Kestävämpiä digitalisia ratkaisuja verkostoitumiseen ja yhteistyökumppanien valintaan?

Rajapinta.co:n kuukausitapaaminen Tampereella 29.9. vahvisti heikkoja siteitä paikallisiin tutkijoihin. Poimintana tapaamisesta, seuraavassa tiivistelmä järjestäjien tutkimusagendasta, joka paitsi sijoittuu teknologian ja yhteiskunnan rajapintaan myös demonstroi usean tieteenalan mielenkiintoista yhteistyötä. Agenda liittyy Thomas Olssonin (ihminen-teknologia vuorovaikutus), Jukka Huhtamäen (verkostoanalytiikka ja datatiede) ja Hannu Kärkkäisen (tietotyö ja arvonluonti) COBWEB-akatemiahankkeeseen sekä Big Match Tekes-hankkeeseen.

Ihmisten v√§list√§ sosiaalista sovittamista (engl. social matching tai matchmaking) tapahtuu ty√∂el√§m√§ss√§ mm. rekrytointiprosesseissa, tiimien muodostamisessa ja verkostoitumisessa. Sopivan henkil√∂n, yhteisty√∂kumppanin tai tiimin tunnistaminen ja valinta viev√§t paljon aikaa ja intuitiiviset “m√§ts√§√§misen” k√§yt√§nn√∂t ovat alttiita inhimillisille vinoumille. Esim. verkostointitapahtumissa on yleist√§, ett√§ samankaltaiset ihmiset vet√§v√§t puoleensa toisiaan; t√§llainen homofilia on kuitenkin tietoty√∂n tuottavuudelle vahingollista. Uskomme, ett√§ rohkaisemalla ihmisi√§ kohtaamaan erilaisista taustoista tulevia, eri yhteis√∂jen j√§seni√§ voidaan edist√§√§ tietoty√∂ss√§ olennaista ideoiden ristiinp√∂lyttymist√§ ja monin√§k√∂kulmaista, verkottunutta arvonluontia.

Tavoitteenamme on suunnitella ja toteuttaa sosiaaliseen massadataan, verkostoanalytiikkaan ja koneoppimiseen perustuvaa tietoteknologiaa, joka mahdollistaa digitaalisia tapoja sovittaa, ryhm√§ytt√§√§ ja t√∂rm√§ytt√§√§ ihmisi√§ ty√∂el√§m√§ss√§. “Ty√∂el√§m√§n Tinder” on mainio vertauskuva, mutta parinvalinnan periaatteet ovat ty√∂el√§m√§ss√§ aivan erilaiset kuin yksityisel√§m√§ss√§. Tutkimuksemme perusl√§ht√∂kohta on, ett√§ datapohjaisilla tavoilla voidaan tunnistaa otollisia, toisiaan sopivasti t√§ydent√§vi√§ osaajakombinaatioita ja siten tuottaa positiivista sosiaalista serendipiteetti√§. Tavoite voisi konkretisoitua esim. diversiteetti√§ lis√§√§vin√§ henkil√∂suositteluj√§rjestelmin√§ (diversity-enhancing people recommender systems) tai uudenlaisina yhteisty√∂kumppaneiden haku- tai selausj√§rjestelmin√§.

Sosiaalinen massadata eli “Big Social Data” (esim. sosiaalisen median sis√§ll√∂t ja profiilit, portfoliot, verkostot) voivat rikastaa palvelujen kautta syntyv√§√§ kuvaa kustakin k√§ytt√§j√§st√§. Nykyiset profiilit esim. ty√∂nhaussa ovat yleens√§ k√§ytt√§j√§n itse laatimia ja siksi kovin staattisia ja sis√§ll√∂lt√§√§n rajoittuneita. Esim. twiitit voivat kertoa paljon henkil√∂n t√§m√§n hetken kiinnostuksen kohteista ja tulevaisuuden visioista, kun taas esim. verkossa olevat ammatilliset julkaisut ja esitykset voivat kertoa henkil√∂n yksityiskohtaisesta osaamisesta. Tunnistamalla relevantteja yhteisi√§ teemoja ja komplementaarisia osaamisia esim. tapahtuman osallistujien v√§lill√§ voidaan automaattisesti tunnistaa potentiaalisia pareja, joiden kannattaisi keskustella lis√§√§. Sosiaalisten verkostojen analyysill√§ voidaan paitsi arvioida henkil√∂iden keskin√§ist√§ suhdetta ja verkoston kokonaisrakennetta my√∂s tunnistaa yhteisi√§ kontakteja ja ns. heikkoja siteit√§ (weak ties).

Tarkoituksenamme on lisäksi tarjota positiivinen skenaario sosiaalisen median datan käytölle ja digitalisaatiolle yleensä. Ehkäpä tällaisten kaikkia hyödyttävien palvelujen kehittäminen hälventää ihmisten yksityisyydensuojan menettämisen pelkoa sekä motivoi yrityksiä avaamaan data-aineistojaan laajemmin hyödynnettäviksi?

Uusien palveluiden ideointi ja utopististen tulevaisuuskuvien maalailu on kuitenkin huomattavasti helpompaa kuin niiden toteuttaminen. Data-keskeisi√§ haasteita ovat mm. sopivan datan saatavuus eri palvelujen ja palveluntarjoajien siiloista, datan ker√§√§misen ja analysoinnin yksityisyyteen liittyv√§t ja muut eettiset haasteet sek√§ massadatan kehittym√§tt√∂m√§t analyysi- ja visualisointimenetelm√§t. Sovittamisen sosiaalipsykologiset haasteet ovat jopa viel√§ monimutkaisempia: “sopivan” henkil√∂n tai organisaation tunnistaminen vaatii ymm√§rryst√§ mm. sovitettavien tahojen mahdollisista yhteisty√∂tarpeista, ja jokaisella sovittamistilanteella on uniikki tavoite ja erityispiirteit√§, jotka pit√§isi ottaa huomioon j√§rjestelm√§n p√§√§t√∂ksenteossa. Digitaalisten sis√§lt√∂jen suositteluj√§rjestelmist√§ tuttuja menetelmi√§ (esim. social filtering) ei siis voida suoraan hy√∂dynt√§√§.

Kokonaisuuteen vaikuttavat myös käyttäjäkokemukselliset erityispiirteet: miten saada käyttäjä luottamaan teknologian tekemiin päätelmiin ja suosituksiin henkilöistä? Miten saada ihmiset delegoimaan osan päätäntävallastaan ja toimijuudestaan teknologialle, varsinkin näin perustavanlaatuisen inhimillisellä sovellusalueella? Miten sinä kokisit sen, että kännykkäsi yhtäkkiä piippaa kertoakseen, että joku tuntematon, mutta algoritmin mielestä todella relevantti tyyppi on tulossa samaan tapahtumaan ja että teidän kannattaisi tavata?