通过人工智能识别工作场所歧视模式

目标受众

- 人力资源专业人士：希望通过数据分析了解员工满意度和多样性问题。
- 公司管理层：需要评估公司文化和员工体验，特别是针对不同群体的差异。
- 数据分析师：希望利用自动化工具进行复杂的数据提取和分析。
- 社会公正倡导者：关注工作场所的公平性和多样性，致力于改善员工体验。

解决的问题

此工作流解决了在工作场所中识别和分析歧视模式的问题。通过自动化数据提取和分析，用户能够深入了解不同人口群体的员工满意度，特别是那些可能面临不平等待遇的群体。该工作流帮助用户识别潜在的不公平现象，并提供数据支持以促进文化变革。

工作流步骤

1. 手动触发工作流：用户通过点击‘测试工作流’按钮开始流程。
2. 设置公司名称：定义要分析的公司名称，例如 Twilio。
3. 定义人口统计字典：设置不同人口群体的标识，如亚裔、拉丁裔、白人等。
4. 使用 ScrapingBee 抓取数据：通过 ScrapingBee 从 Glassdoor 网站提取公司相关数据。
5. 提取公司页面内容：获取公司的详细信息，包括员工评论和评分。
6. 提取评论页面的 URL：找到具体的评论页面链接，以便进一步分析。
7. 提取评论内容：抓取评论的整体摘要和人口统计模块。
8. 分析评分和分布：使用 AI 提取整体评分和每个群体的评分分布。
9. 计算方差和标准差：根据评分分布计算方差和标准差，以了解评分的波动性。
10. 计算 Z 分数和效应大小：评估不同人口群体的评分与整体评分之间的差异。
11. 生成散点图和条形图：使用 QuickChart 可视化分析结果，展示不同群体的评分差异和效应大小。
12. 生成分析报告：通过 AI 生成总结性分析，提供关键见解和员工体验描述。

自定义指南

- 更改公司名称：在 SET company_name 节点中修改公司名称，以分析不同公司。
- 更新 API 凭证：确保在 ScrapingBee 和 OpenAI 节点中使用有效的 API 凭证。
- 调整人口统计字典：根据需要添加或删除人口群体，更新 Define dictionary of demographic keys 节点中的内容。
- 修改数据提取逻辑：根据公司页面的 HTML 结构，调整数据提取的 CSS 选择器。
- 自定义图表格式：在 Specify additional parameters for scatterplot 节点中修改图表的标题、标签和样式，以符合品牌或报告需求。