Asiantuntijatiedon keräämisestä

Jatkan nyt edellisestä postauksestani, jossa mietin Bayes-mallintamista päätöksenteon työkaluna. Bayes-mallinnus on omiaan epävarmuuden ollessa tutkimuskohteen osalta suuri, ja jolloin asiantuntijatiedon rooli on tärkeä. Asiantuntijatietoa voidaan käyttää priorien määrittämiseen, mutta asiantuntijatiedon avulla voidaan myös paremmin hahmoittaa tutkimuksen aihetta sekä suurempia kokonaisuuksia ja kokonaiskuvaa (Uusitalo, 2007).

Kuvailenkin nyt lyhyesti ja pääpiirteittäin, miten asiantuntijatietoa voidaan kerätä. Alla oleva malli kuvaa hyvin yksinkertaisella tasolla asiantuntijatiedon keräämistä. Ensimmäinen askel on tietenkin taustatyö ja ongelmanasettelu, sekä itse asiantuntijoiden valitseminen. Onkin mielenkiintoista pohtia, kenet määritellään asiantuntijaksi? Omasta mielestäni asiantuntija voi olla kuka vaan, joka on jollain tasolla kyseessä olevaan asiaan linkittynyt: Vanhankaupunginkosken meritaimenen kohdalla asiantuntija voi olla niin kalastamisesta vastaava viranomainen, kuin vapaa-ajan kalastajakin. Asiantuntijan voisikin uudelleenmääritellä, ja mielestäni “asiantuntijan”  (expert) sijaan voisi olla hyödyllistä käyttää neutraalimpaa sanavalintaa, ”sidosryhmän jäsentä”(stakeholder), tai pelkästään ”tekijää” (actor).

elicit

Malli 1. Asiantuntijatiedon kerääminen. (O’Hagan et al., 2005).

Seuraava vaihe on itse haastattelu. Haastattelu painottaa asiantuntijan sen hetkistä tietoa aiheesta. Tutkijan roolina haastattelussa on lisätä sujuvuutta ja fasilitoida prosessia: tutkijan tulee valmistella haastateltavaa Bayes-mallintamisesta ja varmistaa, että haastateltava ymmärtää mallintamisen pääpiirteittäin. Jos näin ei tehdä, asiantuntija saattaa suhtautua epäluuloisesti mallintamiseen, eikä haastateltavan ja tutkijan välille synny jo tutkimuksenkin kannalta tärkeää luottamuksen tunnetta (Uusitalo, 2007). Eräänlaista koehaastattelua on hyvä harkita, jota voidaan sitten haastateltavien palautteen kautta muokata sujuvampaan ja ymmärrettävämpään muotoon. Haastattelu on myös hyvä videoida tai dokumentoida, jotta siihen voi palata tutkimuksen myöhemmissä vaiheissa. Haastateltavien mahdolliset henkilökohtaiset intressit tulee myös tiedostaa ja ottaa huomioon. (O’Hagan et al., 2005).

Kolmannessa vaihessa asiantuntijoiden antamat priorit ja arvot voidaan mukauttaa muiden asiantuntijoiden lausuntoihin sekä kerättyyn dataan. Tässä voidaan käyttää myös muissa blogipostauksissa viitattua Bayesilaista keskiarvoistamista, missä eri malleille voidaan antaa eri painoituksia. Viimeisessä vaiheessa mietitään tiedonkeruun kattavuutta ja riittävyyttä, jonka jälkeen voidaan päätyä keräämään vielä täydennystä ja lisää asiantuntijatietoa. (O’Hagan et al., 2005).

Asiantuntijatiedon keräämisessä ja käyttämisessä esintyy erinäisiä ongelmia. Ihmisillä on usein rajallinen kyky ymmärtää todennäköisyyksiä ja asettaa niille tietty numerinen arvo, jolloin erilaisten vääristymien syntyminen on tavanomaista. Haastattelun, eri tehtävien, ja kysymysten asettelu vaikuttavat kaikki haastatteluprosessin tuloksiin. Onnistumista on vaikea määrittää, koska annetut arvot kuvaavat haastateltavan subjektiivistä ”totuutta”, joka vaihtelee haastateltavien kesken. Koehaastattelun järjestäminen ja kysymysten uudellenasettelu voivat auttaa todennäköisyyksien hahmoittamisessa.

Lisäksin, niin kuin jo aikaisemmin mainittu, asiantuntijoilla voi mahdollisesti olla erilaisia henkilökohtaisia intressejä, jotka mallintamisessa pitää tiedostaa ja huomioida. Asiantuntijat voivat niin sanotusti pelata omaa peliään, eli antamalla väärää tietoa määrittelemällä prioreja tai tekijöitä omaksi edukseen. Mallien keskiarvoistamisella vääristymää voidaan korjata: keskiarvoistaessa mallit, jotka eivät tue kerättyä dataa, saavat vähemmän painoarvoa. Sen sijaan, asiantuntijoiden antamia tavoitteita ja arvoja päätösmallintamisessa ei voida, eikä tulekaan, tässä vaiheessa keskiarvoistaa (Mäntyniemi et al., 2013).

Vaikka mallintamisen onnistuminen on tärkeää, ehkä tärkeintä on kuitenkin haastateltavan ja tutkijan välisen dialogin ja yhteistyön mahdollistaminen, sekä mahdollisimman avoin ja läpinäkyvä ongelmanasettelu. Näin voidaan varmistaa, että tutkija ei tutki vaan tutkiakseen, vaan hänen työllään on myös yhteiskunnallinen merkitys ja ulottuvuus.

Mäntyniemi, S., et al., 2013. Incorporating stakeholders’ knowledge to stock assessment: Central Baltic Herring. Can. J. Fish. Aquat. Sci, 70.

O’Hagan, A., et al., 2005. Statistical Methods for Eliciting Probability Distributions. Journal of the American Statistical Association, 100: 470.

Uusitalo, L., 2007. Advantages and challenges of Bayesian networks in environmental modelling. Ecological Modelling, 203.

 

Leave a Reply

Your email address will not be published.