Kuidas mõista andmestunud maailmaTekst

Loe katkendit
Märgi loetuks
Kuidas lugeda raamatut pärast ostmist
  • Lugemine ainult LitRes “Loe!”
Šrift:Väiksem АаSuurem Aa

Archer, M. S. 2015. Generative Mechanisms Transforming the Social Order. Springer International Publishing. http://sfx.ethz.ch/sfx_locater?sid=ALEPH:EBI01&genre=book&isbn=9783319137728.

Bates, J.; Lin, Y.-W.; Goodale, P. 2016. Data journeys: Capturing the socio-material constitution of data objects and flows. – Big Data & Society 3, 2. https://doi.org/10.1177/2053951716654502.

Bengio, Y.; Deleu, T.; Rahaman, N.; Ke, R.; Lachapelle, S.; Bilaniuk, O.; Goyal, A.; Pal, C. 2019. A Meta-Transfer Objective for Learning to Disentangle Causal Mechanisms. – ArXiv.Org. http://search.proquest.com/docview/2174081487/ ?pq-origsite=primo.

Beraldo, D.; Milan, S. 2019. From data politics to the contentious politics of data. – Big Data & Society 6, 2, 2053951719885967. https://doi.org/10.1177/2053951719885967.

Bhaskar, R. 2008. A Realist Theory of Science. Verso.

Bowker, G. C. 2005. Memory Practices in the Sciences. MIT Press.

Breiman, L. 2001. Statistical Modeling: The Two Cultures (with comments and a rejoinder by the author). – Statistical Science 16, 3, 199–231. https://doi.org/10.1214/ss/1009213726.

Chun, W. H. K. 2018. Queerying Homophily Muster der Netzwerkanalyse. – Zeitschrift Für Medienwissenschaften 10, 1, 131–148. https://doi.org/10.14361/zfmw-2018-0112.

Cioffi-Revilla, C. 2014. Introduction to Computational Social Science: Principles and Applications. Springer.

Couldry, N.; Mejias, U. 2018. Data Colonialism: Rethinking Big Data’s Relation to the Contemporary Subject. – Television and New Media, 1–14.

Couldry, N.; Mejias, U. 2019. The Costs of Connection: How Data Is Colonizing Human Life and Appropriating It for Capitalism. Stanford University Press.

Dalton, C. M.; Taylor, L.; Thatcher, J. 2016. Critical Data Studies: A dialog on data and space. – Big Data & Society 3, 1. https://doi.org/10.1177/2053951716648346.

Dellaposta, D.; Shi, Y.; Macy, M. 2015. Why do liberals drink lattes? – American Journal of Sociology 120, 5, 1473.

Dijck, J. van; Poell, T.; Waal, M. de 2018. The Platform Society: Public Values in a Connective World. Oxford University Press.

D’Ignazio, C.; Klein, L. F. 2020. Data Feminism. Cambridge, MA: MIT Press.

Eklund, L.; Stamm, I.; Liebermann, W. K. 2019. The crowd in crowdsourcing: Crowdsourcing as a pragmatic research method. – First Monday 24, 10. https://doi.org/10.5210/fm.v24i10.9206.

EP 2016 = European Parliament and Council of the European Union. Regulation on the protection of natural persons with regard to the processing of personal data and on the free movement of such data, and repealing Directive 95/46/EC (Data Protection Directive), L119, 4 May 2016, implementation date 25 May 2018.

Fuchs, C. 2018. Capitalism, Patriarchy, Slavery, and Racism in the Age of Digital Capitalism and Digital Labour. – Critical Sociology 44, 4/5, 677–702. https://doi.org/10.1177/0896920517691108.

Gitelman, L. ja Jackson, V. 2013. „Raw Data“ is an Oxymoron. Cambridge MA: MIT Press.

Goriunova, O. 2019. The Digital Subject: People as Data as Persons. – Theory, Culture and Society 36, 6, 125–145. https://doi.org/10.1177/0263276419840409.

Gupta, R.; Gupta, H.; Mohania, M. 2012. Cloud computing and big data analytics: What is new from database perspective? – Big Data Analytics: Proceedings of First International Conference, BDA 2012, New Delhi, India, December, Springer, 42–61.

Helbing, D. 2013. Globally networked risks and how to respond. – Nature 497 (7447), 51–59. https://doi.org/10.1038/nature12047.

Hepp, A. 2020. Deep Mediatization. Routledge.

Hindman, M. 2015. Building Better Models: Prediction, Replication, and Machine Learning in the Social Sciences. – The Annals of the American Academy of Political and Social Science 659, 1, 48–62. https://doi.org/10.1177/0002716215570279.

Hintz, A.; Dencik, L.; Wahl-Jorgensen, K. 2019. Digital citizenship in a datafied society. Polity.

Hopkins, P. 2019. Social geography I: Intersectionality. – Progress in Human Geography 43, 5, 937–947. https://doi.org/10.1177/0309132517743677.

Just, N.; Latzer, M. 2017. Governance by algorithms: Reality construction by algorithmic selection on the Internet. – Media, Culture and Society 39, 2, 238–258. https://doi.org/10.1177/0163443716643157.

Kennedy, H.; Moss, G. 2015. Known or knowing publics? Social media data mining and the question of public agency. http://eprints.whiterose.ac.uk/91180/1/2053951715611145.full.pdf.

Kitchin, R. 2014a. The Data Revolution: Big Data, Open Data, Data Infrastructures and Their Consequences. Sage.

Kitchin, R. 2014b. Big Data, new epistemologies and paradigm shifts. – Big Data & Society 1, 1. https://doi.org/10.1177/2053951714528481.

Lazega, E.; Snijders, T. A. B. 2016. Multilevel Network Analysis for the Social Sciences: Theory, Methods and Applications. Methodos Series Book 12. Springer. http://sfx.ethz.ch/sfx_locater?sid=ALEPH:EBI01&genre=book&isbn=9783319245201.

Lupton, D. 2015. The Thirteen Ps of Big Data. https://simplysociology.wordpress.com/2015/05/11/the-thirteen-ps-of-big-data/.

Lupton, D. 2020. Data Selves: More-than-human Perspectives. Polity.

Manovich, L. 2017. Cultural Analytics, Social Computing and Digital Humanities. – The datafied society: Studying culture through data. Eds. Mirko Tobias Schäfer, Karin van Es. Amsterdam University Press, 55–68.

Markham, A. N. 2016. Troubling the Concept of Data in Qualitative Digital Research. – U. Flick (ed.), The Sage Handbook of Qualitative Data Collection. Sage, 511–524.

Masso, A.; Männiste, M.; Siibak, A. 2020. ‘End of Theory’ in the Area of Big Data: Methodological Practices and Challenges in the Social Media Studies. – Acta Baltica Historiae et Philosophiae Scientiarum 8, 1, 33−61.

McBride, K.; Toots, M.; Kalvet, T.; Krimmer, R. 2018. Leader in e-Government, Laggard in Open Data: Exploring the Case of Estonia. – Revue Française d’administration Publique 167, 3, 613–625. https://doi.org/10.3917/rfap.167. 0613.

Milan, S.; Velden, L. van der 2016. The Alternative Epistemologies of Data Activism. – Digital Culture and Society 2, 2, 2364–2114. https://doi.org/10.14361/dcs-2016-0205.

Männiste, M.; Masso, A. 2020. ‘Three Drops of Blood for the Devil’: Data Pioneers as Intermediaries of Algorithmic Governance Ideals. – Mediální Studia | Media Studies 14, 1, 55−74.

Mühlhoff, R. 2019. Human-aided artificial intelligence: Or, how to run large computations in human brains? Toward a media sociology of machine learning. – New Media and Society, 1461444819885334. https://doi.org/10.1177/1461444819885334.

Park, G.; Schwartz, H. A.; Eichstaedt, J. C.; Kern, M. L., Kosinski, M.; Stillwell, D. J.; Ungar, L. H.; Seligman, M. E. P. 2015. Automatic Personality Assessment Through Social Media Language. – Journal of Personality and Social Psychology 108, 6, 934–952. https://doi.org/10.1037/pspp0000020.

Pink, S.; Ruckenstein, M.; Willim, R.; Duque, M. 2018. Broken data: Conceptualising data in an emerging world. – Big Data and Society 5, 1. https://doi.org/10.1177/2053951717753228.

Puschmann, C.; Burgess, J. 2014. Metaphors of big data. – International Journal of Communication 8, 1690–1709.

Raley, R. 2013. Dataveillance and countervailance. – Lisa Gitelman (ed.), ‘Raw Data’ Is an Oxymoron. MIT Press.

Rogers, R. 2013. Digital Methods. MIT.

Rogers, R. 2019. Doing Digital Methods. Sage.

Rossi, U. 2019. The common-seekers: Capturing and reclaiming value in the platform metropolis. – Environment and Planning C: Politics and Space 37, 8, 1418–1433. https://doi.org/10.1177/2399654419830975.

Runnel, P.; Pruulmann-Vengerfeldt, P.; Reinsalu, K. 2009. The Estonian Tiger Leap from Post-Communism to the Information Society: From Policy to Practice. – Journal of Baltic Studies 40, 1, 29–51. https://doi.org/10.1080/01629770902722245.

Schot, J.; Kanger, L. 2018. Deep transitions: Emergence, acceleration, stabilization and directionality. – Research Policy 47, 6, 1045–1059. https://doi.org/10.1016/j.respol.2018.03.009.

Schäfer, M. 2016. Challenging Citizenship: Social Media and Big Data. – Computer Supported Cooperative Work 25, 2, 111–113. https://doi.org/10.1007/s10606-016-9255-8.

 

Schäfer, M. T.; Es, K. van 2017. The Datafied Society: Studying Culture through Data. Amsterdam University Press.

Shaw, R. 2015. Big Data and reality. – Big Data and Society 2, 2, 1–4. https://doi.org/10.1177/2053951715608877.

Slota, S. C.; Hoffman, A. S.; Ribes, D.; Bowker, G. C. 2020. Prospecting (in) the data sciences. 0 Big Data and Society 7, 1, 1–12. https://doi.org/10.1177/205 3951720906849.

Stark, L.; Hoffmann, A. L. 2019. Data Is the New What? Popular Metaphors & Professional Ethics in Emerging Data Culture. – Journal of Cultural Analytics, May 1, 1–22. https://doi.org/10.22148/16.036.

Tammpuu, P.; Masso, A. 2018. ‘Welcome to the virtual state’: Estonian e-residency and the digitalised state as a commodity. – European Journal of Cultural Studies 21, 5, 543–560. https://doi.org/10.1177/1367549417751148.

Thylstrup, N. B.: Flyverbom, M.: Helles, R. 2019. Datafied knowledge production: Introduction to the special theme. – Big Data and Society 6, 2, 1–5. https://doi.org/10.1177/2053951719875985.

Wagner-Pacifici, R.; Mohr, J. W.; Breiger, R. L. 2015. Ontologies, methodologies, and new uses of Big Data in the social and cultural sciences. – Big Data and Society 2, 2, 1–11. https://doi.org/10.1177/2053951715613810.

Veltri, G. A. 2017. Big Data is not only about data: The two cultures of modelling. – Big Data and Society 4, 1, 1–6. https://doi.org/10.1177/2053951717703997.

Viik, K. 2015. Sõnastik: intersektsionaalsus. Feministeerium. https://feministeerium.ee/nadala-sona-intersektsionaalsus/.

Whitby, A. 2020. The Sum of the People: How the Census Has Shaped Nations, from the Ancient World to the Modern Age. Hachette UK.

1
MAAILMA ANDMESTUMINE

See raamat on loetav Eesti sotsiaalteadustes praegu aktuaalsete meetodialaste algatuste ülevaatena. Huvilisi lugejaid võiks leiduda sotsiaalteadlaste ja kraadiõppurite hulgas.

Mikko Lagerspetz
Åbo Akadeemia

1.1. ANDMEPÕHINE MUUTUSTE JUHTIMINE

Anu Masso, Triin Vihalemm, Leno Saarniit


LUGEMISSOOVITUSED

• Linnet Taylor, What is data justice? The case for connecting digital rights and freedoms globally. – Big Data and Society 2017, 4, 2. https://doi.org/10.1177/205 3951717736335.

• Abubakar Mohammed Abubakar, Hamzah Elrehail, Maher Ahmad Alatailat, Alev Elçi, Knowledge management, decision-making style and organizational performance. – Journal of Innovation and Knowledge 2019, 4, 2, 104–114.

• Michael Kearns, Aaron Roth, The Ethical Algorithm: The Science of Socially Aware Algorithm Design. Oxford University Press 2019.

1.1.1. Andmepõhised otsused andmestunud ühiskonnas

Selles peatükis tuleb juttu andmepõhisest muutuste juhtimisest, mille all mõistavad autorid olukorra analüüsi, tegevuseesmärkide püstitamist, nende saavutamise plaani koostamist ning uue olukorra analüüsi. Andmepõhist otsustamist ja protsesside juhtimist mõistame mitte kitsalt organisatsioonis kvantitatiivselt mõõdetavalt või kvalitatiivselt uute struktuursete tulemusteni jõudmisena, vaid laiemalt – andmetest tihedalt läbi põimunud organisatsioonilise ja kultuurilise otsustamise ja tööprotsessina. Kasutame väljendeid „andmepõhine otsustamine“, „andmepõhine juhtimine“ ja „andmepõhine muutuste juhtimine“ vastavalt tegevuse konkreetsemale või üldisemale kontekstile.

Kuigi andmete põhjal otsustamises pole iseenesest midagi uut, on digitaalsed andmed loonud mitmeid võimalusi reaalajas kiireid otsuseid teha valdkondades, kus see varem andmete puudumise tõttu polnud võimalik. Digitaalsete andmete loodud võimalused on muutnud andmete põhjal otsustamise uueks normiks ja organisatsioonikultuuri osaks. Andmeid on viimasel kümnendil kasutatud juhtimisotsuste tegemisel ja organisatsioonikultuuris eri viisil, mistõttu ka igapäevases kõnes kasutatud terminid võivad tähistada erinevaid otsusetegemise praktikaid. Soovitame niihästi kriitilisi kui ka kiitvaid publikatsioone lugedes, soovitusi või hoiatusi kuulates endale selgeks teha, millise metoodika ja kontekstiga parajasti tegu on, ning sellest tulenevalt hinnata info asjakohasust enda probleemi lahendamise jaoks.

Otsustamisviisi, kus lastakse andmetel endil „kõnelda“ lootes, et andmetes leiduvad mustrid annavad nähtustest tõese pildi, nimetatakse andmetest juhitud otsustamiseks (data driven decision making, vt ka governance by numbers, management by numbers) (Miller 2001; Hood 2007; Jackson 2011). On arvatud, et selline otsustamine täiendab või mõningatel juhtudel ka asendab inimlikku, tunnetus- ja kogemuspõhist, teatud mäluepisoodidel põhinevat ja isiku otsustamisstiilist kujundatud otsustamist (Brynjolfsson et al. 2011; Abubakar et al. 2019) ning on inimlikest emotsioonidest kallutamata, seetõttu n-ö täpsem, ratsionaalsem ja süsteemsem (nt Jones-Devitt, Samiei 2011; Peters 2001). Selline käsitlus võib jääda aga liiga kitsaks, kasulik on ka mõõtmise metoodikat kriitiliselt kaaluda, et „selitada oma teoreetilist mõtlemist ja soovitada uusi muutujaid“ (Blalock 1974: 88), et soovitud eesmärke ellu viia. Seetõttu hõlmab andmete abil juhtimine ja otsustamine lisaks otseselt numbrilise mõõtmisega seotud tegevustele ka praktikate ja protsesside kogumit, mis aitavad tagada andmevara ametlikku kujundamist, haldamist ja kasutamist organisatsioonis. Lisaks andmete tehnilisele analüüsile on oluline ka andmete põhjal tähenduste loomise ja tõlgendamise protsess ning otsuste võimalike positiivsete ja negatiivsete tagajärgede kriitiline hindamine (Latzer et al. 2018). Sellist otsustamist on nimetatud andmete põhjal (data-based decision making) või andmetest informeeritud otsustamiseks (data-informed decision making) (Haardörfer 2019), millele siinne peatükk keskendubki.

Andmete põhjal muutuste juhtimise ja otsustamise hädavajalikkuse näiteks on 2020. aasta kevade globaalne Covid-19 pandeemia, mis on nõudnud andmete kogumist, analüüsimist ja otsuste vastuvõtmist edasisteks tegevusteks ning pandeemia tõkestamiseks. Eri tüüpi andmeid (nt haiguse leviku, inimeste liikuvuse, kontaktide jm kohta) on kasutatud nii arengutrendide selgitamiseks, viiruse tõkestamiseks vajalike strateegiliste meetmete üle otsustamiseks kui ka edasiste majanduslike arengusuundade prognoosimiseks. Andmepõhine muutuste juhtimine tähendab selles kontekstis otsuseid, mida saab nimetatud etappides teha, tuginedes andmetele ja nende tõlgendustele, ning selleks kasutatavate meetodite kriitilist analüüsi. Mõnevõrra lihtsustatult võib öelda, et andmepõhine muutuste juhtimine koosneb reast andmepõhistest otsustest, mida tehakse kiiremini/möödaminnes või aeglaselt/kaalutledes.

Peatükk tutvustab andmepõhist muutuste juhtimist, kus organisatsiooniliselt ja poliitiliselt on seatud eesmärgiks uute väärtuste loomine andmete kaudu. Peatüki autorid selgitavad võimalusi, kuidas tuua eri tüüpi muutuste juhtimise strateegiatesse rohkem andmepõhisust, ning küsivad, milliseid institutsionaalseid, sotsiaalsete (võimu)suhete ja organisatsioonikultuuri muutusi on selleks vaja? Milline peaks olema andmeanalüütiku roll muutuste juhtimises? Kuidas teha andmete põhjal otsuseid poliitikakujundamises? Milliseid sotsiaalseid, poliitilisi ja eetilisi väärtuspõhimõtteid tuleb rakendada andmeanalüütilises töös?

1.1.2. Andmepõhiste otsustega seotud probleemid organisatsioonilises ja poliitilises juhtimises

Tutvustame selles peatükis probleeme, millega andmepõhiste otsuste tegemisel nii ettevõtetes, riigiasutustes kui ka vabaühendustes kokku puututakse ning kuidas andmeanalüütik saab aidata neid käsitleda. Andmete põhjal otsuste tegijad peavad arvestama nii võimalike kaasuvate üldiste positiivsete ja negatiivsete tagajärgedega (Obermeyer et al. 2019) kui ka nende tagajärgede põhjuste, näiteks andmete kallutatuse (Hargittai 2020) või andmepõhises otsustamises osaleva meeskonna kallutatuse (Gates et al. 2019) selgitamisega.

Arvutite toodetud andmekogumitest pärit teadmus muudab otsustamise eetikat (vt nt Lyotard 1979; vt ka ptk 1.4 ja alaptk 1.1.5). Mõistlik on leida n-ö inimtunnetuse ning puhtalt andmepõhise analüüsi ja järelduste vahel tasakaal; arvestatav osa andmepõhise juhtimise empiirilistest uuringutest ja teoreetilistest käsitlustest sellega praegu tegelebki. Läbikatsetamist vajab nii see, kuidas õppida inimeste kogemuspõhiste otsuste kõrval andmeid usaldama (Stubbs 2014), kui ka see, kuidas andmete poolt „esile kutsutud“ ja inimese kriitilise hinnanguta otsustest hoiduda. Ka andmete valdamises ollakse alles katsetuste faasis. Näiteks on loodud avatud valitsemise partnerluse programm ja osa spetsialiste on veendunud, et valitsussüsteemide toodetud andmete jagamine kasutajatega soodustab ühiskondade majanduslikku arengut (vt nt Helbig et al. 2012; Noda et al. 2019). Programmiga on alates selle loomisest 2011. aastal liitunud palju riike,11 kuid nüüdseks on selge, et maksumaksja raha eest valitsusasutuste kogutud andmetele avaliku ligipääsu võimaldamine üksi väärtust ei loo ja lisandväärtus saab tekkida ainult juhul, kui vabaühenduste ja ettevõtete eestvedajad on motiveeritud ja oskavad avaandmeid kasutada (Janssen et al. 2012).

Samuti eeldab valitsemise eesmärgil andmete kasutamine institutsionaalse usalduse teket ehk siis olukorda, kus indiviidid oma andmeid institutsioonidele usaldavad. Eestis on institutsionaalne usaldus ja teadlikkus, et institutsioonid kasutavad isikute andmeid, alles kujunemas (Männiste, Masso 2018). Juba mõnda aega on uurijad välja pakkunud avaandmetest lähtuvaid mõju uurimise ja hindamise käsitlusi (nt Jetzek et al. 2014). Kiirete ühiskondlike muutuste perioodil loovad avaandmed võimalusi ka lahenduste leidmiseks, näiteks sündmuste võimaliku kulu modelleerimiseks (vt ka ptk 2.3). Samas näitavad uuringud (Masso et al. 2020), et igapäevase koostegutsemise ning häkatonide käigus võivad avaliku ja erasfääri andmeanalüütikute ideaalid ja väärtused põrkuda.

Avatud valitsemise andmetele lisaks (vt ka ptk 1.3) tekib iga päev suurel hulgal struktureerimata ja mittekonventsionaalsetest allikatest pärit (sensorid, mobiiliandmed, (audio)visuaalsed kujutised, finantslogid, sotsiaalmeedia vestlused jm) andmeid. Nende tehnoloogilise töötlemise võimekuse tekkimine loob ka uued vajadused juhtimispädevuste järele. Uued tehnoloogiad võimaldavad reaalajas laekuvaid struktureerimata andmeid analüüsida n-ö otse, ilma neid vahepeal struktureerimata ja ladustamata. Selleks et sundida arvutit avastama olulisi seosemustreid, on vaja andmeteadlasi, kes oleksid muu hulgas kursis organisatsiooni toimimise ja keskkonnaga, sest ainult nii suudavad nad juhti toetada. Andmeteadlasi on praegu aga vähe ja seetõttu nimetatakse organisatsioone andmerikkaks, kuid oskusvaeseks (Pugna et al. 2018). Kiiranalüütika vahendite arengu tõttu on andmeanalüütika muutunud hädavajalikuks üldpädevuseks mitte ainult analüütikutele, vaid ka juhtidele ja teistele otsuste tegijatele. Oluline on mitte võimalikult paljude andmete analüüs, vaid kõige olulisemate andmete – äriorganisatsioonis näiteks kliendiga kokkupuutepunktide, konkurentsi ja turutingimuste – omavaheline suhestamine (Heymann 2018).

Seega tähendab andmepõhine otsustamine eeskätt võtmenäitajate määratlemist. Mõnikord tekib siin kinnine ring: organisatsioonid koormavad oma analüütilise võimekuse üle, püüdes strateegilisse otsustamisse haarata võimalikult palju tunnuseid, arutamata läbi, kas need on põhiliste eesmärkide seisukohalt olulised. Valikute tegemine ongi võimalik juhul, kui otsustajad teadvustavad endale, et andmed kannavad väärtust kindla vajaduse kontekstis. Infosüsteemid ei ole olemuselt neutraalsed, vaid tähendusloome protsess käib kaasas iga info(süsteemi)päringuga ning lähtub tegija taustateadmisest ja organisatsiooni kontekstist (Bednar, Green 2011). Kui andmeanalüütiku pädevus piirdub vaid tehnoloogiliste oskustega ega hõlma seoste loomise ja kontekstitunnetuse võimet ehk nn suure pildi nägemist, tekib organisatsioonis andmediktatuur (Pugna et al. 2018).

 

Andmeanalüütikute roll on seega üha tihedamalt seotud organisatsiooni ja tegevusvaldkonna teadmusloomega ning organisatsiooni juhtimisega. Andmepõhise otsustamise rakendamine nõuab organisatsioonikultuurilist muutust, puudutades kõiki organisatsiooni liikmeid ja partnereid. Järgnevates alapeatükkides käsitleme mõningaid põhimõtteid, millele muutuste juhtimise protsessides osalev andmeanalüütik saab vastavalt probleemi olemusele toetuda, et olla toeks organisatsiooni juhtidele ja kolleegidele.

11Eesti ühines programmiga loomise aastal ehk 2011.