Wie man KI zur Analyse von Antworten aus einer Umfrage unter Beamten zu Vielfalt, Gleichberechtigung und Inklusion im öffentlichen Dienst nutzt

Dieser Artikel gibt Ihnen Tipps, wie Sie Antworten aus einer Umfrage unter Beamten zu Vielfalt, Gleichberechtigung und Inklusion im öffentlichen Dienst analysieren können. Egal, ob Sie Rohdaten oder offene Textantworten haben, ich zeige Ihnen praktische Methoden, um Ihre Umfrageergebnisse in umsetzbare Erkenntnisse zu verwandeln.

Die richtigen Werkzeuge für die Analyse von Umfrageantworten auswählen

Der richtige Ansatz zur Analyse von Umfragedaten von Beamten zu Vielfalt, Gleichberechtigung und Inklusion hängt stark von der Struktur Ihrer Daten ab. Nach meiner Erfahrung sollten die Werkzeuge, die Sie wählen, zu Ihrem Mix aus quantitativen und qualitativen Antworten passen.

• Quantitative Daten: Wenn Sie mit harten Zahlen arbeiten – wie der Anzahl der Personen, die bestimmte Optionen gewählt haben – reichen oft einfache Werkzeuge wie Excel oder Google Sheets aus. Diese Tools können Prozentsätze berechnen und Trends bei Gehaltsunterschieden anzeigen, wie zum Beispiel die medianen geschlechtsspezifischen Gehaltsunterschiede im britischen öffentlichen Dienst 2024, die mit 8,5 % weiterhin über dem nationalen Durchschnitt liegen. Solche Informationen sind unschätzbar, um Repräsentationsfragen auf einen Blick zu verstehen. [1]
• Qualitative Daten: Wenn Ihre Umfrage offene Fragen oder ausführliche Folgeantworten enthält, haben Sie es mit qualitativen Daten zu tun. Diese Antworten manuell zu lesen ist nicht nur zeitaufwendig – es ist nahezu unmöglich, wenn Sie Dutzende oder Hunderte von Einträgen haben. Dafür benötigen Sie KI-gestützte Werkzeuge, die Themen und Muster schnell und zuverlässig zusammenfassen können.

Es gibt zwei Ansätze für Werkzeuge bei der Verarbeitung qualitativer Antworten:

ChatGPT oder ähnliches GPT-Tool für KI-Analyse

Wenn Sie Ihre offenen Textantworten exportieren – zum Beispiel aus SurveyMonkey oder Google Forms – können Sie diese in ChatGPT oder ein anderes GPT-Tool einfügen und mit Ihren Daten interagieren. Dieser Ansatz funktioniert bei kleinen Datensätzen, und Sie können gezielte Fragen stellen wie: „Was sind die wichtigsten wiederkehrenden Themen?“ oder „Welche Herausforderungen beschreiben die Beamten?“

Dieser Prozess ist jedoch nicht sehr bequem. Sie müssen die Daten für die KI-Eingabe formatieren, sie in kleinen Chargen kopieren, wenn es zu viele sind, und mehrere Chat-Sitzungen verwalten. Für explorative Analysen ist das machbar, aber bei größeren Umfragen wird es schnell umständlich.

All-in-One-Tool wie Specific

Ein KI-Tool, das speziell für diesen Workflow entwickelt wurde, wie Specific, vereint alles an einem Ort. Sie können sowohl Umfragedaten sammeln als auch sofort KI-gestützte Analysen durchführen. So hilft es:

• Specifics KI stellt während der Umfrage automatisch Folgefragen. Das erhöht die Qualität und Tiefe der Antworten – entscheidend für ein komplexes Thema wie DEI im öffentlichen Dienst. Erfahren Sie mehr über automatische KI-Folgefragen.
• Sobald die Antworten vorliegen, fasst die KI diese sofort zusammen, identifiziert Schwerpunktthemen und hebt umsetzbare Erkenntnisse hervor – ganz ohne Tabellenkalkulationen oder manuelles Sortieren.
• Sie können mit der KI über die Ergebnisse chatten, genau wie bei ChatGPT. Der Unterschied ist, dass Sie zusätzliche Funktionen zum Filtern, Verwalten und Erkunden Ihrer Daten erhalten, ohne Dateien jonglieren oder Antworten kopieren zu müssen. Es ist für kollaborative Feedbackarbeit konzipiert, besonders bei Beamtenumfragen zu komplexen Themen wie Repräsentation oder Diskriminierung.

Zusammenfassend können Sie generische KI-Chat-Tools für kleinere Aufgaben nutzen, aber spezialisierte Plattformen wie Specific machen die groß angelegte qualitative Umfrageanalyse wesentlich einfacher und umsetzbarer.

Nützliche Eingabeaufforderungen zur Analyse von Umfrageantworten zu Vielfalt, Gleichberechtigung und Inklusion bei Beamten

Eine KI ist nur so nützlich wie die Eingaben, die Sie ihr geben. Um sicherzustellen, dass Sie die Erkenntnisse erhalten, die Sie zu den Perspektiven von Beamten zu Vielfalt, Gleichberechtigung und Inklusion benötigen, hier einige erprobte Eingabeaufforderungen, die sowohl in ChatGPT als auch in Specific funktionieren.

Eingabeaufforderung für Kernideen: Diese funktioniert für jede Datensatzgröße und hilft Ihnen, die wichtigsten Themen zu verstehen, die in allen Antworten zum Ausdruck kommen.

Ihre Aufgabe ist es, Kernideen fettgedruckt (4-5 Wörter pro Kernidee) + eine Erklärung von bis zu 2 Sätzen zu extrahieren. Ausgabeanforderungen: - Vermeiden Sie unnötige Details - Geben Sie an, wie viele Personen eine bestimmte Kernidee erwähnt haben (Zahlen, keine Wörter), die meistgenannte zuerst - keine Vorschläge - keine Hinweise Beispielausgabe: 1. **Kernidee Text:** Erklärungstext 2. **Kernidee Text:** Erklärungstext 3. **Kernidee Text:** Erklärungstext

Die KI liefert deutlich bessere Antworten, wenn Sie mehr Kontext zu Ihrer Umfrage, Zielgruppe oder Ihren Zielen geben. Fügen Sie dies einfach vor Ihrer Eingabeaufforderung hinzu:

Wir haben britische Beamte zu ihren Erfahrungen und Herausforderungen mit Vielfalt, Gleichberechtigung und Inklusion im öffentlichen Dienst befragt. Wir möchten die wichtigsten Probleme, Verbesserungsideen und spezifische Schmerzpunkte im Zusammenhang mit Chancengleichheit, Repräsentation und Inklusion am Arbeitsplatz aufdecken.

Eingabeaufforderung zum Vertiefen eines Themas: Sobald die KI die Kernthemen zusammengefasst hat, bitten Sie um eine ausführlichere Erläuterung dieser Ideen:

Erzählen Sie mir mehr über Unterrepräsentation von Frauen in Führungspositionen

Eingabeaufforderung für spezifische Erwähnungen: Ideal, um zu prüfen, ob jemand ein Thema angesprochen hat, das Sie interessiert.

Hat jemand über Gehaltsunterschiede gesprochen? Bitte Zitate einfügen.

Eingabeaufforderung für Personas: Nützlich, wenn Sie Ihre Zielgruppe nach Erfahrung oder Hintergrund segmentieren möchten.

Basierend auf den Umfrageantworten identifizieren und beschreiben Sie eine Liste von unterschiedlichen Personas – ähnlich wie "Personas" im Produktmanagement verwendet werden. Fassen Sie für jede Persona deren Hauptmerkmale, Motivationen, Ziele und relevante Zitate oder Muster zusammen.

Eingabeaufforderung für Schmerzpunkte und Herausforderungen: Verschaffen Sie sich Klarheit darüber, was schiefläuft und wo Beamte mehr Unterstützung benötigen.

Analysieren Sie die Umfrageantworten und listen Sie die häufigsten Schmerzpunkte, Frustrationen oder Herausforderungen auf. Fassen Sie jede zusammen und notieren Sie Muster oder Häufigkeiten.

Eingabeaufforderung für Vorschläge & Ideen: Wenn Sie umsetzbare Empfehlungen für Veränderungen sammeln möchten.

Identifizieren und listen Sie alle Vorschläge, Ideen oder Wünsche der Umfrageteilnehmer auf. Ordnen Sie sie nach Thema oder Häufigkeit und fügen Sie relevante direkte Zitate hinzu.

Für noch mehr Eingabeaufforderungen, die auf Umfragen zu Vielfalt und Inklusion zugeschnitten sind, sehen Sie sich diesen Leitfaden zu effektiven Umfragefragen für Beamte an.

Wie Specific qualitative Umfragedaten basierend auf Fragetyp analysiert

Schauen wir uns an, wie Specific (und KI-Tools im Allgemeinen) qualitative Analysen für verschiedene Fragetypen handhabt:

• Offene Fragen (mit oder ohne Folgefragen): Specific erstellt eine Gesamtauswertung, die jede Antwort auf die Hauptfrage und alle zugehörigen Folgefragen abdeckt. So erfassen Sie das Spektrum der Ansichten, etwa bei der Analyse der differenzierten Gründe für den anhaltenden geschlechtsspezifischen Gehaltsunterschied in Führungspositionen im öffentlichen Dienst. [1]
• Auswahlfragen mit Folgefragen: Jede Antwortoption erhält eine eigene Zusammenfassung, die alle Bemerkungen der Befragten in Folgefragen zu dieser spezifischen Wahl abdeckt. Das bringt wertvolle Muster hervor (z. B. warum sich Beamte je nach Abteilung oder Team ein- oder ausgeschlossen fühlen).
• NPS (Net Promoter Score): Jeder Segment – Kritiker, Passive, Befürworter – erhält eine eigene Analyse. Für DEI im öffentlichen Dienst bedeutet das, dass Sie schnell sehen können, was Ihre stärksten Unterstützer motiviert und was Ihre Kritiker am meisten frustriert.

Sie können dieselbe Logik in ChatGPT anwenden; das erfordert jedoch mehr Kopieren, Einfügen und manuelles Organisieren der Folgeantworten für jede Frage – weshalb eine spezialisierte Umfrageplattform wie Specific die Dinge einfach und wiederholbar hält.

Um mehr darüber zu erfahren, wie man KI-gestützte Umfragen wie diese einrichtet, sehen Sie diesen praktischen Umfrage-Generator-Leitfaden für DEI-Umfragen unter Beamten.

Umgang mit den Kontextgrenzen von KI

Alle großen Sprachmodelle, einschließlich derjenigen, die ChatGPT und Specifics Analyse antreiben, haben eine Begrenzung der Kontextgröße – das heißt, sie können nur eine begrenzte Textmenge gleichzeitig "sehen" und analysieren. Wenn Ihre Beamtenumfrage Hunderte detaillierte Antworten enthält, stoßen Sie schnell an diese Grenze.

Hier sind die zwei Hauptmethoden, um damit umzugehen, die beide in Specific integriert sind, aber auch mit KI-Tools anwendbar sind:

• Filtern: Senden Sie nur Gespräche, bei denen Nutzer auf eine bestimmte Frage geantwortet oder bestimmte Antworten ausgewählt haben. Zum Beispiel analysieren Sie nur die Antworten aus Abteilungen mit dem höchsten geschlechtsspezifischen Gehaltsunterschied – wie das Gesundheitsministerium, das 2024 eine Lücke von 13,9 % hatte. [1]
• Zuschneiden: Begrenzen Sie die Fragen, die Sie zur KI-Analyse senden. Indem Sie sich auf kleine Fragengruppen konzentrieren, schaffen Sie Platz für mehr Gespräche und erhalten gleichzeitig tiefere Einblicke für jede Gruppe.

Dieser Ansatz ermöglicht es Ihnen, große, komplexe DEI-Datensätze von Beamten zu analysieren und dabei innerhalb der technischen Grenzen der KI zu bleiben, sodass Sie dennoch echten Mehrwert aus Ihrer Umfrageanalyse ziehen.

Kollaborative Funktionen zur Analyse von Beamten-Umfrageantworten

Bei Umfragen zu Vielfalt, Gleichberechtigung und Inklusion unter Beamten ist Zusammenarbeit oft schwierig: viele Beteiligte, Meinungen und sensible Themen, die es zu erforschen gilt. Deshalb ist das Teilen von Erkenntnissen und die Koordination der nächsten Schritte entscheidend.

Chatgesteuerte Analyse: Specific ermöglicht Teams, qualitative Umfragedaten einfach durch Chatten mit der KI zu analysieren. Sie müssen keine SQL-Abfragen ausführen oder endlose Tabellen verwalten. Sehen Sie etwas Interessantes oder möchten Sie eine wichtige Erkenntnis hervorheben? Fragen Sie die KI und teilen Sie das Ergebnis sofort.

Mehrere Chat-Threads: Sie können die Arbeit auf dutzende analytische Chats aufteilen, die jeweils einen anderen Fokus haben – Gehaltsunterschiede in verschiedenen Abteilungen, Herausforderungen für unterrepräsentierte Beamte oder Reaktionen auf neue DEI-Richtlinien (einschließlich großer Wendepunkte wie der Abschaffung bundesstaatlicher DEI-Programme in den USA 2024-2025 [4][5]). Jeder Chat zeigt an, wer ihn erstellt hat, sodass Sie die Arbeit aufteilen und Perspektiven vergleichen können.

Sichtbarkeit und Verantwortlichkeit: Jeder, der an der Umfrageanalyse arbeitet, sieht genau, wer was gesagt hat und woher das Feedback stammt. Das bedeutet weniger Verwirrung, reibungslosere Überprüfungen und mehr Vertrauen beim Teilen der Ergebnisse – wichtig, wenn sensible Themen wie die „Watchlists“ der American Accountability Foundation auftauchen, die Beamte wegen ihrer DEI-Unterstützung ins Visier nehmen [3].

Wenn Ihre Analyse sowohl gründlich als auch teamfreundlich sein muss, sparen Specifics kollaborative Workflows Zeit und helfen Ihnen, die Politik und Komplexität der DEI-Arbeit im öffentlichen Sektor zu navigieren. Erfahren Sie mehr darüber, wie einfach es ist, diese Workflows in diesem How-to-Leitfaden für öffentliche Umfrageprojekte zu strukturieren.

Erstellen Sie jetzt Ihre Beamten-Umfrage zu Vielfalt, Gleichberechtigung und Inklusion im öffentlichen Dienst

Beginnen Sie damit, reichhaltigere und ehrlichere Rückmeldungen von Ihrem Team mit KI-gestützten Umfragen zu sammeln – erhalten Sie umsetzbare Erkenntnisse, heben Sie Lücken hervor und treiben Sie echten Wandel mit weniger manuellem Aufwand voran.