Tekoäly avuksi nuorten syrjäytymisen ehkäisemisessä

Mallinnuksista ja ennusteista huolimatta elämä voi yllättää. Mutta jos nuorten syrjäytymisen riskitekijät tunnistetaan ajoissa, apua on helpompi tarjota. Syrjäytymisriskien ennakoivassa tunnistamisessa kokeillaan tekoälyn mahdollisuuksia.

Teksti Karoliina Koskenvuo FT, dosentti, tutkimuspäällikkö, Kela

Tekoälyä on jo kokeiltu syrjäytymisen tai syrjäytymisriskin ennakoivassa tunnistamisessa.

Keskustelu syrjäytymisvaarassa olevista NEET-nuorista muistuttaa keskustelua nuorista eläkkeensaajista. Yksipuolinen ja vääränlainen kuva nuorista eläkkeensaajista tai NEET-nuorista (not in education, employment or training) ei auta ketään. Se ei edistä työelämään pääsyä, kuntoutumista tai hyvinvointia parantavien ratkaisujen löytämistä.

Myös tekoälystä käytävää keskustelua leimaavat yksipuolisuus, yksinkertaistukset ja ennakkoluuloiset näkemykset. Sellaisia ovat esimerkiksi supertekoälyyn liitetyt uhkakuvat, joissa tekoäly ottaa vallan ihmiskunnasta. Hyvinvoinnin edistäminen tekoälysovelluksia kehittämällä vaatii tuekseen monitieteistä tutkimusta ja syvällistä asiantuntemusta.

Miten syrjäytymistä mitataan?

Me-säätiön huhtikuussa 2019 julkaiseman arvion (Syrjässä-laskuri) mukaan Suomessa olisi syrjässä 15–29-vuotiaita nuoria 61 163. Me-säätiön laskurin lukema on pudonnut vuodessa 4 788 nuorella. Laskun taustalla arvioidaan olevan muun muassa myönteinen työllisyyskehitys, joka ei kuitenkaan ole tavoittanut kaikkein vaikeimmassa asemassa olevia nuoria.

NEET-astetta kuvaavia lukuja julkaisevat Tilastokeskus, OECD ja Eurostat. Luvuissa on eroja muun muassa siksi, että Tilastokeskus ja Eurostat käyttävät vakaampia vuosikeskiarvoja kuin OECD.

NEET-aste on Suomessa OECD:n tilastojen perusteella korkeampi kuin muissa Pohjoismaissa.

NEET-aste on Suomessa OECD:n tilastojen perusteella korkeampi kuin muissa Pohjoismaissa. Vuonna 2017 NEET-nuorten osuus ikäryhmästä oli Suomessa 17 %, Ruotsissa 10,5 %, Norjassa 10,1 %, Tanskassa 14,2 % ja Islannissa 5,6 %. Myönteistä Suomen kannalta on se, että NEET-aste on laskusuunnassa.

Tilastokeskuksen työvoimatutkimukseen perustuvien tietojen mukaan vastaavat osuudet ikäryhmästä 20–24-vuotiaat olivat 15,1 % vuonna 2015, 14,1 % vuonna 2016 ja 13,2 % vuonna 2017. Tuorein Tilastokeskuksen tieto NEET-asteesta vuodelta 2018 on 11,8 %.

Mitä syrjäytyminen tarkoittaa?

NEET-aste kuvaa niiden nuorten osuutta ikäluokasta, jotka eivät opiskele, työskentele tai ole varusmiespalvelussa. Käsite syntyi Britanniassa 1980-luvulla kuvaamaan ilman työttömyysturvaa jääneitä ja syrjäytymisvaarassa olevia nuoria.

NEET on nyt yleistynyt laajasti käytetyksi tilastolliseksi käsitteeksi.

NEET on yleistynyt laajasti käytetyksi tilastolliseksi käsitteeksi.

Syrjäytymisellä tarkoitetaan yhteiskunnassa normaalina pidettyjen toimintojen ulkopuolelle jäämistä ja vaikeuksien kasautumista.

Syrjäytymistä on määritelty myös suhteessa köyhyyteen ja työttömyyteen. Yhteiskunnan syrjäytymisasteen kuvaaminen työttömyysasteen avulla on ongelmallista muun muassa siksi, että määrittely rajaa pois työvoiman ulkopuolella olevia. Heillä voi olla suurempi syrjäytymisriski kuin työttömänä olevilla.

Auttaako tekoäly?

Voisiko tekoälyn käyttäminen syrjäytymisriskin ennakoinnissa vähentää NEET-nuorten määrää?

Tekoälyn sovellusmahdollisuuksia väestön hyvinvoinnin edistämisessä ja riskien ennakoinnissa kannattaa kokeilla ja arvioida tieteellisen kriittisesti. Tieteelliseen arviointiin kuuluu vahvuuksien, rajoitusten ja eettisten kysymysten arviointi.

Tekoäly soveltuu monitekijäisten ilmiöiden, kuten syrjäytymisen, tutkimiseen.

Monitekijäiset ilmiöt, kuten hyvinvointi tai syrjäytyminen, ovat haasteellisia tutkimuskohteita. Ihmisen halu ennustaa tulevaa ja välttää riskejä on ikivanha. Latinan kielinen sana risicare tarkoittaa karin tai karikon kiertämistä.

Riskitekijöiden arviointi ja ennustemallit perustuvat pitkälti todennäköisyysteoriaan. Todennäköisyysteoria sai alkunsa 1600-luvun puolivälissä ranskalaisten matemaatikkojen Blaise Pascalin ja Pierre de Fermat’n yhteistyöstä, joka loi pohjan tulevien tapahtumien todennäköisyyksien systemaattiselle analysoinnille.

Systemaattisen analysoinnin ja tarkempien ennustemallien kehittämisessä kannattaa ottaa käyttöön tekoälyn laskentatehot ja kyky käsitellä suuria määriä dataa. Lopputulos riippuu siitä, miten tietoa hyödynnetään hyvinvointia ja sosiaaliturvaa koskevassa päätöksenteossa.

Lastensuojelulle 280 ennakoivaa tekijää

Tekoälyä on jo kokeiltu syrjäytymisen tai syrjäytymisriskin ennakoivassa tunnistamisessa. Espoon kaupungin ja ohjelmisto- ja palveluyritys Tiedon toteuttamassa kokeilussa pyrittiin ennakoimaan lastensuojelun asiakkuutta.

Tekoälyn analysoitavaksi annettiin Espoon koko väestöä koskeva sosiaali- ja terveystieto ja varhaiskasvatuksen asiakkuusdata vuosilta 2002–2016. Kokeilu antoi mahdollisuuden asiakkuuspolkujen perhekohtaiseen tarkasteluun. Resurssien kohdentaminen ennakoivasti ja tarpeen mukaan olisi tiedolla johtamista.

Tekoäly löysi noin 280 tekijää, jotka ennakoivat lastensuojelun asiakkuutta.

Tekoäly löysi noin 280 tekijää, jotka ennakoivat lastensuojelun asiakkuutta. Kokemukset kokeilusta osoittivat, että tekoälyä voidaan hyödyntää palvelujen ennaltaehkäisevässä kohdentamisessa.

Lopputuloksena ennustemalli

Toisena esimerkkinä tekoälyn hyödyntämisestä on Jyväskylän yliopiston kokeilu, jossa kehitettiin sosiaalisen syrjäytymisen ennakoivaa tunnistamista. Kokeilussa käytettiin Terveyden ja hyvinvoinnin laitoksen kansallisen, 8–9-luokkaisille tehdyn kouluterveyskyselyn aineistoa.

Jyväskylän yliopiston kokeilussa laskettiin syrjäytymiskartta, jonka avulla voitiin tarkastella syrjäytymisriskissä olevien oppilaiden määrää maakunnittain, alueittain ja koulukohtaisesti. Kartta erotteli syrjäytymisriskin ja löysi koulukohtaisia painopisteitä syrjäytymiskehityksen torjumiseksi.

Analysoitu kyselyaineisto soveltui hyvin esitellyn ennustemallin luomiseen. Merkittävimpiä kysymys-vastausyhdistelmiä olivat korkeimman syrjäytymisriskiennusteen saaneissa vähäinen tyytyväisyys elämään ja huono kokemus elämässä pärjäämisestä.

Muusikko Anssi Kela kertoo hittikappaleessa 1972, kuinka kaikilla luokkakavereilla elämä ei mennyt ihan niin kuin oli suunniteltu. Maailman muuttajista tuli muurareita, taksikuskeja, suutareita, yksinhuoltajaäitejä, autokauppiaita, lääkäreitä, virkamiehiä ja vääpeleitä.

Todennäköisyydet ja ennusteet eivät määrää yhden ihmisen elämänkulkua.

Ennakoinnista ja malleista huolimatta elämä voi aina yllättää. Todennäköisyydet ja ennusteet eivät määrää yhden ihmisen elämänkulkua.

Tekoälyn hyödyntäminen ennakoinnissa edellyttää panostuksia koulutukseen ja tutkimukseen. Tulee vuonna 2012 syntyneistä lapsista mitä vaan, erityisen tärkeätä on tehdä päätöksiä, joiden ansiosta mahdollisimman moni koulunsa aloittava tuleva maailman muuttaja saadaan pidettyä mukana yhteiskunnassa.

Tekoälyä vai tehtyä älyä? Tekoälyllä voidaan tarkoittaa eri asioita, kuten kapeaa eli heikkoa tekoälyä, vahvaa tekoälyä ja supertekoälyä. Sovellettu kapea tekoäly eli ratkaisujen tuottaminen ennalta rajattuun sovellusalueeseen yhdistämällä analytiikkaa ja automaatiota on ainoa tekoäly, jota toistaiseksi on tehty. Tekoäly on siis toistaiseksi ihmisen tekemää, opettamaa ja testaamaa älyä. Tässä valossa ei siis kannata pelätä teknologian kehittymistä vaan ihmistä – ihminen kun pystyy äärimmäiseen hyvään mutta myös äärimmäiseen pahaan. Koska tekoälyn käsittelemien tietojen joukossa on myös arkaluonteista tietoa, eettisten pelisääntöjen kehittäminen on tärkeää. Kela on mukana määrittelemässä sertifikaatteja ja hyväksyttyjä prosesseja tekoälyn eettiselle hyödyntämiselle. Siitä vastaa kansainvälisen teknologia-alan järjestön IEEE:n ESCPAIS-hanke, jonka perustajajäseniä Kela on.

Minkälainen on NEET-nuori? NEET-nuoret ovat syrjäytyneitä. Tämä on yksinkertaistus moniulotteisesta ilmiöstä. Syrjäytyneiksi tai NEET-ryhmään luokiteltujen nuorten elämäntilanteissa ja tilanteiden pysyvyydessä voi olla huomattavaa vaihtelua. NEET-aste on nuorilla miehillä aiemmin ollut Suomessa korkeampi kuin naisilla. Näin on ollut aiemmin. Vuonna 2018 NEET-aste 20–24-vuotiaiden ikäryhmässä oli 11,8 %. Tämän ikäisten miesten NEET-aste oli 11,7 % ja naisten 11,9 %. NEET-aste on Suomessa korkeampi kuin muissa Pohjoismaissa. Syrjäytymistä on määritelty rekisteri- ja tilastotietojen perusteella ja kokemusperäisesti. Rekisteri- ja tilastotietoihin perustuvissa tarkasteluissa nuoret on luokiteltu eri ryhmiin heidän pääasiallisen toimintansa perusteella. Tutkija Salla Ikäheimo jakaa syrjäytymisvaarassa olevat syrjäytyneisiin, kroonisesti syrjäytyneisiin, piipahtelijoihin ja kiinnittyneisiin. Sanna Aaltonen ja Päivi Berg luokittelevat nuoria haastatteluaineiston perusteella elämän kolhimiin, puolivalmiisiin sekä taantuman uhreihin. Professori Heikki Hiilamo on selvitysryhmineen esitellyt NEET-nuorista Eurofoundin raporttiin perustuvan luokittelun. Sen mukaan NEET-nuoret voivat olla muun muassa aktiivisesti työtä etsiviä tai työmarkkinoiden ulkopuolella olevia vammaisia, sairaita tai läheisistään huolehtivia. Näiden kahden ryhmän lisäksi luokittelu tunnistaa mahdollisuuksia etsiviä nuoria ja vapaaehtoisesti NEET-nuoriksi jättäytyneitä nuoria sekä passiivisia nuoria, jotka eivät hakeudu työhön eivätkä koulutukseen, vaikka heillä ei ole edellä kuvattuja esteitä.

Lähteet:

Aaltonen S, Berg P, Ikäheimo S. Nuoret luukulla – Kolme näkökulmaa syrjäytymiseen ja nuorten asemaan palvelujärjestelmässä. Nuorisotutkimusverkosto/Nuorisotutkimusseura. Verkkojulkaisuja 84, 2015

Espoon kokeilu todisti: Tekoäly tunnistaa tukea tarvitsevia, 7.6.2018.

Gissler M, Larja L, Merikukka M ym. NEET-indikaattori kuvaa nuorten syrjäytymistä. Tieto&Trendit 27.4.2016.

Hiilamo H, Määttä A, Koskenvuo K ym. Nuorten osallisuuden edistäminen. Selvitysmiehen raportti. Helsinki: Diakonia-ammattikorkeakoulu, DIAK-puheenvuoro 11, 2017.

Koskenvuo K. Nuoret eläkkeensaajat – faktaa ja fiktiota. Kelan tutkimusblogi 26.6.2014.

Larja L. Nuorten elinoloja ei voi kuvata pelkän työttömyysasteen avulla. Hyvinvointikatsaus 1/2013.

Larja L. Enemmän nuoria työn ja koulutuksen ulkopuolella – ei sentään viidennestä. Tieto&Trendit 19.9.2016.

OECD 2018. Youth not in employment, education or training (NEET) (indicator). Viitattu 3.5.2019.

Räty P. Voivatko älylaitteet ymmärtää meitä? Aalto University Magazine 23/2018: 30-35.

Talvitie-Lamberg K, Silvennoinen M, Moilanen H ym. Tekoäly sosiaalisen syrjäytymisen ennakoivassa tunnistamisessa – Case THL kouluterveyskysely. Jyväskylän yliopisto, Informaatioteknologian tiedekunnan julkaisuja 62/2018.

Tilastokeskus. Nuorten 15-29-vuotiaiden osallistuminen työmarkkinoille ja koulutukseen sukupuolen ja iän mukaan 2008-2018. Viitattu 3.5.2019.

Tekoälyn eettisyyttä määritellään nyt, ja Kelalla on siinä keskeinen tehtävä. Helsinki: Kela, tiedote 29.11.2018.