Tämä jäi monelta huomaamatta – Garbage in, garbage out

Garbage in, garbage out (lyhennettynä GIGO, suom. roskaa sisään, roskaa ulos) on tietojenkäsittelyssä käytetty periaate, jonka mukaan käsittelyn tuloksen luotettavuus riippuu syötteen laadusta. Virheellinen, puutteellinen tai tarkoitukseen soveltumaton data voi johtaa harhaanjohtavaan tai käyttökelvottomaan tulokseen, vaikka laskenta tai muu käsittely suoritettaisiin teknisesti oikein.

GIGO kuvaa syötteen laatuun liittyvää riskiä, ei väistämätöntä lopputulosta. Järjestelmä voidaan suunnitella esimerkiksi tarkistamaan syötteen muoto ja sallitut arvot, hylkäämään virheellisiä syötteitä tai varoittamaan epäuskottavista arvoista ennen tietojen käsittelyä. Tällaiset tarkistukset eivät kuitenkaan takaa, että muodollisesti kelvollinen syöte vastaa todellisuutta tai soveltuu aiottuun tarkoitukseen.

Historia

Charles Babbage kuvasi vuonna 1864 julkaistussa teoksessaan tapauksia, joissa häneltä oli kysytty, voisiko laskukone antaa oikean vastauksen, jos siihen syötettäisiin vääriä lukuja. Babbage ei käyttänyt ilmausta garbage in, garbage out.

Rob Stensonin vuonna 2016 julkaiseman selvityksen mukaan ilmauksen varhaisin hänen löytämänsä painettu esiintymä on 10. marraskuuta 1957 julkaistussa yhdysvaltalaisen The Hammond Times -sanomalehden artikkelissa. Yhdysvaltain maavoimien matemaatikkojen työtä käsittelevässä artikkelissa ilmaus esitettiin jo käytössä olleena sanontana, eikä sille nimetty keksijää.

Muunnelmaa garbage in, gospel out (suom. roskaa sisään, totuutena ulos) käytettiin ainakin joulukuussa 1968 varoittamaan siitä, että siististi esitettyä tietokonetulosta saatetaan pitää kritiikittömästi auktoriteettina, vaikka lähtötiedot olisivat puutteellisia.

Yhdysvaltain edustajainhuoneen jäsen Cornelius E. Gallagher käytti samaa muunnelmaa 26. maaliskuuta 1969 pitämässään puheessa, joka julkaistiin Congressional Recordissa 1. huhtikuuta. Hän korosti, että tietokoneen tuloste riippuu sille syötetyn datan laadusta, ja varoitti suhtautumasta tietokoneella tuotettuun tietoon erehtymättömänä totuutena.

Datan laatu

GIGO-periaatteessa datan huono laatu ei tarkoita vain yksittäisiä virheellisiä arvoja. Datan käyttökelpoisuuteen voivat vaikuttaa myös sen puutteellisuus, epäjohdonmukaisuus, saatavuus ja soveltuvuus tarkasteltavaan tehtävään. Terveydenhuollon tiedonhallintaa käsittelevässä artikkelissa datan laadun keskeisiksi ominaisuuksiksi nimettiin tietojen tarkkuus, validiteetti, täydellisyys ja saatavuus.

Sovelluksia

Tilastotiede ja tutkimus

Meta-analyysin tulos riippuu siihen sisällytettyjen tutkimusten laadusta. Yksittäisten tutkimusten menetelmälliset harhat ja julkaisuharha voivat siirtyä yhdistettyyn tulokseen. Ongelmia voidaan vähentää tekemällä meta-analyysi osana systemaattista kirjallisuuskatsausta, jossa tutkimuksia haetaan ja arvioidaan järjestelmällisesti. Tämä ei merkitse, että meta-analyysi olisi menetelmänä epäluotettava, vaan että tulokseen vaikuttavat tutkimusten valinta, laadunarviointi ja käytetyt analyysimenetelmät.

Koneoppiminen

Ohjatussa koneoppimisessa koulutusaineiston laatu vaikuttaa muodostettavaan malliin ja testiaineiston laatu siihen, miten mallin suorituskykyä arvioidaan. Ihmisten merkitsemissä aineistoissa olennaista on myös se, miten aineistot on tuotettu sekä miten merkintätyö on toteutettu ja dokumentoitu.

Vuonna 2021 julkaistussa tutkimuksessa tarkasteltiin, miten eri alojen koneoppimisjulkaisuissa raportoitiin ihmisten annotoimien aineistojen tuottamisesta. Tutkimuksessa havaittiin raportoinnissa huomattavia puutteita, jotka vaikeuttavat aineistojen laadun ja niistä muodostettujen mallien luotettavuuden arviointia.