技能驱动的工作过渡途径建议

我们之所以选择人工智能，是因为它对转换劳动任务和加速工作转换具有潜在影响[2,4,6]。我们的指标暂时衡量了一组动态人工智能技能与2013-2019年澳大利亚19个行业技能之间的相似性。随着时间的推移，这些技能很可能对人工智能仍然很重要——在这里，我们选择了“人工智能”、“机器学习”、“数据科学”、“数据挖掘”和“大数据”作为这些技能。这组种子技能代表等式（3）中的标准，而不是分组标准，如职业或行业。在这种情况下，J没有定义，我们将一项技能的重要性度量为与种子技能的平均θ相似性。暂时重复这个过程可以让我们建立动态的技能集。然后我们使用eq。（2） 在给定的θ有序技能列表中，测量每个种子技能与其他技能的相似性（θ）。这一过程对每个技能需求都会重复。这对于人工智能这样的技能领域尤其重要，因为那里的技能需求变化非常快。例如，“TensorFlow”（一个深度学习框架）在2015年11月作为一项技能出现，并从那时起成为增长最快的人工智能技能之一。我们创建的人工智能技能列表可以检测2016年“TensorFlow”的重要性，而2016年之前预先定义的静态列表可能会忽略人工智能技能需求的这些重要变化。在构建了人工智能技能的时间集之后，我们根据澳大利亚和新西兰标准行业分类（ANZSIC）部门级别来衡量年度分类。使用技能空间方法，我们将每个行业构造为每年的一组技能，并使用公式（4）计算与每年的技能集的相似性。

这使我们能够观察和比较人工智能技能在各个行业的扩散程度，以及人工智能技能对这些行业的相对重要性。与预先定义的技能相比，使用这种技能相似性方法有两个优点。首先，我们创建动态技能集，捕捉不断变化的技能需求。第二，我们通过对高技能的标准化来解释个人招聘广告中技能的重要性（更多细节见补充信息）。2021年8月12日6／42结果与讨论技巧相似度结果图。1A显示了2018年前500名技能的二维技能距离嵌入（按发布频率）。在这里，每个标记代表一个单独的技能，根据13个高度相似的技能集群中的一个，使用K-Medoidsclustering算法进行着色。通过使用三元组降维方法[30]，我们能够保留嵌入的全局结构（全局结构=98%）。也就是说，当两个标记的相应技能更相似（即距离较远）时，两个标记被描绘得更近。这提供了有用的见解，强调了嵌入的边缘，而更一般和可转移的技能则位于中间，充当通往专业技能的“桥梁”。高度相似的技能紧密地聚集在一起；例如，“软件开发”集群（见插图）重编程序编程技巧，如脚本语言“Python”、“C++”和“HTML5”。基于基本技能衡量工作之间的相似性很重要，因为员工利用现有技能进行职业变动[31]。技能空间结果在图1B中，标记使用澳大利亚官方标准（6位数级别——更多详细信息，请参阅补充信息）描述了与个人职业相对应的技能组。

为了直观地显示两个位置之间的距离，我们使用了与图1A中单个技能相同的降维技术。根据弗雷和奥斯本[4]的计算，每个职业都根据其自动敏感性在一个刻度上着色——深蓝色表示低风险概率，深红色表示未来20年的高风险概率。在图1B和放大插图中，类似的职业在地图上靠得很近。此外，自动化风险较低的职业往往以非常规、人际关系和/或高认知劳动任务为特征[32]。相比之下，自动化风险高的职业需要常规、手动和/或低认知劳动任务。例如，在图1B的插图中，“钣金行业工人”被视为劳动自动化的高风险（82%的概率），因为该职业需要高水平的日常和体力劳动任务。

然而在未来20年里，一个“低风险”的劳动力自动化系统被认为是低风险的（4%）利用现有技术并保护技术劳工自动化潜在风险的“钣金行业工人”。2021年8月12日7／42市场营销与通信社会技能销售法律与管理分析资源管理人与技能贸易健康基础技能软件开发劳动和贸易数据工程SQL软件开发Python DeopOP斯克鲁姆。NETSystems开发生命周期（SDLC）Atlassian Jirahtml5超文本预处理器（PHP）可扩展标记语言（XML）前端-最终开发C++Web应用程序开发CSSSoftware开发Aprivate导师和教师实习注册护士（发育障碍）Miner0。250.500.75自动化风险%检查员和监管人员包控火灾调度员心脏手术医生卡车司机康复顾问一般职员电工机械工程技工锯木厂或木材厂工人社区贸易条件和冷冻机械产品检查员许可的俱乐部经理工业设计总监ESEL电机机械表金属贸易工人金属制造商装配工和车工空气修整器印刷精整器丝网印刷器印刷机设计人员本指南主体艺术家Ifeguard塑料生产机器操作员或机器操作员图1。测量技能和职业之间的距离。（A） 显示了2018年技能距离的二维嵌入，其中通过发布频率显示了前500名技能。每个标记代表一个单独的技能，根据13个聚类使用K-Medoids聚类。正如“软件开发”插图所示，高度相似的技能聚集在一起。

此外，“软件开发”和“医疗保健”等专业技能群倾向于边缘化；而更一般、更可转移的技能则位于中间，这是衡量技能之间距离的基础。（B） 我们利用SkillsSpace来衡量2018年澳大利亚官方职业之间在6位数级别（以技能集为特征）的距离。标记代表个人职业，由弗雷计算，颜色为技术劳动自动化风险，劳动任务的风险更高（颜色为深红色）；而非常规、人际关系和/或高认知劳动任务的职业在未来20年的风险较低（深蓝色）。2021年8月12日8/42-3.-2.-1 0 1 200.20.40.60.811.2职业转变相似统治转变真实转变现状0102030405060700 0.05 0.1 0.15 0.2 0.25p值密度图2。技能空间在代表工作转换方面具有统计学意义。（A） x轴显示了实际转换的对数转换技能空间距离：它与实际转换共享相同的“源”职业，但“目标”职业是随机选择的，与实际观察不同。两个群体之间的差异具有统计学意义（配对t检验，t统计量=4.514，p值=6.535×10）-6，科恩的D效应大小=0.14）。（B） 100人是否获得p值，其中87人低于0.05。2021年8月12日9／42对技能空间距离的验证，我们通过传导配对t检验来验证技能空间和任务转变之间的联系，如图2所示。在这里，我们使用一个包含实际工作转换的纵向家庭调查数据集[14]（称为“真实样本”）。

每个职业配对（“源”到“目标”）都标有给定年份的技能空间距离。我们通过保持相同的“源”职业和随机选择“目标”职业（称为“随机样本”），随机模拟另一个过渡样本。我们的目标是确定“真实样本”和“随机样本”之间的技能空间距离差异是否具有统计学意义。首先，我们测试了两个样本的差异，包括所有职业转换。我们发现两个样本之间的差异具有统计学意义（t统计量=16.272，p值=2.707×10）-58，科恩的D效应大小=0.42（见补充信息）。然而，三分之一的“真实样本”转换是到另一份工作，但被归类为同一职业。因此，我们仅对不同职业之间的转换进行第二次测试，即我们移除所有“真实样本”和“随机样本”具有统计学显著性（t-统计量=4.514，p-值=6.535×10）-6，科恩的D效应大小=0.14），如图2A所示。我们重复这个过程100次：我们生成100个新的“随机样本”，并对每个样本进行统计测试。87%的测试是统计学上的距离测量是实际工作转换的代表。然而，工作转换推荐系统工作转换是不对称的【9、13、28】——技能集之间的转换距离的方向；其他因素，如教育要求和经验要求，也导致了这种不对称。我们通过构建一个机器学习分类器框架，将技能空间距离度量与来自招聘广告数据和就业统计数据的其他劳动力市场特征相结合，来解释工作转换之间的不对称性（在工作转换推荐系统设置中讨论）。

然后，我们应用经过训练的模型来预测数据集中所有可能的职业转变的概率，即“源”和“目标”职业之间的转变概率。这将创建转换图，即转换概率（“源”职业在列中，“目标”在行中）。深蓝色代表更高的跃迁概率，浅蓝色代表更低的跃迁概率，其中可以清楚地观察到占领对之间的不对称性。例如，“财务经理”转变为“会计文员”的可能性高于转变为“会计文员”的可能性。此外，过渡到某些职业（例如“酒吧服务员和咖啡师”）通常比其他职业（生命科学家）更容易。树状图显示了职业的等级集群，图3中明确区分了服务型职业和体力劳动职业。并确定三个主要发现。首先，如图4所示，将距离测量与所有其他职业特征（“所有特征”）+劳动力供应特征（准确度=74%）或仅距离测量（准确度=73%）结合在一起的模型。

为了进一步验证这些发现，我们进行了一次烧蚀试验，分别在12, 2021八月10／42农场农场工人花园和苗圃工人，移动的操作工，起重机和电梯操作工，司机，机械设备制造商，汽车旅馆经理和汽车旅馆经理，车辆和零件销售人员的广告，公关和销售经理技术销售代表信息代表业务和系统分析人员财务经理生命科学家心理学家儿童护理员教育助手酒吧服务员和咖啡师填充员会计文员键盘操作员作物农场工人园艺和苗圃工人移动植物操作员起重机，起重机和升降机操作员卡车司机水管工电机机械金属装配工和机械修理工和汽车旅馆经理人力资源专员汽车和零部件销售员广告，公关和销售经理技术销售代表信息代表业务和系统分析人员财务经理生活科学家心理学家儿童职业教育助理酒吧服务员和咖啡师服务员会计文员键盘操作员向中高过渡的概率图3。可视化显示，从列到行发生转换，深蓝色表示转换是不对称的。树状图强调了相似的职业是如何聚集在一起的，在服务业和体力劳动职业之间有明显的区别。2021年8月12日11／42所有特征为劳动力需求+劳动力供给劳动需求劳动力供给0.60.650.70.75精度图4。不同分类器模型特征配置的预测精度得分。

当“所有特征”被纳入分类器模型以预测职业转变（76%）时，可以实现最高的性能。性能条），突出了组合特征的互补性，以及现在解释工作之间不对称的能力。特征被迭代地从特征集中删除，模型被重新训练——性能较低的模型配置表明特征的重要性较高。在这里，排除技能空间距离测量导致了绩效的最大下降，因此重申了其预测能力。我们还提供了一项功能，这是预测过渡的最重要功能（有关更多详细信息，请参阅补充信息）。第二，当所有特征组合在一起时，重复试验的准确度标准偏差会降低（如图4中的性能指标分布所示）。这表明技能空间距离的度量和重要性在于，通过组合所有特征，我们可以构建技能空间之间的不对称性。虽然过渡到同一职业会导致职业对之间的高度不对称，例如教育和经验要求的不对称。推荐工作和技能。转换图为提出合格的工作转换建议提供了依据。我们称之为工作过渡推荐系统。图5显示了危机期间的劳动力需求和就业水平（见补充信息）。在2020年3月的COVID-19的“第一次浪潮”期间，澳大利亚ZF强迫社会接触和流动性限制“非必要服务”来减缓病毒的传播（33）。这些“非必要”服务中的许多职业是另一种工作。在图5的上部面板中，我们在过渡地图上显示了“基本”和“非基本”职业。

这些职业的位置与12个相同，2021 12 /42建设项目经理商品交易主电子工程生产或工厂工程石油工程工程技术技术医学实验室科学科教教育家监狱官员人群指挥运输员肉类包装封隔器和Disabled CarersWhich技能应该是家庭清洁剂发展？哪些技能不能培养？1） 低重要性2）低距离非常高非常低的工作广告增长2019年3月至2020年3月至4月高重要性和高距离家庭清洁工商业清洁工服务员销售助理酒吧服务员厨师和残疾人护理员一般文员儿童护理员技能重要性%距离%获得复合材料得分高级护理0.989 0.965 0.954芳香疗法0.971 0.980 0 0.952工作条件：造口0.982 0.944 0.927患者卫生协助1.000 0.909 0.909脑瘫治疗0.985 0.892 0.879技能重要性%距离%获取复合材料得分财务0.056 0.096 0.005商业分析0.036 0.259 0.009会计0.102 0.098 0.0100.066 0.160 0.011社会媒体0.086 0.276 0.024技能重要性%距离%获取复合材料得分0.939 0.0030.925 0.004 0.003铺床0.926 0.005 0.005如厕0.955 0.006 0.006膳食准备0.976 0.009 0.009护理实习医生诊断和介入放射科医生和技师金属行业工人眼科医生政策办公室建筑隔热安装空气养牛场工人汽车油漆工装配工商业机器机械表演艺术技术人员工业喷漆工程生产工人水果或坚果采摘器内清洁剂图5。