Välttämiskäyttäytyminen koneoppimismallien kehittämisessä

Abstract

Tämä Pro Gradu -tutkielma käsittelee välttämiskäyttäytymistä koneoppimismallien kehitystehtävissä. Tavoitteena oli kasvattaa ymmärrystä suorituskykykriittisissä työympäristöissä työskentelevien käyttäjien välttämismotivaatioon vaikuttavista tekijöistä Teknologiauhkien välttämisen teorian avulla. Tämä tutkielma vaikuttaa olevan teorian ensimmäinen koneoppimisen kontekstiin sijoittuva tutkimus, ja myös ensimmäinen, joka pyrkii mallintamaan käytetyn teorian muuttujia formatiivisesti. Empiirinen tutkimus toteutettiin strukturoidun kyselytutkimuksen avulla, johon vastasi 16 koneoppimismalleja työkseen kehittävää käyttäjää, ja kerätty aineisto analysoitiin kvantitatiivisin menetelmin. Varsinaiseen tutkimuskysymykseen tutkielma ei kyennyt tuottamaan luotettavaa vastausta, mutta teorian ja koneoppimisen tutkimuksen kehityksen kannalta tutkielma tuotti huomionarvoisia tutkimustuloksia. Indikaattorien formatiivinen mallinnustapa mahdollistaa muuttujan konseptuaalisen kentän kuvaamisen kattavasti, mikä on tärkeää, kun muuttuja toimii osana välttämiskäyttäytymisen kaltaista kompleksista prosessia. Ollessaan aihepiirinsä ensimmäinen tutkimus, tämä tutkielma toimii myös lähtöpisteenä käyttäjälähtöisen koneoppimisen tutkimukselle sekä esittää Teknologiauhkien välttämisen teorialle uuden formatiivista mallinnustapaa hyödyntävän tutkimushaaran.

This Master’s Thesis studies user avoidance behavior in the context of Machine Learning model development. The goal was to increase understanding about the factors affecting avoidance motivation of users working in performance critical environments with the help of Technology Threat Avoidance Theory. This thesis appears to be the first research of the theory to attempt modeling the latent factors formatively. Empirical research was conducted as a structured questionnaire, to which 16 answers were collected from users developing Machine Learning models as a part of their work. The data collected was analyzed with quantitative methods. The thesis failed to provide an answer to the initial research question, but from the perspective of the theory and Machine Learning research, meaningful findings were produced. Formative variable modelling approach allows the latent variable’s conceptual domain to be covered comprehensively, which is important, when the variables of interest act as a part of a complex process such as user avoidance behavior. Being the first study of its kind, this thesis offers a starting point to user-focused Machine Learning research and presents the Technology Threat Avoidance Theory a new branch that utilizes formative modelling approach.