Akava Works

Miksi korkeakoulutettujen osaamisen kehittämistä kannattaa tukea?

Keskustelu aikuisten työssä ja työn vuoksi tapahtuvasta oppimisesta on virinnyt Suomessa viime vuosina erityisesti 2019 aloitetun parlamentaarisen jatkuvan oppimisen reformin siivittämänä. Taustalla on ymmärrys työelämän laajasta muutoksesta, joka haastaa kaikkien työikäisten osaamista luoden sille uudenlaisia vaatimuksia ja siten jatkuvan oppimisen tarpeita. Huomio jatkuvan oppimisen tukemisessa on 2020-luvulla siirtymässä erityisesti aliedustettujen ryhmien, kuten vähäisen pohjakoulutuksen omaavien, oppimisen turvaamiseen ja koulutustasoa nostavan oppimisen edistämiseen. Samaan aikaan on tärkeää edelleen huomioida myös korkeakoulutettujen ja asiantuntijatyössä toimivien osaamisen turvaaminen: oppimisen tarve on muuttuvassa maailmassa päättymätön.

Tässä artikkelissa paneudutaan osaamisen ja asiantuntijuuden käsitteisiin sekä asiantuntijuuden kehittymisen ja osaamisen vanhenemisen teemoihin. Artikkelissa päähuomio kohdistetaan asiantuntijatyön erityisyyteen oppimisen kontekstina sekä kolmeen keskeiseen perusteluun, joiden vuoksi asiantuntijoiden osaamisen kehittäminen edellyttää tukea ja panostuksia. Lopuksi koostetaan tietoa siitä, millä tavalla ja mistä lähtökohdista aikuispedagogiikkaa kannattaa koulutuksessa, työssä ja näiden rajapinnoilla rakentaa, jotta kestävä, innovaatioita ja hyvinvointia tuottava oppiminen on mahdollista.

Artikkelin kirjoittaja Soila Lemmetty on kasvatustieteen tohtori, dosentti ja yliopistotutkija Itä-Suomen yliopiston kasvatustieteiden ja psykologian osastolla. Hän johtaa jatkuva oppiminen työelämässä (JATKOT) -tutkimusryhmää.

Ohessa artikkeli pdf-tiedostona

Miksi korkeakoulutettujen osaamista kannattaa tukea Akava Works -artikkeli 1_2025

Työkyvyttömyyden riskitekijät asiantuntijatyössä

Jo lähes puolet työllisistä suomalaisista toimii asiantuntijatehtävissä. Asiantuntijatyössä korostuvat erityisesti työn psyykkinen vaativuus sekä työmäärään, ajankäyttöön, työn sirpaloitumiseen ja työn rajattomuuteen liittyvät kuormitustekijät. Toisaalta asiantuntijoiden työssä on useita työkykyä suojelevia piirteitä kuten vähäinen fyysinen kuormittavuus, vahva työn itsenäisyys ja työn imu sekä merkityksellisyyden kokemus.

Työkyvyttömyyttä mitataan usein sairauspoissaolojen ja työkyvyttömyyseläkkeiden kautta. Asiantuntijatyötä tekevillä, erityisesti ylemmillä toimihenkilöillä, on kaikkiaan pienempi työkyvyttömyyden riski kuin suorittavaa työtä tekevillä, sillä heillä on muita vähemmän tuki- ja liikuntaelinten sairauksien aiheuttamaa työkyvyttömyyttä. Toisaalta mielenterveyden häiriöihin perustuva työkyvyttömyys on toimihenkilöillä yleisempää kuin työntekijäasemassa olevilla, ja asiantuntijoiden mielenterveysperusteinen työkyvyttömyys on viime vuosina ollut kasvussa. Vaikka asiantuntijoilla painottuvat työn psykososiaaliset kuormitustekijät, asiantuntijoiden työkyvyttömyyden riskitekijät ovat kaikkiaan samankaltaisia kuin muillakin ryhmillä.

Työkyvyttömyysriskeihin ovat yhteydessä monenlaiset yksilöihin, työpaikkoihin ja yhteiskuntaan liittyvät tekijät, joista vahvimmin näyttöä on yksilötason tekijöiden yhteyksistä työkykyyn. Yksilötekijöistä nousevat erityisesti ikä ja elintavat, työpaikkaan liittyvistä tekijöistä erityisesti psyykkisiin työoloihin kuten työn vaatimuksiin ja työn voimavaroihin liittyvät tekijät. Työkyvyttömyysriskeihin voidaan vaikuttaa yhteiskunnan, yksilöiden ja työpaikkojen keinoin. Työkyvyn heikkenemisen ensimmäisiin merkkeihin on puututtava varhain, jotta voidaan ehkäistä pitkäkestoista ja pysyvää työkyvyttömyyttä.

Artikkelin kirjoittajan esittely

Artikkelin kirjoittaja Jenni Blomgren on valtiotieteiden tohtori ja sosiaalipolitiikan dosentti. Hän työskentelee tutkimusprofessorina Kelan tutkimusyksikössä ja on tehnyt pitkään tutkimustyötä työkykyyn, sairauspoissaoloihin, kuntoutukseen ja työkyvyttömyyseläkkeiseen sekä terveyspalveluihin liittyvistä teemoista.

Artikkeli on ohessa pdf-tiedostona

Työkyvyttömyysriski asiantuntijatyössä Akava Works -artikkeli 15_2024

Työkyvyttömyydelle on vaihtoehtoja

Keinot työkyvyttömyyden vähentämiseksi vaihtelevat sen mukaan, mistä työkyvyttömyyden vaiheesta puhutaan: onko kyse sairauspoissaolon alkamisesta, sairauspoissaolon pitkittymisestä vai pysyvästä työkyvyttömyydestä.

Työpaikoilla esihenkilöiden merkitys on keskeinen. Työpaikalla tulee olla varhaisen tuen malli ja selkeät käytänteet, jotka tukevat työntekijän paluuta työhön. Näiden laatimisessa työterveyshuollon osaaminen on arvokas tuki työpaikalle. Tämän lisäksi luottamuksen ilmapiiri on tärkeä.

Sairauspoissaolon riskiin vaikuttavat monet tekijät, joista lääketiede selittää vain osan. Jos sairauspoissaoloja halutaan vähentää, työntekijän lisäksi myös työn pitää joustaa nykyistä enemmän. Työssä vaadittavasta koulutuksesta ja siitä maksettavasta palkasta riippumatta meillä jokaisella on tarve tulla kuulluksi ja kohdelluksi yksilönä.

Artikkelin kirjoittaja: Kari-Pekka Martimo

Kari-Pekka Martimo on dosentti, työterveyshuollon ja työlääketieteen erikoislääkäri. Hän toimii osastonjohtajana, työkykyriskien ennakointi ja tutkimus -osastolla työeläkeyhtiö Ilmarisessa. Hänellä on laaja ja monipuolinen kokemus työkykyriskien ennakoinnista, hallinnasta ja tutkimuksesta.

 

Ohessa artikkeli pdf-tiedostona

Työkyvyttömyydelle on vaihtoehtoja Akava Works -artikkeli 13_2024

Tuottavuuden kasvu viriää hyvin toimivissa työyhteisöissä

Kokonaistuottavuuden kautta nähdään, miten hyvinvointi, oppiminen ja tuottavuus muodostavat työyhteisössä kokonaisuuden, jota ohjataan strategisella johtamisella. Artikkeli luo katsauksen Suomen sijoittumiseen kansainvälisessä vertailussa. Johtopäätöksissä ehdotetaan keinoja tuottavuuden kasvun vahvistamiseen: esimerkiksi ICT- ja TKI-panostusten lisääminen, osaamisen vahvistaminen ja kokeneempien työntekijöiden pitäminen mukana työelämässä.

 

Kirjoittaja: Sinimaaria Ranki, johtava asiantuntija, Työterveyslaitos

Sinimaaria Ranki toimii johtavana asiantuntijana Työterveyslaitoksella. Hän on kansantaloustieteilijä. Viime vuosina hän on keskittynyt kokoamaan laaja-alaisesti tutkimustietoa päätöksenteon tueksi tuottavuuden, työssä oppimisen ja työhyvinvoinnin kokonaisuudesta työelämän tulevaisuudennäkymiin peilaten.

 

Ohessa artikkeli pdf-tiedostona

Tuottavuuden kasvu viriää hyvin toimivissa työyhteisöissä Akava Works -artikkeli 12_2024

Näkökulmia tekoälyyn, osa 5 – Petri Ylikoski: Tekoäly ja asiantuntijatyön muutos

Tekoäly ja teknologinen muutos

Tekoälyn kehitys on sekä kiehtovaa että hämmentävää. Asiaa ei auta, että jostakin syystä tekoälystä uutisoidaan eri tavoin kuin muista teknologioista. Tekoälystä kirjoitetaan tekijänä ja toimijana, kun muita teknologioita yleensä tarkastellaan selvästi välineinä. Fantasia tekoälystä toimijana haittaa nykyisen tekoälyn ymmärtämistä ja kätkee taakseen sovelluksien takana olevan ihmistyön. Tekoälyyn kannattaa suhtautua samalle tavoin kuin muihinkin uusin teknologioihin ja olla varovainen yksityiskohtaisten tulevaisuuden ennustusten kanssa. Esimerkiksi käy autonomisten ajoneuvojen kehittäminen. Teknologiayhtiöiden johtajat ovat vuosia ennustaneet, että täysin autonomiset ajoneuvot olisivat todellisuutta aivan lähitulevaisuudessa. Mutta vuodet ovat kuluneet ja ennusteet ovat osoittautuneet toiveajatteluksi. Kadut eivät ole täynnä robottitakseja, ja sellaiset saattavat pysyä kokeiluasteella hyvin pitkään, ellei niitä sitten lopeteta kokonaan kalliiden kustannusten vuoksi. (Brooks 2024.)

Tekoälyn kehitystä ei tule ajatella yhteiskunnallisessa tyhjiössä. Tekoälyn sovellutukset ovat sosio-teknisiä järjestelmiä. Ne pitävät sisällään tietojärjestelmien lisäksi ihmiset ja organisaatiot, jotka niitä kehittävät, käyttävät ja mahdollisesti ovat niiden käytön kohteina. Kyse on yhteiskunnallisesta ilmiöstä, jonka tuleva kehitys tulee riippumaan huomattavasti markkinakilpailusta, oikeudellisesta säätelystä ja viime kädessä siitä, kuinka käyttäjät ottavat järjestelmät haltuun. Tämä on erityisen tärkeää pitää mielessä pohdittaessa tekoälyn vaikutuksia työelämään ja asiantuntijatyöhön. Vielä ei tiedetä, mitkä ovat parhaita tapoja käyttää uusia välineitä ja millaisia käyttöjä tulisi ehdottomasti välttää. Emme myöskään tiedä, miten parhaiten toteuttaa ihmisen ja tekoälyn yhteistoiminta. Samoin kuin aikaisempien teknologioiden – kuten sähkön ja internetin – käyttöönoton kohdalla, odotettavissa on varsin pitkä kokeilu- ja oppimisjakso ennen kuin yksilöt ja organisaatiot ovat löytäneet parhaat tavat hyödyntää ja elää yhdessä uusien teknologioiden kanssa.

Kokeilujen myötä myös organisaatiot ja työtehtävät tulevat muuttumaan, eikä välttämättä parempaan suuntaan. Teknologinen muutos hävittää yllättävän harvoin kokonaisia ammatteja. Useimmiten muutos tapahtuu työtehtävien tasolla ja siinä, kuinka paljon työntekijöitä tarvitaan tehtävien suorittamiseen. Seuraavassa keskityn tarkastelemaan asioita työtehtävien muutoksen tasolla. Lähden liikkeelle tekoälyteknologioiden ominaisuuksista ja etenen sitten niiden käytön seurauksiin pitäen silmällä erityisestä asiantuntijatehtäviä.

Kaikki perustuu dataan

Sana-assosiaation perusteella tekoälyn salaisuus olisi sen älykkyydessä tai kyvyssä järkeillä. Mutta tosiallisesti kaiken perusta on data. Koneoppiminen ja muut tekoälymenetelmät perustuvat pohjimmiltaan datan säännönmukaisuuksien tunnistamiseen. Jos aiheesta ei ole dataa, ei tekoälystä ole siihen apua. Puutteellinen, epäedustava, systemaattisia virheitä sisältävä tai epätarkoituksenmukainen data vaarantaa tekoälyn soveltamisen, sillä se johtaa virhediagnooseihin, epäluotettaviin ennusteisiin ja syrjiviin päätöksiin (Hand 2020). Viime vuosikymmenten tekoälyn kehitys perustuukin pitkälti tietokoneiden laskentatehon ja saatavilla olevan datan määrän nopeaan kasvuun. Mitä tästä datan keskeisyydestä seuraa?

Yksi seuraus on, että datan tuottaminen ja hallinta ovat yhä keskeisempiä organisaatioiden toimintoja. Tämä tuottaa monia uusia dataan liittyviä työtehtäviä. Datan keräämisen ja käytön yhä laajemman oikeudellisen säätelyn myötä datan turvallisuudesta huolehtiminen tulee yhä tärkeämmäksi, erityisesti siten, että datan kohteiden yksityisyys tulee turvatuksi. Jotta eri lähteistä olevaa dataa voidaan käyttää, täytyy myös tietojärjestelmien ja niiden sisältämän datan olla yhteensopivaa. Tämä merkitsee suurta määrää työtä, joka liittyy yhtenäisten standardien luomiseen. Datan keräämisen ja käytön prosesseilta vaaditaan yhä suurempaa vastuullisuutta ja läpinäkyvyyttä, mikä merkitsee, että erilaiset datan, mallien ja prosessien auditointitehtävät ovat suuri tulevaisuuden kasvuala. Mitkään näistä uusista tehtävistä eivät ole puhtaasti tietoteknisiä asiantuntijatehtäviä, vaan ne vaativat usein oikeudellista ja sisällöllistä osaamista.

Vaikka datasta puhutaan uutena öljynä, sitä ajatellaan usein abstraktina informaationa. Moni tekoälyhanke on lähtenyt liikkeelle ajatuksesta, että tekoäly auttaa nopeasti säästämään kustannuksia tai tehostamaan toimintaa, mutta niissä on opittu kantapään kautta, että käyttökelpoinen data edellyttää usein paljon työtä ja resursseja. Datan tuottaminen ja sen turvallinen hallinnointi edellyttävät soveltuvan infrastruktuurin ja sen jatkuvan ylläpidon. Toiseksi, suuri määrä dataa ei riitä, sen tulee olla myös laadukasta ja relevanttia. Vaikka data syntyisi muun toiminnan sivutuotteena, sen laadun parantaminen saattaa edellyttää muutoksia työtehtäviin ja niiden sisältöön. Dataa täytyy kerätä, käsitellä ja kuratoida. Datan käyttökelpoisuuden arvioiminen edellyttää asianmukaista metadataa, tietoa datan alkuperästä ja käsittelytavoista. Tällainen datatyö jää usein näkymättömäksi, sillä se kasvaa pikkuhiljaa monien uudistusten myötä eikä sitä varten palkata erityistä henkilökuntaa. Asiantuntijatehtävissä työskentelevät saavat kuin vaivihkaa osansa näistä tehtävistä.

Esimerkkinä voi miettiä kuinka paljon esimerkiksi lääkäreiden ja sairaanhoitajien työstä nykyään liittyy datan syöttämiseen erilaisiin järjestelmiin (Bossen ym. 2019). Tulevaisuudessa automaatio ja erilaiset sensorit saattavat auttaa asioiden kirjaamisessa ja dokumentoinnissa, mutta ne tuovat mukanaan uusia tehtäviä, kuten sensorien ja järjestelmien ylläpito ja oikean toiminnan varmistaminen. Nämä datatyötehtävät tulevat tyypillisesti aikaisempien tehtävien lisäksi ilman, että tätä otetaan täysin huomioon töiden mitoituksessa. Usein tämä tarkoittaa, että työntekijällä on vähemmän aikaan varsinaisten tehtäviensä tekemiseen. Esimerkiksi hoitajilla ja lääkäreillä on yhä vähemmän aikaa potilaiden kanssa vuorovaikuttamiseen, kun he kasvavassa määrin tekevät datan keräämiseen ja ylläpitoon liittyviä tehtäviä. Tällaiset datatyön tuottamat vaihtoehtoiskustannukset olisikin syytä ottaa huomioon tietojärjestelmiä rakennettaessa.

Läpinäkyvyyden haaste

Monet tekoälyjärjestelmien tuottamat haasteet ovat tuttuja jo vanhemmista tietojärjestelmistä, jollaisia kaikki nykyaikaiset organisaatiot soveltavat. Tällaiset järjestelmät ovat usein vuosien kehitystyön seurauksena hyvin monimutkaisia, ja siksi on monesti vaikeaa arvioida niiden luotettavuutta ja ymmärtää niiden toimintaa. Tämä tuottaa ongelmia myös hallittavuudelle ja yhteensopivuudelle. Tekoälyn lisääminen järjestelmiin ei ole yksinkertaista ja voi tehdä järjestelmistä vielä vaikeampia ymmärtää. Uudet teknologiat rakentuvat yleensä vanhempien päälle, eivätkä tekoälyjärjestelmät ole poikkeus. Tekoälyn lisääminen saattaa parantaa käytettävyyttä, mutta se ei väistämättä ratkaise järjestelmien monimutkaisuutta ja sen tuottamia ongelmia.

Tekoälyjärjestelmät tuovat mukanaan myös uusia läpinäkyvyyden ja ymmärrettävyyden haasteita. Nämä tulevat esiin, kun tarkastellaan tekoälyn käyttöä päätöksenteossa (Levy ym. 2021). Automaattisessa päätöksenteossa voidaan erotella sääntöpohjaiset ja koneoppimiseen perustuvat ratkaisut. Sääntöpohjaisissa järjestelmissä tietokoneelle annetaan selkeät säännöt, joiden perusteella käsitellä tapauksia. Tällaiset järjestelmät eivät edellytä varsinaista tekoälyä, ja niiden keskeisiä riskejä ovat virheellisestä datasta tai ohjelmointivirheistä aiheutuvat virheelliset päätökset. Sen sijaan koneoppimiseen perustuvissa järjestelmissä on kaksi lisähaastetta. Ensinnäkin tällaiset järjestelmät tekevät päätöksiä perustuen sääntöihin, jotka ne ovat yleistäneet opetusaineistona käytetystä datasta. Tästä seuraa, että mikäli järjestelmän opettamisessa käytetty data on vinoutunutta esimerkiksi syrjivien käytäntöjen vuoksi, saattaa järjestelmä oppia nämä samat vinoumat ja ryhtyä toistamaan vastaavaa syrjivää käyttäytymistä. Samoin vinoumat voivat olla tulosta huonolaatuisesta tai epäedustavasta datasta. Joissakin tilanteissa järjestelmä tuottaa selkeästi vinoutuneita päätöksiä, joten voidaan päätellä, että jossakin on vikaa. Ongelman lähteen paikallistaminen onkin sitten vaikeampaa.

Järjestelmä voi olla myös vinoutunut ilman että se tuottaa helposti havaittavia räikeitä virhepäätöksiä. Tämä mahdollisuuden selvittäminen on vaikeaa, sillä tässä vaiheessa astuu kuvaan toinen tärkeä koneoppimismallien ominaisuus, niiden läpinäkymättömyys (Rosenfeld & Richardson 2019). Periaatteet, jotka malli on itselleen omaksunut, ovat käyttäjälle vaikeita tai mahdottomia ymmärtää. Tämä on haaste mallin kehittäneelle ohjelmoijalle, mutta vielä suurempi haaste järjestelmän käyttäjälle, joka ei ole tekoälyn asiantuntija. Haaste on merkittävä useasta syystä. Ensinnäkin järjestelmän käyttäjän tulisi pystyä arvioimaan milloin järjestelmä toimii tarkoitetulla tavalla ja milloin sen toiminnassa on jokin virhe. Tekoälymallia ei voi pitää oraakkelina, joka on aina oikeassa. Toiseksi kehittyneissä demokratioissa on totuttu ajattelemaan, että ihmistä koskevat päätökset tulee pystyä oikeuttamaan viittaamalla päätöksenteossa käytettyihin periaatteisiin. Tämä ei ole mahdollista koneoppimismallien tapauksessa. Emme tiedä tarkalleen, mihin perustuen tekoälymalli teki päätöksen, joten emme myöskään tiedä, ovatko ne hyväksyttäviä perusteita. Tämä muodostaa merkittävän haasteen tekoälyn käytölle automaattisessa päätöksenteossa, erityisesti julkisella sektorilla.

Päätöksenteossa käytettävien tekoälymallien läpinäkyvyys ja selitettävyys on elintärkeää oikeusvaltiossa. Mallien toimivuutta voidaan arvioida esimerkiksi tarkkailemalla niiden seurauksia eli sitä, kuinka ne käsittelevät erityyppisiä esimerkkitapauksia. Myös mallien vertailuun ja testaamiseen voidaan kehittää erilaisia tekoälyä hyödyntäviä välineitä. Huomattavaa on, että tällainen työ edellyttää varsin paljon sisällöllistä asiantuntemusta, joka ylittää puhtaan data-analyytikon perustaidot. Tarvitaan asiantuntijoita, jotka ymmärtävät, kuinka järjestelmän tulisi toimia ja ymmärtävät tekoälyjärjestelmän toimintaperiaatteet. Organisaatioilla tulisikin olla asiantuntijoita, jotka kykenevät osallistumaan uusien järjestelmien hankintaan ja rakentamiseen. Yhtä lailla on tärkeää, että organisaatiot kykenevät säilyttämään tällaiset asiantuntijat, sillä käyttäjien puutteellinen ymmärrys järjestelmästä on tärkeä läpinäkymättömyyden lähde.

Tekoälyjärjestelmien huono läpinäkyvyys tuleekin olemaan tulevaisuudessa merkittävä haaste ja rajoite niiden käyttöönotolle. Tekoälymallinen periaatteellisen läpinäkymättömyyden lisäksi hankaluuksia tuottavat liikesalaisuudet. Useimmat tekoälyjärjestelmät ovat yksityisten yritysten kehittämiä, joten niiden toiminnan yksityiskohdat ja koulutusdata ovat liikesalaisuuksia. Tämä tekee mallien arvioinnin vaikeaksi, ja kokemus osoittaa, että pelkkien myyntipuheiden perusteella ei tulisi tehdä tärkeitä päätöksiä. Tässä suuri syy sille, miksi erilaisten auditointikäytäntöjen ja standardien kehittyminen on aivan ensiarvoisen tärkeää.

Omanlaisensa läpinäkyvyyden haasteen muodostaa myös tekoälyvälineiden suuri määrä. Tästä on kokemuksia esimerkiksi laskennallisessa yhteiskuntatieteessä, jossa jatkuva virta uusia menetelmiä tekee todella vaikeaksi muodostaa käsitystä yksittäisten menetelmien luotettavuudesta. Kun yksittäistä menetelmää käytetään vain kourallisessa tutkimuksia, on lähes mahdotonta muodostaa käsitystä käytetyn menetelmän vahvuuksista ja heikkouksista. Menetelmien käyttäjät, tai tuloksien uskottavuuden arvioijat, eivät yleensä tunne menetelmien yksityiskohtia, joten monien tutkimusprosessissa tehtyjen oletusten merkitys tuloksille jää hämärän peittoon. Tämä merkitsee, että tutkimustulosten luotettavuus epävarma. Vastaavassa tilanteessa on moni uusien tekoälyvälineiden käyttäjä. Kuinka valita omaan tarkoitukseen sopiva väline? Miten arvioida kilpailevia välineitä? Kuinka paljon voin luottaa välineeni tuloksiin?

Tekoäly osana organisaatiota

Tekoälyä on useimmiten luontevinta ajatella tukiälynä, jossa ohjelmisto toimii ihmisen apuna. Tällöin tekoäly on väline, jonka hyödyllisyyden määrittää käyttäjän kyky käyttää sitä. Kaikissa tilanteissa tämä ei aina kovin hyvin kuvaa tekoälyn ja käyttäjän suhdetta. Joissakin sovelluksissa on pikemminkin kyse ihmisavusteisesta tekoälystä. Tällöin ohjelmisto suorittaa sellaisia tehtäviä, joita käyttäjä ei kykene tai halua toteuttaa. Ohjelmisto tarvitsee tällöin ihmistä joidenkin avustavien tehtävien suorittamiseen ja viime kädessä valvomaan prosessin ja tuotosten tarkoituksenmukaisuutta. Tämä asetelma ei toki ole uusi vaan tuttu tehtaista, joissa tuotantoprosessi on rakennettu koneiden ympärille.

Erikoistapaus ihmisavusteisesta tekoälystä on tekoälyohjelmistojen käyttö organisaation ja työntekijöiden johtamiseen. Tällöin ohjelmisto korvaa perinteisesti esimiesten tekemän työntekijöiden valvonnan, työnohjauksen ja arvioinnin. Esimerkiksi käyvät Amazonin jakelukeskukset, joissa ihmisiä tarvitaan pakettien siirtelyyn ja keräilyyn, sillä tällaiset tehtävät ovat liian vaikeita roboteille. Sen sijaan töiden johtaminen on pitkälti delegoitu tekoälyjärjestelmälle. Järjestelmä jakaa työntekijöille työtehtävät, seuraa heidän työskentelynsä tehokkuutta ja jopa tarvittaessa irtisanoo työntekijän (Crawford 2021). Vastaavan esimerkin tarjoavat puhelinpalvelukeskukset, joissa tietokonejärjestelmä seuraa työntekijöiden työtahdin lisäksi näiden käyttämää sanastoa ja puheäänen tunneilmaisua. Järjestelmä antaa tarvittaessa ohjaavaa palautetta kertoen, millaisia ilmauksia tulisi lisätä tai välttää asiakkaiden kanssa keskusteltaessa ja millä tavalla työntekijän tunneilmaisua tulisi korjata.

Tekoälyohjelmisto kohtelee työntekijöitä oletettavasti tasapuolisemmin, koska sillä ei ole henkilökohtaisia suhteita alaisiin. Mutta toisaalta järjestelmä saattaa olla työntekijöiden manipuloitavissa, millä saattaa olla merkittäviä vaikutuksia työmoraaliin. Toinen ongelma on, että esimerkiksi ohjelmistoihin saattaa olla sisäänrakennettuna kyseenalaisia oletuksia ihmisten käyttäytymisestä. Esimerkiksi yllä mainittu tunneilmaisun tunnistaminen saattaa perustua mallille, joka on tieteelliseltä kannalta kyseenalainen ja vinoutunut (Crawford 2021). Tällä saattaa olla merkittäviä sosiaalisista vuorovaikutusta vääristäviä vaikutuksia. On toki odotettavissa, että ajan myötä tällaiset ongelmat havaitaan ja korjataan, mutta siihen voi mennä pitkä aika, varsinkin jos ohjelmistojen toimintaperiaatteet ovat tarkoin varjeltuja liikesalaisuuksia.

Tekoälyjohtaminen on uusi asia, ja on vaikea ennustaa, millä tavoin se tulee kehittymään. Edellä kuvattuja varsin dystooppisia johtamisjärjestelmiä tuskin ulotetaan kovin pian asiantuntijatyöhön. Työnantajat ovat tähän asti välttäneet asiantuntijoiden työn mikromanagerointia, mutta jollakin tavoin tekoälyavusteinen johtaminen tulee ulottumaan myös asiantuntijatyötä tekeviin. Ja sikäli, kun asiantuntijalle kuuluu keskijohdon tehtäviä, voi hän jatkossa olla yhä enemmän johtamisjärjestelmää avustava tai täydentävä työntekijä kuin varsinainen esimies.

Asiantuntijuuden tulevaisuus

Aivan viime vuosiin asti tekoälyn ja yleisemmin tietotekniikan kehitys on suosinut asiantuntijoita. Uudet välineet ovat korvanneet ihmistyön rutiininomaisissa toistuvissa tehtävissä jättäen jäljelle tehtäviä, jotka edellyttävät luovuutta, ongelmanratkaisua ja asiantuntemusta. Vastaavasti välineiden kehittäminen ja käyttö ovat luoneet aivan uusia asiantuntijatehtäviä. Tähän asti tekoälyn kehitys onkin ollut pikemminkin uusi resurssi asiantuntijatyöhön kuin uhka. Parin viime vuoden aikana generatiivinen tekoäly on kuitenkin noussut haastamaan tätä tilannetta.

Generatiivisella tekoälyllä tarkoitetaan tekoälymalleja, jotka on suunniteltu tuottamaan uutta sisältöä, oli kyseessä siten teksti, ääni, kuva tai videomateriaali. Tunnettuja esimerkkejä generatiivisesta tekoälystä ovat kielimalli ChatGPT ja kuvia tuottava Midjourney. Generatiivisen tekoälyn taustalla on todella suuren aineistoon perustuva perustamalli, jota käyttäjän kanssa vuorovaikuttava botti – kuten ChatGPT – käyttää hyväkseen. Vaikka ChatGPT on periaatteessa malli, joka ennustaa tekstin seuraavia sanoja, on se osoittautunut hyödylliseksi hyvin erilaisten tekstien tuottamisessa, kääntämisessä ja sisällön jäsentämisessä. Generatiiviseen tekoälyyn liittyy monia periaatteellisia luotettavuuteen, tietoturvaan ja tekijänoikeuksiin liittyviä ongelmia ja on avoin kysymys, kuinka ne ratkaistaan. Näistä ratkaisuista tulee riippumaan, mihin suuntaan generatiivinen tekoäly kehittyy. En lähde arvailemaan tulevaisuutta tässäkään, vaan kuvailen millaisia tutkimustuloksia generatiivisen tekoälyn käytöstä on saatu.

Yksi alue, jolla generatiiviselle tekoälylle perustuvat työvälineet ovat jo laajassa käytössä, on ohjelmointityö. Microsoftin Copilot on ollut käytössä runsaan vuoden, ja se on selvitysten mukaan lisännyt merkittävässä määrin koodauksen nopeutta avustamalla usein toistuvien rutiinitehtävien hoitamista. Myös ohjelmoijien työtyytyväisyyden kerrotaan kasvaneen, kun rutiinitehtävistä irtautuminen mahdollistaa paremman keskittymisen olennaiseen. Tuottavuuden parantuminen onkin varsin odotettu vaikutus. Mutta mitä pidemmälle meneviä seurauksia uusilla generatiivisilla työvälineillä voisi olla?

Kiinnostava kysymys on, kenelle uusista välineistä on eniten hyötyä. Tähän asti välineet ovat suosineet osaavampia työntekijöitä, sillä heillä on paremmat mahdollisuudet hyödyntää uusia välineitä. Näyttää siltä, että ainakin joissakin tehtävissä generatiivinen tekoäly vähentää työntekijöiden välisiä eroja. Tutkittaessa generatiiviselle tekoälylle perustuvan avustajan vaikutusta asiakaspalvelijoiden työhön, havaittiin että suurimman hyödyn uudesta välineestä saivat uudet ja vähemmän taitavat työntekijät, kun taas kokeneet ja taitavat työntekijät eivät juuri hyötyneet välineestä (Brynjolfsson 2023). Tekoälyassistentin avustamana heikommat työntekijät selvisivät tehtävistään nopeammin, joutuivat pyytämään apua vähemmän ja asiakastyytyväisyys kasvoi. Tutkijoiden mukaan tämä perustui siihen, että assistentti antoi näiden työntekijöiden käyttöön kokeneempien työntekijöiden hiljaista tietoa, joka kavensi työntekijöiden välisiä tuottavuuseroja. On avoin kysymys, kuinka yleistettävissä tämä tulos on, mutta voi olettaa, että hyvin suunnitellut tekoälyvälineet nopeuttavat uusien tehtävien oppimista. Kiinnostava kysymys on, johtaako tämä siihen, että kokeneet työntekijät eivät enää ole työnantajalle yhtä arvokas resurssi.

Toinen kiinnostava kysymys on, mitä tapahtuu asiantuntijan taidoille ja tiedoille, kun ohjelmisto hoitaa yhä suuremman osan tehtävistä? Yksi mahdollisuus on, että työntekijälle jää enemmän aikaa keskittyä vaativiin tehtäviin ja pitää huoli tuotosten laadusta. Tämä vaikutus saattaa olla kuitenkin vain hetkellinen, sillä tuottavuuden kasvaessa myös odotukset kasvavat. Tällöin uuden teknologian seuraus on aikaisempaa tiukempi työtahti, joka merkitsee, että on vähemmän mahdollisuuksia perehtyä asioihin perusteellisesti.

Toinen kysymys liittyy siihen, mitä tapahtuu, kun kone hoitaa tehtävät ja työntekijän tehtäväksi jää valvoa mahdollisten virheiden varalta. Ihmiset eivät ole kovin hyviä tällaisissa tehtävissä. Esimerkit lentokoneista ja itseohjautuvista autoista osoittavat, että jos ihmisen tehtävä on vain valvoa itsenäisesti toimivaa järjestelmää, hänen huomiokykynsä herpaantuu, eikä hän pysty tai osaa reagoida tilanteissa, jossa sitä tarvittaisiin. Tässä onkin yksi tekoälyn ja ihmisen vuorovaikutuksen keskeisistä haasteista: kuinka suunnitella vuorovaikutus siten, että yhteistoiminta toimii mahdollisimman hyvin. Tältä kannalta tekoälyjärjestelmä, joka tekee tunnistettavia virheitä voisi olla parempi kuin sellainen, joka on suunniteltu tekemään mahdollisimman vähän virheitä (Dell’Acqua ym. 2023). Tällöin työntekijä ei voi tuudittautua ajatukseen, että kone hallitsee asian. Joka tapauksessa ihmisen ja koneen toimiva yhteistyö on tekoälyn kehittämisen suurimpia haasteita.

Automaatiolla voi olla vaikutuksia myös pidemmällä aikavälillä. Jos esimerkiksi tekoälyjärjestelmä korvaa ihmisen ongelmien tunnistamisessa tai vaikkapa lääketieteellisten kuvien tunnistamisessa, merkitsee tämä sitä, että ihmisasiantuntija ei enää saa harjoitusta tällaisissa tunnistamistehtävissä. Hänen kykynsä rapautuvat (Rinta-Kahila ym. 2023), tai myöhempien työntekijäsukupolvien kohdalla, eivät kehity lainkaan. Tällöin hänellä ei ole kykyä toimia myöskään niissä hankalissa tapauksissa, joissa tekoälyjärjestelmää ei voida luotettavasti käyttää. Kykyjen rapautumisen vuoksi ajattelumalli, jossa kone hoitaa rutiinitehtävät ja asiantuntija hoitaa vaikeat tapaukset, voi olla vaarallinen. Organisaatioiden tasolla käyttämättömien kykyjen rapautuminen voi tarkoittaa, että ne pikkuhiljaa menettävät inhimillistä pääomaansa. Tämä voi tulla esiin, kun esimerkiksi järjestelmiä vaihdetaan tai niissä on toimintahäiriöitä: työntekijät eivät enää pystykään niihin tehtäviin, jotka heidän oletetaan hallitsevan. Automaation toimiessa ja kannustimien puuttuessa osaamisen ylläpito ja päivittäminen on jäänyt tekemättä. Tässä jälleen hankala haaste tekoälyjärjestelmien kehittäjille: kuinka kehittää järjestelmiä, jotka eivät tuhoa inhimillistä asiantuntemusta, jota saatetaan vielä tarvita järjestelmien toiminnan arviointiin, uudelleen suunnitteluun tai sijaistamiseen.

Datalukutaito

Asiantuntijatyö tulee tekoälyn myötä muuttumaan. Yhä tärkeämmäksi tulee tietää, mihin erilaisia tekoälyvälineitä voi käyttää ja mitkä ovat niiden rajoitukset. Välineiden käytettävyys tulee paranemaan, mikä entisestään korostaa näiden välineiden ymmärtämisen tärkeyttä. Tästä syystä perinteisten analyyttisten ja kriittisten ajattelun taitojen merkitys tulee entisestään kasvamaan. On kyettävä näkemään kielimallin tuottaman hyvin jäsennetyn ja kauniisti kirjoitetun tekstin läpi ja arvioida sen argumentaation vahvuutta. Yleisemmin tarvitaan kykyä kriittisesti arvioida ja käsitellä tietoväittämiä.

Erityisen tärkeäksi tulee nousemaan datalukutaito. Sen perustana on ymmärrys siitä, kuinka dataa kerätään, prosessoidaan, analysoidaan, tulkitaan ja esitetään. Tämän päälle rakentuu tieto, kuinka data voi toimia näyttönä ja kuinka tekoäly käyttää hyväkseen datasta löydettäviä tilastollisia säännönmukaisuuksia. On tärkeää oivaltaa, että datalukutaito ei rajoitu datan käytön teknisiin ja tiedollisiin ulottuvuuksiin. Yhtä lailla tärkeää on ymmärrys datan käyttöä ohjaavista lainsäädännöllisistä ja eettisistä periaatteista. Datan – ja tekoälyn – kestävä käyttö edellyttää näiden eri ulottuvuuksien kokonaisvaltaista jäsentämistä.

Datalukutaitoa voidaan ajatella sekä kaikkien jakamana kansalaistaitona että tiettyjen tehtävien edellyttäminä taitoina. Jälkimmäisessä merkityksessä voimme pohtia, millaista datalukutaitoa tietyssä asiantuntijatehtävässä edellytetään, olisi sitten kyseessä rekisteriä ylläpitävä viranomainen, yhteiskuntatieteilijä, valmisteleva virkamies tai poliittinen päättäjä. Datalukutaitoa tarvitsevat myös yritysjohtajat, terveydenhuollon ammattilaiset ja kunnalliset päättäjät. Datalukutaito on edellytys realistisille odotuksille tekoälyn mahdollisuuksista ja vaaroista.

Yhteiskunnallisesti kestävä tekoäly ei perustu vain tekoälykehittäjien asiantuntemukselle. Tarvitaan laaja-alaista ihmisen psykologiaa, organisaatioiden ja markkinoiden toimintaa, lainsäädäntöä ja politiikkaa koskevaa asiantuntemusta. Edessä on suuria yhteiskunnallisia muutoksia ja kokeiluja, joista monet perustuvat epärealistisiin odotuksiin tekoälyn kyvyistä. Onkin syytä varautua siihen, että monet lähitulevaisuudessa käyttöön otettavat tekoälyä hyödyntävät järjestelmät eivät toimi tarkoitetulla tavalla. Onkin tärkeää pitää silmällä mitkä ovat todellisia uhkia. Jotkut uskovat, että tekoälyn suurin uhka on, että ihmistä huomattavasti älykkäämmät koneet tulevat hallitsemaan elämäämme. Läheisempi uhkakuva on sellainen, jossa yhteiskuntamme on riippuvainen tekoälyjärjestelmistä, jotka käyttävät epämääräistä dataa, joiden kehittäjät eivät ymmärrä niiden käyttötarkoitusta ja joiden käyttäjät eivät ymmärrä niiden toimintaa. Eläisimme huonosti toimivien mutta vaikeasti korvattavien järjestelmien armoilla ilman aitoa demokraattista kontrollia. Tällaisen dystopian välttäminen olisi hieno asia.

Lähteet

Brooks, Rodney 2024 blog: PREDICTIONS SCORECARD, 2024 JANUARY 01 https://rodneybrooks.com/predictions-scorecard-2024-january-01/

Bossen, C., Pine, K. H., Cabitza, F., Ellingsen, G., & Piras, E. M. (2019). Data work in healthcare: An Introduction. Health Informatics Journal, 25(3), 465–474. https://doi.org/10.1177/1460458219864730

Brynjolfsson, E., Li, D., & Raymond, L. 2023.

Generative AI at Work (arXiv:2304.11771). arXiv. http://arxiv.org/abs/2304.11771

Crawford, Kate 2021: Atlas of AI: Power, Politics, and the Planetary Costs of Artificial Intelligence. Yale University Press.

Dell’Acqua, F., McFowland, E., Mollick, E. R., Lifshitz-Assaf, H., Kellogg, K., Rajendran, S., Krayer, L., Candelon, F., & Lakhani, K. R. 2023: Navigating the Jagged Technological Frontier: Field Experimental Evidence of the Effects of AI on Knowledge Worker Productivity and Quality. SSRN Electronic Journal. https://doi.org/10.2139/ssrn.4573321

Hand, David J. 2020: Dark Data. Why You Don’t Know Matters. Princeton University Press.

Levy, K., Chasalow, K. E., & Riley, S. (2021). Algorithms and Decision-Making in the Public Sector. Annual Review of Law and Social Science. https://doi.org/10.1146/annurev-lawsocsci-041221-023808

Rinta-Kahila, T., Penttinen, E., Salovaara, A., Soliman, W., & Ruissalo, J. (2023). The Vicious Circles of Skill Erosion: A Case Study of Cognitive Automation. Journal of the Association for Information Systems, 24(5), 1378–1412. https://doi.org/10.17705/1jais.00829

Rosenfeld, A., & Richardson, A. (2019). Explainability in human–agent systems. Autonomous Agents and Multi-Agent Systems, 33(6), 673–705. https://doi.org/10.1007/s10458-019-09408.

 

Artikkelin on kirjoittanut tieteen- ja teknologiantutkimuksen professori Helsingin yliopistossa Petri Ylikoski.

Artikkeli on viides osa Akava Worksin ”Näkökulmia tekoälyyn” -artikkelisarjassa.

Kuva: DALL-E -tekoälysovelluksen tuottama kuva artikkelin teemoista.

Lue artikkeli ohesta (pdf)

Tekoäly ja asiantuntijatyön muutos Akava Works -artikkeli 5_2024

Seksuaalisuuden ja sukupuolen moninaisuus työelämässä – katsaus 50 viime vuoden kehitykseen

Seksuaali- ja sukupuolivähemmistöjen kokemukset ja asema suomalaisessa työelämässä ovat muuttuneet ratkaisevalla tavalla 50 viime vuoden aikana. Lainsäädäntö on muuttunut vähemmistöjä syrjivästä niitä suojelevaksi. Seksuaalisuuden ja sukupuolen moninaisuudesta keskustellaan yhä enemmän ja aihe on tunnistettu oleelliseksi myös työelämän kehittämisen kannalta. Heteronormatiivisia käytäntöjä on alettu kyseenalaistaa yhä useammin. Huolimatta edistyksestä työelämässä on edelleen useita ongelmia tasa-arvon ja yhdenvertaisuuden toteutumisessa. Työntekijöiden moninaisuus nähdään Suomessa nykyisin voimavarana ja arvokkaana asiana. Tämä koskee aiempaa useammin myös seksuaalisuuden ja sukupuolen moninaisuutta.

Seksuaalisuuden moninaisuus sisältää ideana sen, että ihmisten seksuaalinen suuntautuminen voi olla monenlaista. Kaikki ihmiset ovat osa tätä moninaisuutta. Ihminen voi olla kiinnostunut seksuaalisesti tai romanttisesti esimerkiksi samaa, eri, samaa ja eri sukupuolta olevista tai ihmisistä sukupuolesta välittämättä tai olla tuntematta seksuaalista tai romanttista kiinnostusta ihmisiin. Ihmisen tavat määritellä itseään voivat olla moninaisia ja vaihdella elämänkaaren aikana. Tyypillisiä nykyajan käsitteitä itsemäärittelyssä ovat lesbo, homo, hetero, bi, panseksuaali ja aseksuaali (ks. Seta 2023). Näistä muut paitsi hetero on määritelty seksuaalivähemmistöihin kuuluvia kuvaavaksi termiksi.

Sukupuolen moninaisuus kuvaa sitä, että ihminen voi kokea sukupuolensa ja ilmaista sitä monin tavoin ja ihmisellä on kehossaan sukupuolitettuja synnynnäisiä fyysisiä piirteitä, jotka voivat olla moninaisia. Kaikki ihmiset ovat osa sukupuolen moninaisuutta. Ihminen voi määritellä sukupuoltaan monin tavoin: esimerkiksi olla mies, nainen, tyttö, poika, cissukupuolinen, transsukupuolinen, transvestiitti, muunsukupuolinen, sukupuoleton ja intersukupuolinen (ks. THL 2023). Näistä viisi viimeksi mainittua on sisällytetty sukupuolivähemmistöjen määritelmään. Cissukupuolisilla tarkoitetaan niitä, joiden sukupuolikokemus vastaa syntymähetken sukupuolimäärittelyä (esimerkiksi vauvana pojaksi määritelty kokee olevansa mies, häntä voi kuvata myös termillä cismies). Ihmisellä voi olla useampi sukupuolimäärittely saman aikaisesti (esimerkiksi transsukupuolinen intersukupuolinen nainen). Sukupuolivähemmistöihin kuuluvista osaa kokee olevansa naisia tai miehiä, mutta osa kokee, ettei naisen eikä miehen määrittely sovi heille. He jäävät kaksijakoisen sukupuoliajattelun ulkopuolelle.

Sekä sukupuolen että seksuaalisuuden moninaisuus ovat yhteiskunnallisia ja kulttuurisia keskustelutapoja. Niitä voi tarkastella historiallisina ja kulttuurisesti vaihtelevina ilmiöinä kuten sukupuolta ja seksuaalisuutta muutenkin. Historian eri aikoina ja eri maissa tai kulttuureissa on ollut erilaisia ymmärryksiä ja tapoja käsittää sukupuoli ja seksuaalisuus. Seksuaaliseen suuntautumiseen liitettiin erilaisia käsityksiä 50 vuotta sitten kuin nykyaikana ja eri kulttuurien kesken vaihtelee ymmärrys siitä, millainen on hyvä mies tai kunnollinen nainen tai kuinka monta sukupuolta on. Moninaisuutta lisää se, että sukupuolen ja seksuaalisuuden kanssa risteävät monet eron ulottuvuudet, kuten yhteiskuntaluokka, ikä, asuinalue, koulutustausta, etnisyys, kieli, uskonto, kykyisyys ja terveydentila (ks. Cho ym. 2013). Ne yhdessä vaikuttavat siihen, millaisia asemia ja mahdollisuuksia ihmisillä on työelämässä. Seksuaalivähemmistöihin ja sukupuolivähemmistöihin kuuluvat työntekijät eivät ole sisäisesti yhtenäisiä ihmisryhmiä, kuten eivät ole heteroseksuaaliset tai cissukupuoliset työntekijätkään, vaan kaikki eron ulottuvuudet vaikuttavat heidän kokemuksiinsa ja työmarkkina-asemiinsa.

Suomessa edelleen varsin vallitseva on sukupuoleen ja seksuaalisuuteen liittyvä ajattelutapa, jota voi kutsua heteronormatiivisuudeksi (Lehtonen 2002, Butler 1990). Siihen sisältyy ajatus, että on vain kahdenlaisia ihmisiä: 1) miehiä, jotka miehen ruumiinsa takia ovat maskuliinisia ja heteroseksuaalisia ja 2) naisia, jotka naisen ruumiinsa takia ovat feminiinisiä ja heteroseksuaalisia. Kyse ei ole vain olettamuksesta, vaan toiveesta ja normatiivisesta vaatimuksesta: näin pitääkin olla. Cisnormatiivisuudeksi voidaan kuvata sitä, että edellytetään miesruumiillisten kokevan itsensä mieheksi ja naisruumiillisten itsensä naiseksi. Sukupuolinormatiivisuus sisältää ajatuksen siitä, että miesten pitää toimia maskuliinisesti ja naisten feminiinisesti. Normatiivisella heteroseksuaalisuudella viitataan siihen, että kaikki ovat ja heidän pitäisi olla heteroseksuaalisesti suuntautuneita. Ajattelumalliin sisältyy naisen ja miehen käsittäminen toisilleen vastakkaisiksi ja erilaisiksi sekä mieheyden ja maskuliinisuuden arvottaminen naiseutta ja feminiinisyyttä arvokkaammaksi (sukupuolihierarkia). Heteronormatiivinen ajattelutapa saa ihmiset näkemään maailmansa vääristyneesti ja kapea-alaisesti. Se tekee vaikeaksi tunnistaa sukupuolen ja seksuaalisuuden moninaisuuden ja arvostaa normista eroavia ihmisiä. Se vaikeuttaa ihmisten mahdollisuuksia tehdä itselleen toimivia valintoja työelämässä sekä ura- ja koulutusvalinnoissa (Lehtonen & Mustola 2004). Heteronormatiivinen ajattelumalli on keskeinen selittävä tekijä vahvasti sukupuolijakautuneille työmarkkinoille.

 

Artikkeli (pdf) kokonaisuudessaan on luettavissa alla.

Tekijä: Jukka Lehtonen on kasvatussosiologian dosentti ja vanhempi tutkija sukupuolentutkimuksen oppiaineessa Helsingin yliopistossa. Hän on tehnyt lähes 30 vuotta tutkimusta seksuaalisuuden ja sukupuolen moninaisuudesta etenkin koulutuksen ja työelämän konteksteissa. Hän työskentelee Suomen Akatemian rahoittamassa kansainvälisessä tutkimushankkeessa ”En route to recovery: Diversity and vulnerability in care work during and after the Covid-19 pandemic” (ER2R)

 

Katso videotallenne Akava Worksin Yhdenvertainen työelämä -verkkolähetyksestä. Lähetyksessä myös Jukka Lehtonen esittelee selvityksensä keskeisiä tuloksia.

Ohessa artikkeli pdf-tiedostona

Seksuaalisuuden ja sukupuolen moninaisuus työelämässä – katsaus 50 viime vuoden kehitykseen

 

Työterveyshuollon merkitys lyhytaikaisen työkyvyttömyyden ehkäisijänä – Kelan näkökulma

Artikkelissa tarkastellaan työterveyshuollon asemaa lyhytaikaisen työkyvyttömyyden ehkäisijänä Kelan näkökulmasta. Artikkeli nostaa esiin työkyvyttömyyden kustannukset ja pohtii suomalaisen työelämän piirteitä työterveyden ja työkyvyn kannalta sekä tuo tietoa sairauspäivärahojen käytöstä, jakaumasta ammattiaseman ja sukupuolen mukaan sekä näiden kehityksestä. Artikkelissa pohditaan myös työterveyshuollon merkitystä ja sen korvaustason muutosten vaikutusta.

Sairauspäivärahoja saaneiden henkilöiden määrä on vähentynyt, mutta kustannukset ovat kasvaneet 50 vuodessa nelinkertaiseksi, 800 miljoonaan euroon. Työterveyshuollon keskimääräinen kustannus työntekijää kohti on kasvanut 1970-luvun alle 50 eurosta nykypäivän lähes 200 euroon.

Työkyvyttömyyden kustannuksiin voidaan vaikuttaa.

Työkyvyn hallintamalli ja siihen sidottu korkeampi korvausprosentti ei pelkästään kannusta työnantajia yhteistyöhön ja lisäämään ennaltaehkäisevää toimintaa, vaan tarvitaan myös sairaanhoitoa tukemaan työterveysyhteistyötä. Kelan työterveyshuollon korvausjärjestelmällä on tärkeä merkitys työkyvyn ja työkyvyttömyyden ehkäisyssä. Vaikuttavuuteen perustuvan ja kannustavan korvausjärjestelmän kehittäminen sekä työ- että opiskeluterveydenhuoltoon saattaisi tuoda kustannussäästöjä ja auttaisi suuntaamaan resursseja työkyvyttömyyden ehkäisyyn.

Kirjoittaja

Riitta Luoto työskentelee ryhmäpäällikkönä Kelan tutkimusyksikössä. Hän on ylilääkäri, LT, dosentti, terveydenhuollon ja työterveyshuollon erikoislääkäri. Hänellä on eMBA-tutkinto sekä terveydenhuollon tietotekniikan ja vakuutuslääketieteen erityispätevyys.

Artikkeli on käytettävissä ohessa pdf-tiedostona

Työterveyshuollon merkitys lyhytaikaisen työkyvyttömyyden ehkäisijänä Kelan näkökulma

Tulevaisuuden työelämä lukiolaisten silmin

Lukiolaisbarometrin alustavien tulosten mukaan lukiolaiset korostavat vastauksissaan vuorovaikutusaitoja, ihmisläheisyyttä ja oikeanlaisen osaamisen merkitystä. Nämä korostuivat esimerkiksi koulutusalavalinnoissa sekä työelämän merkitykseen tai menestymiseen liittyvissä kysymyksissä. Myös matkustaminen ulkomailla nähtiin tärkeänä.

Vaikka lukiolaiset osoittivat kiinnostusta matkustamiseen, he vastasivat suhteellisen maltillisesti Suomen EU-jäsenyyttä ja maahanmuuttoa koskeviin kysymyksiin. Digitaalisuus on vahvasti osa nuorten elämää sekä arjessa että opiskelumaailmassa. Lukiolaiset käyttävät digitaalisia työympäristöjä ja laitteita pääosin työvälineenä uuden tiedon hankkimiseen ja sosiaalisten suhteiden ylläpitämiseen. Medialukutaito nousi yhdeksi tulevaisuuden työelämän keskeisistä teemoista.

Tulevaisuuden työelämä lukiolaisen silmin Akava Works -artikkeli 13/2019

Korkeakoulutettujen nuorten kokemuksia syrjinnästä työelämässä

Akava Works on selvittänyt nuorten aikuisten kokemuksia seksuaalisesta häirinnästä ja syrjinnästä työelämässä. Korkeakoulutetuista 18–35–vuotiaista vastaajista 8 prosenttia kertoo kokeneensa työyhteisössään tai työpaikallaan häirintää edellisen vuoden aikana.

Erot naisten ja miesten välillä nuorten vastaajien ryhmässä ovat melko pienet. Alle 35-vuotiaista naisista miltei 9 prosenttia, miehistä 6 prosenttia kertoo joutuneensa seksuaalisen häirinnän kohteeksi viimeksi kuluneen vuoden aikana.

Yleisimmiksi syrjinnän perusteiksi nousevat aineistossa ikä, mielipiteet ja sukupuoli.

Selvitys kertoo, että suurin osa nuorista korkeakoulutetuista pitää eriarvoisuuden vähenemistä ja sukupuolten välisen tasa-arvon paranemista tavoiteltavina kehityssuuntina suomalaisessa yhteiskunnassa

Lue artikkeli (pdf):

Korkeakoulutettujen_nuorten_kokemuksia_syrjinnasta_tyoelamassa_Artikkeli_82018(1)