Ohjaamaton koneoppiminen ja tekstintulkinnan objektiivisuus

(cc) pstiegele @Pixabay

Ohjaamattomat koneoppimismenetelmät ovat viime vuosina saaneet paljon suosiota yhteiskuntatieteellisessä tekstianalyysissa. Aineistoa automaattisesti jäsentelevän ohjaamattoman mallinnuksen ajatellaan voivan tehdä tekstintulkinnasta objektiivisempaa. Tulkinnallisen tekstianalyysin kontekstissa objektiivisuutta ei kuitenkaan tulisi samaistaa ajatukseen mekaanisesta laskennasta, joka eliminoi subjektiivisen tulkinnan analyysiprosessin jostakin vaiheesta. Pikemminkin ohjaamaton oppiminen voi auttaa tekemään tulkinnallisista prosesseista läpinäkyvämpiä ja mahdollistaa tulkintojen pohjaamisen aiempaa kattavammalle informaatiolle.

Koneoppimismenetelmien on viime vuosina esitetty tarjoavan ratkaisun joihinkin yhteiskuntatieteellistä tekstintulkintaa pitkään vaivanneisiin ongelmiin. Etenkin ohjaamattoman koneoppimisen ajatellaan mahdollistavan uudenlaisen lähestymistavan tekstintulkintaan: sellaisen, jossa tutkija ensin mallintaa laskennallisesti aineiston piirteitä – kuten teksteissä esiintyviä sanoja – ja vasta mallintamisen jälkeen aloittaa varsinaisen tulkinnallisen työn. Näin ohjaamaton oppiminen toisi analyysiprosessiin uuden, mekaaniseen laskentaan perustuvan vaiheen, joka myöhästyttää tekstien subjektiivista tulkintaa. Kuten John Mohr ja Petko Bogdanov esittävät, 

One counts, and then one begins to interpret. In this sense, what topic models and other types of automated text analysis tools do for cultural researchers is to shift the locus of subjectivity within the methodological program — interpretation is still required, but from the perspective of the actual modeling of the data, the more subjective moment of the procedure has been shifted over to the post-modeling phase of the analysis.

(Mohr & Bogdanov 2013, p. 560.)

Ohjaamatonta laskentaa koskevan kiinnostuksen taustalla on pitkäaikainen huoli tekstintulkinnan objektiivisuudesta. Yhteiskuntatieteilijät ovat perinteisesti suhtautuneet epäilevästi hermeneuttiseen lähiluentaan nojaaviin humanistisiin tulkintakäytäntöihin. Esimerkiksi kulttuurisosiologi Jeffrey Alexander ja muut (2012, p. 21) huomauttavat, että tekstien syvälliseen lähiluentaan pohjaavia analyysiprosesseja ei kyetä riittävän systemaatisesti selittämään muille tutkijoille, eikä tehtyjen tulkintojen edustavuutta tai empiiristä tukea siksi voida arvioida. Toisaalta tekstien kirjoituskontekstille ja merkitysnyansseille herkän hermeneuttisen luennan on esitetty olevan välttämätöntä sosiaalisten ilmiöiden ymmärtämiseksi (esim. Rabinow & Sullivan 1979). Ohjaamattomiin koneoppimismenetelmiin kohdistuva toive onkin, että aineiston mallintaminen mahdollistaisi tulkintaprosessin aiempaa systemaattisemman arvioinnin, varsinaista tulkitsevaa luentaprosessia rajoittamatta. Tällä perusteella ohjaamattoman mallinnuksen on esitetty olevan esimerkiksi aikaisempia, tekstien systemaattiseen koodaamiseen perustuvia menetelmiä parempi lähestymistapa tulkinnallisen tekstianalyysin systematisoimiseen (Lee & Martin 2015; ks. myös Biernacki 2012 ja 2014).

Mutta miten ohjaamattomia menetelmiä oikeastaan käytetään tukemaan tekstintulkintaa yhteiskuntatieteissä, ja missä mielessä niiden voi sanoa tekevän tulkinnasta objektiivisempaa? Näitä kysymyksiä tarkastelimme Petri Ylikosken kanssa syyskuussa 2020 Synthese-lehdessä julkaistussa artikkelissamme Humanistic interpretation and machine learning. Artikkelissa erittelimme yhteiskuntatieteilijöiden tapoja käyttää aihemallinnusta tekstintulkinnassa ja argumentoimme, että ohjaamattoman oppimisen objektiivisuutta ei tulisi samaistaa ideaan mekaanisesta laskentaprosessista, joka edeltää tutkijan tulkinnallista aineistoon perehtymistä. Pikemminkin mallintaminen voi auttaa tutkijoita tekemään tulkintaprosesseista läpinäkyvämpiä ja pohjaamaan analyysinsa aiempaa laajemmille aineistoille. Siksi ohjaamattoman oppimisen objektiivisuushyötyjenkin tulisi ajatella liittyvän tutkijoiden parantuneisiin mahdollisuuksiin vakuuttaa toisensa tekemiensä tulkintojen oikeellisuudesta. Tämän kaltainen objektiivisuus on kriittisen tulkinnallisen keskustelun piirre, eikä palaudu suoraan laskennallisen mallinnusprosessin ominaisuuksiin.

Tässä blogikirjoituksessa esitän lyhyen tiivistyksen artikkelimme keskeisestä argumentista, käyttäen esimerkkinä aihemallinnusta.

Ohjaamattoman mallintamisen evidentiaalinen rooli

Tekstiaineistoja mallintavat yhteiskuntatieteilijät pyrkivät tuottamaan tekstien sisällöstä ja rakenteesta tietoa, joka voisi auttaa heitä vastaamaan yhteiskuntatieteellisesti kiinnostaviin kysymyksiin. Siksi keskeinen haaste laskennallisessa tekstianalyysissa on artikuloida, miten mallintamalla tuotetut tulokset suhteutuvat kiinnostuksen kohteena oleviin merkitysilmiöihin. Aihemallinnus tuottaa tuloksenaan tietoa aineistossa suurella todennäköisyydellä yhdessä esiintyvistä sanoista, sekä näiden sanajoukkojen jakautumisesta aineiston eri osiin (Blei 2012). Miten näiden tulosten tulisi ajatella liittyvän yhteiskuntatieteilijöitä kiinnostaviin merkitysilmiöihin, kuten keskusteluaiheiden kehystyksiin ja poliittisiin agendoihin, tai niiden taustalla vaikuttaviin diskursseihin ja valtarakenteisiin?

Aihemallinnusta käyttävät yhteiskuntatieteilijät ovat omaksuneet kahdenlaisia asenteita suhteessa tähän ongelmaan. Kutsumme niitä artikkelissamme aiherealistiseksi ja aiheinstrumentalistiseksi asenteeksi. Aiherealistisessa asenteessa aihemallinnusprosessin ajatellaan operationalisoivan jonkin kiinnostuksen kohteena olevan teoreettisen käsitteen ja tuottavan evidenssiä sen esiintymisestä aineistossa. Esimerkiksi DiMaggio ja muut (2013, p. 593) suhtautuvat aihemallinnuksen tuloksiin realistisesti esittäessään, että mallinnuksen tuottamia aiheita voi käyttää mittaamaan viestinnän tutkimuksessa kiinnostuksen kohteena olevia aiheiden kehystyksiä. Aiheinstrumentalismissa puolestaan mallinnustulosten ei ajatella vastaavan mitään yhteiskuntatieteellisesti kiinnostavaa teoreettista konstruktiota. Korkeintaan mallinnuksen tuottamien sanalistojen ajatellaan tarjoavan aineistosta informaatiota, joka voi olla hyödyllistä aineiston tulkitsevan luennan kannalta. Esimerkiksi Törnberg ja Törnberg (2016) omaksuvat tämän asenteen käyttäessään aihemallinnusta tunnistamaan suuresta keskustelufoorumiaineistosta feminismiä ja islaminuskoa käsitteleviä osioita, joita he sitten käyttävät aineistona myöhemmässä diskurssianalyysissa.

Sekä aiherealismissa että aiheinstrumentalismissa mallintaminen voidaan mieltää mekaaniseksi prosessiksi, joka edeltää varsinaista tekstien tulkintaa. Asenteiden välinen keskeinen ero koskee pikemminkin rooleja, jotka niissä annetaan formaalille mallintamiselle ja tulkitsevalle luennalle. Siinä missä aiherealisti pitää mallinnusta teoreettisesti kiinnostavaa evidenssiä tuottavana prosessina, aiheinstrumentalismissa pääpaino on tekstien tulkitsevalla luennalla, jota formaali mallintaminen jäsentää.

Tästä eroavaisuudesta huolimatta kummassakaan asenteessa mallintamisen ei kuitenkaan ajatella tuottavan evidenssiä irrallaan aineiston tulkitsevasta luennasta. Aiheinstrumentalismin tapauksessa tämä on jokseenkin selvää, sillä analyysin pääpaino on tulkitsevalla luennalla. Mutta myös aiherealistisen mallintajan on kyettävä varmistamaan, että mallinnustulokset todella liittyvät kiinnostuksen kohteena olevaan ilmiöön. Tekstiaineistojen mallintaminen ei ole suoraviivainen prosessi, eivätkä mallintajat voi lähtökohtaisesti olla varmoja siitä, että heidän valitsemansa ohjaamaton menetelmä ja asetetut mallinnusparametrit todella vastaavat tarkoitettua teoreettista konstruktiota. Tämän vuoksi yhteiskuntatieteellisessä aihemallinnuskirjallisuudessa painotetaankin, että mallinnustulokset on aina validoitava, ennen kuin niitä voidaan käyttää teoreettisesti relevanttina evidenssinä (esim. DiMaggio et al. 2013; Grimmer & Stewart 2013; Nelson 2017). Tulosten validaatio voi tapahtua esimerkiksi lukemalla mallintamalla tunnistettuihin aiheisiin liittyviä tekstejä ja tarkistamalla, että ne todella kertovat jotain tarkoitetusta ilmiöstä. Vaihtoehtoisesti aiheiden esiintymistä aineistossa voidaan tarkastella suhteessa aineiston ulkopuolisiin tapahtumiin, joiden voidaan perustellusti odottaa vaikuttaneen aiheiden jakaumiin. Tarkasta lähestymistavasta huolimatta validaatiossa keskeistä on, että mallinnustuloksia arvioivalla tutkijalla on mallinnetusta aineistosta riittävän perusteellinen tulkinnallinen ymmärrys, jota vasten tuloksia voidaan arvioida (ks. esim. DiMaggio ja muut 2013, p. 603; Mohr & Bogdanov 2013, p. 560).

Validaation edellyttämästä aineiston taustaymmärryksestä johtuen aiherealistisella mallintamisellakaan ei voi ajatella olevan vahvaa evidentiaalista roolia tulkinnallisessa analyysissa. Eri taustoista ja teoreettisista lähtökohdista tulevat tutkijat voivat samojen mallinnustulosten pohjalta muodostaa hyvinkin erilaisia tulkintoja aineistosta, ja näin ollen tulosten tulkintaa koskevissa kiistoissa joudutaan lopulta tarkastelemaan tutkijoiden tulkinnallista ymmärrystä aineistosta. Mekaaninen mallinnus ei itsessään voi tuottaa evidenssiä tulkinnallisten kysymysten ratkaisemiseksi, vaan pikemminkin tarjoaa välineen, jonka avulla tulkinnallista keskustelua voidaan mahdollisesti jäsentää ja tukea. Näin ollen myös ohjaamattoman mallinnuksen objektiivisuudenkin tulisi ajatella liittyvän tähän mallinnuksen kriittistä keskustelua tukevaan rooliin, pikemmin kuin tulkinnan myöhästyttämiseen analyysissa.

Tulkinnallisen prosessin skaalautuvuus ja läpinäkyvyys

Miten ohjaamaton mallinnus sitten voi tukea tulkinnallista keskustelua? Artikkelissamme käsittelemme kahta erilaista tapaa, jotka pätevät sekä aiherealismille että aiheinstrumentalismille.

Ensinnäkin koneoppimismenetelmät voivat mahdollistaa suurten ja monipuolisten aineistojen analyysin entistä laajemmalle joukolle tutkijoita. Perinteinen lähiluentaan pohjaava tulkinnallinen analyysi on tyypillisesti rajoittunut käyttämään vain suhteellisen pieniä aineistoja (ks. Williams 2000). Laajojen aineistojen hermeneuttiseen luentaan ovat kyenneet lähinnä yksittäiset virtuoositutkijat, joiden tutkimusprosesseja muiden on hankala arvioida (Lee & Martin 2015). Ohjaamattomien menetelmien avulla tutkijat voivat tuottaa suuristakin aineistosta kokonaiskuvan nopeasti ja sitoutumatta johonkin ennalta päätettyyn aineiston lukemisprosessiin, jonka vaikutusta tehtyihin tulkintoihin ei tunneta. Tutkijat voivat käyttää mallia tunnistamaan aineistosta heidän teoreettisen kiinnostuksensa kannalta relevanteimpia osia ja keskittää aineiston luentansa niihin. Lisäksi mallinnus voi auttaa tunnistamaan tekstien piirteitä tai rakennetta koskevaa informaatiota, jota lähiluennalla olisi vaikea tai mahdoton tunnistaa (esim. suuren mittakaavan toistuvuudet sanojen käytössä). Väitteet tulkinnan myöhästyttämisestä tulisikin ymmärtää juuri tässä mielessä. Ohjaamaton mallinnusprosessi voi tuottaa tutkijoille tulkintaa edeltävää informaatiota koskien aineiston piirteitä ja rakennetta, mutta tämän informaation käyttö evidenssinä on aina sidonnaista tutkijan tulkinnalliseen ymmärrykseen.

Näiden skaalautuvuushyötyjen kohdalla on kuitenkin huomattava, että aiherealistisen mallinnuksen edellyttämä taustaymmärrys aineistosta asettaa rajoituksia myös mallinnuksen tukeman tulkinnan skaalautuvuudelle. Suurta ja huonosti ymmärrettyä aineistoa mallintaessaan tutkijoiden voi olla vaikea validoida mallinnustuloksiaan, sillä mitattujen konstruktien käyttäytymisestä on vaikea tehdä perusteltuja oletuksia. Tämä ei suoraan tarkoita, että mallinnustulosten validaatio on mahdotonta huonosti tunnettujen aineistojen tapauksessa. Pikemminkin on todennäköistä, että tutkijat joutuvat nojaamaan valitun mallinnusmenetelmänsä lisäksi nojaamaan muihin laskennallisiin apukeinoihin, kuten instrumentalistiseen mallinnukseen, joiden avulla aineistosta muodostetaan riittävä ymmärrys (ks. esim. Nelson 2017).

Skaalautuvuushyötyjen lisäksi mallinnus voi tehdä tulkintaprosessista läpinäkyvämmän ja helpomman selittää muille tutkijoille. Mallintaessaan aineistoa tutkijoiden on tehtävä eksplisiittisiä valintoja koskien mallinnusparametreja, kuten esimerkiksi aiheiden määrää ja aihejakaumien muotoa aihemallinnuksessa. Nämä valinnat voidaan kommunikoida tarkasti muille tutkijoille, jotka voivat halutessaan toistaa täsmälleen jonkin tutkimuksen taustalla olevat mallinnusaskeleet ja muodostaa tuloksista omat, mahdollisesti eriävät tulkintansa. Perinteisessä tulkinnallisessa analyysissa aineiston lukemisessa tehtyjen valintojen avaaminen muille tutkijoille on tyypillisesti vaikeaa, ja näin ollen mallintaminen voi helpottaa tulkintojen vertailua ja kritiikkiä. Esimerkiksi mahdollisten eriävien tulkintojen määrää voidaan kartoittaa helpommin, antamalla usean tutkijan tehdä itsenäisesti tulkintoja samoista mallinnustuloksista (Maier et al. 2018). Joissakin tutkimuksissa on jopa joukkoistettu tulkintaprosessi eriävien tulkintojen kartoittamiseksi (Stier et al. 2017). Vastaavan asetelman toteuttaminen suurten tekstiaineistojen hermeneuttisessa tulkinnassa olisi vähintäänkin haastavaa. Lisäksi mallinnustulosten tarjoama kokonaiskuva aineistosta auttaa tutkijoita perustelemaan, miten he valitsivat lukemansa aineistosta lukemansa esimerkkitekstit. Tämä lieventää epäilyksiä siitä, että tulkinnat ovat seurausta arbitraarisesta lukemisjärjestyksestä tai “kirsikoiden poimimisesta” esimerkkiteksteiksi (ks. Baker & Levon 2015; Törnberg & Törnberg 2016). Tekstien otantaprosessin systematisoiminen on toki ollut aikaisemminkin mahdollista. Mutta laskennallinen mallintaminen mahdollistaa eri analyysipolkujen nopean ja systemaattisen kokeilun ja tehtyjen valintojen täsmällisen kommunikoimisen tavalla, joka aikaisemmissa menetelmissä on ollut haastavaa (esimerkiksi koodaamiseen pohjaavien analyysien toistaminen on osoittautunut vaikeaksi; ks. Biernacki 2012).

On tärkeää huomata, että nämä ohjaamattoman oppimisen tuomat läpinäkyvyyshyödyt edellyttävät tulkitsijoilta tietynasteista teknistä ymmärrystä mallinnusprosessista ja siihen sisältyvistä valinnoista. Esimerkiksi aihemallinnuksen tapauksessa on tärkeää ymmärtää, miten aihemäärän valinta sekä muut mallinnusparametrit ja aineiston esikäsittelyvaiheet vaikuttavat tuloksiin. Opaakkien ohjaamattomien menetelmien käyttö ei tue tulkinnallisen keskustelun arvioitavuutta. Toinen mallinnuksen tuoman läpinäkyvyyden ennakkoehto on, että tutkijat dokumentoivat analyysiprosessinsa riittävän eksplisiittisesti, ja että muilla tutkijoilla on pääsy heidän mallintamiinsa aineistoihin ja käyttämiinsä työkaluihin. Läpinäkyvyys ei ole laskennallisen mallinnuksen sisäsyntyinen ominaisuus, vaan se nojaa koko tulkinnallisessa prosessissa omaksuttuihin käytäntöihin.

Objektiivisuus tulkinnallisen keskustelun piirteenä

Jos ohjaamattomien menetelmien tekstintulkinnalle tuomat hyödyt liittyvät pääasiassa tulkintaprosessien skaalautuvuuteen ja läpinäkyvyyteen, ei niiden tuomaa objektiivisuuttakaan tulisi yhdistää ajatukseen tulkintaa edeltävästä mekaanisesta mallinnusprosessista. Artikkelissamme esitämmekin, että tällainen mekaanisen objektiivisuuden (Daston & Galison 1992) ideaali johtaa tekstintulkintaa koskevissa keskusteluissa helposti hedelmättömään vastakkainasetteluun tekstien merkityksen syvällisen ymmärtämisen ja formaalien mallinnusmenetelmien välillä. Ohjaamattomien menetelmien objektiivisuus tulisi pikemminkin ymmärtää parantuneiksi mahdollisuuksiksi käydä tulkintoja koskevaa kriittistä keskustelua. Tieteenfilosofit ovat kutsuneet tällaista objektiivisuuden muotoa interaktiiviseksi objektiivisuudeksi (Douglas 2004; Longino 1990), jonka keskeisiä edellytyksiä ovat analyysiprosessien läpinäkyvyys ja avoimuus kritiikille. 

Ohjaamattomien menetelmien voi ajatella parantavan tulkinnallisen tekstianalyysin interaktiivista objektiivisuutta tarjoamalla tutkijoille välineitä vakuuttaa toisensa tulkintojensa oikeellisuudesta. Mallintamalla tutkijat voivat osoittaa toisilleen, että heidän tulkintansa voidaan perustella vedoten analysoituun tekstiaineistoon, ja että tulkinnat eivät ole tulosta ja epäselvistä analyysiprosesseista tai idiosynkraattisista lähtökohdista. Tulkinnallisen tutkimuksen objektiivisuudesta keskusteltaessa ei ole rakentavaa kysyä, voiko mallinnus eliminoida tulkintaa joistakin analyysiprosessin vaiheista. Kiinnostavampaa on selvittää, auttaako mallintaminen tutkijoita hyödyntämään tekstiaineistoihin sisältyvää informaatiota ja arvioimaan kriittisesti toistensa tulkintoja. 

Viitteet

Alexander, J., Jacobs, R., & Smith, P. (2012). Introduction: Cultural sociology today. J. Alexander & P. Smith (Eds.), The Oxford handbook of cultural sociology (3–24). Oxford: Oxford University Press.

Baker, P., & Levon, E. (2015). Picking the right cherries? A comparison of corpus-based and qualitative analyses of news articles about masculinity. Discourse & Communication, 9(2), 221–236.

Biernacki, R. (2012). Reinventing evidence in social inquiry. London: Palgrave MacMillan.

Biernacki, R. (2014). Humanist interpretation versus coding text samples. Qualitative Sociology, 37, 173–188.

Blei, D. (2012). Probabilistic topic models. Communications of the ACM, 55(4), 77–84.

Daston, L., & Galison, P. (1992). The image of objectivity. Representations, 40, 81–128.

DiMaggio, P., Nag, M., & Blei, D. (2013). Exploiting affinities between topic modeling and the sociological perspective on culture: Application to newspaper coverage of U.S. government arts funding. Poetics, 41(6), 570–606.

Douglas, H. (2004). The irreducible complexity of objectivity. Synthese, 138, 453–473.

Grimmer, J., & Stewart, B. (2013). Text as data: The promise and pitfalls of automatic content analysis methods for political texts. Political Analysis, 21(3), 267–297.

Lee, M., & Martin, J. L. (2015). Coding, counting and cultural cartography. American Journal of Cultural Sociology, 3(1), 1–33.

Longino, H. (1990). Science as social knowledge. Princeton: Princeton University Press.

Maier, D., Waldherr, A., Mitner, P., Wiedemann, G., Niekler, A., Keinert, A., et al. (2018). Applying LDA topic modeling in communication research: Toward a valid and reliable methodology. Communication Methods and Measures, 12(2–3), 93–118.

Mohr, J., & Bogdanov, P. (2013). Introduction—Topic models: What they are and why they matter. Poetics, 41(6), 545–569.

Nelson, L. (2017). Computational grounded theory: A methodological framework. Sociological Methods & Research. https://doi.org/10.1177/0049124117729703 

Rabinow, P., & Sullivan, W. (1979). Interpretive social science: A reader. Berkeley: University of California Press.

Stier, S., Posch, L., Bleier, A., & Strohmaier, M. (2017). When populists become popular: Comparing Facebook use by the right-wing movement Pegida and German political parties. Information, Communication & Society, 20(9), 1365–1388.

Törnberg, A., & Törnberg, P. (2016). Combining CDA and topic modeling: Analyzing discursive connections between Islamophobia and anti-feminism on an online forum. Discourse & Society, 27(4), 401–422.

Williams, M. (2000). Interpretivism and generalisation. Sociology, 34(2), 209–224.

Lectio Praecursoria: Exploring affective discipline of a crisis

Let me begin with an anecdote I believe most of us have become way too familiar with during this year. Imagine a press conference, held by the local authorities and politicians: participants are wearing face masks and are clothed in somber tones, standing two meters apart of each other. The message of the press conference is repeated, weekly, in the speakers’ tone of voice, their body language, and the words they utter: this is serious, this is a situation that requires restrained behaviour from all parties. Remain calm, follow the guidelines.

However, not all agree on this message. While here in Finland those who openly question and actively act to undermine the efforts of scientists and public health authorities remain in relative minority, there are places where the head of the state urges people to openly resist calls for restraint. While this is a contest over facts and interpretations of those facts, this is also a contest over emotion. And this contest is our topic today.

While my examples are of a larger scale, similar contestations take place between friends and acquaintances, relatives and colleagues, across what is called a hybrid media environment. While feelings of crowds and individuals alike have intrigued scholars for hundreds of years, what sets our times apart from the days of Spinoza, Descartes, Le Bon, and many others, is that the emotions and feelings are extended to and circulated, accumulated and amplified by the hybrid media environment.

In this hybrid environment, there are the powerful players such as the mainstream news media and established political actors, that have been around for a while now. However, what makes this environment hybrid in the first place, is that in addition to the older forms of media such as newspapers, radio and television, there is a cornucopia of newer forms: social media, blogs, podcasts, video streaming and so on, that are increasingly intertwined with the older forms.

These more recent forms of media have, in the past 20 years, granted people a possibility to express their thoughts and feelings to a much wider audience than ever before. This has allowed many to find connections with likeminded people, but this ability to connect has brought with it not only new friendships and feelings of belonging, but also ways to seek for common enemies. At the same time, the technologies that enable these connections have made their users and the information they generate a commodity: a source of capitalist profit.

This is the context of my doctoral dissertation, in which I study news coverage of the 2011 Fukushima Daiichi nuclear disaster, and online comments to this news coverage. I chose to focus on the Fukushima Daiichi disaster as the empirical case of my dissertation, as it is a highly complex event with simultaneous local and global effects and implications that also have made the interconnectedness of societies, economies and media technologies very visible.

The mediated coverage of the so-called triple disaster of an earthquake, a tsunami and the meltdowns at the Japanese nuclear power plant engaged people across the globe, and social media was one venue where this engagement actualized. Moreover, even though the hybrid media environment was very different in 2011 from what it is now, its formative elements were already in place nine years ago.

In my dissertation, I set out to study three things. First, I was interested in the relationship between journalistically produced texts and their implied and actual readers in the hybrid media environment. Second, I wanted to know how affect works in networked, text-based communication, and how it circulates in the news and in the social media comments. In order to answer the second question, I also needed, third, to figure out how to study affect in text-based media, and what does that mean in terms of research methods and results.

In other words, I wanted to study how people comment on news on social media, and what kind of emotions and feelings they express (or inhibit) while doing so. I was also interested in emotions and feelings expressed in the news texts and how that might be visible in the comments. Furthermore, I wanted to know what kind of affect and emotion was attached to the events described in the news, and how those might reflect wider cultural and social understandings of these events and issues. To briefly summarise: I wanted to know how emotion, related to the Fukushima Daiichi disaster, is circulated in the hybrid media environment.

There are also three concepts: affect, public and social media, that largely define my study. These three concepts form a figurative bundle that binds the study and its articles together. Therefore, I have dedicated quite a bit of space in discussing the theoretical and methodological underpinnings of these concepts in the introductory section of my dissertation, devoting most attention to affect as a key sensitizing concept.
To briefly summarise a long discussion, I use affect to describe both bodily sensations and feelings that often escape words but still influence on how we perceive things around us, and the more easily articulatable emotions. In addition to recognizing that such feelings and emotions are very subjective, I also emphasize that they have a highly collective and culturally shared aspect to them as well.

By public, I refer to a group of people engaged in discussing an issue, as in the public that debates the continuing aftermath of the US presidential elections, or the public that debates the ongoing consequences of the Fukushima Daiichi disaster in Japan. And by social media, I refer to online platforms such as Facebook, Twitter, Instagram, or TikTok, or traditional discussion forums, where people gather to talk, share photos of their pets, comment on news or to organize politically – just to name a few things.

I suggest that bringing these three concepts together and scrutinizing and problematizing them in relation to one another opens new ways to study affect as an important element of the hybrid media environment. In other words, to study how emotions and feelings circulate in the mixture of social media, journalism, opinion, fact, science and your neighbor’s latest conspiracy theory.

My dissertation addresses this entanglement through five publications that discuss four case studies and three types of empirical material, as summarized in this table. Three of the publications (one, three and four) are written together with my colleagues and two (two and five) are solo works.

The empirical material, collected between 2014 and 2016, comprises of news reports from Finland and from English-language newspapers across the Northern Hemisphere, and three types of social media material: Tweets, Facebook comments, and comments on the Finnish public broadcaster YLE’s commenting platform.

Because of the different types of research materials, my coauthors and I have applied several research methods. In publications two to five I have developed an analysis method for answering my third research question of studying affect in text by combining several existing qualitative analysis methods such as metaphor analysis and discourse analysis.

This combination of methods was motivated by my wish to examine various elements of the news and comments at the same time. Moreover, because affect and emotion in text are not only expressed directly as in an utterance such as “I’m really nervous right now,” but they can be present in word choices and metaphors as well. For example, it does make a difference if the meltdowns at Fukushima Daiichi are discussed as “apocalyptic and out of control,” as EU’s then energy commissar Günter Öttinger did, or to discuss the meltdowns as a technical issue that has a straightforward technical solution, which was the most common frame used by the scientific experts interviewed in the Finnish media.

Hence, my dissertation is an attempt at bringing together complex concepts to discuss an equally complex phenomenon of affect in the mediated coverage and commentary of an event that in itself is manifold, and the method of getting there has not been very straightforward either.
The findings of the dissertation also branch to several directions, ranging from very concrete to more theoretical ones.

Beginning with the more concrete and, in an sense the most general level, my empirical findings confirm what previous scholars have observed, and what many people also have learned through their experience: namely that affect and emotion are what drive online discussions forward and sustain people’s interest in continuing these discussions. Indeed, in order to be interested in something, most humans must feel something about that thing or an issue.

In addition, because there is a strong collective element to affect, affect is also tied to social and cultural power. In my dissertation, this is visible both in the comments and the news, as they contain elements where affect is entwined with struggles over power. At the level of discourse, the affect-laden power struggle can be exposed, for example, by investigating what is defined as ‘scary’ and who gets to define this. Are the “scary” things the emissions from the faulty reactors at Fukushima Daiichi, or the environmentalists who argue for phasing out of nuclear energy?

Another example concerns those who are implicated or outright claimed to be ‘ridiculous’. Are the people buying iodide tablets or hoarding toilet paper behaving ridiculously, or are the ridiculous ones the public officials who go behind racist remarks about “Japanese culture” or, as in the case of covid-19 discussion, “Chinese virus”, and attempt to downplay the crisis?

In my case studies, such power struggle was most strongly present in discussions that were clearly politically divided, in one way or another. For example, as part of this discursive contest of power commenters tried to silence one another, most often by trying to make the other to appear as laughable or immature. A different form of this struggle appeared in the news, as public officials issued statements that urged people “not to panic”, for instance.

I capture the power-related dynamic present in the news and news comments with the notion of “affective discipline”. In affective discipline, the participants of a discussion attempt to maintain what is considered a socially acceptable emotional “tune” or mood of a situation. In order to maintain the preferred mood, participants seek to engage in acts of affective discipline. While I have studied this dynamic in the context of journalism and social media in my dissertation, I suggest that this phenomenon is present also in different types of communication, digitally mediated and othervise, deserving further research.

In addition to the mediated coverage of the Fukushima Daiichi disaster, acts of affective discipline have been clearly visible in reporting and discussing the covid-19 pandemic, and other fast-evolving crises, as I illustrated with the anecdotes at the beginning of this lectio precursoria.

I argue that similar dynamic also applies to discussions about climate change and loss of biodiversity, for example, where activists such as Greta Thunberg or the Extinction Rebellion attempt to disrupt the complacent mood and alert people to the urgent, ongoing disaster. So far, though, people in positions of social and economic power have tended to seek to downplay the activists and their message as immature and laughable.

Questions about affective discipline, including who gets to define how others should feel about something are crucial in understanding how discussions about burning issues play out in the contemporary hybrid media environment. These discussions, in turn, have actual impacts on how people choose to think and act on these issues.

To conclude, I suggest that studying the dynamic and forms of affective discipline may help better understand how the hybrid media environment operates. While the commodification of human feelings and willful circulation of anger for political and financial gain clearly feed a dystopian imagination, I would like to conclude with a more positive note. I suggest that the findings of my dissertation can be used to recognize, question, and eventually perhaps dismantle some of the systems that currently enable these unequal power relations at the level of discourse but with very tangible implications.

Master of Social Sciences Anna Rantasila’s doctoral dissertation Circulating Emotions, Sticky feelings. Affective dynamics of the Fukushima Daiichi nuclear disaster in a hybrid media environment was publicly examined at Tampere University Faculty of Information Technology and Communication Sciences on December 4, 2020.

Onko olemassa vain yhtä totuutta?

Yhteiskunnassa sekä tutkijoiden keskuudessa on käyty varsin aktiivista keskustelua tekoälyn etiikan kysymyksistä ja automaattisen päätöksenteon ongelmista. Yksi keskeinen osa tätä työtä on liittynyt pyrkimykseen määritellä oikeita ratkaisuja tai oikeita päätöksiä hyvin monimutkaisessa ympäristössä, jota jotkut myös kutsuvat todellisuudeksi. Heräsin tässä osittain rahoitushakemuksen kirjoittamisen ja osittain Kirsikan ja minun artikkelin myötä miettimään, että aika usein sitä yhtä oikeaa päätöstä haetaan myös alueilla, joissa sellaista ei välttämättä ole olemassa.

Käyn parin esimerkin avulla läpi sitä, mitä ne arvopohjaiset päätökset oikeasti ovat ja päätän tekstin pohtimalla mitä sitten kannattaisi tehdä seuraavaksi.

Tätä ei kyllä käsitelty autokoulussa

Itsestään ajava auto on nykyisen tekoälypöhinän keskeinen esimerkki (itse olen luopumassa toivosta ja varmaan pian hankin ajokortin). Sen kautta on myös törmätty moniin erilaisiin kysymyksiin siitä, kuka kantaa vastuun itseajavan auton tuhoista, esimerkiksi ihmisen tapaamisesta. Yhtä mielenkiintoinen sivujuonne tässä on MITin Moral Machines -hanke, jossa yritetään ymmärtää mitä ihmiset pitävät hyväksyttävänä ratkaisuna. Ajatuksena oli, että tämän kyselyn kautta voidaan sitten rakentaa parempia tekoälyjärjestelmiä, kun ne seuraavat yhteiskunnassa olevia arvoja.

Toki joitakin laajasti jaettuja arvoja löytyy yhteiskunnista, kuten preferenssi tapaa vähemmän ihmisiä, jos mahdollista ja pelasta mieluummin nuoria kuin vanhoja (Awad, et al., 2020; Awad et al., 2018). Näiden pohjalta voisi tietenkin hakea jotain yleistettävää moraalista ohjeistoa itsestään ajaville autoille:

[- -] we can embrace the challenges of machine ethics as a unique opportunity to decide, as a community, what we believe to be right or wrong; and to make sure that machines, unlike humans, unerringly follow these moral preferences. We might not reach universal agreement: even the strongest preferences expressed through the Moral Machine showed substantial cultural variations [- -] these conflicts, disagreements, and dissimilarities, while substantial, may not be fatal.

(Awad et al., 2018)

Vaikka löydettäisiin laajasti hyväksyttyjä tapoja toimia, niin onko mielekästä luoda koneistetusti automaattinen kaikkien seuraama moraalinen ohjesääntö? Vai pitäisikö näissä päätöksissä vastuu siirtää jokaiselle autoilijalle itselleen – ja laittaa autoilija pohtimaan miten erilaisissa tilanteissa hänen mielestään pitää toimia? Niinhän yhteiskuntamme toimii melkein kaikkien arvopohjaisten kysymysten kohdalla: jokaisen pitää itse punnita, mitä haluaa ja mitä ei halua tehdä.

Reiluuden ristiriidoista

Olen tietojenkäsittelytieteilijöiden kanssa puhuessani törmännyt monta kertaa päätynyt puhumaan syrjinnästä ja tasa-arvosta ja siitä, kuinka algoritmiset järjestelmät oppivat pahat tavat meiltä ihmisiltä (kuten aiemmin kirjoittelin Rajapinnasssa). Koska kyseessä on tärkeä yhteiskunnallinen teema, tutkimuspuolella käytetään varsin paljon aikaa sen pohtimiseen, miten pitäisi tehdä reiluja malleja, jotka eivät syrjisi ihmisiä. Ainoa vaan, että tässä pohdintatyössä on pakko ottaa kantaa siitä mitä on reiluus.

Intuitiivisesti reiluus on helppo käsite: haluamme, että ihmiselle tehdään sama päätös, vaikka he tulevatkin erilaisesta taustasta. Tämänkin ajatuksen voi käsittää monella tavalla. Corbett-Davies & Goel (2018) nostavat kolme koneoppimiskirjallisuudessa käytettyä määritelmää tälle. Yksinkertaistamiseksi keskityn nyt miehiin ja naisiin, mutta sama periaate pätee kaikenlaisiin henkilöön liittyviin taustoihin.

  • Päätökset ovat mahdollisimman samoja ihmisille, jotka ovat samanlaisia lukuunotetummatta sitä, että osa on miehiä ja osa on naisia
  • Päätöksen virheet ja todennäköisyydet ovat samoja ihmisille, vaikka osa on miehiä ja osa on naisia
  • Sukupuolettoman päätöksenteon mallit ovat samanlaisia kuin sukupuolittuneen päätöksenteon mallit.

Kirjoittajat jatkavat osoittamaan, että jokaisella mallilla on omat heikkoutensa ja ongelmansa. Mutta kirjoittajilta jää mielestäni huomaamatta isoin ongelma: reiluus ei oikeastaan ole niin helppo käsite lopulta, vaan sitä voidaan ottaa käyttöön erilaisissa tilanteissa korostamaan omien vaateiden mielekkyyttä ja vedota oikeudenmukaisuuteen.

Käsitys siitä mitä tasa-arvo on varmasti esitettävissä hienoilla kaavoilla, mutta kenen kannalta se edustaa ajatusta tasa-arvosta? Tasa-arvon mittaaminen on vahvasti ideologinen kysymys; minkälaista yhteiskuntaa halutaan rakentaa. Suomessa kaksi poliitikkoa voivat mielestään edistävät tasa-arvoa mutta heidän suosituksensa sekä tulkinnat tasa-arvon tilasta ja ongelmista ovat täysin erilaisia: toinen saattaa painottaa mahdollisuuksien tasa-arvoa ja toinen lopputulosten tasa-arvoa. Pahimmillaan heidän on vaikea ymmärtää, kuinka toinen edes tekee tasa-arvoon perustuvia argumenttejaan, koska käsitys tasa-arvosta on täysin erilainen.

Tämän takia päätöksen siitä miten tasa-arvoa määritellään, pitäisi siirtää algoritmin kehittäjiltä kohti poliittisia päätöksentekijöitä. Ehkä Suomessa voitaisiin neljän vuoden välein äänestää näiden keskeisten käsitteiden matemaattisista formuloinneista ja hyväksyä käsitteiden sitoutuneisuus poliittisiin valtasuhteisiin. Mutta tämäkään ei ratkaisisi sitä, että lopulta tasa-arvo on kontekstisidonnainen: ainakin minä joustavasti mukautan käsitystäni tasa-arvosta riippuen siitä, mitä haluan saavuttaa. Kun olen etuoikeutetussa asemassa, helposti sitoudun mahdollisuuksien tasa-arvon ideoihin, ja kun olen sorrettu voin korostaa lopputulosten tasa-arvoa.

Kohti poliittista tietojärjestelmää?

Mitä tästä kaikesta sitten seuraa? Ainakin päänsärky: kaikesta tutkimusyhteisön työstä ja tuskasta huolimatta tuntuu siltä, että olemme vielä lasten kengissä päätöksenteon kehittämisen ja tekoälyn etiikan pohdinnoissa.

Kaiken taustalla mielestäni on iso haaste tekoälyn ja algoritmisten järjestelmien kanssa: niiden suunnittelussa usein keskitymme yhden ratkaisun toteuttamiseen ja uskomme, että se sopisi moniin tilanteisiin erilaisille ihmisryhmille. Ehkäpä seuraava askel on hyväksyä yhteiskunnan monimuotoisuus ja erilaiset arvorakenteet.

Voisimme personoida algoritmista päätöksentekoa. Ihan kuten ohjelmissa voi valita taustakuvia ja teemoja, voisimme tehdä valintoja eettisistä kysymyksistä. Tämä voisi olla erityisen kiinnostava mahdollisuus silloin kun oikeasti luovutat osaltaan omaa moraalisen päätöksenteon rooliasi tietokoneavusteiselle järjestelmälle, kuten jos päästät automaattisen ohjelman ajamaan puolestasi autolla.

Toisaalta algoritmista päätöksentekoa tehdään monissa yhteiskunnallisissa asioissa, ja silloin sitä ei tietenkään voi personoida jokaiselle meille erilaiseksi. Mutta meillä on jo olemassa oleva rakenne tähänkin: demokratia. Poliittisen päätöksenteon mielenkiintoisuus on kyky tasapainottaa erilaisia intressejä ja mielipiteitä ja luoda yksi yhteinen ja jaettu käsitys – ainakin seuraaviin vaaleihin asti.

Koronavirus ja numeroiden tenho

https://www.flickr.com/photos/k0rry/8216995942/
(cc) Korry Benneth Flickr

Maailma on päätynyt poikkeustilaan uuden koronaviruksen vuoksi. Sen vaikutukset heijastuvat myös digitaaliseen arkeen ennennäkemättömällä tavalla. Digitaalisessa viestinnässä näkyy paitsi kansalaisten huoli, myös tarve järkeistää kriisiä numeroiden ja tilastojen avulla.

Keskeinen strategia globaalissa viranomaisviestinnässä on ollut epidemiatilanteeseen liittyvien numeroiden julkaiseminen: montako tartuntaa todettu, montako kuollutta, montako parantunutta. Samaan aikaan on alkanut käydä selväksi ja väistämättömäksi, että terveydenhuoltojärjestelmän haaviin osuu vain osa tartunnoista. Virusta löytyy myös täysin oireettomilta (esim. tutkimukset Hollannissa ja muualla) ja toisaalta monet tartunnan saaneet ovat vähäoireisia eivätkä siksi päädy hakeutumaan hoitoon.

Numeroiden julkaisu, niiden visualisointi kartalle ja kuvaajien piirtäminen on tärkeä ja luonteva tapa paitsi seurata epidemiaa, myös luoda kuvaa siitä, että tilanne on hallinnassa. Tätä toisintavat yhtä lailla niin viranomaiset, media kuin kansalaisetkin.

Lukuisat yhteiskuntatietelijät ovat kirjoittaneet numeroiden ja niihin perustuvan datan merkityksestä arjen ja yhteiskunnan hallinnassa, organisoitumisessa ja viestinnässä. Esimerkiksi tieteenhistorioitsija Theodore Porter [1] kirjoittaa luottamuksesta numeroihin yhteiskunnallisena käytänteenä, joilla rakennetaan objektiivisuutta ja puolueettomuutta. Samalla mittaukset ovat performatiivisia, rakentavia: ne luovat yhteiskuntaa, jota mitataan. Tämä pätee erityisesti esimerkiksi väestötiedon ja taloudellisen tiedon tuottamiseen [2]. Tieteenfilosofi Ian Hacking [3] kirjoittaa kriittisesti numerofetissistä: numeroita kerätään vain koska voidaan, mutta siitä huolimatta niitä aletaan käyttää ongelmanratkaisun välineenä.

Koronaviruksen tapauksessa lukuja käytetään helposti myös maiden ja alueiden keskinäiseen vertailuun. Sosiologi David Beer [4] muistuttaakin numeroiden usein kehystyvän paitsi havaintojen luokitteluun, myös kilpailuun kapitalismissa. Tässä tapauksessa kilpailu on kenties sitä, kuka maa pystyy parhaiten estämään taudin leviämistä. Mittaustavat kuitenkin vaihtelevat maittain ja ajankohdittain, mikä hankaloittaa vertailujen tekemistä. Reunaehdoista huolimatta numerot helposti alkavat elää omaa elämäänsä: karkaavat alkuperäisestä kontekstista ja tehokkaasti piilottavat sen, miten niitä on tuotettu.

Kiinnostavinta viime päivien verkkojulkisuudessa ovat olleet erilaiset rogue-tilastot, laskelmat ja kuvaajat, joilla erilaiset kansalaisyhteiskunnan toimijat ovat pyrkineet haastamaan virallista tilannekuvaa ja viranomaisten toimenpiteitä. Sekä suomenkielisessä että kansainvälisessä sosiaalisessa mediassa on tullut vastaan lukuisia twiittajia ja bloggaajia, jotka pyörittävät omia laskelmiaan siitä millä käyrällä koronatartuntojen kanssa mennään, montako kuollutta meillä on pääsiäiseen mennessä ja miten rajoituskeinot toimivat.

Nämä viestit ovat vakuuttavia ja vetoavia, vaikuttavat asiantuntevalta ja niitä jaetaan helposti. Viestit rakentavat teknologian taianomaisuuden ja suurten lupausten päälle [5,6], mikä tekee niistä pelottavan tehokkaita. Maallikko harvoin uskaltaa epäillä tai väittää vastaan tilastoille ja mallinnuksille.

Sama logiikka on toki läsnä viranomaisviestinnässä ja tieteellisessä viestinnässä, mutta ainakin tietoa tuottavilla tahoilla on takanaan ymmärrys epidemioiden luonteesta ja käytössään kansainvälisessä yhteistyössä valmistellut data ja vertaisarvioituun tutkimukseen perustuvat mallit. On vähän syitä olettaa, että maallikko pystyisi ajattelemaan tai löytämään jotakin sellaista, mitä asiantuntijat eivät. Tällaisessa tilanteessa myös tieto ja tilannekuva muuttuvat koko ajan, ja tuorein tieto on todennäköisesti juuri viranomaisten saatavilla.

Ehkä tässä tilanteessa olisi parasta siis jättää numerot ja visualisoinnit asiantuntijoille. Tämän ehdotuksen ovat muutkin verkossa jo esittäneet hieman suorasanaisemmin:


Disclaimer:
Koska verkkokeskustelu käy tällä hetkellä kuumana, todettakoon vielä että en ole itsekään epidemologi vaan verkkoviestinnän ja teknologian tutkija. En siis tällä kirjoituksella kritisoi viranomaisten tekemää tapausten seurantaa tai seurantatapoja, vaan huomioin yhteiskuntatieteellisestä näkökulmasta yleisemmin kiinnostavaa numeroiden ja tilastojen käyttötapaa globaalin kriisin keskellä.

Kirjallisuutta;
[1] Porter, T. M. (1995). Trust in Numbers: The Pursuit of Objectivity in Science and Public Life. Princeton: Princeton University Press. https://doi.org/10.1017/CBO9781107415324.004

[2] MacKenzie, D., Muniesa, F., & Siu, L. (2007). Do Economists Make Markets? On the Performativity of Economics. Princeton and Oxford: Princeton University Press.
[3] Hacking I. (1990) The Taming of Chance. Cambridge: Cambridge University Press.
[4] Beer, D. (2016). Metric power. Metric Power. https://doi.org/10.1057/978-1-137-55649-3
[5] Beer, D. (2019). The Data Gaze: Capitalism, Power and Perception. London: SAGE. https://doi.org/10.4135/9781526463210
[6] Bowker, G., & Star, S. L. (2000). Sorting things out. MIT press.

Facebook-kirppikset ja käytettyjen vaatteiden myyntisivustot muuttivat shoppailua – kuluttajia ohjaa tuotteiden laatu ja jälleenmyyntiarvo

Tiedätkö, mikä on ollut viime vuosien nopeimmin kasvava vaatekategoria? Käytetyt vaatteet. Verkossa toimivat käytettyjen vaatteiden jälleenmyyntipalvelut ja sosiaalisen median kiihdyttämä kirpputoritoiminta ovat lisänneet kuluttajien kiinnostusta myydä omia käytettyjä (ja jopa käyttämättömiä) vaatteitaan ja ostaa niitä muilta. Selvityksen mukaan käytettyjen vaatteiden markkinan kasvun taustalla ovat ennen kaikkea nuoret kuluttajat, joiden kiinnostus käytettyjen vaatteiden ostamista ja myymistä kohtaan saattaa jopa vähentää kiinnostusta ostaa vaatteita uutena.

Olemassa oleva tutkimus tarkastelee käytettyjen tuotteiden ostamista tyypillisesti joko säästämisen tai ympäristöystävällisyyden näkökulmasta. Vaikka nämä ovat tärkeitä syitä ostaa vaatteita käytettynä, halusimme selvittää, mitä muita motiiveja käytettyjen vaatteiden ostamiseen liittyy. Valitsimme tutkimuskohteeksi käytetyt luksusvaatteet ja -asusteet, joiden ostamiseen uutena liittyy erityisen paljon hedonistisia ja symbolisia motiiveja.

Haastattelimme 22 kuluttajaa, jotka ovat hiljattain ostaneet luksustuotteita toisilta kuluttajilta. Kaikki haastateltavat olivat suomalaisia 25–40-vuotiaita naisia, ja heihin oltiin yhteydessä luksusvaatteisiin ja -asusteisiin keskittyvän Facebook-kirpputorin kautta. Haastatteluaineistoa tarkasteltiin ns. ostostyylien näkökulmasta.

Tutkimuksessa huomattiin, että käytettyjen luksustuotteiden ostajia määrittää erityisesti hinta-laatutietoisuus sekä arvostus käytetyn tuotteen kaunista ikääntymistä ja sen laatua kohtaan. Laatutietoisuutta kuvailtiin esimerkiksi näin: “Brändin todellisen laadun ja käsityön näkee mielestäni vasta käytettynä hankituista käsilaukuista. Laadukkuus kestää aikaa.”

Lisäksi haastatteluaineistosta tunnistettiin uusi ostostyyli: jälleenmyyntiarvotietoisuus. Muun muassa tällaiset lausunnot kuvasivat kyseistä ostostyyliä: “Ostin tämän Chanelin huomatessani, että klassisten luksustuotteiden hinnat nousevat jatkuvasti. Myyn sen kyllä jossain vaiheessa, ja tiedän, että tulen saamaan siitä 50% enemmän mitä alun perin itse maksoin.” Nämä kuluttajat kokivat olevansa vain yksi useista omistajista tuotteen elinkaaren aikana. He uskoivat, että ostamalla joko ikonisia tai nousussa olevia brändejä he voivat saada maksamansa hinnan takaisin jälleenmyynnin yhteydessä.

Vaateteollisuuden korkean ympäristökuormittavuuden huomioon ottaen tutkimuslöydökset ovat kannustavia; Ostaessaan käytettyjä tuotteita kuluttajat kiinnittävät huomiota tuotteen laatuun, kestävyyteen ja jälleenmyyntiarvoon. Verkossa toimivat kulutustavaroiden jälleenmyyntisivustot ja -palvelut ovat keskeisessä asemassa kulutustottumusten muutoksessa. Ilman toimivia käytetyn tuotteen markkinoita kuluttajat eivät löydä itseään kiinnostavia tuotteita ja voi luottaa, että saavat omat tuotteensa myytyä eteenpäin. Alan toimijoiden tulee kiinnittää huomiota tuotteiden laadun esilletuomiseen ja oikean kuluttajasegmentin löytämiseen.

Tutkimus on julkaistu International Journal of Consumer Studies -lehden marraskuun numerossa: Linda Turunen & Essi Pöyry (2019). Shopping with the Resale Value in Mind: A Study on Second‐Hand Luxury Consumers. International Journal of Consumer Studies, 43(6), 549–556.

Riidankylvämistä ja rauhanrakentamista anonyymeissa verkkokeskusteluissa

Underwater conversations by Thomas Hawk Flickr
(cc) Thomas Hawk Flickr

Ovatko verkkokeskustelut kivettyneiden asenteiden pakkotoistoa vai tuottavatko ne uudenlaisia näkökulmia tuttuihin ilmiöihin? Suomi24-foorumin parissa tehty tutkimus paljastaa ääripäät: verkkokeskustelu on yhtä aikaa likapyykkilinko ja arjen rauhankone.

Anonyymeja verkkokeskusteluja on verrattu vessakirjoitteluun, mihin viittaa Suomi24:n vakiintunut lempinimi Suoli24. Vihan lietsonta ja holtiton huutelu on verkkokeskustelun vakiintunut piirre. Keskustelu takoo eteenpäin yhteiskuntavastaisuudella ja ihmisvihamielisyydellä. Vääränlaisia ihmisiä nimitellään ja kiusataan. ”Saan kirjoittaa juuri niin kuin ajattelen eikä tarvitse suvaitsevaisista välittää”, kertoo Suomi24:n käyttäjille suunnatun kyselyn avovastaus. Paljastukset tyydyttävät lukijoiden uteliaisuutta ja antavat tunnevoimaa omille mielipiteille ja oikeassa olemisen tunteelle.

Verkkokysely käyttäjille oli avoinna Suomi24-keskustelualueilla kahden viikon ajan joulukuussa 2016. Vastauksia kertyi lähes 1400. Kyselyssä haettiin käyttäjien näkökulmaa siihen, millaisena he näkevät foorumilla käydyn keskustelun. Verkon likapyykkilinko on lukijoille arkista viihdettä. Törkyviestejä pidetään humoristisina. Toisaalta kirjoittajien reaktioita pidetään eksoottisina tai kuriositeettina. Suomi24 on kävijöille ikään kuin lintutorni, josta bongaillaan vieraslajeja. ”Kaipaan masokistisuuteni takia välillä sitä, että voin lukea perehtymättömien tekstejä ja vajota syvään epätoivoon”, kirjoittaa yksi vastaajista. Joistakin kyselyn vastauksista huokuu ylemmyydentunne palstan kirjoittajia kohtaan, mutta toiset kuvaavat myös vilpitöntä halua ymmärtää tuntemattomia tai oppimattomia lajitovereita.

Kyselyn sadoista avovastauksista hahmottuu erilaisia keskustelukulttuureja. Nimittelyn ja leimaamisen rinnalla Suomi24-palstoilla elävät täysin vastakkaiset pyrkimykset: kirjoittajien halu paneutua toisten ongelmiin ja kannustaa aikalaisia vaikeissa elämäntilanteissa. Käyttäjäkyselyn myönteisisissä Suomi24-kokemuksissa toistuu avun saaminen. Ihmisiä askarruttavat terveyteen, ruoanlaittoon, remontteihin. raha-asioihin ja lemmikkieläimiin liittyvät kysymykset. Kyselyyn vastanneet kiittävät kirjoittajia, jotka aikaa ja vaivaa säästämättä paneutuvat käytännön pulmiin ja toisten ongelmiin. ”Monta hyvää neuvoa ja niksiä ois jäänyt saamatta”, kuvaa yksi vastaajista.

Käyttäjäkyselyn vastaukset muistuttavat verkkokeskustelun pitkästä historiasta. Ihmiset ovat hakeneet Suomi24:n palstoilta kaikupohjaa epätietoisuuden ja yksinäisyyden hetkiin jo yli viidentoista vuoden ajan. ”En ole yksin”, kirjoittaa yksi kyselyyn vastanneista. ”Chatti on saattanut pelastaa vuosien varrella ihmishenkiä”, arvelee toinen. Yksi kirjoittajista toteaa anonyymin verkkoviestinnän ansion ehkä viitaten seksuaalivähemmistöjen asemaan: ”Olisipa nuorena ollut internet noin yleensä. Kaikille asioille ei ollut nimiä 70-luvulla”.

Poliittiset vaikuttajat ja virkamiehet puhuvat usein verkkokeskusteluista etäältä – keskustelua käy ”someväki”, jota ohjaa ”someraivo”. Yhteiskunnalliseksi voimaksi tunnistettu ”somekansa” kulkee laumana keskustelunaiheesta toiseen. Suomi24-tutkimuksemme perusteella tällaista yhtenäistä joukkoa ei keskustelufoorumilta löydy. Suomi24-palstat muodostavat pikemminkin keskustelujen saariston, joka kehittyy tai kuihtuu muun maailman ja eri keskustelufoorumeiden mukana. Yli kahden tuhannen palstan joukosta löytyy riitaisia, harmonisia ja yhdentekeviä palstoja. Osa palstoista on kuollut keskustelijoiden puutteeseen.

Someraivo ja nettiviha – monine variaatioineen – ovat häiritseviä ilmiöitä, jotka rikkovat yleistä oikeustajua. Silti niihin ei pitäisi jäädä kiinni. Yksinomaan vihaan ja raivoon kiinnittynyt tarkkailija päätyy helposti toistamaan nettikeskustelujen jähmettyneitä lähtökohtia. Silloin jää näkemättä keskustelun yhteiskuntaa kannatteleva voima. Kivettyneistä ja junnaavista asetelmista pääsee eteenpäin suuntaamalla katseen verkkokeskustelujen arkisiin kuvitteluvoimiin; ihmisten loputtomaan kykyyn asettua toisten asemaan ja kannatella viesteillään arjen rauhankonetta.

Kirjoittajat: Mika Pantzar ja Minna Ruckenstein

– –

  • Harju A. (2018). Suomi24-keskustelut kohtaamisten ja törmäysten tilana. Media & viestintä, 41(1). [koko teksti]
  • Pantzar M. & Ruckenstein M. (2018) Verkkokeskustelut: Riidan kylvämistä ja rauhan rakentamista. Teoksessa Autio J., Autio M., Kylkilahti E. & Pantzar M. (toim.) (2018) Kulutus ja talous – Näkökulmia yhteiskunnan muutokseen. Helsingin yliopisto, taloustieteen osaston julkaisuja 70, s. 69-76. http://hdl.handle.net/10138/297680

Pitäisikö algoritmien pelastaa meidät epävarmuudelta?

https://www.flickr.com/photos/belgapixels/2703291441/
Kuva (cc) Belgapixel @Flickr

Viimeisten vuosien aikana on puhuttu paljon algoritmien vallasta, mutta keskusteluissa esiintyy monia erilaisia näkökulmia siitä, minkälaista tuo valta oikeastaan on. Yhtäältä on keskusteltu algoritmien kyvystä rajata ja muokata ihmistoiminnan mahdollisuuksia, esimerkiksi luokittelemalla ihmisiä ja ohjaamalla tiedon kulkua [1,2,3]. Toisaalta huomiota on kiinnitetty algoritmeja koskevien käsitysten ja odotusten rooliin toiminnan ohjaamisessa [4]. Tässä kirjoituksessa pohdimme yhtä mahdollista syytä sille, miksi algoritmit ylipäätään saavat valtaa.

Michel Crozier käsittelee kirjassaan The Bureaucratic Phenomenon [5] sitä, miten byrokraattisissa organisaatioissa valtaa keskittyy henkilöille, joilla on kyky hallita organisaation toimintaan liittyvää epävarmuutta. Hän kirjoittaa esimerkiksi tehtaan koneiden huoltohenkilökunnasta ryhmänä, jolle valtaa keskittyi, koska he kykenivät vähentämään tuotantokoneisiin liittyvää epävarmuutta.

Tuotantokoneiston huoltaminen oli tehtaiden toiminnan kannalta keskeistä ja huoltohenkilökunta muodosti asiantuntijaryhmän, jolla yksin oli huoltamiseen tarvittavaa osaamista. Tämä osaaminen antoi huoltohenkilöstökunnalle strategisen etulyöntiaseman suhteessa tehtaan muihin henkilöstöryhmiin. Byrokraattisesta rakenteesta huolimatta organisaatio oli kykenemätön hallitsemaan henkilöstöryhmien epämuodollista kanssakäymistä. Tästä johtuen koneiden rikkoutumiseen liittyvän epävarmuuden hallinta loi huoltohenkilökunnalle valtaa, jota he käyttivät neuvotellessaan ryhmänsä eduista.

Crozierin analyysissa byrokraattisten organisaatioiden keskeinen pyrkimys on kontrolloida organisaation toimintaan liittyviä epävarmuuden lähteitä. Epävarmuus organisaation toiminnassa luo hallitsematonta valtaa, joka tekee byrokraattisen järjestelmän toiminnasta epätehokasta.

Yksi byrokraattisten järjestelmien toimintaan liittyvän määrällistämisen tavoitteena on etäännyttää järjestelmien toiminta subjektiivisista ihmisarvioista [6]. Sama ilmiö näkyy myös erilaisten algoritmisten sovellusten käytössä. Algoritmien toivotaan paitsi eliminoivan epävarmuuden lähteitä, myös parantavan toiminnan tehokkuutta.  Usein toiveena on, että ihmisen päätöksenteon subjektiivisuuteen tai muihin heikkouksiin liittyvät ongelmat voidaan ratkaista uusilla datapohjaiseen analytiikkaan perustuvilla teknologisilla sovelluksilla [7,8]. Tämä epävarmuuden kontrollointi näkyy tapauksissa, joissa algoritmien käyttöä perustellaan niiden systemaattisuudella tai tasalaatuisuudella, kuten esimerkiksi algoritmisen analytiikan tehokkuutta ja ennustekykyä koskevissa odotuksissa [9]. Ennustekyvyn tarkentumisen ja toiminnan tehostamisen onkin esitetty olevan nykyanalytiikkaa keskeisesti ohjaavia odotuksia [10]. Yksi käytännön esimerkki ovat itseohjautuvat autot, joiden toivotaan olevan ihmisten ohjaamia autoja turvallisempia [esim. 11]. Personalisoidun terveydenhuollon taas toivotaan tarjoavan yksilöille entistä parempia tapoja hallita terveyttään [12]. Myös esimerkiksi tekoälyn käyttö yritysten rekrytointiprosesseissa on yleistymässä. Automatisoituja rekrytointiprosesseja perustellaan vedoten tehokkuuteen ja algoritmisen arvioinnin tasalaatuisuuteen [esim. 13].

Erving Goffman on käsitellyt esseessään Where the action is? [14] kohtalokkuutta. Hän liittää käsitteen päätöksiin, jotka ovat ongelmallisia ja seuraamuksellisia. Puhtaan ongelmalliset päätökset ovat sellaisia, joissa oikea päätös ei ole selvä, mutta päätöksellä ei ole laajemman elämän kannalta juurikaan väliä. Valinta sen suhteen, mitä katsoa televisiosta, on esimerkki tällaisesta päätöksestä. Esimerkiksi päätös lähteä joka aamu töihin taas on esimerkki seuraamuksellisesta päätöksestä, jossa oikea valinta on selvä. Kotiin jäämisellä voisi olla haitallisia seurauksia, joten valinnalle lähteä töihin on selkeät perusteet. Kohtalokkaat päätökset ovat sellaisia, joissa valinnalle ei ole selkeitä perusteita, mutta sen tekemisellä on laajakantoisia seurauksia Goffmanin mukaan pyrimme järjestämään arkemme niin, että päätöksemme eivät yleensä olisi kohtalokkaita.

Sama kohtalokkuuden vähentäminen on läsnä niissä toiveissa, joita esitämme algoritmeille. Toivomme niiltä apua tilanteissa joissa oikea päätös on epäselvä. Emme kuitenkaan pysty pakenemaan kohtalokkuutta kokonaan. Päätöksillä voi aina olla ennakoimattomia seurauksia. Koska olemme aina läsnä omana, fyysisenä itsenämme, yllättävissä tilanteissa kehomme voi esimerkiksi aina vahingoittua. Kaikkeen olemiseen liittyy riskejä.

Ajatuksella kohtalokkuuden eliminoimisesta on yhtymäkohta Crozierin byrokratia-analyysiin. Byrokraattiset järjestelmät kehittyvät juuri olosuhteissa, joissa toimintaan liittyvää epävarmuutta pyritään eliminoimaan. Paradoksaalisesti juuri epävarmuuden eliminointiin käytetty menetelmä – tiukka toimintaa ohjaava formaali säännöstö – johtaa vallan keskittymiseen organisaation niihin osiin, joista epävarmuutta ei saada kitkettyä. Samaten kohtalokkuuden eliminoiminen algoritmien avulla voi johtaa vallan toimimiseen juuri niiden teknologioiden välityksellä, joilla epävarmuutta pyritään hallitsemaan. Tästä näkökulmasta yksi syy sille, että algoritmeille syntyy valtaa, on pyrkimys kontrolloida epävarmuutta, jota ei kuitenkaan täydellisesti kyetä hallitsemaan. Algoritmisissa järjestelmissä valta toimii algoritmien kautta, mutta syntyy osana laajempaa ihmistoiminnan kontekstia. Näin ollen algoritmista valtaa voitaisiinkin kenties tutkia kysymällä, minkälaisia epävarmuustekijöitä algoritmien käytöllä pyritään hallitsemaan, ja mikä mahdollisesti jää hallitsematta?

Jos joku lupaa auttaa meitä tekemään aina oikean päätöksen epävarmassa maailmassa, ei ole ihme että kuuntelemme. On kuitenkin syytä kiinnittää huomiota siihen, että samalla auttajille keskittyy valtaa.

Teksti: Jesse Haapoja & Juho Pääkkönen

– –
Kiitokset kommenteista Salla-Maaria Laaksoselle, Airi Lampiselle ja Matti Nelimarkalle. Tämä teksti kirjoitettiin osana Koneen Säätiön rahoittamaa Algoritmiset järjestelmät, valta ja vuorovaikutus -hanketta.

Lukemisen datafikaatio ja uskottavuus

Yhä useampi arkipäiväinen toimintamme muutetaan erilaisten digitaalisten välineiden avulla dataksi, jota käytetään erilaisiin laskennallisiin toimiin kuten käyttäytymisemme ennakointiin ja sisältöjen personointiin. Tätä prosessia kutsutaan datafikaatioksi. Ihmiset luonnollisesti tulkitsevat tätä prosessia kuten ympäristöään ylipäätään. Tässä blogikirjoituksessa keskityn lukemisen datafikaatioon ja miten ihmiset sitä ymmärtävät.

Julkaisimme hiljattain Airi Lampisen kanssa artikkelin, jota varten haastattelin jo suljetun uutissuosittelujärjestelmä Scoopinionin käyttäjiä ja pääkehittäjää. Scoopinion oli Suomessa kehitetty uutissuosittelujärjestelmä, joka seurasi käyttäjien lukuaikaa eri uutisartikkeleissa. Se suositteli käyttäjille heitä tältä pohjalta mahdollisesti kiinnostavia artikkeleita. Scoopinionia voidaan siis pitää yhtenä esimerkkinä datafikaatiosta.

Uskottavuus ja data

Haastatteluissa nousi esiin uskottavuus: koska Scoopinion keskittyi lukuajan mittaamiseen eikä perinteisempään klikkipohjaiseen analytiikkaan, kokivat haastateltavat sen antamat suositukset luotettavammiksi. Tämä luotettavuus syntyi ajatuksesta, että lukuaika on pelkkää klikkausta parempi todiste siitä, että datan lähde on pitänyt artikkelia kiinnostavana. Lukuajan ajateltiin siis edustavan paremmin lukijan arviota artikkelista. Tämä tapa kehystää lukuaika oli toki myös se tapa, jolla järjestelmän kehittäjät pyrkivät palveluaan markkinoimaan.

Scoopinionin uskottavuus siis rakentui lukemiseen liitettyjen merkitysten varaan, joita kehittäjät käyttivät hyväkseen sekä järjestelmää rakentaessaan että sitä markkinoidessaan. Järjestelmää käyttäneet ihmiset tulkitsivat järjestelmän toimintaa lukemiseen liitettyjen merkitysten kautta. Järjestelmää tehtiin ymmärrettäväksi pohjaten näihin merkityksiin, kuten esimerkiksi siihen, että ihmiset ajattelevina olentoina arvioivat lukemaansa omien mieltymystensä mukaan ja viettävät enemmän aikaa itseään kiinnostavien tekstien parissa kuin sellaisten tekstien, jotka heitä eivät kiinnosta. Toisaalta palvelu myös toi uusia merkityksiä lukemiselle: kun palvelu seurasi lukemista, lukeminen muuttui implisiittiseksi suosittelemiseksi. Tämän seurauksena palvelu, jossa käyttäjillä ei ollut mahdollisuutta nähdä muita käyttäjiä koettiin kuitenkin tietyllä tapaa sosiaalisena.

Algoritmiset palvelut osana laajempaa merkitysjärjestelmää

Myös muissa algoritmisissa palveluissa ymmärrystä rakennetaan niitä edeltävien merkitysten varaan, samalla kuitenkin tuoden niihin jotain erilaista. Facebook-ystävät eivät ehkä tarkoita täsmälleen samaa kuin ihmiset jotka koemme ystäviksemme sen ulkopuolella, mutta palvelu käyttää kuitenkin hyväkseen ystävyyteen liitettyjä merkityksiä. Kun kyydityspalvelu Uber alkoi menestymään, rupesivat monet muut jakamistalouspalvelut markkinoimaan itseään tietyn asian “Uberina”: uusien palveluiden uskottavuutta menestyä rakennettiin Uberin menestyksen päälle. Nämä palvelut nojasivat tällä kehystämisellä Uberiin liitettyihin merkityksiin, joka puolestaan on idealtaan hyvin samankaltainen kuin sitä vanhemmat taksipalvelut. Tässä tapauksessa korostui Uberin lupaus tehdä vanha asia kustannustehokkaammin ja antaa “tavallisille” ihmisille mahdollisuus hyötyä taloudellisesti toiminnasta, joka oli aiemmin nähty pääosin tietyn ammattiryhmän toimialana.

Algoritmisia järjestelmiä sosiaalitieteellisestä näkökulmasta tutkittaessa tulisi huomioida, että usein niiden käyttämää dataa ja siihen liittyviä merkityksiä on hankalaa, ellei mahdotonta, erottaa itse algoritmeista, joita järjestelmät käyttävät. Usein data edustaa palveluissa ihmistä ja tästä datasta tehdään selkoa niiden käsitysten kautta, joita ihmisten toimintaan liitetään palvelun ulkopuolella.

Järjestelmät ovat ihmisten rakentamia ja niitä ruokitaan ihmisten toiminnalla. Ne ovat siis läpeensä sosiaalisia.

Artikkeli julkaistiin ihmisen ja tietokoneen välisen vuorovaikutuksen tutkimukseen keskittyvässä NordiChi-konferenssissa ja sitä tehtiin osana Koneen Säätiön rahoittamaa Algoritmiset järjestelmät, valta ja vuorovaikutus -hanketta.

Artikkelin tiedot:
Haapoja, J., & Lampinen, A. (2018). ‘Datafied’ Reading: Framing behavioral data and algorithmic news recommendations. In NordiCHI 2018: Revisiting the Life Cycle – Proceedings of the 10th Nordic Conference on Human-Computer Interaction (pp. 125-136). DOI: 10.1145/3240167.3240194

Algoritmit, ihmiset, ja vallankäyttö

Mitä algoritmit ovat ja miksi niistä pitäisi käydä yhteiskunnallista keskustelua?

Puhuin viime perjantaina meppi Liisa Jaakonsaaren järjestämässä “Älä elä kuplassa: Algoritmit ja digitaalinen sivistys EU:SSA” -seminaarissa. Saatuani kutsun tulla puhumaan algoritmeista, lupasin osallistua, kunhan puhuttaisiin myös ihmisistä ja vallankäytöstä.

Tässä muutama keskeinen ajatus esityskalvoja täydentämään:

1. Mitä algoritmit ovat?

Perinteisen teknisen määritelmän mukaan algoritmi on kuin resepti: yksityiskohtainen kuvaus tai ohje, jota seuraamalla tehtävä, prosessi tai ongelmanratkaisu suoritetaan. Tästä kelpaa esimerkiksi vaikka jakokulma. Nykyään algoritmeista puhuttaessa viitataan kuitenkin useammin oppiviin algoritmeihin ja koneoppimiseen: algoritmit oppivat ja kehittyvät käyttämänsä datan pohjalta, eivätkä lopputulokset siten ole samalla tavalla sääntömääräisiä kuin perinteinen määritelmä antaa ymmärtää.

Yhä useammin käytetään termiä algoritminen järjestelmä viittaamaan laajempaan kokonaisuuteen, joka pitää sisällään paitsi yksittäisiä koodinpätkiä, myös laajempia tietojärjestelmiä, ihmisiä, ja organisaatioita. Algoritmit eivät ole ympäristöstään irrallisia. On myös hyvä huomata, että siinä missä nyt puhutaan algoritmeista, muutama vuosi sitten puhuttiin big datasta. Paljolti on kyse samasta asiasta.

2. Algoritmeista puhuttaessa on puhuttava myös datasta

Algoritmeja tarvitaan, jotta voidaan käsitellä suuria määriä dataa, ja algoritmit tarvitsevat dataa toimiakseen ja oppiakseen. Niinpä algoritmeista puhuttaessa on puhuttava myös datasta:  Miten dataa tuotetaan & kootaan? Miten dataa luokitellaan & käytetään? Dataa tuotetaan ja kootaan yhä enemmän ja erilaisista tilanteista. Arkinen toimintamme jättää jälkiä, usein silloinkin, kun emme ajattele olevamme tekemisissä digitaalisten systeemien kanssa.

3. Kohtaamisemme algoritmien kanssa ovat arkisia, poliittisia, ja usein huomaamattomia

Google ja muut hakukoneet auttavat meitä löytämään tarvitsemaamme tietoa. Samalla ne kuitenkin määrittävät sitä, mitä näemme ja tiedämme. Ne heijastavat käyttämänsä datan vuoksi niitä ympäröivän yhteiskunnan vääristymiä, eivätkä ne toki ole itsekään neutraaleja välikäsiä. Facebookin uutisvirran kohdalla algoritmista sisällönkäsittelyä tarvitaan valikoimaan mediatulvasta kuvia ja kirjoituksia, jotka järjestelmä arvioi yksittäistä käyttäjää kiinnostaviksi. Pyrkiessään pitämään käyttäjät pauloissaan ja löytämään meitä kiinnostavia sisältöjä, Facebook voi päätyä vahvistamaan valintojamme (yhä enemmän kissavideoita kissavideoista pitäville).

Kolmantena esimerkkinä musiikkipalvelu Spotifyssakin toimintamme tuottaa dataa, joka ohjaa sitä, mitä meille tarjotaan. Emme ehkä ajattele tuottavamme dataa musiikkia kuunnellessa, mutta valintamme ovat osaltaan mukana palautekehässä, joka vahvistaa taipumuksiamme ja ohjaa sitä, millaisia uusia sisältöjä löydämme. Neljäntenä esimerkkinä tuotamme dataa myös kaupunkipyörällä ajellessa ja monissa muissa tilanteissa, joita emme ehkä tunnista digitaaliseksi vuorovaikutukseksi. Tuottamallamme datalla voi olla poliittisia seurauksia, kun sitä käytetään järjestelmien kehittämiseen. Jos vaikkapa kaupunkipyöräjärjestelmää kehitetään datavetoisesti, saatetaan päätyä vahvistamaan palvelua siellä, missä sitä on jo helppo käyttää, sen sijaan, että suunnattaisiin voimavarat sinne, missä tarve on suurin. Kenen ääni kuuluu ja huomaammeko tekevämme jotain poliittista silloin, kun arkisen toimintamme oheistuotteena syntyy dataa?

4. Teknologiaa on helpompi muuttaa kuin kulttuuria.

Kun puhutaan algoritmeista, ollaan usein huolissaan niiden vallasta ja vääristymistä, joita ne tuottavat. Yhteiskunnan vääristymät ja virheet löytävät kuitenkin tiensä myös digitaalisiin järjestelmiin. Esimerkiksi algoritmisten järjestelmien näkyväksi tekemä syrjintä on monesti lähtöisin datasta, jota järjestelmät käyttävät ja joka heijastaa yhteiskunnan historiallisia tai vallitsevia vinoutumia. Järjestelmiä voidaan muuttaa, jotta ne eivät vahvistaisi tai ylläpitäisi syrjintää, mutta syrjinnän kitkemiseksi on muutettava yhteiskuntaa laajemmin.

5. Algoritmiset järjestelmät muistuttavat byrokratiaa.

Tämänhetkisen algoritmikohinan keskellä on hyvä miettiä, mikä näissä järjestelmissä on oikeastaan uutta. Joiltain osin algoritmit muistuttavat byrokratiaa. On siis puhuttava siitä, miten algoritmit ja ihmiset toimivat yhdessä ja millaista valtaa toimintaan kulloinkin liittyy. Uhkana on, että puhumalla algoritmien vallasta vältytään puhumasta algoritmeista vallankäytön välineenä.

Lue lisää: