Kokeellinen oppiminen

Tieto on valtaa – mutta miten tietoa luodaan?

Tieto on valtaa, mutta tiedon hankkiminen voi olla aikaa vievää ja kallista. Usein käytännön ongelmana on, miten jokin ongelma voitaisiin ratkaista, eli miten hankkia uutta tietoa ja nopeasti? Tai mitä reittiä voisi ratkaista suunnittelun tai prosessin ongelmat? Miten valita reitti töihin huomioiden myös kaikki muut vaikuttavat tekijät?

Deduktio-induktio-ketju tiedon luomisessa

Tuotteen, palvelun tai prosessin onnistuminen ja epäonnistuminen voidaan nähdä uuden tiedon luomisen ongelmana. Eli miten löydämme asiat, jotka todella vaikuttavat, tai mitkä niiden tasojen pitäisi olla? Tarvitsemme tietoa, jota ei välttämättä ole vielä olemassa tai meidän pitää varmistua, että tieto toimii käytännössä. Havaitut ja tulevaisuuden ongelmat ovat näin aukkoja tiedossa. Mutta miten tietoa luodaan ja tiedon aukot tukitaan?

Tiedon luomiseen ja oppimiseen tarvitaan aina deduktion ja induktion vuorottelu. Deduktio tarkoittaa päätelmää tai oletusta nykyisestä tilanteesta tai mallista. Tämä päätelmä luo tarpeen sen itsensä tarkastukselle, eli induktiolle. Mallia, teoriaa, hypoteesia tai oletusta vasten kerätään dataa tai havaintoja, joista syntyy olettamuksen päivitys, muutos tai muuttumattomuus. 

Tämä on yleensä tieteellisen toiminnan perusta, mutta jostain syystä unohdetaan hyvin usein liiketoiminnassa tai teollisuudessa. Päätöksiä tehdään usein vahvoilla mielipiteillä tai arvauksilla ja selitellään lopputulosta hyväksi jälkeenpäin. Deduktion ja induktion vuorovaikutuksen jatkumoa tai oppimisen prosessia on esitetty kuvassa 1 alla.

Induktio on aktiivista toimintaa, joka yhdessä alkuperäisen olettamuksen tai mallin avulla luo palautelenkin, jonka lopputuloksena on uutta tietoa tutkittavasta ilmiöstä. Prosessi on iteratiivinen, joka synnyttää lisää tietoa edellisen päälle korjaten itseään.

Klassinen esimerkki malli-deduktio-data-induktio lenkistä (mukailtu Box, Hunter & Hunter) voisi olla seuraavanlainen:

Malli: Tänään on tavallinen päivä.
Deduktio: Autoni on parkkipaikalla, johon jätin sen aamulla.
Data: Auto ei ole parkkiruudussa.
Induktio: Joku on ottanut autoni.

Malli: Autoni on varastettu.
Deduktio: Autoni ei ole parkkipaikalla.
Data: Ei. Se on toisessa ruudussa vähän matkan päässä.
Induktio: Joku otti auton ja toi sen takaisin.

Malli: Varas otti auton ja toi sen takaisin.
Deduktio: Autooni on murtauduttu.
Data: Auto on ehjä ja lukittu.
Induktio: Joku, jolla on avaimet, vei auton ja toi sen takaisin.

Malli: Vaimoni lainasi autoa.
Deduktio: Hän jätti varmasti viestin.
Data: Kyllä. Puhelimessa on lukematon viesti.

Deduktion ja induktion vuorovaikutuksesta syntyy siis uutta tietoa ja yleensä käytämme tämänlaista prosessia aivan huomaamatta. Oleellisia elementtejä tässä ketjussa tai vuorovaikutuksessa on alkuperäinen malli, josta kysymys (deduktio) tehdään ja tiedon (datan) keräys ja tulkinta, jolla siihen vastataan (induktio). Tämä vastaa yleensä tieteellisen menetelmän kuvausta, jossa hyväksyttyjen totuuksien tai teorioiden hylkääminen vaatii todisteita. 

Yleensä oppimisen prosessiin törmätään erilaisissa ongelmanratkaisutilanteissa, jolloin deduktion herättämää tiedontarvetta saatetaan täyttää prosessia tarkkailemalla, kirjallisista lähteistä, haastattelemalla tai dataa keräten. Voi olla, että alkuperäinen teoria osoittautuu oikeaksi, mutta usein huomataan, että olettamukset olivat vain osittain totta ja ongelmaa halutaan tutkia lisää.

Näin törmätään tiedon tehokkaan luomisen ongelmaan, eli miten tiedon aukko saadaan täytettyä huomioiden kaikki mahdollisesti vaikuttavat tekijät ja käytettävissä oleva aika. Tarvitaan siis strategia tiedon luontiin! Ilman strategiaa voidaan kyllä oppia, mutta ilman ymmärrystä tutkittavasta ilmiöstä ei voida luoda kiinnostavia tutkittavia kysymyksiä ja oppiminen on hidasta tai ei onnistu. Deduktio vaatii siis aina substanssiymmärrystä aihealueesta!

Tiedon luomisen palautelenkki

Kuulu tilastotieteilijä ja kokeellisten menetelmien kehittäjä, George Box esitti, että ihmisen hyvinvoinnin merkittävä kasvu 1900-luvun puolivälin jälkeen on juuri tiedon luomiskyvyn, eli tieteellisen menetelmän leviämisen ja oppimisprosessin ansiota. Hän nimitti tätä tieteellisen menetelmän demokratisoitumiseksi, eli leviämisenä yleiseen käyttöön massoille. Verrattuna ihmisen geneettisen rakenteen muutoksiin vuosituhansien saatossa on tiedon määrä kasvanut edellisen parin sadan vuoden aikana merkittävästi kuten kuvassa 2 on kuvattu.

Ihminen on pystynyt monilla aloilla kasvattamaan hyvinvointia, koska on pystytty kehittämään täysin uutta tietoa ja korjaamaan virheellisiä käsityksiä, siitä kuinka maailma toimii. On siirrytty sattuman kautta oppimisesta tieteelliseen oppimiseen ja tieteellisen oppimisen demokratisoitumiseen. On hyväksytty, että pelkillä hokemilla tai mielipiteillä ei voida saada toimivia ratkaisuja. Teoriat pitää testata.

Menetelmät, joilla hyvinvoinnin kasvu ja oppimisen lisäys tuli mahdolliseksi (induktio) pani nykyisessä muodossaan alulle Sir R.A Fisher 1920-30-luvuilla ja ne mahdollistavat useiden tekijöiden todellisten syiden ja seurausten riippumattoman erottelun ja tutkimisen.

Box (1997) yhdisti tieteen demokratisoitumisen juuri näihin Fisherin koesuunnittelun (DOE, Design of Experiments) menetelmiin, joilla voidaan luoda uutta tietoa mistä tahansa prosessista tai ilmiöstä. Nämä latutekniikassa sovelletut menetelmät mahdollistavat datan keruun niin, että pystytään erottelemaan satunnainen vaihtelu todellisesta ja erottelemaan vaikutukset toisistaan riippumatta, joka on ongelma yhden muuttujan kokeissa tai sattumaoppimisessa. 

Uuden tiedon luonti tai parannus tarvitsee aina ennusteen siitä, mitä tulee tapahtumaan. Tehtävä ennuste pohjautuu aina teoriaan ja tietoon tutkittavasta aihealueesta, eikä ilman substanssiymmärrystä voida luoda uutta tietoa kovin menestyksekkäästi. Prosessien kuvaamisen menetelmät, keskustelut, ideointi ja teoria synnyttävät testattavia ideoita ja teorioita, eikä niiden roolia tiedon luomisessa tule aliarvioida. 

Kun substanssi ja kokeelliset menetelmät yhdistetään, on mahdollista luoda uutta tietoa yhdistämällä ideat ja kokeen strategia tiedon luomiseen tai päivittämiseen. Tämä deduktio-induktio-vuorovaikutus muodostaa oppimisen palautelenkin tai iteratiivisen ongelmanratkaisun kehän, jota on kuvattu kuvassa 3 alla.

Iteratiivisen ongelmanratkaisu lähtee liikkeelle nykyisestä mallista ja sen seurauksista (mitä jos M₁ on totta tai ei ole), jonka pohjalta rakentuu tutkittavan muutoksen kehys ja suunnitelma. Deduktion perusteella tutkija suunnittelee tilanteeseen sopivan lähestymisen ja toteuttaa kokeensa. Hänellä on ennuste siitä mitä pitäisi tapahtua, jos teoria on totta tai jos ei ole. Tätä aktiivista roolia kuvaa kuvassa 3 käsi, joka pitelee kokeen suunnitelmaa.

Koesuunnitelma toimii kehyksenä tai linssinä todellisuuteen ja sen avulla pyritään erottelemaan tutkittavien tekijöiden todelliset vaikutukset kohinasta. Kerätyn datan ja ennusteen välisen vertailun ja analyysin perusteella syntyy induktio muuttaa alkuperäistä mallia tai hyväksyä se todeksi. Tästä palautelenkistä syntyy uutta tietoa tai uusi teoria tutkittavaksi. Tieteen itsekorjaava rakenne ja siten myös edistys pohjautuu tähän ajatukseen teorian muutoksen todentamisen taakasta. Teoria on totta, kunnes sen voi todistaa vääräksi! Mielipiteet ovat toissijaisia, jos kokeelliset tulokset ovat niitä vastaan!

Huomattavaa tässä on, että tutkija tai ongelmanratkaisija suunnittelee miten tutkii todellisuutta valitsemalla kehyksensä (koesuunnitelman), eikä vain odota, että tieto tulee hänen luoksensa tarkkailemalla ympäristöä. Näin tehdään sattuma-oppimisessa, ei modernissa tieteellisessä lähestymisessä. Vaikka ympäristöllä on rooli teorian kehittämisessä, ei uutta tietoa voi syntyä tai todistaa ilman suunnitelmallisesti tehtyä koetta. Kokeen tekijä alistaa olosuhteet (käsi) tarkoitusta varten, eikä tyydy sattumaan opettajana.  

Tiedon luonti kokeen avulla: työmatkan reitti

Koe voidaan tehdä lähes missä tilanteessa tahansa. Kyse on lähinnä mielikuvituksesta.

Otetaan yksinkertaisena esimerkkinä allekirjoittaneen matka-aika (vaste, Y) kotoa toimistolle välillä Heinola-Lahti. Ongelma on vaihtoehtoisen reitin tarjoama mahdollinen ajan lyhentäminen. Reitit ovat noin 95 % samat, mutta eroavat Lahden osalta toisistaan. 

Tämä vertailu tai ero voitaisiin tutkia testaamalla tuloksia kahdelta reitiltä, käyttäen keskiarvon tai mediaanin testiä, mutta koska on mahdollista, että pelkkä reitti ei vaikuta merkittävästi käytettyyn aikaan, halusin sisällyttää myös matkan suunnan keräykseen. 

Näin syntyi siis tarve tehdä kahden tekijän koe. Tämä on yksinkertaisin mahdollinen koesuunnitelma, jossa syntyy neljä kombinaatiota kahden tekijän kahdesta vaihtoehdosta. Taulukko 1 esittää suunnitelman koodatuissa yksiköissä (ala ja ylätasot, -1 ja +1) standardijärjestyksessä. Tasoja (vaihtoehtoja) voisi olla useampiakin, mutta pitäydytään yksinkertaisessa esimerkissä.

Taulukko 1. Työmatkakokeen koesuunnitelma koodatuissa yksiköissä standardijärjestyksessä.

Kahdella koetekijällä (reitti, suunta) ja niiden kahdella tasolla saadaan aikaiseksi neljän kombinaation tekijäkoe, jolla voidaan vertailla keskenään sekä molemmat tekijät sekä niiden keskinäisvaikutus (A*B = Reitti*Suunta). Molemmilla tekijöillä on kaksi vaihtoehtoa tai tasoa, jolloin kaikista vaihtoehdoista syntyy 4 mahdollista yhdistelmää (2²=4) kuten taulukossa 1 on kuvattu.

Suunnitelman tekijöiden tasot ja perusrakenne koodaamattomilla (todellisilla tasoilla) yksiköillä on esitetty alla taulukossa 2.

Käytännössä tästä syntyi tiedon keruu taulukko (kuva 4), johon kirjasin käytetyn matka ajan kahden parkkipaikan väliltä käyttäen sekuntikelloa ajanottoon. 

Liikenteessä (luonnossa) on paljon asioita, jotka vaikuttavat matka-aikaan, mutta joihin itse ei voi vaikuttaa. Nämä hyväksyttiin tässä kuuluvan osaksi kohinaa. Toisaalta kokeessa voidaan vakioida asioita ja vähentää niiden vaikutusta tuloksen luotettavuuteen ja tulkintaan. Tässä kokeessa vakioitavia asioita olivat matka-ajan mittaustapa, sekä ajokäyttäytyminen. Suunnitelma toistettiin kahdesti lisävarmuuden saamiseksi ja keräysjärjestys riveillä satunnaistettiin noin kahden viikon ajalle talvinopeusrajoitusten aikaan marraskuussa.

Valmis kerätty data nähdään kuvassa 5. Mutta koska itse riveiltä on vaikea päätellä tekijöiden vaikutuksia, on laskennassa järkevämpi käyttää matematiikkaa ja visualisointia.

Tekijöiden tasojen keskiarvojen tuloksien visualisoinnista nähdään (kuva 6 alla), että reiteillä on jonkinlaista eroa, kuten on myös reitin kulkusuunnalla. Tasojen pisteet ja niiden välinen suora poikkeaa selkeästi vaakatasosta, jossa eroa ei olisi. 

Epäilys keskinäisvaikutuksesta näyttäisi olleen aiheeton, sillä sellaista ei ole havaittavissa tekijöiden välillä, vaan suorat seuraavat toisiaan täysin samansuuntaisesti. Tämä tarkoittaa, suunta vaikuttaa reitteihin samalla tavalla, tai että reitit ovat erilaisia riippumatta suunnasta.

Kerätystä datasta ja sen analyysistä syntyy induktio. Tässä tapauksessa reittiä kannattaisi muuttaa, sillä toinen vaihtoehto olisi nopeampi (kuvan 6 vasemman ruudun vasen laatikko). Toisaalta voi myös todeta, että kodin suuntaan kestää aina noin 100 sekuntia pidempään, joka voi johtua liikenteen määrästä, kääntymisten suunnasta määränpäähän nähden tai jostain muusta tekijästä joka ei ollut mukana kokeessa. Nämä voisivat olla kiintoisia kysymyksiä jatkotutkimuksille. 

Myös datan keräysjärjestyksen ja mahdollisten poikkeavien havaintojen vaikutus tuloksiin (vaihtoehtoiset mallit) olisivat mielenkiintoisia tarkistaa. Tässä poikkeamat tai aikajärjestys ei paljastanut mitään mielenkiintoista (ei näy kuvassa 6).

On huomattava, että vaikka kokeessa löydettäisiin tilastollisesti merkittävä (suurempi kuin sattuma) vaikutus käytetyllä riskitasolla (kuten 5 %), ei se automaattisesti tarkoita käytännön kannalta merkittävää tulosta tai pakkoa muuttaa jotakin. 

Tässä esimerkissä ero reittien välillä on noin 210 sekuntia ja tulos on tilastollisesti merkittävä 5% riskitasolla (p-arvo < 0,05). Tämä on noin 3,5 minuuttia ja riippuu käytännön ongelmasta ja muista seikoista, onko tehtävä muutos järkevä toteuttaa. Onko esimerkiksi toinen reitti niin paljon miellyttävämpi tai kauniimpi, että pidempi matka aika voidaan hyväksyä? 

Yksi suurista sudenkuopista tilastollisissa testeissä ja kokeissa on erottaa tilastollinen merkittävyys käytännön merkittävyydestä. Eli verrata alkuperäistä olettamusta myös käytännön substanssin, ongelman ja tulosten merkitysten kautta. Pelkkä tilastollinen merkittävyys ei takaa, että ero on käytännössä merkittävä. On mahdollista saada tilastollinen ero aikaan käytännön kannalta mitättömistä eroista. 

Tässä tapauksessa johtopäätös lopulta oli, että vaihdan reittiä, vaikkakin uusi reitti ei olekaan niin miellyttävä. 

Kokeet eivät lopulta ole vaikeita

Helposti ajatellaan, että kokeet kuuluvat rajattuihin olosuhteisiin. Pelloille, laboratorioihin ja pelkästään kovaan tieteeseen tai että niiden toteuttaminen tai analysointi olisi erityisen vaikeaa. Käytännössä kokeita voidaan kuitenkin tehdä lähes missä tahansa, missä halutaan ymmärtää tutkittavan prosessin, systeemin tai ilmiön käyttäytymistä, eli lisätä tietoa ja oppia. Kyse on mielikuvituksen käytöstä ja soveltamisen kyvystä. Vaikeaa on usein niiden tekemisen aloittaminen ja rohkeus tehdä, jos kokeiden tekeminen ei ole ollut organisaatiossa tapana.

Koesuunnittelu mahdollistaa monimutkaisten ja hankalienkin ilmiöiden syy-seuraussuhteiden ymmärtämisen ja tiedon lisäämisen, kun on ajatus tutkittavista muutoksista ja niiden tasoista. Oleellista oppimisen prosessissa onkin yhdistää substanssi ja kokeellinen lähestyminen. 

Näiden kahden vuorovaikutus mahdollistaa organisaation tulevaisuudelle arvokkaan uuden tiedon luomisen. Tämä vaatii kuitenkin kokeen tekemisen. Mielipiteiden ja arvausten tekeminen on helppoa, mutta kokeet vaativat jo älyllisiä ja fyysisiä ponnisteluja. Älä siis tyydy laiskuuteen vaan tee ja vaadi kokeita!

Lähteitä ja luettavaa:

1. Statistics for Experimenters, George Box, Stuart Hunter, William Hunter, 2005
2. George Box, Total Quality: Its Origins and its Future, 1995, Center for Quality and Productivity Improvement