Использование нейросетевых языковых моделей для исследования востребованности профессиональных компетенций высшего образования на рынке труда

Использование нейросетевых языковых моделей для исследования востребованности профессиональных компетенций высшего образования на рынке труда

Автор: Белов Сергей Дмитриевич, Зрелов Птр Валентинович, Ильина Анна Владимировна, Кореньков Владимир Васильевич, Тарабрин Виталий Анатольевич

Журнал: Сетевое научное издание «Системный анализ в науке и образовании» @journal-sanse

Статья в выпуске: 3, 2023 года.

Бесплатный доступ

В работе представлены результаты развития методов сопоставления программ высшего образования и потребностей рынка труда. Данные методы разработаны авторами в рамках реализации аналитической платформы автоматизированного мониторинга рынка труда и интеллектуального анализа кадровых потребностей по номенклатуре специальностей вуза. Для анализа использовались тексты названий, уровней освоения и индикаторов достижения компетенций IT-профиля, а также векторные языковые модели с различными архитектурами и обучающими корпусами текстов. Приведено сравнение результатов и показана устойчивость методов сопоставления образовательных компетенций и потребностей рынка труда.

Еще

Рынок труда, система высшего образования, обработка текста, семантический анализ, языковые модели, нейронные сети, аналитические системы

Короткий адрес: https://sciup.org/14128796

IDR: 14128796

Список литературы Использование нейросетевых языковых моделей для исследования востребованности профессиональных компетенций высшего образования на рынке труда

  • Мониторинг потребностей рынка труда в выпускниках вузов на основе аналитики с интенсивным использованием данных / П. В. Зрелов, В. В. Кореньков, Н. А. Кутовский, А. Ш . Петросян [и др.] // Труды XVIII Межд. конф. DAMDID/RCDL’2016 «Аналитика и управление данными в областях с интенсивным использованием данных», Ершово, 11-14 октября 2016. – Москва: Федеральный исследовательский центр "Информатика и управление" Российской академии наук, 2016. – С. 124-131.
  • Мониторинг соответствия профессионального образования потребностям рынка труда / С. Д. Валентей, П. В. Зрелов, В. В. Кореньков, С. Д.Белов [и др.] // Общественные науки и современность. – 2018. – №3. – С. 5-16.
  • Methods and algorithms of the analytical platform for analyzing the labor market and the compliance of the higher education system with market needs / S. Belov [et al.] // Proceedings of Science, 2022. – Conf. DLCP2022. – Pp. 028. – DOI: https://doi.org/10.22323/1.429.0028.
  • MEET: A Method for Embeddings Evaluation for Taxonomic Data / L. Malandri, F. Mercori, M. Mezzanzanica, N. Nobani // 2020 International Conference on Data Mining Workshops (ICDMW), 2020. – Pp. 31-38. – DOI: 10.1109/ICDMW51313.2020.00014.
  • An AI-based open recommender system for personalized labor market driven education / M. Tavakoli, A. Faraji, J. Vrolijk, M. Molavi [et al.] // Advanced Engineering Informatics, 2022. – Vol. 52. – Pp. 101508. – DOI: https://doi.org/10.1016/j.aei.2021.101508.
  • OntoJob: Automated Ontology Learning from Labor Market Data / J. Vrolijk, S. T. Mol, C. Weber, M. Tavakoli [et al.] // 2022 IEEE 16th International Conference on Semantic Computing (ICSC). –2022 Pp. 195-200. – DOI: 10.1109/ICSC52841.2022.00040.
  • Wowczko I. A. Skills and Vacancy Analysis with Data Mining Techniques. – Informatics. – 2015. – Vol. 2 (4). – Pp. 31-49. – DOI:10.3390/informatics2040031.
  • Classifying online Job Advertisements through Machine Learning / R. Boselli, M. Cesarini, F. Mercorio, M. Mezzanzanica // Future Generation Computer Systems. – Vol. 86, Issue C. – 2018. – Pp. 319-328.
  • Sparreboom T., Labour market information and analysis systems // Perspectives on labour economics for development, Geneva: ILO, 2013. – Pp. 255-282.
  • Efficient Estimation of Word Representations in Vector Space / T. Mikolov et al., [arXiv:1301.3781v3, 2013].
  • Bag of Tricks for Efficient Text Classification / A. Joulin, E. Grave, P. Bojanowski, T. Mikolov. // arXiv:1607.01759v3 [cs:CL] 9 Aug 2016.
  • BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding // J. Devlin, M.-W. Chang, Kenton Lee, K. Toutanova. // arXiv:1810.04805v2 [cs.CL] 24 May 2019. DOI: https://doi.org/10.48550/arXiv.1810.04805
  • Kutuzov A., Kuzmenko E. RusVectōrēs: models. – RusVectores, 2023. – URL: https://rusvectores.org/ru/models/ (дата обращения: 09.09.2023)
  • Блог компании SberDevices. Обучение модели естественного языка с BERT и Tensorflow // Хабр: [сайт]. – Habr, 2006–2023. – Дата публикации: 12.11.2020. – URL: https://habr.com/ru/companies/sberdevices/articles/527576/.
  • Cherven K., Magdy M. Mastering Gephi Network Visualization – Birmingham, UK: Packt Publishing Ltd., 2015. – 357 с.
  • OpenOrd · gephi/gephi Wiki // GitHub: [web platform]. – GitHub, Inc., 2023. – URL: https://github.com/gephi/gephi/wiki/OpenOrd (дата обращения: 18.10.2023).
  • OpenOrd: an open-source toolbox for large graph layout / S. Martin, W. M. Brown, R. Klavans, K. W. Boyack // Proc. SPIE 7868, Visualization and Data Analysis 2011. – Pp. 786806 (24 January 2011). – DOI: https://doi.org/10.1117/12.871402.
Еще
Статья научная
SciUp 2024 © 2024 ©