Suomessakin
toukokuisia iltapäivälehtiä myydään lukiovertailuilla, joissa on laskettu miten
eri lukioiden opiskelijat keskimäärin menestyvät ylioppilaskirjoituksissa. Aika
yleisesti sentään tiedetään, että moinen on epäreilu mittari lukioiden opetuksen laadulle: koulu voi tarjota tasokasta opetusta, mutta
jos tulijoiden lähtötaso on heikko, he tuskin kirjoittavat erityisen
loistokkaasti. Astetta reilummassa vertailussa otetaankin huomioon opiskelijoiden lähtötaso. Jos lukioon tullaan keskimäärin varsin heikoilla todistuksilla,
mutta ylioppilaskirjoituksissa menestytään keskitasoisesti, opetus on ollut
erinomaista – sehän näyttäisi nostaneen opiskelijoita lähtötasoltaan. Nopeasti ajatellen
kuulostaa ihan pätevältä. Mutta kannattaa malttaa mielensä ja ajatella hitaammin.
Cathy O´Neil
(2016) kertoo kirjassaan Matikkatuhoaseet, miten Washington D.C:n uusi pormestari halusi vuonna 2007 eroon
kaikista huonoista opettajista. Niinpä yläasteen opettajat saivat arvosanan sen mukaan nousivatko heidän opiskelijoidensa numerot lähtötasosta vai tuliko laskua. Idea ei ole aivan niin pöhkö miltä kuulostaa, sillä varsinkin matematiikassa
ja kielissä oli käytössä aika hyviä valmiita kokeita - opettajan lempeys
tai ankaruus kokeiden tarkastajana ei siis päässyt olennaisesti vaikuttamaan
tulokseen. Jos opiskelijoiden taso oli lukuvuoden aikana suhteellisesti
heikentynyt, opettaja sai potkut ja parempia palkattiin tilalle. Lopputulemana pitäisi loogisesti olla pelkästään erinomaisia
opettajia ja lasten oppimistulokset olisivat muutaman vuoden päästä huikeita. Näin ei tietenkään
käynyt.
Aluksi paljastui
erikoisia yksittäistapauksia: huonon arvion takia annettiin potkuja joillekin
opettajille, joiden opiskelijat olivat ennen menestyneet aivan hyvin ja joita
yleisesti pidettiin hyvinä opettajina – ja jotka varsin nopeasti saivat uuden
työpaikan yksityisistä kouluista. Osa potkut saaneista opettajista yritti saada tarkempaa
tietoa, miten heidän surkea tuloksensa oli laskettu. Paljastui, etteivät edes
irtisanomisia tehneet rehtorit tunteneet mallia yksityiskohtaisesti. Vastaus
oli – se on konsulttiyhtiön kehittelemää korkeaa matematiikkaa, et ymmärtäisi
sitä. Onneksi matemaatikotkin kiinnostuivat asiasta ja alkoivat tutkia sitä.
Paljastui, että mallin ongelmat eivät rajoittuneet vain joihinkin epäonnekkaisiin yksityistapauksiin. Oli erittäin
tyypillistä, että samalle opettajalle saatiin hyvin erilaisia lukuja eri vuosina.
Sama opettaja saattoi saada 7. luokkalaisten numeroiden perusteella surkeat
arvosanat ja 8. luokkalaisten kohdalla erinomaiset. Data oli siis erittäin kohinaista. Eikä ihme! Kuten kuka tahansa opettaja
tai opiskelija voi kertoa – opiskelijoiden tulokset johtuvat kovin monista seikoista,
opettajan ammattitaito on niistä vain yksi.
Neil näkee
tarinassa muutaman tyypillisen tavan väärinkäyttää matematiikkaa: 1)
Arveluttavat päätökset naamioidaan mukamas neutraalin algoritmin ja
liikesalaisuuden taakse, eikä päätöksen uhri saa tietää päätöksen perusteluja. 2)
Malli otetaan käyttöön aivan liian aikaisin, eikä mallia hiota. Neil vertaa
kouluarviointeja baseball seurojen tapaan kerätä tietoja arvokkaista pelaajista – siellä tietoa
kerätään jatkuvasti, ja algoritmia parannellaan koko ajan, kun sen huomataan tekevän
virheitä. Tällöin lopputulemana on - vuosien päästä - aika hyvä, tehokas ja reiluhko malli. 3) Mittaustavat voivat luoda vääristäviä kierteitä: Amerikassa paljastui, että
potkuja pelänneet ala-asteen opettajat olivat huijanneet – he olivat
parannelleet oppilaidensa vastauksia, jolloin nämä saivat ala-asteelta
lähtiessään liian hyvän tuloksen. Tämä johti taas siihen, että yläasteen
opettajista parhaallakaan ei ollut mahdollisuuksia pitää tuloksia edes samalla
tasolla (paitsi ehkä turvautumalla samaan huijaustrategiaan).
Erityistä huomiota kannattaakin kiinnittää siihen, millaisia ohjausvaikutuksia mittauksilla ja malleilla on. Pitää tunnistaa myrkyllisiä palautekierteitä. Sellainen syntyi Yhdysvalloissa esimerkiksi, kun U.S.News alkoi laittaa eri
collageja paremmuusjärjestykseen. Iso osa mittaria oli se, paljonko opinahjosta valmistuneet olivat valmiita lahjoittamaan rahaa koululleen ja kuinka
korkealle he sitä arvostivat. Listan laatijat korostavat ylpeinä, että mittari
on pakottanut collaget parantamaan palvelujaan ja ottamaan opiskelijat
vakavasti. Tämä onkin totta, mutta samalla oppilaitokset ovat myös alkaneet pelata listalla: tehdä paljon asioita vain, jotta asema suhteessa muihin opinahjoihin paranisi.
Voidaan tietenkin satsata fiksusti opetukseen ja opintojen-ohjaukseen, mutta myös
hulppeisiin tiloihin, jalkapalloseuroihin tms. Voidaan myös temppuilla
valintakoejärjetelyillä. Suurin ongelma on, ettei lista huomioi lainkaan koulutuksen
hintaa. Menestyäkseen listalla collagen kannattaa kerätä ja kuluttaa
hulluna rahaa, se nostaa arvostuspisteitä ja tuo hyviä opiskelijoita. Samalla opintojen hinta on
noussut taivaisiin.
Vaan entä
köyhät? He ovat erityisen haavoittuvia matematiikan väärinkäytölle ja netin saalistaja-algoritmeille. He
paljastavat haavoittuvuutensa ja epätoivonsa esim. klikkaamalla auki sivustoja, jotka on suunniteltu houkuttamaan talousahdingossa kärvisteleviä ihmisiä. Saalistaja-algoritmi "haistaa verta" ja lähettää lisää syöttejä näiden ihmisten facebook syötteeseen. Eräs paljon käytetty ansa on valheellinen työpaikkailmoitus, jossa luvataan apua ruokakorttien saamisessa - ilmoitus houkuttaa kaikkein haavoittuvampia ja epätoivoisempia.
Jos he laittavat hakemukseen puhelinumeronsa, he saavat jonkin ajan päästä
puhelisoiton, joka tarjoaa pikalainaa tai lainarahoitteisen opiskelupaikan ns. voittoa tuottavassa
yliopistossa. Kyseisissä opinahjoissa suoritettu tutkinto ei yleensä ole juuri
minkään arvoinen työmarkkinoilla, ja se jättää opiskelijalle lähinnä kirvelevän opintovelan. Kuvaavaa on,
että eräs tällainen opinahjo käytti 2225 dollaria per opiskelija
markkinointiin ja 892 dollaria opetukseen. Oikeissa opinahjoissa luvut ovat
sentään toisin päin.
Neil kertoo
lukuisia esimerkkejä matematiikan väärinkäytöstä: pörssikeinottelusta,
sairausvakuutusten tai autovakuutusten epäreilusta hinnottelusta (varallisuus
vähentää vakuutusmaksua enemmän kuin rikkeetön ajohistoria), oikeuslaitoksen
toiminnasta jne. Kirjaa lukiessa huomaa, että yhdysvaltalainen järjestelmä on
monin tavoin erilainen kuin pohjoismainen hyvinvointivaltio. Neilin kuvaamat suuraineistoalgortimit
ovat silti tulossa meillekin, ja hyvä niin. Monet matemaatikkojen keksinnöistä
tuottavat hyvinvointia, terveyttä ja reiluutta. Ehkä jopa pelastavat maailman ilmastonmuutokselta. Neil on matemaatikko ja
rakastaa matematiikkaa. Hän haluaa kuitenkin herätellä ihmisiä huomaamaan,
milloin matematiikkaa käytetään väärin.
Nykyhetken ennakkoluulot ja vääryydet
kirjautuvat helposti algoritmeihin ja jos algoritmejä ei saa avata (koska ovat
liikesalaisuus), vääryydet muuttuvat pysyviksi. Kuvitellaan esimerkiksi,
että hyperkonservatiivinen Fox yhtiö päättäisi luoda matemaattisen mallin rekrytoinnin tueksi.
Pohjaksi katsottaisiin, millaiset ihmiset ovat parhaiten menestyneet Fox –yhtiössä.
Malli havaitsisi, että juuri kukaan nainen tai värillinen ei ole yhtiössä
menestynyt, joten se keskittyisi etsimään kykyjä valkoihoisista miehistä. Malli
olisi ”evidence based”… se perustuisi suureen määrään havaintoja
siitä, millaiset ihmiset ovat yhtiössä menestyneet. Samalla se olisi tietenkin
myös epäreilu ja valheellinen – se sementoisi yhtiön syrjivät asenteet
liikesalaisuudeksi nimetyn algoritmin taakse.
Maailmassa
kerätään valtavasti tietoa ja sen hyödyntäminen on viisasta. Matematiikan ja
koneälyn avulla suuret tietomassat saadaan ehkä hallintaan ja tietomme
maailmasta kasvaa. Kansalaisten on kuitenkin syytä pysyä hereillä ja vaatia
avoimuutta. Ei ole syytä uskoa, jos päätösten perusteluksi tarjotaan, ”tämä on
matematiikkaa, et ymmärtäisi.” Palaneen käryä on ilmassa myös silloin, jos
kansalaisia koskevia päätöksiä ei voida avata, koska taustalla on
liikesalaisuus.