پژوهش تازه، استخراج مهارت و سطح مسئولیت با چارچوب SFIA را می‌سنجد

استخراج مهارت با هوش مصنوعی موضوع پژوهشی تازه‌ای در arXiv است که بررسی می‌کند مدل‌های زبانی تا چه اندازه می‌توانند از متن‌های شغلی، هم مهارت‌های موردنیاز و هم سطح مسئولیت مرتبط با هر مهارت را شناسایی کنند. یافته‌های پژوهش نشان می‌دهد روش‌های بازیابی اطلاعات مهارت‌های بیشتری را پیدا می‌کنند، اما روش‌های مولد دقیق‌ترند؛ همچنین افزودن چند عامل هوش مصنوعی به فرایند، لزوماً نتیجه را بهتر نمی‌کند.

چرا سطح مسئولیت در استخراج مهارت اهمیت دارد؟

بسیاری از سامانه‌های استخراج مهارت، خروجی را به فهرستی از برچسب‌ها محدود می‌کنند. در این رویکرد، مشخص نمی‌شود فرد مهارت را در چه سطحی از مسئولیت به‌کار می‌گیرد. پژوهشگران می‌گویند این کمبود می‌تواند استفاده از داده‌های مهارتی را برای برنامه‌ریزی نیروی کار دشوار کند.

مطالعه بر چارچوب Skills Framework for the Information Age یا SFIA متمرکز است؛ چارچوبی که ۱۴۷ مهارت حرفه‌ای را در هفت سطح مسئولیت تعریف می‌کند. پژوهشگران مسئله را به‌صورت پیش‌بینی ساختاریافته جفت‌های «مهارت، سطح» صورت‌بندی کرده‌اند؛ یعنی سامانه باید هم مهارت را از واژگان مشخص SFIA انتخاب کند و هم سطح متناسب را تعیین کند.

پنج روش برای استخراج مهارت با هوش مصنوعی

ارزیابی روی پروفایل‌های شغلی حوزه فناوری اطلاعات و ارتباطات در اروپا انجام شد که متخصصان آن‌ها را با مهارت‌های SFIA تطبیق داده بودند. برای مقایسه روش‌ها، پژوهشگران پنج راهبرد را آزمودند: روش واژگانی پایه، بازیابی متنی متراکم همراه با رتبه‌بندی دوباره توسط مدل زبانی، مدل زبانی صفرنمونه با خروجی مقید به قالب، یک سامانه بازیابی تقویت‌شده با تولیدِ عامل‌محور، و گروهی سه‌عاملی شامل بازیاب، تطبیق‌دهنده و راستی‌آزما.

بازیابی متراکم در این زمینه یعنی جست‌وجوی متن‌هایی که از نظر معنا به متن ورودی نزدیک‌اند، نه فقط متن‌هایی که واژه‌های یکسان دارند. در روش‌های عامل‌محور نیز چند نقش مبتنی بر هوش مصنوعی، بخش‌های مختلف کار را انجام می‌دهند. همه روش‌ها به پیکره‌ای از SFIA نسخه ۹ دسترسی داشتند که با یک فرایند عامل‌محور و خودکار ساخته شده است؛ پژوهشگران اعلام کرده‌اند این پیکره را منتشر می‌کنند.

بازیابی گسترده‌تر بود، اما عامل‌های بیشتر دقت را بالا نبردند

طبق نتایج مقاله، روش‌های مبتنی بر بازیابی بیشترین تعداد مهارت‌ها را شناسایی کردند، اما راهبردهای مولد در پیش‌بینی‌های خود دقت بیشتری داشتند. این تفاوت نشان می‌دهد پیدا کردن گزینه‌های متعدد و انتخاب دقیق گزینه‌های درست، دو هدف جداگانه‌اند و یک روش ممکن است در یکی بهتر از دیگری عمل کند.

پیش‌بینی سطح مسئولیت نیز به نحوه طراحی تصمیم وابسته بود. تنها روش‌هایی که سطح را به‌عنوان تصمیمی صریح و جداگانه تعیین می‌کردند، در این کار قابل‌اعتماد بودند. انتخاب سطح صرفاً بر پایه شباهت، بیش از دو برابر خطاپذیرتر گزارش شد.

در مقایسه با روش‌های ساده‌تر، گروه سه‌عاملی زمان پاسخ را دو برابر کرد، اما دقت را افزایش نداد. بنابراین، تقسیم کار میان عامل‌های بیشتر به‌تنهایی مزیتی برای تطبیق متن با یک واژگان بسته و ازپیش‌تعریف‌شده ایجاد نکرد. منظور از واژگان بسته، مجموعه‌ای محدود از مهارت‌ها و سطح‌هایی است که سامانه باید پاسخ خود را از میان آن‌ها انتخاب کند.

این خبر برای چه کسانی اهمیت دارد

این پژوهش برای گروه‌هایی اهمیت دارد که در برنامه‌ریزی نیروی کار، تحلیل آگهی‌ها یا دسته‌بندی پروفایل‌های شغلی از ابزارهای هوش مصنوعی استفاده می‌کنند. نتایج یادآور می‌شود که شناسایی نام یک مهارت کافی نیست و سطح مسئولیت آن نیز باید جداگانه و سنجیده‌شده پیش‌بینی شود. مقاله همچنین یک مبنای قابل‌بازتولید برای ارزیابی استخراج مهارتِ حساس به سطح در چارچوب SFIA ارائه می‌کند؛ موضوعی که می‌تواند مقایسه روش‌های آینده را دقیق‌تر کند.