Elämme datan ja ennakoinnin aikakautta, jossa mm. tiedolla johtaminen on noussut kaikilla aloilla huippuunsa. Organisaatioissa on BI-alustat, laskemme tekoälyn avulla ennakointia asioiden kehityksestä ja politiikassa tehdään päätöksiä erilaisten ennakointimallien pohjalta. Organisatorisen päätöksenteon lisäksi globaalit muutokset vaativat uudenlaista ennakointia, joka kaikki perustuu datan hyödyntämiseen.
Data ja erilaiset matemaattiset mallit ovat nousseet kriittiseen rooliin maailman tapahtumien ennakoinnissa. Tämän voimme nähdä niin Covid-pandemian, taloudellisen kriisin kuin ilmastonmuutoksenkin osalta, samoin ympäri maailmaa erilaisten organisaatioiden ennakoinneissa sekä päätöksentekoprosessien tukena. Näin ollen koko yhteiskunnan on tärkeää ymmärtää dataa, matemaattisia malleja ja niiden toimintaa.
Nykyisessä datayhteiskunnassa toimintaa ohjaavien politiikkojen tulee perustua keskeiseen tilastollisen datan antamaan tietoon yhteiskunnan tilanteesta. Data on siten välttämätön työkalu, kun tehdään tietoon pohjautuvaa yhteiskunnallista päätöksentekoa. Tätä kutsutaan todistusaineisto-käänteeksi politiikassa (evidence-turn) (vrt. Umbach 2022; Engel 2017).
Datasta on tullut kollektiivista poliittista toimintaa. Se mittaa sosiaalista todellisuutta ja tarjoaa ymmärrystä yhteiskunnallisista kehityskuluista ja pystyy tarjoamaan parempaa tietopohjaa yhteiskunnallisten käytäntöjen suunnitteluun. Datalla mitataan myös käytäntöjen toimintaa ja niiden hyödyllisyyttä. Sitä hyödynnetään yhteiskunnallisen toiminnan perusteluina, neuvottelun välineenä ja preferenssien asettamisessa.
Tätä varjostaa kuitenkin post-totuudellinen politiikan kyseenalaistaminen ja intressiohjautuva politiikan teko, jolloin politiikan toimijoiden (poliitikot, virkamiehet jne.) tulee osata argumentoida oikein ja legitiimisti datan perusteella. Heidän tulee osata käyttää argumentoinnissaan läpinäkyvästi luotua, luotettavaa ja kansalaisten saatavissa olevaa dataa. Datastakin tulee tehdä tarkastelun kohde, koska sillä on paljon valtaa yhteiskunnassamme.
Datanlukutaito on eri asia kuin informaatiolukutaito
Data on kaikkialla hyödynnettyä resurssia, mutta jotta kansalaiset ja yhteiskunta kokonaisuudessaan pystyisi hyödyntämään sitä mahdollisimman tehokkaasti, tarvitaan datanlukutaitoa. Datanlukutaito voidaan määritellä kyvyksi lukea, kirjoittaa, tarkastella kriittisesti, kommunikoida ja luoda lisäarvoa datasta ja informaatiosta erilaisissa konteksteissa. Käytännössä se on sitä, että ihminen on kykenevä arvioimaan esitetyn datan ja informaation luotettavuutta eri tahoilla, kuten mediassa tai työelämässä ja arjen eri tilanteissa. (Soininen 2023.)
Usein datanlukutaito sisällytetään informaatiolukutaitoon tai jopa medialukutaitoon. Informaatiolukutaito käsittelee tiedon lajeja laaja-alaisesti. Sen avulla pyritään arvioimaan tiedon luotettavuutta ja merkitystä. (Vrt. Hannigan, Garry, Byrne ja Phelan 2023.) Informaatiolukutaitoinen ihminen tarvitsee teknisten taitojen lisäksi kykyä analysoida omaa informaatioympäristöään. Tässä informaatioksi käsitetään monimuotoinen tieto, jota yhteiskunnassa on olemassa: media, tietokannat, markkinointi, tieteellinen tieto, mutta myös sosiaalinen ja kulttuurinen, sekä hiljainen ja jopa fyysinen, kokemuksellisuuden kautta muodostuva, tieto. Informaatiolukutaitoinen henkilö on tietoinen siitä, miten tietoa luodaan, välitetään, kontrolloidaan ja miten sekä mistä sitä löytyy. Hän tunnistaa tekniset muutokset ympärillään ja tuntee oman informaatiotaloutensa (esim. lait, muutokset mediassa, hinnat) sekä tunnistaa omat informaatiopäämääränsä. Hän ymmärtää myös informaation kontekstuaalisen luonteen suhteessa hänen omiin informaation hyödyntämisen tarpeisiinsa ja käytänteisiinsä. (Hakala & Lahtinen 2014.)
Gray, Gerliz ja Bounegru (2018) viittaavat datanlukutaidon päällekkäisyyteen tilastollisen lukutaidon kanssa, mutta kuitenkin siten, että datanlukutaito on laajempi käsite. Datanlukutaitoon sisältyy kriittinen ajattelu, eettisten dataan pohjaavien päätösten tekeminen, ja se käsittää luottamuksen dataan ja yhteiskuntaan kokonaisuutenaan. Itse katsoisin, että datanlukutaito sijaitsee informaatiolukutaidon ja tilastollisen lukutaidon välimaastossa. Datanlukutaidossa korostetaan laskennallisesta datasta tilastollisesti ja matemaattisesti muodostetun informaation ymmärrystä ja sen soveltamista käytäntöön. Tässä tulee ymmärtää taustalla oleva data, sekä sille tehtyjen laskennallisten analyysien merkitys tiedon muodostuksessa, mutta myös se, mitä näin tuotettu informaatio tosiasiassa kertoo todellisuudesta. Laskennallisesti muodostetun informaation taustalla olevat tekijät vaikuttavat huomattavasti siihen, millaisissa tilanteissa tuota tietoa voi soveltaa.
Näin ymmärrettynä datanlukutaitoiset ihmiset pystyvät arvioimaan esimerkiksi politiikassa tai muualla yhteiskunnassa esitettyä laskennallista informaatiota ja sen luotettavuutta. Kansalaistaitona ymmärrettynä datanlukutaito nostaakin nopeasti esiin datan avoimuuden, jotta suuri yleisö pystyy arvioimaan informaation luotettavuutta ensikädessä. Organisatorisessa päätöksenteossa ja toiminnassa datanlukutaito viittaa siihen, että henkilöstö pystyy tekemään oman työskentelynsä osalta relevantteja ja oikeita päätöksiä sekä ohjaamaan omaa toimintaansa tämän informaation avulla.
Datanlukutaidon opettamisen mahdollisuudet
Koulussa opimme lukemaan kriittisesti ja reflektoimaan kirjoitettua ja puhuttua tekstiä, kuten kirjallisuutta, mediaa ja nauhoitteita. Meistä tulee tekstin ja median lukutaidon osaajia. Dataan erikoistuneen lukutaidon oppimisessa on kuitenkin toisenlainen tilanne. Tilastolaskennan perusteet, kuten jakaumat, prosentit ja graafien lukeminen, opitaan matematiikan kautta ja medialukutaidon opetuksessa voidaan käsitellä graafien tulkintaa. Datanlukutaidosta tehty tutkimus kuitenkin osoittaa suuria puutteita koululaisten ja opiskelijoiden datan ymmärryksessä.
Critical-hankkeen alustavien tulosten mukaan näyttää siltä, että vaikka nuoret osaavat hakea diagrammeista yksittäisiä arvoja, suurin osa ei osaa tulkita harhaanjohtavia diagrammeja. Tulkintataidoissa on myös hälyttävän suuria eroja. Lisäksi alustavien havaintojen mukaan oppimateriaaleissa on diagrammien (kriittiseen) lukemiseen ja tulkintaan liittyviä sisältöjä melko vähän. (Kiili 2023.)
Kansainvälisesti esimerkiksi toisen asteen opiskelijoiden ymmärrys datasta rajoittuu kyselytutkimuksen perusteiden ymmärrykseen, kokeellisista tutkimusasetelmista syntyvään dataan, tai yleensäkin graafeihin ja taulukkoihin. (Bowler et al., 2017; Gebre, 2018). Tällainen kapea ajattelu ja kritiikitön suhtautuminen rajoittaa opiskelijoiden mahdollisuuksia ymmärtää ja lukea sekä hyödyntää dataa nykyisessä dataintensiivisessä yhteiskunnassa. (Gould 2017).
Tutkimusten mukaan datanlukutaidon opetus korkeakouluissa perustuu pääasiassa olemassa oleviin opetuksen teorioihin ja pedagogioihin. Puuttuu empiiristä tutkimusta datanlukutaidon opetuksen erityispiirteistä. Yksi suurimpia ongelmia on määrittelyongelmat siitä, mitä osaamisaloja datanlukutaito sisältää. (Ghodoosi et al 2023) Datanlukutaito on huomattavasti enemmän kuin standardisoidut testit. Siihen kuuluu informaation ja datan formatiivista sekä hyötynäkökulmien arviointia ja kyvykkyyttä. (Datnow & Hubbard 2016.)
Tuleekin kiinnittää huomiota datanlukutaidon opetukseen niin perusasteella kuin ylemmillä koulutusasteilla ja muussa osaamisessa. Tarvitsemme datalukutaitoisia työntekijöitä ja kansalaisia. Meidän tulisi ymmärtää paremmin datanlukutaidon opetusta ja osaamista neljässä eri kategoriassa: 1) erilaiset vaatimukset tilastollisessa ymmärryksessä eri koulutusasteilla ja erilaisilla kohderyhmillä, 2) datanlukutaidon määritelmät ja osaamisalat, 3) arvioinnin tavat, tyypit ja muodot ja 4) todistusaineiston (lähteiden ja perusteluiden) luotettavuuden ja validisuuden arviointi. (Vrt. Cui et Al 2023.) Lisäisin tähän listaan vielä dataan perustuvan informaation tulkinnan konteksteineen, mitä haluamme saada tietää datalta ja miksi?
Lopuksi
Data voi olla monelle epämiellyttävä tai jopa pelottava aihe. Ihmiset muistavat kouluajat ja matematiikan opettelun, joka saattoi tuntua hankalalta tai epämukavalta. Datanlukutaito ei kuitenkaan ole edistynyttä matematiikkaa. Se auttaa maailman ymmärtämisessä ja päätösten teossa, juuri niiden asioiden hallinnassa, joita arkielämässämme joka tapauksessa tehdään. Pitää vain auttaa ihmisiä näkemään, milloin he tekevät datavetoisia päätöksiä ja päätelmiä, ja näin syventää data-ajattelua askel askeleelta.
Kaikenlaisen datan – big datan, organisaatioiden datan, avoimen datan ja muun datan – hyödyntämiseen ja peruskäyttöön tarvitaan monia taitoja ja osaamisia, jotka tulee yhdistää datan tulkintaan ja hyödyntämiseen. Tätä taitojen kokonaisuutta voidaan kutsua datanlukutaidoksi. Nämä taidot ovat muutakin kuin matemaattisen tilastolaskennan perusteita. Keskeiseksi nousee jokaisen henkilökohtainen suhtautuminen dataan ja sen tuottamaan tietoon.
Taidot, jotka sisältyvät datanlukutaitoon, ovat mm. perustilastollisten lukujen ymmärrys, lähdekritiikki ja lähteiden suhteuttamiskyky, analyysitaidot sekä tulkinnan osaaminen. Näiden kaikkien taitojen perusteella datanlukutaitoiset kansalaiset ja ihmisryhmät pystyvät edistämään kriittistä ymmärrystä datan muodostamista valta-asetelmista ja datasta itsestään. Heistä tulee kykeneviä toimimaan täysivaltaisina datakansalaisina.
Asiasta kiinnostuneille: The Business Impact of a Data-Literate Workforce
Kirjoittaja:
Tiina Soininen, lehtori, Karelia-ammattikorkeakoulu
Lähteet:
Bowler, L., Acker, A., Jeng, W., & Chi, Y. (2017). “It lives all around us”: Aspects of data literacy in teen’s lives. Proceedings of the Association for Information Science and Technology, 54, 27– 35. https://doi.org/10.1002/pra2.2017.14505401004
Cui, Y., Chen, F., Lutsyk, A., Leighton, J. P., Cutumisu, M. (2023). Data literacy assessments: a systematic literature review. Assessment in Education: Principles, Policy & Practice. Vol 30, 2023. Issue 1. PP. 76-96.
Datnow, A. & Hubbard, L. (2016). Teacher capacity for and beliefs about data-driven decision making: A literature review of international research. Journal of Educational Change, 17(1), 7-28. doi: 10.1007/s10833-015-9264-2
Engel, J. (2022). Statistical Literacy for Active Citizenship: A Call for Data Science Education. Statistics Education Research Journal. 16(1): 44-49. doi: 10.52041/serj.v16i1.213.
Gartner (2025). Gartner Forecasts Worldwide IT Spending to Grow 9.8% in 2025.STAMFORD, Conn., January 21, 2025. Gartner Forecasts Worldwide IT Spending to Grow 9.8% in 2025. Luettu 28.3.2025.
Gebre, E. (2018). Young Adults’ Understanding and Use of Data: Insights for Fostering Secondary School Students’ Data Literacy. Canadian Journal of Science, Mathematics and Technology Education Vol 18.
Ghodoosi, B., West, T., Li, Q., Torrisi-Steele, G., Dey, S. (2023). A systematic literature review of data literacy education. Journal of Business & Finance Librarionship. Vol 28. Issue 2. Ss. 112-127.
Gould, R. (2017). Data literacy is statistical literacy. Statistics Education Research Journal, 16(1), 22–25.
Gray, J., Gerlitz, C., Bounegru, L. (2018). Data infrastructure literacy. Big Data & Society. 2018 Jul; 5(2). https://doi.org/10.1177%2F2053951718786316.
Hakala, H. & Lahtinen, H. (2014). Informaatiolukutaidon monet kasvot. Signum 1/2014. https://journal.fi/signum/article/view/41397/10569
Hannigan, A., Garry, F., Byrne, C., Phelan, H. (2023). The role of the arts in enhancing data literacy: A scoping review protocol. PLoS ONE 18(2): e0281749. https://doi.org/10.1371/journal.pone.0281749
Kiili, K. (2023). Tilastoilla ja diagrammeilla voidaan johtaa harhaan. Mediakasvatusseura, puheenvuoro 4.5.2023. http://mediakasvatus.fi/puheenvuoro/2023/05/tilastoilla-ja-diagrammeilla-voidaan-johtaa-harhaan Luettu 28.3.2025.
Soininen, T. (2023): Tiedolla johtamisen osaaminen osana sosiaalialan ammatillista työnkuvaa ja taitoa. Pulssi-portaali 5.12.2023. Karelia-ammattikorkeakoulu. https://www.karelia.fi/2023/12/sosiaalialan-opiskelijoiden-tiedolla-johtamisen-osaaminen-osana-ammatillista-tyonkuvaa/
Umbach, G. (2022). Statistical and data literacy in policy-making. Statistical Journal of the IAOS, Vol 38 (2022). Ss. 445–452 445. DOI 10.3233/SJI-220962