Asiakkaille palvelua tarjoavilla aloilla, kuten opetuksessa, pankki- ja vakuutustoiminnassa, sosiaali- ja terveysalalla ja kaupan alalla, henkilöstö työskentelee käyttäen apuna digitaalisia järjestelmiä.
Samalla organisaation digitaalisiin järjestelmiin kertyy työstä aikaleimattua prosessimaista dataa, jota on mahdollista hyödyntää työn kehittämiseen.
Data ei yksin vielä ole tutkittua tietoa, vaan tarvitaan teoreettinen viitekehys. Ehdotamme viitekehykseksi prosessiteoriaa.
Opettajien työstä kertyy dataa Moodleen
Aiemmissa tutkimushankkeissa olemme voineet analysoida ammattikorkeakoulujen Moodle-dataa. Opettajat käyttävät opetustyössään Moodlea, jonka järjestelmiin kertyy valtavasti aikaleimattua dataa.
Koneoppimismenetelmin olemme tunnistaneet niin sanottuja aiheita, jotka liittyvät arviointiin, kursseihin ja yhteydenpitoon. Aiheiden tunnistaminen on ensimmäinen askel.
Aiheille lasketaan viikoittaiset intensiteetit, joiden avulla voidaan piirtää kuvaaja. Kuvaaja ilmentää prosessia, joka on tämän uuden menetelmän toinen askel.
Kolmanneksi katsellaan kuvaajia ja havaitaan niissä intensiteetin vaihtelua. Se tarkoittaa, että joinain viikkoina opetusaiheen parissa työskennellään intensiivisesti ja toisina viikkoina vähemmän.
Kun aiheen intensiteetti on yhtenä viikkona selvästi korkeammalla verrattuna edeltäviin ja seuraaviin viikkoihin, on kyseessä huippuviikko. Huippuviikko voi olla kriittinen muun muassa työkuormituksen näkökulmasta.
Mitkä asiat edeltävät intensiivistä työviikkoa?
Meneillään olevassa tutkimushankkeessa ”Organisaatiodatan hyödyntämisen luotettavuuden lisääminen teorian ja tekoälyn avulla” jatkamme opetuksen aihekuvaajien kanssa.
Hankkeen tavoitteena on osoittaa, miten huippuviikko ilmaantuu työn tekemisen prosesseista. Kun saamme tietoa huippuviikkoa edeltävistä tekijöistä, on mahdollista varautua kuormitushuippuihin.
Prosessimainen tieto ja kuvaajat auttavat tunnistamaan kehittämiskohteita. Ajallisten edeltävien syytekijöiden avulla voidaan suunnitella kehittämisen sisältöjä ja toteuttaa muutos.
Kun työstä kertyy dataa jatkuvasti, voidaan kehittämisponnistelujen vaikutustakin seurata jatkuvasti.
Työn kehittäminen lähtee liikkeelle organisaation tarpeesta
Aiemmin tutkija on hankkinut tietoa työstä esimerkiksi tekemällä kyselyitä. Nyt on mahdollisuus saada konkreettista työn tekemisen tietoa jatkuvana prosessina ilman tutkijaa.
Aiemmin kyselytiedosta on tarkasteltu yksittäisiä tekijöitä ja niiden välisiä yhteyksiä on tutkittu tilastollisin keinoin. Tämän tutkimuksen tuloksena saadaan tietoa prosessien välisistä yhteyksistä, joita tarkastellaan uusin analyysimenetelmin.
Aiemmin jonkin asian kehittymistä tai muutosta on voitu seurata sovituissa ajankohdissa. Tämän tutkimuksen tuloksena seuranta onnistuu missä ajankohdassa vain, koska tietoa saadaan jatkuvana prosessina ja tarkasteltavat episodit voivat tarpeen mukaan vaihtua.
Aiemmin jonkin elementin parantamista työssä ja organisaatiossa on tutkittu interventioasetelman avulla, jossa on koe- ja kontrolliryhmät. Parantaminen on ollut tutkijalähtöistä. Aiemmin on myös oletettu, että organisaatioissa vallitseva muutos on hallittavissa ja tutkimusta varten kontrolloitavissa.
Tämän tutkimuksen tuloksena saadaan uusi menetelmä. Sen avulla voi seurata kehitystä, joka on jatkuvaa samoin kuin eri lähteistä kumpuava muutos työssä. Kehitystä seurataan sellaisena kuin se tapahtuu.
Parantaminen lähtee liikkeelle organisaation omasta datasta tunnistetusta kehittämisen tarpeesta ja kehittymisen seurannasta – ei tutkijan tarpeesta.
Lisätietoja:
Organisaatiodatan hyödyntämisen luotettavuuden lisääminen teorian ja tekoälyn avulla, DataProsessina (tutkimushankkeen esittely)
Kommentointi