Voisiko tekoäly parantaa tukea tarvitsevien lapsiperheiden palvelujen vaikuttavuutta?

Sosiaalityössä vaikuttavuuden arviointi ei voi olla vain tulosten tarkastelua

Sosiaalityön vaikuttavuustutkimuksen tarvetta on Suomessa haettu perinteisesti etenkin alan sisäisistä perusteluista, jotka liittyvät lainsäädäntöön ja sosiaalityön eettisiin periaatteisiin.

Nykyään vaikuttavuustiedon tarve on näkyvästi esillä lähes kaikissa keskeisissä sosiaali- ja terveysalaa koskevissa ohjelmissa ja julkilausumissa. Erilaisia sosiaali- ja terveydenhuollon toimia tulisi perustella sillä, ovatko ne vaikuttavia vai eivät. Valitettavan usein päätöksiä joudutaan tekemään muulla tavoin, kuin vaikuttavuustiedon avulla. Tällaisia ovat esimerkiksi lähipalvelujen karsiminen tai muuttaminen kokonaan tai osittain digitaaliseksi asioinniksi. Vaikuttavuustutkimusta ei ole riittävästi saatavilla niin, että toimia voitaisiin perustella tiedon avulla, jolloin esimerkiksi palvelujen karsintaa tehdään palvelun suorien kustannusten perusteella.

Ensimmäinen edellytys sosiaalityön vaikuttavuuden selvittämiselle on saada tietoa niistä tavoitteista, joita sosiaalityössä on. Ilman tietoa tavoitteista emme voi tutkia, miten hyvin palvelu on tukenut ihmisiä näiden tavoitteiden saavuttamisessa. Lisäksi sosiaalityön vaikuttavuuden selvittämiseksi tarvitaan tietoa siitä, mitä kaikkea sosiaalityössä tehdään tämän vaikuttavuuden saavuttamiseksi. Sosiaalityössä voidaan esimerkiksi tarjota asiakkaille keskusteluapua, taloudellista tukea tai ohjata asiakkaita muihin palveluihin. Vaikuttavuuden arviointi tarkoittaa sitä, että kaikista näistä asioista on tietoa, kun vaikuttavuutta tarkastellaan.

Miten sosiaalityön vaikuttavuutta voi mitata?

Mittaaminen (measurement) ja mittari (measure) liitetään yleensä määrällisen tiedon keruuseen (Fischer & Corcoran 2013, 2020). Tällöin mittarilla tarkoitetaan kysymysten tai väittämien kokoelmaa, jolla pyritään mittaamaan erilaisia moniulotteisia ilmiöitä, kuten asenteita tai arvoja. Michael Quinn Pattonin (1997) mukaan mittarin valinnassa tärkeintä on tarkoituksenmukaisuus ja uskottavuus mitattavan ilmiön tarkastelussa.

Kansainvälisesti standardoituja tulosmittareita on saatavilla lukuisa määrä (Fischer & Corcoran 2013, 2020), mutta niiden avulla saadaan tietoa vain tuloksista, ei vaikuttavuudesta. Viime vuosina myös Suomessa on tutkittu ja kehitetty sosiaalityön vaikuttavuuden arviointiin suunnattuja mittareita (esimerkiksi AVAIN-mittari, 3X10D ja FIT-mittaristo). Näiden mittareiden avulla on mahdollista saada tietoa esimerkiksi lasten ja lapsiperheiden hyvinvoinnista ja hyvinvointia tukevista tekijöistä. Jos tieto kerätään samalla mittaustavalla eri puolilla Suomea, voidaan myös eri alueiden välisiä yhtäläisyyksiä ja eroja tutkia tämän tiedon avulla.  

Lapsiperheiden palveluista tarvitaan ja kaivataan vaikuttavuustietoa

THL:n mukaan palveluja ja tukea tarvinneista vanhemmista merkittävän suuri osa ei ole saanut palvelua tai tukea, jota olisi kokenut tarvitsevansa. Perhetyössä näin koki noin joka toinen vanhemmista ja kotipalvelussa kaksi kolmesta vanhemmasta. Tukea ammattilaisilta lapsen käyttäytymisen tai tunne-elämän ongelmiin koki saaneensa riittämättömästi joka viides ja tukea omaan jaksamiseen reilu puolet vanhemmista. Kokemus palvelujen ja tuen riittämättömyydestä oli yhteydessä vanhemman haavoittuvaan asemaan.

Hyvinvointialueiden palveluiden rajalliset resurssit vaikeuttavat lapsiperheiden tarvitseman tuen oikeaa kohdentamista. Esimerkiksi lastensuojelu on ruuhkautunut. Lähes 80 prosenttia lastensuojelun työntekijöistä on samaa tai täysin samaa mieltä siitä, että työaika ei riitä välttämättömien työtehtävien tekemiseen. Tämä esimerkki osoittaa, miten erityisesti kriittisen talouden tilanteessa on aiempaa suurempi tarve tietää, millaiset palvelut ja toimet ovat muita vaikuttavampia.

Voisiko tekoäly auttaa löytämään vaikuttavia palveluita niitä tarvitseville?

Tekoälyllä tarkoitetaan erilaisia kone- ja syväoppimisen muotoja, jotka mahdollistavat suurten datamassojen nopean analysoinnin. Koneoppimisen avulla niin sanottu tekoäly voi käsitellä suuria tietoaineistoja, löytää malleja ja tehdä ennusteita tai päätöksiä laajojen ja heterogeenisenkin aineistomassojen perusteella. Jos esimerkiksi seuraisimme lasten ja perheiden palveluissa asiakkaiden kanssa asetettuja tavoitteita ja heidän saamiaan palveluita, voisi tekoäly koota näistä tiedoista nopeasti erilaisia yhteenvetoja siitä, miten hyvin vaikkapa lastensuojelussa on saavutettu tavoitteet valtakunnallisesti. Tieto auttaisi suuntaamaan vaikuttaviksi osoittautuneita menetelmiä ja palveluita.

Nykyään on olemassa runsaasti kirjallisuutta siitä, miten sosiaalityöntekijät ja muut sosiaalialan ammattilaiset voivat käyttää tekoälyä auttaakseen haavoittuvassa asemassa olevia ihmisiä. Luultavasti eniten on tarkasteltu mahdollisuuksia ennustaa palvelutarpeita ja löytää niin sanottuja riskiryhmiä tekoälyn ja koneoppimisen avulla.

Tekoälymalleja on testattu jo myös lasten ja perheiden palveluissa. Amerikkalaistutkimuksessa esimerkiksi testattiin koneoppimismalleja ennustamaan nuoren hoidon onnistumisen todennäköisyyttä psykiatrisessa laitoshoidossa verrattuna muihin sijoitusmuotoihin. Näihin koneoppimismalleihin perustuvat sijoitussuositukset erottelivat nuoret, jotka olivat laitoshoidossa, verrattuna niihin, jotka eivät olleet laitoshoidossa. Tulosten perusteella koneoppimismallit olivat lupaavia positiivisten sijoitustulosten ennustamisessa ja tulevien sijoituspäätösten tukemisessa nuorten hoidossa. Ennustemallin avulla saatiin lupaavia tuloksia myös kustannuksiltaan edullisemman hoitopaikan valintaan. Tutkijoiden mukaan tekoälyn käyttöön perustuvan ratkaisun kustannukset maksavat itsensä takaisin jossain vaiheessa, koska malli vähentää hoitoon liittyviä kustannuksia. Dataan perustuvan ratkaisun toteuttaminen voi olla kallista, mutta ne todennäköisesti kompensoituvat hoidon kustannusten vähenemisellä.

Tulosten perusteella koneoppimismallit olivat lupaavia positiivisten sijoitustulosten ennustamisessa ja tulevien sijoituspäätösten tukemisessa nuorten hoidossa.

Myös Suomessa on ollut vastaavanlaisia kokeiluja. Esimerkiksi vuonna 2018 tutkittiin, voidaanko lasten ja nuorten ongelmia tunnistaa tekoälyn avulla mahdollisimman aikaisemmassa vaiheessa, jotta sosiaalityön tukitoimet voitaisiin kohdistaa mahdollisimman hyvin niitä erityisesti tarvitseville lapsiperheille. Tuloksena syntyi ennustemalli, jonka oli tarkoitus ennustaa lastensuojelun tarpeessa olevia. Tutkimuksen perusteella mallin tunnistekyky ei ollut kovin hyvä, koska aineisto muodostettiin suostumusperustaisesti. Tutkimuksessa huomattiin, että jos dataa ei ole tarpeeksi, tekoälymalli ei pysty tunnistamaan riskejä riittävällä tarkkuudella.

On myös tarkasteltu erilaisten kontekstuaalisten tietolähteiden käyttöä vaikuttavuuden arvioinnin tukemisessa. Nämä voivat olla erilaisia tarinoita, kertomuksia ja asiakasasiakirjoja.

Tekoälyn hyödyntäminen edellyttää, että ratkaisut kyetään integroimaan huolellisesti ammattilaisten työprosesseihin ja työkaluihin. Tekoälyä hyödyntävissä kehitys- ja käyttöönottoprojekteissa tarvitaan paitsi osaamista esimerkiksi juuri toimivien segmentointien suunnitteluun, myös esimiesten ja johdon tukea niiden toteuttamisessa.

Voivatko tekoälymallit kohdentaa palvelut paremmin ja voiko niiden avulla saada aikaan myös kustannussäästöjä?

Tekoälykokeilut osoittavat, että niiden hyödyntäminen lasten ja perheiden palveluissa voi parhaimmillaan lisätä palvelujen vaikuttavuutta ja tuoda jopa kustannussäästöjä. Mallien kehittämisessä ja käyttöönotossa on kuitenkin otettava huolellisesti huomioon aiempien vastaavien hankkeiden kokemukset.

Yksi tällainen kokemus on, että ennustemallien (esimerkiksi palvelutarpeen ennustaminen) rakentamiseen tarvitaan suuria tietomääriä. Mitä enemmän dataa on käytettävissä, sen tarkemmaksi malli on mahdollista rakentaa. Tämä on Suomessa jo mahdollista varsin pitkälle, koska laki ohjaa kirjaamaan systemaattisesti kaikki asiakas- ja potilastiedot hyvinvointialueen tietojärjestelmiin. Laki sosiaali- ja terveystietojen toissijaisesta käytöstä (552/2019) mahdollistaa tietojen käytön tutkimus- ja kehittämistarkoituksiin.

Lain mukaan sosiaali- ja terveydenhuollon palvelunantajalla on oikeus käsitellä ja yhdistellä tunnisteellisesti asiakastietoja, jotka ovat syntyneet sen omassa toiminnassa palvelutoiminnan tuottamista, seurantaa, arviointia, suunnittelua, kehittämistä, johtamista ja valvontaa varten.

Samalla tulee ensiarvoisen tärkeäksi, että tiedot on kirjattu oikein. Sosiaalipalveluissa kirjaaminen ei valitettavasti ole vielä kaikilta osin niin systemaattista, että tietoa olisi saatavissa kaikista asioineista asiakkaista samantasoisesti. Eli on muistettava, että ennustemallit perustuvat sananmukaisesti niihin valintoihin, joita mallia kehitettäessä tehdään.

On muistettava, että ennustemallit perustuvat sananmukaisesti niihin valintoihin, joita mallia kehitettäessä tehdään.

Tekoälypohjaisten mallien käyttöön liittyviä riskejä ja eettisiä näkökohtia on käsitelty tutkimuksissa laajasti. Sosiaalihuoltoon tarkoitettujen tekoälypohjaisten toimintojen rakentamisessa tarvitaan sosiaalihuollon ammattilaisten ja myös palveluja saavien asiakkaiden näkemyksiä. Tutkimusten mukaan mallien käyttö koetaan sitä luotettavammaksi, kun tiedetään, mitä ”malli on syönyt”. Eli pitäisin läpinäkyvyyttä yhtenä tärkeimpänä asiana, kun tekoälypohjaisia sovelluksia ja malleja rakennetaan vaikkapa lasten ja perheiden palveluihin.

Tämä kirjoitus on kolmas osa Itlan blogisarjassa, jossa lasten, nuorten ja perheiden hyvinvoinnin asiantuntijat nostavat keskusteluun teemoja siitä, mihin suuntaan vaikuttavuusajattelua ja arviointimenetelmiä tulisi kehittää, ja mitkä kysymykset kaipaavat syvempää ymmärrystä ja keskustelua. Tässä ajassa kaipaamme myös uusia ratkaisuja ja oivalluksia! Tervetuloa mukaan keskustelemaan ja löytämään uusia ratkaisuja lasten, nuorten ja perheiden hyvinvoinnin tueksi!

Lue sarjan aikaisemmat kirjoitukset Vaikuttavuus lasten, nuorten ja perheiden hyvinvoinnin kehittämisessä – Kohti moninäkökulmaista ymmärrystä ja Kaikki on vaikuttavaa – vai onko?

Kirjoittaja

Minna Kivipelto

Johtava tutkija, THL ja työelämäprofessori, Jyväskylän yliopisto