Yhteistyö

Tekoäly sovittaa opiskelijoiden osaamisprofiilia työelämän tarpeisiin

Mira Valkonen/ Kuva: Jonne Renvall
Osaamisen kuvaaminen on moninainen, kompleksinen ja vaikea ilmiö. Mira Valkonen pohtii, miten voisi kuvata sellaisia taitoja kuten kriittinen ajattelu tai luovuus. Kuva: Jonne Renvall
Tampereella kokeillaan tekoälyyn perustuvaa työkalua, jonka avulla pyritään tunnistamaan yksilön osaamista ja vertaamaan sitä työmarkkinoiden osaamistarpeisiin.

– Voisimme teoriassa vertailla tekoälyn avulla, koulutammeko me oikeanlaisia osaajia työelämän tarpeisiin, sanoo Tampereen yliopiston jatkuvan oppimisen hankkeen asiantuntija Mira Valkonen.

Valkonen on mukana viisivuotisessa jatkuvan oppimisen hankkeessa, jossa pilotoidaan Headai-nimisen yrityksen työkalua Tampereen yliopiston ja ammattikorkeakoulun opiskelijoille.

Työkalu kokoaa erilaisten tekstuaalisten datalähteiden perusteella opiskelijan osaamisprofiilin eli osaamissanojen kokonaisuuden. Opiskelija voi verrata omaa osaamisprofiiliaan avoinna oleviin työpaikkailmoituksiin ja arvioida osaamisen sopivuutta myös alueellisiin työmarkkinoihin.

Työkaluun tulee myös yritysten ja yksilöiden tarpeita palveleva osio, jonne kootaan ehdotuksia osaamisen kehittämiseksi. Kehitystyötä tehdään yhteistyössä koulutuspäällikkö Teemu Rauhalan ja yliopistotutkija Jussi Okkosen ESR-rahoitteisen Osaamista menestykseen -hankkeen kanssa.

Mukana projektissa on pieniä opiskelijaryhmiä eri aloilta: ict-alan opiskelijoita, yhteiskuntatutkimuksen opiskelijoita ja liiketalouden opiskelijoita. Ict-alan opiskelijat tulevat yliopistosta ja ammattikorkeakoulusta. Yhteiskuntatutkijat tulevat kokonaan yliopistosta ja liiketalouden opiskelijat ammattikorkeakoulusta.

Hankkeen tavoitteena on uudistaa korkeakoulutusta vastaamaan paremmin työelämän ja yhteiskunnan muuttuviin tarpeisiin. Opetus- ja kulttuuriministeriö rahoittaa hanketta vuosina 2019–2020, ja hanke jatkuu vuoden 2023 loppuun saakka.

Osaamissanoista vaihtelevia listoja

Ensimmäisessä opiskelijatapaamisessa tekoälyyn perustuva ohjelma poimi osaamiseen liittyviä sanoja opiskelijoiden opetussuunnitelmiin pohjautuvista tutkintotiedoista. Tämän jälkeen työkaluun kokeiltiin syöttää oma CV. Tavoitteena oli testata, kuinka hyvin kone tunnisti osaamisia erilaisista tutkinto-ohjelmien kuvauksista ja toisaalta omasta CV:stä.

Alustavat huomiot ensimmäisistä tapaamisista osoittavat, että kone tuotti erittäin paljon osaamissanoja eri opiskelijoiden tutkintotiedoista. Niiden osuvuus ja relevanssi vaihtelivat.

Ict-alan opiskelijoiden osaamissanatulokset olivat Mira Valkosen mukaan kohtuullisen osuvia, sillä ict-alan tutkintovaatimukset on kirjoitettu jo valmiiksi osaamissanoiltaan tekoälyn tunnistamaan muotoon.

– Sieltä tuli selkeitä ja hyviä osaamissanojen listoja. Kone myös ehdotti sanoja, jotka voisivat liittyä aiheeseen, Valkonen kertoo.

Yhteiskuntatutkijoiden osaamissanalistasta tuli muita listoja huomattavasti rikkaampi, mutta kaikki löydetyt sanat eivät olleet kovin järkeviä. Valkosen mukaan sanat olivat kuitenkin mielenkiintoisia, ja listasta tuli todella pitkä.

Liiketalouden opiskelijoiden osaamissanalista oli Valkosen mukaan kaikista kiinnostavin. Sanat eivät olleet itsestään selviä, mutta useimmat niistä olivat kuitenkin järkeviä.

Osaamisen kuvaaminen vaikeaa

Mira Valkonen heräsi pohtimaan sanojen tuottamaa lisäarvoa osaamisen tunnistamisessa.

– Täytyy tarkastella kriittisesti sitä, mihin sanalistoja halutaan hyödyntää ja mitä yksittäiset sanat osaamisestamme lopulta kertovat. Voimme listata sanoja CV:hen ilman tekoälyäkin, eikä sana itsessään tuo välttämättä suurta lisäarvoa ainakaan ohjauksen näkökulmasta. Olennaisinta on yksilön reflektio sekä prosessissa syntyvä oma ymmärrys osaamisesta, johon työkalu voi olla apuna, Valkonen sanoo.

Toisaalta yksittäinen osaamissana voi toimia hyvänä hakutoimintona, kun haetaan isosta tekstimassasta tiettyä sisältöä. Osaamisen tunnistamiseen yksittäisten sanojen hyöty on toistaiseksi rajallinen. Siksi sanalistoihin perustuva malli vaatii Valkosen mukaan vielä paljon kehittämistä. Haaste syntyy jo siitä, mikä on hyvä osaamissana kuvaamaan erilaisia taitoja.

– Osaamisen kuvaaminen on moninainen, kompleksinen ja vaikea ilmiö. Erityisesti geneeristen taitojen kuvaaminen on haasteellista. Kuinka voimme kuvata sellaisia taitoja kuten kriittinen ajattelu tai luovuus saati vielä todentaa, missä määrin yksilöllä tällaisia taitoja on?

Tekoälyohjelma oppii koko ajan uutta, kun se rakentaa sanalistoja avoimesti saatavilla olevista aineistoista. Headain algoritmijärjestelmässä on tällä hetkellä noin 40 000 merkityksellistä osaamissanaa ja arviolta noin 90 000 relevanttia sanaa. Valkonen huomauttaa, että pilotoinnissa on käytössä kokeiluversio, jota kehitetään jatkuvasti lisää.

Työpaikkailmoitukset ja työelämätarpeet ristiriidassa

Projektin perusajatus on se, että yksilöiden osaamiseen ja yhteiskunnan osaamistarpeiden tunnistamiseen löydettäisiin uusia tapoja, jotta esimerkiksi opiskelijat ja työnantajat löytäisivät toisensa helpommin ja omaa osaamista pystyisi kehittämään oikeaan suuntaan. Teknologialla voitaisiin tulevaisuudessa palvella yksilön lisäksi esimerkiksi organisaatioiden tiimitasoa.

Työmarkkinatarpeita kuvaavat Headain ratkaisussa työpaikkailmoitukset, tarkemmin sanottuna julkiset te-palvelut.fi ja monster.fi-sivustot. Kone poimii ensin opiskelijan CV:n ja tutkinnon osaamissanat ja etsii niille vastaavuuksia työpaikkailmoituksista.

Työmarkkinatarpeiden kuvaaminen työpaikkailmoitusten pohjalta on Mira Valkosen mukaan kriittinen ja jopa eettisesti ongelmallinen vaihe.

– Työpaikkailmoitukset eivät kokonaisuudessaan kuvaa työmarkkinoiden osaamistarpeita. Rekrytointi tapahtuu enenevissä määrin suorahakujen ja verkostojen kautta, jolloin ilmoitusta ei välttämättä julkaista ollenkaan. Entä jos opiskelijalle ei tule koneesta yhtään sopivaa työpaikkaa? Tällainen tilanne synnyttää monia eettisiä kysymyksiä.

Tulevaisuusarviointien mukaan työelämässä tarvitaan entistä enemmän monimutkaisia taitoja kuten luovuutta, ongelmanratkaisukykyä ja empatiaa. Tällaisten taitojen tarvetta ei yleensä osata organisaatioissa tunnistaa tai kuvata työpaikkailmoituksiin, vaikka niitä vaadittaisiinkin.

Valkonen uskoo, että rekrytointikäytännöt kehittyvät niin, että tulevaisuudessa nykyisen kaltaisten työpaikkailmoitusten määrä vähenee entisestään.

– Sen takia täytyy tarkastella sitä, onko nyt valittu aineisto lainkaan luotettava lähde ja kertooko se mitään työpaikkojen tarpeesta vai jostakin aivan muusta. Korvaavaa aineistoa on kuitenkin vaikea löytää. Siksi onkin tärkeää, että lähdemme kokeilemaan ja kehittämään näitä osaamisen tunnistamisen ja kohtaamisen mahdollisuuksia olemassa olevilla datalähteillä.

– Olisi hienoa, jos voitaisiin yhdistää erilaisia tietolähteitä sekä heikkoja signaaleja tulevaisuuden osaamistarpeista. Hyvä esimerkki on tämä korona, ennakoimaton asia, joka on synnyttänyt muutamassa yössä kysyntää uusille ammattilaisille.

Apua yksilöille ja tiimeille tekoälystä

Osaamisprofiilit voisivat auttaa rakentamaan toimivia tiimejä työpaikalle. Työnantajat voisivat niiden avulla löytää entistä paremmin yliopiston opiskelijoista uusia työntekijöitä ja opiskelijat voisivat löytää vaikkapa mentoreita. Tällaista digitaalista osaamisten markkinapaikkaa ollaankin hankkeessa kehittämässä Bazaar-konseptin avulla jatkuvan oppimisen asiantuntijan Katariina Yrjönkosken vetämänä.

– Mahdollisuudet ovat rajattomat. Pitkän ajan visio on siinä, että löytäisimme muitakin tapoja osaamisen tunnistamiseen kuin tutkinnot ja opintopisteet, Mira Valkonen sanoo.

Kaikki visiot eivät hetkessä toteudu. Valkonen tiivistää projektista tähän mennessä saadut kokemukset siihen, että osaamisen tunnistaminen on paljon monimutkaisempaa kuin aluksi ajateltiin. Oleellista hänen mukaansa onkin ensin määritellä se, mihin osaamisesta saatavaa tietoa halutaan käyttää.

– Emme voi mitattavasti, yksiselitteisesti ja yksikäsitteisesti sanoa, mitä osaamista ihmisellä on tai kuinka paljon hänellä on osaamista. Täysin kattavaa tapaa osaamisen tunnistamiseen ei ole. Jos se olisi keksitty, niin keksijä olisi jo miljonääri, Valkonen sanoo.

Vaikka osaamisen objektiivista mittaustapa ei löytyisikään, voi subjektiivisistakin arvioista olla hyötyä.

– Voimme käyttää tekoälyavusteista osaamisdataa yksilön avuksi ja osaamiseen kehittämisen tukena hyvinkin moninaisesti. Voi olla itsearviointia ja työkavereiden arvioita. Tällöin ei ole merkittävää, onko arvio objektiivista vai subjektiivista. Kokonaisuus auttaa ymmärtämään omaa osaamista.

Vaikeampana tehtävänä Valkonen pitää sitä, että korkeakouluille löytyisi yhtenäinen tapa kuvata osaamista, mutta siihenkin etsitään erilaisia vaihtoehtoja.