在Glassdoor審查中使用語(yǔ)言模型，以一種我們?cè)緹o(wú)法做到的方式，幫助我們衡量了這種含糊不清的東西，稱(chēng)為“文化”。----阿米爾?戈德堡（Amir Goldberg）

它從一個(gè)問(wèn)題開(kāi)始。在阿米爾?戈德堡（Amir Goldberg）的案例中，這是一個(gè)長(zhǎng)期爭(zhēng)論的老問(wèn)題：公司文化的多樣性如何影響公司績(jī)效？

文化多樣性可能是一個(gè)巨大的優(yōu)勢(shì)，可以通過(guò)豐富多樣的想法激發(fā)創(chuàng)造力。但是，人們可以輕易地想象這種多樣性會(huì)以其他方式推動(dòng)公司發(fā)展，從而在員工之間造成一系列阻礙績(jī)效的分歧。

多部分功能
這個(gè)由兩部分組成的功能探討了訪問(wèn)超大量數(shù)據(jù)集的多種方式，這些方式正在改變斯坦福GSB教職員工的研究面貌。

在第一篇文章中，教授們討論了大數(shù)據(jù)和機(jī)器學(xué)習(xí)如何改變了傳統(tǒng)的學(xué)術(shù)查詢(xún)方法-以及查詢(xún)本身的基本宗旨。

那么，戈德伯格想知道是什么呢？

數(shù)據(jù)
傳統(tǒng)上，對(duì)此問(wèn)題感興趣的研究人員會(huì)列出他們認(rèn)為最重要的公司文化的維度-公司可以是競(jìng)爭(zhēng)性或合作性，正式或非正式的。他們會(huì)將這些變量提煉成一份調(diào)查問(wèn)卷，然后發(fā)送給不同公司的數(shù)千名員工。

作為回報(bào)，他們將獲得一個(gè)整齊的結(jié)構(gòu)化信息表：?jiǎn)T工A認(rèn)為Google具有競(jìng)爭(zhēng)力和創(chuàng)新性，而員工B則認(rèn)為沃爾瑪是官僚和正式的。等等。

戈德伯格解釋說(shuō)，這種方法有兩個(gè)基本問(wèn)題。首先，研究人員將自己狹narrow的文化類(lèi)型強(qiáng)加給原本雜亂無(wú)章的系統(tǒng)。其次，人們實(shí)際上并不擅長(zhǎng)回答調(diào)查問(wèn)卷。他們以意想不到的方式解釋問(wèn)題。他們給出他們認(rèn)為研究人員想聽(tīng)到的答案。他們有時(shí)會(huì)猜測(cè)，因?yàn)樗麄儾恢涝撜f(shuō)些什么。

戈德堡想采取一種不同的方法。他聯(lián)系了Glassdoor，這是一個(gè)求職和招聘網(wǎng)站，員工在該網(wǎng)站上匿名并公開(kāi)審查他們工作的公司。戈德堡想知道，當(dāng)不受調(diào)查約束時(shí)，人們?nèi)绾握務(wù)摴镜奈幕?？同一家公司的員工是否同意工作場(chǎng)所的文化？如果不是，他們將以何種方式不同意？

團(tuán)隊(duì)
戈德堡和兩位合著者，麥吉爾大學(xué)的Matthew Corritore和加州大學(xué)伯克利分校哈斯商學(xué)院的Sameer Srivastava，在七年的時(shí)間里，從492家上市公司中收集了大約500,000條評(píng)論。從大量混亂的數(shù)據(jù)中（規(guī)模和時(shí)間范圍完全超出了傳統(tǒng)調(diào)查的范圍），戈德堡開(kāi)始對(duì)文化的討論進(jìn)行提取和分類(lèi)。他在大海撈針。

Goldberg說(shuō)，在整個(gè)過(guò)程中，他得到了Stanford GSB Data，Analytics和Research Computing專(zhuān)家的支持。他們幫助確保對(duì)數(shù)據(jù)的訪問(wèn)符合Glassdoor提出的要求。對(duì)于Goldberg所從事的其他項(xiàng)目，DARC幫助解決了第三方數(shù)據(jù)收集的合同迷宮，構(gòu)建了分析所需的內(nèi)部基礎(chǔ)結(jié)構(gòu)，并將數(shù)據(jù)組織成可用的東西-借助它們，復(fù)雜的工作變得更加容易。

算法
人工完成后，對(duì)50萬(wàn)個(gè)Glassdoor評(píng)論的分析將是一項(xiàng)艱巨而艱巨的任務(wù)。因此，戈德堡轉(zhuǎn)向了一種機(jī)器學(xué)習(xí)方法，該方法在技術(shù)上稱(chēng)為“潛在狄里克雷分配主題建?！?。更非正式地講，這是“言語(yǔ)交流”方法。

對(duì)該算法的唯一限制是它應(yīng)該尋找多少個(gè)主題。在這種情況下，戈德堡可能會(huì)假設(shè)有50種相關(guān)的文化類(lèi)型。也許是100。（此猜測(cè)可以隨著時(shí)間的流逝而不斷完善，以找到最具解釋力的數(shù)字。）一旦算法知道要查找的主題數(shù)，它就會(huì)掃描每個(gè)文檔并創(chuàng)建實(shí)質(zhì)上是一個(gè)巨大的電子表格，以定義一個(gè)單詞出現(xiàn)在句子中另一個(gè)單詞附近的概率。在不實(shí)際理解這些詞指的是什么的情況下，該算法能夠?qū)⒉煌脑~簇分類(lèi)為一個(gè)或另一個(gè)文化桶。

戈德伯格說(shuō)：“該算法沒(méi)有自上而下地施加各種可能性，而是通過(guò)歸納推斷出無(wú)需人工輸入的類(lèi)別，”戈德伯格說(shuō)?！皼](méi)有人類(lèi)的了解正在發(fā)生；最基本的是，這是一個(gè)統(tǒng)計(jì)模型，用于查找傾向于同時(shí)出現(xiàn)的單詞?！?

分析
Goldberg和他的合作者首先在大約一百萬(wàn)個(gè)句子中訓(xùn)練了該算法，這些句子包含“文化”一詞或近似的同義詞（環(huán)境，氣氛，態(tài)度，氣候，價(jià)值，哲學(xué)，信念）。這些單詞周?chē)霈F(xiàn)了什么單詞？該培訓(xùn)提供了一個(gè)可靠的不同文化類(lèi)別的模型，從此，研究人員將模型應(yīng)用到每條評(píng)論中的每個(gè)句子中，從而可以精確地討論有關(guān)公司文化的討論。

再次，該分析包括近500家上市公司，這使Goldberg隨后可以查看兩個(gè)主要數(shù)據(jù)點(diǎn)。首先，給定公司內(nèi)的人們?nèi)绾卧u(píng)價(jià)其文化？他們是否同意其工作場(chǎng)所的文化？他們是否認(rèn)為它包含多種文化？其次，該公司的資產(chǎn)收益率是什么—是其在市場(chǎng)上的有效性的代表？

戈德伯格說(shuō)：“實(shí)質(zhì)上，我們對(duì)任何一家特定公司的文化都不感興趣?！?“我們有興趣簡(jiǎn)單地詢(xún)問(wèn)員工對(duì)于公司的文化是同意還是不同意。” 戈德堡發(fā)現(xiàn)，在文化上存在分歧的公司效率較低，而在擁護(hù)多元文化的公司中更具創(chuàng)新能力。

最終，戈德伯格說(shuō)，很容易被“機(jī)器學(xué)習(xí)”的光輝吸引住，這被現(xiàn)代文化中無(wú)所不知的光環(huán)所吸引。Goldberg承認(rèn)：“這些工具-花哨，有趣且酷”。但是，一個(gè)基本問(wèn)題必須為機(jī)器學(xué)習(xí)的學(xué)術(shù)應(yīng)用提供信息?！盀槭裁葱枰褂盟?？”

他指出，除了趨勢(shì)之外，研究人員還應(yīng)該有一個(gè)清晰而引人注目的案例，以使用復(fù)雜且通常不透明的算法來(lái)探索巨大的數(shù)據(jù)集。這項(xiàng)工作可能吸引資金和關(guān)注，但是有必要嗎？
戈德堡說(shuō)：“就我們而言，在Glassdoor評(píng)論中使用語(yǔ)言模型可以幫助我們以一種我們?cè)緹o(wú)法擁有的方式來(lái)衡量這種模糊的東西，即'文化'。” “我們從這項(xiàng)工作中學(xué)到的東西，否則我們根本無(wú)法學(xué)到?！?