Riskihindamine – tuleviku prognoosimise vahend ja juhtumikorralduse alus
Riskihindamise tulemuste põhjal tehakse otsuseid, mis mõjutavad inimeste elu mitmel tasandil. Selleks kasutatav hindamisvahend peab olema usaldusväärne, tõhus, muutuste suhtes tundlik ja mugav kasutada. Oluline on, et kogutavad andmed oleksid kvaliteetsed ja neid osataks õigesti tõlgendada.
ohvriabi- ja ennetusteenuste osakonna ennetustalituse koordinaator, sotsiaalkindlustusamet
Sotsiaaltöötaja üks peamine ülesanne on prognoosida tulevikku. Sotsiaaltöös abistatakse inimesi sündmuste tagajärgedega tegelemisel, aga ennetatakse ka suurema abivajaduse teket (Sanders jt 2017). Seega peab sotsiaal(valdkonna)töötaja oskama ette näha, mis riskid võivad realiseeruda ja kuidas oleks võimalik neid maandada. Tutvustan lühidalt riskihindamises kasutatavaid mõisteid, töövahendite eesmärke ja olemust, töö põhimõtteid ning selgitan, mida peab arvesse võtma, kui juhtumikorralduses soovitakse kasutada riskihindamise vahendit.
Mis on risk, mida hinnatakse?
Risk on mingi sündmus, mis võib, kuid ei pruugi aset leida. Tõenäosus kujutab ette selle sündmuse toimumise võimalust. Riski tõenäosus peab jääma nullist kõrgemale, kuid 100%st madalamale. Kui tõenäosus oleks täpselt null, poleks tegu riskiga ja kui tõenäosus on täpselt 100, siis see pole ka enam oht, vaid kindlasti toimuv sündmus. Seega on risk midagi, mis võib-olla juhtub ning riskihindamisega püütakse välja selgitada, kui suur on selle juhtumise tõenäosus.
Näide. See, et inimene x kunagi ära sureb, ei ole risk, vaid kindel tõsiasi ja selle tõenäosust ei ole mõtet hinnata. Kuid see, kas inimene x sureb ära järgmise kahe aasta jooksul, enam nii kindel pole, kuigi risk selleks on olemas. Kui suur on see risk ja kas olukord nõuab sekkumist, see sõltub inimese toimetulekust (tervis jms) praegu ja meie võimekusest või vajadusest teda abistada.
Sotsiaaltöös me enamasti ei prognoosi nii radikaalselt, vaid pigem püüame ette näha muid elusündmusi: töötuks jäämise riski, laste riski koolist välja langeda, sõltuvuse kujunemist jms. Arstid püüavad ennustada mõne haiguse tekke võimalust või olemasoleva haiguse kulgu. Vanglad ja kohtud püüavad tuvastada inimese riski korduvkuriteo sooritamiseks jne.
Seega tegeleb iga inimeste abistamisega seotud valdkond mõne riski hindamisega ning selle riski suuruse kindlakstegemiseks on mitmeid viise alates subjektiivsest tunnetusest kuni põhjalike laboris tehtavate mõõtmisteni. Sellest, mida teada tahetakse saada, sõltuvad ka hindamise metoodika ja hindamise/analüüsi elluviija.
Miks on riskihindamist vaja?
Riskihindamine võimaldab selgitada välja, mis tegevusi on tarvis, et maandada negatiivse sündmuse tõenäosust. Kui ressursse (st aega, teenuseid, raha, inimesi jne) oleks piiramatul hulgal, siis me ei mõtlekski pikalt – annaksime kõigile maksimumi, hoolimata sellest, kas nad seda üldse vajavad või ei. Kuid selliseid võimalusi meil ei ole. Seepärast püüame olemasolevaid ressursse jagada nii, et need jõuaksid inimesteni, kes neid kõige rohkem vajavad (ja sellest ka kasu saavad). Seetõttu tulebki riske hinnata enne sekkumist.
Riskihindamise meetodid
Spetsialist võib ennustada riskide esinemise tõenäosust subjektiivse tunnetuse (nn kliinilise hinnangu) järgi, tuginedes oma teadmistele ja senisele kogemusele oma töövaldkonnas. Selline hindamise korraldus aga ei taga, et keegi teine hindaks sama inimest täpselt samamoodi ja abivajaja jääb paljuski sõltuma hindaja subjektiivsest arvamusest.
Teine võimalus on kasutada mõnda kindla struktuuriga algoritmidel(1) põhinevat riskihindamise töövahendit. See tagab, et inimese olukorda vaadeldakse tervikuna ja sama töövahendit kasutades saadakse sama riskiskoor sõltumata sellest, kes on hindaja (kui hindamine viiakse ellu korrektselt). Nii tekib ühine arusaam ja alus, mille abil erinevate inimeste abivajaduse ulatust hinnatakse ühe kindla sündmuse/riski osas. Seepärast on teadlaste (Baglivio ja Wolff 2019 ning Sturmey ja Lindsay 2017) arvates struktureeritud riskihindamise instrument levinud abivahend riskide ja vajaduste analüüsiks.
Struktureeritud hindamisvahendid on kasutusel olnud pea sada aastat (Zhang jt 2014) Neid täiendatakse pidevalt, et saavutada maksimaalne täpsus tuleviku prognoosimisel.
Esimesed põlvkonna riskihindamise vahendid põhinesid spetsialisti kliinilisel hinnangul. Teise põlvkonna hindamisvahendid kasutasid analüüsimiseks staatilisi tegureid(2), kolmanda põlvkonna omad tõid juurde dünaamilised riskid. Neljanda põlvkonna hindamisvahenditele lisandus juhtumikorraldus, mille abil riske maandada ja inimese ressursse tugevdada. Kõige uuemate ehk viienda põlvkonna vahendite hulka kuuluvad need, mis ei kasuta riski arvutamiseks enam regressioonianalüüsi, vaid keerukamaid analüüsimeetodeid, nt masinõpet. (Baglivio ja Wolf 2019).
Samad uurijad aga hoitavad, et kui välja jätta esimese põlvkonna riskihindamise vahendid, siis ei tasu teha lihtsustavat järeldust, et iga järgmise põlvkonna vahend on eelnevatest parem.
Nõuded tänapäevasele riskihindamise vahendile
- Korrektne hindamisvahend peab olema valideeritud ehk saanud kinnituse, et see tõepoolest mõõdab seda, milleks see on loodud.
- Hindamismeetodist olenemata on isegi olulisem hindamisvahendi prognoosivõime täpsus (Viljonen jt 2017, Baglivio ja Wolff 2019) ning see info peab olema avalik, st kasutajale teada. Arvesse tuleb võtta, et 100% täpsusega ei saa sotsiaalvaldkonnas midagi ennustada, sest inimesed ei ela laboris vaakumis ja nende tulevik sõltub paljudest muudestki näitajatest kui spetsialisti tegevus.
- Tänapäevastelt hindamisvahenditelt oodatakse suuremat tundlikkust ehk siis paremat muutuste tuvastamise võimet (Viljonen jt 2017). Riskihindamise vahendite valiidsust on palju uuritud. Vähe on aga vaadeldud, kui hästi on need võimelised hindama muutusi riske põhjustatavates tegurites. Muutuste hindamise võime on oluline, seda eriti just noorte puhul, sest nooruses toimuvad inimese elus väga suured muutused (Viljonen jt 2017). Samad teadlased eristavad hindamisvahenditel kolme liiki tundlikkust:
- sisemist – võime tuvastada muutusi kindla ajaperioodi vältel (näiteks enne ja pärast sekkumismeedet);
- välist – võime tuvastada, kas teatud asjaolude muutumine inimese elus muudab skoori tulemusi (nt uued sõbrad);
- relatiivset – võime tuvastada muutusi paremini kui teised mõõtmisvahendid.
- Riskihindamise vahend peab olema selge ja tõhus: spetsialist peab saama selle abil kiiresti läbi töötada väga erinevas mahus teavet. Näiteks korrektsioonis on riskihindamise töövahendite kasutamine laialt levinud (Zhang, Roberts ja Farabee: 2014, Sturmey ja Lindsay: 2017, Baglivio ja Wolff: 2019), sest hindamisvahend võimaldab kiiresti läbi töötada isiku kohta palju erisugust teavet, nt varasem kriminaalne käitumine, uimastite kuritarvitamine, haridus ja tööhõive staatus, hoiakud jms.
Neile neljale kriteeriumile lisan veel ühe:
- Hindamisvahendit peab olema mugav kasutada ja kasutaja eksimisvõimalused peavad olema viidud miinimumini. Töövahend peab spetsialisti tõesti abistama. Kui kuni kümnest küsimusest koosnevat hindamisvahendit saab veel kiiresti paberil täita, siis keerulisemate algoritmidega hindamisvahend vajab juba head digilahendust. Mida rohkem teineteisest sõltuvaid küsimusi (nt kui tarvitab narkootikume, siis milliseid, kui sagedasti jne), seda suurem on risk, et kasutaja võib eksida. Valesti kasutatud hindamisvahend annab vale tulemuse. See viib vale sekkumismeetmeni. Vale sekkumismeede ei too parimal juhul mingit kasu, kuid kehvemal juhul on see kahjulik.
Head riskihindamise digilahendust ei tasu võtta kui luksust, mida spetsialistil võib vaja minna. Eksimisvõimaluste minimeerimisele lisaks ei tasu tähelepanuta jätta ka korduvhindamisi. Kui Viljonen jt (2017) kõnelevad riskihindamise sisemisest ja välisest tundlikkusest, tähendab see, et pärast sekkumist teeb spetsialist teatud aja möödudes korduvhindamise. Selle käigus on vaja võrrelda saadud tulemusi eelmistega, et teada saada, kas sekkumine on olnud piisav. Seepärast olgu eelmiste riskihindamiste tulemused kergesti kättesaadavad, teatud staatilised faktorid (nt sünniaeg, sugu) eeltäidetud jne, ning muutused kahe tulemuse vahel arvutab programm.
Riskihindamise töömehhanism ja tulemuste tõlgendamine
Iga küsimustik, mille abil inimese olukorda hinnatakse, ei ole veel korrektne teadus- või tõenduspõhine hindamisvahend. Küsimustiku juures peab olema täitmise juhend (kuidas vastata skaala-küsimustele, milline valikvastustega kategooria valida jne). Riskihindamine peab alati lõppema teatud skooriga ning väljatöötaja peab lisama selgituse, kuidas saadud tulemust „lugeda”. Need juhised tagavadki, et kõik, kes seda hindamisvahendit kasutavad, saavad sama inimest sel ajaperioodil hinnates sarnase tulemuse.
Riskihindamise vahendite töömehhanism, nagu selgitavad Zhang jt (2014), seisneb selles, et algoritmide abil koondatakse teatud sarnaste omadustega üksikisikud rühmadeks ning igale rühmale koostatakse riskiprofiil (näiteks kõrge, keskmine või madal risk). Kuid grupirisk ei tähenda tegelikult üksikisiku riski ning teadlased (Vess jt 2017) on toonud välja mure: kas praktikud oskavad alati mõõtmistulemusi otsustajatele edasi anda. Kui riskihindamise tulemusi kasutatakse kohtusüsteemis, peavad istungit matemaatikud, mitte õigusmõistjad. Seega on riskihindamise tulemuste tõlgendamisel alati oluline meeles pidada, et risk on grupil, mitte kindlal inimesel ning tulemusi esitades tuleb vaadata ka hindamisvahendi prognoosivõimet.
Riskihindamise eetika
Riskihindamise tulemuste põhjal tehakse otsuseid, mis mõjutavad inimeste elu mitmel tasandil (nt millist abi inimesele antakse või kas inimesel tekkib õigus ennetähtaegsele vabastamisele). Seetõttu on oluline, et riskhindamisele seatakse kõrged eetilised standardid, millega ei riivata inimese inimõigusi.
Teadlased (Vess jt 2017) toovad välja, et sagedasti jätavad praktikud tähelepanuta selle, kas töövahend, mida nad kasutavad, on ka tegelikult kooskõlas kõigi teaduslike standarditega. Tähelepanu vajavad hindamisega kogutud andmete kvaliteet ja nende tõlgendamine. Valed andmed või andmete vale kasutamine viivad vale tulemuseni.
Kuid riskihindamise juures esineb veel üks probleem: hindamisvahendi väljatöötajad saavad sageli suurema valiidsusnäitaja kui edaspidised sama instrumendi kasutajad ja testijad. Zhang jt (2014) nimetavad seda nn truudusefektiks ning selgitavad nähtust sellega, et instrumendi arendajad on selle kasutamisel (haldamine ja hindamine) pädevamad või teevad põhjalikuma andmekogumise enne hindamist, mis tagab algoritmide maksimaalse mõju.
Sama efekt esineb nende sõnul ka psühholoogias, kui uudset vahendit või terapeutilist sekkumisviisi raskendatakse keskkonnas, mis erineb esialgsest olukorrast, sest siis võib oodata selle väiksemat mõju. Ehkki algoritmidel põhinev riskianalüüs on kliinilisest hinnangust täpsem, on tegeliku (eriti kuritegevuse ja vägivaldse) käitumise prognoosimine üsna ebatäpne. See tuleneb sellest, et instrumendi väljatöötamisel kasutakse neid juhtumeid, mille muutuja on teada. Analüüsi aga tuleb kohaldada inimeste suhtes, kelle käitumiskalduvus ei ole teada.
Lõpetuseks
Millega peab siis arvestama spetsialist või asutus, võttes juhtumikorralduses kasutusele mõne riskihindamisvahendi?
Kõigepealt on vaja teada, mida hindamisvahendi väljatöötajad selle prognoosivõime täpsuse kohta ütlevad. Ka parima tahtmise juures ei tule hindamisel saadud tulemus sellest kõrgem. Peab teadma, kas analüüsitakse õiget sihtrühma, õigete andmetega ja õigel viisil. Saadud tulemus ei ole ettekuulutavalt täpne. Hindamine ei lõpeta tegevust, vaid algatab selle, sest alles nüüd algab juhtumikorraldus.
Ükskõik, millise riskiskoori spetsialist hindamisvahendiga saab, sekkumiste edukus sõltub ikka sellest, mis võimalusi on inimese abistamiseks pakkuda ja kas inimene üldse suudab sel hetkel motiveeritud abi vastu võtta. Mitte ükski hindamisvahend ei ütle spetsialistile ette, kui palju ressursse peaks eraldama näiteks „madala” riskiga inimese abistamiseks. Spetsialist saab aga oma pädevuse, töökogemuse ja riskihindamise tulemusi kombineerides koostada juhtumist sõltuva tegevusplaani.
Hindamist korraldav asutus peab kindlasti arvesse võtma, et korduvad riskihindamised ei näita seda, kui hästi spetsialist on oma tööd teinud. Kui riskid ei lähe madalamaks spetsialisti tegevusest olenemata, võib asi olla nii hindamisvahendi tundlikkuses kui ka hinnatava inimese elu mõjutavatest asjaoludest, mida spetsialistil ei ole võimalik kontrollida. Riskihindamine saab olla ainult abistav vahend, mis aitab spetsialistil juhtumikorraldust plaanida. Enne vahendite valimist tasub põhjalikult süveneda hindamisvahendi võimekusse ja uurida, kuidas saab seda kasutada kohalikes oludes.
Viidatud allikad
Baglivio, M. T., Wolff, K.T. (2019). Predicting Juvenile Reentry Success: Developing a Global Risk Score and Risk Classification Levels Using the Residential Positive Achievement Change Tool. Youth Violence and Juvenile Justice 17(3), 241–268.
Heffernan, R., Wegerhoff, D., Ward, T. (2019). Dynamic risk factors: conceptualization, measurement, and evidence. Aggression and Violent Behavior (48), 6–16.
Hollin, C. R., Hatcher, R. M. (2017). Working with Young Offenders. Kogumikus: Browne, K. D., Beech A. R., Graig L. A., Chou, S. (toim.) Assessments in Forensic practice: a Handbook. Wiley & Sons inc, 354–369.
Sanders, J., Munford, R., Thimasarn-Anwar, T., Liebenberg, L. (2017). Validation of the Child and Youth Resilience Measure (CYRM-28) on a Sample of At-Risk New Zealand Youth. Reasearch of Social Work Practice 27 (7), 827–840.
Sturmey, P., Lindsay, W. R. (2017). Case Formulation and Risk Assesment. Kogumikus: Browne, K. D. Beech, A. R., Graig, L. A., Chou, S. Assessments in Forensic practice: a Handbook. Wiley & Sons inc, 2–27.
Vess, J., Ward, T., Yates, P. M. (2017). The Ethics of Risk Assesment. Kogumikus: Browne, K. D. Beech, A. R., Graig, L. A., Chou, S. Assessments in Forensic practice: a Handbook. Wiley & Sons inc, 370–386.
Viljonen, J. L., Shaffer, C.S., Gray, A. L., Douglas, K. S. (2017). Are Adolescent Risk Assessment Tools Sensitive to Change? A Framework and Examination of the SAVRY and the YLS/CMI. Law and Human Behaviour 41(3), 244–257.
Zhang, S. X., Roberts, R. E. L., Farabee, D. (2014). An Analysis of Prisoner Reentry and Parole Risk Using COMPAS and Traditional Criminal History Measures. Crime & Delinquency 60(2), 167–192.
(1) Algoritm on kõige lihtsamalt öeldes tingimuslause: „Kui esineb see, siis tee nii”. Selles kontekstis sobiksid nt tingimuslaused: kui inimene on töötu, lisa x arv punkte juurde tõenäosusele, et inimene elab poole aasta pärast absoluutses vaesuses. Lisa veel juurde punkt iga järgneva tõese väite puhul: ta on töötu olnud juba x arv kuid; tal ei ole tööturule atraktiivset haridust; ta elab piirkonnas, kus pole töökohti kõigile elanikele; ta ei räägi kohalikku keelt.
(2) Staatilised (riski)tegurid on need, mida spetsialist ei saa oma tegevusega muuta – nt isiku sugu, vanus sel hetkel, vanus esimese kuriteo sooritamise ajal, sooritatud kuritegude arv jne. Dünaamilised riskitegurid on need, mida on võimalik muuta – nt väärtushinnangud, haridustase, uimastite tarvitamine jne.
Artikkel ilmus ajakirjas Sotsiaaltöö nr 2/2021
Foto: Canva.com