”Johdot hallin lattialla” tiivistää hyvin organisaatioiden keräämän tekstimuotoisen turvallisuusdatan laadun. Miksi johdot olivat lattialla? Oliko syynä kiire, unohdus, muista töistä johtuva siirto vai jokin muu? Se on selvää kirjaajalle, mutta ei lukijalle.
Kun kertynyttä tietoa halutaan analysoida tekoälypohjaisilla kielimalleilla, suurimpia ongelmia ovat datan niukkuus ja laatu. Tekstikuvaukset ovat usein lyhyitä, eivätkä ne kuvaa vallitsevia olosuhteita tai taustatekijöitä. Asiayhteys jää epäselväksi tai puutteelliseksi, ja analyysin tekeminen on ihmisellekin hankalaa.
Niukkaa kuvaustekstiä on mahdollista analysoida, mutta moni yksityiskohta jää auki.
Siksi raportointikulttuuria pitää kehittää. Kun havainnon taustoittamista ja tilanteeseen vaikuttaneita tekijöitä pidetään arvokkaana tietona organisaation joka tasolla, datan laatu paranee merkittävästi.
Tekoäly tunnistaa inhimillisiä tekijöitä
Osana Työsuojelurahaston rahoittamaa Turvallisuusjohtamisen kehittäminen tiedon louhinnalla -tutkimushanketta jatkokoulutimme tekoälypohjaisen suuren kielimallin (Large Language Model, LLM) tunnistamaan suomenkielisestä työturvallisuusdatasta inhimillisiä tekijöitä.
Inhimillisillä tekijöillä tarkoitetaan asioita, jotka vaikuttavat ihmisen toiminnan taustalla. Ne voidaan jakaa yksilön toimintaan, työtoimintaan ja työn piirteisiin sekä ryhmä- ja organisaatiotason tekijöihin.
Inhimilliset tekijät joko auttavat ihmistä onnistumaan tai hankaloittavat sitä.
Työkaluja työturvallisuuden tueksi
Avointen tekstikuvausten työturvallisuusdataa hyödynnetään työpaikoilla vähäisesti. Dataa voi kertyä kymmeniä tuhansia rivejä useammalta vuodelta, mutta näihin tekstikuvauksiin ei aikaisemmin ole ollut järjestelmällistä analyysimenetelmää.
Kehittämämme kielimalli pyrkii luokittelemaan dataa niin, että työturvallisuuden ammattilaiset voivat arvioida turvallisuustilanteiden ja poikkeamien taustalla vaikuttaneita tekijöitä.
Työpaikkoja kiinnostavat etenkin ryhmien toimintaan ja organisaatiotason ilmiöihin liittyvät tekijät, koska ne auttavat kehittämään organisaation kulttuuria ja johtamista.
Nykytilanteessa data ei heikoimmillaan kuvaa ollenkaan ihmisen toiminnan taustalla vaikuttavia inhimillisiä tekijöitä. Siksi niiden tunnistaminen tai päättely on työpaikoilla usein tarpeettoman hidasta tai jopa mahdotonta.
Kohti entistä laadukkaampaa dataa
Laadukkaan työturvallisuusdatan tunnistaa siitä, että esimerkiksi läheltä piti -tilanne on kuvattu tarkasti ja kokonaan, ilman epäolennaisia lisäyksiä. Datan analysoimista tukee se, että tekstissä ei ole kirjoitusvirheitä ja sisältö on monipuolista.
Ihannetilanteessa kuvauksen voi kytkeä muihin kuvauksiin, jotka liittyvät vaikkapa samaan tapahtumaan tai ajankohtaan ja numeeriseen dataan.
Datan laatu paranee, kun seuraaviin asioihin kiinnitetään huomiota:
- Johto on aidosti sitoutunut turvallisuuden kehittämiseen. Organisaatiossa on selkeät raportoinnin ja korjaavien toimenpiteiden prosessit.
- Työntekijät ymmärtävät inhimillisiä tekijöitä työturvallisuuden taustalla. Siihen voidaan päästä koulutuksella ja opastamalla työntekijöitä kirjaamaan turvallisuusraportteihin ihmisen toimintaan vaikuttavia asioita.
- Raportointijärjestelmät ohjaavat riittävän yksityiskohtaisten kuvausten kirjoittamiseen ja taustatekijöiden luokitteluun.
- Datan jatkokäytön mahdollistavat tekniset ja lainsäädännölliset ratkaisut (tietosuojalainsäädäntö, selkeä datanhallinta organisaatiossa, luvat jatkokäyttöön) otetaan huomioon jo dataa kerätessä.
Lisätietoja:
Turvallisuusjohtamisen kehittäminen tiedon louhinnalla – AI Safety (tutkimushankkeen esittely ja suosituksia datan laadun parantamiseen)
Euroopan työterveys- ja työturvallisuusviraston (EU-OSHA) kampanja Digiajan turvallinen ja terveellinen työ
Kommentointi