel. See mõõdab, mida üliõpilane tegelikult suudab teha, võimaldades tal samal ajal tehisintellektilt õppida suurema töö käigus.
• Dekomponointi (alamosadeks jagamine) esimesena -esitamine. Enne koodi kirjutamist esitab üliõpilane kirjaliku jaotuse alamosadeks. Tehisintellekt on selles etapis kursuse sise-eeskirjadega keelatud. Hinne antakse mõtlemise selguse, mitte lõpliku õigsuse eest. See moodustab sageli 20-30% ülesande hindest.
• AI-küsib küsimusi vestlusbot. Andke õpilastele kursusepõhine tehisintellekti juhendaja (süsteemiviip, mis jõustab raamistiku 2.–5. etapi käitumist), mida nad peavad abi saamiseks kasutama ja kes keeldub otsest koodi andmast. Mitmed ülikoolid on need ettevõttesiseselt ehitanud; valmis valikud, nagu Code.org'i AI juhendaja, manustavad Socraticu põhimõtted otse.
• Ainult silumise hindamine. Andke õpilastele tehisintellektiga loodud kood peente vigadega ja hinnake nende võimet neid leida ja parandada. See treenib 5. etappi otse ja premeerib oskusi, mille puhul tehisintellekt ise kõige halvemini toimib.
• Kirjuta ja hinda. Õpilased paluvad tehisintellektil probleemi lahendada, hinnata vastuse õigsust ja tõhusust, tuvastada vead või stiiliprobleemid ning esitada nii viipa kui ka parandatud versiooni. Käsitleb tehisintellekti sujuvust pigem hinnatud oskusena kui lahendusena.
• Suuline kaitsmine. Viis minutit õpilase kohta oluliste ülesannete täitmiseks. Kaks diagnostilist küsimust: tutvustage mulle seda funktsiooni ja muutke seda väikese variandi käsitlemiseks. Tabab kõike, mille õpetamiseks raamistik oli loodud, ja peaaegu mitte midagi muud.
• Kohorti kinnitusskannimine. Iga esildis läbib kinnituskihi, mis tõstab esile esildised, mis väärivad põhjalikumat kontrolli. Asi pole selles, et iga petjat tabada. Selle eesmärk on hoida töö tegemise sotsiaalne norm puutumatuna, et raamistik jätkaks toimimist.

Tööriistakiht: mis teeb selle mastaapselt praktiliseks

200 õpilasest koosnev CS1 ei saa iga ülesannet käsitsi kontrollida, iga õpilase tehisintellekti interaktsioone käsitsi tellida ega iga esildise puhul suuliselt kaitsta. Raamistik on realistlik ainult siis, kui tööriistakiht võtab juhendaja plaadilt maha mahutöö, jättes inimese hoo sisse juhtudel, kui inimlik otsustusvõime on ainulaadselt väärtuslik. See on Plagly.ai praktiline roll raamistiku ümber ehitatud kursusel.

• Koodi esitamise kinnitamine. Iga üleslaaditud fail läbib tehisintellekti genereerimise skannimise, mis tagastab usaldusskoori ja reakohased lipud. Plagly.ai saavutab 99% täpsuse GPT-5.5, Claude 4.6, Gemini 3.1 ja neid ühendavate agentide kodeerimistööriistade puhul. Madala tehisintellekti skooriga esildised ei vaja täiendavat kontrolli. Suulisel kaitsmisel esitatakse palju punkte.
• Kohorditaseme mustrianalüüs: Kui kaheksa üliõpilast samas rühmas toodavad lahendusi identse idiomaatilise muutujate nimega, identse kommentaaritihedusega ja sama defensiivse koodiosaga, siis see klaster surfaces (tõuseb esile) automaatselt. See tuvastab need ebaõnnestumised, mida üksiku esituse analüüs ei suuda tabada.
• Protsessijälje verifitseerimine: Suuremate projektide puhul loob Plagly.ai Agentic Council — seitse valdkonna eksperdi mudelit, mis analüüsivad esitust kirjutamise kvaliteedi, struktuuri, tehisintellekti tuvastamise, algupärasuse ja yhtenäisyyden osas — viidetega aruande. See dokumenteerib, kas esitus näitab iteratiivseid autorijälgi, mida tegelik üliõpilase töö tavaliselt näitab.
• Humanize tagurpidi õpetamisel: Humanize-funktsioon näitab, milline tüüpiline tehisintellekti kood välja näeb. Klassiruumis kasutatuna saab sellest õpetamisvahend: näidake õpilastele tehisintellekti stiilis kirjutatud funktsiooni ja selle kõrval sama funktsiooni idiomaatilises õpilase stiilis ning laske neil loetleda nähtavad erinevused. See treenib tuvastamisoskust, mida raamistiku 2. etapi harjutused nõuavad.
• Mitme keele tugi: Signaalid töötavad Pythonis, JavaScriptis, Javases, TypeScriptis, C++-is, Rustis, Gos ja teistes laialdaselt õpetatavates keeltes. Õppekava kujundamisel pole vaja arvestada tööriistade piirangutega.

Kuidas raamistik kursuste lõikes välja näeb

Raamistik on järjepidev kursuste lõikes, kuid kalibreerimine muutub. Mida edasijõudnum üliõpilane on, seda rohkem autonoomiat ta igas etapis saab. Kolm viitepunkti:

CS1 (Sissejuhatus programmeerimisse)

Raamistiku range noudmine. Etappidel 1, 4 ja 7 on minimaalne tehisintellekti kättesaadavus. Etapid 2–3 kasutavad tehisintellekti ainult küsimuste esitamiseks. 5. etapi silumine on vahvalt toetatud. CS1 kursusel on õpetaja eesmärgiks kognitiivse infrastruktuuri rajamine: oskus koodi lugeda, selle käivitamist jälgida ja ebaõnnestumiste kohta hüpoteese luua. Tehisintellekti laskmine seda tööd teha CS1 tasemel toodab üliõpilasi, kes ei arenda neid oskusi kunagi. Ühendage see pakilise probleemilahendusega klassis ja suulise kaitsmisega iga suurema ülesande puhul.

Andmestruktuurid ja algoritmid

Raamistiku mõõdukas noudmine. Etappe 4–6 võib veidi leevendada. Tehisintellekti saab nüüd kasutada parikoodaajana teostuses, kuid alles pärast seda, kui üliõpilane on iseseisvalt lähenemisviisi valinud (3. etapp). Silumine jääb tugevalt toetatuks. 7. etapi generaliseerimise ülesanded muutuvad abstraktsemaks: tõesta, et sinu algoritm kääntyy keerukusse O(n log n), või muuda oma teostust, et käsitleda lisapiirangut, mis nõuab sisulist ümbermõtlemist. Siin hakkavad tugevamad õpilased tehisintellekti tugevalt kasutama ja nõrgemad paljastuvad generaliseerimise ülesannetes.

Lõputööd ja tarkvaratehnika

Raamistiku vaba noudmine, suur protsessi nähtavus. Viimaseks aastaks peaksid üliõpilased tegutsema lähemal tööturu mudelile: tehisintellekt kaaslasena, üliõpilane juhtimas. Varmistuskerros (verifitseerimiskiht) siirdub esituspõhisest tuvastamisest protsessi nähtavusele: commit-ajalukku, disainiotsuste dokumenteerimisse ja salvestatud koodi katselmomissessioonidesse. Suulisest kaitsmisest saab disainiülevaade — kas üliõpilane suudab põhjendada arhitektuurilisi valikuid, selgitada kompromisse ning muuta disaini vastavalt uuele piirangule? Siin kannab CS1 tasemel tehtud investeering vilja, või ebaõnnestub.

Mida lõpetada tegemast aastal 2026

Viis praktikat, mis säilisid tehisintellekti eelsest ajast ja millest tuleb nüüd loobuda. Igaüks neist undergraver (õõnestab) aktiivselt raamistikku, kui neid säilitatakse.

• Lõpetage kodutööde painotamine üle 70% ulatuses hindest. Hindamis- ja testimistsükkel on täielikult automatiseeritav. Hindeline struktuur, mis sõltub kodutööde sooritusest, ei mõõda enam seda, mida see väidab mõõtvat. Siirake painoarvoa (osakaalu) klassis toimuvale probleemilahendusele, suulistele kaitsmistele ja valvatavatele projektietappidele.
• Lõpetage automaatse hindaja (auto-grader) tulemuse kasutamine ainsa hindena. Automaatne hindaja ei tea, kas koodi kirjutas üliõpilane. Ühendage automaatse hindaja punktid varmistuskerroksella (verifitseerimiskihiga) ning nõudke suulist kaitsmist oluliste hinnete puhul.
• Lõpetage selliste lihtsate ülesannete andmine, millele on laialdaselt avaldatud lahendusi. Kui probleem on LeetCode'is, GeeksforGeeksis või mis tahes enne 2024. aastat avaldatud õpikus, on tehisintellekt lahendust näinud. Kursusespetsiifilised probleemid, andmestikud ja piirangud sunnivad tehisintellekti tegelikku tööd tegema, mitte meenutama.
• Lõpetage tehisintellekti käsitlemine õppekavavälise teemana. Tehisintellekti valdamine on nüüd osa sellest, mida programmeerijad tööstuses teevad. Ülesanded, mis hõlmavad tehisintellekti väljundi hindamist, tehisintellekti loodud koodi silumist või tehisintellekti pakutud disainilahenduste kriitikat, õpetavad oskusi, mida tööturg vajab.
• Lõpetage kinnituskihi peitmine. Rääkige õpilastele avalikult, et tehisintellekti loomiseks esildised skannitakse, millised on raamistiku etapid ja millised on väärkasutuse tagajärjed. Läbipaistvus parandab sotsiaalset normi. Varjatud jõustamine tekitab võistlevat käitumist.

Korduma kippuvad küsimused

Kas see raamistik töötab iseseisva tempoga ja asünkroonsete kursuste jaoks?

Jah, kahe kohandusega. Esiteks liigub suuline kaitsmine salvestatud videoülevaatele, mille õpilane esitab iga olulise ülesandega. Video on lühike (kaks kuni viis minutit) ja vastab kahele ülesandega kaasas olevale diagnostilisele küsimusele. Teiseks muutub AI-tellingute tööriist olulisemaks, kuna juhendaja ei ole ruumis, et suunata õpilasi, kes libisevad lahendaja režiimi. Kursusespetsiifiline tehisintellekti juhendaja koos Socratici piirangutega (või üldise tööriista hoolikas süsteemiviip) muudab selle toimivaks.

Kuidas on lood õpilastega, kes õpivad paremini töötavat koodi lugedes?

Raamistik võtab selle selgesõnaliselt arvesse 6. etapis (refaktoreerimine ja peegeldamine). Pärast seda, kui õpilane on koostanud oma töötava koodi, on tehisintellekti loodud alternatiivide või ekspertreaktorite kokkupuude kõrge väärtusega. Piirang on järjestamine: AI-as-exemplar tuleb pärast õpilase enda tööd, mitte enne. Suurepärase koodi lugemine õpetab, kui lugeja on probleemi juba proovinud; Suurepärase koodi lugemine probleemi proovimise asendajana ei õpeta peaaegu midagi.

Kuidas ma saan hakkama õpilastega, kes juba kasutavad palju tehisintellekti ja panevad raamistikku pahaks?

Esitage need argumendid selgelt, eelistatavalt esimesel päeval. Näidake neile CodeRabbiti 2025. aasta detsembri andmeid 1,7-kordsest virhesuhtest tehisintellektiga kirjutatud koodis. Viidake dev.to lehel olevale artiklile 30 Days Without AI. Rääkige live-koodi testidest ja sellest, mida rekrytoijad tegelikult 2026. aastal teevad. Üliõpilased, kes raamistikku vastustavad, on tavaliselt need, kes seda kõige rohkem vajavad. Paljud neist pole veel kogenud vibe codingi tagajärgi, ja kui nad neid kogevad (sageli esimeses tehnilises intervjuus), soovivad nad tavaliselt, et oleksid võtnud raamistikku algusest peale tõsisemalt.

Kas saan raamistiku juurutada järk-järgult, mitte kogu oma kursust korraga ümber kujundades?

Jah. Kaige kehtivam juurutamine on lisada oma olemasolevale kursusele kolm asja: alamosadeks jagamise (decomposition-first) esitamise nõue ühes suuremas ülesandes, lühike suuline kaitsmine samas ülesandes ning taustal vaikselt töötav verifitseerimiskiht (tööriist, mis skannib esitusi ja tuvastab mustreid). Need kolm täiendust viivad teid suurema osa teest ilma täieliku õppekava ümberkujundamise vajaduseta. Enamik õpetajaid alustab siit ja laieneb täielikule raamistikule kahe kuni kolme semestri jooksul.

Mis siis, kui minu õppeasutus pole veel kehtestanud selgeid tehisintellekti reegleid?

Enamik neist pole seda teinud ja ootab opetushenkilökunnan (õppejõudude) sisendit. Raamistiku kasutuselevõtt kursuse tasemel annab teile tugeva mudeli, mida viia osakonna taseme aruteludesse: vaadake, mida me teeme CS1 kursusel, siin on põhjendus ja siin on tulemused. Õppejõud, kes proaktiivselt näitavad sellel alal head pedagoogilist mudelit, on üha enam need, kes kujundavad asutuse ametlikke eeskirju. Raamistik on loodud kaitsmiseks neis aruteludes — viited õppimissuunalistele uuringutele, eelretsenseeritud uuringutele ja selge tuginemine produktiivsele pingutusele ja õppetoele (scaffolding) toimivad kõik retorilise toena selles töös.