Artificiell Intelligens (AI) har på väldigt kort tid blivit en central del av många arbetsprocesser och erbjuder arbetsplatser en rad möjligheter för att underlätta och effektivisera arbete.

Bland annat genom att automatisera uppgifter, analysera större mängder data och ta över rutinmässiga dataregistreringar. Detta gör AI till ett kraftfullt verktyg för att öka både produktivitet och innovation – ett verktyg som vi nyttjar på Novus.

Vi hanterar stora mängder data dagligen och bland dessa återfinns även vad vi kallar för ”öppna svar”.

När Novus tillsammans med kund tar fram ett batteri av frågor vars syfte är att ge kvantitativa svar på exempelvis omdöme, kännedom eller inställning till något presenteras dessa oftast i siffror.

Men ibland vill man ju även få svar på något i textformat – nämligen öppna svar. Ett öppet svar ger respondenten möjligheten att skriva fritt/motivera kring varför man tycker som man gör, i stället för att enbart ge ett betyg i form av en siffra.

En allmänhetsundersökning i Novus Sverigepanel innefattar oftast 1000 intervjuer per undersökning. Så hur hanterar vi 1000 öppna svar idag? Hur fungerar processen att kategorisera dessa öppna svar – och kan vi göra något extra?

Ett AI-verktyg som Novus använt som stöd i processen för att koda öppna svar är vad vi kallar för Novus LLM (Novus Large Language Model). Det är ett AI-verktyg som har skapats In-house hos oss på Novus och som på egen hand kategoriserar, kodar och analyserar sentiment av öppna svar. Eftersom systemet är In-house så behöver vi inte oroa oss för att känsliga uppgifter m.m. sparas, laddas ned eller används av någon utomstående aktör. Men hur fungerar det? Och hur används det i praktiken?

Exempel på Novus LLM:s appliceringsområde

Case 1

Novus genomförde nyligen ett projekt där respondenter fick se olika stimulimaterial och uppge det första de tänker på när de ser just det specifika stimuli. Totalt analyserades 20 olika kombinationer av stimulimaterial uppdelat över cirka 4000 respondenter – vilket resulterar i 11 000 öppna svar.

Med hjälp av Novus LLM kunde vi analysera dessa öppna svar på bara några minuter.

Eftersom det i detta fall handlade om enstaka ord krävdes inte en stor språkmodell såsom GPT, Llama eller liknande, då de är till för mer komplexa analyser. Modellen anpassas efter behovet, och i detta fall applicerades lättare maskininlärning och textanalys.

Case 2

I ett annat nyligen genomfört projekt krävdes dock en annan metod. Vi fick längre öppna svar som handlade om hur respondenter känner kring ett rörligt videomaterial. Detta medförde en mycket större komplexitet då känslor och tankar kopplat till ett specifikt ämne kan vara svårt att särskilja, dvs kontexten i svaren kopplat till ämnet. Därför anpassades användningen av Novus LLM efter det. Då det krävdes en mer avancerad analys användes en stor språkmodell för att få ut sentimentet kopplat till alla öppna svar, alltså om svaren var positiva, neutrala eller negativa. Vi fick en mer övergripande bild av hur respondenter reagerade på just den videon, för att sedan kunna sättas in och användas i analysen.

Men det viktigaste är just att vi inte använder en “one-size-fits-all” approach för olika analyser – den behöver anpassas efter vad som krävs för just det som ska analyseras.