来自4200万个非结构化的招聘公告中的职业模式
Nile Dixon1, Marcelle Goggins1, Ethan Ho1
1Research Improving People's Lives, 1 Park Row, Suite 401, Providence, RI 02903, USA.
本研究介绍了一种新的数据资源和Python包 (sockit),用于使用自然语言处理将工作分类为职业. 它有助于将求职者与角色相匹配,并分析劳动力市场数据.
科学领域:
- 劳动力经济学 劳动力经济学
- 计算语言学计算语言学
- 公共卫生信息学 公共卫生信息学
背景情况:
- 准确的职位分类对于经济和公共卫生研究以及劳动力发展至关重要.
- 现有的分配职业代码到职位公告的方法可能是劳动密集型和不准确的.
- 需要采用数据驱动的方法来建模职位名称,技能和职业类别之间的复杂关系.
研究的目的:
- 开发和介绍一个数据资源和计算模型,以实证地将非结构化的职位公告与标准化的职业代码联系起来.
- 创建一个开源的Python包 (sockit),以促进职业代码的自动分配和从工作数据中提取技能.
- 加强对劳动力市场动态的分析,改善工作匹配流程.
主要方法:
- 利用自然语言处理 (NLP) 技术从2019-2021年对超过4200万份美国就业位发布.
- 开发了概率模型,将职位名称与职业规范联系起来,并将职位描述与相关技能和职业规范联系起来.
- 利用计算机辅助流行病学研究 (SOCR) 标准化职业编码方法进行初始职业编码估计.
主要成果:
- 创建了一个全面的数据集,模拟职业代码,技能,职位名称和描述之间的关联.
- 该sockit Python包可以准确地将职业代码分配给职位标题和招聘信息.
- 该软件包可以从招聘公告和简历中分析技能,并估计职业相似性.
结论:
- 开发的NLP模型和sockit包为职位分类和技能分析提供了可扩展和准确的方法.
- 这个资源可以显著提高劳动力市场研究,公共卫生研究和就业匹配平台的效率.
- 模型和工具的开源可用性促进了职业数据科学的更广泛采用和进一步研究.
更多相关视频
07:31A Computerized Functional Skills Assessment and Training Program Targeting Technology Based Everyday Functional Skills
Published on: February 13, 2020
11:09RBDT: A Computerized Task System based in Transposition for the Continuous Analysis of Relational Behavior Dynamics in Humans
Published on: July 17, 2021
相关概念视频
Stereotype Content Model
Confirmation Biases
Mechanistic Models: Compartment Models in Individual and Population Analysis
Models of Health Promotion and Illness Prevention I
The health belief model (HBM) attempts to predict health-related behavior in specific belief patterns. According to the HBM, a person's...
Clearance Models: Noncompartmental Models
The noncompartmental approach capitalizes on extensive sampling data, correlating the volume of distribution to systemic exposure and the administered dosage. This method enables...
Stereotypes, Prejudice, and Discrimination
