VAASAN YLIOPISTON RAPORTTEJA 59 IS Reviews 2025 PERTTI JÄRVINEN | RAIMO HÄLINEN Julkaisija Vaasan yliopisto Tekniikan ja innovaatiojohtamisen yksikkö, Tietojärjestelmätiede. Tekijät Pertti Järvinen https://orcid.org/0000-0002-2178-2596 Raimo Hälinen https://orcid.org/0009-0006-7677-9788 Kirjallisuuskatsaus ISBN 978-952-395-244-7 (verkkoaineisto) URN http://urn.fi/URN:ISBN:978-952-395-244-7 ISSN 2489-2580 (Vaasan yliopiston raportteja 59, verkkoaineisto) Julkaisun nimi IS Reviews 2025 Avainsanat kirjallisuuskatsaukset, artikkelit (julkaisut), kirjoittaminen, arviointi Tämä teos on lisensoitu Creative Commons Nimeä 4.0 Kansainvälinen -lisenssillä. https://orcid.org/0000-0002-2178-2596 https://orcid.org/0009-0006-7677-9788 http://urn.fi/URN:ISBN:978-952-395-244-7 https://creativecommons.org/licenses/by/4.0/deed.fi III Esipuhe Tämä raportti on tarkoitettu tukemaan tutkimustyötä tietojärjestelmätieteen alueella. Raporttiin on poimittu alan keskeisiä artikkeleita, joita on lyhyesti referoitu. Tiivistelmän lukija saa tietää, mikä aihe kiinnostaa tutkimuksen tekijää, mitkä ovat artikkelin tulokset ja kuinka ne on saatu (mitä voidaan sanoa tulosten luotettavuudesta). Hän voi tietyn tiivistelmän perusteella päättää, tutustuuko hän syvällisesti artikkeliin vai ohittaako sen. Järvinen on tehnyt artikkelien tiivistelmiä vuodesta 1991 alkaen osana jatko- koulutusseminaareja. Hälinen on ainakin vuodesta 2020 alkaen kommentoinut artikkeleita ja on vuodesta 2023 tuottanut tiivistelmiä. Kummankin huomautukset osoittavat, että ko. artikkelin olisi voinut tehdä toisinkin. Artikkelien valinta on pulmallinen tehtävä. Olemme etsineet katsausartikkeleita, jotta jatko- opiskelijat pääsisivät niiden avulla tutkimuksensa alkuun. Myös entistä uudempia artikkeleita on mukana. Samoin uusia teorioita, malleja ja viitekehyksiä sisältäviä artikkeleita on valittu mukaan. Tiivistelmään on kopioitu alkuperäinen abstract (italic), jotta lukija saa käsityksen, mihin kirjoittajat ovat pyrkineet. Preface This report is intended to support research work, and the topic of the articles concerns information systems and computing milieus (cf. ACM). The articles in this report are summaries prepared by doctoral students. This report is intended to help a postgraduate student become familiar with the IS literature. Based on the summary, s/he can get a crude view of the article, and s/he can later seek and read the original article. At the end of some summaries is a short evaluation of the article, its merits, and shortcomings. Those comments may help a student improve his/her ability to read and evaluate other articles. Järvinen has published summaries since 1991. They are written as part of seminars for doctoral students. Hälinen joined to evaluate and comment on articles in 2020. Hälinen is from 2023 producing summaries. Their commnets demonstrate that it is possible to realize that article in a different way. Selecting articles is challenging. In our attempt to help doctoral students become familiar with IS research, we have included new articles containing theories, models, and frameworks. This document will feature all articles read, summarised, and reviewed during 2023-2024. Please note that some parts of the summaries are written in English. Each article includes original abstracts in italic. Pertti Järvinen pertti.h.jarvinen@gmail.com Raimo Hälinen raimo.halinen@elisanet.fi IV Sisältö Turel, Ofir, 2025. To learn or not learn from AI? Unpacking the effects of feedback valence on novel insights recall. European Journal of Information Systems (34:4), 758–779. ............................................... 1 Chua, N., Miska, C., Mair. j. & Stahl, G. K. 2024. Purpose in Management Research: Navigating a Complex and Fragmented Area of Study. Academy of Management Annals (18:2), 755–787. (11:3). ............................................................................................. 14 Sundberg, L. & Holmstrom, J. 2024. Fusing domain knowledge with machine learning: A public sector perspective. Journal of Strategic Information Systems (33), 1-16 ....................................................... 24 Riedl, René, Oettl, Cristian. Stangl, Fabian J. & Hevner, Alan R. 2025. How an Agile Software Process Increases Developers’ Job Satisfaction: A Stress Perspective Based on the Effort-Reward- Imbalance Model. Business & Information Systems Engineering (67) ................................................................................................. 35 Gioia, D. A., Corley, K. G. & Hamilton, A. L. 2013. Seeking Qualitative Rigor in Inductive Research: Notes on the Gioia Methodology. Organizational Research Methods (16:1), 15-31. ............................. 48 Gehman, J., Glaser, V. L., Eisenhardt, K. M., Gioia, D., Langley, L. & Corley, K. G. 2018. Finding Theory–Method Fit: A Comparison of Three Qualitative Approaches to Theory Building. Journal of Management Inquiry (27:3), 284–300. ............................................. 57 Larsen, K. R., Lukyanenko, R., Mueller, R. M., Storey, V. C., VanderMeer, D., Parsons, J. & Hovorka, D. S. 2020. Validity in Design Science Research. DESRIST Conference, LNCS 12388, 272- 282 Springer ................................................................................... 67 * Larsen, K. R., Lukyanenko, R., Mueller, R. M., Storey, V. C., VanderMeer, D., Parsons, J. & Hovorka, D. S. 2025. Validity in Design Science. MIS Quarterly (in press), 34 pages. ......................... 70 Wiener, M., Strahringer, S. & Kotlarsky, J. 2025. Where are the processes in IS research on digital transformation? A critical literature review and future research directions. Journal of Strategic Information Systems (34;), 27 pages................................. 83 Storey, V. C., Baskerville, R. L. & Kaul, M. 2025. Reliability in design science research. Information Systems Journal (35:3), 984–1014. ... 90 Jaakkola, E. 2020. Designing conceptual articles: Four approaches. AMS Review (10:1–2), 18–26. ........................................................... 97 V Vuori, N., Burkhard, B., Laamanen, T. & Bingham, C. 2024. Heuristics in Organizations: Toward an Integrative Process Model. Academy of Management Annals (18:2), 670–711. ....................................... 104 Elsbach, K. D. & van Knippenberg, D. 2020. Creating High-Impact Literature Reviews: An Argument for ‘Integrative Reviews’. Journal of Management Studies (57:6), 1277-1289. ................................... 119 Alvesson, M. & Sandberg, J. 2020. The Problematizing Review: A Counterpoint to Elsbach and Van Knippenberg’s Argument for Integrative Reviews. Journal of Management Studies (57:6), 1290- 1304. ............................................................................................ 125 Ashrafi, A., Constantinides, P., Mehandjeiev, N. & Tatcher, J. B. 2025. Mobilising new frontiers in digital transformation research: A problematization review. Information Systtems Journal (35:1), 97– 139. .............................................................................................. 133 Seidel, S., Berente, N. & Baiyere, A. 2025. Stability and change in digital transformation: A repertoire model of institutionally embedded technology affordances. Information and Organization (35), 1-14. ..................................................................................... 139 Siponen, M., Lanamäki, A., Nathan, M., & Klaavuniemi, T. (In press). Mechanism-Based Explanations and Theoretical Contribution in IS Research. Communications of the Association for Information Systems (57), pp-pp. ..................................................................... 152 Cornelissen, J. P. 2025. The problem with propositions: Theoretical triangulation to better explain phenomena in management research. Academy of Management Review (50:2), 342–365. ......... 162 Paré, G., Wagner, G., Tate, M., Schryen, G. & Templier, M. 2025. : Theorising forward: positioning deductive elaboration in the Information Systems research repertoire. European Journal of Information Systems (34:n). .......................................................... 172 Elmira van den Broek 2025. Unpacking AI at work: Data work, knowledge work, and values work. Information and Organization (35), 1-13. ..................................................................................... 187 Van de Ven, A. & Poole, M. S. 1995. Explaining development and change in organizations. Academy of Management Review (20:3), 510-540. ....................................................................................... 196 Suddaby, R. 2010. Editor’s Comments: Construct Clarity in Theories of Management and Organization. Academy of Management Review (35:3), 346–357. ................................................................ 204 VI Van den Broek, E., Sergeeva, A. & Huysman, M. 2025. Is there fairness in AI? Journal of Management Studies (0:0). ................................... 213 Staub, N., Haki, K., Aier, S. & Winter, R. 2022. Governance Mechanisms in Digital Platform Ecosystems: Addressing the Generativity-Control Tension. Communications of the Association for Information Systems, 51, 907-938. .......................................... 225 Meske, C., Bunde, E., Schneider, J., & Gersch, M. 2022. Explainable Artificial Intelligence: Objectives, Stakeholders, and Future Research Opportunities. Information Systems Management (39:1), 53-63 ............................................................................................ 237 Aikaisemmat IS Reviews -raportit ........................................................ 245 Turel, Ofir, 2025. To learn or not learn from AI? Unpacking the effects of feedback valence on novel insights recall. European Journal of Information Systems (34:4), 758–779. https://doi.org/10.1080/0960085X.2024.2426473 Turel tutkii, oppivatko ja miten ihmiset joko tekoälyn (artificial intelligence, AI) tai toisen ihmisen antamasta palautteesta. (PJ: a) Oppimista koskeva tutkimus on mielenkiintoinen siksi, että siinä oletetaan oppimisen tapahtuvan ihmisessä ja ”näkyvän” muutoksena ihmisessä. b) Haastavaa sen sijaan on se, että kuuluuko oppimisen tutkimus tietojenkäsittelyoppiin vai kasvatustieteeseen. Kasvatustiede on tässä yhteydessä referenssitiede, jossa IS-tutkijan tulee pystyä yhtäläisesti julkaisemaan tuloksia kuin kasvatustieteilijä. Tässä AI ”opettajana”, palautteen antajana, puoltaa sitä, että tämä tutkimus julkaistaan IS-lehdessä. c) Tämä kysymys – IS-tiede vai kasvatustiede – on tärkeä siksi, että IS-tutkija Turel esittää kasvatustieteen totuuksina vain sellaista, joka tukee hänen tutkimustaan, mutta jää kuitenkin epäilys, mitä kasvatustieteestä jää sanomatta.) Tutkimuksen rakenne: Artikkelin rakenne on: 1. johdanto, 2. tausta, 3. hypoteesit, 4. metodit, 5. tulokset, 6. keskustelu ja 7. johtopäätös. Rakenne näyttää jonkin ilmiön (tässä oppimisen) tutkimukselta, jossa kysytään: Millainen maailma on? (PJ: a) Oletuksena on kuten traditionaalisissa tutkimuksissa tasaantunut tila (status quo), mutta oppimisessa on kuitenkin kyse muutoksesta. Sitä Turel ei erikseen ole huomannut. b) Vaikka hän on huomannut, ettei hypoteesia laadittaessa kysytä totuutta (truth), vaan miten hyvin opittiin. c) tässä tutkitaan oppimista eikä sitä, miten oppimista hyödynnetään.) 1. Johdanto (PJ: Metodioppaasta (esim. Järvinen & Järvinen 2011) tiedämme, että Johdannon alussa ei yleensä ole lukuun 1 johdattavaa kappaletta (preview) vaan alussa kerrotaan, missä tieteellisessä keskustelussa artikkeli on mukana. Leidner ja Gregory (2024) suosittavat: ”Johdannossa kerrotaan, mitä asiasta jo tiedetään, ja se, mikä aiheessa on ongelmallista.” Turel (2024) on lisäksi kertonut, mitä tuloksia hän saanut ongelmiensa ratkaisuna.) Turel (2024) katsoo, että oppimista tukevat ohjelmat, pedagogiset agentit, voivat parantaa oppimista. Turel haluaa osoittaa, että AI (riisutussa muodossa) voi toimia oppimisen tuottajana jäljittelemällä ihmisen ”kognitiivista funktiota”. Traditionaalisista oppimisteknologioista poiketen AI voi Turelin viittauksen mukaan tuottaa uusia faktoja ja syntetisoida uusia käsityksiä (insight) aiemmin kartoittamattomilta alueilta (Zagalsky et al. https://doi.org/10.1080/0960085X.2024.2426473 Vaasan yliopiston raportteja 2 2021). (PJ: Tuntematta tuota HCI-konferenssin esitelmää rohkenen epäillä AI:n tämänhetkisiä kykyjä tuottaa novel facts ja syntetisoida novel insghts, kun on sanottu AI:n nojaavan koneoppimisen (machine learming) kautta saatuun tietotaustaan. Voiko AI olla järkevä (intelligent) oppimisen lähde?) Turel viittaa lähteeseen Logg (2021), jonka mukaan ihmiset reagoivat AI:hin tiettynä sosiaalisena toimijana ja suhtautuvat AI:n tuloksiin ja sen antamaan palautteeseen eri tavalla kuin ihmisiltä saatuihin tuloksiin ja palautteisiin. Em. ja muuhun ihmisen käyttäytymisen perustuen Turel johtaa kaksiosaisen tutkimuskysymyksen: RQ1: (a) Voivatko ihmiset oppia uusia käsityksiä AI:ltä saadun palautteen vuoksi? ja (b) ovatko ihmisen muistista haetut uudet käsitykset erilaisia riippuen siitä, onko palautteen lähteenä ollut AI vai ihminen? Seuraavaksi Turel huomauttaa, että ihmiset ovat harhaisia tai ennakkoluuloisia oppijoita, koska he reagoivat eri tavalla negatiiviseen kuin positiiviseen palautteeseen valintansa mukaan (esim. palautteen valenssin mukaan – silloin palaute voi tässä olla ”korrekti” tai epäkorrekti”). Tällaista ihmisen muistitoimintaa kutsutaan ”valikoivaksi muistiksi”. Siitä Turel saa kaksiosaisen tutkimuskysymyksen: RQ2: (a) Vaikuttaako AI:n palautteen valenssi uusien käsitysten oppimiseen? Erityisesti onko silloin kyse ihmisen valikoivasta muistista, kun AI on palautteen lähde? ja (b) mitkä ovat valikoivan muistin taustalla olevat avainmekanismit ihmisten ja AI:n vuoro- vaikutustapauksessa? Turel kokoaa sitten monia käytännön seikkoja yhteen kuvatessaan, miten hän toteutti tutkimuksensa. (PJ: Lukijaa olisi tässä helpottanut ison kappaleen jakaminen useampaan osaan.) Turel kertoo, että hän pyrki vastaamaan tutkimuskysymyksiin tekemällä itse asiassa neljä koetta, joissa oli mukana1766 koehenkilöä. Turel pyrki monella tutkimuksellaan lisäämään yleistettävyyttä ja luottamusta tuloksiin. (PJ: IS-kehittämis(systeemin- suunnittelu)hankkeet ovat toimintatutkimuksia (action research AR), joissa toteutetaan muutos - Baskerville & Wood-Harper 1996. Oppiminen sisältää muutoksen, kun oppijan entinen tietämyssisältö muutetaan uuden tietämyksen mukaiseksi. Nyt voi kysyä, ovatko oppimistutkimukset, jotka sisältävät tietämyksen (knowledge) muutoksen, myös AR- tutkimuksia? vai ”Millainen maailman kyseinen ilmiö on?”-tutkimuksia?) Kaikki Turelin kuvaamat tutkimukset nojaavat kolmivaiheiseen oppimisparadigmaan: (1) oppimis-sessio, jossa palautteen perusteella opitaan uusia käsityksiä, (2) käyttäjien huomio kiinnitetään hetkeksi muualle, ja (3) testausvaihe, jossa selvitetään, palauttaako oppija vaiheessa 1 oppimansa muististaan testaajan näkemäksi/kuulemaksi. (PJ: a) Chua (1986) käyttää termiä paradigma oletukseen siitä, onko tutkimuskohde tasaantuneessa tilassa (status quo); tässä on kuitenkin kyse oppimisesta ja siis muutoksesta, mutta ei kuitenkaan Vaasan yliopiston raportteja 3 ISD- (information systems development) eikä AR-tutkimuksissa), b) ISD- ja AR-tutkimuksia ei voi yleistää, c) minua epäilyttää kolmivaiheinen oppimiskäsitys. Stewart (2021) tutki käsityksiä oppimisesta. Hän löysi sellaisia lähestymistapoja kuin ’konstruktivismi’ ja ’behaviorismi’, kun kysymys oli behavioristisista perspektiiveistä (s. 3) hän kiteytti ne seuraavasti: 1900-luvun alussa sovellettiin tieteellisiä metodeja oppimisen tutkimuksessa ja havaittiin Pavlovin koirakokeiden tapaan, että oppiminen tapahtuu vahvistamalla ja näyttää perustuvan reaktioon ”neutral stimulus”. Behavioristinen näkemys on nähtävissä Turelilla, kun hän lainaa Lahmania (1997, s. 479): ”Oppiminen on suhteellisen vakaa modifiointi stimulus-response -relaatioissa, kun ne kehittyvät toiminnallisen ympäristön ja aistien vuorovaikutuksessa”. Turel kertoo, että hän käytti tutkimuksissaan kahta keinotekoista AI-välinettä. Tutkimuksia 1 ja 2 varten AI tuotti uusia liiketoiminnan faktoja, tutkimuksia 3 ja 4 varten AI tuotti uusia käsityksiä esihistoriallisten kielten symboleille. AI:n palautteen lisäksi jotkut henkilöt antoivat tutkimuksissa palautetta. He olivat joko vertaisia (peer) tai joku erityisasiantuntija. Kun tutkittiin tutkimuksissa 1–3 valikoivaa muistia, silloin käytettiin ”korrekteja” (egoa tukevia) ja ”epäkorrekteja” (egoa haastavia) palautteita informaatiolähteissä (ihminen tai AI). Tutkimuksessa 4 ei annettu palautetta lainkaan. Neljän kokeen tulokset osoittavat, että (1) kun koehenkilöt saavat negatiivista (egoa haastavaa) palautetta AI:ltä, he oppivat paremmin kuin ne koehenkilöt, jotka saavat negatiivista palautetta ihmisiltä; tämä tarkoittaa Turelin mukaan, että AI haastaa egoa vähemmän kuin ihmiset haastavat; (2) Ei ole eroa uusien käsitysten oppimisessa, olivatpa positiivisen palautteen antajina joko AI tai ihmiset. (3) Valikoiva muisti AI:n palautteen yhteydessä auttaa ihmisiä oppimaan uusia käsityksiä paremmin olipa AI:n palautteet positiivista tai negatiivista. Turelin mukaan AI ymmärretään tällöin sosiaaliseksi faktoriksi. (4) Tämä tutkimus osoittaa alentunutta oppimista, kun saadaan negatiivista palautetta AI:ltä. Alentunut oppiminen toimii välittävänä (mediated) tekijänä egoa kolhittaessa (bruising) ja luomassa vihaa. Tuo kolhiminen näkyy itsetunnon laskuna. Turelin mukaan tulokset rohkaisevat jatkamaan tutkimuksia AI:n ja mahdollisesti jonkin muun pedagogisen agentin käyttöä palautteen antajana. (PJ: a) Ihminen (ei IT tai jokin siihen perustuva laite) näyttää olevan IS:n haastavin tutkimuskohde. b) Iso joukko viittauksia psykologia- ja sosiaalipsykologiatieteiden lähteisiin yhtäältä vahvistaa käsitystä tutkijan osaamisesta, mutta toisaalta kokonaiskuvien puuttuminen ja lähtökohtaoletusten Vaasan yliopiston raportteja 4 unohtaminen tuovat mieleen kysymyksen: Kumpaan tieteeseen, psykologiaan tms. vai IS- tieteeseen tämä aiheen tutkiminen kuuluu?) 2. Tausta (PJ: lukijan johdattelu (preview) lukuun 2 puuttuu.) 2.1 Oppiminen Turel ottaa Lachmanin (1997) määritelmän: Oppiminen on prosessi, jossa suhteellisen tasaisesti tapahtuu muutoksia ärsyke-vaste-relaatio seurauksena siitä, että aistit ovat olleet vuorovaikutuksessa ympäristön kanssa. Turel antaa esimerkin: Silmämääräisesti Android- käyttöjärjestelmän osuus kännyköissä on 22 % vuonna 2022. Kysyttäessä samaa asiaa ihmiset vastaavat ” Android-käyttöjärjestelmän osuus kännyköissä on 22 % vuonna 2022”, sillä muutos ihmisten aivoissa on tapahtunut suhteellisen tasaisesti synapsien välillä. Turel kertoo, että muisti on oppimisen ydinaspekti. Sillä oppiminen sisältää kolme vuorovaikutusta muistin kanssa: (1) informaatio kirjataan muistiin, (2) se varastoidaan muistiin ja (3) se noudetaan muistista (Crowder 2014). Oppiminen voi olla motivoitua tai sattumanvaraista. Esimerkkinä edellisestä on oppiminen kirjasta tai AI:sta. Esimerkki jälkimmäisestä on AI:n sellainen palaute, joka sisältää arvion ”korrekti” tai ”epäkorrekti”, siis toisen tehtävän sivutuloksena. Wikipedia esittää Bloomin (1956) taksonomian kuvaavan eri tasoista asian hallintaa. Kutakin oppimisen tasoa on havinnollistettu fysiikan kaavalla. 1. Tietää: muistetaan ulkoa kaava E=mc2; 2. Ymmärtää: ymmärretään, mitä tarkoittaa energia (E), massa (m) ja valon nopeus (c) ja mistä syystä kaava on voimassa; 3. Soveltaa: osataan laskea, miten paljon aurinko kevenee, kun sen säteilyn maapallolle tuoma teho pinta-alayksikköä kohti on P (suuruusluokkaa 1 kW/m2); 4. Analysoida: voidaan opitun perusteella itse päätellä, miksi kappaleen massa riippuu tarkkailijan ja kappaleen suhteellisesta liiketilasta; 5. Syntetisoida: oivalletaan itsenäisesti kaavan seurauksia (esim. että standardikilogramman punnuksen massa kasvaa sen lämpötilan noustessa); 6. Arvioida: kyetään tarkastelemaan kaavan merkitystä fysiikan eri osa-alueilla. (Englanniksi 1. knowledge, 2. understanding, 3. application, 4. analysis, 5. synthesis, 6 evaluation) Turel on valinnut alimman tason: i. Tietää. Se muodostaa ylempien tasojen perustan. https://fi.wikipedia.org/wiki/Ulkoaoppiminen https://fi.wikipedia.org/wiki/Ymm%C3%A4rrys Vaasan yliopiston raportteja 5 2.2 Valikoiva muisti Sedikides ja muut (2016) määrittelevät, että ihmisten oppimisprosessit ja muistikapasiteetti (joka tunnetaan myös muistikykynä) on usein harhaisesti määritelty saamansa palautteen valenssina. Tätä harhaa kutsutaan ”valikoivaksi muistiksi”. Se koskee sellaista muistia, joka heijastaa sitä, että muistetaan positiiviseen sosiaaliseen palautteeseen liittyvä informaatio, muttei muisteta negatiiviseen sosiaaliseen palautteeseen liittyvää informaatiota. Turel esittää, että ihminen haluaa suojella omaa käsitystään itsestään (ego). Viitaten kuvioon Figure 1 Turel selittää, miten negatiivinen palaute toiselta ihmiseltä vaikuttaa kuvion tapaan jossain määrin egon kannalta haastavalta (mutta AI:n tuottama negatiivinen palaute ei tee sitä ainakaan yhtä voimakkaasti). (Figure 1 on tiivistelmän englannin-kielisessä osuudessa.) 3. Hypoteesit AI voidaan nähdä sosiaalisena toimijana. Se sopii CASA (Computers Are Social Actors) - teoriaan. Turel viittaa moneen psykologian artikkeliin ja esittää olettamuksen: H1: Negatiivinen itseä koskeva palaute AI:ltä (esim. vastaus ”epäkorrekti”) tuottaa uusien käsitysten huonompaa oppimista kuin (a) positiivinen itseä koskeva palaute AI:ltä (esim. vastaus ”korrekti”) ja (b) ei saisi AI:ltä palautetta lainkaan. Koska AI:tä yleisesti pidetään ”kylmempänä”, pragmaattisempana, mekanistisempana ja systemaattisempana kuin ihmistä, kansa liittää AI:hin vähemmän sosiaalisia odotuksia ja pitää sitä alempiarvoisena (toisen luokan) sosiaalisena toimijana, jolla on rajalliset sosiaaliset kyvyt. Siksi negatiivista itseä koskevaa palautetta AI:ltä pidetään vähemmän uhkaavana verrattuna siihen, jos palaute tulisi joltakin ihmiseltä. H2: Negatiivisella itseä koskevalla palautteella AI:ltä (esim. vastaus ”epäkorrekti”) on vähemmän haitallinen vaikutus uusien asioiden oppimiseen kuin tapauksessa, että palaute tulee ihmiseltä. Turelin mukaan itsetunto (self-esteem) ilmaisee, miten negatiivinen palaute kolhii sitä. Lisäksi muutos itsetunnossa vaikuttaa oppimiseen. Siitä Turel saa hypoteesin. H3: Omanarvontuntoa alentava (näkyy itsetunnon tilan laskuna) AI:n palaute toimii välittäjänä AI:n palautteen ja uusien käsitysten oppimisen kanssa. Erityisesti sen tekee AI:n negatiivinen palaute, joka näkyy itsetunnon laskuna. Turel ottaa pohdintansa avuksi arviointiteorian, joka koskee omien asenteiden muutosta tietyissä tilanteissa ja lisäksi asenteiden muutos näkyy tunteissa. Teorian vaikutus näkyy hypoteesina Vaasan yliopiston raportteja 6 H4: Vihan tunne välittää AI:n antaman negatiivisen palautteen vaikutuksen oppimiseen. 4. Metodit Tämä artikkeli kertoo tulokset Turelin neljästä kokeesta, jotka nojaavat tutkimusongelmiin ja testaavat hypoteeseja. Tulosten yhdistelmä on esitetty taulukossa Table 1 (tiivistelmän engl. osuudessa) 4.1 Otokset Turel käytti koehenkilöinä liiketaloustieteen opiskelijoita. (PJ: Turel tähtää tutkimustulostensa yleistettävyyteen. Compeau ja muut (2012) kysyvät: Missä määrin opiskelijoita koehenkilöinä käyttävien tutkimusten tulokset ovat yleistettäviä? Edustavatko opiskelijat populaatiota, johon tulokset on yleistettävissä? - Ehkä AI on juuri nyt kaikkein parhaiten tunnettu opiskelijoiden joukossa. Mutta varttuneen työntekijän itsetunto saattaa olla paremmin kehittynyt kuin opiskelijan.) Opiskelijoihin nojaavia otoksia kuvaa taulukko Table 2 (tiivistelmän engl. osuudessa) 4.2 IT-artifakti (PJ: riisuttu AI) Turel ottaa AI-ohjelmasta vain pienen osan ja pitää sitä työkaluna (Orlikowski & Iacono O&I 2001). O&I tunnistivat tietokonesysteemin viitenä eri näkemyksenä: I. Työkalu (tool), II. Korvike (proxy), III. Yhdistelmä (ensamble), IV. Laskentateho (computational) ja V. Nimellinen (nominal). Kirjoitin silloin työkalunäkemyksestä ko. artikkelin tiivistelmään: ”I. Teknologian työkalunäkemys ((Orlikowski & Iacono 2001) Työkalunäkemys pitää teknologiaa insinöörimäisenä artefaktina, joka tekee, mitä suunnittelijat ovat tarkoittaneet sen tekevän. Informaatioteknologia nähdään organisationaalisista ja sosiaalisista järjestelyistä riippumattomana, erillisenä, muuttumattomana tekijänä, jota ihmiset kontrolloivat. Työkalunäkemys tekee teknologiasta mustan laatikon. IT voi olla ISR-artikkeleiden mukaan neljällä tavalla työkalu: 1) se korvaa työvoimaa, 2) se lisää tuottavuutta, 3) se käsittelee informaatiota ja 4) muuttaa sosiaalisia suhteita. Yleispiirteenä on, että teknologia oletetaan riippumattomaksi muuttujaksi ja kiinnostus em. tutkimuksissa koskee riippuvan muuttujan muutoksia. Mekanisaation ja automaation kausilta on peräisin näkemys, että teknologia korvaa työvoimaa. Yritykset tuottaisivat silloin vähemmällä väellä enemmän ja luotettavammin. Vaasan yliopiston raportteja 7 Käsitys, että teknologia lisää tuottavuutta, perustuu teknologian näkemiseen käden ja pään jatkeena sekä yksilön että ryhmien työssä. Tällöin korvataan vanhat työtavat uusilla ja tehokkaammilla. Aikaisemmin jopa ennakoitiin, että teknologia erityisesti auttaisi tietojen keräämisessä lattiatasolta ja sen jalostamisessa ja tiivistämisessä ylemmälle johdolle ja siten tukisi keskittämistä. Internetin tulon myötä teknologian nähdään käsittelevän informaatiota, painottavan teknologian kykyä tukea ihmisten muistia ja mieleen palauttamista. Teknologian tulon myötä sosiaaliset roolit voivat muuttua, hierarkiat alentua, liiketoimintaprosessit muuttua ja kommunikointiin tulla useampia vaihtoehtoja. Puhutaan jopa etäläsnäolosta ja muistakin kontekstin muutoksista.” Turel on ottanut artikkelista (Orlikowski & Iacono 2001) sen, että AI työkaluna korvaa työvoimaa, prosessoi informaatiota ja lisää tuottavuutta. (PJ: Minusta O&I ovat silloin ymmärtäneet tietokoneperustaisen systeemin hyödyllisenä (util) välineenä, mutta Turel on tutkinut AI:ta oppimisen yhteydessä palautteen antajana eikä henkilön oppimisen hyödyntäminen ole ollut tutkimuskohteena. Minusta Turelin viittaus ”AI työkaluna korvaa työvoimaa, prosessoi informaatiota ja lisää tuottavuutta” on tässä artikkelissa harhaanjohtava, sillä viittaus ei koske oppimista sinänsä vaan oppimisen hyödyllisyyttä – organisaation kannalta.) Turel on lisäksi kehitellyt AI:tä kontrolloidun kokeen välineen suuntaan ja poistanut AI:stä kaikki muut toiminnot mutta jättänyt palautteen antamisen toiminnon, jota koehenkilöt ovat käyttäneet kahdella tavalla, joka näkyy vastauksina ”korrekti” ja ”epäkorrekti”. Muuten AI on koehenkilön kannalta musta laatikko. 4.3 Proseduuri ja mittarit Proseduuri tarkoittaa, mitä toimenpiteitä (askelia) tehtiin neljää koetta varten. Koehenkilöinä olivat opiskelijat, joille kullekin luvattiin suorituksesta lisää (1,5%). Liitteessä (appendix) on esitetty koetehtävät. Amerikkalaisen käytännön mukaan kukin opiskelijaosallistuja allekirjoitti sitoumuksen ja lupasi itsensä tutkimuksen koehenkilöksi. Turel avustajineen oli tarkkana ja valvoi, että kukin osallistuja suhtautui kokeisiin vakavasti, osasi englantia riittävästi ja muutenkin toimi sääntöjen mukaan. Jos osanottaja ei tehnyt näin, hänet poistettiin aineistosta. (PJ: Minusta Turel todella valvoi, että kukin osanottaja toimi alussa annettujen tutkimuksen sääntöjen mukaan.) Turel kysyi osanottajilta seuraavat taustamuuttujat: ikä, sukupuoli ja osanottajan kompetenssi käyttää AI:tä. Kokeessa hän noudatti oppimisparadigmaa: oppimis-, muistiinpainamis- ja testivaihe. Turel tavoitteli, että kustakin kysymyksestä saatu uusi oppi painettaisiin pitkäkestoiseen muistiin. Kysymyksissä hän vaihteli oikeita ja niiden vastakohtia vastauksissa. Koehenkilön antamien hyväksyttävien vastausten osuus kysymysten kokonaismäärästä osoitti oppimista. Vaasan yliopiston raportteja 8 5. Tuloksia (PJ: Luvun alusta puuttuu lukijan johdattelu (preview)). 5.1 Alustavat analyysit 5.1.1 Pilot-tutkimus Turel antoi joukon varsinaisen kokeen tasoisia kysymyksiä ja toivoi pilot-tutkimukseen osallistuvan joukon (n 10 % varsinaisiin kokeisiin osallistuvien määrästä) antavan tutkijalle palautetta, olivatko ohjeet ymmärrettäviä ja olivatko kysymykset sopivia? Kumpaankin tutkija sai myönteiset vastaukset. 5.1.2 Päätutkimukset Alustavasti tutkittiin AI:n osaamista liitteen (appendix) mukaan neljän kysymyksen mittarilla. Kokeessa 4 käytettiin vihaa (anger) kuvaavaa mittaria, (PJ: Ko. mittaria ei ole esitelty missään). Mittareiden reliabiliteetti, Cronbachin α, oli riittävän korkeaa jatkoa varten. Lisäksi Turel on halunnut osoittaa, että koehenkilöiden jakaminen satunnaisesti ryhmiin on onnistunut taulukossa Table 3 (tiivistelmän engl. osuudessa). Taulukossa 3 on myös taustamuuttujien ikä, sukupuoli ja AI:n osaamisen tulokset koehenkilöiden joukossa. Taulukossa Table 4 (tiivistelmän engl. osuudessa) on esitetty alustavasti oppimistulokset. 5.2 Hypoteesien testit Hypoteesien tilastollisessa testaamisessa on käytetty ohjelmistoa SPSS 28. (PJ: Laskeminen tässä on suhteellisen mekaanista ja siksi laskelmat/ tulokset on jätetty tästä tiivistelmästä pois.) 6. Keskustelu Luvun alussa kerrotaan, että tässä tutkimuksessa on haluttu tutkia ihmisen vuorovaikutusta AI:n kanssa sekä verrata kyseistä vuorovaikutusta ihminen – ihminen vuorovaikutukseen sekä selvittää, miten oppimiselle kummassakin vuorovaikutustilanteessa käy. Kirjoittaja kertoo sitten taustoja kummastakin vuorovaikutustilanteesta. (PJ: a) Minusta Keskustelu- kohtaan artikkelissa tulee kirjoittaa, mitä seikkoja muut tutkijat ovat saaneet selville eri tutkimusasetelmissa – lähes samanlaiset muiden asetelmat ja tulokset kerrotaan omien Vaasan yliopiston raportteja 9 tutkimusongelmien esittelyn yhteydessä. b) muuten tämä kohta yleensä jäsennetään neljään alakohtaan – 6.3 jaetaan kahtia, siis 6.3 rajoitukset ja 6.4 uudet tutkimusongelmat) 6.1 Teoreettiset kontribuutiot Turel näkee tutkimuksessaan kuusi kontribuutiota. Ensiksikin Turelin mukaan tutkijat eivät ole juurikaan kiinnittäneet huomiota siihen, että AI:n antamasta palautteesta voi oppia uusia asioita. Toiseksi Turelin tutkimusten löydökset laajentavat ymmärrystä sitä, miten vuorovaikutus välillä oppija – laite voidaan nähdä. Turelin tutkimukset paljastavat, miten AI:n palauteprosessit voivat tehokkaasti edistää oppimista. Kolmanneksi Turelin tutkimukset osoittavat, miten palautteen valenssi (korrekti vs. epäkorrekti) vaikuttaa, miten AI:n ja toisen ihmisen palaute vaikuttaa luovuuteen. Neljänneksi ihmisillä näyttää olevan valikoiva muisti, kun saavat palautetta AI:ltä. Ero ihmisen ja AI:n vuorovaikutuksessa verrattuna ihminen-ihminen vuorovaikutukseen on AI:n eduksi, kun palaute on negatiivista. Viidenneksi Turel osoittaa, että hypoteesit 3 ja 4 saavat tukea. (H3: Omanarvontuntoa alentava (näkyy itsetunnon tilan laskuna) AI:n palaute toimii välittäjänä AI:n palautteen ja uusien käsitysten oppimisen kanssa. Erityisesti sen tekee AI:n negatiivinen palaute, joka näkyy itsetunnon laskuna. H4: Vihan tunne välittää AI:n antaman negatiivisen palautteen vaikutuksen oppimiseen.) Kuudenneksi tulokset osoittavat, että AI:n antama palaute verrattuna toisen ihmisen antamaan palautteeseen kykenee tuottamaan oppimista. AI:n palaute on itse asiassa ihmiseltä tulevaa palautetta parempi oppimisen tukija, kun palaute on negatiivista. 6.2 Käytännön sovellukset Yleistuloksena Turel antaa sen, että sekä AI:n että ihmisen antama positiivinen palaute tuottaa samanlaisia oppimistuloksia. Lisäksi kirjoittaja antaa neljä suositusta. Ensiksikin ihmisten ja AI:n välillä oppimisen tukemisessa on kuitenkin eroja, joita voi hyödyntää. Toiseksi, yksinkertaisissa tapauksissa AI on parempi kuin ihminen oppimisen tukemisessa. Kolmanneksi, haastavat oppimiskontekstit, esimerkiksi kun käyttäjä eivät tiedä alussa mitään opittavasta asiasta. Silloin pitää käyttää yksinkertaista palautetta. Neljänneksi, AI:n kehittäjien kannattaa ottaa huomioon AI:n käyttö oppimisen tukena yhtenä mahdollisena AI:n piirteenä. 6.3 Rajoitukset ja jatkotutkimukset (PJ: Kirjoittaja on ihastunut luettelemaan eri rajoituksia mutta numeroinut kaikki rajoitukset vain kahteen joukkoon.) Turel katsoo, että tässä on rajoituttu vain objektiivisiin faktoihin ja subjektiiviset on unohdettu. (PJ: Näyttää, ettei kirjoittaja tunne eroa positivistisen ja Vaasan yliopiston raportteja 10 tulkinnallisen (interpretive) paradigman välillä – ero nojaa erotteluun objektiivinen vs. subjektiivinen tietämys.) Kirjoittaja katsoo, että opiskelijat koehenkilöinä on rajoite. (PJ: Hän on samaa mieltä kuin Compeau ja muut 2012). Turel katsoo, että palaute on hänen kokeissaan annettu vain erottelulla ”korrekti” vs. ”epäkorrekti” eikä palautteeseen ole liitetty mukaan tunnetta tai empatiaa. (PJ: Ihminen voi vaikuttaa palautteeseensa mm. äänen sävyllä ja korkeudella sekä ilmeillään.) Turel jatkaa listaansa rajoituksista esittämällä, että on mahdollista tarjota oppimiskokeisiin myös toisenlaisia AI pakkauksia. Lisäksi hänen tutkimuksissaan ei määritelty, kuinka paljon saa kulua oppimishetkestä siihen, kun oppimista testataan. Onko koehenkilö jo ehtinyt unohtaa oppimansa. Kirjoittajan kokeissa kaikki tehtävät on suunniteltu ja ajoitettu etukäteen, mutta oppimistehtävä voi tulla myös yllättäen. Sitä mahdollisuutta ei ole kokeissa tarkasteltu. Tutkimuksissa käytetty palaute oli pelkästään joko positiivinen tai pelkästään negatiivinen muttei niiden yhdistelmä. Se tarkoitti, että palaute joko tuki egoa tai haastoi sitä. Kirjoittaja katsoo, että kaikki rajoitukset ja erityisesti niiden poistaminen johtaa jatkotutkimuksiin. 7. Johtopäätös Turel kokoaa päätutkimustulokset: (1) Ihmiset voivat oppia uusia asioita AI:n antamasta palautteesta. (2) Ei ole eroa oppimistuloksissa olipa palautteen antaja AI vai toinen ihminen, kun palaute on sopusoinnussa positiivisen omakuvan kanssa. (3) Ihmiset oppivat paremmin AI:n palautteesta kuin ihmisen vastaavasta, kun palaute on negatiivista. Kirjoittaja uskoo, että tämä tutkimusartikkeli on uraauurtava, kun se tutkii AI:n antamaa palautetta ja sen vaikutusta oppimiseen. Liite / Appendix Liite A1 esittelee ensin tutkimusaineiston ja sitten oppimismallin vaiheet (oppiminen, painaminen mieleen ja testaaminen. Vaasan yliopiston raportteja 11 Abstract Artificial intelligence (AI) tools are unique pedagogical agents, in that (1) they can generate novel insights, and (2) they tend to be treated differently by humans, because they are opaquer and more intelligent than traditional technologies. Thus, it is not clear if and how people learn novel insights through AI feedback, and if the learning process and outcomes differ compared to when the source of insights and feedback is humans. Here, we seek to address this gap with four preregistered experiments (total n=1,766). They use a learning paradigm in which we manipulate the feedback source, feedback valence, and test instructions. The key finding is that people learn novel insights better when they receive negative feedback from AI than from humans. There is no difference in recall for positive feedback. This implies that AI as pedagogical agents are likely to outperform human feedback sources (peers or experts), or at least, be no worse. Our results further reveal that (1) people present typical human-human learning biases when receiving negative feedback from AI, namely mnemic neglect, and (2) ego bruising (as manifested in reduction in state self-esteem) and anger mediate such effects when receiving negative feedback from AI. (*) Review We cite Section Conclusion: ”We believe that this work trailblazes the exploration of learning novel insights from AI feedback, which is a critical, yet nascent area of human-AI interaction research.” Although I must appreciate this article, I still have some questions. A) Turel uses Lachman’s (1997, p. 479) definition: ”Learning is a process through which “a relatively stable modification in stimulus-response relations is developed as a consequence of functional environmental interaction via the senses.” The writer does not tell that there are four types of perspctives for learning: 1) behaviorist, 2) cognitivist, 3) constructivist and 4) humatinistic (Stewart 2021). The behaviorist conception of learning is based on an empirical and objective conception of knowledge and on a mechanistic conception of hunman being. Other three (2, 3 and 4) conceptions of learning are similar and they are based on a constructivist conception of knowledge and a humanistic conception of human being. (The cognitivist view emphasizes on metacognitive abalities, the experiential view on an indivudual and the constructivist view on a co-oparation, co-work and social abilities. B) Turel (2024, p. 7) ”took a computational-tool view of the IT artifact (Orlikowski & Iacono, 2001)” The writer was not very precise when Orlikowski & Iacono (2001) conceptualized of the IT artifact as follows: I. Tool View of Technology, II. Proxy View of Technology, III. Ensemble View of Technology, IV. Computational View of Technology and V. Nominal View of Vaasan yliopiston raportteja 12 Technology. It seems to us that Turel combined views I and IV. But acrtually, Turel meant the tool view (I), not computational one (IV). Based on A) and B), we recommend that Turel will in future describe a context, where his conception of learming is one member of different conceptions of learning (A) and his conception of AI is one of five possible IT artifacts, namely the tool view (I). C) In Item A, Turel emphsizes learning via AI and it is demonstrated an increase of new knowledge. But Turel 2024, p. 7)) actually wrote “The tool [AI] was ... intended to support or replace labour, process information, and increase productivity.” The last citation was taken from the article of Orlikowski & Iacono (2001) and the citation is not suitable here because Turel here examines what is learning but not what is a utility of learning. References Bloom, B. S. 1956. Taxonomy of educational objectives, Book 1, Cognitive domain, London: Longman. Chua, W. F. 1986. Radical developments in accounting thought. The Accounting Review (LXI: 4). 601-632. Compeau, D., Marcolin, B., Kelley, H. and Higgins, C. 2012. Research Commentary Generalizability of Information Systems Research Using Student Subjects—A Reflection on Our Practices and Recommendations for Future Research. Information Systems Research (23:4), 1093–1109. http://dx.doi.org/10.1287/isre.1120.0423 Crowder, R. G. (2014). Principles of learning and memory: Classic edition. Psychology Press. Järvinen, P. & Järvinen, A. 2011. Tutkimustyön metodeista. Tampere: Opinpajan kirja. Lachman, S. J. (1997). Learning is a process: Toward an improved definition of learning. The Journal of Psychology, 131(5), 477–480. https://doi.org/10.1080/00223989709603535 Logg, J. (2021). The psychology of big data: Developing a “theory of machine” to examine perceptions of algorithms. In S. C. Matz (Ed.), The psychology of technology: Social science research in the age of Big Data (pp. 349–378). American Psychological Association. https://doi.org/10.1037/0000290-011 Orlikowski, W. J. & Iacono, C. S. 2001. Research commentary: Desperately seeking the “IT” in IT research – A call to theorizing the IT artifact. Information Systems Research (12:2), 121- 134. Sedikides, C., Green, J. D., Saunders, J., Skowronski, J. J., & Zengel, B. (2016). Mnemic neglect: Selective amnesia of one’s faults. European Review of Social Psychology, 27(1), 1–62. https://doi.org/10.1080/10463283.2016.1183913 http://dx.doi.org/10.1287/isre.1120.0423 https://doi.org/10.1080/00223989709603535 https://doi.org/10.1037/0000290-011 https://doi.org/10.1080/10463283.2016.1183913 Vaasan yliopiston raportteja 13 Stewart, M. (2021): Understanding learning: theories and critique in Hunt, L. & Chalmers, D. (editors). University teaching in focus : a learning-centred approach. Routledge. Zagalsky, A., Te’eni, D., Yahav, I., Schwartz, D. G., Silverman, G., Cohen, D., Mann, Y., & Lewinsky, D. (2021). The design of reciprocal learning between human and artificial intelligence. Proceedings of the ACM on Human-Computer Interaction, 5(CSCW2), 1–36. https://doi.org/10.1145/3479587 Pertti Järvinen https://doi.org/10.1145/3479587 Vaasan yliopiston raportteja 14 Chua, N., Miska, C., Mair. j. & Stahl, G. K. 2024. Purpose in Management Research: Navigating a Complex and Fragmented Area of Study. Academy of Management Annals (18:2), 755–787. (11:3). https://doi.org/10.5465/annals.2022.0186 (PJ: Valitsin tämän, kun se aluksi näytti sisältävän hyviä rakenteita. Olen Ahmavaaraan viitaten katsonut, että hyvät käsitteet ja rakenteet ovat hyviä ajattelunvälineitä.) Chua, Miska, Mair ja Stahl kokoavat katsauksen tarkoitus-käsitteestä johtamisen (management) tutkimuksessa. He analysoivat 20 viime vuoden aikana aiheesta julkaistut artikkelit hyvissä lehdissä. (JOHDANTO puuttuu – PJ: Syy voi olla lehden päätös) Chua ja muut katsovat, että Korona pandemia, ilmaston muutos ja geopoliittiset jännitteet pakottavat yritykset tutkimaan, mikä on yrityksen tarkoitus (purpose). Kirjoittajat viittaavat tällöin Fortune lehden kommenttiin. Kommentin mukaan investoijat odottavat yritysten miettivän tarkoitustaan. (PJ: Tavallisesti artikkelin alussa viitataan aihetta koskevaan keskeiseen tieteelliseen teokseen tai artikkeliin. Siksi viittaus käytäntöä palvelevaan lehteen tuntuu vieraalta.) Kirjoittajat katsovat, että johtamisen tutkimuksesta puuttuu laaja ymmärrys tarkoitus- käsitteestä. Aiheen tutkimista varten he haluavat tässä artikkelissa tarjota hyvät lähtökohdat ko. tutkimukselle laatimalla katsauksen aiheesta. Sitä varten he tutkivat johtamisen tutkimusta 20 viime vuodelta ja perustavat aiheen katsauksen uusimpiin artikkeleihin. (PJ: Chua ja muut esittävät katsauksen päätulokset Johdannon lopussa ja toistavat ne seuraavan kohdan alussa – minusta toinen riittää ja käyttäisin silloin Johdantoa.) Metodologia ja analyyttinen lähestymistapa (PJ: Chua ja muut eivät käytä perinteistä metodia (esim. Schryen 2015) kirjallisuuskatsauksen laatimisessa.) Kirjoittajat esittivät kolme kysymystä perustuen eri analyyttisiin painotuksiin ja pyrkivät niiden avulla tutkimaan ja jäsentämään johtamisen kirjallisuutta. Kuvio Figure 1 on yhdistelmä analyyttisestä prosessista ja käytetystä kolmesta linssistä (kysymyksestä). Ensimmäinen kysymys [Discipline] painottaa, miten johtamisen tutkimus etenee ja miten tarkoitus (purpose) muodostaa tutkimuskohteen. (PJ: En näe artikkelissa selkeää kysymystä.) Kirjoittajat esittävät käsitteen tarkoitus (purpose) yleisiä ja kontekstiin sidottuja määritelmiä tarkastelluista artikkeleista. Chua ja muut saavat (20 v artikkeliaineistosta) kaksi https://doi.org/10.5465/annals.2022.0186 Vaasan yliopiston raportteja 15 perspektiiviä, joista ensimmäinen keskittyy tutkimuksen alaan (scope) ja käsite ”tarkoitus” ymmärretään upotettuna (embedded) kuvaten, miten yritykset toimivat liiketoiminta - yhteiskunta -kontekstissa. Toinen perspektiivi korostaa eroja epistemologian traditioissa (PJ: En löytänyt Wikipediasta epistemologian traditioita, vaan sen historian). Toinen perspektiivi käyttää realistista lähestymistapaa, kun katsotaan organisaation (of) tarkoitusta, tai tulkinnallista, sosiaali- konstruktivistista näkemystä, kun katsotaan, mitä seuraa organisaation tarkoituksesta (to) eri asianosaisryhmille. (PJ: Toisen perspektiivin pari (rationalismi ja tulkinnallinen näkemys) mainitaan epistemologian piirissä kuvaamassa tietämystä {knowledge} mutta pari on usein nimetty myös toisin, esim. positivismi ja interpretivismi.) (PJ: Myöskään toista kysymystä ei ole eksplisiittisesti esitetty.) Vastauksena saadaan kuitenkin neljä eri teemaa: identiteetti, suoriutuminen, tavoitteet ja muutos. Mainitut teemat ovat karkeita ja siksi sama on esitetty tutumpina kuutena alikenttänä [Subfields] (ks. Figure 1) Vaasan yliopiston raportteja 16 Chua ja muut kertovat, että ”tarkoitus”-tutkimus ankkuroi sisältöä teemoihin. Neljä teemaa saatiin kirjoittajien mukaan selville paneutumalla muutamaan käsitteellis-teoreettiseen artikkeliin, jotka pohtivat tarkoitusta (purpose). (PJ: Lukijalle jää edelleen epäselväksi, miten neljä teemaa saatiin. Ei yhtään esimerkkiä ole annettu.) [Themes] Sen sijaan kuusi alikenttää (organisaatioteoria {OT}, strategia ja yrittäjyys, yrityshallinto, liiketoiminnan etiikka ja vastuu, HRM ja johtajuus) perustuvat yleisiin perusteisiin, joita (organisaatio)teorian rakentamisessa on käytetty, kirjallisuuden luokittelusuuntiin ja tutkimuskysymyksiin. (PJ: Kirjoittajat sanovat luoneensa sekä 4 teemaa että 6 alikenttää [Subfields].) Kolmas kysymys sen sijaan on kirjoitettu auki. Mitkä dimensiot luonnehtivat johtamisen tutkimuksessa käytettyä tarkoitus-käsitettä? [Concept] Kukin dimensio on esitetty dikotomiana, ts. on kuvattu dikotomian molemmat päät. Johtamisen purpose-tutkimuksen hajanainen tilaChua ja muut kertovat tuloksensa tässä laajassa kohdassa noudattaen kuvion Figure 1 jäsennyksiä.Purpose-tutkimuksessa sovelletut kaksi perspektiiviä Tässä kahden perspektiivin ”Johdannossa” kirjoittajat esittävät jaottelun Inside-out ja Outside-in. Inside-out painottaa työntekijöiden työn merkityksellistä ja tehtävän tuottamaa merkitystä muille. Outside-in taas puolestaan painottaa ulkopuolisten asianosaisten vaatimuksia koskien organisaation tuotoksia ulkopuolisille. Tarkoitus upotettuna (embedded) ja tarkoitus ilmaistuna (embodied). Upotettuna kertoo ”yritykset toimivat liiketoiminta-yhteiskunta -kontekstissa”. Ilmaistuna tarkoittaa konkreettista ilmaisua. Vaasan yliopiston raportteja 17 Tarkoitus of ja tarkoitus to. of-lähestymistapa nojaa rationaaliseen tarkasteluun, to- lähestymistapa taas tulkinnalliseen. Viimemainittu noudattaa inside-out -lähestymistapaa. Tarkoitus-tutkimus ankkuroituna teemeoihin ja ristikkäin eri alikenttiin Kirjoittajat päätyivät ryhmittelyssään neljään eri teemaan: identiteetti, suoriutuminen, tavoitteet ja muutos. Kyseisten neljän sanotaan muodostavan ison teltan. Sitten osoitetaan, kuinka kuusi alikenttää (organisaatioteoria {OT}, strategia ja yrittäjyys, yrityshallinto, liiketoiminnan etiikka ja vastuu, HRM ja johtajuus) edistävät ”tarkoitus”-tutkimusta. Identiteetti. Tämä teema kysyy: “keitä me olemme” ja “miksi me olemme olemassa” Usein identiteetti ilmaistaan arvoina, kaukotavoitteena (vision) ja toiminta-ajatuksena (mission) koskien yksilöitä ja yrityksen henkilöstöä. Suoriutuminen. Teema painottaa, mitä yritys saa aikaan, mihin tavoitteisiin ja toiveisiin se pyrkii toiminnallaan. Tavoitteet. Tarkoitus ilmaistaan yrityksen tavoitteina ja ne suhteutetaan sosiaaliseen ympäristöön ja kilpailijoihin. Identiteetti- ja tavoitteet- teemat painottavat toiminta-ajatusta sekä tavoitteet -teema lisäksi ympäristöä. Muutos. Tämä teema painottaa yrityksen kehittyvää luonnetta ja sitä, miten yritys vastaa sitä koskeviin vaatimuksiin ja sen omaan laajenemiseen. Toisaalla artikkelissaan kirjoittajat vielä korostavat haasteiden ja vaatimusten edellyttämää muutosta. (PJ: a) Barney (1991) viittaa yrityksen uhkiin (treats) ja mahdollisuuksiin (opportunities), jotka voivat pakottaa yrityksen muutokseen. b) Kirjoittajien valinta 20 v näyttää jättävän tämän tärkeän lähteen unholaan. c) kirjoittajat unohtavat uudet mahdollisuudet muutosten syinä ja perusteluina.) Chua ja muut kertovat, että teemoilla on paljon keskinäisiä riippuvuuksia. OT (organisaatioteoria) Chua ja muut kertovat, että ovat käyttäneet kahta kirjalähdettä (Barnard 1938, 1968; Selznick 1957, 1984), kun ovat ottaneet kirjoista tarkoituksen kannalta keskeisiä asioita tätä alikenttää varten. OT-alikenttä on kirjoittajien mukaan viitannut mm. teemoihin identiteetti ja suoriutuminen. (PJ: a) Näyttää, että sellaiset yritysorganisaatioita tutkineet nimet kuin Barney ja Minzberg on sivuutettu, b) meistä on tuntunut hyvältä katsoa yritystä koskevien teorioiden luetteloa Seth & Thomas 1994.) Strategia ja yrittäjyysKirjoittajien mukaan strategia ja tarkoitus (purpose) ovat paljon sidoksissa toisiinsa. Strategian nähdään todella tutkivan tulevia mahdollisuuksia. Yrittäjyys käyttää strategia- ja tarkoitus-käsitteitä, mutta se on yhteydessä myös yksilön asettamiin Vaasan yliopiston raportteja 18 tavoitteisiin. Kirjoittajat näkevät, että strategia ja yrittäjyys -alikenttä on lähellä suoriutumisteemaa. Myös muutos- ja identiteetti- teemat saavat tällöin näkyvyyttä. Yrityksen hallintoTämän alikentän yleinen malli on ollut ”principal-agent”-teoria. Otan artikkelin Seth & Thomas (1994) tiivistelmästä tekstin agenttiteoriasta: ”Agenttiteoria (Jensen 1983) pyrkii osakkeenomistajien varallisuuden maksimointiin ja panee siksi painoa sopimuksiin (contract) omistajien ja yrityksen johtajien välillä. Tällöin kiinnitetään huomiota sisäisiin ja ulkoisiin työmarkkinoihin, kiihokkeisiin sekä ohjaus- (monitoring) ja sitouttamis- kustannuksiin. Strategian muotoiluun ja toteuttamiseen on monia mahdollisuuksia. Seth ja Thomas viittaavat vielä Eisenhardtin (1989) agenttiteoriaa ja strategioita koskevaan tutkimuskatsaukseen.” Alikenttä ’yrityksen hallinto’ viittaa teemoihin tavoitteet ja suoriutuminen. Liiketoiminnan etiikka ja vastuu Chua ja muut ovat sitä mieltä, että tämän alikentän tutkimukset ovat usein lähtöisin liiketoiminnan epäonnistumisista. Silloin on kyllä pyritty tavoitteiden saavuttamiseen, yhteistyöhön tai työntekijöiden hyvinvointiin, mutta sellaisiin ei ole päästy. Liiketoiminnan etiikan tarkoitus (purpose) on tällöin ollut to- lähestymistavassa. Teemoista kaikki (identiteetti, suoriutuminen, tavoitteet ja muutos) ovat tärkeitä tämän alikentän tarkastelussa. HRM (PJ: Ymmärrän tämän henkilöresurssien johtamisena.) Kirjoittajat katsovat, että HRM:n onnistumista katsotaan yhtiön taloudellisesta tuloksesta ja osakkeenomistajien saamasta lisäarvosta. HRM:lle voidaan myös asettaa toisenlaisia tavoitteita kuten henkilöstön sitoutuminen organisaation sosiaaliseen vastuuseen ja kestävyyteen (sustainability). Chua ja muut katsovat, että suoriutuminen- teema ja HRM ovet eniten sidoksissa toisiinsa kuin identiteetti- ja tavoitteet- teemat. Johtajuus Yleensä johtajuuden yhteydessä ei ole kirjoitettu tarkoituksesta, paitsi yksilön tarkoituksena. Viime aikoina on kuitenkin tuotu esille tarkoitus visionäärisen johtajuuden ja merkityksen selventämisen ja antamisen yhteydessä. Johtajuuden teorioissa on otettu huomioon ”tarkoitus”-muuttuja. Chua ja muut mainitsevat teemoista suoriutumisen ja muutoksen johtajuusalikentän yhteydessä. ”Purpose”-sanan käsitteelliset ääriviivat Chua ja muut nojaavat siihen, miten muut tutkijat ovat ”purpose” -sanan käsitteellistäneet. Selkeyttääkseen ”purpose” -sanaa kirjoittajat ottavat muilta tutkijoilta kuusi dimensiota, joita Vaasan yliopiston raportteja 19 muut tutkijat ovat käyttäneet: ominaisuus, ala, stabiliteetti, materiaalisuus, motiivi ja rationaalisuus. (PJ: Kirjassa Järvinen & Järvinen (2011, s. 20) kirjoitetaan: a) ”Bunge (1967, 62) luokittelee käsitteet neljään luokkaan: 1. yksilökäsitteet (vakiot ja muuttujat, jotka viittaavat yhteen yksilöön, esim. Darwin, Mars) 2. luokkakäsitteet (monadisten, so. yksipaikkaisten predikaattien eli ominaisuuksien määrittämät käsitteet, jotka viittaavat kyseisiin olioihin, esim. ihminen) 3. relaatiokäsitteet (useampien kuin yksipaikkaisten predikaattien määrittämät käsitteet, jotka viittaavat ko. olioihin, esim. kuuluu, kesken, suurempi kuin) 4. kvantitatiiviset käsitteet (funktioiden määrittämät käsitteet, esim. paino w = m*g (massa m kertaa kiihtyvyys g).” Monet kuudesta dimensiosta ovat ominaisuuksia ja luokkakäsitteitä, mutta voi kysyä: Onko ala sellainen? Onko motivaatio sellainen, kun sillä on aina suunta ja suuruus? b) jos vastaus kahteen em. kysymykseen on ”ei”, niin ilmaisu dimensio on tarpeen.) Ominaisuus — yksilön vai kollektiivin. Tämä dimensio ja sen vaihteluväli painottavat sitä, kenen vastuulla on tarkoitus, perustuuko se kokemuksiin ja kuka/mikä sen määrittää, sillä todella on olemassa yksilön tarkoitus ja kollektiivin (usein organisaation) tarkoitus. (PJ: Ominaisuus-sanaa ei pohdita, ts. kullakin saa olla se käsitys ’ominaisuudesta’, kun hänellä sattuu olemaan.) Kirjoittajat kuvaavat yksilötasoa: ”Mitä olen tekemässä?” ”Miksi olen täällä?”. Chua ja muut eivät kuvaa kollektiivin tasoa, mutta pohtivat yksilön tarkoituksen ja kollektiivin tarkoituksen suhdetta, joka yleensä on samansuuntainen mutta joskus myös eriävä. Ala—universaali vai kontekstiin liittyvä. Tämä dimensio kuvaa, miten käsite ”purpose” on määritelty, usein dikotomiana universaali tai kontekstiin liittyvä. Yrityksen ympäristö määrittää, kuinka asianosaiset omaksuvat tarkoituksen. Maantieteelliset erot tuottavat usein eroja, kuinka tarkoitus nähdään, kuinka osakkeenomistajat ja kuinka asianosaiset sen näkevät, kontekstista riippuen. Stabiliteetti—kestävä vai mukautuva. Tämä dimensio suhtautuu purpose-sanan käsitteellistämiseen viittaamalla tapahtumiin (event) ajassa. Tapahtumat voivat olla lähtöisin organisaation sisältä tai ulkopuolelta ja johtavat joko kestävään tai mukautuvaan toimintaan. Moni ”purpose”-määritelmä on staattinen vaikka joustaviakin on toisinaan. Vaasan yliopiston raportteja 20 Materiaalisuus—todellinen vai symbolinen. Tämä dimensio kuvaa ”purpose”-sanan käsitteellistämistä, mitä tarkoitus tekee organisaatiolle ja niille, joihin se vaikuttaa joko todellisesti tai symbolisesti. Todellinen tarkoitus organisaation etsiessä uusia mahdollisuuksia kilpailuedun säilyttääkseen on usein sidottu strategian ja yrittäjyyden kautta tavoitteisiin. Symbolinen tarkoitus on suhteessa sen retoriseen ja erittelevään luonteeseen, joka on nähtävissä, miten organisaatio tai sen johtaja kuvaa organisaation kaukotavoitteet (vision). Motiivi—välineellinen vai normien mukainen. Motiivi-dimensio käsittää yksilöiden ja organisaation tavoitteiden perustelun ajatellen motiivien jakoa välineellisiin tai normien mukaisiin. Suurin osa tutkimuksesta, johon kirjoittajat ovat viitanneet, on ollut motiivien suhteen välineellistä, vähemmän on ollut normien mukaista. Kun halutaan arvioida organisaatioiden liiketoimintaa, niin silloin yleensä ollaan kiinnostuneita organisaatioiden suoriutumisesta. Silloin organisaatioita arvioidaan välineellisesti (instrumentally). Rationaalisuus—keinot vai tavoitteet. Rationaalisuusdimensio on suhteessa siihen, miten organisaation pyrkii saavuttamaan päämääränsä, tietyillä keinoilla vai tietyillä tavoitteilla. Kirjallisuudessa tarkoitus on usein liitetty kannustimiin, jotka nähdään osana keinoja saavuttaa päämäärät. Lisäksi organisaation oppimista on pidetty yhtenä rationaalisena keinona. Keskustelu ja jatkotutkimus (PJ: Tavallisesti Keskustelu- luku on jaettu tuloksiin teorian ja käytännön kannalta, rajoituksiin ja jatkotutkimusaiheisiin; tässä on vain ensimmäinen ja viimeinen, keskimmäiset puuttuvat) Kirjoittajat kertaavat tämän kohdan alussa, että he pyrkivät tässä artikkelissaan tekemään kirjallisuuskatsauksen aiheesta ”purpose” (tarkoitus) johtamisen tutkimuksessa. He jonkun verran kertaavat aiheesta ”purpose” käytyä keskustelua. Lisäksi he ehdottavat joukkoa tutkimusongelmia jatkossa painottaen asianosaisten kapitalismia ja sosiaalisia innovaatioita Johtopäätös Tieteentekijöiden kiinnostus johtamisen ”purpose” (tarkoitus)-käsitettä kohtaan on kasvanut, mutta ko. tutkimus on hajallaan eri paikoissa julkaistuna. Tässä artikkelissa Chua Vaasan yliopiston raportteja 21 ja muut ovat poimineet ko. tutkimuksia laajalti ja analysoineet niitä kolmella eri tavalla: kaksi perspektiiviä, neljä teemaa ja käsitteellisesti (kuusi dimensiota). Review I cite the first pat of the conclusions: ”Scholarly interest in purpose has grown, yet purpose research in management is still not a distinct field of study. Through our three-fold analysis of the dispersed literature, we facilitate understanding of the perspectives management scholars have adopted to study purpose. These perspectives influence thematic and conceptual orientation.” (Chua et al. 2024, p.778) Although I much appreciate this article I still have some questions. A) The latter of the authors’ conclusion, however, is not correct. To our mind, they do not develop any concrete research program. B) The change theme is interesting in. In a reality, there are two possibilities either an organization develops evolutionally without any conscious purpose or an organization itself consciously wants to achieve a certain new state. The former may mean to study an evolutional change, for example Turel (2025). The latter means a use of action research (Baskerville & Wood-Harper 1996) and then a use of a suitable heuristic (Hälinen & Järvinen 2025). C) We consider two reasons: the 20 last years and a difference between two sciences (management and information systems) C1. Chua et al. (2024) mention two big names in management, Barnard and Selznick, but not Minzberg nor Barney. The latter (Barney 1991) already saw a firm like in Figure 1 Vaasan yliopiston raportteja 22 Figure 1. The Relationship between traditional "strengths-weaknesses-opportunities- threats" analysis, the resource based model, and models of industry attractiveness. To our mind, Barney’s Figure 1 gives a better backgroud for purpose in management than this article . Chua et al. (2024) C2 Chua and his colleagues seem to well manage management papers published during last 20 years. They are giving theoretical examples from their article base but not practical ones. Researchers from other sciences would instead prefer examples from practice. C3 To our mind, Chua et al (2024) do not tell how they grouped themes, subfields and concepts enough well. In the numerical study, a cluster analysis would then be applied to. But the authors do not explain how they founded themes, subfields and concepts, respectively. References Barnard, C. I. (1938) 1968. The functions of the executive (30th anniversary ed.) Cambridge, MA: Harvard University Press. Barney, J. B. 1991. Firm resources and sustained competitive advantage. Journal of Management (17:1), 99-120. Baskerville. R. & Wood-Harper. A. T. 1996. A critical perspective on action research as a method for information systems research. Journal of Information Technology (11:3), 235–246. Bunge, M. 1967. Scientific Research I. The Search for system. Berlin: Springer-Verlag. Chua, N., Miska, C., Mair. j. & Stahl, G. K. 2024. Purpose in Management Research: Navigating a Complex and Fragmented Area of Study. Academy of Management Annals (18:2), 755–787. https://doi.org/10.5465/annals.2022.0186 https://doi.org/10.5465/annals.2022.0186 Vaasan yliopiston raportteja 23 Eisenhardt K. M. 1989. Agency theory: an assessment and review. Academy of Management Review (14:1), 57-74. Hälinen, R. ja Järvinen, P. 2025. Toimintatutkimus (action fresearch). Hallinnon Tutkimus (44), in press. (in Finnish, abstract in English) Jensen, M. C. 1983. Organization theory and methodology. Accounting Review (56), 319-338. Järvinen, P. & Järvinen, A. 2011. Tutkimustyön metodeista. Tampere: Opinpajan kirja. Selznick, P. (1957) 1984. Leadership in administration: A sociological interpretation. Berkeley: University of California Press. Seth, A. & Thomas, H. 1994. Theories of the firm: Implications for strategy research. Journal of Management Studies (31:2), 165-191. Turel, Ofir, 2025. To learn or not learn from AI? Unpacking the effects of feedback valence on novel insights recall. European Journal of Information Systems (34:4), 758–779. https://doi.org/10.1080/0960085X.2024.2426473 Pertti Järvinen https://doi.org/10.1080/0960085X.2024.2426473 Vaasan yliopiston raportteja 24 Sundberg, L. & Holmstrom, J. 2024. Fusing domain knowledge with machine learning: A public sector perspective. Journal of Strategic Information Systems (33), 1-16 https://doi.org/10.1016/j.jsis.2024.101848 Sundberg ja Holmström tutkivat kohdealueen tietämyksen (kohdetietämyksen, domain knowledge) ja alueen datoista koneoppimisella (machine learning, ML) johdetun (konetietämyksen, machine knowledge) yhdistämistä kahdessa Ruotsin julkisen sektorin organisaatiossa. (PJ: a) Taustalla on ajatus lisäarvoa toivottavasti aikaansaavan informaation tuottamisesta datoista; aikaisemmin Levitin & Redman (1998) painottivat datoja resurssina, b) peruskäsitteitä data, informaatio ja tietämys {knowledge} ei erikseen määritellä vaan ne oletetaan tunnetuiksi. ks. Kettinger & Li 2010. c) aihealue koneoppiminen osana tekoälyä {artificial intelligence, AI} on minulle melkein tuntematon eikä tämä artikkeli kovin paljon selvennä aiheita ML ja AI.) Johdanto (PJ: Ymmärrän niin, että koneoppimisohjelmisto on ensin opetetaan aihealueen datoilla ja aihealueen tunnetuilla algoritmeilla. Jos tietyntyyppistä tilannetta varten ei ole ennakkotietoa, ohjelmisto oppii itsenäisesti.) Sundberg ja Holmström (S&H) hyödyntävät tätä itseoppimisen piirrettä ja tuottavat ML syteemillä raakadatoista uutta konetietämystä. Kirjoittajat katsovat, että tämä koneoppimisen piirre (tuottaa uutta tietämystä) on alitutkittu. (PJ: Lisäksi kirjoittajat ovat kielellisesti taitavia, kun käyttävät sanoja strateginen ja ennakoiva. Strateginen-sana viittaa lehteen, jossa artikkeli on julkaistu, ja myös strategiseen resurssiin. Ennakoiva-sana viittaa eteenpäin, vaikka raakadatat koskevat mennyttä ajankohtaa, eivätkä S&H ole käyttäneet mitään ennustusohjelmaa. ) Kirjoittajat S&H painottavat käytettyjen raakadatojen oikeellisuutta, kun koneoppiminen ja tekoäly nojaavat niihin. S&H katsovat, että julkisen sektorin organisaatioita ei juuri ole IS/IT- tutkimuksissa tarkasteltu eikä niiden toimintaa teoretisoitu. He johtavat tutkimusongelman RQ. Miten organisaatiota koskevaa tietämystä luodaan koneoppimishankkeissa? S&H katsovat, että kysymys RQ on prosessiluonteinen. (PJ: Kirjoittajat viittaavat artikkeliin Langley (1999), jossa tutkitaan prosessia monelta kannalta. Ensin vedotaan Mohr:in (1982) jakoon varianssi- ja prosessimallit, joista jälkimmäinen minusta koskee jatkuvaa prosessia. Sitten Langley pohtii pääasiassa kertaprosessia, eikä huomaa eroa jatkuva vs. kerta. Langley tarjoaa monta eri näkökulmaa ja usein olettaa tasaantuneen tilan (status quo), vaikka prosessi sisältää muutoksen.) https://doi.org/10.1016/j.jsis.2024.101848 Vaasan yliopiston raportteja 25 S&H vastaavat tutkimuskysymykseen tekemällä kaksi koneoppimisen casetutkimusta. Case A koskee ruotsalaista kuntaa, jonka sosiaaliyksikkö saa vuosittain n 2000 lasten terveysilmoitusta. Case B on Ruotsin verovirasto, joka saa vuosittain monta sähköpostiviestiä. Niiden ohjaaminen asianmukaisesti käsittelijälle on viraston tavoitteena. Tausta: kohdetietämys ja konetietämys S&H antavat kahden eri tietämystyypin määritelmät: Kohdetietämys riippuu kunkin organisaation ammattiyhteisöjen tavasta jäsentää ja käyttää kohdetta; Konetietämys perustuu prosessiin, jolloin ML-tekniikoiden soveltamisella datoihin luodaan tietämystä. (PJ: S&H eivät ole erotelleet monia eri datoja toisistaan. Osaa asiantuntijadatoista ja osa kohdealueen datoista käytetään ML-ohjelmiston kouluttamiseen valmisteluvaiheessa, osaa datoista käytetään ohjelmiston käyttövaiheessa tuottamaan konetietämystä.) Kohdetietämys: Kategorioita ja käytäntöjä Kirjoittajat S&H katsovat, että organisaatio koostuu monesta eri asiantuntijaryhmästä. Tietämyksen tuottaminen organisaatiossa perustuu jonkin ryhmän tuottamaan tietämykseen samalla, kun ryhmän on otettava muut ryhmät huomioon. (PJ: Kirjoittajat viittaavat tällöin artikkeliin Boland & Tenkasi 1995, josta aikaisemmin tunnistimme oman perspektiivin hallitsemisen ja toisen perspektiivin ottamisen huomioon. S&H käyttävät samaa artikkelia myös uuden tietämyksen tuottamisen perusteluna – ennen ML-idean keksimistä.) S&H painottavat kohteen eri asioiden luokittelua ja luokitteluiden siirtämistä osaksi ML- ohjelmistoa sen valmisteluvaiheessa. (Metodikirjassa – Järvinen & Järvinen 2011 – lainataan Bunge:lta (1967) hyvän luokituksen kriteerit: a) kattavuus, b) pysyvyys, c) luokkien yhteis- pisteettömyys, d) luonnollisuus.) Luokat koskevat eri asioita, joista kukin on nimettävä (label) ML systeemiä varten. Useimmille asioille organisaatiossa (toimialalla) on vakiintunut nimitys, mutta on joitakin asioita, joille ei ole yhtä ainoaa nimeä, ja siksi sellainen on annettava ML systeemin valmistelun yhteydessä. Konetietämys: Datat ja algoritmit Kirjoittajat S&H näkevät datat tärkeänä resurssina ja veikkaavat datojen nousevan johtamisen rinnalle tärkeänä organisaation osana. Lisäksi on selvitettävä, miten datat tuottavat lisäarvoa organisaatiolle. Yleensä algoritmit ovat mukana ML-ohjelmistossa sitä käyttöön otettaessa. Wikipedian mukaan “koneoppiminen käsittelee samankaltaisia kysymyksiä kuin matemaattinen tilastotiede … koneoppimisalgoritmit löytävät helposti sellaisia säännönmukaisuuksia isosta aineistojoukosta, joita ihminen ei löydä.” S&H katsovat, https://fi.wikipedia.org/w/index.php?title=Matemaattinen_tilastotiede&action=edit&redlink=1 Vaasan yliopiston raportteja 26 ettei kirjallisuudessa juurikaan ole pohdittu, miten kohde- ja konetietämys ovat suhteessa toisiinsa. Siihen suhteeseen heidän tutkimuksensa tuo valoa. Metodit Kirjoittajat katsovat, että heidän case-tutkimuksensa on uutta teoriaa luova (explorative) ja siinä otetaan mukaan luonnollisen kielen käyttö (natural language processing, NLP). (PJ: Jo Chomsky ja Kurki-Suonio kertoivat, että luonnollinen kieli on piirteiltään laajempi kuin ohjelmointikieli pääteltävyyden kannalta, ja siksi NLP on haastava koneoppimisessa.) Case-kuvaukset Case A on ruotsalainen kunta, jonka sosiaaliyksikkö saa vuosittain n 2000 terveysilmoitusta lapsista. Sanallisista ilmoituksista on automaattisesti (ML:n avulla) ja nopeasti tunnistettava, tarvitseeko joku lapsi välittömiä avustavia toimenpiteitä. Case B on Ruotsin verovirasto, joka saa vuosittain monta sähköpostiviestiä. Ne halutaan ohjata automaattisesti (ML:n avulla) ja asianmukaisesti oikealle käsittelijälle. Datojen kokoaminen Keskeinen tekniikka kerätä aihealueiden datoja oli puolistrukturoitu haastattelu, joka suoritettiin lokakuun 2021 ja joulukuun 2023 välillä ohjelman Zoom avulla. Tapauksesta Case A haastateltiin 10 henkilöä, tapauksesta Case B 8 henkilöä ja sitten vielä 7 asiantuntijaa. Uusia haastateltavia saatiin lumipalloefektin avulla kysymällä haastatellulta: Ketä vielä pitäisi tässä tutkimuksessa kuulla? Kaikki haastattelut äänitettiin ja sitten purettiin. Yhtä lukuun ottamatta kaikki haastattelut tehtiin ruotsiksi ja käännettiin sitten englanniksi. Tutkijat halusivat tietää, miten kohdetietämyksen muunnos datoiksi ja niiden vieminen ML- ohjelmistoon onnistui. Neljä keskeistä kysymystä datojen keruuta koskevassa haastattelussa olivat: Millaista tietämystä käytettiin ML systeemiä koulutettaessa ja sen koulutusdatoja nimettäessä? Tapahtuiko muutoksia ML systeemiä koulutettaessa? Mitkä olivat keskeiset haasteet, joita kohtasitte datoja nimetessänne? Oliko pulmia ML systeemiä viemisessä organisaatioon? Vaasan yliopiston raportteja 27 Kummassakin tapauksessa suhteellisen pieni ryhmä alusti tapauksessa tarvittavan ML systeemin. Osalla tutkijoista oli aikaisempaa kokemusta ML/AI systeemin pystyttämisessä. Kummassakin tapauksessa ML systeemiä valmistelevilla oli aiheesta erityistietämystä, jota he siirsivät systeemiin. (PJ: Antamalla pitkän formaalin koulutuksen ja monen vuoden kokemusten kautta saadun tietämyksen ML/AI systeemiin toimihenkilöt luovuttivat tärkeää omaa henkilökohtaista tietämystään automaatille. Luovutuksesta voi olla montaa mieltä ajatellen kunkin työn tulevaisuutta.) Tutkijat täydensivät haastatteluja monesta eri lähteestä, kuten organisaation dokumenteista, raporteista ja PowerPoint esityksistä. Lisäksi tutkijoiden oli mahdollista ottaa kuvia näytöltä sekä seurata ML/AI systeemistä pidettyjä seminaareja silloin, kun tutkijat ehtivät paikalle. Datojen analyysi S&H kertovat, että datoja kerättiin, kuten eksploratiivisessa tutkimuksessa uudesta ilmiöstä, siis vaihdellen keruuta ja teorian rakentelua kuten GT-tutkimuksessa. Kirjoittajat viittaavat lähteeseen Suddaby (2006), jota ei ole lähdeluettelossa. Suddaby pohtii GT-teorian laatimista, mitä se on ja mitä se ei ole. Haastattelun avulla saadut tiedot vietiin Atlas.fi ohjelmistoon. Ohjelma auttoi datojen nimitysten poimimista haastatteluista. Ensin tuotettiin haastatteluista kertomukset. Toiseksi käytettiin ns. Gioia-metodologiaa (Gioia et al. 2013) teorian hahmottelemiseksi ja siinä yhteydessä suoritettiin axial-koodausta GT-tutkimuksen tapaan (katso myös Gehman et al. 2018). Kolmanneksi kirjoittajat viittaavat tutkimuskysymykseen (Miten organisaatiota koskevaa tietämystä luodaan koneoppimis-hankkeissa?) ja toteavat kysymyksen prosessiluonteen. S&H katsovat, että organisationaalista tietämystä saadaan yhdistämällä kohde- ja konetietämystä. (PJ: a) Ajattelin tehdä artikkeleista Gioia et al. (2013) ja Gehman et al. (2018) tiivistelmät, b) tutkimuskysymyksen prosessiluonteeseen viitaten pohdin ao. kuviossa uuden ML-systeemin luontia; minusta luonti on prosessi, siis muutosprosessi, jonka aikana ja lopussa saadaan organisaatiota koskevaa tietämystä; kyseessä ei näin ollen olisi ilmiön tasaantunut tila, kuten GT-tutkimuksessa oletetaan. c) Gioia-metodologiaa (Gioia et al. 2013) muodostaa ensin data- rakenteen ilmiöstä ja muuntaa sen sitten GT-teoriaksi, jossa on dynamiikka mukana – Gioia- metodologia laajentaa GT_teoriaa, joka olettaa tasaantuneen tilan, dynaamiseksi, d) lisäksi Gioia-metodologia käyttää hyväksi erottelua paikallinen kieli vs. teoreettinen kieli, mutta sen kirjoittajat S&H saattoivat unohtaa – siksi päätuloksen (yhdistäminen, algoritminen välittäjänä toiminen ja luontevaksi tekeminen) perään voinee panna kysymysmerkkejä.) Vaasan yliopiston raportteja 28 LÄHTÖKOHTA → UUDEN SYSTEEMIN → UUDEN SYSTEEMIN OPETTAMINEN KÄYTTÖ Manuaali tai ML systeemin Opetetun ML systeemin traditionaalinen → opetus → käyttö IS-systeemi tasaantunut tila muutos tasaantunut tila ----------------------------------------------------------------------------------→ (aika) Kuvio: Uuden ML-systeemin luonti (PJ:n hahmottelema) (PJ: Otan yo. kuviossa X esille sen, että S&H tekevät muutoksen ottaessaan ML systeemin käyttöön. He eivät kuitenkaan tuo esille, mikä on kummassakin sovelluksessa organisaation saama hyöty, vaikka organisaatio selvästi on muutosta teettämässä. Onko muita seurauksia, mitä?) Tulokset Tämän tutkimuksen päätulokset ovat kolme avainmekanismia: Yhdistäminen, algoritminen välittäjänä toiminen ja luontevaksi tekeminen. Näistä mekanismeista on Taulukossa Table 1 ja vielä omana alakohtanaan. Taulukko Table1. Tapausten A ja B kuvaukset analyysin jälkeen. (ensin A ja sitten B) Tapaus A: Miten tunnistetaan, tarvitseeko joku lapsi välittömiä avustavia toimenpiteitä. Yhdistäminen Kunnan sosiaaliyksikkö tutkii lasta koskevia terveystietoja vuosittaisesta raportista ja erittelee raportin tiedot Ruotsin (Suomen THL:ää vastaavan) viraston antamien kategorioiden / luokitusten mukaan. Haastateltavat katsovat tällöin siirtyvänsä “inhimillisestä” logiikasta semanttisen logiikan käyttöön. Algoritminen välittäjänä toiminen Kahta ML systeemin mallia treenattiin; toinen tunnisti välittömän haitan, toinen tunnisti haitan tyypin. Kumpaakin mallia arvioitiin ja parannettiin yhdistämällä ja poistamalla huonoja kategorioita / luokituksia. Vaasan yliopiston raportteja 29 Luontevaksi tekeminen ML-projektia oli vaikea integroida kunnan joidenkin työntekijöiden työhön. Hanke ei sopinut kunnan strategian tavoitteisiin eikä kunnan digitalisointihankkeisiin. Hanke ei kunnan mukaan tukenut lain käyttöä; se ei ollut eettisesti perusteltu eikä ketään hankkeessa voitu vaatia tilivelvolliseksi. (PJ: Eikä yhden kunnan pitänyt tehdä valtakunnallista systeemiä.) Tapaus B: Sähköpostien luokittelu sopivien vastaajien mukaan Yhdistäminen Tietämys koostui otoksesta sähköposteja. Haastateltavat katsoivat, että he joutuivat sähköposteja nimetessään vaihtamaan ajattelutapaansa entisestä tehtävän mukaisesta sähköpostin sisällön ja tavoitteen mukaiseen antaessaan sähköpostille nimi-luokkaa. Heidän piti ajatella toisin kuin ennen. Algoritminen välittäjänä toimiminen ML-malleja treenattiin erottelemalla eri sähköpostien vastaajat. He onnistuivat vastauksissaan, mutta jättivät sähköpostien kontekstin ottamisen huomioon vähemmälle. Luontevaksi tekeminen ML-projektin tarkoituksena oli ohjata virastoon tulevat sähköpostit oikealle käsittelijälle. Aloite tuki viraston toiminta-ajatusta. Käsin tapahtuva ohjaus jäi pois. Yo. “taulukon” lisäksi kirjoittajat käsittelivät aiheita (yhdistäminen, algoritminen välittäjänä toimiminen, luontevaksi tekeminen) artikkelissaan vielä syvällisemmin. Yhdistäminen Tapauksessa A (kunta) oli jo totuttu käyttämään toista teknologiaa, robotiikkaa. ML- projektilla ei kuitenkaan automatisoitu vuosittaisia lapsi-ilmoituksia koskevaa päätöksentekoa, sillä aihe (lapsen haitta) oli ihmisen “vammaa” koskeva, siis herkkä. Siksi sitä koskeva päätöksenteko haluttiin pitää ihmisillä. Vain haittailmoitusten poimimista esiin aineistosta haluttiin auttaa ML systeemillä. Tapauksessa B (verovirasto) tehtävänä oli ohjata keskusviraston saamat sähköpostit oikealle käsittelijälle. Keskusvirastossa oli samaan aikaan menossa muitakin AI-hankkeita. Sähköpostin ohjaushankkeessa ensin ajateltiin tarjota 1,5 miljoonaa sähköpostia, mutta sitten määrää vähennettiin 7000 s-postiin. Jälkimmäisten kohdalla käytettiin manuaalista jakelukohteen nimeämistä, joka selvästi auttoi s-postien oikeaa ohjausta. Vaasan yliopiston raportteja 30 Algoritminen välittäjänä toimiminen Tässä alakohdassa koskien tapausta A tehdään erilaisia (kone)oppimiskokeita. Wikipedia kertoo: “Koneoppimisalgoritmit luokitellaan niille annettavan opetusdatan luonteen perusteella.” Lapsi-ilmoituksia luokitetaan manuaalisesti. ja siten ohjataan ML systeemiä tunnistamaan haitan sisältämät ilmoitukset. Lisäksi käytetään toistakin tapaa ohjata ML systeemiä oppimaan haittailmoitusten tunnistamisessa. S&H käyttävät kahdesta eri “oppimisesta” nimityksiä “supervised” ja “deep learning”. Ilmoitusten luokituksista annetaan esimerkki, jonka mukaan 200 sanan “kappale” luokitetaan 7 eri luokkaan. Manuaaliluokitus paransi huomattavasti päätehtävää, haitan löytämistä lapsi-ilmoituksesta. Tapauksesta B, joka oli kirjoittajien mukaan staattisempi kuin tapaus A, löytyi samanlaista problematiikkaa esimerkiksi korona pandemian vuoksi tehdyn veronalennuksen kohdalla. Luontevaksi tekeminen Kummassakin organisaatiossa oli samanlaisia ongelmia ML- mallin sovittamisessa organisaation käytäntöihin sen jälkeen, kun ML-mallin oli osoitettu toimivan hyväksyttävästi. Tapauksen A kohdalla tuli esille tarve AI-, ja NLP-osaajista. Lisäksi tapauksessa A tuli esille kysymys: Onko laillista (ja eettistä) käyttää koneoppimista kyseisessä tehtävässä? Tapauksessa B ML sovellus saattoi ainakin joskus (virheen sattuessa) nakertaa hyvää luottamusta, jonka verovirasto oli aikaisempina vuosina saavuttanut. Ihmisillä oli selvästi alemmalla raja, jos automaattinen systeemi tekee virheen, kuin jos sen tekisi ihminen (verokäsittelijä). Onneksi tapauksen B ML sovellus koski staattisempaa kohdetta kuin tapauksessa A. Keskustelu S&H osoittavat kuviolla Fig. 2, miten tutkimuksen keskeiset löydökset (yhdistäminen, algoritminen välittäjänä toimiminen, luontevaksi tekeminen) suhtautuvat keskenään. Vaasan yliopiston raportteja 31 (Sundberg and Holmström 2024, p. 10) Yhdistäminen koskee kohdetietämystä, algoritminen välittäjänä toimiminen koskee konetietämystä ja luontevaksi tekeminen on tulos kahdesta edellisestä syklissä, joka jatkuu yhdistämis-kuviossa. (PJ: Minusta kuvio Fig. 2 (s. 10) enemmän sekoittaa kuin selventää. Ehkä en ole täysin ymmärtänyt kirjoittajien sanomaa.) Keskeiset löydökset, mekanismit (yhdistäminen, algoritminen välittäjänä toimiminen, luontevaksi tekeminen) on esitetty kohdan Keskustelu alussa taas kerran. (PJ: Muuten kohta Keskustelu on jäsennetty: 1) Teoreettinen kontribuutio. 2. Seuraukset AI:n hallintaan strategiatasolla sekä 3. Rajoitukset ja uudet tutkimushankkeet. Se on sovellus yleisestä Keskustelu-luvun jaosta – 1. Implikaatiot teoriaan sekä 2. käytäntöön, 3. rajoitukset ja 4. uudet tutkimukset) Vaasan yliopiston raportteja 32 Teoreettiset kontribuutiot Tämän tutkimuksen pääkontribuutio on prosessiteoria. Se kuvaa, miten organisaation tarvitsemaa tietämystä on luotu kolmen mekanismin (yhdistäminen, algoritminen välittäjänä toimiminen, luontevaksi tekeminen) avulla. (PJ: Tämä herättää monia kommentteja. a) Onko prosessiteoria yleinen vai havainto-kertakohtainen? b) Ovatko tutkijat valinneet positivismin vai interpretivismin, kun he viittaavat sosiaaliseen ja tilannekohtaiseen kirjallisuuteen?) Kirjoittajat kertovat, että tutkimuksen aikana on selvinnyt, miten tärkeä taustaoletus on se, että käytännön asiantuntijoilla on yhteinen maailmankuva. Se auttaa sellaisten datojen nimeämisessä, kun ko. datoja ei muuten ole aikaisemmissa IS-sovelluksissa käytetty ja kun asiantuntijan tulee sellaiset datat nimetä ja sitten käyttää yhdistämisen yhteydessä. Seuraukset AI:n hallintaan strategia-tasolla julkisella sektorilla Julkisen sektorin organisaatiot muodostavat perustan kansankodin ja sosiaalisen turvaverkon rakentamisessa tuottamalla ja pitämällä yllä keskeisiä palveluja, Kuitenkin julkisen sektorin AI/ML-sovelluksista on vähän tutkimusta. Itse asiassa kirjallisuudessa on paljon aukkoja. (PJ: Miksi aukoista puhutaan vasta tulosten yhteydessä, miksi ei puhuttu jo alussa, kun tutkimusta piti motivoida?) – Kirjoittajat kertovat, että ML-pakkauksen soveltaminen tuottaa käytännölle hyvin tarpeellisen ennusteen siitä, mitä tulee tapahtumaan. (PJ: Hyvä on, jos näin käy, mutta datat, joista ML rakentaa “ennusteeksi” kutsutun, koskevat mennyttä aikaa, siis “katsovat taaksepäin”.) Rajoitukset ja uudet tutkimushankkeet Kaksi tapausta, joita tutkitaan, ovat julkiselta sektorilta. Sitä voidaan pitää rajoituksena. Siksi kannattaa tutkia, “Miten organisaatiota koskevaa tietämystä luodaan koneoppimishankkeissa” muissa yhteyksissä? Lisäksi tutkijoiden kannattaa miettiä, millä muulla tavalla tätä tutkimusta voi laajentaa. Johtopäätös Tämän tutkimuksen tarkoitus oli vahvistaa ymmärrystä prosesseista, miten luodaan uutta kohdetietämystä ML:n avulla. Tutkijat saivat selville kolme mekanismia (consolidation, algorithmic mediation and naturalization), jotka olen kääntänyt (yhdistäminen, algoritminen välittäjänä toimiminen, luontevaksi tekeminen) vastauksena tutkimus-kysymykselle. Vaasan yliopiston raportteja 33 Abstract Machine learning (ML) offers widely-recognized, but complex, opportunities for both public and private sector organizations to generate value from data. A key requirement is that organizations must find ways to develop new knowledge by merging crucial ‘domain knowledge’ of experts in relevant fields with ‘machine knowledge’, i.e., data that can be used to inform predictive models. In this paper, we argue that understanding the process of generating such knowledge is essential to strategically develop ML. In efforts to contribute to such understanding, we examine the generation of new knowledge from domain knowledge through ML via an exploratory study of two cases in the Swedish public sector. The findings reveal the roles of three mechanisms – dubbed consolidation, algorithmic mediation, and naturalization – in tying domain knowledge to machine knowledge. The study contributes a theory of knowledge production related to organizational use of ML, with important implications for its strategic governance, particularly in the public sector. (*) Review I cite authors’ conclusion: “The purpose of this study was to enhance understanding of the processes involved in generation of new domain knowledge via ML. To do so we addressed the RQ How is organizational knowledge generated in machine learning initiatives? through an exploratory study of two cases of ML development in Swedish public sector settings. This resulted in the identification of three mechanisms (consolidation, algorithmic mediation and naturalization) that extend our theoretical understanding of how ML systems contribute to knowledgecreation in organizational settings and the tensions involved. These theoretical contributions pinpoint the dynamics between expert consensus and the performative nature of data and algorithms, while underscoring the need for legitimacy when this knowledge is to be adopted in the public sector.” (Sundberg and Holmström 2024, p. 12) Although I appreciate this article I still have some comments A) The authors use primary concepts: data, information and knowledge. They more differentiate Concept “knowledge” to domain, machine and organizational ones. But they do not define what those primary and extra concepts are. Kettinger & Li (2010) problematize how challenging those primary concepts in the IS literature are. B) The main contribution of this study is a processual theory with three mechanisms (consolidation, algorithmic mediation and naturalization). B1. The authors do not say whether their theory is generalizable. Their results, to our mind, is solitary and it is not generalizable. Vaasan yliopiston raportteja 34 B2. Their topic is a change, and it is not a stable state. Three much known paradigms (positivist, interpretive and critical) is not valid here. But a shared change paradigm is needed. B3. An organization where AI/ML efforts are realized plays a central role. Hence, this organization likes to get some utility from the AI/ML effort. The aauthors do not dicuss about utility. References Boland, R. J. and Tenkasi, R. V. 1995. Perspective making and perspective taking in communities of knowing. Organization Science (6:4), 350-372. Bunge, M. 1967. Scientific Research I. The Search for system. Berlin: Springer-Verlag. Gehman, J., Glaser, V. L., Eisenhardt, K. M., Gioia, D. A., Langley, A. & Corley, K. G. 2018. Finding Theory–Method Fit: A Comparison of Three Qualitative Approaches to Theory Building. Journal of Management Inquiry (23:3), 284-300. https://doi.org/10.1177/10564926177060 Gioia, D. A., Corley, K. G. & Hamilton, A. L. 2013. Seeking Qualitative Rigor in Inductive Research: Notes on the Gioia Methodology. Organizational Research Methods (16:1) 15-31. https://doi.org/10.1177/1094428112452151 Järvinen, P. & Järvinen, A. 2011. Tutkimustyön metodeista. Tampere: Opinpajan kirja. Kettinger, W. J. & Li, Y. 2010. The infological equation extended: towards conceptual clarity in the relationship between data, information and knowledge. European Journal of Information Systems (19:4), 409–421. https://doi.org/10.1057/ejis.2010.25 Langley, A. 1999. Strategies for theorizing from process data. Academy of Management Review (24:4), 691-710. Levitin, A. V. & Redman, T. C. 1998. Data as resource: Properties, implications, and prescriptions. Sloan Management Review (40:1), 89-101. Mohr, L. B. 1982. Explaining organizational behavior. San Francisco: Jossey-Bass. Suddaby, R. 2006. From the editors: What grounded theory is not. Academy of Management Journal (49:4), 633-642. Pertti Järvinen https://doi.org/10.1177/1056492617706029 https://doi.org/10.1177/1094428112452151 https://doi.org/10.1057/ejis.2010.25 Vaasan yliopiston raportteja 35 Riedl, René, Oettl, Cristian. Stangl, Fabian J. & Hevner, Alan R. 2025. How an Agile Software Process Increases Developers’ Job Satisfaction: A Stress Perspective Based on the Effort-Reward-Imbalance Model. Business & Information Systems Engineering (67) https://doi.org/10.1007/s12599-024-00919-x (PJ: Research Gate (RG) välitti tiedon, että tämä artikkeli oli ilmestynyt ko. lehdessä, siksi, että olin jotenkin ilmoittanut RG:lle olevani kiinnostunut Hevnerin uusista tutkimuksista.) Tämä artikkeli kuvaa ohjelmoijia (178) koskevaa online survey-tutkimusta Itävallassa, jonka mukaan agile-ohjelmointi työnä lisää työtyytyväisyyttä (job satisfaction); ko. relaation välittävänä muuttujana (mediator) toimii stressi (määriteltynä: stressi = panostus - palkinto), joka vähentää työtyytyväisyyttä; agile-ohjelmointityön ja stressin relaatiota vähentää ylisitoutuminen (overcommitment) moderaattorina (ks. Fig. 1 kohdassa 3.1) Olen yllä tiivistänyt abstraktissa (se kannattaa lukea heti) laajemmin kuvatun artikkelin kirjoittajien ajattelutavan ja tulokset.) 1 Johdanto Riedl ja muut katsovat, että vallitsee softan laatijoiden puute. Samaan aikaan on menossa siirtyminen tavasta ensin suunnitella ja sitten laatia ohjelma tavaksi heti käynnistää (agile- )ohjelmointi. (PJ: Agile-ohjelmointitapoja on useita samanlaisia, ja niissä ryhdytään heti tuottamaan ohjelmakoodia.) (Raimo Hälinen kertoi, että Agile-menetelmiä on useita: (1) Pair programming (PP), (2) Scrum, (3) Kanban, (4) Crystal, (5) Spiral, (6) Rational Unified Process (RUP), (7) Extreme programming (EP), (8) Lean development (LP), (9) SAFe , (10) Feature driven development (FDD), (11) Large scale Scrum (LeSS) Näistä SAFe ja LeSS perustuvat oleellisesti Scrum-metodin soveltamiseen osana ohjelmoijien työtä.) Softan laatimisen tutkijat ovat viime aikoina kiinnittäneet huomiota henkilöresurssien (human resource, HR) merkittävään rooliin softan laatijoiden toiminnassa, heidän työehdoissaan. On tutkittu, miten agile-ohjelmointi tuottaa ohjelmoijalle stressiä. On saatu tulokseksi, että agile-ohjelmointi lisää (15 %), pitää samana (34 %) ja vähentää stressiä (27 %). 23 % sanoo, ettei agile-ohjelmointi vaikuta lainkaan stressiin. Toisen tutkimuksen mukaan monet ovat tyytyväisempiä agile-ohjelmoiontiin ja jotkut kokevat agile-ohjelmoinnin tuottavan stressiä. Riedl ja muut katsovat, että stressi on käsitteellistetty eri tavoin eri tutkimuksissa. He luettelevat eri tutkimuksia ja eri malleja, miten työn on nähty tuottavan työtyytyväisyyttä. Ehkä tunnetuin malleista on Job Characteristics Model (Hackman & Oldman 1980). https://doi.org/10.1007/s12599-024-00919-x Vaasan yliopiston raportteja 36 Erityisesti käsitteen stressi kohdalla kirjoittajat ovat olleet tyytymättömiä yleiseen stressi- käsitteeseen ja ovat tutkimuksessaan ottaneet Siegristin (1996, 1999) stressiperspektiivin = panostus – palkinto -kehikon (effort-reward-imbalance, ERI). Hackman ja Oldman (1980) painottavat mallissaan työtehtävän merkitystä ja autonomiaa työssä. ERI korostaa tekijän (ohjelmoijan) panostusta työhön ja työstä saatuja palkintoja ja erityisesti panostuksen ja palkintojen epätasapainoa. (PJ: a) Miksi on pitänyt ottaa stressi-sanalle toinen merkitys? b) Palkintoja voidaan antaa nolla, yksi tai useita. Miten “panostus työhön” ja saadut palkinnot yleensä mitataan? c) Kuinka mitata panostuksen ja palkintojen epätasapainoa?) Riedl ja muut ovat kirjallisuuden mukaan erotelleet vielä ensisijaiset ja toissijaiset palkinnot. Kirjoittajat ovat päätyneet siihen, että molemmat palkintotyypit tuottavat samanlaisia seurauksia: (i) Ne luovat samanlaisia positiivisia tunteita, (ii) vahvistavat tavoitteiden ja haluttujen tilojen saavuttamista sekä (iii) edistävät tavoitteita ja yhteisöllistä käyttäytymistä. (PJ: Kohtaan 3.1 on kopioitu tämän tutkimuksen teoreettinen malli. Muuttujien välisiin relaatioihin on merkitty relaation suunta.) Kirjoittajat ovat ottaneet mallin pohjaksi ERI- kehikosta sen, että agile-ohjelmointi vähentää ERI-kehikon stressiä ja sitten aikaisemmasta kirjallisuudesta muuttujat työtyytyväisyys ja ylisitoutuminen kuvion Fig. 1 mukaisesti. Riedl ja muut saavat kaksi tutkimuskysymystä: 1. Lisääkö agile-ohjelmointi ohjelman laatijoiden työtyytyväisyyttä, kun käsitys stressistä on välittävän muuttujan vuoksi alentunut (stressin alentuminen tarkoittaa panostuksen ja palkintojen välisen epätasapainon alentumista)? 2. Vaikuttaako ohjelman laatijan ylisitoutuminen käsitykseen agile-ohjelmoinnin ja stressin välisestä relaatiosta? Riedl ja muut määrittelevät agile-ohjelmoinnin agile-käytäntöjen soveltamisen useutena ja intensiteettinä. Kirjoittajat ottavat agile-ohjelmointia kuvaamaan 8 käytäntöä: ohjelmointi pareittain, jatkuva integrointi, refactoring (ohjelmakoodin parantaminen tulosta muuttamatta), yksikön (ohjelman osan) testaus, (koodin) yhteisomistajuus, koodaus- standardien noudattaminen, vaatimusten muuttuminen ja suhde asiakkaaseen. - Riedl ja muut esittelevät sitten artikkelin muut luvut. 2 Liittyvät työt Tämän otsikon alla Riedl ja muut ovat käsitelleet 7 muuta tutkimusta, jotka koskevat agile- ohjelmointia. (PJ: Tuo taitaa olla ainoa seikka, johon ilmaisu “liittyvät” (related) perustuu.) Taulukossa Table 1 on 7 “liittyvästä” tutkimuksesta kerrottu: riippumaton muuttuja (jotakin agile-ohjelmointityöstä), riippuva muuttuja (erilaisia), mediaattori ja moderaatti (jos on ja Vaasan yliopiston raportteja 37 erilaisia), stressiteoria (erilaisia, ainakin eri kuin ERI - kirjoittajien valinta), datojenkeruu ja päälöydökset. Kirjoittajat väittävät, että ERI-kehikkoa on paljon käytetty. Taulukossa Table 2 on kerrottu, miksi ja miten agile-ohjelmointi vaikuttaa henkilöresursseja (HR) kuvaaviin muuttujiin. Kirjoittajien arvostama ERI-kehikko sisältää oletuksen, että stressi silloin johtuisi panostukset > palkinnot. (PJ: a) Kuten edellä kirjoitin HR-muuttujia on monia erilaisia. b) Voi ainakin kuvitella, että olisi myös panostukset < palkinnot; olisiko silloin kyse “ylistämällä alistamisesta”?) Negatiivinen tilanne näkyisi fysiologisesti alentuneena immuunivasteena ja sydänvaivoina, käyttäytymistieteellisesti mm. poissaoloina, alkoholismina ja tupakointina. ERI-kehikko olisi kirjoittajien mukaan monessa mielessä hyvä. Ensiksikin se auttaisi kiinnittämään huomiota työn psykologisiin tekijöihin. Toiseksi ERI tuo esille erilaisen näkemyksen työn tutkimisesta kuin 7 “liittyvää” tutkimusta. Kolmanneksi ERI-kehikko käyttää erilaista näkemystä stressistä kuin “liittyvät” tutkimukset. Lisäksi ERI-kehikko ottaa tutkimusmalliin mukaan henkilökohtaisen tason muuttujan “sitoutuneisuus”. Neljänneksi ERI-kehikko tarjoaa mahdollisuuksia suunnitella työtä koskevia innovaatioita. 3 Teoria ja hypoteesit (PJ: Ei preview (lukua ennakoivaa) -osuutta kohdan alussa 3.1 Teoreettinen malli Riedl ja muut (2025) nimittävät ERI-malliin nojaavaa tutkimusmalliaan kuviossa Fig. 1 “moderoitu välittävän muuttujan (mediator) malli”. Metodikirjassa Järvinen & Järvinen (2011) kerrotaan, että “Baron and Kenny (1986) määrittelevät termit moderaattori ja mediaattori seuraavasti: Muuttuja on moderaattori, jos se ei korreloi riippumattoman muuttujan kanssa, ja jos vuorovaikutus moderaattorin ja riippumattoman muuttujan kanssa (niiden tulo) on merkitsevä regressiomallissa selittämään riippuvan muuttujan vaihtelua. Muuttuja on mediaattori, jos se merkitsevästi korreloi riippumattoman muuttujan kanssa (jolla on vaikutusta riippuvaan muuttujaan regressiomallissa), mediaattorimuuttuja vaikuttaa riippumattomaan muuttujaan regressiomallissa, jossa molemmat muuttujat ovat mukana, ja sen vaikutus vähentää riippumattoman muuttujan vaikutusta riippuvaan muuttujaan.” (Järvinen & Järvinen 2011, 36-37) Tutkimusmalli käsitteellistää ja selittää stressin (relaationa = panostus – palkinto = epätasapaino) välittävänä muuttujana (mediator) agile-ohjelmoinnin (riippumaton muuttuja) ja ohjelmoijan työtyytyväisyyden (riippuva muuttuja) välillä. Lisäksi Vaasan yliopiston raportteja 38 tutkimusmallissa ylisitoutuminen vaikuttaa agile-ohjelmoinnin ja stressin väliseen relaatioon moderaattorina. Kirjoittajat selittävät, miten ERI-malli (Siegrist 1996, 1999) ja tutkimusmalli liittyvät toisiinsa. ERI-mallissa oletetaan, että työntekijät panostavat työhön ja toivovat saavansa siitä jotakin palkinnoksi. Panostuksilla Riedl ja muut tarkoittavat fyysisiä, psykologisia ja tunteisiin liittyviä työn seikkoja, jotka vaativat energiaa ja resursseja. ERI-mallissa toisen asteen palkintoja ovat mm. rahallinen kompensaatio ja sellaiset ei-kosketeltavat asiat kuin tunnustus, arvostus ja ‘takuu’ työpaikasta sekä mahdollisuus edetä uralla (sen lisäksi on ensimmäisen asteen palkinnot kuten juominen ja syöminen). (Riedl et al. 2025, p. 10) 3.2 Hypoteesit (PJ: Tässä alakohdassa Riedl ja muut perustelevat kutakin hypoteesiaan aikaisemmilla tutkimuksilla. Olen valinnut tavan, jota aikaisemmin on IS-tutkimuksissa käytetty – hypoteesit johdetaan tutkimusmallista ja malli on johdettu aikaisemmista tutkimuksista hiukan parantaen.) H1a. Agile-ohjelmointi vähentää ohjelmoijan stressiä. H1b; Stressi vähentää työtyytyväisyyttä. H1c: Stressi toimii välittävänä muuttujana agile-ohjelmoinnin ja työtyytyväisyyden välillä, ts. Stressi välittää agile-ohjelmoinnin positiivisen vaikutuksen työtyytyväisyyteen. H2: Stressi, joka vähenee, kun ylisitoutuneisuus lisääntyy, voimistaa agile-ohjelmoinnin positiiviista vaikutusta työtyytyväisyyteen. Vaasan yliopiston raportteja 39 Hypoteesin H1a kehittelyn jälkeen kirjoittajat kertovat, että intensiivinen kognitiivinen panostus, pitkät työpäivät ja tiukat ohjelmointityön valmistumisajat saattavat lisätä stressiä (PJ: perinteistä ilmiötä stressi vai stressiperspektiiviä (artikkelin otsikossa), jota voi kutsua myös ilmaisulla ERI-stressi = panostus – palkinto?) ja johtaa työtyytymättömyyteen. Lisäksi kirjoittajat kertovat, että työtyytyväisyys on suurin organisaation suoriutumista (performance) määrittävä tekijä. Näiden ja muiden asioiden perusteella Riedl ja muut päätyvät hypoteesiin H1b. 4 Metodit (PJ: Ei lukijan ennakointia alakohtiin 4.1, 4.2 ja 4.3.) 4.1 Tutkimuslähestymistapa, datojen kokoaminen ja otokset Riedl ja muut noudattivat Helsinki-julistusta (Declaration of Helsinki, ks. Wikipedia), tekivät online survey:n (https://www.limesurvey.org) ja keräsivät datat vuoden 2021 loppupuoliskolla. Ennen online kyselyn lähettämistä tehtiin esitesti, jossa viisi henkilöä vastasi kyselyyn. Lisäksi he kommentoivat kyselyn rakennetta ja kysymysten ilmaisuja. Online survey-kysely pyrittiin lähettämään mahdollisimman monelle: Kahden ensimmäisen kirjoittajan sähköpostilistoilla oleville, sosiaaliseen mediaan ja kahdelle ylimpään johtoon kuuluvalle Itävallassa. Otos ei ole satunnainen (random) vaan sopiva (convenient). Vastauksia saatiin 217. Osa vastaajista noudatti perinteistä ja osa sekä perinteistä että agile- ohjelmointia ja osa vain agile-ohjelmointia. Viimemainitut otettiin tutkimukseen mukaan ja heitä oli 178. Heidän joukkonsa vastasi laajan kv. kyselyn otoksen joukkoa sukupuolen, iän, työkokemuksen ja koulutuksen osalta. Perusjoukko oli silloin 65.000 ohjelmoijaa. Kirjoittajien tutkimus oli samanlainen kuin tuo kv. Otos. 4.2 Mittarit Kuviota Fig. 1 (alakohta 3.1) on pidetty pohjana ja sen perusteella on otettu tämän tutkimuksen muuttujat. Kullekin muuttujalle on otettu mittarit, jotka koostuvat useammasta osiosta (ks. esim. Järvinen & Järvinen (2011), kohta 7.2). Kunkin osion kysymykseen vastattiin Likertin 7 pisteen asteikolla “vahvasti eri mieltä” … “vahvasti samaa mieltä,” - Kysymysten kuvaamisessa käytettiin saksankieltä. Agile-ohjelmointi (agility) on muodostettu artikkelin Marubing ja muut (2009) ajatusten varaan (sisältää 7 agile käytäntöä) täydennettynä asiakassuhteella, joka on otettu artikkelista Tuomivaara ja muut (2017). (PJ: Agile-ohjelmointi-mittari koostuu 8 ko. ohjelmoinnin piirteestä. a) MacKenzie ja muut (2011) ovat esittäneet, miten mittari luodaan. Minusta https://www.limesurvey.org/ Vaasan yliopiston raportteja 40 kirjoittajat eivät ole noudattaneet MacKenzie ja muiden hyviä ohjeita. b) kun tässä on osittain uusi mittari, kannattaa kysyä: Kuvaavatko 8 osiota agile-ohjelmointia riittävän hyvin? Riedl ja muut eivät vastaa kysymykseen?) Ragu-Nathan ja muut (2008) ovat esittäneet työtyytyväisyys-mittarin. (PJ: kirjoittajat eivät lähemmin arvioi mittarin osioita.) Muuttujien stressi-perspektiivi ja ylisitoutuneisuus määritelmät on otettu artikkeleista Siegrist (1996, 1999). (PJ: Ne tuskin nojaavat artikkelin MacKenzie ja muut (2011) ajatuksiin.) 4.3 Data-analyysit Riedl ja muut kertovat muodostaneensa ensin korrelaatiomatriisin. (PJ: Nyt tutkijan tulee muistaa tilastollisia laskelmia varten muuttujia koskevat ehdot, esim. ovatko muuttujat jatkuvia. Kysymys on tarpeen, sillä Likertin 7-portainen asteikko ei yleensä ole jatkuva, vaan lukemat ovat pistemäisiä, usein 1, 2, … 7 eikä pisteiden välissä olevia arvoja kuten 2,4 käytetä, vaan silloin on joko 2 tai 3. Mitä pistemäisyys vaikuttaa korrelaatioihin? Yleensä Likertin eikä muidenkaan asteikkoa voida olettaa tasaväliseksi. Paljonko tasavälisyyden puuttuminen vaikuttaa korrelaatioihin?) Kirjoittajat käyttävät kahta mallia (tekstissä 4 ja 7). Malli 4 koskee mediaattoria. Malli 7 sekä mediaattoria että moderaattoria. Hayes (2018) käyttää numeroita 4 ja 7, kun hän neuvoo mediaattorin sekä sen ja moderaattorin laskentaa. (PJ: Riedl ja muut “perustelevat” Hayesin mallien 4 ja 7 käyttöä kertomalla, että äskettäin muutkin tutkijat ovat käyttäneet malleja 4 ja 7. Näin usein tehdään, mutta minusta tutkijan tulisi hallita tutkimuksesta myös tilastollisen laskennan osuus, kun tutkija käyttää tilastollisia menettelyjä.) Kirjoittajat varmistivat tuloksiaan myös taustamuuttujien (sukupuolen iän, työkokemuksen ja koulutuksen) suhteen, etteivät heidän tuloksensa ole vinoja minkään taustamuuttujan suhteen. Tuloksilla Riedl ja muut tarkoittavat heidän tutkimusmuuttujiensa (agile ohjelmointi, työtyytyväisyys, stressi(perspektiivi) ja ylisitoutuneisuus) välisiä suhteita. (PJ: Tässä tutkimusasetelmassa jää tutkimatta, vaikuttavatko tutkimuksesta poisjätetyt muut muuttujat kuin taustamuuttujat relaatioihin.) 5 Tulokset Tutkijat testasivat korrelaatiomatriisin avulla ensin hypoteesit H1a, H1b, H1c ja H2. Kaikki hypoteesit saivat aineistosta tukea. Kaikkien relaatioiden etumerkki (+ tai-) kuviossa Fig. 1 ja aineiston perustella oli sama. Vaasan yliopiston raportteja 41 Agile-ohjelmointia oli kuvattu kahdeksalla käytännöllä. Kerätyn datan perusteella haluttiin tietää mitkä käytännöistä lisäävät ja mitkä vähentävät stressiperspektiiviä. Ohjelman tarpeiden (requirement) muutokset ja asiakassuhteet lisäävät stres