Моделирование исследований при помощи ИИ:
что полезно знать L&D
Один из юзкейсов использования ИИ нашими бизнес-заказчиками - это моделирование разного типа исследований:
▪️фокус-группы по хорошо прописанным персонам,
▪️опросов целевой аудитории по какой-то идее, изменениям в продукте, маркетинговой компании
и т.п.
L&D могут и для собственных нужд моделировать исследования:
▪️Прописал максимально подробно и четко профиль компании, культуру (по-честному, а не то, что в HR-гайдбуке, конечно), персоны потенциальных обучаемых, дизайн исследования - и можно обстучать об ChatGPT свои гипотезы о проектах обучения. Из плюсов - он не поленится давать развернутые ответы, хех.
▪️Можно скормить ему материалы прототипов тренингов или др.разработки, заставить его сделать скрипты кастдев интервью, хорошенько прописав персоны, контекст и цели, а потом его же и заставить проанализировать и сделать гипотезы и аналитику. Получится дольше, но прям намного инсайтовей.
Я и сама в своих мастер-классах показываю, как это делать. Но всегда поясняла риски, ограничения и варианты, как эти ИИ-шные результаты можно применять, а как - не стоит.
Поэтому с огромным интересом посмотрела лекцию Криса Чапмена с критикой использования ИИ для моделирования исследований. Вот чем хочется поделиться.
❌ ОПАСЕНИЯ И КРИТИКА
1️⃣ ИИ накормлен старыми данными, их много, он не может воспроизвести какой-то сдвиг, который уже пошел, но еще не стал трендом.
2️⃣ ИИ генерит ответы статистически. Это вам не гений литературы, который сделает странный диалог, по которому вы своей человеческой эмпатией, прагматикой, контекстом выловите глубинные гипотезы и зададите уточняющий вопрос, который приведет вас к инсайту.
3️⃣ Нет никакого рабочего механизма получить от ИИ релевантную критику данного типа работ. Это вам не код.
✅ ПОЛЕЗНЫЕ СЦЕНАРИИ
1️⃣ Моделировать дополнительных участников мозгового штурма. Они внезапно могут натолкнуть реальных участников на инсайт.
2️⃣ Тестировать анкеты, опросники и др.материалы, которые вы дадите людям. Вот тут ИИ очень полезен, когда у вас не толпа компетентных сотрудников добросовестно чекает, когда у вас глаз замылился от своего думания и внесения правок.
3️⃣ Моделировать оценку концептов, но не принимать к исполнению результат, а подумать дальше.
4️⃣ Подготовка исследований. ИИ очень хорошо их проектирует под присмотром эксперта и берет на себя рутинную часть этой работы.
❗️Главная мысль: Synthetic survey data — это не данные, а модель предположений о людях.
Сама лекция и спикер стоят того, чтобы посмотреть целиком, особенно если вы не так чтобы имеете много личного опыта по такому сценарию использования ИИ.
🧙♀️Канал Ани Бабиной Телеграм | Макс | Сетка
что полезно знать L&D
Один из юзкейсов использования ИИ нашими бизнес-заказчиками - это моделирование разного типа исследований:
▪️фокус-группы по хорошо прописанным персонам,
▪️опросов целевой аудитории по какой-то идее, изменениям в продукте, маркетинговой компании
и т.п.
L&D могут и для собственных нужд моделировать исследования:
▪️Прописал максимально подробно и четко профиль компании, культуру (по-честному, а не то, что в HR-гайдбуке, конечно), персоны потенциальных обучаемых, дизайн исследования - и можно обстучать об ChatGPT свои гипотезы о проектах обучения. Из плюсов - он не поленится давать развернутые ответы, хех.
▪️Можно скормить ему материалы прототипов тренингов или др.разработки, заставить его сделать скрипты кастдев интервью, хорошенько прописав персоны, контекст и цели, а потом его же и заставить проанализировать и сделать гипотезы и аналитику. Получится дольше, но прям намного инсайтовей.
Я и сама в своих мастер-классах показываю, как это делать. Но всегда поясняла риски, ограничения и варианты, как эти ИИ-шные результаты можно применять, а как - не стоит.
Поэтому с огромным интересом посмотрела лекцию Криса Чапмена с критикой использования ИИ для моделирования исследований. Вот чем хочется поделиться.
❌ ОПАСЕНИЯ И КРИТИКА
1️⃣ ИИ накормлен старыми данными, их много, он не может воспроизвести какой-то сдвиг, который уже пошел, но еще не стал трендом.
2️⃣ ИИ генерит ответы статистически. Это вам не гений литературы, который сделает странный диалог, по которому вы своей человеческой эмпатией, прагматикой, контекстом выловите глубинные гипотезы и зададите уточняющий вопрос, который приведет вас к инсайту.
3️⃣ Нет никакого рабочего механизма получить от ИИ релевантную критику данного типа работ. Это вам не код.
✅ ПОЛЕЗНЫЕ СЦЕНАРИИ
1️⃣ Моделировать дополнительных участников мозгового штурма. Они внезапно могут натолкнуть реальных участников на инсайт.
2️⃣ Тестировать анкеты, опросники и др.материалы, которые вы дадите людям. Вот тут ИИ очень полезен, когда у вас не толпа компетентных сотрудников добросовестно чекает, когда у вас глаз замылился от своего думания и внесения правок.
3️⃣ Моделировать оценку концептов, но не принимать к исполнению результат, а подумать дальше.
4️⃣ Подготовка исследований. ИИ очень хорошо их проектирует под присмотром эксперта и берет на себя рутинную часть этой работы.
❗️Главная мысль: Synthetic survey data — это не данные, а модель предположений о людях.
Сама лекция и спикер стоят того, чтобы посмотреть целиком, особенно если вы не так чтобы имеете много личного опыта по такому сценарию использования ИИ.
🧙♀️Канал Ани Бабиной Телеграм | Макс | Сетка