概念：关键词主题分析
员工评论提供了丰富的见解并为定量响应添加了背景。主题分析使用机器学习领域自然语言处理 (NLP) 来分析员工评论并识别重要主题和情绪。
文本分析
该算法既可以发现全行业的员工体验主题，也可以发现特定团队和时间相关的主题。
您不需要使用预定义的术语或手动添加自己的关键字。Peakon 通过结合多条评论中最具代表性的句子来总结一个主题，为您提供有意义的概述。
Peakon 会在第二天世界标准时间凌晨 1:00 调查结束后计算评论主题。
新主题生成于：
- 来自 2 个活跃核心驱动程序问题的问题。示例：来自参与度问题集的驱动因素和来自公司问题集的驱动因素。
- 过去 3 个月内针对 1 种语言的各类问题集有 200 条或更多评论。
级别较低的领导者拥有的主题将比级别较高的领导者少，而级别较高的领导者可以获得更多调查结果和评论。
较早的评论（超过 3 个月）可以对新的相关主题做出贡献。但是，他们无法生成新的主题。
Peakon 将寻求填充前 50 个主题，然后将这些主题置于相应的驱动程序下。尽管有超过 300 条评论，但您可能有一些没有主题的驱动程序。
情绪分析
情感分析包括处理文本评论并分配正面或负面概率数值的算法。例如：得分在 -1 和 +1 之间，零分为中性。
句子中包含的积极词汇越多（例如：伟大、友好、知识渊博），该句子具有的积极情绪就越多。然而，想法和观点是复杂的。Peakon 通过使用员工给出的分数来避免情绪分析中的潜在不准确性。
这个分数更可靠，因为它直接来自员工针对设定背景的特定驾驶员问题。由于 Peakon 在每个问题后都会要求反馈，因此我们的评论通常简短、简单且重点突出，很少表达矛盾的观点。
相关主题
Peakon 算法从包含相同单词但在不同上下文中使用的短文本答案中查找主题。
例 1.在回答成长问题（
我感觉自己在专业上正在成长
）时，员工可能会评论： 由于我的经理制定的发展计划，我肯定正在朝着我更感兴趣的方向成长
。例 2.回答一个开放式问题（
如果您有一根魔杖，您会改变 Kinetar 的什么？
）员工可能会评论说： 我真的希望我们能提供更多的直线经理培训，这将非常有帮助
。在示例 1 中，单词
“经理”
与员工与经理的互动有关。在示例 2 中，涉及一位经理要求更多培训。使用示例 1 和 2，我们会发现单词
manager
很重要，因为它显示了两次。然而，由于没有可以采取行动的背景，我们无法获得关于该词为何重要的有趣的可操作信息。Peakon 算法通过上下文分析使主题更具可操作性和趣味性：
- 将主题附加到驱动程序，从而为主题添加上下文。使用示例 1，如果发展计划是与增长相关的词语组合，则算法可能会将其视为主题。
- 查找多词主题：在示例 1 中，答案包括词组合“发展计划”。当这个词组合出现在许多答案中时，Peakon 将主题突出显示为开发计划而不是开发。从示例 2 中可以看出，根据单词出现的频率，主题可能是直线经理培训、经理培训或培训。
- 从问题措辞中删除单词。人们倾向于在答案中重复问题的词语。在例 1 中，答案包含单词growing，该单词也出现在问题中。找到这个词作为主题是没有用的，因为我们已经知道我们在问的是增长。因此，Peakon 会自动从问题措辞中删除这些词。
- 降低常见单词的优先级。该算法降低了所有调查答案中显示的没有特定含义的词语的优先级。仅当管理器在驱动程序上下文中具有特定含义时，它才会显示为主题，提供特定于驱动程序的主题。例如：为环境驾驶员提供办公室或房间，或为驾驶员提供加薪奖励。如果我们不降低常见词语的优先级，我们会发现经理是所有司机的话题。
- 传递主题摘录。该算法根据最能体现某个主题的所有评论的句子生成一个段落。本段让您深入了解广泛的对话。
- 确保您的主题随时间而变化。Peakon 还使用任何与该主题相关的旧评论。但是，主题将取决于过去 3 个月内发表的评论。