digitalisaatio & sosiaaliala
MAHDOLLINEN YHTÄLÖ
Viime huhtikuussa hallitustunnustelija Orpo lähetti eduskuntaryhmille listan kysymyksiä vastattavaksi. Tilaisuuteen tarttuivat monet hallitusohjelmaan vaikuttamaan pyrkivät tahot, esimerkiksi Sitra, joka julkaisi omat “oikeat vastauksensa” Orpon kysymyksiin. Lasten, nuorten ja perheiden hyvinvointia koskevaan kysymykseen Sitra vastasi näin: “Ehdotamme, että lainsäädännössä tehtäisiin täyskäännös lastensuojeluun liittyvän datan suhteen. Lainsäädännön tulee jatkossa tukea digitaalisten työkalujen sekä tekoälyn käyttämistä niin kutsutussa varhaisessa puuttumisessa – tällä hetkellä suojellaan dataa lasten ja nuorten sijaan. Muutoksessa on hyödynnettävä oppeja, joita saatiin Espoon kaupungin vuoden 2018 kokeilusta hyödyntää tekoälyä syrjäytymisen havaitsemiseen. Tulosten hyödyntäminen kaatui lakiesteisiin.” Vastaus on monin tavoin oireellinen. Se kertoo kitkasta datan hyödyntämisen ja datan käyttöä rajoittavan, usein yksityisyyden suojaan pohjautuvan sääntelyn välillä. Lisäksi se kuvastaa vankkaa uskoa tekoälyn ennakoivaan voimaan ja käy tyyppiesimerkistä tekoälyn lastensuojeluun tuomista kuvitelluista hyödyistä. Sitran mainitsemassa Espoon kaupungin kokeilussa Tieto kehitti tekoälymallin lastensuojelun asiakkuuden ennustamiseksi. Hankkeesta uutisoitiin aikanaan laajasti. Tällaisissa malleissa on yleensä kyse niin kutsutusta ennakoivasta analytiikasta, ja esimerkkejä sen käytöstä lastensuojelussa löytyy sekä Suomesta että kansainvälisesti [1-3]. Tarkoituksena on yleensä tunnistaa koneen avulla ongelmia etukäteen, jotta niihin voitaisiin puuttua ennalta. Ulkopuolelta katsoen tekoälypohjainen ennakointi istuu lastensuojeluun hyvin: sosiaalityöntekijäthän pyrkivät arvioimaan lapsen olojen turvallisuutta ja ennakoimaan lapsen tulevaisuuteen liittyviä riskejä. Viimeisen vuosikymmenen ajan on uskottu siihen, että jos koneille annetaan riittävästi dataa, ne ovat ennakoinnin tyyppisissä monimutkaisissa tehtävissä ihmistä parempia, tehokkaampia ja puolueettomampia [4,5]. Dataan perustuva ennakointi on noussut keskeiseen rooliin yhteiskunnan eri osa-alueilla [6]. Miksi ei siis laittaisi konetta ennakoimaan myös sosiaalityössä? Sitran ja muiden datan ja tekoälyn voimaan uskovien näkökulmasta tehokkaan ennakoinnin esteenä on lähinnä lainsäädäntö. Sitra siis ehdottaa lainsäädännön muuttamista vastaamaan teknologian tarpeita. Mutta ehkä teknologiaa pitäisi pikemminkin muuttaa vastaamaan ihmisten tarpeita? Tuoreen tutkimukseni [7] perusteella haave koneen tekemästä tehokkaasta ennakoinnista pohjaa virheelliseen käsitykseen siitä, mistä ennakoinnissa on sosiaalityön kaltaisessa ammatissa kyse. Ennakointia koneen avulla Julkisten tietojen ja muiden vastaavien tapausten perusteella voi esittää valistuneen arvauksen siitä, miten tekoälymallin kehittely Espoossa eteni. Ensin yhdistetään ihmisiä koskevia rekisteridatoja eri lähteistä, Espoon tapauksessa sosiaali- ja terveyspalveluista sekä varhaiskasvatuksesta. Saadaan tietokanta, josta voidaan poimia tunnetut lastensuojelun asiakkuudet ja niihin liittyvät muuttujat. Sitten annetaan koneoppijalle tehtäväksi tarkastella, mitkä muuttujat esiintyvät tyypillisesti yhdessä lastensuojelun asiakkuuden kanssa. Tällaisia muuttujia kutsutaan riskitekijöiksi, joita Espoossa löytyi vajaa 300 kappaletta. Muualla riskitekijät ovat liittyneet esimerkiksi aiempiin kontakteihin sosiaalihuollon kanssa, mielenterveysongelmiin, erilaisten tapaamisten perumisiin, väkivaltaan, päihteiden käyttöön tai lapsen terveyteen kuten vaikkapa hampaiden kuntoon ja luunmurtumiin. Tämä riskitekijöiden lista on malli lastensuojelun asiakkuudelle: yksinkertaistaen, mallin perusteella asiakkuus on todennäköinen silloin, kun riittävän monta riskitekijää esiintyy samanaikiasesti. Seuraavaksi voidaan kääntää katse tulevaisuuteen ja tarkastella mallin perusteella muita kuin jo tunnettuja lastensuojelun asiakkaita. Kun perhettä koskevasta datasta löytyy riittävästi riskitekijöitä, lastensuojelun asiakkuuden riski on mallin mukaan koholla. Riskilistat eivät ole sosiaalityölle uusi apuväline, sillä sellaisia on laadittu pitkään esimerkiksi asiantuntijakonsensukseen tai aktuaarisiin malleihin perustuen [8]. Tekoälyllä toteutetun ennakointimallin varsinainen lupaus ei kuitenkaan ole riskilistoissa, vaan yksittäiselle asiakkaalle tehdyssä riskianalyysissä. Asiakasta koskevan datan perusteella voi muodostaa riskistä kertovan hälytyksen, tai tietokannasta voi seuloa kaikki asiakkaat, joilla on riski koholla. Uutisoinnin perusteella Espoo ei toteuttanut tällaisia käytännön sovelluksia, mihin Sitrakin viittasi lakiesteet mainitessaan. Tekoälyn varsinainen lupaus jäi siis lunastamatta ja sen hyödyllisyys käytännössä koettelematta. Jäljelle jäi lupauspuhetta teknologian potentiaalisista hyödyistä: jos saisimme lakiesteet ratkottua, tekoäly kyllä tunnistaisi riskitapaukset ennalta ja voisimme puuttua niihin ajoissa. Tekoälyn tunnetut ongelmat lastensuojelussa Suomesta löytyy muitakin ennakoivaa analytiikkaa lastensuojelussa kokeilleita sosiaali- ja terveysalan toimijoita, myös tapauksia joissa on ratkottu teknisiä ja laintulkinnallisia esteitä niin pitkälle, että riskitekijöiden listoista on edetty tekoälysovelluksiin. Pääsin tekemään tutkimusta tällaisesta hankkeesta, kun eräs sote-alue pilotoi kiireellistä sijoitusta tai huostaanottoa ennustavan tekoälytyökalun käyttöä [7]. Ajattelu pilottityökalun taustalla on kuin Sitran pelikirjasta: sijoitus- ja huostaanottotapaukset ovat sekä inhimillisesti että taloudellisesti raskaita, ja niiden varhainen tunnistaminen mahdollistaisi ennaltaehkäisevän puuttumisen. Sote-alueella kehitettiin ennakoivan analytiikan malli, ja pilotissa lastensuojeluilmoituksia käsittelevät sosiaalityöntekijät saattoivat asiakastapaamisen yhteydessä, asiakkaan suostumuksella, tarkastella tekoälyn tuottamaa riskitietoa: onko riski kiireelliseen sijoitukseen tai huostaanottoon koholla kyseisen lapsen kohdalla, ja mitkä riskitekijät tähän vaikuttavat. Kun ryhdyin jututtamaan pilotissa mukana olleita ammattilaisia, oletin että puhe kääntyisi hyvin tunnettuihin tekoälypohjaisten ennustemallien ja -työkalujen ongelmiin. Yhteiskunnan eri osa-alueilla – kuten turvallisuudessa, ennakoivassa poliisitoiminnassa, rajavalvonnassa, finanssialalla, oikeuslaitoksessa ja sosiaalityössä – käytettävät ennustemallit nimittäin aiheuttavat kautta linjan samankaltaisia ongelmia ja tekevät samankaltaisia virheitä. Mallit ovat usein jonkinlaisia harhoja sisältävän tai puutteellisen datan varassa, ja tekijät koodaavat mallien ja työkalujen sisään omat olettamuksensa ja päättelyharhansa. Erityisesti jo valmiiksi haavoittuvassa asemassa olevat päätyvät usein kärsimään virheiden ja ongelmien seurauksista. Tekoälyn haitalliset vaikutukset ovat laajasti tunnistettuja sekä yleisesti [9] että sosiaalityössä erityisesti [10]. Laajalti uutisoituja tapauksia virheiden ja epäoikeudenmukaisten mallien seurauksista löytyy esimerkiksi Alankomaista. Ongelmat korostuvat silloin, kun tekoälymallien avulla tehdään päätöksiä automaattisesti, ilman ihmisten suoraa osallistumista. Suomalaisella lastensuojelulla on matkaa koneen automaattisesti tekemiin huostaanottopäätöksiin, ja hyvä niin. Lastensuojelu on kuitenkin herkkä tekoälyn sovelluskohde. Virheiden seuraukset voivat olla yksilöille katastrofaalisia, ja pelkästään riskiryhmään kuuluminen saattaa olla stigmatisoivaa [11]. Ennusteiden tarkkuudella ja luotettavuudella on lastensuojelun kaltaisella kentällä erityisen suuri merkitys. Tekoälyn perimmäisempi ongelma Tekoälyn mukanaan tuomien syrjivien käytäntöjen, virheiden ja erilaisten harhojen sijaan haastatteluissa keskiöön nousi toinen, kenties vieläkin perimmäisempi ongelma: pilotoitu tekoälytyökalu ei ollut yhteensopiva käytännön sosiaalityön kanssa. Yhteensopimattomuus syntyi muun muassa eroista siinä, miten ennakointi ymmärretään. Vaikka sosiaalityö on luonteeltaan ennakoivaa, haastattelemilleni sosiaalityöntekijöille ennakoinnissa ei ollut kyse koneen tuottamasta riskitiedosta, vaan ammatillisesta tiedontuotannon prosessista. Prosessin ytimessä on asiakastyö. Sosiaalityöntekijät pyrkivät asiakastyön avulla muodostamaan syvällisesti asiakkaan yksilölliseen sosiaaliseen tilanteeseen ja ympäristöön sitoutunutta tietoa asiakkaan ongelmista ja kyvyistä pärjätä niiden kanssa. He eivät odottaneet tekoälyltä ennakointitiedon tuottamista, vaan tukea tiedontuotannon prosessille. Tekoälytyökalua ei kuitenkaan ollut suunniteltu asiakastyötä vaan nimenomaan riskin ennakointia ajatellen: tekoäly ei auta sosiaalityöntekijää ennakoimaan, vaan yrittää ennakoida sosiaalityöntekijän puolesta. Toinen keskeinen ero tekoälyn ja sosiaalityöntekijän ennakoinnin välillä liittyi tekoälyn tapaan käsitellä asiakasta riskitekijöiden kokonaisuutena ja historiansa tuloksena. Kone olettaa samanlaisen historian tarkoittavan samanlaisia ongelmia tulevaisuudessa: jos tietyt riskitekijät ovat yleensä tarkoittaneet, että tietty ongelma toteutuu, se toteutuu myös tällä asiakkaalla. Eräs haastateltavista kutsui koneen näkökulmaa vikalistaksi. Haastateltavani eivät pitäneet vikalistaa, siis ihmisen taustaa ja menneitä ongelmia, perusteena ryhtyä toimiin – keskeistä olivat asiakkaan tilanne nyt, mahdollisuus muuttaa elämän suuntaa, ja kyvyt tai haasteet pärjätä ongelmien kanssa. Kaikkiaan ihmisen tilanteen tiivistäminen listaksi ongelmia vaikutti olevan perusteiltaan pielessä ammatissa, jossa pyritään ymmärtämään ongelmien syitä ja auttamaan yksilöllistä asiakasta uniikissa tilanteessa. Käyttökelpoista tekoälyä sosiaalityöhön Kiinnostavasti tekoälytyökalun ja sosiaalityön yhteensopimattomuudesta kumpusi ajatuksia siitä, mitä tekoälyllä voisi lastensuojelun kentällä tehdä. Näiden ajatusten ytimessä oli asiakastyö. Haastattelemani sosiaalityöntekijät eivät kokeneet hyötyneensä pilottityökalun riskiarviosta. Osa kuitenkin kiinnitti huomiota työkalun esille nostamiin riskitekijöihin. Riskitekijät ovat otteita rekistereistä, ja kuvaavat siis asiakkaan menneisyyttä tai nykytilannetta. Sosiaalityöntekijät kokivat tällaiset tiedonmuruset hyödyllisiksi asiakkaan kohtaamisessa. Kuten missä tahansa tietoa tulvivassa ammatissa, oleellisen tiedon löytäminen on sosiaalityössäkin vaikeaa. Sosiaalityöntekijät ajattelivat, että tekoäly voisi ennakoinnin sijaan poimia asiakasta koskevasta aineistosta tilanteeseen nähden relevantteja tietoja tai esimerkiksi yhteenvetoja. Mennyttä ja nykyhetkeä valottamalla tekoäly tukisi asiakastyötä, ja tulevaa ennakoivan tiedon muodostaminen tapahtuisi ihmisvoimin. Haastateltavat pyrkivät kurkistamaan tekoälyn avulla nykyhetkeen myös toisella tavalla, käyttämällä sen tuottamaa tietoa keskustelun kuljettamisessa. Tekoälyn tuottama ennakointitieto ei välttämättä ole totuus asiakkaan tilanteesta, mutta tekoäly on kuitenkin tuottanut tällaisen tiedon. Sosiaalityöntekijöiden mukaan tällainen epävarmakin tieto voi olla asiakastilanteessa samalla tavalla hyödyllistä kuin vaikkapa tiliote tai mikä tahansa muu ulkopuolelta tullut tieto: tällaista koneesta nyt tuli ulos, mitä me tästä ajattelemme? Pilotoidun työkalun tapauksessa tällaisen käytön teki hankalaksi se, että työkalu ennakoi huostaanottoa – siis äärimmäistä ja uhkaavaa, mutta usein perheen tämänhetkisestä tilanteesta varsin kaukana olevaa ja siksi kovin hypoteettisen tuntuista riskiä. Huostaanoton puheeksi ottaminen koettiin provosoivaksi, ja se oli asiakkaan asian selvittämisen kannalta haitallista. Jos työkalua kehitettäisiin asiakastilanteen avuksi, sen tuottama tieto mietittäisiin nimenomaan tämän tilanteen kannalta hyödylliseksi. Ihmiset ihmisen töissä, koneet koneen töissä Tekoälyn lupaus on olla ihmistä parempi: tehokkaampi, nopeampi, väsymättömämpi ja virheettömämpi. Tekoälytyökalun suunnittelua ohjaavaa näkökulmaa tulisi kuitenkin pohtia tarkasti: mihin koneen vahvuuksia kannattaa soveltaa juuri tässä sovelluskohteessa? Tutkimuksestani kumpuavaa ajatusta voisi kuvata yksinkertaisesti näin: sen sijaan että ajatellaan tekoälyä korvaamassa ihmisten ammattitaitoa, tulisi ajatella tekoälyä tukemassa ihmisen työtä. Näin muotoiltuna ajatus ei kuulosta kovinkaan erikoiselta, mutta ennakointiin ja ennaltaehkäisyyn tähtäävien tekoälyhankkeiden yleisyydestä päätellen ajatukselle olisi tilausta. Käytännön sosiaalityössä olisi todellista tarvetta ihmisen työtä ja nimenomaan asiakastyötä helpottaville, lopulta varsin käytännönläheisille välineille. Tekoälyn kehittäjiä ja tilaajia kannustaisin unohtamaan ennakoinnin hetkeksi ja selvittämään, miten tekoälyä voisi kehittää sosiaalityön omista lähtökohdista. Ihmistyötä tukevat mutta päätösentekovallan ja -vastuun selvästi ihmisellä säilyttävät työvälineet voisivat samalla välttää niitä eettisiä ja lainsäädännöllisiä karikkoja, joihin mullistuksia tavoittelevat ennakointihankkeet tapaavat jumittua. Kirjoittaja: Tuukka Lehtiniemi on tutkijatohtori Helsingin yliopiston Kuluttajatutkimuskeskuksessa. Hänen tutkimuksensa keskiössä ovat ihmisten tavat ja mahdollisuudet osallistua dataistuvaan yhteiskuntaan. Kirjoitus perustuu julkaisuun Lehtiniemi, T. (2023). Contextual social valences for artificial intelligence: anticipation that matters in social work. Information, Communication & Society. https://doi.org/10.1080/1369118x.2023.2234987 Lähteet:
Tervehdys, arvoisat blogin lukijat! Uutena bloggarina kerron ensin hieman itsestäni. Olen sosiaalityöntekijätaustainen kehittämispäällikkö ja työskentelen Etelä-Karjalan hyvinvointialueella. Sosiaali- ja terveydenhuollossa olen työskennellyt vuodesta 2007, ensin ohjaajana lastensuojelussa ja sitten sosiaalityöntekijänä vammaispalveluissa. Viimeiset kuusi vuotta ovat vierähtäneet tiedonhallinnan ja digitalisaation kehittämistehtävissä. Väitöskirjaprojektini pyörähti käyntiin noin 1,5 vuotta sitten, hieman vahingossa, kun mainitsin jatko-opintoajatuksistani työhön liittyvässä palaverissa nykyiselle väitöskirjatyöni ohjaajalle ja LUT-yliopiston dosentille, Jukka Korpelalle. Jukka kannusti jatko-opintosuunnitelman kirjoittamiseen ja pyysi projektiin mukaan toisen ohjaajani, tutkijaopettaja Kalle Elfvengrenin LUT:n tuotantotalouden puolelta. Itse pyysin kolmikkoon vielä omissa tutkimuksissaan asiakasarvoteemoja pyöritelleen Jyri Vilkon, johon olin tutustunut erään yhteisen hankkeemme myötä muutamaa vuotta aikaisemmin. Tiesitkö, että jatko-opintoja voi suorittaa myös toisella tieteenalalla, kuin mistä on alun perin valmistunut? Yhteiskuntatieteiden maisterina ja sosiaalityöntekijänä halusin uutta näkökulmaa ja oppia muilta tieteenaloilta ja olinkin pohtinut hakeutuvani jatko-opintoihin yhteiskuntatieteiden sijaan esimerkiksi kauppatieteiden puolelle. Insinööritieteet eivät kuitenkaan olleet ykkösenä mielessä. Toisin kuitenkin kävi. Syksyllä 2021 kirjoitin työni ohella jatko-opintosuunnitelmaa ja helmikuun 2022 alussa sain jatko-opinto-oikeuden LUT-yliopiston tuotantotalouden puolelle. Olen aina ollut kiinnostunut kyselemään, "miksi ja miten". Väitöskirjatyössäni tutkin arvon luontia dataa hyödyntävien asiakkuudenhallintaratkaisujen avulla sotessa. Aihe valikoitui viimeisen 10 vuoden aikana työssä työstämieni teemojen kautta. Sosiaali- ja terveydenhuollossa dataa kertyy rekistereihin koko ajan (ks. esim. Sitran julkaisu Terveysdatan sujuva ja turvallinen käyttö - Viisi askelta kohti reilua datataloutta 2030) ja vähitellen myös tietorakenteet yhdenmukaistuvat. Datassa on potentiaalia arvon luontiin, mikäli kykenemme hyödyntämään sitä nykyistä paremmin. Demografinen kehitys Suomessa, erityisesti ikääntyvissä maakunnissa, pakottaa sote-organisaatioita tehokkaampiin prosesseihin ja teknologia kehittyy tähän tueksi huimaa vauhtia. Olen vuodesta 2013 lähtien ollut mukana sosiaalihuollon tiedonhallinnan kansallisessa kehitystyössä, kuten THL:n sosiaalihuollon asiakasasiakirjarakenteiden ja luokitusten asiantuntijatyöryhmässä sekä pilotoimassa sosiaalihuollon Kanta-liittymistä Eksoten Soskanta-hankkeessa 2016-2018. Viime vuosina olen vetänyt soten digitalisaatioon liittyviä hankkeita, mm. sote-rakenneuudistuksen ja Suomen Kestävän kasvun ohjelman hankkeita Etelä-Karjalassa sekä innovaatioekosysteemin kehittämishanketta ELSAa. Yhteisinä poikkileikkaavina teemoina näissä projekteissa ja hankkeissa ovat olleet tiedonhallinta, sote-prosessien tehostaminen, asiakkuuksien hallinta sekä eri toimijoiden rooli yhteiskehittämisessä. Olen kiinnostunut teknologian ja datan hyödyntämisen sekä toimintaprosessien välisestä suhteesta. Päätyminen tuotantotalouden puolelle väikkärin väsääjäksi tuntuukin siksi näin jälkikäteen ajateltuna varsin luontevalta suunnalta. Konferenssimatka HavajilleKevät 2022 vierähti ensimmäisen case studyn äärellä. Tavoitteenani oli -ohjaajieni yllyttäminä- saada tutkimuspaperi HICSS-konferenssiin tarjolle kesäkuun 2022 puoleen väliin mennessä. HICSS, Hawaii International Conference of System Sciences on arvostettu kansainvälinen järjestelmätieteiden konferenssi, joka julkaisee vuosittain tutkimuspapereita vertaisarviointiprosessin kautta. Kevät vaihtui kesäksi intensiivisesti tietokonetta hakaten ja työn ohella kirjoitellessa oli kieltämättä välillä hieman epätoivoinen olo: syntyykö näppikseltäni oikeasti jotakin vertaisarvioitavaa tutkimusta, ja vielä varsin tiukkojen raamien mukaisesti kirjoitettuna? Ohjaajakolmikkoni ei kuitenkaan antanut periksi vaan uskoi tekemiseemme ja puski minua määrätietoisesti eteenpäin. Paperi lähti tarjolle määräajassa ja elokuussa saimme tiedon siitä, että artikkelimme on ehdollisin muutoksin hyväksytty. Tämä tiesi matkaa Havajille, joka oli motivaattorini koko kevään kirjoitusprosessin ajan, olin nimittäin mennyt lupaamaan tyttärelleni, että mikäli paperi menee läpi, hän pääsee konferenssimatkalle mukaan. Bikinit oli hetkessä pakattu matkalaukkuun. Syksyllä teimme artikkeliin vielä vaaditut muutokset ja ryhdyin järjestelemään konferenssimatkaa hakemalla ESTA-lupia ja apurahoja sekä varaamalla majoitusta ja lentoja. Ja niin me tytöt uudenvuoden päivänä 2023 lähdimme seikkailuretkelle, elämäni ensimmäiseen tieteelliseen konferenssiin ja myös ensimmäistä kertaa matkoille Yhdysvaltoihin. Se kannatti! Paikkahan oli aivan huikea ja konferenssi laadukas. Ensimmäisenä konferenssipäivänä, hetken yksin paikan päällä pyörittyäni tutustuin nopeasti muihin suomalaisiin ja myös joihinkin ulkomaalaisiin kollegoihin eri yliopistoista, kun bongasin erään osallistujan nimilapusta suomalaisen nimen. Hän oli Pasi Karppinen Oulun yliopistosta. Hetken siinä juteltuamme olimmekin keränneet ympärillemme myös muita suomea puhuvia: mm. Samuli Laaton Tampereen yliopistosta, Jenny Elon Jyväskylän yliopistosta ja Kaisa Pekkalan, joka oli juuri aloittanut työnsä LUT-yliopiston yhteiskuntatieteiden yliopisto-opettajana. Tutustuminen ja tarinointi lähti luontevasti liikkeelle ja jatkui työryhmien kokoontumisissa, joissa tapasin muihin samassa ryhmässä papereitaan seuraavina päivinä esitteleviä osallistujia muun muassa Saksasta ja Yhdysvalloista. Tyynenmeren aaltojen katveessa kuvankauniiden maisemien äärellä pehmeässä lämmössä olosuhteet olivat Suomen talvesta paenneille enemmän kuin suotuisat rentoon tutustumiseen, kuulumisten vaihtoon ja uusiin yhteistyöavauksiin. Paperimme esitysvuoro koitti konferenssin kolmantena päivänä. Osuuden vetäjä totesi, että turhaan ei kannata jännittää, koska esitämme toisillemme vain lempeitä kysymyksiä. Jouduin kuitenkin hieman hikoilemaan, kun esitykseni jälkeen eräs osallistuja kysyi englantia aksentilla murtaen ja hyvin hiljaisella äänellä tutkimuksestani jotakin, jota en täysin kuullut enkä ymmärtänyt. Vastasin hänelle parhaani mukaan ja pääsimme näin eteenpäin. Kaiken kaikkiaan työryhmässämme, Information Technology in Healthcare - Decision Support of Healthcare Processes and Services oli esillä todella mielenkiintoisia tutkimuksia, joihin on tutustuttava paremmalla ajalla tarkemmin. Sosiaalihuollon teemoja HICSSissä ei juuri näyttänyt ainakaan vielä olevan esillä, tai sitten ne olivat verhoutuneet joko terveydenhuoltoon tai esimerkiksi johtamisteemoihin. Tutkimuksessa nojataan eurooppalaisen asiantuntijapaneelin ehdotukseen arvoperusteisesta terveydenhuollosta (Value-based healthcare) Euroopan kontekstissa. Asiantuntijapaneelin ehdotus sisältää neljä arvopilaria, joiden kautta arvoa tulisi tavoitella terveydenhuollossa. Paperissamme tarkastellaan AI-ennustemallien hyödyntämisen arvopotentiaalia näihin arvopilareihin nojaten asiakas-, ammattilais- ja organisaatiotasoilla. Terveydenhuollon arvopilareita sovelletaan myös sosiaalihuoltoon. Arvopotentiaalin realisoitumiseen liittyy sekä positiivisia, sitä tukevia, että negatiivisia, sitä vähentäviä, tekijöitä. Tekijöistä positiiviset liittyvät suurimmaksi osaksi ennustemallin tuottamaan tietoon ja negatiiviset kytkeytyvät ennustemallin käyttöön liittyvään suostumuskäytäntöön. Väitöskirjatutkimukseni ensimmäiseen artikkeliin, Realizing the Value Potential of AI in Service Needs Assessment: Cases in Child Welfare and Mental Health voit tutustua HICSS proceedings -sivustolla. Seikkailu jatkuuTohtoriopinnot työn ohella vaativat optimoidun ajankäytön lisäksi paljon motivaatiota ja riittävän korkeat, mutta saavutettaviksi määritellyt virstanpylväät. Olen enemmän kuin innoissani käytyäni hyviä keskusteluita muiden tutkijoiden ja jatko-opiskelijoiden kanssa sekä kuullessani lisää erilaisista konferensseista, joita on tarjolla. Minulla on superhyvä ohjaajakolmikko tukenani ja toistaiseksi jatkan tätä ”harrastustani” edelleen työn ohella. Tutkimusmatkani akateemiseen ihmemaahan alkoi yllätyksellisesti toiselta puolelta maapalloa. Tällaisia kokemuksia en todellakaan osannut odottaa jatko-opintoja suunnitellessani, mutta olen varma, että matka jatkuu yhtä yllätyksellisenä ja antoisana, vaikkakin vaatii kulkijaltaan samalla paljon. Toinen paperi on nyt työn alla ja samalla pyrin vahvistamaan tutkijantaitojani tohtorikoulutukseen sisältyvin opinnoin. Rohkaisen kaikkia muitakin vetämään työhaalarit niskaan ja lähtemään seikkailemaan, jos yhtään sellainen ajatus mielessä pyörii. Akateeminen ihmemaa on kaikille avoin ja sopivassa matkaseurassa on ilo seikkailla! Kirjoittaja:
Kaisa Pesonen, YTM Jatko-opiskelija, LUT-yliopisto Kehittämispäällikkö, Etelä-Karjalan hyvinvointialue |
Blogin tarkoitusBlogissa julkaistaan tieteellisiä kirjoituksia sosiaalialan digitalisaatiosta eri näkökulmista. Blogi toimii sosiaalialan digitalisaation ajan kuvaajana ja tallentajana, sekä tietolähteenä ja keskustelun virittäjänä kaikille aiheesta kiinnostuneille. Arkisto
January 2024
Kategoriat
All
|