Algoritmisen johtamisen vaikutukset sukupuolten väliseen tasa-arvoon työtehtävien jakamisessa

Abstract

Algoritmisen johtamisen hyödyntäminen lisääntyy nopeasti organisaatioissa ja algoritmeja käytetään yhä useammin työtehtävien jakamisen tukena. Algoritmien tavoitteena on tehostaa päätöksentekoa hyödyntämällä suuria tietomääriä ja tuottamalla johdonmukaisia ratkaisuja organisaatiolle. Samalla niiden käyttöön liittyy kysymyksiä päätöksenteon oikeudenmukaisuudesta.

Työn tarkoituksena oli selvittää, miten algoritmista johtamista hyödynnetään työtehtävien jakamisessa, millaisia vaikutuksia algoritmisella päätöksenteolla voi olla sukupuolten väliseen tasa-arvoon ja millä tavoin algoritmien vinoumia voidaan ehkäistä. Työ toteutettiin kirjallisuuskatsauksena hyödyntäen vertaisarvioituja tutkimusartikkeleita ja muuta tieteellistä kirjallisuutta.

Työn tulosten perusteella algoritmit voivat tukea työtehtävien jakamista ja tehostaa päätöksentekoa. Samalla kuitenkin havaittiin, että algoritmien päätökset eivät ole automaattisesti puolueettomia, sillä niiden toiminta perustuu käytettävään dataan ja järjestelmien suunnitteluun. Mikäli käytetty koulutusdata sisältää vinoumia, voivat ne siirtyä algoritmien päätöksiin ja vaikuttaa työntekijöiden saamiin työtehtäviin ja tätä kautta tasa-arvoon. Läpinäkyvyys, selitettävyys ja käytetyn datan arviointi voivat edistää sukupuolten välistä tasa-arvoa työtehtävien jakamisessa.

The use of algorithmic management is increasing in organizations, and algorithms are being used to support the allocation of work tasks. Their purpose is to improve decision-making by analyzing large amounts of data and producing consistent decisions for organizations. At the same time, their use raises concerns regarding the fairness of decision-making.

The purpose of this study was to examine how algorithmic management is utilized in work task allocation, what effects algorithmic decision-making may have on gender equality, and how algorithmic bias can be mitigated. The study was conducted as a literature review based on peer-reviewed scientific articles and other academic literature.

The findings indicate that algorithms can support the allocation of work tasks and improve the efficiency of decision-making. However, the results also show that algorithmic decisions are not automatically impartial, as they depend on the data used and the design of the system. If the training data contains biases, these biases may be transferred to algorithmic decisions and influence the work tasks assigned to employees, thereby affecting gender equality. The findings further suggest that transparency, explainability, and careful evaluation of training data can promote gender equality in the allocation of work tasks.