Lausuntojen esianalysointi ja koostaminen tekoälyn keinoin

Esitys aiheesta: "Lausuntojen esianalysointi ja koostaminen tekoälyn keinoin"— Esityksen transkriptio:

1 Lausuntojen esianalysointi ja koostaminen tekoälyn keinoin

2 Yleistä Toteutus: huhti-kesäkuu Tekninen toteutus Lingsoft
Projektiin osallistuu oikeusministeriön asiantuntijoiden lisäksi muutamia ministeriöin valmistelijoita

3 Tausta Lausuntomenettely on keskeinen osa hallinnon valmistelutyötä:
Sen avulla pyritään vahvistamaan päätöksenteon tarkoituksenmukaisuutta, avoimuutta ja hyväksyttävyyttä Pakollinen osa lainvalmisteluprosessia, joka on yksi valtion ydinprosesseista Lausuntomenettelyn toteutuminen laadukkaasti on sekä hallinnon että kansalaisyhteiskunnan etujen mukaista Oikeusministeriö pyrkii jatkuvasti kehittämään lausuntomenettelyä, esim. sähköisen palvelun lausuntopalvelu.fi toteutuksella. Palvelussa järjestettiin 2018 yli 200 lausuntokierrosta, jotka ovat keränneet yhteensä lähes lausuntoa Kaikki ministeriöt siirtyvät sähköiseen lausuntomenettelyyn viimeistään, kun valtioneuvoston VAHVA-asianhallintajärjestelmän yhteyteen luotava sähköinen lausuntomenettely korvaa lausuntopalvelun. Tällöin sähköisten lausuntopyyntöjen ja siten myös sähköisten lausuntojen määrä kasvaa merkittävästi lähivuosina.

4 Haasteet Lausuntomenettely on hyvän hallintotavan mukaisesti toteutettuna kuormittava prosessi, joka vie merkittävästi valmistelijoiden aikaa. Vaikka lausuntopalvelu tukee lausuntojen rakenteistamista, analysointivaatii edelleen suuren määrän manuaalista työtä Säädösvalmisteluhankkeissa saatu lausuntopalaute on myös kirjattava hankkeen asiakirjoihin. Nykyisellään lausuntopalaute kirjataan vaihtelevasti, eikä lausuntomenettelyn raportointiin ole yhtenäisiä käytäntöjä. Lausunnoista tulee laatia myös lausuntotiivistelmä. Lausuntoprosessi on myös hyvin aikasidonnainen, ja tiukat määräajat asettavat haasteita sekä lausunnon antajille että lausuntojen käsittelijöille. Lausunnot ja lausuntopalautteet ovat aihepiireiltään hyvin kirjavia

5 Tavoitteet Määritellään sähköiseen lausuntomenettelyyn soveltuvia tekstinanalysointi- ja prosessointityökaluja, joilla lausuntokierrosten aiheuttamaa kuormitusta valmisteluhankkeissa voitaisiin keventää. Pyritään luomaan yhtenäisempiä lausunto- ja raportointitapoja, jotka noudattavat annettuja ohjeistuksia ja tukevat aineiston käsittelyä. POC analysointimenetelmistä luonnollisen kielen analyysin keinoin, esimerkiksi esianalysoitu lausuntokooste valmistelijoiden käyttöön. Lausuntojen sisältämän tietosisällön saaminen nykyistä paremmin esille rikastamalla lausuntomateriaalia, jolloin myös niiden saatavuutta, löydettävyyttä ja vaikuttavuutta voitaisiin kehittää, tukien myös seuranta- ja raportointimahdollisuuksia.

6 Kysymyksiä Miten ja mitä prosessin haasteita voitaisiin ratkaista luonnollisen kielen analyysiteknologioiden avulla? Millä eri menetelmillä lausuntopalautteiden käsittelyn manuaalisia vaiheita voisi vähentää (esim. aihetiivistelmät, avustettu asiasanoitus, samankaltaisten lausuntojen tunnistaminen)? Millä eri menetelmillä lausuntopalautteen raportointia voisi yhtenäistää ja automatisoida? Millä eri menetelmillä lausuntotiivistelmien laatimista voisi avustaa tai automatisoida? Miten lausuntoaineistojen laatua voisi kehittää ja tiedon löydettävyyttä parantaa? Miten lausunnonantajia voisi ohjata tuottamaan yhteismitallisempia lausuntoja? Miten aiempien lausuntokierrosten aineistoja voitaisiin hyödyntää? Miten esim. semanttista yhteentoimivuutta voisi hyödyntää (esim. semanttinen Finlex)? Miten lausuntotiivistelmien kielellistä saavutettavuutta voisi kehittää? Luettavuus, ymmärrettävyys? Erikoisterminologian “tulkkaus” lukijoille? Monikielisyys? Miten lausuntojen vaikuttavuutta voisi todentaa? Onko aiempien kierrosten lausuntopalautteet otettu huomioon valmistelussa? Minkätyyppiset palautteet on huomioitu, minkätyyppiset ei?

7 Mittarit Kokeilun onnistumista ja yhteiskunnallisten vaikutusten realisoitumista arvioidaan seuraavasti: arvio esianalysoidun aineiston laadusta ja hyötypotentiaalista arvio automaation asteesta, eli kuinka lähelle julkaistavaa lausuntotiivistelmää päästään arvio tehokkuudesta, eli säästetystä ajasta

8 Projekti kesken, mutta Osoittanut jo tähän mennessä, mikä on realistista ja mikä taas ei Lausuntomassan hallintaa voidaan parantaa, mikä vähentää manuaalista työtä lausuntomassan käsittelyssä Tiivistelmien automatisointi mahdotonta, eli asiantuntijatyötä tarvitaan edelleen yhtä paljon kuin ennen Lopputuloksena selkeä näkemys mihin asti luonnollisen kielen analyysimenetelmillä voidaan nykyteknologialla päästä ja mitkä asiat ovat kriittisiä onnistumisen kannalta