Mitä uutta opiskelijat voivat tuoda teknologia-alojen ennakointiin?

Mitä uutta opiskelijat voivat tuoda teknologia-alojen ennakointiin?

Linda Nousiainen-Räihä tarkasteli harjoitustyö-artikkelissaan opiskelijaperspektiivistä meri- ja teknologiateollisuuden ennakointia ja erityisesti opiskelijoiden asemaa teknologia-alojen ennakoinnissa. Työssään hän yhdisteli perinteisen riskianalyysin menetelmään myös muita tulevaisuusperspektiivejä laajemman näkökulman saamiseksi.

Kriittinen tulevaisuudentutkimus ja riskianalyysi ovat tarkkanäköisiä tulokulmia. Ne tuovat uutta tietoa näkyviin tarkastelemalla tuntemattomia todennäköisyyksiä ja muuttujia. Molemmat auttavat meitä tekemään parempia päätöksiä ja näkemään laajemmin. Menetelmien perimmäinen tarkoitus on kerätä tietoa sieltä, mistä sitä ei muuten kerättäisi. Näin löydetään sellaista tietoa, jonka läsnäolosta emme olleet tietoisia.  Artikkelissa tarkastellaan juuri opiskelijoilta kerättävän tiedon potentiaalia teknologia-alojen ennakointihankkeiden kannalta, ja mitä erityistä tässä tiedon muodossa on.

Opiskelijoiden tulevaisuustieto on hajanaista, mutta kumuloitunutta ja sisältää kehittyviä ideoita

Opiskelijoiden tulevaisuustietoa tarkastellessa voidaan nähdä sen muotoutuvan opiskelijoille ominaisesta perspektiivistä ja koulutuksellisesta tiedosta. Tulevaisuustietoa hankittaessa yritykset, oppilaitokset ja alan toimijat ovat tärkeitä asiantuntijatahoja, joilta kerätä teknologia-alan ennakointitietoa. Opiskelijoiden hallitsema tulevaisuustieto eroaa muiden tahojen, kuten yritysten ja oppilaitosten hallitsemasta tiedosta, sillä siitä puuttuu asiantuntijataso. Data on siten laajempaa ja sisältää enemmän hajontaa.

Jos tarkastellaan opiskelijoiden ikäjakaumaa, voidaan todeta opiskelijoiden koostuvan suuremmaksi osaksi nuoremmista sukupolvista. Nuoren ikänsä ansiosta opiskelijoilla on käytössä edellisen sukupolven valmiiksi käsittelemä data, eli tiedoksi jalostunut informaatio. Uusi, kumuloitunut data odottaa prosessointia tiedoksi ja liittämistä jatkuvasti kumuloituvaan kollektiiviseen tietopilveemme. Opiskelijoilla on raakadataa, kehittyviä ideoita ja ajatuksia. Tulevaisuudentutkimuksellisesti ja riskienhallinnallisesti tarkasteltuna on todettava, että senkin datan jalostuessa tiedoksi todennäköisyydet villeille korteille ja hiljaisille signaaleille ovat olemassa.

Tulevaisuuspyörä osoittaa, että sekundäärikehälle nousee opiskelijoiden rooli teknologia-alan ennakoinnissa, muutos, käyttäytyminen ja arvot.

Tieto saadaan esiin vuorovaikutuksessa

Tietoa saadaan prosessoitua datasta vuorovaikutustilanteissa, joissa yksilöt reagoivat keskenään. Kun tietoa syntyy vuorovaikutuksessa, on merkittävää analysoida eri tasoja, jossa vuorovaikutusta tapahtuu, erityisesti ennakoinnissa. Oppilaitosten, tarkemmin niissä opiskelevien oppilaiden vuorovaikutuksen huomioiminen ennakonitihankkeissa tuo teknologiateollisuudelle uniikkia tietoa käytettäväksi. Nyt opiskeleva sukupolvi on vuorovaikutuksessa toistensa kanssa huomattavasti useammin digitaalisesti, kuin vanhemmat sukupolvet. Tietoa voidaan olettaa jalostuvan jo tavallisessa vuorovaikutuksessa. Ennakointihankkeissa voidaan katalysoida vuorovaikutusta ja kerätä sitä kautta tulevaisuustietoa opiskelijoiden hallitsemasta datasta.

Tulevaisuustiedon luotettavuutta lisää, kun siihen vaikuttavat tekijät kyetään tunnistamaan, sekä niiden vaikutusta voidaan arvioida (Masini 1993, 53). Kriittisen tulevaisuudentutkimuksen Causal Layered Analysis eli CLA (Aalto, Heikkilä, Keski-Pukkila, Mäki & Pöllänen 2022, 292) on työväline, jolla voidaan lisätä ennakointihankkeiden luotettavuutta. Menetelmä avaa vinoumia paljastamalla tutkimuksien kehyksiä, ja sitä kautta ratkaisujen ja vaihtoehtojen muotoutumista. Kokonaisuutta päästään paremmin hahmottamaan, kun kulmia on useita.

Opiskelijoiden hyödyntäminen joukkoistamalla voisi olla yksi työväline teknologiateollisuuden ennakointihankkeiden tulevaisuustiedon hankkimisessa. Eri joukkoistamismenetelmien avulla voitaisiin hyödyntää laajasti opiskelijoiden hallitsemaan tulevaisuustietoa. Opiskelijoiden huomioiminen ei ainoastaan teknologiateollisuuden ennakoinnissa, vaan minkä tahansa muunkin alan ennakoinnissa tuo sellaisen spesifin tiedon tason analyysin, joka lisää ennakointitutkimuksen luotettavuutta selkeästi.

Tutustu koko artikkeliin.

Vastaa

Sähköpostiosoitettasi ei julkaista.