Työdatan hiljaiset signaalit: Menetelmä työkäytäntö- ja poissaoloprofiilien tunnistamiseen ja näiden yhteyksien tutkimiseen.

Hanketiedot

Hankenumero
117317

Hakija
Työterveyslaitos

Toteuttaja
Työterveyslaitos

Lisätietoja
Tiina Kalliomäki-Levanto
tiina.kalliomaki-levanto@ttl.fi

Toteutusaika
1.1.2018 - 13.12.2019

Työsuojelurahaston päätös
29.11.2017
83 000 euroa

Kokonaiskustannukset
138 949 euroa

Tulokset valmistuneet
4.2.2020

Tiivistelmä

Tavoitteena on kehittää “Työdatan hiljaiset signaalit” -menetelmä jatkuvan muutoksen hallintaan. Hankkeen tutkimuskohteena ovat ammattikorkeakoulun opetushenkilöstön opetustapahtumat ja poissaolot. Opetustapahtumia ovat mm. lähiopetustunnit, opettajaverkoston laajuus, opiskelijoiden määrä, digitaalisen opetusvälineen käyttö, arviointi ja matkat, jotka ovat ns. objektiivista tietoa. Aineistona käytetään jatkuvasti kertyvää järjestelmälokidataa, josta tunnistetaan datalähtöisesti työkäytäntö- ja poissaoloprofiileja.
Analyysiä ohjaa viisi erilaista työhyvinvoinnin mallia. Menetelmä kehitetään kolmen tehtävän avulla. Ensiksi yhdistetään organisaation eri tietojärjestelmistä peräisin olevaa työdataa yhteen tutkimustietovarantoon. Toiseksi määritellään työkäytäntö- ja poissaoloprofiileja tunnistamalla varannosta esimerkiksi aikasarjahahmoja tiedon louhinnan keinoin. Kolmanneksi tutkitaan työkäytäntö- ja poissaoloprofiilien välistä yhteyttä. Tietovarannon analyysi ja tulkinta tehdään yhteiskehittelyn keinoin kohdeorganisaation kanssa. Menetelmä edustaa uutta työterveysteknologiaa, jossa yhdistyvät organisaation tutkimus, tiedonlouhinta ja tekoälymenetelmät. Työkäytäntöprofiilit perustuvat työn objektiivisiin piirteisiin ja ovat sovellettavissa toiminnan ja työhyvinvoinnin kehittämiseen. Menetelmä mahdollistaa varhaisen tuen uudella tavalla kohdistamalla huomion varhaisessa vaiheessa työkäytäntöihin nykyisten mallien kohdistuessa yksilöön.

Hankkeen vastuuhenkilö

Tiina Kalliomäki-Levanto

Tiedote

Ei enää kyselyjä vaan työdataa ja tekoälyä – jatkuvaa tilannekuvaa työn ja hyvinvoinnin edistämiseen

4.2.2020

Tiivistelmä

Kehitimme menetelmän, jolla työelämätutkimuksen uusi aineistolähde ”digital trace data”, työdata, saatiin tutkimuksessa ja kehittämisessä hyödynnettävään muotoon. Hankkeen data on yhden ammattikorkeakoulun Moodlen lokitietoihin jäävät käyttötapahtumat 63 viikolta. Tapahtumia tarkasteltiin tekstinä. Tekstiaineistoa analysoi LDA -aihemallinnus. Tekoäly tunnisti 17 käytäntöä. Viikkotason tarkastelu tehtiin käytäntöjen lisäksi sairauspoissaoloista sekä opetustapahtumien kestosta, määrästä ja yhteistyöstä. Työn ja poissaolon rytmeissä havaittiin yhtäläisyyksiä. Käytäntöjä ja työhyvinvointia voidaan nyt kehittää uudella tavalla: Jos tulevaisuudessa viikkorytmien seuranta on automaattista, voi kehittämisen tulosten seurantakin, olla jatkuvaa.

Lähtökohdat

Työpaikoilla käytetään tietojärjestelmiä yhä enemmän. Samalla myös toimintaympäristön digitaalisuus kasvaa, kun palvelujen käyttäjätkin toimivat yhteisillä palvelualustoilla. Työpaikoilla kerääntyy automaattisesti aikaleimattua työdataa, jota ei vielä hyödynnetä. Se onnistuu, kun tekoälykin kehittyy. Datalähtöisen hankkeen tavoitteena oli tunnistaa työn ja poissaolon viikkorytmejä, huippuviikkoja, viitekehyksenä teoria työn käytännöistä ja valmiutena tunnistaa uusia viitekehyksiä.

Aineisto

Aineiston muodostaa opetustyötä tekevien Moodlen lokitietoihin jäävät 2,8 miljoonaa käyttötapahtumaa 63 viikon jaksolta. Käyttötapahtumia on rajallisesti, yhteensä 181 kpl. Tapahtumat ovat lokitiedossa sanapareina kuten “submission_graded” tai “course_module_updated”. Niitä tarkastellaan tekstinä, joka ryhmitellään opettajakohtaisiksi viikon jaksoiksi. Näistä muodostuu 10 210 opeviikkotekstiä. Aineistona on lisäksi sairauspoissaoloista ja opetustapahtumista saatua tietoa vastaavalta jaksolta.

Menetelmät

Oletamme, että viikolla käytäntöjen ja niihin viittaavien sanaparien keskinäiset suhteet muodostavat jakaumia: Jonain viikkona arvioidaan enemmän ja suunnitellaan vähemmän ja toisena viikkona päinvastoin. Tekoäly, joka perustuu jakaumien vertailuun, on sopiva tähän aineistoon ja sellainen on LDA -aihemallinnus. LDA ryhmittelee keskenään samanmuotoiset viikkojakaumat omiin ryhmiinsä, jotka ovat käytäntöjä. Kaikkien aineistojen aikaikkunaksi valittiin viikko, koska lukuvuosi rytmittyy viikkoina.

Tulokset ja johtopäätökset

Tekoäly tunnisti 17 käytäntöä, joista laskettiin viikoittaiset intensiteetit viitaten organisaation yhteiseen tekemiseen. Käytännöt liittyivät kurssien suunnitteluun, opiskelijan edistymisen seurantaan ja arviointiin, yhteydenpitoon ja käyttöoikeuksiin. Käytäntöjen ja opetustapahtumien viikkorytmiä verrattiin poissaolorytmiin ja havaittiin yhtäläisyyksiä. Hankkeen keskeisin tulos on LDA:n vaiheet ja vaiheiden ja muiden tietolähteiden muokkaus viikkotason vertailut mahdollistavaksi välineeksi.

Uutuusarvo ja sovellettavuus

Työdata ja tekoäly on uusi tiedon tuottamisen menetelmä, jolla saadaan jatkuvaa ja konkreettista tilannekuvaa työstä. Nyt käytössä on ollut kyselytietoa esim. kahden vuoden välein. Kun tietoja tarkastellaan viikoittaisina trendeinä, on huippuviikkojen havaitseminen mahdollista. Henkilöstöryhmät voivat heti ryhtyä arvioimaan esimerkiksi, mitä poissaolohuippujen ympärillä heidän käytännöissään tapahtuu. Työdatan hyödyntämiseen tarvitaan työpaikkojen, datatieteen ja työterveysosaajien yhteistyötä.

Aineisto

Tiina Kalliomäki-Levanto, Jussi Korpela, Erkki Sinisalo, Riku Louhimo. Työdata ja tekoäly. Toiminnan kehittämisen ja johtamisen tueksi. Työterveyslaitos. 2019.

ISBN 978-952-261-909-9 (nid.)
ISBN978-952-261-908-2(PDF) Avaa

Työdatan hiljaiset signaalit -hankkeen blogit ja kävijämäärät Avaa