ജീവനക്കാരുടെ സർവേകളും സൗജന്യ വാചക വിശകലനവും

നേട്ടങ്ങൾ:

• തീമുകൾ, ആവൃത്തി, മാനസികാവസ്ഥ എന്നിവ അനുസരിച്ച് ഓപ്പൺ-എൻഡ് സർവേ പ്രതികരണങ്ങൾ വിശകലനം ചെയ്യാനുള്ള കഴിവ്
• eNPS, ഇടപഴകൽ എന്നിവ പോലുള്ള അളവുകൾ വ്യാഖ്യാനിക്കാനും അവയെ പ്രവർത്തന ശുപാർശകളാക്കി മാറ്റാനുമുള്ള കഴിവ്
• അജ്ഞാതതയും രഹസ്യാത്മകതയും സംരക്ഷിക്കുന്ന ഒരു പക്ഷപാതരഹിത സർവേ വിശകലന ചട്ടക്കൂട് സ്ഥാപിക്കാനുള്ള കഴിവ്

നിങ്ങൾ ഒരു ജീവനക്കാരുടെ ഇടപഴകൽ സർവേ നടത്തി, 400 ആളുകളിൽ നിന്ന് നൂറുകണക്കിന് സൗജന്യ ടെക്‌സ്‌റ്റ് കമൻ്റുകൾ ലഭിച്ചു. അവ ഓരോന്നായി വായിക്കാനും പ്രധാന തീമുകൾ വേർതിരിച്ചെടുക്കാനും ദിവസങ്ങളെടുക്കും, അത് ആത്മനിഷ്ഠമായിരിക്കും: ക്ഷീണിച്ച വായനക്കാരൻ്റെ കണ്ണുകളിൽ നിന്ന്, ചില വിഷയങ്ങൾ വേറിട്ടുനിൽക്കുകയും ചിലത് അപ്രത്യക്ഷമാവുകയും ചെയ്യും. ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസ് (AI) നൂറുകണക്കിന് തുറന്ന പ്രതികരണങ്ങളെ തീമുകൾ, ആവൃത്തി, മൂഡ് എന്നിങ്ങനെ മിനിറ്റുകൾക്കുള്ളിൽ ഗ്രൂപ്പുചെയ്യുന്നു; നടപടിയെടുക്കാൻ മാനേജ്മെൻ്റിനെ പ്രേരിപ്പിക്കുന്ന ഒരു ചിത്രം ഇത് സൃഷ്ടിക്കുന്നു. എന്നാൽ ഇവിടെയാണ് എച്ച്ആറിൻ്റെ ഏറ്റവും സെൻസിറ്റീവ് ഉത്തരവാദിത്തങ്ങളിലൊന്ന് വരുന്നത്: ഈ അഭിപ്രായങ്ങൾ വ്യക്തികളുടേതാണ്, അജ്ഞാതത്വം വാഗ്ദാനം ചെയ്യുന്നു, ഈ വാഗ്ദാനം ഒരിക്കലും ലംഘിക്കരുത്. ഈ യൂണിറ്റിൽ, സർവേ വിശകലനം അവസാനം മുതൽ അവസാനം വരെ എങ്ങനെ നടത്താമെന്നും അജ്ഞാതതയും ന്യായവും എങ്ങനെ സംരക്ഷിക്കാമെന്നും ഞങ്ങൾ പഠിക്കും.

കുറച്ച് നിബന്ധനകൾ: eNPS (എംപ്ലോയി നെറ്റ് പ്രൊമോട്ടർ സ്കോർ) എന്നത് കമ്പനിയെ ശുപാർശ ചെയ്യാനുള്ള ജീവനക്കാരുടെ പ്രവണത അളക്കുന്ന ഒരു മെട്രിക് ആണ്; "ശുപാർശ ചെയ്യുന്നവർ" എന്നതിൻ്റെ ശതമാനത്തിൽ നിന്ന് "ശുപാർശ ചെയ്യാത്തവർ" എന്നതിൻ്റെ ശതമാനം കുറച്ചാണ് ഇത് കണ്ടെത്തുന്നത്. പങ്കാളിത്തം/പ്രതിബദ്ധത എന്നത് ജീവനക്കാരൻ്റെ ജോലിയോടും കമ്പനിയോടുമുള്ള വൈകാരിക ബന്ധത്തെ സൂചിപ്പിക്കുന്നു. ഒരു ടെക്‌സ്‌റ്റിൻ്റെ പോസിറ്റീവ്/നെഗറ്റീവ്/ന്യൂട്രൽ ടോൺ തരംതിരിക്കലാണ് വികാര വിശകലനം. തീമാറ്റിക് കോഡിംഗ് എന്നത് സ്വതന്ത്ര പാഠങ്ങളെ പൊതുവായ വിഷയങ്ങളായി വിഭജിക്കുന്ന പ്രക്രിയയാണ് (ജോലിഭാരം, മാനേജ്മെൻ്റ്, കരിയർ പോലുള്ളവ).

തീമിംഗ് ഓപ്പൺ-എൻഡഡ് പ്രതികരണങ്ങൾ

AI സ്വതന്ത്ര വാചകത്തെ ഘടനാപരമായ ഉൾക്കാഴ്ചയാക്കി മാറ്റുന്നു. നിർണ്ണായക പോയിൻ്റ്: വിശകലനം അജ്ഞാതവും സമാഹരിച്ചും സൂക്ഷിക്കുക. ഘട്ടം ഘട്ടമായുള്ള പ്രക്രിയ:

1. ഡാറ്റ അജ്ഞാതമാക്കുക. പേര്, യൂണിറ്റ്, വിവരണാത്മക വിശദാംശങ്ങൾ എന്നിവ നീക്കം ചെയ്യുക അല്ലെങ്കിൽ പൊതുവൽക്കരിക്കുക.
2. തീമുകൾ എക്‌സ്‌ട്രാക്‌റ്റ് ചെയ്യുക. ഓരോ തീമും എത്ര കമൻ്റുകളിൽ പ്രത്യക്ഷപ്പെടുന്നുവെന്ന് ചോദിക്കുക.
3. വൈകാരികാവസ്ഥ ചേർക്കുക. ഓരോ തീമും പോസിറ്റീവോ നെഗറ്റീവോ?
4. സാമ്പിൾ ഉദ്ധരണികൾ ആവശ്യപ്പെടുക - എന്നാൽ സുരക്ഷിതമായവ. വ്യക്തിയെ വിട്ടുകൊടുക്കാത്ത പ്രതിനിധി ഉദ്ധരണികൾ.
5. അത് പ്രവർത്തനത്തിലേക്ക് മാറ്റുക. ഓരോ പ്രധാന തീമിനും 1-2 കൃത്യമായ നിർദ്ദേശങ്ങൾ.
6. മനുഷ്യരുമായി വ്യാഖ്യാനിക്കുക. സംഖ്യകൾ സന്ദർഭത്തോടൊപ്പം വായിക്കുന്നു; അവസാന അഭിപ്രായം നിങ്ങളുടേതാണ്.

നിങ്ങളുടെ റോൾ: ഒരു ജീവനക്കാരുടെ അനുഭവ വിശകലന വിദഗ്ധൻ. ടാസ്ക്: ഇനിപ്പറയുന്ന അജ്ഞാത സർവേ അഭിപ്രായങ്ങൾ വിശകലനം ചെയ്യുക.1) അഭിപ്രായങ്ങൾ പ്രധാന തീമുകളായി ഗ്രൂപ്പുചെയ്യുക (ഉദാ. മാനേജ്മെൻ്റ്, ജോലിഭാരം, തൊഴിൽ, ശമ്പളം, സംസ്കാരം, ഉപകരണങ്ങൾ). ഓരോ തീമിനും നിങ്ങൾക്ക് എത്ര കമൻ്റുകളുണ്ടെന്ന് വ്യക്തമാക്കുക.2) ഓരോ തീമിൻ്റെയും പൊതുവായ മാനസികാവസ്ഥ (പോസിറ്റീവ്/നെഗറ്റീവ്/ന്യൂട്രൽ) സംഗ്രഹിക്കുക.3) ഏറ്റവും കൂടുതൽ പരാമർശിച്ചിരിക്കുന്ന 3 നല്ല വശങ്ങളും വികസനത്തിൻ്റെ 3 മേഖലകളും തിരിച്ചറിയുക.നിയമം: ആളുകളുമായി അഭിപ്രായങ്ങൾ പൊരുത്തപ്പെടുത്താൻ ശ്രമിക്കരുത്. വ്യക്തിയെ വിവരിക്കുന്ന വിശദാംശങ്ങൾ (പേര്, യൂണിറ്റ്, നിർദ്ദിഷ്ട ഇവൻ്റ്) ഉണ്ടെങ്കിൽ, സംഗ്രഹിക്കുമ്പോൾ അവയെ പൊതുവായി ചേർക്കുക. ഒരു വ്യക്തിയെ വെളിപ്പെടുത്താൻ കഴിയുന്ന ഒരു അപൂർവ/നിർദ്ദിഷ്‌ട അഭിപ്രായം മാത്രം ഉദ്ധരിക്കരുത്.

ഈ പ്രോംപ്റ്റ്; ഇത് മാനേജ്മെൻ്റിനായി പ്രവർത്തനക്ഷമമായ ഔട്ട്പുട്ട് ഉണ്ടാക്കുന്നു, "78 കമൻ്റുകളിൽ വർക്ക് ലോഡ് തീം പ്രത്യക്ഷപ്പെട്ടു, പ്രധാനമായും നെഗറ്റീവ്; ഈവനിംഗ് ഷിഫ്റ്റാണ് പ്രധാന കാരണം" — ആരെയും വെളിപ്പെടുത്താതെ.

നുറുങ്ങ്: സർവേ വിശകലനത്തിലെ ഏറ്റവും വലിയ ധാർമ്മിക അപകടസാധ്യത അജ്ഞാതത്വം തകർക്കുക എന്നതാണ്. "അക്കൌണ്ടിംഗ് ഡിപ്പാർട്ട്‌മെൻ്റിലെ ഒരേയൊരു വ്യക്തി ആരുടെ കുട്ടി ജനിച്ചിരിക്കുന്നു" എന്നതുപോലുള്ള ഒരു കമൻ്റ് ഒരു വ്യക്തിയെ സ്വന്തമായി ഉപേക്ഷിക്കാൻ കഴിയും. വ്യക്തിയെ തിരിച്ചറിയുകയും അപൂർവ/നിർദ്ദിഷ്‌ട അഭിപ്രായങ്ങൾ ഹൈലൈറ്റ് ചെയ്യാതിരിക്കുകയും ചെയ്യുന്ന വിശദാംശങ്ങൾ സാമാന്യവൽക്കരിക്കാൻ AI-യോട് വ്യക്തമായി പറയുക.

അളവുകൾ വ്യാഖ്യാനിക്കുകയും അവയെ പ്രവർത്തനത്തിലേക്ക് വിവർത്തനം ചെയ്യുകയും ചെയ്യുന്നു

അസംസ്കൃത സംഖ്യ മാത്രം അർത്ഥപൂർണ്ണമല്ല; "eNPS 12" നല്ലതോ ചീത്തയോ? മെട്രിക്കുകൾ സന്ദർഭോചിതമാക്കാനും അവ പ്രവർത്തന ശുപാർശകളിലേക്ക് വിവർത്തനം ചെയ്യാനും AI സഹായിക്കുന്നു:

ചുവടെയുള്ള സർവേ മെട്രിക്‌സ് വ്യാഖ്യാനിച്ച് മാനേജർക്ക് 1-പേജ് സംഗ്രഹം നൽകുക. ഡാറ്റ:- eNPS: 12 (കഴിഞ്ഞ വർഷം 25) - മൊത്തത്തിലുള്ള ഇടപഴകൽ: 5-ൽ 3.6- ഏറ്റവും കുറഞ്ഞ സ്‌കോറിംഗ് ഏരിയ: "കരിയർ ഡെവലപ്‌മെൻ്റ്" (3.1)- ഏറ്റവും കൂടുതൽ സ്‌കോറിംഗ് ഏരിയ: "ടീം ബന്ധങ്ങൾ എന്താണെന്ന് വ്യക്തമാക്കുക" (4.1) ഭാഷയിൽ എന്താണ് നല്ലതെന്ന് വ്യക്തമാക്കുക. ആശങ്കാജനകമാണ്2) eNPS നിരസിക്കുന്നതിനുള്ള സാധ്യമായ അനുമാനങ്ങൾ (കൃത്യമായ കാരണം കെട്ടിച്ചമയ്ക്കൽ, അനുമാനം) 3) ഏറ്റവും നിർണായകമായ 3 മേഖലകൾക്കുള്ള കോൺക്രീറ്റ് പ്രവർത്തന നിർദ്ദേശം

"കരിയർ ഡെവലപ്‌മെൻ്റ്" തീമിലെ നെഗറ്റീവ് കമൻ്റുകളെ ഉപ-തീമുകളായി വിഭജിക്കുക (ഉദാ. പ്രമോഷൻ അനിശ്ചിതത്വം, പരിശീലനത്തിൻ്റെ അഭാവം, പ്രതികരണത്തിൻ്റെ അഭാവം). ഓരോ സബ് തീമിനും, അഭിപ്രായങ്ങളുടെ എണ്ണവും ഒരു പ്രവർത്തന ആശയവും എഴുതുക. വ്യക്തിയെ തുറന്നുകാട്ടരുത്; ഉദ്ധരണികൾ അജ്ഞാതവും പ്രതിനിധിയുമായി സൂക്ഷിക്കുക.

മൂന്ന് മിനി കേസുകൾ

കേസ് 1 - ദിവസങ്ങൾ മുതൽ മിനിറ്റ് വരെ. 600 പേരുള്ള ഒരു കമ്പനിയിൽ, രണ്ട് എച്ച്ആർ സ്പെഷ്യലിസ്റ്റുകൾ ഒരു ആഴ്ചയിൽ ഒരു വാർഷിക സർവേയിൽ 1,400 സൗജന്യ അഭിപ്രായങ്ങൾ കൈകൊണ്ട് കോഡ് ചെയ്യുകയായിരുന്നു. AI ഉപയോഗിച്ച്, തീമിംഗ് കുറച്ച് മണിക്കൂറുകളായി കുറച്ചു; വിശകലനം, വ്യാഖ്യാനം, പ്രവർത്തന ആസൂത്രണം എന്നിവയ്ക്കായി സംഘം സമയം ചെലവഴിച്ചു. എല്ലാ കമൻ്റുകൾക്കും ഒരേ മാനദണ്ഡം പ്രയോഗിച്ചതിനാൽ കോഡിംഗ് സ്ഥിരതയും വർദ്ധിച്ചു.

കേസ് 2 - രഹസ്യ സിഗ്നലിൻ്റെ തടസ്സം. ഒരു നിർമ്മാണ കമ്പനിയിൽ, മൊത്തത്തിലുള്ള സ്കോറുകൾ മികച്ചതായിരുന്നു, എന്നാൽ AI 46 നെഗറ്റീവ് അഭിപ്രായങ്ങളോടെ "ഷിഫ്റ്റ് ഷെഡ്യൂൾ" തീം ഹൈലൈറ്റ് ചെയ്തു; ഇത് കൈ വായനയിൽ അവഗണിക്കപ്പെട്ട ഒരു മാതൃകയായിരുന്നു. മാനേജ്മെൻ്റ് ഷിഫ്റ്റ് സംവിധാനം അവലോകനം ചെയ്തു; തുടർന്നുള്ള പാദത്തിൽ, ബന്ധപ്പെട്ട പരാതികൾ പകുതിയായി കുറഞ്ഞു.

കേസ് 3 - ഒരു അജ്ഞാത പ്രതിസന്ധി തടയുന്നു. ആദ്യ ശ്രമത്തിൽ, ഒരു വിദഗ്ധൻ AI-ക്ക് യൂണിറ്റ് വിവരങ്ങളും നൽകി; പ്രിൻ്റൗട്ടിൽ "യൂണിറ്റ് X ലെ ഏക മാനേജരെ കുറിച്ച്" എന്ന വെളിപ്പെടുത്തൽ ഉദ്ധരണി അടങ്ങിയിരുന്നു. പ്രസിദ്ധീകരണത്തിന് മുമ്പ് വിദഗ്ധൻ ഇത് ശ്രദ്ധിച്ചു, പ്രക്രിയ ശരിയാക്കി: യൂണിറ്റ് വിവരങ്ങൾ നീക്കം ചെയ്തു, "5 അഭിപ്രായങ്ങളിൽ താഴെയുള്ള ഏതെങ്കിലും ഉപഗ്രൂപ്പിനെ പ്രത്യേകം റിപ്പോർട്ടുചെയ്യാൻ" ഒരു നിയമം അവതരിപ്പിച്ചു. വിശ്വാസം കാത്തുസൂക്ഷിച്ചു.

ദുർബലമായ പ്രോംപ്റ്റ് / ശക്തമായ പ്രോംപ്റ്റ്

ദുർബലമായ നിർദ്ദേശം: ഈ സർവേ അഭിപ്രായങ്ങൾ സംഗ്രഹിക്കുക.

ഫലം: ഉപരിപ്ലവമായ, അനേകം, അജ്ഞാതത്വത്തിന് യാതൊരു ഉറപ്പുമില്ല; ഒരു വ്യക്തിക്ക് പോലും നൽകാൻ കഴിയുന്ന ഒരു സംഗ്രഹം.

ശക്തമായ പ്രോംപ്റ്റ്:[അജ്ഞാത ഡാറ്റ + തീമും എണ്ണവും + മാനസികാവസ്ഥ + സുരക്ഷിത/പ്രതിനിധി ഉദ്ധരണി + "വ്യക്തിഗതമാക്കുക, അപൂർവ അഭിപ്രായം വെളിപ്പെടുത്തരുത്" + പ്രവർത്തന നിർദ്ദേശം]

ഫലം: സംഖ്യാപരമായ, പ്രമേയപരമായ, പ്രവർത്തന-അധിഷ്ഠിതവും അജ്ഞാതത്വം നിലനിർത്തുന്നതുമായ ഒരു വിശകലനം.

അജ്ഞാതത്വവും ന്യായമായ നിയമങ്ങളും

റിസ്ക്

മുൻകരുതൽ

ചെറിയ ഗ്രൂപ്പ് വെളിപ്പെടുത്തൽ

പ്രതികരിച്ചവരിൽ 5-ൽ താഴെയുള്ള ഉപഗ്രൂപ്പുകളുടെ പ്രത്യേക റിപ്പോർട്ടിംഗ്

വിവരണാത്മക വിശദാംശങ്ങൾ

പേര്/യൂണിറ്റ്/ഇവൻ്റ് വിവരങ്ങൾ പൊതുവൽക്കരിക്കുക

അപൂർവ്വമായ അഭിപ്രായം ഉദ്ധരിക്കുന്നു

പ്രതിനിധി, ഭൂരിപക്ഷ ഉദ്ധരണികൾ മാത്രം ഉപയോഗിക്കുക

പക്ഷപാതപരമായ അഭിപ്രായം

ഒരു ഗ്രൂപ്പിൻ്റെ (പ്രായം, ലിംഗഭേദം മുതലായവ) AI-യുടെ വ്യവസ്ഥാപിത നിഷേധത്തെ ചോദ്യം ചെയ്യുക

സുരക്ഷിതമല്ലാത്ത ഉപകരണത്തിലേക്ക് റോ ഡാറ്റ എക്‌സ്‌പോർട്ടുചെയ്യുന്നു

സാക്ഷ്യപ്പെടുത്തിയ/സ്ഥാപന ഉപകരണങ്ങളും അജ്ഞാത ഡാറ്റയും ഉപയോഗിക്കുക

ശ്രദ്ധിക്കുക: സർവേ ഡാറ്റ വ്യക്തിഗത ഡാറ്റയാണ്; കോർപ്പറേറ്റ് ഡാറ്റ അഷ്വറൻസ് ഇല്ലാതെ ഒരു ജനറിക് ടൂളിലേക്ക് അസംസ്കൃത അഭിപ്രായങ്ങൾ ഒട്ടിക്കുന്നത് KVKK അപകടസാധ്യത വഹിക്കുന്നു (അടുത്ത യൂണിറ്റിൽ ഞങ്ങൾ ഇതിലേക്ക് കടക്കും). AI യുടെ തീം അനുമാനവും തെറ്റാണ്; ഒരു മനുഷ്യൻ അക്കങ്ങളും ഉദാഹരണങ്ങളും അവലോകനം ചെയ്യുകയും അന്തിമ വ്യാഖ്യാനം നടത്തുകയും വേണം. AI പാറ്റേണുകൾ കണ്ടെത്തുന്നു; മനുഷ്യനാണ് അർത്ഥവും പ്രവർത്തനവും നിർണ്ണയിക്കുന്നത്.

സാധാരണ തെറ്റുകൾ

• അജ്ഞാതത്വം തകർക്കുന്നു. യൂണിറ്റ്/പേര്/നിർദ്ദിഷ്‌ട വിശദാംശം എന്നിവ വിശകലനത്തിൽ ഉൾപ്പെടുത്തുന്നത് ഒരു വ്യക്തിയെ വിട്ടുകൊടുക്കും.
• ചെറിയ ഗ്രൂപ്പുകളായി റിപ്പോർട്ട് ചെയ്യുന്നു. 3 വ്യക്തികളുടെ യൂണിറ്റിൻ്റെ ഫലം ഏതാണ്ട് വ്യക്തിഗത ഡാറ്റയാണ്.
• റോ നമ്പറിനെ അന്ധമായി വിശ്വസിക്കുന്നു. AI യുടെ തീമാറ്റിസേഷൻ തെറ്റാണ്; സാമ്പിൾ വഴി പരിശോധിക്കുക.
• അപൂർവമായ ശ്രദ്ധേയമായ അഭിപ്രായം ഹൈലൈറ്റ് ചെയ്യുന്നു. അത് പ്രതിനിധി എന്നതിലുപരി അത് വെളിപ്പെടുത്താം.
• അഭിപ്രായത്തെ പ്രവർത്തനവുമായി ബന്ധിപ്പിക്കുന്നില്ല. വിശകലനം കോൺക്രീറ്റ് ഘട്ടങ്ങൾ നിർമ്മിക്കുന്നില്ലെങ്കിൽ, അത് ഷെൽഫിൽ തുടരുന്നു.
• പക്ഷപാതത്തെ അവഗണിക്കുന്നു. AI ഒരു പ്രത്യേക ഗ്രൂപ്പിനെ വ്യവസ്ഥാപിതമായി നിരാകരിക്കുന്നുണ്ടോ എന്ന ചോദ്യം.

ചുരുക്കത്തിൽ

• മാനേജ്മെൻ്റിനായി പ്രവർത്തനക്ഷമമായ ഉൾക്കാഴ്ച എക്‌സ്‌ട്രാക്റ്റുചെയ്യുന്നതിന് തീമുകൾ, ആവൃത്തി, മാനസികാവസ്ഥ എന്നിവ പ്രകാരം നൂറുകണക്കിന് തുറന്ന പ്രതികരണങ്ങളെ AI ഗ്രൂപ്പുചെയ്യുന്നു.
• അജ്ഞാതത്വം നിലനിർത്തുക: വ്യക്തിയെ തിരിച്ചറിയുന്ന വിശദാംശങ്ങൾ പൊതുവൽക്കരിക്കുക, ചെറിയ ഗ്രൂപ്പുകളും അപൂർവ അഭിപ്രായങ്ങളും വെളിപ്പെടുത്തരുത്.
• സന്ദർഭത്തിൽ eNPS, ഇടപഴകൽ തുടങ്ങിയ മെട്രിക്‌സ് ഇടുക; കൃത്യമായ കാരണം ഉണ്ടാക്കരുത്, ഒരു സിദ്ധാന്തം ആവശ്യപ്പെടുക.
• ഓരോ പ്രധാന തീമും ഒരു മൂർത്തമായ പ്രവർത്തനവുമായി ബന്ധിപ്പിക്കുക; ഘട്ടങ്ങൾ നിർമ്മിക്കുന്നില്ലെങ്കിൽ വിശകലനം മൂല്യം സൃഷ്ടിക്കുന്നില്ല.
• സുരക്ഷിത ഉപകരണം ഉപയോഗിച്ച് റോ ഡാറ്റ പ്രോസസ്സ് ചെയ്യുക; AI പാറ്റേണുകൾ കണ്ടെത്തുന്നു, മനുഷ്യർ അന്തിമ വ്യാഖ്യാനവും പക്ഷപാത പരിശോധനയും ചെയ്യുന്നു.

ആപ്ലിക്കേഷൻ ടാസ്ക്

യഥാർത്ഥമോ സാങ്കൽപ്പികമോ ആയ 30-40 സർവേ അഭിപ്രായങ്ങൾ തയ്യാറാക്കുക (മനപ്പൂർവം "പറയുന്ന" വിശദാംശമോ രണ്ടോ ഉൾപ്പെടുത്തുക). ആദ്യം ഡാറ്റ അജ്ഞാതമാക്കുക. ഓരോ തീമിനും തീമാറ്റിക്‌സ്, സെൻ്റിമെൻ്റ് വിശകലനം, കമൻ്റുകളുടെ എണ്ണം എന്നിവ സൃഷ്ടിക്കാൻ AI ആവശ്യപ്പെടുക; സുരക്ഷിത/പ്രതിനിധി ഉദ്ധരണികൾ അഭ്യർത്ഥിക്കുക. തുടർന്ന് ഔട്ട്പുട്ട് പരിശോധിക്കുക: ഏതെങ്കിലും ഉദ്ധരണികൾ ഒരു വ്യക്തിക്ക് നൽകുന്നുണ്ടോ? 5 അഭിപ്രായങ്ങളിൽ താഴെയുള്ള ഒരു ഉപഗ്രൂപ്പ് പ്രത്യേകമായി റിപ്പോർട്ട് ചെയ്തിട്ടുണ്ടോ? അവസാനമായി, ഏറ്റവും നിർണായകമായ 3 തീമുകൾക്കായി ഒരു നിർദ്ദിഷ്ട പ്രവർത്തനം എഴുതുക.

ചെക്ക്ലിസ്റ്റ്

• [ ] വിശകലനത്തിന് മുമ്പ് ഡാറ്റ അജ്ഞാതമാക്കിയിട്ടുണ്ടോ (പേര്/യൂണിറ്റ്/വിശദാംശം)?
• [ ] തീമുകൾ സംഖ്യാപരമായി റിപ്പോർട്ട് ചെയ്തിട്ടുണ്ടോ (എത്ര കമൻ്റുകൾ)?
• [ ] ഓരോ തീമിനും മാനസികാവസ്ഥ വ്യക്തമാക്കിയിട്ടുണ്ടോ?
• [ ] 5-ൽ താഴെ പ്രതികരണങ്ങളുള്ള ഉപഗ്രൂപ്പുകൾ പ്രത്യേകം റിപ്പോർട്ട് ചെയ്തിട്ടില്ലേ?
• [ ] ഉദ്ധരണികൾ പ്രതിനിധീകരിക്കുന്നതും വെളിപ്പെടുത്താത്തതും ആണോ?
• [ ] AI യുടെ ഔട്ട്പുട്ട് പക്ഷപാതത്തിനായി ചോദ്യം ചെയ്യപ്പെട്ടിട്ടുണ്ടോ?
• [ ] ഓരോ നിർണായക തീമും ഒരു മൂർത്തമായ പ്രവർത്തനവുമായി ബന്ധിപ്പിച്ചിട്ടുണ്ടോ?