نظرسنجی از کارکنان و تجزیه و تحلیل متن آزاد

سود:

• توانایی تجزیه و تحلیل پاسخ های نظرسنجی باز با توجه به مضامین، فراوانی و خلق و خوی
• توانایی تفسیر معیارهایی مانند eNPS و تعامل و تبدیل آنها به توصیه های اقدام
• توانایی ایجاد یک چارچوب تحلیل نظرسنجی بدون تعصب که ناشناس بودن و محرمانه بودن را حفظ می کند

شما یک نظرسنجی مشارکت کارکنان انجام دادید و صدها نظر متنی رایگان از 400 نفر دریافت کردید. خواندن یکی یکی و استخراج مضامین اصلی روزها طول می کشد و ذهنی می شود: از چشم یک خواننده خسته، برخی مضامین برجسته و برخی ناپدید می شوند. هوش مصنوعی (AI) صدها پاسخ باز را در چند دقیقه در قالب مضامین، فرکانس و حالت گروه بندی می کند. تصویری را ایجاد می کند که مدیریت را وادار به اقدام می کند. اما اینجاست که یکی از حساس ترین مسئولیت های HR مطرح می شود: این نظرات متعلق به افراد است، ناشناس ماندن وعده داده می شود و این قول هرگز نباید شکسته شود. در این بخش، نحوه انجام تجزیه و تحلیل نظرسنجی به صورت سرتاسری و حفظ ناشناس بودن و انصاف را خواهیم آموخت.

چند عبارت: eNPS (امتیاز خالص تبلیغ کننده کارکنان) معیاری است که تمایل کارمندان به توصیه شرکت را می سنجد. با کم کردن درصد «کسانی که توصیه می کنند» از درصد «کسانی که توصیه نمی کنند» پیدا می شود. مشارکت/تعهد به پیوند عاطفی کارمند با شغل خود و شرکت اشاره دارد. تحلیل احساسات طبقه بندی لحن مثبت/منفی/خنثی متن است. کدگذاری موضوعی فرآیند تقسیم متون رایگان به موضوعات رایج (مانند حجم کار، مدیریت، شغل) است.

قالب بندی پاسخ های پایان باز

هوش مصنوعی متن آزاد را به بینش ساختاری تبدیل می کند. نکته مهم: ناشناس نگه داشتن تحلیل و تجمیع. فرآیند گام به گام:

1. داده ها را ناشناس کنید نام، واحد، جزئیات توصیفی را حذف یا تعمیم دهید.
2. تم ها را استخراج کنید. بپرسید که هر موضوع در چند نظر ظاهر می شود.
3. حالت عاطفی را اضافه کنید. آیا هر موضوعی مثبت است یا منفی؟
4. نمونه نقل قول ها را بخواهید - اما موارد ایمن. نقل قول های نماینده ای که فرد را از دست نمی دهد.
5. آن را به عمل تبدیل کنید. 1-2 پیشنهاد مشخص برای هر موضوع مهم.
6. با انسان ها تفسیر کنید. اعداد با متن خوانده می شوند. نظر نهایی با شماست.

نقش شما: یک تحلیلگر تجربه کارمند. وظیفه: نظرات نظرسنجی ناشناس زیر را تجزیه و تحلیل کنید. تعداد نظرات خود را برای هر موضوع بیان کنید. 2) حالت کلی (مثبت/منفی/خنثی) هر موضوع را خلاصه کنید. 3) 3 جنبه مثبت که اغلب ذکر شده است و 3 حوزه توسعه را شناسایی کنید. قانون: سعی نکنید نظرات را با مردم مطابقت دهید. اگر جزئیاتی (نام، واحد، رویداد خاص) وجود دارد که فرد را توصیف می کند، هنگام خلاصه کردن، آنها را کلی کنید. یک نظر نادر/خاص را به تنهایی نقل نکنید که می تواند یک شخص را آشکار کند.

این اعلان؛ این خروجی قابل اجرا برای مدیریت تولید می کند، مانند "موضوع حجم کار در 78 نظر ظاهر شد، عمدتا منفی؛ شیفت عصر دلیل اصلی است" - بدون افشای کسی.

نکته: بزرگترین خطر اخلاقی در تجزیه و تحلیل نظرسنجی، شکستن ناشناس بودن است. کامنتی مانند "تنها فردی در بخش حسابداری که فرزندش به دنیا آمده است" می تواند خود به خود یک فرد را واگذار کند. صریحاً به هوش مصنوعی بگویید جزئیاتی را که فرد را شناسایی می کند تعمیم دهد و نظرات نادر/خاص را برجسته نکند.

تفسیر معیارها و تبدیل آنها به عمل

عدد خام به تنهایی معنادار نیست. آیا "eNPS 12" خوب است یا بد؟ هوش مصنوعی به زمینه سازی معیارها و تبدیل آنها به توصیه های عملی کمک می کند:

معیارهای نظرسنجی زیر را تفسیر کنید و خلاصه 1 صفحه‌ای را برای مدیر ارائه دهید. داده‌ها: - eNPS: 12 (25 سال گذشته) - مشارکت کلی: 3.6 از 5 - پایین‌ترین منطقه امتیاز: "توسعه شغلی" (3.1) - بالاترین منطقه امتیاز: "روابط تیم" (4.4) آنچه که در زبان خوب است و چه چیزی ساده است و توضیح می‌دهد: 1) فرضیه های احتمالی برای کاهش eNPS (ساخت دلیل دقیق، فرضیه) 3) پیشنهاد اقدام مشخص برای 3 حوزه مهم

نظرات منفی در مورد موضوع "توسعه شغلی" را به موضوعات فرعی تقسیم کنید (به عنوان مثال عدم اطمینان ارتقاء، عدم آموزش، عدم بازخورد). برای هر موضوع فرعی، تعداد نظرات و یک ایده عملی را یادداشت کنید. شخص را افشا نکنید؛ نقل قول ها را ناشناس و نماینده نگه دارید.

سه کیف کوچک

مورد 1 - از روز تا دقیقه. در یک شرکت متشکل از 600 نفر، دو متخصص منابع انسانی 1400 نظر رایگان را در یک نظرسنجی سالانه در یک هفته کدگذاری کردند. با هوش مصنوعی، موضوع بندی به چند ساعت کاهش یافته است. تیم زمانی را به تجزیه و تحلیل، تفسیر و برنامه ریزی اقدام اختصاص داد. سازگاری کدگذاری نیز افزایش یافت زیرا معیارهای یکسانی برای همه نظرات اعمال شد.

مورد 2 - رهگیری سیگنال مخفی. در یک شرکت تولیدی، نمرات کلی خوب بود، اما هوش مصنوعی موضوع «برنامه تغییر» را با 46 نظر منفی برجسته کرد. این الگویی بود که در دست خوانی نادیده گرفته شد. مدیریت سیستم شیفت را بررسی کرد. در سه ماهه بعد، شکایات مرتبط به نصف کاهش یافت.

مورد 3 - جلوگیری از بحران ناشناس بودن. در اولین تلاش، یک کارشناس همچنین اطلاعات واحد را در اختیار هوش مصنوعی قرار داد. نسخه چاپی حاوی نقل قول آشکار "درباره مدیر انحصاری واحد X" بود. کارشناس قبل از انتشار متوجه این موضوع شد، روند را اصلاح کرد: اطلاعات واحد حذف شد، قانونی برای "گزارش جداگانه هر گروه فرعی با کمتر از 5 نظر" معرفی شد. اعتماد حفظ شد.

اعلان ضعیف / اعلان قوی

اعلان ضعیف: این نظرات نظرسنجی را خلاصه کنید.

نتیجه: سطحی، متعدد، بدون تضمین ناشناس بودن. خلاصه ای که حتی می تواند یک فرد را به ارمغان بیاورد.

اعلان قدرتمند: [داده های ناشناس + موضوع و تعداد + خلق و خوی + نقل قول ایمن/نماینده + "فرد را تعمیم دهید، نظر نادر را فاش نکنید" + پیشنهاد اقدام]

نتیجه: تحلیلی که عددی، مضمون، کنش محور است و ناشناس ماندن است.

قوانین ناشناس بودن و انصاف

ریسک

احتیاط

افشای گروه های کوچک

گزارش جداگانه از گروه های فرعی با کمتر از 5 پاسخ دهنده

جزئیات توصیفی

اطلاعات نام/واحد/رویداد را تعمیم دهید

نقل نظر نادر

فقط از نقل قول های نماینده، اکثریت استفاده کنید

نظر مغرضانه

نفی سیستماتیک یک گروه (سن، جنسیت و غیره) توسط هوش مصنوعی را سوال کنید.

صادرات داده های خام به ابزار ناامن

از ابزارهای تایید شده/سازمانی و داده های ناشناس استفاده کنید

توجه: داده های نظرسنجی داده های شخصی هستند. چسباندن نظرات خام در یک ابزار عمومی بدون تضمین داده های شرکتی خطر KVKK را به همراه دارد (ما در بخش بعدی به این موضوع خواهیم پرداخت). استنتاج موضوع هوش مصنوعی نیز قابل خطا است. انسان باید اعداد و مثال ها را مرور کند و تفسیر نهایی را انجام دهد. هوش مصنوعی الگوها را پیدا می کند. انسان معنا و عمل را تعیین می کند.

اشتباهات رایج

• شکستن گمنامی قرار دادن واحد/نام/جزئیات خاص در تجزیه و تحلیل می تواند فرد را از بین ببرد.
• گزارش در گروه های کوچک نتیجه یک واحد 3 نفره تقریباً داده های شخصی است.
• اعتماد کورکورانه به عدد خام مضمون سازی هوش مصنوعی خطاپذیر است. با نمونه برداری بررسی کنید.
• برجسته کردن نظر نادر قابل توجه. می تواند آشکار کننده باشد تا نماینده.
• وصل نشدن نظر به عمل. اگر تجزیه و تحلیل مراحل مشخصی ایجاد نکند، در قفسه باقی می ماند.
• نادیده گرفتن تعصب. این سوال که آیا هوش مصنوعی به طور سیستماتیک گروه خاصی را نفی می کند؟

به طور خلاصه

• هوش مصنوعی صدها پاسخ باز را بر اساس مضامین، فرکانس و حالت گروه بندی می کند تا بینش عملی را برای مدیریت استخراج کند.
• ناشناس بودن را حفظ کنید: جزئیاتی را که فرد را شناسایی می کند، تعمیم دهید، گروه های کوچک و نظرات نادر را فاش نکنید.
• معیارهایی مانند eNPS و تعامل را در زمینه قرار دهید. دلیل قطعی نسازید، فرضیه بخواهید.
• هر موضوع مهم را به یک اقدام مشخص گره بزنید. تجزیه و تحلیل اگر مراحل تولید نکند ارزش ایجاد نمی کند.
• پردازش داده های خام با ابزار امن. هوش مصنوعی الگوها را پیدا می کند، انسان ها تفسیر نهایی و بررسی سوگیری را انجام می دهند.

وظیفه کاربردی

30-40 نظر نظرسنجی، واقعی یا تخیلی را آماده کنید (عمداً یک یا دو جزئیات "گفتنی" را درج کنید). ابتدا داده ها را ناشناس کنید. از هوش مصنوعی بخواهید که موضوعات، تحلیل احساسات و تعداد نظرات را برای هر موضوع ایجاد کند. درخواست نقل قول های ایمن/نماینده. سپس خروجی را بررسی کنید: آیا هیچ نقل قولی به شخص می دهد؟ آیا یک زیرگروه با کمتر از 5 نظر جداگانه گزارش می شود؟ در نهایت، یک اقدام مشخص برای 3 موضوع مهم بنویسید.

چک لیست

• [ ] آیا داده ها قبل از تجزیه و تحلیل (نام/واحد/جزئیات) ناشناس شده اند؟
• [ ] آیا مضامین به صورت عددی گزارش می شوند (چند نظر)؟
• [ ] آیا حال و هوای هر موضوع مشخص شده است؟
• [ ] آیا زیر گروه هایی با کمتر از 5 پاسخ به طور جداگانه گزارش نمی شوند؟
• [ ] آیا مظنه ها نماینده و غیر قابل افشا هستند؟
• [ ] آیا خروجی هوش مصنوعی به دلیل سوگیری زیر سوال رفته است؟
• [ ] آیا هر موضوع انتقادی به یک اقدام مشخص گره خورده است؟