این گردش کار چگونه کیفیت بازخورد مصاحبه را ارزیابی میکند؟

این گردش کار از مدل GPT-4o-mini از طریق LangChain برای تجزیه و تحلیل بازخورد مصاحبه بر اساس معیارهایی مانند وضوح، ساختار، سوگیری و عملی بودن استفاده میکند و امتیازات کیفی را محاسبه میکند.

نتایج تحلیل بازخورد در کجا ذخیره و گزارش میشوند؟

نتایج، شامل امتیازات کیفیت و علامتگذاریها، در یک Google Sheet اصلی ذخیره میشوند. همچنین گزارشهای خلاصه از طریق Slack برای مصاحبهکنندگان ارسال میگردد.

چه کسانی میتوانند از این گردش کار بهرهمند شوند؟

این گردش کار برای متخصصان منابع انسانی، هماهنگکنندگان استخدام و هر کسی که مسئول بهبود فرآیند استخدام و اطمینان از کیفیت بازخورد مصاحبه است، طراحی شده است.

ممیزی خودکار بازخورد مصاحبه با GPT-4o و Google Sheets

خودکارسازی ممیزی بازخورد مصاحبه با هوش مصنوعی و Google Sheets

این گردش کار از هوش مصنوعی برای ممیزی کیفیت بازخورد مصاحبه استفاده می‌کند و بینش‌های عملی و گزارش‌دهی خودکار را ارائه می‌دهد. این گردش کار برای متخصصان منابع انسانی و تیم‌های استخدام طراحی شده است که هدفشان بهبود تصمیم‌گیری‌های استخدامی از طریق کنترل کیفیت مداوم بازخورد است.

دسته‌بندی‌ها: تولید محتوا، هوش مصنوعی چندوجهی

کاتالوگ Axeto: https://axeto.ai/n8n

---

نمای کلی گردش کار

این گردش کار، ممیزی کیفیت بازخورد مصاحبه‌کننده را با استفاده از ارزیابی هوش مصنوعی خودکار کرده و نتایج را با Google Sheets و اعلان‌های Slack ادغام می‌کند. این گردش کار تیم‌های منابع انسانی یا هماهنگ‌کنندگان استخدام را هدف قرار می‌دهد که می‌خواهند اطمینان حاصل کنند بازخورد مصاحبه خاص، ساختاریافته، بی‌طرفانه، عملی و عمیق است و از طریق کنترل کیفیت مداوم، تصمیم‌گیری‌های استخدامی را بهبود می‌بخشد.

گردش کار به بخش‌های زیر تقسیم می‌شود:

1. دریافت ورودی و بازیابی داده: فرآیند را به صورت دستی راه‌اندازی کرده و داده‌های خام بازخورد مصاحبه را از یک Google Sheet دریافت کنید.

2. تحلیل بازخورد هوش مصنوعی: از GPT-4o-mini میزبانی شده در Azure از طریق LangChain برای تحلیل کیفیت بازخورد در ابعاد مختلف استفاده کنید و نتایج JSON ساختاریافته را برگردانید.

3. اعتبارسنجی پاسخ هوش مصنوعی: بررسی کنید که آیا خروجی هوش مصنوعی JSON معتبر است یا خیر، پاسخ‌های معتبر را برای پردازش و پاسخ‌های نامعتبر را برای ثبت خطا هدایت کنید.

4. امتیازدهی کیفیت و علامت‌گذاری: خروجی JSON هوش مصنوعی را تجزیه و تحلیل کرده، امتیازات کیفیت وزن‌دار را محاسبه کنید و برای بازخورد با کیفیت پایین، علامت‌هایی ایجاد کنید.

5. گزارش‌دهی و ذخیره‌سازی: Google Sheet اصلی را با امتیازات و علامت‌ها به‌روزرسانی کنید، گزارش‌های خلاصه را از طریق Slack برای مصاحبه‌کنندگان ارسال کنید و به طور شرطی توصیه‌های آموزشی برای امتیازات پایین ارسال کنید.

6. مدیریت خطا: هرگونه خطای مربوط به هوش مصنوعی را در یک Google Sheet اختصاصی برای نظارت و اشکال‌زدایی ثبت کنید.

---

تشریح گره‌های جزئیات

۱. دریافت ورودی و بازیابی داده‌ها

این بخش گردش کار را آغاز کرده و داده‌های بازخورد مصاحبه مورد نیاز را بازیابی می‌کند.

گره‌ها:

* Manual Trigger (شروع گردش کار)

* Google Sheets Read (دریافت داده‌های خام بازخورد)

جزئیات گره:

* Manual Trigger

* نوع: n8n-nodes-base.manualTrigger

* پیکربندی: هیچ پارامتری ندارد؛ اجرای دستی گردش کار را آغاز می‌کند.

* ورودی: ندارد.

* خروجی: گره Google Sheets Read را فعال می‌کند.

* موارد مرزی: ندارد (شروع دستی).

* Google Sheets Read

* نوع: n8n-nodes-base.googleSheets

* پیکربندی: تمام ردیف‌ها را از شیت "Raw\_Feedback" در سند Google Sheet "Interviewer Brief Pack" می‌خواند. فیلدهای زیر را بازیابی می‌کند: Timestamp, Candidate_ID, Role, Stage, Interviewer_Email, Feedback_Text, و row_number.

* ورودی: فعال‌سازی از گره Manual Trigger.

* خروجی: آرایه‌ای از رکوردهای بازخورد آماده برای پردازش با هوش مصنوعی.

* موارد مرزی: خرابی‌های احراز هویت، شیت‌های خالی، محدودیت‌های نرخ API.

۲. تحلیل بازخورد با هوش مصنوعی

این بخش از یک مدل هوش مصنوعی برای ارزیابی کیفیت هر ورودی بازخورد استفاده می‌کند.

گره‌ها:

* LangChain LLM Chat Azure OpenAI (ارزیاب کیفیت هوش مصنوعی - GPT-4o)

* LangChain Chain LLM (تحلیل کیفیت بازخورد)

جزئیات گره:

* AI Quality Evaluator (GPT-4o)

* نوع: @n8n/n8n-nodes-langchain.lmChatAzureOpenAi

* پیکربندی: مدل روی "gpt-4o-mini" تنظیم شده است. هیچ گزینه اضافی پیکربندی نشده است.

* اعتبارنامه‌ها: اعتبارنامه‌های Azure OpenAI API.

* ورودی: یک رکورد بازخورد (JSON) از گره Google Sheets Read.

* خروجی: پاسخ متنی خام JSON از هوش مصنوعی.

* موارد مرزی: سهمیه API فراتر رفته، مشکلات شبکه، اعلان‌های نامعتبر.

* Analyze Feedback Quality

* نوع: @n8n/n8n-nodes-langchain.chainLlm

* پیکربندی: یک اعلان (prompt) برای امتیازدهی به بازخورد در پنج بعد تعریف می‌کند: مشخص بودن، ساختار STAR، زبان بدون سوگیری، قابلیت اقدام، و عمق (در مقیاس ۱ تا ۵). همچنین شامل قوانین ویژه‌ای برای مدیریت بازخوردهای کوتاه و استخراج عبارات مبهم است.

* ورودی: خروجی خام مدل هوش مصنوعی از گره AI Quality Evaluator (GPT-4o).

* خروجی: یک رشته JSON خام حاوی داده‌های امتیازدهی و عبارات مبهم شناسایی شده.

* موارد مرزی: پارامترهای اعلان نامعتبر، توهم هوش مصنوعی، فرمت خروجی غیرمنتظره.

۳. اعتبارسنجی پاسخ هوش مصنوعی

این مرحله اطمینان حاصل می‌کند که خروجی هوش مصنوعی قبل از پردازش بیشتر قابل استفاده است.

گره‌ها:

* If (اعتبارسنجی پاسخ هوش مصنوعی)

* Google Sheets Append (ثبت خطاهای هوش مصنوعی)

جزئیات گره:

* Validate AI Response

* نوع: n8n-nodes-base.if

* پیکربندی: بررسی می‌کند که آیا خروجی $json.text از هوش مصنوعی رشته "undefined " (توجه: با فاصله انتهایی) نیست.

* ورودی: رشته JSON خام خروجی هوش مصنوعی.

* خروجی:

* شاخه True: خروجی را به گره Parse AI JSON Output ارسال می‌کند.

* شاخه False: خروجی را به گره Log AI Errors ارسال می‌کند.

* موارد مرزی: منفی کاذب اگر فرمت خروجی هوش مصنوعی تغییر کند، شکنندگی مقایسه رشته‌ها.

* Log AI Errors

* نوع: n8n-nodes-base.googleSheets

* پیکربندی: جزئیات خطا را به "error log sheet" در همان سند Google Sheets اضافه می‌کند.

* ورودی: پاسخ‌های نامعتبر هوش مصنوعی از گره Validate AI Response.

* خروجی: ندارد (فقط ثبت).

* موارد مرزی: محدودیت‌های API Google Sheets، احتمال از دست رفتن داده در صورت وقوع خطاها در توالی سریع.

۴. امتیازدهی کیفیت و پرچم‌گذاری

این بخش تحلیل هوش مصنوعی را پردازش می‌کند تا یک امتیاز کیفیت جامع و پرچم‌های مرتبط تولید کند.

گره‌ها:

* Code (تجزیه خروجی JSON هوش مصنوعی)

* Code (محاسبه امتیاز کیفیت وزنی)

جزئیات گره:

* Parse AI JSON Output

* نوع: n8n-nodes-base.code

* پیکربندی: رشته JSON هوش مصنوعی ($json.text) را به صورت ایمن تجزیه می‌کند. در صورت شکست تجزیه، خطا ایجاد می‌کند.

* ورودی: رشته خام معتبر هوش مصنوعی از گره Validate AI Response.

* خروجی: یک شیء JSON تجزیه شده حاوی داده‌های امتیازدهی.

* موارد مرزی: JSON نامعتبر، فرمت‌های داده غیرمنتظره، خطاهای زمان اجرا در طول تجزیه.

* Calculate Weighted Quality Score

* نوع: n8n-nodes-base.code

* پیکربندی:

* وزن‌ها را اعمال می‌کند: مشخص بودن (۳۵٪)، عمق (۲۵٪)، ساختار (۱۵٪)، بدون سوگیری (۱۵٪)، قابلیت اقدام (۱۰٪).

* یک میانگین وزنی امتیاز را در مقیاس ۰ تا ۱۰۰ محاسبه می‌کند.

* پرچم‌ها را ایجاد می‌کند: "low\_detail" اگر مشخص بودن یا عمق کمتر از ۳ باشد؛ "bias" اگر زبان بدون سوگیری کمتر از ۳ باشد.

* آرایه عبارات مبهم را به یک رشته چند خطی مناسب برای Slack فرمت می‌کند.

* Role, Stage, و row_number را برای اهداف ردیابی شامل می‌شود.

* ورودی: شیء JSON تجزیه شده هوش مصنوعی از گره Parse AI JSON Output.

* خروجی: یک شیء JSON حاوی Score, Flags, رشته شده LLM_JSON, فرمت شده vague_phrases, و متادیتا.

* موارد مرزی: فیلدهای گمشده، مقادیر صفر یا null، محافظت در برابر تقسیم بر صفر.

۵. گزارش‌دهی و ماندگاری

این بخش رکوردها را به‌روزرسانی کرده و طرف‌های مربوطه را در مورد نتایج ممیزی مطلع می‌کند.

گره‌ها:

* Google Sheets Update (ذخیره امتیازات در صفحه گسترده)

* Slack Notification (ارسال خلاصه بازخورد به مصاحبه‌کننده)

* If (بررسی نیاز به آموزش)

* Slack Notification (ارسال توصیه‌های آموزشی)

جزئیات گره:

* Save Scores to Spreadsheet

* نوع: n8n-nodes-base.googleSheets

* پیکربندی: ردیف‌ها را در شیت "Raw\_Feedback" که با row_number مطابقت دارند، به‌روزرسانی می‌کند. فیلدهای Score, Flags, و LLM_JSON را به‌روزرسانی می‌کند.

* ورودی: خروجی JSON امتیازدهی از Calculate Weighted Quality Score.

* خروجی: تأیید عملیات به‌روزرسانی.

* موارد مرزی: row_number نامطابق، خطاهای API Google Sheets، به‌روزرسانی‌های جزئی.

* Send Feedback Summary to Interviewer

* نوع: n8n-nodes-base.slack

* پیکربندی: پیامی را به یک شناسه کاربری خاص Slack ارسال می‌کند. پیام شامل خلاصه دقیقی است: Role, Stage, Score, Flags, و نمونه‌هایی از عبارات مبهم (در صورت وجود). همچنین تشویق و نکاتی برای بهبود ارائه می‌دهد.

* ورودی: خروجی JSON امتیازدهی از Calculate Weighted Quality Score.

* خروجی: تأیید ارسال پیام Slack.

* اعتبارنامه‌ها: API Slack با توکن OAuth2.

* موارد مرزی: محدودیت‌های نرخ API Slack، شناسه‌های کاربری نامعتبر.

* Check if Training Needed

* نوع: n8n-nodes-base.if

* پیکربندی: بررسی می‌کند که آیا Score محاسبه شده کمتر از ۵۰ است.

* ورودی: خروجی JSON امتیازدهی از Calculate Weighted Quality Score.

* خروجی:

* شاخه True: گره Send Training Recommendations را فعال می‌کند.

* شاخه False: هیچ اقدام دیگری انجام نمی‌شود.

* موارد مرزی: فیلد Score گمشده یا null است.

* Send Training Recommendations

* نوع: n8n-nodes-base.slack

* پیکربندی: یک پیام مربیگری شامل Score, Flags, و نمونه‌هایی از عبارات مبهم ارسال می‌کند. همچنین پیوندهایی به منابعی مانند راهنمای روش STAR و ویدیوهای مصاحبه بدون سوگیری ارائه می‌دهد.

* ورودی: فقط زمانی فعال می‌شود که شرط گره Check if Training Needed برآورده شود.

* خروجی: تأیید ارسال پیام Slack.

* اعتبارنامه‌ها: همان اعتبارنامه‌های حساب Slack مانند گره Send Feedback Summary.

* موارد مرزی: شکست تحویل Slack.

۶. مدیریت خطا

این بخش اطمینان حاصل می‌کند که هرگونه مشکلی که در طول تجزیه و تحلیل هوش مصنوعی رخ دهد، برای بررسی ثبت می‌شود.

گره‌ها:

* Google Sheets Append (ثبت خطاهای هوش مصنوعی)

جزئیات گره:

* Log AI Errors

* نوع: n8n-nodes-base.googleSheets

* عملکرد: همانطور که در بخش ۳ توضیح داده شد، این گره جزئیات پاسخ‌های نامعتبر یا نامعتبر هوش مصنوعی را در یک شیت خطای اختصاصی ثبت و ذخیره می‌کند که برای نظارت بر قابلیت اطمینان سیستم و عیب‌یابی حیاتی است.

---

جدول خلاصه

نام نود (Node Name)	نوع نود (Node Type)	نقش عملکردی (Functional Role)	نود(های) ورودی (Input Node(s))	نود(های) خروجی (Output Node(s))	یادداشت چسبان (Sticky Note)
`Manual Trigger`	`n8n-nodes-base.manualTrigger`	شروع گردش کار (Start workflow)	None	`Google Sheets Read`
`Fetch Raw Feedback Data`	`n8n-nodes-base.googleSheets`	دریافت داده‌های خام بازخورد (Retrieve raw feedback data)	`Manual Trigger`	`LangChain LLM Chat Azure OpenAI`	📋 دریافت داده‌های بازخورد: خواندن تمام ردیف‌های بازخورد شامل فراداده (Reads all feedback rows including metadata)
`AI Quality Evaluator (GPT-4o)`	`@n8n/n8n-nodes-langchain.lmChatAzureOpenAi`	موتور شناختی هوش مصنوعی برای ارزیابی (AI cognitive engine for evaluation)	`Analyze Feedback Quality`	`Analyze Feedback Quality`	🤖 ارزیاب کیفیت هوش مصنوعی (GPT-4o): استفاده از GPT-4o-mini در Azure از طریق LangChain (Uses GPT-4o-mini on Azure via LangChain)
`Analyze Feedback Quality`	`@n8n/n8n-nodes-langchain.chainLlm`	موتور اصلی ارزیابی هوش مصنوعی (Core AI evaluation engine)	`Fetch Raw Feedback Data`	`If` (Validate AI Response)	🔍 تحلیل کیفیت بازخورد: امتیازدهی به ۵ بعد؛ استخراج عبارات مبهم؛ خروجی JSON (Scores 5 dimensions; extracts vague phrases; outputs JSON)
`Validate AI Response`	`n8n-nodes-base.if`	اعتبارسنجی خروجی هوش مصنوعی (Validate AI output)	`Analyze Feedback Quality`	`Code` (Parse AI JSON Output), `Google Sheets Append`	✅ اعتبارسنجی پاسخ هوش مصنوعی: مسیریابی شرطی بر اساس اعتبار خروجی هوش مصنوعی (Conditional routing based on AI output validity)
`Log AI Errors`	`n8n-nodes-base.googleSheets`	ثبت خطاهای هوش مصنوعی (Log AI errors)	`Validate AI Response` (false branch)	None	🚨 ثبت خطاهای هوش مصنوعی: ردیابی شکست‌های هوش مصنوعی در برگه گزارش خطا (Tracks AI failures in error log sheet)
`Parse AI JSON Output`	`n8n-nodes-base.code`	تجزیه رشته JSON هوش مصنوعی به شیء (Parse AI JSON string to object)	`Validate AI Response` (true branch)	`Code` (Calculate Weighted Quality Score)	🔄 تجزیه خروجی JSON هوش مصنوعی: تجزیه ایمن JSON با مدیریت خطا (Safe JSON parsing with error handling)
`Calculate Weighted Quality Score`	`n8n-nodes-base.code`	محاسبه امتیاز نهایی و پرچم‌ها (Calculate final score and flags)	`Parse AI JSON Output`	`Google Sheets Update`, `Slack Notification`, `If`	🧮 محاسبه امتیاز کیفیت وزنی: امتیازدهی وزنی و تولید پرچم (Weighted scoring and flag generation)
`Save Scores to Spreadsheet`	`n8n-nodes-base.googleSheets`	ذخیره امتیازات و پرچم‌ها (Persist scores and flags)	`Calculate Weighted Quality Score`	None	💾 ذخیره امتیازات در صفحه گسترده: به‌روزرسانی ردیف‌های بازخورد اصلی با داده‌های حسابرسی (Updates original feedback rows with audit data)
`Send Feedback Summary to Interviewer`	`n8n-nodes-base.slack`	ارسال خلاصه حسابرسی به مصاحبه‌کننده (Deliver audit summary to user)	`Calculate Weighted Quality Score`	`If` (Check if Training Needed)	💬 ارسال خلاصه بازخورد: ارسال گزارش کیفیت بازخورد دقیق از طریق Slack (Sends detailed feedback quality report via Slack)
`Check if Training Needed`	`n8n-nodes-base.if`	بررسی شرطی برای آموزش (Conditional check for training)	`Send Feedback Summary to Interviewer`	`Slack Notification` (Send Training Recommendations)	📈 بررسی نیاز به آموزش: مسیریابی برای آموزش در صورت امتیاز کمتر از ۵۰ (Routes for training if score < 50)
`Send Training Recommendations`	`n8n-nodes-base.slack`	ارائه پیشنهادات آموزشی (Deliver training suggestions)	`Check if Training Needed` (true branch)	None	🎓 ارسال توصیه‌های آموزشی: ارائه مربیگری هدفمند و منابع برای بهبود (Provides targeted coaching and resources for improvement)

ممیزی خودکار بازخورد مصاحبه با GPT-4o و Google Sheets

دانلود workflow

خودکارسازی ممیزی بازخورد مصاحبه با هوش مصنوعی و Google Sheets

نمای کلی گردش کار

تشریح گره‌های جزئیات

۱. دریافت ورودی و بازیابی داده‌ها

۲. تحلیل بازخورد با هوش مصنوعی

۳. اعتبارسنجی پاسخ هوش مصنوعی

۴. امتیازدهی کیفیت و پرچم‌گذاری

۵. گزارش‌دهی و ماندگاری

۶. مدیریت خطا

جدول خلاصه

Nodeهای استفاده‌شده

سوالات متداول

workflowهای مرتبط