หลายบริษัทนิยมสร้างแบบสอบถามเพื่อสำรวจทัศนคติในการทำงาน เช่น สำรวจความพึงพอใจในการทำงาน สำรวจความผูกพันในที่ทำงาน สำรวจความรู้สึกถึงความยุติธรรมในการทำงาน เป็นต้น แบบสำรวจนี้จะเป็นรูปแบบประโยคให้ผู้ตอบประเมินว่าเห็นด้วยหรือไม่เห็นด้วยกับข้อความที่เตรียมไว้ เช่น มีข้อความว่า “คุณพึงพอใจกับเพื่อนร่วมงานปัจจุบัน” และให้ผู้ตอบตอบว่าเห็นด้วยหรือไม่เห็นด้วยกับข้อความนี้ วิธีนี้เป็นวิธีที่นิยมมากเพราะเป็นวิธีการที่ง่ายในการวิเคราะห์ผล

อย่างไรก็ตาม ด้วยเทคโนโลยีการประมวลผลภาษาตามธรรมชาติ (Natural Language Processing; NLP) คำตอบจากคำถามปลายเปิดก็สามารถนำมาประมวลผลเป็นคะแนนทัศนคติการทำงานด้านต่างๆ ได้

เท้าความก่อนว่า NLP คืออะไร NLP เป็นศาสตร์ความรู้ภายใต้ปัญญาประดิษฐ์ (Artificial Intelligence; AI) ที่พยายามเข้าใจภาษาที่มนุษย์สื่อสาร นำมาตัดประโยค นำมาเข้าใจอารมณ์ความรู้สึกของประโยคที่กำลังสื่ออยู่ พยายามเข้าใจบริบทของภาษา ในที่นี้รวมถึงการเปลี่ยนคำพูดเป็นตัวอักษรด้วย NLP ในภาษาอังกฤษในปัจจุบันมีความก้าวหน้าอย่างมากจนคนอาจไม่สามารถสังเกตได้ เช่น วีดีโอ YouTube บางวีดีโอ ถูกสร้างเนื้อหาด้วย AI และนำเนื้อหามาพูดด้วย AI โดยที่ผู้ฟังไม่สังเกตเลยว่าสิ่งเหล่านี้เป็นสิ่งที่ AI ประดิษฐ์

NLP ก็สามารถนำมาประยุกต์ใช้ในการเข้าใจคำตอบของคำถามปลายเปิดได้ คำถามปลายเปิดให้ผู้ตอบสามารถตอบด้วยการพิมพ์หรือเขียนได้อย่างอิสระ ยกตัวอย่างเช่น อาจถามว่า “ช่วยอธิบายว่าคุณรู้สึกอย่างไรต่อปริมาณงานที่คุณถูกคาดหวัง (เช่น จำนวนชิ้นงาน)” แล้วให้ผู้ตอบเขียนอธิบาย และบังคับให้ผู้ตอบต้องตอบระหว่าง 75-500 คำ ผู้สำรวจจะมีคำถามแบบนี้หลายคำถาม ผู้พัฒนาคำถามสามารถประยุกต์นำ NLP ,มาคำนวณสร้างคะแนนทัศนคติการทำงานในมิติต่างๆ ได้หลากหลาย

ล่าสุด Speer และคณะได้ตีพิมพ์งานวิจัยใน Journal of Applied Psychology ในปีพ.ศ. 2566 ว่าทีมผู้วิจัยของพวกเขาประสบความสำเร็จในการสร้างชุดคำถามแบบสอบถามปลายเปิด ประกอบชุดข้อคำถามที่ให้ตอบสั้นๆ 16 ข้อและตอบยาวๆ 2 ข้อ ทีมงานประเมินว่าข้อคำถามจะวัดทัศนคติเป้าหมายได้มากน้อยเพียงใด ซึ่งจาก 18 ข้อ สามารถแปลงเป็นทัศนคติทั้งหมด 26 ด้าน เช่น ความเป็นอิสระ ความสับสนในบทบาท ความตั้งใจลาออก ภาระงาน เป็นต้น ที่ได้จำนวนด้านของทัศนคติมากกว่าจำนวนข้อ เพราะแต่ละข้อสามารถบ่งชี้ถึงทัศนคติได้หลายด้าน

Speer และคณะได้พบว่าอัลกอรึทึมที่ให้ความใส่ใจบริบทในเนื้อความ (Contextual embeddings and specialized attention algorithm) ได้ผลในการแปลงคะแนนทัศนคติด้านต่างๆ ได้ดีมาก อัลกอรึทึมนี้ไม่ได้ใช้แค่เพียงคำสำคัญ (keywords) เท่านั้น แต่ดูจากบริบทที่คำสำคัญนั้นอยู่ด้วย เช่น ผู้ตอบตอบว่า “งานของฉันหนักมาก ถ้าเพื่อนร่วมงานป่วยหรือลา ไม่ได้หนักตลอด” หากสนใจแต่คำสำคัญและนับคำ โปรแกรมจะสนใจเพียงคำว่า “หนัก” แล้วไปให้คะแนนภาระงาน (workload) สูง แต่หากคำนวณคะแนนจากบริบท คำว่าหนักนี้ อาจไม่ได้สะท้อนว่าคนนี้ทำงานหนักมากขนาดนั้น เพราะมีประโยคเงื่อนไขอยู่ เมื่อนำบริบทมาเกี่ยวข้องด้วย จะทำให้คะแนนที่คำนวณได้ สัมพันธ์กับคะแนนทัศนคติที่ได้จากแบบสอบถามปลายปิดสูง Speer และคณะได้เผยแพร่เครื่องมือการคำนวณคะแนนไว้ในบทความตีพิมพ์ของพวกเขาด้วย แต่อาจจะต้องมีความรู้ R และ Python เล็กน้อย 

ต่อไปนี้ หากพนักงานได้รับการสำรวจความพึงพอใจในการทำงาน พนักงานไม่จำเป็นต้องตอบแค่เห็นด้วย หรือไม่เห็นด้วยกับข้อความเฉยๆแล้ว แต่พนักงานสามารถเขียนสิ่งที่ตัวเองคิดได้โดยตรงเลยได้เต็มที่เลย เพราะมีโปรแกรมแปลงคำตอบตัวอักษรเป็นคะแนนให้แล้ว อย่างไรก็ตาม หากผู้ตอบได้รู้ว่าคำตอบที่ตนเองเขียนไป ไม่มีใครอ่านเลย มีแต่คอมพิวเตอร์อ่าน ผู้ตอบน่าจะรู้สึกไม่ดีที่ "คนถามตัวเป็นๆ" ไม่ได้ใส่ใจ และลงรายละเอียดกับสิ่งที่ผู้ตอบแต่ละคนคิด ให้โปรแกรมอ่านแค่คำบางคำที่สำคัญ ที่เหลือทิ้งหมด ดังนั้น วิธีการวิเคราะห์ในงานนี้ไม่ควรใช้เป็นเครื่องมือเดียวในการสำรวจทัศนคติ นักวิจัยควรพัฒนาเครื่องมือที่สรุปคำตอบที่ได้จากคำตอบทุกข้อจากพนักงานทุกคนที่ได้รับการสำรวจ เพื่อบรรยายใจความสำคัญของการตอบจากพนักงาน ว่าแผนกใดมีจุดที่แก้ไขเรื่องอะไร (เช่น แผนกพนักงานขาย มีปัญหาเรื่องความพึงพอใจกับผู้บังคับบัญชา) เป็นต้น หากพูดด้วยภาษาวิจัย งานวิจัยของ Speer และคณะสรุปข้อความในเชิงปริมาณ (qualitative) แต่ไม่ได้สรุปเนื้อหาในเชิงคุณภาพ (qualitative) 

ปัจจุบันนี้ เทคโนโลยีที่มาแรงที่สุดในปัจจุบันอย่าง  ChatGPT สามารถนำมาประยุกต์ใช้สรุปความในเชิงคุณภาพได้ ChatGPT สามารถสรุปหนังสือหลายร้อยหน้า เป็นหัวข้อต่างๆ ได้อย่างง่ายดาย  (ซึ่งต้องมาวิจัยถึงความถูกต้องเพิ่มเติม) ผมเชื่อว่าถ้าเพิ่มการสรุปผลในเชิงคุณภาพไปด้วย และสามารถชี้ได้ว่าการสรุปผลเชิงคุณภาพแต่ละหัวข้อนำมาจากข้อความใด จะทำให้การสำรวจทัศนคติในการทำงานมีประสิทธิภาพขึ้น องค์กรก็จะสามารถเข้าใจพนักงานได้ดีขึ้น ว่าพนักงานส่วนใหญ่คิดอะไรและรู้สึกอะไรอยู่จากการสรุป และนำคะแนนที่ได้งานวิจัยของ Speer ไปวิเคราะห์เป็นตัวเลข เพื่อใช้ในการเปรียบเทียบกับคะแนนในอดีต หรือเปรียบเทียบคะแนนระหว่างแผนก