Dieser Artikel gibt Ihnen Tipps zur Analyse von Antworten aus einer Doktorandenumfrage über das Klima der Vielfalt und Inklusion. Wenn Sie nach praktischen Möglichkeiten suchen, Umfrageanalysen in umsetzbare Erkenntnisse zu verwandeln, sind Sie hier genau richtig.
Die richtigen Werkzeuge für die Analyse von Umfrageantworten auswählen
Die Art und Weise, wie Sie Ihre Umfragedaten zu Doktoranden über das Klima der Vielfalt und Inklusion analysieren, hängt von der Struktur Ihrer Antworten ab. Sowohl die von Ihnen gewählten Tools als auch Ihr Ansatz sind wichtig.
Quantitative Daten: Wenn Sie sich mit einfachen Zahlen beschäftigen—wie viele Doktoranden „ja“ geantwortet haben oder die Verteilung von demografischen Daten—können Ihnen klassische Werkzeuge wie Excel oder Google Sheets helfen, Trends zu erkennen und einfache Diagramme zu erstellen. Diese eignen sich am besten für Antworten, die sich in übersichtliche, zählbare Kategorien unterteilen lassen.
Qualitative Daten: Wenn Sie offene Fragen stellen wie „Wie fühlen Sie sich im Hinblick auf das Klima Ihrer Abteilung?“ oder Folgefragen einbeziehen, werden Sie mit herkömmlicher Analyse nicht weit kommen. Sie benötigen KI-Tools, um diese unübersichtlichen, textlastigen Daten effizient zu verarbeiten und Erkenntnisse herauszustellen.
Es gibt zwei Ansätze für Werkzeuge, wenn es um qualitative Antworten geht:
ChatGPT oder ein ähnliches GPT-Tool für die KI-Analyse
Sie können Ihre Antworten exportieren und in ChatGPT oder ein anderes GPT-Tool einfügen. Damit können Sie direkt mit der KI über Ihre Umfragedaten chatten und Muster oder Zusammenfassungen extrahieren. Der Prozess ist jedoch oft mühsam: große Mengen an Antworten kopieren und einfügen, sie in Teile zerlegen, um Chat-Limits zu vermeiden, und Fragen zwischen Anfragen verfolgen, zwingt Sie in eine Copy-Paste-Schleife.
Datenschutz- und Workflow-Bedenken. Sie müssen auf sensible Daten achten, und es ist leicht, den Kontext zu verlieren oder auf umfassende Dateninsights zu verzichten, wenn Sie Dinge über verschiedene Gespräche hinweg aufteilen.
All-in-one-Tool wie Specific
Specific ist speziell für Gesprächsumfragen und KI-gesteuerte Analyse entwickelt. Das Tool erfasst Daten und analysiert Antworten in einem System. Es sticht hervor, indem es live Folgefragen stellt, was Ihre Umfrageergebnisse für Doktoranden erheblich bereichert und umsetzbarer macht—diese dynamischen Folgefragen sind entscheidend für das Erfassen von studentischem Kontext, Motivationen und Gefühlen, insbesondere bei Fragen zu Vielfalt und Inklusion.
KI-gesteuerte Analyse ist integriert und sofort. Die Plattform fasst Antworten automatisch zusammen, kategorisiert sie und hebt wichtige Trends hervor und ermöglicht es Ihnen, mit der KI über Ihre Ergebnisse zu chatten—wie ChatGPT, aber speziell für Umfragedaten entwickelt. Sie haben mehr detaillierte Kontrolle und können die Daten nach Belieben filtern, segmentieren oder tief in sie eintauchen. Lesen Sie mehr darüber, wie dies in den Merkmalsbeschreibungen zur KI-Umfrageanalyse funktioniert.
Speziell entwickelte Funktionen für die Umfrageanalyse. Specific verwaltet den Datenkontext automatisch, sodass die bei manuellen GPT-Chats auftretenden Einschränkungen weniger ins Gewicht fallen. Außerdem können Sie Filter setzen, über Segmente chatten, und die Plattform gewährleistet den Datenschutz und die Sicherheit sensibler akademischer Daten.
Es sei erwähnt, dass Organisationen wie Divrsity und TigerGPT ähnliche adaptive Umfrageplattformen oder KI-Chatbots für Klimaumfragen entwickelt haben, die erfolgreich große Kohorten (wie Doktoranden) einbeziehen und umsetzbarere Rückmeldungen als statische Umfrageformulare erbringen. [4][5]
Nützliche Eingabeaufforderungen zur Analyse der Umfragen zur Vielfalt und Inklusion bei Doktoranden
Um das Beste aus Ihren Umfragedaten herauszuholen, sollten Sie intelligente Eingabeaufforderungen nutzen, die darauf ausgelegt sind, Erkenntnisse aus qualitativem Feedback zu extrahieren. KI-Tools funktionieren viel besser, wenn sie klare Anweisungen und zusätzlichen Kontext zur Umfrage und Ihren Zielen erhalten.
Eingabeaufforderung für Kerngedanken: Verwenden Sie dies, um schnell Themen aus großen Datensätzen zu destillieren. Specific verwendet dies standardmäßig, und Sie werden auch mit anderen GPTs hervorragende Ergebnisse erzielen:
Ihre Aufgabe ist es, Kerngedanken in Fettdruck (4-5 Wörter pro Kerngedanke) + bis zu 2 Satz lange Erklärung herauszuarbeiten.
Ausgabeanforderungen:
- Unnötige Details vermeiden
- Geben Sie an, wie viele Personen einen bestimmten Kerngedanken erwähnt haben (Zahlen, keine Worte verwenden), meistgenannte oben
- Keine Vorschläge
- Keine Hinweise
Beispielausgabe:
1. **Text des Kerngedankens:** Erklärungstext
2. **Text des Kerngedankens:** Erklärungstext
3. **Text des Kerngedankens:** Erklärungstext
Starke Eingabeaufforderungen wirken noch besser, wenn Sie mehr Hintergrundinformationen hinzufügen. Beispiel:
Analysieren Sie die Umfrageantworten von Doktoranden zum Klima der Vielfalt und Inklusion in ihrer Abteilung. Unser Ziel ist es, Problemzonen und umsetzbare Verbesserungen zu identifizieren. Die Antworten beinhalten sowohl offene als auch Folgeantworten. Fassen Sie grundlegende Probleme zusammen und erwähnen Sie jegliche bedeutenden Muster im Zusammenhang mit Geschlecht oder ethnischer Zugehörigkeit, falls vorhanden.
Versuchen Sie auch: Erzählen Sie mir mehr über XYZ (Kerngedanke) — bitten Sie die KI, eine Zusammenfassung oder einen wesentlichen Punkt zu erweitern, um mehr Details zu erhalten.
Eingabeaufforderung für spezifisches Thema: Wenn Sie herausfinden möchten, ob ein Thema, wie Ungleichheiten bei der Finanzierung von Abteilungen oder Mentorenmöglichkeiten, angesprochen wurde:
Hat jemand über Finanzierungsschwierigkeiten für unterrepräsentierte Studierende gesprochen? Zitate einfügen.
Eingabeaufforderung für Schmerzpunkte und Herausforderungen: Wenn Sie eine Liste häufiger Probleme oder Frustrationen, die im Klima auftreten, möchten:
Analysieren Sie die Umfrageantworten und listen Sie die häufigsten Schmerzpunkte, Frustrationen oder Herausforderungen auf, die von Doktoranden im Hinblick auf Vielfalt und Inklusion in ihrem Programm genannt wurden. Fassen Sie jede zusammen und notieren Sie Muster oder Häufigkeit des Auftretens.
Eingabeaufforderung für Personas: Neugierig, ob es „Typen“ von Studentenerfahrungen gibt?
Identifizieren und beschreiben Sie basierend auf den Umfrageantworten eine Liste von eindeutigen Personas—ähnlich wie „Personas“ im Produktmanagement verwendet werden. Fassen Sie für jede Persona die wichtigsten Merkmale, Motivationen, Ziele und relevante Zitate oder Muster zusammen, die in den Gesprächen beobachtet wurden.
Eingabeaufforderung für Sentimentanalyse: Möchten Sie wissen, wie sich die Studierenden insgesamt fühlen?
Bewerten Sie das allgemeine Sentiment, das in den Umfrageantworten ausgedrückt wird (z.B. positiv, negativ, neutral). Heben Sie zentrale Sätze oder Feedback hervor, die zu jeder Sentiment-Kategorie beitragen.
Weitere Beispiele für Eingabeaufforderungen und Best Practices für genau dieses Publikum und Thema finden Sie in diesem Leitfaden zu den besten Fragen für Umfragen zur Vielfalt und Inklusion bei Doktoranden.
Wie Specific qualitative Daten basierend auf dem Fragetyp analysiert
Die Art der von Ihnen verwendeten Umfragefragen bestimmt, wie Sie die Daten analysieren sollten, und Specific hat seinen Ansatz entsprechend angepasst:
Offene Fragen mit oder ohne Nachfragen: Die KI fasst die übergreifenden Themen und Muster über alle Antworten hinweg zusammen—einschließlich der von der KI selbst initiierten Folgegespräche. Dies ist entscheidend, um nuancierte Erkenntnisse herauszustellen, wo Studierende über Themen wie Zugehörigkeitsgefühl oder wahrgenommene Barrieren sprechen.
Mehrfachauswahl mit Nachfragen: Jede Antwortmöglichkeit erhält eine eigene detaillierte Zusammenfassung der zugehörigen Folgeantworten. Bei einer Frage wie „Haben Sie Diskriminierung erfahren?“ mit Folgefrage sehen Sie segmentierte Zusammenfassungen, die mit jedem von den Studierenden gewählten Szenario verknüpft sind.
NPS (Net Promoter Score): Jede Gruppe—Kritiker, Passive und Befürworter—erhält eine Zusammenfassung aller zu ihrer Punktzahl gehörenden Folgekommentare. Dies erleichtert den Vergleich von Unzufriedenheitsgründen mit Faktoren, die die Studierenden als positiv oder neutral empfinden.
Sie könnten ein ähnliches Ziel erreichen, indem Sie ChatGPT plus manuelles Sortieren verwenden, aber es ist arbeitsintensiv und es ist leicht, den Fragekontext zu verlieren.
Mehr dazu erfahren Sie in unserem Leitfaden zur KI-Umfrageanalyse und sehen Sie, wie Specific automatische KI-Folgefragen verwendet, um die Umfragequalität zu transformieren: wie KI-Nachfragen funktionieren.
Wie man Herausforderungen mit den Kontextbegrenzungen von KI angeht
Einer der schwierigeren Hürden ist die Kontextgröße—KIs wie GPT „sehen“ nur eine bestimmte Menge an Daten auf einmal. Wenn Ihre Umfrage Hunderte von Antworten hat, passt das gesamte Set möglicherweise nicht in den Kontext, was bedeutet, dass Sie ein unvollständiges Analyseergebnis riskieren.
Filtern: Konzentrieren Sie die KI-Analyse, indem Sie nur Gespräche oder Antworten einbeziehen, bei denen Nutzer auf bestimmte Fragen geantwortet haben oder bestimmte Antworten gewählt haben. So analysiert die KI den relevantesten Teil und bleibt innerhalb der Kontextgrößenbeschränkungen.
Beschneiden: Begrenzen Sie die an die KI gesendeten Fragen—analysieren Sie jeweils nur einen Teil Ihrer Umfrage, was die Anzahl vollständiger Gespräche, die die KI in einer Sitzung in Betracht ziehen kann, dramatisch erhöht.
Specific handhabt beide Ansätze von Haus aus, was eine erhebliche Menge manueller Arbeit spart. Wenn Sie ChatGPT direkt verwenden, müssen Sie Ihre Batches oder Abschnitte vor der Analyse planen und genau im Auge behalten, was in jedem Prompt gesendet wird.
Mehr zu Workflow und Strukturen? Schauen Sie sich unser How-to zum Erstellen von Umfragen unter Doktoranden an.
Kooperative Funktionen zur Analyse von Doktorandenumfragen
Die Zusammenarbeit an Umfrageanalysen kann schwierig sein. Besonders bei Klimaumfragen zur Vielfalt und Inklusion—es gibt oft eine Mischung aus Forschnungspersonal, Abteilungsleitern und Administratoren, die zusammenarbeiten. Feedback am Laufen zu halten, Ergebnisse zu segmentieren und Perspektiven zu trennen, ist in der Regel eine Jonglieraufgabe.
In Specific ist die Umfragedatenanalyse gesprächsorientiert und kollaborativ. Teammitglieder können direkt in der App mit der KI chatten—kein Wechsel zwischen Tools erforderlich. Sie können mehrere parallele Chats für verschiedene Fragestellungen aufbauen: einen, der sich auf „Mentorlücken“ konzentriert, einen anderen, der die Antworten von URM-Studierenden filtert, und einen weiteren, der von internationalen Befragten positiv hervorgehobene Aspekte untersucht.
Jeder Chat ist sein eigenes Kontext. Sie können jedem Analysechat benutzerdefinierte Filter zuweisen und auf relevante Segmente konzentrieren und auf einen Blick sehen, wer diese Analyse gestartet hat. Dies ist ein Wendepunkt für Gruppenprojekte oder Komiteearbeit.
Avatar-basierte Nachrichten halten die Dinge klar. Wenn Sie zusammenarbeiten, sehen Sie, welches Teammitglied was in dem Analysechat gesagt hat, was Transparenz und Klarheit bringt und die Frage „wer hat das durchgeführt?“ überflüssig macht.
Mehr zum Erstellen und Anpassen dieser kollaborativen Umfragearbeitsbereiche finden Sie auf der Seite zur Funktion des KI-Umfrageeditors oder beginnen Sie ganz neu mit unserem speziellen Umfragegenerator für Doktoranden.
Erstellen Sie jetzt Ihre Umfrage über das Klima der Vielfalt und Inklusion bei Doktoranden
Verwandeln Sie wertvolle Erkenntnisse über Doktoranden in umsetzbare Veränderungen, indem Sie noch heute Ihre eigene KI-gestützte Umfrage erstellen—erhalten Sie automatische Nachfolgefragen, tiefgehende KI-gesteuerte Analysen und mühelose Zusammenarbeit in einem.