Codex in the Classroom: Opas ohjelmointiopettajille 2026

Huhtikuussa 2026 OpenAI julkaisi vähin äänin ChatGPT Edun käyttöönotto-oppaan nimeltä Deploying Codex in Higher Education. Muutamassa viikossa yliopistot Yhdysvalloissa ja Kanadassa ottivat Codexin käyttöön kokonaisille tietojenkäsittelytieteen opiskelijaryhmille — täysin agentillisen koodaustyökalun, joka pystyy lukemaan opinto-ohjelman, rakentamaan koodihakemiston, kirjoittamaan tuotantovalmista koodia, ajamaan testejä ja palauttamaan toimivan ratkaisun alle kuudessakymmenessä sekunnissa. Jokainen tehtävä, jonka tyypillinen perustutkinto-opiskelija on koskaan joutunut suorittamaan, on nyt vain yhden kehotteen päässä täydellisestä vastauksesta.

Jos undervisoit ohjelmointia, tiedät jo mitä seuraavaksi tapahtuu. Suuren yliopiston tietojenkäsittelytieteen kurssin pilottikyselyssä vuonna 2025 havaittiin, että yli 25 % opiskelijoista myönsi käyttäneensä tekoälyä vilppiin koodauksen kotitehtävissä. Algoritmiprofessorien epävirallisten arvioiden mukaan todellinen osuus on yli 50 %. Kysymys ei ole enää siitä, käyttävätkö opiskelijat tekoälyä, vaan siitä, opettavatko tehtäväsi enää mitään heidän käyttäessään sitä.

Tämä opas on tarkoitettu ohjelmoinnin opettajille, jotka kieltäytyvät sekä kieltämästä tekoälyä kokonaan että luovuttamasta luokkahuonetta sille. Tarkastelemme, mitä tutkimus todella osoittaa, mitä sääntöjenvastaisuuden merkkejä Python- ja JavaScript-palautuksissa kannattaa seurata, miten tehtävät suunnitellaan uudelleen siten, että tekoäly toimii tukirakenteena (scaffolding) eikä oikotienä, ja miten Plagly.ai:n kaltaiset työkalut auttavat sinua varmistamaan oppimisen ilman, että sinun tarvitsee leikkiä etsivää jokaisen commit-tapahtuman kohdalla.

Tekoälyn tila ohjelmointiluokissa vuonna 2026

Kolme lukua määrittelee nykyisen kriisin. Ensinnäkin yleisyys: heinäkuussa 2025 julkaistu pilottitutkimus arXiv-palvelussa (2507.06438) mittasi tekoälyavusteista vilppiä suurella CS-kurssilla ja totesi, että yli neljännes opiskelijoista ilmoitti itse rikkoneensa sääntöjä — ja itseraportoinnit aliarvioivat määrän lähes aina. Toiseksi laatukustannus: CodeRabbitin joulukuussa 2025 tekemässä analyysissä havaittiin, että yhdessä tekoälyn kanssa kirjoitettu koodi sisälsi 1,7-kertaisesti enemmän vakavia virheitä kuin ihmisen kirjoittama koodi, ja tietoturva-aukkojen osuus oli 2,74-kertainen. Kolmanneksi oppimiskustannus: useissa äskettäisissä raporteissa ohjelmoijat kuvaavat fejlsögningsfærdigheder (debugging) heikentyvän muutamassa viikossa sen jälkeen, kun he ovat siirtyneet LLM-painotteisiin työnkulkuihin.

Andrej Karpathy loi termin vibe coding helmikuussa 2025 kuvaamaan uutta tapaa työskennellä LLM-mallien kanssa — kuvailet mitä haluat, hyväksyt sen mitä malli tuottaa ja julkaiset koodin lukematta sitä. Karpathy tarkoitti sitä juhlistuksena. Vuoden sisällä samasta termistä oli tullut alan vakiintunut ilmaus sille kehittäjäsukupolvelle, joka osaa prompata sujuvasti mutta ei pysty rännikseen hahmottamaan, mitä heidän koodinsa todellisuudessa tekee.

Opettajille huoli ei ole filosofinen. Se on erittäin käytännöllinen: opiskelijat tulevat vastaanotolle kykenemättä selittämään palauttamaansa koodia, kykenemättä jäljittämään, miksi testi epäonnistuu, ja kykenemättä tekemään sitä kognitiivista työtä, jota ohjelmoinnin oli tarkoitus heille opettaa. Tehtävä suoritettiin. Arvosana saatiin. Oppimista ei koskaan tapahtunut.

Miten Codex ja Copilot todella ratkaisevat tehtäväsi

Ennen kuin voit opettaa tekoälyn ympärillä, sinun on ymmärrettävä tarkasti, mitä se tekee hyvin ja missä se horjuu. Vuoden 2026 agentillisten koodaustyökalujen sukupolvi — OpenAI Codex, GitHub Copilot Workspace, Claude Code, Cursor — jakaa yhteisen toimintamallin. Ne ottavat kehotteen, suunnittelevat monivaiheisen lähestymistavan, suorittavat tiedostojen muokkauksia koodihakemistossa, ajavat testejä ja iteroivat, kunnes testit menevät läpi. Tämä on laadullisesti erilaista kuin vuoden 2023 aikakauden Copilot-automaattitäyttö, jota useimmat opetussuunnitelmat suunniteltiin vastustamaan.

Mitä nykyinen tekoäly tekee erittäin hyvin tietojenkäsittelyn kursseilla:

• Peruskurssien (CS1 ja CS2) tehtävät: Silmukat, ehdot, rekursio, perustietorakenteet (linkitetyt listat, pinot, jonot, binääriset hakupuut). Standardeissa tehtävissä Codex ja Claude Code saavuttavat yli 95 % testien läpäisyprosentin ensimmäisellä yrityksellä.
• Algoritmitoteutukset määrittelyn mukaan: Kun annetaan Dijkstra, A*, KMP-merkkijonohaku tai mikä tahansa klassinen algoritmi nimeltä, nykyiset LLM-mallit tuottavat kanonisen toteutuksen lähes sanatarkasti.
• Verkko- ja mobiiliprojektien pohjat: Rakenna CRUD-sovellus tunnistautumisella, React-ohjauspaneeli, Flask-API — yksi kehote riittää luomaan toimivan repositorion, joka on usein paremmin strukturoitu kuin mitä useimmat perustutkinto-opiskelijat kirjoittavat.
• SQL-kyselyt ja tietokantarakenteet: Jopa epäselvät luonnollisen kielen määrittelyt tuottavat virheetöntä ja idiomaattista SQL-koodia.
• Koodin kääntäminen kieleltä toiselle: Käännä Java-ratkaisu Pythoniksi, muunna proseduraalinen koodi oliopohjaiseksi, siirrä C-koodi Rustiksi — lähes virheetöntä kaikkien yleisten kieliparien välillä.

Missä tekoäly edelleen luotettavasti horjuu:

• Kurssikohtaiset käytännöt: Jos CS1-kurssisi käyttää omaa Turtle-grafiikkakirjastoa, sisäistä testausympäristöä tai tyyliopasta, jossa on omintakeiset nimeämissäännöt, tekoälyn tuotos alkaa heti poiketa vaaditusta. Tutkijat ovat osoittaneet, että ChatGPT:n luomat ohjelmat poikkeavat usein oppikirjatyylistä tarpeeksi tullakseen liputetuiksi automaattisesti.
• Monitiedostoiset refaktoroinnit piilokytkennöillä: Agentilliset työkalut kamppailevat edelleen silloin, kun oikea vastaus vaatii sellaisten rajoitusten huomioimista, jotka on hajautettu tiedostoihin, joita mallille ei ole näytetty.
• Suorituskyvyn arviointi tiukoissa rajoissa: Pyydä tekoälyä muuttamaan koodi tehokkuudeltaan O(n log n) -tasoiseksi ongelmassa, jossa se tuotti O(n^2) -toteutuksen, ja saat usein vain pintapuolisen uudelleenorganisoinnin ilman todellista algoritmista muutosta.
• Rinnakkaisuus ja kilpatilanteet (race conditions): LLM-mallit tuottavat koodia, joka näyttää oikealta mutta sisältää subtileja säikeistysvirheitä tasolla, joka ylittää selvästi niiden keskimääräisen virhesuhteen.
• Aluekohtainen matematiikka: Numeerinen stabiilisuus, liukulukujen rajatapaukset, mukautettu fysiikka- tai grafiikkamatematiikka. Tekoäly tuottaa täällä itsevarmasti uskottavan näköisiä vääriä vastauksia.

Jos nykyiset tehtäväsi sijoittuvat kokonaan ensimmäiseen luetteloon, opetussuunnitelmasi on funktionaalisesti vanhentunut vuonna 2026. Pedagogisena tehtävänä on siirtää arviointia toisen luettelon suuntaan — tai suunnitella arviointi uudelleen niin, että itse ratkaisuprosessi opettaa, ei pelkkä palauttaminen.

Kuusi sääntöjenvastaisuuden kaavaa, joita kannattaa seurata ohjelmointipalautuksissa

Aivan kuten äidinkielen opettajat ovat oppineet tunnistamaan tekoälyesseiden tunnuspiirteet, tietojenkäsittelytieteen opettajat ovat kehittämässä luetteloa tekoälyllä koodatuista palautusmalleista. Useimmat niistä ovat nähtävissä jokaiselle, joka lukee koodia tarkkaavaisesti, mutta ne piiloutuvat helposti satojen palautusten joukkoon. Nämä ovat kuusi kaikkein diagnoottisinta mönsteriä, joita olemme havainneet tuhansissa opiskelijoiden palautuksissa vuosina 2025–2026.

• Tyylillinen yhdenmukaisuus ryhmän kesken: Kun kaksikymmentä opiskelijaa samassa ryhmässä tuottaa ratkaisuja, joissa on identtiset muuttujanimet (usein result, arr, helper), identtiset funktioiden signatuurit ja identtiset kommenttilauseet (alkavat usein sanoilla „This function...“ tai „Iterate through...“), syynä on harvoin itsenäinen ajattelu.
• Ylikommentoidut triviaalit koodilohkot: Tekoälyllä on taipumus kommentoida jokaista riviä, mukaan lukien ilmeiset operaatiot kuten # increment counter. Opiskelijatasoinen ihmisen koodi yleensä puuttuu kommentit kokonaan tai siinä on vain otsikkokommentit.
• Kurssitason ylittävät idiomaattiset rakenteet: CS1-opiskelija, jolle ei ole vielä opetettu listojen tiivistämistä (list comprehensions), palauttaa yksirivisen listatiivistelmän. Opiskelija, joka ei ole nähnyt collections.defaultdict-rakennetta, käyttää sitä virheettömästi. Opiskelija, joka ei ole tutustunut generaattoreihin, käyttää 'yield'-rakennetta. Koodissa näkyvä osaamiskatto ylittää selvästi sen, mitä kurssilla on käsitelty.
• Defensiivinen virheidenkäsittely yli määrittelyn: Tekoäly lisää refleksinomaisesti if not arr: return [] ja tyypintarkistukset. Oikeat opiskelijat tehtävän vaatimustasolla harvoin lisäävät defensiivisiä tarkistuksia, joita heitä ei erikseen pyydetty lisäämään.
• Stack Overflow -tyylinen snake_case- ja camelCase-tyylien sekoitus: Tekoälyn opetusdata sisältää molempia käytäntöjä; paineen alla se joskus sekoittaa niitä kesken tiedoston. Opiskelija, joka on kirjoittanut snake_casea koko lukukauden, ei yhtäkkiä lisää currentNode-rakennetta metodin keskelle.
• Keskustelutesti vastaanotolla: Nopein ja luotettavin signaali on inhimillisesti välitetty. Pyydä opiskelijaa selittämään koodinsa — selittämään, miksi tämä silmukka, miksi tämä perustapaus, mitä tapahtuu, jos syöte on tyhjä. Opiskelijat, jotka kirjoittivat koodinsa itse, pystyvät vastaamaan. Ne, jotka prompasivat sen, eivät pysty.

Pedagoginen kysymys: tekoäly tutorina vai tekoäly ratkaisijana?

Vuoden 2026 tärkein pedagoginen oivallus on, että tekoälyn ei tarvitse olla oppimisen vihollinen. Se voi olla sen paras vahvistaja — mutta vain silloin, kun se asetetaan sokraattiseksi tutoriksi eikä ongelmanratkaisijaksi. Sama malli, joka kirjoittaa täydellisen ratkaisun, voi kieltäytyä antamasta ratkaisua suoraan ja kysyä sen sijaan sinulta, mitä tietorakennetta käyttäisit, miksi brute-force-lähestymistapa saattaisi olla liian hidas tai minkä invariantin odotat olevan voimassa silmukan alussa.

Code.org:n AI Tutor, joka lanseerattiin Code.org:n ydinopetukseen, edustaa tätä suunnittelufilosofiaa. Se on rakennettu sokraattisille periaatteille: se esittää kysymyksiä, rohkaisee tutkimiseen ja herättää pohdintaa suorien vastausten sijaan. Microsoft on uudistanut Copilotia samaan suuntaan — viimeisimmät päivitykset toivat mukanaan „tutor mode“ -kehotteet, kontekstisidonnaiset tietovisa-kysymykset ja vianmäärityksen kysymykset pelkkien koodin täydennysten sijaan. Useat yliopistotiimit ovat rakentaneet kurssikohtaisia järjestelmiä samalle perustalle: Boot.dev, Educative.io sekä kasvava lista oppilaitosten omia työkaluja muun muassa Stanfordissa ja Carnegie Mellonissa.

Ero tekoälyn ratkaisijana ja tekoälyn tutorina toimimisen välillä on ero opiskelijan välillä, joka sai tehtävän tehtyä läpäisemällä testit, ja opiskelijan välillä, joka sai tehtävän tehtyä ymmärtäen syvemmin, miksi testit menevät läpi. Ensimmäinen opiskelija saa saman arvosanan. Jälkimmäinen valmistuu työllistymiskelpoisena.

Kuusi strategiaa ohjelmointitehtäviin Codex-aikakaudella

Työskenneltyämme opettajien kanssa peruskursseista aina lopputöihin asti, olemme havainneet kuusi tehtävien uudelleensuunnittelustrategiaa, jotka palauttavat rehellisen oppimisen ilman, että joudutaan turvautumaan pelkästään manuaalisiin kieltoihin ja valvontaan.

• 1. Siirrä arviointi henkilökohtaiseen varmistukseen. Tehokkain yksittäinen toimenpide on vaatia viiden minuutin suullinen puolustus jokaisesta merkittävästä tehtävästä. Opiskelijat selittävät koodin ääneen, muokkaavat sitä paikan päällä ongelman pienen muunnelman mukaisesti ja vastaavat yhteen tai kahteen jatkokysymykseen. Tämä paljastaa kaiken: tekoälyn oikotiet, osittaisen ymmärryksen ja liian läheisen yhteistyön, joka rajautuu suoraan kopiointiin.
• 2. Anna tehtäväksi koodin lukemista, ei vain koodin kirjoittamista. Anna opiskelijoille tekoälyn luomaa koodia, jossa on subtileja virheitä, ja pyydä heitä etsimään ja korjaamaan ne. Pyydä heitä arvioimaan koodin rakennetta ja suunnittelua. Pyydä heitä laajentamaan sitä. Tekoälyn tuotoksen lukeminen ja kriittinen arviointi on taito, jota työelämä vaatii ja jota tekoäly ei voi tehdä heidän puolestaan — et voi prompata tekoälyä arvioimaan omaa koodiaan objektiivisesti.
• 3. Palkitse prosessista, älä pelkästä lopputuloksesta. Vaadi versiohistoriaa (commit-historiaa), joka osoittaa todellisen työvaiheen: epäonnistuneet testit, välivaiheen refaktoroinnit, fejlsögningssessioner. Täydellinen ensimmäinen commit ilman mitään historiaa on selkeä hälytysmerkki.
• 4. Rakenna testit tekoälyä kestäviksi. Piilotetut testitapaukset, jotka tutkivat rajatapauksia, joita tekoäly yleensä ohittaa (rajatilat, off-by-one-virheet, suorituskykyrajat), palkitsevat huolellista ajattelua silloinkin, kun tekoäly tarjosi alkuperäisen ratkaisun.
• 5. Käytä tekoälyä eksplisiittisesti osana tehtävää. Edistyksellisimmät opettajat suunnittelevat tehtäviä, joissa opiskelijoiden on prompattava tekoälyä, arvioitava sen tuotosta, tunnistettava virheet ja palautettava sekä tekoälyn luoma luonnos että heidän oma korjattu versionsa — varustettuna analyysillä siitä, mikä oli väärin. Tämä muuttaa sääntöjenvastaisen työkalun osaksi opetussuunnitelmaa.
• 6. Varmista autenttisuus palautuksen yhteydessä. Plagly.ai:n kaltaiset työkalut analysoivat koodipalautuksia tekoälyn luomiskaavojen, lause- tai linjatason tyylillisten poikkeamien ja tekijänoikeudellisen yhtenäisyyden varalta. Yhdessä edellä mainittujen inhimillisten tarkistusten kanssa tämä tarjoaa luotettavan verifiointikerroksen ilman, että arviointi muuttuu rikostutkinnaksi.

Miltä verifiointi näyttää käytännössä

Useimmat opettajat, joiden kanssa teemme yhteistyötä, eivät halua kuulustella jokaista palautusta. He haluavat yleiskuvan, joka nostaa esiin epäilyttävät tapaukset, joista kannattaa käydä keskustelu. Käytännössä toimiva työnkulku on suoraviivainen:

• Palautusskannaus: Jokainen palautus ajetaan tekoälyn tunnistuksen läpi, joka palauttaa konfidenssipisteet sekä lause- (tai linja-) tason merkinnät. Plagly.ai suorittaa tämän analyysin 99 % tarkkuudella kaikissa malliperheissä, mukaan lukien GPT-5.5, Claude 4.6 ja Gemini 3.1.
• Mønsteritarkistus ryhmätasolla: Kun kahdeksan palautusta samassa ryhmässä jakaa saman idiomaattisen ilmaisun, saman kommenttityylin ja saman defensivisen boilerplate-koodin, kyseinen ryhmittymä liputetaan tarkistusta varten.
• Kohdistettu keskustelu vastaanotolla: Liputettuja opiskelijoita pyydetään käymään koodi läpi henkilökohtaisesti. Keskustelu on lyhyt ja lähes poikkeuksetta ratkaiseva.
• Councilin tarkistettavat raportit: Plagly.ai:n Agentic Council ajaa palautuksen seitsemän domääniasiasiantuntijamallin läpi (kirjoituksen laatu, faktantarkistus, lähdeviitteet, rakenne, tekoälytunnistus, aihealue, vaikuttavuus) ja tuottaa dokumentoidun raportin, jonka voit tarvittaessa liittää akateemisen rehellisyyden menettelyihin.

Mitä tämä työnkulku ei tee, on opetuksen korvaaminen. Vahvistuskerroksen tarkoituksena on vapauttaa huomiosi niihin tehtäviin ja opiskelijoihin, jotka sitä todella tarvitsevat — uteliaisiin, vaikeuksissa oleviin ja niihin, jotka käyttävät tekoälyä harkitusti mutta tarvitsevat silti ihmisen tukea.

Mitä tämä tarkoittaa opetussuunnitelman suunnittelulle tulevan vuoden aikana

Jos otat tästä oppaasta mukaasi vain yhden asian, ota tämä: tehtävät, jotka näyttävät tutuimmilta vuoden 2022 opinto-ohjelmastasi, ovat niitä, joilla on huonoin signaali vuonna 2026. Standardi CS1-järjestys — silmukat, ehdot, rekursio, tietorakenteet, lajittelualgoritmit — on juuri sitä aluetta, jolla tekoäly on kaikkein sujuvin. Opiskelijat, jotka käyttävät Codexia näihin ongelmiin, eivät opi mitään. Opiskelijat, joilta Codexin käyttö näissä ongelmissa kielletään, turhautuvat usein rajoitukseen ja käyttävät sitä silti.

Opetussuunnitelma, joka kestää aikaa, on sellainen, joka kohtelee tekoälyn hallintaa kurssin tavoitteena. Opiskelijoiden tulisi oppia prompamaan hyvin, arvioimaan tekoälyn tuotosta kriittisesti, fejlsöge tekoälyn luomaa koodia ja tunnistamaan, milloin tekoäly on itsevarmasti väärässä. Heidän tulisi myös osoittaa, joko henkilökohtaisesti tai valvonnassa, että he pystyvät rännikseen hahmottamaan koodia ilman tekoälyn apua — ei siksi, että työpaikka sitä vaatisi (yleensä se ei vaadi), vaan siksi, että ohjelmoinnin kognitiivinen taito on se, mistä työnantajat edelleen maksavat ja mitä valmistuneet tarvitsevat kasvaakseen seniorirooleihin viiden vuoden kuluttua.

Opettajat, jotka tekevät tämän siirtymän onnistuneesti, eivät ole niitä, joilla on tiukimmat tekoälyn kieltävät säännöt. He ovat niitä, jotka ovat rakentaneet arviointinsa kahden kysymyksen ympärille: Pystyykö opiskelija selittämään tämän koodin omin sanoin? ja Pystyykö opiskelija muokkaamaan tätä koodia, kun ongelma muuttuu? Kaiken muun — syntaksin, koodipohjan, rutiinimaisen kaavan — tekoäly hoitaa, ja yhä useammin työpaikka hoitaa tekoälyn opiskelijan puolesta. Opetus ei ole kadonnut. Se on vain siirtynyt yhtä abstraktiotasoa ylemmäs.

Usein kysytyt kysymykset

Voivatko tekoälytunnistimet todella tunnistaa tekoälyn luomaa koodia?

Kyllä, tietyin varauksin. Samat tilastolliset signaalit, jotka tunnistavat tekoälyproosan — perplexity, burstiness, stilometriset fingeraftryk — pätevät koodiin tietyin eroin. Koodissa on rajoitetumpi syntaksi kuin luonnollisessa kielessä, mikä tekee sanatasoisesta analyysistä vähemmän informatiivista, mutta siinä on vahvemmat rakenteelliset signaalit: muuttujien nimeämiskaavat, kommentointitiheys, idiomaattiset valinnat ja kirjastojen käyttö. Monen mallin ensemblesysteemit, kuten Plagly.ai, saavuttavat tyypillisesti 90-95 % tarkkuuden yksittäisissä koodipalautuksissa ja selvästi yli 95 % silloin, kun ryhmätason kaavioanalyysi otetaan mukaan.

Entä opiskelijat, jotka käyttävät tekoälyä laillisesti tutorina?

Varmistuskerrosta ei ole suunniteltu rankaisemaan tästä. Opiskelija, joka käytti tekoälyä käsitteen ymmärtämiseen ja kirjoitti sitten oman ratkaisunsa, tuottaa koodia, joka ei vastaa tekoälyn luomiskaavoja linjatasolla. Tunnistussignaali on „tämä koodi on kirjoitettu tekoälyllä“, ei „tämä opiskelija puhui tekoälylle“. Jos kurssisi säännöt sallivat tekoälyn tutorina toimimisen, työnkulku toimii edelleen — otat kiinni palautetusta artefaktista, et opiskelijan tutkimusprosessista.

Miten käsittelen vääriä positiivisia opiskelijan itsensä kirjoittamassa koodissa?

Väärät positiiviset koodintunnistuksessa ovat yleisimpiä silloin, kun opiskelijat kirjoittavat erittäin „oppikirjamaista“ koodia, joka sattuu vastaamaan niitä kaavoja, joita tekoäly tyypillisesti tuottaa. Puolustus on sama kuin esseiden tunnistuksessa: älä kohtele korkeita pisteitä tuomiona. Käytä sitä antoisana keskustelunherättäjänä vastaanotolla. Opiskelija, joka kirjoitti oman koodinsa, osaa selittää sen. Opiskelija, joka prompasi sen, ei osaa. Keskustelu ratkaisee kysymyksen lähes poikkeuksetta; pisteet ovat vain heräte.

Kannattaako tekoäly kieltää tietojenkäsittelyn kursseilta kokonaan?

Useimmat oppilaitokset, jotka yrittivät täydellisiä kieltoja vuosina 2023–2024, ovat peruneet ne. Kiellot olivat mahdottomia valvoa, ajoivat tekoälyn käytön maan alle ja tuottivat valmistuneita, jotka olivat sekä osaamattomia että vieraita niille työkaluille, joita heidän työnantajansa odottavat heidän käyttävän. Kehittyvä konsensus on, että oikea vastaus on strukturoitu, läpinäkyvä tekoälyn käyttö yhdessä arvioinnin uudelleensuunnittelun kanssa, mikä varmistaa, että todellinen oppiminen tapahtuu tekoälyhallinnan alla. Kiellot ilman uudelleensuunnittelua tuottavat molempien maailmojen huonoimmat puolet.

Voiko sama tunnistus toimia Javalle, C++:lle, Rustille, Golle ja muille kielille?

Kyllä. Tunnistussignaalit (tyylilliset sormenjäljet, kommentointikaavat, idiomaattiset valinnat) ovat periaatteessa kielestä riippumattomia. Tunnistuksen laatu vaihtelee kielikohtaisesti opetusdatan tasapainon mukaan — Python- ja JavaScript-tunnistus on vahvinta, Javan, TypeScriptin, C++:n, Rustin ja Gon seuraten tiiviisti perässä. Vähemmän yleisille kielille (kuten OCaml, Elixir, Crystal) tunnistus toimii edelleen, mutta ensemblesysteemin tarkkuus laskee muutamalla prosenttiyksiköllä. Plagly.ai tukee kaikkia tärkeimpiä kieliä, joita opetetaan perustutkinto- ja jatkotason CS-opinto-ohjelmissa.