Roland Parts 

Selitettävyyden ja vuorovaikutuksen kehittäminen 
tekoälypohjaisissa rekrytointijärjestelmissä 

Työnhakijoiden näkökulma 

 

 

 

 

 

 

 
  

Vaasa 2024 

Tekniikan ja innovaatiojohtamisen yksikkö 
Kauppatieteiden Pro gradu -tutkielma 

Teknisen viestinnän maisteriohjelma 



2 

VAASAN YLIOPISTO 
Tekniikan ja innovaatiojohtamisen yksikkö 

Tekijä: Roland Parts 
Tutkielman nimi: Selitettävyyden ja vuorovaikutuksen kehittäminen 

tekoälypohjaisissa rekrytointijärjestelmissä: Työnhakijoiden 
näkökulma 

Tutkinto: Kauppatieteiden maisteri 
Oppiaine: Tekninen viestintä 
Työn ohjaaja: Tomi Pasanen 
Valmistumisvuosi: 2024 Sivumäärä: 117 

TIIVISTELMÄ: 
Tekoälypohjaisia rekrytointijärjestelmiä käytetään yhä enemmän työnhakijoiden seulonnassa ja 
arvioinnissa, vaikka niiden selitettävyys ja vuorovaikutuksellisuus ovat jääneet vähälle huomiolle 
työnhakijoiden näkökulmasta. Tekoälypohjainen päätöksenteko voi vaikuttaa merkittävästi 
hakijoiden luottamukseen ja kokemukseen rekrytointiprosessista, mutta tähän mennessä 
tutkimus on keskittynyt pääsiassa järjestelmien tehokkuuteen. Selitettävyyden ja 
vuorovaikutuksellisuuden tarkastelu työnhakijoiden näkökulmasta on kuitenkin tarpeellista, sillä 
päätöksenteon läpinäkyvyys ja mahdollisuus vuorovaikutukseen voivat parantaa hakijoiden 
hyväksyntää ja sitoutumista rekrytointiprosessiin. Tämän tutkimuksen tavoitteena on kartoittaa, 
millaisia selitettävyys- ja vuorovaikutusodotuksia työnhakijoilla on tekoälypohjaisissa 
rekrytointijärjestelmissä.  
 
Tutkimus toteutettiin konstruktiivisella tutkimusotteella ja aineisto kerättiin 
teemahaastatteluilla, joissa haastateltiin työnhakijoita eri taustoista. Aineisto analysoitiin 
sisällönanalyysin avulla, mikä mahdollisti työnhakijoiden kokemusten ja näkökulmien syvällisen 
tarkastelun. Tutkimuksen tuloksena muodostettiin ohjeistus, joka käsittelee selitettävyyden ja 
vuorovaikutuksellisuuden kehityssuuntia tekoälypohjaisissa rekrytointijärjestelmissä. 
Ohjeistuksessa keskitytään selitysten selkeyteen, vuorovaikutusmahdollisuuksien lisäämiseen, 
kuten lisätietojen kysymiseen, sekä tekoälyn ja ihmisten välisten roolien selkeyttämiseen 
rekrytointiprosessin eri vaiheissa, kuten hakemisen, seulonnan ja arvioinnin yhteydessä. 
Ohjeistus sisältää konkreettisia suosituksia siitä, miten selitettävyys voidaan huomioida 
järjestelmän käyttöliittymän suunnittelussa ja miten vuorovaikutuksellisuutta voidaan lisätä 
esimerkiksi tarjoamalla reaaliaikaista palautetta hakijoille heidän edistymisestään prosessin 
aikana. 
 
Ohjeistuksen tarkoitus on tarjota rekrytoinnin kehittäjille kehityssuuntia, joiden avulla he voivat 
vastata työnhakijoiden toiveisiin selitettävyydestä ja vuorovaikutuksesta ja siten edistää 
hakijakokemusta tekoälypohjaisessa rekrytoinnissa. Jatkotutkimuksena voitaisiin arvioida 
ohjeistuksen käytettävyyttä ja vaikutuksia käytännön rekrytointitilanteissa sekä kartoittaa 
tarkemmin erilaisten työnhakijaryhmien, kuten eri ikäryhmien, näkemyksiä. Ohjeistuksen 
vaikutusta voitaisiin lisäksi arvioida käytännössä esimerkiksi pilottiohjelmien avulla, joissa 
tekoälypohjaisia rekrytointijärjestelmiä muokataan ohjeistuksen mukaisesti ja tarkastellaan, 
miten muutokset vaikuttavat hakijakokemukseen ja luottamukseen rekrytointiprosessiin 
 
 

AVAINSANAT: Selittävä tekoäly, läpinäkyvyys, rekrytointijärjestelmät, luotettavuus 
  



3 

Sisällys 

1 Johdanto 7 

1.1 Tutkimuksen tavoite ja menetelmä 9 

1.2 Tutkielman rakenne 9 

2 Tekoäly rekrytoinnissa 10 

2.1 Tekoälyn määrittely ja lähestyminen 10 

2.2 Tekoälyllä tehokkuutta rekrytointiprosessiin 12 

2.3 Tekoälypohjaiset rekrytointijärjestelmät 17 

2.3.1 Ennakoiva analytiikka 18 

2.3.2 Algoritminen päätöksenteko 20 

2.3.3 Keskustelevat käyttöliittymät 21 

2.4 Tekoälyn vaikutuksia työnhakijan asemaan rekrytoinnissa 23 

3 Selittävä tekoäly 28 

3.1 Läpinäkyvyyden merkitys 29 

3.1.1 Läpinäkyvyyden tasot tekoälyjärjestelmissä 30 

3.1.2 Sidosryhmien intressit läpinäkyvyyden tasoilla 33 

3.1.3 Selittävän tiedon ymmärtäminen 37 

3.2 Selitettävyystietoinen suunnittelu 40 

3.2.1 Selitettävyystavoitteet 42 

3.2.2 Vaatimusten analysointi ja määrittely 47 

3.2.3 Multimodaalinen vuorovaikutussuunnittelu 49 

3.2.4 Vuorovaikutukselliset selitettävyyslähestymistavat 52 

4 Tutkimusmenetelmä- ja aineisto 55 

4.1 Tutkimusmenetelmä 55 

4.2 Haastateltavat 56 

4.3 Aineisto 57 

4.4 Aineiston analyysi 59 

5 Tutkimuksen tulokset 62 



4 

5.1 Työnhakijoiden odotukset tekoälypohjaisten rekrytointijärjestelmien 

selitettävyydestä 62 

5.1.1 Tulosperusteisen selitettävyyden määrittäminen 64 

5.1.2 Prosessiperusteisen selitettävyyden määrittäminen 67 

5.2 Tekoälyjärjestelmien vuorovaikutuksellisuuden merkitys rekrytointiprosessissa

 68 

5.2.1 Reaaliaikaisen informaation merkitys 70 

5.2.2 Mahdollisuus kysyä lisätietoja ja tarkennuksia 71 

5.2.3 Tekoälyn ja ihmisen roolien selkeys 73 

6 Toteutus 75 

6.1 Motivaatio ja vaatimukset 75 

6.2 Suunnittelu 77 

6.3 Ohjeistuksen toteutus 84 

6.4 Arviointi 86 

7 Johtopäätökset ja pohdinta 90 

Lähteet 93 

Liitteet 105 

Liite 1. Haastattelurunko 105 

Liite 2. Selitettävyyden ja vuorovaikutuksellisuuden konseptuaalinen kehittäminen

 108 

  



5 

Kuvat 
 
Kuva 1. keskustelevien käyttöliittymien toimintoja ja rooleja rekrytointikontekstissa 

(Koivunen ja muut, 2022, s. 509–510). 23 

 
 

Kuviot 
 
Kuvio 1. Tekoälyn lähestymistavat tieteessä (Russell ja muut, 2022, s. 19). 12 

Kuvio 2. Tehostavat roolit rekrytointiprosessissa (Nikolaou, 2021; Pillai ja muut, 2022).

 16 

Kuvio 3. Tekoälypohjaisten rekrytointijärjestelmien kehityssuuntia (Albassam, 2023, s. 

65). 18 

Kuvio 4. Päätöspuumalli (Zhang, 2022, s. 15 689). 21 

Kuvio 5. Läpinäkyvyyden tasot tekoälyjärjestelmissä (Haresamudram ja muut, 2023, s. 

95). 31 

Kuvio 6. Sidosryhmien luokitus läpinäkyvyyden tasoilla (Barredo Arrieta ja muut, 2020, 

s. 84). 34 

Kuvio 7. Selitystyypit (Leslie & Briggs, 2021, s. 12). 40 

Kuvio 8. Suunnittelulähestymistapojen hierarkia (Benyon, 2019; Bingley ja muut, 2023).

 42 

Kuvio 9. DoReMi-suunnittelumalli (Schoonderwoerd ja muut, 2021, s. 2). 48 

Kuvio 10. Ennusteen ja selittämisen tuottamisen prosessi (Clement ja muut, 2023, s. 81).

 50 

Kuvio 11. Läpinäkyvien ja jälkiselitettävien mallien prosessi (Vilone & Longo, 2021, s. 616).

 51 

 
 

Taulukot 
 
Taulukko 1. Vaikutuksista työntekijän asemaan hyötyjen ja riskien kannalta (Black & van 

Esch, 2020; Hunkenschroer & Luetge, 2022; Lookadoo & Moore, 2024). 27 

Taulukko 2. Vaatimukset selitettävyydelle. 76 



6 

Taulukko 3. Vuorovaikutukselliset vaatimukset. 77 

 
 
 
  



7 

1 Johdanto 

Neljännen teollisen vallankumouksen mukanaan tuomat teknologiat, kuten tekoäly ja 

automaatio, ovat muuttaneet merkittävästi organisaatioiden sähköisiä 

rekrytointiprosesseja (Nikolaou, 2021, s. 2). Pillai ja muut (2022, s. 709–710) toteavat, 

että nykyisin teknologioiden avulla voidaan suorittaa monimutkaisia tehtäviä, kuten 

hakijoiden houkuttelua, arviointi ja valintaa, älykkäiden tietoteknisten järjestelmien 

avulla, jolloin toiminta jäljittelee rekrytointiammattilaisten päätöksentekoa. Tutkimukset 

osoittavat, että tekoälypohjaisia rekrytointijärjestelmiä hyödyntävät jo yli 90 % 

organisaatioista Yhdysvalloissa, Isossa-Britanniassa ja Saksassa, mikä viittaa 

merkittävään muutokseen henkilöstöhallinnoissa (Lookadoo & Moore, 2024, s. 3–4). 

Duongin & Thin (2022, s. 67) mukaan tekoälyn käyttö vaikuttaa erityisesti 

rekrytointiprosessien tehokkuuteen, mutta myös organisaatioiden ja hakijoiden välisen 

viestinnän kehittämiseen sillä tekoäly voi automatisoida viestintää ja parantaa 

tiedonkulkua rekrytointiprosessin eri vaiheissa.  

 

Tekoälypohjaiset rekrytointijärjestelmät, erityisesti algoritmisen päätöksenteon, 

ennakoivan analytiikan ja keskustelevien käyttöliittymien muodossa, ovat lisänneet 

rekrytoinnin tehokkuutta, tarkkuutta ja oikeudenmukaisuutta sekä vähentäneet 

inhimillisten ennakkoluulojen vaikutusta (Albassam, 2023, s. 6–7; Hunkenschroer & 

Luetge, 2022, s. 997). Hunkenschroerin & Luetgen (2022, s. 997) mukaan teknologisen 

muutoksen keskellä on kuitenkin herännyt huolta tekoälyn käytön läpinäkyvyydestä ja 

selitettävyydestä, sillä työnhakijoiden näkökulmasta on edelleen epäselvää, millä 

tiedoilla heitä arvioidaan ja kuinka nämä tiedot vaikuttavat valintapäätöksiin. 

Läpinäkyvyyden puute rekrytointijärjestelmissä voi heikentää työnhakijoiden 

luottamusta prosessiin, sillä monimutkaisia järjestelmiä pidetään usein vaikeasti 

selitettävissä olevina ja lisäksi on pelko, että valintamenettelyjä saatettaisiin manipuloida 

(Van Iddekinge ja muut, 2023, s. 671).  

 

 



8 

Selittävän tekoälyn lähestymistavat tarjoavat potentiaalisia ratkaisuja tekoälyn ja 

ihmisen välisen vuorovaikutuksellisen läpinäkyvyyden kehittämiseksi, mikä korostaa 

myös työnhakijoiden oikeudenmukaisia mahdollisuuksia ymmärtää valintaprosessia 

(Haresamudram ja muut, 2023, s. 97–98). Haresamudram ja muut (2023) osoittavat, että 

keskustelu tekoälyjärjestelmien läpinäkyvyydestä on kehittynyt pitkään ikään kuin 

vuorovaikutuksen elementit eivät vaikuttaisi siihen. Heidän mukaansa päätösten 

selitettävyyttä sekä tekoälyjärjestelmien ja ihmisen välistä vuorovaikutusta 

läpinäkyvyyden moniulotteisuuden kannalta on tutkittu toistaiseksi vähän erilaisissa 

konteksteissa. Langer & König (2023) ovat tutkineet henkilöstöhallinta- ja 

rekrytointijärjestelmien algoritmisten päätösten läpinäkymättömyyden mahdollisia 

negatiivisia vaikutuksia eri käyttäjäryhmien näkökulmista. Lisäksi Langer ja muut (2021) 

tarkastelevat keskeisiä käsitteitä ja suhteita, joita tulisi huomioida, kun valitaan, 

arvioidaan, säädetään tai kehitetään selitettävyyslähestymistapoja, joiden tavoitteena 

on tyydyttää järjestelmän käyttäjien toiveita selitettävyydestä. Chromik & Butz (2021) 

ovat tutkineet vuorovaikutussuunnittelua selittävän tekoälyn periaatteiden 

näkökulmasta ja muodostivat vuorovaikutuskonseptit selittävän tekoälyn periaatteiden 

mukaisiksi. Leslie & Briggs (2021) esittelevät tapaustutkimuksessaan ohjeistuksen, jota 

voidaan hyödyntää tekoälypohjaisten rekrytointijärjestelmien selitystietoisessa 

suunnittelussa.  

 

Selitettävän tekoälyn lähestymistapoja rekrytointiprosessien läpinäkyvyyden ja 

vuorovaikutuksen parantamiseksi työnhakijoiden näkökulmasta on tutkittu toistaiseksi 

vain vähän. Tämä tutkielma keskittyy selitettävän tekoälyn vuorovaikutuksellisen 

läpinäkyvyyden suunnitteluun ja tekoälyperusteisten rekrytointijärjestelmien 

selitettävyyden kehittämiseen työnhakijoiden tarpeet huomioiden. Tutkimuksessa 

tarkastellaan työnhakijoita kohderyhmänä ja analysoidaan heidän asemaansa ja 

odotuksiaan rekrytointiprosessissa. Empiirisen tutkimuksen pohjalta muodostetaan 

ohjeistus, joka esittelee keskeiset selitettävyyslähestymistavat ja 

vuorovaikutuksellisuuden ratkaisut, joilla voidaan tukea työnhakijoiden ymmärrystä ja 

osallisuutta tekoälypohjaisissa rekrytointijärjestelmissä.  



9 

 

1.1 Tutkimuksen tavoite ja menetelmä 

Tämän tutkimuksen tavoitteena on selvittää, miten tekoälypohjaisten 

rekrytointijärjestelmien vuorovaikutuksellista läpinäkyvyyttä voidaan kehittää. 

Tutkimusmenetelmänä käytetään konstruktiivista tutkimusotetta. Tutkimuskysymykset 

ovat:  

”Millaisia selitettävyyslähestymistapoja työnhakijat odottavat tekoälypohjaisilta 

rekrytointijärjestelmiltä? ” 

”Miten tekoälypohjaisten rekrytointijärjestelmien tekemät päätökset ja 

käsittelemät tiedot tulisi esittää työnhakijoille rekrytointiprosessin aikana?” 

 

1.2 Tutkielman rakenne 

Tutkielma koostuu seitsemästä kappaleesta. Johdannossa esitetään tutkimuksen aihe, 

tavoitteet, tarkoitus, menetelmä ja rakenne. Teoria on jaettu kahteen pääkappaleeseen, 

jotka ovat tekoäly rekrytointijärjestelmissä ja selittävä tekoäly. Tutkimusmenetelmä 

kappaleessa käsitellään, miten tutkimus suunniteltiin ja toteutettiin. Tutkimustulokset 

esitetään viidennessä kappaleessa. Toteutuskappaleessa esitetään, miten konstruktio 

suunniteltiin ja toteutettiin. Lopuksi esitetään tutkimuksesta tehdyt johtopäätökset ja 

pohdinta.  



10 

2 Tekoäly rekrytoinnissa 

Neljännen teollisen vallankumouksen myötä useat eri alat, mukaan lukien 

henkilöstöhallinto ja sen käyttämät rekrytointijärjestelmät, ovat kokeneet merkittäviä 

muutoksia (Norman, 2022, s. 37). Pillai ja muiden (2022, s. 709–710) mukaan tekoäly on 

keskeisin teknologia rekrytointijärjestelmien uudistuksessa, sillä sen avulla organisaatiot 

voivat automatisoida tiedonkäsittelyä ja päätöksentekoa tehokkaasti. Myös Black & van 

Esch (2020, s. 218–219) korostavat automaation merkitystä erityisesti 

rekrytointiprosessin neljässä keskeisessä vaiheessa, joita ovat markkinointi, seulonta, 

arviointi ja koordinointi. Henkilöstöhallinnon alalla tekoälypohjainen 

prosessiautomaatio tarkoittaa, että ohjelmistot voivat tehdä ja toteuttaa päätöksiä 

algoritmisesti usein ilman merkittävää ihmisen osallistumista (Johnson ja muut, 2021, s. 

42).  

 

Tässä kappaleessa ja sen alaluvuissa tarkastellaan tekoälyn roolia sekä merkitystä 

rekrytoinnin eri vaiheissa. Ensin määritellään tekoäly ja sen lähestymistavat ja 

analysoidaan, miten tekoäly voi tehostaa rekrytointiprosessia. Tämän jälkeen käsitellään 

tekoälypohjaisia rekrytointijärjestelmiä ennakoivan analytiikan, algoritmisen 

päätöksenteon ja keskustelevien käyttöliittymien näkökulmista. Lopuksi pohditaan 

tekoälyn vaikutuksia työnhakijoiden asemaan ja heidän kohtaamiinsa ongelmiin 

rekrytointiprosessissa. Tämä kokonaisuus tarjoaa kattavan kuvan tekoälyn 

monipuolisista rooleista ja vaikutuksista rekrytointikontekstissa.   

 

2.1 Tekoälyn määrittely ja lähestyminen 

Tekoäly viittaa tietokoneiden ja ohjelmistojen kykyyn suorittaa tehtäviä, jotka tavallisesti 

edellyttävät inhimillistä älykkyyttä (Osaba, 2021, s. 3). Campesaton (2020, s. 5–6) 

mukaan tekoälyn soveltamia tehtäviä voivat olla päätöksenteko, oppiminen, 

ongelmanratkaisu ja kielen ymmärtäminen, ja näiden tehtävien moninaisuus ulottuu 

yksinkertaisista automaatiotehtävistä monimutkaisiin päätöksentekoprosesseihin. 



11 

Keskeisenä osana tekoälyn toimintaa on sen kyky hyödyntää suuria määriä dataa 

oppimisprosesseissaan (Russell ja muut, 2022, s. 44).  

 

Tekoälyjärjestelmät analysoivat ja prosessoivat dataa tunnistaakseen olennaisia tietoja 

ja kaavoja, mikä mahdollistaa niille päätelmien tekemisen, oppimisen kokemuksista ja 

mukautumisen uusiin tilanteisiin (Russell ja muut, 2022, s. 43). Russell ja muut (2022, s. 

44) korostavat, että tekoälyn keskeinen tarkoitus on luoda lisäarvoa kerätystä datasta. 

Osaba (2021, s. 2) toteaa, että tekoälyn viitekehykseen liittyy monia alasektoreita, joista 

erityisesti koneoppiminen, syväoppiminen ja optimointi korostuvat niiden 

datakeskeisten menetelmien vuoksi, sillä ne perustuvat tietojenkäsittelyn ja 

tilastotieteen käsitteisiin. Tekoälyn keskeisiä osa-alueita ovat myös esimerkiksi 

luonnollisen kielen käsittely, tiedon mallintaminen, robotiikka ja automaattinen päättely 

(Campesato, 2020, s. 18).  

 

Tekoäly on monimuotoinen tieteenala, jonka tavoitteena on kehittää älykkäitä 

järjestelmiä reaalimaailman ongelmien ratkaisemiseen (Osaba, 2021, s. 2). Russell ja 

muut (2022, s. 19) esittävät, että tekoälytutkimusta voidaan tarkastella ihmisten 

kaltaisuuden ja rationaalisuuden sekä ajatteluun ja käyttäytymiseen perustuvien mallien 

kautta. Neljä keskeistä lähestymistapaa, joita tekoälytutkimuksessa käytetään, ovat 

inhimillinen ajattelu, rationaalinen ajattelu, inhimillinen toiminta ja rationaalinen 

toiminta (Russell ja muut, 2022, s. 20).  

 

Vold (2024, s. 231–232) määrittelee inhimillisen ajattelun lähestymistavaksi, jossa 

keskitytään mallintamaan ihmisen kognitiivisia toimintoja, kuten päättelyä ja muistia. 

Rationaalinen ajattelu puolestaan perustuu matemaattisiin ja teknisiin periaatteisiin ja 

pyrkii loogisiin päätöksiin. Russell ja muut (2022, s. 19) kuvaavat inhimillistä toimintaa ja 

ajattelua lähestymistapana, jossa järjestelmät toimivat ympäristössä ihmisten tavoin. 

Kun taas Fanin ja muiden (2022, s. 2–3) mukaan, että rationaalinen toiminta ja ajattelu 

tähtää optimaaliseen toimintaan tietyssä ympäristössä. Tekoälytutkimuksen 

lähestymistapoja ohjaa kaksijakoinen pyrkimys, joka jakautuu ihmisen kaltaisen 



12 

älykkyyden tavoitteluun ja muodollisen älykkyyden määrittelyyn (Russell ja muut, 2022, 

s. 19). Alla oleva kuvio 1 havainnollistaa tekoälytutkimuksen lähestymistapoja. Tässä 

tutkielmassa tarkastellaan erityisesti ihmisen kaltaista tekoälyä ja pyritään empiirisen 

tiedon avulla selvittämään työnhakijoiden odotuksia selitettävyydestä ja 

vuorovaikutuksesta tekoälypohjaisissa rekrytointijärjestelmissä.  

 

 

Kuvio 1. Tekoälyn lähestymistavat tieteessä (Russell ja muut, 2022, s. 19). 

 

2.2 Tekoälyllä tehokkuutta rekrytointiprosessiin 

Nikolaou (2021, s. 2) määrittelee rekrytoinnin laajaksi käsitteeksi, joka kattaa monia eri 

elementtejä ja koostuu sarjasta prosesseja, järjestelmiä ja strategioita. Standardisoitu 

rekrytointiprosessi sisältää yleensä kuusi päävaihetta, jotka ovat tarve, houkuttelu, 

seuranta, arviointi, valinta ja palkkaus (Lee, 2007, s. 83). Lee (2007, s. 83) kuvaa, kuinka 

tarvevaiheessa organisaatioissa tunnistetaan työtarve, jonka pohjalta luodaan 

kandidaattiprofiili avoinna olevan tehtävän vaatimusten mukaisesti. Tämä profiili 

Tekoälyn  

lähestymistavat 
Ihmisen kaltainen älykkyys Muodollinen älykkyys 

 

Inhimillinen ajattelu 

Inhimillinen toiminta 

Rationaalinen ajattelu 

Rationaalinen toiminta 



13 

julkaistaan digitaalisissa kanavissa työpaikkailmoituksena organisaation verkkosivuilla ja 

työpaikkasivustoilla. Tekoälyä voidaan hyödyntää tarvemäärittelyn analysoinnissa ja 

mallintamisessa, jolloin kandidaattiprofiilien luomisesta tulee tarkempaa ja osuvampaa 

(Pillai ja muut, 2022, s. 710). Stone ja muut (2015, s. 217) toteavat, että 

työpaikkailmoituksen jälkeen siirrytään houkutteluvaiheeseen, jossa painopiste on 

tehokkaassa markkinoinnissa ja viestinnässä potentiaalisille hakijoille.  

 

Houkutteluvaihe on kehittynyt teknologian myötä menetelmiin, joissa hyödynnetään 

erilaisia digitaalisia työkaluja, kuten älykkäitä chatbotteja, joiden avulla pyritään 

tunnistamaan hakijoiden soveltuvuutta ja houkuttelemaan työtehtävään hakemista 

(Nikolaou, 2021, s. 2). Nikolaou (2021, s. 2) toteaa, että digitaalisia työkaluja 

hyödyntämällä pyritään luomaan kiinnostavaa sisältöä, kuten verkkopohjaisia 

työpaikkailmoituksia sekä sosiaalisen median kampanjoita, joiden avulla voidaan 

tavoittaa laajempi ja monimuotoisempi hakijajoukko. Stone ja muut (2015, s. 217) 

korostavat, että vahva työnantajabrändi yhdessä tehokkaiden houkuttelutoimenpiteiden 

kanssa on keskeinen tekijä laadukkaan hakijapoolin saamisessa, mikä puolestaan lisää 

mahdollisuuksia löytää oikea osaaja työtehtäviin. Houkutteluvaiheen aikana tai sen 

jälkeen alkaa yleensä rekrytointiprosessin hallinnollinen seurantavaihe (Lee, 2007, s. 84).  

 

Lee (2007, s. 84) kuvaa, että seurantavaiheeseen kuuluu työhakemusten kerääminen, 

hakijoiden ansioluetteloiden tallentaminen osaksi ehdokasprofiileja ja hakijoiden 

tilanteen seuraaminen rekrytointiprosessissa. Tässä vaiheessa standardimenetelmä on, 

että työnhakija voi luoda profiilin organisaation verkkosivuilla ja täyttää 

verkkolomakkeen. Lomakkeeseen täytetään tarvittavat tiedot ja liitetään pyydetyt 

tiedostot, kuten ansioluettelo ja valokuva (Laumer ja muut, 2015, s. 432). Lee (2007, s. 

85) toteaa, että seurantavaiheen merkitys rekrytointiprosessissa korostuu erityisesti 

hakijoiden tietojen systemaattisessa hallinnassa ja hakuprosessin läpinäkyvyydessä. 

Tässä vaiheessa tekoälyjärjestelmät tehostavat hakijoiden tietojen analysointia ja 

profilointia, mikä nopeuttaa hakemusten käsittelyä ja parantaa ehdokkaiden ja 

organisaation välistä yhteensovittamista (Pillai ja muut, 2022, s. 710).  



14 

 

Arviointivaihe sisältää yleensä kaksiosaisen prosessin, jossa ensin hakijan ansioluettelo 

ja hakemuskirje seulotaan avainsanojen avulla, minkä jälkeen hakijaa arvioidaan 

syvällisemmin haastattelujen ja testien avulla (Lee, 2007, s. 84). Nikolaou (2021, s. 3) 

toteaa, että on yhä yleisempää tarkastella hakijoiden sosiaalisen median profiileja, kuten 

LinkedIniä ja Facebookia, heidän persoonallisuutensa arvioimiseksi. Faliagka ja muut 

(2012) esittävät lähestymistavan, jossa hakijat analysoidaan persoonallisuuden 

perusteella ja sijoitetaan paremmuusjärjestykseen heidän kompetenssiensa perusteella. 

Tekoälyä käytetään tehostamaan arviointivaihetta esimerkiksi automaattiseen 

analysointiin ja hakijoiden vertailuun, mikä mahdollistaa nopeamman, syvemmän ja 

tarkemman päätöksenteon (Pillai ja muut, 2022, s. 710). Nikolaou (2021, s. 3) mukaan 

tekoälyn avulla voidaan parantaa myös työnhakijoiden ja organisaatioiden välistä 

viestintää, mikä voi ilmetä automaattisena tiedottamisena, esimerkiksi hakijoiden 

työnhakuun liittyvistä suorituksista ja pisteytyksistä.  

 

Viestinnän merkitys korostuu erityisesti arviointi- ja valintavaiheessa, sillä nämä vaiheet 

sisältävät työnhaun kannalta merkityksellisiä ja sensitiivisiä henkilötietoja (Holm, 2012, 

s. 251–252). Lee (2007, s. 84) toteaa, että arviointivaiheen tavoitteena on valita 

potentiaalisimmat ehdokkaat, joita voidaan tarvittaessa haastatella uudelleen ennen 

lopullista valintaa ja palkkausta. Digitaaliset työkalut mahdollistavat myös 

videohaastattelujen toteuttamisen, jolloin hakijat voivat suorittaa haastattelut ajasta ja 

paikasta riippumatta (Nikolaou, 2021, s. 3). Toisaalta Langerin ja muiden (2017, s. 378) 

mukaan merkittävä osa hakijoista kokee digitaaliset haastattelut kuitenkin 

pelottavammiksi ja vähemmän henkilökohtaisiksi perinteisiin haastatteluihin verrattuna. 

Tekoälyn vaikutus videohaastatteluihin ilmenee automaatiossa, jossa esimerkiksi 

tekoälyagentit haastattelevat ja analysoivat hakijoita ihmisten sijasta (Pillai ja muut, 2022, 

s. 710).  

 

Yksinkertaisimmillaan rekrytoinnin tavoitteena on palkata oikeat henkilöt oikeisiin 

tehtäviin hyödyntämällä tehokkaita prosesseja, järjestelmiä ja strategioita (Lee, 2007, s. 



15 

85). Nikolaou (2021, s. 3) toteaa, että teknologiakehitys on ohjannut 

rekrytointiprosessien, -järjestelmien ja -strategioiden kehittämistä erityisesti 

houkutteluun, arviointiin ja viestintään liittyviin osa-alueisiin. Hunkenschroer & Luetge 

(2022, s. 998) kuitenkin huomauttavat, että rekrytointikehityksessä, kuten 

tekoälyperusteisissa rekrytointijärjestelmissä, painopiste on usein ollut organisaatioiden 

tehokkuuden parantamisessa sen sijaan, että keskittyisi kandidaattikokemuksen 

kehittämiseen. Tämä on osittain ymmärrettävää, sillä organisaatiot voivat saavuttaa 

kustannussäästöjä, jotka ylittävät jopa yli 50 prosenttia ei-tekoälypohjaisiin 

rekrytointijärjestelmiin verrattuna (Pillai ja muut, 2022, s. 709). Hunkenschroer & Luetge 

(2022, s. 1001) korostavat, että tekoälyperusteisissa rekrytointijärjestelmissä tulisi 

tulevaisuudessa kiinnittää enemmän huomiota kandidaattikokemuksen parantamiseen, 

sillä esimerkiksi järjestelmien automaattisen päätöksenteon läpinäkyvyys on tärkeää 

eettisyyden kannalta. Alla oleva kuvio 2 havainnollistaa tekoälyn roolia 

rekrytointiprosessien tehostavana työkaluna.  

 



16 

 

Kuvio 2. Tehostavat roolit rekrytointiprosessissa (Nikolaou, 2021; Pillai ja muut, 2022).  

 

 

 

Tarvevaihe 

• Tukea tarvemäärittelyn 

analysointiin ja 

mallintamisen 

Houkutteluvaihe 

• Chatbotit: Hakijoiden soveltuvuuden 

tunnistamiseen ja hakijoiden 

houkuttelemiseen tehtävään 

• Sisällöntuotanto: Kiinnostavan 

sisällön luomiseen 

 Arviointivaihe 

• Avainsanojen analysointi: ansioluetteloiden 

ja hakemuskirjeiden avainsanaseulonta 

• Hakijoiden sosiaalisen median profiilit: 

mahdollistaa sosiaalisen median profiilien 

analysoinnin persoonallisuuden arvioimiseksi 

• Automatisoitu analyysi ja vertailu: syvempää 

hakijoiden vertailua ja arviointi 

päätöksenteon tueksi 

• Viestintä hakijoiden kanssa: automaattista 

tiedottamista rekrytoinnista 

 Valintavaihe 

• Videohaastattelut ja 

tekoälyagentit: haastattelujen 

järjestäminen ja hakijoiden 

analysointi 

 Seurantavaihe 

• Hakemusten ja ansioluetteloiden hallinta: 

Tehostavat hakijoiden tietojen analysointia ja 

profilointia 

• Hakemusten käsittelyn nopeutus ja 

yhteensovittaminen: Parantaa ehdokkaiden 

ja organisaatioiden välistä 

yhteensovittamista analysoimalla tietoja 
Tekoälyn tehostavat roolit 

rekrytointiprosesseissa 



17 

2.3 Tekoälypohjaiset rekrytointijärjestelmät 

Rekrytointijärjestelmän tekninen arkkitehtuuri on yleensä laaja kokonaisuus, joka 

koostuu erilaisista alijärjestelmistä, joita käytetään rekrytointiprosessiin liittyvien 

tehtävien suorittamiseen (Lee, 2007, s. 82). Lee (2007, s. 83–84) toteaa, että 

alijärjestelmiä voi olla useita, ja jokaisella niistä on oma erityinen tehtävänsä, kuten 

viestintä, hallinnointi, arviointi ja analysointi. Rekrytointijärjestelmän alijärjestelminä 

voivat olla esimerkiksi työtarpeenhallintajärjestelmä, rekrytoinnin 

suorituskykyanalyysijärjestelmä, arviointijärjestelmät, viestintäjärjestelmät sekä 

esikarsintahallintajärjestelmä (Laumer ja muut, 2015, s. 433). 

 

Rekrytointijärjestelmän alijärjestelmät voidaan nähdä rakenteistettuina tietoteknisinä 

komponentteina, joilla on määriteltyjä ominaisuuksia ja toiminnallisuuksia 

rekrytointitehtävien suorittamiseen (Laumer ja muut, 2015, s. 434). Laumer ja muut 

(2015, s. 432–433) kuvaavat, että rekrytointiprosessit jäsennellyiksi liiketoiminnan 

ydinprosesseiksi, joita virtaviivaistetaan tietoteknisten komponenttien avulla. 

Rekrytointiprosessissa tietotekninen kehitys on erityisesti keskittynyt houkuttelu-, 

arviointi- ja valintavaiheisiin sekä niihin liittyviin analysointityökaluihin (Nikolaou, 2021, 

s. 2–3). Pillai ja muut (2022, s. 710) korostavat, että tekoäly tukee näiden komponenttien 

kehittämistä parantamalla prosessien tehokkuutta ja tarkkuutta, mikä vaikuttaa 

myönteisesti rekrytointituloksiin.  

 

Tekoälypohjaisissa rekrytointijärjestelmissä korostuvat erityisesti, ennustettava 

analytiikka, algoritminen päätöksenteko ja keskustelevat käyttöliittymät (Albassam, 

2023, s. 65). Pillai ja muut (2022, s. 711) toteavat, että tekoäly mahdollistaa myös luovien 

rekrytointijärjestelmien kehittämisen, esimerkiksi virtuaalisen todellisuuden ja 

pelillistämisen hyödyntämisen simuloiduissa työtehtävien arvioinneissa. Luovat 

rekrytointijärjestelmäratkaisut ovat kuitenkin harvinaisempia, sillä tekoälypohjaisten 

rekrytointijärjestelmien kehittäminen on keskittynyt ensisijaisesti datan 

hyödyntämiseen algoritmisessa päätöksenteossa, rekrytointitietojen data-analyyseissä 



18 

ja vuorovaikutuksellisissa keskustelevissa käyttöliittymissä (Woods ja muut, 2020). Alla 

oleva kuvio 3 havainnollistaa tekoälypohjaisten rekrytointijärjestelmien kehityssuuntia.  

 

Kuvio 3. Tekoälypohjaisten rekrytointijärjestelmien kehityssuuntia (Albassam, 2023, s. 
65). 

 

2.3.1 Ennakoiva analytiikka 

Albassam (2023, s. 6–7) toteaa, että ennakoiva analytiikka hyödyntää Big Dataa, 

tiedonlouhintaa ja koneoppimisalgoritmeja mallien tunnistamiseksi ja tulevien 

lopputulosten ennustamiseksi. Big Data ylittää perinteisten tietokantajärjestelmien 

käsittelykyvyn ja eroaa perinteisistä tietorakenteista (Zhang, 2022, s. 15 685). Zhangin 

2022 (s. 15 686) mukaan Big Datasta etsitään malleja, trendejä tai hyödyllistä tietoa 

tiedonlouhinnan keinoin. Tiedonlouhintamenetelmiä ovat esimerkiksi luokittelu, 

klusterointi, assosiaatiosääntöjen löytäminen ja poikkeamien tunnistaminen (Gao, 2021, 

s. 3).  

Tekoälypohjaisten rekrytointijärjestelmien 

ominaisuuksien kehityssuunnat 

Ennustettava analytiikka 

Algoritminen päätöksenteko 

Keskustelevat käyttöliittymät 

Luovat ratkaisut (VR ja pelillistäminen) 

Yleiset ratkaisut 

Harvinaisemmat 

ratkaisut 



19 

 

Rekrytoinnin yhteydessä ennakoivaa analytiikkaa käytetään historiallisten tietojen 

analysoimiseen mallien tunnistamiseksi (Albassam, 2023, s. 14). Pillai ja muut (2022, s. 

710–711) korostavat, että rekrytoinnissa kehitetään ennustemalleja tarkasti 

kohdistettuihin tarkoituksiin, kuten rekrytointimainontaan, kandidaattien arviointiin, 

heidän potentiaalisen suorituskykynsä ennustamiseen ja rekrytointitarpeiden arviointiin. 

Ennakoivan analytiikan tekniikoilla pyritään saamaan tarkempaa ja laadukkaampaa 

tietoa, jotta rekrytointitehtävissä voidaan tehdä perusteltuja ratkaisuja (Albassam, 2023, 

s. 14).  

 

Organisaatiot tunnistavat dataohjatun rekrytointistrategian hyödyt ja pyrkivät 

hyödyntämään sitä strategisessa päätöksenteossa, sillä se parantaa yrityksen 

suorituskykyä liiketoiminnallisesti (Conte & Siano, 2023, s. 622). Dahlbom ja muut (2020, 

s. 627) huomauttavat, että dataohjattu strategia voi tarjota merkittävää lisäarvoa 

rekrytoinnin päätöksenteolle ja viestinnälle, mutta onnistunut käyttöönotto vaatii 

konkreettisia merkittäviä kehitystoimenpiteitä ja investointeja. Käyttöönoton esteinä 

ovat sekä tekniset inhimilliset ongelmat, kuten heikko datan laatu ja henkilöstön 

riittämättömät analytiikkataidot (Dahlbom ja muut, 2020, s. 628).  

 

Investoimalla henkilöstön koulutukseen ja parantamalla datan laatua, organisaatiot 

voivat saavuttaa merkittäviä etuja rekrytoinnissa (Dahlbom ja muut, 2020, s. 627). 

(Hunkenschroer & Luetge, 2022, s. 999) korostavat, että organisaatioiden tulisi pohtia 

myös eettisiä näkökulmia datan käytössä, jotta analytiikan hyödyntäminen olisi 

vastuullista ja läpinäkyvää. Rekrytointijärjestelmien tulisi esimerkiksi välttää hakijoiden 

syrjintää algoritmien käytössä varmistamalla, ettei analytiikka suosi tiettyjä hakijaryhmiä 

iän, sukupuolen tai etnisen taustan perusteella. Tämä on erityisen tärkeää Euroopassa, 

sillä Euroopan unionin parlamentti tiukentaa säännöksiä, jotka koskevat tekoälyn käyttöä 

ja sen eettisiä periaatteita (AI Pact | Shaping Europe’s Digital Future, 2024).  



20 

2.3.2 Algoritminen päätöksenteko 

Algoritminen päätöksenteko tarkoittaa prosessia, jossa algoritmit tekevät päätöksiä 

automaattisesti ihmisen sijasta tai ovat siinä vain vähäisesti tukena (Köchling ja muut, 

2023, s. 2110). Köchling ja muut (2023, s. 2110–2111) toteavat, että algoritmit käyttävät 

dataa ja data-analytiikan menetelmiä analysoidakseen tilanteita ja tehdäkseen päätöksiä 

määritettyjen matemaattisten periaatteiden, kuten sääntöjen, ehtojen tai 

ennustemallien, perusteella. Rekrytoinnissa algoritminen päätöksenteko vaikuttaa 

yleisemmin seulontaan, jossa tekoälyjärjestelmä arvioi työnhakijoiden ansioluetteloita, 

testituloksia ja muita rekrytointiin liittyviä tietoja ennustemallien avulla (Woods ja muut, 

2020, s. 65–66).  

 

Algoritmisella päätöksenteolla on tarkoitus parantaa rekrytointiprosessin nopeutta ja 

tehokkuutta, sillä algoritmit voivat analysoida suuria tietomääriä huomattavasti 

nopeammin kuin ihmiset (Albassam, 2023, s. 7). Pillai ja muiden (2022, s. 710) mukaan 

tekoäly mahdollistaa sen, että hakemuksia voidaan käsitellä ja arvioida lähes 

reaaliaikaisesti, mikä voi nopeuttaa rekrytointiprosessia. Lisäksi algoritmit tarjoavat 

objektiivisuutta päätöksenteossa, sillä ne voivat perustaa valintansa selkeästi 

määriteltyihin kriteereihin ilman inhimillisiä ennakkoluuloja tai tunteita, mikä voi johtaa 

tasapuolisempiin lopputuloksiin (Woods ja muut, 2020, s. 65).  

 

Algoritmisessa päätöksenteossa on erilaisia vaihtoehtoja data-analyyttisiin menetelmien 

suhteen, kuten esimerkiksi päätöspuumalli, joka on yksi suosituimmista menetelmä, sillä 

se tarjoaa selkeän ja helposti tulkittavan rakenteen päätöksentekoprosessille (Zhang, 

2022, s. 15 689). Zhang (2022, s. 15 689–15 690) kuvaa, että päätöspuumalli jakaa 

tietojoukon hierarkkiseen rakenteeseen, jossa päätöksiä tehdään haarojen kautta. Tämä 

mahdollistaa selkeän visualisoinnin ja analyysin vaikutuksista sekä auttaa tunnistamaan 

tärkeimmät muuttujat ja niiden suhteet. Päätöspuumallit ovat erityisen käyttökelpoisia 

rekrytoinnin monimutkaisissa päätöksentekotilanteissa, sillä ne pystyvät luokittelemaan 

tietoja tarkasti ja erittelemään kriteerejä, kuten hakijan pätevyyttä, kokemusta ja 



21 

soveltuvuutta (Faliagka ja muut, 2012, s. 557). Alla oleva kuvio 4 havainnollistaa 

päätöspuumallia.  

 

Kuvio 4. Päätöspuumalli (Zhang, 2022, s. 15 689).  

 

2.3.3 Keskustelevat käyttöliittymät 

Keskusteleva käyttöliittymä, kuten chattibotti, on ohjelmistoratkaisu, joka hyödyntää 

luonnollisen kielen käsittelyä kommunikoidakseen käyttäjien kanssa (Albassam, 2023, s. 

13). Wiberg & Stolterman Bergqvist (2023, s. 2 287) toteavat, että OpenAI kehittämä 

ChatGPT on hyvä esimerkki tekoälypohjaisesta chattibotista, joka käyttää kone- ja 

syväoppimistekniikoita tuottaakseen geneerisesti ihmisen kaltaisia vastauksia 

tekstipohjaisiin keskusteluihin. ChatGPT-chatbotissa korostuvat korkea automaatio ja 

vuorovaikutus käyttäjän kanssa, sillä se vastaa kysymyksiin ja rakentaa keskustelua 

aiempien kehotteiden ja vastausten pohjalta, mikä mahdollistaa jatkuvan vuoropuhelun 

(Wiberg & Stolterman Bergqvist, 2023, s. 2 287).  

 

Geneeristen tekoälyjen vaikutus keskusteleviin käyttöliittymiin voi vaihdella 

merkittävästi eri konteksteissa, mutta rekrytoinnissa niiden käyttö on erityisen lupaavaa 

Kandidaattiprofiili 

Työkokemus … 

X >= 2,5 X < 2,5 

34 hakijaa 12 hakijaa 

Kriteerien erittely 

Ennalta määritellyt kriteerit 



22 

työnhakijoiden ja työnantajien välisessä viestinnässä sekä vuorovaikutuksessa (Budhwar 

ja muut, 2023, s. 622). Koivusen ja muiden (2022, s. 512) mukaan chattibotit yhdessä 

tekoälyn kanssa mahdollistavat älykkäiden keskustelevien käyttöliittymien kehittämisen 

rekrytointitoimintojen sekä prosessien tueksi organisaatioissa, joissa erityisen 

hyödyllisenä koetaan tiedonkeruun ja viestinnän automatisointi. Nämä keskustelevat 

käyttöliittymät voivat parantaa rekrytointiprosessien ja -toimintojen koordinoimista sekä 

seurantaa ja tehostaa automaattisen viestinnän kautta tavoiteltujen kandidaattien 

houkuttelua (Black & van Esch, 2020, s. 222).  

 

Rekrytointikontekstissa chatbotit toimivat tyypillisesti tehtävä- ja palvelulähtöisesti 

(Koivunen ja muut, 2022, s. 509). Koivunen ja muut (2022, s. 509) toteavat, että 

chattibotit voivat toteuttaa rekrytointitoimintoja itsenäisesti. Esimerkiksi 

houkuttelubotti pyrkii tavoittamaan potentiaalisia kandidaatteja automaattisella 

viestinnällä ja keräämään rekrytointitietoja, kuten ansioluetteloja. Organisaatiot voivat 

hyödyntää houkutteluchattibotteja laaja-alaisesti rekrytoinnissa, esimerkiksi arvioimalla 

hakijoiden tietoja, suorittamalla esivalintaa niiden perusteella ja suosittelemalla avoimia 

työtehtäviä hakijoiden profiilien mukaan (Pillai ja muut, 2022, s. 716).  

 

Koivunen ja muut (2022, s. 510) analysoivat, että chattibotti-käyttöliittymiä voidaan 

potentiaalisesti käyttää myös työnhakijoille tarkoitetulla rekrytoinnin 

seuranjärjestelmänä. Tämä palveluorientoitunut lähestymistapa voisi olla tarpeellista, 

sillä moni työnhakija kokee saavan liian vähän tietoa rekrytointiprosessin aikana (Black 

& van Esch, 2020, s. 222). Black & van Esch (2020, s. 222) toteavat, että chattiboteilla 

voidaan parantaa ennakoivaa tiedottamista, jonka avulla hakijoille kerrotaan, missä 

vaiheessa he ovat rekrytointiprosessissa ja mitkä ovat seuraavat vaiheet. 

Tekoälypohjaisissa rekrytointijärjestelmissä läpinäkyvyys on erityisen tärkeää, koska se 

voi merkittävästi parantaa hakijoiden kokemusta ja vähentää epävarmuutta 

rekrytointiprosessin aikana (Hunkenschroer & Luetge, 2022, s. 997). Alla oleva kuvassa 1 

on esitelty keskustelevien käyttöliittymien toimintoja ja rooleja rekrytointikontekstissa.  

 



23 

  

Kuva 1. keskustelevien käyttöliittymien toimintoja ja rooleja rekrytointikontekstissa 
(Koivunen ja muut, 2022, s. 509–510). 

 

2.4 Tekoälyn vaikutuksia työnhakijan asemaan rekrytoinnissa 

Tässä tutkielmassa tarkastellaan erityisesti tekoälyjärjestelmien vaikutuksia työnhakijan 

työhakuprosessiin, sillä työnhakijat ovat tutkimuksen keskiössä. Näiden järjestelmien 

toiminnallisuus vaikuttaa suoraan tai epäsuorasti työnhakijoiden mahdollisuuksiin löytää 

työtä, joka vastaa heidän kykyjään tai tarpeitaan. Tekoäly voi tuoda mukanaan sekä 

hyötyjä, kuten prosessien tehokkuuden lisääntyminen, että riskejä, kuten päätöksenteon 

läpinäkyvyyden puute, mikä tekee tarkastelusta erityisen tärkeää.  



24 

Työnhakijoiden ideaalitilanne on löytää työtä organisaatioista, jotka vastaavat hyvin 

heidän kykyjään, palkkatasoaan, koulutustaustaansa ja sosiaalisia verkostoja (van Esch ja 

muut, 2019, s. 216). Hunkenschroer & Luetge (2022, s. 1 000) toteavat, että tekoäly ja 

algoritmiset päätöksentekojärjestelmät voivat joko helpottaa tai hankaloittaa 

työnhakijoiden tavoitteen saavuttamista rekrytoinnissa. Tämä johtuu siitä, kuinka hyvin 

tekoälyjärjestelmät todellisuudessa toimivat oikeudenmukaisuuden ja läpinäkyvyyden 

kannalta. Eettiset näkökulmat korostuvat erityisesti, kun tarkastellaan näiden 

järjestelmien vaikutusta oikeudenmukaisuuteen, läpinäkyvyyteen sekä inhimillisen 

valvonnan ja autonomian säilymiseen rekrytointiprosessissa (Hunkenschroer & Luetge, 

2022, s. 993).  

 

Tekoälyn automaattisen päätöksenteon ja optimoinnin vaikutukset korostuvat 

työnhakijan kannalta rekrytoinnin vaiheissa, kuten tavoittamisessa, seulonnassa, 

arvioinnissa ja koordinoinnissa (Hunkenschroer & Luetge, 2022, s. 992). Hunkenschroer 

& Luetge (2022, s. 992) toteavat, että työnhakijat ovat jatkuvan profiloinnin kohteena, ja 

heihin kohdistetaan viestintää algoritmisesti verkkoalustoilla ja sosiaalisessa mediassa 

tavoittavuuden lisäämiseksi. Tällä toiminnalla pyritään luomaan mahdollisimman laaja 

hakijapooli sekä tavoittamaan aktiivisten työnhakijoiden lisäksi myös passiivisia hakijoita 

nopeasti ja tehokkaasti (Johnson ja muut, 2021, s. 43).  

 

Black & van Esch (2020, s. 220) tarkastelevat tavoittavuutta positiivisesta näkökulmasta, 

sillä tekoälyn katsotaan parantavan työnhakijoiden mahdollisuuksia löytää työpaikkoja, 

jotka vastaavat heidän taitojaan ja kiinnostuksiaan. Johnson ja muut (2021, s. 45) 

toteavat, että datan hyödyntäminen algoritmipohjaisessa viestinnässä mahdollistaa 

paremman ja tehokkaamman työnhakijoiden yhteensovittamisen organisaation 

työtarpeisiin tavoittamisvaiheessa. Digitaalisten lähtötietojen hyödyntäminen tekoälyllä 

nopeuttaa rekrytointiprosessia, mutta siihen voi liittyä rakenteellisia ja piileviä ongelmia, 

kuten datan puolueellisuus, algoritmien läpinäkymättömyys tai ihmiskontaktin 

puuttuminen (Hunkenschroer & Luetge, 2022, s. 999).  

 



25 

Data- ja algoritmikeskeinen rekrytointi tuo mukanaan monimutkaisia ongelmia, joihin on 

vaikea löytää yksiselitteisiä ratkaisuja datan käsittelyn monimuotoisuuden vuoksi. 

Hunkenschroer & Luetge (2022, s. 999) toteavat, että laajempi hakijapooli ja lisääntynyt 

kilpailu vaikuttavat työnhakijan mahdollisuuteen saada työpaikka. Datakeskeisyys ja sen 

seurauksena korostuva pisteytys painottuvat työnhakijoiden valinnassa. Lisäksi 

Albassam (2023, s. 10–11) käsittelee dataturvallisuuden huolia ja algoritmien vinoumia, 

jotka voivat luoda epätasa-arvoisia tilanteita työnhakijoiden kesken. Haresamudram ja 

muut (2023, s. 96) huomauttavat, että esimerkiksi Amazonin tarjoama tekoälypohjainen 

rekrytointijärjestelmä todettiin syrjivän naisia. Tekoälyn käyttö rekrytoinnin 

alkuvaiheessa voi nopeuttaa ja tehostaa päätöksentekoa, mutta kysymyksiä herää 

edelleen algoritmien läpinäkyvyydestä ja oikeudenmukaisuudesta, kuten puolueellisten 

lähtötietojen vaikutuksesta työnhakijoiden valintaan (Hunkenschroer & Luetge, 2022, s. 

99).  

 

Data- ja algoritmikeskeisyys korostuu seulontavaiheessa. Albaroud ja muut (2024, s. 391) 

toteavat, että tekoäly mahdollistaa ansioluetteloiden seulonnan automaatioprosessin, 

jonka avulla pyritään tunnistamaan parhaat työnhakijat. Ansioluetteloiden ja 

saatekirjeiden analysointi on tyypillinen tehtävä, jossa työnhakija arvioidaan 

lähettämien liitetiedostojen perusteella (Black & van Esch, 2020, s. 220). Lookadoo & 

Moore (2024, s. 14) huomauttavat, että algoritmien käyttö seulontavaiheessa perustuu 

muun muassa tekstin avainsanoihin ja lauserakenteisiin, mikä voi mahdollisesti johtaa 

työnhakijan sivuuttamiseen joko inhimillisistä tai teknisistä syistä. 

 

Tietojen automaattinen kerääminen ansioluetteloista on haastavaa, sillä ne ovat usein 

jäsentämättömiä asiakirjoja, joissa on paljon vaihtelua tyyleissä ja sisällössä (Palshikar ja 

muut, 2023, s. 12). Lookadoo & Moore (2024, s. 10) mukaan ongelma on lähtökohtaisesti 

monitasoinen. Yksi keskeinen ristiriita liittyy rekrytointiasiantuntijoiden neuvoihin 

ansioluetteloiden laadinnassa, sillä esimerkiksi suositellut fontit ja visuaaliset tyylit 

voivat heikentää koneluettavuutta ja siten alentaa hakijoiden pisteitä merkittävästi 

seulontavaiheessa. Hunkenschroer & Luetge (2022, s. 997) korostavat, että tämän lisäksi 



26 

rekrytointijärjestelmät ja organisaatiot jakavat työnhakijoille vain vähän tietoa siitä, 

miten heidän lähettämiään asiakirjoja, kuten ansioluetteloita ja saatekirjeitä, käsitellään. 

Tämä tarkoittaa, että hakijat eivät saa tietoa, jos heidän asiakirjojensa heikko 

koneluettavuus johtaa pistevähennyksiin ja pudottaa heidät rekrytointiprosessista ilman 

mahdollisuutta korjata tilannetta (Lookadoo & Moore, 2024, s. 10).  

 

Arviointivaiheessa työnhakijoita tarkastellaan datalähtöisesti. Hunkenschroer & Luetge 

(2022, s. 992–993) toteavat, että datalähtöiset arviointimenetelmät mahdollistavat 

syvällisemmän ymmärryksen hakijoiden kyvyistä ja persoonallisuuksista. 

Tekoälypohjaiset työkalut, kuten videohaastattelut, testit ja psykologiset pelit, tarjoavat 

rekrytoijille arvokasta tietoa, joka laajentaa perinteisiä arviointikriteerejä (Black & van 

Esch, 2020, s. 220–221). Hunkenschroer & Luetge (2022, s. 996–997) toteavat, että 

tällainen läpinäkyvyys voi estää väärinkäsityksiä ja epäluottamusta, joita voi syntyä, kun 

hakijat eivät tiedä, miten heidän tietojaan käsitellään. Tämä ei ainoastaan paranna 

työnhakijoiden luottamusta rekrytointimenettelyihin, vaan myös antaa heille 

mahdollisuuden vaikuttaa omaan arviointiinsa ja profiiliinsa (Van Iddekinge ja muut, 

2023, s. 667).  

 

Koordinointi rekrytointiprosessin eri vaiheissa on keskeinen tekijä 

työnhakijakokemuksen ja -aseman kannalta. Hunkenschroer & Luetge (2022, s. 997) 

toteavat, että tekoäly voi tehostaa rekrytoinnin koordinointia ja parantaa viestintää 

rekrytoijien ja työnhakijoiden välillä, vähentäen viivästyksiä ja parantaen 

hakijakokemusta. Kuitenkin automaattinen koordinointi voi luoda epätasa-arvoisia 

tilanteita, sillä algoritmit saattavat suosia hakijoita, jotka vastaavat tarkasti aiempia 

menestyneitä profiileja, jättäen potentiaalisesti hyviä ehdokkaita huomiotta. Tehokas 

koordinointi voi myös vaikuttaa työnhakijoiden itsetuntoon ja motivaatioon, sillä hakijat, 

jotka saavat palautetta ja tukea prosessin aikana, kokevat hakukokemuksensa 

todennäköisesti myönteisempänä (Van Iddekinge ja muut, 2023, s. 667). Siksi 

organisaatioiden on tärkeää panostaa koordinaation läpinäkyvyyteen ja varmistaa, että 

työnhakijat saavat tarvittavaa tietoa ja palautetta koko rekrytointiprosessin ajan. Alla 



27 

olevassa taulukossa 1 on tiivistetysti esitelty tekoälyn vaikutuksia työnhakijan asemaan 

hyötyjen ja riskien kannalta. 

 

Hyödyt 

• Prosessin nopeutuminen 

• Laajempi tavoittavuus 

• Syvällisempi arviointi hakijan 

taidoista ja persoonallisuuksista 

• Viestinnän automaatio ja 

työnhakijan kokema helppous 

tavoittamisessa. 

Riskit 

• Läpinäkyvyyden puute, 

algoritmien puolueellisuus 

• Työnhakijan 

vaikutusmahdollisuuksien 

väheneminen 

• Inhimillisen kontaktin puute 

• Vähemmän mahdollisuuksia 

palautteeseen 

• Ansioluetteloiden 

koneluettavuusongelmat 

Taulukko 1. Vaikutuksista työntekijän asemaan hyötyjen ja riskien kannalta (Black & van 
Esch, 2020; Hunkenschroer & Luetge, 2022; Lookadoo & Moore, 2024). 

 



28 

3 Selittävä tekoäly 

Selittävä tekoäly, eli XAI (eng. Explainable Artificial Intelligence), on tekoälyn ala, joka 

keskittyy tarjoamaan ymmärrettäviä selityksiä älykkäiden järjestelmien tekemille 

ennusteille, suosituksille ja päätöksille (Ridley, 2022, s. 2). Chromik & Butz (2021, s. 2) 

esittävät, että selitettävän tekoälyn lähestymistapa voidaan yksinkertaisesti jakaa 

kahteen päävaiheeseen, jotka ovat kone- ja syväoppimismallien kehittäminen ja 

selityksiä tuottavan käyttöliittymän suunnittelu. Dwivedi ja muut (2023, s 8–9) toteava, 

että kone- ja syväoppimisen mallien analysointi sekä kehitetyt selittävät menetelmät 

voivat parantaa ymmärrystä tekoälyn päätöksentekoprosesseista ja tuloksista 

algoritmisella tasolla. Kone- ja syväoppimismalleja on monia erilaisia tiedonkäsittelyn 

tarkoituksia varten ja niiden kehittämisellä pyritään tuottamaan selityksiä 

tekoälyjärjestelmien käyttökontekstien ja tarpeiden mukaisesti. Selittävän tekoälyn 

lähestymistapa on laajentumassa teknokeskeisestä algoritmien läpinäkyvyydestä kohti 

monitieteellisempää konseptia, jossa huomioidaan eri sidosryhmien odotuksia ja 

tarpeita tekoälyn läpinäkyvyyden suhteen vuorovaikutuksellisella ja sosiaalisella tasolla 

(Haresamudram ja muut, 2023, s. 98–99).  

 

Ihmisten yksilölliset käsitykset, tekninen monimutkaisuus ja tekoälyjärjestelmien 

moninaiset käyttökontekstit luovat ongelmia selittävän tekoälyn ratkaisujen 

yleisluonteisten määritelmien ja viitekehyksien kehittämiselle. Vuorovaikutukselliset, 

sosiaaliset ja poliittiset ulottuvuudet lisäävät tähän vielä oman kerroksensa haasteita 

(Haresamudram ja muut, 2023, s. 99). Ridleyn (2022) mukaan Yhdysvaltain 

puolustusministeriön alaisen DARPA-organisaation (eng. The US Defense Advanced 

Research Projects Agency) kuvaus selitettävästä tekoälystä tarjoaa kattavan ja 

käyttäjäkeskeisen lähestymistavan. Selitettävän tekoälyn tarkoituksena on, että 

tekoälyjärjestelmillä on kyky selittää perustelunsa sekä kuvata vahvuutensa ja 

heikkoutensa, jotta käyttäjien ymmärrys, luottamus ja hallinta optimoituvat yhteistyössä 

tekoälyratkaisujen käyttäjien kanssa. Yleistavoitteena on edistää tekoälyjärjestelmien 

läpinäkyvyyttä ja vastuullista käyttöä yksilöistä organisaatioihin ja sääntelyelimiin, jotta 



29 

voidaan luoda tehokkaita ja eettisiä tekoälyratkaisuja, jotka täyttävät sekä tekniset että 

yhteiskunnalliset vaatimukset (Gunning & Aha, 2019, s. 56–57).  

 

3.1 Läpinäkyvyyden merkitys 

Läpinäkyvyys on moninainen käsite, jota on vaikea määritellä yksiselitteisesti 

(Haresamudram ja muut, 2023, s. 94). Felzmann ja muut (2020, s. 3 335) toteavat, että 

läpinäkyvyyden perusta on informaation välittämisessä, johon sisältyvät selitettävyys, 

avoimuus, saavutettavuus ja näkyvyys. Pelkkä informaation välittäminen on kuitenkin 

riittämätöntä, sillä läpinäkyvyydessä huomioidaan myös ihmisten sosiaaliset tekijät, 

arvot ja informaation merkitys, jotta se voidaan ymmärtää paremmin (Felzmann ja muut, 

2020, s. 3 336).  

 

Lähtökohtaisesti läpinäkyvyydellä pyritään luomaan positiivista arvoa, mutta ongelmana 

on määrittää, mitä se eri sidosryhmille tarkoittaa ja kuinka hyödyllistä se on (Felzmann 

ja muut, 2020, s. 3 336). Felzmann ja muut (2020, s. 3 336) toteavat, että käsitys 

läpinäkyvyydestä hyveenä on normatiivinen käsite, joka asettaa standardit julkisten 

toimijoiden käyttäytymisen arvioimiselle. Läpinäkyvyys hyveenä nähdään luontaisesti 

positiivisena arvona, joka koostuu toimijoiden, järjestelmien ja organisaatioiden 

johdonmukaisesta avoimuudesta toiminnassaan, käyttäytymisessään, aikomuksissaan ja 

harkinnoissaan (Schmidt & Wood, 2019, s. 728–729). Kuitenkin Felzmannin ja muiden 

(2020, s. 3 336) mukaan pelkkä läpinäkyvyyden käsittäminen hyveenä ei riitä, sillä se ei 

määrittele yleisöä tai kohdetta, jolle toimija on läpinäkyvä.  

 

Suhteellisessa läpinäkyvyydessä läpinäkyvyys käsitetään suhteena toimijan ja 

informaation vastaanottajan välillä (Rego ja muut, 2022, s. 696). Bovensin ja muiden 

(2014) mukaan on tärkeää huomata, että läpinäkyvyys ei ole pelkästään yksilöllinen 

ominaisuus, vaan myös vuorovaikutussuhde, jossa toimijoiden avoimuuden vastaanotto 

ja ymmärtäminen ovat olennaisia. Suhteellisessa näkökulmassa keskeistä on, että 

läpinäkyvyystoimenpiteet suunnitellaan ja arvioidaan niiden vaikutusten perusteella eri 

sidosryhmiin (Felzmann ja muut, 2020, s. 3 336).  



30 

 

Suhteellisessa läpinäkyvyydessä on huomioitava myös suhteiden institutionaalinen 

konteksti (Felzmann ja muut, 2020, s. 3 336). Felzmann ja muiden (2020, s. 3 337) 

mukaan institutionaalisen kontekstin erityispiirteet, kuten oikeudelliset, sääntelylliset ja 

organisatoriset toimenpiteet, on huomioitava, jotta läpinäkyvyyden käytännön 

vaikutukset ja tehokas toteutus voidaan realistisesti ymmärtää. Euroopan tietosuojalain 

keskeinen periaate on läpinäkyvyys, mikä sisältää standardit sille, miten henkilötietoja 

käsitellään tietyissä konteksteissa, kuten esimerkiksi rekrytoinnissa, joka on 

henkilötietojen osalta sensitiivistä aluetta (Schmidt & Wood, 2019, s. 729).  

 

3.1.1 Läpinäkyvyyden tasot tekoälyjärjestelmissä 

Tekoälyjärjestelmiin liittyvät sidosryhmät ja niiden suhteet järjestelmiin voidaan 

luokitella monipuolisesti intressien ja käyttötarkoitusten perusteella (Langer ja muut, 

2021, s. 3). Haresamudramin ja muiden (2023, s. 95) mukaan selittävässä tekoälyssä 

läpinäkyvyyden tasot voidaan luokitella algoritmiseksi, vuorovaikutukselliseksi ja 

yhteiskunnalliseksi. Algoritminen läpinäkyvyys viittaa kone- ja syväoppimisen mallien 

kehittämiseen, vuorovaikutuksellinen läpinäkyvyys tekoälyjärjestelmän ja sen käyttäjien 

luottamuksen vahvistamiseen ja sosiaalinen läpinäkyvyys kattaa laajemman 

yhteiskunnallisen ymmärryksen ja hyväksynnän (Haresamudram ja muut, 2023, s. 96–

98). Alla olevassa kuviossa 5 on havainnollistettuna kolme läpinäkyvyyden tasoa 

tekoälyjärjestelmissä.  

 



31 

 

Kuvio 5. Läpinäkyvyyden tasot tekoälyjärjestelmissä (Haresamudram ja muut, 2023, s. 
95). 

 

Algoritmisessa läpinäkyvyydessä käsitellään tekoälymalleja, kuten kone- ja 

syväoppimismalleja (Haresamudram ja muut, 2023, s. 96). Campesato (2020, s. 18–19) 

kuvaa kone- ja syväoppimismallit tekoälyn alaluokkina, jotka mahdollistavat tehtävien 

ratkaisemisen, jotka olisivat perinteisillä ohjelmointikielillä joko mahdottomia tai liian 

monimutkaisia. Koneoppimismallit oppivat itsenäisesti tunnistamaan kaavoja ilman 

tarkasti määriteltyä ohjelmointia, tekemään päätöksiä datan perusteella ja 

mukautumaan uusiin tilanteisiin (Alexander Jung, 2022, s. 12). Janiesch (2021, s. 687) 

mukaan syväoppimismallit puolestaan hyödyntävät monikerroksisia hermoverkkoja 

Läpinäkyvyyden tasot 

tekoälyjärjestelmissä 

Algoritminen taso 

• Tekoälymallien toiminta 

Vuorovaikutuksellinen taso 

• Tekoälyjärjestelmän ja käyttäjän 

välisen luottamuksen vahvistaminen 

Yhteiskunnallinen taso 

• Yhteiskunnallinen ymmärrys ja 

hyväksyntä 



32 

monimutkaisempien kaavojen ja kuvioiden tunnistamiseksi, mikä mahdollistaa 

korkeamman tarkkuuden ja tehokkuuden monimutkaisissa tehtävissä.  

 

Vuorovaikutuksellisessa läpinäkyvyydessä keskitytään siihen, miten tieto vaihtuu 

tekoälyjärjestelmän ja käyttäjien välillä vuorovaikutuksen kautta (Haresamudram ja 

muut, 2023, s. 97). Miller (2019, s. 32–33) toteaa, että kyse on tarkemmin ihmisen ja 

tekoälyagentin tai -ohjelmiston välisestä vuorovaikutuksesta, johon sisältyy yhteistyötä 

ja kommunikointia. Wiberg & Stolterman Bergqvist (2023, s. 2 289) mukaan 

tekoälyjärjestelmien kehitys suuntautuu vahvasti päätöksentekoprosessien 

automatisoitumiseen. Tämä johtaa vähäisempään vuorovaikutukseen käyttäjien kanssa, 

sillä järjestelmät kykenevät yhä itsenäisemmin suorittamaan monimutkaisia tehtäviä 

ilman ihmisen väliintuloa. Toisaalta tekoälyjärjestelmien automaatiot sekä kyky oppia ja 

mukautua mahdollistavat käyttäjille uusia vuorovaikutusparadigmoja, kuten selitysten 

tuottamisen päätöksentekoprosessista ja tuloksista algoritmisin toiminnoin 

(Haresamudram ja muut, 2023, s. 97).  

 

Yhteiskunnallisessa läpinäkyvyydessä keskitytään tekoälypalveluntarjoajiin, 

lainsäädännöllisiin kehyksiin ja tekoälyn vaikutuksiin sosiaalisessa kontekstissa 

(Haresamudram ja muut, 2023, s. 95). Ryanin & Stahlin (2021) mukaan tekoälyn 

läpinäkyvyys on keskeinen tekijä sen hyväksyttävyyden kannalta yhteiskunnassa. 

Läpinäkyvyysvaatimusten nousu lainsäädännöllisissä kehyksissä ja sosiaalisissa 

konteksteissa perustuu teknologiayritysten tarjoamien tekoälypalveluiden kriittiseen 

tarkasteluun (Hollanek, 2023, s. 2 079). Hollanek (2023, s. 2 077) toteaa, että kriittinen 

tarkastelu on ohjannut teknologiayrityksiä muuttamaan toimintatapojaan ja 

panostamaan algoritmisen läpinäkyvyyden kehittämiseen. Joissakin palveluissa on 

havaittu ristiriitoja oletetun algoritmisen toiminnan ja niiden todellisen vaikutuksen 

välillä käyttäjien kannalta. Selittävän tekoälyn periaatteiden ja käytäntöjen on osoitettu 

edistävän tekoälyn läpinäkyvyyttä ja ymmärrettävyyttä monissa sovelluksissa yhteisten 

kriteerien mukaisesti (Barredo Arrieta ja muut, 2020, s. 107–108).  



33 

3.1.2 Sidosryhmien intressit läpinäkyvyyden tasoilla  

Ihmisryhmillä on erilaisia intressejä tekoälyjärjestelmien selitettävyyden suhteen, kuten 

järjestelmän kehittäminen, päätöksiin liittyvän tiedon tuottaminen, työtehtävien 

suorittaminen tai sääntelykehyksen luominen (Langer ja muut, 2021, s. 3). Barredo 

Arrieta ja muut (2020) esittelevät sidosryhmien luokittelun, johon kuuluvat käyttäjät, 

ohjelmistokehittäjät, tekoälyjärjestelmien päätösten kohteena olevat osapuolet, 

järjestelmän käyttöönottajat ja sääntelijät. Haresamudram ja muut (2023, s. 96) lisäävät 

tähän luokitukseen yhteiskunnan muita toimijoita ja suunnittelijoita, kuten 

mediatoimijat ja vuorovaikutussuunnittelijat. Tekoälyperusteisissa henkilöstöhallinta- tai 

rekrytointijärjestelmissä sidosryhmät voidaan luokitella pääsääntöisesti 

ohjelmistokehittäjiin, käyttäjiin, päätösten kohteena oleviin osapuoliin, käyttöönottoihin, 

sääntelijöihin ja suunnittelijoihin (Langer ja muut, 2021, s. 4). Alla oleva kuvio 6 esittää 

yleisen sidosryhmien luokituksen läpinäkyvyyden tasoilla.  

 



34 

 

Kuvio 6. Sidosryhmien luokitus läpinäkyvyyden tasoilla (Barredo Arrieta ja muut, 2020, 
s. 84). 

 

Ohjelmistokehittäjät voidaan luokitella tarkemmin kolmannen osapuolen kehittäjiin ja 

organisaatioiden sisäisiin kehittäjiin (Langer & König, 2023, s. 6). Haresamudram ja 

muiden (2023, s. 96) mukaan ohjelmistokehittäjien ensisijainen intressi on algoritminen 

läpinäkyvyys. Algoritminen läpinäkyvyys tarkoittaa sitä, kuinka avoimesti ja 

ymmärrettävästi algoritmin toiminta ja päätöksentekoprosessit esitetään (Dwivedi ja 

muut, 2023, s. 8). Haresamudram ja muut (2023, s. 96) arvioivat, että 

tekoälyjärjestelmien kannalta algoritmisen läpinäkyvyyden täydellinen saavuttaminen 

voi olla kehittäjille ongelmallinen, sillä suuret tietomäärät ja monimutkaiset mallit voivat 

johtaa ennakoimattomiin ja tuntemattomiin lopputuloksiin. He toteavat, että 

Sidosryhmien intressit 

läpinäkyvyyksien tasolla 

Algoritminen taso 

• Ohjelmistokehittäjät 

Vuorovaikutuksellinen taso 

• Käyttäjät 

• Päätösten kohteena olevat osapuolet 

Yhteiskunnallinen taso 

• Sääntelijät ja media 



35 

tekoälyjärjestelmien päätöksentekoprosessit voivat olla kokonaisuudessaan 

ihmismielelle hallitsemattomia. Algoritminen läpinäkyvyys on kuitenkin erityisen 

tärkeää ohjelmistokehittäjille, sillä se mahdollistaa kriittisen tarkastelun ja varmistaa, 

että ne toimivat suunnitellulla tavalla ja tuottavat luotettavia tuloksia (Dwivedi ja muut, 

2023, s. 8).  

 

Langer & König (2023, s. 4) esittävät, että tekoälypohjaisten henkilöstöhallinta- ja 

rekrytointijärjestelmien käyttäjät voidaan luokitella tarkemmin henkilöstöhallinnon 

johtajiin ja työntekijöihin. Tekoälyn ja käyttäjän välinen yhteistyö vaikuttaa erityisesti 

vuorovaikutuksellisen ja sosiaalisen läpinäkyvyyden tasolla (Haresamudram ja muut, 

2023, s. 98). Langer & König (2023, s. 4) kuvailevat, että henkilöstöhallinta- ja 

rekrytointijärjestelmien vuorovaikutuksellisen läpinäkyvyyden tavoitteena on käyttäjien 

päätöksenteon tehokkuuden ja laadun parantaminen henkilöstöhallintaan liittyvissä 

tehtävissä. Barredo Arrieta ja muut (2020, s. 86) korostavat, että selittävän tekoälyn 

keinoin pyritään esittämään käyttäjille päätöksentekoprosessin syy-seuraussuhteita ja 

lopputuloksia informatiivisesti, jotta käyttäjät voivat arvioida päätösten 

oikeudenmukaisuutta ja luotettavuutta paremmin. Tekoälyjärjestelmien läpinäkyvyys ja 

todettu toimivuus sitouttavat käyttäjiä, mikä lisää järjestelmien sosiaalista hyväksyntää 

organisaatiotasolla (Langer & König, 2023, s. 4).  

 

Päätöksien kohteena olevat ihmiset eivät yleensä voi valita, että vaikuttaako 

algoritmipohjainen päätöksenteko heihin (Langer & König, 2023, s. 5). Langer & König 

(2023, s. 5) toteavat, että henkilöstöhallinta- ja rekrytointijärjestelmien päätösten 

kohteena olevat osapuolet voidaan luokitella työnhakijoihin ja organisaation muihin 

työntekijöihin, joihin vaikuttavat valintapäätökset, suoritusarvioinnit ja aikataulutukset. 

Myös käyttäjät, eli henkilöstöhallinnon johtajat ja työntekijät, voidaan lukea päätöksen 

kohteena oleviin osapuoliin, sillä heihin vaikuttavat tekoälyjärjestelmän tuottamat 

päätökset, joita he hyödyntävät työsuorituksissaan. Päätösten kohteena olevat 

osapuolet sijoittuvat vuorovaikutuksellisen ja sosiaalisen läpinäkyvyyden tasolle, vaikka 

heidän vuorovaikuttamismahdollisuutensa tekoälyjärjestelmien tuottamien päätösten, 



36 

kuten rekrytointiarviointien, suhteen ovat usein rajoitettuja (Haresamudram ja muut, 

2023, s. 98).  

 

Tekoälyjärjestelmän käyttöönottajat voidaan luokitella kahteen alaryhmään, jotka ovat 

algoritmipohjaisia henkilöstöhallinta- tai rekrytointijärjestelmiä tarjoavat organisaatiot 

ja organisaatioiden päätöksentekijät, joiden vastuulla on käyttöönotto sekä 

soveltaminen prosesseihin (Langer & König, 2023, s. 5). Felzmannin ja muiden (2020, s. 

7–10) mukaan käyttöönottajilla on merkittävä rooli sosiaalisen läpinäkyvyyden 

varmistamisessa organisaatioiden strategisella tasolla. Organisaatiot käytännössä 

määrittelevät, mikä on läpinäkyvää, ja nämä päätökset vaikuttavat myös muihin 

sidosryhmiin. Tämä vaikuttaa erityisesti ohjelmistokehittäjiin, sillä organisaatioiden 

päätöksentekijät määrittävät, miten järjestelmien läpinäkyvyyttä on tarkoitus toteuttaa 

algoritmisella tasolla ja mitä siitä näytetään muille sidosryhmille. Läpinäkyvyyteen 

liittyvät valinnat ja päätökset vaikuttavat lopulta monilla tasoilla, kuten yrityksen 

kilpailuetuun, päätösten kohteena olevien ihmisten mielikuviin 

päätöksentekoprosessista sekä sääntelijöiden arvioihin oikeudenmukaisuudesta 

(Barredo Arrieta ja muut, 2020, s. 84).  

 

Goodmanin & Flaxmanin (2017, s. 55–56) mukaan sääntelijöiden valvontarooli tekoälyn 

suhteen on ongelmallinen. Tavoitteena on saavuttaa korkea tehokkuus ja hyötyjä kaikille 

rekrytointiprosessin sidosryhmille, vaikka joissakin tekoälyperusteisissa 

rekrytointijärjestelmissä on karsittu läpinäkyvyydestä. Sääntelyyn liittyviä ongelmallisia 

kohtia ovat organisaatioiden immateriaalioikeuksien suoja, järjestelmien auditointi ja 

vastuun tarkka määrittäminen (Langer & König, 2023, s. 6). Goodman & Flaxman (2017, 

s. 56) toteavat, että oikeus syrjimättömyyteen ja selitykseen asettaa tekoälyn kehittäjille, 

sääntelijöille ja tieteenaloille positiivisen ongelman läpinäkyvyyden parantamiseksi 

tulevaisuudessa. Erityisesti Euroopassa toimivien organisaatioiden on panostettava 

läpinäkyvyyden kehittämiseen, sillä Euroopan unionin tietosuoja-asetus ja 

tekoälysäädös kehittyvät tarkempien standardien ja menetelmien määrittäjäksi (Langer 

& König, 2023, s. 6).  



37 

 

Suunnittelijat voidaan luokitella tarkemmin ihmisen ja teknologian välisen 

vuorovaikutuksen asiantuntijoiksi, jotka keskittyvät käyttöliittymien 

vuorovaikutussuunnitteluun (Langer & König, 2023, s. 6). Wiberg & Stolterman Bergqvist 

(2023, s. 2 288–2 289) toteavat, että tekoälyn mahdollistama automaatio vähentää 

manuaalista vuorovaikutusta järjestelmissä. Tämä ohjaa suunnittelijat tilanteisiin, joissa 

vuorovaikutuksen ja automaation välisen suhteen syvällinen ymmärtäminen on entistä 

tärkeämpää, sillä automaatio on käyttäjille usein näkymätön prosessi taustalla. On 

olennaista tunnistaa, miten käyttäjän vuorovaikutus vaikuttaa tekoälyjärjestelmän 

automaattisiin toimintoihin sekä mitä seurauksia tällä yhteistyöllä voi olla. Lisäksi on 

tärkeää asettaa vaatimuksia, jotka varmistavat järjestelmän luotettavan ja tehokkaan 

toiminnan. Suunnittelijoiden vaikutusmahdollisuudet vuorovaikutukseen voivat olla 

rajalliset, kun tekoäly pystyy sopeutumaan käyttäjiinsä automaattisesti. Tämä voi 

tarkoittaa, että järjestelmä mukauttaa vuorovaikutusominaisuuksiaan ilman 

suunnittelijan panosta (Haresamudram ja muut, 2023, s. 97–98).  

 

3.1.3 Selittävän tiedon ymmärtäminen 

Selittävä tieto auttaa ihmisiä ymmärtämään, ennustamaan ja hallitsemaan tilanteita 

kaventamalla tapahtumien mahdollisia syitä, vähentämällä epävarmuutta, korjaamalla 

väärinkäsityksiä ja mahdollistamalla syy-seuraussuhteiden hahmottamisen (Miller, 2019, 

s. 4–6). Langer ja muut (2021) toteavat, että Tekoälyn kontekstissa selittävä tieto tukee 

sidosryhmiä järjestelmän toiminnan ymmärtämisessä, epävarmuuden vähentämisessä 

ja odottamattomien tulosten erottamisessa järjestelmävirheistä. Selityksen käsitettä on 

tutkittu laajasti sekä filosofisesta että psykologisesta näkökulmasta, joissa korostuu 

kausaalisuuden merkitys (Miller, 2019, s. 6). Tämä syy-seuraussuhteiden ymmärtäminen 

muodostaa perustan selityksen kyvylle vähentää epävarmuutta ja tuoda selkeyttä 

monimutkaisiin tilanteisiin.  

 

Kausaalinen päättely on keskeinen prosessi monille korkeatasoisille kognitiivisille 

toiminnoille, jotka ovat erityisen tärkeitä sosioteknisissä järjestelmissä (Hoffman & Klein, 



38 

2017, s. 68). Hoffman & Klein (2017) toteavat, että tämän avulla pyritään ymmärtämään 

syy-seuraussuhteita sekä selittämään, miten tietyt tapahtumat, toimenpiteet tai ilmiöt 

johtavat tiettyihin lopputuloksiin. He tutkivat selityksen luonnetta ja tapoja, joilla asioita 

voidaan selittää ja esittää älykkäissä järjestelmissä, jotta niiden toimintaansa on 

ymmärrettävämpää. Kausaalinen päättely pohjautuu teoreettisiin perusteisiin ja 

jakautuu kolmeen päättelymuotoon, jotka ovat abduktiivinen, keskittyen 

todennäköisimpiin selityksiin, retrospektiivinen ja kontrafaktuaalinen, joissa 

analysoidaan menneitä tapahtumia ja vaihtoehtoisia skenaarioita, sekä prospektiivinen, 

joka ennakoi mahdollisia tulevia lopputuloksia (Hoffman & Klein, 2017, s. 71–71).  

 

Abduktiivinen päättely on päättelyn muoto, jossa pyritään selittämään havainnot 

muodostamalla paras mahdollinen hypoteesi, joka selittää kyseiset havainnot (Hoffman 

& Klein, 2017, s. 69–70). Dreamson & Khine (2022, s. 405–406) korostavat, että tämä on 

prosessinomaista ongelmanratkaisua, jossa syitä etsitään sääntöjen ja vaikutusten 

perusteella. Heidän mukaansa abduktiivinen päättely sopii erityisesti 

suunnittelutieteellisiin ongelmanratkaisuihin, sillä se on luonteeltaan dialoginen, 

kriittinen, argumentoiva ja avoin uusille todisteille. Koska abduktiivista päättelyä voidaan 

käyttää sekä menneisyyden selittämiseen että tulevaisuuden ennakointiin, se yhdistää 

retrospektiivisen ja prospektiivisen lähestymistavan (Hoffman & Klein, 2017, s. 70).  

 

Retrospektiivinen ja kontrafaktuaalinen päättely keskittyy menneisyyden tapahtumien 

selittämiseen ja siihen, mitä olisi voinut tapahtua, jos tietyt olosuhteet olisivat erilaisia 

(Hoffman & Klein, 2017, s. 70). Hoffmanin & Kleinin (2017, s. 71–72) esittävät, että 

prospektiivinen kausaalinen päättely tarkastelee asioita, jotka voivat tapahtua tai jäädä 

tapahtumatta nykyhetkessä, ja jotka saattavat johtaa tai olla johtamatta tulevaisuuden 

seurauksiin. Abduktion malli sekä retrospektiivinen ja mentaalinen, tulevaisuuteen 

suuntautuva projektiivinen ajattelu muodostavat kausaalisen päättelyn teorian ja 

luonnollisen selitysmallin perustan (Hoffman & Klein, 2017, s. 78).  

 



39 

Tekoälyjärjestelmän kuusi keskeistä selitystyyppiä käyttäjille ovat perusteleva, 

vastuullinen, tietopohjainen, oikeudenmukainen, turvallisuus- ja suorituskyky ja 

vaikutus (Leslie & Briggs, 2021, s. 11). Leslie & Briggs (2021, s. 12) luokittelevat 

selitystyypit tarkemmin prosessi- ja tulosperusteisiin jakaumiin.  Prosessiperusteisia 

selitystyyppejä ovat vastuullinen, oikeudenmukainen, turvallisuus- ja suorituskyky ja 

vaikutus, kun taas tulosperusteisia ovat perusteleva ja tietopohjainen (Leslie & Briggs, 

2021, s. 12).  

 

Leslie & Briggs (2021, s. 11) korostavat, että perustelevassa selitystyypissä kuvataan 

päätökseen johtaneet syyt ymmärrettävällä ja ei-teknisellä tavalla. Vastuullisessa 

selitystyypissä esitetään, keitä on mukana tekoälyjärjestelmän kehittämisessä ja 

hallinnassa, sekä kehen voidaan olla yhteydessä ihmistarkastusta varten (Felzmann ja 

muut, 2020, s. 9). Barredo Arrieta ja muut (2020, s. 85) määrittelevät, että tietopohjainen 

selitystyyppi sisältää kuvauksen käytetyistä tiedoista ja niiden soveltamisesta 

päätöksenteossa. Oikeudenmukaisessa selitystyypissä keskitytään päätösten 

puolueettomuuteen yksilötasolla (Langer ja muut, 2021, s. 11–12). Miller (2019, s. 24–

25) Miller (2019, s. 24–25) painottaa, että turvallisuus- ja suorituskykyselitystyyppi on 

toimenpidekeskeinen ja esittää, miten suunnittelulla ja toteutuksella pyritään 

maksimoimaan tarkkuus, luotettavuus ja turvallisuus. Vaikutusselitystyyppi puolestaan 

käsittelee toimenpiteitä, joilla arvioidaan järjestelmän suunnittelua ja toteutusta sekä 

seurataan sen käytön ja päätösten vaikutuksia yksilöihin ja yhteiskuntaan (Leslie & Briggs, 

2021, s. 11). Alla oleva kuvio 7 havainnollistaa selitystyypit.  

 



40 

 

Kuvio 7. Selitystyypit (Leslie & Briggs, 2021, s. 12).  

 

3.2 Selitettävyystietoinen suunnittelu 

Käyttäjälähtöisessä suunnitteluprosessissa, eli HCD-suunnittelussa (eng. Human-

Centered Design), keskitytään käyttäjien tarpeisiin ja vaatimuksiin (Schoonderwoerd ja 

muut, 2021, s. 2). Schoonderwoerd ja muut (2021, s. 2) määrittelevät, että 

suunnitteluprosessi painottaa erityisesti sidosryhmien osallistamista, iteratiivista 

parantamista ja ihmisen suorituskyvyn arviointia järjestelmissä. HCD-

suunnitteluprosessi sisältää järjestelmän käsitteellisen ja fyysisen suunnittelun (Benyon, 

2019, s. 51–52).  

 

Käsitteellinen suunnittelu kattaa palvelun tai järjestelmän yleisen tarkoituksen ja vision, 

kun taas fyysinen suunnittelu konkretisoi abstraktit esitykset teknologisten vaatimusten 

ja ihmisten tehtävien kautta (Benyon, 2019, s. 51). Shneidermanin ja muiden (2018, s. 

106) määrittelevät käsitteellisen suunnittelun mentaalisiksi malleiksi, jotka kuvaavat, 

miten toiminnallisuudet ja ominaisuudet kommunikoivat käyttäjien kanssa. Fyysinen 

suunnittelu tarkentaa teknologisia vaatimuksia sekä määrittää tehtävien ja roolien 

jakamisen ihmisten ja laitteiden välillä (Benyon, 2019, s. 51). Benyon (2019, s. 53) 

korostaa, että fyysisen suunnittelun tavoitteena on muuntaa abstraktit käsitteet 

Selitystyypit

Tulosperusteiset

Perusteltavuus

Tietopohjaisuus

Prosessiperusteiset

Vaikutus

Oikeudenmukaisuus

Turvallisuus ja 
suorituskyky

Vastuullisuus



41 

käytännön toteutettaviksi ratkaisuiksi, kuten prototyypeiksi ja 

käyttöliittymäsuunnitelmiksi. 

 

Ihmiskeskeisessä tekoälysuunnittelussa, eli HCAI-suunnittelussa (eng. Human-Centered 

Artificial Intelligence), keskitytään käyttäjälähtöisiin suunnitteluprosesseihin, mutta 

huomioidaan myös tekoälyjärjestelmien automaattiset ominaisuudet (Shneiderman, 

2022, s. 9). Shneidermanin (2022, s. 9) mukaan suunnittelussa huomioidaan erityisesti 

tekoälyjärjestelmien ominaisuuksien kykyä laajentaa ja parantaa ihmisen suorituskykyä, 

luovuutta, vastuullisuutta ja sosiaalisia yhteyksiä. Vaikka tekoäly yleistyy 

monimutkaisissa ja arkaluonteisissa sosioteknisissä järjestelmissä, niiden 

tietojenkäsittely, päätöksentekoprosessit ja automaattiset ominaisuudet sekä 

toiminnallisuudet ovat usein käyttäjille läpinäkymättömiä (Bingley ja muut, 2023, s. 6).  

 

HCAI-tutkijat ja suunnitteluohjeistukset korostavat, että tekoälyn tulisi olla 

tulevaisuudessa selitettävissä, ymmärrettävissä ja tulkittavissa kaikille käyttäjille ja niille, 

joihin tekoäly vaikuttaa (Bingley ja muut, 2023, s. 6). Ehsan & Riedl (2020) osoittavat, 

että ihmiskeskeiseen tekoälysuunnitteluun voidaan sisällyttää selittävän tekoälyn 

suunnittelumenetelmiä, jotka tukevat käyttäjiä tekoälyjärjestelmien ymmärtämisessä. 

Tätä lähestymistapaa kutsutaan ihmiskeskeiseksi selittäväksi tekoälyksi, eli HCXAI (eng. 

Human-Centered Explainable Artificial Intelligence). HCXAI-suunnitteluperiaatteessa 

keskitytään sosiotekniseen lähestymistapaan, jossa pyritään kokonaisvaltaiseen 

ymmärrykseen ihmisestä, kuten ihmisten arvoista, ihmissuhteiden dynaamisuudesta ja 

tekoälyjärjestelmien sosiaalisesta kontekstista (Ehsan & Riedl, 2020, s. 12–13).  

 

Selittävän tekoälyn suunnitteluperiaatteet, eli HCXAI-suunnitteluperiaatteet, seuraavat 

sovellussuunnittelun menetelmiä ja prosesseja, mutta niissä korostetaan erityisesti 

selitysmenetelmien kehittämistä ja käyttäjäkokemusta tekoälysovelluksen 

käyttötarkoituksen mukaisesti (Langer ja muut, 2021, s. 15–16). Clement ja muut (2023) 

esittävät kokonaisvaltaisen XAI-suunnittelumallin tekoälysovelluksille, joka on sisältää 

sovellussuunnittelun tyypilliset vaiheet, kuten vaatimusten analysointi, suunnittelu, 



42 

toteutus, arviointi ja kehitys. Jokaisessa vaiheessa keskeinen näkökulma keskittyy 

kuitenkin selitystietoiseen suunnitteluun. XAI-suunnitteluperiaatteissa korostetaan 

erityisesti XAI-menetelmät, sillä ne ovat tekoälymalleihin liitettäviä menetelmiä, joilla 

tekoälymallien tuottamat tulosteet ja ennusteet muutetaan informaatioksi, josta 

konstruoidaan selityksiä käyttäjäryhmille (Schoonderwoerd ja muut, 2021, s. 3–4). Alla 

oleva kuvio 8 havainnollistaa hiearkisen ja käyttäjäkeskeisen eri tasoja 

tekoälysuunnittelussa.  

 

 

Kuvio 8. Suunnittelulähestymistapojen hierarkia (Benyon, 2019; Bingley ja muut, 2023).  

 

3.2.1 Selitettävyystavoitteet 

Selitettävän tekoälyn selitettävyystavoitteet voidaan jakaa neljään näkökulmaan, jotka 

ovat mitä, miksi, mitä varten ja miten (Barredo Arrieta ja muut, 2020, s. 84). Gunningin 

& Ahan (2019) huomauttavat, että vaikka filosofiset teoriat selitysten 

monimutkaisuudesta ja kriittisestä tarkastelusta ovat kiinnostavia, selittävän tekoälyn 

kannalta olennaisinta on kehittää algoritmisia tekniikoita, jotka tukevat tekoälyn 

HCD-suunnittelu 
(Käyttäjälähtöinen 

suunnittelu)

HCAI-suunnittelu 
(Ihmiskeskeinen 

tekoälysuunnittelu)

HCXAI-suunnittelu 
(Selittävän tekoälyn 

suunnittelu)

XAI-menetelmät



43 

ymmärtämistä ja hallintaa. He painottavat teknokeskeisten selitettävyysmenetelmien 

merkitystä, sillä ne muodostavat lähtökohdan selitysten tuottamiselle monimutkaisissa 

tekoälyjärjestelmissä. Selittävän tekoälyn kehittämisen lähtökohtana on nykyisten 

tekoälyjärjestelmien selitettävyyden puute ja tarve vastata tähän ongelmaan. 

Kehityksessä on tärkeää huomioida kaikkien sidosryhmien tarpeet sekä läpinäkyvyyden 

eri tasot laajemmassa kontekstissa (Barredo Arrieta ja muut, 2020, s. 86).  

 

Tekoälyjärjestelmien selitettävyyden puute perustellaan usein mallien 

monimutkaisuudella, kilpailuedun menettämisellä ja järjestelmän väärinkäytösten 

estämisellä (Van Iddekinge ja muut, 2023, s. 671). Barredo Arrieta ja muut (2020, s. 86) 

toteavat, että selitettävyyden puutteen pääsyynä ovat tutkimusyhteisön ja 

liiketoimintasektorin välisen kuilun sekä tuloskeskeisyyden vahvat näkemyserot. Heidän 

mukaansa liiketoimintasektori suhtautuu vastahakoisesti uusien 

selitettävyystekniikoiden käyttöönottoon, koska tuloskeskeisyys asetetaan 

tärkeämmäksi kuin käyttäjien ymmärrys tekoälyn vaikutuksista. Yhteiskunnalliset tekijät 

ja markkinatoimijat ovat ratkaisevassa asemassa selitettävyysongelmien ratkaisemisessa. 

Selitettävyydelle on kuitenkin suurta tarvetta monilla kriittisillä aloilla, kuten pankkialalla, 

rekrytoinnissa ja terveydenhuollossa (Haresamudram ja muut, 2023, s. 96).  

 

Ei-asiantuntija loppukäyttäjille tekoälyjärjestelmän tuottama selitys on laadullinen 

selitettävyysprosessi, jossa pyritään tarjoamaan käyttäjille yksinkertaisilla 

selitettävyysmenetelmillä parempaa ymmärrystä taustalla olevista laskennallisista 

prosesseista ja lopputuloksista (Langer ja muut, 2021, s. 6–7). Ehsan & Riedl (2020) 

esittävät tapaustutkimuksessaan selittävän tekoälyn suunnittelumenetelmiä, joissa 

tekoälyjärjestelmä tuottaa havainnollistavia selityksiä ei-teknisille loppukäyttäjille. He 

havaitsivat, että tekoälyn tekniset edistysaskeleet ja ihmisten teknologinen 

ymmärtäminen kehittyvät rinnakkain, kun järjestelmä tarjoaa selityksiä käyttäjille. 

Käyttäjäkeskeinen näkökulma on yhtä tärkeä kuin tekninen puoli 

selitettävyysmenetelmien kehittämisessä, sillä tekoälyn käyttäjä arvioi järjestelmän 



44 

tuottamat selitykset inhimillisten tekijöiden, kuten tunteidensa ja kognitiivisten 

kykyjensä perusteella (Bernardo & Rosemary, 2023, s. 31).  

 

Inhimilliset tekijät, kuten kausaalisuus, luottamus ja oikeudenmukaisuus, ohjaavat 

selittävän tekoälyn laadullisia näkökohtia eri sidosryhmien näkökulmasta (Barredo 

Arrieta ja muut, 2020, s. 86). Barredo Arrietan ja muiden (2020, s. 86–87) korostavat, 

että inhimilliset tekijät auttavat määrittelemään selitettävyysmenetelmien tavoitteita 

laajemmin ja vastaamaan kysymyksiin siitä, mitä varten selitykset annetaan 

tekoälyjärjestelmissä. Inhimillisten tekijöiden huomioinnissa on tärkeää ymmärtää, että 

algoritmisen toiminnan täydellinen selittäminen ei-asiantuntija käyttäjille on 

käytännössä mahdotonta ja tarpeetonta, koska laskennalliset prosessit ovat yleensä liian 

laajoja ja monimutkaisia (Shneiderman, 2020, s. 10).  

 

Tekoälyjärjestelmien laadulliselle selitettävyydelle ei-asiantuntija sidosryhmille on 

kasvavaa tarvetta, sillä sekä yhteiskunnassa että tiedeyhteisössä on huolta siitä, miten 

tekoälyjärjestelmät vaikuttavat ihmisten jokapäiväiseen elämään ilman selityksiä 

perusteluja päätöksentekoprosessista tai lopputuloksista (Shneiderman, 2020, s. 8). 

Langer ja muut (2021, s. 15–16) korostavat, että selitettävyysmenetelmien 

kehittämisessä on tärkeää painottaa vuorovaikutuksellisia ja yhteiskunnallisia 

läpinäkyvyyden tasoja, jotta selityksien laadullinen merkitys voidaan ymmärtää ja 

kehittää ei-asiantuntijoiden näkökulmasta. Myös Ehsan & Riedl (2020, s. 16) painottavat 

reflektiivisen sosioteknisen lähestymistavan merkitystä selitettävyysmenetelmien 

kehittämisessä, koska se mahdollistaa syvällisemmän ymmärryksen tekoälyjärjestelmien 

päätöksentekoprosesseista ja niiden vaikutuksista yhteiskuntaan. Sosiotekninen 

lähestymistapa voi lisätä luottamusta ja hyväksyttävyyttä tekoälyjärjestelmiä kohtaan, 

koska se huomioi inhimilliset ja eettiset näkökohdat tekoälyn selitettävyyden 

kehittämisessä (Bernardo & Rosemary, 2023, s. 6).  

 

Selittävässä tekoälyssä XAI-menetelmät viittaavat tekniikoihin ja lähestymistapoihin, 

joiden tavoitteena on tehdä tekoälyjärjestelmien toiminnasta läpinäkyvämpää ja 



45 

ymmärrettävämpää (Schoonderwoerd ja muut, 2021, s. 4). Barredo Arrieta ja muut 

(2020, s. 87–88) Barredo Arrieta ja muut (2020, s. 87–88) esittävät, että tekoälymallit 

voidaan jakaa kahteen kategoriaan, jotka ovat valkoiset ja mustat laatikot. Guidotti ja 

muut (2019, s. 5) kuvaavat valkoiset laatikot läpinäkyvinä tekoälymalleina, joissa sisäinen 

toiminta on valmiiksi helpommin ymmärrettävissä ja tulkittavissa. Kun taas Dwivedi ja 

muut (2023, s. 10) toteavat, että mustan laatikon mallit eivät ole itsestään ymmärrettäviä 

tai tulkittavia, vaan ne vaativat jälkiselitettäviä analyyseja, jotta niiden toiminta voidaan 

avata käyttäjille. Mustan laatikon mallit liitetään yleensä jälkiselitettäviin menetelmiin, 

jotka täydentävät mallien tulkintaa selkeyttämällä niiden päätöksenteon prosessia. 

 

Luonnostaan läpinäkyviä tekoälymalleja ovat esimerkiksi lineaariset regressiomallit, 

päätöspuut ja yleiset additiiviset mallit (Dwivedi ja muut, 2023, s. 10). Barredo Arrieta ja 

muut (2020, s. 89–90) korostavat, että osa läpinäkyvistä malleista on valmiiksi 

simuloitavissa, eli ajateltavissa ihmisten toimesta kokonaisuutena. Kuitenkin osa näistä 

malleista saattaa monimutkaisuutensa tai laajuutensa vuoksi tarvita XAI-metodeja 

selitettävyyden parantamiseksi. Tavoitteena on lisätä mallien tulkittavuutta 

matemaattisten analyysien ja menetelmien avulla, mikä auttaa käyttäjiä ymmärtämään 

niiden toiminnan perusteita (Barredo Arrieta ja muut, 2020, s. 87).  

 

Bernardo & Rosemary (2023, s. 2) toteavat, että selittävä tekoäly on edistynyt mustan 

laatikon ongelman ratkaisemisessa, mikä tarkoittaa tekoälyjärjestelmien ja mallien 

algoritmisen läpinäkyvyyden parantamista. Mustan laatikon ongelmien ratkaisemiseksi 

kehitetään XAI-menetemiä, jotka parantavat mustien laatikoiden ennustemallien 

läpinäkyvyyttä ja tulkittavuutta sekä auttaen ymmärtämään, mitkä tekijät vaikuttavat 

mallien tekemiin päätöksiin (Guidotti ja muut, 2019, s. 10). Barredo Arrieta ja muut (2020, 

s. 93) luokittelevat XAI-menetelmät viiteen pääluokkaan, jotka ovat 

yksinkertaistamismenetelmät, ominaisuusperusteiset menetelmät, paikallinen 

selitettävyys, visuaaliseen selitettävyys ja arkkitehtuuriset modifikaatiot. Näillä 

menetelmillä analysoidaan tekoälymallien eri osia, kuten syötteitä, parametreja tai 



46 

laskelmia, mikä parantaa algoritmien läpinäkyvyyttä ja ymmärrettävyyttä 

kokonaisuudessaan (Barredo Arrieta ja muut, 2020, s. 87).  

 

Yksinkertaistamismenetelmiä käytetään monimutkaisten tekoälymallien 

yksinkertaistamiseen (Barredo Arrieta ja muut, 2020, s. 87–88). Guidotti ja muiden (2019, 

s. 29) mukaan tunnetuin yksinkertaistamismenetelmä on LIME (Local Interpretable 

Model-agnostic Explanations), joka luo yksinkertaisen ja tulkittavan mallin 

monimutkaisen mallin ennusteiden selittämiseksi esimerkiksi lineaarisen mallin avulla. 

LIME-menetelmää käytetään myös tekoälymallien paikalliseen selitettävyyteen, jossa 

pyritään selittämään mallin päätöksiä tietyissä yksittäisissä tapauksissa (Barredo Arrieta 

ja muut, 2020, s. 92).  

 

SHAP (SHapley Additive exPlanations) on yksi keskeisistä ominaisuusperusteisista XAI-

menetelmistä, joka tarjoaa syvällistä ymmärrystä mallien päätöksenteosta (Barredo 

Arrieta ja muut, 2020, s. 92). Salih ja muut (2024, s. 2) toteavat, että SHAP perustuu 

peliteorian Shapley-arvoihin ja arvioi, kuinka paljon kukin syöte tai ominaisuus vaikuttaa 

mallin ennusteeseen. Tämä tehdään laskemalla jokaiselle syötteelle arvo, joka kuvaa sen 

vaikutusta ennustetulokseen verrattuna mallin keskimääräiseen ennusteeseen (Salih ja 

muut, 2024, s. 3).  

 

Visuaalisen selitettävyyden tunnettu XAI-menetelmä on Grad-CAM (Gradient-weighted 

Class Activation Mapping) (Dwivedi ja muut, 2023, s. 13). Barredo Arrieta ja muut (2020, 

s. 96–97) toteavat, että Grad-CAM on erityisesti suunniteltu konvoluutiomalleille, kuten 

syväoppiville neuroverkoille, ja se tarjoaa visuaalisesti selitettävän näkymän siihen, 

mitkä osat kuvasta vaikuttavat mallin ennusteeseen. Grad-CAM luo lämpökarttoja, jotka 

näyttävät, mitkä alueet syötekokemuksesta vaikuttavat voimakkaimmin mallin 

päätöksiin, tarjoten käyttäjille visuaalisen ja intuitiivisen tavan ymmärtää, kuinka malli 

tekee päätöksiä (Dwivedi ja muut, 2023, s. 13).  

 



47 

Tunnettu XAI-menetelmä, joka liittyy arkkitehtuurisiin modifikaatioihin on XNNs 

(Explainable Neural Networks) menetelmä (Guidotti ja muut, 2019, s. 16–17). Barredo 

Arrieta ja muiden (2020, s. 95–96) toteavat, että nämä menetelmät keskittyvät 

muokkaamaan neuroverkkojen arkkitehtuuria niin, että malli on luonnostaan 

läpinäkyvämpi ja sen päätöksenteko on helpommin ymmärrettävää. Tämä tarkoittaa, 

että malli rakennetaan alusta alkaen siten, että sen toiminta ja päätöksentekoprosessi 

ovat läpinäkyvämpiä ja intuitiivisempia, mikä helpottaa tulkintaa ja ymmärtämistä 

(Barredo Arrieta ja muut, 2020, s. 97–98).  

 

3.2.2 Vaatimusten analysointi ja määrittely 

XAI-sovellussuunnittelun ensimmäinen vaihe on vaatimusten analysointi, jossa 

määritellään tekoälysovelluksen käyttötarkoitukset, tekniset vaatimukset 

toiminnallisuuksille ja ominaisuudet sekä selitettävyyskomponentit (Clement ja muut, 

2023, s. 84–85). Clement ja muut (2023, s. 84–85) korostavat, että käyttötarkoituksen ja 

teknisten vaatimusten analysointi sekä määrittely muodostavat tekoälysovelluksen 

lähtökohtaisen funktionaalisuuden. Tällä tarkoitetaan ehtoja ja asetuksia, jotka 

varmistavat, että tekoälysovellus toimii optimoidusti. Selitettävyyskomponenteilla 

viitataan XAI-menetelmiin, joiden avulla varmistetaan, että tekoälysovelluksen toiminta 

on läpinäkyvää ja ymmärrettävää loppukäyttäjälle (Schoonderwoerd ja muut, 2021, s. 2).  

 

Schoonderwoerd ja muut (2021, s. 2–3) esittävät DoReMi-käytäntöön perustuvan 

käyttäjäkeskeisen prosessin, jossa kehitetään yleistettäviä XAI-suunnittelumalleja XAI-

järjestelmien selitysten esittämiseen. Tässä prosessissa aloitetaan aihepiirianalyysillä, 

jonka tavoitteena on muodostaa kontekstikuvaus ja konsepti selityksille. Seuraavana 

vaiheena on vaatimusten kerääminen ja analysointi, jossa muodostetaan 

käyttötapauksia ja selitysvaatimuksia. Viimeisenä vaiheessa keskitytään 

multimodaaliseen vuorovaikutussuunnitteluun, jonka tarkoituksena on kehittää 

suunnittelumallit selityksille.  XAI-suunnittelumallien kehittämisessä keskeistä on 

käyttäjien tarpeiden syvällinen analysointi ja kontekstisidonnaisten ratkaisujen luominen 



48 

laadullisen prosessin kautta (Langer ja muut, 2021, s. 15). Alla oleva kuvio 9 esittää 

DoReMi-käytäntöön perustuvan prosessin ja suunnittelumallin.  

 

 

Kuvio 9. DoReMi-suunnittelumalli (Schoonderwoerd ja muut, 2021, s. 2).  

 

Vaatimusten keräämiseen ja analysointiin on useita menetelmiä, mutta tärkeintä on 

tunnistaa ja määritellä, mitkä ovat ne vaatimukset, joita käyttäjä asettaa järjestelmän 

antamille selityksille ja miten selitykset tulisi mukauttaa sovellusskenaarion kontekstiin 

(Schoonderwoerd ja muut, 2021, s. 3). Clement ja muut (2023, s. 85) toteavat, että 

vaatimusten keräämisen ja analysoinnin jälkeen saadaan tarkempi käsitys siitä, millaista 

tietoa käyttäjät odottavat järjestelmän selityksiltä. Vaatimusten keräämiseen ja 

analysointiin tehokas menetelmä on pyytää käyttäjiä antamaan itse selityksiä 

käyttötapausten perusteella. Tämä lähestymistapa tuottaa alustavaa tietoa heidän 

odotuksistaan ja auttaa tunnistamaan lisävaatimuksia järjestelmän selityksille 

(Schoonderwoerd ja muut, 2021, s. 3).  

 

• Kontekstikuvaus

Aihepiirianalyysi

• Käyttötapaukset

• Selitysvaatimukset

Vaatimusten kerääminen 
ja analysointi

• Suunnittelumallit 
selityksille. 

Multimodaalinen 
vuorovaikutussuunnittelu



49 

3.2.3 Multimodaalinen vuorovaikutussuunnittelu 

XAI-suunnittelussa multimodaalinen vuorovaikutussuunnittelu jakaantuu kahteen osaan, 

selitettävyyssuunnitteluun ja selittävän käyttöliittymän suunnitteluun (Clement ja muut, 

2023, s. 85–86). Schoonderwoerd ja muut (2021, s. 4) määrittelevät, että 

selitettävyyssuunnittelun tavoitteena on kehittää selitysmalli, joka kuvaa prosessin, 

miten tekoälyjärjestelmän on tarkoitus tuottaa selityksiä ja mitä tukevia XAI-menetelmiä 

tähän tarvitaan. Selittävän käyttöliittymän suunnittelussa selitysmallista muodostetaan 

konkreettinen esitys, kuten prototyyppi, joka sisältää vuorovaikutukselliset 

selitettävyyteen liittyvät ominaisuudet ja toiminnallisuudet (Clement ja muut, 2023, s. 

86).  

 

Selitettävyyssuunnittelussa oleellisinta on tunnistaa XAI-menetelmien funktionaalinen 

toiminta ja yhdistää ne käytettäviin tekoälymalleihin (Clement ja muut, 2023, s. 86). 

Schoonderwoerd ja muut (2021, s. 3) korostavat, että selityksissä on tärkeää tunnistaa 

sekä tulostettavan tiedon tyyppi että tapa, jolla tieto esitetään käyttäjälle. Nämä valinnat 

määräytyvät selitettävyystavoitteiden sekä  XAI-menetelmien ominaisuuksien ja 

toiminnallisuuksien mukaan, kuten esimerkiksi ominaisuusperusteisessa selitysmallissa 

tai yksinkertaistamismenetelmissä, jotka korostavat päätöksiin vaikuttavia tärkeimpiä 

tekijöitä (Barredo Arrieta ja muut, 2020, s. 87). Alla oleva kuvio 10 havainnollistaa 

tekoälymallin ennusteen tuottamisprosessin syötetystä datasta käyttöliittymään asti 

sekä XAI-menetelmien roolin ennusteiden selittämisessä käyttäjille. Prosessi muodostaa 

syklin, jossa tavoitteena on parantaa käyttäjän ymmärrystä tekoälymallin toiminnasta ja 

tukea vastuullista päätöksentekoa.  



50 

 

Kuvio 10. Ennusteen ja selittämisen tuottamisen prosessi (Clement ja muut, 2023, s. 81).  

 

Vilone & Longo (2021, s. 616) toteavat, että selitysmallien luomisessa lähestytään 

kahdesta toisistaan eroavasta näkökulmasta, joita ovat luonnostaan läpinäkyvät mallit ja 

jälkiselitettävät mallit. XAI-menetelmiä käytetään pääsääntöisesti jälkiselitettävissä 

malleissa, mutta niitä voidaan hyödyntää myös läpinäkyvissä malleissa, jos tarvitaan 

lisäselvityksiä tai syvällisempää tietoa (Barredo Arrieta ja muut, 2020, s. 87–88). Vilone 

& Longo, 2021 (s. 616) korostavat, että läpinäkyvissä tekoälymalleissa selitysten 

konstruoiminen voidaan suunnitella jo tekoälyjärjestelmän rakennusvaiheessa, sillä 

päätöksentekoprosessit ovat etukäteen tulkittavissa. Jälkiselitettävissä malleissa sen 

sijaan XAI-menetelmillä pyritään tuottamaan selittävää informaatiota jälkikäteen, kun 

järjestelmä on jo luotu. Tämän avulla käyttäjät voivat ymmärtää järjestelmän päätöksiä, 

vaikka mallin sisäinen toiminta ei olisikaan suoraan havaittavissa (Barredo Arrieta ja 

muut, 2020, s. 88). Alla oleva kuvio 11 havainnollistaa tekoälymallien selitettävyyden 

lähestymistavat jaoteltuina läpinäkyviin ja jälkiselitettäviin malleihin. Kuviossa esitetään 

datan käsittely päätöspuumallin kautta sekä XAI-menetelmien rooli selitysten 

tuottamisessa jälkiselitettäville malleille. 

 

Syötetty data 

Tekoälymalli Ennuste 

Käyttöliittymä 

Selitykset XAI-menetelmät 



51 

 

Kuvio 11. Läpinäkyvien ja jälkiselitettävien mallien prosessi (Vilone & Longo, 2021, s. 
616). 

 

Selitysten konstruoiminen tarkoittaa prosessia, jossa tekoälyjärjestelmän tuottaman 

informaation perusteella muodostetaan johdonmukaisia ja ymmärrettäviä selityksiä 

mallin päätöksenteosta sekä tuloksista (Clement ja muut, 2023, s. 93–94). Chromik & 

Butz (2021, s. 2) määrittelevät, että kun selityksiin lisätään ominaisuuksia ja 

toiminnallisuuksia, jotka mahdollistavat käyttäjäryhmien vuorovaikutuksen selitysten 

kanssa, kyseessä on selittävä käyttöliittymä. Selittävässä käyttöliittymässä tiedon 

esittäminen ja käyttäjäinteraktiot keskittyvät käyttöliittymiin, joissa korostuvat 

ominaisuuksien vaikutukset, riippuvuusselitykset, sääntöpohjaiset lähestymistavat, 

ominaisuuksien konteksti sekä tekoälymallien suorituskyky (Cálem ja muut, 2024, s. 11).  

 

Selittävän tekoälyn käyttöliittymän keskeisiä osa-alueita ovat viisi tunnistettua 

käyttöliittymäklusteria, joita ovat visuaalinen analytiikka, interaktiivinen analytiikka, 

digitaaliset verkostot, kuvien visualisointi ja luonnollisen kielen vuorovaikutus (Cálem ja 

muut, 2024, s. 11). Cálem ja muut (2024) korostavat, että nämä klusterit tarjoavat eri 

tavoin tukea käyttäjän ymmärrykselle ja päätöksenteolle. Visuaalinen analytiikka 

keskittyy tietojen graafiseen esittämiseen, kun taas interaktiivinen analytiikka 

mahdollistaa käyttäjän aktiivisen osallistumisen tiedon tutkimiseen. Digitaaliset 

verkostot havainnollistavat suhteita ja yhteyksiä tietomallissa, ja kuvien visualisointi 

auttaa konkretisoimaan monimutkaisia tietorakenteita. Luonnollisen kielen 

XAI-menetelmän funktio Päätöspuumalli Data Selitykset 

Läpinäkyvät mallit Jälkiselitettävät mallit 



52 

vuorovaikutus puolestaan tarjoaa käyttäjille mahdollisuuden kommunikoida tekoälyn 

kanssa helposti ymmärrettävällä kielellä. Ihmisen ja selittävän tekoälyn käyttöliittymän 

tavoitteena on hyödyntää operationaalisia ja selitettäviä ominaisuuksia tukemaan 

tavoitteiden saavuttamista (Chromik & Butz, 2021, s. 5).  

 

3.2.4 Vuorovaikutukselliset selitettävyyslähestymistavat 

Chromik & Butz (2021, s. 2) määrittelevät, että tyypillisiä vuorovaikutuskonsepteja 

voidaan muokata selittävän tekoälyn käyttöliittymiin keskittymällä siihen, miten nämä 

konseptit integroidaan tekoälyn selitystoimintoihin käyttäjäkokemuksen ja 

käytettävyyden parantamiseksi. Vuorovaikutuskonseptit sisältävät tiedon välittämisen, 

dialogin, kontrollin, kokemuksen, optimaalisen käyttäytymisen, työkalun käytön ja 

kehollisen toiminnan (Chromik & Butz, 2021, s. 14). Cálem ja muut (2024, s. 7) korostavat, 

että näiden konseptien käytännön soveltaminen voi paljastaa uusia mahdollisuuksia ja 

ongelmia selittävien käyttöliittymien kehittämisessä.  

 

Vuorovaikutus tiedon välittämisenä keskittyy informaation yksisuuntaiseen esittämiseen 

käyttäjälle (Chromik & Butz, 2021, s. 6). Chromikin & Butzin (2021, s. 6) mukaan 

selittävän tekoälyn yhteydessä vuorovaikutus tarkoittaa kuitenkin yhteistoimintaa, jossa 

käyttäjä ja tekoälyjärjestelmä täydentävät toisiaan selitysten avulla. Ehsan ja muut (2019) 

esittävät tekniikan, jossa käyttäjän toiminta selitetään reaaliaikaisesti 

tekoälyjärjestelmän toiminnassa, parantaen käyttäjän ymmärrystä vaikutuksista. Binns 

ja muut (2018) tutkivat, miten erilaiset perustelevaan logiikkaan pohjautuvat 

selitystyypit vaikuttavat käyttäjien oikeudenmukaisuuskäsityksiin eri 

sovellusskenaarioissa. Tiedon välittämisessä korostuvat selitysten tarkkuus ja eri 

selitystyylien kyky esittää ymmärrettävää tietoa tekoälyn toiminnasta (Chromik & Butz, 

2021, s. 6).  

 

Vuorovaikutus dialogina kuvataan tietokoneen ja ihmisen välisten syötteiden ja 

palautteiden sykliä (Chromik & Butz, 2021, s. 7). Koivunen ja muut (2022, s. 488) toteavat, 

että ihmisen ja tekoälyjärjestelmän välistä dialogia ilmentävät keskustelevat 



53 

käyttöliittymät, kuten chattibotit. Selittävän tekoälyn yhteydessä dialogi tapahtuu 

vaiheittain ja on käyttäjän ohjaamaa toimintaa, jossa korostuvat selitysten luonnollisuus 

ja saavutettavuus (Chromik & Butz, 2021, s. 7). Wibergin & Stolterman Bergqvistin (2023, 

s. 2 287) mukaan keskustelevat käyttöliittymät mahdollistavat vuorovaikutuksen, jossa 

käyttäjä voi pyytää tarkempia tietoja tai tiettyä esitystapaa tekoälypohjaisten 

päätöksentekoprosessien suhteen. Tekoäly voi mukautua käyttäjän tarpeisiin 

automaattisesti. 

 

Kontrolli vuorovaikutuksena viittaa käyttäjän ja tekoälyjärjestelmän kykyyn saavuttaa 

tavoitetila vakaasti ja nopeasti (Chromik & Butz, 2021, s. 8). Chromikin & Butzin (2021, s. 

8) mukaan tämä tarkoittaa selittävässä tekoälyssä sitä, että käyttäjälle annetaan tietoa 

ymmärrysprosessin tukemiseksi, mutta samalla mahdollistetaan hänen 

vaikutusmahdollisuutensa tekoälyyn ja sen ohjattuun käyttäytymiseen. Selittävissä 

käyttöliittymissä kontrolli on ohjaava vuorovaikutustyyli, jossa käyttäjät voivat 

manipuloida esimerkiksi syöttämäänsä dataa tai muuttaa datan luokitteluja (Cálem ja 

muut, 2024, s. 7). Cálemin ja muiden (2024) mukaan tämä voi perustua 

sääntöpohjaiseen tekoälyjärjestelmään, joka selittää, miksi tietty sääntö aktivoitui 

virhetilanteissa.  

 

Vuorovaikutus kokemuksena käsittää ihmisen odotuksia tietokoneita kohtaan (Chromik 

& Butz, 2021, s. 9). Chromik & Butz (2021, s. 9) toteavat, että selittävän tekoälyn 

kontekstissa tämä tarkoittaa käyttäjien odotusten ja mieltymysten hallintaa, jossa 

keskitytään erityisesti luottamuksen, tyytyväisyyden ja vakuuttavuuden tavoitteisiin. 

Monimuotoiset selitykset, kuten graafiset ja interaktiiviset elementit, voivat rikastuttaa 

käyttäjäkokemusta merkittävästi, mutta niiden käyttö edellyttää huolellista suunnittelua, 

jotta monimutkaisuus ja vuorovaikutteisuus pysyvät tasapainossa (Cálem ja muut, 2024, 

s. 11).  

 

Optimaalinen käyttäytyminen vuorovaikutuksena keskittyy käyttäjän käyttäytymisen 

sopeuttamiseen siten, että se tukee paremmin heidän tehtäviään ja tavoitteita (Chromik 



54 

& Butz, 2021, s. 10). Chromikin & Butzin (2021, s. 10) mukaan selittävän tekoälyn 

kontekstissa optimaalinen käyttäytyminen vuorovaikutuksen tavoitteena on ohjata 

käyttäjiä heitä tyydyttävälle tasolle ymmärryksessä, keskittyen tarjoamaan selityksiä, 

jotka kouluttavat ihmisiä paremmin vuorovaikutukseen tekoälyn kanssa. He toteavat, 

että käyttäjät voivat mahdollisesti kohdata esimerkiksi virheellisiä tekoälyjärjestelmiä tai 

kokea niistä väärinkäsityksiä kognitiivisten vinoumien takia. Optimaalinen 

käyttäytyminen vuorovaikutuksena tarkoittaa suunnittelijoille käyttäjän ja 

tekoälyjärjestelmään liittyvien vuorovaikutuksellisten rajoitusten hallintaa paremmaksi 

käyttäjäkohtaisesti (Cálem ja muut, 2024, s. 7).  

 

Vuorovaikutus työkalun käytön kautta keskittyy siihen, että tietokoneita hyödynnetään 

laajentamaan käyttäjän kykyjä (Chromik & Butz, 2021, s. 12). Chromikin & Butzin (2021, 

s. 12) mukaan selittävän tekoälyn kontekstissa tätä lähestymistapaa käytetään 

oppimisen välineenä, jossa selitysten avulla autetaan käyttäjiä oivaltamaan uusia asioita 

tietyistä aihealueista. Vuorovaikutustyyli näkyy erityisesti virtuaalisessa ja lisätyssä 

todellisuudessa, joissa simuloidut ja pelilliset elementit yhdistetään osaksi järjestelmiä 

(Pillai ja muut, 2022, s. 7).  

 

Vuorovaikutus kehollisena toimintana keskittyy käyttäjän ja tietokoneen väliseen 

symbioottiseen suhteeseen, jossa molemmat osapuolet tekevät yhteistyötä 

päätöksenteossa (Chromik & Butz, 2021, s. 13). Chromik & Butz (2021, s. 13) toteavat, 

että tämä vuorovaikutuksen konsepti perustuu ihmisen ja tekoälyn yhteistoimintaan, 

jossa molemmat osapuolet vaikuttavat toistensa toimintaan reaaliajassa ja oppivat 

toisiltaan saavuttaakseen yhteisen tavoitteen tehokkaammin. Tämä vuorovaikutustyyli 

sisältää mekanismin, joka mahdollistaa autonomisen järjestelmän havaitsemaan 

mallieroja itsensä ja ihmiskumppanin välillä, päättelemään erimielisyyden lähteen, 

arvioimaan virheen mahdollisia seurauksia ja lopulta tarjoamaan ihmiselle 

ymmärrettävää palautetta mallin korjaamiseksi (Tabrez ja muut, 2019, s. 256).  

 



55 

4 Tutkimusmenetelmä- ja aineisto 

4.1 Tutkimusmenetelmä 

Tämä tutkimus on laadullinen eli kvalitatiivinen tutkimus. Kuten Tuomi & Sarajärvi (2018, 

s. 18) toteavat, kvalitatiivisen tutkimuksen päämääränä on tuottaa syvällistä tietoa 

tutkittavasta ilmiöstä, keräämällä aineistoa luonnollisista tilanteista. Induktiivinen 

tutkimusprosessi etenee yksittäisistä havainnoista kohti yleisempiä johtopäätöksiä, 

huomioiden samalla useita erilaisia tekijöitä, jotka voivat vaikuttaa tutkimustuloksiin. 

Tutkimuksen edetessä luokat ja teemat muodostuvat havaintojen perusteella. 

Kvalitatiivisessa tutkimuksessa pyritään ymmärtämään tutkittavan ilmiön moninaisuutta 

ja merkityksiä, korostaen tulkintaa ja aineiston kontekstuaalisuutta, eikä niinkään 

yleistettävyyttä, kuten kvantitatiivisessa tutkimuksessa (Alasuutari, 2011, s. 72).  

 

Tietojärjestelmätieteessä on useita erilaisia tutkimusmenetelmiä, erityisesti laadulliseen 

tutkimukseen liittyviä. Goldkuhlin (2019, s. 575) mukaan laadullinen lähestyminen ei 

itsessään yleensä ole riittävä, sillä tietojärjestelmätieteessä korostuvat myös aineistojen 

perusteella luodut ratkaisut, kuten digitaaliset suunnittelumallit ja artefaktit. 

Tietojärjestelmätutkimuksen kenttä hyödyntää monia erilaisia lähestymistapoja, kuten 

tapaustutkimusta, toimintatutkimusta ja suunnittelutiedettä. Näiden menetelmien 

avulla voidaan tutkia ja kehittää käytännön ratkaisuja, malleja ja prosesseja, jotka ovat 

keskeisiä tietojärjestelmien ymmärtämisessä ja kehittämisessä. Konstruktiivinen 

tutkimusote sisältää edellä mainittujen lähestymistapojen erityispiirteitä, mutta siinä 

keskitytään myös ongelmalähtöiseen tutkimusprosessiin, jossa ydin on ongelmien 

tunnistaminen ja ratkaisujen kehittäminen (Rolin ja muut, 2006, s. 112).  

 

Tämä tutkimus perustuu konstruktiiviseen lähestymistapaan, jossa painotetaan uusien 

ratkaisujen luomista ja kehittämistä. Rolin ja muut (2006, s. 113) kuvaavat 

konstruktiivisen tutkimusotteen ydinpiirteet seuraavasti, ongelman ja ratkaisun 

käytännöllinen merkitys, ratkaisun toimivuus käytännössä, yhteys aikaisempaan 

teoriaan ja tutkimuksen teoreettinen kontribuutio. Näitä ydinpiirteitä voidaan tarkastella 



56 

sekä interpretatiivisesta että pragmaattisesta näkökulmasta (Goldkuhl, 2012, s. 143). 

Goldkuhl (2012, s. 144) huomauttaa, että interpretatiiviset piirteet korostavat syvällistä 

ymmärrystä ja teoreettista yhteyttä, kun taas pragmaattiset piirteet keskittyvät 

ratkaisujen käytännön merkitykseen ja toimivuuteen.  

 

Kasanen ja muut (1993) toteavat, että konstruktiivinen tutkimusprosessi käynnistyy 

todellisessa elämässä havaitun ongelman tunnistamisesta, joka on sekä käytännöllisesti 

merkityksellinen että teoreettisesti kiinnostava. Tutkimuksessa pyritään kehittämään 

ratkaisu, joka vastaa tähän ongelmaan, ja ratkaisu voi toimia mallina käytännön 

sovelluksille. Tämän jälkeen tutkijan tulee hankkia laaja ymmärrys aiheesta ennen 

varsinaisen ratkaisun kehittämistä. Innovaatio, eli ratkaisun luominen, on olennainen 

vaihe, jota seuraa ratkaisun toimivuuden todentaminen. Lopuksi tutkija osoittaa 

ratkaisun teoreettiset kytkökset ja tutkimuksellisen merkityksen, sekä arvioi ratkaisun 

sovellettavuutta eri konteksteissa.  

 

4.2 Haastateltavat 

Haastateltavien valinnassa on tärkeää ottaa huomioon tutkimuksen kohde. Vilkka (2021, 

s. 108) toteaa, että haastateltavat tulisi valita tutkimusongelman mukaisesti, painottaen 

heidän asiantuntemustaan tai kokemustaan tutkimusaiheesta tai käsiteltävästä ilmiöstä. 

Tässä tutkimuksessa oli alustavasti ongelmana valita haastateltavia, sillä 

Hunkenschroerin & Luetgen (2022, s. 996) mukaan tekoälypohjaisten 

rekrytointijärjestelmien käyttö sekä tiedottaminen rekrytointiprosessien 

yksityiskohdista työnhakijoille on organisaatioissa usein vähäistä tai lähes olematonta. 

Tämä havaittiin myös käytännössä, sillä monet potentiaaliset haastateltavat, eli 

työnhakijat, eivät osanneet varmuudella sanoa, olivatko olleet tekoälypohjaisten 

rekrytointijärjestelmien käytön kohteena. Koska haastateltavien omakohtaisista 

kokemuksista tekoälypohjaisesta rekrytointijärjestelmistä ei voitu saada varmuutta, niitä 

ei voitu käyttää täysin varmistettuna valintakriteerinä, jonka seurauksena tutkimus 

ohjautui heidän käsitysten ja tulkintojen tutkimiseen aiheesta.  

 



57 

Käsitysten tutkimiseen voidaan valita haastateltavia useammalla tavalla. (Vilkka, 2021, s. 

109) toteaa, että käsitysten ei välttämättä tarvitse olla muotoutuneet omakohtaisen 

kokemuksen avulla, vaan niihin vaikuttavat esimerkiksi yhteisöjen perinteet, tyypillinen 

ajattelutapa tai yleinen puhe. Haastateltavilla saattaa olla paljon käs