Kone tietää tunteesi

Hannamari Lakkala 
Kone tietää tunteesi

Tekoälykeskustelu on vellonut hypoteesitasolla jo vuosikymmeniä, ja vähitellen teknologian edistysaskeleet alkavat tuoda älykkäästi oppivaa konetta lähemmäs nykypäivää ja realisoituvia käytännön sovelluksia. Tekoälyspekulaatioiden puuttuva palikka on kauan ollut tunneäly, mutta nyt tunneoppimisen alalle on noussut kourallinen lupaavia start-upeja, kuten Affectiva, Realeyes, Sension ja Emotient.

Re.Work Deep Learning –konferenssissa San Franciscossa 29.–30.1.2015 käsiteltiin koneoppimista aivotoimintaa jäljittelevien neuroverkkojen avulla. Yksinkertaisuudessaan koneoppimisen idea on, että kone oppii tekemästään ja pystyy kehittämään yhä tarkempia malleja eri aloille. Vaikka suurin osa koneoppimiskeskustelusta kiinnittyykin tällä hetkellä kuva- ja äänioppimiseen, oli tilaisuudessa puhumassa myös muutama tunneoppimisen kehittäjä.

Marian Bartlett Emotientilta esitteli demon Computer Expression Recognition Toolboxista (CERT), joka kameran avulla tunnistaa ihmisen kasvonilmeistä tunteet reaaliajassa. Demo kykenee tunnistamaan myös nopeita ja hienoisia ilmeiden muutoksia.

Bartlett kertoi CERTillä tehdystä tutkimuksesta, jolla selvitettiin tunteiden ja päätöksenteon yhteyttä ja koneen kykyä analysoida tuota yhteyttä. Tutkimuksessa otettiin uusi näkökanta psykologiassa tunnettuun testiin nimeltä ultimaatumipeli. Kyseisessä tutkimuksessa kaksi tutkimushenkilöä tekee päätöksen rahojen jaosta: Pelaaja 1 saa rahaa ja ehdottaa antavansa pelaajalle 2 siitä osan. Jos pelaaja 2 hyväksyy, molemmat saavat sovitun summan rahaa. Rationaalinen päätös pelaajalle 2 olisi aina hyväksyä tarjous, sillä silloin voittaa aina jonkin verran rahaa toisin kuin kieltäytyessään. Käytännössä rationaalinen päätös ei aina tapahdu.  Emotientin testaamassa versiossa tunteita tunnistava kone yritti ennustaa pelaajan 2 päätöksen rahasumman hyväksynnästä tai torjumisesta tarkkailemalla tämän kasvojen ilmeitä tilanteessa. Lopputulosta näin arvatessaan ihmiset olivat oikeassa 52 % kerroista, kun taas kone yllättäen huomattavasti useammin, 72 % kerroista. Syynä koneen ylivoimaisuuteen oli sen parempi kyky erotella tunteita toisistaan ja ennustaa niiden yhteyttä lopputulokseen. Ihmiset uskoivat pääsääntöisesti inhon ennustavan kieltävää lopputulosta. Testissä kävi kuitenkin ilmi, että viha ennusti negatiivista lopputulosta huomattavasti tarkemmin kuin inho. Kone pystyi erottamaan näiden tunnetilojen ilme-erot ja ottamaan nämä loogisesti ja analyyttisesti huomioon ennustuksessaan.

Bartlettin mukaan tunnetilojen tunnistamiselle on monenlaisia kaupallisia sovelluksia. Lääketieteen puolella depression diagnosointi voisi mullistua. Mitä tapahtuisi, jos depressio voitaisiinkin tunnistaa suoraan videokuvasta ilman turhia ja epätarkkoja itsearviointilomakkeita? Eräässä kokeessa jopa huomattiin, että kone arvioi kivun määrän usein paremmin kuin hoitaja, jolle etenkin jatkuva kipu oli vaikeaa huomata. Jatkuvaa kipua tunteva henkilö ei enää korosta kiputilaansa, vaan hänen tuntemuksensa ovat luettavissa hienovaraisemmista ilmeistä. Kone pystyy objektiivisesti ja herkästi huomaamaan myös tällaisia eroja, kun taas hoitaja saattaa verrata potilasta toisiin ja arvioida kivun määrän todellista pienemmäksi valituksen ja akuutin tuskan puuttuessa.

Erityisesti kaupallinen ala on osoittanut kiinnostusta tunneoppimista kohtaan. Markkinointi- ja mainosala hyötyisi paljon automaattisista sovelluksista, jotka analysoisivat käyttäjien tunnereaktioita mainoksiin.  Joshua M. Susskind, myös Emotientilta, kertoi esimerkkinä mainonta-analyysin, jonka he tekivät Super Bowl 2014 –urheilutapahtuman taukojen mainoksista: Emotient analysoi teatterissa peliä seuranneiden koehenkilöiden tunteita kolmen mainoksen aikana reaaliajassa. 

Ensimmäisessä mainoksessa amerikkalainen satiirikko ja koomikko Stephen Colbert mainosti pistaasipähkinöitä. Mainos on lyhyt, ytimekäs ja ennen kaikkea hauska. Katsojat olivat iloisia ja nähtävästi pitivät mainoksessa olleesta Colbertista. 

Toisessa mainoksessa David Beckham juoksi hämmentävän vakavana talojen katoilla yllään vain bokserit mainostaen H&M:n alusvaatteita. Huolimatta Beckhamin hurmaavasta olomuodosta mainos yllätti katsojat ja aiheutti hämmennystä ja jopa ällötystä. Viimeinen mainos oli jatkumoa ensimmäiselle pistaasipähkinämainokselle, ja Colbertin myötä palasi myös katsojien myötämielinen iloisuuskin.

Mainostajille tällainen tieto mainoksen herättämistä tunteista on todella arvokasta. Mitä jos tunneanalyysiin lisättäisiin päätöksentekoarvio? Mitä jos mainostaja saisi heti tietää, kuinka monta uutta ostajaa hän mainoksellaan todennäköisesti saa? Voisiko kone oppia kertomaan, mitkä tunteet johtavat ostopäätökseen? Mielenkiintoista on myös se, riittääkö voimakas brändi ja muistijälki, vaikkei tämän takana ollut tunne olisikaan ollut iloinen. Myös negatiiviset tunteet, kuten huono omatunto tai pelko, voivat johtaa ostopäätökseen. Myötätuntoa taas on jo kauan käytetty esimerkiksi hyväntekeväisyyskampanjoihin osallistumisen motivaattorina. Voisiko kone oppia tuntemaan näiden eri tunteiden vaikutuksen ostopäätökseen tilanteen mukaan?

Koneiden tunneoppiminen on jo nykypäivää. Kysymys on vain siitä, mihin kaikkeen ihminen oppii sitä hyödyntämään.

Hannamari Lakkala

Tutkimusassistentti
Turun yliopiston kauppakorkeakoulu
hannamari.lakkala@utu.fi

NEMO-hankkeessa etsitään vastausta kysymykseen: miten ristiriitaisia ja negatiivisia tunteita voidaan hyödyntää eettisesti kestävällä tavalla asiakaskokemusten ja työilmapiirin parantamisessa, yhteiskuntavastuun viestimisessä sekä kasvun, innovaatioiden ja jopa uusien liiketoimintamallien lähteenä? 

Tietoisuutta tunteisiin työelämässä mittaamisen avulla

Maiju Vuolle & Johanna Lintinen
Tietoisuutta tunteisiin työelämässä mittaamisen avulla

Tunteet vaikuttavat työssä suoriutumiseen, sillä ne ohjaavat toimintaa ja havaintoja, suuntaavat päätöksiä sekä vaikuttavat motivaatioon ja yhteistyökykyyn. Työpaikkaa ei välttämättä koeta aina parhaaksi ympäristöksi tunteiden ilmaisuun, mutta työpaikoilla ja työntekijöillä tulisi olla riittävät valmiudet ja mekanismit tunteiden käsittelyyn. Negatiivisia tunteita ei tulisi torjua eikä vältellä, sillä muuten niiden huono vaikutus voimistuu. Oma työtiimi voi parhaimmillaan kehittyä ympäristöksi, jossa tunteita voidaan ilmaista. Esimerkiksi eräässä tutkimuksessa tiimin suoriutuminen analyyttisistä tehtävistä parani, kun tiimin ihmiset puhuivat keskenään negatiivisista tunteista. Negatiivisten tunteiden on todettu vaikuttavat suotuisasti myös esimerkiksi arviointikykyyn ja muistin tarkkuuteen.

Työssä syntyy paljon tunnehukkaa, jos tunteita ei osata hyödyntää. Jotta tunteita ja erityisesti negatiivisiksi koettuja tunteita voitaisiin paremmin hyödyntää työelämässä, tulisi tietoisuutta työntekijöiden tunteista kehittää. Tietoisuutta on korostettu esimerkiksi edellytyksenä sille, että negatiivinen mieliala voisi vaikuttaa suotuisasti luovuuteen.  Kun työntekijät ovat selvillä tunteistaan, tehdystä työstä saa tunnustusta ja luovuutta arvostetaan, negatiiviset tunteet kannustavat ajattelemaan kriittisemmin ja muodostamaan uusia ja hyödyllisiä ideoita.

Miten sitten tietoisuutta työntekijöiden tunteista ja niiden vaikutuksista voi kehittää ja seurata? Yksi (varsin insinöörimäinen) tapa on lähteä tunnistamaan ja nimeämään tunteita erilaisia mittareita ja teknologisia sovelluksia käyttäen. Nemo-hankkeen tapaustutkimuksessa testattiin kolmenlaisia tunnemittareita: 1) seurattiin viikoittain työyhteisön yhteisiä sekä työntekijöiden omia tunne- ja suorituskykykäyriä Celkee Insight -palvelun avulla, 2) analysoitiin päivittäistä tunneintensiteetin vaihtelua ihon sähkönjohtavuutta mittaavan Moodmetric -sormuksen avulla ja 3) kirjattiin erillisiä tunteita ja niiden voimakkuutta Emotion Tracker -palvelun kautta. Tapaustutkimuksen tarkempi analysointi ja raportointi on vielä kesken, mutta nostamme tässä esiin muutamia havaintoja. Yhden työviikon aikana yhdeksän työntekijää raportoi yhteensä yli 300 tunnetta, joista yleisimmät olivat tuottava, iloinen ja motivoitunut. Kymmenen yleisimmän tunteen joukossa olivat myös pettymyksen ja turhautumisen tunteet. Kaikista raportoiduista tunteista 70% oli positiivisia ja 30% negatiivisia. Negatiivisista tunteista puolestaan suurin osa oli niin sanottuja aktiivisia tunteita.

Viikoittaisen seurannan avulla kerättiin puolestaan noin 300 päivittäistä kokemusta tunteista, aikaansaamisesta ja suorituskyvystä työpäivän loputtua. Nämä havainnot jaoteltiin neljään ryhmään mielihyvän ja energiatason mukaan ja vertailtiin ryhmien suoriutumiskokemuksia. Tyypillisesti aikaansaaminen ja suorituskyky eri ryhmissä koettiin kohtalaiseksi. Suurimman ryhmän muodostivat päivittäiset kokemukset, joissa yhdistyi ‘miellyttävä aktiivisuus’ (65%). Tässä ryhmässä  aikaansaaminen koettiin korkeaksi (37% vastauksista). Selkeästi pienempi ryhmä puolestaan muodostui vastauksista ‘epämiellyttävä aktiivisuus’ (7%), mutta tässäkin ryhmässä jopa 30% raportoi aikaansaamisen olleen korkea.  Matalin aikaansaaminen (64% vastauksista) ja suoriutuminen (80% vastauksista) raportoitiin silloin, kuin koettiin epämiellyttävää epäaktiivisuutta työpäivän aikana. Tämä ryhmä koostui viidesosasta päivittäisiä havaintoja.

Työntekijöiden tunteiden mittaamiseen liittyy monia pelkoja. Tapaustutkimuksemme perusteella suosittelisimmekin, että mittaaminen tulisikin toteuttaa ‘isoveli valvoo’ -asenteen sijaan yrityksen tarjoamana palveluna. Tunteiden mittaamisessa datan hyödyntämisen käyttäjäryhmä on eri. Perinteisiin vuosittaisiin työhyvinvointikyselyihin verrattuna mittaamisen tarkoitus ja tavoitteet siis selvästi muuttuvat - mittausta ei tehdäkään enää johtoa varten vaan työntekijää itseä varten. Mittaustulokset ovat henkilökohtaisia ja vastuu tulosten analysoimisesta ja toiminnan kehittämisestä annetaan enemmän yksilöille ja tiimeille.

Luonnostaan ilmenevillä päivittäisillä negatiivisilla tunteilla voi olla hyviäkin lopputuloksia ja energisoiva voima, kunhan ne eivät pitkity ja jää vallitsevaksi mielialaksi. Jotta negatiivisista tunteista voisi olla hyötyä, tulee ne ensin tiedostaa. Tunteiden hyödyntämiseen ei kuitenkaan ole olemassa oikotietä. Vaikka teknologia saattaa tehdä tunteista hyväksyttävämpiä tai ainakin helpommin lähestyttävämpiä työpaikoilla, ei pelkkä tunnedatan keruu riitä. Tarvitaan myös työntekijöiden omaa tulkintaa ja reflektointia tunteiden vaikutuksesta, keinoja ja tukea käsitellä asioista työpaikalla sekä halukkuutta muuttaa ajattelua ja käyttäytymistä. Hyödyllinen keino tunteiden käsittelyyn on esimerkiksi tarjota valmennusta ja harjoittelua tietoisuustaitojen kehittämiseen.

Mitataanko sinun yrityksessäsi tunteita?

Maiju Vuolle 

Tutkijatohtori, TkT

Tampereen teknillinen yliopisto

Tietojohtamisen tutkimuskeskus Novi

maiju.vuolle@tut.fi

Johanna Lintinen 
Tutkimusapulainen
Tampereen teknillinen yliopisto

NEMO-hankkeessa etsitään vastausta kysymykseen: miten ristiriitaisia ja negatiivisia tunteita voidaan hyödyntää eettisesti kestävällä tavalla asiakaskokemusten ja työilmapiirin parantamisessa, yhteiskuntavastuun viestimisessä sekä kasvun, innovaatioiden ja jopa uusien liiketoimintamallien lähteenä?