Kuidas mõista andmestunud maailma. Anto Aasa, Mare Ainsaar, Mai Beilmann, Marju Himma Muischnek,

(muutuse sisu ja siht on suures joones ette teada), normatiivse struktuurse muutuse (muutus tuleneb reeglite ja struktuuride ümberkorraldamisest) kui ka avatud ja mobiliseeriva (eri osapooli hõlmava) muutuse elluviimisel.

      Andmete põhjal otsustamisel on palju eeliseid, nagu näiteks määramatuse vähendamine, suuremahuliste otsuste kiirendamine, tõhustamine ja ühetaolisuse tagamine (kui on eesmärgiks tagada võrdne kohtlemine). Teisalt kaasneb andmepõhise otsustamisega ka ohtusid. Nii tuleb alati arvestada, et andmepõhise otsustamise korral on tegemist väärtusotsusega, ükskõik millisel tasandil otsus tehakse (organisatsioon, poliitika, üksikisik). Samuti tuleb andmete põhjal otsustades olla ettevaatlik, et ei toimuks olemasolevate eelarvamuste ja kallutatuste tahtmatut kinnistamist ning et tehtud otsused ja nende aluseks olevad väärtused oleksid kõigile osapooltele selged ja arusaadavad, ehk siis algoritmide mõju peaks olema mõistetav nii otsust tegevale osapoolele kui ka sellele, kelle kohta see käib.

      Andmete põhjal otsustamise negatiivsete tagajärgede ennetamiseks ja positiivsete tulemusteni jõudmiseks soovitame lähtuda andmeõigluse printsiibist – sotsiaalse õigluse põhimõtete rakendamisest töös andmetega. Selliselt on andmeanalüütikul keskne roll oma töö hindamisel ning eri osapoolte õiguste ja vabaduste tagamisel, aga ka läbirääkijana eri huvisid ja väärtushinnanguid esindavate osapoolte vahel. Teisisõnu, inimese roll pole mitte ainult andmelahendusi (nt algoritme) luua, vaid ka algoritmi soovitatud otsuseid kriitiliselt hinnata. Edasisteks uuringuteks jäävad endiselt lahtised küsimused inimeste valikuvabaduste kohta. Muusikaplatvormid või Amazoni raamatusoovitused küll suunavad, kuid ei tee lõplikke valikuid – aga kui palju on vabadust näiteks riigi- või pangaametnikul, kui ta peab otsustama mõne teenuse sobivuse või laenu andmise üle? Kuidas see omakorda mõjutab inimest, kelle kohta otsus tehakse, ja tema valikuvabadust? Kui erasektoris saab katsetada teiste pakkujatega, siis avalikus sektoris üldjuhul mitte (kui just kodakondsust ei vaheta või omavalitsuse pakutava teenuse pärast teise linna ei koli).

      VIIDATUD KIRJANDUS

      Abubakar, A. M.; Elrehail, H.; Alatailat, M. A.; Elçi, A. 2019. Knowledge management, decision-making style and organizational performance. – Journal of Innovation and Knowledge 4, 2, 104–114.

      Armenakis, A. A.; Harris, S. G. 2009. Reflections: Our journey in organizational change research and practice. – Journal of Change Management 9, 2, 127–142.

      Awad, E.; Dsouza, S.; Kim, R.; Schulz, J.; Henrich, J.; Shariff, A.; Bonnefon, J.-F.; Rahwan, I. 2018. The Moral Machine experiment. – Nature 563, 7729, 59–64. https://doi.org/10.1038/s41586-018-0637-6.

      Balogun, J.; Johnson, G. 2005. From intended strategies to unintended outcomes: The impact of change recipient sensemaking. – Organization Studies 26,11, 1573–1601.

      Bansak, K.; Ferwerda, J.; Hainmueller, J.; Dillon, A.; Hangartner, D.; Lawrence, D.; Weinstein, J. 2018. Improving refugee integration through data-driven algorithmic assignment. – Science 359 (6373), 325–329. https://doi.org/10.1126/science.aao4408.

      Bartunek, J. M.; Rousseau, D. M., Rudolph, J. W.; DePalma, J. A. 2006. On the receiving end: Sensemaking, emotion, and assessments of an organizational change initiated by others. – The Journal of Applied Behavioral Science 42, 2, 182–206.

      Bednar, P.; Green, G. 2011. Same business same system? A critique of organization and the information systems process. – Journal of Organisational Transformation and Social Change 8, 2, 199–213.

      Beer, M.; Nohria, N. 2000. Cracking the code of change. – Harvard Business Review. https://hbr.org/2000/05/cracking-the-code-of-change.

      Bibri, S. E. 2018. Backcasting in futures studies: a synthesized scholarly and planning approach to strategic smart sustainable city development. – European Journal of Futures Research 6, 13, .

      Blalock, H. M. (ed.) 1974. Measurement in the social sciences: Theories and strategies. Chicago: Aldine.

      Bolhuis, E.; Schildkamp, K.; Voogt, J. 2016. Data-based decision making in teams: enablers and barriers. – Educational Research and Evaluation 22, 3/4, 213–233. doi:10.1080/13803611.2016.1247728.

      Bonhomme, M.; Markon, S.; Yoshida, C. 2018. Data analytics for improving public service delivery. – IEEE International Conference on Applied System Invention, 778–781.

      Bouckenooghe, D. 2010. Positioning change recipients’ attitudes toward change in the organizational change literature. – The Journal of Applied Behavioral Science 46,4, 500–531.

      Browne, L.; Rayner, S. 2015. Managing Leadership in University Reform: Data-Led Decision-Making, the Cost of Learning and Déjà Vu? – Educational Management Administration & Leadership 43, 2, 290–307.

      Bryman, A. 2015. Social research methods. 5th ed. Oxford University Press.

      Brynjolfsson, E.; Hitt, L. M.; Kim, H. H. 2011. Strength in numbers: How does data driven decision making affect firm performance. April 22, 2011. SSRN: http://papers.ssm.com/sol3/papers.cfm?abstract_id-1819486.

      Cagnin, C.; Havas, A.; Saritas, O. 2013. Future-oriented technology analysis: Its potential to address disruptive transformations. – Technological Forecasting and Social Change 80, 3, 379–560.

      Choi, M. 2011. Employees’ attitudes toward organizational change: A literature review. – Human Resource Management 50, 4, 479–500.

      Comuzzi, M.; Parhizkar, M. 2017. A methodology for enterprise systems post-implementation change management. – Industrial Management and Data Systems 117, 10, 2241–2262.

      Couldry, N.; Meijas, U. 2018. Data Colonialism: Rethinking Big Data’s Relation to the Contemporary Subject. – Television and New Media, 1–14.

      COVID-19 Community Mobility Report. https://www.gstatic.com/covid19/mobility/2020-03-29_EE_Mobility_Report_en.pdf (07.05.20).

      Creswell, J. W.; Creswell, J. D. 2018. Research Design: Qualitative, Quantitative, and Mixed Methods Approaches. 5th ed. Los Angeles: Sage.

      Dencik, L.; Hintz, A.; Redden, J.; Treré, E. 2019. Exploring Data Justice: Conceptions, Applications and Directions. – Information, Communication and Society 22, 7, 873–881. https://doi.org/10.1080/1369118X.2019.1606268.

      Drechsler, W. 2019. Kings and Indicators: Options for Governing Without Numbers. – M. J. Prutsch (ed.), Science, Numbers and Politics. Springer International Publishing, 227–262. https://doi.org/10.1007/978-3-030-11208-0_11.

      Drew, C. 2018. Design for data ethics: using service design approaches to operationalize ethical principles on four projects. – Philosophical Transactions, Series A: Mathematical, Physical, and Engineering Sciences, Sep 13, 376. doi:10.1098/rsta.2017.0353.

      Eubanks, V. 2018. Automating inequality: How high-tech tools profile, police, and punish the poor. 1st ed. St. Martin’s Press.

      Ferguson, A. G. 2017. The Rise of Big Data Policing: Surveillance, Race, and the Future of Law Enforcement. NYU Press.

      Fisher, C. B.; Anushko, A. E. 2012. Research ethics is social science. – P. Alasuutari, L. Bickman, J. Brown (eds.), The Sage Handbook of Social Research Methods. London: Sage, 95–110.

      Fox, J.; Gutenstein, M.; Khan, O.; South, M.; Thomson, R. 2015. OpenClinical.net: A platform for creating and sharing knowledge and promoting best practice in healthcare. – Computers in Industry 66, 63–72.

      Gates, A. J.; Wood, I. B., Hetrick, W. P.; Ahn, Y.-Y. 2019. Element-centric clustering comparison unifies overlaps and hierarchy. – Scientific Reports 9, 1, 1–13. https://doi.org/10.1038/s41598-019-44892-y.

      Grechuk,