概念：關鍵字主題分析
員工評論提供了豐富的見解並為定量回應添加了背景。主題分析使用機器學習領域自然語言處理 (NLP) 來分析員工評論並識別重要主題和情緒。
文字分析
該演算法既可以發現全行業的員工體驗主題，也可以發現特定團隊和時間相關的主題。
您不需要使用預先定義的術語或手動新增自己的關鍵字。Peakon 透過結合多個評論中最具代表性的句子來總結一個主題，為您提供有意義的概述。
Peakon 會在第二天世界標準時間凌晨 1:00 調查結束後計算評論主題。
新主題生成於：
- 來自 2 個活躍核心驅動程式問題的問題。範例：來自參與度問題集的驅動因素和來自公司問題集的驅動因素。
- 過去 3 個月內針對 1 種語言的各類問題集有 200 則或更多評論。
級別較低的領導者擁有的主題將比級別較高的領導者少，而級別較高的領導者可以獲得更多調查結果和評論。
較早的評論（超過 3 個月）可以對新的相關主題做出貢獻。但是，他們無法產生新的主題。
Peakon 將尋求填充前 50 個主題，然後將這些主題置於相應的驅動程式下。儘管有超過 300 條評論，但您可能有一些沒有主題的驅動程式。
情緒分析
情緒分析包括處理文字評論並分配正面或負面機率數值的演算法。例如：得分在 -1 和 +1 之間，零分為中性。
句子中包含的正面詞彙越多（例如：偉大、友善、知識淵博），該句子具有的正面情緒就越多。然而，想法和觀點是複雜的。Peakon 透過使用員工給予的分數來避免情緒分析中的潛在不準確性。
這個分數更可靠，因為它直接來自員工針對設定背景的特定駕駛問題。由於 Peakon 在每個問題後都會要求回饋，因此我們的評論通常簡短、簡單且重點突出，很少表達矛盾的觀點。
相關主題
Peakon 演算法從包含相同單字但在不同上下文中使用的短文本答案中尋找主題。
例 1.在回答成長問題（
我感覺自己在專業上正在成長
）時，員工可能會評論： 由於我的經理制定的發展計劃，我肯定正在朝著我更感興趣的方向成長
。例 2.回答一個開放式問題（
如果您有一根魔杖，您會改變 Kinetar 的什麼？
）員工可能會評論說： 我真的希望我們能提供更多的直線經理培訓，這將非常有幫助
。在範例 1 中，單字
「經理」
與員工與經理的互動有關。在範例 2 中，涉及一位經理要求更多培訓。使用範例 1 和 2，我們會發現單字
manager
很重要，因為它顯示了兩次。然而，由於沒有可以採取行動的背景，我們無法獲得關於該詞為何重要的有趣的可操作資訊。Peakon 演算法透過上下文分析讓主題更具可操作性和趣味性：
- 將主題附加到驅動程序，從而為主題添加上下文。使用範例 1，如果發展計劃是與成長相關的字詞組合，則演算法可能會將其視為主題。
- 找出多詞主題：在例 1 中，答案包括詞組合「發展計畫」。當這個詞組合出現在許多答案中時，Peakon 將主題突出顯示為開發計劃而不是開發。從範例 2 可以看出，根據單字出現的頻率，主題可能是直線主管訓練、經理訓練或訓練。
- 從問題措詞中刪除單字。人們傾向於在答案中重複問題的字詞。在例 1 中，答案包含單字growing，該單字也出現在問題中。找到這個字作為主題是沒有用的，因為我們已經知道我們在問的是成長。因此，Peakon 會自動從問題措詞中刪除這些字詞。
- 降低常見單字的優先順序。該演算法降低了所有調查答案中顯示的沒有特定含義的詞彙的優先順序。只有當管理器在驅動程式上下文中具有特定含義時，它才會顯示為主題，提供特定於驅動程式的主題。例如：為環境駕駛員提供辦公室或房間，或提供駕駛員加薪獎勵。如果我們不降低常見字詞的優先級，我們會發現經理是所有駕駛者的話題。
- 傳遞主題摘錄。該演算法根據最能體現某個主題的所有評論的句子生成一個段落。本段讓您深入了解廣泛的對話。
- 確保您的主題隨時間而變化。Peakon 也使用任何與該主題相關的舊評論。但是，主題將取決於過去 3 個月內發表的評論。