Työhyvinvoinnin tutkija Robert Karasek kehitti työhyvinvointimallin vuonna 1979. Hän korosti hallinnan lisäämistä keinona tukea työhyvinvointia. Hänen mukaansa vaatimukset edustavat työn asettamaa kuormitusta. Työn tekeminen on vaatimusten toteuttamista, jolloin samalla saavutetaan organisaation tuottavuustavoitteita. Työn vaatimuksia ovat esimerkiksi työn määrä ja aikapaine.
Vaatimuksiin vaikuttaminen ei näin ollen ole ollut ensisijaista, kun työhyvinvointia parannetaan. Yli 40 vuotta on kehitetty muita psykososiaalisia tekijöitä kuin vaatimuksia. Niiden sijasta on kehitetty juuri työn hallintaa, ilmapiiriä ja sosiaalisia tekijöitä, kuten työtoveritukea tai yhteisöllisyyttä.
Psykososiaalisten tekijöiden ja terveyden tutkimusprofessori Marko Elovainio tutkimusryhmineen ehdottaa uutena näkökulmana, että työn vaatimusten tulisi olla yksi keskeisistä kohteista työhyvinvoinnin kehittämiselle eli interventiolle.
Monena vuonna toistettujen kyselytutkimusten avulla he osoittavat, miten ensin työn vaatimuksiin vaikuttamalla saadaan ajan kuluessa myönteinen muutos muissa psykososiaalisissa tekijöissä.
Työn vaatimuksia on tutkittu muun muassa kysymysosioilla työn määrästä, ajan riittämisestä ja ajan rajallisuudesta. Mutta mitä nämä tekijät olisivat intervention kohteena? – mihin pitäisi vaikuttaa ja mistä liiallinen työn määrä ja aikapaine tulevat?
Elovainion ehdotus huomion kiinnittämisestä työn vaatimuksiin osui ajankohtaan, jolloin työskentelimme ”Organisaatiodatan hyödyntämisen luotettavuuden lisääminen tekoälyn ja teorian avulla” -projektin parissa.
Projektissa hyödynsimme työstä kertovana tietona niin sanottua trace dataa, joka tarkoittaa järjestelmien käytöstä lokitietoihin jäävää jälkeä. Ymmärrämme trace datan tiedoksi työn vaatimuksista, kun järjestelmiä käytetään työn tavoitteiden saavuttamiseen.
Aineistona projektissa analysoimme kahden ammattikorkeakoulun opettajien Moodle-dataa vuosilta 2019–2020. Tavoitteena oli osoittaa, miten trace datasta saadaan opetustyön sisällöstä kertovia prosesseja, jotka täyttävät prosessiteorian tunnusmerkit: onko mahdollista havaita ajallista toiminnan etenemistä?
Onnistuimme visualisoimaan prosesseja niin, että esimerkiksi arviointiin liittyvä tekeminen lisääntyi kesää kohden ja kursseihin liittyvä tekeminen väheni. Keväällä 2020 tuli korona ja työskentely siirtyi etämuotoiseksi. Muutos näkyi edistymisen seurantaan liittyvässä prosessissa. Sen intensiteetti lisääntyi viikon 10 jälkeen kesää kohden.
Näin ollen voidaan ajatella, että Moodlessa oli valmiina mahdollisuuksia edistymisen seurantaan, kun kasvokkainen kohtaaminen tiedon lähteenä ei enää ollut mahdollista. Tällainen uudenlaisen työskentelyn ilmaantuminen voi olla esimerkki prosessiteorian mukaisesta becoming-ilmiöstä – prosessin avulla saadaan jokin tekeminen entistä vahvemmin näkyväksi.
Lähdimme tarkastelemaan opetuksen teemojen (arviointi, kurssit, tilanteen seuranta, edistymisen seuranta) keskinäisen suhteen muutosta viikosta toiseen keväällä 2019 ja 2020 saadaksemme vielä tarkempaa tietoa työn vaatimusten ajallisesta etenemisestä.
Ensin yhdistimme kahden ammattikorkeakoulun aineistot, joista tunnistimme klusteroinnilla (prosesseja ryhmittelevä algoritmi) kuusi erilaista klusteria tehdä opetustyötä. Teimme havaintoja kuudesta erilaisesta työn tekemisen prosessista ja tulkitsimme niitä Karasekin määrittelemien työn vaatimusten avulla (tarkemmin Työn vaatimukset prosesseina -raportissa).
Olemme lähettäneet kaksi tieteellistä artikkelia arvioitavaksi kansainvälisiin lehtiin. Käsikirjoituksissa esitellään prosessien tuloskuvaajat, ja ne tulevat julkisiksi vasta, kun artikkelit julkaistaan. Tietoa työstä -raportissa on raportoitu projektin vaiheet.
Aikaleimattu trace data viittaa johonkin, joka on suoritettu ajan kuluessa, työn todelliseen sisältöön. Havaitsemalla toiminnan ajallista etenemistä voidaan tunnistaa huippuviikot ja aikarajat, joita organisaatiot voivat ottaa kohteiksi omien kehitystarpeidensa näkökulmasta. Tällainen tarve voi olla kuormittavien työn vaatimusten vähentäminen.
Lisätietoja:
Organisaatiodatan hyödyntämisen luotettavuuden lisääminen teorian ja tekoälyn avulla, DataProsessina (tutkimushankkeen esittely)
Työn vaatimukset prosesseina: Koneoppimismenetelmät ja teoriat tunnistamisen apuna, Tietoa työstä -raportti, 2023 (Julkarissa)
Psychosocial work environment as a dynamic network: a multi-wave cohort study (Marko Elovainio ja muut, 2022)
Kommentointi